CN104778703A - 织物图案创意要素自动提取方法 - Google Patents

Abstract

本发明公开了一种织物图案创意要素自动提取方法，包括几何元素提取流程和色彩元素提取流程，几何元素提取流程包括消除纹理噪声、建立区域作用域图和区域合并；色彩元素提取流程包括对输入图像进行显著性分析，得到反映该图像的显著性图，运用颜色量化中的量化标准分别针对划分的两区域进行颜色值的量化。与现有技术相比，本发明术可以提取出更加符合人的主观视觉理解、更具美学价值的色彩主题。

Description

织物图案创意要素自动提取方法

技术领域

本发明涉及计算机图案中元素的自动提取技术，特别是涉及一种织物图案几何元素和色彩元素的自动提取方法。

背景技术

织物图案中的创意要素是指织物图案中的几何元素和织物图案中的色彩元素。几何元素可作为设计师的设计素材，而颜色主题又能给予设计师填色的灵感，因此从已有的织物图案中提取几何要素和色彩元素在产品设计等领域具有较强的实用价值。由于对一幅织物图案的创意元素进行手工提取，需要耗费较长的时间，而且难以保证提取质量。因此，借助计算机完成织物图案的几何元素和色彩元素的提取是非常有意义的，这不仅可以为设计师节约时间缩短作品创作的周期，并且能够在一定程度上提高设计质量。

近年来的研究中，对于几何元素提取主要通过勾勒图案的边缘来得到。目前的方法大致可分为三类：基于图像灰度值的梯度方法、图分割的方法和机器学习的方法。文献^[1]介绍的Canny算子是一个多级边缘检测算法，运用梯度运算来决定像素是否为边缘点，利用这种方法能提取比较准确的物体边缘，但是未考虑传感器带来的噪声。文献[2]通过人为的标记分割图像中部分物体上的像素与背景上的像素，利用图分割的方法对未标注区域进行分割。该方法可以取得较好的结果，但是计算开销大，处理时间较长。文献^[3]利用机器学习的方法通过学习图像中前背景和过分割图像中块的颜色、特征以及块的一些几何属对过分割图像中的块进行合并。此方法在分割效果上有较大提高，但是仍然仅仅从单个块的性质出发，没有考虑块与块之间几何性质的联系。

色彩元素的提取方法主要包括聚类分割方法、统计直方图方法和数据驱动方法等。文献^[4]运用K-means方法对一幅图像在空间上进行聚类得到一幅局部聚集的分块图像，从而分别提取代表各个块的颜色。该方法忽略了图像中分布较小的颜色区域，而人们对颜色的观察却不因为所占比重的多少而被忽略。文献^[5]利用K-means聚类方法对彩色图像在HSV空间种颜色特征进行聚类，寻找最佳的分割阈值。这种阈值分割的方法简单高效，但同时也会失去物体内部存在的一些细节特征。文献^[6]采用DERIECT算法对一幅图像提取颜色主题。对图像网站上的主题根据排名，针对排名靠前的色彩主题，利用一阶线性Lasso回归模型选取重要的特征。该方法过分注重颜色主题原有的排名，忽略用户对图像中内容的主观理解。

并且，由于织物图案存在一些独有的特征，对几何元素影响较大的特征是纹理噪声和连续性。织物本身所存在的经纬线以及制作工艺，导致表面存在一定的纹理。织物的几何连续性则涉及到织物图案的可能存在的二方连续现象，即物体空间上分离但成对出现。之前的方法大都针对自然图像的几何元素和颜色主题提取，这些方法不能简单推广用于织物图案。

^[1]Canny J.A Computational approach to edge detection.IEEE Transactions onPatternAnalysis and Machine Intelligence,1986,(6):679-698

^[2]Rother C,Kolmogorov V,and Blake A.Grabcut:interactive foreground extractionusing iterated graph cuts.ACM Transactions on Graphics,2004,23(3):309-314

^[3]Ren Z,Shakhnarovich G.Image segmentation by cascaded region agglomeration.Proceedings of 2013IEEE Conference on Computer Vision and Pattern Recognition,2013.2011-2018

^[4]Means T K,Wang S,and Lien E.Human Toll-like receptors mediate cellularactivation by mycobacterium Tuberculosis.The Journal of Immunology,1999,163(7):3920-3927

^[5]Chen T W,Chen Y L,Chien S Y.Fast image segmentation based on K-Meansclustering with histograms in HSV color space.Proceedings of 2008IEEE 10th Workshop onMultimedia Signal Processing,2008.322-325

^[6]O'Donovan P,Agarwala A,and Hertzmann A.Color compatibility from largedatasets.ACMTransactions on Graphics,2011:30(4):63:1-63:12

发明内容

为了克服上述现有技术的问题，本发明提出了一种织物图案创意要素自动提取方法，结合区域连通图和区域合并规则处理预分割图像的对织物图案几何元素提取方法；以及选用五种颜色的集合作为反映该图案的颜色主题，基于显著性模型、颜色量化实现了颜色主题提取。

本发明提出了一种织物图案创意要素自动提取方法，包括几何元素提取流程和色彩元素提取流程，所述几何元素提取流程和所述色彩元素提取流程，具体包括以下步骤：

步骤1、实现所述几何元素提取流程，包括：

步骤1-1、通过多次均值漂移算法迭代得到织布图案中一个给定球体范围区域内点的均值，作为密度梯度的估计，直到得到局部稳定状态中心点的聚类中心点，完成纹理噪声的消除；S是p维空间下一个有限数目点的集合，是一个半径为r的球面区域，中心点为x，漂移特征向量为y，满足|y-x|＜r，期望的新的点的坐标μ＝y-x，通过如下的公式(1)计算得到：

$\mathrm{\μ}={\∫}_{S_x}(y-x)p\left(y\right|S_x)\mathrm{dy}={\∫}_{S_x}(y-x)\frac{p\left(y\right)}{p(y\∈S_x)}\mathrm{dy}---\left(1\right);$

步骤1-2、基于图的图像分割方法先对一幅织物图案图像建立一个无向图G＝(V,E)，每个像素点对应织物图像中每个节点，连接节点的边对应图像像素点之间三维色彩空间下的差值，块与块之间为节点的形式，预先定义每个块内部的差异Int(C)：

$\mathrm{Int}\left(C\right)=\underset{e\∈\mathrm{MST}(C,E)}{\max }\mathrm{\ω}\left(e\right)---\left(3\right)$

其中，且MST(C,E)表示最小生成树算法形成的图的子集，ω(e)表示无向图中边e的权重；

预先定义块与块之间的差异Dif(C₁,C₂)：

$\mathrm{Dif}(C_1,C_2)=\underset{v_i\∈C_1,v_j\∈C_2(v_i,v_j)\∈E}{\min }\mathrm{\ω}(v_i,v_j)---\left(4\right)$

其中v_j，v_i为无向图G＝(V,E)中的顶点，ω(v_i，v_j)为两顶点路径的权值；如果C₁和C₂没有交集_，则将Dif(C₁,C₂)置为无穷大；

将边以递增的顺序进行排序，对区域C₁和C₂进行合并，如果两个区域相连的边值Dif(C₁,C₂)小于公式(5)则合并，否则不合并；

MInt(C₁,C₂)＝min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂))   (5)

这里τ(C)＝k/|C|，其中k是合并的尺度系数来调节合并的块的尺寸；

步骤1-3、对织物图案“连续性”的处理，具体为块与块的各种几何连续性合并；计算块与块的几何关系即块与块的包含性关系、相邻性关系和不相连性关系；其中：

令C₁、C₂是过分割图像中的两个块，则二者存在包含性关系的概率ρ_in(C₁,C₂)描述为公式(6)：

${\mathrm{\ρ}}_{\mathrm{in}}(C_1,C_2)=\frac{\mathrm{cross}(\mathrm{box}\left(C_1\right),\mathrm{box}\left(C_2\right))}{\min (\mathrm{arc}\left(C_1\right),\mathrm{arc}\left(C_2\right))}---\left(6\right)$

其中，box()代表块的最小包围盒，cross()代表两个最小包围盒的交叉面积，arc()表示块的最小包围盒面积，min()两个数的最小值；

令E₁、E₂为过分割图像中两个块的轮廓，则二者存在相邻性关系的概率可以描述为公式(7)：

${\mathrm{\ρ}}_{\mathrm{nest}}(E_1,E_2)=\frac{\mathrm{count}\left(p\right|p\∈E_1^p\∈E_2)}{\min (\mathrm{len}\left(E_1\right),\mathrm{len}\left(E_2\right))}---\left(7\right)$

其中p表示像素，count()计算几何中元素个数，len()代表周长，θ未设定的阈值。通过求两个相交块的边缘相交距离除以较小周长的边界来衡量相邻性的概率；

令C₁、C₂为两个过分割块，则二者存在不相邻性关系的概率可以表述为公式(8)：

${\mathrm{\ρ}}_{\mathrm{disc}}(C_1,C_2)=(\underset{p\∈C_1}{\mathrm{\Σ}}(I_p/N_1)-\underset{p\∈C_2}{\mathrm{\Σ}}(I_p/N_2))/I_{\mathrm{rand}}---\left(8\right)$

其中，N₁和N₂分别代表C₁、C₂中像素点的个数，I_p代表像素点p的强度值。I_rand表示色彩空间中强度的范围；

上述与合并相关的几何连续性的计算的前提是两个块的中心点距离小于设定的值；

步骤2、实现所述织物色彩主题提取流程，包括：

步骤2-1、针对一幅图像I计算坐标(x',y')处显著性值S(x',y')，如公式(9)所示：：

$S(x^{\′},y^{\′})=|I_{\mathrm{\μ}}-I_{{\mathrm{\ω}}_{\mathrm{hc}}}(x^{\′},y^{\′})|---\left(9\right)$

其中，I_μ表示图像全局的平均特征向量，表示坐标(x',y')处像素值经过核大小为5×5的高斯差分滤波变换的特征向量值；实验中ω_hc的值设置为π/2.75；

步骤2-2、将颜色转换到基于视觉的HSV色彩空间，对HSV三个分量进行不等间隔的划分，实现颜色主题的量化提取，颜色提取算法如公式(10)所示：

$H=\left\{\begin{array}{cc}0& h\∈(-\mathrm{45,20}]\\ 1& h\∈(\mathrm{20,50}]\\ 2& h\∈(\mathrm{50,75}]\\ 3& h\∈(\mathrm{75,155}]\\ 4& h\∈\left(\mathrm{155,195}\right]\\ 5& h\∈(\mathrm{195,275}]\\ 6& h\∈(275,-45]\end{array}\right.,s=\left\{\begin{array}{cc}0& s\∈(\mathrm{0,0.2}]\\ 1& s\∈(\mathrm{0.2,0.7}]\\ 2& s\∈(\mathrm{0.7,1}]\end{array}\right.,V=\left\{\begin{array}{cc}0& v\∈\left(\mathrm{0,0.2}\right]\\ 1& v\∈(\mathrm{0.2,0.7}]\\ 2& v\∈(\mathrm{0.7,1}]\end{array}\right.---\left(10\right).$

所述颜色提取算法，具体包括以下规则：

(1)初始化处理：未标记所有颜色未被选定，颜色主题颜色种类为空；

(2)从未被标记的颜色中选取频率最大的颜色，比较该颜色与选取的颜色主题中的颜色是否相邻；

(3)若选取的颜色区间与之前选取的颜色区间相邻，标记该颜色，继续第二步；若不相邻，添加到颜色主题中，标记该颜色；

(4)判断颜色主题颜色数目是否达到预期数目，若未达到，则继续第(2)步。若达到，则算法结束。

与现有技术相比，本发明术可以提取出更加符合人的主观视觉理解、更具美学价值的色彩主题。

附图说明

图1为原始织物图案和一些几何元素的提取结果图，其中：左为织物图案，右为几何元素提取结果；

图2为织物图案颜色主题提取实验结果图，其中：左为织物图案，右为几何元素提取结果；

图3为本发明的织物图案创意要素自动提取方法整体流程图，包括几何元素提取流程和色彩元素提取流程。

具体实施方式

以下结合附图及具体实施方式，进一步详述本发明的技术方案。

首先，几何元素提取步骤包括：

1、消除纹理噪声。对于一幅输入织物图案采用均值漂移滤波抑制所存在的“纹理噪声”；通过多次均值漂移算法迭代得到一个给定球体范围区域内点的均值作为密度梯度的估计，聚类中心点随着迭代进行变化，直到中心点达到局部稳定状态；完成纹理噪声的消除；基于图的图像分割的方法对其进行预分割得到过分割图像。

2、建立区域作用域图。针对得到的过分割图像，建立区域作用域图来消除纹理噪声引起分割块数过多“视觉相邻“区域不相邻的现象。区域作用域图的节点对应过分割图像中的每个块。

3、区域合并。制定合并规则，计算区域作用域图中节点之间的边值，将边值按递减序列排序，进行区域合并。用自动标记辅助人工的交互操作来得到前背景图像，目的是让得到的实验结果更精确。

其次，对于色彩主题提取包括以下步骤：

1、对输入图像进行显著性分析，得到反映该图像的显著性图。将得到的显著性图，划分为显著性区域和非显著性区域。两个区域的划分参照人为设定的阈值，小于该阈值的区域为非显著性区域或者称为背景区域。反之，大于该阈值的区域为显著性区域或者称之为前景区域；

2、运用颜色量化中的量化标准分别针对划分的两区域进行颜色值的量化。从量化后的颜色直方图中提取该区域一定数量代替该区域的主色调，合并两区域所提取的颜色组成目标颜色主题。

上述技术方案的具体实现详述如下：

一、几何图案提取流程，本发明的实施流程最佳实施方式如下：

步骤1、“纹理噪声”的去除

织物本身所存在的经纬线以及制作工艺等原因，导致织物表面存在一定的纹理，在计算机图形处理中称之为纹理噪声。这一现象的存在导致利用图像本身的色彩信息在进行分割存在一些问题。为了去除纹理噪声，本发明将织物图案经过均值漂移算法，使织物图案表面的纹理变的平滑。

利用均值漂移算法每次通过迭代得到一个给定球体范围区域内点的均值作为一个密度梯度的估计。聚类中心点随着迭代进行变化，直到中心点达到局部稳定状态才停止。公式如下：

$\mathrm{\μ}={\∫}_{S_x}(y-x)p\left(y\right|S_x)\mathrm{dy}={\∫}_{S_x}(y-x)\frac{p\left(y\right)}{p(y\∈S_x)}\mathrm{dy}---\left(1\right)$

其中，S是p维空间下一个有限数目点的集合，S_X是一个半径为r的球面区域，x为中心点，y为漂移特征向量；满足|y-x|＜r，期望的新的点的坐标μ＝y-x，μ为x经过漂移y之后的期望的新的中心坐标，故μ＝y-x；

如果S_x足够的小,则其中代表这个球面的体积。为了减少计算量，公式(1)可以近似为公式(2)：

$\mathrm{\μ}=\frac{r^2}{m+2}\·\frac{\mathrm{\Δp}\left(x\right)}{p\left(x\right)}---\left(2\right)$

其中，m是维数，▽p(x)表示以x为中心的球面的概率密度的梯度。

步骤2、织物图案的分割

先将织物图案经过图像分割得到过分割图像，再对过分割图像进行几何性质的合并。基于图的图像分割方法先对一幅图像建立一个无向图G＝(V,E)，图像每个像素点对应图中每个节点，图中连接节点的边对应图像像素点之间三维色彩空间下的差值。块与块之间以节点的形式反映出来，这使得之后对于它们的几个操作变的简单。

该方法通过预先定义每个块内部的差异Int(C)，定义如下：

$\mathrm{Int}\left(C\right)=\underset{e\∈\mathrm{MST}(C,E)}{\max }\mathrm{\ω}\left(e\right)---\left(3\right)$

其中，且MST(C,E)表示最小生成树算法形成的图的子集，ω(e)表示无向图中边e的权重。

块与块之间的差异用Dif(C₁,C₂)表示，具体定义如公式(4)所示：

$\mathrm{Dif}(C_1,C_2)=\underset{v_i\∈C_1,v_j\∈C_2(v_i,v_j)\∈E}{\min }\mathrm{\ω}(v_i,v_j)---\left(4\right)$

