CN107886549A - 一种基于编织纹理细节增强的织物纹样色彩转移方法 - Google Patents

一种基于编织纹理细节增强的织物纹样色彩转移方法 Download PDF

Info

Publication number
CN107886549A
CN107886549A CN201710971885.3A CN201710971885A CN107886549A CN 107886549 A CN107886549 A CN 107886549A CN 201710971885 A CN201710971885 A CN 201710971885A CN 107886549 A CN107886549 A CN 107886549A
Authority
CN
China
Prior art keywords
color
fabric
image
texture
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
Application number
CN201710971885.3A
Other languages
English (en)
Other versions
CN107886549B (zh
Inventor
郑德均
裘海索
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhijiang College of ZJUT
Original Assignee
Zhijiang College of ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhijiang College of ZJUT filed Critical Zhijiang College of ZJUT
Priority to CN201710971885.3A priority Critical patent/CN107886549B/zh
Publication of CN107886549A publication Critical patent/CN107886549A/zh
Application granted granted Critical
Publication of CN107886549B publication Critical patent/CN107886549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Abstract

本发明公开了一种基于编织纹理细节增强的织物纹样色彩转移方法，提出一种从给定自然图片中分析主要色彩的方法，然后在CIELab颜色空间的三个通道上同时对织物纹理的颜色偏移场进行估计，根据颜色偏移场和纹理成分的耦合对织物图片进行颜色转移；最后，根据主要色彩的颜色转移构成确定颜色着色顺序，并对着色后的织物图片进行颜色提取分析验证颜色转移的有效性。本发明方法运算复杂度低，求解方法方便，适合多色编织织物在纱线尺度视图下的颜色转移，不受样品的颜色限制，转移方法更接近实际生产中织物编织纹理颜色的设计方法，织物编织纹理清晰可见；该方法既能分析给定图片的关键色彩又能分析待处理织物的纹理细节成分。

Description

一种基于编织纹理细节增强的织物纹样色彩转移方法
技术领域
本发明涉及织物中纹理图像的色彩转移方法，更确切地说，是涉及一种基于编织纹理细节增强的织物纹样色彩转移方法。
背景技术
时尚设计师将织物面料的色调、纹理和阴影明暗看做是一个整体的组成部分。这些要素与所要表现的织物的色彩风格是相互影响和相辅相成的关系。在织物的设计和生产过程中，设计师需要分析当前的流行趋势和时尚元素，从相关的自然图片素材中提取出关键色彩，将这些色彩创造性地应用到织物面料上。这些关键色彩通常是由一组3到5种的色彩组合进行表示(一般用色彩方块或色彩条表示)，设计师称之为颜色主题。
织物纹样的色彩是织物设计的重要环节，其原因主要包括以下两方面：首先，织物面料的设计需要专业的工艺技能和编织培训，并且编织模式的设计受制造工艺设备和生产条件的限制。与编织模式的设计相比，色彩设计相对自由(如色织物、提花织物和印染织物的设计工艺主要通过色彩设计工艺显现)；另外，织物宏观所呈现的整体风格主要通过颜色构成的关系进行表达，这是由于在织物面料设计中微观纹理结构隐含于宏观色彩构成之中。因此，织物纹样色彩设计是织物设计的重要内容。事实上，与其它产品的色彩设计一样，例如室内设计和广告平面设计，织物设计通常需要对色相、色调进行反复调整以达到理想的整体设计效果。尽管在色彩设计中有一些基本的配色法则可供使用(这些法则普遍被认为是协调的)，但是时尚设计师通常把这样的配色法则作为设计的起点。这是因为，色彩设计是一个反映焦点素材(即创作提出)的再创造过程；素材色调的提取(即颜色主题提取)和应用(即色彩转移)是色彩设计过程中一个反复调整的过程，存在大量的手工编辑并耗费大量的时间。
针对图像着色或颜色转移，一些科研工作者在相关技术上开展了研究。2005年，Chang等人提出一种基于对应颜色类别的颜色增强方法。2006年，Cohen-Or等人提出一种基于色彩调和准则的图像色调增强方法。2010年，Wang等人利用数据样本中纹理类别特征，提出了一种数据驱动的图像色调增强方法。2011年，Rabin等人采用一种基于WASSERSTEIN正则化的总变差模型对两幅图像的色调进行互相转移。2012年，陈小武等人提出一种基于颜色转换和编辑传播的图像季节特征增强方法。基于图像颜色增强或转移的方法的主要问题是受到已知样本中颜色特征分布的限制，容易出现着色偏移带来的着色不准确，而且这类方法在每一次图像着色的过程都需处理大负荷的运算，这使色调调节不能快速地完成。2013年，Han等人使用一种基于亮度信息变化的纺织图案着色方法，该方法主要针对全局图像而非纱线编织纹理尺度上的颜色转移。已报道的方法除了计算复杂和颜色转移时间较长的缺点，还存在以下两个问题：(1)在颜色转移过程中，纹理细节无法避免不同程度的丢失；(2)如何提取自然图像颜色成分并验证颜色转移结果的有效性。
发明内容
针对现有的织物纹理色彩转移方法的局限性和缺陷，为了提高织物纹理着色的效率和准确性，同时克服上述方法中存在的问题，提出一种基于编织纹理细节增强的织物纹样色彩转移方法，本发明首先提出一种从给定自然图片中分析主要色彩的方法，然后在CIELab颜色空间的三个通道上同时对织物纹理的颜色偏移场进行估计，根据颜色偏移场和纹理成分的耦合对织物图片进行颜色转移。最后，根据主要色彩的颜色转移构成确定颜色着色顺序，并对着色后的织物图片进行颜色提取分析验证颜色转移的有效性。本发明提出的织物纹理颜色转移方法是一种基于关键色彩设计的方法。该方法运算复杂度低，求解方法方便，适合多色编织织物在纱线尺度视图下的颜色转移，不受样品的颜色限制，转移方法更接近实际生产中织物编织纹理颜色的设计方法，织物编织纹理清晰可见；该方法既能分析给定图片的关键色彩又能分析待处理织物的纹理细节成分。
本发明解决其技术问题所采用的技术方案是：
一种基于编织纹理细节增强的织物纹样色彩转移方法，包括如下步骤：1)用电荷耦合元件(CCD)数码摄像系统获取织物彩色图像和自然图像，所获取织物图像和自然图像的每一个像素点颜色由红(R)、绿(G)、蓝(B)三个颜色分量表示，其中每一个颜色分量值的范围为[0,255]；2)前处理，用于自然图像的关键色彩特征提取，包括织物图像的滤波和纹理分割；3)在获得滤波和纹理分割后的织物图像中利用CIELab颜色空间在三个颜色分量上估算颜色偏移场，接着利用自然图像颜色信息，将自然图像的关键色彩成分对织物图像进行重构，从而获得织物图像的颜色转移结果；4)后处理，对不同的颜色转移结果，将自然图像和织物颜色转移图像进行颜色情绪的关联分析，用户可以比较不同比例构成的颜色转移结果，确定最优颜色转移方案；5)显示自然图像和颜色转移的最终织物纹理着色结果。
所述的步骤2)前处理包括如下具体内容：
(a)将自然图像从RGB颜色通道上读入；
(b)即对自然图像进行双边滤波处理；双边滤波器能在保持自然图像结构的同时去除图片中的噪声部分，以有利于关键颜色成分的分析和处理；双边滤波对输入像素处理方式如下：
其中fimg指自然图像，g(i,j)是对应像素点经双边滤波处理的结果,权重系数w(i,j,k,l)是指在给定邻域的定义域核和值域核的乘积；i,j分别指给定像素点的横坐标值和纵坐标值；k,l分别指给定像素点领域的横坐标值和纵坐标值；
其中fimg(i,j)、fimg(k,l)是读入RGB图像的像素点对应的颜色分量值，σd和σr分别表示距离特征和图片颜色分量值差异的高斯函数的标准偏差；
(c)将步骤(b)处理得到的自然图像进行关键色彩提取，方法如下：
其中N是输入数据的维数，K为聚类的类别数，uik表示某一数据点xk隶属于某一聚类中心vj的隶属度函数，m是模糊权重指数，Ai是一个关于聚类中心的位置距离函数，是自然图像色彩数据项，计算方法如下：
其中vi是第j类聚类的聚类中心，ρ是聚类中心的数据含量；
(d)根据后续分析目标决定分析对象；
当需要分析织物的纹理图像，则进入步骤(h)纹理分割；纹理分割是指利用步骤(c)所述的方法对图片中的关键色彩成分进行区域标记；然后进入步骤(i)纹理分类着色，是指利用不同色彩对应的纹理特征进行分类和着色；
当不需要分析织物的纹理图像，则进入步骤(e)利用电脑显示器显示从图像中提取的关键色彩成分,接着进入步骤(f)根据用户对关键色彩的内容要求判断对自然图像的色彩提取是否满意；当对显示的提取结果不满意，则进入步骤(g)调整待提取的关键色彩数目，即方程(24)中的目标色彩数目K；当对提取结果满意，则结束前处理过程。
所述的步骤3)包括如下具体内容，a)读取织物的纹理彩色图像，图像包括R、G、B三个颜色通道；接着进入步骤b)将R、G、B三个颜色通道转换为CIELab坐标中的L、a、b三个通道，转换方法如下：
a*＝500×(f(X/Xn)-f(Y/Yn)) (10)
b*＝200×(f(Y/Yn)-f(Z/Zn)) (11)
其中Xn,Yn,Zn是标准白颜色的定义值，令(R,G,B)＝(255,255,255),标准白颜色值即可通过X,Y,Z与R,G,B之间的转换关系求得，织物图片中每一个像素点在CIELab坐标中的L、a、b三个通道的值分别用L*、a*、b*表示；
c)读入织物的CIELab图像；
d)对织物的CIELab图像的颜色偏移场进行估计；假定为有界开区域，I(x):Ω→R3为目标图像(定义在CIELab空间)，该图像被划分成N子区域，分别记为Ω1,K,ΩN；当I(x)在区域Ωi中的图像用b(x)ci表示，其中b(x):Ω→R是该织物图像的颜色偏移场，I(x)≈ci；
上式满足以下条件：
其中函数是一个高斯窗函数，σ是一个定义窗口大小的参数，λ和α是经验控制参数，b(y)是b(x)在区域Ωi的一个近似的局部替代函数；在方程(34)中，通过引入区域Ωi的隶属度函数ui(x)可得：
上式满足以下条件：
(I)0≤ui(x)≤1；(II)
上述方程的求解采用交替方向极小化方法优化待求解的变量；具体地，在优化其中一个变量时，其它变量取值为上一次迭代的结果，求解方法采用Chamnolle投影算法和增广Lagrange乘子进行快速求解；
e)根据方程(36)求得的区域Ωi的隶属度函数ui(x)对I(x)在区域Ωi中的图像进行区域标记；由于0≤ui(x)≤1，故可以实现模糊分割区域的标记；为了便于显示，分割结果采用灰度图片的形式进行显示；当ui(x)≈1时，表示该像素点隶属于Ωi区域的可能性最大；当ui(x)≈0时，表示该像素点隶属于Ωi区域的可能性最小；当ui(x)≈0.5时，表示该像素点隶属于Ωi区域的可能性最不确定,此时，用户需要根据实际应用情况进行判断；
f)将织物原图、关键色彩成分和分割区域的标记结果输出到电脑屏幕；
g)用户根据步骤f)中显示的结果判断是否达到满意的区域分割效果，不满意，则通过h)调整模糊区域分割的数目并进入到步骤d)，满意，则进入到下一处理步骤，即步骤j)；在执行步骤j)之前，先进行步骤i)即对步骤a)读取的织物图像进行纹理细节提取；纹理细节提取的目的是提取出织物图片中的编织纹理成分和阴影细节，去掉织物图片中的颜色成分，采用将彩色图像转换为灰度图像的方法去掉织物图片中的颜色成分；
所述的步骤i)具体为：首先将织物图像由RGB模式转换为灰度图像，采用织物的RGB图像格式转换为NTSC彩色空间，经格式转换后的织物图像用亮度、色调和饱和度信息描述，分别用分量Y、I、Q表示；将像素点颜色的色调I和饱和度设Q置为0，亮度Y设置为包含256个等级的灰度级图像，灰度取值范围为[0,255]；
然后进行织物图像的编织纹理和阴影细节提取，提取方法如下：
其中f是织物图像的灰度图像，λ＞0，μ＞0，p→∞，u表示织物图像的颜色信息，v表示织物图像的编织纹理和阴影细节，且方程(38)中变量u,g1,g2的微分，采用Euler-Lagrange方程求解：
其中1≤p≤10；上述方程(39)-(41)令u，g1，g2的初始值分别为：u0＝f，则通过有限差分求解上述方程中的变量u；织物图像的编织纹理和阴影细节通过v＝f-u即可求得织物编织纹理和阴影细节场；
所述步骤j)具体为：对织物图像进行重构；重构元素包括：(1)从自然图像中提取的关键色彩成分；(2)从织物图像中分割出的区域；(3)织物图像颜色偏移场；(4)织物编织纹理和阴影细节场；重构方法如下：
其中，Ti表示自然图像中的第i个关键色彩(共N种)，N是织物图像中的分割区域数目，b(x)是织物图像的颜色偏移场，v(x)是织物编织纹理和阴影细节场；织物图像颜色转移过程至此结束并进入后处理过程；
所述的步骤4)后处理的作用是对织物颜色的转移结果进行验证和显示，包括如下具体内容，a>首先读取织物图像颜色转移结果；b>利用颜色提取分析方法对织物图像颜色转移结果进行处理，具体处理方法采用模糊C均值颜色聚类方法；显示结果存储在步骤c>和步骤d>中，分别包括颜色聚类在图像中的位置分布和颜色聚类中心的颜色；e>判断是否需要根据织物图像中的颜色类别再次进行颜色提取分析，需要则进入步骤b>，否则保存最终结果，整个颜色处理过程结束。
本发明的有益效果为：本发明不仅能分析织物图像颜色转移结果与自然图像的关联性，而且采用一种针对织物图像的编织纹理细节的提取方法，克服了传统的基于变分框架下织物图像颜色转移纹理细节丢失的缺点。另外本发明还克服了基于颜色分布关联性的颜色转移局限，不受自然图像和织物图像的颜色分布影响，能够通过关键颜色分析提取主要颜色成分，结合颜色空间三维分量的偏移估计可以生成不同的颜色。本发明结合织物设计师获取色彩灵感的设计方法，采用数字化的设计方法可有效降低传统的机织物颜色配色所需的时间和打样成本，针对同一织物纹理编织结构能快速生成不同系列的颜色转移结果，且有效地保护好颜色转移结果的结构成分、纹理成分以及光影孔洞细节，甚至在纹理编织细节方面有所增强，织物着色的纹理清晰可辨，所提出的基于编织纹理细节增强的织物纹样色彩转移方法具有较高的鲁棒性和稳定性，其颜色转移结果在纺织行业具有很高的实用性。
附图说明
图1是本发明基于编织纹理细节增强的织物纹样色彩转移方法的整体工作流程图；
图2是本发明基于编织纹理细节增强的织物纹样色彩转移方法之前处理过程的详细工作流程图；
图3是本发明基于编织纹理细节增强的织物纹样色彩转移方法之织物图像颜色转移过程的详细工作流程图；
图4是本发明基于编织纹理细节增强的织物纹样色彩转移方法之后处理过程的详细工作流程图；
图5是本发明基于编织纹理细节增强的织物纹样色彩转移方法的待处理某自然图像；
图6是利用双边滤波方法对自然图像进行处理后的图像；
图7是输入自然图像的颜色分布以及提取的关键色彩的坐标；
图8是从自然图像示例中提取的三种关键色彩成分；
图9是输入自然图像的颜色分布以及调整待提取色彩数目后的关键色彩的坐标；
图10是调整待提取色彩数目后的从自然图像示例中提取的四种关键色彩成分；
图11是从自然图像示例中提取的三种关键色彩成分对应的区域位置；
图12是将用于色彩转移的某织物纹样图片；
图13是织物样品图片的织物纹理偏移场图像；
图14是织物样品图片的不包含织物纹理偏移场的图像；
图15是根据织物纹理偏移场和区域平均颜色构建的织物图像；
图16是织物样品图像的区域分割结果；
图17是织物样品的灰度图像；
图18是织物编织纹理的细节图像；
图19是采用编织纹理细节增强处理得到的织物颜色转移图像；
图20是未采用编织纹理细节增强处理得到的织物颜色转移图像；
图21是对颜色转移织物图像进行颜色提取分析得到的空间位置分布图像；
图22是对颜色转移织物图像进行颜色提取分析得到的颜色成分。
具体实施方式
本实施例的一种基于编织纹理细节增强的织物纹样色彩转移方法，如图1所示，包括如下步骤：1)用电荷耦合元件(CCD)数码摄像系统获取织物彩色图像和自然图像，所获取织物图像和自然图像的每一个像素点颜色由红(R)、绿(G)、蓝(B)三个颜色分量表示，其中每一个颜色分量值的范围为[0,255]；2)前处理，用于自然图像的关键色彩特征提取，包括织物图像的滤波和纹理分割；3)在获得滤波和纹理分割后的织物图像中利用CIELab颜色空间在三个颜色分量上估算颜色偏移场，接着利用自然图像颜色信息，将自然图像的关键色彩成分对织物图像进行重构，从而获得织物图像的颜色转移结果；4)后处理，对不同的颜色转移结果，将自然图像和织物颜色转移图像进行颜色情绪的关联分析，用户可以比较不同比例构成的颜色转移结果，确定最优颜色转移方案；最后5)显示自然图像和颜色转移的最终织物纹理着色结果。
所述的步骤2)前处理过程包括如下具体内容：如图2所示。
(a)将自然图像从RGB颜色通道上读入，进入到步骤(b)，即对自然图像fimg进行双边滤波处理；双边滤波器能在保持自然图像结构的同时去除图片中的噪声部分，以有利于关键颜色成分的分析和处理。双边滤波对输入像素处理方式如下：
其中g(i,j)是对应像素点经双边滤波处理的结果,权重系数w(i,j,k,l)是指在给定邻域的定义域核和值域核的乘积；i,j分别指给定像素点的横坐标值和纵坐标值；k,l分别指给定像素点领域的横坐标值和纵坐标值；
其中fimg(i,j)、fimg(k,l)是读入RGB图像的像素点对应的颜色分量值，σd和σr分别表示距离特征和图片颜色分量值差异的高斯函数的标准偏差。如图5和图6所示了某自然图像和它经过双边滤波之后的图像。从滤波处理后的图像可见，该方法能有效地去除图像中的噪声点，例如树木及其背景的纹理噪声，同时很好地保持了原有景物的结构。这将有利于分析该图片的关键色彩成分。
(c)将步骤(b)处理得到的自然图像进行关键色彩提取，方法如下：
其中N是输入数据的维数，K为聚类的类别数，uik表示某一数据点xk隶属于某一聚类中心vj的隶属度函数，m是模糊权重指数，Ai是一个关于聚类中心的位置距离函数，是自然图像色彩数据项，计算方法如下：
其中vi是第j类聚类的聚类中心，ρ是聚类中心的数据含量(ρi对每一个类别来说是一个固定值)。以上关键色彩的提取算法在模糊模型的识别中对数据类的几何结构特征刻画要好于其他算法(例如模糊C均值算法)。图7显示了从自然图像中提取出的关键色彩坐标分量值，为了便于显示，图中给出了关键色彩在RGB色彩模式下R通道和G通道的色差分量坐标。图8给出的是从自然图像中提取出的三种关键色彩。图8中的三种色彩较好地表达了自然图像中的内容，红色、绿色、苍黄色分别代表鲜花(红色)、草地(绿色)、路面和植物(仓黄色)。
(d)根据后续分析目标决定分析对象。如果需要分析织物的纹理图像，则进入步骤(h)纹理分割；否则进入步骤(e)利用电脑显示器显示从图像中提取的关键色彩成分,接着进入步骤(f)根据用户对关键色彩的内容要求判断对自然图像的色彩提取是否满意。如果对显示的提取结果不满意，则进入步骤(g)调整待提取的关键色彩数目，即方程(24)中的目标色彩数目K。如果对提取结果满意，则结束前处理过程。图9和图10给出了当K＝4，利用步骤(c)所述的方法提取的四种关键色彩的坐标分布和对应的色彩示例。从图10与图8对比可见，调整目标色彩数目K，可以提高对自然图像内容的细分程度，例如调整后的色彩中将路面的灰白色和背景植物的草灰色区分出来。
本实施例中的步骤(h)纹理分割是指利用步骤(c)所述的方法对图片中的关键色彩成分进行区域标记。步骤(i)纹理分类着色是指利用不同色彩对应的纹理特征进行分类和着色。尽管本实施例不涉及一个详细的纹理分类步骤，但这也是本实施例的一个可行实施例。图11示出的是利用步骤(c)所述的方法对示例图片中的关键色彩成分进行区域标记的结果。图11中，第一行示出的图片是未经双边滤波处理的结果，第二行示出的图片是经双边滤波处理的结果。由图可见，双边滤波处理有助于提高色彩区域的可辨识度,即区域中的细节能较好地被归并到主体结构区域。
所述的步骤3)包括如下具体内容，如图3所示：a)读取织物的纹理彩色图像，图像包括R、G、B三个颜色通道。接着进入步骤b)将R、G、B三个颜色通道转换为CIELab坐标中的L、a、b三个通道，转换方法如下：
a*＝500×(f(X/Xn)-f(Y/Yn)) (31)
b*＝200×(f(Y/Yn)-f(Z/Zn)) (32)
其中Xn,Yn,Zn是标准白颜色的定义值，令(R,G,B)＝(255,255,255),标准白颜色值即可通过X,Y,Z与R,G,B之间的转换关系求得，织物图片中每一个像素点在CIELab坐标中的L、a、b三个通道的值分别用L*、a*、b*表示。
c)读入织物的CIELab图像。接着进行步骤d)对织物图像的颜色偏移场进行估计。假定为有界开区域，I(x):Ω→R3为目标图像(定义在CIELab空间)，该图像如果被划分成N子区域，分别记为Ω1,K,ΩN。如果将I(x)在区域Ωi中的图像用b(x)ci表示，其中b(x):Ω→R是该织物图像的颜色偏移场，I(x)≈ci。
上式满足以下条件：
其中函数是一个高斯窗函数，σ是一个定义窗口大小的参数，λ和α是经验控制参数，b(y)是b(x)在区域Ωi的一个近似的局部替代函数。在方程(34)中，通过引入区域Ωi的隶属度函数ui(x)可得：
上式满足以下条件：
(I)0≤ui(x)≤1；(II)
上述方程的求解采用交替方向极小化方法优化待求解的变量。具体地，在优化其中一个变量时，其它变量取值为上一次迭代的结果，求解方法采用Chamnolle投影算法和增广Lagrange乘子进行快速求解。图12是一张待处理的织物图片。图13是利用步骤的d)求得的织物纹理偏移场。图14是不含偏移场的织物图片。结合图13和图14的图像内容，我们可以求得经步骤d)处理后织物的重构图片，结果如图15所示。通过比较原织物图像(见图12)和重构图片(见图15)，观察发现：(1)重构的织物图片与原织物图片的颜色构成比较接近；(2)重构的织物图片在纹理细节，尤其是光影明暗细节存在一定程度的丢失。
e)根据方程(36)求得的区域Ωi的隶属度函数ui(x)对I(x)在区域Ωi中的图像进行区域标记。由于0≤ui(x)≤1，故可以实现模糊分割区域的标记。为了便于显示，分割结果采用灰度图片的形式进行显示。图16是对输入织物图片进行区域分割和标记的结果。其中，白色表示分割出的某一类区域Ωi(i＝1,2,3)，图片下方的色块及色块号对应图14中相应的3种关键色彩成分。需要指出的是，图16中的图片基本呈黑白二色，这说明模糊分割的区域较为理想。具体地说，当ui(x)≈1时，表示该像素点隶属于Ωi区域的可能性最大；当ui(x)≈0时，表示该像素点隶属于Ωi区域的可能性最小；当ui(x)≈0.5时，表示该像素点隶属于Ωi区域的可能性最不确定(此时，用户需要根据实际应用情况进行判断)。
f)将织物原图、关键色彩成分和分割区域的标记结果输出到电脑屏幕。g)用户根据步骤f)中显示的结果判断是否达到满意的区域分割效果，如果不满意，则通过h)调整模糊区域分割的数目并进入到步骤d)，如果满意，则进入到下一处理步骤，即步骤j)。在执行步骤j)之前，先进行步骤i)即对步骤a)读取的织物图像进行纹理细节提取。纹理细节提取的目的是提取出织物图片中的编织纹理成分和阴影细节，去掉织物图片中的颜色成分。普通的图像色彩去除方法，不能达到理想的颜色去除效果。图17示出的是采用将彩色图像转换为灰度图像的方法。方法如下：将织物的RGB图像格式转换为NTSC彩色空间，经格式转换后的织物图像用亮度、色调和饱和度信息描述，分别用分量Y、I、Q表示。将像素点颜色的色调I和饱和度设Q置为0，亮度Y设置为包含256个等级的灰度级图像，灰度取值范围为[0,255]。从图17可见，灰度图片中包含纱线的亮度信息，并未达到仅提取纱线编织纹理和阴影细节的目的。
步骤i)具体为：首先将织物图像由RGB模式转换为灰度图像。织物图像的编织纹理和阴影细节提取方法如下：
其中f是织物图像的灰度图像，λ＞0，μ＞0，p→∞，u表示织物图像的颜色信息，v表示织物图像的编织纹理和阴影细节，且方程(38)中变量u,g1,g2的微分，采用Euler-Lagrange方程求解：
其中1≤p≤10。上述方程(39)-(41)令u，g1，g2的初始值分别为：u0＝f， 则通过有限差分求解上述方程中的变量u。织物图像的编织纹理和阴影细节通过v＝f-u即可求得织物编织纹理和阴影细节场。图18示出的是步骤i)的处理结果，对比图17发现：从织物图像中提取的编织纹理和阴影细节非常完好，甚至织物编织纹理得到了增强的效果，同时有效去除了织物图像中纱线的颜色。
步骤j)具体为：对织物图像进行重构。重构元素包括：(1)从自然图像中提取的关键色彩成分；(2)从织物图像中分割出的区域；(3)织物图像颜色偏移场；(4)织物编织纹理和阴影细节场。重构方法如下：
其中，Ti表示自然图像中的第i个关键色彩(共N种)，N是织物图像中的分割区域数目，b(x)是织物图像的颜色偏移场，v(x)是织物编织纹理和阴影细节场。图19示出的是根据自然图像示例(图5)对织物图像进行重构的结果。与不含织物编织纹理和阴影细节场的重构结果(图20)对比可以发现，后者重构结果过于光滑，产生纹理细节和阴影细节同时丢失的现象。因此，图20的重构结果在织物纹理的光影分布方面不如图19的真实和自然。织物图像颜色转移过程至此结束并进入后处理过程。
所述的步骤4)后处理的作用是对织物颜色的转移结果进行验证和显示，包括如下具体内容，如图4所示：a>首先读取织物图像颜色转移结果；b>利用颜色提取分析方法对织物图像颜色转移结果进行处理，具体处理方法采用模糊C均值颜色聚类方法。显示结果存储在步骤c>和步骤d>中，分别包括颜色聚类在图像中的位置分布和颜色聚类中心的颜色。对图19所示的织物聚类得到结果如图21和图22所示。图21表示处理得到的三种颜色在织物图像中的位置分布，图22表示聚类中心的三种颜色。从图21和图22可知，三种颜色的聚类结果比较理想地描绘出图5中自然图片的主要物体对象，表明该聚类数目可用作织物颜色转移的最终结果。e>判断是否需要根据织物图像中的颜色类别再次进行颜色提取分析，需要则进入步骤b>，否则保存最终结果，整个颜色处理过程结束。
本实施例不仅能分析织物图像颜色转移结果与自然图像的关联性，而且采用一种针对织物图像的编织纹理细节的提取方法，克服了传统的基于变分框架下织物图像颜色转移纹理细节丢失的缺点。另外本实施例还克服了基于颜色分布关联性的颜色转移局限，不受自然图像和织物图像的颜色分布影响，能够通过关键颜色分析提取主要颜色成分，结合颜色空间三维分量的偏移估计可以生成不同的颜色。本实施例结合织物设计师获取色彩灵感的设计方法，采用数字化的设计方法可有效降低传统的机织物颜色配色所需的时间和打样成本，针对同一织物纹理编织结构能快速生成不同系列的颜色转移结果，且有效地保护好颜色转移结果的结构成分、纹理成分以及光影孔洞细节，甚至在纹理编织细节方面有所增强，织物着色的纹理清晰可辨，所提出的基于编织纹理细节增强的织物纹样色彩转移方法具有较高的鲁棒性和稳定性，其颜色转移结果在纺织行业具有很高的实用性。

Claims (3)

1.一种基于编织纹理细节增强的织物纹样色彩转移方法，其特征在于：包括如下步骤：1)用电荷耦合元件数码摄像系统获取织物彩色图像和自然图像，所获取织物图像和自然图像的每一个像素点颜色由红(R)、绿(G)、蓝(B)三个颜色分量表示，其中每一个颜色分量值的范围为[0,255]；2)前处理，用于自然图像的关键色彩特征提取，包括织物图像的滤波和纹理分割；3)在获得滤波和纹理分割后的织物图像中利用CIELab颜色空间在三个颜色分量上估算颜色偏移场，接着利用自然图像颜色信息，将自然图像的关键色彩成分对织物图像进行重构，从而获得织物图像的颜色转移结果；4)后处理，对不同的颜色转移结果，将自然图像和织物颜色转移图像进行颜色情绪的关联分析，用户可以比较不同比例构成的颜色转移结果，确定最优颜色转移方案；5)显示自然图像和颜色转移的最终织物纹理着色结果。
2.如权利要求1所述的一种基于编织纹理细节增强的织物纹样色彩转移方法，其特征在于：所述的步骤2)前处理包括如下具体内容：
(a)将自然图像从RGB颜色通道上读入；
(b)即对自然图像进行双边滤波处理；双边滤波器能在保持自然图像结构的同时去除图片中的噪声部分，以有利于关键颜色成分的分析和处理；双边滤波对输入像素处理方式如下：
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>m</mi> <mi>g</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mi>w</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mi>w</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中fimg指自然图像，g(i,j)是对应像素点经双边滤波处理的结果,权重系数w(i,j,k,l)是指在给定邻域的定义域核和值域核的乘积；i,j分别指给定像素点的横坐标值和纵坐标值；k,l分别指给定像素点领域的横坐标值和纵坐标值；
<mrow> <mi>w</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>,</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <mfrac> <mrow> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>k</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mi>j</mi> <mo>-</mo> <mi>l</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>d</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>-</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>m</mi> <mi>g</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>i</mi> <mi>m</mi> <mi>g</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <mrow> <mn>2</mn> <msubsup> <mi>&amp;sigma;</mi> <mi>r</mi> <mn>2</mn> </msubsup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中fimg(i,j)、fimg(k,l)是读入RGB图像的像素点对应的颜色分量值，σd和σr分别表示距离特征和图片颜色分量值差异的高斯函数的标准偏差；
(c)将步骤(b)处理得到的自然图像进行关键色彩提取，方法如下：
<mrow> <mi>J</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>K</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mi>m</mi> </msup> <msubsup> <mi>D</mi> <mrow> <msub> <mi>ikA</mi> <mi>i</mi> </msub> </mrow> <mn>2</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中N是输入数据的维数，K为聚类的类别数，uik表示某一数据点xk隶属于某一聚类中心vj的隶属度函数，m是模糊权重指数，Ai是一个关于聚类中心的位置距离函数，是自然图像色彩数据项，计算方法如下：
<mrow> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>-</mo> <msubsup> <mi>v</mi> <mi>i</mi> <mi>l</mi> </msubsup> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>-</mo> <msubsup> <mi>v</mi> <mi>i</mi> <mi>l</mi> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>I</mi> <mo>&amp;le;</mo> <mi>k</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>D</mi> <mrow> <msub> <mi>ikA</mi> <mi>i</mi> </msub> </mrow> <mn>2</mn> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>-</mo> <msup> <mi>v</mi> <mi>l</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>&amp;lsqb;</mo> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <mi>det</mi> <msup> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>i</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <mi>n</mi> </mrow> </msup> <mo>&amp;rsqb;</mo> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>-</mo> <msubsup> <mi>v</mi> <mi>i</mi> <mi>l</mi> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>i</mi> <mo>&amp;le;</mo> <mi>k</mi> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>k</mi> <mo>&amp;le;</mo> <mi>N</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mi>m</mi> </msup> <msub> <mi>x</mi> <mi>k</mi> </msub> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> <mrow> <mi>l</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mi>m</mi> </msup> </mrow> </mfrac> <mo>,</mo> <mn>1</mn> <mo>&amp;le;</mo> <mi>i</mi> <mo>&amp;le;</mo> <mi>k</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>u</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>D</mi> <mrow> <msub> <mi>ikA</mi> <mi>i</mi> </msub> </mrow> <mn>2</mn> </msubsup> <mo>/</mo> <msubsup> <mi>D</mi> <mrow> <msub> <mi>jkA</mi> <mi>i</mi> </msub> </mrow> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> <mrow> <mn>2</mn> <mo>/</mo> <mrow> <mo>(</mo> <mi>m</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
其中vi是第j类聚类的聚类中心，ρ是聚类中心的数据含量；
(d)根据后续分析目标决定分析对象；
当需要分析织物的纹理图像，则进入步骤(h)纹理分割；纹理分割是指利用步骤(c)所述的方法对图片中的关键色彩成分进行区域标记；然后进入步骤(i)纹理分类着色，是指利用不同色彩对应的纹理特征进行分类和着色；
当不需要分析织物的纹理图像，则进入步骤(e)利用电脑显示器显示从图像中提取的关键色彩成分,接着进入步骤(f)根据用户对关键色彩的内容要求判断对自然图像的色彩提取是否满意；当对显示的提取结果不满意，则进入步骤(g)调整待提取的关键色彩数目，即方程(3)中的目标色彩数目K；当对提取结果满意，则结束前处理过程。
3.如权利要求1所述的一种基于编织纹理细节增强的织物纹样色彩转移方法，其特征在于：所述的步骤3)包括如下具体内容，a)读取织物的纹理彩色图像，图像包括R、G、B三个颜色通道；接着进入步骤b)将R、G、B三个颜色通道转换为CIELab坐标中的L、a、b三个通道，转换方法如下：
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>X</mi> </mtd> </mtr> <mtr> <mtd> <mi>Y</mi> </mtd> </mtr> <mtr> <mtd> <mi>Z</mi> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>0.412</mn> </mtd> <mtd> <mn>0.358</mn> </mtd> <mtd> <mn>0.180</mn> </mtd> </mtr> <mtr> <mtd> <mn>0.213</mn> </mtd> <mtd> <mn>0.715</mn> </mtd> <mtd> <mn>0.072</mn> </mtd> </mtr> <mtr> <mtd> <mn>0.019</mn> </mtd> <mtd> <mn>0.119</mn> </mtd> <mtd> <mn>0.950</mn> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mi>R</mi> </mtd> </mtr> <mtr> <mtd> <mi>G</mi> </mtd> </mtr> <mtr> <mtd> <mi>B</mi> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>L</mi> <mo>*</mo> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>903.3</mn> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <mi>Y</mi> <mo>/</mo> <msub> <mi>Y</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mi>Y</mi> <mo>/</mo> <msub> <mi>Y</mi> <mi>n</mi> </msub> <mo>)</mo> <mo>&amp;le;</mo> <mn>0.008856</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>166</mn> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <mi>Y</mi> <mo>/</mo> <msub> <mi>Y</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mn>16</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mi>Y</mi> <mo>/</mo> <msub> <mi>Y</mi> <mi>n</mi> </msub> <mo>)</mo> <mo>&gt;</mo> <mn>0.008856</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
a*＝500×(f(X/Xn)-f(Y/Yn)) (10)
b*＝200×(f(Y/Yn)-f(Z/Zn)) (11)
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msup> <mi>t</mi> <mrow> <mn>1</mn> <mo>/</mo> <mn>3</mn> </mrow> </msup> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&gt;</mo> <mn>0.008856</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>7.787</mn> <mi>t</mi> <mo>+</mo> <mn>16</mn> <mo>/</mo> <mn>116</mn> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>t</mi> <mo>&amp;le;</mo> <mn>0.008856</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
其中Xn,Yn,Zn是标准白颜色的定义值，令(R,G,B)＝(255,255,255),标准白颜色值即可通过X,Y,Z与R,G,B之间的转换关系求得，织物图片中每一个像素点在CIELab坐标中的L、a、b三个通道的值分别用L*、a*、b*表示；
c)读入织物的CIELab图像；
d)对织物的CIELab图像的颜色偏移场进行估计；假定为有界开区域，I(x):Ω→R3为目标图像,定义在CIELab空间，该图像被划分成N子区域，分别记为Ω1,K,ΩN；当I(x)在区域Ωi中的图像用b(x)ci表示，其中b(x):Ω→R是该织物图像的颜色偏移场，I(x)≈ci；
<mrow> <mtable> <mtr> <mtd> <mrow> <munder> <mi>min</mi> <msub> <mrow> <mo>{</mo> <msub> <mi>&amp;Omega;</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>b</mi> <mo>,</mo> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>}</mo> </mrow> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>:</mo> <mi>N</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>:</mo> <mn>3</mn> </mrow> </msub> </munder> <mo>{</mo> <mfrac> <mi>&amp;lambda;</mi> <mn>3</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mo>&amp;Integral;</mo> <msub> <mi>&amp;Omega;</mi> <mi>i</mi> </msub> </msub> <msub> <mo>&amp;Integral;</mo> <mi>&amp;Omega;</mi> </msub> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <mi>K</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>-</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>|</mo> <msub> <mi>I</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>b</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> <mi>d</mi> <mi>y</mi> <mi>d</mi> <mi>x</mi> <mo>+</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <mo>&amp;part;</mo> <msub> <mi>&amp;Omega;</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>+</mo> <mfrac> <mi>&amp;alpha;</mi> <mn>2</mn> </mfrac> <msub> <mo>&amp;Integral;</mo> <mi>&amp;Omega;</mi> </msub> <mo>|</mo> <mo>&amp;dtri;</mo> <mi>b</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> <mi>d</mi> <mi>x</mi> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
上式满足以下条件：
<mrow> <mtable> <mtr> <mtd> <mrow> <munderover> <mi>U</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>&amp;Omega;</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>&amp;Omega;</mi> <mo>;</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>&amp;Omega;</mi> <mi>i</mi> </msub> <msub> <mi>I&amp;Omega;</mi> <mi>j</mi> </msub> <mo>=</mo> <mi>&amp;Phi;</mi> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>:</mo> <mi>N</mi> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
其中函数是一个高斯窗函数，σ是一个定义窗口大小的参数，λ和α是经验控制参数，b(y)是b(x)在区域Ωi的一个近似的局部替代函数；在方程(13)中，通过引入区域Ωi的隶属度函数ui(x)可得：
<mrow> <mtable> <mtr> <mtd> <mrow> <munder> <mi>min</mi> <msub> <mrow> <mo>{</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>b</mi> <mo>,</mo> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>}</mo> </mrow> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>:</mo> <mi>N</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>:</mo> <mn>3</mn> </mrow> </msub> </munder> <mo>{</mo> <mfrac> <mi>&amp;lambda;</mi> <mn>3</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mo>&amp;Integral;</mo> <mi>&amp;Omega;</mi> </msub> <msub> <mi>u</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <msub> <mo>&amp;Integral;</mo> <mi>&amp;Omega;</mi> </msub> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </munderover> <mi>K</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>-</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>|</mo> <msub> <mi>I</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>b</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> <mi>d</mi> <mi>y</mi> <mi>d</mi> <mi>x</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mo>&amp;Integral;</mo> <mi>&amp;Omega;</mi> </msub> <mo>|</mo> <mo>&amp;dtri;</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>|</mo> <mi>d</mi> <mi>x</mi> <mo>+</mo> <mfrac> <mi>&amp;alpha;</mi> <mn>2</mn> </mfrac> <msub> <mo>&amp;Integral;</mo> <mi>&amp;Omega;</mi> </msub> <mo>|</mo> <mo>&amp;dtri;</mo> <mi>b</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <msup> <mo>|</mo> <mn>2</mn> </msup> <mi>d</mi> <mi>x</mi> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
上式满足以下条件：
(I)0≤ui(x)≤1；(II)
上述方程的求解采用交替方向极小化方法优化待求解的变量；具体地，在优化其中一个变量时，其它变量取值为上一次迭代的结果，求解方法采用Chamnolle投影算法和增广Lagrange乘子进行快速求解；
e)根据方程(15)求得的区域Ωi的隶属度函数ui(x)对I(x)在区域Ωi中的图像进行区域标记；由于0≤ui(x)≤1，故可以实现模糊分割区域的标记；为了便于显示，分割结果采用灰度图片的形式进行显示；当ui(x)≈1时，表示该像素点隶属于Ωi区域的可能性最大；当ui(x)≈0时，表示该像素点隶属于Ωi区域的可能性最小；当ui(x)≈0.5时，表示该像素点隶属于Ωi区域的可能性最不确定,此时，用户需要根据实际应用情况进行判断；
f)将织物原图、关键色彩成分和分割区域的标记结果输出到电脑屏幕；
g)用户根据步骤f)中显示的结果判断是否达到满意的区域分割效果，不满意，则通过h)调整模糊区域分割的数目并进入到步骤d)，满意，则进入到下一处理步骤，即步骤j)；在执行步骤j)之前，先进行步骤i)即对步骤a)读取的织物图像进行纹理细节提取；纹理细节提取的目的是提取出织物图片中的编织纹理成分和阴影细节，去掉织物图片中的颜色成分，采用将彩色图像转换为灰度图像的方法去掉织物图片中的颜色成分；
所述的步骤i)具体为：首先将织物图像由RGB模式转换为灰度图像，采用织物的RGB图像格式转换为NTSC彩色空间，经格式转换后的织物图像用亮度、色调和饱和度信息描述，分别用分量Y、I、Q表示；将像素点颜色的色调I和饱和度设Q置为0，亮度Y设置为包含256个等级的灰度级图像，灰度取值范围为[0,255]；
然后进行织物图像的编织纹理和阴影细节提取，提取方法如下：
<mrow> <mtable> <mtr> <mtd> <mrow> <munder> <mi>inf</mi> <mrow> <mi>u</mi> <mo>,</mo> <msub> <mi>g</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>g</mi> <mn>2</mn> </msub> </mrow> </munder> <mo>{</mo> <msub> <mi>G</mi> <mi>p</mi> </msub> <mrow> <mo>(</mo> <mi>u</mi> <mo>,</mo> <msub> <mi>g</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>g</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>&amp;Integral;</mo> <mo>|</mo> <mo>&amp;dtri;</mo> <mi>u</mi> <mo>|</mo> <mo>+</mo> <mi>&amp;lambda;</mi> <mo>&amp;Integral;</mo> <mo>|</mo> <mi>f</mi> <mo>-</mo> <mi>u</mi> <mo>-</mo> <msub> <mo>&amp;part;</mo> <mi>x</mi> </msub> <msub> <mi>g</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mo>&amp;part;</mo> <mi>y</mi> </msub> <msub> <mi>g</mi> <mn>2</mn> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> <mi>d</mi> <mi>x</mi> <mi>d</mi> <mi>y</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mi>&amp;mu;</mi> <msup> <mrow> <mo>&amp;lsqb;</mo> <mo>&amp;Integral;</mo> <msup> <mrow> <mo>(</mo> <msqrt> <mrow> <msubsup> <mi>g</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>g</mi> <mn>2</mn> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>)</mo> </mrow> <mi>p</mi> </msup> <mi>d</mi> <mi>x</mi> <mi>d</mi> <mi>y</mi> <mo>&amp;rsqb;</mo> </mrow> <mfrac> <mn>1</mn> <mi>p</mi> </mfrac> </msup> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>
其中f是织物图像的灰度图像，λ＞0，μ＞0，p→∞，u表示织物图像的颜色信息，v表示织物图像的编织纹理和阴影细节，且方程(17)中变量u,g1,g2的微分，采用Euler-Lagrange方程求解：
<mrow> <mi>u</mi> <mo>=</mo> <mi>f</mi> <mo>-</mo> <msub> <mo>&amp;part;</mo> <mi>x</mi> </msub> <msub> <mi>g</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mo>&amp;part;</mo> <mi>y</mi> </msub> <msub> <mi>g</mi> <mn>2</mn> </msub> <mo>+</mo> <mfrac> <mn>1</mn> <mrow> <mn>2</mn> <mi>&amp;lambda;</mi> </mrow> </mfrac> <mi>d</mi> <mi>i</mi> <mi>v</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mo>&amp;dtri;</mo> <mi>u</mi> </mrow> <mrow> <mo>|</mo> <mo>&amp;dtri;</mo> <mi>u</mi> <mo>|</mo> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>,</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>&amp;mu;</mi> <msup> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <msqrt> <mrow> <msubsup> <mi>g</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>g</mi> <mn>2</mn> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>|</mo> <msub> <mo>|</mo> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <mi>p</mi> </mrow> </msup> <msup> <mrow> <mo>(</mo> <msqrt> <mrow> <msubsup> <mi>g</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>g</mi> <mn>2</mn> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>)</mo> </mrow> <mrow> <mi>p</mi> <mo>-</mo> <mn>2</mn> </mrow> </msup> <msub> <mi>g</mi> <mn>1</mn> </msub> <mo>=</mo> <mn>2</mn> <mi>&amp;lambda;</mi> <mo>&amp;lsqb;</mo> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <mi>x</mi> </mrow> </mfrac> <mrow> <mo>(</mo> <mi>u</mi> <mo>-</mo> <mi>f</mi> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mo>&amp;part;</mo> <mrow> <mi>x</mi> <mi>x</mi> </mrow> <mn>2</mn> </msubsup> <msub> <mi>g</mi> <mn>1</mn> </msub> <mo>+</mo> <msubsup> <mo>&amp;part;</mo> <mrow> <mi>x</mi> <mi>y</mi> </mrow> <mn>2</mn> </msubsup> <msub> <mi>g</mi> <mn>2</mn> </msub> <mo>&amp;rsqb;</mo> <mo>,</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>19</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>&amp;mu;</mi> <msup> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <msqrt> <mrow> <msubsup> <mi>g</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>g</mi> <mn>2</mn> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>|</mo> <msub> <mo>|</mo> <mi>p</mi> </msub> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>-</mo> <mi>p</mi> </mrow> </msup> <msup> <mrow> <mo>(</mo> <msqrt> <mrow> <msubsup> <mi>g</mi> <mn>1</mn> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>g</mi> <mn>2</mn> <mn>2</mn> </msubsup> </mrow> </msqrt> <mo>)</mo> </mrow> <mrow> <mi>p</mi> <mo>-</mo> <mn>2</mn> </mrow> </msup> <msub> <mi>g</mi> <mn>2</mn> </msub> <mo>=</mo> <mn>2</mn> <mi>&amp;lambda;</mi> <mo>&amp;lsqb;</mo> <mfrac> <mo>&amp;part;</mo> <mrow> <mo>&amp;part;</mo> <mi>y</mi> </mrow> </mfrac> <mrow> <mo>(</mo> <mi>u</mi> <mo>-</mo> <mi>f</mi> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mo>&amp;part;</mo> <mrow> <mi>x</mi> <mi>y</mi> </mrow> <mn>2</mn> </msubsup> <msub> <mi>g</mi> <mn>1</mn> </msub> <mo>+</mo> <msubsup> <mo>&amp;part;</mo> <mrow> <mi>y</mi> <mi>y</mi> </mrow> <mn>2</mn> </msubsup> <msub> <mi>g</mi> <mn>2</mn> </msub> <mo>&amp;rsqb;</mo> <mo>;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>20</mn> <mo>)</mo> </mrow> </mrow>
其中1≤p≤10；上述方程(18)-(20)令u，g1，g2的初始值分别为：u0＝f， 则通过有限差分求解上述方程中的变量u；织物图像的编织纹理和阴影细节通过v＝f-u即可求得织物编织纹理和阴影细节场；
所述步骤j)具体为：对织物图像进行重构；重构元素包括：(1)从自然图像中提取的关键色彩成分；(2)从织物图像中分割出的区域；(3)织物图像颜色偏移场；(4)织物编织纹理和阴影细节场；重构方法如下：
<mrow> <msub> <mi>I</mi> <mrow> <mi>n</mi> <mi>e</mi> <mi>w</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "(" close = ""> <mtable> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>u</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>b</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <msub> <mi>T</mi> <mi>i</mi> </msub> <mo>+</mo> <mi>v</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>u</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>b</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <msub> <mi>T</mi> <mi>i</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>u</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mi>b</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <msub> <mi>T</mi> <mi>i</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>21</mn> <mo>)</mo> </mrow> </mrow>
其中，Ti表示自然图像中的第i个关键色彩(共N种)，N是织物图像中的分割区域数目，b(x)是织物图像的颜色偏移场，v(x)是织物编织纹理和阴影细节场；织物图像颜色转移过程至此结束并进入后处理过程；
所述的步骤4)后处理的作用是对织物颜色的转移结果进行验证和显示，包括如下具体内容，a>首先读取织物图像颜色转移结果；b>利用颜色提取分析方法对织物图像颜色转移结果进行处理，具体处理方法采用模糊C均值颜色聚类方法；显示结果存储在步骤c>和步骤d>中，分别包括颜色聚类在图像中的位置分布和颜色聚类中心的颜色；e>判断是否需要根据织物图像中的颜色类别再次进行颜色提取分析，需要则进入步骤b>，否则保存最终结果，整个颜色处理过程结束。
CN201710971885.3A 2017-10-18 2017-10-18 一种基于编织纹理细节增强的织物纹样色彩转移方法 Active CN107886549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710971885.3A CN107886549B (zh) 2017-10-18 2017-10-18 一种基于编织纹理细节增强的织物纹样色彩转移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710971885.3A CN107886549B (zh) 2017-10-18 2017-10-18 一种基于编织纹理细节增强的织物纹样色彩转移方法

Publications (2)

Publication Number Publication Date
CN107886549A true CN107886549A (zh) 2018-04-06
CN107886549B CN107886549B (zh) 2021-07-30

Family

ID=61781790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710971885.3A Active CN107886549B (zh) 2017-10-18 2017-10-18 一种基于编织纹理细节增强的织物纹样色彩转移方法

Country Status (1)

Country Link
CN (1) CN107886549B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063781A (zh) * 2018-08-14 2018-12-21 浙江理工大学 一种仿自然色彩功能和形式的模糊意象织物设计方法
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
WO2021027087A1 (zh) * 2019-08-14 2021-02-18 愉悦家纺有限公司 一种四基色纤维耦合混配构建的离散渐变色谱及渐变色纱的纺制

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102421811A (zh) * 2009-06-04 2012-04-18 日信化学工业株式会社 氯乙烯基树脂乳液、水性油墨及记录用纸
CN104036529A (zh) * 2014-06-10 2014-09-10 浙江工业大学之江学院 一种刺绣织物意匠颜色的图像分析方法
CN104346818A (zh) * 2014-10-27 2015-02-11 江南大学 一种机织物密度自动测量方法
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
CN104715477A (zh) * 2015-03-05 2015-06-17 浙江工业大学之江学院 基于多尺度和多区域的机织物编织密度的图像分析方法
CN105844675A (zh) * 2016-03-24 2016-08-10 上海工程技术大学 色织物的颜色聚类分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102421811A (zh) * 2009-06-04 2012-04-18 日信化学工业株式会社 氯乙烯基树脂乳液、水性油墨及记录用纸
CN104036529A (zh) * 2014-06-10 2014-09-10 浙江工业大学之江学院 一种刺绣织物意匠颜色的图像分析方法
CN104346818A (zh) * 2014-10-27 2015-02-11 江南大学 一种机织物密度自动测量方法
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
CN104715477A (zh) * 2015-03-05 2015-06-17 浙江工业大学之江学院 基于多尺度和多区域的机织物编织密度的图像分析方法
CN105844675A (zh) * 2016-03-24 2016-08-10 上海工程技术大学 色织物的颜色聚类分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DEJUN ZHENG: "A Novel Method for Fabric Color Transfer", 《2014 WILEY PERIODICALS, INC.》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063781A (zh) * 2018-08-14 2018-12-21 浙江理工大学 一种仿自然色彩功能和形式的模糊意象织物设计方法
WO2021027087A1 (zh) * 2019-08-14 2021-02-18 愉悦家纺有限公司 一种四基色纤维耦合混配构建的离散渐变色谱及渐变色纱的纺制
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111754501B (zh) * 2020-06-30 2021-08-27 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Also Published As

Publication number Publication date
CN107886549B (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN103971126B (zh) 一种交通标志识别方法和装置
Tseng et al. Automatic cloud removal from multi-temporal SPOT images
CN104636759B (zh) 一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统
CN108319973A (zh) 一种树上柑橘果实检测方法
CN107886549B (zh) 一种基于编织纹理细节增强的织物纹样色彩转移方法
US8787666B2 (en) Color analytics for a digital image
US8559714B2 (en) Post processing for improved generation of intrinsic images
US8249342B1 (en) Color analytics for a digital image
CN110889837A (zh) 一种具有瑕疵分级功能的布匹瑕疵检测方法
CN106651817A (zh) 一种基于非抽样Contourlet的图像增强方法
CN105654123A (zh) 一种机织物组织图的识别方法
CN111080574A (zh) 一种基于信息熵和视觉注意机制的织物疵点检测方法
CN110268420A (zh) 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品
CN108038458B (zh) 基于特征摘要图的视频中的户外场景文本自动获取方法
US8913829B2 (en) Automatic processing scale estimation for use in an image process
CN105844676A (zh) 印花织物的颜色聚类分析装置及方法
CN106650824B (zh) 基于支持向量机的运动目标分类方法
US8428352B1 (en) Post processing for improved generation of intrinsic images
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
US8553979B2 (en) Post processing for improved generation of intrinsic images
US11625886B2 (en) Storage medium storing program, training method of machine learning model, and image generating apparatus
CN115496762A (zh) 一种基于纺织工艺的染色不良缺陷识别方法
CN112270683B (zh) 一种ihc数字预览图识别和组织前景分割方法及系统
Prasenan et al. A Study of Underwater Image Pre-processing and Techniques
CN109087289A (zh) 一种格栅背景下的板材视觉图像检测算法

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