CN114926661A - 一种纺织品表面颜色数据处理、识别方法及系统 - Google Patents

一种纺织品表面颜色数据处理、识别方法及系统 Download PDF

Info

Publication number
CN114926661A
CN114926661A CN202210855841.5A CN202210855841A CN114926661A CN 114926661 A CN114926661 A CN 114926661A CN 202210855841 A CN202210855841 A CN 202210855841A CN 114926661 A CN114926661 A CN 114926661A
Authority
CN
China
Prior art keywords
image
color
template
textile
identified
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
CN202210855841.5A
Other languages
English (en)
Other versions
CN114926661B (zh
Inventor
赵丽琼
张喜红
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 Yongan Textile Co ltd
Original Assignee
Nantong Yongan 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 Yongan Textile Co ltd filed Critical Nantong Yongan Textile Co ltd
Priority to CN202210855841.5A priority Critical patent/CN114926661B/zh
Publication of CN114926661A publication Critical patent/CN114926661A/zh
Application granted granted Critical
Publication of CN114926661B publication Critical patent/CN114926661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种纺织品表面颜色数据处理、识别方法及系统。该方法是一种利用电子设备识别颜色的方法，能够应用于计算机视觉软件等应用软件开发，该方法包括：根据HSL和YUV颜色空间数据，计算待识别纺织品表面的亮度描述指标和色度描述指标；根据亮度描述指标和色度描述指标，得到各模板颜色的第一差异特征；根据各模板颜色数据和待识别纺织品数据的色度描述指标，得到各模板颜色对应的第二差异特征；根据各模板颜色的第一差异特征与第二差异特征，得到待识别纺织品的颜色数据。该系统可应用于生产领域的人工智能系统等信息系统集成服务，可应用于人工智能优化操作系统。本发明提高了对纺织品颜色识别的准确度。

Description

一种纺织品表面颜色数据处理、识别方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种纺织品表面颜色数据处理、识别方法及系统。
背景技术
在纺织行业中颜色是一项重要参数,它直接关系到纺织品的质量、等级、价格和企业的经济效益；在实际生产中，将产品颜色与标准品颜色控制在规定范围内是很重要的，因此需要对纺织品进行颜色识别。
在对纺织品表面颜色进行识别时，往往都是采用人工识别的方式进行实时的识别；但是人工识别的方式会存在很多的问题，辨色人员年龄、心理状态以及所处环境的因素都有可能会导致误判，从而影响识别的准确度。
发明内容
为了解决现有基于人工的方式对纺织品颜色进行识别准确度低的问题，本发明的目的在于提供一种纺织品表面颜色数据处理、识别方法及系统，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纺织品表面颜色数据处理、识别方法包括以下步骤：
获取待识别纺织图像对应的HSL图像和YUV图像；
根据HSL图像中各像素点对应的H、S、L三个分量的值和YUV图像中各像素点对应的Y、U、V三个分量的值，计算待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标；
根据待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标与各模板颜色图像对应的各像素点对应的亮度描述指标和色度描述指标之间的差异，得到各模板颜色对应的第一差异特征；所述模板颜色图像为模板颜色对应的纺织品的图像；
根据各模板颜色图像对应的各像素点的色度描述指标和待识别纺织图像中各像素点对应的色度描述指标，得各模板颜色对应的第二差异特征；
根据各模板颜色对应的第一差异特征与第二差异特征，得到待识别纺织品的颜色。
第二方面，本发明另一个实施例提供了一种纺织品表面颜色数据处理、识别系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种纺织品表面颜色数据处理、识别方法。
优选的，计算各模板颜色对应的第一差异特征的公式：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第a个模板颜色对应的第一差异特征，
Figure DEST_PATH_IMAGE006
为待识别纺织图像中各像素点对应的色度描述指标的平均值，
Figure DEST_PATH_IMAGE008
为待识别纺织图像中各像素点对应的亮度描述指标的平均值，
Figure DEST_PATH_IMAGE010
为第a个模板颜色图像中各像素点对应的色度描述指标的平均值；
Figure DEST_PATH_IMAGE012
为第a个模板颜色图像中各像素点对应的亮度描述指标的平均值。
优选的，计算待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标，包括：
将所述HSL图像中各像素点对应的H、S分量的值和YUV图像中各像素点对应的U、V分量的值进行归一化处理；
根据待识别纺织图像中各像素点对应的归一化之后的H、S、U、V四个分量的值，得到待识别纺织图像中各像素点对应的初始色度描述指标；
将待识别纺织图像中各像素点对应的初始色度描述指标进行规范化处理，得到待识别纺织图像中各像素点对应的色度描述指标；
计算待识别纺织图像中各像素点对应的L分量的值和Y分量的值的均值，作为各像素点对应的亮度描述指标。
优选的，计算待识别纺织图像中各像素点对应的初始色度描述指标的公式为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为待识别纺织图像中第i个像素点对应的初始色度描述指标，
Figure DEST_PATH_IMAGE018
为待识别纺织图像中第i个像素点对应的归一化后的H分量的值，
Figure DEST_PATH_IMAGE020
为待识别纺织图像中第i个像素点对应的归一化后的S分量的值，
Figure DEST_PATH_IMAGE022
为待识别纺织图像中第i个像素点对应的归一化后的U分量的值，
Figure DEST_PATH_IMAGE024
为待识别纺织图像中第i个像素点对应的归一化后的V分量的值。
优选的，根据各模板颜色图像对应的各像素点的色度描述指标和待识别纺织图像中各像素点对应的色度描述指标，得到各模板颜色对应的第二差异特征，包括：
将待识别纺织图像中各像素点对应的色度描述指标作为灰度值构建色度描述图像；
根据各模板颜色图像对应的色度描述指标，得到各模板颜色对应的阈值范围；所述模板颜色图像对应的色度描述指标为模板颜色图像中各像素点对应的色度描述指标的均值；
对于任一模板颜色：将色度描述图像中灰度值在该模板颜色对应的阈值范围内的像素点标记为1，将灰度值不在该模板颜色对应的阈值范围内的像素点标记为0，得到该模板颜色对应的特征图像；将该模板颜色对应的特征图像中标记为1的像素点个数与所述特征图像中的像素点总数之比作为该模板颜色对应的初始匹配程度；
根据待识别纺织图像中各像素点对应的色度描述指标，得到待识别纺织图像对应的颜色矩，所述颜色矩包括一阶矩、二阶矩和三阶矩；
根据各模板颜色图像中各像素点对应的色度描述指标，得到各模板颜色图像对应颜色矩；
根据待识别纺织图像对应的颜色矩、各模板颜色图像对应颜色矩以及各模板颜色对应的初始匹配程度，得到各模板颜色对应的第二差异特征。
优选的，计算各模板颜色对应的第二差异特征的公式为：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为第a个模板颜色对应的第二差异特征，
Figure DEST_PATH_IMAGE030
为待识别纺织图像对应的一阶矩，
Figure DEST_PATH_IMAGE032
为待识别纺织图像对应的二阶矩，
Figure DEST_PATH_IMAGE034
为待识别纺织图像对应的三阶矩，
Figure DEST_PATH_IMAGE036
为第a个模板颜色图像对应的一阶矩，
Figure DEST_PATH_IMAGE038
为第a个模板颜色图像对应的二阶矩，
Figure DEST_PATH_IMAGE040
为第a个模板颜色图像对应的三阶矩，
Figure DEST_PATH_IMAGE042
为第a个模板颜色对应的初始匹配程度。
优选的，所述根据各模板颜色图像对应的色度描述指标，得到各模板颜色对应的阈值范围，包括：
对于任一模板颜色图像：计算该模板颜色图像对应的色度描述指标与其他各模板颜色图像对应的色度描述指标之间的差值，得到该模板颜色对应的各差异距离；将该模板颜色对应的值最小的差异距离作为该模板颜色对应的目标差异距离；所述其他各模板颜色图像为不包括该模板颜色图像的各模板颜色图像；
选取各模板颜色对应的目标差异距离中的最小值，记为阈值大小；
对于任一模板颜色：将该模板颜色图像对应的色度描述指标与所述阈值大小的一半相减，将其得到的值记为该模板颜色对应阈值范围的下限；将该模板颜色图像对应的色度描述指标与所述阈值大小的一半相加，将其得到的值记为该模板颜色对应阈值范围的上限；将所述上限和所述下限之间的范围作为该模板颜色对应的阈值范围。
优选的，根据各模板颜色对应的第一差异特征与第二差异特征，得到待识别纺织品的颜色，包括：
将各模板颜色对应的第一差异特征与第二差异特征的乘积作为各模板颜色对应的匹配指标；
将匹配指标小于匹配阈值的模板颜色进行筛选；若存在匹配指标小于匹配阈值的模板颜色，则将筛选出的各模板颜色中匹配指标最小的模板颜色作为待识别纺织品的颜色。
优选的，获取待识别纺织图像对应的HSL图像和YUV图像的方法,包括：
所述待识别纺织图像为RGB图像；
将待识别纺织图像转换为HSL颜色空间的图像，得到HSL图像；
将待识别纺织图像转换为YUV颜色空间的图像，得到YUV图像。
本发明具有如下有益效果：
本发明根据待识别纺织图像对应的HSL图像中各像素点对应的H、S、L三个分量的值和YUV图像中各像素点对应的Y、U、V三个分量的值，计算待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标，然后根据待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标与各模板颜色图像对应的各像素点对应的亮度描述指标和色度描述指标之间的差异，得到各模板颜色对应的第一差异特征和第二差异特征，最后根据各模板颜色对应的第一差异特征与第二差异特征，得到待识别纺织品的颜色。本发明中该系统可应用于生产领域的人工智能系统等信息系统集成服务，可应用于人工智能优化操作系统；该方法是一种识别图像的方法，能够应用于计算机视听觉软件等应用软件开发。本发明基于计算机视觉，通过结合两个颜色空间的信息将纺织品图像与模板颜色图像从各个方面进行自动化的对比，以实现对纺织品颜色的识别，克服了基于人工识别主观性较强而导致误判的缺陷，提高了对纺织品颜色识别的准确度。
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纺织品表面颜色数据处理、识别方法的流程图。
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能效果，以下结合附图及较佳实施例，对依据本发明提出的一种纺织品表面颜色数据处理、识别方法及系统进行详细说明如下。
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。
下面结合附图具体的说明本发明所提供的一种纺织品表面颜色数据处理、识别方法及系统的具体方案。
一种纺织品表面颜色数据处理、识别方法实施例：
如图1所示，本实施例的一种纺织品表面颜色数据处理、识别方法包括以下步骤：
步骤S1，获取待识别纺织图像对应的HSL图像和YUV图像。
为了对纺织品表面的颜色进行识别，本实施例首先在同等光源、角度等情况下对待识别纺织品进行图像的采集，得到待识别纺织品的RGB图像；然后对获取到的RGB图像进行除噪处理，得到待识别纺织图像。本实施例中对图像进行去噪处理的过程为现有技术，在此就不再赘述。
考虑到单一颜色空间在颜色表征时充满了局限性和缺陷，且各颜色空间的单个分量不能全面反映颜色信息；因此为了更好的对颜色特征进行描述，本实施例通过融合两种颜色空间的信息共同对待识别纺织图像的颜色进行分析。
本实施例根据待识别纺织图像中各像素点在RGB颜色空间下的三通道的值，分别将待识别纺织图像转换为HSL颜色空间的图像和YUV颜色空间的图像；本实施例将所述HSL颜色空间的图像记为HSL图像，将YUV颜色空间的图像记为YUV图像。本实施例中将RGB颜色空间转换为HSL颜色空间以及将RGB颜色空间转换为YUV颜色空间的过程为现有技术，在此就不再赘述。
其中，HSL颜色空间从人类感知的角度来定义色彩空间。HSL颜色空间有三个属性，H为色彩，又称色调；S为饱和度，表示色彩的纯度；L为亮度，是指色彩的明暗程度，越接近白色亮度越高，越接近灰色或黑色亮度越低。YUV颜色空间中Y表示明亮度，“U”和“V”描述色彩及饱和度；亮度信号Y和色度信号U、V是分离的。
本实施例中待识别纺织图像中的像素点与对应的HSL图像中的像素点是一一对应的，并且待识别纺织图像中的像素点与YUV图像中的像素点也是一一对应的。
步骤S2，根据HSL图像中各像素点对应的H、S、L三个分量的值和YUV图像中各像素点对应的Y、U、V三个分量的值，计算待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标。
本实施例通过结合两种颜色空间的颜色描述信息，来表示待识别纺织图像的颜色特征，进而更好更精准的对图像的颜色特征进行描述。本实施例中颜色特征包括色度描述指标和亮度描述指标。
本实施例首先将HSL图像中各像素点对应的H、S分量的值和YUV图像中各像素点对应的U、V分量的值进行融合，得到待识别纺织图像中各像素点对应的色度描述指标，所述色度描述指标用于反映待识别纺织图像的色度信息。具体的：
首先将所述HSL图像中各像素点对应的H、S分量的值和YUV图像中各像素点对应的U、V分量的值进行归一化处理；然后根据待识别纺织图像中各像素点对应的归一化之后的H、S、U、V四个分量的值，计算得到待识别纺织图像中各像素点对应的初始色度描述指标，具体公式为：
Figure DEST_PATH_IMAGE014A
其中，
Figure 261475DEST_PATH_IMAGE016
为待识别纺织图像中第i个像素点对应的初始色度描述指标，
Figure 519281DEST_PATH_IMAGE018
为待识别纺织图像中第i个像素点对应的归一化后的H分量的值，
Figure 886809DEST_PATH_IMAGE020
为待识别纺织图像中第i个像素点对应的归一化后的S分量的值，
Figure 49806DEST_PATH_IMAGE022
为待识别纺织图像中第i个像素点对应的归一化后的U分量的值，
Figure 262612DEST_PATH_IMAGE024
为待识别纺织图像中第i个像素点对应的归一化后的V分量的值。
Figure DEST_PATH_IMAGE044
用于反映待识别纺织图像中第i个像素点在HSL颜色空间中的色度，
Figure DEST_PATH_IMAGE046
于反映待识别纺织图像中第i个像素点在YUV颜色空间中的色度。
本实施例将待识别纺织图像中各像素点对应的初始色度描述指标进行规范化，使得初始色度描述指标的取值范围为[0,255]，进而得到待识别纺织图像中各像素点对应的色度描述指标。
然后本实施例将HSL图像中各像素点对应的L分量的值和YUV图像中各像素点对应的Y分量的值进行融合，得到待识别纺织图像中各像素点对应的亮度描述指标，所述亮度描述指标用于反映待识别纺织图像的亮度信息，为像素点对应的L分量的值和Y分量的值的均值，即
Figure DEST_PATH_IMAGE048
，其中，
Figure DEST_PATH_IMAGE050
为待识别纺织图像中第i个像素点对应的亮度描述指标，
Figure DEST_PATH_IMAGE052
为待识别纺织图像中第i个像素点对应的L分量的值,
Figure DEST_PATH_IMAGE054
为待识别纺织图像中第i个像素点对应的Y分量的值。
步骤S3，根据待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标与各模板颜色图像对应的各像素点对应的亮度描述指标和色度描述指标之间的差异，得到各模板颜色对应的第一差异特征；所述模板颜色图像为模板颜色对应的纺织品的图像。
为了对待识别纺织品的颜色进行识别，得到待识别纺织品对应的颜色，本实施例通过采集比色卡上的n个颜色，然后分别用各颜色与待识别纺织图像的颜色进行比对，以识别出待识别纺织品对应的颜色；本实施例将比色卡上的各颜色记为模板颜色。
本实施例首先获取各模板颜色对应的纺织品的图像，记为模板颜色图像；本实施例获取模板颜色图像时所使用的光源与获取待识别纺织图像时的光源相同。本实施例根据步骤S1和步骤S2的过程获取各模板颜色图像中各像素点对应的亮度描述指标和色度描述指标。
本实施例首先从待识别纺织图像的整体特征进行分析，将待识别纺织图像的颜色特征与各模板颜色图像的颜色特征进行比较，得到各模板颜色对应的第一差异特征，所述各模板颜色对应的第一差异特征为模板颜色图像的颜色特征与待识别纺织图像的颜色特征的差异程度；本实施例中计算各模板颜色对应的第一差异特征的公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 128587DEST_PATH_IMAGE004
为第a个模板颜色对应的第一差异特征，
Figure 401436DEST_PATH_IMAGE006
为待识别纺织图像中各像素点对应的色度描述指标的平均值，
Figure 864779DEST_PATH_IMAGE008
为待识别纺织图像中各像素点对应的亮度描述指标的平均值，
Figure 864965DEST_PATH_IMAGE010
为第a个模板颜色图像中各像素点对应的色度描述指标的平均值，即第a个模板颜色图像对应的色度描述指标；
Figure 97363DEST_PATH_IMAGE012
为第a个模板颜色图像中各像素点对应的亮度描述指标的平均值，第a个模板颜色图像对应的亮度描述指标。
本实施例根据待识别纺织图像整体的颜色特征与各模板颜色图像整体的特征之间的差异，计算得到各模板颜色对应的第一差异特征；若第一差异特征越小，说明对应的模板颜色图像与待识别纺织图像越匹配，即待识别纺织品的颜色为对应的模板颜色的可能性越大；若第一差异特征越大，说明对应的模板颜色图像与待识别纺织图像越不匹配，即待识别纺织品的颜色为对应的模板颜色的可能性越小。
步骤S4，根据各模板颜色图像对应的各像素点的色度描述指标和待识别纺织图像中各像素点对应的色度描述指标，得到各模板颜色对应的第二差异特征。
本实施例根据步骤S3得到了各模板颜色对应的第一差异特征，接下来，本实施例进一步将模板颜色与待识别纺织图像进行对比，分别基于各模板颜色，将待识别纺织图像转化为对应的二值图像，即根据一个模板颜色可以得到一张对应的二值图像；本实施例将得到的二值图像记为特征图像；然后根据各模板颜色对应的特征图像，得到各模板颜色对应的第二差异特征，所述第二差异特征进一步反映了对应模板颜色与待识别纺织品颜色之间的差异。具体的：
本实施例中待识别纺织图像中各像素点对应的色度描述指标的取值范围为[0,255]，本实施例将待识别纺织图像中各像素点对应的色度描述指标作为灰度值构建一个色度描述图像，所述色度描述图像中的像素点与待识别纺织图像中的像素点是一一对应的关系；本实施例利用待识别纺织图像对应的色度描述图像来得到各模板颜色对应的特征图像。
本实施例根据各模板颜色图像对应的色度描述指标，计算各模板颜色对应的阈值范围，所述阈值范围用于对待识别纺织图像对应的色度描述图像进行二值化处理，得到各模板颜色对应的特征图像。本实施例中得到各模板颜色对应的阈值范围的过程为：
本实施例首先计算每一个模板颜色图像对应的色度描述指标与其他各模板颜色图像对应的色度描述指标之间的差值，记为差异距离，得到每一个模板颜色对应的各差异距离，即一个模板颜色对应的多个差异距离；对于任一模板颜色：选择该模板颜色对应的各差异距离中值最小的差异距离，将所述最小的差异距离，作为该模板颜色对应的目标差异距离；即
Figure DEST_PATH_IMAGE056
，其中，
Figure DEST_PATH_IMAGE058
为第a个颜色模板对应的目标差异距离，
Figure 180594DEST_PATH_IMAGE010
为第a个颜色模板图像对应的色度描述指标，
Figure DEST_PATH_IMAGE060
为第b个颜色模板图像对应的色度描述指标，
Figure DEST_PATH_IMAGE062
为第c个颜色模板图像对应的色度描述指标，
Figure DEST_PATH_IMAGE064
为第n个颜色模板图像对应的色度描述指标，min{ }为最小值。本实施例根据上述过程可以等到各模板颜色对应的目标差异距离。
本实施例选取各模板颜色对应的目标差异距离中的最小值，记为阈值大小，所述阈值大小表示的是阈值范围的大小，即将所述最小值的一半作为阈值半径，来计算各模板颜色对应的阈值范围。
本实施例根据所述阈值大小以及各模板颜色图像对应的色度描述指标，计算各模板颜色对应的阈值范围；对于任一模板颜色：本实施例将该模板颜色图像对应的色度描述指标与所述阈值大小的一半相减，将其得到的值记为该模板颜色对应的阈值范围的下限；将该模板颜色图像对应的色度描述指标与所述阈值大小的一半相加，将其得到的值记为该模板颜色对应的阈值范围的上限；将所述上限和所述下限之间的范围作为该模板颜色对应的阈值范围，即
Figure DEST_PATH_IMAGE066
其中，
Figure DEST_PATH_IMAGE068
为第a个模板颜色对应阈值范围的下限，
Figure DEST_PATH_IMAGE070
为第a个模板颜色对应阈值范围的上限，
Figure DEST_PATH_IMAGE072
为阈值大小；即第a个模板颜色对应阈值范围为
Figure DEST_PATH_IMAGE074
。
本实施例根据上述过程得到了各模板颜色对应的阈值范围，然后本实施例根据各模板颜色对应的阈值范围对色度描述图像进行二值化处理；本实施例以任一模板颜色对应的阈值范围（即
Figure 771980DEST_PATH_IMAGE074
）对色度描述图像进行二值化处理的过程为例进行分析，其过程为：本实施例对色度描述图像中的各像素点进行遍历，将灰度值在该模板颜色对应的阈值范围内的像素点标记为1，即对应的灰度值为255；将灰度值不在该模板颜色对应的阈值范围内的像素点标记为0，即对应的灰度值为0，进而得到该模板颜色对应的特征图像。本实施例根据上述过程可以得到各模板颜色对应的特征图像。
本实施例中各模板颜色对应的特征图像，可以反映出待识别纺织图像与各模板颜色的相似情况；本实施例根据各模板颜色对应的特征图像，得到各模板颜色对应初始匹配程度；对于任一模板颜色对应的特征图像：本实施例首先获取该特征图像中标记为1的像素点个数和该特征图像中的像素点总数，然后将该特征图像中标记为1的像素点个数与特征图像中的像素点总数之比作为该模板颜色对应的初始匹配程度；当该特征图像中标记为1的像素点个数越多时，说明待识别纺织品的颜色与该模板颜色越匹配，即该模板颜色对应的初始匹配程度越大。
为了更加准确的判断待识别纺织品的颜色，本实施例还根据待识别纺织图像中各像素点对应的色度描述指标构建待识别纺织图像对应的色度描述指标分布直方图；然后根据所述色度描述指标分布直方图计算待识别纺织图像对应的颜色矩，所述颜色矩包括一阶矩、二阶矩和三阶矩；本实施例利用所述颜色矩来反映待识别纺织图像不同的颜色信息。本实施例中计算颜色矩的过程为现有技术，在此就不再赘述。
本实施例根据各模板颜色图像中各像素点对应的色度描述指标，得到各模板颜色图像对应的颜色矩；本实施例中获取各模板颜色图像对应的颜色矩的方式与获取待识别纺织图像对应的颜色矩的方式相同，在此就不再赘述。
本实施例利用各模板颜色图像对应的颜色矩、各模板颜色对应的初始匹配程度和待识别纺织图像对应的颜色矩，计算得到各模板颜色对应的第二差异特征；本实施例中计算各模板颜色对应的第二差异特征的公式为：
Figure DEST_PATH_IMAGE026A
其中，
Figure 716802DEST_PATH_IMAGE028
为第a个模板颜色对应的第二差异特征，
Figure 990658DEST_PATH_IMAGE030
为待识别纺织图像对应的一阶矩，
Figure 870889DEST_PATH_IMAGE032
为待识别纺织图像对应的二阶矩，
Figure 43244DEST_PATH_IMAGE034
为待识别纺织图像对应的三阶矩，
Figure 385233DEST_PATH_IMAGE036
为第a个模板颜色图像对应的一阶矩，
Figure 795485DEST_PATH_IMAGE038
为第a个模板颜色图像对应的二阶矩，
Figure 98815DEST_PATH_IMAGE040
为第a个模板颜色图像对应的三阶矩，
Figure 758467DEST_PATH_IMAGE042
为第a个模板颜色对应的初始匹配程度。
当模板颜色图像对应的颜色矩和待识别纺织图像对应的颜色矩差异越小是，说明对应的模板颜色图像与待识别纺织图像越相似，则
Figure 904146DEST_PATH_IMAGE028
越小；当模板颜色对应的初始匹配程度越大时，
Figure 903326DEST_PATH_IMAGE028
越小，则说明对应的模板颜色与待识别纺织品的颜色越匹配。
步骤S5，根据各模板颜色对应的第一差异特征与第二差异特征，得到待识别纺织品的颜色。
本实施例根据上述步骤分别得到了各模板颜色对应的第一差异特征和第二差异特征；接下来，本实施例结合各模板颜色对应的第一差异特征和第二差异特征共同反映各模板颜色与待识别纺织品颜色的匹配情况；具体的：
本实施例将各模板颜色对应的第一差异特征与第二差异特征的乘积作为各模板颜色对应的匹配指标；匹配指标越小，说明对应模板颜色与待识别纺织图像的颜色越接近，即越匹配。
本实施例设置了一个匹配阈值，根据所述匹配阈值，将匹配指标小于匹配阈值的模板颜色进行筛选，若存在匹配指标小于匹配阈值的模板颜色，则将筛选出的各模板颜色中匹配指标最小的模板颜色作为待识别纺织品的颜色；所述匹配阈值用于判断是否存在与待识别纺织品颜色相匹配的模板颜色，若各模板颜色对应的匹配指标均大于匹配阈值，则当前各颜色模板均与待识别纺织品颜色不匹配，则说明待识别纺织品颜色不在所需的颜色库中。本实施例中匹配阈值需根据实际需要进行设置。
本实施例根据待识别纺织图像对应的HSL图像中各像素点对应的H、S、L三个分量的值和YUV图像中各像素点对应的Y、U、V三个分量的值，计算待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标，然后根据待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标与各模板颜色图像对应的各像素点对应的亮度描述指标和色度描述指标之间的差异，得到各模板颜色对应的第一差异特征和第二差异特征，最后根据各模板颜色对应的第一差异特征与第二差异特征，得到待识别纺织品的颜色。本实施例中该方法是一种识别图像的方法，能够应用于计算机视听觉软件等应用软件开发。本实施例基于计算机视觉，通过结合两个颜色空间的信息将纺织品图像与模板颜色图像从各个方面进行自动化的对比，以实现对纺织品颜色的识别，克服了基于人工识别主观性较强而导致误判的缺陷，提高了对纺织品颜色识别的准确度。
一种纺织品表面颜色数据处理、识别系统实施例：
本实施例的一种纺织品表面颜色数据处理、识别系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种纺织品表面颜色数据处理、识别方法。
由于一种纺织品表面颜色数据处理、识别方法已经在一种纺织品表面颜色数据处理、识别方法实施例中进行了说明，所以本实施例不再对一种纺织品表面颜色数据处理、识别方法进行赘述。
需要说明的是：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 (10)

1.一种纺织品表面颜色数据处理、识别方法，其特征在于，该方法包括以下步骤：
获取待识别纺织图像对应的HSL图像和YUV图像；
根据HSL图像中各像素点对应的H、S、L三个分量的值和YUV图像中各像素点对应的Y、U、V三个分量的值，计算待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标；
根据待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标与各模板颜色图像对应的各像素点对应的亮度描述指标和色度描述指标之间的差异，得到各模板颜色对应的第一差异特征；所述模板颜色图像为模板颜色对应的纺织品的图像；
根据各模板颜色图像对应的各像素点的色度描述指标和待识别纺织图像中各像素点对应的色度描述指标，得到各模板颜色对应的第二差异特征；
根据各模板颜色对应的第一差异特征与第二差异特征，得到待识别纺织品的颜色。
2.根据权利要求1所述的一种纺织品表面颜色数据处理、识别方法，其特征在于，计算各模板颜色对应的第一差异特征的公式：
Figure 136379DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为第a个模板颜色对应的第一差异特征，
Figure 912574DEST_PATH_IMAGE004
为待识别纺织图像中各像素点对应的色度描述指标的平均值，
Figure DEST_PATH_IMAGE005
为待识别纺织图像中各像素点对应的亮度描述指标的平均值，
Figure 816945DEST_PATH_IMAGE006
为第a个模板颜色图像中各像素点对应的色度描述指标的平均值；
Figure DEST_PATH_IMAGE007
为第a个模板颜色图像中各像素点对应的亮度描述指标的平均值。
3.根据权利要求1所述的一种纺织品表面颜色数据处理、识别方法，其特征在于，计算待识别纺织图像中各像素点对应的亮度描述指标和色度描述指标，包括：
将所述HSL图像中各像素点对应的H、S分量的值和YUV图像中各像素点对应的U、V分量的值进行归一化处理；
根据待识别纺织图像中各像素点对应的归一化之后的H、S、U、V四个分量的值，得到待识别纺织图像中各像素点对应的初始色度描述指标；
将待识别纺织图像中各像素点对应的初始色度描述指标进行规范化处理，得到待识别纺织图像中各像素点对应的色度描述指标；
计算待识别纺织图像中各像素点对应的L分量的值和Y分量的值的均值，作为各像素点对应的亮度描述指标。
4.根据权利要求3所述的一种纺织品表面颜色数据处理、识别方法，其特征在于，计算待识别纺织图像中各像素点对应的初始色度描述指标的公式为：
Figure DEST_PATH_IMAGE009
其中，
Figure 8892DEST_PATH_IMAGE010
为待识别纺织图像中第i个像素点对应的初始色度描述指标，
Figure DEST_PATH_IMAGE011
为待识别纺织图像中第i个像素点对应的归一化后的H分量的值，
Figure 950828DEST_PATH_IMAGE012
为待识别纺织图像中第i个像素点对应的归一化后的S分量的值，
Figure DEST_PATH_IMAGE013
为待识别纺织图像中第i个像素点对应的归一化后的U分量的值，
Figure 632345DEST_PATH_IMAGE014
为待识别纺织图像中第i个像素点对应的归一化后的V分量的值。
5.根据权利要求1所述的一种纺织品表面颜色数据处理、识别方法，其特征在于，根据各模板颜色图像对应的各像素点的色度描述指标和待识别纺织图像中各像素点对应的色度描述指标，得到各模板颜色对应的第二差异特征，包括：
将待识别纺织图像中各像素点对应的色度描述指标作为灰度值构建色度描述图像；
根据各模板颜色图像对应的色度描述指标，得到各模板颜色对应的阈值范围；所述模板颜色图像对应的色度描述指标为模板颜色图像中各像素点对应的色度描述指标的均值；
对于任一模板颜色：将色度描述图像中灰度值在该模板颜色对应的阈值范围内的像素点标记为1，将灰度值不在该模板颜色对应的阈值范围内的像素点标记为0，得到该模板颜色对应的特征图像；将该模板颜色对应的特征图像中标记为1的像素点个数与所述特征图像中的像素点总数之比作为该模板颜色对应的初始匹配程度；
根据待识别纺织图像中各像素点对应的色度描述指标，得到待识别纺织图像对应的颜色矩，所述颜色矩包括一阶矩、二阶矩和三阶矩；
根据各模板颜色图像中各像素点对应的色度描述指标，得到各模板颜色图像对应颜色矩；
根据待识别纺织图像对应的颜色矩、各模板颜色图像对应颜色矩以及各模板颜色对应的初始匹配程度，得到各模板颜色对应的第二差异特征。
6.根据权利要求5所述的一种纺织品表面颜色数据处理、识别方法，其特征在于，计算各模板颜色对应的第二差异特征的公式为：
Figure 86329DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为第a个模板颜色对应的第二差异特征，
Figure 409863DEST_PATH_IMAGE018
为待识别纺织图像对应的一阶矩，
Figure DEST_PATH_IMAGE019
为待识别纺织图像对应的二阶矩，
Figure 206305DEST_PATH_IMAGE020
为待识别纺织图像对应的三阶矩，
Figure DEST_PATH_IMAGE021
为第a个模板颜色图像对应的一阶矩，
Figure 934090DEST_PATH_IMAGE022
为第a个模板颜色图像对应的二阶矩，
Figure DEST_PATH_IMAGE023
为第a个模板颜色图像对应的三阶矩，
Figure 547474DEST_PATH_IMAGE024
为第a个模板颜色对应的初始匹配程度。
7.根据权利要求5所述的一种纺织品表面颜色数据处理、识别方法，其特征在于，所述根据各模板颜色图像对应的色度描述指标，得到各模板颜色对应的阈值范围，包括：
对于任一模板颜色图像：计算该模板颜色图像对应的色度描述指标与其他各模板颜色图像对应的色度描述指标之间的差值，得到该模板颜色对应的各差异距离；将该模板颜色对应的值最小的差异距离作为该模板颜色对应的目标差异距离；所述其他各模板颜色图像为不包括该模板颜色图像的各模板颜色图像；
选取各模板颜色对应的目标差异距离中的最小值，记为阈值大小；
对于任一模板颜色：将该模板颜色图像对应的色度描述指标与所述阈值大小的一半相减，将其得到的值记为该模板颜色对应阈值范围的下限；将该模板颜色图像对应的色度描述指标与所述阈值大小的一半相加，将其得到的值记为该模板颜色对应阈值范围的上限；将所述上限和所述下限之间的范围作为该模板颜色对应的阈值范围。
8.根据权利要求1所述的一种纺织品表面颜色数据处理、识别方法，其特征在于，根据各模板颜色对应的第一差异特征与第二差异特征，得到待识别纺织品的颜色，包括：
将各模板颜色对应的第一差异特征与第二差异特征的乘积作为各模板颜色对应的匹配指标；
将匹配指标小于匹配阈值的模板颜色进行筛选；若存在匹配指标小于匹配阈值的模板颜色，则将筛选出的各模板颜色中匹配指标最小的模板颜色作为待识别纺织品的颜色。
9.根据权利要求1所述的一种纺织品表面颜色数据处理、识别方法，其特征在于，获取待识别纺织图像对应的HSL图像和YUV图像的方法,包括：
所述待识别纺织图像为RGB图像；
将待识别纺织图像转换为HSL颜色空间的图像，得到HSL图像；
将待识别纺织图像转换为YUV颜色空间的图像，得到YUV图像。
10.一种纺织品表面颜色数据处理、识别系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-9任一项所述的一种纺织品表面颜色数据处理、识别方法。
CN202210855841.5A 2022-07-21 2022-07-21 一种纺织品表面颜色数据处理、识别方法及系统 Active CN114926661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210855841.5A CN114926661B (zh) 2022-07-21 2022-07-21 一种纺织品表面颜色数据处理、识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210855841.5A CN114926661B (zh) 2022-07-21 2022-07-21 一种纺织品表面颜色数据处理、识别方法及系统

Publications (2)

Publication Number Publication Date
CN114926661A true CN114926661A (zh) 2022-08-19
CN114926661B CN114926661B (zh) 2022-09-20

Family

ID=82815592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210855841.5A Active CN114926661B (zh) 2022-07-21 2022-07-21 一种纺织品表面颜色数据处理、识别方法及系统

Country Status (1)

Country Link
CN (1) CN114926661B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311299A (zh) * 2022-10-12 2022-11-08 如皋市金轶纺织有限公司 一种基于多光源角度的纺织品染色异常检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090021647A1 (en) * 2007-07-16 2009-01-22 Yoon Seok Choi Apparatus for controlling color temperature
CN107689066A (zh) * 2017-09-15 2018-02-13 深圳市唯特视科技有限公司 一种基于示例图像变形的面部着色方法
CN114648594A (zh) * 2022-05-19 2022-06-21 南通恒强家纺有限公司 一种基于图像识别的纺织品颜色检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090021647A1 (en) * 2007-07-16 2009-01-22 Yoon Seok Choi Apparatus for controlling color temperature
CN107689066A (zh) * 2017-09-15 2018-02-13 深圳市唯特视科技有限公司 一种基于示例图像变形的面部着色方法
CN114648594A (zh) * 2022-05-19 2022-06-21 南通恒强家纺有限公司 一种基于图像识别的纺织品颜色检测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311299A (zh) * 2022-10-12 2022-11-08 如皋市金轶纺织有限公司 一种基于多光源角度的纺织品染色异常检测方法

Also Published As

Publication number Publication date
CN114926661B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
US8139852B2 (en) Color classification method, color recognition method, color classification apparatus, color recognition apparatus, color recognition system, computer program, and recording medium
CN114648594B (zh) 一种基于图像识别的纺织品颜色检测方法及系统
CN106960182B (zh) 一种基于多特征集成的行人再识别方法
CN106651966B (zh) 图片颜色识别方法和系统
CN114926661B (zh) 一种纺织品表面颜色数据处理、识别方法及系统
CN111950654B (zh) 基于svm分类的魔方色块颜色还原方法
WO2022032675A1 (zh) 产品测试方法、装置、计算机可读存储介质及电子设备
JP2006285956A (ja) 赤目検出方法および装置並びにプログラム
CN111311500A (zh) 一种对图像进行颜色还原的方法和装置
CN111340897B (zh) 基于模糊数学相似度的颜色识别方法
CN110310341B (zh) 颜色算法中默认参数的生成方法、装置、设备和存储介质
Berbar Novel colors correction approaches for natural scenes and skin detection techniques
Islami Implementation of HSV-based Thresholding Method for Iris Detection
KR100488014B1 (ko) ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법
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
CN111563536B (zh) 一种基于机器学习的竹条颜色自适应分类方法
CN114820707A (zh) 一种用于摄像头目标自动追踪的计算方法
CN111242047A (zh) 图像处理方法和装置、电子设备及计算机可读存储介质
CN111402341A (zh) 相机参数确定方法、装置、电子设备及可读存储介质
CN111160366A (zh) 一种彩色图像识别方法
CN112734767B (zh) 基于病理图像组织区域的提取方法、装置、设备及介质
TWI701640B (zh) 基於唾液結晶的排卵預測方法
CN116563770B (zh) 车辆颜色的检测方法、装置及设备和介质
CN117274405B (zh) 基于机器视觉的led灯工作颜色检测方法

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