识别。若以图像为模式，则图像的识别分三个阶段：a）图像分割：检测出物体，把它的图像与其余景物分离；（2）特征抽取：抽取物体的若干特征组合在一起，构筑一个能描述样品特征的向量空间；（3）学习和分类：对一组己知类别的训练样本集计算特征参数，从而将特征空间分割成不同类区域对未知样品识别分类。模式识别系统的一般设计步骤为：物体检测器的设计，特征选择分类的设计，分类器训练和性能评估。

　　模式识别的分类方法有统计决策法、句法结构法、模糊判决法和人工智能法。前两种是模式分类的经典性和基础性技术模糊判决法和人工神经网络法分别模拟了人的模糊识别思维和形象思维。模糊判决法是以模糊数学为理论基础，人工智能法主要以神经网络为代表，适合处理背景知识不清楚或推理规则不明确的问题。

　　2模式识别在纺织材料图像分析中的应用纺织材料图像识别中，特征抽取、判别模型的选用、训练样本的采集是三个非常关键的环节。特征提取是一个相当复杂的问题，几乎没有解析的方法可以指导它。纺织材料图像更多的是依靠生产经验、实验结论或专业直觉找出一些能反映材料重要特性的特征，再用主因子分析法、回判后误判率的特征排序法等筛选出识别敏感度高的特征参数。人工神经网络法和模糊判决法都要求训练样本集足够大，足以代表对象集的总体分布，否则分类不可靠或分类出现错误。

　　2.1纤维种类的鉴别用图像识别法可以对混纺纱中不同形态的纤维组分自动识别，并分析计算混纺比率和纤维转移指数。纤维种类的自动识别是混纺纱结构与性能检测的前提条件。其方法是先从分离的纤维图像中提取*原始、*直接的指标一面积、周长和各阶矩，在此基础上构筑能区分不同形态纤维的特征参数。常见的有纤维横截面和纵向形态特征。如：毛和丝以圆形度、形状因子、周长等横截面特征为识别参数；涤纶和粘胶以面积、周长、形状因子、紧密度为识别参数，麻和棉以直径分布离散度和矩形充满度等纵向特征为识别参数。

　　接下来是优选出相关度低、识别敏感度高的充分考虑纺织纤维样本的特性：纤维的几何形态复杂多变，样本值离散大，尤其是天然纤维的形状和粗细变化很大。为此，宜选用对样本适应性强的距离判别法和几何判别法。但应注意这些分类法要采集大样本，以保证每一类纤维建立可靠的概率分布模型，提高纤维识别精度。

　　从应用现状看，目前纤维鉴别法仍局限于统计判别模型，主要以纤维的横纵向形态特征和鳞片形态特征为识别参数，能够鉴别的纤维种类不多，识别精度不高，不能满足实际生产要求。为此有必要从以下方面加强纤维鉴别的研究。

　　a）考虑引入模糊判别法。纺织纤维横截面形状主要是圆形、三角形、椭圆形等，但又不是标准的圆形、三角形、椭圆形。这些形状其实是不确定的无明确外延的近似概念。模糊模式识别中，利用纤维数据分布的特点并结合人的智力，建立纤维截面形状的隶属度函数，根据*大隶属原则或择近原则可对不同纤维归类。

　　（2）进一步加强特征指标集的建立工作，*大限度地降低误判率，为实际使用开辟道路。用图像分析法从纤维外形和鳞片形态以外的角度提取识别参数，实行多角度参数的联合评判。

　　a）尝试图像识别与生化等其他方法相结合。

　　如用图像识别法分析毛纤维经不同试剂（等离子体、染料）处理后的鳞片变化情况识别纤维种类。2.2织物外观的评级织物的外观性能如起球、免烫、表面平整度等是纺织品的重要指标。传统的评级方法是将试样与标准照片或模型对照评估等级。其存在主观性强，精度低的缺点。近年来，人们尝试从织物的二维图像或三维距离图像提取外观特征，并加以分级。毛球特征的提取方法有二维图像的形态分析法、频谱分析法、Wold分解模型法等。*终都是将毛球从图像中分离出，计算毛球面积、数量、分布密度和对比度四项特征。起皱的特征和提取方法有不少，二维图像分析中，有的选用起皱率和阴影率作为特征；有的通过频谱分析、分形等方法获得了轮廓高度、折痕尖锐度、起皱模式相似度等六个特征；三维图像分析中，有人采用3D投影重建技术对三维起皱模板进行形态重建，从模板起皱轮廓的数据中得到粗糙率、平面区域比率、起皱密度和光谱密度。与起皱、免烫性能比，其他外观性能的特征明确，提取不复杂，如表面平整度以分形组特征，构成判别向量」别模型用上维数为特征：。织物外观性能的评估/几乎都运用回归分析法建立特征指标与标准等级之间的回归方程，以此方程为判别模型对未知样品评级。

　　总体看来，现有的外观特征提取方法灵活丰富，能满足特征提取要求，回归评估方程也有较好的分类效果。但目前存在的问题是，二维图像识别不能解决复杂组织和颜色的影响，三维图像识别的速度和方便程度不如二维，应用不成熟。因此，进一步解决二维、三维图像识别织物外观的问题是今后的研究重点。需要注意的是，专家对折皱特征认识不一致，从不同角度不同方法得到的特征有不同的物理意义，这说明折皱的视觉特征表达本身具有模糊性。模糊判别法中的择近原则归类法适合处理被认识对象和对照对象都是模糊集的识别情况，采用模糊相似优先比可以选择与固定样品相似程度*大者，显然这种方法很值得尝试。

　　2.3织物疵点的识别织物疵点的特征大多从共生灰度矩阵SGLDM提取，也有人将织物疵点看成是纺织品纹理的周期性和连续性被打破的变异区域。这些纹理法虽能提取织疵特征，但存在数据处理量大，运算慢的缺点，需要改进以适应工业实时检测要求。

　　在织疵的分类模式方面国外作了不少探索，有人采用两层多参数判别模型一**层是灰度直方图的判别函数，第二层是SGLDM的马氏距离判别函数，不仅减少了SGLDM的计算量，也对断纬等四种疵点达到了较理想的识别效果。也有人采用人工神经网络对织物疵点分类，以SGLDM中提取的六个纹理特征作为后馈神经网络的输入，经过疵点样本的训练，实现了对棉结、断经掉、油污疵点的分类。

　　2.4其他除上述应用外，模式识别还能应用于原棉评级、棉网在线质量控制、织物悬垂性评价、皱效应评价、生丝和纱线外观质量评定等。棉网均匀度采用二阶人工神经网络法控制。悬垂性和皱效应可采取聚类分析法评价。

　　3结束语模式识别虽然在纺织材料图像处理领域有了初步应用，但从现状看，应用研究不深不广。相信随着研究的深入和识别对象的拓展，应用前景会十分广泛。一些新型的模糊和智能分类法展示出传统识别法无法比拟的效果，己逐渐受到人们的关注，也必将成为纺织材料图像识别领域的重要课题。