其中v_j，v_i为无向图G＝(V,E)中的顶点，ω(v_i，v_j)为两顶点路径的权值。如果C₁和C₂没有交集_，则将Dif(C₁,C₂)置为无穷大_。

将图中的边以递增的顺序进行排序。对区域C₁和C₂进行合并，如果两个区域相连的边值Dif(C₁,C₂)小于式(5)则合并，否则不合并。

MInt(C₁,C₂)＝min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂))   (5)

这里τ(C)＝k/|C|，其中k是合并的尺度系数来调节合并的块的尺寸。

通过本方法，从基于图的图像分割算法得到的结果进行了合并，生成了区域作用域图。本技术提供分割方法得到的仍然只是整体的片段集合，下一节给出几何性质的定义及其定量计算方法，为每个性质确定一个阈值即可指导块与块之间的合并。

1.织物图案“连续性”处理

本发明通过对过织物的几何提取几何连续性质提出一些基于织物几何连续特性，从块与块的几何关系的考虑，制定了一些针对块与块合并的新的准则，来解决织物的几何提取存在的几何连续性。如下所示：

包含性：如果一个块的最小包围盒包含于另一个块的最小包围盒，则这两个块具有包含性关系。

令C₁、C₂是过分割图像中的两个块，则二者包含性的概率ρ_in(C₁,C₂)可以描述为(6)：

${\mathrm{\ρ}}_{\mathrm{in}}(C_1,C_2)=\frac{\mathrm{cross}(\mathrm{box}\left(C_1\right),\mathrm{box}\left(C_2\right))}{\min (\mathrm{arc}\left(C_1\right),\mathrm{arc}\left(C_2\right))}---\left(6\right)$

其中，box()代表块的最小包围盒，cross()代表两个最小包围盒的交叉面积，arc()表示块的最小包围盒面积，min()两个数的最小值。

相邻性：如果一个块的边界与另一个块的边界相交并达到了预先设定的比例,则这两个块为相邻。

令E₁、E₂为过分割图像中两个块的轮廓，则二者相邻性可以描述为(7)：

${\mathrm{\ρ}}_{\mathrm{nest}}(E_1,E_2)=\frac{\mathrm{count}\left(p\right|p\∈E_1^p\∈E_2)}{\min (\mathrm{len}\left(E_1\right),\mathrm{len}\left(E_2\right))}---\left(7\right)$

其中p表示像素，count()计算几何中元素个数，len()代表周长，θ未设定的阈值。通过求两个相交块的边缘相交距离除以较小周长的边界来衡量相邻性的概率。

不相连性：如果两个块不相连，但是两个块的颜色差距和块中心的欧拉距离都小于预先设定的值，则这两个块不相连

令C₁、C₂为两个过分割块，则二者不相邻性可以表述为(8)：

${\mathrm{\ρ}}_{\mathrm{disc}}(C_1,C_2)=(\underset{p\∈C_1}{\mathrm{\Σ}}(I_p/N_1)-\underset{p\∈C_2}{\mathrm{\Σ}}(I_p/N_2))/I_{\mathrm{rand}}---\left(8\right)$

其中，N₁和N₂分别代表C₁、C₂中像素点的个数，I_p代表像素点p的强度值。I_rand表示色彩空间中强度的范围。

该公式计算的前提是两个块的中心点距离小于设定的值。通过衡量距离相近的块中心点之间的距离以及块之间平均强度的差异来指导是否合并两个块。

二、在织物色彩主题提取部分，本发明的实施流最佳实施方法如下：

1显著性分析

显著性分析运用领域相当广泛，它通过考虑图像中存在的颜色、亮度和形状等一系列特征来模拟人类“视觉焦点”信息。针对一幅图像I计算坐标(x',y')处显著性值S(x',y')，如公式(9)所示：：

$S(x^{\′},y^{\′})=|I_{\mathrm{\μ}}-I_{{\mathrm{\ω}}_{\mathrm{hc}}}(x^{\′},y^{\′})|---\left(9\right)$

其中，I_μ表示图像全局的平均特征向量，表示坐标(x',y')处像素值经过核大小为5×5的高斯差分滤波变换的特征向量值；实验中ω_hc的值设置为π/2.75。本方法将高斯差分融入显著性计算可有效抑制织物图案中的纹理噪声。

