CN110349131A - 一种色纺织物颜色差异性检测方法 - Google Patents

Abstract

本发明属于图像处理技术领域，涉及一种色纺织物颜色差异性检测方法，广泛应用于颜色分析，色纺工艺，模式识别，智能化检测与分析等领域。本发明首先对图像进行分块及色彩空间转换预处理，再对HSV与YUV两种色彩空间中具有相同属性的分量进行提取和融合，得到每一块图像中的局部颜色特征和局部纹理特征，最后将对应分块区域一一求取颜色差异性。本方法不仅有效地融合了两种颜色空间的色彩刻画能力，能对不同程度的颜色改变进行有效表征，并且具有理想的鲁棒性和广泛的适用性。

Description

一种色纺织物颜色差异性检测方法

技术领域

本发明涉及一种色纺织物颜色差异性检测方法，属于图像处理技术领域，建立的颜色表征模型能对色纺织物颜色差异性进行有效表征。

背景技术

色纺面料染色纤维分布复杂、多样且无规律性，很难对其呈色进行准确描述。在色纺面料的设计、开发和生产过程中，企业凭借人工的经验和反复的目测来达到目标色，不仅效率低、精度差，且耗费人力难以得到准确的结果。需要科学的颜色分析和表征模型，颜色差异性评价方法能精确地表征颜色间的差异度。

不同颜色空间具有不同的颜色刻画能力，单一颜色空间对复杂颜色模型表征也有局限性，也并不存在一个能够全面、准确表征全部颜色模式的色彩空间。无论是单一颜色空间还是混合颜色空间，都是通过颜色特征来统计其空间分布的特性，即能表征颜色的颜色特征和纹理特征。

常用的颜色特征提取的方法是颜色直方图，颜色矩。颜色直方图是在许多图像检索系统中被广泛采用的颜色特征，它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色矩是一种简单有效的颜色特征表示方法，由于颜色信息主要分布于低阶矩中，所以用一阶矩，二阶矩和三阶矩足以表达图像的颜色分布，颜色矩已证明可有效地表示图像中的颜色分布。

常用的纹理特征提取的方法有很多，分为统计法、结构法、频谱法和模型法。统计法方法简单，易于实现，尤其是灰度共生矩阵方法有较强的适应性与鲁棒性，但其复杂度较高，制约了实际应用。结构法强调纹理的规律性，然而实际上大多数纹理是不规则的，所以其应用受到很大程度的限制。频谱法多适用于规则的纹理，且计算量较大。模型法主要是通过模型系数来标识纹理特征，但参数调节不方便，模型系数的求解有难度。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种色纺织物颜色差异性检测方法，其特征在于，包括以下步骤：

步骤1：获取色纺织物图像；

步骤2：基于matlab中把色纺织物图像从RGB色彩空间分别转换到HSV色彩空间和YUV色彩空间，得到HSV色彩空间的图像和YUV色彩空间的图像；

步骤3：将转换后得到的HSV色彩空间的图像和YUV色彩空间的图像分别进行分块处理，统一分块为N*M块，并依次编号；

步骤4：针对每个分块提取其色彩空间的局部颜色特征和局部纹理特征；包括以下子步骤：

步骤4.1：局部颜色特征提取采用颜色矩的方法，可以有效地表征图像颜色信息，颜色矩公式如下：

式中，C₁是一阶颜色矩，C₂是二阶颜色矩，C₃是三阶颜色矩，W,H分别是图像的宽度和高度，P(i,j)是位置(i,j)处像素的颜色信息；

分别计算HSV色彩空间中的H分量C_HSV-H(a,b,c)、YUV色彩空间中的U分量C_YUV-U(a,b,c)所对应的三个低阶颜色矩；

步骤4.2：将得到的H分量和U分量的三阶矩进行融合得到混合色彩空间色调分量的三阶矩，融合公式如下：

C_MIX(a,b,c)＝w×C_HSV-H(a,b,c)+(1-w)×C_YUV-U(a,b,c) 式4.4

步骤4.3：基于颜色矩公式分别计算HSV色彩空间中的S分量C_HSV-S(a,b,c)、YUV色彩空间中的V分量C_YUV-V(a,b,c)所对应的颜色矩，将这两个分量的三阶矩进行融合得到混合色彩空间饱和度分量的三阶矩，最终将获得的色调分量和饱和度分量作为混合颜色特征向量；

步骤4.4：重复步骤4.1-步骤4.3分别提取其他N*M-1个部分的混合颜色特征向量，最终得到N*M个分块的局部颜色特征向量；

步骤4.5：为了避免受到色调分量和饱和度分量的干扰，选择在独立亮度分量通道中提取纹理特征，首先在HSV色彩空间中的V分量通道中利用LBP算子提取伪灰度图像，再对得到的伪灰度图像，利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，利用从共生矩阵导出的一些能够反映矩阵状况的参数如下：

其中E_ASM为角二阶矩，反映了图像灰度分布均匀程度和纹理粗细度；H_ENT为熵，反映了图像中纹理的非均匀程度或复杂程度；I_CON为对比度，反映了图像的清晰度和纹理沟纹深浅的程度；C_COR为相关性，度量空间灰度共生矩阵元素在行或列方向上的相似性；式中P(i.j)为像素值空间位置，k为像素灰度级，U_i,U_j,定义如下：

最后得到一个四维的纹理特征向量F_HSV-V；

步骤4.6：在YUV色彩空间中的Y分量通道中利用LBP算子提取伪灰度图像，再对得到的伪灰度图像，利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，求得角二阶矩、熵、对比度和相关性，最后得到纹理特征向量F_YUV-Y，将特征向量F_HSV-V和F_YUV-Y进行融合得到混合纹理特征向量，融合公式如下：

F_MIX＝η×F_HSV-V+(1-η)×F_YUV-Y 式4.13

步骤4.7：重复步骤4.5-步骤4.6分别提取其他N*M-1个部分的混合纹理特征向量，最终得到N*M个分块的局部纹理特征向量；

步骤5：重复步骤1-步骤4计算不同样本的N*M个分块的局部颜色特征向量和局部纹理特征向量；

步骤6：计算不同样本之间的颜色差异性，如上述，得到不同样本的N*M个分块的局部颜色特征向量和局部纹理特征向量，在不同样本的相同编号的分块区分别求得局部颜色特征差异度和局部纹理特征差异度，选取欧几里得度量公式如下：

式中x_i,y_i表示不同样本的特征向量值，d(x,y)表示不同样本间的特征差异度；

得到8个分块的局部颜色特征差异度C_Div(i),(i＝1,2,3,......,N*M)和局部纹理特征差异度V_Div(i),(i＝1,2,3,......,N*M)，且提取的颜色特征与纹理特征是独立的，采用特征融合策略对各独立特征进行融合，特征融合公式如下：

S_Div(i)＝μ×C_Div(i)+(1-μ)×V_Div(i),(i＝1,2,3,......,N*M) 式5.2

最后求取S_Div(i),(i＝1,2,3,......,N*M)的平均值S_Div，即为样本的颜色差异度值；

步骤6：将利用本发明方法求得的样本间的颜色差异度值，进行归一化并做相应拟合曲线图，归一化公式如下：

式中x_min为数组最小值，x_max为数组最大值。

因此，本发明具有如下优点：能够充分融合两种颜色空间的色彩刻画能力，对于针织物和机织物具有普适性，不仅能够对较大范围的颜色差异进行有效表征，对于细微的颜色差异也能准确表达，具有理想的鲁棒性和广泛的适用性。

附图说明

附图1是本发明的方法流程示意图。

附图2是本发明的图像分块示意图。

附图3是本发明的伪灰度图像。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

本发明包括以下步骤：

步骤1：获取色纺织物图像；

步骤2：在matlab中把色纺织物图像从RGB色彩空间分别转换到HSV色彩空间和YUV色彩空间，得到HSV色彩空间的图像和YUV色彩空间的图像；

步骤3：将转换后得到的HSV色彩空间的图像和YUV色彩空间的图像分别进行分块处理，统一分块为N*M块，并依次编号；

步骤4：针对每个分块提取其色彩空间的局部颜色特征和局部纹理特征；包括以下子步骤：

步骤4.1：局部颜色特征提取采用颜色矩的方法，可以有效地表征图像颜色信息，颜色矩公式如下：

式中，C₁是一阶颜色矩，C₂是二阶颜色矩，C₃是三阶颜色矩，W,H分别是图像的宽度和高度，P(i,j)是位置(i,j)处像素的颜色信息；

分别计算HSV色彩空间中的H分量C_HSV-H(a,b,c)、YUV色彩空间中的U分量C_YUV-U(a,b,c)所对应的三个低阶颜色矩；

步骤4.2：将得到的H分量和U分量的三阶矩进行融合得到混合色彩空间色调分量的三阶矩，融合公式如下：

C_MIX(a,b,c)＝w×C_HSV-H(a,b,c)+(1-w)×C_YUV-U(a,b,c) 式4.4

步骤4.3：基于颜色矩公式分别计算HSV色彩空间中的S分量C_HSV-S(a,b,c)、YUV色彩空间中的V分量C_YUV-V(a,b,c)所对应的颜色矩，将这两个分量的三阶矩进行融合得到混合色彩空间饱和度分量的三阶矩，最终将获得的色调分量和饱和度分量作为混合颜色特征向量；

步骤4.4：重复步骤4.1-步骤4.3分别提取其他N*M-1个部分的混合颜色特征向量，最终得到N*M个分块的局部颜色特征向量；

步骤4.5：为了避免受到色调分量和饱和度分量的干扰，选择在独立亮度分量通道中提取纹理特征，首先在HSV色彩空间中的V分量通道中利用LBP算子提取伪灰度图像，再对得到的伪灰度图像，利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，利用从共生矩阵导出的一些能够反映矩阵状况的参数如下：

其中E_ASM为角二阶矩，反映了图像灰度分布均匀程度和纹理粗细度；H_ENT为熵，反映了图像中纹理的非均匀程度或复杂程度；I_CON为对比度，反映了图像的清晰度和纹理沟纹深浅的程度；C_COR为相关性，度量空间灰度共生矩阵元素在行或列方向上的相似性；式中P(i.j)为像素值空间位置，k为像素灰度级，U_i,U_j,定义如下：

最后得到一个四维的纹理特征向量F_HSV-V；

步骤4.6：在YUV色彩空间中的Y分量通道中利用LBP算子提取伪灰度图像，再对得到的伪灰度图像，利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，求得角二阶矩、熵、对比度和相关性，最后得到纹理特征向量F_YUV-Y，将特征向量F_HSV-V和F_YUV-Y进行融合得到混合纹理特征向量，融合公式如下：

F_MIX＝η×F_HSV-V+(1-η)×F_YUV-Y 式4.13

步骤4.7：重复步骤4.5-步骤4.6分别提取其他N*M-1个部分的混合纹理特征向量，最终得到N*M个分块的局部纹理特征向量；

步骤5：重复步骤1-步骤4计算不同样本的N*M个分块的局部颜色特征向量和局部纹理特征向量；

步骤6：计算不同样本之间的颜色差异性，如上述，得到不同样本的N*M个分块的局部颜色特征向量和局部纹理特征向量，在不同样本的相同编号的分块区分别求得局部颜色特征差异度和局部纹理特征差异度(这里的颜色差异性是在不同的两个样本间求的，如样本1和样本2之间的差异性，然后分块求是样本1里编号为1的区域和样本2里编号为1的区域的差异性，再接着求编号为2，3···N*M的区域。)，选取欧几里得度量公式如下：

式中x_i,y_i表示不同样本的特征向量值，d(x,y)表示不同样本间的特征差异度；

得到8个分块的局部颜色特征差异度C_Div(i),(i＝1,2,3,......,N*M)和局部纹理特征差异度V_Div(i),(i＝1,2,3,......,N*M)，且提取的颜色特征与纹理特征是独立的，采用特征融合策略对各独立特征进行融合，特征融合公式如下：

S_Div(i)＝μ×C_Div(i)+(1-μ)×V_Div(i),(i＝1,2,3,......,N*M) 式5.2

最后求取S_Div(i),(i＝1,2,3,......,N*M)的平均值S_Div，即为样本的颜色差异度值；

步骤6：将利用本发明方法求得的样本间的颜色差异度值，进行归一化并做相应拟合曲线图，归一化公式如下：

式中x_min为数组最小值，x_max为数组最大值。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种色纺织物颜色差异性评价方法，其特征在于，包括以下步骤：

