CN110070532A - 基于三维图像与二维图像特征结合的织物平整度评价方法 - Google Patents
基于三维图像与二维图像特征结合的织物平整度评价方法 Download PDFInfo
- Publication number
- CN110070532A CN110070532A CN201910325894.4A CN201910325894A CN110070532A CN 110070532 A CN110070532 A CN 110070532A CN 201910325894 A CN201910325894 A CN 201910325894A CN 110070532 A CN110070532 A CN 110070532A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional image
- fabric
- variance
- obtains
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明属于织物外观平整度评定技术领域,涉及基于三维图像与二维图像特征结合的织物平整度评价方法。所述的方法步骤如下:第一步,分别采集标准模板及织物样本的二维图像和三维图像,获取其灰度信息和深度信息;第二步,对采集所得二维图像和三维图像分别进行预处理;第三步,对预处理所得图像按照行和列进行曲面分割;第四步,求解曲线方差,提取方差特征,组成多维特征向量;第五步,采用支持向量机对织物平整度等级进行预测,获得客观评价结果。本发明将二维图像灰度信息和三维图像深度信息进行结合,避免单一维度图像在表征织物平整度方面的不足,并将曲面的平整度问题转化为更易求解的曲线弯曲程度问题,得到的结果更加直观、可靠。
Description
技术领域
本发明属于织物外观平整度评定技术领域,涉及基于三维图像与二维图像特征结合的织物平整度评价方法。
背景技术
织物在洗涤及使用过程中会受到外力作用产生形变形成褶皱。在纺织品质量控制与贸易的过程中,纺织品的外观性能是一个极为重要的指标,而织物的平整度又对纺织品的外观性能产生直接影响,因此建立一套准确、稳定的织物平整度评定系统,帮助改善纺织品的外观性能是十分有必要的。
对于织物平整度等级的评定,目前主要采用主观评定方法,即标样对照法。上述方法是以美国AATCC-124标准样卡或中国GB/13796-2009标准样卡为参考模板,在标准环境下,将试样与标准样卡进行视觉对照,从而得到评定结果。此方法较为快速便捷,但是由于人工评定易受主观因素及环境的影响,评定结果精度低,再现性差。从20世纪90年代开始,国内外研究学者开始利用图像处理技术来评价织物的平整度,大多对织物二维图像或三维图像进行图像分析,如傅里叶变换、小波变换、灰度共生矩阵等,提取织物褶皱特征,以此表征织物的平整度等级。上述特征在一定程度上能够对织物的褶皱信息做出正确表征,但是准确度仍有待提高,因此将织物二维信息与三维信息相结合,可获得更多织物表面信息来表征织物外观性能。
发明内容
本发明目的是提供一种接近人类视觉感官的织物平整度自动评价系统,以提高对织物平整度评价的效率,本发明提供了一种基于三维图像与二维图像特征结合的织物平整度评价方法,避免了人工评级带来的主观误差。
本发明的技术方案如下:
基于二维图像与三维图像特征结合的织物平整度评价方法,步骤如下:
第一步,在标准图像采集环境下采集样本数据;
对同一样本,分别采用侧面光采集装置与双目立体视觉装置采集其二维图像和三维图像,得到二维图像的灰度信息及三维图像的深度信息。
第二步,对采集所得图像进行预处理;
所述对图像进行预处理的步骤,包括:
2.1分别对步骤1所得二维图像和三维图像进行裁剪,去除图像背景信息,得到像素尺寸为m×n的图像,对裁剪后的二维图像和三维图像分别进行降噪处理;
2.2对降噪处理后的二维图像进行均衡化处理,得到亮度均衡的二维图像;
2.3对亮度均衡的二维图像灰度值进行归一化。
第三步,对图像曲面进行分割,得到一组曲线;
所述对图像曲面进行分割的步骤,包括:
对步骤2.3所得二维图像,分别提取其每行和每列的灰度值信息,得到一组 (m+n条)灰度值曲线;
对步骤2去除图像背景信息后的三维图像,分别提取其每行和每列的深度值信息,得到一组(m+n条)深度值曲线;
第四步,对步骤3所得曲线进行特征提取;
所述对曲线进行特征提取的步骤,包括:
对上述所得m+n条灰度值曲线,分别求其方差,得到一包含m+n个方差值的行向量;对上述由各曲线方差组成的行向量,分别求其均值A1,方差D1及中位数M1;
对上述所得m+n条深度值曲线执行相同的操作,得到其均值A2,方差D2,及中位数M2;
将二维图像与三维图像的特征值组成特征向量,得到一个包含6属性特征向量T,T=[A1,D1,M1,A2,D2,M2];
其中,均值A、方差D、中位数M分别按下述方法计算:
