基于小波變換及形態(tài)學(xué)運算的織物起毛起球圖像分割方法
【專利摘要】本發(fā)明公開了一種基于小波變換及形態(tài)學(xué)運算的織物起毛起球圖像分割方法，首先將采集的織物起毛起球圖像進行直方圖均衡化，然后進行8級小波多分辨率分解；再將表達最高頻信息的第一、第二級小波分解層及表達低頻信息的小波近似分解層系數(shù)置零后重構(gòu)圖像；然后用最大類間方差法將重構(gòu)后的圖像二值化，再依次用水平、45度、垂直、135度方向的線形結(jié)構(gòu)元對圖像進行腐蝕操作；最后再對腐蝕后圖像依次進行膨脹操作，膨脹操作和腐蝕操作應(yīng)用結(jié)構(gòu)元順序相反，即依次為135度、垂直、45度、水平方向的線形結(jié)構(gòu)元。本發(fā)明的方法能有效克服織物紋理、光照不勻、織物表面不平、毛球大小不一、毛球形狀各異對織物起毛起球等級判定的影響。
【專利說明】基于小波變換及形態(tài)學(xué)運算的織物起毛起球圖像分割方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理、紡織領(lǐng)域，尤其涉及一種基于小波變換及形態(tài)學(xué)運算的織物起毛起球圖像分割方法。
【背景技術(shù)】
[0002]穿著或洗滌過程中引起的起毛起球程度是描述織物服用性能的一個重要指標。傳統(tǒng)的起毛起球等級評定方法，通過專業(yè)實驗人員觀察起毛起球試樣，并與標準樣照對比，通過毛球個數(shù)及大小判定等級，具有很強的主觀性。為了克服傳統(tǒng)評定方式的缺點，目前出現(xiàn)了很多基于圖像處理技術(shù)的方法，具有很好的一致性，并且可重復(fù)，同時提高了評定的正確性和可靠性。主要分為三類，一類僅在空間域利用顏色信息完成評定過程，這類方法對織物紋理變化敏感、給出的算法僅能處理某一類織物，如適用于精梳毛織物的起毛起球等級評定算法，對精梳針織絨處理時卻得不到精確的處理結(jié)果；一類主要通過傅立葉變換，利用紋理信息變化的周期性去除織物紋理的影響，因為傅立葉變換不能表達局部信息，只有變化很強的全局周期信息才能體現(xiàn)在頻譜圖中，因此往往存在紋理去除不干凈、非周期噪聲不能濾除的弊端；還有一類應(yīng)用了既能體現(xiàn)頻率信息又能體現(xiàn)空間域信息的小波變換。小波變換是這三類方法中處理織物起毛起球圖像效果最好的，但目前的應(yīng)用仍存在對毛球大小不一敏感，紋理不能完全去除的缺點。這是因為基于小波變換的織物起毛起球檢測方法認為織物紋理主要出現(xiàn)在小波分解的3、4級子圖像或其它某幾級子圖像中，且認為毛球所在子圖像級數(shù)與織物紋理不同，進而依據(jù)這個特點將紋理干擾去除。而在實際應(yīng)用中織物所起毛球的大小本身就不均一、有些毛球大小差異還很大，一部分毛球很可能和紋理處于同一小波分解級上，對于紗線較粗的織物進行小波分解時紗線產(chǎn)生的低頻信息也常常會出現(xiàn)在毛球所在小波分解級上，這樣就導(dǎo)致通過小波變換獲得的去噪圖像仍還有紋理信息，而一些不該去除的小毛球卻被去除了，影響織物起毛起球等級的正確判定。
[0003]本發(fā)明提出一種基于小波變換、OTSU分割算法、形態(tài)學(xué)運算的方法，能有效解決上述問題，去除織物起毛起球過程中織物紋理、光照不勻、織物絨毛及織物表面不平等干擾的影響，且對毛球大小不一、形狀各異具有魯棒性。

【發(fā)明內(nèi)容】

[0004]本發(fā)明針對基于圖像處理算法的織物起毛起球等級檢測過程不能有效去除織物紋理影響，且當(dāng)毛球大小不一、形狀各異時影響等級檢測準確性的情況，提出一種基于小波變換及形態(tài)學(xué)運算的織物起毛起球圖像分割方法，該方法還能有效克服光照不勻、織物表面不平對等級檢測準確性的影響。
[0005]本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的:基于小波變換及形態(tài)學(xué)運算的織物起毛起球圖像分割方法，包括如下步驟:
[0006]步驟1:采集織物起毛起球圖像；
[0007]步驟2:從步驟I采集的織物起毛起球圖像中篩選出不含非織物背景的織物起毛起球圖像；具體為:
[0008]步驟2.1:通過讀取織物圖像的維數(shù)，判定獲得的是彩色圖像還是灰度圖像，如果為彩色圖像則進行灰度化處理；
[0009]基于圖像處理方法的織物起毛起球等級檢測過程并不是全自動過程，需要人的參與。在獲取起毛起球圖像時需要人將圖像掃描進電腦，或通過攝像頭經(jīng)圖像采集卡將圖像讀進電腦。在這個過程中不同人獲得的圖像就有可能是彩色或灰度，也有可能使獲取的圖像含有掃描儀的掃描面或桌面等非織物部分(這里認為非織物部分為顏色單一的平面，這也和實際情況相符)。為了提高本發(fā)明算法的通用性，先對圖像進行彩色與否的判定，如果為彩色則轉(zhuǎn)換為灰度圖再進行后續(xù)處理，判定過程通過讀取存儲圖像的維數(shù)進行，如為三維則判定為彩色圖像，通過公式(I)將其變換為灰度圖像。
【權(quán)利要求】
1.一種基于小波變換及形態(tài)學(xué)運算的織物起毛起球圖像分割方法，其特征在于，包括以下步驟: 步驟1:采集織物起毛起球圖像； 步驟2:將步驟I采集的織物起毛起球圖像進行裁剪，得到不含非織物背景的圖像；具體為: 步驟2.1:通過讀取織物圖像的維數(shù)，判定獲得的是彩色圖像還是灰度圖像，如果為彩色圖像則進行灰度化處理，得到灰度圖像； 步驟2.2:通過最大類間方差(簡稱OTSU)方法獲得織物灰度圖像的分割閾值，然后依據(jù)分割閾值分割圖像； 步驟2.3:采用半徑為9個像素的圓形結(jié)構(gòu)元，對步驟2.2分割后的圖像連續(xù)進行兩次腐蝕運算，再采用同一個結(jié)構(gòu)元連續(xù)進行三次膨脹運算，然后取像素值為O的最大區(qū)域的質(zhì)點，以質(zhì)點作為原點，質(zhì)點水平向右方向定為X軸正方向，以X軸正方向為起始位置，逆時針旋轉(zhuǎn)過的角度為正角度，順時針旋轉(zhuǎn)過的角度為負角度；以原點為起點分別向±45°、±135°方向引一條直線，如果這些直線都能和區(qū)域邊界有一個交點，則判定當(dāng)前像素值為O的區(qū)域是織物區(qū)域；如果經(jīng)過上述步驟不能判定織物區(qū)域，則將步驟2.2獲得的二值圖像的像素值取反后重新進行步驟2.3的織物區(qū)域判定；如果能判定存在織物區(qū)域，則微調(diào)±45°、土135°方向直線和區(qū)域邊界的四個交點，使這四個交點組成長方形或正方形，然后對步驟2.1獲得的灰度圖像依據(jù)上述四個交點進行裁剪，獲得長方形或正方形的不含非織物背景的圖像。 如果經(jīng)過上述步驟2.3的操作，未找到織物區(qū)域，則認為采集到的圖像不含非織物背景。 步驟3:將不含非織物背景的織物起毛起球圖像進行直方圖均衡化； 步驟4:對均衡化后的織物起毛起球灰度圖像進行8級小波多分辨率分解，得到分辨率不同的8級子圖像； 步驟5:將小波分解后8級子圖像中的1、2級小波分解細節(jié)子圖像及近似級小波分解子圖像的小波分解系數(shù)置零，然后將1、2級及近似級小波分解系數(shù)置零后的小波分解圖像重構(gòu)； 步驟6:對重構(gòu)后的圖像進行基于OTSU法的分割； 步驟7:對分割后的圖像依次采用水平、45度、垂直、135度方向的線形結(jié)構(gòu)元進行腐蝕操作，再依次用135度、垂直、45度、水平方向的線形結(jié)構(gòu)元進行膨脹操作，得到最終的僅含毛球的二值圖像。 所述線形結(jié)構(gòu)元以像素為單位，其大小依據(jù)織物粗糙度來確定，粗糙織物采用7個像素大小的線形結(jié)構(gòu)元，非粗糙織物則采用5個像素大小的線形結(jié)構(gòu)元。 粗糙織物的判定方法如下: (7.1)計算圖像小波分解后各層的總頻率:
C1 = clh+cld+clv 式中，I為小波多分辨率分解的第I層，h為I層水平分解系數(shù)圖像，d為I層對角分解系數(shù)圖像，V為I層垂直分解系數(shù)圖像，Clh為I層水平分解分解系數(shù)圖像的總頻率，Cld為I層對角分解系數(shù)圖像的總頻率，Clv為I層垂直分解系數(shù)圖像的總頻率；其中，Clx (X =h, d, V)由以下公式得到
【文檔編號】G06T7/00GK104021561SQ201410270904
【公開日】2014年9月3日 申請日期:2014年6月17日 優(yōu)先權(quán)日:2014年6月17日
【發(fā)明者】韓永華, 汪亞明, 崔新輝, 劉成霞, 孫麒, 鄭俊褒, 汪泓, 康鋒 申請人:浙江理工大學(xué)