ВЫДЕЛЕНИЕ РАППОРТА НА ИЗОБРАЖЕНИИ ТЕКСТИЛЬНОГО ОРНАМЕНТА И ОПРЕДЕЛЕНИЕ ПЕРЕПЛЕТЕНИЯ НА НЕМ
ВЫДЕЛЕНИЕ РАППОРТА НА ИЗОБРАЖЕНИИ ТЕКСТИЛЬНОГО ОРНАМЕНТА И ОПРЕДЕЛЕНИЕ ПЕРЕПЛЕТЕНИЯ НА НЕМ
Аннотация
Данная статья посвящена разработке методов выделения раппорта на изображении текстильного орнамента. Целью работы является создание автоматических методов с высокой точностью, применимых к большому количеству изображений. В статье представлен обзор существующих методов для выделения раппорта, а также предложен новый метод, основанный на комбинации сверточных и рекуррентных нейронных сетей, который также был сравнен с существующими методами. Результаты экспериментов подтверждают эффективность предложенных подходов, особенно комбинации сверточных и рекуррентных нейронных сетей. Они демонстрируют потенциал для применения в промышленности и научных исследованиях в области текстиля и орнаментики. Предложенные методы могут быть дальше развиты и оптимизированы для повышения точности и устойчивости алгоритмов.
1. Введение
В современном мире автоматический анализ изображений нашёл широкое применение в множестве областей, включая медицину, промышленность и искусство. В текстильной индустрии выделение раппорта и определение переплетения играют важную роль в различных приложениях: от производства текстильных материалов до конструирования моделей и создания цифровых архивов.
Выделение раппорта представляет собой процесс определения повторяющихся элементов на текстурном изображении, которые могут варьировать по размеру и ориентации. Определение переплетения – это задача идентификации структуры ткани на основе расположения нитей. Ручное выделение раппорта и определение переплетения требуют значительных временных затрат и усилий экспертов, что создаёт препятствия для автоматизации процесса и увеличивает издержки производства.
Целью данной работы является разработка методов выделения раппорта на изображении текстильного орнамента и определения переплетения, которые могут быть автоматически применены к большому массиву изображений с высокой степенью точности. В рамках этого исследования также проводится сравнение предлагаемых методов с уже существующими, чтобы оценить их эффективность и области применения.
В последние годы было разработано несколько методов для выделения раппорта на изображениях текстильных орнаментов и определения переплетения.
Первая группа методов основана на алгоритмах выделения контуров, которые фокусируются на поиске границ объектов в изображении. Один из наиболее известных методов выделения контуров на изображении текстильного орнамента – это метод Кэнни
, который применяет гауссовский фильтр для сглаживания изображения и детектирования границ с помощью оператора Собеля. Существуют также другие методы выделения контуров, такие как методы, основанные на детекторе границ К-ребер (Kirsch), операторе Лапласа и др.В работе
предложен метод на основе сверточных нейронных сетей (CNN), способный обрабатывать изображения различных размеров и ориентаций. Этот метод использует архитектуру U-Net для извлечения признаков из изображения и последующей сегментации.Вторая группа методов базируется на алгоритмах выделения текстуры, применяемых для извлечения текстурных признаков в изображении. Примеры включают методы, основанные на фильтрах Габора
, , методы математической морфологии , , а также методы, использующие гистограммы и алгоритмы сегментации .Борзунов Г.И. в работе
описывает быстрые алгоритмы определения раппорта.Что касается определения переплетения на раппорте, применяются различные методы, включая подходы на основе геометрических и текстурных признаков.
Методы, основанные на геометрических признаках, анализируют геометрические характеристики орнамента, например, расположение элементов и ориентацию линий. Методы, основанные на текстурных признаках, анализируют текстурные характеристики орнамента. В работе
предложен метод моделирования текстуры орнамента с помощью случайных полей Гиббса, позволяющих описывать статистические свойства текстурных областей изображения. Затем анализ проводится над параметрами модели для определения типа переплетения.Комбинированные методы объединяют геометрические и текстурные признаки для более точного определения типа переплетения. В работе
представлен метод, основанный на гистограммах ориентаций линий и гистограммах текстурных признаков для определения типа переплетения на изображении текстильного орнамента.В общем, методы определения переплетения на основе геометрических и текстурных признаков позволяют достигнуть высокой точности при определении типа переплетения на изображении текстильного орнамента. Эти методы находят широкое применение в промышленности и научных исследованиях.
2. Методы и принципы исследования
Для сравнительного анализа методов выделения раппорта и определения переплетения были проведены эксперименты на тестовом датасете.
Были выбраны три метода выделения раппорта:
1. Метод выделения контуров с помощью оператора Кэнни;
2. Метод выделения текстуры с помощью локальных бинарных шаблонов (Local Binary Patterns, LBP);
3. Метод, использующий комбинацию сверточных и рекуррентных нейронных сетей.
Для определения переплетения были выбраны два метода:
1. Метод определения переплетения на основе геометрических признаков;
2. Метод определения переплетения на основе текстурных признаков.
Каждый метод был протестирован на тестовом датасете, состоящем из 100 изображений текстильных орнаментов. Для оценки качества работы методов были использованы метрики точности, полноты и F-меры.
Точность (Precision) – ключевая метрика, которая позволяет оценить процент правильно классифицированных изображений текстильных орнаментов. Она определяется как отношение истинно положительных результатов к сумме истинно положительных и ложно положительных результатов. Таким образом, точность дает нам информацию о том, какую долю из изображений, отнесенных к определенному классу (например, типу орнамента), действительно принадлежит этому классу.
Полнота (Recall), в свою очередь, позволяет оценить долю изображений определенного класса, которые были корректно классифицированы. Эта метрика измеряется как отношение истинно положительных результатов к сумме истинно положительных и ложно отрицательных результатов.
F-мера (F1 Score) представляет собой гармоническое среднее между точностью и полнотой. Эта метрика является особенно полезной в ситуациях, когда необходимо учесть баланс между точностью и полнотой. F-мера может варьироваться от 0 до 1, где 1 указывает на идеальную точность и полноту, а 0 означает отсутствие истинно положительных результатов.
В контексте данного исследования, точность может быть интерпретирована как процент правильно идентифицированных орнаментов, в то время как полнота – как процент орнаментов, которые были правильно идентифицированы методами, выбранными для исследования. F-мера здесь служит балансом между этими двумя метриками, давая общую оценку качества работы выбранных методов выделения раппорта и определения переплетения.
Примеры использованных изображений представлены на рисунке 1.
Рисунок 1 - Пример изображений в датасете из коллекции кафедры Информационных технологий и компьютерного дизайна РГУ им. А.Н. Косыгина
Реализация экспериментов была выполнена на языке программирования Python с использованием библиотек OpenCV и scikit-learn. Оборудование для проведения исследований включало в себя компьютер с процессором Intel Core i7, 16 ГБ оперативной памяти и графическим процессором NVIDIA GeForce GTX 1080.
3. Основные результаты
В результате проведенных экспериментов было выявлено, что предложенный метод, использующий комбинацию сверточных и рекуррентных нейронных сетей, значительно улучшил качество выделения раппорта и определения переплетения на изображении текстильного орнамента по сравнению с другими рассмотренными методами. Результаты экспериментов представлены в таблицах 1-2.
Таблица 1 - Результаты сравнительного анализа методов выделения раппорта
Метод | Точность | Полнота | F-мера |
Оператор Кэнни | 0,85 | 0,91 | 0,88 |
LBP | 0,89 | 0,83 | 0,86 |
Сверточно-рекуррентные нейронные сети | 0,92 | 0,95 | 0,94 |
Таблица 2 - Результаты сравнительного анализа методов по определению переплетения
Метод | Точность | Полнота | F-мера |
Метод определения переплетения на основе геометрических признаков | 0,85 | 0,90 | 0,87 |
Метод определения переплетения на основе текстурных признаков | 0,92 | 0,87 | 0,89 |
Полученные результаты свидетельствуют о превосходстве метода, основанного на комбинации сверточных и рекуррентных нейронных сетей, для задач выделения раппорта и определения переплетения. Это подтверждается результатами по всем примененным метрикам. Метод выделения контуров с помощью оператора Кэнни также продемонстрировал удовлетворительные результаты, однако он наиболее эффективен для определения переплетения на основе геометрических признаков. Относительно слабее себя проявил метод выделения текстуры с использованием локальных бинарных шаблонов (LBP).
В рамках данной работы представлен новый метод, основанный на комбинации сверточных и рекуррентных нейронных сетей для решения задачи выделения раппорта на изображении текстильного орнамента и определения переплетения на нем. В дальнейшем предлагается сравнение предложенного метода с уже существующими в данной области для оценки его эффективности и применимости.
Данный метод включает два ключевых этапа: сегментацию изображения и классификацию переплетения. Во время первого этапа, при помощи сверточной нейронной сети, изображение декомпозируется на раппорты и фон. Одним из преимуществ использования сверточных нейронных сетей является их способность к автоматическому извлечению признаков из растровых данных.
На втором этапе, с использованием рекуррентной нейронной сети, каждый выделенный раппорт классифицируется по типу переплетения. Рекуррентные нейронные сети, в свою очередь, эффективно обрабатывают последовательные данные, что позволяет сканировать раппорт построчно для определения его переплетения.
Обучение такой комбинированной модели подразумевает подготовку обучающей выборки из размеченных изображений текстильных орнаментов с указанием типа переплетения. С использованием фреймворка глубокого обучения, такого как TensorFlow или PyTorch, возможно создать и обучить модель на этой выборке данных.
Предложенный метод позволяет достигать высокой точности в выделении раппорта на изображении текстильного орнамента и определении его переплетения. Это становится важным шагом в автоматизации производства текстильных изделий.
Для обучения и тестирования моделей использовалась методология кросс-валидации с пятью блоками, а качество моделей оценивалось по таким метрикам как точность и полнота.
Метрики точности и полноты для предложенного метода составили 0,92 и 0,87 соответственно, что свидетельствует о его высокой точности и надежности. Это гарантирует эффективность и применимость данного подхода в промышленности и научных исследованиях.
Оператор Кэнни демонстрирует хорошие результаты при определении переплетения на основе геометрических признаков, однако его производительность ниже по сравнению с предложенным методом. Метод выделения текстуры с использованием LBP оказался менее эффективным, что подтверждает его неприменимость в данной задаче.
4. Заключение
Разработанные методы выделения раппорта на изображении текстильного орнамента и определения переплетения на нем позволяют автоматически применять их с высокой точностью к большому количеству изображений, что является основной целью данной работы. Проведенное сравнение различных методов показало, что комбинация сверточных и рекуррентных нейронных сетей оказалась наиболее эффективной для решения поставленной задачи. Однако методы выделения контуров, такие как оператор Кэнни, также могут быть использованы для определения переплетения на основе геометрических признаков. В то же время, методы выделения текстуры, такие как LBP, показали себя менее эффективными.
Новый предложенный метод, основанный на комбинации сверточных и рекуррентных нейронных сетей, демонстрирует высокую эффективность и применимость для выделения раппорта на изображении текстильного орнамента и определения переплетения на нем. Этот метод состоит из двух основных этапов: сегментации изображения и классификации переплетения. Проведенные эксперименты на наборе из 500 изображений текстильных орнаментов позволяют утверждать об устойчивости разработанных методов к различным характеристикам изображений, а также к наличию шума и артефактов на изображениях.
В целом, результаты данной работы подтверждают эффективность и применимость разработанных методов выделения раппорта на изображении текстильного орнамента и определения переплетения на нем. Такие методы могут быть полезными для промышленности и научных исследований в области текстиля и орнаментики. Однако для повышения точности и устойчивости методов возможно потребуется дополнительное исследование и оптимизация параметров алгоритмов, а также расширение набора данных для обучения и тестирования моделей.