织物密度的数字图像检测方法

2014-07-08 20:25卢凤龙钱志欢
光学仪器 2014年2期
关键词:数字图像处理

卢凤龙++钱志欢

文章编号: 10055630(2014)02012605收稿日期: 20131022

摘要: 针对织物的纱线密度检测,提出一种对织物图像,信息进行检测的方法。通过数字相机获得织物图像,对织物图像进行最优二值化处理。利用像素黑白颜色区分织物上的纱线和间隙,通过扫描经线和纬线方向的像素颜色值获得纱线处像素颜色特性,从而计算出经线方向和纬线方向的纱线数目。根据各方向最大像素数得织物的大小,即可得知织物的密度。

关键词: 织物密度; 数字图像处理; 图像二值化

中图分类号: TN 247文献标志码: Adoi: 10.3969/j.issn.10055630.2014.02.008

The detection method of digital image for fabric density

LU Fenglong, QIAN Zhihuan

(College of Science, Zhejiang University of Technology, Hangzhou 310023, China)

Abstract: For density identification of fabric, we put forward a method to detect density with the fabric image. In this system, fabric image is got by the digital camera then the fabric image is processed by binaryzation method. We can discriminate yarns and intervals by white pixels and black pixels. To scan warp pixel color and weft pixel color, we can know color characteristic of yarn pixels, so the number of warp yarns and weft yarns can be got. Length and width is known by the maximum pixel number of warp yarns and weft yarns, thus, fabric density can be easily computed.

Key words: fabric density; digital image processing; image binaryzation

引言经纬纱线密度是织物的一个重要性质,经纬纱线密度的大小直接影响到织物的厚度、结实程度、耐磨性和透气性等性质。在纺织行业中,经纬纱线密度的检测主要是人工通过照布镜或织物密度分析镜完成,但是人工检测效率低,长时间工作和人眼的疲劳性也会造成检测误差。目前,大多是通过傅里叶变换的方法,将织物图像经纬向的空域频谱转换为频域频谱来计算[14],还有通过图像亮度投影曲线的规律来检测织物的密度[5]。这些方法对图像质量要求较高,且对于织物的长度不能通过图像来测,则织物经纬密度的测量就变得很麻烦。该检测系统获取的织物图像,其纱线与纱线间的缝隙可以辨认且颜色与纱线明显不同,图像二值化后[67],选取合适的经线和纬线方向分别扫描这两行像素的灰度值,通过灰度变化规律及根据每根纱线宽度内的像素点的灰度值连续性来计算纱线的数目。1织物图像的获取织物图像的获取是该方法实现的关键,要满足下面两个条件以便可以对纱线计数。第一,纱线本身颜色与纱线间的缝隙颜色应该存在明显的差异,图像二值化后可达到一方为白且另一方为黑;第二,保证图像中每根纱线和每根纱线间的缝隙的宽度包含的像素数至少要达到两个。根据以上两点,图1中的检测结构中的数字相机可以上下移动,对于不同种类的织物固定合适距离,以满足数字相机的像素可以符合第二个条件,在织物旁边均匀放置白光LED提供光源,使织物表面的光尽量均匀且光强达到明亮状态。数字相机可以通过支架调整位置,对织物的不同位置获取图像进行检测,多次检测后求平均以便达到更加精确的结果[8]。光学仪器第36卷

第2期卢凤龙,等:织物密度的数字图像检测方法

由于是通过扫描经线和纬线方向上的像素的颜色来进行计算纱线数目的,在获取织物图像时,织物的纬、经纱线要保持横平竖直的状态,且织物不可出现褶皱。数字相机与织物之间的距离是一定的,则获取的图像中织物的宽度和长度也是一定的,根据相机的像素以及图像中织物径向和纬向的像素数就可得知织物的大小,图2是医疗所用包扎布料的图像。

图1检测结构

Fig.1The stucture of detecting图2 医用包扎布料织物

Fig.2The fabric for medical bandage

2经纬纱线密度检测

2.1图像二值化为了更加清晰地区分纱线与纱线间的缝隙,要对织物图像进行二值化处理,比较多个阈值二值化处理结果,选取最佳阈值使得纱线与纱线间缝隙最为规则化且易区分的效果[5]。二值化后的图像中,要求织物纱线为黑色,纱线间的缝隙为白色,若二值化的图像颜色与要求相反,则对图像进行求反,白色变黑色,黑色变白色。将图像中的白色像素点颜色值设为1,黑色像素点的颜色值设为0,方便接下来对经纬方向像素点的颜色扫描。对图2进行二值化处理,通过比较不同阈值的处理结果,得到比较理想的阈值为200。对于同一种布料其图像颜色分布是相同的,在颜色值范围0~255内,选择不同的阈值进行二值化,选出二值化后图像中纱线和间隙最为清晰可辨的最佳阈值,减小计算纱线数时的误差。对于不同的布料图像,各自图像的颜色分布相差较大,最佳阈值不同,所以在对不同布料图像二值化时,要重新进行不同阈值比较二值化后的图像清晰度,直至选出最佳阈值。图3为二值化后的结果,但是图像中纱线与缝隙的颜色不符合要求,对图像颜色求反,求反后图像中的纱线为黑色,纱线间的缝隙为一块类似圆形或方形的白色区域,如图4所示。

2.2颜色扫描图像二值化后,纱线间的缝隙为一块类似圆形或方形的白色区域,白色区域的中心点最适合确定扫描的位置,该点位置的特点是在经线和纬线方向上纱线间的间隙紧密有序排列。查找一个合适的白色区域的中心点,以此点为基点扫描织物经纬方向的像素点的颜色值,并分别将两个方向上像素点的颜色值以点的形式绘制在坐标系上。

图3二值化图像

Fig.3Binary image图4颜色求反图像

Fig.4Reversing color image

首先确定白色区域的中心点,以图像左上角的点为原点,原点右方为x方向,下方为y方向,每个单位长度是一个像素点。任意选取该图像偏中心位置的一点,如果该点颜色为黑色,则向该点右下方向移动一点,再判断其颜色,直到移动到颜色为白色的点。若该点为白色,此点坐标为(x,y),见图5(a),通过计算该点x方向左边和右边连续点颜色为白色的数目,可得到纬线这一段像素的中心点横坐标为x1;同理,得出经线方向段的中心点纵坐标坐标y1,则点的坐标由(x,y)变为(x1,y1),见图5(b)。重复上部计算分析,直到xn=xn-1,yn=yn-1,白色区域的近似中心点的坐标为(xn,yn),见图5(c)。

图5中心点的推导

Fig.5Deducing centre

确定白色区域中心点的坐标后,基于该点输出所有经线方向和纬线方向的所有像素点的颜色值,并分别绘制其变化规律,每根纱线内的像素的颜色值是连续的,计算颜色值连续为黑色的像素段数,即为纱线数。数字相机与织物的距离是固定的,则数字相机所能获得的图像中的织物的大小也是固定的。根据数字相机的分辨率和织物单位长度内的像素数,即可得知织物的尺寸。在扫描像素颜色时,可得到经线和纬线方向的像素数目,通过像素数就可以得知织物的尺寸。经线和纬线方向的纱线数已知,织物的经纬密度就很容易计算得到。该方法通过判别像素点的颜色来进行的,数据量较大,在此图像二值化和颜色扫描都是通过MATLAB编程实现的[9],并且可以支持大多数的图像格式,检测过程所用时间较短,效率很高。3结果分析在以下经纬线方向扫描像素的图中,x方向为像素的点数,y是灰度值,灰度范围为0~255,y坐标中1对应255(白色),0对应0(黑色)。根据以上所述分析,得到图4中一块白色区域的中心点,其坐标为(262,128)。图6(a)和图6(b)分别为织物的纬线、经线方向的像素分布,在纬线方向(即x方向)有473个像素点,计算颜色值为连续黑色的像素段数为29个,即纱线数为29根,比实际纱线数少2根;在经线方向(即y方向)有363个像素点,计算颜色值为连续黑色的像素段数为18个,即纱线数为18根,与实际纱线数相同。造成误差的原因,主要是在获取织物图像时,纱线有点弯曲,部分纱线偏离了扫描方向。根据经线和纬线的像素数,得到图像中的织物的长度为3.2 cm,宽度为2.1 cm,经纬密度分别是10根/cm、9根/cm。

图6经纬线方向像素颜色分布

Fig.6The pixel distribution of warp and weft

图7棉质T恤布料

Fig.7The cloth of cotton Tshirt根据此方法对其他方式得到的其他织物图像进行了验证检测,图7是棉质T恤布料,该布料比较特殊,纬线方向的纱线是倾斜的;图8是麻线布料的图片。以上两张图片的处理结果比较理想,图9为织物的经线方向的像素分布,其经线纱线数为14根,比实际纱线数少1根,织物的长度为0.8 cm,经线密度是18根/cm;图10(a)和图10(b)分别为织物的纬线、经线方向的像素分布,其纬线纱线数为33,与实际纱线数一致,经线方向纱线为26根,比实际纱线数少1根,织物长和宽分别为2.2 cm、1.5 cm,经纬密度分别为15根/cm、17根/cm。

图8麻线布料

Fig.8The cloth of linen thread图9纬线方向像素颜色分布

Fig.9The pixel distribution of weft

图10经纬线方向像素颜色分布

Fig.10The pixel distribution of warp and weft

图11运动裤布料

Fig.11The cloth of slacks为了缩短检测时间且提高检测精度,可以截取部分图像来进行处理,这样要判别的像素数目就变得很少,并且可以避免织物发生少许倾斜和褶皱的状况,可以减小误差。图11是运动裤的布料,为方便人眼观察,对原图进行了放大,图12(a)和图12(b)分别为织物的纬线、经线方向的像素分布,纬线和经线的纱线数目分别为5根、6根,与实际值相同,织物长度和宽度分别为0.3 cm、0.2 cm,经纬密度分别为17根/cm、30根/cm。4结论本文介绍了基于颜色的织物经纬密度检测,对织物上光照的均匀性没有过高要求,且对图像的噪声不敏感,在获取图像时保证可以明显区分纱线本身颜色与纱线间的间隙的颜色即可。该检测方法简单,快速且较为准确,每次检测时间短;但是该方法的一大缺点是获取图像时,织物的放置形态会严重影响检测结果,这一点需要在以后的工作中改善。

图12经纬线方向像素颜色分布

Fig.12The pixel distribution of warp and weft

此织物经纬密度检测系统可应用在织物生产流水线上,通过多次检测以得到最精确的结果。由于这是一种比较新颖的检测织物的经纬密度的方法,所能检测的织物的种类比较单一,在许多方面还存在缺点,这将在以后的研究工作中得到改进。参考文献:

[1]WANG X,GEORGIANS N D,PETRIU E M.Fabric texture analysis using computer vision techniques[J].IEEE Transactions on Instrumentation and Measurement,2011,60(1):4456.

[2]周利兵,刘莉.织物经纬纱线密度的自动测量[J].科技信息,2010(26):368369.

[3]吴海虹,张明敏,潘志庚.织物图像的倾斜检测与纬纱密度识别[J].中国图象图形学报,2006,11(5):640645.

[4]孙亚峰,陈霞,王新厚.机织物密度的计算机自动识别[J].东华大学学报,2006,36(2):8388.

[5]潘如如,高卫东.基于图像处理的机织物密度的高精度识别[J].纺织学报,2008,9(11):128131.

[6]王长军.基于数字图像技术的织物组织分析方法的研究[D].上海:东华大学,2008.

[7]周水庆,刘秉琦,胡文刚,等.线阵CCD全景图像的噪声分析与去噪方法研究[J].光学仪器,2011,33(1):5457.

[8]李强.基于图像处理与虚拟仪器技术的织物悬垂性测试系统的研究[D].上海:东华大学,2007.

[9]马晓路,刘倩,胡开云,等.MATLAB图像处理从入门到精通[M].北京:中国铁道出版社,

图5中心点的推导

Fig.5Deducing centre

确定白色区域中心点的坐标后,基于该点输出所有经线方向和纬线方向的所有像素点的颜色值,并分别绘制其变化规律,每根纱线内的像素的颜色值是连续的,计算颜色值连续为黑色的像素段数,即为纱线数。数字相机与织物的距离是固定的,则数字相机所能获得的图像中的织物的大小也是固定的。根据数字相机的分辨率和织物单位长度内的像素数,即可得知织物的尺寸。在扫描像素颜色时,可得到经线和纬线方向的像素数目,通过像素数就可以得知织物的尺寸。经线和纬线方向的纱线数已知,织物的经纬密度就很容易计算得到。该方法通过判别像素点的颜色来进行的,数据量较大,在此图像二值化和颜色扫描都是通过MATLAB编程实现的[9],并且可以支持大多数的图像格式,检测过程所用时间较短,效率很高。3结果分析在以下经纬线方向扫描像素的图中,x方向为像素的点数,y是灰度值,灰度范围为0~255,y坐标中1对应255(白色),0对应0(黑色)。根据以上所述分析,得到图4中一块白色区域的中心点,其坐标为(262,128)。图6(a)和图6(b)分别为织物的纬线、经线方向的像素分布,在纬线方向(即x方向)有473个像素点,计算颜色值为连续黑色的像素段数为29个,即纱线数为29根,比实际纱线数少2根;在经线方向(即y方向)有363个像素点,计算颜色值为连续黑色的像素段数为18个,即纱线数为18根,与实际纱线数相同。造成误差的原因,主要是在获取织物图像时,纱线有点弯曲,部分纱线偏离了扫描方向。根据经线和纬线的像素数,得到图像中的织物的长度为3.2 cm,宽度为2.1 cm,经纬密度分别是10根/cm、9根/cm。

图6经纬线方向像素颜色分布

Fig.6The pixel distribution of warp and weft

图7棉质T恤布料

Fig.7The cloth of cotton Tshirt根据此方法对其他方式得到的其他织物图像进行了验证检测,图7是棉质T恤布料,该布料比较特殊,纬线方向的纱线是倾斜的;图8是麻线布料的图片。以上两张图片的处理结果比较理想,图9为织物的经线方向的像素分布,其经线纱线数为14根,比实际纱线数少1根,织物的长度为0.8 cm,经线密度是18根/cm;图10(a)和图10(b)分别为织物的纬线、经线方向的像素分布,其纬线纱线数为33,与实际纱线数一致,经线方向纱线为26根,比实际纱线数少1根,织物长和宽分别为2.2 cm、1.5 cm,经纬密度分别为15根/cm、17根/cm。

图8麻线布料

Fig.8The cloth of linen thread图9纬线方向像素颜色分布

Fig.9The pixel distribution of weft

图10经纬线方向像素颜色分布

Fig.10The pixel distribution of warp and weft

图11运动裤布料

Fig.11The cloth of slacks为了缩短检测时间且提高检测精度,可以截取部分图像来进行处理,这样要判别的像素数目就变得很少,并且可以避免织物发生少许倾斜和褶皱的状况,可以减小误差。图11是运动裤的布料,为方便人眼观察,对原图进行了放大,图12(a)和图12(b)分别为织物的纬线、经线方向的像素分布,纬线和经线的纱线数目分别为5根、6根,与实际值相同,织物长度和宽度分别为0.3 cm、0.2 cm,经纬密度分别为17根/cm、30根/cm。4结论本文介绍了基于颜色的织物经纬密度检测,对织物上光照的均匀性没有过高要求,且对图像的噪声不敏感,在获取图像时保证可以明显区分纱线本身颜色与纱线间的间隙的颜色即可。该检测方法简单,快速且较为准确,每次检测时间短;但是该方法的一大缺点是获取图像时,织物的放置形态会严重影响检测结果,这一点需要在以后的工作中改善。

图12经纬线方向像素颜色分布

Fig.12The pixel distribution of warp and weft

此织物经纬密度检测系统可应用在织物生产流水线上,通过多次检测以得到最精确的结果。由于这是一种比较新颖的检测织物的经纬密度的方法,所能检测的织物的种类比较单一,在许多方面还存在缺点,这将在以后的研究工作中得到改进。参考文献:

[1]WANG X,GEORGIANS N D,PETRIU E M.Fabric texture analysis using computer vision techniques[J].IEEE Transactions on Instrumentation and Measurement,2011,60(1):4456.

[2]周利兵,刘莉.织物经纬纱线密度的自动测量[J].科技信息,2010(26):368369.

[3]吴海虹,张明敏,潘志庚.织物图像的倾斜检测与纬纱密度识别[J].中国图象图形学报,2006,11(5):640645.

[4]孙亚峰,陈霞,王新厚.机织物密度的计算机自动识别[J].东华大学学报,2006,36(2):8388.

[5]潘如如,高卫东.基于图像处理的机织物密度的高精度识别[J].纺织学报,2008,9(11):128131.

[6]王长军.基于数字图像技术的织物组织分析方法的研究[D].上海:东华大学,2008.

[7]周水庆,刘秉琦,胡文刚,等.线阵CCD全景图像的噪声分析与去噪方法研究[J].光学仪器,2011,33(1):5457.

[8]李强.基于图像处理与虚拟仪器技术的织物悬垂性测试系统的研究[D].上海:东华大学,2007.

[9]马晓路,刘倩,胡开云,等.MATLAB图像处理从入门到精通[M].北京:中国铁道出版社,

图5中心点的推导

Fig.5Deducing centre

确定白色区域中心点的坐标后,基于该点输出所有经线方向和纬线方向的所有像素点的颜色值,并分别绘制其变化规律,每根纱线内的像素的颜色值是连续的,计算颜色值连续为黑色的像素段数,即为纱线数。数字相机与织物的距离是固定的,则数字相机所能获得的图像中的织物的大小也是固定的。根据数字相机的分辨率和织物单位长度内的像素数,即可得知织物的尺寸。在扫描像素颜色时,可得到经线和纬线方向的像素数目,通过像素数就可以得知织物的尺寸。经线和纬线方向的纱线数已知,织物的经纬密度就很容易计算得到。该方法通过判别像素点的颜色来进行的,数据量较大,在此图像二值化和颜色扫描都是通过MATLAB编程实现的[9],并且可以支持大多数的图像格式,检测过程所用时间较短,效率很高。3结果分析在以下经纬线方向扫描像素的图中,x方向为像素的点数,y是灰度值,灰度范围为0~255,y坐标中1对应255(白色),0对应0(黑色)。根据以上所述分析,得到图4中一块白色区域的中心点,其坐标为(262,128)。图6(a)和图6(b)分别为织物的纬线、经线方向的像素分布,在纬线方向(即x方向)有473个像素点,计算颜色值为连续黑色的像素段数为29个,即纱线数为29根,比实际纱线数少2根;在经线方向(即y方向)有363个像素点,计算颜色值为连续黑色的像素段数为18个,即纱线数为18根,与实际纱线数相同。造成误差的原因,主要是在获取织物图像时,纱线有点弯曲,部分纱线偏离了扫描方向。根据经线和纬线的像素数,得到图像中的织物的长度为3.2 cm,宽度为2.1 cm,经纬密度分别是10根/cm、9根/cm。

图6经纬线方向像素颜色分布

Fig.6The pixel distribution of warp and weft

图7棉质T恤布料

Fig.7The cloth of cotton Tshirt根据此方法对其他方式得到的其他织物图像进行了验证检测,图7是棉质T恤布料,该布料比较特殊,纬线方向的纱线是倾斜的;图8是麻线布料的图片。以上两张图片的处理结果比较理想,图9为织物的经线方向的像素分布,其经线纱线数为14根,比实际纱线数少1根,织物的长度为0.8 cm,经线密度是18根/cm;图10(a)和图10(b)分别为织物的纬线、经线方向的像素分布,其纬线纱线数为33,与实际纱线数一致,经线方向纱线为26根,比实际纱线数少1根,织物长和宽分别为2.2 cm、1.5 cm,经纬密度分别为15根/cm、17根/cm。

图8麻线布料

Fig.8The cloth of linen thread图9纬线方向像素颜色分布

Fig.9The pixel distribution of weft

图10经纬线方向像素颜色分布

Fig.10The pixel distribution of warp and weft

图11运动裤布料

Fig.11The cloth of slacks为了缩短检测时间且提高检测精度,可以截取部分图像来进行处理,这样要判别的像素数目就变得很少,并且可以避免织物发生少许倾斜和褶皱的状况,可以减小误差。图11是运动裤的布料,为方便人眼观察,对原图进行了放大,图12(a)和图12(b)分别为织物的纬线、经线方向的像素分布,纬线和经线的纱线数目分别为5根、6根,与实际值相同,织物长度和宽度分别为0.3 cm、0.2 cm,经纬密度分别为17根/cm、30根/cm。4结论本文介绍了基于颜色的织物经纬密度检测,对织物上光照的均匀性没有过高要求,且对图像的噪声不敏感,在获取图像时保证可以明显区分纱线本身颜色与纱线间的间隙的颜色即可。该检测方法简单,快速且较为准确,每次检测时间短;但是该方法的一大缺点是获取图像时,织物的放置形态会严重影响检测结果,这一点需要在以后的工作中改善。

图12经纬线方向像素颜色分布

Fig.12The pixel distribution of warp and weft

此织物经纬密度检测系统可应用在织物生产流水线上,通过多次检测以得到最精确的结果。由于这是一种比较新颖的检测织物的经纬密度的方法,所能检测的织物的种类比较单一,在许多方面还存在缺点,这将在以后的研究工作中得到改进。参考文献:

[1]WANG X,GEORGIANS N D,PETRIU E M.Fabric texture analysis using computer vision techniques[J].IEEE Transactions on Instrumentation and Measurement,2011,60(1):4456.

[2]周利兵,刘莉.织物经纬纱线密度的自动测量[J].科技信息,2010(26):368369.

[3]吴海虹,张明敏,潘志庚.织物图像的倾斜检测与纬纱密度识别[J].中国图象图形学报,2006,11(5):640645.

[4]孙亚峰,陈霞,王新厚.机织物密度的计算机自动识别[J].东华大学学报,2006,36(2):8388.

[5]潘如如,高卫东.基于图像处理的机织物密度的高精度识别[J].纺织学报,2008,9(11):128131.

[6]王长军.基于数字图像技术的织物组织分析方法的研究[D].上海:东华大学,2008.

[7]周水庆,刘秉琦,胡文刚,等.线阵CCD全景图像的噪声分析与去噪方法研究[J].光学仪器,2011,33(1):5457.

[8]李强.基于图像处理与虚拟仪器技术的织物悬垂性测试系统的研究[D].上海:东华大学,2007.

[9]马晓路,刘倩,胡开云,等.MATLAB图像处理从入门到精通[M].北京:中国铁道出版社,

猜你喜欢
数字图像处理
图像实时检测技术在激光切割中的应用研究
MATLAB在《数字图像处理》课程中的辅助教学
信息与计算科学专业《数字图像处理》课程教学探讨与实践
微课在大学专业课中的应用研究
以应用实例为主线、以程序设计为主导的数字图像处理课程教学方法改革
数字图像处理技术课程改革与实践
数字图像处理课程CDIO模式教学法实践
《数字图像处理》课程的驱动教学实践