CN115880297B - 基于机器视觉的被套染色质量评估方法 - Google Patents
基于机器视觉的被套染色质量评估方法 Download PDFInfo
- Publication number
- CN115880297B CN115880297B CN202310180939.XA CN202310180939A CN115880297B CN 115880297 B CN115880297 B CN 115880297B CN 202310180939 A CN202310180939 A CN 202310180939A CN 115880297 B CN115880297 B CN 115880297B
- Authority
- CN
- China
- Prior art keywords
- super
- quilt cover
- pixel block
- super pixel
- detected
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,提出了基于机器视觉的被套染色质量评估方法,包括:获取待检测被套表面图像和标准被套表面图像,并得到待检测被套表面灰度图像和标准被套灰度图像;获取第一色差相似度,所有像素点的第一色差相似度的和归一化后得到待检测被套与标准被套之间的被套色差度;获得每个超像素块每个色度值占比;得到第一超像素块和第二超像素块的被套颜色距离;获得每个超像素块的表面染色显著值;根据所有超像素块的表面染色显著值得到染色质量评估值,根据评估值大小判断被套表面染色质量的好坏。本发明解决了被套在染色着色过程中可能出现的与期望颜色不同的差异质量问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的被套染色质量评估方法。
背景技术
被套作为一种常见的纺织物生活用品,与我们日常生活密切相关。随着相关产业理论技术的不断突破和工业制造生产水平的不断完善和发展,生产厂商对被套产品质量有进一步的追求,以满足当前随着经济发展生活水平不断提高各种消费者群体。其中,被套表面印花染色的质量高低直接反应了被套的质量好坏,而作为纺织物的被套表面染色过程是一个相对复杂的程序,在整个被套着色染色过程中会产生较多影响被套表面染色质量结果的因素,如温度、染色配方、染色工艺、染色机工作状态及相关工作人员的操作状态等等。受到上述等多方面因素的干扰,在完成染色的被套表面可能会出现与期望染整颜色不一致的色差现象。同时,还有可能出现色云色斑等常见染色质量问题。
发明内容
本发明提供基于机器视觉的被套染色质量评估方法,以解决现有的被套在染色着色过程中可能出现的与期望颜色不同的差异质量问题的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于机器视觉的被套染色质量评估方法,该方法包括以下步骤:
获取待检测被套表面图像和标准被套表面图像,并得到待检测被套表面灰度图像;
获取待检测被套表面图像和标准被套表面图像的在HSV空间内中的每个像素点的色度值、饱和度值以及明亮度值,根据待检测被套表面图像和标准被套表面图像上每个像素点在HSV各自通道中的差值以及待检测被套表面图像和标准被套表面图像在不同通道的所有像素点的标准差值得到待检测被套的每个像素点与标准被套相对应的像素点之间的第一色差相似度,将待检测被套的所有像素点与标准被套相对应的所有像素点的第一色差相似度的和进行归一化后得到待检测被套与标准被套之间的被套色差度;
将待检测被套表面灰度图像划分为多个超像素块,根据每个超像素块内每个像素点的色度值对应的像素点数量以及整个待检测被套表面图像内对应色度值对应的像素点数量的比值获得每个超像素块的每个色度值的像素点占比;
根据所述每个超像素块的每个色度值的像素点占比获取每个超像素块的色度比例向量,基于所述每个超像素块的色度比例向量进行扩散生长,得到每个超像素块的扩散系数;
将任意两个超像素块记为第一超像素块和第二超像素块,获取第一超像素块每个像素点的色度值对应的像素点占比作为第一比值,获取第二超像素块每个像素点的色度值对应的像素点占比作为第二比值,获取第一比值所对应像素点与第二比值所对应像素点的第二色差相似度,根据第一比值、第二比值与第二色差相似度的乘积的累加和得到第一超像素块和第二超像素块的被套颜色距离;
根据每一个超像素块与除自身外的所有超像素块的被套颜色距离获得每个超像素块的表面染色显著值;
根据待检测被套表面图像的所有超像素块的表面染色显著值、扩散系数和待检测被套与标准被套之间的被套色差度得到待检测被套的染色质量评估值,根据评估值大小判断被套表面染色质量的好坏。
优选的,所述根据待检测被套表面图像和标准被套表面图像上每个像素点在HSV各自通道中的差值以及待检测被套表面图像和标准被套表面图像在不同通道的所有像素点的标准差值得到待检测被套的每个像素点与标准被套相对应的像素点之间的第一色差相似度的方法为:
从待检测被套中获得像素点i,找到标准被套表面图像对应位置的像素点j,获得两个像素点在HSV空间中三个通道中的值,即色度值、饱和度值以及明亮度值,获得待检测被套表面图像和标准被套表面图像的所有像素点在HSV空间中的色度值、饱和度值以及明亮度值的标准差数值大小记为第一标准差,将第i个像素点与第j个像素点的每个通道值做差比上在该通道中的第一标准差得到第一比值,根据三个通道的第一比值得到第i个像素点与第j个像素点的第一色差相似度。
优选的,根据所述每个超像素块的每个色度值的像素点占比获取每个超像素块的色度比例向量,基于所述每个超像素块的色度比例向量进行扩散生长,得到每个超像素块的扩散系数,包括:
获取每个超像素块每个色度值及相应的比例,组成超像素块的色度比例向量;然后基于该超像素块进行扩散生长,所述扩散生长即当该超像素块任意邻域超像素块的色度比例向量与当前超像素块的色度比例向量余弦相似度大于阈值G时,将该邻域超像素块标记为1,然后再基于邻域超像素块进行扩散生长,直至不满足阈值G条件时停止,最终以该超像素块进行扩散生长后超像素块标记为1的超像素块的数量作为扩散数量,然后将所有超像素块的扩散数量进行归一化,得到每个超像素块的扩散系数。
优选的,所述根据第一比值、第二比值与第二色差相似度的乘积的累加和得到第一超像素块和第二超像素块的被套颜色距离的计算方法为:
式中,为待检测被套表面图像第z个超像素块中和第c个像素点色度值相同的像素点个数,为整个待检测被套表面图像和第c个像素点色度值相同的像素点个数,为第z个超像素块中和第c个像素点色度值相同的像素点所占比例,表示第z1个超像素块内第个像素点色度值相同的像素点所占比例,记为第一比值,表示第z2个超像素块内第个像素点色度值相同的像素点所占比例,记为第二比值,表示待检测被套表面图像超像素块的所有像素点数量,表示待检测被套表面图像超像素块的所有像素点数量,表示待检测被套表面图像超像素块中的像素点与超像素块中的像素点的第二色差相似度,表示待检测被套表面图像第一超像素块与第二超像素块之间的被套颜色距离。
优选的,所述根据每一个超像素块与除自身外的所有超像素块的被套颜色距离获得每个超像素块的表面染色显著值的方法为:
对于被套表面图像的超像素块,将任意一个超像素块记为第三超像素块,其余每个超像素块都记为第四超像素块,根据第三超像素块与每个第四超像素块的质心坐标的欧氏距离得到第三超像素块与第四超像素块的空间距离,根据第三超像素块与每个第四超像素块的空间距离、被套颜色距离得到第三超像素块与每个第四超像素块的显著参数,所有显著参数的累加和为每个第三超像素块的表面染色显著值。
优选的,所述根据第三超像素块与每个第四超像素块的空间距离、被套颜色距离得到第三超像素块与每个第四超像素块的显著参数,所有显著参数的累加和为每个第三超像素块的表面染色显著值的方法为:
式中,为待检测被套表面图像中第三超像素块和第四超像素块的空间距离,N表示所有超像素块的个数,exp()为以自然常数为底的指数函数,为空间权值,表示待检测被套表面图像第三超像素块与第四超像素块之间的被套颜色距离,表示第三超像素块z1的被套表面染色显著值。
优选的,所述根据待检测被套表面图像的所有超像素块的表面染色显著值、扩散系数和待检测被套与标准被套之间的被套色差度得到待检测被套的染色质量评估值的方法为:
根据每个超像素块的表面染色显著值判断该超像素块是否缺陷并得到每个超像素块的缺陷标记,将存在缺陷的超像素块标记为1,得到缺陷超像素块的数量,将所有超像素块的被套表面染色显著值与各自缺陷标记乘积的累加和记为第一参数,将超像素块中缺陷标记为1的超像素块的数量与所有超像素块的数量的比值作为第二参数,将待检测被套的被套色差度作为第三参数,将待检测被套所有超像素块的扩散系数倒数的累加和作为第四参数,根据第一参数、第二参数、第三参数、第四参数乘积的倒数作为染色质量评估值。
本发明的有益效果是:本发明实施例首先将被套表面划分为不同的超像素块区域,并根据不同超像素块区域中的颜色特征信息计算得到不同超像素块区域的颜色距离。相较于传统不同像素点中间直接颜色做差比较的方法,不同像素块区域的颜色距离在计算时一定程度上避免了相差不大的像素点做差的无效计算。进一步地,本发明实施例结合像素块区域的颜色距离构建得到相应的显著性数值大小,并根据该显著值判断得到被套表面质量异常区域,避免了使用传统全局阈值分割算法时,被套表面质量异常区域无法正常划分导致的质量评估结果较差的影响,提高了整体的准确性和实时性效果。采用超像素分割可以获取得到像素特征相似的若干超像素块,然后进行超像素块间度量进而快速判断被套染色质量,且本申请方法可以适用于不同色彩被罩的染色质量评估,无需现有方法中需要针对不同颜色被罩进行分类检验,其次采用超像素块间的迭代度量当被罩中存在图案时,也能有效判断被套染色质量。
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,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地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例所提供基于机器视觉的被套染色质量评估方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的被套染色质量评估方法流程图,该方法包括以下步骤:
步骤S001、使用图像采集设备对被套表面进行拍摄采集,并对获取得到的被套表面图像进行处理。
由于发生染色质量的被套表面会与标准被套颜色出现差距,同时其表面也会出现色云色斑等质量问题。为了获取色彩较为清晰的被套表面图像,使用CCD相机对被套表面进行拍摄采集,得到RGB颜色空间下的被套表面图像。考虑到拍摄采集工作环境中可能出现光照不充分的情况,使用LED条形结构光源对被套表面进行光照处理。同时,为了与标准的被套表面进行比对分析,还需要对染色标准无较大色差且被套表面无色云色斑的标准被套表面进行拍摄采集。
为了减少后续被套染色质量评估过程中的计算复杂度,同时避免计算过程中的误差,根据人眼对不同颜色的感知程度,设置不同的R、G、B通道系数,根据经验取0.299、0.586、0.114计算得到被套表面灰度图像。同时,考虑到采集工作环境中可能产生的噪声灰度后续被套染色质量评估过程的计算产生较大的干扰,使用高斯滤波的方法尽可能消除采集过程中产生的噪声影响,得到处理后的待检测被套表面灰度图像和标准被套表面灰度图像。
步骤S002、根据被套表面颜色特征以及标准被套表面颜色特征计算被套色差度。
首先,在被套整染着色过程中由于工艺的复杂性可能导致整个被套表面的颜色会与标准被套表面预期颜色存在一定差异。而被套表面的这种颜色差异有时不宜察觉,且极大程度上依赖于人眼视觉***对颜色差异的感知,由此利用标准被套与待检测被套的色差作为判断标准之一。
由于待检测被套表面图像与标准被套表面图像是通过相同的图像采集处理过程得到的,因此待检测被套表面图像与标准被套表面图像大小尺寸是相同的,即存在相同个数的像素点数量。将待检测被套表面图像与标准被套表面图像转换到HSV空间,在该空间中饱和度和明亮度更容易检测出差异,由此通过以下公式计算待检测被套与标准被套同一个位置像素点的色差相似度:
式中,表示待检测被套表面图像第i个像素点的色度值,表示待检测被套表面图像第i个像素点的饱和度值,表示待检测被套表面图像第i个像素点的明亮度值,表示标准被套表面图像第j个像素点的色度值,表示标准被套表面图像第j个像素点的饱和度值,表示标准被套表面图像第j个像素点的明亮度值,、和分别为待检测被套表面图像和标准被套表面图像中所有不同像素点的色度值、饱和度值、明亮度值的标准差数值大小,、、分别为色度值权重因子、饱和度值权重因子、明亮度值权重因子,通常取经验值=2、,为待检测被套表面图像中第i个像素点和对应位置处标准被套表面图像中第j个像素点的在HSV颜色空间中的色差相似度,其中i=j,值越大,表示两个像素点越相似,色差越小。
通过两个图像对应像素点的色差相似度计算待检测被套与标准被套之间的被套色差度:
式中,表示待检测被套表面图像中像素点的数量,为待检测被套表面图像中第i个像素点和对应位置处标准被套表面图像中第j个像素点的在HSV颜色空间中的色差相似度,表示待检测被套和标准被套的被套色差度,当计算得到的待检测被套与标准被套之间的被套色差度的数值较大时,说明被套有较大可能在染色过程中出现染色质量问题;反之,当计算得到待检测被套与标准被套之间的被套色差度的数值较小时,说明该被套在该位置处与标准被套差异不大,即待检测的被套表面得到的期望颜色,不存在染色质量问题。
步骤S003、根据被套表面颜色不均匀现象构建显著性指标。
首先,由于被套表面可能出现染色不均匀不一致的情况,从而在被套表面呈现出色云色斑的情况,由于这些色云色斑在被套表面上呈现区域聚集状况。因此,为了较好的识别出这种染色不均匀从而导致的被套表面出现染色质量问题。本发明实施例首先使用超像素分割(SLIC)算法对待检测被套表面进行处理,得到N个超像素块,本实施例以N=100进行叙述。超像素分割(SLIC)算法是一种根据不同像素点特征相似程度将整个图像中相似程度高的像素点划分成一个更具有代表性区域的快速分割算法。通过超像素分割算法可以将被待检测被套表面图像划分成不同的小区域,若被套表面出现染色不均匀导致的色云色斑问题,则这些色云色斑会出现在相同的小区域中。
为了识别被套表面图像中是否存在色云色斑缺陷,根据上述划分结果对这些每个超像素块进行计算分析为了获取待检测被套表面图像中不同超像素块中颜色分布变化情况,先计算每个超像素块内不同色度值的像素点所占比例,之后计算待检测被套两个超像素块之间的被套颜色距离,计算公式如下:
式中,为待检测被套表面图像第z个超像素块中和第c个像素点色度值相同的像素点个数,为整个待检测被套表面图像和第c个像素点色度值相同的像素点个数,为第z个超像素块中和第c个像素点色度值相同的像素点所占比例,表示第z1个超像素块内第个像素点色度值相同的像素点所占比例,记为第一比值,表示第z2个超像素块内第个像素点色度值相同的像素点所占比例,记为第二比值,表示待检测被套表面图像超像素块的所有像素点数量,表示待检测被套表面图像超像素块的所有像素点数量,表示待检测被套表面图像超像素块中的像素点与超像素块中的像素点的第二色差相似度,表示待检测被套表面图像超像素块与超像素块之间的被套颜色距离。
同时获取每个超像素块每个色度值及相应的比例(该色度值像素数量除以当前超像素块像素数量),组成超像素块的色度比例向量。然后基于该超像素块进行扩散生长,首先将当前超像素块标记为1,所述扩散生长即当该超像素块任意邻域超像素块的色度比例向量与当前超像素块的色度比例向量余弦相似度大于阈值G时,将该邻域超像素块标记为1,然后再基于邻域超像素块进行扩散生长,直至不满足阈值G条件时停止,阈值G经验值取0.9,这样即可获取得到每一个超像素块的扩散数量,即最终以该超像素块进行扩散生长后超像素块标记为1的超像素块的数量(包括自身)。如超像素块A,有9个邻域超像素块,其中4个邻域超像素块与超像素块A满足色度比例向量余弦相似度大于阈值G,则该4个标记为1,然后以这四个超像素块继续进行扩散生长,直至停止。扩散数量表示超像素块的色度空间分布,其越大,表明图像中越多超像素块的色度比例向量与当前超像素块相近,其越非孤立存在,越可能是被套的主体色彩。得到所有超像素块的扩散数量后,将所有超像素块的扩散数量进行线性归一化,得到每个超像素块的扩散系数。
通过计算得到的待检测被套表面图像两个不同超像素块和之间的被套颜色距离的数值大小可以较为有效的对待检测被套表面中不同位置处染色不均匀导致的色斑色云质量问题进行判断。当被套颜色距离的数值越大时,认为这两个超像素块中存在染色不均匀导致的色斑色云质量问题,被套颜色距离计算的是两个超像素块所有像素点的颜色差值,也就是说该值越大表示两个超像素块内所有像素点之间的差距越大,差距越大越有可能出现染色不均的情况,因为超像素分割是将整个图像中相似程度高区域聚成一个超像素块,每个超像素块内的像素特征都非常接近,不同超像素块间可能存在差异。
为了进一步判断超像素块的染色质量问题,结合不同超像素块分布空间信息,通过下式计算得到被套表面染色显著值的大小:
式中,为被套表面图像第z1个超像素块与第z2个超像素块的空间距离,计算方法为两个超像素块质心坐标的欧氏距离,作为被套表面图像两个不同超像素块的空间距离,为空间权值,取经验值为表面图像的宽度,使得计算得到被套表面空间信息项数值位于[0,1]上;为所有超像素块的个数,表示待检测被套表面图像超像素块1与超像素块之间的被套颜色距离,同时考虑到超像素块分布的空间位置信息,较远位置的超像素块空间信息项数值会较小,较近位置的超像素块空间信息项数值会较大,对于当前超像素块计算被套表面染色显著值的贡献越高。
根据上述分析,可以获得不同超像素块的被套表面染色显著值,且当该超像素块的被套表面染色显著值越大时,被套表面该超像素块有较大可能发生被套表面染色不均匀导致的色云色斑缺陷。
步骤S004、根据被套色差度和被套表面染色显著值对被套染色质量进行评估。
由于当该超像素块的被套表面染色显著值越大时,被套表面该超像素块有较大可能发生被套表面染色不均匀,将所有超像素块的显著值进行线性归一化,根据经验阈值J=0.7,当:
根据被套表面不同超像素块的染色显著值的数值大小,对不同超像素块进行标记,当该超像素块发生染色不均匀缺陷时,记标记;反之,记标记。
计算被套表面染色质量评估值qua,计算公式如下:
根据上式计算得到被套表面染色质量评估值的大小,式中,为被套所有超像素块中缺陷标记为1的超像素块个数;N为整个被套表面所有超像素块的个数,表示第P个超像素块的扩散系数,其越大,表明图像中越多超像素块的色度比例向量与当前超像素块相近,其越非孤立存在,越可能是被套的主体色彩,其越不可能是异常的部分。当被套表面缺陷越严重时,计算得到的被套表面染色质量评估值越小,且越接近0;反之,当被套表面无严重染色质量缺陷时,计算得到的被套表面染色质量评估值越大,且越接近1。
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、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于机器视觉的被套染色质量评估方法,其特征在于,该方法包括以下步骤:
获取待检测被套表面图像和标准被套表面图像,并得到待检测被套表面灰度图像;
获取待检测被套表面图像和标准被套表面图像的在HSV空间内中的每个像素点的色度值、饱和度值以及明亮度值,根据待检测被套表面图像和标准被套表面图像上每个像素点在HSV各自通道中的差值以及待检测被套表面图像和标准被套表面图像在不同通道的所有像素点的标准差值得到待检测被套的每个像素点与标准被套相对应的像素点之间的第一色差相似度,将待检测被套的所有像素点与标准被套相对应的所有像素点的第一色差相似度的和进行归一化后得到待检测被套与标准被套之间的被套色差度;
将待检测被套表面灰度图像划分为多个超像素块,根据每个超像素块内每个像素点的色度值对应的像素点数量以及整个待检测被套表面图像内对应色度值对应的像素点数量的比值获得每个超像素块的每个色度值的像素点占比;
根据所述每个超像素块的每个色度值的像素点占比获取每个超像素块的色度比例向量,基于所述每个超像素块的色度比例向量进行扩散生长,得到每个超像素块的扩散系数;
将任意两个超像素块记为第一超像素块和第二超像素块,获取第一超像素块每个像素点的色度值对应的像素点占比作为第一比值,获取第二超像素块每个像素点的色度值对应的像素点占比作为第二比值,获取第一比值所对应像素点与第二比值所对应像素点的第二色差相似度,根据第一比值、第二比值与第二色差相似度的乘积的累加和得到第一超像素块和第二超像素块的被套颜色距离;
根据每一个超像素块与除自身外的所有超像素块的被套颜色距离获得每个超像素块的表面染色显著值;
根据待检测被套表面图像的所有超像素块的表面染色显著值、扩散系数和待检测被套与标准被套之间的被套色差度得到待检测被套的染色质量评估值,根据评估值大小判断被套表面染色质量的好坏。
2.根据权利要求1所述的基于机器视觉的被套染色质量评估方法,其特征在于,所述根据待检测被套表面图像和标准被套表面图像上每个像素点在HSV各自通道中的差值以及待检测被套表面图像和标准被套表面图像在不同通道的所有像素点的标准差值得到待检测被套的每个像素点与标准被套相对应的像素点之间的第一色差相似度的方法为:
从待检测被套中获得像素点i,找到标准被套表面图像对应位置的像素点j,获得两个像素点在HSV空间中三个通道中的值,即色度值、饱和度值以及明亮度值,获得待检测被套表面图像和标准被套表面图像的所有像素点在HSV空间中的色度值、饱和度值以及明亮度值的标准差数值大小记为第一标准差,将第i个像素点与第j个像素点的每个通道值做差比上在该通道中的第一标准差得到第一比值,根据三个通道的第一比值得到第i个像素点与第j个像素点的第一色差相似度。
3.根据权利要求1所述的基于机器视觉的被套染色质量评估方法,其特征在于,根据所述每个超像素块的每个色度值的像素点占比获取每个超像素块的色度比例向量,基于所述每个超像素块的色度比例向量进行扩散生长,得到每个超像素块的扩散系数,包括:
获取每个超像素块每个色度值及相应的比例,组成超像素块的色度比例向量;然后基于该超像素块进行扩散生长,所述扩散生长即当该超像素块任意邻域超像素块的色度比例向量与当前超像素块的色度比例向量余弦相似度大于阈值G时,将该邻域超像素块标记为1,然后再基于邻域超像素块进行扩散生长,直至不满足阈值G条件时停止,最终以该超像素块进行扩散生长后超像素块标记为1的超像素块的数量作为扩散数量,然后将所有超像素块的扩散数量进行归一化,得到每个超像素块的扩散系数。
4.根据权利要求1所述的基于机器视觉的被套染色质量评估方法,其特征在于,所述根据第一比值、第二比值与第二色差相似度的乘积的累加和得到第一超像素块和第二超像素块的被套颜色距离的计算方法为:
式中,为待检测被套表面图像第z个超像素块中和第c个像素点色度值相同的像素点个数,为整个待检测被套表面图像和第c个像素点色度值相同的像素点个数,为第z个超像素块中和第c个像素点色度值相同的像素点所占比例,表示第z1个超像素块内第个像素点色度值相同的像素点所占比例,记为第一比值,表示第z2个超像素块内第个像素点色度值相同的像素点所占比例,记为第二比值,表示待检测被套表面图像超像素块的所有像素点数量,表示待检测被套表面图像超像素块的所有像素点数量,表示待检测被套表面图像超像素块中的像素点与超像素块中的像素点的第二色差相似度,表示待检测被套表面图像第一超像素块与第二超像素块之间的被套颜色距离。
