CN108776785A - 一种基于多特征融合的羊毛羊绒识别方法 - Google Patents

一种基于多特征融合的羊毛羊绒识别方法 Download PDF

Info

Publication number
CN108776785A
CN108776785A CN201810556689.4A CN201810556689A CN108776785A CN 108776785 A CN108776785 A CN 108776785A CN 201810556689 A CN201810556689 A CN 201810556689A CN 108776785 A CN108776785 A CN 108776785A
Authority
CN
China
Prior art keywords
cashmere
fiber
woollen
feature
moment
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.)
Pending
Application number
CN201810556689.4A
Other languages
English (en)
Inventor
邢文宇
辛斌杰
邓娜
陈阳
张铮烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN201810556689.4A priority Critical patent/CN108776785A/zh
Publication of CN108776785A publication Critical patent/CN108776785A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于多特征融合的羊毛羊绒识别方法，目的在于寻找更为有效的羊绒与羊毛识别的实现方案，其包括如下步骤：获取带有羊毛或羊绒的纤维图像；从纤维图像中提取纤维纹理特征和纤维形态特征，并基于纤维纹理特征和纤维形态特征构建多维数组；重复上述步骤，得到多个多维数组，并将多个多维数组输入K均值聚类系统，以使羊毛和羊绒分开。本发明通过先提取纤维图像中的纤维纹理特征和纤维形态特征，再利用K均值聚类算法对羊毛羊绒纤维进行自动分类识别，简化了识别操作，降低了识别成本，同时采用智能识别又在一定程度上克服了人为干扰，提高了识别效果。

