【集萃网观察】随着机器视觉技术在纺织行业的应用，采用机器视觉方法来检测纺织品印花图像的印花精度已受到人们的重视，因此选择合适、精确的图像分割方法显得尤为重要。在印花中各套色之间的对花精度是一个重要的指标，它不仅直接影响印花产品的质量，也会限制车速等技术参数。在生产过程中，由于受到随机干扰因素的影响，不可避免地出现“错花”、“跑花”现象。目前生产中主要是依靠人工目测进行对花精度的检测。    目前，针对纺织品印花图像的分割，大部分是基于颜色聚类的方法来实现的，例如mean-shift［1］算法，K-mean 聚类［2］等。其特点是:只考虑到颜色的信息，对空间的信息考虑较少;在纹理较为明显的情况下，分割效果不理想。JSEG［3］是Deng 等提出的一种同时考虑了图像的颜色信息和空间信息的彩色图像分割［4 － 5］的方法。该方法通过测试一个给定颜色纹理模板的同质性来完成对图像的分割，它主要应用于对视频图像［6］的分析、航拍图像的分割［7］，在纹理分析［8］上也取得了比较好的效果。目前尚没有将该算法应用于纺织品印花图像处理方面的报道。本文在机器视觉应用于纺织品印花精度检测的前提下，针对具有明显纹理的纺织品印花图像，使用 JSEG 算法对图像进行分割。【纺织品数码喷墨印花墨水和四分色印花染料的研究】

   1 纺织品印花图像的分割  

    JSEG 是一种基于颜色和空间纹理信息的区域分割方法，主要包括颜色量化和空间分割。

    1. 1 颜色量化

    首先，将图像的颜色空间转换为LUV 颜色空间。该空间不仅符合人类视觉的均匀与感知特性，而且可以用欧氏距离来衡量不同颜色之间的相似程度，有利于颜色的量化和描述。

    其次，采用PGF( Peer Group Filtering) 算法［9］对图像进行平滑、去噪，在保留边缘信息的同时去除颗粒噪声的影响，使图像的区域同一性更加显著。定义: W × W 窗中心点x0( n) 的同等组为P ( n ) ={ xi( n) ，i = 0，1，…，m( n) － 1}。其中xi( n) 为窗内的像素点，m( n) 为窗内数据点的个数。根据Fisher 判断准则得到相应的m( n) 值，以适应不同区域内像素之间的差异。然后，在同等组的基础上，利用各点的权重ωi ，计算出xnew ( n) 代替原来的中心点。

    式中μi、σi分别为p( n) 的均值和方差。

    再次，确定颜色的类别数。令T( n) 为x0( n) 对应的同等组的最大距离。T( n) = dm( n) － 1( n) ，di( n)表示W × W 窗中所有的点与中心点x0( n) 之间距离的升序排列;T ( n) 的大小表明了局部区域的平滑性，也体现了颜色空间的分布情况。T ( n) 的均值Tav则表示整幅图像的平滑性，则颜色的类别数N = βTav      (3)

式中β 为常数，这里设置β = 2。

    最后，利用GLA 算法［9 － 10］进行矢量量化，生成在原像素位置上由不同颜色的类标组成的“类图”。

    1. 2 空间分割

    利用模板在“类图”上进行扫描，根据颜色向量在模板中的分布计算出模板中心的J 值，得到反映区域信息的“J 值图”。然后根据阈值在“J 值图”得出区域增长的种子点，按照非种子点到相邻种子区域距离进行区域增长，最后利用区域颜色的直方图来合并图像。

    1. 2. 1 J 图像的计算

   设Z 是一个“类图”中N 个数据点的集合，z = ( x，y) ，z∈Z，m 是均值，即:

   其中计算J 值的局部窗的大小有不同的效果，小的局部窗在检测颜色的边缘有效，大的局部窗在检测纹理的边缘时有效，因此在分割图像的时候选择多个等级进行处理已达到较好的分割效果。在该算法中，最小等级的窗是9 × 9 的圆形窗，采样频率为1;第2 等级的为17 × 17 的圆形窗;第3 等级的为 33 × 33 的圆形窗;第4 等级的为65 × 65 的圆形窗; 每一等级的采样频率都是上一等级的2 倍。先根据图像的大小来选择第3 等级的局部窗，计算出相应的“J 值图”。

    1. 2. 2 区域的分割

    令阈值TJ = μJ + ασJ。其中:μJ为非种子区域里J 的均值; σJ为非种子区域里J 的方差; α 从［－ 0. 6，－ 0. 4，－ 0. 2，0，0. 2，0. 4 ］逐渐选取。计算出TJ，采用4 连通的方式连接使J 值小于TJ的像素形成候选种子点。

一般认为，候选种子点的区域大于相应等级中最小区域的种子数阈值区域为种子区域，其余为非种子区域。

    除去种子区域中的空洞。计算未合并区域的平均J 值，把小于该均值的像素连接到增长的区域中。如果与增长区域相邻的只有1 个种子区，那么就把该像素加入到该种子区域中去。

    利用下一个更小等级的窗口计算J 值来获得更准确的边界信息。重复循环上一步，按照上述方法增长直到最小等级的窗口。将所有未分类的像素存在缓冲区中，每次最小J 值的像素被分配到与它相邻的种子区域中，同时更新缓存区的内容，直到所有的元素都被分类。

    1. 2. 3 区域的合并

    合并颜色直方图的欧几里德距离最小的2 个相邻区域，直到最小的区域大于聚集区域合并的阈值，完成图像的分割。

    2 实验结果与分析

    将JSEG 算法应用在纺织品图像的分割当中，其分割效果主要由2 个主要的参数控制，即颜色量化阈值( Tc ) 和区域合并阈值( Tr )。实验选取由 FEITH 智能相机在日光条件下所拍摄的大小为 680 × 480，分辨率为260 dpi 的印染纺织品的图片。图2示出了不同参数设置下的分割效果，以图2 ( a) 为基准分别作比较。

    根据对纺织品印花检测的要求，在纺织品印花图像( 图2 ( a) ) 的分割效果应该分为白色、灰色和棕色3 个区域，图2( b) 将灰色区域过分割，图2( c) 灰色区域过分割区域减小，图2( d) 得到了理想的分割效果，图2 ( e) 为K-mean 分割后的边缘。可以看出，由聚类分割会出现小的颜色区域，同时边界处不连续。而JSEG 算法能够很好地分出边界，得到理想的分割。

    在JSEG 的图像分割算法中，用户可以根据图像的特点调节阈值。图2 ( b)、( c) 表明，区域合并阈值对由外部光线所引起的同种颜色内部的过分割现象有良好的抑制作用，表明算法具有一定的鲁棒性。图2( c)、( d) 表明，颜色量化的阈值直接影响到是否能够正确地划分出颜色的种类，得到分割的初始轮廓。通过实验得出一般颜色量化的阈值为 225，区域合并的阈值为0. 4。在实际使用过程中，根据图像的特点进行相应的微调，当图像中各区域的颜色比较相近时，应该将Tc 调小，增加量化的颜色数目，使得相近的颜色区域得到分割;当某个图像分割出现颜色过分割时，应该将Tc 调大，减少量化的颜色数目，同时能够抑制一些由于光线引起的亮度干扰;当图像的同种颜色内部有过分割的现象，可以将Tr 调大，使得相同颜色的区域合并，达到理想的分割效果。

    以上图像的分割，在Pentium IV 2. 93 GHz系统中运行时间只有秒级的数量级，并且在该分辨率下，如果与标准的分割图像做边缘比较，就可以得到织物中0. 1 mm的印花偏差，所以可精确地检测出印染纺织品的印花偏差，同时表明算法在“跑花”现象的检测中具有一定的可行性。

    3 结语

    在将JSEG 应用于纺织品的印花精度检测当中，通过设置算法中颜色量化阈值和合并最小区域这2 个重要参数，实现对纺织品印花图像的分割，并取得了比较理想的效果。考虑到工程上的应用，可以进一步研究区域增长的条件，提高系统的实时性和鲁棒性。

来源：中国印花网

该文章暂时没有任何补充内容！