基于形態(tài)學處理的提花針織物紋樣相似性識別

楊 婷,胡佳琳,唐澤華,李欣欣

(東華大學 紡織學院, 上海 201620)

針織提花產(chǎn)品因獨特的風格和精美的視覺效果備受消費者青睞,然而產(chǎn)品更新迅速且紋樣豐富多變使得企業(yè)構建了龐大的提花產(chǎn)品數(shù)據(jù)庫,尋找具有特定形態(tài)特征的紋樣具有挑戰(zhàn)性。傳統(tǒng)人工方法存在主觀差異、效率低等問題,難以滿足大型生產(chǎn)設計需求,圖像處理技術是解決該問題的有效手段。

目前已有關于圖像處理技術在紡織行業(yè)應用的研究,包括面料疵點識別、起毛起球評價、結構參數(shù)自動判斷、相似性檢索等。黃仰東等[1]基于Mean-shift的自適應閾值算法,開發(fā)了新的原棉疵點識別方法。董康樂等[2]將閾值二值化與形態(tài)學結合的方法分離起毛起球信息,以毛球面積比作為主要特征實現(xiàn)分級評價?；ㄓ碌萚3]運用二維小波變換等算法實現(xiàn)緯平針織物結構參數(shù)測量。曹霞等[4]在Live Wire交互圖像分割與層次匹配相結合的基礎上開發(fā)蕾絲花邊檢索系統(tǒng),應用于蕾絲織物的面料花型比對識別。王靜等[5]將圖片經(jīng)局部濾波卷積并統(tǒng)計灰度共生矩陣提取特征參數(shù),開發(fā)了機織物組織識別與分類系統(tǒng)。

現(xiàn)有的相似性識別算法多基于紋理和顏色特征提取進行運算,如李永寧[6]通過改進共生矩陣提取紋理特征,通過高斯歸一化法實現(xiàn)相似性檢索。殷珍珍[7]在顏色直方圖和分塊局部二值化基礎上將顏色特征和紋理特征結合,實現(xiàn)更準確的相似性檢索算法。Swain等[8]將顏色直方圖作為圖像的重要特征,將其用于比較圖像間的相似性。徐永健[9]借助卷積神經(jīng)網(wǎng)絡及中心相似的深度哈希圖像檢索算法,開發(fā)出具有優(yōu)異相似性檢索性能的算法系統(tǒng)。針織物圖像具有特殊的結構組織,因此識別此類圖像時需要用到圖形的紋理特征提取法,該方法可在圖像顏色分布的基礎上進行自適應提取,如Kumar等[10]基于Gabor函數(shù),運用實虛數(shù)來進行紋理特征的識別檢測。

針織提花具有顏色豐富、紋樣輪廓不規(guī)則等特點需要研究其適用的識別算法。為此,本文提出基于形態(tài)學邊緣檢測的提花針織物紋樣相似性識別算法,利用工藝軟件設計針織提花紋樣并構建了提花數(shù)據(jù)庫,通過MatLab對紋樣圖像進行處理,提取提花結構輪廓特征圖像,求解數(shù)據(jù)庫中各紋樣與目標紋樣的相似性,篩選出相似率達到設定閾值之上的提花紋樣,避免傳統(tǒng)人工識別主觀差異,為生產(chǎn)企業(yè)快速篩選目標紋樣提供技術支持。

1 提花紋樣結構與設計

1.1 提花結構

提花組織屬于緯編花色組織中較為常見的一類組織,其編織方法是按設計目標紋樣要求,指定某些舌針進行墊紗并彎紗成圈,而另一部分未被選擇的織針則不墊紗成圈,紗線在上一個線圈后面直接拉長,形成浮線。由成圈和浮線2種結構單元的排列組合形成的紋樣即為針織提花組織。根據(jù)編織方式將提花組織進行分類,包括浮線提花、空氣層提花、芝麻點提花、橫條提花等[11](不同提花組織對應編織圖如圖1所示)。由于編織過程簡單,且能夠支持花色多樣變化,因此提花織物是最常見的針織產(chǎn)品之一。

圖1 提花組織編織圖Fig.1 Jacquard weaving diagram. (a) Floating line jacquard; (b) Air layer jacquard;(c)Sesame dotted jacquard;(d)Horizontal jacquard

1.2 提花織物設計

分別繪制具有花卉和幾何特點的提花紋樣并將紋樣目標圖形導入針織物工藝設計軟件,將紋樣進行處理后形成針織物提花意匠圖,定義意匠圖中各色意匠格對應的線圈組織,用軟件生成具有織物效果的提花仿真圖像,用于開展相似性識別試驗。圖2所示為單面提花紋樣設計與織物仿真效果示例1#,圖3為雙面羅紋提花紋樣設計與織物仿真效果示例2#。

圖2 提花試樣1#Fig.2 Jacquard specimen 1#.(a) Jacquard pattern; (b) Pattern simulation; (c) Tissue simulation

圖3 提花試樣 2#Fig.3 Jacquard specimen 2#.(a) Jacquard pattern; (b) Pattern simulation; (c) Tissue simulation

為了開展相似性識別試驗,設計100款提花紋樣并在工藝軟件中分別形成對應的織物仿真效果,建立針織提花紋樣數(shù)據(jù)庫,試樣圖依次編號為A1,A2,A3,…,數(shù)據(jù)庫中部分試樣如圖4所示。

圖4 圖像庫部分展示Fig.4 Part of image gallery display

2 提花紋樣圖像預處理與特征提取

圖像預處理是對仿真模擬的針織提花紋樣進行圖樣采集分析、灰度化、二值化等處理,濾除噪聲,消除外界因素干擾,突出重要特征便于提取,有利于后期圖像特征分析。

2.1 圖像采集、縮放與灰度化

圖像采集需保證采集環(huán)境盡量相同,避免外界因素干擾。本文研究對象是基于針織工藝軟件的提花織物仿真圖,可以有效避免織物狀態(tài)及光線為采集工作帶來的不利影響[12]。

圖像縮放是指對圖像進行放大或縮小的尺寸調(diào)整過程?？s放原理是對采集圖像進行像素點分析并進行像素值采集,根據(jù)實際需求尺寸來完成像素值的重構和輸出[13]。圖像灰度化技術廣泛應用于各行業(yè),具有較高實用價值[14]。以圖5(a)2色單面提花原始圖像為例,在MatLab中調(diào)用Imresize函數(shù),將原始圖像進行縮放處理,縮放后得到長寬像素均為400的圖像(見圖5(b))。圖5(c)則是對圖像進行灰度化處理后再進行縮放,灰度縮放后的提花紋樣去除了色彩影響,可以提高計算機運算效率,節(jié)省儲存成本,也為后續(xù)的圖像處理和相似性識別奠定基礎。

圖5 圖像處理Fig.5 Image processing.(a) Original image; (b) Scaled image; (c)Grayscale scaled image

2.2 自適應閾值二值化

圖像二值化是將圖像中的像素點以設定閾值為界,高于設定閾值設置為最高灰度值255,低于設定閾值設置為最小灰度值0,將已經(jīng)灰度化的圖像轉化為二值化圖像。圖像的二值化是現(xiàn)代圖像分析處理技術中實現(xiàn)圖像灰度分離的一種主要方式。在此過程中,充當標尺作用的閾值提取十分關鍵。

目前應用較為廣泛的閾值提取方式有全閾值和自適應閾值等方法,其中自適應閾值法能較好地分割圖像,對細節(jié)更加敏感,適應性強,因此使用范圍廣泛,適用于本文研究的提花紋樣相似性識別算法[15]。

如圖6所示,圖像經(jīng)過灰度化和縮放處理后,進行自適應閾值二值化輸出。二值化處理之后的圖像相較于灰度化圖像色彩進一步簡化,僅保存最高灰度值與最低灰度值,突出提花紋樣,有利于邊緣檢測及特征提取。預處理完成后,提取圖像特征值并進行相似度運算。

圖6 自適應閾值二值化處理Fig.6 Adaptive threshold binarization processing.(a) Grayscale image; (b) Scaled image; (c) Binarized image

2.3 基于形態(tài)學的形狀特征提取

圖像特征描述方法中較常用的是形狀特征描述,在紡織領域,紋理特征描述方法的使用也比較廣泛。本文采用形狀特征描述[16],該方法抗干擾性強[17],較為穩(wěn)定,能相對客觀地表達圖像的特性,在圖像處理領域占據(jù)重要地位。

基于形態(tài)學特征提取是通過特殊結構元觀測圖像結構特征形狀,結構元實質上是形狀及大小確定的像素點的集合,通過移動處理可以觀測不同區(qū)域的形態(tài)[18]。

圖像腐蝕是將目標圖像經(jīng)過精細壓縮處理,圖像中白色范圍經(jīng)過壓縮細分,使得其運算值比原始圖像白色區(qū)域更小。圖形膨脹則是圖像腐蝕的逆運算,將圖像中的白色區(qū)域進行擴大處理,使得其運算值比原始圖像白色區(qū)域更大,線條更粗。圖像膨脹和腐蝕可以去除圖像噪聲,但是會對圖像信息造成損失,使圖像壓縮。研究發(fā)現(xiàn),在圖像腐蝕后進行圖像膨脹可以有效保持圖像原有信息,同時又達到去除噪聲的目的[19]。

采用腐蝕和膨脹算法對針織提花紋樣圖的二值化圖像進行處理,提取形狀特征值。二值化圖像黑色區(qū)域用0表示,白色區(qū)域用1表示。采用5×5的結構元對二值化圖像進行膨脹處理得到花型孔隙被縮小但紋樣輪廓與原圖一致的圖像E1(見圖7(a)),再進行腐蝕處理使得孔隙隨圖像膨脹,從而得到與原圖基本一致的圖像D1(見圖7(b)),文中E代表膨脹圖片,D代表腐蝕圖片。

圖7 圖像的膨脹與腐蝕處理Fig.7 Expansion and corrosion treatment of the image.(a) Swelling treated image E1; (b) Corrosion treated image D1

本文研究織物形狀特征和圖像相似度,采用邊緣檢測的相似性識別方法[20]。為了提取目標圖像的提花紋樣邊界,運用結構元對預處理后的圖像再次進行腐蝕處理得到D2(見圖8(a)),采用3×3的結構元用于提取圖像輪廓得到B1(見圖8(b)),文中B代表邊緣檢測圖像。邊緣檢測將提花紋樣形態(tài)特征提取出來,僅保留輪廓使得圖像數(shù)據(jù)進一步壓縮,提高運算速度。

圖8 提花結構輪廓特征提取Fig.8 Jacquard structure contour feature extraction.(a) 3×3 post-corrosion image D2; (b) Boundary image B1

3 提花紋樣特征相似性識別

圖像處理技術中,形狀描述子分為全局形狀描述子和局部形狀描述子。常用的形狀描述子有傅里葉描述子、不變矩描述子等[21]。

不變矩描述子中,Hu不變矩具有平移、旋轉以及尺度變換后仍然保持不變的矩特征向量,還具有對起始點的度較低的特點,通過求解由圖像邊緣的7個二階和三階歸一化中心矩組成的不變矩特征量對圖片進行描述,是一種基于區(qū)域的圖像描述方法。本文針織提花相似性識別選用的描述子為Hu不變矩。Hu不變矩描述方法簡單高效,其7個特征量如式(1)～(7)所示。

M1=λ20+λ02

(1)

M2=(λ20-λ02)2+4λ112

(2)

M3=(λ30-3λ12)2+(3λ21-λ03)2

(3)

M4=(λ30+λ12)2+(λ21+λ03)2

(4)

M5=(λ30-3λ12)(λ30+λ12)[(λ30+λ12)2-

3(λ03+λ21)2]+(3λ21-λ03)(λ21+λ03)

[3(λ30+λ12)2-(λ21+λ03)2]

(5)

M6=(λ20-λ02)[(λ30+λ12)2-(λ21+λ03)2]+

4λ11(λ30+λ12)(λ21+λ03)

(6)

M7=(3λ21-λ03)(λ30+λ12)[(λ30+λ12)2-

3(λ03+λ21)2+(3λ12-λ03)(λ21+λ03)

[3(λ30+λ12)2-(λ21+λ03)2]

(7)

式中:λ為歸一化中心矩;M為由二階和三階中心矩導出的不變矩組。

運用Hu不變矩描述方法計算針織提花仿真圖像的7個不變特征量作為圖像索引值PS,運用圖像形態(tài)學處理方式在相同實驗條件下對針織提花織物仿真圖的7個不變特征量進行計算,并作為樣本圖像索引值PF,2張?zhí)峄ńM織模擬圖之間的相似性度量(Similarity)公式如下[18]:

(8)

通過相似性度量函數(shù)運算,得出相似度,相似性識別算法對提花庫進行依次循環(huán)檢索,檢索出相似度達到設定閾值的圖像,該算法工作流程如圖9所示。

圖9 提花圖像檢索流程圖Fig.9 Jacquard image retrieval flowchart

由于參與檢索的2張圖像顏色可能有所不同,因此自適應閾值二值化的自動閾值會有所差異,處理后得到圖像E1和B1如圖10、11所示。利用Hu不變矩描述子計算待檢索提花圖像與提花數(shù)據(jù)庫提花圖像的特征索引值,代入相似性函數(shù)式(8)進行相似性計算,將待檢索圖樣與提花庫中圖樣對應檢索。

圖10 特征圖像E1(膨脹圖像)Fig.10 Feature image E1(expansion image).(a) Jacquard image to be retrieved; (b) Image of specimen A18;(c) Image of specimen A2

圖11 特征圖像B1(邊界圖像)Fig.11 Feature image B1(boundary image).(a) Jacquard image to be retrieved; (b) Image of specimen A18;(c) Image of specimen A2

將圖像A18、A2導入系統(tǒng),計算得出A18與檢測圖相似度為0.916 9,系統(tǒng)自動輸出A18圖像及其處理圖像。圖像A2與檢測圖相似度僅為0.304 1,小于設定閾值,系統(tǒng)自動跳過該圖像,繼續(xù)對A3圖像進行檢測。系統(tǒng)最終在圖像庫中檢索到5幅圖像相似度超過設定閾值(閾值可根據(jù)實際需求設置,本文中例子閾值為0.9),其按相似值由高到低分別為A19(0.9379)、A18(0.9169)、A20(0.9013)、A10(0.8555)、A4(0.8124)。部分檢索結果如圖12所示。

圖12 待檢索圖像與相似度篩選提花結構圖Fig.12 Jacquard structure diagram of the image to be retrieved and the similarity screening.(a) Images to be retrieved;(b) A19 similarity 93.79%;(c) A18 similarity 91.69%;(d) A20 similarity 90.13%

在上述實驗過程中,對該算法識別速度進行統(tǒng)計,提花紋樣相似性檢索平均時間不超過1.21 s/幅,而進行人工識別時,若人眼在每幅圖像上停留1 s,相同時間內(nèi)僅能識別1～2幅圖像,無法完成紋樣邊緣等信息提取比對,且人工識別速度及準確率易受主觀因素影響,因此認為本文算法具有高效率和客觀性。

4 結束語

本文提出了基于形態(tài)學處理的提花針織物紋樣相似性識別算法,能有效識別與待檢索圖像相似度大于設定閾值的圖像,具有高效、準確、客觀等特點,有利于降低企業(yè)研發(fā)投入和人力成本。本文提供的相似性識別算法適用于提花紋樣進行相似性識別,對于組織結構的相似性檢索,將在后續(xù)研究中進一步拓展深入?；谟嬎銠C圖像的相似性識別技術研究是涉及多個學科交叉的綜合技術手段,后續(xù)研究可結合人機交互、人工智能、大數(shù)據(jù)、云計算等,開發(fā)出多功能的識別系統(tǒng),促進紡織行業(yè)的發(fā)展。