CN117152461A - 一种基于数字图像的卷烟包装材料色差检测方法 - Google Patents
一种基于数字图像的卷烟包装材料色差检测方法 Download PDFInfo
- Publication number
- CN117152461A CN117152461A CN202311200861.XA CN202311200861A CN117152461A CN 117152461 A CN117152461 A CN 117152461A CN 202311200861 A CN202311200861 A CN 202311200861A CN 117152461 A CN117152461 A CN 117152461A
- Authority
- CN
- China
- Prior art keywords
- image
- color difference
- points
- cigarette packaging
- point
- 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.)
- Pending
Links
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 65
- 239000005022 packaging material Substances 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000012856 packing Methods 0.000 claims abstract 2
- 238000005070 sampling Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 238000005259 measurement Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000011365 complex material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000002798 spectrophotometry method Methods 0.000 description 1
- 239000010421 standard material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- 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
- G06V10/40—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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于数字图像的卷烟包装材料色差检测方法，包括：对各牌号的卷烟包装材料建立标准的模版图像数据库，设置图像采集装置对卷烟包装材料进行图像采集并进行对齐处理，以得到与模板图像对齐的样本图像；获取待检牌号的卷烟包装材料对应的模版图像和样本图像，通过映射获取模版图像和样本图像的对应区域，并进行聚类算法处理得到主色调数据，以对异常数据进行剔除处理；根据处理后的色调数据计算对应区域不同色调的RGB平均值，并通过颜色空间转换至CIE空间下的Lab值；根据模版图像和样本图像对应区域的所述Lab值进行色差计算，并相应区域进行色差比对。本发明能提高卷烟包材料的色差检测的准确性和效率。
Description
技术领域
本发明涉及卷烟包装材料色差检测的技术领域，尤其涉及一种基于数字图像的卷烟包装材料色差检测方法。
背景技术
卷烟材料不仅展现了企业卷烟产品的外在形象，还具有产品的防伪功能。卷烟材料质量是卷烟产品质量的重要内容，卷烟材料颜色差异直接影响消费者的直观感受，其质量状况对品牌发展具有重要影响。为保证进入市场环节产品的质量，卷烟制造企业对卷烟材料的色差会进行严格的检测。
近年来，许多卷烟产品在卷烟材料设计上融入更多复杂材料、科技、时尚元素。为满足产品发展的需要，卷烟企业对卷烟条材料质量检测要求也在不断的提高，传统的卷烟材料色差检测主要采用标准光源人工目测法和分光光度色差仪方法。主观目测法：主观目测法是在特定光源(D65)条件下检验员人为的对比卷烟包装材料和标准材料，依据检验员的视觉来评价包装之间的颜色差异和外观缺陷，对不同批次材料的色差进行定性地评估。这种完全主观评价方法，很容易受到检测人员的经验、心理以及生理等各种因素的影响，不同检验员对色差质量评判的标准会有所差别，导致检测结果的准确性和稳定性较差。色度检测法：主要使用的检测装置是分光光度色差仪。分光光度色差仪主要是针对颜色上面可见光谱的每个波长光的反射率来进行测量。存在的问题：色差仪测量区域必须为同色区域，测量区域通常在(4～8mm)x(4～8mm)之间，而对于小区块的材料、复杂不规则底纹和镭射材料等，使用色差仪无法准确识别，导致检测结果的精确性和稳定性都较差。测量同一样品不同位置的颜色信息时，需要人工多次移动进行检测位置定位，存在测量工作量大、效率低的缺点。因此，如何对卷烟包材料的色差进行准确和便捷检测，以提高色差检测效率和精准性，具有重要的意义。
发明内容
本发明提供一种基于数字图像的卷烟包装材料色差检测方法，解决现有卷烟包材料色差检测存在效率低和准确率不高的问题，能提高卷烟包材料的色差检测的准确性和效率。
为实现以上目的，本发明提供以下技术方案：
一种基于数字图像的卷烟包装材料色差检测方法，包括：
对各牌号的卷烟包装材料建立标准的模版图像数据库，设置图像采集装置对卷烟包装材料进行图像采集并进行对齐处理，以得到与模板图像对齐的样本图像；
获取待检牌号的卷烟包装材料对应的模版图像和所述样本图像，通过映射获取所述模版图像和所述样本图像的对应区域，并进行聚类算法处理得到主色调数据，以对异常数据进行剔除处理；
根据处理后的色调数据计算对应区域不同色调的RGB平均值，并通过颜色空间转换至CIE空间下的Lab值；
根据所述模版图像和所述样本图像对应区域的所述Lab值进行色差计算，并相应区域进行色差比对。
优选的，所述通过映射获取所述模版图像和所述样本图像的对应区域，并进行聚类算法处理得到主色调数据，包括：
选取所述模版图像的设定区域进行k-means聚类处理，聚类出该区域的主要色调数据；
根据所述模版图像的设定区域坐标进行映射到所述样本图像中，并对所述样本图像对应区域进行K-means处理，聚类出对应区域的主要色调数据。
优选的，所述进行对齐处理，包括：
对所述模版图像和所述样本图像搜索所有尺度上的图像位置，并识别潜在的对于尺度和旋转不变的特征点；
确定所述特征点的位置和尺度，并去除低对比度和不稳定的特征点；
基于图像局部的梯度方向，分配给每个所述特征点的位置一个或多个方向；
将检测出的含有位置、尺度和方向的所述特征点作为所述模版图像和所述样本图像对应的Sift特征点。
优选的，所述对所述模版图像和所述样本图像搜索所有尺度上的图像位置，并识别潜在的对于尺度和旋转不变的特征点，包括：
建立图像的尺度空间，以模拟图像的多尺度特征；
将二维图像的尺度空间L(x,y,σ)定义为原图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)的卷积，如下式所示：
L(x,y,σ)＝G(x,y,σ)*I(x,y)；
其中，σ表示尺度空间因子，以表征图像模糊平滑处理的程度，σ值越小表示图像被平滑的越少，(x,y)代表二维图像中的像素位置；
构建高斯差分尺度空间如下式所示：
D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)；其中，k是一个表示相邻尺度空间倍数的常数；
SIFT将图像金字塔中每两组第二层和第三层图像的每一个像素点与其全部相邻的而像素点进行比较，如果该像素点均大于或小于其他图像域和尺度域的所有相邻像素点，则该像素点为极值点。
优选的，所述确定所述特征点的位置和尺度，并去除低对比度的关键点和不稳定的边缘响应点，包括：
通过尺度空间DoG函数进行曲线拟合寻找极值点，并剔除低对比度的特征点：
拟合函数为其中，X＝(x,y,σ)T；
对所述拟合函数求导，并令方程等于0，得以得到极值的偏移量为：
然后再把求得的Δx带入D(x)的泰勒展开式中，得到：其中，/>代表相对插值中心的偏移量；
当在任一维度上的偏移量大于0.5时，则意味着插值中心已经偏移到它的邻近点，必须改变当前特征点的位置；
进而在新的位置上反复插值直到收敛，在超出所设定的迭代次数或者超出图像边界的范围时，则剔除相应的点。
优选的，所述基于图像局部的梯度方向，分配给每个所述特征点的位置一个或多个方向，包括：
基于图像的局部特征，为每一个特征点分配一个或多个方向角度，通过SIFT算法将梯度方向的分布特性应用于检测出特征点上，并指定特征点的方向，对于在尺度空间L(x,y,σ)上的特征点，其梯度的模值m(x,y)和方向θ(x,y)为：
