CN114723704B - 一种基于图像处理的纺织品质量评估方法 - Google Patents

Abstract

本发明涉及一种基于图像处理的纺织品质量评估方法，通过获取待检测纺织品图像原图及旋转不同角度的多个图像，提取出待检测纺织品图像原图中的异常区域，根据每个异常区域内每个像素点的海森矩阵的两个特征值得到该异常区域内的非平滑点，获取将中心像素点与边缘点连接线上每个像素点的左右邻域的像素点序列，根据像素点序列的中的像素点灰度值构建高斯模型，高斯模型的参数构成一个二元组，根据二元组频次计算每个异常区域的纹理特征指标，根据每个异常区域的纹理特征指标和非平滑点数量得到每个异常区域的异常指标，根据所有异常区域的异常指标得到纺织品质量评估指标，对待检测纺织品质量进行评估，方法智能而精准。

Description

一种基于图像处理的纺织品质量评估方法

技术领域

本申请涉及纺织品质量评估领域，具体涉及一种基于图像处理的纺织品质量评估方法。

背景技术

纺织品是人们日常生活中的不可缺少的物品，随着生活水平的不断提高，人们对纺织品质量的要求越来越高，而纺织品中的缺陷不仅对于质量有影响，而且对于纺织品的美观性，时尚性都会有影响，纺织品及织物质量评估，主要是针对纺织品外观质量进行检测，评估，目前，对于纺织品的质量检测评估大多都是通过有经验的操作工来检测，这种方式对工作人员的经验以及能力要求较高，人工评估具有主观性，检测精度及效率较低，耗时相当长，并且人工很难做到对纺织品表面的全面快速检测。

发明内容

本发明提供一种基于图像处理的纺织品质量评估方法，解决人工检测纺织品质量时的效率和精度低的问题，采用如下技术方案：

获取待检测纺织品图像中所有异常区域；

提取每个异常区域中的非平滑点；

根据每个异常区域的中心像素沿指示方向与异常区域边缘点的连接线，获取每条连接线上的异常区域像素点，以每个异常区域像素点为中心，作出与该连接线垂直的垂线；

根据每条垂线上沿异常区域像素点对称的所有像素点的灰度值，获取每个异常区域像素点的高斯模型，利用高斯模型的参数构建每一个异常区域像素点的二元组；

利用每一个异常区域中每一个异常区域像素点的二元组的元素计算每一个异常区域的纹理特征指标；

根据每个异常区域的纹理特征指标和每个异常区域内的非平滑点数量得到每个异常区域的异常指标；

根据所有异常区域的异常指标对待检测的纺织品质量进行评估。

所述获取待检测纺织品图像中所有异常区域的方法步骤为：

将待检测纺织品图像原图逆时针旋转d₁,d₂,…,d_n度后得到n张旋转图像，d₁d₂,…,d_n分别为第1,2,…,n张旋转图像的旋转角度；

将待检测纺织品图像原图及n张旋转图像进行超像素分割，每张图像得到多个超像素块；

对每张图中的超像素块进行基于灰度值聚类分析，将超像素块分为两类，将包含超像素块较少的一类作为待分析类别的超像素块；

将每张图中的待分析类别的超像素块组成连通域，作为每张图像的待分析连通域；

获取每张图像的待分析连通域中心坐标，以待检测纺织品图像原图中心为原点将原图中的待分析连通域中心点逆时针旋转d₁,d₂,…,d_n度；

将每次旋转后的原图中的待分析连通域的中心点坐标和其他旋转图像中对应的待分析连通域中心点坐标进行对比，若在其他图像中出现了与其旋转后的各坐标相同的坐标且出现次数不低于2，则该待分析连通域为异常区域，否则，该待分析连通域为正常区域。

所述提取每个异常区域中的非平滑点的方法为：

获取异常区域内每个像素点的海森矩阵，得到两个特征值λ₁、λ₂和两个特征向量；

若像素点的海森矩阵的两个特征值λ₁、λ₂满足|λ₁|>λ_T且|λ₂|>λ_T，该像素点为非平滑点，λ_T为特征值阈值。

所述指示方向获取方法为：

将每个异常区域的中心像素点的海森矩阵的两个特征向量和特征值中较大特征值对应的特征向量方向作为指示方向。

所述每一个异常区域的纹理特征指标的计算方法为：

式中，W为异常区域的纹理特征指标，c＝1,2,…,C，C为所获取的二元组的总类别数，f_c为每类二元组在所有二元组中出现的频次。

所述每个异常区域的异常指标的计算方法为：

式中，L_t为第t个异常区域的异常指标，a为可调参数，N_t为第t个异常区域的非平滑点的数量，W_t为第t个异常区域的纹理特征指标。

所述对待检测的纺织品质量进行评估的方法为：

式中，Q为待检测纺织品的质量评估指标，t＝1,2,…,T，T为待检测纺织品图像中异常区域数量，S为待检测纺织品图像的总面积，即待检测纺织品图像中所有像素点数量之和，S_t为待检测纺织品图像中第t个异常区域的面积。

本发明的有益效果是：提出一种基于图像处理的纺织品质量评估方法，通过图像数据及图像处理技术，提取纺织品表面图像的特征参数，用于对表面的缺陷及异常状况进行检测，进一步实现对纺织品的质量的定量分析，基于图像数据对纺织品外观质量进行评估检测，具有无接触性、检测速度快以及精度高等优点。

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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种基于图像处理的纺织品质量评估方法的流程示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种基于图像处理的纺织品质量评估方法的实施例，如图1所示，包括：

步骤一：获取待检测纺织品图像中所有异常区域；

该步骤的目的是对于待检测纺织品进行图像采集，作为纺织品质量评估的基准数据，然后在获取待检测纺织品的基础图像数据后，对图像数据进行处理分析，先建立表面异常区域提取模型，用于识别纺织品表面的异常区域。

其中，图像采集具体方法如下：

在待检测纺织品正上方部署图像采集设备，摄像头的拍摄范围及角度实施者根据实际情况自行调整，为提高纺织品质量评估精度，避免光照的外在条件对图像数据的影响，本实施例将采集不同角度下的待检测纺织品的多张图像，基于多张图像所提取的特征参数对纺织品表面状况进行表征，以避免外界条件对图像特征参数提取精度的影响。

需要说明的是，上述多角度下的待检测纺织品表面图像的采集，实施者根据自身情况进行设置纺织品采集角度，本实施例设置：针对每件待检测纺织品均采集四张图像，每次调整逆时针旋转90度，获取对应的四张图像，作为对应纺织品质量评估的基础图像数据。

其中，提取异常区域的方法为：

首先，对于所采集的图像数据，先对其进行超像素分割，然后对分割后的各超像素块进行聚类分析，本发明采用K-means聚类算法基于各超像素块的灰度均值，实现对超像素块的分类，其中K＝2，则每个图像中的超像素块被分为两类。

然后，获取分类后的两个类别后，将包含超像素块较少的类别作为待分析类别，将待分析类别所对应的超像素块组成的各连通域，作为待分析连通域，对于待检测纺织品所采集的四张图像，均可得到对应的各待分析连通域；

最后，进一步对于待检测纺织品所采集的四张图像，

对于待检测纺织品图像原图(未旋转)中的待分析连通域，获取其中心点坐标后，分别以原图的中心像素点为原点将待分析连通域中心点逆时针旋转90度，180度，270度，可得到旋转后的三个待分析连通域中心点坐标，若在其他三张旋转图像(除了原图之外其他三张图像)中的对应的待检测连通域中心点坐标出现了与其旋转后的坐标相同的坐标且出现次数不低于2，则认为该待分析连通域为异常区域；否则，将认为该待分析连通域为由于外界光照等因素影响误认为异常区域的连通域，将误认为异常区域的连通域作为正常区域。

至此，通过上述方法基于图像特征对其进行聚类分析，并进一步结合待检测纺织品不同角度的图像数据进行异常区域的准确检测。该方法可避免单一图像对异常区域检测的低精度问题，考虑不同角度下的图像数据并基于异常区域的特征不变性对纺织品表面异常区域进行准确识别。

步骤二：提取每个异常区域中的非平滑点；

该步骤的目的是，将每个异常区域对应的连通域作为ROI区域，获取ROI区域内每个像素点的海森矩阵的两个特征向量和两个特征值，根据每个ROI区域内每个像素点的海森矩阵的两个特征值得到该ROI区域内的非平滑点(异常区域的非平滑点)，通过获取纺织品表面的异常区域表征数据(非平滑点)，进一步用于对纺织品的质量进行精确评估。

其中，异常区域的非平滑点的获取方法如下：

首先，将异常区域所对应的各连通域作为各ROI区域，对于所述ROI区域，本发明将获取其内部各像素点的海森矩阵并得到对应的特征值；

然后，考虑到正常情况下纺织品表面分布较为均匀，因此，本实施例将对ROI区域内的非平滑点进行检测，以得到ROI区域内的表面平滑程度，用于作为纺织品表面异常区域异常程度的检测依据，具体方法为：

对于各像素点海森矩阵的特征值，本发明将预先设置特征值阈值λ_T，当像素点的海森矩阵的两个特征值满足|λ₁|>λ_T且|λ₂|>λ_T时，将认为该像素点为点状结构，本发明将其作为非平滑点，统计ROI区域内非平滑点的个数，记为N_t，代表第t个ROI区域内的非平滑点的数量，将其作为表征ROI区域异常程度的特征参数。

步骤三：根据每个异常区域的中心像素沿指示方向与异常区域边缘点的连接线，获取每条连接线上的异常区域像素点，以每个异常区域像素点为中心，作出与该连接线垂直的垂线；根据每条垂线上沿异常区域像素点对称的所有像素点的灰度值，获取每个异常区域像素点的高斯模型，利用高斯模型的参数构建每一个异常区域像素点的二元组；利用每一个异常区域中每一个异常区域像素点的二元组的元素计算每一个异常区域的纹理特征指标；

该步骤的目的是，获取到异常区域内像素点的邻域像素点，每个像素点的左右邻域像素序列中灰度值构建高斯模型，将高斯模型参数构成二元组，根据二元组得到异常区域的纹理特征指标；

其中，指示方向获取方法为：

获取异常区域的中心像素点，得到中心像素点的海森矩阵，进一步获取海森矩阵对应的特征值以及特征向量，将获取较大特征值对应的特征向量所指的方向，以该方向作为指示方向。

其中，获取连接线的方法为：

以异常区域的中心像素点为起点，沿着指示方向将中心像素点与异常区域边缘点相连接，可得到连接线。

其中，获取连接线上每个像素点的二元组的步骤为：

分别将连接线上的各像素点作为中心像素点，对于每个中心像素点，过中心像素点做连接线的垂直线，在所述垂直线上获取中心像素点左右邻域各K个像素点，也即在所述垂直线上共选取2K+1个像素点(包括中心像素点)，对于中心像素点沿垂直线方向左右两侧选取像素点的数量K实施者自行设定，本实施例K＝50，将中心像素点沿垂直线方向左右两侧选取的像素点(算上中心像素点共有2K+1个像素点)作为一个像素序列；

将连接线上的每个像素点的像素序列内各像素点的灰度值构建一个高斯模型，用于对中心像素点左右两侧的纹理状况进行检测，连接线上每个像素点均可得到一个对应的高斯模型，每个高斯模型均可对应两个参数，将其构成一个二元组，以便分析连接线两侧的纹理特征，则连接线上第n个像素点所对应的二元组为s_n＝[μ_n,σ_n]，可得到连接线上各像素点的二元组，本发明将连接线上包含像素点的数量记为M，则可得到M个二元组。

其中，每个异常区域的纹理特征指标计算方法为：

获取异常区域内连接线上每个像素点的二元组，将相同的二元组归为一类，根据每类二元组在对应异常区域中出现的频次得到每个异常区域的纹理特征指标：

式中，C为所获取的二元组的总类别数，W为异常区域的纹理特征指标，W函数值越大，则对应异常区域内的纹理复杂度越高，分布越杂乱。可根据此方法获取各异常区域的纹理特征指标，用于对异常区域的异常程度进行判定。

需要说明的是，像素点海森矩阵的特征值就是表征其在该点附近特征向量方向的像素点灰度变化程度的大小，特征值越大，灰度变化程度越强。本发明考虑到较大特征值对应的特征向量的方向为灰度变化程度较大的方向，本发明将其作为指示方向对异常区域内的纹理分布情况进行分析，可准确提取异常区域内的显著纹理特征信息，可以提高异常区域异常程度检测精度，进一步提高纺织品质量评估准确性。

步骤四：根据每个异常区域的纹理特征指标和非平滑点数量得到每个异常区域的异常指标；

该步骤的目的是，基于上述步骤提取的异常区域的各特征参数，本实施例将计算异常程度值，对异常区域的异常程度进行判定，进一步可实现对待检测纺织品的质量进行准确评估。

其中，异常区域的异常指标计算方法如下：

式中，L_t为第t个异常区域的异常程度判定指标，N_t为第t个异常区域的非光滑点的数量，W_t为第t个异常区域的纹理特征值，a为模型可调超参数，实施者自行设定，本发明将其设置为a＝0.5。

步骤五：根据所有异常区域的异常指标对待检测的纺织品质量进行评估。

该步骤的目的是，为实现对纺织品质量的评估，本实施例将基于纺织品图像所提取的异常区域以及异常区域的异常程度指标，计算纺织品质量评估指标，定量分析纺织品的质量，以便为相关工作人员提供参考依据。

其中，纺织品质量评估指标计算方式具体为：

式中，S为采集图像的总面积，图像所有像素点数量之和，S_t为第t个异常区域的面积，Q为待检测纺织品的纺织品质量评估指标，L_t为第t个异常区域的异常程度值。

对待检测的纺织品质量进行评估的方法为：

本实施例先对Q进行归一化保证函数值处于(0，1)之间，然后对Q进行质量阈值设定，Q阈值设置为0.7，纺织品质量评估指标越高，则说明该纺织品质量越好，若纺织品质量评估指标大于等于0.7时，认为该纺织品质量合格，若纺织品质量评估指标小于0.7时，认为该纺织品质量不合格，具体实施者可自行调整。

最终，根据本实施例的方法获取待检测纺织品的质量指标，实现对纺织品质量的定量评估，以便为操作工提供相关的参考意见。

以上所述仅为本发明的较佳实施例而已，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 (5)

1.一种基于图像处理的纺织品质量评估方法，其特征在于，包括：

获取待检测纺织品图像中所有异常区域；

提取每个异常区域中的非平滑点；

所述提取每个异常区域中的非平滑点的方法为：

获取异常区域内每个像素点的海森矩阵，得到两个特征值 、 和两个特征向量；

若像素点的海森矩阵的两个特征值 、 满足且，该像素点为非平滑点，为特征值阈值；

根据每个异常区域的中心像素沿指示方向与异常区域边缘点的连接线，获取每条连接线上的异常区域像素点，以每个异常区域像素点为中心，作出与该连接线垂直的垂线；根据每条垂线上沿异常区域像素点对称的所有像素点的灰度值，获取每个异常区域像素点的高斯模型，利用高斯模型的参数构建每一个异常区域像素点的二元组；所述连接线上第n个异常区域像素点所对应的二元组为；

利用每一个异常区域中每一个异常区域像素点的二元组的元素计算每一个异常区域的纹理特征指标；

根据每个异常区域的纹理特征指标和每个异常区域内的非平滑点数量得到每个异常区域的异常指标；

所述每个异常区域的异常指标的计算方法为：

式中，为第t个异常区域的异常指标，a为可调参数，为第t个异常区域的非平滑点的数量，为第t个异常区域的纹理特征指标；

根据所有异常区域的异常指标对待检测的纺织品质量进行评估。

2.根据权利要求1所述的一种基于图像处理的纺织品质量评估方法，其特征在于，所述获取待检测纺织品图像中所有异常区域的方法步骤为：

将待检测纺织品图像原图逆时针旋转度后得到张旋转图像，分别为第张旋转图像的旋转角度；

将待检测纺织品图像原图及张旋转图像进行超像素分割，每张图像得到多个超像素块；

对每张图中的超像素块进行基于灰度值聚类分析，将超像素块分为两类，将包含超像素块较少的一类作为待分析类别的超像素块；

将每张图中的待分析类别的超像素块组成连通域，作为每张图像的待分析连通域；

获取每张图像的待分析连通域中心坐标，以待检测纺织品图像原图中心为原点将原图中的待分析连通域中心点逆时针旋转度；

将每次旋转后的原图中的待分析连通域的中心点坐标和其他旋转图像中对应的待分析连通域中心点坐标进行对比，若在其他图像中出现了与其旋转后的各坐标相同的坐标且出现次数不低于2，则该待分析连通域为异常区域，否则，该待分析连通域为正常区域。

3.根据权利要求1所述的一种基于图像处理的纺织品质量评估方法，其特征在于，所述指示方向获取方法为：

将每个异常区域的中心像素点的海森矩阵的两个特征向量和特征值中较大特征值对应的特征向量方向作为指示方向。

4.根据权利要求1所述的一种基于图像处理的纺织品质量评估方法，其特征在于，所述每一个异常区域的纹理特征指标的计算方法为：

式中，为异常区域的纹理特征指标，，为所获取的二元组的总类别数，为每类二元组在所有二元组中出现的频次。

5.根据权利要求1所述的一种基于图像处理的纺织品质量评估方法，其特征在于，所述对待检测的纺织品质量进行评估的方法为：

式中，为待检测纺织品的质量评估指标，，为待检测纺织品图像中异常区域数量，为待检测纺织品图像的总面积，即待检测纺织品图像中所有像素点数量之和，为待检测纺织品图像中第个异常区域的面积。

Images