基于Hough變換的花式織物紋樣修正

2021-03-09 01:02:32潘蘇情

安徽工程大學學報 2021年6期

潘蘇情，朱昊

(紹興文理學院紡織服裝學院，浙江紹興 312000)

隨著網絡技術的發(fā)展和普及，數字化技術在紡織領域的發(fā)展也越來越廣泛，如檢測機織物密度、檢測織物疵點、模擬機器運行等等。在紡織品紋樣設計或來樣加工中，需要掃描或拍照上傳圖像，然而由于試樣擺放、拍攝角度或織物自身的原因等，無法絕對地保證橫向水平和縱向豎直的狀態(tài)，即使事先經過人工手動調整，織物圖像的偏斜也無法避免。而且由于現(xiàn)有的大部分織物組織分析等算法都對圖像傾斜較為敏感，傾斜角度的存在會給識別結果造成較大誤差，檢測速度也較緩慢，因此，有必要尋求一種準確修正織物圖像的辦法。

經查閱文獻發(fā)現(xiàn)，圖像幾何校正技術在紡織領域已成為研究熱點。如潘如如等提出一種利用圖像紋理特征實現(xiàn)機織物圖像的糾偏方法，由于機織物的紗線是平直的，兩根紗線之間的距離與紗線方向相同，只要能對紗線的間隙進行傾斜糾正就可以實現(xiàn)織物圖像的糾偏；或者通過傅里葉變換提取圖像不同位置直線信號的周期，以周期性最強的直線信息作為判斷織物圖像中紗線位置的標準，并依此實現(xiàn)了高緊度機織物圖像的傾斜糾正。吳海虹等利用圖像梯度作為緯紗的走向信息，運用層次Hough變換檢測緯紗偏斜角度。

雖然已有大量研究證明圖像幾何校正技術不管是用于機織物、針織物還是非織造織物，都有所進展和突破，基于的算法也不局限于一種，但是基本上都只適用于同類織物。因此，本研究想尋求一種可同時適用于機織物和針織物的花式織物紋樣修正算法。研究采用Canny算子檢測圖像邊緣，Hough變換檢測直線，根據橫向和縱向的傾斜角對圖像進行仿射變換修正。Hough變換主要優(yōu)點是能容忍特征邊界描述中的間隙，并且相對不受圖像噪聲的影響。此方法不僅能快速將花式織物花型紋樣修正，提高工作效率，而且對后續(xù)圖像檢測影響較小，大大提高了圖像的準確度。

1 花式織物紋樣修正算法設計

Python語言是一種解釋性語言，代碼簡潔明了，上手容易，其擁有各種各樣的工具庫，若無特殊要求，不需要自己重新編寫，即可直接調用，研究中就采用了opencv、numpy、skimage、math、copy、matplotlib等庫來進行圖像的處理以及多維數組的運算。

研究對傾斜的花式織物進行修正，在掃描圖像后，為了突出圖像的特征，需要將圖像進行灰度化和邊緣檢測。合適的邊緣檢測可以減少Hough變換的運算量并增加后續(xù)操作的準確度，所以，研究對現(xiàn)有的幾種邊緣檢測方法進行了分析比較，最后決定采用Canny邊緣檢測算法更為恰當。經過邊緣檢測后的圖像線條明顯突出，此時可以采用Hough變換。由于需要同時考慮機織物和針織物的適用性，而針織物線圈橫列不一定平行于水平方向，線圈縱行并不一定平行于垂直方向，線圈橫列不一定垂直于線圈縱行，所以Hough變換的結果需要分別得到橫向和縱向的直線傾斜角度，且普通的旋轉變換不能滿足要求，需要采用仿射變換進行圖像修正。由于Python語言中，修正后圖像仍處于矩形畫布中，除修正圖像以外部分被涂黑，此時需對畫布進行裁剪從而得到面積最大圖像，最后輸出裁剪后的圖像即為最終修正結果如圖1所示。

圖1 花式織物紋樣修正算法設計流程

2 數字圖像處理

2.1 圖像灰度化

一個圖像由若干個像素點組成，像素點是圖像最小的單位，每個像素點的顏色由R(紅色)、G(綠色)、B(藍色)3個值確定。圖像灰度化就是使圖像中的每一個像素點都滿足R=G=B，這個相等的值稱為灰度值。最基礎的圖像灰度化方法有：最大值法、平均值法、加權平均法。

由于最大值法和平均值法較為簡單，且沒有考慮亮度通道信息。而加權平均法是將R、G、B 3個值以不同的權值進行加權平均，以此得到的值作為灰度值，將圖像灰度化。因此，研究采用加權平均法將圖像灰度化。

2.2 圖像邊緣檢測

Poggio提出，邊緣或許對應著圖像中物體(的邊界)或許并沒有對應著圖像中物體(的邊界)，但是邊緣具有十分令人滿意的性質，它能大大地減少所要處理的信息但是又保留了圖像中物體的形狀信息。圖像的邊緣檢測就是為了使圖像的輪廓更加明顯，突出圖像的特征的圖像處理辦法。對現(xiàn)有邊緣檢測算法，研究分析比較了Laplacian、Sobel和Canny三種邊緣檢測算法。

Laplacian算法是最簡單的各向同性微分算子。各向同性就是無方向性，可以對任何方向進行加強，但其實也得不到任何方向的信息。所以Laplacian算法特別適合用于突出圖像中的孤立點、孤立線或線端點，只是其對噪聲比較敏感，所以很少用該算子檢測邊緣。

Sobel算子用于提取邊緣，簡單快速，對灰度漸變、噪聲較多的圖像處理效果較好。然而，Sobel算子通過像素平均抑制噪聲后，檢測出的圖像邊緣不止一個像素，不能檢測出真正的邊緣，所以提取的圖像輪廓可能會與背景融為一體。

Canny邊緣檢測只需要處理部分數據量，而且還可以有效提取所需的信息。根據圖像設定高低閾值，假如邊緣像素的梯度值高于高閾值記為強像素點；介于高低閾值之間記為弱像素點；小于低閾值則舍去。所以Canny算子可以檢測出真正的邊緣，識出的邊緣要更接近圖像中的實際邊緣。

機織物的邊緣檢測算法對比如圖2所示，針織物的邊緣檢測算法對比如圖3所示。對比三種邊緣檢測方法，可以明顯看出Laplacian邊緣檢測沒有突顯邊緣，且圖像噪聲對圖像的影響較大；Sobel邊緣檢測時，原圖中顏色相近的區(qū)域沒有檢測出來，即不能嚴格區(qū)分出圖像與背景；而Canny邊緣檢測的效果較好，邊緣特征突出，邊緣檢測完整，有利于下一步操作。

綜上所述，研究最終選擇采用Canny邊緣檢測算法，其對機織物和針織物的邊緣處理效果都不錯，可得到更接近實際的邊緣。