CN105844278A - 一种多特征融合的织物扫描图案识别方法 - Google Patents

Abstract

本发明公开了一种多特征融合的织物扫描图案识别方法，其首先通过纹理抑制快速平滑滤波算法滤除织物扫描图像的纱线纹理，并进行灰度化；然后分别提取主颜色自相关直方图、边缘梯度方向直方图、MSER特征和灰度共生矩阵特征，建立样本图像特征库；最后以样本图像之间关于这四类特征的相似度作为训练样本，通过AdaBoost算法建立分类器，实现图案识别。由此可见，本发明图案识别方法通过构建AdaBoost分类器融合主颜色自相关直方图、边缘梯度方向直方图特征、MSER特征和灰度共生矩阵特征，可以实现自动调整各类特征的权值，提高了织物图案识别率。

Description

一种多特征融合的织物扫描图案识别方法

技术领域

本发明属于数字图像处理技术领域，具体涉及一种多特征融合的织物扫描图案识别方法。

背景技术

随着纺织业生产和设计自动化程度的提高，纺织企业对纺织品设计资源的管理已经从传统的人工管理转化为自动化管理，许多纺织企业积累了大量不同图案的织物图片。为了避免重复设计，有效利用现有资源，迫切需要一种有效的织物图案识别方法。

计算机图案识别过程一般可分为预处理、特征提取、算法识别3个步骤。通过图像预处理，降低图像噪声；然后提取图案特征，建立特征数据库；最后根据检测图像的特征与特征数据库，通过一定的算法识别检测图像的图案类别。在图案识别过程中，提取有效图案特征是提高识别率的重要因素。然而，在扫描光照下，纱线之间的缝隙颜色往往偏暗，相同颜色的纱线区域会形成一定的纹理；织物的非平面结构使得扫描图像在纱线之间存在阴影和过渡颜色；同时由于扫描图像文件保存时往往采用失真压缩的方式，使得图案轮廓不清晰。因此，直接应用图案特征一般很难准确识别织物扫描图像的图案，所以在识别织物扫描图像的图案前，应先对图像进行预处理，以抑制纱线纹理等与图案无关的信息。目前，图像预处理方法主要有如均值滤波、中值滤波、高斯滤波、双边滤波、基于加权最小二乘滤波、L0梯度最小化、全变差及相对全变差模型等，均值滤波、中值滤波、高斯滤波这些传统滤波器是利用滤波模板与图像卷积，直接对像素灰度进行操作，在平滑图像的同时常常也会产生大量图像细节的丢失，往往达不到预期的平滑效果。Tomasi和Manduchi等在标题为Bilateral filteringfor gray and color images(Computer Vision,1998.Sixth International Conferenceon.IEEE,1998,pp.839-846.)一文中提出的双边滤波算法，该算法虽然能够在平滑的同时保留图案信息，但与图案无关的纹理及尖锐的边缘也被保留下来。Farbman等在标题为Edge-preserving decompositions for multi-scale tone anddetail manipulation(Transactions on Graphics(TOG).ACM,2008,27(3):67.)一文中提出基于加权最小二乘法框架，通过构建边缘保持图像多尺度分解，来提取图像中多尺度的细节，虽能对图像中多尺度细节操作，但该方法不具有旋转不变性，保持边缘的时候更倾向于保持轴对齐的边缘。Xu L等在标题为Imagesmoothing via L0gradient minimization(Transactions on Graphics(TOG).ACM,2011,30(6):174.)一文提出通过极小化图像梯度的L0范数来增强图像中高对比度的边缘，从而实现图像的局部平滑，往往容易导致图像中的部分纹理不仅没有被消除反而得到增强。

