本發(fā)明屬于紡織類圖像處理領域，尤其涉及一種基于改進l0梯度的織物沾水區(qū)域分割方法。

背景技術：

傳統(tǒng)人工織物沾水等級評定過程主觀性強、實驗誤差大，一致性差、容易漏檢、誤檢。為解決這些問題，針對aatcc標準的噴淋方法出現(xiàn)了基于圖像處理的織物沾水等級檢測方法。

在織物沾水等級檢測中，通過圖像處理手段代替人眼判斷，能使檢測速度和精度提升?；趫D像處理的織物沾水等級自動評定系統(tǒng)的關鍵是有效分割出沾水區(qū)域，目前已有提取織物感興趣區(qū)域的分割方法主要有基于聚類算法和基于邊緣檢測算法兩類。

例如申請公布號cn104392441a的專利文獻公開了一種基于圖像處理的高抗噪織物沾水等級檢測評定方法，首先將待測織物進行織物沾水性實驗，并獲取織物沾水圖像；在該發(fā)明中，引入了小波變換，篩選裁剪獲得的織物沾水灰度圖像信息，從空間頻率角度去除織物紋理、光照不勻、光照變化對織物沾水等級檢測的影響；對小波變換處理過的圖像進行直方圖均衡化，增強沾水部分和織物背景對比度；最后得到潤濕比，用以判斷織物沾水等級。該發(fā)明的方法能有效克服織物紋理、光照不勻、光照變化、反光對織物沾水等級評定的影響，提高織物沾水和不沾水部分的對比度，實現(xiàn)基于圖像處理的織物沾水等級的高抗噪全自動檢測。

現(xiàn)有技術中利用模糊聚類方法對實驗圖像進行分割處理，完成圖像的二值化，當圖像中含有噪聲時會干擾聚類中心提取的準確性，影響算法收斂速度，分割效果不理想；改進canny算子中的參數(shù)，提取織物沾水區(qū)域的邊緣，進行多次膨脹使邊緣連結，然后利用腐蝕操作消除干擾邊緣，進而獲得待分割區(qū)域，當實驗中存在水珠反光、織物不平整等引起灰度圖整體光照不勻時，會影響邊緣提取的準確率，且這種方法還受織物紋理粗糙度影響。

因此，針對上述問題，提出一種消除噪聲干擾和減弱光照不勻影響，進而利用分割算法得到有效分割，提取出沾水區(qū)域的有效方法是十分必要的。

技術實現(xiàn)要素：

本發(fā)明提供了一種基于改進l0梯度的織物沾水區(qū)域分割方法，可以有效降低織物沾水等級檢測過程中受織物紋理、光照不勻、織物表面不平等干擾的影響。

一種基于改進l0梯度的織物沾水區(qū)域分割方法，包括以下步驟：

步驟1：根據(jù)美國紡織化學師與印染師協(xié)會標準aatcc22-2005《紡織品拒水性測試噴淋法》進行織物沾水性實驗，并獲取織物沾水圖像；

步驟2：裁剪掉步驟1得到織物沾水圖像中的非測試區(qū)域，獲取織物沾水圖像測試區(qū)域；

步驟3：對步驟2獲得的裁剪好的灰度圖像進行均衡化，得到圖像s；

步驟4：在步驟3得到的圖像s中每個像素點p處，計算像素點p沿x，y方向的梯度，記作x方向與y方向相互垂直；

步驟5：根據(jù)最小化l0梯度和拉普拉斯降維原理，對步驟3得到的圖像s迭代求解平滑圖像；

步驟6：對步驟5處理過的圖像進行圖像聚類分割操作，最終得到織物沾水區(qū)域的分割圖。

為了精確地獲取測試區(qū)域，優(yōu)選的，步驟2中，裁剪掉非測試區(qū)域，獲取織物沾水圖像測試區(qū)域具體過程如下：

2-1將步驟1的織物沾水圖像灰度化；

2-2對步驟2-1中灰度化后的圖像采用最大類間方差法二值化；

2-3對步驟2-2中獲得的二值化圖像進行自適應中值濾波；

2-4采用索貝爾算子檢測，獲得步驟2-3處理后的圖像的邊緣；

2-5對經步驟2-4處理過的只含邊緣的圖像通過霍夫變換檢測出圓心和半徑；

2-6依據(jù)步驟2-5檢測出的圓心和半徑，針對步驟1獲得的圖像，裁剪出測試區(qū)域。

為了進一步降低織物紋理、光照不勻、織物表面不平等干擾的影響，優(yōu)選的，步驟5中，根據(jù)最小化l0梯度和拉普拉斯降維原理，對步驟3得到的圖像s迭代求解平滑圖像的具體步驟如下：

5-1初始化平滑程度控制參數(shù)λ∈[0.006～0.010]，迭代次數(shù)控制參數(shù)κ∈[1.1～1.8]，β＝2λ，迭代次數(shù)計數(shù)器t＝0，圖像s大小為m×n，m∈[1,m]，n∈[1,n]，s^(t)←s；

5-2針對l0范數(shù)子問題，固定s^(t)，求解圖像s中像素p處梯度(hp,vp)，如下式所示：

5-3固定(hp,vp)，求解s^(t)；

5-4把s^(t)中每個像素點p化為cielab顏色空間的向量形式μ＝0.3～0.6；

5-5計算像素點p鄰域內的像素點pm與pn的相似度組成相似度矩陣w，像素點pm與pn對應像素值分別為和

5-6計算相似度矩陣w中行或列的和，即dmm＝∑nwnm，拉普拉斯矩陣l＝d-w；

5-7把s^(t)化為rgb分量的向量形式計算ls＝λds的廣義特征向量；

解出的特征向量，按照對應的特征值從小到大排列，組成降維后局部灰度平滑的向量形式的圖像，再把向量圖化為矩陣形式s'；

由于織物沾水度評定系統(tǒng)實時性要求，如前所述織物沾水原始圖像已被灰度化，從而降低整個織物沾水度等級評定過程的運算量。為了應用上述針對彩色圖像的平滑過程，把織物沾水灰度圖的灰度值分別賦給r、g、b分量，即各分量存儲同一灰度值；

5-8把步驟5-7中求得的s'代入下式中，為快速傅里葉變換，記為復共軛傅里葉變換，記為δ函數(shù)的傅里葉變換，解得s^(t+1)；

5-9β←2β，t++；

5-10重復步驟5-2～5-9，直至β≥10⁵，輸出平滑后的近似圖像i作為平滑處理后的圖像。

為了降低計算量的同時，保證本發(fā)明方法具有降低織物紋理、光照不勻、織物表面不平等干擾的影響，優(yōu)選的，λ＝0.007～0.009。

為了降低計算量的同時，保證本發(fā)明方法具有降低織物紋理、光照不勻、織物表面不平等干擾的影響，優(yōu)選的，κ＝1.3～1.6。

為了降低計算量的同時，保證本發(fā)明方法具有降低織物紋理、光照不勻、織物表面不平等干擾的影響，優(yōu)選的，μ＝0.4～0.5。

圖像聚類分割操作可以譜聚類或層次聚類等方法，為了提高本發(fā)明的提取沾水區(qū)域圖像的效果，優(yōu)選的，步驟6中，圖像聚類分割操作采用模糊聚類。

優(yōu)選的，步驟6中，對步驟5處理過的圖像進行圖像分割操作的具體步驟如下：

6-1步驟5-10得到的近似圖像i中有l(wèi)個樣本點xi，i＝1,2,3...,l，設定聚類個數(shù)c；

6-2初始化c個聚類的中心cj，j＝1,2,...,c；

6-3根據(jù)式計算樣本點xi屬于c個中心cj的隸屬度uij，加權指數(shù)e＝2；

6-4根據(jù)式重新計算各類的中心{ci,i＝1,2,…,c}；

6-5重復步驟6-3～6-4，直至式收斂；

6-6得到概率圖像p。

步驟5已經濾除了噪聲，圖像中的顏色接近分段常數(shù)，所以可以使用最簡便的模糊聚類算法，該算法運行速度快，實時性好。

本發(fā)明的有益效果：

本發(fā)明方法結合l0梯度保邊平滑和拉普拉斯降維抑制局部灰度過渡，能有效地濾除包括光照不勻、織物不平等噪聲，同時增強了織物沾水區(qū)域信息，得到灰度差異大的織物沾水區(qū)域圖；進而能夠對沾水區(qū)域進行準確有效的提取，進行傳統(tǒng)的聚類分割能真實地反映沾水區(qū)域的實際狀態(tài)。

附圖說明

圖1為本發(fā)明的基于改進l0梯度的織物沾水區(qū)域分割方法的線框流程示意圖。

圖2為織物沾水圖像原圖。

圖3為hough變換提取的測試區(qū)域圖。

圖4為直方圖自適應均衡化的圖。

圖5為最小化l0梯度算法與拉普拉斯降維后的平滑圖像。

圖6為模糊聚類處理后的圖。

具體實施方式

如圖1所示，本實施例的基于改進l0梯度的織物沾水區(qū)域分割方法包括以下步驟：

步驟1：根據(jù)aatcc22-2005標準進行織物沾水性實驗，獲取織物沾水圖像，如圖2所示。

步驟2：采用hough變換檢測圓的方法獲取織物沾水圖像測試區(qū)域，裁剪掉非測試區(qū)域，具體為：

2-1將步驟1的織物沾水圖像灰度化；

2-2對步驟2-1中灰度化后的圖像采用最大類間方差法(otsu)二值化；

2-3對步驟2-2中獲得的二值化圖像進行自適應中值濾波；

2-4采用索貝爾算子檢測，獲得步驟2-3處理后的圖像中金屬圈邊緣；

2-5對經步驟2-4處理過的只含邊緣的圖像通過霍夫變換檢測出圓心和半徑；

2-6依據(jù)步驟2-5檢測出的圓心和半徑，獲得金屬圈形成的圓形的外切正方形，將正方形外的數(shù)據(jù)全部剪切掉，如圖3所示。

步驟3：針對步驟2獲得的裁剪好的灰度圖像進行直方自適應圖均衡化，得到圖像s，如圖4所示。

步驟4：在步驟3得到的圖像s中每個像素點p處，計算其沿x，y方向的梯度，記作圖像采用xy坐標系；

步驟5：根據(jù)最小化l0梯度和拉普拉斯降維原理，迭代求解平滑圖像；具體為：

5-1初始化平滑程度控制參數(shù)λ＝0.008，迭代次數(shù)控制參數(shù)κ＝1.45，β＝2λ，迭代次數(shù)計數(shù)器t＝0，圖像s大小為m×n，m∈[1,m]，n∈[1,n]，s^(t)←s；

5-2針對l0范數(shù)子問題，固定s^(t)，求解圖像s中像素p處梯度(hp,vp)，如下式所示：

5-3固定(hp,vp)，求解s^(t)；

5-4把s^(t)中每個像素點p化為cielab顏色空間的向量形式xp＝[μ*lp,ap,bp]^t，μ＝0.45；

5-5計算像素點p鄰域內的像素點pm與pn的相似度組成相似度矩陣w，像素點pm與pn對應像素值分別為xpm和xpn；

5-6計算相似度矩陣w中行或列的和，即dmm＝∑nwnm，拉普拉斯矩陣l＝d-w；

5-7把s^(t)化為rgb分量的向量形式計算ls＝λds的廣義特征向量；

解出的特征向量，按照對應的特征值從小到大排列，組成降維后局部灰度平滑的向量形式的圖像，再把向量圖化為矩陣形式s'；

由于織物沾水度評定系統(tǒng)實時性要求，如前所述織物沾水原始圖像已被灰度化，從而降低整個織物沾水度等級評定過程的運算量。為了應用上述針對彩色圖像的平滑過程，把織物沾水灰度圖的灰度值分別賦給r、g、b分量，即各分量存儲同一灰度值；

5-8把步驟5-7中求得的s'代入下式中，為快速傅里葉變換，記為復共軛傅里葉變換，記為δ函數(shù)的傅里葉變換，解得s^(t+1)；

5-9β←2β，t++；

5-10重復步驟5-2～5-9，直至β≥10⁵，輸出平滑后的近似圖像i作為平滑處理后的圖像。

步驟6：模糊聚類。對平滑后的圖像進行模糊聚類，其目的是對圖像的特征進分類，得到各個像素點隸屬于某一類別的概率，構成如下：

1)聚類數(shù)選?。?/p>

采用fcm算法進行模糊聚類，步驟5-10得到的近似圖像i中有l(wèi)個樣本點xi，i＝1,2,3...,l，設定聚類個數(shù)c，根據(jù)平滑后的圖像可發(fā)現(xiàn)已經初步預分割為3類，所以綜合比較后選擇3作為聚類數(shù)目。

2)隨機選取聚類中心：

用random函數(shù)直接生成c個聚類中心坐標作為聚類的初始。圖像為375×334像素大小，坐標范圍為([0,375],[0,334])。

3)計算隸屬度矩陣：

平滑后的圖像大小為375×334個像素，定義一個大小為總像素乘以聚類中心數(shù)的二維矩陣存放隸屬度。根據(jù)式計算各樣本點屬于各類的概率值，存儲為隸屬度矩陣uij。根據(jù)式重新計算各類的中心{cj,j＝1,2,…,c}。重復執(zhí)行這步，反復迭代計算聚類中心，直至式收斂后得到概率圖像p，如圖6所示。

步驟7：對步驟6處理過的圖像p輸出，最終得到織物沾水區(qū)域的分割圖(圖中略)。