CN104281588A - 一种基于多粒度的布料图像检索方法 - Google Patents
一种基于多粒度的布料图像检索方法 Download PDFInfo
- Publication number
- CN104281588A CN104281588A CN201310277286.3A CN201310277286A CN104281588A CN 104281588 A CN104281588 A CN 104281588A CN 201310277286 A CN201310277286 A CN 201310277286A CN 104281588 A CN104281588 A CN 104281588A
- Authority
- CN
- China
- Prior art keywords
- color
- image
- cloth image
- cloth
- grain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30112—Baggage; Luggage; Suitcase
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于多粒度的布料图像检索方法,该方法采用粒计算理论研究实现一种可以灵活调整布料图像特征粒度的方法,通过该方法可以对布料图像进行多粒度的检索。使用颜色特征与纹理特征来描述布料图像,同时对颜色特征构建三种不同的颜色组合粒度(单主色、双主色以及三主色的颜色组合粒度),并结合布料图像领域知识粒度,实现一种更符合人类视觉感知的布料图像检索方法。
Description
技术领域
本发明涉及图像处理技术,具体涉及基于多粒度的布料图像检索方法。
背景技术
箱包企业需要经常性和大批量进行原材料的采购,而众多的布料供应商店经常需要从大量的布料色卡中寻找满足客户需要的各类布料。采用人工方式来比对需要采购的布料色卡存在费时、劳动强度大和容易出差错等问题,容易造成企业实际需要的原材料与购进的原材料不吻合,而不能正常进行生产,严重地影响企业的生产效率和经济效益。同时,也给布料供应商店带来很多不便。因此,企业采购人员和布料供应商店迫切需要一套方便和有效检索布料色卡图像的计算机应用系统。
随着互联网信息迅速膨胀,图像数据量也日益增加,使得基于内容的图像检索成为当今计算机领域研究热点。基于内容的图像检索主要根据图像的底层视觉特征(如颜色、纹理、形状和空间分布信息等)来进行检索。颜色是彩色图像显著的特征,能够提供丰富的信息,同时颜色特征稳定性好,对图像的缩放、平移、旋转不敏感。所以颜色特征颇受研究者的青睐,是图像检索中应用最为广泛的视觉特征。每种底层视觉特征都有其局限性,对某一类型图像有着较好的检索效 果,而对其他的图像检索效果未必理想。所以在图像检索中,需要将图像的多种底层特征融合在一起才能得到更好的图像检索效果。
自从Zadeh于1979年提出了信息粒度(Information Granularity)的概念之后,信息粒度就逐渐成为了粒数学的研究思想。Zadeh认为人类对自然的认知能力是从粒化、组织和推理三个方面进行的。T.Y.Lin在1997年7月第八期12卷European Congress on Intelligent Techniques and Soft Computing中的文章“Granular Computing:From Rough Sets and Neighborhood Systems to Information Granulation and Computing with Words”介绍了他所提出的粒计算(Granular Computing)的概念。粒计算是研究多层次粒结构的思维方法、问题求解方式、信息处理模式以及相关理论思想、技术方法和工具的学科。粒计算具有描述粒化、组织和推理的能力,与现实世界的结构、人的思维模式、行为方式具有一致性。同时粒计算能够提供一套完整的、系统的思维描述方式与行为模式,通过不同层次的抽象处理达到简化问题的目的。通过寻求不同粒度上的近似解提高效率,同时由于采用不同的粒度而具有较强的鲁棒性。所以粒计算成为了当前计算机研究领域的热点,也逐渐成为了一门新的计算机学科。
CBIR(Content-based Image Retrieval)技术首先提取图像本身颜色、纹理、形状等视觉特征信息,通过量化将这些特征信息保存到数据库中。然后建立相似度计算规则对待检索图像与库中图像进行相似度计算返回满足条件的图像序列。CBIR从图像本身存在的特征出 发,减少甚至消除了人工的干预。CBIR查询者能够更加快速、准确得找到所需要的图像,也让图像管理人员能够摆脱繁琐而又重复性的工作,同时使得图像识别的工作更加自动化,更加智能化。
颜色特征提取是基于内容的图像检索系统(CBIR)中非常重要的一项工作,只有对图像的抽象视觉特征提取为计算机所能够表达的特征之后才方便采用相似度度量技术对图像的相似度进行计算。常用的图像视觉特征包括颜色特征、纹理特征、形状特征等。由于布料图像的颜色与纹理特征较为明显,而形状特征只是许多纹理特征相互结合而形成的,所以本发明主要提取图像的颜色特征与纹理特征。图像的颜色特征的计算方法较为简单,而且对于图像的全局颜色特征而言,不会随着图像的旋转缩放平移等变化而发生变化,所以具有较好的稳定性、鲁棒性。纹理特征是所有图像都拥有的一种视觉特征,纹理特征可以体现出图像中的像素分布关系、像素的统计特征等,所以是非常重要的图像视觉特征。常用的图像颜色特征提取方法有基于颜色直方图、颜色矩、颜色相关图、颜色集、颜色聚合向量等方法;颜色相关图与颜色聚合向量方法的计算量大,算法时间复杂度较高,所以在实际应用中较少使用;颜色矩与颜色集通常需要结合其他颜色描述方法来对图像进行特征提取,单独的颜色矩与颜色集的识别效果并不理想。Hafner J.Efficient在Pattern Analysis and Machine Intelligence在1995年第17卷,第7期729-736页上发表的文章“Color Histogram Indexing for Quadratic Form Distance Functions”中介绍了传统的颜色直方图,它往往需要记录图像中所 有出现的颜色信息的统计直方图,使得工作量较大。而实际情况是,人造纹理中的主要颜色并不很多,最多不超过十几个,所以只需要记录颜色所占分量排在前几位的图像颜色即可。
灰度共生矩阵是一种最常用的图像纹理特征描述方法之一,Haralick R M,Shanmugam K,Dinstein等1973年在IEEE Transactions on Systems,Man,and Cybemetics的第三卷第6期上发表了”Textural Features for Image Classification”,该文对于图像的纹理特征描述具有较好的效果,但是其算法复杂度会随着颜色灰度级数的增加而成级数增长,所以需要结合较好的灰度等级量化方法来进行矩阵生成。另外一种纹理描述方法是K.Laws在其论文“Textured Image Segmentation”中提出的基于能量的纹理特征描述方法(即纹理能量测度)。图像纹理能量特征对于人造纹理的识别能力较强,但是对于尺寸较大的图像而言其计算时间较长。
所以单独使用以上介绍的一种或者两种方法简单对图像特征进行提取是无法有效满足实际图像检索的需求,需要对待匹配图像进行分析,根据得到的分析结果结合不同的视觉特征进行图像的分类识别工作。这样才能得到最好的特征利用效率,实现最佳的检索效果。
发明内容
本发明的目的在于提出一种基于多粒度的布料图像检索方法,其能解决无法有效满足实际图像检索的需求的问题。
为了达到上述目的,本发明所采用的技术方案如下:
一种基于多粒度的布料图像检索方法,其包括以下步骤:
(1)生成布料图像领域特征粒度空间,具体包括以下子步骤:
(1.1)构建布料图像领域知识粒度空间:分别生成图像领域颜色知识粒度空间图像领域纹理知识粒度空间 和图像领域材质知识粒度空间 其中,表示颜色是单一或简单颜色的布料图像集合构成的粒,表示颜色是复杂颜色的布料图像集合构成的粒, 表示不考虑颜色类型的布料图像集合构成的粒;表示纹理是单一或简单纹理的布料图像集合构成的粒,表示纹理是复杂纹理的布料图像集合构成的粒,表示纹理是图案纹理的布料图像集合构成的粒,表示不考虑纹理类型的布料图像集合构成的粒;表示材质为尼龙的布料图像集合构成的粒,表示材质为棉布的布料图像集合构成的粒,表示材质为PU的布料图像集合构成的粒,表示材质为网布的布料图像集合构成的粒,表示不考虑材质类型的布料图像集合构成的粒;
(1.2)根据步骤(1.1)所生成的布料图像领域知识粒度空间进行粒度细化生成具有细粒度的布料图像领域知识粒度空间:
其中,
其中,
其中,
以及
其中,p=1,2,...,h;
(2)提取布料图像的颜色特征和纹理特征;
(3)对提取的颜色特征进行粒化,构建图像颜色特征粒度空间,具体包括以下子步骤:
(3.1)构建单主色特征粒度空间其中,
(3.2)构建双主色特征粒度空间 其中,|U|表示论域U中布料图像的个数,表示从72种颜色中取2个不同颜色的总组合数;
(3.3)构建三主色特征粒度空间 其中,|U|表示论域U中布料图像的个数,表示 从72种颜色中取3个不同颜色的总组合数; 其中first_three_color_set(u)是对论域U进行粒化标准,表示示例图像u的直方图中最大颜色占比的颜色、第2大颜色占比的颜色和第3大颜色占比的颜色这三个颜色形成的三主色集合;
(4)基于多粒度的图像相似度匹配方法,其包括以下子步骤:
(4.1)根据示例图像u的领域知识在布料图像领域知识粒度空间中进行匹配,其包括以下步骤:
(4.1.A)判断是否成立,若成立则转步骤(4.1.D);否则进入步骤(4.1.B);
(4.1.B)判断或或 是否成立,若成立则转步骤(4.1.D);否则进入步骤(4.1.C);
(4.1.C)判断或或三者中哪个成立,然后继续步骤(4.1.D);
(4.1.D)上述所得到的匹配结果记为Gad;
(4.1.E)若1≤|Gad|≤IRRth,则示例图像u检索结束,其中IRRth为一个整数类型的阈值,表示满足匹配规则的图像个数;
(4.1.F)否则,则执行步骤(4.2);
(4.2)根据示例图像u的直方图在图像颜色特征粒度空间中进行匹配,其包括以下步骤:
(4.2.A)判断是否成立,若成立则转步骤 (4.2.D),否则继续步骤(4.2.B);
(4.2.B)判断是否成立,若成立则转步骤(4.2.D),否则继续步骤(4.2.C);
(4.2.C)存在某个满足然后继续步骤(4.2.D);
(4.2.D)上述所得到的匹配结果记为Gac;
(4.2.E)若1≤|Gac|≤IRRth,则示例图像u检索结束;
(4.2.F)否则,则执行步骤(4.3);
(4.3)根据步骤(4.1)的匹配结果Gad和步骤(4.2)的匹配结果Gac,进行集合的交运算得到结果:Gad_c=Gad∩Gac;
(4.4)判断:若1≤|Gad_c|≤IRRth,则示例图像检索u结束;若|Gad_c|=0,示例图像u不在布料图像库中,提示是否将该示例图像u添加到布料图像库中,并给出相应的结果提示;若|Gad_c|>IRRth,则继续步骤(4.5)。
(4.5)在子集Gad_c中进行图像纹理特征的匹配,其包括以下步骤:
(4.5.A)按欧式距离计算公式:计算示例图像u与子集Gad_c中所有图像之间的距离Dm(u,u′),其中u′∈Gad_c是子集Gad_c中的任意一个图像,d表示图像纹理特征向量中分量的个数,ut[i]表示图像u的纹理特征向量中第i个分量值,而u′t[i]表示图像u′的纹理特征向量中第i个分量值。
(4.5.B)判断所有满足D(u,u′)<threshold的图像,其构成的集合记为 Gad_c_t,其中0.5<threshold<=1,threshold是一个最佳纹理匹配的阈值,根据实际测试实验取0.6到0.8之间最佳;
(4.5.C)若|Gad_c_t|=0,那么该布料图像不在布料图像库中,提示是否将该布料图像添加到布料图像库中,并给出相应的结果提示,否则显示检索匹配结果。
优选的,IRRth的值为5。
优选的,步骤(2)具体包括以下子步骤:
(2.1)采用图像均衡化的方法对布料图像进行增强预处理操作,采用总体变分法对布料图像进行复原预处理操作得到预处理后的布料图像;
(2.2)对预处理后的布料图像提取其所有像素点的位置信息以及RGB颜色分量信息;
(2.3)采用颜色直方图方法描述布料图像的颜色特征;
(2.4)采用灰度共生矩阵或K.Laws的纹理能量测度来获取布料图像的纹理特征。
进一步优选的,步骤(2.3)中,所述颜色直方图方法为主色权重直方图方法。
本发明具有如下有益效果:
通过采用粒计算理论研究实现一种可以灵活调整布料图像特征粒度的方法,通过该方法可以对布料图像进行多粒度的检索。使用颜色特征与纹理特征来描述布料图像,同时对颜色特征构建三种不同的颜色组合粒度(单主色、双主色以及三主色的颜色组合粒度),并结 合布料图像领域知识粒度,实现一种更符合人类视觉感知的布料图像检索方法。
具体实施方式
下面,对本发明做进一步描述。
本实施例的具体实施在以下条件下进行:
A.测试数据集:SCC-125数据集(具有简单颜色特征的真实布料图像数据集合),数据记录总数为125×4=500个;CCC-125数据集(具有复杂颜色特征的真实布料图像数据集合),记录总数为125×4=500个。
B.数据预处理:数据未归一化、不考虑权重因素。
C.评价标准:由于该实验是在不考虑阈值的前提下进行,所以选用平均排序Ra、排序紧密度Rq、排序稳定性So、平均查询时间Ta、查准率以及查全率做为评价标准。
本实施例的基于多粒度的布料图像检索方法具体实施步骤分成四部分:
(1)生成测试数据集的布料图像领域特征粒度空间,具体包括以下子步骤:
(1.1)构建布料图像领域知识粒度空间:对测试数据集中的每幅布料图像在进行图像特征获取时,采用人为方式明确输入每幅布料图像的有关领域知识,构建布料图像领域知识粒度空间。目前人为确定表1中三类领域知识,以生成基于领域知识的领域知识粒度空间。
表1布料图像三类领域知识
属性名 | 属性值集 |
ad1 | {简单颜色、复杂颜色、缺省颜色} |
ad2 | {简单纹理、复杂纹理、图案纹理、缺省纹理} |
ad3 | {尼龙、棉布、PU、网布、缺省材质} |
分别生成:图像领域颜色知识粒度空间图像领域纹理知识粒度空间和图像领域材质知识粒度空间其中,表示颜色是单一或简单颜色的布料图像集合构成的粒,表示颜色是复杂颜色的布料图像集合构成的粒,表示不考虑颜色类型的布料图像集合构成的粒;表示纹理是单一或简单纹理的布料图像集合构成的粒,表示纹理是复杂纹理的布料图像集合构成的粒,表示纹理是图案纹理的布料图像集合构成的粒,表示不考虑纹理类型的布料图像集合构成的粒;表示材质为尼龙的布料图像集合构成的粒,表示材质为棉布的布料图像集合构成的粒,表示材质为PU的布料图像集合构成的粒,表示材质为网布的布料图像集合构成的粒,表示不考虑材质类型的布料图像集合构成的粒;
(1.2)图像领域知识粒度的细化,根据步骤(1.1)所生成的布料图像领域知识粒度空间进行粒度细化生成具有细粒度的布料图像领域知识粒度空间:
其中,
其中,
其中,
以及
其中,p=1,2,...,h;
(2)提取布料图像的颜色特征和纹理特征,其包括以下子步骤:
(2.1)采用Laughlin.S.B在1981年发表的论文“A simple coding procedure enhances a neuron’s information capacity”中提出的图像均衡化的方法对布料图像I进行增强预处理操作,同时采用Rudin L I,Osher S以及Fatemi E在1992发表的文章“Nolinear total variation based noise removal algorithms”中所提出的总体变分法对布料图像I进行复原预处理操作得到预处理后的布料图像I′;
(2.2)对预处理后的布料图像I′提取其所有像素点的位置信息以及RGB颜色分量信息;
(2.3)采用颜色直方图方法描述布料图像的颜色特征;所述颜色直方图方法为主色权重直方图方法;
(2.4)采用灰度共生矩阵或K.Laws的纹理能量测度来获取布料图像的纹理特征。
(3)对提取的颜色特征进行粒化,构建图像颜色特征粒度空间, 具体包括以下子步骤:
(3.1)构建单主色特征粒度空间其中, 共72种颜色,它可能是空集。first_color(u)是对论域U进行粒化标准,表示示例图像u的直方图中最大占比的颜色的单主色集合,first_color(u′)表示示例图像u′的直方图中最大占比的颜色的单主色集合;论域U表示非空图像集合,即布料图像的集合;
(3.2)构建双主色特征粒度空间 其中,|U|表示论域U中布料图像的个数,表示从72种颜色中取2个不同颜色的总组合数;
first_two_color_set(u)是对论域U进行粒化标准,表示示例图像u的直方图中最大颜色占比的颜色和第2大颜色占比的颜色这两个颜色构成的双主色集合;
(3.3)构建三主色特征粒度空间 其中,|U|表示论域U中布料图像的个数,表示从72种颜色中取3个不同颜色的总组合数;
first_three_color_set(u)是对论域U进行粒化标准,表示示例图像u的直方图中最大颜色占比的颜色、第2大颜色占比的颜色和第3大颜色占比的颜色这三个颜色形成的三主色集合;
(4)基于多粒度的图像相似度匹配方法,其包括以下子步骤:
(4.1)根据示例图像u的领域知识在布料图像领域知识粒度空间中进行匹配,其包括以下步骤:
(4.1.A)进行最细粒度的领域知识匹配,即判断 是否成立,若成立则转步骤(4.1.D);否则进入步骤(4.1.B);
(4.1.B)进行较粗粒度的领域知识匹配,即判断 或或是否成立,若成立则转步骤(4.1.D);否则进入步骤(4.1.C);
(4.1.C)进行最粗粒度的领域知识匹配,即判断或或三者中哪个成立,然后继续步骤(4.1.D);需要说明的是,或或 三者中必有匹配结果;
(4.1.D)上述所得到的匹配结果记为Gad;
(4.1.E)若1≤|Gad|≤IRRth,则示例图像u检索结束,其中IRRth为一个整数类型的阈值,表示满足匹配规则的图像个数,IRRth的值为5;
(4.1.F)否则,则执行步骤(4.2);
(4.2)根据示例图像u的直方图在图像颜色特征粒度空间中进行匹配,其包括以下步骤:
(4.2.A)进行最细粒度的三主色特征粒度空间匹配,即判断 是否成立,若成立则转步骤(4.2.D),否则继续步骤(4.2.B);
(4.2.B)进行较粗粒度的二主色特征粒度空间匹配,即判断 是否成立,若成立则转步骤(4.2.D),否则继续步骤(4.2.C);
(4.2.C)进行最粗粒度的单主色特征粒度空间匹配,即存在某个满足然后继续步骤(4.2.D);
(4.2.D)上述所得到的匹配结果记为Gac;
(4.2.E)若1≤|Gac|≤IRRth,则示例图像u检索结束;
(4.2.F)否则,则执行步骤(4.3);
(4.3)根据步骤(4.1)的匹配结果Gad和步骤(4.2)的匹配结果Gac,进行集合的交运算得到结果:Gad_c=Gad∩Gac;
(4.4)判断:若1≤|Gad_c|≤IRRth,则示例图像检索u结束;若|Gad_c|=0,示例图像u不在布料图像库中,提示是否将该示例图像u添加到布料图像库中,并给出相应的结果提示;若|Gad_c|>IRRth,则继续步骤(4.5)。
(4.5)在子集Gad_c中进行图像纹理特征的匹配,其包括以下步骤:
(4.5.A)按欧式距离计算公式:计算示例图像u与子集Gad_c中所有图像之间的距离Dm(u,u′),其中u′∈Gad_c是子集Gad_c中的任意一个图像,d表示图像纹理特征向量中分量的个数,ut[i]表示图像u的纹理特征向量中第i个分量值,而u′t[i]表示图像u′的纹理特征向量中第i个分量值。
(4.5.B)判断所有满足D(u,u′)<threshold的图像,其构成的集合记为 Gad_c_t,其中0.5<threshold<=1,threshold是一个最佳纹理匹配的阈值,根据实际测试实验取0.6到0.8之间最佳;
(4.5.C)若|Gad_c_t|=0,那么该布料图像不在布料图像库中,提示是否将该布料图像添加到布料图像库中,并给出相应的结果提示,否则显示检索匹配结果。
检索方法的测试比较结果:表2中OMCWHCM表示仅含有图像颜色特征粒度的方法,TCGRA表示结合图像纹理与颜色特征粒度的方法,ALLGRA表示结合图像领域知识粒度、图像颜色特征粒度与纹理特征的方法。采用平均排序,平均时间以及查询准确度作为评价准则进行比较。
表2.基于多粒度图像检索方法的测试比较
根据上表可以得到以下几个结论:
A.采用TCGRA方法得到的检索结果比采用OMCWHCM方法有更好的效果,虽然耗时要多一些,但是这部分耗时是在用户可以接受的范围之内。
B.采用ALLGRA方法得到的检索结果比TCCGRA方法具有更好的检索效果。但是时间要耗费得更多一些。
C.对于纹理以及颜色特征较为简单的图像,ALLGRA方法的查准率可以达到94.12%,而对于复杂颜色纹理特征的可以达到78.61%。
下面,对本实施例的布料图像领域知识和布料图像的颜色特征的粒化方法如下:
(1)图像特征信息系统的描述:
给定图像信息系统ICIS=(U,A∪AD,V,f),其中U表示论域,即本实施例所用到的非空图像集合,即布料图像集合,信息系统中的各个布料图像通过数据库中的ID以及名称唯一标识一幅图像。A是非空图像属性(条件属性)集。表示图像的颜色特征集合;AD(AD=ad1∪ad2∪ad3)表示布料图像的领域知识特征集,对于本实施例,ad1表示颜色领域知识属性,ad2表示纹理领域知识属性,ad3表示材质领域知识属性,V是非空特征值集合;f是信息函数,即对任 意属性a∈A,设该属性的值域记为Va,那么存在函数fa:U→Va。
(2)图像特征信息系统的粒化方法描述:
给定布料图像的特征信息系统ICIS=(U,A∪AD,V,f)和论域U上的粒化标准MG(U,SIM,ρ),其中SIM是论域U上的一个相似性测度,而ρ是一个相似度阈值。根据该粒化标准MG(U,SIM,ρ)在论域U上生成一组子集集合π={G1,G2,...,Gc},i=1,2,...,c,式子中c表示集合中子集的个数,并且该子集满足以下条件:
①
②
③ 满足:
则称Gi,i=1,2,...,c为论域U上的一个图像特征信息粒简称图像特征粒。条件①是非空条件,表示任何一个图像特征粒都是非空的对象子集;条件②是覆盖条件,即论域上的图像特征粒全体的并集就是论域自身;条件③是非包含条件,即在同一粒层次上不存在一个图像特征粒被另一个图像特征粒包含或被包含。
(3)图像特征粒度细化的描述:
给定布料图像特征信息系统ICIS=(U,A∪AD,V,f)中论域U上的粒化标准记为MG(U,SIM,ρ)。根据该粒化标准在论域U上生成一组子集族π={G1,......,Gc},i=1,2,...,c。论域U上的另一个粒化标准记为MG′(U,SIM′,ρ′),根据该粒化标准在论域U上生成一组子集族给定π′={G′1,G′2,...,G′k},i=1,2,...,k。若同时满足:
①k≥c;
②其中G′j和Gp分别表示不同粒化标准下形成的粒。则称π′={G′1,G′2,...,G′k}是对π={G1,G2,...,Gc}的粒度细化。
(4)对布料图像特征信息系统的具体粒化操作如下:
A.根据布料图像领域颜色知识进行论域的粒化。此时图像特征信息系统中的属性取ad1,粒化标准定义为布料图像领域知识中颜色属性取值相等的图像构成同一个粒。基于此,按照领域颜色知识属性ad1取值的不同,可以将论域粒化为:图像领域简单颜色粒(对应ad1的取值为1来标识)、图像领域复杂颜色粒(对应ad1的取值为2来标识)和图像领域缺省颜色粒(对应ad1的取值为3来标识)。其中图像领域简单颜色粒表示人为可直接明确确定图像的颜色特征是简单单一的图像所组成的粒;图像领域复杂颜色粒表示人为可直接明确确定图像颜色特征较为复杂,色彩较丰富的图像所组成的粒;图像领域缺省颜色粒表示不考虑颜色的图像全体构成的粒。通过以上描述,可以将颜色领域知识粒度划分为二个,分别是ad1值取1时形成的简单颜色粒ad1值取2时形成的复杂颜色粒再加上ad1取3时形成的缺省颜色粒那么可以通过ad1对论域U进行粒化,得到粒度集合记为
B.根据布料图像领域纹理知识进行论域的粒化。此时图像特征信息系统中的属性取ad2,粒化标准定义为布料图像领域知识中纹理属性取值相等的图像构成同一个粒。基于此,按照领域纹理知识属性ad2取值的不同,可以将论域粒化为:领域简单纹理粒(对应ad2的取值为1来标识)、领域不规则纹理粒(对应ad2的取值为2来标识)、 领域图案纹理粒(对应ad2的取值为3来标识)以及领域缺省纹理粒(对应ad2的取值为4来标识)。其中领域简单纹理粒表示图像的纹理特较为明显,有较好的纹理识别度的图像所组成的粒;领域不规则纹理粒表示图像纹理特征较为复杂,纹理特征不明显或者纹理不规则的图像所组成的粒;领域图案纹理粒表示图像有不规则的图形图案组成,而不是由细致的纹理组成的图像组成的粒;领域缺省纹理粒表示不考虑纹理的图像全体组成的粒。通过以上描述,可以将颜色领域知识粒度划分为三个,分别是ad2值取1时形成的简单纹理粒,ad2值取2时形成的不规则纹理粒,ad2取3时形成的图案纹理粒,再加上ad2取4时形成的缺省纹理粒。那么可以通过ad2对论域U进行粒化,得到粒度集合记为
C.根据布料图像领域材质知识进行论域的粒化。此时图像特征信息系统中的属性取ad3,粒化标准定义为布料图像领域知识中材质属性取值相等图像构生成同一个粒。基于此,按照领域材质知识属性ad3取值的不同,可以将论域粒化为:领域尼龙粒(对应ad3的取值为1来标识)、领域棉布粒(对应ad3的取值为2来标识)、领域PU粒(对应ad3的取值为3来标识)、领域网布粒(对应ad3的取值为4来标识)、领域缺省材质粒(对应ad3的取值为5来标识)。通过以上描述,可以将领域材质知识粒度划分为四个,分别是ad3值取1时形成的尼龙粒,ad3值取2时形成的棉布粒,ad3值取3时形成的PU粒,ad3取4时形成的网布粒,再加上ad3值取5时形成的领域缺省材质粒。那么可以通过ad3对论域U进行粒化,得到粒度集合记为
(5)领域知识粒度的细化:
A.以属性ad1和ad2作为关系来粒化论域形成对原有领域颜色粒度和领域纹理粒度进行细化,形成新的更细的领域知识粒度。此时图像特征信息系统中的属性取ad1∧ad2,粒化标准定义为布料图像领域知识中颜色属性取值相等并且纹理属性取值相等的图像构成同一个粒。那么可以得到以属性ad1和ad2作为关系来粒化论域形成的粒的集合记为其中
B.以属性ad1和ad3作为关系来粒化论域形成对原有领域颜色粒度和领域材质粒度的粒度细化操作,形成新的更细的领域知识粒度。此时图像特征信息系统中的属性取ad1∧ad3,粒化标准定义为布料图像领域知识中颜色属性取值相等并且材质属性取值相等的图像构成同一个粒。那么可以得到以属性ad1和ad3作为关系来粒化论域形成的粒的集合记为其中
C.以属性ad2和ad3作为关系来粒化论域形成对原有领域纹理粒度和领域材质粒度的粒度细化操作,形成新的更细的领域知识粒度。此时图像特征信息系统中的属性取ad2∧ad3,粒化标准定义为布料图像领域知识中纹理属性取值相等并且材质属性取值相等的图像构成同一个粒。那么可以得到以属性ad2和ad3作为关系来粒化论域形成的粒的集合记为其中,
D.以属性ad1、ad2和ad3作为关系来粒化论域形成对原有领域颜色粒度、领域纹理粒度和领域材质粒度的粒度细化操作,形成新的更细的领域知识粒度。此时图像特征信息系统中的属性取ad1∧ad2∧ad3,粒化标准定义为布料图像领域知识中颜色属性取值相等且纹理属性取值相等且材质属性取值相等的图像构成同一个粒。那么可以得到以属性ad1、ad2和ad3作为关系来划分论域形成的粒的集合记为 其中,
(6)图像颜色特征粒的生成:
A.单主色特征粒构建。此时图像特征信息系统中的属性取布料图像直方图中最大颜色占比的颜色,其值为颜色的量化等级,粒化标准定义为具有最大占比的颜色相同的图像构成同一个图像颜色特征粒,称为最大单色特征粒。由于图像的量化等级为72级,所以论域可生成的最大单色特征粒个数最多为72个,记所有最大单色特征粒构成的集合为 其中, 它可能是空集。这里的first_color(u)是对论域进行粒化标准,含义是图像u中最大占比的颜色。
B.双主色特征粒构建。此时图像特征信息系统中的属性取布料图像的直方图中最大颜色占比的颜色和第2大颜色占比的颜色,粒化标准定义为具有最大占比的颜色和第2大颜色占比的颜色这两颜色形成的双主色集合相同的图像构成同一个图像颜色特征粒,称为最大双 主色特征粒。所有非空的最大双主色特征粒构成的集合记为 这里 其中first_two_color_set(u)表示图像u的直方图中最大颜色占比的颜色和第2大颜色占比的颜色这两个颜色构成的集合,是一个粒化标准。
C.三主色特征粒构建。此时图像特征信息系统中的属性取布料图像的直方图中最大颜色占比的颜色、第2大颜色占比的颜色和第3大颜色占比的颜色,粒化标准定义为具有最大颜色占比的颜色、第2大颜色占比的颜色和第3大颜色占比的颜色这三个颜色形成的三主色集合相同的图像构成同一个图像颜色特征粒,称为最大三主色特征粒。所有非空的最大三主色特征粒构成的集合记为这里 其中first_three_color_set(u)表示图像u的直方图中最大颜色占比的颜色、第2大颜色占比的颜色和第3大颜色占比的颜色这三个颜色形成的三主色集合,是一个粒化标准。
下面,对本实施例的主色权重直方图方法进行解释:
(1)对预处理得到的布料图像I′提取其所有像素点的位置信息以及RGB颜色分量信息。对获得的每个像素点的RGB颜色分量通过下列公式(1)-(4)转化为HSV颜色空间分量。
公式(4);
其中,v′=max(R,G,B),R,G,B∈{0,1,2,...,255},H∈[0°,360°],S∈[0,1],V∈[0,1];
(2)基于主色聚类方法的改进颜色空间量化方法。基于主色聚类方法步骤如下:
A.选取三个分量的轴心点集合:选取HSV空间中H分量、S分量与V分量各自的轴心点,构成H分量轴心点集合Hc={Hc1,Hc2,...,Hc8}、S分量轴心点集合Sc={Sc1,Sc2,Sc3}、V分量轴心点集合Vc={Vc1,Vc2,Vc3}。这三个分量的轴心点集合就是在下一步进行颜色量化时的核心颜色。由于轴心点颜色值是进行颜色分类非常关键的步骤,所以轴心点颜色值的选取非常重要。这里我们选取的三个分量的核心点集合为Hc={316,21,41,76,156,191,271,296}、Sc={0,0.2,0.7}、Vc={0,0.2,0.7}。
B.基于核心聚类获取图像像素点的颜色量化值:对布料图像I′中 的任意一个点Pij,i=1,2,...,M,j=1,2,...,N,M与N分别是布料图像I′的宽度与长度。对于Pij分别对应一个Hc,Sc,Vc,计算:
则可得到点pij的颜色值为:
通过以上方法对HSV三个分量进行非均匀量化,计算出布料图像I′中每个像素点的颜色信息,它是这72种颜色之一。共得到72种颜色,这72种颜色分别用0-71来表示。
(3)根据(2)中的改进量化度量方法得到图像的量化灰度等级,然后采用本实施例所提出的基于主色权重直方图的方法对图像颜色特征进行描述,步骤如下:
A.经过(2)中对图像HSV颜色空间的量化操作之后,得到布料图像I′量化之后的72维量化等级的颜色直方图HI,HI表示如公式(5)所示:
其中ck,k=1,2,...,n表示经第(2)步骤对图像量化之后得到的布料图像I′的第k个颜色分量,这里n=72,表示有72个颜色量化等级。表示第ck个颜色量化等级所占的颜色比例;
B.建立颜色量化等级与每个颜色量化等级所占的颜色比例的键值对,如公式(6)所示:
公式(6)中,分别表示第k个颜色分量的颜色量化级和该颜色分量的占比。具体的,0≤n≤71,ck表示0-71的72种颜色,表示0-71的72种颜色的分量占比。
C.对公式(6)中的各种颜色分量ck按照它们各自所占的百分比 的值从大到小排序。设定阈值T,当时,选定颜色ck为该布料图像I′的主颜色。当时,去除该颜色分量。得到排序并通过阈值T筛选之后的颜色量化等级与所占比例的键值对,排序后的主色权重直方图描述如公式(7)所示:
其中,0≤n′≤71,ck表示0-71的72种颜色,表示0-71的72种颜色的分量占比。排序后的主色权重直方图中第一种颜色的分量占比最大,随后的颜色分量占比依次降低。
对于本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及变形,而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。
Claims (4)
1.一种基于多粒度的布料图像检索方法,其特征在于,包括以下步骤:
(1)生成布料图像领域特征粒度空间,具体包括以下子步骤:
(1.1)构建布料图像领域知识粒度空间:分别生成图像领域颜色知识粒度空间图像领域纹理知识粒度空间和图像领域材质知识粒度空间其中,表示颜色是单一或简单颜色的布料图像集合构成的粒,表示颜色是复杂颜色的布料图像集合构成的粒,表示不考虑颜色类型的布料图像集合构成的粒;表示纹理是单一或简单纹理的布料图像集合构成的粒,表示纹理是复杂纹理的布料图像集合构成的粒,表示纹理是图案纹理的布料图像集合构成的粒,表示不考虑纹理类型的布料图像集合构成的粒;表示材质为尼龙的布料图像集合构成的粒,表示材质为棉布的布料图像集合构成的粒,表示材质为PU的布料图像集合构成的粒,表示材质为网布的布料图像集合构成的粒,表示不考虑材质类型的布料图像集合构成的粒;
(1.2)根据步骤(1.1)所生成的布料图像领域知识粒度空间进行粒度细化生成具有细粒度的布料图像领域知识粒度空间:
其中,
其中,
其中,
以及
其中,p=1,2,...,h;
(2)提取布料图像的颜色特征和纹理特征;
(3)对提取的颜色特征进行粒化,构建图像颜色特征粒度空间,具体包括以下子步骤:
(3.1)构建单主色特征粒度空间其中, 共72种颜色,first_color(u)是对论域U进行粒化标准,表示示例图像u的直方图中最大占比的颜色的单主色集合,first_color(u′)表示示例图像u′的直方图中最大占比的颜色的单主色集合;论域U表示非空图像集合,即布料图像的集合;
(3.2)构建双主色特征粒度空间 其中,|U|表示论域U中布料图像的个数,表示从72种颜色中取2个不同颜色的总组合数;
(3.3)构建三主色特征粒度空间 其中,|U|表示论域U中布料图像的个数,表示从72种颜色中取3个不同颜色的总组合数; 其中first_three_color_set(u)是对论域U进行粒化标准,表示示例图像u的直方图中最大颜色占比的颜色、第2大颜色占比的颜色和第3大颜色占比的颜色这三个颜色形成的三主色集合;
(4)基于多粒度的图像相似度匹配方法,其包括以下子步骤:
(4.1)根据示例图像u的领域知识在布料图像领域知识粒度空间中进行匹配,其包括以下步骤:
(4.1.A)判断是否成立,若成立则转步骤(4.1.D);否则进入步骤(4.1.B);
(4.1.B)判断或或是否成立,若成立则转步骤(4.1.D);否则进入步骤(4.1.C);
(4.1.C)判断或或三者中哪个成立,然后进入步骤(4.1.D);
(4.1.D)上述所得到的匹配结果记为Gad;
(4.1.E)若1≤|Gad|≤IRRth,则示例图像u检索结束,其中IRRth为一个整数类型的阈值,表示满足匹配规则的图像个数;
(4.1.F)否则,则执行步骤(4.2);
(4.2)根据示例图像u的直方图在图像颜色特征粒度空间中进行匹配,其包括以下步骤:
(4.2.A)判断是否成立,若成立则转步骤(4.2.D),否则进入步骤(4.2.B);
(4.2.B)判断是否成立,若成立则转步骤(4.2.D),否则继续步骤(4.2.C);
(4.2.C)存在某个满足的粒,然后继续步骤(4.2.D);
(4.2.D)上述所得到的匹配结果记为Gac;
(4.2.E)若1≤|Gac|≤IRRth,则示例图像u检索结束;
(4.2.F)否则,则执行步骤(4.3);
(4.3)根据步骤(4.1)的匹配结果Gad和步骤(4.2)的匹配结果Gac,进行集合的交运算得到结果:Gad_c=Gad∩Gac;
(4.4)判断:若1≤|Gad_c|≤IRRth,则示例图像检索u结束;若|Gad_c|=0,示例图像u不在布料图像库中,提示是否将该示例图像u添加到布料图像库中,并给出相应的结果提示;若|Gad_c|>IRRth,则进入步骤(4.5)。
(4.5)在子集Gad_c中进行图像纹理特征的匹配,其包括以下步骤:
(4.5.A)按欧式距离计算公式:计算示例图像u与子集Gad_c中所有图像之间的距离Dm(u,u′),其中u′∈Gad_c是子集Gad_c中的任意一个图像,d表示图像纹理特征向量中分量的个数,uu[i]表示图像u的纹理特征向量中第i个分量值,而u′t[i]表示图像u′的纹理特征向量中第i个分量值;
(4.5.B)判断所有满足D(u,u′)<threshold的图像,其构成的集合记为Gad_c_t,其中0.5<threshold<=1;
(4.5.C)若|Gad_c_t|=0,那么该布料图像不在布料图像库中,提示是否将该布料图像添加到布料图像库中,并给出相应的结果提示,否则显示检索匹配结果。
2.如权利要求1所述的基于多粒度的布料图像检索方法,其特征在于,IRRth的值为5。
3.如权利要求1所述的基于多粒度的布料图像检索方法,其特征在于,步骤(2)具体包括以下子步骤:
(2.1)采用图像均衡化的方法对布料图像进行增强预处理操作,采用总体变分法对布料图像进行复原预处理操作得到预处理后的布料图像;
(2.2)对预处理后的布料图像提取其所有像素点的位置信息以及RGB颜色分量信息;
(2.3)采用颜色直方图方法描述布料图像的颜色特征;
(2.4)采用灰度共生矩阵或K.Laws的纹理能量测度来获取布料图像的纹理特征。
4.如权利要求3所述的基于多粒度的布料图像检索方法,其特征在于,步骤(2.3)中,所述颜色直方图方法为主色权重直方图方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310277286.3A CN104281588B (zh) | 2013-07-03 | 2013-07-03 | 一种基于多粒度的布料图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310277286.3A CN104281588B (zh) | 2013-07-03 | 2013-07-03 | 一种基于多粒度的布料图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104281588A true CN104281588A (zh) | 2015-01-14 |
CN104281588B CN104281588B (zh) | 2017-10-27 |
Family
ID=52256469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310277286.3A Active CN104281588B (zh) | 2013-07-03 | 2013-07-03 | 一种基于多粒度的布料图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104281588B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005794A (zh) * | 2015-07-21 | 2015-10-28 | 太原理工大学 | 融合多粒度上下文信息的图像像素语义标注方法 |
CN106547760A (zh) * | 2015-09-18 | 2017-03-29 | 广州盖特软件有限公司 | 一种皮革布料色卡图像检索系统 |
CN110033416A (zh) * | 2019-04-08 | 2019-07-19 | 重庆邮电大学 | 一种结合多粒度的车联网图像复原方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020067849A1 (en) * | 2000-12-06 | 2002-06-06 | Xerox Corporation | Adaptive tree-based lookup for non-separably divided color tables |
CN101877064A (zh) * | 2009-04-30 | 2010-11-03 | 索尼株式会社 | 图像分类方法及图像分类装置 |
US20100322518A1 (en) * | 2009-06-23 | 2010-12-23 | Lakshman Prasad | Image segmentation by hierarchial agglomeration of polygons using ecological statistics |
CN101930452A (zh) * | 2010-07-02 | 2010-12-29 | 吉林大学 | 基于智能计算的多粒度图像检索方法 |
-
2013
- 2013-07-03 CN CN201310277286.3A patent/CN104281588B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020067849A1 (en) * | 2000-12-06 | 2002-06-06 | Xerox Corporation | Adaptive tree-based lookup for non-separably divided color tables |
CN101877064A (zh) * | 2009-04-30 | 2010-11-03 | 索尼株式会社 | 图像分类方法及图像分类装置 |
US20100322518A1 (en) * | 2009-06-23 | 2010-12-23 | Lakshman Prasad | Image segmentation by hierarchial agglomeration of polygons using ecological statistics |
CN101930452A (zh) * | 2010-07-02 | 2010-12-29 | 吉林大学 | 基于智能计算的多粒度图像检索方法 |
Non-Patent Citations (4)
Title |
---|
CEYHUN BURAK AKGUL等: "Content-based image retrieval using color and texture fused features", 《JOURNAL OF DIGITAL IMAGING》 * |
JUN YUE等: "Content-based image retrieval using color and texture fused features", 《MATHEMATICAL AND COMPUTER MODELLING》 * |
许相莉等: "多粒度颜色特征在图像检索中的应用", 《应用科学学报》 * |
郭庆文等: "多粒度的图像检索方法研究", 《计算机科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005794A (zh) * | 2015-07-21 | 2015-10-28 | 太原理工大学 | 融合多粒度上下文信息的图像像素语义标注方法 |
CN105005794B (zh) * | 2015-07-21 | 2018-06-05 | 太原理工大学 | 融合多粒度上下文信息的图像像素语义标注方法 |
CN106547760A (zh) * | 2015-09-18 | 2017-03-29 | 广州盖特软件有限公司 | 一种皮革布料色卡图像检索系统 |
CN110033416A (zh) * | 2019-04-08 | 2019-07-19 | 重庆邮电大学 | 一种结合多粒度的车联网图像复原方法 |
CN110033416B (zh) * | 2019-04-08 | 2020-11-10 | 重庆邮电大学 | 一种结合多粒度的车联网图像复原方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104281588B (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Modified firefly algorithm based multilevel thresholding for color image segmentation | |
CN104281849B (zh) | 一种布料图像颜色特征提取方法 | |
CN102073748B (zh) | 一种基于视觉关键词的遥感影像语义检索方法 | |
Fauqueur et al. | Region-based image retrieval: Fast coarse segmentation and fine color description | |
Zhang et al. | PSO and K-means-based semantic segmentation toward agricultural products | |
Kavitha et al. | Image retrieval based on color and texture features of the image sub-blocks | |
Yadav et al. | Survey on content-based image retrieval and texture analysis with applications | |
Kavitha et al. | An efficient content based image retrieval using color and texture of image sub blocks | |
CN106228554A (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
Suciati et al. | Fractal-based texture and HSV color features for fabric image retrieval | |
Wang et al. | Remote-sensing image retrieval by combining image visual and semantic features | |
Alamdar et al. | A new color feature extraction method based on dynamic color distribution entropy of neighborhoods | |
Sánchez-Yánez et al. | One-class texture classifier in the CCR feature space | |
CN104281588A (zh) | 一种基于多粒度的布料图像检索方法 | |
Jaswal et al. | Content based image retrieval using color space approaches | |
Kaduhm et al. | Studying the classification of texture images by K-means of co-occurrence matrix and confusion matrix | |
Vimina et al. | CBIR using local and global properties of image sub-blocks | |
Jain et al. | A novel approach for image classification in Content based image retrieval using support vector machine | |
Wang et al. | Improved support vector clustering algorithm for color image segmentation | |
Nirapure et al. | Fast retrieval of images using filtered HSV color level detection | |
Memon et al. | A novel technique for region-based features similarity for content-based image retrieval | |
HARJOKO et al. | CONTENT-BASED IMAGE RETRIEVAL FOR ASSET MANAGEMENT BASED ON WEIGHTED FEATURE AND K-MEANS CLUSTERING. | |
Ferone et al. | A rough-fuzzy HSV color histogram for image segmentation | |
Liu et al. | Semantic retrieval for remote sensing images using association rules mining | |
Shumaila et al. | Performing content-based image retrieval using rotated local binary pattern and multiple descriptors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |