CN114972345B - 基于自适应均值漂移聚类的纱线染色质量评估方法及系统 - Google Patents
基于自适应均值漂移聚类的纱线染色质量评估方法及系统 Download PDFInfo
- Publication number
- CN114972345B CN114972345B CN202210902207.2A CN202210902207A CN114972345B CN 114972345 B CN114972345 B CN 114972345B CN 202210902207 A CN202210902207 A CN 202210902207A CN 114972345 B CN114972345 B CN 114972345B
- Authority
- CN
- China
- Prior art keywords
- clustering
- preset
- circular area
- color distribution
- circular
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 43
- 238000009970 yarn dyeing Methods 0.000 title claims abstract description 42
- 239000003086 colorant Substances 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims 6
- 238000004043 dyeing Methods 0.000 abstract description 21
- 230000008569 process Effects 0.000 abstract description 16
- 230000008859 change Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000004075 alteration Effects 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 108010077544 Chromatin Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于自适应均值漂移聚类的纱线染色质量评估方法及系统,涉及染色质量评估领域。主要包括:获取纱线表面图像并转化为HSV图像,选择图像中像素点作为中心点建立预设半径的圆形区域;根据圆形区域中不同通道中不同级数的颜色出现的频率获得圆形区域的颜色分布熵;对圆形区域的半径进行自适应增大,并在聚类过程中对圆形区域向正常区域进行漂移,最终得到多个聚类区域;根据各聚类区域半径增大的次数以及聚类区域完成聚类后的颜色分布熵,获得HSV图像的质量评价指标,判断质量评价指标是否大于预设第三阈值,若判断结果为是,纱线染色质量不合格,否则,纱线染色质量合格。
Description
技术领域
本申请涉及染色质量评估领域,具体涉及一种基于自适应均值漂移聚类的纱线染色质量评估方法及系统。
背景技术
纱线在染色的过程一般包括除杂、染色、皂洗、固色等过程,随着纺丝染色技术的不断改进,对纱线染色质量的要求越来越高。在纱线的质量问题占比中,色差缺陷占比超过40%。目前在纱线染色和固色的过程中,对于染色中的色差进行检测依赖人工检测,或通过纱线表面图像的灰度图像进行分析处理,从而实现对纱线的染色质量的评估。
发明人在实现本发明实施例的过程中,发现背景技术中至少存在以下缺陷:通过人工对纱线表面染色质量评估存在主观性,缺陷检测漏检率较高;通过纱线表面图像的灰度图像进行分析处理,从而实现对纱线的染色质量的评估,由于灰度图像去除了图像中的色彩信息,因此该方法没有考虑到纱线的色彩偏差,对于可能存在色彩偏差的纱线的染色质量的评估不具有参考性。
发明内容
针对上述技术问题,本发明提供了一种基于自适应均值漂移聚类的纱线染色质量评估方法及系统,利用颜色信息进行聚类,充分考虑了纱线的颜色上可能存在的差异,泛化能力更强;将聚类过程中的进行聚类的圆形区域的半径的变化和更新迭代方式作为染色质量的评估依据,能够获得更为精确的染色质量评价结果。
第一方面,本文发明实施例提出了一种基于自适应均值漂移聚类的纱线染色质量评估方法,包括:
S1:获取纱线表面图像并转化为HSV图像。
S2:选取HSV图像中未参与聚类的像素点作为中心点建立预设半径的圆形区域。
S3:根据所述圆形区域中不同通道中不同级数的颜色出现的频率,获得所述圆形区域的颜色分布熵。
S4:判断圆形区域的颜色分布熵是否小于预设第一阈值,若判断结果为是,则将圆形区域的半径增大一个预设步长,重新计算圆形区域的颜色分布熵,进行迭代,直至圆形区域的颜色分布熵不小于预设第一阈值。若判断结果为否,将圆形区域直接作为迭代后的圆形区域,执行S5。
