CN115082480B - 一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法。该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成对家纺耐摩擦色牢度的检测。该方法首先通过相机识别图像，得到家纺图像，对家纺图像进行数据处理得到多个非耐磨区域，进一步对非耐磨区域进行数据处理得到非耐磨区域的区域耐摩擦色牢度和家纺图像对应的整体耐摩擦色牢度。本发明通过分析各区域内像素点颜色信息和空间距离完成对图像的分割，再对区域的边缘信息进行分析，再对边界界定得到区域真实边缘，实现在家纺为纯色的情况下对颜色区域的划分，进而根据划分好的区域进行耐摩擦色牢度检测。

Description

一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法。

背景技术

色牢度是指纺织品的颜色在加工或者在使用过程中受到各种外界因素如光照、洗涤、熨烫汗渍、摩擦和化学药剂等作用下的褪色程度。而耐摩擦色色牢度指的就是家纺在经过摩擦后出现的褪色程度。色牢度差的产品，可能在使用的过程中发生褪色，进而影响使用者的使用，严重的话还会使染料分子和重金属离子等有害物质进入人体造成危害，故对家纺纺织品进行耐摩擦色牢度的检测是必要的。

目前，常见的对家纺的色牢度进行评级的方法为获取同一等级的两个颜色块的色差值和明亮差值，根据色差值和明度差值拟合色牢度转换公式，进而对待测家纺进行色牢度评价。该方法用于检测纯色家纺时，由于纯色家纺色差较小，难以对图像进行颜色块划分，当颜色块划分存在较大误差时，会影响对待测家纺的色牢度评价。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法，所采用的技术方案具体如下：

获取家纺图像，预处理所述家纺图像得到对应的HSV图像；

对所述HSV图像进行超像素分割，得到多个超像素块；融合多个所述超像素块得到多个颜色区域；选取出所述颜色区域的边缘上的采样点，选取任意采样点作为第一采样点，选取除所述第一采样点外的任意采样点作为第二采样点，朝向所述第二采样点的方向，对所述第一采样点进行生长得到最优生长路径，作为局部真实边缘；依次对采样点进行生长，得到多段局部真实边缘；连接相邻的所述局部真实边缘，得到区域真实边缘；

基于所述区域真实边缘对所述家纺图像进行分割，得到多个真实区域；计算摩擦前后各所述真实区域的形状相似度，基于所述形状相似度，筛选出部分所述真实区域为非耐磨区域；获取所述非耐磨区域对应的颜色共生矩阵，并计算所述颜色共生矩阵的熵值；

根据所述非耐磨区域摩擦前后对应的熵值的差异计算区域耐摩擦色牢度；以各所述非耐磨区域的区域耐摩擦色牢度的均值作为整体耐摩擦色牢度。

优选的，所述预处理所述家纺图像得到对应的HSV图像，包括：

对所述家纺图像进行灰度化得到灰度图像，将所述灰度图像进行HSV空间转换，得到对应的HSV图像。

优选的，所述融合多个所述超像素块得到多个颜色区域，包括：

在所述HSV图像中均匀选取多个种子点，每个超像素块对应一个种子点；选取任意超像素块作为目标超像素块，根据所述目标超像素块和对应的相邻的第一超像素块的颜色差异和空间距离计算同一类别概率；当所述同一类别概率大于预设概率阈值时，融合目标超像素块和第一超像素块得到第一融合超像素块；

基于所述第一融合超像素块对应的相邻的第二超像素块，根据目标超像素块和所述第二超像素块的同一类别概率和距离差异计算第一概率，根据所述第一超像素块和所述第二超像素块的同一类别概率和距离差异计算第二概率；所述第一概率和所述第二概率之和作为融合概率；当所述融合概率大于预设概率阈值时，融合所述第一融合超像素块和所述第二超像素块得到第二融合超像素块；重复对所有超像素块进行融合判断，融合多个超像素块，得到多个颜色区域。

优选的，所述朝向所述第二采样点的方向，对所述第一采样点进行生长得到最优生长路径，包括：

获取第一采样点和第二采样点之间的边缘线，获取边缘线上的每个像素点的邻域，由所述邻域构成边缘线对应的边缘区域；

以第一采样点作为起始点，朝着第二采样的方向，计算与第一采样点相邻的边缘区域内的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第一真实边缘点；基于边缘区域，计算与第一真实边缘点相邻的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第二真实边缘点；基于边缘区域，计算与第二真实边缘点相邻的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第三真实边缘点；直至最后得到的真实边缘点到达第二采样点处，由多个真实边缘点组成最优生长路径。

优选的，所述计算摩擦前后各所述真实区域的形状相似度为：将摩擦前的家纺图像中的真实区域映射至摩擦后的家纺图像中，基于形状上下文匹配算法计算摩擦前后的家纺图像中各所述真实区域的形状相似度。

优选的，所述基于所述形状相似度，筛选出部分所述真实区域为非耐磨区域，包括：

当真实区域对应的所述形状相似度小于等于预设相似度阈值时，将所述真实区域作为非耐磨区域。

优选的，所述获取所述非耐磨区域对应的颜色共生矩阵，包括：

融合各像素点对应的色调值、饱和度值和亮度值得到对应的颜色特征值；选取非耐磨区域的中心点对应的颜色特征值作为所述非耐磨区域对应的区域颜色特征值；计算各非耐磨区域的中心点之间的距离，以最小的距离作为颜色共生矩阵的步长，基于所述区域颜色特征值、所述步长和非耐磨区域的中心点，生成所述非耐磨区域的颜色共生矩阵。

优选的，所述根据所述非耐磨区域摩擦前后对应的熵值的差异计算区域耐摩擦色牢度，包括：

计算摩擦前所述非耐磨区域的颜色共生矩阵的熵值作为第一熵值，计算摩擦后所述非耐磨区域的颜色共生矩阵的熵值作为第二熵值；以自然常数为底数，以负的所述第一熵值和所述第二熵值的差值的绝对值为指数的指数函数为区域耐摩擦色牢度。

优选的，所述以各所述非耐磨区域的区域耐摩擦色牢度的均值作为整体耐摩擦色牢度，包括：

以所述非耐磨区域的面积占比作为权重，调节每个非耐磨区域的所述区域耐摩擦色牢度，各非耐磨区域对应的调节后的区域耐摩擦色牢度的均值为整体耐摩擦色牢度。

本发明实施例至少具有如下有益效果：

本发明获取家纺图像和对应的HSV图像；超像素分割HSV图像得到多个超像素块；融合超像素块得到多个颜色区域；选取出颜色区域的边缘上的采样点，选取任意采样点作为第一采样点，选取除第一采样点外的任意采样点作为第二采样点，朝向第二采样点的方向，对第一采样点进行生长得到最优生长路径，作为局部真实边缘；依次对采样点进行生长，得到多段局部真实边缘；连接相邻的局部真实边缘，得到区域真实边缘，基于区域真实边缘对家纺图像进行分割得到多个真实区域。对图像进行超像素分割，不仅可以反映出家纺图像的整体颜色信息变化，也可以减轻因摩擦不均造成的一些微小的变化而造成的干扰；通过分析超像素块内像素点颜色信息和空间距离实现对图像再分割，解决了超像素分割中边缘不准确的问题，对边缘进行再界定得到区域真实边缘，使分割更加准确，得到准确的发生颜色变化的真实区域，同时用超像素块代替区域像素点，减少了需要进行计算的像素点数目，大大减少了计算量。

计算摩擦前后各真实区域的形状相似度，基于形状相似度，筛选出部分真实区域为非耐磨区域；获取非耐磨区域对应的颜色共生矩阵，并计算颜色共生矩阵的熵值；根据非耐磨区域摩擦前后对应的熵值的差异计算区域耐摩擦色牢度；以各非耐磨区域的区域耐摩擦色牢度的均值作为整体耐摩擦色牢度。在得到真实区域后通过分析各区域的中心点颜色特征信息获取颜色共生矩阵，计算摩擦前后各真实区域颜色共生矩阵的差异得到家纺的整体耐摩擦色牢度。

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基于颜色共生矩阵的家纺耐摩擦色牢度检测方法的方法流程图。

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效，以下结合附图及较佳实施例，对依据本发明提出的一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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。

本发明实施例提供了一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法的具体实施方法，该方法适用于家纺耐摩擦色牢度检测场景。该场景在固定光源的形式下通过工业相机采集家纺对应的家纺图像，其中家纺均为纯色家纺。为了解决直接对纯色家纺中同一等级的两个颜色块的色差值和明亮差值进行拟合得到色牢度转换公式，存在纯色家纺色差较小，难以对图像进行颜色块划分的问题。本发明通过分析像素点颜色信息和空间距离完成对图像的分割，再对超像素的边缘纹理信息进行判断分析，对边界进行再界定得到区域真实边缘，使分割更加准确，分割完毕后通过分析各区域的中心点颜色特征信息获取颜色共生矩阵，计算前后差异得到家纺的整体耐摩擦色牢度。

下面结合附图具体的说明本发明所提供的一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法的步骤流程图，该方法包括以下步骤：

步骤S100，获取家纺图像，预处理所述家纺图像得到对应的HSV图像。

利用工业相机采集未进行耐摩擦实验前家纺的家纺图像，该家纺图像为RGB图像。通过加权求和的方法对该家纺图像进行灰度化处理，得到对应的灰度图像，将灰度图像进行HSV空间转换，得到对应的HSV图像。需要说明的是，利用工业相机采集家纺图像时，其光源是固定的，且家纺为纯色家纺。

步骤S200，对所述HSV图像进行超像素分割，得到多个超像素块；融合多个所述超像素块得到多个颜色区域；选取出所述颜色区域的边缘上的采样点，选取任意采样点作为第一采样点，选取除所述第一采样点外的任意采样点作为第二采样点，朝向所述第二采样点的方向，对所述第一采样点进行生长得到最优生长路径，作为局部真实边缘；依次对采样点进行生长，得到多段局部真实边缘；连接相邻的所述局部真实边缘，得到区域真实边缘。

由于检测的家纺多为被单或者床罩等家用纺织品，其尺寸往往会比较大，故对家纺图像进行处理时，需要处理的像素点数量过多，故可对HSV图像进行超像素分割，得到多个超像素块。且由于家纺图像为纯色图像，其中相似的像素点可能较多。故进一步的，可融合多个超像素块得到多个颜色区域，对超像素块进行融合处理减少了后续计算量，可用超像素块内像素点的颜色特征信息来代表家纺图像中各颜色区域的颜色特征信息。

对耐摩擦试验前的家纺图像进行超像素分割，该方法下进行的超像素分割，其超像素块之间的边界判定不明确，得到的超像素块并不能准确的表示出颜色信息。所以进一步的，对各超像素块进行分析，融合特征相似的超像素块，得到多个颜色区域。使得每个颜色区域能够表征出不同材质的纱线组成的区域或者家纺本身含有的色差区域，其中，同一材质的纱线组成的区域往往是相邻的。需要说明的是，家纺本身可能存在色差，且不同位置可能存在使用不同材质的纱线而导致的区域特征不同，对应的耐摩擦色牢度也不相同。

其中，融合多个超像素块得到多个颜色区域的步骤，具体的：

在HSV图像中均匀选取多个种子点，每个超像素块对应一个种子点。其中，设家纺图像总共有L个像素点，预分割为K个相同尺寸的超像素块，每个超像素块的大小则为L/K，则相邻的种子点之前的距离也为L/K，在本发明实施例中K的取值为800，在其他实施例中实施者可根据实际情况调整该取值。选取任意超像素块作为目标超像素块A，获取目标超像素块对应的相邻的第一超像素块，在目标超像素块和第一超像素块的边缘上分别均匀的选取N个采样点，在本发明实施例中N的取值为20，在其他实施例中实施者可根据实际情况调整该取值。

根据目标超像素块和对应的相邻的第一超像素块的颜色差异和空间距离，计算目标超像素块和第一超像素块的同一类别概率。用颜色差异和空间距离来反映两个超像素块为同一类别概率是因为，属于同一类别的超像素块之间的颜色应是相接近的，故颜色差异越小，两个超像素块为同一类别的概率越大；且两个超像素块距离越接近其属于同一类别的概率越大，因为若两个超像素块距离过大，难以分至同一类别区域中。具体的：将HSV图像进行LAB颜色空间转换，得到HSV图像对应的LAB图像，分别计算第一超像素块和目标超像素块上多个采样点，与第一超像素块和目标超像素块的种子点的LAB空间颜色距离，LAB空间颜色距离简称颜色距离，该颜色距离即反映了第一超像素块和目标超像素块的颜色差异。连接目标超像素块的种子点a和各采样点，每个采样点和种子点a之间均能形成一条线段，即目标超像素块对应多条线段。获取线段的距离作为空间距离，其中线段的距离为线段上像素点的数量。

目标超像素块A和第一超像素块B的同一类别概率

的计算公式为：

其中，

为自然常数；

为目标超像素块对应的第j条线段上灰度级为i级的像素 点与目标超像素块的种子点的颜色距离的均值；

为第一超像素块对应的第j条线段上灰 度级为i级的像素点与第一超像素块的种子点的颜色距离的均值；

为目标超像素块对应 的第j条线段上灰度级为i级的像素点数量；

为第一超像素块对应的第j条线段上灰度级 为i级的像素点数量；

为超像素块对应的线段的数量；

为线段上像素点对应的灰度级的数 量。

目标超像素块不仅反映了目标超像素块和第一超像素块两个超像素块之间的空间信息相似度，还反映了两个超像素块之间的颜色信息相似度。同一类别概率的取值越大，则对应的两个超像素块为一个类别区域的概率越大，两个超像素块越应该对进行融合。对得到的同一类别概率进行归一化处理，当归一化后的同一类别概率大于预设概率阈值时，反映两个超像素块表征为同一个区域，融合目标超像素块和第一超像素块得到第一融合超像素块。在本发明实施例中预设概率阈值的取值为0.9，在其他实施例中实施者可根据实际情况调整该取值。

进一步的，根据超像素块之间的距离远近和超像素块属于同一类别的概率来对剩余的超像素块进行融合，其中，同一类别概率是由颜色差异和空间距离进行计算的，故也即根据超像素块之间的空间距离和颜色差异对剩余的超像素块进行融合。获取与第一融合超像素块相邻的超像素块作为第二超像素块C；基于第一融合超像素块对应的相邻的第二超像素块，根据目标超像素块和第二超像素块的同一类别概率和距离差异计算第一概率。

该第一概率

的计算公式为：

其中，

为目标超像素块A的种子点和第二超像素块C的种子点之间的欧氏距离；

为第一超像素块B的种子点和第二超像素块C的种子点之间的欧氏距离；

为目标超 像素块A和第二超像素块C的同一类别概率。

根据第一超像素块和第二超像素块的同一类别概率和距离差异计算第二概率。

该第二概率

的计算公式为：

其中，

为目标超像素块A的种子点和第二超像素块C的种子点之间的欧氏距离；

为第一超像素块B的种子点和第二超像素块C的种子点之间的欧氏距离；

为第一超 像素块B和第二超像素块C的同一类别概率。

第一概率和第二概率之和作为融合概率。当融合概率大于预设概率阈值时，融合第一融合超像素块和第二超像素块得到第二融合超像素块。其融合概率越大，则对应的两个超像素块属于同一类别的概率越大，对应的超像素块之间可融合的概率也越大。重复对所有超像素块进行融合判断，融合多个超像素块，得到多个颜色区域。在得到颜色区域后，由于超像素分割对于超像素块之间的边界判定是不明确的，故得到的颜色区域并不能准确的表示出颜色信息，即会对后续耐摩擦色牢度检测精度造成影响。所以，在完成对颜色区域的分割后，再对颜色区域的边界纹理信息进行判断分析，对颜色区域的边界进行再界定，使分割更加准确。

对颜色区域的边缘进行再次判断分析，得到颜色区域的区域真实边缘。由于属于同一颜色区域的边缘上像素点的灰度值应当是接近的，当边缘上像素点灰度值差异较大时，则反映该边缘构成的颜色区域存在误差。具体的：由于每个超像素块上都选取了采样点，所以最终融合得到的颜色区域内也应存在着一定数量的采样点。对颜色区域的边缘上的采样点两两进行分析，选取任意采样点作为第一采样点，选取除第一采样点外的任意采样点作为第二采样点，对第一采样点和第二采样点之间的边缘线t进行判断，对边缘线t上的每个像素点获取3*3邻域，则该边缘线t就对应了一个边缘区域。以第一采样点作为起始点，在边缘区域内朝着第二采样点的方向，对第一采样点进行生长得到最优生长路径。其中，获取从第一采样点指向第二采样点的带有角度的方向线，当该方向线与水平线的夹角属于[0°，90°]和(270°，0°]内时，则认为朝向第二采样点的方向在[0°，90°]和(270°，0°]内，也即[0°，90°]和(270°，0°]之内均属于朝向第二采样点的方向；当该方向线与水平线的夹角属于[270°，90°)时，则认为朝向第二采样点的方向在[270°，90°)内，也即[270°，90°)之内均属于朝向第二采样点的方向。对应的生长准则如下：计算生长方向上的各像素点的生长优选度Y，选取生长优选度最大的像素点作为真实边缘点。

生长优选度

的计算公式为：

其中，

为第一采样点和第二采样点对应的边缘区域内任意像素点

的3*3邻域内 的灰度方差；

为第一采样点

的灰度值；

为第二采样点

的灰度值；

为像素点

的灰 度值。

其中，像素点对应的生长优选度越大，则该像素点为颜色区域的真实边缘点的概率越大。

边缘区域内朝着第二采样点的方向，对第一采样点进行生长得到最优生长路径，具体的：以第一采样点作为起始点，朝向第二采样点的方向，计算与第一采样点相邻的边缘区域内的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第一真实边缘点；然后基于边缘区域，计算与第一真实边缘点相邻的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第二真实边缘点；基于边缘区域，计算与第二真实边缘点相邻的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第三真实边缘点，直至最后得到的真实边缘点到达第二采样点处，也即直至最后得到的真实边缘点与第二采样点发生重合，由多个真实边缘点组成最优生长路径，作为局部真实边缘r。该局部真实边缘r为第一采样点至第二采样点对应的局部真实边缘。

依次对各采样点进行同样的生长，得到多段局部真实边缘。每两个采样点对应一段局部真实边缘，连接端点发生重叠的相邻的局部真实边缘，得到区域真实边缘。

步骤S300，基于所述区域真实边缘对所述家纺图像进行分割，得到多个真实区域；计算摩擦前后各所述真实区域的形状相似度，基于所述形状相似度，筛选出部分所述真实区域为非耐磨区域；获取所述非耐磨区域对应的颜色共生矩阵，并计算所述颜色共生矩阵的熵值。

基于步骤S200得到的区域真实边缘对家纺图像进行分割，得到多个真实区域，即实现了对家纺图像的分割。对家纺图像进行耐摩擦实验，将摩擦前的家纺图像中的真实区域映射至摩擦后的家纺图像中，计算摩擦前后两张家纺图像中真实区域的形状相似度，也即计算摩擦前后两张家纺图像中位于同一位置处的真实区域的形状相似度。具体的：基于形状上下文匹配算法计算摩擦前后各真实区域的形状相似度。当形状相似度越大，则认为其发生的颜色变化越小，也即耐摩擦色牢度越大，其颜色变化越小在计算摩擦色牢度时不够准确，故基于形状相似度，筛选出部分真实区域为非耐磨区域。具体的：当真实区域对应的形状相似度小于等于预设相似度阈值时，将真实区域作为非耐磨区域。在本发明实施例中预设相似度阈值的取值为0.95，在其他实施例中实施者可根据实际情况调整该取值。

获取非耐磨区域对应的颜色共生矩阵，并计算颜色共生矩阵的熵值。具体的：融合非耐磨区域内各像素点对应的色调值、饱和度值和亮度值得到对应的颜色特征值，该颜色特征值用于描述像素点的颜色特征信息。

该颜色特征值

的计算公式为：

其中，

为色调值；

为饱和度值；

为亮度值。

常规的颜色共生矩阵的获取需要对图像中所有的像素点进行扫描，而家纺图像往 往是比较大的，计算量会特别大，故本发明在对家纺图像进行了超像素分割得到多个非耐 磨区域的前提下，选取各非耐磨区域中的中心点的色彩饱和度信息作为该超像素的颜色特 征信息，也即选取各非耐磨区域中的中心点对应的颜色特征值作为该非耐磨区域对应的区 域颜色特征值。其中，非耐磨区域中的中心点的选取为非耐磨区域中像素点到非耐磨区域 中各边界像素点的距离之和最小的像素点。计算各非耐磨区域的中心点之间的距离，以最 小的距离作为颜色共生矩阵扫描时的步长，基于区域颜色特征值、步长和非耐磨区域的中 心点，生成非耐磨区域的颜色共生矩阵。需要说明的是，在生成颜色共生矩阵时，常规的是 获取0°、45°、90°、135°，四个方向扫描的颜色共生矩阵的平均值；但在本发明中，由于非耐 磨区域的中心点之间所形成的角度往往是不规则的，故计算各非耐磨区域的中心点之间的 角度

，对角度

进行判断，当角度

在区间[0,45]之间时判定为0，当角度

在区间[45,90] 之间时判定为45，当角度

在区间[90,135]之间时判定为90,当角度

在区间[135,180]之 间时判定为135。

计算得到的颜色共生矩阵的熵值。每个颜色共生矩阵对应一个熵值。

步骤S400，根据所述非耐磨区域摩擦前后对应的熵值的差异计算区域耐摩擦色牢度；以各所述非耐磨区域的区域耐摩擦色牢度的均值作为整体耐摩擦色牢度。

由摩擦前后熵值的变化表征家纺图像的色彩饱和度的变化，从而表征出家纺的耐摩擦色牢度。根据非耐磨区域摩擦前后对应的熵值的差异计算区域耐摩擦色牢度，具体的：计算摩擦前非耐磨区域的颜色共生矩阵的熵值作为第一熵值，计算摩擦后非耐磨区域的颜色共生矩阵的熵值作为第二熵值；以自然常数为底数，以负的第一熵值和第二熵值的差值的绝对值为指数的指数函数作为区域耐摩擦色牢度。第一熵值和第二熵值的差异越大，则说明颜色信息变化越大，耐摩擦色牢度就越小。

该区域耐摩擦色牢度

的计算公式为：

其中，

为自然常数；

为第一熵值；

为第二熵值。

该区域耐摩擦色牢度的值越大，则该真实区域在摩擦前后色彩饱和度的变化程度越小；反之，该区域耐摩擦色牢度的值越小，则该真实区域在摩擦前后色彩饱和度的变化程度越大。

得到了目标图像中各非耐磨区域的区域耐摩擦色牢度。进一步的，以各非耐磨区域的区域耐摩擦色牢度的均值作为整体耐摩擦色牢度，得到能够评价家纺图像的整体耐摩擦色牢度。具体的：以非耐磨区域的面积占比作为权重，用于调节每个非耐磨区域的区域耐摩擦色牢度，各非耐磨区域对应的调节后的区域耐摩擦色牢度的均值为整体耐摩擦色牢度。

该整体耐摩擦色牢度

的计算公式为：

其中，

为非耐磨区域的数量；

为第j个非耐磨区域的面积；

为第i个非耐磨区 域的面积；

为第j个非耐磨区域的区域耐摩擦色牢度。

由各非耐磨区域对应的区域耐摩擦色牢度计算得到的整体耐摩擦色牢度能够反映家纺图像的整体的耐摩擦色牢度。

在生产家纺中，从一批家纺产品中随机抽取家纺样品，对家纺进行耐摩擦色牢度实验，通过超像素分割准确表征出家纺图像上不同区域，得到非耐磨区域，对各区域进行区域耐摩擦色牢度计算，再进一步计算整体耐摩擦色牢度，以家纺样品的整体耐摩擦色牢度作为该批次家纺产品的整体耐摩擦色牢度。

