织物褶皱多尺度灰度共生矩阵分析

发布时间：2021-06-13 17:43

　　为建立一套客观、稳定、高效的织物褶皱评价系统,文章提出一种多尺度图像特征提取方法。首先,通过3层小波变换对织物二维图像进行分解,得到其高频系数;对原图及三个尺度下的小波系数分别生成灰度共生矩阵,并对这四个尺度的灰度共生矩阵提取对比度、相关性、角二阶矩、同质性及熵值表征织物褶皱变化;最后通过支持向量机对输入特征进行分类。结果表明,结合小波变换的灰度共生矩阵方法比单独使用灰度共生矩阵分类准确率高,说明多尺度的图像特征能够更加全面地描述织物褶皱变化。 

【文章来源】：丝绸. 2020,57(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

图像采集系统示意

如图1所示，条形光源位于载样台一侧，并与载样台一边平行。由于光源垂直位置高于待测样本，其产生的光线与待测样本形成一定的入射高度角，当光线照射到粗糙样本表面后，经漫反射于不平整的样本表面产生不同的反射光线，表现在图像中则为区域性的明暗变化。且SA-1模板表面最粗糙，漫反射更强烈，明暗变化也更加明显。随着褶皱等级的提高，明暗变化逐渐减弱。采集所得六个等级AATCC标准模板图像，如图2所示。2 基于快速小波变换的多尺度图像分析

一副褶皱的织物图像经多层小波变换后，每层信息都被分解为高频分量H(褶皱边缘和噪声)和低频分量L(图像的主体)两部分[9]。高频分量又被分解为水平高频分量HH、垂直高频分量HV和对角线高频分量HD。经过小波变换分解得到的低频分量包含原图像90%以上能量，低频失去的信息由高频捕获[10]，继续进入下一层分解。每一层分解仅对低频分量进行。图4(a)是对图像进行三层小波分解的示意，图4(b)为一副褶皱织物图像三层分解结果。由图4可知，每经过一层小波变换后，图像都被分解为4个1/4大小的新图像，即由上级图像与小波基进行内积后，再分别沿图像行和列方向进行2倍间隔抽样而成。因此，可以通过对图像进行多层小波变换，在不同尺度下对织物褶皱特征进行分析。需要注意，图像尺寸随分解层数的增大呈指数减小，分解层数不易过高。由于低频分量包含原图像90%以上能量，与原图非常相似，而高频分量含有的信息较少，且每一层的高频分量都较好地保留了织物的边缘特征，因此本文采用原图和3层小波变换分解所得高频分量进行褶皱特征提取。且通过实验证明，选用haar小波时，灰度共生矩阵特征能够更好地描述褶皱等级变化。

【参考文献】：
期刊论文
[1]缝纫平整度客观评判模型的研究[J]. 李艳梅,仇晓坤,蒋真真.  丝绸. 2011(04)
[2]基于灰度共生矩阵的织物纹理分析[J]. 高士忠.  计算机工程与设计. 2008(16)
[3]织物折皱纹理灰度共生矩阵分析[J]. 汪黎明,陈健敏,王锐,姜红.  青岛大学学报(工程技术版). 2003(04)
[4]基于光度立体视觉法的织物三维表面形态研究[J]. 杨晓波.  西北纺织工学院学报. 2001(01)

硕士论文
[1]基于SIFT与小波变换的图像配准融合方法研究[D]. 陈燕文.武汉理工大学 2011



本文编号：3228007