CN105654123B - 一种机织物组织图的识别方法 - Google Patents
一种机织物组织图的识别方法 Download PDFInfo
- Publication number
- CN105654123B CN105654123B CN201511003862.0A CN201511003862A CN105654123B CN 105654123 B CN105654123 B CN 105654123B CN 201511003862 A CN201511003862 A CN 201511003862A CN 105654123 B CN105654123 B CN 105654123B
- Authority
- CN
- China
- Prior art keywords
- point image
- woven fabric
- tissue
- matrix
- twill
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Woven Fabrics (AREA)
Abstract
本发明一种机织物组织图的识别方法,涉及图像分析,步骤是:第一步,基于纱线边界特征的机织物组织结构种类识别:机织物图像预处理、纠斜和分割出每个组织点图像,利用组织点图像的纱线边界特征判断组织点图像经纬属性,获得机织物组织循环纱线数并对组织结构分类;第二步,基于改进Gabor特征和组织结构类别的机织物组织图识别:基于改进Gabor核变换提取非斜纹组织点图像特征,PCA降维,利用支持向量机分类非斜纹组织点图像,分类矫正机织物组织图矩阵,输出正确机织物组织图;本发明方法能够在不同光照情况下,对不同粗细和颜色纱线编织而成的机织物三原组织及其简单的变化组织结构的机织物组织图具有鲁棒的识别效果。
Description
技术领域
本发明的技术方案涉及图像分析,具体地说是一种机织物组织图的识别方法。
背景技术
机织物在日常生活中占有极其重要的地位,广泛应用于日常生活和工业生产领域。机织物的不同应用场景,对机织物的物理机械性能、舒适度以及花纹等各项指标都会有不同的要求,这些指标由纱线粗细、材质、颜色以及机织物组织结构决定,其中,机织物组织结构具有非常重要的地位,机织物组织结构则可以用机织物组织图进行表示。
在纺织行业中,机织物组织结构的设计和识别对于机织物的生产和再生产具有非常重要的意义。然而由于种类繁多的组织结构、复杂多变的纱线颜色和粗细和可任意扭曲形变的纱线和纤维,对机织物组织结构的识别造成了极大的困难。目前机织物组织结构的识别主要靠专业人员借助简单的工具用肉眼对机织物或其照片进行识别,准确率和效率较低。机织物的特点也对其组织结构自动识别方法研究形成巨大的挑战,目前已有机织物组织结构的自动识别方案普遍识别率较低,应用场景局限性较高。因此,研究更为通用的识别率高的机织物组织结构识别方法具有非常重要的意义。
当前,机织物组织图自动化识别与分析的主流方案是将机织物沿经纱纬纱分割,得到每个组织点图像,对每个组织点图像进行识别,然后将各组织点图像识别结果组合为整体组织图结果,CN103106645B公开了一种基于梯度方向特征和FCM的机织物组织图自动识别方法,该类方案识别过程复杂,还存在以下缺陷:首先是识别率不高,特别是对斜纹组织、缎纹组织和变化组织等纱线易扭曲形变的机织物的识别率较低;其次是无法很好地应对光照不均匀、纱线粗细和颜色变化的样本,要求机织物必须保持完整、干净、平整,或者为非平纹的色织物,应用场景限制较高。
总之,现有的机织物组织图识别方法存在以下缺陷:①机织物组织点图像识别所用特征较为单一;②组织点图像提取得到特征较为简单;③没有根据不同种类的机织物进行采用具有针对性的方法。
发明内容
本发明所要解决的技术问题是:提供一种机织物组织图的识别方法,是一种结合两种不同纹理特征进行机织物组织图识别的方法,该方法首先基于纱线边界特征来识别机织物组织结构种类,然后基于改进Gabor特征和组织结构类别进行机织物组织图识别,最后输出正确机织物组织图,克服了现有的机织物组织结构图识别方法存在的缺陷,能够在不同光照情况下,对不同粗细和颜色纱线编织而成的机织物三原组织及其简单的变化组织结构的机织物组织图具有鲁棒的识别效果。
本发明解决该技术问题所采用的技术方案是:一种机织物组织图的识别方法,是一种结合两种不同纹理特征进行机织物组织图识别的方法,步骤如下:
第一步,基于纱线边界特征的机织物组织结构种类识别:
(1)机织物图像预处理、纠斜和分割出每个组织点图像:
使用USB数码电子显微镜采集被识别的机织物高分辨率放大图像,分辨率为640×480像素,并利用公式(1)将所采集的被识别的机织物高分辨率放大图像的彩色图像从RGB空间转化为HSV色彩空间,获取亮度信息IV,
IV=max{IR,IG,IB} (1),
式中IR、IG、IB分别表示每个像素点在RGB色彩空间下的红色、绿色和蓝色分量数值,然后对亮度信息IV进行中值滤波处理得到织物亮度图像IV,MF,保留织物亮度图像IV,MF以供后续操作使用,同时对IV,MF腐蚀处理得到织物亮度图像IV,Ero;
利用得到的腐蚀处理后的织物亮度图像IV,Ero做水平投影并进行高斯滤波得到投影曲线,以该投影曲线波谷作为分割位置分割出纬纱,自上往下依次对每根纬纱垂直投影并确定投影曲线间对应极小值点,根据第一根纬纱和最后一根纬纱垂直投影曲线对应极小值点偏移量均值计算经纱与垂直方向倾斜夹角即经纱倾斜角度θ,当经纱右斜时,θ为负,当经纱左斜时,θ为正,利用公式(2)对上述中值滤波后的织物亮度图像IV,MF进行经纱纠斜得到纠斜后亮度图像利用公式(3)对上述对腐蚀处理后的织物亮度图像IV,Ero进行经纱纠斜得到纠斜后亮度图像
其中SVer为该机织物图像垂直方向分辨率,tan为对θ求正切函数,(x,y)为经纱纠斜后图像像素点坐标,(x+ytanθ,y)和均为经纱纠斜前图像像素点坐标,当计算得到坐标不为整数时,则通过双线性插值计算得到对应像素点数值;
对纠斜后亮度图像进行垂直投影并进行高斯滤波,以曲线极小值点分割出经纱,结合前面纬纱分割结果,获取每个组织点图像的分割信息,以该分割信息在纠斜后亮度图像上分割出各组织点图像;
(2)利用组织点图像的纱线边界特征判断组织点图像经纬属性:
1)对局部组织点图像进行尺寸与亮度归一化:
对上述步骤(1)保留的纠斜后亮度图像的所有组织点图像,逐列在垂直方向上自上往下取所有位置上的组织点图像,以该组织点图像作为中心组织点图像,对其进行顺时针旋转,依次取0度、90度、180度和270度四个方位中存在的相邻组织点图像,作为一组局部组织点图像,进行局部组织点图像尺寸与亮度归一化,方法是:将各组局部组织点图像中所有相邻组织点图像按照中心组织点图像进行尺寸归一化,然后计算该尺寸归一化后的各组局部组织点图像所有像素亮度总均值,用中心组织点图像及其相邻组织点图像各像素亮度值分别减去该亮度总均值,得到对应尺寸和亮度归一化后五个组织点图像,再利用每一组局部组织点图像,进行对应中心组织点图像的纱线边界特征的提取;
2)利用相邻组织点图像间亮度绝对变化关系确定中心组织点图像的纱线边界特征向量:
定义中心组织点图像与某相邻组织点图像间的亮度变化关系为相邻组织点图像间亮度绝对变化关系,
对于上述步骤1)归一化后的组织点图像,当中心组织点图像的0度方向的相邻组织点图像存在,将二个图像按照机织物上分布顺序拼接,拼接后图像按照公式(4)计算对应的高斯卷积核,
其中w和h分别表示高斯卷积核水平方向和垂直方向尺寸,σu和σv分别表示高斯卷积核在水平方向和垂直方向上的方差,u取值0到w-1,v取值0到h-1,σu=w/4,σv=h/4,Sspl,w和Sspl,h分别表示中心组织点图像与其0度方向的相邻组织点图像拼接后所得图像水平方向尺寸和垂直方向尺寸,h=Sspl,h;
将该拼接图像Ispl与高斯卷积核按照公式(5)进行卷积,得到二维卷积结果T(x,y),
其中x取0到Sspl,w-w,y恒取0,即将二维卷积结果T(x,y)中y所对应维度去掉,令t=x+y,则T(x,y)简化为水平亮度变化曲线fh(t),且fh(t)=T(x,0),
利用公式(6)离散傅里叶变换将上述水平亮度变化曲线转化到频域,
其中fh(t)表示离散的水平亮度变化曲线中第t个元素,Ncrc表示该离散水平亮度变化曲线长度,这里Ncrc=Sspl,w-w+1,Fh(s)表示水平亮度变化曲线fh(t)经离散傅里叶变换转换后所得离散频域序列,
取离散频域序列Fh(s)实部前半部分每个元素绝对值减去其自身,得到离散序列{B(s)},s=1,2,...,round(Ncrc/2)-1,Ncrc表示离散亮度变化曲线长度,当{B(s)}中最大数值元素唯一且对应序号s为2,则中心组织点图像与其0度方向的相邻组织点图像间不存在纱线边界,否则存在纱线边界;
当中心组织点图像180度方向相邻组织点图像存在,对该二个图像重复上述对中心组织点图像及其0度方向相邻组织点图像的操作过程;
当中心组织点图像90度方向相邻组织点图像存在,对二个图像重复上述对中心组织点图像及其0度方向相邻组织点图像操作过程,区别在于公式(4)操作时,令w=Sspl,w,公式(5)操作时,x恒取0,y取值范围为0到Sspl,h-h,将二维卷积结果T(x,y)中x所对应维度去掉,得到垂直亮度变化曲线fv(t),且fv(t)=T(0,y),公式(6)操作时,Ncrc=Sspl,h-h+1,对垂直亮度变化曲线fv(t)进行傅里叶变换得到离散频域序列Fv(s),取离散频域序列Fv(s)实部前半部分每个元素绝对值减去其自身,得到离散序列{B(s)};
当中心组织点图像270度方向相邻组织点图像存在,对二个图像重复上述对中心组织点图像及其90度方向相邻组织点图像操作过程;
当中心组织点图像的相邻组织点图像不存在,标识为-1;当中心组织点图像的相邻组织点图像存在且存在边界,则标识为1,不存在边界则标识为0,每个中心组织点图像与其0度、90度、180度和270度四个方向的相邻组织点图像间纱线边界存在情况或相邻组织点图像的存在情况,串联成该中心组织点图像的纱线边界特征向量;
3)利用相邻组织点图像间亮度相对变化关系修正纱线边界特征:
定义在中心组织点图像与其水平或垂直方向两个相邻组织点图像构成的组合中,中心组织点图像与某相邻组织点图像间的亮度变化相对于该组合整体亮度变化的程度,为相邻组织点图像间亮度相对变化关系,对于上述步骤2)得到的中心组织点图像的纱线边界特征向量,当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像均存在,三个图像按照机织物上分布顺序同时拼接,对拼接后图像重复上述步骤2)中对中心组织点图像及其0度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到水平亮度变化曲线,区别在于公式(4)操作时,令h=Sspl,h;当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像中有一个不存在,对中心组织点图像与存在的组织点图像重复上述步骤2)中对中心组织点图像及其0度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到水平亮度变化曲线;
当中心组织点图像90度方向相邻组织点图像和270度方向相邻组织点图像均存在,对三个图像重复上述当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像均存在时,对中心组织点图像及其0度方向相邻组织点图像和180度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到垂直亮度变化曲线,区别在于公式(4)操作时,令w=Sspl,w,当中心组织点图像90度方向相邻组织点图像和270度方向相邻组织点图像中有一个不存在,对中心组织点图像与存在的相邻组织点图像重复上述步骤2)中对中心组织点图像及其90度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到垂直亮度变化曲线;
对上述得到的水平亮度变化曲线和垂直亮度变化曲线分别提取最大值、最小值、局部极小值和局部最大值,结合上述步骤2)得到的各组织点图像纱线边界特征向量,修正各组织点图像纱线边界特征向量,具体修正方法如下:
(a)当纱线边界特征向量中四个元素中不存在0,水平拼接或垂直拼接两种拼接组合中,当两个相邻组织点图像均存在,且相邻组织点图像与中心组织点图像所在亮度变化曲线区间满足下述条件①、②或③之一,将纱线边界特征向量中的对应元素更新为0,条件①-③分别是:①对应曲线区间上不存在极小值点,②存在局部极小值点,且局部极小值点处于对应曲线最大值与最小值之间靠近最大值的1/3区域,③存在局部极小值点,局部极小值点处于对应曲线最大值与最小值间中间1/3区域,且该局部极小值所在相邻组织点图像和中心组织点图像对应曲线区间最大值中较大的最大值,与该局部极小值的差,除以曲线最大值与最小值的差,所得数值小于0.15;
(b)完成上述步骤(a)纱线边界特征向量更新后,当纱线边界特征向量中的0元素个数大于2,或0元素个数为2且两个0元素下标的数值一个为奇数而另一个为偶数时,统计所有同时满足下述条件①和②的亮度变化曲线区间中,不存在极小值点的亮度变化曲线区间数量,如果统计结果大于0,则将存在极小值点的亮度变化曲线区间按照条件①和②中对应关系在纱线边界特征向量中所对应元素更新为1;否则不更新纱线边界特征向量中元素,否则不更新纱线边界特征向量元素,条件①、②分别是:①亮度变化曲线区间为亮度变化曲线上某段区域的中间2/3区间,该段区域可完整表示某相邻组织点图像和中心组织点图像间的亮度变化关系;②条件①中所述相邻组织点图像在纱线边界特征向量中对应元素数值为0;
(c)完成上述步骤(b)纱线边界特征向量更新后,当纱线边界特征向量中不存在-1元素,且0元素的个数大于2,或0元素个数为2且两个0元素下标的数值不同时为奇数或不同时为偶数时,对纱线边界特征向量中的0元素,依次按照下述操作▲进行计算,除计算结果中最小值所对应的0元素外,均更新为1,操作▲为:计算0元素所表示相邻组织点图像对应曲线区间最大值,计算中心组织点图像对应曲线区间最大值,取两个最大值中较大的值与该相邻组织点图像所对应上述步骤(a)中局部极小值做差,做差结果除以该相邻组织点图像所在亮度变化曲线全局最大值与最小值之差;
4)根据纱线边界特征向量判断组织点图像经纬属性:
对上述步骤3)得到的纱线边界特征向量,从前向后搜索纱线边界特征向量中所有元素数值,当纱线边界特征向量中不存在0元素时,该组织点图像经纬属性无法识别,标识为-1;否则取0元素在纱线边界特征向量中首次出现的位置ind0,当ind0为奇数,该组织点图像为纬属性,标识为0;当ind0为偶数,该组织点图像为经属性,标识为1,各组织点图像经纬属性标识根据对应组织点图像在机织物中分布位置组成预识别机织物组织图矩阵;
(3)获得机织物组织循环纱线数并对组织结构分类:
1)获得机织物组织循环纬纱线数和机织物组织循环经纱线数:
首先串联各条纬纱上对应组织点图像纱线边界特征向量,得到各条纬纱纱线边界特征向量Vweft,m,m=1,2,3,...,Nweft,Nweft为机织物样本纬纱数,同样串联各条经纱上对应组织点图像纱线边界特征向量,得到各条经纱纱线边界特征向量Vwarp,n,n=1,2,3,...,Nwarp,Nwarp为机织物样本经纱数;按照公式(7)计算Vweft,m与中间位置纬纱特征向量的平均海明距离得到序列按照公式(8)计算Vwarp,n与中间位置经纱特征向量平均海明距离得到序列根据序列和对应曲线极小值点及不同长度下截取所得相邻等长子序列间平均相关系数,分别获得组织循环纬纱数Ncweft和组织循环经纱数Ncwarp,
其中函数为向量和Vweft,m间的海明距离,函数为向量和Vwarp,n间的海明距离,为向量的模,为向量的模;
2)得到矫正后机织物组织图矩阵:
根据上述步骤1)所得机织物组织循环纱线数以及组织循环分布规律,将上述步骤(2)所得预识别机织物组织图矩阵分割为相应的组织循环块,统计所有组织循环块中对应组织点图像经纬属性标识,以统计所得最多经纬属性标识作为组织循环中对应组织点图像经纬属性标识,构成机织物正确组织循环矩阵,得到机织物正确组织循环矩阵Csr表示为公式(9),机织物正确组织循环矩阵中第kc行和第lc列元素表示为Csr(kc,lc),kc=1,2,...,Ncweft,lc=1,2,...,Ncwarp,数值为对所有组织循环块中第kc行和第lc列元素统计所得最多经纬属性标识,取值为-1、0、1,
利用正确组织循环Csr依次对上述分割所得每个组织循环块进行矫正,得到矫正后机织物组织图矩阵;
3)对机织物组织结构种类进行识别:
当Ncwarp或Ncweft不为2,且上述步骤2)矫正后机织物组织图矩阵中所有元素数值不完全一致,对步骤2)得到的机织物组织图矩阵,取其中第1到第Nweft-1条纬纱和第1到第Nwarp-1条经纱所有组织点图像对应元素,构成子矩阵,该子矩阵逐列串联,得到第1到第Nweft-1条纬纱和第1到第Nwarp-1条经纱对应区域组织点图像经纬属性分布向量Car11,同样,分别取第1到第Nweft-1条纬纱和第2到第Nwarp条经纱、第2到第Nweft条纬纱和第1到第Nwarp-1条经纱、第2到第Nweft条纬纱和第2到第Nwarp条经纱对应区域组织点图像属性分布向量Car12、Car21、Car22;
Car11和Car22以公式(6)相同的方式计算对应平均海明距离Drmean,1,同样计算Car12和Car21平均海明距离Drmean,2,当Drmean,1<0.35且Drmean,1<Drmean,2,该机织物左斜;当Drmean,2<0.35且Drmean,1≥Drmean,2,该机织物右斜;否则该机织物斜向组织点图像经纬属性分布不相似;定义η表示机织物倾斜情况,当机织物左斜,令η=1;当机织物右斜,令η=-1;否则令η=0;
将机织物倾斜情况η结合上述步骤1)所获得的机织物组织循环纬纱数和机织物组织循环经纱数,对该机织物组织结构种类进行识别,具体识别条件为:当机织物组织循环纱线数为2,则该机织物组织属于平纹组织;当机织物组织循环纱线数大于2,且η≠0,则该机织物组织属于斜纹组织,当机织物组织循环纱线数大于2,且η=0,则该机织物组织属于其他机织物组织即为缎纹组织;
对于本步判断所得斜纹组织机织物,将其上述步骤2)所得机织物正确组织循环矩阵Csr保留为Csrtwill,保留该斜纹机织物组织图矩阵,以供后续操作使用;
第二步,基于改进Gabor特征和组织结构类别的机织物组织图识别:
(1)基于改进Gabor核变换提取非斜纹组织点图像特征:
对于第一步中识别所得非斜纹组织机织物,取其纠斜后亮度图像所有组织点图像,短边长度归一化到64,长边按照组织点图像长宽比等比例插值到对应尺寸;尺寸调整后组织点图像分别与r=2,3,4三个尺度、θ=kπ/8,k=0,1,2,...,7八个方向、窗口尺寸为10×10,共24个改进Gabor核按照公式(4)进行卷积,并对卷积结果取实部绝对值,所述改进Gabor核按照公式(10)计算得到,
其中i为复数符号,x和y表示计算改进Gabor核时窗口中各元素对应坐标,kr、Gx、Gy分别按照公式(11)、(12)、(13)计算得到
kr=kmax/fr (11),
其中,kmax取π/2,f取σ取π/3,计算时x与y分别依次取值为-4.5,-3.5,-2.5,-1.5,-0.5,0.5,1.5,2.5,3.5,4.5;
各组织点图像经改进Gabor核变换所得结果取实部绝对值,得到24个结果矩阵,将所有结果矩阵利用双线性插值调整大小为32×32,对于第m条纬纱和第n条经纱相交得到的组织点图像,其中m=1,2,3,...,Nweft,n=1,2,3,...,Nwarp,其结果矩阵分别逐列串联为特征向量qm,n,r,θ,再将不同尺度r对应8个角度θ特征向量qm,n,r,θ按照θ=0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8顺序串联为该尺度下的特征向量qm,n,r,并将不同尺度r的特征向量qm,n,r中所有元素数值按照公式(14)归一化为0到1之间,得到新的特征向量最后把不同尺度r归一化后特征向量进行串联,得到该组织点图像特征向量Qm,n,特征向量中元素横向排列,
其中min(qm,n,r)和max(qm,n,r)分别表示取向量qm,n,r中最小值和最大值,向量与单个变量间的加减乘除运算为向量中所有元素均与该变量进行相同加减乘除运算;
(2)PCA降维:
通过主成分分析(以下简称PCA)对每个组织点图像利用改进的Gabor核变换提取特征降维,分成训练集和非训练集两部分进行,具体方法如下:
训练集部分,对训练集所有组织点图像特征向量进行PCA降维,取2幅模拟机织物图片、随机取10幅平纹机织物图片、5幅斜纹机织物图片和8幅缎纹织物图片,共25幅机织物图片,对应4030个组织点图像作为训练集,将该训练集机织物图片所有组织点图像经过上述步骤(1)提取所得组织点图像特征向量Qm,n按照以下顺序进行并联:先对各组织点图像中的各经纱,自上往下依次并联各组织点图像提取所得改进组织点图像特征向量Qm,n,得到各条经纱特征矩阵,然后对各组织点图像,自左往右依次并联各条经纱特征矩阵,得到机织物图像特征矩阵,最后对训练集,按组织点图像次序并联机织物图像特征矩阵,得到训练集中所有组织点图像的特征矩阵Qtrain,该矩阵Qtrain中每一行对应一个组织点图像特征向量Qm,n;
将特征矩阵Qtrain中心化,分别计算特征矩阵Qtrain每一列均值,得到均值向量Qmean,特征矩阵Qtrain每一行减去均值向量Qmean对应数值,得到中心化后的特征矩阵以公式(15)计算的协方差矩阵E,
上式中,T为转置,Ntrain为计算PCA降维矩阵所用组织点图像样本数,ζ为每个组织点图像基于改进Gabor核变换提取特征向量维数;
计算正交矩阵P,将上述协方差矩阵E按照公式(16)对角化,得到对角矩阵Λ,
PTEP=Λ (16),
对角矩阵Λ为公式(17)的形式,
公式(17)中,λ1,λ2,…,λζ为协方差矩阵E特征值,由大到小排列,被表达为λl,l=1,2,...,ζ,
将上述λl按照公式(18)计算得到经P转换后各维度信息的重要性ωl,取ωl中满足ωl≥0.01的元素个数ζPCA,作为PCA降维后的维度,最后取正交矩阵P前ζPCA列,得到相应降维矩阵PPCA,按照公式(19)计算,可得到训练集组织点图像降维后特征矩阵
非训练集部分,对非训练集组织点图像特征向量进行的PCA降维,对任意机织物第m条纬纱和第n条经纱相交所得组织点图像,通过上述步骤(1)提取所得组织点图像特征向量Qm,n,利用上述第二步(2)所得均值向量Qmean和降维矩阵PPCA,根据公式(20)进行降维,得到降维后特征向量
上式中向量间减法表示向量中对应元素相减;
(3)利用支持向量机SVM分类非斜纹组织点图像:
利用SVM对上述步骤(2)PCA降维后得到的非斜纹机织物各组织点图像特征向量进行分类,同样分成训练集和非训练集两部分进行,训练集部分对上述步骤(2)中所选取训练集所有组织点图像手动标记经纬属性,将训练集所有组织点图像降维后特征向量和组织点图像类别标定送入SVM训练得到分类器,非训练集部分是对任意非训练集机织物样本,所有PCA降维后组织点图像特征向量送入训练好的SVM分类器,第二次判断该机织物样本所有组织点图像经纬属性,具体方法见下:
训练集部分,利用训练集训练SVM分类器,所用开发环境为Matlab 2014a,采用SVM分类器为Matlab函数库工具,对上述步骤(2)中25幅训练集机织物中共4030个组织点图像手工标定经纬属性,得到与训练集组织点图像特征矩阵行对应的组织点图像属性向量,将与组织点图像属性向量送入SVM分类器进行训练,得到SVM分类器,其中SVM分类器核函数为高斯径向基函数(rbf),参数sigma为1,经过测试,该参数下SVM分类器对训练集组织点图像分类准确率高达99.8977%;
非训练集部分,利用训练好SVM分类器分类组织点图像,将非斜纹机织物每个组织点图像PCA降维后特征向量送入上述训练集部分训练好的SVM分类器,第二次判断每个组织点图像的经纬属性标识,各组织点图像经纬属性标识根据对应组织点图像在机织物中分布位置组成非斜纹机织物的再识别机织物组织图矩阵;
(4)分类矫正机织物组织图矩阵:
1)斜纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为斜纹机织物,对其组织循环进行两次矫正,第一次矫正在上述第一步中步骤(3)已完成,得到机织物正确组织循环矩阵Csrtwill;
第二次矫正,先利用斜纹组织倾斜方向信息矫正机织物正确组织循环矩阵Csrtwill的第一列,然后根据矫正后的机织物正确组织循环矩阵Csrtwill的第一列更新整个机织物正确组织循环矩阵Csrtwill,具体方法是根据上述第一步的步骤(3)所得机织物倾斜情况η确定斜纹组织倾斜方向,如公式(21),按照斜纹组织倾斜方向,对第一次矫正后斜纹机织物正确组织循环矩阵Csrtwill逐列错位统计对应组织点图像不同经纬属性出现次数,
其中ickc,lc由公式(22)计算得到,符号δ表示Kroneckerδ函数,其计算方式见公式(23),oc取1,2,3,
ickc,lc=(kc+η·(lc-1)-1)mod Ncwarp+1 (22),
统计所得各以公式(24)形式组成统计结果矩阵
其中,统计结果矩阵中第kc行的三个元素,依次为机织物正确组织循环矩阵Csrtwill中第一列的第kc个组织点图像在机织物正确组织循环矩阵Csrtwill中所有列对应元素中,无法判断经纬属性组织点图像、纬组织点图像和经组织点图像三种组织点图像数量统计结果,以下公式(25)取中第kc行最大值的下标减2作为机织物正确组织循环矩阵Csrtwill中第一列的第kc个组织点图像的经纬属性,
当机织物正确组织循环矩阵Csrtwill中第一列组织点图像中有未识别属性组织点图像,根据其在机织物正确组织循环矩阵Csrtwill中第一列中相邻已知经纬属性组织点图像判断其经纬属性,具体步骤是如下的(a)、(b)、(c)和(d):
(a)将机织物正确组织循环矩阵Csrtwill第一列所有组织点图像经纬属性作为一个向量,复制成三份并进行串联得到向量Tctwill;
(b)扫描向量Tctwill,依次找出所有未识别组织点图像,将Tctwill分成3个等长区间,如果中间区间存在未识别组织点图像,进入(c),否则进入(d);
(c)向量Tctwill上连续出现未识别属性组织点图像数量为1,则该组织点图像取其前一个已判断属性组织点图像经纬属性的相反属性;连续出现未识别属性组织点图像数量不为1,则该连续未识别属性组织点图像中,第一个组织点图像取其前一个已判断属性组织点图像经纬属性的相反属性,最后一个组织点图像取其后一个已判断属性组织点图像经纬属性的相反属性,更新Tctwill,返回(b);
(d)将Tctwill分成3个等长区间,取中间区间各元素,依次对组织循环矩阵Csrtwill第一列对应组织点图像经纬属性进行更新,修正组织循环第一列组织点图像识别结果;
把机织物正确组织循环矩阵Csrtwill第一列正确组织点图像识别结果按照式(26)所示,根据斜纹组织倾斜方向逐列错位重构组织循环,更新斜纹组织机织物正确组织循环矩阵Csrtwill,
Csrtwill(ickc,lc,lc)=Csrtwill(kc,1) (26),
其中ickc,lc由式(22)计算得到;
2)平纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为平纹机织物,对上述第二步中步骤(3)所得再识别机织物组织图矩阵根据机织物组织循环纱线数分割为相邻组织循环块,确定所有组织循环块中对某个属性统计最多的组织点图像,以该属性作为组织循环对应组织点图像正确属性,并进一步确定其他组织点图像属性,具体方法是定义如公式(27)所示平纹组织正确组织循环Csrplain,其中第kc行、第lc列元素表示为Csr(kc,lc),kc=1,2,lc=1,2,数值根据组织循环中对应组织点图像属性取值0或1,
将上述第二步中步骤(3)所得再识别机织物组织图矩阵按照组织循环分割为相邻组织块每个相邻组织块表示为式(28)形式,各相邻组织块中第kc行、第lc列组织点图像经纬属性表示为如果Nweft或Nwarp为奇数,则分割所得最后一行组织块或最后一列相邻组织块可为不完整组织循环大小,
按照公式(29)统计Csrplain中每个组织点图像在所有分割所得相邻组织块对应组织点图像中不同经纬属性的平均数量其中oc取值1和2,
将以kc为第一维,lc为第二维,oc为第三维按照公式(30)得到三维统计结果矩阵
取中所有元素中数值最大值的三维下标(kcmax,lcmax,ocmax),将Csrplain中(kcmax,lcmax)位置对应组织点图像按照公式(31)赋值为ocmax-1,进一步将Csrplain中(kcmax,lcmax)位置斜向组织点图像同样赋值为ocmax-1,其余组织点图像赋值为2-ocmax,得到平纹组织机织物正确组织循环矩阵Csrplain,
3)缎纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为缎纹机织物,对上述第二步中步骤(3)所得再识别机织物组织图矩阵,重复上述第一步中步骤(3)的矫正方法,得到机织物正确组织循环矩阵Csrsatin;
(5)输出正确机织物组织图:
将保留的第一步所得斜纹机织物组织图矩阵,按照上述第二步中步骤(4)第二次矫正及补全识别的机织物正确组织循环矩阵进行修正;将上述第二步中步骤(3)得到的非斜纹机织物的再识别机织物组织图矩阵,按照上述第二步中步骤(4)矫正所得正确组织循环矩阵Csrplain或Csrsatin进行修正,得到机织物正确机织物组织图矩阵;
根据机织物正确机织物组织图矩阵作机织物正确机织物组织图,以第一步中步骤(1)所得纠斜后亮度图像尺寸相同大小设置机织物正确机织物组织图尺寸,并根据第一步中步骤(1)中各纬纱与经纱分割位置绘制直线,将组织图划分为小矩形区域,每个矩形区域根据分布位置对应一个组织点图像,取机织物正确机织物组织图矩阵中组织点图像经纬属性标识为0所对应矩形方格填充白色,组织点图像经纬属性标识为1所对应矩形方格填充斜纹与垂直纹交叉纹理,最终输出正确机织物组织图;
上述一种机织物组织图的识别方法,其中,机织物图像左上角为坐标原点,水平向右为x轴正方向,垂直向下为y轴正方向,尺寸单位为像素数量。
上述一种机织物组织图的识别方法,所述第一步基于纱线边界特征的组织结构种类识别中的机织物图像垂直方向分辨率SVer的数值为480像素。
上述一种机织物组织图的识别方法,所述第二步(1)中的组织点图像特征向量Qm,n的长度ζ为24576。
上述一种机织物组织图的识别方法,所述第二步(2)中的ζ为24576,Ntrain为4030。
本发明的有益效果是:与现有技术相比,本发明的突出实质性特点和显著进步如下:
(1)本发明方法首先对机织物亮度信息进行滤波、腐蚀预处理以及借助投影进行纠斜和组织点图像分割,然后借助机织物组织点图像纱线边界特征识别组织点图像属性、组织循环和组织结构类别,并进一步利用改进的Gabor核变换提取组织点图像纹理特征,PCA降维并送入SVM分类组织点图像,对不同种类组织结构的机织物组织图采用不同的误检矫正方案,获取准确机织物组织图,结合两种纹理特征,并考虑不同机织物组织结构间的差异性,采用先分类再识别的思路,对原组织及其简单变化组织的机织物组织图识别达到了较高的准确率;
(2)本发明方法所采用的算法大多数为简单算法,只有借助改进Gabor核变换提取特征过程较为复杂,且大量重复以及循环运算,计算量适中,不需要高精度仪器和高计算能力计算机,经过优化可借助硬件实现以及并行运算达到很高的运算效率,所有采用的设备和配套算法,属于本技术领域自有知识产权或在市面上均可轻松采购到;
(3)本发明方法对不同光照、不同颜色和粗细纱线的机织物原组织和小花纹组织中的变化组织都具有极高的识别率,同时对于纱线扭曲、机织物瑕疵、机织物毛羽过多、纱线倾斜情况具有较高的鲁棒性;
(4)本发明方法在基于纱线边界特征的组织结构种类识别后,加入了改进的Gabor核提取特征、PCA降维、SVM分类以及采用不同方法矫正不同种类组织结构机织物组织图,系统复杂度和时间复杂度虽有所提高,但实现了对平纹机织物组织图的识别,同时大幅提高了对斜纹机织物、缎纹机织物及其变化的机织物的识别率;
(5)本发明方法在获取准确机织物组织图之外,还具有获取机织物的组织结构类别、纱线密度、纱线粗细、组织循环和机织物组织循环纱线数等参数功能。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明方法的流程示意框图;
图2(a)为本发明方法利用USB数码电子显微镜采集的素色1/1平纹机织物图像;
图2(b)为本发明方法利用USB数码电子显微镜采集的素色2/1右斜纹机织物图像;
图2(c)为本发明方法利用USB数码电子显微镜采集的素色4/1缎纹机织物图像;
图3(a)为本发明方法对预处理和纠斜后图2(a)所示平纹机织物图像组织点图像分割示意图;
图3(b)为本发明方法对预处理和纠斜后图2(b)所示斜纹机织物图像组织点图像分割示意图;
图3(c)为本发明方法对预处理和纠斜后图2(c)所示缎纹机织物图像组织点图像分割示意图;
图4(a)为本发明方法对图2(a)所示平纹机织物图像利用纱线边界特征第一次识别所得组织图;
图4(b)为本发明方法对图2(b)所示斜纹机织物图像利用纱线边界特征第一次识别所得机织物组织图;
图4(c)为本发明方法对图2(c)所示缎纹机织物图像利用纱线边界特征第一次识别所得机织物组织图;
图5(a)为本发明方法对图2(a)所示平纹机织物图像组织循环识别示意图;
图5(b)为本发明方法对图2(b)所示斜纹机织物图像组织循环识别示意图;
图5(c)为本发明方法对图2(c)所示缎纹机织物图像组织循环识别示意图;
图6为本发明方法中所用改进Gabor卷积核示意图;
图7(a)为本发明方法对图2(a)所示平纹机织物图像利用改进Gabor变换+PCA+SVM第二次识别所得机织物组织图;
图7(b)为本发明方法对图2(c)所示缎纹机织物图像利用改进Gabor变换+PCA+SVM第二次识别所得机织物组织图;
图8(a)为本发明方法对图2(b)所示斜纹机织物图像第一次矫正后组织循环示意图;
图8(b)为本发明方法对图8(a)所示斜纹机织物图像第二次矫正后组织循环第一列示意图;
图8(c)为本发明方法对图8(b)所示斜纹机织物图像第二次矫正后组织循环第一列未识别组织点图像经纬属性补全后示意图;
图8(d)为本发明方法对图2(b)所示斜纹机织物图像第二次矫正后组织循环示意图;
图9为本发明方法对图2(a)所示平纹机织物图像组织循环识别示意图;
图10为本发明方法对图2(c)所示缎纹机织物图像组织循环识别示意图;
图11(a)为本发明方法对图2(a)所示平纹机织物图像最终机织物组织图;
图11(b)为本发明方法对图2(b)所示斜纹机织物图像最终机织物组织图;
图11(c)为本发明方法对图2(c)所示缎纹机织物图像最终机织物组织图;
图12(a)为色织1/1平纹机织物及本发明方法对其识别所得机织物组织图;
图12(b)为有瑕疵素色2/1右斜斜纹机织物及本发明方法对其识别所得机织物组织图;
图12(c)为素色1/2左斜斜纹机织物及本发明方法对其识别所得机织物组织图;
图12(d)为素色4/4右斜加强斜纹机织物及本发明方法对其识别所得机织物组织图;
图12(e)为色织3/1左斜加强斜纹机织物及本发明方法对其识别所得机织物组织图;
图12(f)为素色4/4左斜复合斜纹机织物及本发明方法对其识别所得机织物组织图;
图12(g)为色织4/1缎纹机织物及本发明方法对其识别所得机织物组织图。
具体实施方式
图1所示实施例表明,本发明方法的流程是:第一步,基于纱线边界特征的机织物组织结构种类识别机织物图像预处理、纠斜和分割出每个组织点图像→利用组织点图像的纱线边界特征判断组织点图像经纬属性→获得机织物组织循环纱线数并对组织结构分类第二步,基于改进Gabor特征和组织结构类别的机织物组织图识别基于改进Gabor核变换提取非斜纹组织点图像特征→PCA降维→利用支持向量机分类非斜纹组织点图像→分类矫正机织物组织图矩阵→输出正确机织物组织图。
图2(a)所示实施例显示本发明方法利用USB数码电子显微镜采集光照不均、表面无瑕疵的白色1/1平纹机织物图像,图像采集时,尽量保持纬纱水平,经纱与纬纱尽量拉直无扭曲;
图2(b)所示实施例显示本发明方法中利用USB数码电子显微镜采集光照不均、表面无瑕疵的白色2/1右斜纹机织物图像,图像采集时,尽量保持纬纱水平,经纱与纬纱尽量拉直无扭曲;
图2(c)所示实施例显示本发明方法利用USB数码电子显微镜采集光照不均、表面无瑕疵的白色4/1缎纹机织物图像,图像采集时,尽量保持纬纱水平,经纱与纬纱尽量拉直无扭曲;
图3(a)所示实施例显示本发明方法在机织物图像预处理、纠斜和分割出每个组织点图像操作中对组织点图像分割结果,图中所示分割图片为图2(a)所示机织物图片纠斜后中值滤波亮度图,每个小矩形区域为一个组织点图像,分割通过对纠斜后腐蚀亮度图进行水平与垂直投影、高斯滤波所得曲线取极小值点得到;
图3(b)所示实施例显示本发明方法在机织物图像预处理、纠斜和分割出每个组织点图像操作中对组织点图像分割结果,图中所示分割图片为图2(b)所示机织物纠斜后中值滤波亮度图,每个小矩形区域为一个组织点图像;
图3(c)所示实施例显示本发明方法在机织物图像预处理、纠斜和分割出每个组织点图像操作中对组织点图像分割结果,图中所示分割图片为图2(c)所示机织物纠斜后中值滤波亮度图,每个小矩形区域为一个组织点图像;
图4(a)所示实施例显示本发明方法在利用组织点图像的纱线边界特征判断组织点图像经纬属性操作后图2(a)所示机织物初步识别组织图,图中直线分割所得各矩形区域表示各组织点,斜纹与垂直纹交叉矩形块表示经属性组织点,白色矩形块表示纬属性组织点,斜纹矩形块表示未识别属性组织点,以下实施例中如未说明,均默认为斜纹与垂直纹交叉矩形块表示经属性组织点,白色矩形块表示纬属性组织点,斜纹矩形块表示未识别属性组织点;
图4(b)所示实施例显示本发明方法在利用组织点图像的纱线边界特征判断组织点图像经纬属性操作后图2(b)所示机织物初步识别组织图;
图4(c)所示实施例显示本发明方法在利用组织点图像的纱线边界特征判断组织点图像经纬属性操作后图2(c)所示机织物初步识别机织物组织图;
图5(a)所示实施例显示本发明方法在获得机织物组织循环纱线数并对组织结构分类操作后计算所得图2(a)所示机织物组织循环识别示意图,该机织物组织循环纱线数为2,每条分割线间2×2矩形区域即为一个组织循环区域;
图5(b)所示实施例显示本发明方法在获得机织物组织循环纱线数并对组织结构分类操作后计算所得图2(b)所示机织物组织循环识别示意图,该机织物组织循环纱线数为3,每条分割线间3×3矩形区域即为一个组织循环区域;
图5(c)所示实施例显示本发明方法在获得机织物组织循环纱线数并对组织结构分类操作后计算所得图2(c)所示机织物组织循环识别示意图,该机织物组织循环纱线数为5,每条分割线间5×5矩形区域即为一个组织循环区域;
图6所示实施例显示本发明方法在基于改进Gabor核变换提取非斜纹组织点图像特征操作中所用改进Gabor卷积核示意图,该卷积核图像组由窗口尺寸为10×10,r=2,3,4三个尺度和θ=k·π/8,k=0,1,2,...,7八个方向共24幅卷积核图像构成,其中自上而下第1到第3行分别表示r=2,3,4三个尺度计算所得卷积核,由左往右第1到第8列分别表示θ=k·π/8,k=0,1,2,...,7八个方向计算所得卷积核,计算所得改进Gabor卷积核为复数矩阵,本发明取其中实部进行展示;
图7(a)所示实施例显示本发明方法在利用支持向量机分类非斜纹组织点图像操作后使用改进Gabor变换+PCA+SVM方法得到的图2(a)所示机织物初步识别机织物组织图;
图7(b)所示实施例显示本发明方法在利用支持向量机分类非斜纹组织点图像操作后使用改进Gabor变换+PCA+SVM方法得到的图2(c)所示机织物初步识别机织物组织图;
图8(a)所示实施例显示本发明方法在获得机织物组织循环纱线数并对组织结构分类操作中对斜纹组织机织物第一次矫正组织结构后单个组织循环,该图像由对图5(b)中每个分割所得组织循环各对应组织点图像经纬属性出现次数统计所得;
图8(b)所示实施例显示本发明方法在分类矫正机织物组织图矩阵操作中对斜纹组织矫正误检组织点图像经纬属性中得到的正确组织循环第一列结果,该图像由对图8(a)中所示组织循环错位统计各列对应组织点图像经纬属性出现次数所得;
图8(c)所示实施例显示本发明方法在分类矫正机织物组织图矩阵操作中,对图8(b)所示斜纹机织物图像组织循环第一列未识别组织点图像经纬属性进行补识别结果机织物组织图;
图8(d)所示实施例显示本发明方法在分类矫正机织物组织图矩阵操作中得到的斜纹组织机织物正确组织循环,其通过根据斜纹组织倾斜方向,将图8(c)所示补识别组织点图像经纬属性后组织循环第一列组织点图像经纬属性逐列错位重构得到;
图9所示实施例显示本发明方法在分类矫正机织物组织图矩阵得组织循环块对应组织点图像经纬属性出现平均次数,统计得到组织循环各组织点对所有经纬属性隶属度,取最大隶属度所对应组织点及对应经纬属性,以该经纬属性作为正确组织循环中对应组织点的经纬属性,然后以斜向取同,其他取反的方式确定正确组织循环中其余组织点正确经纬属性;
图10所示实施例显示本发明方法在分类矫正机织物组织图矩阵操作中得到的缎纹组织机织物正确组织循环,该图像由对图5(c)中每个分割所得组织循环块各对应组织点图像经纬属性出现次数统计所得;
图11(a)所示实施例显示本发明方法对图2(a)所示素色1/1平纹机织物图像识别并输出的最终机织物组织图;
图11(b)所示实施例显示本发明方法对图2(b)所示素色2/1右斜纹机织物图像识别并输出的最终机织物组织图;
图11(c)所示实施例显示本发明方法对图2(c)所示素色4/1缎纹机织物图像识别并输出的最终机织物组织图;
图12(a)所示实施例显示表面无瑕疵的色织1/1平纹机织物及本发明方法对其识别所得机织物组织图,机织物由红、白二色纬纱和蓝、白二色经纱编织而成,机织物组织循环纱线数为2;
图12(b)所示实施例显示表面有瑕疵的白色2/1右斜斜纹机织物及本发明方法对其识别所得机织物组织图,机织物由白色纬纱、经纱编织而成,机织物组织循环纱线数为3;
图12(c)所示实施例显示表面无瑕疵的白色1/2左斜斜纹机织物及本发明方法对其识别所得机织物组织图,机织物由白色纬纱、经纱编织而成,机织物组织循环纱线数为3;
图12(d)所示实施例显示表面无瑕疵的白色4/4右斜加强斜纹机织物及本发明方法对其识别所得机织物组织图,机织物由白色纬纱、经纱编织而成,机织物组织循环纱线数为8;
图12(e)所示实施例显示表面无瑕疵的色织3/1左斜加强斜纹机织物及本发明方法对其识别所得机织物组织图,机织物由白色纬纱和白、蓝二色经纱编织而成,机织物组织循环纱线数为4;
图12(f)所示实施例显示表面无瑕疵的白色4/4左斜复合斜纹机织物及本发明方法对其识别所得机织物组织图,机织物由白色纬纱、经纱编织而成,机织物组织循环纱线数为8;
图12(g)所示实施例显示表面无瑕疵的色织4/1缎纹机织物及本发明方法对其识别所得机织物组织图,机织物由浅蓝色纬纱和白、蓝二色经纱编织而成,机织物组织循环纱线数为5。
实施例
本实施例一种机织物组织图的识别方法的具体步骤如下:
第一步,基于纱线边界特征的机织物组织结构种类识别:
(1)机织物图像预处理、纠斜和分割出每个组织点图像:
使用USB数码电子显微镜采集被识别的机织物高分辨率放大图像,分辨率为640×480像素,并利用公式(1)将所采集的被识别的机织物高分辨率放大图像的彩色图像从RGB空间转化为HSV色彩空间,获取亮度信息IV,
IV=max{IR,IG,IB} (1),
式中IR、IG、IB分别表示每个像素点在RGB色彩空间下的红色、绿色和蓝色分量数值,然后对亮度信息IV进行中值滤波处理得到织物亮度图像IV,MF,保留织物亮度图像IV,MF以供后续操作使用,同时对IV,MF腐蚀处理得到织物亮度图像IV,Ero;
利用得到的腐蚀处理后的织物亮度图像IV,Ero做水平投影并进行高斯滤波得到投影曲线,以该投影曲线波谷作为分割位置分割出纬纱,自上往下依次对每根纬纱垂直投影并确定投影曲线间对应极小值点,根据第一根纬纱和最后一根纬纱垂直投影曲线对应极小值点偏移量均值计算经纱与垂直方向倾斜夹角即经纱倾斜角度θ,当经纱右斜时,θ为负,当经纱左斜时,θ为正,利用公式(2)对上述中值滤波后的织物亮度图像IV,MF进行经纱纠斜得到纠斜后亮度图像利用公式(3)对上述对腐蚀处理后的织物亮度图像IV,Ero进行经纱纠斜得到纠斜后亮度图像
其中SVer为该机织物图像垂直方向分辨率,该SVer的数值为480像素,tan为对θ求正切函数,(x,y)为经纱纠斜后图像像素点坐标,(x+ytanθ,y)和均为经纱纠斜前图像像素点坐标,当计算得到坐标不为整数时,则通过双线性插值计算得到对应像素点数值;
对纠斜后亮度图像进行垂直投影并进行高斯滤波,以曲线极小值点分割出经纱,结合前面纬纱分割结果,获取每个组织点图像的分割信息,以该分割信息在纠斜后亮度图像上分割出各组织点图像;
(2)利用组织点图像的纱线边界特征判断组织点图像经纬属性:
1)对局部组织点图像进行尺寸与亮度归一化:
对上述步骤(1)保留的纠斜后亮度图像的所有组织点图像,逐列在垂直方向上自上往下取所有位置上的组织点图像,以该组织点图像作为中心组织点图像,对其进行顺时针旋转,依次取0度、90度、180度和270度四个方位中存在的相邻组织点图像,作为一组局部组织点图像,进行局部组织点图像尺寸与亮度归一化,方法是:将各组局部组织点图像中所有相邻组织点图像按照中心组织点图像进行尺寸归一化,然后计算该尺寸归一化后的各组局部组织点图像所有像素亮度总均值,用中心组织点图像及其相邻组织点图像各像素亮度值分别减去该亮度总均值,得到对应尺寸和亮度归一化后五个组织点图像,再利用每一组局部组织点图像,进行对应中心组织点图像的纱线边界特征的提取;
2)利用相邻组织点图像间亮度绝对变化关系确定中心组织点图像的纱线边界特征向量:
定义中心组织点图像与某相邻组织点图像间的亮度变化关系为相邻组织点图像间亮度绝对变化关系,
对于上述步骤1)归一化后的组织点图像,当中心组织点图像的0度方向的相邻组织点图像存在,将二个图像按照机织物上分布顺序拼接,拼接后图像按照公式(4)计算对应的高斯卷积核,
其中w和h分别表示高斯卷积核水平方向和垂直方向尺寸,σu和σv分别表示高斯卷积核在水平方向和垂直方向上的方差,u取值0到w-1,v取值0到h-1,σu=w/4,σv=h/4,Sspl,w和Sspl,h分别表示中心组织点图像与其0度方向的相邻组织点图像拼接后所得图像水平方向尺寸和垂直方向尺寸,h=Sspl,h;
将该拼接图像Ispl与高斯卷积核按照公式(5)进行卷积,得到二维卷积结果T(x,y),
其中x取0到Sspl,w-w,y恒取0,即将二维卷积结果T(x,y)中y所对应维度去掉,令t=x+y,则T(x,y)简化为水平亮度变化曲线fh(t),且fh(t)=T(x,0),
利用公式(6)离散傅里叶变换将上述水平亮度变化曲线转化到频域,
其中fh(t)表示离散的水平亮度变化曲线中第t个元素,Ncrc表示该离散水平亮度变化曲线长度,这里Ncrc=Sspl,w-w+1,Fh(s)表示水平亮度变化曲线fh(t)经离散傅里叶变换转换后所得离散频域序列,
取离散频域序列Fh(s)实部前半部分每个元素绝对值减去其自身,得到离散序列{B(s)},s=1,2,...,round(Ncrc/2)-1,Ncrc表示离散亮度变化曲线长度,当{B(s)}中最大数值元素唯一且对应序号s为2,则中心组织点图像与其0度方向的相邻组织点图像间不存在纱线边界,否则存在纱线边界;
当中心组织点图像180度方向相邻组织点图像存在,对该二个图像重复上述对中心组织点图像及其0度方向相邻组织点图像的操作过程;
当中心组织点图像90度方向相邻组织点图像存在,对二个图像重复上述对中心组织点图像及其0度方向相邻组织点图像操作过程,区别在于公式(4)操作时,令w=Sspl,w,公式(5)操作时,x恒取0,y取值范围为0到Sspl,h-h,将二维卷积结果T(x,y)中x所对应维度去掉,得到垂直亮度变化曲线fv(t),且fv(t)=T(0,y),公式(6)操作时,Ncrc=Sspl,h-h+1,对垂直亮度变化曲线fv(t)进行傅里叶变换得到离散频域序列Fv(s),取离散频域序列Fv(s)实部前半部分每个元素绝对值减去其自身,得到离散序列{B(s)};
当中心组织点图像270度方向相邻组织点图像存在,对二个图像重复上述对中心组织点图像及其90度方向相邻组织点图像操作过程;
当中心组织点图像的相邻组织点图像不存在,标识为-1;当中心组织点图像的相邻组织点图像存在且存在边界,则标识为1,不存在边界则标识为0,每个中心组织点图像与其0度、90度、180度和270度四个方向的相邻组织点图像间纱线边界存在情况或相邻组织点图像的存在情况,串联成该中心组织点图像的纱线边界特征向量;
3)利用相邻组织点图像间亮度相对变化关系修正纱线边界特征:
定义在中心组织点图像与其水平或垂直方向两个相邻组织点图像构成的组合中,中心组织点图像与某相邻组织点图像间的亮度变化相对于该组合整体亮度变化的程度,为相邻组织点图像间亮度相对变化关系,对于上述步骤2)得到的中心组织点图像的纱线边界特征向量,当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像均存在,三个图像按照机织物上分布顺序同时拼接,对拼接后图像重复上述步骤2)中对中心组织点图像及其0度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到水平亮度变化曲线,区别在于公式(4)操作时,令h=Sspl,h;当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像中有一个不存在,对中心组织点图像与存在的组织点图像重复上述步骤2)中对中心组织点图像及其0度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到水平亮度变化曲线;
当中心组织点图像90度方向相邻组织点图像和270度方向相邻组织点图像均存在,对三个图像重复上述当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像均存在时,对中心组织点图像及其0度方向相邻组织点图像和180度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到垂直亮度变化曲线,区别在于公式(4)操作时,令w=Sspl,w,当中心组织点图像90度方向相邻组织点图像和270度方向相邻组织点图像中有一个不存在,对中心组织点图像与存在的相邻组织点图像重复上述步骤2)中对中心组织点图像及其90度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到垂直亮度变化曲线;
对上述得到的水平亮度变化曲线和垂直亮度变化曲线分别提取最大值、最小值、局部极小值和局部最大值,结合上述步骤2)得到的各组织点图像纱线边界特征向量,修正各组织点图像纱线边界特征向量,具体修正方法如下:
(a)当纱线边界特征向量中四个元素中不存在0,水平拼接或垂直拼接两种拼接组合中,当两个相邻组织点图像均存在,且相邻组织点图像与中心组织点图像所在亮度变化曲线区间满足下述条件①、②、③之一,将特征向量中的对应元素更新为0,条件①-③分别是:①对应曲线区间上不存在极小值点,②存在局部极小值点,且局部极小值点处于对应曲线最大值与最小值之间靠近最大值的1/3区域,③存在局部极小值点,局部极小值点处于对应曲线最大值与最小值间中间1/3区域,且该局部极小值所在相邻组织点图像和中心组织点图像对应曲线区间最大值中较大的最大值,与该局部极小值的差,除以曲线最大值与最小值的差,所得数值小于0.15;
(b)完成上述步骤(a)纱线边界特征向量更新后,当纱线边界特征向量中的0元素个数大于2,或0元素个数为2且两个0元素下标的数值一个为奇数而另一个为偶数时,统计所有同时满足下述条件①和②的亮度变化曲线区间中,不存在极小值点的亮度变化曲线区间数量,如果统计结果大于0,则将存在极小值点的亮度变化曲线区间按照条件①和②中对应关系在纱线边界特征向量中所对应元素更新为1;否则不更新纱线边界特征向量中元素,条件①、②分别是:①亮度变化曲线区间为亮度变化曲线上某段区域的中间2/3区间,该段区域可完整表示某相邻组织点图像和中心组织点图像间的亮度变化关系;②条件①中所述相邻组织点图像在纱线边界特征向量中对应元素数值为0;
(c)完成上述步骤(b)纱线边界特征向量更新后,当纱线边界特征向量中不存在-1元素,且0元素的个数大于2,或0元素个数为2且两个0元素下标的数值不同时为奇数或不同时为偶数时,对纱线边界特征向量中的0元素,依次按照下述操作▲进行计算,除计算结果中最小值所对应的0元素外,均更新为1,操作▲为:计算0元素所表示相邻组织点图像对应曲线区间最大值,计算中心组织点图像对应曲线区间最大值,取两个最大值中较大的值与该相邻组织点图像所对应上述步骤(a)中局部极小值做差,做差结果除以该相邻组织点图像所在亮度变化曲线全局最大值与最小值之差;
4)根据纱线边界特征向量判断组织点图像经纬属性:
对上述步骤3)得到的纱线边界特征向量,从前向后搜索纱线边界特征向量中所有元素数值,当纱线边界特征向量中不存在0元素时,该组织点图像经纬属性无法识别,标识为-1;否则取0元素在纱线边界特征向量中首次出现的位置ind0,当ind0为奇数,该组织点图像为纬属性,标识为0;当ind0为偶数,该组织点图像为经属性,标识为1,各组织点图像经纬属性标识根据对应组织点图像在机织物中分布位置组成预识别机织物组织图矩阵;
(3)获得机织物组织循环纱线数并对组织结构分类:
1)获得机织物组织循环纬纱线数和机织物组织循环经纱线数:
首先串联各条纬纱上对应组织点图像纱线边界特征向量,得到各条纬纱纱线边界特征向量Vweft,m,m=1,2,3,...,Nweft,Nweft为机织物样本纬纱数,同样串联各条经纱上对应组织点图像纱线边界特征向量,得到各条经纱纱线边界特征向量Vwarp,n,n=1,2,3,...,Nwarp,Nwarp为机织物样本经纱数;按照公式(7)计算Vweft,m与中间位置纬纱特征向量的平均海明距离得到序列按照公式(8)计算Vwarp,n与中间位置经纱特征向量平均海明距离得到序列根据序列和对应曲线极小值点及不同长度下截取所得相邻等长子序列间平均相关系数,分别获得组织循环纬纱数Ncweft和组织循环经纱数Ncwarp,
其中函数为向量和Vweft,m间的海明距离,函数为向量和Vwarp,n间的海明距离,为向量的模,为向量的模;
2)得到矫正后机织物组织图矩阵:
根据上述步骤1)所得机织物组织循环纱线数以及组织循环分布规律,将上述步骤(2)所得预识别机织物组织图矩阵分割为相应的组织循环块,统计所有组织循环块中对应组织点图像经纬属性标识,以统计所得最多经纬属性标识作为组织循环中对应组织点图像经纬属性标识,构成机织物正确组织循环矩阵,得到机织物正确组织循环矩阵Csr表示为公式(9),机织物正确组织循环矩阵中第kc行和第lc列元素表示为Csr(kc,lc),kc=1,2,...,Ncweft,lc=1,2,...,Ncwarp,数值为对所有组织循环块中第kc行和第lc列元素统计所得最多经纬属性标识,取值为-1、0、1,
利用正确组织循环Csr依次对上述分割所得每个组织循环块进行矫正,得到矫正后机织物组织图矩阵;
3)对机织物组织结构种类进行识别:
当Ncwarp或Ncweft不为2,且上述步骤2)矫正后机织物组织图矩阵中所有元素数值不完全一致,对步骤2)得到的机织物组织图矩阵,取其中第1到第Nweft-1条纬纱和第1到第Nwarp-1条经纱所有组织点图像对应元素,构成子矩阵,该子矩阵逐列串联,得到第1到第Nweft-1条纬纱和第1到第Nwarp-1条经纱对应区域组织点图像经纬属性分布向量Car11,同样,分别取第1到第Nweft-1条纬纱和第2到第Nwarp条经纱、第2到第Nweft条纬纱和第1到第Nwarp-1条经纱、第2到第Nweft条纬纱和第2到第Nwarp条经纱对应区域组织点图像属性分布向量Car12、Car21、Car22;
Car11和Car22以公式(7)相同的方式计算对应平均海明距离Drmean,1,同样计算Car12和Car21平均海明距离Drmean,2,当Drmean,1<0.35且Drmean,1<Drmean,2,该机织物左斜;当Drmean,2<0.35且Drmean,1≥Drmean,2,该机织物右斜;否则该机织物斜向组织点经纬属性分布不相似;定义η表示机织物倾斜情况,当机织物左斜,令η=1;当机织物右斜,令η=-1;否则令η=0;
将机织物倾斜情况η结合上述步骤1)所获得的机织物组织循环纬纱数和机织物组织循环经纱数,对该机织物组织结构种类进行识别,具体识别条件为:当机织物组织循环纱线数为2,则该机织物组织属于平纹组织;当机织物组织循环纱线数大于2,且η≠0,则该机织物组织属于斜纹组织,当机织物组织循环纱线数大于2,且η=0,则该机织物组织属于其他机织物组织即为缎纹组织;
对于本步判断所得斜纹组织机织物,将其上述步骤2)所得机织物正确组织循环矩阵Csr保留为Csrtwill,保留该斜纹机织物组织图矩阵,以供后续操作使用;
第二步,基于改进Gabor特征和组织结构类别的机织物组织图识别:
(1)基于改进Gabor核变换提取非斜纹组织点图像特征:
对于第一步中识别所得非斜纹组织机织物,取其纠斜后亮度图像所有组织点图像,短边长度归一化到64,长边按照组织点图像长宽比等比例插值到对应尺寸;尺寸调整后组织点图像分别与r=2,3,4三个尺度、θ=kπ/8,k=0,1,2,...,7八个方向、窗口尺寸为10×10,共24个改进Gabor核按照公式(4)进行卷积,并对卷积结果取实部绝对值,所述改进Gabor核按照公式(10)计算得到,
其中i为复数符号,x和y表示计算改进Gabor核时窗口中各元素对应坐标(下同),kr、Gx、Gy分别按照公式(11)、(12)、(13)计算得到
kr=kmax/fr (11),
其中,kmax取π/2,f取σ取π/3,计算时x与y分别依次取值为-4.5,-3.5,-2.5,-1.5,-0.5,0.5,1.5,2.5,3.5,4.5;
各组织点图像经改进Gabor核变换所得结果取实部绝对值,得到24个结果矩阵,将所有结果矩阵利用双线性插值调整大小为32×32,对于第m条纬纱和第n条经纱相交得到的组织点图像,其中m=1,2,3,...,Nweft,n=1,2,3,...,Nwarp,其结果矩阵分别逐列串联为特征向量qm,n,r,θ,再将不同尺度r对应8个角度θ特征向量qm,n,r,θ按照θ=0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8顺序串联为该尺度下的特征向量qm,n,r,并将不同尺度r的特征向量qm,n,r中所有元素数值按照公式(14)归一化为0到1之间,得到新的特征向量最后把不同尺度r归一化后特征向量进行串联,得到该组织点图像特征向量Qm,n,该Qm,n的长度ζ为24576,特征向量中元素横向排列,
其中min(qm,n,r)和max(qm,n,r)分别表示取向量qm,n,r中最小值和最大值,向量与单个变量间的加减乘除运算为向量中所有元素均与该变量进行相同加减乘除运算;
(2)PCA降维:
通过主成分分析(以下简称PCA)对每个组织点图像利用改进的Gabor核变换提取特征降维,分成训练集和非训练集两部分进行,具体方法如下:
训练集部分,对训练集所有组织点图像特征向量进行PCA降维,取2幅模拟机织物图片、随机取10幅平纹机织物图片、5幅斜纹机织物图片和8幅缎纹织物图片,共25幅机织物图片,对应4030个组织点图像作为训练集,将该训练集机织物图片所有组织点图像经过上述步骤(1)提取所得组织点图像特征向量Qm,n按照以下顺序进行并联:先对各组织点图像中的各经纱,自上往下依次并联各组织点图像提取所得改进组织点图像特征向量Qm,n,得到各条经纱特征矩阵,然后对各组织点图像,自左往右依次并联各条经纱特征矩阵,得到机织物图像特征矩阵,最后对训练集,按组织点图像次序并联机织物图像特征矩阵,得到训练集中所有组织点图像的特征矩阵Qtrain,该矩阵Qtrain中每一行对应一个组织点图像特征向量Qm,n;
将特征矩阵Qtrain中心化,分别计算特征矩阵Qtrain每一列均值,得到均值向量Qmean,特征矩阵Qtrain每一行减去均值向量Qmean对应数值,得到中心化后的特征矩阵以公式(15)计算的协方差矩阵E,
上式中,T为转置,Ntrain为计算PCA降维矩阵所用组织点图像样本数,Ntrain为4030,ζ为每个组织点图像基于改进Gabor核变换提取特征向量维数,该ζ为24576;
计算正交矩阵P,将上述协方差矩阵E按照公式(16)对角化,得到对角矩阵Λ,
PTEP=Λ (16),
对角矩阵Λ为公式(17)的形式,
公式(17)中,λ1,λ2,…,λζ为协方差矩阵E特征值,由大到小排列,被表达为λl,l=1,2,...,ζ,
将上述λl按照公式(18)计算得到经P转换后各维度信息的重要性ωl,取ωl中满足ωl≥0.01的元素个数ζPCA,作为PCA降维后的维度,最后取正交矩阵P前ζPCA列,得到相应降维矩阵PPCA,按照公式(19)计算,可得到训练集组织点图像降维后特征矩阵
非训练集部分,对非训练集组织点图像特征向量进行的PCA降维,对任意机织物第m条纬纱和第n条经纱相交所得组织点图像,通过上述步骤(1)提取所得组织点图像特征向量Qm,n,利用上述第二步(2)所得均值向量Qmean和降维矩阵PPCA,根据公式(20)进行降维,得到降维后特征向量
上式中向量间减法表示向量中对应元素相减;
(3)利用支持向量机SVM分类非斜纹组织点图像:
利用支持向量机(以下简称SVM)对上述步骤(2)PCA降维后得到的非斜纹机织物各组织点图像特征向量进行分类,同样分成训练集和非训练集两部分进行,训练集部分对上述步骤(2)中所选取训练集所有组织点图像手动标记经纬属性,将训练集所有组织点图像降维后特征向量和组织点图像类别标定送入SVM训练得到分类器,非训练集部分是对任意非训练集机织物样本,所有PCA降维后组织点图像特征向量送入训练好的SVM分类器,第二次判断该机织物样本所有组织点图像经纬属性,具体方法见下:
训练集部分,利用训练集训练SVM分类器,所用开发环境为Matlab 2014a,采用SVM分类器为Matlab函数库工具,对上述步骤(2)中25幅训练集机织物中共4030个组织点图像手工标定经纬属性,得到与训练集组织点图像特征矩阵行对应的组织点图像属性向量,将与组织点图像属性向量送入SVM分类器进行训练,得到SVM分类器,其中SVM分类器核函数为高斯径向基函数(rbf),参数sigma为1,经过测试,该参数下SVM分类器对训练集组织点图像分类准确率高达99.8977%;
非训练集部分,利用训练好SVM分类器分类组织点图像,将非斜纹机织物每个组织点图像PCA降维后特征向量送入上述训练集部分训练好的SVM分类器,第二次判断每个组织点图像的经纬属性标识,各组织点图像经纬属性标识根据对应组织点图像在机织物中分布位置组成非斜纹机织物的再识别机织物组织图矩阵;
(4)分类矫正机织物组织图矩阵:
1)斜纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为斜纹机织物,对其组织循环进行两次矫正,第一次矫正在上述第一步中步骤(3)已完成,得到机织物正确组织循环矩阵Csrtwill;
第二次矫正,先利用斜纹组织倾斜方向信息矫正机织物正确组织循环矩阵Csrtwill的第一列,然后根据矫正后的机织物正确组织循环矩阵Csrtwill的第一列更新整个机织物正确组织循环矩阵Csrtwill,具体方法是根据上述第一步的步骤(3)所得机织物倾斜情况η确定斜纹组织倾斜方向,如公式(21),按照斜纹组织倾斜方向,对第一次矫正后斜纹机织物正确组织循环矩阵Csrtwill逐列错位统计对应组织点图像不同经纬属性出现次数,
其中ickc,lc由公式(22)计算得到,符号δ表示Kroneckerδ函数,计算方式见公式(23),以下如未特殊说明,符号δ均表示Kroneckerδ函数,oc取1,2,3,
ickc,lc=(kc+η·(lc-1)-1)mod Ncwarp+1 (22),
统计所得各以公式(24)形式组成统计结果矩阵
其中,统计结果矩阵中第kc行的三个元素,依次为机织物正确组织循环矩阵Csrtwill中第一列的第kc个组织点图像在机织物正确组织循环矩阵Csrtwill中所有列对应元素中,无法判断经纬属性组织点图像、纬组织点图像和经组织点图像三种组织点图像数量统计结果,如公式(25)取中第kc行最大值的下标减2作为机织物正确组织循环矩阵Csrtwill中第一列的第kc个组织点图像的经纬属性,
当机织物正确组织循环矩阵Csrtwill中第一列组织点图像中有未识别属性组织点图像,根据其在机织物正确组织循环矩阵Csrtwill中第一列中相邻已知经纬属性组织点图像判断其经纬属性,具体步骤是如下的(a)、(b)、(c)和(d):
(a)将机织物组织循环矩阵Csrtwill第一列所有组织点图像经纬属性作为一个向量,复制成三份并进行串联得到向量Tctwill;
(b)扫描向量Tctwill,依次找出所有未识别组织点图像,将Tctwill分成3个等长区间,如果中间区间存在未识别组织点图像,进入(c),否则进入(d);
(c)向量Tctwill上连续出现未识别属性组织点图像数量为1,则该组织点图像取其前一个已判断属性组织点图像经纬属性的相反属性;连续出现未识别属性组织点图像数量不为1,则该连续未识别属性组织点图像中,第一个组织点图像取其前一个已判断属性组织点图像经纬属性的相反属性,最后一个组织点图像取其后一个已判断属性组织点图像经纬属性的相反属性,更新Tctwill,返回(b);
(d)将Tctwill分成3个等长区间,取中间区间各元素,依次对组织循环矩阵Csrtwill第一列对应组织点图像经纬属性进行更新,修正组织循环第一列组织点图像识别结果;
把机织物正确组织循环矩阵Csrtwill第一列正确组织点图像识别结果按照式(26)所示,根据斜纹组织倾斜方向逐列错位重构组织循环,更新斜纹组织机织物正确组织循环矩阵Csrtwill,
Csrtwill(ickc,lc,lc)=Csrtwill(kc,1) (26),
其中ickc,lc由式(22)计算得到;
2)平纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为平纹机织物,对上述第二步中步骤(3)所得再识别机织物组织图矩阵根据机织物组织循环纱线数分割为相邻组织循环块,确定所有组织循环块中对某个属性统计最多的组织点图像,以该属性作为组织循环对应组织点图像正确属性,并进一步确定其他组织点图像属性,具体方法是定义如公式(27)所示平纹组织正确组织循环Csrplain,其中第kc行、第lc列元素表示为Csr(kc,lc),kc=1,2,lc=1,2,数值根据组织循环中对应组织点图像属性取值0或1,
将上述第二步中步骤(3)所得再识别机织物组织图矩阵按照组织循环分割为相邻组织块每个相邻组织块表示为式(28)形式,各相邻组织块中第kc行、第lc列组织点图像经纬属性表示为如果Nweft或Nwarp为奇数,则分割所得最后一行组织块或最后一列相邻组织块可为不完整组织循环大小,
按照公式(29)统计Csrplain中每个组织点图像在所有分割所得相邻组织块对应组织点图像中不同经纬属性的平均数量其中oc取值1和2,
将以kc为第一维,lc为第二维,oc为第三维按照公式(30)得到三维统计结果矩阵
取中所有元素中数值最大值的三维下标(kcmax,lcmax,ocmax),将Csrplain中(kcmax,lcmax)位置对应组织点图像按照公式(31)赋值为ocmax-1,进一步将Csrplain中(kcmax,lcmax)位置斜向组织点图像同样赋值为ocmax-1,其余组织点图像赋值为2-ocmax,得到平纹组织机织物正确组织循环矩阵Csrplain,
3)缎纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为缎纹机织物,对上述第二步中步骤(3)所得再识别机织物组织图矩阵,重复上述第一步中步骤(3)的矫正方法,得到机织物正确组织循环矩阵Csrsatin;
(5)输出正确机织物组织图:
将保留的第一步所得斜纹机织物组织图矩阵,按照上述第二步中步骤(4)第二次矫正及补全识别的机织物正确组织循环矩阵进行修正;将上述第二步中步骤(3)得到的非斜纹机织物的再识别机织物组织图矩阵,按照上述第二步中步骤(4)矫正所得正确组织循环矩阵Csrplain或Csrsatin进行修正,得到机织物正确机织物组织图矩阵;
根据机织物正确机织物组织图矩阵作机织物正确机织物组织图,以第一步中步骤(1)所得纠斜后亮度图像尺寸相同大小设置机织物正确机织物组织图尺寸,并根据第一步中步骤(1)中各纬纱与经纱分割位置绘制直线,将组织图划分为小矩形区域,每个矩形区域根据分布位置对应一个组织点图像,取机织物正确机织物组织图矩阵中组织点图像经纬属性标识为0所对应矩形方格设为白色,组织点图像经纬属性标识为1所对应矩形方格设为黑色,最终输出正确机织物组织图。
本实施例中,机织物图像左上角为坐标原点,水平向右为x轴正方向,垂直向下为y轴正方向,尺寸单位为像素数量。
表1给出了本发明方法对不同组织结构机织物组织结构的识别结果,其中总机织物样本集分为训练集和测试集两种情况,斜纹组织机织物通过组织点的纱线边界特征实现的组织点提取,非斜纹组织机织物通过改进Gabor滤波+PCA提取特征并通过SVM进行分类,所以本发明方法在统计识别准确率时,斜纹组织不区分训练集和测试集,非斜纹组织区分训练集和测试集,本发明方法中定义准确识别为识别所得组织图与正确机织物组织图完全一致。
表1本发明方法对不同机织物组织结构识别结果
Claims (4)
1.一种机织物组织图的识别方法,其特征在于:是一种结合两种不同纹理特征进行机织物组织图识别的方法,步骤如下:
第一步,基于纱线边界特征的机织物组织结构种类识别:
(1)机织物图像预处理、纠斜和分割出每个组织点图像:
使用USB数码电子显微镜采集被识别的机织物高分辨率放大图像,分辨率为640×480像素,并利用公式(1)将所采集的被识别的机织物高分辨率放大图像的彩色图像从RGB空间转化为HSV色彩空间,获取亮度信息IV,
IV=max{IR,IG,IB} (1),
式中IR、IG、IB分别表示每个像素点在RGB色彩空间下的红色、绿色和蓝色分量数值,然后对亮度信息IV进行中值滤波处理得到织物亮度图像IV,MF,保留织物亮度图像IV,MF以供后续操作使用,同时对IV,MF腐蚀处理得到织物亮度图像IV,Ero;
利用得到的腐蚀处理后的织物亮度图像IV,Ero做水平投影并进行高斯滤波得到投影曲线,以该投影曲线波谷作为分割位置分割出纬纱,自上往下依次对每根纬纱垂直投影并确定投影曲线间对应极小值点,根据第一根纬纱和最后一根纬纱垂直投影曲线对应极小值点偏移量均值计算经纱与垂直方向倾斜夹角即经纱倾斜角度θ,当经纱右斜时,θ为负,当经纱左斜时,θ为正,利用公式(2)对上述中值滤波后的织物亮度图像IV,MF进行经纱纠斜得到纠斜后亮度图像利用公式(3)对上述对腐蚀处理后的织物亮度图像IV,Ero进行经纱纠斜得到纠斜后亮度图像
其中SVer为该机织物图像垂直方向分辨率,tan为对θ求正切函数,(x,y)为经纱纠斜后图像像素点坐标,(x+ytanθ,y)和均为经纱纠斜前图像像素点坐标,当计算得到坐标不为整数时,则通过双线性插值计算得到对应像素点数值;
对纠斜后亮度图像进行垂直投影并进行高斯滤波,以曲线极小值点分割出经纱,结合前面纬纱分割结果,获取每个组织点图像的分割信息,以该分割信息在纠斜后亮度图像上分割出各组织点图像;
(2)利用组织点图像的纱线边界特征判断组织点图像经纬属性:
1)对局部组织点图像进行尺寸与亮度归一化:
对上述步骤(1)保留的纠斜后亮度图像的所有组织点图像,逐列在垂直方向上自上往下取所有位置上的组织点图像,以该组织点图像作为中心组织点图像,对其进行顺时针旋转,依次取0度、90度、180度和270度四个方位中存在的相邻组织点图像,作为一组局部组织点图像,进行局部组织点图像尺寸与亮度归一化,方法是:将各组局部组织点图像中所有相邻组织点图像按照中心组织点图像进行尺寸归一化,然后计算该尺寸归一化后的各组局部组织点图像所有像素亮度总均值,用中心组织点图像及其相邻组织点图像各像素亮度值分别减去该亮度总均值,得到对应尺寸和亮度归一化后五个组织点图像,再利用每一组局部组织点图像,进行对应中心组织点图像的纱线边界特征的提取;
2)利用相邻组织点图像间亮度绝对变化关系确定中心组织点图像的纱线边界特征向量:
定义中心组织点图像与某相邻组织点图像间的亮度变化关系为相邻组织点图像间亮度绝对变化关系,
对于上述步骤1)归一化后的组织点图像,当中心组织点图像的0度方向的相邻组织点图像存在,将二个图像按照机织物上分布顺序拼接,拼接后图像按照公式(4)计算对应的高斯卷积核,
其中w和h分别表示高斯卷积核水平方向和垂直方向尺寸,σu和σv分别表示高斯卷积核在水平方向和垂直方向上的方差,u取值0到w-1,v取值0到h-1,σu=w/4,σv=h/4,Sspl,w和Sspl,h分别表示中心组织点图像与其0度方向的相邻组织点图像拼接后所得图像水平方向尺寸和垂直方向尺寸,h=Sspl,h;
将该拼接图像Ispl与高斯卷积核按照公式(5)进行卷积,得到二维卷积结果T(x,y),
其中x取0到Sspl,w-w,y恒取0,即将二维卷积结果T(x,y)中y所对应维度去掉,令t=x+y,则T(x,y)简化为水平亮度变化曲线fh(t),且fh(t)=T(x,0),
利用公式(6)离散傅里叶变换将上述水平亮度变化曲线转化到频域,
其中fh(t)表示离散的水平亮度变化曲线中第t个元素,Ncrc表示该离散水平亮度变化曲线长度,这里Ncrc=Sspl,w-w+1,Fh(s)表示水平亮度变化曲线fh(t)经离散傅里叶变换转换后所得离散频域序列,
取离散频域序列Fh(s)实部前半部分每个元素绝对值减去其自身,得到离散序列{B(s)},s=1,2,...,round(Ncrc/2)-1,Ncrc表示离散亮度变化曲线长度,当{B(s)}中最大数值元素唯一且对应序号s为2,则中心组织点图像与其0度方向的相邻组织点图像间不存在纱线边界,否则存在纱线边界;
当中心组织点图像180度方向相邻组织点图像存在,对该二个图像重复上述对中心组织点图像及其0度方向相邻组织点图像的操作过程;
当中心组织点图像90度方向相邻组织点图像存在,对二个图像重复上述对中心组织点图像及其0度方向相邻组织点图像操作过程,区别在于公式(4)操作时,令w=Sspl,w,公式(5)操作时,x恒取0,y取值范围为0到Sspl,h-h,将二维卷积结果T(x,y)中x所对应维度去掉,得到垂直亮度变化曲线fv(t),且fv(t)=T(0,y),公式(6)操作时,Ncrc=Sspl,h-h+1,对垂直亮度变化曲线fv(t)进行傅里叶变换得到离散频域序列Fv(s),取离散频域序列Fv(s)实部前半部分每个元素绝对值减去其自身,得到离散序列{B(s)};
当中心组织点图像270度方向相邻组织点图像存在,对二个图像重复上述对中心组织点图像及其90度方向相邻组织点图像操作过程;
当中心组织点图像的相邻组织点图像不存在,标识为-1;当中心组织点图像的相邻组织点图像存在且存在边界,则标识为1,不存在边界则标识为0,每个中心组织点图像与其0度、90度、180度和270度四个方向的相邻组织点图像间纱线边界存在情况或相邻组织点图像的存在情况,串联成该中心组织点图像的纱线边界特征向量;
3)利用相邻组织点图像间亮度相对变化关系修正纱线边界特征:
定义在中心组织点图像与其水平或垂直方向两个相邻组织点图像构成的组合中,中心组织点图像与某相邻组织点图像间的亮度变化相对于该组合整体亮度变化的程度,为相邻组织点图像间亮度相对变化关系,对于上述步骤2)得到的中心组织点图像的纱线边界特征向量,当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像均存在,三个图像按照机织物上分布顺序同时拼接,对拼接后图像重复上述步骤2)中对中心组织点图像及其0度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到水平亮度变化曲线,区别在于公式(4)操作时,令h=Sspl,h;当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像中有一个不存在,对中心组织点图像与存在的组织点图像重复上述步骤2)中对中心组织点图像及其0度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到水平亮度变化曲线;
当中心组织点图像90度方向相邻组织点图像和270度方向相邻组织点图像均存在,对三个图像重复上述当中心组织点图像的0度方向的相邻组织点图像和180度方向的相邻组织点图像均存在时,对中心组织点图像及其0度方向相邻组织点图像和180度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到垂直亮度变化曲线,区别在于公式(4)操作时,令w=Sspl,w,当中心组织点图像90度方向相邻组织点图像和270度方向相邻组织点图像中有一个不存在,对中心组织点图像与存在的相邻组织点图像重复上述步骤2)中对中心组织点图像及其90度方向相邻组织点图像操作中公式(4)-公式(5)操作,得到垂直亮度变化曲线;
对上述得到的水平亮度变化曲线和垂直亮度变化曲线分别提取最大值、最小值、局部极小值和局部最大值,结合上述步骤2)得到的各组织点图像纱线边界特征向量,修正各组织点图像纱线边界特征向量,具体修正方法如下:
(a)当纱线边界特征向量中四个元素中不存在0,水平拼接或垂直拼接两种拼接组合中,当两个相邻组织点图像均存在,且相邻组织点图像与中心组织点图像所在亮度变化曲线区间满足下述条件①、②或③之一,将纱线边界特征向量中的对应元素更新为0,条件①-③分别是:①对应曲线区间上不存在极小值点,②存在局部极小值点,且局部极小值点处于对应曲线最大值与最小值之间靠近最大值的1/3区域,③存在局部极小值点,局部极小值点处于对应曲线最大值与最小值间中间1/3区域,且该局部极小值所在相邻组织点图像和中心组织点图像对应曲线区间最大值中较大的最大值,与该局部极小值的差,除以曲线最大值与最小值的差,所得数值小于0.15;
(b)完成上述步骤(a)纱线边界特征向量更新后,当纱线边界特征向量中的0元素个数大于2,或0元素个数为2且两个0元素下标的数值一个为奇数而另一个为偶数时,统计所有同时满足下述条件①和②的亮度变化曲线区间中,不存在极小值点的亮度变化曲线区间数量,如果统计结果大于0,则将存在极小值点的亮度变化曲线区间按照条件①和②中对应关系在纱线边界特征向量中所对应元素更新为1;否则不更新纱线边界特征向量中元素,否则不更新纱线边界特征向量元素,条件①、②分别是:①亮度变化曲线区间为亮度变化曲线上某段区域的中间2/3区间,该段区域可完整表示某相邻组织点图像和中心组织点图像间的亮度变化关系;②条件①中所述相邻组织点图像在纱线边界特征向量中对应元素数值为0;
(c)完成上述步骤(b)纱线边界特征向量更新后,当纱线边界特征向量中不存在-1元素,且0元素的个数大于2,或0元素个数为2且两个0元素下标的数值不同时为奇数或不同时为偶数时,对纱线边界特征向量中的0元素,依次按照下述操作▲进行计算,除计算结果中最小值所对应的0元素外,均更新为1,操作▲为:计算0元素所表示相邻组织点图像对应曲线区间最大值,计算中心组织点图像对应曲线区间最大值,取两个最大值中较大的值与该相邻组织点图像所对应上述步骤(a)中局部极小值做差,做差结果除以该相邻组织点图像所在亮度变化曲线全局最大值与最小值之差;
4)根据纱线边界特征向量判断组织点图像经纬属性:
对上述步骤3)得到的纱线边界特征向量,从前向后搜索纱线边界特征向量中所有元素数值,当纱线边界特征向量中不存在0元素时,该组织点图像经纬属性无法识别,标识为-1;否则取0元素在纱线边界特征向量中首次出现的位置ind0,当ind0为奇数,该组织点图像为纬属性,标识为0;当ind0为偶数,该组织点图像为经属性,标识为1,各组织点图像经纬属性标识根据对应组织点图像在机织物中分布位置组成预识别机织物组织图矩阵;
(3)获得机织物组织循环纱线数并对组织结构分类:
1)获得机织物组织循环纬纱线数和机织物组织循环经纱线数:
首先串联各条纬纱上对应组织点图像纱线边界特征向量,得到各条纬纱纱线边界特征向量Vweft,m,m=1,2,3,...,Nweft,Nweft为机织物样本纬纱数,同样串联各条经纱上对应组织点图像纱线边界特征向量,得到各条经纱纱线边界特征向量Vwarp,n,n=1,2,3,...,Nwarp,Nwarp为机织物样本经纱数;按照公式(7)计算Vweft,m与中间位置纬纱特征向量的平均海明距离得到序列按照公式(8)计算Vwarp,n与中间位置经纱特征向量平均海明距离得到序列根据序列和对应曲线极小值点及不同长度下截取所得相邻等长子序列间平均相关系数,分别获得组织循环纬纱数Ncweft和组织循环经纱数Ncwarp,
其中函数为向量和Vweft,m间的海明距离,函数为向量和Vwarp,n间的海明距离,为向量的模,为向量的模;
2)得到矫正后机织物组织图矩阵:
根据上述步骤1)所得机织物组织循环纱线数以及组织循环分布规律,将上述步骤(2)所得预识别机织物组织图矩阵分割为相应的组织循环块,统计所有组织循环块中对应组织点图像经纬属性标识,以统计所得最多经纬属性标识作为组织循环中对应组织点图像经纬属性标识,构成机织物正确组织循环矩阵,得到机织物正确组织循环矩阵Csr表示为公式(9),机织物正确组织循环矩阵中第kc行和第lc列元素表示为Csr(kc,lc),kc=1,2,...,Ncweft,lc=1,2,...,Ncwarp,数值为对所有组织循环块中第kc行和第lc列元素统计所得最多经纬属性标识,取值为-1、0、1,
利用正确组织循环Csr依次对上述分割所得每个组织循环块进行矫正,得到矫正后机织物组织图矩阵;
3)对机织物组织结构种类进行识别:
当Ncwarp或Ncweft不为2,且上述步骤2)矫正后机织物组织图矩阵中所有元素数值不完全一致,对步骤2)得到的机织物组织图矩阵,取其中第1到第Nweft-1条纬纱和第1到第Nwarp-1条经纱所有组织点图像对应元素,构成子矩阵,该子矩阵逐列串联,得到第1到第Nweft-1条纬纱和第1到第Nwarp-1条经纱对应区域组织点图像经纬属性分布向量Car11,同样,分别取第1到第Nweft-1条纬纱和第2到第Nwarp条经纱、第2到第Nweft条纬纱和第1到第Nwarp-1条经纱、第2到第Nweft条纬纱和第2到第Nwarp条经纱对应区域组织点图像属性分布向量Car12、Car21、Car22;
Car11和Car22以公式(6)相同的方式计算对应平均海明距离Drmean,1,同样计算Car12和Car21平均海明距离Drmean,2,当Drmean,1<0.35且Drmean,1<Drmean,2,该机织物左斜;当Drmean,2<0.35且Drmean,1≥Drmean,2,该机织物右斜;否则该机织物斜向组织点图像经纬属性分布不相似;定义η表示机织物倾斜情况,当机织物左斜,令η=1;当机织物右斜,令η=-1;否则令η=0;
将机织物倾斜情况η结合上述步骤1)所获得的机织物组织循环纬纱数和机织物组织循环经纱数,对该机织物组织结构种类进行识别,具体识别条件为:当机织物组织循环纱线数为2,则该机织物组织属于平纹组织;当机织物组织循环纱线数大于2,且η≠0,则该机织物组织属于斜纹组织,当机织物组织循环纱线数大于2,且η=0,则该机织物组织属于其他机织物组织即为缎纹组织;
对于本步判断所得斜纹组织机织物,将其上述步骤2)所得机织物正确组织循环矩阵Csr保留为Csrtwill,保留该斜纹机织物组织图矩阵,以供后续操作使用;
第二步,基于改进Gabor特征和组织结构类别的机织物组织图识别:
(1)基于改进Gabor核变换提取非斜纹组织点图像特征:
对于第一步中识别所得非斜纹组织机织物,取其纠斜后亮度图像所有组织点图像,短边长度归一化到64,长边按照组织点图像长宽比等比例插值到对应尺寸;尺寸调整后组织点图像分别与r=2,3,4三个尺度、θ=kπ/8,k=0,1,2,...,7八个方向、窗口尺寸为10×10,共24个改进Gabor核按照公式(4)进行卷积,并对卷积结果取实部绝对值,所述改进Gabor核按照公式(10)计算得到,
其中i为复数符号,x和y表示计算改进Gabor核时窗口中各元素对应坐标,kr、Gx、Gy分别按照公式(11)、(12)、(13)计算得到
kr=kmax/fr (11),
其中,kmax取π/2,f取σ取π/3,计算时x与y分别依次取值为-4.5,-3.5,-2.5,-1.5,-0.5,0.5,1.5,2.5,3.5,4.5;
各组织点图像经改进Gabor核变换所得结果取实部绝对值,得到24个结果矩阵,将所有结果矩阵利用双线性插值调整大小为32×32,对于第m条纬纱和第n条经纱相交得到的组织点图像,其中m=1,2,3,...,Nweft,n=1,2,3,...,Nwarp,其结果矩阵分别逐列串联为特征向量qm,n,r,θ,再将不同尺度r对应8个角度θ特征向量qm,n,r,θ按照θ=0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8顺序串联为该尺度下的特征向量qm,n,r,并将不同尺度r的特征向量qm,n,r中所有元素数值按照公式(14)归一化为0到1之间,得到新的特征向量最后把不同尺度r归一化后特征向量进行串联,得到该组织点图像特征向量Qm,n,特征向量中元素横向排列,
其中min(qm,n,r)和max(qm,n,r)分别表示取向量qm,n,r中最小值和最大值,向量与单个变量间的加减乘除运算为向量中所有元素均与该变量进行相同加减乘除运算;
(2)PCA降维:
通过主成分分析(以下简称PCA)对每个组织点图像利用改进的Gabor核变换提取特征降维,分成训练集和非训练集两部分进行,具体方法如下:
训练集部分,对训练集所有组织点图像特征向量进行PCA降维,取2幅模拟机织物图片、随机取10幅平纹机织物图片、5幅斜纹机织物图片和8幅缎纹织物图片,共25幅机织物图片,对应4030个组织点图像作为训练集,将该训练集机织物图片所有组织点图像经过上述步骤(1)提取所得组织点图像特征向量Qm,n按照以下顺序进行并联:先对各组织点图像中的各经纱,自上往下依次并联各组织点图像提取所得改进组织点图像特征向量Qm,n,得到各条经纱特征矩阵,然后对各组织点图像,自左往右依次并联各条经纱特征矩阵,得到机织物图像特征矩阵,最后对训练集,按组织点图像次序并联机织物图像特征矩阵,得到训练集中所有组织点图像的特征矩阵Qtrain,该矩阵Qtrain中每一行对应一个组织点图像特征向量Qm,n;
将特征矩阵Qtrain中心化,分别计算特征矩阵Qtrain每一列均值,得到均值向量Qmean,特征矩阵Qtrain每一行减去均值向量Qmean对应数值,得到中心化后的特征矩阵以公式(15)计算的协方差矩阵E,
上式中,T为转置,Ntrain为计算PCA降维矩阵所用组织点图像样本数,ζ为每个组织点图像基于改进Gabor核变换提取特征向量维数;
计算正交矩阵P,将上述协方差矩阵E按照公式(16)对角化,得到对角矩阵Λ,
PTEP=Λ (16),
对角矩阵Λ为公式(17)的形式,
公式(17)中,λ1,λ2,…,λζ为协方差矩阵E特征值,由大到小排列,被表达为λl,l=1,2,...,ζ,
将上述λl按照公式(18)计算得到经P转换后各维度信息的重要性ωl,取ωl中满足ωl≥0.01的元素个数ζPCA,作为PCA降维后的维度,最后取正交矩阵P前ζPCA列,得到相应降维矩阵PPCA,按照公式(19)计算,可得到训练集组织点图像降维后特征矩阵
非训练集部分,对非训练集组织点图像特征向量进行的PCA降维,对任意机织物第m条纬纱和第n条经纱相交所得组织点图像,通过上述步骤(1)提取所得组织点图像特征向量Qm,n,利用上述第二步(2)所得均值向量Qmean和降维矩阵PPCA,根据公式(20)进行降维,得到降维后特征向量
上式中向量间减法表示向量中对应元素相减;
(3)利用支持向量机SVM分类非斜纹组织点图像:
利用SVM对上述步骤(2)PCA降维后得到的非斜纹机织物各组织点图像特征向量进行分类,同样分成训练集和非训练集两部分进行,训练集部分对上述步骤(2)中所选取训练集所有组织点图像手动标记经纬属性,将训练集所有组织点图像降维后特征向量和组织点图像类别标定送入SVM训练得到分类器,非训练集部分是对任意非训练集机织物样本,所有PCA降维后组织点图像特征向量送入训练好的SVM分类器,第二次判断该机织物样本所有组织点图像经纬属性,具体方法见下:
训练集部分,利用训练集训练SVM分类器,所用开发环境为Matlab 2014a,采用SVM分类器为Matlab函数库工具,对上述步骤(2)中25幅训练集机织物中共4030个组织点图像手工标定经纬属性,得到与训练集组织点图像特征矩阵行对应的组织点图像属性向量,将与组织点图像属性向量送入SVM分类器进行训练,得到SVM分类器,其中SVM分类器核函数为高斯径向基函数(rbf),参数sigma为1,经过测试,该参数下SVM分类器对训练集组织点图像分类准确率高达99.8977%;
非训练集部分,利用训练好SVM分类器分类组织点图像,将非斜纹机织物每个组织点图像PCA降维后特征向量送入上述训练集部分训练好的SVM分类器,第二次判断每个组织点图像的经纬属性标识,各组织点图像经纬属性标识根据对应组织点图像在机织物中分布位置组成非斜纹机织物的再识别机织物组织图矩阵;
(4)分类矫正机织物组织图矩阵:
1)斜纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为斜纹机织物,对其组织循环进行两次矫正,第一次矫正在上述第一步中步骤(3)已完成,得到机织物正确组织循环矩阵Csrtwill;
第二次矫正,先利用斜纹组织倾斜方向信息矫正机织物正确组织循环矩阵Csrtwill的第一列,然后根据矫正后的机织物正确组织循环矩阵Csrtwill的第一列更新整个机织物正确组织循环矩阵Csrtwill,具体方法是根据上述第一步的步骤(3)所得机织物倾斜情况η确定斜纹组织倾斜方向,如公式(21),按照斜纹组织倾斜方向,对第一次矫正后斜纹机织物正确组织循环矩阵Csrtwill逐列错位统计对应组织点图像不同经纬属性出现次数,
其中ickc,lc由公式(22)计算得到,符号δ表示Kroneckerδ函数,其计算方式见公式(23),oc取1,2,3,
ickc,lc=(kc+η·(lc-1)-1)modNcwarp+1 (22),
统计所得各以公式(24)形式组成统计结果矩阵
其中,统计结果矩阵中第kc行的三个元素,依次为机织物正确组织循环矩阵Csrtwill中第一列的第kc个组织点图像在机织物正确组织循环矩阵Csrtwill中所有列对应元素中,无法判断经纬属性组织点图像、纬组织点图像和经组织点图像三种组织点图像数量统计结果,以下公式(25)取中第kc行最大值的下标减2作为机织物正确组织循环矩阵Csrtwill中第一列的第kc个组织点图像的经纬属性,
当机织物正确组织循环矩阵Csrtwill中第一列组织点图像中有未识别属性组织点图像,根据其在机织物正确组织循环矩阵Csrtwill中第一列中相邻已知经纬属性组织点图像判断其经纬属性,具体步骤是如下的(a)、(b)、(c)和(d):
(a)将机织物正确组织循环矩阵Csrtwill第一列所有组织点图像经纬属性作为一个向量,复制成三份并进行串联得到向量Tctwill;
(b)扫描向量Tctwill,依次找出所有未识别组织点图像,将Tctwill分成3个等长区间,如果中间区间存在未识别组织点图像,进入(c),否则进入(d);
(c)向量Tctwill上连续出现未识别属性组织点图像数量为1,则该组织点图像取其前一个已判断属性组织点图像经纬属性的相反属性;连续出现未识别属性组织点图像数量不为1,则该连续未识别属性组织点图像中,第一个组织点图像取其前一个已判断属性组织点图像经纬属性的相反属性,最后一个组织点图像取其后一个已判断属性组织点图像经纬属性的相反属性,更新Tctwill,返回(b);
(d)将Tctwill分成3个等长区间,取中间区间各元素,依次对组织循环矩阵Csrtwill第一列对应组织点图像经纬属性进行更新,修正组织循环第一列组织点图像识别结果;
把机织物正确组织循环矩阵Csrtwill第一列正确组织点图像识别结果按照式(26)所示,根据斜纹组织倾斜方向逐列错位重构组织循环,更新斜纹组织机织物正确组织循环矩阵Csrtwill,
Csrtwill(ickc,lc,lc)=Csrtwill(kc,1) (26),
其中ickc,lc由式(22)计算得到;
2)平纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为平纹机织物,对上述第二步中步骤(3)所得再识别机织物组织图矩阵根据机织物组织循环纱线数分割为相邻组织循环块,确定所有组织循环块中对某个属性统计最多的组织点图像,以该属性作为组织循环对应组织点图像正确属性,并进一步确定其他组织点图像属性,具体方法是定义如公式(27)所示平纹组织正确组织循环Csrplain,其中第kc行、第lc列元素表示为Csr(kc,lc),kc=1,2,lc=1,2,数值根据组织循环中对应组织点图像属性取值0或1,
将上述第二步中步骤(3)所得再识别机织物组织图矩阵按照组织循环分割为相邻组织块每个相邻组织块表示为式(28)形式,各相邻组织块中第kc行、第lc列组织点图像经纬属性表示为如果Nweft或Nwarp为奇数,则分割所得最后一行组织块或最后一列相邻组织块可为不完整组织循环大小,
按照公式(29)统计Csrplain中每个组织点图像在所有分割所得相邻组织块对应组织点图像中不同经纬属性的平均数量其中oc取值1和2,
将以kc为第一维,lc为第二维,oc为第三维按照公式(30)得到三维统计结果矩阵
取中所有元素中数值最大值的三维下标(kcmax,lcmax,ocmax),将Csrplain中(kcmax,lcmax)位置对应组织点图像按照公式(31)赋值为ocmax-1,进一步将Csrplain中(kcmax,lcmax)位置斜向组织点图像同样赋值为ocmax-1,其余组织点图像赋值为2-ocmax,得到平纹组织机织物正确组织循环矩阵Csrplain,
3)缎纹组织矫正方法矫正误检组织点图像:
当机织物在第一步中被判断为缎纹机织物,对上述第二步中步骤(3)所得再识别机织物组织图矩阵,重复上述第一步中步骤(3)的矫正方法,得到机织物正确组织循环矩阵Csrsatin;
(5)输出正确机织物组织图:
将保留的第一步所得斜纹机织物组织图矩阵,按照上述第二步中步骤(4)第二次矫正及补全识别的机织物正确组织循环矩阵进行修正;将上述第二步中步骤(3)得到的非斜纹机织物的再识别机织物组织图矩阵,按照上述第二步中步骤(4)矫正所得正确组织循环矩阵Csrplain或Csrsatin进行修正,得到机织物正确机织物组织图矩阵;
根据机织物正确机织物组织图矩阵作机织物正确机织物组织图,以第一步中步骤(1)所得纠斜后亮度图像尺寸相同大小设置机织物正确机织物组织图尺寸,并根据第一步中步骤(1)中各纬纱与经纱分割位置绘制直线,将组织图划分为小矩形区域,每个矩形区域根据分布位置对应一个组织点图像,取机织物正确机织物组织图矩阵中组织点图像经纬属性标识为0所对应矩形方格填充白色,组织点图像经纬属性标识为1所对应矩形方格填充斜纹与垂直纹交叉纹理,最终输出正确机织物组织图;
上述一种机织物组织图的识别方法,其中,机织物图像左上角为坐标原点,水平向右为x轴正方向,垂直向下为y轴正方向,尺寸单位为像素数量。
2.根据权利要求1所述一种机织物组织图的识别方法,其特征在于:所述第一步基于纱线边界特征的组织结构种类识别中的机织物图像垂直方向分辨率SVer的数值为480像素。
3.根据权利要求1所述一种机织物组织图的识别方法,其特征在于:所述第二步(1)中的组织点图像特征向量Qm,n的长度ζ为24576。
4.根据权利要求1所述一种机织物组织图的识别方法,其特征在于:所述第二步(2)中的ζ为24576,Ntrain为4030。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511003862.0A CN105654123B (zh) | 2015-12-26 | 2015-12-26 | 一种机织物组织图的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511003862.0A CN105654123B (zh) | 2015-12-26 | 2015-12-26 | 一种机织物组织图的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654123A CN105654123A (zh) | 2016-06-08 |
CN105654123B true CN105654123B (zh) | 2019-02-22 |
Family
ID=56477074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511003862.0A Expired - Fee Related CN105654123B (zh) | 2015-12-26 | 2015-12-26 | 一种机织物组织图的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654123B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909107B (zh) * | 2017-11-14 | 2020-09-15 | 深圳码隆科技有限公司 | 纤维检测方法、装置及电子设备 |
CN108280861B (zh) * | 2018-01-22 | 2021-08-27 | 厦门启尚科技有限公司 | 一种图片进行智能查找循环处理的方法 |
CN108986093B (zh) * | 2018-07-19 | 2021-08-24 | 常州宏大智能装备产业发展研究院有限公司 | 基于机器视觉的圆网或平网印花机堵网疵点检测方法 |
CN109858485A (zh) * | 2019-01-25 | 2019-06-07 | 东华大学 | 一种基于lbp和glcm的织物瑕疵检测方法 |
CN111709620B (zh) * | 2020-06-01 | 2023-04-18 | 江南大学 | 一种移动便携式机织物结构参数在线检测系统 |
CN112417944B (zh) * | 2020-08-31 | 2024-04-16 | 深圳银星智能集团股份有限公司 | 一种机器人控制方法及电子设备 |
CN112613420B (zh) * | 2020-12-26 | 2022-09-16 | 数源科技股份有限公司 | 用于人脸识别的降维签名方法 |
CN112614069B (zh) * | 2020-12-26 | 2022-08-30 | 数源科技股份有限公司 | 人脸图片降维模糊预处理方法 |
CN114253199B (zh) * | 2022-03-01 | 2022-05-06 | 江苏苏美达纺织有限公司 | 一种编织控制方法和系统 |
CN116152230B (zh) * | 2023-04-17 | 2023-06-27 | 江苏华拓纺织科技有限公司 | 基于光谱数据的纺织品表面的染色质量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106645A (zh) * | 2013-03-15 | 2013-05-15 | 天津工业大学 | 一种机织物组织结构识别方法 |
CN104346818A (zh) * | 2014-10-27 | 2015-02-11 | 江南大学 | 一种机织物密度自动测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7630559B2 (en) * | 2005-11-21 | 2009-12-08 | Fuji Xerox Co., Ltd. | Confirmation system for authenticity of article and confirmation method |
-
2015
- 2015-12-26 CN CN201511003862.0A patent/CN105654123B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106645A (zh) * | 2013-03-15 | 2013-05-15 | 天津工业大学 | 一种机织物组织结构识别方法 |
CN104346818A (zh) * | 2014-10-27 | 2015-02-11 | 江南大学 | 一种机织物密度自动测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105654123A (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654123B (zh) | 一种机织物组织图的识别方法 | |
CN105550660B (zh) | 一种机织物组织结构种类的识别方法 | |
CN104715477B (zh) | 基于多尺度和多区域的机织物编织密度的图像分析方法 | |
CN105335725B (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN103106645B (zh) | 一种机织物组织结构识别方法 | |
CN110110709A (zh) | 一种基于图像处理的红白细胞分类计数方法、系统和设备 | |
CN106485288B (zh) | 一种色织物组织的自动识别方法 | |
CN105931224A (zh) | 基于随机森林算法的肝脏平扫ct图像病变识别方法 | |
CN106770323B (zh) | 基于层次聚类和Gabor滤波的纺织品瑕疵检测方法 | |
CN106447708A (zh) | 一种oct眼底图像数据配准方法 | |
CN108960255A (zh) | 基于颜色相似性和位置聚集性的显著性织物疵点检测方法 | |
Pan et al. | Automatic detection of the layout of color yarns for yarn-dyed fabric via a FCM algorithm | |
CN106971404A (zh) | 一种鲁棒surf无人机彩色遥感图像配准方法 | |
CN108921895A (zh) | 一种传感器相对位姿估计方法 | |
CN110400322A (zh) | 基于颜色和三维几何信息的水果点云分割方法 | |
Perret et al. | Directed connected operators: Asymmetric hierarchies for image filtering and segmentation | |
Pan et al. | Automatic detection of structure parameters of yarn-dyed fabric | |
CN109544599A (zh) | 一种基于相机位姿估计的三维点云配准方法 | |
CN109978830A (zh) | 一种织物疵点检测方法 | |
CN112102224A (zh) | 一种基于深度卷积神经网络的布匹疵点识别方法 | |
CN110309843A (zh) | 一种电力设备图像中多类部件的自动识别方法 | |
CN106875459A (zh) | 一种基于图像分割的彩色提花组织结构自适应均衡方法 | |
CN110428380A (zh) | 紫色土土壤图像阴影增强方法 | |
CN107945164B (zh) | 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法 | |
CN110458809A (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190222 Termination date: 20211226 |