CN105844278B - 一种多特征融合的织物扫描图案识别方法 - Google Patents
一种多特征融合的织物扫描图案识别方法 Download PDFInfo
- Publication number
- CN105844278B CN105844278B CN201610234626.8A CN201610234626A CN105844278B CN 105844278 B CN105844278 B CN 105844278B CN 201610234626 A CN201610234626 A CN 201610234626A CN 105844278 B CN105844278 B CN 105844278B
- Authority
- CN
- China
- Prior art keywords
- image
- color
- sample image
- pixel
- histogram
- 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.)
- Active
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 26
- 238000012567 pattern recognition method Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 239000004753 textile Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000002146 bilateral effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000004040 coloring Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004224 protection Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多特征融合的织物扫描图案识别方法，其首先通过纹理抑制快速平滑滤波算法滤除织物扫描图像的纱线纹理，并进行灰度化；然后分别提取主颜色自相关直方图、边缘梯度方向直方图、MSER特征和灰度共生矩阵特征，建立样本图像特征库；最后以样本图像之间关于这四类特征的相似度作为训练样本，通过AdaBoost算法建立分类器，实现图案识别。由此可见，本发明图案识别方法通过构建AdaBoost分类器融合主颜色自相关直方图、边缘梯度方向直方图特征、MSER特征和灰度共生矩阵特征，可以实现自动调整各类特征的权值，提高了织物图案识别率。
Description
技术领域
本发明属于数字图像处理技术领域，具体涉及一种多特征融合的织物扫描图案识别方法。
背景技术
随着纺织业生产和设计自动化程度的提高，纺织企业对纺织品设计资源的管理已经从传统的人工管理转化为自动化管理，许多纺织企业积累了大量不同图案的织物图片。为了避免重复设计，有效利用现有资源，迫切需要一种有效的织物图案识别方法。
计算机图案识别过程一般可分为预处理、特征提取、算法识别3个步骤。通过图像预处理，降低图像噪声；然后提取图案特征，建立特征数据库；最后根据检测图像的特征与特征数据库，通过一定的算法识别检测图像的图案类别。在图案识别过程中，提取有效图案特征是提高识别率的重要因素。然而，在扫描光照下，纱线之间的缝隙颜色往往偏暗，相同颜色的纱线区域会形成一定的纹理；织物的非平面结构使得扫描图像在纱线之间存在阴影和过渡颜色；同时由于扫描图像文件保存时往往采用失真压缩的方式，使得图案轮廓不清晰。因此，直接应用图案特征一般很难准确识别织物扫描图像的图案，所以在识别织物扫描图像的图案前，应先对图像进行预处理，以抑制纱线纹理等与图案无关的信息。目前，图像预处理方法主要有如均值滤波、中值滤波、高斯滤波、双边滤波、基于加权最小二乘滤波、L0梯度最小化、全变差及相对全变差模型等，均值滤波、中值滤波、高斯滤波这些传统滤波器是利用滤波模板与图像卷积，直接对像素灰度进行操作，在平滑图像的同时常常也会产生大量图像细节的丢失，往往达不到预期的平滑效果。Tomasi和Manduchi等在标题为Bilateral filtering for gray and color images(Computer Vision,1998.SixthInternational Conference on.IEEE,1998,pp.839-846.)一文中提出的双边滤波算法，该算法虽然能够在平滑的同时保留图案信息，但与图案无关的纹理及尖锐的边缘也被保留下来。Farbman等在标题为Edge-preserving decompositions for multi-scale tone anddetail manipulation(Transactions on Graphics(TOG).ACM,2008,27(3):67.)一文中提出基于加权最小二乘法框架，通过构建边缘保持图像多尺度分解，来提取图像中多尺度的细节，虽能对图像中多尺度细节操作，但该方法不具有旋转不变性，保持边缘的时候更倾向于保持轴对齐的边缘。Xu L等在标题为Image smoothing via L0gradient minimization(Transactions on Graphics(TOG).ACM,2011,30(6):174.)一文提出通过极小化图像梯度的L0范数来增强图像中高对比度的边缘，从而实现图像的局部平滑，往往容易导致图像中的部分纹理不仅没有被消除反而得到增强。
应用于图像识别的特征主要有颜色、纹理、形状、角点等。Bunte等在标题为Learning effective color features for content based image retrieval indermatology(Pattern Recognition,2011,44(9):1892-1902)一文中提出基于颜色特征的图像识别技术；Kekre等在标题为Image Retrieval using Texture Features extractedfrom GLCM,LBG and KPE(International Journal of Computer Theory andEngineering,2010,2(5):1793-8201)一文中提出基于纹理特征的图像识别技术；Kekre等在标题为Image Retrieval with Shape Features Extracted using GradientOperators and Slope Magnitude Technique with BTC(International Journal ofComputer Applications,2010,6(8):28-33.)一文中提出的基于形状特征的检索技术；这些单一特征仅反映了图案的某一方面的特征，不能全面表征图案特征，仅利用某个特征进行图案识别往往不够准确。
发明内容
针对现有技术所存在的上述技术问题，本发明提供了一种多特征融合的织物扫描图案识别方法，其通过AdaBoost算法融合四类特征建立分类器，实现图案识别，相比采用单特征识别算法有较高的准确率。
一种多特征融合的织物扫描图案识别方法，包括如下步骤：
(1)对图像库中的样本图像依次进行纹理抑制快速平滑滤波以及灰度化的预处理操作；
(2)对预处理后的样本图像进行特征提取，提取样本图像的主颜色自相关直方图、边缘梯度方向直方图、MSER(最大稳定极值区域)特征和灰度共生矩阵特征；
(3)对于图像库中任一对样本图像组合，计算这对样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将这四个相似度进行归一化处理后组成训练样本；依此遍历图像库中所有样本图像组合以得到多个训练样本；
(4)基于所有训练样本采用AdaBoost算法进行训练，以构建得到关于多类图像的AdaBoost分类器；
(5)对于待识别织物图像，根据步骤(1)至(3)计算其与图像库中每一样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将求得的这些相似度组成特征向量输入所述的AdaBoost分类器，从而识别出待识别织物图像具体属于哪一类图像。
所述的步骤(1)中对样本图像进行纹理抑制快速平滑滤波的具体过程如下：
1.1对于样本图像中的任一像素点s，计算像素点s的邻域像素梯度函数h(ds')；
1.2对于像素点s在Lab颜色空间下对应L通道的颜色分量值Ls，根据所述的邻域像素梯度函数h(ds')通过以下迭代方程进行分片迭代，以计算得到滤波后的颜色分量值Ls'；
Zj＝Zj-1+Jj×N Ls'＝ZN
Gj＝Kj×Ls Kj＝Hj×h(ds')
Ij＝Lmin+j×(Lmax-Lmin)/N
其中：N为分片数且为大于1的自然数，j为自然数且1≤j≤N，Lmin和Lmax分别为样本图像所有像素点在Lab颜色空间下对应L通道的最小颜色分量值和最大颜色分量值，σg为设定的高斯分布参数，Zj、Kj、Jj、Gj、Hj和Ij均为对应第j次迭代的中间变量，Zj-1和ZN分别对应为中间变量Zj前一次迭代以及第N次迭代的结果，<Gj>和<Kj>分别对应为中间变量Gj和Kj高斯卷积后的结果；
1.3根据步骤1.2遍历像素点s在Lab颜色空间下对应a通道和b通道的颜色分量值as和bs，以得到滤波后的颜色分量值as'和bs'；
1.4根据步骤1.1～1.3遍历样本图像中的所有像素点，以完成对样本图像的纹理抑制快速平滑滤波。
所述邻域像素梯度函数h(ds')的表达式如下：
其中：σh为设定的高斯分布参数，th为邻域梯度阈值，Ω为由像素点s周围八个像素点所组成的像素集合，p表示像素集合Ω中的任一像素点，Lp和Ls分别为像素点p和s在Lab颜色空间下对应L通道的颜色分量值。
所述的步骤(2)中提取样本图像主颜色自相关直方图的具体过程如下：
2.1对Lab颜色空间分两组进行量化；一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,25)、[25,50)、[50,75)、[75,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-96)、[-96,-64)、[-64,-32)、[-32,0)、[0,32)、[32,64)、[64,96)、[96,128]，使得像素点具有256种颜色；另一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,38)、[38,63)、[63,88)、[88,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-80)、[-80,-48)、[-48,-16)、[-16,16)、[16,48)、[48,80)、[80,112)、[112,128]，使得像素点具有256种颜色；
2.2将预处理后的样本图像分别按步骤2.1所述的两组量化方案进行量化，对应得到两张量化图像；
2.3对于量化图像中的任一种颜色，通过以下方法计算该颜色的颜色相关值，进而遍历256种颜色；
首先，对于量化图像中任一属于颜色c的像素点，统计以该像素点为中心边长为dis的正方形区域的区域边缘像素点数，dis为设定的距离阈值；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的区域边缘像素点数累加，记累加后的点数为M1；
然后，对于量化图像中任一属于颜色c的像素点，统计其区域边缘像素点集合中同属于颜色c的像素点个数作为自相关像素点数；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的自相关像素点数累加，记累加后的点数为M2；
最后，根据公式a(c)＝M2/M1计算得到颜色c的颜色相关值a(c)；
2.4使量化图像中各种颜色按颜色相关值从大到小排序，取前8种颜色的颜色相关值组成特征矢量；对于步骤2.2中所述的两张量化图像，使这两张量化图像对应的两组特征矢量即作为样本图像的主颜色自相关直方图。
所述的步骤(2)中提取样本图像边缘梯度方向直方图的具体过程如下：
首先，利用Sobel算子对预处理后的样本图像进行边缘检测，以检测出样本图像中的边缘像素点；
然后，计算样本图像中每一边缘像素点的梯度方向，并将梯度方向从小到大量化成16个等级；
最后，统计所有边缘像素点的梯度方向分别落在这16个等级上的个数，从而得到样本图像的边缘梯度方向直方图。
所述的步骤(2)中提取样本图像MSER特征的具体过程为：首先，对样本图像进行MSER检测，以检测出样本图像中的MSER；然后，提取各MSER的SURF(加速稳健特征)矢量组成作为样本图像的MSER特征。
所述样本图像的灰度共生矩阵特征采用由能量、熵、惯性矩、局部平稳性这四种特征所组成的特征矢量来表示。
所述的步骤(3)中基于以下算式计算任一对样本图像之间的主颜色自相关直方图相似度：
其中：u和v均表示样本图像，为样本图像u主颜色自相关直方图的第1组特征矢量中的第m个元素值，为样本图像u主颜色自相关直方图的第2组特征矢量中的第m个元素值，为样本图像v主颜色自相关直方图的第1组特征矢量中的第m个元素值，为样本图像v主颜色自相关直方图的第2组特征矢量中的第m个元素值，z(u,v)为样本图像u和v之间的主颜色自相关直方图相似度。
所述的步骤(3)中基于以下算式计算任一对样本图像之间的边缘梯度方向直方图相似度：
其中：u和v均表示样本图像，Hu(n)为样本图像u的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，Hv(n)为样本图像v的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，d(u,v)为样本图像u和v之间的边缘梯度方向直方图相似度。
所述的步骤(3)中计算任一对样本图像之间MSER特征相似度的具体过程为：首先，分别从两张样本图像中任取两个MSER，计算这两个MSER关于SURF矢量的欧氏距离，若求得的欧氏距离小于阈值，则表示这两个MSER特征匹配；最后，依此遍历各种MSER组合，根据两张样本图像之间特征匹配的MSER对数来表示这对样本图像之间的MSER特征相似度。
所述的步骤(3)中对于任一对样本图像之间的灰度共生矩阵特征相似度，即通过计算两张样本图像关于由能量、熵、惯性矩、局部平稳性这四种特征所组成特征矢量之间的欧氏距离得到。
本发明具有以下有益技术效果：
(1)本发明在图像预处理过程中采用了纹理抑制快速平滑滤波算法，该算法可以较快速地平滑织物图像，抑制同颜色纱线纹理和重组织边缘阴影，有效保持不同颜色纱线的边缘，避免了高斯滤波后区域之间的边缘细节被弱化以及双边滤波将纱线纹理保留为边缘等问题，有利于后续图像特征提取的有效性和准确性。
(2)本发明在图像特征提取过程中引入了主颜色自相关直方图及其相似度匹配算法，该算法可以有效提取织物图案中的主要分布颜色及空间分布特征，通过织物图像的颜色分布和主颜色的空间分布概率进行相似度匹配，具有较强的稳定性。
(3)本发明图像识别方法通过构建AdaBoost分类器融合主颜色自相关直方图、边缘梯度方向直方图、MSER特征和灰度共生矩阵特征，可以实现自动调整各类特征的权值，提高了织物图案识别率。
附图说明
图1为本发明织物图案识别方法的流程示意图。
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。
如图1所示，本发明多特征融合的织物扫描图案识别方法，包括以下步骤：
(1)预处理。通过纹理抑制平滑滤波算法滤除纱线纹理，降低扫描噪声，并进行灰度化。
1.1采用纹理抑制快速平滑滤波算法，可以抑制同颜色纱线纹理和重组织边缘阴影，平滑相同颜色纱线的颜色，保留纱线的颜色信息和不同颜色纱线间的边缘信息。
本实施方式的纹理抑制平滑滤波算法在高斯滤波器的基础上，重新构建滤波系数，根据空间距离、色彩距离和邻域梯度距离调整邻域像素点的累加权值，并通过分段线性算法和卷积算法，对织物图像的每个像素点进行快速线性滤波，该滤波算法可以由流程表示：
1.1.1设定高斯分布参数σf、σg、σh、邻域梯度阈值th；
1.1.2将样本图像I转化为Lab颜色模式，得到颜色分量图像IL、Ia、Ib；
1.1.3通过卷积计算ds：
其中：p为像素点s八邻域中的像素点。
1.1.4计算ds'和h(ds')：
1.1.5按以下流程进行迭代计算：
其中：Lmin和Lmax分别为样本图像所有像素点在Lab颜色空间下对应L通道的最小颜色分量值和最大颜色分量值，N是分片数即迭代次数，表示以参数σf进行高斯卷积。
对图像库中的图像进行纹理抑制平滑滤波，一般可设滤波器的尺度参数分别为σf＝0.2，σg＝0.2，σh＝2，梯度函数的阈值设为th＝0。
1.2对平滑后的图像进行灰度化，将灰度范围为1％～99％的像素点进行线性拉伸。灰度化计算公式为：f(i,j)＝0.3×R(i,j)+0.59×G(i,j)+0.11×B(i,j)，其中R、G、B为RGB颜色分量，f(i,j)为图像中一点灰度化后的颜色值。
(2)建立特征库。对预处理后图像库中图像，分别提取主颜色自相关直方图、边缘梯度方向直方图、MSER特征、灰度共生矩阵特征并建立特征库。
2.1主颜色自相关直方图特征的提取过程：
2.1.1对CIE-Lab颜色空间进行量化，一组颜色空间进行平均量化，L颜色空间平均分成4份，即[0,25)、[25,50)、[50,75)、[75,100]，a和b颜色空间平均分成8份，即[-128,-96)、[-96,-64)、[-64,-32)、[-32,0)、[0,32)、[32,64)、[64,96)、[96,128]，共得到256种颜色；另一组颜色空间右移半个量化等级，即L颜色空间分成[0,38)、[38,63)、[63,88)、[88,100]，a和b颜色空间平均分成8份，即[-128,-80)、[-80,-48)、[-48,-16)、[-16,16)、[16,48)、[48,80)、[80,112)、[112,128]。量化后颜色分量合称为一维矢量。
2.1.2采用两组量化方案，对预处理后的彩色图像Js进行量化，形成量化图像Js’和Js”。
2.1.3计算图像Js’和Js”中每种颜色的自相关图。对于给定距离k∈[n]，对于图像Js’和Js”中的每一种颜色Ci，分别计算颜色相关值α’、α”。颜色相关值的计算公式如下：
其中：p1、p2为图像J中的两个像素点；c为某种颜色；k为像素点p1、p2之间的距离，k＝|p1-p2|＝max{|x1-x2|,|y1-y2|}；Pr为概率即计算颜色为c的自相关像素点数与该颜色的像素点及距离为k的所有像素点数的比值。
2.1.4对α’、α”按从大到小进行排序，取前8个值组成两组矢量b’、b”。
2.2边缘梯度方向直方图特征的提取过程：首先，应用Sobel算子对平滑后的织物扫描图像进行边缘检测，得到图像边缘像素点(x,y)的水平方向梯度dx和垂直方向梯度dy；然后计算边缘像素点的梯度方向θ(x,y)，θ(x,y)＝arctan(dx/dy)，为了加快检索速度，将θ量化到[1,16]；最后统计θ值的直方图H(n)，n为整数，1≤n≤16，表示梯度方向落在第n级的量化空间中的边缘像素点个数。为了保证图像的旋转不变性，选择直方图中最大频数的方向为主方向，设为1，其他方向值相应循环移位。
2.3MSER特征提取过程：首先对平滑后的灰度织物扫描图像进行MSER检测，然后提取各MSER的SURF特征，形成各区域的特征矢量。
2.4灰度共生矩阵特征的提取：本实施方式采用以下4种灰度共生矩阵特征来表征织物扫描图像的图案特征，计算公式分别为：
2.4.1能量(反映图像灰度分布均匀程度和纹理粗细度)：
2.4.2熵(反映图像纹理的非均匀程度)：
2.4.3惯性矩(反映图像纹理的明暗程度)：
2.4.4局部平稳(反映图像纹理的同性质)：
(3)相似度计算。分别计算特征库中各样本图像间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度和灰度共生矩阵特征相似度。
3.1主颜色自相关直方图相似度ds,c采用图像s和c的主颜色自相关直方图特征矢量bs’、bs”与图像库图像特征bc’、bc”相似性计算。
3.2边缘梯度方向直方图相似度d(s,c)采用直方图相交法来计算，计算公式为：
其中：Hs和Hc分别为图像s和c的边缘梯度方向直方图。
3.3两幅图像之间的MSER特征相似度计算，即通过计算两幅图像中的某两个MSER关于SURF的欧氏距离，与阈值进行比较，小于阈值的，则表示这两个MSER区域特征是匹配的；否则，认为不匹配。最后两幅图像之间的MSER特征相似度根据这两幅图像中MSER的匹配数量来衡量。两个MSER关于SURF的欧氏距离d(si,cj)，计算公式为：
其中：si表示图像s的第i个MSER，cj表示图像c的第j个MSER，M表示SURF特征矢量。如果d(si,cj)小于相似距离阈值Dmin，那么表示图像s第i个MSER与图像c的第j个MSER相似。
3.4两幅图像的灰度共生矩阵特征相似度通过特征矢量的欧氏距离衡量。
(4)构建AdaBoost分类器。对图像库各个样本图像间的相似度进行归一化，归一化的结果作为训练样本，采用AdaBoost算法进行训练，M设为5，最大迭代次数设为600，获得AdaBoost分类器。AdaBoost算法的具体步骤如下：
4.1归一化。计算样本x的均值ud和方差δd，进行高斯归一化，那么样本xi归一化后为：
4.2初始化样本xi权值Di。若正负样本数目分别为N+和N-，则正样本D1(i)＝1/(2×N+)，负样本D1(i)＝1/(2×N-)。
4.3迭代。对于m＝1,…,M；
4.3.1训练弱分类器fm(x)＝L(D,Dm)∈{-1,+1}；
4.3.2估计fm(x)的分类错误率em，em<0.5；
4.3.3估计fm(x)的权重
4.3.4根据fm(x)调整各样本权重，并归一化。
4.4权值调整：
然后进行归一化：
4.5最后的强分类器为：
(5)对于待识别的图像，先作预处理，提取图像的主颜色自相关直方图、灰度共生矩阵特征、MSER特征以及边缘梯度方向直方图；再分别计算待识别图像与每张样本图像之间关于边缘梯度方向直方图、MSER特征、灰度共生矩阵特征、主颜色自相关直方图的相似度，并共同组成识别样本，通过已建立的AdaBoost分类器进行分类识别。
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 (10)
1.一种多特征融合的织物扫描图案识别方法，包括如下步骤：
(1)对图像库中的样本图像依次进行纹理抑制快速平滑滤波以及灰度化的预处理操作；
(2)对预处理后的样本图像进行特征提取，提取样本图像的主颜色自相关直方图、边缘梯度方向直方图、MSER特征和灰度共生矩阵特征；
(3)对于图像库中任一对样本图像组合，计算这对样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将这四个相似度进行归一化处理后组成训练样本；依此遍历图像库中所有样本图像组合以得到多个训练样本；
(4)基于所有训练样本采用AdaBoost算法进行训练，以构建得到关于多类图像的AdaBoost分类器；
(5)对于待识别织物图像，根据步骤(1)至(3)计算其与图像库中每一样本图像之间的主颜色自相关直方图相似度、边缘梯度方向直方图相似度、MSER特征相似度以及灰度共生矩阵特征相似度，并将求得的这些相似度组成特征向量输入所述的AdaBoost分类器，从而识别出待识别织物图像具体属于哪一类图像。
2.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(1)中对样本图像进行纹理抑制快速平滑滤波的具体过程如下：
1.1对于样本图像中的任一像素点s，通过以下公式计算像素点s的邻域像素梯度函数h(ds')：
其中：σh为设定的高斯分布参数，th为邻域梯度阈值，Ω为由像素点s周围八个像素点所组成的像素集合，p表示像素集合Ω中的任一像素点，Lp和Ls分别为像素点p和s在Lab颜色空间下对应L通道的颜色分量值；
1.2对于像素点s在Lab颜色空间下对应L通道的颜色分量值Ls，根据所述的邻域像素梯度函数h(ds')通过以下迭代方程进行分片迭代，以计算得到滤波后的颜色分量值Ls'；
Zj＝Zj-1+Jj×N Ls'＝ZN
Gj＝Kj×Ls Kj＝Hj×h(ds')
Ij＝Lmin+j×(Lmax-Lmin)/N
其中：N为分片数且为大于1的自然数，j为自然数且1≤j≤N，Lmin和Lmax分别为样本图像所有像素点在Lab颜色空间下对应L通道的最小颜色分量值和最大颜色分量值，σg为设定的高斯分布参数，Zj、Kj、Jj、Gj、Hj和Ij均为对应第j次迭代的中间变量，Zj-1和ZN分别对应为中间变量Zj前一次迭代以及第N次迭代的结果，〈Gj〉和〈Kj〉分别对应为中间变量Gj和Kj高斯卷积后的结果；
1.3根据步骤1.2遍历像素点s在Lab颜色空间下对应a通道和b通道的颜色分量值as和bs，以得到滤波后的颜色分量值as'和bs'；
1.4根据步骤1.1～1.3遍历样本图像中的所有像素点，以完成对样本图像的纹理抑制快速平滑滤波。
3.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像主颜色自相关直方图的具体过程如下：
2.1对Lab颜色空间分两组进行量化；一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,25)、[25,50)、[50,75)、[75,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-96)、[-96,-64)、[-64,-32)、[-32,0)、[0,32)、[32,64)、[64,96)、[96,128]，使得像素点具有256种颜色；另一组量化标准为：将L通道的颜色分量值平均分成四个区间即[0,38)、[38,63)、[63,88)、[88,100]，将a通道和b通道的颜色分量值平均分成八个区间即[-128,-80)、[-80,-48)、[-48,-16)、[-16,16)、[16,48)、[48,80)、[80,112)、[112,128]，使得像素点具有256种颜色；
2.2将预处理后的样本图像分别按步骤2.1所述的两组量化方案进行量化，对应得到两张量化图像；
2.3对于量化图像中的任一种颜色，通过以下方法计算该颜色的颜色相关值，进而遍历256种颜色；
首先，对于量化图像中任一属于颜色c的像素点，统计以该像素点为中心边长为dis的正方形区域的区域边缘像素点数，dis为设定的距离阈值；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的区域边缘像素点数累加，记累加后的点数为M1；
然后，对于量化图像中任一属于颜色c的像素点，统计其区域边缘像素点集合中同属于颜色c的像素点个数作为自相关像素点数；依此遍历量化图像中所有属于颜色c的像素点，并将这些像素点的自相关像素点数累加，记累加后的点数为M2；
最后，根据公式a(c)＝M2/M1计算得到颜色c的颜色相关值a(c)；
2.4使量化图像中各种颜色按颜色相关值从大到小排序，取前8种颜色的颜色相关值组成特征矢量；对于步骤2.2中所述的两张量化图像，使这两张量化图像对应的两组特征矢量即作为样本图像的主颜色自相关直方图。
4.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像边缘梯度方向直方图的具体过程如下：
首先，利用Sobel算子对预处理后的样本图像进行边缘检测，以检测出样本图像中的边缘像素点；
然后，计算样本图像中每一边缘像素点的梯度方向，并将梯度方向从小到大量化成16个等级；
最后，统计所有边缘像素点的梯度方向分别落在这16个等级上的个数，从而得到样本图像的边缘梯度方向直方图。
5.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述的步骤(2)中提取样本图像MSER特征的具体过程为：首先，对样本图像进行MSER检测，以检测出样本图像中的MSER；然后，提取各MSER的SURF矢量组成作为样本图像的MSER特征。
6.根据权利要求1所述的织物扫描图案识别方法，其特征在于：所述样本图像的灰度共生矩阵特征采用由能量、熵、惯性矩、局部平稳性这四种特征所组成的特征矢量来表示。
7.根据权利要求3所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中基于以下算式计算任一对样本图像之间的主颜色自相关直方图相似度：
其中：u和v均表示样本图像，为样本图像u主颜色自相关直方图的第1组特征矢量中的第m个元素值，为样本图像u主颜色自相关直方图的第2组特征矢量中的第m个元素值，为样本图像v主颜色自相关直方图的第1组特征矢量中的第m个元素值，为样本图像v主颜色自相关直方图的第2组特征矢量中的第m个元素值，z(u,v)为样本图像u和v之间的主颜色自相关直方图相似度。
8.根据权利要求4所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中基于以下算式计算任一对样本图像之间的边缘梯度方向直方图相似度：
其中：u和v均表示样本图像，Hu(n)为样本图像u的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，Hv(n)为样本图像v的边缘梯度方向直方图中梯度方向落在第n级上的边缘像素点个数，d(u,v)为样本图像u和v之间的边缘梯度方向直方图相似度。
9.根据权利要求5所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中计算任一对样本图像之间MSER特征相似度的具体过程为：首先，分别从两张样本图像中任取两个MSER，计算这两个MSER关于SURF矢量的欧氏距离，若求得的欧氏距离小于阈值，则表示这两个MSER特征匹配；最后，依此遍历各种MSER组合，根据两张样本图像之间特征匹配的MSER对数来表示这对样本图像之间的MSER特征相似度。
10.根据权利要求6所述的织物扫描图案识别方法，其特征在于：所述的步骤(3)中对于任一对样本图像之间的灰度共生矩阵特征相似度，即通过计算两张样本图像关于由能量、熵、惯性矩、局部平稳性这四种特征所组成特征矢量之间的欧氏距离得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610234626.8A CN105844278B (zh) | 2016-04-15 | 2016-04-15 | 一种多特征融合的织物扫描图案识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610234626.8A CN105844278B (zh) | 2016-04-15 | 2016-04-15 | 一种多特征融合的织物扫描图案识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105844278A CN105844278A (zh) | 2016-08-10 |
| CN105844278B true CN105844278B (zh) | 2019-01-25 |
Family
ID=56588456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610234626.8A Active CN105844278B (zh) | 2016-04-15 | 2016-04-15 | 一种多特征融合的织物扫描图案识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105844278B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326901B (zh) * | 2016-08-30 | 2019-06-14 | 南京鑫和汇通电子科技有限公司 | 基于边缘点自相似性的水渍图像识别方法及teds系统 |
| JP7165353B2 (ja) * | 2017-01-31 | 2022-11-04 | 株式会社アイシン | 画像特徴量出力装置、画像認識装置、画像特徴量出力プログラム、及び画像認識プログラム |
| CN107045551B (zh) * | 2017-04-26 | 2020-10-27 | 湖南人文科技学院 | 一种湘绣图像基因构建以及湘绣图像数字化处理方法 |
| CN107146246A (zh) * | 2017-05-08 | 2017-09-08 | 湘潭大学 | 一种用于工件加工表面背景纹理抑制方法 |
| CN108171689B (zh) * | 2017-12-21 | 2021-12-14 | 深圳大学 | 一种显示器屏幕图像翻拍的鉴定方法、装置及存储介质 |
| CN109241390A (zh) * | 2018-08-31 | 2019-01-18 | 龙山县惹巴妹手工织品有限公司 | 一种基于大数据的装饰用纺织品的智能设计系统及方法 |
| CN109583306B (zh) * | 2018-10-31 | 2021-10-08 | 杭州电子科技大学 | 一种基于机器视觉的纱管残留纱线检测方法 |
| CN110378354B (zh) * | 2019-06-17 | 2021-06-04 | 浙江大学 | 一种基于组织滤波算法的提花织物图片颜色提取方法 |
| CN111062126B (zh) * | 2019-12-10 | 2022-04-12 | 湖北民族大学 | 基于图案实例的土家织锦设计与外观模拟方法 |
| CN114862749A (zh) * | 2021-02-05 | 2022-08-05 | 华晨宝马汽车有限公司 | 用于识别车辆零部件的材质的方法、设备、存储介质及系统 |
| CN113327282A (zh) * | 2021-04-12 | 2021-08-31 | 厦门大学 | 一种办公转椅打孔位置与连接点识别方法 |
| CN115100186B (zh) * | 2022-07-25 | 2022-12-13 | 南通市爱诺家用纺织品有限公司 | 基于图像数据的纺织品色差检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
| CN101770578A (zh) * | 2010-03-24 | 2010-07-07 | 上海交通大学 | 图像特征提取方法 |
| WO2012142756A1 (zh) * | 2011-04-20 | 2012-10-26 | 中国科学院自动化研究所 | 基于人眼图像的多特征融合身份识别方法 |
| CN104408714A (zh) * | 2014-11-17 | 2015-03-11 | 浙江理工大学 | 一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法 |
-
2016
- 2016-04-15 CN CN201610234626.8A patent/CN105844278B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101670533A (zh) * | 2009-09-25 | 2010-03-17 | 南京信息工程大学 | 基于工件加工表面图像分析的刀具磨损状态评价方法 |
| CN101770578A (zh) * | 2010-03-24 | 2010-07-07 | 上海交通大学 | 图像特征提取方法 |
| WO2012142756A1 (zh) * | 2011-04-20 | 2012-10-26 | 中国科学院自动化研究所 | 基于人眼图像的多特征融合身份识别方法 |
| CN104408714A (zh) * | 2014-11-17 | 2015-03-11 | 浙江理工大学 | 一种基于纹理抑制平滑滤波和分水岭算法的重织物图像分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| A novel smoothing filter with texture suppression for fabric images;Kang Feng 等;《Computational Intelligence and Design》;20150409;第577-580页 * |
| 基于图像处理技术的织物组织识别研究现状;张瑞 等;《棉纺织技术》;20151110;第43卷(第11期);第80-84页 * |
| 基于最大稳定极值区域的织物图案检索;康锋 等;《纺织学报》;20151015;第36卷(第10期);第156-160页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105844278A (zh) | 2016-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105844278B (zh) | 一种多特征融合的织物扫描图案识别方法 | |
| Kang et al. | The comparative research on image segmentation algorithms | |
| CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
| CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
| CN109035196B (zh) | 基于显著性的图像局部模糊检测方法 | |
| CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
| CN110245593A (zh) | 一种基于图像相似度的手势图像关键帧提取方法 | |
| CN105139366A (zh) | 一种基于空间域的图像增强方法 | |
| CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
| CN109934287A (zh) | 一种基于lbp与glcm的服装纹理识别分类方法 | |
| Rahman et al. | Segmentation of color image using adaptive thresholding and masking with watershed algorithm | |
| Nie et al. | Two-dimensional extension of variance-based thresholding for image segmentation | |
| CN111091134A (zh) | 一种基于多特征融合的色纺织物组织结构识别的方法 | |
| CN109858570A (zh) | 图像分类方法及系统、计算机设备及介质 | |
| Bora et al. | A new efficient color image segmentation approach based on combination of histogram equalization with watershed algorithm | |
| Yue et al. | An efficient color quantization based on generic roughness measure | |
| CN115331119A (zh) | 一种固体废弃物识别方法 | |
| CN112802074A (zh) | 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法 | |
| CN106203536B (zh) | 一种织物疵点的特征提取及检测方法 | |
| Han et al. | Segmenting images with complex textures by using hybrid algorithm | |
| CN113744241A (zh) | 基于改进slic算法的细胞图像分割方法 | |
| CN117786151A (zh) | 一种真丝提花素色纹样自动检索方法 | |
| CN109448010B (zh) | 一种基于内容特征的四方连续纹样自动生成方法 | |
| CN106446904A (zh) | 基于全局二值化的图像识别方法 | |
| CN103871084B (zh) | 蓝印花布图案识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231009 Address after: No. 998, Wenyi West Road, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: HANGZHOU HUICUI INTELLIGENT TECHNOLOGY CO.,LTD. Address before: 310018, No. 2, No. 5, Xiasha Higher Education Park, Hangzhou, Zhejiang Patentee before: ZHEJIANG SCI-TECH University |