織物平整度的特征提取方法對比研究

劉成霞 甘敏 鄭文梅

摘要： 目前織物平整度的評價方法為標樣對照評級法，該方法效率低，再現性差。針對這種情況，文章以AATCC平整度模板為研究對象，分別對模板進行三維掃描，并提取了三維特征及二維灰度共生矩陣參數，進而得到三維和二維參數與模板等級的關系式，最后用12塊織物進行驗證。結果表明：用三維特征粗糙度預測織物平整度等級的準確率高于二維指標熵的標準差；AATCC平整度模板不同等級間的差異不同，3級與3.5級之間及4級與5級之間的差異甚微。研究證明三維掃描技術可以用于模板及織物平整度的測試與評價中，且精度高于圖像處理技術。

關鍵詞： AATCC平整度模板；三維激光掃描；圖像處理；特征提取；對比分析

中圖分類號： TS 941.2文獻標志碼： A文章編號： 1001-7003（2018）03-0045-05引用頁碼： 031108

Abstract： The current evaluation method for fabric smoothness is contrast grading method which has low efficiency and poor reproducibility. Thus， AATCC smoothness template was used as the object of study in this paper. 3D scanning was done for the template. Besides，3D features and 2D gray-level co-occurrence matrix parameters were extracted. Then， the relational expression between 3D & 2D parameters and template grade was gained. Finally，12 pieces of fabrics were used for verification. The results show that， the prediction accuracy of 3D feature roughness used to predict fabric smoothness grade is higher than that of standard deviation of 2D feature index entropy. Besides， the smoothness difference between different AATCC templates is not the same； the difference between grade 3 and 3.5 and the difference between 4 and 5 are very subtle. It is proven that 3D laser scanning technology can be used to test and evaluate the smoothness of templates and fabrics and its accuracy is higher than the image processing technology.

Key words： AATCC smoothness template； 3-D laser scanning； image processing； feature extraction； comparative analysis

織物洗滌后會產生折皺，影響穿著美觀，目前多采用對照織物洗后外觀平整度等級模板的方法對織物的折皺等級進行評價。但模板對照法易受評價者個人因素的影響，不夠精確。因此，從20世紀90年代開始，各國學者就對如何利用圖像處理技術對織物平整度等級進行客觀評價展開了大量的研究[1-2]。

1995年，Youngjoo Na等[3]用紋理分析技術研究了AATCC平整度模板。1999年，Aibara Tsunehiro等[4]分別用分形維數和小波分析的技術研究了西裝上的接縫起皺等級客觀評價方法。2002年，Turner C[5]利用由圖像獲取和圖像分析模塊構成的視覺系統測量了織物平整度。2005年Mohri M等[6]用Radon變換和紋理分析技術研究了織物折皺。2011年，Ravanidi S A H等[7]研究了灰度共生矩陣參數對織物折皺表面紋理特征的影響。2014年，劉成霞等[8]提出了一種模擬實際著裝的織物抗皺性測試方法，并用分形理論等分析了織物折皺。隨后劉成霞等[9]又提出了織物多方向折皺的測試新方法。2016年，劉成霞等[10]用小波分析對服裝關節部位的抗皺性進行了客觀評價。

以上方法多采用二維圖像處理技術，現在隨著三維掃描技術的發展，掃描儀價格不斷下降、精度日益提高，為織物平整度客觀評價提供了新的方法[11]。本文以平整度模板為研究對象，采用三維激光掃描技術，提取不同等級模板的特征參數，同時利用圖像處理技術提取特征指標；最后對比分析三維激光掃描技術與圖像處理技術在織物平整度客觀評價中的優劣。

1實驗

1.1利用三維激光掃描技術提取模板特征

1.1.1平整度模板表面三維重建

模板表面原始點云采用加拿大Creaform公司研制的手持式Handy Rescan 3D三維激光掃描系統掃描完成。該設備測量18000次/s，掃描最高精度為0.05mm。該系統具有以下特點：

1）在掃描期間可移動物體和掃描儀，無需CMM/關節臂/導軌的支持。

2）在PC屏幕上同步呈現三維掃描數據，Handyscan 3D掃描儀可以先掃描一部分，然后停下來在計算機上觀察被掃描部分的結果，可修補未掃到區域，且不會重復采集數據。

3）光學掃描，與實物沒有接觸，體積小，質量輕，便攜，高效。

用上述掃描儀掃描6塊模板，獲取點云數據，導入Geomagic Studio軟件中，對點云數據進行著色，以模板1級為例，三維重建圖如圖1（a）所示。在數據采集操作過程中，由于被測物體表面因素、掃描系統自身的誤差、突發因素引起噪聲點。因此要對模板點云進行去噪，并填充孔洞，裁剪得到的三維重建模板如圖1（b）所示，重建表面與模板表面十分相似。

1.1.2三維特征指標提取

根據6塊模板的三維坐標Z方向的值，利用Matlab編程提取特征指標均值、方差、粗糙度、扭曲度及四分位差。

均值Zi：對Z方向上的高度求平均值。

Zi模板表面任意一點的高度值方差var：對高度值的離散情況進行分析。

粗糙度σ：計算模板表面各點高度的標準差，便可得到粗糙度值。

扭曲度S：折皺能反映模板的扭曲程度。

四分位差Rd：將高度值由小到大進行排列，處在后25%位置高度值為上四分位數Qu與處在前25%位置上高度值為下四分位數Q1的差值。

1.2利用圖像處理技術提取模板特征

用于提取平整度特征的圖像處理方法有很多，其中灰度共生矩陣是一種非常具有代表性且應用廣泛的描述紋理的方法。比如文獻[7-8]都用灰度共生矩陣取得了良好的結果。由于篇幅所限，不能列出用所有圖像處理的方法進行特征提取的結果，在此僅以灰度共生矩陣這一廣泛用于折皺特征提取的方法為例加以對比研究。用1210萬像素的數碼相機在室內光線充足條件下固定統一所有拍攝參數，獲取6塊模板圖像；按照模板的輪廓裁剪，像素大小調為400dpi×400dpi，轉化為灰度圖像；為提高運算效率，將原始圖像的灰度級壓縮成16級，取距離為1，利用Matlab編程分別計算不同角度（0°、45°、90°、135°）下能量、熵、對比度和相關性，并分別計算出能量、熵、對比度和相關性的均值和標準差。

能量：表征紋理的一致性。

式中：p（i，j）是灰度值為i的像素點與具有某種特定空間關系的灰度值為j的像素點出現在一起的概率；i，j=0，1，…，N是圖像中灰度值的數量。

熵：表征紋理的紊亂性。

對比度：表明紋理溝紋深淺的程度。

相關性：表明紋理之間的線性相關程度。

1.3織物試樣的驗證實驗

選取12塊機織物試樣，按照AATCC Test Method 124對織物進行洗滌處理，并對洗滌后的試樣按照AATCC標準模板進行主觀等級評定，同時，按照1.1的步驟，利用三維激光掃描技術進行特征提取，得到均值、方差、粗糙度、扭曲度及四分位差，接下來再根據1.2的步驟，利用灰度共生矩陣提取二維參數。

2結果與分析

2.1三維特征指標與模板等級的關系

2.1.1三維特征指標與模板等級的相關分析

表1是利用三維激光掃描技術得到的AATCC平整度模板的特征指標，將其與模板等級進行相關性分析，得到表2。

由表2可知，方差、粗糙度和四分位差與模板等級pearson相關系數都在-0.9以上。粗糙度、方差和四分位差都與模板等級呈反比，即模板等級越高，粗糙度、方差和四分位差越小。其中粗糙度與模板等級的相關性最大，達到-0.965，其次是方差和四分位差。由于均值和扭曲度與模板等級的相關性很小，表2中未列出。

結合表1和表2可知，粗糙度能較好地反映不同模板間的平整度差異。但從粗糙度數值可知，5級模板之間的粗糙度差異并非是等間距的，1級與2級之間差距最大，大約相差8，2級與3級模板之間的差異大約是4，而3級與3.5級之間及4級與5級之間的差異卻非常小。

