CN111428814A - 一种混纺纱颜色自动识别匹配方法 - Google Patents
一种混纺纱颜色自动识别匹配方法 Download PDFInfo
- Publication number
- CN111428814A CN111428814A CN202010300239.6A CN202010300239A CN111428814A CN 111428814 A CN111428814 A CN 111428814A CN 202010300239 A CN202010300239 A CN 202010300239A CN 111428814 A CN111428814 A CN 111428814A
- Authority
- CN
- China
- Prior art keywords
- color
- blended yarn
- distance
- channel
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种混纺纱颜色自动识别匹配方法,包括以下步骤:(1)、采集混纺纱的RGB图像,并以每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩作为该颜色通道的特征;(2)、将采集的混纺纱的RGB图像变换至HSV颜色空间,得到混纺纱RGB图像中R、G、B三个颜色分别在HSV颜色空间中的色度通道、饱和度通道、纯度通道的特征;(3)、采用LBP等价模式算子提取局部纹理特征向量;(4)、采用卡方距离度量待识别的混纺纱与任意一个已有的混纺纱之间颜色的相似性。本发明可有效识别匹配颜色对应的混纺纱,实现混纺纱图像的高效识别。
Description
技术领域
本发明涉及图像识别方法领域,具体是一种混纺纱颜色自动识别匹配方法。
背景技术
在色纺工厂中,传统的客户定制混纺纱业务需要专业人员肉眼对比颜色来确定客户需要混纺纱的颜色在自家厂房的色库里的型号,再通过型号去找配方,需要大量从业人员费时费力的去对比,成本较高且容易出错。
现有技术中,公开号为CN110706294A的中国专利:一种色纺织物颜色差异度检测方法,其可实现检测颜色差异度,但是并未实现自动匹配方法。公开号为CN201910853886.7的中国专利:一种基于HSV和Lab颜色空间的色纺织物组织识别的方法,采用了监督识别的模式识别方法,如SVM支持向量机,需要大量标注数据进行监督训练,而工厂数据库中描述一副色号的色纺纱图像一般只有一到两张,其SVM的方案不适用于样本数量很少的混纺纱自动识别。
发明内容
本发明的目的是提供一种混纺纱颜色自动识别匹配方法,以解决现有技术存在的问题。
为了达到上述目的,本发明所采用的技术方案为:
一种混纺纱颜色自动识别匹配方法,其特征在于:包括以下步骤:
(1)、采集混纺纱的RGB图像,并建立混纺纱RGB图像空间中在R、G、B三个颜色通道中每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩,并以每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩作为该颜色通道的特征,所述混纺纱包括待识别的混纺纱和已有的混纺纱;
(2)、将采集的混纺纱的RGB图像变换至HSV颜色空间,得到混纺纱RGB图像中R、G、B三个颜色分别在HSV颜色空间中的色度通道、饱和度通道、纯度通道的特征,并以步骤(1)得到的特征和步骤(2)得到的特征共同构建十八维的颜色特征向量;
(3)、采用LBP等价模式算子,对RGB图像和HSV图像进行处理,提取局部纹理特征向量;
(4)、采用卡方距离度量待识别的混纺纱与任意一个已有的混纺纱之间颜色的相似性,得到与待识别混纺纱颜色最相似的已有的混纺纱,实现待识别混纺纱与已有的混纺纱的颜色匹配。
所述的一种混纺纱颜色自动识别匹配方法,其特征在于:步骤(1)中,混纺纱RGB图像空间中,每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩的建立如下公式所示:
上述公式中,N代表像素个数,i表示颜色通道,j表示颜色通道i的分量灰度,Pij表示RGB图像中第i个颜色通道分量灰度为j的像素出现的概率,Ei表示颜色通道i的颜色距的一阶矩,σi表示颜色通道i的颜色距的二阶矩,Mi表示颜色通道i的颜色距的三阶矩。
所述的一种混纺纱颜色自动识别匹配方法,其特征在于:步骤(2)中,设混纺纱RGB图像的R、G、B三个颜色中每个颜色在HSV颜色空间中的坐标为(r,g,b),其中r是每个颜色的红色坐标值,g是每个颜色的绿色坐标值,b是每个颜色的蓝色坐标值,r、g、b的值是在0到1之间的实数;同时设max等于(r,g,b)三者中的最大者,min等于(r,g,b)三者中的最小者,则有:
v=max
其中,h是混纺纱RGB图像中每个颜色在HSV颜色空间中的色度通道的特征,s是混纺纱RGB图像中每个颜色在HSV颜色空间中的饱和度通道的特征,v是混纺纱RGB图像中每个颜色在HSV颜色空间中的纯度通道的特征。
所述的一种混纺纱颜色自动识别匹配方法,其特征在于:步骤(4)中,采用卡方距离对待识别的混纺纱与任意一个已有的混纺纱之间颜色特征、纹理特征分别做相似度运算,公式如下:
其中,an表示待识别混纺纱图像的颜色特征向量或纹理特征向量中的第n个值,bn表示已有的任意一个混纺纱图像的颜色特征向量或纹理特征向量中的第n个值,D(a,b)为待识别混纺纱图像和已有的任意一个混纺纱图像之间的卡方距离;
将颜色特征向量和纹理特征向量的卡方距离运算结果分别记为D1、D2,最终的卡方距离为D=w*D1+(1-w)*D2
,其中w和1-w表示对应的距离权重,距离权重为颜色距离和纹理距离分别在总距离上的权值,选择最终图像卡方距离D最小的已有混纺纱图像与待识别混纺纱图像匹配,得到与待识别混纺纱颜色匹配的已有混纺纱。
所述的一种混纺纱颜色自动识别匹配方法,其特征在于:距离有颜色和纹理两个,最终需要汇总成一个总距离做比对,在总距离对比中,当颜色距离权重w较高时识别结果的准确率较好,经过调参试验得到w=0.6时识别准确率最高。
本发明可有效识别匹配颜色对应的混纺纱,降低人工成本的同时提高识别准确率,实现混纺纱图像的高效识别。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,一种混纺纱颜色自动识别匹配方法,其特征在于:包括以下步骤:
(1)、采集混纺纱的RGB图像,并建立混纺纱RGB图像空间中在R、G、B三个颜色通道中每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩,并以每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩作为该颜色通道的特征,所述混纺纱包括待识别的混纺纱和已有的混纺纱;
(2)、将采集的混纺纱的RGB图像变换至HSV颜色空间,得到混纺纱RGB图像中R、G、B三个颜色分别在HSV颜色空间中的色度通道、饱和度通道、纯度通道的特征,并以步骤(1)得到的特征和步骤(2)得到的特征共同构建十八维的颜色特征向量;
(3)、采用LBP等价模式算子,对RGB图像和HSV图像进行处理,提取局部纹理特征向量;
(4)、采用卡方距离度量待识别的混纺纱与任意一个已有的混纺纱之间颜色的相似性,得到与待识别混纺纱颜色最相似的已有的混纺纱,实现待识别混纺纱与已有的混纺纱的颜色匹配。
本发明步骤(1)中,混纺纱RGB图像空间中,每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩的建立如下公式所示:
上述公式中,N代表像素个数,i表示颜色通道,j表示颜色通道i的分量灰度,Pij表示RGB图像中第i个颜色通道分量灰度为j的像素出现的概率,Ei表示颜色通道i的颜色距的一阶矩,σi表示颜色通道i的颜色距的二阶矩,Mi表示颜色通道i的颜色距的三阶矩。
本发明步骤(2)中,设混纺纱RGB图像的R、G、B三个颜色中每个颜色在HSV颜色空间中的坐标为(r,g,b),其中r是每个颜色的红色坐标值,g是每个颜色的绿色坐标值,b是每个颜色的蓝色坐标值,r、g、b的值是在0到1之间的实数;同时设max等于(r,g,b)三者中的最大者,min等于(r,g,b)三者中的最小者,则有:
v=max,
其中,h是混纺纱RGB图像中每个颜色在HSV颜色空间中的色度通道的特征,s是混纺纱RGB图像中每个颜色在HSV颜色空间中的饱和度通道的特征,v是混纺纱RGB图像中每个颜色在HSV颜色空间中的纯度通道的特征。
本发明步骤(3)中,首先,采集到的图像为RGB空间下的一个矩阵[H,W,C],C表示channel通道,RGB和HSV空间下channel的值都是3(分别是红、绿、蓝以及色调、饱和度、明度),第一步就是RGB到HSV的转换(公式上文已给出)。颜色矩可表达全局的颜色特征,分别对R G B H S V六个通道求颜色一二三阶矩(公式上文已给出),就可以得到18维向量[R1,R2,R3,G1,G2,G3,B+,B2,B3,H1,H2,H3,S1,S2,S3,V1,V2,V3]作为该幅图像的颜色特征。然后进行LBP算法:在RGB空间下,输入是[H,W,3],经过心理学灰度公式Gray=0.114B+0.587G+0.299R把图像灰度化。此时维度已经变成[H,W]。
LBP算法是局部信息提取中的一种方法,传统LBP基本算法只覆盖了一个固定半径范围内的小区域,因此本专利运用了延伸出可变区域的LBP算法,用圆形邻域替代正方形邻域。gc是中心点的灰度值,gi是领域灰度值,P是周围像素点个数,R是中心店到领域像素点的半径大小。LBP(P,R)即为图像特征值。
本发LBP模式整合了统一模式和旋转不变模式。
统一模式:进行有效降维,在采用中心像素点周围8像素点时候,LBP特征是一个8位二进制数,可表达0-255共计256个数,形成直方图也就是需要256维度。统一模式就是一个二进制序列从0到1或是从1到0的变过不超过2次(这个二进制序列首尾相连)所有的8位二进制数中共有58(变化次数为0的有2种,变化次数为1的有0种,变化次数为2的有56种)个uniform pattern,再加上一个其它类就是59种,以此把采集到的一幅混纺纱图片可降维到59维。公式如下
旋转不变模式:旋转不变模式可以让图像无论旋转倾斜后LBP特征值保持不变。公式如下:
其中ROR是循环右移函数。
将两种模式结合,就有了旋转不变统一模式下的LBP特征,公式如下:
但是在实际过程中,直接将一副混纺纱图像降维到59后原有信息损失太大,精度很差效果不理想,所以把图像划分成k*k块,分别对每一块进行LBP特征向量求解,统计得到直方图向量,最后拼接这些向量,得到[k*k*59]维度的向量表达,作为纹理向量。
一幅图就产生了18维的颜色向量和[k*k*59]维的纹理向量。
最后,归一化。在已有混纺纱图库或者待匹配混纺纱图像中,通过公式分别归一化这些图的颜色向量和纹理向量,采用min-max标准化,
最后用卡方距离来衡量归一化后的相似性,公式前面已给出。
本发明步骤(4)中,采用卡方距离对待识别的混纺纱与任意一个已有的混纺纱之间颜色特征、纹理特征分别做相似度运算,公式如下:
其中,an表示待识别混纺纱图像的颜色特征向量或纹理特征向量中的第n个值,bn表示已有的任意一个混纺纱图像的颜色特征向量或纹理特征向量中的第n个值,D(a,b)为待识别混纺纱图像和已有的任意一个混纺纱图像之间的卡方距离;
将颜色特征向量和纹理特征向量的卡方距离运算结果分别记为D1、D2,最终的卡方距离为D=w*D1+(1-w)*D2
,其中w和1-w表示对应的距离权重,距离权重为颜色距离和纹理距离分别在总距离上的权值,选择最终图像卡方距离D最小的已有混纺纱图像与待识别混纺纱图像匹配,得到与待识别混纺纱颜色匹配的已有混纺纱。
本发明中,距离有颜色和纹理两个,最终需要汇总成一个总距离做比对,在总距离对比中,当颜色距离权重w较高时识别结果的准确率较好,经过调参试验得到w=0.6时识别准确率最高。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述,并非对本发明构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域中工程技术人员对本发明的技术方案作出的各种变型和改进,均应落入本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (5)
1.一种混纺纱颜色自动识别匹配方法,其特征在于:包括以下步骤:
(1)、采集混纺纱的RGB图像,并建立混纺纱RGB图像空间中在R、G、B三个颜色通道中每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩,并以每个颜色通道的颜色距的一阶矩、二阶矩、三阶矩作为该颜色通道的特征,所述混纺纱包括待识别的混纺纱和已有的混纺纱;
(2)、将采集的混纺纱的RGB图像变换至HSV颜色空间,得到混纺纱RGB图像中R、G、B三个颜色分别在HSV颜色空间中的色度通道、饱和度通道、纯度通道的特征,并以步骤(1)得到的特征和步骤(2)得到的特征共同构建十八维的颜色特征向量;
(3)、采用LBP等价模式算子,对RGB图像和HSV图像进行处理,提取局部纹理特征向量;
(4)、采用卡方距离度量待识别的混纺纱与任意一个已有的混纺纱之间颜色的相似性,得到与待识别混纺纱颜色最相似的已有的混纺纱,实现待识别混纺纱与已有的混纺纱的颜色匹配。
3.根据权利要求1所述的一种混纺纱颜色自动识别匹配方法,其特征在于:步骤(2)中,设混纺纱RGB图像的R、G、B三个颜色中每个颜色在HSV颜色空间中的坐标为(r,g,b),其中r是每个颜色的红色坐标值,g是每个颜色的绿色坐标值,b是每个颜色的蓝色坐标值,r、g、b的值是在0到1之间的实数;同时设max等于(r,g,b)三者中的最大者,min等于(r,g,b)三者中的最小者,则有:
v=max
其中,h是混纺纱RGB图像中每个颜色在HSV颜色空间中的色度通道的特征,s是混纺纱RGB图像中每个颜色在HSV颜色空间中的饱和度通道的特征,v是混纺纱RGB图像中每个颜色在HSV颜色空间中的纯度通道的特征。
4.根据权利要求1所述的一种混纺纱颜色自动识别匹配方法,其特征在于:步骤(4)中,采用卡方距离对待识别的混纺纱与任意一个已有的混纺纱之间颜色特征、纹理特征分别做相似度运算,公式如下:
其中,an表示待识别混纺纱图像的颜色特征向量或纹理特征向量中的第n个值,bn表示已有的任意一个混纺纱图像的颜色特征向量或纹理特征向量中的第n个值,D(a,b)为待识别混纺纱图像和已有的任意一个混纺纱图像之间的卡方距离;
将颜色特征向量和纹理特征向量的卡方距离运算结果分别记为D1、D2,最终的卡方距离为D=w*D1+(1-w)*D2
其中w和1-w表示对应的距离权重,距离权重为颜色距离和纹理距离分别在总距离上的权值,选择最终图像卡方距离D最小的已有混纺纱图像与待识别混纺纱图像匹配,得到与待识别混纺纱颜色匹配的已有混纺纱。
5.根据权利要求4所述的一种混纺纱颜色自动识别匹配方法,其特征在于:距离有颜色和纹理两个,最终需要汇总成一个总距离做比对,在总距离对比中,当颜色距离权重w较高时识别结果的准确率较好,经过调参试验得到w=0.6时识别准确率最高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300239.6A CN111428814B (zh) | 2020-04-16 | 2020-04-16 | 一种混纺纱颜色自动识别匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010300239.6A CN111428814B (zh) | 2020-04-16 | 2020-04-16 | 一种混纺纱颜色自动识别匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428814A true CN111428814A (zh) | 2020-07-17 |
CN111428814B CN111428814B (zh) | 2023-03-31 |
Family
ID=71557300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010300239.6A Active CN111428814B (zh) | 2020-04-16 | 2020-04-16 | 一种混纺纱颜色自动识别匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428814B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636618A (zh) * | 2022-05-13 | 2022-06-17 | 河南银金达新材料股份有限公司 | 一种性能稳定的pet膜制备工艺 |
CN117670872A (zh) * | 2024-01-29 | 2024-03-08 | 江苏恒力化纤股份有限公司 | 一种筒纱纸管花纹快速识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010026712A (ja) * | 2008-07-17 | 2010-02-04 | National Institute Of Advanced Industrial & Technology | 特徴抽出装置および特徴抽出方法 |
JP2015088084A (ja) * | 2013-11-01 | 2015-05-07 | 株式会社ブレイン | 物品識別システムとそのプログラム |
CN110349131A (zh) * | 2019-06-25 | 2019-10-18 | 武汉纺织大学 | 一种色纺织物颜色差异性检测方法 |
CN110728302A (zh) * | 2019-09-10 | 2020-01-24 | 武汉纺织大学 | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 |
-
2020
- 2020-04-16 CN CN202010300239.6A patent/CN111428814B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010026712A (ja) * | 2008-07-17 | 2010-02-04 | National Institute Of Advanced Industrial & Technology | 特徴抽出装置および特徴抽出方法 |
JP2015088084A (ja) * | 2013-11-01 | 2015-05-07 | 株式会社ブレイン | 物品識別システムとそのプログラム |
CN110349131A (zh) * | 2019-06-25 | 2019-10-18 | 武汉纺织大学 | 一种色纺织物颜色差异性检测方法 |
CN110728302A (zh) * | 2019-09-10 | 2020-01-24 | 武汉纺织大学 | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 |
Non-Patent Citations (1)
Title |
---|
陈小海等: "基于颜色和轮廓平稳小波变换纹理分析的彩色图像检索", 《计算机系统应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636618A (zh) * | 2022-05-13 | 2022-06-17 | 河南银金达新材料股份有限公司 | 一种性能稳定的pet膜制备工艺 |
CN117670872A (zh) * | 2024-01-29 | 2024-03-08 | 江苏恒力化纤股份有限公司 | 一种筒纱纸管花纹快速识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111428814B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740572B (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN114648594B (zh) | 一种基于图像识别的纺织品颜色检测方法及系统 | |
CN112614060A (zh) | 人脸图像头发渲染方法、装置、电子设备和介质 | |
CN111428814B (zh) | 一种混纺纱颜色自动识别匹配方法 | |
Prasetyo et al. | Mango leaf image segmentation on HSV and YCbCr color spaces using Otsu thresholding | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN109190617B (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
CN114463296B (zh) | 基于单样本学习的轻量化部件缺陷检测方法 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN105787965B (zh) | 一种基于颜色特征的图像检索方法 | |
CN107146258B (zh) | 一种图像显著区域检测方法 | |
CN115761341A (zh) | 基于图像识别的纺织废料自动分类方法及装置 | |
CN111079637A (zh) | 田间图像中分割油菜花的方法、装置、设备及存储介质 | |
CN110569716A (zh) | 一种货架图像翻拍检测方法 | |
CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN112489049A (zh) | 基于超像素和svm的成熟番茄果实的分割方法及系统 | |
CN115082804B (zh) | 利用多特征数据处理分析的水稻病害识别方法 | |
CN114926661B (zh) | 一种纺织品表面颜色数据处理、识别方法及系统 | |
CN115082741B (zh) | 基于图像处理的废旧纺织品分类方法 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
Shen et al. | A holistic image segmentation framework for cloud detection and extraction | |
CN112164055A (zh) | 一种基于颜色分割的光伏电池色差分类方法 | |
CN111797922A (zh) | 文本图像分类方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |