CN115035111B - 一种基于图像处理的有色丝色差检测方法 - Google Patents
一种基于图像处理的有色丝色差检测方法 Download PDFInfo
- Publication number
- CN115035111B CN115035111B CN202210955387.0A CN202210955387A CN115035111B CN 115035111 B CN115035111 B CN 115035111B CN 202210955387 A CN202210955387 A CN 202210955387A CN 115035111 B CN115035111 B CN 115035111B
- Authority
- CN
- China
- Prior art keywords
- area
- illumination
- image
- actual
- clustering
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的有色丝色差检测方法,涉及图像处理领域。利用光学手段基于图像处理的方法分析有色丝材料的染色质量。包括获取标准有色丝图像和实际有色丝图像;确定出实际有色丝图像中的光照均匀区域和光照不均匀区域;获取光照不均匀商区域;计算反权重矩阵,根据反权重矩阵对光照不均匀区域的字典矩阵进行更新获取实际有色丝重建图像;根据实际有色丝重建图像的色调值对有色丝进行色差检测。本发明通过获取光照不均匀区域的字典矩阵和稀疏编码矩阵表示图像的纹理以及色调信息,获取反权重矩阵对字典矩阵的更新,得到去除光照影响的有色丝实际图像,对有色丝的色差进行检测,从而对存在色差的有色丝进行重新着色。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种基于图像处理的有色丝色差检测方法。
背景技术
有色丝有很多非常重要的特性,包括牢固性很好,无需要染色等。最重要的就是有色丝是非常环保无污染的。而且它能够跟各种各样的细毛线一起纺织出衣服,这样生产出来的衣服穿在身上会更加的贴身,更加舒服,现在市面上很多的纺织衣服都有添加。而且通过这样纺织出来的服装,经过水洗之后,还能够使衣服很好的回到原有的状态,因此它在毛织纺织业中间被广泛的运用。
在有色丝的生产过程中,可能会出现染色不均匀的现象,特别是渐变色有色丝,所以需要对有色丝的色差进行检测,并根据检测结果进行色差的控制,对有色丝显色不均匀区域进行重新着色。
现有技术往往是通过比较标准有色丝与实际有色丝的色调值对色差进行检测进而控制,但是有色丝的色彩受光照的影响比较大,在不同强度和不同方向的光照下,显示效果往往不同,特别是渐变色有色丝,而标准有色丝图片与实际有色丝图片的光照背景往往不同,为有色丝的色差检测和控制带来了困难。
发明内容
针对上述技术问题,本发明提供了一种基于图像处理的有色丝色差检测方法。
本发明实施例提供了一种基于图像处理的有色丝色差检测方法,包括:
获取标准有色丝图像和实际有色丝图像;
利用分水岭算法分别对标准有色丝图像和实际有色丝图像进行局部极值点聚类,得到标准聚类区域集合和实际聚类区域集合;
对实际聚类区域集合中的每个实际聚类区域和标准聚类区域集合进行匹配,确定出实际有色丝图像中的光照均匀区域和光照不均匀区域;
对标准有色丝图像中光照不均匀区域对应区域的像素点像素值和光照不均匀区域相同位置的像素点像素值作商得到光照不均匀商区域;
利用K-SVD算法分别得到每个光照不均匀区域的字典矩阵和稀疏编码矩阵和每个光照不均匀商区域的稀疏编码矩阵;
计算每个光照不均匀商区域稀 疏编码矩阵的反权重矩阵,根据得到的反权重矩阵对相应的光照不均匀区域的字典矩阵进行更新;
利更新后的光照不均匀区域的字典矩阵结合对应的稀疏编码矩阵得到所有光照不均匀区域的重建图像,对得到的光照不均匀重建区域结合标准有色丝图像得到实际有色丝重建图像;
获取实际有色丝重建图像与标准有色丝图像的色调值,根据实际有色丝重建图像与标准有色丝图像的色调值对有色丝的色差进行控制。
对实际聚类区域集合中的每个实际聚类区域和标准聚类区域集合进行匹配,确定出实际有色丝图像中的光照均匀区域和光照不均匀区域的方法为:
对经过局部极值点聚类后的标准有色丝图像和实际有色丝图像进行匹配,设定匹配阈值;
若标准聚类区域和实际聚类区域的重合区域面积大于等于设定的匹配阈值,则该实际聚类区域为光照均匀区域,若标准聚类区域和实际聚类区域的重合区域面积小于设定的匹配阈值,则该实际聚类区域为光照不均匀区域;
分别对实际聚类区域集合中每个实际聚类区域根据上述方法进行判断,得到实际有色丝图像中所有的光照均匀区域和光照不均匀区域。
根据得到的反权重矩阵对光照不均匀区域的字典矩阵进行更新的方法为:将反权重矩阵和光照不均匀区域的字典矩阵对应位置的元素值相乘。
反权重矩阵的构建方法如下:
构建反权重矩阵,对光照不均匀商区域的稀疏编码矩阵中的每个元素计算倒数,将得到的倒数作为反权重矩阵对应位置的元素值。
得到实际有色丝重建图像的过程如下:
结合光照不均匀区域的稀疏矩阵和更新后的字典矩阵利用K-SVD算法得到光照不均匀重建区域;
计算光照均匀区域与标准有色丝图像上对应区域的像素值的均值的差值,对实际有色丝图像中的光照均匀区域中的像素点的像素值减去均值差值得到光照均匀重建区域;
根据得到的光照不均匀区域重建图像和光照均匀区域重建图像得到实际有色丝重建图像。
对实际聚类区域集合中的每个实际聚类区域和标准聚类区域集合进行匹配的方法为:
利用分水岭算法对标准有色丝图像和实际有色丝图像进行局部极值点聚类,对得到的聚类区域进行匹配;
若标准聚类区域和实际聚类区域的像素值极值点的位置相同,且聚类后实际聚类区域中每个像素点的像素值的增益效果相同,则说明该实际聚类区域是实际有色丝图像中的光照均匀区域;
若标准聚类区域和实际聚类区域的像素值极值点的位置发生了变化,则该实际聚类区域是实际有色丝图像中的光照不均匀区域。
相比于现有技术,本发明实施例的有益效果在于:
本发明利用光学手段基于图像处理对有色丝图像进行分析,通过获取光照不均匀区域的字典矩阵和稀疏编码矩阵对图像中的纹理以及色调信息进行表示,根据稀疏编码矩阵获取反权重矩阵,通过反权重矩阵对字典矩阵的更新,得到去除光照影响的有色丝实际图像,从而对有色丝的色差进行检测,进一步对存在色差的有色丝进行重新着色。
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基于图像处理的有色丝色差检测方法的系统流程图;
图2为本发明实施例提供的一种基于图像处理的有色丝色差检测方法的方法流程图;
图3为本发明实施例提供的一种基于图像处理的有色丝色差检测方法的有色丝示意图。
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。
实施例1
本发明实施例提供了一种基于图像处理的有色丝色差检测方法,如图1所示,包括:
S101、获取标准有色丝图像和实际有色丝图像
获取实际有色丝图像和均匀光照条件下的标准有色丝图像,根据对得到的标准有色丝图像和实际有色丝图像进行处理分析,确定实际有色丝图像的显色情况,根据有色丝图像的纹理以及色调信息对有色丝着色进行检测,根据检测结果对有色丝的着色进行控制,去除光照对有色丝的影响。
S102、确定出实际有色丝图像中的光照均匀区域和光照不均匀区域
对标准有色丝图像和实际有色丝图像的聚类区域进行匹配,根据匹配结果分别确定出实际有色丝图像中的光照均匀区域和光照不均匀区域,通过对光照不均匀区域的图像进行重建,降低光照对有色丝的显色影响。
S103、得到光照不均匀商区域
根据光照不均匀区域结合光照不均匀区域对应的标准有色丝图像的区域得到光照不均匀商区域,光照不均匀商区域表示实际图像的不均匀区域的光照情况。
S104、获取光照不均匀区域和光照不均匀商区域典矩阵和稀疏编码矩阵
字典矩阵可以表示光照强度,即相对于标准图像光照强度的相对光照强度,得到的相对光照强度是不均匀的。此时计算得到的字典矩阵和实际图像去除不均匀区域后得到的字典矩阵相比,只有光照信息的差异。
S105、对光照不均匀区域的字典矩阵进行更新
计算光照不均匀商区域的稀疏矩阵的反矩阵,通过反加权的方式对光照不均匀区域的字典矩阵进行更新,更新后的字典矩阵去除了不均匀光照的影响。
S106、得到光照不均匀区域和光照均匀区域的重建区域
根据更新后光照不均匀区域的字典矩阵结合稀疏编码矩阵得到光照不均匀区域的重建图像,再根据实际有色丝图像中的均匀区域结合标准有色丝图像得到光照均匀区域的重建图像。
S107、得到实际有色丝重建图像
根据得到的光照不均匀重建区域和光照均匀重建区域得到实际有色丝的重建图像,对实际有色丝重建图像进行色差检测,去除了光照对有色丝的显色影响。
S108、对有色丝进行色差检测
根据标准有色丝图像和实际有色丝重建图像对有色丝进行色差检测,根据色差检测的结果对有色丝进行重新着色的控制。
实施例2
本发明实施例提供了一种基于图像处理的有色丝色差检测方法,如图2所示,具体内容包括:
S201、获取标准有色丝图像和实际有色丝图像
获取实际有色丝图像和均匀光照条件下的标准有色丝图像,根据对得到的标准有色丝图像和实际有色丝图像进行处理分析,确定实际有色丝图像的显色情况,根据有色丝图像的纹理以及色调信息对有色丝着色进行检测,根据检测结果对有色丝的着色进行控制,去除光照对有色丝的影响。
本实施例采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下:
1)使用的数据集为侧视采集的有色丝图像数据集,有色丝的样式为多种多样的,有色丝如图3所示。
2)需要分割的像素共分为两类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于有色丝的标注为1。
3)网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与实际有色丝图像相乘,得到的图像中只包含有色丝的图像,去除了背景的干扰。
标准有色丝图像直接获取,至此,得到了实际有色丝图像。
S202、确定出实际有色丝图像中的光照均匀区域和光照不均匀区域
对标准有色丝图像和实际有色丝图像的聚类区域进行匹配,根据匹配结果分别确定出实际有色丝图像中的光照均匀区域和光照不均匀区域,通过对光照不均匀区域的图像进行重建,降低光照对有色丝的显色影响。
利用分水岭算法对标准有色丝图像进行局部极值点聚类,得到标准聚类区域集合;设置相同参数对实际有色图像进行局部极值点聚类,得到实际聚类区域集合。
注:对标准图像聚类和对实际图像聚类时,聚类的k值和聚类的迭代次数相同。
标准有色丝图像中是光照均匀的情况,实际有色丝图像中有的区域光照均匀,有的区域光照不均匀,通过对标准有色丝图像和实际有色丝图像进行聚类,如果聚类区域能够完全套合则实际图像中对应区域为光照均匀区域。
例子:
由上可知,通过局部峰值聚类得到的光照均匀区域的聚类效果相同,且标准聚类结果和实际聚类结果中局部峰值的位置不变,说明该聚类区域为光照均匀区域。
由上可知,光照不均匀区域与对应标准图像区域的聚类效果不同,且标准聚类结果和实际聚类结果中局部峰值的位置发生了改变,说明该聚类区域为光照不均匀区域。
对实际聚类区域集合中的每个实际聚类区域分别和标准聚类区域集合中的每个标准聚类区域进行叠加计算,如果某两个聚类区域能够完全重合,则实际图像中对应聚类区域的光照均匀。考虑到拍摄或计算过程中存在的系统误差,选择连通域重合程度大于90%的区域作为实际图像中的光照均匀区域。得到光照均匀区域之后,其他实际聚类区域则为光照不均匀区域。
至此,得到了实际有色丝图像中的光照均匀区域和光照不均匀区域。
S203、得到光照不均匀区域对应的光照不均匀商区域
结合光照不均匀区域和标准有色丝图像得到光照不均匀商区域,光照不均匀商区域表示实际图像的不均匀区域的光照情况。
利用语义分割的方法将光照不均匀区域的像素点的像素值标为1,其余区域像素点的像素值标为0,通过语义分割得到的0-1掩膜图像与实际有色丝图像相乘,得到的图像中只包含有色丝的光照不均匀区域。
将光照不均匀区域与标准有色丝图像中相同位置的区域对应,将对应区域相同位置的像素点的像素值相除,得到光照不均匀商区域。
计算得到的商区域表示实际有色丝图像的不均匀区域的光照情况,计算得到的商区域的字典矩阵表示光照情况特征。
至此,得到了每个光照不均匀区域对应的光照不均匀商区域。
S204、获取光照不均匀区域和光照不均匀商区域的字典矩阵和稀疏编码矩阵
