CN106934846A - 一种布料图像处理方法及系统 - Google Patents
一种布料图像处理方法及系统 Download PDFInfo
- Publication number
- CN106934846A CN106934846A CN201610009729.4A CN201610009729A CN106934846A CN 106934846 A CN106934846 A CN 106934846A CN 201610009729 A CN201610009729 A CN 201610009729A CN 106934846 A CN106934846 A CN 106934846A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- template
- picture
- connected region
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 74
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 140
- 230000009466 transformation Effects 0.000 claims abstract description 52
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004040 coloring Methods 0.000 claims abstract description 13
- 239000003550 marker Substances 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000003628 erosive effect Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000010186 staining Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000004753 textile Substances 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010054949 Metaplasia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20041—Distance transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/16—Cloth
Abstract
本发明提供一种布料图像处理方法及系统,该方法包括:对布料图像进行校准,获得校准图像;对校准图像进行目标图案分割,获得分割图像;按如下方式为分割图像中的目标图案着色:从分割图像中的目标图案中提取连通区域Oi;确定连通区域Oi与所有着色模板的相似度,根据相似度确定连通区域Oi相对应的最优着色模板;将连通区域Oi与相对应的最优着色模板进行配准,确定最优变换参数;根据最优变换参数对最优着色模板进行缩放和旋转,生成映射模板;将映射模板中的像素颜色值赋值给分割图像中对应的像素。采用本发明可以对布料图像进行自动化处理,能够快速、精确地对布料图像进行着色,效率高,工作量小,可以实现批量化生产。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种布料图像处理方法及系统。
背景技术
对于为纺织布料图像进行着色,传统的方法是采用人工的方式,利用Photoshop等软件将模板图像覆盖到布料图像上为纺织布料图像进行着色,该方法效率低,工作量大,难以进行批量化生产。
发明内容
本发明实施例提供了一种布料图像处理方法,可以对布料图像进行自动化处理,能够快速、精确地对布料图像进行着色,效率高,工作量小,可以实现批量化生产。该方法包括:
对布料图像进行校准,获得校准图像;
对校准图像进行目标图案分割,获得分割图像;
按如下方式为分割图像中的目标图案着色:
从分割图像中的目标图案中提取连通区域Oi,i=1,2,…,N0,N0为连通区域的个数;
确定连通区域Oi与所有着色模板的相似度,根据相似度确定连通区域Oi相对应的最优着色模板;
将连通区域Oi与相对应的最优着色模板进行配准,确定最优变换参数;
根据最优变换参数对最优着色模板进行缩放和旋转,生成映射模板;
将映射模板中的像素颜色值赋值给分割图像中对应的像素。
在一个实施例中,所述对校准图像进行目标图案分割,获得分割图像,包括:
对校准图像进行平滑处理,得到平滑图像;
确定平滑图像的梯度幅值,根据平滑图像的梯度幅值得到平滑图像对应的梯度图像;
对平滑图像进行二值化,得到初始分割图像;
删除初始分割图像中的非目标图案区域,得到前景标记图像;
对初始分割图像进行距离变换,得到距离变换图像;
基于标记分水岭分割算法对前景标记图像和距离变换图像进行处理,得到背景标记图像;
基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理,获得分割图像。
在一个实施例中,所述确定平滑图像的梯度幅值,包括按如下公式确定平滑图像的梯度幅值:
Gx=I1(x+1,y)-I1(x-1,y);
Gy=I1(x,y+1)-I1(x,y-1);
G2(x,y)=Gx 2+Gy 2;
其中,G(x,y)为平滑图像的梯度幅值;I1(x,y)为平滑图像在像素(x,y)处的灰度;Gx和Gy分别为平滑图像的梯度幅值在x方向和y方向的分量。
在一个实施例中,所述删除初始分割图像中的非目标图案区域,得到前景标记图像,包括:
对初始分割图像进行形态学腐蚀,获得第一前景图像;
根据目标图案的先验知识,将第一前景图像中的非目标图案区域删除,获得第二前景图像;
从第二前景图像的目标图案中提取所有连通区域,得到前景标记图像。
在一个实施例中,在基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理之前,还包括:
对前景标记图像进行形态学腐蚀;
所述基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理,包括:
基于标记分水岭分割算法对梯度图像、背景标记图像和腐蚀后的前景标记图像进行处理。
在一个实施例中,所述着色模板包括彩色模板和二值模板;
所述将映射模板中的像素颜色值赋值给分割图像中对应的像素,包括:
将映射模板中的彩色模板的像素颜色值赋值给分割图像中对应的像素。
在一个实施例中,所述确定连通区域Oi与所有着色模板的相似度,包括:
提取连通区域Oi的形状特征;
提取所有着色模板的形状特征;
根据连通区域Oi的形状特征和所有着色模板的形状特征之间的欧氏距离,确定所有连通区域与对应的着色模板的相似度。
在一个实施例中,所述将连通区域Oi与相对应的最优着色模板进行配准,确定最优变换参数,包括:
通过枚举法列举多组变换参数θ,其中θ=(s,a),s为缩放尺度,a为旋转角度;
根据每组变换参数θ对最优着色模板中的二值模板进行缩放和旋转;
确定缩放和旋转后的二值模板与连通区域Oi之间的Dice系数,当Dice最大时,相应的变换参数θ为最优变换参数;
所述Dice系数按如下公式确定:
其中,A和B表示两个二值图像,|·|表示二值图像中非0像素的个数,|A∩B|表示A和B中同时为非0像素的个数。
在一个实施例中,所述为分割图像中的目标图案着色,还包括:
当连通区域Oi中存在未着色的像素时,在未着色像素邻域内查找着色像素;
若未着色像素邻域内存在着色像素,则用着色像素的颜色值对未着色像素进行赋值。
在一个实施例中,在对校准图像进行目标图案分割之前还包括:
对校准图像进行扩展,获得扩展图像;
所述对校准图像进行目标图案分割,获得分割图像,包括:
对扩展图像进行目标图案分割,获得分割图像。
本发明实施例还提供了一种布料图像处理系统,可以对布料图像进行自动化处理,能够快速、精确地对布料图像进行着色,效率高,工作量小,可以实现批量化生产。该装置包括:
校准图像获得模块,用于对布料图像进行校准,获得校准图像;
分割图像获得模块,用于对校准图像进行目标图案分割,获得分割图像;
着色模块,用于为分割图像中的目标图案着色;
所述着色模块包括:
连通区域提取模块,用于从分割图像中的目标图案中提取连通区域Oi,i=1,2,…,N0,N0为连通区域的个数;
最优着色模板确定模块,用于确定连通区域Oi与所有着色模板的相似度,根据相似度确定连通区域Oi相对应的最优着色模板;
最优变换参数确定模块,用于将连通区域Oi与相对应的最优着色模板进行配准,确定最优变换参数;
映射模板生成模块,用于根据最优变换参数对最优着色模板进行缩放和旋转,生成映射模板;
赋值模块,用于将映射模板中的像素颜色值赋值给分割图像中对应的像素。在一个实施例中,
在一个实施例中,所述分割图像获得模块包括:
平滑图像获得模块,用于对校准图像进行平滑处理,得到平滑图像;
梯度图像获得模块,用于确定平滑图像的梯度幅值,根据平滑图像的梯度幅值得到平滑图像对应的梯度图像;
初始分割图像获得模块,用于对平滑图像进行二值化,得到初始分割图像;
前景标记图像获得模块,用于删除初始分割图像中的非目标图案区域,得到前景标记图像;
距离变换图像获得模块,用于对初始分割图像进行距离变换,得到距离变换图像;
背景标记图像获得模块,用于基于标记分水岭分割算法对前景标记图像和距离变换图像进行处理,得到背景标记图像;
第一分割图像获得模块,用于基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理,获得分割图像。
在一个实施例中,所述梯度图像获得模块具体用于:
按如下公式确定平滑图像的梯度幅值:
Gx=I1(x+1,y)-I1(x-1,y);
Gy=I1(x,y+1)-I1(x,y-1);
G2(x,y)=Gx 2+Gy 2;
其中,G(x,y)为平滑图像的梯度幅值;I1(x,y)为平滑图像在像素(x,y)处的灰度;Gx和Gy分别为平滑图像的梯度幅值在x方向和y方向的分量。
在一个实施例中,所述前景标记图像获得模块具体用于:
对初始分割图像进行形态学腐蚀,获得第一前景图像;
根据目标图案的先验知识,将第一前景图像中的非目标图案区域删除,获得第二前景图像;
从第一前景图像的目标图案中提取所有连通区域,得到前景标记图像。
在一个实施例中,所述分割图像获得模块还包括:
处理模块,用于对前景标记图像进行形态学腐蚀;
所述第一分割图像获得模块具体用于:
基于标记分水岭分割算法对梯度图像、背景标记图像和腐蚀后的前景标记图像进行处理。
在一个实施例中,所述着色模板包括彩色模板和二值模板;
所述赋值模块具体用于:
将映射模板中的彩色模板的像素颜色值赋值给分割图像中对应的像素。
在一个实施例中,所述最优着色模板确定模块具体用于:
按如下方式确定连通区域Oi与所有着色模板的相似度:
提取连通区域Oi的形状特征;
提取所有着色模板的形状特征;
根据连通区域Oi的形状特征和所有着色模板的形状特征之间的欧氏距离,确定所有连通区域与对应的着色模板的相似度。
在一个实施例中,所述最优变换参数确定模块具体用于:
按如下方式确定最优变换参数:
通过枚举法列举多组变换参数θ,其中θ=(s,a),s为缩放尺度,a为旋转角度;
根据每组变换参数θ对最优着色模板中的二值模板进行缩放和旋转;
确定缩放和旋转后的二值模板与连通区域Oi之间的Dice系数,当Dice最大时,相应的变换参数θ为最优变换参数;
所述Dice系数按如下公式确定:
其中,A和B表示两个二值图像,|·|表示二值图像中非0像素的个数,|A∩B|表示A和B中同时为非0像素的个数。
在一个实施例中,所述着色模块还用于:
当连通区域Oi中存在未着色的像素时,在未着色像素邻域内查找着色像素;
若未着色像素邻域内存在着色像素,则用着色像素的颜色值对未着色像素进行赋值。
在一个实施例中,该装置还包括:
扩展模块,用于对校准图像进行扩展,获得扩展图像;
所述分割图像获得模块具体用于:
对扩展图像进行目标图案分割,获得分割图像。
在本发明实施例中,通过对布料图像进行校准,获得校准图像;再对校准图像进行目标图案分割,获得分割图像;最后为分割图像中的目标图案着色。本发明采用自动化的布料图像处理,能够快速、精确地对布料图像进行着色,效率高,工作量小,可以实现批量化生产。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例提供的一种布料图像处理方法流程图;
图2是本发明实施例提供的一种网格坐标系中角点选择和标记示意图;
图3是本发明实施例提供的一种布料图像校准示意图;
图4是本发明实施例提供的一种校准图像;
图5是本发明实施例提供的一种校准的扩展图像;
图6是本发明实施例提供的一种对校准图像进行目标图案分割的流程图;
图7是本发明实施例提供的一种双边滤波效果图像;
图8是本发明实施例提供的一种梯度图像;
图9是本发明实施例提供的一种初始分割图像;
图10是本发明实施例提供的一种前景标记图像;
图11是本发明实施例提供的一种距离变换图像;
图12是本发明实施例提供的一种前景和背景标记图像;
图13是本发明实施例提供的一种分割图像;
图14是本发明实施例提供的一种着色模板示意图;
图15是本发明实施例提供的一种布料图案着色算法流程图;
图16是本发明实施例提供的一种图案形状特征提取示意图;
图17是本发明实施例提供的一种布料图像处理系统的结构框图;
图18是本发明实施例提供的一种分割图像获得模块具体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
现有的为纺织布料图像进行着色,采用的是人工的方式,该方法效率低,工作量大,难以进行批量化生产。如果可以使用自动化的处理方法,就可以解决上述现有技术中存在的问题。基于此,本发明提出一种布料图像处理方法及系统。
图1是本发明实施例提供的一种布料图像处理方法流程图,如图1所示,该方法包括:
步骤101:对布料图像进行校准,获得校准图像。
具体实施时,由于针孔成像会使得拍摄图片发生扭曲和偏移,所以需要对布料图像进行相机校准,从而建立物理坐标与图像坐标之间的空间变换T。
一种可能的方案是,制作一个平面标定板,并在标定板上定义一个网格坐标系。网格坐标系大小为1600mm*1000mm,每个网格单元的大小为10mm*10mm。通过相机对标定板进行拍照后,得到图像如图2所示。通过手动或自动方法,按照如下方式标记出网格中角点(图中圆点表示)的物理坐标(单位为mm)(x,y)和对应的布料图像坐标(s,t)。水平方向和竖直方向上两个相邻角点的物理间隔为100mm。如图2所示,第一行第1个和第2个角点的物理坐标为(0,0),(100,0),其对应的布料图像坐标为(643,549)和(937,551)。
当角点标记完毕后,根据角点标记点的物理坐标和像素坐标计算校准变换T。变换模型可以是线性的也可以是非线性的,作为实例这里以仿射变换作为物理坐标与布料图像坐标之间的变换模型。定义角点标记点的物理坐标的集合为PA={(xi′,yi′,1)i′=1,2,...,N},其对应的布料图像坐标集合为PB={(si′,ti′,1)i′=1,2,...,N},N为角点标记点的个数,则定义仿射变换T∈R3×3,满足:
T*PA=PB (1)
通过求解方程(1)的伪逆即可得到仿射变换T。
对图像进行校准时,将校准后图像记为Ical,其物理大小与标定区域物理大小一致,即1600mm*1000mm。为了增加灵活性,定义一个像素尺寸变量Spacing来根据需求改变图像分辨率。例如,当Spacing=1mm时,校准图像大小为1600*1000;当Spacing=0.5mm时,校准图像大小则为3200*2000。如图3所示左侧为校准图像Ical,右侧为相机拍摄图像I,具体的校准算法如下:
1)根据Spacing计算校准图像Ical的分辨率(Nx,Ny):
Nx=1600/Spacing,Ny=1000/Spacing;
2)对于校准图像Ical的像素P0(i,j),计算其物理坐标P1(x,y):
x=i*Spacing,y=j*Spacing;
3)计算物理坐标P1对应的图像坐标:
P2=T*P1;
P2即为校准图像Ical中的像素,在拍摄图像I中的映射点为P0。因此需要将P0点的灰度值赋值给P2点。对于P2点,其像素坐标为整数(i1,j1),对应的P0坐标通常为非整数,比如记为(i0+di,j0+dj),则P0的灰度由如下公式计算(i0,j0为非负整数,di与dj为小于1且非负的小数);
Ical(i1,j1)=I(i0+di,j0+dj)
=I(i0,j0)*(1-di)*(1-dj)+I(i0,j0+1)*(1-di)*dj
+I(i0+1,j0)*di*(1-dj)+I(i0+1,j0+1)*di*dj;
4)循环执行2)-3)步骤,直至所有像素遍历完毕,即可得到最后的校准图像。
具体实施时,对原始图像进行校准后,校准图像内部的图案可能会被部分裁剪,如图4所示校准图像的最后一行图案被裁剪,而裁剪后的图案,将导致图案与着色模板的配准困难。解决该问题的一种方案是,对校准区域的头部和尾部(即图4中的上部和下部),进行一定的扩展,将校准图像中被剪切的图案补全为完整图案,如图5所示。扩展区域的高度,需要根据图案的先验知识来确定。通常需要与图案的最大高度一致。
头部和尾部的校准过程与校准网格内的校准方法一致。但是,由于在校准网格以外,并没有相应的标记点信息,不能计算相应的校准变换。因此在校准扩展图像的像素时,使用校准区域的仿射变换进行校准。将校准图像以及校准的头部和尾部图像合并为一个图像,即得到校准的扩展图像Iext。
若校准图像内部的图案没有被部分裁剪,后续分割和配准的过程在校准图像的基础上进行。若校准图像内部的图案被部分裁剪,后续分割和配准的过程都是在扩展图像基础上进行。
相机校准仅需要在系统使用前执行一次,整个过程可以在线下完成,不会影响系统效率。另外,通过手动校验标记点,可保证结果的可靠性;当需要进一步提高校准精度时,可考虑用更复杂的非线性变换模型或多个局部线性模型。
步骤102:对校准图像进行目标图案分割,获得分割图像。
对布料图像中的图案进行颜色映射时,首先需要将图案区域精确的分割出来。不失一般性,可以假设图案的灰度要高于背景区域灰度,图案具有清晰的边缘,适合分水岭算法进行分割。采用基于标记的分水岭算法分割目标图案,分割流程见图6。
步骤102具体包括:
1)对校准的扩展图像Iext进行预处理,得到平滑图像I1。
对校准的扩展图像Iext进行保留边缘的平滑,得到平滑图像。实现方式有多种选择,如中值滤波、邻域内的权值同时反比于灰度差及空间距离,如图7对应于中值滤波后的双边滤波效果图像。
2)计算平滑图像I1的梯度幅值,根据平滑图像I1的梯度幅值得到梯度图像G,如图8所示。确定平滑图像的梯度幅值公式为:
Gx=I1(x+1,y)-I1(x-1,y);
Gy=I1(x,y+1)-I1(x,y-1);
G2(x,y)=Gx 2+Gy 2;
其中,G(x,y)为平滑图像的梯度幅值;I1(x,y)为平滑图像在像素(x,y)处的灰度;Gx和Gy分别为平滑图像的梯度幅值在x方向和y方向的分量。
3)对平滑图像I1进行二值化,得到初始分割图像S0。
Otsu算法(大津算法)基于前景和背景的类间方差最大化原则确定灰度阈值。在实现Otsu算法时,加入先验知识的约束。不失一般性,可假设前景的灰度值高于背景的灰度值;为了降低背景对分割阈值的影响,设置参数t0,t0为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1。图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t0,当t0使得值g=w0*(u0-u)2+w1*(u1-u)2最大时,t0即为分割的最佳阈值。对大津法可作如下理解:该式实际上就是类间方差值,阈值t0分割出的前景和背景两部分构成了整幅图像,而前景取值u0,概率为w0,背景取值u1,概率为w1,总均值为u,根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率最小。对于灰度值小于t0的像素,不参与Otsu算法。比如取t0=50(原图像的灰度范围是0到255)。对于可能出现的灰度照度不均匀,可以采用局部灰度阈值或分块灰度阈值。图9为采用局部灰度阈值获得的初始分割图像。
4)对初始分割图像S0进行处理得到前景标记图像F。
由于部分非图案与图案的灰度相似,图9所示的初始分割图像中存在大量的非图案区域。因此需要基于先验知识删除初始分割图像S0中的明显的非图案区域。首先对初始分割图像S0进行形态学腐蚀,并提取连通区域,然后根据图案的先验知识,例如连通区域的面积过大,包围盒过宽或者过窄,将非图案对应的分割区域删除,得到前景(图案)标记标记图像F,如图10所示。
5)对初始分割图像S0进行距离变换,计算距离变换图像D:即非图案像素到图案像素的距离。
对初始分割图像S0(也可以叫做二值图像)取反,即图像像素值将由255变为0,0变为255。然后计算每个非0像素到其最近的0像素的距离,即为该非0像素的距离变换值。图11为距离变换图像D。
6)基于标记分水岭分割算法对前景标记图像F和距离变换图像D进行处理,得到背景标记图像B。
以距离变换图像D作为输入图像,以前景标记图像F作为标记图像,进行标记分水岭分割得到分水线,即不同区域之间的分界线。将分割图像中分界线对应的像素赋值为255,其他像素赋值为0,得到背景标记图像B。图12为将前景标记图像和前景标记图像合并后的图像。
7)基于标记分水岭分割算法对梯度图像G、前景标记图像F和背景标记图像B进行处理,获得分割图像S。
以梯度图像G作为输入图像,以前景标记图像F和背景标记图像B作为标记,再次进行标记分水岭分割。在分割前,为了避免相离较近的前景产生粘连,可以再次将前景标记图像F进行一次形态学腐蚀,结构元素大小为3x3。将输出的标记图像中前景标记对应区域的像素值标记为255,其他区域像素值标记为0,则得到最终的分割结果S。图13为最终的分割结果。
具体实施时,当布料图像中的图案分割完毕后,需要为分割图像中每个图案对应在原图中的区域进行颜色映射。布料图像中图案形状固定,可以事前为每个图案设计相应的彩色模板,如图14所示。每个模板由两个图像组成,左侧的彩色模板L0和右侧的二值模板L1。二值模板L1用于标记有效图案区域,用非0值表示,即二值图像中的白色部分;其他为背景,用0表示,即黑色区域。当对布料图案上色时,只需要为该花纹指定一个最匹配的模板,并将模板的颜色填充至布料图像中的图案区域即可。
图15是本发明实施例提供的一种布料图案着色算法流程,如图14所示,按如下方式为分割图像中的目标图案着色:
算法输入的为扩展的校准图像Iext,分割图像S,以及一组匹配模板L={(Lj0,Lj1)}|j=1,2,…,NL,NL为模板个数;Lj0为一个彩色模板图像,Lj1为其对应的二值模板。
步骤103:从分割图像S中的目标图案中提取连通区域,给每个连通区域一个固定的标记Oi,i=1,2,…,N0,N0为连通区域的个数。
步骤104:确定连通区域Oi与所有着色模板的相似度,根据相似度确定连通区域Oi相对应的最优着色模板Lj。
具体的,相似度可以根据连通区域和着色模板之间形状特征之间的欧式距离表示。相似度越大,则欧式距离越小;反之,欧式距离越大。通过比较,找出形状特征距离最小的模板Lj。
按照图16所示的方法提取连通区域的形状特征。根据布料图像中图案的形状先验信息定义形状特征。首先提取连通区域的包围盒,将连通区域的包围盒区域平均分为4个区域,然后统计每个区域内的非零像素占整个包围盒像素数目的比例。每个区域即可表示为一个4维向量。
而着色模板的形状特征也采用相同的方法。只需要在导入着色模板时,提取特征向量并在内存中保存,避免在每次循环中重复计算,提高效率。
步骤105:将连通区域Oi与相对应的最优着色模板Lj进行配准,确定最优变换参数,使得连通区域Oi与相对应的最优着色模板Lj之间的重合度最高。
由于连通区域Oi与相对应的最优着色模板Lj之间存在尺度、旋转的差异,因此需要找出最优的尺度和旋转角度,共两个变量θ=(s,α)。
在配准过程中,需要评价指标。这里使用Dice系数:
其中,A和B表示两个二值图像,|·|表示二值图像中非0像素的个数,|A∩B|表示A和B中同时为非0像素的个数。在理想情况下当=1时,说明两者完全重合。因此配准的目标是找出最优的一组参数,使得连通区域和模板的最高,即Dice系数取得最大值。
由于目标图案与模板之间参数变化范围较小,因此可以基于枚举法实现。即枚举不同的参数组合,并计算相应的Dice系数。最后找出Dice最高的那组参数,即为最优参数θ*。初始的尺度s可以通过两者之间的包围盒对角线的比值确定,而尺度的变换范围定义为[0.9s,1.1s],Δs=0.2s;而角度α的变化区间为[-10°,10°],Δα=1°。当给定一组参数θ=(s,α)时,对模板二值图像Lj1进行放缩和旋转变换,然后计算变换后着色模板与连通区域Oi之间的系数。
步骤106:根据最优变换参数θ*对最优着色模板Lj进行缩放和旋转(模体刚性变换),生成映射模板Lj *。
步骤107:将映射模板中的像素颜色值赋值给分割图像中对应的像素。
映射模板Lj *与连通区域Oi的尺度和姿态一致,因此直接将映射模板Lj *中的彩色模板Lj0 *的像素颜色值映射至连通区域像素在扩展的校准图像Iext中对应的像素。
具体实施时,在进行着色时,由于布料图像在图像拍摄过程中,存在一定的形变,因此经过着色模板颜色映射后,会有布料图像中的部分边界像素未被着色。可采用一种由内向外扩展的方式进行着色。首先找出连通区域Oi范围内最内层未着色像素(如果连通区域中的一个未着色像素的邻域中存在着色像素),然后使用最近的着色像素的颜色值进行着色。循环执行该操作,直接所有像素被着色。循环执行步骤104-107,直至所有连通区域被着色。
最后,截取着色图像中,校准网格对应的区域,即将扩展的头部和尾部图像删除。得到最终的着色图像。
基于同一发明构思,本发明实施例中还提供了一种布料图像处理系统,如下面的实施例所述。由于布料图像处理系统解决问题的原理与布料图像处理方法相似,因此布料图像处理系统的实施可以参见布料图像处理方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图17是本发明实施例的布料图像处理系统的结构框图,如图17所示,包括:
校准图像获得模块1701,用于对布料图像进行校准,获得校准图像;
分割图像获得模块1702,用于对校准图像进行目标图案分割,获得分割图像;
着色模块1703,用于为分割图像中的目标图案着色;
所述着色模块1703包括:
连通区域提取模块17031,用于从分割图像中的目标图案中提取连通区域Oi,i=1,2,…,N0,N0为连通区域的个数;
最优着色模板确定模块17032,用于确定连通区域Oi与所有着色模板的相似度,根据相似度确定连通区域Oi相对应的最优着色模板;
最优变换参数确定模块17033,用于将连通区域Oi与相对应的最优着色模板进行配准,确定最优变换参数;
映射模板生成模块17034,用于根据最优变换参数对最优着色模板进行缩放和旋转,生成映射模板;
赋值模块17035,用于将映射模板中的像素颜色值赋值给分割图像中对应的像素。在一个实施例中,
在一个实施例中,如图18所示,所述分割图像获得模块1702包括:
平滑图像获得模块1801,用于对校准图像进行平滑处理,得到平滑图像;
梯度图像获得模块1802,用于确定平滑图像的梯度幅值,根据平滑图像的梯度幅值得到平滑图像对应的梯度图像;
初始分割图像获得模块1803,用于对平滑图像进行二值化,得到初始分割图像;
前景标记图像获得模块1804,用于删除初始分割图像中的非目标图案区域,得到前景标记图像;
距离变换图像获得模块1805,用于对初始分割图像进行距离变换,得到距离变换图像;
背景标记图像获得模块1806,用于基于标记分水岭分割算法对前景标记图像和距离变换图像进行处理,得到背景标记图像;
第一分割图像获得模块1807,用于基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理,获得分割图像。
在一个实施例中,所述梯度图像获得模块1802具体用于:
按如下公式确定平滑图像的梯度幅值:
Gx=I1(x+1,y)-I1(x-1,y);
Gy=I1(x,y+1)-I1(x,y-1);
G2(x,y)=Gx 2+Gy 2;
其中,G(x,y)为平滑图像的梯度幅值;I1(x,y)为平滑图像在像素(x,y)处的灰度;Gx和Gy分别为平滑图像的梯度幅值在x方向和y方向的分量。
在一个实施例中,所述前景标记图像获得模块1804具体用于:
对初始分割图像进行形态学腐蚀,获得第一前景图像;
根据目标图案的先验知识,将第一前景图像中的非目标图案区域删除,获得第二前景图像;
从第一前景图像的目标图案中提取所有连通区域,得到前景标记图像。
在一个实施例中,所述分割图像获得模块1702还包括:
处理模块,用于对前景标记图像进行形态学腐蚀;
所述第一分割图像获得模块1807具体用于:
基于标记分水岭分割算法对梯度图像、背景标记图像和腐蚀后的前景标记图像进行处理。
在一个实施例中,所述着色模板包括彩色模板和二值模板;
所述赋值模块17035具体用于:
将映射模板中的彩色模板的像素颜色值赋值给分割图像中对应的像素。
在一个实施例中,所述最优着色模板确定模块17032具体用于:
按如下方式确定连通区域Oi与所有着色模板的相似度:
提取连通区域Oi的形状特征;
提取所有着色模板的形状特征;
根据连通区域Oi的形状特征和所有着色模板的形状特征之间的欧氏距离,确定所有连通区域与对应的着色模板的相似度。
在一个实施例中,所述最优变换参数确定模块17033具体用于:
按如下方式确定最优变换参数:
通过枚举法列举多组变换参数θ,其中θ=(s,a),s为缩放尺度,a为旋转角度;
根据每组变换参数θ对最优着色模板中的二值模板进行缩放和旋转;
确定缩放和旋转后的二值模板与连通区域Oi之间的Dice系数,当Dice最大时,相应的变换参数θ为最优变换参数;
所述Dice系数按如下公式确定:
其中,A和B表示两个二值图像,|·|表示二值图像中非0像素的个数,|A∩B|表示A和B中同时为非0像素的个数。
在一个实施例中,所述着色模块1703还用于:
当连通区域Oi中存在未着色的像素时,在未着色像素邻域内查找着色像素;
若未着色像素邻域内存在着色像素,则用着色像素的颜色值对未着色像素进行赋值。
在一个实施例中,该装置还包括:
扩展模块,用于对校准图像进行扩展,获得扩展图像;
所述分割图像获得模块1702具体用于:
对扩展图像进行目标图案分割,获得分割图像。
综上所述,本发明采用自动化的布料图像处理,能够快速、精确地对布料图像进行着色,效率高,工作量小,可以实现批量化生产。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (20)
1.一种布料图像处理方法,其特征在于,包括:
对布料图像进行校准,获得校准图像;
对校准图像进行目标图案分割,获得分割图像;
按如下方式为分割图像中的目标图案着色:
从分割图像中的目标图案中提取连通区域Oi,i=1,2,…,N0,N0为连通区域的个数;
确定连通区域Oi与所有着色模板的相似度,根据相似度确定连通区域Oi相对应的最优着色模板;
将连通区域Oi与相对应的最优着色模板进行配准,确定最优变换参数;
根据最优变换参数对最优着色模板进行缩放和旋转,生成映射模板;
将映射模板中的像素颜色值赋值给分割图像中对应的像素。
2.如权利要求1所述的布料图像处理方法,其特征在于,所述对校准图像进行目标图案分割,获得分割图像,包括:
对校准图像进行平滑处理,得到平滑图像;
确定平滑图像的梯度幅值,根据平滑图像的梯度幅值得到平滑图像对应的梯度图像;
对平滑图像进行二值化,得到初始分割图像;
删除初始分割图像中的非目标图案区域,得到前景标记图像;
对初始分割图像进行距离变换,得到距离变换图像;
基于标记分水岭分割算法对前景标记图像和距离变换图像进行处理,得到背景标记图像;
基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理,获得分割图像。
3.如权利要求2所述的布料图像处理方法,其特征在于,所述确定平滑图像的梯度幅值,包括按如下公式确定平滑图像的梯度幅值:
Gx=I1(x+1,y)-I1(x-1,y);
Gy=I1(x,y+1)-I1(x,y-1);
G2(x,y)=Gx 2+Gy 2;
其中,G(x,y)为平滑图像的梯度幅值;I1(x,y)为平滑图像在像素(x,y)处的灰度;Gx和Gy分别为平滑图像的梯度幅值在x方向和y方向的分量。
4.如权利要求2所述的布料图像处理方法,其特征在于,所述删除初始分割图像中的非目标图案区域,得到前景标记图像,包括:
对初始分割图像进行形态学腐蚀,获得第一前景图像;
根据目标图案的先验知识,将第一前景图像中的非目标图案区域删除,获得第二前景图像;
从第二前景图像的目标图案中提取所有连通区域,得到前景标记图像。
5.如权利要求2所述的布料图像处理方法,其特征在于,在基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理之前,还包括:
对前景标记图像进行形态学腐蚀;
所述基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理,包括:
基于标记分水岭分割算法对梯度图像、背景标记图像和腐蚀后的前景标记图像进行处理。
6.如权利要求1所述的布料图像处理方法,其特征在于,所述着色模板包括彩色模板和二值模板;
所述将映射模板中的像素颜色值赋值给分割图像中对应的像素,包括:
将映射模板中的彩色模板的像素颜色值赋值给分割图像中对应的像素。
7.如权利要求1所述的布料图像处理方法,其特征在于,所述确定连通区域Oi与所有着色模板的相似度,包括:
提取连通区域Oi的形状特征;
提取所有着色模板的形状特征;
根据连通区域Oi的形状特征和所有着色模板的形状特征之间的欧氏距离,确定所有连通区域与对应的着色模板的相似度。
8.如权利要求6所述的布料图像处理方法,其特征在于,所述将连通区域Oi与相对应的最优着色模板进行配准,确定最优变换参数,包括:
通过枚举法列举多组变换参数θ,其中θ=(s,a),s为缩放尺度,a为旋转角度;
根据每组变换参数θ对最优着色模板中的二值模板进行缩放和旋转;
确定缩放和旋转后的二值模板与连通区域Oi之间的Dice系数,当Dice最大时,相应的变换参数θ为最优变换参数;
所述Dice系数按如下公式确定:
其中,A和B表示两个二值图像,|·|表示二值图像中非0像素的个数,|A∩B|表示A和B中同时为非0像素的个数。
9.如权利要求1所述的布料图像处理方法,其特征在于,所述为分割图像中的目标图案着色,还包括:
当连通区域Oi中存在未着色的像素时,在未着色像素邻域内查找着色像素;
若未着色像素邻域内存在着色像素,则用着色像素的颜色值对未着色像素进行赋值。
10.如权利要求1所述的布料图像处理方法,其特征在于,在对校准图像进行目标图案分割之前还包括:
对校准图像进行扩展,获得扩展图像;
所述对校准图像进行目标图案分割,获得分割图像,包括:
对扩展图像进行目标图案分割,获得分割图像。
11.一种布料图像处理系统,其特征在于,包括:
校准图像获得模块,用于对布料图像进行校准,获得校准图像;
分割图像获得模块,用于对校准图像进行目标图案分割,获得分割图像;
着色模块,用于为分割图像中的目标图案着色;
所述着色模块包括:
连通区域提取模块,用于从分割图像中的目标图案中提取连通区域Oi,i=1,2,…,N0,N0为连通区域的个数;
最优着色模板确定模块,用于确定连通区域Oi与所有着色模板的相似度,根据相似度确定连通区域Oi相对应的最优着色模板;
最优变换参数确定模块,用于将连通区域Oi与相对应的最优着色模板进行配准,确定最优变换参数;
映射模板生成模块,用于根据最优变换参数对最优着色模板进行缩放和旋转,生成映射模板;
赋值模块,用于将映射模板中的像素颜色值赋值给分割图像中对应的像素。
12.如权利要求11所述的布料图像处理系统,其特征在于,所述分割图像获得模块包括:
平滑图像获得模块,用于对校准图像进行平滑处理,得到平滑图像;
梯度图像获得模块,用于确定平滑图像的梯度幅值,根据平滑图像的梯度幅值得到平滑图像对应的梯度图像;
初始分割图像获得模块,用于对平滑图像进行二值化,得到初始分割图像;
前景标记图像获得模块,用于删除初始分割图像中的非目标图案区域,得到前景标记图像;
距离变换图像获得模块,用于对初始分割图像进行距离变换,得到距离变换图像;
背景标记图像获得模块,用于基于标记分水岭分割算法对前景标记图像和距离变换图像进行处理,得到背景标记图像;
第一分割图像获得模块,用于基于标记分水岭分割算法对梯度图像、前景标记图像和背景标记图像进行处理,获得分割图像。
13.如权利要求12所述的布料图像处理系统,其特征在于,所述梯度图像获得模块具体用于:
按如下公式确定平滑图像的梯度幅值:
Gx=I1(x+1,y)-I1(x-1,y);
Gy=I1(x,y+1)-I1(x,y-1);
G2(x,y)=Gx 2+Gy 2;
其中,G(x,y)为平滑图像的梯度幅值;I1(x,y)为平滑图像在像素(x,y)处的灰度;Gx和Gy分别为平滑图像的梯度幅值在x方向和y方向的分量。
14.如权利要求12所述的布料图像处理系统,其特征在于,所述前景标记图像获得模块具体用于:
对初始分割图像进行形态学腐蚀,获得第一前景图像;
根据目标图案的先验知识,将第一前景图像中的非目标图案区域删除,获得第二前景图像;
从第一前景图像的目标图案中提取所有连通区域,得到前景标记图像。
15.如权利要求12所述的布料图像处理系统,其特征在于,所述分割图像获得模块还包括:
处理模块,用于对前景标记图像进行形态学腐蚀;
所述第一分割图像获得模块具体用于:
基于标记分水岭分割算法对梯度图像、背景标记图像和腐蚀后的前景标记图像进行处理。
16.如权利要求11所述的布料图像处理系统,其特征在于,所述着色模板包括彩色模板和二值模板;
所述赋值模块具体用于:
将映射模板中的彩色模板的像素颜色值赋值给分割图像中对应的像素。
17.如权利要求11所述的布料图像处理系统,其特征在于,所述最优着色模板确定模块具体用于:
按如下方式确定连通区域Oi与所有着色模板的相似度:
提取连通区域Oi的形状特征;
提取所有着色模板的形状特征;
根据连通区域Oi的形状特征和所有着色模板的形状特征之间的欧氏距离,确定所有连通区域与对应的着色模板的相似度。
18.如权利要求16所述的布料图像处理系统,其特征在于,所述最优变换参数确定模块具体用于:
按如下方式确定最优变换参数:
通过枚举法列举多组变换参数θ,其中θ=(s,a),s为缩放尺度,a为旋转角度;
根据每组变换参数θ对最优着色模板中的二值模板进行缩放和旋转;
确定缩放和旋转后的二值模板与连通区域Oi之间的Dice系数,当Dice最大时,相应的变换参数θ为最优变换参数;
所述Dice系数按如下公式确定:
其中,A和B表示两个二值图像,|·|表示二值图像中非0像素的个数,|A∩B|表示A和B中同时为非0像素的个数。
19.如权利要求11所述的布料图像处理系统,其特征在于,所述着色模块还用于:
当连通区域Oi中存在未着色的像素时,在未着色像素邻域内查找着色像素;
若未着色像素邻域内存在着色像素,则用着色像素的颜色值对未着色像素进行赋值。
20.如权利要求11所述的布料图像处理系统,其特征在于,还包括:
扩展模块,用于对校准图像进行扩展,获得扩展图像;
所述分割图像获得模块具体用于:
对扩展图像进行目标图案分割,获得分割图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2015110165306 | 2015-12-29 | ||
CN201511016530 | 2015-12-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934846A true CN106934846A (zh) | 2017-07-07 |
CN106934846B CN106934846B (zh) | 2020-05-22 |
Family
ID=59444532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610009729.4A Active CN106934846B (zh) | 2015-12-29 | 2016-01-06 | 一种布料图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934846B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564035A (zh) * | 2017-07-31 | 2018-01-09 | 华南农业大学 | 基于重要区域识别和匹配的视频跟踪方法 |
CN110458232A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种确定图像风格相似度的方法及设备 |
CN111507946A (zh) * | 2020-04-02 | 2020-08-07 | 浙江工业大学之江学院 | 基于相似性样本的元素数据驱动的花型图案快速生成方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533517A (zh) * | 2009-04-15 | 2009-09-16 | 北京联合大学 | 一种基于结构特征的中国书画印章图像自动提取方法 |
CN102073852A (zh) * | 2011-01-14 | 2011-05-25 | 华南理工大学 | 基于最优阈值和随机标号法的多车辆分割方法 |
CN102136064A (zh) * | 2011-03-24 | 2011-07-27 | 成都四方信息技术有限公司 | 一种图像文字识别系统 |
CN102629386A (zh) * | 2012-03-28 | 2012-08-08 | 浙江大学 | 一种彩色纺织纹理图像的区域分割方法 |
US20120294521A1 (en) * | 2011-04-26 | 2012-11-22 | National Cheng Kung University | Method for 3d video content generation |
CN103413314A (zh) * | 2013-08-19 | 2013-11-27 | 合肥师范学院 | 基于纹理梯度的纺织品缺陷检测算法 |
CN103473767A (zh) * | 2013-09-05 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种腹部软组织核磁图像分割的方法和系统 |
CN104376529A (zh) * | 2014-11-25 | 2015-02-25 | 深圳北航新兴产业技术研究院 | 一种基于glcm的灰度图像彩色化系统和方法 |
-
2016
- 2016-01-06 CN CN201610009729.4A patent/CN106934846B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533517A (zh) * | 2009-04-15 | 2009-09-16 | 北京联合大学 | 一种基于结构特征的中国书画印章图像自动提取方法 |
CN102073852A (zh) * | 2011-01-14 | 2011-05-25 | 华南理工大学 | 基于最优阈值和随机标号法的多车辆分割方法 |
CN102136064A (zh) * | 2011-03-24 | 2011-07-27 | 成都四方信息技术有限公司 | 一种图像文字识别系统 |
US20120294521A1 (en) * | 2011-04-26 | 2012-11-22 | National Cheng Kung University | Method for 3d video content generation |
CN102629386A (zh) * | 2012-03-28 | 2012-08-08 | 浙江大学 | 一种彩色纺织纹理图像的区域分割方法 |
CN103413314A (zh) * | 2013-08-19 | 2013-11-27 | 合肥师范学院 | 基于纹理梯度的纺织品缺陷检测算法 |
CN103473767A (zh) * | 2013-09-05 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 一种腹部软组织核磁图像分割的方法和系统 |
CN104376529A (zh) * | 2014-11-25 | 2015-02-25 | 深圳北航新兴产业技术研究院 | 一种基于glcm的灰度图像彩色化系统和方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564035A (zh) * | 2017-07-31 | 2018-01-09 | 华南农业大学 | 基于重要区域识别和匹配的视频跟踪方法 |
CN107564035B (zh) * | 2017-07-31 | 2020-10-09 | 华南农业大学 | 基于重要区域识别和匹配的视频跟踪方法 |
CN110458232A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 一种确定图像风格相似度的方法及设备 |
CN110458232B (zh) * | 2019-08-13 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 一种确定图像风格相似度的方法及设备 |
CN111507946A (zh) * | 2020-04-02 | 2020-08-07 | 浙江工业大学之江学院 | 基于相似性样本的元素数据驱动的花型图案快速生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106934846B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872397B (zh) | 一种基于多目立体视觉的飞机零件的三维重建方法 | |
CN104778688B (zh) | 点云数据的配准方法及装置 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN104331699B (zh) | 一种三维点云平面化快速搜索比对的方法 | |
CN109685078B (zh) | 基于自动标注的红外图像识别方法 | |
US20160249041A1 (en) | Method for 3d scene structure modeling and camera registration from single image | |
Butenuth et al. | Network snakes: graph-based object delineation with active contour models | |
CN111046843B (zh) | 一种智能驾驶环境下的单目测距方法 | |
TWI613510B (zh) | 電子束描繪裝置、電子束描繪方法及記錄媒體 | |
CN106611416B (zh) | 一种医学图像中肺分割的方法及装置 | |
CN107369131A (zh) | 图像的显著性检测方法、装置、存储介质和处理器 | |
CN106778881B (zh) | 数字印花方法及装置 | |
JP2021168143A (ja) | ビジョンシステムで画像内のプローブを効率的に採点するためのシステム及び方法 | |
CN106548478B (zh) | 基于局部拟合图像的活动轮廓图像分割方法 | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN106934846A (zh) | 一种布料图像处理方法及系统 | |
CN108022245B (zh) | 基于面线基元关联模型的光伏面板模板自动生成方法 | |
CN109345536A (zh) | 一种图像超像素分割方法及其装置 | |
CN110223356A (zh) | 一种基于能量生长的单目相机全自动标定方法 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN109448093A (zh) | 一种风格图像生成方法及装置 | |
CN105718929B (zh) | 全天候未知环境下高精度快速圆形目标定位方法和系统 | |
CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 | |
CN104239874B (zh) | 一种器官血管识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |