CN115578388B - 用于纺织生产的数据处理方法 - Google Patents
用于纺织生产的数据处理方法 Download PDFInfo
- Publication number
- CN115578388B CN115578388B CN202211560214.5A CN202211560214A CN115578388B CN 115578388 B CN115578388 B CN 115578388B CN 202211560214 A CN202211560214 A CN 202211560214A CN 115578388 B CN115578388 B CN 115578388B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gray
- image
- pixel
- foreground
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 12
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000007906 compression Methods 0.000 claims abstract description 43
- 230000006835 compression Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000265 homogenisation Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 239000004744 fabric Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20032—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
-
- 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)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种用于纺织生产的数据处理方法。该方法以图像采集设备获取纺织品灰度图像，并获取灰度图像的数据，侧重点是对所获取的图像数据的处理方式进行改进，以灰度图像中每个像素点自身灰度值与周围灰度值的偏差情况确定每个像素点在聚类时的自适应距离权重以及属于灰度图像中前景图像的隶属度，以自适应距离权重完成所有像素点的聚类，以隶属度确定前景像素点和背景像素点后，将背景像素点所属的聚类簇的聚簇中心的灰度值完成背景像素点的归一化，最终按照不同压缩程度对前景、背景像素点进行压缩以完成灰度图像数据的压缩。该方法对包含有用信息程度不同的区域进行不同尺度压缩，提高了压缩率以及压缩效果。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于纺织生产的数据处理方法。
背景技术
纺织产品在生产后需要进行缺陷检测，现有高效检测方法通常是基于机器视觉技术的检测方法，该种检测过程在通过相关图像电子设备获取到纺织品表面的高清图像后，需要将图像数据发送给计算机进行处理分析，由于所获取的纺织品表面图像为高分辨率的高清图像，所以对应产生的图像数据很大，在传输给计算机的过程中需要压缩处理以提高传输效率。
现有最常用的对图像数据进行压缩的方法为，利用K-means的聚类结果对图像进行压缩处理，但现有K-means的聚类过程采用的是固定的距离权重，该种固定的聚类权重会因纺织品表面图像中所存在的缺陷，而在缺陷位置产生聚类的局部最优解，导致聚类提前终止而对聚类结果产生影响，致使对图像数据的压缩处理不充分，压缩率降低。同时，现有的该种以固定的距离权重进行聚类的图像数据压缩方法，无法实现对包含更多有用信息的前景部位进行较小模糊处理而对包含更少有用信息的背景部位进行较大的模糊处理，从而无法使压缩后所得数据很好地表征纺织品表面缺陷与纹理，压缩效果较差。
发明内容
本发明提供了一种用于纺织生产的数据处理方法，用以解决现有技术对纺织品表面图像数据在传输过程中压缩率低且压缩效果较差的技术问题，所采用的技术方案具体如下：
本发明的一种用于纺织生产的数据处理方法，包括以下步骤：
获取纺织品的灰度图像；
根据灰度图像上每个像素点的灰度值以及该像素点所属行上各个像素点的灰度值，确定该像素点的偏移程度以及影响范围；
根据像素点的偏移程度以及影响范围，确定该像素点属于灰度图像前景区域的隶属度；
根据各个像素点属于灰度图像前景区域的隶属，确定灰度图像上的前景像素点以及背景像素点，根据各个像素点属于灰度图像前景区域的隶属，确定该像素点的自适应距离权重；
根据每个像素点的自适应距离权重对表面图像进行聚类；
根据背景像素点所属聚类簇的簇类中心点的灰度值对背景像素点进行均一化处理，通过对均一化处理的背景像素点进行较大程度的压缩而对前景像素点进行较小程度的压缩的方式，完成对灰度图像的压缩处理。
本发明的有益效果为：
本发明该方法根据纺织品灰度图像上各个像素点自身灰度值与周围灰度值的偏差情况确定了每个像素点属于灰度图像前景区域的隶属度，也即确定了每个像素点属于需保留、以较小程度压缩的纺织品花纹图像与缺陷区域的像素点的隶属度，从而完成了灰度图像前景像素点和背景像素点的区分，以及每个像素点在聚类过程中的自适应距离权重，以自适应距离权重完成聚类后，将背景像素点所属聚类簇进行归一化处理，并分别对背景像素点所对应聚类簇以及前景像素点所对应的其它聚类簇，进行压缩程度不同的压缩处理，完成对灰度图像的自适应压缩，保留图像有用信息的同时更大程度对无用信息进行压缩，提高纺织品表面图像数据在传输过程中的压缩率以及压缩效果。
进一步的，根据灰度图像上每个像素点的灰度值以及该像素点所属行上各个像素点的灰度值，确定该像素点的偏移程度的方法为：
计算灰度图像上每个像素点所属行上各个像素点的灰度值的均值，以所述均值与所述每个像素点的灰度值，确定所述每个像素点的偏移程度。
进一步的，所述偏移程度为：
其中，PSi表示第i个像素点的偏移程度；Pi为第i个像素点的灰度值；Pavg为第i个像素点所在行上所有像素点的平均灰度值；Max(P)与Min(P)分别为第i个像素点所在行上所有像素点的灰度值的最大值与最小值。
进一步的，根据灰度图像上每个像素点的灰度值以及该像素点所属行上各个像素点的灰度值，确定该像素点的影响范围的方法为：
计算灰度图像上每个像素点所属行上各个像素点的灰度值的标准差，以所述标准差确定所述每个像素点的影响范围。
进一步的，所述影响范围为：
ERi＝PSi*(Pi±3σPi)
其中，ERi为第i个像素点在图像上的影响范围，PSi为第i个像素点的偏移程度，Pi为第i个像素点的灰度值，
为第i个像素点所在行上所有像素点的灰度值的标准差，
为以第i个像素点为中心，以
为半径的范围，表示第i个像素点的邻域范围。
进一步的，所述隶属度为：
IDi＝PSi*ERi
其中，IDi为第i个像素点属于图像中前景区域的隶属度，PSi为第i个像素点的偏移程度，ERi为第i个像素点在图像上的影响范围。
进一步的，所述根据各个像素点属于灰度图像前景区域的隶属，确定灰度图像上的前景像素点以及背景像素点的方法为：
将隶属度大于隶属度阈值的像素点作为前景像素点，其余像素点作为背景像素点。
进一步的，所述根据各个像素点属于灰度图像前景区域的隶属，确定该像素点的自适应距离权重的方法为：
对所有像素点对应所得隶属度进行归一化处理：
其中，IDi *表示归一化后的第i个像素点属于图像中前景区域的隶属度，IDi为第i个像素点属于图像中前景区域的隶属度，Max(ID)与Min(ID)分别表示各个像素点属于图像中前景区域的隶属度中的最大值以及最小值；
自适应距离权重为：
ADi＝SDi*IDi *
其中，ADi为第i个像素点的自适应距离权重，SDi为预设的第i个像素点的基础权重，ID*为归一化后的第i个像素点属于图像中前景区域的隶属度。
进一步的，所述根据背景像素点所属聚类簇的簇类中心点的灰度值对背景像素点进行均一化处理，通过对均一化处理的背景像素点进行较大程度的压缩而对前景像素点进行较小程度的压缩的方式，完成对灰度图像的压缩处理的方法为：
以背景像素点所属聚类簇的簇类中心点的灰度值，对所有背景像素点的灰度值进行均一化；
采用游程压缩方法对前景像素点以及均一化后的背景像素点进行压缩，完成对灰度图像的压缩处理。
附图说明
图1是本发明该种用于纺织生产的数据处理方法的流程图。
具体实施方式
下面结合附图及实施例，对本发明的一种用于纺织生产的数据处理方法进行详细说明。
方法实施例：
本发明的一种用于纺织生产的数据处理方法实施例，其整体流程如图1所示，具体过程如下：
步骤一，获取纺织品的灰度图像。
本实施例采用相关的图像采集电子设备，如工业高清摄像机拍摄纺织品表面以获取纺织品表面图像，以所获取的纺织品表面图像的数据作为待压缩的图像数据。
考虑到采用图像采集设备所获取的表面图像中，会因环境影响而产生噪声，所以本实施例在获取纺织品表面图像后，还包括采用中值滤波方法对其进行去噪处理，以过滤异常像素点的步骤。
本实施例所采用的去噪方法仅为一种优选方法，在其它实施例中还可采用现有任意一种图像去噪处理方法。以及，在其它实施例中，还可不对所获取的纺织品表面图像进行去噪。
步骤二，确定灰度图像中各个像素点属于图像前景区域的隶属度。
对于纺织面料而言，纺织产生的面料图案和缺陷区域等灰度值发生较大变化的部位为需要进行保留的前景部位，较大面积颜色均匀的底色等为需要进行压缩的背景部位。
