CN106485288A - 一种色织物组织的自动识别方法 - Google Patents
一种色织物组织的自动识别方法 Download PDFInfo
- Publication number
- CN106485288A CN106485288A CN201611186760.1A CN201611186760A CN106485288A CN 106485288 A CN106485288 A CN 106485288A CN 201611186760 A CN201611186760 A CN 201611186760A CN 106485288 A CN106485288 A CN 106485288A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- color
- interlacing point
- dyed fabric
- 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.)
- Granted
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008520 organization Effects 0.000 claims abstract description 22
- 238000004040 coloring Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000004043 dyeing Methods 0.000 claims abstract description 13
- 239000003086 colorant Substances 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 32
- 239000000284 extract Substances 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 16
- 239000004753 textile Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000002759 woven fabric Substances 0.000 claims description 6
- 230000004075 alteration Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 206010047571 Visual impairment Diseases 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 229910052704 radon Inorganic materials 0.000 description 2
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种色织物组织的自动识别方法,属于图像识别领域。本发明提供了一种色织物组织的自动识别方法:将色织物正反双面图像进行图像匹配后,分别对每一面的图像依次进行颜色空间转换、自适应滤波去噪、组织点网格初始化、组织点网格校正、建立组织点模板图像,用于组织点属性识别和生成初始组织图,并对组织点属性进行校正,将校正后的双面组织图中的经组织点、纬组织点分别融合得到色经排列图和色纬排列图,然后重构出色织物的配色模纹图,实现对色织物组织的自动识别。本发明中提供的色织物组织的自动识别方法,解决了现有技术利用织物单面图像难以准确识别织物的组织与颜色信息,影响织物组织识别的准确性的问题。
Description
技术领域
本发明涉及自动检测技术领域,尤其涉及一种色织物组织的自动识别方法。
背景技术
织物组织是机织物的重要规格参数,对织物和服装的外观及物理性能起着决定性作用,织物组织的识别因此也是纺织产品质量检测环节中不可或缺的部分。传统测量织物组织的识别方法是专业检测人员在密度镜的帮助下,通过肉眼观察分析完成。用密度镜测量织物密度虽然简单实用,但存在检测时间长、效率低的缺点,还易受到检测人员的熟练度和个人主观感觉的影响。随着图像处理和人工智能的快速发展,纺织邻域的研究人员开始将计算机技术逐步应用于纺织品质量检测,其中就包括用数字化方法自动识别织物组织。
织物组织的自动识别,多是基于单面织物图像研究,然而,由于机织物是由经纱和纬纱相互交织而成,经纬纱线在织物的一面呈现周期性沉浮,所以仅仅从织物单面图像很难准确识别织物的组织与颜色信息。从而影响织物组织识别的准确性。
发明内容
本发明所要解决的技术问题是提供一种色织物组织的自动识别方法,解决现有技术利用织物单面图像难以准确识别色织物的组织与颜色信息,影响织物组织识别准确性的问题。
技术方案
一种色织物组织的自动识别方法,其特征在于:将色织物正反双面图像进行图像匹配后,分别对每一面的图像进行数据处理得到双面组织图,提取组织点颜色信息后,分别将双面图像中的经组织点进行融合、纬组织点进行融合得到色经排列图和色纬排列图,然后重构出色织物的配色模纹图,实现色织物组织的自动识别。
进一步,所述数据处理的步骤包括:依次进行颜色空间转换、自适应滤波去噪、组织点网格初始化、组织点网格校正、建立组织点模板图像、用于完成组织点属性识别和生成初始组织图,并对组织点属性进行校正,得到正反双面组织图。
进一步,所述色织物正反双面图像进行图像匹配的步骤包括:
S2.1、利用图像分割和Sobel边缘检测算子提取特征三角形三条边所在直线;
S2.2、利用Radon变换计算出三条边的直线方程;
S2.3、计算三角形顶点坐标得到其重心点坐标;
S2.4、将重心作为特征匹配点,通过仿射变换得到匹配完成的双面图像。
进一步,所述颜色空间转换的步骤包括:
S3.1、建立23因子矩阵校准模型将织物图像从RGB颜色空间转换到XYZ颜色空间,模型如下:
A=[1 r g b r2 g2 b2 rg rb gb rgb r2gb g2rb b2rg r2g b2g g2b r2b b2r g2rr3 g3 b3]T