S5:将迭代后的半径增大前后的圆形区域形成圆环,将圆环沿径向等角度划分为预设数量个,分别计算各等分后圆环的颜色分布熵,根据颜色分布熵不小于预设第二阈值的等分后圆环确定是否存在漂移方向。若无漂移方向,将该半径增大前的圆形区域作为聚类区域。
S6:若存在漂移方向,将半径增大前的圆形区域向漂移方向移动一个预设步长后,将圆形区域半径增大一个步长,执行S5,进行迭代直至等分后的各圆环的颜色分布熵均不小于预设第二阈值,将半径增大前的圆形区域作为聚类区域。
S7:执行S2至S6,直至HSV图像中像素点均参与聚类,根据各聚类区域半径增大的次数以及聚类区域完成聚类后的颜色分布熵,获得HSV图像的质量评价指标,判断所述质量评价指标是否大于预设第三阈值,若判断结果为是,纱线染色质量不合格,否则,纱线染色质量合格。
在一个可行的实施例中,根据所述圆形区域中不同通道中不同级数的颜色出现的频率,获得所述圆形区域的颜色分布熵,包括:
在一个可行的实施例中,根据各聚类区域半径增大的次数以及聚类区域完成聚类后的颜色分布熵,获得HSV图像的质量评价指标,包括:
在一个可行的实施例中,根据颜色分布熵不小于预设第二阈值的等分后圆环确定是否存在漂移方向,包括:
获得颜色分布熵不小于预设第二阈值的等分后圆环的内侧对应的弦,将圆环对应的圆心与弦的中点连成向量,分别得到各颜色分布熵不小于预设第二阈值的等分后圆环对应的向量。
将所有颜色分布熵不小于预设第二阈值的等分后圆环对应的向量进行叠加,当进行叠加之后向量相互抵消,则不存在漂移方向,否则存在漂移方向,并将叠加得到的向量的方向作为漂移方向。
在一个可行的实施例中,将所述HSV图像的中心点作为初始中心点建立预设半径的圆形区域,所述方法还包括:对HSV图像进行增强处理,所述增强处理包括:
在一个可行的实施例中,将纱线表面图像转化为HSV图像前,所述方法还包括对纱线表面图像进行中值滤波去噪。
第二方面,本发明实施例提出了一种基于自适应均值漂移聚类的纱线染色质量评估系统,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,以实现本发明实施例中基于自适应均值漂移聚类的纱线染色质量评估方法。
本发明提供了一种基于自适应均值漂移聚类的纱线染色质量评估方法及系统。
本发明实施例的有益效果在于:利用颜色分布熵进行聚类,泛化能力更强;相较于现有技术中通过聚类仅完成图像分割的任务,本发明实施例将聚类过程中的进行聚类的圆形区域的半径的变化和更新迭代方式作为染色质量的评估依据,能够获得更为精确的染色质量评价结果。
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是本发明实施例提供的一种基于自适应均值漂移聚类的纱线染色质量评估方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例提供了一种基于自适应均值漂移聚类的纱线染色质量评估方法,如图1所示,包括:
步骤S1:获取纱线表面图像并转化为HSV图像。
步骤S2:选取HSV图像中未参与聚类的像素点作为中心点建立预设半径的圆形区域。
步骤S3:根据圆形区域中不同通道中不同级数的颜色出现的频率,获得圆形区域的颜色分布熵。
步骤S4:判断圆形区域的颜色分布熵是否小于预设第一阈值,若判断结果为是,则将圆形区域的半径增大一个预设步长,重新计算圆形区域的颜色分布熵,进行迭代,直至圆形区域的颜色分布熵不小于预设第一阈值。若判断结果为否,将圆形区域直接作为迭代后的圆形区域,执行S5。
步骤S5:将迭代后的半径增大前后的圆形区域形成圆环,将圆环沿径向等角度划分为预设数量个,分别计算各等分后圆环的颜色分布熵,根据颜色分布熵不小于预设第二阈值的等分后圆环确定是否存在漂移方向。若无漂移方向,将该半径增大前的圆形区域作为聚类区域。
步骤S6:若存在漂移方向,将半径增大前的圆形区域向漂移方向移动一个预设步长后,将圆形区域半径增大一个步长,执行S5,进行迭代直至等分后的各圆环的颜色分布熵均不小于预设第二阈值,将半径增大前的圆形区域作为聚类区域。
步骤S7:执行S2至S6,直至HSV图像中像素点均参与聚类,根据各聚类区域半径增大的次数以及聚类区域完成聚类后的颜色分布熵,获得HSV图像的质量评价指标,判断质量评价指标是否大于预设第三阈值,若判断结果为是,纱线染色质量不合格,否则,纱线染色质量合格。
本发明实施例的主要目的是实现:通过染色后的纱线颜色特征自适应聚类完成表面质量评估。
进一步的,步骤S1:获取纱线表面图像并转化为HSV图像。具体包括:
首先,获得纱线表面图像,可以在纱线染色出口端架设高分辨率相机,通过高分辨相机采集纱线染色成品的表面图像。同时,相机位置固定,图像采集过程中光照均匀不影响图像采集的质量。
可选的,可以对纱线表面图像进行中值滤波去噪,如此,可以有效地去除纱线表面图像中存在的噪声。
需要说明的是,图像去噪是指减少图像中造成的过程。现实中的图像会受到各种因素的影响而含有一定的噪声,噪声主要包括:椒盐噪声、加性噪声、乘性噪声以及高斯噪声。
图像去噪的算法有很多,有基于偏微分热传导方程的,也有基于滤波的,其中基于滤波的以其速度快、算法成熟,因此使用较为广泛,常用的滤波去噪算法包括:中值滤波、均值滤波以及高斯滤波。
其中,中值滤波是通过中值滤波器实现滤波去噪的,中值滤波器是一种常用的非线性平滑滤波器,其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换,其主要功能是让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值,从而可以消除孤立的噪声点,所以中值滤波对于滤除图像的椒盐噪声非常有效。
其次,对纱线表面图像进行HSV转化获得HSV图像,需要说明的是,HSV是一种比较直观的颜色模型,这个模型中颜色的参数分别是:色调(H, Hue),饱和度(S,Saturation),明度(V, Value)。如此,便于后续同时对色调、饱和度以及明度三个通道的偏差进行评价。
具体的,色调H(Hue)是用角度进行度量的,其取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。它们的补色依次是:黄色为60°,青色为180°,品红为300°,0°- 359°时颜色会依次变换当角度到达360°时也就是红色,角度也就又回到0°了,所以总共为360°,每变换1°时,色相就会有轻微的变化。
需要说明的是,饱和度S(Saturation)表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。光谱色的白光成分为0,饱和度达到最高。通常取值范围为0%~100%,值越大,颜色越饱和。
明度V(Value)表示颜色明亮的程度,对于光源色,明度值与发光体的光亮度有关;通常取值范围为0%(黑)到100%(白)。
进一步的,步骤S2:选取HSV图像中未参与聚类的像素点作为中心点建立预设半径的圆形区域。具体包括:
将HSV图像的未参与聚类的像素点作为中心,建立预设半径的圆形区域。由于采集到的纱线表面图像中大部分区域是不存在色差的,所以,选择尚未参与到聚类中的像素点作为中心,便于后续获得更大的不存在色差的圆形区域。
可选的,由于一开始所有的像素点均为参与聚类,可以选择HSV图像的中心点作为首个圆形区域的中心。
进一步的,步骤S3:根据圆形区域中不同通道中不同级数的颜色出现的频率,获得圆形区域的颜色分布熵。具体包括:
现有技术中,均值漂移聚类算法利用像素点的色彩通道值与中心像素点的通道计算色差均值,并选取色差梯度最大的方向作为聚类方向,然后进行聚类中心点位置的更新,最终沿着色差梯度最大的方向完成整个图像像素点聚类。
然而,在完成染色的纱线中大部分区域的染色是均匀的,即大部分的像素点之间不存在色差,也就不存在色差造成的梯度,也就无法通过梯度来进行聚类方向的选择。因此本发明实施例将圆形区域作为研究对象。
获得圆形区域的颜色分布熵,包括:,其中为圆形区域的颜色分布熵,,为圆形区域在第个通道中颜色的级数,为圆形区域在第个通道中颜色出现的频率,为预设第一权重,为预设第二权重,为预设第三权重。表示为固定颜色色调值,颜色不发生变化,色调值也不会改变;表示为固定的饱和度值,当不出现色差时,饱和度也不会发生变化;表示为亮度值,亮度值的变化除了会受到表面色差的影响,同样也会受到表面纹理或遮挡的影响,从而发生变化。
进一步的,步骤S4:判断圆形区域的颜色分布熵是否小于预设第一阈值,若判断结果为是,则将圆形区域的半径增大一个预设步长,重新计算圆形区域的颜色分布熵,进行迭代,直至圆形区域的颜色分布熵不小于预设第一阈值。若判断结果为否,将圆形区域直接作为迭代后的圆形区域,执行S5。具体包括:
具体地,设定预设第一阈值,当圆形区域的颜色分布熵小于预设第一阈值时,则对圆形区域的半增大一个步长,并重新计算增大半径后的圆形区域的颜色分布熵,进行迭代,直至增大半径后的圆形区域的颜色分布熵不小于预设第一阈值。
需要说明的是,当圆形区域的颜色分布熵小于预设第一阈值时,说明圆形区域中不存在色差或者色差在允许的范围内,此时通过保持原有的圆心的情况下扩大圆形区域的半径,使得圆形区域能够包括更多的HSV图像中的区域,并判断增大半径后的圆形区域的颜色分布熵,如此,可以在不移动圆形区域圆心的情况下,使得圆形区域包括的正常的区域更大。
进一步的,步骤S5:将迭代后的半径增大前后的圆形区域形成圆环,将圆环沿径向等角度划分为预设数量个,分别计算各等分后圆环的颜色分布熵,根据颜色分布熵不小于预设第二阈值的等分后圆环确定是否存在漂移方向。若无漂移方向,将该半径增大前的圆形区域作为聚类区域。具体包括:
需要说明的是,当增大半径后的圆形区域的颜色分布熵不小于预设第一阈值时,同时由于增大半径前的圆形区域的颜色分布熵是小于预设第一阈值的,因此造成此变化是由于圆形区域的半径增大,使得半径增大后的圆形区域包括了半径增大前后的圆形区域形成的圆环,该圆环部分的存在引起整个圆形区域的颜色分布熵变大。
首先,当增大半径后的圆形区域的颜色分布熵不小于预设第一阈值时,将半径增大前后的圆形区域形成的圆环沿径向等分为预设数量个,分别计算各等分后圆环的颜色分布熵,如此,便于后续确定漂移方向,从而使得圆形区域远离存在色差的区域,朝着正常区域移动。
作为一个示例,本实施例中预设数量为8,即圆环区域被径向8等分,形成8个1/8圆环区域。
其次,根据颜色分布熵不小于预设第二阈值的等分后圆环确定是否存在漂移方向,包括:获得颜色分布熵不小于预设第二阈值的等分后圆环的内侧对应的弦,将圆环对应的圆心与弦的中点连成向量,分别得到各颜色分布熵不小于预设第二阈值的等分后圆环对应的向量;将所有颜色分布熵不小于预设第二阈值的等分后圆环对应的向量进行叠加,当进行叠加之后向量相互抵消,则不存在漂移方向,否则存在漂移方向,并将叠加得到的向量的方向作为漂移方向。
然后,将增大前的圆形区域向漂移方向移动一个预设步长,由于增大半径前的圆形区域的颜色分布熵本身是小于预设第一阈值的,同时,圆形区域朝着正常区域进行移动,因此,移动一个步长后的半径增大前的圆形区域的颜色分布熵也应该小于预设第一阈值。
最后,完成对增大前的圆形区域的移动后,重新计算对该圆形区域的半径增大一个步长后形成的圆环区域进行径向等分,并根据颜色分布熵不小于预设第二阈值的等分后圆环确定漂移方向,进行迭代,直至等分后的各圆环的颜色分布熵均不小于预设第二阈值,将迭代完成后的圆形区域作为聚类区域。如此,可以使得圆形区域一直朝着正常区域进行移动,同时远离存在色差的区域,并在迭代完成后得到聚类区域。
进一步的,步骤S6:若存在漂移方向,将半径增大前的圆形区域向漂移方向移动一个预设步长后,将圆形区域半径增大一个步长,执行S5,进行迭代直至等分后的各圆环的颜色分布熵均不小于预设第二阈值,将半径增大前的圆形区域作为聚类区域。具体包括:
首先,选取HSV图像中未参与聚类的像素点作为中心点建立预设半径的圆形区域,并获得圆形区域对应的聚类区域,如此,可以使得HSV图像中更多的区域被聚类到相应的圆形区域中去,便于后续获得HSV图像经过聚类后的所有的聚类区域。
最后,当HSV图像中的像素点均参与聚类后,不再进行聚类,此时得到的多个聚类区域。如此,完成了对整个HSV图像的聚类过程,也便于后续根据得到的多个聚类区域实现对纱线染色质量的评价。
进一步的,步骤S7:执行S2至S6,直至HSV图像中像素点均参与聚类,根据各聚类区域半径增大的次数以及聚类区域完成聚类后的颜色分布熵,获得HSV图像的质量评价指标,判断质量评价指标是否大于预设第三阈值,若判断结果为是,纱线染色质量不合格,否则,纱线染色质
首先,根据各聚类区域半径增大的次数以及聚类区域完成聚类后的颜色分布熵,获得HSV图像的质量评价指标,包括:,其中,为第个聚类区域聚类过程中半径变化的次数,为第个聚类区域聚类过程中半径变化的次数,为第个聚类区域完成聚类后的颜色分布熵,为第个聚类区域完成聚类后的颜色分布熵,为聚类区域的数量。
需要说明的是,聚类过程中颜色分布熵能够反映纱线HSV图像中圆形区域中的色差程度,其中存在色差的区域越多,使得颜色差异越大,进而使得颜色分布熵越大。聚类过程中圆形区域的半径更新的次数表征当前纱线图像正常区域的分布密集程度,圆形区域的半径更新次数越多,说明纱线图像染色越均匀,存在色差的点的分布范围越小。
其次,根据所得到的质量评价指标对纱线的染色质量进行评估,包括:设定预设第三阈值理,当质量评价指标大于预设第三阈值时,纱线染色存在异常,需要对纱线染色过程进行相应的预警及控制,反之,当质量评价指标不大于预设第三阈值时,纱线染色过程正常,无需进行干预。
基于与上述方法相同的发明构思,本实施例还提供了一种基于自适应均值漂移聚类的纱线染色质量评估系统,本实施例中基于自适应均值漂移聚类的纱线染色质量评估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,以实现如基于自适应均值漂移聚类的纱线染色质量评估方法实施例中所描述的对纱线的染色质量进行评估。
由于基于自适应均值漂移聚类的纱线染色质量评估方法实施例中已经对纱线的染色质量进行评估的方法进行了说明,此处不再赘述。
综上所述,本发明提供了一种基于自适应均值漂移聚类的纱线染色质量评估方法及系统。利用颜色分布熵进行聚类,泛化能力更强;相较于现有技术中通过聚类仅完成图像分割的任务,本发明实施例将聚类过程中的进行聚类的圆形区域的半径的变化和更新迭代方式作为染色质量的评估依据,能够获得更为精确的染色质量评价结果。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本发明的方法和系统中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (8)
1.一种基于自适应均值漂移聚类的纱线染色质量评估方法,其特征在于,包括:
S1:获取纱线表面图像并转化为HSV图像;
S2:选取HSV图像中未参与聚类的像素点作为中心点建立预设半径的圆形区域;
S3:根据所述圆形区域中不同通道中不同级数的颜色出现的频率,获得所述圆形区域的颜色分布熵;
S4:判断圆形区域的颜色分布熵是否小于预设第一阈值,若判断结果为是,则将圆形区域的半径增大一个预设步长,重新计算圆形区域的颜色分布熵,进行迭代,直至圆形区域的颜色分布熵不小于预设第一阈值;若判断结果为否,将圆形区域直接作为迭代后的圆形区域,执行S5;
S5:将迭代后的半径增大前后的圆形区域形成圆环,将圆环沿径向等角度划分为预设数量个,分别计算各等分后圆环的颜色分布熵,根据颜色分布熵不小于预设第二阈值的等分后圆环确定是否存在漂移方向;若无漂移方向,将该半径增大前的圆形区域作为聚类区域;
S6:若存在漂移方向,将半径增大前的圆形区域向漂移方向移动一个预设步长后,将圆形区域半径增大一个步长,执行S5,进行迭代直至等分后的各圆环的颜色分布熵均不小于预设第二阈值,将半径增大前的圆形区域作为聚类区域;
S7:执行S2至S6,直至HSV图像中像素点均参与聚类,根据各聚类区域半径增大的次数以及聚类区域完成聚类后的颜色分布熵,获得HSV图像的质量评价指标,判断所述质量评价指标是否大于预设第三阈值,若判断结果为是,纱线染色质量不合格,否则,纱线染色质量合格。
4.根据权利要求1所述的基于自适应均值漂移聚类的纱线染色质量评估方法,其特征在于,根据颜色分布熵不小于预设第二阈值的等分后圆环确定是否存在漂移方向,包括:
获得颜色分布熵不小于预设第二阈值的等分后圆环的内侧对应的弦,将圆环对应的圆心与弦的中点连成向量,分别得到各颜色分布熵不小于预设第二阈值的等分后圆环对应的向量;
将所有颜色分布熵不小于预设第二阈值的等分后圆环对应的向量进行叠加,当进行叠加之后向量相互抵消,则不存在漂移方向,否则存在漂移方向,并将叠加得到的向量的方向作为漂移方向。
5.根据权利要求1所述的基于自适应均值漂移聚类的纱线染色质量评估方法,其特征在于,将所述HSV图像的中心点作为初始中心点建立预设半径的圆形区域,所述方法还包括:对HSV图像进行增强处理,所述增强处理包括:
将HSV图像中的明度通道进行直方图均衡化后,与饱和度通道和色调通道进行合并得到增强处理后的HSV图像。
6.根据权利要求5所述的基于自适应均值漂移聚类的纱线染色质量评估方法,其特征在于,将纱线表面图像转化为HSV图像前,所述方法还包括对纱线表面图像进行中值滤波去噪。
8.一种基于自适应均值漂移聚类的纱线染色质量评估系统,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1-7中任一项所述的基于自适应均值漂移聚类的纱线染色质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902207.2A CN114972345B (zh) | 2022-07-29 | 2022-07-29 | 基于自适应均值漂移聚类的纱线染色质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902207.2A CN114972345B (zh) | 2022-07-29 | 2022-07-29 | 基于自适应均值漂移聚类的纱线染色质量评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972345A CN114972345A (zh) | 2022-08-30 |
CN114972345B true CN114972345B (zh) | 2022-10-21 |
Family
ID=82969911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210902207.2A Active CN114972345B (zh) | 2022-07-29 | 2022-07-29 | 基于自适应均值漂移聚类的纱线染色质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972345B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115314714B (zh) * | 2022-10-12 | 2023-03-28 | 南通虎神金属制品有限公司 | 一种用于焊缝图像存储的数据压缩方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6038021A (en) * | 1997-12-11 | 2000-03-14 | Scientific Technologies, Inc. | Optically based on-line fiber monitoring system with drift compensation |
CN102929873B (zh) * | 2011-08-08 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种基于情境搜索提取搜索价值词的方法及装置 |
CN103745203B (zh) * | 2014-01-15 | 2017-03-15 | 南京理工大学 | 基于视觉注意和均值漂移的目标检测与跟踪方法 |
CN113205553A (zh) * | 2021-03-25 | 2021-08-03 | 华东交通大学 | 一种基于三通道特征融合的光条纹中心提取方法 |
-
2022
- 2022-07-29 CN CN202210902207.2A patent/CN114972345B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114972345A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5314357B2 (ja) | 映像の色収差の補正方法および装置 | |
KR100866490B1 (ko) | 영상의 색 수차를 보정하기 위한 장치 및 방법 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
CN106657946B (zh) | 图像紫边消除系统和方法 | |
CN104899881B (zh) | 一种视频图像中运动车辆阴影检测方法 | |
CN115294116B (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 | |
CN114972345B (zh) | 基于自适应均值漂移聚类的纱线染色质量评估方法及系统 | |
CN106530265B (zh) | 一种基于色度坐标的自适应图像融合方法 | |
CN107886486A (zh) | 基于暗通道先验与变分Retinex水下图像增强方法 | |
CN106295656A (zh) | 基于图像色块内容的图像轮廓特征提取方法和装置 | |
CN103065334A (zh) | 一种基于hsv颜色空间的偏色检测、校正方法及装置 | |
KR20110092078A (ko) | 불량 화소 제거 장치 및 방법 | |
CN104917935A (zh) | 图像处理装置以及图像处理方法 | |
CN109544583A (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
WO2019015553A1 (zh) | 图像色彩校正方法、装置、存储介质和计算机设备 | |
CN106815602B (zh) | 一种基于多层次特征描述的跑道fod图像探测方法及装置 | |
CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
CN108596985B (zh) | 一种Grey Edge参数主动优化的稀土溶液颜色矫正方法 | |
CN104463812B (zh) | 修复在拍摄时受到雨滴干扰的视频图像的方法 | |
De Silva et al. | A novel adaptive shading correction algorithm for camera systems | |
CN114037641A (zh) | 一种低照度图像增强方法、装置、设备及介质 | |
Shiting et al. | Clustering-based shadow edge detection in a single color image | |
CN116612110B (zh) | 用于渐变印染效果的质量智能评估方法 | |
CN109741337A (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 |
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 |