CN110120032A - 基于相对总变差模型与mser的织物毛球等级评价方法 - Google Patents
基于相对总变差模型与mser的织物毛球等级评价方法 Download PDFInfo
- Publication number
- CN110120032A CN110120032A CN201910284929.4A CN201910284929A CN110120032A CN 110120032 A CN110120032 A CN 110120032A CN 201910284929 A CN201910284929 A CN 201910284929A CN 110120032 A CN110120032 A CN 110120032A
- Authority
- CN
- China
- Prior art keywords
- ball top
- image
- fabric
- formula
- mser
- 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.)
- Pending
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 100
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 239000004753 textile Substances 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 28
- 238000005286 illumination Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 6
- 230000002401 inhibitory effect Effects 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 6
- 230000003760 hair shine Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 210000004209 hair Anatomy 0.000 description 9
- 238000009940 knitting Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010004542 Bezoar Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Processing (AREA)
Abstract
本发明公开的基于相对总变差模型与MSER的织物毛球等级评价方法，首先，采集织物原始图像，进行预处理，消除图像光照不均匀现象的同时增强毛球边缘信息；其次，将处理后的图像采用相对总变差模型抑制织物的纹理信息，对织物的纹理结构进行有效消除；然后，采用MSER算法分割织物中的毛球区域，并消除毛球图像区域中的孤立像素点；最后计算毛球占比，建立毛球的评价等级实现毛球等级的客观评价。本发明公开的方法解决了现有方法在毛球分割时受光照不均以及纹理信息影响而不能准确分割毛球，导致不能准确评价毛球等级的问题，可以替代人工有效地完成织物毛球等级评价，能够满足实际的工业需求。
Description
技术领域
本发明属于纺织品测试与评价技术领域，具体涉及一种基于相对总变差 模型与MSER的织物毛球等级评价方法。
背景技术
织物起毛起球是由于织物在日常穿着、洗涤等各种摩擦作用下表面产生 绒毛和毛球颗粒的现象。毛球的存在会影响织物的手感和外观，同时给纺织 企业带来极大困扰，对织物的实用性能造成较大影响，因此织物起毛起球等 级成为了衡量织物产品质量的一个重要指标。目前国际上通常将织物起毛起 球等级划分为五级，一级表示起毛起球程度最严重，五级表示织物表面几乎 没有起毛起球现象，起毛起球程度最低。
目前，国内外针对织物起毛起球的等级评定仍主要采用人工评级方法， 其中，最主流并且应用最广泛的是标准样照对比法，其具体方法是，在标准 的测试环境下，由专家将待测样品与起毛起球标准样照进行对比，观察待测 样品的起毛起球程度与哪一等级的起毛起球标准样照最为接近，就将该待测 样品定为哪一等级。但是该方法受主观因素影响较大，测试结果重复一致性 较差，且对检测环境要求极为严格。
从上世纪八十年代开始，国内外已有学者利用图像分析技术来尝试替代 传统的人工方法对织物起毛起球质量进行客观评价。Konda等人最早将毛球 图像转换为二值图像，提取毛球个数和毛球面积与标准样本对照以确定织物 毛球等级。Xu B等人通过快速傅里叶变换，在频域滤除织物纹理信息，采 用模板匹配提取毛球信息。Chen Xia等人提出了基于多尺度匹配滤波的毛球 检测方法，能够准确定位分布不均且尺寸差异较大的毛球。但是，上述方法 对光照不均以及纹理复杂的织物分割效果较差。Z Deng等人利用小波分解重构的方法滤除织物纹理信息，消除了纹理信息对毛球分割的干扰。汪亚明等 人使用基于小波变换与Gabor滤波的方法，能够抑制织物纹理，消除光照不 均现象。但是基于小波变换、Gabor滤波等频域的方法参数较多，处理速度 比较慢，对于纹理复杂，或者周期性不强织物的纹理抑制效果一般，导致毛 球分割不完整，影响毛球等级评价结果。
对于织物毛球等级评价来说，毛球的准确分割是关键的环节。基于以上 研究发现，在织物毛球分割时，织物表面光照不均以及织物纹理信息对毛球 分割造成较大干扰，而现有算法参数繁多，对于复杂纹理织物的纹理抑制效 果一般，不能很好消除光照不均现象对毛球分割的影响，导致毛球分割不准 确，影响毛球等级评价结果。
发明内容
本发明的目的是提供一种基于相对总变差模型与MSER(最大稳定极值 区域)的织物毛球等级评价方法，解决了现有方法在毛球分割时受光照不均 以及纹理信息影响而不能准确分割毛球，导致不能准确评价毛球等级的问 题。
本发明所采用的技术方案是，基于相对总变差模型与MSER的织物毛球 等级评价方法，具体操作过程包括如下步骤：
步骤1，采集织物原始图像，进行预处理，消除图像光照不均匀现象的 同时增强毛球边缘信息；
步骤2，将经步骤1处理后的图像采用相对总变差模型抑制织物的纹理 信息，对织物的纹理结构进行有效消除；
步骤3，采用MSER算法分割织物中的毛球区域，并消除毛球图像区域 中的孤立像素点；
步骤4，计算步骤3处理后的图像中毛球占比，建立织物毛球等级评价 标准，实现毛球等级的客观评价。
本发明的其他特点还在于，
步骤1中对原始织物图像进行预处理的过程包括如下步骤：
步骤1.1，将织物的原始图像缩放至512*512像素，并转换为单通道JPG 格式；
步骤1.2，将步骤1.1处理后的图像进行直方图均衡化增强织物毛球图像 的对比度，凸显毛球区域；
步骤1.3，利用空间卷积核对图像进行滤波，对毛球图像中的每一个像 素点，计算该点的邻域像素和卷积核对应元素的乘积并求和，作为该点新的 像素值，卷积核结构如式(3)所示，卷积核尺寸为5*5，卷积核中心权值为 -25，中心点周围的权值均为1；
通过该卷积核滤波降低光照过强区域图像的灰度值，提高光照过暗区域 图像的灰度值，消除图像光照不均匀现象的同时增强毛球边缘信息。
步骤1.2的具体过程如下：
步骤1.2.1，计算原始织物图像的各灰度的概率分布，如式(1)所示：
式中，nk是灰度为rk的像素个数，k表示灰度值，k＝0，1，2，..L-1，L 表示图像灰度级的数量，Pr是灰度级rk出现的概率，MN表示图像的像素总 数，MN＝512*512；
步骤1.2.2，根据输入图像灰度的概率分布情况，利用灰度变换函数对图 像灰度重新分配，变换函数如式(2)所示，利用灰度变换函数将输入图像 中灰度级为rk的各像素映射到输出图像灰度级为sk的对应像素上，完成了 对图像灰度的重新分配，增强毛球图像的对比度；
式中，rk和sk分别表示输入图像的灰度级和对应的输出图像的灰度级。
步骤2的具体过程如下：
步骤2.1，建立相对总变差模型，分别计算x方向和y方向的窗口总变 差D(p)和窗口固有变差L(p)，如式(4)和式(5)所示：
x方向的窗口总变差Dx(p)与y方向的窗口总变差Dy(p)如式(4)所示：
x方向的窗口固有变差Lx(p)与y方向的窗口固有变差Ly(p)如式(5)所示：
式中，p代表图像像素点索引，q为以p点为中心的一个矩形区域R(p) 内所有像素点的索引，与分别代表在水平和垂直方向的偏微分，g为高 斯核函数，其表达式如式(6)所示：
式中，xp和yp代表中心点像素p的水平和垂直方向坐标，xq和yq代表 任意像素点q的两个方向坐标，σ的作用是控制窗口的空间尺寸；
则相对总变差模型如式(7)所示：
式中，Sp与Ip分别为输出与输入图像，第一项为保真项，保 证输入与输出图像尽可能接近；第二项为相对总变差；ε 是一个大于零的微小量，保证分母不为零；λ作为该模型的调整参数，控制 保真项与相对总变差的比例，决定图像的光滑程度与纹理抑制效果。
步骤2.2，利用步骤2.1建立的相对总变差模型，将步骤1处理后的图像 在一个小窗口内，计算织物只包含纹理信息窗口与包含织物毛球信息窗口之 间的相对总变差值的差别实现对织物纹理的抑制。
步骤3的具体过程如下：
步骤3.1，对经过步骤2纹理抑制的织物毛球图像，进行阈值处理，阈 值从0～255之间依次增加取值，在阈值过程中，图像中会形成一些连通区域， 观察相邻阈值图像之间连通区域面积的变化情况，若在一个比较宽的阈值范 围内连通区域面积变化较小或者几乎没有变化，则将该区域记为MSER+；
步骤3.2，类似的用255～0之间依次减小的阈值对图像进行二值化处理， 并对连通区域面积进行分析，获得稳定区域MSER-；
步骤3.3，如式(8)所示，将MSER+和MSER-合并，得到MSER；
式中，Qi表示阈值为i时的连通区域，Δ为阈值的变化量，q(i)为阈值 为i时Qi面积的变化率；
当q(i)在i处取得局部极小值时，说明Qi面积变化极小，则该时刻的连 通区域Qi为MSER，将分割得到的毛球图像进行开运算，消除图像中的孤立 像素点，修正毛球尺寸。
步骤4的具体过程如下：
步骤4.1，据式(9)统计各等级标准样照的毛球占比，统计各等级标准 样照中毛球的总面积Sp，则毛球占比如式(9)所示：
式中S表示织物图像的总面积，P为毛球占比；
步骤4.2，利用比例插值法计算各等级之间毛球占比的分界值，如式(10) 所示：
式中，X为相邻两级之间毛球占比的分界值，A和B分别为从标准样品 中提取的相邻两级的毛球占比值；
步骤4.3，根据步骤4.2地到的各等级之间的分界值X，划分各等级毛球 占比的范围，建立起毛起球等级评价标准；
步骤4.4，对待测试样本按照步骤1-步骤3的过程精确分割毛球图像， 计算待测试样本的毛球占比，并依照步骤4.1-步骤4.3建立的毛球等级评价 标准判定测试样本的毛球等级，实现毛球等级的客观评价。
本发明的有益效果是，基于相对总变差模型与MSER的织物毛球等级评 价方法，解决了现有方法在毛球分割时受光照不均以及纹理信息影响而不能 准确分割毛球，导致不能准确评价毛球等级的问题。首先，通过对图像的预 处理有效消除图像光照不均，并增强毛球信息，避免在毛球分割时由于光照 不均而误判毛球；其次，利用相对总变差模型有效抑制织物纹理信息，避免 在分割过程中因纹理信息与毛球信息比较接近而造成误判，影响分割结果； 然后，利用MSER算法结合形态学运算精确分割毛球信息；最后计算毛球总 面积占图像面积的比例，建立织物起毛起球等级评价标准，实现了对织物起 毛起球等级客观且准确的评价。
附图说明
图1是本发明的基于相对总变差模型与MSER的织物毛球等级评价方法 的流程图；
图2是原始织物起毛起球1～5级图像；其中，(a)为1级毛球织物图像； (b)为2级毛球织物图像；(c)为3级毛球织物图像；(d)为4级毛球织 物图像；(e)为5级毛球织物图像；
图3是本发明中对图2图像进行直方图均衡化的结果图；其中，(a)为 1级毛球织物图像；(b)为2级毛球织物图像；(c)为3级毛球织物图像； (d)为4级毛球织物图像；(e)为5级毛球织物图像；
图4是对图3的图像利用卷积核进行滤波后的结果图；其中，(a)为1 级毛球织物图像；(b)为2级毛球织物图像；(c)为3级毛球织物图像；(d) 为4级毛球织物图像；(e)为5级毛球织物图像；
图5是本发明中对图4的图像进行相变总差模型处理后的结果图；其中，(a)为1级毛球织物图像；(b)为2级毛球织物图像；(c)为3级毛球织 物图像；(d)为4级毛球织物图像；(e)为5级毛球织物图像；
图6是本发明中对图5的图像利用MSER算法处理后的结果图；其中， (a)为1级毛球织物图像；(b)为2级毛球织物图像；(c)为3级毛球织 物图像；(d)为4级毛球织物图像；(e)为5级毛球织物图像；
图7是本发明中对图6的图像消除图像中的孤立像素点的图像；其中， (a)为1级毛球织物图像；(b)为2级毛球织物图像；(c)为3级毛球织 物图像；(d)为4级毛球织物图像；(e)为5级毛球织物图像；
图8是现有Gabor方法处理后的织物结果图；其中，(a)为1级毛球织 物图像；(b)为2级毛球织物图像；(c)为3级毛球织物图像；(d)为4级 毛球织物图像；(e)为5级毛球织物图像；
图9是本发明的准确率测试结果。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的基于相对总变差模型与MSER的织物毛球等级评价方法，如图 1所示，具体操作过程包括如下步骤：
步骤1，采集织物原始图像，进行预处理，消除图像光照不均匀现象的 同时增强毛球边缘信息；
由于织物的毛球与背景纹理的灰度值比较接近，难以直接将毛球分割出 来。因此，首先采用直方图均衡化增强毛球图像对比度，凸显毛球区域。光 照变化对织物毛球的分割，以及等级评价结果影响较大，根据Retinex理论， 织物起毛起球图像的光照分量整体变化较为平缓，主要存在于图像低频部 分，而反射分量则主要存在于图像高频部分，其变化比较剧烈，如织物毛球 信息与纹理信息，因此要消除织物图像中的光照不均现象，就需要滤除图像 中的低频信息。
步骤1中对原始织物图像进行预处理的过程包括如下步骤：
步骤1.1，将织物的原始图像缩放至512*512像素，并转换为单通道JPG 格式；
步骤1.2，将步骤1.1处理后的图像进行直方图均衡化增强织物毛球图像 的对比度，凸显毛球区域；
步骤1.2的具体过程如下：
步骤1.2.1，计算原始织物图像的各灰度的概率分布，如式(1)所示：
式中，nk是灰度为rk的像素个数，k表示灰度值，k＝0，1，2，...L-1，L 表示图像灰度级的数量，Pr是灰度级rk出现的概率，MN表示图像的像素总 数，MN＝512*512；
步骤1.2.2，根据输入图像灰度的概率分布情况，利用灰度变换函数对图 像灰度重新分配，变换函数如式(2)所示，利用灰度变换函数将输入图像 中灰度级为rk的各像素映射到输出图像灰度级为sk的对应像素上，完成了 对图像灰度的重新分配，增强毛球图像的对比度；
式中，rk和sk分别表示输入图像的灰度级和对应的输出图像的灰度级。
步骤1.3，利用空间卷积核对图像进行滤波，对毛球图像中的每一个像 素点，计算该点的邻域像素和卷积核对应元素的乘积并求和，作为该点新的 像素值，卷积核结构如式(3)所示，卷积核尺寸为5*5，卷积核中心权值为-25，中心点周围的权值均为1；
通过该卷积核滤波降低光照过强区域图像的灰度值，提高光照过暗区域 图像的灰度值，消除图像光照不均匀现象的同时增强毛球边缘信息；
步骤2，将经步骤1处理后的图像采用相对总变差模型抑制织物的纹理 信息，对织物的纹理结构进行有效消除；
步骤2的具体过程如下：
步骤2.1，建立相对总变差模型，分别计算x方向和y方向的窗口总变 差D(p)和窗口固有变差L(p)，如式(4)和式(5)所示：
x方向的窗口总变差Dx(p)与y方向的窗口总变差Dy(p)如式(4)所示：
x方向的窗口固有变差Lx(p)与y方向的窗口固有变差Ly(p)如式(5)所示：
式中，p代表图像像素点索引，q为以p点为中心的一个矩形区域R(p) 内所有像素点的索引，与分别代表在水平和垂直方向的偏微分，g为高 斯核函数，其表达式如式(6)所示：
式中，xp和yp代表中心点像素p的水平和垂直方向坐标，xq和yq代表 任意像素点q的两个方向坐标，σ的作用是控制窗口的空间尺寸；
则相对总变差模型如式(7)所示：
式中，Sp与Ip分别为输出与输入图像，第一项为保真项，保 证输入与输出图像尽可能接近；第二项为相对总变差；ε 是一个大于零的微小量，保证分母不为零；λ作为该模型的调整参数，控制 保真项与相对总变差的比例，决定图像的光滑程度与纹理抑制效果；
步骤2.2，利用步骤2.1建立的相对总变差模型，将步骤1处理后的图像 在一个小窗口内，计算织物只包含纹理信息窗口与包含织物毛球信息窗口之 间的相对总变差值的差别实现对织物纹理的抑制；
步骤3，采用MSER算法分割织物中的毛球区域，并消除毛球图像区域 中的孤立像素点；
步骤3的具体过程如下：
步骤3.1，对经过步骤2纹理抑制的织物毛球图像，进行阈值处理，阈 值从0～255之间依次增加取值，在阈值过程中，图像中会形成一些连通区域， 观察相邻阈值图像之间连通区域面积的变化情况，若在一个比较宽的阈值范 围内连通区域面积变化较小或者几乎没有变化，则将该区域记为MSER+；
步骤3.2，类似的用255～0之间依次减小的阈值对图像进行二值化处理， 并对连通区域面积进行分析，获得稳定区域MSER-；
步骤3.3，如式(8)所示，将MSER+和MSER-合并，得到MSER；
式中，Qi表示阈值为i时的连通区域，Δ为阈值的变化量，q(i)为阈值 为i时Qi面积的变化率；
当q(i)在i处取得局部极小值时，说明Qi面积变化极小，则该时刻的连 通区域Qi为MSER，将分割得到的毛球图像进行开运算，消除图像中的孤立 像素点，修正毛球尺寸；
步骤4，计算步骤3处理后的图像中毛球占比，建立织物毛球等级评价 标准，实现毛球等级的客观评价；
步骤4的具体过程如下：
步骤4.1，据式(9)统计各等级标准样照的毛球占比，统计各等级标准 样照中毛球的总面积Sp，则毛球占比如式(9)所示：
式中S表示织物图像的总面积，P为毛球占比；
步骤4.2，利用比例插值法计算各等级之间毛球占比的分界值，如式(10) 所示：
式中，X为相邻两级之间毛球占比的分界值，A和B分别为从标准样品 中提取的相邻两级的毛球占比值；
步骤4.3，根据步骤4.2地到的各等级之间的分界值X，划分各等级毛球 占比的范围，建立起毛起球等级评价标准；
步骤4.4，对待测试样本按照步骤1-步骤3的过程精确分割毛球图像， 计算待测试样本的毛球占比，并依照步骤4.1-步骤4.3建立的毛球等级评价 标准判定测试样本的毛球等级，实现毛球等级的客观评价。
实施例
采用本方法对标准样照，如图2所示为1-5级织物毛球图像，进行分析， 实验所用计算机处理器为Intel i5-4460，主频为3.20GHz，配备4G内存， Windows 7操作***，软件编译环境为MatlabR2015b。
经过步骤1预处理后图像分别如图3和图4所示，从图2和图3对比得 到：通过直方图均衡化处理毛球图像后，增强了毛球与织物纹理背景之间的 对比度。与此同时可以明显看出图像四周相对于图像中央比较暗，出现这一 现象是因为图像采集现场比较复杂的光照条件造成了织物表面光照不均匀， 不利于后续的毛球分割，因此需要消除图像光照不均现象。利用设计的滤波 器对图像进行滤波处理之后，如图4所示，毛球图像的光照分量被有效滤除， 图像的整体灰度分布较为均匀，这对于后续的毛球分割至关重要。
在对毛球图像进行了预处理之后，织物纹理对于织物毛球分割而言是目 前存在的最大的干扰因素，利用相对总变差模型对织物毛球图像进行纹理抑 制，如图5所示。经过大量实验得到，当λ取值小于0.02时，纹理抑制不够 充分，许多纹理信息被保留，与毛球信息混为一体，难以区分；而当λ值大 于0.03时，虽然较好的抑制了图像的纹理信息，但同时会导致图像中的毛球 信息大量丢失。当λ值在0.02～0.03之间时，图像纹理噪声得到了很好的抑 制的同时，毛球信息也得到了完整的保留，因此本文选用的λ在0.02～0.03 之间。
通过MSER算法进行毛球分割，结果如图6所示，从分割结果可以看出 有部分噪声点被误判为毛球被分割出来，并且分割得到的部分毛球尺寸略大 于真实毛球，因此对MSER算法的分割结果进行开运算处理如图7所示。通 过开运算处理，误判的毛球被清除掉并且毛球尺寸更接近于真实大小。将本 发明的方法与目前效果较好的Gabor算法进行对比，实验结果如图8所示。 由图8可知，Gabor算法可以很好的抑制织物纹理信息，并且能够准确的定 位分割图像中央部分的毛球信息，但是对于图像四周的毛球定位不准，分割 不够精确。这是由于Gabor算法未能消除光照不均，毛球与纹理之间对比度 较低造成的。而本发明的方法不仅能很好的抑制织物纹理信息，而且能有效 的消除光照不均并准确分割毛球。
在分割毛球后，提取不同等级标准样照的毛球占比值，如表1所示，1 到5级标准毛球图像的毛球占比分别为7.21％，6.51％，5.32％，2.59％，0.14％。
利用比例插值法，求得各等级毛球占比的分界值，并划分范围，将该范 围作为织物起毛起球的评级标准，评级标准如表2所示。当毛球面积占比高 于6.84％时则判定该样本毛球等级为1级，相应的在5.86％～6.84％之间时为 2级，在3.48％～5.86％之间时为3级，在0.27％～3.48％之间时为4级，毛球 面积占比小于0.27％时为5级。
表1各等级标准样照毛球占比
表2织物起毛起球等级评级标准
从样品库中随机挑选10组共50个织物起毛起球样品，采用本发明的方 法进行测试，毛球等级测试混淆矩阵(confusion matrix)如图9所示。在对 挑选的50个样本进行测试时，该方法将两个2级样本误判为1级样本，一 个3级样本误判为2级样本，结果显示本发明的方法对毛球等级评价的准确 率高达94％，能够满足织物起毛起球等级客观评价的需求。
Claims (6)
1.基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，具体操作过程包括如下步骤：
步骤1，采集织物原始图像，进行预处理，消除图像光照不均匀现象的同时增强毛球边缘信息；
步骤2，将经步骤1处理后的图像采用相对总变差模型抑制织物的纹理信息，对织物的纹理结构进行有效消除；
步骤3，采用MSER算法分割织物中的毛球区域，并消除毛球图像区域中的孤立像素点；
步骤4，计算步骤3处理后的图像中毛球占比，建立织物毛球等级评价标准，实现毛球等级的客观评价。
2.如权利要求1所述的基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，所述步骤1中对原始织物图像进行预处理的过程包括如下步骤：
步骤1.1，将织物的原始图像缩放至512*512像素，并转换为单通道JPG格式；
步骤1.2，将步骤1.1处理后的图像进行直方图均衡化增强织物毛球图像的对比度，凸显毛球区域；
步骤1.3，利用空间卷积核对图像进行滤波，对毛球图像中的每一个像素点，计算该点的邻域像素和卷积核对应元素的乘积并求和，作为该点新的像素值，卷积核结构如式(3)所示，卷积核尺寸为5*5，卷积核中心权值为-25，中心点周围的权值均为1；
通过该卷积核滤波降低光照过强区域图像的灰度值，提高光照过暗区域图像的灰度值，消除图像光照不均匀现象的同时增强毛球边缘信息。
3.如权利要求2所述的基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，所述步骤1.2的具体过程如下：
步骤1.2.1，计算原始织物图像的各灰度的概率分布，如式(1)所示：
式中，nk是灰度为rk的像素个数，k表示灰度值，k＝0，1，2，...L-1，L表示图像灰度级的数量，Pr是灰度级rk出现的概率，MN表示图像的像素总数，MN＝512*512；
步骤1.2.2，根据输入图像灰度的概率分布情况，利用灰度变换函数对图像灰度重新分配，变换函数如式(2)所示，利用灰度变换函数将输入图像中灰度级为rk的各像素映射到输出图像灰度级为sk的对应像素上，完成了对图像灰度的重新分配，增强毛球图像的对比度；
式中，rk和sk分别表示输入图像的灰度级和对应的输出图像的灰度级。
4.如权利要求1所述的基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，所述步骤2的具体过程如下：
步骤2.1，建立相对总变差模型，分别计算x方向和y方向的窗口总变差D(p)和窗口固有变差L(p)，如式(4)和式(5)所示：
x方向的窗口总变差Dx(p)与y方向的窗口总变差Dy(p)如式(4)所示：
x方向的窗口固有变差Lx(p)与y方向的窗口固有变差Ly(p)如式(5)所示：
式中，p代表图像像素点索引，q为以p点为中心的一个矩形区域R(p)内所有像素点的索引，与分别代表在水平和垂直方向的偏微分，g为高斯核函数，其表达式如式(6)所示：
式中，xp和yp代表中心点像素p的水平和垂直方向坐标，xq和yq代表任意像素点q的两个方向坐标，σ的作用是控制窗口的空间尺寸；
则相对总变差模型如式(7)所示：
式中，Sp与Ip分别为输出与输入图像，第一项为保真项，保证输入与输出图像尽可能接近；第二项为相对总变差；ε是一个大于零的微小量，保证分母不为零；λ作为该模型的调整参数，控制保真项与相对总变差的比例，决定图像的光滑程度与纹理抑制效果；
步骤2.2，利用步骤2.1建立的相对总变差模型，将步骤1处理后的图像在一个小窗口内，计算织物只包含纹理信息窗口与包含织物毛球信息窗口之间的相对总变差值的差别实现对织物纹理的抑制。
5.如权利要求1所述的基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，所述步骤3的具体过程如下：
步骤3.1，对经过步骤2纹理抑制的织物毛球图像，进行阈值处理，阈值从0～255之间依次增加取值，在阈值过程中，图像中会形成一些连通区域，观察相邻阈值图像之间连通区域面积的变化情况，若在一个比较宽的阈值范围内连通区域面积变化较小或者几乎没有变化，则将该区域记为MSER+；
步骤3.2，类似的用255～0之间依次减小的阈值对图像进行二值化处理，并对连通区域面积进行分析，获得稳定区域MSER-；
步骤3.3，如式(8)所示，将MSER+和MSER-合并，得到MSER；
式中，Qi表示阈值为i时的连通区域，Δ为阈值的变化量，q(i)为阈值为i时Qi面积的变化率；
当q(i)在i处取得局部极小值时，说明Qi面积变化极小，则该时刻的连通区域Qi为MSER，将分割得到的毛球图像进行开运算，消除图像中的孤立像素点，修正毛球尺寸。
6.如权利要求1所述的基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，所述步骤4的具体过程如下：
步骤4.1，根据式(9)统计各等级标准样照的毛球占比，统计各等级标准样照中毛球的总面积Sp，则毛球占比如式(9)所示：
式中S表示织物图像的总面积，P为毛球占比；
步骤4.2，利用比例插值法计算各等级之间毛球占比的分界值，如式(10)所示：
式中，X为相邻两级之间毛球占比的分界值，A和B分别为从标准样品中提取的相邻两级的毛球占比值；
步骤4.3，根据步骤4.2地到的各等级之间的分界值X，划分各等级毛球占比的范围，建立起毛起球等级评价标准；
步骤4.4，对待测试样本按照步骤1-步骤3的过程精确分割毛球图像，计算待测试样本的毛球占比，并依照步骤4.1-步骤4.3建立的毛球等级评价标准判定测试样本的毛球等级，实现毛球等级的客观评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910284929.4A CN110120032A (zh) | 2019-04-10 | 2019-04-10 | 基于相对总变差模型与mser的织物毛球等级评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910284929.4A CN110120032A (zh) | 2019-04-10 | 2019-04-10 | 基于相对总变差模型与mser的织物毛球等级评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110120032A true CN110120032A (zh) | 2019-08-13 |
Family
ID=67520789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910284929.4A Pending CN110120032A (zh) | 2019-04-10 | 2019-04-10 | 基于相对总变差模型与mser的织物毛球等级评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110120032A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490859A (zh) * | 2019-08-21 | 2019-11-22 | 西安工程大学 | 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法 |
| CN110706274A (zh) * | 2019-10-12 | 2020-01-17 | 国家羊绒产品质量监督检验中心 | 一种起毛起球分级测试仪、测试***及测试方法 |
| CN110827267A (zh) * | 2019-11-08 | 2020-02-21 | 武汉海晨工控技术有限公司 | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** |
| CN114066826A (zh) * | 2021-10-29 | 2022-02-18 | 广州冠图视觉科技有限公司 | 一种基于人工智能的织物起毛起球自动评级方法 |
| CN116342583A (zh) * | 2023-05-15 | 2023-06-27 | 山东超越纺织有限公司 | 一种用于纺纱生产加工的抗起球性能检测方法 |
| CN118150595A (zh) * | 2024-05-09 | 2024-06-07 | 江苏德顺纺织有限公司 | 高悬垂性半光涤纶面料织物起毛起球测试方法 |
-
2019
- 2019-04-10 CN CN201910284929.4A patent/CN110120032A/zh active Pending
Non-Patent Citations (7)
| Title |
|---|
| LI XU等: "Structure Extraction from Texture via Relative Total Variation", 《ACADEMIA ACCELERATING THE WORLD"S RESEARCH》 * |
| 周圆圆等: "基于标准样照与图像分析的织物起毛起球评等方法", 《纺织学报》 * |
| 康锋等: "基于最大稳定极值区域的织物图案检索", 《纺织学报》 * |
| 祝双武等: "基于PCNN的织物起球图像的分割", 《中国图象图形学报》 * |
| 蔡林莉等: "基于图像处理的粗梳毛织物起毛起球等级客观评定", 《毛纺科技》 * |
| 赵喜林: "基于相对总差和水平集的织物毛球分割", 《浙江工贸职业技术学院学报》 * |
| 陈霞等: "图像处理技术在评估织物起球等级上的应用", 《纺织导报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490859A (zh) * | 2019-08-21 | 2019-11-22 | 西安工程大学 | 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法 |
| CN110706274A (zh) * | 2019-10-12 | 2020-01-17 | 国家羊绒产品质量监督检验中心 | 一种起毛起球分级测试仪、测试***及测试方法 |
| CN110827267A (zh) * | 2019-11-08 | 2020-02-21 | 武汉海晨工控技术有限公司 | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** |
| CN110827267B (zh) * | 2019-11-08 | 2023-04-07 | 武汉海晨工控技术有限公司 | 一种白酒厂原酒酿造过程配糟质量视觉分析方法及*** |
| CN114066826A (zh) * | 2021-10-29 | 2022-02-18 | 广州冠图视觉科技有限公司 | 一种基于人工智能的织物起毛起球自动评级方法 |
| CN116342583A (zh) * | 2023-05-15 | 2023-06-27 | 山东超越纺织有限公司 | 一种用于纺纱生产加工的抗起球性能检测方法 |
| CN116342583B (zh) * | 2023-05-15 | 2023-08-04 | 山东超越纺织有限公司 | 一种用于纺纱生产加工的抗起球性能检测方法 |
| CN118150595A (zh) * | 2024-05-09 | 2024-06-07 | 江苏德顺纺织有限公司 | 高悬垂性半光涤纶面料织物起毛起球测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
| CN106407917B (zh) | 基于动态尺度分配的视网膜血管提取方法及*** | |
| AU2008338623B2 (en) | Characterizing a texture of an image | |
| CN106530279B (zh) | 一种图像处理方法及*** | |
| CN102855491B (zh) | 一种基于网络中心性的脑功能磁共振图像分类方法 | |
| CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| CN101540048A (zh) | 一种基于支持向量机的图像质量评价方法 | |
| CN101727662A (zh) | Sar图像非局部均值去斑方法 | |
| CN110188614A (zh) | 一种基于皮裂纹分割的nlm滤波指静脉去噪方法 | |
| CN103279957A (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
| CN108319966A (zh) | 一种变电站复杂背景红外图像中设备的识别分类方法 | |
| CN113837974B (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
| CN107273812B (zh) | 一种用于身份认证的活体虹膜防伪方法 | |
| CN103366373B (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 | |
| CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
| CN110310291A (zh) | 一种稻瘟病分级***及其方法 | |
| CN109409389A (zh) | 一种融合多特征的面向对象变化检测方法 | |
| CN110490895A (zh) | 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 | |
| CN109801305A (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
| CN110021019A (zh) | 一种aga临床图像的ai辅助毛发的粗细分布分析方法 | |
| CN109816618A (zh) | 一种基于自适应阈值的区域能量光子计数图像融合算法 | |
| CN113420793A (zh) | 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法 | |
| CN105631441A (zh) | 一种人脸识别方法 | |
| Qiao | Application of Gabor image recognition technology in intelligent clothing design | |
| Anandgaonkar et al. | Brain tumor detection and identification from T1 post contrast MR images using cluster based 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190813 |
|
| RJ01 | Rejection of invention patent application after publication |