基于組織點充滿度的機織物圖像自動傾斜糾正

陶 晨(浙江農業商貿職業學院，浙江 紹興 312000)

基于組織點充滿度的機織物圖像自動傾斜糾正

陶 晨
(浙江農業商貿職業學院，浙江 紹興 312000)

傾斜糾正一直是織物圖像自動分析和處理的瓶頸所在，故提出一種織物圖像自動傾斜糾正的方法。首先，使用數學形態學操作對織物圖像進行預處理，達到去噪和增強的目的；然后采用大津法和光柵掃描定位圖像中的目標矩形，從而決定織物組織點的輪廓。在此基礎上提出了組織點充滿度的概念，并探討了組織點充滿度與織物圖像規正角之間的聯系，從而進一步提出了規正系數的概念，用以克服織物扭曲對組織點充滿度分析的干擾，準確、全面地確定織物圖像的規正角。

織物圖像；傾斜糾正；組織點充滿度；規正角；規正系數；圖像分析

近年來，隨著計算機圖像處理技術的發展，織物圖像分析和識別業已成為紡織數字化技術中的研究熱點之一。莊國瑜等[1]運用小波多頻道分解方法提取圖像的水平分量和豎直分量，得到織物圖像的經緯向信息。李艷梅等[2]運用功率譜分析和自相關分析，確定經緯紗密度和組織循環紗線數。高衛東等[3-4]根據紗線的實際排列特點，對經緯紗線密度用不同的方法予以識別。

目前為止，各種相關研究方法與技術都建立在嚴格規正的織物圖像之上。對于傾斜的圖像，需要事先在預處理環節中進行人工糾正，才能為后道的分析和識別技術利用。然而，實際操作中獲取的織物圖像難免有一定的傾斜度，人工傾斜糾正因而成為織物圖像自動化分析與識別過程的瓶頸所在。本研究提出一種基于組織點充滿度分析的方法，實現織物圖像的自動傾斜糾正。

1 圖像預處理

本研究使用數學形態學[5]來進行圖像的預處理。圖1a是一幅用攝像頭獲取的放大10倍的3枚斜紋織物(經密542根/10cm，緯密390根/10cm)的圖像，該圖像相對于垂直方向傾斜26°。經過256階灰度化處理后，首先對圖像運用形態學開運算，以達到去除噪音和平滑圖像的目的，如圖1b所示。接著，對圖像運用形態學增強，以提高目標與背景之間的對比度，如圖1c所示。

2 組織點輪廓測定

在織物圖像中，組織點是具有相對一致的形狀特征和亮度范圍的圖像區域，這為測定各個組織點的輪廓提供了可能性。本研究把圖像中滿足一定灰度范圍的矩形區域稱為目標區域。利用OTSU方法[6]做圖像分割，可計算得目標區域的灰度閾值范圍。然后，基于光柵的圖像掃描可找出每個目標區域的位置。圖2a中虛線所包圍的區域是一組灰度在235以上的目標區域。

圖1 圖像的預處理Fig.1 Image Pretreatment

確定了目標區域的位置之后，從區域中心向四周發出用于測定邊界的射線，射線在灰度衰減積累到一定程度時終止，如圖2b。連接所有射線的終止點就構成了組織點的輪廓線，如圖2c。

圖2 組織點輪廓測定Fig.2 Determination of Interlacing Point Outlines

3 組織點充滿度分析

織物圖像逆時針旋轉一定的角度后，其經向(或緯向)與圖像邊緣平行，把這個角度稱為織物圖像的規正角，此時的織物圖像稱為規正圖像。找出規正角后，即可對織物圖像實施準確的傾斜糾正。

設織物圖像中某一組織點輪廓所包圍的像素面積為A，將其逆時針旋轉角度θ(0°≤θ≤90°)，所得外接矩形的面積為Sθ，令fθ＝A/Sθ×100 %。fθ稱為該組織點在角度θ上的充滿度。圖3所示為一個組織點在不同角度上的充滿度。

圖3 組織點充滿度Fig.3 Interlacing Points Fullness

對照圖1a不難看出，使得組織點充滿度最大的角度即是接近織物圖像規正角的角度。然而，實際拍攝的織物圖像不只存在傾斜現象，還存在扭曲現象，僅從個別組織點來判斷圖像的規正角難以取得全面、準確的結果。

設織物圖像中存在n個組織點輪廓，在角度θ上各個組織點充滿度之和為Fθ，方差為σθ，令Cθ＝Fθ/(1＋σθ)。Cθ稱為織物圖像在角度θ上的規正系數。σθ越小，說明Fθ越可靠，綜合考慮了兩者，規正系數在一定程度上克服織物圖像中的扭曲現象給規正角分析帶來的干擾。

本研究利用C#編程實現了織物圖像自動傾斜糾正算法，圖4為程序繪制的圖1a所示織物圖像在0°～90°各個角度上的規正系數，或稱規正系數數組。

圖4 斜紋織物的規正系數數組Fig.4 Correcting Coeffi cient Array of Twill Weave

從圖4看出，θ＝26°時規正系數最大，據此推斷：該角度是織物圖像的規正角，將原圖逆時針旋轉26°可得到規正圖像。這與在圖1a中觀察到的事實相符。

本研究還發現，與斜紋織物相比，平紋和緞紋織物表面由于沒有明顯的紋路效應的干擾，因而其圖像規正角上的規正系數更為顯著。圖5、6分別為平紋(密度560×520 根/10cm)和五枚緞紋(密度476× 55 根/10cm)及其規正系數數組。

圖5 平紋織物及其規正系數數組Fig.5 Correcting Coeffi cient Array of Plain Weave

圖6 緞紋織物及其規正系數數組Fig.6 Correcting Coeffi cient Array of Satin and Sateen Weave

4 結 語

實驗表明，在組織點充滿分析的基礎上，利用規正系數可以有效地自動糾正織物圖像傾斜角度。其算法簡單、可靠，非常適合編程實現。該方法能為織物圖像自動化分析與識別這一課題的研究提供有益的工具和手段。

[1]莊國瑜，孫悅.織物紋理計算機圖像處理的多頻道分解方法[J]. 天津工業大學學報，2001，20(3)：26-28.

[2]李艷梅，徐伯俊，高衛東.織物組織結構參數自動識別系統的研究[J].北京紡織，2002，23(2)：54-57.

[3]高衛東，劉基宏，徐伯俊，等.織物中緯紗排列參數的自動識別[J].棉紡織技術，2002，30(1)：28-31.

[4]高衛東，劉基宏，徐伯俊，等.織物中經紗排列參數的自動識別[J]. 棉紡織技術，2002，30(3)：31-34.

[5]唐常青.數學形態學方法及其應用[M].北京：科學出版社，1990，445-454.

[6]付忠良.圖像閾值選取方法[J].計算機應用，2000，20(5)：37-39.

Automatic Weave Image Tilt Correction based on Interlacing Point Fullness

TAO Chen
(Zhejiang Agriculture & Trade Occupational Academy, Shaoxing 31200, China)

As tilt correction has always been the bottleneck of automatic weave image analysis and processing, this paper proposed a means by which automatic weave image tilt correction can be achieved. First, mathematical morphology is carried out in weave image preprocessing for de-noise and enhancement. OTSU and raster scanning are followed to detect target rectangles in the image so as to determine the outlines of interlacing spots, on which the Interlacing Spot Fullness (ISF) is established. Then the relationship between ISF and the correcting angle of weave image is discussed and the correcting coefficient built on ISF is used to counteract the disturbance of weave surface distortions in order to identify the correcting angle in a comprehensive way.

Weave image; Tilt correction; Interlacing point fullness; Correcting angle; Correcting coefficient; Image analysis

TS103.4；TP911.73

A

1001-7003(2010)07-0010-02

2010-04-27

陶晨(1981－ )，助教，主要從事紡織新產品開發及紡織數字化檢測技術的研究。