作为服装设计、纺织品面料设计灵感和表现的主要形式，图案在艺术设计行业内已经得到广泛和深入的应用，然而设计者们和顾客根据所谓的风格和感觉从海量数据中查询到所需的风格图案是异常繁琐的问题。而纹理作为重要的低层视觉特征受到了广泛的关注，目前纹理特征提取是基于内容图像检索算法的一个的主要方向。相对于传统的纹理特征提取方法，基于小波变换的算法在颜色分布特征提取方法具有更好的频率定位而受到国内外学者的长期关注，也是目前研究的热点［１－７］。早期，Ｍａｎｊｕｎａｔｈ［８］以及Ｔｉａｎ等［９］提出基于Ｇａｂｏｒ变换的纹理特征分析方法可以提取到和视觉感知有意义的图像属性和规律；Ｂａｌｍｅｌｌｉ等［１０］尝试使用小波域的图像特征实现对内容的图像检索；随后，根据小波变换的多分辨率理论，研究人员提出旋转和尺度不变的纹理特征分析方法，但纹理方向信息有一定程度的损失［１１－１２］；对于改进Ｇａｒｂｏｒ滤波器的研究表明，其旋转、尺度不变纹理特征计算具有较高的复杂度［１３］；Ｐｕｎ［１４］基于Ｌｏｇ－ｐｏｌａｒ的方法是用平移变化代替尺度变量来进行计算，但频率信号特征收到损伤。对于二维图像处理，常用的二维小波变换的基函数是各向同性的，Ｇｌｕｅｋｍａｎ［１５］认为纹理的描述只是利用子波变换后的均值与方差是不够充分的，变换系数的局部模极大值只能反映出这个小波系数出现的位置，而无法表达方向与边缘的信息。针对小波变换的上述缺点，Ｃａｎｄｅｓ等［１６］提出第一代Ｃｕｒｖｅｌｅｔ变换理论，与小波变换不同，除了尺度和位移两个参量外，增加了一个方向参量，具有更好的方向辨识能力，从而对图像的边缘，如曲线、直线等几何特征的表达有一定优势。另外，Ｋｏｋａｒｅ等［１７］、Ｍｉｌｌｅｒ等［１８］、Ｈｕａｎｇ等［１９］利用复小波的旋转不变性和较强的方向选择性，提出基于复小波的图像检索算法具有较好的纹理检索效果，但同样使用的一阶统计特征量。同时，关于复小波变换与其它纹理检索方法的结合，例如Ｃｌａｕｓｉ等［２０］设计与其它统计方法相融合的纹理特征提取方法，以改进纹理识别，产生较高的特征空间分离，分类正确率较单独的特征集有一定提高。值得注意的一点是，对于设计类图案的检索与其他工程类图像检索（例如医学图像检索）有一个显著的差异，设计类图像检索的目标在于检索视觉感官和风格的相似性，不要求精确的图像检索识别。此外，对于面料图案还有一些独特的图案特性，比如图案循环、设计图案中存在基础图案及基础图案的变形等特性。而事实上，根据不同特性的图像应该提取不同的纹理特征才能达到较好的效果。根据文献跟踪和前期研究基础，我们注意到，基于面料图案特性的图像检索技术的研究较少，面料纹理图案特性及其分类与图像检索技术之间的联系尚未被充分研究。因此，本文引入面料视觉基础分类的横纹、竖纹、格纹等面料图像类概念，以行列信息相关的特征序列作为特征表的类特征分类，从而构建基于Ｄａｕ－ｃｈｅｃｈｉｅｓ小波旋转变换和旋转复变换的多分辨率图像分解形成的特征表，是进行面料图像分类的基础信息，弥补传统小波变换后的图案方向性信息缺失的问题。与用颜色值进行图像面料检索，本研究针对纺织品图像结构特性和方向特性进行分类检索。
１基于旋转小波变换纺织品面料图像的纹理特征
对图像进行２Ｄ的一层小波分解，可以表示为（图１）：图１离散小波变换的一层分解二维小波变化在经过一层小波分解后，函数的频域的分区情况如图２所示。由图２可知，对于标准的离散小波变换，分量ＩＨＨ，保留的是图像对角线的一些信息，但是并不能确定是４５０，还是１３５０方向的信息，而对于面料纹理和图案的检索来说，方向是至关重要的。因此，课题组选择重新设计一种不可分离的具有方向性的小波变换（从不旋转到无法提取再到方向数据），方法是将传统的２Ｄ离散小波滤波进行４５°旋转，从而分解的方向发生了改变，如图３所示。图３旋转小波变换后的图像频域分区由图３可知，２Ｄ的高通、低通的滤波系数可以得到：ＨＬＬ＝ｈＴＨ，ＨＬＨ＝ｈＴｇ，ＨＨＬ＝ｇＴｈ，ＨＨＨ＝ｇＴｇ，其中，ｈ，ｇ分别表示Ｄａｕｂｅｃｈｉｅｓ高通和低通系数。旋转后的小波变换的计算量与传统的小波变换是一样的。首先，对面料图像进行尺度变化，对原始面料图案图像和变化后的面料图案图像分别进行二维旋转小波变换２Ｄ－ＲＷＴ；在输出系数取绝对值后，转化为实数，并分别计算各个子带的能量，将２组计算数据在尺度的维度上进行插值计算，构成一个特征矩阵表。可以发现，该特征矩阵的列方向为尺度维，行方向为旋转维，从而进行尺度及旋转不变的特征向量的提取。对于复小波变换（如图４所示），上部分的树结构滤波器组表示复小波变换的实部，下部分树结构滤波器组表示复数小波变换的虚部，数值２则表示其为隔点取样。面料图案图像在经过复变换之后，其系数具有近似平移不变性、方向各异性和系数对应性等特点。笔者对面料图案图像进行二层小波复变换，从而获得每幅面料图案图像的复数小波子带的特征系数。本文使用的双数小波变换是使用二个独立的离散小波变换平行作用来完成复数小波变换，而输入数据相同，变换后所产生的两组分解系数分别作为复数输出结果。二维双树复小波变换２Ｄ－ＤＷＴ对图像检索中的查询图像和目标图像进行分解，为了提取到输入图像的６个方向上的特征信息，实现旋转不变性分析，根据算法提取６个小波子带的主方向，分别为｛＋１５０，＋４５０，＋７５０，－１５０，－４５０，－７５０｝。在对查询图进行双树复小波变换后，利用行列序列Ｃ（ｄ）来替换传统方法下使用一阶统计特征值，并将数据归一化，作为特征纹理数据的方法，形成特征检索结构。
２纺织品面料横纹、竖纹、格纹等面料基础纹理的特征选取
基于以上分析，笔者对面料图像进行视觉纹样分类，面料分类有很多种，在这里首先研究面料基础图案中的横纹、竖纹、格纹、花版。为面料图像各个分类下做二维双数复小波变化（２Ｄ－ＤＷＴ），在这里首先使用Ｄａｕｂｅｃｈｉｅｓ小波分解。利用ＤＴ－ＣＷＴ对每幅２５６×２５６像素的图像块进行４尺度小波分解，然后对变换后每一尺度的高频带子图分别计算６个方向小波系数模的均值μｉｊ和标准方差σｉｊ，ｉ，＝１，２，３，４，ｊ＝１，２，３，４，５，６，将系数取绝对值后，转化为实数，提取各个子带的方差，然后将２组数据在尺度维上进行插值计算，构建完成包含行列信息的特征序列Ｃ（ｄ）：对不同类型的面料图像的特征数列Ｄｘ，Ｄｙ（是方向特征值上面有公式说明）进行分析，发现类型不同，其数值分布在不同的特征区域，从而可以表征其特征形态，作为分类检索的依据。
３结果和分析
从服装流行资讯公司面料库提取相关４类面料图案５００张，包括横纹、竖纹、格纹、花卉图案，规格化为２５６×２５６ｄｐｉ。图５是部分典型面料图案。对面料图案进行分解计算，得到各种面料的Ｄｘ，Ｄｙ，部分结果如表１所示。从表中可以发现，横纹或者竖纹图案，其Ｄｘ（或Ｄｙ）具有明显差异，并与横纹竖纹方向成正相关性；格子图案其Ｄｘ和Ｄｙ的值量大，而花卉图案其Ｄｘ和Ｄｙ的方向值量都较小。对５００幅图案计算所得结果归纳可以得到Ｄｘ和Ｄｙ主要分布范围，为基础面料分类的图像纹理特征表，如表２所示。
４结论
本文提出建立包含图像小波分解系数的行列特性的相关序列，根据双数小波进行旋转小波变换和复小波变换得到的变换结果，构建以小波系数为信息基础，包含子带行列信息的特征序列形成面料不同类纹理的特征表，来代替传统方法下使用一阶统计特征数据为特征纹理数据的方法，从而形成图像纹理特征表。引入旋转小波变换和旋转复小波变换得到的Ｃ（ｄ）序列构成面料类纹理的特征表，弥补传统小波变换后的图案方向性信息缺失的问题。进一步方向可以细化每种图案类型的花形尺寸检索及拓展到其他类型纺织品面料图案特征纹理数据研究。
作者:罗戎蕾 单位:浙江理工大学