应用于图像识别的特征主要有颜色、纹理、形状、角点等。Bunte等在标题为Learning effective color features for content based image retrieval in dermatology(Pattern Recognition,2011,44(9):1892-1902)一文中提出基于颜色特征的图像识别技术；Kekre等在标题为Image Retrieval using Texture Features extracted fromGLCM,LBG and KPE(International Journal of Computer Theory and Engineering,2010,2(5):1793-8201)一文中提出基于纹理特征的图像识别技术；Kekre等在标题为Image Retrieval with Shape Features Extracted using Gradient Operators andSlope Magnitude Technique with BTC(International Journal of ComputerApplications,2010,6(8):28-33.)一文中提出的基于形状特征的检索技术；这些单一特征仅反映了图案的某一方面的特征，不能全面表征图案特征，仅利用某个特征进行图案识别往往不够准确。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种多特征融合的织物扫描图案识别方法，其通过AdaBoost算法融合四类特征建立分类器，实现图案识别，相比采用单特征识别算法有较高的准确率。

一种多特征融合的织物扫描图案识别方法，包括如下步骤：

(1)对图像库中的样本图像依次进行纹理抑制快速平滑滤波以及灰度化的预处理操作；

(2)对预处理后的样本图像进行特征提取，提取样本图像的主颜色自相关直方图、边缘梯度方向直方图、MSER(最大稳定极值区域)特征和灰度共生矩阵特征；

(3)对于图像库中任一对样本图像组合，计算这对样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将这四个相似度进行归一化处理后组成训练样本；依此遍历图像库中所有样本图像组合以得到多个训练样本；

(4)基于所有训练样本采用AdaBoost算法进行训练，以构建得到关于多类图像的AdaBoost分类器；

(5)对于待识别织物图像，根据步骤(1)至(3)计算其与图像库中每一样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将求得的这些相似度组成特征向量输入所述的AdaBoost分类器，从而识别出待识别织物图像具体属于哪一类图像。

所述的步骤(1)中对样本图像进行纹理抑制快速平滑滤波的具体过程如下：

1.1对于样本图像中的任一像素点s，计算像素点s的邻域像素梯度函数h(d_s')；

1.2对于像素点s在Lab颜色空间下对应L通道的颜色分量值L_s，根据所述的邻域像素梯度函数h(d_s')通过以下迭代方程进行分片迭代，以计算得到滤波后的颜色分量值L_s'；

Z_j＝Z_j-1+J_j×N L_s'＝Z_N

G_j＝K_j×L_s K_j＝H_j×h(d_s')

I_j＝L_min+j×(L_max-L_min)/N

其中：N为分片数且为大于1的自然数，j为自然数且1≤j≤N，L_min和L_max分别为样本图像所有像素点在Lab颜色空间下对应L通道的最小颜色分量值和最大颜色分量值，σ_g为设定的高斯分布参数，Z_j、K_j、J_j、G_j、H_j和I_j均为对应第j次迭代的中间变量，Z_j-1和Z_N分别对应为中间变量Z_j前一次迭代以及第N次迭代的结果，<G_j>和<K_j>分别对应为中间变量G_j和K_j高斯卷积后的结果；

1.3根据步骤1.2遍历像素点s在Lab颜色空间下对应a通道和b通道的颜色分量值a_s和b_s，以得到滤波后的颜色分量值a_s'和b_s'；

1.4根据步骤1.1～1.3遍历样本图像中的所有像素点，以完成对样本图像的纹理抑制快速平滑滤波。

所述邻域像素梯度函数h(d_s')的表达式如下：

$h\left({d_s}^{\&prime;}\right)=\exp (-\frac{{({d_s}^{\&prime;}-th)}^2}{2{{\mathrm{\&sigma;}}_h}^2})$

$\begin{array}{cc}{d_s}^{\&prime;}=\left\{\begin{array}{cc}{d}_s,& d_s>th\\ 0,& d_s\&le;th\end{array}\right.& d_s=\underset{p\&Subset;\mathrm{\&Omega;}}{\&Sigma;}(L_p-L_s)\end{array}$

其中：σ_h为设定的高斯分布参数，th为邻域梯度阈值，Ω为由像素点s周围八个像素点所组成的像素集合，p表示像素集合Ω中的任一像素点，L_p和L_s分别为像素点p和s在Lab颜色空间下对应L通道的颜色分量值。

所述的步骤(2)中提取样本图像主颜色自相关直方图的具体过程如下：

2.1对Lab颜色空间分两组进行量化；一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,25)、[25,50)、[50,75)、[75,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-96)、[-96,-64)、[-64,-32)、[-32,0)、[0,32)、[32,64)、[64,96)、[96,128]，使得像素点具有256种颜色；另一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,38)、[38,63)、[63,88)、[88,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-80)、[-80,-48)、[-48,-16)、[-16,16)、[16,48)、[48,80)、[80,112)、[112,128]，使得像素点具有256种颜色；

2.2将预处理后的样本图像分别按步骤2.1所述的两组量化方案进行量化，对应得到两张量化图像；

2.3对于量化图像中的任一种颜色，通过以下方法计算该颜色的颜色相关值，进而遍历256种颜色；

首先，对于量化图像中任一属于颜色c的像素点，统计以该像素点为中心边长为dis的正方形区域的区域边缘像素点数，dis为设定的距离阈值；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的区域边缘像素点数累加，记累加后的点数为M₁；

然后，对于量化图像中任一属于颜色c的像素点，统计其区域边缘像素点集合中同属于颜色c的像素点个数作为自相关像素点数；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的自相关像素点数累加，记累加后的点数为M₂；

最后，根据公式a(c)＝M₂/M₁计算得到颜色c的颜色相关值a(c)；

2.4使量化图像中各种颜色按颜色相关值从大到小排序，取前8种颜色的颜色相关值组成特征矢量；对于步骤2.2中所述的两张量化图像，使这两张量化图像对应的两组特征矢量即作为样本图像的主颜色自相关直方图。

所述的步骤(2)中提取样本图像边缘梯度方向直方图的具体过程如下：

首先，利用Sobel算子对预处理后的样本图像进行边缘检测，以检测出样本图像中的边缘像素点；

然后，计算样本图像中每一边缘像素点的梯度方向，并将梯度方向从小到大量化成16个等级；

最后，统计所有边缘像素点的梯度方向分别落在这16个等级上的个数，从而得到样本图像的边缘梯度方向直方图。

所述的步骤(2)中提取样本图像MSER特征的具体过程为：首先，对样本图像进行MSER检测，以检测出样本图像中的MSER；然后，提取各MSER的SURF(加速稳健特征)矢量组成作为样本图像的MSER特征。

所述样本图像的灰度共生矩阵特征采用由能量、熵、惯性矩、局部平稳性这四种特征所组成的特征矢量来表示。

所述的步骤(3)中基于以下算式计算任一对样本图像之间的主颜色自相关直方图相似度：

$z(u,v)=\frac{\underset{m=1}{\overset{8}{\&Sigma;}}\max \left(b_u^1\right(m),b_u^2(m\left)\right)\max \left(b_v^1\right(m),b_v^2(m\left)\right)}{\underset{m=1}{\overset{8}{\&Sigma;}}{\left(\max \right(b_u^1\left(m\right),b_u^2\left(m\right)\left)\right)}^2}$

其中：u和v均表示样本图像，为样本图像u主颜色自相关直方图的第1组特征矢量中的第m个元素值，为样本图像u主颜色自相关直方图的第2组特征矢量中的第m个元素值，为样本图像v主颜色自相关直方图的第1组特征矢量中的第m个元素值，为样本图像v主颜色自相关直方图的第2组特征矢量中的第m个元素值，z(u,v)为样本图像u和v之间的主颜色自相关直方图相似度。

所述的步骤(3)中基于以下算式计算任一对样本图像之间的边缘梯度方向直方图相似度：

$d(u,v)=\frac{\underset{n=1}{\overset{16}{\&Sigma;}}min\left(H_u\right(n),H_v(n\left)\right)}{\underset{n=1}{\overset{16}{\&Sigma;}}{H}_u\left(n\right)}$

其中：u和v均表示样本图像，H_u(n)为样本图像u的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，H_v(n)为样本图像v的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，d(u,v)为样本图像u和v之间的边缘梯度方向直方图相似度。

所述的步骤(3)中计算任一对样本图像之间MSER特征相似度的具体过程为：首先，分别从两张样本图像中任取两个MSER，计算这两个MSER关于SURF矢量的欧氏距离，若求得的欧氏距离小于阈值，则表示这两个MSER特征匹配；最后，依此遍历各种MSER组合，根据两张样本图像之间特征匹配的MSER对数来表示这对样本图像之间的MSER特征相似度。

所述的步骤(3)中对于任一对样本图像之间的灰度共生矩阵特征相似度，即通过计算两张样本图像关于由能量、熵、惯性矩、局部平稳性这四种特征所组成特征矢量之间的欧氏距离得到。

本发明具有以下有益技术效果：

(1)本发明在图像预处理过程中采用了纹理抑制快速平滑滤波算法，该算法可以较快速地平滑织物图像，抑制同颜色纱线纹理和重组织边缘阴影，有效保持不同颜色纱线的边缘，避免了高斯滤波后区域之间的边缘细节被弱化以及双边滤波将纱线纹理保留为边缘等问题，有利于后续图像特征提取的有效性和准确性。

(2)本发明在图像特征提取过程中引入了主颜色自相关直方图及其相似度匹配算法，该算法可以有效提取织物图案中的主要分布颜色及空间分布特征，通过织物图像的颜色分布和主颜色的空间分布概率进行相似度匹配，具有较强的稳定性。

(3)本发明图像识别方法通过构建AdaBoost分类器融合主颜色自相关直方图、边缘梯度方向直方图、MSER特征和灰度共生矩阵特征，可以实现自动调整各类特征的权值，提高了织物图案识别率。

附图说明

图1为本发明织物图案识别方法的流程示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，本发明多特征融合的织物扫描图案识别方法，包括以下步骤：

(1)预处理。通过纹理抑制平滑滤波算法滤除纱线纹理，降低扫描噪声，并进行灰度化。

1.1采用纹理抑制快速平滑滤波算法，可以抑制同颜色纱线纹理和重组织边缘阴影，平滑相同颜色纱线的颜色，保留纱线的颜色信息和不同颜色纱线间的边缘信息。

本实施方式的纹理抑制平滑滤波算法在高斯滤波器的基础上，重新构建滤波系数，根据空间距离、色彩距离和邻域梯度距离调整邻域像素点的累加权值，并通过分段线性算法和卷积算法，对织物图像的每个像素点进行快速线性滤波，该滤波算法可以由流程表示：

1.1.1设定高斯分布参数σ_f、σ_g、σ_h、邻域梯度阈值th；

1.1.2将样本图像I转化为Lab颜色模式，得到颜色分量图像I_L、I_a、I_b；

1.1.3通过卷积计算d_s：

$d_s=\underset{p\&Subset;\mathrm{\&Omega;}}{\&Sigma;}(L_p-L_s)$

其中：p为像素点s八邻域中的像素点。

1.1.4计算d_s'和h(d_s')：

$\begin{array}{cc}{d_s}^{\&prime;}=\left\{\begin{array}{cc}{d}_s,& d_s>th\\ 0,& d_s\&le;th\end{array}\right.& h\left({d_s}^{\&prime;}\right)=\exp (-\frac{{({d_s}^{\&prime;}-th)}^2}{2{{\mathrm{\&sigma;}}_h}^2})\end{array}$

1.1.5按以下流程进行迭代计算：

其中：L_min和L_max分别为样本图像所有像素点在Lab颜色空间下对应L通道的最小颜色分量值和最大颜色分量值，N是分片数即迭代次数，表示以参数σ_f进行高斯卷积。

对图像库中的图像进行纹理抑制平滑滤波，一般可设滤波器的尺度参数分别为σ_f＝0.2，σ_g＝0.2，σ_h＝2，梯度函数的阈值设为th＝0。

1.2对平滑后的图像进行灰度化，将灰度范围为1％～99％的像素点进行线性拉伸。灰度化计算公式为：f(i,j)＝0.3×R(i,j)+0.59×G(i,j)+0.11×B(i,j)，其中R、G、B为RGB颜色分量，f(i,j)为图像中一点灰度化后的颜色值。

(2)建立特征库。对预处理后图像库中图像，分别提取主颜色自相关直方图、边缘梯度方向直方图、MSER特征、灰度共生矩阵特征并建立特征库。

2.1主颜色自相关直方图特征的提取过程：

2.1.1对CIE-Lab颜色空间进行量化，一组颜色空间进行平均量化，L颜色空间平均分成4份，即[0,25)、[25,50)、[50,75)、[75,100]，a和b颜色空间平均分成8份，即[-128,-96)、[-96,-64)、[-64,-32)、[-32,0)、[0,32)、[32,64)、[64,96)、[96,128]，共得到256种颜色；另一组颜色空间右移半个量化等级，即L颜色空间分成[0,38)、[38,63)、[63,88)、[88,100]，a和b颜色空间平均分成8份，即[-128,-80)、[-80,-48)、[-48,-16)、[-16,16)、[16,48)、[48,80)、[80,112)、[112,128]。量化后颜色分量合称为一维矢量。

2.1.2采用两组量化方案，对预处理后的彩色图像J_s进行量化，形成量化图像J_s’和J_s”。

2.1.3计算图像J_s’和J_s”中每种颜色的自相关图。对于给定距离k∈[n]，对于图像J_s’和J_s”中的每一种颜色C_i，分别计算颜色相关值α’、α”。颜色相关值的计算公式如下：

${\mathrm{\&alpha;}}_c^{\left(k\right)}\left(J\right)=\mathrm{Pr}\&lsqb;|p_1-p_2|\&le;k\&rsqb;$

其中：p₁、p₂为图像J中的两个像素点；c为某种颜色；k为像素点p₁、p₂之间的距离，k＝|p₁-p₂|＝max{|x₁-x₂|,|y₁-y₂|}；Pr为概率即计算颜色为c的自相关像素点数与该颜色的像素点及距离为k的所有像素点数的比值。

2.1.4对α’、α”按从大到小进行排序，取前8个值组成两组矢量b’、b”。

2.2边缘梯度方向直方图特征的提取过程：首先，应用Sobel算子对平滑后的织物扫描图像进行边缘检测，得到图像边缘像素点(x,y)的水平方向梯度d_x和垂直方向梯度d_y；然后计算边缘像素点的梯度方向θ(x,y)，θ(x,y)＝arctan(d_x/d_y)，为了加快检索速度，将θ量化到[1,16]；最后统计θ值的直方图H(n)，n为整数，1≤n≤16，表示梯度方向落在第n级的量化空间中的边缘像素点个数。为了保证图像的旋转不变性，选择直方图中最大频数的方向为主方向，设为1，其他方向值相应循环移位。

2.3MSER特征提取过程：首先对平滑后的灰度织物扫描图像进行MSER检测，然后提取各MSER的SURF特征，形成各区域的特征矢量。

2.4灰度共生矩阵特征的提取：本实施方式采用以下4种灰度共生矩阵特征来表征织物扫描图像的图案特征，计算公式分别为：

2.4.1能量(反映图像灰度分布均匀程度和纹理粗细度)：

$ASM=\underset{i=0}{\overset{N_g-1}{\&Sigma;}}\underset{j=0}{\overset{N_g-1}{\&Sigma;}}{P}^2(i,j)$

2.4.2熵(反映图像纹理的非均匀程度)：

$H=-\underset{i=0}{\overset{N_g-1}{\&Sigma;}}\underset{j=0}{\overset{N_g-1}{\&Sigma;}}P(i,j)\ln P(i,j)$

2.4.3惯性矩(反映图像纹理的明暗程度)：

$CON=\underset{n=0}{\overset{N_g-1}{\&Sigma;}}{n}^2\left\{\underset{i=0}{\overset{N_g-1}{\&Sigma;}}\underset{j=0}{\overset{N_g-1}{\&Sigma;}}P(i,j)\right\}$

2.4.4局部平稳(反映图像纹理的同性质)：

$IDM=\underset{i=0}{\overset{N_g-1}{\&Sigma;}}\underset{j=0}{\overset{N_g-1}{\&Sigma;}}\frac{P(i,j)}{1+{(i-j)}^2}$

(3)相似度计算。分别计算特征库中各样本图像间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度和灰度共生矩阵特征相似度。

3.1主颜色自相关直方图相似度d_s,c采用图像s和c的主颜色自相关直方图特征矢量b_s’、b_s”与图像库图像特征b_c’、b_c”相似性计算。

$d_{s,c}=\frac{\underset{m=1}{\overset{8}{\&Sigma;}}max\left({b_s}^{\&prime;}\right(m),{b_s}^{\&prime;\&prime;}(m\left)\right)max\left({b_c}^{\&prime;}\right(m),{b_c}^{\&prime;\&prime;}(m\left)\right)}{\underset{m=1}{\overset{8}{\&Sigma;}}{\left(\max \right({b_s}^{\&prime;}\left(m\right),{b_s}^{\&prime;\&prime;}\left(m\right)\left)\right)}^2}$

3.2边缘梯度方向直方图相似度d(s,c)采用直方图相交法来计算，计算公式为：

$d(s,c)=\frac{\underset{k=1}{\overset{16}{\&Sigma;}}min\left(H_s\right(k),H_c(k\left)\right)}{\underset{k=1}{\overset{16}{\&Sigma;}}{H}_s\left(k\right)}$

其中：H_s和H_c分别为图像s和c的边缘梯度方向直方图。

3.3两幅图像之间的MSER特征相似度计算，即通过计算两幅图像中的某两个MSER关于SURF的欧氏距离，与阈值进行比较，小于阈值的，则表示这两个MSER区域特征是匹配的；否则，认为不匹配。最后两幅图像之间的MSER特征相似度根据这两幅图像中MSER的匹配数量来衡量。两个MSER关于SURF的欧氏距离d(s_i,c_j)，计算公式为：

$d(s_i,c_j)={\left(\underset{k=1}{\overset{64}{\&Sigma;}}\right(M_{k,s_i}-M_{k,c_j}\left)\right)}^{1/2}$

其中：s_i表示图像s的第i个MSER，c_j表示图像c的第j个MSER，M表示SURF特征矢量。如果d(s_i,c_j)小于相似距离阈值D_min，那么表示图像s第i个MSER与图像c的第j个MSER相似。

3.4两幅图像的灰度共生矩阵特征相似度通过特征矢量的欧氏距离衡量。

(4)构建AdaBoost分类器。对图像库各个样本图像间的相似度进行归一化，归一化的结果作为训练样本，采用AdaBoost算法进行训练，M设为5，最大迭代次数设为600，获得AdaBoost分类器。AdaBoost算法的具体步骤如下：

4.1归一化。计算样本x的均值u_d和方差δ_d，进行高斯归一化，那么样本x_i归一化后为：

4.2初始化样本x_i权值D_i。若正负样本数目分别为N₊和N_-，则正样本D₁(i)＝1/(2×N₊)，负样本D₁(i)＝1/(2×N_-)。

4.3迭代。对于m＝1,…,M；

4.3.1训练弱分类器f_m(x)＝L(D,D_m)∈{-1,+1}；

4.3.2估计f_m(x)的分类错误率e_m，e_m<0.5；

4.3.3估计f_m(x)的权重

4.3.4根据f_m(x)调整各样本权重，并归一化。

4.4权值调整：

然后进行归一化：

4.5最后的强分类器为：

(5)对于待识别的图像，先作预处理，提取图像的主颜色自相关直方图、灰度共生矩阵特征、MSER特征以及边缘梯度方向直方图；再分别计算待识别图像与每张样本图像之间关于边缘梯度方向直方图、MSER特征、灰度共生矩阵特征、主颜色自相关直方图的相似度，并共同组成识别样本，通过已建立的AdaBoost分类器进行分类识别。

上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种多特征融合的织物扫描图案识别方法，包括如下步骤：

(1)对图像库中的样本图像依次进行纹理抑制快速平滑滤波以及灰度化的预处理操作；

(2)对预处理后的样本图像进行特征提取，提取样本图像的主颜色自相关直方图、边缘梯度方向直方图、MSER特征和灰度共生矩阵特征；

(3)对于图像库中任一对样本图像组合，计算这对样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将这四个相似度进行归一化处理后组成训练样本；依此遍历图像库中所有样本图像组合以得到多个训练样本；

(4)基于所有训练样本采用AdaBoost算法进行训练，以构建得到关于多类图像的AdaBoost分类器；

(5)对于待识别织物图像，根据步骤(1)至(3)计算其与图像库中每一样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将求得的这些相似度组成特征向量输入所述的AdaBoost分类器，从而识别出待识别织物图像具体属于哪一类图像。

2.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(1)中对样本图像进行纹理抑制快速平滑滤波的具体过程如下：

1.1对于样本图像中的任一像素点s，通过以下公式计算像素点s的邻域像素梯度函数h(d_s')：

$h\left({d_s}^{\&prime;}\right)=\exp (-\frac{{({d_s}^{\&prime;}-th)}^2}{2{{\mathrm{\&sigma;}}_h}^2})$

$\begin{array}{cc}{d_s}^{\&prime;}=\left\{\begin{array}{cc}{d}_s,& d_s>th\\ 0,& d_s\&le;th\end{array}\right.& d_s=\underset{p\&Subset;\mathrm{\&Omega;}}{\&Sigma;}(L_p-L_s)\end{array}$

其中：σ_h为设定的高斯分布参数，th为邻域梯度阈值，Ω为由像素点s周围八个像素点所组成的像素集合，p表示像素集合Ω中的任一像素点，L_p和L_s分别为像素点p和s在Lab颜色空间下对应L通道的颜色分量值；

1.2对于像素点s在Lab颜色空间下对应L通道的颜色分量值L_s，根据所述的邻域像素梯度函数h(d_s')通过以下迭代方程进行分片迭代，以计算得到滤波后的颜色分量值L_s'；

Z_j＝Z_j-1+J_j×N L_s'＝Z_N

G_j＝K_j×L_s K_j＝H_j×h(d_s')

I_j＝L_min+j×(L_max-L_min)/N

其中：N为分片数且为大于1的自然数，j为自然数且1≤j≤N，L_min和L_max分别为样本图像所有像素点在Lab颜色空间下对应L通道的最小颜色分量值和最大颜色分量值，σ_g为设定的高斯分布参数，Z_j、K_j、J_j、G_j、H_j和I_j均为对应第j次迭代的中间变量，Z_j-1和Z_N分别对应为中间变量Z_j前一次迭代以及第N次迭代的结果，〈G_j〉和〈K_j〉分别对应为中间变量G_j和K_j高斯卷积后的结果；

1.3根据步骤1.2遍历像素点s在Lab颜色空间下对应a通道和b通道的颜色分量值a_s和b_s，以得到滤波后的颜色分量值a_s'和b_s'；

1.4根据步骤1.1～1.3遍历样本图像中的所有像素点，以完成对样本图像的纹理抑制快速平滑滤波。

3.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像主颜色自相关直方图的具体过程如下：

2.1对Lab颜色空间分两组进行量化；一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,25)、[25,50)、[50,75)、[75,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-96)、[-96,-64)、[-64,-32)、[-32,0)、[0,32)、[32,64)、[64,96)、[96,128]，使得像素点具有256种颜色；另一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,38)、[38,63)、[63,88)、[88,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-80)、[-80,-48)、[-48,-16)、[-16,16)、[16,48)、[48,80)、[80,112)、[112,128]，使得像素点具有256种颜色；

2.2将预处理后的样本图像分别按步骤2.1所述的两组量化方案进行量化，对应得到两张量化图像；

2.3对于量化图像中的任一种颜色，通过以下方法计算该颜色的颜色相关值，进而遍历256种颜色；

首先，对于量化图像中任一属于颜色c的像素点，统计以该像素点为中心边长为dis的正方形区域的区域边缘像素点数，dis为设定的距离阈值；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的区域边缘像素点数累加，记累加后的点数为M₁；

然后，对于量化图像中任一属于颜色c的像素点，统计其区域边缘像素点集合中同属于颜色c的像素点个数作为自相关像素点数；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的自相关像素点数累加，记累加后的点数为M₂；

最后，根据公式a(c)＝M₂/M₁计算得到颜色c的颜色相关值a(c)；

2.4使量化图像中各种颜色按颜色相关值从大到小排序，取前8种颜色的颜色相关值组成特征矢量；对于步骤2.2中所述的两张量化图像，使这两张量化图像对应的两组特征矢量即作为样本图像的主颜色自相关直方图。

4.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像边缘梯度方向直方图的具体过程如下：

首先，利用Sobel算子对预处理后的样本图像进行边缘检测，以检测出样本图像中的边缘像素点；

然后，计算样本图像中每一边缘像素点的梯度方向，并将梯度方向从小到大量化成16个等级；

最后，统计所有边缘像素点的梯度方向分别落在这16个等级上的个数，从而得到样本图像的边缘梯度方向直方图。

5.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像MSER特征的具体过程为：首先，对样本图像进行MSER检测，以检测出样本图像中的MSER；然后，提取各MSER的SURF矢量组成作为样本图像的MSER特征。

6.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述样本图像的灰度共生矩阵特征采用由能量、熵、惯性矩、局部平稳性这四种特征所组成的特征矢量来表示。

7.根据权利要求3所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中基于以下算式计算任一对样本图像之间的主颜色自相关直方图相似度：

$z(u,v)=\frac{\underset{m=1}{\overset{8}{\&Sigma;}}max\left(b_u^1\right(m),b_u^2(m\left)\right)max\left(b_v^1\right(m),b_v^2(m\left)\right)}{\underset{m=1}{\overset{8}{\&Sigma;}}{\left(max\right(b_u^1\left(m\right),b_u^2\left(m\right)\left)\right)}^2}$

其中：u和v均表示样本图像，为样本图像u主颜色自相关直方图的第1组特征矢量中的第m个元素值，为样本图像u主颜色自相关直方图的第2组特征矢量中的第m个元素值，为样本图像v主颜色自相关直方图的第1组特征矢量中的第m个元素值，为样本图像v主颜色自相关直方图的第2组特征矢量中的第m个元素值，z(u,v)为样本图像u和v之间的主颜色自相关直方图相似度。

8.根据权利要求4所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中基于以下算式计算任一对样本图像之间的边缘梯度方向直方图相似度：

$d(u,v)=\frac{\underset{n=1}{\overset{16}{\&Sigma;}}min\left(H_u\right(n),H_v(n\left)\right)}{\underset{n=1}{\overset{16}{\&Sigma;}}{H}_u\left(n\right)}$

其中：u和v均表示样本图像，H_u(n)为样本图像u的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，H_v(n)为样本图像v的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，d(u,v)为样本图像u和v之间的边缘梯度方向直方图相似度。

9.根据权利要求5所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中计算任一对样本图像之间MSER特征相似度的具体过程为：首先，分别从两张样本图像中任取两个MSER，计算这两个MSER关于SURF矢量的欧氏距离，若求得的欧氏距离小于阈值，则表示这两个MSER特征匹配；最后，依此遍历各种MSER组合，根据两张样本图像之间特征匹配的MSER对数来表示这对样本图像之间的MSER特征相似度。

10.根据权利要求6所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中对于任一对样本图像之间的灰度共生矩阵特征相似度，即通过计算两张样本图像关于由能量、熵、惯性矩、局部平稳性这四种特征所组成特征矢量之间的欧氏距离得到。