CN101976440B - 一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法 - Google Patents

Abstract

本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法。首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到两幅相应的滤波图像；从两幅滤波图像中各自计算方式一致的一组灰度统计量作为概貌特征；同时依据织物纹理基本循环周期和遍历法原理从两幅滤波图像中计算得到四个极值灰度统计量作为细节特征，该灰度统计量与计算概貌特征时选用的灰度统计量一致；最后将上述两个概貌特征与四个细节特征组成混合特征向量。这种混合特征向量内各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。

Description

一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法

技术领域

本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法。

背景技术

借助织物纹理表征技术能够实现织物纹理参数估计、纹理分类、织物外观评价、瑕疵检测等等目的。任何织物纹理都包含两方面的重要信息，即概貌信息和细节信息。概貌信息为人眼或机器视觉提供总体的粗略的结构和灰度印象，而细节信息则提供局部的精细的结构和灰度印象。因此，要全面和细致地表征纹理结构，最大限度地反映纹理特点，在特征提取时就必须兼顾纹理的概貌和细节信息。为了便于表述，本申请拟将那些主要反映概貌信息的特征称为概貌特征，而将那些主要反映细节信息的特征称为细节特征。显然，概貌特征和细节特征各有侧重，具有极大的互补性。本发明旨在讨论基于Sobel算子滤波理论的概貌和细节混合特征向量提取方法，用以表征织物纹理。

Sobel算子是图像处理中的算子之一，主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量。Sobel算子有两个，一个检测水平边缘，另一个检测垂直边缘。Sobel算子在图像空间利用两个3×3的方向模板或者说卷积核与图像中每个点进行邻域卷积来完成边缘检测，这两个方向模板其中一个通过近似垂直方向梯度而增强图像的水平方向边缘，另一个则通过近似水平方向梯度而增强图像的垂直方向边缘。Sobel水平和垂直边缘增强模板分别为

$T_x=\left(\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right)$

和 $T_y=\left(\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right)$

在织物纹理的Sobel算子表征领域，尚未见到有关的国内文章或专利报道。为了检测织物缺纬瑕疵，美国的Jasper和Potapalli采用Sobel水平滤波算子对织物图像进行了滤波处理，但仅仅提取了Sobel滤波后的边缘图像剖面图，未进行更深入的纹理表征分析，且只涉及一个Sobel滤波算子。为了检测织物瑕疵，Lane在其申请的美国国家专利中提出了一种采用Sobel算子和数学形态学相结合的纹理表征方法，其方法为，首先对原图像进行Sobel水平和垂直滤波，然后对两个滤波图像进行融合，然后将该图像二值化处理，接着进行二值化图像的数学形态学处理，最后以边界点作为表征纹理的特征。该报道没有考虑以纹理周期基本循环长度作为特征提取的依据，没有说明二值化阈值的选取方法，所提取的单一特征也仅仅涉及边界点像素数量，并且未明确定义边界点的含义，未考虑边界点在图像中的分布情况。

上述已有文献或专利涉及的织物纹理表征方法对织物纹理信息的表征都是局限在全局特征的提取，未能兼顾织物纹理的概貌和细节信息，因而不能全面和细致地表征织物纹理的本质特点。此外，上述Sobel算子纹理表征方法主要特点在于，纹理图像经Sobel算子滤波处理后，必须选取一定的阈值以实现图像的二值化。这样有两个主要缺点：一是针对不同纹理选取最优阈值是一件困难的事情；二是图像经二值化处理后，大量的灰度过渡信息被损失掉，只剩下全黑和全白的二值信息，而待处理的纹理图像通常具有256个灰度级。因此，上述处理方法较为繁琐且在此基础上提取的特征不能实现对纹理更充分更贴切的表征。

发明内容

本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法。首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到两幅相应的滤波图像；从两幅滤波图像中各自计算方式一致的一组灰度统计量作为概貌特征；同时依据织物纹理基本循环周期和遍历法原理从两幅滤波图像中计算得到四个极值灰度统计量作为细节特征，该灰度统计量与计算概貌特征时选用的灰度统计量一致；最后将上述两个概貌特征与四个细节特征组成混合特征向量。这种混合特征向量内各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。

本发明的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法。首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到相应的两幅滤波图像；从两幅相应滤波图像中各自计算方式一致的各一个成为一组灰度统计量作为概貌特征；同时依据遍历法原理分别计算两幅滤波图像中每一个包含一个横向基本循环周期和每一个包含一个纵向基本循环周期的子窗口的灰度统计量，该灰度统计量与计算概貌特征时选用的灰度统计量一致，最后从中选取两个反映横向细节信息的灰度统计量极值和两个反映纵向细节信息的灰度统计量极值作为表征织物纹理的细节特征；最后将上述两个概貌特征与四个细节特征组成混合特征向量。

所述的用于表征织物纹理的Sobel算子滤波概貌与细节混合特征向量的提取过程如下：

首先采集数字化织物纹理图像，记为W，W为矩形，其尺寸长×宽为L₁×L₂，即横向和纵向长度分别为L₁和L₂，而其沿横向的基本周期即列周期为P₁个像素，沿纵向的基本周期即行周期为P₂个像素，行周期和列周期均指取整后的像素数，P₁通过计算W的任一行图像像素灰度值集合的基本循环周期得到，P₂通过计算W的任一列图像像素灰度值集合的基本循环周期得到。

对原始织物图像矩形窗口W进行Sobel算子水平滤波，经滤波后的图像记为W_h，选择一种灰度统计量，计算W_h的该灰度统计量，作为表征织物纹理水平信息的概貌特征之一，记为E_h；

在滤波后的织物图像矩形窗口W_h中建立矩形子窗口W₂，所述的矩形子窗口W₂的长度等于滤波后的织物图像矩形窗口W_h的长度L₁，所述的矩形子窗口W₂的宽度等于织物纹理图像纵向基本循环周期单位长度即行周期单位长度P₂，将矩形子窗口W₂以每次固定的步长垂直地滑移以遍历整个W_h，选用与计算E_h一致的灰度统计量，从而相应求得一系列灰度统计值，分别记其中的最小者和最大者为E₁和E₂，E₁即为横向边缘极小统计量，E₂即为横向边缘极大统计量；

对原始织物图像矩形窗口W进行Sobel算子垂直滤波，经滤波后的图像记为W_v，选用与计算E_h一致的灰度统计量，计算W_v的该灰度统计量，作为表征织物纹理垂直信息的概貌特征之一，记为E_v；

在滤波后的织物图像矩形窗口W_v中建立矩形子窗口W’₁，所述的矩形子窗口W₁的长度等于织物纹理图像横向基本循环周期单位长度即列周期单位长度P₁，所述的矩形子窗口W₁的宽度等于滤波后的织物图像矩形窗口W_v的宽度L₂，将矩形子窗口W₁以每次固定的步长水平地滑移以遍历整个W_v，选用与计算E_h一致的灰度统计量从而相应求得一系列灰度统计值，分别记其中的最小者和最大者为E₃和E₄，E₃即为纵向边缘极小统计量，E₄即为纵向边缘极大统计量；

最终得到表征织物纹理的混合特征向量[E_h E_v E₁ E₂ E₃ E₄]。

作为优选的技术方案：

其中，如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的灰度统计量可以为仙农熵、灰度均值或灰度标准差。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的织物为机织物。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的织物纹理图像的横向与纬纱方向一致，而织物纹理图像的纵向与经纱方向一致，旨在更好地发挥Sobel算子水平和垂直滤波的效果，从而更好地表征织物纹理的纬纱信息和经纱信息。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的固定的步长为1～3像素。

一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的矩形子窗口W₁的水平滑移固定步长与W₂的垂直滑移固定步长不必相同。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其中上述基本循环周期P₁和P₂的计算借助一维快速傅里叶变换(FFT)实现。对于N点序列x(n)，其FFT变换对定义为

$X\left(k\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right){\mathrm{\ω}}_N^{\mathrm{nk}},k=\mathrm{0,1},L,N-1$

$x\left(n\right)=\frac{1}{N}\underset{k=0}{\overset{N-1}{\mathrm{\Σ}}}X\left(k\right){\mathrm{\ω}}_N^{-\mathrm{nk}},n=\mathrm{0,1},L,N-1$

其中，

称为旋转因子。

实数序列x(n)经FFT处理后得到的X(k)序列为复数序列，该复数序列的第一个值对应频率为0，没有实际意义，直接将其去除，剩下的序列为一个结构对称序列，进行谱分析时只需取其前N/2的数据即可。X(k)的模称为幅度，幅度的平方称为功率，记为W。最大功率所对应的频率为序列x(2)的主频，主频的倒数即为该序列的基本周期。设序列x(n)的采样频率为f_s(Hz)，则第k点即X(k)所对应的实际频率一般情况下，规定f_s＝1，因此，

从而第k点对应的实际周期

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的灰度统计量首选仙农熵。仙农熵是信号的不确定性程度的一个重要度量。对图像而言，其信息量越大，灰度分布越规则，相应的仙农熵就越小，反之仙农熵就越大。仙农熵定义如下：

$X\left(s\right)=-{\mathrm{\Σ}}_i{s}_i^2{\log }_2\left(s_i^2\right)$

其中按惯例约定0log₂(0)＝0，s_i为图像像素灰度值。可以直接使用其它种类的统计量取代上述仙农熵统计量。

有益效果

本发明的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法所提取的用于表征织物纹理的混合特征向量：

(1)各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点；

(2)Sobel算子滤波细节特征的计算充分利用了织物纹理特有的循环规则特点，因而计算得到的特征更加稳定和贴近真实；

(3)Sobel算子滤波概貌特征的计算由于不需要对滤波图像实施二值化处理，因此滤波图像中保留了更多有用的过渡信息，而不仅仅是简单的二值信息，因此，在此基础上所提取的特征对纹理的表征能力更强；

(4)Sobel算子滤波概貌特征的计算由于不需要对滤波图像实施二值化处理，因此无需花费工夫优选二值化阈值，使得计算过程变得简便快捷。

以往的相关研究则不具备上述四个优点。

附图说明

图1是本发明的织物纹理混合特征向量提取示意图

图2是实施例1的一幅64*64像素大小的织物图像

图3是实施例1原图经Sobel算子水平滤波后的图像

图4是实施例1原图经Sobel算子垂直滤波后的图像

图5是实施例2的一幅64*64像素大小的织物图像

图6是实施例2原图经Sobel算子水平滤波后的图像

图7是实施例2原图经Sobel算子垂直滤波后的图像

图8是实施例3的一幅64*64像素大小的织物图像

图9是实施例3原图经Sobel算子水平滤波后的图像

图10是实施例3原图经Sobel算子垂直滤波后的图像

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法。首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到相应的两幅滤波图像；从两幅相应滤波图像中各自计算方式一致的各一个成为一组灰度统计量作为概貌特征；同时依据遍历法原理分别计算两幅滤波图像中每一个包含一个横向基本循环周期和每一个包含一个纵向基本循环周期的子窗口的灰度统计量，该灰度统计量与计算概貌特征时选用的灰度统计量一致，最后从中选取两个反映横向细节信息的灰度统计量极值和两个反映纵向细节信息的灰度统计量极值作为表征织物纹理的细节特征；最后将上述两个概貌特征与四个细节特征组成混合特征向量。

所述的用于表征织物纹理的Sobel算子滤波概貌与细节混合特征向量的提取过程如下：

首先采集数字化织物纹理图像，记为W，W为矩形，其尺寸长×宽为L₁×L₂，即横向和纵向长度分别为L₁和L₂，而其沿横向的基本周期即列周期为P₁个像素，沿纵向的基本周期即行周期为P₂，行周期和列周期均指取整后的像素数，P₁通过计算W的任一行图像像素灰度值集合的基本循环周期得到，P₂通过计算W的任一列图像像素灰度值集合的基本循环周期得到。

对原始织物图像矩形窗口W进行Sobel算子水平滤波，经滤波后的图像记为W_h，选择一种灰度统计量，计算W_h的该灰度统计量，作为表征织物纹理水平信息的概貌特征之一，记为S_h；

在滤波后的织物图像矩形窗口W_h中建立矩形子窗口W₂，所述的矩形子窗口W₂的长度等于滤波后的织物图像矩形窗口W_h的长度L₁，所述的矩形子窗口W₂的宽度等于织物纹理纵向基本循环周期单位长度即行周期单位长度P₂，将矩形子窗口W₂以每次固定的步长垂直地滑移以遍历整个W_h，选用与计算E_h一致的灰度统计量，从而相应求得一系列灰度统计值，分别记其中的最小者和最大者为E₁和E₂，E₁即为横向边缘极小统计量，E₂即为横向边缘极大统计量；

对原始织物图像矩形窗口W进行Sobel算子垂直滤波，经滤波后的图像记为W_v，选用与计算E_h一致的灰度统计量，计算W_v的该灰度统计量，作为表征织物纹理垂直信息的概貌特征之一，记为S_v；

在滤波后的织物图像矩形窗口W_v中建立矩形子窗口W₁，所述的矩形子窗口W₁的长度等于织物纹理横向基本循环周期单位长度即列周期单位长度P₁，所述的矩形子窗口W₁的宽度等于滤波后的织物图像矩形窗口W_v的宽度L₁，将矩形子窗口W₁以每次固定的步长水平地滑移以遍历整个W_v，选用与计算E_h一致的灰度统计量从而相应求得一系列灰度统计值，分别记其中的最小者和最大者为E₃和E₄，E₃即为纵向边缘极小统计量，E₄即为纵向边缘极大统计量；

最终得到表征织物纹理的混合特征向量[S_h S_v E₁ E₂ E₃ E₄]。

作为优选的技术方案：

其中，如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的灰度统计量可以为仙农熵、灰度均值或灰度标准差。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的织物为机织物。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的织物纹理图像的横向与纬纱方向一致，而织物纹理图像的纵向与经纱方向一致，旨在更好地发挥Sobel算子水平和垂直滤波的效果，从而更好地表征织物纹理的纬纱信息和经纱信息。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的固定的步长为1～3像素。

一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的矩形子窗口W₁的水平滑移固定步长与W₂的垂直滑移固定步长不必相同。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其中上述基本循环周期P₁和P₂的计算借助一维快速傅里叶变换(FFT)实现。

如上所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，所述的灰度统计量首选仙农熵。

可以直接使用其它种类的统计量取代上述仙农熵统计量。

下面结合附图作进一步的说明：

(1)采集数字化织物纹理图像，记为W，如图1中的矩形ABCD所示，其尺寸为L₁×L₂像素，即横向(AD)和纵向(AB)长度分别为L₁像素和L₂像素；

(2)对原图像同步分别实施索贝尔算子水平滤波和垂直滤波处理，记经索贝尔算子水平滤波后的图像为W_h，经索贝尔算子垂直滤波后的图像为W_v；

(3)从仙农熵、灰度均值、灰度方差中选择一种灰度统计量，首选仙农熵，然后直接计算出W_h的该灰度统计量，作为水平边缘纹理概貌灰度统计量特征，记为S_h；

(4)选择与计算W_h时一致的灰度统计量，直接计算出W_v的灰度统计量，作为垂直边缘纹理概貌灰度统计量特征，记为S_v；

(5)抽取待分析的织物纹理图像的任一行像素灰度值集合，借助一维快速傅里叶变换求得其沿横向的基本周期即列基本周期P₁；

(6)抽取待分析的织物纹理图像的任一列像素灰度值集合，借助一维快速傅里叶变换求得其沿纵向的基本周期即行基本周期P₂；

(7)在W_h中任取一个如矩形A₂B₂C₂D₂所示的子窗口，简记为记为W₂，该子窗口横向长度为L₁而纵向长度为P₂，选择与计算W_h时一致的灰度统计量，计算W₂的该统计量，然后将W₂以每次1～3像素的固定步长垂直地滑移以遍历整个W，共有L₂-P₂+1个W₂，从而可相应求得L₂-P₂+1个灰度统计量，分别记其中的最小者和最大者为E₁和E₂；

(8)在W_v中任取一个如矩形A₁B₁C₁D₁所示的子窗口，简记为记为W₁，该子窗口横向长度为P₁而纵向长度为L₂，选择与计算W_h时一致的灰度统计量，计算W₁的该统计量，然后将W₁以每次1～3像素的固定步长水平地滑移以遍历整个W，共有L₁-P₁+1个W₁，从而可相应求得L₁-P₁+1个灰度统计量，分别记其中的最小者和最大者为E₃和E₄；

(9)得到表征织物纹理的特征向量[S_h S_v E₁ E₂ E₃ E₄]。

实施例1

(1)获取织物图像W，该图像大小为64×64像素，如图2所示。

(2)对W实施Sobel算子水平滤波，得到如图3所示的图像，记为W_h。

(3)对W实施Sobel算子垂直滤波，得到如图4所示的图像，记为W_v。

(4)选择仙农熵作为本例所有特征计算时采用的灰度统计量，仙农熵计算公式如下：

$X\left(s\right)=-{\mathrm{\Σ}}_i{s}_i^2{\log }_2\left(s_i^2\right)$

(5)计算W_h的仙农熵即S_h，作为水平边缘纹理概貌灰度统计量特征，结果为-5.23×10⁷。

(6)计算W_v的仙农熵即S_v，作为垂直边缘纹理概貌灰度统计量特征，结果为-9.51×10⁷。

(7)采用一维FFT对原图的任一行灰度数据进行周期计算，得到列基本周期P₁＝6像素。

(8)采用一维FFT对原图的任一列灰度数据进行周期计算，得到行基本周期P₂＝4像素。

(9)依据图3和P₂采用遍历法计算E₁和E₂，此处遍历法中的矩形子窗口滑移步长为1个像素，结果分别为-9.22×10⁷和-3.36×10⁷。

(10)依据图4和P₁采用遍历法计算E₃和E₄，此处遍历法中的矩形子窗口滑移步长为1个像素，结果分别为-12.10×10⁷和-5.80×10⁷。

(11)最终得到表征织物纹理的混合特征向量[-5.23×10⁷-9.51×10⁷-9.22×10⁷-3.36×10⁷-12.10×10⁷-5.80×10⁷]。

实施例2

(1)获取织物图像W，该图像大小为64×64像素，如图5所示。

(2)对W实施Sobel算子水平滤波，得到如图6所示的图像，记为W_h。

(3)对W实施Sobel算子垂直滤波，得到如图7所示的图像，记为W_v。

(4)选择灰度均值作为本例所有特征计算时采用的灰度统计量，灰度均值计算公式如下：

$X\left(s\right)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_i$

(5)计算W_h的灰度均值即S_h，作为水平边缘纹理概貌灰度统计量特征，结果为86.84。

(6)计算W_v的灰度均值即S_v，作为垂直边缘纹理概貌灰度统计量特征，结果为88.69。

(7)采用一维FFT对原图的任一行灰度数据进行周期计算，得到列基本周期P₁＝20像素。

(8)采用一维FFT对原图的任一列灰度数据进行周期计算，得到行基本周期P₂＝11像素。

(9)依据图6和P₂采用遍历法计算E₁和E₂，此处遍历法中的矩形子窗口滑移步长为2个像素，结果分别为72.31和98.50。

(10)依据图7和P₁采用遍历法计算E₃和E₄，此处遍历法中的矩形子窗口滑移步长为3个像素，结果分别为73.64和92.11。

(11)最终得到表征织物纹理的混合特征向量[86.8488.6972.3198.5073.6492.11]。

实施例3

(1)获取织物图像W，该图像大小为64×64像素，如图8所示。

(2)对W实施Sobel算子水平滤波，得到如图9所示的图像，记为W_h。

(3)对W实施Sobel算子垂直滤波，得到如图10所示的图像，记为W_v。

(4)选择灰度标准差作为本例所有特征计算时采用的灰度统计量，灰度标准差计算公式如下：

$X\left(s\right)=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(s_i-\stackrel{\‾}{s})}^2},$ 其中， $\stackrel{\‾}{s}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_i$

(5)计算W_h的灰度标准差即S_h，作为水平边缘纹理概貌灰度统计量特征，结果为110.80。

(6)计算W_v的灰度标准差即S_v，作为垂直边缘纹理概貌灰度统计量特征，结果为115.92。

(7)采用一维FFT对原图的任一行灰度数据进行周期计算，得到列基本周期P₁＝8像素。

(8)采用一维FFT对原图的任一列灰度数据进行周期计算，得到行基本周期P₂＝15像素。

(9)依据图9和P₂采用遍历法计算E₁和E₂，此处遍历法中的矩形子窗口滑移步长为3个像素，结果分别为88.63和135.29。

(10)依据图10和P₁采用遍历法计算E₃和E₄，此处遍历法中的矩形子窗口滑移步长为1个像素，结果分别为90.45和138.73。

(11)最终得到表征织物纹理的混合特征向量[110.80115.9288.63135.2990.45138.73]。

Claims (7)

1.一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其特征是：

首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到相应的两幅滤波图像；将从两幅相应滤波图像中各自计算方式一致的各一个成为一组灰度统计量作为概貌特征；

同时依据遍历法原理分别计算两幅滤波图像中每一个包含一个横向基本循环周期的子窗口的灰度统计量和每一个包含一个纵向基本循环周期的子窗口的灰度统计量；这里所述的灰度统计量与计算概貌特征时选用的灰度统计量一致，最后从中选取两个反映横向细节信息的灰度统计量极值和两个反映纵向细节信息的灰度统计量极值作为表征织物纹理的细节特征；

最后将上述两个概貌特征与四个细节特征组成混合特征向量；

所述的用于表征织物纹理的Sobel算子滤波概貌与细节混合特征向量的提取过程如下：

首先采集数字化织物纹理图像，记为W，W为矩形，其尺寸长×宽为L₁×L₂，即横向和纵向长度分别为L₁和L₂，而其沿横向的基本周期即列周期为P₁个像素，沿纵向的基本周期即行周期为P₂，行周期和列周期均指取整后的像素数，P₁通过计算W的任一行图像像素灰度值集合的基本循环周期得到，P₂通过计算W的任一列图像像素灰度值集合的基本循环周期得到；

对原始织物图像矩形窗口W进行Sobel算子水平滤波，经滤波后的图像记为W_h，选择一种灰度统计量，计算W_h的该灰度统计量，作为表征织物纹理水平信息的概貌特征之一，记为E_h；

在滤波后的织物图像矩形窗口W_h中建立矩形子窗口W₂，所述的矩形子窗口W₂的长度等于滤波后的织物图像矩形窗口W_h的长度L₁，所述的矩形子窗口W₂的宽度等于织物纹理纵向基本循环周期单位长度即行周期单位长度P₂，将矩形子窗口W₂以每次固定的步长垂直地滑移以遍历整个W_h，选用与计算E_h一致的灰度统计量，从而相应求得一系列灰度统计值，分别记其中的最小者和最大者为E₁和E₂，E₁即为横向边缘极小统计量，E₂即为横向边缘极大统计量；

对原始织物图像矩形窗口W进行Sobel算子垂直滤波，经滤波后的图像记为W_v，选用与计算E_h一致的灰度统计量，计算W_v的该灰度统计量，作为表征织物纹理垂直信息的概貌特征之一，记为E_v；

在滤波后的织物图像矩形窗口W_v中建立矩形子窗口W₁，所述的矩形子窗口W₁的长度等于织物纹理横向基本循环周期单位长度即列周期单位长度P₁，所述的矩形子窗口W₁的宽度等于滤波后的织物图像矩形窗口W_v的宽度L₂，将矩形子窗口W₁以每次固定的步长水平地滑移以遍历整个W_v，选用与计算E_h一致的灰度统计量从而相应求得一系列灰度统计值，分别记其中的最小者和最大者为E₃和E₄，E₃即为纵向边缘极小统计量，E₄即为纵向边缘极大统计量；

最终得到表征织物纹理的混合特征向量[E_h E_v E₁ E₂ E₃ E₄]。

2.根据权利要求1所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其特征在于，所述的灰度统计量为仙农熵、灰度均值或灰度标准差。

3.根据权利要求1所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其特征在于，所述的织物图像的纹理横向与纬纱方向一致，而织物图像的纹理纵向与经纱方向一致，旨在更好地发挥Sobel算子水平和垂直滤波的效果，从而更好地表征织物纹理的纬纱信息和经纱信息。

4.根据权利要求1所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其特征在于，所述的固定的步长为1～3像素。

5.根据权利要求1所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其特征在于，所述的矩形子窗口W₁的固定步长与W₂的固定步长不必相同。

6.根据权利要求1所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其特征在于，所述的基本循环周期P₁和P₂的计算借助一维快速傅里叶变换实现。

7.根据权利要求1所述的一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其特征在于，所述的织物为机织物。

Images