一种基于稀疏编码的织物外观平整度评价方法
【技术领域】
[0001] 本发明涉及织物折皱状态下平整度等级机器视觉评定问题，具体涉及织物折皱特 征字码库创建、折皱分类算法，实现多种类型的织物外观平整度自动评级。
【背景技术】
[0002] 外观平整度作为织物一项重要的美学参数，成为织物质量控制，洗衣机、烘干机及 自动压烫设备的设计、洗涂剂的洗护效果评价等的重要评定依据。用户满意度与服装、织物 的折皱程度较为密切。织物折皱程度通常用平整度、抗皱等级、回复角等表征，其中平整度 体现了织物表面的起伏程度，通常用W表征织物护理后的外观表现。
[0003] 机织物、针织物及非织造织物，宏观上正反两面都是平面。在经历消费者穿用、洗 涂、干燥等过程，受到机械拉伸、压缩、弯曲、剪切、摩擦等，纤维内部应力即张力随时间的延 续持续下降，表现出蠕变、松弛，形成塑性变形，织物表面发生变形。由于织物各局部产生不 同程度的收缩，织物将产生整体的凹凸，呈现厘米级的凹凸不同。织物折皱程度评价是一项 传统的问题，通常参照相关标准（如AATCC 124)采用人工视觉评价。该方法属于主观评价， 受到个体生理、也理及环境因素的影响，精度低、再现性差，难W满足当前检测需求。因此需 要通过建立相关快速、客观、精确的评价方法。
[0004] 准确、有效的客观方法是评价织物外观平整度的有效途径。目前常见的做法是从 某些角度，提取出局部特征，对图像模式的某几类物理性质进行数学描述，对原始空间域或 频率域信息进行变换，得到特征指标，在此基础上进行综合与评定。目前应用的指标仍很难 准确地评价出织物的折皱程度，与实际折皱仍存在一定的差异，各项评价指标虽与平整度 等级之间存在一定的相关性，但由于模板表面的權皱形态迴异、權皱分布比较复杂，仅由数 个指标的简单组合并不能有效地评价织物实际的折皱等级，难W模拟达到人的感官评价， 主客观之间一致性较差。单纯地提取一些特征指标进行综合评价，会出现与真实折皱效应 的偏差。某些指标未必能够真实反映织物特性。因此提出适应织物该一特定对象且满足于 人体感官视觉的评价指标尤为重要。
[0005] 专家评价过程中，对试样的评估是建立在全局的、综合的、模糊的基础上，甚至参 照了历史经验进行的整体性评价，非由某一类别的细节特征所决定。因此如何把握并利用 已知信息，综合出判定依据能够实现W上判断，显得尤为重要，而该种综合，应当是织物图 像或H维空间信息的有效代表。人类视觉系统可W快速地处理大量的视觉信息，生物学解 释了哺乳动物在长期的进化中生成了能够快速，准确，低代价地表示自然图像的视觉神经 方面的能力，用较少的代价重建和存储一幅图像。因此，数字图像可W通过类似神经编码模 型而提出的，可W将事物目标图像由基函数的线性叠加噪声模型来描述。
【发明内容】
[0006] 本发明的目的是提供一种接近于人的感官评价的对织物的折皱程度的评价方法。
[0007] 为了达到上述目的，本发明的技术方案是提供了一种基于稀疏编码的织物外观平 整度评价方法，包括w下步骤：
[0008] 步骤1、提取各个织物图像的底层特征，包括W下步骤：
[0009] 步骤1. 1、构建尺度空间，实现尺度空间极值化；
[0010] 步骤1. 2、寻找图像在各尺度上的极值点作为特征点，当前尺度下的极值点为在当 前尺度及上下两层的26个领域中，所查找出的最大或最小值；
[0011] 步骤1. 3、通过拟合H维二次函数W确定各特征点的位置和尺度，同时去除低对比 度和不稳定的边缘相应点，W增强匹配稳定性，提高抗噪声能力，接着给每个特征点赋值一 个方向参数；
