基于多特征融合的织物印花图像分割

针对织物印花检测精度的问题,采用结合颜色特征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,从而为提高织物印花的检测精度奠定了基础。在织物印花的分割过程中,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,在初始分割的基础上,利用小波变换提取干扰区域的纹理特征,从而可以进一步地消除干扰区域,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,提高了分割的质量,具有较好的应用价值。     

基于最大稳定极值区域的织物图案检索

针对织物扫描图像的特点,提出了一种通过图像最大稳定极值区域的加速稳健特征(SURF)检索织物图案的方法。首先用结构提取算法去除织物扫描图像的纹理,保留图案信息;其次通过最大稳定极值区域法检测织物图像,提取图案各区域的SURF特征,建立织物图像特征库;再将织物检索图像与特征库内的图像进行相似性度量,得到相似图案的织物图像。实验结果表明,提出的算法能够较准确地检索织物图案。     

基于Adaboost多特征融合的织物扫描图案识别

针对织物扫描图像中纱线纹理等的存在造成难以提取有效图案特征的问题,提出了一种基于多特征融合的图案识别方法。首先通过纹理抑制平滑滤波算法滤除织物扫描图像的纱线纹理,并进行灰度化;然后分别提取灰度图像的边缘方向直方图、最大稳定极值区域的SURF特征和灰度共生矩阵特征,建立样本图像特征库;最后以样本图像特征库特征为训练对象,通过Adaboost算法融合3类特征建立分类器,实现图案识别。实验结果表明,基于Adaboost的多特征融合织物扫描图案识别算法比单特征识别算法有较高的准确率。     

基于纹理抑制平滑滤波的织物图案识别

针对织物图案特征提取效率低的问题,提出以纹理抑制平滑滤波算法与Adaboost算法为基础的织物图案识别法。首先对织物扫描图案的纱线纹理进行滤除;灰度化后再分别对图像的3个特征进行提取,最终构建图像特征库,以此作为训练对象,采用Adaboost算法进行实验。结果显示,以纹理抑制平滑滤波算法为基础的识别法能够提高图案识别率。     

基于纹理滤波和颜色聚类的提花织物纹样自动提取方法

为了提高提花织物纹样提取的准确性,消除织物组织结构对提取结果的干扰,文章提出了一种基于纹理消除滤波算法和密度峰聚类算法的纹样提取方法。通过统计图片区域梯度信息分离提花织物组织纹理区域和图案边缘结构,并利用非极大值抑制获得纹样边缘结构作为滚动引导滤波器的引导图,经过多次迭代计算实现织物纹理滤波。然后将图片从RGB颜色空间转换为CIELab颜色空间,利用密度峰聚类算法对织物色彩空间分割聚类,最终提取出织物纹样。实验结果表明,文章提出的方法快速准确地实现了提花织物纹样的自动分割与提取。     

传统服饰云肩实物图像主色的智能检测

为解决获取传统服饰实物图像色彩耗时且缺乏准确性问题,以传统服饰的云肩为例,借助均值漂移（Mean-shift）聚类法,提出了一种检测传统服饰实物图像颜色的方法。运用单反数码相机进行实物图像采集;对所得初始图像的R、G、B3个颜色通道进行去噪处理;再将图像RGB颜色空间的特征向量转换至CIE L*a*b*颜色空间中,利用大津法阈值原理（自适应阈值算法）分割被测图像中云肩实物与背景;最后采用Mean-shift聚类算法,将被测图像的颜色像素分割为若干有效的集群,同时从这些集群中提取云肩主要色彩。实验结果表明,该算法可较为准确地从云肩图像中提取主色,且当Mean-shift聚类算法的带宽被设定为0.05时,分类颜色结果更为准确。     

基于双树复小波的经编贾卡织物花纹提取

为了快速高效地将经编贾卡织物花纹图案自动提取出来,提高花纹设计效率,提出了一种将双树复小波变换和能量矩阵相结合进行织物纹理特征的提取方法。选用颜色和纹理特征构成特征向量数据集,在此基础上,采用高斯混合模型(GMM)对贾卡经编织物花纹图案进行聚类分析,采用EM算法进行参数估计,从而获得每个高斯模型参数,对每个特征向量在不同高斯分布下的概率进行排序,根据后验概率排序大小对图像进行标注,从而提取图案。验证试验结果表明:该方法能有效地将完整的花纹提取出来,准确度高、速度快,具有一定的实用价值。     

基于小波变换的贾卡经编织物多区域自动识别

为简化贾卡经编织物贾卡组织区域的设计过程,针对贾卡经编织物多个区域的纹理特点,特别是网孔区域分类困难的情况,提出一种先通过中值滤波去除原图像噪声,再利用小波变换方法提取织物不同区域纹理特征,然后在已知分类数目的情况下,利用K均值聚类方法对所提取特征进行分割的区域自动识别方法.实验结果表明,该方法具有良好的识别效果,可以...     

基于边缘和颜色特征的织物印花花型检索

针对织物印花花型同型不同色和同形异构的特点,提出了一种综合花型边缘和颜色特征的图像检索算法。首先利用中值滤波对花型图像进行滤波去噪,并采用Canny算子获取花型边缘;以边缘像素坐标加权中心点为圆心,将各边缘点划分到若干等距环面内,提取花型边缘距离直方图,并在对边缘像素点直线拟合基础上,提取边缘方向直方图;然后在HSV空间内对彩色边缘进行颜色量化,提取各颜色分量构成颜色直方图;最后对3种特征分别进行相似性度量,并赋予三者不同权重予以结合,获得图像间相似度。结果表明,该算法具有平移、缩放、旋转不变性,并能兼顾边缘特征和颜色特征对检索结果的影响,准确区分同型不同色和同形异构的花型图案,该算法平均查准率可达93.17%。     

应用区域颜色分割的机采棉杂质检测方法

机采棉中的杂质繁杂,而杂质类型及含量对后期棉花加工工艺的影响很大。为此,提出一种应用区域颜色分割方法以检测棉花中的杂质。在图像分割中,先对滤波后的机采棉图像进行彩色梯度运算,通过扩展极小变换运算获得标记图像,在修改后的梯度图像上运用分水岭算法获得初始分割图像,然后对初始分割图像进行区域合并。区域合并过程中要综合考虑空间邻接性、颜色信息和区域面积3个因素。颜色信息主要采用饱和度、亮度、区域颜色向量模及颜色相似度4 个特征量。用层次递进的合并方法,迭代过程更新信息特征。最后通过支持向量机算法提取颜色、纹理、形状特征对杂质区域进行识别。结果表明,所提方法对机采棉中天然杂质的平均识别率为94%。     

基于平滑滤波和分水岭算法的重组织织物图像分割

针对带有重组织的织物图像特点,提出了一种根据纱线颜色进行图像分割的方法。首先将织物图像转化为Lab颜色模式,采用混合中值滤波算法滤除扫描噪声;其次通过设置色差容许值改变高斯权值的平滑滤波算法进行滤波,去除织物图像中的重组织阴影和同颜色纱线纹理,保留纱线颜色特征;然后提取织物图像的色差梯度,通过分水岭算法进行图像分割,获得区域标记图像;最后将颜色相近的分割区域进行合并,得到织物图像的分色索引图像。实验结果表明,提出的算法可以对重织物图像进行较为准确地分割。     

基于颜色特征的筒纱分拣机器人识别定位方法

针对筒纱分拣机器人作业目标的表面纹理复杂、位置随机摆放等干扰因素的问题,课题组提出了基于颜色特征的筒纱识别定位方法。构建了具有视觉感知的4自由度DOBOT筒纱分拣机器人系统,通过视觉系统获取筒纱多目标的图像,采用对图像进行预处理的算法来提高分拣目标的对比度;将作业目标由RGB空间转换到HSV颜色空间,提取各分量的颜色特征,采用区域生长法对不同颜色的多目标区域进行提取;建立基于图像信息的形心坐标,对各目标区域的连通域进行定位。实验结果表明:该方法能够实现对不同颜色的作业目标的识别与定位,并在分拣机器人的手眼标定的基础上,实现了对不同颜色的作业目标进行分拣。     

基于改进L_0梯度的织物沾水区域提取

针对目前织物沾水等级评定方法不能有效消除噪声干扰和减弱光照不匀影响,提出L0梯度最小化和拉普拉斯特征映射相结合的方法解决上述问题。根据织物沾水图像的边缘信息,对图像中的像素值沿x、y方向求导,利用非零梯度个数约束整体平滑程度,并保持边缘不被平滑;然后把图像转化为CIELAB模式消除光照影响,计算邻域内颜色相似度;根据拉普拉斯特征映射理论计算其广义特征向量,组成颜色平缓过渡的图像,并使用模糊聚类算法对去噪后图像进行聚类分割。实验结果表明,该方法能够有效实现织物沾水图像的去噪处理,得到正确分割的织物沾水区域。     

明代织物纹样的智能提取——以斗牛袍为例

为解决人工提取明代织物纹样色彩存在难度大、准确性差、直接采样难的问题,文章以明代赐服斗牛袍为例,探讨一种新的纹样提取手段。首先,利用高分辨率数码相机采集斗牛袍织物纹样;然后将RGB颜色空间的数字图像转换至CIELab颜色空间,用中值滤波法对彩色图像进行平滑处理;再用K-means聚类算法对图像中的色彩进行聚类,以实现不同色彩纹样的分割;最后利用CalinskiHarabasz指标对聚类有效性进行判断,获取最佳聚类数。实验结果表明,此方法可以实现纹样色彩的聚类分割与智能提取,为研究珍贵古代织物纹样提供有效途径。     

应用聚类统计分析的棉花异纤图形检测算法

在棉纺企业原棉异性纤维剔除工艺过程中,异性纤维种类及特征多样,难以构造统一的识别模型,为此,提出了一种基于聚类统计分析的棉花异性纤维图形检测算法。通过获取原棉纤维及异性纤维在RGB颜色模型空间的各分量值,进行数值聚类统计分析,采用RGB彩色图像阈值聚类统计分类的方法将获取的图片信息分为3类,进而判断有无异性纤维,再经过形态学等预处理修缮图像,对棉花中异性纤维的特征进行提取,较准确地得到异性纤维的面积、质心坐标和周长等参数,为异性纤维的清除提供条件。实验结果表明,该算法能较准确地识别异性纤维。     

基于色彩聚类的皮影服饰纹样分割

为实现皮影服饰图案的自动提取,以唐山皮影头茬图像为例,分析了皮影服饰的色彩构成及图案特点,探讨了一种基于色彩聚类的皮影图案识别方法。通过相对总变差模型对皮影图像进行了噪声平滑处理;将处理后的数字图像由RGB颜色空间转换至CIE L~*a~*b~*颜色空间,提取空间中的a、b两个色彩分量;利用K-means聚类算法对皮影图像色彩进行聚类分析,最终实现皮影色彩纹样的最佳分割。结果表明,笔者设计的算法可有效实现对于皮影这类色相分明、细节丰富且主色统一的彩色图像的分割。     

服饰刺绣图案的自动提取与色块分割

为避免人工视觉方法完成刺绣图案花纹提取过程中存在的耗时费力、主观性强等缺陷,结合传统服饰织物,采用图像分析方法实现刺绣图案的自动提取,并进行色值分析。首先采用数码相机实现刺绣织物类图案的采集;接着利用平滑滤波滤除图像中的噪声信号,并将图像从RGB颜色空间转换到Lab颜色空间;然后利用K-Means聚类分析方法对a,b分量进行聚类分析;最后根据聚类分析结果获得准确的图案及色彩信息。研究结果表明:图像处理方法可以实现刺绣图案的自动分割,这种自动化图案分割对一般刺绣图案的自动提取均能使用,这为服饰图案的审美研究提供了全新的样本整理途径。     

采用纹理平滑的印花织物图案轮廓提取

为丰富印花产品的种类,提出了一种可有效提取出印花织物中图案轮廓的方法,可提取出高精度的印花图案边缘轮廓。首先对图像进行平滑,通过控制平滑程度参数和空间尺度参数,平滑掉织物图像中的纹理结构。再用Canny边缘检测算子检测图案边缘,Canny分割的判别阈值采用默认自动选择阈值就能成功提取织物上图案的轮廓,分割后的图像轮廓清晰,边缘连续,并且能分割出印花织物图像中的细小结构。通过实验证明,在RGB颜色空间对图像平滑和边缘提取的效果要优于其他颜色空间,比较了其他边缘检测算子分割印花织物图案的效果,结果证明Canny算子分割效果最好。     

基于改进神经网络算法的蔬菜图像识别

文章提出了改进神经网络算法,建立了径向基函数神经网络模型,包括梯度下降方法求解权重参数,增大邻域半径的均值聚类方法求取隐函数中心值,利用相邻聚类中心获得核宽度,通过量子遗传算法删除冗余权重和神经元;提取了蔬菜图像的特征,并给出了算法流程。仿真试验表明,试验算法对蔬菜图像的形状特征平均识别率为97.56%,纹理特征平均识别率为95.60%,颜色特征平均识别率为93.25%,训练时间平均为5.83s、识别时间平均为2.18s,优于其他算法。     

基于动态聚类的织物疵点识别算法

首先对织物图像进行高斯模板平滑预处理,然后提取正常织物图像小幅窗口的行列(对应织物中经纬向)灰度均值,再利用K均值聚类算法提取织物图像中纱线条干的灰度聚类中心和纱线空隙部分的灰度聚类中心,计算出正常织物图像行列灰度均值与其灰度聚类中心的波动范围。比较待检图像的行列灰度均值与正常织物图像的行列灰度聚类中心,判断其波动是否超出正常织物图像的波动范围,以判别待检图像中是否含有疵点,并正确标出织物图像中疵点位置。