综上所述，本发明获取家纺图像和对应的HSV图像；超像素分割HSV图像得到多个超像素块；融合超像素块得到多个颜色区域；选取出颜色区域的边缘上的采样点，选取任意采样点作为第一采样点，选取除第一采样点外的任意采样点作为第二采样点，朝向第二采样点的方向，对第一采样点进行生长得到最优生长路径，作为局部真实边缘；依次对采样点进行生长，得到多段局部真实边缘；连接相邻的局部真实边缘，得到区域真实边缘；基于区域真实边缘对家纺图像进行分割得到多个真实区域；计算摩擦前后各真实区域的形状相似度，基于形状相似度，筛选出部分真实区域为非耐磨区域；获取非耐磨区域对应的颜色共生矩阵，并计算颜色共生矩阵的熵值；根据非耐磨区域摩擦前后对应的熵值的差异计算区域耐摩擦色牢度；以各非耐磨区域的区域耐摩擦色牢度的均值作为整体耐摩擦色牢度。本发明通过分析像素点颜色信息和空间距离完成对图像的分割，再对超像素的边缘纹理信息进行判断分析，对边界进行再界定得到区域真实边缘，使分割更加准确，分割完毕后通过分析各区域的中心点颜色特征信息获取颜色共生矩阵，计算前后差异得到家纺的整体耐摩擦色牢度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

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 (1)

1.一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法，其特征在于，该方法包括以下步骤：

获取家纺图像，预处理所述家纺图像得到对应的HSV图像；

对所述HSV图像进行超像素分割，得到多个超像素块；融合多个所述超像素块得到多个颜色区域；选取出所述颜色区域的边缘上的采样点，选取任意采样点作为第一采样点，选取除所述第一采样点外的任意采样点作为第二采样点，朝向所述第二采样点的方向，对所述第一采样点进行生长得到最优生长路径，作为局部真实边缘；依次对采样点进行生长，得到多段局部真实边缘；连接相邻的所述局部真实边缘，得到区域真实边缘；

基于所述区域真实边缘对所述家纺图像进行分割，得到多个真实区域；计算摩擦前后各所述真实区域的形状相似度，基于所述形状相似度，筛选出部分所述真实区域为非耐磨区域；获取所述非耐磨区域对应的颜色共生矩阵，并计算所述颜色共生矩阵的熵值；

根据所述非耐磨区域摩擦前后对应的熵值的差异计算区域耐摩擦色牢度；以各所述非耐磨区域的区域耐摩擦色牢度的均值作为整体耐摩擦色牢度；

其中，预处理所述家纺图像得到对应的HSV图像的步骤为：对所述家纺图像进行灰度化得到灰度图像，将所述灰度图像进行HSV空间转换，得到对应的HSV图像；

其中，融合多个所述超像素块得到多个颜色区域的方法为：在所述HSV图像中均匀选取多个种子点，每个超像素块对应一个种子点；选取任意超像素块作为目标超像素块，根据所述目标超像素块和对应的相邻的第一超像素块的颜色差异和空间距离计算同一类别概率；当所述同一类别概率大于预设概率阈值时，融合目标超像素块和第一超像素块得到第一融合超像素块；基于所述第一融合超像素块对应的相邻的第二超像素块，根据目标超像素块和所述第二超像素块的同一类别概率和距离差异计算第一概率，根据所述第一超像素块和所述第二超像素块的同一类别概率和距离差异计算第二概率；所述第一概率和所述第二概率之和作为融合概率；当所述融合概率大于预设概率阈值时，融合所述第一融合超像素块和所述第二超像素块得到第二融合超像素块；重复对所有超像素块进行融合判断，融合多个超像素块，得到多个颜色区域；

其中，最优生长路径的获取方法为：获取第一采样点和第二采样点之间的边缘线，获取边缘线上的每个像素点的邻域，由所述邻域构成边缘线对应的边缘区域；以第一采样点作为起始点，朝着第二采样的方向，计算与第一采样点相邻的边缘区域内的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第一真实边缘点；基于边缘区域，计算与第一真实边缘点相邻的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第二真实边缘点；基于边缘区域，计算与第二真实边缘点相邻的各像素点对应的生长优选度，将最大生长优选度对应的像素点作为第三真实边缘点；直至最后得到的真实边缘点到达第二采样点处，由多个真实边缘点组成最优生长路径；

其中，形状相似度的获取方法为：将摩擦前的家纺图像中的真实区域映射至摩擦后的家纺图像中，基于形状上下文匹配算法计算摩擦前后的家纺图像中各所述真实区域的形状相似度；

其中，基于所述形状相似度，筛选出部分所述真实区域为非耐磨区域为：当真实区域对应的所述形状相似度小于等于预设相似度阈值时，将所述真实区域作为非耐磨区域；

其中，颜色共生矩阵的获取方法为：融合各像素点对应的色调值、饱和度值和亮度值得到对应的颜色特征值；选取非耐磨区域的中心点对应的颜色特征值作为所述非耐磨区域对应的区域颜色特征值；计算各非耐磨区域的中心点之间的距离，以最小的距离作为颜色共生矩阵的步长，基于所述区域颜色特征值、所述步长和非耐磨区域的中心点，生成所述非耐磨区域的颜色共生矩阵；

其中，区域耐摩擦色牢度的获取方法为：计算摩擦前所述非耐磨区域的颜色共生矩阵的熵值作为第一熵值，计算摩擦后所述非耐磨区域的颜色共生矩阵的熵值作为第二熵值；以自然常数为底数，以负的所述第一熵值和所述第二熵值的差值的绝对值为指数的指数函数为区域耐摩擦色牢度；

其中，整体耐摩擦色牢度的获取方法为：以所述非耐磨区域的面积占比作为权重，调节每个非耐磨区域的所述区域耐摩擦色牢度，各非耐磨区域对应的调节后的区域耐摩擦色牢度的均值为整体耐摩擦色牢度；

其中，目标超像素块A和第一超像素块B的同一类别概率

的计算公式为：

其中，

为自然常数；

为目标超像素块对应的第j条线段上灰度级为i级的像素点与目标超像素块的种子点的颜色距离的均值；

为第一超像素块对应的第j条线段上灰度级为i级的像素点与第一超像素块的种子点的颜色距离的均值；

为目标超像素块对应的第j条线段上灰度级为i级的像素点数量；

为第一超像素块对应的第j条线段上灰度级为i级的像素点数量；

为超像素块对应的线段的数量；

为线段上像素点对应的灰度级的数量；

其中，第一概率

的计算公式为：

其中，

为目标超像素块A的种子点和第二超像素块C的种子点之间的欧氏距离；

为第一超像素块B的种子点和第二超像素块C的种子点之间的欧氏距离；

为目标超像素块A和第二超像素块C的同一类别概率；

其中，第二概率

的计算公式为：

其中，

为第一超像素块B和第二超像素块C的同一类别概率；

其中，颜色特征值

的计算公式为：

其中，

为色调值；

为饱和度值；

为亮度值；

其中，区域耐摩擦色牢度

的计算公式为：

其中，

为第一熵值；

为第二熵值；

其中，整体耐摩擦色牢度

的计算公式为：

其中，

为非耐磨区域的数量；

为第j个非耐磨区域的面积；

为第i个非耐磨区域的面积；

为第j个非耐磨区域的区域耐摩擦色牢度；

其中，生长优选度

的计算公式为：

其中，

为第一采样点和第二采样点对应的边缘区域内任意像素点

的3*3邻域内的灰度方差；

为第一采样点

的灰度值；

为第二采样点

的灰度值；

为像素点

的灰度值。

Images