基于形态学处理的提花针织物纹样相似性识别

杨 婷,胡佳琳,唐泽华,李欣欣

(东华大学 纺织学院, 上海 201620)

针织提花产品因独特的风格和精美的视觉效果备受消费者青睐,然而产品更新迅速且纹样丰富多变使得企业构建了庞大的提花产品数据库,寻找具有特定形态特征的纹样具有挑战性。传统人工方法存在主观差异、效率低等问题,难以满足大型生产设计需求,图像处理技术是解决该问题的有效手段。

目前已有关于图像处理技术在纺织行业应用的研究,包括面料疵点识别、起毛起球评价、结构参数自动判断、相似性检索等。黄仰东等[1]基于Mean-shift的自适应阈值算法,开发了新的原棉疵点识别方法。董康乐等[2]将阈值二值化与形态学结合的方法分离起毛起球信息,以毛球面积比作为主要特征实现分级评价。花勇等[3]运用二维小波变换等算法实现纬平针织物结构参数测量。曹霞等[4]在Live Wire交互图像分割与层次匹配相结合的基础上开发蕾丝花边检索系统,应用于蕾丝织物的面料花型比对识别。王静等[5]将图片经局部滤波卷积并统计灰度共生矩阵提取特征参数,开发了机织物组织识别与分类系统。

现有的相似性识别算法多基于纹理和颜色特征提取进行运算,如李永宁[6]通过改进共生矩阵提取纹理特征,通过高斯归一化法实现相似性检索。殷珍珍[7]在颜色直方图和分块局部二值化基础上将颜色特征和纹理特征结合,实现更准确的相似性检索算法。Swain等[8]将颜色直方图作为图像的重要特征,将其用于比较图像间的相似性。徐永健[9]借助卷积神经网络及中心相似的深度哈希图像检索算法,开发出具有优异相似性检索性能的算法系统。针织物图像具有特殊的结构组织,因此识别此类图像时需要用到图形的纹理特征提取法,该方法可在图像颜色分布的基础上进行自适应提取,如Kumar等[10]基于Gabor函数,运用实虚数来进行纹理特征的识别检测。

针织提花具有颜色丰富、纹样轮廓不规则等特点需要研究其适用的识别算法。为此,本文提出基于形态学边缘检测的提花针织物纹样相似性识别算法,利用工艺软件设计针织提花纹样并构建了提花数据库,通过MatLab对纹样图像进行处理,提取提花结构轮廓特征图像,求解数据库中各纹样与目标纹样的相似性,筛选出相似率达到设定阈值之上的提花纹样,避免传统人工识别主观差异,为生产企业快速筛选目标纹样提供技术支持。

1 提花纹样结构与设计

1.1 提花结构

提花组织属于纬编花色组织中较为常见的一类组织,其编织方法是按设计目标纹样要求,指定某些舌针进行垫纱并弯纱成圈,而另一部分未被选择的织针则不垫纱成圈,纱线在上一个线圈后面直接拉长,形成浮线。由成圈和浮线2种结构单元的排列组合形成的纹样即为针织提花组织。根据编织方式将提花组织进行分类,包括浮线提花、空气层提花、芝麻点提花、横条提花等[11](不同提花组织对应编织图如图1所示)。由于编织过程简单,且能够支持花色多样变化,因此提花织物是最常见的针织产品之一。

图1 提花组织编织图Fig.1 Jacquard weaving diagram. (a) Floating line jacquard; (b) Air layer jacquard;(c)Sesame dotted jacquard;(d)Horizontal jacquard

1.2 提花织物设计

分别绘制具有花卉和几何特点的提花纹样并将纹样目标图形导入针织物工艺设计软件,将纹样进行处理后形成针织物提花意匠图,定义意匠图中各色意匠格对应的线圈组织,用软件生成具有织物效果的提花仿真图像,用于开展相似性识别试验。图2所示为单面提花纹样设计与织物仿真效果示例1#,图3为双面罗纹提花纹样设计与织物仿真效果示例2#。

图2 提花试样1#Fig.2 Jacquard specimen 1#.(a) Jacquard pattern; (b) Pattern simulation; (c) Tissue simulation

图3 提花试样 2#Fig.3 Jacquard specimen 2#.(a) Jacquard pattern; (b) Pattern simulation; (c) Tissue simulation

为了开展相似性识别试验,设计100款提花纹样并在工艺软件中分别形成对应的织物仿真效果,建立针织提花纹样数据库,试样图依次编号为A1,A2,A3,…,数据库中部分试样如图4所示。

图4 图像库部分展示Fig.4 Part of image gallery display

2 提花纹样图像预处理与特征提取

图像预处理是对仿真模拟的针织提花纹样进行图样采集分析、灰度化、二值化等处理,滤除噪声,消除外界因素干扰,突出重要特征便于提取,有利于后期图像特征分析。

2.1 图像采集、缩放与灰度化

图像采集需保证采集环境尽量相同,避免外界因素干扰。本文研究对象是基于针织工艺软件的提花织物仿真图,可以有效避免织物状态及光线为采集工作带来的不利影响[12]。

图像缩放是指对图像进行放大或缩小的尺寸调整过程。缩放原理是对采集图像进行像素点分析并进行像素值采集,根据实际需求尺寸来完成像素值的重构和输出[13]。图像灰度化技术广泛应用于各行业,具有较高实用价值[14]。以图5(a)2色单面提花原始图像为例,在MatLab中调用Imresize函数,将原始图像进行缩放处理,缩放后得到长宽像素均为400的图像(见图5(b))。图5(c)则是对图像进行灰度化处理后再进行缩放,灰度缩放后的提花纹样去除了色彩影响,可以提高计算机运算效率,节省储存成本,也为后续的图像处理和相似性识别奠定基础。

图5 图像处理Fig.5 Image processing.(a) Original image; (b) Scaled image; (c)Grayscale scaled image

2.2 自适应阈值二值化

图像二值化是将图像中的像素点以设定阈值为界,高于设定阈值设置为最高灰度值255,低于设定阈值设置为最小灰度值0,将已经灰度化的图像转化为二值化图像。图像的二值化是现代图像分析处理技术中实现图像灰度分离的一种主要方式。在此过程中,充当标尺作用的阈值提取十分关键。

目前应用较为广泛的阈值提取方式有全阈值和自适应阈值等方法,其中自适应阈值法能较好地分割图像,对细节更加敏感,适应性强,因此使用范围广泛,适用于本文研究的提花纹样相似性识别算法[15]。

如图6所示,图像经过灰度化和缩放处理后,进行自适应阈值二值化输出。二值化处理之后的图像相较于灰度化图像色彩进一步简化,仅保存最高灰度值与最低灰度值,突出提花纹样,有利于边缘检测及特征提取。预处理完成后,提取图像特征值并进行相似度运算。

图6 自适应阈值二值化处理Fig.6 Adaptive threshold binarization processing.(a) Grayscale image; (b) Scaled image; (c) Binarized image

2.3 基于形态学的形状特征提取

图像特征描述方法中较常用的是形状特征描述,在纺织领域,纹理特征描述方法的使用也比较广泛。本文采用形状特征描述[16],该方法抗干扰性强[17],较为稳定,能相对客观地表达图像的特性,在图像处理领域占据重要地位。

基于形态学特征提取是通过特殊结构元观测图像结构特征形状,结构元实质上是形状及大小确定的像素点的集合,通过移动处理可以观测不同区域的形态[18]。

图像腐蚀是将目标图像经过精细压缩处理,图像中白色范围经过压缩细分,使得其运算值比原始图像白色区域更小。图形膨胀则是图像腐蚀的逆运算,将图像中的白色区域进行扩大处理,使得其运算值比原始图像白色区域更大,线条更粗。图像膨胀和腐蚀可以去除图像噪声,但是会对图像信息造成损失,使图像压缩。研究发现,在图像腐蚀后进行图像膨胀可以有效保持图像原有信息,同时又达到去除噪声的目的[19]。

采用腐蚀和膨胀算法对针织提花纹样图的二值化图像进行处理,提取形状特征值。二值化图像黑色区域用0表示,白色区域用1表示。采用5×5的结构元对二值化图像进行膨胀处理得到花型孔隙被缩小但纹样轮廓与原图一致的图像E1(见图7(a)),再进行腐蚀处理使得孔隙随图像膨胀,从而得到与原图基本一致的图像D1(见图7(b)),文中E代表膨胀图片,D代表腐蚀图片。

图7 图像的膨胀与腐蚀处理Fig.7 Expansion and corrosion treatment of the image.(a) Swelling treated image E1; (b) Corrosion treated image D1

本文研究织物形状特征和图像相似度,采用边缘检测的相似性识别方法[20]。为了提取目标图像的提花纹样边界,运用结构元对预处理后的图像再次进行腐蚀处理得到D2(见图8(a)),采用3×3的结构元用于提取图像轮廓得到B1(见图8(b)),文中B代表边缘检测图像。边缘检测将提花纹样形态特征提取出来,仅保留轮廓使得图像数据进一步压缩,提高运算速度。

图8 提花结构轮廓特征提取Fig.8 Jacquard structure contour feature extraction.(a) 3×3 post-corrosion image D2; (b) Boundary image B1

3 提花纹样特征相似性识别

图像处理技术中,形状描述子分为全局形状描述子和局部形状描述子。常用的形状描述子有傅里叶描述子、不变矩描述子等[21]。

不变矩描述子中,Hu不变矩具有平移、旋转以及尺度变换后仍然保持不变的矩特征向量,还具有对起始点的度较低的特点,通过求解由图像边缘的7个二阶和三阶归一化中心矩组成的不变矩特征量对图片进行描述,是一种基于区域的图像描述方法。本文针织提花相似性识别选用的描述子为Hu不变矩。Hu不变矩描述方法简单高效,其7个特征量如式(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为归一化中心矩;M为由二阶和三阶中心矩导出的不变矩组。

运用Hu不变矩描述方法计算针织提花仿真图像的7个不变特征量作为图像索引值PS,运用图像形态学处理方式在相同实验条件下对针织提花织物仿真图的7个不变特征量进行计算,并作为样本图像索引值PF,2张提花组织模拟图之间的相似性度量(Similarity)公式如下[18]:

(8)

通过相似性度量函数运算,得出相似度,相似性识别算法对提花库进行依次循环检索,检索出相似度达到设定阈值的图像,该算法工作流程如图9所示。

图9 提花图像检索流程图Fig.9 Jacquard image retrieval flowchart

由于参与检索的2张图像颜色可能有所不同,因此自适应阈值二值化的自动阈值会有所差异,处理后得到图像E1和B1如图10、11所示。利用Hu不变矩描述子计算待检索提花图像与提花数据库提花图像的特征索引值,代入相似性函数式(8)进行相似性计算,将待检索图样与提花库中图样对应检索。

图10 特征图像E1(膨胀图像)Fig.10 Feature image E1(expansion image).(a) Jacquard image to be retrieved; (b) Image of specimen A18;(c) Image of specimen A2

图11 特征图像B1(边界图像)Fig.11 Feature image B1(boundary image).(a) Jacquard image to be retrieved; (b) Image of specimen A18;(c) Image of specimen A2

将图像A18、A2导入系统,计算得出A18与检测图相似度为0.916 9,系统自动输出A18图像及其处理图像。图像A2与检测图相似度仅为0.304 1,小于设定阈值,系统自动跳过该图像,继续对A3图像进行检测。系统最终在图像库中检索到5幅图像相似度超过设定阈值(阈值可根据实际需求设置,本文中例子阈值为0.9),其按相似值由高到低分别为A19(0.9379)、A18(0.9169)、A20(0.9013)、A10(0.8555)、A4(0.8124)。部分检索结果如图12所示。

图12 待检索图像与相似度筛选提花结构图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%

在上述实验过程中,对该算法识别速度进行统计,提花纹样相似性检索平均时间不超过1.21 s/幅,而进行人工识别时,若人眼在每幅图像上停留1 s,相同时间内仅能识别1～2幅图像,无法完成纹样边缘等信息提取比对,且人工识别速度及准确率易受主观因素影响,因此认为本文算法具有高效率和客观性。

4 结束语

本文提出了基于形态学处理的提花针织物纹样相似性识别算法,能有效识别与待检索图像相似度大于设定阈值的图像,具有高效、准确、客观等特点,有利于降低企业研发投入和人力成本。本文提供的相似性识别算法适用于提花纹样进行相似性识别,对于组织结构的相似性检索,将在后续研究中进一步拓展深入。基于计算机图像的相似性识别技术研究是涉及多个学科交叉的综合技术手段,后续研究可结合人机交互、人工智能、大数据、云计算等,开发出多功能的识别系统,促进纺织行业的发展。