基于相对总变差模型与MSER的织物毛球等级评价方法技术

本发明专利技术公开的基于相对总变差模型与MSER的织物毛球等级评价方法，首先，采集织物原始图像，进行预处理，消除图像光照不均匀现象的同时增强毛球边缘信息；其次，将处理后的图像采用相对总变差模型抑制织物的纹理信息，对织物的纹理结构进行有效消除；然后，采用MSER算法分割织物中的毛球区域，并消除毛球图像区域中的孤立像素点；最后计算毛球占比，建立毛球的评价等级实现毛球等级的客观评价。本发明专利技术公开的方法解决了现有方法在毛球分割时受光照不均以及纹理信息影响而不能准确分割毛球，导致不能准确评价毛球等级的问题，可以替代人工有效地完成织物毛球等级评价，能够满足实际的工业需求。

Fabric Hair Ball Grade Evaluation Method Based on Relative Total Variability Model and MSER

【技术实现步骤摘要】
基于相对总变差模型与MSER的织物毛球等级评价方法
本专利技术属于纺织品测试与评价
，具体涉及一种基于相对总变差模型与MSER的织物毛球等级评价方法。
技术介绍
织物起毛起球是由于织物在日常穿着、洗涤等各种摩擦作用下表面产生绒毛和毛球颗粒的现象。毛球的存在会影响织物的手感和外观，同时给纺织企业带来极大困扰，对织物的实用性能造成较大影响，因此织物起毛起球等级成为了衡量织物产品质量的一个重要指标。目前国际上通常将织物起毛起球等级划分为五级，一级表示起毛起球程度最严重，五级表示织物表面几乎没有起毛起球现象，起毛起球程度最低。目前，国内外针对织物起毛起球的等级评定仍主要采用人工评级方法，其中，最主流并且应用最广泛的是标准样照对比法，其具体方法是，在标准的测试环境下，由专家将待测样品与起毛起球标准样照进行对比，观察待测样品的起毛起球程度与哪一等级的起毛起球标准样照最为接近，就将该待测样品定为哪一等级。但是该方法受主观因素影响较大，测试结果重复一致性较差，且对检测环境要求极为严格。从上世纪八十年代开始，国内外已有学者利用图像分析技术来尝试替代传统的人工方法对织物起毛起球质量进行客观评价。Konda等人最早将毛球图像转换为二值图像，提取毛球个数和毛球面积与标准样本对照以确定织物毛球等级。XuB等人通过快速傅里叶变换，在频域滤除织物纹理信息，采用模板匹配提取毛球信息。ChenXia等人提出了基于多尺度匹配滤波的毛球检测方法，能够准确定位分布不均且尺寸差异较大的毛球。但是，上述方法对光照不均以及纹理复杂的织物分割效果较差。ZDeng等人利用小波分解重构的方法滤除织物纹理信息，消除了纹理信息对毛球分割的干扰。汪亚明等人使用基于小波变换与Gabor滤波的方法，能够抑制织物纹理，消除光照不均现象。但是基于小波变换、Gabor滤波等频域的方法参数较多，处理速度比较慢，对于纹理复杂，或者周期性不强织物的纹理抑制效果一般，导致毛球分割不完整，影响毛球等级评价结果。对于织物毛球等级评价来说，毛球的准确分割是关键的环节。基于以上研究发现，在织物毛球分割时，织物表面光照不均以及织物纹理信息对毛球分割造成较大干扰，而现有算法参数繁多，对于复杂纹理织物的纹理抑制效果一般，不能很好消除光照不均现象对毛球分割的影响，导致毛球分割不准确，影响毛球等级评价结果。
技术实现思路
本专利技术的目的是提供一种基于相对总变差模型与MSER(最大稳定极值区域)的织物毛球等级评价方法，解决了现有方法在毛球分割时受光照不均以及纹理信息影响而不能准确分割毛球，导致不能准确评价毛球等级的问题。本专利技术所采用的技术方案是，基于相对总变差模型与MSER的织物毛球等级评价方法，具体操作过程包括如下步骤：步骤1，采集织物原始图像，进行预处理，消除图像光照不均匀现象的同时增强毛球边缘信息；步骤2，将经步骤1处理后的图像采用相对总变差模型抑制织物的纹理信息，对织物的纹理结构进行有效消除；步骤3，采用MSER算法分割织物中的毛球区域，并消除毛球图像区域中的孤立像素点；步骤4，计算步骤3处理后的图像中毛球占比，建立织物毛球等级评价标准，实现毛球等级的客观评价。本专利技术的其他特点还在于，步骤1中对原始织物图像进行预处理的过程包括如下步骤：步骤1.1，将织物的原始图像缩放至512*512像素，并转换为单通道JPG格式；步骤1.2，将步骤1.1处理后的图像进行直方图均衡化增强织物毛球图像的对比度，凸显毛球区域；步骤1.3，利用空间卷积核对图像进行滤波，对毛球图像中的每一个像素点，计算该点的邻域像素和卷积核对应元素的乘积并求和，作为该点新的像素值，卷积核结构如式(3)所示，卷积核尺寸为5*5，卷积核中心权值为-25，中心点周围的权值均为1；通过该卷积核滤波降低光照过强区域图像的灰度值，提高光照过暗区域图像的灰度值，消除图像光照不均匀现象的同时增强毛球边缘信息。步骤1.2的具体过程如下：步骤1.2.1，计算原始织物图像的各灰度的概率分布，如式(1)所示：式中，nk是灰度为rk的像素个数，k表示灰度值，k＝0，1，2，..L-1，L表示图像灰度级的数量，Pr是灰度级rk出现的概率，MN表示图像的像素总数，MN＝512*512；步骤1.2.2，根据输入图像灰度的概率分布情况，利用灰度变换函数对图像灰度重新分配，变换函数如式(2)所示，利用灰度变换函数将输入图像中灰度级为rk的各像素映射到输出图像灰度级为sk的对应像素上，完成了对图像灰度的重新分配，增强毛球图像的对比度；式中，rk和sk分别表示输入图像的灰度级和对应的输出图像的灰度级。步骤2的具体过程如下：步骤2.1，建立相对总变差模型，分别计算x方向和y方向的窗口总变差D(p)和窗口固有变差L(p)，如式(4)和式(5)所示：x方向的窗口总变差Dx(p)与y方向的窗口总变差Dy(p)如式(4)所示：x方向的窗口固有变差Lx(p)与y方向的窗口固有变差Ly(p)如式(5)所示：式中，p代表图像像素点索引，q为以p点为中心的一个矩形区域R(p)内所有像素点的索引，与分别代表在水平和垂直方向的偏微分，g为高斯核函数，其表达式如式(6)所示：式中，xp和yp代表中心点像素p的水平和垂直方向坐标，xq和yq代表任意像素点q的两个方向坐标，σ的作用是控制窗口的空间尺寸；则相对总变差模型如式(7)所示：式中，Sp与Ip分别为输出与输入图像，第一项为保真项，保证输入与输出图像尽可能接近；第二项为相对总变差；ε是一个大于零的微小量，保证分母不为零；λ作为该模型的调整参数，控制保真项与相对总变差的比例，决定图像的光滑程度与纹理抑制效果。步骤2.2，利用步骤2.1建立的相对总变差模型，将步骤1处理后的图像在一个小窗口内，计算织物只包含纹理信息窗口与包含织物毛球信息窗口之间的相对总变差值的差别实现对织物纹理的抑制。步骤3的具体过程如下：步骤3.1，对经过步骤2纹理抑制的织物毛球图像，进行阈值处理，阈值从0～255之间依次增加取值，在阈值过程中，图像中会形成一些连通区域，观察相邻阈值图像之间连通区域面积的变化情况，若在一个比较宽的阈值范围内连通区域面积变化较小或者几乎没有变化，则将该区域记为MSER+；步骤3.2，类似的用255～0之间依次减小的阈值对图像进行二值化处理，并对连通区域面积进行分析，获得稳定区域MSER-；步骤3.3，如式(8)所示，将MSER+和MSER-合并，得到MSER；式中，Qi表示阈值为i时的连通区域，Δ为阈值的变化量，q(i)为阈值为i时Qi面积的变化率；当q(i)在i处取得局部极小值时，说明Qi面积变化极小，则该时刻的连通区域Qi为MSER，将分割得到的毛球图像进行开运算，消除图像中的孤立像素点，修正毛球尺寸。步骤4的具体过程如下：步骤4.1，据式(9)统计各等级标准样照的毛球占比，统计各等级标准样照中毛球的总面积Sp，则毛球占比如式(9)所示：式中S表示织物图像的总面积，P为毛球占比；步骤4.2，利用比例插值法计算各等级之间毛球占比的分界值，如式(10)所示：式中，X为相邻两级之间毛球占比的分界值，A和B分别为从标准样品中提取的相邻两级的毛球占比值；步骤4.3，根据步骤4.2地到的各等级之间的分界值X，划分各等级毛球占比的范围，建立起毛本文档来自技高网...

【技术保护点】
1.基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，具体操作过程包括如下步骤：步骤1，采集织物原始图像，进行预处理，消除图像光照不均匀现象的同时增强毛球边缘信息；步骤2，将经步骤1处理后的图像采用相对总变差模型抑制织物的纹理信息，对织物的纹理结构进行有效消除；步骤3，采用MSER算法分割织物中的毛球区域，并消除毛球图像区域中的孤立像素点；步骤4，计算步骤3处理后的图像中毛球占比，建立织物毛球等级评价标准，实现毛球等级的客观评价。

【技术特征摘要】
1.基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，具体操作过程包括如下步骤：步骤1，采集织物原始图像，进行预处理，消除图像光照不均匀现象的同时增强毛球边缘信息；步骤2，将经步骤1处理后的图像采用相对总变差模型抑制织物的纹理信息，对织物的纹理结构进行有效消除；步骤3，采用MSER算法分割织物中的毛球区域，并消除毛球图像区域中的孤立像素点；步骤4，计算步骤3处理后的图像中毛球占比，建立织物毛球等级评价标准，实现毛球等级的客观评价。2.如权利要求1所述的基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，所述步骤1中对原始织物图像进行预处理的过程包括如下步骤：步骤1.1，将织物的原始图像缩放至512*512像素，并转换为单通道JPG格式；步骤1.2，将步骤1.1处理后的图像进行直方图均衡化增强织物毛球图像的对比度，凸显毛球区域；步骤1.3，利用空间卷积核对图像进行滤波，对毛球图像中的每一个像素点，计算该点的邻域像素和卷积核对应元素的乘积并求和，作为该点新的像素值，卷积核结构如式(3)所示，卷积核尺寸为5*5，卷积核中心权值为-25，中心点周围的权值均为1；通过该卷积核滤波降低光照过强区域图像的灰度值，提高光照过暗区域图像的灰度值，消除图像光照不均匀现象的同时增强毛球边缘信息。3.如权利要求2所述的基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，所述步骤1.2的具体过程如下：步骤1.2.1，计算原始织物图像的各灰度的概率分布，如式(1)所示：式中，nk是灰度为rk的像素个数，k表示灰度值，k＝0，1，2，...L-1，L表示图像灰度级的数量，Pr是灰度级rk出现的概率，MN表示图像的像素总数，MN＝512*512；步骤1.2.2，根据输入图像灰度的概率分布情况，利用灰度变换函数对图像灰度重新分配，变换函数如式(2)所示，利用灰度变换函数将输入图像中灰度级为rk的各像素映射到输出图像灰度级为sk的对应像素上，完成了对图像灰度的重新分配，增强毛球图像的对比度；式中，rk和sk分别表示输入图像的灰度级和对应的输出图像的灰度级。4.如权利要求1所述的基于相对总变差模型与MSER的织物毛球等级评价方法，其特征在于，所述步骤2的具体过程如下：步骤2.1，建立相对总变差模型，分别计算x方向和y方向的窗口总变差D(p)和窗口固有变差L(p)，如式(4)和式(5)所示：x方向的窗口总变差Dx(p)与y方向的窗口总变差Dy(p)如式(4)所示：x方向的窗口固有变差Lx(p)与y方向的窗口固有变差Ly(p)如式(5)所示：式中，p代表图像像素点索引，q为以p点为中心的一个矩形区域...

【专利技术属性】
技术研发人员：张宏伟，杜林涛，景军锋，张蕾，李鹏飞，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61