圖2是不同等級的AATCC 124立體標準模板，可以清晰地看出，1級與2級之間的差距明顯，3級與3.5級之間及4級與5級之間的差異甚微。

2.1.2三維特征指標預測模板等級的回歸分析

采用多元線性回歸分析的方法，找出相關關系變量之間的規律性。經回歸分析，方差、粗糙度及四分位差存在多重共線性，原因有：1）樣本是6塊模板，樣本容量太小；2）方差、粗糙度及四分位差都是根據Z方向上的值進行數理計算，計算公式有一定的內在聯系。針對多重線性問題，采用逐步回歸分析法，回歸過程中自動將方差與四分位差排除，最后得到了粗糙度與模板等級的線性回歸方程為：

將上述方程加以檢驗，結果表明，回歸方程通過了F檢驗，回歸方程總體是顯著的，相關精度達到90%。從回歸系數的顯著性看，粗糙度的回歸系數為0.02，小于0.05，通過了t檢驗。所以，理論上該回歸方程能預測模板平整度等級。

2.2二維特征指標與模板等級的關系

表3是利用圖像處理技術提取的AATCC平整度模板的灰度共生矩陣參數，將其與模板等級進行相關性分析，得到表4。由表4可知，熵的標準差與模板等級的相關系數最高，在-0.9以上；其次是能量標準差，相關性的相關系數最小。

將二維特征與模板等級進一步通過多元逐步回歸可以得到，只有熵的標準差進入了回歸方程，具體關系式如下：

從方程檢驗來說，回歸方程通過了F檢驗，相關精度為80.2%，小于用三維指標預測模板等級的精度。從回歸系數的顯著性來看，回歸系數為0.01，小于0.05，通過了t檢驗，所以該回歸方程能預測模板平整度等級。

2.3織物試樣的驗證結果

為了進一步驗證以上方法是否適用于織物，特選取12塊常規試樣進行驗證。按照國家標準GB/T13769—2009《紡織品 評定織物經洗滌后外觀平整度的試驗方法》進行洗滌和平整度主觀等級評定。同時按照1.1和1.2的步驟進行三維激光掃描和特征提取及二維圖像分析，提取灰度共生矩陣參數。并分別按照式（10）和（11）計算得到平整度等級數值，并將該數值四舍五入，作為客觀等級評價結果，如表5所示。

由表5可知，由三維指標計算的等級數值在4#織物和8#織物上出現了負值。這是因為標準模板一共有5個等級，1級平整度最差，5級最好，但實際織物的平整度情況千差萬別，極易皺的織物形成的折皺可能比1級更嚴重，因此使得三維測量得到的粗糙度大于1級模板。如本文中測得的1級模板的粗糙度為49.12，而4#和8#織物的粗糙度則為60多。預測公式是根據模板的統計數據得到，所以計算出來的平整度出現了負數，由于1級代表最不平整，所以把負數對應的等級也定為1級。此外，平整度模板中處于3級和4級之間的還有3.5級，但如前所述，3級與3.5級模板的平整度相差甚微，如表1中粗糙度數值也非常接近，這給主觀評價定為3級還是3.5級帶來極大的困難。因此，本文沒考慮3.5級這一評定結果。

從表5還可以看出，三種等級評定結果（分別是根據三維和二維指標進行客觀評定及主觀評定）之間存在偏差的是2#、3#、5#、7#和8#織物。其中這3種結果之間更具體的關系是：12塊織物中的10塊織物，其主觀評級與根據三維指標客觀評級的結果完全一致，即準確性為83.33%，只有5#、7#織物，主觀評級比由三維指標預測的等級高1級。究其原因，7#為深色、且帶花紋的織物，顏色和花紋對主觀評定造成了一定的影響，換句話說，顏色和花紋使肉眼觀察到的織物粗糙不平程度得到了減弱。同樣，5#為豹紋織物，豹紋對折皺也起到了掩蓋作用，使得肉眼看到的粗糙度有所下降。

