一种基于LBP与GLCM的服装纹理识别分类方法与流程

本发明涉及数据识别技术领域，具体地说，是一种基于lbp与glcm的服装纹理识别分类方法。

背景技术：

基于内容的图像检索技术(cbir)一般包括图像获取，特征提取，图像分类，图像检索四个阶段。cbir有两个核心问题：如何能够实现快速有效的图像分类与检索，其关键在于选用哪一种算法提取何种特征；如何建立有效的图像分类识别系统，其关键在于分类算法的选取。时尚数据库来源于网络，可以为客户提供高质量的时尚风格和时尚元素的检索，但是自然界图像纹理样式繁多，其运用在服装设计上的纹理结构也是千变万化，可想而知纹理图案的识别难度。神经网络在近年来的大放异彩促使图像领域的应用也呈百花齐放的态势，采用神经网络这种端到端的方法进行时尚元素检索自然也是最好不过了。但由于我们能获取的数据集太小，远无法满足训练神经网络模型所需的数据量，所以神经网络模型并不适合此类的图像处理，需要寻找别的方法提取图像的纹理信息进而进行分类和检索。而纹理特征作为显著的视觉特征，不仅不依赖于颜色或亮度，并且包含事物表面结构的排列与组织次序，表现出上下文内容的联系，反映图像中同质现象重复出现的视觉特征，因此采用基于内容的纹理图像检索方法是比较可行的一种用于图像描述和分类的特征。近年来，不少研究人员一直在致力于对现有纹理提取方法进行融合并对特征指数进行有效筛选，如glcm与mrf的融合，小波方法与mrf的融合等等；除此之外，研究人员也在不断尝试研究并开拓新的纹理特征提取方法，主要是纹理多尺度特征和旋转不变特征的提取；但是纹理的微观异构性，复杂性以及其应用的广泛性和概念的不明确性给纹理研究带来很大挑战。目前已有的对纹理特征描述方法的方法大致可以分为以下几类：

1.统计法：统计法的典型的分析方法是共生矩阵法，tammra方法等。利用灰度共生矩阵可得到描述纹理特征的统计量，常用的有对比度、能量、熵等七个特征。tammra提出了与人的视觉感受相关的六个纹理特征，分别是粗糙度、对比度、方向性、线性相似性、规则性和粗略度。

2.几何法：所谓几何法，是建立在纹理基元(基本的纹理元素)理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：voronio棋盘格特征法和结构法。

3.模型法：模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫(markov)随机场(mrf)模型法和gibbs随机场模型法。

4.信号处理法：纹理特征的提取与匹配主要有：灰度共生矩阵、tamura纹理特征、自回归纹理模型(sar)、小波变换等。

而方法中基于灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数；tamura纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度；自回归纹理模型是马尔可夫随机场(mrf)模型的一种应用实例。在对图像纹理特征的提取算法中，高斯马尔可夫随机场(gmrf)、局部二值模式(lbp)、灰度共生矩阵(glcm)这3种应用最为广泛，分别对应3种不同的纹理空间，即3种纹理分类的途径。

中国专利文献：cn201510347067.7，申请日：2015.06.19，公开了一种基于bof和多特征融合的纹理图像分类方法，该方法对纹理图像进行局部图像选取，形成碎片集；提取所有碎片的灰度梯度共生矩阵ggcm特征和尺度不变特征转换sift局部特征，并对不同特征进行重要性加权融合；对融合特征聚类产生特征单词，并使用动态加权鉴别能量分析gwdpa对单词进行优选和加权，再对融合特征向量使用优选和加权的特征单词进行指派，形成训练集融合特征词袋模型；采用相同方法计算待测试纹理图像的融合特征向量，并获得对应融合特征词袋；利用支持向量机svm作为分类器训练特征词袋模型。

中国专利文献：cn201510513760.7，申请日：2015.08.20公开了一种基于线分类和纹理分类的机场目标自动识别方法，该发明对机场目标的多维跑道线特征进行学习得到线特征分类器，通过线特征分类器筛选机场跑道线，无需设定大量的阈值条件，具有更广泛的适用性；对提取的直线段进行筛选并确定roi区域，而不是直接依赖大量先验知识确定roi区域；根据纹理特征学习得到的纹理特征分类器判断roi区域是否为机场目标。

上述专利文献：cn201510347067.7中一种基于bof和多特征融合的纹理图像分类方法有效克服了ggcm对于较大纹理分类正确率较低的不足，同时弥补了bof特征空间信息丢失的弱点，是一种更精准、鲁棒性好的纹理图像分类方法；专利文献：cn201510513760.7中一种基于线分类和纹理分类的机场目标自动识别方法有效避免了单纯依靠线特征分类器导致机场目标提取错误的情况，可有效提高机场目标自动识别的精度；但关于一种只需通过对少量有代表性的纹理图像进行特征提取，获得其某些统计量的特征表示，然后进行svm分类模型训练，依据所得模型去预测我们的大量商品图，从而得到检索的纹理结果的分类方法目前还未见报道。

综上所述，亟需一种只需通过对少量有代表性的纹理图像进行特征提取，获得其某些统计量的特征表示，然后进行svm分类模型训练，依据所得模型去预测我们的大量商品图，从而得到检索的纹理结果的分类方法。

技术实现要素：

本发明的目的是针对现有技术中的不足，提供一种只需通过对少量有代表性的纹理图像进行特征提取，获得其某些统计量的特征表示，然后进行svm分类模型训练，依据所得模型去预测我们的大量商品图，从而得到检索的纹理结果的分类方法。

为实现上述目的，本发明采取的技术方案是：

一种基于lbp与glcm的服装纹理识别分类方法，包括如下步骤：

s1、lbp纹理特征提取：

s11、计算图像中每个像素点的lbp模式(等价模式，或者旋转不变+等价模式)；图像划分若干为n×n的图像子块(如16×16)，计算每个子块中每个像素的lbp值；

s12、计算每个子块的lbp特征值直方图，得到n×n图像子块的直方图，再对该直方图进行归一化处理；

s13、将得到的每个子块的归一化直方图连接成一个特征向量，得到整幅图的lbp纹理特征向量；

s2、glcm纹理图像特征统计量提取函数的设计：

通过计算灰度图像得到它的共生矩阵，透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征,灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，是分析图像的局部模式和它们排列规则的基础；

s21、灰度级量化：

将图片进行直方图均衡化处理，增加灰度值的动态范围，增加影像的整体对比效果，再进行灰度级压缩；

s22、计算特征值的参数选择：

选择计算过程中的参数：方向，偏移量和灰度共生矩阵的阶数/滑动窗口尺寸；

s3、纹理特征值的计算

灰度共生矩阵的统计量包括：角二阶矩/能量(asm)、相关性(correlation)、熵(entropy)、对比度(contrast)、反差分矩阵(inversedifferentialmoment，idm)、能量(energy)、相异性(dissimilarity)、同质性/逆差距(homogeneity)、集群阴影(clustershade)、集群突出物(clusterprominence)；

普通统计量包括：峰度(kurtosis)、均值(mean)、标准差(standarddeviation)；

s31、将s3纹理特征量的计算后得到的13个特征值×0°，45°，90°，135°四个方向×1d个步长＝52个特征值的特征向量，其中4个方向可以取任意[1,4]个，得到[13,52]个特征值；

s4、使用svm算法训练特征向量，对纹理图片分类：

s41、将提取到的特征向量与类别对应上后作为svm训练特征，svm在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔最大，得到svm分类器用于纹理图像的处理；

作为一种优选的技术方案：所述s1中构建含有1个lbp纹理特征提取、10个glcm纹理特征值和3普通统计量，最后对接1个svm算法模型，每一组不同方向与步长组成的glcm特征具有不同的统计量，在训练阶段对这些不同参数的统计量进行合并，维持正常的训练；

作为一种优选的技术方案：s13中得到整幅图的lbp纹理特征向量为灰度图像lbp的结果图。

作为一种优选的技术方案：所述的glcm的输入图像为int数组形式的灰度图像。

作为一种优选的技术方案：s22中：

所述的方向θ：常规的是水平方向0°，垂直90°，以及45°和135°；

所述的步距d：中心像元，灰度共生矩阵图像中相距为d的两个灰度像素同时出现的联合概率分布，即中心像素直接与其相邻像素点做比较运算；d取值为1时效果最佳，d只取一个值也能减少glcm特征的计算量；

所述的灰度共生矩阵的阶数：与灰度图像灰度值的阶数相同，即当灰度图像灰度值阶数为n时，灰度共生矩阵为n×n的矩阵，一般选择5×5或7×7的滑动窗口进行计算特征值。

作为一种优选的技术方案：s3中灰度共生矩阵的统计量：

所述的角二阶矩/能量(asm)：当glcm的所有值都非常接近，则asm值较小；当矩阵元素取值差别较大，则asm值较大；当asm值较大时，纹理粗，能量大；反之，当asm值小时，纹理细，能量小；

所述的相关性(correlation)：自相关反应了图像纹理的一致性；当图像中有水平方向纹理，则水平方向共生矩阵correlation值大于其余方向共生矩阵correlation的值，它度量空间灰度共生矩阵元素在行或列方向上的相似程度，相关值大小反映了图像中局部灰度相关性；当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小；

所述的熵(entropy)：熵是图像包含信息量的随机性度量，表现图像的复杂程度，即测量图像纹理的随机性(强度分布)；当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂；表示矩阵中元素的分散程度，也表示图像纹理的复杂程度；

所述的对比度(contrast)：对比度反应图像的清晰度和纹理的沟纹深浅；度量矩阵的值是如何分布和图像中局部变化的多少，反应图像的清晰度和纹理的沟纹深浅；纹理的沟纹越深，图像亮度值反差越大，效果越清晰，反之，对比值小，则沟纹浅，效果模糊，即对比度就越大，纹理越清晰；

所述的反差分矩阵(inversedifferentialmoment，idm)：反差分矩阵又称逆方差、倒数差分矩，反映纹理的同质性(清晰程度和规则程度)，反映图片纹理的局部变化，纹理清晰、规律性较强、易于描述的，局部变化越小，图像越均匀，逆差矩值越大；其值大则图像纹理的不同区域间缺少变化，局部非常均匀；

idm＝sum(p(i,j)/(1+(i-j)^2))

所述的能量(energy)：能量是灰度共生矩阵各元素值的平方和，是对图像纹理的灰度变化稳定程度的度量，反应了图像灰度分布均匀程度和纹理粗细度；能量表示glcm中所有元素的平方和，取值范围是[0,1]，常量组成的图像的能量energy是1；值大表明当前纹理是一种规则变化较为稳定的纹理＝纹理均匀性；

asm＝sum(p(i,j)^2)

所述的相异性(dissimilarity)：计算对比度时，权重随矩阵元素与对角线的距离以指数方式增长改为线性增长，则得到相异性；

所述的同质性/逆差距(homogeneity)：测量图像的局部均匀性，非均匀图像的值较低，均匀图像的值较高；与对比度或相异性相反，同质性的权重随着元素值与对角线的距离而减小，其减小方式是指数形式的；

所述的集群阴影(clustershade)：阴影大小(shade)，和图片质量有关，更直观的是与服装的褶皱程度相关(褶皱处与光线形成反射阴影)，越平整，shade值越小；测量矩阵的偏度并衡量均匀性的概念；当值很高时，图像是不对称的；

clustershade＝sum(pow(p(i,j),3))

所述的集群突出物(clusterprominence)物体在图中的突兀情况，纹路和纹案反差越大，prom值就越大；

clusterprominence＝sum(pow(p(i,j),4))

作为一种优选的技术方案：s3中普通统计量：

所述的峰度(kurtosis)：峰度表征概率密度分布曲线在平均值处峰值高低的特征数，是对sample构成的分布的峰值是否突兀或是平坦的描述；直观上，峰度反映了峰部的尖度；样本的峰度是和正态分布相比较而言的统计量，计算时间序列x的峰度，峰度用于度量x偏离某分布的情况，正态分布的峰度为3；当峰度大于3，峰的形状比较尖，比正态分布峰要陡峭，反之亦然；在统计学中，峰度衡量实数随机变量概率分布的峰态，峰度高就意味着方差增大是由低频度的大于或小于平均值的极端差值引起的；

kurtosis＝mean((r-r_mean)**4)/pow(r_var，2)，r为图像

所述的均值(mean)：图像的平均值；

mean＝mean(r)，r为图像

所述的标准差(standarddeviation)：图像的标准差；

std＝std(r)，r为图像

作为一种优选的技术方案：所述公式中的p(i,j)指归一后的灰度共生矩阵。

本发明优点在于：

1、本发明主要部署在存储有亿万级时尚数据库的服务器中，通过启动纹理识别程序并加载训练好的svm(支持向量机)算法模型，将时尚图片数据库中的每一张图片送入本发明，然后根据事先定义的纹理特征规则计算出图片相应的纹理特征，使用算法模型进行预测其纹理属性的所属类别，再将分好类的图片分别放入类别文件夹下，达到自动化分类的目的。

2、本发明代替传统人工的纹理辨识方式，大大的降低了人工筛选过程的枯燥和繁琐，同时在时间和成本上做到极致的压缩，并且在大数据的加持下，识别速度远超得到进一步的提升。

3、本发明的筛选效果，简单未经优化的svm算法训练纹理特征分类并识别纹理图片，经实验表明准确率达到了81％，已能够识别大部分的纹理图片，证明了对时尚服装纹理识别的有效性。

附图说明

附图1是本发明一种基于lbp与glcm的服装纹理识别分类方法的技术方案流程图。

附图2是本发明一种基于lbp与glcm的服装纹理识别分类方法的纹理图片自动分类详细流程图。

附图3是本发明一种基于lbp与glcm的服装纹理识别分类方法的glcm灰度共生矩阵的示意图。

附图4是本发明一种基于lbp与glcm的服装纹理识别分类方法的纹理图像特征统计量提取模型。

具体实施方式

下面结合附图对本发明提供的具体实施方式作详细说明。

实施例1

本发明为了解决时尚商品中纹理种类的识别，采用纹理特征描述方法中的统计方法进行纹理特征的提取，而基于灰度共生矩阵(greylevelco-occurrencematrix，glcm)提取纹理特征的方法是一种典型的统计分析方法，灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础，灰度共生矩阵用来描述图像灰度分布的均匀程度和纹理的粗细程度，glcm纹理提取方法具有较强的适应能力和稳健性，近年来已越来越多地用于图像的检测和分类，而局部二值模式(localbinarypattern，lbp)算法是用于特征提取中纹理提取的另一种主流方法，它是一种用来描述图像局部纹理特征的算子，具有多分辨率、灰度尺度不变、旋转不变等特性，本发明综合了两种纹理特征描述的方法，加上自定义的glcm纹理特征，首先对商品图像提取描述特征，随后采用机器学习算法支持向量机(svm)对描述特征进行分类模型的训练，最后即可对图像特征的服装图像进行预测得到表示的纹理结果。

具体的技术方案步骤如下：

1.以各类纹理图片作为训练数据集，首先计算纹理特征第一步，就是将多通道的图像(一般指rgb图像)转换为灰度图像，纹理特征是一种结构特征，使用不同通道图像得到的纹理特征都是一样的，所以可以任选其一通道；

2.根据步骤1中得到的灰度图像计算lbp(localbinarypattern，局部二值模式)纹理特征向量，lbp是一种基于灰度描述图像纹理特征的不相关算子，它通过对图像任意一点与其周围点的灰度值大小关系来表征图像的局部纹理特征，lbp纹理特征向量，一般以图像分块lbp直方图表示；

lbp特征向量提取的步骤：(1)计算图像中每个像素点的lbp模式(等价模式，或者旋转不变+等价模式)，图像划分若干为n×n的图像子块(如16×16)，计算每个子块中每个像素的lbp值；(2)然后计算每个子块的lbp特征值直方图，得到n×n图像子块的直方图，然后对该直方图进行归一化处理；(3)最后将得到的每个子块的归一化直方图连接成一个特征向量，也就是整幅图的lbp纹理特征向量；

3.根据步骤2中得到的lbp图像，提取每幅lbp图像的灰度共生矩阵的统计量：角二阶矩(asm)、相关性(correlation)、熵(entropy)、对比度(contrast)、反差分矩阵(idm)、能量(energy)、相异性(dissimilarity)、同质性/逆差距(homogeneity)、集群阴影(clustershade)、集群突出物(clusterprominence)；外加(峰度(kurtosis)、均值(mean)、标准差(std))3个非glcm特征，基于这些统计量构建纹理分类特征。计算特征值前，先选择计算过程中的一些参数：(1)滑动窗口尺寸：一般选择5×5或7×7的滑动窗口进行计算特征值；(2)步距d：一般选择d＝1，即中心像素直接与其相邻像素点做比较运算；(3)方向选择：计算灰度共生矩阵的方向一般为0°，45°，90°，135°四个方向；求出四个方向矩阵的特征值后，可以通过计算四个特征值的平均值作为最终特征值共生矩阵；如果选择其他方向，则在每个方向上都会得到相当繁多的纹理特征，不利于使用的效率；

4.根据步骤2中得到的各类纹理特征统计量，使用机器学习分类算法svm对纹理特征书记训练分类模型；

5.根据得到的纹理分类模型对商品图像中的有效纹理区域进行纹理识别，有效的提升了产品的自动化描述能力。

纹理是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理特征的提取是成功进行图像纹理描述、分类与分割的关键环节，提取的纹理特征直接影响后续处理的质量。在具体的纹理特征提取过程中，我们通过寻找更多的能够反应纹理的度量，然后通过各种分析和变换从中提取有效的特征用于纹理描述和分类。借助将图像转换成lbp纹理图像从而计算它的一些具有表征能力的纹理统计量，所得到的特征维度数不大，但具有鉴别能力强、稳健性好和提取过程计算量小等特点，能够指导实际应用。

请参考附图1和附图2，附图1和附图2是本发明一种时尚服装图像中纹理类型的分类方法的技术方案流程图和详细流程图。

纹理是一种重要的视觉线索，是图像中普遍存在而又难以描述的特征。纹理特征的提取是成功进行图像纹理描述、分类与分割的关键环节，提取的纹理特征直接影响后续处理的质量；在具体的纹理特征提取过程中，我们通过寻找更多的能够反应纹理的度量，然后通过各种分析和变换从中提取有效的特征用于纹理描述和分类；借助将图像转换成lbp纹理图像从而计算它的一些具有表征能力的纹理统计量，所得到的特征维度数不大，但具有鉴别能力强、稳健性好和提取过程计算量小等特点，能够指导实际应用。

为了使用本发明方法来识别出时尚图片中服装的纹理，下面将使用具体的基于lbp纹理特征计算glcm的纹理特征统计量作为svm机器学习算法模型的输入，从而得到检测模型的方法，详细阐述本实施例的工作流程。本实施例采用只包含服装部分区域的数据，在这之前的步骤比如服装检测框的预测以及包围框的回归已经通过深度学习技术检测并提取出来，所以本实施例仅关注纹理识别部分内容，具体过程包括以下主要步骤：

s1、lbp纹理特征提取：

s11、计算图像中每个像素点的lbp模式(等价模式，或者旋转不变+等价模式)。图像划分若干为n×n的图像子块(如16×16)，计算每个子块中每个像素的lbp值；

s12、然后计算每个子块的lbp特征值直方图，得到n×n图像子块的直方图，然后对该直方图进行归一化处理；

s13、最后将得到的每个子块的归一化直方图连接成一个特征向量，也就是整幅图的lbp纹理特征向量。而在下一步中，glcm的输入图像为int数组形式的灰度图像(类似cv2读进来的格式)，所以我们在这其实得到的是一张已经为灰度图像lbp的结果图；

s2、glcm纹理图像特征统计量提取函数的设计：

本实施例中的灰度共生矩阵法(glcm)，就是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础；

s21、灰度级量化

一般在一幅图像中的灰度级有256级，从0–255。但在计算灰度共生矩阵时我们并不需要256个灰度级，且计算量实在太大，所以一般分为8个灰度级或16个灰度级。而且当分成8个灰度级时，如果直接将像素点的灰度值除以32取整，会引起影像清晰度降低，所以进行灰度级压缩时，首先我们会将图片进行直方图均衡化处理，增加灰度值的动态范围，这样就增加了影像的整体对比效果；

s22、计算特征值的参数选择

对于计算灰度共生矩阵特征值前，需要先选择计算过程中的一些参数：方向，偏移量和灰度共生矩阵的阶数；

·方向θ：一般计算过程会分别选在几个不同的方向来进行，常规的是水平方向0°，垂直90°，以及45°和135°，如果选择其他方向，则在每个方向上都会得到相当繁多的纹理特征，不利于使用的效率；

·步距d：中心像元，灰度共生矩阵图像中相距为d的两个灰度像素同时出现的联合概率分布，即中心像素直接与其相邻像素点做比较运算。经过多次实验，发现当d取值为1时效果最佳，d只取一个值也能减少glcm特征的计算量；

·灰度共生矩阵的阶数：与灰度图像灰度值的阶数相同，即当灰度图像灰度值阶数为n时，灰度共生矩阵为n×n的矩阵，一般选择5×5或7×7的滑动窗口进行计算特征值；

请参考附图3，附图3是本发明一种时尚服装图像中纹理类型的分类方法的glcm灰度共生矩阵的示意图。glcm描述一个区域一定间距内两个象元灰度呈现某种关系的矩阵，该矩阵中的元素值代表灰度级之间联合条件概率密度p(i,j/d,θ)，p(i,j/d,θ)表示在给定空间距离d和方向θ时，灰度以i为始点，出现灰度级为j的概率；

s3、纹理特征值的计算

请参考附图4，附图4是本发明一种时尚服装图像中纹理类型的分类方法的纹理图像特征统计量提取模型。由于灰度共生矩阵的维度较大，一般不直接作为区分纹理的特征，而是基于它构建的一些统计量作为纹理分类特征。例如：能量、熵、对比度、均匀性、相关性、方差等，计算方法如下(p(i,j)指归一后的灰度共生矩阵)：

1)角二阶矩/能量(asm)

如果glcm的所有值都非常接近，则asm值较小；如果矩阵元素取值差别较大，则asm值较大。当asm值较大时，纹理粗，能量大；反之，当asm值小时，纹理细，能量小；

2)相关性(correlation)

自相关反应了图像纹理的一致性。如果图像中有水平方向纹理，则水平方向共生矩阵correlation值大于其余方向共生矩阵correlation的值。它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小；

3)熵(entropy)

熵是图像包含信息量的随机性度量，表现了图像的复杂程度，即测量图像

纹理的随机性(强度分布)；当共生矩阵中所有值均相等或者像素值表现出最大的随机性时，熵最大；因此熵值表明了图像灰度分布的复杂程度，熵值越大，图像越复杂。表示矩阵中元素的分散程度，也表示图像纹理的复杂程度；

4)对比度(contrast)

对比度反应了图像的清晰度和纹理的沟纹深浅。度量矩阵的值是如何分布和图像中局部变化的多少，反应了图像的清晰度和纹理的沟纹深浅。纹理的沟纹越深，图像亮度值反差越大，效果越清晰；反之，对比值小，则沟纹浅，效果模糊。换句话说纹理较深，它的对比度就越大，也就是它的纹理越清晰；

5)反差分矩阵(inversedifferentialmoment，idm)

反差分矩阵又称逆方差、倒数差分矩，反映了纹理的同质性(清晰程度和规则程度)，反映了图片纹理的局部变化，纹理清晰、规律性较强、易于描述的，局部变化越小，图像越均匀，逆差矩值越大。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀；

idm＝sum(p(i,j)/(1+(i-j)^2))

6)能量(energy)

能量是灰度共生矩阵各元素值的平方和，是对图像纹理的灰度变化稳定程度的度量，反应了图像灰度分布均匀程度和纹理粗细度。能量表示glcm中所有元素的平方和，取值范围是[0,1]，常量组成的图像的能量energy是1。值大表明当前纹理是一种规则变化较为稳定的纹理＝纹理均匀性；

asm＝sum(p(i,j)^2)

7)相异性(dissimilarity)

计算对比度时，权重随矩阵元素与对角线的距离以指数方式增长，如果改为线性增长，则得到相异性；

8)同质性/逆差距(homogeneity)

测量图像的局部均匀性，非均匀图像的值较低，均匀图像的值较高。与对比度或相异性相反，同质性的权重随着元素值与对角线的距离而减小，其减小方式是指数形式的；

9)集群阴影(clustershade)

阴影大小(shade)，可能和图片质量有关，更直观的是与服装的褶皱程度相关(褶皱处与光线形成反射阴影)，越平整，shade值越小。测量矩阵的偏度并衡量均匀性的概念；当值很高时，图像是不对称的；

clustershade＝sum(pow(p(i,j),3))

10)集群突出物(clusterprominence)

物体在图中的突兀情况，纹路和纹案反差越大，prom值就越大；

clusterprominence＝sum(pow(p(i,j),4))

11)峰度(kurtosis)

峰度表征概率密度分布曲线在平均值处峰值高低的特征数，是对sample构成的分布的峰值是否突兀或是平坦的描述。直观看来，峰度反映了峰部的尖度。样本的峰度是和正态分布相比较而言的统计量，计算时间序列x的峰度，峰度用于度量x偏离某分布的情况，正态分布的峰度为3。如果峰度大于3，峰的形状比较尖，比正态分布峰要陡峭。反之亦然；在统计学中，峰度衡量实数随机变量概率分布的峰态，峰度高就意味着方差增大是由低频度的大于或小于平均值的极端差值引起的；

kurtosis＝mean((r-r_mean)**4)/pow(r_var，2)，r为图像

12)均值(mean)

均值即图像的平均值；

mean＝mean(r)，r为图像

13)标准差(standarddeviation)

标准差即图像的标准差；

std＝std(r)，r为图像

s31、经过如上纹理特征量的计算后，我们得到13个特征值×0°，45°，90°，135°四个方向×1d个步长＝52个特征值的特征向量。其中4个方向可以取任意[1,4]个，从而可得到[13,52]个特征值；

s4、使用svm算法训练特征向量，对纹理图片分类：

s41、我们将提取到的特征向量与类别对应上之后便可以作为svm训练特征，svm在特征空间上找到最佳的分离超平面使得训练集上正负样本间隔最大，得到svm分类器，即可用于纹理图像的处理。

为了加强模型的健壮性，本实施例在最后的模型训练前对训练数据进行了全局的归一化处理。

本发明本发明主要部署在存储有亿万级时尚数据库的服务器中，通过启动纹理识别程序并加载训练好的svm(支持向量机)算法模型，将时尚图片数据库中的每一张图片送入本实施例，然后根据事先定义的纹理特征规则计算出图片相应的纹理特征，使用算法模型进行预测其纹理属性的所属类别，再将分好类的图片分别放入类别文件夹下，达到自动化分类的目的；本发明例代替传统人工的纹理辨识方式，大大的降低了人工筛选过程的枯燥和繁琐，同时在时间和成本上做到极致的压缩，并且在大数据的加持下，识别速度远超得到进一步的提升；本发明的筛选效果，简单未经优化的svm算法训练纹理特征分类并识别纹理图片，经实验表明准确率达到了81％，已能够识别大部分的纹理图片，证明了对时尚服装纹理识别的有效性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。