CN114155384A - 一种色纺针织物夹花效果相似性计算方法 - Google Patents
一种色纺针织物夹花效果相似性计算方法 Download PDFInfo
- Publication number
- CN114155384A CN114155384A CN202111360167.5A CN202111360167A CN114155384A CN 114155384 A CN114155384 A CN 114155384A CN 202111360167 A CN202111360167 A CN 202111360167A CN 114155384 A CN114155384 A CN 114155384A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- similarity
- difference
- knitted fabric
- 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
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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种色纺针织物夹花效果相似性计算方法,在相同的拍摄环境下采集不同种类夹花效果的色纺针织物,构建比对数据库;以多级小波分解过滤待比对图像的高频冗余信息,提取R、G、B三通道的HOG特征并构建MC‑HOG特征;以MC‑HOG特征的Gram矩阵表征图像的夹花外观风格信息,并利用Gram矩阵的差异度量色纺针织物夹花外观差异,得到夹花外观风格相似度;同时,将两幅待比对样本图像转换至HSV色彩空间,对图像的色度通道进行颜色量化,提取其H‑S颜色直方图特征,并利用其差异度量色纺针织物夹花颜色差异,得到夹花颜色相似度,从而实现了屏幕软打样过程中对色纺针织物夹花效果外观风格以及颜色相似程度的客观评价。
Description
技术领域
本发明属于纺织工业生产应用技术领域,具体涉及一种色纺针织物夹花效果相似性计算方法。
背景技术
色纺织物是由不同颜色组份的染色纤维按照不同的质量配比混合形成色纺纱,然后纺制而成的具有特殊呈色效果与外观色彩风格的织物。根据纤维混合时的不均匀程度,色纺纱可以分为各组份纤维没有颜色差异的素色纱线或有明显颜色差异的异色纱线,从而在色纺织物面料的表面形成均匀颜色的素色效果或非均匀颜色的夹花效果;同时,纤维分布的规律性决定了夹花效果的外观风格。在色纺产品开发或设计过程中,为了取得不同的夹花效果样式,需要利用计算机仿真技术在屏幕上仿真和模拟显示打样效果,通过人工方式进行评价并根据评价结果对染色纤维的混配参数以及织造工艺进行调整,这种打样方式称为织物屏幕软打样。相较于实物样品打样,屏幕软打样显著降低了色纺产品设计开发过程中的耗材损耗与生产成本,但软打样效果与实物样品打样由于表色空间不同,打样方法不同等因素,两者的效果存在差别,如何评价和描述这种差别是色纺织物屏幕软打样技术发展与应用的难点。因此,利用数字图像处理技术,建立色纺织物夹花效果相似性评价指标,不仅能够克服传统人工评价的主观性,直观反映软打样效果与实物样品的差别,同时构建评价打样效果的定量分析指标,为色纺针织物屏幕软打样的发展与计算机仿真新方法的探索奠定基础。
现阶段,国内外对于织物屏幕软打样效果的评价主要采用凭经验的人工主观评价与定性分析。主要方式为邀请工厂专家,利用五点相似量表(极为不同、略有不同、略微相似、中等相似、极为相似)的评价标准对织物打样图像与实物样图像进行目视对比,对其相似性作出评估。但这种人工评估的方法效率低下,且很大程度上会受到评估专家的主观因素影响,不仅难以对软打样效果作出统一、客观的评价,而且在无法应对实际工业中大规模样本数据库的评价任务。
此外,一些科研团队将全参考的图像客观质量评价方法(例如MSE、PSNR、SSIM等)应用于织物屏幕软打样效果评价,但这类方法基于对比图像之间对应像素点或结构的误差,并未考虑到人眼的视觉特性。在色纺织物的夹花效果相似程度的评价过程中,夹花效果的外观风格即纤维分布的规律性属于一种全局性的宏观特征,人眼对其相似程度的判断同样也是基于对其全局感受野的感知,对于图像中局部信息的偏移或误差并不敏感。因此,这类方法经常出现评价结果与人眼主观感受不一致的情况。
随着计算机图形学与数字图像处理技术的发展,人们提出了多种图像纹理特征(例如 LBP、GLCM、Tamura、HOG等),用以表征图像的像素及其邻域的灰度分布规律。这类图像纹理特征在配合传统的距离度量方法(例如欧式距离等)进行织物图像相似性评价时效果较差,但在设计特征分类器(例如SVM、神经网络等)的基础上,通过样本训练后在织物图像检索或分类等任务中能够达到较高的检索或分类准确率。这类方法依赖大规模样本数据以及长时间的训练过程,不仅对设备配置要求较高,而且缺乏实时性,因此难以应用于软打样效果的评价中。
同时,由于针织物表面毛羽、纱线的屈曲起伏,织物纹理凹凸等引起光反射不匀,光泽的变化对色彩的影响会使图像中夹杂着色模糊、干扰或异色像素,这些随机变异会造成色度值的突变。同时,不同组份的染色纤维混合后,视觉看上去存在大量的混合过渡色。这些色度值的变化若被计入统计值,就会引起失真,从而影响对色纺针织物样本中单色纤维的颜色信息和颜色混合的比例信息的评价。因此,如何评价色纺针织物夹花效果的颜色差异也是当前色纺织物屏幕软打样技术发展的难点。
发明内容
对于上述现状及问题,本发明以色纺针织物为具体应用对象,提出了一种色纺针织物夹花效果相似性计算方法,该方法通过打样图像与实物样图像的纹理与颜色特征分别对“夹花效果”的外观风格和颜色相似程度进行定量评价,不仅能够直观且实时的反映色纺产品设计开发过程中打样效果与实物样效果的差异,而且能够为色纺针织物计算机仿真模拟新方法的探索奠定基础。
本发明的目的是为了解决背景技术中所述问题,提出一种色纺针织物夹花效果相似性计算方法。
本发明的技术方案为一种色纺针织物夹花效果相似性计算方法,具体包括以下步骤:
步骤1,利用色纺纱制备具有不同种类夹花效果的色纺针织物样本,采集样本图像,构建比对样本数据库;
步骤2,在数据库中选取两幅待比对样本图像,将其拆分为R、G、B三通道,利用小波分解分别过滤三个通道中的高频冗余信息,得到三通道的近似分量图像;
步骤3,提取图像各通道近似分量图像的方向梯度直方图(Histogram ofOriented Gradient, HOG)特征,计算通道之间(R-G、G-B、R-B)在各个梯度方向的幅值差,构建方向梯度差直方图(Histogram of Oriented Gradient-Difference,HOG-D)特征,融合为多通道方向梯度直方图(Multi Channel-Histogram of Oriented Gradient,MC-HOG)特征;
步骤4,计算图像MC-HOG特征的Gram矩阵;
步骤5,根据Gram矩阵的差异度量两幅待比对样本图像的夹花外观风格差异,得到夹花外观风格相似度;
步骤6,将步骤2中两幅待比对样本图像转换到HSV色彩空间,对色调H、饱和度S两个色度通道进行颜色量化;
步骤7,提取颜色量化后两幅图像H、S两个通道的H-S颜色直方图特征;
步骤8,利用H-S颜色直方图特征的欧式距离度量两幅待比对样本图像的夹花颜色差异;得到夹花颜色相似度。
需要说明的是,步骤1中,不同种类夹花效果的色纺针织物样本是由以不同颜色、不同质量配比、不同非均匀程度、不同混合方式的染色纤维加工成具有独特颜色效果的色纺纱,然后织造而成的织物。色纺针织物面料表面由于各组份染色纤维分布的规律性不同,因而具有不同的样式风格,即夹花效果。在采集样本图像的过程中,需要在完全相同的环境条件(例如环境湿度、光源、拍摄角度、取景视野等)中进行拍摄,摄像机的参数(例如镜头焦距、光圈尺寸、白平衡等)均保持一致。
需要说明的是,步骤2中,小波分解的目的是为了过滤针织物组织结构轮廓的高频冗余信息,利用分解后得到的近似分量表征图像的主体颜色外观信息,从而为夹花效果相似性的评价降低干扰因素。
需要说明的是,步骤3中,图像各通道的HOG特征是本发明用以表征图像夹花效果的纹理特征描述子,其计算过程为:首先,对图像通道进行Gamma校正,调节对比度,减少光照对图像的影响;然后,将图像切分为多个8×8的块状单元,分别计算每个块状单元的梯度幅值与方向;最后,将所有方向(0~360度)均分为9种主要方向并累加其对应的梯度幅值,构成每个块状单元在[0,8]上的方向梯度直方图。其中,Gamma校正和梯度的幅值与方向计算方法如式一到式五所示。式中image表示原始图像,x,y分别表示像素点的横纵坐标, I表示Gamma校正后的图像,Gh(x,y)、Gv(x,y)分别表示该像素点处的水平梯度与垂直梯度,M(x,y)、θ(x,y)分别表示该像素点处的梯度幅值与方向角度。
I(x,y)=(image(x,y))γ 式一
Gh(x,y)=I(x+1,y)-I(x-1,y) 式二
Gv(x,y)=I(x,y+1)-I(x,y-1) 式三
θ(x,y)=arctan(Gh(x,y)/Gv(x,y)) 式五
图像每个块状单元R、G、B三格通道的HOG特征提取完成后,为表征通道之间的相关性信息,计算通道之间(R-G、G-B、R-B)在各个梯度方向的幅值差,构建在区间[0,8]上的方向梯度差直方图(HOG-D)特征,将所有直方图特征以[R、G、B、R-G、G-B、R-B]的方式级联,融合为MC-HOG特征。
需要说明的是,步骤4中,MC-HOG特征的Gram矩阵是本发明用以表征图像夹花外观风格的特征描述子,其计算过程为:遍历图像,将每个细胞单元与其三个相邻单元(右方,下方,右下方)的MC-HOG特征级联为特征向量,构建图像的多维MC-HOG特征向量,计算向量之间的两两内积,构成Gram矩阵。
需要说明的是,步骤5中,将Gram矩阵的元素归一化至[0,1];在此基础上,运用Gram 矩阵的差异度量二者夹花外观风格的相似度,如式六到式七所示。式中EGram表示Gram矩阵的差异,Gram1、Gram2分别表示两幅比对样本图像计算所得的Gram矩阵,N、M分别表示矩阵行和列的长度,i,j分别表示矩阵元素的横纵坐标,SimF为两幅比对样本图像的夹花外观风格相似度,λ是一个人工设定的修正系数,目的是将EGram缩放至[0,1]内。
SimF=(1-10λ×EGram)×100% 式七
需要说明的是,步骤6中,为了减少色纺针织物样本图像中变异色度值以及视觉过渡色信息的干扰,对步骤2中两幅待比对样本图像的色度通道进行颜色量化,将色相H量化为16 个等级,将饱和度S量化为4个等级,将二维色度特征划分为64个H-S区间(16级×4级)。
需要说明的是,步骤7中,由于人眼对夹花效果的感知受色相影响最大,饱和度其次,受亮度影响最弱,且针织物组织结构轮廓在成像过程中产生的亮度差异会对夹花效果的判定产生显著影响,因此,忽略图像的亮度通道,提取颜色量化后两幅待比对样本图像的H-S颜色直方图特征。计算方式为:累计颜色量化后图像像素点在64个H-S区间(16级×4级)内的分布数量,构建在[0,63]内的颜色直方图。
需要说明的是,步骤8中,利用H-S颜色直方图特征的欧式距离度量两幅待比对样本图像的夹花颜色差异,如式八到式九所示。式中X,Y分别代表两幅待比对样本图像的H-S颜色直方图特征,Dist表示其颜色特征差异,i代表特征维度。SimC为两幅比对样本图像的夹花外观风格相似度,μ是一个人工设定的修正系数,目的是将Dist缩放至[0,1]内。
SimC=(1-10μ×Dist)×100% 式九。
本发明以色纺针织物的屏幕软打样效果评价为具体应用对象,在相同的拍摄环境下采集不同种类夹花效果的色纺针织物,构建比对样本图像数据库;以多级小波分解过滤待比对图像的高频冗余信息,提取R、G、B三通道的HOG特征并构建MC-HOG特征;在此基础之上,以MC-HOG特征的Gram矩阵表征图像的夹花外观风格信息,并利用Gram矩阵的差异度量色纺针织物夹花外观差异,得到夹花外观风格相似度;同时,将两幅待比对样本图像转换至HSV 色彩空间,对图像的色度通道进行颜色量化,提取其H-S颜色直方图特征,并利用其差异度量色纺针织物夹花颜色差异,得到夹花颜色相似度,从而实现了屏幕软打样过程中对色纺针织物夹花效果外观风格以及颜色相似程度的客观评价,对色纺产品的研发设计与生产过程具有重要的指导意义。由于本发明技术方案具有重要应用前景和价值,对本发明技术方案进行保护,将对我国相关行业竞争国际领先地位具有重要意义。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中部分具有不同种类夹花效果的色纺针织物样本,从上到下从左到右依次为春芽纱、霓彩纱、赛络色纺纱、手纺纱、春芽竹节纱。
图3为本发明实施例中0到5级小波分解下的近似分量图像。
图4为本发明实施例中部分样本的H-S颜色直方图,其中(1)和(2)、(3)和(4)分别为两组同布片样本(源自同一织物的样本图像)及其对应的颜色直方图;(1)和(3)、(2) 和(3)、(1)和(4)、(2)和(4)则为异布片样本(源自不同织物的样本图像)及其对应的颜色直方图。
具体实施方式
本发明技术方案具体实施时可由本领域技术人员采用相关数据和计算机软件技术运行。结合附图,提供本发明实施例具体描述如下。
如图1所示,实施例提供了一种色纺针织物夹花效果相似性计算方法,为纺织工业中的屏幕软打样过程建立了一套客观的定量分析评价模型,可为色纺产品的设计与开发提供有效的指导。实施例采用企业A提供的具有不同夹花效果的色纺针织物样本(包含春芽纱、霓彩纱、赛络色纺纱、手纺纱、春芽竹节纱五种类别),部分样本图像如图2所示。算法运算设备为超微7048GR-TR、Windows10操作系统、Intel(R)Xeon(R)E5-2678V3*2CPU、128G 内存、NVIDIA Tesla M40*4运算卡;算法开发环境为MATLAB R2016a和Python 3.6。需要说明的是,本发明并不仅仅局限于上述样本和软件平台的应用支持,对于任意能实现本发明方法的相应数据和软件平台同样适用。
实施例主要包括以下步骤:
1)采集样本图像,构建比对样本数据库
如上述所示,实施例中采用了286份共五种不同类别夹花风格样式的色纺织物样本,不同种类夹花效果的色纺针织物样本是由以不同颜色、不同质量配比、不同非均匀程度、不同混合方式的染色纤维加工成具有独特颜色效果的色纺纱,然后织造而成的织物。在采集样本图像的过程中,需要在完全相同的环境条件(例如环境湿度、光源、拍摄角度、取景视野等) 中进行拍摄,摄像机的参数(例如镜头焦距、光圈尺寸、白平衡等)均保持一致。采集完成后,对所有的样本图像(分辨率4000×6000)进行预处理,将每幅织物样本图像裁剪为两幅图像(分辨率3000×3000,来自同一织物样),然后将全部图像统一缩放至1024×1024的分辨率下,以保证图像的细节尺度基本一致。本发明方法的输入数据完备。
2)将两幅待比对样本拆分为R、G、B三通道,利用小波分解过滤高频冗余信息
实施例中,小波分解的目的是为了过滤针织物组织结构轮廓的高频冗余信息,利用分解后得到的近似分量表征图像的主体颜色外观信息,从而为夹花效果相似性的评价降低干扰因素。但一级小波分解不足以完全消除冗余信息,因此,本发明将一级小波分解后得到的近似分量作为输入图像,进行下一级的小波分解,构建多级小波分解过程。针对本发明中图像采集条件下所得样本图像,本发明以类别可分比(CSR)作为五种夹花效果类别区分程度的评价指标,利用本发明构建的夹花外观风格评价方法进行了0~5级小波分解下的对比实验。设现有A、B两类具有不同夹花效果的织物样本,其类别可分比的定义如式一所示。式中,FA,B代表A类织物样本与B类织物样本间的平均类间距离,FA和FB分别代表A类织物样本与B 类织物样本的平均类内距离,m、n分别表示A类与B类织物样本的数量,分别表示A 类与B类织物样本两两组合的个数。
实验中,0~5级小波分解下的近似分量图像如图3所示,每类样本间的类别可分比实验结果如表1所示。实验结果表明,本发明中的样本图像在3级小波分解下对冗余信息的消除与颜色外观信息的保留效果最佳,同时在夹花外观风格评价方法中达到最优的类别区分度。
表1每类样本间的类别可分比实验结果
3)提取两幅待比对图像的MC-HOG特征
实施例中,图像各通道的HOG特征是本发明用以表征图像夹花效果的纹理特征描述子,其计算过程为:首先,对图像通道进行Gamma校正,调节对比度,减少光照对图像的影响;然后,将图像切分为多个8×8的块状单元,分别计算每个块状单元的梯度幅值与方向;最后,将所有方向(0~360度)均分为9种主要方向并累加其对应的梯度幅值,构成每个块状单元在[0,8]上的方向梯度直方图。其中,Gamma校正和梯度的幅值与方向计算方法如式一到式五所示。式中image表示原始图像,x,y分别表示像素点的横纵坐标,I表示Gamma校正后的图像,Gh(x,y)、Gv(x,y)分别表示该像素点处的水平梯度与垂直梯度,M(x,y)、θ(x,y)分别表示该像素点处的梯度幅值与方向角度。
I(x,y)=(image(x,y))γ 式一
Gh(x,y)=I(x+1,y)-I(x-1,y) 式二
Gv(x,y)=I(x,y+1)-I(x,y-1) 式三
θ(x,y)=arctan(Gh(x,y)/Gv(x,y)) 式五
图像每个块状单元R、G、B三格通道的HOG特征提取完成后,为表征通道之间的相关性信息,计算通道之间(R-G、G-B、R-B)在各个梯度方向的幅值差,构建在区间[0,8]上的方向梯度差直方图(HOG-D)特征,将所有直方图特征以[R、G、B、R-G、G-B、R-B]的方式级联,融合为MC-HOG特征。
4)计算图像MC-HOG特征的Gram矩阵;
实施例中,MC-HOG特征的Gram矩阵是本发明用以表征图像夹花外观风格的特征描述子,其计算过程为:遍历图像,将每个细胞单元与其三个相邻单元(右方,下方,右下方)的MC-HOG特征级联为特征向量,构建图像的多维MC-HOG特征向量,计算向量之间的两两内积,构成Gram矩阵。
5)利用Gram矩阵的差异得到夹花外观风格相似度;
实施例中,将Gram矩阵的元素归一化至[0,1];在此基础上,运用Gram矩阵的差异度量二者夹花外观风格的相似度,如式六到式七所示。式中EGram表示Gram矩阵的差异,Gram1、 Gram2分别表示两幅比对样本图像计算所得的Gram矩阵,N、M分别表示矩阵行和列的长度, i,j分别表示矩阵元素的横纵坐标,SimF为两幅比对样本图像的夹花外观风格相似度,λ是一个人工设定的修正系数,目的是将EGram缩放至[0,1]内。
SimF=(1-10λ×EGram)×100% 式七
为证明本发明方法的有效性与泛化性,以2)中定义的类别可分比为类别区分度评价指标,利用本发明构建的夹花外观风格相似度评价方法和常用的图像纹理特征(LBP、GLCM、 HOG、Tamura)、图像质量评价指标(PSNR、SSIM)构建对比实验,对比实验设定如表2所示,实验结果如表3所示。实验结果表明,相较于上述评价指标,本发明方法具有更优的类别区分度。
表2对比实验设定
实验组 | 图像特征 | 相似性度量方法 |
1 | LBP | 欧氏距离 |
2 | GLCM | 欧氏距离 |
3 | HOG | 欧氏距离 |
4 | Tamura | 欧氏距离 |
5 | PSNR | \ |
6 | SSIM | \ |
7 | 本文方法 | E<sub>Gram</sub> |
表3实验结果
6)将待比对样本图像转换到HSV色彩空间,进行颜色量化;
实施例中,为了减少色纺针织物样本图像中变异色度值以及视觉过渡色信息的干扰,对步骤2中两幅待比对样本图像的色度通道进行颜色量化,将色相H量化为16个等级,将饱和度S量化为4个等级,将二维色度特征划分为64个H-S区间(16级×4级)。
7)提取H-S颜色直方图特征;
实施例中,由于人眼对夹花效果的感知受色相影响最大,饱和度其次,受亮度影响最弱,且针织物组织结构轮廓在成像过程中产生的亮度差异会对夹花效果的判定产生显著影响,因此,忽略图像的亮度通道,提取颜色量化后两幅待比对样本图像的H-S颜色直方图特征。计算方式为:累计颜色量化后图像像素点在64个H-S区间(16级×4级)内的分布数量,构建在[0,63]内的颜色直方图。
8)利用H-S颜色直方图特征的欧式距离得到夹花颜色相似度;
实施例中,利用H-S颜色直方图特征的欧式距离度量两幅待比对样本图像的夹花颜色差异,如式八到式九所示。式中X,Y分别代表两幅待比对样本图像的H-S颜色直方图特征,Dist 表示其颜色特征差异,i代表特征维度。SimC为两幅比对样本图像的夹花外观风格相似度,μ是一个人工设定的修正系数,目的是将Dist缩放至[0,1]内。
SimC=(1-10μ×Dist)×100% 式九
为度量屏幕软打样效果与实物样颜色配比的相近程度,利用本发明构建的夹花颜色评价模型,针对每类夹花效果的织物样本,以同布片样本(该类样本中源自同一织物样的图像两两对比,例如图4中(1)和(2),颜色配比信息相近)和异布片样本(该类样本中源自不同织物样的图像两两对比,例如图4中(1)和(3),颜色配比信息相异)构建对比实验,实验中部分样本的H-S颜色直方图如图4所示,实验结果如表4所示。实验结果表明,本发明构建的夹花颜色相似度评价指标能够有效判别样本的颜色配比信息相近程度。
表4实验结果
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 (9)
1.一种色纺针织物夹花效果相似性计算方法,其特征在于,包括如下步骤:
步骤1,利用色纺纱制备具有不同种类夹花效果的色纺针织物样本,采集样本图像,构建比对样本数据库;
步骤2,在数据库中选取两幅待比对样本图像,将其拆分为R、G、B三通道,然后过滤三个通道中的高频冗余信息,得到三通道的近似分量图像;
步骤3,提取图像各通道近似分量图像的方向梯度直方图HOG特征,计算通道之间(R-G、G-B、R-B)在各个梯度方向的幅值差,构建方向梯度差直方图HOG-D特征,融合为多通道方向梯度直方图MC-HOG特征;
步骤4,计算图像MC-HOG特征的Gram矩阵;
步骤5,根据Gram矩阵的差异度量两幅待比对样本图像的夹花外观风格差异,得到夹花外观风格相似度;
步骤6,将步骤2中两幅待比对样本图像转换到HSV色彩空间,对色调H、饱和度S两个色度通道进行颜色量化;
步骤7,提取颜色量化后两幅图像H、S两个通道的H-S颜色直方图特征;
步骤8,利用H-S颜色直方图特征的欧式距离度量两幅待比对样本图像的夹花颜色差异,得到夹花颜色相似度。
2.如权利要求1所述的一种色纺针织物夹花效果相似性计算方法,其特征在于:步骤1中,不同种类夹花效果的色纺针织物样本是由以不同颜色、不同质量配比、不同非均匀程度、不同混合方式的染色纤维加工成具有独特颜色效果的色纺纱,然后织造而成的织物;在采集样本图像的过程中,需要在完全相同的环境条件中进行拍摄,环境条件包括环境湿度、光源、拍摄角度、取景视野,摄像机的参数均保持一致,摄像机参数包括镜头焦距、光圈尺寸、白平衡等。
3.如权利要求1所述的一种色纺针织物夹花效果相似性计算方法,其特征在于:步骤2中,采用小波分解过滤三个通道中的高频冗余信息,目的是为了过滤针织物组织结构轮廓的高频冗余信息,利用分解后得到的近似分量表征图像的主体颜色外观信息,从而为夹花效果相似性的评价降低干扰因素。
4.如权利要求1所述的一种色纺针织物夹花效果相似性计算方法,其特征在于:步骤3中,图像各通道的HOG特征是用以表征图像夹花效果的纹理特征描述子,其计算过程为:首先,对图像通道进行Gamma校正,调节对比度,减少光照对图像的影响;然后,将图像切分为多个8×8的块状单元,分别计算每个块状单元的梯度幅值与方向;最后,将所有方向,即0~360度方向均分为9种主要方向并累加其对应的梯度幅值,构成每个块状单元在[0,8]上的方向梯度直方图;其中,Gamma校正和梯度的幅值与方向计算方法如式一到式五所示,式中image表示原始图像,x,y分别表示像素点的横纵坐标,I表示Gamma校正后的图像,Gh(x,y)、Gv(x,y)分别表示该像素点处的水平梯度与垂直梯度,M(x,y)、θ(x,y)分别表示该像素点处的梯度幅值与方向角度;
I(x,y)=(image(x,y))γ 式一
Gh(x,y)=I(x+1,y)-I(x-1,y) 式二
Gv(x,y)=I(x,y+1)-I(x,y-1) 式三
θ(x,y)=arctan(Gh(x,y)/Gv(x,y)) 式五
图像每个块状单元R、G、B三格通道的HOG特征提取完成后,为表征通道之间的相关性信息,计算通道之间(R-G、G-B、R-B)在各个梯度方向的幅值差,构建在区间[0,8]上的方向梯度差直方图(HOG-D)特征,将所有直方图特征以[R、G、B、R-G、G-B、R-B]的方式级联,融合为MC-HOG特征。
5.如权利要求4所述的一种色纺针织物夹花效果相似性计算方法,其特征在于:步骤4中,MC-HOG特征的Gram矩阵是用以表征图像夹花外观风格的特征描述子,其计算过程为:遍历图像,将每个细胞单元与其三个相邻单元(右方,下方,右下方)的MC-HOG特征级联为特征向量,构建图像的多维MC-HOG特征向量,计算向量之间的两两内积,构成Gram矩阵。
7.如权利要求1所述的一种色纺针织物夹花效果相似性计算方法,其特征在于:步骤6中,为了减少色纺针织物样本图像中变异色度值以及视觉过渡色信息的干扰,对步骤2中两幅待比对样本图像的色度通道进行颜色量化,将色相H量化为16个等级,将饱和度S量化为4个等级,将二维色度特征划分为64个H-S区间,即16级×4级。
8.如权利要求7所述的一种色纺针织物夹花效果相似性计算方法,其特征在于:步骤7中,由于人眼对夹花效果的感知受色相影响最大,饱和度其次,受亮度影响最弱,且针织物组织结构轮廓在成像过程中产生的亮度差异会对夹花效果的判定产生显著影响,因此,忽略图像的亮度通道,提取颜色量化后两幅待比对样本图像的H-S颜色直方图特征,计算方式为:累计颜色量化后图像像素点在64个H-S区间内的分布数量,构建在[0,63]内的颜色直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360167.5A CN114155384A (zh) | 2021-11-17 | 2021-11-17 | 一种色纺针织物夹花效果相似性计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360167.5A CN114155384A (zh) | 2021-11-17 | 2021-11-17 | 一种色纺针织物夹花效果相似性计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155384A true CN114155384A (zh) | 2022-03-08 |
Family
ID=80456329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111360167.5A Pending CN114155384A (zh) | 2021-11-17 | 2021-11-17 | 一种色纺针织物夹花效果相似性计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155384A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100186A (zh) * | 2022-07-25 | 2022-09-23 | 南通市爱诺家用纺织品有限公司 | 基于图像数据的纺织品色差检测方法 |
-
2021
- 2021-11-17 CN CN202111360167.5A patent/CN114155384A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100186A (zh) * | 2022-07-25 | 2022-09-23 | 南通市爱诺家用纺织品有限公司 | 基于图像数据的纺织品色差检测方法 |
CN115100186B (zh) * | 2022-07-25 | 2022-12-13 | 南通市爱诺家用纺织品有限公司 | 基于图像数据的纺织品色差检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1844550B (zh) | 双面扫描织物和纱线分析系统 | |
US10043249B2 (en) | Method for image modification | |
CN105550660B (zh) | 一种机织物组织结构种类的识别方法 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN102523366B (zh) | 一种织物编织样式自动分析系统及方法 | |
CN109872313A (zh) | 一种基于深度卷积自编码器的产品表面缺陷检测方法 | |
CN114693676B (zh) | 一种新材料纺织品漂白缺陷光学检测方法及装置 | |
CN106485288A (zh) | 一种色织物组织的自动识别方法 | |
EP2269163A2 (en) | System and method for illumination invariant image segmentation | |
CN114235153B (zh) | 一种基于数码相机的织物颜色数字化测量方法 | |
CN105844675A (zh) | 色织物的颜色聚类分析方法 | |
CN115294116A (zh) | 基于人工智能的纺织材料染色质量评估方法、装置及系统 | |
CN114155384A (zh) | 一种色纺针织物夹花效果相似性计算方法 | |
CN109190617A (zh) | 一种图像的矩形检测方法、装置及存储介质 | |
Kuo et al. | Color and pattern analysis of printed fabric by an unsupervised clustering method | |
CN113781476B (zh) | 基于图像处理的纺织品染色质量评估方法与系统 | |
CN105844676A (zh) | 印花织物的颜色聚类分析装置及方法 | |
CN107945164B (zh) | 基于峰值阈值、旋转校准和混合特征的纺织品瑕疵检测方法 | |
CN111709429B (zh) | 一种基于卷积神经网络的机织物结构参数识别方法 | |
CN113838081A (zh) | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 | |
CN107886549A (zh) | 一种基于编织纹理细节增强的织物纹样色彩转移方法 | |
Dhanuja et al. | Areca nut disease detection using image processing technology | |
CN115082741A (zh) | 基于图像处理的废旧纺织品分类方法 | |
CN206292816U (zh) | 一种色织物组织的自动识别装置 | |
CN111476253B (zh) | 服装图像分类、图像分类方法、装置及设备 |
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 |