本實(shí)用新型涉及自動(dòng)檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種色織物組織的自動(dòng)識(shí)別裝置。

背景技術(shù)：

織物組織是機(jī)織物的重要規(guī)格參數(shù)，對(duì)織物和服裝的外觀及物理性能起著決定性作用，織物組織的識(shí)別因此也是紡織產(chǎn)品質(zhì)量檢測(cè)環(huán)節(jié)中不可或缺的部分。傳統(tǒng)測(cè)量織物組織的識(shí)別方法是專業(yè)檢測(cè)人員在密度鏡的幫助下，通過(guò)肉眼觀察分析完成。用密度鏡測(cè)量織物密度雖然簡(jiǎn)單實(shí)用，但存在檢測(cè)時(shí)間長(zhǎng)、效率低的缺點(diǎn)，還易受到檢測(cè)人員的熟練度和個(gè)人主觀感覺(jué)的影響。隨著圖像處理和人工智能的快速發(fā)展，紡織鄰域的研究人員開(kāi)始將計(jì)算機(jī)技術(shù)逐步應(yīng)用于紡織品質(zhì)量檢測(cè)，其中就包括用數(shù)字化方法自動(dòng)識(shí)別織物組織。

織物組織的自動(dòng)識(shí)別，多是基于單面織物圖像研究，然而，由于機(jī)織物是由經(jīng)紗和緯紗相互交織而成，經(jīng)緯紗線在織物的一面呈現(xiàn)周期性沉浮，所以僅僅從織物單面圖像很難準(zhǔn)確識(shí)別織物的組織與顏色信息。從而影響織物組織識(shí)別的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)要素：

本實(shí)用新型所要解決的技術(shù)問(wèn)題是提供一種色織物組織的自動(dòng)識(shí)別裝置，解決現(xiàn)有技術(shù)利用織物單面圖像難以準(zhǔn)確識(shí)別色織物的組織與顏色信息，影響織物組織識(shí)別準(zhǔn)確性的問(wèn)題。

技術(shù)方案

一種色織物組織的自動(dòng)識(shí)別裝置，其特征在于：包括兩塊互相垂直的鏡面，所述兩塊鏡面中間設(shè)置有色織物，在鏡面成像的一側(cè)設(shè)置有圖像采集裝置和標(biāo)準(zhǔn)光源，所述圖像采集裝置所在平面與鏡面所呈色織物的虛像所在平面平行，并且圖像采集裝置的中心點(diǎn)高度與色織物高度一致，所述標(biāo)準(zhǔn)光源對(duì)稱設(shè)置于色織物所在平面的上下兩側(cè)，位于鏡面對(duì)側(cè)，所述色織物邊緣通過(guò)樣本夾具固定，暴露出的色織物在標(biāo)準(zhǔn)光源照射下，通過(guò)色織物上下兩側(cè)的鏡面進(jìn)行成像后，被圖像采集裝置采集。

進(jìn)一步，所述樣本夾具為兩層結(jié)構(gòu)的平面框，所述色織物夾在樣本夾具平面框之間，通過(guò)平面框中部的空心區(qū)域暴露出色織物。

進(jìn)一步，所述標(biāo)準(zhǔn)光源與圖像采集裝置處于同一水平面。

進(jìn)一步，所述色織物水平設(shè)置，所述鏡面大小一致，對(duì)稱設(shè)置于色織物兩側(cè)，并且上下兩側(cè)的鏡面均與色織物呈45°夾角。

