CN105242863A - 基于qpso的智能剪刀蕾丝花边图样轮廓提取方法 - Google Patents
基于qpso的智能剪刀蕾丝花边图样轮廓提取方法 Download PDFInfo
- Publication number
- CN105242863A CN105242863A CN201510828526.3A CN201510828526A CN105242863A CN 105242863 A CN105242863 A CN 105242863A CN 201510828526 A CN201510828526 A CN 201510828526A CN 105242863 A CN105242863 A CN 105242863A
- Authority
- CN
- China
- Prior art keywords
- pattern
- qpso
- particle
- lace
- steps
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,包括以下步骤:用户首先用鼠标在蕾丝花边图像上需分割的图样边缘上指定一个点作为起始点,当用户在图样的边界上移动鼠标时,连接起始点和当前鼠标位置的一条最短路径表示的曲线会自动计算并在图像中实时显示出来;如果该曲线与图样的边界能很好地拟合,则用户可点击鼠标,将当前鼠标位置指定为新的起始点;通过这样连续操作的方式,就可得到一个完整的封闭的蕾丝花边图样边界曲线,即为图样轮廓。本发明方法的特色之处在于,能以交互式的方式在复杂的织物背景下快速提取出图样轮廓,其提取图样轮廓正确度较自动分割方法好,用户只需少量干预就能完成分割的过程。
Description
技术领域
本发明涉及一种基于QPSO(Quantum-behavedParticleSwarmOptimization,量子行为粒子群优化)的智能剪刀蕾丝花边图样轮廓提取方法,属于人工智能和图像处理技术领域。
背景技术
蕾丝是一种装饰性极强的经编制品,广泛应用于服装与家纺领域。蕾丝花边工艺复杂,包含各种丰富的图案,主要以花卉、枝蔓、动物图案为主。由于花型的多变性,蕾丝花边生产厂商存储的蕾丝花边种类多达几千到上万。在实际营销和生产过程中,需要根据来样在存储花边的数据库中查找是否有与来样中的一个或多个图样相同或类似的产品。这就需要在蕾丝花边中提取出这些图样轮廓。但蕾丝花边的织物背景复杂,使用自动图像分割的方法来提取图样轮廓不能得到满意的结果。而交互式图像分割,充分利用了用户的专业知识和快速识别图样的能力,和计算机的强大计算能力,通过人机交互完成分割过程,尤其适合在复杂的背景下提取感兴趣目标的任务。因此使用交互式图像分割的方法来提取图样轮廓是合理的选择。
交互式分割需要人机交互完成分割过程,自提出以来,经历了完全由用户手工画出目标区域或勾勒出目标轮廓到只需用户少量干预就能完成分割的发展过程。交互式分割算法主要有活动轮廓模型、智能剪刀(LiveWire)、图割、水平集和随机游走等。使用交互式分割方法应用在蕾丝花边图样轮廓提取时,需要能实时正确地得到图样轮廓,并且尽量减少人工的干预,减轻用户工作强度。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,在蕾丝花边织物复杂背景下以交互式的方式快速正确地提取出特定图样的轮廓,提取图样轮廓正确度较自动分割方法好,用户只需少量干预就能完成分割的过程。
按照本发明提供的技术方案,所述基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,其特征是,按照以下步骤实施:
步骤1、首先用鼠标在蕾丝花边图像上需分割的图样边缘上指定一个点作为起始点,当在图样的边界上移动鼠标时,连接起始点和当前鼠标位置的一条最短路径表示的曲线经计算在图像中实时显示出来;
步骤2、如果步骤1显示的曲线与图样的边界能很好地拟合,则可点击鼠标,将当前鼠标位置指定为新的起始点;
步骤3、通过步骤1和步骤2的重复连续操作,得到一个完整的封闭的蕾丝花边图样边界曲线,即为图样轮廓。
进一步的,所述步骤1中连接起始点和当前鼠标位置的最短路径表示的曲线按照以下步骤得到:
步骤1.1、对于图像中每两个相邻像素确定的一条元边,选取特征值;
步骤1.2、选取特征转换函数,将图像中每一条元边所对应的特征值转换为权值;
步骤1.3、基于QPSO求解起始点和当前鼠标位置的最短路径。
进一步的,所述步骤1.1中特征值的大小表示该元边属于要寻找的目标区域边界的程度。
进一步的,所述步骤1.1中特征值包括:边界内的像素灰度值f1、边界外的像素灰度值f2、由元边所在区域内的6个像素间的4个灰度值梯度f3~f6、对方向敏感的灰度值的梯度f7、以及根据元边所在区域的多个像素的纹理特征值f8。
进一步的,所述步骤1.2中每一条元边所对应的总的权值由式(1)得到:其中ωi是反映特征fi的权重的一个正的常数。
进一步的,所述特征fi(b)(i=1,2,…,8)和其对应的特征函数cj(j=1,2,…,6)的选取,以及特征函数中的参数和wi的值,通过训练进行优化得到;训练时,在图样的边界上画一小段轮廓线,训练的目标是根据元边属于图样边界的程度最小化该元边的权值c(b)。
进一步的,所述步骤1.3按照以下步骤实施:
(1)初始化粒子群,包括确定最大迭代次数、搜索空间、粒子的个数、随机初始化粒子的位置;
(2)在第一次迭代时,每个粒子的初始位置为当前个体最好位置;计算每个粒子对应的适应度函数值;所有粒子的适应度函数值相比较后找到一个具有最大适应度函数值的粒子,该粒子的位置即为全局最好位置;
(3)对每个粒子的位置进行更新,重新计算每个粒子的适应度函数值,更新个体最好位置和全局最好位置;
(4)当达到迭代结束条件时,训练结束,由全局最好位置向量选取具有最大优先值的相邻结点构造路径,即为求解的最短路径;否则,迭代次数加1,转到步骤(3)。
本发明所述的基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,能以交互式的方式在复杂的织物背景下快速提取出图样轮廓,其提取图样轮廓正确度较自动分割方法好,用户只需少量干预就能完成分割的过程。
附图说明
图1为基于QPSO求解两点之间的最短路径流程图。
具体实施方式
下面结合具体附图对本发明作进一步说明。
所述基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,具体按照以下步骤实施:
步骤1、用户首先用鼠标在蕾丝花边图像上需分割的图样边缘上指定一个点作为起始点,当用户在图样的边界上移动鼠标时,连接起始点和当前鼠标位置的一条最短路径表示的曲线会自动计算并在图像中实时显示出来。
在本发明中,将在图像上两个像素间寻找最佳边界分割问题转换为求两个结点间的最短路径问题。可以将图像看成是一个加权有向图,图像中的像素表示有向图的结点。每个像素假设为一个正方形,相邻像素就有一条公共边称为元边,两个相邻像素间的元边表示连接结点的有向边。根据每条有向边所在的位置和周围像素的灰度值等一些特征,定义一个权值。原则上使边缘具有较小的权值,非边缘具有较大的权值。
步骤1.1、对于图像中每两个相邻像素确定的一条元边,选取合适的特征值;
这些特征值的大小表示该元边属于要寻找的目标区域边界的程度。可选择的特征值包括:边界内的像素灰度值(f1)、边界外的像素灰度值(f2)、由元边所在区域内的6个像素间的4个灰度值梯度(f3~f6)、对方向敏感的灰度值的梯度(f7)。另外,蕾丝花边中的图样与织物背景的纹理特征会不同,因此根据元边所在区域的多个像素的纹理特征值可作为表示边界的特征值f8。
步骤1.2、选取合适的特征转换函数,将图像中每一条元边所对应的特征值转换为权值;
由步骤1.1,对于图像中的每一条元边b可得到所对应的8个特征值fi(b)(i=1,2,…,8),然后应用特征转换函数cj,将特征值转换为权值cj(fi(b))。可选的特征转换函数有:线性函数c1和逆线性函数c2、高斯函数c3和逆高斯函数c4、双曲线函数c5和逆双曲线函数c6。每一条元边b所对应的总的权值可由式(1)得到:
其中wi是反映特征fi的权重的一个正的常数。特征fi(b)(i=1,2,…,8)和其对应的特征函数cj(j=1,2,…,6)的选取,特征函数中的参数和wi的值,都可通过训练进行优化得到。训练时,用户需在图样的边界上人工画一小段轮廓线。训练的目标是根据元边属于图样边界的程度最小化该元边的权值c(b)。
步骤1.3、基于QPSO求解起始点和终止点(当前鼠标位置)的最短路径。
如图1所示,基于QPSO求解起始点和终止点的最短路径可通过以下步骤实施:
(1)初始化粒子群,包括确定最大迭代次数、搜索空间、粒子的个数、随机初始化粒子的位置。
设初始时迭代次数t=0,最大迭代次数为max_t。搜索空间为D维,表示所有结点的个数。粒子的个数为M,第i个粒子的初始位置为i=1,2…,M。设第i个粒子的个体最好位置粒子群的全局最好位置
(2)在第一次迭代时,每个粒子的初始位置为当前个体最好位置。计算每个粒子对应的适应度函数值。所有粒子的适应度函数值相比较后找到一个具有最大适应度函数值的粒子,该粒子的位置即为全局最好位置。
采用优先级编码方案,粒子的位置向量表示结点的优先值,从起始点开始选取具有最大优先值的相邻结点构造路径。因为是要找到最短路径,适应度函数可定义为路径上所有边的权值和的倒数,如式(2)所示:
其中y=PPi(j)和z=PPi(j+1)分别是由第i个粒子得到的路径PPi上的两相邻结点。Ni=|PPi|是路径上所有结点个数,Cyz是连接两相邻结点y和z的边的权值。当适应度函数值达到最大时,就得到了起点到终点的最短路径。如果得到的是无效路径,就赋予一个罚值(可设为0)。
在第一次迭代时,每个粒子的初始位置为当前个体最好位置由式(2)计算出每个粒子对应的适应度函数值。
所有粒子的适应度函数值相比较后找到一个具有最大适应度函数值的粒子,该粒子的位置即为全局最好位置。设整个粒子群的全局最好位置其中,
(3)对每个粒子的位置进行更新,重新计算每个粒子的适应度函数值,更新个体最好位置和全局最好位置。
由QPSO算法,粒子的位置更新方程为:式(4)中取“+”或取“-”的概率都为0.5。其中α称为收缩-扩张系数,一般情况下,参数α可采用随迭代次数线性减小的方式控制。为区间(0,1)上的均匀分布随机数。粒子i的收敛过程以点pi=(pi,1,pi,2,…,pi,D)为吸引子,其坐标为由式(5)表示:
其中是一个区间(0,1)上均匀分布的随机数。
式(4)中Ct称为平均最好位置,定义为所有粒子个体最好位置的平均,即:
对每个粒子的位置进行更新后,重新构造路径,由式(2)计算每个粒子的适应度函数值,然后由式(7)更新个体最好位置:
由式(7)得到的每个粒子的个体最好位置保存的是:到当前为止,具有最大适应度函数值的位置。
每个粒子的个体最好位置确定后,就可根据式(3)更新全局最好位置。
(4)当达到迭代结束条件时,训练结束,由全局最好位置向量选取具有最大优先值的相邻结点构造路径,即为求解的最短路径;否则,迭代次数加1,转到步骤(3)。
迭代结束条件一般是迭代次数t达到最大迭代次数max_t。
步骤2、如果由该曲线与图样的边界能很好地拟合,则用户可点击鼠标,将当前鼠标位置指定为新的起始点。
步骤3、通过这样连续操作的方式,就可得到一个完整的封闭的蕾丝花边图样边界曲线,即为图样轮廓。
Claims (7)
1.一种基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,其特征是,按照以下步骤实施:
步骤1、首先用鼠标在蕾丝花边图像上需分割的图样边缘上指定一个点作为起始点,当在图样的边界上移动鼠标时,连接起始点和当前鼠标位置的一条最短路径表示的曲线经计算在图像中实时显示出来;
步骤2、如果步骤1显示的曲线与图样的边界能很好地拟合,则可点击鼠标,将当前鼠标位置指定为新的起始点;
步骤3、通过步骤1和步骤2的重复连续操作,得到一个完整的封闭的蕾丝花边图样边界曲线,即为图样轮廓。
2.如权利要求1所述的基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,其特征是:所述步骤1中连接起始点和当前鼠标位置的最短路径表示的曲线按照以下步骤得到:
步骤1.1、对于图像中每两个相邻像素确定的一条元边,选取特征值;
步骤1.2、选取特征转换函数,将图像中每一条元边所对应的特征值转换为权值;
步骤1.3、基于QPSO求解起始点和当前鼠标位置的最短路径。
3.如权利要求2所述的基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,其特征是:所述步骤1.1中特征值的大小表示该元边属于要寻找的目标区域边界的程度。
4.如权利要求2所述的基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,其特征是:所述步骤1.1中特征值包括:边界内的像素灰度值f1、边界外的像素灰度值f2、由元边所在区域内的6个像素间的4个灰度值梯度f3~f6、对方向敏感的灰度值的梯度f7、以及根据元边所在区域的多个像素的纹理特征值f8。
5.如权利要求2所述的基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,其特征是:所述步骤1.2中每一条元边所对应的总的权值由式(1)得到:其中ωi是反映特征fi的权重的一个正的常数。
6.如权利要求5所述的基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,其特征是:所述特征fi(b)i=1,2,…,8)和其对应的特征函数cj(j=1,2,…,6)的选取,以及特征函数中的参数和wi的值,通过训练进行优化得到;训练时,在图样的边界上画一小段轮廓线,训练的目标是根据元边属于图样边界的程度最小化该元边的权值c(b)。
7.如权利要求2所述的基于QPSO的智能剪刀蕾丝花边图样轮廓提取方法,其特征是:所述步骤1.3按照以下步骤实施:
(1)初始化粒子群,包括确定最大迭代次数、搜索空间、粒子的个数、随机初始化粒子的位置;
(2)在第一次迭代时,每个粒子的初始位置为当前个体最好位置;计算每个粒子对应的适应度函数值;所有粒子的适应度函数值相比较后找到一个具有最大适应度函数值的粒子,该粒子的位置即为全局最好位置;
(3)对每个粒子的位置进行更新,重新计算每个粒子的适应度函数值,更新个体最好位置和全局最好位置;
(4)当达到迭代结束条件时,训练结束,由全局最好位置向量选取具有最大优先值的相邻结点构造路径,即为求解的最短路径;否则,迭代次数加1,转到步骤(3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510828526.3A CN105242863A (zh) | 2015-11-25 | 2015-11-25 | 基于qpso的智能剪刀蕾丝花边图样轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510828526.3A CN105242863A (zh) | 2015-11-25 | 2015-11-25 | 基于qpso的智能剪刀蕾丝花边图样轮廓提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105242863A true CN105242863A (zh) | 2016-01-13 |
Family
ID=55040529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510828526.3A Pending CN105242863A (zh) | 2015-11-25 | 2015-11-25 | 基于qpso的智能剪刀蕾丝花边图样轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105242863A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112831982A (zh) * | 2019-11-22 | 2021-05-25 | 重庆海尔洗衣机有限公司 | 衣物颜色识别的处理方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542550A (zh) * | 2010-12-08 | 2012-07-04 | 江南大学 | 一种减少人工干预的交互式图像分割方法 |
CN104239903A (zh) * | 2014-10-10 | 2014-12-24 | 江南大学 | 一种基于qpso算法的图像边缘检测方法 |
-
2015
- 2015-11-25 CN CN201510828526.3A patent/CN105242863A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542550A (zh) * | 2010-12-08 | 2012-07-04 | 江南大学 | 一种减少人工干预的交互式图像分割方法 |
CN104239903A (zh) * | 2014-10-10 | 2014-12-24 | 江南大学 | 一种基于qpso算法的图像边缘检测方法 |
Non-Patent Citations (3)
Title |
---|
FALCÃO A X 等: "User-Steered Image Segmentation Paradigms:Live Wire and Live Lane", 《GRAPHICAL MODELS AND IMAGE PROCESSING》 * |
依玉峰 等: "基于PSO的live wire交互式图像分割算法", 《东北大学学报(自然科学版)》 * |
孙俊: "量子行为粒子群优化算法研究", 《万方数据库-学位论文库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112831982A (zh) * | 2019-11-22 | 2021-05-25 | 重庆海尔洗衣机有限公司 | 衣物颜色识别的处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6891351B2 (ja) | 多特徴検索と変形に基づく人体髪型の生成方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN107886529B (zh) | 一种用于三维重建的点云配准方法 | |
Shen et al. | Lazy random walks for superpixel segmentation | |
JP6962263B2 (ja) | 3次元点群ラベル学習装置、3次元点群ラベル推定装置、3次元点群ラベル学習方法、3次元点群ラベル推定方法、及びプログラム | |
Sahillioğlu et al. | Minimum-distortion isometric shape correspondence using EM algorithm | |
CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
US8411081B2 (en) | Systems and methods for enhancing symmetry in 2D and 3D objects | |
CN103871100B (zh) | 基于点云与数据驱动的树木模型重建方法 | |
CN109146948A (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN104143186B (zh) | 一种slic超像素分块优化方法 | |
Ma et al. | YOLOv5-lotus an efficient object detection method for lotus seedpod in a natural environment | |
CN105205475A (zh) | 一种动态手势识别方法 | |
CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
Hua et al. | Depth estimation with convolutional conditional random field network | |
CN104008547A (zh) | 一种基于骨架角点的可视化人体切片图像序列化分割方法 | |
CN104036294B (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 | |
CN109933684A (zh) | 基于pcl库和特征值提取的飞机零件三维模型的检索方法 | |
Buyssens et al. | Eikonal-based vertices growing and iterative seeding for efficient graph-based segmentation | |
CN105894519A (zh) | 一种基于低秩恢复的鲁棒性图像分割算法 | |
CN104794732A (zh) | 基于人工免疫网络聚类的灰度图像分割方法 | |
Qu et al. | Interactive image segmentation based on the appearance model and orientation energy | |
CN105242863A (zh) | 基于qpso的智能剪刀蕾丝花边图样轮廓提取方法 | |
CN110232695A (zh) | 基于混合模态图像的左心室图像分割方法及系统 | |
CN105160354A (zh) | 基于稀疏表示的苹果病害识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160113 |