设各曲线方差组成的行向量为v=[x1,x2,x3...xm+n],则
M:将向量v按照数值大小等分成n份,n为奇数,则每份数据的间隔划分的n个区间分别为[Amin,Amin+t],[Amin+t,Amin+2t],……[Amin+(n-1)t, Amax],统计第组(中间组)数据的平均值即为向量v的中位数。
第五步,采用支持向量机对织物平整度等级进行预测。
通过对织物平整度标准模板及织物样本执行步骤1至步骤4提取其褶皱特征,组成包含6属性特征向量T的集合。以标准模板以及若干已知平整度等级织物样本的特征向量作为训练集,训练支持向量机模型,其余织物样本的特征向量集作为测试集,得到支持向量机的预测结果。
本发明的有益成果:
本发明提供一种基于三维图像与二维图像特征结合的织物平整度评价方法,弥补了单一灰度信息或单一深度信息在表征图像平整度方面的不足。此外,本发明提供方法将曲面的平整度问题转换为更易求解的曲线弯曲程度问题,结果更加直观、可靠。
附图说明
图1是本发明方法技术路线示意图。
图2是三维图像曲面分割示意图。
图3是方差分布示意图。
具体实施方式
以下结合具体实施例,并参照附图,对本发明进一步详细说明。
图1是本发明实施例的基于三维图像与二维图像特征结合的织物平整度评级技术路线示意图,如图1所示,该方法包括:
步骤一:在标准图像采集环境下采集样本数据
对同一样本,分别采用侧面光采集装置与双目立体视觉装置采集其二维图像和三维图像,得到二维图像的灰度信息及三维图像的深度信息。
步骤二:对采集所得图像进行预处理
首先,对采集所得二维图像和三维图像进行裁剪,本实施例中将其裁剪至像素大小为800×800的图像,去除图像背景信息并进行降噪处理,二维图像进行均衡化、归一化处理。
由于本实施例中二维图像的采集过程使用单侧打光,采集所得图像亮度不均衡,靠近光源一侧亮度很高,远离光源一侧亮度很低,因此须对织物进行亮度均衡化处理;此外,二维图像灰度值的变化范围较大,而三维图像深度值变化范围很小,不同量级数据所得方差差别很大,对数据后续处理造成困难,因此须对灰度值进行归一化,方便后续数据处理。
步骤三:对图像进行曲面分割,得到一组曲线。
对二维图像分别提取每行和每列的灰度值信息,得到一组(800+800条)灰度值曲线;
对三维图像分别提取每行和每列的深度值信息,得到一组(1600条)深度值曲线。
3维图像曲面分割如图2所示,图中虚线代表对图像当前行进行分割。依次对3维图像曲面每行及每列进行分割,提取深度信息。
步骤四:对步骤3所得曲线进行特征提取
首先,对上述所得1600条灰度值曲线,分别求其方差,得到一包含1600 个方差值的行向量。对上述由各曲线方差组成的行向量,分别求其均值A1,方差D1及中位数M1。
对上述所得1600条深度值曲线执行相同的操作,得到其均值A2,方差D2,及中位数M2;
将二维图像与三维图像的特征值组成特征向量,得到一个包含6属性特征向量T,T=[A1,D1,M1,A2,D2,M2];
以灰度值信息的方差为例,对中位数M求解过程进行说明。在本实施例中,将方差向量v按照由小到大分成了21份,其分布示意图如图3所示,统计第11 组中数据的平均值即可得到向量v的中位数。设第十一组数据个数为N,则其中xi为十一组中第i个数。在本实施例中,第十一组方差中N=108, M=0.0253。
在数字图像分析方法中,数理统计是人们分析图像特征一种常用的工具,理论上,随着模板由SA-1到SA-5褶皱等级的降低,特征曲线方差的均值、中位数、方差也越小,因此可以根据上述所得的6属性特征向量T来评定样本的褶皱等级。
步骤五:采用支持向量机对织物平整度等级进行预测
本实施例共采用包括标准模板在内的345组实验样本,取其中70%作为训练样本,其余30%作为测试样本。首先对上述345块实验样本执行步骤1至步骤4,提取训练样本的褶皱特征向量组成训练集,训练支持向量机模型,提取测试样本的特征向量组成测试集,用于验证支持向量机的预测效果,并将预测结果与专家评级结果进行比较,得出主客观相关系数。结果表明,本实施例采用的方法分类正确率可达92.31%。
本发明提供的方法能够对二维图像和三维图像的信息进行融合,通过定量的方法将图像的灰度信息与深度信息相结合,弥补了单一维度图像在表征图像平整度方面的不足。此外,本发明提供方法将曲面的平整度问题转换为更易求解的曲线弯曲程度问题,结果更加直观、可靠。
Claims (2)
1.基于二维图像与三维图像特征结合的织物平整度评价方法,其特征在于,步骤如下:
第一步,在标准图像采集环境下采集样本数据;
对同一样本,分别采用侧面光采集装置与双目立体视觉装置采集其二维图像和三维图像,得到二维图像的灰度信息及三维图像的深度信息;
第二步,对采集所得图像进行预处理;
所述对图像进行预处理的步骤,包括:
2.1分别对步骤1所得二维图像和三维图像进行裁剪,去除图像背景信息,得到像素尺寸为m×n的图像,对裁剪后的二维图像和三维图像分别进行降噪处理;
2.2对降噪处理后的二维图像进行均衡化处理,得到亮度均衡的二维图像;
2.3对亮度均衡的二维图像灰度值进行归一化;
第三步,对图像曲面进行分割,得到一组曲线;
所述对图像曲面进行分割的步骤,包括:
对步骤2.3所得二维图像,分别提取其每行和每列的灰度值信息,得到一组m+n条灰度值曲线;
对步骤2去除图像背景信息后的三维图像,分别提取其每行和每列的深度值信息,得到一组m+n条深度值曲线;
第四步,对步骤3所得曲线进行特征提取;
所述对曲线进行特征提取的步骤,包括:
对上述所得m+n条灰度值曲线,分别求其方差,得到一包含m+n个方差值的行向量;对上述由各曲线方差组成的行向量,分别求其均值A1,方差D1及中位数M1;
对上述所得m+n条深度值曲线执行相同的操作,得到其均值A2,方差D2,及中位数M2;
将二维图像与三维图像的特征值组成特征向量,得到一个包含6属性特征向量T,T=[A1,D1,M1,A2,D2,M2];
第五步,采用支持向量机对织物平整度等级进行预测;
通过对织物平整度标准模板及织物样本执行步骤一至步骤四提取其褶皱特征,组成包含6属性特征向量T的集合;以标准模板以及已知平整度等级织物样本的特征向量作为训练集,训练支持向量机模型,其余织物样本的特征向量集作为测试集,验证支持向量机的预测结果。
2.如权利要求1所述基于二维图像与三维图像特征结合的织物平整度评价方法,其特征在于,第四步中,所述的均值A、方差D、中位数M分别按下述方法计算:
设各曲线方差组成的行向量为v=[x1,x2,x3...xm+n],则
将向量v按照数值大小等分成n份,n为奇数,则每份数据的间隔划分的n个区间分别为[Amin,Amin+t],[Amin+t,Amin+2t],……[Amin+(n-1)t,Amax],统计第组数据的平均值即为向量v的中位数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325894.4A CN110070532B (zh) | 2019-04-23 | 2019-04-23 | 基于三维图像与二维图像特征结合的织物平整度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325894.4A CN110070532B (zh) | 2019-04-23 | 2019-04-23 | 基于三维图像与二维图像特征结合的织物平整度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070532A true CN110070532A (zh) | 2019-07-30 |
CN110070532B CN110070532B (zh) | 2023-06-27 |
Family
ID=67368313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325894.4A Active CN110070532B (zh) | 2019-04-23 | 2019-04-23 | 基于三维图像与二维图像特征结合的织物平整度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070532B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899230A (zh) * | 2020-07-15 | 2020-11-06 | 重庆大学 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
CN112488178A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、图像处理方法及装置、设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1523352A (zh) * | 2003-09-12 | 2004-08-25 | 东华大学 | 织物平整度等级客观评定方法 |
CN102288613A (zh) * | 2011-05-11 | 2011-12-21 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
CN109238182A (zh) * | 2018-10-08 | 2019-01-18 | 江南大学 | 一种基于傅里叶频谱特征的织物平整度客观评级方法 |
-
2019
- 2019-04-23 CN CN201910325894.4A patent/CN110070532B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1523352A (zh) * | 2003-09-12 | 2004-08-25 | 东华大学 | 织物平整度等级客观评定方法 |
CN102288613A (zh) * | 2011-05-11 | 2011-12-21 | 北京科技大学 | 一种灰度和深度信息融合的表面缺陷检测方法 |
CN109238182A (zh) * | 2018-10-08 | 2019-01-18 | 江南大学 | 一种基于傅里叶频谱特征的织物平整度客观评级方法 |
Non-Patent Citations (1)
Title |
---|
徐平华等: "洗后织物外观平整度客观评级中的若干问题", 《纺织学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899230A (zh) * | 2020-07-15 | 2020-11-06 | 重庆大学 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
CN111899230B (zh) * | 2020-07-15 | 2023-11-17 | 重庆大学 | 基于钢铸坯低倍组织三维特征的质量量化及自动多级评判方法 |
CN112488178A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、图像处理方法及装置、设备 |
CN112488178B (zh) * | 2020-11-26 | 2022-07-26 | 推想医疗科技股份有限公司 | 网络模型的训练方法及装置、图像处理方法及装置、设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110070532B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657279B (zh) | 一种基于少量样本的遥感目标检测方法 | |
CN104680144B (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
CN105678767B (zh) | 一种基于SoC软硬件协同设计的布匹表面瑕疵检测方法 | |
WO2021082480A1 (zh) | 一种图像分类的方法及相关装置 | |
CN105913456A (zh) | 基于区域分割的视频显著性检测方法 | |
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 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN109376787B (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
Zhang et al. | A review of fabric identification based on image analysis technology | |
CN106530288A (zh) | 基于深度学习算法的织物疵点检测方法 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN110175951A (zh) | 基于时域一致性约束的视频风格迁移方法 | |
CN109325513B (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
CN110728302A (zh) | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 | |
CN113793319B (zh) | 基于类别约束字典学习模型的织物图像瑕疵检测方法及系统 | |
CN110070532A (zh) | 基于三维图像与二维图像特征结合的织物平整度评价方法 | |
CN109238182A (zh) | 一种基于傅里叶频谱特征的织物平整度客观评级方法 | |
CN111724376B (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN112818850A (zh) | 基于渐进式神经网络和注意力机制的跨姿态人脸识别方法 | |
CN106529544A (zh) | 一种基于无监督机器学习的织物平整度客评定方法及装置 | |
CN116402769A (zh) | 一种兼顾大小目标的高精度纺织品瑕疵智能检测方法 | |
CN108038467B (zh) | 一种镜像图与粗细层次结合的稀疏人脸识别方法 | |
Zhang et al. | An overview of the application of image processing technology for yarn hairiness evaluation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |