CN114648594B - 一种基于图像识别的纺织品颜色检测方法及系统 - Google Patents

一种基于图像识别的纺织品颜色检测方法及系统 Download PDF

Info

Publication number
CN114648594B
CN114648594B CN202210541024.2A CN202210541024A CN114648594B CN 114648594 B CN114648594 B CN 114648594B CN 202210541024 A CN202210541024 A CN 202210541024A CN 114648594 B CN114648594 B CN 114648594B
Authority
CN
China
Prior art keywords
image
color
sample
gray
textile
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.)
Active
Application number
CN202210541024.2A
Other languages
English (en)
Other versions
CN114648594A (zh
Inventor
曹强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Hengqiang Home Textile Co ltd
Original Assignee
Nantong Hengqiang Home Textile Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Hengqiang Home Textile Co ltd filed Critical Nantong Hengqiang Home Textile Co ltd
Priority to CN202210541024.2A priority Critical patent/CN114648594B/zh
Publication of CN114648594A publication Critical patent/CN114648594A/zh
Application granted granted Critical
Publication of CN114648594B publication Critical patent/CN114648594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于图像识别的纺织品颜色检测方法及系统。该方法能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能，还可以用于计算机视觉软件等应用软件开发；通过获取纺织样本和比色卡在不同颜色空间的图像，对该比色卡的颜色类别进行初步划分，并结合纺织样本的色调值与比色卡图像的色调值进行初步分类，进而根据纺织样本和比色卡中每个色块之间的饱和度和灰度得到该纺织样本对每个色块的隶属度，隶属度最大的色块的颜色即为该纺织样本的颜色。本发明应用电子设备进行图像识别，增加了纺织品颜色分析的准确性和可靠度，提高了颜色匹配的效率。

Description

一种基于图像识别的纺织品颜色检测方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于图像识别的纺织品颜色检测方法及系统。
背景技术
纺织品的来样纺织是供给方和需求方双方达成一致的生产贸易中的常规项目。在制作前，需要对样品的颜色进行鉴别和确定。现有对纺织品的颜色检测往往是通过人工进行，以色卡为颜色参考工具，通过人工将未知样品与纺织标准色卡进行对比，从而判断出与样品颜色最接近的色卡，从而得到配色的依据。
但利用人工检测的方法进行颜色比对时，长时间的工作会对工作人员的效率以及准确率都产生一定的影响，导致误差的产生；并且这种方法很容易受到外界因素的影响，从而导致工作效率低并且准确度不高。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像识别的纺织品颜色检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于图像识别的纺织品颜色检测方法，该方法包括以下步骤：
采集纺织样本的样本RGB图像和比色卡的色卡RGB图像；获取所述样本RGB图像对应的样本HIS图像和所述色卡RGB图像对应的色卡HIS图像；
根据所述色卡HIS图像得到所述比色卡的多个颜色类别；根据所述样本HIS图像的色调值与多个所述颜色类别匹配得到所述纺织样本的候选颜色类别，所述候选颜色类别中包括多个色块，每个所述色块对应一个局部HIS图像；
获取所述纺织样本的样本灰度图像和所述候选颜色类别中每个所述色块的局部灰度图像；根据所述样本灰度图像与每个所述局部灰度图像之间的灰度差异得到所述纺织样本的第一影响因素；根据所述样本HIS图像与每个所述局部HIS图像之间的饱和度差异得到所述纺织样本的第二影响因素；对所述样本灰度图像与所述局部灰度图像的灰度差异、所述样本HIS图像与所述局部HIS图像的饱和度差异进行融合，得到所述纺织样本的第三影响因素；
根据所述第一影响因素、第二影响因素以及第三影响因素的加权求和得到所述纺织样本对每个所述色块的 隶属度，隶属度最大时对应所述色块的颜色为所述纺织样本的颜色。
优选的，所述根据所述色卡HIS图像得到所述比色卡的多个颜色类别的步骤，包括：
根据所述色卡HIS图像得到每个所述色块对应的HIS图像，根据每个所述色块的HIS图像得到所述色块中每个像素点对应的色调值；
获取每个所述色块中所有像素点的平均色调值，根据每个所述色块的平均色调值进行聚类得到多个所述颜色类别，每个所述颜色类别对应一个色调中心值。
优选的，所述根据所述样本HIS图像的色调值与多个所述颜色类别匹配得到所述纺织样本的候选颜色类别的步骤，包括：
获取所述样本HIS图像中每个像素点对应的色调值，计算所有所述像素点的色调均值；计算所述色调均值与每个颜色类别的所述色调中心值的差异，所述差异最小时的所述颜色类别为所述纺织样本的候选颜色类别。
优选的，所述根据所述样本灰度图像与每个所述局部灰度图像之间的灰度差异得到所述纺织样本的第一影响因素的步骤，包括：
获取所述样本灰度图像的平均灰度值以及每个所述局部灰度图像对应的灰度均值；计算所述样本灰度图像中所有像素点灰度值与每个所述灰度均值的差异之和；
根据所述平均灰度值、所述灰度均值以及所述差异之和得到所述纺织样本的第一影响因素。
优选的，所述根据所述平均灰度值、所述灰度均值以及所述差异之和得到所述纺织样本的第一影响因素的步骤，包括：
所述第一影响因素的计算方法为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示第一影响因素；
Figure 100002_DEST_PATH_IMAGE006
表示样本灰度图像中所有像素点与灰度均值的差异之和；
Figure 100002_DEST_PATH_IMAGE008
表示样品灰度图像中所有像素点的数量；
Figure 100002_DEST_PATH_IMAGE010
表示样本灰度图像的平均灰度值；
Figure 100002_DEST_PATH_IMAGE012
表示局部灰度图像的灰度均值；
Figure 100002_DEST_PATH_IMAGE014
表示最小值函数。
优选的，所述根据所述样本HIS图像与每个所述局部HIS图像之间的饱和度差异得到所述纺织样本的第二影响因素的步骤，包括：
获取所述样本HIS图像的平均饱和度和每个所述局部HIS图像的饱和度均值；计算所述样本HIS图像中所有像素点饱和度值与每个所述饱和度均值的色彩差异之和；
根据所述平均饱和度、所述饱和度均值以及所述色彩差异之和得到所述纺织样本的第二影响因素。
优选的，所述根据所述平均饱和度、所述饱和度均值以及所述色彩差异之和得到所述纺织样本的第二影响因素的步骤，包括：
所述第二影响因素的计算方法为：
Figure 100002_DEST_PATH_IMAGE016
其中，
Figure 100002_DEST_PATH_IMAGE018
表示第二影响因素；
Figure 100002_DEST_PATH_IMAGE020
表示样本HIS图像中所有像素点饱和度值与饱和度均值的色彩差异之和；
Figure 100002_DEST_PATH_IMAGE022
表示样本HIS图像的平均饱和度；
Figure 100002_DEST_PATH_IMAGE024
表示局部HIS图像的饱和度均值；
Figure 567542DEST_PATH_IMAGE014
表示最小值函数。
优选的，所述对所述样本灰度图像与所述局部灰度图像的灰度差异、所述样本HIS图像与所述局部HIS图像的饱和度差异进行融合，得到所述纺织样本的第三影响因素的步骤，包括：
计算所述样本灰度图像中像素点的灰度值与所述局部灰度图像的灰度均值之间的灰度差异，标记所有所述灰度差异大于预设阈值的第一像素点；计算所述样本HIS图像中像素点的饱和度与所述局部HIS图像的饱和度均值之间的饱和度差异，标记所有所述饱和度差异大于预设阈值的第二像素点；
统计所述第一像素点与所述第二像素点之间的交集像素点数量，根据所述交集像素点数量得到所述纺织样本的第三影响因素。
第二方面，本发明另一个实施例提供了一种基于图像识别的纺织品颜色检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述方法所述的步骤。
本发明具有如下有益效果：本发明实施例能够实现生产领域人工智能系统等信息系统集成服务、人工智能优化操作系统、人工智能中间件、函数库等功能，还可以用于计算机视觉软件等应用软件开发；基于不同颜色空间下的纺织样本的图像以及比色卡中每个色块的图像进行颜色匹配，结合纺织样本的色调以及比色卡的色调进行初步的分类，基于初步分类后的色块和纺织样本之间的灰度差异、饱和度差异以及灰度差异和饱和度差异融合得到第一影响因素、第二影响因素以及第三影响因素；根据第一影响因素、第二影响因素以及第三影响因素的加权求和得到该纺织样本对每个色块的隶属度，隶属度最大时对应的色块颜色即为该纺织样本的颜色。通过应用电子设备进行图像识别，增加了数据分析的可靠性，提高了对颜色检测的效率和精准度且有效降低了检测成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于图像识别的纺织品颜色检测的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像识别的纺织品颜色检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于对纺织样本的颜色匹配，为了解决现有人工检测匹配效率低且精度低的问题，本发明实施例中首先基于比色卡的色卡HIS图像中每个色块的平均色调值进行初步分类得到多个颜色类别，进一步根据纺织样本对应的样本HIS图像的色调均值得到候选颜色类别，根据该纺织样本与候选颜色类别中每个色块之间的灰度差异、饱和度差异、以及融合灰度差异和饱和度差异的像素点数量得到第一影响因素、第二影响因素以及第三影响因素，进而得到该纺织样本对应的隶属度，隶属度最大时对应的色块颜色即为该纺织样本的颜色。增加了分析的准确性和可靠度，提高了颜色匹配的效率与精度，降低成本。
下面结合附图具体的说明本发明所提供的一种基于图像识别的纺织品颜色检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像识别的纺织品颜色检测的方法流程图，该方法具体包括以下步骤：
步骤S100，采集纺织样本的样本RGB图像和比色卡的色卡RGB图像；获取样本RGB图像对应的样本HIS图像和色卡RGB图像对应的色卡HIS图像。
具体的，在固定的光源下，设置相机对纺织样本以及比色卡进行图像采集，得到该纺织样本对应的样本RGB图像以及该比色卡对应的色卡RGB图像。为了提高对纺织品样本的颜色区分的准确度，将RGB图像转换为HIS(Hue-Intensity-Saturation)图像，即将RGB图像转化到另一种常用的颜色空间内得到HIS图像。本发明实施例中将RGB图像转换为HIS图像的转换方法为：
Figure 100002_DEST_PATH_IMAGE026
Figure 100002_DEST_PATH_IMAGE028
Figure 100002_DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE034
表示色调分量；
Figure DEST_PATH_IMAGE036
表示饱和度分量；
Figure DEST_PATH_IMAGE038
表示亮度分量；
Figure DEST_PATH_IMAGE040
表示红色分量；
Figure DEST_PATH_IMAGE042
表示绿色分量；
Figure DEST_PATH_IMAGE044
表示蓝色分量；
Figure DEST_PATH_IMAGE046
表示反余弦函数；
Figure 872490DEST_PATH_IMAGE014
表示最小值函数。
基于上述转换公式，将纺织样本对应的样本RGB图像转换为样本HIS图像，将色卡RGB图像转换为色卡HIS图像。
步骤S200，根据色卡HIS图像得到比色卡的多个颜色类别；根据样本HIS图像的色调值与多个颜色类别匹配得到纺织样本的候选颜色类别，候选颜色类别中包括多个色块，每个色块对应一个局部HIS图像。
纺织样本在进行颜色检测时，其对应的颜色分类应该尽可能的细致；而比色卡中颜色的分类繁多，因此需要在该比色卡中找出与该纺织品样本颜色最接近的颜色。根据色卡HIS图像能够得到每个色块对应的HIS图像，根据每个色块的HIS图像得到色块中每个像素点对应的色调值；获取每个色块中所有像素点的平均色调值，根据每个色块的平均色调值进行聚类得到多个颜色类别，每个颜色类别对应一个色调中心值。
具体的，获取该色卡HIS图像中每个色块对应的HIS图像，计算每个色块对应的HIS图像中所有像素点之间的平均色调值为：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE050
表示每个色块对应的平均色调值；
Figure DEST_PATH_IMAGE052
表示该色块中第
Figure DEST_PATH_IMAGE054
个像素点对应的色调值；
Figure DEST_PATH_IMAGE056
表示该色块中所有像素点的数量。
对获取到的每个色块对应的平均色调值进行聚类，本发明实施例中采用一维k-means均值聚类对所有色块进行聚类，得到多个颜色类别，每个颜色类别对应一个色调中心值，从而实现了对比色卡中所有色块的初步分类。
进一步的，获取样本HIS图像中每个像素点对应的色调值，计算所有像素点的色调均值；计算色调均值与每个颜色类别的色调中心值的差异，差异最小时的颜色类别为纺织样本的候选颜色类别。
具体的，根据样本HIS图像得到纺织样本每个像素点对应的色调值后，计算该样本HIS图像对应的色调均值为：
Figure DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE060
表示样本HIS图像对应的色调均值；
Figure 807911DEST_PATH_IMAGE052
表示该样本HIS图像中第
Figure 279343DEST_PATH_IMAGE054
个像素点对应的色调值；
Figure 537149DEST_PATH_IMAGE008
表示纺织样本对应的样本HIS图像中所有像素点的数量。
获取该样本HIS图像对应的色调均值与每个颜色类别的色调中心值的差异为：
Figure DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE064
表示样本HIS图像对应的色调均值与每个颜色类别的色调中心值的差异；
Figure 888365DEST_PATH_IMAGE060
表示样本HIS图像对应的色调均值；
Figure DEST_PATH_IMAGE066
表示第
Figure DEST_PATH_IMAGE068
个颜色类别的色调中心值。
当色调均值与颜色类别的色调中心值差异越小时，说明该纺织样本的颜色越接近该颜色类别，选取样本HIS图像对应的色调均值与颜色类别的色调中心值的差异最小时的颜色类别为该纺织样本的候选颜色类别。
由此对该纺织样本的颜色进行粗分类得到对应的候选颜色类别，该候选颜色类别中包括多个色块，每个色块对应一个局部HIS图像，进一步将该纺织样本与候选颜色类别中的色块继续进行匹配划分。
步骤S300，获取纺织样本的样本灰度图像和候选颜色类别中每个色块的局部灰度图像；根据样本灰度图像与每个局部灰度图像之间的灰度差异得到纺织样本的第一影响因素；根据样本HIS图像与每个局部HIS图像之间的饱和度差异得到纺织样本的第二影响因素；对样本灰度图像与局部灰度图像的灰度差异、样本HIS图像与局部HIS图像的饱和度差异进行融合，得到纺织样本的第三影响因素。
由步骤S200中对该纺织样本的颜色进行粗分类得到对应的候选颜色类别，进而通过计算隶属度将该纺织样本与该候选颜色类别中的每个色块颜色进行匹配。因此需要获取影响该纺织样本进行匹配的因素为：
（1）首先，获取该纺织样本的样本灰度图像，对步骤S100中得到的样本RGB图像进行灰度处理得到样本灰度图像，本发明实施例中采用加权转化方法为：
Figure DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE072
表示样本灰度图像；
Figure 395570DEST_PATH_IMAGE040
表示红色分量；
Figure 529748DEST_PATH_IMAGE042
表示绿色分量；
Figure 907640DEST_PATH_IMAGE044
表示蓝色分量。
基于上述获取样本灰度图像相同的方法，获取候选颜色类别中每个色块对应的局部灰度图像，以该纺织样本的样本灰度图像与每个色块的局部灰度图像计算第一影响因素，获取样本灰度图像的平均灰度值以及每个局部灰度图像对应的灰度均值；计算样本灰度图像中所有像素点灰度值与每个灰度均值的差异之和；根据平均灰度值、灰度均值以及差异之和得到纺织样本的第一影响因素。
具体的，获取该样本灰度图像中所有像素点对应灰度值的均值记为该样本灰度图像的平均灰度值；计算该候选颜色类别中每个色块对应的局部灰度图像中所有像素点对应灰度值的均值记为灰度均值。以任意色块为例，对该纺织样本的样本灰度图像中每个像素点进行分析，计算该样本灰度图像中每个像素点灰度值与该灰度均值之间的差异之和为：
Figure DEST_PATH_IMAGE074
其中，
Figure 305123DEST_PATH_IMAGE006
表示样本灰度图像中所有像素点与灰度均值的差异之和；
Figure DEST_PATH_IMAGE076
表示样本灰度图像中第
Figure 502886DEST_PATH_IMAGE054
个像素点的灰度值；
Figure 175176DEST_PATH_IMAGE012
表示局部灰度图像的灰度均值；
Figure 407574DEST_PATH_IMAGE008
表示样本灰度图像中所有像素点的数量。
差异之和越大，表明该样本灰度图像与该色块的隶属度越小，因此获取该纺织样本对该色块的第一影响因素为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 241538DEST_PATH_IMAGE004
表示第一影响因素；
Figure 926597DEST_PATH_IMAGE006
表示样本灰度图像中所有像素点与灰度均值的差异之和；
Figure 668157DEST_PATH_IMAGE008
表示样品灰度图像中所有像素点的数量；
Figure 755062DEST_PATH_IMAGE010
表示样本灰度图像的平均灰度值；
Figure 166452DEST_PATH_IMAGE012
表示局部灰度图像的灰度均值；
Figure 463441DEST_PATH_IMAGE014
表示最小值函数。
（2）基于样本HIS图像与候选颜色类别中每个色块对应的局部HIS图像计算第二影响因素，获取样本HIS图像的平均饱和度和每个局部HIS图像的饱和度均值；计算样本HIS图像中所有像素点饱和度值与每个饱和度均值的色彩差异之和；根据平均饱和度、饱和度均值以及色彩差异之和得到纺织样本的第二影响因素。
具体的，获取该样本HIS图像中所有像素点对应饱和度值的均值记为该样本HIS图像的平均饱和度；计算该候选颜色类别中每个色块对应的局部HIS图像中所有像素点对应饱和度的均值记为该局部HIS图像的饱和度均值。获取该样本HIS图像中所有像素点的饱和度值与任意色块的局部HIS图像的饱和度均值的色彩差异之和为：
Figure DEST_PATH_IMAGE078
其中，
Figure 946375DEST_PATH_IMAGE020
表示样本HIS图像中所有像素点与饱和度均值的色彩差异之和；
Figure DEST_PATH_IMAGE080
表示样本HIS图像中第
Figure 887786DEST_PATH_IMAGE054
个像素点对应的饱和度值；
Figure 735656DEST_PATH_IMAGE024
表示局部HIS图像的饱和度均值；
Figure 519941DEST_PATH_IMAGE008
表示样品灰度图像中所有像素点的数量。
进一步，根据色彩差异之和、饱和度均值以及平均饱和度得到第二影响因素为：
Figure DEST_PATH_IMAGE016A
其中，
Figure 806566DEST_PATH_IMAGE018
表示第二影响因素；
Figure 602484DEST_PATH_IMAGE020
表示样本HIS图像中所有像素点饱和度值与饱和度均值的色彩差异之和；
Figure 621256DEST_PATH_IMAGE022
表示样本HIS图像的平均饱和度；
Figure 627258DEST_PATH_IMAGE024
表示局部HIS图像的饱和度均值；
Figure 389677DEST_PATH_IMAGE014
表示最小值函数。
（3）纺织样本在对同一颜色类别中的色卡进行匹配时，其像素点的灰度值或者饱和度值都会与不同色卡之间出现差异，差异较大的像素点越多，表示该纺织样本对该色卡的隶属度越小；计算样本灰度图像中像素点的灰度值与局部灰度图像的灰度均值之间的灰度差异，标记所有灰度差异大于预设阈值的第一像素点；计算样本HIS图像中像素点的饱和度与局部HIS图像的饱和度均值之间的饱和度差异，标记所有饱和度差异大于预设阈值的第二像素点；统计第一像素点与第二像素点之间的交集像素点数量，根据交集像素点数量得到纺织样本的第三影响因素。
具体的，计算纺织样本对应的样本灰度图像中每个像素点灰度值与任意色卡对应的灰度均值之间的灰度差异为：
Figure DEST_PATH_IMAGE082
其中，
Figure DEST_PATH_IMAGE084
表示灰度差异；
Figure DEST_PATH_IMAGE086
表示样本灰度图像中第
Figure 102418DEST_PATH_IMAGE054
个像素点的灰度值；
Figure 157005DEST_PATH_IMAGE012
表示色卡对应局部灰度图像的灰度均值。
以此类推，获取该样本灰度图像中每个像素点灰度值与该灰度均值之间的灰度差异，将灰度差异大于预设阈值的像素点标记为第一像素点，并记录所有第一像素点在样本灰度图像中的位置。
作为优选，本发明实施例中将预设阈值设置为
Figure DEST_PATH_IMAGE088
，即当计算得到的灰度差异大于10时，将对应像素点标记为第一像素点。
相应的，计算纺织样本对应的样本HIS图像中每个像素点饱和度值与任意色卡对应的饱和度均值之间的饱和度差异为：
Figure DEST_PATH_IMAGE090
其中，
Figure DEST_PATH_IMAGE092
表示饱和度差异；
Figure 587987DEST_PATH_IMAGE080
表示样本HIS图像中第
Figure 888518DEST_PATH_IMAGE054
个像素点的饱和度值；
Figure 49241DEST_PATH_IMAGE024
表示色卡对应局部HIS图像的饱和度均值。
计算该样本HIS图像中每个像素点的饱和度与该饱和度均值之间的饱和度差异，将饱和度差异大于预设阈值的像素点标记为第二像素点，并记录所有第二像素点在样本HIS图像中的位置。
作为优选，本发明实施例中将预设阈值设置为
Figure DEST_PATH_IMAGE094
，即当计算得到的饱和度差异大于0.05时，将对应的像素点标记为第二像素点。
进一步的，获取第一像素点与第二像素点的交集像素点，即交集像素点对应的灰度差异与饱和度差异均大于对应的预设阈值；统计所有交集像素点的数量，当交集像素点的数量越多，说明该纺织样本对该色卡的隶属度越小，进而得到第三影响因素为：
Figure DEST_PATH_IMAGE096
其中，
Figure DEST_PATH_IMAGE098
表示第三影响因素；
Figure DEST_PATH_IMAGE100
表示所有交集像素点的数量；
Figure 675394DEST_PATH_IMAGE008
表示纺织样本对应图像中所有像素点的数量。
步骤S400，根据第一影响因素、第二影响因素以及第三影响因素的加权求和得到纺织样本对每个色块的 隶属度，隶属度最大时对应色块的颜色为纺织样本的颜色。
由步骤S300中得到该纺织样本对任意色卡的第一影响因素、第二影响因素以及第三影响因素，基于此获取该纺织样本对该色卡的隶属度为：
Figure DEST_PATH_IMAGE102
其中，
Figure DEST_PATH_IMAGE104
表示纺织样本的隶属度；
Figure 983885DEST_PATH_IMAGE004
表示第一影响因素；
Figure 88107DEST_PATH_IMAGE018
表示第二影响因素；
Figure DEST_PATH_IMAGE106
表示第三影响因素；
Figure DEST_PATH_IMAGE108
表示第一影响因素的权值系数；
Figure DEST_PATH_IMAGE110
表示第二影响因素的权值系数；
Figure DEST_PATH_IMAGE112
表示第三影响因素的权值系数。
作为优选，本发明实施例中设置
Figure DEST_PATH_IMAGE114
，
Figure DEST_PATH_IMAGE116
，
Figure DEST_PATH_IMAGE118
；在其他实施例中，实施者可根据实际情况自行设定。
以此获取该纺织样本对候选颜色类别中每个色卡对应的隶属度，隶属度最大时对应的色卡颜色即为该纺织样本最终的颜色。但由于色卡的种类繁多，在实际计算可能会出现隶属度相等的情况时，将隶属度相等时对应的色卡进行标记，本发明实施例中通过调整光源的位置再次进行图像采集，基于采集到的图像对色卡进行匹配，获取此时采集图像下纺织样本对上述标记的色卡的优化隶属度，优化隶属度最大时对应的色卡颜色即为该纺织样本的颜色。
作为优选，本发明实施例中设置光源调整的方法为在同一高度前后左右移动光源，使得光源与纺织样本呈45°夹角；即在四个不同位置的光源下采集四次图像进行优化隶属度的获取，计算四次优化隶属度对应的隶属度均值，隶属度均值最大时对应的色卡颜色即为该纺织样本的颜色。
综上所述，本发明实施例中首先获取纺织样本的样本RGB图像与比色卡的色卡RGB图像，对该样本RGB图像和色卡RGB图像分别进行转换得到样本HIS图像和色卡HIS图像；基于色卡HIS图像中每个色块的平均色调值进行初步分类得到多个颜色类别，进一步根据纺织样本对应的样本HIS图像的色调均值得到候选颜色类别，基于该候选颜色类别中的每个色块对该纺织样本的颜色进行匹配；根据该纺织样本与色块之间的灰度差异、饱和度差异、以及融合灰度差异和饱和度差异得到第一影响因素、第二影响因素以及第三影响因素，进而根据第一影响因素、第二影响因素以及第三影响因素进行加权求和得到该纺织样本对应的隶属度，隶属度最大时对应的色块颜色即为该纺织样本的颜色。通过色调、饱和度以及灰度等多个颜色通道对颜色进行匹配分析，增加了分析的准确性和可靠度，并且通过简单的数据处理，提高了颜色匹配的效率与精度，降低成本。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于图像识别的纺织品颜色检测系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序。处理器执行所述计算机程序时实现上述一种基于图像识别的纺织品颜色检测方法实施例中的步骤，例如图1所示的步骤。该一种基于图像识别的纺织品颜色检测方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于图像识别的纺织品颜色检测方法，其特征在于，该方法包括以下步骤：
采集纺织样本的样本RGB图像和比色卡的色卡RGB图像；获取所述样本RGB图像对应的样本HIS图像和所述色卡RGB图像对应的色卡HIS图像；
根据所述色卡HIS图像得到所述比色卡的多个颜色类别；根据所述样本HIS图像的色调值与多个所述颜色类别匹配得到所述纺织样本的候选颜色类别，所述候选颜色类别中包括多个色块，每个所述色块对应一个局部HIS图像；
获取所述纺织样本的样本灰度图像和所述候选颜色类别中每个所述色块的局部灰度图像；根据所述样本灰度图像与每个所述局部灰度图像之间的灰度差异得到所述纺织样本的第一影响因素；根据所述样本HIS图像与每个所述局部HIS图像之间的饱和度差异得到所述纺织样本的第二影响因素；对所述样本灰度图像与所述局部灰度图像的灰度差异、所述样本HIS图像与所述局部HIS图像的饱和度差异进行融合，得到所述纺织样本的第三影响因素；
根据所述第一影响因素、第二影响因素以及第三影响因素的加权求和得到所述纺织样本对每个所述色块的隶属度，隶属度最大时对应所述色块的颜色为所述纺织样本的颜色；
其中，所述根据所述样本灰度图像与每个所述局部灰度图像之间的灰度差异得到所述纺织样本的第一影响因素的步骤，包括：
获取所述样本灰度图像的平均灰度值以及每个所述局部灰度图像对应的灰度均值；计算所述样本灰度图像中所有像素点灰度值与每个所述灰度均值的差异之和；
根据所述平均灰度值、所述灰度均值以及所述差异之和得到所述纺织样本的第一影响因素，所述第一影响因素的计算方法为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示第一影响因素；
Figure DEST_PATH_IMAGE006
表示样本灰度图像中所有像素点与灰度均值的差异之和；
Figure DEST_PATH_IMAGE008
表示样品灰度图像中所有像素点的数量；
Figure DEST_PATH_IMAGE010
表示样本灰度图像的平均灰度值；
Figure DEST_PATH_IMAGE012
表示局部灰度图像的灰度均值；
Figure DEST_PATH_IMAGE014
表示最小值函数；
所述根据所述样本HIS图像与每个所述局部HIS图像之间的饱和度差异得到所述纺织样本的第二影响因素的步骤，包括：
获取所述样本HIS图像的平均饱和度和每个所述局部HIS图像的饱和度均值；计算所述样本HIS图像中所有像素点饱和度值与每个所述饱和度均值的色彩差异之和；
根据所述平均饱和度、所述饱和度均值以及所述色彩差异之和得到所述纺织样本的第二影响因素，所述第二影响因素的计算方法为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
表示第二影响因素；
Figure DEST_PATH_IMAGE020
表示样本HIS图像中所有像素点饱和度值与饱和度均值的色彩差异之和；
Figure DEST_PATH_IMAGE022
表示样本HIS图像的平均饱和度；
Figure DEST_PATH_IMAGE024
表示局部HIS图像的饱和度均值；
所述对所述样本灰度图像与所述局部灰度图像的灰度差异、所述样本HIS图像与所述局部HIS图像的饱和度差异进行融合，得到所述纺织样本的第三影响因素的步骤，包括：
计算所述样本灰度图像中像素点的灰度值与所述局部灰度图像的灰度均值之间的灰度差异，标记所有所述灰度差异大于预设阈值的第一像素点；计算所述样本HIS图像中像素点的饱和度与所述局部HIS图像的饱和度均值之间的饱和度差异，标记所有所述饱和度差异大于预设阈值的第二像素点；
统计所述第一像素点与所述第二像素点之间的交集像素点数量，根据所述交集像素点数量得到所述纺织样本的第三影响因素，所述第三影响因素的计算方法为：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
表示第三影响因素；
Figure DEST_PATH_IMAGE030
表示所有交集像素点的数量。
2.根据权利要求1所述的一种基于图像识别的纺织品颜色检测方法，其特征在于，所述根据所述色卡HIS图像得到所述比色卡的多个颜色类别的步骤，包括：
根据所述色卡HIS图像得到每个所述色块对应的HIS图像，根据每个所述色块的HIS图像得到所述色块中每个像素点对应的色调值；
获取每个所述色块中所有像素点的平均色调值，根据每个所述色块的平均色调值进行聚类得到多个所述颜色类别，每个所述颜色类别对应一个色调中心值。
3.根据权利要求2所述的一种基于图像识别的纺织品颜色检测方法，其特征在于，所述根据所述样本HIS图像的色调值与多个所述颜色类别匹配得到所述纺织样本的候选颜色类别的步骤，包括：
获取所述样本HIS图像中每个像素点对应的色调值，计算所有所述像素点的色调均值；计算所述色调均值与每个颜色类别的所述色调中心值的差异，所述差异最小时的所述颜色类别为所述纺织样本的候选颜色类别。
4.一种基于图像识别的纺织品颜色检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3任意一项方法所述的步骤。
CN202210541024.2A 2022-05-19 2022-05-19 一种基于图像识别的纺织品颜色检测方法及系统 Active CN114648594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210541024.2A CN114648594B (zh) 2022-05-19 2022-05-19 一种基于图像识别的纺织品颜色检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210541024.2A CN114648594B (zh) 2022-05-19 2022-05-19 一种基于图像识别的纺织品颜色检测方法及系统

Publications (2)

Publication Number Publication Date
CN114648594A CN114648594A (zh) 2022-06-21
CN114648594B true CN114648594B (zh) 2022-08-16

Family

ID=81997176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210541024.2A Active CN114648594B (zh) 2022-05-19 2022-05-19 一种基于图像识别的纺织品颜色检测方法及系统

Country Status (1)

Country Link
CN (1) CN114648594B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926661B (zh) * 2022-07-21 2022-09-20 南通永安纺织有限公司 一种纺织品表面颜色数据处理、识别方法及系统
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
CN115063605B (zh) * 2022-08-16 2022-12-13 南通卓越数码科技有限公司 利用电子设备识别彩印包装的方法
CN115082470B (zh) * 2022-08-22 2024-01-02 金华百丝特工艺品有限公司 一种基于图像识别的防水布性能检测方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7046842B2 (en) * 1999-08-17 2006-05-16 National Instruments Corporation System and method for color characterization using fuzzy pixel classification with application in color matching and color match location
CN109460710A (zh) * 2018-10-12 2019-03-12 北京中科慧眼科技有限公司 一种颜色分类识别方法、装置及自动驾驶系统
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

Also Published As

Publication number Publication date
CN114648594A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN114648594B (zh) 一种基于图像识别的纺织品颜色检测方法及系统
US7046842B2 (en) System and method for color characterization using fuzzy pixel classification with application in color matching and color match location
US8675960B2 (en) Detecting skin tone in images
US8139852B2 (en) Color classification method, color recognition method, color classification apparatus, color recognition apparatus, color recognition system, computer program, and recording medium
US6963425B1 (en) System and method for locating color and pattern match regions in a target image
US20060050957A1 (en) Method of generating a mask image of membership of single pixels to certain chromaticity classes and of adaptive improvement of a color image
CN103366178A (zh) 一种用于对目标图像进行颜色分类的方法与设备
CN113963041A (zh) 一种图像纹理识别方法及系统
JP7412556B2 (ja) 目標コーティング中の効果顔料を識別する方法及び装置
CN113340817B (zh) 光源光谱和多光谱反射率图像获取方法、装置及电子设备
CN105320970A (zh) 一种马铃薯病害诊断装置、诊断系统及诊断方法
CN107146258B (zh) 一种图像显著区域检测方法
US7403636B2 (en) Method and apparatus for processing an image
CN111428814B (zh) 一种混纺纱颜色自动识别匹配方法
Khot et al. Optimal computer based analysis for detecting malarial parasites
CN114926661B (zh) 一种纺织品表面颜色数据处理、识别方法及系统
Khan et al. Evaluation of color spaces for edge classification in outdoor scenes
JP3696212B2 (ja) パターン認識における照合に用いられる画像の生成ならびに同画像を用いたパターン認識のための方法、装置、およびプログラム
CN113297977B (zh) 活体检测方法、装置及电子设备
CN113340816B (zh) 光源光谱和多光谱反射率图像获取方法、装置及电子设备
CN114820707A (zh) 一种用于摄像头目标自动追踪的计算方法
KR20030091471A (ko) ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법
CN111160366A (zh) 一种彩色图像识别方法
CN115063605B (zh) 利用电子设备识别彩印包装的方法
JP2020094985A (ja) 分光画像推定システム、分光画像推定方法、及びプログラム

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