CN104021561B - 基于小波变换及形态学运算的织物起毛起球图像分割方法 - Google Patents

Abstract

本发明公开了一种基于小波变换及形态学运算的织物起毛起球图像分割方法，首先将采集的织物起毛起球图像进行直方图均衡化，然后进行8级小波多分辨率分解；再将表达最高频信息的第一、第二级小波分解层及表达低频信息的小波近似分解层系数置零后重构图像；然后用最大类间方差法将重构后的图像二值化，再依次用水平、45度、垂直、135度方向的线形结构元对图像进行腐蚀操作；最后再对腐蚀后图像依次进行膨胀操作，膨胀操作和腐蚀操作应用结构元顺序相反，即依次为135度、垂直、45度、水平方向的线形结构元。本发明的方法能有效克服织物纹理、光照不匀、织物表面不平、毛球大小不一、毛球形状各异对织物起毛起球等级判定的影响。

Description

基于小波变换及形态学运算的织物起毛起球图像分割方法

技术领域

本发明属于图像处理、纺织领域，尤其涉及一种基于小波变换及形态学运算的织物起毛起球图像分割方法。

背景技术

穿着或洗涤过程中引起的起毛起球程度是描述织物服用性能的一个重要指标。传统的起毛起球等级评定方法，通过专业实验人员观察起毛起球试样，并与标准样照对比，通过毛球个数及大小判定等级，具有很强的主观性。为了克服传统评定方式的缺点，目前出现了很多基于图像处理技术的方法，具有很好的一致性，并且可重复，同时提高了评定的正确性和可靠性。主要分为三类，一类仅在空间域利用颜色信息完成评定过程，这类方法对织物纹理变化敏感、给出的算法仅能处理某一类织物，如适用于精梳毛织物的起毛起球等级评定算法，对精梳针织绒处理时却得不到精确的处理结果；一类主要通过傅立叶变换，利用纹理信息变化的周期性去除织物纹理的影响，因为傅立叶变换不能表达局部信息，只有变化很强的全局周期信息才能体现在频谱图中，因此往往存在纹理去除不干净、非周期噪声不能滤除的弊端；还有一类应用了既能体现频率信息又能体现空间域信息的小波变换。小波变换是这三类方法中处理织物起毛起球图像效果最好的，但目前的应用仍存在对毛球大小不一敏感，纹理不能完全去除的缺点。这是因为基于小波变换的织物起毛起球检测方法认为织物纹理主要出现在小波分解的3、4级子图像或其它某几级子图像中，且认为毛球所在子图像级数与织物纹理不同，进而依据这个特点将纹理干扰去除。而在实际应用中织物所起毛球的大小本身就不均一、有些毛球大小差异还很大，一部分毛球很可能和纹理处于同一小波分解级上，对于纱线较粗的织物进行小波分解时纱线产生的低频信息也常常会出现在毛球所在小波分解级上，这样就导致通过小波变换获得的去噪图像仍还有纹理信息，而一些不该去除的小毛球却被去除了，影响织物起毛起球等级的正确判定。

本发明提出一种基于小波变换、OTSU分割算法、形态学运算的方法，能有效解决上述问题，去除织物起毛起球过程中织物纹理、光照不匀、织物绒毛及织物表面不平等干扰的影响，且对毛球大小不一、形状各异具有鲁棒性。

发明内容

本发明针对基于图像处理算法的织物起毛起球等级检测过程不能有效去除织物纹理影响，且当毛球大小不一、形状各异时影响等级检测准确性的情况，提出一种基于小波变换及形态学运算的织物起毛起球图像分割方法，该方法还能有效克服光照不匀、织物表面不平对等级检测准确性的影响。

本发明的目的是通过以下技术方案实现的：基于小波变换及形态学运算的织物起毛起球图像分割方法，包括如下步骤：

步骤1：采集织物起毛起球图像；

步骤2：从步骤1采集的织物起毛起球图像中筛选出不含非织物背景的织物起毛起球图像；具体为：

步骤2.1：通过读取织物图像的维数，判定获得的是彩色图像还是灰度图像，如果为彩色图像则进行灰度化处理；

基于图像处理方法的织物起毛起球等级检测过程并不是全自动过程，需要人的参与。在获取起毛起球图像时需要人将图像扫描进电脑，或通过摄像头经图像采集卡将图像读进电脑。在这个过程中不同人获得的图像就有可能是彩色或灰度，也有可能使获取的图像含有扫描仪的扫描面或桌面等非织物部分(这里认为非织物部分为颜色单一的平面，这也和实际情况相符)。为了提高本发明算法的通用性，先对图像进行彩色与否的判定，如果为彩色则转换为灰度图再进行后续处理，判定过程通过读取存储图像的维数进行，如为三维则判定为彩色图像，通过公式(1)将其变换为灰度图像。

$I=\frac{R+G+B}{3}---\left(1\right)$

式中，R指红色分量灰度值，G指绿色分量灰度值，B指蓝色分量灰度值，I代表转换成的灰度值。

步骤2.2：通过OTSU方法获得织物灰度图像的分割阈值，然后依据分割阈值分割图像；

如果图像包含非织物背景，则通过步骤2.2操作，就将织物、非织物部分依据灰度值差异进行了分割，如果不包含非织物背景，则实现的是织物毛球和织物纹理的分割。

步骤2.3：采用半径为9个像素的圆形结构元，对步骤2.2分割后的图像连续进行两次腐蚀运算，再采用同一个结构元连续进行三次膨胀运算，然后取像素值为0的最大区域的质点，以质点作为原点，质点水平向右方向定为水平x轴正方向，以x轴正方向为起始位置，逆时针旋转过的角度为正角度，顺时针旋转过的角度为负角度；以原点为起点分别向±45°、±135°方向引一条直线，如果这些直线都能和区域边界有一个交点，则判定当前像素值为0的区域是织物区域，这一步是认为非织物背景的灰度值大于织物区域，分割后非织物区域变为前景，而织物区域变为像素值为0的背景而进行的操作，如果经过上述步骤不能判定织物区域，则将步骤2.2获得的二值图像的像素值取反后重新进行步骤2.3的织物区域判定，这一步是认为非织物区域的灰度值小于织物区域，分割后非织物区域变为像素值为0的背景，而织物区域变为前景而进行的操作；如果能判定存在织物区域，则微调±45°、±135°方向直线和区域边界的四个交点，使这四个交点组成长方形或正方形，然后对步骤2.1获得的灰度图像依据上述四个交点进行裁剪，获得长方形或正方形的不含非织物背景的图像。

如果经过上述步骤2.3的操作，未找到织物区域，则认为采集到的图像不含非织物背景；

步骤3：将不含非织物背景的织物起毛起球图像进行直方图均衡化，用于增强毛球和织物纹理在颜色上的对比度；

步骤4：对均衡化后的织物起毛起球灰度图像进行8级小波多分辨率分解，得到分辨率不同的8级子图像；

步骤5：将小波分解后8级子图像中的1、2级小波分解细节子图像及近似级小波分解子图像的小波分解系数置零，然后将1、2级及近似级小波分解系数置零后的小波分解图像重构：通过将1、2级高频信息置零去除织物绒毛等高频噪声干扰，将近似层小波分解系数置零去除光照不匀等低频噪声干扰；

步骤6：对重构后的图像进行基于OTSU的分割；

步骤7：对分割后的图像依次采用水平、45度、垂直、135度方向的线形结构元进行腐蚀操作，再依次用135度、垂直、45度、水平方向的线形结构元进行膨胀操作，得到最终的仅含毛球的二值图像。

所述线形结构元大小(以像素为单位)是依据织物粗糙度来确定的，粗糙织物采用的线形结构元为7个像素大小，非粗糙织物为5个像素大小。

粗糙织物的判定方法如下：

(7.1)计算图像小波分解后各层的总频率：

C_l＝C_lh+C_ld+C_lv

式中l为小波多分辨率分解的第l层，h为l层水平分解系数图像，d为l层对角分解系数图像，v为l层垂直分解系数图像，C_lh为l层水平分解分解系数图像的总频率，C_ld为l层对角分解系数图像的总频率，C_lv为l层垂直分解系数图像的总频率；其中，C_lx(x＝h,d,v)由以下公式得到

$C_{\mathrm{lx}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{f}_{\mathrm{lx}}{(i,j)}^2$

式中M×N为小波多分辨率分解第l层各方向子图像的大小，f_lx(i,j)为坐标点(i,j)处的小波多分辨率分解系数；

(7.2)寻找C_l出现最大值的小波层S_max，当S_max＞4时，则判定为粗糙织物。

本发明的有益效果是：基于小波变换及形态学运算的织物起毛起球图像分割方法，提高了织物起毛起球图像分割过程的抗干扰能力，有效解决了光照不匀、织物表面不平、织物绒毛尤其织物纹理、毛球大小不一、形状各异对基于图像处理算法的织物起毛起球等级检测过程的影响，而且提出的分割算法对织物类型具有鲁棒性，不管是粗糙织物还是纹理细腻的织物都能将织物毛球分割出来。

附图说明

图1发明方法流程图；

图2仅含织物的起毛起球灰度图；

图3为对图2对应的灰度图进行直方图均衡化后，进行8级小波多分辨率分解，将小波分解后8级子图像中代表高频信息的1、2级小波分解细节子图像及代表低频信息的近似级小波分解子图像的小波分解系数置零，然后将1、2级及近似级小波分解系数置零后的小波分解图像重构后获得的图像；

图4为对图3所示重构图进行OTSU分割后得到的二值图；

图5为对图4进行步骤7所示的一系列腐蚀、膨胀操作后获得的毛球分割图像；

图6为对图5所示的二值图像依次用半径R＝7的圆形结构元和宽度W＝7的方形结构元进行膨胀运算得到的用于计算毛球个数的图像；

图7为把图6中代表毛球的各区域的质点用黑色小圆形里面加星号的形式标注出来的图。

具体实施方式

下面结合实例，对本发明做进一步说明。

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、织物表面不平干扰的能力，并体现本发明对毛球大小不一、形状各异不敏感的优点。选择的是天津针织技术研究所提供的三级起毛起球标准样照，数字图像的获取采用扫描仪实现，从图2可以看出获得的织物起毛起球数字图像存在明显的光照不匀，织物纹理也很明显，且充分体现了毛球大小不一，形状各异的特点：织物左侧毛球成片状，形状不规则、较大，右侧及中部毛球近似为圆形，形状较规则、较小。

1.将扫描获得的三级织物起毛起球图像，先进行彩色、灰度图像判断，如为彩色图像则应用公式(G+B+R)/3转换成灰度图像，再进行裁剪得到不含非织物背景的图像，实施例图像经裁剪后大小为900×700像素，如图2所示；

这一步的应用主要考虑有些视觉上为灰度的图像，实际却以彩色图像的方式存储，而应用本发明的人如果对图像处理知识不是很了解，直接把仅是视觉上为灰度的图像输入进来，而发明涉及的算法又不进行彩色图像的判定及到灰度图像的转换，就会导致整个处理不能进行；增加裁剪过程获得不含非织物背景的图像主要考虑到，扫描或通过摄像头采集织物起毛起球图像时有可能引入非织物背景，这些背景如果和织物颜色并不相近，则非织物背景的存在会影响后续进行的基于OTSU算法的分割操作，因为OTSU是基于颜色差异的分割操作，如果非织物背景存在，且和织物背景颜色不同，则分割就会变成织物和非织物背景的分割，而不是织物毛球和织物非毛球信息的分割。

所述裁剪方法包括以下步骤：

步骤1.1：通过读取织物图像的维数，判定获得的是彩色图像还是灰度图像，如果为彩色图像则进行灰度化处理；

步骤1.2：通过OTSU方法获得织物灰度图像的分割阈值，然后依据分割阈值分割图像；

步骤1.3：采用半径为9个像素的圆形结构元，对步骤1.2分割后的图像连续进行两次腐蚀运算，再采用同一个结构元连续进行三次膨胀运算，然后取像素值为0的最大区域的质点，以质点作为原点，质点水平向右方向定为x轴正方向，以x轴正方向为起始位置，逆时针旋转过的角度为正角度，顺时针旋转过的角度为负角度；以原点为起点分别向±45°、±135°方向引一条直线，如果这些直线都能和区域边界有一个交点，则判定当前像素值为0的区域是织物区域；如果经过上述步骤不能判定织物区域，则将步骤1.2获得的二值图像的像素值取反后重新进行步骤1.3的织物区域判定；如果能判定存在织物区域，则微调±45°、±135°方向直线和区域边界的四个交点，使这四个交点组成长方形或正方形，然后对步骤1.1获得的灰度图像依据上述四个交点进行裁剪，获得长方形或正方形的不含非织物背景的图像。

如果经过上述步骤1.3的操作，未找到织物区域，则认为采集到的图像不含非织物背景。

2.对图2所示裁剪过的图像，进行直方图均衡化后，再进行8级Daubechies小波分解，依据公式C_l＝C_lh+C_ld+C_lv计算各小波分解层的总频率并找出总频率最大的层，C_lx(x＝h,d,v)由公式得到；本实施例中总频率最大的层为小波分解的第3层，然后将小波分解的1、2层和近似层小波分解层系数置零后重构图像，如图3所示；

这一步是利用织物毛球和织物绒毛、织物光照不匀、织物表面不平三种干扰引起的频率差异大的特点，通过小波变换将三种干扰去除，同时又能保证毛球信息不丢失：从图3所示重构后的灰度图可以看出，织物本身具有的一些绒毛及织物光照不匀、织物表面不平已经被有效去除。这主要是因为绒毛尺寸极小，仅在小波分解的1、2级产生频率，而毛球是由绒毛拧结而成，尺寸明显大于绒毛，基本不会在小波分解的1、2级产生信息；至于光照不匀、织物表面不平产生的主要是明显区别于织物毛球、织物纹理的低频信息。因此将小波分解的1、2层和近似层小波分解层系数置零后重构图像，能有效去除这三类干扰而不损伤毛球。

3.对重构后的图像3进行OTSU分割，分割后的二值图像如图4所示；

这一步是依据颜色差异将织物毛球和织物纹理实现分离，为有效去除纹理对织物起毛起球等级判定的影响做准备。

4.因为由步骤2发现总频率最大的小波分解层为第三层，因此对获得的二值图像4依次采用5个像素大小的水平、45度、垂直、135度方向的线形结构元进行腐蚀操作，再依次用135度、垂直、45度、水平方向的线形结构元进行膨胀操作，得到最终的仅含毛球的二值图像，如图5所示；

步骤4里一系列腐蚀操作是用于去除织物起毛起球等级检测中织物纹理的影响，考虑到织物纹理的排列具有极强的规律性，其排列方向多为水平、垂直及和水平方向夹角为45°、135°或虽不为这些方向，但和这些方向接近，因此采用垂直、水平、135°、45°方向的线性结构元对应去除水平、垂直及和水平方向夹角为45°、135°或其近似方向的纹理干扰。膨胀操作则用于修复因腐蚀操作引起的毛球大小的改变。

由图5可以明显看出经过上述各步骤操作，已经去除了各种噪声的干扰，且织物灰度图2中无论是连成片的毛球还是近似圆形的毛球，包括右上角位置处很小的毛球都被保留下来。

5、提取图5所示图像中毛球的个数、毛球总面积及毛球之间的面积标准差用于后续起毛起球等级的判定；

毛球个数的提取：考虑到对织物进行起毛起球检测时，有些毛球还未完全拧结成球，表现为成片的明显起毛区域，在人工检测时这部分区域被看成一个整体。而经过步骤2的小波分解后，成片起毛区域中一些起毛不明显、表现的外形特征更像织物自身所带绒毛的部分就会随着小波分解1、2级子图像的分解系数置0而消失，导致分割后二值图像中成片起毛区域的断裂。因此在统计毛球个数时先对图5所示的二值图像依次用半径R＝7的圆形和宽度W＝7的方形结构元进行膨胀运算，膨胀后的图像如图6所示，再在膨胀后的图像上通过标注8连通分量的方式获得八连通区域，然后统计区域质心的个数即为毛球数。各区域质心如图7中黑色圆形内加星形标志所示，针对本实施例求得的毛球数为19个。

毛球总面积的计算则在图5所示图像上进行，针对实施例获得的毛球总面积为3778，单位为像素。

所有毛球之间的均方差也在图5所示图像上进行，针对实施例获得的峰值归一化后的均方差为S＝0.2137。

再对其它公司提供的同等级同种织物的标准样照按照以上步骤提取上述用于判定织物起毛起球等级的参数，取不同样照获得的同一种参数的平均值，存储待用；提取待判定织物起毛起球等级的织物起毛起球图像的上述参数，和存好的同种织物的参数平均值依次对照，和哪个等级参数最接近就将其归入哪个等级。

以上实施方式仅用于说明本发明，而并非本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种基于小波变换及形态学运算的织物起毛起球图像分割方法，其特征在于，包括以下步骤：

步骤1：采集织物起毛起球图像；

步骤2：将步骤1采集的织物起毛起球图像进行裁剪，得到不含非织物背景的图像；具体为：

步骤2.1：通过读取织物图像的维数，判定获得的是彩色图像还是灰度图像，如果为彩色图像则进行灰度化处理，得到灰度图像；

步骤2.2：通过最大类间方差OTSU方法获得织物灰度图像的分割阈值，然后依据分割阈值分割图像；

步骤2.3：采用半径为9个像素的圆形结构元，对步骤2.2分割后的图像连续进行两次腐蚀运算，再采用同一个结构元连续进行三次膨胀运算，然后取像素值为0的最大区域的质点，以质点作为原点，质点水平向右方向定为x轴正方向，以x轴正方向为起始位置，逆时针旋转过的角度为正角度，顺时针旋转过的角度为负角度；以原点为起点分别向±45°、±135°方向引一条直线，如果这些直线都能和区域边界有一个交点，则判定当前像素值为0的区域是织物区域；如果经过上述步骤不能判定织物区域，则将步骤2.2获得的二值图像的像素值取反后重新进行步骤2.3的织物区域判定；如果能判定存在织物区域，则微调±45°、±135°方向直线和区域边界的四个交点，使这四个交点组成长方形或正方形，然后对步骤2.1获得的灰度图像依据上述四个交点进行裁剪，获得长方形或正方形的不含非织物背景的图像；

如果经过上述步骤2.3的操作，未找到织物区域，则认为采集到的图像不含非织物背景；

步骤3：将不含非织物背景的织物起毛起球图像进行直方图均衡化；

步骤4：对均衡化后的织物起毛起球灰度图像进行8级小波多分辨率分解，得到分辨率不同的8级子图像；

步骤5：将小波分解后8级子图像中的1、2级小波分解细节子图像及近似级小波分解子图像的小波分解系数置零，然后将1、2级及近似级小波分解系数置零后的小波分解图像重构；

步骤6：对重构后的图像进行基于OTSU法的分割；

步骤7：对分割后的图像依次采用水平、45度、垂直、135度方向的线形结构元进行腐蚀操作，再依次用135度、垂直、45度、水平方向的线形结构元进行膨胀操作，得到最终的仅含毛球的二值图像；

所述线形结构元以像素为单位，其大小依据织物粗糙度来确定，粗糙织物采用7个像素大小的线形结构元，非粗糙织物则采用5个像素大小的线形结构元；

粗糙织物的判定方法如下：

(7.1)计算图像小波分解后各层的总频率：

C_l＝C_lh+C_ld+C_lv

式中，l为小波多分辨率分解的第l层，h为l层水平分解系数图像，d为l层对角分解系数图像，v为l层垂直分解系数图像，C_lh为l层水平分解分解系数图像的总频率，C_ld为l层对角分解系数图像的总频率，C_lv为l层垂直分解系数图像的总频率；其中，C_lx(x＝h,d,v)由以下公式得到

$C_{lx}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{f}_{lx}{(i,j)}^2$

式中M×N为小波多分辨率分解第l层各方向子图像的大小，f_lx(i,j)为坐标点(i,j)处的小波多分辨率分解系数；

(7.2)寻找C_l出现最大值的小波层S_max，当S_max>4时，则判定为粗糙织物。