印花織物的顏色聚類分析裝置及方法
【專利摘要】本發(fā)明提供了一種印花織物的顏色聚類分析裝置和方法，該裝置包括一套包含24種顏色的校準(zhǔn)色塊的印花織物樣品夾具，利用掃描儀采集印花織物的反射光圖像；之后利用安裝有分析軟件的計(jì)算機(jī)對(duì)印花織物的顏色進(jìn)行分割，利用中值濾波對(duì)印花織物圖像進(jìn)行預(yù)處理后，再通過24種顏色的校準(zhǔn)色塊的信息對(duì)印花織物圖像進(jìn)行顏色校準(zhǔn)，并將其圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間；最終借助于自適應(yīng)K均值聚類算法對(duì)顏色進(jìn)行分割，得到不同顏色的花紋子圖案。
【專利說明】
印花織物的顏色聚類分析裝置及方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及自動(dòng)識(shí)別技術(shù)領(lǐng)域，特別涉及了一種印花織物的顏色聚類分析裝置以 及方法。
【背景技術(shù)】
[0002] 印花織物因其具有獨(dú)特華麗的顏色和極其豐富的圖案，從它被開發(fā)出來就深受大 眾的喜愛。作為后續(xù)染料染色和打板成型前的重要步驟，顏色分割扮演著印花織物生產(chǎn)和 分析過程中不可缺少的角色。傳統(tǒng)的印花織物顏色分割是通過光學(xué)顯微鏡來完成，不僅耗 費(fèi)時(shí)間和勞動(dòng)力，而且容易受到人為主觀因素的影響，顏色劃分的效果不夠理想。近年來， 隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，織物紋理和性能客觀評(píng)價(jià)技術(shù)的發(fā)展日新月異，其中，基于圖 像分析和人工智能的方法可以用于對(duì)印花織物進(jìn)行顏色聚類的劃分，從而避免冗余計(jì)算。
[0003] 國(guó)內(nèi)外的研究人員針對(duì)印花織物顏色分割的問題做了大量研究，一般來說可以分 為兩類:基于無監(jiān)督聚類的方法和基于有監(jiān)督聚類的方法。前者主要利用模糊C均值聚類的 方法，在不同的顏色空間下對(duì)印花織物的顏色聚類進(jìn)行劃分，但是其算法的實(shí)現(xiàn)過程較為 復(fù)雜，魯棒性不高；后者利用神經(jīng)網(wǎng)絡(luò)，結(jié)合遺傳算法、直方圖分割法或主成分分析法對(duì)印 花織物的顏色進(jìn)行分割，但是該方法需要進(jìn)行大量樣本數(shù)據(jù)的采集和訓(xùn)練，耗費(fèi)大量時(shí)間 和精力。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種印花織物的顏色聚類分析方法，通過圖像處理技術(shù)， 利用不同模板尺寸的中值濾波去除織物圖像上的噪聲，在Lab空間借助于K均值聚類算法對(duì) 印花織物圖像進(jìn)行顏色聚類的劃分，從而獲得色紗的種類和數(shù)目。
[0005] 為實(shí)現(xiàn)以上目的，本發(fā)明提供了一種印花織物的顏色聚類分析裝置，包括織物夾 具；
[0006] 織物夾具的包括相互夾持的兩塊夾持板，夾持板的表面設(shè)有校準(zhǔn)色塊;織物夾具 的表面靠近圖像采集裝置的采集端，圖像采集裝置與圖像分析裝置相連接。
[0007] 作為優(yōu)選的，校準(zhǔn)色塊為24色校準(zhǔn)色塊。
[0008] 作為優(yōu)選的，夾持板之間通過相互匹配的磁鐵吸附夾持。
[0009] 本發(fā)明還提供了一種印花織物的顏色聚類分析方法，包括以下步驟：
[0010 ] S1、將RGB空間下的印花織物圖像分解為R、G、B三個(gè)顏色通道內(nèi)的子圖像；
[0011] S2、去除子圖像表面的噪聲；
[0012] S3、將去除噪聲后的三個(gè)子圖像重構(gòu)成一幅圖像；