[001引步骤1. 4、通过特征点的位置信息、所处尺度信息及方向信息，确定相应的SIFT特 征区域，通过对特征点周围的SIFT特征区域进行分块，计算块内梯度直方图，从而生成独 特性的SIFT特征向量，每个SIFT特征向量为一个SIFT描述子X，从而每幅图像描述为SIFT 描述子的集合X = [xi，. . .，xJTg rmxd，式中，M为SIFT描述子的总个数，D为特征空间的 维度；
[001引步骤2、对步骤1. 4得到的SIFT描述子的集合X = [Xi，. . .，xJTe rmx哪用稀疏 编码算法得到一组基向量来更高效地表示X，也就是字典，再利用特征编码对字典的每个基 分配最为合适的权重，使其能够正确的表示样本特征；
[0014] 步骤3、使用支持向量机的方法对步骤2得到的字典进行分为预先设定的折皱类 另IJ，从而建立建立不同折皱等级的字码库；
[0015] 步骤4、获得织物图像后，基于字码库实现不同织物的折皱等级评定。
[0016] 通过本发明提供的方法能够对织物的平整度进行自动评价，且得到的评价等级与 人工视觉评定结果比较一致。
【附图说明】
[0017] 图1为基于稀疏编码的字码库示意图；
[0018] 图2为基于高斯差分的空间极值化过程示意图；
[0019] 图3为织物图像的稀疏表意图；
[0020] 图4为基于30张1级图像训练后的视觉词汇示意图；
[0021] 图5A为1. 5级的视觉词汇示意图；
[0022] 图5B为2级的视觉词汇示意图；
[0023] 图5C为2. 5级的视觉词汇示意图；
[0024] 图抓为3级的视觉词汇示意图；
[00巧]图祀为3. 5级的视觉词汇示意图；
[0026] 图5F为4级的视觉词汇示意图；
[0027] 图5G为4. 5级的视觉词汇示意图；
[0028] 图甜为5级的视觉词汇示意图。
【具体实施方式】
[0029] 为使本发明更明显易懂，兹W优选实施例，并配合附图作详细说明如下。应理解， 该些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明 讲授的内容之后，本领域技术人员可w对本发明作各种改动或修改，该些等价形式同样落 于本申请所附权利要求书所限定的范围。
[0030] 为了使本领域普通技术人员更好地理解本发明，首先对其中的一些概念进行解释 性说明：
[0031] (1)尺度不变特征转换：尺度不变特征转换（Scale-invariant feature transform, SIFT),是用于图像处理领域的一种描述子。该种描述具有尺度不变性，可在图 像中检测出关键点。是一种局部描述子。
[0032] (2)稀疏编码；稀疏编码是一种模拟哺乳动物视觉系统主视皮层VI区简单细胞感 受野的人工神经网络方法。该方法具有空间的局部性、方向性和频域的带通性，是一种自适 应的图像统计方法。
[0033] (3)稀疏匹配：图像的特征匹配又称稀疏匹配，主要采用灰度互相关匹配法进行 边缘点或角点的匹配。
[0034] 在本发明的一个示例性实施例中，提出了一种基于稀疏编码的织物外观折皱评定 方法。本方法由底层特征检测、中层特征设计、池化及分类四个部分组成。图1所本发明实 施例的字码库学习示意图。首先，采用尺度不变特征转换（英文全称为Scale-invariant feature transform,简称为SIFT)对图像进行特征点矢量量化，采用稀疏编码的方式及词 袋模型进行中层特征的构建，使用支持向量机的方法实现不同类型织物的分类。W下对该 几个部分进行具体的说明：
[00巧]步骤一；底层特征提取
[0036] 首先构建尺度空间，实现尺度空间极值化。在此，将图像尺度空间定义为L(x，y， 0)，可通过公式（1)计算获得：
