CN109242858B - 基于自适应模板匹配的织物印花循环图案基元分割方法 - Google Patents

基于自适应模板匹配的织物印花循环图案基元分割方法 Download PDF

Info

Publication number
CN109242858B
CN109242858B CN201810786985.3A CN201810786985A CN109242858B CN 109242858 B CN109242858 B CN 109242858B CN 201810786985 A CN201810786985 A CN 201810786985A CN 109242858 B CN109242858 B CN 109242858B
Authority
CN
China
Prior art keywords
template
pattern
image
adaptive
window
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
Application number
CN201810786985.3A
Other languages
English (en)
Other versions
CN109242858A (zh
Inventor
向忠
何旋
钱淼
胡旭东
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology 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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810786985.3A priority Critical patent/CN109242858B/zh
Publication of CN109242858A publication Critical patent/CN109242858A/zh
Application granted granted Critical
Publication of CN109242858B publication Critical patent/CN109242858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于自适应模板匹配的织物印花循环图案基元分割方法，包括如下步骤：1.自适应模板选择：在包含印花循环图案的图像中，自动确定一个自适应大小的模板图像；2.模板匹配：将步骤1中的模板图案最为模板，与原图像进行模板匹配，找到原图中与模板图案相似的区域；3.循环尺寸确定：根据步骤2中找到的与模板图案相似的区域之间的位置关系，确定图案循环的尺寸；4.循环图案基元分割：根据步骤(3)确定的循环尺寸，遍历原图，分割出一个完整的、符合人眼视觉感知的图案基元。本发明能够自动从具有循环图案的图像中分割出一个完整的图案基元，避免了人工分割速度慢，效率低，分割精度差的缺点，加快了印花图案开发设计的流程。

Description

基于自适应模板匹配的织物印花循环图案基元分割方法
【技术领域】
本发明涉及一种基于自适应模板匹配的织物印花循环图案基元分割方法，从而能够从印花织物循环图案中自动分割出一个完整图案，属于数字图像处理技术领域。
【背景技术】
循环往复是印花织物图案的一个重要特征，现在市场上大部分的印花图案都具备这一特征。现在大部分印花厂在制作印花图案的时候，都是先将客户拿来的具有循环图案的样品布料扫描成数字图像；然后再用制图软件手动的从织物扫描图案中截取一个最小的图案循环基元；接着设计人员在绘图软件中将截取的图案循环基元绘制成适合制版的高清图案；最后，按照客户的要求将绘制的高清循环图案基元，经过特定的排列方式，组合成客户需要的印花图案。
然而，上述图案开发设计流程中，采用人工对循环图案基元进行分割，速度十分的缓慢、效率低效，很大程度上增加了开发的时间成本。此外，由于数字图像组成的基本单位像素是极小、人类肉眼无法分辨的单位，采用人工对图案基元进行分割，其误差将达数个甚至数十个像素。因此，传统的人工分割循环图案的方法已经不能满足印花图案快速设计开发的要求。随着计算机技术的发展，利用数字图像处理技术，提高织物印花循环图案基元分割的速度和精度，已经成为现在行业发展的必然趋势。
目前国内外的一些研究人员基于灰度共生矩阵、傅里叶、相关性方法等提出了一些循环图案检测算法。然而，已知的循环图案检测算法大多只能检测出图案在水平和竖直方向的循环尺寸，而不能从循环图案中分割出一个完整的、符合人眼视觉感知的循环基元图案。并且，对于发生实际生产中发生旋转的循环图案，这些算法表现的也不令人满意。
因此，为解决上述技术问题，确有必要提供一种创新的基于自适应模板匹配的织物印花循环图案基元分割方法，以克服现有技术中的所述缺陷。
【发明内容】
为解决上述问题，本发明的目的在于提供一种速度快、精度高、旋转不变性、缩放不变性的基于自适应模板匹配的织物印花循环图案基元分割方法。
为实现上述第一目的，本发明采取的技术方案为：基于自适应模板匹配的织物印花循环图案基元分割方法，其包括以下几个步骤：
(1)自适应模板选择：在包含印花循环图案的图像中，自动确定一个自适应大小的模板图像；
(2)模板匹配：将步骤(1)中的模板图案最为模板，与原图像进行模板匹配，找到原图中与模板图案相似的区域；
(3)循环尺寸确定：根据步骤(2)中找到的与模板图案相似的区域之间的位置关系，确定图案循环的尺寸；
(4)循环图案基元分割：根据步骤(3)确定的循环尺寸，遍历原图，分割出一个完整的、符合人眼视觉感知的图案基元。
本发明的基于自适应模板匹配的织物印花循环图案基元分割方法进一步为：所述步骤(1)中，根据原图的大小确定模板图案的大小，计算公式如下：
Figure BDA0001733955370000031
其中：m、n分别为原图的宽和高；w、h分别为模板图案的宽和高。
本发明的基于自适应模板匹配的织物印花循环图案基元分割方法进一步为：所述步骤(1)中，所选取的模板图像必须被定位到花型图案上；步骤(1)通过计算原图中各个模板窗口的熵值，并选取熵值最大的模板窗口最为模板图案，以此来确定模板图像在原图中的位置；熵值的计算公式如下：
Figure BDA0001733955370000032
其中，hT为模板窗口的熵；NT为模板窗口中像素的个数；nr T为模板中像素灰度值为r的像素点的个数。
本发明的基于自适应模板匹配的织物印花循环图案基元分割方法进一步为：所述步骤(2)中的模板匹配的具体搜索策略如下：
首先，将所述步骤(1)中计算的各个模板窗口的熵值与阈值进行比较，若模板窗口的熵小于阈值则将该模板窗口从待搜索窗口中剔除，反之则保留；
然后将模板图案与余下保留的模板窗口进行匹配，并计算模板图案与模板窗口之间的相似度；被剔除的模板窗口与模板图案的相似度设为0；
最后根据计算的相似度绘制相似度的三维立体图，选取三维立体图中的局部最大值代表的模板窗口作为最终与模板图案匹配的相似区域。
本发明的基于自适应模板匹配的织物印花循环图案基元分割方法进一步为：所述步骤(3)循环基元尺寸确定过程如下：首先以模板图案中心点为坐标原点O；然后在步骤2中找到的与模板图案相似的区域的中心点中确定两个点O1和O2；接着构造位移向量OO1与OO2；最后，以位移向量OO1与OO2确定的平行四边形作为循环图案基元的尺寸。
本发明的基于自适应模板匹配的织物印花循环图案基元分割方法进一步为：选择点O1和O2时要求位移向量OO1与OO2不共线，且OO1+OO2长度最小。
本发明的基于自适应模板匹配的织物印花循环图案基元分割方法进一步为：步骤(4)中，所述循环图案基元分割时，在原图中移动所述的平行四边形框架，并计算平行四边形框架的边界熵，选择具有最小边界熵的平行四边形框架包含的图案作为最终循环图案基元分割的结果；其中平行四边形的边界熵的计算公式如下：
Figure BDA0001733955370000041
其中，hs为平行四边形的边界熵；Ns为平行四边形框架的四边包含的像素的个数；nr s为平行四边形框架的四边中像素灰度值为r的像素的个数。
本发明的基于自适应模板匹配的织物印花循环图案基元分割方法用于发生旋转变化、平移变化和缩放变化的循环图案图像。
与现有技术相比，本发明具有如下有益效果：
1.本发明的基于自适应模板匹配的织物印花循环图案基元分割方法不仅能检测出图案循环的尺寸，而且能够从循环图案中分割出一个完整的、符合人类视觉感知的图案基元；
2.本发明的方具有速度快、精度高、旋转平移缩放不变性等特点，加快了印花图案开发设计的流程。
【附图说明】
图1是本发明的基于自适应模板匹配的织物印花循环图案基元分割方法的流程图；
图2模板选择结果图；
图3模板匹配搜索策略流程图；
图4模板匹配结果图；
图5位移向量图；
图6图案基元尺寸结果图；
图7图案基元分割结果图。
【具体实施方式】
请参阅说明书附图1至附图7所示，本发明为一种基于自适应模板匹配的织物印花循环图案基元分割方法，其包括如下几个步骤：
(1)自适应模板选择：在包含印花循环图案的图像中，自动确定一个自适应大小的模板图像；
(2)模板匹配：将步骤(1)中的模板图案最为模板，与原图像进行模板匹配，找到原图中与模板图案相似的区域；
(3)循环尺寸确定：根据步骤(2)中找到的与模板图案相似的区域之间的位置关系，确定图案循环的尺寸；
(4)循环图案基元分割：根据步骤(3)确定的循环尺寸，遍历原图，分割出一个完整的、符合人眼视觉感知的图案基元。
其中，所述步骤(1)中，根据原图的尺寸大小确定模板图像的尺寸。模板尺寸过大会导致图片处理速度变慢，模板尺寸过小，会导致步骤(1)模板匹配精度下降，因此，模板尺寸不能超过20*20像素，长和宽均不能小于原图长和宽的二十分之一。具体计算公式如下：
Figure BDA0001733955370000061
其中：m、n分别为原图的宽和高；w、h分别为模板图案的宽和高。
进一步的，在步骤(1)中，模板图像必须要定位在花型图案上，而不能定位到织物底色上。且为了提高步骤2模板匹配的精度，模板图像要尽量包含更多的颜色种类。图像的熵代表图像包含的信息量的大小，图像熵越大，图像包含的信息量越大，包含的颜色种类越多。因此，本发明计算每一个模板窗口的熵值，选择具有最大熵的模板窗口作为模板图像。模板选择的结果如图2所示，其中方框代表从原图中选择的模板图像。此时，模板图像，将会被定为到花型图案上。模板窗口熵值的计算公式如下：
Figure BDA0001733955370000071
其中hT为模板窗口的熵；NT为模板窗口中像素的个数；nr T为模板中像素灰度值为r的像素点的个数。
所述步骤(2)的模板匹配中，利用模板匹配算法将步骤10中选择的模板与原图进行匹配。所使用的模板匹配算法可以是现有的模板匹配算法，但不局限于现有的模板匹配算法。进行模板匹配时，搜索策略流程如图3所示，具体搜索策略如下，首先，将所述步骤(1)中计算的各个模板窗口的熵值与阈值进行比较，若模板窗口的熵小于阈值则将该模板窗口从待搜索窗口中剔除，反之则保留；
然后将模板图案与余下保留的模板窗口进行匹配，并计算模板图案与模板窗口之间的相似度；被剔除的模板窗口与模板图案的相似度设为0；
最后根据计算的相似度绘制相似度的三维立体图，选取三维立体图中的局部最大值代表的模板窗口作为最终与模板图案匹配的相似区域。图4为最终模板匹配的结果图，其中的方框代表与模板图像匹配的窗口。
如图5所示，所述步骤(3)的循环基元尺寸确定过程如下：首先以模板图案中心点为坐标原点O；然后在步骤2中找到的与模板图案相似的区域的中心点中确定两个点O1和O2；接着构造位移向量OO1与OO2；最后，以位移向量OO1与OO2确定的平行四边形作为循环图案基元的尺寸，如图6所示。其中，选择点O1和O2时要求位移向量OO1与OO2不共线，且OO1+OO2长度最小。
步骤(4)中，所述循环图案基元分割时，在原图中移动所述的平行四边形框架，并计算平行四边形框架的边界熵，选择具有最小边界熵的平行四边形框架包含的图案作为最终循环图案基元分割的结果，如图7所示；其中平行四边形的边界熵的计算公式如下：
Figure BDA0001733955370000081
其中，hs为平行四边形的边界熵；Ns为平行四边形框架的四边包含的像素的个数；nr s为平行四边形框架的四边中像素灰度值为r的像素的个数。
以上的具体实施方式仅为本创作的较佳实施例，并不用以限制本创作，凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等，均应包含在本创作的保护范围之内。

Claims (7)

1.基于自适应模板匹配的织物印花循环图案基元分割方法，其特征在于：包括以下几个步骤：
(1)自适应模板选择：在包含印花循环图案的图像中，自动确定一个自适应大小的模板图像；
其中，所选取的模板图像必须被定位到花型图案上；步骤(1)通过计算原图中各个模板窗口的熵值，并选取熵值最大的模板窗口作为模板图案，以此来确定模板图像在原图中的位置；熵值的计算公式如下：
Figure FDA0002567969450000011
其中，hT为模板窗口的熵；NT为模板窗口中像素的个数；nr T为模板中像素灰度值为r的像素点的个数；
(2)模板匹配：将步骤(1)中的模板图案作为模板，与原图像进行模板匹配，找到原图中与模板图案相似的区域；
(3)循环尺寸确定：根据步骤(2)中找到的与模板图案相似的区域之间的位置关系，确定图案循环的尺寸；
(4)循环图案基元分割：根据步骤(3)确定的循环尺寸，遍历原图，分割出一个完整的、符合人眼视觉感知的图案基元。
2.如权利要求1所述的基于自适应模板匹配的织物印花循环图案基元分割方法，其特征在于：所述步骤(1)中，根据原图的大小确定模板图案的大小，计算公式如下：
Figure FDA0002567969450000021
其中：m、n分别为原图的宽和高；w、h分别为模板图案的宽和高。
3.如权利要求1所述的基于自适应模板匹配的织物印花循环图案基元分割方法，其特征在于：所述步骤(2)中的模板匹配的具体搜索策略如下：
首先，将所述步骤(1)中计算的各个模板窗口的熵值与阈值进行比较，若模板窗口的熵小于阈值则将该模板窗口从待搜索窗口中剔除，反之则保留；
然后将模板图案与余下保留的模板窗口进行匹配，并计算模板图案与模板窗口之间的相似度；被剔除的模板窗口与模板图案的相似度设为0；
最后根据计算的相似度绘制相似度的三维立体图，选取三维立体图中的局部最大值代表的模板窗口作为最终与模板图案匹配的相似区域。
4.如权利要求1所述的基于自适应模板匹配的织物印花循环图案基元分割方法，其特征在于：所述步骤(3)循环基元尺寸确定过程如下：首先以模板图案中心点为坐标原点O；然后在步骤2中找到的与模板图案相似的区域的中心点中确定两个点O1和O2；接着构造位移向量OO1与OO2；最后，以位移向量OO1与OO2确定的平行四边形作为循环图案基元的尺寸。
5.如权利要求4所述的基于自适应模板匹配的织物印花循环图案基元分割方法，其特征在于：选择点O1和O2时要求位移向量OO1与OO2不共线，且OO1+OO2长度最小。
6.如权利要求4所述的基于自适应模板匹配的织物印花循环图案基元分割方法，其特征在于：步骤(4)中，所述循环图案基元分割时，在原图中移动所述的平行四边形框架，并计算平行四边形框架的边界熵，选择具有最小边界熵的平行四边形框架包含的图案作为最终循环图案基元分割的结果；其中平行四边形的边界熵的计算公式如下：
Figure FDA0002567969450000031
其中，hs为平行四边形的边界熵；Ns为平行四边形框架的四边包含的像素的个数；nr s为平行四边形框架的四边中像素灰度值为r的像素的个数。
7.如权利要求4所述的基于自适应模板匹配的织物印花循环图案基元分割方法，其特征在于：该方法用于发生旋转变化、平移变化和缩放变化的循环图案图像。
CN201810786985.3A 2018-07-18 2018-07-18 基于自适应模板匹配的织物印花循环图案基元分割方法 Active CN109242858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810786985.3A CN109242858B (zh) 2018-07-18 2018-07-18 基于自适应模板匹配的织物印花循环图案基元分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810786985.3A CN109242858B (zh) 2018-07-18 2018-07-18 基于自适应模板匹配的织物印花循环图案基元分割方法

Publications (2)

Publication Number Publication Date
CN109242858A CN109242858A (zh) 2019-01-18
CN109242858B true CN109242858B (zh) 2021-01-15

Family

ID=65072077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810786985.3A Active CN109242858B (zh) 2018-07-18 2018-07-18 基于自适应模板匹配的织物印花循环图案基元分割方法

Country Status (1)

Country Link
CN (1) CN109242858B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111630566B (zh) * 2019-09-23 2023-09-29 香港应用科技研究院有限公司 为棋盘格图像获取模板的系统和方法
US11023770B2 (en) * 2019-09-23 2021-06-01 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Systems and methods for obtaining templates for tessellated images
CN110838111A (zh) * 2019-11-08 2020-02-25 深圳市深视创新科技有限公司 柔性电路板的自适应缺陷检测方法
CN111149101B (zh) * 2019-12-27 2023-08-18 威创集团股份有限公司 一种目标图案查找方法及计算机可读存储介质
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
CN113642667B (zh) * 2021-08-30 2024-02-02 重庆紫光华山智安科技有限公司 一种图片增强策略确定方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739683A (zh) * 2009-12-11 2010-06-16 北京大学 基于图分割和多线索融合的单幅图深度估计方法及其系统
CN102682306A (zh) * 2012-05-02 2012-09-19 武汉大学 用于sar图像的小波金字塔极化纹理基元特征提取方法
JP2015005243A (ja) * 2013-06-24 2015-01-08 日本電信電話株式会社 画像領域分割装置、その方法及びプログラム
CN105261003A (zh) * 2015-09-10 2016-01-20 西安工程大学 一种基于织物自身结构进行疵点检测的方法
CN106228545A (zh) * 2016-07-14 2016-12-14 西北民族大学 一种佛像类唐卡一致性破损区域的自动分割方法
CN107784658A (zh) * 2017-10-17 2018-03-09 南京信息工程大学 规则二维彩色图像的纹理再现方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7499578B2 (en) * 2002-10-18 2009-03-03 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739683A (zh) * 2009-12-11 2010-06-16 北京大学 基于图分割和多线索融合的单幅图深度估计方法及其系统
CN102682306A (zh) * 2012-05-02 2012-09-19 武汉大学 用于sar图像的小波金字塔极化纹理基元特征提取方法
JP2015005243A (ja) * 2013-06-24 2015-01-08 日本電信電話株式会社 画像領域分割装置、その方法及びプログラム
CN105261003A (zh) * 2015-09-10 2016-01-20 西安工程大学 一种基于织物自身结构进行疵点检测的方法
CN106228545A (zh) * 2016-07-14 2016-12-14 西北民族大学 一种佛像类唐卡一致性破损区域的自动分割方法
CN107784658A (zh) * 2017-10-17 2018-03-09 南京信息工程大学 规则二维彩色图像的纹理再现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Two-dimensional entropy segmentation of fabric printing pattern based on TENT mapping Pso;Chen Jiancheng等;《2010 3rd International Conference on Computer Science and Information Technology》;20100907;第1-5页 *
基于边缘和颜色特征的织物印花花型检索;向忠等;《纺织学报》;20180531;第39卷(第5期);第137-143页 *

Also Published As

Publication number Publication date
CN109242858A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109242858B (zh) 基于自适应模板匹配的织物印花循环图案基元分割方法
CN115082419B (zh) 一种吹塑箱包生产缺陷检测方法
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN110084241B (zh) 一种基于图像识别的电表自动读数方法
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN107103320B (zh) 嵌入式医疗数据图像识别及集成方法
CN112233116B (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN111899295B (zh) 一种基于深度学习的单目场景深度预测方法
CN113724231A (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
CN109886935A (zh) 一种基于深度学习的道面异物检测方法
CN115471682A (zh) 一种基于SIFT融合ResNet50的图像匹配方法
CN109741358B (zh) 基于自适应超图学习的超像素分割方法
CN111738931A (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN107784269A (zh) 一种3d视频帧特征点提取的方法及系统
CN105631868A (zh) 一种基于图像分类的深度信息提取方法
CN106056575B (zh) 一种基于似物性推荐算法的图像匹配方法
CN109448010B (zh) 一种基于内容特征的四方连续纹样自动生成方法
US20200274990A1 (en) Extracting a document page image from a electronically scanned image having a non-uniform background content
CN108520498A (zh) 一种晶体结晶过程监测中的高效晶体阴影噪声去除方法
CN110378354B (zh) 一种基于组织滤波算法的提花织物图片颜色提取方法

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