進(jìn)一步，所述樣本夾具中色織物四周設(shè)置有校準(zhǔn)色塊，使采集到的色織物顏色更接近真實(shí)顏色，減少采集圖像的色差。

進(jìn)一步，所述校準(zhǔn)色塊采用24色校準(zhǔn)色塊。

進(jìn)一步，所述樣本夾具中色織物四周設(shè)置有對(duì)位匹配點(diǎn)，實(shí)現(xiàn)對(duì)色織物的定位。

進(jìn)一步，所述樣本夾具兩層結(jié)構(gòu)的平面框之間設(shè)置有矩形磁條，實(shí)現(xiàn)對(duì)色織物的固定。

進(jìn)一步，所述標(biāo)準(zhǔn)光源、鏡面、圖像采集裝置和色織物設(shè)置于封閉暗箱內(nèi)部，以避免外界光源干擾。

有益效果

本實(shí)用新型中提供了一種色織物組織的自動(dòng)識(shí)別裝置：包括光源和兩塊互相垂直的鏡面，所述色織物設(shè)置于兩塊鏡面之間，與兩個(gè)鏡面均呈45°夾角，圖像采集裝置設(shè)置于色織物所在平面，所述圖像采集裝置與數(shù)據(jù)處理器連接，所述光源包括兩個(gè)標(biāo)準(zhǔn)光源，所述兩個(gè)標(biāo)準(zhǔn)光源對(duì)稱設(shè)置于色織物上下兩側(cè)，與鏡面相對(duì)。實(shí)現(xiàn)了色織物雙面圖像相匹配的采集，利用色織物雙面圖像通過(guò)處理得出色織物的組織與顏色信息，解決了現(xiàn)有技術(shù)利用織物單面圖像難以準(zhǔn)確識(shí)別織物的組織與顏色信息，影響織物組織識(shí)別的準(zhǔn)確性的問(wèn)題。

附圖說(shuō)明

圖1為織物雙面圖像采集系統(tǒng)示意圖；

圖2為樣本夾具結(jié)構(gòu)示意圖；

圖3為樣本夾具校準(zhǔn)色塊結(jié)構(gòu)圖；

圖4為色織物組織自動(dòng)識(shí)別流程圖；

圖5為組織點(diǎn)屬性識(shí)別分類坐標(biāo)系；

圖6為緯組織點(diǎn)分類示意圖；

圖7為經(jīng)組織點(diǎn)分類示意圖；

圖8為平紋織物組織點(diǎn)分類結(jié)果圖；

圖9為平紋織物組織自動(dòng)識(shí)別出的組織圖；

圖10為平紋織物組織點(diǎn)的矩陣疊加示意圖；

圖11為人工測(cè)量圖；

圖12為自動(dòng)測(cè)量圖；

其中：1-封閉暗箱，2-鏡面，3-樣本夾具，4-標(biāo)準(zhǔn)光源，5-圖像采集裝置，6-視窗，7-支架，8-光源控制器，9-滑槽，10-計(jì)算機(jī)，11-夾具框架，12-滑動(dòng)邊框，13-對(duì)位匹配點(diǎn)，14-轉(zhuǎn)軸，15-矩形窗口，16-矩形磁條，17-色織物，18-校準(zhǔn)色塊。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例和附圖，進(jìn)一步闡述本實(shí)用新型。

