[发明专利]一种基于HSV和Lab颜色空间的色纺织物组织识别的方法

说明书

本发明属于图像处理技术领域，涉及一种基于HSV和Lab颜色空间的色纺织物组织识别的方法，广泛应用于织物组织识别，瑕疵检测，图像检索等领域。本发明首先对采集到的织物图像进行滤波去噪预处理，再分别对HSV和Lab颜色空间的织物图像进行分割得到组织点并提取具有相同性质的通道分量加以融合，得到各个组织点的局部的纹理特征和全局的颜色特征，最后采用多核支持向量机的学习方法将纹理特征与颜色特征进行融合识别。本方法不仅能够有效地完成色纺织物的组织识别，并且具有广泛的适用性。

技术领域

本发明涉及一种织物组织识别方法，尤其是涉及一种基于HSV和Lab颜色空间的色纺织物组织识别的方法。

背景技术

色纺织物是由两种或多种不同颜色纤维混合的纱线编织而成。染色纤维分布复杂、色彩丰富并有层次的变化，因此色纺织物的颜色信息丰富且纹理特征复杂。而多种颜色空间能够更全面、准确表征颜色模型和纹理信息，单一的颜色空间具有一定的局限性。RGB颜色空间是依据人眼识别的颜色定义出来的空间，可以表示大部分颜色，它是一种与设备有关的颜色空间。Lab颜色空间是一种与设备无关的颜色系统，它是用数字化的方法来描述人的视觉感应并具有更广阔的色域。HSV颜色空间用来描述颜色比RGB颜色空间更加自然，它是为了更好地数字化处理颜色信息而提出来的。色纺织物的组织识别主要分为特征参数的提取、纹理特征与颜色信息的融合以及组织识别。

特征参数的提取主要包括纹理特征和颜色信息。纹理特征的提取主要分为四大类：结构法、模型法、统计法和信号处理的方法。结构法是基于纹理基元进行分析的方法，该方法只对规则的纹理具有较好的分类效果。模型法是通过计算模型的特定参数来提取纹理特征，但是参数的求解有一定的难度，运算量大而且效率低。统计法主要对纹理中像素及其领域的灰度属性进行描述，它具有较强的稳定性，但是统计的特征数据量很多，也会存在数据冗余。信号处理的方法主要是通过对纹理进行多分辨率的表示，计算量大。颜色特征提取的方法主要有颜色直方图和颜色距。颜色直方图用来反映图像的颜色分布，因为它是属于全局的颜色统计，所以会丢失像素点间的局部特征。颜色距是用一阶矩、二阶矩和三阶矩来描述颜色分布，维度较少，经常和其他特征综合使用。

融合的层次主要分为特征层融合、分数层融合和决策层融合。特征层融合就是先从图像中提取有效的特征信息，再对信息进行融合的过程。如果需要融合的特征向量的维度较高且特征的种类不同，这样会造成融合的结果没有明确的意义。分数层融合是对提取出的特征向量与相应的数据库进行匹配，得到匹配分数然后进行融合。不同的特征类型会导致得分区间存在较大的差异。决策层融合是将每个分类器的识别结果进行融合的过程，它具有稳定性，但是只对单个样本的特征具有较好的识别效果。

模式识别主要分为监督学习和无监督学习。监督学习是将一些已知的数据通过学习得出一个函数模型，然后用来识别新的数据。这学习方法需要大量已知的数据进行训练。而无监督学习不需要预先知道样本的标签。

发明内容

1、一种基于HSV和Lab颜色空间的色纺织物组织识别的方法，其特征在于，包括：

步骤1：采集色纺织物样本的图像；

步骤2：基于MATLAB将采集的样本图像通过中值滤波进行降噪处理，滤除图片中的斑点噪声或椒盐噪声；

步骤3：将织物的RGB图像转为二维的灰度图像，再对灰度图像的直方图均衡化以增强纱线边界信息；

步骤4：采用灰度投影法对完成步骤3后的织物图像进行水平和垂直投影得到织物经向和纬向的灰度累加曲线，再加以平滑处理得到光滑的曲线，使曲线的波谷点为纱线的间隙，最后提取经向和纬向这两条灰度累加曲线的波谷点完成对织物组织点的定位；

步骤5：将步骤2的色纺织物图像从RGB颜色空间分别转换到HSV颜色空间和Lab颜色空间，分别在HSV颜色空间和Lab颜色空间下采用步骤4中组织点定位的方法从整张织物图像中分割出织物的组织点图像，组织点的个数至少包括一个组织循环，并对组织点按顺序进行编号；