（纺织工程专业论文）数字图像处理技术对纬编提花针织物花型的识别和意匠图自动生成的研究[纺织工程专业优秀论文].pdf

摘要 数字图像处理技术对纬编提花针织物花型的识别和意匠图 自动生成的研究 摘要 数字图像处理是关于数字图像信号处理的一门技术，近年来发展 很快。而属于数字图像处理范畴的图像分割技术在处理针织物，特别 是在对纬编提花针织物花纹的自动分割和识别方面发挥着重要的作 用。本文的目标就是把对纬编提花针织物图像的识别从灰度级别上升 到真彩级别，并且开创性地把基于模式识别上常用的均值漂移算法运 用到对纬编提花针织物图像的自动分割上来。 本文首先用数码相机获取了纬编提花针织物的彩色图像，并且运 用中值滤波和形态学处理方法，即腐蚀和膨胀来对图像进行预处理。 经过处理以后图像的噪点和杂色现象得到了较好的控制。 在纬编提花针织物图像的分割阶段，论文分别阐述了基于k - 均值 聚类算法、阈值分割算法和均值漂移算法来分别实现图像分割的原 理、上机实现方法和实验结果，接着基于这个过程对三种图像识别与 分割的算法进行了比较。采用上述三种方法分别生成2 至1 1 4 色共六种纬 编提花织物图像的分割效果图，通过实际效果的对比，得出均值漂移 算法是分割彩色纬编提花针织物图像的较优方案。 最后完成了基于均值漂移算法分割效果图之上的织物彩色意匠 图的自动生成。 摘要 在w i n d o w sx pp r o f e s s i o n 版本的操作系统平台上，利用v i s u a l c + + ，本实验完成了预处理和各种分割算法的软件编程，并且分别能 够实现对纬编提花针织物图像的分割而且保存它们处理的结果。最后 在m a t l a b 平台上，利用均值漂移算法分割织物图像生成的结果，实现 了织物意匠图的自动生成。 本文在完成实验目标的同时，还对各种实现方法进行算法思想、 实现过程以及分割效果的比较，在比较的过程中解决实验中的问题， 不断修正意匠图自动生成程序，利用多种编程软件简化实验。在论文 的最后，笔者展望了对于改进纬编提花针织物自动分析的三点看法。 本文只对划定区域的彩色纬编提花针织物进行了处理，取得的效 果基本和手绘的意匠图一致。但是对于规整性较差，色彩明晰度不佳 的织物，还需要作进一步的探讨。 关键词：图像分割，纬编提花针织物，k 均值聚类算法，阈值分 割算法，均值漂移算法，彩色意匠图 a b s t r a c t s t u d yo ni a 1 t e r nr e c o g n i t i o na n d a u t o m 嵴t i c a ln 0 1 陡t i o nc r e a t i o no fw e f r j a c q u a r dk n i t t e df a b i u cu s i n gd i g i t a l i m a g ep r o c e s s i n g t e c h n i q u e s a b s t r a c t d i g i t a li m a g ep r o c e s s i n gi s at e c h n o l o g yf o c u s i n go nt h ed i g i t a l i m a g es i g n a l ，w h i c hr a p i d l yp r o g r e s s e d i nr e c e n t y e a r s i m a g e s e g m e n t a t i o n w h i c hs u b o r d i n a t e s d i g i t a li m a g ep r o c e s s i n g t a k e s s i g n i f i c a n ti m p a c to na n a l y z i n gk n i t t e df a b r i c ，e s p e c i a l l yo np a t t e r n s e g m e n t a t i o na n dr e c o g n i t i o no fw e f tj a c q u a r dk n i t t e df a b r i c t h ea i mo f t h i sp a p e ri st oi m p r o v et h ei m a g er e c o g n i t i o no f m u l t i c o l o rw e f tj a c q u a r d k n i t t e df a b r i ci m a g ef r o mg r e yt o2 4b i t sc o l o r s i t c r e a t i v e l ya p p l i e s m e a n - s h i f ta l g o r i t h mw h i c hi s n o r m a l l yu s e do np a t t e r nr e c o g n i t i o nt o a u t o m a t i cs e g m e n t a t i o no fw e f tj a c q u a r dk n i t t e df a b r i ci m a g e t h ea u t h o rf i r s t l yo b t a i n e dt h e r e q u i r e d f a b r i ci m a g ev i ad i g i t a l c a m e r a ，a n d t h e n u t i l i z e dm e d i a n f i l t e r i n g a n dm a t h e m a t i c a l m o r p h o l o g yp r o c e s s i n g t o p r e t r e a t t h ef a b r i c i m a g e a f t e r t h e a b s t r a c t p r e t r e a t m e n t ，t h em o t t l ea n dn o i s eh a d b e e nw e l lc o n t r o l l e d o nt h ec o u r s eo fi m a g es e g m e n t a t i o n ，t h i sp a p e re x p l a i n e dt h e p r i n c i p l e sa n dt h em e t h o d so ft h ei m a g es e g m e n t a t i o nw h i c hw e r eb a s e d o nk - m e a nc l u s t e r i n ga l g o r i t h m ，t h r e s h o l da l g o r i t h ma n dm e a n s h i f t a l g o r i t h mr e s p e c t i v e l y , t h e nc o m p a r e dt h e s et h r e ei m a g es e g m e n t a t i o n a l g o r i t h m sb ys e g m e n t e di m a g e sw h i c hb a s eo nt o t a l6k i n d so ff a b r i c s v a r y i n gf r o m2 c o l o r st o4c o l o r s i tw a sf o u n do u tt h a tt h eb e s tw a yt o s e g m e n tc o l o r e dw e f tj a c q u a r dk n i t t e df a b r i cw a s m e a n - s h i f ta l g o r i t h m i nc o n c l u s i o n ，t h i sp a p e rc r e a t e dc o l o r e dk n i t t i n gn o t a t i o nb yt h e i m a g ew h i c hp r o c e s s e db ym e a n s h i f ta l g o r i t h mo ft h ew e f tj a c q u a r d k n i t t e df a b r i c o nt h ep l a t f o r mo fw i n d o w sx pp r o f e s s i o n ，t h i se x p e r i m e n tu s e d v i s u a lc + + t oc o m p l e t et h ep r e t r e a t m e n ta n dc o d et h es o f t w a r eo ft h e s e t h r e es e g m e n t i n ga l g o r i t h m s ，a n dr e a l i z e dt h eo b j e c tt od os e g m e n t a t i o n o ff a b r i ci m a g eb yt h es o f t w a r et h a th a db e e nc o d e d a tl a s t ，o nt h e p l a t f o r mo fm a t l a b ，i tc r e a t e dc o l o r e dk n i t t i n gn o t a t i o na u t o m a t i c a l l yb y t h ei m a g ew h i c h p r o c e s s e db yt h es o f t w a r eb a s e d o nm e a n s h i f ta l g o r i t h m o ft h ew e f tja c q u a r dk n i t t e df a b r i c i na d d i t i o n ，i no r d e rt oa c h i e v et h ep a p e r so b j e c t ，i ta l s oc o m p a r e d t h e s et h r e ew a y st h r o u g ht h e i ra l g o r i t h m s ，r e a l i z i n gp r o c e s s e sa n d s e g m e n tr e s u l t s i ts o l v e dp r o b l e m sa n dm o d i f i e de r r o r so ft h ep r o g r a m d u r i n gt h ec o m p a r i s o n a tt h ee n do ft h i sp a p e r , t h ea u t h o rp o i n t e do u t a b s t r a c t t h r e eo p i n i o n st oi m p r o v et h ea u t o m a t i ca n a l y s i ss y s t e mf o rw e f t j a c q u a r d k n i t t e df a b r i c t h i sp a p e rd e a l tw i t ht h ew e f tj a c q u a r dk n i t t e df a b r i ci nt h eg i v e n i m a g ea r e a ，a n dc r e a t e dc o l o r e dk n i t t i n gn o t a t i o na u t o m a t i c a l l ya c c o r d i n g t ot h ef a b r i ci m a g e ，b u ti t se f f e c tw a sn o ts op e r f e c tw h e nt h ef a b r i c s t r u c t u r ew a sn o tw e l lk n i t t e da n di t sc o l o rw a sn o tw e l ls c a n n e d t h i s s h o u l db ed e e p l ys t u d i e dl a t e r y a n g p e i y u ( t e x t i l ee n g i n e e r i n g ) s u p e r v i s e db yl o n g h a i - r u k e yw o r d s i m a g es e g m e n t a t i o n ，w e f tj a c q u a r dk n i t t e df a b r i c ， k - m e a nc l u s t e r i n ga l g o r i t h m ，t h r e s h o l da l g o r i t h m ，m e a n s h i f ta l g o r i t h m ， c o l o r e dn o t a t i o n 东华大学学位论文原创性声明 本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位 论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除 文中已明确注明和引用的内容外，本论文不包含任何其他个人或集体 已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对 所写的内容负责，并完全意识到本声明的法律结果由本人承担。 学位论文作者签名：栅副劳 日期刀7 年r 月，日 东华大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同 意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允 许论文被查阅或借阅。本人授权东华大学可以将本学位论文的全部或 部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复 制手段保存和汇编本学位论文。 保密口，在年解密后适用本版权书。 本学位论文属于 不保密回。 学位论文作者签名： 棍瓣谬 醐：干1 月，日 指导教师签名：丸c 幻即 吼7 年月彦日 第一章绪论 第一章绪论 1 1 数字图像处理技术基本知识介绍 1 1 1 数字图像处理技术概述 1 1 1 1 数字图像 “图 是物体透射光或者反射光的分布，“像 是人的视觉系统对图的接收在 大脑中形成的印象或认识，所以把“图 和“像 综合起来就是：图像是用各种 观测系统以不同形式和手段观测客观世界而获得的、可以直接或间接作用于人眼 并进而产生视知觉的实体【1 1 。根据图像形式或产生方法有多种分类方式：从人眼的 视觉特点上可将图像分为可见图像和不可见图像：按波段多少图像可分为单波段、 多波段和超波段图像；按图像空间坐标和明暗程度的连续性可分为模拟图像和数 字图像。 本文涉及的是数字图像的处理，所谓数字图像，就是说可以将该图像定义为 一个二维函数或三维函数，当空间坐标和幅度值为有限、离散的数值时称该图像 为数字图像。数字图像是由有限的元素组成的，因其有限性而给数字图像的处理 提供了可能性。每个元素的坐标代表场景点的位置，而元素的值代表场景点的某 个特征量，这些元素称为图像元素i 2 。 1 1 1 2 数字图像处理 对图像进行的一系列的操作以达到预期目的的技术称为图像处理。图像处理 可分为模拟图像处理和数字图像处理两种方式。利用光学、照相和电子学方法对 模拟图像的处理称为模拟图像处理。数字图像处理，简称为图像处理，是指利用 计算机来处理数字图像，从而获得某种预期结果的技术，因而又称为计算机图像 处理。同模拟图像处理相比，数字图像处理具有精度高、再现性好、通用性强、 灵活性高等优点。 早期利用计算机进行数字图像处理，- i 要是刚宋改善图像的质量，它以人为 第一章绪论 主体，以改善人的视觉效果为目的。输出的是经过质量改善以后的图像，它主要 采用的处理方法有图像的增强、复原、压缩和编码等，而现在采用的计算机来处 理数字图像则一般以机器为对象，处理的是使计算机或者机器能够自动识别的对 象，称为图像识别，图像识别输入的是经过质量改善以后的图像，也就是经过预 处理的图像，它输出的是对图像中目标或者对象进行分类和识别的结果。图像识 别的过程包括图像的预处理、图像的分割、特征提取和图像的分类，一般流程如 图1 1 所示1 3 l ： 图1 - 1 图像识别一般流程 1 1 2 数字图像处理技术在纺织行业的应用现状 数字图像处理技术渗透在纺织测试和织物自动识别等方方面面，改变了纺织 行业中传统的手工操作流程，大大提高了工作效率，解决了许多纺织测试中的难 题，这也预示着应用数字图像处理技术解决纺织中的一些难题是将来的发展趋势。 目前，对于纺织行业数字图像处理的应用性研究主要集中在以下四个方面： 1 1 2 1 织物的质量控制 纬编添纱织物在编织过程中，很容易出现跳纱现象。东华大学张佩华老师等， 利用v b 编程工具开发了自动测定添纱组织跳纱程度的测试软件，其基本思想是对 添纱织物的灰度图像进行阈值分割，即图像的二值化。它首先根据地纱和面纱颜 色的不同取值来定义背景色的阈值，从而使面纱和地纱在织物图像上进行有效的 分离；接着根据地纱的色值来定义图像的阈值，从而使面纱分离出来。两次分离 可以分别计算出地纱和面纱在图像上的像素点数目，根据地纱和面纱像素点之间 的比值关系可以得到测量跳纱程度的值【4 j 。 青岛大学关于织物疵点检测的相关研究也利用了图像处理的相关知识，其原 理大致是首先利川数学形态处理方法和阈值分割的原理对区域信息进行增强，再 用陶像：二值化的方法将含有疵点的织物数字图像进子j ：处理，经过合适的取值，可 以做剑将矿常织物和疵点转化为不同数值的值图，这样，疵，一j 川l l 移! ( t ! g t 物照片 第一章绪论 上所占的面积就很直观了，通过面积指数的对比，可以得出疵点检测的最终结果 。i 【5 】 守。 o 东华大学在关于织物平整度的评估中也引入了图像处理的思想，关于织物平 整性( 表观性能) 以前一般都是经过a a t c c 的标准试验方法试验后，通过操作人 员比对标准样卡而得出结论。运用图像处理的方法来提取织物的折皱参数，实际 上是一个模式识别的过程，传统方法是用特征参数和织物外观等级的线性关系来 进行评估，但是两者之间的相关性往往没有到达线性的程度，所以，该方法采用 了b p 神经网络的方法来对特征参数进行模式的识别，是一种很好的思删剐。 1 1 2 2 评价织物的起毛起球性 采用数字图像分析技术，代替人工目测，可以实现快速、简便、客观的织物 起毛起球性能的评定，而且，各种理论如神经网络、模糊理论和模式识别等的不 断发展和完善，为起毛起球评定的准确性提供了很好的保证。 天丝纤维，也称为l o y c e l l 纤维，毛羽和起球现象十分严重。苏州大学材料工 程学院对此进行了相关的研究，首先将起球l o y c e l l 织物图像经过初步处理以后通 过二值化使毛球与背景分离，再通过腐蚀、膨胀处理处理来消除图像上面不必要 的噪点。这样，从处理后的图像上两种色值( 毛球和正常织物的色值) 所占像素 点的数值和方位可以得出小球总数、小球平均面积、织物中小球的面积百分比和 小球的大小分布1 7 。 关于起毛起球，国外也有一种客观评定起球现象的方法，首先对图像进行阈 值处理，然后与标准图像进行比较，建立小球数量等级模型，建立模型的方法除了 空间域，还有一种频谱结构特征也可用来评定织物的质量。这种评定是通过计算 一个评定特性而得到的，这个评定特性采用了专门为针织物设计的傅里叶掩模的 傅里叶变换而得到，它可以将图像上的针织物组织背景与绒毛以及小球有效地分 离开【8 l o 利用图像处理来进行针织物的起毛评测也已经有了不少的研究。香港理工大 学和东华大学都有过类似的研究，主要步骤也与起球分析相同，首先根据纱线主 体和毛羽部分的灰度与线圈i 日j 空隙部分灰度值之间的差异来设定阂值进行二值 化，从而使毛羽与背景分离。其次足利用形态学上腐蚀和膨胀的算法，即膨胀运 第一章绪论 算可以去除毛羽，腐蚀运算可以去除纱线使毛羽清晰，从而使需要的目标分离。 最后就是根据处理好的图像进行特征值的提取【叭。 1 1 2 3 测量织物的结构参数 图像处理技术在测定织物结构方面的研究比较充分，它主要分两个部分，一 个是密度方面，另一个是组织结构方面。 在测定密度方面，东华大学和天津大学都做了不少工作，首先通过数字图像 处理技术和傅里叶变换求出针织物结构的周期性特征，进而测量出针织物的密度 参数，而且可以测量出纬平针织物的线圈长度和面积孔隙率，后者可以作为反映 织物紧密程度的参数，最后根据所测出的线圈长度和纱线的线密度指标可以很容 易地计算出织物的未充满系数和编织密度系刿1 0 l 。 在测定组织结构方面，相关的文献就更多了。经过阈值化和相关的形态学分 析，可以建立计算机图像分析系统，进而简单地分辨原组织结构1 1 l 】；利用二维小 波分解的方向选择性和机织物由经、纬纱垂直交织的特性，采用小波算法对织物组 织图像进行处理，可将织物中的经向和纬向的信息在图像中显示出来，进而对织物 的纹理进行多频道的分解【1 2 l ；利用b p 神经网络算法的学习特性和二维离散正交小 波变换的纹理分割作用，可以建立起组织结构参数智能识别系统等等【1 3 l 。 1 1 2 4 织物图案的设计与分析 针织企业中遇到来料加工时，通常需要对针织物的彩色花纹进行分析，然后 把彩色花纹图转化为意匠图。传统的操作是由有经验的技术人员手工完成，费时 费力。江南大学在研究中发现将扫描后的图像进行均值滤波去除噪声，再采用基 于集群分析的k 均值聚类算法将多种颜色量化为需要的几种颜色，实现了将灰度 花纹图像进行分割的目的i l 引。 上文中提到的颜色量化问题，在提花织物的c a d 中有着广泛的用途，所谓色 彩的量化主要包括聚类分析技术和区域分割技术。武汉科技学院纺织与材料学院 在量化模型上做了大量的工作，研究结果可以将包含许多冗余信息的真彩色量化 到1 6 色水平，这与灰度级别有了很大的区别，所以是一种比较町贵的创新1 1 5 j 。 再种纺织品c a d 系统中，一个最t 要的j j 能缝织物外脱的模拟，即织物外观真 第一章绪论 实感图像的生成。所谓真实感图像，是指由计算机生成的能够反映物体表面特性的 图像，因此反映物体的几何形状和物体之间的相互关系、物体表面的颜色和亮度 变化、物体的质感、镜象效果、透明效果是真实感图像的基本特点。西安工程科 技学院纺织学院研究生成的光反射模型，通过选择合适的参数，可以计算出织物 表面每一点反射到视点的光强，然后在计算机屏幕上进行显示，得到织物的真实感 图像【1 6 】。 1 2 图像分割技术基本知识介绍 1 2 t 图像分割概述 图像分割是图像处理与机器视觉必不可少的重要环节，它是图像处理到图像 分析的关键步骤，也是一种基本的计算机视觉技术。这个环节质量的好坏，直接 关系甚至决定了其他后续处理如图像识别等工作的质量。经过图像分割以后的数 字图像在同类的区域内具有相同或相近的特征性质，而在不同类的区域间的图像 特征具有明显的差异。 简单地说，图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的 技术和过程。图像分割结果的表现形式有三种：灰度归类、边缘检测和匹配分割。 灰度归类，指按某个灰度值将灰度图像所有像素分成不同的类别，阈值分割就是 典型的灰度归类。边缘检测，就是检测出区域和区域之间的边界线，将目标区域 和背景分离。匹配分割，就是从原始图像中分离出满足一定性质条件的区域来， 即获取该区域在原始图像中的位置坐标【1 7 彩】。 一个借助集合概念对图像分割给出的定义如下【2 6 1 ： 令集合尺代表整个图像，对r 的分割可看作将r 分成n 个满足以下五个条件的非 空子集( 区域) r l 皿2 ，尺。： ( 1 ) u r 。= r ； i - l ( 2 ) 对所有的f 和_ ，f 布，有r n 尺= 巾； ( 3 ) 对f = 1 ，2 ，甩，有p i r ) = t r u e ； ( 4 ) 对i 甸，p ( r ，u 尺，) = f a l s e ： 第一章绪论 ( 5 ) 对f = 1 ，2 ，n ，r f 是连通的区域。 其中p ( r i ) 是对所有在集合风中元素的逻辑谓词，m 代表空集。 条件( 1 ) 说明图像中的每个像素都被分进某个区域，即所有区域的并集就是原 图像；条件( 2 ) 说明分割结果中各个区域是互不重叠的，或者说一个像素不能同时 属于两个区域；条件( 3 ) 说明每个区域都有自己独特的性质，或者说属于同一个区 域中的像素应该具有某些相同特性；条件( 4 ) 说明不同区域具有不同的性质，或者 说属于不同区域的像素应该具有一些不同的性质；条件( 5 ) 要求结果中同一区域内 的像素按某种准则是连通的，满足以上五个条件就是对图像的分割。 1 2 2 图像分割的分类 图像分割是将图像分割成不同的区域，区域内部的像素具有相似性，但是不 同区域的边界却具有不连续性。所以分割算法可据此分为二类：基于边界不连续 性的算法和基于区域连续性的算法1 1 ，冽。 又根据算法在实现方法上的不同，可分为并行算法和串行算法。在并行算法 中，各种计算和判断都可独立和同时进行，计算速度较快；串行算法中，前面计 算的结果将被后面的计算利用，过程控制较复杂，运算时间较长。 两两组合可以形成以下四种算法： ( 1 ) 并行边界类： 基于边界不连续性进行分割并可并行实现的一类方法。这类方法中主要使用 的是边缘检测算子法，用算子模板和图像做卷积，以检测出图像各区域的边界， 从而达到分割的目的。 边缘检测算子根据一阶导数和二阶导数设计，常见的一阶导数算子有tr o b e r t s 算子、p r e w i t t 算子、s o b e l 算子等，而图像由于是一个二维平面，有二个一阶导数， 所以上述算子都是成对出现的，一个表示对垂直方向的一阶导数，一个表示对水 平方向的一阶导数；二阶导数算子常见的有拉普拉斯算子和高斯拉普拉斯算子。 基于平行边界方法的还有边缘拟合法、h o u g h 变换法等。 ( 2 ) 串行边界类： 这类方法一般不是独立的，而是在i ，j 种川微分算子对图像进行卷积运算后， 对梯皮图像的边缘点进行连接的算法。 i 嘤仃边界芷艇踪、曲线拟合、状态空叫搜 第一章绪论 索等方法。 ( 3 ) 并行区域类： 这类方法是用并行的方法通过对目标区域的检测来实现图像分割的技术，这 类方法中主要有两类，一类是阈值分割的方法，还有一类是特征空间的聚类法。 阈值分割有基于一维直方图以及二维直方图的两种分割方法。 一维直方图一般是对原图像灰度值的累加统计，横轴为灰度值，纵轴是与灰 度值对应的像素个数。由于一般目标区域和背景区域面积较大，像素较多，所以 它们对应直方图中的峰，而目标区域和背景区域的边界像素较少，对应直方图中 的谷。基于一维直方图的阈值分割法就是把谷找出来，与谷对应的灰度值就是阈 值，根据这个阈值就可实现图像的分割，本实验中应用到的迭代阂值、峰谷阈值 和半阈值分割都是基于此而实现的。 特征空间的聚类法，除了灰度和梯度及平均灰度外，其他图像特征也可用作 分割特征。特征空间聚类法一般不采用阈值法，而采用聚类分析的方法，常用有 均值聚类法、i s o d a t a 聚类法等，基于b p 神经网络的方法也可并入这一类，本实 验中运用到的k 均值聚类就是基于特征空间的聚类法。 ( 4 ) 串行区域类： 这类方法通过串行的策略直接对图像区域进行检测，从而达到分割图像的目 的。它有两种基本形式：逐步合并和逐步分裂。逐步合并的步骤是：根据给定的 一个种子点，逐个与周围像素进行比较，将差值在设定阈值内的像素归入目前的 区域，如此重复，直到周围没有满足要求的像素，逐步分裂的过程则正好相反。 除了比较单个像素的灰度值外，也可设定一个一定大小的窗口，比较相邻窗 口的特征分布是否相同，这种方法也称统计假设检测法。这些特征可以是灰度值， 也可以是其他特征，如方差等，这时不仅可以对灰度图像或彩色图像进行分割， 还可对纹理图像进行分割。 本实验最终采用的聚于均值漂移的分割算法就是很典型的一种比较窗体的串 行区域的算法。 1 2 3 彩色图像分割 现有的人多数图像分割算法都基于狄度级别1 2 7 1 ，f 如以匕介绍的很多分割算 第一章绪论 法，它们对灰度级别数字图像的背景分割效果均十分理想。但是灰度图像的颜色 信息在很多颜色要求比较高的领域，比如服装和纺织领域还是满足不了日常的应 用，所以近年来彩色图像分割技术在纺织领域越来越得到重视。 彩色图像分割算法与灰度图像分割算法相比，大部分分割思想是一致的。但 彩色图像包含更丰富的信息，并有多种颜色空间的表达方式，因此分割算法有所 不同，原用于灰度图像分割的方法并不适合于直接分割彩色图像【2 8 1 。现已提出的 彩色图像分割方法主要包括聚类法1 2 9 , 3 0 | 、熵阈值与博弈论标记结合法1 3 、区域分 裂合并【3 2 矧、区域生长、松弛以及边缘检测等等【刎。将基于种子的区域生长法f 矧 和基于主动轮廓模型的方法f 3 5 】结合也可以分割彩色图像i 蚓。利用神经元网络的方 法在分割单元线圈上也已经有了研究【3 7 l 。 在实际应用中，可对彩色图像的各个分量进行适当的组合转化为灰度图像， 然后利用灰度图像的分割算法进行分割。另外彩色图像可看作多频谱图像的一个 特例，所以适用于多频谱图像的分割方法也可以用于彩色图像分割。彩色图像分 割算法的关键在于如何利用丰富的彩色信息来达到分割的目的。综合来说，要分 割一幅彩色图像，首先要选择好合适的颜色空间，其次要采用适合于此空间的分 割策略和方法。 1 2 4 彩色图像分割的颜色空间 1 2 4 1r g b 颜色模型 在众多颜色模型中r g b 颜色模型是最常用的，大多数图像都是以r g b 形式 存储在计算机中。一幅彩色图像在计算机中被表示为一个三维矩阵，每一个像素 的颜色由r 、g 、b 三个分量共同表示。在r g b 颜色模型中，所表示的图像由3 个图像分量组成，每一个分量图像都是其原色图像。 在r g b 颜色模型中，每种颜色出现在红、绿、蓝的原色光谱分量中，这个 模型基于笛卡几坐标系统，所考虑的彩色子空间是图1 2 所示的立方体。 第一章绪论 图1 - 2r g b 模型笛譬儿坐标不意图 图中，r ，g ，b 位于三个角上；青，赭和黄位于另外3 个角，黑色在原点处， 白色位于离原点最远的角上。在该模型中，灰度等级沿着这两点的连线分布。在 本模型中，不同颜色处在立方体上或其内部，并可用从原点分布的向量来定义。 为方便起见，假定所有的颜色值都归一化，则图1 2 所示的立方体就是一个单位立 方体，即所有r ，g ，b 的值都在【o ，1 】范围内取值。 r g b 颜色系统对硬件实现很理想，另外r g b 系统与人眼很强地感觉红、绿、 蓝三原色的事实也能很好地匹配。但是，一般不认为彩色图像是由3 幅原色图像 合成的一幅单一图像，而且，r g b 系统只能表示c i e 色度图中r 、g 、b 三点构 成的三角形区域内的颜色。因此，在大多数图像处理中不直接使用r g b 颜色空间 模型进行图像处理操作，而是将其转换到其他颜色空间。 一 1 2 4 2c i ex y z 和c i el u v c i e x y z 色度图所用的三基色单位为【x 】、【y 】、【z 】，任何一种颜色都可以用 三基色中的颜色单位来表示，即 c = x l 【x 】4 - y l y 】4 - z 1 【z 】( 1 1 ) 其中，x 1 ，y l ，z 1 为三个色系数，在选择三基色单位i x 、【y 】、【z 】的时候，必须满 足以下三个条件来克服r g b 颜色模型的弊病： ( 1 ) 当它们配出实际色彩的时候，三个色系数都是正值： ( 2 )为了方便计算，亮度仅由y 。【y 】一项决定，并且规定y ，【y 】的光通量为一 光瓦，也就是说另外两个肇对光的亮度没有贡献，但是合成光的色度仍然是由【x 】、 【y 】、【z 】的比值束决定的： 第一章绪论 刚麓蒜鬻心 m 2 ， 其中，m = x l + y 1 + z 1 ，x = x l m ，y = y d m ，z - z 1 m ，显然，x + y + z = 王。 需要说明的是，【x 】、【y 】、【z 】只是计算量，是一种假想的三基色，它不能够 c i e _ l u v 是本实验基于均值漂移算法所依赖的色彩模型，它是一种分布均匀 c 匝i ，i7 v 的转换公式如下： l - - 1 1 6 ( y 匕) ；一1 6 _ y 0 0 1 ( 1 4 ) 三。= 9 。3 3 ； i y _ 尽可能采用弱捻纱，可以减轻纬编提花针织物的纵向歪斜度； 采用s 捻纱和z 捻纱一间一的间隔配置，基本可以使纵斜消失，但是会使 纬编提花针织物的布面纹路不清； 浓碱和丝光处理单面纬编提花针织物； 特殊工艺的后整理，着重在减少纱线内应力方面考虑。 2 3 实验选取试样的要求 ( 1 ) 规整性要求 2 2 节里面分析了对纬编提花针织物线圈规整性影响的因素，因此，对那些受 规整性影响因素影响较大的布样尽量舍弃。总体上来说，选取的布样应该： 布面平整，因为实验过程是一个二维图像的处理过程； 织物纹理清楚，没有污迹； 尽量选用同质纱线形成的纬编提花针织物以减少纬斜影响； 尽量选用弱捻纱形成且经过后处理的纬编提花针织物以减少纵斜影响。 ( 2 ) 色彩要求 本实验是一个多方求证最后得到结果的实验，要在综合比较的情况下得到一 定的结论，因此，样本的采集工作十分重要，在日常的生活中，使用最多的是两 色或者三色的提花组织，本实验针对三种分割方法分别用多种式样来进行分割， 具体见下表： 第二章纬编提花针织物规整性影响冈索及其图像的预处理 表2 - 1 分割实验样本说明 k 均值聚类二色，三色灰度级别纬编提花针织物 阈值分割二色，三色灰度级别纬编提花针织物 均值漂移二色，三色，四色真彩纬编提花针织物 2 4 纬编提花针织物图像的预处理 通过数码相机取得的图像，不能够完全适合图像处理的需要。在数字图像中 含有噪点，需要进行滤波处理的方法来去除；在图像中有些不必要的信息需要去 除，有重要的信息需要加强，这就需要形态学的处理方法；而经过滤波和形态学 处理以后，取得的织物图像还必须保证线圈横列和纵行之间的相互垂直，而且组 织结构明显。 2 4 t 噪声的消除中值滤波 中值滤波也称为均值滤波，它是一种图像空间域滤波增强技术i 。 图像的空间纹理信息可以反映图像的物理位置、形状、大小等特征，而这些 特征可以通过一定的物理模式来描述。例如，物体的边缘轮廓由于灰度值变化剧 烈，一般呈现高频率特征，而一个比较平滑的物体内部由于灰度值比较均一则呈 现低频率特征。 对图像的高频增强为高通滤波，可以突出物体的边缘轮廓，从而起到锐化图 像的作用，因此也称为锐化滤波。从频率域的角度讲，它能减弱甚至消除图像的 低频分量，保留高频分量，故称为高通滤波。 相应地，低通滤波则是对图像的低频部分进行增强，它可以对图像进行平滑 处理，一般用于图像的噪声消除，因此也称为平滑滤波。从频率域的角度讲，它 可以减弱甚至消除图像的高频分量，而保留低频分量，故称之为低通滤波。滤波 技术按照所在的空间不同，可以分为空i 、日j 滤波和频率域滤波，锐化滤波和平滑滤 波一般在空间域进行，高通滤波和低通滤波则一般在频率域进行。 用3 3 的模板得到的平滑图像均值滤波法是平滑滤波的一种，一般用于消除 h 像中的随机噪声，从而起到图像平滑的作j f 】均值滤波法是将一个像素及其邻 第一午纬# 埕坝蜘惶h # 目h 女儿幽像 域- 啪所钉像素的平均值北给输h l q 叶q 应的像素，从向逃到f 滑去噪的日的。 需要说明的是，中值滤波足种i f 线性的信寸处理方往，它使川灰度的下均 值柬替代原值，所以说，它是种基于扶度图像的上噪平滑的方法。如图2 5 ，该 二色纬编提花引织物图像在经过中值滤波以后噪声现象得到j - 很蚶的控制。 例2 - 4 二色纬编提花针织物灰度幽幽2 - 5 滤波后织物幽像 242 形态学处理方法腐蚀和膨胀 数学形态学是分析几何形状和结构的数学方法，是建立在集台代数基础卜， 用集合论方法定量描述几何结构的科学。它由一组形忐学的代数运算于组成，最 基本的形态学运算千有腐蚀和膨胀”i 。 r 1 1 腐蚀 图像数学形态学中腐蚀具有收缩图像目标的作用，通过适鼍的选取结构元素 可以将两个或多个比较接近、不易分辨的图像r 标依扶度收缩，使日标分离，便 j 一轮廓的提取，利用结构儿索g 对信号f 进行腐蚀，其算法为： ( ，p g ) ( j ) = m a x y ：g + yc c ， ( 2 - 1 ) 腐蚀在数学形忐学运弹中的作丌1 足消除物体边界血；如粜结构元素敬3 3 的 范吲，腐蚀将使物体的边界沿心边减少 体土除，这样选取不问大小的结 = 儿誊 个像采i 腐蚀u r 以把小于结构儿素的物 就- ，以、掉小州人小的物体。如果两个 物体j n 细小的连通，月b 么 结构儿襄址够) 1 1 卜j 咀过j j ；5 蚀遥算可以将鹏个物体 分”这点对于k 均值聚类，带口。坼确，tj 狮一曲! 的时候￥i 比较事篮的意义。 ( 二) 嘭1 1 k 帮一纬编雄托“l 物舭整悱# 女止j 目像m 目 图像膨胀是吲像膈蚀帕对偶运算，具有扩人图像目标的作用，利用结构元素g 对信号f 进行膨胀，其算法如下 ( ，o g ) ( x ) = m i n y ：( g “扛+ y ，fj( 2 - 2 ) 膨胀运算在数学形态学中的作用是把图像周围的背景点合并到物体中。但是 如果两个物体之间距离比较近那么膨胀运算- 叮能会使这两个物体连通存一起， 膨胀对填补图像腐蚀后物体中的空洞很有用。 l i 值滤波、腐蚀和嘭胀对灰度级别图像分割的预处理有r 分重要的意义。 243 图像矫正和截取p h o t o s h o p 后处理 般束| 兑，通过数码相机直接得到的提花织物图像的线圈横列不可能完全平 行于图像的上沿，同理，它的纵行也不可能完全垂直于图像上沿，这就要求在抉 取蚓像以后进行必要的处理，使之纵行与横列之怕j 十月互垂直，并且横列与图像卜 沿严格平行。而且实验处理的图像只需要在实际拍摄照片当中截取一个完整的花 型。帕荚的图像处理软件很多，在实验过程巾使用了p h o t o s h o p 来先成这一步的预 处理，h27 为调整好供分割使用的图像。 幽26 二色纬编提花针织物实拍幽凹27 蛹祭 j 的目像 第三章k 均值聚类对纬编提花针织物图像的分割探讨 第三章k 一均值聚类对纬编提花针织物图像的分割探讨 3 1 k 均值聚类和模糊k 均值聚类 3 1 1k - 均值聚类( h c m ) 简介 k - 均值聚类，即c 均值聚类，已经应用到各种领域。它的核心思想如下：算 法把n 个向量而( j = 1 ，2 ，1 ) 分为c 个组g i ( i = l ，2 ，c ) ，并求每组的聚类中心，使得 非相似性( 或距离) 指标的价值函数( 或目标函数) 达到最小当选择欧几里德 距离为组j 中向量视与相应聚类中心c i 间的非相似性指标时，价值函数可定义为： j 。驴荟。渺_ ”2 、 ( 3 - 1 ) 这里瓜一罗( 罗0 以一c ，8 2 ) 是组i 内的价值函数。这样 的值依赖于g i 的几何特 箭量籀i 性和c ；的位置。 一般来说，可以用一个通用距离函数d ( x k ，c i ) 代替组i 中的向量x k ，则相应的 总价值函数可表示为： 几驴乳翟( 驴c m 为简单起见，这里用欧几里德距离作为向量的非相似性指标，且总的价值函数表 示为公式( 3 - 1 ) 。 划分过的组一般用一个c x n 的二维隶属矩阵u 来定义。如果第j 个数据点x j 属于组i ，则u 中的元素u i i 为1 ；否则，该元素取0 。一旦确定聚类中心c i ，可导 出如下使公式( 3 1 ) 最小u i j ： f 1 对每个七f ，如果忙一c 川2s 忙，一c 。n u i j 。 ” 【o 其它 ( 3 3 1 需要注意的是，如果c i 是x j 最近的聚类中心，月| 5 么x j 属于组i 。由于一个给定 敏刷 能属于一个绢，所以隶属钳i 阵ul 有如卜，质： 第三章k 均值聚类对纬编提仡针织物图像的分割探讨 且 c y = 1 ， 智。 v j = 1 ，z c厅 “玎= 刀 1 - - 1 j - 1 ( 3 4 ) ( 3 5 ) 另一方面，如果固定u i j 则使公式( 3 3 ) 最小的最佳聚类中心就是组i 中所有向量 的均值： 铲南。譬t ( 3 - 6 ) 这里i g ；i 是g i 的规模或悖i = ：。“ 。 以下给出数据集x i ( i = 1 ，2 ，n ) 的k - 均值算法；该算法重复使用下列步骤， 确定聚类中心c i 和隶属矩阵u ： ( 1 ) 初始化聚类中心c i ，i = 1 ，c ，典型的做法是从所有数据点中任取c 个点。 ( 2 ) 用公式( 3 - 3 ) 确定隶属矩阵u 。 ( 3 ) 根据公式( 3 - 1 ) 确定价值函数，如果它小于某个确定的阀值，或它相对上次 价值函数值的改变量小于某个阀值，则算法停止。 ( 4 ) 根据公式( 3 - 4 ) 修正聚类中心，返回( 2 ) 。 该算法本身是迭代的，且不能确保它收敛于最优解。k 均值算法的性能依赖于 聚类中心的初始位置，所以为了使它可取，要么用一些前处理方法求较好的初始 聚类中心；要么每次用不同的初始聚类中心，将该算法多次运行。 3 1 2 模糊k 一均值聚类( f c m ) 简介