圖1是雙面圖像采集系統(tǒng)，如圖1所示，一個(gè)帶有開(kāi)關(guān)門的暗箱，用來(lái)確保在圖像采集過(guò)程中避免外界光線干擾，其尺寸大小為40厘米×40厘米×50厘米；暗箱內(nèi)部設(shè)置有一套鏡面成像系統(tǒng)，包括放置在封閉暗箱1內(nèi)部背面的兩塊互相垂直的鏡面2，所述色織物17放置于鏡面中間，與兩側(cè)的鏡面均呈45°夾角，兩個(gè)鏡面與背面的夾角均為45°，分別用來(lái)呈現(xiàn)織物樣本的正面和反面反射圖像。還包括一套標(biāo)準(zhǔn)光源4裝置，為對(duì)稱安放在夾具上色織物兩側(cè)封閉暗箱內(nèi)壁的日光燈，用來(lái)提供樣品雙側(cè)照明光，其型號(hào)為6500K，亮度為20001x；本實(shí)施例中所述色織物通過(guò)樣品夾具固定，所述樣本夾具3其結(jié)構(gòu)如圖2所示，樣本夾具包括上下兩層中心開(kāi)有矩形孔狀空心區(qū)域的平面框，每塊平面框表側(cè)共設(shè)計(jì)四個(gè)對(duì)位匹配點(diǎn)13，分別位于平面框的四個(gè)角部位；平面框表側(cè)還鑲嵌24色標(biāo)準(zhǔn)色塊，如圖3所示，用來(lái)進(jìn)行圖像的顏色校準(zhǔn)。夾具內(nèi)側(cè)固定四塊矩形磁條16，通過(guò)磁鐵間的吸引力，將兩塊平面框連接在一起并同時(shí)織物樣本提供一定的預(yù)加張力，本實(shí)施例中樣本夾具的尺寸為10厘米×10厘米。本實(shí)施例中以一臺(tái)高分辨率數(shù)碼相機(jī)作為圖像采集裝置5，該圖像采集裝置中心點(diǎn)與色織物所在平面高度一致，并且圖像采集裝置的鏡頭與兩個(gè)鏡面相對(duì)，以使圖像采集裝置所在平面與鏡面所呈色織物的虛像所在平面平行，使圖像采集裝置所采集到色織物正反兩面的圖像均不存在傾斜角。本實(shí)施例中，所述圖像采集裝置連接有一臺(tái)安裝數(shù)據(jù)處理軟件的計(jì)算機(jī)10，該計(jì)算機(jī)安裝有有圖像采集和分析軟件，軟件由作者在Windows 10操作系統(tǒng)下利用Matlab 2013b自行開(kāi)發(fā)。

在本實(shí)施方式中，高分辨率數(shù)碼相機(jī)的分辨率為1400萬(wàn)像素。使用時(shí)，利用夾具夾住織物放置在封閉暗箱內(nèi)的樣本夾具上，關(guān)閉箱門，打開(kāi)照明裝置，利用數(shù)碼相機(jī)即可采集到織物的圖像。

通過(guò)在織物上設(shè)置24色的校準(zhǔn)色塊18，使得本實(shí)用新型在采集到織物的圖像后，能夠根據(jù)校準(zhǔn)色塊對(duì)顏色進(jìn)行校對(duì)，使采集到的織物顏色更接近真實(shí)的顏色，減小采集圖像的色差。

本具體實(shí)施方式還提供了一種色織物密度的自動(dòng)測(cè)量方法，首先利用顏色校準(zhǔn)模型將圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間并提取L分量；借助灰度投影法分別得到織物徑向亮度曲線和緯向亮度曲線，完成經(jīng)緯紗線定位分割和組織點(diǎn)網(wǎng)格初始化；利用緯紗條干的局部亮度信息對(duì)組織點(diǎn)網(wǎng)格進(jìn)行校正，提取出組織點(diǎn)子圖像；根據(jù)織物組織點(diǎn)圖像的灰度特征分別建立經(jīng)組織點(diǎn)模板圖像和緯組織點(diǎn)模板圖像并提取模板圖像的特征參數(shù)；提取織物組織點(diǎn)圖像中的特征參數(shù)后與模板圖像進(jìn)行相似性匹配，完成組織點(diǎn)屬性識(shí)別，生成初始組織圖；利用織物雙面圖像的組織圖進(jìn)行組織點(diǎn)錯(cuò)誤檢測(cè)，利用k鄰近算法對(duì)錯(cuò)誤識(shí)別的組織點(diǎn)進(jìn)行校正；提取每個(gè)組織點(diǎn)的顏色特征參數(shù)后，結(jié)合雙面組織圖完成經(jīng)組織點(diǎn)和緯組織點(diǎn)融合；借助k均值聚類算法進(jìn)行色紗顏色聚類，最終生成色織物的配色模紋圖。具體的算法執(zhí)行流程圖如圖4所示。

采集到織物雙面圖像后，提取出含有匹配特征點(diǎn)的子圖像用于雙面圖像的對(duì)位與匹配。首先利用圖像分割和Sobel邊緣檢測(cè)算子提取特征三角形三條邊所在直線，利用Radon變換計(jì)算出三條邊的直線方程后，通過(guò)計(jì)算三角形頂點(diǎn)坐標(biāo)得到其重心點(diǎn)坐標(biāo)，將重心作為特征匹配點(diǎn)，最后通過(guò)仿射變換得到匹配完成的雙面圖像，實(shí)現(xiàn)雙面圖像像素級(jí)的一一對(duì)應(yīng)。采集到的圖像分辨率為1200dpi，將對(duì)位匹配后的雙面圖像裁剪為512像素×512像素大小。

顏色校準(zhǔn)是對(duì)顏色測(cè)試裝置或儀器的顏色測(cè)量進(jìn)行標(biāo)準(zhǔn)化，保證顏色測(cè)量準(zhǔn)確性的一種手段或方法。本文搭建裝置得到的織物圖像顏色以RGB表示，通過(guò)建立數(shù)碼編碼RGB范圍[0,255]與CIE1964XYZ之間的關(guān)系方程，得到校準(zhǔn)模型，從而對(duì)試驗(yàn)用相機(jī)的顏色進(jìn)行校準(zhǔn)。

通常顏色校準(zhǔn)采用的方法是將依賴具體設(shè)備的顏色編碼與不依賴具體設(shè)備的CIE標(biāo)準(zhǔn)觀察者即三刺激值聯(lián)系起來(lái)。將數(shù)字化設(shè)備信號(hào)轉(zhuǎn)換成三刺激值的最簡(jiǎn)單的方法就是采用轉(zhuǎn)換矩陣，矩陣如下：

但是設(shè)備的光譜靈敏度與色度學(xué)中的配色函數(shù)之間具有明顯差異時(shí)，上式會(huì)產(chǎn)生極大誤差。所以很多的校準(zhǔn)方法和模型被用于顏色的校準(zhǔn)，如回歸法，神經(jīng)網(wǎng)絡(luò)法等等。本實(shí)用新型利用回歸法來(lái)建立校準(zhǔn)模型。

顏色校準(zhǔn)模型因子的設(shè)定需考慮顏色表征中RGB作為顏色坐標(biāo)的均衡性，在設(shè)定平方項(xiàng)，立方項(xiàng)和協(xié)方差項(xiàng)時(shí)需考慮其對(duì)稱性，所以本實(shí)用新型建立的模型有23個(gè)因子，如下所示：

A＝[1 r g b r² g² b² rg rb gb rgb r²gb g²rb b²rg r²g b²g g²b r²b b²r g²r r³ g³ b³]^T

其中，r、g、b分別代表顏色的數(shù)字化存儲(chǔ)紅，綠，藍(lán)分量。模型搭建完成后，利用最小二乘法對(duì)對(duì)系數(shù)矩陣進(jìn)行求解，從而得到校準(zhǔn)模型。

最小二乘法是一種數(shù)學(xué)優(yōu)化技術(shù)，將被用于模型建立后的系數(shù)求解。其基本原理為，通過(guò)計(jì)算和調(diào)整關(guān)系式的系數(shù)使得數(shù)據(jù)和實(shí)際數(shù)據(jù)誤差之間的平方和最小。經(jīng)過(guò)推導(dǎo)得出其矩陣形式求解系數(shù)的等式如下：

x＝(A^TA)^-1A^Ty

其中Q為最小值，y為實(shí)測(cè)值，Ax為預(yù)測(cè)值。具體校準(zhǔn)步驟如下：

①利用分光光度計(jì)測(cè)量得到樣本夾具中24色塊各自的XYZ顏色值；

②提取圖像中24色色塊子圖像的RGB顏色值；

③將各色塊的X值和R、G、B下列代入公式中，利用最小二乘法計(jì)算出[a_1,1a_1,2a_1,3…a_1,23]^T的值；

④同理，利用各色塊的Y值和R、G、B值，Z值和R、G、B值分別求出[a_2,1a_2,2a_2,3…a_2,23]^T和[a_3,1a_3,2a_3,3…a_3,23]^T，并最終得到轉(zhuǎn)換矩陣M的值。本文中M值如下：

