CN104715477B - 基于多尺度和多区域的机织物编织密度的图像分析方法 - Google Patents

Abstract

本发明公开了一种基于多尺度和多区域的机织物编织密度的图像分析方法，包括如下步骤：1）数码摄像系统获取织物图像；2）前处理，是指将机织物图像进行结构‑纹理分解；3）机织物纱线位置检测，是指读取前处理过程中输出的织物纹理图像，对机织物的大尺度图像中的纹理基元利用近似规则纹理模型进行检测；4）后处理，是指将数次提取纹理基元的纱线位置检测结果按照二维网格排列方向进行统计，根据多区域的纹理基元的区域位置信息确定纱线平均密度；用户处理一定批次的密度检测过程，根据近似规则纹理的检测结果对平均密度检测结果的准确性进行判断。本发明提高了织物编织密度检测的效率和准确性，更接近实际生产中织物密度分析方法。

Description

基于多尺度和多区域的机织物编织密度的图像分析方法

技术领域

本发明涉及织物中纱线编织密度的图像分析方法，更确切地说，是涉及一种织物表面纱线在多尺度视图下和多个纱线交织区域中编织密度的图像分析方法。

背景技术

在生产机织物的过程中，技术人员需要分析织物样品的编织密度参数从而确定上机织造参数。传统的分析方法依赖简单的工具，如放大镜和刻度尺，利用人眼识别织物中不同区域的纱线编织根数。通常地，为确保检测精度，分析人员需要选取至少2个内容不同的区域，区域大小一般约为10×10cm，对每个区域按照经纬方向至少识别2次，然后以识别的经纱和纬纱纱线根数的各自平均值作为织物编织密度的检测结果。以此计算，分析人员在分析每一个织物样品时，至少需要识别8次经向和纬向长度范围为10cm的纱线根数。由于织物表面的密度可达140根/英寸(少数样品密度甚至更高)，分析人员每天可能需要处理数十个样品，分析过程十分枯燥，而且他们长期利用放大镜低头观测织物密度的工作方法极容易产生颈椎疾病和用眼过度疲劳甚至眼疾。

采用现代图像分析技术能够很好地完成织物表面纱线的编织密度分析，这一方面可以降低分析人员的劳动强度和节省劳动成本，同时能够缩短分析时间并提高织物分析效率，从而实现纺织企业自动化生产的发展和生产力转型升级的需求。根据织物颜色的属性，已有的分析方法可分为两大类：(1)针对单色织物的编织密度分析方法；(2)针对多色织物的编织密度分析方法。前者主要是利用快速傅里叶变换原理，将图像从时域转换到频域，接着从功率频谱图中提取出纱线周期性信息特征点，然后根据样品的实际尺寸计算出经纬纱的编织密度。利用该方法能成功地识别出纱线排列均匀的单色织物。然而，该方法存在下述一个主要缺陷：这种方法只适合于分析单色织物的纱线编织密度，这是因为多色织物的纱线颜色排列可能会在功率频谱图中形成一定的周期性信息特征点，以致难以准确地分辨出某些色纱的排列周期和全部纱线的排列周期。后者分析方法，即多色织物密度分析方法，主要是利用纱线灰度投影法对纱线进行分割。其主要原理是：根据织物纱线和间隙的亮度分布规律，把织物图片的灰度值沿着经纬方向分别做投影。在光线照射到织物表面时，当遇到相邻纱线的间隙时，光反射照片中的灰度投影的累计值较低；当遇到纱线表面时，灰度投影值较高。虽然该方法能够获取纱线的空间位置信息，但仍然受纱线毛羽和颜色的影响。例如，当纱线的颜色转换成灰度值时，某些颜色对应的灰度值可能相差很大，这样在灰度投影曲线上形成明显的阶梯状分布，从而使峰值检测算法对参数选择十分敏感。也是由于这个原因，该方法只适合于分析小区域的多色织物。从目前发表的研究论文可知，该方法中单个区域通常只包括10至20根纱线。

2008年，Xin B.和Yu X.等发表的研究论文《Investigation on theClassification of Weave Pattern Based on an Active Grid Model》融合了织物图片的双面信息，并利用纱线模板对织物图片进行滤波，然后采用灰度投影法定位纱线的初始位置。接着，纱线的精确位置通过一种活动网格模型(AGM)进行定位。这种方法为采集织物纱线的信息和分割存在变形的纱线提供了一种新思路，但存在以下主要缺点：(1)网格模型的解的精确度和稳定性对初始化纱线定位结果敏感；(2)该方法处理的分析区域仅仅包含一个比较小的区域，这是因为如果扩展到多区域该方法的运算量将很大。2008年，Xie L.等在发表的研究论文《Applied technique of automatic measurement of warp and weftdensities in fabrics:1.method of measurement》中，提出了施加外力(机械力)达到矫正纱线扭曲的区域，进而可采用传统的灰度投影法分割纱线。虽然该方法能使灰度投影法相对容易地分割出理想的纱线排列(经纱垂直排列，纬纱水平排列)，然而，该方法采用的外力作用会使纱线发生拉伸变形，以至改变了纱线在织物中的自然弯曲状态，从而改变织物的原有结构参数，如织物覆盖系数和织物编织密度。Pan R.等于2010年发表的研究论文《Automatic Detection of Structure Parameters of Yarn-dyed Fabric》之中提出利用纱线区域的颜色特征直接对色织织物的纱线颜色进行分割的方法。论文中采用了模糊c均值算法对织物图片在CIELab颜色空间进行了分类，然后在织物图像中的每一种颜色的交织区域利用Steering滤波器进行过滤，进而使用灰度投影的方法对纱线进行分割。这种方法的主要缺点是过分依赖于对织物中纱线的颜色分割结果，当两种纱线的颜色接近时(例如两种亮度信息接近的红色)，颜色聚类的方法难以正确地区分不同的纱线交织区域，从而影响后续分析中所采用的步骤和结果。

发明内容

本发明的目的在于提供了一种基于多尺度和多区域的机织物编织密度的图像分析方法。本发明提高了织物编织密度检测的效率和准确性，同时克服上述方法中存在的问题，本发明首先提出一种近似规则纹理的分析模型提取织物在大尺度视图中的纹理基元，然后对其中的纹理基元进行纱线定位。本发明提出的纱线定位方法是一种基于亮度梯度图的投影算法。该方法适合分析单色和多色机织物在大尺度视图下的机织物编织密度，对峰值检测方法的依赖程度低，分析方法更接近实际生产中织物密度分析方法。

为达到上述目的，本发明的技术方案是：

一种基于多尺度和多区域的机织物编织密度的图像分析方法，，包括如下步骤：1)数码摄像系统获取织物图像；2)前处理，是指将机织物图像进行结构-纹理分解，其中结构部分对应织物图像中频率相对较低的信号成分，即纱线颜色排列信息，形成织物结构图像；而纹理部分对应于织物图像中频率相对较高的信号成分，即纱线边缘信息，形成织物纹理图像；利用电脑显示机织物的纹理图像，用户对纹图像进行是否满意的判断，如果不满意，进行调整并重新进行结构-纹理分解，循环直至满意为止；如果满意，输出纹理并结束前处理；3)机织物纱线位置检测，是指读取前处理过程中输出的织物纹理图像，对机织物的大尺度图像中的纹理基元利用近似规则纹理模型进行检测；在机织物的大尺度图像中包含经纱和纬纱的根数分别为数百根以上，以保证密度检测的准确性；对提取的纹理基元，在机织物的小尺度图片中利用亮度梯度值投影法对每根纱线的边缘位置进行定位，然后利用二维网格对纱线的边缘位置进行标记进而确定纱线根数；用户根据纱线位置的网格标示结果判断是否达到满意的分辨率，如果不满意，进行调整并重新进行检测，循环直至满意为止；如果满意，则进入到下一步骤；4)后处理，是指将步骤3)中数次提取纹理基元的纱线位置检测结果按照二维网格排列方向进行统计，根据多区域的纹理基元的区域位置信息确定纱线平均密度；用户处理一定批次的密度检测过程，根据近似规则纹理的检测结果对平均密度检测结果的准确性进行判断，如果不满意则调整分析区域中所需的多基元纹理重新进行密度平均值的计算，循环直至满意为止；如果满意则后处理过程结束。

所述的步骤1)中数码摄像系统是指利用电荷耦合元件(CCD)数码摄像系统获取机织物RGB格式的彩色图像，所获取机织物图像的每一个像素点颜色由红(R)、绿(G)、蓝(B)三个颜色分量表示，其中每一个颜色分量值的范围为[0,255]。

所述的步骤2)中前处理包括如下处理步骤：A)读取机织物的RGB格式的彩色图像，并转换为NTSC彩色空间，经格式转换后的机织物图像用亮度、色调和饱和度信息描述，分别用分量Y、I、Q表示；将像素点颜色的色调I和饱和度Q设置为0，亮度Y设置为包含256个等级的灰度级图像，灰度取值范围为[0,255]；B)对织物灰度图像进行结构-纹理分解，之后将纹理信号用纹理图像表示，结构信号用结构图像表示；经过结构-纹理分解，织物中的结构信号的主成分对应于织物图像中纱线颜色排列布局，而纹理信号的主成分对应于纱线纹理排列布局；C)然后根据后续分析目标决定分析对象，如果需要分析织物的纹理图像则读取机织物纹理图像，否则读取机织物结构图像；D)当读取的为机织物纹理图像后，从织物图像的结构-纹理分解信号可知，机织物中纱线的密度信息对应于织物中的纱线纹理排列布局；E)利用电脑显示器显示机织物的纹理图像，F)再根据用户对结构-纹理的分解要求判断对纹理图像是否满意：如果对显示的纹理结果不满意，则调整结构-纹理分解程度中正直参数并重新进行分解，循环直至满意；如果对纹理结果满意，则输出纹理图像，结束前处理过程。

所述的结构-纹理分解采用式(1)结构-纹理分解方程进行：F(u,v)＝|u|+λ|f-u-v|²(1)，式中u表示织物图片的结构信息，v表示织物图片的纹理信息，λ是一个用于调节结构-纹理分解程度的正值参数；方程(1)采用Chambolle快速投影算法进行求解；方程的解由式(2)给出：u＝(f-v)-P(f-v),且v＝P(f-u)(2)，其中P是一个正交投影算子，计算方法为式(3)：

式中div是散度算子；设定输入的灰度图像大小为M×N，则式(3)的极小化问题可通过式(4)不动点迭代得到：

式中τ是计算步长，▽是梯度算子。

所述的步骤3)中机织物纱线位置检测包括如下处理步骤：A)读取所述的步骤2)中最后输出的机织物纹理图像，B)开始纹理基元检测，采用近似规则纹理建模的方法获取织物图片中的纹理基元进行纹理基元间的相似性、纹理基元间的空间关联性、纹理基元的空间一致性分析；根据机织物中经纬两组纱线的分布是一个二维网格排列可知，机织物图片中的纹理基元是一个四边形网格分布；C)读取织物在大尺度成像图片中检测到的纹理基元，根据纹理基元对应的四边形的边的空间位置确定织物纹理基元的小尺度成像区域，小尺度纹理基元图像用RGB彩色图像表示；D)把经过步骤C)读取的图像从RGB颜色空间转换到CIELab颜色空间，E)对经过步骤D)转换处理后的图像进行纱线位置检测，包括两个子步骤：a)径向和纬向的亮度梯度图像，b)对纹理基元的纬向和径向亮度梯度图像作投影处理；由经向和纬向亮度梯度投影可知，投影曲线的峰值点对应纹理基元中纱线的边缘位置，对经向和纬向亮度梯度投影曲线分别作峰值检测即可获得每根纱线的精确位置；F)根据步骤E)得到的纱线边缘位置，利用网格化的方法沿着经向和纬向分别标示经纱和纬纱的位置；G)用户根据纱线位置的网格标示结果判断是否达到满意的分辨率，如果不满意，调整纹理图像的分辨率并重新对经过步骤D)转换处理后的图像进行纱线位置检测，如果满意，则进入到下一处理步骤F)；F)选取不同区域的纹理基元进行纱线位置检测，并保存各自的检测结果，用户可进行比较。织物纱线的位置检测过程至此结束并进入后处理过程。

所述的近似规则纹理采用马尔科夫随机场模型进行建模，其中纹理基元间的相似性用式(5)方程描述：

式中是纹理基元间的相似性度量函数，x_[i,j]是纹理基元的位置，用平面二维坐标索引表示，在织物图片中[i,j]是水平和垂直方向上像素点位置索引。T_[i,j]是纹理基元内容的相似性度量，用纹理基元的互相关程度表示，α是一个模型常数；

近似规则纹理模型中，纹理基元间的空间关联性用是(6)方程描述：(6),式中和分别表示沿着j和i方向纹理基元间的空间关联性函数，β是模型常数，h和v分别表示沿着j和i方向的纹理基元的空间一致性；

纹理基元的空间一致性计算为式(7)：式中是描述纹理基元的空间一致性函数，用一个描述纹理基元构成的相邻向量的差值表示,用t₁和t₂分别表示四边形的顶点位置处于[i,j]上的相邻两条边，则与该四边形相邻的另外两个四边形的空间一致性函数用方程(7)描述，是沿着i方向的相邻四边形的两边，是沿着j方向的相邻四边形的两边；近似规则纹理模型采用置信传播算法求解，四边形中t₁和t₂的初始值由角点聚类的方法给出；角点聚类的方法分两步进行；这些特征点对应于经纬纱线交织处边缘的角点信息；然后利用角点特征点所在的一个局部区域内容进行聚类并根据聚类结果提出最优的t₁和t₂；区域内容用区域中所有像素点的灰度值的集表示，聚类方法采用mean-shift聚类算法，根据聚类结果，随机选取三个聚类点并利用仿射变换计算其映射到对应的网格特征结构[(0,0),(0,1),(1,0)]，接着利用该映射结构计算其余的聚类点，最优的t₁和t₂从数次随机选择过程中产生，最优t₁和t₂对应于网格结构中能支持最多数量四边形的边，对当前检测到的四边形的边，采用Spline Warping算法可将变形的边矫正到规则状态。

所述的图像从RGB颜色空间转换到CIELab颜色空间的转换方法为式(8)：其中：

式中L^*是CIELab颜色空间对应的一个分量，它表示织物图片的亮度信息；R,G,B是RGB颜色空间对应的三个颜色通道的颜色值，取值范围均为[0,255]；X_n,Y_n,Z_n是标准白颜色的定义值，令(R,G,B)＝(255,255,255),标准白颜色值即可通过X,Y,Z与R,G,B之间的转换关系求得；

所述的步骤E)中纱线位置检测的检测方法包括两个子步骤：首先，计算经向和纬向的亮度梯度图像，方法为式(9)：式中Iwarp和Iweft分别表示经向梯度图像和纬向梯度图像分别在像素点(i,j)处的亮度梯度值，I是纹理基元在CIELab颜色空间的亮度图像；接着，对纹理基元的纬向和经向亮度梯度图像作投影处理，方法为式(10)：式中H(j)和V(i)分别表示纬向和经向亮度梯度投影，Iwarp(i,j)和Iweft(i,j)分别表示经向梯度图像和纬向梯度图像分别在像素点(i,j)处的亮度梯度值，图像的尺寸用M×N个像素点表示。

所述的后处理包括如下处理步骤：A)首先读取纹理基元的纱线位置检测结果；B)选取多个纹理基元作为求平均密度的样本；C)将步骤B)中选取的纹理基元进行密度计算；D)用户根据需求选择不同的纹理基元区域重新计算平均密度，E)判断是否需要重复检测，如果需要则重新选取多个纹理基元作为求平均密度的样本，循环直到满意；否则保存最终密度结果，整个检测过程结束。

所述的步骤A)中，针对纹理基元图像边缘区域纱线不足一根的情况，平均密度的计算方法为式(11)：式中yt是纱线的平均宽度，ns是纹理基元区域中经向或纬向方向上包含的纱线根数，d₁是第一根纱线边缘线对应的像素点位置索引值，d₂是最后一根纱线边缘线对应的像素点位置索引值，w是纹理基元区域沿着经向或纬向所占的总像素点数目；

又根据近似规则纹理模型中求得的纹理基元数以及织物在大尺度下对应的实际尺寸，最后求得织物样品的经纱和纬纱平均密度，计算方法为式(12)：式中Jm、Wm分别表示织物样品在大尺度视图下的经纱平均密度和纬纱平均密度，单位均为：根/英寸；N_j、N_w分别表示织物在大尺度视图中经向纹理基元数和纬向纹理基元数，J、W分别表示根据多纹理基元区域中计算得到的经纱根数和纬纱根数，X、Y分别表示织物的大尺度视图所对应的矩形区域中两边的实际尺寸，单位均为厘米。

