機織物局部組織復原與密度自動測定

韋秋菊，孫曉婉，徐平華,b,c，徐明慧，賈 靜

(浙江理工大學，a.服裝學院; b.浙江省服裝工程技術研究中心; c.絲綢文化傳承與產品設計數字化技術文化與旅游部重點實驗室，杭州 310018)

機織物由經緯紗線按照特定規律交織而成，其密度影響了織物的機械性能和服用性能。ISO 7211-2:1984《紡織品 機織物結構分析方法 第二部分：單位長度紗線根數的測定》、GB/T 4668—1995《機織物密度的測定》等現行標準所規定的人工計數法耗時費力，且容易產生誤差。素色機織物經緯交織性狀，在數字圖像上反映出紗線紋理周期性變化。相關研究從空域或頻域出發，采用灰度投影法[1-2]、光柵干涉法[3- 4]、傅里葉變換[5-6]、小波變換[7]等方式，解析織物紗線紋理周期特征，實現密度的自動測定。

然而，色織、印花、提花、污漬以及局部缺損，不同程度地干擾了紗線紋理信號的準確提取，檢測適用面受限。陸海亮等[8]對獲取的織物正反兩面圖像進行融合，采用快速傅里葉變換測定色織物密度；Meng等[9]利用多尺度卷積神經網絡結構定位經紗和緯紗，具有較高的準確性和魯棒性; 陳凱峰等[10]融合多角度光源圖像增強紋理特征，采用自適應局部加權回歸平滑投影曲線，測定色織物密度。上述研究從不同角度提出了減弱紗線顏色干擾的解決路徑，有效解決了色織物密度的自動測定。相較于色織物的弱紋理表現，印花或燙印類圖案近似完全覆蓋了紗線紋理，造成了局部信息缺損。因此，如何從遮蓋區域復原出基布紗線紋理，進一步擴展織物密度檢測的適用面具有一定的應用價值。近年來，圖像補全技術廣泛應用于場景信息的盲區修復，利用參照信息對空缺部分進行填充，構建缺失信息，如偏微分方程補全法[11]、紋理合成法[12]、深度學習法[13]等。Criminisi等[14]依據樣本周邊塊信息，通過優先權設定可以部分確定邊緣和內容信息。其后Yao[15]對優先權函數進行優化，提升了低紋理修復質量和速度。基布紋理具有連續性和相似性，采用補全方式，在一定程度上可減弱非紗線紋理或顏色的干擾，提升預處理階段圖像修復質量。

為此，本文嘗試改進的Criminisi算法，探討常規組織結構面料種類，不同尺度、類型印花圖案修復后的密度測定準確性。重點對Criminisi算法優先權項、修復模塊窗口的適應性，補全缺損區域紗線紋理信息，利用小波變換對補全后的織物圖像進行密度測定和分析。

1 實驗方案

1.1 總體思路

圖案干擾了紗線紋理的正確提取，需對其對應區域的基布紋理進行復原。基本思路為：首先對圖案進行定位，分割圖案形成缺損圖像；其次利用織物殘存組織信息迭代補全該區域紋理信息，從而獲得相對完整的素色織物圖像。所采取的實驗方案流程如圖1所示，包括輸入樣本設計、紋理修復、小波變換、密度換算與主客觀一致性分析等模塊。

圖1 實驗方案總體思路Fig.1 The general guideline for the experimental scheme

通過對印花圖案所在區域的定位，利用改進的Criminisi算法，實現修復模塊窗口的自適應調節、優化優先權項，最大限度實現該區域紗線紋理的復原，減弱圖案在頻域信號的混雜效應；其后，利用Morlet小波變換，解析經緯方向紗線紋理，實現密度的測定；最后，與素色織物進行對比，評估算法對圖案所在區域的復原質量，進一步地，對實驗樣本密度主客觀檢測的一致性進行分析。

1.2 實驗樣本

為便于比對印花區域修復前后差異，以常規組織素色織物作為參照，采用圖案與織物圖像融合的方式，變換圖案類型和尺度大小，設計虛擬印花樣本。作為基布的素色織物，選取平紋、斜紋和緞紋3種常規組織，采集視野截取10 cm×10 cm的矩形區域作為參照樣本。在此基礎上，選用3種圖案與織物圖像進行融合，圖案類型分別為對稱圖、鏤空花卉圖和非規則樹葉圖，圖案最大外接矩形邊長設置為2、6 cm和10 cm 3種不同尺寸。

按照組織結構、圖案類型及圖案尺寸，共計設計出27份測試樣本。部分樣本融合圖如圖2所示，以編號“P-F1-D10”為例，首位“P”表示平紋(相應地，“T”表示斜紋，“S”表示緞紋)、“F1”表示圖案1、“D10”表示圖案外接矩形最大邊長為10 cm。實驗中，參照用素色織物采集均在標準光源箱內完成，利用良田BS1880P高拍儀拍攝，最大成像尺寸為 4 898 pixel×3 672 pixel。實驗過程中，利用標尺裁剪10 cm×10 cm 織物有效區域，形成 2 492 pixel×2 492 pixel的待測圖像，有效分辨率為633 dpi。

圖2 部分測試樣本圖像Fig.2 Partial specimen images

2 局部組織復原

Criminisi算法[15]基于樣本最相似目標塊填充待修復區域的算法，能夠同步處理紋理和結構。針對大破損織物圖像，Criminisi算法隨著修復的不斷進行，置信項越來越小。整個過程中，優先權的設置較為關鍵。

2.1 修復優先權設置

在待修復區域輪廓處選定優先權最高點，以其為中心構造指定大小的模板塊，在完好區域尋找最優匹配，通過更新置信度及輪廓進行迭代修復，直至破損區域完整修復。以下針對融合圖案后的織物圖像進行優先權設計。設O表示待修復區域，Φ為已知區域；k為修復模塊中心點，δS表示缺損區域邊緣；φk表示待選取的修復模塊，該模塊一部分包含了已知的區域，其余部分為破損區域，圖3為復原示意圖。

圖3 圖像復原示意Fig.3 Schematic diagram of the image repair algorithm

為了提升優先權適應性，重點對數據項進行調節，增大權重，公式如下：

K(k)=εC(k)+ηD(k)

(1)

(2)

(3)

2.2 修復模塊尺寸選擇

Criminisi相關算法[14]中采用固定值窗口，一般設置為固定值，對于小尺寸破損圖像具有較好的修復效果。對于較大區域而言，需要更多的迭代次數，其置信度逐步收斂至0，導致出現數據項過大形成優先權判定失誤。為此，正確設置修復模塊大小，才能有效適應不同尺度圖案區域的復原。實驗中，依據圖案大小，對修復模塊尺寸進行自適應修正。

SO為圖3破損區域O的初始面積，為了適應圖案大小，采用自主判定方式調節修復模塊尺寸。為此，當SO≤ξ·M·N(取0.5<ξ<1)，

(4)

式(4)中:l為修復窗口邊長，λ為收縮因子。否則，

(5)

式(5)中:SO′為迭代后的破損區域面積，μ為迭代過程面積收縮因子，取值為0～1；τ為調節參數，范圍為1～10。

2.3 區域紋理復原

對設計樣本圖案所在區域進行復原，基本步驟如下：

a)干擾區域定位與標記。采用Otsu[16]分割算法將圖案單獨提取出來。以樣本“P-F1-D10”為例，圖4(b)是對圖4(a)中圖案分割后形成底紋保留圖，黑色區域為圖案位置。其次，對圖像進行掩膜處理，對圖案邊界坐標進行提取(圖4(c))，存入邊界矩陣。

圖4 圖案分割與定位Fig.4 Pattern segmentation and positioning

b)修復參數判定。按照式(1)—式(3)計算優先權K(k)，確定優先修復區域；確定l，若原破損區域的面積小于ξ倍圖像面積，則采用式(4)確定修復尺寸，否則采用式(5)計算修復尺寸。通過計算，優選模塊選定在圖4(d)中紅色矩形區域。

c)最佳匹配塊優選。在織物圖像有效區域尋找最佳匹配塊，采用SSD[11]最優匹配原則將最優匹配塊的相應像素值替換到待修復塊中，并更新置信度和待修復區域。最佳匹配塊確定方式為：

(6)

式(6)中:φK是尋找的最佳匹配塊，φK是當前優先權最大的修復模塊。k是修復模塊的中心點。

d)待修復區域復原。重復上述步驟，直到完整修復圖案區域，最終修復效果如圖5所示。

圖5 修復效果Fig.5 Repair effect

e)織物復原質量評價。為了驗證修復算法對組織結構、圖案種類、圖案大小等因素的適用性，此處采用PSNR[17]評價修復質量。

(7)

式(7)中:x和y為圖像I的坐標位置，I(x,y)為原圖像在當前索引的像素值，Id(x,y)為重建圖像在當前索引的像素值。

3 經緯密自動測量

3.1 預處理

織物圖像中的噪聲一定程度影響小波變換分解效果，在進行頻域率處理之前進行降噪處理。實驗中采用中值濾波[18]，消除圖像中孤立的噪聲點；此外，采用直方圖均衡化[19]適度優化對比度；利用Hough[7]算法，進一步對齊織物方向，提高分解準確性。以復原后的樣本“P-F1-D2”為例，預處理效果如圖6所示。

圖6 圖像預處理Fig.6 Image preprocessing

3.2 小波變換

實驗選用Morlet[21]二維小波，對織物圖像進行多級分解，捕捉不同角度和尺度下的圖像的信息，獲得每級小波系數，通過重構獲得特征信息子圖像。Morlet小波函數表達式為:

(8)

式中：N為寬帶參數；ω0為中心頻率；t為采樣時間；j為復數單位；φ(t)為小波變換結果。

對修復后的圖像進行Morlet小波變換，獲得各個方向上的信息子圖像。圖7分別以平紋、斜紋、緞紋織物為例，角度為0.5π和1π時的變換效果。

圖7 Morlet連續小波變換Fig.7 Morlet continuous wavelet transform

4 結果分析與討論

4.1 復原效果評價

實驗中利用優化算法對樣本進行復原處理，并采用PSNR法對復原效果進行分析。同一圖案，不同尺寸，以樣本“P-F1-D2”“P-F1-D6”“P-F1-D10”為例，圖8顯示改類樣本的修復效果。

圖8 同一圖案不同尺寸修復效果比較Fig.8 Repair effects of the same patter of different sizes

對同一尺寸不同圖案修復效果進行比較，分別以樣本“S-F1-D6”“S-F2-D6”“S-F3-D6”為例，修復效果如圖9所示。

圖9 同一尺寸不同圖案修復效果比較Fig.9 Repair effects of different patterns of the same size

由圖9可以直觀看出，Criminisi算法[15]修復時出現紋理錯修現象，改進后的算法在細節上更好地恢復了底紋原貌。

為客觀比對修復質量，采用PSNR法，對采用Criminisi、優先權優化，以及優先權+修復模塊優化3種方式，復原質量結果如圖10所示。

圖10 3種修復方案PSNR值Fig.10 PSNR values with three repair algorithms

由圖10可以看出，優先權+修復模塊同時優化，相較于前兩種方法，PSNR值更高，修復效果相對更好。組織結構相同情況下，同一圖案，尺寸越大，即干擾區域越大，其PSNR值呈現衰弱趨勢，以平紋織物樣本“P-F1”為例，圖案尺寸為10 cm時，較6、2 cm有明顯下降趨勢。對于尺寸為2 cm時，3種方法修復效果差異不大。同一組織結構，同一尺寸，不同圖案修復效果差異較小，因分割時對花型外輪廓進行提取，鏤空區域也默認為待修復區域，因此，僅有的PSNR差異值取決于花型的面積和形狀。因PSNR是對圖案自身的峰值信噪比進行計算，同一圖案、同一尺寸，其差異來自于織物組織結構信息自身，因此，不具有可比性。

總體來看，本文提出的優先權+修復模塊優化算法能夠較好地復原圖像。然而，PSNR值僅能夠反應織物圖像總體的信息規律，為了能夠驗證修復算法對機織物密度測量的可靠性，仍需采用密度統計值進行分析。

4.2 主客觀一致性分析

對上述27份樣本分別采用人工檢測和本文優化算法進行密度測量，結果如表1所示。

由表1可以看出，當圖案尺寸為2 cm和6 cm時，主客觀一致性為100%；對于測試樣本“S-F3-D10”，其經密出現誤判，“T-F1-D10”“S-F2-D10”緯密出現誤判，10 cm內根數主客觀值相差均為1根，此時圖案尺寸為 10 cm。由此可見當組織結構為斜紋和緞紋組織時，由于紋理修復過程中存產生扭曲。參考信息較少時，或縱橫向邊界不完整時，容易出現誤判，總體誤判率為11.11%，主客觀平均一致率為99.89%。由此可見，該方法對于中小尺度的干擾圖案復原具有良好的適用性，當圖案尺度外接矩形邊長趨向 10 cm 時，復原質量減低，影響密度測定的準確性。

表1 樣本密度測量測定結果Tab.1 Measurement results of specimen density

5 結 論

本文從圖像復原角度出發，對圖案全覆蓋情形，提出了利用改進的Criminisi算法，復原基布紗線紋理信息，以解決印花圖案對機織物密度測量的干擾。實驗結果表明，該算法能夠對中小尺度的圖案區域進行復原，對于邊界長度趨向10 cm時，檢測容易出現誤判。實驗樣本誤判率為11.11%，主客觀檢測一致率均值為99.89%。

該方法的提出是對紋理極端干擾下織物密度自動測量的一種探索。對于嚴重干擾或完全遮蓋織物紋理時具有一定的適用性。對于復雜組織類型、高密織物等復原、檢測效果仍需進一步研究。