（纺织工程专业论文）竹节纱织物组织结构识别及布面特征分析[纺织工程专业优秀论文].pdf

摘要 本文运用计算机数字图像处理技术实现了竹节纱织物组织结构和布面特征 的自动识别。 在竹节纱织物组织识别方面，本文提出了一种新的有效的织物组织结构识别 算法一模糊c 一均值聚类分析法。用扫描仪输入竹节纱织物组织的图像并将其转换 为数字文件，然后通过灰度图像形态学处理获得增强图像。基于纱线间隙和经纬 纱交叉区的存在，通过一阶和二阶的统计量可获取四种区域结构特征。利用模糊 c 一均值聚类分析法得出识别经纬浮点的非监督的判别准则。实验材料包括平纹、 斜纹织物，实验结果表明这两种基础组织结构模式可以得到有效识别。 另外，本文还采用功率谱密度图分析得到竹节纱面料经纬纱密度。 在竹节纱布面特征分析中，首先使用s o b e l 算法识别竹节形状，接着通过调 节二值化图像直方图阈值的方法得到竹节纱面料中竹节部分的图像，根据直方图 的百分比值得到竹节百分数；将二值化后的图像进行二维的傅利叶变换求得经纬 竹节纱频率分布图，再通过逆变换分别得到经纬竹节纱各自的图像。 【关键词】竹节纱组织结构模糊c 一均值聚类分析法功率谱密度图傅利叶变 换 江南大学硕士学位论文 a b s t r a c t d 珥t a li m a g ep r o c e s s i n gt c c h n o l o g yi sa p p i i e dt oa c h i e v ea u t o m a t i ci d e m m c a t i i i c a t i o no ff a b r i cw e a v ea 1 1 df e a t u r ei nm i sp 印e l i nt 1 1 er e c o g i l i t i o no ff a b r i cw e a v eo ft h es l u b b yy 锄f a b r i c ，an e wr e c o g n i t i o n a l g o r i t h n l 一f c mi sp r 叩o s e df o r f a b r i cw c a v ep 拙mr e c o 鲫t i o n 1 1 1 e g r a y l e v e l i m a g eo fs o l i dw o v e nf a b r i c sa r ec a p t u r e db yac o l o rs c a l l l l e ra 1 1 dc o n v e n e di m o d i g i t a lf i l e s ，t h e ne 1 1 h a n c e di m a g e sa r eo b t a i n e db yag r a y l e v e lm o r p h o l o g i c a l o p e r a t i o n b a s e do nm ei n t e r s t i c e so fy a m s ，、a r pa 1 1 d 、v e rc r o s s e da r e a sa r cl o c a t e d ， 锄df b l l rt e x t u r c so f m e s ea r e a sa r eo b t a i n e db yf i i 吼一o r d e ra i l ds e c o n d o r d e rs t a t i s t i c s u n s u p e i s e dd e c i s i o nm l e sf o rr e c o g i l i z i n gw a r pa i l dw e f tn o a t sa r ed e v e l o p e du s i n g af u z z yc - m e a l l sc l u s t e 血gm e t l l o d t h ee x p e r i m e n t a lm a t e r i a l si n c i u d ep l a i n ，t 谢l l w o v e nf a b r i c s e x p e r i m e n t a lr e s u l t sd e m o n s t r a t et h a t 铆ob a s i cw e a v ep a t t e m sc a nb e c l e a r l yi d e n t i f i e d p s di m a g ei su s e dt og e tm ew a r pa i l d 、c rd e n s i t yo fs l u b b yy a r nc l o t h d u r i n gt | l ea 1 1 a l y s i so nt h ef b a n l r eo fm es l u b b yy a n lf a b r i c ，s o b e ii su s e di n i d e n t i 母i n gt i l es l u b b ys h 印ef i r s t ly ，h i s t o 擎锄t h r e s h o l do f 血eb i n a r yi i l l a g ei s c h a l l g e dt og e tt l es l u b b yi m a g eo ft 1 1 es l u b b yy a r nc l o t l l ，t l l e ng e tt h es l u b b y p e r c e n t a g ea c c o r d i n gt ol l i s t o g m m t h eb i n a r yi m a g ei sc h a i l g e di n t om es l u b b yw a r p a 1 1 dw e r 厅e q u e n c yd i s 廿i b u t i o ni m a g ea f t e r2 df o 埘e rt r a l l s f b m ，t | l e nc o m et ot 1 1 e s l u b b yw a r pa 1 1 dw e f ti i i l a g e 心e rt i l ec o n t r a s tt m s f j m 【k e yw o r d s 】t h es l u b b yy 锄，w e a v ep 舭m ，f u z z yc m e a i l sc 1 u s t e r i n gm e t h o d p s di m a g e ，f o u r i e rt r a n s f b m i l 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 本人为获得江南大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 签名： 日期：一6 年；月元日 关于论文使用授权的说明 本学位论文作者完全了解江南大学有关保留、使用学位论文的规 定：江南大学有权保留并向国家有关部门或机构送交论文的复印件和 磁盘，允许论文被查阅和借阅，可以将学位论文的全部或部分内容编 入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、 汇编学位论文，并且本人电子文档的内容和纸质论文的内容相一致。 保密的学位论文在解密后也遵守此规定。 签名： 导师签名： 日期略一6 第一章绪论 1 1 概述 第一章绪论 竹节纱织物由于竹节的存在，在仿样设计时既要考虑分析小样的组织结构， 又要合理搭配经纬向的竹节分布，使竹节纱布面具有特殊的风格特征，因而手工 分析比普通织物要麻烦，且分析竹节纱织物组织结构时容易受到竹节的干扰，加 上人的直接参与，客观上造成测试结果具有一定的主观性和不可靠性，而且耗费 操作人员大量的时间。数字图像技术具有运算速度快、测试精度高、处理数据量 大、结果再现性好等特点，使视觉信息的自动测试和客观化、智能化分析得以实 现，因此，利用数字图像处理技术，实现竹节纱织物组织结构参数以及布面特征 的自动提取分析，不仅能将工艺员从冗繁的手工劳动中解放出来，而且将成为纺 织产品c a d c a m 系统一个重要组成部分，为纺织工业实现全面自动化，提高纺织 生产效率做出应有的贡献。 1 2 组织结构识别国内外的主要研究方法 利用图像处理的方法来分析竹节纱织物的组织结构与分析普通的织物有很 大的共同点，因而有必要说一说图像处理方法在分析普通织物中应用的情况。有 关织物结构自动分析的研究始于八十年代中期的日本，历经了光学计算到数字分 析的图像处理过程。 r a k i y 硼a 等提出了通过分析织物衍射图样判别组织类型的方法。他们在光 学领域对组织识别进行了探索，首先摄取织物的反射光照片，经过相干光学系统 处理，得到织物的衍射照片，然后测量负片上亮点的大小及间隔，最后计算结构 函数得到织物的组织类型。他们以平纹、斜纹、缎纹为例，得出了织物的衍射图 样与意匠图之间的关系，概述如下： ( 1 ) 织物组织基本结构可从衍射图样中相邻两根经纱和纬纱组成的单元观察 到。 ( 2 ) 组织循环纱线数n 由计算单元中的峰点数t 得到，其间关系可表达 为：n = t + l o ( 3 ) 单元中的峰点排列顺时针旋转9 暖，即可决定意匠图 文中，还用数字图像处理程序证实了以上关系在衍生组织中的适用性。由于 f r a u n h o f e r 衍射模式即等同于二维傅利叶变换，衍射图样中的峰点也即为透射光 能量最大处，因而，他们所提出的织物模型、研究方法及相关结论对以后的研究 者用傅利叶变换等实现织物结构的自动分析提供了有益的启示。 江南大学硕士学位论文 e j w o o d 率先用傅利叶变换及相关函数对织物图像进行处理，从中提取模式 特征。他认为织物结构中较高程度的周期性是应用傅利叶变换的基石，并详细介 绍了傅利叶变换理论及其在图像处理中的实现方法，揭示了频域滤波的优势及傅 利叶变换与相关函数的内在联系。在文中，w 0 0 d 例举了地毯模式特征的识别，得 到了满意的结论。 b u g a o x u 也用类似的方法获取织物的能量谱图，为适应存在的灰度级，用 对数运算压缩能量谱，并通过坐标变换将能量谱的原点定在图像中心，便于后继 处理。织物结构的各种特征参数，如组织、经纬密、纬纱倾斜度等，都借助于能 量谱进行了定量分析。尤其是通过选用不同方向上的能量谱峰点，成功地用傅利 叶反变换重构了经纱、纬纱的图像，从而用直观的方式实现了经纬密和纬纱倾斜 的自动测量。 r a v a n d i 等将傅利叶变换方法用于平纹棉织物图像的分析，得到纹路走向、 纱线密度与间隔等表面参数。 k a n g “3 等通过分析水平和竖直方向上的灰度变化确定纱线尺寸和经纬交织 点，然后分析交织点椭圆的形状比率，确定其经纬点性质。 李艳梅等分别运用功率谱分析和自相关分析，确定经纬纱密度和组织循环纱 线数：庄国瑜“”等运用小波多频道分解方法提取图像的水平分量和竖直分量，得 到织物图像的经纬向信息。 以上这些都是以织物表面图像的灰度图作为分析对象，且只能识别一些规则 的单组织，对复杂组织( 如重组织、双层组织等) 都未有涉及s h i n o h a r a 等对多 层组织识别问题进行了研究，摄取织物表面及断面的c t 图像。1 ，通过追踪每根纱 线的走向获得纱线位置信息，用三维造型的方法重构出织物样本，但该方法硬件 设备昂贵，算法复杂。 纵观以上的发展概况，相比较而言，图像的光学计算法繁琐，费力且不便于 软件实现。因而，用数字图像处理技术自动分析织物结构应是当前的发展主流“。 现有的研究大多限于用数字滤波及傅利叶变换求解、提取结构信息，但由于 傅利叶变换的结果与原函数之间没有唯一对应关系，不可能仅靠频谱图和相关函 数提取特征值来识别一般的织物组织。总之，目前对织物组织的识别尚缺乏系统 性，未达到实用阶段，还需作更为深入的研究。 1 3 竹节纱织物布面特征分析的主要研究方法 传统的竹节纱布面特征分析主要是以手工为主，重点分析竹节的大小、分布 特征、竹节循环规律等典型特征。竹节织物的布面分析首先弄清楚竹节纱的类型， 是普通竹节纱还是弹力竹节纱，或者是其他特殊竹节纱，如股线竹节、包芯竹节、 第一章绪论 a b 竹节等。其次要分析竹节的形态，因竹节纱的形态有一头圆一头尖的萝p 形和 两头尖的梭子形两种，两类形态的竹节的饱满程度不同，织物风格会有差异。第三 要弄清楚竹节纱的三个基本构成要素( 节长、节粗、节距) 及竹节百分数3 1 。由 于客商提供的样品一般都是很小一块，长宽仅几厘米，没有竹节或者竹节不完整， 这使得竹节织物仿样设计工作需要设计人员认真分析来样，总结出切实可行的办 法。 1 4 本课题的研究目的及意义 竹节纱织物的组织结构和布面特征，与竹节纱织物仿样设计工作密切相关， 利用图像处理技术最大程度的实现自动识别，从而为工厂生产提供便利。 近年来，随着个人计算机的不断普及，计算机技术在纺织领域也得到了更为 广泛的应用，尤其是数字图像处理技术，使人类的视觉加工能力与计算机出色的 运算能力得以完美结合，在纺织测试的各个领域中已取得了许多科研成果。例如 织物表面性能的研究，棉纤维成熟度的测试，非织造布结构特征的评价，混纺纱 结构参数的测定等等但是，至今织物分析还是借助于照布镜、分析针等简单工 具，完全依赖人工操作，不仅费时费力、效率低下，而且对缩短仿样设计的生产 周期也极为不利。竹节纱织物由于其特殊性使得织物组织和布面特征比其他普通 织物更加复杂，因此，利用数字图像处理技术，实现竹节纱织物组织结构和布面 特征的计算机分析，将工艺员从冗繁的手工劳动中解放出来，并进一步与织物组 织设计c a d 系统1 4 j 、织物性能评价软件相结合，对实现纺织产品设计与测试的自 动化都具有特殊意义。 1 5 本课题的主要任务 本课题主要解决以下几个问题： ( 1 ) 利用模糊c 一均值聚类分析法实现竹节纱平纹、斜纹织物组织自动识别。 ( 2 ) 另外用功率谱密度图识别竹节纱经纬密度。 ( 3 ) 在识别竹节纱面料的布面特征过程中，用边缘增强方法中的s o b e l 算子 突出竹节纱布面中的竹节形状，接着通过调节二值化图像直方图阈值的方法得到 竹节纱面料中竹节部分的图像，且根据直方图的百分比值得到竹节百分数，从而 一定程度上显示出竹节的大小、分布特征和竹节循环规律，再将二值化后的图像 进行二维的傅立叶变换求得经纬竹节纱频率分布图，再通过傅利叶逆变换分别得 到经纬竹节纱各自的图像，从而为竹节纱仿样设计提供了一定的依据。 江南大学硕士学位论文 第二章竹节纱织物组织分析 2 1 选用模糊c 均值聚类分析法的原因 人工识别织物组织结构费时费力，不利于企业的产品更新和来样检测。2 0 世 纪8 0 年代中期以来，利用图像处理识别织物组织结构的研究日益兴起其中，以傅 利叶变换识别织物组织结构的方法被广泛使用，它的主要原理是利用功率谱中 的峰值代表可被识别的基础组织循环单元的频率，通过比较不同的频率来识别织 物组织结构，但在鉴别类似组织结构的织物样品时，由于样品具有类似的功率谱， 识别它们存在困难。 另外一种识别方法是利用经纬浮点来判断织物模式，其主要方法是：经过图 像增强后织物图像被转化为二值化图像以进行下一步的组织点识别工作。二值化 图像把图像分为物体部分( 像素值为1 ) 及背景部分( 像素值为0 ) ，这种图像经阈值 法得到。阈值门限化方法的核心是如何合理地选择门限，其方法有许多种，如十 进矩法、交叉方差法、错分类误差最小法及高阶熵方法等。但是按照一般方法计 算的阈值对织物图像二值化不一定能很好地区分背景和纱线，实际中常用一种简 单的方法获取阂值。即先扫描一张不带任何物体的背景图片，将其转化成灰度级 图像后，把图像内所有像素点的灰度值相加再除以点的总数，得图像的平均灰度 值，把它作为背景的闽值，调整后得到过滤阈值。把织物图像按过滤闽值进行阈 值化，把灰度值大于等于此阈值的像素点变成白色，而把其余点变成黑色，这样 可得到在黑色背景上间隔出现的白色块，白色块代表组织点在织物图像上的位 置。织物图像经腐蚀运算及区域修整后可很好地突出经纬浮点的形态。 接着，通过水平及垂直方向上灰度值的变化查找出经纬交叉区；然后根据这 些区域的形状来判断经纬浮点。然而，由于纱线原料，细度和强度的差异，使同 组织结构的织物具有不同的经纬浮点几何形状，因而准确率不高。 以上两种方法可以看出，对一种织物的监督学习而获得的标准可能对另一种 织物会不合适。因此，为了自动识别织物组织结构，有必要开发一种非监督学习 的自动识别法一模糊c 均值聚类分析法。 2 2 聚类分析算法 聚类算法是基于样本间相似性度量的无监督学习类别分离的间接方法，是在 一定条件下，按照样本间的相似性把集合划分成若干个子集，划分的结果应使某 种表示聚类质量的准则函数为最小或最大。一般用距离来表示样本间的相似度， 就是把特征空间划分成若干个区域，每个区域相当于一个类别，不同类样本则相 4 第二章竹节纱织物组织分析 互远离【8 l 。 传统的聚类方法可以分为层次聚类方法以及分割聚类方法两种。层次聚类方 法输出的是一棵层次化的分类树，而分割聚类方法输出的是互不交叉的聚类集。 2 2 1 层次聚类分析方法 是把n 个没有类别标签的样本分成一些合理的类，极端情况下最多分为n 类，最少分为一个类，因此把问题看作将n 个样本划分成c 个类的划分序列。第 一个划分把样本分为n 类，第二个为n l 类，等等，直到第n 个划分，把样本分 成l 类。若类数c = n k + 1 ，则该划分处于k 水平。 分级聚类算法有两个关键问题，首先是如何选取类间相似性度量，它是由两 类聚合为一类的根据；其次是聚合过程应该停留在哪一级上，这与最终聚合成几 类有关，也与类间相似性有关。聚类即为这种划分序列，它有如下性质：只要在 k 水平时样本被归入同一类后，再进行更高水平划分时，它们永远属于同一类。 分级聚类可以表示成一棵树，如图是一棵具有6 个样本的分类树。1 水平表示6 个样本都是单样本。在2 水平上，y 3 和y 5 分在同一类，对于以后各个更高水平， 它们始终属于同一类0 5 1 。 1 水平_ y 2y 4y l 2 水平一 3 水平一 4 水平一 5 水平 6 水平一 图2 一1 分级聚类方法示意图 2 2 2 分割聚类方法 它包括试探性算法和迭代算法两大类。试探性算法通常按某种就近原则聚 类，如简单的聚类寻找算法和小中取大距离算法，这种聚类算法计算简单，但因 为缺乏误差调节机制，聚类效果往往难以预料。迭代算法则从一个初始分割开始， 反复迭代直至某个控制函数达到最优。它具有三个要点：选定某种距离度量作 为样本间的相似性度量确定某个评价聚类结果质量的准则函数给定某个初 始分类，然后用迭代算法找出使准则函数取极值的最好聚类结果。比较典型的迭 代算法包括c 一均值算法、i s 0 d a l a 算法等等。这些算法能够较好地解决试探算 法的误差问题，但需要确定一些经验参数和阈值，如聚类的个数以及初始聚类中 心的设定等。另一种迭代算法即自适应算法。该算法不需要经验参数及闽值的设 江南大学硕士学位论文 定，从初始分割开始，经多次聚类分裂与合并的迭代，自适应地达到用户满意的 聚类效果。 c 一均值算法使聚类域中所有样本到聚类中心的距离平方和最小1 5 l ，使用的聚 类准则函数是误差平方和函数。为了得到最优结果，要先选择一些代表点，方法 如下：凭经验选直观上看来合适的点；将样本随机分为c 类计算每一类的重 心作为代表点“密度“法选择用前c 个样本做代表点。这里我们用的是第 种方法。 该算法步骤阐述如下： 第一步，任意选择c 个初始聚类中心z l ( 1 ) ，z 2 ( 1 ) ，z 3 ( 1 ) ，z c ( 1 ) 。一般 选择给定样本集的前c 个样本作为初始聚类中心。 第二步，第c 次迭代，若i i z z j ( c ) 0 d 或n i ) 2 ( en 卜1 ) 2 7 或 c k ，22 8 则z j 分裂成两个新的聚类中心z j + 和z j 。，删去z j ，并使c = c + 1 。对应于o 的刁 的分量上加上一给定量y ，而2 j 的其它分量保持不变来构成z + 。对应于o 。， 的z j 的分量上减去y j ，而z j 的其它分量保持不变来构成z j 。规定y j 是o 。的 一部分，y ，= ko ，o ( k l 。选择y 的基本要求是，使任意样本到这两个新 的聚类中心z 。+ 和2 i 。之间有一个足够可检测的距离差别，但又不能太大，以至使 原来的聚类域的排列全部改变。 如果发生分裂转第二步，否则继续。 第十一步，计算所有聚类中心的两两距离d i i 。 d u = 屿一z i f i ，i 2 1 ，2 ，3 ，c l ；j = 1 ，2 ，3 ，c 2 9 第十二步，比较距离d 与参数o 。，取处l 个d i j ( e 。的聚类中心， d ，l j l ，d i 2 j 2 ，d i u l ，其中d j l ( d 竭2 ( ( d 蟛l 。 第十三步，从d i l i l 着手，开始对对归并，算出新的聚类中心。 1 2 ：2 东剥n 把一) + n 胸) 】 2 。1 0 l = 1 ，2 ，l 。删去2 i l 和z i l ，并使c = c 一1 。注意：仅允许一对对归并，并且一个 聚类中心只能归并一次。经实验得出，更复杂的归并有时反而产生不良的后果。 第十四步，如果是最后一次迭代则算法结束，否则( a ) 如果用户根据判断 要求更改算法中的参数，则转第一步；( b ) 如果对下次迭代参数不需要修改，则 转第二步。每次回到算法的第一步或第二步就计为一次迭代，i = i + 1 。 此外，随着人工神经网络和模糊集理论的发展，又出现了以模糊聚类新型聚 类算法一模糊c 均值聚类( f c m ) 法。 2 3 模糊c 均值聚类的基本方法和思路 模糊c 均值聚类( f c m ) ，是由隶属度确定每个数据点属于某个聚类的程度的 一种聚类算法。f c m 方法已经应用到各种领域，包括图像和语音数据压缩、径 向基函数网络进行系统建模的数据处理，以及异构( 模块) 神经元网络结构中的任 第二章竹节纱织物组织分析 务分解等。 f c m 聚类算法首先必须确定聚类个数c 和模糊加权指数m 。由于聚类结果对 c 值的大小很敏感，不同的c 值得到的聚类学习结果往往相差很大，因而如何选择 合适的c 值成为聚类算法中的一个难题。而f c m 聚类算法的优越性则在于对给定 的c 值则可得出合理的聚类结果”1 1 。 f c m 算法步骤如下： 设待分析数据集) 【- x l ，x 2 ，x ny ，分为c 类j 由于任一数据点x j 几乎不可能 被严格地划分给某一类，定义它隶属于第i 类的程度为u i j 。u 。，具有性质： “。 o ，l 】 = 1 ，w o ，称为切比雪夫距离 d m ( u ，v ) = m a ) 【| i l l i - v 川 2 1 8 然而，考虑统计特性时，u 到v 的马氏( m a h a l a l l o b i s ) 距离也是很有用的相似性 度量。 d = ( u v ) 1 c 1 ( u v ) 2 - 1 9 式中c 是模式类的协方差矩阵。与欧氏距离相比，马氏距离排除了不同特征之 第二章竹节纱织物组织分析 问相关性的影响，关键在于协方差矩阵的计算。只有当c 为对角阵时，各特征 之间才是完全独立的；当c 为单位矩阵时，马氏距离等于欧氏距离。 相似性度量不一定只限于距离和直方图，例如还可以是非尺寸的相似性函数 s k z l ：一兰! ! 一 2 2 0 。l l 划忙l i一 ? 它是矢量x 和z 之间夹角的余弦，当x 和z 相对于原点是同一方向时，函数 值最大。当聚类区域有扇形分布时，往往采用这种形似性度量。应该指出，采用 这种相似性度量有一定限制条件，就是模式聚类区域相互之间以及它们对坐标原 点来说都是完全可分的。 2 4 2 聚类准则 在样本相似性度量的基础上，聚类分析还需要一定的准则函数，才能把真正 属于同一类的样本聚合在一起，而把不同类的样本分离开来。如果聚类准则选得 好，聚类质量就会高。假定有一组样本 x l ，x 2 ，x 3 ，x n ) ，要求把它确切的 分成。，u2 ，。m 个类。当然，同一类里的样本相似性应高一些，于是可 存在多种分类，到底何种分法最好? 这就必须定义一个准则函数，如果聚类准则 选得好，聚类质量就会高。同时，聚类准则函数还可以用来评价一种聚类结果的 质量。如果聚类质量不满足要求，就要重复执行聚类过程，以便优化聚类结果。 在重复优化中，可以改变相似性度量，若有必要还可以选用新的准则函数。这样， 聚类问题就变成对这个函数求极值的问题。这里介绍三种准则： 2 4 2 1 误差平方和准则j 。 本文识别竹节纱织物组织时就选用了这一准则。这是一种最简单而又广泛应 用的准则。令有混合样本集) ( - x l ，x 2 ，x 3 ，x n ，在某种相似性度量基础上， 它被聚合成c 个分离开的子集x 1 ，”，) ( c ，每个子集是一个类型，分别包含n l ， i l c 样本。为了衡量聚类的质量，采用误差平方和j 。聚类准则函数，定义为 cn _ j 。= 1 隅一m j0 2 2 2 1 式中，m 是类型x j 中样本的均值，即 峄击善k z 抛 m j ( i = l ，c ) 是c 个聚类中心，用以代表c 个类型，n j 是x j 中的样本数。 可以看出，j 。是样本和聚类中心的函数。在样本集x 给定的情况下，j 。的值 取决于c 个聚类中心。j 。描述n 个试验样本聚类成c 个类型时所产生的总误差平 方和。显然，若j 。值越大，说明误差越大，聚类结果不好。因此，我们应该寻求 使j 。最小的聚类结果，即在误差平方和准则下的最优结果。这种聚类通常称为最 江南大学硕士学位论文 小方差划分。 误差平方和准则适用于每类样本比较密集，各类之间有明显的分离且样本数 目悬殊不大的样本分布。当不同类型的样本数目相差很大时，若采用误差平方和 准则，为达到总的误差平方和最小时，有可能会把样本数目多的类型分开。 2 4 2 2 加权平方距离和准则( 与最小方差有关的淮则) j 。 经过简单的代数运算，可以将上述j 。的表达式中均值向量m i 消去，得到另 一种准则函数表示形式： j 9 x ， j = p j s ： 2 2 3 j = l 式中，c 个聚类数；p j 是第j 个聚类类型的先验概率；s ：是相似性算子，即 类内样本间的平方距离。 s ：2 南善剖卜x i 旷 2 - 2 4 可以看出，羔是类型x j 中的样本中任意取两个的组合数的倒数， n 【n 。一l j l | x x | | 2 是x j 中的样本间平方距离之和，而有效的平方距离项数就是n j x e x 】x e x j 中任意取两个样本的组合数。所以式2 - 2 4 定义的s ：就是x j 类内样本间的平方距 离。而式2 2 3 定义的j i 是以先验概率p i 为加权的总类平均平方距离之和，其中 先验概率p j 可以各类样本数目n i 及样本总数目n 来估计，即 n 玎 只= ，= l ，2 ，c 2 2 5 疗 把上式代入式2 2 3 ，得到 = z = 去喜咿+ ， z 粕 对于各类样本数目悬殊比较大的情况，使用加权平均平方距离和准则j l 比使 用误差平方距离和准则j 。容易得到正确的聚类结果，比较容易防止较多样本类型 的分裂。 j 。准则和j i 准则都是描述聚类结果的类内距离分布状况的，它们的值越小， 说明类内样本越密集，以聚合中心为极大值的局部区域密度越高，聚类结果越好。 2 4 23 类间距离和准则( 散布准则) j b 第二章竹节纱织物组织分析 为了描述聚类结果的类间距离分布状态，我们可以利用类间距离和准则j b 以及加权的类间距离和准则j b 2 ，它们分别定义为 j b l = ( m j m ) 。( m j m ) j = 1 和 j b ：= p j ( m j m ) 1 ( m ，一m ) 2 2 7 2 2 8 式中，m j 为x j 类型的样本均值向量。可由式2 - 2 9 计算；m 为全部样本的均 值向量，即 m = 喜x t 2 2 9 而p j 为类型的先验概率，若p j 以各类型的样本数目码和样本总数n 估计， 即按式2 2 5 计算，则式2 2 8 变为 一 。 以z 卑谣言喜畎旷m 八珊，训 z 瑚 类间距离和准则描述了不同类型之间的分离程度。显然，j b l 和j b 2 的值越大， 表示聚类结果的各个类型分离性好，所以聚类质量高。 本文中的组织识别我们都是以欧氏距离为相似性度量，选择误差平方和准则 作为准则函数，便于分析和计算，在特征提取的效果方面也比较好。 2 5 竹节纱织物两种组织识别 2 5 1 设备及材料 材料：两种组织( 平纹，斜纹) 布样。 设备：e p s o n l 6 4 0 ) a j p h o t o 扫描仪( 最高3 2 0 0 d p i 图像分辨能力) 。 2 5 2 两种组织原图像预处理 不管是不同原料或不同组织的织物，例如，平纹、斜纹，它们的织物组织图 像都是由两种基本结构组成，即经浮点和纬浮点。因此，要识别织物的组织结构 模式，首先要找出经纬交叉区，然后提取图像特征并分别将它们归入经浮点集和 纬浮点集。主要的难点部分在于开发一个对不同种类织物都通用的非监督判别准 则。模糊c 均值聚类分析法则是个强有力的工具，利用这种方法，当识别一经 纬交叉区时可以提取每一个经纬交叉区的四种特征值，包括灰度均值、标准差、 对比度、相似度等适用于各种织物的特征值。该聚类法适应于非监督分类识别相 江南大学硕士学位论文 似的样本对象，此外，模糊c 均值聚类法能产生较好的聚类结果啪删。因而，在 本文中我们提供了一种可以自动识别织物组织结构的有效算法。先通过扫描仪获 取两种织物的图像。 ( a ) l ，1 平纹( b ) 2 1 斜纹 图2 2 两种组织原图像 灰度图像可以认为是三维的：x 和y 轴分别代表象素的位置，而z 轴代表 每一个象素的亮度。亮度类似于地形图中的海拔，图像中的高亮度和低亮度区域 是重要的形态特征。我们可能只对那些明显的最大值或最小值感兴趣，而忽略那 些由于背景纹理所引起的最大或最小值。故可利用高帽变换增强细节部分的明暗 结构。算式如下： a t o 。= a 一( a 。s ) 2 3 1 a t o 。是高帽变换，。是灰度的结构开启操作，s 是结构参数，a 表示白色像素 ( 礼帽的边缘) 的最高点，a 。s 表示阴暗像素( 礼帽的帽顶) 的最高点p c 。 这里，要讲一下t 0 p h a t ( 高帽变换) 滤波法。 t o p h a t 滤波定义了两个范围，这两个范围就像一顶礼帽( t o ph a t ) ，内部的 范围就是礼帽的帽顶，在内部范围之外还有一个更大的范围，就像礼帽的边。礼 帽的帽顶半径( c m w n r a d i l l s ) 和边缘半径( m m r a d i l l s l 可以由用户定义。 实际上t 0 p h a t 滤波定义了两个象素的范围，一个距离中心点的距离为帽顶 半径的象素，还有一个距离中心点更远的环形范围环形的半径为边缘半径。 如下图所示，滤波范围的帽顶半径为2 个象素( 即阴暗象素所标志的范围) ，而 边缘也为2 个象素( 即白色象素所标志的范围) ： 图2 3 高帽变换示意图 滤波的过程是找出白色象素( 礼帽的边缘) 的最高点p r 和阴暗象素( 礼帽 的帽顶) 的最高点p c ，如果p r 和p c 的高度差超过某个阈值，中间点的高度保 持不变，否则，中间点被擦除( 高度变为o ) 。 第二章竹节纱织物组织分析 t o p h a t 滤波基本上是一个颗粒( 亮点) 搜索过程，在过程中保留颗粒( 亮 点) 而擦除背景，可以达到消除背景的目的。颗粒( 亮点) 的大小由边缘的半径 定义，两个颗粒( 亮点) 之间的最小距离由帽顶的半径定义。 利用灰度形态学的高帽变换增强图像的区域特征之后，基于纱线边缘的排 列，可以找到灰度平均值、标准差、对比度、相似度这四种经纬交叉区的特征值。 最后，我们可以利用模糊c 均值算法对经纬浮点结构特征分类以实现织物组织 结构的自动识别。 ，-一 i 图像2 4 ( a ) 和2 5 ( a ) 表示初始的纬竹节1 l 平纹竹节纱织物和纬竹节2 1 斜 纹织物图像，只能显示相对模糊的纬浮及纱线间的较暗区域。此外，一些经纬边 缘的模糊图像不利于下一步的图像分析。由灰度直方图可知，这些灰度值大都聚 集在1 4 0 和2 2 5 之间的较小区域内，图像对比度太小，不能很好的分辨其结构特 征。介于此，将原始图像经过灰度形态学的高帽变换增强图像，然后经过图像均 衡化灰度，使其分布扩展到1 2 0 和2 4 0 的范围内，从而只突出织物图像中重要的 细节特征，图像增强后，最后获得如图2 4 ( b ) 和2 5 ( b ) 所示的增强图像。 ( a ) 1 ，1 平纹织物原始图像( b ) 增强图像 图2 - 41 1 平纹原图像及其增强图像 ( a ) 2 ，1 斜纹原图像( b ) 增强图像 图2 52 l 右斜纹原图像及其增强图像 在程序中，根据灰度值的变化通过栅格分析在经纬纱的邻接处将织物图像分 割成许多的经纬交叉区。然后，对经纬交叉区域的图像进行聚类分析。 江南大学硕士学位论文 图2 6l 1 纬竹节纱平纹织物分格图 图2 72 l 右斜纹纬竹节纱织物分格图 2 5 3 模糊c _ 均值算法识别组织结构 在图像分割，模式识别和向量量化等许多领域，聚类过程是这些问题中不可 或缺的步骤。聚类分析法是一个有效的工具，它通过对样本进行归类来判断样本 集模式之间的关系。从而使相似的样本属于一类，而不相似的样本属于不同类。 由于这里的样本是实数向量，可以将欧几里德距离作为相似性度量。模糊c 一均 值算法是常用的聚类算法之一，它已经成为非监督学习聚类模糊技术理论和实际 第二章竹节纱织物组织分析 应用中的重要方法m 1 “。c 一均值聚类算法可以看作是优化下列准则函数的一个最 优化问题： ，脚= “绷 2 - 3 2 f = 1 = l 在这里，c 是聚类数，蝎【o1 】表示样本x j 对第i 个模糊集的从属度， 蛳= i j 惭x j l i 是第i 个聚类中心谢和第j 个样本x j 之间的距离，m ( 1 ，m ) 是影响聚 类模糊度的加权指数。 c 均值算法首先选择初始聚类中心以预先设定每一个类的区域口2 1 ，这些初 始聚类中心多数是不准确的。此外，c 均值算法为每一个样本对每一个类集都赋 予一个从属度，通过迭代以更新聚类中心和每个数据样本的从属度。c - 均值算 法反复迭代从而使聚类中心逐渐趋近其在样本集中的“正确”位置。该迭代算法 使代表从样本到聚类中心距离的准则函数最小，该距离由样本的从属度衡量。 c 均值算法通过以下步骤实现： ( 1 ) 选择聚类数c ； ? ( 2 ) 选择加权指数m ，使1 d 1 ： ( 3 ) 选择终止因子的精度； 。： ( 4 ) 初始化模糊c 一均值聚类u ( o ) ； ( 5 ) 令迭代次数户1 ： ( 6 ) 更新当前聚类中心： ( u ：) 4 x j w ，= 号- 一，l s 谜c 2 3 3 ( u ；) “ j 4 l ( 7 ) 更新当前聚类域中所有特征向量的从属度； 如果| 1 x j x i l l = 司，贝0 “：= l 且”：= o ( i k ) 如果i | 均一x i i l ? ，则”；= t 薹 与带一 z 一，4 t = l ，一t ( 8 ) 如果l u ( t + 1 u i = ，则算法停止，否则卢什1 ，转第6 步； 在进行聚类分析之前，每一个经纬交叉区域须被标以序号，计算聚类方法的 两种一阶统计值( 灰度均值与标准差) 和另两种二阶统计值( 灰度的对比度和相似 度) ，在聚类坐标中，为了使不同的特征值具有相同的范围，将所有的特征值统 一化到0 和l 之间。将模糊c 一均值聚类算法的初始聚类集，聚类数c 设置为2 ， 算法准则函数的终止因子e 为0 0 0 0 0 l ，加权指数m 为1 5 。模糊c 一均值算法可 江南大学硕士学位论文 以处理多特征值的非监督分类，而这是传统分类算法所无法做到的。事实上，多 特征值对图像识别非常有用。 特征提取与选择的基本任务是如何从众多特征中找出那些最有效的特征，它 是模式识别的一个关键问题0 3 “3 。在计算机识别系统的设计中适当地选择特征是 很重要的，因为在识别对象时它是唯一的依据。良好的特征应具有四个特点： 可区别性：对于属于不同类别的对象来说，它们的特征应具有明显的差异。 可靠性：对同类的对象，特征值应比较接近。 独立性：所用的各特征之间应彼| 此不相关：嘲如j 。水果的直径和重量属于高 度相关的特征，因为重量大致与直径的三次方成正比，这两个特征基本上反映的 是相同的属性，即水果的大小。虽然相关性很高的特征可以组合起来( 例如取均 值) 以减少噪声干扰，它们一般不应该作为单独的特征使用。 数量少：模式识别系统的复杂度随系统的维数( 特征的个数) 迅速增长。增 加带噪声的特征或与现存特征相关性高的特征实际上会使分类器的分类性能下 降，特别是在训练集大小有限的情况下。 通过上面的分析，我们可将一些可能有用的特征列出来，但实际分类时，并 不是每一个特征都有效，而且不同的特征对于分类的贡献也不相同。因此特征选 择必须从这些特征中去除与分类目标无关或与其他特征量有较高相关性的特征 量，求出一组最优特征子集，使得分类错误晟小。 可以把特征分为三类：物理的，结构的，数学的。人们通常利用物理和结构 特征来识别对象，因为这样的特征容易被视觉、触觉以及其它感觉器官所发现， 但在使用计算机去构造识别系统时应用这些特征比较复杂，因为一般说来用硬件 去模拟人类感觉器官是很复杂的，而机器在抽取数学特征的能力方面又比人强的 多。这种数学特征的例子有矩阵、平均值、方差等。 以本课题针对竹节纱组织识别中平纹和斜纹织物的研究为例，平纹和斜纹织 物的两种结构特征的灰度平均值和对比度应为所要提取的特征。 第二章竹节纱织物组织分析 2 5 4 组织识别结果 图2 81 l 纬竹节纱平纹组织识别 图2 92 1 纬竹节纱右斜纹组织识别 如上两图所示，在模糊c 一均值聚类算法聚类过程中，首先选用平纹和斜纹织 物的两种结构特征灰度平均值和对比度作为两个聚类中心，开始时，两个聚类中 心的位置都是由计算机随机自动选取的，随着聚类算法的迭代计算，两个聚类中 心将自动向更合适的位置调整。在聚类计算的过程中，所有的样本都被最佳的分 割法分为两类并可以查找到类中每一个的样本。黑色区域为类集1 的位置，即经 浮点区；而白色区域则为类集2 的位置，即纬浮点区。 1 9 江南大学硕士学位论文 第三章竹节纱织物经纬密度识别 上一章识别了竹节纱布样的组织结构，下面的章节里就来识别竹节纱织物经 纬密度。这一章里，首先对选中的竹节纱织物图片进行预处理，以便于识别。 3 1 图像采集 3 1 1 采集设备 织物实体是薄片状的三维立体结构，厚度是由规律交织的经纬纱的纤度决定 的。由于在一定光照条件下的平面图像隐含了深度信息，因而，在分析织物组织 结构时，可以二维的织物图像为对象。一般意义上的图像( 如图片、照片等) 皆为 模拟信号，而计算机只能处理数字信号，所以还必须将织物图像数字化。织物数 字图像的获取最理想的输入设备应能读得织物的三维结构，c s l m ( 共焦扫描激光 显微镜) 即能精确观察织物三维结构，但其价格昂贵，工作原理也无从知晓，因 而，还不能自制类似的设备，这样就不利于系统的实用性。 织物图像采集设备我们选择采集精度、速度正不断提高，而价位相对较低的 c c d 扫描仪作为图像采集设备。c c d ( c h a r g ec o u p l e dd e v i c e ，又名电荷耦合器 件) 扫描仪的工作原理就像一台复印机，利用高亮度的光源照射原稿件或实物， 并将其反射光依次通过反光镜、透射镜、分光镜和聚焦镜头等一系列光学器件， 最终成像于c c d 感应器表面。由于c c d 扫描仪使用了许多精密的光学系统元件，因 此这一技术可获得较高图像质量和扫描景深( 景深可达3 唧) ，可以扫描立体实物。 扫描仪的主要性能指标有x 、y 方向的光学分辨率、色彩位数、接口类型、扫 描幅面和扫描速度等。光学分辨率是指扫描仪的光学系统可以采集的实际信息 量，也就是扫描仪的感光元件c c d 的实际分辨率，它是衡量扫描仪品级的关键指 标之。分辨率的单位是d p i ，d p i 的意思是每英寸的像素点数。目前常见的扫描 仪的光学分辨率有6 0 0 d p i 1 2 0 0 d p i ，1 2 0 0 d p i 2 4 0 0 d p i 。从理论上说，扫 描分辨率越高得到的图像越清晰，但是在实际的数字图像处理中，追求过高的分 辨率会降低图像处理的速度。 通过对输入设备的分析对比，综合实用性及使用效果，我们选用 e p s o n l 6 4 0 x l p h o t o 扫描仪( 最高3 2 0 0 d p i 图像分辨能力) 扫描仪。 3 1 2 图像选择 由于本系统主要分析的是织物的表面信息，因而对织物的表面状态要求较 高要求织物样品纹路清晰、表面干净无污渍。为了验证所编制的软件的准确性 和实用性，特别准备了一块染过色的，经纬纱线交织很紧密的、分辨率是6 0 0 d p i 第三章竹节纱织物经纬密度识别 的牛仔布竹节纱面料，为保证图像自动识别的需要。1 ，将图像放大3 倍，分别如 图 3 2 图像预处理与分析 ( a ) 织物原图像 ( b ) 织物放大3 倍的图像 图3 1 织物扫描图像 图像预处理是在视觉的早期阶段对原始图像所进行的图像增强技术。目前常