傅藝揚　劉妹琴　樊臻　張森林

摘要：為了提高提花織物紋樣提取的準確性，消除織物組織結(jié)構(gòu)對提取結(jié)果的干擾，文章提出了一種基于紋理消除濾波算法和密度峰聚類算法的紋樣提取方法。通過統(tǒng)計圖片區(qū)域梯度信息分離提花織物組織紋理區(qū)域和圖案邊緣結(jié)構(gòu)，并利用非極大值抑制獲得紋樣邊緣結(jié)構(gòu)作為滾動引導濾波器的引導圖，經(jīng)過多次迭代計算實現(xiàn)織物紋理濾波。然后將圖片從RGB顏色空間轉(zhuǎn)換為CIELab顏色空間，利用密度峰聚類算法對織物色彩空間分割聚類，最終提取出織物紋樣。實驗結(jié)果表明，文章提出的方法快速準確地實現(xiàn)了提花織物紋樣的自動分割與提取。

關(guān)鍵詞：提花織物;滾動引導濾波器;密度峰聚類;圖像分割;顏色提取

中圖分類號：TS941.2;TS101. 91

文獻標志碼：A 文章編號：l001-7003（2019）12-0009-07 引用頁碼：121102

織物產(chǎn)品內(nèi)容和風格的重要組成成分包括紋樣形狀和色彩搭配，它們影響了消費者對紡織品的直觀視覺感受，也暗含了一定的文化和美學價值[1]。同時隨著高精度數(shù)碼紡織的出現(xiàn)，紋樣和顏色分析的準確和高效在現(xiàn)代制造技術(shù)的產(chǎn)品質(zhì)量控制中發(fā)揮著重要作用[2]。因此織物紋樣提取與分割對織物設(shè)計和生產(chǎn)有重要意義，分割的準確性是織物圖像組織結(jié)構(gòu)提取、計算機輔助紋樣設(shè)計的基礎(chǔ)[3]。

目前織物紋樣圖像提取方法主要為特征聚類方法。MO等[4]提出了基于自組織映射神經(jīng)網(wǎng)絡(luò)（ self-organizing-map，SOM）算法的織物顏色聚類方法。李俞霏等[5]利用K-means算法對織物顏色區(qū)域進行劃分，并利用Calinski-Harabasz指標輔助確定聚類最佳數(shù)目，實現(xiàn)了對明代織物的色彩提取和紋樣分割。邢樂等[6]首先利用白適應閾值算法分割被測織物圖像的紋樣與底紋，后利用Mean-shift聚類算法自動獲取織物實物的主色數(shù)目和分割結(jié)果。

上述方法在織物圖像預處理時一般只考慮紗線紋理和噪聲對后續(xù)分割的影響，但是對于含有多種組織結(jié)構(gòu)且紋樣復雜的提花織物，其復雜的紋理信息會對圖案區(qū)域的分離造成干擾，導致誤分割。為了能得到準確的紋樣提取結(jié)果，本文針對經(jīng)緯紗線異色的機織提花織物提出如下方法：1）獲取清晰完整的提花織物圖像。2）利用雙邊濾波算法對采集得到的織物圖像進行預處理。3）通過改進的滾動引導濾波算法（ rolling guidance filter，RGF）去除提花織物組織紋理對紋樣分割的影響。4）采用密度峰聚類算法（ density peaks clustering，DPC）通過顏色空間的無監(jiān)督聚類得到清晰完整的紋樣提取結(jié)果。

1 研究框架

1.1 噪聲平滑與紗線紋理消除

織物圖像獲取過程中引入的噪聲信號和織物紗線包含的紋理結(jié)構(gòu)給提取帶來了不便，本文采用雙邊濾波器對提花織物圖片進行預處理。雙邊濾波[7]是一種非線性濾波技術(shù)，它結(jié)合了不同點間的空間距離和像素差值信息，為了達到這一目的，雙邊濾波算法將顏色域的高斯濾波函數(shù)和空間域的濾波函數(shù)結(jié)合，最終在平滑噪聲的同時保持圖像細小的顏色邊界信息完整。雙邊濾波算法如下式所示：式中：N（p）是以點p為中心大小為kxk的矩形窗口;I（p）代表點p處的像素值;，Ibf（p）代表點p濾波后輸出的像素值;Wp用于標準化輸出值。

1.2提花織物組織紋理去除

織物圖像具有許多層次的結(jié)構(gòu)和邊緣，如紋樣圖案邊緣和織物組織結(jié)構(gòu)，組織組織紋理會對織物紋樣提取的準確性產(chǎn)生影響，因此需要對織物組織結(jié)構(gòu)進行一定的處理來消除這些影響。中值濾波算法、高斯濾波算法等常見的濾波算法對所有結(jié)構(gòu)采用統(tǒng)一的濾波參數(shù)，無法在平滑組織結(jié)構(gòu)的同時保證紋樣邊緣清晰。為了在去除圖像紋理區(qū)域的同時，還能保證圖案結(jié)構(gòu)的清晰準確，本文基于滾動引導濾波算法[8]提出了一種紋理濾波方法。

滾動引導濾波器是一種有效的尺度感知濾波器，該算法首先利用高斯濾波去除圖像組織紋理結(jié)構(gòu)，之后以原始圖像為參考，引入聯(lián)合雙邊濾波公式，通過多次迭代計算恢復被模糊的紋樣邊緣結(jié)構(gòu)。式中：G（p）為高斯模糊后點p處輸出像素值;Kp用于標準化輸出值。

通過式（4）的迭代計算，每次計算得到的圖片，其紋樣邊緣結(jié)構(gòu)清晰程度會優(yōu)于上一次的計算結(jié)果，一般3～5次迭代后，圖片的紋樣邊緣結(jié)構(gòu)能恢復到原始圖片水平。在迭代過程中雖然模糊的紋樣邊緣信息會被恢復，但是已經(jīng)被完全消除的織物組織結(jié)構(gòu)不會復原。式中：初始Jo為高斯模糊后圖像G，Jt（p）為第t次迭代輸出圖點p處的像素值。

如圖l所示，由于滾動引導濾波算法只能恢復被模糊的信息而不能恢復被消除的信息，在算法的第一步高斯濾波算法平滑圖像時，一些和織物組織結(jié)構(gòu)一起去除的紋樣邊緣信息不能在第二步時恢復，影響織物紋樣提取的完整度。

為了能更好地保證織物圖案輪廓的完整性，本文提出一個新的引導圖計算方法，來代替高斯模糊圖片G0該引導圖可以幫助滾動引導濾波器更好的區(qū)分紋樣邊緣和織物組織區(qū)域，獲得更清晰的紋理濾波圖案。

1.2.1引導圖的計算

如圖2所示，紋樣邊緣附近的梯度信息類似階躍信號，梯度方向大體相同：而織物組織區(qū)域的梯度信息類似震蕩信號，梯度方向具有隨機性。相對總變差模型（ relative total variation，RTV）[9]利用該特點，通過統(tǒng)計織物圖片區(qū)域梯度矢量和來區(qū)分組織區(qū)域和紋樣邊緣。

1）計算織物圖片每個像素點的梯度信息。將Sobel邊緣檢測算子與圖像進行平面卷積計算，利用縱向模板和橫向模板分別得到每個像素點的縱向梯度值和橫向梯度值。式中：Fx、Fy分別為水平和豎直方向梯度值;⊕為卷積運算符。

2）統(tǒng)計區(qū)域梯度信息，計算kxk窗口中所有像素點的梯度矢量和。式中：Kx、K，用于標準化輸出值;θp為以p為中心k×k矩陣內(nèi)梯度總方向;T（p）即為以p為中心kxk矩陣內(nèi)梯度總強度值，T（p）越大代表點p是紋樣邊緣點的可能性越大。

3）使用非極大值抑制[10]來抑制紋樣邊緣附近的次強點，從而獲取更精確的紋樣邊緣作為引導圖。

T（p）獲取的窗口梯度信息會在邊緣附近產(chǎn)生較寬的響應，影響紋樣邊緣定位的準確性，需要進一步提取紋樣邊緣位置得到引導圖TNMS。對于點p沿其窗口梯度方向θp比較其與鄰近兩點的大小，如果p不是其梯度方向局部最大值，則令其強度值為零。

T（p）為離散點組成的二維矩陣，當點p在其窗口邊緣梯度方向上沒有對應點時，需要利用點p周圍點進行插值計算，近似得到梯度方向pe1和pe2的值。如圖3所示，T（pe1）=T（pe3）×tan（90°-θp）+T（P2） x[l - tan（90°-θp）]，T（Pe2）=T（p6）×tan（90°-θp）+T（p7）×[1- tan（90°-θp）]。

如果p是局部最大值，即p>pe1且p>Pe2，TNMS（p）=T（p），否則TNMS（p） =0。對于窗口梯度強度值矩陣T的每個點進行非極大值抑制，得到紋樣邊緣強度矩陣TNMS（圖4）。

1.2.2紋理濾波算法

計算得到細紋樣邊緣強度矩陣TNMS后，利用該矩陣代替高斯模糊圖片G，即令式（4）中初始Jo=TNMS，通過多次迭代計算得到最終濾波結(jié)果。改進后的紋理濾波算法流程如圖5所示。

從圖6可以看出，TNMS更好地體現(xiàn)了圖案的邊緣信息，紋理濾波在消除織物組織結(jié)構(gòu)的同時，完整且清晰地保留了織物紋樣輪廓結(jié)構(gòu)。

1.3顏色空間轉(zhuǎn)換

RGB顏色空間利用三原色的疊加來表示色彩信息，其優(yōu)點是直觀易懂，但R、G、B分量高度相關(guān)且均勻性差，空間內(nèi)兩種顏色間的距離不能代表人眼對兩種顏色的感知差異。CIELab顏色模型是一種基于人眼生理特征的模型，可以用顏色空間內(nèi)兩點間距離的遠近來表示人眼感知這兩種顏色相似程度的大小。CIELab顏色空間可以更好地表示不同像素點的色差值，因此本文將圖片的顏色空間由RGB轉(zhuǎn)換為CIELab，具體轉(zhuǎn)換公式見文獻[11]。像素點i與j間的距離和色差計算公式如下：

1.4密度峰聚類算法

本文采用密度峰聚類算法[12]對織物圖片顏色進行搜索和聚類。該算法無需確定聚類數(shù)目和聚類中心，通過統(tǒng)計數(shù)據(jù)的密度分布對數(shù)據(jù)進行自動劃分，分類準確度高，且該算法無需迭代尋求最優(yōu)解，對于量級較大的圖像數(shù)據(jù)處理速度較快。密度峰值聚類算法的步驟如下：

1）估計每個像素點的密度值。本文利用高斯核函數(shù)密度估計方法，利用所有像素點的分布信息估計像素點i的密度，可以得到更準確的估計值。式中：dij為像素點i和j的色差值，由式（11）計算得到;de為高斯函數(shù)帶寬值。

2）計算像素點i與任何其他密度較高的點之間的最小色差δi。

δi= mm（ dij）

（13）

j：p i>p1

對于密度最大的點，δi取與其他像素點色差的最大值。

δi= maxi（dij）

（14）

3）花出決策圖并依據(jù)決策圖選取聚類中心。DPC算法將局部密度峰值點作為聚類中心，即該點密度值較大且與其他點距離較遠。為了能更直觀地挑選出這些點，算法以密度值pi和色差值δi為坐標繪制決策圖，決策圖上與兩個坐標軸距離較遠的點即為聚類中心點。

4）依據(jù)決策圖選取聚類中心后，計算每個點距各個聚類中心點的距離，并將其歸類到距離最近的聚類點。

2 實驗結(jié)果及參數(shù)優(yōu)化

2.1 圖像獲取

本文使用愛普生的Epson Perfection V500平面掃描儀，采用1200 dpi的分辨率獲取提花織物圖像，圖7為一幅大小為1044×786像素的提花織物圖像。

2.2雙邊濾波參數(shù)選擇

通過實驗發(fā)現(xiàn)（圖8），雙邊濾波算法的濾波窗口大小選擇max（3，max（w，h）/200），σs等于或略小于濾波窗口大小，σr取值在0. 08～0.15，可以適應大部分提花織物的預處理需求。其中w、h分別為織物圖像的寬和高。

2.3 織物組織紋理濾波

首先利用邊緣檢測算子提取圖片梯度信息。通過實驗發(fā)現(xiàn)，常見的邊緣檢測算子中，Sobel算子提取出的邊緣梯度信息更加完整準確且運行速度較快。之后利用式（7）～（10）提取輪廓邊緣強度信息，式（7）～（8）中的窗口大小應該和織物組織紋理尺度近似，一般取Sx5。最后利用非極大值抑制得到較為準確的邊緣輪廓圖。圖9為窗口大小5 x5、σs=5、σr=0.1的紋理濾波結(jié)果。

將邊緣輪廓圖TNMS.代入迭代式（4），經(jīng)過5次迭代后得到紋理消除后的織物圖，如圖10所示。在進行迭代時，高斯濾波窗口大小一般與式（7）～（8）中的窗口大小相等，高斯空間帶寬σs可以取等于或略小于濾波窗口大小，引導圖帶寬σr一般取0.1左右。

2.4顏色聚類與紋樣分割

式（12）在估計像素點密度值時，要先確定參數(shù)de的大小，如過大或者過小都會影響后續(xù)顏色聚類的準確性。本文利用人眼對顏色差異的感知程度來確定de值，表l展示了NBS單位色差與人眼色彩感知關(guān)系，可以看出當色差值差異大于3NBS時，人眼可以明顯分辨。工業(yè)上常常利用表l作為產(chǎn)品顏色質(zhì)量的評價標準，即在CIELab顏色空間中，當成品顏色與樣本顏色利用式（11）計算得到的色差值大于3時，認為兩者是不同顏色。因此本文將de值定為3，即與像素點色差為3以內(nèi)的點納入密度計算的范圍內(nèi)。

計算出所有點的密度值和最小色差后，以Pi為橫坐標，δi為縱坐標繪制決策圖，如圖11所示。通過圖11可以得到4個聚類中心，這4個點與其他點相互獨立且差異較大，并與織物所用顏色一致，可以看出算法通過決策圖直觀準確地獲得了聚類中心。

對于剩余點計算其與4個聚類中心的距離，按距離遠近進行分類，得到如圖12所示的提花織物紋樣分割結(jié)果?？梢钥闯?，最終得到的紋樣提取結(jié)果輪廓完整且邊緣結(jié)構(gòu)準確清晰。

2.5 實驗結(jié)果分析與對比

本文利用手工標注的方法對圖7（a）和另外19幅經(jīng)緯紗線異色的機織提花織物提取結(jié)果進行分割，作為標準分割樣本，比較本文方法和其他方法對這20幅織物紋樣分割的平均準確性。常見的圖像分割性能檢測指標[13]為均交并比（ mean intersectionover union.MIoU）和均像素精度（mean pixel accura-cy，MPA），數(shù)值越高則表示分割結(jié)果越精確。統(tǒng)計出每幅提花織物的MPA和MIoU值后，再計算每個方法對20幅織物分割準確度的平均值，即MAP和MIoU作為最終評價指標。式中：k表示分類數(shù)目，pij為所有分類正確的像素點數(shù)量，pij為所有被錯誤歸為j類的i類像素點數(shù)量，pji為所有被錯誤歸為i類的j類像素點數(shù)量。

實驗先比較了紋理濾波對紋樣提取效果的影響。表2第一行展示了在提花織物預處理時，不進行紋理濾波紋樣提取的平均準確度。第二行展示了本文方法，即進行紋理濾波時，紋樣提取的平均準確度?？梢钥吹剑y理濾波有效地去除了組織紋理對紋樣分割的影響，大幅提升了紋樣提取的準確度。同時實驗將MO等[4]、李俞霏等[5]、邢樂等[6]提出的方法與本文提出方法進行了比較，本文提出的方法相較于其他方法獲得了更好的提花織物紋樣提取效果。

3結(jié)論

為了消除提花織物復雜的組織結(jié)構(gòu)對紋樣提取準確性的影響，本文提出了一種基于紋理濾波和顏色聚類的提花織物紋樣白動提取方法。該方法通過改進的滾動引導濾波算法識別和平滑織物組織結(jié)構(gòu)，利用密度峰聚類算法分割圖像顏色信息，最終提取出清晰完整的織物紋樣。實驗結(jié)果表明，該方法在提花面料顏色提取與紋樣分割中具有良好的效果和實用性，與常用聚類方法相比大幅提高了紋樣提取的準確性。本文提出方法適用于紋樣色彩多變且組織結(jié)構(gòu)復雜的提花織物，但是對于紋樣顏色單一的織物，比如經(jīng)緯紗線同色的提花織物無法取得理想的分割效果，紋樣提取準確度會有所下降。后續(xù)工作將針對這一問題，同時結(jié)合織物顏色特征和紋理特征進行改進。

參考文獻：

[1]陳潔，陳玉紅.絲綢文化在絲綢品牌建設(shè)中的傳承與創(chuàng)新[J].絲綢，2013，50（9）：70-74.

CHEN Jie， CHEN Yuhong. Inheritance and innovation of silkculture in silk brand building[J].

Joumal of Silk， 2013， 50（9）：70-74.

[2] ZHENG D J.A new method for automatic separation of fabriccolor[J]. Textile Research Joumal， 2015， 85 （14）： 1520-1538.

[3]丁莉，周群娣，眭建華.基于紋織CAD軟件的提花織物紋樣表現(xiàn)技法探討[J].絲綢，2010 （1）：39-41.

DING Li， ZHOU Qundi， SUI Jianhua. Jacquard fabrie'spatterns basded on jacquard CAD software[J]. Journal ofSilk， 2010（1）：39-41.

[4] MO H F，XU B G，OUYANC W B，et al.Color segmentationof multi-colored faMcs using self-organizing-map basedelustering algorithm[J]. Textile Researeh Journal， 2017，87（3）：369-380.

[5]李俞霏，梁惠娥.明代織物紋樣的智能提?。阂远放Ｅ蹫槔齕J].絲綢，2018，55 （11）：53-58.

LI Yufei， LIANC Hui'e. Intelligent extraction of pattemsfroru Ming dynasty faMcs： the case study of the hullfight rohe[J]. Journal of Silk， 2018， 55（ 11）： 53-58.

[6]邢樂，張杰，梁惠娥，等.傳統(tǒng)服飾云肩實物圖像主色的智能檢測[J].紡織學報，2017，38 （11）：110-115，

XING Le， ZHANG Jie， LIANG Hui'e， et al. Intelligentinspection of dominant colors for Chinese traditional folkYunjian[J].

Joumal of Textile Researeh， 2017， 38（ 11）：110 -115.

[7]CHAUDHURY K N， SACE D， UNSER M. Fast 0（1）bilateral filtering using trigonometrie range kernels[J].Transactions on Image Processing， 2011， 20（ 12）：3376-3382.

[8] ZHANG Q， SHEN X Y， XU L，et al. Rolling guidance. filter[J]. Computer Vision-ECCV， 2014， 8691（3）：815-830.

[9] XU L，YAN Q， XIA Y， et al.Strueture extraction from texturevia relative total variation [J]. ACM Transactions onGraphies（ TOC）， 2012， 31 （6）： 1-10.

[10]NEUBECK A， GOOL L V. Efficient Non-MaximumSuppression [Cl.

Hongkong： The 18th IntemationalConference on Pattern Recognition， 2006： 850-855.

[11]鄧廷權(quán)，張守龍.融合模糊Histon閾值和FCM的Lab空間色彩分割算法[J].計算機工程與應用，2015， 51（11）：162-166.

DENG Tingquan， ZHANC Shoulong. Lab spaces colorsegmentation algorithm based on fuzzy Histon threshold andFCM elustering [J].

Computer Engineering andApplie，ations， 2015， 51（ 11）：162-166.

[12] RODRIGUEZ A， LAIO A.Clustering hy fast search and findof density peaks[J].Science， 2014， 344（ 6191）：1492-1496.

[13] UNNIKRISHNAN R， PANTOFARUC， HEBERTM. Towardobjective evaluation of image segmentation algor ithms[J].IEEE Transactions on Pattern Analysis and MachineIntelligenee， 2007， 29（6）：929-944.

收稿日期：2019-03 -19;修回日期：2019-10-31

基金項目：江蘇省科技支撐計劃項目（BE2014099）

作者簡介：傅藝揚（ 1993 ），女，碩士研究生，研究方向為織物圖像處理、織物CAD系統(tǒng)。