基于多特征融合的织物印花图像分割

曹 丽， 胡旭东

(1. 浙江理工大学 信息学院， 浙江 杭州 310018； 2. 浙江理工大学 机械与自动控制学院， 浙江 杭州 310018)

基于多特征融合的织物印花图像分割

曹 丽1， 胡旭东2

(1. 浙江理工大学 信息学院， 浙江 杭州 310018； 2. 浙江理工大学 机械与自动控制学院， 浙江 杭州 310018)

针对织物印花检测精度的问题，采用结合颜色和纹理特征多特征融合的方法，对织物印花图像进行有效分割。在织物印花分割过程中，首先采用颜色特征结合基于自动种子点选取的区域增长算法对图像进行初始分割，在此基础上，利用小波变换提取干扰区域的纹理特征，从而可进一步消除干扰区域，实现织物印花图像的准确分割。实验结果表明：基于多特征融合的分割算法能够准确地分割出织物的印花图案，克服了仅仅采用颜色特征或者纹理特征时产生的分割失真，提高了分割质量，具有较好的应用价值。

颜色特征； 纹理特征； 织物印花； 图像分割

织物印花的质量检测是纺织印染工业生产过程中不可或缺的环节。图像识别技术近年来已经取得了明显的进步，在很多工业领域中图像的快速在线识别与匹配等技术已经得到了一定程度的应用。如果能够将图像识别和匹配技术应用到织物印花质量检测过程中，通过对印花图像的有效分割和判别，精确定位出织物印花的瑕疵区域，将是提升纺织品印花技术的有效途径。

针对织物印花图像的分割，传统的很多方法是基于灰度信息聚类的或者是基于边缘信息提取的。如利用Sobel、Laplacian、Canny等算子进行边缘检测的分割算法[1]，但由于织物印花图像具有较多的纹理信息，如果仅仅采用基于边缘提取的方法来分割图像，会出现伪边缘，从而影响分割效果[2]。还有一些利用贝叶斯决策[3]和半监督聚类[4]的算法来分割织物图像，也是仅限于对灰度图像的处理。目前，K-mean算法[5]和Mean-shifts[6]算法是对图像的颜色信息进行聚类，然而，如果仅仅采用聚类的算法，只利用图像本身的灰度信息或者颜色信息，而不考虑像素的空间关系，也很难取得较为准确的分割结果。近年来，例如JSEG分割算法[7]是既考虑颜色信息又考虑像素间的空间关系，基于多尺度Markov随机场分割算法[8]充分考虑了像素点之间的空间关系，克服了传统的聚类算法将所有的像素点当成孤立数据来处理的问题。目前，这些算法在织物图像分割上也都取得了比较好的研究结果。

在图像表征过程中，颜色是一个很重要的描述算子，有利于简化图像的分割和目标的提取；同样，纹理也是一个很重要的描述算子。本文提出了一种新的用于织物印花的图像分割算法，该方法融合了织物图像的颜色和纹理特征。首先，通过图像的颜色特征实现各区域的初始划分，在初始划分的基础上，利用纹理特征融合干扰区域，实现图像的准确分割。这种先初始划分再进一步精细划分的算法保证了印花分割过程的准确性要求。

1 基于区域增长算法的初始分割

区域增长算法[9](seeded region growing)是由Adam 和 Bischof提出的，其基本思想是：在图像中寻找相似像素点的最大连通集合，首先指定生长的种子点，然后在一定的相似性准则下，将种子点邻域的像素合并到种子点区域内，直到没有像素可被合并为止。区域增长的算法充分考虑了像素的空间特性，区域增长算法的关键在于种子点的选取和相似性准则的确定。

1.1 自动种子点的选取

图1 (X0,Y0)的窗口Fig.1 Window of (X0,Y0)

如果利用传统区域增长的算法对图像进行分割时，需要根据先验知识进行人工种子点的选取。然而，针对实际的织物印花图像的分割，印花区域的个数是不同的，种子点的个数也相应是不确定的，因此，人工种子点的选取方式无法实现整幅图像的全局分割。本文采用一种基于自动种子点选取的区域生长算法[10]，具体实现步骤为：1)首先对图像进行逐行扫描，找到尚未标记的像素点(X0,Y0)；2)以该像素点(X0,Y0)为起始点，找到其8像素×8像素窗口像素点，如图1所示；3)对该像素点8像素×8像素的窗口进行遍历，如果有一个像素点被标记了，则返回第1步；否则，继续；4)对该8像素×8像素窗口的所有像素提取颜色特征值，分别与像素点(X0,Y0)的颜色特征值进行比较，如果差值大于预先设定的阈值，则返回了第1步；否则，继续；5)将像素点(X0,Y0)确定为种子点进行生长。1.2 对未赋值点的操作

本文研究采用种子点自动选取的方法对织物图像进行区域生长时，图像中存在一些像素点没有找到其归属的区域，这些点被称之为未赋值点。如果不对这些未赋值点进行处理，将会影响后续基于纹理特征的区域融合过程，接着将采用以下步骤对未赋值点进行操作：1)遍历图像，找到尚未赋值的像素点(X0,Y0)；2)从像素点(X0,Y0)的4邻域开始查询，直至找到已被赋值的像素点，分别计算该赋值像素点的4邻域像素点与其颜色差值dU、dD、dL、dR，找到其中的最小值，从而找出该最小值对应的像素点；3)获得该像素点的颜色特征值并赋值给像素点X0,Y0。

2 融合纹理特征的精细分割

图像的颜色特征和纹理特征是图像重要的特征信息。仅仅采用颜色信息对图像进行初始分割后，具有一定的局限性，可能造成印花区域的过分割，从而影响了印花区域的完整性，本文研究将这些过分割区域称为干扰区域。为提高目标区域分割的准确性，在完成织物印花图像初始分割的基础上，对干扰区域进行二维小波变换，提取纹理特征并将干扰区域和其邻域区域进行融合，消除干扰区域的影响，提高了图像分割的精度。

2.1 小波变换提取干扰区域纹理特征

织物的印花图像信息既包括整体信息又包括局部信息。针对织物印花图像的特点，基于小波变换理论对织物印花图像进行了一层小波分解。小波变换是一种空间多分辨率的分析方法，利用小波变换可将图像信息分解为低频信息部分和高频信息部分。同时，小波理论本身也能够保证图像信息在分解和重构的过程中没有损失和冗余的产生[11]。

对织物印花图像进行二维的一层小波分解，可通过小波基的选择，经过小波的一级分解，将织物图像分为1个低频子带图像ILL和3个高频子带图像(ILH、IHL和IHH)。f(x,y) 表示原图像，HLL、HLH、HHL和HHH分别表示低频、水平方向、垂直方向和对角线方向滤波器。其中，低频子带图像代表了图像的整体信息，高频子带图像代表了图像的细节信息，如图2所示。

图2 离散小波变换的一层分解Fig.2 A layer of discrete wavelet decomposition

在初始分割的基础上，将织物印花图像转化成灰度图像，对干扰区域进行二维小波变换，得到4个变换子带，分别是LL，LH，HL，HH。分别提取4个子带的能量特征E，如下式所示，分别计算得到LL、LH、HL和HH子带的能量特征值：

式中：W和H分别为干扰区域的宽度和高度；P为干扰区域小波变换后的子带图像。

2.2 干扰区域的融合

利用上述公式得到干扰区域的4个子带的局部能量特征，其中：ELL是图像干扰区域块的低频特征，代表了图像的整体结构的图像特征；ELH、EHL和EHH反映了图像的水平、垂直和对角方向的局部特征。计算干扰区域和其相邻区域的局部能量值，如果2个值接近，则可融合干扰区域与其相邻区域。融合的准则是：根据预先给定的阈值进行判别，大于该阈值时，该干扰区域是由于过分割造成的，需要进行进一步的区域融合；小于该阈值时，则该干扰区域需要保留。

3 实验及分析

3.1 算法流程图

对采集到的织物印花图像，首先采用区域增长的算法对印花图像进行初始分割，接着对未被赋值的点进行赋值操作；在初始分割的基础上，提取干扰区域，对干扰区域进行小波变换，提取纹理特征，融合干扰区域，最终得到较为准确的印花图像分割结果。具体实现的流程如图3所示。

图3 印花图像分割的流程图Fig.3 Flow chart of print image segmentation

3.2 图像分割实验结果

图4、5示出采集到的2幅织物印花的图像样本，样本图像的分辨率为256像素×256像素，作为彩色图像分割算法的测试图像。可看出，2幅印花图像样本的纬纱和经纱在同一个区域交织有规律的沉浮，形成了织物图像的纹理特征。织物图像的纹理特征使得织物表面的反光强度不同，导致采集到的织物印花图像不可避免地带有暗、亮突变的纹理噪声。本文研究首先采用基于颜色特征的区域增长算法对印花图像进行初始分割，接着采用纹理特征对干扰区域进行融合处理，从而完善织物印花图像的分割结果。

图4 印花样本Ⅰ分割结果Fig.4 Segmentation result of print sampleⅠ

图5 印花样本Ⅱ分割结果Fig.5 Segmentation result of print sampleⅡ

图4中颜色阈值TR=40,TG=40,TB=50，融合阈值T=15 000，最大干扰面积A=1 000。可看出，如果仅采用颜色特征对图像进行分割，图4第2、3幅图受到织物纹理噪声的影响，产生很多虚假的边缘和干扰区域，图4中最后一幅图在初始分割的基础上，提取纹理特征，融合干扰区域，准确地分割出了印花图像。

图5为红色印花图像的分割结果，其中，颜色阈值TR=40，TG=40，TB=50，融合阈值T=10 000，最大干扰面积A=1 000。可看出，印花图像样本Ⅱ的花纹比较复杂，很多细节部分需要设置较小的最大干扰面积，以保证在干扰区域融合时有效信息不被消除掉。该组颜色阈值很好地提取了花纹图案和背景，但是在干扰区域融合时还是丢失了部分有效信息。

从上述结果可看出，本文研究所提出的基于颜色特征和纹理特征对印花图像进行分割时,可较好地划分图像的花纹和背景，由于印花图像的花纹较为复杂，细节信息较多，相应的干扰区域也较多，在最后进行干扰区域融合时一些有效信息会丢失，但大的花纹图案能够较好地被提取出来。总体来说，该算法对印花图案的分割效果比较好。

4 结 论

由于织物印花图像的纹理特征较为明显，在图像RGB颜色空间，采用纹理特征和颜色特征融合的方法，分割出织物图像的印花。在此分割方法中，首先利用颜色特征实现对图像中各区域的初始划分，再融合纹理特征进行精细分割。该分割算法解决了种子点的选取、未赋值点的处理、干扰区域的提取和融合等关键性问题。通过实验，证明了本文提出的算法对纹理较为明显的印花织物图像有着较好的分割结果，但对于套色更为复杂的印花织物图像，所提出的分割算法相对失真较多，需要进一步的改进。

FZXB

[ 1] MALIK J, BELONGIE F, LEUGN T, et al. Contour and texture analysis for image segmentation[J]. International Journal of Computer Vision, 2001,43(1):7-27.

[ 2] LEE H C, COK D R. Detecting boundaries in vector field[J]. IEEE Transaction On Signal Processing, 1991, 39(5):1881-1194.

[ 3] 包晓敏,汪亚明. 基于最小风险贝叶斯决策的织物图像分割[J]. 纺织学报,2006,27(2):33-36. BAO Xiaomin, WANG Yaming. Image segmentation based on the minimum risk bayes decision[J]. Journal of Textile Research,2006,27(2):33-36.

[ 4] 包晓敏, 彭霄.基于贝叶斯决策及半监督聚类的织物图像分割[J].纺织学报,2010,31(2):30-34. BAO Xiaomin, PENG Xiao. Textile image segmentation based on semi-supervised clustering and Bayes decision[J]. Journal of Textile Research,2010,31(2):30-34.

[ 5] 李鹏飞,张宏伟.基于k-means聚类的纺织品印花图像区域分割[J].西安工程大学学报,2008,22(5):551-554. LI Pengfei, ZHANG Hongwei. Research on segmenting color regions in textile printing image based on K-means clustering [J]. Journal of Xi′an Polytechnic University,2008,22(5):551-554.

[ 6] 诸葛振荣,徐敏,刘洋飞. 基于Mean Shift的织物图像分割算法[J].纺织学报,2007,28(10):108-116. ZHUGE Zhenrong, XU Min, LIU Yangfei. Fabric image segmentation algorithm based on Mean Shift[J]. Journal of Textile Research,2007,28(10):108-116.

[ 7] 李鹏飞,王刚.基于JSEG算法的纺织品印花图像分割[J].纺织学报,2010,31(5):137-140. LI Pengfei, WANG Gang. Segmenting color region of textile printing pattern image based on algorithm of JSEG [J].Journal of Textile Research, 2010,31(5):137-140.

[ 8] 景军锋,李阳,李鹏飞,等. 基于小波域多尺度Markov对随机场的织物印花图案分割[J].纺织学报,2014,35(1):127-133. JING Junfeng, LI Yang, LI Pengfei, et al. Textile printing pattern image segmentation based on multiscale Markov random field model in model in wavelet domain[J]. Journal of Textile Research, 2014,35(1):127-133.

[ 9] ADAMS R, BISCHOF L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6):641-647.

[10] 方浩,仇丽英,卢嘉鹏.基于区域过划分和再融合的全副视觉图像分割[J].北京理工大学学报,2009,29(9):799-810. FANG Hao, QIU Liying,LU Jiapeng. Segmentation of full vision images based on region over-segmentation and merging[J]. Transactions of Beijing Institute of Technology, 2009,29(9):799-810.

[11] 王振华,陈杰,窦丽华.基于空域多分辨率分析的小波变换图像分割方法[J].模式识别与人工智能,2008,21(6):193-198. WANG Zhenhua, CHEN Jie, DOU Lihua. Image Segmentation with wavelet Transform based on spatial multi-resolution analysis[J].Pattern Recognition and Artificial Intelligence, 2008,21(6):193-198.

Fabric image segmentation based on multi-feature fusion

CAO Li1, HU Xudong2

(1.CollegeofElectronicsandInformatics,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China; 2.CollegeofMechanicalEngineeringandAutomation,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China)

In order to improve the accuracy of fabric printing patterns, the paper studies an effective method based on the multi-feature fusion for printed fabric image segmentation. In the process of segmentation, an automatic seeded region growing algorithm combined with the color features are used to segment the image firstly. Due to the influence of disturbances, some printed regions may be lost by over segmentation in the image. After the initial segmentation, in order to improve the accuracy of segmentation, wavelet-based texture features are employed to retrieve the lost regions. The experimental results show that the proposed algorithm has good effect on the segmentation of printed fabric image, especially for the printed image having more textures and can eliminate the segmentation distortion caused by only using color feature or texture feature. Therefore, this algorithm has comparatively high practical value.

color feature; texture feature; printed fabric; image segmentation

10.13475/j.fzxb.20150902505

2015-09-11

2016-04-19

曹丽(1979—)，女，讲师，博士。主要研究方向图像处理和纺织印染自动化。E-mail：mycharli@163.com。

TP 391

A