Novel Colour Clustering Method for Interlaced Multi-colored Dyed Yarn Woven Fabrics

• Autorzy: Zhang J. , Xin B. , Shen C. , Fang H. , Cao Y.

Identyfikatory

DOI

10.5604/12303666.1152535

Warianty tytułu

PL

Nowa metoda określania łączenia kolorów dla tkanin wykonanych z przeplatanych przędz barwionych

• Języki publikacji: EN

Abstrakty

EN

In this paper, a novel colour clustering method based on the K-means clustering algorithm is developed for interlaced multi-coloured dyed yarn woven fabrics which can be used to sort the colour of the dyed yarn for the development of a quick response fabric system. Firstly fabric images captured by a flat scanner could be decomposed into three sub-images in red, green and blue channels, respectively. Secondly median filters with different template sizes were selected to process the sub-images in the three color channels separately. Thirdly filtered images in the RGB colour space, reconstructed from the three sub-images, can be converted into the Lab colour format. Ultimately the results of colour segmentation and classification can be obtained based on the Lab color space using the improved Kmeans clustering algorithms. Our experimental results indicated that our method proposed works better than the conventional method based on subjective and manual operations with the aid of simple tools in terms of both accuracy and robustness.

PL

Pokazano opracowanie nowej metody określania łączenia kolorów, opartej na algorytmach uzyskiwania wartości średnich mających zastosowanie przy wielokolorowych przędzach przeplatanych w tkaninach. Metoda może być stosowana przy określaniu kolorów barwionych przędz, aby uzyskać szybką odpowiedź barwy dla różnego rodzaju tkaniny. Wstępnie obrazy tkaniny uzyskane z płaskiego skanera mogą być zdekomponowane w trzy sub-obrazy w kanałach czerwonym, zielonym i niebieskim, następnie filtry uśredniające o zróżnicowanych wymiarach wzorców zostają wybrane dla obróbki sub-obrazów niezależnie w trzech kanałach barwnych. Po tym przefiltrowane obrazy w przestrzeni RGB są rekonstruowane w tych trzech kanałach i mogą być przetworzone w systemie kolorystycznym Lab. W końcu wyniki segmentacji kolorów i klasyfikacji mogą być uzyskane, bazując na przestrzeni kolorystycznej Lab przy zastosowaniu poprawionego algorytmu łączenia. Wyniki eksperymentalne wskazują, że zaproponowana metoda daje możliwość uzyskania lepszych rezultatów niż metoda konwencjonalna oparta o subiektywne, ręczne operacje z zastosowaniem prostych narzędzi.

Słowa kluczowe

EN

colour clustering; Lab colour space; K-means algorithm; dyed yarn woven fabrics; image analysis

PL

łączenie kolorów; system kolorystyczny Lab; przeplatana przędza barwiona; algorytm łączenia; analiza obrazu

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2015
• Tom: Vol. 23, no. 3 (111)
• Strony: 107--114
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Zhang J.

• College of Fashion, Shanghai University of Engineering Science, Shanghai, P. R. China

autor

Xin B.

• College of Fashion, Shanghai University of Engineering Science, Shanghai, P. R. China

autor

Shen C.

• College of Fashion, Shanghai University of Engineering Science, Shanghai, P. R. China

autor

Fang H.

• College of Fashion, Shanghai University of Engineering Science, Shanghai, P. R. China

autor

Cao Y.

• College of Fashion, Shanghai University of Engineering Science, Shanghai, P. R. China

Bibliografia

• 1. Littmann E, Ritter H. Adaptive Color Segmentation-a Comparison of Neural and Statistical Methods. Neural Networks, IEEE Transactions on. 1997; 8(1): 175-185.
• 2. Tominaga S. A Color Classification Method for Color Images Using a Uniform Color Space. In: IEEE Pattern Recognition, 1990. Proceedings., 10th International Conference.on. 1990.
• 3. Dong G, Xie M. Color Clustering and Learning for Image Segmentation Based on Neural Networks. Neural Networks, IEEE Transactions on. 2005; 16(4): 925-936.
• 4. Binjie X, Jinlian H, Baciu G. Investigation on the Classification of Weave Pattern Based on an Active Grid Model. Textile Research Journal 2009; 79(12): 1123-1134.
• 5. Xu B, Lin S. Automatic Color Identification in Printed Fabric Images by a Fuzzy-Neural Network. AATCC Review 2002; 2(9): 42-45.
• 6. Kuo CFJ, Shih CY, Kao CY. Color and Pattern Analysis of Printed Fabric by an Unsupervised Clustering Method. Textile Research Journal 2005; 75(1): 9-12.
• 7. Pan R, Gao W, Liu J. Color Clustering Analysis of Yarn-Dyed Fabric in HSL Color Space. In: Software Engineering. IEEE WCSE'09. WRI World Congress, 2009.
• 8. Gao W, Wang S, Pan R. Automatic Inspection of Single-System-Mélange Color Fabric Density Based on FCM Algorithm. matrix 1: p. 2.
• 9. Ronghua Z, Hongwu C, Xiaoting Z. Unsupervised Color Classification for Yarn-Dyed Fabric Based on FCM Algorithm. In: Artificial Intelligence and Computational Intelligence (AICI), IEEE International Conference, 2010.
• 10. Kuo CFJ, Su TL, Huang YJ. Computerized Color Separation System for Printed Fabrics by Using Backward-Propagation Neural Network. Fibers and Polymers 2007; 8(5): 529-536.
• 11. Su TL, Kung FC, Kuo YL. Application of Back-Propagation Neural Network Fuzzy Clustering in Textile Texture Automatic Recognition System. In: Wavelet Analysis and Pattern Recognition. IEEE. ICWAPR'08. International Conference, 2008.
• 12. Shafarenko L, Petrou M, Kittler J. Histogram-Based Segmentation in a Perceptually Uniform Color Space. Image Processing, IEEE Transactions on, 1998. 7(9): 1354-1358.
• 13. Nikolaev DP, Nikolayev PP. Linear Color Segmentation and Its Implementation. Computer Vision and Image Understanding 2004; 94(1): 115-139.
• 14. Siang TK, Matisa NA. Color Image Segmentation Using Histogram Thresholding–Fuzzy Cmeans Hybrid Approach. Pattern Recognition 2011; 44(1): 1-15.
• 15. Wang X, Georganas ND, Petriu EM. Fabric Texture Analysis Using Computer Vision Techniques. Instrumentation and Measurement 2010; 60 (1): 44-56.
• 16. Xin JH, Shen HL, Chuen LC. Investigation of Texture Effect on Visual Colour Difference Evaluation. Color Research & Application 2005; 30(5): 341-347.
• 17. Pan R, Gao W, Liu J. Automatic Detection of the Layout of Color Yarns for Yarn-Dyed Fabric via a FCM Algorithm. Textile Research Journal 2010; 80(12): 1222-1231.
• 18. Wikipedia, http://en.wikipedia.org/wiki/Lab. 19. Ray S, Turi RH. Determination of Number of Clusters in K-means Clustering and Application in Colour Image Segmentation. In: The 4th International Conference on Advances in Pattern Recognition and Digital Techniques, 1999.
• 20. Xiaomin B, Xiao P, Yaming W. Textile Image Segmentation Based on Semi-Supervised Clustering and Bayes Decision. In: Artificial Intelligence and Computational Intelligence. AICI'09. IEEE International Conference, 2009.