2颜色主题的量化提取

本技术将颜色转换到基于视觉的HSV色彩空间，对HSV三个分量进行不等间隔的划分，可以在一定程度上模拟人类的视觉感受。本技术采用如公式(10)所示的量化方法：

$H=\left\{\begin{array}{cc}0& h\∈(-\mathrm{45,20}]\\ 1& h\∈(\mathrm{20,50}]\\ 2& h\∈(\mathrm{50,75}]\\ 3& h\∈(\mathrm{75,155}]\\ 4& h\∈\left(\mathrm{155,195}\right]\\ 5& h\∈(\mathrm{195,275}]\\ 6& h\∈(275,-45]\end{array}\right.,s=\left\{\begin{array}{cc}0& s\∈(\mathrm{0,0.2}]\\ 1& s\∈(\mathrm{0.2,0.7}]\\ 2& s\∈(\mathrm{0.7,1}]\end{array}\right.,V=\left\{\begin{array}{cc}0& v\∈\left(\mathrm{0,0.2}\right]\\ 1& v\∈(\mathrm{0.2,0.7}]\\ 2& v\∈(\mathrm{0.7,1}]\end{array}\right.---\left(10\right)$

人为给定阈值划分的显著性区域和非显著性区域是不准确的，我们在实验过程中阈值选灰度值集中的区域，作为划分区域的阈值。颜色的选取规则如下：

(1)初始未标记所有颜色未被选定，颜色主题颜色种类为空。

(2)从未被标记的颜色中选取频率最大的颜色，比较该颜色与选取的颜色主题中的颜色是否相邻。

(3)若选取的颜色区间与之前选取的颜色区间相邻，标记该颜色，继续第二步。若不相邻，添加到颜色主题中，标记该颜色。判断颜色主题颜色数目是否达到预期数目。若未达到，则继续第二步。若达到，则算法结束。

Claims (2)

1.一种织物图案创意要素自动提取方法，包括几何元素提取流程和色彩元素提取流程，其特征在于，所述几何元素提取流程和所述色彩元素提取流程，具体包括以下步骤：

步骤1、实现所述几何元素提取流程，包括：

步骤1-1、通过多次均值漂移算法迭代得到织布图案中一个给定球体范围区域内点的均值，作为密度梯度的估计，直到得到局部稳定状态中心点的聚类中心点，完成纹理噪声的消除；S是p维空间下一个有限数目点的集合，是一个半径为r的球面区域，中心点为x，漂移特征向量为y，满足|y-x|＜r，期望的新的点的坐标μ＝y-x，通过如下的公式(1)计算得到：

$\mathrm{\μ}={\∫}_{S_x}(y-x)p\left(y\right|S_x)\mathrm{dy}={\∫}_{S_x}(y-x)\frac{p\left(y\right)}{p(y\∈S_x)}\mathrm{dy}---\left(1\right);$

步骤1-2、基于图的图像分割方法先对一幅织物图案图像建立一个无向图G＝(V,E)，每个像素点对应织物图像中每个节点，连接节点的边对应图像像素点之间三维色彩空间下的差值，块与块之间为节点的形式，预先定义每个块内部的差异Int(C)：

$\mathrm{Int}\left(C\right)=\underset{e\∈\mathrm{MST}(C,E)}{\max }\mathrm{\ω}\left(e\right)---\left(3\right)$

其中，且MST(C,E)表示最小生成树算法形成的图的子集，ω(e)表示无向图中边e的权重；

预先定义块与块之间的差异Dif(C₁,C₂)：

$\mathrm{Dif}(C_1,C_2)=\underset{v_i\∈C_1,v_j\∈C_2,(v_i,v_j)\∈E}{\min }\mathrm{\ω}(v_i,v_j)---\left(4\right)$

其中v_j，v_i为无向图G＝(V,E)中的顶点，ω(v_i，v_j)为两顶点路径的权值；如果C₁和C₂没有交集，则将Dif(C₁,C₂)置为无穷大；

将边以递增的顺序进行排序，对区域C₁和C₂进行合并，如果两个区域相连的边值Dif(C₁,C₂)小于公式(5)则合并，否则不合并；

MInt(C₁,C₂)＝min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂))   (5)

这里τ(C)＝k/|C|，其中k是合并的尺度系数来调节合并的块的尺寸；

步骤1-3、对织物图案“连续性”的处理，具体为块与块的各种几何连续性合并；计算块与块的几何关系即块与块的包含性关系、相邻性关系和不相连性关系；其中：

令C₁、C₂是过分割图像中的两个块，则二者存在包含性关系的概率ρ_in(C₁,C₂)描述为公式(6)：

${\mathrm{\ρ}}_{\mathrm{in}}(C_1,C_2)=\frac{\mathrm{cross}(\mathrm{box}\left(C_1\right),\mathrm{box}\left(C_2\right))}{\min (\mathrm{arc}\left(C_1\right),\mathrm{arc}\left(C_2\right))}---\left(6\right)$

其中，box()代表块的最小包围盒，cross()代表两个最小包围盒的交叉面积，arc()表示块的最小包围盒面积，min()两个数的最小值；

令E₁、E₂为过分割图像中两个块的轮廓，则二者存在相邻性关系的概率描述为公式(7)：

其中p表示像素，count()计算几何中元素个数，len()代表周长，θ未设定的阈值，通过求两个相交块的边缘相交距离除以较小周长的边界来衡量相邻性的概率；

令C₁、C₂为两个过分割块，则二者存在不相邻性关系的概率表述为公式(8)：

${\mathrm{\ρ}}_{\mathrm{disc}}(C_1,C_2)=(\underset{p\∈C_1}{\mathrm{\Σ}}(I_p/N_1)-\underset{p\∈C_2}{\mathrm{\Σ}}(I_p/N_2))/I_{\mathrm{rand}}---\left(8\right)$

其中，N₁和N₂分别代表C₁、C₂中像素点的个数，I_p代表像素点p的强度值，I_rand表示色彩空间中强度的范围；

上述与合并相关的几何连续性的计算的前提是两个块的中心点距离小于设定的值；

步骤2、实现所述织物色彩主题提取流程，包括：

步骤2-1、针对一幅图像I计算坐标(x',y')处显著性值S(x',y')，如公式(9)所示：

$S(x^{\′},y^{\′})=|I_{\mathrm{\μ}}-I_{{\mathrm{\ω}}_{\mathrm{hc}}}(x^{\′},y^{\′})|---\left(9\right)$

其中，I_μ表示图像全局的平均特征向量，表示坐标(x',y')处像素值经过核大小为5×5的高斯差分滤波变换的特征向量值；实验中ω_hc的值设置为π/2.75；

步骤2-2、将颜色转换到基于视觉的HSV色彩空间，对HSV三个分量进行不等间隔的划分，实现颜色主题的量化提取，颜色提取算法如公式(10)所示：

$H=\left\{\begin{array}{cc}0& h\∈(-\mathrm{45,20}]\\ 1& h\∈\left(\mathrm{20,50}\right]\\ 2& h\∈\left(\mathrm{50,75}\right]\\ 3& h\∈\left(\mathrm{75,155}\right]\\ 4& h\∈\left(\mathrm{155,195}\right]\\ 5& h\∈\left(\mathrm{195,275}\right]\\ 6& h\∈(275,-45]\end{array}\right.,S=\left\{\begin{array}{cc}0& s\∈\left[\mathrm{0,0.2}\right]\\ 1& s\∈\left(\mathrm{0.2,0.7}\right]\\ 2& s\∈\left(\mathrm{0.7,1}\right]\end{array}\right.,V=\left\{\begin{array}{cc}0& v\∈\left[\mathrm{0,0.2}\right]\\ 1& v\∈\left(\mathrm{0.2,0.7}\right]\\ 2& v\∈\left(\mathrm{0.7,1}\right]\end{array}\right.---\left(10\right).$

2.如权利要求1所述的织物图案创意要素自动提取方法，其特征在于，所述颜色提取算法，具体包括以下规则：

(1)初始化处理：未标记所有颜色未被选定，颜色主题颜色种类为空；

(2)从未被标记的颜色中选取频率最大的颜色，比较该颜色与选取的颜色主题中的颜色是否相邻；

(3)若选取的颜色区间与之前选取的颜色区间相邻，标记该颜色，继续第二步；若不相邻，添加到颜色主题中，标记该颜色；

(4)判断颜色主题颜色数目是否达到预期数目，若未达到，则继续第(2)步；若达到，则算法结束。