基于視頻序列的織物折皺回復(fù)角動態(tài)測量

王 蕾，劉建立，潘如如，高衛(wèi)東

(生態(tài)紡織教育部重點實驗室(江南大學(xué))，江蘇 無錫 214122)

織物抗皺性能又稱織物折皺彈性，是紡織品服用性能的一項重要指標［1］。其評價方法可分為外觀法和折皺回復(fù)角法。外觀法是將試樣與標準樣照進行比較，目測得出折皺等級來表征織物折皺性能的好壞，參照標準有AATCC124—2010《織物經(jīng)多次家庭洗滌后的外觀平整度》、GB/T 13769—2009《紡織品評定織物洗滌后外觀平整度的試驗方法》和AATCC128— 2010《織物折皺回復(fù)性：外觀法》。在過去的20年中，評估折皺的方法從視覺評價發(fā)展為儀器測量，機器視覺技術(shù)在儀器評估折皺中起到重要作用［2］。在織物平整度等級評價研究初期，主要采用二維圖像分析技術(shù)提取折皺特征參數(shù)，如 Xu等［3］提出用折皺灰度表面積、陰影面積評定平整度等級，Mori等［4］從灰度圖像中提取了對比度、熵分形維數(shù)等參數(shù)，采用它們來訓(xùn)練神經(jīng)網(wǎng)絡(luò)以評估折皺［4］。之后發(fā)展到采用三維技術(shù)提取折皺密度、幅度和清晰度等更多三維特征參數(shù)，如 Kang等［5］利用立體系統(tǒng)采集描述織物表面粗糙度的三維數(shù)據(jù)來提取分形維數(shù)，楊曉波等［6］建議用光度立體方法構(gòu)建三維織物表面，Xu等［2］利用一種立體視覺系統(tǒng)重建折皺織物的三維表面。雖然機器視覺輔助織物折皺性能外觀評價方面已取得了一定的研究成果，但是目前對計算機輔助測量織物折皺回復(fù)角方面的研究卻很少，事實上角度數(shù)據(jù)比等級給人的感受更直觀。

折皺回復(fù)角是測量織物折疊試樣折痕回復(fù)角，參照標準主要是AATCC66—2008《織物折皺回復(fù)：回復(fù)角法》。該方法的優(yōu)點是易于規(guī)范化、標準化，測量結(jié)果具有相對的可比性。按照測量回復(fù)角時試樣折痕線所呈的位置，測量方法可分為水平法和垂直法。垂直放置試樣克服了織物重力的影響，因此垂直法的測量結(jié)果較水平法準確，我國對織物折皺回復(fù)角測量的方法主要采用垂直法。目前采用垂直法測量織物折皺回復(fù)角的儀器主要有國產(chǎn)YG541E型激光織物折皺彈性測試儀和英國SDL-M003A型折皺回復(fù)角試驗機。YG541E型激光織物折皺彈性試驗儀符合GB/T 3819—1997《紡織品 織物折痕回復(fù)性的測定回復(fù)角法》的要求，壓力負荷為10 N，可同時測試10個樣品，獲得壓重釋放后15 s時的急彈性回復(fù)角讀數(shù)和5 min時的緩彈性回復(fù)角讀數(shù)。相對于YG541E型激光織物折皺彈性測試儀僅有一種負荷規(guī)格，SDL-M003型折皺回復(fù)角試驗機配置的3種負荷規(guī)格對不同標準有更加靈活的適用性，其中500g(帶壓腳)負荷可滿足 AATCC66—2008標準要求，1 019g(帶 壓 腳)可 滿 足 GB/T 3819—1997、BSEN2313標準要求;1 019g(帶壓腳)負荷上加上981g(不帶壓腳)負荷可滿足 MS P22試驗要求［7］。由于每次試驗只能做1塊試樣，耗時長，但多次試驗結(jié)果表明，數(shù)據(jù)穩(wěn)定性比YG541E激光織物折皺彈性試驗儀要好［8］。將試樣長邊與水平面接觸，使之自動展開，雖不受釋放時沖擊振動和重力的影響，但對剪切力小的織物(針織物)不很適用;將試樣夾持在刻度盤上雖不受試樣重力和剪切力的影響，但受釋放時沖擊力或振動力的影響，且跟蹤調(diào)節(jié)在初始時是不可能準確測得急彈性回復(fù)角的。

本文的視頻序列方法采用垂直法對織物折皺回復(fù)過程進行拍攝，將折痕線與水平面垂直放置，使試樣一邊固定，另一邊懸空，排除了釋放沖擊振動、剪切力和重力的影響。并結(jié)合圖像處理方法，實現(xiàn)了折皺回復(fù)角的客觀、準確測量，克服了現(xiàn)有表征方法忽略織物折皺回復(fù)角在整個過程中變化情況的缺陷，獲取各時刻織物折皺回復(fù)角度，并繪出織物折皺回復(fù)角度隨時間變化曲線。這種方法可以更為全面地評價織物折皺回復(fù)性能，為紡織面料設(shè)計與生產(chǎn)和服裝設(shè)計與制作提供參考。

1 視頻序列采集及預(yù)處理

1.1 視頻序列采集

在視頻采集前，將折疊的40 mm×15 mm試樣放入SDL-M003型折皺回復(fù)角試驗機的負載裝置中，負荷物質(zhì)量為500g，5 min±5 s后迅速而平穩(wěn)地從試樣上除去重物，使試樣的折疊狀態(tài)不會打開。用鑷子把折疊的試樣移動到視頻序列采集的試樣臺上，放置方式如圖1所示。試樣一翼固定，另一翼懸空，立即開始視頻序列采集。借助Basler工業(yè)視頻套件，OPT-FL130130型面光源和光源控制器，以及National Instruments Vision Assistant 8.0軟件對折皺回復(fù)過程中的織物進行視頻序列采集，視頻采集速度為450幀/min，保存格式為 avi視頻文件，采集到的為灰度視頻序列。采集時長為5 min，視頻序列中單幀大小為640像素×480像素。運用MatLab 2009對織物折皺回復(fù)視頻序列進行處理。

圖1 視頻序列采集系統(tǒng)Fig.1 Video sequence acquisition system

以羊毛平紋織物緯向正面對折的動態(tài)折皺回復(fù)角測量結(jié)果為例，從3塊試樣分別得到圖2所示的3條曲線，說明視頻序列方法所得到的單一樣品回復(fù)角的重現(xiàn)性較好。

1.2 視頻序列預(yù)處理

圖2 試樣折皺回復(fù)角與時間的關(guān)系Fig.2 Relationship between wrinkle recovery angle and time

本文將采用Hough變換獲取織物折皺回復(fù)角度數(shù)據(jù)，由于 Hough變換存在計算量較大的缺點，在采用Hough變換前，需對織物折皺回復(fù)視頻單幀圖像進行預(yù)處理。本文以視頻中的1幀織物折皺回復(fù)圖像(圖3)為例進行說明。如圖3所示，形成一定角度的織物的2條邊稱為織物折皺回復(fù)的兩翼。首先將灰度圖像轉(zhuǎn)化為二值圖像，如圖4所示。視頻序列采集時，背景和支架均為黑色，與白色的織物形成鮮明的對比，對織物折皺回復(fù)視頻圖像進行二值化處理易將織物從背景中分離出來，為后續(xù)處理打下良好基礎(chǔ)。

圖3 原圖Fig.3 Original image

圖4 二值化后圖像Fig.4 Binary image

然后采用數(shù)學(xué)形態(tài)學(xué)［9］中的細化算法對圖像進行處理。細化算法的實質(zhì)是將1個曲線形物體化為1條單像素寬的線，使原二值圖像只保留織物兩翼的中線，從而以圖像化顯示出拓撲性質(zhì)［10］。根據(jù)AATCC66—2008要求，試樣在回復(fù)過程中如果自由翼輕微的扭轉(zhuǎn)或卷曲，以通過該翼的中心作為折皺回復(fù)讀數(shù)的基準，因此需要將織物邊緣進行細化處理。細化變換可使連通的區(qū)域轉(zhuǎn)化成1條連通的曲線，且曲線處于區(qū)域的中央，能近似反映原區(qū)域的基本形狀，有助于突出折皺回復(fù)過程中織物的形狀特點和拓撲結(jié)構(gòu)并且減少冗余的信息量，以滿足標準要求。

