CN109165650A - 印花织物图像最小重复单元自动检测方法 - Google Patents
印花织物图像最小重复单元自动检测方法 Download PDFInfo
- Publication number
- CN109165650A CN109165650A CN201811064141.4A CN201811064141A CN109165650A CN 109165650 A CN109165650 A CN 109165650A CN 201811064141 A CN201811064141 A CN 201811064141A CN 109165650 A CN109165650 A CN 109165650A
- Authority
- CN
- China
- Prior art keywords
- image
- repetitive unit
- printed fabric
- minimum repetitive
- key point
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种印花织物图像最小重复单元自动检测方法,包括:将印花织物扫描成图像;在所述图像中人工选定包含若干个像素的矩形区域,选择至少两个顶点的像素作为关键点;在所述图像中检测与所述矩形区域图像相似的矩形子图,并标记矩形子图的关键点,调节像素距离,使关键点的数量最少,即为相似点;根据相似点的数量识别最小重复单元。本发明能够实现处理彩色印花织物和具有各种图案的复杂印刷织物的最小重复单元检测,大大降低分色和制版的难度和工作量。
Description
技术领域
本发明涉及纺织领域。更具体地说,本发明涉及一种印花织物图像最小重复单元自动检测方法。
背景技术
纺织工业自动化中,印花织物图像最小重复单元(最小重复单元区域)是可能影响纺织品外观视觉特征的重要特征之一,早期基于计算机技术的模式周期性分析进行自动MRP检测研究。Wood使用傅立叶和相关的变换结合织物表面的周期性来表征地毯图案,具体为通过角傅立叶功率谱和自相关函数分析了平纹棉织物的纬纱和经纱(纱线间距)的周期性,更侧重于编织织物的光谱分析而不是印花织物,难以迁移到印刷织物图像的最小重复图案检测。Chung-Feng Jeffrey Kuo、Kuo等人提出了一种由子图案图像聚类和几何分割组成的自动重复图案检测框架,具体为使用模糊C均值聚类算法和特定聚类有效性准则来获得灰色印花织物的图案图像,然后通过Hough变换对重复图案进行分割,但仅处理简单的图案和诸如点图案的背景场景,但是不能处理具有各种图案的复杂印刷织物。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种印花织物图像最小重复单元自动检测方法,其能够实现处理彩色印花织物和具有各种图案的复杂印刷织物的最小重复单元检测,大大降低分色和制版的难度和工作量。
为了实现根据本发明的这些目的和其它优点,提供了一种印花织物图像最小重复单元自动检测方法,包括:
将印花织物扫描成图像;
在所述图像中人工选定包含若干个像素的矩形区域,选择至少两个顶点的像素作为关键点;
在所述图像中检测与所述矩形区域图像相似的矩形子图,并标记矩形子图的关键点,调节像素距离,使关键点的数量最少,即为相似点;
当相似点数量≥3时,选取3个像素距离之和最小的相似点,构成的矩形子图即为最小重复单元;
当相似点数量=2时,若两个相似点位于同一行或同一列,两个相似点形成的行向下延伸至所述图像边界构成的矩形子图,或两个相似点形成的列向右延伸至所述图像边界构成的矩形子图,为最小重复单元,若两个相似点为对角点,所述图像为最小重复单元。
优选的是,将印花织物扫描成图像还需要对图像进行切割白边、去除遮挡和褶皱的预处理,形成无干扰信息的图像。
优选的是,在所述图像中检测图像相似的矩形子图采用open CV算法实现。
优选的是,使关键点的数量最少采用非极大值抑制算法实现。
优选的是,关键点的数量为2。
优选的是,关键点的数量为3。
本发明至少包括以下有益效果:
第一、本发明基于图像识别和分析技术,实现计算机自动化检测印花织物最小重复单元,据测试,每秒钟将可以检出5幅印花织物图片中的最小重复单元,并且无特殊设备要求,只要将印花织物扫描成图片,存入普通计算机中,通过由我们开发的系统即可完成最小重复单元检测并输出,处理流程大大简化,避免了人工标注图像,节约了人力物力成本;
第二、本发明对比当前市面上已有的技术,我们的产品可以实现受遮挡、织物形变和图像采集中出现干扰等恶劣条件下的印花织物最小重复单元检测,大大降低分色和制版的难度和工作量,检测到的最小重复单元可以适合作为用于构建打印图像检索系统,纹理图像分析系统以及其他打印图像应用的紧凑描述。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的流程框架图;
图2为本发明的像素距离较大时,图像中的关键点、相似的矩形子图的对应图;
图3为本发明的像素距离较小时,图像中的关键点、相似的矩形子图的对应图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
需要说明的是,下述实施方案中所述实验方法,如无特殊说明,均为常规方法,所述试剂和材料,如无特殊说明,均可从商业途径获得。
如图1-3所示,本发明提供一种印花织物图像最小重复单元自动检测方法,包括:
将印花织物扫描成图像,印花织物为印刷制品,具有多个最小重复单元区域(也叫“最小回头”),最小重复单元可以为花纹、文理或其他复杂图案,印花织物表面可能存在褶皱或遮挡物,扫描时需拉伸或移除遮挡物,处理成特征清晰的图像;
在所述图像中人工选定包含若干个像素的矩形区域,通过鼠标拖选矩形区域,选择时尽量主观肉眼判断框选的区域内包括一个最小重复单元,会提高工作效率,如果计算机读取后发现主观判断失误,该矩形区域并不包括一个最小重复单元,也不影响计算机在图像中重新识别最小重复单元,选择至少两个顶点的像素作为关键点,将选择的矩形区域与整个图像做匹配,利用open CV中的simPointDetection函数,每次会得到三个相似点的坐标;
在所述图像中检测与所述矩形区域图像相似的矩形子图,根据最小重复单元的定义,由N个最小重复单元连接一定存在至少N个相似的局部区域,我们将最小重复单元检测问题转化为扫描得到的图像内进行相似的矩形子图像搜索问题,相似是指两个图片将像素用矩阵表示,相同位置上的像素颜色相同,则认为是相同像素,若相同像素占总像素的比例超过一定阈值,则认为两个图片相似,计算机在检测时采用的算法可以为点对点的检测方法如C-PtP,本技术方案中不做限制,并标记矩形子图的关键点,关键点仍为顶点,每一张矩形子图的顶点的具体位置和数量与人工选定的矩形区域的具体位置和数量一致,调节像素距离,像素距离越大,相似的矩形子图越少,关键点的数量越少,像素距离越小,相似的矩形子图越多,关键点的数量越多,当像素距离调节到一定数值时,使图像中的关键点的数量最少,即不能够再间少,剩余的关键点即为相似点;
当相似点数量≥3时,计算机读取任意三个相似点的像素距离并比较,选取3个像素距离之和最小的相似点,最高点和最低点确定两条水平线,最左和最右确定两条垂直线,构成的矩形子图即为最小重复单元;
当相似点数量=2时,两个相似点可能位于同一行或同一列,也可能对角顶点,若两个相似点位于同一行或同一列,两个相似点形成的行向下延伸(因为子图像检索是从上到下,从左向右的顺序)至所述图像边界构成的矩形子图,或两个相似点形成的列向右延伸(因为子图像检索是从上到下,从左向右的顺序)至所述图像边界构成的矩形子图,为最小重复单元,若两个相似点为对角点,扫描得到的整个图像为最小重复单元。
如图2所示,当像素距离较大时,例如选择79,左侧为选中的矩形区域,右侧上部为扫描得到的图像,图像中的关键点被圆圈框选出来,右侧下部为相似的矩形子图,同理,如图3所示,当像素距离较小时,例如选择44,右侧上部图像中的关键点数量显著增多(数量较多,未一一框选),相似的矩形子图也不相同。受织物形变、图像采集等因素的干扰,上述技术方案融入了图像预处理、鲁棒图像表示以及极大值抑制等相关技术,实现计算机自动化检测印花织物最小重复单元,据测试,每秒钟将可以检出5幅印花织物图片中的最小重复单元,并且无特殊设备要求,只要将印花织物扫描成图片,存入普通计算机中,通过由我们开发的系统即可完成最小重复单元检测并输出,处理流程大大简化,避免了人工标注图像,节约了人力物力成本,先找最小重复单元,将多个最小重复单元组合,旋转,拼接,形成大的图案,大大降低分色和制版的难度和工作量,检测到的最小重复单元可以适合作为用于构建打印图像检索系统,纹理图像分析系统以及其他打印图像应用的紧凑描述。
试验证明,我们收集了差不多四百张数字图片(通过网络和一些企业),这些图片包含一些噪音,模糊和光照的影响。正确率大概在96%,检测速度是:0.4秒一张图片(平均速度),准确度是不超过2像素的误差。
在另一种技术方案中,当扫描过程将印花织物的背景一同扫描成初始图像,或者扫描玻璃上有未发现的斑点、覆盖物形成遮挡,或者扫描过程未将印花织物铺平,都会影响后期计算机读取相似矩形子图的准确性,将印花织物扫描成图像还需要对图像进行切割白边、去除遮挡和褶皱的预处理,形成无干扰信息的图像,采用边缘监测,如白色和印花图像的差异较大,可以利用边缘监测技术来出来,便于计算机快速、准确读取相似的矩形子图。
在另一种技术方案中,在所述图像中检测图像相似的矩形子图采用open CV算法实现。OpenCV进行图像相似度对比有多种实现方式,例如直方图方法、图像模板匹配法、PSNR峰值信噪比法、SSIM结构相似性法、感知哈希算法,直方图方法分别计算两幅图像的直方图,并将直方图进行归一化,然后按照某种距离度量的标准进行相似度的测量;图像模板匹配法,适用于源图像与模板图像尺寸不一致的情况,通常需要进行滑动匹配窗口,扫面个整幅图像获得最好的匹配patch,在Open CV中对应的函数为:matchTemplate():函数功能是在输入图像中滑动窗口寻找各个位置与模板图像patch的相似度;PSNR峰值信噪比法基于对应像素点间的误差,即基于误差敏感的图像质量评价;SSIM结构相似性法从亮度、对比度、结构三方面度量图像相似性,SSIM取值范围[0,1],值越大,表示图像失真越小,利用滑动窗将图像分块,令分块总数为N,考虑到窗口形状对分块的影响,采用高斯加权计算每一窗口的均值、方差以及协方差,然后计算对应块的结构相似度SSIM,最后将平均值作为两图像的结构相似性度量,即平均结构相似性MSSIM;感知哈希算法对每张图像生成一个“指纹”(fingerprint)字符串,然后比较不同图像的指纹,结果越接近,就说明图像越相似,包括:缩小尺寸:将图像缩小到8*8的尺寸,总共64个像素,去除图像的细节,只保留结构/明暗等基本信息,摒弃不同尺寸/比例带来的图像差异;简化色彩:将缩小后的图像,转为64级灰度,即所有像素点总共只有64种颜色;计算平均值:计算所有64个像素的灰度平均值;比较像素的灰度:将每个像素的灰度,与平均值进行比较,大于或等于平均值记为1,小于平均值记为0;计算哈希值:将上一步的比较结果,组合在一起,就构成了一个64位的整数,这就是这张图像的指纹;如果不相同的数据位数不超过5,就说明两张图像很相似;如果大于10,就说明这是两张不同的图像。
在另一种技术方案中,使关键点的数量最少采用非极大值抑制算法实现,抑制掉比较小的值,选出比较大的值,抑制的过程是一个迭代-遍历-消除的过程。去除掉距离很近的点,因为部分是重复的,避免干扰结果。
在另一种技术方案中,关键点的数量为2。当关键的数量为2时,可以为矩形区域的同一行或同一列或对角点,输出整幅图片为最小重复单元。
在另一种技术方案中,关键点的数量为3。当关键的数量为3时,可以为矩形区域的任意三个点,其中两个位于同一行或同一列,最高点和最低点确定两条水平线,最左和最右确定两条垂直线。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.印花织物图像最小重复单元自动检测方法,其特征在于,包括:
将印花织物扫描成图像;
在所述图像中人工选定包含若干个像素的矩形区域,选择至少两个顶点的像素作为关键点;
在所述图像中检测与所述矩形区域图像相似的矩形子图,并标记矩形子图的关键点,调节像素距离,使关键点的数量最少,即为相似点;
当相似点数量≥3时,选取3个像素距离之和最小的相似点,构成的矩形子图即为最小重复单元;
当相似点数量=2时,若两个相似点位于同一行或同一列,两个相似点形成的行向下延伸至所述图像边界构成的矩形子图,或两个相似点形成的列向右延伸至所述图像边界构成的矩形子图,为最小重复单元,若两个相似点为对角点,所述图像为最小重复单元。
2.如权利要求1所述的印花织物图像最小重复单元自动检测方法,其特征在于,将印花织物扫描成图像还需要对图像进行切割白边、去除遮挡和褶皱的预处理,形成无干扰信息的图像。
3.如权利要求1所述的印花织物图像最小重复单元自动检测方法,其特征在于,在所述图像中检测图像相似的矩形子图采用open CV算法实现。
4.如权利要求1所述的印花织物图像最小重复单元自动检测方法,其特征在于,使关键点的数量最少采用非极大值抑制算法实现。
5.如权利要求1所述的印花织物图像最小重复单元自动检测方法,其特征在于,关键点的数量为2。
6.如权利要求1所述的印花织物图像最小重复单元自动检测方法,其特征在于,关键点的数量为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811064141.4A CN109165650B (zh) | 2018-09-12 | 2018-09-12 | 印花织物图像最小重复单元自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811064141.4A CN109165650B (zh) | 2018-09-12 | 2018-09-12 | 印花织物图像最小重复单元自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165650A true CN109165650A (zh) | 2019-01-08 |
CN109165650B CN109165650B (zh) | 2022-05-03 |
Family
ID=64894879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811064141.4A Active CN109165650B (zh) | 2018-09-12 | 2018-09-12 | 印花织物图像最小重复单元自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165650B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047558A (zh) * | 2019-11-20 | 2020-04-21 | 深圳市康冠智能科技有限公司 | 图像检测方法、装置、计算机设备以及存储介质 |
CN116362973A (zh) * | 2023-05-24 | 2023-06-30 | 武汉智筑完美家居科技有限公司 | 图案拼接方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257145A (zh) * | 2013-05-16 | 2013-08-21 | 苏州大学 | 一种生丝外观质量的检测方法 |
CN104361554A (zh) * | 2014-10-23 | 2015-02-18 | 中国科学院苏州生物医学工程技术研究所 | 一种基于血管内超声图像的血管外膜自动检测方法 |
-
2018
- 2018-09-12 CN CN201811064141.4A patent/CN109165650B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103257145A (zh) * | 2013-05-16 | 2013-08-21 | 苏州大学 | 一种生丝外观质量的检测方法 |
CN104361554A (zh) * | 2014-10-23 | 2015-02-18 | 中国科学院苏州生物医学工程技术研究所 | 一种基于血管内超声图像的血管外膜自动检测方法 |
Non-Patent Citations (1)
Title |
---|
JIE ZHANG等: "Automatic recognition of the color effect of yarn-dyed fabric by the smallest repeat unit recognition algorithm", 《TEXTILE RESEARCH JOURNAL》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047558A (zh) * | 2019-11-20 | 2020-04-21 | 深圳市康冠智能科技有限公司 | 图像检测方法、装置、计算机设备以及存储介质 |
CN116362973A (zh) * | 2023-05-24 | 2023-06-30 | 武汉智筑完美家居科技有限公司 | 图案拼接方法、设备及存储介质 |
CN116362973B (zh) * | 2023-05-24 | 2023-09-19 | 武汉智筑完美家居科技有限公司 | 图案拼接方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109165650B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
Çelik et al. | Development of a machine vision system: real-time fabric defect detection and classification with neural networks | |
CN101799434B (zh) | 一种印刷图像缺陷检测方法 | |
CN105956515B (zh) | 基于极成像的立体-高光谱人脸识别方法 | |
CN108090494B (zh) | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 | |
CN114820627B (zh) | 一种基于光学手段的纺织品质量检测方法 | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN108364291A (zh) | 基于计算机视觉技术的原坯布快速检测方法 | |
KR101895873B1 (ko) | 직물원단 검단방법 및 장치 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
WO2007089623A2 (en) | Method and system for identifying illumination fields in an image | |
Pan et al. | Automatic detection of the layout of color yarns for yarn-dyed fabric via a FCM algorithm | |
CN105068918B (zh) | 一种页面测试方法及装置 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN110400322A (zh) | 基于颜色和三维几何信息的水果点云分割方法 | |
CN114862855B (zh) | 基于模板匹配的纺织品缺陷检测方法及系统 | |
JP4946878B2 (ja) | 画像識別装置及びプログラム | |
CN108765402A (zh) | 无纺布缺陷检测与分类方法 | |
CN108647706A (zh) | 基于机器视觉的物品识别分类与瑕疵检测方法 | |
CN108009538A (zh) | 一种汽车发动机缸体序列号智能识别方法 | |
Xin et al. | Investigation on the classification of weave pattern based on an active grid model | |
CN109540925A (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN109165650A (zh) | 印花织物图像最小重复单元自动检测方法 | |
CN109211918A (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN110009615A (zh) | 图像角点的检测方法及检测装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 222006 No. 59 Cangwu Road, Haizhou District, Lianyungang City, Jiangsu Province Applicant after: Jiangsu Ocean University Address before: 222023 No. 59, Cangwu Road, Haizhou District, Lianyungang City, Jiangsu Province Applicant before: HUAIHAI INSTITUTE OF TECHNOLOGY |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |