色纺纱线中纤维混色比例的图像检测

沈利利， 李忠健， 潘如如， 卢雨正， 高卫东， 唐佩君

(1. 生态纺织教育部重点实验室(江南大学)， 江苏 无锡 214122； 2. 百隆东方股份有限公司， 宁波 浙江 315201)

色纺纱线中纤维混色比例的图像检测

沈利利1， 李忠健1， 潘如如1， 卢雨正1， 高卫东1， 唐佩君2

(1. 生态纺织教育部重点实验室(江南大学)， 江苏 无锡 214122； 2. 百隆东方股份有限公司， 宁波 浙江 315201)

为解决色纺纱线中有色纤维配比的经验性及耗时性等问题，在结合视频显微镜和图像处理技术的基础上，提出一种基于聚类算法的色纤维颜色分类及比例测定方法。首先将色纺纱线解捻获得色纤维，在轻微张力下排列在载玻片上，利用视频显微镜进行图像采集；然后采用灰度投影方法定位色纤维，再提取出每根纤维中心线上的像素点，分别取所有像素点的R、G、B分量的平均值构成特征向量来表征该根纤维；最后将RGB模型的特征向量转换到L*a*b*模型并通过聚类算法对色纤维进行分类，确定图像中各颜色纤维所占比例。实验表明, 本文算法能够实现色纺纱线中色纤维种类的确定及比例测定。

色纤维； 颜色分类； 图像处理； 聚类算法

Abstract In order to solve the problems of the empirical spadework and time consuming when confirming the proportions of the colored fibers in the colored spun yarns, with the help of the video microscopy and image processing technology,a novel method based on a clustering algorithm is proposed to classify the color fibers and inspect the proportions of different color fibers.Firstly, the colored spun yarns are untwisted into the fibers, the colored fibers are arranged on the slide under the mild tension, and the corresponding images are captured by the video microscopy. Secondly, the gray projection method is adopted to localize the colored fibers, and the average value ofR,G,Bof all pixels in the center line of each colored fiber is extracted as a feature vector to characterize the colored fiber respectively. Finally,the feature vectors in RGB model are converted to the L*a*b*color model, a clustering algorithm by searching density peaks is applied into classifying the colored fibers and the proportions of each color fibers are calculated. Experiments results demonstrate that the proposed method can inspect the colors and proportions of colored fibers in the colored spun yarns with a satisfactory accuracy.

Keywords color fibers; color classification; image processing; clustering algorithm

色纺纱是先将纤维染成有色纤维，然后将2种或2种以上不同颜色的纤维纺制成具有独特混色效果的纱线。传统工艺中，色纺纱中纤维配比的确定都是由人工完成的，完全依靠人眼对颜色的识别能力和操作人员的估计，经过反复试验后得到与来样接近的色彩效果，这样的工序存在个人主观因素的问题，而且耗时耗力，准确性差，工作重复性大。

早在20世纪90年代，数字图像处理技术已应用在纺织工业中[1]，数字图像处理是利用计算机的计算，实现与光学系统模拟处理相同效果的过程，它具有处理精度高，再现性好，综合性强，以及处理的多样化等优越性。因此本文提出采用数字图像处理的方法对色纤维进行分色处理，以便减少确定色纺纱混纺比例的繁重工作以及提高了色纤维分类的全面性和准确度。

到目前为止，李玉红[2]在利用扫描仪采集毛条图像的基础上，对采集的图像进行处理和聚类分析，得到纤维颜色拼毛比例；卢雨正等[3]利用彩色图像分割技术，对纤维混色的分色过程进行了计算机辅助算法研究；卢雨正等[4]还利用模糊C均值聚类算法，分别在RGB和HSV颜色模型下对色纤维进行分类处理；邹轩等[5]利用图像处理技术对织物组织结构和颜色参数进行识别与分析，提出色织物图像在HSV颜色空间的有效预处理方法，对色彩量化方法加以改进，通过将接近的相邻主色进行归并，进一步减色，解决了色织物的纱线颜色检测与表示问题,但是现有的分色方法却不能准确地确定混色纤维中各种色纤维的颜色种类及比例。

本文尝试采用数字图像处理方法对色纤维进行分色处理,利用灰度图像的灰度值曲线并结合新聚类算法，对采集的图像进行数字化处理，对纤维的颜色进行分类并统计图像中各颜色纤维混色

比例，这将会在很大程度上减少配色时间，提高生产效率。

1 图像采集

1.1 实验仪器与材料

仪器：GAOSUO视频显微镜，载玻片与盖玻片，纬朗光电面光源(24 V/420 mA/10.08 W)。

材料：宁波百隆纺织有限公司生产的色纺纱线。

软件：MatLab 2011。

1.2 纤维图像采集

图像采集是图像分析的源头工序，采集所得图像质量的好坏直接关系到图像分析的效果。

将纱线解捻成纤维，并将解捻得到的纤维在轻微张力下排列在载玻片上，将载玻片放在白色面光源的平面上，然后利用显微镜对载玻片上的纤维进行透光拍摄获得纤维图像，拍取位置的纤维保证每根纤维之间不交叉，将拍得的子图像同行并列合并排列。图像尺寸选择640像素×480像素，根据标定1个像素占1.56 μm，在采集图像时，同时保证背景颜色与纤维颜色的最大差异化，使采集到的纤维图像中各种颜色清晰可辨。本文采集了2个样本，每个样本图像共有1 000根纤维，采集到1 000根纤维的量时可以保证采集到了纱线中所有纤维颜色，基本达到颜色变化的稳定性。以样本1为例进行分析，图1示出截取样本1纤维图像的一部分。

2 纤维图像处理

2.1 图像灰度的变换

本文的图像采用RGB模型，为便于后续的纤维图像处理，运用加权算法，根据式(1)把纤维彩色图像转换成灰度图像[6]。

Gray=0.299R+0.587G+0.114B

(1)

式中：0≤R，G，B≤255，Gray是灰度值，R是红色值，G是绿色值，B是蓝色值。

图2示出与图1相对应的灰度图像。

2.2 曲线波谷点定位纤维位置

图像中纤维的特殊排列，是为了方便区分图像上纤维的位置，从而定位纤维，并统计出图像中纤维总根数。由于采集的图像的背景为白色，在灰度化后，背景相对于色纤维较亮，即背景的灰度值比色纤维的灰度值大，因此可通过查找灰度值较小的点来定位纤维位置，即确定灰度变化曲线的波谷点，以下分3个步骤来定位纤维：

步骤1：在纤维灰度图像中任取图像中的一行(这里选择图像中间位置)，该行的灰度值变化曲线如图3(a)所示[7]。可以看出，灰度值较小的点其位置为纤维所在位置，灰度值较大的点其位置则为背景，因此，曲线中波谷点的位置一定为每根纤维所在位置，找到曲线波谷点即可确定纤维位置。在确定曲线波谷点位置时，采用寻找局部最小值的方法定位曲线中每个谷值点，若Xi

步骤2：由于图像采集时外在因素影响，使纤维图像噪音较多，定位波谷点后，发现有很多噪音波谷点，基于这个影响因素画出灰度变化曲线上波谷点的直方分布图，如图3(b)所示。根据直方图确定阈值，从而选出需要的波谷点。图上最高点处表示背景所对应的灰度值，从最高点A点往下延伸至与直方图中频数为0所在的位置，即此处背景的位置与色纤维的位置分离，因此可以将直方图中箭头所在位置的值作为区分背景与色纤维的阈值。

步骤3：区分背景与色纤维之后，以波谷点所在位置作为图像中色纤维的位置，定位好灰度变化曲线上的波谷点后，即可定位出图像中色纤维所在位置，定位结果如图3(c)所示。

2.3 特征值的提取

对纤维定位并统计好所有纤维总根数之后，为实现色纤维颜色分类，对色纤维进行颜色特征值提取。定位纤维位置后，跟踪图像中纤维的像素点，取纤维上所有像素点的R、G、B分量。

设灰度图像尺寸为m×n，根据式(2)计算出上述提取出的每根色纤维中R、G、B值各自对应的平均值构成特征向量(Rmean，Gmean，Bmean)，即每根纤维由平均值组成的特征向量来表示。其中，m表示图像的行数，图1中m=53。

(2)

相对于非均匀线性的RGB颜色空间，在色彩空间L*a*b*中，两点间的欧氏距离与人视觉中的2种颜色的区别程度有更好的对应，将特征向量值由RGB转换到L*a*b*颜色空间[8-9]，即将特征向量(R,G,B)转成L*a*b*颜色空间对应的特征向量(L*,a*,b*)对纤维进行分色处理时，可以认为是对表征色纤维的特征向量进行分类。

2.4 纤维颜色的聚类

从图1可看出，有4种不同颜色的纤维，因此，要统计各颜色纤维所占比例，必须对图像中的纤维颜色进行分色处理，采用聚类算法实现图像中纤维颜色的聚类分析。

局部密度ρi的计算公式如下：

(3)

式中，当x<0时，χ(x)=1，否则χ(x)=0；参数dc表示截断距离。根据式(3)可知，ρi表示的是S中与xi之间的距离小于dc的数据点个数。

距离δi表示衡量点xi与其他密度更大的数据点之间的最小距离值，其计算公式如下：

(4)

当xi具有最大局部密度时，δi表示S中与xi距离最大的数据点与xi之间的距离；否则，δi表示在所有局部密度大于xi的数据点中，与xi距离最小的那些数据点与xi之间的距离。

3 实验结果与分析

3.1 纤维颜色分类结果与分析

利用本文算法对2个样本分别采集的20张图像进行色纤维分类，每张图都很准确地分类出各种纤维颜色。

以图1为例，区分出背景并完成色纤维定位后，确定图中每根色纤维在L*a*b*颜色空间中的特征向量，经聚类分析后，分类结果见图5(a)。图中每根纤维分类的标注号1、2、3、4与其根数对应，且灰度由浅至深依次表示第1类、第2类、第3类、第4类。同样，样本2经聚类分析后，分类结果见图5(b)，灰度由浅至深表示第1类和第2类。

图5示出样本1与样本2采集的纤维图像中截取的一部分色纤维图像的分类结果。本文每种样本图像各有1 000根色纤维，利用本文算法，精确地分出所有色纤维的颜色，实现了精确分类。

3.2 色纺纱线中纤维混色比例分析

根据图5分类结果，可以统计出各类颜色纤维的根数，从而计算出每种色纤维所占比例。样本1和样本2各有1 000根纤维，根据分类结果可以迅速统计各颜色纤维的根数。2个样本各采集了20张图像，每5张图像取1个平均值，并与实际比例进行比较，根据式(5)计算混纺比例偏差率BD[11]，计算结果见表1、2。

表1 样本1色纤维平均比例的测量值Tab.1 Average proportion of color fibers (sample 1)

%

表2 样本2色纤维平均比例的测量值Tab.2 Average proportion of color fibers (sample 2) %

(5)

式中：Bm为测量值，Ba为实际值。

对色纤维分类，统计出各颜色纤维根数并确定混纺比例后，算出4种色纤维的偏差率并对4种色纤维的偏差率取平均值，最终以平均偏差率作为实验结果的偏差率，由表1可知，基于数字图像处理技术得到的色纤维混纺比例与实际值的误差在10%以内，每种颜色纤维比例与实际比例误差在5%以内。随着样品数的增加，色纤维混纺比例与实际值的误差变小。

由表2可知，基于数字图像处理技术得到的色纤维混纺比例与实际值的误差在3%以内，实验测得的比例与实际比例接近。

如表1、2所示，按照本文方法，精确地将样本1的4类色纤维和样本2的2类色纤维进行了分类，并统计出每类色纤维所占比例且比例与实际比例误差较小，说明试验所用的色纤维分类及比例测定的算法可行。

4 结 论

利用数字图像处理与分析技术对采集的图像进行处理和聚类分析，成功将色纤维进行了分类，并统计出每类色纤维所占比例，应用于色纺纱线中色纤维比例检测。结果表明，采用本文提出的数字图像处理技术对纤维颜色进行分类的结果快速、准确，因此可以该方法对色纺纱线中色纤维进行准确快速地分类并统计各类色纤维所占比例，分析方法精确高效，提高了生产效率。

[1] ABOUELELA A, ABBAS HM, ELDEEB H, et al. Automated vision system for localizing structural defects in textile fabrics[J]. Pattern Recognition Letters, 2005, 26(10): 1435-1443.

[2] 李玉红. 基于数字图像处理的拼毛比例自动分析[D]. 无锡： 江南大学, 2010：1-6. LI Yuhong. Wool blending based on digital image processing automatically[D]. Wuxi: Jiangnan University, 2010:1-6.

[3] 卢雨正, 高卫东. 基于图像分割的拼色纺织品分色算法[J]. 纺织学报, 2012, 33(9): 55-60. LU Yuzheng, GAO Weidong. Color separation algorithm for mixed dyed textiles based on image segment-ation [J].Journal of Textile Research, 2012, 33(9): 55-60.

[4] LU Yuzheng, GAO Weidong, LIU Jihong. Color separation for colored fiber blends based on the fuzzy C-means cluster[J]. Color Research & Application, 2012, 37(3): 212-218.

[5] 邹轩, 沈建强, 马立新, 等. 一种色织物的颜色表示与自动识别方法[J].计算机工程, 2008, 34(19): 215-218. ZOU Xuan, SHEN Jianqiang, MA Lixin, et al. Me-thod of fabric color representation and automatic recogn-ition[J]. Computer Engineering, 2008, 34(19): 215-218.

[6] 孙银银, 潘如如, 高卫东. 基于数字图象处理的纱线毛羽检测[J]. 纺织学报, 2013，34(6): 102-106. SUN Yinyin, PAN Ruru, GAO Weidong. Detection of yarn hairiness based on digital image processing[J]. Journal of Textile Research, 2013, 34(6): 102-106.

[7] KIMH S, KIM S H, GO W K, et al. FPGA implementation of stereoscopic image proceesing architecture base on the gray-scale projection[C]// SoC Design Conference(ISOC-C). Korea: Cheongju University, 2012: 509-512.

[8] FAIRMAN H S, BRILL M H, HEMMENDINGER H. How the CIE 1931 color-matching functions were derived from the wright-guild Data[J]. Color Research & Application 1997, 22(1): 11-23.

[9] 何能斌, 杜云海. 基于Lab颜色空间的彩色等差线骨架线的提取[J]. 河南科学, 2008, 26(11): 1324-1326. HE Nengbing, DU Yunhai. Extraction method of isochromatic′s skeleton based oil Lab color space[J]. Henan Science, 2008, 26(11): 1324-1326.

[10] ALEX Rodriguez, ALESSANDRO Laio. Clustering by fast search and find of density peaks[J]. Science, 2014, 344(6191): 1492-1496.

[11] 迟开龙, 潘如如, 刘基宏, 等. 基于数字图像处理的纱线条干均匀度检测初探[J]. 纺织学报, 2012, 33(12): 19-24. CHI Kailong, PAN Ruru, LIU Jihong, et al. Primary discussion on detection of yarn evenness based on digital image processing[J]. Journal of Textile Research, 2012, 33(12): 19-24.

Image inspection of fiber blending percentages in colored spun yarns

SHEN Lili1, LI Zhongjian1, PAN Ruru1, LU Yuzheng1, GAO Weidong1, TANG Peijun2

(1.KeyLaboratoryofEco-Textiles(JiangnanUniversity),MinistryofEducation,Wuxi,Jiangsu214122,China；2.BrosEasternCo.,Ltd.,Ningbo,Zhejiang315201,China)

10.13475/j.fzxb.20150104606

2015-01-22

2015-05-11

教育部博士点基金项目(20120093130001)；江苏省产学研前瞻性研究项目(BY2013015-20)；霍英东教育基金资助项目(141071)

沈利利(1990—)，女，硕士生。研究方向为数字化纺织技术。潘如如，通信作者，E-mail:prrsw@163.com。

TS 101.9

A