CN104036232A - 一种基于图像边缘特征分析的领带花型检索方法 - Google Patents

Abstract

本发明公开了一种基于图像边缘特征分析的领带花型检索方法，包括步骤：(1)对图案进行边缘检测，提取领带花型的轮廓，量化为边缘特征值；(2)分析边缘特征值分布的数理统计特性，将花型分为条纹、多边形和复杂图案三个大类；(3)将待检索花型与数据库内同类花型进行匹配，选取最相似的花型图案。故本发明不需要人工参与检索的过程，自动化程度高，检索结果准确度高，速度快，满足实时应用需求，对各种不同的领带花型，都能较为准确地进行分类，具有较好的普适性。

Description

一种基于图像边缘特征分析的领带花型检索方法

技术领域

本发明属于图像处理分析技术领域，具体涉及一种基于图像边缘特征分析的领带花型检索方法。

背景技术

随着科技和社会的不断进步发展，人们对服装的追求也在不断提高。领带作为常用服装的重要组成部分，其款式不断翻新，新品种层出不穷，花型图案变化万千。许多领带企业有数千个花型到上万花型，而且每天可以有上千个新花型问世。随着领带生产企业的电子商务的开展以及领带生产、设计的自动化程度的提高，传统的样品检索的方式己不能满足需求。计算机技术的发展提高了各行业工作效率，在纺织行业，计算机在相关的设计、控制和检测环节也扮演着越来越重要的角色。结合计算机图像检索技术，建立快速高效的领带花型自动检索系统，已成为行业发展的新趋势。

图像检索是从图像数据库中找出与检索内容相似的图像的的技术，它涉及到多个领域的综合性课题，是对图像处理与分析、计算机视觉技术、数据库技术、建模与索引技术、模式识别等各个方面成果的融合，已经形成了一些经典的算法。目前比较成熟的方法主要分为两类：基于灰度的匹配方法和基于特征的匹配方法。如公开号为CN103617420的中国专利公开了一种基于图像特征匹配的商品识别检索方法，该对获取的商品图像进行颜色、形状低层特征的提取，并将当前待识别商品的颜色、形状低层特征进行编码后，在数据库中进行检索与粗匹配，以排减数据库中的商品；利用局部不变性特征对商品信息库中排减剩余商品进行准确匹配识别。

现有的图像检索方法虽然取得了一定的效果，形成了一些比较成熟的模型，但在纺织品相关的行业中，应用还不多，特别是在领带花型检索领域，自动化程度还有待提高。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于图像边缘特征分析的领带花型检索方法，能够精确地检索相似的领带花型，并且计算量小，检测速度快，适用面广，可以满足实际应用的需求。

一种基于图像边缘特征分析的领带花型检索方法，包括如下步骤：

(1)对待检索领带的图像进行边缘检测以提取图像的轮廓，进而通过计算边缘像素点的梯度方向来量化轮廓的边缘特征；

(2)通过分析轮廓边缘特征的分布以及数理统计特性，将待检索领带的花型归类于条纹形、多边形或复杂图形；

(3)根据花型使待检索领带与数据库中同类花型的领带逐一进行匹配，进而从数据库中选取最相似的若干同类花型领带作为检索结果。

所述的步骤(1)中采用Sobel算子对待检索领带的图像进行边缘检测以提取图像的轮廓。

所述的步骤(1)中根据以下算式计算边缘像素点的梯度方向：

$\mathrm{\θ}\left(i\right)=\arctan \frac{G_v\left(i\right)}{G_h\left(i\right)},\begin{array}{c}{G}_h\left(i\right)=Y\left(i\right)*S_h\\ G_v\left(i\right)=Y\left(i\right)*S_v\end{array},S_h=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],S_v=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

其中：θ(i)和Y(i)分别为轮廓上的第i个边缘像素点的梯度方向和亮度值，*表示卷积。

所述的步骤(2)中分析轮廓边缘特征分布以及数理统计特性的具体过程如下：

首先，将轮廓边缘像素点的梯度方向根据就近原则归类于{0°、45°、90°、135°、180°、225°、270°、315°}这八种方向当中的一种，并作为边缘像素点的近似梯度方向；

然后，将边缘像素点的近似梯度方向分成四类：0°和180°归为一类、45°和225°归为一类、90°和270°归为一类、135°和315°归为一类；

最后，根据以下关系式将待检索领带的花型归类于条纹形、多边形或复杂图形：

其中：T代表待检索领带的花型，T＝1表示待检索领带的花型为条纹形，T＝2表示待检索的领带花型为多边形，T＝3表示待检索的领带花型为复杂图形，k_θ为轮廓所有边缘像素点近似梯度方向的类别数，σ为轮廓中各类近似梯度方向的边缘像素点的梯度方差的平均值。

所述的步骤(3)中若待检索领带的花型为条纹形，则根据以下算式逐一计算待检索领带与数据库中同类花型领带的差异量化值D，进而从数据库中选取对应差异量化值D最小的若干同类花型领带作为检索结果；

D＝ω₁|△L_A|+ω₂|Δσ_L|+ω₃|△U_A|+ω₄|△V_A|+ω₅|△σ_U|+ω₆|△σ_V|

其中：ΔL_A为待检索领带的条纹间距均值与数据库中任一同类花型领带的条纹间距均值之差，Δσ_L为待检索领带的条纹间距方差与数据库中任一同类花型领带的条纹间距方差之差，ΔU_A为待检索领带轮廓各边缘像素点U色度分量的均值与数据库中任一同类花型领带轮廓各边缘像素点U色度分量的均值之差，Δσ_U为待检索领带轮廓各边缘像素点U色度分量的方差与数据库中任一同类花型领带轮廓各边缘像素点U色度分量的方差之差，ΔV_A为待检索领带轮廓各边缘像素点V色度分量的均值与数据库中任一同类花型领带轮廓各边缘像素点V色度分量的均值之差，Δσ_V为待检索领带轮廓各边缘像素点V色度分量的方差与数据库中任一同类花型领带轮廓各边缘像素点V色度分量的方差之差，ω₁～ω₆均为权重系数。

所述的步骤(3)中若待检索领带的花型为多边形，则根据以下算式逐一计算待检索领带与数据库中同类花型领带的差异量化值D，进而从数据库中选取对应差异量化值D最小的若干同类花型领带作为检索结果；

D＝ω₇|△M_A|+ω₈|△U_A|+ω₉|△V_A|+ω₁₀|△σ_U|+ω₁₁|△σ_V|

其中：ΔM_A为待检索领带的多边形面积与数据库中任一同类花型领带的多边形面积之差，ΔU_A为待检索领带轮廓各边缘像素点U色度分量的均值与数据库中任一同类花型领带轮廓各边缘像素点U色度分量的均值之差，Δσ_U为待检索领带轮廓各边缘像素点U色度分量的方差与数据库中任一同类花型领带轮廓各边缘像素点U色度分量的方差之差，ΔV_A为待检索领带轮廓各边缘像素点V色度分量的均值与数据库中任一同类花型领带轮廓各边缘像素点V色度分量的均值之差，Δσ_V为待检索领带轮廓各边缘像素点V色度分量的方差与数据库中任一同类花型领带轮廓各边缘像素点V色度分量的方差之差，ω₇～ω₁₁均为权重系数。

所述的步骤(3)中若待检索领带的花型为复杂图形，则根据以下算式逐一计算待检索领带与数据库中同类花型领带的差异量化值D，进而从数据库中选取对应差异量化值D最小的若干同类花型领带作为检索结果；

$D=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\left({\mathrm{\ω}}_{12}\right|{\mathrm{\ΔS}}_i|+{\mathrm{\ω}}_{13}|{\mathrm{\ΔR}}_i\left|\right)$

其中：ΔS_i为待检索领带轮廓中长度排第i的圆弧的长度与数据库中任一同类花型领带轮廓中长度排第i的圆弧的长度之差，ΔR_i为待检索领带轮廓中长度排第i的圆弧的弧度与数据库中任一同类花型领带轮廓中长度排第i的圆弧的弧度之差，ω₁₂～ω₁₃均为权重系数。

本发明领带花型检索方法具有以下有益效果：

(1)本发明不需要人工参与检索的过程，自动化程度高。

(2)本发明检索结果准确度高，速度快，满足实时应用需求。

(3)本发明对各种不同的领带花型，都能较为准确地进行分类，具有较好的普适性。

附图说明

图1为梯度方向的分类图。

图2(a)为条纹领带边缘像素的梯度方向分布图。

图2(b)为多边形领带边缘像素的梯度方向分布图。

图2(c)为复杂图案领带边缘像素的梯度方向分布图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

一种基于图像边缘特征分析的领带花型检索方法，包括以下步骤：

(1)对待检索领带的图像进行边缘检测以提取图像的轮廓，进而通过计算边缘像素点的梯度方向来量化轮廓的边缘特征。

图像的边缘是图案与图案、前景与背景交界的区域，是变化最显著的部分，体现了图像局部的不连续性，如灰度的突变，纹理的区别，颜色的差异等。边缘轮廓是最重要的一种图像不变特征值，具有很强的抗噪性，经常被用来进行特征匹配。在本实施方式中，用Sobel算子对领带花型图案进行边缘检测，获取花型的边缘像素点即轮廓。

Sobel算子是图像处理中常用的边缘检测工具，分为水平方向和垂直方向两种，如下式所示：

$S_h=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],S_v=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

本实施方式在CIE YUV色彩空间下对领带花型图像进行匹配。首先用Sobel算子对整幅图像进行卷积，提取边缘像素点，分别计算每个像素点的水平和垂直梯度(G_h，G_v)，以及每个像素点的梯度方向θ(i,j)，如下式所示：

G_h(i,j)＝Y(i,j)*S_h

G_v(i,j)＝Y(i,j)*S_v

式中，Y(i,j)为图像中坐标为(i,j)的像素点亮度值。对于每一个边缘像素点，它的梯度方向体现了该像素点所组成的图案的形状信息，因此，可以通过计算边缘像素点的梯度方向θ(i,j)，来量化它的边缘特征，如下式所示：

$\mathrm{\θ}(i,j)=\arctan \frac{G_v(i,j)}{G_h(i,j)}$

在得到花型边缘像素点的梯度值后，根据图1所示，将[0,360°)划分为4种不同的方向，用不同的颜色表示，据此将梯度方向θ(i,j)分为4类，如式(11)所示：

θ(i,j)∈{0°或180°,45°或225°,90°或270°,135°或315°}

(2)通过分析轮廓边缘特征的分布以及数理统计特性，将待检索领带的花型归类于条纹形、多边形或复杂图形。

传统的花型匹配方法通过遍历数据库中所有的样本，得到一个或多个相似的花型。这一类方法计算复杂度较高，存在大量的冗余计算量。通过分析花型数据库发现，常见的领带花型可以分为条纹、多边形和复杂花型等；同一条直线上的像素点都有相同的梯度方向，多边形和圆形也有着固定的梯度方向分布，而一些无规则的复杂图案的梯度分布各不相同，如图2中箭头所示。本实施方式通过分析梯度值分布的数理统计特性，预先对花型进行分类，在此基础上，在待检索花型所属的类型内部进行花型匹配，以减少计算量。

表1

花型类型	梯度方向种类	所有梯度方向方差平均值
			条纹	1	1.34
四边形	4	2.42
			复杂图案	4	27.89

表1为三种典型的领带花型梯度值分布统计结果。通过分析发现，条纹花型的梯度值为方向相反的两种，都落在图1中同一个梯度方向区间内。以四边形为例，多边形花型的梯度值种类与边的个数相关，而且每一类的梯度方向都基本相同。从数理统计的角度分析，落在图1中每一个区间内的样本的方差非常小。而对于复杂花型的梯度分布，并没有显著的规律。因此，本实施方式通过分析所有边缘像素点的梯度方向种类和方差，进行花型的分类，如下式所示：

其中，T代表待检索领带的花型，T＝1表示待检索领带的花型为条纹形，T＝2表示待检索的领带花型为多边形，T＝3表示待检索的领带花型为复杂图形，k_θ为轮廓所有边缘像素点近似梯度方向的类别数，σ为轮廓中各类近似梯度方向的边缘像素点的梯度方差的平均值。为了消除个别噪点对花型分类的影响，在统计k_θ时，只有当该方向区间内边缘像素点数量超过总数10％时，才将其作为一个梯度方向，否则将其作为个别噪点的方向。

(3)根据花型使待检索领带与数据库中同类花型的领带逐一进行匹配，进而从数据库中选取最相似的若干同类花型领带作为检索结果。

在得到花型的分类后，在该花型所属的数据集内部，进行花型匹配。图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。前者是基于像素的，计算量相当大，不利于实际使用。特征匹配法选取图像中最显著的特征，利用较小的信息量，寻找最匹配的图像，具有较好的实时性和鲁棒性，是目前图像匹配的主要研究方向。本实施方式根据不同的花型选用最具代表性的特征值进行图像匹配。

对于条纹花型，其最显著的特征为条纹的间距和条纹的颜色，本实施方式用这两种特征值进行花型匹配。

首先，以像素为单位计算平行条纹的边缘像素点之间的距离L_n，在此基础上得到L_n的均值L_A和方差σ_L。

然后，计算条纹的边缘像素点色度分量U和V的均值U_A和V_A，以及它们的方差σ_U、σ_V。

最后，计算待匹配图案和数据库内参考图案之间上述特征值的差值：ΔL_A、Δσ_L、ΔU_A、ΔV_A、Δσ_U和Δσ_V，并以此来计算两个花型间的差异D，如下式所示：

D＝ω₁|△L_A|+ω₂|△σ_L|+ω₃|△U_A|+ω₄|△V_A|+ω₅|△σ_U|+ω₆|△σ_V|

其中，ω₁～ω₆均为权重系数。将D与阈值T₁比较，当D小于T₁时，认为这两种花型是相似花型。

多边形花型的匹配选取多边形的面积M和颜色U、V为特征值，用条纹匹配相同的方法计算它们花型间上述特征值的差值：ΔM_A、ΔU_A、ΔV_A、Δσ_U和Δσ_V，并以此来计算两个花型间的差异D，如下式所示：

D＝ω₇|△M_A|+ω₈|△U_A|+ω₉|△V_A|+ω₁₀|△σ_U|+ω₁₁|△σ_V|

其中，ω₇～ω₁₁均为权重系数。将D与阈值T₂比较，当D小于T₂时，认为这两种花型是相似花型。

对于复杂图案，并没有显著的特征可以作为匹配标准。目前图像匹配的研究成果中，基于边缘特征的匹配方法效果较好。其中，圆弧作为一种特殊的边缘轮廓，可以有效地体现图案的形状特征。

本实施方式采用X.Lin等人在文献An improved Hough transform methodfor circle segmentation(发表于Signal Processing)提出的圆弧检测方法，根据圆弧上像素点的梯度方向所在的直线相较于圆心的性质，在有限的半径范围内，对圆参数空间进行累加求和，计算其极值，据此得到图案内可能存在的圆弧。

用同样的方法分别得到待匹配图案和数据库内参考图案的圆弧后，以像素点为单位，分别选取其中最长的3条圆弧，计算它们各自的长度S和弧度R差的值ΔS，ΔR，进而根据下式计算两个花型间的差异D：

$D=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\left({\mathrm{\ω}}_{12}\right|{\mathrm{\ΔS}}_i|+{\mathrm{\ω}}_{13}|{\mathrm{\ΔR}}_i\left|\right)$

其中，ω₇～ω₁₁均为权重系数。将D与阈值T₃比较，当D小于T₃时，认为这两种花型是相似花型。

以下我们选取40种常见的领带花型作为测试数据库，验证本实施方式的可用性。实验结果表明，检索得到的相似花型往往不止一个。实验选用的参数为：ω₁＝0.2，ω₂＝0.4，ω₃＝0.1，ω₄＝0.1，ω₅＝0.1，ω₆＝0.1，ω₇＝0.5，ω₈＝0.15，ω₉＝0.15，ω₁₀＝0.15，ω₁₁＝0.15，ω₁₂＝0.5，ω₁₃＝0.5，T₁＝3.5，T₂＝4.7，T₂＝1.6。在实际应用中，使用者对检索结果并没有唯一性要求，可以给出多个相似的花型，以供选择。表2为候选的检索结果个数和检索准确度，候选结果个数越多，检测准确率越高。因此，使用者可以根据需求，调整候选结果的个数。

表2

检索结果候选个数	检索结果准确率	检索结果候选个数
			1	82.5％	1
2	90％	2
			3	95％	3
4	95％	4

Claims (7)

1.一种基于图像边缘特征分析的领带花型检索方法，包括如下步骤：

(1)对待检索领带的图像进行边缘检测以提取图像的轮廓，进而通过计算边缘像素点的梯度方向来量化轮廓的边缘特征；

(2)通过分析轮廓边缘特征的分布以及数理统计特性，将待检索领带的花型归类于条纹形、多边形或复杂图形；

(3)根据花型使待检索领带与数据库中同类花型的领带逐一进行匹配，进而从数据库中选取最相似的若干同类花型领带作为检索结果。

2.根据权利要求1所述的领带花型检索方法，其特征在于：所述的步骤(1)中采用Sobel算子对待检索领带的图像进行边缘检测以提取图像的轮廓。

3.根据权利要求1所述的领带花型检索方法，其特征在于：所述的步骤(1)中根据以下算式计算边缘像素点的梯度方向：

$\mathrm{\θ}\left(i\right)=\arctan \frac{G_v\left(i\right)}{G_h\left(i\right)},\begin{array}{c}{G}_h\left(i\right)=Y\left(i\right)*S_h\\ G_v\left(i\right)=Y\left(i\right)*S_v\end{array},S_h=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right],S_v=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

其中：θ(i)和Y(i)分别为轮廓上的第i个边缘像素点的梯度方向和亮度值，*表示卷积。

4.根据权利要求1所述的领带花型检索方法，其特征在于：所述的步骤(2)中分析轮廓边缘特征分布以及数理统计特性的具体过程如下：

首先，将轮廓边缘像素点的梯度方向根据就近原则归类于{0°、45°、90°、135°、180°、225°、270°、315°}这八种方向当中的一种，并作为边缘像素点的近似梯度方向；

然后，将边缘像素点的近似梯度方向分成四类：0°和180°归为一类、45°和225°归为一类、90°和270°归为一类、135°和315°归为一类；

最后，根据以下关系式将待检索领带的花型归类于条纹形、多边形或复杂图形：

其中：T代表待检索领带的花型，T＝1表示待检索领带的花型为条纹形，T＝2表示待检索的领带花型为多边形，T＝3表示待检索的领带花型为复杂图形，k_θ为轮廓所有边缘像素点近似梯度方向的类别数，σ为轮廓中各类近似梯度方向的边缘像素点的梯度方差的平均值。

5.根据权利要求1所述的领带花型检索方法，其特征在于：所述的步骤(3)中若待检索领带的花型为条纹形，则根据以下算式逐一计算待检索领带与数据库中同类花型领带的差异量化值D，进而从数据库中选取对应差异量化值D最小的若干同类花型领带作为检索结果；

D＝ω₁|△L_A|+ω₂|△σ_L|+ω₃|△U_A|+ω₄|△V_A|+ω₅|△σ_U|+ω₆|△σ_V|

其中：ΔL_A为待检索领带的条纹间距均值与数据库中任一同类花型领带的条纹间距均值之差，Δσ_L为待检索领带的条纹间距方差与数据库中任一同类花型领带的条纹间距方差之差，ΔU_A为待检索领带轮廓各边缘像素点U色度分量的均值与数据库中任一同类花型领带轮廓各边缘像素点U色度分量的均值之差，Δσ_U为待检索领带轮廓各边缘像素点U色度分量的方差与数据库中任一同类花型领带轮廓各边缘像素点U色度分量的方差之差，ΔV_A为待检索领带轮廓各边缘像素点V色度分量的均值与数据库中任一同类花型领带轮廓各边缘像素点V色度分量的均值之差，Δσ_V为待检索领带轮廓各边缘像素点V色度分量的方差与数据库中任一同类花型领带轮廓各边缘像素点V色度分量的方差之差，ω₁～ω₆均为权重系数。

6.根据权利要求1所述的领带花型检索方法，其特征在于：所述的步骤(3)中若待检索领带的花型为多边形，则根据以下算式逐一计算待检索领带与数据库中同类花型领带的差异量化值D，进而从数据库中选取对应差异量化值D最小的若干同类花型领带作为检索结果；

D＝ω₇|△M_A|+ω₈|△U_A|+ω₉|△V_A|+ω₁₀|△σ_U|+ω₁₁|△σ_V|

其中：ΔM_A为待检索领带的多边形面积与数据库中任一同类花型领带的多边形面积之差，ΔU_A为待检索领带轮廓各边缘像素点U色度分量的均值与数据库中任一同类花型领带轮廓各边缘像素点U色度分量的均值之差，Δσ_U为待检索领带轮廓各边缘像素点U色度分量的方差与数据库中任一同类花型领带轮廓各边缘像素点U色度分量的方差之差，ΔV_A为待检索领带轮廓各边缘像素点V色度分量的均值与数据库中任一同类花型领带轮廓各边缘像素点V色度分量的均值之差，Δσ_V为待检索领带轮廓各边缘像素点V色度分量的方差与数据库中任一同类花型领带轮廓各边缘像素点V色度分量的方差之差，ω₇～ω₁₁均为权重系数。

7.根据权利要求1所述的领带花型检索方法，其特征在于：所述的步骤(3)中若待检索领带的花型为复杂图形，则根据以下算式逐一计算待检索领带与数据库中同类花型领带的差异量化值D，进而从数据库中选取对应差异量化值D最小的若干同类花型领带作为检索结果；

$D=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\left({\mathrm{\ω}}_{12}\right|{\mathrm{\ΔS}}_i|+{\mathrm{\ω}}_{13}|{\mathrm{\ΔR}}_i\left|\right)$

其中：ΔS_i为待检索领带轮廓中长度排第i的圆弧的长度与数据库中任一同类花型领带轮廓中长度排第i的圆弧的长度之差，ΔR_i为待检索领带轮廓中长度排第i的圆弧的弧度与数据库中任一同类花型领带轮廓中长度排第i的圆弧的弧度之差，ω₁₂～ω₁₃均为权重系数。