CN109164014A - 一种基于高光谱图像处理的多色织物润湿区域识别方法 - Google Patents
一种基于高光谱图像处理的多色织物润湿区域识别方法 Download PDFInfo
- Publication number
- CN109164014A CN109164014A CN201810684359.3A CN201810684359A CN109164014A CN 109164014 A CN109164014 A CN 109164014A CN 201810684359 A CN201810684359 A CN 201810684359A CN 109164014 A CN109164014 A CN 109164014A
- Authority
- CN
- China
- Prior art keywords
- image
- wetting zones
- resulting
- zones
- gray level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009736 wetting Methods 0.000 title claims abstract description 88
- 239000004744 fabric Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 239000007921 spray Substances 0.000 claims abstract description 17
- 239000006260 foam Substances 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims description 31
- 238000012937 correction Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000007667 floating Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 239000004753 textile Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 3
- 229920000742 Cotton Polymers 0.000 claims 1
- 238000004458 analytical method Methods 0.000 claims 1
- 238000000985 reflectance spectrum Methods 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000002310 reflectometry Methods 0.000 abstract description 9
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 7
- 230000001788 irregular Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- PLXMOAALOJOTIY-FPTXNFDTSA-N Aesculin Natural products OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)[C@H](O)[C@H]1Oc2cc3C=CC(=O)Oc3cc2O PLXMOAALOJOTIY-FPTXNFDTSA-N 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种基于高光谱图像处理的多色织物润湿区域识别方法,采用EVA泡棉改良夹持器为提取测试区域图像提供了精准的边界;由于润湿区域与未润湿区域的近红外反射率差异较大故采用近红外波段成像不仅最大限度提高了图像对比度并且识别润湿区域时有效克服了颜色的干扰以及织物纹理产生的噪声;对图像进行MNF变换和2%线性拉伸不仅去除了大部分异常值同时增大了图像的对比度更能够避免误分割的发生;采用迭代式阈值分割提高了分割区域时的自适应性和自动化能力;对润湿区域做选择性填充有效修正了反光的润湿区域;该方法能够精确识别任意颜色织物尤其是多色织物的润湿区域,为织物沾水等级自动检测提供准确的依据。
Description
【技术领域】
本发明涉及纺织服装性能测试的技术领域,特别涉及一种基于高光谱图像处理的多色织物润湿区域识别方法。
【背景技术】
传统人工织物沾水等级评定过程中织物润湿区域的识别易受评定者生理和心理、光照环境、织物颜色等影响,实验结果误差大,一致性差。为解决这些问题,针对AATCC标准的喷淋方法出现了基于图像处理的织物润湿区域识别方法。
