色织物的颜色聚类分析方法
【专利摘要】本发明提供了一种色织物的颜色聚类分析方法，该方法首先利用不同模板尺寸的中值滤波(3×3和5×5)对色织物的原始图像进行滤波去噪处理，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均值聚类算法对色织物的颜色聚类进行划分，从而得到了色织物的色纱数目和种类。
【专利说明】
色织物的颜色聚类分析方法
技术领域
[0001] 本发明涉及自动识别技术领域，特别涉及了一种色织物的颜色聚类分析方法。
【背景技术】
[0002] 颜色聚类分析作为织物生产和织物分析过程中不可缺少的一个步骤，其可以被用 来进行织物中色纱的划分和分类。尽管数字图像处理技术在织物图像分析领域发展迅速， 但先前的许多研究人员仍然将精力集中于织物灰度图像的分析，然而彩色图像的视觉感知 比灰度图像更有意义，因此开发一种色织物颜色聚类自动划分的方法是很有必要的。通常 来说，这些颜色聚类自动划分的方法可以被分为三类:基于模糊C均值聚类的方法，基于神 经网络的方法，基于直方图阈值分割的方法。
[0003] 虽然颜色聚类划分的方法众多，但上述方法大多应用于印花织物和单色织物的分 析，对色织物的研究较少。此外，在RGB颜色空间进行聚类划分，对在亮度上变化明显的织物 图像有较好的分类效果，而对有较为相近的亮度值，在色调值上变化明显的织物图像，其分 类效果不好。在HSL颜色空间进行聚类划分，对有较为相近的亮度值和色调值，在饱和度值 上变化明显的织物图像，其分类效果不佳。
【发明内容】
[0004] 本发明的目的在于提供一种色织物的颜色聚类分析方法，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，在Lab空间借助于K均值聚类算法对色 织物图像进行颜色聚类的划分，从而获得色纱的种类和数目。
[0005] 为实现以上目的，本发明提供了一种色织物的颜色聚类分析方法，包括以下步骤：
[0006] S1、将RGB空间下的色织物图像分解为R、G、B三个颜色通道内的子图像；
[0007] S2、去除子图像表面的噪声；
[0008] S3、将去除噪声后的三个子图像重构成一幅图像；
[0009] S4、将去除噪声后的子图像从RGB颜色空间转换到Lab颜色空间；
[0010] S5、对色织物的颜色聚类进行划分。
[0011] 作为优选的，步骤S2中，通过中值滤波的方式去除图像噪声。
[0012] 作为优选的，中值滤波的方式采用3 X 3或5 X 5的中值滤波模板。
[0013] 作为优选的，步骤4具体包括以下步骤：
[0014] S4.1、将图像从RGB颜色空间转换到XYZ颜色空间；
[0015] S4.2、根据XYZ颜色空间的织物图像转换为Lab颜色空间的织物图像。
[0016]作为优选的，步骤S4.1具体包括以下步骤：
[0017] S4 · 11、将R、G、B的值除以255，分别得到rQ、go、bQ的值；
[0023] 作为优选的，步骤S5通过K均值聚类划分法对色织物的颜色聚类进行划分。
[0024] 作为优选的，K均值聚类划分法包括以下步骤：
[0025] 35.1、确定分类数1^;
[0026] S5.2、从集合{x}中任意选取k个对象作为初始聚类中心:Z1 (I)，Z2(1)，…，Zk( 1);
[0027] S5.3、根据集合{x}中的元素与这些聚类中心的距离，分别将它们分配给与其最相 似的聚类；
[0028] S5.4、计算每个所获得的新聚类的聚类中心Zj(k+1)，j = l，2，···，k，直到聚类Cj(k) 中所有元素到新的聚类中心的距离平方和达到最小值；
[0029] S5.5、若Zj(k+l) = Zj(k)，那么迭代的过程将停止，否则重复步骤S5.3和S5.4,直到 每个聚类不再发生变化为止。
[0030] 由于RGB颜色空间下的R、G、B三个颜色通道是线性相关关系，在其空间下对色织物 的颜色聚类进行划分会产生一些错误的分类，它仅适合在亮度分量上存在较大差异的色织 物图像的聚类划分，而Lab颜色空间对大多数的色织物图像有较好的聚类划分效果，即使色 织物图像之间有相似的亮度和色调值，而在饱和度值上有区别的情况下，Lab颜色空间仍能 够对色织物图像有较好的聚类划分效果。
【附图说明】
[0031] 图1为本发明中色织物颜色聚类划分的流程图。
[0032]图2为本发明中3 X 3中值滤波示意图。
[0033]图3为本发明中Lab颜色空间的示意图。
【具体实施方式】
[0034]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实 施方式进行详细的阐述。
[0035]本发明的第一种实施方式提出一种对色织物的颜色聚类进行划分的方法，该方法 主要包括五个部分，如图1所示，包括以下步骤：
[0036] 1)图像分解。将RGB空间下的色织物图像分解为R、G、B三个颜色通道内的子图像；
[0037] 2)中值滤波。利用中值滤波对三个颜色通道内的子图像进行处理，去除图像表面 的噪声；
[0038] 3)图像重构。将中值滤波后的三个颜色通道内的子图像重构成一幅图像；
[0039] 4)颜色空间转换。将滤波后的图像从RGB颜色空间转换到Lab颜色空间；
[0040] 5)聚类划分。借助于K均值聚类算法在Lab空间内对色织物的颜色聚类进行划分， 从而得到色纱的数目和种类。
[0041] 在数字图像处理领域，一张彩色图像被看做是一个三维的数字矩阵，其中每一个 像素点都由R(红色）、G(绿色）、B(蓝色)三个颜色值叠加而成，每个颜色值的取值范围都为0 ~255。所以可以将图片分解为三个分别只含R值，G值，B值的子图像，分别被称为红色通道 子图像，绿色通道子图像，蓝色通道子图像。
[0042]将图像分解为三个颜色通道的子图像，是图像处理中的基本处理方法，应用广泛， 在此不再叙述。
[0043]通常情况下，由于织物表面的毛羽和光照的不均匀，会造成织物图像采集时噪声 的出现，本发明采用二维中值滤波的方法去除图像噪声，达到增强图像质量的效果，以便提 高颜色分析的准确率。
[0044]二维中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技 术，其基本原理是把数字图像中一点的值用该点的一个邻域中各点值的中值代替，让周围 的像素值接近的真实值，从而消除孤立的噪声点。选取一个3 X 3模板尺寸的中值滤波为例， 如图2所示，假设f(x，y)表示原始灰度图像，g(x，y)表示中值滤波后的图像，原始灰度图像 中某一个像素点的灰度值为192,其相邻的八个像素点的灰度值为0,32，64,96,128,160， 225和255，利用中值滤波进行处理后，该像素点的灰度值变为128。
[0045]中值滤波是用来去除图片中的噪音，其所用到的滤波尺寸模板大小有3X3,5X5， 7X7,9X9等。模板尺寸越大，去除噪音的效果越好，但是相对的去噪之后的图片清晰度也 会越低，综合后续实验中所需要的图片质量来考虑，选取3 X 3和5 X 5两个不同模板尺寸的 中值滤波对色织物R、G、B三个颜色通道内的子图像进行处理，用三维效果图反映两种不同 模板尺寸的中值滤波对子图像进行卷积运算后，图像发生的变化。样品1的色织物图像经过 中值滤波处理后，其表面的毛羽和细小纤维被去除，并且纱线的颜色信息得到有效的保存。 [0046]传统的颜色空间是由色调，饱和度和亮度构成，但是人们很难在RGB和HSL空间下 对颜色进行准确地识别。在本发明中，提出一种Lab颜色空间（如图3所示），与传统的颜色空 间相比，Lab颜色空间的色域更大，更接近于人类的视觉感应，与RGB颜色空间的不均匀分布 相比，它致力于感知的均匀性。Lab空间中的L分量表示亮度，a和b分量表示颜色的对立维 度，因此，可以将L分量作为亮度区分的标准，将a和b的分量作为颜色评价的标准。
[0047]因为采集到的色织物图像是RGB图像，故要将织物图像从RGB颜色空间转换到Lab 颜色空间进行颜色聚类划分，在此之前先要将图像从RGB颜色空间转换到XYZ颜色空间，其 具体的转换过程如下：
[0048] (1)将R、G、B的值除以255，分别得到ro、go、bo的值；
像。
[0051] 在获取了 XYZ颜色空间的织物图像后，可将织物图像继续进行转换，最终得到Lab 颜色空间的织物图像，其具体过程如下：
[0052] (1)假如X>0.008856,那么否贝 类似地，利用该方法对 Y和Z分量进行处理，从而得到y、z;
[0053]
，得到Lab颜色空间的织物图像。
[0054]实现了上述转换过程后，织物图像从RGB颜色空间转换到Lab颜色空间，L分量的取 值分布在[0，100]范围内，a、b分量的取值分布在[-128，+127]范围内。
[0055]聚类分析是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分 析过程，而K均值聚类算法作为一个常用的硬聚类算法，可被用来进行图像颜色聚类的划 分。它是典型的基于原型的目标函数聚类方法的代表，将数据点到原型的欧氏距离作为优 化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。
[0056]本发明选取包含三种不同颜色纱线的色织物作为研究对象，利用K均值聚类的方 法将其划分成不同的聚类，具体的步骤如下：
[0057] (1)确定分类数1^;
[0058] (2)从集合{X}中任意选取k个对象作为初始聚类中心:Z1 (I)，Z2 (1)，…，Zk( 1);
[0059] (3)在第k阶迭代算法步骤内，根据集合{x}中的元素与这些聚类中心的距离，分别 将它们分配给与其最相似的聚类，如果I |x-z」(k)| |<| |x-Zl(k)| I，那么xeCj(k)，对所有 的i = l，2,…，k，i关j都成立，其中Zj(k)是聚类Cj(k)的聚类中心；
[0060] (4)计算每个所获得的新聚类的聚类中心。仏+1)，」=1，2，一，1^，直到聚类(^(1〇中 所有元素到新的聚类中心的距离平方和达到最小值，新的聚类中心可以表示为
其中，Nj是聚类Q(k)中元素的数目；
[0061] (5)对j = l，2,…，k而言，如果Zj(k+l) = w(k)，那么迭代的过程将停止，否则不断 循环(3)到(4)过程，直到每个聚类不再发生变化为止。
[0062] 在Lab空间下，利用K均值聚类算法对样品的颜色聚类进行划分，该方法可以将色 织物的颜色聚类进行划分，但是划分出的聚类图像中有大量孤立的噪声点，因此，在聚类分 析之前，借助于一个3X3的中值滤波可以去除部分噪声，提高色织物图像的聚类划分效果。 [0063]在Lab颜色空间下对样品的色织物图像进行颜色划分的效果要优于RGB颜色空间 下色织物的颜色聚类划分，特别当纱线之间具有相似的亮度值、不同的色调值时，例如绿色 纱线和白色纱线，它们在RGB颜色空间下很难被分割，但是在Lab空间下具有较好的聚类划 分效果。同时，色织物图像经过5 X 5模板尺寸的中值滤波处理后的颜色聚类划分效果，比经 过3X3模板尺寸的中值滤波处理后的颜色聚类划分效果更好，可以去除更多的边缘噪声。
[0064]上述各实施方式是实现本发明的具体实施例，本领域的普通技术人员可以理解， 而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
【主权项】
1. 一种色织物的颜色聚类分析方法，其特征在于，包括W下步骤： 51、 将RGB空间下的色织物图像分解为R、G、BS个颜色通道内的子图像； 52、 去除子图像表面的噪声； 53、 将去除噪声后的Ξ个子图像重构成一幅图像； 54、 将去除噪声后的子图像从RGB颜色空间转换到Lab颜色空间； 55、 对色织物的颜色聚类进行划分。2. 根据权利要求1所述的色织物的颜色聚类分析方法，其特征在于，所述步骤S2中，通 过中值滤波的方式去除图像噪声。3. 根据权利要求2所述的色织物的颜色聚类分析方法，其特征在于，所述中值滤波的方 式采用3 X 3或5 X 5的中值滤波模板。4. 根据权利要求1所述的色织物的颜色聚类分析方法，其特征在于，所述步骤4具体包 括W下步骤： 54.1、 将图像从RGB颜色空间转换到別Z颜色空间； 54.2、 根据XYZ颜色空间的织物图像转换为Lab颜色空间的织物图像。5. 根据权利要求4所述的色织物的颜色聚类分析方法，其特征在于，所述步骤S4.1具体 包括W下步骤： 54.11、 将R、G、B的值除W 255，分别得到ro、go、bo的值； 54.12、 将ro、go、bo的值分别与0.04045比较，若r〇〉0.04045，则否则若 g 日〉0 . 0 4 0 4 5，则若 b 日〉0 . 0 4 0 4 5，贝IJ54.13、 通J，得到別Z颜色空间的织物图像。6. 根据权利要求4所述的色织物的颜色聚类分析方法，其特征在于，所述步骤S4.2具体 包括W下步骤： S4 . 21、将X、Υ、Ζ分别与0 . 008856相比较，若X〉0 . 008856，则X 二 ，否则若Z〉0.008856,贝 IJ Z=滅否贝S4.22、通i3'得到Lab颜色空间的织物图像。7. 根据权利要求1所述的色织物的颜色聚类分析方法，其特征在于，所述步骤S5通过K 均值聚类划分法对色织物的颜色聚类进行划分。8. 根据权利要求7所述的色织物的颜色聚类分析方法，其特征在于，所述K均值聚类划 分法包括w下步骤： 85.1、 确定分类数4; 55.2、 从集合{X}中任意选取k个对象作为初始聚类中屯、:Zi(1)，Z2(1)，…，Zk( 1); 55.3、 根据集合{x}中的元素与运些聚类中屯、的距离，分别将它们分配给与其最相似的 聚类； 55.4、 计算每个所获得的新聚类的聚类中屯、zパk+l)，j = l，2，…，k，直到聚类Cパk)中所 有元素到新的聚类中屯、的距离平方和达到最小值； 55.5、 若zパk+l)=zパk)，那么迭代的过程将停止，否则重复所述步骤S5.3和S5.4，直到 每个聚类不再发生变化为止。
【文档编号】G06T7/40GK105844675SQ201610172666
【公开日】2016年8月10日
【申请日】2016年3月24日
【发明人】辛斌杰, 刘晓霞, 林兰天, 吴湘济
【申请人】上海工程技术大学