Description

一种基于多特征融合的羊毛羊绒识别方法
技术领域
本发明涉及图像处理领域，具体而言，本发明涉及一种基于多特征融合的羊毛羊绒识别方法。
背景技术
在纺织工业及服装制造领域，羊绒与羊毛一直是两种十分重要的纺织材料，但是两者的性能、价格相差巨大。由于羊绒和羊毛直观的形态结构、颜色特征较为相似，很难用肉眼直接进行区分，所以市场上经常会出现羊毛羊绒混杂，甚至于羊毛代替羊绒进行服饰生产的现象，扰乱了市场的正常运营，损害了消费者的权益。
目前常用的方法主要是物理、化学、生物三大类，但是实验成本较高、操作较为复杂，且存在较大的人为干扰因素。此外，也存在基于利用单一纹理特征进行纤维识别的方法，其主要通过灰度共生矩阵或者其它方法提取纤维的纹理特征进而通过神经网络进行识别，而该方法仅仅利用纤维的表面纹理特征，没有考虑到纤维的形态特征，因此识别效果不佳。
发明内容
为了寻找更为有效的羊绒与羊毛识别的实现方案，本发明提供了一种具有较好识别效果的基于多特征融合的羊毛羊绒识别方法。
为实现上述目的，本发明一种基于多特征融合的羊毛羊绒识别方法，包括如下步骤：
步骤S1：获取带有羊毛或羊绒的纤维图像；
步骤S2：从所述纤维图像中提取纤维纹理特征和纤维形态特征，并基于所述纤维纹理特征和所述纤维形态特征构建多维数组；其中，所述纤维纹理特征包括熵、角二阶矩、相关以及惯性矩；所述纤维形态特征包括纤维直径形态特征；
步骤S3：重复步骤S1和步骤S2，得到多个多维数组，并将所述多个多维数组输入K均值聚类系统，以使所述羊毛和所述羊绒分开。
优选地，步骤S1包括如下步骤：
从纤维样本中采集得到纤维图片；
通过灰度处理、图像分割、图像去噪以及对比度拉伸处理所述纤维图片得到去除背景的单一纤维图片；
通过灰度处理、图像去噪、直方图均衡化以及二值化处理所述单一纤维图片得到去除背景的纤维图像。
优选地，所述步骤S2包括如下步骤：
基于灰度共生矩阵计算得到所述熵、角二阶矩、相关以及惯性矩；
基于区域生长算法与水平集中轴线算法得到所述纤维直径形态特征。
优选地，所述多维数组为五维数组，所述五维数组包括熵、角二阶矩、相关、惯性矩以及纤维直径形态特征。
与现有技术相比，本发明一种基于多特征融合的羊毛羊绒识别方法具有如下有益效果：
本发明一种基于多特征融合的羊毛羊绒识别方法通过先提取纤维图像中的纤维纹理特征和纤维形态特征，再利用K均值聚类算法对羊毛羊绒纤维进行自动分类识别，简化了识别操作，降低了识别成本，同时采用智能识别又在一定程度上克服了人为干扰，提高了识别效果。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例一种基于多特征融合的羊毛羊绒识别方法的流程示意图；
图2为本发明实施例一种基于多特征融合的羊毛羊绒识别方法的K均值聚类系统聚类流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
请参阅图1，本发明实施例一种基于多特征融合的羊毛羊绒识别方法，其包括如下步骤：
步骤S1：获取带有羊毛或羊绒的纤维图像。
详细地，步骤S1包括如下步骤：
从纤维样本中采集得到纤维图片；
通过灰度处理、图像分割、图像去噪以及对比度拉伸处理纤维图片得到去除背景的单一纤维图片；
通过灰度处理、图像去噪、直方图均衡化以及二值化处理单一纤维图片得到去除背景的纤维图像。
在一些实施方式中，从纤维样本中采集得到纤维图片是通过光学显微镜与数码相机进行的。
步骤S2：从所述纤维图像中提取纤维纹理特征和纤维形态特征，并基于所述纤维纹理特征和所述纤维形态特征构建多维数组；其中，所述纤维纹理特征包括熵、角二阶矩、相关以及惯性矩；所述纤维形态特征包括纤维直径形态特征；其中，步骤S2包括如下步骤：
基于灰度共生矩阵计算得到熵、角二阶矩、相关以及惯性矩；
基于区域生长算法与水平集中轴线算法得到纤维直径形态特征。
灰度共生矩阵是统计空间上具有某种位置关系的一对像元灰度对出现的频度。
示例地，假设f(x，y)为一幅二维数字图象，其大小为M×N，灰度级别为h,则满足一定空间关系的灰度共生矩阵为：
P(i,j)＝#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)＝i,f(x2,y2)＝j}
其中，#(X)表示集合x中的元素个数，P为h×h的矩阵，若(x1，y1)与(x2，y2)像素间距为d，两者与坐标横轴的夹角为θ，则可以得到各种间距及角度下的灰度共生矩阵P(i，j，d，θ)。优选地，d取5，像素灰度级压缩为64级，取0°、45°、90°、135°四个角度提取的灰度共生矩阵二次统计量的均值作为纹理特征参数。
在此基础上，计算纤维纹理特征，具体介绍如下：
角二阶矩：是灰度共生矩阵元素值的平方和，又称为能量，反映了图像灰度分布均匀程度和纹理粗细程度。
熵：描述图像所具有的信息量，表示图像的复杂程度。
惯性矩：式中m为P(i，j，d，θ)的均值，反映了纹理的周期性。
相关：表示灰度共生矩阵中行或列方向上的相似程度。其中
区域生长算法主要是根据预先定义的生长准则，把像素或子区域集合成较大区域的处理方法。其基本处理方法是以一组“种子”点开始，将与该生长点性质相似或相同的相邻像元进行合并，形成新的生长点，重复此过程直至没有可合并的点为止。
本发明实施例一种基于多特征融合的羊毛羊绒识别方法主要利用区域生长对纤维轮廓线进行提取。采取的是在纤维左右轮廓线分别选取种子点进行区域生长，并将纤维内部与轮廓线相连部分作为噪声进行噪声去除，之后将左右轮廓线图像进行融合处理得到完整的纤维轮廓图像。
水平集中轴线算法是由美国数学家提出的用于计算流体动力学的工具，该方法的核心思想就是把n维的描述看成是n+1维的一个水平，将低维的一些计算上升到更高一维。现在广泛应用于电脑绘图、计算机图像处理、计算机视觉等领域，而在图像处理领域，水平集可以用于我们的纤维中轴线求取，其精度达到了亚像素级别，同时可以得到光滑连续的纤维中轴线，然后基于纤维的中轴线可以准确求取纤维的直径数值。
优选地，多维数组为五维数组，其中五维数组包括熵、角二阶矩、相关、惯性矩以及纤维直径形态特征。
步骤S3：重复步骤S1和步骤S2，得到多个多维数组，并将所述多个多维数组输入K均值聚类系统，以使所述羊毛和所述羊绒分开。
具体地，将提取到的角二阶矩、能量、熵、相关、直径作为一个五维数组，每一组数据代表一根羊绒或者羊毛纤维，同时在多维向量空间坐标系中，每一个数组代表空间中一个点，五个特征参数则为该点的五维坐标数值，则每一根羊毛羊绒在空间坐标系中可由A＝(角二阶矩，能量，熵，相关，直径)的向量坐标来表示。将采集到的大量羊毛与羊绒纤维数据组成的多维数组输入K均值聚类系统，则步骤S3包括如下步骤：
步骤S31：随机选取1个代表羊绒的数组，与1个代表羊毛的数组，使选取的每个数组初始的代表一个纤维类别的的平均值或者中心；
步骤S32：对剩余的每个点，根据其与所选点之间的距离，将其赋给最近的点，可以得到两个不同的簇群。
步骤S33：重新计算每一个簇的平均值，将其作为下一个聚类中心点。
步骤S34：重新计算所有点距中心点的距离，并将其赋给距离较近的新中心点。
步骤S35：重复步骤S33和步骤S34，直到无法继续进行聚类，这样就可以将所有代表羊毛与羊绒的点聚成两类，也即每一个族群可以代表一类纤维，最终可以分成两个簇。
请参阅图2，图2示出了一种K均值聚类系统的聚类流程示意图，其中，1,2,3,4,5为表示纤维的五个点：
在(a)图中，随机选取两个初始聚类中心点，将所有纤维数据点赋给与其距离较近的中心点；
如图(b)所示，然后在聚类之后的两个簇中以其中心位置作为新的聚类中心点，重新进行聚类，新的聚类结果如图(d)所示；
重新选择中心点后，数据点种类不再随新的中心点发生改变，则停止运算，即可得到(f)图中黑色矩形框标注的两类纤维簇群。
与现有技术相比，本发明实施例一种基于多特征融合的羊毛羊绒识别方法具有如下有益效果：
本发明实施例一种基于多特征融合的羊毛羊绒识别方法通过先提取纤维图像中的纤维纹理特征和纤维形态特征，再利用K均值聚类算法对羊毛羊绒纤维进行自动分类识别，简化了识别操作，降低了识别成本，同时采用智能识别又在一定程度上克服了人为干扰，提高了识别效果。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于多特征融合的羊毛羊绒识别方法，其特征在于，该方法包括如下步骤：
步骤S1：获取带有羊毛或羊绒的纤维图像；
步骤S2：从所述纤维图像中提取纤维纹理特征和纤维形态特征，并基于所述纤维纹理特征和所述纤维形态特征构建多维数组；其中，所述纤维纹理特征包括熵、角二阶矩、相关以及惯性矩；所述纤维形态特征包括纤维直径形态特征；
步骤S3：重复步骤S1和步骤S2，得到多个多维数组，并将所述多个多维数组输入K均值聚类系统，以使所述羊毛和所述羊绒分开。
2.如权利要求1所述的基于多特征融合的羊毛羊绒识别方法，其特征在于，步骤S1包括如下步骤：
从纤维样本中采集得到纤维图片；
通过灰度处理、图像分割、图像去噪以及对比度拉伸处理所述纤维图片得到去除背景的单一纤维图片；
通过灰度处理、图像去噪、直方图均衡化以及二值化处理所述单一纤维图片得到去除背景的纤维图像。
3.如权利要求1所述的基于多特征融合的羊毛羊绒识别方法，其特征在于，所述步骤S2包括如下步骤：
基于灰度共生矩阵计算得到所述熵、角二阶矩、相关以及惯性矩；
基于区域生长算法与水平集中轴线算法得到所述纤维直径形态特征。
4.如权利要求1所述的基于多特征融合的羊毛羊绒识别方法，其特征在于，所述多维数组为五维数组，所述五维数组包括熵、角二阶矩、相关、惯性矩以及纤维直径形态特征。
CN201810556689.4A 2018-06-01 2018-06-01 一种基于多特征融合的羊毛羊绒识别方法 Pending CN108776785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810556689.4A CN108776785A (zh) 2018-06-01 2018-06-01 一种基于多特征融合的羊毛羊绒识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810556689.4A CN108776785A (zh) 2018-06-01 2018-06-01 一种基于多特征融合的羊毛羊绒识别方法

Publications (1)

Publication Number Publication Date
CN108776785A true CN108776785A (zh) 2018-11-09

Family

ID=64026490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810556689.4A Pending CN108776785A (zh) 2018-06-01 2018-06-01 一种基于多特征融合的羊毛羊绒识别方法

Country Status (1)

Country Link
CN (1) CN108776785A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648312A (zh) * 2019-09-03 2020-01-03 上海工程技术大学 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7435475B2 (en) * 2004-07-27 2008-10-14 L&P Property Management Company Luxury fiber blend for use in fiberfill household textile articles
CN105678341A (zh) * 2016-02-19 2016-06-15 天纺标检测科技有限公司 一种基于Gabor小波分析的羊毛羊绒识别算法
CN108090498A (zh) * 2017-12-28 2018-05-29 广东工业大学 一种基于深度学习的纤维识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7435475B2 (en) * 2004-07-27 2008-10-14 L&P Property Management Company Luxury fiber blend for use in fiberfill household textile articles
CN105678341A (zh) * 2016-02-19 2016-06-15 天纺标检测科技有限公司 一种基于Gabor小波分析的羊毛羊绒识别算法
CN108090498A (zh) * 2017-12-28 2018-05-29 广东工业大学 一种基于深度学习的纤维识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朱俊平 等: "羊绒与羊毛直径的水平集中轴线法测量", 《纺织学报》 *
陶伟森 等: "采用数字图像处理的羊毛与羊绒纤维识别", 《棉纺织技术》 *
马彩霞 等: "绒纤维专家鉴别特征统计分析及自动鉴别方法研究", 《毛纺科技》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648312A (zh) * 2019-09-03 2020-01-03 上海工程技术大学 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法

Similar Documents

Publication Publication Date Title
CN103207879B (zh) 图像索引的生成方法及设备
JP5167442B2 (ja) 画像識別装置およびプログラム
CN101424680B (zh) 异形纤维计算机自动识别装置与方法
CN106022375B (zh) 一种基于hu不变矩和支持向量机的服装款式识别方法
CN110706294A (zh) 一种色纺织物颜色差异度检测方法
CN105701495B (zh) 图像纹理特征提取方法
CN108710916B (zh) 图片分类的方法及装置
CN104778701A (zh) 一种基于rgb-d传感器的局部图像描述方法
CN109934287A (zh) 一种基于lbp与glcm的服装纹理识别分类方法
CN108595649B (zh) 基于几何形状的局部不变纹理特征的织物图像检索方法
CN104616291A (zh) 一种基于稀疏编码的织物外观平整度评价方法
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
CN111178190A (zh) 基于深度图像的目标检测方法、装置及存储介质
Xing et al. A novel digital analysis method for measuring and identifying of wool and cashmere fibers
CN108564116A (zh) 一种摄像头场景图像的成分智能分析方法
CN108776785A (zh) 一种基于多特征融合的羊毛羊绒识别方法
Wang et al. An objective fabric smoothness assessment method based on a multi-scale spatial masking model
CN111339974B (zh) 一种现代陶瓷与古陶瓷的鉴别方法
CN109271997A (zh) 一种基于跳跃细分局部模式的图像纹理分类方法
CN112365517A (zh) 一种基于图像颜色和密度特征的超像素分割方法
Uttama et al. Segmentation and retrieval of ancient graphic documents
Bastidas-Rodríguez et al. A textural deep neural network combined with handcrafted features for mechanical failure classification
Partio et al. An ordinal co-occurrence matrix framework for texture retrieval
Roggiolani et al. Unsupervised Pre-Training for 3D Leaf Instance Segmentation
Kuo et al. Pattern-making simulation on embroidery using probabilistic neural network and texture fitting method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181109

RJ01 Rejection of invention patent application after publication