CN103871084A - 蓝印花布图案识别方法 - Google Patents

Abstract

本发明提供蓝印花布图案识别方法，包括：目标图案纹样的数字化采集,对采集的目标图案纹样进行RGB的预处理,对RGB的预处理后获取待检测的图案纹样进行颜色特征的量化和颜色特征的提取处理,对RGB的预处理后获取待检测的图案纹样提取形状特征向量;确定提取的颜色特征向量与标准图案纹样的颜色特征向量的相似值,确定提取的形状特征向量与标准图案纹样的形状特征向量的相似值；综合颜色特征与形状特征的权值得到相应检索权值，根据检索权值确定目标图案纹样相似度。以颜色特征为主、以形状特征为辅的多特征检索方法克服单个特征检索成功率较低的不足之处，相比于单一特征的检索具有更好的效果。

Description

蓝印花布图案识别方法

技术领域

本发明涉及图像检索技术应用领域，具体涉及基于颜色特征和形状特征的蓝印花布图案纹样检索方法。

背景技术

蓝印花布已于2006年5月经国务院批准列入第一批国家级非物质文化遗产名录。工艺美术大师吴元新先生整理收藏明清以来实物及图片资料上万件，保存了上万件纹样纸版，出版了《中国蓝印花布纹样大全》藏品卷。然而，利用先进的管理理念及信息化、数字化的技术手段对非物质文化遗产----“蓝印花布”项目进行传承与保护的研究开发工作却非常少，甚至可以说是空白。

目前，虽然图像计算机检索系统发展迅速，但针对蓝印花布图案纹样的检索系统，仍存在许多问题亟待解决。首先，蓝印花布的图案纹样数据量巨大，内容繁复。使用文本信息很难准确描述图案纹样的内容，使传统上基于文本的检索系统难以胜任图案纹样的检索。其次，OpenCV(OpenCV是一个基于（开源）发行的跨平台计算机视觉库）自带的计算图案纹样颜色特征值的函数只对图案纹样的两个颜色通道进行分析计算，从而导致对图案纹样颜色特征分析的数据不准确。最后，蓝印花布分布广泛，纹样复杂，很多纹样经过长时间保存后破损严重，给蓝印花布的传承造成极大地损失。因此，通过对大量蓝印花布图案纹样的分析、研究后，针对其特点，开发实现以颜色信息为主、以形状信息为辅的蓝印花布图案纹样综合检索及数据库系统就显得尤为重要了。

随着计算机处理图像能力的提高及对检索算法的不断深入研究，使得利用计算机数据库管理系统管理图像变得十分必要。按照检索机理不同，现有的图像检索方法可划分为三种：类目检索、文本检索和基于内容的检索。其中类目检索出现最早，实现容易但检出率较低；文本检索技术成熟，检出率高，但在描述图像内容方面普遍存在不准确、不清晰等缺点，不适用于图像的内容检索；基于内容的检索偏重于图像本身的可视特征，最符合人对图像的直观感受，但实现技术难度最高。基于内容的图像检索系统出现的也较晚，是当前有待进一步研究的具有直观、直接等特点的检索方式。

发明内容

本发明的目的在于提供蓝印花布图案识别方法，提高了蓝印花布图案检索的成功率，图像检索效果更好，准确性更高。

本发明提供的蓝印花布图案识别方法包括：目标图案纹样的数字化采集,对采集的目标图案纹样进行RGB的预处理,确定RGB的预处理后获取的目标图案纹样中的特征向量与标准图案纹样的相似值,综合颜色特征与形状特征的权值得到相应检索权值，根据检索权值确定目标图案纹样相似度。

在一些实施方式中，其中RGB的预处理包括对目标图案纹样进行图案纹样的灰度化处理、图案纹样的滤波去噪处理和图案纹样的归一化处理。

在一些实施方式中，其中图案纹样的灰度化处理将RGB彩色蓝印花布转化为突出蓝色的灰度图像，采用下述方式：

Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100

Gray(i,j)表示第（i,j)个像素的灰度值，得到灰度值后，将原图RGB中的R、G、B统一用Gray(i,j)替换，形成新的颜色RGB（Gray(i,j)、Gray(i,j)、Gray(i,j)），替换原彩色图得到灰度图像。

在一些实施方式中，其中图案纹样的归一化处理通过以下方式处理：一方面采用基于Zernike矩的图像归一化处理技术，另一方面确定蓝印花布图案纹样中的蓝色RGB值为{29,33,70}、白色RGB值为{251,255,255}。

在一些实施方式中，还包括对RGB的预处理后获取的待检测的图案纹样进行颜色特征的量化，其中颜色特征的量化通过以下方式处理：

白色区域：所有S<12%且V>83的颜色为白色；即令H=0,S=0,V=1;

黑色区域：所有V<18%的都为黑色；即令H=0,S=0,V=0;

彩色区域：除了白色与黑色区域外的都为彩色区域，其H,S,V的值保持不变；

其中H表示色彩，S表示纯度，V表示明度；

将H非均匀量化为8个部分，并将S和V划分为黑色区域、白色区域和彩色区域，对白色区域和彩色区域根据颜色区域的不同和主观颜色感知进行进一步的量化；

构造一维特征矢量，按以上量化级，将各颜色分量合成为一维特征矢量G：

G＝H×Q_s×Q_V+S×Q_V+V

其中，Qs和Qv分别是S和V分量的量化级数，按照上述量化方法，量化后的颜色为72维；G的取值范围为[0，71]，确定G值得72维的一维直方图。

在一些实施方式中，其中颜色特征的提取通过以下方式处理得到颜色直方图的各个点的H(k)值：

$H\left(k\right)=\frac{n_k}{N},k=[0,L-1]$

其中k代表图案的颜色特征值，L为特征的数量，n_k为图像中颜色特征为k的像素数目，N为图像的像素总数；为使直方图具有缩放不变性，对其进行归一化处理：

$H_n\left(k\right)=\frac{H\left(k\right)}{\underset{i}{\mathrm{\&Sigma;}}H\left(k\right)}$

H_n(k)为归一化处理后的输出，i为直方图的序号。

在一些实施方式中，其中颜色特征向量的相似值通过以下方式处理：

采用欧式距离算法，目标图案纹样的直方图特征矢量为Q＝{q₀,q₁,q₂...q_L}，对比标准图案纹样的图像直方图特征矢量为S＝{s₀,s₁,s₂...s_L}，则欧氏距离算法采用下述方式：

$D(Q,S)={\left(\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{(q_i-s_i)}^2\right)}^2$

其中，q_i(0≤q_i≤1),s_i(0≤s_i≤1)为归一化值，L为一维直方图矢量的维数；归一化处理后，图像直方图的相似度的定量度量值sim公式：

$\mathrm{sim}(Q,S)=\frac{1}{L}\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}(1-\frac{|q_i-s_i|}{\max (q_i,s_i)})$

其中L为颜色级数，q_i≥0,s_i≥0。

在一些实施方式中，其中形状特征向量的相似值采用下述方式确定：

利用局部自适应阈值图像二值化对目标图案纹样进行边缘检测，对边缘检测后的图案纹样提取轮廓，并对各个小纹样建立一个等级树结构的轮廓数组；

利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图案纹样的轮廓进行匹配，得出各个小纹样形状特征向量的相似度值后取平均值，得出目标图案形状特征向量的相似值。

在一些实施方式中，其中综合颜色特征与形状特征的权值通过以下方式处理：

设I为蓝印花布图案纹样库中的标准图案纹样，Q为目标图案纹样，对Q与I的特征值S的计算如下公式：

S=(W_c*Dist_Color+W_t*Dist_shape)/(W_c+W_t)

其中W_c、W_t分别为颜色特征向量、形状特征向量的权值，Dist_Color、Dist_shape分别为颜色特征和形状特征的相似度值，

通过上述公式确定标准图案的相似度值S_I、目标图案的相似度值S_Q;则目标图案Q与标准图案I的相似度为:

S_QI=S_Q/S_I

发明能以颜色特征为主、以形状特征为辅的多特征检索方法克服单个特征检索成功率较低的不足之处，相比于单一特征的检索具有更好的效果，系统的检索性能令人满意。同时相关动态调整权值技术的引入也大大提高了检索的成功率，图像检索效果更好，准确性更高。

附图说明

图1为本发明一种实施方式的蓝印花布图案识别方法流程示意图。

具体实施方式

下面结合附图及具体实施例，以蓝印花布的图案识别应用为例，对本发明作进一步的详细说明。

本发明提供的是蓝印花布图案识别方法，包括如下步骤：蓝印花布图案纹样的数字化采集，对采集的蓝印花布图案纹样进行RGB的预处理，RGB的预处理包括包括图案纹样的灰度化处理、图案纹样的滤波去噪处理和图案纹样的归一化处理。一方面对RGB的预处理后获取待检测的图案纹样进行颜色特征的量化和颜色特征的提取，提取出颜色直方图，完成图案纹样颜色特征的提取；另一方面，对RGB的预处理后获取待检测的图案纹样提取形状特征向量；分别确定提取的颜色特征向量与标准图案纹样的颜色特征向量的相似值和提取的形状特征向量与标准图案纹样的形状特征向量的相似值，综合颜色特征与形状特征的权值得到相应检索权值，根据检索权值确定目标图案纹样相似值。

蓝印花布图案纹样的数字化采集可以是通过尼康数码相机在自然光的环境下对蓝印花布实物进行拍照采样。将拍摄的蓝印花布图案导入计算机中。在本发明的该实施例中，所采用的开发平台是基于图像检索系统OpenCV实现的，但本发明并不限于此。利用图像检索系统OpenCV对导入计算机中的蓝印花布图案进行RGB的预处理（步骤101）。

蓝印花布图案纹样RGB的预处理包括图案纹样的灰度化处理、图案纹样的滤波去噪处理和图案纹样的归一化处理（步骤102）。图案纹样的灰度化处理，常用方法有分量法、最大值法、和加权平均法等。针对蓝印花布只有蓝色和白色两种颜色的特点，本发明所采用的是突出蓝色的重要性，即利用浮点算法将RGB（R：红色，G：绿色，B：蓝色）彩色蓝印花布转化为突出蓝色的灰度图像，常规浮点算法中Gray(灰度值)的转换公式为：

Gray(i,j)=0.11*B(i,j)+0.59*G(i,j)+0.30*R(i,j)

其中Gray(i,j)为(i,j)点上的灰度值。由此可以看出，G绿色所占比重最大，故转换时直接使用G值做转换后的灰度值。针对蓝印花布只有蓝色和白色，且蓝色所占比重大于白色的特点，经过大量试验，得出本发明所采用的公式：

Gray(i,j)=0.61＊B(i,j)＋0.22*G(i,j)+0.17*R(i,j)

对本发明所采用的公式去除浮点运算公式为：

Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100

在实际计算机处理时，常规转换采用的是浮点运算。而在图像处理中，速度就是生命，实时性往往是很重要的指标，这就要求在实现算法时必须考虑到运算的效率问题。所以在图像处理中，不用浮点运算。采用本发明所采用的公式避免了浮点运算，这样可以很大程度提高计算机处理速度。

采用上述公式求得Gray(灰度值)后，将原图RGB中的R、G、B统一用Gray(i,j)替换，形成新的颜色RGB（Gray(i,j)、Gray(i,j)、Gray(i,j)），替换原彩色图得到灰度图像。

图案纹样的滤波去噪处理是采用中值滤波方法对图像进行滤波去噪处理。中值滤波是非线性滤波，其将邻域中的象素按灰度级排序，取其中间值为输出象素。本发明采用中值滤波对于蓝印花布采样图案纹样处理，不但可以保护图案纹样的边界，对蓝印花布图案纹样起到了整体保护的效果，同时还可以有效滤除脉冲噪声或颗粒噪声，尤其是对经过长期磨损后蓝印花布布匹经纬线噪声的滤除，效果较为明显，中值滤波方法为现有技术，在此不做详细说明。

图案纹样的归一化处理，本发明采用基于Zernike矩的图像归一化处理技术，基于矩的图像归一是依靠矩阵能够将图像通过仿射变换转换成为标准不变形式，即原始图像经过仿射变换处理等图像归一化过程后，获得的图像是唯一不变的。为了方便蓝印花布的特征比较，必须对其进行归一化处理。格式转换可以采用工具软件提前处理；尺寸归一化是将图像缩放为一个统一尺寸，此技术为现有技术，在此不做详细说明。针对蓝印花布的蓝色和白色，在实际应用过程中，这两种颜色却没有统一的数字化标准，因此造成蓝色与白色深浅不一，给蓝印花布的数字化进程造成极大的困难。鉴于此，在对数字化照片进行图像的归一化处理，本发明确定蓝印花布图案纹样中的蓝色RGB值为{29,33,70}、白色RGB值为：{251,255,255}，这样可以避免因为拍摄时灯光原因，使得蓝印花布颜色发生变化，影响颜色特征向量与标准图案纹样的颜色特征向量相似值的确定。

颜色特征的量化，即对目标图案纹样进行颜色颜色空间量化，颜色颜色空间量化是指对颜色空间以相应的比例进行量化，量化后产生一定数量的bin；即将颜色空间分为多个小的块，然后每个块为直方图的一个bin。本发明针对蓝印花布的特点在HSV颜色空间按照人眼视觉感知能力，将H空间分成8份，饱和度S和亮度空间分别分成3份，即以H:S:V=8：3：3的比例进行量化，量化完成后，将HSV颜色空间分成Q_h*Q_s*Q_v个颜色区间,其中Q_h、Q_s和Q_v分别为H、S和V的量化级数，也就是分成了72个颜色区间，即量化后生成共72个bin。量化公式如下：

颜色空间量化后按上述量化级，将各颜色分量合成为一维特征矢量，即将3个颜色分量合成一维特征矢量，构造一维特征矢量，公式如下：

G＝H×Q_s×Q_V+S×Q_V+V

其中，Qs和Qv分别是S和V分量的量化级数，本发明中Q_s和Q_v的值均为3，则G的表达式为：

G＝9＊H＋3＊S＋V

由此，H、S、V三个分量在一维矢量上分布开来，按照上述量化方法，量化后的颜色可以用72维（8H*3S*3V=72）来表示。G的取值范围为[0，71]，计算G值得72bin的一维直方图（步骤104）。另外，对HSV颜色空间还进行如下划分：

白色区域：所有S<12%且V>83的颜色为白色；即令H=0,S=0,V=1;

黑色区域：所有V<18%的都为黑色；即令H=0,S=0,V=0;

彩色区域：除了白色与黑色区域外的都为彩色区域，其H,S,V的值保持不变。

颜色特征的提取，提取颜色直方图，颜色特征的统计直方图，简称为颜色直方图，其定义如下：

$H\left(k\right)=\frac{n_k}{N},k=[0,L-1]$

其中k代表图案的颜色特征值，L为特征的数量，n_k为图像中颜色特征为k的像素数目，N为图像的像素总数，H(k)为提取出来的颜色直方图。为使直方图具有缩放不变性，对其进行归一化处理：

$H_n\left(k\right)=\frac{H\left(k\right)}{\underset{i}{\mathrm{\&Sigma;}}H\left(k\right)}$

H(k)为归一化处理后的输出，i为直方图的序号。对于彩色图像，可以对其三个分量分别统计得到直方图（步骤105）。

本发明的颜色特征向量相似度计算采用欧式距离算法，即假设示例图像的直方图特征矢量为Q＝{q₀,q₁,q₂...q_L}，对比标准图案纹样的的图像直方图特征矢量为S＝{s₀,s₁,s₂...s_L}，则直方图欧氏距离算法进行图像相似性度量为：

$D(Q,S)={\left(\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{(q_i-s_i)}^2\right)}^2$

其中，q_i(0≤q_i≤1),s_i(0≤s_i≤1)为归一化值，L为一维直方图矢量的维数。归一化处理后，图像直方图的相似度的定量度量值公式为：

$\mathrm{sim}(Q,S)=\frac{1}{L}\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}(1-\frac{|q_i-s_i|}{\max (q_i,s_i)})$

其中L为颜色级数，q_i≥0,s_i≥0;若sim的值越靠近1，则表明两幅图在颜色方面越相似，反之亦然。

颜色特征向量的相似值计算的具体步骤：用颜色特征的提取的方法得到目标蓝印花布图案的三个分量的直方图分别记为：DHist_h、DHist_s、DHist_v和标准蓝印花布图案的三个特征值SHist_h、SHist_s、SHist_v，分别利用欧氏距离算法确定DHist_h与SHist_h、DHist_s与SHist_s、DHist_v与SHist_v三对向量之间的相似度。即分别计算向量DHist_h与SHist_h、DHist_s与SHist_s、DHist_v与SHist_v之间的图像直方图的相似度的定量度量值sim_h、sim_s、sim_v，最后对sim_h、sim_s、sim_v求平均值Dist_Color=(sim_h+sim_s+sim_v)/3。计算得出Dist_Color值,Dist_Color取值范围为[0，1]，Dist_Color越靠近1，则目标蓝印花布图案与标准蓝印花布图案越相似（步骤107）。

本发明中形状特征向量的相似值计算的具体步骤：先利用局部自适应阈值图像二值化对目标图案纹样进行边缘检测（步骤103），在此基础上提取轮廓并对各个小纹样建立一个等级树结构的轮廓数组，随后利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图案纹样的轮廓进行匹配计算，得出各个小纹样形状特征向量的相似度值后取平均值得出蓝印花布图案纹样形状特征向量（步骤106）。

本发明中蓝印花布图案纹样的边缘检测选择基于局部自适应阈值图像二值化的边缘检测。分析研究表明蓝印花布的蓝色和白色亮度变化明显，每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的，亮度较高的图像区域的二值化阈值较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。因此，不同亮度、对比度、纹样的局部图像区域拥有相对应的局部二值化阈值。那么，针对蓝印花布的局部邻域块均值自适应阈值，并将用来计算阈值的象素邻域大小设为足够小后即可实现的蓝印花布图案纹样的边缘检测。此方法为现有技术，在此不做详细说明。结果表明，该方法效果普遍好于Canny等传统边缘检测方法。

本发明采用基于不变矩的形状匹配算法计算目标图案纹样与标准图案纹样相对应等级树结构中每一层的独立小纹样轮廓相似度，得出各个小纹样形状特征向量的相似度值后取平均值得出蓝印花布图案纹样形状特征向量相似度Dist_shape，此方法为现有技术，在此不做详细说明。

综合多特征向量检索系统中组成多特征向量不同特征的物理意义各不同，取值范围也不同，这样不同的特征向量不具有直接可比性。即不同算法得到的相似距离互相之间不具有可比性；因此必须进行归一化，以保证不同算法在加权重处于平等地位，本发明采用具有较好鲁棒性的高斯归一化方法来解决这个问题。

本发明中综合颜色特征与形状特征的权值算法（步骤108）如下：

设I为蓝印花布图案纹样库中的标准图案纹样，Q为目标图案纹样，对Q与I的特征值计算可以定义如下公式：

S=(W_c*Dist_Color+W_t*Dist_shape)/(W_c+W_t)

其中W_c、W_t分别为颜色特征向量、形状特征向量的权值，Dist_Color、Dist_shape分别为基于颜色特征和形状特征的相似度值；则标准图案的相似度值S_I与目标图案的相似度值为S_Q。则目标图案Q与标准图案I的相似度为

S_QI=S_Q/S_I

本发明中动态调整蓝印花布图像相似度中颜色特征的权值系数W_c和形状特征的权值系数W_t具体算法如下：若目标蓝印花布图案与标准蓝印花布图案纹样的颜色相似度数值Dist_Color值不为0，表明目标图案与标准图案在颜色特征方面明显不同，则比较的方向侧重于颜色特征的比较，即颜色特征的权值系数W_c为0.25，形状特征的权值系数W_t为0.75。随后将标准图案纹样、颜色特征向量、形状特征向量及对应颜色相似度数值Dist_Color、形状相似度数值Dist_shape存入蓝印花布数据库相应的数据库字段中，并采用如下公式综合计算相似度数值S并存入数据库字段中：

S=0.75*Dist_Color+0.25*Dist_shape

若目标图案纹样与标准图案纹样的Dist值为0，则表明出现两种可能：（1）目标图案纹样与标准图案纹样的颜色与形状完全一致；（2）目标图案纹样与标准图案纹样只是颜色特征向量相同，形状方面存在较大差异。则比较的方向侧重于形状特征的比较，即颜色特征的权值系数W_c为0.75，形状特征的权值系数W_t为0.25。随后将标准图案纹样、颜色特征向量、形状特征向量及对应颜色相似度数值Dist_Color、形状相似度数值Dist_shape存入蓝印花布数据库相应的数据库字段中，并采用如下公式综合计算相似度数值S并存入数据库字段中：

S=0.75*Dist_shape+0.25*Dist_Color

本发明的优点在于:颜色作为蓝印花布图案纹样的重要信息在判断相似性中起到了不可忽视的作用。提取颜色直方图作为蓝印花布图案纹样的颜色特征，提取便捷，计算简单，且充分体现了图像的主色调。蓝印花布在形状方面也具有明显特点：整个蓝印花布纹样轮廓是由多个独立的小纹样轮廓组成。因此，将整个蓝印花布纹样轮廓分解成多个小纹样轮廓并组织为等级树结构，随后对等级树结构上每层小纹样轮廓进行基于不变矩的形状匹配算法计算不但能有效提高计算速度，而且还明显提高相似度的准确性。在综合分析形状和颜色特征提取算法的基础上，结合蓝印花布图案纹样的颜色和形状信息的特点，提出以颜色特征为主、以形状上下文为辅的图案纹样检索技术。采取了对不同特征进行归一化的方法，并且引入了相关动态调整方法，设计开发了一个具有实用性的检索系统，对系统结构、各模块的功能、用户界面做出了说明。最后建立了一个蓝印花布图案纹样图像数据库对系统进行性能测试，实践证明，以颜色特征为主、以形状特征为辅的多特征检索方法克服单个特征检索成功率较低的不足之处，相比于单一特征的检索具有更好的效果，系统的检索性能令人满意。同时相关动态调整权值技术的引入也大大提高了检索的成功率，图像检索效果更好，准确性更高。

Claims (9)

1.蓝印花布图案识别方法，包括： 

对目标图案纹样进行数字化采集； 

对采集的所述目标图案纹样进行RGB的预处理； 

确定所述RGB的预处理后获取的所述目标图案纹样中的特征向量与标准图案纹样的相似值； 

综合颜色特征与形状特征的权值得到相应检索权值，根据检索权值确定目标图案纹样相似值。 

2.根据权利要求1所述的蓝印花布图案识别方法，其中所述RGB的预处理包括对所述目标图案纹样进行图案纹样的灰度化处理、图案纹样的滤波去噪处理和图案纹样的归一化处理。 

3.根据权利要求2所述的蓝印花布图案识别方法，其中所述图案纹样的灰度化处理将RGB彩色蓝印花布转化为突出蓝色的灰度图像，采用下述方式： 

Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100 

Gray(i,j)表示第（i,j)个像素的灰度值，得到所述灰度值后，将原图RGB中的R、G、B统一用Gray(i,j)替换，形成新的颜色RGB（Gray(i,j)、Gray(i,j)、Gray(i,j)），替换原彩色图得到灰度图像。 

4.根据权利要求2所述的蓝印花布图案识别方法，其中所述图案纹样的归一化处理通过以下方式处理： 

一方面采用基于Zernike矩的图像归一化处理技术，另一方面确定蓝印花布图案纹样中的蓝色RGB值为{29,33,70}、白色RGB值为{251,255,255}。 

5.根据权利要求1所述的蓝印花布图案识别方法，还包括对所述RGB的预处理后获取的待检测的图案纹样进行颜色特征的量化，其中所述颜色特征的量化通过以下方式处理： 

白色区域：所有S<12%且V>83的颜色为白色；即令H=0,S=0,V=1; 

黑色区域：所有V<18%的都为黑色；即令H=0,S=0,V=0; 

彩色区域：除了白色与黑色区域外的都为彩色区域，其H,S,V的值保持不变； 

其中H表示色彩，S表示纯度，V表示明度； 

将H非均匀量化为8个部分，并将S和V划分为黑色区域、白色区域和 彩色区域，对白色区域和彩色区域根据颜色区域的不同和主观颜色感知进行进一步的量化； 

构造一维特征矢量，按以上量化级，将各颜色分量合成为一维特征矢量G： 

G＝H×Q_s×Q_V+S×Q_V+V 

其中，Qs和Qv分别是S和V分量的量化级数，按照上述量化方法，量化后的颜色为72维；G的取值范围为[0，71]，确定G值得72维的一维直方图。 

6.根据权利要求1所述的蓝印花布图案识别方法，其中所述颜色特征的提取通过以下方式处理得到颜色直方图的各个点的H(k)值： 

其中k代表图案的颜色特征值，L为特征的数量，n_k为图像中颜色特征为k的像素数目，N为图像的像素总数；为使直方图具有缩放不变性，对其进行归一化处理： 

H_n(k)为归一化处理后的输出，i为直方图的序号。 

7.根据权利要求1所述的蓝印花布图案识别方法，其中所述颜色特征向量的相似值通过以下方式处理： 

采用欧式距离算法，目标图案纹样的直方图特征矢量为Q＝{q₀,q₁,q₂...q_L}，对比标准图案纹样的图像直方图特征矢量为S＝{s₀,s₁,s₂...s_L}，则欧氏距离算法采用下述方式： 

其中，q_i(0≤q_i≤1),s_i(0≤s_i≤1)为归一化值，L为一维直方图矢量的维数；归一化处理后，图像直方图的相似度的定量度量值sim公式： 

其中L为颜色级数，q_i≥0,s_i≥0。 

8.根据权利要求1所述的蓝印花布图案识别方法，其中所述形状特征向 量的相似值采用下述方式确定： 

利用局部自适应阈值图像二值化对目标图案纹样进行边缘检测，对所述边缘检测后的图案纹样提取轮廓，并对各个小纹样建立一个等级树结构的轮廓数组； 

利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图案纹样的轮廓进行匹配，得出各个小纹样形状特征向量的相似度值后取平均值，得出目标图案形状特征向量的相似值。 

9.根据权利要求1所述的蓝印花布图案识别方法，其中所述综合颜色特征与形状特征的权值通过以下方式处理： 

设I为蓝印花布图案纹样库中的标准图案纹样，Q为目标图案纹样，对Q与I的特征值S的计算如下公式： 

S=(W_c*Dist_Color+W_t*Dist_shape)/(W_c+W_t) 

其中W_c、W_t分别为颜色特征向量、形状特征向量的权值，Dist_Color、Dist_shape分别为颜色特征和形状特征的相似度值， 

通过上述公式确定标准图案的相似度值S_I、目标图案的相似度值S_Q;则目标图案Q与标准图案I的相似度为: 

S_QI=S_Q/S_I。

Images