一种基于图像处理的机织物密度检测方法技术

本发明专利技术涉及一种基于图像处理的机织物密度检测方法，具体包括以下步骤：1、采集待检测机织物图像信息，并对图像进行校正；2、将校正图像进行多级小波变换处理，并绘制灰度特征变化曲线，曲线中相对梯度变化值的峰值对应的级数即为最优分解级数；3、通过最优分解级数下的图像分量计算织物的经密和纬密结果。本发明专利技术在进行图像处理前对待检测机织物图像进行了位置校正，防止因为图像倾斜对检测结果造成影响，本发明专利技术通过计算灰度特征值和灰度特征变化曲线，得到最优小波分解级数，因此可以得到较准确的织物密度检测结果。准确的织物密度检测结果。准确的织物密度检测结果。

【技术实现步骤摘要】
一种基于图像处理的机织物密度检测方法


[0001]本专利技术涉及纺织品数字化应用领域，特别涉及一种基于图像处理的机织物密度检测方法。

技术介绍

[0002]织物密度的大小以及经纬向密度的配置，对织物的性状，例如织物的重量、坚牢度、手感以及透水性、透气性等，都有重要影响，因此也是织物设计的重要内容之一。密度也是织物品质评定的一项重要的物理指标。在企业和工厂的生产中，大多还是采用传统的人工来对机织物密度进行检测，人工方法是通过照布镜用肉眼去观察并计算单位长度内排列的经纬纱根数，此方法主观性太强、费时费力且容易产生较大的人为误差，并不能很好的满足现状的工业生产需求。
[0003]针对传统人工方法存在的问题，提出了用现代化计算机图像处理技术来高效、简化并准确的完成这项工作。对机织物经纬密的计算机测量研究大多采用了傅立叶变换的方法。如利用傅立叶变换技术将空间域内的频率信息在频谱图中体现，计算频率封点测量织物经纬密；如对织物图像进行FFT变换求出频谱，分析频谱强度和分布计算条纹分布和周期从而得到经纬密。研究发现傅里叶变换的稳定性和准确性不够，在此基础上进一步发展到小波变换。如用小波变换对机织物图像进行分解和重构，根据重构图像计算实现织物经纬密度的自动测量；用小波变换对机织物图像进行多层离散小波分解和单层信号重构，分别求出重构后的图像沿经纬纱线方向的亮度平均值，根据亮度信号求出其周期，进而求出纱线的经纬密度；有的专利以数字图像处理技术为基础,结合时频变换理论实现机织物密度的计算机检测。小波变换处理效果好，但有些处理细节需要完善，不能完全实现自动化检测。
[0004]现在也有一些利用小波变换计算机织物密度的方法，但是对于如何确定最优分解级数一般都是通过多次试验来尝试比较，并没有一个相对准确和简便的计算最优分解级数的方法。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种检测结果准确，效率高的基于图像处理的机织物密度检测方法。
[0006]本专利技术解决上述技术问题的技术方案如下：一种基于图像处理的机织物密度检测方法，包括以下步骤：步骤1、采集待检测机织物图像信息，用图像校正算法对采集的机织物图像进行处理，得到校正图像，使得校正图像中的经纱为竖直状态，纬纱为水平状态；步骤2、将校正图像进行多尺度二维小波变换处理，第1级分解得到了近似分量a1、水平细节分量、垂直细节分量和对角细节分量，将水平细节分量、垂直细节分量和对角细节分量的总体作为细节分量b1，计算a1的灰度特征值，计算b1的灰度特征值，则第1级总特征
值,再次对a1进行多尺度二维小波变换处理，第2级分解得到了近似分量a2和细节分量b2，计算a2的灰度特征值，计算b2的灰度特征值，则第2级总特征值,则对校正图像进行了第i级分解后，第i级总特征值为，分别计算每一级对应的相对梯度变化值，其中，将分解级数作为横轴，对应的相对梯度变化值作为纵轴，确定分解级数取不同数值时对应的数据点，将相邻数据点用直线连接形成连续曲线，得到灰度特征变化曲线，灰度特征变化曲线中相对梯度变化值的峰值对应的分解级数即为最优分解级数；步骤3、计算最优分解级数对应的水平细节分量中经纱的条数，即为待检测机织物的经纱条数，根据检测待检测机织物的宽度值，计算得到待检测机织物的经密结果；计算最优分解级数对应的垂直细节分量中纬纱的条数，根据检测待检测机织物的长度值，计算得到待检测机织物的纬密结果。
[0007]进一步的，所述步骤2中的灰度特征值计算公式为：,其中N表示分解后该分量的数据个数，x
i
表示分解中的每一个数据（i=1,2，
…
，N），k和c为常数。
[0008]进一步的，所述图像校正算法采用Randon变换算法或Hough变换算法。
[0009]进一步的，所述步骤3中计算纱线条数之前，还包括对垂直分量和水平分量图像进行进一步的二值化和平滑优化处理，使纱线变平滑，得到清晰分离的经纬密纱线图像的步骤。
[0010]本专利技术的有益效果为：本专利技术在进行图像处理前对待检测机织物图像进行了位置校正，防止因为图像倾斜对检测结果造成影响，本专利技术通过计算灰度特征值和灰度特征变化曲线，得到最优小波分解级数，因此可以得到较准确的织物密度检测结果。
附图说明
[0011]图1为本专利技术的方法流程图；图2为待检测机织物图像；图3为校正图像和原始图像的对比图；图4为灰度特征变化曲线；图5为分解重构后的细节分量图；图6为优化后的经纬纱线图像。
[0012]具体实施方式
[0013]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一段分实施例，而不是全段的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]如图1所示，本专利技术的机织物密度检测方法包括对织物图像的校正、织物图像多尺度小波变换绘制能量图像、确定分解级数后小波分解及重构、重构、图像优化及经纬纱密度
计算步骤。
[0015]本专利技术的工作原理如下：编写机织物经纬密度检测程序，首先采集并获取机织物图像，对机织物图像进行图像校正并截取固定长度，对校正图像进行小波变换处理并绘制灰度特征变化图像，根据灰度特征变化曲线配合大数据分析确定峰值分解级数再进行小波分解及重构，获得分离的经纬密纱线图像，优化图像后计算经纬密纱线根数，计算及织物经纬密度。
[0016]本专利技术的检测工作过程如下：采用统一的设备采集拍摄机织物图像，要求织物表面纹理清晰且干净无污渍。采集图像时尽量保持织物平整，采取固定的拍摄高度，且在布的下方放置刻度尺，如图2所示。
[0017]用图像校正算法对采集的机织物图像进行处理，计算公式为：在直角坐标系中，f(x,y)为线l上的点，P为坐标原点到线l上的距离，θ表示线l法线方向的夹角，直线方程为：，，图像校正算法可采用Randon变换算法或Hough变换算法。若是倾斜的图像则将图像校正，若是正常图像则无变化，校正后使得机织物纱线纹理呈现横平竖直，以获得准确清楚的机织物经纬密纱线信息，将校正图像选截取5X5cm大小的布样图保存用于后续处理；图3中第三图为图2的最终校正图像。
[0018]对校正图像进行多尺度二维小波变换处理，得到了近似分量、水平细节分量、垂直细节分量和对角细节分量，将后三个分量利用函数计算得到各分量的灰度特征变化，函数计算公式为：,N表示分解后该分量的数据个数，x
i
表示分解中的每一个数据（i=1,2，
…
，N），k和c为常数，绘制其灰度变特征变化曲线。如图4所示，分解级数为3时对应的纵轴数据达到最低峰值，因此确定最优分解级数为3级；因此第3级分解时得到的垂直细节分量、水平细节分量的图像就代表着机织物的经纬纱线图。如图5所示，小波分解与重构后的垂直分量和水平分量图像进行进一步的二值化和平滑优化处理，使纱线变直，达到平滑的效果，得到清晰的分离的经纬密纱线图像。用计算机统计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的机织物密度检测方法，其特征在于，包括以下步骤：步骤1、采集待检测机织物图像信息，用图像校正算法对采集的机织物图像进行处理，得到校正图像，使得校正图像中的经纱为竖直状态，纬纱为水平状态；步骤2、将校正图像进行多尺度二维小波变换处理，第1级分解得到了近似分量a1、水平细节分量、垂直细节分量和对角细节分量，将水平细节分量、垂直细节分量和对角细节分量的总体作为细节分量b1，计算a1的灰度特征值，计算b1的灰度特征值，则第1级总特征值,再次对a1进行多尺度二维小波变换处理，第2级分解得到了近似分量a2和细节分量b2，计算a2的灰度特征值，计算b2的灰度特征值，则第2级总特征值,则对校正图像进行了第i级分解后，第i级总特征值为，分别计算每一级对应的相对梯度变化值，其中，将分解级数作为横轴，对应的相对梯度变化值作为纵轴，确定分解级数取不同数值时对应的数据点，将相邻数据点用直线连接形成连续曲线，得到灰度特征变化曲线，灰度特征变化曲线中相对梯度变化值的峰值对应的分解级数即为...

【专利技术属性】
技术研发人员：邓中民，彭然，柯薇，沙莎，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：