CN104376080A - 一种基于归一化颜色周期的领带花型图案检索方法 - Google Patents

Abstract

本发明公开了一种基于归一化颜色周期的领带花型图案检索方法，该方法对图像进行分色二值化，通过自相关求出每种颜色的行列周期，并进行归一化处理，得到特征向量；将该特征向量与特征库中的特征向量通过相似度检测进行匹配运算，得到检索的结果。采用本发明方法能够对“四方连续”的领带花型图案进行有效的检索，对于花型相同颜色不同的图案也能够检测出来；同时以归一化颜色周期作为检索特征，可以避免因颜色不同而花型一致产生的误检。

Description

一种基于归一化颜色周期的领带花型图案检索方法

技术领域

本发明属于数字图像检索技术领域，具体涉及一种基于归一化颜色周期的领带花型图案检索方法。

背景技术

随着领带生产和设计的自动化程度的提高，领带生产企业对领带设计资源的管理逐步从原来的人工管理进化为自动化管理，许多领带生产企业积累了大量的领带图片，为了在生产、销售等环节中有效的挖掘利用这些领带资源，迫切需要一个领带图形检索系统对领带图形的进行自动、有效的检索。目前许多领带生产企业对领带花型的检索主要有两种方式：

对领带花型采用实样存储领带样品的方式，通过样品库中领带样品进行人工分类和编号以方便检索，主要用于领带产品的设计、产品管理等用途。该种方式需要存储大量的产品样品，还需要占用存储空间以及样品管理及保存的耗费，会造成不必要的资源浪费，并且人工在大量样品中进行检索会受到检索者的主观因素影响,检索的效率和速度都会很低。

建立基于产品分类的领带检索系统，通过领带产品的数字图像进行分类，由用户按照预先分类进行查找所需要的领带花型，以半手工查询的方式来实现对领带花型的检索，这一方式已经在一些领带生产企业的电子商务中开始应用。该种方式虽然可以一定程度上解决了上述不利因素，但是以半手工的方式在图像库中查找，检索方式单一，并且难以充分满足不同检索人员和客户的不同检索需求和对一些检索特征需求进行精确描述，速度和效率都还是比较低。因此需要充分利用各种图像检索技术建立高效准确的领带产品检索系统，以提高领带生产企业的自动化程度,和提高电子商务的应用。

目前针对领带花型的图案检索研究并不多，多采用颜色、纹理及结构等特征进行检索。如丁颖等在“基于领带花形图像检索算法研究”(杭州电子科技大学学报，2005,Vol.25(1):33,43,53,63)一文中提出在对布样扫描图像提取花型区域的基础上，运用Gabor小波变换提取花型特征，采用多角度旋转不变性的相似度计算进行检索。该方法对于方向性反应较强的条纹、格状、点状花型能够做出较好的描述。对于不能将方向信息作为主要描述方式的花类花型，容易与具有相似纹理方向信息的其他花型混淆，对于素面花型检索精度亦不高。朱华建等在“基于区域特征及相对空间关系的领带图案的识别”(浙江大学硕士学位论文，2005)一文中提出了基于区域特征及空间关系的领带图案花型识别方法，避开对图像形状和结构分析，减少运算量，但该算法对输入的花样图案有严格的要求，必须是花样的单位循环。程守远等在“基于图像检索技术的领带花型检索的研究”(东华大学硕士学位论文，2006)一文中提出根据颜色组合直方图特征和纹理特征的方法来实现领带花型的检索，该方法图像特征向量的维数高，检索计算量大，影响检索性能。

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归一化颜色周期的领带花型图案检索方法，根据领带主体花型“四方连续”排列的特点，选用每种颜色的周期作为特征向量进行检索。

一种基于归一化颜色周期的领带花型图案检索方法，包括如下步骤：

(1)获取待检索领带图像，并建立该图像的颜色信息矩阵；

(2)对于待检索领带图像中的任一类颜色，若该类颜色的颜色值为v_k，则将颜色信息矩阵中所有为v_k的元素值重置为1，其余元素值重置为0，从而得到颜色标记矩阵I_k，k为自然数且1≤k≤K，K为待检索领带图像中颜色的总类别数；

(3)对颜色标记矩阵I_k沿行方向进行逐像素循环偏移，偏移量为i，得到颜色标记矩阵I_{row_ki}并使其与颜色标记矩阵I_k进行相关运算得到相关值c_{row_ki}，i为自然数且1≤i≤N，N为颜色信息矩阵的行数；依此遍历所有偏移量1～N，得到行相关值向量C_rowk＝[c_{row_k1},c_{row_k2},...,c_{row_kN}]^T；

对颜色标记矩阵I_k沿列方向进行逐像素循环偏移，偏移量为j，得到颜色标记矩阵I_{col_kj}并使其与颜色标记矩阵I_k进行相关运算得到相关值c_{col_kj}，j为自然数且1≤j≤M，M为颜色信息矩阵的列数；依此遍历所有偏移量1～M，得到列相关值向量C_colk＝[c_{col_k1},c_{col_k2},...,c_{col_kM}]^T；

(4)确定行相关值向量C_rowk和列相关值向量C_colk中相关值元素的峰值周期，对应得到行周期T_rowk和列周期T_colk；

(5)根据步骤(2)至(4)，遍历待检索领带图像中所有颜色类别，得到行周期特征向量T_row＝[T_row1,T_row2,...,T_rowK]^T和列周期特征向量T_col＝[T_col1,T_col2,...,T_colK]^T；分别对行周期特征向量T_row和列周期特征向量T_col中的元素按递减顺序重新排列并进行归一化处理后，得到待检索领带图像基于归一化的行颜色周期向量TN_row和列颜色周期向量TN_col；

(6)使待检索领带图像与图案库中各领带图像关于行颜色周期向量和列颜色周期向量进行相似度计算，使图案库中符合相似度要求的领带图像作为待检索领带图像的检索结果。

所述颜色信息矩阵的维度对应为待检索领带图像的像素尺寸，颜色信息矩阵中每个元素的元素值对应为每个像素的颜色值。

所述的步骤(3)中对颜色标记矩阵I_k沿行方向进行逐像素循环偏移即使颜色标记矩阵I_k中各行元素均向下偏移i位且将颜色标记矩阵I_k最下边的i行元素循环填补到最上边；对颜色标记矩阵I_k沿列方向进行逐像素循环偏移即使颜色标记矩阵I_k中各行元素均向右偏移j位且将颜色标记矩阵I_k最右边的j行元素循环填补到最左边。

所述的步骤(3)中根据以下算式计算相关值c_{row_ki}和c_{col_kj}：

$c_{\mathrm{row}\_\mathrm{ki}}=\frac{\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_k(x,y)I_{\mathrm{row}\_\mathrm{ki}}(x,y)}{\sqrt{\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_k^2(x,y)\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_{\mathrm{row}\_\mathrm{ki}}^2(x,y)}}$

$c_{\mathrm{col}\_\mathrm{ki}}=\frac{\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_k(x,y)I_{\mathrm{col}\_\mathrm{ki}}(x,y)}{\sqrt{\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_k^2(x,y)\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_{\mathrm{col}\_\mathrm{ki}}^2(x,y)}}$

其中：I_k(x,y)为颜色标记矩阵I_k中第x行第y列的元素值，I_{row_ki}(x,y)为颜色标记矩阵I_{row_ki}中第x行第y列的元素值，I_{col_ki}(x,y)为颜色标记矩阵I_{col_ki}中第x行第y列的元素值，x和y均为自然数且1≤x≤N，1≤y≤M。

所述的步骤(5)中的归一化处理，即使重排列后的行周期特征向量T_row和列周期特征向量T_col中各元素值除以对应向量中的最大元素值。

所述的步骤(6)中根据以下算式进行相似度计算：

${\mathrm{SIM}}_{\mathrm{row}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{TN}}_{\mathrm{row}}\left(k\right){\mathrm{QN}}_{\mathrm{row}}\left(k\right)}{\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{{\mathrm{TN}}_{\mathrm{row}}}^2\left(k\right)\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{{\mathrm{QN}}_{\mathrm{row}}}^2\left(k\right)}$ ${\mathrm{SIM}}_{\mathrm{col}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{TN}}_{\mathrm{col}}\left(k\right){\mathrm{QN}}_{\mathrm{col}}\left(k\right)}{\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{{\mathrm{TN}}_{\mathrm{col}}}^2\left(k\right)\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{{\mathrm{QN}}_{\mathrm{col}}}^2\left(k\right)}$

其中：SIM_row和SIM_col分别为待检索领带图像与图案库中任一领带图像关于行颜色周期向量和列颜色周期向量的相似度，TN_row(k)和TN_col(k)分别为待检索领带图像的行颜色周期向量TN_row和列颜色周期向量TN_col中的第k个元素值，QN_row(k)和QN_col(k)分别为图案库中任一领带图像的行颜色周期向量QN_row和列颜色周期向量QN_col中的第k个元素值。

所述的步骤(6)中若图案库中任一领带图像与待检索领带图像关于行颜色周期向量或列颜色周期向量的相似度大于等于预设的门限值，则该领带图像即作为待检索领带图像的检索结果。

所述的门限值设定为0.7～0.9。

本发明在基于领带花型“四方循环”的基础上，通过分色二值化，相关运算求出每种颜色的周期，并将归一化周期向量作为特征进行匹配检索。

与现有技术相比，本发明具有以下有益技术效果：

(1)本发明以归一化颜色周期作为检索特征，可以避免因颜色不同而花型一致产生的误检。

(2)本发明根据数字信号处理的有关知识，相关计算公式可以等效为循环卷积，而循环卷积的计算可以采用FFT算法快速实现；因此领带花型图案进行逐象素循环偏移，然后与原花型图案进行求相关值可以采用FFT算法快速实现，减少计算时间。

附图说明

图1为本发明检索方法的流程示意图。

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。

领带图案具有以下特点：(1)背景纹理具有规律性，并且纹理细、密，而前景的主体花型则比较疏，同时主体花型是按照“四方连续”排列的(这是领带面料的织造特点)，是一种有规律的循环；(2)颜色分布区域性较强，相同的颜色分布具有区域性，基本没有过渡色。

本发明方法针对领带图案中每种颜色在行、列方向均具有周期性的特点，首先对图像进行分色二值化，通过自相关求出每种颜色的周期，并进行归一化处理，得到特征向量；将该特征向量与特征库中的特征向量通过相似度检测进行匹配运算，得到检索的结果。

如图1所示，本发明领带图形检索方法，包括以下步骤：

步骤一：读入领带花型图像文件，将图像颜色信息保存在数组I中。

步骤二：扫描图像，得到图像中颜色的数量n，设n种颜色值分别为v_i(i＝1,2,…n)，设定变量i初值为1。

步骤三：将图像数组中将数组I中颜色值为v_i的点值设为1，其余值全部设为0，得到数组I_i。

步骤四：对数组I_i沿列方向进行逐象素循环偏移(偏移量为j，j＝1,2,…,M)，得到数组I_colij，然后与数组I_i进行相关运算得到相关值c_j，所有相关值组成向量C_col，即C_col＝[c_col1,c_col2,...,c_colM]^T。

$c_{\mathrm{rolj}}=\frac{\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{I}_i(x,y)I_{\mathrm{colij}}(x,y)}{\sqrt{\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{I}_i^2(x,y)\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{I_{\mathrm{colij}}}^2(x,y)}}$

其中：x,y为图像的行序号与列序号。

步骤五：对数组I_i沿行方向进行逐象素循环偏移(偏移量为r，r＝1,2,…,N)，得到数组I_rowir，然后与数组I_i进行相关运算得到相关值c_rowir，所有相关值组成向量C_row，即C_row＝[c_row1,c_row2,...,c_rowN]^T。

$c_{\mathrm{rowr}}=\frac{\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{I}_i(x,y)I_{\mathrm{rowir}}(x,y)}{\sqrt{\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{I}_i^2(x,y)\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{I_{\mathrm{rowir}}}^2(x,y)}}$

步骤六：由于领带设计图案中的花型具有周期性，因此行列自相关值在每个周期点处会出现一个峰值，并且这个峰值也是周期出现的。求出该周期，列周期记为T_coli，行周期即为T_rowi。

步骤七：重复步骤三至六，直至所有颜色周期均计算完毕，得到周期特征向量T_col＝[T_col1,T_col2,...,T_coln]^T与T_row＝[T_row1,T_row2,...,T_rown]^T。

步骤八：将T_col与T_row中向量按递减顺序排列，并进行归一化处理，得到向量TN_col与TN_row。

TN_col＝T_col/Tmax_col，其中Tmax_col为T_col中的最大列周期值。

TN_row＝T_row/Tmax_row，其中Tmax_row为T_row中的最大行周期值。

步骤九：分别计算向量TN_col与特征库中存放的向量QN_colk、TN_row与QN_rowk(其中k＝1,2,…,Num,Num为特征库中向量的个数)的相似度SIM_colk与SIM_rowk，若行列相似度均小于门限值TH，一般可取为0.7～0.9，说明该图案在库中不存在，否则，行或列的相似度最大的图像即为检索结果。

${\mathrm{SIM}}_{\mathrm{colk}}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{TN}}_{\mathrm{col}}\left(j\right){\mathrm{QN}}_{\mathrm{colk}}\left(j\right)}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{TN}}_{\mathrm{col}}}^2\left(j\right)\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{QN}}_{\mathrm{colk}}}^2\left(j\right)}$

${\mathrm{SIM}}_{\mathrm{rowk}}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{TN}}_{\mathrm{row}}\left(j\right){\mathrm{QN}}_{\mathrm{rowk}}\left(j\right)}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{TN}}_{\mathrm{row}}}^2\left(j\right)\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{QN}}_{\mathrm{rowk}}}^2\left(j\right)}$

本实施方式在基于领带花型“四方循环”的基础上，通过分色二值化，相关运算求出每种颜色的周期，并将归一化周期向量作为特征进行匹配检索。

上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

1.一种基于归一化颜色周期的领带花型图案检索方法，包括如下步骤：

(1)获取待检索领带图像，并建立该图像的颜色信息矩阵；

(2)对于待检索领带图像中的任一类颜色，若该类颜色的颜色值为v_k，则将颜色信息矩阵中所有为v_k的元素值重置为1，其余元素值重置为0，从而得到颜色标记矩阵I_k，k为自然数且1≤k≤K，K为待检索领带图像中颜色的总类别数；

(3)对颜色标记矩阵I_k沿行方向进行逐像素循环偏移，偏移量为i，得到颜色标记矩阵I_{row_ki}并使其与颜色标记矩阵I_k进行相关运算得到相关值c_{row_ki}，i为自然数且1≤i≤N，N为颜色信息矩阵的行数；依此遍历所有偏移量1～N，得到行相关值向量C_rowk＝[c_{row_k1},c_{row_k2},...,c_{row_kN}]^T；

对颜色标记矩阵I_k沿列方向进行逐像素循环偏移，偏移量为j，得到颜色标记矩阵I_{col_kj}并使其与颜色标记矩阵I_k进行相关运算得到相关值c_{col_kj}，j为自然数且1≤j≤M，M为颜色信息矩阵的列数；依此遍历所有偏移量1～M，得到列相关值向量C_colk＝[c_{col_k1},c_{col_k2},...,c_{col_kM}]^T；

(4)确定行相关值向量C_rowk和列相关值向量C_colk中相关值元素的峰值周期，对应得到行周期T_rowk和列周期T_colk；

(5)根据步骤(2)至(4)，遍历待检索领带图像中所有颜色类别，得到行周期特征向量T_row＝[T_row1,T_row2,...,T_rowK]^T和列周期特征向量T_col＝[T_col1,T_col2,...,T_colK]^T；分别对行周期特征向量T_row和列周期特征向量T_col中的元素按递减顺序重新排列并进行归一化处理后，得到待检索领带图像基于归一化的行颜色周期向量TN_row和列颜色周期向量TN_col；

(6)使待检索领带图像与图案库中各领带图像关于行颜色周期向量和列颜色周期向量进行相似度计算，使图案库中符合相似度要求的领带图像作为待检索领带图像的检索结果。

2.根据权利要求1所述的领带花型图案检索方法，其特征在于：所述颜色信息矩阵的维度对应为待检索领带图像的像素尺寸，颜色信息矩阵中每个元素的元素值对应为每个像素的颜色值。

3.根据权利要求1所述的领带花型图案检索方法，其特征在于：所述的步骤(3)中对颜色标记矩阵I_k沿行方向进行逐像素循环偏移即使颜色标记矩阵I_k中各行元素均向下偏移i位且将颜色标记矩阵I_k最下边的i行元素循环填补到最上边；对颜色标记矩阵I_k沿列方向进行逐像素循环偏移即使颜色标记矩阵I_k中各行元素均向右偏移j位且将颜色标记矩阵I_k最右边的j行元素循环填补到最左边。

4.根据权利要求1所述的领带花型图案检索方法，其特征在于：所述的步骤(3)中根据以下算式计算相关值c_{row_ki}和c_{col_kj}：

$c_{\mathrm{row}\_\mathrm{ki}}=\frac{\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_k(x,y)I_{\mathrm{row}\_\mathrm{ki}}(x,y)}{\sqrt{\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_k^2(x,y)\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_{\mathrm{row}\_\mathrm{ki}}^2(x,y)}}$

$c_{\mathrm{col}\_\mathrm{ki}}=\frac{\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_k(x,y)I_{\mathrm{col}\_\mathrm{ki}}(x,y)}{\sqrt{\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_k^2(x,y)\underset{x=1}{\overset{N}{\mathrm{\Σ}}}\underset{y=1}{\overset{M}{\mathrm{\Σ}}}{I}_{\mathrm{col}\_\mathrm{ki}}^2(x,y)}}$

其中：I_k(x,y)为颜色标记矩阵I_k中第x行第y列的元素值，I_{row_ki}(x,y)为颜色标记矩阵I_{row_ki}中第x行第y列的元素值，I_{col_ki}(x,y)为颜色标记矩阵I_{col_ki}中第x行第y列的元素值，x和y均为自然数且1≤x≤N，1≤y≤M。

5.根据权利要求1所述的领带花型图案检索方法，其特征在于：所述的步骤(5)中的归一化处理，即使重排列后的行周期特征向量T_row和列周期特征向量T_col中各元素值除以对应向量中的最大元素值。

6.根据权利要求1所述的领带花型图案检索方法，其特征在于：所述的步骤(6)中根据以下算式进行相似度计算：

$\begin{array}{cc}{\mathrm{SIM}}_{\mathrm{row}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{TN}}_{\mathrm{row}}\left(k\right){\mathrm{QN}}_{\mathrm{row}}\left(k\right)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{{\mathrm{TN}}_{\mathrm{row}}}^2\left(k\right)\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{{\mathrm{QN}}_{\mathrm{row}}}^2\left(k\right)}& {\mathrm{SIM}}_{\mathrm{col}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{TN}}_{\mathrm{col}}\left(k\right){\mathrm{QN}}_{\mathrm{col}}\left(k\right)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{{\mathrm{TN}}_{\mathrm{col}}}^2\left(k\right)\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{{\mathrm{QN}}_{\mathrm{col}}}^2\left(k\right)}\end{array}$

其中：SIM_row和SIM_col分别为待检索领带图像与图案库中任一领带图像关于行颜色周期向量和列颜色周期向量的相似度，TN_row(k)和TN_col(k)分别为待检索领带图像的行颜色周期向量TN_row和列颜色周期向量TN_col中的第k个元素值，QN_row(k)和QN_col(k)分别为图案库中任一领带图像的行颜色周期向量QN_row和列颜色周期向量QN_col中的第k个元素值。

7.根据权利要求1所述的领带花型图案检索方法，其特征在于：所述的步骤(6)中若图案库中任一领带图像与待检索领带图像关于行颜色周期向量或列颜色周期向量的相似度大于等于预设的门限值，则该领带图像即作为待检索领带图像的检索结果。

8.根据权利要求7所述的领带花型图案检索方法，其特征在于：所述的门限值设定为0.7～0.9。