对于前景部位，需要保留其所含有的信息，作为后续进行缺陷检测的依据，如果对前景部位进行压缩模糊处理，则压缩后图像整体有用信息损失较多；对于背景部位，则需要进行较大程度的压缩模糊处理，因其含有的信息不重要或不能表示图像的特征，进行模糊后损失的信息较少。
因此，本实施例选择计算表面图像上各个像素点属于前景区域的隶属度，将像素点分为前景、背景两类，以便后续确定聚类过程中的自适应距离权重。
本实施例中，计算表面图像上各个像素点属于前景区域的隶属度的过程具体为，首先通过像素点灰度值相较于其所在行灰度值的变化趋势确定像素点的偏移程度，然后计算像素点在图像上的影响范围，结合像素点的偏移程度以及影响范围，综合确定像素点属于前景区域的隶属度。具体过程为：
1、通过像素点灰度值与该像素点所在行的灰度值，确定像素点的偏移程度。
图像上不同颜色在不同位置上的不同分布，蕴含了图像的信息，随着图像上不同位置上颜色的变化或者说偏移表征了图像的信息，彩色图像所蕴含的信息，相较于白色图像显然更多，因为随着位置变化，彩色图像的颜色变化趋势显然相较于白色图像更明显。
所以，本实施例通过图像上各个像素点灰度值的变化趋势来确定像素点的偏移程度。
由于所采集的纺织品表面图像往往是长矩形图像，所以本实施例在图像行方向上观察灰度值的变化以完成变化趋势的判定。
灰度图像上像素点的偏移程度为：
其中，PSi表示第i个像素点的偏移程度；Pi为第i个像素点的灰度值；Pavg为第i个像素点所在行上所有像素点的平均灰度值；Max(P)与Min(P)分别为第i个像素点所在行上所有像素点的灰度值的最大值与最小值。
式中，
表示了第i个像素点灰度值在其所属行的整体灰度值中所处位置，相较于第i个像素点所属行的平均灰度值的偏离程度，该偏离程度与第i个像素点的灰度值的乘积越大，则表示第i个像素点的灰度值相较于其所属行的灰度值发生了越大程度的偏移。
通过计算像素点的偏移程度，对图像中的像素进行了标记，将图像由灰度值矩阵转化为偏移程度矩阵，减少了使用像素值判断的局限性，便于后续评估像素点的影响范围。
2、确定像素点的影响范围。
通过相机采集的图像，会根据相机预设的标定参数将现实尺寸转化为数字尺寸，一个现实疵点位置会对应至多个图像像素点，因此，根据像素点的偏移程度计算像素点在图像上的影响范围，以便能够充分表示出面料的疵点位置。
像素点在图像上的影响范围为：
其中，ERi为第i个像素点在图像上的影响范围，PSi为第i个像素点的偏移程度，Pi为第i个像素点的灰度值，
为第i个像素点所在行上所有像素点的灰度值的标准差，
为以第i个像素点为中心，以
为半径的范围，表示第i个像素点的邻域范围。
通过计算像素点的影响范围，将像素点在图像上产生偏移从而对图像信息的影响范围进行了确定，避免影响范围不确定导致进行压缩处理的时候造成前景信息的丢失。
3、根据像素点的偏移程度以及影响范围，确定像素点属于图像中前景区域的隶属度。
通过本实施例所确定的像素点的偏移程度，便可确定高信息含量点所处的位置，而通过本实施例所确定的影响范围，便可确定具体的高信息含量范围区域，根据这两种参数，便可确定灰度图像中各个像素点属于图像中前景区域的隶属度：
IDi＝PSi*ERi
其中，IDi为第i个像素点属于图像中前景区域的隶属度，PSi为第i个像素点的偏移程度，ERi为第i个像素点在图像上的影响范围。
然后，对所有像素点对应所得隶属度进行归一化处理：
其中，IDi *表示归一化后的第i个像素点属于图像中前景区域的隶属度，IDi为第i个像素点属于图像中前景区域的隶属度，Max(ID)与Min(ID)分别表示各个像素点属于图像中前景区域的隶属度中的最大值以及最小值。
PSi*ERi为像素点i的偏移程度与影响范围之积，即像素点偏移程度越大或影响范围越广，则该点含有的信息量越大，越需要在压缩中进行保留。
通过像素点属于前景的隶属度的计算，便可对压缩过程中需要保留与需要压缩的像素点进行了区分，便于后续设计自适应权重方法。
步骤三，根据每个像素点属于图像前景区域的隶属度确定前景像素点以及背景像素点，同时根据每个像素点属于图像前景区域的隶属度确定该像素点的自适应距离权重。
为了实现对前背景像素点的区分，得到像素点的归一化隶属度ID*后，设置隶属度阈值，本实施例优选隶属度阈值为0.7，隶属度阈值可根据压缩率要求以及纺织品缺陷检测精确度要求而定，压缩率要求越高，则隶属度阈值越高，纺织品缺陷检测精确度要求越高，则隶属度阈值越低，两者的平衡可根据经验确定。
将隶属度ID*>0.7的像素点标记为前景像素点，其余像素点标记为背景像素点。
通过计算前背景程度，对像素进行了重要性不同的标记，后应根据像素点的不同前背景程度进行自适应权重方法的设计，便于在充分压缩背景点的同时保留下前景点的信息。
本实施例在聚类过程中的自适应距离权重为：
ADi＝SDi*IDi *
其中，ADi为第i个像素点的自适应距离权重，SDi为预设的第i个像素点的基础权重，ID*为归一化后的第i个像素点属于图像中前景区域的隶属度。
通过隶属度对基础权重进行加权，表明了根据像素点属于图像中前景区域的隶属度的不同对固定的距离权重进行了自适应的改变，从而避免了聚类过程中局部最优解导致聚类提前终止，降低图像的压缩率。
步骤四，根据每个像素点的自适应距离权重对表面图像进行聚类。
获取了自适应距离权重后，便可根据自适应距离权重对图像进行更好的聚类，获取聚类的结果。
本实施例使用的K-means聚类相较于现有的K-means聚类仅在于所采用的距离权重不同，具体也即下述聚类过程中的步骤b，而聚类的其它过程与现有技术中的聚类则实质相同：
a.从灰度图像的所有像素点中随机选择K个像素点作为初始质心；
b.根据各个像素点的自适应距离权重计算各个像素点到每个质心的距离，将像素点划分到距离最近的质心所对应的簇中；
c.计算每个簇内所有像素点的灰度值均值，并使用该灰度值均值更新簇的质心；
d.重复步骤b与步骤c的操作以进行迭代，直到达到最大迭代次数或所有质心位置不再变化。
至此，利用自适应距离权重完成了对灰度图像上所有像素点的聚类，得到了最终的聚类结果。
步骤五，根据背景像素点所属聚类簇的簇类中心点的灰度值对背景像素点进行均一化处理，通过对均一化处理的背景像素点进行较大程度的压缩而对前景像素点进行较小程度的压缩的方式，完成对灰度图像的压缩处理。
在获得聚类结果后，也就确定了背景像素点所属的聚类簇，以背景像素点所属聚类簇的簇类中心点的灰度值，对所有背景像素点的灰度值进行均一化，也即将背景像素点所属聚类簇的簇类中心点的灰度值作为所有背景像素点的灰度值。
然后，根据前景像素点以及均一化后的背景像素点，对灰度图像进行压缩，压缩过程中对前景像素点与背景像素点的压缩程度不同，本实施例优选采用游程压缩方法完成对灰度图像的压缩，游程图像为现有技术，举例如下：
灰度图像中某行各个像素点的灰度值为：[10,11,10,12,98,87,10,13]，其中灰度值10、11、12以及13所对应的是背景像素点，其它灰度值对应的是前景像素点，背景像素点所在聚类簇的簇类中心的灰度值为10，那么对该行中背景像素点进行均一化后，该行各个像素点的灰度值变为：[10,10,10,10,98,87,10,10]。
然后，对背景像素点均一化后的该行像素点进行游程压缩：[(10,4),98,87,(10,2)]，游程压缩增加了图像的压缩率，同时保存了图像上的有用信息。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (3)
1.一种用于纺织生产的数据处理方法，其特征在于，包括以下步骤：
获取纺织品的灰度图像；
根据灰度图像上每个像素点的灰度值以及该像素点所属行上各个像素点的灰度值，确定该像素点的偏移程度以及影响范围；
根据像素点的偏移程度以及影响范围，确定该像素点属于灰度图像前景区域的隶属度；
根据各个像素点属于灰度图像前景区域的隶属，确定灰度图像上的前景像素点以及背景像素点，根据各个像素点属于灰度图像前景区域的隶属，确定该像素点的自适应距离权重；
根据每个像素点的自适应距离权重对表面图像进行聚类；
根据背景像素点所属聚类簇的簇类中心点的灰度值对背景像素点进行均一化处理，通过对均一化处理的背景像素点进行较大程度的压缩而对前景像素点进行较小程度的压缩的方式，完成对灰度图像的压缩处理；
根据灰度图像上每个像素点的灰度值以及该像素点所属行上各个像素点的灰度值，确定该像素点的偏移程度的方法为：
计算灰度图像上每个像素点所属行上各个像素点的灰度值的均值，以所述均值与所述每个像素点的灰度值，确定所述每个像素点的偏移程度；
所述偏移程度为：
其中，PSi表示第i个像素点的偏移程度；Pi为第i个像素点的灰度值；Pavg为第i个像素点所在行上所有像素点的平均灰度值；Max(P)与Min(P)分别为第i个像素点所在行上所有像素点的灰度值的最大值与最小值；
根据灰度图像上每个像素点的灰度值以及该像素点所属行上各个像素点的灰度值，确定该像素点的影响范围的方法为：
计算灰度图像上每个像素点所属行上各个像素点的灰度值的标准差，以所述标准差确定所述每个像素点的影响范围；
所述影响范围为：
其中，ERi为第i个像素点在图像上的影响范围，PSi为第i个像素点的偏移程度，Pi为第i个像素点的灰度值，
为第i个像素点所在行上所有像素点的灰度值的标准差，
为以第i个像素点为中心，以
为半径的范围，表示第i个像素点的邻域范围；
所述隶属度为：
IDi＝PSi*ERi
其中，IDi为第i个像素点属于图像中前景区域的隶属度，PSi为第i个像素点的偏移程度，ERi为第i个像素点在图像上的影响范围；
所述根据各个像素点属于灰度图像前景区域的隶属，确定该像素点的自适应距离权重的方法为：
对所有像素点对应所得隶属度进行归一化处理：
其中，IDi *表示归一化后的第i个像素点属于图像中前景区域的隶属度，IDi为第i个像素点属于图像中前景区域的隶属度，Max(ID)与Min(ID)分别表示各个像素点属于图像中前景区域的隶属度中的最大值以及最小值；
自适应距离权重为：
ADi＝SDi*IDi *
其中，ADi为第i个像素点的自适应距离权重，SDi为预设的第i个像素点的基础权重，ID*为归一化后的第i个像素点属于图像中前景区域的隶属度。
2.根据权利要求1所述的用于纺织生产的数据处理方法，其特征在于，所述根据各个像素点属于灰度图像前景区域的隶属，确定灰度图像上的前景像素点以及背景像素点的方法为：
将隶属度大于隶属度阈值的像素点作为前景像素点，其余像素点作为背景像素点。
3.根据权利要求1所述的用于纺织生产的数据处理方法，其特征在于，所述根据背景像素点所属聚类簇的簇类中心点的灰度值对背景像素点进行均一化处理，通过对均一化处理的背景像素点进行较大程度的压缩而对前景像素点进行较小程度的压缩的方式，完成对灰度图像的压缩处理的方法为：
以背景像素点所属聚类簇的簇类中心点的灰度值，对所有背景像素点的灰度值进行均一化；
采用游程压缩方法对前景像素点以及均一化后的背景像素点进行压缩，完成对灰度图像的压缩处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211560214.5A CN115578388B (zh) | 2022-12-07 | 2022-12-07 | 用于纺织生产的数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211560214.5A CN115578388B (zh) | 2022-12-07 | 2022-12-07 | 用于纺织生产的数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115578388A CN115578388A (zh) | 2023-01-06 |
| CN115578388B true CN115578388B (zh) | 2023-04-21 |
Family
ID=84590472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211560214.5A Active CN115578388B (zh) | 2022-12-07 | 2022-12-07 | 用于纺织生产的数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115578388B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991693A (zh) * | 2017-03-17 | 2017-07-28 | 西安电子科技大学 | 基于模糊支持权重的双目立体匹配方法 |
| CN113160213A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种融合图像局部和非局部信息的像素隶属度估计新方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064470B (zh) * | 2018-08-28 | 2022-02-22 | 河南工业大学 | 一种基于自适应模糊聚类的图像分割方法及装置 |
| CN109829519B (zh) * | 2019-03-22 | 2020-04-03 | 兰州交通大学 | 基于自适应空间信息的遥感图像分类方法及系统 |
| KR20210078350A (ko) * | 2019-12-18 | 2021-06-28 | 인천대학교 산학협력단 | 초분광 영상 처리에서의 무손실 압축방법 |
| CN112861712B (zh) * | 2021-02-06 | 2022-08-02 | 郑州师范学院 | 基于人工智能与多时相遥感的农业病虫害监测方法 |
| US11425368B1 (en) * | 2021-02-17 | 2022-08-23 | Adobe Inc. | Lossless image compression using block based prediction and optimized context adaptive entropy coding |
| 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 |
-
2022
- 2022-12-07 CN CN202211560214.5A patent/CN115578388B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991693A (zh) * | 2017-03-17 | 2017-07-28 | 西安电子科技大学 | 基于模糊支持权重的双目立体匹配方法 |
| CN113160213A (zh) * | 2021-05-12 | 2021-07-23 | 西南科技大学 | 一种融合图像局部和非局部信息的像素隶属度估计新方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115578388A (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| CN114170228B (zh) | 一种计算机图像边缘检测方法 | |
| CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN115345802B (zh) | 一种机电设备运行状态远程监控方法 | |
| CN114494256B (zh) | 基于图像处理的电线生产缺陷检测方法 | |
| CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
| CN115760826B (zh) | 一种基于图像处理的轴承磨损状况诊断方法 | |
| CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
| CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
| CN115937186A (zh) | 一种纺织品缺陷识别方法及系统 | |
| CN112435235A (zh) | 一种基于图像分析的籽棉含杂率检测方法 | |
| CN111667475A (zh) | 一种基于机器视觉的大枣分级检测方法 | |
| CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
| CN115578388B (zh) | 用于纺织生产的数据处理方法 | |
| CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
| CN115008255B (zh) | 一种用于机床的刀具磨损识别方法及装置 | |
| CN115082741B (zh) | 基于图像处理的废旧纺织品分类方法 | |
| CN115272737B (zh) | 一种橡胶圈流痕识别方法 | |
| CN115272174B (zh) | 一种市政道路检测方法及系统 | |
| CN115359022A (zh) | 一种电源芯片质量检测方法及系统 | |
| CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
| CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 | |
| CN111145193A (zh) | 一种自适应全局阈值二值化方法 | |
| CN110865084A (zh) | 基于自学习模式的综丝分离检测系统及方法 | |
| CN117372420B (zh) | 一种染整过程中纺织印花质量视觉检测方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Data processing methods for textile production Effective date of registration: 20231129 Granted publication date: 20230421 Pledgee: Industrial Commercial Bank of China Ltd. Huimin branch Pledgor: Binzhou huaran chemical fiber rope net Co.,Ltd. Registration number: Y2023980068207 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20230421 Pledgee: Industrial Commercial Bank of China Ltd. Huimin branch Pledgor: Binzhou huaran chemical fiber rope net Co.,Ltd. Registration number: Y2023980068207 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |