基于多特征融合的織物印花圖像分割

曹 麗， 胡旭東

(1. 浙江理工大學(xué) 信息學(xué)院， 浙江 杭州 310018； 2. 浙江理工大學(xué) 機(jī)械與自動控制學(xué)院， 浙江 杭州 310018)

基于多特征融合的織物印花圖像分割

曹 麗1， 胡旭東2

(1. 浙江理工大學(xué) 信息學(xué)院， 浙江 杭州 310018； 2. 浙江理工大學(xué) 機(jī)械與自動控制學(xué)院， 浙江 杭州 310018)

針對織物印花檢測精度的問題，采用結(jié)合顏色和紋理特征多特征融合的方法，對織物印花圖像進(jìn)行有效分割。在織物印花分割過程中，首先采用顏色特征結(jié)合基于自動種子點(diǎn)選取的區(qū)域增長算法對圖像進(jìn)行初始分割，在此基礎(chǔ)上，利用小波變換提取干擾區(qū)域的紋理特征，從而可進(jìn)一步消除干擾區(qū)域，實(shí)現(xiàn)織物印花圖像的準(zhǔn)確分割。實(shí)驗(yàn)結(jié)果表明：基于多特征融合的分割算法能夠準(zhǔn)確地分割出織物的印花圖案，克服了僅僅采用顏色特征或者紋理特征時(shí)產(chǎn)生的分割失真，提高了分割質(zhì)量，具有較好的應(yīng)用價(jià)值。

顏色特征； 紋理特征； 織物印花； 圖像分割

織物印花的質(zhì)量檢測是紡織印染工業(yè)生產(chǎn)過程中不可或缺的環(huán)節(jié)。圖像識別技術(shù)近年來已經(jīng)取得了明顯的進(jìn)步，在很多工業(yè)領(lǐng)域中圖像的快速在線識別與匹配等技術(shù)已經(jīng)得到了一定程度的應(yīng)用。如果能夠?qū)D像識別和匹配技術(shù)應(yīng)用到織物印花質(zhì)量檢測過程中，通過對印花圖像的有效分割和判別，精確定位出織物印花的瑕疵區(qū)域，將是提升紡織品印花技術(shù)的有效途徑。

針對織物印花圖像的分割，傳統(tǒng)的很多方法是基于灰度信息聚類的或者是基于邊緣信息提取的。如利用Sobel、Laplacian、Canny等算子進(jìn)行邊緣檢測的分割算法[1]，但由于織物印花圖像具有較多的紋理信息，如果僅僅采用基于邊緣提取的方法來分割圖像，會出現(xiàn)偽邊緣，從而影響分割效果[2]。還有一些利用貝葉斯決策[3]和半監(jiān)督聚類[4]的算法來分割織物圖像，也是僅限于對灰度圖像的處理。目前，K-mean算法[5]和Mean-shifts[6]算法是對圖像的顏色信息進(jìn)行聚類，然而，如果僅僅采用聚類的算法，只利用圖像本身的灰度信息或者顏色信息，而不考慮像素的空間關(guān)系，也很難取得較為準(zhǔn)確的分割結(jié)果。近年來，例如JSEG分割算法[7]是既考慮顏色信息又考慮像素間的空間關(guān)系，基于多尺度Markov隨機(jī)場分割算法[8]充分考慮了像素點(diǎn)之間的空間關(guān)系，克服了傳統(tǒng)的聚類算法將所有的像素點(diǎn)當(dāng)成孤立數(shù)據(jù)來處理的問題。目前，這些算法在織物圖像分割上也都取得了比較好的研究結(jié)果。

在圖像表征過程中，顏色是一個(gè)很重要的描述算子，有利于簡化圖像的分割和目標(biāo)的提取；同樣，紋理也是一個(gè)很重要的描述算子。本文提出了一種新的用于織物印花的圖像分割算法，該方法融合了織物圖像的顏色和紋理特征。首先，通過圖像的顏色特征實(shí)現(xiàn)各區(qū)域的初始劃分，在初始劃分的基礎(chǔ)上，利用紋理特征融合干擾區(qū)域，實(shí)現(xiàn)圖像的準(zhǔn)確分割。這種先初始劃分再進(jìn)一步精細(xì)劃分的算法保證了印花分割過程的準(zhǔn)確性要求。

1 基于區(qū)域增長算法的初始分割

區(qū)域增長算法[9](seeded region growing)是由Adam 和 Bischof提出的，其基本思想是：在圖像中尋找相似像素點(diǎn)的最大連通集合，首先指定生長的種子點(diǎn)，然后在一定的相似性準(zhǔn)則下，將種子點(diǎn)鄰域的像素合并到種子點(diǎn)區(qū)域內(nèi)，直到?jīng)]有像素可被合并為止。區(qū)域增長的算法充分考慮了像素的空間特性，區(qū)域增長算法的關(guān)鍵在于種子點(diǎn)的選取和相似性準(zhǔn)則的確定。

1.1 自動種子點(diǎn)的選取

圖1 (X0,Y0)的窗口Fig.1 Window of (X0,Y0)

如果利用傳統(tǒng)區(qū)域增長的算法對圖像進(jìn)行分割時(shí)，需要根據(jù)先驗(yàn)知識進(jìn)行人工種子點(diǎn)的選取。然而，針對實(shí)際的織物印花圖像的分割，印花區(qū)域的個(gè)數(shù)是不同的，種子點(diǎn)的個(gè)數(shù)也相應(yīng)是不確定的，因此，人工種子點(diǎn)的選取方式無法實(shí)現(xiàn)整幅圖像的全局分割。本文采用一種基于自動種子點(diǎn)選取的區(qū)域生長算法[10]，具體實(shí)現(xiàn)步驟為：1)首先對圖像進(jìn)行逐行掃描，找到尚未標(biāo)記的像素點(diǎn)(X0,Y0)；2)以該像素點(diǎn)(X0,Y0)為起始點(diǎn)，找到其8像素×8像素窗口像素點(diǎn)，如圖1所示；3)對該像素點(diǎn)8像素×8像素的窗口進(jìn)行遍歷，如果有一個(gè)像素點(diǎn)被標(biāo)記了，則返回第1步；否則，繼續(xù)；4)對該8像素×8像素窗口的所有像素提取顏色特征值，分別與像素點(diǎn)(X0,Y0)的顏色特征值進(jìn)行比較，如果差值大于預(yù)先設(shè)定的閾值，則返回了第1步；否則，繼續(xù)；5)將像素點(diǎn)(X0,Y0)確定為種子點(diǎn)進(jìn)行生長。1.2 對未賦值點(diǎn)的操作

本文研究采用種子點(diǎn)自動選取的方法對織物圖像進(jìn)行區(qū)域生長時(shí)，圖像中存在一些像素點(diǎn)沒有找到其歸屬的區(qū)域，這些點(diǎn)被稱之為未賦值點(diǎn)。如果不對這些未賦值點(diǎn)進(jìn)行處理，將會影響后續(xù)基于紋理特征的區(qū)域融合過程，接著將采用以下步驟對未賦值點(diǎn)進(jìn)行操作：1)遍歷圖像，找到尚未賦值的像素點(diǎn)(X0,Y0)；2)從像素點(diǎn)(X0,Y0)的4鄰域開始查詢，直至找到已被賦值的像素點(diǎn)，分別計(jì)算該賦值像素點(diǎn)的4鄰域像素點(diǎn)與其顏色差值dU、dD、dL、dR，找到其中的最小值，從而找出該最小值對應(yīng)的像素點(diǎn)；3)獲得該像素點(diǎn)的顏色特征值并賦值給像素點(diǎn)X0,Y0。

2 融合紋理特征的精細(xì)分割

圖像的顏色特征和紋理特征是圖像重要的特征信息。僅僅采用顏色信息對圖像進(jìn)行初始分割后，具有一定的局限性，可能造成印花區(qū)域的過分割，從而影響了印花區(qū)域的完整性，本文研究將這些過分割區(qū)域稱為干擾區(qū)域。為提高目標(biāo)區(qū)域分割的準(zhǔn)確性，在完成織物印花圖像初始分割的基礎(chǔ)上，對干擾區(qū)域進(jìn)行二維小波變換，提取紋理特征并將干擾區(qū)域和其鄰域區(qū)域進(jìn)行融合，消除干擾區(qū)域的影響，提高了圖像分割的精度。

2.1 小波變換提取干擾區(qū)域紋理特征

織物的印花圖像信息既包括整體信息又包括局部信息。針對織物印花圖像的特點(diǎn)，基于小波變換理論對織物印花圖像進(jìn)行了一層小波分解。小波變換是一種空間多分辨率的分析方法，利用小波變換可將圖像信息分解為低頻信息部分和高頻信息部分。同時(shí)，小波理論本身也能夠保證圖像信息在分解和重構(gòu)的過程中沒有損失和冗余的產(chǎn)生[11]。

對織物印花圖像進(jìn)行二維的一層小波分解，可通過小波基的選擇，經(jīng)過小波的一級分解，將織物圖像分為1個(gè)低頻子帶圖像ILL和3個(gè)高頻子帶圖像(ILH、IHL和IHH)。f(x,y) 表示原圖像，HLL、HLH、HHL和HHH分別表示低頻、水平方向、垂直方向和對角線方向?yàn)V波器。其中，低頻子帶圖像代表了圖像的整體信息，高頻子帶圖像代表了圖像的細(xì)節(jié)信息，如圖2所示。

圖2 離散小波變換的一層分解Fig.2 A layer of discrete wavelet decomposition

在初始分割的基礎(chǔ)上，將織物印花圖像轉(zhuǎn)化成灰度圖像，對干擾區(qū)域進(jìn)行二維小波變換，得到4個(gè)變換子帶，分別是LL，LH，HL，HH。分別提取4個(gè)子帶的能量特征E，如下式所示，分別計(jì)算得到LL、LH、HL和HH子帶的能量特征值：

式中：W和H分別為干擾區(qū)域的寬度和高度；P為干擾區(qū)域小波變換后的子帶圖像。

2.2 干擾區(qū)域的融合

利用上述公式得到干擾區(qū)域的4個(gè)子帶的局部能量特征，其中：ELL是圖像干擾區(qū)域塊的低頻特征，代表了圖像的整體結(jié)構(gòu)的圖像特征；ELH、EHL和EHH反映了圖像的水平、垂直和對角方向的局部特征。計(jì)算干擾區(qū)域和其相鄰區(qū)域的局部能量值，如果2個(gè)值接近，則可融合干擾區(qū)域與其相鄰區(qū)域。融合的準(zhǔn)則是：根據(jù)預(yù)先給定的閾值進(jìn)行判別，大于該閾值時(shí)，該干擾區(qū)域是由于過分割造成的，需要進(jìn)行進(jìn)一步的區(qū)域融合；小于該閾值時(shí)，則該干擾區(qū)域需要保留。

3 實(shí)驗(yàn)及分析

3.1 算法流程圖

對采集到的織物印花圖像，首先采用區(qū)域增長的算法對印花圖像進(jìn)行初始分割，接著對未被賦值的點(diǎn)進(jìn)行賦值操作；在初始分割的基礎(chǔ)上，提取干擾區(qū)域，對干擾區(qū)域進(jìn)行小波變換，提取紋理特征，融合干擾區(qū)域，最終得到較為準(zhǔn)確的印花圖像分割結(jié)果。具體實(shí)現(xiàn)的流程如圖3所示。

圖3 印花圖像分割的流程圖Fig.3 Flow chart of print image segmentation

3.2 圖像分割實(shí)驗(yàn)結(jié)果

圖4、5示出采集到的2幅織物印花的圖像樣本，樣本圖像的分辨率為256像素×256像素，作為彩色圖像分割算法的測試圖像。可看出，2幅印花圖像樣本的緯紗和經(jīng)紗在同一個(gè)區(qū)域交織有規(guī)律的沉浮，形成了織物圖像的紋理特征。織物圖像的紋理特征使得織物表面的反光強(qiáng)度不同，導(dǎo)致采集到的織物印花圖像不可避免地帶有暗、亮突變的紋理噪聲。本文研究首先采用基于顏色特征的區(qū)域增長算法對印花圖像進(jìn)行初始分割，接著采用紋理特征對干擾區(qū)域進(jìn)行融合處理，從而完善織物印花圖像的分割結(jié)果。

圖4 印花樣本Ⅰ分割結(jié)果Fig.4 Segmentation result of print sampleⅠ

圖5 印花樣本Ⅱ分割結(jié)果Fig.5 Segmentation result of print sampleⅡ

圖4中顏色閾值TR=40,TG=40,TB=50，融合閾值T=15 000，最大干擾面積A=1 000。可看出，如果僅采用顏色特征對圖像進(jìn)行分割，圖4第2、3幅圖受到織物紋理噪聲的影響，產(chǎn)生很多虛假的邊緣和干擾區(qū)域，圖4中最后一幅圖在初始分割的基礎(chǔ)上，提取紋理特征，融合干擾區(qū)域，準(zhǔn)確地分割出了印花圖像。

圖5為紅色印花圖像的分割結(jié)果，其中，顏色閾值TR=40，TG=40，TB=50，融合閾值T=10 000，最大干擾面積A=1 000?？煽闯?，印花圖像樣本Ⅱ的花紋比較復(fù)雜，很多細(xì)節(jié)部分需要設(shè)置較小的最大干擾面積，以保證在干擾區(qū)域融合時(shí)有效信息不被消除掉。該組顏色閾值很好地提取了花紋圖案和背景，但是在干擾區(qū)域融合時(shí)還是丟失了部分有效信息。

從上述結(jié)果可看出，本文研究所提出的基于顏色特征和紋理特征對印花圖像進(jìn)行分割時(shí),可較好地劃分圖像的花紋和背景，由于印花圖像的花紋較為復(fù)雜，細(xì)節(jié)信息較多，相應(yīng)的干擾區(qū)域也較多，在最后進(jìn)行干擾區(qū)域融合時(shí)一些有效信息會丟失，但大的花紋圖案能夠較好地被提取出來?？傮w來說，該算法對印花圖案的分割效果比較好。

4 結(jié) 論

由于織物印花圖像的紋理特征較為明顯，在圖像RGB顏色空間，采用紋理特征和顏色特征融合的方法，分割出織物圖像的印花。在此分割方法中，首先利用顏色特征實(shí)現(xiàn)對圖像中各區(qū)域的初始劃分，再融合紋理特征進(jìn)行精細(xì)分割。該分割算法解決了種子點(diǎn)的選取、未賦值點(diǎn)的處理、干擾區(qū)域的提取和融合等關(guān)鍵性問題。通過實(shí)驗(yàn)，證明了本文提出的算法對紋理較為明顯的印花織物圖像有著較好的分割結(jié)果，但對于套色更為復(fù)雜的印花織物圖像，所提出的分割算法相對失真較多，需要進(jìn)一步的改進(jìn)。

FZXB

[ 1] MALIK J, BELONGIE F, LEUGN T, et al. Contour and texture analysis for image segmentation[J]. International Journal of Computer Vision, 2001,43(1):7-27.

[ 2] LEE H C, COK D R. Detecting boundaries in vector field[J]. IEEE Transaction On Signal Processing, 1991, 39(5):1881-1194.

[ 3] 包曉敏,汪亞明. 基于最小風(fēng)險(xiǎn)貝葉斯決策的織物圖像分割[J]. 紡織學(xué)報(bào),2006,27(2):33-36. BAO Xiaomin, WANG Yaming. Image segmentation based on the minimum risk bayes decision[J]. Journal of Textile Research,2006,27(2):33-36.

[ 4] 包曉敏, 彭霄.基于貝葉斯決策及半監(jiān)督聚類的織物圖像分割[J].紡織學(xué)報(bào),2010,31(2):30-34. BAO Xiaomin, PENG Xiao. Textile image segmentation based on semi-supervised clustering and Bayes decision[J]. Journal of Textile Research,2010,31(2):30-34.

[ 5] 李鵬飛,張宏偉.基于k-means聚類的紡織品印花圖像區(qū)域分割[J].西安工程大學(xué)學(xué)報(bào),2008,22(5):551-554. LI Pengfei, ZHANG Hongwei. Research on segmenting color regions in textile printing image based on K-means clustering [J]. Journal of Xi′an Polytechnic University,2008,22(5):551-554.

[ 6] 諸葛振榮,徐敏,劉洋飛. 基于Mean Shift的織物圖像分割算法[J].紡織學(xué)報(bào),2007,28(10):108-116. ZHUGE Zhenrong, XU Min, LIU Yangfei. Fabric image segmentation algorithm based on Mean Shift[J]. Journal of Textile Research,2007,28(10):108-116.

[ 7] 李鵬飛,王剛.基于JSEG算法的紡織品印花圖像分割[J].紡織學(xué)報(bào),2010,31(5):137-140. LI Pengfei, WANG Gang. Segmenting color region of textile printing pattern image based on algorithm of JSEG [J].Journal of Textile Research, 2010,31(5):137-140.

[ 8] 景軍鋒,李陽,李鵬飛,等. 基于小波域多尺度Markov對隨機(jī)場的織物印花圖案分割[J].紡織學(xué)報(bào),2014,35(1):127-133. JING Junfeng, LI Yang, LI Pengfei, et al. Textile printing pattern image segmentation based on multiscale Markov random field model in model in wavelet domain[J]. Journal of Textile Research, 2014,35(1):127-133.

[ 9] ADAMS R, BISCHOF L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6):641-647.

[10] 方浩,仇麗英,盧嘉鵬.基于區(qū)域過劃分和再融合的全副視覺圖像分割[J].北京理工大學(xué)學(xué)報(bào),2009,29(9):799-810. FANG Hao, QIU Liying,LU Jiapeng. Segmentation of full vision images based on region over-segmentation and merging[J]. Transactions of Beijing Institute of Technology, 2009,29(9):799-810.

[11] 王振華,陳杰,竇麗華.基于空域多分辨率分析的小波變換圖像分割方法[J].模式識別與人工智能,2008,21(6):193-198. WANG Zhenhua, CHEN Jie, DOU Lihua. Image Segmentation with wavelet Transform based on spatial multi-resolution analysis[J].Pattern Recognition and Artificial Intelligence, 2008,21(6):193-198.

Fabric image segmentation based on multi-feature fusion

CAO Li1, HU Xudong2

(1.CollegeofElectronicsandInformatics,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China; 2.CollegeofMechanicalEngineeringandAutomation,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China)

In order to improve the accuracy of fabric printing patterns, the paper studies an effective method based on the multi-feature fusion for printed fabric image segmentation. In the process of segmentation, an automatic seeded region growing algorithm combined with the color features are used to segment the image firstly. Due to the influence of disturbances, some printed regions may be lost by over segmentation in the image. After the initial segmentation, in order to improve the accuracy of segmentation, wavelet-based texture features are employed to retrieve the lost regions. The experimental results show that the proposed algorithm has good effect on the segmentation of printed fabric image, especially for the printed image having more textures and can eliminate the segmentation distortion caused by only using color feature or texture feature. Therefore, this algorithm has comparatively high practical value.

color feature; texture feature; printed fabric; image segmentation

10.13475/j.fzxb.20150902505

2015-09-11

2016-04-19

曹麗(1979—)，女，講師，博士。主要研究方向圖像處理和紡織印染自動化。E-mail：mycharli@163.com。

TP 391

A