5.根据权利要求1所述的基于机器视觉的被套染色质量评估方法,其特征在于,所述根据每一个超像素块与除自身外的所有超像素块的被套颜色距离获得每个超像素块的表面染色显著值的方法为:
对于被套表面图像的超像素块,将任意一个超像素块记为第三超像素块,其余每个超像素块都记为第四超像素块,根据第三超像素块与每个第四超像素块的质心坐标的欧氏距离得到第三超像素块与第四超像素块的空间距离,根据第三超像素块与每个第四超像素块的空间距离、被套颜色距离得到第三超像素块与每个第四超像素块的显著参数,所有显著参数的累加和为每个第三超像素块的表面染色显著值。
6.根据权利要求5所述的基于机器视觉的被套染色质量评估方法,其特征在于,所述根据第三超像素块与每个第四超像素块的空间距离、被套颜色距离得到第三超像素块与每个第四超像素块的显著参数,所有显著参数的累加和为每个第三超像素块的表面染色显著值的方法为:
式中,为待检测被套表面图像中第三超像素块和第四超像素块的空间距离,N表示所有超像素块的个数,exp()为以自然常数为底的指数函数,为空间权值,表示待检测被套表面图像第三超像素块与第四超像素块之间的被套颜色距离,表示第三超像素块z1的被套表面染色显著值。
7.根据权利要求1所述的基于机器视觉的被套染色质量评估方法,其特征在于,所述根据待检测被套表面图像的所有超像素块的表面染色显著值、扩散系数和待检测被套与标准被套之间的被套色差度得到待检测被套的染色质量评估值的方法为:
根据每个超像素块的表面染色显著值判断该超像素块是否缺陷并得到每个超像素块的缺陷标记,将存在缺陷的超像素块标记为1,得到缺陷超像素块的数量,将所有超像素块的被套表面染色显著值与各自缺陷标记乘积的累加和记为第一参数,将超像素块中缺陷标记为1的超像素块的数量与所有超像素块的数量的比值作为第二参数,将待检测被套的被套色差度作为第三参数,将待检测被套所有超像素块的扩散系数倒数的累加和作为第四参数,根据第一参数、第二参数、第三参数、第四参数乘积的倒数获取染色质量评估值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310180939.XA CN115880297B (zh) | 2023-03-01 | 2023-03-01 | 基于机器视觉的被套染色质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310180939.XA CN115880297B (zh) | 2023-03-01 | 2023-03-01 | 基于机器视觉的被套染色质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880297A CN115880297A (zh) | 2023-03-31 |
CN115880297B true CN115880297B (zh) | 2023-05-05 |
Family
ID=85761709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310180939.XA Active CN115880297B (zh) | 2023-03-01 | 2023-03-01 | 基于机器视觉的被套染色质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880297B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612110B (zh) * | 2023-07-14 | 2023-10-24 | 微山县振龙纺织品有限公司 | 用于渐变印染效果的质量智能评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127437A (zh) * | 2019-12-25 | 2020-05-08 | 浙江传媒学院 | 一种基于色彩空间分解的全参考图像质量评价方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084782B (zh) * | 2019-03-27 | 2022-02-01 | 西安电子科技大学 | 基于图像显著性检测的全参考图像质量评价方法 |
CN113298763B (zh) * | 2021-05-09 | 2022-08-19 | 复旦大学 | 一种基于显著性窗口策略的图像质量评估方法 |
CN115035111B (zh) * | 2022-08-10 | 2022-10-25 | 江苏永银化纤有限公司 | 一种基于图像处理的有色丝色差检测方法 |
CN115294116B (zh) * | 2022-10-08 | 2022-12-30 | 南通梦洁家纺有限公司 | 基于人工智能的纺织材料染色质量评估方法、装置及*** |
-
2023
- 2023-03-01 CN CN202310180939.XA patent/CN115880297B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127437A (zh) * | 2019-12-25 | 2020-05-08 | 浙江传媒学院 | 一种基于色彩空间分解的全参考图像质量评价方法 |
Non-Patent Citations (1)
Title |
---|
基于Sigmoid 核函数的纺织品色差分类检测研究;谈波 等;西昌学院学报(自然科学版);第35卷(第2期);第89-93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115880297A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9750326B2 (en) | Transparency evaluation device, transparency evaluation method and transparency evaluation program | |
CN109961426B (zh) | 一种人脸皮肤肤质的检测方法 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN103914708B (zh) | 基于机器视觉的食品品种检测方法及*** | |
CN104636759B (zh) | 一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐*** | |
CN115880297B (zh) | 基于机器视觉的被套染色质量评估方法 | |
CN110335312A (zh) | 一种基于神经网络的目标空间定位方法及装置 | |
US20170079599A1 (en) | Moisture feeling evaluation device, moisture feeling evaluation method, and moisture feeling evaluation program | |
WO2019168142A1 (ja) | 画像分類方法、装置及びプログラム | |
CN107993209A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN111624203A (zh) | 一种基于机器视觉的继电器接点齐度非接触式测量方法 | |
CN101996317B (zh) | 人体上标记物的识别方法及装置 | |
CN107909542A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN109583330B (zh) | 一种用于人脸照片的毛孔检测方法 | |
CN117152159B (zh) | 一种复杂布料印花瑕疵检测方法及*** | |
CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
US20150221101A1 (en) | Method of selecting a region of interest | |
CN113642358B (zh) | 肤色检测方法、装置、终端和存储介质 | |
Park et al. | Automated defect inspection systems by pattern recognition | |
CN116612110B (zh) | 用于渐变印染效果的质量智能评估方法 | |
CN110751690B (zh) | 铣床刀头视觉定位方法 | |
CN110245575B (zh) | 一种以人体轮廓线为基础的人体体型参数捕获方法 | |
CN107886549A (zh) | 一种基于编织纹理细节增强的织物纹样色彩转移方法 | |
CN116912260A (zh) | 基于人工智能的肉鸡养殖健康状态检测方法 | |
CN116843581A (zh) | 一种多场景图的图像增强方法、***、设备和存储介质 |
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 |