基于图像处理的织物润湿区域识别方法存在的难点是待分割润湿区域和非润湿区域对比度小,分割结果受试样表面光照不匀、光照变化以及织物颜色影响很大,夹持器外环反光不匀导致测试区域与背景分割时边界不连续。此外还存在分辨率和纹理噪音之间的矛盾:即为增加润湿区域与非润湿区域的对比度以便图像分割算法实现二者分离,需采用高分辨率图像采集设备采集图像使得即使细腻的织物纹理在图像中显现成为噪声。
目前提出的基于图像处理的织物润湿区域识别方法主要从颜色信息入手,在标准光源下或是开放环境中采集经喷淋后试样的RGB图像并将图像中的R、G、B分量转化为亮度再进行不同算法的分割识别织物润湿区域,所以这些方法地分割结果依然受试样表面光照不匀、光照变化以及织物颜色的很大影响。
中国专利CN 101196511 A公开了一种织物沾水等级检测方法及其检测设备。这种方法存在的问题是未严格按照标准测试方法进行喷淋后敲击,使未对织物润湿的水珠依旧可能停留在织物表面而造成错误识别;采用标准光源依旧无法保证试样表面光照均匀;此外该方法以对比喷淋前后的图像识别润湿区域,在织物本身颜色较深时深色部分的润湿区域在喷淋前后差异并不明显很难有效识别。
中国专利CN 102830045 A公开了基于图像处理的织物沾水等级客观评定方法。该方法其存在的问题是:光照方式未予确定,图像重现性不佳且导致实验结果不准确;基于像素颜色信息界定润湿区域,结果易受织物颜色干扰;采用中值滤波等方式去除纹理等信息,容易损伤小面积润湿区域;在处理织物沾水图像过程中通过Photoshop获取测试区域,降低了检测过程自动化程度,增加了主观因素和人工成本。
中国专利CN 104392441 A公开了基于图像处理的高抗噪织物沾水等级检测评定方法,该方法通过提取织物沾水图像中的颜色R、G、B分量经灰度化后再二值分割,织物原本的颜色极易与润湿区域混同,对深色或印花织物的润湿区域识别能力有限;在没有确定试样表面光照强度分布的情况下仅通过图像处理并无法解决光照不匀的问题;由于夹持器并非规整圆形,以圆心和半径参数来界定裁剪图像中的试样测试区域可能导致误裁剪;所采用的直方图均衡化处理并不属于线性拉伸,直方图有高峰的情况下,经处理后对比度不自然的过分增强;对二值图像采用中值滤波和腐蚀膨胀操作,势必滤去细小润湿区域造成计算误差;图像处理过程忽略了润湿区域中存在的反光区域。
【发明内容】
本发明的目的在于克服上述现有技术的不足,提供基于高光谱图像处理的多色织物润湿区域识别方法,其旨在解决现有技术中基于图像处理算法的织物沾水等级检测过程受织物颜色、织物纹理、光照不匀、光照变化、反光等干扰影响,润湿区域和未润湿区域对比度低以及测试区域易于误分割等技术问题。
为实现上述目的,本发明提出了一种基于高光谱图像处理的多色织物润湿区域识别方法,包括以下步骤:
步骤1:以EVA泡棉涂层改良试样夹持器外环;
步骤2:选取织物润湿区域为待测试样,使用步骤1改良后的试样夹持器夹持试样按照美国纺织化学师与印染师协会标准AATCC22-2014《纺织品拒水性测试-喷淋法》在织物沾水度测试仪上进行喷淋测试;
步骤3:取下步骤2中的夹持器和试样,平放于高光谱图像采集***中采集沾水织物试样的原始高光谱图像数据;
步骤4:同步骤3,采集放置标准白板时的高光谱图像数据以及合上镜头盖时的高光谱图像数据,利用这两个高光谱图像数据对步骤3采集到的原始高光谱图像数据进行白板和暗电流校正并保存为校正后的高光谱图像文件;
步骤5:在步骤4所得的高光谱图像文件中提取1450nm波段处水吸收峰的灰度图像,识别润湿区域、非润湿区域、EVA泡棉、背景绒布四个特征区域并提取各特征区域的反射光谱曲线;
步骤6:根据步骤5所得的反射光谱曲线确定润湿区域光谱曲线的谷值横坐标,对该波段附近若干个波段的高光谱图像做最低噪声分离和主成分分析(minimum noisefraction,MNF)提高图像的信噪比,增强润湿区域与其他区域的对比度,对MNF转换后的第一主成分图像做2%线性拉伸进一步增强其对比度;
步骤7:对特征波段的图像进行迭代阈值分割构建二值掩膜图像;
步骤8:对步骤6所得的灰度图像与步骤7所得的二值掩膜图像做点乘运算获取掩膜后的灰度图像;
步骤9:对步骤8所得灰度图像的灰度值做归一化处理转化为浮点值,基于迭代式阈值分割算法确定自适应阈值,当某像素对应的浮点值小于阈值时被置为1,大于阈值时被置为0,构建试样润湿区域的二值图像;
步骤10:识别反光的润湿区域并做填充处理。
作为优选,所述的步骤7:对特征波段的图像进行迭代阈值分割构建二值掩膜图像的具体步骤如下:
步骤7.1:根据步骤5所得的反射光谱曲线选取一个特征波段提取灰度图像并2%线性拉伸;
步骤7.2:对步骤7.1所得灰度图像的灰度值做归一化处理转化为浮点值,基于迭代式阈值分割算法确定自适应阈值构建二值图像;
步骤7.3:对步骤7.2分割后的图像求最大4连通域其余区域置0从而获得织物试样测试区域的二值掩膜图像。
作为优选,所述的步骤10:识别反光的润湿区域并做填充处理的具体步骤如下:
步骤10.1:对步骤9所得的二值图像中值为0的黑色封闭区域做全填充处理后与步骤9所得的二值图像做减法操作,从而提取出所有封闭区域的二值图像;
步骤10.2:将步骤10.1所得的二值图像与步骤7.1所得的灰度图像做点乘运算获得所有封闭区域的灰度图像,对该灰度图像中的封闭区域标记排序,按照标记依次扫描每一封闭区域并提取区域内部浮点值最大的像素点;
步骤10.3:识别步骤10.2所得的灰度图像中被标记的封闭区域内是否存在值为1的像素点,存在则认为该标记区域为反光的润湿区域,在步骤9所得的二值图像中对该标记区域进行填充处理;否则标记区域被认为未润湿区域,不做处理,遍历所有封闭区域直至达到最大标记值。
作为优选,所述的步骤1中,以具有优异的回弹性和拒水性、在各光谱波段吸光能力强的EVA泡棉涂层作为试样夹持器的外环。
作为优选,所述的步骤6中,对该波段附近11个波段的高光谱图像做最低噪声分离和主成分分析(minimum noise fraction,MNF)提高图像的信噪比。
本发明的有益效果:与现有技术相比,本发明提供的一种基于高光谱图像处理的多色织物润湿区域识别方法,采用EVA泡棉改良夹持器为提取测试区域图像提供了精准的边界;由于润湿区域与未润湿区域的近红外反射率差异较大故采用近红外波段成像不仅最大限度提高了图像对比度并且识别润湿区域时有效克服了颜色的干扰以及织物纹理产生的噪声;对图像进行MNF变换和2%线性拉伸不仅去除了大部分异常值同时增大了图像的对比度更能够避免误分割的发生;采用迭代式阈值分割提高了分割区域时的自适应性和自动化能力;对润湿区域做选择性填充有效修正了反光的润湿区域;该方法能够精确识别任意颜色织物尤其是多色织物的润湿区域,为织物沾水等级自动检测提供准确的依据。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明实施例的以EVA泡棉涂层改良的试样夹持器;
图2是本发明实施例的试样润湿区域、非润湿区域、EVA泡棉以及背景绒布特征区域的反射光谱曲线;
图3是本发明实施例的润湿区域光谱曲线的谷值横坐标附近11个波段的高光谱图像后经主成分分析和最低噪声分离后第一主成分图像做2%线性拉伸的图像;
图4是本发明实施例的试样的二值掩膜图像;
图5是本发明实施例的经掩膜后的测试区域灰度图像;
图6是本发明实施例的织物试样润湿区域的二值图像;
图7是本发明实施例的封闭区域的二值图像;
图8是本发明实施例的最终的试样润湿区域图像。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明方法对不同材质织物的润湿区域识别和沾水等级检测具有很好的通用性。由于织物品种很多,因此本发明只以材质为100%羊毛的苏格兰精纺花呢织物作为实施实例;图像处理过程在Matlab R2014b软件环境中完成。其他品种织物的沾水等级检测可参照该实施例的方法进行。具体根据试样近红外波谱曲线选取特定波段构建掩膜,可对该试样进行润湿区域检测。实施例选择的主要依据是体现本发明去除织物纹理、光照不匀、织物颜色以及反光干扰并准确识别测试区域和润湿区域的能力。
下面结合附图和实施例对本发明作进一步说明。
本发明实施例的方法,包括以下步骤:
步骤1:以厚度为1mm的EVA泡棉涂层改良试样夹持器外环;该EVA泡棉具有优异的回弹性和拒水性,其在各光谱波段吸光能力强,有助于提取精准的边界分割测试区域图像。改良后的试样夹持器如图1所示。
步骤2:选取180mm×180mm待测织物试样,使用步骤1改良后的试样夹持器夹持试样按照美国纺织化学师与印染师协会标准AATCC22-2014《纺织品拒水性测试-喷淋法》在织物沾水度测试仪上进行喷淋测试。
步骤3:取下步骤2中的夹持器和试样,平放于高光谱图像采集***中采集沾水织物试样的原始高光谱图像数据。
步骤4:同步骤3,采集放置标准白板时的高光谱图像数据以及合上镜头盖时的高光谱图像数据,利用这两个高光谱图像数据对步骤3采集到的原始高光谱图像数据进行白板和暗电流校正并保存为校正后的高光谱图像文件。
反射率校正公式:
式中Rnorm为校正后的反射率,Rraw为原始反射率,Rdark为关上光源,拧上镜头盖后采集的全暗参考反射率,Rwhite标准白板的实际反射率。
像素灰度值与反射率线性映射公式:
式中Grayxy为校正后图像中坐标为(x,y)的像素点灰度值,Rxy为校正后图像中坐标为(x,y)的像素点对应的反射率,Rmin为校正后图像中的最小反射率,Rmax为校正后图像中的最大反射率。
步骤5:在步骤4所得的高光谱图像文件中提取1450nm波段处水吸收峰的灰度图像,由于水对红外线吸收明显,可识别试样表面深色区域为润湿区域,浅色区域为非润湿区域,试样边界处黑色的吸光材料即为EVA泡棉,试样边界外的黑色区域即为背景绒布,分别提取这四个特征区域的反射光谱曲线,特征区域反射光谱曲线如2图所示。
步骤6:根据步骤5所得的反射光谱曲线确定润湿区域光谱曲线的谷值横坐标,对该波段附近11个波段的高光谱图像做最低噪声分离和主成分分析(minimum noisefraction,MNF)提高图像的信噪比,增强润湿区域与其他区域的对比度,对MNF转换后的第一主成分图像做2%线性拉伸进一步增强其对比度后,其图像如图3所示。
步骤7:对特征波段的图像进行迭代阈值分割构建二值掩膜图像,具体为
步骤7.1:根据步骤5所得的反射光谱曲线选取一个特征波段提取灰度图像并2%线性拉伸,该特征波段能够满足以下条件:试样测试区域与背景区域在该波段处反射率差异值较大,试样润湿区域与未润湿区域在该波段处反射率差异较小。经实验证明,该特征波段极易确定。本实施例选用1098.29nm波段作为特征波段。
步骤7.2:对步骤7.1所得灰度图像的灰度值做归一化处理转化为浮点值,基于迭代式阈值分割算法确定自适应阈值构建二值图像,当某像素对应的浮点值大于阈值时被置为1,小于阈值时被置为0。本实施例中经计算机迭代计算求得分割阈值为0.5247。
步骤7.3:对步骤7.2分割后的图像求最大4连通域其余区域置0从而获得织物试样测试区域的二值掩膜图像。本实施例试样的二值掩膜图像如图4所示。
步骤8:在Matlab R2014b软件中对步骤6所得的灰度图像与步骤7.3所得的二值掩膜图像做点乘运算获取掩膜后的灰度图像。该图像仅含有织物试样测试区域信息,测试区域图像由水吸收峰附近波段的高光谱图像经MNF变换后得到,润湿区域与未润湿区对比最明显所含噪音最少。本实施例经掩膜后的试样测试区域灰度图像如图5所示。
步骤9:对步骤8所得灰度图像的灰度值做归一化处理转化为浮点值,基于迭代式阈值分割算法确定自适应阈值,当某像素对应的浮点值小于阈值时被置为1,大于阈值时被置为0,构建试样润湿区域的二值图像。本实施例中经计算机迭代计算求得分割阈值为0.5673,织物试样润湿区域的二值图像如图6所示。
步骤10:识别反光的润湿区域并做填充处理。如步骤8所得的掩膜后灰度图像所示,由于润湿区域内部的水珠在达到一定厚度时可能会发生反射光干涉现象,该区域的反射率明显高于非润湿区域,故易于被误分割为非润湿区,需识别反光的润湿区域并做填充处理。其步骤如下:
步骤10.1:对步骤9所得的二值图像中值为0的黑色封闭区域做全填充处理后与步骤9所得的二值图像做减法操作,从而提取出所有封闭区域的二值图像。实施例中封闭区域的二值图像如图7所示。
步骤10.2:将步骤10.1所得的二值图像与步骤7.1所得的灰度图像做点乘运算获得所有封闭区域的灰度图像,对该灰度图像中的封闭区域标记排序,按照标记依次扫描每一封闭区域并提取区域内部浮点值最大的像素点。
步骤10.3:识别步骤10.2所得的灰度图像中被标记的封闭区域内是否存在值为1的像素点,存在则认为该标记区域为反光的润湿区域,在步骤9所得的二值图像中对该标记区域进行填充处理;否则标记区域被认为未润湿区域,不做处理,遍历所有封闭区域直至达到最大标记值。实施例中最终的织物润湿区域图像如图8所示。
由以上实施例可以看出,本发明利用高光谱成像技术能实现深色或多色织物试样润湿区域的快速识别。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于高光谱图像处理的多色织物润湿区域识别方法,其特征在于:包括以下步骤:
步骤1:以EVA泡棉涂层改良试样夹持器外环;
步骤2:选取织物润湿区域为待测试样,使用步骤1改良后的试样夹持器夹持试样按照美国纺织化学师与印染师协会标准AATCC22-2014《纺织品拒水性测试-喷淋法》在织物沾水度测试仪上进行喷淋测试;
步骤3:取下步骤2中的夹持器和试样,平放于高光谱图像采集***中采集沾水织物试样的原始高光谱图像数据;
步骤4:同步骤3,采集放置标准白板时的高光谱图像数据以及合上镜头盖时的高光谱图像数据,利用这两个高光谱图像数据对步骤3采集到的原始高光谱图像数据进行白板和暗电流校正并保存为校正后的高光谱图像文件;
步骤5:在步骤4所得的高光谱图像文件中提取1450nm波段处水吸收峰的灰度图像,识别润湿区域、非润湿区域、EVA泡棉、背景绒布四个特征区域并提取各特征区域的反射光谱曲线;
步骤6:根据步骤5所得的反射光谱曲线确定润湿区域光谱曲线的谷值横坐标,对该波段附近若干个波段的高光谱图像做最低噪声分离和主成分分析(minimum noisefraction,MNF)提高图像的信噪比,增强润湿区域与其他区域的对比度,对MNF转换后的第一主成分图像做2%线性拉伸进一步增强其对比度;
步骤7:对特征波段的图像进行迭代阈值分割构建二值掩膜图像;
步骤8:对步骤6所得的灰度图像与步骤7所得的二值掩膜图像做点乘运算获取掩膜后的灰度图像;
步骤9:对步骤8所得灰度图像的灰度值做归一化处理转化为浮点值,基于迭代式阈值分割算法确定自适应阈值,当某像素对应的浮点值小于阈值时被置为1,大于阈值时被置为0,构建试样润湿区域的二值图像;
步骤10:识别反光的润湿区域并做填充处理。
2.如权利要求1所述的一种基于高光谱图像处理的多色织物润湿区域识别方法,其特征在于:所述的步骤7:对特征波段的图像进行迭代阈值分割构建二值掩膜图像的具体步骤如下:
步骤7.1:根据步骤5所得的反射光谱曲线选取一个特征波段提取灰度图像并2%线性拉伸;
步骤7.2:对步骤7.1所得灰度图像的灰度值做归一化处理转化为浮点值,基于迭代式阈值分割算法确定自适应阈值构建二值图像;
步骤7.3:对步骤7.2分割后的图像求最大4连通域其余区域置0从而获得织物试样测试区域的二值掩膜图像。
3.如权利要求1所述的一种基于高光谱图像处理的多色织物润湿区域识别方法,其特征在于:所述的步骤10:识别反光的润湿区域并做填充处理的具体步骤如下:
步骤10.1:对步骤9所得的二值图像中值为0的黑色封闭区域做全填充处理后与步骤9所得的二值图像做减法操作,从而提取出所有封闭区域的二值图像;
步骤10.2:将步骤10.1所得的二值图像与步骤7.1所得的灰度图像做点乘运算获得所有封闭区域的灰度图像,对该灰度图像中的封闭区域标记排序,按照标记依次扫描每一封闭区域并提取区域内部浮点值最大的像素点;
步骤10.3:识别步骤10.2所得的灰度图像中被标记的封闭区域内是否存在值为1的像素点,存在则认为该标记区域为反光的润湿区域,在步骤9所得的二值图像中对该标记区域进行填充处理;否则标记区域被认为未润湿区域,不做处理,遍历所有封闭区域直至达到最大标记值。
4.如权利要求1所述的一种基于高光谱图像处理的多色织物润湿区域识别方法,其特征在于:所述的步骤1中,以具有优异的回弹性和拒水性、在各光谱波段吸光能力强的EVA泡棉涂层作为试样夹持器的外环。
5.如权利要求1所述的一种基于高光谱图像处理的多色织物润湿区域识别方法,其特征在于:所述的步骤6中,对该波段附近11个波段的高光谱图像做最低噪声分离和主成分分析(minimum noise fraction,MNF)提高图像的信噪比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810684359.3A CN109164014B (zh) | 2018-06-28 | 2018-06-28 | 一种基于高光谱图像处理的多色织物润湿区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810684359.3A CN109164014B (zh) | 2018-06-28 | 2018-06-28 | 一种基于高光谱图像处理的多色织物润湿区域识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109164014A true CN109164014A (zh) | 2019-01-08 |
CN109164014B CN109164014B (zh) | 2020-11-06 |
Family
ID=64897384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810684359.3A Active CN109164014B (zh) | 2018-06-28 | 2018-06-28 | 一种基于高光谱图像处理的多色织物润湿区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109164014B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115575331A (zh) * | 2022-04-28 | 2023-01-06 | 西安交通大学 | 基于光谱反演的绝缘材料表面湿润度分布原位测量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102466520A (zh) * | 2010-11-11 | 2012-05-23 | 香港纺织及成衣研发中心 | 多光谱成像颜色测量***及其成像信号处理方法 |
CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
CN102830045A (zh) * | 2012-07-26 | 2012-12-19 | 浙江理工大学 | 基于图像处理的织物沾水等级客观评定方法 |
CN104215584A (zh) * | 2014-08-29 | 2014-12-17 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
CN105931223A (zh) * | 2016-04-13 | 2016-09-07 | 浙江大学 | 基于波段比方法的高光谱反射图像中玉米胚部的分割方法 |
WO2016189818A1 (en) * | 2015-05-22 | 2016-12-01 | Canon Kabushiki Kaisha | Image processing apparatus, imaging system and image processing method |
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
-
2018
- 2018-06-28 CN CN201810684359.3A patent/CN109164014B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102466520A (zh) * | 2010-11-11 | 2012-05-23 | 香港纺织及成衣研发中心 | 多光谱成像颜色测量***及其成像信号处理方法 |
CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
CN102830045A (zh) * | 2012-07-26 | 2012-12-19 | 浙江理工大学 | 基于图像处理的织物沾水等级客观评定方法 |
CN104215584A (zh) * | 2014-08-29 | 2014-12-17 | 华南理工大学 | 一种基于高光谱图像技术区分大米产地的检测方法 |
WO2016189818A1 (en) * | 2015-05-22 | 2016-12-01 | Canon Kabushiki Kaisha | Image processing apparatus, imaging system and image processing method |
CN105931223A (zh) * | 2016-04-13 | 2016-09-07 | 浙江大学 | 基于波段比方法的高光谱反射图像中玉米胚部的分割方法 |
CN107527326A (zh) * | 2017-08-17 | 2017-12-29 | 安徽农业大学 | 一种基于高光谱成像的小麦赤霉病诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115575331A (zh) * | 2022-04-28 | 2023-01-06 | 西安交通大学 | 基于光谱反演的绝缘材料表面湿润度分布原位测量方法 |
CN115575331B (zh) * | 2022-04-28 | 2024-04-26 | 西安交通大学 | 基于光谱反演的绝缘材料表面湿润度分布原位测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109164014B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407917B (zh) | 基于动态尺度分配的视网膜血管提取方法及*** | |
CN109934802A (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN110414411A (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
CN108645814A (zh) | 一种用于识别多色织物润湿区域的高光谱图像采集方法 | |
CN106251328B (zh) | 一种利用二维高光谱图像识别鸡胴体表面污染物的方法 | |
CN113592861A (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN104392441B (zh) | 基于图像处理的高抗噪织物沾水等级检测评定方法 | |
CN104851086A (zh) | 一种针对缆索表面缺陷的图像检测方法 | |
CN114820627A (zh) | 一种基于光学手段的纺织品质量检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN107273812B (zh) | 一种用于身份认证的活体虹膜防伪方法 | |
Escofet et al. | Detection of local defects in textile webs using Gabor filters | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN117541588B (zh) | 一种纸制品的印刷缺陷检测方法 | |
CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
CN114596329A (zh) | 一种气体图像增强及气体泄露检测方法和*** | |
CN110148125A (zh) | 基于颜色检测的自适应皮肤油脂检测方法 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及*** | |
CN110987954B (zh) | 一种消除皮革表面缺陷检测盲区的方法及*** | |
CN101866420A (zh) | 一种用于光学体全息虹膜识别的图像前处理方法 | |
CN109164014A (zh) | 一种基于高光谱图像处理的多色织物润湿区域识别方法 | |
Shady et al. | Image processing based method evaluating fabric structure characteristics | |
Junxiong et al. | Feature extraction of jujube fruit wrinkle based on the watershed segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |