周 慧， 張華熊， 胡 潔， 康 鋒

(浙江理工大學(xué) 信息學(xué)院， 浙江 杭州 310018)

?

基于平滑濾波和分水嶺算法的重組織織物圖像分割

周 慧， 張華熊， 胡 潔， 康 鋒

(浙江理工大學(xué) 信息學(xué)院， 浙江 杭州 310018)

針對帶有重組織的織物圖像特點(diǎn)，提出了一種根據(jù)紗線顏色進(jìn)行圖像分割的方法。首先將織物圖像轉(zhuǎn)化為Lab顏色模式，采用混合中值濾波算法濾除掃描噪聲；其次通過設(shè)置色差容許值改變高斯權(quán)值的平滑濾波算法進(jìn)行濾波，濾除織物圖像中的重組織陰影和同顏色紗線紋理，保留紗線顏色特征；然后提取織物圖像的色差梯度，通過分水嶺算法進(jìn)行圖像分割，獲得區(qū)域標(biāo)記圖像；最后將顏色相近的區(qū)域進(jìn)行合并，得到織物圖像的分色索引圖像。實(shí)驗(yàn)結(jié)果表明，提出的算法可對重織物圖像進(jìn)行較為準(zhǔn)確地分割。

重織物； 圖像分割； 色差； 平滑濾波； 分水嶺算法

圖像分割是織物圖像處理與分析的基礎(chǔ)，分割的準(zhǔn)確性決定著織物圖像組織結(jié)構(gòu)提取、內(nèi)容分析和檢索等后處理的有效性?？椢镏亟M織(backed weave)是由2組或2組以上的經(jīng)紗與1組緯紗交織，或由2組或2組以上的緯紗與1組經(jīng)紗交織，形成二重或二重以上的重疊組織[1]。重織物由不同顏色或不同原料形成，隨著經(jīng)紗或緯紗重疊組數(shù)的變化，形成的織物色彩豐富、層次多變。然而，重織物圖像不是一個(gè)理想的平面結(jié)構(gòu)，掃描獲取的圖像不能反映紗線的真實(shí)顏色。在掃描光照下，由于紗線呈一定的圓柱結(jié)構(gòu)，同一紗線的中心和邊緣之間存在過渡顏色；在紗線之間的縫隙顏色往往偏暗，同顏色的紗線區(qū)域會形成一定的紋理；由于重組織凹凸不平，重組織邊緣會產(chǎn)生一定的陰影；由于掃描圖像文件往往采用有失真的JPEG壓縮，不同顏色的紗線之間存在過渡顏色。這些因素的存在為重織物圖像分割帶來了困難。

目前，織物圖像分割方法一般采用空間域方法，主要有特征聚類、基于區(qū)域的方法以及邊緣檢測等。特征聚類法，如FCM聚類方法[2]，是一種無監(jiān)督統(tǒng)計(jì)方法，通過迭代提取顏色等特征。這類方法需事先確定聚類數(shù)目，由于僅根據(jù)特征的統(tǒng)計(jì)信息進(jìn)行分類，如采用顏色作為特征，當(dāng)某種顏色頻度較少時(shí)就會被其他顏色替代，造成關(guān)鍵細(xì)節(jié)模糊，甚至丟失?；趨^(qū)域的方法[3]根據(jù)圖像區(qū)域的同一性進(jìn)行圖像分割，如通過顏色、紋理分布等特征將相似像素集合起來構(gòu)成區(qū)域，分割效果依賴于區(qū)域同一性特征的穩(wěn)定性[4]。對于重織物圖像，由于紗線顏色偏差、紗線紋理以及重組織邊緣陰影的存在，很難定義圖像區(qū)域的同一性準(zhǔn)則，分割效果難以保證。邊緣檢測方法[5]根據(jù)像素點(diǎn)灰度變化提取邊緣，通過檢測不同區(qū)域的邊緣解決圖像分割問題。對于重織物圖像，采用邊緣檢測進(jìn)行圖像分割，首先需將彩色圖像轉(zhuǎn)化成灰度圖像，但由于顏色偏差、紗線紋理和陰影的存在，很難提取理想的連續(xù)、閉合的邊緣，因而圖像分割往往不準(zhǔn)確。

針對重織物圖像特點(diǎn)，本文首先通過混合中值濾波和改進(jìn)的高斯平滑算法濾除織物圖像中的掃描噪聲，平滑同顏色紗線紋理和重組織邊緣陰影，保留了紗線的顏色信息和不同顏色紗線間的邊緣信息，然后通過分水嶺算法對色差梯度圖像進(jìn)行分割，最后將顏色相似區(qū)域進(jìn)行合并，形成索引圖像。

1 算法設(shè)計(jì)

1.1 算法流程設(shè)計(jì)

圖1 重織物圖像分割流程Fig.1 Flow chart of backed weave image segmentation

本文提出的算法可分為混合中值濾波、平滑濾波、分水嶺分割和區(qū)域合并4個(gè)過程，流程如圖1所示。首先通過掃描儀獲取RGB顏色模式的織物圖像，將織物圖像轉(zhuǎn)化為Lab顏色模式，分別對L、a、b顏色分量中進(jìn)行混合中值濾波，濾除噪聲；其次對降噪后的圖像進(jìn)行平滑，根據(jù)像素間的CIEDE2000色差和位置關(guān)系共同確定高斯權(quán)值，對圖像每個(gè)像素點(diǎn)進(jìn)行濾波，濾除了紗線紋理、重組織邊緣陰影，保留紗線顏色和不同顏色紗線的邊緣；然后對平滑圖像計(jì)算基于CIEDE2000色差的梯度，對梯度圖像通過分水嶺算法獲得區(qū)域標(biāo)記圖像；最后提取各區(qū)域的顏色均值作為區(qū)域標(biāo)記圖像的索引顏色，將顏色相似區(qū)域進(jìn)行合并，得到索引圖像。

1.2 混合中值濾波設(shè)計(jì)

織物圖像在掃描過程中受到各種噪聲的影響，常見噪聲有高斯白噪聲、泊松噪聲和椒鹽噪聲。高斯白噪聲和泊松噪聲可在后續(xù)平滑濾波中濾除；椒鹽噪聲一般通過中值濾波進(jìn)行平滑處理，但一般的中值濾波處理存在噪聲擴(kuò)散或過渡濾波現(xiàn)象，造成細(xì)節(jié)模糊。為保持不同顏色紗線之間的邊緣特征，本文研究采用混合中值濾波(hybrid median filter)[6]。

本文研究中混合中值濾波采用3像素×3像素窗口，對織物圖像每個(gè)像素點(diǎn)的L、a、b顏色分量進(jìn)行濾波，每個(gè)分量的處理過程如圖2所示[6]。首先取當(dāng)前像素點(diǎn)與上下左右5個(gè)像素點(diǎn)的顏色中值，然后取當(dāng)前像素點(diǎn)與左上、右上、左下、右下5個(gè)像素點(diǎn)的顏色中值，最后取以上2個(gè)顏色中值與當(dāng)前像素點(diǎn)顏色的中值，作為當(dāng)前像素點(diǎn)濾波后的顏色分量值。

圖2 混合中值濾波處理過程Fig.2 Process of hybrid median filter

1.3 平滑濾波設(shè)計(jì)

高斯濾波算法[7]根據(jù)高斯函數(shù)確定不同空間位置像素點(diǎn)的累加權(quán)值，對圖像的每個(gè)像素點(diǎn)進(jìn)行線性濾波，可用下式表示。

式中：f為原圖像像素點(diǎn)的顏色分量值；g為濾波圖像像素點(diǎn)的顏色分量值；x、y為像素點(diǎn)橫、縱坐標(biāo)，x、y∈[-w/2,w/2]；w為鄰域窗大??；G(x，y)為鄰域內(nèi)各像素點(diǎn)的權(quán)值計(jì)算函數(shù)；σ為高斯分布參數(shù)。

高斯濾波算法對于抑制正態(tài)分布的噪聲非常有效，濾波后區(qū)域內(nèi)部圖像變得平滑，但是區(qū)域之間的邊緣也被平滑，邊緣細(xì)節(jié)被弱化，不利于后續(xù)分割圖像處理，因此，需對算法進(jìn)行改進(jìn)，以保持邊緣。雙邊濾波算法[8]是常用的保邊緣平滑算法，它在高斯濾波算法的基礎(chǔ)上進(jìn)行了改進(jìn)，在濾波過程中同時(shí)考慮了像素間的幾何距離和色彩距離。雙邊濾波的色彩距離按高斯函數(shù)進(jìn)行計(jì)算，仍然保留了色差較大的顏色信息，并且隨著迭代次數(shù)的增多，圖像的顏色值會產(chǎn)生失真，因此，針對重織物圖像特點(diǎn)，本文參照雙邊濾波的思路，對高斯濾波算法中的權(quán)值進(jìn)行了修改，使得高斯濾波算法在平滑區(qū)域內(nèi)部像素顏色值的同時(shí)，有效保持不同顏色紗線之間的邊緣，保留紗線顏色的真實(shí)感。改進(jìn)的高斯權(quán)值函數(shù)可用下式表示。

式中：G′(x，y)為修改后的高斯權(quán)值函數(shù)；△E為鄰域內(nèi)像素點(diǎn)與當(dāng)前像素點(diǎn)的色差；th為色差容許值，根據(jù)掃描儀參數(shù)和實(shí)驗(yàn)光照環(huán)境選定。

CIEDE2000[9]被認(rèn)為是目前工業(yè)評估方面性能最好的色差公式。在一般圖像處理過程中，往往采用L、a、b分量的歐氏距離作為2個(gè)像素點(diǎn)之間的色差，然而，通過實(shí)驗(yàn)發(fā)現(xiàn)，Lab顏色空間在視覺上是非均勻的。顏色分量為L、a、b像素點(diǎn)與L+1、a+1、b+1的像素點(diǎn)之間的CIEDE2000色差分布如圖3所示。從圖3(a)可發(fā)現(xiàn)，當(dāng)a、b取中間值時(shí)，2個(gè)像素點(diǎn)之間色差較大，而a、b取較小或較大值時(shí)，2個(gè)像素點(diǎn)之間的色差較小。由圖3(b)可發(fā)現(xiàn)，L、a之間也存在類似情況。L、b色差分布圖與L、a相似，因此，本文采用的色差按CIEDE2000色差計(jì)算公式進(jìn)行計(jì)算。

圖3 顏色分量為L、a、b與L+1、a+1、b+1的2個(gè)像素點(diǎn)之間的CIEDE2000色差分布Fig.3 Distribution of CIEDE2000 color difference between two pixels with color components L、a、b and L+1、a+1、b+1. (a) a-b color difference; (b) L-a color difference

1.4 分水嶺分割設(shè)計(jì)

分水嶺算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，把圖像看作測地學(xué)上的拓?fù)涞孛?，圖像中每個(gè)像素的灰度值表示該點(diǎn)的高度，每個(gè)局部極小值及影響區(qū)域稱為集水盆，集水盆的邊界則形成分水嶺[10]。在進(jìn)行邊緣檢測時(shí)，Canny、Sobel、Roberts等算法提取的邊緣往往不連續(xù)，存在大量細(xì)節(jié)，很難有效地分割圖像。分水嶺算法對微弱邊緣敏感，能夠得到單像素寬的、封閉的邊緣，定位較為準(zhǔn)確，因此本文采用分水嶺算法對平滑圖像進(jìn)行分割，主要處理過程如下。

1)計(jì)算色差梯度。對Lab顏色模式的平滑圖像中的每個(gè)像素點(diǎn)，計(jì)算當(dāng)前像素點(diǎn)與上下左右4個(gè)像素點(diǎn)之間的CIEDE2000色差根方和作為梯度。為避免分水嶺過分割問題，依據(jù)色差梯度值特點(diǎn)和分水嶺算法參數(shù)設(shè)置固定閾值，將梯度值較小的值置零，形成梯度圖像。

2)分水嶺分割。對梯度圖像進(jìn)行分水嶺分割，獲取標(biāo)記圖像，標(biāo)記為0的即為邊緣。在重織物的平滑圖像中，邊緣表示不同顏色紗線之間的過渡像素點(diǎn)，必然屬于某一種紗線，因此，對邊緣線上的像素點(diǎn)進(jìn)行歸類，比較四鄰域內(nèi)像素點(diǎn)的CIEDE2000色差值，將其歸為色差最小的那類。

1.5 區(qū)域合并設(shè)計(jì)

提取各標(biāo)記區(qū)域內(nèi)像素點(diǎn)，將同一標(biāo)記內(nèi)的像素點(diǎn)的R、G、B分量的平均值作為標(biāo)記區(qū)域的索引顏色。顏色相似區(qū)域合并。比較各區(qū)域的索引顏色，將CIEDE2000色差小于容許值的歸為同一類，最后得到重織物圖像分割后的索引圖像。

2 實(shí)驗(yàn)與結(jié)果分析

本文對常見的多種重織物圖像進(jìn)行了實(shí)驗(yàn)。為顯示實(shí)驗(yàn)效果，本文選擇了較典型的4種顏色的重織物進(jìn)行結(jié)果分析，選擇的實(shí)驗(yàn)圖像大小為180像素×90像素，分辨率為72 dpi，圖像格式為JPEG，源圖像如圖4所示。從圖可看到，由于掃描和失真壓縮，源圖像中同種紗線的顏色并不一致，不同顏色的紗線之間存在過渡顏色，重組織邊緣存在陰影。

圖4 源圖像Fig.4 Original image

2.1 混合中值濾波分析

將源圖像轉(zhuǎn)換為Lab顏色模式，對各顏色分量分別進(jìn)行混合中值濾波，結(jié)果如圖5所示。通過混合中值濾波，濾除了孤立的噪聲點(diǎn)，圖像變得平滑，同時(shí)保留了紗線的顏色和邊緣信息，有利于后續(xù)處理。

圖5 混合中值濾波Fig.5 Image after hybrid median filtered

2.2 平滑濾波分析

對中值濾波后的圖像進(jìn)行平滑濾波，平滑后的圖像如圖6所示。其中：圖6(a)為高斯濾波；圖6(b)為雙邊濾波后的圖像；圖6(c)為設(shè)置色差容許值權(quán)值的高斯平滑濾波，色差采用Lab歐氏距離計(jì)算；圖6(d)為本文算法。圖6(a)～(d)算法中，窗口大小均為3像素×3像素，σ=3，色差容許值為6。

圖6 平滑濾波圖像Fig.6 Images after smoothing filtering.(a) Gaussian filter;(b) Bilateral filter; (c) Gaussian filter based on Lab color difference;(d)Proposed filter

從各平滑圖像可看出：高斯濾波后同顏色紗線的顏色變得平滑，已經(jīng)基本消除了同顏色紗線間的紋理，但是不同顏色紗線之間的邊緣也變得非常模糊；雙邊濾波后的圖像邊緣比高斯算法清晰，但仍較模糊；采用Lab顏色分量的歐氏距離計(jì)算的色差設(shè)置容許值，進(jìn)行高斯平滑后的圖像，邊緣較清晰，但是重組織邊緣的陰影難以消除；本文提出的平滑算法處理后的圖像，既消除了紗線和紗線間的紋理，弱化了重組織邊緣的陰影，又保留了紗線的顏色，有利于后續(xù)圖像分割處理。

2.3 分水嶺分割分析

對平滑圖像中的每個(gè)像素點(diǎn)計(jì)算梯度，形成的梯度圖像如圖7(a)所示，顯示的圖像進(jìn)行了灰度拉伸?？煽闯?，不同顏色紗線之間的邊緣梯度較為顯著，同顏色紗線梯度值非常小。將梯度值小于固定閾值(設(shè)為10)的置零，對梯度圖像進(jìn)行分水嶺分割，結(jié)果如圖7(b)所示，顯示的圖像灰度按標(biāo)記序號進(jìn)行了灰度拉伸。從圖中可看到，分割后的區(qū)域?yàn)橄嘟伾喚€組成的區(qū)域。

圖7 分水嶺分割Fig.7 Watershed segmentation.(a) Gradient image; (b) Label image

圖8 索引圖像Fig.8 Index image.(a) Before region merging; (b) After region merging

2.4 區(qū)域合并分析

將同一標(biāo)記區(qū)域內(nèi)像素點(diǎn)的R、G、B分量的平均值作為標(biāo)記區(qū)域的索引顏色，索引圖像如圖8(a)所示，分割后的圖像與源圖像區(qū)域基本一致，而且視覺上各區(qū)域顏色與紗線顏色基本相同。區(qū)域合并后的圖像如圖8(b)所示，可看到分割結(jié)果較為準(zhǔn)確，索引色也較為真實(shí)。

3 結(jié) 語

本文的平滑濾波算法可以有效濾除重織物圖像中同顏色紗線的紋理和重組織邊緣的陰影，平滑后的圖像較好地保留了真實(shí)的紗線顏色；通過提取鄰域像素點(diǎn)的色差作為梯度圖像，進(jìn)行分水嶺分割，對重織物圖像進(jìn)行了準(zhǔn)確分割，獲取了主顏色索引圖像。

對多種重織物圖像進(jìn)行實(shí)驗(yàn)發(fā)現(xiàn)，為保證有效分割，圖像的分辨率非常重要，一般紗線之間紋理和重織物陰影的寬度應(yīng)少于3個(gè)像素點(diǎn)，否則平滑濾波后的圖像存在較顯著的紋理或陰影，在進(jìn)行分水嶺分割時(shí)將作為一種顏色區(qū)域，導(dǎo)致分割錯(cuò)誤。由于CIEDE2000色差計(jì)算公式比較復(fù)雜，在圖像平滑濾波和計(jì)算梯度圖像時(shí)，需對圖像中的每個(gè)像素點(diǎn)進(jìn)行色差計(jì)算，因此整個(gè)算法比較耗時(shí)。在后續(xù)的研究中，將對CIEDE2000色差提出近似算法，提高計(jì)算效率。

[1] 顧平. 織物組織與結(jié)構(gòu)學(xué)[M]. 上海: 東華大學(xué)出版社, 2010: 79-92. GU Ping. Fabric Weaves and Structures[M]. Shanghai: Donghua University Press, 2010: 79-92.

[2] PAN R, GAO W, LIU J, et al. Automatic detection of the layout of color yarns for yarn-dyed fabric via a FCM algorithm[J]. Textile Research Journal, 2010, 80(12): 1222-1231.

[3] 張揚(yáng), 蔣高明, 姚君洲, 等. 賈卡經(jīng)編織物多紋理區(qū)域分割技術(shù)[J]. 紡織學(xué)報(bào), 2012, 32(12): 51-55. ZHANG Yang, JIANG Gaoming, YAO Junzhou, et al.

Multi-texture region segmentation of jacquard warpknitted fabric[J]. Journal of Textile Research, 2012, 32(12): 51-55.

[4] 張揚(yáng), 蔣高明, 楊洋, 等. 經(jīng)編賈卡織物紋理分割與輪廓提取技術(shù)[J]. 紡織學(xué)報(bào), 2011, 32( 10): 141-146. ZHANG Yang, JIANG Gaoming, YANG Yang, et al. Texture segmentation and contour extraction of jacquard fabric[J]. Journal of Textile Research, 2011, 32(10): 141-146.

[5] JU Z, ZHOU J, WANG X, et al. Image segmentation based on adaptive threshold edge detection and mean shift[C]//2013 4th IEEE International Conference on Software Engineering and Service Science (ICSESS), Beijing: IEEE Computer Society, 2013: 385-388.

[6] KUO C F J, JIAN B L, WU H C, et al. Automatic machine embroidery image color analysis system: part I: using gustafson-kessel clustering algorithm in embroidery fabric color separation[J]. Textile Research Journal, 2012, 82(6): 571-583.

[7] WANG S, LI W, WANG Y, et al. An improved difference of Gaussian filter in face recognition[J]. Journal of Multimedia, 2012, 7(6): 429-433.

[8] YANG H Y, WANG X Y, QU T X, et al. Image denoising using bilateral filter and Gaussian scale mixtures in shiftable complex directional pyramid domain[J]. Computers & Electrical Engineering, 2011, 37(5): 656-668.

[9] LUO M R, CUI G, RIGG B. The development of the CIE 2000 colour-difference formula: CIEDE2000[J]. Color Research & Application, 2001, 26(5): 340-350.

[10] TARABALKA Y, CHANUSSOT J, BENEDIKTSSON J A. Segmentation and classification of hyperspectral images using watershed transformation[J]. Pattern Recognition, 2010, 43(7): 2367-2379.

Backed weave image segmentation based on smoothing filter and watershed algorithm

ZHOU Hui, ZHANG Huaxiong, HU Jie, KANG Feng

(SchoolofInformaticsandElectronics,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China)

A method of image segmentation based on yarn color was proposed for the characteristics of backed weave images. Firstly, the image was transformed into a Lab color model, and hybrid median filter was used to remove scanning noise; then, a smoothing filter was improved by changing Gaussian weight with the allowable value of color difference and removing the shadows of overlapping structure and yarn textures with same color while maintaining the yarn color features; the gradient image based on color difference was extracted, and the label image of fabric was obtained by watershed segmentation algorithm; finally, the index image of fabric with main color was obtained by merging the segmentation region with similar color. Experimental results showed that the algorithm can segment backed weave image accurately.

backed weave; image segmentation; color difference; smooth filtering; watershed algorithm

10.13475/j.fzxb.20140802205

2014-08-08

2014-11-17

浙江省高校重中之重學(xué)科開放基金項(xiàng)目(2013KF08)；浙江理工大學(xué)研究生創(chuàng)新研究項(xiàng)目(YCX13021)；浙江省信息服務(wù)業(yè)發(fā)展專項(xiàng)資金項(xiàng)目(2013085)

周慧(1990—)，女，碩士生。主要研究方向?yàn)橛?jì)算機(jī)圖像處理?？典h，通信作者，E-mail：kangf@zstu.edu.cn。

TN 919；TS 145.4

A