CN109189966A - 一种基于形状特征的服饰纹样检索方法 - Google Patents
一种基于形状特征的服饰纹样检索方法 Download PDFInfo
- Publication number
- CN109189966A CN109189966A CN201810868842.7A CN201810868842A CN109189966A CN 109189966 A CN109189966 A CN 109189966A CN 201810868842 A CN201810868842 A CN 201810868842A CN 109189966 A CN109189966 A CN 109189966A
- Authority
- CN
- China
- Prior art keywords
- grain pattern
- image
- pattern image
- shape feature
- method based
- 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
本发明公开了一种基于形状特征的服饰纹样检索方法，图像中的纹样构图有多种形式，服饰纹样的基本组织形式可以分为连续纹样、单独纹样和适用纹样。而连续纹样又可分为四方连续与二方连续，以四方连续纹样为例其构成形式又包含几何骨架型、散点连续型、缠枝连续型。尽管纹样构成形式多样，但均以一定的纹样单元进行重复。本发明以纹样的最小重复单元为切入点，利用纹样最小重复单元图像特征代替全局纹样图像的特征进行检索。能够根据用户输入的待检索纹样图像，利用纹样的形状特征与指定的纹样图像库进行匹配，从而得到满足用户要求的纹样图像，提高检索的准确率。
Description
技术领域
本发明属于纹样检索领域，涉及了一种基于形状特征的服饰纹样检索方法。
背景技术
当下，图像作为最广泛最基本的多媒体信息，已经成为大众化数字信息的一种存储形式，进而形成了海量的图片数据库。服饰纹样种类繁多，同时不同类型的服饰纹样蕴含着不同的文化内涵，这给纹样的管理与搜索带来了一定的难度。服饰纹样被广泛地运用于纺织品设计与相关服饰文化研究工作中。在纹样设计的过程中，设计师往往需要从众多图片中找出属于含有同一类图像元素的纹样图片，或作为设计参考；研究者需要从图像中寻找具有相同元素的图像进行研究对比。在这一过程中，如何从大量的数据库中，快速准确检索出同类纹样是纹样检索过程中需要解决的关键问题。
传统的基于文本的纹样检索技术，需要对纹样的图像进行表述并添加关键词进行检索，这一过程往往需要专业知识的储备才能完成，且过程费时费力，存在关键词表达理解偏差的问题。随着在计算机图像处理技术的发展，为实现纹样智能检索提供了可能。当前，图像检索技术，主要依赖于图像的颜色特征，颜色值、灰度信息、颜色直方图、颜色矩等图像特征进行图像的检索，这些检索方法易受纹样排列方式的影响，不能有效检索出具有相同形态特征的纹样，存在纹样形状匹配精度不高、准确率低的问题。
发明内容
本发明的目的在于提供一种基于形状特征的服饰纹样检索方法，图像中的纹样构图有多种形式，服饰纹样的基本组织形式可以分为连续纹样、单独纹样和适用纹样。而连续纹样又可分为四方连续与二方连续，以四方连续纹样为例其构成形式又包含几何骨架型、散点连续型、缠枝连续型。尽管纹样构成形式多样，但均以一定的纹样单元进行重复。本发明以纹样的最小重复单元为切入点，利用纹样最小重复单元图像特征代替全局纹样图像的特征进行检索。能够根据用户输入的待检索纹样图像，利用纹样的形状特征与指定的纹样图像库进行匹配，从而得到满足用户要求的纹样图像，提高检索的准确率。
为了解决上述技术问题，采用如下技术方案：
一种基于形状特征的服饰纹样检索方法，其特征在于包括如下步骤：
(1)提取纹样图像的边缘图像数据矩阵，计算纹样图像的Hu不变矩，得到纹样图像的7个Hu不变矩，作为纹样图像的形状特征向量，并存放在纹样图像的形状特征索引库中；
(2)输入待检索纹样图像，对待检索纹样图像进行预处理，提取纹样边缘图像；
(3)计算待检索纹样图像的7个Hu不变矩阵，得到7个Hu不变矩及形状特征向量；
(4)历遍纹样图像库的纹样图像，逐一计算待检索纹样图像与纹样图像库中纹样图像的相似度；
(5)根据相似度进行排序，得到与待检索纹样图像相似度最高的目标纹样图像，输出检索结果。优选后，纹样图像在使用前，预先提取其最小重复单元图像，并对纹样单元图像进行预处理，提取纹样边缘图像。
优选后，预处理过程为：将最小重复纹样单元图像储存在对应纹样图像检索库中，并归一化图像尺寸，进行灰度处理、二值化处理，采用Candy算子提取纹样边缘图像，得到纹样边缘图像的二值图像。
优选后，所述步骤(1)纹样图像的各阶中心距的计算过程为：以纹样边缘图像轮廓内部的像素点作为质点，像素坐标作为力臂，采用不同阶的矩来表征选区的形状特征，将纹样图像转化为(M×N)的数字图像f(i,j)，其(p+q)阶矩为进而得到中心矩μpq，并用以表征图像中灰度相对于灰度重心的分布度量，其对应的各阶中心矩为：
零阶矩：μ00＝∑∑f(i,j)
一阶矩：
二阶矩：
得到归一化的中心距：r＝(p+q)/2+1，p+q＝2,3,4…：
零阶矩：μ00＝∑∑f(i,j)
一阶矩：
二阶矩：
得到归一化的中心矩：r＝(p+q)/2+1，p+q＝2,3,4…
优选后，7个Hu不变矩分别记做h1，h2，h3，h，h5，h6，h7，这7个Hu不变矩的计算公式依次为：
h1＝η20+η02
h3＝(η30-3η12)2+3(η21+η03)2
h4＝(η30+η12)2+(η21+η03)2
h5＝(η20-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+3(η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
h6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
h7＝(3η12-η30)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η03)(η21-η03)[3(η30+η12)2-(η21+η03)2]
并储存为特征向量Hu(h1，h2，h3，h4，h5，h6，h7)。
优选后，所述步骤(2)待检索纹样图像预处理包括，截取待检索纹样图像的最小重复纹样单元图像，对其进行灰度处理和二值化处理，并归一化图像尺寸，采用Candy算子提取纹样图像边缘，得到纹样边缘图像。
优选后，所述步骤(3)中计算7个Hu不变矩后储存为特征向量queryHu(h1，h2，h3，h4，h5，h6，h7)。
优选后，所述步骤(4)中相似度计算采用欧氏距离公式计算
其中，X(x1，x2，x3，x4，x5，x6，x7)＝Hu(h1，h2，h3，h4，h5，h6，h7)，Y(y1，y2，y3，y4，y5，y6，y7)＝queryHu(h1，h2，h3，h4，h5，h6，h7)，j为纹样图像库中纹样图像对应的序号，历遍纹样图像库的全部纹样图像，得到库中每个纹样图像对应的欧式距离值。
优选后，所述步骤(5)中相似度排序过程为：根据纹样图像库中纹样图像相对应的欧式距离值Ej做升序排列，欧氏距离值越小，相似度越大，根据需要的纹样图像数量输出纹样图像，依次得到与待检索纹样图像相似度依次递减的纹样图像。
由于采用上述技术方案，具有以下有益效果：
本发明为一种基于形状特征的服饰纹样检索方法，利用纹样最小重复单元图像特征代替全局纹样图像的特征进行检索。能够根据用户输入的待检索纹样图像，利用纹样的形状特征与指定的纹样图像库进行匹配，从而得到满足用户要求的纹样图像，提高检索的准确率。其具体有益效果表现为以下几点：
1、本发明采用纹样最小重复单元图像作为检索单元，能有效提取单个纹样单元的特征，有效排除了由于纹样组合排列组合方式的差异和色彩差异对检索结果的干扰；同时采用Hu不变矩进行特征提取，具有平移、旋转和放缩的不变性，从而大大提升了纹样形状特征的检索有效性。
2、本发明采用纹样图像匹配方法进行检索，无需对纹样进行文本关键词的注释。在纹样图像处理过程中采用Hu不变距进行特征提取，不涉及复杂图像处理运算，大大降低了算法的复杂度与运算速度，有效提升了纹样图像检索的效率。
3、本发明可以自动检索得到大量相似纹样图像，免去了人工搜索的时间与劳动成本，实现快速、有效检索。
附图说明
下面结合附图对本发明作进一步说明：
图1为本发明的流程图。
具体实施方式
如图1所示，下面结合具体的实施例对本发明作进一步说明：
一种基于形状特征的服饰纹样检索方法，包括如下步骤：
(1)纹样图像预处理：从纹样图像中提取最小重复纹样单元图像，将最小重复纹样单元图像储存在对应纹样图像检索库中，对纹样图像尺寸做归一化、灰度化和二值化处理。将纹样图像的尺寸统一为256×256像素；由灰度处理去除原RGB格式图像的色相和饱和度信息，保留亮度信息，像素点的灰度值E’y＝0.2989×R+0.5870×G+0.1140×B；二值化过程阈值采用Otus方法确定最佳阈值。
(2)纹样图像边缘提取：采用Candy算子提取纹样图像边缘，Candy算子具有低误码率、高定位精度和抑制虚假边缘的优点，本发明采用自动计算的低阈值和高阈值进行纹样图像分割，得到纹样边缘图像的二值图像。
(3)纹样图像的边缘轮廓，提取纹样图像的边缘图像数据矩阵，计算纹样图像的7个Hu不变矩，得到纹样图像的7个Hu不变矩，并储存为特征向量Hu(h1，h2，h3，h4，h5，h6，h7)。
其中，纹样图像的各阶中心距的计算过程为：以纹样边缘图像轮廓内部的像素点作为质点，像素坐标作为力臂，采用不同阶的矩来表征选区的形状特征，将纹样图像转化为(M×N)的数字图像f(i,j)，其(p+q)阶矩为 进而得到中心矩μpq，并用以表征图像中灰度相对于灰度重心的分布度量，其对应的各阶中心矩为：
零阶矩：μ00＝∑∑f(i,j)
一阶矩：
二阶矩：
得到归一化的中心距：r＝(p+q)/2+1，p+q＝2,3,4…：
零阶矩：μ00＝∑∑f(i,j)
一阶矩：
二阶矩：
得到归一化的中心矩：r＝(p+q)/2+1，p+q＝2,3,4…。
这7个Hu不变矩的计算公式依次为：
h1＝η20+η02
h3＝(η30-3η12)2+3(η21+η03)2
h4＝(η30+η12)2+(η21+η03)2
h5＝(η20-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+3(η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
h6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
h7＝(3η12-η30)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η03)(η21-η03)[3(η30+η12)2-(η21+η03)2]
(4)对纹样图像库中的纹样图像，依次进行步骤(3)的操作，获取每一张纹样图像的7个Hu不变矩，作为特征向量，储存在图索引库中。，
(5)选取一待检索纹样图像，对待检索纹样图像进行预处理，截取纹样图像的最小重复纹样单元图像，对其进行灰度处理和二值化处理，并归一化图像尺寸，采用Candy算子提取纹样图像边缘，得到纹样边缘图像。计算待检索纹样图像的7个Hu不变矩阵，得到7个Hu不变矩，得到特征向量queryHu(h1，h2，h3，h4，h5，h6，h7)。
(6)历遍纹样图像库的纹样图像，逐一计算待检索纹样图像与纹样图像库中纹样图像的相似度；相似度计算采用欧氏距离公式计算
其中，X(x1，x2，x3，x4，x5，x6，x7)＝Hu(h1，h2，h3，h4，h5，h6，h7)，Y(y1，y2，y3，y4，y5，y6，y7)＝queryHu(h1，h2，h3，h4，h5，h6，h7)，j为纹样图像库中纹样图像对应的序号，历遍纹样图像库的全部纹样图像，得到库中每个纹样图像对应的欧式距离值Ej。
(7)根据纹样图像库中纹样图像相对应的欧式距离值Ej做升序排列，欧氏距离值越小，相似度越大，根据需要的纹样图像数量输出纹样图像，依次得到与待检索纹样图像相似度依次递减的纹样图像。
(8)定义需要输出的纹样图像数量n，按相似度由大到小依次输出前n个纹样图像，输出纹样图像与对应的纹样图像编号。
以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。
Claims (9)
1.一种基于形状特征的服饰纹样检索方法，其特征在于包括如下步骤：
(1)提取纹样图像的边缘图像数据矩阵，计算纹样图像的Hu不变矩，得到纹样图像的7个Hu不变矩，作为纹样图像的形状特征向量，并存放在纹样图像的形状特征索引库中；
(2)输入待检索纹样图像，对待检索纹样图像进行预处理，提取纹样边缘图像；
(3)计算待检索纹样图像的7个Hu不变矩阵，得到7个Hu不变矩及形状特征向量；
(4)历遍纹样图像库的纹样图像，逐一计算待检索纹样图像与纹样图像库中纹样图像的相似度；
(5)根据相似度进行排序，得到与待检索纹样图像相似度最高的目标纹样图像，输出检索结果。
2.根据权利要求1所述的一种基于形状特征的服饰纹样检索方法，其特征在于：纹样图像在使用前，预先提取其最小重复单元图像，并对纹样单元图像进行预处理，提取纹样边缘图像。
3.根据权利要求2所述的一种基于形状特征的服饰纹样检索方法，其特征在于：预处理过程为：将最小重复纹样单元图像储存在对应纹样图像检索库中，并归一化图像尺寸，进行灰度处理、二值化处理，采用Candy算子提取纹样边缘图像，得到纹样边缘图像的二值图像。
4.根据权利要求1所述的一种基于形状特征的服饰纹样检索方法，其特征在于：所述步骤(1)纹样图像的各阶中心距的计算过程为：以纹样边缘图像轮廓内部的像素点作为质点，像素坐标作为力臂，采用不同阶的矩来表征选区的形状特征，将纹样图像转化为(M×N)的数字图像f(i,j)，其(p+q)阶矩为进而得到中心矩μpq，并用以表征图像中灰度相对于灰度重心的分布度量，其对应的各阶中心矩为：
零阶矩：μ00＝∑∑f(i,j)
一阶矩：
二阶矩：
得到归一化的中心距：
零阶矩：μ00＝∑∑f(i,j)
一阶矩：
二阶矩：
得到归一化的中心矩：
5.根据权利要求1所述的一种基于形状特征的服饰纹样检索方法，其特征在于：
7个Hu不变矩分别记做h1，h2，h3，h，h5，h6，h7，这7个Hu不变矩的计算公式依次为：
h1＝η20+η02
h3＝(η30-3η12)2+3(η21+η03)2
h4＝(η30+η12)2+(η21+η03)2
h5＝(η20-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+3(η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
h6＝(η20-η02)[(η30+η12)2-(η21+η03)2]
+4η11(η30+η12)(η21+η03)
h7＝(3η12-η30)(η30+η12)[(η30+η12)2-3(η21+η03)2]
+(3η21-η03)(η21-η03)[3(η30+η12)2-(η21+η03)2]
并储存为特征向量Hu(h1，h2，h3，h4，h5，h6，h7)。
6.根据权利要求1所述的一种基于形状特征的服饰纹样检索方法，其特征在于：所述步骤(2)待检索纹样图像预处理包括，截取待检索纹样图像的最小重复纹样单元图像，对其进行灰度处理和二值化处理，并归一化图像尺寸，采用Candy算子提取纹样图像边缘，得到纹样边缘图像。
7.根据权利要求1所述的一种基于形状特征的服饰纹样检索方法，其特征在于：所述步骤(3)中计算7个Hu不变矩后储存为特征向量queryHu(h1，h2，h3，h4，h5，h6，h7)。
8.根据权利要求1所述的一种基于形状特征的服饰纹样检索方法，其特征在于：所述步骤(4)中相似度计算采用欧氏距离公式计算
其中，
X(x1，x2，x3，x4，x5，x6，x7)＝Hu(h1，h2，h3，h4，h5，h6，h7)，
Y(y1，y2，y3，y4，y5，y6，y7)＝
queryHu(h1，h2，h3，h4，h5，h6，h7)，j为纹样图像库中纹样图像对应的序号，历遍纹样图像库的全部纹样图像，得到库中每个纹样图像对应的欧式距离值。
9.根据权利要求1所述的一种基于形状特征的服饰纹样检索方法，其特征在于：所述步骤(5)中相似度排序过程为：根据纹样图像库中纹样图像相对应的欧式距离值Ej做升序排列，欧氏距离值越小，相似度越大，根据需要的纹样图像数量输出纹样图像，依次得到与待检索纹样图像相似度依次递减的纹样图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810868842.7A CN109189966A (zh) | 2018-08-02 | 2018-08-02 | 一种基于形状特征的服饰纹样检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810868842.7A CN109189966A (zh) | 2018-08-02 | 2018-08-02 | 一种基于形状特征的服饰纹样检索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109189966A true CN109189966A (zh) | 2019-01-11 |
Family
ID=64920455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810868842.7A Pending CN109189966A (zh) | 2018-08-02 | 2018-08-02 | 一种基于形状特征的服饰纹样检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109189966A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112000824A (zh) * | 2019-05-27 | 2020-11-27 | 英业达科技有限公司 | 对象辨识系统及其方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060008151A1 (en) * | 2004-06-30 | 2006-01-12 | National Instruments Corporation | Shape feature extraction and classification |
| CN104965928A (zh) * | 2015-07-24 | 2015-10-07 | 北京航空航天大学 | 一种基于形状匹配的汉字图像检索方法 |
-
2018
- 2018-08-02 CN CN201810868842.7A patent/CN109189966A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060008151A1 (en) * | 2004-06-30 | 2006-01-12 | National Instruments Corporation | Shape feature extraction and classification |
| CN104965928A (zh) * | 2015-07-24 | 2015-10-07 | 北京航空航天大学 | 一种基于形状匹配的汉字图像检索方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄勇 等: "基于形状不变矩的图像检索算法的研究", 《计算机应用研究》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112000824A (zh) * | 2019-05-27 | 2020-11-27 | 英业达科技有限公司 | 对象辨识系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sudholt et al. | Phocnet: A deep convolutional neural network for word spotting in handwritten documents | |
| Du et al. | Leaf shape based plant species recognition | |
| CN107256246B (zh) | 基于卷积神经网络的印花织物图像检索方法 | |
| Lima et al. | Learning and transferring convolutional neural network knowledge to ocean front recognition | |
| Reddy Mopuri et al. | Object level deep feature pooling for compact image representation | |
| Seidl et al. | Automated classification of petroglyphs | |
| Li et al. | Recent advances of machine vision technology in fish classification | |
| CN109726725A (zh) | 一种基于大间隔类间互异性多核学习的油画作者识别方法 | |
| CN108664986A (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
| CN103617609A (zh) | 基于图论的k-means非线性流形聚类与代表点选取方法 | |
| Pan et al. | Deep learning for object saliency detection and image segmentation | |
| CN114219049B (zh) | 一种基于层级约束的细粒度笔石图像分类方法和装置 | |
| CN108664968B (zh) | 一种基于文本选取模型的无监督文本定位方法 | |
| CN109753581A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| Yuan et al. | Context-aware clustering | |
| CN109189966A (zh) | 一种基于形状特征的服饰纹样检索方法 | |
| CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
| CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
| Ramesh et al. | Scalable scene understanding via saliency consensus | |
| Rizvi et al. | Revolutionizing Agriculture: Machine and Deep Learning Solutions for Enhanced Crop Quality and Weed Control | |
| Li et al. | A novel denoising autoencoder assisted segmentation algorithm for cotton field | |
| Kinnaree et al. | RGB color correlation index for image retrieval | |
| Lin et al. | Fast Accurate Fish Recognition with Deep Learning Based on a Domain-Specific Large-Scale Fish Dataset | |
| Tencer et al. | Sketch-based retrieval of document illustrations and regions of interest | |
| Lin et al. | Aggregating object features based on attention weights for fine-grained image retrieval |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |