CN115311310A - 通过图割实现纺织品印花图案提取的方法 - Google Patents
通过图割实现纺织品印花图案提取的方法 Download PDFInfo
- Publication number
- CN115311310A CN115311310A CN202211232307.5A CN202211232307A CN115311310A CN 115311310 A CN115311310 A CN 115311310A CN 202211232307 A CN202211232307 A CN 202211232307A CN 115311310 A CN115311310 A CN 115311310A
- Authority
- CN
- China
- Prior art keywords
- area
- printing
- pixel
- analyzed
- sub
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005520 cutting process Methods 0.000 title claims abstract description 25
- 238000007639 printing Methods 0.000 claims abstract description 109
- 239000004744 fabric Substances 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000005728 strengthening Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 26
- 238000004364 calculation method Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000970807 Thermoanaerobacterales Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种通过图割实现纺织品印花图案提取的方法,该方法包括:采集纺织品图像,并对图像进行分割得到多个子区域,获取印花目标区域和背景目标区域;构建准则函数,利用图割算法和准则函数生成目标图像对应的无向图,根据所述无向图对目标区域进行分割,得到纺织品的印花图案部分;准则函数中的先验惩罚项的获取方法具体为:计算布料底纹显著系数,根据区域内的椭圆边缘获取印花加强系数;进而获得各区域对应的系数,分别根据区域与印花目标区域以及背景目标区域的系数的相似度计算边权值,根据边权值获取准则函数中的先验惩罚项。本发明能够将印花图案准确的提取出来。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种通过图割实现纺织品印花图案提取的方法。
背景技术
纺织行业是我国经济发展的支柱产业之一,针对纺织品图案的处理技术也在不断发展,通过对纺织品或者织物中印花图案的提取,将印花图案进行多尺度组合和多方案配色,可以丰富印花种类。但是纺织品或者织物的印花图案多种多样,其颜色,形状,纹理都各不相同,而且纺织品或者织物的纹理较为复杂,都在很大程度上增加了印花图案提取的难度。
传统的印花图案提取方法,一是通过人工进行边缘的切割划分,这种分割方法作用效果较好,但是时间消耗较多,还会受到主观因素的影响;二是通过深度学习方法进行提取,效果很好但构建深度学习网络需要大量精力和训练样本且耗时较长;三是通过图像分割对印花进行提取,方便快捷,计算量少,但对于印花的分割较为粗糙,尤其是对于印花的边缘部分提取。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种通过图割实现纺织品印花图案提取的方法,所采用的技术方案具体如下:
采集纺织品的RGB图像,对该图像进行划分得到目标图像和背景图像,对目标图像进行均匀分割得到多个子区域;基于各子区域像素点的像素值以及像素点的位置分布计算各子区域的显著度,获取显著度最大的子区域作为印花目标区域;对背景图像进行均匀分割得到背景目标区域;
构建准则函数,利用图割算法和准则函数生成目标图像对应的无向图,根据所述无向图对目标图像进行分割,得到纺织品的印花图案部分;
其中,准则函数中的先验惩罚项的获取方法具体为:将分割后的目标图像进行灰度化处理得到的图像中的子区域记为待分析区域;对待分析区域进行直线检测,获取并根据所有直线的倾斜角度以及所有相邻两条直线间的距离,计算布料底纹显著系数;
对待分析区域进行霍夫椭圆检测得到椭圆边缘,根据椭圆边缘内像素点的像素值计算印花像素显著系数;若待分析区域内存在椭圆边缘对应的印花像素显著系数大于预设阈值,则根据待分析区域内椭圆边缘的数量计算印花加强系数;若不存在,则印花加强系数的取值为第一数值;
根据所述布料底纹显著系数和印花加强系数得到各待分析区域的系数,并按照同样的方法获取印花目标区域和背景目标区域的系数;根据待分析区域与印花目标区域的系数的相似度计算第一边权值,根据待分析区域与背景目标区域的系数的相似度计算第二边权值;根据第一边权值和第二边权值获得先验惩罚项。
优选地,所述子区域的显著度的获取方法具体为:
对于子区域内各像素点,计算像素点与其邻域内像素点的像素值差值的均值得到像素点的颜色差异度,获取子区域内所有像素点的颜色差异度的均值得到该子区域的颜色差异度;将分割后的目标图像转化为灰度图像,获取灰度图像上子区域内所有像素点的像素值均值,根据子区域内各像素点与所述像素值均值的差值得到子区域的明暗差异度;获取目标图像的中心点坐标以及各子区域的中心点坐标,根据子区域的中心点坐标值和目标图像的中心点坐标值的差值得到子区域的位置分布系数;对子区域的颜色差异度、明暗差异度和位置分布系数进行加权求和得到子区域的显著度。
优选地,所述布料底纹显著系数的获取方法具体为:
获取待分析区域内所有直线的倾斜角度,进而获取所有直线的倾斜角度的中值,将所有直线的倾斜角度重新设置为与中值相等的值;获取重新设置后所有直线中相邻两直线之间的距离,并获取所有相邻两直线之间距离的中值,计算布料底纹显著系数,用公式表示为:
其中,表示子区域Q对应的待分析区域的布料底纹显著系数,表示该待分析区域的倾斜角度显著系数,表示该待分析区域的距离显著系数,表示第n条直线的倾斜角度,表示调整中值,表示第n条直线与其相邻的直线间的距离,表示所有距离的中值,N为直线的数量,表示数量阈值。
优选地,所述印花像素显著系数的获取方法具体为:
获取待分析区域对应的RGB图像,进而获取椭圆边缘内各像素点分别在R、G和B三个通道图像上对应的像素值,计算印花像素显著系数,用公式表示为:
其中,表示椭圆边缘h的印花像素显著系数,表示该椭圆边缘内第k个像素点在R通道图像上的像素值,表示该椭圆边缘内第k个像素点在G通道图像上的像素值,表示该椭圆边缘内第k个像素点在B通道图像上的像素值,K表示该椭圆边缘内像素点的总数量,为调节系数。
优选地,所述根据待分析区域内椭圆边缘的数量计算印花加强系数具体为:
将印花像素显著系数大于预设阈值的椭圆边缘与椭圆进行拟合,得到椭圆的拟合优度;获取各椭圆边缘内的中心点坐标,根据中心点坐标对各椭圆边缘进行聚类,得到多个花朵簇;根据待分析区域内花朵簇的数量和椭圆的拟合优度得到印花加强系数。
优选地,所述方法在获取印花加强系数之后还包括:
获取各花朵簇的最小外接矩形,针对每个所述最小外接矩形进行阈值分割得到花朵簇部分和花枝部分;对花枝部分进行直线拟合得到花枝线段,做过花枝线段上指定位置处且与花枝线段垂直的垂直线段,按照设定距离获取与所述垂直线段平行的线段,且该平行的线段端点为花朵簇边缘上的像素点;根据各平行的线段的长度计算印花形状均匀度;
若印花加强系数为第一数值,则印花形状特征值也为第一数值;否则,根据印花加强系数和印花形状均匀度得到印花形状特征值;进而根据布料底纹显著系数和印花形状特征值计算各待分析区域的系数。
本发明实施例至少具有如下有益效果:
本发明通过构建准则函数,利用图割算法和准则函数生成目标图像对应的无向图,根据无向图对目标图像进行分割,得到纺织品的印花图案部分。根据纺织品的布料底纹特征构建布料底纹显著系数;根据印花样式的颜色特征构建印花像素显著系数,根据印花样式的形状特征获取印花形状特征值;并从这几个方面对准则函数的先验惩罚项进行改进。本发明在对图像进行分割时充分考虑了纺织品上印花图案的特征情况,并对准则函数算法做出了改进,使得提取到的印花图案更加精确,同时,将匹配过程中的像素点匹配转化为块匹配,再对块进行迭代,大大加快运算速度,使计算机对于印花的分割速度加快。且本发明较传统方法可以实现提取纺织印花图案过程的全自动化,并且不需要获取大量的数据集进行分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明的一种通过图割实现纺织品印花图案提取的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种通过图割实现纺织品印花图案提取的方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种通过图割实现纺织品印花图案提取的方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种通过图割实现纺织品印花图案提取的方法流程图,该方法包括以下步骤:
步骤一,采集纺织品的RGB图像,对该图像进行划分得到目标图像和背景图像,对目标图像进行均匀分割得到多个子区域;基于各子区域像素点的像素值以及像素点的位置分布计算各子区域的显著度,获取显著度最大的子区域作为印花目标区域;对背景图像进行均匀分割得到背景目标区域。
首先,利用相机采集包含纺织品的RGB图像,由于采集的图像会有噪声,会对后续的操作处理结果产生影响,所以对图像进行预处理,消除噪声和部分外界干扰造成的影响,增强后续分析的准确性。在本实施例中,采用高斯滤波对图像降噪,消除随机噪声。对该图像进行划分得到目标图像和背景图像,其中目标图像包含完整的纺织品,背景图像完全不包含纺织品。在本实施例中,采用目标检测算法中YOLO算法,获取纺织品的RGB图像中包含完整的纺织品的边界框,将该图像按照边界框进行分割。
然后,对目标图像进行均匀分割得到多个子区域,进而从颜色差异、明暗差异以及位置分布三个方面进行计算子区域的显著度。由于目标图像为RGB图像,每个像素点分别在R、G和B三个通道下对应一个像素值,即每个像素点对应一个(r,g,b)坐标值,分别对应三个通道下的像素值,且像素值的取值范围均为[0,255],该范围过大不利于统计计算,故对像素点各个通道像素值进行分级得到像素等级。在本实施例中将其分为8个等级,统计每个像素点对应的像素等级在三个通道下分别出现的次数,分别构建三个通道下对应的颜色直方图,横坐标轴为像素等级,纵坐标轴为像素等级分别在三个通道对应的图像上出现的次数。
(1)对于子区域内各像素点,计算像素点与其邻域内像素点的像素值差值的均值得到像素点的颜色差异度,获取子区域内所有像素点的颜色差异度的均值得到该子区域的颜色差异度。
具体地,在纺织品或者织物上的印花一般含有固定的且较为规律的印花图案和底色部分,且印花图案与底色部分的颜色较为分明,印花图案部分由于印花图案的多种多样其颜色也是多种多样的,而底色部分的颜色较为统一,故印花图案部分的颜色差异程度相较于底色部分的颜色差异程度较大,以此特征为基础构建系数描述其颜色差异度。
对每个子区域的各像素点,计算像素点与其邻域像素点的颜色标准差,用公式表示为:
其中,表示像素点i与像素点j的颜色标准差,且像素点j为像素i的邻域像素点。和分别表示像素点i和像素点j在R通道图像上的像素值,和分别表示像素点i和像素点j在G通道图像上的像素值。和分别表示像素点i和像素点j在B通道图像上的像素值。
对子区域内的每一个像素点按照上述公式获得像素点与邻域像素点的颜色标准差,在本实施例中,通过计算像素点与该像素点的4邻域内各像素点的颜色标准差的平均值,作为该像素点的颜色差异度,将子区域内所有像素点的颜色差异度的平均值记为该子区域的颜色差异度。
(2)将分割后的目标图像转化为灰度图像,获取灰度图像上子区域内所有像素点的像素值均值,根据子区域内各像素点与所述像素值均值的差值得到子区域的明暗差异度。
具体地,对于印花图案而言,一般由不同亮度、不同颜色和不同形状的多个基础图形组合而成,故印花图案上的明暗差异较为明显,以此特征为基础构建系数描述其明暗差异。
在本实施例中,采用最大平均法将目标图像转化为灰度图像,获取灰度图像上各子区域像素点的灰度值均值,计算各子区域的明暗差异度,用公式表示为:
(3)获取目标图像的中心点坐标以及各子区域的中心点坐标,根据子区域的中心点坐标值和目标图像的中心点坐标值的差值得到子区域的位置分布系数。
具体地,由于目标图像中包含完整的纺织品,但是该图像中仍存在一部分属于背景的部分,则越靠近图像的中心位置处越有可能属于纺织品,以此特征为基础构建系数描述区域与目标图像中心点的位置分布关系。
获取目标图像的中心点坐标以及各子区域的中心点坐标,计算各子区域的位置分布系数,用公式表示为:
(4)对子区域的颜色差异度、明暗差异度和位置分布系数进行加权求和得到子区域的显著度,用公式表示为:
其中,表示子区域Q的显著度,表示子区域Q的颜色差异度,表示子区域Q的明暗差异度,表示子区域Q的位置分布系数,、和为权重系数,在本实施例中的取值分别为0.35、0.4和0.25,实施者也可根据实际情况进行设置。
按照上述方法计算各区域的显著度,进而获取显著度最大的子区域作为印花目标区域。对于一个子区域。其显著度的取值越大,说明该子区域内图案的颜色差异程度越大,该子区域内图案的明暗差异程度越大,该子区域越靠近目标图像的中心位置,属于纺织品上印花图案的可能性越大,故以该区域为对比的模板进行后续的图像分割处理。
最后,根据子区域的尺寸大小对背景图像进行分割得到背景目标区域,由于背景图像中为较为统一的场景,只需要任意选择其中的一部分进行分割处理得到与子区域相同大小的区域即可,实施者可根据实际情况选择合适的阈值分割算法或者其他图像分割的算法。后续可根据图割,将目标图像中各子区域分别与印花目标区域以及背景目标区域进行匹配,根据匹配程度将图像中的纺织品印花图案提取出来。
步骤二,构建准则函数,利用图割算法和准则函数生成目标图像对应的无向图,根据所述无向图对目标图像进行分割,得到纺织品的印花图案部分。
具体地,构建准则函数,该准则函数包括改进后的先验惩罚项以及原算法中的相似度惩罚项。将目标图像中各子区域分别与印花目标区域以及背景目标区域用边连接起来,采用准则函数中的先验惩罚项计算边的权值;将子区域之间也用边连接起来,采用准则函数原算法中的相似度惩罚项计算边的权值。
之后通过准则函数的计算,根据计算结果选择需要断开的边,实现印花上的像素点组成一个整体、其余部分像素点组成另外一个整体的目的,进而将纺织品的印花图案提取出来。
但是由于每个子区域是通过均匀划分,可能会存在划分较为粗糙、不精确的情况,故对于目标图像中属于纺织品边缘部分的子区域,将其进行均匀分割处理,并按照对各子区域处理的相同方式重新进行划分和判断,多次迭代,直至需要划分的区域无法划分时为止,能够获取更加准确的纺织品的边缘部分,使得提取出来的纺织品的印花图案部分更加精确。
根据Graph cut算法即图割算法和准则函数,生成关于子区域的无向图并将图像进行分割,得到提取出来的纺织品印花图案部分。其中,根据图割算法和准则函数生成无向图为现有技术,在此不再过多介绍,准则函数是作为无向图中边的权值的计算工具,由先验惩罚项和相似度惩罚项两部分构成,在本实施例中,仅对准则函数中的先验惩罚项进行改进,后续将做详细的说明。
需要说明的是,对于本实施例中需要提取的纺织品中的印花图案不仅包括印花等图案也包括纺织品上属于印花图案部分的底色,也可以说是对完整的纺织品或者织物进行分割,该纺织品可能被人穿着在身上,或者该纺织品可能被放置在某处平台上,具体场景需要根据实际情况进行设置。
步骤三,准则函数中的先验惩罚项的获取方法具体为:将分割后的目标图像进行灰度化处理得到的图像中的子区域记为待分析区域;对待分析区域进行直线检测,获取并根据所有直线的倾斜角度以及所有相邻两条直线间的距离,计算布料底纹显著系数。
首先,需要说明的是,准则函数中的先验惩罚项主要是识别判断目标图像中各子区域内的像素点与两个目标区域中哪个区域更为相似,若子区域内各像素点与印花目标区域相似程度高且与背景目标区域相似程度低,则表明该子区域内的像素点为要提取的印花图像内的一部分,否则为其他的背景部分。
需要将目标图像转化为灰度的图像再进行后续的分析。即将分割后的目标图像由RGB图像转换为灰度图像,将灰度化处理后得到的图像中各子区域对应的区域记为待分析区域。实施者可根据实际情况选择合适的算法对图像进行灰度化处理。
然后,由于属于成品衣物的纺织品或者织物一般是通过人工或者机器在纺织机上使经纱和纬纱相互交织而成,故属于成品衣物的纺织品上一定会存在纺织纹路,即经纬纱线相互交错的规律。印有印花图案的夏季衣物为了达到凉爽排汗的目的,通常会存在较为明显的纺织纹路,带有均匀的条状交织底纹,该底纹在日常光下即可呈现出来,不需要特殊角度或者打光等特殊处理,以此作为判断子区域与印花目标区域相似还是与背景目标区域相似的一个识别特征。
具体地,对各待分析区域使用canny算子进行边缘检测获得各待分析区域对应的边缘二值图像,对各待分析区域对应的边缘二值图像使用霍夫直线检测算法进行直线检测,识别出区域内的直线,同时获取每条直线的倾斜角度,在本实施例中,直线的倾斜角度为与水平方向的夹角,实施者可根据实际情况进行设置。
由于纺织品或者织物的布料含有条状的且间隔呈现的条纹,故利用霍夫直线检测算法能够检测出多条近似平行的直线。而对纺织品进行图像采集时,纺织品不可避免会出现褶皱、折叠等现象,这些现象可能会导致图像中布料的底纹上一些直线的倾斜角度发生偏差较大的情况。所以将获得的直线的倾斜角度限制在一个较小的允许误差范围内,即获取所有直线的倾斜角度的中值,根据中值设置允许误差范围,记为,其中为所述倾斜角度的中值,为误差值,在本实施例中的取值为2°,实施者可根据实际情况进行设置。
将直线的倾斜角度在允许误差范围内的按照从小到大的顺序进行排列,进而获取这些倾斜角度的中值记为调整中值,再将在允许误差范围内的直线的倾斜角度替换为与调整中值相等的值。则可获取调整后的所有直线中每相邻的两条直线之间的距离,获取直线之间的距离为公知技术,在此不再过多介绍。
需要说明的是,替换倾斜角度是为了计算直线之间的距离。由于布料的底纹中对应的边缘直线之间允许存在一定的误差,所以直线的倾斜角度不一定完全相同,而只有互相平行的两条直线才能计算两条直线间的距离,故需要先替换直线的倾斜角度再进行距离计算。
最后,根据直线的倾斜角度和直线间的距离设定布料底纹显著系数,用公式表示为:
其中,表示子区域Q对应的待分析区域的布料底纹显著系数,表示该待分析区域的倾斜角度显著系数,表示该待分析区域的距离显著系数,表示第n条直线的倾斜角度,表示调整中值,表示第n条直线与其相邻的直线间的距离,表示所有距离的中值,N为直线的数量,表示数量阈值,在本实施例中数量阈值的取值为4,即对于一个待分析区域内的直线,需要限制进行分析的直线数量,对过少的满足要求的直线不做相应的分析,实施者可以根据实际情况进行设置阈值的取值。
当待分析区域为含有纺织品布料的区域时,该待分析区域的布料上呈现出均匀条状交织底纹,则底纹对应的直线之间的倾斜角度和直线间的距离越均匀,倾斜角度显著系数和距离显著系数的取值就越大,布料底纹显著系数相应的也越大。反之,当待分析区域为不含有纺织品布料的区域时,布料底纹显著系数的取值越小。
步骤四,对待分析区域进行霍夫椭圆检测得到椭圆边缘,根据椭圆边缘内像素点的像素值计算印花像素显著系数;若待分析区域内存在椭圆边缘对应的印花像素显著系数大于预设阈值,则根据待分析区域内椭圆边缘的数量计算印花加强系数;若不存在,则印花加强系数的取值为第一数值。
首先,需要说明的是,对于不同纺织品上的印花图案,有着各种各样的样式和各种各样的配色,在本实施例中,以最为常见的由椭圆花瓣构成的花朵样式的印花图案为例进行说明,该花朵主要呈现为黄色花瓣,实施者可根据实际情况选择印花的样式以及印花的颜色。
对于各待分析区域对应的边缘二值图像,使用霍夫圆检测算法对图像进行检测获取待分析区域中的椭圆边缘,根据像素点的位置,将各椭圆边缘及其内部的所有像素点作为一个整体进行分析,这些椭圆边缘内部像素点则可以看作是印花上的椭圆花瓣。其中,对于不同的印花样式实施者需要进行不同的连通域分析,例如若印花样式中包含不规则的四边形花瓣,可先获取四边形的连通域,再对连通域内的像素点进行分析。
然后,获取各待分析区域对应的RGB图像,进而获取椭圆边缘内每个像素点分别在R、G和B三个通道图像上对应的像素值,进而计算印花像素显著系数,用公式表示为:
其中,表示椭圆边缘h的印花像素显著系数,表示该椭圆边缘内第k个像素点在R通道图像上的像素值,表示该椭圆边缘内第k个像素点在G通道图像上的像素值,表示该椭圆边缘内第k个像素点在B通道图像上的像素值,K表示该椭圆边缘内像素点的总数量,为调节系数。
通过计算待分析区域内各椭圆边缘的印花显著系数,对椭圆边缘进行筛选,挑选出符合印花样式特征的椭圆边缘。在本实施例中,印花样式为黄色花朵,且黄色花朵由多个椭圆的近似实心的黄色花瓣构成,故在待分析区域中的椭圆边缘根据黄色在R、G和B三个通道下分别对应的值的特征筛选出来。若一个像素点想要呈现出黄色,则该像素点在B通道下对应的值应较小,且R和G两个通道下分别对应的值应较大且较为相近。当椭圆边缘内像素点的颜色特征越明显,其颜色越偏向于黄色,椭圆边缘的印花像素显著系数的取值越大。
然后,设置预设阈值,当椭圆边缘的印花像素显著系数大于预设阈值时,则认为该椭圆边缘为想要提取的印花样式中的花瓣部分。在本实施例中,预设阈值的取值为。将筛选出来符合特征的椭圆边缘与椭圆进行拟合,获得拟合优度。其中,椭圆的拟合优度的获取方法为公知技术,在此不再过多介绍。
在本实施例中的黄色花朵样式印花会呈聚集状分布在待分析区域内的不同位置,呈现出椭圆花瓣在较小范围内聚集,黄色花朵在待分析区域内分散的特征。故可对符合特征的椭圆边缘进行聚类,将聚为一类的椭圆边缘构成一个花朵簇。具体地,获取筛选出来符合特征的椭圆边缘的中心点坐标,根据中心点坐标对椭圆边缘进行聚类,采用DBSCAN聚类算法,半径的取值为3,MinPts=4,得到多个花朵簇,并获取每个花朵簇中包含的椭圆边缘的数量。
最后,聚类后会将聚集在一起的多个椭圆状花瓣的中心分为一个簇类,根据上述特征构建印花花朵存在的印花加强系数,用公式表示为:
当一个花朵簇中椭圆边缘与椭圆越相似即拟合优度越大,椭圆花瓣的数量越多,待分析区域内包含的花朵簇的数量越多,则印花花朵存在的印花加强系数越大,且一个花朵簇对应一个印花加强系数。
若待分析区域内未检测到花朵簇,即待分析区域内包含花朵簇的数量为0时,直接将印花花朵存在的印花加强系数的取值设置为第一数值,在本实施例中第一数值的取值为1。
步骤五,根据所述布料底纹显著系数和印花加强系数得到各待分析区域的系数,并按照同样的方法获取印花目标区域和背景目标区域的系数;根据待分析区域与印花目标区域的系数的相似度计算第一边权值,根据待分析区域与背景目标区域的系数的相似度计算第二边权值;根据第一边权值和第二边权值获得先验惩罚项。
首先,在本实施例中,还包括获取印花形状特征值,根据布料底纹显著系数和印花加强系数以及印花形状特征值得到各待分析区域的系数。需要说明的是,由于本实施例中的印花样式酷似宝塔形状,即从花朵的底部到顶端宽度逐渐变窄,以此特征构建特征值描述印花花朵形状的均匀度。
获取各花朵簇的最小外接矩形,针对每个所述最小外接矩形进行阈值分割得到花朵簇部分和花枝部分。由于在本实施例中的印花样式为串状的花朵,而非团状花朵,故在花朵簇中有花枝的存在,花瓣大多分布在花枝两侧,但是可能在花朵簇底部才显现出一小部分花枝。在利用最小外接矩形获取花朵簇所在位置部分的图像后,再对最小外接矩形内的像素点进行分割,将属于花枝的部分分割出来,在此根据像素点的灰度值使用大津阈值分割法进行处理。进而可以根据花枝进行直线拟合,获取该花枝的大致走向,根据该走向对花朵形状进行分析,判断其是否满足从花朵的底部到顶端宽度逐渐变窄的形状特征。
具体地,对花枝部分进行直线拟合得到花枝线段,做过花枝线段上指定位置处且与花枝线段垂直的垂直线段,按照设定距离获取与所述垂直线段平行的线段,且该平行的线段端点为花朵簇边缘上的像素点。
在本实施例中,选择花朵簇底部与花枝线段的交点为指定位置,做过该指定位置且与花枝线段垂直的垂直线段,实施者可根据花朵的形状设置更加合适的指定位置,例如花枝线段的中点等位置。则垂直线段将最小外接矩形内的花朵形状分为两部分,一部分花朵簇的占比较多,一部分花枝的占比较多。选择包含较多的属于花朵簇的像素点的部分,按照一定距离获取设定数量的且与垂直线段互相平行的线段,线段之间的距离以及获取的线段数量需要实施者根据整个花朵形状的长度进行设置。同时,获取平行的线段顺序要从垂直线段处依次由近及远或者由远及近进行获取。
根据各平行的线段的长度计算印花形状均匀度,用公式表示为:
其中,表示花朵簇v对应的印花形状均匀度,表示花朵簇v对应的线段递减均值,为第t+1条平行的线段,为第t条平行的线段,表示平行的线段的数量,表示调节系数,作用为保证函数值大于1,实施者可根据实际情况进行设置,在本实施例中平行线段的数量的取值为50。
由于本实施例中获取平行线段的顺序为从垂直线段处依次由近及远,故当对应的平行线段长度的递减量越均匀,则印花形状均匀度的取值越大,即当印花花朵部分存在宝塔形状,则花朵部分内存在上述平行的线段长度递减量均匀变化的情况。
若印花加强系数为第一数值,则印花形状特征值也为第一数值;否则,根据印花加强系数和印花形状均匀度得到印花形状特征值,用公式表示为:
然后,根据布料底纹显著系数和印花形状特征值计算各待分析区域的系数,用公式表示为:
同时,需要按照上述相同的方法获取印花目标区域以及背景目标区域的系数,进而根据所述系数的差值绝对值的倒数获取各子区域对应的待分析区域与印花目标区域的相似度、以及与背景目标区域的相似度。实施者也可根据其他方法获取系数之间的相似度。
当待分析区域与印花目标区域的相似度取值越大,则待分析区域与印花目标区域越相似,同理,当待分析区域与背景目标区域的相似度取值越大,则待分析区域与背景目标区域越相似。
最后,根据待分析区域与印花目标区域的系数的相似度计算第一边权值,根据待分析区域与背景目标区域的系数的相似度计算第二边权值,用公式表示为:
其中,为第一边权值,为子区域Q对应的待分析区域系数与印花目标区域系数的相似度,为第二边权值,为子区域Q对应的待分析区域系数与背景目标区域系数的相似度。在本实施例中,边权值计算的方法与准则函数中原算法规则相同。
当待分析区域中的像素点与印花目标区域的像素点相似程度越大时,则第一边权值越小,同理,当待分析区域中的像素点与背景目标区域的像素点相似程度越大时,第二边权值越小。最终按照准则函数的原算法公式构建准则函数,即,其中E为准则函数,为先验惩罚项,在本实施例中为子区域对应的待分析区域与两个目标区域的边权值,为相似度惩罚项,在本实施例中仍采用准则函数原算法中的方法,为平衡因子,经验值取2。
当先验惩罚项越小时,即对应的边权值越小,待分析区域与两个目标区域的相似度越大,即待分析区域越可能对应该目标区域。若计算公式对应的为印花目标区域,则该待分析区域越可能为印花,若计算公式对应的为背景目标区域,则该待分析区域越可能为背景,具体运算方法为准则函数算法规则,为公知技术,在此不再过多介绍。
需要说明的是,在本实施例中所提及到的待分析区域与子区域是一一对应的关系,子区域为待分析区域的RGB图像,待分析区域为子区域的灰度图像。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种通过图割实现纺织品印花图案提取的方法,其特征在于,该方法包括以下步骤:
采集纺织品的RGB图像,对该图像进行划分得到目标图像和背景图像,对目标图像进行均匀分割得到多个子区域;基于各子区域像素点的像素值以及像素点的位置分布计算各子区域的显著度,获取显著度最大的子区域作为印花目标区域;对背景图像进行均匀分割得到背景目标区域;
构建准则函数,利用图割算法和准则函数生成目标图像对应的无向图,根据所述无向图对目标图像进行分割,得到纺织品的印花图案部分;
其中,准则函数中的先验惩罚项的获取方法具体为:将分割后的目标图像进行灰度化处理得到的图像中的子区域记为待分析区域;对待分析区域进行直线检测,获取并根据所有直线的倾斜角度以及所有相邻两条直线间的距离,计算布料底纹显著系数;
对待分析区域进行霍夫椭圆检测得到椭圆边缘,根据椭圆边缘内像素点的像素值计算印花像素显著系数;若待分析区域内存在椭圆边缘对应的印花像素显著系数大于预设阈值,则根据待分析区域内椭圆边缘的数量计算印花加强系数;若不存在,则印花加强系数的取值为第一数值;
根据所述布料底纹显著系数和印花加强系数得到各待分析区域的系数,并按照同样的方法获取印花目标区域和背景目标区域的系数;根据待分析区域与印花目标区域的系数的相似度计算第一边权值,根据待分析区域与背景目标区域的系数的相似度计算第二边权值;根据第一边权值和第二边权值获得先验惩罚项。
2.根据权利要求1所述的一种通过图割实现纺织品印花图案提取的方法,其特征在于,所述子区域的显著度的获取方法具体为:
对于子区域内各像素点,计算像素点与其邻域内像素点的像素值差值的均值得到像素点的颜色差异度,获取子区域内所有像素点的颜色差异度的均值得到该子区域的颜色差异度;
将分割后的目标图像转化为灰度图像,获取灰度图像上子区域内所有像素点的像素值均值,根据子区域内各像素点与所述像素值均值的差值得到子区域的明暗差异度;
获取目标图像的中心点坐标以及各子区域的中心点坐标,根据子区域的中心点坐标值和目标图像的中心点坐标值的差值得到子区域的位置分布系数;
对子区域的颜色差异度、明暗差异度和位置分布系数进行加权求和得到子区域的显著度。
3.根据权利要求1所述的一种通过图割实现纺织品印花图案提取的方法,其特征在于,所述布料底纹显著系数的获取方法具体为:
获取待分析区域内所有直线的倾斜角度,进而获取所有直线的倾斜角度的中值,将所有直线的倾斜角度重新设置为与中值相等的值;获取重新设置后所有直线中相邻两直线之间的距离,并获取所有相邻两直线之间距离的中值,计算布料底纹显著系数,用公式表示为:
5.根据权利要求1所述的一种通过图割实现纺织品印花图案提取的方法,其特征在于,所述根据待分析区域内椭圆边缘的数量计算印花加强系数具体为:
将印花像素显著系数大于预设阈值的椭圆边缘与椭圆进行拟合,得到椭圆的拟合优度;获取各椭圆边缘内的中心点坐标,根据中心点坐标对各椭圆边缘进行聚类,得到多个花朵簇;根据待分析区域内花朵簇的数量和椭圆的拟合优度得到印花加强系数。
6.根据权利要求5所述的一种通过图割实现纺织品印花图案提取的方法,其特征在于,所述方法在获取印花加强系数之后还包括:
获取各花朵簇的最小外接矩形,针对每个所述最小外接矩形进行阈值分割得到花朵簇部分和花枝部分;对花枝部分进行直线拟合得到花枝线段,做过花枝线段上指定位置处且与花枝线段垂直的垂直线段,按照设定距离获取与所述垂直线段平行的线段,且该平行的线段端点为花朵簇边缘上的像素点;根据各平行的线段的长度计算印花形状均匀度;
若印花加强系数为第一数值,则印花形状特征值也为第一数值;否则,根据印花加强系数和印花形状均匀度得到印花形状特征值;进而根据布料底纹显著系数和印花形状特征值计算各待分析区域的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232307.5A CN115311310B (zh) | 2022-10-10 | 2022-10-10 | 通过图割实现纺织品印花图案提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232307.5A CN115311310B (zh) | 2022-10-10 | 2022-10-10 | 通过图割实现纺织品印花图案提取的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311310A true CN115311310A (zh) | 2022-11-08 |
CN115311310B CN115311310B (zh) | 2023-04-07 |
Family
ID=83868335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211232307.5A Active CN115311310B (zh) | 2022-10-10 | 2022-10-10 | 通过图割实现纺织品印花图案提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311310B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471504A (zh) * | 2022-11-14 | 2022-12-13 | 深圳市富安娜家居用品股份有限公司 | 一种基于纺织物的线头自动识别方法 |
CN116228772A (zh) * | 2023-05-09 | 2023-06-06 | 聊城市检验检测中心 | 一种生鲜食品变质区域快速检测方法及*** |
CN117237385A (zh) * | 2023-11-16 | 2023-12-15 | 江苏龙达纺织科技有限公司 | 基于图割的纺织品转移印花图案提取方法及*** |
CN117974649A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市富安娜家居用品股份有限公司 | 一种纺织品颜色可行性智能预测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651801A (zh) * | 2016-12-23 | 2017-05-10 | Tcl集团股份有限公司 | 一种光斑定位时去除噪声的方法及*** |
JP2017198589A (ja) * | 2016-04-28 | 2017-11-02 | 株式会社ニューフレアテクノロジー | パターン検査方法及びパターン検査装置 |
CN114240989A (zh) * | 2021-11-30 | 2022-03-25 | 中国工商银行股份有限公司 | 图像分割方法、装置、电子设备及计算机存储介质 |
CN114723704A (zh) * | 2022-04-01 | 2022-07-08 | 南通百杭纺织品有限公司 | 一种基于图像处理的纺织品质量评估方法 |
CN114820627A (zh) * | 2022-06-30 | 2022-07-29 | 南通盈赛纺织品有限公司 | 一种基于光学手段的纺织品质量检测方法 |
CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及*** |
-
2022
