基于圖像識別的地毯機運動軌跡規劃研究

郭 棟，李會艷，王 琳

（天津職業技術師范大學天津市信息傳感與智能控制重點實驗室，天津 300222）

隨著人民生活水平的提高，地毯已經廣泛地用于家庭、酒店、展覽廳等場合，擁有巨大的市場潛力。根據地毯制作方法的不同可以分為手工地毯和機制地毯。手工地毯的制作需要經過圖案設計、配色、染紗、掛布、手工編織、涂膠、平毯、剪花、絞邊、后整理等十幾道工序加工制作而成[1]，其中大部分生產工序由人力完成，勞動強度大，生產效率低，質量難以保證。機制地毯是利用運動控制系統并根據事先設計好的圖案運動軌跡來控制地毯機的運動，縫制各種圖案。隨著市場個性化需求的增加，人工描繪和填充的地毯機運動軌跡勞動強度大、描繪軌跡效率低，延長了地毯生產周期的同時還增加了其制作成本，使得機制地毯的競爭力降低。國外一些企業開發了地毯機軌跡規劃系統，直接對彩色圖像進行分割，對分割后的圖像進行槍刺植絨，但是由于沒有考慮到人眼對不同顏色的敏感度不同，因此人眼對分割后的圖像顏色感知不均衡[2]。國內在這方面的研究起步較晚，如山東某地毯廠研發的地毯織機雖然可以實現槍刺機器人的作業，但生產過程穩定性不高，產品質量欠佳，手工規劃軌跡費時費力，效率低[3]；上海某公司研發的槍刺植絨軌跡規劃系統能實現計算機控制的地毯紡織，但填充的行距和槍刺轉彎速度不均勻，導致地毯品質下降。因此，運用現有的圖像處理技術對客戶給定的圖像進行較好的解析處理，并自動生成地毯機運動軌跡來代替人工繪圖具有很重要的研究價值和研究意義。本文提出一種基于圖像識別的快速自動生成地毯機運動軌跡的算法，該算法較好地實現了圖像軌跡的自動規劃，具有較好的規劃效果和運行效率。

1 算法流程和策略

軌跡規劃算法能夠很好地從客戶給定的原始圖像中規劃出地毯機的運動軌跡。算法的主要流程包括顏色量化、顏色聚類、邊緣檢測、輪廓跟蹤以及區域填充5 個部分。原始圖像一般含有成百上千種顏色，利用人眼對顏色的惰性，通過顏色量化從一幅圖像中找出能夠代表整幅圖像的N 種顏色，得到量化圖像。聚類時使用一種自適應K 均值聚類算法，能夠自動地確定聚類中心和聚類數目。經過邊緣檢測和輪廓跟蹤得到區域的輪廓，并在輪廓內采用掃描線填充算法進行區域填充，生成由一系列輪廓點和填充點坐標組成的地毯機加工文件，從而形成地毯機的運動軌跡。算法的主要步驟如圖1所示。

圖1 算法的主要步驟

2 算法描述

2.1 基于CIELAB色彩空間的顏色量化

2.1.1 顏色空間轉換

選取合適的色彩空間可以有效地量化和分割圖像，關系到最后圖像軌跡的準確性。常用的RGB 顏色空間模型是三基色表示所有顏色的基礎，然而人眼對R、G、B 3 個分量的敏感度不同，導致人眼對RGB 空間模型顏色的感知不均衡，色差區分不明顯[4]。但可利用各種變換，把RGB 顏色空間轉換到其他顏色空間。CIELAB 顏色空間模型是基于人眼的生理特征設計的，亮度、色調以及飽和度3 種特性能夠很好地反映人體視覺上的感受，是目前最均勻的顏色空間，它是用數字化的方式來描述人的視覺感應，與設備無關。在CIELAB 顏色空間進行顏色量化，能夠更準確地檢測顏色之間的區別。RGB 到CIELAB 顏色空間的轉換步驟為：

（1）把RGB 類型轉換為XYZ

由于RGB 顏色空間不能直接轉化到CIELAB 顏色空間，故需先轉換到CIEXYZ 顏色空間，再由CIEXYZ顏色空間轉回到 CIELAB 顏色空間，X、Y、Z 分別表示XYZ 空間的3 個標準基色。

（2）求出LAB

式中：L、a 和 b 分別為 CIELAB 顏色空間的亮度、色調以及飽和度的值；Xn、Yn、Zn分別為標準照明體照射在完全漫反射體上，經由完全漫反射反射到人眼中3 個分量的值，一般默認是 95.047、100.000、108.883。

2.1.2 顏色量化

顏色量化是利用人眼對顏色的惰性，將圖像中色差相差不大的顏色合并為一種顏色，從而得到能夠代表整幅圖像的有限顏色數，減少圖像中的顏色，最終組成新的調色板，根據新的調色板信息重構圖像，得到量化圖像，盡可能完美再現原始圖像的色彩效果[5-6]。目前使用最多的量化方法是分割法和聚類法。分割法的算法有統一量化法、中位切分法、八叉樹算法、頻度序列法[7]等。聚類法有K 均值聚類算法、SCA 算法、FCM算法[8]等。本文采用基于CIELAB 顏色空間的K 均值聚類算法對圖像進行顏色量化，計算色差時可以使結果更加準確，色差計算公式為：

完成顏色聚類后，再將圖像由LAB 顏色空間轉換到RGB 顏色空間，最終的聚類中心為圖像的最佳調色板。

2.2 自適應K均值聚類

聚類是指通過一定的規則將數據集合劃分成若干個相似特征的樣本組成的子集合的過程。K 均值聚類算法是給定數據集合的聚類數目K，以K 個點為初始聚類中心對其他數據進行聚類。聚類結果與初始聚類中心的選取有很大關系[9]。自適應K 均值聚類能夠很好地解決聚類中心和數目需要提前給定的問題，減少了人為干擾，提高了準確性。具體流程如下：

（1）將量化圖像的調色板信息和每種顏色所含像素數存儲到顏色列表中。

（2）2 種顏色之間的色差用CIEDE2000 表示。

式中：ΔL′為 2 種顏色的亮度差；ΔC′為 2 種顏色的彩度差；ΔH′為 2 種顏色的色調差；SL、SC、SH分別為加權函數，允許在CIELAB 顏色空間中根據區域的不同進行調整，以校正該空間的均勻性；RT為色調差和色差的交叉項修正系數；KL、KC、KH均為影響色差感覺的校正系數，可根據不同的評估條件來調整系數，一般地，在CIE 給定的標準觀測條件下，KL=KC=KH=1。

（3）將顏色列表中的顏色像素數最少的顏色作為第1 個聚類中心，將剩余顏色與第1 個聚類中心CIEDE2000 色差值最大并且大于1.15[10-11]的顏色作為第2 個聚類中心，之后依次選出與聚類中心CIEDE2000 色差值不小于1.15 的顏色，直到所有顏色都計算完畢。顏色數即為初始聚類數目，選出的顏色即為初始聚類中心的顏色。

（4）計算量化圖像中的各個像素點與各個聚類中心的歐氏距離，把像素點劃分到距離最近聚類中心族中，然后對聚類中心族中的所有像素顏色求取平均值，作為新的聚類中心，之后用聚類中心顏色代替該聚類族中所有的像素點，得到聚類圖像。

2.3 邊緣檢測

圖像的邊緣是視覺系統中最敏感的地方，包含著圖像的大部分信息，是圖像灰度變化最劇烈的地方。邊緣檢測是通過對圖像邊緣附近像素灰度值求一階導數的極大值或二階導數的過零點來反映圖像的灰度變化情況[12-13]，從而提取圖像的邊界。本文使用的Sobel 邊緣檢測算子是通過聚類圖像像素灰度的小領域內水平方向和垂直方向逼近導數來進行邊緣的檢測[14]。對聚類圖像進行基于Sobel 算子的邊緣檢測，得到聚類圖像的邊緣圖像。

2.4 輪廓跟蹤

2.4.1 輪廓跟蹤

輪廓跟蹤是通過尋找將邊緣圖像的邊緣點跟蹤成一條連續的邊界。本文提出使用一種簡易的輪廓跟蹤算法：通過從上到下、從左到右依次按照步進值為1的順序掃描圖像，找出一個邊界點作為跟蹤起始點，沿掃描方向在它的右、右下、下、左下的方向循環搜索下一個邊界點，在下一個邊界點的右、右下、下、左下的方向繼續搜索，直到下一個邊界點為起始點且搜索點已經遍歷邊緣圖像的最后一個點的時候搜索結束，否則繼續尋找邊界點或遍歷圖像中的其他點，直到找到起始點且遍歷完圖像的最后一個點為止。

2.4.2 Freeman鏈碼

Freeman 鏈碼是指用曲線起始點的坐標和邊界點方向代碼來描述曲線或邊界的方法，它是一種邊界的編碼表示法，用邊界方向作為編碼依據，簡化邊界的描述，一般描述的是邊界點集[15]。

將輪廓跟蹤得到的完整邊界點集以數字的形式保存在Freeman 鏈碼表中，數字化的邊界曲線可以用八方向的Freeman 鏈碼表示成n 條鏈，八方向鏈碼取值如圖2所示，每條鏈指向八方向中的一個，最后根據鏈碼表繪制輪廓曲線。鏈碼偏移向量表如表1所示[16]。

圖2 Freeman 八方向鏈碼取值

表1 鏈碼偏移向量表

2.5 區域填充和軌跡坐標生成

2.5.1 區域填充內部點的生成

區域填充指的是在邊界區域內用制定的顏色賦予所有邊界范圍內所有的坐標點。區域填充算法有種子填充算法和掃描線填充算法2 大類。種子填充算法需要進行大量的出入棧操作，占用內存大并且效率低，采用掃描線填充算法填充簡單的多邊形區域，利用了掃描線上像素的連貫性，因此具有較高的效率[17]。掃描線填充算法的原理是水平掃描線與多邊形輪廓的交點按照橫坐標從小到大排序，交點兩兩成對，組成水平線段對區域進行填充。具體步驟為：

（1）用水平掃描線從上到下（或從下到上）掃描由多條首尾相連的線段構成的多邊形輪廓，每根掃描線與多邊形輪廓的某些邊產生一系列交點。

（2）將這些交點按照橫坐標從小到大的原則進行排序，之后將橫坐標相同的點按從小到大的原則進行排序，將排序后的坐標點兩兩成對，作為多邊形和掃描線相交區間的兩個端點。

（3）對排序后的交點兩兩組成一個水平線段，以畫線段的方式進行顏色填充，多邊形被掃描完畢后，顏色填充也即完成。

2.5.2 軌跡坐標生成

對于填充好的輪廓組，當仿真結果沒有錯誤時，把邊界點坐標和填充點坐標儲存到加工列表中。把聚類圖像中的每一種顏色的聚類圖像進行邊緣檢測、輪廓提取和區域填充，可以得到其邊界點坐標和填充點坐標，依次存儲到加工列表中，得到圖像的加工文件代碼，即地毯機圖像的運動軌跡。

3 實驗結果

地毯廠縫制的一幅地毯的原始圖像如圖3所示。該圖像顏色簡單、輪廓分明，能夠很好地驗證算法的可行性，故選該圖像作為原始圖像進行軌跡規劃。

圖3 原始圖像

原始圖像通常為RGB 圖像類型，通過顏色空間的轉換將人眼感知不均衡的RGB 類型圖像轉換到人體視覺敏感的LAB 類型圖像上，通過事先確定好的聚類中心和聚類數目將原始圖像量化，得到的量化圖像通過自適應K 均值聚類算法，自動分割CIE2000 色差值不小于1.15 的顏色，得到顏色不同的聚類圖像如圖4所示。

圖4 聚類圖像

將得到的聚類圖像進行邊緣檢測，通過對聚類圖像像素灰度的小領域內水平方向和垂直方向求導來進行圖像邊緣的檢測，得到聚類圖像的邊緣圖像，由于存在誤差致使邊緣曲線并不完全連通，存在一些小的間斷點，通過八方向Freeman 鏈碼跟蹤圖像的邊緣點得到邊界點鏈碼，根據鏈碼重新繪制輪廓曲線，得到一條連續的邊界曲線，輪廓跟蹤圖像如圖5所示。

圖5 輪廓跟蹤圖像

對得到的輪廓跟蹤圖像進行掃描線填充，將水平掃描線與輪廓交點的橫坐標從小到大進行排序，交點兩兩成對，組成水平線段對區域內部進行填充，直到輪廓圖像掃描完畢，得到邊界輪廓的填充軌跡如圖6所示。按照以上的方法完成圖像中所有顏色的軌跡規劃，最終得到圖像完整的軌跡，軌跡規劃如圖7所示。

圖6 邊界輪廓的填充軌跡

圖7 軌跡規劃

4 結 語

本文提出了一種基于圖像識別的軌跡規劃算法，該算法由RGB 顏色空間轉換到LAB 顏色空間進行顏色量化，減少了顏色數目，降低了聚類階段的難度，縮短了聚類階段的時間。提出的自適應的K 均值聚類算法，實現了圖像的自動聚類，得到一個一個的色塊圖像。經跟蹤邊緣檢測得到色塊的邊界點集，將邊界點集以數字的形式保存到鏈碼表中，從而繪制輪廓曲線，最后通過掃描線填充算法實現了輪廓內部的區域點填充，依次把輪廓點坐標和區域填充點坐標保存到加工文件中，根據輪廓點坐標和填充點坐標組成地毯機的運動軌跡。實驗結果驗證了算法的正確性。