基于形態(tài)學(xué)處理的提花針織物紋樣相似性識(shí)別

楊 婷,胡佳琳,唐澤華,李欣欣

(東華大學(xué) 紡織學(xué)院, 上海 201620)

針織提花產(chǎn)品因獨(dú)特的風(fēng)格和精美的視覺效果備受消費(fèi)者青睞,然而產(chǎn)品更新迅速且紋樣豐富多變使得企業(yè)構(gòu)建了龐大的提花產(chǎn)品數(shù)據(jù)庫(kù),尋找具有特定形態(tài)特征的紋樣具有挑戰(zhàn)性。傳統(tǒng)人工方法存在主觀差異、效率低等問題,難以滿足大型生產(chǎn)設(shè)計(jì)需求,圖像處理技術(shù)是解決該問題的有效手段。

目前已有關(guān)于圖像處理技術(shù)在紡織行業(yè)應(yīng)用的研究,包括面料疵點(diǎn)識(shí)別、起毛起球評(píng)價(jià)、結(jié)構(gòu)參數(shù)自動(dòng)判斷、相似性檢索等。黃仰東等[1]基于Mean-shift的自適應(yīng)閾值算法,開發(fā)了新的原棉疵點(diǎn)識(shí)別方法。董康樂等[2]將閾值二值化與形態(tài)學(xué)結(jié)合的方法分離起毛起球信息,以毛球面積比作為主要特征實(shí)現(xiàn)分級(jí)評(píng)價(jià)。花勇等[3]運(yùn)用二維小波變換等算法實(shí)現(xiàn)緯平針織物結(jié)構(gòu)參數(shù)測(cè)量。曹霞等[4]在Live Wire交互圖像分割與層次匹配相結(jié)合的基礎(chǔ)上開發(fā)蕾絲花邊檢索系統(tǒng),應(yīng)用于蕾絲織物的面料花型比對(duì)識(shí)別。王靜等[5]將圖片經(jīng)局部濾波卷積并統(tǒng)計(jì)灰度共生矩陣提取特征參數(shù),開發(fā)了機(jī)織物組織識(shí)別與分類系統(tǒng)。

現(xiàn)有的相似性識(shí)別算法多基于紋理和顏色特征提取進(jìn)行運(yùn)算,如李永寧[6]通過改進(jìn)共生矩陣提取紋理特征,通過高斯歸一化法實(shí)現(xiàn)相似性檢索。殷珍珍[7]在顏色直方圖和分塊局部二值化基礎(chǔ)上將顏色特征和紋理特征結(jié)合,實(shí)現(xiàn)更準(zhǔn)確的相似性檢索算法。Swain等[8]將顏色直方圖作為圖像的重要特征,將其用于比較圖像間的相似性。徐永健[9]借助卷積神經(jīng)網(wǎng)絡(luò)及中心相似的深度哈希圖像檢索算法,開發(fā)出具有優(yōu)異相似性檢索性能的算法系統(tǒng)。針織物圖像具有特殊的結(jié)構(gòu)組織,因此識(shí)別此類圖像時(shí)需要用到圖形的紋理特征提取法,該方法可在圖像顏色分布的基礎(chǔ)上進(jìn)行自適應(yīng)提取,如Kumar等[10]基于Gabor函數(shù),運(yùn)用實(shí)虛數(shù)來進(jìn)行紋理特征的識(shí)別檢測(cè)。

針織提花具有顏色豐富、紋樣輪廓不規(guī)則等特點(diǎn)需要研究其適用的識(shí)別算法。為此,本文提出基于形態(tài)學(xué)邊緣檢測(cè)的提花針織物紋樣相似性識(shí)別算法,利用工藝軟件設(shè)計(jì)針織提花紋樣并構(gòu)建了提花數(shù)據(jù)庫(kù),通過MatLab對(duì)紋樣圖像進(jìn)行處理,提取提花結(jié)構(gòu)輪廓特征圖像,求解數(shù)據(jù)庫(kù)中各紋樣與目標(biāo)紋樣的相似性,篩選出相似率達(dá)到設(shè)定閾值之上的提花紋樣,避免傳統(tǒng)人工識(shí)別主觀差異,為生產(chǎn)企業(yè)快速篩選目標(biāo)紋樣提供技術(shù)支持。

1 提花紋樣結(jié)構(gòu)與設(shè)計(jì)

1.1 提花結(jié)構(gòu)

提花組織屬于緯編花色組織中較為常見的一類組織,其編織方法是按設(shè)計(jì)目標(biāo)紋樣要求,指定某些舌針進(jìn)行墊紗并彎紗成圈,而另一部分未被選擇的織針則不墊紗成圈,紗線在上一個(gè)線圈后面直接拉長(zhǎng),形成浮線。由成圈和浮線2種結(jié)構(gòu)單元的排列組合形成的紋樣即為針織提花組織。根據(jù)編織方式將提花組織進(jìn)行分類,包括浮線提花、空氣層提花、芝麻點(diǎn)提花、橫條提花等[11](不同提花組織對(duì)應(yīng)編織圖如圖1所示)。由于編織過程簡(jiǎn)單,且能夠支持花色多樣變化,因此提花織物是最常見的針織產(chǎn)品之一。

圖1 提花組織編織圖Fig.1 Jacquard weaving diagram. (a) Floating line jacquard; (b) Air layer jacquard;(c)Sesame dotted jacquard;(d)Horizontal jacquard

1.2 提花織物設(shè)計(jì)

分別繪制具有花卉和幾何特點(diǎn)的提花紋樣并將紋樣目標(biāo)圖形導(dǎo)入針織物工藝設(shè)計(jì)軟件,將紋樣進(jìn)行處理后形成針織物提花意匠圖,定義意匠圖中各色意匠格對(duì)應(yīng)的線圈組織,用軟件生成具有織物效果的提花仿真圖像,用于開展相似性識(shí)別試驗(yàn)。圖2所示為單面提花紋樣設(shè)計(jì)與織物仿真效果示例1#,圖3為雙面羅紋提花紋樣設(shè)計(jì)與織物仿真效果示例2#。

圖2 提花試樣1#Fig.2 Jacquard specimen 1#.(a) Jacquard pattern; (b) Pattern simulation; (c) Tissue simulation

圖3 提花試樣 2#Fig.3 Jacquard specimen 2#.(a) Jacquard pattern; (b) Pattern simulation; (c) Tissue simulation

為了開展相似性識(shí)別試驗(yàn),設(shè)計(jì)100款提花紋樣并在工藝軟件中分別形成對(duì)應(yīng)的織物仿真效果,建立針織提花紋樣數(shù)據(jù)庫(kù),試樣圖依次編號(hào)為A1,A2,A3,…,數(shù)據(jù)庫(kù)中部分試樣如圖4所示。

圖4 圖像庫(kù)部分展示Fig.4 Part of image gallery display

2 提花紋樣圖像預(yù)處理與特征提取

圖像預(yù)處理是對(duì)仿真模擬的針織提花紋樣進(jìn)行圖樣采集分析、灰度化、二值化等處理,濾除噪聲,消除外界因素干擾,突出重要特征便于提取,有利于后期圖像特征分析。

2.1 圖像采集、縮放與灰度化

圖像采集需保證采集環(huán)境盡量相同,避免外界因素干擾。本文研究對(duì)象是基于針織工藝軟件的提花織物仿真圖,可以有效避免織物狀態(tài)及光線為采集工作帶來的不利影響[12]。

圖像縮放是指對(duì)圖像進(jìn)行放大或縮小的尺寸調(diào)整過程?？s放原理是對(duì)采集圖像進(jìn)行像素點(diǎn)分析并進(jìn)行像素值采集,根據(jù)實(shí)際需求尺寸來完成像素值的重構(gòu)和輸出[13]。圖像灰度化技術(shù)廣泛應(yīng)用于各行業(yè),具有較高實(shí)用價(jià)值[14]。以圖5(a)2色單面提花原始圖像為例,在MatLab中調(diào)用Imresize函數(shù),將原始圖像進(jìn)行縮放處理,縮放后得到長(zhǎng)寬像素均為400的圖像(見圖5(b))。圖5(c)則是對(duì)圖像進(jìn)行灰度化處理后再進(jìn)行縮放,灰度縮放后的提花紋樣去除了色彩影響,可以提高計(jì)算機(jī)運(yùn)算效率,節(jié)省儲(chǔ)存成本,也為后續(xù)的圖像處理和相似性識(shí)別奠定基礎(chǔ)。

圖5 圖像處理Fig.5 Image processing.(a) Original image; (b) Scaled image; (c)Grayscale scaled image

2.2 自適應(yīng)閾值二值化

圖像二值化是將圖像中的像素點(diǎn)以設(shè)定閾值為界,高于設(shè)定閾值設(shè)置為最高灰度值255,低于設(shè)定閾值設(shè)置為最小灰度值0,將已經(jīng)灰度化的圖像轉(zhuǎn)化為二值化圖像。圖像的二值化是現(xiàn)代圖像分析處理技術(shù)中實(shí)現(xiàn)圖像灰度分離的一種主要方式。在此過程中,充當(dāng)標(biāo)尺作用的閾值提取十分關(guān)鍵。

目前應(yīng)用較為廣泛的閾值提取方式有全閾值和自適應(yīng)閾值等方法,其中自適應(yīng)閾值法能較好地分割圖像,對(duì)細(xì)節(jié)更加敏感,適應(yīng)性強(qiáng),因此使用范圍廣泛,適用于本文研究的提花紋樣相似性識(shí)別算法[15]。

如圖6所示,圖像經(jīng)過灰度化和縮放處理后,進(jìn)行自適應(yīng)閾值二值化輸出。二值化處理之后的圖像相較于灰度化圖像色彩進(jìn)一步簡(jiǎn)化,僅保存最高灰度值與最低灰度值,突出提花紋樣,有利于邊緣檢測(cè)及特征提取。預(yù)處理完成后,提取圖像特征值并進(jìn)行相似度運(yùn)算。

圖6 自適應(yīng)閾值二值化處理Fig.6 Adaptive threshold binarization processing.(a) Grayscale image; (b) Scaled image; (c) Binarized image

2.3 基于形態(tài)學(xué)的形狀特征提取

圖像特征描述方法中較常用的是形狀特征描述,在紡織領(lǐng)域,紋理特征描述方法的使用也比較廣泛。本文采用形狀特征描述[16],該方法抗干擾性強(qiáng)[17],較為穩(wěn)定,能相對(duì)客觀地表達(dá)圖像的特性,在圖像處理領(lǐng)域占據(jù)重要地位。

基于形態(tài)學(xué)特征提取是通過特殊結(jié)構(gòu)元觀測(cè)圖像結(jié)構(gòu)特征形狀,結(jié)構(gòu)元實(shí)質(zhì)上是形狀及大小確定的像素點(diǎn)的集合,通過移動(dòng)處理可以觀測(cè)不同區(qū)域的形態(tài)[18]。

圖像腐蝕是將目標(biāo)圖像經(jīng)過精細(xì)壓縮處理,圖像中白色范圍經(jīng)過壓縮細(xì)分,使得其運(yùn)算值比原始圖像白色區(qū)域更小。圖形膨脹則是圖像腐蝕的逆運(yùn)算,將圖像中的白色區(qū)域進(jìn)行擴(kuò)大處理,使得其運(yùn)算值比原始圖像白色區(qū)域更大,線條更粗。圖像膨脹和腐蝕可以去除圖像噪聲,但是會(huì)對(duì)圖像信息造成損失,使圖像壓縮。研究發(fā)現(xiàn),在圖像腐蝕后進(jìn)行圖像膨脹可以有效保持圖像原有信息,同時(shí)又達(dá)到去除噪聲的目的[19]。

采用腐蝕和膨脹算法對(duì)針織提花紋樣圖的二值化圖像進(jìn)行處理,提取形狀特征值。二值化圖像黑色區(qū)域用0表示,白色區(qū)域用1表示。采用5×5的結(jié)構(gòu)元對(duì)二值化圖像進(jìn)行膨脹處理得到花型孔隙被縮小但紋樣輪廓與原圖一致的圖像E1(見圖7(a)),再進(jìn)行腐蝕處理使得孔隙隨圖像膨脹,從而得到與原圖基本一致的圖像D1(見圖7(b)),文中E代表膨脹圖片,D代表腐蝕圖片。

圖7 圖像的膨脹與腐蝕處理Fig.7 Expansion and corrosion treatment of the image.(a) Swelling treated image E1; (b) Corrosion treated image D1

本文研究織物形狀特征和圖像相似度,采用邊緣檢測(cè)的相似性識(shí)別方法[20]。為了提取目標(biāo)圖像的提花紋樣邊界,運(yùn)用結(jié)構(gòu)元對(duì)預(yù)處理后的圖像再次進(jìn)行腐蝕處理得到D2(見圖8(a)),采用3×3的結(jié)構(gòu)元用于提取圖像輪廓得到B1(見圖8(b)),文中B代表邊緣檢測(cè)圖像。邊緣檢測(cè)將提花紋樣形態(tài)特征提取出來,僅保留輪廓使得圖像數(shù)據(jù)進(jìn)一步壓縮,提高運(yùn)算速度。

圖8 提花結(jié)構(gòu)輪廓特征提取Fig.8 Jacquard structure contour feature extraction.(a) 3×3 post-corrosion image D2; (b) Boundary image B1

3 提花紋樣特征相似性識(shí)別

圖像處理技術(shù)中,形狀描述子分為全局形狀描述子和局部形狀描述子。常用的形狀描述子有傅里葉描述子、不變矩描述子等[21]。

不變矩描述子中,Hu不變矩具有平移、旋轉(zhuǎn)以及尺度變換后仍然保持不變的矩特征向量,還具有對(duì)起始點(diǎn)的度較低的特點(diǎn),通過求解由圖像邊緣的7個(gè)二階和三階歸一化中心矩組成的不變矩特征量對(duì)圖片進(jìn)行描述,是一種基于區(qū)域的圖像描述方法。本文針織提花相似性識(shí)別選用的描述子為Hu不變矩。Hu不變矩描述方法簡(jiǎn)單高效,其7個(gè)特征量如式(1)～(7)所示。

M1=λ20+λ02

(1)

M2=(λ20-λ02)2+4λ112

(2)

M3=(λ30-3λ12)2+(3λ21-λ03)2

(3)

M4=(λ30+λ12)2+(λ21+λ03)2

(4)

M5=(λ30-3λ12)(λ30+λ12)[(λ30+λ12)2-

3(λ03+λ21)2]+(3λ21-λ03)(λ21+λ03)

[3(λ30+λ12)2-(λ21+λ03)2]

(5)

M6=(λ20-λ02)[(λ30+λ12)2-(λ21+λ03)2]+

4λ11(λ30+λ12)(λ21+λ03)

(6)

M7=(3λ21-λ03)(λ30+λ12)[(λ30+λ12)2-

3(λ03+λ21)2+(3λ12-λ03)(λ21+λ03)

[3(λ30+λ12)2-(λ21+λ03)2]

(7)

式中:λ為歸一化中心矩;M為由二階和三階中心矩導(dǎo)出的不變矩組。

運(yùn)用Hu不變矩描述方法計(jì)算針織提花仿真圖像的7個(gè)不變特征量作為圖像索引值PS,運(yùn)用圖像形態(tài)學(xué)處理方式在相同實(shí)驗(yàn)條件下對(duì)針織提花織物仿真圖的7個(gè)不變特征量進(jìn)行計(jì)算,并作為樣本圖像索引值PF,2張?zhí)峄ńM織模擬圖之間的相似性度量(Similarity)公式如下[18]:

(8)

通過相似性度量函數(shù)運(yùn)算,得出相似度,相似性識(shí)別算法對(duì)提花庫(kù)進(jìn)行依次循環(huán)檢索,檢索出相似度達(dá)到設(shè)定閾值的圖像,該算法工作流程如圖9所示。

圖9 提花圖像檢索流程圖Fig.9 Jacquard image retrieval flowchart

由于參與檢索的2張圖像顏色可能有所不同,因此自適應(yīng)閾值二值化的自動(dòng)閾值會(huì)有所差異,處理后得到圖像E1和B1如圖10、11所示。利用Hu不變矩描述子計(jì)算待檢索提花圖像與提花數(shù)據(jù)庫(kù)提花圖像的特征索引值,代入相似性函數(shù)式(8)進(jìn)行相似性計(jì)算,將待檢索圖樣與提花庫(kù)中圖樣對(duì)應(yīng)檢索。

圖10 特征圖像E1(膨脹圖像)Fig.10 Feature image E1(expansion image).(a) Jacquard image to be retrieved; (b) Image of specimen A18;(c) Image of specimen A2

圖11 特征圖像B1(邊界圖像)Fig.11 Feature image B1(boundary image).(a) Jacquard image to be retrieved; (b) Image of specimen A18;(c) Image of specimen A2

將圖像A18、A2導(dǎo)入系統(tǒng),計(jì)算得出A18與檢測(cè)圖相似度為0.916 9,系統(tǒng)自動(dòng)輸出A18圖像及其處理圖像。圖像A2與檢測(cè)圖相似度僅為0.304 1,小于設(shè)定閾值,系統(tǒng)自動(dòng)跳過該圖像,繼續(xù)對(duì)A3圖像進(jìn)行檢測(cè)。系統(tǒng)最終在圖像庫(kù)中檢索到5幅圖像相似度超過設(shè)定閾值(閾值可根據(jù)實(shí)際需求設(shè)置,本文中例子閾值為0.9),其按相似值由高到低分別為A19(0.9379)、A18(0.9169)、A20(0.9013)、A10(0.8555)、A4(0.8124)。部分檢索結(jié)果如圖12所示。

圖12 待檢索圖像與相似度篩選提花結(jié)構(gòu)圖Fig.12 Jacquard structure diagram of the image to be retrieved and the similarity screening.(a) Images to be retrieved;(b) A19 similarity 93.79%;(c) A18 similarity 91.69%;(d) A20 similarity 90.13%

在上述實(shí)驗(yàn)過程中,對(duì)該算法識(shí)別速度進(jìn)行統(tǒng)計(jì),提花紋樣相似性檢索平均時(shí)間不超過1.21 s/幅,而進(jìn)行人工識(shí)別時(shí),若人眼在每幅圖像上停留1 s,相同時(shí)間內(nèi)僅能識(shí)別1～2幅圖像,無法完成紋樣邊緣等信息提取比對(duì),且人工識(shí)別速度及準(zhǔn)確率易受主觀因素影響,因此認(rèn)為本文算法具有高效率和客觀性。

4 結(jié)束語(yǔ)

本文提出了基于形態(tài)學(xué)處理的提花針織物紋樣相似性識(shí)別算法,能有效識(shí)別與待檢索圖像相似度大于設(shè)定閾值的圖像,具有高效、準(zhǔn)確、客觀等特點(diǎn),有利于降低企業(yè)研發(fā)投入和人力成本。本文提供的相似性識(shí)別算法適用于提花紋樣進(jìn)行相似性識(shí)別,對(duì)于組織結(jié)構(gòu)的相似性檢索,將在后續(xù)研究中進(jìn)一步拓展深入?；谟?jì)算機(jī)圖像的相似性識(shí)別技術(shù)研究是涉及多個(gè)學(xué)科交叉的綜合技術(shù)手段,后續(xù)研究可結(jié)合人機(jī)交互、人工智能、大數(shù)據(jù)、云計(jì)算等,開發(fā)出多功能的識(shí)別系統(tǒng),促進(jìn)紡織行業(yè)的發(fā)展。