一种基于改进L0梯度的织物沾水区域分割方法与流程

本发明属于纺织类图像处理领域，尤其涉及一种基于改进l0梯度的织物沾水区域分割方法。

背景技术：

传统人工织物沾水等级评定过程主观性强、实验误差大，一致性差、容易漏检、误检。为解决这些问题，针对aatcc标准的喷淋方法出现了基于图像处理的织物沾水等级检测方法。

在织物沾水等级检测中，通过图像处理手段代替人眼判断，能使检测速度和精度提升。基于图像处理的织物沾水等级自动评定系统的关键是有效分割出沾水区域，目前已有提取织物感兴趣区域的分割方法主要有基于聚类算法和基于边缘检测算法两类。

例如申请公布号cn104392441a的专利文献公开了一种基于图像处理的高抗噪织物沾水等级检测评定方法，首先将待测织物进行织物沾水性实验，并获取织物沾水图像；在该发明中，引入了小波变换，筛选裁剪获得的织物沾水灰度图像信息，从空间频率角度去除织物纹理、光照不匀、光照变化对织物沾水等级检测的影响；对小波变换处理过的图像进行直方图均衡化，增强沾水部分和织物背景对比度；最后得到润湿比，用以判断织物沾水等级。该发明的方法能有效克服织物纹理、光照不匀、光照变化、反光对织物沾水等级评定的影响，提高织物沾水和不沾水部分的对比度，实现基于图像处理的织物沾水等级的高抗噪全自动检测。

现有技术中利用模糊聚类方法对实验图像进行分割处理，完成图像的二值化，当图像中含有噪声时会干扰聚类中心提取的准确性，影响算法收敛速度，分割效果不理想；改进canny算子中的参数，提取织物沾水区域的边缘，进行多次膨胀使边缘连结，然后利用腐蚀操作消除干扰边缘，进而获得待分割区域，当实验中存在水珠反光、织物不平整等引起灰度图整体光照不匀时，会影响边缘提取的准确率，且这种方法还受织物纹理粗糙度影响。

因此，针对上述问题，提出一种消除噪声干扰和减弱光照不匀影响，进而利用分割算法得到有效分割，提取出沾水区域的有效方法是十分必要的。

技术实现要素：

本发明提供了一种基于改进l0梯度的织物沾水区域分割方法，可以有效降低织物沾水等级检测过程中受织物纹理、光照不匀、织物表面不平等干扰的影响。

一种基于改进l0梯度的织物沾水区域分割方法，包括以下步骤：

步骤1：根据美国纺织化学师与印染师协会标准aatcc22-2005《纺织品拒水性测试喷淋法》进行织物沾水性实验，并获取织物沾水图像；

步骤2：裁剪掉步骤1得到织物沾水图像中的非测试区域，获取织物沾水图像测试区域；

步骤3：对步骤2获得的裁剪好的灰度图像进行均衡化，得到图像s；

步骤4：在步骤3得到的图像s中每个像素点p处，计算像素点p沿x，y方向的梯度，记作x方向与y方向相互垂直；

步骤5：根据最小化l0梯度和拉普拉斯降维原理，对步骤3得到的图像s迭代求解平滑图像；

步骤6：对步骤5处理过的图像进行图像聚类分割操作，最终得到织物沾水区域的分割图。

为了精确地获取测试区域，优选的，步骤2中，裁剪掉非测试区域，获取织物沾水图像测试区域具体过程如下：

2-1将步骤1的织物沾水图像灰度化；

2-2对步骤2-1中灰度化后的图像采用最大类间方差法二值化；

2-3对步骤2-2中获得的二值化图像进行自适应中值滤波；

2-4采用索贝尔算子检测，获得步骤2-3处理后的图像的边缘；

2-5对经步骤2-4处理过的只含边缘的图像通过霍夫变换检测出圆心和半径；

2-6依据步骤2-5检测出的圆心和半径，针对步骤1获得的图像，裁剪出测试区域。

为了进一步降低织物纹理、光照不匀、织物表面不平等干扰的影响，优选的，步骤5中，根据最小化l0梯度和拉普拉斯降维原理，对步骤3得到的图像s迭代求解平滑图像的具体步骤如下：

