(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日
(21)申请号 201910184098.3
(22)申请日 2019.03.12
(71)申请人 上海宝尊电子商务有限公司地址 200436 上海市静安区万荣路1188弄1、2、3号108室
(72)发明人 胡玉琛 吴磊彬 林博 张建
(74)专利代理机构 上海卓阳知识产权代理事务所(普通合伙) 31262代理人 周春洪
(51)Int.Cl.G06K 9/62(2006.01)G06K 9/46(2006.01)G06T 5/40(2006.01)G06T 7/45(2017.01)
(54)发明名称一种基于LBP与GLCM的服装纹理识别分类方法(57)摘要本发明涉及一种基于LBP与GLCM的服装纹理识别分类方法，所述的时尚服装图像中纹理类型的分类方法包括以下步骤:S1、LBP纹理特征提取；S2、GLCM纹理图像特征统计量提取函数的设计；S3、纹理特征值的计算；S4、使用SVM算法训练特征向量，对纹理图片分类。其优点表现在：在实际的生产过程中很好地解决了时尚服装中纹理识别的挑战，不仅仅解放了人工识别的束缚，也为后期数据的分析和算法的开发优化带来了便利，
具有重要的现实意义。
权利要求书3页 说明书11页 附图3页CN 109934287 A2019.06.25
CN 109934287
A1.一种基于LBP与GLCM的服装纹理识别分类方法，其特征在于，包括如下步骤：
S1、LBP纹理特征提取：
S11、计算图像中每个像素点的LBP模式(等价模式，或者旋转不变+等价模式)；图像划
分若干为N×N的图像子块(如16×16)，计算每个子块中每个像素的LBP值；
S12、计算每个子块的LBP特征值直方图，得到N×N图像子块的直方图，再对该直方图进
行归一化处理；
S13、将得到的每个子块的归一化直方图连接成一个特征向量，得到整幅图的LBP纹理
第２９卷第９期
・１４０６・ 电子测量与仪器学报
ＪＯＵＲＮＡＬ ＯＦ ＥＬＥＣＴＲＯＮＩＣ ＭＥＡＳＵＲＥＭＥＮＴ ＡＮＤ ＩＮＳＴＲＵＭＥＮＴＡＴＩＯＮ ％ｆ．２９ Ｎｏ．９ ２０１５年９月
ＤＯＩ：１０．１３３８２／ｊ．ｊｅｍｉ．２０１５．０９．０２０
ＬＢＰ和ＧＬＣＭ融合的织
景军锋 邓淇英 李鹏飞
（西安工程大学电子信息学院 物组织结构分类米
张蕾 张宏伟
西安７１００４８）
摘要：为实现织物组织结构的自动分类，提出一种基于局部二进制模式（ＬＢＰ）与灰度共生矩阵（ＧＬＣＭ）相结合的织物组
织分类算法。首先，采用中值滤波、双峰高斯函数规定化等算法对织物图像进行预处理，滤除图像噪声并提高对比度。进 而用局部二进制模式和灰度共生矩阵两种方法获取图像的局部及全局纹理特征信息。最后，利用基于Ｌｅｖｅｎｂｅｒｇ—Ｍａｒ—
ｑｕａｒｄｔ（Ｌ．Ｍ）算法的ＢＰ神经网络分类器对特征向量进行训练和测试，实现对３种基本组织（平纹、斜纹和缎纹组织）的自
动分类。实验结果表明，基于Ｌ．Ｍ算法的ＢＰ神经网络具有较快的训练速度能够对织物组织结构进行准确有效的分类。
此外，与灰度共生矩阵和局部二进制模式方法进行对比，两者融合的特征信息能得到最好的分类结果（９９．３３％）。
关键词：织物组织；灰度共生矩阵；局部二进制模式；神经网络
中图分类号：ＴＰ３９１；ＴＮ９１１．７３ 文献标识码：Ａ 国家标准学科分类代码：５１０．５０１５
Ｆａｂｒｉｃ ｓｔｒｕｃｔｕｒｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ＬＢＰ ａｎｄ ＧＬＣＭ ｆｕｓｉｏｎ
Ｊｉｎｇ Ｊｕｎｆｅｎｇ Ｄｅｎｇ Ｑｉｙｉｎｇ Ｌｉ Ｐｅｎｇｆｅｉ Ｚｈａｎｇ Ｌｅｉ Ｚｈａｎｇ Ｈｏｎｇｗｅｉ
（Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ，Ｘｉ’ａｎ Ｐｏｌｙｔｅｃｈｎｉｃ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ ７１００４８，Ｃｈｉｎａ）
标准集团（香港）有限公司
StandardInternationalGroup(HK)Limited 标准集团（香港）有限公司
纹理结构分析技术用于织物疵点检测方法
织物疵点的有效检测对纺织企业提高产品质量、降低产品成本具有重要的意义。目前 , 疵点检测还由
人眼来进行, 但人眼检测费用高、速度慢、效果差, 只能检测不超过 80%的疵点 [ 1] 。 因此, 织物疵点
的自动检测方法一直是一个重要的研究热点, 提出了许多自动检测方法[ 1 -14] 。 如文献 [ 2 -4] 提出
采用灰度共生矩阵或灰度差分矩阵的方法;文献 [ 5] 提出了采用傅立叶变换方法;文献[ 6 -9] 采用小波
变换或小报包变换的方法;文献[ 10, 11] 提出采用 Garbor滤波器方法。 但由于织物疵点种类繁多、形态
各异, 如何有效地检测疵点仍然是一个重要的研究内容。
疵点检测实际上是一个纹理分割及识别过程, 因为在织物中疵点处的纹理结构不同于正常织物, 因此
能够把它们检测出来。 从图像处理的角度, 疵点可以分为灰度突变型疵点、结构突变型疵点 [ 12] 。 灰
度突变型疵点中疵点的灰度与正常织物的灰度不同, 如油污、破洞等;结构突变型疵点中疵点的灰度与正常
织物的灰度差异较小, 只是像素之间的空间关系发生较大变化, 如并经、松经等。 有些疵点则兼而有之,
如经缩、边撑疵等。 由于正常织物图像是一种规则有序纹理, 因此本文提出一种基于纹理结构分析的织物
疵点检测方法, 不仅能够有效地分割灰度突变型疵点, 而且对结构突变型疵点也具有较好的分割效果 ,
并且通过实验对该方法的有效性与鲁棒性进行了验证。
1、 织物疵点检测算法
织物检测算法流程图如图 1所示, 图 2给出了算法各步骤的处理效果
1.1 零均值图像增强
零均值图像增强是本算法中重要的一步预处理算法, 它能够有效地消除图像在采集过程中由于光照强
度的不同而造成的明暗差异, 方便后面各步骤的处理。零均值图像的构造方法是:首先将图像划分为 8 ×8
织物疵点特征提取主要算法比较
黎丹;刘哲
【摘 要】在研究相关文献的基础上,详细分析了目前织物疵点自动检测研究中特征提取的3种主要算法:灰度直方图法、灰度共生矩阵法及小波变换法.对3种算法做了详细介绍,给出了具体的模型和公式,对3种算法的研究现状进行了阐述,详尽列出了近期相关的主要工作和研究进展;通过对比,指出了3种算法的优缺点,并给出了3种算法在计算量、灵敏度、有效性、识别种类、可操作性、区分效果方面的对比结果.
【期刊名称】《毛纺科技》
【年(卷),期】2011(039)001
【总页数】6页(P57-62)
【关键词】织物;疵点;特征;提取;算法;比较
【作 者】黎丹;刘哲
【作者单位】中原工学院,河南郑州,450007;中原工学院,河南郑州,450007
【正文语种】中 文
【中图分类】TS101.9
在纺织服装工厂中，织物质量检验是一项重要生产工序，是保证后续生产的重要前提。目前企业的疵点检测工作几乎全是由人工目测完成，这种方法费时费力，工作量大，检测速度低，容易因疲劳而导致误检、漏检。而且人工检测具有一定的主观性，即使对于同一批检测材料，不同检测人员的检测结果也存在很大差异，造成检测结果的客观性和可重复性较差［1—2］。因此利用计算机图像处理技术完成织物疵点自动检测已成为近年来国内外学者共同关注和研究的热点。
在利用计算机图像处理技术检测识别织物疵点的过程中，对疵点特征值的提取十分关键。织物表面具有明显的纹理特征，主要表现为结构性、周期性、方向性和均匀性。特征作为表征织物图像的一种性质，能够借助数学运算反映出织物表面纹理特性。纹理特征提取的主要目的是将随机纹理或几何纹理的空间结构差异转化为特征灰度值差异，用一些数学模型来描述图像的纹理信息，包括图像区域的平滑、稀疏、规则性等［3］。
文献显示，目前织物纹理特征值提取的方法主要分为空间域提取和频域提取2大类。本文主要分析其中3种典型的特征值提取方法:基于图像灰度直方图［4］的特征提取，基于灰度共生矩阵［5］的特征提取和基于小波变换［6］的特征提取。