表5還表明：由二維指標預測的等級與主觀評定的等級出現偏差的是2#、3#和9#織物，即預測準確率為75%，準確性低于三維指標。這是因為圖像處理是一種二維平面的分析方法，沒考慮高度信息，難免會影響判斷結果。這一織物驗證的結果與平整度模板的分析結果完全一致，即用三維指標預測的平整度等級比二維指標更接近主觀評價結果。

3結論

本文以AATCC平整度模板為研究對象，分別對模板進行三維掃描，提取了三維特征及二維灰度共生矩陣參數，并得到三維和二維參數與模板等級的關系式，最后用12塊織物進行驗證。結果表明：

1）三維特征中粗糙度、方差和四分位差與模板等級的相關系數都在-0.9以上，其中粗糙度與模板等級的相關性最大，為-0.965。

2）二維特征指標中，熵的標準差與模板等級的相關系數最高，在-0.9以上。

3）用三維指標粗糙度預測織物平整度等級的準確率高于二維指標熵的標準差，且對于顏色較深的織物，用二維指標預測的平整度等級容易高于三維指標預測的等級，因為顏色和花紋容易對折皺起到了遮擋作用。

4）AATCC平整度模板不同等級間的差異并非線性的：1級與2級之間差異明顯，但3級與3.5級之間及4級與5級之間的差異甚微。

本文的研究結果說明三維掃描技術不僅可以用于模板的平整度特征提取，也可以用于織物平整度的測試與評價，且精度高于圖像處理技術。

參考文獻：

[1]LIU Chengxia. New method of fabric wrinkle measurement based on image processing[J]. Fibres and Textiles in Eastern Europe，2014，22，1（103）：51-55.

[2]MOUSAZADEGAN F， SAHARKHIZ S， LATIFI M， et al. Seam pucker rating by deconvolution residual method[J]. International Journal of Clothing Science and Technology，2013，25（3）：150-170.

[3]YOUNGJOO N， BELMAM F D. Assessing wrinkling using image analysis and replicate standards[J]. Textile Research Journal，1995，65（3）：149-157.

[4]AIBARA Tsunehiro， MABUCHI Takehiro， OHUE Kenji. Automatic evaluation of the appearance of seam puckers on suits[J]. Machine Vision Applications in Industrial Inspection VII，1999，3652（1）：110-117.

[5]TURNER C， SARI-SARRAF H， ZHU Aijun， et al. Automatic assessment of fabric smoothness[C]//The 45th Midwest Symposium on Circuits and Systems. 2002（2）：379-382.

[6]MOHRI M， HOSSEINI RAS， YOUSSEFI M. Objective evaluation of wrinkled fabric using radon transform[J]. Journal of the Textile Institute，2005，96（6）：365-370.

[7]RAVANIDI S A H， PAN N. The influence of gray-level co-occurrence matrix variables on the textural features of wrinkled fabric surfaces[J]. Journal of the Textile Institute Proceeding & Abstracts，2011，102（4）：315-321.

[8]LIU Chengxia， FU Yaqin， WU Niying. Novel testing equipment for fabric wrinkle resistance simulating actual wear[J]. Textile Research Journal，2014，84（10）：1059-1069.

[9]LIU Chengxia， FU Yaqin. Novel measurement for multidirectional fabric wrinkling using wavelet analysis[J]. Fibers and Polymers，2014，15（6）：1337-1342.

[10]劉成霞，劉婷.應用小波分析的服裝關節部位抗皺性評價[J].紡織學報，2016，37（12）：87-91.

LIU Chengxia， LIU Ting. Objective evaluation on wrinkling of garment joints based on wavelet analysis[J]. Journal of Textile Research，2016，37（12）：87-91.

[11]陳麗麗，劉成霞.基于激光掃描技術的服裝肘部穿著平整度客觀評價[J].絲綢，2017，54（6）：43-48.

CHEN Lili， LIU Chengxia. Objective evaluation of wearing smoothness of garment elbow with laser scanning technology[J]. Journal of Silk，2017，54（6）：43-48.