本文所采用的細化過程為：1)先把圖像按棋盤狀圖案分成2個不同的子域;2)在第1次迭代中，當且僅當條件C1、C2和 C3都滿足時，從第1子域刪除像素p;3)在第2次迭代中，當且僅當條件 C1、C2和C'3同時滿足時，從第2子域刪除像素p。

條件 C1：

x1，x2，…，x8是像素 p的8個相鄰像素的值，從右邊開始按逆時針方向順序?qū)ο噜彽南袼攸c進行編號，如圖5所示。

圖5 像素p的8個鄰域Fig.5 Eight neighborhood pixels of p

2個子迭代組成1個迭代細化算法，運算中不斷進行迭代，當一個完整的循環(huán)結(jié)束時，如果所得的結(jié)果不再變化，則終止迭代過程。

圖6 為細化處理后圖像，細化后的織物折皺回復(fù)圖像為1條單個像素點組成的連通曲線，從原圖像去掉一些點，得到的細化后圖像仍能保留原圖像中織物兩翼所在位置的信息。進行細化處理不僅符合AATCC66—2008以通過織物一翼的中心作為折皺回復(fù)讀數(shù)基準的要求，而且大大減小了Hough變換的計算量，克服了Hough變換運算量大以及容易將不屬于直線的點也連接到直線上而導(dǎo)致的過連接現(xiàn)象。

圖6 細化處理后圖像Fig.6 Result of thinning algorithms

2 織物折皺回復(fù)角測量

2.1 Hough變換

為了獲得每個時刻的織物折皺回復(fù)角，需知織物兩翼在圖像中所處的位置，而Hough變換［11］是一種被廣泛用于直線、圓與橢圓等可參數(shù)化幾何圖形檢測的方法，因此采用 Hough變換求這兩翼的角度。利用Hough變換提取織物折皺回復(fù)圖像中的直線，把直線上點的坐標變換到過點的直線的系數(shù)域，通過利用共線和直線相交的關(guān)系，使直線的提取問題轉(zhuǎn)化為計數(shù)問題［12］。

圖7 為Hough變換原理圖。由圖可知，在極坐標系中，目標直線可表示為

圖7 Hough變換原理圖Fig.7 Principle of Hough transform

在給定的圖像空間(x，y)中，ρ為原點到直線的垂直距離，θ為x軸與目標直線之間的角度［13］。對于任意給定的(ρ，θ)，直線也就確定，這樣就將像素點從圖像空間轉(zhuǎn)換到(ρ，θ)。遍歷圖像，對每個不屬于背景的點計算其所有θ角度對應(yīng)的ρ，再對累加器元件進行統(tǒng)計，最后通過設(shè)定特定的閾值求出Hough變換峰值來表示圖像中潛在的直線［14］。該方法的主要優(yōu)點是受共線點的間隙和噪聲影響較小。

2.2 織物折皺回復(fù)角檢測

對細化后的織物折皺回復(fù)單幀圖像進行Hough變換時，考慮到 θ的檢測范圍是［-90°，90°］，因此注意到織物擺放位置，使折皺回復(fù)過程中織物兩翼在視頻序列中始終處于［0°，180°］范圍內(nèi)。

Hough變換檢測織物折皺回復(fù)角按如下步驟進行：

1)設(shè)定 △ρ=1，△θ=0.1°。

2)遍歷圖像，若像素點為白色，即對該像素點進行Hough變換。

3)對(ρ，θ)參數(shù)空間進行頻數(shù)統(tǒng)計，找出上述θ在其范圍內(nèi)A(ρ，θ)的最大峰值，并將該點及其附近點清零，以防織物自身的彎曲導(dǎo)致算法檢測出多條極其鄰近的“假”直線而影響最終結(jié)果，再找出次大峰值，這2個峰值即為織物兩翼在圖像上所對應(yīng)的角度 θ1和 θ2。

圖3 所示織物折皺回復(fù)角檢測值為34.3°。

3 試驗結(jié)果

為了檢測本文提出方法的可行性與測量結(jié)果的有效性，對采集的織物折皺回復(fù)視頻序列進行處理，試樣規(guī)格如表1所示。將動態(tài)測量中5 min時刻的角度結(jié)果與AATCC66—2008所測結(jié)果進行對比，結(jié)果如表2所示。

表1 試樣規(guī)格Tab.1 Parameters of samples

表2 視頻序列方法與參照AATCC66—2008手動方法測量平均值Tab.2 Summary of average of wrinkle recovery angles by video sequence method and AATCC66—2008 (°)

經(jīng)向正面對折、反面對折，緯向正面對折、反面對折4組試驗，以每組試驗3個試樣所測得結(jié)果的平均值比較視頻序列處理方法與人工測量方法的結(jié)果。表2所列數(shù)據(jù)均為3個試樣測量結(jié)果的平均值。可以看出：就均值而言，動態(tài)測量結(jié)果中5 min時刻織物緩彈性回復(fù)角與人工目測的結(jié)果接近，它們之間的差值在［0°，2°)范圍之內(nèi)，說明采用視頻序列處理方法可以代替手工測量方法;就平紋織物而言，2種方法的測量結(jié)果均表明平紋織物正面對折與反面對折結(jié)果接近，這與其組織結(jié)構(gòu)有關(guān);比較棉和羊毛織物，羊毛織物的折皺回復(fù)角普遍比棉織物的大，說明羊毛織物折皺回復(fù)性能比棉好。

本文方法不僅可以獲得織物緩彈性折皺回復(fù)角度，而且能反映織物折皺回復(fù)整個過程中角度的變化情況，可實現(xiàn)織物折皺回復(fù)性能的綜合表征。圖8示出采用本文方法所得到的表1中6種織物的動態(tài)試驗結(jié)果。

圖8 1#～6#試樣動態(tài)折皺回復(fù)角Fig.8 Dynamic wrinkle recovery angles of 1#-6#samples

從圖8中可明顯看出，隨時間的延長，織物折皺回復(fù)角先迅速增大，一段時間后增加幅度變小，曲線趨于平緩。不同組織、原料的織物在不同方向折疊下，動態(tài)折皺回復(fù)角的變化情況各有差異。其中，圖8(a)和圖8(d)分別為棉和羊毛平紋織物的動態(tài)折皺回復(fù)角，它們共同反映了在5 min的回復(fù)過程中，同一方向正、反面對折的動態(tài)回復(fù)角度變化情況很接近。這是由平紋織物經(jīng)紗和緯紗一上一下交織形成織物的組織結(jié)構(gòu)決定的。圖8(b)中，2#試樣的緯向正面對折動態(tài)回復(fù)角與經(jīng)向反面對折的接近，經(jīng)向正面對折與緯向反面對折回復(fù)過程中角度差值始終在5°之內(nèi)。圖8(c)中，3#試樣的4種折疊方式中折皺回復(fù)性能由好到差排序依次是：緯向正面對折、經(jīng)向反面對折、緯向反面對折、經(jīng)向正面對折。而5#試樣(見圖8(e))的4種折疊方式的折皺回復(fù)性能排序卻與3#試樣完全相反。如圖8(f)所示，6#試樣緯向正面對折的動態(tài)回復(fù)角度比其他三者都大，且其他三者角度較為接近。由于本文方法與AATCC66—2008同樣存在將試樣由負載裝置中轉(zhuǎn)移到測試裝置的過程，因此動態(tài)測量初始值較大，但不論從初始值還是5 min的測量終值來說，羊毛織物的回彈速度和最終回復(fù)角度都比棉織物的大。如圖8(a)～(c)所示，棉織物初始角度都小于90°，而如圖8(d)～(f)所示，羊毛織物初始角度大于110°。

4 結(jié)語

采用本文提出的視頻序列處理方法，對織物折皺回復(fù)性能進行動態(tài)測量，可以直觀地看出織物折皺回復(fù)角隨時間的變化情況，而現(xiàn)有 AATCC66—2008的測量方法僅能得到織物折皺回復(fù)5 min時的折皺回復(fù)角，難以全面地反映織物的折皺回復(fù)性能。視頻序列處理方法可以排除人工測量方法帶來的誤差，更準確、客觀地評價織物折皺回復(fù)性能，還能進一步得到織物折皺回復(fù)階段回復(fù)角度基本處于穩(wěn)定狀態(tài)的時刻，對完善織物折皺回復(fù)性能評價指標有很大幫助，進而為紡織面料設(shè)計與生產(chǎn)和服裝設(shè)計與制作提供參考。

［1］石風(fēng)俊，鄭德均.織物折皺回復(fù)性能建模研究［J］.紡織學(xué)報，2007，28(10)：38-41.SHI Fengjun，ZHENG Dejun.A modeling approach to recovery properties of woven fabric［J］.Journal of Textile Research，2007，28(10)：38-41.

［2］YU W，YAO M，XU B.3-D surface reconstruction and evaluation of wrinkled fabrics by stereo imaging［J］.Textile Research Journal，2009，79(1)：36-46.

［3］XU B，REED J A.Instrumental evaluation of fabric wrinkle recovery ［J］.Journal of the Textile Institute，1995，86(1)：129-135.

［4］MORI T，KOMIYAMA J.Evaluating wrinkled fabrics with image analysis and neural networks［J］.Textile Research Journal，2002，72(5)：417-422.

［5］KANG T J，CHO D H，KIM S M.New objective evaluation of fabric smoothness appearance［J］.Textile Research Journal，2001，71(5)：446-453.

［6］YANG X B，HUANG X B.Evaluating fabric wrinkle degree with a photometric stereo method ［J］.Textile Research Journal，2003，73(5)：451-454.

［7］盛愛軍，張建祥，耿彩花.折皺回復(fù)角測試方法［J］.印染，2007(15)：38-41.SHENG Aijun， ZHANG Jianxiang， GENG Caihua.Testing methods of crease recovery angle［J］.Dyeing ＆Finishing，2007(15)：38-41.

［8］張曉婷，高衛(wèi)東，盧雨正.織物折皺回復(fù)角與其物理力學(xué)性能的關(guān)系［J］.紡織學(xué)報，2008，29(6)：29-31，38.ZHANG Xiaoting， GAO Weidong， LU Yuzheng.Relationship between fabris wrinkle recovery angle and its physical and mechanical property［J］.Journal of Textile Research，2008，29(6)：29-31，38.

［9］ETIENNE Decencie`re，MAROTEGUI B，MEYER F.Content-dependent image sampling using mathematical morphology：application to texture mapping ［J］.Signal Processing：Image Communication，2001，16：567-584.

［10］江萍，徐曉冰，方敏.基于形態(tài)學(xué)骨架提取算法的研究及其實現(xiàn)［J］.計算機應(yīng)用，2003，23(S1)：136-137.JIANG Ping，XU Xiaobing，F(xiàn)ANG Min.Research and application of skeleton extraction algorithm based on morphology ［J］.Computer Applications， 2003，23(S1)：136-137.

［11］LLINGWORTH J，KITTLER J.A survey of the Hough transform ［J］.Computer Vision，Graphics，and Image Processing，1988，44(1)：87-116.

［12］郭斯羽，孔亞廣，張煦芳.基于Hough變換的角點檢測算法［J］.儀器儀表學(xué)報，2008，29(11)：2424-2429.GUO Siyu，KONG Yaguang，ZHANG Xufang.Corner detection algorithm based on Hough transform ［J］.Chinese Journal of Scientific Instrument，2008，29(11)：2424-2429.

［13］潘如如，高衛(wèi)東，劉基宏，等.基于 Hough變換的機織物組織點自動定位［J］.紡織學(xué)報，2010，31(3)：59-63.PAN Ruru， GAO Weidong， LIU Jihong， etal.Automatic location of woven fabric crossing points via Hough transform［J］.Journal of Textile Research，2010，31(3)：59-63.

［14］段汝嬌，趙偉，黃松嶺，等.一種基于改進 Hough變換的直線快速檢測算法［J］.儀器儀表學(xué)報，2010，31(12)：2775-2780.DUAN Rujiao，ZHAO Wei，HUANG Songling，et al.Fast line detection algorithm based on improved Hough transformation［J］.Chinese Journal of Scientific Instrument，2010，31(12)：2775-2780.