其中,r、g、b分别代表颜色的数字化存储红,绿,蓝分量;
S3.2、利用分光光度计测量得到样本夹具中24色块各自的XYZ颜色值;
S3.3、提取图像中24色色块子图像的RGB颜色值;
S3.4、将各色块的X值和R、G、B代入下列中,利用最小二乘法计算出[a1,1 a1,2 a1,3… a1,23]T的值;
S3.5、同理,利用各色块的Y值和R、G、B值,Z值和R、G、B值分别求出[a2,1 a2,2 a2,3… a2,23]T和[a3,1 a3,2 a3,3 … a3,23]T,并最终得到转换矩阵M的值;
S3.6、利用转换矩阵M将图像从RGB颜色空间转换到XYZ颜色空间,得到图像的X、Y、Z值;
S3.7、若X>0.008856,则:
否则:
对X分量和Y分量做类似的处理,得到y和z;
S3.8、由以下公式计算得到Lab颜色空间图像:
进一步,所述自适应滤波去噪的步骤:S4采用维纳滤波对图像做降噪处理,滤波器的尺寸为3*3。
进一步,所述组织点网格初始化的步骤包括:
S5.1、建立二维坐标系,使织物图像的纬纱平行于坐标系的x轴,经纱平行于坐标系的y轴,织物图像中垂直方向和水平方向的灰度投影曲线由以下公式计算得到:
其中M,N为图像的宽和高,G(x,y)为图像中(x,y)处像素点的灰度值,H(y)为第y行像素点的平均灰度投影值,V(x)为第x列像素点的平均灰度投影值;S5.2、织物纬向灰度投影曲线中波峰位置对应纬纱轴线,波谷位置对应纬纱间隙,因此通过确定波谷的坐标,可定位纬纱间隙位置,实现纬纱分割;同理,通过确定织物径向灰度投影曲线中的波谷坐标,即可定位经纱间隙位置,实现经纱分割,完成组织点网格初始化。
进一步,所述组织点网格校正的步骤包括:
S6.1、将采集到的织物图像进行网格初始化后,提取每根纬纱的子图像;
S6.2、提取初始化后经纱间隙的定位点坐标,计算定位点局部区域内的径向灰度总值,计算公式如下:
然后选取灰度总值最小的点坐标,作为校正后的经纱间隙定位点:
S6.3、对每一根纬纱进行相同的处理,得到完整的组织点网格校准后图像,最后分割提取出组织点子图像。
进一步,所述建立组织点模板图像的步骤包括:
S7.1、根据机织物经组织点图像和纬组织点图像存在不同灰度渐变和灰度突变的特性,分别建立大小为M像素*N像素的经组织点模板图像和纬组织点模板图像,图像中纱线部分用白色表示,纱线间隙部分用黑色表示;
S7.2、分别提取模板图像的水平变化均值Hcov和垂直变化均值Vcov作为特征参数,计算公式如下:
进一步,所述组织点属性识别和生成初始组织图的步骤包括:
S8.1、以水平变化均值为x轴,以垂直变化均值为y轴,建立二维分类坐标系;S8.2、提取出组织点模板的特征参数,即模板图像的水平灰度变化均值Hcov和垂直灰度变化均值Vcov,作为特征参考点;
S8.3、以待识别组织点图像为目标,提取出图像的水平灰度变化均值Hcov和垂直变化均值Vcov,作为其特征点;
S8.4、计算坐标系中代表待识别组织点图像的特征点与代表纬组织点模板图像的特征参考点的欧式距离S1,与代表经组织点模板图像的特征参考点的欧式距离S2,计算公式如下:
其中,x1为特征点的横坐标,y1为特征点的纵坐标,x2为参考点的横坐标,y2为参考点的纵坐标,S为两点间的欧式距离;
S8.5、比较S1和S2,若S1<S2,则判定该点为为组织点;若S1>S2,则判定该点为经组织点;若S1=S2,则标记该点为未成功识别点;
S8.6、取下一个待识别组织点图像作为目标,重复步骤S8.3-S8.5,直至所有待识别组织点识别结束;
S8.7、判断出组织点属性后,将经组织点记为“1”,纬组织点记为“0”,得到对应的组织点矩阵。将组织点矩阵中的“1”以黑色方块表示,“0”以白色方块表示,得到相应的组织图。
进一步,所述组织点属性进行校正的步骤包括:
S9.1、利用步骤S8分别得到织物正反双面图像的组织点矩阵;
S9.2、将正反面组织点矩阵相加,得到叠加矩阵;
S9.3、提取出矩阵中数值不为“1”的元素点,元素的位置坐标即对应识别错误的组织点位置。
S9.4、提取已经正确识别的经组织点和纬组织点,分别构建为训练集U1和U2;
S9.5、提取错误识别的组织点,构建为测试集X;
S9.6、分别计算测试集X中待检测点xi到训练集U1和U2中所有点的欧氏距离si,欧式距离s计算公式为
S9.7、从训练集中选取与待检测点最近的k(k∈R且k≥1)个点组成优先级队列;
S9.8、计算训练集U1和U2中元素在优先级队列中各占的权重,将测试集与所占权重较大的训练集归为同一类别;
S9.9、将所有错误识别的组织点进行校正,得到正确识别的色织物双面组织图。
进一步,所述双面经组织点融合和双面纬组织点融合的步骤包括:
S10.1、对色织物图像进行组织点网格划分,得到Lab颜色空间下的组织点图像;
S10.2、将组织点图像分解为L、a、b三个颜色通道的子图像;
S10.3、分别求出三个颜色通道的子图像的颜色均值L、a、b,作为组织点图像的颜色特征值,计算公式如下:
其中,M、N为组织点图像的水平像素数和垂直像素数,L(x,y)、a(x,y)、b(x,y)分别为L、a、b颜色通道子图像中(x,y)处点的像素值;
S10.4、提取全部组织点颜色特征之后,以特征值作为该组织点的颜色值,重构得到色织物特征模拟图;
S10.5、结合色织物双面特征模拟图和组织图,分别提取正面模拟图中经组织点的颜色信息和反面模拟图中经组织点的颜色信息进行融合处理,得到色经排列图;
S10.6、提取正面模拟图中纬组织点的颜色信息和反面模拟图中纬组织点的颜色信息进行融合处理,得到色纬排列图。
进一步,所述得到配色模纹图的步骤包括:
S11.1、确定分类数k;
S11.2、从集合中任意选取k个对象作为初始聚类中心:Z1(1),Z2(1),…,Zk(1);
S11.3、在第k阶迭代算法步骤内,根据集合{x}中的元素与这些聚类中心的距离,分别将它们分配给最相似的聚类,如果||x-zj(k)||<||x-zi(k)||,那么x∈Cj(k),对所有的i=1,2,3,...,k,i≠j都成立,其中zj(k)是Cj(k)的聚类中心;
S11.4、计算每个所获得的新聚类的聚类中心zj(k+1),j=1,2,3,...,k,直到聚类中心Cj(k)中所有元素到新的聚类中心的距离平方和达到最小值,新的聚类中心可以表示为:
其中,Nj是聚类Cj(k)中元素的数目;
S11.5、对j=1,2,3,...,k而言,如果zj(k+1)=zj(k),那么迭代的过程将停止,否则不断循环S11.3到S11.4的过程,直到每个聚类不再发生变化为止。
S11.6、各种类聚类中心的特征值作为该种类色纱的颜色特征值,可重构得到校正后色经排列图和色纬排列图。
一种采用上述色织物组织的自动识别方法的测量装置,其特征在于:包括两块互相垂直的镜面,所述两块镜面中间设置有色织物,在镜面成像的一侧设置有图像采集装置和标准光源,所述图像采集装置所在平面与镜面所呈色织物的虚像所在平面平行,并且图像采集装置的中心点高度与色织物高度一致,所述标准光源对称设置于色织物所在平面的上下两侧,位于镜面对侧,所述色织物边缘通过样本夹具固定,暴露出的色织物在标准光源照射下,通过色织物上下两侧的镜面进行成像后,被图像采集装置采集。
进一步,所述样本夹具为两层结构的平面框,所述色织物夹在样本夹具平面框之间,通过平面框中部的空心区域暴露出色织物。
进一步,所述标准光源与图像采集装置处于同一水平面。
进一步,所述色织物水平设置,所述镜面大小一致,对称设置于色织物两侧,并且上下两侧的镜面均与色织物呈45°夹角。
进一步,所述样本夹具中色织物四周设置有校准色块,使采集到的色织物颜色更接近真实颜色,减少采集图像的色差。
进一步,所述校准色块采用24色校准色块。
进一步,所述样本夹具中色织物四周设置有对位匹配点,实现对色织物的定位。
进一步,所述样本夹具两层结构的平面框之间设置有矩形磁条,实现对色织物的固定。
进一步,所述标准光源、镜面、图像采集装置和色织物设置于封闭暗箱内部,以避免外界光源干扰。
有益效果
本发明中提供了一种色织物组织的自动识别方法:将色织物正反双面图像进行图像匹配后,分别对每一面的图像依次进行颜色空间转换、自适应滤波去噪、组织点网格初始化、组织点网格校正、建立经组织点模板图像和纬组织点模板图像,并提取模板图像的特征参数、组织点属性识别用于生成初始组织图,并对组织点属性进行校正,将校正后的组织图中双面色经图、双面色纬图分别融合得到色经排列图和色纬排列图,然后重构出色织物的配色模纹图。本发明中提供了的色织物组织的自动识别方法,该方法采用色织物组织两面的图案进行图像识别,并增加单面识别错误校正步骤,解决了现有技术利用织物单面图像难以准确识别织物的组织与颜色信息,影响织物组织识别的准确性的问题。
附图说明
图1为本发明织物双面图像采集系统示意图;
图2为本发样本夹具结构示意图;
图3为本发样本夹具校准色块结构图;
图4为色织物组织自动识别流程图;
图5为组织点属性识别分类坐标系;
图6为纬组织点分类示意图;
图7为经组织点分类示意图;
图8为平纹织物组织点分类结果图;
图9为平纹织物组织自动识别出的组织图;
图10为平纹织物组织点的矩阵叠加示意图;
图11为人工测量图;
图12为自动测量图;
其中:1-封闭暗箱,2-镜面,3-样本夹具,4-标准光源,5-图像采集装置,6-视窗,7-支架,8-光源控制器,9-滑槽,10-计算机,11-夹具框架,12-滑动边框,13-对位匹配点,14-转轴,15-矩形窗口,16-矩形磁条,17-色织物,18-校准色块。
具体实施方式
下面结合具体实施例和附图,进一步阐述本发明。
图1是双面图像采集系统,如图1所示,一个带有开关门的暗箱,用来确保在图像采集过程中避免外界光线干扰,其尺寸大小为40厘米×40厘米×50厘米;暗箱内部设置有一套镜面成像系统,包括放置在封闭暗箱1内部背面的两块互相垂直的镜面2,所述色织物17放置于镜面中间,与两侧的镜面均呈45°夹角,两个镜面与背面的夹角均为45°,分别用来呈现织物样本的正面和反面反射图像。还包括一套标准光源4装置,为对称安放在夹具上色织物两侧封闭暗箱内壁的日光灯,用来提供样品双侧照明光,其型号为6500K,亮度为20001x;本实施例中所述色织物通过样品夹具固定,所述样本夹具3其结构如图2所示,样本夹具包括上下两层中心开有矩形孔状空心区域的平面框,每块平面框表侧共设计四个对位匹配点13,分别位于平面框的四个角部位;平面框表侧还镶嵌24色标准色块,如图3所示,用来进行图像的颜色校准。夹具内侧固定四块矩形磁条16,通过磁铁间的吸引力,将两块平面框连接在一起并同时织物样本提供一定的预加张力,本实施例中样本夹具的尺寸为10厘米×10厘米。本实施例中以一台高分辨率数码相机作为图像采集装置5,该图像采集装置中心点与色织物所在平面高度一致,并且图像采集装置的镜头与两个镜面相对,以使图像采集装置所在平面与镜面所呈色织物的虚像所在平面平行,使图像采集装置所采集到色织物正反两面的图像均不存在倾斜角。本实施例中,所述图像采集装置连接有一台安装数据处理软件的计算机10,该计算机安装有有图像采集和分析软件,软件由作者在Windows 10操作系统下利用Matlab 2013b自行开发。
在本实施方式中,高分辨率数码相机的分辨率为1400万像素。使用时,利用夹具夹住织物放置在封闭暗箱内的样本夹具上,关闭箱门,打开照明装置,利用数码相机即可采集到织物的图像。
通过在织物上设置24色的校准色块18,使得本发明在采集到织物的图像后,能够根据校准色块对颜色进行校对,使采集到的织物颜色更接近真实的颜色,减小采集图像的色差。
本实施方式还提供了一种色织物密度的自动测量方法,首先利用颜色校准模型将图像从RGB颜色空间转换到Lab颜色空间并提取L分量;借助灰度投影法分别得到织物径向亮度曲线和纬向亮度曲线,完成经纬纱线定位分割和组织点网格初始化;利用纬纱条干的局部亮度信息对组织点网格进行校正,提取出组织点子图像;根据织物组织点图像的灰度特征分别建立经组织点模板图像和纬组织点模板图像并提取模板图像的特征参数;提取织物组织点图像中的特征参数后与模板图像进行相似性匹配,完成组织点属性识别,生成初始组织图;利用织物双面图像的组织图进行组织点错误检测,利用k邻近算法对错误识别的组织点进行校正;提取每个组织点的颜色特征参数后,结合双面组织图完成经组织点和纬组织点融合;借助k均值聚类算法进行色纱颜色聚类,最终生成色织物的配色模纹图。具体的算法执行流程图如图4所示。
采集到织物双面图像后,提取出含有匹配特征点的子图像用于双面图像的对位与匹配。首先利用图像分割和Sobel边缘检测算子提取特征三角形三条边所在直线,利用Radon变换计算出三条边的直线方程后,通过计算三角形顶点坐标得到其重心点坐标,将重心作为特征匹配点,最后通过仿射变换得到匹配完成的双面图像,实现双面图像像素级的一一对应。采集到的图像分辨率为1200dpi,将对位匹配后的双面图像裁剪为512像素×512像素大小。
颜色校准是对颜色测试装置或仪器的颜色测量进行标准化,保证颜色测量准确性的一种手段或方法。本文搭建装置得到的织物图像颜色以RGB表示,通过建立数码编码RGB范围[0,255]与CIE1964XYZ之间的关系方程,得到校准模型,从而对试验用相机的颜色进行校准。
通常颜色校准采用的方法是将依赖具体设备的颜色编码与不依赖具体设备的CIE标准观察者即三刺激值联系起来。将数字化设备信号转换成三刺激值的最简单的方法就是采用转换矩阵,矩阵如下:
但是设备的光谱灵敏度与色度学中的配色函数之间具有明显差异时,上式会产生极大误差。所以很多的校准方法和模型被用于颜色的校准,如回归法,神经网络法等等。本发明利用回归法来建立校准模型。
颜色校准模型因子的设定需考虑颜色表征中RGB作为颜色坐标的均衡性,在设定平方项,立方项和协方差项时需考虑其对称性,所以本发明建立的模型有23个因子,如下所示:
A=[1r g b r2 g2 b2 rg rb gb rgb r2gb g2rb b2rg r2g b2g g2b r2b b2r g2rr3 g3 b3]T
其中,r、g、b分别代表颜色的数字化存储红,绿,蓝分量。模型搭建完成后,利用最小二乘法对对系数矩阵进行求解,从而得到校准模型。
最小二乘法是一种数学优化技术,将被用于模型建立后的系数求解。其基本原理为,通过计算和调整关系式的系数使得数据和实际数据误差之间的平方和最小。经过推导得出其矩阵形式求解系数的等式如下:
x=(ATA)-1ATy
其中Q为最小值,y为实测值,Ax为预测值。具体校准步骤如下:
①利用分光光度计测量得到样本夹具中24色块各自的XYZ颜色值;
②提取图像中24色色块子图像的RGB颜色值;
③将各色块的X值和R、G、B下列代入公式中,利用最小二乘法计算出[a1,1 a1,2 a1,3… a1,23]T的值;
④同理,利用各色块的Y值和R、G、B值,Z值和R、G、B值分别求出[a2,1 a2,2 a2,3 …a2,23]T和[a3,1 a3,2 a3,3 … a3,23]T,并最终得到转换矩阵M的值。本文中M值如下:
表1转换矩阵M各元素值
得到CIE-XYZ颜色空间的图像后,在将图像转换到Lab颜色空间,具体转换下:
(1)若X>0.008856,则:
否则:
(2)对X分量和Y分量做类似于步骤(1)的处理,得到y和z。
(3)由以下公式计算得到Lab颜色空间图像:
经过以上步骤可以将织物图像从RGB颜色颜色空间转换到Lab颜色空间,此时,L分量的分布在[0,100]范围内,a、b分量的取值分布在[-128,127]范围。
在得到Lab颜色空间下的色织物图像后,通过提取仅包含图像亮度信息的L分量,完成图像灰度转化,进一步得到织物灰度图。
采用3*3模板尺寸的维纳滤波对织物图片进行去噪处理,经维纳滤波处理后,图片中的噪声被有效滤除,除此以外,织物表面的细小纤维也被弱化去除,而织物主要结构信息得以保留。
织物图像可以看做是一个二维数据M*N,建立相应的二维坐标系,其中织物的纬纱平行于坐标系的x轴,经纱平行于坐标系的y轴,则织物图像中垂直方向和水平方向的灰度投影曲线可以由以下公式计算得到:
其中M,N为图像的宽和高,G(x,y)为图像中(x,y)处像素点的灰度值,H(y)为第y行像素点的平均灰度投影值,V(x)为第x列像素点的平均灰度投影值。根据纱线的亮度特征,织物纬向灰度投影曲线中波峰位置对应纬纱轴线,波谷位置对应纬纱间隙,因此只要通过确定波谷的坐标,即可定位纬纱间隙位置,实现纬纱分割。同理,通过确定织物径向灰度投影曲线中的波谷坐标,即可定位经纱间隙位置,实现经纱分割完成组织点网格初始化。
在进行织物样本图片采集时,尽管已经人为控制将经纱和纬纱处于垂直相交的状态,但仍会出现部分经纬纱线处于小角度偏斜状态,导致在进行组织点网格划分时,无法确保组织点完全处于网格内,即提取到的组织点子图像中仅包含部分组织点边缘信息,影响后续组织点特征参数提取和属性识别。由于纬纱的密度相对较低,纱线间间隔较明显,利用灰度投影法能实现准确定位分割,因此,在准确分割纬纱的基础上,利用纬纱条干的局部亮度信息来进行网格校正,过程如下:
①在采集样本图像时,优先使纬纱处于水平方向上,再尽量时经纱处于竖直方向。
②将采集到的织物图像进行网格初始化后,提取每根纬纱的子图像;
③提取初始化后经纱间隙的定位点坐标,计算定位点局部区域内的径向灰度总值,计算公式如下,选取灰度总值最小的点坐标,作为校正后的经纱间隙定位点:
④对每一根纬纱进行相同的处理,最终得到完整的组织点网格校准后图像。
分别建立大小为M像素*N像素的经组织点模板图像和纬组织点模板图像。本文分割提取出的组织点图像大小平均约为20像素*20像素,因此模板图像的尺寸大小确定为20像素*20像素,结合织物反射图像中纱线的亮度特征,模板中纱线部分用白色表示,纱线间隙部分用黑色表示,建立经组织点模板图和纬组织点模板图。
选取水平灰度变化均值(Hcov)和垂直灰度变化均值(Vcov)作为特征参数来表征组织点图像。
假设M表示组织点图像垂直方向上的像素数,N表示图像水平方向上的像素数,G(x,y)表示图像在(x,y)处的灰度值,d表示两个像素点间的距离,则图像的水平灰度变化均值表达式如下:
水平变化均值反映了组织点图像在水平方向上的灰度变化规律,其数值越大,表示图像在水平方向上的灰度突变总值越大,灰度突变越明显。
图像的垂直灰度变化表达式如下:
垂直变化均值反映了组织点图像在垂直方向上的灰度变化规律,其数值越大,表示图像在垂直方向上的灰度突变总值越大,灰度突变越明显。
以水平变化均值为x轴,以垂直变化均值为y轴,建立如图5所示分类坐标系,则基于模板匹配的组织点属性识别方法具体流程如下:
①提取出组织点模板的特征参数,即模板图像的水平灰度变化均值(Hcov)和垂直灰度变化均值(Vcov),作为特征参考点;
②以待识别组织点图像为目标,提取出图像的水平灰度变化均值(Hcov)和垂直变化均值(Vcov),作为其特征点;
③计算坐标系中代表待识别组织点图像的特征点与代表纬组织点模板图像的特征参考点的欧式距离S1,与代表经组织点模板图像的特征参考点的欧式距离S2,如图6和图7所示,计算公式如下:
其中,x1为特征点的横坐标,y1为特征点的纵坐标,x2为参考点的横坐标,y2为参考点的纵坐标,S为两点间的欧式距离;
④比较S1和S2,若S1<S2,则判定该点为为组织点;若S1>S2,则判定该点为经组织点;若S1=S2,则标记该点为未成功识别点;
⑤取下一个待识别组织点图像作为目标,重复步骤②-④,直至所有待识别组织点识别结束,并得到组织点分类结果图,如图8所示。
判断出组织点属性后,将经组织点记为“1”,纬组织点记为“0”,则可以得到对应的组织点矩阵。将组织点矩阵中的“1”以黑色方块表示,“0”以白色方块表示,则可以得到相应的组织图,如图9所示的连续9*9个组织点进行识别结果。
由于机织物的经纬纱线呈相互沉浮的交织状态,该特性反映在组织图中则表现为:若正面组织图中交织点为经组织点,则反面组织图中相应位置必定为纬组织点。因此,利用该现象,在初步识别双面图像的组织图后,对正反面组织图进行对位检测,可检测出识别错误的组织点。具体工作流程如下:
①利用基于模板匹配的组织点属性识别方法分别得到织物正反双面图像的组织点矩阵;
②将正反面组织点矩阵相加,得到叠加矩阵;
③提取出矩阵中数值不为“1”的元素点,元素的位置坐标即对应识别错误的组织点位置。
以平纹织物为例,如图10所示的矩阵叠加示意图,织物正面组织图a的正面组织点矩阵b和反面组织图c的反面组织点矩阵d叠加,得到组织点叠加矩阵e。矩阵中元素1-4、1-9和9-4的值不等于1,因此对应于双面组织图中组织点1-4,1-9和9-4为错误识别的组织点。
提取出识别错误的组织点后,利用k邻近算法对组织点进行属性校正,具体工作流程如下:
①提取已经正确识别的经纬组织点,分别构建为训练集U1和U2;
②提取错误识别的组织点,构建为测试集X;
③确定k的值;
④分别计算测试集X中待检测点xi到训练集U1和U2中所有点的欧氏距离:
⑤从训练集中选取与待检测点最近的k个点组成优先级队列;
⑥计算训练集U1和U2中元素在优先级队列中各占的权重,将测试集与所占权重较大的训练集归为同一类别。
以提取的识别错误的平纹组织点1-4为例,对其进行属性校正,当k=1时,优先级队列中所有元素属于经组织点集;当k=5时,优先级队列中4个元素属于经组织点集,1个属于纬组织点集;当k=15时,优先级队列中12个元素属于经组织点集,3个属于纬组织点集。由结果可知,随着k值增大,优先级队列中元素属于经组织点集的个数也随之增多,因此,可将组织点1-4归为经组织点。同理,组织点1-9归为纬组织点,组织点9-4归为经组织点。
利用K-NN算法对组织图进行校正后,最终可以得到正确识别的色织物双面组织图。不同组织结构的织物,取连续的9*9个组织点进行识别。
在利用K邻近算法得到校正后的机织物组织图后,结合提取出的组织点图像,借助聚类算法对色纱进行聚类分析,可生成色织物配色模纹图。
由于组织点图像中各像素点的颜色值均不相同,因此首先需要提取出代表单个组织点颜色的特征值,具体流程如下:
①对色织物图像进行组织点网格划分,得到Lab颜色空间下的组织点图像;
②将组织点图像分解为L、a、b三个颜色通道的子图像;
③分别求出三个颜色通道的子图像的颜色均值L、a、b,作为组织点图像的颜色特征值,计算公式如下:
其中,M、N为组织点图像的水平像素数和垂直像素数,L(x,y)、a(x,y)、b(x,y)分别为L、a、b颜色通道子图像中(x,y)处点的像素值。提取全部组织点颜色特征之后,以特征值作为该组织点的颜色值,重构得到色织物特征模拟图。
得到双面图像的特征模拟图后,结合组织图,分别提取正面模拟图中经组织点的颜色信息和反面模拟图中经组织点的颜色信息进行融合处理,得到色经排列图。类似的,提取正面模拟图中纬组织点的颜色信息和反面模拟图中纬组织点的颜色信息进行融合处理,得到色纬排列图。
对色经排列图和色纬排列图进行k均值聚类分析,由结果可知,利用k均值聚类算法,可以将分别将色织物20的色经和色纬划分为2个聚类结果,分别对应2种不同颜色的纱线。取各种类聚类中心的特征值作为该种类色纱的颜色特征值,可重构得到校正后色经排列图和色纬排列图。
利用校正后的色纱排列图,将织物组织图中经组织点处填上相应色经的颜色,纬组织点处填上相应色纬的颜色,最终可以得到色织物的配色模纹图。
利用分光光度计提取色织物色纱颜色值,作为人工测量值,如图11所示;利用聚类算法得到的色纱颜色值,即自动测量值,如图12所示,将人工测量值与自动测量值进行对比可知,本实例人工测量颜色值与自动测量颜色值最小差值为1,最大差值为12,平均差值为4.2。
上述各实施方式是实现本发明的具体实施例,本领域的普通技术人员可以理解,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种色织物组织的自动识别方法,其特征在于:将色织物正反双面图像进行图像匹配后,分别对每一面的图像进行数据处理,得到每一面的组织图和组织点颜色信息,将双面组织图中的经组织点进行融合得到色经排列图,纬组织点进行融合得到色纬排列图,然后重构出色织物的配色模纹图,实现色织物组织的自动识别。
2.如权利要求1所述的色织物组织的自动识别方法,其特征在于:所述数据处理的步骤包括:对每一面的图像进行颜色空间转换,自适应滤波去噪、组织点网格初始化、组织点网格校正、建立组织点模板图像用于组织点属性识别和生成初始组织图,并对组织点属性进行校正,得到正反双面组织图。
3.如权利要求2所述的色织物组织的自动识别方法,其特征在于:所述颜色空间转换的步骤包括:
S3.1、建立23因子矩阵校准模型将织物图像从RGB颜色空间转换到XYZ颜色空间,模型如下:
A=[1 r g b r2 g2 b2 rg rb gb rgb r2gb g2rb b2rg r2g b2g g2b r2b b2r g2r r3 g3b3]T
其中,r、g、b分别代表颜色的数字化存储红,绿,蓝分量;
S3.2、利用分光光度计测量得到样本夹具中24色块各自的XYZ颜色值;
S3.3、提取图像中24色色块子图像的RGB颜色值;
S3.4、将各色块的X值和R、G、B代入下列中,利用最小二乘法计算出[a1,1 a1,2 a1,3…a1,23]T的值;
S3.5、同理,利用各色块的Y值和R、G、B值,Z值和R、G、B值分别求出[a2,1 a2,2 a2,3…a2,23]T和[a3,1 a3,2 a3,3…a3,23]T,并最终得到转换矩阵M的值;
S3.6、利用转换矩阵M将图像从RGB颜色空间转换到XYZ颜色空间,得到图像的X、Y、Z值,并计算得到Lab颜色空间图像。
4.如权利要求2所述的色织物组织的自动识别方法,其特征在于:所述组织点网格校正的步骤包括:
S6.1、将采集到的织物图像进行网格初始化后,提取每根纬纱的子图像;
S6.2、提取初始化后经纱间隙的定位点坐标,计算定位点局部区域内的径向灰度总值,计算公式如下:
然后选取灰度总值最小的点坐标,作为校正后的经纱间隙定位点:
S6.3、对每一根纬纱进行相同的处理,得到完整的组织点网格校准后图像,
最后分割提取出组织点子图像。
5.如权利要求2所述的色织物组织的自动识别方法,其特征在于:所述建立组织点模板图像的步骤包括:
S7.1、根据机织物经组织点图像和纬组织点图像存在不同灰度渐变和灰度突变的特性,分别建立大小为M像素*N像素的经组织点模板图像和纬组织点模板图像,图像中纱线部分用白色表示,纱线间隙部分用黑色表示;
S7.2、分别提取模板图像的水平变化均值Hcov和垂直变化均值Vcov作为特征参数,计算公式如下:
6.如权利要求2所述的色织物组织的自动识别方法,其特征在于:所述组织点属性识别和生成初始组织图的步骤包括:
S8.1、以水平变化均值为x轴,以垂直变化均值为y轴,建立二维分类坐标系;
S8.2、提取出组织点模板的特征参数,即模板图像的水平灰度变化均值Hcov和垂直灰度变化均值Vcov,作为特征参考点;
S8.3、以待识别组织点图像为目标,提取出图像的水平灰度变化均值Hcov和垂直变化均值Vcov,作为其特征点;
S8.4、计算坐标系中代表待识别组织点图像的特征点与代表纬组织点模板图像的特征参考点的欧式距离S1,与代表经组织点模板图像的特征参考点的欧式距离S2,计算公式如下:
其中,x1为特征点的横坐标,y1为特征点的纵坐标,x2为参考点的横坐标,y2为参考点的纵坐标,S为两点间的欧式距离;
S8.5、比较S1和S2,若S1<S2,则判定该点为为组织点;若S1>S2,则判定该点为经组织点;若S1=S2,则标记该点为未成功识别点;
S8.6、取下一个待识别组织点图像作为目标,重复步骤S8.3-S8.5,直至所有待识别组织点识别结束并得到相应的组织图。
7.如权利要求2所述的色织物组织的自动识别方法,其特征在于:所述组织点属性进行校正的步骤包括:
S9.1、利用步骤S8分别得到织物正反双面图像的组织点矩阵;
S9.2、将正反面组织点矩阵相加,得到叠加矩阵;
S9.3、提取出矩阵中数值不为“1”的元素点,元素的位置坐标即对应识别错误的组织点位置;
S9.4、提取已经正确识别的经组织点和纬组织点,分别构建为训练集U1和U2;
S9.5、提取错误识别的组织点,构建为测试集X;
S9.6、分别计算测试集X中待检测点xi到训练集U1和U2中所有点的欧氏距离si,欧式距离s计算公式为
S9.7、从训练集中选取与待检测点最近的k(k∈R且k≥1)个点组成优先级队列;
S9.8、计算训练集U1和U2中元素在优先级队列中各占的权重,将测试集与所占权重较大的训练集归为同一类别;
S9.9、将所有错误识别的组织点进行校正,得到正确识别的色织物双面组织图。
8.如权利要求1所述的色织物组织的自动识别方法,其特征在于:所述双面经组织点融合和双面纬组织点融合的步骤包括:
S10.1、对色织物图像进行组织点网格划分,得到Lab颜色空间下的组织点图像;
S10.2、将组织点图像分解为L、a、b三个颜色通道的子图像;
S10.3、分别求出三个颜色通道的子图像的颜色均值L、a、b,作为组织点图像的颜色特征值,计算公式如下:
其中,M、N为组织点图像的水平像素数和垂直像素数,L(x,y)、a(x,y)、b(x,y)分别为L、a、b颜色通道子图像中(x,y)处点的像素值;
S10.4、提取全部组织点颜色特征之后,以特征值作为该组织点的颜色值,重构得到色织物特征模拟图;
S10.5、结合色织物双面特征模拟图和组织图,分别提取正面模拟图中经组织点的颜色信息和反面模拟图中经组织点的颜色信息进行融合处理,得到色经排列图;
S10.6、提取正面模拟图中纬组织点的颜色信息和反面模拟图中纬组织点的颜色信息进行融合处理,得到色纬排列图。
9.一种采用权利要求1所述的色织物组织的自动识别方法的测量装置,其特征在于:包括两块互相垂直的镜面,所述两块镜面中间设置有色织物,在镜面成像的一侧设置有图像采集装置和标准光源,所述图像采集装置所在平面与镜面所呈色织物的虚像所在平面平行,并且图像采集装置的中心点高度与色织物高度一致,所述标准光源对称设置于色织物所在平面的上下两侧,位于镜面对侧,所述色织物边缘通过样本夹具固定,暴露出的色织物在标准光源照射下,通过色织物上下两侧的镜面进行成像后,被图像采集装置采集。
10.如权利要求9所述的测量装置,其特征在于:所述样本夹具表面还设置有校准色块,使采集到的色织物颜色更接近真实颜色,减少采集图像的色差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611186760.1A CN106485288B (zh) | 2016-12-21 | 2016-12-21 | 一种色织物组织的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611186760.1A CN106485288B (zh) | 2016-12-21 | 2016-12-21 | 一种色织物组织的自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485288A true CN106485288A (zh) | 2017-03-08 |
CN106485288B CN106485288B (zh) | 2023-11-28 |
Family
ID=58285724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611186760.1A Active CN106485288B (zh) | 2016-12-21 | 2016-12-21 | 一种色织物组织的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485288B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109137446A (zh) * | 2018-10-11 | 2019-01-04 | 江南大学 | 一种色织物经纱排列的自动校对方法 |
CN109377489A (zh) * | 2018-10-30 | 2019-02-22 | 杭州易上弘网络技术有限公司 | 一种梭织物的组织构造的分析方法及分析系统 |
CN109598770A (zh) * | 2018-12-07 | 2019-04-09 | 秦嘉艺 | 一种城市建筑物的智能配色方法及智能配色系统 |
CN110315849A (zh) * | 2018-03-29 | 2019-10-11 | 精工爱普生株式会社 | 记录装置 |
CN110728302A (zh) * | 2019-09-10 | 2020-01-24 | 武汉纺织大学 | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 |
CN111640144A (zh) * | 2020-05-21 | 2020-09-08 | 上海工程技术大学 | 一种多视角提花织物图案分割算法 |
CN111709620A (zh) * | 2020-06-01 | 2020-09-25 | 江南大学 | 一种移动便携式机织物结构参数在线检测系统 |
CN113487681A (zh) * | 2021-07-01 | 2021-10-08 | 浙江大学 | 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法 |
CN114295202A (zh) * | 2021-12-29 | 2022-04-08 | 湖南汉状元教育科技有限公司 | 红外信息处理方法、装置、电子设备和可读存储介质 |
CN114324189A (zh) * | 2021-12-22 | 2022-04-12 | 江苏恒力化纤股份有限公司 | 一种机织物经纬纱颜色均匀性评价方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523366A (zh) * | 2011-12-13 | 2012-06-27 | 上海工程技术大学 | 一种织物编织样式自动分析系统及方法 |
CN102592286A (zh) * | 2012-03-14 | 2012-07-18 | 江南大学 | 一种基于图像处理的色织物配色模纹图自动识别方法 |
CN102980659A (zh) * | 2012-11-07 | 2013-03-20 | 上海工程技术大学 | 一种单色紧密织物表面颜色的数字化表征方法 |
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 |
CN105354864A (zh) * | 2015-09-25 | 2016-02-24 | 浙江大学 | 一种具有较高真实感的纺织物组织颜色替换模拟方法 |
CN105550660A (zh) * | 2015-12-26 | 2016-05-04 | 河北工业大学 | 一种机织物组织结构种类的识别方法 |
CN105844676A (zh) * | 2016-03-24 | 2016-08-10 | 上海工程技术大学 | 印花织物的颜色聚类分析装置及方法 |
-
2016
- 2016-12-21 CN CN201611186760.1A patent/CN106485288B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523366A (zh) * | 2011-12-13 | 2012-06-27 | 上海工程技术大学 | 一种织物编织样式自动分析系统及方法 |
CN102592286A (zh) * | 2012-03-14 | 2012-07-18 | 江南大学 | 一种基于图像处理的色织物配色模纹图自动识别方法 |
CN102980659A (zh) * | 2012-11-07 | 2013-03-20 | 上海工程技术大学 | 一种单色紧密织物表面颜色的数字化表征方法 |
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 |
CN105354864A (zh) * | 2015-09-25 | 2016-02-24 | 浙江大学 | 一种具有较高真实感的纺织物组织颜色替换模拟方法 |
CN105550660A (zh) * | 2015-12-26 | 2016-05-04 | 河北工业大学 | 一种机织物组织结构种类的识别方法 |
CN105844676A (zh) * | 2016-03-24 | 2016-08-10 | 上海工程技术大学 | 印花织物的颜色聚类分析装置及方法 |
Non-Patent Citations (2)
Title |
---|
RUI ZHANG: "Density Measurement for Yarn Dyed Woven Fabrics based on Wavelet Transform Fusion Method", 《THE 9TH TEXTILE BIOENGINEERING AND INFORMATICS SYMPOSIUM IN CONJUNCTION WITH THE 6TH ASIAN PROTECTIVE CLOTHING CONFERENCE》 * |
许为松;王跃存;王静心;: "多层角联锁织机设计", 轻工机械 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110315849B (zh) * | 2018-03-29 | 2022-04-01 | 精工爱普生株式会社 | 记录装置 |
CN110315849A (zh) * | 2018-03-29 | 2019-10-11 | 精工爱普生株式会社 | 记录装置 |
CN109137446B (zh) * | 2018-10-11 | 2021-02-05 | 江南大学 | 一种色织物经纱排列的自动校对方法 |
CN109137446A (zh) * | 2018-10-11 | 2019-01-04 | 江南大学 | 一种色织物经纱排列的自动校对方法 |
CN109377489A (zh) * | 2018-10-30 | 2019-02-22 | 杭州易上弘网络技术有限公司 | 一种梭织物的组织构造的分析方法及分析系统 |
CN109598770A (zh) * | 2018-12-07 | 2019-04-09 | 秦嘉艺 | 一种城市建筑物的智能配色方法及智能配色系统 |
CN110728302A (zh) * | 2019-09-10 | 2020-01-24 | 武汉纺织大学 | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 |
CN111640144A (zh) * | 2020-05-21 | 2020-09-08 | 上海工程技术大学 | 一种多视角提花织物图案分割算法 |
CN111709620A (zh) * | 2020-06-01 | 2020-09-25 | 江南大学 | 一种移动便携式机织物结构参数在线检测系统 |
CN113487681A (zh) * | 2021-07-01 | 2021-10-08 | 浙江大学 | 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法 |
CN113487681B (zh) * | 2021-07-01 | 2022-10-04 | 浙江大学 | 基于光谱灵敏度曲线和光源光谱优化的相机颜色标定方法 |
CN114324189A (zh) * | 2021-12-22 | 2022-04-12 | 江苏恒力化纤股份有限公司 | 一种机织物经纬纱颜色均匀性评价方法 |
CN114295202A (zh) * | 2021-12-29 | 2022-04-08 | 湖南汉状元教育科技有限公司 | 红外信息处理方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106485288B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485288A (zh) | 一种色织物组织的自动识别方法 | |
CN1844550B (zh) | 双面扫描织物和纱线分析系统 | |
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 | |
EP3300024B1 (en) | Color identification system, color identification method, and display device | |
CN105893925A (zh) | 基于肤色的人手检测方法及装置 | |
CN105654123B (zh) | 一种机织物组织图的识别方法 | |
CN107679106B (zh) | 一种快速反应的色织面料设计生产方法 | |
CN105787508B (zh) | 纺织品颜色识别方法及系统 | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN102523366B (zh) | 一种织物编织样式自动分析系统及方法 | |
CN106340044A (zh) | 摄像机外参自动标定方法及标定装置 | |
CN106855951A (zh) | 一种基于计算机视觉的粮种品质检测方法 | |
CN106296635A (zh) | 一种荧光原位杂交(fish)图像并行处理与分析方法 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN109738137A (zh) | 基于图像对比的土石坝渗漏实时监测与快速诊断方法 | |
CN105842173A (zh) | 一种高光谱材质鉴别方法 | |
CN100482145C (zh) | 一种视觉对比度分辨率测试方法 | |
CN105223208B (zh) | 一种电路板检测模板及其制作方法、电路板检测方法 | |
CN107194348A (zh) | 一种图像中目标物体的主颜色识别方法 | |
CN106937109B (zh) | 低成本判断摄像头分辨率水平的方法 | |
CN106097833A (zh) | 一种教育玩具套件及其数字识别方法 | |
CN109191520A (zh) | 一种基于色彩标定的植物叶面积测量方法及系统 | |
CN110490858A (zh) | 一种基于深度学习的织物缺陷像素级分类方法 | |
CN107154058A (zh) | 一种引导使用者还原魔方的方法 | |
US20140286569A1 (en) | Robust automatic determination and location of macbeth color checker charts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |