一種基于灰度共生矩陣的羊絨與羊毛識別方法

焦明艷

(平頂山神馬簾子布發(fā)展有限公司，河南 平頂山 467200)

一種基于灰度共生矩陣的羊絨與羊毛識別方法

焦明艷

(平頂山神馬簾子布發(fā)展有限公司，河南 平頂山 467200)

羊絨和羊毛非常相似，這兩種纖維的鑒別一直是紡織工業(yè)的難題。經(jīng)研究，一些學者提出了一種基于灰度共生矩陣的羊絨和羊毛的識別方法。該方法將纖維圖像中的鱗片模式看作一種紋理，并使用灰度共生矩陣描述圖像中的紋理特征。從每副纖維圖像的灰度共生矩陣中提取了5個特征并使用支持向量機作為分類器進行有監(jiān)督的分類識別。使用澳洲細羊毛和羊絨作為樣本進行實驗，識別率超過90%，實驗證實了該方法的有效性。

羊絨 羊毛 識別 灰度共生矩陣 支持向量機

山羊絨和綿羊毛是兩種非常重要的紡織材料，二者外觀上非常相似，物理和化學性質也很接近，常常被用于混紡。相比于綿羊毛，山羊絨有更好的柔韌性和光澤，其價格也要比綿羊毛高很多。在企業(yè)收購羊絨時要檢測羊絨的純度，羊絨和羊毛的混紡品也要確定二者的比例。在紡織學術界和工業(yè)界，羊毛和羊絨的識別都是非常重要的研究內容。學者在這方面進行了很多的研究，早在上個世紀二十年代，Bergen[1]就指出羊絨和羊毛的鱗片的平均高度有所差別，后來又有其他學者將這兩種纖維的鱗片厚度、纖維直徑/鱗片高度作為識別的依據(jù)。但也有學者發(fā)現(xiàn)上述幾個評價指標都不足以很好地識別羊毛和羊絨[2]。一些學者開始研究幾種評價指標的結合，比較著名的有Wortman[3]提出的多指標識別公式，早期的研究多集中于纖維直徑及鱗片形態(tài)的測量值。還有一些學者開始研究這兩種纖維的DNA和蛋白質組成的差別，并借助于檢測儀器提出了一些識別方法[4, 5]。隨著計算機圖像技術的廣泛使用，很多學者開始借助于圖像技術來研究羊絨和羊毛纖維。石先軍等[6]研究了纖維鱗片的十多個指標，并建立貝葉斯模型來識別羊毛和羊絨。馬彩霞等[7]測量了纖維的8個特征值，用支持向量機來對兩種纖維進行分類。

可以看到，借助于高級的圖像技術來識別羊絨和羊毛，是該研究領域的一個重要發(fā)展方向。本文使用灰度共生矩陣(Grey Level Co-occurrence Matrix，GLCM)來描述羊毛和羊絨圖像，從中分析這兩種纖維的差別并進行識別。

1 方法

羊絨的鱗片間隔較大，密度較小，相比而言羊毛鱗片形狀更加不規(guī)則，鱗片密度較大，鱗片高度小。圖1是羊毛和羊絨的光學顯微鏡圖像，放大為400倍。

(a)羊毛

(b)羊絨

人們主要是根據(jù)羊絨和羊毛纖維表面呈現(xiàn)的鱗片模式來識別它們，而這些鱗片模式可以看作圖像中的紋理，本文提取纖維圖像中的紋理信息，依據(jù)這些信息用以識別這兩種纖維。本文首先建立每張纖維圖像的灰度共生矩陣，從每個灰度共生矩陣都可以提取表示圖像中紋理特征的二階統(tǒng)計量，然后使用支持向量機(Support Vector Machine, SVM)進行監(jiān)督學習，從而完成羊毛和羊絨的識別。下面首先介紹灰度共生矩陣的基本概念。

1.1 灰度共生矩陣

灰度共生矩陣由Haralick和Shanmugam[8]最早提出的，該方法計算圖像中一定方向和距離兩個像素灰度值組成的序數(shù)對出現(xiàn)的概率，以此來描述圖像中像素的分布規(guī)律，有效的一種紋理分析方法[9]。

灰度共生矩陣的本質是像素點對組合而成的聯(lián)合直方圖[10]。這里用I(x,y)表示目標圖像，其尺寸為Nx×Ny，灰度級別為Ng，那么就可以定義此圖像的灰度共生矩陣為：

P(i,j,d,θ)=#{(x,y),(x+a),(y+b)∈Nx×Ny|f(x,y)=i,f(x+a,y+b)=j} (1)

這里用#(x)來表示集合x中元素數(shù)量，P是大小為Ng×Ng的陣。設圖像中A像素點(x,y)的像素值為i，圖像上另一點B像素點(x+a,y+b)像素值為j，兩個像素點A與B之間距離是d，兩個像素點間的連線與水平坐標軸的夾角為θ，則a、b與d，θ的關系是a=dcosθ。A、B兩個像素點在不同角度和不同距離的灰度共生矩陣，用p(i,j,d,θ)中(i,j)是像素點A與B的灰度值構成的像素對，這樣像素點對的組合可以有Ng2個組合。圖像中任意兩個像素點間的灰度級的空間相關性都可以用灰度共生矩陣來表示，在計算中，常常令θ={0o,45o,90o,135o}，d={1,2,3,4}。下面是灰度共生矩陣定義中的，圖像中的像素點的距離與角度的示意圖。

圖2 灰度共生矩陣像素點的距離和角度示意圖

上圖中的圓圈表示圖像中的像素點，這里表示圖像右上角和左下角構成的像素點對的距離與角度示意圖。上面已經(jīng)給出a、b與d、θ的關系，當固定d、θ的值就等于固定a、b的值，使像素點(x,y)在圖像I中移動，可以生成不同的像素點對(i,j)，i,j∈[0,Ng-1]。如果變換d和θ，統(tǒng)計圖像中的像素點對(i,j)，則生成灰度共生矩陣p(i,j,d,θ)。使用灰度共生矩陣時，往往令d的值為1，然后通過計算θ={0o,45o,90o,135o}4個方向上的灰度共生矩陣得出紋理特征，再求4個方向的特征平均值，這樣可以得到旋轉不變的特征統(tǒng)計量。

灰度共生矩陣中經(jīng)常使用的有13個特征統(tǒng)計量，在使用中可以根據(jù)實際情況來選取部分特征。通過分析和比較這里使用相關度、熵、角二階矩、逆差矩以及和方差作為鑒別羊毛和羊絨圖像的特征[11]。下面簡要介紹一些這幾個統(tǒng)計量。

(1)相關度(Correlation)

(2)

這里σ1與u1是P(i)的標準差和均值，這里σ2與u2是P(j)的標準差和均值。如果灰度相關矩陣中的元素值相差不大，同時數(shù)值分布均勻，相關度就比較高，這可以用相關度來上描述紋理的方向性。

(2)熵(Entropy)

(3)

熵表示了灰度共生矩陣中元素的隨機性的強弱，這可以描述紋理的復雜程度。如果圖像沒有紋理，則矩陣中元素都是0，那么熵比較?。蝗绻麍D像紋理雜亂，灰度矩陣中的元素值相差比較大，此時熵值大。

(3)角二階矩(Angular Second Moment)

(4)

其值為灰度共生矩陣中所有值的平方和的值，角二階矩用來描述圖像紋理的粗細與圖像灰度分布均勻度，角二階距值比較大時表示紋理變化比較規(guī)則。

(4)逆差矩(Inverse Difference Moment)

(5)

逆差矩用來描述紋理的同質性，如果圖像的像素點對灰度值比較接近，則紋理在圖像中不同區(qū)域變換比較小，就是是逆差矩比較大。

(5)方差和(Sum of Variance)

(6)

方差和描述圖像紋理的周期性強弱，其值是圖像中像素點對的變化程度。若圖像中紋理的周期性強，則其值越大。

這里取澳洲細羊毛和羊絨纖維各500副光學顯微鏡圖像，灰度共生矩陣的參數(shù)θ={0o,45o,90o,135o}，d=5。下面的圖3是對樣本中的圖像計算得到4個統(tǒng)計量的均值,其中圖中第1類為羊絨纖維，第2類為羊毛纖維。

(a)相關性

(b)熵

(c) 角二階矩

(d) 逆差矩

(e)方差和

從上圖可以看到羊絨的統(tǒng)計量方差和比羊毛大，這時因為相比而言，羊絨鱗片更有規(guī)則，周期性更強。而羊絨其他4個統(tǒng)計量都比羊毛小，這是由于羊毛纖維的鱗片高度較小，鱗片密度較大，并且更加不規(guī)則。本文將這5個統(tǒng)計量作為特征，進行羊絨和羊毛纖維的識別。

1.2 圖像預處理

由于羊絨和羊毛的圖像的對比度不高，并且和有雜質，所以需要在提取特征前先進行預處理，以改善圖像的對比度。

(1)圖像去燥

在獲取羊毛和羊絨的顯微鏡圖像時，灰塵、溶劑和光電轉換都可能產(chǎn)生噪聲，這些噪聲會影響這兩種動物纖維的識別，因而在預處理過程中盡量減少噪聲。這里使用的是中值濾波對圖像進行平滑和去燥。

(2)圖像增強

這里使用的是直方圖均衡化的方法，直方圖均衡化是將圖像中比較密集的灰度分布轉化為灰度值比較均衡的狀況，以此來提高圖像的對比度，有利于接下來的特征提取。

1.3 支持向量機

本文使用支持向量機[12]進行監(jiān)督學習，支持向量機是目前使用最多的分類工具之一，其原理是在高維空間中代表不同類別的向量之間尋找一個超平面，使得各分類之間的間隔最大化，并將該任務轉化為凸二次規(guī)劃問題的求解。

2 實驗

將500張羊絨和500張澳洲細羊毛的光學顯微鏡圖像作為樣本，從中選取6組不同的比例纖維圖像作為數(shù)據(jù)集。每個數(shù)據(jù)集隨機抽取其中50%作為訓練集，另外50%作為測試集。首先對數(shù)據(jù)集中的圖像進行預處理，然后計算每組圖像的灰度共生矩陣，接下來提取每個灰度共生矩陣的相關度、熵、角二階矩、逆矩差和方差和等5個特征值。這5個特征值作為向量，每個向量表示一根羊毛或羊絨纖維，然后將向量作為SVM的輸入進行監(jiān)督學習，每組圖像實驗進行10次，記錄下每組測試集的識別率的平均值，如表1所示：

表1 不同比例訓練集的識別率

從表1中可以看到，不同比例下的數(shù)據(jù)集對識別率影響不大，每組的平均識別率都在90%以上，這也驗證該方法的有效性。

3 結論

本文研究了山羊絨和綿羊毛纖維形態(tài)上的差別，計算了羊絨和羊毛光學顯微鏡圖像的灰度共生矩陣，并從中提取5個二階統(tǒng)計量作為特征。以澳洲細羊毛和羊絨為樣本，分析和比較了羊毛和羊絨纖維圖像這5個特征值。在樣本集中選取不同比例的羊絨和羊毛作為數(shù)據(jù)集，該方法取得了超過90%的識別率，說明了使用這5個特征能夠較好識別細羊毛和羊絨。

[1] Von Bergen W. Cashmere[J]. The Melliand,1929, 1(6): 855-859.

[2] Langley KD, Tajr K. The identification of specialty fibers[J]. Textile Research Journal,1981, 51(11): 703-709.

[3] Wortmann FJ, Wortmann G, Arns W. Quantitative fiber mixture analysis by scanning electron microscopy. II. Blends of wool with angora rabbit hair[J]. Textile Research Journal, 1989, 59(2): 73-80.

[4] Zoccola M, Lu N, Mossotti R, Innocenti R, Montarsolo A. Identification of wool, cashmere, yak, and angora rabbit fibers and quantitative determination of wool and cashmere in blend: a near infrared spectroscopy study[J]. Fibers and Polymers, 2013, 14(8): 1283-1289.

[5] Tang M, Zhang W, Zhou H, Fei J, Yang J, Lu W, et al. A real-time PCR method for quantifying mixed cashmere and wool based on hair mitochondrial DNA[J]. Textile Research Journal, 2014, 84(15): 1612-1621.

[6] 石先軍. 羊絨特征判析準則及快速識別算法研究[D]. 上海：東華大學, 2011.

[7] 馬彩霞, 劉小楠, 劉峰. 絨纖維專家鑒別特征統(tǒng)計分析及自動鑒別方法研究[J]. 毛紡科技, 2014, 42(10): 62-64.

[8] Haralick RM, Shanmugam K, Dinstein IH. Textural Features for Image Classification[J]. systems Man & Cybernetics IEEE Transactions on 1973, smc-3(6): 610-621.

[9] 王杰. 基于顏色和紋理特征的圖像檢索[D]. 重慶：重慶大學, 2012.

[10]王輝. 基于灰度共生矩陣木材表面紋理模式識別方法的研究[D]. 哈爾濱：東北林業(yè)大學, 2007.

[11]袁森林. 基于紋理分析的羊絨羊毛鑒別[D]. 上海：東華大學, 2016.

[12]Vapnik V. The nature of statistical learning theory[J]. Springer science & business media, 2013(1).

2017-04-08

TS 102.3

A

1008-5580(2017)03-0126-04

作者：焦明艷(1985-)，女，助理工程師，研究方向：紡織品設計、紡織圖像技術。