论文部分内容阅读
纺织行业中颜色是一项重要参数,它直接关系到纺织品质量、等级、价格和企业的经济效益,所以在实际生产中有着重要的意义。目前仍有许多企业不能完全实现在线方式对纺织品样本进行检测。通过对纺织品抽样进行检测会存在很大程度的误判,且离线检测效率低。因此,本文基于数字图像处理技术对纺织品的颜色进行检测和自动分类,对提高纺织品的染色质量和检测效率有重要意义。本文采用了基于HSV颜色空间和CIELAB颜色空间两种算法对纺织品进行色差检测。基于HSV颜色空间下的直方图相交算法是通过空间转换公式将获得的RGB颜色特征值转换至HSV颜色空间,在该空间下进行颜色量化并获取一维直方图,再对两幅图像特征直方图在各个数值级上的较小值进行累加,得到图像在该直方图特征意义下的公共部分,从而实现色差的定性检测。基于CIELAB颜色空间的定量检测算法是采用Levenberg-Marquardt(LM)改进的BP神经网络实现纺织品色差检测。通过对大量样本的多次训练获得最佳网络,从而建立RGB值与L*a*b*值的映射关系,这一过程代替了传统颜色空间转换公式的计算过程。为验证算法的有效性,本课题以SP60型积分球式分光光度仪的测试结果为标准,采用纺织上常用的4种色差公式对样本色差进行计算,从而实现纺织品色差的定量检测,且准确度较高。为实现纺织品颜色分类,本文采用两种不同的分类器,分别是RBF径向基网络和改进的BP神经网络,并对两种分类器得到的结果进行验证比较。以OHTA颜色空间下提取的特征值作为输入,颜色类别为输出,通过大量样本进行网络训练,得到最佳隐含层节点数目、学习速率以及RBF网络的分布密度等参数。实验结果表明,基于改进的BP神经网络算法得到的分类正确率高于RBF径向基网络,获得了较好的颜色分类结果。本文实现了纺织品的色差检测和颜色分类,对纺织品实际生产中的颜色检测和分类有较大意义和实用价值。