【集萃網(wǎng)觀察】隨著機器視覺技術(shù)在紡織行業(yè)的應用,采用機器視覺方法來檢測紡織品印花圖像的印花精度已受到人們的重視,因此選擇合適、精確的圖像分割方法顯得尤為重要。在印花中各套色之間的對花精度是一個重要的指標,它不僅直接影響印花產(chǎn)品的質(zhì)量,也會限制車速等技術(shù)參數(shù)。在生產(chǎn)過程中,由于受到隨機干擾因素的影響,不可避免地出現(xiàn)“錯花”、“跑花”現(xiàn)象。目前生產(chǎn)中主要是依靠人工目測進行對花精度的檢測。 目前,針對紡織品印花圖像的分割,大部分是基于顏色聚類的方法來實現(xiàn)的,例如mean-shift[1]算法,K-mean 聚類[2]等。其特點是:只考慮到顏色的信息,對空間的信息考慮較少;在紋理較為明顯的情況下,分割效果不理想。JSEG[3]是Deng 等提出的一種同時考慮了圖像的顏色信息和空間信息的彩色圖像分割[4 - 5]的方法。該方法通過測試一個給定顏色紋理模板的同質(zhì)性來完成對圖像的分割,它主要應用于對視頻圖像[6]的分析、航拍圖像的分割[7],在紋理分析[8]上也取得了比較好的效果。目前尚沒有將該算法應用于紡織品印花圖像處理方面的報道。本文在機器視覺應用于紡織品印花精度檢測的前提下,針對具有明顯紋理的紡織品印花圖像,使用 JSEG 算法對圖像進行分割!炯徔椘窋(shù)碼噴墨印花墨水和四分色印花染料的研究】 1 紡織品印花圖像的分割 JSEG 是一種基于顏色和空間紋理信息的區(qū)域分割方法,主要包括顏色量化和空間分割。 1. 1 顏色量化 首先,將圖像的顏色空間轉(zhuǎn)換為LUV 顏色空間。該空間不僅符合人類視覺的均勻與感知特性,而且可以用歐氏距離來衡量不同顏色之間的相似程度,有利于顏色的量化和描述。 其次,采用PGF( Peer Group Filtering) 算法[9]對圖像進行平滑、去噪,在保留邊緣信息的同時去除顆粒噪聲的影響,使圖像的區(qū)域同一性更加顯著。定義: W × W 窗中心點x0( n) 的同等組為P ( n ) ={ xi( n) ,i = 0,1,…,m( n) - 1}。其中xi( n) 為窗內(nèi)的像素點,m( n) 為窗內(nèi)數(shù)據(jù)點的個數(shù)。根據(jù)Fisher 判斷準則得到相應的m( n) 值,以適應不同區(qū)域內(nèi)像素之間的差異。然后,在同等組的基礎(chǔ)上,利用各點的權(quán)重ωi ,計算出xnew ( n) 代替原來的中心點。
式中μi、σi分別為p( n) 的均值和方差。 再次,確定顏色的類別數(shù)。令T( n) 為x0( n) 對應的同等組的最大距離。T( n) = dm( n) - 1( n) ,di( n)表示W(wǎng) × W 窗中所有的點與中心點x0( n) 之間距離的升序排列;T ( n) 的大小表明了局部區(qū)域的平滑性,也體現(xiàn)了顏色空間的分布情況。T ( n) 的均值Tav則表示整幅圖像的平滑性,則顏色的類別數(shù)N = βTav (3) 式中β 為常數(shù),這里設置β = 2。 最后,利用GLA 算法[9 - 10]進行矢量量化,生成在原像素位置上由不同顏色的類標組成的“類圖”。
1. 2 空間分割
利用模板在“類圖”上進行掃描,根據(jù)顏色向量在模板中的分布計算出模板中心的J 值,得到反映區(qū)域信息的“J 值圖”。然后根據(jù)閾值在“J 值圖”得出區(qū)域增長的種子點,按照非種子點到相鄰種子區(qū)域距離進行區(qū)域增長,最后利用區(qū)域顏色的直方圖來合并圖像。
1. 2. 1 J 圖像的計算
設Z 是一個“類圖”中N 個數(shù)據(jù)點的集合,z = ( x,y) ,z∈Z,m 是均值,即:
其中計算J 值的局部窗的大小有不同的效果,小的局部窗在檢測顏色的邊緣有效,大的局部窗在檢測紋理的邊緣時有效,因此在分割圖像的時候選擇多個等級進行處理已達到較好的分割效果。在該算法中,最小等級的窗是9 × 9 的圓形窗,采樣頻率為1;第2 等級的為17 × 17 的圓形窗;第3 等級的為 33 × 33 的圓形窗;第4 等級的為65 × 65 的圓形窗; 每一等級的采樣頻率都是上一等級的2 倍。先根據(jù)圖像的大小來選擇第3 等級的局部窗,計算出相應的“J 值圖”。
1. 2. 2 區(qū)域的分割
令閾值TJ = μJ + ασJ。其中:μJ為非種子區(qū)域里J 的均值; σJ為非種子區(qū)域里J 的方差; α 從[- 0. 6,- 0. 4,- 0. 2,0,0. 2,0. 4 ]逐漸選取。計算出TJ,采用4 連通的方式連接使J 值小于TJ的像素形成候選種子點。 一般認為,候選種子點的區(qū)域大于相應等級中最小區(qū)域的種子數(shù)閾值區(qū)域為種子區(qū)域,其余為非種子區(qū)域。
除去種子區(qū)域中的空洞。計算未合并區(qū)域的平均J 值,把小于該均值的像素連接到增長的區(qū)域中。如果與增長區(qū)域相鄰的只有1 個種子區(qū),那么就把該像素加入到該種子區(qū)域中去。
利用下一個更小等級的窗口計算J 值來獲得更準確的邊界信息。重復循環(huán)上一步,按照上述方法增長直到最小等級的窗口。將所有未分類的像素存在緩沖區(qū)中,每次最小J 值的像素被分配到與它相鄰的種子區(qū)域中,同時更新緩存區(qū)的內(nèi)容,直到所有的元素都被分類。 1. 2. 3 區(qū)域的合并
合并顏色直方圖的歐幾里德距離最小的2 個相鄰區(qū)域,直到最小的區(qū)域大于聚集區(qū)域合并的閾值,完成圖像的分割。
2 實驗結(jié)果與分析
將JSEG 算法應用在紡織品圖像的分割當中,其分割效果主要由2 個主要的參數(shù)控制,即顏色量化閾值( Tc ) 和區(qū)域合并閾值( Tr )。實驗選取由 FEITH 智能相機在日光條件下所拍攝的大小為 680 × 480,分辨率為260 dpi 的印染紡織品的圖片。圖2示出了不同參數(shù)設置下的分割效果,以圖2 ( a) 為基準分別作比較。
根據(jù)對紡織品印花檢測的要求,在紡織品印花圖像( 圖2 ( a) ) 的分割效果應該分為白色、灰色和棕色3 個區(qū)域,圖2( b) 將灰色區(qū)域過分割,圖2( c) 灰色區(qū)域過分割區(qū)域減小,圖2( d) 得到了理想的分割效果,圖2 ( e) 為K-mean 分割后的邊緣?梢钥闯,由聚類分割會出現(xiàn)小的顏色區(qū)域,同時邊界處不連續(xù)。而JSEG 算法能夠很好地分出邊界,得到理想的分割。
在JSEG 的圖像分割算法中,用戶可以根據(jù)圖像的特點調(diào)節(jié)閾值。圖2 ( b)、( c) 表明,區(qū)域合并閾值對由外部光線所引起的同種顏色內(nèi)部的過分割現(xiàn)象有良好的抑制作用,表明算法具有一定的魯棒性。圖2( c)、( d) 表明,顏色量化的閾值直接影響到是否能夠正確地劃分出顏色的種類,得到分割的初始輪廓。通過實驗得出一般顏色量化的閾值為 225,區(qū)域合并的閾值為0. 4。在實際使用過程中,根據(jù)圖像的特點進行相應的微調(diào),當圖像中各區(qū)域的顏色比較相近時,應該將Tc 調(diào)小,增加量化的顏色數(shù)目,使得相近的顏色區(qū)域得到分割;當某個圖像分割出現(xiàn)顏色過分割時,應該將Tc 調(diào)大,減少量化的顏色數(shù)目,同時能夠抑制一些由于光線引起的亮度干擾;當圖像的同種顏色內(nèi)部有過分割的現(xiàn)象,可以將Tr 調(diào)大,使得相同顏色的區(qū)域合并,達到理想的分割效果。
以上圖像的分割,在Pentium IV 2. 93 GHz系統(tǒng)中運行時間只有秒級的數(shù)量級,并且在該分辨率下,如果與標準的分割圖像做邊緣比較,就可以得到織物中0. 1 mm的印花偏差,所以可精確地檢測出印染紡織品的印花偏差,同時表明算法在“跑花”現(xiàn)象的檢測中具有一定的可行性。
3 結(jié)語
在將JSEG 應用于紡織品的印花精度檢測當中,通過設置算法中顏色量化閾值和合并最小區(qū)域這2 個重要參數(shù),實現(xiàn)對紡織品印花圖像的分割,并取得了比較理想的效果?紤]到工程上的應用,可以進一步研究區(qū)域增長的條件,提高系統(tǒng)的實時性和魯棒性。
來源:中國印花網(wǎng)