王丹書 楊亞莉 袁理

摘要：

針對(duì)色紡織物組織識(shí)別過程中參數(shù)特征提取困難的問題，文章提出了一種基于多分辨率混合特征的織物組織結(jié)構(gòu)自動(dòng)識(shí)別算法。該算法利用小波函數(shù)對(duì)色紡織物圖像進(jìn)行多分辨率分解，并提取2DLBP紋理和全局顏色特構(gòu)建混合特征向量;同時(shí)，采用BP網(wǎng)絡(luò)和樸素貝葉斯理論構(gòu)建層次化分類器，從而實(shí)現(xiàn)組織特征參數(shù)的分類與識(shí)別。實(shí)驗(yàn)結(jié)果表明，提取的織物組織特征不僅具備顏色與多層紋理表征能力，而且所構(gòu)建的混合分類器也兼具強(qiáng)化特性。對(duì)180份具有不同染色纖維混配系數(shù)及捻系數(shù)的色紡織物組織圖像進(jìn)行識(shí)別，平均識(shí)別率約為97%，驗(yàn)證了方法的有效性與魯棒性。

關(guān)鍵詞：

色紡織物;組織識(shí)別;小波分解;2DLBP;混合特征

中圖分類號(hào)： TS101.9

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 10017003（2021）11002706

引用頁碼： 111106

DOI： 10.3969/j.issn.1001-7003.2021.11.006

Colored spun fabric pattern recognition based on multi-resolution mixed characteristics

WANG Danshua， YANG Yalia， YUAN Lia， b

（a.School of Electronic and Electrical Engineering; b.State Key Laboratory of New Textile Materials and Advanced ProcessingTechnology Jointly Built by the Province and the Ministry， Wuhan Textile University， Wuhan 430200， China）

Abstract：

To resolve the difficulty in extracting the characteristics during the process of colored spun fabric pattern recognition， an automatic recognition algorithm based on multi-resolution mixed characteristics was proposed. Multi-resolution decomposition was conducted in the algorithm by means of wavelet function and 2DLBP textures and global color features were extracted to establish a mixed characteristic vector. At the same time， a hierarchical hybrid classifier was established using BP network and naive Bayes theory to realize the classification and recognition of the structure characteristic parameters. The experimental results show that the extracted weave pattern characteristics have the capability of color and multilayer characterization， and the hybrid classifier also has the characteristics of enhancement. 180 colored spun fabric pattern images with different mixed coefficients and twist coefficients were identified， with an average recognition rate of 97%， which proved the effectiveness and robustness of this method.

Key words：

colored spun fabric; pattern recognition; wavelet decomposition; 2DLBP; mixed characteristics

基金項(xiàng)目： 湖北省自然科學(xué)基金項(xiàng)目（2014CFB754）;湖北省教育廳科學(xué)技術(shù)研究計(jì)劃青年人才項(xiàng)目（Q20141607）;中國紡織工業(yè)聯(lián)合會(huì)科技指導(dǎo)性項(xiàng)目（2018035，2014072）

作者簡介： 王丹書（1995），男，碩士研究生，研究方向?yàn)閳D像處理與模式識(shí)別。通信作者：袁理，副教授，175842760@qq.com。

織物組織是描述織物結(jié)構(gòu)特征的一個(gè)重要參數(shù)，也是構(gòu)成織物外觀描述的主要因素，其參數(shù)的測(cè)量與定量分析是紡織品生產(chǎn)過程中的一個(gè)重要環(huán)節(jié)[1]。相較于傳統(tǒng)的“條染”或“匹染”織物，色紡織物是由兩種或多種不同染色纖維混配、織造而成，是典型的纖維層面呈色，其織物結(jié)構(gòu)具有特殊的紋理和顏色特性[2]。因此，對(duì)具有不同組織結(jié)構(gòu)的色紡織物進(jìn)行自動(dòng)分類與識(shí)別具有重要理論研究意義與應(yīng)用價(jià)值。

隨著計(jì)算機(jī)圖像處理技術(shù)的快速發(fā)展，織物組織特征參數(shù)的自動(dòng)提取與分類方法得到了國內(nèi)外研究機(jī)構(gòu)與團(tuán)隊(duì)的深入研究。梅軍等[3]利用Tamura紋理特征提取算法與形態(tài)學(xué)運(yùn)算對(duì)織物組織參數(shù)進(jìn)行提取。實(shí)驗(yàn)結(jié)果表明，該算法對(duì)顏色相近的經(jīng)緯紗線均具有很好的識(shí)別效果。王國德等[4]通過局部二值模式（Local Binary Pattern，LBP）算子獲取織物紋理圖像中的偽灰度圖，并計(jì)算其灰度共生矩陣特征，最后采用對(duì)比度、相關(guān)性、能量和逆差距建立織物組織特征參數(shù)模型。實(shí)驗(yàn)結(jié)果表明，該識(shí)別方法的準(zhǔn)確率高達(dá)93%。但上述方法在對(duì)圖像進(jìn)行特征參數(shù)提取的過程中，都是對(duì)原始圖像直接進(jìn)行處理，而織物的紋理特征卻具有層次屬性[5]，即在不同分辨率下會(huì)有不同的紋理特征表達(dá)。針對(duì)此問題，張翔[5]提出了基于多分辨率的特征提取方法，通過提取不同分辨率圖像在0°、45°、90°、135°方向上的灰度共生矩陣建立紋理統(tǒng)計(jì)特征。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效提高織物組織識(shí)別的準(zhǔn)確率。莊國瑜等[6]采用小波多頻道分解的方法對(duì)原始織物圖像進(jìn)行處理，并提取織物密度參數(shù)。實(shí)驗(yàn)結(jié)果表明，該方法能夠獲得大量的有關(guān)織物的測(cè)量參數(shù)信息。馬云芳等[7]將小波理論應(yīng)用到織物的經(jīng)緯組織點(diǎn)數(shù)、飛數(shù)等組織參數(shù)測(cè)量與分析中，實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。值得注意的是，色紡面料是以染色纖維作為顏色的基本載體，在成紗或織造的過程中，染色纖維會(huì)在紗線或織物的表面表現(xiàn)為和捻度相關(guān)的螺旋形，并且纖維間會(huì)互相堆疊與聚集，使織物的紋理和呈色具有隨機(jī)性與復(fù)雜性[8-9]，并導(dǎo)致色紡織物組織結(jié)構(gòu)特征參數(shù)的提取與分類極具挑戰(zhàn)性。

針對(duì)此問題，本文建立一種基于多分辨率混合特征的色紡機(jī)織物組織結(jié)構(gòu)識(shí)別算法。該算法以Lab色彩空間為基礎(chǔ)，利用小波變換對(duì)織物圖像進(jìn)行多層圖像分解，并提取各層圖像中的2DLBP（二維三元結(jié)構(gòu)描述子）紋理特征及圖像的全局顏色特征;然后，采用“特征級(jí)”融合策略對(duì)其進(jìn)行加權(quán)融合;最后，通過構(gòu)建基于反向傳播（Back Propagation，BP）網(wǎng)絡(luò)和樸素貝葉斯理論的層次化混合分類器，實(shí)現(xiàn)織物組織參數(shù)特征的分類與識(shí)別。本文的研究能夠?yàn)樯彯a(chǎn)品的數(shù)字化生產(chǎn)與開發(fā)提供技術(shù)支撐，并為全產(chǎn)業(yè)鏈的智能化改造升級(jí)奠定基礎(chǔ)，具有重要應(yīng)用價(jià)值與理論研究意義。

1 織物組織特征參數(shù)的提取與分類

1.1 多分辨率紋理特征提取

小波分解具備多分辨率紋理表征的能力[10-11]，其多分辨率子空間V0可表示為：

式中：Vn是尺度空間，Wn是小波空間，Vn與Wn是相互正交。

對(duì)任意平方可積函數(shù)f（t）∈L2（R）的多分辨率分解為：

式中：j為小波分解的層數(shù)，2j為分辨率，k代表沿t軸方向移動(dòng)的位置，φj，k（t）是尺度函數(shù)φ（t）經(jīng)過平移與伸縮而來，ψj，k（t）是小波函數(shù)ψ（t）經(jīng)過平移與伸縮而來，cj（k）為第j層的尺度系數(shù)，dj（k）為第j層的小波系數(shù)。

本文以小波分解理論為基礎(chǔ)，對(duì)Lab顏色空間中L通道織物圖像進(jìn)行分解，從而獲得具有不同分辨率表征特性的織物紋理圖像。

1.2 紋理與顏色特征提取

傳統(tǒng)的LBP忽略了模式值之間的相關(guān)性，對(duì)空間復(fù)雜結(jié)構(gòu)的表征能力有限。本文以LBPriu2P，R算子為基礎(chǔ)，構(gòu)造2DLBP特征描述子。具體過程如下：

1） 采用LBPriu2P，R算子獲取色紡織物圖像的LBP特征圖;同時(shí)，引入滑動(dòng)窗口w×w（w>1）構(gòu)造LBP模式對(duì)（lc，lg）特征，其中l(wèi)c為滑動(dòng)窗口局部結(jié)構(gòu)的中心特征。

2） 在滑動(dòng)窗口內(nèi)，統(tǒng)計(jì)LBP模式對(duì)（lc，lg）出現(xiàn)的次數(shù)，并利用對(duì)比信息（|lc-lg|+1）作為模式對(duì)的權(quán)重。

3） 滑動(dòng)窗口，完成圖像整體2DLBP特征的提取。

在Lab顏色空間中，提取織物圖像的三階顏色矩特征[12]，具體定義如下：

式中：u為一階顏色矩特征，σ為二階顏色矩特征，S為三階顏色矩特征，P（i，j）是位置（i，j）處像素的顏色信息，N為織物圖像中像素點(diǎn)的個(gè)數(shù)。

在此基礎(chǔ)上，采用特征級(jí)融合策略對(duì)提取的紋理和顏色特征進(jìn)行融合，可表示為：

式中：C、T分別表示多分辨率紋理特征與全局顏色特征，w表示特征的權(quán)值（w=0.5）。

該融合組織特征不僅包含了織物圖像的顏色和紋理空間信息;同時(shí)，也兼具全局與局部圖像特征的刻畫能力。

1.3 層次化混合分類器

層次化混合分類器是由多個(gè)分類器按照一定先后順序組合而成，具有優(yōu)勢(shì)互補(bǔ)的顯著特性[13]。本文以BP網(wǎng)絡(luò)和樸素貝葉斯分類理論為基礎(chǔ)構(gòu)建層次化混合分類器，其中BP網(wǎng)絡(luò)由輸入層、隱藏層和輸出層構(gòu)成。BP的數(shù)學(xué)模型為：

式中：yki為第k層的第i個(gè)神經(jīng)元的輸出值，f（·）為激活函數(shù)，Nk為第k層神經(jīng)元的個(gè)數(shù)，wkij為第k-1層的第j個(gè)神經(jīng)元與第k層的第i個(gè)神經(jīng)元的連接權(quán)值，bki為第k層的第i個(gè)神經(jīng)元的閾值。

根據(jù)實(shí)際輸出與期望輸出的誤差，重新調(diào)整權(quán)值和閾值，直至誤差滿足要求。最后，將新的訓(xùn)練樣本的數(shù)據(jù)集導(dǎo)入到樸素貝葉斯分類器進(jìn)行學(xué)習(xí)，并完成分類識(shí)別。

2 實(shí)驗(yàn)與結(jié)果

2.1 實(shí)驗(yàn)樣本及系統(tǒng)參數(shù)設(shè)定

根據(jù)實(shí)驗(yàn)需求，委托企業(yè)制備了30份色紡織物樣本，其染色纖維混配參數(shù)、色紡紗捻系數(shù)及組織結(jié)構(gòu)參數(shù)如表1所示。

由表1可見，樣本均由3種染色滌綸纖維混配織造而成，其質(zhì)量配比變化范圍為0.5%～4.0%?？椢锝M織結(jié)構(gòu)采用了經(jīng)典的平紋、斜紋（三上一下右斜經(jīng)面斜紋）和緞紋（五枚二飛經(jīng)面緞紋），紗線的紗支均為40 S/2，采用Z捻，紡紗方式均采用環(huán)錠紡。具體織造工藝參數(shù)與編號(hào)規(guī)則如表2所示。

全部樣本在相對(duì)濕度為65%狀態(tài)下平衡后，通過DigiEye系統(tǒng)[14]進(jìn)行圖像采集，并在采集前通過白板和標(biāo)準(zhǔn)色卡進(jìn)行白平衡和顏色校正，具體拍攝參數(shù)設(shè)定如文獻(xiàn)[9]所述。每份織物樣本采集不同區(qū)域的4張標(biāo)準(zhǔn)圖像;同時(shí)，對(duì)標(biāo)準(zhǔn)圖像進(jìn)行分割，從而獲得16張800×800像素點(diǎn)樣本圖像。其中，訓(xùn)練集由10張圖像構(gòu)成，其余圖像為測(cè)試集，部分樣本圖像如圖1所示。

2.2 算法參數(shù)優(yōu)化

在算法參數(shù)優(yōu)化過程中，需要全面考慮算法的有效性、魯棒性及泛化性。本文選擇Bior 4.4雙正交小波[15]進(jìn)行多分辨率分解，并以300份織物樣本為訓(xùn)練樣本集。不同參數(shù)測(cè)試結(jié)果如表3所示。

經(jīng)過小波三層分解后部分織物圖像及LBP偽灰度如圖2所示。

由圖2可見，（a1）（b1）（c1）分別為色紡紗平紋、斜紋、緞紋織物樣本圖像;（a2）（b2）（c2）分別為小波分解層數(shù)為1時(shí)所得近似分量圖像;（a3）（b3）（c3）分別為小波分解層數(shù)為2時(shí)所得近似分量圖像;（a4）（b4）（c4）分別為小波分解層數(shù)為3時(shí)所得近似分量圖像;（a5）（b5）（c5）分別為小波分解層數(shù)為1時(shí)所得近似分量圖像的LBP偽灰度圖像;（a6）（b6）（c6）分別為小波分解層數(shù)為2時(shí)所得近似分量圖像的LBP偽灰度圖像;（a7）（b7）（c7）分別為小波分解層數(shù)為3時(shí)所得近似分量圖像的LBP偽灰度圖像，全部LBP偽灰度圖像的計(jì)算方式均為滑動(dòng)窗口大小w=3;LBP算子為（2，16）的模式。

實(shí)驗(yàn)結(jié)果表明，經(jīng)過多分辨率分解后織物組織識(shí)別率具有顯著的提升，在小波分解層數(shù)為3，LBP算子為（2，16）模式時(shí)識(shí)別率達(dá)到最優(yōu)，混合分類器的分類效果最佳，總體識(shí)別率為93%。小波分解后，由于織物圖像表面仍殘存由染色纖維復(fù)雜呈色導(dǎo)致的高頻亮度變化，對(duì)圖像的LBP特征產(chǎn)生干擾，因而仍有部分樣本未能正確識(shí)別。

2.3 實(shí)驗(yàn)結(jié)果與分析

為了充分驗(yàn)證本文方法的有效性與魯棒性，針對(duì)不同影響因素進(jìn)行實(shí)驗(yàn)分析。當(dāng)色紡紗捻系數(shù)保持一致時(shí)，對(duì)具有不同染色纖維配比質(zhì)量的色紡織物圖像進(jìn)行組織結(jié)構(gòu)識(shí)別，結(jié)果如表4、表5所示。

實(shí)驗(yàn)結(jié)果表明，染色纖維的混配比參數(shù)與捻系數(shù)變化會(huì)對(duì)色紡織物的呈色產(chǎn)生影響，并導(dǎo)致織物結(jié)構(gòu)參數(shù)的改變。當(dāng)捻系數(shù)為330時(shí)，平紋與斜紋織物的組織結(jié)構(gòu)識(shí)別率為100%，而緞紋結(jié)構(gòu)的識(shí)別率約為92%;當(dāng)捻系數(shù)增大到370時(shí)，斜紋織物的識(shí)別率均略微下降到90%，其余兩類樣本的識(shí)別率保持不變或略有提升。與此同時(shí)，織物的染色纖維混配比差異在0.5%～4.0%變化時(shí)，分析其變化規(guī)律，可發(fā)現(xiàn)當(dāng)色紡紗線捻系數(shù)增大時(shí)，染色纖維的螺旋形排列更為緊致，纖維的內(nèi)外轉(zhuǎn)移更為強(qiáng)烈，導(dǎo)致其織物組織表面的纖維分布更為復(fù)雜。同時(shí)，為了進(jìn)一步明晰色紡紗的捻系數(shù)差異對(duì)織物組織識(shí)別精度的影響及識(shí)別系統(tǒng)的魯棒性，對(duì)具有相同染色纖維混配系數(shù)的織物進(jìn)行實(shí)驗(yàn)分析，結(jié)果如表6所示。

實(shí)驗(yàn)結(jié)果表明，本文所建立的色紡織物組織識(shí)別算法能夠針對(duì)染色纖維混配差異及色紡紗線捻系數(shù)的變化進(jìn)行有效的織物結(jié)構(gòu)分類與識(shí)別。其中，平紋組織織物圖像的識(shí)別率穩(wěn)定在100%，而斜紋與緞紋織物圖像的識(shí)別率大部分也保持在90%以上，從而驗(yàn)證了本文方法的有效性與魯棒性。

2.4 對(duì)比實(shí)驗(yàn)結(jié)果

為了充分驗(yàn)證本文方法的有效性與創(chuàng)新性，建立對(duì)比實(shí)驗(yàn)方案。以2.1小節(jié)中的實(shí)驗(yàn)樣本為基礎(chǔ)，分別建立2種對(duì)比方案，并記為方法（一）與方法（二）。其中，方法（一）將提取原始樣本圖像的LBP（2，16）特征用于分類識(shí)別;方法（二）將采用LBP（2，16）特征與三階顏色矩特征構(gòu)成的混合特征進(jìn)行分類識(shí)別。對(duì)比實(shí)驗(yàn)結(jié)果如表7所示。

對(duì)比實(shí)驗(yàn)結(jié)果表明，相較于單一尺度的紋理特征提取算法，本文所建立的多分辨率織物紋理特征能夠有效融合織物圖像的顏色和紋理空間信息;同時(shí)，也兼具全局與局部圖像特征的刻畫能力。而構(gòu)建的層次化混合分類器也具有多分類器優(yōu)勢(shì)互補(bǔ)的顯著特性，整體識(shí)別率為97%，優(yōu)于對(duì)比方法，具有理想的有效性與魯棒性。

3 結(jié) 論

織物組織是描述織物結(jié)構(gòu)特征的一個(gè)重要參數(shù)，也是構(gòu)成織物外觀描述的主要因素，而色紡面料是以染色纖維作為基本載體，在成紗或織造的過程中，染色纖維會(huì)在織物表面相堆疊與聚集，使織物的呈色具有隨機(jī)性與多樣性，進(jìn)而影響其組織結(jié)構(gòu)參數(shù)的提取與表達(dá)。針對(duì)此問題，本文建立了一種基于多分辨率混合特征的色紡織物組織識(shí)別算法。該算法利用小波函數(shù)對(duì)色紡織物圖像進(jìn)行多分辨率分解，然后分別提取各層圖像中的2DLBP特征與全局三階顏色矩特性，并構(gòu)建混合特征向量;在此基礎(chǔ)上，建立層次化混合分類器，充分利用BP網(wǎng)絡(luò)和樸素貝葉斯理論的分類能力，對(duì)織物組織參數(shù)特征進(jìn)行分類識(shí)別。在對(duì)180份具有不同染色纖維混配系數(shù)及捻系數(shù)的色紡織物樣本進(jìn)行組織自動(dòng)識(shí)別，三種典型織物結(jié)構(gòu)的總體識(shí)別率約為97%。從而驗(yàn)證了本文方法的有效性與魯棒性。本文的研究對(duì)于構(gòu)建穩(wěn)定、有效的色紡面料設(shè)計(jì)與生產(chǎn)系統(tǒng)具有重要的指導(dǎo)意義，并且能夠?yàn)樽罱K實(shí)現(xiàn)色紡面料的數(shù)字化與智能化開發(fā)奠定堅(jiān)實(shí)基礎(chǔ)。對(duì)色紡織物組織結(jié)構(gòu)參數(shù)的定量分析與評(píng)測(cè)將是后續(xù)的研究方向，其中織物的經(jīng)緯密度（或織物緊度）如何對(duì)組織識(shí)別產(chǎn)生影響及本文所建立的特征提取模型的魯棒性和泛化性將是下一步研究的重點(diǎn)。

參考文獻(xiàn)：

[1]張瑞， 辛斌杰. 基于圖像處理技術(shù)的織物組織識(shí)別研究現(xiàn)狀[J]. 棉紡織技術(shù)， 2015， 43（11）： 80-84.

ZHANG Rui， XIN Binjie. Research status of fabric weave identification based on image processing technology[J]. Cotton Textile Technology， 2015， 43（11）： 80-84.

[2]劉沐黎， 袁理， 楊亞莉， 等. 基于混合色彩空間獨(dú)立特征的色紡面料顏色表征模型[J]. 紡織學(xué)報(bào)， 2019， 40（9）： 62-69.

LIU Muli， YUAN Li， YANG Yali， et al. Color represensation model for pre-colored fiber blends based on independent component features from mixed color space[J]. Journal of Textile Research， 2019， 40（9）： 62-69.

[3]梅軍， 張森林， 樊臻. 基于Tamura紋理特征的織物組織識(shí)別算法[J]. 輕工機(jī)械， 2017， 35（4）： 52-55.

MEI Jun， ZHANG Senlin， FAN Zhen. Recognition algorithm of fabric based on Tamura texture features[J]. Light Industry Machinery， 2017， 35（4）： 52-55.

[4]王國德， 張培林， 任國全， 等. 融合LBP和GLCM的紋理特征提取方法[J]. 計(jì)算機(jī)工程， 2012， 38（11）： 199-201.

WANG Guode， ZHANG Peilin， REN Guoquan， et al. Texture feature extraction method fused with LBP and GLCM[J]. Computer Engineering， 2012， 38（11）： 199-201.

[5]張翔. 基于計(jì)算機(jī)視覺的織物組織結(jié)構(gòu)自動(dòng)識(shí)別系統(tǒng)： 圖像拼接算法研究與實(shí)現(xiàn)[D]. 南京： 東南大學(xué)， 2006.

ZAHNG Xiang. The Research ang Realization of Image Contexture Calculating Method： The Automatic Identifying System for Fabric Contexture Structure Based on Computerized Vision[D]. Nanjing： Southeast University， 2006.

[6]莊國瑜， 孫悅. 織物紋理計(jì)算機(jī)圖像處理的多頻道分解方法[J]. 天津工業(yè)大學(xué)學(xué)報(bào)， 2001（3）： 26-28.

ZHAUNG Guoyu， SUN Yue. Computer image processing for fabric texture with the multifrequency channel decomposition method[J]. Journal of Tiangong University， 2001（3）： 26-28.

[7]馬云芳， 王小華. 基于小波理論的織物紋理特征提取[J]. 杭州電子工業(yè)學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2002（6）： 85-88.

MA Yunfang， WANG Xiaohua. Fabric texture feature extraction based on wavelet theory[J]. Journal of Hangzhou Dianzi University（Natural Sciences）， 2002（6）： 85-88.

[8]WEI Chunao， WAN Xiaoxia， LI Junfeng. Color prediction model for pre-colored fiber blends based on modified Stearns-Noechel function[J]. Dyes and Pigments， 2017， 147： 544-551.

[9]袁理， 代喬民， 付順林， 等. 結(jié)合全局與局部多樣性特征的色紡紗色度學(xué)指標(biāo)測(cè)試與評(píng)價(jià)[J]. 紡織學(xué)報(bào)， 2018， 39（2）： 157-164.

YUAN Li， DAI Qiaomin， FU Shunlin， et al. Global and local diversity features-fused colorimetry index testing and evaluation of colored spun yarns[J]. Journal of Textile Research， 2018， 39（2）： 157-164.

[10]楊杰， 王金浩， 章雪萌， 等. 基于小波多分辨率分析的電壓暫降源定位研究[J]. 電力系統(tǒng)保護(hù)與控制， 2010， 38（22）： 90-95.

YANG Jie， WANG Jinhao， ZHANG Xuemeng， et al. Analysis of voltage sag source location based on wavelet multiresolution method[J]. Power System Protection and Control， 2010， 38（22）： 90-95.

[11]LIU Meijie， DAI Yongshou， ZHANG Jie， at al. PCA-based sea-ice image fusion of optical data by HIS transform and SAR data by wavelet transform[J]. Acta Oceanologica Sinica， 2015， 34（3）： 59-67.

[12]張少博， 全書海， 石英， 等. 基于顏色矩的圖像檢索算法研究[J]. 計(jì)算機(jī)工程， 2014， 40（6）： 252-255.

ZHANG Shaobo， QUAN Shuhai， SHI Ying， et al. Study on image retrieval algorithm based on color moment[J]. Computer Engineering， 2014， 40（6）： 252-255.

[13]黃南天， 王斌， 蔡國偉， 等. 基于Tsallis熵與層次化混合分類器的含未知故障斷路器機(jī)械故障診斷[J]. 高電壓技術(shù)， 2019， 45（5）： 1518-1525.

HUANG Nantian， WANG Bin， CAI Guowei， et al. Mechanical fault diagnosis containing unknow fault of high voltage circuit breaker based on Tsallis entropy and hybrid classifier[J]. High Voltage Engineering， 2019， 45（5）： 1518-1525.

[14]李啟正， 金肖克， 張聲誠， 等. 數(shù)碼測(cè)色法在織物顏色評(píng)價(jià)中的應(yīng)用[J]. 印染， 2014， 40（17）： 17-22.

LI Qizheng， JIN Xiaoke， ZHANG Shengcheng， et al. Application of digital color measuring methods to color evaluation of textiles[J]. China Dyeing & Finishing， 2014， 40（17）： 17-22.

[15]張世強(qiáng). 緊支集雙正交小波的構(gòu)造及應(yīng)用研究[D]. 大連： 大連海事大學(xué)， 2015.

ZHANG Shiqiang. The Biorthogonal Compactly Supported Wavelets Construction and Application Research[D]. Dalian： Dalian Maritime University， 2015.