基于JSEG算法的纺织品印花图像分割

 针对机器视觉对纺织品印花精度的检测问题,提出了利用JSEG算法对印花的纺织品图像进行分割。主要通过对图像的滤波,颜色的矢量化和区域的增长与合并,完成图像区域的分割。通过实验给出了颜色量化阈值和区域合并阈值对图像分割的影响以及选取的方法,最终给出该算法对印花纺织品图像的分割效果图,表明该算法利用颜色信息和区域信息,对包含纹理信息的彩色印花图像有良好的分割效果,并且对由日光引起的一些干扰有一定的抑制作用。     

基于改进型FCM聚类算法的彩色牛肉图像中筋膜区域分割方法研究

介绍一种基于HSI颜色空间的改进型FCM聚类算法,并将此算法运用于牛肉眼肌切面图像中筋膜区域的分割。该方法根据牛肉眼肌切面图像像素分布的特点,将H分量和I分量作为聚类分割算法的特征向量,改进了FCM聚类算法初始聚类中心的选取方法以及距离度量公式。结果表明:所提出的算法在保证FCM算法本身收敛速度快的同时,也提高了图像区域分割的精度和准确性,对噪声具有较强的抑制能力。     

基于均值漂移的模糊C均值聚类图像分割方法

本文针对模糊C均值聚类（FCM）算法在分割噪声图像和含有颜色相近区域的图像时存在的不足,提出了一种结合各向异性均值漂移的模糊c均值聚类（FCM）新算法。该算法在传统的FCM算法中引入了均值漂移（MS）算法,分割图像时利用Ms算法可快速找到峰值点和图像空间信息的优点,对颜色漂移区域和细长区域均能保留更多的图像信息,同时具有较强的抗噪能力。     

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。     

基于Mean Shift的织物图像分割算法

 首先介绍了Mean Shift算法的处理过程,然后以处理织物图像分割为研究对象,将扩展形式的Mean shift算法用于解决织物图像分割问题。新提出的织物图像分割算法包括2个步骤:Mean Shift图像滤波和Mean Shift图像分割,并介绍了各自的原理。分割效果有3个关键参数控制:空域带宽、色度域带宽和最小区域限制。实验结果给出了3个参数的影响和选取分析,最后给出该织物图像分割算法与原CAD处理效果比较图,表明该算法具有可行性、有效性和鲁棒性。     

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TL-FCM的储粮害虫图像分割算法研究

针对储粮害虫的图像识别需求,结合传统模糊C均值算法(FCM)在粮虫图像分割时运算开销过大、噪音敏感度偏高等不足,提出TL-FCM(Tower layered FCM)粮虫图像分割改进算法。该方法采取塔状层次构架来降低运算的时间复杂度,同时对目标图像的像素隶属度进行约束,为传统算法中的目标函数引入约束项,从而有效约束邻域信息。仿真结果能够证明所构建的优化算法处理时间较短,且能够有效保留粮虫图像分割区域细节,算法性能和效果均比较理想。     

基于FCM的针织物花纹自动分割

介绍了模糊C均值聚类算法的基本概念。由于企业在利用针织物CAD系统对来样产品进行花纹仿制时,一般采用人工仿制的方法,耗时耗力,为解决此问题提出了采用图像处理技术,结合FCM算法,对针织物表面的花纹进行自动分割的方法,其中包括:图像采集、图像预处理和织物纹理分割,在图像预处理中详细说明了图像灰度化和傅立叶低通滤波的过程。经过试验检验,结果表明,相对于传统的方法,该分割方法对于不同颜色、不同类型的针织物都有良好的花纹识别效果,具有较好的通用性。     

基于深度学习的织物印花分割算法研究

针对织物图像特征提取和检测问题,研究了一种基于卷积神经网络U-net模型的织物印花分割算法,并根据织物印花的特点对原有模型进行改进,从而更精确地实现对织物印花图像的分割。实验选取100张原始织物印花图像,并利用人工标注的方法标注出分割好的图像,作为训练的标签,将训练图像和标签通过翻转、裁剪等数据增强算法得到1000张图像和对应标签进行训练。实验对比了本文算法和一些传统分割算法,结果表明,本文的分割算法能够更有效地分割出织物印花图案。     

基于Criminisi算法的非周期性印花织物缺陷检测

由于非周期印花织物颜色多变、花型复杂、印花缺陷纹理及背景纹理之间对比度低,导致织物缺陷不易被识别,因此给出一种Criminisi算法。首先,采用频率谐调(frequency-tuned,FT)显著性算法对印花织物缺陷图像进行显著性增强,突出缺陷的边缘轮廓;其次,利用大津阈值法对显著图进行二值化处理,并将得到的二值图作为图像修复时的Mask掩码图;最后,运用Criminisi算法对原印花织物缺陷图像进行修复,将修复的印花图像减去原印花缺陷图像,获得缺陷区域。实验结果表明,该方法能准确分割出非周期性印花织物的缺陷区域,如漏墨、污渍等,且检测准确率达97.39%。同时,实验过程中不涉及参数的调节。     

基于图像分割的拼色纺织品分色算法

 采用计算机图像分割技术对纤维混色产品的高分辨率扫描图像进行处理,提出了根据其所含纤维色彩特点进行图像分割的方法。将彩色图像转化为HSV色彩空间,对图像的灰度区域针和彩色区域分别以V分量和H分量进行分割,分割过程采用模糊C聚类分析(FCM)的方法进行。实验结果表明,此方法可以图像分割成有效的几个类别,并保持原有图像的色彩、纹理信息。该方法可以用于计算机辅助拼色纤维配色,与传统的通过光学模型预测方法相比,此方法更为直接,有效。     

基于贝叶斯决策及半监督聚类的织物图像分割

为提高纺织CAD技术,依据半监督聚类理论,提出一种以最小错误率贝叶斯决策为准则的半监督聚类的织物图像分割算法。这种算法利用有限的人工信息,即在织物图像上点击有限的几个点以标识相应区域之间的关系,从而得到满足用户给定限制的织物图像分割结果。用该算法首先对织物图像进行量化转换处理,而后在贝叶斯模式识别中集成先验的分割信息进行色彩聚类。实验结果表明,该算法用于织物图像分割是可行的。     

基于改进图像阈值分割算法的纱线疵点检测

针对纺织行业纱线疵点检测方法可靠性差、灵敏度低、检测速度低的问题,提出一种基于数字图像处理的纱线疵点判定方法。首先,搭建纱线图像采集系统,完成纱线图像采集;其次,针对纱线边缘信息难处理以及传统双边滤波对椒盐噪声处理效果差的问题,对双边滤波进行改进,改进后的双边滤波可有效保存纱线边缘信息;再者,针对传统阈值分割计算量大、最佳阈值难以寻找的问题,对传统阈值分割算法进行改进,改进的阈值分割算法在保证处理效果的同时提高了整体算法的处理速度;最后,采用亚像素对纱线边缘进行计算,提高了纱线疵点检测的精确度。实验结果验证了算法的有效性及可靠性,该算法在提高精确度的同时将检测速度提高了20%以上,对提高纱线质量检测的准确性具有重要意义。     

基于最小风险贝叶斯决策的织物图像分割

 为了实现利用机器视觉技术进行织物图像检测,对织物图像的分割进行了研究。依据最小风险贝叶斯决策理论,提出了一种基于最小风险贝叶斯决策的图像分割方法。首先建立图像分割的最小风险贝叶斯决策模型,对灰度级类条件概率密度估计出其符合正态分布的数学期望和方差以及损失函数,再依据最小风险贝叶斯决策理论对图像中的每一像素点进行目标图像和非目标图像的类别判断,从而实现目标图像的提取。实验结果表明,该方法在图像分割中是一种实用和成功的方法。     

基于小波域多尺度Markov随机场的织物印花图案分割

为提高纺织印花图案的分色精度,采用小波域的多尺度Markov随机场模型实现了织物印花图案的分割。首先对图像进行预处理,然后对图像进行小波金字塔分解,在每个尺度的分割过程中利用了各尺度上的有关信息:特征场建模通过描述小波系数之间的相关性反映每个像素位置的特征属性,标记场建模通过考虑邻域标记间的相互作用反映图像分割的区域性。2种随机场建模以联合概率乘积的形式相互约束,共同作用于该尺度的分割过程。在分割过程中,从最低分辨率尺度到原始分辨率尺度逐次进行图像分割,低分辨率尺度的分割结果通过直接投影作为相邻的更高分辨率尺度的初始分割,最高分辨率尺度上的分割结果作为该方法的分割结果。     

图像分割算法在花型自动识别中的应用

 针对提花毛皮样片扫描图像的花型自动识别问题,提出了一种改进的基于空间信息的模糊C均值聚类图像分割算法,该算法利用像点邻域区间的粗糙度和邻域像点的值修正像点与聚类中心的距离,对像点的模糊隶属度函数进行修正,利用修正后的模糊隶属度函数进行聚类中心的迭代计算,获得合理的聚类中心。经多幅提花毛皮样片的花型图像分割实验表明,该算法具有对噪声不敏感的优点,在进行提花毛皮样片扫描图像的花型识别时,能获得较好识别结果。     

周期性表面图案的质量评价

已开发出一种新的适合纺织品质量检验特殊要求的图像处理系统。采用这一技术，可以检测并定量分析二维周期性图案的不规则性。这种方法不仅适用机织物的质量检验，而义可用于针织物及普通印花图案的检验。采用的算法比较完善，因而只需很小的计算量。在检测出疵点并对疵点加以归类前，先对图像信息进行高效压缩。这就使得这种技术也可用于织机的在线检测。     

A computer vision-based system for automatic detection of misarranged warp yarns in yarn-dyed fabric. Part I: continuous segmentation of warp yarns

In textile and garment industries, misarranged warp yarns of yarn-dyed fabrics disorganize the layout of fabrics and lead to poor product quality. This series of studies aims to develop a computer vision-based system for automatic detection of misarranged color warp yarns in terms of high efficiency and good accuracy. Four main parts are included in this series of studies: warp yarn segmentation, fabric image stitching, warp regional segmentation, and yarn layout proofing. This paper proposes a continuous segmentation method of warp yarns to detect the misarranged color warp yarns for yarn-dyed fabrics automatically, which is the foundation of the developed computer vision-based system. The proposed framework consists of two main components: warp yarn segmentation and fabric image stitching. Firstly, the sequence images of a fabric stripe are captured using a designed offline image acquisition platform. Secondly, the warp yarns in the sequence images are segmented by a sub-image projection-based method successively. Thirdly, the sequence images are stitched by a yarn-template matching method based on their warp segmentation results. Finally, the continuous segmentation result of warp yarns is saved for the further processing of warp regional segmentation and color warp layout proofing. The proposed method has been evaluated on 720 fabric images of five fabric examples with plain and 2/2 twill, and experimental results show that the proposed method can realize the continuous segmentation of warp yarns in yarn-dyed fabrics with the yarn segmentation accuracy of 97.43% and image stitching accuracy of 99.53%.