本发明的有益效果是：本发明不仅能分析织物每根纱线的边缘位置信息，还能分析织物的纹理基元构成，另外，本发明能描述织物中存在结构变形的纹理基元区域，能从近似规则纹理模型中分析多个区域的纱线根数，克服了传统灰度投影方法不能直接处理纱线倾斜区域的情况。本发明还克服了基于频域的周期性分析方法缺陷，不受纱线颜色排列影响，能够分析多色纱线交织的织物，并能快速地获得纹理基元中包含的经纱和纬纱根数(精确到十分位)。本发明结合多尺度和多区域的图像分析技术，降低了传统的机织物编织密度分析方法对峰值滤波和检测算法中参数调整的依赖程度，不受图像清晰度等因素影响，且对常规的干扰因素如纱线扭曲变形，纱线毛疵，纱线颜色排列等不敏感，其分析结果具有很高的鲁棒性。

附图说明

图1是本发明基于多尺度和多区域的机织物编织密度的图像分析方法的整体工作流程图；

图2是本发明基于多尺度和多区域的机织物编织密度的图像分析方法之前处理过程的详细工作流程图；

图3是本发明基于多尺度和多区域的机织物编织密度的图像分析方法之纱线位置检测过程的详细工作流程图；

图4是本发明基于多尺度和多区域的机织物编织密度的图像分析方法之后处理过程的详细工作流程图；

图5是本发明基于多尺度和多区域的机织物编织密度的图像分析方法的待处理某机织物的大尺度图像；

图6是结构-纹理分解前的机织物图片中灰度信号的三维分布；

图7是结构-纹理分解后机织物图片中结构成分的灰度信号的三维分布；

图8是结构-纹理分解后机织物图片中纹理成分的灰度信号的三维分布；

图9是结构-纹理分解后机织物结构图像；

图10是结构-纹理分解后机织物纹理图像；

图11是近似规则纹理基元检测模型中对纹理图像进行角点检测的结果示意图；

图12是近似规则纹理基元检测模型中对纹理图像中的角点进行聚类的结果示意图；

图13是近似规则纹理基元检测模型中根据网格支撑结构确定的纹理基元中相邻边的位置；

图14是近似规则纹理基元检测模型对纹理图像进行单元检测的结果示意图；

图15是经过规则化矫正后的纹理基元图像；

图16是机织物中纹理基元在小尺度上的图像；

图17是机织物中纹理基元在小尺度上对应的亮度图像；

图18是纹理基元的经向亮度梯度图像；

图19是纹理基元的纬向亮度梯度图像；

图20是对纹理基元的经向亮度梯度图在经向方向作投影所得的经向亮度梯度投影曲线及峰值检测结果；

图21是对纹理基元的纬向亮度梯度图在纬向方向作投影所得的纬向亮度梯度投影曲线及峰值检测结果；

图22是根据经向和纬向亮度梯度投影曲线及峰值检测显示的经纱和纬纱的边缘位置。

具体实施方式

实施例1

如图1所示，本实施例的一种基于多尺度和多区域的机织物编织密度的图像分析方法：包括如下步骤：1)利用电荷耦合元件(CCD)数码摄像系统获取织物彩色图像，所获取织物图像的每一个像素点颜色由红(R)、绿(G)、蓝(B)三个颜色分量表示，其中每一个颜色分量值的范围为[0,255]。

2)前处理，用于提取织物在大尺度视图下待检测特征，包括织物图像的纹理信息和结构信息；如图2所示，A)读取机织物的RGB格式的彩色图像，并转换为NTSC彩色空间，经格式转换后的机织物图像用亮度、色调和饱和度信息描述，分别用分量Y、I、Q表示；将像素点颜色的色调I和饱和度Q设置为0，亮度Y设置为包含256个等级的灰度级图像，灰度取值范围为[0,255]；B)对织物灰度图像f进行结构-纹理分解，对织物的灰度级图像f进行结构-纹理分解，方法如下：F(u,v)＝|u|+λ|f-u-v|²(1)，式中u表示织物图片的结构信息，v表示织物图片的纹理信息，λ是一个用于调节结构-纹理分解程度的正值参数；方程(1)采用Chambolle快速投影算法进行求解；方程的解由式(2)给出：u＝(f-v)-P(f-v),且v＝P(f-u)(2)，其中P是一个正交投影算子，计算方法为式(3)：式中div是散度算子；设定输入的灰度图像大小为M×N，则式(3)的极小化问题可通过式(4)不动点迭代得到：

式中τ是计算步长，▽是梯度算子。

对织物灰度图像进行结构-纹理分解后，纹理信号用纹理图像表示，结构信号用结构图像表示。图5是待处理的某机织物样品的大尺度图像，该样品的实际尺寸为8.65×7.55cm。图6是该机织物的灰度图像信号分布，图7和图8分别显示了机织物灰度信号分解后的结构和纹理信号分布。经过结构-纹理分解，织物中的结构信号的主成分对应于织物图像中纱线颜色排列布局，而纹理信号的主成分对应于纱线纹理排列布局。图9和图10分别示出织物的结构图像和纹理图像。

C)然后根据后续分析目标决定分析对象，如果需要分析织物的纹理图像则读取机织物纹理图像，否则读取机织物结构图像，尽管本发明不涉及一个详细的结构分析步骤，但这也是本发明的一个可行实施例；D)当读取的为机织物纹理图像后，从织物图像的结构-纹理分解信号可知，机织物中纱线的密度信息对应于织物中的纱线纹理排列布局；E)利用电脑显示器显示机织物的纹理图像，F)再根据用户对结构-纹理的分解要求判断对纹理图像是否满意：如果对显示的纹理结果不满意，则调整结构-纹理分解程度中正直参数，即方程(1)中的参数λ，并重新进行分解，循环直至满意；如果对纹理结果满意，则输出纹理图像，结束前处理过程。

3)机织物纱线位置检测，如图3所示，在获得的织物纹理图像中利用近似规则纹理模型提取纹理基元，接着利用亮度梯度投影算法检测小尺度视图下每一根纱线的空间位置信息，然后使用空间二维网格对纱线的边缘位置进行标记；包括如下处理步骤：A)读取所述的步骤2)中最后输出的机织物纹理图像，B)开始纹理基元检测，由于织物是片状柔性材料，织物中纱线当受到外力作用时容易产生局部变形和扭曲等现象。如图5所示，织物图片中部分纱线存在变形和扭曲的情况(尤其是图中左下角区域出现比较明显的向右扭曲的情况以及图中右边区域的纱线在中间至顶部区域发生向右扭曲的情况)。显然，织物图中纱线的排列并非是比较理想的平行或垂直的情况，因此常规的直线检测或灰度投影灯算法均不适合处理这样的织物图片。本实施例采用近似规则纹理建模的方法获取织物图片中的纹理基元进行纹理基元间的相似性、纹理基元间的空间关联性、纹理基元的空间一致性分析；

所述的近似规则纹理采用马尔科夫随机场模型进行建模，其中纹理基元间的相似性用式(5)方程描述：式中是纹理基元间的相似性度量函数，x_[i,j]是纹理基元的位置，用平面二维坐标索引表示，在织物图片中[i,j]是水平和垂直方向上像素点位置索引。T_[i,j]是纹理基元内容的相似性度量，用纹理基元的互相关程度表示，α是一个模型常数；近似规则纹理模型中，纹理基元间的空间关联性用是(6)方程描述： 式中和分别表示沿着j和i方向纹理基元间的空间关联性函数，β是模型常数，h和v分别表示沿着j和i方向的纹理基元的空间一致性；

纹理基元的空间一致性计算为式(7)：式中是描述纹理基元的空间一致性函数，用一个描述纹理基元构成的相邻向量的差值表示,具体地说，根据机织物中经纬两组纱线的分布是一个二维网格排列可知，机织物图片中的纹理基元是一个四边形网格分布，用t₁和t₂分别表示四边形的顶点位置处于[i,j]上的相邻两条边，则与该四边形相邻的另外两个四边形的空间一致性函数用方程(7)描述，是沿着i方向的相邻四边形的两边，是沿着j方向的相邻四边形的两边；近似规则纹理模型采用置信传播算法求解，四边形中t₁和t₂的初始值由角点聚类的方法给出；角点聚类的方法分两步进行；这些特征点对应于经纬纱线交织处边缘的角点信息；然后利用角点特征点所在的一个局部区域内容进行聚类并根据聚类结果提出最优的t₁和t₂；区域内容用区域中所有像素点的灰度值的集表示，聚类方法采用mean-shift聚类算法，根据聚类结果，随机选取三个聚类点并利用仿射变换计算其映射到对应的网格特征结构[(0,0),(0,1),(1,0)]，接着利用该映射结构计算其余的聚类点，最优的t₁和t₂从数次随机选择过程中产生，最优t₁和t₂对应于网格结构中能支持最多数量四边形的边，对当前检测到的四边形的边，采用Spline Warping算法可将变形的边矫正到规则状态。

图11示出近似规则纹理基元检测模型中对纹理图像进行角点检测的结果，图中小黑点表示检测到角点特征点。图12示出近似规则纹理基元检测模型中对纹理图像中的角点进行聚类的结果，图中白色的大圆点表示聚类中心点。图13显示了近似规则纹理基元检测模型中根据网格支撑结构确定的最优的t₁和t₂，图中白色两根线条是检测到的最优的四边形的相邻边，黑色的线条表示由这两条边对应的其它四边形的边，即由白色两条边确定的其它四边形的支撑结构边。图14是纹理基元检测模型对纹理图像进行近似规则单元检测的结果示意图，图中黑色线条表示纹理基元的边。图15显示了经过矫正后的纹理基元图像。

C)读取织物在大尺度成像图片中检测到的纹理基元，根据纹理基元对应的四边形的边的空间位置确定织物纹理基元的小尺度成像区域，小尺度纹理基元图像用RGB彩色图像表示；图16是机织物中纹理基元在小尺度上的RGB图像；D)把经过步骤C)读取的图像从RGB颜色空间转换到CIELab颜色空间，所述的图像从RGB颜色空间转换到CIELab颜色空间的转换方法为式(8)：其中：

式中L^*是CIELab颜色空间对应的一个分量，它表示织物图片的亮度信息；R,G,B是RGB颜色空间对应的三个颜色通道的颜色值，取值范围均为[0,255]；X_n,Y_n,Z_n是标准白颜色的定义值，令(R,G,B)＝(255,255,255),标准白颜色值即可通过X,Y,Z与R,G,B之间的转换关系求得；图17是经步骤D)处理后的纹理基元亮度图像。

E)对经过步骤D)转换处理后的图像进行纱线位置检测，包括两个子步骤：a)径向和纬向的亮度梯度图像，方法为式(9)：式中Iwarp和Iweft分别表示经向梯度图像和纬向梯度图像分别在像素点(i,j)处的亮度梯度值，I是纹理基元在CIELab颜色空间的亮度图像，图18、图19分别显示了经方程(9)处理得到的纹理基元的经向、纬向亮度梯度图像；b)对纹理基元的纬向和径向亮度梯度图像作投影处理；方法为式(10)：式中H(j)和V(i)分别表示纬向和经向亮度梯度投影，Iwarp(i,j)和Iweft(i,j)分别表示经向梯度图像和纬向梯度图像分别在像素点(i,j)处的亮度梯度值，图像的尺寸用M×N个像素点表示。由经向和纬向亮度梯度投影的物理意义分析可知，投影曲线的峰值点对应纹理基元中纱线的边缘位置，对经向和纬向亮度梯度投影曲线分别作峰值检测即可获得每根纱线的精确位置。图20给出了对纹理基元的经向亮度梯度图在经向方向作投影所得的经向亮度梯度投影曲线及峰值检测结果，图21给出了对纹理基元的纬向亮度梯度图在纬向方向作投影所得的纬向亮度梯度投影曲线及峰值检测结果。图中，横坐标表示经向或纬向方向像素点位置索引，纵坐标表示在对应像素点沿着经向或纬向方向的亮度梯度投影，图中的投影值经过归一化处理。图中投影曲线上峰值处的标记点对应的横坐标代表纱线的边缘位置。

F)根据步骤E)得到的纱线边缘位置，利用网格化的方法沿着经向和纬向分别标示经纱和纬纱的位置，图22所示是根据经向和纬向亮度梯度投影曲线及峰值检测显示的经纱和纬纱的边缘位置；G)用户根据纱线位置的网格标示结果判断是否达到满意的分辨率，如果不满意，调整纹理图像的分辨率并重新对经过步骤D)转换处理后的图像进行纱线位置检测，如果满意，则进入到下一处理步骤F)；F)选取不同区域的纹理基元进行纱线位置检测，并保存各自的检测结果，用户可进行比较，织物纱线的位置检测过程至此结束并进入后处理过程。

4)后处理，根据选择的多纹理基元所对应的区域计算织物中纱线排列的平均密度，通过人机交互界面，用户可以比较不同批次的检测结果；如图4所示，包括如下处理步骤：A)首先读取纹理基元的纱线位置检测结果；B)选取多个纹理基元作为求平均密度的样本；C)将步骤B)中选取的纹理基元进行密度计算，以其中一个纹理基元为例，根据纱线的位置信息计算纱线的根数，假设检测到np条纱线的边缘位置线，则对应的纱线根数为np-1根。图22中，经纬向分别有21、23条边缘线，则对应的经纱和纬纱根数分别为20、22根。针对纹理基元图像边缘区域纱线不足一根的情况，平均密度的计算方法为式(11)：式中yt是纱线的平均宽度，ns是纹理基元区域中经向或纬向方向上包含的纱线根数，d₁是第一根纱线边缘线对应的像素点位置索引值，d₂是最后一根纱线边缘线对应的像素点位置索引值，w是纹理基元区域沿着经向或纬向所占的总像素点数目；图22中，经向宽度和纬向宽度值分别为1000pixels和967pixels，经向第一根和最后一根经纱的边缘位置索引值分别为7、960，纬向第一根和最后一根纬纱的边缘位置索引值分别为9、993，经向和纬向纱线边缘数分别为21、23，将经纬二向对应值分别代入方程(11)，可得纹理基元区域中经纱和纬纱根数分别为20.29根和，22.36根。如果选择多个纹理基元，则多纹理基元的经纱和纬纱根数为各自样本包含纱线根数的平均值。本实施例中选择5个纹理基元区域求平均值，经纱和纬纱平均根数分别为20.21根和22.43根。又根据近似规则纹理模型中求得的纹理基元数以及织物在大尺度下对应的实际尺寸，最后求得织物样品的经纱和纬纱平均密度，计算方法为式(12)：式中Jm、Wm分别表示织物样品在大尺度视图下的经纱平均密度和纬纱平均密度，单位均为：根/英寸；N_j、N_w分别表示织物在大尺度视图中经向纹理基元数和纬向纹理基元数，J、W分别表示根据多纹理基元区域中计算得到的经纱根数和纬纱根数，X、Y分别表示织物的大尺度视图所对应的矩形区域中两边的实际尺寸，单位均为厘米。本实施例中，N_j＝17，N_w＝15，J＝20.21，W＝22.34，X＝8.65，Y＝7.55，将这组数值代入方程(12)，计算可得织物的最终密度：Jm＝102.0根/英寸，Wm＝111.5根/英寸。

D)用户根据需求选择不同的纹理基元区域重新计算平均密度；E)判断是否需要重复检测，如果需要则重新选取多个纹理基元作为求平均密度的样本，循环直到满意；否则保存最终密度结果，整个检测过程结束。

本实施例不仅能分析织物每根纱线的边缘位置信息，还能分析织物的纹理基元构成，另外，本实施例能描述织物中存在结构变形的纹理基元区域，能从近似规则纹理模型中分析多个区域的纱线根数，克服了传统灰度投影方法不能直接处理纱线倾斜区域的情况。本实施例还克服了基于频域的周期性分析方法缺陷，不受纱线颜色排列影响，能够分析多色纱线交织的织物，并能快速地获得纹理基元中包含的经纱和纬纱根数(精确到十分位)。本实施例结合多尺度和多区域的图像分析技术，降低了传统的机织物编织密度分析方法对峰值滤波和检测算法中参数调整的依赖程度，不受图像清晰度等因素影响，且对常规的干扰因素如纱线扭曲变形，纱线毛疵，纱线颜色排列等不敏感，其分析结果具有很高的鲁棒性。

Claims (9)

1.一种基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，包括如下步骤：1)数码摄像系统获取织物图像；2)前处理，是指将机织物图像进行结构-纹理分解，其中结构部分对应织物图像中频率相对较低的信号成分，即纱线颜色排列信息，形成织物结构图像；而纹理部分对应于织物图像中频率相对较高的信号成分，即纱线边缘信息，形成织物纹理图像，利用电脑显示机织物的纹理图像，用户对纹图像进行是否满意的判断，如果不满意，进行调整并重新进行结构-纹理分解，循环直至满意为止；如果满意，输出纹理并结束前处理；3)机织物纱线位置检测，是指读取前处理过程获得的织物纹理图像，对机织物的大尺度图像中的纹理基元利用近似规则纹理模型进行检测；对读取的纹理基元，在机织物的小尺度图片中利用亮度梯度值投影法对每根纱线的边缘位置进行定位，然后利用二维网格对纱线的边缘位置进行标记进而确定纱线根数；用户根据纱线位置的网格标示结果判断是否达到满意的分辨率，如果不满意，进行调整并重新进行检测，循环直至满意为止；如果满意，则进入下一步骤；4)后处理，是指将步骤3)中数次提取的多纹理基元的纱线位置检测结果按照二维网格排列方向进行统计，根据多区域的纹理基元的区域位置信息确定纱线平均密度；用户处理一定批次的密度检测过程，根据近似规则纹理的检测结果对平均密度检测结果的准确性进行判断，如果不满意则调整分析区域中所需的多基元纹理重新进行密度平均值的计算，循环直至满意为止；如果满意则后处理过程结束；

其中所述的近似规则纹理采用马尔科夫随机场模型进行建模，所述纹理基元间的相似性用式(5)方程描述：(5)，式中是纹理基元间的相似性度量函数，x_[i,j]是纹理基元的位置，用平面二维坐标索引表示，在织物图片中[i,j]是水平和垂直方向上像素点位置索引；T_[i,j]是纹理基元内容的相似性度量，用纹理基元的互相关程度表示，α是一个模型常数；近似规则纹理模型中，纹理基元间的空间关联性用是(6)方程描述：式中和分别表示沿着j和i方向纹理基元间的空间关联性函数，β是模型常数，h和v分别表示沿着j和i方向的纹理基元的空间一致性。

2.如权利要求1所述的基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，所述的大尺度图像是指包含经纱和纬纱的根数分别为数百根以上的机织物图像，以保证密度检测的准确性。

3.如权利要求1所述的基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，所述的步骤1)中数码摄像系统是指利用电荷耦合元件(CCD)数码摄像系统获取机织物RGB格式的彩色图像，所获取机织物图像的每一个像素点颜色由红(R)、绿(G)、蓝(B)三个颜色分量表示，其中每一个颜色分量值的范围为[0,255]。

4.如权利要求1所述的基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，所述的步骤2)中前处理包括如下处理步骤：A)读取机织物的RGB格式的彩色图像，并转换为NTSC彩色空间，经格式转换后的机织物图像用亮度、色调和饱和度信息描述，分别用分量Y、I、Q表示；将像素点颜色的色调I和饱和度Q设置为0，亮度Y设置为包含256个等级的灰度级图像，灰度取值范围为[0,255]；B)对织物灰度图像进行结构-纹理分解，之后将纹理信号用纹理图像表示，结构信号用结构图像表示；经过结构-纹理分解，织物中的结构信号的主成分对应于织物图像中纱线颜色排列布局，而纹理信号的主成分对应于纱线纹理排列布局；C)然后根据后续分析目标决定分析对象，如果需要分析织物的纹理图像则读取机织物纹理图像，否则读取机织物结构图像；D)当读取的为机织物纹理图像后，从织物图像的结构-纹理分解信号可知，机织物中纱线的密度信息对应于织物中的纱线纹理排列布局；E)利用电脑显示器显示机织物的纹理图像，F)再根据用户对结构-纹理的分解要求判断对纹理图像是否满意：如果对显示的纹理结果不满意，则调整结构-纹理分解程度中正直参数并重新进行分解，循环直至满意；如果对纹理结果满意，则输出纹理图像，结束前处理过程。

5.如权利要求4所述的基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，所述的结构-纹理分解采用式(1)结构-纹理分解方程进行：F(u,v)＝|u|+λ|f-u-v|² (1)，式中u表示织物图片的结构信息，v表示织物图片的纹理信息，λ是一个用于调节结构-纹理分解程度的正值参数；方程(1)采用Chambolle快速投影算法进行求解；方程的解由式(2)给出：u＝(f-v)-P(f-v),且v＝P(f-u) (2)，其中P是一个正交投影算子，计算方法为式(3)：式中div是散度算子；设定输入的灰度图像大小为M×N，则式(3)的极小化问题可通过式(4)不动点迭代得到：

$\left\{\begin{array}{c}{P}^0=0,\\ p_{i,j}^{n+1}=\frac{p_{i,j}^n+\mathrm{\τ}\▿{\left(div\right(p^n)-f/\mathrm{\λ})}_{i,j}}{1+|\▿{\left(div\right(p^n)-f/\mathrm{\λ})}_{i,j}|},i=1,...,M,j=1,...,N.\end{array}\right.---\left(4\right),$

式中τ是计算步长，是梯度算子。

6.如权利要求1所述的基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，所述的步骤3)中机织物纱线位置检测包括如下处理步骤：A)读取所述的步骤2)中最后输出的机织物纹理图像，B)开始纹理基元检测，采用近似规则纹理建模的方法获取织物图片中的纹理基元进行纹理基元间的相似性、纹理基元间的空间关联性、纹理基元的空间一致性分析；根据机织物中经纬两组纱线的分布是一个二维网格排列可知，机织物图片中的纹理基元是一个四边形网格分布；C)读取织物在大尺度成像图片中检测到的纹理基元，根据纹理基元对应的四边形的边的空间位置确定织物纹理基元的小尺度成像区域，小尺度纹理基元图像用RGB彩色图像表示；D)把经过步骤C)读取的图像从RGB颜色空间转换到CIELab颜色空间，E)对经过步骤D)转换处理后的图像进行纱线位置检测，包括两个子步骤：a)径向和纬向的亮度梯度图像，b)对纹理基元的纬向和径向亮度梯度图像作投影处理；由经向和纬向亮度梯度投影可知，投影曲线的峰值点对应纹理基元中纱线的边缘位置，对经向和纬向亮度梯度投影曲线分别作峰值检测即可获得每根纱线的精确位置；F)根据步骤E)得到的纱线边缘位置，利用网格化的方法沿着经向和纬向分别标示经纱和纬纱的位置；G)用户根据纱线位置的网格标示结果判断是否达到满意的分辨率，如果不满意，调整纹理图像的分辨率并重新对经过步骤D)转换处理后的图像进行纱线位置检测，如果满意，则进入到下一处理步骤F)；F)选取不同区域的纹理基元进行纱线位置检测，并保存各自的检测结果，用户可进行比较，织物纱线的位置检测过程至此结束并进入后处理过程。

7.如权利要求6所述的基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，所述纹理基元的空间一致性计算为式(7)：式中是描述纹理基元的空间一致性函数，用一个描述纹理基元构成的相邻向量的差值表示,用t₁和t₂分别表示四边形的顶点位置处于[i,j]上的相邻两条边，则与该四边形相邻的另外两个四边形的空间一致性函数用方程(7)描述，是沿着i方向的相邻四边形的两边，是沿着j方向的相邻四边形的两边；近似规则纹理模型采用置信传播算法求解，四边形中t₁和t₂的初始值由角点聚类的方法给出；角点聚类的方法分两步进行；这些特征点对应于经纬纱线交织处边缘的角点信息；然后利用角点特征点所在的一个局部区域内容进行聚类并根据聚类结果提出最优的t₁和t₂；区域内容用区域中所有像素点的灰度值的集表示，聚类方法采用mean-shift聚类算法，根据聚类结果，随机选取三个聚类点并利用仿射变换计算其映射到对应的网格特征结构[(0,0),(0,1),(1,0)]，接着利用该映射结构计算其余的聚类点，最优的t₁和t₂从数次随机选择过程中产生，最优t₁和t₂对应于网格结构中能支持最多数量四边形的边，对当前检测到的四边形的边，采用SplineWarping算法可将变形的边矫正到规则状态；

所述的图像从RGB颜色空间转换到CIELab颜色空间的转换方法为式(8)：其中：

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{ccc}0.607& 0.174& 2.000\\ 0.299& 0.587& 0.114\\ 0.000& 0.066& 1.116\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right],$

式中L^*是CIELab颜色空间对应的一个分量，它表示织物图片的亮度信息；R,G,B是RGB颜色空间对应的三个颜色通道的颜色值，取值范围均为[0,255]；X_n,Y_n,Z_n是标准白颜色的定义值，令(R,G,B)＝(255,255,255),标准白颜色值即可通过X,Y,Z与R,G,B之间的转换关系求得；

所述的步骤E)中纱线位置检测的检测方法包括两个子步骤：首先，计算经向和纬向的亮度梯度图像，方法为式(9)：式中Iwarp和Iweft分别表示经向梯度图像和纬向梯度图像分别在像素点(i,j)处的亮度梯度值，I是纹理基元在CIELab颜色空间的亮度图像；接着，对纹理基元的纬向和经向亮度梯度图像作投影处理，方法为式(10)：式中H(j)和V(i)分别表示纬向和经向亮度梯度投影，Iwarp(i,j)和Iweft(i,j)分别表示经向梯度图像和纬向梯度图像分别在像素点(i,j)处的亮度梯度值，图像的尺寸用M×N个像素点表示；由经向和纬向亮度梯度投影的物理意义分析可知，投影曲线的峰值点对应纹理基元中纱线的边缘位置，对经向和纬向亮度梯度投影曲线分别作峰值检测即可获得每根纱线的精确位置。

8.如权利要求1所述的基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，所述的后处理包括如下处理步骤：A)首先读取纹理基元的纱线位置检测结果；B)选取多个纹理基元作为求平均密度的样本；C)将步骤B)中选取的纹理基元进行密度计算；D)用户根据需求选择不同的纹理基元区域重新计算平均密度，E)判断是否需要重复检测，如果需要则重新选取多个纹理基元作为求平均密度的样本，循环直到满意；否则保存最终密度结果，整个检测过程结束。

9.如权利要求8所述的基于多尺度和多区域的机织物编织密度的图像分析方法，其特征在于，所述的步骤A)中，针对纹理基元图像边缘区域纱线不足一根的情况，平均密度的计算方法为式(11)：式中yt是纱线的平均宽度，ns是纹理基元区域中经向或纬向方向上包含的纱线根数，d₁是第一根纱线边缘线对应的像素点位置索引值，d₂是最后一根纱线边缘线对应的像素点位置索引值，w是纹理基元区域沿着经向或纬向所占的总像素点数目；

又根据近似规则纹理模型中求得的纹理基元数以及织物在大尺度下对应的实际尺寸，最后求得织物样品的经纱和纬纱平均密度，计算方法为式(12)：式中Jm、Wm分别表示织物样品在大尺度视图下的经纱平均密度和纬纱平均密度，单位均为：根/英寸；N_j、N_w分别表示织物在大尺度视图中经向纹理基元数和纬向纹理基元数，J、W分别表示根据多纹理基元区域中计算得到的经纱根数和纬纱根数，X、Y分别表示织物的大尺度视图所对应的矩形区域中两边的实际尺寸，单位均为厘米。