在完成关键点的梯度计算后，使用直方图统计领域内像素的梯度和方向，梯度直方图将0-360度的方向范围分为36个柱，每柱10度，方向直方图的峰值代表该特征点处领域梯度的方向，并以直方图中最大值作为关键点的主方向。
优选的，所述进行对齐处理，还包括：
根据sift特征点生成特征点描述子，所述特征点描述子包括关键点，及关键点周围对其有贡献的像素点；
确定计算描述子所需的图像区域特征，将坐标轴转载到关键点的方向，实际计算所需图像区域半径为：其中，关键点附近的领域划分为d×d个子区域，每个子区域作为一个种子点，每个种子点有8个方向，每个子区域的大小与关键点方向分配时相同，即每个区域有3σ_oct个子像素；
将坐标轴旋转为关键点的方向，以确保旋转不变性；
将邻域内的采样点分配到对应的子区域内，将子区域内的梯度值分配到8个方向上，计算其权值；
将旋转后的采样点坐标在半径为radius的圆内被分配到d×d的子区域，计算影响子区域的采样点的梯度和方向，分配到8个方向上；
插值计算每个种子点八个方向的梯度；
将统计的4*4*8＝128个梯度信息作为关键点的特征向量；
按特征点的尺度对特征描述向量进行排序，至此，特征点描述子向量生成。
优选的，所述进行K-means处理，包括：
数据预处理；
随机选取K个中心，记为
定义损失函数为：
令t为迭代步数，重复如下过程只到J收敛：
对于每个样本xi，将其分配到距离最近的中心：
对于每一个类中心k，重新计算该类的中心：
优选的，所述对异常数据进行剔除处理，包括：
将落在±3σ以外的主要色调数据作为异常值，其中，σ为正太分布函数的标准差。
优选的，所述通过颜色空间转换至CIE空间下的Lab值，包括：
将RGB平均值通过转换公式转换到XYZ，并在LAB空间下，得出在CIE空间下的Lab值，其中，转换公式为：
优选的，所述进行色差计算，包括：
以CIDE2000公式进行色差计算，所述CIDE2000公式为：其中，ΔE00为色差值，ΔL'为明度差，ΔC′ab为彩度差，ΔH′ab为色相差，SL，SC，SH为权重函数，KL，KC和KH为常数，RT为旋转函数。
本发明提供一种基于数字图像的卷烟包装材料色差检测方法，将待检牌号的卷烟包装材料的样本图像与模版图像进行色调数据进行比对，并根据相对应区域不同色调RGB平均值进行色差计算，以进行色差比对。解决现有卷烟包材料色差检测存在效率低和准确率不高的问题，能提高卷烟包材料的色差检测的准确性和效率。
附图说明
为了更清楚地说明本发明的具体实施例，下面将对实施例中所需要使用的附图作简单地介绍。
图1是本发明提供一种基于数字图像的卷烟包装材料色差检测方法示意图。
图2是本发明实施例提供的色差检测流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对当前现有卷烟包材料色差检测存在效率低和准确率不高的问题，本发明提供一种基于数字图像的卷烟包装材料色差检测方法，解决现有卷烟包材料色差检测存在效率低和准确率不高的问题，能提高卷烟包材料的色差检测的准确性和效率。
如图1所示，一种基于数字图像的卷烟包装材料色差检测方法，包括：
S1：对各牌号的卷烟包装材料建立标准的模版图像数据库，设置图像采集装置对卷烟包装材料进行图像采集并进行对齐处理，以得到与模板图像对齐的样本图像。
S2：获取待检牌号的卷烟包装材料对应的模版图像和所述样本图像，通过映射获取所述模版图像和所述样本图像的对应区域，并进行聚类算法处理得到主色调数据，以对异常数据进行剔除处理。
S3：根据处理后的色调数据计算对应区域不同色调的RGB平均值，并通过颜色空间转换至CIE空间下的Lab值。
S4：根据所述模版图像和所述样本图像对应区域的所述Lab值进行色差计算，并相应区域进行色差比对。
具体地，将卷烟包装样品放置在载物平台后，光源系统和CCD图像采集传感器在运动平台的带动下移动，线性光源照射到待测样品的表面，样品表面的反射光通过光学反射照射到线阵CCD传感器的感光面上，感光像元把光信号转变为电荷信号，经过模拟前端和FPGA数据处理模块进行预处理后，完成样品图像的采集。在模版图像采集时，需将标样中的烟用材料-小盒水平放置在小盒特定区域。在图像采集过程中，需要对图像进行灰度、二值、轮廓提取、最大轮廓筛选、掩膜处理、定向裁剪等处理，完成烟用材料-小盒对象的提取。
在一实施例中，如图2所示，首先获取检测牌号的模板图像。在此基础上，获取该检测牌号的样本图像并进行对齐处理。在模板上选定区域A1，并通过模板映射功能选定样本的区域B1。其次，进行K-means聚类算法处理，分别得到区域A的色调Ai(i＝1,2,......)和区域B的色调Bi(i＝1,2,......)，进而利用正太分布剔除其中异常值。根据不同色调需求，得出模板平均主色调的Ai_RGB和样本平均主色调的Bi_RGB。接着，分别进行颜色空间转换为Ai_Lab和Bi_Lab。最后，通过Ai_Lab和Bi_Lab，利用Cide2000色差公式计算出模板区域A1和样本的区域B1的色差值。该方法能提高卷烟包材料的色差检测的准确性和效率。
进一步，所述通过映射获取所述模版图像和所述样本图像的对应区域，并进行聚类算法处理得到主色调数据，包括：
对所述模版图像和所述样本图像进行对齐处理。
选取所述模版图像的设定区域进行k-means聚类处理，聚类出该区域的主要色调数据。
根据所述模版图像的设定区域坐标进行映射到所述样本图像中，并对所述样本图像对应区域进行K-means处理，聚类出对应区域的主要色调数据。
进一步，所述对所述模版图像和所述样本图像进行对齐处理，包括：
对所述模版图像和所述样本图像搜索所有尺度上的图像位置，并识别潜在的对于尺度和旋转不变的特征点。
确定所述特征点的位置和尺度，并去除低对比度和不稳定的特征点。
基于图像局部的梯度方向，分配给每个所述特征点的位置一个或多个方向。
将检测出的含有位置、尺度和方向的所述特征点作为所述模版图像和所述样本图像对应的Sift特征点，其中Sift特征点为不会因光照、仿射变换和噪音等因素而变化的点，如焦点、边缘点、暗区的亮点及亮区的暗点等)。
SIFT算法首要步骤为建立图像的尺度空间。建立尺度空间的目的是模拟图像的多尺度特征。二维图像的尺度空间L(x,y,σ)定义为原图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)的卷积，如下式所示：
L(x，y，σ)＝G(x，y，σ)*I(x，y)，
其中，这里σ表示尺度空间因子，它决定图像模糊平滑处理的程度，σ值越小表示图像被平滑的越少，(x,y)代表二维图像中的像素位置。
为了能够在连续尺度下检测图像的特征点，SIFT算法使用高斯差分尺度空间(DoGscale-space)，DoG尺度空间由不同尺度的高斯差分核与图像卷积生成，如下式所示：
D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)；
其中k是一个表示相邻尺度空间倍数的常数。
SIFT算法的特征点由DoG空间的局部极值点组成。SIFT将图像金字塔中每两组第二层和第三层图像的每一个像素点与其全部相邻的而像素点进行比较，如果该像素点均大于或小于其他图像域和尺度域的所有相邻像素点，则该像素点为极值点。由于在离散空间找到的极值点不一定准确，并且DoG算子会产生较强的边缘效应，因此找到的极值点并不都是稳定的SIFT特征点。
进一步，所述确定所述特征点的位置和尺度，并去除低对比度和不稳定的特征点，包括：
通过尺度空间DoG函数进行曲线拟合寻找极值点，并剔除低对比度的特征点：
拟合函数：其中，X＝(x,y,σ)T；
对所述拟合函数求导，并令方程等于0，得以得到极值的偏移量为：然后再把求得的Δx带入D(x)的泰勒展开式中，得到：/> 其中，/>代表相对插值中心的偏移量，当它在任一维度上的偏移量大于0.5时，则意味着插值中心已经偏移到它的邻近点，所以必须改变当前特征点的位置；同时，在新的位置上反复插值直到收敛，在超出所设定的迭代次数或者超出图像边界的范围时，则剔除相应的点。
基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。
进一步，基于图像局部的梯度方向，分配给每个所述特征点的位置一个或多个方向，包括：
为了使SIFT算法生成的特征点具有旋转不变性，需要基于图像的局部特征，为每一个特征点分配一个或多个方向角度。因此SIFT算法将梯度方向的分布特性应用于检测出特征点上，指定这些特征点的方向。对于在尺度空间L(x,y,σ)上的特征点，其梯度的模值m(x,y)和方向θ(x,y)为：
在完成关键点的梯度计算后，使用直方图统计领域内像素的梯度和方向，梯度直方图将0-360度的方向范围分为36个柱，其中每柱10度，方向直方图的峰值则代表了该特征点处领域梯度的方向，以直方图中最大值作为关键点的主方向。
进一步，所述进行对齐处理，还包括：
根据sift特征点生成特征点描述子，所述特征点描述子不但包括关键点，也包含关键点周围对其有贡献的像素点；
确定计算描述子所需的图像区域特征，将坐标轴转载到关键点的方向，实际计算所需图像区域半径为：
其中，关键点附近的领域划分为d×d个子区域，每个子区域作为一个种子点，每个种子点有8个方向，每个子区域的大小与关键点方向分配时相同，即每个区域有3σ_oct个子像素；将坐标轴旋转为关键点的方向，以确保旋转不变性；将邻域内的采样点分配到对应的子区域内，将子区域内的梯度值分配到8个方向上，计算其权值。将旋转后的采样点坐标在半径为radius的圆内被分配到d×d的子区域，计算影响子区域的采样点的梯度和方向，分配到8个方向上；插值计算每个种子点八个方向的梯度；如上统计的4*4*8＝128个梯度信息即为关键点的特征向量；按特征点的尺度对特征描述向量进行排序，至此，特征点描述子向量生成。
进一步，所述对所述模版图像和所述样本图像对应区域的色调数据进行处理，还包括：
对所述模版图像和所述样本图像中对应的主要色调进行数据正太分布处理，以将主要色调数据中的异常值进行剔除。
进一步，所述将主要色调数据中的异常值进行剔除包括：
将落在±3σ以外的主要色调数据作为异常值，其中，σ为正太分布函数的标准差。
在实际应用中，模版图像中的主要色调为Ai(i＝0,1,2,3，……)，样本图像中的主要色调为Bi(i＝0,1,2,3，……)，选定Ai与Bi进行数据正太分布处理，将Ai和Bi中的异常值进行剔除。
正态分布函数公式如下：
如果一组测量数据中的某个测量值的残余误差的绝对值νi>3σ，则该测量值为坏值，应剔除。通常把等于±3σ的误差作为极限误差,对于正态分布的随机误差，落在±3σ以外的概率只有0.27％，它在有限次测量中发生的可能性很小，故存在3σ准则，其中，σ代表标准差,μ代表均值。
具体地，3σ准则是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。
这种判别处理原理及方法仅局限于对正太或者近似正太分布的样本数据处理，它是以测量次数充分大的前提。
3σ法则为：
数值分布在(μ-σ,μ+σ)中的概率为0.6827；
数值分布在(μ-2σ,μ+2σ)中的概率为0.9545；
数值分布在(μ-3σ,μ+3σ)中的概率为0.9973。
进一步，所述进行K-means处理，包括：
a)数据预处理，主要是标准化、异常点过滤。
b)随机选取K个中心，记为
c)定义损失函数为：
d)对于每个样本xi，将其分配到距离最近的中心：
e)对每一个类中心K，重新计算该类的中心：
f)令t为迭代步数，重复d)和e)过程直到J收敛。
在实际应用中，K-means最核心的部分是先固定中心点，调整每个样本所属的类别来减少J；在固定每个样本的类别，调整中心点继续减小J；两个过程交替循环，J单调递减直到最小值，中心点和样本划分的类别同时收敛。
进一步，所述通过颜色空间转换至CIE空间下的Lab值，包括：
将RGB平均值通过转换公式转换到XYZ，并在LAB空间下，得出在CIE空间下的Lab值，其中，转换公式为：
在实际应用中，RGB无法直接转换成Lab，需要先转换成XYZ在转换成Lab，即RGB-XYZ-Lab。
假设RGB为像素的三个通道，取值范围为[0,255]，RGG转换XYZ公式为：
XYZ转换Lab公式如下：
上面两个公式中，L*，a*，b*是最终的LAB色彩空间三个通道的值。X，Y，Z是RGB转XYZ后计算出来的值，Xn，Yn，Zn一般默认是95.047，100.0，108.883。
进一步，所述进行色差计算，包括：
以CIDE2000公式进行色差计算，所述CIDE2000公式为：其中，ΔE00为色差值，ΔL'为明度差，ΔC′ab为彩度差，ΔH′ab为色相差，SL，SC，SH为权重函数，KL，KC和KH为常数，RT为旋转函数。
通过以上算法不仅可以完成常规的数字图像色差对比，而且通过异常点剔除算法保证图像RGB精准提取和能够对多颜色区域和印刷质量不佳的烟盒进行精准的色差对比。该方法能够对多颜色区域进行快速的对比，在底纹印刷不佳而导致颜色提取不正常的情况下，进行聚类算法能够有效地规避底纹白点的情况下，精准的提取底纹颜色。
可见，本发明提供一种基于数字图像的卷烟包装材料色差检测方法，将待检牌号的卷烟包装材料的样本图像与模版图像进行色调数据进行比对，并根据相对应区域不同色调RGB平均值进行色差计算，以进行色差比对。解决现有卷烟包材料色差检测存在效率低和准确率不高的问题，能提高卷烟包材料的色差检测的准确性和效率。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。
Claims (11)
1.一种基于数字图像的卷烟包装材料色差检测方法，其特征在于，包括：
对各牌号的卷烟包装材料建立标准的模版图像数据库，设置图像采集装置对卷烟包装材料进行图像采集并进行对齐处理，以得到与模板图像对齐的样本图像；
获取待检牌号的卷烟包装材料对应的模版图像和所述样本图像，通过映射获取所述模版图像和所述样本图像的对应区域，并进行聚类算法处理得到主色调数据，以对异常数据进行剔除处理；
根据处理后的色调数据计算对应区域不同色调的RGB平均值，并通过颜色空间转换至CIE空间下的Lab值；
根据所述模版图像和所述样本图像对应区域的所述Lab值进行色差计算，并相应区域进行色差比对。
2.根据权利要求1所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述通过映射获取所述模版图像和所述样本图像的对应区域，并进行聚类算法处理得到主色调数据，包括：
选取所述模版图像的设定区域进行k-means聚类处理，聚类出该区域的主要色调数据；
根据所述模版图像的设定区域坐标进行映射到所述样本图像中，并对所述样本图像对应区域进行K-means处理，聚类出对应区域的主要色调数据。
3.根据权利要求2所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述进行对齐处理，包括：
对所述模版图像和所述样本图像搜索所有尺度上的图像位置，并识别潜在的对于尺度和旋转不变的特征点；
确定所述特征点的位置和尺度，并去除低对比度和不稳定的特征点；
基于图像局部的梯度方向，分配给每个所述特征点的位置一个或多个方向；
将检测出的含有位置、尺度和方向的所述特征点作为所述模版图像和所述样本图像对应的Sift特征点。
4.根据权利要求3所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述对所述模版图像和所述样本图像搜索所有尺度上的图像位置，并识别潜在的对于尺度和旋转不变的特征点，包括：
建立图像的尺度空间，以模拟图像的多尺度特征；
将二维图像的尺度空间L(x,y,σ)定义为原图像I(x,y)与一个可变尺度的二维高斯函数G(x,y,σ)的卷积，如下式所示：
L(x,y,0)＝G(x,y,0)*I(x,y)；
其中，σ表示尺度空间因子，以表征图像模糊平滑处理的程度，σ值越小表示图像被平滑的越少，(x,y)代表二维图像中的像素位置；
构建高斯差分尺度空间如下式所示：D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)＝L(x,y,kσ)-L(x,y,σ)；其中，k是一个表示相邻尺度空间倍数的常数；
SIFT将图像金字塔中每两组第二层和第三层图像的每一个像素点与其全部相邻的而像素点进行比较，如果该像素点均大于或小于其他图像域和尺度域的所有相邻像素点，则该像素点为极值点。
5.根据权利要求4所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述确定所述特征点的位置和尺度，并去除低对比度的关键点和不稳定的边缘响应点，包括：
通过尺度空间DoG函数进行曲线拟合寻找极值点，并剔除低对比度的特征点：
拟合函数为其中，X＝(x,y,σ)T；
对所述拟合函数求导，并令方程等于0，得以得到极值的偏移量为：
然后再把求得的Δx带入D(x)的泰勒展开式中，得到：其中，代表相对插值中心的偏移量；
当在任一维度上的偏移量大于0.5时，则意味着插值中心已经偏移到它的邻近点，必须改变当前特征点的位置；
进而在新的位置上反复插值直到收敛，在超出所设定的迭代次数或者超出图像边界的范围时，则剔除相应的点。
6.根据权利要求5所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述基于图像局部的梯度方向，分配给每个所述特征点的位置一个或多个方向，包括：
基于图像的局部特征，为每一个特征点分配一个或多个方向角度，通过SIFT算法将梯度方向的分布特性应用于检测出特征点上，并指定特征点的方向，对于在尺度空间L(x,y,σ)上的特征点，其梯度的模值m(x,y)和方向θ(x,y)为：
在完成关键点的梯度计算后，使用直方图统计领域内像素的梯度和方向，梯度直方图将0-360度的方向范围分为36个柱，每柱10度，方向直方图的峰值代表该特征点处领域梯度的方向，并以直方图中最大值作为关键点的主方向。
7.根据权利要求6所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述进行对齐处理，还包括：
根据sift特征点生成特征点描述子，所述特征点描述子包括关键点，及关键点周围对其有贡献的像素点；
确定计算描述子所需的图像区域特征，将坐标轴转载到关键点的方向，实际计算所需图像区域半径为：其中，关键点附近的领域划分为d×d个子区域，每个子区域作为一个种子点，每个种子点有8个方向，每个子区域的大小与关键点方向分配时相同，即每个区域有3σ_oct个子像素；
将坐标轴旋转为关键点的方向，以确保旋转不变性；
将邻域内的采样点分配到对应的子区域内，将子区域内的梯度值分配到8个方向上，计算其权值；
将旋转后的采样点坐标在半径为radius的圆内被分配到d×d的子区域，计算影响子区域的采样点的梯度和方向，分配到8个方向上；
插值计算每个种子点八个方向的梯度；
将统计的4*4*8＝128个梯度信息作为关键点的特征向量；
按特征点的尺度对特征描述向量进行排序，至此，特征点描述子向量生成。
8.根据权利要求7所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述进行K-means处理，包括：
数据预处理；
随机选取K个中心，记为
定义损失函数为：
令t为迭代步数，重复如下过程只到J收敛：
对于每个样本xi，将其分配到距离最近的中心：
对于每一个类中心k，重新计算该类的中心：
9.根据权利要求8所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述对异常数据进行剔除处理，包括：
将落在±3σ以外的主要色调数据作为异常值，其中，σ为正太分布函数的标准差。
10.根据权利要求9所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述通过颜色空间转换至CIE空间下的Lab值，包括：
将RGB平均值通过转换公式转换到XYZ，并在LAB空间下，得出在CIE空间下的Lab值，其中，转换公式为：
11.根据权利要求10所述的基于数字图像的卷烟包装材料色差检测方法，其特征在于，所述进行色差计算，包括：
以CIDE2000公式进行色差计算，所述CIDE2000公式为：其中，ΔE00为色差值，ΔL'为明度差，ΔC'ab为彩度差，ΔH'ab为色相差，SL，SC，SH为权重函数，KL，KC和KH为常数，RT为旋转函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311200861.XA CN117152461A (zh) | 2023-09-13 | 2023-09-13 | 一种基于数字图像的卷烟包装材料色差检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311200861.XA CN117152461A (zh) | 2023-09-13 | 2023-09-13 | 一种基于数字图像的卷烟包装材料色差检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117152461A true CN117152461A (zh) | 2023-12-01 |
Family
ID=88898800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311200861.XA Pending CN117152461A (zh) | 2023-09-13 | 2023-09-13 | 一种基于数字图像的卷烟包装材料色差检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152461A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495986A (zh) * | 2023-12-29 | 2024-02-02 | 宁波经纬数控股份有限公司 | 一种布料图案颜色采集方法及系统 |
-
2023
- 2023-09-13 CN CN202311200861.XA patent/CN117152461A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495986A (zh) * | 2023-12-29 | 2024-02-02 | 宁波经纬数控股份有限公司 | 一种布料图案颜色采集方法及系统 |
| CN117495986B (zh) * | 2023-12-29 | 2024-04-16 | 宁波经纬数控股份有限公司 | 一种布料图案颜色采集方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112881467B (zh) | 一种大尺寸复合材料损伤成像与定量识别方法 | |
| Leon et al. | Color measurement in L∗ a∗ b∗ units from RGB digital images | |
| US7751606B2 (en) | Tooth locating within dental images | |
| CN115294113B (zh) | 一种木饰面板质量检测方法 | |
| US8743137B2 (en) | Method for electronic color matching | |
| EP1814044B1 (en) | Paint pigment identification method, identification system, identification program, and recording medium thereof | |
| Liao et al. | Real-time detection of colour and surface defects of maize kernels using machine vision | |
| CN112541921B (zh) | 城市绿地植被信息数据化精准测定方法 | |
| KR100238960B1 (ko) | 색감측정장치 | |
| CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
| JP2012505485A (ja) | アイテム識別のための方法およびシステム | |
| Paliwal et al. | Classification of cereal grains using a flatbed scanner | |
| CN117152461A (zh) | 一种基于数字图像的卷烟包装材料色差检测方法 | |
| US20230349765A1 (en) | Apparatus and Method for Effect Pigment Identification | |
| CN109523505A (zh) | 一种基于机器视觉的陶瓷砖表面花纹缺陷检测方法 | |
| US20220381615A1 (en) | Method and Device for Identification of Effect Pigments in a Target Coating | |
| JP7387748B2 (ja) | テクスチャ品質の視覚による比較を取り入れた、エフェクト色の配合を見つけ、適合させるための方法および装置 | |
| CN110608685A (zh) | 一种基于树莓派的物体尺寸快速测量方法 | |
| CN112488997B (zh) | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 | |
| CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
| CA3132115C (en) | Method and system for defect detection in image data of a target coating | |
| Jahangir Alam et al. | Analysis of a printed complex image quality checking method of fabric cloth for development of an automated quality checking system | |
| Park et al. | Pattern recognition from segmented images in automated inspection systems | |
| Stokman | Robust photometric invariance in machine color vision | |
| CN111798442A (zh) | 一种白度测量方法及白度测量中的参数标定方法 |
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 |