CN108647687A - 一种基于平移相减法的织物组织识别方法 - Google Patents

Abstract

本发明涉及一种基于平移相减法的织物组织自动识别方法，属于图像识别领域。本发明提供了一种计算织物组织循环大小的平移相减算法(Translational Subtraction Algorithm，TSA)，并提供了一种基于TSA算法的织物组织有效识别方法。该方法结合织物图像不同方向的TSA算法和水平方向的亮度累加法获取织物组织循环宽度和纬线宽度。然后对织物图像进行错位TSA算法，分析错位TSA曲线相位的周期性和大小，可以得到织物组织循环的纱线根数和飞数，最终获得织物图像的组织意匠图。本发明中提供织物组织的自动识别方法能有效识别各种类型的织物组织，对织物图像光照、纹理和倾斜等干扰因素具有鲁棒性。

Description

一种基于平移相减法的织物组织识别方法

技术领域

本发明属于图像识别领域，尤其涉及一种织物组织的自动识别方法。

背景技术

目前国内的织物厂家在进行织物组织分析与识别过程中，主要依靠人工使用专业工具进行识别。这种识别方法效率低下，识别结果受个人主观性影响较大，不利于纺织行业的自动化发展。将数字图像技术应用于织物组织自动分析与识别，对于纺织行业的自动化进程有重要意义。

国内有很多学者对织物组织识别做了研究。浙江大学的吴海虹等人针对织物彩色图像组织的识别，提出了利用颜色聚类和图像亮度信息分割织物的经纬纱线，然后使用一种半自动交互式纬二重组织识别方案获取织物组织图。梅军等人则通过提取织物图像的Tamura纹理特征并进行聚类实现织物经纬组织点分离，从而获取织物组织图。上述方法均具有一定的局限性，要求织物经纬线色彩差异大或织物纹理特征明显，受织物图像获取时的光线影响大，适用范围窄。本发明提出了一种基于TSA算法的织物组织识别方法，通过该方法可以有效统计出织物经纬方向的循环信息，通过经纬线的循环特征来计算织物组织点分布情况。该方法具有较强鲁棒性，可以克服光照、色彩等干扰因素有效识别各种类型纱线的织物图像组织结构。

发明内容

本发明提供了一种基于平移相减算法(Translational Subtraction Algorithm，TSA)的织物组织识别方法，通过该方法可以有效统计出织物经纬方向的循环信息，通过经纬线的循环特征来计算织物组织点分布情况。该方法可以有效识别各种类型纱线的织物图像组织结构。

本发明基于平移相减法的织物组织识别方法步骤如下：根据织物图像水平方向的TSA算法获取织物组织循环宽度，根据织物图像竖直方向的TSA算法和水平方向的亮度累加法获取织物纬线宽度；然后对织物图像进行错位TSA算法，分析错位TSA曲线相位的周期性和大小，得到织物组织循环的纱线根数和飞数，从而获得织物图像的组织意匠图。

作为优选的方案，所述组织循环宽度获取步骤为：

2.1)将织物图像转化为灰度图像，并进行高斯滤波去除噪声；

2.2)对灰度图像进行水平方向TSA算法，计算出TSA曲线；

所述水平方向TSA算法步骤如下，首先将待识别原图和该图像的复制图重叠放置，然后沿着水平方向不断移动复制图，计算原图与复制图重叠部分对应像素点之间灰度值的平均差值，平均差值计算如下：

式中：W、H分别为图像的宽度和高度；I'(i,j)表示复制图点(i,j)的灰度值；I(i,j)表示原图点(i,j)的灰度值；gd(d)表示移动距离为d时的平均灰度差值，gd(d)与d构成的曲线称为TSA曲线；

2.3)对TSA曲线进行正弦函数拟合，计算拟合得到正弦函数的周期Ts；

2.4)织物组织循环宽度Th＝Ts。

作为优选的方案，所述纬线宽度的获取步骤为：

3.1)将织物图像转化为灰度图像，并进行高斯滤波去除噪声；

3.2)对灰度图像进行竖直方向TSA算法，计算出TSA曲线；

所述竖直方向TSA算法步骤如下，首先将待识别原图和该图像的复制图重叠放置，然后沿着竖直方向不断移动复制图，计算原图与复制图重叠部分对应像素点之间灰度值的平均差值，平均差值计算如下：

式中：W、H分别为图像的宽度和高度；I'(i,j)表示复制图点(i,j)的灰度值；I(i,j)表示原图点(i,j)的灰度值；gd(d)表示移动距离为d时的平均灰度差值，gd(d)与d构成的曲线称为TSA曲线；

3.3)对TSA曲线进行正弦函数拟合，计算拟合得到正弦函数的周期Ts；

3.4)对灰度图像水平方向进行亮度累加算法，公式如下：

式中：W为图像的宽度；f(i,j)为图像中点(i,j)的灰度值；S(i)为图像第i行亮度累加值；

3.5)对亮度累加曲线进行正弦函数拟合，计算拟合得到正弦函数的周期Ta；

3.6)计算出纬线宽度Wp＝Ts/[Ts/Ta]。

作为优选的方案，所述的对织物图像进行错位TSA算法的步骤如下：

4.1)设置错位次数n＝0；

4.2)对织物图像竖直方向错位Wp×n距离进行水平方向TSA算法，计算出错位TSA曲线；

4.3)对TSA曲线进行正弦函数拟合，计算拟合得到正弦函数的相位

4.4)n＝n+1，如果Wp×n小于图像高度，重复步骤S4.2、S4.3、S4.4；否则结束。

作为优选的方案，所述错位TSA曲线相位的周期分析步骤如下：

5.1)按如下公式计算周期i时，当前相位差值和D(i)：

式中，n表示错位TSA曲线相位的总数目；表示第i个相位；

5.2)计算D(i)最小值对应的i，相位的循环周期为N＝i；

5.3)织物组织循环的纱线根数R＝N。

作为优选的方案，所述错位TSA曲线相位的大小分析步骤包括：

6.1)求取中每个周期内的相位与该周期第一个相位之间的相位差，公式如下：

式中，表示第i个相位与其所在周期内第一个相位之间的相位差；

6.2)求取中每个周期的相位的平均值，计算公式如下：

式中，表示一个周期N内第i个相位的平均值；

6.3)对进行排序，最小的相位值对应的序号与次小相位值对应的序号之间的差值即为纱线飞数S。

本发明提出了一种普适性较强的织物组织识别方案，该方案利用织物水平竖直方向均由组织循环构成，而且相邻纬线间的织物组织循环水平方向存在一定距离的特性，将织物图进行平移错位相减并计算亮度累加值，计算出出织物组织的纬纱数、经纱数和飞数，从而得到图像的组织图。实验表明所提出的方法具有较强的鲁棒性，对多种织物组织均能进行有效识别。

附图说明

图1为TSA算法示意图；

图2为平移距离与像素平均灰度差之间关系图；

图3为错位TSA示意图；

图4为错位TSA平移距离与平均灰度差之间的关系；

图5为算法流程图；

图6为实验演示所用原始织物图；

图7为织物水平方向TSA曲线与拟合结果；

图8表示对于经线宽度不同的织物，竖直方向TSA曲线周期的实际意义不同；

图9织物图像水平方向亮度累加结果；

图10错位TSA曲线相位的实际意义；

图11织物组织意匠图与错位TSA相位之间的关系。

具体实施方式

1算法简介

1.1 TSA算法

对于水平(或竖直)方向由相同或相似组织循环构成的图像，可以通过TSA算法计算组织循环的周期。算法计算过程如图1所示，首先将待识别原图和该图像的复制图重叠放置，然后沿着组织循环的方向(图1所示为水平方向)不断移动复制图，计算原图与复制图重叠部分对应像素点之间灰度值的平均差值。平均差值计算如公式(1)：

式中：W、H为图像的宽度和高度；I'(i,j)表示复制图点(i,j)的灰度值；I(i,j)表示原图点(i,j)的灰度值；gd(d)表示移动距离为d时的平均灰度差值。

原图与复制图重叠放置时，重叠部分对应像素点之间灰度值的平均差值为零，随着复制图的移动，灰度值平均差值会逐渐增大，移动一定距离之后，原图和复制图的循环组织之间会逐渐相互重叠，像素平均灰度差值又会随之变小。持续移动复制图像，则像素平均灰度差的波峰波谷会呈周期性交替出现。如图2所示，横轴表示复制图移动距离d，纵轴表示移动距离为d时，复制图与原图重叠部分像素平均灰度差gd(d)。那么TSA曲线的周期表示组织循环的宽度。

1.2错位TSA算法

如图3所示，错位TSA是指对于水平和竖直方向均由相同或相似组织循环构成的图像，可以先将复制图和原图竖直(或水平)方向错位一定距离之后再进行TSA计算。由于图像竖直方向也是具有循环性，错位合适距离后，TSA曲线也会呈现周期性(如图4)。如果竖直方向错位后原图与复制图之间的灰度值平均差不处于TSA曲线波谷，那么错位TSA曲线会和TSA曲线之间存在一定的相位差，该相位差代表了竖直方向错位后水平方向组织循环之间的距离。图3中竖直方向错位后，其水平方向原图和复制图组织循环的间距离为组织循环宽度的一半，所以图2和图4所示曲线之间的相位差为π。

1.3正弦函数拟合

为了计算TSA曲线的周期、相位和幅值等参数，本发明对TSA曲线进行了正弦函数拟合。正弦函数如公式(2)：

其中x为自变量，a₀为幅值偏置值，A为幅值，ω为角频率，为曲线相位，函数周期为：

T＝2×π÷ω (3)

2本发明方法的流程

本发明方法的目的是获取织物组织图。织物组织图又称意匠图，是一种在方格纸描绘织物组织的图，可以根据织物组织循环的参数绘制。织物经组织点和纬组织点的沉浮规律重复出现为一个组成单元时，该组成单元称为组织循环。本发明方法基于TSA算法，织物图像经过一系列TSA算法可以获取织物组织循环的飞数S和纱线根数R，从而绘制出织物组织图。算法流程如图5所示。

本发明所提出的方法对输入的织物图像分辨率和尺寸有一定要求。下文将以图6中的原始织物图为例，计算该原始织物图对应的组织图。

2.1组织循环宽度

对原始织物组织图进行水平方向TSA算法，并对TSA曲线进行正弦函数拟合，所得到的TSA曲线和拟合结果如图7所示。所拟合得到的正弦函数的周期Th＝123(像素)，该原始图像一个组织循环的水平方向的宽度为Wh＝Th＝123。

2.2纬线宽度

对织物进行竖直方向上的TSA算法，并进行正弦函数拟合，得到竖直方向平移相减周期Tv＝64。然而对于经线宽度不同的织物，该周期的实际意义不同。如果经线宽度较宽，那么该周期为经线宽度；如果经线较窄，那么该为组织循环的高度，如图8所示。因此，本发明采用了亮度累加法来辅助计算经线宽度。

亮度累加是利用织物纱线间隙的灰度值要远远小于纱线中心的亮度的现象，对织物水平方向进行像素点灰度值的累加^[4]。由于织物纬线间的间隙连续性好，所以累加结果呈现明显的周期性^[5]，而且累加曲线的周期接近于纬线的宽度。如图(9)所示，横坐标h表示图片的高度，纵坐标s表示图像高度为h处横向亮度累加结果。对累加曲线正弦函数，得到累加曲线周期Tsv＝65。由于平移相减所得到的数据点是对整幅织物图像统计得到的，可靠性更高，所以按如下公式(4)计算纬线宽度：

Wp＝Tv/[Tv/Tsv] (4)

其中Wp表示纬线宽度，将上文结果代入可得，织物纬线宽度Wp＝64。

2.3相邻纬线间组织循环相位差

设图片高度为H,对织物图竖直方向错位n×Wp(0≤n≤[H÷Wp]))个像素点，然后进行水平方向平移相减，计算TSA曲线的相位相位实际意义是第n条纬线对应循环组织起始的位置，如图10所示。

表1错位距离n×Wp对应相位

由于织物图像竖直方向具有周期性，所以错位平移得到的相位也有周期性。分析相位的周期性即可得到织物组织循环的纬纱数R。对于给定的织物图，织物组织循环的纬纱数R为使公式(5)中D取得最小值的n，计算得R＝5。

其中：N＝[H÷Wp]

常见基本织物组织经纱数与纬纱数相同，所以织物组织图为R×R的方格图，且每一列包含一个经组织点。计算每个组织循环中错位TSA相位相对第一行纬线的相位的正相位差，计算如公式(6)

然后求取组织循环相位差的平均值，并对其排序，排序后的最小值对应的纬线就是第一列经组织点所在的纬线，以此类推。飞数S为排序后相邻两个相位对应的纬线行数差^[6]。

对于图11中的织物图，如图示所示为识别得到的组织意匠图，其中S＝4-1＝3。

4总结

本发明提出了一种普适性较强的织物组织识别方案，该方案利用织物水平竖直方向均由组织循环构成，而且相邻纬线间的织物组织循环水平方向存在一定距离的特性，将织物图进行平移错位相减并计算亮度累加值，计算出出织物组织的纬纱数、经纱数和飞数，从而得到图像的组织图。实验表明所提出的方法具有较强的鲁棒性，对多种织物组织均能进行有效识别。

Claims (6)

1.一种基于平移相减法的织物组织识别方法，其特征在于：根据织物图像水平方向的TSA算法获取织物组织循环宽度，根据织物图像竖直方向的TSA算法和水平方向的亮度累加法获取织物纬线宽度；然后对织物图像进行错位TSA算法，分析错位TSA曲线相位的周期性和大小，得到织物组织循环的纱线根数和飞数，从而获得织物图像的组织意匠图。

2.如权利要求1所述的织物组织自动识别方法，其特征在于：所述组织循环宽度获取步骤为：

2.1)将织物图像转化为灰度图像，并进行高斯滤波去除噪声；

2.2)对灰度图像进行水平方向TSA算法，计算出TSA曲线；

所述水平方向TSA算法步骤如下，首先将待识别原图和该图像的复制图重叠放置，然后沿着水平方向不断移动复制图，计算原图与复制图重叠部分对应像素点之间灰度值的平均差值，平均差值计算如下：

式中：W、H分别为图像的宽度和高度；I'(i,j)表示复制图点(i,j)的灰度值；I(i,j)表示原图点(i,j)的灰度值；gd(d)表示移动距离为d时的平均灰度差值，gd(d)与d构成的曲线称为TSA曲线；

2.3)对TSA曲线进行正弦函数拟合，计算拟合得到正弦函数的周期Ts；

2.4)织物组织循环宽度Th＝Ts。

3.如权利要求1所述的织物组织自动识别方法，其特征在于：所述纬线宽度的获取步骤为：

3.1)将织物图像转化为灰度图像，并进行高斯滤波去除噪声；

3.2)对灰度图像进行竖直方向TSA算法，计算出TSA曲线；

所述竖直方向TSA算法步骤如下，首先将待识别原图和该图像的复制图重叠放置，然后沿着竖直方向不断移动复制图，计算原图与复制图重叠部分对应像素点之间灰度值的平均差值，平均差值计算如下：

式中：W、H分别为图像的宽度和高度；I'(i,j)表示复制图点(i,j)的灰度值；I(i,j)表示原图点(i,j)的灰度值；gd(d)表示移动距离为d时的平均灰度差值，gd(d)与d构成的曲线称为TSA曲线；

3.3)对TSA曲线进行正弦函数拟合，计算拟合得到正弦函数的周期Ts；

3.4)对灰度图像水平方向进行亮度累加算法，公式如下：

式中：W为图像的宽度；f(i,j)为图像中点(i,j)的灰度值；S(i)为图像第i行亮度累加值；

3.5)对亮度累加曲线进行正弦函数拟合，计算拟合得到正弦函数的周期Ta；

3.6)计算出纬线宽度Wp＝Ts/[Ts/Ta]。

4.如权利要求3所述的织物组织自动识别方法，其特征在于：所述的对织物图像进行错位TSA算法的步骤如下：

4.1)设置错位次数n＝0；

4.2)对织物图像竖直方向错位Wp×n距离进行水平方向TSA算法，计算出错位TSA曲线；

4.3)对TSA曲线进行正弦函数拟合，计算拟合得到正弦函数的相位

4.4)n＝n+1，如果Wp×n小于图像高度，重复步骤S4.2、S4.3、S4.4；否则结束。

5.如权利要求4所述的织物组织自动识别方法，其特征在于：所述错位TSA曲线相位的周期分析步骤如下：

5.1)按如下公式计算周期i时，当前相位差值和D(i)：

式中，n表示错位TSA曲线相位的总数目；表示第i个相位；

5.2)计算D(i)最小值对应的i，相位的循环周期为N＝i；

5.3)织物组织循环的纱线根数R＝N。

6.如权利要求4所述的织物组织自动识别方法，其特征在于：所述错位TSA曲线相位的大小分析步骤包括：

6.1)求取中每个周期内的相位与该周期第一个相位之间的相位差，公式如下：

式中，表示第i个相位与其所在周期内第一个相位之间的相位差；

6.2)求取中每个周期的相位的平均值，计算公式如下：

式中，表示一个周期N内第i个相位的平均值；

6.3)对进行排序，最小的相位值对应的序号与次小相位值对应的序号之间的差值即为纱线飞数S。