字典矩阵可以表示光照强度,即相对于标准图像光照强度的相对光照强度,得到的相对光照强度是不均匀的。此时计算得到的字典矩阵和实际图像去除不均匀区域后得到的字典矩阵相比,只有光照信息的差异。
K-SVD是一种字典表示方法,将原来的图像矩阵分解为字典矩阵和稀疏编码矩阵的乘积。
通过K-SVD算法计算分别得到光照不均匀区域和光照不均匀商区域的字典矩阵和稀疏编码矩阵。
S205、对光照不均匀区域的字典矩阵进行更新
计算光照不均匀商区域的稀疏编码矩阵的反权重矩阵,通过反加权的方式对光照不均匀区域的字典矩阵进行更新,更新后的字典矩阵去除了不均匀光照的影响。
构建反权重矩阵,对光照不均匀商区域的稀疏编码矩阵中的每个元素求倒数,将对应位置得到的倒数赋值给反权重矩阵,得到光照不均匀商区域的反权重矩阵,根据光照不均匀商区域的反权重矩阵对相应的光照不均匀区域的字典矩阵进行更新,更新方法为:对光照不均匀区域的字典矩阵乘以反权重矩阵,即对应位置元素相乘得到更新后光照不均匀区域的字典矩阵。
至此,完成对每个光照不均匀区域的字典矩阵的更新。
S206、得到光照不均匀区域和光照均匀区域的重建区域
根据更新后光照不均匀区域的字典矩阵结合稀疏编码矩阵得到每个光照不均匀重建区域,再根据实际有色丝图像中的均匀区域结合标准有色丝图像得到光照均匀重建区域。
利用K-SVD算法结合光照不均匀区域的稀疏编码矩阵和更新后的字典矩阵对实际有色丝图像光照不均匀区域进行重建得到实际有色丝图像中光照不均匀重建区域。
计算每个光照均匀区域与标准有色丝图像上对应区域的像素点的像素值的均值的差值,对实际有色丝图像中的对应的光照均匀区域中每个像素点的像素值减去该光照均匀区域得到的均值差值,得到实际有色丝图像中光照均匀区域的重建图像。
S207、得到实际有色丝重建图像
根据得到的光照不均匀重建区域和光照均匀重建区域得到实际有色丝的重建图像,对实际有色丝重建图像进行色差检测,去除了光照对有色丝的显色影响。
对得到的实际有色丝图像中光照不均匀重建区域和实际有色丝图像中光照均匀重建区域进行组合得到实际有色丝重建图像。
S208、对有色丝进行色差检测
根据标准有色丝图像和实际有色丝重建图像对有色丝进行色差检测,根据色差检测的结果对有色丝进行重新着色的控制。
分别获取标准有色丝图像和实际有色丝重建图中每个像素点的色调值,得到标准有色丝图像和实际有色丝重建图像中每个像素点的色调差值,根据色调差值确定色差程度,根据色差程度对有色丝进行染色操作,完成对有色丝色差的着色控制。
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 (6)
1.一种基于图像处理的有色丝色差检测方法,其特征在于,包括:
获取标准有色丝图像和实际有色丝图像;
利用分水岭算法分别对标准有色丝图像和实际有色丝图像进行局部极值点聚类,得到标准聚类区域集合和实际聚类区域集合;
对实际聚类区域集合中的每个实际聚类区域和标准聚类区域集合进行匹配,确定出实际有色丝图像中的光照均匀区域和光照不均匀区域;
对标准有色丝图像中光照不均匀区域对应区域的像素点像素值和光照不均匀区域相同位置的像素点像素值作商得到光照不均匀商区域;
利用K-SVD算法分别得到每个光照不均匀区域的字典矩阵和稀疏编码矩阵和每个光照不均匀商区域的稀疏编码矩阵;
计算每个光照不均匀商区域稀 疏编码矩阵的反权重矩阵,根据得到的反权重矩阵对相应的光照不均匀区域的字典矩阵进行更新;
利更新后的光照不均匀区域的字典矩阵结合对应的稀疏编码矩阵得到所有光照不均匀区域的重建图像,对得到的光照不均匀重建区域结合标准有色丝图像得到实际有色丝重建图像;
获取实际有色丝重建图像与标准有色丝图像的色调值,根据实际有色丝重建图像与标准有色丝图像的色调值对有色丝的色差进行控制。
2.根据权利要求1所述的一种基于图像处理的有色丝色差检测方法,其特征在于,所述对实际聚类区域集合中的每个实际聚类区域和标准聚类区域集合进行匹配,确定出实际有色丝图像中的光照均匀区域和光照不均匀区域的方法为:
对经过局部极值点聚类后的标准有色丝图像和实际有色丝图像进行匹配,设定匹配阈值;
若标准聚类区域和实际聚类区域的重合区域面积大于等于设定的匹配阈值,则该实际聚类区域为光照均匀区域,若标准聚类区域和实际聚类区域的重合区域面积小于设定的匹配阈值,则该实际聚类区域为光照不均匀区域;
分别对实际聚类区域集合中每个实际聚类区域根据上述方法进行判断,得到实际有色丝图像中所有的光照均匀区域和光照不均匀区域。
3.根据权利要求1所述的一种基于图像处理的有色丝色差检测方法,其特征在于,所述根据得到的反权重矩阵对光照不均匀区域的字典矩阵进行更新的方法为:将反权重矩阵和光照不均匀区域的字典矩阵对应位置的元素值相乘。
4.根据权利要求3所述的一种基于图像处理的有色丝色差检测方法,其特征在于,所述反权重矩阵的构建方法如下:
构建反权重矩阵,对光照不均匀商区域的稀疏编码矩阵中的每个元素计算倒数,将得到的倒数作为反权重矩阵对应位置的元素值。
5.根据权利要求1所述的一种基于图像处理的有色丝色差检测方法,其特征在于,所述得到实际有色丝重建图像的过程如下:
结合光照不均匀区域的稀疏矩阵和更新后的字典矩阵利用K-SVD算法得到光照不均匀重建区域;
计算光照均匀区域与标准有色丝图像上对应区域的像素值的均值的差值,对实际有色丝图像中的光照均匀区域中的像素点的像素值减去均值差值得到光照均匀重建区域;
根据得到的光照不均匀区域重建图像和光照均匀区域重建图像得到实际有色丝重建图像。
6.根据权利要求2所述的一种基于图像处理的有色丝色差检测方法,其特征在于,所述对实际聚类区域集合中的每个实际聚类区域和标准聚类区域集合进行匹配的方法为:
利用分水岭算法对标准有色丝图像和实际有色丝图像进行局部极值点聚类,对得到的聚类区域进行匹配;
若标准聚类区域和实际聚类区域的像素值极值点的位置相同,且聚类后实际聚类区域中每个像素点的像素值的增益效果相同,则说明该实际聚类区域是实际有色丝图像中的光照均匀区域;
若标准聚类区域和实际聚类区域的像素值极值点的位置发生了变化,则该实际聚类区域是实际有色丝图像中的光照不均匀区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210955387.0A CN115035111B (zh) | 2022-08-10 | 2022-08-10 | 一种基于图像处理的有色丝色差检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210955387.0A CN115035111B (zh) | 2022-08-10 | 2022-08-10 | 一种基于图像处理的有色丝色差检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035111A CN115035111A (zh) | 2022-09-09 |
CN115035111B true CN115035111B (zh) | 2022-10-25 |
Family
ID=83129896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210955387.0A Active CN115035111B (zh) | 2022-08-10 | 2022-08-10 | 一种基于图像处理的有色丝色差检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035111B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880297B (zh) * | 2023-03-01 | 2023-05-05 | 深圳市富安娜艺术家居有限公司 | 基于机器视觉的被套染色质量评估方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912458B2 (en) * | 2005-09-14 | 2011-03-22 | Jumptap, Inc. | Interaction analysis and prioritization of mobile content |
CN108154511B (zh) * | 2018-01-12 | 2019-10-25 | 西安电子科技大学 | 基于子模字典学习的sar图像分割方法 |
CN114820626B (zh) * | 2022-06-30 | 2022-09-02 | 南通浩盛汽车科技有限公司 | 一种汽车前脸零件配置智能检测方法 |
-
2022
- 2022-08-10 CN CN202210955387.0A patent/CN115035111B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115035111A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Poletti et al. | A review of thresholding strategies applied to human chromosome segmentation | |
CN105844278B (zh) | 一种多特征融合的织物扫描图案识别方法 | |
CN115035111B (zh) | 一种基于图像处理的有色丝色差检测方法 | |
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 | |
CN111127383A (zh) | 一种数码印花在线缺陷检测系统及其实现方法 | |
CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
CN114693676B (zh) | 一种新材料纺织品漂白缺陷光学检测方法及装置 | |
CN115311503B (zh) | 一种纤维分类方法、系统、计算机装置和介质 | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN117152159B (zh) | 一种复杂布料印花瑕疵检测方法及系统 | |
CN114998321A (zh) | 一种基于光学手段的纺织材料表面毛羽程度识别方法 | |
CN114612385A (zh) | 一种基于模板匹配的拉链布边缺陷识别方法 | |
CN110570418B (zh) | 一种织唛缺陷检测方法和装置 | |
CN107886549B (zh) | 一种基于编织纹理细节增强的织物纹样色彩转移方法 | |
CN115311286A (zh) | 一种染色纺织品的染色缺陷识别方法 | |
Elemmi et al. | Defective and nondefective classif ication of fabric images using shallow and deep networks | |
CN109345536A (zh) | 一种图像超像素分割方法及其装置 | |
CN114882034A (zh) | 基于图像处理的面料染色质量评估方法 | |
Zheng et al. | Color pattern recognition for yarn‐dyed fabrics | |
Singh et al. | Spatial entropy quartiles-based texture-aware fractional-order unsharp masking for visibility enhancement of remotely sensed images | |
CN115082741B (zh) | 基于图像处理的废旧纺织品分类方法 | |
Pan et al. | Color clustering analysis of yarn-dyed fabric in HSL color space | |
Ikonomakis et al. | Unsupervised seed determination for a region-based color image segmentation scheme | |
CN115239730A (zh) | 一种基于图像处理的纺织毛刷辊磨损分析的寿命预测方法 | |
CN114998207B (zh) | 基于图像处理的棉织品丝光处理方法 |
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 |