CN114882034A - 基于图像处理的面料染色质量评估方法 - Google Patents

基于图像处理的面料染色质量评估方法 Download PDF

Info

Publication number
CN114882034A
CN114882034A CN202210808362.8A CN202210808362A CN114882034A CN 114882034 A CN114882034 A CN 114882034A CN 202210808362 A CN202210808362 A CN 202210808362A CN 114882034 A CN114882034 A CN 114882034A
Authority
CN
China
Prior art keywords
saturation
fabric
sliding window
kernel
image
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
Application number
CN202210808362.8A
Other languages
English (en)
Other versions
CN114882034B (zh
Inventor
邵海军
杨家俊
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 Shisen Cloth Co ltd
Original Assignee
Nantong Shisen Cloth 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 Shisen Cloth Co ltd filed Critical Nantong Shisen Cloth Co ltd
Priority to CN202210808362.8A priority Critical patent/CN114882034B/zh
Publication of CN114882034A publication Critical patent/CN114882034A/zh
Application granted granted Critical
Publication of CN114882034B publication Critical patent/CN114882034B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种基于图像处理的面料染色质量评估方法，包括：获取面料表面HSV图及图中各像素点的饱和度；通过设计的统计核遍历HSV图，获取每次滑窗后的统计核；根据每次滑窗后的统计核内饱和度分布情况得到统计核中分布最均匀的饱和度范围；根据饱和度范围内各像素点的饱和度及各像素点在统计核内的位置，得到统计核内饱和度均值、临近差均值及临近差方差这三种特征；根据三种特征得到的三特征图构建HSV图的三维染色均匀共生矩阵；对三维染色均匀共生矩阵进行均匀熵计算，完成对面料染色质量的评估。上述方法用于评估面料染色质量，通过上述方法可有效降低色点缺陷对面料染色质量评估的干扰。

Description

基于图像处理的面料染色质量评估方法
技术领域
本发明涉及图像处理领域，具体涉及一种基于图像处理的面料染色质量评估方法。
背景技术
在面料染色的过程中，由于操作不当等原因可能会使得面料表面出现多种缺陷，影响面料的染色质量。其中，色点缺陷为主要缺陷之一，是由于在面料染色前进行的前处理工艺导致面料表面出现毛球等瑕疵，进一步在染色过程中将毛球也染上颜色而使面料表面出现色点，整体表现为面料表面颜色深浅不一，造成面料染色质量的下降。因此降低色点对面料染色质量评估造成的干扰尤为重要。
为了消除色点对面料染色质量评估的干扰，目前采用的技术主要是对面料的颜色饱和度进行阈值分割，分离出色点后再对面料进行质量评估。
然而现有的阈值分割方法依赖人工经验，同时由于色点的深浅颜色不一致，导致阈值的准确性下降，使得一些非色点区域被当作色点区域分离出去，从而影响对面料染色质量的准确评估。因此，亟需一种方法用于降低色点对面料染色质量评估的干扰，并提高染色质量评估的准确性。
发明内容
本发明提供了一种基于图像处理的面料染色质量评估方法，包括：获取面料表面HSV图及图中各像素点的饱和度；通过设计的统计核遍历HSV图，获取每次滑窗后的统计核；根据每次滑窗后的统计核内饱和度分布情况得到统计核中分布最均匀的饱和度范围；根据饱和度范围内各像素点的饱和度及各像素点在统计核内的位置，得到统计核内饱和度均值、临近差均值及临近差方差这三种特征；根据三种特征得到的三特征图构建HSV图的三维染色均匀共生矩阵；对三维染色均匀共生矩阵进行均匀熵计算，完成对面料染色质量的评估，相比于现有技术，结合计算机视觉与图像处理，利用设计的统计核对面料表面HSV图进行滑窗检测，得到每次滑窗的统计核，通过对每次滑窗的统计核进行饱和度分析，得到各滑窗统计核的染色三特征，进而得到面料表面HSV图的染色三特征图，根据染色三特征图构建了面料表面的三维染色均匀共生矩阵，本发明通过滑窗的方式进行小范围的面料表面染色特征提取，有效降低了色点缺陷对面料染色质量评估的干扰。
进一步的，本发明对得到的面料表面的三维染色均匀共生矩阵进行均匀熵计算，根据均匀熵对面料染色质量进行评估，有效提高了面料染色质量评估的准确性。
为达到上述目的，本发明采用以下技术方案，一种基于图像处理的面料染色质量评估方法，包括：
获取待评估的面料表面HSV图及图中各像素点的颜色饱和度。
利用设计的统计核遍历面料表面HSV图中的S通道图进行滑窗检测。
对每次滑窗后的统计核内各像素点的饱和度进行一维分布统计，得到每次滑窗后的统计核的饱和度一维分布图。
对饱和度一维分布图中的像素点进行多尺度滑窗检测，得到不同滑窗尺度下的分布聚集中心。
对各分布聚集中心进行一维密度聚类，得到每次滑窗后的统计核中分布最均匀的饱和度范围。
计算饱和度范围内各像素点的饱和度均值，得到每次滑窗后的统计核内饱和度均值。
利用饱和度范围内各像素点与其在统计核内的邻近像素点的饱和度的差值，得到每次滑窗后的统计核内临近差均值及临近差方差。
将每次滑窗后的统计核内饱和度均值、核内临近差均值和临近差方差的三个特征作为统计核的中心位置像素值，利用每一个像素点对应的饱和度均值、核内临近差均值和临近差方差的特征得到S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图。
根据S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图构建面料表面HSV图的三维染色均匀共生矩阵。
对三维染色均匀共生矩阵进行均匀熵计算，得到三维染色均匀共生矩阵的均匀熵。
设置阈值，判断均匀熵与阈值的大小关系：当均匀熵不大于阈值时，面料染色质量合格，当均匀熵大于阈值时，面料染色质量不合格。
进一步的，所述一种基于图像处理的面料染色质量评估方法，所述待评估的面料表面HSV图及图中各像素点的颜色饱和度是按照如下方式获取：
获取待评估的面料表面RGB图像。
将面料表面RGB图像转化为HSV图像，得到HSV三通道图像。
保留HSV三通道图像中的S通道，得到面料表面的S通道图像及各像素点的饱和度。
进一步的，所述一种基于图像处理的面料染色质量评估方法，所述不同滑窗尺度下的分布聚集中心是按照如下方式得到：
对饱和度一维分布图中的像素点进行多尺度滑窗检测。
分别计算各尺度下对应的窗口内像素点的饱和度方差，得到不同滑窗尺度下的一系列方差。
选取不同滑窗尺度下的饱和度方差最小的窗口。
计算各饱和度方差最小的窗口内所有像素点的饱和度均值，得到不同滑窗尺度下的饱和度均值。
记录不同尺度下的饱和度均值位置，将各位置作为其对应的滑窗尺度下的分布聚集中心，得到不同滑窗尺度下的分布聚集中心。
进一步的，所述一种基于图像处理的面料染色质量评估方法，所述每次滑窗后的统计核中分布最均匀的饱和度范围是按照如下方式得到：
将不同滑窗尺度下的分布聚集中心标记在饱和度轴上，得到分布聚集中心轴。
对分布聚集中心轴上的分布聚集中心进行一维密度聚类，得到多个类别。
选取包含最多分布聚集中心的类别，将该类别中尺度最大
Figure DEST_PATH_IMAGE001
的分布聚集中心作为范围中心，离该范围中心最近的前
Figure 646051DEST_PATH_IMAGE001
个统计核内像素点的饱和度作为每次滑窗后的统计核中分布最均匀的饱和度范围。
进一步的，所述一种基于图像处理的面料染色质量评估方法，所述每次滑窗后的统计核内临近差均值及临近差方差是按照如下方式得到：
将分布最均匀的饱和度范围内所有的像素点在统计核内标记出来。
选取被标记的像素点中的一个，计算该像素点与离其距离最近的被标记像素点的饱和度差值的绝对值，得到所有被标记的像素点的临近差值。
计算所有被标记的像素点的临近差值的均值，得到统计核内临近差均值。
根据所有被标记的像素点的临近差值和统计核内临近差均值，得到每次滑窗后的统计核内临近差均值及临近差方差。
进一步的，所述一种基于图像处理的面料染色质量评估方法，所述面料表面HSV图的三维染色均匀共生矩阵是按照如下方式构建：
选取面料表面HSV图中任一像素位置，该像素位置在S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图中的相应位置各对应一个特征值，获取面料表面HSV图中各像素位置在三个特征图中的特征值。
对各像素位置在三个特征图中的特征值进行分级，得到面料表面HSV图中各像素位置的三个特征级别，分别记为
Figure 135939DEST_PATH_IMAGE002
。
根据面料表面HSV图中各像素位置的三个特征级别得到
Figure DEST_PATH_IMAGE003
矩阵，该
Figure 259752DEST_PATH_IMAGE003
矩阵即为面料表面HSV图的三维染色均匀共生矩阵。
进一步的，所述一种基于图像处理的面料染色质量评估方法，所述三维染色均匀共生矩阵的均匀熵的表达式如下：
Figure DEST_PATH_IMAGE005
式中：
Figure 825994DEST_PATH_IMAGE006
代表饱和度均值级别为
Figure DEST_PATH_IMAGE007
，临近差均值级别为
Figure 769679DEST_PATH_IMAGE008
，临近差方差级别为
Figure DEST_PATH_IMAGE009
的归一化概率，
Figure 594416DEST_PATH_IMAGE010
为三维染色均匀共生矩阵的均匀熵。
本发明的有益效果在于：
结合计算机视觉与图像处理，利用设计的统计核对面料表面HSV图进行滑窗检测，得到每次滑窗的统计核，通过对每次滑窗的统计核进行饱和度分析，得到各滑窗统计核的染色三特征，进而得到面料表面HSV图的染色三特征图，根据染色三特征图构建了面料表面的三维染色均匀共生矩阵，本发明通过滑窗的方式进行小范围的面料表面染色特征提取，有效降低了色点缺陷对面料染色质量评估的干扰。
进一步的，本发明对得到的面料表面的三维染色均匀共生矩阵进行均匀熵计算，根据均匀熵对面料染色质量进行评估，有效提高了面料染色质量评估的准确性。
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为本发明实施例提供的一种面料染色质量评估方法示意图。
图2为本发明实施例提供的一种面料染色质量评估方法示意图。
图3为本发明实施例提供的一种统计核的饱和度一维分布图示意图。
图4为本发明实施例提供的一种分布最均匀的饱和度范围内的像素点在统计核内的位置示意图。
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。
实施例1
本发明实施例提供一种基于图像处理的面料染色质量评估方法，如图1所示，包括：
S101、获取待评估的面料表面HSV图及图中各像素点的颜色饱和度。
其中，HSV是根据颜色的直观特性创建的一种颜色空间, 也称六角锥体模型。这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。
S102、利用设计的统计核遍历面料表面HSV图中的S通道图进行滑窗检测。
其中，统计核大小为自设参数，一般为奇数。
S103、对每次滑窗后的统计核内各像素点的饱和度进行一维分布统计，得到每次滑窗后的统计核的饱和度一维分布图。
其中，饱和度一维分布图中的散点个数为统计核内像素点个数。
S104、对饱和度一维分布图中的像素点进行多尺度滑窗检测，得到不同滑窗尺度下的分布聚集中心。
其中，滑窗尺度为窗口内像素点个数。
S105、对各分布聚集中心进行一维密度聚类，得到每次滑窗后的统计核中分布最均匀的饱和度范围。
其中，密度聚类是从样本密度的角度进行考察样本之间的可连接性，并由可连接样本不断扩展直到获得最终的聚类结果。
S106、计算饱和度范围内各像素点的饱和度均值，得到每次滑窗后的统计核内饱和度均值。
其中，饱和度范围指的是统计核中分布最均匀的饱和度范围。
S107、利用饱和度范围内各像素点与其在统计核内的邻近像素点的饱和度的差值，得到每次滑窗后的统计核内临近差均值及临近差方差。
其中，临近差均值是通过计算统计核内所有被标记点的临近差值的均值得到。
S108、将每次滑窗后的统计核内饱和度均值、核内临近差均值和临近差方差的三个特征作为统计核的中心位置像素值，利用每一个像素点对应的饱和度均值、核内临近差均值和临近差方差的特征得到S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图。
其中，饱和度均值特征图、临近差均值特征图和临近差方差特征图都与面料表面HSV图大小相同。
S109、根据S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图构建面料表面HSV图的三维染色均匀共生矩阵。
其中，三维染色均匀共生矩阵是通过对面料表面HSV图中各像素位置对应的特征值进行分级得到。
S110、对三维染色均匀共生矩阵进行均匀熵计算，得到三维染色均匀共生矩阵的均匀熵。
其中，均匀熵越小说明面料染色质量越好。
S111、设置阈值，判断均匀熵与阈值的大小关系：当均匀熵不大于阈值时，面料染色质量合格，当均匀熵大于阈值时，面料染色质量不合格。
其中，面料染色质量合格后，必要时可以进行后处理。
本实施例的有益效果在于：
结合计算机视觉与图像处理，利用设计的统计核对面料表面HSV图进行滑窗检测，得到每次滑窗的统计核，通过对每次滑窗的统计核进行饱和度分析，得到各滑窗统计核的染色三特征，进而得到面料表面HSV图的染色三特征图，根据染色三特征图构建了面料表面的三维染色均匀共生矩阵，本实施例通过滑窗的方式进行小范围的面料表面染色特征提取，有效降低了色点缺陷对面料染色质量评估的干扰。
进一步的，本实施例对得到的面料表面的三维染色均匀共生矩阵进行均匀熵计算，根据均匀熵对面料染色质量进行评估，有效提高了面料染色质量评估的准确性。
实施例2
面料染色的工艺顺序为先烧毛再染色，而面料表面有时会因为烧毛不完全而产生半烧焦或由受烧毛铜辊摩擦而产生的表面毛球。这些毛球浮在面料表面，在染色时也同样会吸收染色剂进而在面料整体上表现为深浅不一的色点，现有技术仅仅只能识别出色点位置，如阈值分割，然而阈值需要人工确定。本实施例基于染色质量的评估逻辑即各处颜色饱和度越均匀则其染色质量越好，来对面料的染色质量进行评价。而基于另一逻辑即色点处饱和度为随机加深，但如果染色越均匀，其非色点部分的饱和度也越均匀。
本发明实施例提供一种基于图像处理的面料染色质量评估方法，如图2所示，包括：
S201、获取待评估的面料表面RGB图像。
采用相机在待评估的面料正上方进行拍摄，获取待评估的面料表面RGB图像。
S202、获取面料表面HSV图像及各像素点的颜色饱和度。
将面料表面RGB图像转化为HSV图像（RGB转HSV为现有技术，不再赘述），将获得的HSV三通道图像仅保留S通道，所述S通道为颜色的饱和度，其反映了颜色的深浅特征，对于单一染色的布匹其使用的染料颜色相同，因此仅需要其S通道就可以获得其对应的各像素点位置的染色深浅程度信息。
S203、设计统计核大小，利用统计核对面料表面HSV图进行滑窗检测。
设计统计核大小
Figure DEST_PATH_IMAGE011
：自设参数，一般为奇数，一个推荐值为5，即核大小为
Figure 57889DEST_PATH_IMAGE012
。利用该设计的统计核遍历面料表面，对面料表面进行滑窗检测，得到每次滑窗后的统计核结果。
对于存在表面绒毛的面料，其表面毛球被染色剂着色的深浅程度随机性很大，这是因为其毛球本身大小以及其纤维密度不一致，且表面毛球浮在面料本体之上。而没有表面毛球的部分其着色性能基本相同，因此相对来讲无毛球部分的染色程度一般较为均匀，因此仅需评价面料表面无毛球部分的染色质量即可代表其去除毛球后的染色质量。
对每次滑窗后的统计核结果进行以下步骤：
S204、得到统计核中的分布最均匀的饱和度范围。
颜色饱和度分布越集中的部分其为非毛球点的概率就越大，此步骤可寻找核内最可能为非毛球点的饱和度分布范围。
对核内像素点对应的饱和度进行一维分布统计，再对该一维分布进行多尺度滑窗。计算其对应的分布最集中的范围，具体过程如下：
1.得到所述一维分布图如图3所示：图中像素点的个数为统计核内像素点的个数（本例为
Figure DEST_PATH_IMAGE013
个）。
2.然后对饱和度一维分布图中的像素点进行滑窗检测：滑窗尺度为n，所述滑窗尺度
Figure 309879DEST_PATH_IMAGE014
为窗口内像素点个数（从2开始起算，依次为2、3、4、…25），分别计算各个尺度n下对应的一维分布窗口内像素点的饱和度方差，得到每个滑窗尺度下的一系列饱和度方差；
3．选取每个滑窗尺度下的饱和度方差最小的窗口，获取该窗口内
Figure 209702DEST_PATH_IMAGE014
个像素点的饱和度，并将这
Figure 41392DEST_PATH_IMAGE014
个像素点的饱和度进行平均计算，得到每个滑窗尺度下的饱和度均值；
4.记录每个滑窗尺度下的饱和度均值位置，将各位置作为其对应的滑窗尺度下的分布聚集中心，得到每个滑窗尺度下的分布聚集中心；
5. 将各滑窗尺度对应的分布聚集中心标记在饱和度轴上，得到分布聚集中心轴；
6.对分布聚集中心轴上的分布聚集中心进行一维密度聚类（所述一维密度聚类为现有技术，不再赘述），得到多个类别及各类别对应的密度聚类中心；
7.统计包含最多分布聚集中心的类别，选择该类别中尺度最大
Figure 624951DEST_PATH_IMAGE001
的一个分布聚类中心，将该分布聚类中心作为范围中心，范围为离该中心最近的前
Figure 516684DEST_PATH_IMAGE001
个统计核内的像素点的饱和度，得到分布最均匀的饱和度范围。
对于已经筛选出的可能非毛球点，其相对于临近同为非毛球点的饱和度差值越小，说明其染色越均匀，进一步在整个统计核范围内所有临近差值的方差越小其越说明染色质量好。
S205、得到统计核内饱和度均值。
计算范围内
Figure 903803DEST_PATH_IMAGE001
个点对应的饱和度均值：前述获得了
Figure 539183DEST_PATH_IMAGE001
个点，这些点均为统计核内的点，其对应了
Figure 960937DEST_PATH_IMAGE001
个饱和度。
计算核内饱和度均值
Figure DEST_PATH_IMAGE015
：
Figure DEST_PATH_IMAGE017
其中，
Figure 568112DEST_PATH_IMAGE018
为统计核内筛选出的
Figure 442527DEST_PATH_IMAGE001
个点中的第
Figure DEST_PATH_IMAGE019
个点对应的饱和度。
S206、得到统计核内临近差均值。
根据统计核内像素点位置计算核内临近差均值：将上述
Figure 147178DEST_PATH_IMAGE001
个点在统计核内标记出来，并计算其对应的
Figure 423438DEST_PATH_IMAGE001
个临近差值：示意图如图4所示：图中灰色块为标记的
Figure 922553DEST_PATH_IMAGE001
个点，其每一个点对应着一个饱和度
Figure 34996DEST_PATH_IMAGE020
，则对于这些点中的一个点，其临近差值为该点与离其距离最近的被标记点的饱和度之差的绝对值。所述离其距离d为其欧式距离，则对于每一个被标记点，均有一个临近差值
Figure DEST_PATH_IMAGE021
，计算统计核内所有临近差值的均值
Figure 277759DEST_PATH_IMAGE022
：
Figure 674105DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示第
Figure 609700DEST_PATH_IMAGE019
个点的临近差值。
S207、得到统计核内临近差方差。
根据临近差均值计算临近差方差，所述临近差方差
Figure 209440DEST_PATH_IMAGE026
计算方式如下：
Figure 990314DEST_PATH_IMAGE028
至此，获得统计核内三特征分别为：
Figure 241167DEST_PATH_IMAGE015
，
Figure 816505DEST_PATH_IMAGE022
，
Figure 152808DEST_PATH_IMAGE026
。
S208、获取S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图。
根据上述三特征构建特征图。对于一个统计核，选取三特征中的一个（如选取饱和度均值）作为统计核的中心位置像素值，构建三个特征对应的特征图：三个特征图与面料表面S通道图大小相同，分别记为
Figure DEST_PATH_IMAGE029
。其中，S
Figure 753685DEST_PATH_IMAGE030
为饱和度均值特征图，F
Figure 859044DEST_PATH_IMAGE030
为临近差均值特征图，H
Figure 605283DEST_PATH_IMAGE030
为临近差方差特征图。
S209、构建面料表面HSV图的三维染色均匀共生矩阵。
根据三特征图构建三维染色均匀共生矩阵。所述三维共生矩阵构建方式如下：
对于原图像中的某一像素位置，其分别在三张图像
Figure 428883DEST_PATH_IMAGE029
中的相应位置各对应着一个特征值，则将相应特征值分级如下：
对于饱和度均值来说，由于饱和度取值范围为
Figure DEST_PATH_IMAGE031
之间的数，则其也为
Figure 82718DEST_PATH_IMAGE031
之间的数，则将其分为10级，分别对应着
Figure 813824DEST_PATH_IMAGE032
,
Figure DEST_PATH_IMAGE033
,…,
Figure 527702DEST_PATH_IMAGE034
十个级别，对应级别标号为1,2,3,…,10。饱和度均值级别记为
Figure 573018DEST_PATH_IMAGE007
。
对于临近差值来说其也为0-1之间的数，则其级别设定与上述相同。临近差均值级别记为
Figure 233807DEST_PATH_IMAGE008
。
对于临近差方差来说其为
Figure DEST_PATH_IMAGE035
之间的数，这是由于一组属于0-1之间的数的方差的最大值为0.25。则对其平均分为5级，为
Figure 595649DEST_PATH_IMAGE036
,
Figure DEST_PATH_IMAGE037
,…,
Figure 949270DEST_PATH_IMAGE038
五个级别。对应级别标号为1,2,…,5。临近差方差级别记为
Figure 747462DEST_PATH_IMAGE009
。
根据面料表面HSV图中各像素位置的三个特征级别得到
Figure 211941DEST_PATH_IMAGE003
矩阵，该
Figure 146399DEST_PATH_IMAGE003
矩阵即为面料表面HSV图的三维染色均匀共生矩阵。
对于原图上的一个像素位置
Figure 421654DEST_PATH_IMAGE030
其对应着三个特征，这三个特征对应着三个级别，统计使这三个特征级别对应相等的不同像素位置的个数
Figure DEST_PATH_IMAGE039
。计算其对应的归一化概率如下：
Figure DEST_PATH_IMAGE041
其中，
Figure 972721DEST_PATH_IMAGE006
代表饱和度均值级别为
Figure 240891DEST_PATH_IMAGE007
，临近差均值级别为
Figure 29856DEST_PATH_IMAGE008
，临近差方差级别为
Figure 725279DEST_PATH_IMAGE009
的归一化概率，以此概率
Figure 248796DEST_PATH_IMAGE006
作为三维共生矩阵饱和度均值维度级别为
Figure 789498DEST_PATH_IMAGE007
，临近差均值维度级别为
Figure 698548DEST_PATH_IMAGE008
，临近差方差维度级别为
Figure 299294DEST_PATH_IMAGE009
处的值。
Figure 293795DEST_PATH_IMAGE039
为使这三个特征级别对应相等的不同像素位置的个数。
Figure 903768DEST_PATH_IMAGE042
为原图像素点的行数，
Figure DEST_PATH_IMAGE043
为原图像素点的列数。
熵值越小说明各统计核内的非毛球点饱和度越相近且均匀。
S210、得到三维染色均匀共生矩阵的均匀熵。
计算上述三维染色均匀共生矩阵的均匀熵
Figure 680706DEST_PATH_IMAGE010
，计算过程如下：
Figure 717933DEST_PATH_IMAGE005
均匀熵越小其越说明染色质量好，毛球点未对染色质量造成影响，反之其若很大说明毛球色点已经对非毛球色点造成了染色影响，就算通过后处理去除染色毛球点其面料的染色效果也不好。
S211、根据均匀熵对面料染色质量进行评估。
对均匀熵进行归一化：
所述均匀熵的最大值计算方式如下：
即所有的矩阵元素均为：
Figure DEST_PATH_IMAGE045
则均匀熵最大值为：
Figure DEST_PATH_IMAGE047
则所述归一化均匀熵为：
Figure DEST_PATH_IMAGE049
根据归一化均匀熵评估染色质量：
当
Figure 12779DEST_PATH_IMAGE050
时，染色质量合格，有必要进行面料表面染色后处理。
当
Figure DEST_PATH_IMAGE051
时，染色质量不合格，没必要进行后处理，直接作为次品淘汰。
其中，
Figure 426443DEST_PATH_IMAGE052
为自设参数，一个推荐值为0.3。
本实施例的有益效果在于：
结合计算机视觉与图像处理，利用设计的统计核对面料表面HSV图进行滑窗检测，得到每次滑窗的统计核，通过对每次滑窗的统计核进行饱和度分析，得到各滑窗统计核的染色三特征，进而得到面料表面HSV图的染色三特征图，根据染色三特征图构建了面料表面的三维染色均匀共生矩阵，本实施例通过滑窗的方式进行小范围的面料表面染色特征提取，有效降低了色点缺陷对面料染色质量评估的干扰。
进一步的，本实施例对得到的面料表面的三维染色均匀共生矩阵进行均匀熵计算，根据均匀熵对面料染色质量进行评估，有效提高了面料染色质量评估的准确性。
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 (7)

1.一种基于图像处理的面料染色质量评估方法，其特征在于，包括：
获取待评估的面料表面HSV图及图中各像素点的颜色饱和度；
利用设计的统计核遍历面料表面HSV图中的S通道图进行滑窗检测；
对每次滑窗后的统计核内各像素点的饱和度进行一维分布统计，得到每次滑窗后的统计核的饱和度一维分布图；
对饱和度一维分布图中的像素点进行多尺度滑窗检测，得到不同滑窗尺度下的分布聚集中心；
对各分布聚集中心进行一维密度聚类，得到每次滑窗后的统计核中分布最均匀的饱和度范围；
计算饱和度范围内各像素点的饱和度均值，得到每次滑窗后的统计核内饱和度均值；
利用饱和度范围内各像素点与其在统计核内的邻近像素点的饱和度的差值，得到每次滑窗后的统计核内临近差均值及临近差方差；
将每次滑窗后的统计核内饱和度均值、核内临近差均值和临近差方差的三个特征作为统计核的中心位置像素值，利用每一个像素点对应的饱和度均值、核内临近差均值和临近差方差的特征得到S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图；
根据S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图构建面料表面HSV图的三维染色均匀共生矩阵；
对三维染色均匀共生矩阵进行均匀熵计算，得到三维染色均匀共生矩阵的均匀熵；
设置阈值，判断均匀熵与阈值的大小关系：当均匀熵不大于阈值时，面料染色质量合格，当均匀熵大于阈值时，面料染色质量不合格。
2.根据权利要求1所述的一种基于图像处理的面料染色质量评估方法，其特征在于，所述待评估的面料表面HSV图及图中各像素点的颜色饱和度是按照如下方式获取：
获取待评估的面料表面RGB图像；
将面料表面RGB图像转化为HSV图像，得到HSV三通道图像；
保留HSV三通道图像中的S通道，得到面料表面的S通道图像及各像素点的饱和度。
3.根据权利要求1所述的一种基于图像处理的面料染色质量评估方法，其特征在于，所述不同滑窗尺度下的分布聚集中心是按照如下方式得到：
对饱和度一维分布图中的像素点进行多尺度滑窗检测；
分别计算各尺度下对应的窗口内像素点的饱和度方差，得到不同滑窗尺度下的一系列方差；
选取不同滑窗尺度下的饱和度方差最小的窗口；
计算各饱和度方差最小的窗口内所有像素点的饱和度均值，得到不同滑窗尺度下的饱和度均值；
记录不同尺度下的饱和度均值位置，将各位置作为其对应的滑窗尺度下的分布聚集中心，得到不同滑窗尺度下的分布聚集中心。
4.根据权利要求1所述的一种基于图像处理的面料染色质量评估方法，其特征在于，所述每次滑窗后的统计核中分布最均匀的饱和度范围是按照如下方式得到：
将不同滑窗尺度下的分布聚集中心标记在饱和度轴上，得到分布聚集中心轴；
对分布聚集中心轴上的分布聚集中心进行一维密度聚类，得到多个类别；
选取包含最多分布聚集中心的类别，将该类别中尺度最大
Figure DEST_PATH_IMAGE002
的分布聚集中心作为范围中心，离该范围中心最近的前
Figure 848536DEST_PATH_IMAGE002
个统计核内像素点的饱和度作为每次滑窗后的统计核中分布最均匀的饱和度范围。
5.根据权利要求1所述的一种基于图像处理的面料染色质量评估方法，其特征在于，所述每次滑窗后的统计核内临近差均值及临近差方差是按照如下方式得到：
将分布最均匀的饱和度范围内所有的像素点在统计核内标记出来；
选取被标记的像素点中的一个，计算该像素点与离其距离最近的被标记像素点的饱和度差值的绝对值，得到所有被标记的像素点的临近差值；
计算所有被标记的像素点的临近差值的均值，得到统计核内临近差均值；
根据所有被标记的像素点的临近差值和统计核内临近差均值，得到每次滑窗后的统计核内临近差均值及临近差方差。
6.根据权利要求1所述的一种基于图像处理的面料染色质量评估方法，其特征在于，所述面料表面HSV图的三维染色均匀共生矩阵是按照如下方式构建：
选取面料表面HSV图中任一像素位置，该像素位置在S通道图的饱和度均值特征图、临近差均值特征图和临近差方差特征图中的相应位置各对应一个特征值，获取面料表面HSV图中各像素位置在三个特征图中的特征值；
对各像素位置在三个特征图中的特征值进行分级，得到面料表面HSV图中各像素位置的三个特征级别，分别记为
Figure DEST_PATH_IMAGE004
；
根据面料表面HSV图中各像素位置的三个特征级别得到
Figure DEST_PATH_IMAGE006
矩阵，该
Figure 899669DEST_PATH_IMAGE006
矩阵即为面料表面HSV图的三维染色均匀共生矩阵。
7.根据权利要求1所述的一种基于图像处理的面料染色质量评估方法，其特征在于，所述三维染色均匀共生矩阵的均匀熵的表达式如下：
Figure DEST_PATH_IMAGE008
式中：
Figure DEST_PATH_IMAGE010
代表饱和度均值级别为
Figure DEST_PATH_IMAGE012
，临近差均值级别为
Figure DEST_PATH_IMAGE014
，临近差方差级别为
Figure DEST_PATH_IMAGE016
的归一化概率，
Figure DEST_PATH_IMAGE018
为三维染色均匀共生矩阵的均匀熵。
CN202210808362.8A 2022-07-11 2022-07-11 基于图像处理的面料染色质量评估方法 Active CN114882034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210808362.8A CN114882034B (zh) 2022-07-11 2022-07-11 基于图像处理的面料染色质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210808362.8A CN114882034B (zh) 2022-07-11 2022-07-11 基于图像处理的面料染色质量评估方法

Publications (2)

Publication Number Publication Date
CN114882034A true CN114882034A (zh) 2022-08-09
CN114882034B CN114882034B (zh) 2022-09-27

Family

ID=82683691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210808362.8A Active CN114882034B (zh) 2022-07-11 2022-07-11 基于图像处理的面料染色质量评估方法

Country Status (1)

Country Link
CN (1) CN114882034B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100196A (zh) * 2022-08-24 2022-09-23 聊城市洛溪信息科技有限公司 一种基于图像分割的冲压件除锈效果评估方法
CN115100436A (zh) * 2022-08-29 2022-09-23 江苏永银化纤有限公司 一种基于图像识别的有色丝染色方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957313A (zh) * 2010-09-21 2011-01-26 吉林大学 鲜玉米果穗质量的计算机视觉检测分级方法及装置
CN110084246A (zh) * 2019-04-17 2019-08-02 江南大学 一种色织物疵点自动识别方法
CN110570404A (zh) * 2019-08-26 2019-12-13 南京信息工程大学 一种基于Sobel算子的布料疵点检测方法
WO2021064194A1 (en) * 2019-10-04 2021-04-08 Koninklijke Philips N.V. Magnetic resonance (mr) image artifact determination using texture analysis for image quality (iq) standardization and system health prediction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957313A (zh) * 2010-09-21 2011-01-26 吉林大学 鲜玉米果穗质量的计算机视觉检测分级方法及装置
CN110084246A (zh) * 2019-04-17 2019-08-02 江南大学 一种色织物疵点自动识别方法
CN110570404A (zh) * 2019-08-26 2019-12-13 南京信息工程大学 一种基于Sobel算子的布料疵点检测方法
WO2021064194A1 (en) * 2019-10-04 2021-04-08 Koninklijke Philips N.V. Magnetic resonance (mr) image artifact determination using texture analysis for image quality (iq) standardization and system health prediction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭慧等: "基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法", 《林业科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100196A (zh) * 2022-08-24 2022-09-23 聊城市洛溪信息科技有限公司 一种基于图像分割的冲压件除锈效果评估方法
CN115100436A (zh) * 2022-08-29 2022-09-23 江苏永银化纤有限公司 一种基于图像识别的有色丝染色方法

Also Published As

Publication number Publication date
CN114882034B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN114882034B (zh) 基于图像处理的面料染色质量评估方法
CN112132843B (zh) 基于无监督深度学习的苏木精-伊红染色病理图像分割方法
CN105893925A (zh) 基于肤色的人手检测方法及装置
CN115375690B (zh) 一种舌象腐腻苔分类识别方法
CN112215790A (zh) 基于深度学习的ki67指数分析方法
CN111709305B (zh) 一种基于局部图像块的人脸年龄识别方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN103268492B (zh) 一种玉米籽粒类型识别方法
Wu et al. Cloud model-based method for range-constrained thresholding
Liu et al. A novel color-texture descriptor based on local histograms for image segmentation
Rachmawanto et al. Eggs classification based on egg shell image using k-nearest neighbors classifier
JP7326316B2 (ja) 細胞学的試料中の少なくとも１つの異常を有する細胞を検出するための方法
CN113724235B (zh) 镜下环境改变条件时半自动化的Ki67/ER/PR阴性、阳性细胞计数系统及方法
CN113129281B (zh) 一种基于深度学习的小麦茎秆截面参数检测方法
CN116893134B (zh) 一种牛仔布耐色牢度测试方法
CN108171683B (zh) 一种采用软件自动识别的细胞计数方法
CN112102928B (zh) 病理图像染色风格归一化方法及装置
CN111275718B (zh) 一种基于显著区域分割的衣物量检测及护色洗判别方法
CN116311543B (zh) 一种基于图像识别技术的笔迹分析方法及系统
CN116612110A (zh) 用于渐变印染效果的质量智能评估方法
CN110929740A (zh) 一种基于lgbm模型的舌质舌苔分离方法
Zhao et al. An automatic counting method of maize ear grain based on image processing
CN113743421B (zh) 一种水稻叶片花青素显色区域分割及定量分析的方法
CN110827272B (zh) 一种基于图像处理的轮胎x光图像缺陷检测方法
Posokhov et al. Method and algorithms for cascade classification of sulfur print images of billet transverse templates

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