基于同態濾波的彩色織物起毛起球等級評定

黃媛媛,董康樂

(西安工程大學,陜西 西安 710048)

織物起毛起球是指織物在穿著和洗滌過程中,由于反復摩擦產生毛球顆粒的現象,其不僅會影響織物外觀,還會降低織物舒適性[1]。隨著生活質量的提高,人們對紡織產品的質量要求也越來越高,起毛起球問題也越來越受到重視,起毛起球等級評定成為實際的生產及貿易中對紡織品檢測和評估的重要指標。

目前,使用圖像處理技術實現織物起毛起球等級評定的方法主要分為二維圖像和三維圖像兩大方向。在針對彩色織物的起毛起球等級評定研究中,國內外有很多學者直接在空間域和頻率域提取彩色織物的毛球,實現起毛起球等級評定,但這些方法普遍性較差,對復雜花型的彩色織物效果有限。

劉曉軍[2]使用邊緣流檢測圖像分割法同時檢測灰度圖像和彩色圖像,分別檢測起球織物的色彩、紋理和相位,將它們連接起來,利用Gabor濾波器的特征處理圖像得到分割后的毛球圖像,但此方法對花型復雜的彩色織物不能完全適應。Jin Junfeng[3]采用種子區域生長法(SRG)分割彩色織物,使用相對歐式距離和離散余弦變換(DCT)來描述織物色彩和紋理,從而進行種子點選擇、區域生長和區域合并。同年,Jin Junfeng[4]嘗試采用Meanshift方法分割織物毛球,該算法復雜度較高。三維激光掃描圖像的檢測方法[5-6]主要是使用三維激光掃描和雙目視覺系統獲取目標的三維點云。然而三維激光掃描儀價格昂貴、效率低下;雙目視覺系統需要根據目標搭建合適的硬件和匹配算法,操作和使用過程復雜。

針對以往研究中存在的問題,提出了在亮度空間對彩色織物圖像使用高斯同態濾波器強化毛球特征,減少織物顏色和花型對毛球提取的影響,使用輪廓的一階矩區分織物紋理和毛球,提取毛球特征并完成等級評定,評定結果與專業等級評定人員的結果進行比較。

1 彩色織物毛球提取方法

針對彩色織物的起毛起球等級評定進行了研究。對原始彩色圖像的亮度通道采用高斯同態濾波濾除顏色和花紋邊緣,突出毛球特征,使用輪廓的一階矩區分毛球與織物紋理,有效提取毛球特征,最后使用毛球個數、毛球面積及毛球密度分布作為評定指標,實現等級評定。處理流程框圖如圖1所示。

圖1 彩色織物起毛起球等級評定框架圖

1.1 毛球強化

毛球增強是毛球特征提取及分級的前提和難點。由于彩色織物存在顏色、花型、邊緣等多種特征,使用圖像的顏色特征無法完成毛球與背景的分離。在毛球分離上,傳統的空間域或頻域操作無法在織物花紋中直接提取毛球。

在Retinex光照模型[7]的基礎上,使用高斯同態濾波,構造合適的濾波函數,在原始圖像的光照分量上強化毛球特征,濾除顏色、花紋邊緣等的影響,減少顏色交叉處及邊緣的干擾。

在Retinex光照模型中,圖像的動態范圍主要受入射光的影響,而圖像的本質屬性主要由反射光決定。表示為公式(1):

其中L(x,y)∈(0,∞),R(x,y)∈(0,1)。光照L(x,y)是成像的外部因素,通常表現圖像中變化緩慢的特征,反射圖像R(x,y)是圖像的本質屬性,表現為圖像中突變的特征,如邊緣、輪廓等,是圖像處理中需要獲得的特征。

對起毛起球織物圖像分析可以看出,由于毛球相對織物紋理較模糊,灰度級的范圍較低,即模糊的毛球灰度不存在清晰的細節和層次,而織物自身的紋理灰度動態范圍較大。此時若要從織物紋理中直接進行毛球強化,采用一般線性變換難以實現[8]。同態濾波處理是將頻域處理和空間域處理相結合的一種處理方法,能提高毛球對比度并壓縮亮度范圍,使模糊的毛球灰度級擴展,從而達到增強毛球的目的,實現毛球等級的分級。

通過構造高斯同態濾波器函數

式中γH為高頻增益,γL為低頻增益,取γH>1,以增強高頻分量,γL<1以削弱低頻;常量c用于對濾波器傾斜銳化程度的調節。

濾波器H(u,v)的選擇是毛球增強效果好壞的關鍵所在。圖2為H的切面圖,實際二維圖像的濾波函數為該剖面圖沿H軸旋轉360°得到。其中γL、γH分別為低頻和高頻增益,D為(u,v)點的值。當γL<1,γH>1時,可實現削弱低頻部分增強高頻分量的目的。

圖2 同態濾波器函數波形圖

1.2 毛球分割

在經過強化的圖像中,毛球被有效強化,但要提取毛球,仍要通過一些濾波操作來濾除織物紋理的干擾。

試驗表明,被強化后的毛球圖像中,毛球部位灰度值更大且與紋理相比區域較大。因此,在濾波器設計中,使用最小值濾波的方法,該方法能將孤立的亮點干擾有效濾除,而由于毛球部分整體灰度小但連續區域相比干擾點大,因而會被有效保留。最小值濾波具體表達式為公式(3):

其中t為表示鄰域窗口大小的參數,通常可以取為1或2。

對濾波處理后的圖像使用二值化操作,毛球特征可以被有效凸顯,但圖像上仍存在大量的白色噪點或背景干擾。與毛球相比,這些噪點或背景的白色區域輪廓表現得更有規律,其形狀特征與毛球形狀特征區別較大,而且這些噪點個數更多。在此使用對輪廓的形狀描述來區分毛球與織物紋理。

輪廓的矩可以有效描述輪廓形狀。對于圖像f(x,y),其(j+k)階矩定義為:

歸一化中心矩為:

歸一化中心矩具有旋轉、平移、縮放、鏡像等不變的特性[9],可以用來描述物體形狀。

計算二值化圖像中每個輪廓的一階歸一化中心矩,以此區分毛球和背景干擾。

在試驗中,由于噪點和背景亮點在數量上比毛球多很多,因此,對所有輪廓的一階矩取平均值,并在平均值的基礎上,增加50%的偏移量,以此作為判斷標準。使用平均值的目的是獲得所有輪廓中大多數形狀的一階矩,也就是可以表征噪點和背景的一階矩值,試驗表明在此基礎上增加50%的數值偏移,可以保證將噪點和背景干擾去除的同時,保留大多數毛球的輪廓。結果如圖3所示。

圖3 使用形狀特征篩選后的毛球圖像

1.3 毛球特征提取和分級

在毛球特征提取過程中,使用了毛球個數、毛球總面積和毛球密度分布作為等級評定指標。

1.3.1 毛球個數

二值化圖像中的白色輪廓代表毛球所在位置及大小,以該輪廓的個數作為毛球個數,由于起毛起球程度越嚴重,毛球個數越多,對應的白色輪廓也越多,因此,輪廓個數可以表征起毛起球的嚴重程度。

1.3.2 毛球總面積

毛球面積是指毛球二值圖像中白色像素點的個數。由于圖像采集的硬件系統中,使用的相機、鏡頭及物距均不因樣本的差異而調整,故白色像素個數與實際樣本中毛球的面積成正比。因而使用白色像素點的個數來表征起毛起球的程度,區分不同等級,實現等級評定。

1.3.3 毛球密度分布

在人眼視覺中,密度分布表現為目標在圖像中分布的均勻程度,即目標中心點的分布。在毛球的分布中,不同等級樣本的毛球分布均勻程度與毛球的等級存在一定的關系[10]。其中密度分布計算方法如下:

(1)在圖像區域內隨機選取N個點,記Pi(i∈N);

(2)尋找與這些點最近的毛球中心Oi,記各自的距離Ri;

(3)以Oi為中心,尋找距離其最近的另一個毛球中心并計算距離,記做Xi;

(4)用公式(6)計算N個點的密度分布。

2 結果和分析

本試驗中采用的計算機配置為Intel Core i5-9700M 2.5 GHz CPU,12 GB內存,NVIDIA GeForce GT 70顯卡,Windows10操作系統的電腦。

2.1 截止頻率設置

在修正的高斯濾波核中,截止頻率是區分背景與毛球的關鍵參數之一。試驗表明,當參數D0增大時,濾波器的低頻成分逐漸減少,背景被濾除得越嚴重,保留下的毛球數量也在減少。選擇合適的D0值,才能保證只保留毛球,而盡可能濾除背景的影響。在試驗中,通過多種典型樣本圖像實驗表明,D0=10時,能滿足對毛球強化的要求。

2.2 濾波器選擇

從毛球強化后的圖像可以看出,毛球的視覺效果表現為較亮的區域,而背景較暗,但是背景中的紋理也會出現細小的亮點區域。相比較,毛球會表現出以下兩種特征:亮度上更亮或亮度上不足夠亮但亮點的區域較大。

數字圖像濾波器可以實現濾除特定噪音的功能,非線性濾波可以有效保留圖像中亮度較高的區域。使用最小值濾波進行濾波處理后,毛球可以被有效保留,且不會對毛球產生模糊的效果。理論上也可以說明,最小值濾波是將區域內(本研究中使用3×3大小)像素的最小值作為該區域的值。圖像分析可以看出,若亮點的區域是毛球則其中心較亮,其周圍也存在一定區域不夠亮但非0的區域,該區域中所有孤立點經過濾波后,仍為該區域的灰度值;而亮度不足夠大,且區域足夠大的毛球分布區,也滿足經過最小值濾波后,該區域面積仍然滿足較大的這一特征。但對于背景紋理,雖然有些點亮度很大,但是經最小值濾波后,該3×3區域的像素值被處理成最小值0(即周圍的0值),這些紋理被去除掉了。最小值濾波效果如圖4所示。

圖4 不同截止頻率D0時的毛球強化效果圖

由于自動閾值的諸多不適應性,使用固定閾值做二值化,針對幾種典型彩色織物使用固定閾值二值化操作,經試驗驗證固定閾值設置為15時,可以準確獲得只含有毛球的二值圖像。試驗結果見表1。

表1 五種典型樣本的毛球提取效果圖

為了驗證本文彩色織物起毛起球等級評定方法的有效性和準確性,使用YG502N 型圓軌跡起毛起球儀對5種典型織物進行磨取,共獲得1-5級起毛起球織物樣本6 169 幅。分別為SC1 類1 347幅、SC2 類1 496 幅、SC3 類1 442 幅、CC1 類997 幅、CC2 類887幅,每類均包含由人工確定的1-5級不同等級。對1-5級的織物圖像,經過毛球強化和提取后,可以準確得到僅含毛球的二值化圖像,見表2。

表2 CC1、SC1類織物1-5級起毛起球圖像算法提取毛球效果

在此基礎上,以毛球面積、毛球個數和毛球密度分布作為評定指標。針對SC1中1-5級樣本數據,使用毛球個數、毛球面積和毛球密度分布三個評定指標的試驗結果如圖5所示,數據表明:第一,對同一級的樣本,其毛球面積、毛球個數和毛球密度分布三個指標呈現一致的變化趨勢;第二,不同級的樣本,在相同指標上表現出明顯的區分。因此三個指標可作為分級的標準。

圖5 SC1樣本不同等級的毛球個數、毛球面積、毛球密度分布

使用不同級之間指標的平均值,做等比例插值,計算不同級之間的等級劃分閾值,以表3參數作為典型分級閾值數據,在五類樣本中隨機選取40 幅樣本圖像,經算法分級,結果如圖6所示。

圖6 五類樣本的算法分級與人工分級對照

表3 典型分級參數

對五種樣本的算法分級結果見表4,由表4可見,整體分級結果與人工分級一致性較好,綜合正檢率為91.6%,滿足實際分級檢驗需求。從不同樣本種類可以看出,簡單紋理樣本SC1、SC2、SC3 樣本的正檢率(94.0%、92.0%、92.5%)整體優于復雜紋理樣本CC1、CC2(90.0%、89.5%)的效果;1 級、2 級、3 級(96.0%、94.5%、90%)的效果優于4 級、5 級(89%、88.5%)。

表4 五類樣本的算法分級與人工分級結果對照

導致以上結果的原因主要有以下五方面:(1)復雜花型紋理的樣本,其紋理邊緣因顏色突變和起伏會存在一定的誤檢,相比較而言簡單花紋織物(CC1和CC2類)效果更好;(2)級數高的樣本(如4級、5級),毛球面積和個數較少,不同級之間的區分較小,固定參數情況下,更容易誤判;(3)毛球個數減少時,毛球密度分布也不再呈現明顯的規律性,故密度分布指標區分也不明顯;(4)第5級中毛球個數本身數量少,甚至沒有毛球,因此,極小的干擾更容易引起誤判;(5)實際的人工分級中,同樣存在4級和5級的區分誤差。

與專業分級人員確認,在實際的人工分級中也會存在此類情況,以上結果均與實際人工分級情況相符。

3 結語

針對彩色織物圖像,在亮度通道上使用高斯同態濾波器,將毛球和織物背景有效分離,有效突出毛球。使用最小值濾波和二值化操作獲得毛球的二值圖像,根據圖像中輪廓的一階矩特征區分毛球與織物紋理,提取毛球圖像。以毛球個數、毛球面積及毛球密度分布作為評定指標,有效實現彩色織物的起毛起球等級評定,綜合分級準確率為91.6%。