[0013] S4、根據(jù)采集到的校準(zhǔn)色塊顏色信號(hào)校準(zhǔn)顏色數(shù)據(jù)；
[0014] S5、將校準(zhǔn)后的子圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間；
[0015] S6、對(duì)印花織物的顏色聚類進(jìn)行劃分。
[0016] 作為優(yōu)選的，步驟S2中，通過中值濾波的方式去除圖像噪聲。
[0017]作為優(yōu)選的，中值濾波的方式采用13 X 13的中值濾波模板。
[0018] 作為優(yōu)選的，步驟S4中，通過將R、G、B各個(gè)分量乘以一個(gè)顏色校正矩陣，獲得校正 之后的圖像。
[0019] 作為優(yōu)洗的，顏色持TH矩陣為 [0020；
[0021]作為優(yōu)選的，步驟5具體包括以下步驟：
[0022] S5.1、將圖像從RGB顏色空間轉(zhuǎn)換到XYZ顏色空間；
[0023] S5.2、根據(jù)XYZ顏色空間的織物圖像轉(zhuǎn)換為L(zhǎng)ab顏色空間的織物圖像；
[0024]其中，步驟S5.1具體包括以下步驟：
[0025] S5 · 11、將R、G、B的值除以255，分別得到ro、go、bo的值；
[0028] 步驟S5.2具體包括以下步驟：
[0031]作為優(yōu)選的，步驟S6通過自適應(yīng)K均值聚類劃分法對(duì)印花織物的顏色聚類進(jìn)行劃 分；自適應(yīng)K均值聚類劃分法包括以下步驟：
[0032] S6.1、確定選取出集合的數(shù)量k以及每個(gè)集合內(nèi)的數(shù)據(jù)數(shù)量η;
[0033] S6.2、尋找數(shù)據(jù)樣本集中距離最近的兩個(gè)數(shù)據(jù)對(duì)象，構(gòu)成一個(gè)數(shù)據(jù)對(duì)象集合Pl，
[0034] S6.3、從集合U中剔除數(shù)據(jù)對(duì)象集合Pl;
[0035] S6.3、計(jì)算選取出的集合Pl中每一個(gè)數(shù)據(jù)對(duì)象與去除集合Pl的集合U中每一個(gè)數(shù) 據(jù)對(duì)象的距離，找出在集合U中與Pl最近的數(shù)據(jù)對(duì)象，將該數(shù)據(jù)對(duì)象加入集合Pl中；
[0036] S6.4、重復(fù)步驟S6.3，直至集合Pl中數(shù)據(jù)對(duì)象為η個(gè)；
[0037] S6.5、重復(fù)步驟S6.2至S6.4，直至得到k個(gè)數(shù)據(jù)對(duì)象集合；
[0038] S6.6、對(duì)k個(gè)數(shù)據(jù)對(duì)象集合作算數(shù)平均，得到k個(gè)初始聚類；
[0039] S6.7、從數(shù)據(jù)對(duì)象集合中η個(gè)對(duì)象作為初始聚類中心:Z1 (I)，Z2(1)，…，Zn( 1);
[0040] S6.8、根據(jù)數(shù)據(jù)對(duì)象集合中的元素與這些聚類中心的距離，分別將它們分配給與 其最相似的聚類；
[0041 ] S6.9、計(jì)算每個(gè)所獲得的新聚類的聚類中心Zn(n+1)，j = 1，2，…，η，直到聚類Cj(k) 中所有元素到新的聚類中心的距離平方和達(dá)到最小值；
[0042] S6.10、若Zj(n+l)=Zj(n)，那么迭代的過程將停止，否則重復(fù)步驟S6.8和S6.9,直 到每個(gè)聚類不再發(fā)生變化為止；；
[0043] 其中，所述集合U為圖像中所有像素點(diǎn)組成的集合。
[0044] 在本發(fā)明中，該裝置包括一套包含24種顏色的校準(zhǔn)色塊的印花織物樣品夾具，利 用掃描儀采集印花織物的反射光圖像;之后利用安裝有分析軟件的計(jì)算機(jī)對(duì)印花織物的顏 色進(jìn)行分割，利用中值濾波對(duì)印花織物圖像進(jìn)行預(yù)處理后，再通過24種顏色的校準(zhǔn)色塊的 信息對(duì)印花織物圖像進(jìn)行顏色校準(zhǔn)，并將其圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間；最終 借助于自適應(yīng)K均值聚類算法對(duì)顏色進(jìn)行分割，得到不同顏色的花紋子圖案。特別是，通過 13 X 13模板尺寸的中值濾波處理后，印花織物圖像表面的毛羽和細(xì)小纖維被成功去除，同 時(shí)顏色信息得到了有效的保存。
【附圖說明】
[0045] 圖1為本發(fā)明中印花織物的顏色聚類分析裝置中的織物夾具示意圖。
[0046] 圖2為本發(fā)明中印花織物的顏色聚類分析方法的流程框圖。
[0047]圖3為本發(fā)明中3 X 3中值濾波示意圖。
[0048]圖4為本發(fā)明中3 X 3、13 X 13模板尺寸的中值濾波處理效果。
【具體實(shí)施方式】
[0049] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明的各實(shí) 施方式進(jìn)行詳細(xì)的闡述。
[0050] 圖1是印花織物的顏色聚類分析裝置，它主要包括三個(gè)部分：1) 一臺(tái)高分辨率的平 板式掃描儀（圖像采集裝置的一種），用來采集印花織物的反射光圖像;2) -臺(tái)裝有圖像分 析軟件的電腦（圖像分析裝置的一種），用來分析和處理采集到的圖像;3) -套特定的樣品 夾具，不僅可以用來夾持印花織物樣品，其上下夾板由四個(gè)條形磁鐵連接而成;而且其表面 設(shè)有可以用來進(jìn)行顏色校準(zhǔn)的校準(zhǔn)色塊，其顏色色卡由24個(gè)不同顏色的方塊組成。
[0051 ]在本實(shí)施方式中，平板式掃描儀的型號(hào)是愛普生V700PH0T0,掃描分辨率為 1200dpi。為了減少程序運(yùn)行所需的時(shí)間，提高顏色分割的效率，首先要將采集得到的原始 印花織物圖像分解成若干個(gè)子圖像，利用自適應(yīng)K均值聚類算法對(duì)印花織物子圖像的顏色 進(jìn)行分割，得到不同的聚類，然后利用圖像重構(gòu)，將不同的子圖像的顏色聚類進(jìn)行合并，從 而完成原始圖像的顏色聚類劃分。
[0052]使用時(shí)，利用該織物夾具夾住織物，僅需要將夾有織物的夾具的兩面放置在掃描 儀上分別掃描，即可采集到織物的圖像。
[0053]通過在織物上設(shè)置24色的校準(zhǔn)色塊，使得本發(fā)明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。
[0054] 本實(shí)施方式還提供了一種印花織物的顏色聚類分析方法，首先對(duì)印花織物圖像進(jìn) 行圖像分解，得到紅色、綠色和藍(lán)色三個(gè)顏色通道內(nèi)的印花織物子圖像，并對(duì)三個(gè)子圖像分 別進(jìn)行中值濾波處理;接著將濾波后的子圖像進(jìn)行圖像重構(gòu)，得到RGB空間下濾波后的印花 織物圖像，并對(duì)圖像進(jìn)行顏色校準(zhǔn)和顏色空間轉(zhuǎn)換，從而得到Lab顏色空間下的印花織物圖 像;最后借助于自適應(yīng)K均值聚類算法對(duì)印花織物圖像進(jìn)行顏色分割，得到不同顏色的花紋 子圖案，其具體的算法執(zhí)行流程圖如圖2所示。
[0055] 在數(shù)字圖像處理領(lǐng)域，一張彩色圖像被看做是一個(gè)三維的數(shù)字矩陣，其中每一個(gè) 像素點(diǎn)都由R(紅色）、G(綠色）、B(藍(lán)色)三個(gè)顏色值疊加而成，每個(gè)顏色值的取值范圍都為0 ~255。所以可以將圖片分解為三個(gè)分別只含R值，G值，B值的子圖像，分別被稱為紅色通道 子圖像，綠色通道子圖像，藍(lán)色通道子圖像。
[0056]將圖像分解為三個(gè)顏色通道的子圖像，是圖像處理中的基本處理方法，應(yīng)用廣泛， 在此不再敘述。
[0057]通常情況下，由于織物表面的毛羽和光照的不均勻，會(huì)造成織物圖像采集時(shí)噪聲 的出現(xiàn)，本發(fā)明采用二維中值濾波的方法去除圖像噪聲，達(dá)到增強(qiáng)圖像質(zhì)量的效果，以便提 高顏色分析的準(zhǔn)確率。
[0058]二維中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性信號(hào)處理技 術(shù)，其基本原理是把數(shù)字圖像中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，讓周圍 的像素值接近的真實(shí)值，從而消除孤立的噪聲點(diǎn)。選取一個(gè)3 X 3模板尺寸的中值濾波為例， 如圖3所示，假設(shè)f(x，y)表示原始灰度圖像，g(x，y)表示中值濾波后的圖像，原始灰度圖像 中某一個(gè)像素點(diǎn)的灰度值為192,其相鄰的八個(gè)像素點(diǎn)的灰度值為0,32，64,96,128,160， 225和255，利用中值濾波進(jìn)行處理后，該像素點(diǎn)的灰度值變?yōu)?28。13 X 13模板尺寸的中值 濾波亦是如此，將169個(gè)像素的灰度值求和，最終除以169,得到該像素點(diǎn)的灰度值。
[0059] 中值濾波是用來去除圖片中的噪音，其所用到的濾波尺寸模板大小有3X3,5X5， 7X7，9X9，13X 13等。模板尺寸越大，去除噪首的效果越好，但是相對(duì)的去噪之后的圖片清 晰度也會(huì)越低，在利用不同模板尺寸的中值濾波對(duì)印花織物圖像進(jìn)行處理過程中，發(fā)現(xiàn)13 X 13的模板對(duì)噪聲去除和顏色信息保留效果最佳，因此，在本實(shí)施方式中選取13X13模板 處理印花織物圖像的噪音，印花織物圖像表面的毛羽和細(xì)小纖維被成功去除，同時(shí)顏色信 息得到了有效的保存。
[0060] 在獲取了印花織物濾波后的圖像后，考慮到掃描儀部分的硬件實(shí)現(xiàn)，其在圖像采 集和傳輸過程中可能出現(xiàn)顏色失真現(xiàn)象，故使用顏色校正矩陣對(duì)印花織物的顏色進(jìn)行校 正。對(duì)于同一批印花織物樣品，其顏色校正矩陣近似相等，可將原始圖像的R、G、B各個(gè)分量 乘以一個(gè)顏色校正矩陣M，從而獲得校正之后的圖像。具體公式如下：
[0061]
[0062]其中，R'、G'、B'是經(jīng)過顏色校準(zhǔn)之后織物圖像中每個(gè)像素三個(gè)顏色通道分量的 值，R、G、B是顏色校準(zhǔn)之前每個(gè)像素的顏色分量值，矩陣M是顏色校正矩陣。
[0063]由于顏色校準(zhǔn)在自動(dòng)白平衡之后進(jìn)行的，其顏色校正矩陣需滿足三個(gè)約束條件：
[0064] 1)要求圖像中原先是白色或灰色點(diǎn)的區(qū)域，經(jīng)過顏色校準(zhǔn)后仍然是白色或灰色， 即保證矩陣每行元素之和相等，如下方公式所示。其中k為常數(shù)，其默認(rèn)值為1;
[0065]
[0066] 2)顏色校正矩陣的主對(duì)角線元素接近于1，使顏色校準(zhǔn)過程基于本通道的顏色分 量進(jìn)行調(diào)節(jié)；
[0067] 3)保證非主對(duì)角線元素盡量接近0,以減小不同通道顏色之間的相互影響。推導(dǎo)過 程中的約束條件為-(1〈&1」〈(1，（1矣」），其中(1 = 0.5，即要求矩陣的非主對(duì)角線元素的值處在 一個(gè)約束范圍之內(nèi)，以減少不同通道內(nèi)的串?dāng)_。
[0068]根據(jù)以上三個(gè)約束條件，推導(dǎo)出顏色校正矩陣為：
[0069]
[0070] 為了使色差更符合人眼視覺特性，同時(shí)避免顏色校準(zhǔn)對(duì)于白平衡的影響，本章提 出一種基于Lab顏色空間的顏色校準(zhǔn)方法，因其顏色是獨(dú)立于設(shè)備之外的顏色模式，不會(huì)受 到硬件性能和特性的影響，故此處將RGB顏色空間轉(zhuǎn)換到Lab顏色空間，因?yàn)椴杉降挠』?織物圖像是RGB圖像，故要將織物圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間進(jìn)行顏色聚類劃 分，其具體的轉(zhuǎn)換過程如下：
像。
[0074] 在獲取了 XYZ顏色空間的織物圖像后，可將織物圖像繼續(xù)進(jìn)行轉(zhuǎn)換，最終得到Lab 顏色空間的織物圖像，其具體過程如下：
[0075] (1)假如Χ>0·008856,那
> 類似地，利用該方法對(duì) Y和Z分量進(jìn)行處理，從而得到y(tǒng)、ζ;
[0076] (2)通：
，得到Lab顏色空間的織物圖像。
[0077]實(shí)現(xiàn)了上述轉(zhuǎn)換過程后，織物圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間，L分量的取 值分布在[0，100]范圍內(nèi)，a、b分量的取值分布在[-128，+127]范圍內(nèi)。
[0078]在K均值算法中，選擇不同的初始聚類中心會(huì)產(chǎn)生不同的聚類結(jié)果，如果初始聚類 中心選取不當(dāng)，算法的聚類結(jié)果可能會(huì)陷入局部最優(yōu)解，從而得不到較好的聚類效果。在本 發(fā)明中，提出一種自適應(yīng)K均值聚類算法，尋找與數(shù)據(jù)在空間分布上盡可能一致的初始聚類 中心，其初始聚類中心的選擇采取以下步驟：
[0079] 1、尋找數(shù)據(jù)樣本集中距離最近的兩個(gè)數(shù)據(jù)對(duì)象，將它們構(gòu)成一個(gè)數(shù)據(jù)對(duì)象集合 Pi，并將選取出的數(shù)據(jù)對(duì)象集合從集合U中去除；
[0080] 2、計(jì)算選取出的集合Pi中每一個(gè)數(shù)據(jù)對(duì)象與去除集合Pi后的集合U中每一個(gè)數(shù)據(jù) 對(duì)象的距離，找出在集合U中與Pi中最近的數(shù)據(jù)對(duì)象，并將它一并納入集合Pi，然后同時(shí)從集 合U中去除，如此循環(huán)，直到Pi中的數(shù)據(jù)對(duì)象個(gè)數(shù)達(dá)到規(guī)定的η個(gè)；
[0081] 3、繼續(xù)從集合U中尋找距離最近的兩個(gè)數(shù)據(jù)對(duì)象，將它們構(gòu)成另一個(gè)集合P2，重復(fù) 以上的步驟，直到形成k個(gè)數(shù)據(jù)對(duì)象集合；
[0082] 4、對(duì)已經(jīng)形成的k個(gè)數(shù)據(jù)對(duì)象集合進(jìn)行算術(shù)平均處理，從而得到k個(gè)初始聚類中 心。
[0083]在確定了初始聚類中心后，采用K均值聚類算法進(jìn)行圖像顏色聚類的劃分。它是典 型的基于原型的目標(biāo)函數(shù)聚類方法的代表，將數(shù)據(jù)點(diǎn)到原型的歐氏距離作為優(yōu)化的目標(biāo)函 數(shù)，利用函數(shù)求極值的方法得到迭代運(yùn)算的調(diào)整規(guī)則。
[0084]本發(fā)明選取包含三種不同顏色紗線的印花織物作為研究對(duì)象，利用K均值聚類的 方法將其劃分成不同的聚類，具體的步驟如下：
[0085] (1)從數(shù)據(jù)對(duì)象集合中任意選取k個(gè)對(duì)象作為初始聚類中心：Z1 (I)，Z2 (1)，…，Zn ⑴；
[0086] (2)在第k階迭代算法步驟內(nèi)，根據(jù)數(shù)據(jù)對(duì)象集合中的元素與這些聚類中心的距 離，分別將它們分配給與其最相似的聚類，如果I |x-Zj(n)| |<| |x-Zl(n)| I，那么XeCj(n)， 對(duì)所有的i = l，2,…，n，i矣j都成立，其中zj(n)是聚類Cj(n)的聚類中心；
[0087] (4)計(jì)算每個(gè)所獲得的新聚類的聚類中心。(11+1)，」=1，2，一，11，直到聚類(^(11)中 所有元素到新的聚類中心的距離平方和達(dá)到最小值，新的聚類中心可以表示為
'"，n，其中，Nj是聚類〇)中元素的數(shù)目；
[0088] (5)對(duì)j = l，2,…，η而言，如果Zj(n+l) = Zj(n)，那么迭代的過程將停止，否則不斷 循環(huán)(3)到(4)過程，直到每個(gè)聚類不再發(fā)生變化為止。
[0089] 在Lab空間下，利用K均值聚類算法對(duì)樣品的顏色聚類進(jìn)行劃分，該方法可以將印 花織物的顏色聚類進(jìn)行劃分，但是劃分出的聚類圖像中有大量孤立的噪聲點(diǎn)，因此，在聚類 分析之前，借助于一個(gè)3X3的中值濾波可以去除部分噪聲，提高印花織物圖像的聚類劃分 效果。
[0090] 在Lab顏色空間下對(duì)樣品的印花織物圖像進(jìn)行顏色劃分的效果要優(yōu)于RGB顏色空 間下印花織物的顏色聚類劃分，特別當(dāng)紗線之間具有相似的亮度值、不同的色調(diào)值時(shí)，例如 綠色紗線和白色紗線，它們?cè)赗GB顏色空間下很難被分割，但是在Lab空間下具有較好的聚 類劃分效果。同時(shí)，印花織物圖像經(jīng)過5 X 5模板尺寸的中值濾波處理后的顏色聚類劃分效 果，比經(jīng)過3X3模板尺寸的中值濾波處理后的顏色聚類劃分效果更好，可以去除更多的邊 緣噪聲。
[0091] 傳統(tǒng)的顏色空間是由色調(diào)，飽和度和亮度構(gòu)成，但是人們很難在RGB和HSL空間下 對(duì)顏色進(jìn)行準(zhǔn)確地識(shí)別。在本發(fā)明中，提出一種Lab顏色空間（如圖3所示），與傳統(tǒng)的顏色空 間相比，Lab顏色空間的色域更大，更接近于人類的視覺感應(yīng)，與RGB顏色空間的不均勻分布 相比，它致力于感知的均勻性。Lab空間中的L分量表示亮度，a和b分量表示顏色的對(duì)立維 度，因此，可以將L分量作為亮度區(qū)分的標(biāo)準(zhǔn)，將a和b的分量作為顏色評(píng)價(jià)的標(biāo)準(zhǔn)。
[0092]圖4是3X3、13X 13模板尺寸的中值濾波處理效果對(duì)比圖，通過該圖，可以看出，經(jīng) 過中值濾波處理后，印花織物圖像表面的毛羽和細(xì)小纖維被成功去除，同時(shí)顏色信息得到 了有效的保存。
[0093]上述各實(shí)施方式是實(shí)現(xiàn)本發(fā)明的具體實(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，而不偏離本發(fā)明的精神和范圍。
【主權(quán)項(xiàng)】
1. 一種印花織物的顏色聚類分析裝置，其特征在于，包括織物夾具； 所述織物夾具的包括相互夾持的兩塊夾持板，所述夾持板的表面設(shè)有校準(zhǔn)色塊;所述 織物夾具的表面靠近圖像采集裝置的采集端，所述圖像采集裝置與圖像分析裝置相連接。2. 根據(jù)權(quán)利要求1所述的印花織物的顏色聚類分析裝置，其特征在于，所述校準(zhǔn)色塊為 24色校準(zhǔn)色塊。3. 根據(jù)權(quán)利要求1所述的印花織物的顏色聚類分析裝置，其特征在于，所述夾持板之間 通過相互匹配的磁鐵吸附夾持。4. 一種印花織物的顏色聚類分析方法，其特征在于，包括W下步驟： 51、 將RGB空間下的印花織物圖像分解為R、G、BS個(gè)顏色通道內(nèi)的子圖像； 52、 去除子圖像表面的噪聲； 53、 將去除噪聲后的Ξ個(gè)子圖像重構(gòu)成一幅圖像； 54、 根據(jù)采集到的校準(zhǔn)色塊顏色信號(hào)校準(zhǔn)顏色數(shù)據(jù)； 55、 將校準(zhǔn)后的子圖像從RGB顏色空間轉(zhuǎn)換到Lab顏色空間； 56、 對(duì)印花織物的顏色聚類進(jìn)行劃分。5. 根據(jù)權(quán)利要求4所述的印花織物的顏色聚類分析方法，其特征在于，所述步驟S2中， 通過中值濾波的方式去除圖像噪聲。6. 根據(jù)權(quán)利要求5所述的印花織物的顏色聚類分析方法，其特征在于，所述中值濾波的 方式采用13 X 13的中值濾波模板。7. 根據(jù)權(quán)利要求4所述的印花織物的顏色聚類分析方法，其特征在于，所述步驟S4中， 通過將R、G、B各個(gè)分量乘W -個(gè)顏色校正矩陣，獲得校正之后的圖像。8. 根據(jù)權(quán)利要求7所述的印花織物的顏色聚類分析方法，其特征在于，所述顏色校正矩 陣為9. 根據(jù)權(quán)利要求4所述的印花織物的顏色聚類分析方法，其特征在于，所述步驟5具體 包括W下步驟： 55.1、 將圖像從RGB顏色空間轉(zhuǎn)換到別Z顏色空間； 55.2、 根據(jù)XYZ顏色空間的織物圖像轉(zhuǎn)換為L(zhǎng)ab顏色空間的織物圖像； 其中，所述步驟S5.1具體包括W下步驟： 55.11、 將R、G、B的值除W 255，分別得到ro、go、bo的值； 55.12、 將ro、go、b日的值分別與0.04045比較，若r〇〉0.04045，奶§則旨 b 0〉0 . 0 4 0 4 5，貝IJS5.13、通j得到別Z顏色空間的織物圖像； 所述步驟S5.2具體包括W下步驟： S 5 . 2 1、將 X、Y、Z 分別與 0 . 0 0 8 8 5 6 相比較，若 X〉0 . 0 0 8 8 5 6，則 X _ ，否則若 Z〉0.008856,貝 IJ 巧，否則S5.22、通過，得到Lab顏色空間的織物圖像。10.根據(jù)權(quán)利要求4所述的印花織物的顏色聚類分析方法，其特征在于，所述步驟S6通 過自適應(yīng)K均值聚類劃分法對(duì)印花織物的顏色聚類進(jìn)行劃分;所述自適應(yīng)K均值聚類劃分法 包括W下步驟： 56.1、 確定選取出集合的數(shù)量kW及每個(gè)集合內(nèi)的數(shù)據(jù)數(shù)量η; 56.2、 尋找數(shù)據(jù)樣本集中距離最近的兩個(gè)數(shù)據(jù)對(duì)象，構(gòu)成一個(gè)數(shù)據(jù)對(duì)象集合Ρ1， 56.3、 從集合U中剔除所述數(shù)據(jù)對(duì)象集合Ρ1; 56.3、 計(jì)算選取出的集合Ρ1中每一個(gè)數(shù)據(jù)對(duì)象與去除所述集合Ρ1的集合U中每一個(gè)數(shù) 據(jù)對(duì)象的距離，找出在集合U中與Ρ1最近的數(shù)據(jù)對(duì)象，將該數(shù)據(jù)對(duì)象加入所述集合Ρ1中； 56.4、 重復(fù)所述步驟S6.3，直至所述集合Ρ1中數(shù)據(jù)對(duì)象為η個(gè)； 56.5、 重復(fù)所述步驟S6.2至S6.4，直至得到k個(gè)數(shù)據(jù)對(duì)象集合； 56.6、 對(duì)k個(gè)所述數(shù)據(jù)對(duì)象集合作算數(shù)平均，得到k個(gè)初始聚類； 56.7、 從數(shù)據(jù)對(duì)象集合中η個(gè)對(duì)象作為初始聚類中屯、:Zi (1)，Z2(1)，…，Zn( 1); 56.8、 根據(jù)數(shù)據(jù)對(duì)象集合中的元素與運(yùn)些聚類中屯、的距離，分別將它們分配給與其最 相似的聚類； 86.9、 計(jì)算每個(gè)所獲得的新聚類的聚類中屯、2。(11+1)^ = 1，2，-，，11，直到聚類(：^4)中所 有元素到新的聚類中屯、的距離平方和達(dá)到最小值； 56.10、 若Zj (n+1) = Zj (η)，那么迭代的過程將停止，否則重復(fù)所述步驟S6.8和S6.9，直 到每個(gè)聚類不再發(fā)生變化為止； 其中，所述集合U為圖像中所有像素點(diǎn)組成的集合。
【文檔編號(hào)】G06K9/62GK105844676SQ201610172669
【公開日】2016年8月10日
【申請(qǐng)日】2016年3月24日
【發(fā)明人】辛斌杰, 劉曉霞, 林蘭天, 吳湘濟(jì)
【申請(qǐng)人】上海工程技術(shù)大學(xué)