5-1初始化平滑程度控制参数λ∈[0.006～0.010]，迭代次数控制参数κ∈[1.1～1.8]，β＝2λ，迭代次数计数器t＝0，图像s大小为m×n，m∈[1,m]，n∈[1,n]，s^(t)←s；

5-2针对l0范数子问题，固定s^(t)，求解图像s中像素p处梯度(hp,vp)，如下式所示：

5-3固定(hp,vp)，求解s^(t)；

5-4把s^(t)中每个像素点p化为cielab颜色空间的向量形式μ＝0.3～0.6；

5-5计算像素点p邻域内的像素点pm与pn的相似度组成相似度矩阵w，像素点pm与pn对应像素值分别为和

5-6计算相似度矩阵w中行或列的和，即dmm＝∑nwnm，拉普拉斯矩阵l＝d-w；

5-7把s^(t)化为rgb分量的向量形式计算ls＝λds的广义特征向量；

解出的特征向量，按照对应的特征值从小到大排列，组成降维后局部灰度平滑的向量形式的图像，再把向量图化为矩阵形式s'；

由于织物沾水度评定系统实时性要求，如前所述织物沾水原始图像已被灰度化，从而降低整个织物沾水度等级评定过程的运算量。为了应用上述针对彩色图像的平滑过程，把织物沾水灰度图的灰度值分别赋给r、g、b分量，即各分量存储同一灰度值；

5-8把步骤5-7中求得的s'代入下式中，为快速傅里叶变换，记为复共轭傅里叶变换，记为δ函数的傅里叶变换，解得s^(t+1)；

5-9β←2β，t++；

5-10重复步骤5-2～5-9，直至β≥10⁵，输出平滑后的近似图像i作为平滑处理后的图像。

为了降低计算量的同时，保证本发明方法具有降低织物纹理、光照不匀、织物表面不平等干扰的影响，优选的，λ＝0.007～0.009。

为了降低计算量的同时，保证本发明方法具有降低织物纹理、光照不匀、织物表面不平等干扰的影响，优选的，κ＝1.3～1.6。

为了降低计算量的同时，保证本发明方法具有降低织物纹理、光照不匀、织物表面不平等干扰的影响，优选的，μ＝0.4～0.5。

图像聚类分割操作可以谱聚类或层次聚类等方法，为了提高本发明的提取沾水区域图像的效果，优选的，步骤6中，图像聚类分割操作采用模糊聚类。

优选的，步骤6中，对步骤5处理过的图像进行图像分割操作的具体步骤如下：

6-1步骤5-10得到的近似图像i中有l个样本点xi，i＝1,2,3...,l，设定聚类个数c；

6-2初始化c个聚类的中心cj，j＝1,2,...,c；

6-3根据式计算样本点xi属于c个中心cj的隶属度uij，加权指数e＝2；

6-4根据式重新计算各类的中心{ci,i＝1,2,…,c}；

6-5重复步骤6-3～6-4，直至式收敛；

6-6得到概率图像p。

步骤5已经滤除了噪声，图像中的颜色接近分段常数，所以可以使用最简便的模糊聚类算法，该算法运行速度快，实时性好。

本发明的有益效果：

本发明方法结合l0梯度保边平滑和拉普拉斯降维抑制局部灰度过渡，能有效地滤除包括光照不匀、织物不平等噪声，同时增强了织物沾水区域信息，得到灰度差异大的织物沾水区域图；进而能够对沾水区域进行准确有效的提取，进行传统的聚类分割能真实地反映沾水区域的实际状态。

附图说明

图1为本发明的基于改进l0梯度的织物沾水区域分割方法的线框流程示意图。

图2为织物沾水图像原图。

图3为hough变换提取的测试区域图。

图4为直方图自适应均衡化的图。

图5为最小化l0梯度算法与拉普拉斯降维后的平滑图像。

图6为模糊聚类处理后的图。

具体实施方式

如图1所示，本实施例的基于改进l0梯度的织物沾水区域分割方法包括以下步骤：

步骤1：根据aatcc22-2005标准进行织物沾水性实验，获取织物沾水图像，如图2所示。

步骤2：采用hough变换检测圆的方法获取织物沾水图像测试区域，裁剪掉非测试区域，具体为：

2-1将步骤1的织物沾水图像灰度化；

2-2对步骤2-1中灰度化后的图像采用最大类间方差法(otsu)二值化；

2-3对步骤2-2中获得的二值化图像进行自适应中值滤波；

2-4采用索贝尔算子检测，获得步骤2-3处理后的图像中金属圈边缘；

2-5对经步骤2-4处理过的只含边缘的图像通过霍夫变换检测出圆心和半径；

2-6依据步骤2-5检测出的圆心和半径，获得金属圈形成的圆形的外切正方形，将正方形外的数据全部剪切掉，如图3所示。

步骤3：针对步骤2获得的裁剪好的灰度图像进行直方自适应图均衡化，得到图像s，如图4所示。

步骤4：在步骤3得到的图像s中每个像素点p处，计算其沿x，y方向的梯度，记作图像采用xy坐标系；

步骤5：根据最小化l0梯度和拉普拉斯降维原理，迭代求解平滑图像；具体为：

5-1初始化平滑程度控制参数λ＝0.008，迭代次数控制参数κ＝1.45，β＝2λ，迭代次数计数器t＝0，图像s大小为m×n，m∈[1,m]，n∈[1,n]，s^(t)←s；

5-2针对l0范数子问题，固定s^(t)，求解图像s中像素p处梯度(hp,vp)，如下式所示：

5-3固定(hp,vp)，求解s^(t)；

5-4把s^(t)中每个像素点p化为cielab颜色空间的向量形式xp＝[μ*lp,ap,bp]^t，μ＝0.45；

5-5计算像素点p邻域内的像素点pm与pn的相似度组成相似度矩阵w，像素点pm与pn对应像素值分别为xpm和xpn；

5-6计算相似度矩阵w中行或列的和，即dmm＝∑nwnm，拉普拉斯矩阵l＝d-w；

5-7把s^(t)化为rgb分量的向量形式计算ls＝λds的广义特征向量；

解出的特征向量，按照对应的特征值从小到大排列，组成降维后局部灰度平滑的向量形式的图像，再把向量图化为矩阵形式s'；

由于织物沾水度评定系统实时性要求，如前所述织物沾水原始图像已被灰度化，从而降低整个织物沾水度等级评定过程的运算量。为了应用上述针对彩色图像的平滑过程，把织物沾水灰度图的灰度值分别赋给r、g、b分量，即各分量存储同一灰度值；

5-8把步骤5-7中求得的s'代入下式中，为快速傅里叶变换，记为复共轭傅里叶变换，记为δ函数的傅里叶变换，解得s^(t+1)；

5-9β←2β，t++；

5-10重复步骤5-2～5-9，直至β≥10⁵，输出平滑后的近似图像i作为平滑处理后的图像。

步骤6：模糊聚类。对平滑后的图像进行模糊聚类，其目的是对图像的特征进分类，得到各个像素点隶属于某一类别的概率，构成如下：

1)聚类数选取：

采用fcm算法进行模糊聚类，步骤5-10得到的近似图像i中有l个样本点xi，i＝1,2,3...,l，设定聚类个数c，根据平滑后的图像可发现已经初步预分割为3类，所以综合比较后选择3作为聚类数目。

2)随机选取聚类中心：

用random函数直接生成c个聚类中心坐标作为聚类的初始。图像为375×334像素大小，坐标范围为([0,375],[0,334])。

3)计算隶属度矩阵：

平滑后的图像大小为375×334个像素，定义一个大小为总像素乘以聚类中心数的二维矩阵存放隶属度。根据式计算各样本点属于各类的概率值，存储为隶属度矩阵uij。根据式重新计算各类的中心{cj,j＝1,2,…,c}。重复执行这步，反复迭代计算聚类中心，直至式收敛后得到概率图像p，如图6所示。

步骤7：对步骤6处理过的图像p输出，最终得到织物沾水区域的分割图(图中略)。