采用紋理平滑的印花織物圖案輪廓提取

向 軍， 張 杰， 潘如如， 韓要賓， 張繼東, 高衛東

(1. 生態紡織教育部重點實驗室(江南大學)， 江蘇 無錫 214122; 2. 江南大學 紡織服裝學院， 江蘇 無錫 214122； 3. 香港理工大學 紡織及制衣學系， 香港 九龍 999077)

采用紋理平滑的印花織物圖案輪廓提取

向 軍1,2， 張 杰3， 潘如如1,2， 韓要賓1,2， 張繼東1,2, 高衛東1,2

(1. 生態紡織教育部重點實驗室(江南大學)， 江蘇 無錫 214122; 2. 江南大學 紡織服裝學院， 江蘇 無錫 214122； 3. 香港理工大學 紡織及制衣學系， 香港 九龍 999077)

為豐富印花產品的種類，提出了一種可有效提取出印花織物中圖案輪廓的方法，可提取出高精度的印花圖案邊緣輪廓。首先對圖像進行平滑，通過控制平滑程度參數和空間尺度參數，平滑掉織物圖像中的紋理結構。再用Canny邊緣檢測算子檢測圖案邊緣，Canny分割的判別閾值采用默認自動選擇閾值就能成功提取織物上圖案的輪廓，分割后的圖像輪廓清晰，邊緣連續，并且能分割出印花織物圖像中的細小結構。通過實驗證明，在RGB顏色空間對圖像平滑和邊緣提取的效果要優于其他顏色空間，比較了其他邊緣檢測算子分割印花織物圖案的效果，結果證明Canny算子分割效果最好。

印花織物； 圖像平滑； 邊緣提取； 圖案分割； Canny算子

印花織物的圖案輪廓提取為紡織印花工藝中圖案設計提供了一種新的思路。在印花織物的生產過程中，在保持花形不變的情況下，可對提取的圖案輪廓重新配色套色，也可對不同的圖案花型進行重新組合搭配，形成新的圖案效果，達到豐富印花產品種類的目的。在對小花型印花織物圖案進行輪廓提取時，由于織物紋理結構復雜，色彩搭配細膩多彩，用簡單的邊緣檢測方法難以達到理想的效果。

對于目標輪廓的自動提取，Kass等[1]提出了主動輪廓模型(又稱Snakes模型)，其基本思想為：以構成一定形狀的一些控制點為模板(輪廓線)，通過模板自身的彈性形變與圖像局部特征相匹配達到調和，即能量函數達到最小化，完成對圖像的分割。但能量函數最小化可能會陷入局部極小值。王雅萍等[2]提出一種輪廓自擴展的GVF算法，使初始輪廓可有效覆蓋目標所在區域,可完整地提取目標輪廓，但由于迭代次數的影響，算法的時間開銷太大。Pablo等[3]提出一種輪廓檢測和圖像分割的算法，其中輪廓檢測結合了多個局部特征和譜聚類算法，分割算法就是利用輪廓檢測結果對圖像分層分割，通過控制參數能夠輸出不同細節程度的圖像，但沒有考慮紋理對圖像輪廓的影響。

目前，針對織物圖像分割的研究主要有：諸葛振榮等[4]基于均值漂移(Mean-shift)的織物圖像分割算法；包曉敏等[5]基于貝葉斯決策及半監督聚類的織物圖像分割；周慧等[6]基于平滑濾波和分水嶺算法的重組織物圖像分割；景軍鋒等[7]基于小波域多尺度Markov隨機場的織物印花圖案分割；曹麗等[8]基于多特征融合的織物印花圖像分割；劉建立等[9]基于遺傳算法的印花織物圖案分割。以上列舉文獻中的算法均未考慮印花織物圖像的紋理對分割效果的影響。對于小花型的印花織物而言，如果圖像中的圖案細節清晰可見，那么織物本身的組織結構引起的紋理也不可忽略，織物紋理對小花型印花織物圖像圖案的提取有很大影響。均值漂移在聚類、圖像平滑、分割和跟蹤等方面有著廣泛的應用，但是結果受迭代函數移動的步長影響很大。而印花織物的色彩搭配細膩多彩，無法確定穩定的移動步長。

