CN102005042A - 一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法 - 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索贝尔(Sobel)算子滤波概貌特征提取方法。织物图像首先分别和同步地经Sobel算子水平滤波和垂直滤波处理，得到两幅对应的滤波图像，然后分别从中提取计算方式一致的一组或几组灰度统计量组成表征织物纹理概貌信息的特征向量。在此基础上提取的灰度统计量特征间具有较好的互补性，由它们联合组成的特征向量能较全面地表征织物纹理的概貌信息。本发明的另一优点是不需要对Sobel算子滤波后的图像实施融合和二值化处理，避免了二值化阈值选取的困难，同时更丰富地保留了滤波后图像的有用信息。

Description

一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法 

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索贝尔(Sobel)算子滤波概貌特征提取方法。 

背景技术

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，并进一步对滤波图像实施了二值化处理，但仅仅提取了Sobel算子滤波后的边缘图像剖面图，未进行更深入的纹理表征分析，且其算法只涉及Sobel水平滤波算子。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。 

上述已有文献涉及的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Sobel算子滤波概貌特征提取方法。首先对原始织物图像分别进行水平和垂直Sobel算子滤波处理，得到Sobel水平算子滤波图像和Sobel垂直算子滤波图像，然后分别从这两种滤波图像中各自计算某种或某几种(一般不超过三种)灰度统计量作为概貌特征，用以表征织物纹理的概貌信息。经Sobel水平算子滤波后的图像主要保留了织物纹理的水平边缘概貌信息，而经Sobel垂直算子滤波后的图像主要保留了织物纹理的垂直边缘概貌信息。在此基础上提取的灰度统计量特征间具有很好的互补性，分别表征织物纹理的经向(即垂直方向)概貌信息和纬向(即水平方向)概貌信息，且不同统计量类型本身之间也具有很强的互补性，能够反映纹理的不同方面，因而从这个角度而言也是高度互补的，同时由它们联合组成的特征向量又能较全面地表征织物纹理的概貌信息。本发明的另一优点是不需要对Sobel算子滤波后的图像实施二值化处理，这样避免了二值化阈值选取的困难，同时更丰富地保留了滤波后图像的有用信息，有助于进一步提高上述特征的纹理表征能力。 

本发明的一种用于表征织物纹理的索贝尔算子滤波概貌特征，至少包含一组灰度统计量，所述的一组灰度统计量包括织物纹理水平边缘纹理概貌灰度统计量和织物纹理垂直边缘纹理概貌灰度统计量；所述的边缘纹理概貌灰度统计量是指织物的图像经索贝尔算子滤波后得到的灰度统计量；织物纹理水平边缘纹理概貌灰度统计量依次列在前，织物纹理垂直边缘纹理概貌灰度统计量依次列在后。 

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Sobel算子滤波概貌特征，所述的至少包含一组灰度统计量为一组、两组或三组灰度统计量；当为两组以上灰度统计量时，选用不同的灰度统计量；同组的灰度统计量一致。由于可以得到水平和垂直滤波两个滤波图像，因此，若选用一种统计量，则可以计算得到两个特征，若选用两种统计量，则可以计算得到四个特征，依次类推。 

如上所述的一种用于表征织物纹理的Sobel算子滤波概貌特征，所述的灰度统计量为仙农熵统计量、对数能量熵、p-范数熵、灰度均值、标准差、偏度或峰度。 

如上所述的一种用于表征织物纹理的Sobel算子滤波概貌特征，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Sobel算子滤波概貌特征，所述织物的图像的横向与纬纱方向一致，所述织物的图像的纵向与经纱方向一致。 

本发明的一种用于表征织物纹理的索贝尔(Sobel)算子滤波概貌特征，其提取过程首先对织物图像分别进行水平和垂直Sobel算子滤波处理；在此基础上，分别从两个滤波图像中各自计算某种或某几种(一般不超过三种)灰度统计量，由此得到表征织物纹理的多个概貌特征。所述的多个概貌特征分别属于水平边缘纹理概貌灰度统计量和垂直边缘纹理概貌灰度统计量，分别表征了织物纹理的横向边缘概貌信息和纵向边缘概貌信息。 

本发明还提供了一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法，包括以下步骤： 

首先获取织物纹理数字化图像，确保纬纱方向与图像的横向基本一致、经纱方向与图像的纵向基本一致；然后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； 

选择至少一种灰度统计量，然后直接计算出W_h的灰度统计量，作为水平边缘纹理概貌灰度统计量特征，第一种灰度统计量记为S_h1，第二种灰度统计量记为S_h2，第三种灰度统计量记为S_h3，以此类推，第n种灰度统计量记为S_hn；各种灰度统计量都不相同； 

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，第一种灰度统计量记为S_v1，第二种灰度统计量记为S_v2，第三种灰度统计量记为S_v3，以此类推，第n种灰度统计量记为S_vn；各种灰度统计量都不相同； 

所述的水平边缘纹理概貌灰度统计量与垂直边缘纹理概貌灰度统计量一一对应，即水平边缘纹理概貌灰度统计量与垂直边缘纹理概貌灰度统计量的数量和同一排序的种类相同； 

最终得到表征织物纹理概貌信息的特征向量：织物纹理水平边缘纹理概貌灰度统计量依次列在前，织物纹理垂直边缘纹理概貌灰度统计量依次列在后，选用一种灰度统计量时为[S_h1S_v1]，或者选用两种灰度统计量时为[S_h1S_h2S_v1S_v2]，或者选用三种灰度统计量时为[S_h1S_h2S_h3S_v1S_v2S_v3]，以此类推，或者选用n种灰度统计量时为[S_h1S₁₂S_h3……S_hnS_v1S_v2S_v3……S_vn]。 

如上所述的一种用于表征织物纹理的Sobel算子滤波概貌特征提取方法，所述的灰度统计量选用三种或三种以内的灰度统计量。 

如上所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法，所述的灰度统计量为仙农熵统计量、对数能量熵、p-范数熵、灰度均值、标准差、偏度或峰度。 

如上所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法，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索贝尔算子滤波概貌特征提取方法，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。 

用其它种类的灰度统计量作为第二种、第三种灰度统计量作为上述仙农熵统计量的补充，也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Sobel算子滤波概貌特征提取方法所提取的用于表征织物纹理的特征向量： 

(1)能够同时准确地刻画织物纹理的经向灰度分布的概貌统计信息和纬向灰度分布的概貌统计信息，有利于后续研究中的纹理自动分类或客观评估； 

(2)可根据纹理具体情况灵活搭配选用互补性较强的不同种类的统计量，由此得到的特征向量能够更全面地表征织物纹理的概貌信息； 

(3)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，且因此而无需花费工夫优选二值化阈值，使得计算过程变得简便。 

以往的相关研究则不具备上述三个优点。 

附图说明

图1是实施例1的一幅64*64像素大小的织物图像 

图2是实施例1原图经Sobel算子水平滤波后的图像 

图3是实施例1原图经Sobel算子垂直滤波后的图像 

图4是实施例2的一幅64*64像素大小的织物图像 

图5是实施例2原图经Sobel算子水平滤波后的图像 

图6是实施例2原图经Sobel算子垂直滤波后的图像 

图7是实施例3的一幅64*64像素大小的织物图像 

图8是实施例3原图经Sobel算子水平滤波后的图像 

图9是实施例3原图经Sobel算子垂直滤波后的图像 

图10是实施例4的一幅64*64像素大小的织物图像 

图11是实施例4原图经Sobel算子水平滤波后的图像 

图12是实施例4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索贝尔算子滤波概貌特征，至少包含一组灰度统计量，所述的一组灰度统计量包括织物纹理水平边缘纹理概貌灰度统计量和织物纹理垂直边缘纹理概貌灰度统计量；所述的边缘纹理概貌灰度统计量是指织物的图像经索贝尔算子滤波后得到的灰度统计量；织物纹理水平边缘纹理概貌灰度统计量依次列在前，织物纹理垂直边缘纹理概貌灰度统计量依次列在后。 

其中，如上所述的一种用于表征织物纹理的Sobel算子滤波概貌特征，所述的至少包含一组灰度统计量为一组、两组或三组灰度统计量；当为两组以上灰度统计量时，选用不同的灰度统计量；同组的灰度统计量一致。由于可以得到水平和垂直滤波两个滤波图像，因此，若选用一种统计量，则可以计算得到两个特征，若选用两种统计量，则可以计算得到四个特征，依次类推。 

如上所述的一种用于表征织物纹理的Sobel算子滤波概貌特征，所述的灰度统计量为仙农熵统计量、对数能量熵、p-范数熵、灰度均值、标准差、偏度或峰度。 

如上所述的一种用于表征织物纹理的Sobel算子滤波概貌特征，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Sobel算子滤波概貌特征，所述织物的图像的横向与纬纱方向一致，所述织物的图像的纵向与经纱方向一致。 

本发明的一种用于表征织物纹理的索贝尔(Sobel)算子滤波概貌特征，其提取过程首先对织物图像分别进行水平和垂直Sobel算子滤波处理；在此基础上，分别从两个滤波图像中各自计算某种或某几种(一般不超过三种)灰度统计量，由此得到表征织物纹理的多个概貌特征。所述的多个概貌特征分别属于水平边缘纹理概貌灰度统计量和垂直边缘纹理概貌灰度统计量，分别表征了织物纹理的横向边缘概貌信息和纵向边缘概貌信息。 

实施例1 

(1)获取织物纹理数字化图像，确保纬纱方向与图像的横向基本一致、经纱方向与图像的纵向一致，如图1所示。 

(2)对原始织物图像实施Sobel算子水平滤波处理，得到原图像的Sobel算子水平滤波图像，记为W_h，如图2所示。 

(3)对原始织物图像实施Sobel算子垂直滤波处理，得到原图像的Sobel算子垂直滤波图像，记为W_h，如图3所示。 

(4)选取要使用的统计量，本例选择仙农熵一个统计量，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_h1，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_v1，作为垂直边缘纹理概貌灰度统计量特征，结果为-9.51×10⁷。 

(7)最终得到表征该织物纹理概貌信息的特征向量[-5.23×10⁷-9.51×10⁷]。 

实施例2 

本例中各步骤与实施例1一样，不同之处在于： 

(1)所处理的图像不同，本例中获取的织物纹理数字化图像如图4所示，经Sobel算子水平滤波后的图以及经Sobel算子垂直滤波后的图分别如图5和图6所示。 

(2)选用了两个统计量，一个是仙农熵，一个是灰度均值，它们的计算公式如下： 

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

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

(3)最终得到表征该织物纹理概貌信息的特征向量[S_h1S_h2S_v1S_v2]，具体结果为[-4.43×10⁷86.84-8.55×10⁷88.69]。 

实施例3 

本例中各步骤与实施例1一样，不同之处在于： 

(1)所处理的图像不同，本例中获取的织物纹理数字化图像如图7所示，经Sobel算子水平滤波后的图以及经Sobel算子垂直滤波后的图分别如图8和图9所示。 

(2)选用了三个统计量，一个是对数能量熵，一个是标准差，一个是峰度，它们的计算公式如下： 

对数能量熵 $X\left(s\right)={\mathrm{\Σ}}_i\log \left(s_i^2\right)$

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

峰度 $X\left(s\right)=\frac{E(s_i-\stackrel{\‾}{s})}{{\mathrm{\σ}}^4},$

其中， 

为所有s_i的均值，σ为所有s_i的标准差，E(t)表示变量t的数学期望 

(3)最终得到表征该织物纹理概貌信息的特征向量[S_h1S_h2S_h3S_v1S_v2S_v3]， 

具体结果为[3626.3110.82.02033689.4115.92.3410]。 

实施例4 

本例中各步骤与实施例1一样，不同之处在于： 

(1)所处理的图像不同，本例中获取的织物纹理数字化图像如图10所示，经Sobel算子水平滤波后的图以及经Sobel算子垂直滤波后的图分别如图11和图12所示。 

(2)选用了两个统计量，一个是p-范数熵，一个是偏度，它们的计算公式如下： 

p-范数熵X(s)＝∑_i|s_i|^p，p≥1 

偏度 $X\left(s\right)=\frac{E(s_i-\stackrel{\‾}{s})}{{\mathrm{\σ}}^3}$

其中， 

为所有s_i的均值，σ为所有s_i的标准差，E(t)表示变量t的数学期望 

(3)取p＝1.5，最终得到表征该织物纹理概貌信息的特征向量[S_h1S_h2S_v1S_v2]，具体结果为[4.34×10⁶0.89746.06×10⁶0.4569]。 

Claims (10)

1.一种用于表征织物纹理的索贝尔算子滤波概貌特征，其特征是：至少包含一组灰度统计量，所述的一组灰度统计量包括织物纹理水平边缘纹理概貌灰度统计量和织物纹理垂直边缘纹理概貌灰度统计量；所述的边缘纹理概貌灰度统计量是指织物的图像经索贝尔算子滤波后计算得到的灰度统计量；织物纹理水平边缘纹理概貌灰度统计量依次列在前，织物纹理垂直边缘纹理概貌灰度统计量依次列在后。

2.如权利要求1所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征，其特征在于，所述的至少包含一组灰度统计量为一组、两组或三组灰度统计量；当为两组以上灰度统计量时，选用不同的灰度统计量；同组的灰度统计量一致。

3.如权利要求1所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征，其特征在于，所述的灰度统计量为仙农熵统计量、对数能量熵、p-范数熵、灰度均值、标准差、偏度或峰度。

4.如权利要求1所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征，其特征在于，所述的织物为机织物。

5.如权利要求1所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征，其特征在于，所述织物的图像的横向与纬纱方向一致，所述织物的图像的纵向与经纱方向一致。

6.一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法，其特征是包括以下步骤：首先获取织物纹理数字化图像，确保纬纱方向与图像的横向一致、经纱方向与图像的纵向一致；然后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；

选择至少一种灰度统计量，然后直接计算出W_h的灰度统计量，作为水平边缘纹理概貌灰度统计量特征，第一种灰度统计量记为S_h1，第二种灰度统计量记为S_h2，第三种灰度统计量记为S_h3，以此类推，第n种灰度统计量记为S_hn；各种灰度统计量都不相同；

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，第一种灰度统计量记为S_v1，第二种灰度统计量记为S_v2，第三种灰度统计量记为S_v3，以此类推，第n种灰度统计量记为S_vn；各种灰度统计量都不相同；所述的水平边缘纹理概貌灰度统计量与垂直边缘纹理概貌灰度统计量一一对应，即水平边缘纹理概貌灰度统计量与垂直边缘纹理概貌灰度统计量的数量和同一排序的种类相同；

最终得到表征织物纹理概貌信息的特征向量：织物纹理水平边缘纹理概貌灰度统计量依次列在前，织物纹理垂直边缘纹理概貌灰度统计量依次列在后，选用一种灰度统计量时为[S_h1S_v1]，或者选用两种灰度统计量时为[S_h1S_h2S_v1S_v2]，或者选用三种灰度统计量时为[S_h1S_h2S_h3S_v1S_v2S_v3]，以此类推，或者选用n种灰度统计量时为[S_h1S_h2S_h3……S_hnS_v1S_v2S_v3……S_vn]。

7.如权利要求6所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法，其特征在于，所述的灰度统计量选用三种或三种以内的灰度统计量。

8.如权利要求6所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法，其特征在于，所述的灰度统计量为仙农熵统计量、对数能量熵、p-范数熵、灰度均值、标准差、偏度或峰度。

9.如权利要求6所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法，其特征在于，所述的织物为机织物。

10.如权利要求6所述的一种用于表征织物纹理的索贝尔算子滤波概貌特征提取方法，其特征在于，所述的灰度统计量首选仙农熵。

Images