一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法

摘要

本发明公开了一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法，该方法针对带有重组织的织物图像特点，在色彩模式转换的基础上，采用混合中值滤波算法滤除扫描噪声；再通过纹理抑制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；使得在平滑同颜色纱线纹理和重组织边缘阴影的同时，有效保持了不同颜色纱线的边缘，避免了高斯滤波后区域之间的边缘细节被弱化以及双边滤波将纱线纹理保留为边缘等问题。

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法。

背景技术

图像分割是织物图像处理与分析的基础，分割的准确性往往决定着织物图像组织结构提取、内容分析和检索等后处理的有效性。织物重组织(backed weave)是由两组或两组以上的经纱与一组纬纱交织，或由两组或两组以上纬纱与一组经纱交织，形成二重或二重以上的重叠组织。重织物由不同颜色或不同原料的纱线交织而成，随着经纱或纬纱重叠组数的变化，形成的织物色影丰富、层次多变。重织物图像不是一个理想的平面结构，扫描获取的图像不能反映纱线的真实颜色。在扫描光照下，由于纱线呈一定的圆柱形结构，同一纱线的中心和边缘之间存在过渡颜色；纱线之间的缝隙颜色往往偏暗，相同颜色的纱线区域会形成一定的纹理；由于重组织区较凸起，重组织边缘会产生一定的阴影；由于扫描图像文件往往采用有失真的JPEG压缩，不同颜色的纱线之间存在过渡色。这些因素的存在给重织物图像分割带来了困难。

目前，织物图像分割方法一般采用空间域方法，主要有特征聚类、基于区域的方法以及边缘检测等。特征聚类法(文献：Pan R,Gao W,Liu J,et al.Automatic Detection ofthe Layout of Color Yarns for Yarn-dyed Fabric via a FCMAlgorithm[J].Textile Research Journal,2010,80(12):1222-1231.)是一种无监督统计方法，通过迭代提取颜色等特征。这类方法需事先确定聚类数目，由于仅根据特征的统计信息进行分类，如采用颜色作为特征，当某种颜色频度较少时就会被其他颜色代替，造成关键细节模糊，甚至丢失。基于区域的方法(如文献：ZHANG Yang,JIANG Gaoming,YAO Junzhou,et al.Multi-texture regionsegmentation ofjacquard warpknitted fabric[J].Journal of Textile Research,2012,32(12):51-55.)，根据图像区域的同一性进行图像分割，如通过颜色、纹理分布等特征将相似像素集合起来构成区域，分割效果依赖于区域同一性特征的稳定性。对于重织物图像，由于纱线颜色偏差、纱线纹理以及重组织边缘阴影的存在，很难定义图像区域的同一性准则，分割效果难以保证。边缘检测方法(如文献：Ju Z,Zhou J,Wang X,et al.Image segmentation based on adaptive thresholdedge detection and mean shift[C]//Software Engineering and Service Science(ICSESS),20134th IEEE International Conference on.IEEE,2013:385-388.)，根据像素点灰度变化提取边缘，通过检测不同区域的边缘解决图像分割问题。对于重织物图像，采用边缘检测进行图像分割，首先需要将彩色图像转化成灰度图像，但由于颜色偏差、纱线纹理和阴影的存在，很难提取理想的连续、闭合边缘，因而图像分割往往不准确。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法，使得在平滑同颜色纱线纹理和重组织边缘阴影的同时，有效保持了不同颜色纱线的边缘，避免了高斯滤波后区域之间的边缘细节被弱化以及双边滤波将纱线纹理保留为边缘等问题。

一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法，包括如下步骤：

(1)将重织物图像从RGB颜色模式转换为Lab颜色模式，并对得到的Lab颜色空间图像进行混合中值滤波；

(2)对混合中值滤波后的Lab颜色空间图像进行纹理抑制平滑滤波；

(3)对纹理抑制平滑滤波后的Lab颜色空间图像进行色差梯度计算，得到对应的梯度图像；进而对该梯度图像进行分水岭分割，得到n个区块并对这些区块进行标记，n个区块对应标记值为1～n，区块之间的分水线统一标记为0；

(4)根据色差将分水线上的像素合并归类于各区块；

(5)根据色差对各区块进行合并，得到重织物图像分割后的索引图像。

所述的步骤(1)中将织物图像从RGB颜色模式转换为Lab颜色模式的过程如下：

首先，根据以下算式将织物图像从RGB颜色模式转换为XYZ颜色模式；

$>\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{ccc}0.412453& 0.357580& 0.180423\\ 0.212671& 0.715160& 0.072169\\ 0.019334& 0.119193& 0.950227\end{array}\right)\left(\begin{array}{c}R/255\\ G/255\\ B/255\end{array}\right)$>

其中：对于织物图像中任一像素，R、G和B分别为该像素在RGB色彩空间中红、绿和蓝三个分量上的亮度值；X、Y和Z分别为该像素在XYZ色彩空间中的三个刺激值；

然后，根据以下算式将织物图像从XYZ颜色模式转换为Lab颜色模式；

a＝500*(f(X/X_n)-f(Y/Y_n))

b＝200*(f(Y/Y_n)-f(Z/Z_n))

其中：X_n、Y_n和Z_n分别为参考色白在XYZ色彩空间中的三个刺激值，L、a和b分别为像素在Lab色彩空间中亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上的颜色值；f(t)为中间函数，t为函数变量，其表达式如下：

所述的步骤(1)中对Lab颜色空间图像进行混合中值滤波的具体方法为：对于Lab色彩空间中任一分量上的颜色值，首先计算图像中当前像素与其上下左右四个像素在该分量上所有颜色值的中间值H₁(即五个像素颜色值按大小排序后的第三个颜色值)；然后，计算当前像素与其左上、右上、左下和右下四个像素在该分量上所有颜色值的中间值H₂；最后，取当前像素在该分量上的颜色值以及H₁和H₂三个值的中间值作为当前像素在该分量上混合中值滤波后的颜色值；依此遍历图像中所有像素及所有分量。

所述的步骤(2)中对混合中值滤波后的Lab颜色空间图像进行纹理抑制平滑滤波的具体方法为：对于Lab色彩空间中任一分量上的颜色值，根据以下算式对图像中当前像素在该分量上的颜色值进行纹理抑制平滑滤波，并依此遍历图像中所有像素及所有分量；

$>J_f=\frac{1}{k\left(s\right)}\underset{p=1}{\overset{8}{\Sigma }}g\left(p\right)h\left({d^{\prime }}_p\right)I_p$>

$>k\left(s\right)=\underset{p=1}{\overset{8}{\Sigma }}g\left(p\right)h\left({d^{\prime }}_p\right)$>$>g\left(p\right)=\exp (-\frac{{(L_p-L_s)}^2+{(a_p-a_s)}^2+{(b_p-b_s)}^2}{2{{\sigma }_g}^2})$>

$>h\left({d^{\prime }}_p\right)=\exp (-\frac{{({d^{\prime }}_p-\mathrm{th})}^2}{2{{\sigma }_h}^2})$>$>{d_p}^{\prime }=\left(\begin{array}{cc}{d}_p,& d_p>\mathrm{th}\\ 0,& d_p\le \mathrm{th}\end{array}\right)$>$>d_p=\underset{q=1}{\overset{8}{\Sigma }}(L_q-L_p)$>

其中：J_f为当前像素在该分量上纹理抑制平滑滤波后的颜色值，I_p为当前像素周围八个像素中第p个像素在该分量上混合中值滤波后的颜色值，L_s、a_s和b_s分别为当前像素在Lab色彩空间中亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上混合中值滤波后的颜色值，L_p、a_p和b_p分别为所述的第p个像素在Lab色彩空间中亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上混合中值滤波后的颜色值，σ_g和σ_h均为高斯分布参数，th为预设的邻域梯度阈值，L_q为所述的第p个像素周围八个像素中第q个像素在Lab色彩空间中亮度分量上混合中值滤波后的颜色值。

所述的步骤(3)中对纹理抑制平滑滤波后的Lab颜色空间图像进行色差梯度计算的具体方法为：根据以下算式计算图像中当前像素的色差梯度，并依此遍历图像中所有像素；

$>D\left(f\right)=\underset{i=1}{\overset{4}{\Sigma }}\sqrt{{(L_i-L_f)}^2+{(a_i-a_f)}^2+{(b_i-b_j)}^2}$>

其中：D(f)为当前像素的色差梯度，L_f、a_f和b_f分别为当前像素在Lab色彩空间中亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上纹理抑制平滑滤波后的颜色值，L_i、a_i和b_i分别为当前像素周围上下左右四个像素中第i个像素在Lab色彩空间中亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上纹理抑制平滑滤波后的颜色值。

所述的步骤(4)中将分水线上的像素合并归类于各区块的方法为：对于分水线上的当前像素，根据以下算式计算其与周围上下左右四个像素的色差，并将其归为色差最小的像素所属的区块；

$>\mathrm{\Delta E}(j,o)=\sqrt{{(L_j-L_o)}^2+{(a_j-a_o)}^2+{(b_j-b_o)}^2}$>

其中：L_o、a_o和b_o分别为当前像素在Lab色彩空间中亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上纹理抑制平滑滤波后的颜色值，L_j、a_j和b_j分别为当前像素周围上下左右四个像素中第j个像素在Lab色彩空间中亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上纹理抑制平滑滤波后的颜色值，ΔE(j,o)为当前像素与所述的第j个像素的色差。

所述的步骤(5)中对各区块进行合并的过程如下：

首先，将各区块从Lab颜色模式转换为RGB颜色模式，并计算区块内所有像素R、G、B分量上的平均值作为区块的RGB索引颜色信息；

然后，将各区块的RGB索引颜色信息转换为Lab索引颜色信息；

最后，对于任一区块，根据Lab索引颜色信息计算其与其他所有区块的色差，并将色差小于阈值的两个区块合并成同一类区块，以得到重织物图像分割后的索引图像。

根据以下算式将各区块从Lab颜色模式转换为RGB颜色模式：

$>\left(\begin{array}{c}{R}_t\\ G_i\\ B_i\end{array}\right)=255*\left(\begin{array}{ccc}3.240479& -1.537150& -0.498535\\ -0.9692596& 1.875992& 0.041556\\ 0.055648& -0.204043& 1.057311\end{array}\right)\left(\begin{array}{c}{X}_t\\ Y_t\\ Z_t\end{array}\right)$> $>\left(\begin{array}{c}{X}_t=X_n*{(P+a_t/500)}^3\\ Y_t=Y_n*P^3\\ Z_t=Z_n*{(P+b_t/200)}^3\end{array}\right)$>

P＝(L_t+16)/116

其中：L_t、a_t和b_t分别为区块中任一像素在Lab色彩空间中亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上纹理抑制平滑滤波后的颜色值，X_n、Y_n和Z_n分别为参考色白在XYZ色彩空间中的三个刺激值，R_t、G_t和B_t分别为区块中任一像素在RGB色彩空间中红、绿和蓝三个分量上的亮度值。

根据以下算式将各区块的RGB索引颜色信息转换为Lab索引颜色信息：

a_k＝500*(f(X_k/X_n)-f(Y_k/Y_n))

b_k＝200*(f(Y_k/Y_n)-f(Z_k/Z_n))

$>\left(\begin{array}{c}{X}_k\\ Y_k\\ Z_k\end{array}\right)=\left(\begin{array}{ccc}0.412453& 0.357580& 0.180423\\ 0.212671& 0.715160& 0.072169\\ 0.019334& 0.119193& 0.950227\end{array}\right)\left(\begin{array}{c}{R}_k/255\\ G_k/255\\ B_k/255\end{array}\right)$>

其中：X_n、Y_n和Z_n分别为参考色白在XYZ色彩空间中的三个刺激值，R_k、G_k和B_k分别为区块RGB索引颜色信息中对应红、绿和蓝三个分量上的亮度值，L_k、a_k和b_k分别为区块Lab索引颜色信息中对应亮度、洋红色至绿色范围和黄色至蓝色范围三个分量上的颜色值；f(t)为中间函数，t为函数变量。

本发明通过混合中值滤波和纹理抑制平滑算法滤除织物图像的扫描噪声，平滑同颜色纱线纹理和重组织边缘阴影，保留了纱线的颜色信息和不同颜色纱线间的边缘信息，然后通过分水岭算法对色差梯度图像进行分割，最后将颜色相似区域进行合并，形成索引图像，实现对重织物图像进行准确分割。

与现有技术相比，本发明具有以下有益技术效果：

1、本发明根据高斯函数确定不同色彩距离和邻域梯度像素点的累加权值，对图像的每个像素点进行线性滤波。对邻域内相近颜色的像素点设置较高的权值，以此进行颜色平滑；对亮度梯度较大的像素点设置较低的权值，以此进行纱线纹理抑制。该技术使得在平滑同颜色纱线纹理和重组织边缘阴影的同时，有效保持了不同颜色纱线的边缘，避免了高斯滤波后区域之间的边缘细节被弱化以及双边滤波将纱线纹理保留为边缘等问题。

2、本发明通过纹理抑制平滑算法去除重织物纱线纹理，并通过分水岭算法得到单像素宽的、封闭的边缘，分割算法定位较为准确，避免了Canny、Sobel、Roberts等算法提取的边缘不连续，存在大量细节的问题，并通过区域合并形成索引图像，有利于织物图像纱线颜色统计和分析。

附图说明

图1为本发明分割方法的流程示意图。

图2为混合中值滤波处理过程的示意图。

图3为源织物图像。

图4为混合中值滤波后的图像。

图5为纹理抑制平滑滤波后的图像。

图6(a)为梯度图像。

图6(b)为采用分水岭算法分割后的标记图像。

图7(a)和图7(b)分别为区域合并前后的索引图像。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，本发明基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法，包括以下步骤：

(1)将源图像(如图3所示)转化为Lab颜色模式。

1.1首先将源图像从RGB颜色空间转换到XYZ颜色空间，RGB到XYZ颜色空间的线性变换可以表示为：

$>\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{ccc}0.412453& 0.357580& 0.180423\\ 0.212671& 0.715160& 0.072169\\ 0.019334& 0.119193& 0.950227\end{array}\right)\left(\begin{array}{c}R/255\\ G/255\\ B/255\end{array}\right)$>

1.2然后将图像从XYZ颜色空间变换到CIE1976 Lab空间，XYZ到Lab颜色空间的变换可以表示为：

a＝500*(f(X/X_n)-f(Y/Y_n))

b＝200*(f(Y/Y_n)-f(Z/Z_n))

其中，L表示亮度，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围；X_n、Y_n和Z_n是参考白的三刺激值；f(t)为中间函数，可以表示为：

(2)对源图像各颜色分量分别进行混合中值滤波，采用3*3窗口，对织物图像除边界外的每个像素点L、a、b颜色分量进行滤波，每个分量的处理过程如图2所示。首先取当前像素点与上下左右5个像素点的颜色中值，然后取当前像素点与左上、右上、左下、右下5个像素点的颜色中值，最后取以上两个颜色中值与当前像素点颜色的中值，作为当前像素点滤波后的颜色分量值。中值滤波后的图像如图4所示。

(3)对中值滤波后的图像进行纹理抑制平滑滤波，平滑后的图像如图5所示。纹理抑制的平滑滤波算法根据高斯函数确定不同色彩距离和邻域梯度像素点的累加权值，对图像的每个像素点进行线性滤波，计算公式为：

$>J_s=\frac{1}{k\left(s\right)}\underset{p\in \Omega }{\Sigma }g(I_p-I_s)h\left({d^{\prime }}_p\right)I_p$>

其中，s表示某一待滤波像素点；Ω为像素点s的邻域像素点集合；p为集合Ω中的像素点；J_s为像素点s滤波后的颜色值；g为高斯函数，g(I_p-I_s)为根据高斯函数确定不同色彩距离邻域像素点权值，计算公式为：

$>g(I_p-I_s)=\exp (-\frac{{(L_p-L_s)}^2+{(a_p-a_s)}^2+{(b_p-b_s)}^2}{2{{\sigma }_g}^2})$>

其中，σ_g为高斯分布参数；h为高斯函数，h(d'_p)为根据高斯函数确定不同邻域梯度的邻域像素点权值，计算公式为：

$>h\left({d^{\prime }}_p\right)=\exp (-\frac{{({d^{\prime }}_p-\mathrm{th})}^2}{2{{\sigma }_h}^2})$>

其中，σ_h为高斯分布参数；

$>{d_p}^{\prime }=\left(\begin{array}{cc}{d}_p,& d_p>\mathrm{th}\\ 0,& d_p\le \mathrm{th}\end{array}\right)$>

$>d_p=\underset{q\in \mathrm{neighb}8\left(p\right)}{\Sigma }(L_q-L_p)$>

其中，th为邻域梯度阈值，上式中的q为像素点p八邻域中的像素点；k(s)为正则项，计算公式为：

$>k\left(s\right)=\underset{p\in \Omega }{\Sigma }g(I_p-I_s)h\left({d^{\prime }}_p\right)$>

(4)对平滑图像中的每个像素点计算梯度，形成的梯度图像如图6(a)所示(显示的梯度图像为灰度拉伸至[0,255]后的图像)。从图中可以看出，不同颜色纱线之间的边缘梯度较为显著，同颜色纱线梯度值非常小。将梯度值小于固定阈值的置零，对梯度图像进行分水岭分割，结果如图6(b)所示(显示的图像按标记序号进行了灰度拉伸)。从图中可以看到分割后的区域为相近颜色纱线组成的区域。

4.1计算色差梯度。对Lab颜色模式的平滑图像，通过镜像反射扩展边界，对扩展图像中的每个像素点，计算当前像素点与上下左右四个像素点之间的色差根方和作为梯度，形成梯度图像。色差ΔE计算公式为：

$>\mathrm{\Delta E}(p,s)=\sqrt{{(L_p-L_s)}^2+{(a_p-a_s)}^2+{(b_p-b_s)}^2}$>

其中，ΔE为像素点p和像素点s的色差，L_p、a_s、b_p、L_s、a_p、b_s分别为像素点p和像素点s的颜色分量。像素点s的色差梯度D(s)的计算公式为：

$>D\left(s\right)=\underset{p\in \mathrm{neighb}4\left(s\right)}{\Sigma }\mathrm{\Delta E}(p,s)$>

4.2对梯度图像进行分水岭分割，其具体步骤是：搜索色差梯度图像的所有局部极小值，并将不同的局部极小值进行标记；在局部极小值打孔，水从小孔匀速溢出，对集水盆地进行淹没；当且仅当不同集水盆地的水将要汇合时，将汇合处标记为分水线，赋值为0，标记不同集水盆区域，获取标记图像，标记为0的即为边缘。

4.3将分水岭分割图像中标记为0的像素点进行归类，在纹理抑制平滑后的图像中，比较该像素点与其四邻域内像素点的色差值，将其归为色差最小的那类。

(5)区域合并。

5.1计算纹理抑制平滑图像中各像素点R、G、B分量。首先图像从Lab颜色空间变换到XYZ颜色空间，Lab颜色空间到XYZ颜色空间的变换可以表示为：

X＝X_n*(P+a/500)³

Y＝Y_n*P³

Z＝Z_n*(P+b/200)³

其中，X_n、Y_n和Z_n是参考白的三刺激值，P＝(L+16)/116。然后将图像从XYZ颜色空间变换到RGB颜色空间，XYZ颜色空间到RGB颜色空间的线性变换可以表示为：

$>\left(\begin{array}{c}R\\ G\\ B\end{array}\right)=255*\left(\begin{array}{ccc}3.240479& -1.537150& -0.498535\\ -0.9692596& 1.875992& 0.041556\\ 0.055648& -0.204043& 1.057311\end{array}\right)\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)$>

5.2提取各标记区域内像素点，将同一标记内的像素点R、G、B分量的平均值作为标记区域的索引颜色。

5.3颜色相似区域合并。比较各区域的索引颜色(需将RGB转成Lab)，将色差小于容许值的归为同一类，最后得到重织物图像分割后的索引图像。合并前后的图像如图7所示。