[0037] L(x, y, 0 ) = G(x, y, 〇 )*I(x, y) (1)
[0038] (2)
[003引其中G(x，y，0 )指尺度的可变高斯函数，（X，y)为空间坐标，0的大小决定着图 像的平滑程度，I (X，y)表示输入图像。
[0040] 为了寻找尺度空间的极值点，图像的每个像素点要和比较图像域及尺度域相邻点 比较。如图2所示，寻找出极值点。极值点的寻找，就是在本尺度及上下两层的26个领域 中，查找出最大或最小值，就认为为是图像在该尺度下的一个特征点。为了方便找到稳定的 特征点，采用高斯差分尺度空间值0G scale-space)进行不同尺度的高斯差分核与图像卷 积生成。使用DoG寻找极大极小值比较快速和简单，公式如下：
[0041] D(x，y，0 ) = (G(x，y，k 0 )-G(x，y，0 ))*1 (X，y) 做
[0042]
[0043] = L(x, y, k 0 )-L(x, y, 〇 )
[0044] 通过拟合H维二次函数W确定特征点的位置和尺度（达到亚像素精度），同时去 除低对比度和不稳定的边缘相应点，W增强匹配稳定性，提高抗噪声能力。W上获得了每幅 图中的特征点，接着给特征点赋值一个128维方向参数，利用特征点领域像素的梯度方向 分为为每个特征点指定方向参数，其算子具有旋转不变性。采用公式（7)和（8)计算获取 方向参数：
【主权项】
1. 一种基于稀疏编码的织物外观平整度评价方法，包括w下步骤： 步骤1、提取各个织物图像的底层特征，包括W下步骤： 步骤1.1、构建尺度空间，实现尺度空间极值化； 步骤1. 2、寻找图像在各尺度上的极值点作为特征点，当前尺度下的极值点为在当前尺 度及上下两层的26个领域中，所查找出的最大或最小值； 步骤1. 3、通过拟合H维二次函数W确定各特征点的位置和尺度，同时去除低对比度和 不稳定的边缘相应点，W增强匹配稳定性，提高抗噪声能力，接着给每个特征点赋值一个方 向参数； 步骤1. 4、通过特征点的位置信息、所处尺度信息及方向信息，确定相应的SIFT特征区 域，通过对特征点周围的SIFT特征区域进行分块，计算块内梯度直方图，从而生成独特性 的SIFT特征向量，每个SIFT特征向量为一个SIFT描述子X，从而每幅图像描述为SIFT描 述子的集合X = [XI，. . .，xJTg rmxd，式中，M为SIFT描述子的总个数，D为特征空间的维 度； 步骤2、对步骤1. 4得到的SIFT描述子的集合X = [xi，. . .，xJTg rmx哪用稀疏编码 算法得到一组基向量来更高效地表示X，也就是字典，再利用特征编码对字典的每个基分配 最为合适的权重，使其能够正确的表示样本特征； 步骤3、使用支持向量机的方法对步骤2得到的字典进行分为预先设定的折皱类别，从 而建立建立不同折皱等级的字码库； 步骤4、获得织物图像后，基于字码库实现不同织物的折皱等级评定。
【专利摘要】本发明提供的一种基于稀疏编码的织物外观平整度评价方法由底层特征检测、中层特征设计、池化及分类四个部分组成。首先，采用尺度不变特征转换对图像进行特征点矢量量化，其次，利用稀疏编码的方式，及词袋模型进行中层特征的构建，使用支持向量机的方法实现不同类型织物的分类。该方法能够有效地实现非监督状态下的织物折皱自动评级。
【IPC分类】G06T7-00
【公开号】CN104616291
【申请号】CN201510020830
【发明人】丁雪梅, 徐平华, 吴雄英
【申请人】东华大学, 中华人民共和国上海出入境检验检疫局
【公开日】2015年5月13日
【申请日】2015年1月15日