一种印花织物套色分割方法

本发明涉及印花织物检测，特别涉及一种印花织物套色分割方法。

背景技术：

1、印花织物一般由两种以上不同套色印制而成。在印花中各套色之间的对花精度是一个直接影响印花产品的质量重要的指标。在生产过程中，由于受到随机干扰因素的影响，不可避免地出现“错花”、“跑花”现象。

2、目前生产中主要是依靠人工目测进行对花精度的检测。随着机器视觉技术在纺织行业的应用，采用机器视觉方法来检测纺织品印花图像的印花精度已受到人们的重视。将待检测图像与标准图像分别分割，然后将待检测分割图像与标准分割图像做图像匹配等操作，就可以得到织物套色的印花偏差。因此选择合适、精确的图像分割方法对印花偏差的检测精度有着重大影响。

3、目前，针对纺织品印花图像的分割方法多种多样。如专利文献1“一种纹理图像的分割方法”(发明专利，申请号：201210259652.8)公开了一种纹理图像分割方法，通过主成分分析等手段降低数据量再通过mean-shift算法(中文名为：均值漂移算法)对特征向量进行聚类，从而完成较可靠的纹理图像分割；专利文献2“印花织物的颜色聚类分析装置及方法”(发明专利，申请号：201610172669.8)利用中值滤波对印花织物图像进行预处理后，将其图像从rgb颜色空间转换到lab颜色空间，最终借助于自适应k均值聚类算法对颜色进行分割，得到不同颜色的花纹子图案；专利文献3“色织物的颜色聚类分析方法”(发明专利，申请号：201610172666.4)公开的织物颜色聚类分析方法，先利用不同模板尺寸的中值滤波去噪，然后将色织物图像从rgb颜色空间转换到lab颜色空间，最后借助于k均值聚类算法得到了色织物的色纱数目和种类。

4、王颖提出的印花织物图像分割方法，在进行图像分色之前，先以中值滤波对图像进行滤波去噪等预处理，接着利用遗传算法截取一个较小的子图像，再利用som神经网络将子图像进行量化，达到减小颜色数目的目的，最后利用改进型k-均值算法获得分割织物图像(王颖，印花织物全自动分色及重复图案检测，西安工程大学硕士论文，2016)。吴俊凯提出的som神经网络和dpc算法相结合的纺织品颜色分割方法，先将待分割图片数据转换为lab值，使用som神经网络初次聚类，然后结合dpc算法进行二次聚类，最终将印花织物划分为不同颜色区域的子图像(吴俊凯，基于高光谱成像的纺织品颜色分割与提取方法研究，浙江理工大学硕士论文，2019)。黄烜涛提出了一种结合了som算法和edsc算法的颜色分割算法，在提高最终颜色分割效果的同时解决了edsc算法输入数据过多时无法聚类的问题(黄烜涛，基于聚类的印花织物颜色分割和循环基元分割，浙江理工大学硕士论文，2021)。

5、王鹏宇、游有鹏提出一种密度峰聚类和k均值聚类的簇绒地毯图像分割方法。将读取的图片根据色差最小原则进行量化；针对k均值聚类算法在图像分割应用中的不足，对k均值算法进行改进，通过密度峰聚类算法自动确定了图像分割的聚类中心数目和较为准确的初始聚类中心。为了衡量色差在人眼中的感知情况，在算法中引入了nbs距离作为距离测度(王鹏宇，结合密度峰聚类的k均值图像分割算法，机械与电子，第37卷第2期，2019；游有鹏，基于改进后密度峰和k均值聚类的簇绒地毯图像分割方法，发明专利，申请号：201910188673.7)。

6、采用mean-shift算法对织物图像进行分割，如专利文献1，不需要设置聚类数和初始化聚类中心，分割效果较好，但对于较大的特征空间，计算量非常大。采用k均值聚类算法对织物图像进行分割，如专利文献2和专利文献3，k均值聚类算法对初始聚类中心的选择很敏感，对相近的两种或多种颜色常常不能很好的分割。采用som算法结合其他算法的织物图像分割方法，如王颖、吴俊凯、黄烜涛的方法，先用som算法作初次聚类，后结合其他算法作二次聚类完成分割，算法复杂度提高，因此运行时间增加，无法满足实时性要求。王鹏宇、游有鹏提出密度峰聚类结合k均值聚类的图像分割方法，其中密度峰聚类算法本身对大图像数据计算缓慢，因此也无法满足实时性要求。但其中引入的nbs距离概念却增加了分割正确率。

技术实现思路

1、针对上述现有技术存在的问题，本发明提供一种印花织物套色分割方法。首先通过图像处理技术，利用不同模板尺寸的中值滤波去除织物图像上的噪声，然后利用自组织映射神经网络算法(som)对去噪图像数据进行颜色量化，不同于上述文献中使用som算法结合其他算法的方法，本发明中创新性提出一种对量化后的图像作颜色合并的分割方法，同时引入nbs(色差单位)距离作为划分准则，从而获得印花的套色种类和数目。

2、为实现以上目的，本发明提供了一种印花织物的套色分割方法，包括以下步骤：

3、s1：对采集的印花织物图像进行预处理；

4、s2：采用自组织映射神经网络(self-organizing maps，简称som)对图像矩阵进行颜色量化，得到量化后的图像；

5、s3：将量化后的图像从rgb颜色空间转换到munsell hvc均匀颜色空间中去；

6、s4：在hvc空间中结合符合人眼对色差感知的nbs距离概念对颜色进行合并，最终得到织物套色分割图像。

7、优选的，步骤s1中，所述的预处理为中值滤波，通过中值滤波的方式去除图像噪声。优选的，中值滤波的方式采用3×3或5×5的中值滤波模板。

8、作为本发明的进一步改进，步骤s2中，采用自组织映射神经网络(self-organizing maps，简称som)对图像矩阵进行颜色量化，具体包括：

9、s21：构建som神经网络结构，som网络包含输入层和输出层，确定输入层节点数和输出层节点数；

10、特别的，对于输入层，由于彩色图像每个像素的值包含r、g、b三个分量，即输入数据的维数为3，因此输入层有三个神经元节点。

11、特别的，对于输出层，一般有x×y＝m个神经元节点，每个节点维数为3，排成矩阵的形状，其中，m为神经元节点个数，x为宽度方向的神经元节点个数，y为长度方向的神经元节点个数。

12、特别的，x和y一般由公式确定：其中n为像素点样本个数。

13、特别的，x和y也可以根据需要自由设置。

14、s22：初始化每个节点权值向量为wij＝[w0,w1,…,wd]；

15、优选的，步骤s22中权值向量wij的初始化可采用随机值的方法，w0,w1,…,wd为颜色的维数，分别将w0,w1,…,wd权值赋为0到255之间的随机数。

16、s23：初始化学习率η0，最大迭代次数nt；

17、s24：从输入空间中选取一个样本点xi，计算xi与权值向量wij对应的节点之间的距离；将距离最小的节点记为wc，并将其设置为获胜节点，设其权重为1；

18、优选的，步骤s24中距离计算方法采用欧式距离计算：

19、

20、其中，d为欧式距离，为两个节点的距离；

21、s25：更新获胜神经元wc及其邻域节点之间的权值，即

22、wij(t+1)＝wij(t)+η(t)*(xi-wij(t))

23、其中η(t)为第t次获得的学习率，随着迭代次数的增加而减少，t为当前迭代次数，初始值为0。wij(t+1)为第(t+1)次学习时权值向量wij对应节点的权值，wij(t)为第t次学习时权值向量wij对应节点的权值，xi表示第i个输入样本的输入模式。

24、特别的，学习率更新公式如下：

25、η(t)＝η0/(1+2t/nt)

26、其中η0为开始迭代前的初始学习率，一般设为0.5；t为当前迭代次数，初始值为0；nt为最大迭代次数，本发明中设置为500；η(t)为第t次迭代后的学习率。

27、s26：跳转至步骤s24重复执行，直到所有样本点都计算完毕，迭代次数t＝t+1；

28、s27：判断迭代次数t是否超过最大迭代次数nt。若满足以上条件则退出训练，返回一组权值向量w＝[wij0,wij1,...,wijm](m＝x×y)，w为一组权值向量，wij0,wij1,...,wijm为m个节点的值向量，否则跳转至步骤s24重复执行；

29、步骤s3中，需要将织物图像从rgb颜色空间转换成hvc颜色空间。从rgb颜色空间转换成hvc颜色空间前，需要先转换到xyz颜色空间，再从xyz颜色空间转换成hvc的颜色空间。

30、将量化后的图像从rgb颜色空间转换到munsell hvc均匀颜色空间中去，具体包括：

31、从rgb颜色空间到xyz颜色空间的转换公式如下：

32、

33、其中r、g、b为rgb颜色空间的三个通道分量，经过矩阵相乘后得到xyz颜色空间的x、y、z三通道分量。

34、从xyz颜色空间转换成hvc颜色空间的转换公式如下：

35、

36、

37、

38、

39、其中，通过函数f(x)将x、y、z分量代入公式计算得到数值h1、h2、h3，再通过公式计算得到数值m1、m2、m3，最后再通过公式计算得到hvc颜色空间的h、v、c三通道分量。

40、作为本发明的进一步改进，步骤s4中，创新性提出一种在hvc颜色空间中结合nbs距离的颜色合并方法，该方法具体步骤如下：

41、s41：统计量化后的图像所含有的颜色组数，用集合ch＝{x1,x2,...,xi,...,xh}(x1表示第1组颜色，x2表示第2组颜色，xh表示第h组颜色)，统计每组颜色xi的像素个数ni，并用mi表示xi的均值，则在开始聚类之前，有：h≤256。

42、s42：计算集合ch里各组颜色中两种颜色的nbs距离dnbs(xi,xj)，集合ch中的每组颜色相同，若dnbs(xi,xj)≤6.0，则将这两种颜色合并，并计算合并后的新的均值mij，且置h＝h-1，其中h为颜色组数；若dnbs(xi,xj)>6.0，则跳过该颜色继续计算后面的颜色。

43、s43：不断重复步骤s42，直到将h组颜色合并到套色数目k，则停止合并。

44、特别的，均值mij计算公式如下：

45、

46、nij＝ni+nj

47、其中ni为第i个颜色组xi的像素个数，mi为xi所有像素的均值；nj为第j个颜色组xj的像素个数，mj为xj所有像素的均值；mij为两种颜色合并后的新的均值，nij为两种颜色合并后的像素个数。

48、特别的，计算两种颜色的色差时引入了nbs距离概念，nbs距离是衡量人眼对颜色差异的感知程度,当两种颜色的nbs距离大于6时，认为两种颜色差异有显著差别。

49、进一步的，nbs距离的计算公式如下：

50、

51、

52、其中hi、hj为hvc颜色空间中第i个和第j个h分量，vi、vj为hvc颜色空间中第i个和第j个v分量，ci、cj为hvc颜色空间中第i个和第j个c分量，δh、δv、δc分别为第i、j个相同分量的差值的绝对值。

53、与现有技术相比，本发明具有如下有益效果：

54、本发明提出的一种印花织物套色分割方法，首先对采集印花织物图像进行预处理，然后采用快速高效的som算法对图像进行颜色量化，大大减少颜色数量，降低了后续计算的复杂度。同时在步骤3和步骤4中创新性提出一种在hvc颜色空间中基于nbs距离准则的颜色合并方法，通过将rgb颜色空间转化到hvc颜色空间，先对颜色数进行统计，将同一像素值的颜色进行归类，避免重复的计算，提高计算速度，而后对归类好的颜色使用nbs距离准则进行合并，最终得到合并后的k个套色。使用本发明所提出的方法，在处理较大图像时不仅具有高效快速的特点，同时对颜色相近的印花套色或印花套色种类较多等情况下也有很好的分割结效果。