CN103106645B - 一种机织物组织结构识别方法 - Google Patents

Abstract

本发明涉及一种基于梯度方向特征和模糊C均值聚类算法(Fuzzy C-Means Algorithm，FCM)的机织物组织结构自动识别方法，该方法首先采用图像形态学方法对机织物亮度图像进行预处理，然后利用灰度投影校正经纬纱交织时存在的偏斜，同时将织物图像分割成若干个组织点，对每个组织点提取梯度方向直方图特征，并用改进FCM算法对组织点分类，最后根据织物结构周期性统计分类结果并校正误检点，从而输出正确组织图。本发明利用组织点梯度方向信息并与FCM方法相结合，能克服光照不均、纱线粗细和纱线颜色差异所带来的影响，不仅能实现机织物原组织(平纹、斜纹、缎纹)的识别，同时对小花纹组织中的变化组织(平纹变化组织、斜纹变化组织、缎纹变化组织)也具有良好的识别效果。

Description

一种机织物组织结构识别方法

技术领域

本发明涉及一种机织物组织结构的自动识别方法，该方法对纱线粗细、颜色变化的机织物原组织和小花纹组织中的变化组织都具有较好的识别效果，属于图像处理技术领域，可应用于纺织领域中的机织布匹的自动化检测。

背景技术

目前纺织行业中一般靠人工利用照布镜识别机织布匹组织结构，或者先采集放大的织布图片然后人工识别。此识别方法不仅消耗大量的人力和时间，而且不同的检验员经常做出不一致的检测结果，另外由于人眼容易疲劳，对于复杂织物很难人工识别。所以建立一个机织物组织结构自动识别系统，对提高纺织业自动化检测水平具有重要意义。近年来随着图像处理技术的发展，其在纺织领域的应用也越来越广泛。

在现有机织物组织结构分析的研究成果中主要有两大类方法：一是对图像的整体特征进行分析，判断机织物组织结构类型；二是首先将织物图像分割成若干个组织点，再对每个组织点进行分类识别。

随着纺织业技术的飞速发展，机织布的种类越来越多，结构及颜色也复杂多样。对于同样纹理结构的织物，由于纱线颜色及粗细的变化会对整幅图像特征的提取造成较大影响，加大了织物图像整体分析的难度。此外由于织物结构种类繁多，也无法构建完整的织物组织结构特征库，也就无法进行特征提取并与数据库中的织物匹配。

目前较好的识别结果中大都采用先分割组织点再进行识别的方法，但仍存在一些问题。首先利用沿水平和垂直方向的灰度投影曲线可以实现机织物组织点的准确分割，但实际中有些机织物的经纱与纬纱不垂直交织，存在较小的偏斜，给分割带来较大影响，需要先判断其偏斜角度纠偏后再进行投影分割。此外传统方法利用组织点的灰度特征对单色织物具有较好的识别效果，但纱线粗细变化以及图像采集过程中的光照不均匀等因素，都会给特征提取分类过程带来较大影响，而且对彩色机织物还需要采用其他方法进行识别，过程繁琐。提取有效特征克服以上干扰，对后续分类工作十分必要。最后由于组织点数量较多且容易受噪声影响，很难将所有组织点全部正确分类，因此校正错误分类的组织点并输出正确的组织图对于分析机织物组织结构至关重要。

发明内容

本发明的目的是克服现有技术的上述不足，提供一种能够不受纱线粗细和颜色差异影响，能够准确的识别机织物组织结构的方法。为此，本发明采用如下的技术方案。

机织物组织结构识别方法，包括下列步骤：

1.保持纬纱水平并采集机织物图像，获取亮度信息，用中值滤波和腐蚀算法对图像进行预处理；

2.利用水平方向灰度投影分割纬纱，再对每根纬纱沿垂直方向进行灰度投影，根据相邻纬纱间经纱与纬纱近似垂直交织，校正织物偏斜；

3.对校正后图像进行水平和垂直方向上的灰度投影，分割经纬纱，得到若干组织点；

4.对每个组织点提取16维梯度方向直方图特征，并归一化处理；

5.用FCM算法实现组织点的分类，两类组织点分别标记为0和1；

6.根据织物周期性，求出最小循环周期，统计分类结果，校正误分类点，输出正确组织图。

本发明具有如下的技术效果：

1.方法简单，易于实施。本发明利用梯度方向特征与模糊C均值聚类算法结合，算法简单，计算量小，且不需要高精度的仪器设备，方法简单实用。

2.准确性高。本发明在检测过程中，矫正了经纬纱交织时存在的小角度偏斜，保证了机织物组织点的正确分割，考虑了实际采集图像光照不均以及机织物纱线粗细不同、颜色各异带来的影响，提取组织点的梯度方向特征对其进行聚类分析，提高了分类的准确率。

3.对原组织和小花纹组织中的变化组织都具有较好的识别效果。

附图说明

图1：本发明的机织物结构识别方法流程图。

图2：采集机织物图像。

图3：预处理后图像。

图4：偏斜校正后图像。

图5：初步分类组织图。

图6：单元框划分示意图。

图7：误检点校正后正确组织图。

图8：三种基本组织及简单变化组织检测结果。图8-1为白色平纹(1/1)机织物及其组织图，图8-2为白色斜纹(1/2)机织物及其组织图，图8-3为白色缎纹(1/4)机织物及其组织图，图8-4为彩色平纹(1/1)机织物及其组织图，图8-5为白色变化斜纹(1/3)机织物及其组织图，图8-6为彩色缎纹(1/4)机织物及其组织图，图8-7为彩色变化平纹(4/4)机织物及其组织图。

具体实施方式

本发明的流程如图1所示，该方法首先采用中值滤波和腐蚀对织物亮度图像进行预处理，然后利用灰度投影校正经纬纱交织时存在的偏斜，同时将织物图像分割成若干个组织点，对每个组织点提取梯度方向直方图特征，并用改进FCM算法对组织点进行分类，最后根据织物结构周期性统计分类结果并校正误检点，输出正确组织图。下面结合附图，对本发明技术方案的具体实施过程加以说明。

1.图像采集及预处理

获取清晰无瑕疵的织物表面反射图像，使纬纱保持水平(如图2)，提取亮度信息，应用3×3中值滤波模板和3×3腐蚀模板对图像进行预处理。

2.偏斜校正及组织点分割

2.1偏斜校正

预处理后的图像(如图3)纱线条干与间隙区分更加明显，其中纱线条干部分亮度较高灰度值大，而间隙部分亮度较低灰度值小。沿水平方向进行投影，对投影曲线进行高斯平滑处理，曲线极小值点即对应纬纱间隙，从而完成对纬纱分割。然后将每根纬纱沿竖直方向进行灰度投影得到若干投影曲线，校正步骤如下：

2.1.1计算每条投影曲线的波谷点，将每根纬纱得到的局部极小值点按顺序存放在数组中；

2.1.2在第一根纬线上选定一个局部极小值点为基准点，对应坐标记为(x₁，y₁)(x代表波谷点在原图中对应的水平方向坐标，.y代表对应的纬线坐标)；

2.1.3搜索下一条纬线上与其坐标相近的波谷点，若存在这样的点则记录这点坐标，并以这点坐标为新的基准点(坐标为(x_i，y_i))，若不存在则不更新基准点，继续向下搜索。直到计算出最后一个基准点(坐标为(x_l，y_l))，计算第一个基准点与最后一个基准点的偏差及纬线间距离，公式如下：

Δx＝x_l-x₁

Δy＝y_l-y₁

θ＝arctan(Δy/Δx)

式中Δx为第一个基准点与最后一个基准点偏离距离，Δy为首末基准点对应纬纱距离，θ即为偏斜角度。

2.1.4实验中为了提高校正的准确性需要求若干个θ值的算术平均得到作为最终的纠偏角度。取第一根纬纱的极值点数组取中间1/3部分的点，返回Step2，依次计算θ。

2.1.5最后利用平均偏斜角度对图像进行校正。

2.2组织点分割

对于校正后图像在沿垂直方向进行灰度投影，对投影曲线进行高斯平滑处理，曲线极小值点即对应经纱间隙，从而完成对经纱分割。结合步骤2.1中纬纱分割结果，进而得到组织点的分割结果。

3.特征提取

计算图像中每个像素点的梯度值g(i，j)和梯度方向o(i，j)，对每个组织点内的方向进行统计，把(-180°，180°)每22.5°划分为一个区间，对相同方向区间上的点的梯度值进行累加，共16个方向区间，每个组织点得到一个16维梯度方向向量，并进行归一化处理。

4.组织点初步分类

将得到的n个16维特征向量x_j(j＝1，2，...，n)采用FCM进行分类，具体步骤如下：

4.1确定聚类数目c＝2，权重系数m＝2和循环停止阈值ε＝10^-3。

4.2初始化隶属度系数矩阵U，迭代次数t＝1。

4.3更新聚类中心v_i，公式如下：

$v_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u_{\mathrm{ij}}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u_{\mathrm{ij}}}^m},i=\mathrm{1,2},...,c$

4.4更新隶属度系数矩阵

$u_{\mathrm{ij}}=[\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{{d_{\mathrm{ij}}}^{\′}}{{d_{\mathrm{kj}}}^{\′}}\right)}^{\frac{2}{m-1}}{]}^{-1},{d_{\mathrm{ij}}}^{\′}\≠0$

u_ki＝1，u_ij＝0，(i≠k)，d_ij′＝0

4.5计算样本与聚类中的距离d_ij

d_ij＝||x_j-v_i||²，迭代次数更新t＝t+1

上式计算样本与聚类中心的欧式距离，本实施例中对距离函数做如下更改：

d_ij′＝d_ij/r_ij ²

其中r_ij为样本与聚类中心的相关系数。d_ij′作为新的样本与聚类中心的距离。

4.6若|U^t+1-U^t|≤ε则停止，否则跳转到步骤3。

经过FCM分类之后，初步识别结果如图5所示。

5.误检点校正输出

由于组织点数量较多，受噪声等影响仍会存在少数误分类点，根据织物周期性规律可对其进行校正。首先每个组织点由一个16维特征向量表示，将每根纬纱上的所有组织点的特征组合作为每根纬纱的特征。以第一根纬纱为基准，计算其与其他纬纱之间的相关性，得到组织循环周期数为N。在初分类结果中将两类组织点分别表示为0和1(例如初分类结果图5中黑色区域表示为0，白色区域表示为1)，以相邻N个组织点为一个单元框，步长为N，单元框划分方式如图6所示。整幅织物图像均由N类单元框构成，相同颜色单元框内应具有相同的结构，对同类单元框对应组织点表示的值p_ij进行累加，并统计每类单元框的个数K_i(i＝1，2，...，N)，如下式：

P_ij＝∑p_ij(i，j＝1，2，...，N)

计算每类单元框各个组织点处1值出现的概率(i＝1，2，...，N)，若1出现概率较大(一般大于50％)，则此时对应单元格内值应为1，否则为0。然后对同类单元框进行校正。校正后得到正确组织图。

本发明提出一种采用梯度方向特征与模糊C均值聚类算法结合的机织物组织结构识别方法。该方法充分利用梯度方向信息能较好的反应目标轮廓的特点，区分两类组织点，实现三种基本组织和一些颜色结构简单变化组织的自动识别。

Claims (4)

1.一种机织物组织结构识别方法，所述方法包括下列步骤：

步骤1：采集纬纱保持水平的机织物图像，获取亮度信息，进行中值滤波和腐蚀处理；

步骤2：利用灰度投影分割纬纱，再对每根纬纱进行灰度投影，根据相邻纬纱间经纱与纬纱近似垂直交织，在第一根纬线上选定一个局部极小值点为基准点，搜索下一条纬线上与其坐标相近的波谷点，并以这点坐标为新的基准点，若不存在则不更新基准点，继续向下搜索，直到计算出最后一个基准点，根据第一个基准点与最后一个基准点的偏差计算偏斜角度，统计偏斜角度的平均值作为最终的纠偏角度，利用平均偏斜角度对图像进行经纬纱偏斜校正；

步骤3：对校正后图像利用灰度投影分割组织点；

步骤4：计算图像中每个像素点的梯度和梯度方向，对每个组织点内的方向进行统计，把(-180°，180°)每22.5°划分为16个方向区间，对相同方向区间上的点的梯度值进行累加，共16个方向区间，每个组织点得到一个16维梯度方向向量，并进行归一化处理，作为组织点的梯度方向直方图特征；

步骤5：利用FCM方法对组织点进行分类，将样本与聚类中心的欧式距离除以样本与聚类中心的相关系数作为新的样本与聚类中心的距离；

步骤6：将每根纬纱上的所有组织点的特征组合作为每根纬纱的特征，根据第一根纬纱与其他纬纱之间的相关性，得到组织循环周期数N，以相邻N个组织点为一个单元框，统计每类单元框的个数，在初分类结果中将两类组织点分别表示为0和1，并对同类单元框对应组织点表示的值进行累加，计算每类单元框各个组织点处1值出现的概率，若1出现概率大于50％，则此时对应单元格内值应为1，否则为0，对同类单元框进行校正，从而实现误分类点的校正，输出正确组织图。

2.根据权利要求1所述的机织物组织结构识别方法，其特征在于，步骤2中，将每根纬纱沿竖直方向进行灰度投影得到若干投影曲线，计算每条投影曲线的波谷点，得到每根纬纱的局部极小值点。

3.根据权利要求1所述的机织物组织结构识别方法，其特征在于，步骤5中，利用FCM算法对组织点进行分类，其中利用样本与聚类中心的欧式距离和相关系数更改距离函数d_ij′：

d_ij′＝d_ij/r_ij ²

其中d_ij为样本与聚类中心的欧式距离，r_ij为样本与聚类中心的相关系数，将d_ij′作为新的样本与聚类中心的距离。

4.根据权利要求1所述的机织物组织结构识别方法，其特征在于，步骤6中，将初步分类结果中每根纬纱上的所有组织点的特征组合作为每根纬纱的特征，以第一根纬纱为基准，计算其与其他纬纱之间的相关性，得到组织循环周期数为N，整幅织物图像由N类单元框构成，根据机织物组织周期性对同类单元框进行校正，从而实现误分类点的校正，输出正确组织图。