- 2022-10-10 CN CN202211232307.5A patent/CN115311310B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017198589A (ja) * | 2016-04-28 | 2017-11-02 | 株式会社ニューフレアテクノロジー | パターン検査方法及びパターン検査装置 |
CN106651801A (zh) * | 2016-12-23 | 2017-05-10 | Tcl集团股份有限公司 | 一种光斑定位时去除噪声的方法及*** |
CN114240989A (zh) * | 2021-11-30 | 2022-03-25 | 中国工商银行股份有限公司 | 图像分割方法、装置、电子设备及计算机存储介质 |
CN114723704A (zh) * | 2022-04-01 | 2022-07-08 | 南通百杭纺织品有限公司 | 一种基于图像处理的纺织品质量评估方法 |
CN114820627A (zh) * | 2022-06-30 | 2022-07-29 | 南通盈赛纺织品有限公司 | 一种基于光学手段的纺织品质量检测方法 |
CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471504A (zh) * | 2022-11-14 | 2022-12-13 | 深圳市富安娜家居用品股份有限公司 | 一种基于纺织物的线头自动识别方法 |
CN115471504B (zh) * | 2022-11-14 | 2023-02-10 | 深圳市富安娜家居用品股份有限公司 | 一种基于纺织物的线头自动识别方法 |
CN116228772A (zh) * | 2023-05-09 | 2023-06-06 | 聊城市检验检测中心 | 一种生鲜食品变质区域快速检测方法及*** |
CN117237385A (zh) * | 2023-11-16 | 2023-12-15 | 江苏龙达纺织科技有限公司 | 基于图割的纺织品转移印花图案提取方法及*** |
CN117237385B (zh) * | 2023-11-16 | 2024-01-26 | 江苏龙达纺织科技有限公司 | 基于图割的纺织品转移印花图案提取方法及*** |
CN117974649A (zh) * | 2024-03-29 | 2024-05-03 | 深圳市富安娜家居用品股份有限公司 | 一种纺织品颜色可行性智能预测方法及*** |
CN117974649B (zh) * | 2024-03-29 | 2024-05-28 | 深圳市富安娜家居用品股份有限公司 | 一种纺织品颜色可行性智能预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115311310B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311310B (zh) | 通过图割实现纺织品印花图案提取的方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN105740860B (zh) | 自然场景中商铺标牌汉字区域自动检测方法 | |
CN114820627B (zh) | 一种基于光学手段的纺织品质量检测方法 | |
CN115115644B (zh) | 一种基于人工智能的车辆焊接缺陷检测方法 | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN106407917A (zh) | 基于动态尺度分配的视网膜血管提取方法及*** | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN107273608A (zh) | 一种油藏地质剖面图矢量化方法 | |
CN106529592A (zh) | 一种基于混合特征与灰度投影的车牌识别方法 | |
CN110321769A (zh) | 一种多尺寸货架商品检测方法 | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN109993755B (zh) | 一种提花织物图像组织结构分割方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及*** | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
CN111783773A (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
CN114862836A (zh) | 基于数据识别图形的纺织布料智能印染方法及*** | |
CN116721121A (zh) | 一种植物表型彩色图像特征提取方法 | |
CN118212179A (zh) | 一种复杂背景的角度检测方法 |
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 |