基于易語言的毛呢織物組織結構識別

溫 潤，涂彩云，熊鍇毓，沈 華

(東華大學 紡織學院，上海 201620)

分析和識別毛呢織物組織類型是生產毛呢織物的基礎工作，現階段企業仍以效率較低的人工分析為主。隨著毛呢織物在紡織市場中的發展勢頭日趨良好，傳統的人工分析很難保證企業生產在質和量上的平衡發展，因此掌握毛呢織物自動分析技術成為企業發展的關鍵。

隨著數字化圖像處理理論和技術的飛速發展，這種技術也被引入紡織領域。20世紀末，織物圖像處理主要通過運用光學理論進行探究，如Melendez等[1]對Gabor濾波進行優化，并結合LBP算法提取織物圖像表面紋理特征對織物進行分類；Nishino等[2]提出了馬爾科夫隨機場模型，用于提取織物圖像相關區域的灰度信息。如今，織物組織識別技術呈現智能化發展趨勢，如李艷梅等[3]借助傅里葉變換得到織物的組織結構參數；周帥[4]在數字圖像處理技術應用基礎上，綜合小波分析以及BP神經網絡等方法實現織物疵點的識別和分類。然而，目前大部分紡織圖像處理技術都是基于MATLAB、C++等軟件實現，對于紡織企業生產設計人員而言難度較大，不利于技術的推廣。

易語言具有獨特的優勢，其采用全中文式代碼編譯，實現操作頁面可視化，為設計者提供良好的編程環境；此外，易語言所擁有的獨立編譯器支持其實現跨平臺使用，用戶可通過易語言完成絕大部分編程設計[5]。因此，本文以棉織物圖像預處理技術為基礎，采用多種圖像處理算法，獲得毛呢織物組織結構參數，確定其組織結構特征，并編入易語言程序中，以期望達到毛呢織物組織結構自動識別的效果，為面料仿樣、設計、創新提供可信度高、有參考價值的信息，提高企業生產效率。

1 毛呢織物組織圖像獲取及預處理

1.1 毛呢織物圖像的獲取

獲取清晰的毛呢織物組織結構圖像是對其結構進行識別的首要條件。以毛呢織物的結構特點為前提，參考棉織物圖像處理技術，設計針對毛呢織物組織圖像處理方法。毛呢織物圖像預處理流程如圖1所示，主要包括毛呢織物挑選、圖像采集以及對圖像顏色、噪點和對比度的處理。通過采用灰度處理、中值濾波、直方圖均衡化等具體算法，獲取用于提取特征值的標準圖。

圖1 毛呢織物圖像預處理流程

本文選取平紋、斜紋、緞紋3種毛呢織物基礎組織結構，在相同環境下采用中晶e900高清圖像掃描儀獲取織物圖像。掃描時，為避免因邊緣組織結構不同于中心組織所引起的誤差，首先選擇試樣中心附近的區域進行預掃描，并確保待測織物圖像內有10根左右紗線，再統一進行分辨率為1 200 dpi的高清掃描。

1.2 圖像預處理

掃描采集所得高清織物圖像包含了織物表面大量色彩信息，為方便后期組織特征提取，須經過3步處理工序。第1步，采用YUV顏色空間變換法增加圖像各像素間的對比度，即將掃描的毛呢織物圖像RGB像素值轉化為Y值(Y是亮度，用以表征圖像的灰度值)，實現圖像彩色轉灰色，以便運算和存儲；第2步，為保證織物表面信息不被破環，須采用中值濾波去除噪點，完成對規定圖像的降噪處理；第3步，對織物圖像進行直方圖均衡化[6]，增強毛呢織物圖像的對比度，減少中值濾波處理后圖像清晰度下降問題，利于后續對織物組織特征提取和分類。

圖2為2/2斜紋毛呢織物預處理效果對比圖，其相比于原織物，經過一系列預處理的織物圖像，在清晰度、對比度上均有顯著提升，可為毛呢織物組織特征提取與分類提供良好樣本。

圖2 2/2斜紋毛呢織物預處理效果

2 毛呢織物組織特征提取與分類

2.1 毛呢織物結構參數的確定

為了對預處理圖像進行區域分割和特征提取，首先采用最大類間方差法(Otsu法)尋找分割閾值最優閾值，將毛呢織物灰度圖二值化處理，確定織物圖像內的紗線根數以及每根紗線的寬度，初步確定紗線位置。然后，對二值化后的圖像進行平滑化處理，減少織物表面絨毛對圖像處理的干擾，對紗線定位，并計算織物密度。

圖3為織物圖像處理效果圖，織物圖像中紗線和紗線間隙的分布用黑白相間的條紋表征。從圖中可獲取圖像總像素點數T(個)以及單位長度上的像素點數t(個/英寸)，即可得到圖像的實際寬度，利用圖像中黑條數量代替該寬度內的紗線根數n(根)，則根據紗線密度p(根/(10 cm))的定義可得式(1)。

圖3 織物圖像處理效果

(1)

采用相對誤差的分析方法，分別統計10塊不同密度的三原素色毛呢織物與5塊常用組織毛呢織物的經、緯向密度，對比人工測量數據與計算機測量數據之間的誤差ε見式(2)。

(2)

式中：xr為人工測量密度，根/(10cm)，x為計算機測量密度，根/(10cm)。

表1所示為對30塊樣本織物經向、緯向密度誤差的分析。由表可知，對于三原素色組織，其經向、緯向密度人工測量數值與計算機測量數值偏差較小，試驗的相對誤差不超過5%。

表1 素色織物經、緯向密度誤差分析 %

2.2 毛呢織物組織特征提取

不同織物具有不同紋理特征，利用灰度共生矩陣可以有效提取灰度圖像分割區域的所有特征信息[7-8]。首先確定灰度共生矩陣統計的方向和計算距離，選取分割區域(K×K)中任意一點(m，n)，其灰度值為i，及沿確定方向距離該點(a，b)的點(m+a，n+b)的灰度值為j，設這2點灰度值組合為(i，j)，已知灰度值的級數為L，則(i，j)的組合方式共有L2種。然后將i、j從小到大進行排序，以他們為坐標，記錄組合(i，j)出現的次數，構成1個聯合灰度矩陣。最后用組合(i，j)出現的次數除以總次數得到歸一化后的概率Pθ,d(i,j)，獲得便于提取圖像特征的灰度共生矩陣。

本文通過分析分割區域在統計方向θ=0°，相隔距離d=1時的灰度共生矩陣，得到以下幾個常用的特征統計，用以表征該區域圖像紋理特征的相關信息：

①均值μij見式(3)：

(3)

式中：xij為灰度值為(i，j)的組合個數,Pθ,d(i,j)為其出現的概率，L為選取分割區域的灰度級。

(4)

③相關性C1見式(5)表征圖像紋理的變化趨勢和相似程度。

(5)

式(5)中：

(6)

(7)

(8)

(9)

④對比度C2見式(10),表征圖像的清晰程度，對比度大的圖像，其紋理特征表現越細致。

(10)

⑤能量A見式(11),表征圖像灰度變化的均勻程度，值越小表明紋理呈無規律分布，反之，則圖像灰度變化越穩定，紋理分布越均勻。

(11)

2.3 毛呢織物組織特征的分類

經灰度共生矩陣提取毛呢織物組織特征信息后，可采取聚類分析法實現分類，區分織物的經、緯組織點。聚類分析是一種不局限于劃分類別，依據各個樣本間的相似程度進行分組的方法。通過這種方式將相似的樣本點歸入同一類，不相似的樣本歸為其他種類。

本文采用模糊聚類算法(FCM算法)判別織物圖像中經、緯組織點的分布，試驗中，FCM算法將分割區域的集合轉換為樣本點的集合，構成樣本空間X={x1,x2,…xn}，并用y來代表樣本點的種類(y≥2且為整數)。J表示樣本空間X的模糊聚類結果，見式(12)。定義聚類分析函數：

(12)

當聚類分析函數在前后2次迭代中的誤差值小于預設精度時，FCM算法會根據各個樣本點對聚類中心的隸屬程度，將其劃分為經、緯組織點兩大類，進而得到選定圖像區域內某一紗線上組織點的變化。圖4是分別提取一平紋織物經向、緯向第4根紗線所在區域圖像的特征值，再通過聚類分析，實現對規定紗線上組織點分布規律的預測。

圖4 織物原圖及其對應組織結構

2.4 毛呢織物組織匹配

在得到規定紗線組織點排列規律后，須進一步判斷毛呢織物的組織類型。相比于常規研究中提取織物組織循環的方法[9]，本文采用單根經緯紗組織匹配法，其是一種模糊識別分類方法，該方法得出選定織物為某一組織的概率，而不會將其歸為某一特定組織。

在試驗中用差異數表示待測織物與參考織物對應的經緯紗上組織點不一致的個數，當出現差異數大于2根交叉紗線上組織點總數的一半這類情況，可直接排除，縮小組織結構范圍，對于剩下可能匹配的組織結構，予以合適的權重，計算各自所占比例，判斷待測織物的組織結構。

聚類分析所得組織如圖5所示，分析可知，被測織物組織與2/1斜紋組織差異數為1，與2/2斜紋組織差異數為4，設差異數為f，權重為cf,被測織物為某一組織的概率pf,計算方法見式(9)。

圖5 聚類分析所得組織

(9)

式中：cf=24-f，被測織物有約90%的概率為2/1斜紋，有近10%的概率為2/2斜紋。

采用單根經緯紗組織匹配法，預測所選毛呢織物的組織結構，并給出對應組織的概率，使結果在一定程度上具有較好的參考價值。

3 毛呢織物組織結構實例分析

3.1 分析準備

經過對毛呢織物組織特征識別方法的分析與設計，使用易語言程序將處理流程編譯為軟件，系統主界面如圖6所示。首先選定待測毛呢織物圖像，打開圖片，獲取圖像相關信息，再處理圖片，得到織物圖像關鍵紋理特征，最后進行組織判斷，得到與被測織物組織結構相匹配的組織類型，并在頁面中間區域顯示最大概率組織的組織圖。以織物實際經緯向密度及織物實際組織結構類型作為參考，分析系統測試值與實際值的誤差和組織結構類型判斷正確與否。

圖6 毛呢織物組織結構識別系統主界面

3.2 平紋類毛呢織物組織

平紋組織適用于春秋毛呢織物的設計。選取3種平紋類毛呢織物進行測試，試驗次數均為20，統計各織物的經、緯向密度和組織類型，結果如表2所示，表中織物試樣依次為素色毛紗平紋織物、混色毛紗平紋織物和絨面混色毛紗方平織物。

由表2可知，以實測值作為參考，純毛高支薄花呢和高支賽羅菲爾的經、緯向密度測試結果誤差較小，且組織推斷準確，原因是二者織物圖像中紗線與紗線間隙的對比度較大，能更準確地獲取織物規定寬度內紗線根數，進而推算出織物經、緯向密度。對于第3種組織，軟件計算得到經、緯向密度測試值只有實際經、緯向密度的一半，且推測其為平紋結構。分析原因：①紗線上的絨毛掩蓋了織物部分紋理特征；②方平織物中相鄰2根紗線間隙很小，系統易將其誤判為1根，造成較大的測量誤差。

表2 平紋織物測試結果統計

3.3 斜紋類毛呢織物組織

斜紋組織是毛呢織物設計中高頻使用的一類組織結構。與平紋類毛呢織物測試方法一致，選取4種斜紋類毛呢織物：2/2右斜紋素色毛呢織物、2/1右斜紋素色毛呢織物、2/2右斜紋混色紗線毛呢織物和2/2右斜紋經緯異色絨面毛呢織物，測試結果如表3所示。

由表3可知，以實測值作為參考，所選毛呢織物的紗線密度測試結果誤差較小，此外相比平紋類的全毛絨面花呢，斜紋類全毛絨面花呢紗線結構較為緊密，組織點周圍的絨毛分布較少，同時后者經緯紗線異色，在進行圖像處理時會有明顯區分，更獲得較清晰的紋理特征，因此試驗得到的經向緯向密度更準確。

表3 斜紋織物測試結果統計

3.4 緞紋類毛呢織物組織

緞紋組織多以變化組織的形式應用在毛呢織物設計中。與平紋類毛呢織物測試方法一致，選取2種混色加強緞紋毛呢織物進行測試，測試結果如表4所示。

由表4可知，以實測值作為參考，所選緞紋類毛呢織物的經緯測試結果誤差較小。分析其原因：①與平紋及斜紋類組織相比，緞紋類組織點分布差異較大，在聚類分析過程中被判斷為平紋或斜紋類組織的概率不大；②緞紋類毛呢織物品種單一，組織庫基本將其包在內，系統可精準識別待測緞紋類毛呢織物組織類型。通過對以上所選3類毛呢織物圖像及其實驗數據的分析與統計可知，使用本文設計的毛呢織物組織結構識別系統可以較為準確地分辨出被測織物的組織類別，且測試所得經、緯密誤差較小，該方法對于這3類常規毛呢織物組織具有良好的適用性。

表4 緞紋織物測試結果統計

4 結 論

本文參考棉織物圖像處理技術與方法，借助易語言軟件進行編程，對毛呢織物圖像進行預處理和組織結構的自動識別，并選取平紋、斜紋、緞紋3類常用毛呢織物，進行驗證，效果良好。研究具體結論如下：

①設計針對毛呢織物圖像預處理的方法，可有效消除紗線絨毛造成的影響，增強圖像清晰度。

②采用Otsu法平滑化處理后的圖像，可計算織物經、緯向密度，對于三原素色組織，其經、緯向密度測試相對誤差不超過5%。

③以易語言為平臺對毛呢織物組織結構進行識別，獲得的織物組織類別與織物實際組織基本一致，該方法對平紋、斜紋、緞紋類毛呢織物組織結構的識別具有一定參考性。

與常用的MATLAB、VB和VC等編程軟件相比，易語言程序容易掌握，降低了紡織領域從業者在織物自動化處理上的難度。同時，在圖像預處理過程中，織物表面絨毛仍是影響組織結構準確性的重要因素，因此在未來研究中，將著力于優化圖像處理算法，提高毛呢織物圖像處理結果的準確性，并擴大對織物組織類別的識別范圍。