CN115240013B - 基于图像数据分析的织物肌理自动分类方法及系统 - Google Patents

基于图像数据分析的织物肌理自动分类方法及系统 Download PDF

Info

Publication number
CN115240013B
CN115240013B CN202211140035.6A CN202211140035A CN115240013B CN 115240013 B CN115240013 B CN 115240013B CN 202211140035 A CN202211140035 A CN 202211140035A CN 115240013 B CN115240013 B CN 115240013B
Authority
CN
China
Prior art keywords
fabric
texture
image
pixel point
classified
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
Application number
CN202211140035.6A
Other languages
English (en)
Other versions
CN115240013A (zh
Inventor
苏宜刚
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.)
Huimin County Yellow River Advanced Technology Research Institute
Original Assignee
Huimin County Yellow River Advanced Technology Research Institute
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 Huimin County Yellow River Advanced Technology Research Institute filed Critical Huimin County Yellow River Advanced Technology Research Institute
Priority to CN202211140035.6A priority Critical patent/CN115240013B/zh
Publication of CN115240013A publication Critical patent/CN115240013A/zh
Application granted granted Critical
Publication of CN115240013B publication Critical patent/CN115240013B/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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于图像数据分析的织物肌理自动分类方法及系统，包括：获取待分类织物的表面图像，对待分类织物的表面图像进行预处理，得到待分类织物预处理后的表面图像；根据待分类织物预处理后的表面图像，得到待分类织物的色调分量图像；根据待分类织物的色调分量图像，得到织物肌理灰度图像，进而得到织物肌理灰度图像中的各个像素点的肌理特征描述子；根据织物肌理灰度图像中的各个像素点的肌理特征描述子和各个不同织物类别的各个像素点的肌理特征描述子之间的差异性，得到待分类织物的类别。本发明通过对织物表面图像进行分析，得到待分类织物的类别，提高了对织物分类的效率。

