半身裙视错图案的感官舒适度主客观评价

王佳宁 刘成霞

摘要： 针对服装视错图案客观性评价欠缺的问题，提出了一种利用灰度共生矩阵、小波分析和BP神经网络来客观评价视错图案感官舒适度的方法。提取10款视错裙图像灰度共生矩阵的对比度、相关性、熵值、均匀度和能量值5个特征参数，以及Haar小波分解五层时水平、垂直和对角线方向上的维度特征参数。最后选取这两类纹理特征值中与主观评价结果显著相关的特征参数，输入到BP神经网络中进行迭代训练和预测评估。结果显示：该算法的识别正确率高达100%，预测效果较好，可以利用灰度共生矩阵、小波分析和BP神经网络相结合的方法，进行视错图案感官舒适度的客观评价。

关键词： 视错图案;感官舒适度;灰度共生矩阵;小波分析;BP神经网络

Abstract： Aiming at the lack of objective evaluation of the apparel with optical illusion pattern， a method to objectively evaluate the sensory comfort of optical illusion patterns was proposed by using Gray-level Co-occurrence Matrix（GLCM）， wavelet analysis and Back Propagation（BP） neural network. Five characteristic parameters of the GLCM（including contrast， correlation， entropy， uniformity and energy value） were extracted from 10 skirts images with optical illusion. Besides， the dimensional characteristic parameters were extracted in horizontal， vertical and diagonal directions when Haar wavelet decomposed five layers. Finally， the characteristic parameters that were significantly related to the subjective evaluation results were selected from the two texture feature values. Then， they were input into the BP neural network for iteration training and forecast evaluation. The results show that the proposed algorithm has a correct recognition rate of 100%， with good forecast effect. Thus， gray-level co-occurrence matrix， wavelet analysis and BP neural network can be combined for objective evaluation of the sensory comfort of optical illusion patterns.

Key words： optical illusion pattern; sensory comfort; Gray-level Co-occurrence Matrix; wavelet analysis; BP neural network

服裝视错图案能够通过线条、形状、色彩、质感等形成错视效果，将人们的视觉重心转移而改善人体的缺陷，起到优于实际外观、增强设计感和趣味性等作用，也能影响人们的主观感受。同款条纹图案在方向、大小等变换下，会在服装上呈现出不同的视错效果[1]，给人们带来的舒适感也不尽相同。但现阶段学者们对视错服装的研究主要在于效用方面[2]，尚缺少用客观手段来表征视错图案对人舒适度产生的具体影响。

图像处理技术在纺织服装领域中应用广泛，国内外学者研究发现，利用灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）、小波分析等，可提取织物图像的客观纹理特征参数[3-4]，并以此建立织物性能等级的客观评判模型。蒋真真等[5]在图像灰度分布特征分析的基础上，建立了基于反向传播（Back Propagation，BP）神经网络的缝纫平整度评价预测模型;张宁等[6]提出了将灰度共生矩阵、小波分析和BP神经网络相结合，对织物缝纫平整度进行自动评估的方法。可见灰度共生矩阵、小波分析和BP神经网络技术在纹理识别与分类中具有广泛的应用价值，但是否适用于视错图像的分析与识别，尚需要进行证实。

针对上述问题，本文尝试将灰度共生矩阵、小波分析和BP神经网络相结合，用于预判视错图案的感官舒适度评价。首先制作不同层次的视错裙并采集样本图像;其次提取灰度共生矩阵参数和Haar小波细节系数标准差，作为客观评价指标，并分析其客观指标与主观评价结果之间的关系;最后将与主观评价结果有显著相关性的特征参数，作为特征向量输入到BP神经网络中集成，实现视错图案感官舒适度等级的自动评估，为设计视错服装提供一种预判方法。

1 样本制作与图像采集

1.1 视错裙制作

选取一种由圆心向外发散的波浪形图像作为视错图案原型（图1），16等分波浪圆的图案具有较好的视错感。将波浪线条的粗细设为1、2、3 cm，波浪线条与间距宽度比分别为1︰1、1︰2、1︰3，按照相同位置和方向（图1黑框处），以300 ppi的图像分辨率印制在尺寸为100 cm×75 cm的涤纶布上，并从波浪汇聚中心处裁片，制成版型相同的半身裙。选择波浪条纹作为研究对象的目的在于，波浪条纹的形态较容易控制，且波浪视错裙具有一定的市场价值。对于体型偏胖的人来说，可以通过波浪条纹的视错感来增加服装的立体感，而不增加服装本身的厚重感。为保证图案的完整，在版型绘制上，将半身裙的腰省转移至下摆，按照160/84A人台的数据，将成衣尺寸设计为腰围65 cm（1 cm放松量），臀围94 cm（2 cm放松量且拼合腰省后增大2 cm），裙长64.5 cm，裙摆宽度74 cm。

半身裙视错图案的感官舒适度主客观评价

1.2 样本图像采集

将制作好的视错裙穿在人台上，在控制单向光源的密闭空间中，利用数码相机进行图像采集，定点拍摄方式和相机位置，如图2所示。其中，定点位置距离人台90 cm;将半身裙采用“一点”（图2圆形处）和“两点”（图2矩形处）的试穿手法，制造不同的裙摆弧度;调整相机至中心及距离中心上、下、左、右各10 cm的位置，并保持镜头平面与视线垂直（图2细虚线），拍出不同角度的视错裙图像，确保样本的广泛性。最后，用Photoshop软件将拍摄图片裁剪成768 ppi×1 024 ppi的图像，并用中值滤波器对图像进行预处理，去除织物组织结构等噪声的影响，突出图像的纹理特征。因制作的样板使裙片与人台的间隙量较小较为贴合，故产生的褶皱数量也随之较少。结合本文介绍的两种穿法，将裙身平整地穿挂在人台上，视错上带来的褶皱完全是因为波浪图案而造成的，因此没有讨论图案上的波浪与裙子形成褶的数量和形态，以及样板和面料对裙子形成褶的数量、形态所产生的影响。

图像的命名方式为线条宽度与间距比例的组合，如图像“2.3”指线条粗细为2 cm、线条与间距宽度比为1︰3的视错裙。实验用视错裙共10条，其中除图像“1.1*”中心为凹形波浪外，其余图像中心均为凸形波浪。表1为10幅视错裙在“一点”式穿法下，且相机在中心位置拍摄的图像。因每条裙子有两种穿法，且每种穿法有5个相机位置，故共计100幅图像。其中有75幅作为BP神经网络的训练集，另外25幅作为测试集。

1.3 主观评价

本文涉及的舒适度并非热湿舒适性或接触舒适性等，而是指人们观看视错裙图像时主观心境的舒适感受，有无烦躁不适感等，因此称之为感官舒适度。但区别于触觉感官、听觉感官和嗅觉感官，本文涉及的感官为视觉感官，即因为肉眼观察到视错图案，对大脑产生视觉冲击而带来的主观感受，以此获得人们最直观的感受，具有一定市场价值。选取73名在校学生参与舒适度的主观评价测试，从本科生到博士生，年龄范围为20～43岁，其中41名为服装专业学生，32名为非服装专业学生。因服装专业的学生具有一定鉴别能力，对服装的认识和识别有较高的把握，非服装专业的学生代表一般消费者，整体上能够基本代表中坚消费者群体。将感官舒适度设为5级，为降低主观评价的模糊性，令被试者将实验图像中感到最不舒适的评价为“1”，有点不适的评价为“2”，与平静状态相当、既没有舒适也没有不适感的评价为“3”，有点舒适的评价为“4”，最舒适的评价为“5”，从而量化实验视错裙的主观评价等级。感官舒适度等级的主观评价均值及其隶属等级见表1。虽频数分析比均值更能细致地说明主观评价的差异和分布，但因本文的目的是明确图像处理客观评价与人们主观感受之间的关系，需要得到主观评价的确定等级，均值能够反映整体平均水平，进而后续准确识别和预测感官评价的等级。

为探索主观评价是否具有良好的一致性，通过SPSS软件的ANOVA单因素方差分析计算组间差异，得到p值=0.108>0.05，故各被试者的主观评价没有明显差异;随后采用独立样本T检验的方法探索评价结果是否受专业和性别的影响，分别求得p值为0.642和0.486，均大于0.05，故主观评价没有因专业和性别的不同而呈明显差异。

由表1可知，线条宽度越大，人们的主观舒适度越高;随间距比例的增大，主观舒适度也呈增大的趋势，在间距比例为1︰3时舒适度等级出现重合，但舒适度均值仍符合线性增长趋势;中心线为凹形波纹的舒适度略低于凹形，然而整体差别不大，隶属等级也相同。可见，当线条过于密集且较细时，舒适度偏低;随着线条逐渐稀疏并加粗，舒适度明显增加，但当线条间距稀疏到一定程度后，舒适度增长缓慢。因此，在设计条纹类服装时，线条的粗细和比例至关重要，能够直接影响消费者的购买兴趣。

2 利用图像处理技术分析视错图案

2.1 灰度共生矩阵

灰度共生矩阵是一种通过研究灰度图像的相关特性来描述纹理的常用方法。由于纹理是从空间位置的灰度分布上形成的，因此在图像空间中分离一定距离的两个像素之间存在一定的灰度关系，即图像中灰度级的空间相关性。通过统计获得图像上具有一定距离的像素从而获得灰度共生矩阵，并且可以通过研究灰度的空间相关性来描述图像的纹理[7]。为了更直观地以共生矩阵描述纹理状况，通常可以用一些标量来表征灰度共生矩阵的特征，典型的有以下几种[8]，其中函数P为灰度共生矩阵。

灰度共生矩阵元素在行和列的值更均匀、图像灰度分布更随机、纹理粗糙度更大而平滑性更小，从而视错图案的纹理更模糊、视错效果降低。可见视错线条的粗细和间距与灰度共生矩阵的各特征值之间有一定的联系。

因此，计算灰度共生矩阵各特征值与主观评价等级的Pearson相关系数，可知W1与感官舒适度等级呈显著负相关（r=-0952**）;其余特征参数W2（r=0.943**）、W3（r=0718*）、W4（r=0.952**）和W5（r=0.709*）呈显著正相关。其中，“*”在0.05级别（双尾）显著相关;“** ”在0.01级别（双尾）显著相关。此外，灰度共生矩阵各参数与感官舒适度均值之间的相关系数与上述r值相差不大，均在0.01级别（双尾）呈现显著相关性。由此验证了均值比等级更能精确量化视错图案的感官舒适度，也表明视错图案的纹理特征可以用灰度共生矩阵来量化。

2.2 Haar小波分析

小波分析具有放大局部突变信号的能力，能够对图像信号进行精细的划分，提取有用的特征信息，表达图像表面的纹理特征，被广泛应用于各类纺织品视觉检验领域[9]。图4为利用Matlab系统默认的Haar小波分析，分解一层和两层的原理示意。

其中A代表水平和垂直方向的低频成分，可继续分解;H代表水平方向的细节;V代表竖直方向的细节;D代表对角线方向的细节。相对应的各方向（水平、竖直和对角线）上的细节系数标准差分别为SHi、SVi和SDi。本文利用小波能量函數将视错裙灰度图像分解为5层（即i=5），提取视错裙图像在横向、纵向和整体的纹理细节系数标准差。由小波分析各细节系数标准差可知，随着分解层数的增加，水平、垂直和对角线方向的细节系数标准差均呈线性增加的趋势，表明视错纹理被分解得更细致、纹理细节更清晰。对于不同视错裙来说，随着线条粗细的增加和间距比例的增大，各个方向上的特征值基本逐渐减小，表明视错纹理清晰度和视错效果逐渐降低，与灰度共生矩阵的变化情况相同。可见Haar小波分析的特征参数对描述视错裙的纹理具有一定意义，进而分析小波分析细节系数标准差分别与感官舒适度主观评价均值和等级之间的相关系数，如图5所示。

由图5可知，除SH5和SV5外，大部分小波分析得到的各方向上的细节系数标准差与主观评价结果之间存在高度负相关性。即小波特征值参数越小，舒适度越高。但分解到第四层开始出现相关性骤减的现象，到了第五层则呈现出相关系数正负相关突变的现象。因此，为保证模型的正确性，在后续训练模型时，将SV4、SH5、SV5和SD5的特征参数去掉。

2.3 BP神经网络

为了构建感官舒适度等级的自动评估模型，采用BP神经网络对特征参数进行训练。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。从结构上讲，BP网络具有输入层、隐藏层和输出层[10]。为描述视错裙图像的纹理特征，将输入层设计为上述与主观评价等级具有显著相关性的16个特征参数，包括对比度、相关性、熵值、均匀度、能量值、SH1、SV1、SD1、SH2、SV2、SD2、SH3、SV3、SD3、SH4和SD4，将输出层设计为感官舒适度等级1～5。

输入层的节点数设为16，输出层的节点数为1。通过经验式（6）计算隐藏层节点数的范围，并依次测试m值直到BP神经网络训练稳定，最终确定隐藏层节点数为5，如图6所示。其中，包括两个隐藏层，每个隐藏层中有5个神经元（即5个节点）。

通过Trainscg学习方法进行迭代训练，神经网络训练次数为5 000，训练精度为1×10-3。随机抽取75幅图像的特征参数作为训练集，反复训练至网络输出误差的平方和最小或达到训练次数。图7为神經网络在训练中均方误差的收敛过程。

由图7可知，收敛时的训练次数为40，说明构建的神经网络具有较好的预测能力。随后，用另外25幅图像进行测试，将其灰度共生矩阵和小波参数输入到已经构建的神经网络中，进行舒适度等级识别。预测值为输入参数后通过模型自动识别的舒适度等级，期望值为1.3中被试者主观评价均值的隶属等级。识别结果显示（表2），其舒适度预测等级与期望等级完全吻合，正确率高达100%，表明灰度共生矩阵与小波分析得到的16个特征参数能够较准确地量化本文视错裙图像的纹理特征，且可用来预测波浪视错裙的感官舒适度等级。

3 结 论

本文沿用前人构建自动评判模型的方式，将获取的不同大小和比例的视错裙图像，运用灰度共生矩阵与Haar小波相结合的方法，提取特征参数。但不同点在于，本文在小波分析采用了5层分解共同分析的方式，在神经网络输入层的选取上采用择优的办法，提取16个与主观评价结果有显著相关性的特征参数，输入到BP神经网络中，构建了视错服装感官舒适度等级的自动评估模型。经测试，该算法具有较高的识别正确率，能够较准确地预测视错图案在线条粗细和间距变换下的感官舒适度等级。在实际应用时，可通过将图像的上述16个特征参数输入至模型，得到视错裙的感官舒适度等级的初步预判，再决定后续设计和制作。该模型的建立扩大了现有视错服装的研究范围，为视错图案在纺织服装中的应用提供一定的参考。由于实验条件有限，本文仅选取了一类视错图案，且为了最大限度地保留图案制成了半身裙，实验样本数量受限，从而BP神经网络的训练集较少，因此可对其他类型的视错图案和载体进行更深入的研究。

参考文献：

[1]THOMPSON P， MIKELLIDOU K. Applying the Helmholtz illusion to fashion： horizontal stripes wont make you look fatter[J]. i-Perception， 2011， 2（1）： 69-76.

[2]肖立志. 视错觉在女式职业装造型设计中的应用[J]. 纺织学报， 2014， 35（9）： 127-131.

XIAO lizhi. Application of optical illusion in modeling design of womens business wear[J]. Journal of Textile Research， 2014， 35（9）：127-131.

[3]常利利， 马俊， 邓中民， 等. 基于灰度共生矩阵的织物组织结构差异分析[J]. 纺织学报， 2008， 29（10）： 43-46.

CHANG Lili， MA Jun， DENG Zhongmin， et al. Study on identification

of fabric texture based on gray-level co-occurrence matrix[J]. Journal of Textile Research， 2008， 29（10）： 43-46.

[4]李艳梅， 仇晓坤， 蒋真真. 缝纫平整度客观评判模型的研究[J]. 丝绸， 2011， 48（4）： 28-31.

LI Yanmei， QIU Xiaokun， JIANG Zhenzhen. Research on objective evaluation model of seam pucker[J]. Journal of Silk， 2011， 48（4）： 28-31.

[5]蒋真真， 李艳梅. 基于BP网络的缝纫平整度等级客观评价[J]. 上海工程技术大学学报， 2014， 28（1）： 87-91.

JIANG Zhenzhen， LI Yanmei. Objective evaluation of seam pucker grade based on BP network[J]. Journal of Shanghai University of Engineering Science， 2014， 28（1）： 87-91.

[6]张宁， 潘如如， 高卫东. 采用图像处理的织物缝纫平整度自动评估[J]. 纺织学报， 2017， 38（4）： 145-150.

ZHANG Ning， PAN Ruru， GAO Weidong. Automatic seam puckering evaluation using image processing[J]. Journal of Textile Research， 2017， 38（4）： 145-150.

[7]任国贞， 江涛. 基于灰度共生矩阵的纹理提取方法研究[J]. 计算机应用与软件， 2014（11）： 190-192.

REN Guozhen， JIANG Tao. Study on GLCM-based texture extraction methods[J]. Computer Applications and Software， 2014（11）： 190-192.

[8]焦蓬蓬， 郭依正， 刘丽娟. 灰度共生矩阵纹理特征提取的Matlab实现[J]. 计算机技术与发展， 2012（11）： 169-171.

JIAO Pengpeng， GUO Yizheng， LIU Lijuan， et al. Implementation of gray level co-occurrence matrix texture feature extraction using Matlab[J]. Computer Technology and Development， 2012（11）： 169-171.

[9]刘成霞， 劉婷. 应用小波分析的服装关节部位抗皱性评价[J]. 纺织学报， 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.

[10]曹建达. 真丝绸透气性能的BP神经网络预测研究[J]. 丝绸， 2003（4）： 39-41.

CAO Jianda. Research on prediction of silk fabrics air permeability with BP neutral network[J]. Journal of Silk， 2003（4）： 39-41.