表1轉(zhuǎn)換矩陣M各元素值

得到CIE-XYZ顏色空間的圖像后，在將圖像轉(zhuǎn)換到Lab顏色空間，具體轉(zhuǎn)換下：

(1)若X>0.008856，則：

否則：

(2)對(duì)X分量和Y分量做類似于步驟(1)的處理，得到y(tǒng)和z。

(3)由以下公式計(jì)算得到Lab顏色空間圖像：

經(jīng)過(guò)以上步驟可以將織物圖像從RGB顏色顏色空間轉(zhuǎn)換到Lab顏色空間，此時(shí)，L分量的分布在[0,100]范圍內(nèi)，a、b分量的取值分布在[-128，127]范圍。

在得到Lab顏色空間下的色織物圖像后，通過(guò)提取僅包含圖像亮度信息的L分量，完成圖像灰度轉(zhuǎn)化，進(jìn)一步得到織物灰度圖。

采用3*3模板尺寸的維納濾波對(duì)織物圖片進(jìn)行去噪處理，經(jīng)維納濾波處理后，圖片中的噪聲被有效濾除，除此以外，織物表面的細(xì)小纖維也被弱化去除，而織物主要結(jié)構(gòu)信息得以保留。

織物圖像可以看做是一個(gè)二維數(shù)據(jù)M*N，建立相應(yīng)的二維坐標(biāo)系，其中織物的緯紗平行于坐標(biāo)系的x軸，經(jīng)紗平行于坐標(biāo)系的y軸，則織物圖像中垂直方向和水平方向的灰度投影曲線可以由以下公式計(jì)算得到：

其中M,N為圖像的寬和高，G(x,y)為圖像中(x,y)處像素點(diǎn)的灰度值，H(y)為第y行像素點(diǎn)的平均灰度投影值，V(x)為第x列像素點(diǎn)的平均灰度投影值。根據(jù)紗線的亮度特征，織物緯向灰度投影曲線中波峰位置對(duì)應(yīng)緯紗軸線，波谷位置對(duì)應(yīng)緯紗間隙，因此只要通過(guò)確定波谷的坐標(biāo)，即可定位緯紗間隙位置，實(shí)現(xiàn)緯紗分割。同理，通過(guò)確定織物徑向灰度投影曲線中的波谷坐標(biāo)，即可定位經(jīng)紗間隙位置，實(shí)現(xiàn)經(jīng)紗分割完成組織點(diǎn)網(wǎng)格初始化。

在進(jìn)行織物樣本圖片采集時(shí)，盡管已經(jīng)人為控制將經(jīng)紗和緯紗處于垂直相交的狀態(tài)，但仍會(huì)出現(xiàn)部分經(jīng)緯紗線處于小角度偏斜狀態(tài)，導(dǎo)致在進(jìn)行組織點(diǎn)網(wǎng)格劃分時(shí)，無(wú)法確保組織點(diǎn)完全處于網(wǎng)格內(nèi)，即提取到的組織點(diǎn)子圖像中僅包含部分組織點(diǎn)邊緣信息，影響后續(xù)組織點(diǎn)特征參數(shù)提取和屬性識(shí)別。由于緯紗的密度相對(duì)較低，紗線間間隔較明顯，利用灰度投影法能實(shí)現(xiàn)準(zhǔn)確定位分割，因此，在準(zhǔn)確分割緯紗的基礎(chǔ)上，利用緯紗條干的局部亮度信息來(lái)進(jìn)行網(wǎng)格校正，過(guò)程如下：

①在采集樣本圖像時(shí)，優(yōu)先使緯紗處于水平方向上，再盡量時(shí)經(jīng)紗處于豎直方向。

②將采集到的織物圖像進(jìn)行網(wǎng)格初始化后，提取每根緯紗的子圖像；

③提取初始化后經(jīng)紗間隙的定位點(diǎn)坐標(biāo)，計(jì)算定位點(diǎn)局部區(qū)域內(nèi)的徑向灰度總值，計(jì)算公式如下，選取灰度總值最小的點(diǎn)坐標(biāo)，作為校正后的經(jīng)紗間隙定位點(diǎn)：

④對(duì)每一根緯紗進(jìn)行相同的處理，最終得到完整的組織點(diǎn)網(wǎng)格校準(zhǔn)后圖像。

分別建立大小為M像素*N像素的經(jīng)組織點(diǎn)模板圖像和緯組織點(diǎn)模板圖像。本文分割提取出的組織點(diǎn)圖像大小平均約為20像素*20像素，因此模板圖像的尺寸大小確定為20像素*20像素，結(jié)合織物反射圖像中紗線的亮度特征，模板中紗線部分用白色表示，紗線間隙部分用黑色表示，建立經(jīng)組織點(diǎn)模板圖和緯組織點(diǎn)模板圖。

選取水平灰度變化均值(Hcov)和垂直灰度變化均值(Vcov)作為特征參數(shù)來(lái)表征組織點(diǎn)圖像。

假設(shè)M表示組織點(diǎn)圖像垂直方向上的像素?cái)?shù)，N表示圖像水平方向上的像素?cái)?shù)，G(x,y)表示圖像在(x,y)處的灰度值，d表示兩個(gè)像素點(diǎn)間的距離，則圖像的水平灰度變化均值表達(dá)式如下：

水平變化均值反映了組織點(diǎn)圖像在水平方向上的灰度變化規(guī)律，其數(shù)值越大，表示圖像在水平方向上的灰度突變總值越大，灰度突變?cè)矫黠@。

圖像的垂直灰度變化表達(dá)式如下：

垂直變化均值反映了組織點(diǎn)圖像在垂直方向上的灰度變化規(guī)律，其數(shù)值越大，表示圖像在垂直方向上的灰度突變總值越大，灰度突變?cè)矫黠@。

以水平變化均值為x軸，以垂直變化均值為y軸，建立如圖5所示分類坐標(biāo)系，則基于模板匹配的組織點(diǎn)屬性識(shí)別方法具體流程如下：

①提取出組織點(diǎn)模板的特征參數(shù)，即模板圖像的水平灰度變化均值(Hcov)和垂直灰度變化均值(Vcov)，作為特征參考點(diǎn)；

②以待識(shí)別組織點(diǎn)圖像為目標(biāo)，提取出圖像的水平灰度變化均值(Hcov)和垂直變化均值(Vcov)，作為其特征點(diǎn)；

③計(jì)算坐標(biāo)系中代表待識(shí)別組織點(diǎn)圖像的特征點(diǎn)與代表緯組織點(diǎn)模板圖像的特征參考點(diǎn)的歐式距離S1，與代表經(jīng)組織點(diǎn)模板圖像的特征參考點(diǎn)的歐式距離S2，如圖6和圖7所示，計(jì)算公式如下：

其中，x₁為特征點(diǎn)的橫坐標(biāo)，y₁為特征點(diǎn)的縱坐標(biāo)，x₂為參考點(diǎn)的橫坐標(biāo)，y²為參考點(diǎn)的縱坐標(biāo)，S為兩點(diǎn)間的歐式距離；

④比較S1和S2，若S1<S2，則判定該點(diǎn)為為組織點(diǎn)；若S1>S2，則判定該點(diǎn)為經(jīng)組織點(diǎn)；若S1＝S2，則標(biāo)記該點(diǎn)為未成功識(shí)別點(diǎn)；

⑤取下一個(gè)待識(shí)別組織點(diǎn)圖像作為目標(biāo)，重復(fù)步驟②-④，直至所有待識(shí)別組織點(diǎn)識(shí)別結(jié)束，并得到組織點(diǎn)分類結(jié)果圖，如圖8所示。

判斷出組織點(diǎn)屬性后，將經(jīng)組織點(diǎn)記為“1”，緯組織點(diǎn)記為“0”，則可以得到對(duì)應(yīng)的組織點(diǎn)矩陣。將組織點(diǎn)矩陣中的“1”以黑色方塊表示，“0”以白色方塊表示，則可以得到相應(yīng)的組織圖，如圖9所示的連續(xù)9*9個(gè)組織點(diǎn)進(jìn)行識(shí)別結(jié)果。

由于機(jī)織物的經(jīng)緯紗線呈相互沉浮的交織狀態(tài)，該特性反映在組織圖中則表現(xiàn)為：若正面組織圖中交織點(diǎn)為經(jīng)組織點(diǎn)，則反面組織圖中相應(yīng)位置必定為緯組織點(diǎn)。因此，利用該現(xiàn)象，在初步識(shí)別雙面圖像的組織圖后，對(duì)正反面組織圖進(jìn)行對(duì)位檢測(cè)，可檢測(cè)出識(shí)別錯(cuò)誤的組織點(diǎn)。具體工作流程如下：

①利用基于模板匹配的組織點(diǎn)屬性識(shí)別方法分別得到織物正反雙面圖像的組織點(diǎn)矩陣；

②將正反面組織點(diǎn)矩陣相加，得到疊加矩陣；

③提取出矩陣中數(shù)值不為“1”的元素點(diǎn)，元素的位置坐標(biāo)即對(duì)應(yīng)識(shí)別錯(cuò)誤的組織點(diǎn)位置。

以平紋織物為例，如圖10所示的矩陣疊加示意圖，織物正面組織圖a的正面組織點(diǎn)矩陣b和反面組織圖c的反面組織點(diǎn)矩陣d疊加，得到組織點(diǎn)疊加矩陣e。矩陣中元素1-4、1-9和9-4的值不等于1，因此對(duì)應(yīng)于雙面組織圖中組織點(diǎn)1-4,1-9和9-4為錯(cuò)誤識(shí)別的組織點(diǎn)。

提取出識(shí)別錯(cuò)誤的組織點(diǎn)后，利用k鄰近算法對(duì)組織點(diǎn)進(jìn)行屬性校正，具體工作流程如下：

①提取已經(jīng)正確識(shí)別的經(jīng)緯組織點(diǎn)，分別構(gòu)建為訓(xùn)練集U1和U2；

②提取錯(cuò)誤識(shí)別的組織點(diǎn)，構(gòu)建為測(cè)試集X；

③確定k的值；

④分別計(jì)算測(cè)試集X中待檢測(cè)點(diǎn)x_i到訓(xùn)練集U1和U2中所有點(diǎn)的歐氏距離：

⑤從訓(xùn)練集中選取與待檢測(cè)點(diǎn)最近的k個(gè)點(diǎn)組成優(yōu)先級(jí)隊(duì)列；

⑥計(jì)算訓(xùn)練集U1和U2中元素在優(yōu)先級(jí)隊(duì)列中各占的權(quán)重，將測(cè)試集與所占權(quán)重較大的訓(xùn)練集歸為同一類別。

以提取的識(shí)別錯(cuò)誤的平紋組織點(diǎn)1-4為例，對(duì)其進(jìn)行屬性校正，當(dāng)k＝1時(shí)，優(yōu)先級(jí)隊(duì)列中所有元素屬于經(jīng)組織點(diǎn)集；當(dāng)k＝5時(shí)，優(yōu)先級(jí)隊(duì)列中4個(gè)元素屬于經(jīng)組織點(diǎn)集，1個(gè)屬于緯組織點(diǎn)集；當(dāng)k＝15時(shí)，優(yōu)先級(jí)隊(duì)列中12個(gè)元素屬于經(jīng)組織點(diǎn)集，3個(gè)屬于緯組織點(diǎn)集。由結(jié)果可知，隨著k值增大，優(yōu)先級(jí)隊(duì)列中元素屬于經(jīng)組織點(diǎn)集的個(gè)數(shù)也隨之增多，因此，可將組織點(diǎn)1-4歸為經(jīng)組織點(diǎn)。同理，組織點(diǎn)1-9歸為緯組織點(diǎn)，組織點(diǎn)9-4歸為經(jīng)組織點(diǎn)。

利用K-NN算法對(duì)組織圖進(jìn)行校正后，最終可以得到正確識(shí)別的色織物雙面組織圖。不同組織結(jié)構(gòu)的織物，取連續(xù)的9*9個(gè)組織點(diǎn)進(jìn)行識(shí)別。

在利用K鄰近算法得到校正后的機(jī)織物組織圖后，結(jié)合提取出的組織點(diǎn)圖像，借助聚類算法對(duì)色紗進(jìn)行聚類分析，可生成色織物配色模紋圖。

由于組織點(diǎn)圖像中各像素點(diǎn)的顏色值均不相同，因此首先需要提取出代表單個(gè)組織點(diǎn)顏色的特征值，具體流程如下：

①對(duì)色織物圖像進(jìn)行組織點(diǎn)網(wǎng)格劃分，得到Lab顏色空間下的組織點(diǎn)圖像；

②將組織點(diǎn)圖像分解為L(zhǎng)、a、b三個(gè)顏色通道的子圖像；

③分別求出三個(gè)顏色通道的子圖像的顏色均值L、a、b，作為組織點(diǎn)圖像的顏色特征值，計(jì)算公式如下：

其中，M、N為組織點(diǎn)圖像的水平像素?cái)?shù)和垂直像素?cái)?shù)，L(x,y)、a(x,y)、b(x,y)分別為L(zhǎng)、a、b顏色通道子圖像中(x,y)處點(diǎn)的像素值。提取全部組織點(diǎn)顏色特征之后，以特征值作為該組織點(diǎn)的顏色值，重構(gòu)得到色織物特征模擬圖。

得到雙面圖像的特征模擬圖后，結(jié)合組織圖，分別提取正面模擬圖中經(jīng)組織點(diǎn)的顏色信息和反面模擬圖中經(jīng)組織點(diǎn)的顏色信息進(jìn)行融合處理，得到色經(jīng)排列圖。類似的，提取正面模擬圖中緯組織點(diǎn)的顏色信息和反面模擬圖中緯組織點(diǎn)的顏色信息進(jìn)行融合處理，得到色緯排列圖。

對(duì)色經(jīng)排列圖和色緯排列圖進(jìn)行k均值聚類分析，由結(jié)果可知，利用k均值聚類算法，可以將分別將色織物20的色經(jīng)和色緯劃分為2個(gè)聚類結(jié)果，分別對(duì)應(yīng)2種不同顏色的紗線。取各種類聚類中心的特征值作為該種類色紗的顏色特征值，可重構(gòu)得到校正后色經(jīng)排列圖和色緯排列圖。

利用校正后的色紗排列圖，將織物組織圖中經(jīng)組織點(diǎn)處填上相應(yīng)色經(jīng)的顏色，緯組織點(diǎn)處填上相應(yīng)色緯的顏色，最終可以得到色織物的配色模紋圖。

利用分光光度計(jì)提取色織物色紗顏色值，作為人工測(cè)量值，如圖11所示；利用聚類算法得到的色紗顏色值，即自動(dòng)測(cè)量值，如圖12所示，將人工測(cè)量值與自動(dòng)測(cè)量值進(jìn)行對(duì)比可知，本實(shí)例人工測(cè)量顏色值與自動(dòng)測(cè)量顏色值最小差值為1，最大差值為12，平均差值為4.2。

上述各實(shí)施方式是實(shí)現(xiàn)本實(shí)用新型的具體實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解，而在實(shí)際應(yīng)用中，可以在形式上和細(xì)節(jié)上對(duì)其作各種改變，而不偏離本實(shí)用新型的精神和范圍。