基于同态滤波的彩色织物起毛起球等级评定

黄媛媛,董康乐

(西安工程大学,陕西 西安 710048)

织物起毛起球是指织物在穿着和洗涤过程中,由于反复摩擦产生毛球颗粒的现象,其不仅会影响织物外观,还会降低织物舒适性[1]。随着生活质量的提高,人们对纺织产品的质量要求也越来越高,起毛起球问题也越来越受到重视,起毛起球等级评定成为实际的生产及贸易中对纺织品检测和评估的重要指标。

目前,使用图像处理技术实现织物起毛起球等级评定的方法主要分为二维图像和三维图像两大方向。在针对彩色织物的起毛起球等级评定研究中,国内外有很多学者直接在空间域和频率域提取彩色织物的毛球,实现起毛起球等级评定,但这些方法普遍性较差,对复杂花型的彩色织物效果有限。

刘晓军[2]使用边缘流检测图像分割法同时检测灰度图像和彩色图像,分别检测起球织物的色彩、纹理和相位,将它们连接起来,利用Gabor滤波器的特征处理图像得到分割后的毛球图像,但此方法对花型复杂的彩色织物不能完全适应。Jin Junfeng[3]采用种子区域生长法(SRG)分割彩色织物,使用相对欧式距离和离散余弦变换(DCT)来描述织物色彩和纹理,从而进行种子点选择、区域生长和区域合并。同年,Jin Junfeng[4]尝试采用Meanshift方法分割织物毛球,该算法复杂度较高。三维激光扫描图像的检测方法[5-6]主要是使用三维激光扫描和双目视觉系统获取目标的三维点云。然而三维激光扫描仪价格昂贵、效率低下;双目视觉系统需要根据目标搭建合适的硬件和匹配算法,操作和使用过程复杂。

针对以往研究中存在的问题,提出了在亮度空间对彩色织物图像使用高斯同态滤波器强化毛球特征,减少织物颜色和花型对毛球提取的影响,使用轮廓的一阶矩区分织物纹理和毛球,提取毛球特征并完成等级评定,评定结果与专业等级评定人员的结果进行比较。

1 彩色织物毛球提取方法

针对彩色织物的起毛起球等级评定进行了研究。对原始彩色图像的亮度通道采用高斯同态滤波滤除颜色和花纹边缘,突出毛球特征,使用轮廓的一阶矩区分毛球与织物纹理,有效提取毛球特征,最后使用毛球个数、毛球面积及毛球密度分布作为评定指标,实现等级评定。处理流程框图如图1所示。

图1 彩色织物起毛起球等级评定框架图

1.1 毛球强化

毛球增强是毛球特征提取及分级的前提和难点。由于彩色织物存在颜色、花型、边缘等多种特征,使用图像的颜色特征无法完成毛球与背景的分离。在毛球分离上,传统的空间域或频域操作无法在织物花纹中直接提取毛球。

在Retinex光照模型[7]的基础上,使用高斯同态滤波,构造合适的滤波函数,在原始图像的光照分量上强化毛球特征,滤除颜色、花纹边缘等的影响,减少颜色交叉处及边缘的干扰。

在Retinex光照模型中,图像的动态范围主要受入射光的影响,而图像的本质属性主要由反射光决定。表示为公式(1):

其中L(x,y)∈(0,∞),R(x,y)∈(0,1)。光照L(x,y)是成像的外部因素,通常表现图像中变化缓慢的特征,反射图像R(x,y)是图像的本质属性,表现为图像中突变的特征,如边缘、轮廓等,是图像处理中需要获得的特征。

对起毛起球织物图像分析可以看出,由于毛球相对织物纹理较模糊,灰度级的范围较低,即模糊的毛球灰度不存在清晰的细节和层次,而织物自身的纹理灰度动态范围较大。此时若要从织物纹理中直接进行毛球强化,采用一般线性变换难以实现[8]。同态滤波处理是将频域处理和空间域处理相结合的一种处理方法,能提高毛球对比度并压缩亮度范围,使模糊的毛球灰度级扩展,从而达到增强毛球的目的,实现毛球等级的分级。

通过构造高斯同态滤波器函数

式中γH为高频增益,γL为低频增益,取γH>1,以增强高频分量,γL<1以削弱低频;常量c用于对滤波器倾斜锐化程度的调节。

滤波器H(u,v)的选择是毛球增强效果好坏的关键所在。图2为H的切面图,实际二维图像的滤波函数为该剖面图沿H轴旋转360°得到。其中γL、γH分别为低频和高频增益,D为(u,v)点的值。当γL<1,γH>1时,可实现削弱低频部分增强高频分量的目的。

图2 同态滤波器函数波形图

1.2 毛球分割

在经过强化的图像中,毛球被有效强化,但要提取毛球,仍要通过一些滤波操作来滤除织物纹理的干扰。

试验表明,被强化后的毛球图像中,毛球部位灰度值更大且与纹理相比区域较大。因此,在滤波器设计中,使用最小值滤波的方法,该方法能将孤立的亮点干扰有效滤除,而由于毛球部分整体灰度小但连续区域相比干扰点大,因而会被有效保留。最小值滤波具体表达式为公式(3):

其中t为表示邻域窗口大小的参数,通常可以取为1或2。

对滤波处理后的图像使用二值化操作,毛球特征可以被有效凸显,但图像上仍存在大量的白色噪点或背景干扰。与毛球相比,这些噪点或背景的白色区域轮廓表现得更有规律,其形状特征与毛球形状特征区别较大,而且这些噪点个数更多。在此使用对轮廓的形状描述来区分毛球与织物纹理。

轮廓的矩可以有效描述轮廓形状。对于图像f(x,y),其(j+k)阶矩定义为:

归一化中心矩为:

归一化中心矩具有旋转、平移、缩放、镜像等不变的特性[9],可以用来描述物体形状。

计算二值化图像中每个轮廓的一阶归一化中心矩,以此区分毛球和背景干扰。

在试验中,由于噪点和背景亮点在数量上比毛球多很多,因此,对所有轮廓的一阶矩取平均值,并在平均值的基础上,增加50%的偏移量,以此作为判断标准。使用平均值的目的是获得所有轮廓中大多数形状的一阶矩,也就是可以表征噪点和背景的一阶矩值,试验表明在此基础上增加50%的数值偏移,可以保证将噪点和背景干扰去除的同时,保留大多数毛球的轮廓。结果如图3所示。

图3 使用形状特征筛选后的毛球图像

1.3 毛球特征提取和分级

在毛球特征提取过程中,使用了毛球个数、毛球总面积和毛球密度分布作为等级评定指标。

1.3.1 毛球个数

二值化图像中的白色轮廓代表毛球所在位置及大小,以该轮廓的个数作为毛球个数,由于起毛起球程度越严重,毛球个数越多,对应的白色轮廓也越多,因此,轮廓个数可以表征起毛起球的严重程度。

1.3.2 毛球总面积

毛球面积是指毛球二值图像中白色像素点的个数。由于图像采集的硬件系统中,使用的相机、镜头及物距均不因样本的差异而调整,故白色像素个数与实际样本中毛球的面积成正比。因而使用白色像素点的个数来表征起毛起球的程度,区分不同等级,实现等级评定。

1.3.3 毛球密度分布

在人眼视觉中,密度分布表现为目标在图像中分布的均匀程度,即目标中心点的分布。在毛球的分布中,不同等级样本的毛球分布均匀程度与毛球的等级存在一定的关系[10]。其中密度分布计算方法如下:

(1)在图像区域内随机选取N个点,记Pi(i∈N);

(2)寻找与这些点最近的毛球中心Oi,记各自的距离Ri;

(3)以Oi为中心,寻找距离其最近的另一个毛球中心并计算距离,记做Xi;

(4)用公式(6)计算N个点的密度分布。

2 结果和分析

本试验中采用的计算机配置为Intel Core i5-9700M 2.5 GHz CPU,12 GB内存,NVIDIA GeForce GT 70显卡,Windows10操作系统的电脑。

2.1 截止频率设置

在修正的高斯滤波核中,截止频率是区分背景与毛球的关键参数之一。试验表明,当参数D0增大时,滤波器的低频成分逐渐减少,背景被滤除得越严重,保留下的毛球数量也在减少。选择合适的D0值,才能保证只保留毛球,而尽可能滤除背景的影响。在试验中,通过多种典型样本图像实验表明,D0=10时,能满足对毛球强化的要求。

2.2 滤波器选择

从毛球强化后的图像可以看出,毛球的视觉效果表现为较亮的区域,而背景较暗,但是背景中的纹理也会出现细小的亮点区域。相比较,毛球会表现出以下两种特征:亮度上更亮或亮度上不足够亮但亮点的区域较大。

数字图像滤波器可以实现滤除特定噪音的功能,非线性滤波可以有效保留图像中亮度较高的区域。使用最小值滤波进行滤波处理后,毛球可以被有效保留,且不会对毛球产生模糊的效果。理论上也可以说明,最小值滤波是将区域内(本研究中使用3×3大小)像素的最小值作为该区域的值。图像分析可以看出,若亮点的区域是毛球则其中心较亮,其周围也存在一定区域不够亮但非0的区域,该区域中所有孤立点经过滤波后,仍为该区域的灰度值;而亮度不足够大,且区域足够大的毛球分布区,也满足经过最小值滤波后,该区域面积仍然满足较大的这一特征。但对于背景纹理,虽然有些点亮度很大,但是经最小值滤波后,该3×3区域的像素值被处理成最小值0(即周围的0值),这些纹理被去除掉了。最小值滤波效果如图4所示。

图4 不同截止频率D0时的毛球强化效果图

由于自动阈值的诸多不适应性,使用固定阈值做二值化,针对几种典型彩色织物使用固定阈值二值化操作,经试验验证固定阈值设置为15时,可以准确获得只含有毛球的二值图像。试验结果见表1。

表1 五种典型样本的毛球提取效果图

为了验证本文彩色织物起毛起球等级评定方法的有效性和准确性,使用YG502N 型圆轨迹起毛起球仪对5种典型织物进行磨取,共获得1-5级起毛起球织物样本6 169 幅。分别为SC1 类1 347幅、SC2 类1 496 幅、SC3 类1 442 幅、CC1 类997 幅、CC2 类887幅,每类均包含由人工确定的1-5级不同等级。对1-5级的织物图像,经过毛球强化和提取后,可以准确得到仅含毛球的二值化图像,见表2。

表2 CC1、SC1类织物1-5级起毛起球图像算法提取毛球效果

在此基础上,以毛球面积、毛球个数和毛球密度分布作为评定指标。针对SC1中1-5级样本数据,使用毛球个数、毛球面积和毛球密度分布三个评定指标的试验结果如图5所示,数据表明:第一,对同一级的样本,其毛球面积、毛球个数和毛球密度分布三个指标呈现一致的变化趋势;第二,不同级的样本,在相同指标上表现出明显的区分。因此三个指标可作为分级的标准。

图5 SC1样本不同等级的毛球个数、毛球面积、毛球密度分布

使用不同级之间指标的平均值,做等比例插值,计算不同级之间的等级划分阈值,以表3参数作为典型分级阈值数据,在五类样本中随机选取40 幅样本图像,经算法分级,结果如图6所示。

图6 五类样本的算法分级与人工分级对照

表3 典型分级参数

对五种样本的算法分级结果见表4,由表4可见,整体分级结果与人工分级一致性较好,综合正检率为91.6%,满足实际分级检验需求。从不同样本种类可以看出,简单纹理样本SC1、SC2、SC3 样本的正检率(94.0%、92.0%、92.5%)整体优于复杂纹理样本CC1、CC2(90.0%、89.5%)的效果;1 级、2 级、3 级(96.0%、94.5%、90%)的效果优于4 级、5 级(89%、88.5%)。

表4 五类样本的算法分级与人工分级结果对照

导致以上结果的原因主要有以下五方面:(1)复杂花型纹理的样本,其纹理边缘因颜色突变和起伏会存在一定的误检,相比较而言简单花纹织物(CC1和CC2类)效果更好;(2)级数高的样本(如4级、5级),毛球面积和个数较少,不同级之间的区分较小,固定参数情况下,更容易误判;(3)毛球个数减少时,毛球密度分布也不再呈现明显的规律性,故密度分布指标区分也不明显;(4)第5级中毛球个数本身数量少,甚至没有毛球,因此,极小的干扰更容易引起误判;(5)实际的人工分级中,同样存在4级和5级的区分误差。

与专业分级人员确认,在实际的人工分级中也会存在此类情况,以上结果均与实际人工分级情况相符。

3 结语

针对彩色织物图像,在亮度通道上使用高斯同态滤波器,将毛球和织物背景有效分离,有效突出毛球。使用最小值滤波和二值化操作获得毛球的二值图像,根据图像中轮廓的一阶矩特征区分毛球与织物纹理,提取毛球图像。以毛球个数、毛球面积及毛球密度分布作为评定指标,有效实现彩色织物的起毛起球等级评定,综合分级准确率为91.6%。