本文研究針對小花型印花織物圖案提出一種能分割出印花織物圖案，特別是圖像中的細小結構的方法。首先對織物圖像進行紋理和結構的平滑，消除圖像中的紋理，然后采用Canny算子對平滑后的圖像進行邊緣檢測，提取圖案輪廓，最終能獲得和印花織物圖案高度擬合的圖案輪廓。

1 算法介紹

1.1圖像平滑算法

Xu等[10]提出一種基于總變差模型圖像平滑方法，可通過控制參數實現對圖像結構紋理不同程度的平滑。針對織物圖像中的由織物組織所形成的紋理，本文采用其提出的方法對印花織物圖像進行平滑，該模型可表示為

(1)

式中：argmin表示使后面式子達到最小值時點(i,j)的集合；f表示輸入的印花織物圖像，S表示被提取結構后的圖像，f-S的結果就是去除紋理的圖像；i、j表示像素點在圖像中的位置；λ為可控參數；ε為很小的正數。式(1)中，前半部分(S(i,j)-f(i,j))2是為確保輸入和輸出不會相差太大，后半部分是基于總變差模型對圖像矩陣進行正則化處理[10]，其中包含了全變差Dx(i,j)、Dy(i,j)和固有變差Lx(i,j)、Ly(i,j)，具體如下。

(2)

式中：k和l表示圖像像素點在窗口中的位置；g表示權重函數。

根據空間關聯性，有：

(3)

式中σ為調節窗口空間尺度的參數。

通過控制參數λ和σ來調節對圖像的平滑程度，參數的討論將在后文闡述，該方法對印花織物的平滑效果如圖1所示，圖像中的紋理被平滑掉，然而圖像沒有變得模糊，反之圖像的邊緣和輪廓變得清晰。

圖1 印花織物平滑效果Fig.1 Printed fabric smoothing effect

1.2邊緣檢測算法

Canny邊緣檢測[11]算法基于多階邊緣算子，是常用的邊緣檢測算子。Canny邊緣檢測器使用基于高斯模型派生的檢測模型，因為未處理圖像可能含有噪聲，所以開始時在原始圖像上應用高斯濾波，結果為輕度平滑圖像，以避免單個噪聲像素干擾全局參數。

2 實驗步驟

針對印花織物的圖案輪廓提取流程圖如圖2所示，分為圖像采集、結構平滑、灰度化處理、圖案輪廓提取共4個步驟。

圖2 印花織物圖案輪廓提取流程圖Fig.2 Printed fabric pattern outline extraction flow chart

2.1印花織物圖像采集

為完成印花織物的圖案分割，同時避免不同色溫的人造光源對圖像造成的偏色影響研究準確性，對印花織物實樣進行信息采集時選擇DigiEye 數字圖像采集系統，如圖3所示，相機型號為Nikon D7000，分辨率為96 dpi，所用光源為D65光源。

圖3 印花織物圖像采集Fig.3 Printed fabric image acquisition. (a)Image acquisition environment; (b) Printed fabric pattern example

圖3(b)示出在該條件下采集并進行區域截取后得到的印花圖像實例，所用織物的組織結構為平紋組織，經紗和緯紗線密度均為14.8 tex，經緯密為126根/10 cm×76根/10 cm，圖像中織物圖案的輪廓結構都清晰可見，由于織物組織結構所引起的織物紋理也非常明顯，所以需要對圖像進行平滑。

2.2圖像處理

本文實驗中，先對獲取的圖像進行預處理，然后用基于總變差模型的圖像平滑方法對圖像進行平滑處理，去掉印花織物圖像中的織物紋理，如圖4(a)所示。由圖可看出，織物圖像中一些細小結構和紋理已經全部被平滑掉，并且圖像中的圖案以及輪廓變得很清晰，保存得很完整。

圖4 實驗步驟及效果Fig.4 Experimental steps and effects. (a) Smoothed image; (b) Gray image; (c) Effect after Canny segmentation; (d) Overall effect

接著，由于Canny邊緣檢測的輸入為灰度化圖像，采用平均值法對平滑后圖像進行灰度化處理，如圖4(b)所示，灰度化后圖像的輪廓依然清晰可見。

再用Canny邊緣檢測算子對圖像進行分割，在用到Canny邊緣檢測算子時，采用自動選擇判別閾值的方法，效果如圖4(c)所示。

圖4(d)示出分割后的圖像在原圖中的效果。由圖可看到，分割效果輪廓清晰和精確，圖案的邊緣被全部提取出來，而且提取的圖案邊緣和圖案基本完全吻合。

3 結果與討論

3.1平滑參數討論

實驗中ε和εs是2個小正數，用來避免分母出現0的情況。其中ε取值為0.001，而εs稍微大些，能幫助保持光滑變化的結構部分，通常設定為0.02。式(1)中的λ是不可或缺的權重，用來控制圖像的光滑程度，但是僅僅調節λ并不會使紋理分離太多，而增加λ也會造成圖像的模糊并且紋理反而會被保留下來。 一般，λ取值在0.005～0.03之間。圖5示出不同迭代次數顯示的結果，發現該算法3～5次就可達到收斂狀態。

圖5 迭代次數的影響Fig.5 Influence of iteration numbers. (a)Original image; (b) Iterations for one times; (c) Iterations for two times; (d) Iterations for three times

圖6示出σ和λ的取值對圖像分割效果的影響分析。

圖6 不同控制參數的影響Fig.6 Influence of different control parameters. (a) Original image; (b) σ=0.5; (c) σ=1; (d) σ=3; (e) λ=0.005; (f) λ=0.01; (g) λ=0.02; (h) λ=0.03

空間尺度參數σ在結構紋理分離過程中至關重要，其作用是控制式(3)中窗口的大小。σ的取值取決于圖像中紋理的尺寸大小，增強σ可很好地抑制紋理。一般情況下，σ的取值范圍為0～8之間。λ為光滑程度系數，增加λ的取值會對平滑效果產生影響。從圖6(a)～(d)可看出，對于紋理不太明顯的印花織物，σ增大到1～2時平滑效果就沒有什么變化，算法收斂，所以對于印花織物平滑選取2。反之，增加λ值對平滑效果影響非常大。從圖6(e)～(h)中可看出，隨著λ的增大，印花織物的一些細節也會被平滑，所以選取控制平滑程度的系數λ約為0.01。

3.2不同邊緣檢測算子比較

為選擇合適的邊緣提取方法，分別利用Sobel、Roberts、Prewitt、Log以及Canny 5種常用的邊緣檢測算子對同一印花織物圖像進行分割，并比較分割效果，如圖7所示。

圖7 不同算子的邊緣提取效果Fig.7 Edge extraction effect of different operators. (a) Original image; (b) Sobel； (c) Prewitt; (d) Roberts; (e) Log; (f) Canny

圖7(b)、(c)示出Sobel和Prewitt邊緣檢測算子的分割效果。Prewitt算子和Sobel算子均對噪聲具有一定抑制作用，圖像產生一定的模糊，且檢測出一些偽邊緣。圖7(d)示出Roberts邊緣檢測算子的分割效果。Roberts算子是利用圖像的2個對角的相像素之差進行梯度幅值的檢測，從圖中可看出，雖然Roberts算子對左上角的花紋分割得比較精確，但丟失了太多圖像的細節部分。圖7(e)示出Log邊緣檢測算子分割效果。Log算子平滑掉了圖像中的細節，造成某些邊緣無法檢測到，或者造成某些邊緣失真，隨之會出現許多偽邊緣。

相比于其他邊緣檢測算子，Canny算子可檢測到真正的弱邊緣。Canny算子的檢測效果如圖7(f)所示。由圖可看到，織物圖像中許多小結構形成的弱邊緣基本都被分割出來，且輪廓清晰，精確度高，因此，選擇Canny算子來提取印花織物圖案邊緣效果最好。

3.3顏色空間的比較

在對印花織物進行平滑處理時，先將圖像轉換到其他顏色空間，如CIE Lab、HSI、HSV空間，然后再對圖像進行紋理平滑，最后再將圖像轉換到RGB空間中顯示，實驗結果如圖8所示。在Lab空間平滑后的結果是圖像中的一些小點變得非常模糊，會影響后續實驗；在HSI和HSV空間平滑后，圖像中出現了不同程度的疵點，這可能是在顏色空間轉換的過程中對數據的不同程度破壞所造成的。

在對平滑后圖像進行輪廓提取之前，也對圖像進行顏色空間轉換，分割結果如圖8所示。Lab空間分割結果中出現了許多多余的細節，而在HSI和HSV空間分割效果出現了許多錯亂。

圖8 不同顏色空間平滑和邊緣提取效果對比Fig.8 Comparison of smoothness and edge extraction of different color space. Smoothing results of RGB (a), Lab (b), HIS (c) and HSV (d) and contour extraction results of the RGB (e), Lab (f), HIS(g) and HSV (h)

3.4圖案分割結果與討論

圖9示出未對圖像進行平滑和平滑后的輪廓提取效果對比。由圖可看到，對未經平滑處理的圖像提取后出現很多疵點，這是由于織物本身的紋理會影響分割效果，而平滑后對印花織物圖像中圖案的分割非常精確，提取出來的圖案輪廓基本與原圖吻合，并且提取出來的圖像效果圖層次明顯，且沒有丟失局部的關鍵細節，對整幅圖像的提取效果如圖10所示。

圖9 分割結果對比Fig.9 Segmentation results. (a) Extraction without smoothening; (b) Extract edges after smoothening

圖10 全圖提取效果Fig.10 Whole map extraction effect

4 結 語

本文采用基于改進后的總變差模型對印花織物圖像進行平滑，有效地平滑掉印花織物圖像中主要由織物組織引起的紋理結構，并且很好地保存了圖像中的圖案。再用Canny邊緣檢算子對圖像進行邊緣提取。在此平滑方法中，平滑參數的設定是最重要的問題，包括空間尺度參數和光滑程度系數。一般來講印花織物圖像上的紋理結構不會很明顯，所以選擇的空間尺度參數比較小，光滑程度系數也設定為比較小的值，通過實驗選定空間尺度參數為3，光滑程度系數設為0.01。分割結果對印花工藝有著指導意義，比如Canny邊緣提取的結果可用在印花圖案設計中的描邊、勾邊。另外，此分割方法也可用于其他織物的圖案分割，所選參數也會隨著變化。此算法存在的不足是，對一些顏色差別不明顯的圖案其分割效果不太理想，主要是由于此算法是基于圖像色彩頻率的，差異不大的顏色對應的顏色數值上的差異也會不太明顯。

FZXB

[1] CHAPPELOW J. Snakes: active contour models[J]. International Journal of Computer Vision, 1988, 1(4):321-331.

[2] 王雅萍, 郭雷. 一種基于輪廓自擴展的GVF算法[J]. 火力與指揮控制, 2009, 34(4):25-29.

WANG Yaping, GUO Lei. GVF algorithm based on contour self-expansion [J]. Fire and Command & Control, 2009, 34 (4): 25-29.

[3] ARBELAEZ P, MAIRE M, FOWLKES C, et al. Contour detection and hierarchical image segmenta-tion[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(5): 898-916.

[4] 諸葛振榮, 徐敏, 劉洋飛. 基于Mean-shift的織物圖像分割算法[J]. 紡織學報, 2007, 28(10):108-111.

ZHUGE Zhenrong, XU Min, LIU Yangfei.Image segmentation algorithm based on Mean-shift [J]. Journal of Textile Research, 2007, 28 (10): 108-111.

[5] 包曉敏, 彭霄, 汪亞明,等. 基于貝葉斯決策及半監督聚類的織物圖像分割[J]. 紡織學報, 2010, 31(2):125-128.

BAO Xiaomin, PENG Xiao, WANG Yaming, et al. Fabrication of fabric based on Bayesian decision and semi-supervised clustering [J]. Journal of Textile Research, 2010, 31 (2): 125-128.

[6] 周慧, 張華熊, 胡潔,等. 基于平滑濾波和分水嶺算法的重組織織物圖像分割[J]. 紡織學報, 2015, 36(8):38-42.

ZHOU Hui, ZHANG Huaxiong, HU Jie, et al.Image segmentation of reorganized fabrics based on smoothing filter and watershed algorithm[J]. Journal of Textile Research, 2015, 36 (8): 38-42.

[7] 景軍鋒, 李陽, 李鵬飛,等. 基于小波域多尺度Markov隨機場的織物印花圖案分割[J]. 紡織學報, 2014, 35(1):127-133.

JING Junfeng, LI Yang, LI Pengfei, et al. Textile printing pattern segmentation of fabric based on wavelet domain multiscale Markov random field[J]. Journal of Textile Research, 2014, 35 (1): 127-133.

[8] 曹麗, 胡旭東. 基于多特征融合的織物印花圖像分割[J]. 紡織學報, 2016, 37(8):149-153.

CAO Li, HU Xudong. Fracting image segmentation based on multi-feature fusion [J]. Journal of Textile Research, 2016, 37 (8): 149-153.

[9] 劉建立, 左保齊. 基于遺傳算法的織物印花圖案的分割[J]. 計算機工程與設計, 2008, 29(15):3966-3967.

LIU Jianli, ZUO Baoqi. The segmentation of fabric printing patterns based on genetic algorithm[J]. Computer Engineering and Design, 2008, 29 (15): 3966-3967

[10] XU L,YAN Q,XIA Y, et al. Structure extraction from texture via relative total variation[J]. ACM Transactions on Graphics (TOG), 2012, 31(6): 139.

[11] DI H, GAO D. Gray-level transformation and Canny edge detection for 3D seismic discontinuity enhancement[J]. Computers & Geosciences, 2014, 72:192-200.

Graphiccontourextractionforprintedfabricbasedontexturesmoothing

XIANG Jun1,2, ZHANG Jie3, PAN Ruru1,2, HAN Yaobin1,2， ZHANG Jidong1,2, GAO Weidong1,2

(1.KeyLaboratoryofEco-Textiles(JiangnanUniversity),MinistryofEducation,Wuxi,Jiangsu214122,China; 2.CollegeofTextilesandClothing,JiangnanUniversity,Wuxi,Jiangsu214122,China; 3.InstituteofTextileandClothing,TheHongKongPolytechnicUniversity,Kowloon,HongKong999077,China)

In order to enrich printed products varieties, a method was put forward to effectively extract the contours of the printed fabric with high precision. Firstly, in order to smooth the image, by controlling the degree of smooth parameters and space scale, it could smoothen the fabric texture and structure of the image. It could successfully segment the pattern on the fabric when edge detected by Canny edge detection operator, and Canny discriminant threshold segmentation selected the default automatic threshold choice. The segmented image had clear contour, continuous edge and could segment smaller structure in the images of the printed fabric. Experiments prove that in RGB color space image smoothing and segmentation effect are superior to the other color space. Compared to the other edge detection operator splitting pattern effect of printing fabrics, the results prove that Canny operator segmentation effect is the best, and the segmentation results can be directly used in the production of printed fabric.

printed fabric; image smoothing; edge extraction; pattern segmentation; Canny operator

10.13475/j.fzxb.20160901506

TS 194.9

A

2016-09-09

2017-08-15

國家自然科學基金青年基金項目(61202310)；教育部博士點基金項目(20120093130001)；霍英東基金項目(141071)；2014江蘇省研究生創新計劃(KYLX_1132)

向軍(1991—)，男，碩士生。主要研究方向為織物的圖案分割及顏色測量。高衛東，通信作者，E-mail：gaowd3@163.com。