步骤1：获取色纺织物图像；

步骤2：基于matlab中把色纺织物图像从RGB色彩空间分别转换到HSV色彩空间和YUV色彩空间，得到HSV色彩空间的图像和YUV色彩空间的图像；

步骤3：将转换后得到的HSV色彩空间的图像和YUV色彩空间的图像分别进行分块处理，统一分块为N*M块，并依次编号；

步骤4：针对每个分块提取其色彩空间的局部颜色特征和局部纹理特征；包括以下子步骤：

步骤4.1：局部颜色特征提取采用颜色矩的方法，可以有效地表征图像颜色信息，颜色矩公式如下：

式中，C₁是一阶颜色矩，C₂是二阶颜色矩，C₃是三阶颜色矩，W,H分别是图像的宽度和高度，P(i,j)是位置(i,j)处像素的颜色信息；

分别计算HSV色彩空间中的H分量C_HSV-H(a,b,c)、YUV色彩空间中的U分量C_YUV-U(a,b,c)所对应的三个低阶颜色矩；

步骤4.2：将得到的H分量和U分量的三阶矩进行融合得到混合色彩空间色调分量的三阶矩，融合公式如下：

C_MIX(a,b,c)＝w×C_HSV-H(a,b,c)+(1-w)×C_YUV-U(a,b,c) 式4.4

步骤4.3：基于颜色矩公式分别计算HSV色彩空间中的S分量C_HSV-S(a,b,c)、YUV色彩空间中的V分量C_YUV-V(a,b,c)所对应的颜色矩，将这两个分量的三阶矩进行融合得到混合色彩空间饱和度分量的三阶矩，最终将获得的色调分量和饱和度分量作为混合颜色特征向量；

步骤4.4：重复步骤4.1-步骤4.3分别提取其他N*M-1个部分的混合颜色特征向量，最终得到N*M个分块的局部颜色特征向量；

步骤4.5：为了避免受到色调分量和饱和度分量的干扰，选择在独立亮度分量通道中提取纹理特征，首先在HSV色彩空间中的V分量通道中利用LBP算子提取伪灰度图像，再对得到的伪灰度图像，利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，利用从共生矩阵导出的一些能够反映矩阵状况的参数如下：

其中E_ASM为角二阶矩，反映了图像灰度分布均匀程度和纹理粗细度；H_ENT为熵，反映了图像中纹理的非均匀程度或复杂程度；I_CON为对比度，反映了图像的清晰度和纹理沟纹深浅的程度；C_COR为相关性，度量空间灰度共生矩阵元素在行或列方向上的相似性；式中P(i.j)为像素值空间位置，k为像素灰度级，U_i,U_j,定义如下：

最后得到一个四维的纹理特征向量F_HSV-V；

步骤4.6：在YUV色彩空间中的Y分量通道中利用LBP算子提取伪灰度图像，再对得到的伪灰度图像，利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，求得角二阶矩、熵、对比度和相关性，最后得到纹理特征向量F_YUV-Y，将特征向量F_HSV-V和F_YUV-Y进行融合得到混合纹理特征向量，融合公式如下：

F_MIX＝η×F_HSV-V+(1-η)×F_YUV-Y 式4.13

步骤4.7：重复步骤4.5-步骤4.6分别提取其他N*M-1个部分的混合纹理特征向量，最终得到N*M个分块的局部纹理特征向量；

步骤5：重复步骤1-步骤4计算不同样本的N*M个分块的局部颜色特征向量和局部纹理特征向量；

步骤6：计算不同样本之间的颜色差异性，如上述，得到不同样本的N*M个分块的局部颜色特征向量和局部纹理特征向量，在不同样本的相同编号的分块区分别求得局部颜色特征差异度和局部纹理特征差异度，选取欧几里得度量公式如下：

式中x_i,y_i表示不同样本的特征向量值，d(x,y)表示不同样本间的特征差异度；

得到8个分块的局部颜色特征差异度C_Div(i),(i＝1,2,3,......,N*M)和局部纹理特征差异度V_Div(i),(i＝1,2,3,......,N*M)，且提取的颜色特征与纹理特征是独立的，采用特征融合策略对各独立特征进行融合，特征融合公式如下：

S_Div(i)＝μ×C_Div(i)+(1-μ)×V_Div(i),(i＝1,2,3,......,N*M) 式5.2

最后求取S_Div(i),(i＝1,2,3,......,N*M)的平均值S_Div，即为样本的颜色差异度值；

步骤6：将利用本发明方法求得的样本间的颜色差异度值，进行归一化并做相应拟合曲线图，归一化公式如下：

式中x_min为数组最小值，x_max为数组最大值。