基于復小波變換的紡織品圖案檢索方法研究

羅戎蕾

(浙江理工大學, a. 服裝學院; b. 浙江省服裝工程技術研究中心, 杭州 310018)

基于復小波變換的紡織品圖案檢索方法研究

羅戎蕾a,b

(浙江理工大學, a. 服裝學院; b. 浙江省服裝工程技術研究中心, 杭州 310018)

針對海量數據中提取紡織品設計圖案問題,引入面料視覺基礎分類的橫紋、豎紋、格紋等面料圖像類概念,針對海量數據中提取紡織品設計圖案問題,從而構建基于Dauchechies小波旋轉變換和旋轉復變換的多分辨率圖像分解形成的特征表,代替傳統方法下使用矩陣的均值和方差作為特征紋理數據的方法,除了尺度和位移兩個參量外,增加了一個方向參量,具有更好的方向辨識能力,從而對圖像的邊緣,如曲線、直線等幾何特征的表達有一定優勢。研究結果可以為基于內容的面料圖案圖像數據庫檢索提供基礎理論依據。

小波變換; 復小波; 旋轉小波圖像檢索; 面料圖案

0 引 言

作為服裝設計、面料設計靈感和表現的主要形式,圖案在藝術設計行業內已經得到廣泛和深入的應用,然而設計者們和顧客根據所謂的風格和感覺從海量數據中查詢到所需的風格圖案是異常繁瑣的問題。而紋理作為重要的低層視覺特征受到了廣泛的關注,目前紋理特征提取是基于內容圖像檢索算法的一個的主要方向。相對于傳統的紋理特征提取方法,基于小波變換的算法在顏色分布特征提取方法具有更好的頻率定位而受到國內外學者的長期關注,也是目前研究的熱點[1-7]。早期,Manjunath[8]以及Tian等[9]提出基于Gabor變換的紋理特征分析方法可以提取到和視覺感知有意義的圖像屬性和規律;Balmelli等[10]嘗試使用小波域的圖像特征實現對內容的圖像檢索;隨后,根據小波變換的多分辨率理論,研究人員提出旋轉和尺度不變的紋理特征分析方法,但紋理方向信息有一定程度的損失[11-12];對于改進Garbor濾波器的研究表明,其旋轉、尺度不變紋理特征計算具有較高的復雜度[13];Pun[14]基于Log-polar的方法是用平移變化代替尺度變量來進行計算,但頻率信號特征收到損傷。對于二維圖像處理,常用的二維小波變換的基函數是各向同性的,Gluekman[15]認為紋理的描述只是利用子波變換后的均值與方差是不夠充分的,變換系數的局部模極大值只能反映出這個小波系數出現的位置,而無法表達方向與邊緣的信息。針對小波變換的上述缺點,Candes等[16]提出第一代Curvelet變換理論,與小波變換不同,除了尺度和位移兩個參量外,增加了一個方向參量,具有更好的方向辨識能力,從而對圖像的邊緣,如曲線、直線等幾何特征的表達有一定優勢。另外,Kokare等[17]、Miller等[18]、Huang等[19]利用復小波的旋轉不變性和較強的方向選擇性,提出基于復小波的圖像檢索算法具有較好的紋理檢索效果,但同樣使用的一階統計特征量。同時,關于復小波變換與其它紋理檢索方法的結合,例如Clausi等[20]設計與其它統計方法相融合的紋理特征提取方法,以改進紋理識別,產生較高的特征空間分離,分類正確率較單獨的特征集有一定提高。

值得注意的一點是,對于設計類圖案的檢索與其他工程類圖像檢索(例如醫學圖像檢索)有一個顯著的差異,設計類圖像檢索的目標在于檢索視覺感官和風格的相似性,不要求精確的圖像檢索識別。此外,對于面料圖案還有一些獨特的圖案特性,比如圖案循環、設計圖案中存在基礎圖案及基礎圖案的變形等特性。而事實上,根據不同特性的圖像應該提取不同的紋理特征才能達到較好的效果。根據文獻跟蹤和前期研究基礎,我們注意到,基于面料圖案特性的圖像檢索技術的研究較少,面料紋理圖案特性及其分類與圖像檢索技術之間的聯系尚未被充分研究。

因此,本文引入面料視覺基礎分類的橫紋、豎紋、格紋等面料圖像類概念,以行列信息相關的特征序列作為特征表的類特征分類,從而構建基于Dauchechies小波旋轉變換和旋轉復變換的多分辨率圖像分解形成的特征表,是進行面料圖像分類的基礎信息，彌補傳統小波變換后的圖案方向性信息缺失的問題。與用顏色值進行圖像面料檢索,本研究針對圖像結構特性和方向特性進行分類檢索。

1 基于旋轉小波變換面料圖像的紋理特征

對圖像進行2D的一層小波分解,可以表示為(圖1):

圖1 離散小波變換的一層分解

二維小波變化在經過一層小波分解后,函數的頻域的分區情況如圖2所示。

圖2 二維離散小波變換后的函數頻域分區

由圖2可知,對于標準的離散小波變換,分量IHH,保留的是圖像對角線的一些信息,但是并不能確定是450,還是1 350方向的信息,而對于面料紋理和圖案的檢索來說,方向是至關重要的。因此,課題組選擇重新設計一種不可分離的具有方向性的小波變換(從不旋轉到無法提取再到方向數據),方法是將傳統的2D離散小波濾波進行45°旋轉,從而分解的方向發生了改變,如圖3所示。

圖3 旋轉小波變換后的圖像頻域分區

由圖3可知,2D的高通、低通的濾波系數可以得到:HLL=hTH,HLH=hTg,HHL=gTh,HHH=gTg,其中,h,g分別表示Daubechies高通和低通系數。旋轉后的小波變換的計算量與傳統的小波變換是一樣的。首先,對面料圖像進行尺度變化,對原始面料圖案圖像和變化后的面料圖案圖像分別進行二維旋轉小波變換2D-RWT;在輸出系數取絕對值后,轉化為實數,并分別計算各個子帶的能量,將2組計算數據在尺度的維度上進行插值計算,構成一個特征矩陣表。可以發現,該特征矩陣的列方向為尺度維,行方向為旋轉維,從而進行尺度及旋轉不變的特征向量的提取。

對于復小波變換(如圖4所示),上部分的樹結構濾波器組表示復小波變換的實部,下部分樹結構濾波器組表示復數小波變換的虛部,數值2則表示其為隔點取樣。面料圖案圖像在經過復變換之后,其系數具有近似平移不變性、方向各異性和系數對應性等特點。筆者對面料圖案圖像進行二層小波復變換,從而獲得每幅面料圖案圖像的復數小波子帶的特征系數。本文使用的雙數小波變換是使用二個獨立的離散小波變換平行作用來完成復數小波變換,而輸入數據相同,變換后所產生的兩組分解系數分別作為復數輸出結果。二維雙樹復小波變換2D-DWT對圖像檢索中的查詢圖像和目標圖像進行分解,為了提取到輸入圖像的6個方向上的特征信息,實現旋轉不變性分析,根據算法提取6個小波子帶的主方向,分別為{+150,+450,+750,-150,-450,-750}。在對查詢圖進行雙樹復小波變換后,利用行列序列C(d)來替換傳統方法下使用一階統計特征值,并將數據歸一化,作為特征紋理數據的方法,形成特征檢索結構。

圖4 雙樹復小波圖像分解

2 面料橫紋、豎紋、格紋等面料基礎紋理的特征選取

基于以上分析,筆者對面料圖像進行視覺紋樣分類,面料分類有很多種,在這里首先研究面料基礎圖案中的橫紋、豎紋、格紋、花版。為面料圖像各個分類下做二維雙數復小波變化(2D-DWT),在這里首先使用Daubechies小波分解。利用DT-CWT對每幅256×256像素的圖像塊進行4尺度小波分解,然后對變換后每一尺度的高頻帶子圖分別計算6個方向小波系數模的均值μij和標準方差σij,i,=1,2,3,4,j=1,2,3,4,5,6,將系數取絕對值后,轉化為實數,提取各個子帶的方差,然后將2組數據在尺度維上進行插值計算,構建完成包含行列信息的特征序列C(d):

對不同類型的面料圖像的特征數列Dx,Dy(是方向特征值上面有公式說明)進行分析,發現類型不同,其數值分布在不同的特征區域,從而可以表征其特征形態,作為分類檢索的依據。

3 結果和分析

從服裝流行資訊公司面料庫提取相關4類面料圖案500張,包括橫紋、豎紋、格紋、花卉圖案,規格化為256×256 dpi。圖5是部分典型面料圖案。

圖5 典型面料圖案示例

對面料圖案進行分解計算,得到各種面料的Dx,Dy,部分結果如表1所示。從表中可以發現,橫紋或者豎紋圖案,其Dx(或Dy)具有明顯差異,并與橫紋豎紋方向成正相關性;格子圖案其Dx和Dy的值量大,而花卉圖案其Dx和Dy的方向值量都較小。對500幅圖案計算所得結果歸納可以得到Dx和Dy主要分布范圍,為基礎面料分類的圖像紋理特征表,如表2所示。

表1 部分面料圖案的方向特征值

表2 各類圖案面料的方向特征值范圍

4 結 論

本文提出建立包含圖像小波分解系數的行列特性的相關序列,根據雙數小波進行旋轉小波變換和復小波變換得到的變換結果,構建以小波系數為信息基礎,包含子帶行列信息的特征序列形成面料不同類紋理的特征表,來代替傳統方法下使用一階統計特征數據為特征紋理數據的方法,從而形成圖像紋理特征表。引入旋轉小波變換和旋轉復小波變換得到的C(d)序列構成面料類紋理的特征表,彌補傳統小波變換后的圖案方向性信息缺失的問題。進一步方向可以細化每種圖案類型的花形尺寸檢索及拓展到其他類型面料圖案特征紋理數據研究。

[1] Celik T, Tjahjadi T. Texture classification and retrieval based on complex wavelet subbands[C]// Computer and Information Sciences: Proceedings of the 25th International Symposium on Computer and Information Sciences, 2010: 259-264.

[2] Kwitt R. Lightweight probabilistic texture retrieval[J]. IEEE Transactions on Image Processing, 2010, 19(1): 241-253.

[3] Zhu X, Shao Z. Using no-parameter statistic features for texture image retrieval[J]. Sensor Review, 2011, 31(2): 144-153.

[4] Priya K J, Rajesh R S. Local statistical features of dual tree complex wavelet transform on parallelogram image structure for face recognition with single sample[C]//International Conference on Recent Trends in Information, Telecommunication and Computing, 2010: 50-54.

[5] Xavier L, Bella M, Thusnavis B, et al. Content based image retrieval using textural features based on pyramid-structure wavelet transform[C]//3rd International Conference on Electronics Computer Technology, 2011: 79-83.

[6] Gonde A, Maheshwari R, Balasubramanian R. Rotated complex wavelet transform with vocabulary tree for content based image retrieval[C]// Proceedings of the 1st International Conference on Intelligent Interactive Technologies and Multimedia, 2011: 284-291.

[7] Quellec G, Lamard M, Cazuguel G. Adaptive non-separable wavelet transform via lifting and its application to content-based Image retrieval[J]. IEEE Transactions on Image Processing, 2010, 19(1): 25-35.

[8] Manjunath B, Ma W. Texture features for browsing and retrieval of large image data[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions, 1996, 18(8): 837-842.

[9] Tian Q, Sebe N, Lew M S, et al. Image retrieval using wavelet-based salient points[J]. J. Electron. Imaging, 2001, 10(4): 835-849.

[10] Balmelli L, Mojsilovic A. Wavelet domain features for texture description classification and replicability analysis[C]// IEEE Interuational Conference Image Process, 1999: 440-444.

[11] Manthalkar R, Biswas P, Chatterji B. Rotation and ccale invariant texture features using discrete wavelet packet transform[J]. Pattern Recognition Letters, 2003, 24(14): 2455-2462.

[12] Jafari K, Khouzani H, Soltanian Z. Rotation-invariant multiresolution texture analysis using radon and wavelet transform[J]. IEEE Trans on Image Processing, 2005, 14(6): 783-795.

[13] Ju H, Ma K. Rotation-invariant and scale-invariant gabor features for texture image retrieva1[J]. Vision and Image Computing, 2006, 25(9): 1474-1481.

[14] Pun C M, Lee M C. Log-polar wavelet energy signatures for rotation and scale invariant texture classification[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2003, 25(5): 590-603.

[15] Gluekman J. Visually distinct patterns with matching subband statistics[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2005, 27(2): 252-264.

[16] Candes E, Demanet L, Donoho D. Fast Discrete Curvelet Transforms[R]. Pasadena: California Institute of Technology. Applied and Computational Mathematics. 2005: 1-43.

[17] Kokare M, Biswas P, Chatterji B. Texture image retrieval using new rotated complex wavelet filters[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 2005, 35(6): 1168-1178.

[18] Miller M, Kingsbury N. Image modeling using interscale phase properties of complex wavelet coefficients[J]. IEEE Transactions on Image Processing, 2008, 17(9): 1491-1499.

[19] Huang R, Lang F, Dong S. Color image retrieval based on moments and DT-CWT[C]// International Conference on Multimedia Technology, 2011: 2998-3001.

[20] Clausi D, Deng H. Design-based texture feature fusion using garbor filters and co-occurrence probabilities[J]. IEEE Transactionson Image Processing, 2005, 14(7): 925-936.

(責任編輯： 楊一舟)

Study on Textile Pattern Retrieval Method Based on Complex Wavelet Transformation

LUORong-lei

(a. School of Fashion Design and Engineering; b.Zhejiang Provincial Research Center of Clothing Engineering Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China)

In allusion to extracting textile design patterns from mass data, this paper introduces transverse stripes, vertical stripes and cross stripes as the standard of classification and constructs feature list which forms through multiresolution picture breakdown based on Dauchechies wavelet rotation transformation and rotated complex transformation. This replaces traditional method which uses mean value of matrix and variance as characteristic texture data. Apart from scale and displacement, direction parameter is added. Thus, it owns better direction identification ability and has certain advantages for expressing image edge and geometrical characteristics such as curve and straight line. The research results can provide basic theoretical basis for content-based fabric image database retrieval and own certain theoretical reference value and practical application significance.

wavelet transformation; complex wavelet; rotated wavelet image retrieval; fabric pattern

1673- 3851 (2015) 01- 0046- 05

2014-01-06

浙江自然科學基金項目(LQ12F02018);浙江省重點科技創新團隊計劃資助(2011R50004);紡織科學與工程一級學科中青年拔尖人才培養計劃(11110532241405)

羅戎蕾(1974-),女,浙江杭州人,副教授,博士,主要從事服裝計算機輔助設計方面的研究。

TS941.26

A