龍穎 呂葉馨 郭子翊 黃振華 鄒奉元

摘 要：為實現(xiàn)連綴式及重疊式四方連續(xù)花型最小單元的自動提取，對矩形模板邊長占比進行迭代，探究了矩形模板大小對全局模板匹配的影響，再利用垂直矢量法分析了匹配所得矩形的中心點點集，揭示出像元重復(fù)規(guī)律與最小單元的對應(yīng)關(guān)系;以相似度均值度量提取結(jié)果的準(zhǔn)確性，闡明了最小單元重復(fù)次數(shù)與相似度均值的關(guān)系;通過分析模板匹配的適用性，提出了自適應(yīng)閾值模板匹配的方法，改進后相似度均值平均可達94.29%。結(jié)果表明，該方法能有效實現(xiàn)連綴式及重疊式四方連續(xù)花型最小單元的提取。

關(guān)鍵詞：最小單元提取;自適應(yīng)模板匹配;四方連續(xù)花型;相似性匹配;直方圖相似度

中圖分類號：TS941.26

文獻標(biāo)志碼：A

文章編號：1009-265X（2022）02-0191-06

收稿日期：20210311 網(wǎng)絡(luò)出版日期：20210708

基金項目：浙江省教育廳項目（Y201942686）

作者簡介：龍穎（1996-），男， 湖南岳陽人，碩士研究生，主要從事服裝數(shù)字化技術(shù)方面的研究。

通信作者：鄒奉元，E-mail：zfy166@zstu.edu.cn

Extraction of minimum units of four-consecutive patternbased on adaptive template matching

LONG Ying1a， L Yexin1a， 2， GUO Ziyi1a， HUANG Zhenhua1a， ZOU Fengyuan1a，1b，1c

（1a. School of Fashion Design & Engineering; 1b. Key Laboratory of Silk Culture Heritage and

Products Design Digital Technology， Ministry of Culture and Tourism; 1c. Zhejiang Provincial Research

Center of Clothing Engineering Technology， Zhejiang Sci-Tech University， Hangzhou 310018， China;

2.College of Creative Arts， Jinhua Polytechnic， Jinhua 321000， China）

Abstract： In order to realize the automatic extraction of minimum units of concatenated and overlapped four-consecutive patterns， this article iterated on the ratio of side length of rectangular template and investigated its impact on global template matching. The vertical vector method was adopted to analyze the center point set of the rectangle obtained from matching. The correspondence between the repetition law of pixels and the minimum unit was revealed. The accuracy of extraction results was measured by similarity mean， and the relationship between repetition times of minimum unit and similarity mean was clarified. By analyzing the applicability of template matching， an adaptive threshold template matching method was put forward. The average similarity can reach 94.29% after improvement. The results show that this method can effectively achieve the extraction of minimum units of concatenated and overlapped four-consecutive patterns.

Key words： extraction of minimum units; adaptive template matching; four-consecutive pattern; similarity matching; histogram similarity

織物花型是一種實用性與裝飾性相結(jié)合的藝術(shù)形式，四方連續(xù)紋樣是其中重要組成部分。四方連續(xù)紋樣是通過單位紋樣沿水平及垂直方向重復(fù)出現(xiàn)所產(chǎn)生的圖案，而最小單元是表征四方連續(xù)花型周期性的重要參數(shù)。利用圖像處理技術(shù)研究織物花型最小單元主要包括紋理最小單元識別和圖案最小單元識別兩類。第一類，紋理最小單元識別主要包括空間域和頻域[1]：相對于以長度為自變量的空間域而言，頻率域以頻率為自變量進行圖像信息表征，對噪聲更為敏感，且處理更為簡單。此外，不同學(xué)者針對色紗[2]、織物圖像偏轉(zhuǎn)[3]及紗線變形[4]等問題對紋理最小單元識別的干擾，提出了相應(yīng)的解決方法。第二類，有Tao等[5]利用相似空間識別圖案連續(xù)性，將圖案分成單獨、二方連續(xù)和四方連續(xù);景軍鋒等[6]利用二維距離匹配函數(shù)計算規(guī)則織物圖案的最小單元，來實現(xiàn)自動化檢測圖案最小單元并評估織物的質(zhì)量;Kuo等[7]利用圖案中元素中心提取最小單元，并在后續(xù)的研究中[8]考慮樣本圖案中元素存在的顏色、大小、旋轉(zhuǎn)等變化。目前紋理最小單元識別方面的研究已經(jīng)趨于完整;圖案最小單元識別即四方連續(xù)紋樣的花型最小單元提取，四方連續(xù)紋樣按紋樣中元素的連續(xù)關(guān)系，可分為散點式、連綴式及重疊式3種組織形式[9]，相關(guān)學(xué)者通過不同方法研究了四方連續(xù)紋樣最小單元識別，但多聚焦于散點式四方連續(xù)紋樣，散點式四方連續(xù)紋樣元素間存在明顯的間隔，而連綴式及重疊式四方連續(xù)紋樣，元素間存在連續(xù)性，導(dǎo)致最小單元分割識別困難。

針對連綴式及重疊式四方連續(xù)紋樣，利用自適應(yīng)閾值模板匹配，擬將連續(xù)特征轉(zhuǎn)化為能替代花型重復(fù)規(guī)律的點集，避免直接對連續(xù)元素的分割;再采用垂直矢量法對點集進行分析，獲取圖像最小單元，以表征該類圖像的周期性。為方便描述，將這兩種紋樣統(tǒng)稱為花型連續(xù)紋樣。

1 實 驗

1.1 實驗樣本

由于目前暫無四方連續(xù)紋樣樣本庫，主要針對四方連續(xù)紋樣的3種組織形式中較復(fù)雜的連綴式及重疊式四方連續(xù)紋樣，共采集連綴式及重疊式四方連續(xù)紋樣樣本各20個。兩種組織形式紋樣典型樣本如圖1所示。

在相似性匹配之前，首先需要對樣本進行圖像預(yù)處理，以去除紋理噪聲以及織物色彩對圖像分割的影響，主要包括灰度化、平滑及二值化處理。

1.2 相似性匹配

織物花型最小單元實質(zhì)上是最小單元中的元素在上下左右4個方向上周期性的重復(fù)，因此任一元素都應(yīng)符合同一重復(fù)規(guī)律，如圖2所示。針對散點式四方連續(xù)，利用矩形框定位圖中元素，并以矩形框任意點（這里以中心點為例）的重復(fù)規(guī)律識別出最小單元。

當(dāng)花型連續(xù)時，各元素之間沒有明顯的界限，不能準(zhǔn)確定位圖像中某一元素的中心點，因此擬定一個一定大小的矩形框，以該矩形模板在圖像中進行相似性匹配。

圖像相似性匹配能根據(jù)已知模板，去尋找目標(biāo)圖像中的一個或多個相應(yīng)模式的一種算法[10]。模板匹配是目前使用范圍最廣的相似性匹配算法之一，本實驗通過最佳矩形模板迭代實驗確定模板，比較匹配時模板與原圖像所對應(yīng)像素的灰度值，采用歸一化互相關(guān)匹配法，將灰度值的相似性歸結(jié)為向量間的相似性，并計算二者的匹配程度。相關(guān)性度量如式（1）所示：

R（i，j）=

∑Ms=1∑Nt=1Si，j（s，t）-E（Si，j）·T（s，t-E（T））∑Ms=1∑Nt=1Si，j（s，t）-E（Si，j）2·∑Ms=1∑Nt=1T（s，t）-E（T）2（1）

式中：E（Si，j）、E（T）分別表示（i， j） 處的子圖及模板的平均灰度值。

使用最大類間方差法找到適合圖像匹配的一個閾值[11]，并將該值歸一化，作為模板匹配時相關(guān)系數(shù)計算的初始閾值。若匹配時相關(guān)系數(shù)R（i，j）大于該值，則認(rèn)為該矩形是矩形模板的相似矩形。在整個模板匹配過程中重復(fù)該過程，從而得到與模板矩形相似的多個矩形。

1.3 垂直矢量法

通過模板匹配完成相似性匹配后，定位矩形中心點，用矩形中心點代替匹配到的矩形，構(gòu)成中心點點集。依據(jù)中心的點橫縱坐標(biāo)進行排序，將最靠近圖像中心的點確定為原點O。從原點到圖像范圍的半徑內(nèi)，運用垂直矢量法搜索離原點最近的一個點A，確定OA向量。以O(shè)A向量為基準(zhǔn)，搜索到滿足與OA向量垂直且距離原點最近的點B。即OA與OB構(gòu)成垂直夾角。夾角計算公式如式（2）所示：

θ=arccos（ABAB）（2）

在點集中，點位置可能存在一定誤差，因此在判斷垂直夾角時必須考慮誤差（允許誤差為：90°±1.5°）[8]。垂直矢量法如圖3所示，OA與OB向量能確定一個近似矩形，根據(jù)OA與OB之間的夾角和距離得到一個近似矩形，所獲取的近似矩形四個方向均符合四方連續(xù)的規(guī)則，且不存在再次連續(xù)的情況。在實際生產(chǎn)活動中最小單元多為矩形，故將近似矩形進一步處理，使其夾角為直角，以該矩形確定原圖中相應(yīng)位置，獲取最小單元圖像，從而實現(xiàn)花型連續(xù)紋樣最小單元提取。

2 結(jié)果與討論

2.1 矩形模板最佳占比迭代

為探究相似性匹配實驗中矩形模板大小對結(jié)果的影響，以圖1（b）為例進行矩形模板最佳占比迭代，擬得到矩形模板大小與結(jié)果之間的關(guān)系。因此需要對結(jié)果進行量化評價，而結(jié)果的準(zhǔn)確性，實質(zhì)是兩個最小單元拼合時，拼合部分與樣本中對應(yīng)位置的相似性。采用直方圖相似度來衡量相似性。如圖4所示，將實驗所得最小單元向四周平移，形成由9個最小單元組成的圖像，以拼合線（粗線）向外側(cè)延伸1/2最小單元的邊長，并計算其與原圖對應(yīng)位置的直方圖相似度。

針對單一圖像，度量實驗會呈現(xiàn)4個相似度值r（-1< r <1）構(gòu)成的數(shù)組，以該數(shù)組的平均值對提取結(jié)果進行評價，稱之為相似度均值。相似度均值越接近1，提取效果越好，反之越差。

對于矩形模板大小，不同紋樣之間存在差異，因此提出矩形模板最佳占比，擬尋找不同紋樣間模板匹配時的統(tǒng)一性。矩形模板最佳占比是指相似度均值最大時，矩形模板邊長所占原圖像較短邊長的比例。對矩形模板邊長占比在區(qū)間（0， 1）進行迭代實驗，其與相似度均值的關(guān)系如圖5所示。

由圖5知，矩形模板邊長占比小于0.10或大于0.71時，超出了模板匹配的閾值，匹配無法進行;矩形模板占比迭代結(jié)果顯示，使相似度均值最大的占比約為0.29。從40個樣本中隨機選取6、9、12、15個樣本形成梯度，重復(fù)上述矩形模板最佳占比迭代實驗，實驗結(jié)果如表1所示。

如表1所示，隨著樣本數(shù)的增加，最佳占比區(qū)間趨于穩(wěn)定。在樣本數(shù)量為12、15時，最佳占比區(qū)間為（0.21， 0.38）。為方便實驗進行，將矩形模板邊長占比定為0.30。對于出現(xiàn)異常的樣本，對比邊長占比為0.30時，相似度均值與最大時的差值均小于0.005，因此取0.30為模板邊長占比對該實驗具有普適性。

確定矩形模板邊長最佳占比后，為探究方法對不同樣本的普適性，依據(jù)矩形模板與最小單元大小關(guān)系將樣本分為三類：（Ⅰ） 模板包含最小單元;（Ⅱ） 模板與最小單元重合;（Ⅲ） 模板含于最小單元。三類關(guān)系典型樣本如圖6所示，樣本（a）、樣本（b）和樣本（c）分別屬于Ⅰ、Ⅱ和Ⅲ類。按照如上分類方式，40個樣本中Ⅰ、Ⅱ和Ⅲ類分別有17、9、14個。

2.2 最小單元不同重復(fù)次數(shù)的適用性

對40個四方連續(xù)紋樣樣本進行了識別，其相似度均值結(jié)果如表2所示。

由表2可知，相似度均值平均可達91.88 %，能較好達到預(yù)期結(jié)果;通過對比三類樣本的相似度均值，Ⅰ類樣本相似度均值較其余兩類樣本低。為探究該現(xiàn)象出現(xiàn)原因與紋樣最小單元重復(fù)次數(shù)是否相關(guān)，以圖6（a）為例，保持紋樣不變，控制紋樣最小單元在長、寬兩個方向上的重復(fù)次數(shù)，生成5個圖像分別屬于三類樣本。

不同重復(fù)次數(shù)的四方連續(xù)紋樣如圖7所示，從左至右最小單元重復(fù)次數(shù)依次降低，其中圖7（a）、7（b）屬于Ⅰ類，7（c）屬于Ⅱ類，7（d）、7（e）屬于Ⅲ類。其相似度均值依次為：87.62 %、89.53 %、94.7 %、92.71 %、92.59 %。結(jié)果表明，保持紋樣不變時，Ⅰ類樣本相似度均值仍偏低;結(jié)合最小單元提取過程發(fā)現(xiàn)，在模板匹配過程結(jié)束后，Ⅰ類樣本中所匹配的矩形間存在交叉關(guān)系，對后續(xù)最小單元提取造成了一定干擾，使得該類樣本相似度均值偏低。Ⅰ類樣本表現(xiàn)為最小單元重復(fù)次數(shù)的增加，因此該方法更適用重復(fù)次數(shù)少的四方連續(xù)紋樣，且在重復(fù)次數(shù)為3到4時（即最小單元與模板重合時），相似度均值最大。

2.3 自適應(yīng)閾值

因不同圖像自身信息差異，其模板匹配最佳匹配閾值存在差異，即通過最大類間方差法能確定初始閾值，使模板匹配順利進行，但存在優(yōu)化的空間[11]。模板匹配是根據(jù)模板以及原始圖像之間的灰度值計算相關(guān)系數(shù)，再以匹配閾值來篩選相似矩形實現(xiàn)，而相關(guān)系數(shù)的計算是結(jié)合模板與其所覆蓋待匹配的區(qū)域整體的灰度值進行計算，圖像所包含的灰度值信息將直接影響匹配結(jié)果，圖像差異對模板匹配的閾值設(shè)定有要求。為進一步提升最小單元提取結(jié)果的準(zhǔn)確性，綜合匹配原理與分析結(jié)果，提出自適應(yīng)閾值模板匹配的方法，即同時考慮不同閾值下最小單元提取結(jié)果的準(zhǔn)確性，采用直方圖相似度對提取結(jié)果進行評價，獲取最小單元最優(yōu)解。

為縮減閾值k范圍，綜合比較不同閾值下的相似度均值。當(dāng)k取0.1、0.2時，無法獲取匹配點[12]，k 0依次取值0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0，8個水平下不同樣本的相似度均值如圖8所示。

如圖8所示，直方圖相似度最大時閾值均落在0.6～0.8之間，為進一步提高閾值選取的合理性，在0.6～0.8范圍內(nèi)，步長為0.01進行遍歷，固定閾值與自適應(yīng)閾值相似度均值對比如表3所示。

由表3可知，3類樣本自適應(yīng)閾值時相似度均值均有提高，改進后相似度均值平均可達94.29 %，提升了2.41 %。結(jié)果表明，利用自適應(yīng)閾值模板匹配算法提取花型連續(xù)紋樣的最小單元，其結(jié)果更為準(zhǔn)確。

為驗證該方法對花型連續(xù)紋樣最小單元匹配的普適性，實驗選取三類樣本各一個進行實驗，其相似度均值分別為89.18 %、96.01 %、95.22 %，結(jié)果表明，該方法對Ⅱ、Ⅲ類樣本更為適用。樣本及提取結(jié)果如圖9所示。

3 結(jié) 論

基于模板匹配提出一種識別連綴式及重疊式四方連續(xù)花型最小單元的方法。結(jié)果表明：模板匹配過程中，相似度均值最大時，矩形模板邊長最佳占比區(qū)間為（0.21， 0.38）;該方法更適用重復(fù)次數(shù)少的四方連續(xù)紋樣，且在重復(fù)次數(shù)為3到4時，相似度均值最大;根據(jù)模板匹配閾值與相似度均值之間的關(guān)系，提出自適應(yīng)閾值模板匹配的方法，改進后相似度均值平均水平提高到了94.29%。

參考文獻：

[1]陶晨，周赳，奚柏君.織物圖案連續(xù)性識別[J].紡織學(xué)報，2016，37（8）：37-40.

TAO Chen， ZHOU Jiu， XI Bojun. Continuity identification of fabric patterns[J]. Journal of Textile Research， 2016， 37（8）： 37-40.

[2]ZHANG J， PAN R R， GAO W D， et al. Automatic recognition of the color effect of yarn-dyed fabric by the smallest repeat unit recognition algorithm[J]. Textile Research Journal， 2015， 85（4）： 432-446.

[3]XIAO Z T， GUO Y M， GENG L， et al. Automatic recognition of woven fabric pattern based on TILT[J/OB]. Mathematical Problems in Engineering， 2018： 9707104. https：//doi.org/10.1155/2018/9707104.

[4]ZHENG D J， WANG L H. Multi-scale density detection for yarn-dyed fabrics with deformed repeat patterns[J]. Textile Research Journal， 2017， 87（20）： 2524-2540.

[5]TAO C， ZHOU J， YIN M F. Automatic identification of textile pattern consecutiveness based on similarity space[J]. Textile Research Journal， 2017， 87（2）： 224-231.

[6]景軍鋒，楊盼盼，李鵬飛.采用距離匹配函數(shù)的印花織物圖案周期測定[J].紡織學(xué)報，2015，36（12）：98-103.

JING Junfeng， YANG Panpan， LI Pengfei. Determination on design cycle of printed fabrics based on distance matching function[J]. Journal of Textile Research， 2015， 36（12）： 98-103.

[7]KUO J， SHIN C Y， LEE J. Repeat pattern segmentation of printed fabrics by Hough transform method[J]. Textile Research Journal， 2005， 75（11）： 779-783.

[8]KUO J， LEE C L， SHIH C Y. Image database of printed fabric with repeating dot patterns part （I）-image archiving[J]. Textile Research Journal， 2017， 87（17）： 2089-2105.

[9]劉兆輝，張華熊，林翔宇.基于內(nèi)容特征的四方連續(xù)紋樣自動生成[J].計算機系統(tǒng)應(yīng)用，2019，28（5）：156-160.

LIU Zhaohui， ZHANG Huaxiong， LIN Xiangyu. Automatic generation of quadrangle continuous patterns based on content characteristics[J]. Computer Systems & Applications， 2019， 28（5）： 156-160.

[10]趙啟.圖像匹配算法研究[D].西安：西安電子科技大學(xué)，2013.

ZHAO Qi. Research on Algorithm of Image Matching[D]. Xi′an： Xidian University， 2013.

[11]OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems， Man， and Cybernetics， 1979， 9（1）： 62-66.

[12]汪會，孫潔，丁笑君，等.織物紋樣特征提取與匹配方法比較[J].紡織學(xué)報，2020，41（4）：45-50.

WANG Hui， SUN Jie， DING Xiaojun， et al. Comparison of feature extracting and matching methods for fabric patterns[J]. Journal of Textile Research， 2020， 41（4）： 45-50.