Description

基于图像数据分析的织物肌理自动分类方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像数据分析的织物肌理自动分类方法及系统。
背景技术
织物是以各种纺织纤维为原料，经过纺纱、织造、染整等工序制成的产品，不仅需要具有遮体避寒的功能，还需要具有一定的美观度。对于织物的美观度来说，不同肌理的视觉效果有助于不同服装风格和造型的设计，人们在纺织时会生产出一些不同功能的纱线，用于制成不同类别肌理的织物，由于在运输的过程中，人们将这些不同类别的纱线制成的织物进行集中存放、运输，一旦不同类别的织物弄混之后，将无法快速的识别出织物的类别。
现有的对织物肌理分类的方法是人为进行识别的，通过人眼对织物表面款式、纹理。肌理等特征信息进行识别，实现织物类别的划分。但是这种人为识别的方法，具有较强的主观性，且这种方法的工作量较大，分类效率低。
发明内容
本发明的目的在于提供一种基于图像数据分析的织物肌理自动分类方法及系统，用于解决人为对织物分类工作量大，分类效率低的问题。
为了解决上述技术问题，本发明所采用的技术方案具体如下：
本发明提供了一种基于图像数据分析的织物肌理自动分类方法，该方法包括以下步骤：
获取待分类织物的表面图像，对待分类织物的表面图像进行预处理，得到待分类织物预处理后的表面图像；
根据待分类织物预处理后的表面图像，得到待分类织物的色调分量图像；
根据待分类织物预处理后的表面图像和待分类织物的色调分量图像，进而得到织物肌理灰度图像；
根据织物肌理灰度图像中的各个像素点的灰度值，确定织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值，进而得到织物肌理灰度图像中的各个像素点的肌理特征描述子；
根据织物肌理灰度图像中的各个像素点的肌理特征描述子，确定待分类织物的织物肌理曲线；
根据待分类织物的织物肌理曲线与预先确定的各个不同织物类别的织物肌理曲线，分别计算待分类织物与各个不同织物类别之间的差异性，进而确定待分类织物的类别。
进一步地，进而得到织物肌理灰度图像的步骤包括：
根据待分类织物的色调分量图像中的各个像素点的色调值，得到色调分量图像中的各个像素点的共生矩阵；
根据色调分量图像中的各个像素点的共生矩阵，确定色彩纹理图像中的各个像素点的色彩纹理特征值；
根据待分类织物的色调分量图像中的各个像素点的色调值，确定色调分量图像中的各个像素点的梯度值，得到色彩纹理图像中的各个像素点的色彩影响度；
根据待分类织物预处理后的表面图像，确定待分类织物预处理后的表面图像中的各个像素点的像素值；
根据待分类织物预处理后的表面图像中的各个像素点的像素值、色彩纹理图像中的各个像素点的色彩纹理特征值和色彩纹理图像中的各个像素点的色彩影响度，确定织物肌理图像中的各个像素点的像素值，进而得到织物肌理图像。
进一步地，色彩纹理图像中的各个像素点的色彩影响度的计算公式为：
Figure 451113DEST_PATH_IMAGE001
其中，
Figure 512610DEST_PATH_IMAGE002
为色彩纹理图像中
Figure 265802DEST_PATH_IMAGE003
处像素点的色彩影响度，
Figure 678329DEST_PATH_IMAGE004
为色调分 量图像中
Figure 706328DEST_PATH_IMAGE003
处像素点的梯度值。
进一步地，织物肌理图像中的各个像素点的像素值的计算公式为：
Figure 356752DEST_PATH_IMAGE005
其中，
Figure 546425DEST_PATH_IMAGE006
为织物肌理图像中
Figure 446248DEST_PATH_IMAGE007
处像素点的像素值，
Figure 730467DEST_PATH_IMAGE008
为待分类织物预 处理后的表面图像中
Figure 32136DEST_PATH_IMAGE007
处像素点的像素值，
Figure 392710DEST_PATH_IMAGE009
为色彩纹理图像中
Figure 779829DEST_PATH_IMAGE007
处像素点的 色彩纹理特征值，
Figure 352893DEST_PATH_IMAGE002
为色彩纹理图像中
Figure 243488DEST_PATH_IMAGE007
处像素点的色彩影响度。
进一步地，得到各个像素点的肌理特征描述子的步骤包括：
根据织物肌理灰度图像中的各个像素点的灰度值，对各个像素点的周围八邻域像素点进行判定，得到织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值；
根据织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值，得到织物肌理灰度图像中的各个像素点的肌理特征描述子。
进一步地，对各个像素点的周围八邻域像素点进行判定的步骤包括：
将织物肌理灰度图像中的各个像素点的灰度值作为灰度阈值，若织物肌理灰度图像中的各个像素点的周围八邻域像素点的灰度值大于或等于灰度阈值，则织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值为1；
若织物肌理灰度图像中的各个像素点的周围八邻域像素点的灰度值小于灰度阈值，则织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值为0。
进一步地，各个像素点的肌理特征描述子的计算公式为：
Figure 40543DEST_PATH_IMAGE010
其中，
Figure 649379DEST_PATH_IMAGE011
为像素点
Figure 822871DEST_PATH_IMAGE012
的肌理特征描述子，
Figure 302394DEST_PATH_IMAGE013
为内中心像素点的周围八邻域的第
Figure 270350DEST_PATH_IMAGE014
个 像素点的判定值。
进一步地，确定待分类织物的织物肌理曲线的步骤包括：
对织物肌理灰度图像中的像素点依次进行编号，得到织物肌理灰度图像中的各个像素点的编号；
以织物肌理灰度图像中的各个像素点的编号为横坐标，并以各个像素点的肌理特征描述子为纵坐标进行曲线拟合，得到织物肌理灰度图像中的织物肌理曲线。
进一步地，待分类织物与各个不同织物类别之间的差异性对应的计算公式为：
Figure 366482DEST_PATH_IMAGE015
其中，
Figure 78086DEST_PATH_IMAGE016
为待分类织物
Figure 661383DEST_PATH_IMAGE017
的织物肌理曲线与织物类别为
Figure 800240DEST_PATH_IMAGE018
的织物肌理曲线的 差异性，
Figure 383668DEST_PATH_IMAGE019
为待分类织物
Figure 633384DEST_PATH_IMAGE017
的织物肌理曲线中的横坐标
Figure 87499DEST_PATH_IMAGE012
对应的肌理特征描述子，
Figure 397258DEST_PATH_IMAGE020
为织物类别为
Figure 467982DEST_PATH_IMAGE018
的织物肌理曲线中的横坐标
Figure 990230DEST_PATH_IMAGE012
对应的肌理特征描述子，
Figure 830010DEST_PATH_IMAGE021
为待分类织物
Figure 310670DEST_PATH_IMAGE017
的 织物肌理曲线的横坐标的设定最大横坐标。
本发明还提供了一种基于图像数据分析的织物肌理自动分类系统，包括处理器和存储器，处理器用于处理存储在存储器中的指令以实现上述的基于图像数据分析的织物肌理自动分类方法。
本发明具有如下有益效果：
本发明通过获取待分类织物的表面图像，为了避免织物表面的颜色信息对织物肌理分类的影响，去除织物表面的颜色信息，从而得到织物肌理灰度图像，根据织物肌理灰度图像，确定各个像素点的周围八邻域像素点的判定值，进而得到织物肌理灰度图像中的各个像素点的肌理特征描述子，计算待分类织物肌理灰度图像中的各个像素点的肌理特征描述子与各个不同织物类别的各个像素点的肌理特征描述子之间的差异性，最终将分类织物归与差异性最小对应的织物类别分为一类，实现对织物肌理类别的最终分类。
本发明通过图像数据分析的方法消除织物图像中的表面颜色信息对织物肌理分类的影响，对织物图像中的各个像素点的周围邻域像素点进行分析，得到肌理图像数据，对织物的类别进行识别，实现对织物的类别进行划分，提高了对织物分类的效率。
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为本发明的基于图像数据分析的织物肌理自动分类方法的步骤流程图。
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技术方案的具体实施方式、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。
本实施例提供了一种基于图像数据分析的织物肌理自动分类方法，如图1所示，该方法步骤包括：
步骤1：获取待分类织物的表面图像，对待分类织物的表面图像进行预处理，得到待分类织物预处理后的表面图像。
根据待分类织物的位置，设置摄像头对待分类织物进行拍摄，由于本实施例是对织物的类别进行分类，摄像头拍摄的织物图像为单个织物图像，避免拍摄的图像中含有多个织物图像。在拍摄织物的表面图像时，受到周边环境的影响，拍摄到的待分类织物的表面图像会出现噪点，因此，本实施例采用均值滤波算法对所获取的待分类织物的表面图像进行去噪处理，消除待分类织物的表面图像的噪点，提高图像的质量。同时，为提高后续织物的表面肌理的提取精度，本实施例将对去噪后的图像进行亮度均衡化处理，消除去噪后的图像表面光照不均衡的情况，避免外在因素对图像质量的影响，以获取高质量的图像数据，用于对织物进行分类识别。由于均值滤波算法和亮度均衡化处理为公知技术，在此不再详细说明。
至此，即可根据待分类织物预处理后的表面图像，可有效避免外接因素的影响，提高后续对织物进一步分析的精度。
步骤2：根据待分类织物预处理后的表面图像，得到待分类织物的色调分量图像。
为实现后续对织物图像中的各个像素点的色彩特征进行分析，本实施例将先对织物图像数据进行色彩空间转换，得到待分类织物的HSV图像。根据待分类织物的HSV图像，获取待分类织物的HSV图像对应的色调通道分量图像，即得到待分类织物的色调分量图像。由于对图像进行色彩空间转换的过程为现有技术，在此不再赘述。
步骤3：根据待分类织物预处理后的表面图像和待分类织物的色调分量图像，进而得到织物肌理灰度图像。
在获取待分类织物的色调分量图像后，本实施例主要基于图像数据对织物肌理进行分类，考虑到织物表面的色彩、颜色纹理信息，将会对织物肌理特征的提取产生较大影响，导致后续织物肌理分类精度低等问题，因此，本实施例将对所获取的织物图像数据进行处理，提取织物所对应的肌理灰度图像数据，以消除织物表面色彩纹理信息对织物肌理分类的影响。
（3-1）根据待分类织物的色调分量图像中的各个像素点的色调值，得到色调分量图像中的各个像素点的共生矩阵。
根据待分类织物的色调分量图像中的各个像素点的色调值，计算色调分量图像中 各个像素点对应的共生矩阵，在本实施例中以每个像素点为中心构建一个窗口，该窗口内 的所有像素点的色调值构成的一个共生矩阵，用以描述每个像素点周围像素色彩分布情 况，表征各个像素点的色彩纹理信息。在此需要说明，在计算色调分量图像中的各个像素点 对应的共生矩阵时，本实施例设置步距d=1，方向
Figure 603111DEST_PATH_IMAGE022
，具体计算各个像素点的共生矩阵 的过程为公知技术，本实施例不做相关阐述。
（3-2）根据色调分量图像中的各个像素点的共生矩阵，确定色彩纹理图像中的各个像素点的色彩纹理特征值。
在得到色调分量图像中的各个像素点的共生矩阵之后，将各个像素点的共生矩阵 对应的角二阶距作为各个像素点的纹理特征值，记为
Figure 929050DEST_PATH_IMAGE009
，代表色彩纹理图像中
Figure 623337DEST_PATH_IMAGE007
处 像素点的色彩纹理特征值。至此，可通过织物色调分量图像得到每个像素点对应的色彩纹 理特征值，也即实现对每个像素点的色彩纹理信息进行提取。
（3-3）根据待分类织物的色调分量图像中的各个像素点的色调值，确定色调分量图像中的各个像素点的梯度值，得到色彩纹理图像中的各个像素点的色彩影响度。
基于织物色调分量图像对各个像素点处的色彩影响度进行分析，对于织物色调分 量图像，进一步采用canny算子对色调分量图像进行处理，以获取色调分量图像所对应的梯 度图像，需要说明的是，本实施例采用canny算子获取各个像素点的梯度值即可，不需要对 canny算子后续的非极大值抑制以及双阈值等来检测边缘。在获取各个像素点的梯度值后， 将其记为
Figure 274898DEST_PATH_IMAGE004
，代表梯度图像上
Figure 772744DEST_PATH_IMAGE003
处像素点的梯度值，各个像素点的梯度值越大，则 对应的色彩纹理信息越复杂，因此，对于所提取的梯度图像，基于像素点的色调分量对应的 梯度值，对色彩影响度进行计算，色彩纹理图像中的各个像素点的色彩影响度的计算公式 为：
Figure 167954DEST_PATH_IMAGE001
其中，
Figure 716747DEST_PATH_IMAGE002
为色彩纹理图像中
Figure 804788DEST_PATH_IMAGE003
处像素点的色彩影响度，
Figure 540663DEST_PATH_IMAGE004
为色调分 量图像中
Figure 739563DEST_PATH_IMAGE003
处像素点的梯度值。
（3-4）根据待分类织物预处理后的表面图像，确定待分类织物预处理后的表面图像中的各个像素点的像素值。
根据待分类织物预处理后的表面图像，确定待分类织物预处理后的表面图像中的 各个像素点的像素值，记为
Figure 142863DEST_PATH_IMAGE008
，代表待分类织物预处理后的表面图像中
Figure 401806DEST_PATH_IMAGE007
处像素点 的像素值。
（3-5）根据待分类织物预处理后的表面图像中的各个像素点的像素值、色彩纹理图像中的各个像素点的色彩纹理特征值和色彩纹理图像中的各个像素点的色彩影响度，确定织物肌理图像中的各个像素点的像素值，进而得到织物肌理图像。
根据步骤（3-2）、步骤（3-3）和步骤（3-4），获取色彩纹理图像中的各个像素点的色彩纹理特征值、色彩纹理图像中的各个像素点的色彩影响度和待分类织物预处理后的表面图像中的各个像素点的像素值。根据色彩纹理图像中的各个像素点的色彩纹理特征值、色彩纹理图像中的各个像素点的色彩影响度和待分类织物预处理后的表面图像中的各个像素点的像素值，得到织物肌理图像中的各个像素点的像素值，织物肌理图像中的各个像素点的像素值的计算公式为：
Figure 624977DEST_PATH_IMAGE023
其中，
Figure 361989DEST_PATH_IMAGE006
为织物肌理图像中
Figure 885374DEST_PATH_IMAGE007
处像素点的像素值，
Figure 784060DEST_PATH_IMAGE008
为待分类织物预 处理后的表面图像中
Figure 760106DEST_PATH_IMAGE007
处像素点的像素值，
Figure 300809DEST_PATH_IMAGE009
为色彩纹理图像中
Figure 944280DEST_PATH_IMAGE007
处像素点的 色彩纹理特征值，
Figure 997555DEST_PATH_IMAGE002
为色彩纹理图像中
Figure 726477DEST_PATH_IMAGE007
处像素点的色彩影响度。
根据织物肌理图像中的各个像素点的像素值，得到织物肌理图像。根据织物肌理图像，将织物肌理图像转换为灰度图像，从而得到织物肌理灰度图像，由于对图像的灰度化过程为公知技术，在此不再赘述。
步骤4：根据织物肌理灰度图像中的各个像素点的灰度值，确定织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值，进而得到织物肌理灰度图像中的各个像素点的肌理特征描述子。
根据图像数据对织物肌理进行自动分类识别，获取待分类织物的肌理图像数据后，将提取织物的肌理特征参数，用于对织物肌理进行类别划分，织物肌理特征参数的提取过程具体步骤为：
（4-1）根据织物肌理灰度图像中的各个像素点的灰度值，对各个像素点的周围八邻域像素点进行判定，得到织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值。
对织物肌理灰度图像进行纹理特征提取，构建
Figure 805291DEST_PATH_IMAGE024
的滑动窗口对织物肌理图像 中的各个像素点的周围八邻域像素点进行判定，该滑动窗口对织物肌理灰度图像中的各个 像素点进行滑动，窗口从左往右从上往下进行滑动，也就是说，滑动窗口从第一行第一列开 始滑动，将第一行的最后一个像素点滑动完后，从第二行继续滑动，直至织物肌理灰度图像 中的所有像素点都滑动完，滑动步长为1。具体的滑动窗口尺寸以及滑动步长实施者可自行 设定。
（4-1-1）将织物肌理灰度图像中的各个像素点的灰度值作为灰度阈值，若织物肌理灰度图像中的各个像素点的周围八邻域像素点的灰度值大于或等于灰度阈值，则织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值为1。
以滑动窗口内的中心像素点的灰度值作为灰度阈值，滑动窗口内的中心像素点记 为织物肌理灰度图像中的各个像素点，也就是说，将织物肌理灰度图像中的各个像素点的 灰度值作为灰度阈值：
Figure 303269DEST_PATH_IMAGE025
。将滑动窗口内的中心像素点的灰度阈值与滑动窗口内的中心像 素点的周围八邻域像素点进行比较，若大于或等于灰度阈值，则将滑动窗口内的中心像素 点周围八邻域像素点的判定值设为1。
（4-1-2）若织物肌理灰度图像中的各个像素点的周围八邻域像素点的灰度值小于灰度阈值，则织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值为0。
将滑动窗口内的中心像素点的灰度阈值与滑动窗口内的中心像素点的周围八邻域像素点进行比较，若小于灰度阈值，则将滑动窗口内的中心像素点的周围八邻域像素点的判定值设为0，具体的判定公式为：
Figure 278178DEST_PATH_IMAGE026
其中，
Figure 494396DEST_PATH_IMAGE013
滑动窗口内的中心像素点的周围八邻域的第
Figure 376901DEST_PATH_IMAGE014
个像素点的判定值，
Figure 198227DEST_PATH_IMAGE025
为滑 动窗口内的中心像素点的灰度阈值，
Figure 140775DEST_PATH_IMAGE027
为滑动窗口内的中心像素点的周围八邻域的第
Figure 578709DEST_PATH_IMAGE014
个 像素点的灰度值。
需要说明的是，若滑动窗口内的中心像素点的周围八邻域没有像素点时，直接将没有该位置的判定值设为0，即滑动窗口内的中心像素点的周围八邻域都有判定值。
（4-2）根据织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值，得到织物肌理灰度图像中的各个像素点的肌理特征描述子。
各个像素点的肌理特征描述子的计算公式为：
Figure 999326DEST_PATH_IMAGE010
其中，
Figure 940738DEST_PATH_IMAGE011
为像素点
Figure 772296DEST_PATH_IMAGE012
的肌理特征描述子，
Figure 697527DEST_PATH_IMAGE013
为内中心像素点的周围八邻域的第
Figure 921835DEST_PATH_IMAGE014
个 像素点的判定值。
步骤5：根据织物肌理灰度图像中的各个像素点的肌理特征描述子，确定待分类织物的织物肌理曲线。
（5-1）对织物肌理灰度图像中的像素点依次进行编号，得到织物肌理灰度图像中的各个像素点的编号。
根据织物肌理灰度图像中的各个像素点，将各个像素点依次从左往右从上往下进行编号，也就是说，从织物肌理灰度图像中的第一行第一列开始编号，将第一行的最后一个像素点编完号后，从第二行继续编号，直至织物肌理灰度图像中的所有像素点都编完号，即得到织物肌理灰度图像中的各个像素点的编号。
（5-2）以织物肌理灰度图像中的各个像素点的编号为横坐标，并以各个像素点的肌理特征描述子为纵坐标进行曲线拟合，得到织物肌理灰度图像中的织物肌理曲线。
根据织物肌理灰度图像中的各个编号所对应的肌理特征描述子，构建
Figure 717753DEST_PATH_IMAGE028
函数 曲线，记为
Figure 2103DEST_PATH_IMAGE029
，其中，
Figure 414630DEST_PATH_IMAGE012
代表窗口的编号，也即第
Figure 177050DEST_PATH_IMAGE012
个窗口，
Figure 827474DEST_PATH_IMAGE011
为窗口
Figure 282726DEST_PATH_IMAGE012
的肌理特征描述子。 将
Figure 182549DEST_PATH_IMAGE029
用于对织物的肌理图像进行纹理结构的表征。对
Figure 748660DEST_PATH_IMAGE029
进行归一化处理，保证函数值 处于(0,1)。函数的现有拟合方法有很多，实施者可自行选取，本实施例用RANSAC算法进行 拟合，得到织物肌理灰度图像中的织物肌理曲线。
步骤6：根据待分类织物的织物肌理曲线与预先确定的各个不同织物类别的织物肌理曲线，分别计算待分类织物与各个不同织物类别之间的差异性，进而确定待分类织物的类别。
在获取待分类的织物肌理图像中的织物肌理曲线之后，基于大数据分析确定不同 织物类别肌理图像的织物肌理曲线，在具体不同织物类别肌理图像的织物肌理曲线时，实 施者可根据实际织物肌理的各个类别进行预先确定。在确定完不同织物类别肌理图像的织 物肌理曲线之后，将确定的不同织物类别肌理图像的织物肌理曲线进行提取，记为
Figure 253590DEST_PATH_IMAGE020
， 代表织物类别为
Figure 879744DEST_PATH_IMAGE018
的织物肌理曲线中的横坐标
Figure 266863DEST_PATH_IMAGE012
对应的肌理特征描述子，用于对待分类的 织物肌理的类别进行判定，具体步骤为：
根据待分类织物的织物肌理曲线中的织物肌理曲线中的各个横坐标的肌理特征描述子和预先确定的各个不同织物类别的织物肌理曲线中的各个横坐标的肌理特征描述子，分别计算待分类织物与各个不同织物类别之间的差异性，对应的计算公式为：
Figure 89194DEST_PATH_IMAGE015
其中，
Figure 245369DEST_PATH_IMAGE016
为待分类织物
Figure 42424DEST_PATH_IMAGE017
的织物肌理曲线与织物类别为
Figure 651259DEST_PATH_IMAGE018
的织物肌理曲线的 差异性，
Figure 293593DEST_PATH_IMAGE019
为待分类织物
Figure 304275DEST_PATH_IMAGE017
的织物肌理曲线中的横坐标
Figure 272231DEST_PATH_IMAGE012
对应的肌理特征描述子，
Figure 837204DEST_PATH_IMAGE020
为织物类别为
Figure 283229DEST_PATH_IMAGE018
的织物肌理曲线中的横坐标
Figure 413996DEST_PATH_IMAGE012
对应的肌理特征描述子，
Figure 552853DEST_PATH_IMAGE021
为待分类织物
Figure 605123DEST_PATH_IMAGE017
的 织物肌理曲线的横坐标的设定最大横坐标。
需要说明的是，对于各个不同织物类别的织物肌理曲线和待分类织物的织物肌理曲线中的各个横坐标，选取各个不同织物类别的织物肌理曲线和待分类织物的织物肌理曲线中的部分横坐标即可，在本实施例中，待分类织物的织物肌理曲线的横坐标取前1000个即可，则预先设定的各个不同织物类别的织物肌理曲线的横坐标需大于或等于1000，实施者可根据具体情况进行选取。根据上述公式，即可确定待分类织物与各个不同织物类别之间的差异性。
根据待分类织物的类别与各个不同织物类别的差异性，从待分类织物的类别与各个不同织物类别的差异性中选取差异性最小的织物类别，该差异性最小的织物类别即为待分类织物的类别。例如，有三种不同织物类别，若第一种织物类别与待分类织物的类别的差异性为2.3，第二种织物类别与待分类织物的类别的差异性为0.7，第三种织物类别与待分类织物的类别的差异性为1.4，则第二种织物类别与待分类织物的类别的差异性最小，待分类织物的类别即为第二种织物类别。
上述的基于图像数据分析的织物肌理自动分类方法通过所采集的织物图像数据，对织物图像数据中的肌理图像数据进行提取，降低了织物表面颜色分量纹理信息对织物肌理分类的影响，从而根据待分类织物肌理与各个不同织物类别的差异性来得到待分类织物的类别，提高了对织物分类的效率。
本实施例还提供了一种基于图像数据分析的织物肌理自动分类系统，包括处理器和存储器，处理器用于处理存储在存储器中的指令以实现一种基于图像数据分析的织物肌理自动分类方法，由于该基于图像数据分析的织物肌理自动分类方法在上文已做出详细说明，此处不再赘述。
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。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，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 (7)

1.一种基于图像数据分析的织物肌理自动分类方法，其特征在于，包括以下步骤：
获取待分类织物的表面图像，对待分类织物的表面图像进行预处理，得到待分类织物预处理后的表面图像；
根据待分类织物预处理后的表面图像，得到待分类织物的色调分量图像；
根据待分类织物预处理后的表面图像和待分类织物的色调分量图像，进而得到织物肌理灰度图像；
根据织物肌理灰度图像中的各个像素点的灰度值，确定织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值，进而得到织物肌理灰度图像中的各个像素点的肌理特征描述子；
根据织物肌理灰度图像中的各个像素点的肌理特征描述子，确定待分类织物的织物肌理曲线；
根据待分类织物的织物肌理曲线与预先确定的各个不同织物类别的织物肌理曲线，分别计算待分类织物与各个不同织物类别之间的差异性，进而确定待分类织物的类别；
进而得到织物肌理灰度图像的步骤包括：
根据待分类织物的色调分量图像中的各个像素点的色调值，得到色调分量图像中的各个像素点的共生矩阵；
根据色调分量图像中的各个像素点的共生矩阵，确定色彩纹理图像中的各个像素点的色彩纹理特征值；
根据待分类织物的色调分量图像中的各个像素点的色调值，确定色调分量图像中的各个像素点的梯度值，得到色彩纹理图像中的各个像素点的色彩影响度；
根据待分类织物预处理后的表面图像，确定待分类织物预处理后的表面图像中的各个像素点的像素值；
根据待分类织物预处理后的表面图像中的各个像素点的像素值、色彩纹理图像中的各个像素点的色彩纹理特征值和色彩纹理图像中的各个像素点的色彩影响度，确定织物肌理图像中的各个像素点的像素值，进而得到织物肌理图像；
色彩纹理图像中的各个像素点的色彩影响度的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 997046DEST_PATH_IMAGE002
为色彩纹理图像中
Figure 874872DEST_PATH_IMAGE003
处像素点的色彩影响度，
Figure 756240DEST_PATH_IMAGE004
为色调分量图像中
Figure 859938DEST_PATH_IMAGE003
处像素点的梯度值；
织物肌理图像中的各个像素点的像素值的计算公式为：
Figure 775941DEST_PATH_IMAGE005
其中，
Figure 559090DEST_PATH_IMAGE006
为织物肌理图像中
Figure 927754DEST_PATH_IMAGE007
处像素点的像素值，
Figure 838072DEST_PATH_IMAGE008
为待分类织物预处理后的表面图像中
Figure 467637DEST_PATH_IMAGE007
处像素点的像素值，
Figure 375681DEST_PATH_IMAGE009
为色彩纹理图像中
Figure 903745DEST_PATH_IMAGE007
处像素点的色彩纹理特征值，
Figure 804705DEST_PATH_IMAGE002
为色彩纹理图像中
Figure 505421DEST_PATH_IMAGE007
处像素点的色彩影响度。
2.根据权利要求1所述的基于图像数据分析的织物肌理自动分类方法，其特征在于，得到各个像素点的肌理特征描述子的步骤包括：
根据织物肌理灰度图像中的各个像素点的灰度值，对各个像素点的周围八邻域像素点进行判定，得到织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值；
根据织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值，得到织物肌理灰度图像中的各个像素点的肌理特征描述子。
3.根据权利要求2所述的基于图像数据分析的织物肌理自动分类方法，其特征在于，对各个像素点的周围八邻域像素点进行判定的步骤包括：
将织物肌理灰度图像中的各个像素点的灰度值作为灰度阈值，若织物肌理灰度图像中的各个像素点的周围八邻域像素点的灰度值大于或等于灰度阈值，则织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值为1；
若织物肌理灰度图像中的各个像素点的周围八邻域像素点的灰度值小于灰度阈值，则织物肌理灰度图像中的各个像素点的周围八邻域像素点的判定值为0。
4.根据权利要求2所述的基于图像数据分析的织物肌理自动分类方法，其特征在于，各个像素点的肌理特征描述子的计算公式为：
Figure 364792DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为像素点
Figure 52257DEST_PATH_IMAGE012
的肌理特征描述子，
Figure 553645DEST_PATH_IMAGE013
为内中心像素点的周围八邻域的第
Figure 298747DEST_PATH_IMAGE014
个像素点的判定值。
5.根据权利要求1所述的基于图像数据分析的织物肌理自动分类方法，其特征在于，确定待分类织物的织物肌理曲线的步骤包括：
对织物肌理灰度图像中的像素点依次进行编号，得到织物肌理灰度图像中的各个像素点的编号；
以织物肌理灰度图像中的各个像素点的编号为横坐标，并以各个像素点的肌理特征描述子为纵坐标进行曲线拟合，得到织物肌理灰度图像中的织物肌理曲线。
6.根据权利要求1所述的基于图像数据分析的织物肌理自动分类方法，其特征在于，待分类织物与各个不同织物类别之间的差异性对应的计算公式为：
Figure 345332DEST_PATH_IMAGE015
其中，
Figure 175885DEST_PATH_IMAGE016
为待分类织物
Figure DEST_PATH_IMAGE017
的织物肌理曲线与织物类别为
Figure 949805DEST_PATH_IMAGE018
的织物肌理曲线的差异性，
Figure 283835DEST_PATH_IMAGE019
为待分类织物
Figure 766900DEST_PATH_IMAGE017
的织物肌理曲线中的横坐标
Figure 819170DEST_PATH_IMAGE012
对应的肌理特征描述子，
Figure 662361DEST_PATH_IMAGE020
为织物类别为
Figure 116476DEST_PATH_IMAGE018
的织物肌理曲线中的横坐标
Figure 525371DEST_PATH_IMAGE012
对应的肌理特征描述子，
Figure 189570DEST_PATH_IMAGE021
为待分类织物
Figure 977398DEST_PATH_IMAGE017
的织物肌理曲线的横坐标的设定最大横坐标。
7.一种基于图像数据分析的织物肌理自动分类系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-6中任一项所述的一种基于图像数据分析的织物肌理自动分类方法。
CN202211140035.6A 2022-09-20 2022-09-20 基于图像数据分析的织物肌理自动分类方法及系统 Active CN115240013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211140035.6A CN115240013B (zh) 2022-09-20 2022-09-20 基于图像数据分析的织物肌理自动分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211140035.6A CN115240013B (zh) 2022-09-20 2022-09-20 基于图像数据分析的织物肌理自动分类方法及系统

Publications (2)

Publication Number Publication Date
CN115240013A CN115240013A (zh) 2022-10-25
CN115240013B true CN115240013B (zh) 2022-12-09

Family

ID=83681100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211140035.6A Active CN115240013B (zh) 2022-09-20 2022-09-20 基于图像数据分析的织物肌理自动分类方法及系统

Country Status (1)

Country Link
CN (1) CN115240013B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787562A (zh) * 2016-03-24 2016-07-20 上海工程技术大学 色织物的纹理类型识别方法
CN112966637A (zh) * 2021-03-22 2021-06-15 常州宏大智能装备产业发展研究院有限公司 基于深度学习的织物纹理分类自动识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2006057314A1 (ja) * 2004-11-25 2008-06-05 株式会社インフォワード 画像処理装置および画像処理方法
CN103714336A (zh) * 2012-10-08 2014-04-09 陈建成 基于八元数和回声状态网络的织物图像边缘检测方法
CN110473242B (zh) * 2019-07-09 2022-05-27 平安科技（深圳）有限公司 一种纹理特征提取方法、纹理特征提取装置及终端设备
CN112488211A (zh) * 2020-12-03 2021-03-12 浙江理工大学 一种织物图像瑕疵分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787562A (zh) * 2016-03-24 2016-07-20 上海工程技术大学 色织物的纹理类型识别方法
CN112966637A (zh) * 2021-03-22 2021-06-15 常州宏大智能装备产业发展研究院有限公司 基于深度学习的织物纹理分类自动识别方法

Also Published As

Publication number Publication date
CN115240013A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN109934802B (zh) 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN115330795B (zh) 布匹毛刺缺陷检测方法
CN114998321B (zh) 一种基于光学手段的纺织材料表面毛羽程度识别方法
CN112435235B (zh) 一种基于图像分析的籽棉含杂率检测方法
CN111665199A (zh) 一种基于机器视觉的电线电缆颜色检测识别方法
CN114332086B (zh) 基于风格迁移和人工智能的纺织品缺陷检测方法及系统
CN112102217A (zh) 一种可见光图像与红外图像快速融合方法及系统
CN115760826A (zh) 一种基于图像处理的轴承磨损状况诊断方法
CN116757972B (zh) 一种抗光影噪声影响的织物缺陷检测方法
CN113129281B (zh) 一种基于深度学习的小麦茎秆截面参数检测方法
CN115240013B (zh) 基于图像数据分析的织物肌理自动分类方法及系统
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
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
CN109472779A (zh) 一种基于形态结构的纱线外观特征参数提取与分析方法
CN115082741B (zh) 基于图像处理的废旧纺织品分类方法
CN115082480B (zh) 一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法
CN109671088A (zh) 一种纱线毛羽特征参数的数字化方法
Al-Ameen Expeditious contrast enhancement for grayscale images using a new swift algorithm
CN116071337A (zh) 一种基于超像素分割的内镜图像质量评价方法
CN115496762A (zh) 一种基于纺织工艺的染色不良缺陷识别方法
CN113361633A (zh) 一种医疗图像大数据3d残差网络分类方法

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