CN109299295A - 蓝印花布图像数据库搜索方法 - Google Patents
蓝印花布图像数据库搜索方法 Download PDFInfo
- Publication number
- CN109299295A CN109299295A CN201811026343.XA CN201811026343A CN109299295A CN 109299295 A CN109299295 A CN 109299295A CN 201811026343 A CN201811026343 A CN 201811026343A CN 109299295 A CN109299295 A CN 109299295A
- Authority
- CN
- China
- Prior art keywords
- grain pattern
- value
- color
- image
- printing fabric
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供蓝印花布图像数据库搜索空间树构造方法,包括:首先建立蓝印花布图像数据库,之后对新蓝印花布纹样进行搜索,对新蓝印花布纹样先判断其产生的时期,在该时期内与参照纹样x1做比对,产生识别比对值;然后通过查询建立在该时间段内的二叉树进行查找相同或相近的识别比对值;若找到满足条件的识别比对值,则显示相应纹样;若找不到满足条件的识别比对值,则判断是否是在相应取值范围内,若在参照纹样x1的取值区间内,则将其值插入相应位置的链表中;若不在参照纹样的取值区间内,则与参照纹样x2进行比对,并重复操作,本发明引入时期为主线结合相关动态调整权值技术的引入也极大提高了检索的成功率,图像检索效果更好,准确性更高,检索速度更快。
Description
技术领域
本发明涉及图像检索技术应用领域,具体涉及蓝印花布图像数据库搜索方 法。
背景技术
工艺美术大师吴元新先生整理收藏明清以来实物及图片资料上万件,保存 了上万件纹样纸版,出版了《中国蓝印花布纹样大全》藏品卷。然而,利用先 进的管理理念及信息化、数字化等技术手段对非物质文化遗产----“蓝印花布” 项目进行传承与保护的研究开发工作少之又少,而以先进的数据库技术来对蓝 印花布纹样进行管理则处于空白阶段。
随着计算技术的发展以及计算机硬件性能的提高,模式识别、人工智能、 数据挖掘以及图像处理等研究领域的发展也取得了长足的进步,促使在超大样 本训练集上进行的机器学习得以实现。为获得更具特异性和敏感性的分类特征 以及识别结果,对样本集数据库的管理就显得尤为重要了:它不仅直接影响数 据的存储以及检索提取的效率,而且对后续基于数据仓库的机器学习研究设置 了巨大的瓶颈。尤其是在南通蓝印花布纹样图像数据库方面的建设,现有的图 像数据仓库管理方法不仅缺少高效的数据存储方式,而且图像纹样检索获取的 方法也不如人意。
目前,美国国家标准与技术研究所公布的人脸数据仓库,该数据仓库是以 数据信息组成文件名的方式实现数据分类与查找,由于图像数据的属性信息只 存在于文件名中,该方法限制了查找的高效性和数据属性描述的可扩展性;再 如由美国国家生物影像与生物工程研究所等单位发起的老年痴呆病的神经影 像研究计划,大量的医学图像数据存储在服务器端,检索过程都是通过服务器 端的计算机程序完成,这种方式无疑增加了服务器的负担,尤其是外部访问量 增大时,这种检索速度的影响将尤为明显。
综上所述,目前图像数据库的开发与建设方面存在以下不足:
1.针对图像数据的描述方像不能方便的随意扩展,使其不能满足基于图 像数据的科学研究对图像数据描述特征属性多样性的需求;
2.影像图像数据的存储以及编号不能反映图像数据之间的关联性,比如 不同时间点或者不同图像采集模式所得到的图像数据之间的关系,不能很好的 得到体现;
3.图像数据在服务器上的上传和下载过程都在服务器端完成,这种设计 增加了服务器端的负担,影响了针对数据仓库的上传、检索和下载速度;
4.当用户需要从众多图像数据检索结果中有选择性的下载部分结果时, 没有很好的选择性的批量下载的方法。
因此,针对南通蓝印花布纹样图像数据库设计需求,解决现有技术中图像 数据库检索效率不高、存储/检索关键词扩展性不好、数据与数据之间关联不 明确、计算机图像处理研究技术及现有图像数据仓库管理方法的不足,我们提 出了一种新的基于内容的、可扩展、高效存储、检索的图像数据仓库管理方法 图像数据仓库管理方法。
发明内容
本发明的目的在于提供一种新的蓝印花布图像数据库搜索空间树构造方 法,提高了蓝印花布图像数据库“以图找图”检索方式的成功率,图像检索效 果更好,准确性更高,速度更快,而且充分考虑时间对于蓝印花布的影响。
本发明提供的蓝印花布图像数据库搜索方法,包括:
首先建立蓝印花布图像数据库,包括如下步骤:
S1:选择特定时期的蓝印花布纹样,并在该时期段选取典型参照纹样x1、 x2、…xn以及标准纹样S;
S2:将标准纹样S逐次与典型参照纹样x1~xn进行识别比对计算并得出识 别比对值分别为N1~Nn;
S3:N1~Nn对该时期内纹样识别比对值空间进行切割,反映到二维坐标系, 以x1~xn的时间为横坐标,以识别比对值为纵坐标,通过逐次计算形成一个顺 序空间块;
S4:对形成的顺序空间块进行容量阈值设置,设置最低阈值a和最高阈值 b,当容量大于最高阈值b时,则将多出的蓝印花布纹样形成新的空间块,当 容量小于最低阈值a,则将多出的蓝印花布纹样与相邻的空间块进行合并,形 成新的空间块;在各个空间块内构建蓝印花布纹样像识别比对链表;
新蓝印花布纹样搜索方法,包括如下步骤:
S201:对目标蓝印花布纹样T先判断其产生的时期,然后在该时期内与参 照纹样x1做比对,产生一个识别比对值Nt;
S202:然后通过查询建立在该时间段内的顺序空间块进行查找相同或相近 的识别比对值;
S203:若找到满足条件的识别比对值,则显示相应纹样;
S204:若找不到满足条件的识别比对值,则判断是否是在相应取值范围内, 若在参照纹样x1的取值区间内,则将其值插入相应位置的链表中;
S205:若不在参照纹样的取值区间内,则与参照纹样x2进行比对,并重 复S202~S204操作。
在一些实施方式中,步骤S2中识别比对值N1~Nn的方法包括:
第一步得出标准纹样S和参照纹样x1~xn形状特征向量的相似值;
第二步得出标准纹样S和参照纹样x1~xn颜色特征向量的相似值;
第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出 识别比对值N1~Nn。
在一些实施方式中,步骤S201中识别比对值Nt的方法包括:
第一步得出目标蓝印花布纹样T和依次与参照纹样x1~xn形状特征向量的 相似值;
第二步得出目标蓝印花布纹样T和依次与参照纹样x1~xn颜色特征向量的 相似值;
第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出 识别比对值Nt。
在一些实施方式中,形状特征向量的相似值的方法包括:
对标准纹样S和参照纹样x1~xn进行数字化采集;
对采集的标准纹样S和参照纹样x1~xn进行RGB的预处理,包括对标准纹 样S和参照纹样x1~xn进行图像纹样的灰度化处理、图像纹样的滤波去噪处理 和图像纹样的归一化处理;
确定RGB的预处理后获取的标准纹样S中的颜色特征与参照纹样x1~xn的颜色特征的相似值;标准纹样S中的形状特征与参照纹样x1~xn的形状特征 相似值;
综合颜色特征与形状特征的权值得到相应检索权值,根据检索权值确定参 照纹样x1~xn的识别比对值N1~Nn;
其中,标准纹样S和参照纹样x1~xn的灰度化处理将RGB彩色蓝印花布转 化为突出蓝色的灰度图像,采用下述方式:
Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100
Gray(i,j)表示第(i,j)个像素的灰度值,得到灰度值后,将原图RGB 中的R、G、B统一用Gray(i,j)替换,形成新的颜色RGB(Gray(i,j)、Gray(i, j)、Gray(i,j)),替换原彩色图得到灰度图像;
标准纹样S和参照纹样x1~xn的归一化处理包括确定蓝印花布图像纹样中 的蓝色RGB值为{29,33,70}、白色RGB值为{251,255,255};
在一些实施方式中,形状特征向量的相似值采用下述方式确定:
利用局部自适应阀值图像二值化对目标图像纹样进行边缘检测,对边缘检 测后的图像纹样提取轮廓,并对各个小纹样建立一个等级树结构的轮廓数组;
利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图 像纹样的轮廓进行匹配,得出各个小纹样形状特征向量的相似度值后取平均 值,得出标准纹样S形状特征向量的相似值Distshape。
在一些实施方式中,颜色特征向量的相似值的方法包括,
对RGB的预处理后获取的待检测的图像纹样进行颜色特征的量化,其中颜 色特征的量化通过以下方式处理:
白色区域:所有S<12%且V>83的颜色为白色;即令H=0,S=0,V=1;
黑色区域:所有V<18%的都为黑色;即令H=0,S=0,V=0;
彩色区域:除了白色与黑色区域外的都为彩色区域,其H,S,V的值保持 不变;
其中H表示色彩,S表示纯度,V表示明度;
将H非均匀量化为8个部分,并将S和V划分为黑色区域、白色区域和彩 色区域,对白色区域和彩色区域根据颜色区域的不同和主观颜色感知进行进一 步的量化;
构造一维特征矢量,按以上量化级,将各颜色分量合成为一维特征矢量G:
G=H×Qs×QV+S×QV+V
其中,Qs和Qv分别是S和V分量的量化级数,按照上述量化方法,量化 后的颜色为72维;G的取值范围为[0,71],确定G值得72维的一维直方图
颜色特征的提取通过以下方式处理得到颜色直方图的各个点的H(k)值:
其中k代表图像的颜色特征值,L为特征的数量,nk为图像中颜色特征为 k的像素数目,N为图像的像素总数;为使直方图具有缩放不变性,对其进行 归一化处理:
Hn(k)为归一化处理后的输出,i为直方图的序号;
颜色特征向量的相似值DistColo通过以下方式处理:
采用欧式距离算法,目标图像纹样的直方图特征矢量为Q={q0,q1,q2...qL}, 对比标准图像纹样的图像直方图特征矢量为S={s0,s1,s2...sL},则欧氏距离算法 采用下述方式:
其中,qi(0≤qi≤1),si(0≤si≤1)为归一化值,L为一维直方图矢量的维数; 归一化处理后,图像直方图的相似度的定量度量值sim公式:
其中L为颜色级数,qi≥0,si≥0。
在一些实施方式中,第三步综合颜色特征向量的相似值与形状特征向量的 相似值的权值,得出识别比对值N1~Nn,包括,
综合颜色特征与形状特征的权值,通过以下方式处理:
设S为蓝印花布图像纹样库中的标准纹样,X为参照纹样,对Q与I的特征值 S的计算如下公式:
S=(Wc*DistColor+Wt*Distshape)/(Wc+Wt)
其中Wc、Wt分别为颜色特征向量、形状特征向量的权值,DistColor、Distshape分别为颜色特征和形状特征的相似度值,
通过上述公式确定标准图像的相似度值Ss、参照纹样的相似度值Sx;则参 照纹样X与标准纹样S的识别比对值为:
Sxs=Sx/Ss。
在一些实施方式中,形状特征向量的相似值的方法包括:
对目标蓝印花布纹样T和参照纹样x1~xn进行数字化采集;
对采集的目标蓝印花布纹样T和参照纹样x1~xn进行RGB的预处理,包括 对目标蓝印花布纹样T和参照纹样x1~xn进行图像纹样的灰度化处理、图像纹 样的滤波去噪处理和图像纹样的归一化处理;
确定RGB的预处理后获取的目标蓝印花布纹样T中的颜色特征依次与参照 纹样x1~xn的颜色特征的相似值;目标蓝印花布纹样T中的形状特征依次与参 照纹样x1~xn的形状特征相似值;
综合颜色特征与形状特征的权值得到相应检索权值,根据检索权值确定参 照纹样x1~xn的识别比对值T1~Tn;
其中,目标蓝印花布纹样T和参照纹样x1~xn的灰度化处理将RGB彩色蓝 印花布转化为突出蓝色的灰度图像,采用下述方式:
Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100
Gray(i,j)表示第(i,j)个像素的灰度值,得到灰度值后,将原图RGB 中的R、G、B统一用Gray(i,j)替换,形成新的颜色RGB(Gray(i,j)、Gray(i, j)、Gray(i,j)),替换原彩色图得到灰度图像;
目标蓝印花布纹样T和参照纹样x1~xn的归一化处理包括确定蓝印花布图 像纹样中的蓝色RGB值为{29,33,70}、白色RGB值为{251,255,255};
在一些实施方式中,形状特征向量的相似值采用下述方式确定:
利用局部自适应阀值图像二值化对目标图像纹样进行边缘检测,对边缘检 测后的图像纹样提取轮廓,并对各个小纹样建立一个等级树结构的轮廓数组;
利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图 像纹样的轮廓进行匹配,得出各个小纹样形状特征向量的相似度值后取平均 值,得出目标蓝印花布纹样T形状特征向量的相似值Distshape;
颜色特征向量的相似值的方法包括,
对RGB的预处理后获取的待检测的图像纹样进行颜色特征的量化,其中颜 色特征的量化通过以下方式处理:
白色区域:所有S<12%且V>83的颜色为白色;即令H=0,S=0,V=1;
黑色区域:所有V<18%的都为黑色;即令H=0,S=0,V=0;
彩色区域:除了白色与黑色区域外的都为彩色区域,其H,S,V的值保持 不变;
其中H表示色彩,S表示纯度,V表示明度;
将H非均匀量化为8个部分,并将S和V划分为黑色区域、白色区域和彩 色区域,对白色区域和彩色区域根据颜色区域的不同和主观颜色感知进行进一 步的量化;
构造一维特征矢量,按以上量化级,将各颜色分量合成为一维特征矢量G:
其中,Qs和G=H×Qs×QV+S×QV+V Qv分别是S和V分量的量化级数, 按照上述量化方法,量化后的颜色为72维;G的取值范围为[0,71],确定G 值得72维的一维直方图
颜色特征的提取通过以下方式处理得到颜色直方图的各个点的H(k)值:
其中k代表图像的颜色特征值,L为特征的数量,nk为图像中颜色特征为 k的像素数目,N为图像的像素总数;为使直方图具有缩放不变性,对其进行 归一化处理:
Hn(k)为归一化处理后的输出,i为直方图的序号;
颜色特征向量的相似值DistColo通过以下方式处理:
采用欧式距离算法,目标图像纹样的直方图特征矢量为Q={q0,q1,q2...qL}, 对比标准图像纹样的图像直方图特征矢量为S={s0,s1,s2...sL},则欧氏距离算法 采用下述方式:
其中,qi(0≤qi≤1),si(0≤si≤1)为归一化值,L为一维直方图矢量的维数; 归一化处理后,图像直方图的相似度的定量度量值sim公式:
其中L为颜色级数,qi≥0,si≥0。
在一些实施方式中,第三步综合颜色特征向量的相似值与形状特征向量的 相似值的权值,得出识别比对值T1~Tn,包括,
综合颜色特征与形状特征的权值,通过以下方式处理:
设X为蓝印花布图像纹样库中的参照纹样,T为目标图像纹样,对T与X的特 征值S的计算如下公式:
S=(Wc*DistColor+Wt*Distshape)/(Wc+Wt)
其中Wc、Wt分别为颜色特征向量、形状特征向量的权值,DistColor、Distshape分别为颜色特征和形状特征的相似度值,
通过上述公式确定参照纹样x1~xn的相似度值Sx、目标图像T的相似度值St; 则目标图像T与参照纹样x1~xn的识别比对值为:
Stx=St/Sx。
发明能以颜色特征为主、以形状特征为辅的多特征检索方法克服单个特征 检索成功率较低的不足之处,相比于单一特征的检索具有更好的效果,系统的 检索性能令人满意。同时相关动态调整权值技术的引入也大大提高了检索的成 功率,图像检索效果更好,准确性更高。
附图说明
图1为本发明一种实施方式的蓝印花布图像数据库搜索方法流程示意图;
图2为本发明另一种实施方式的蓝印花布图像数据库搜索方法流程示意 图。
具体实施方式
下面结合附图及具体实施例,以蓝印花布的图像识别应用为例,对本发明 作进一步的详细说明。
图像计算机检索技术发展迅速,针对图像的各种检索方法已广泛的应用于 各行各业,为各行业图像管理的信息化带来了巨大变革。然而,随着社会信息 化互联网化等形势的发展,蓝印花布纹样复杂多样的特点很难用传统的检索方 法进行准确描述,因此,开发出基于内容的南通蓝印花布纹样图像检索系统就 显得至关重要了。
蓝印花布是一种传统工艺印染品,距今已有一千多年历史,且“蓝印花布 只有蓝色和白色两种颜色”。基于此,本发明的处理对象与现有的图像处理有 实质性差异,本发明完全基于蓝印花布图像内容特点而研发的有针对性的检索 方法;通过研究发现蓝印花布在其漫长发展过程中,其纹样图像带有明显的时 代印记,其纹样具有其它时代所不具备的时代特点。正是因为不同时代蓝印花 布纹样的数量、种类等方面的不同,造成参照纹样图像在数量及种类方面的不 同,从而直接导致相应识别比对值在空间分布密度不均。因此,蓝印花布纹样 具有在时间与相关图像纹样呈现相关连的情况。因此,构建一个以时间为重要 参数、以蓝印花布识别比对值为主要关键字的搜索算法是开发蓝印花布纹样图 像数据仓库的关键所在才能够适用于各自的领域,实现发明目的。
利用蓝印花布纹样与参照纹样比对产生的数值,不但可以起到区分两个不 同纹样的作用,而且还为实现基于内容的蓝印花布纹样数据库打下基础。但是, 针对南通蓝印花布时间与相关图像纹样具有相关连的特点,在数据库的查找、 搜索方面,采用传统的文字描述方式对其进行查找,不仅会因为文字描述准确 性差而导致查找效率低下,而且还会丢失多个其它方面属性,从而造成不必要 的损失。因此,对传统二叉树结构进行改造,将时间与传统二叉树相结合,先 以时间参数为主索引,构造出一个二叉树结构;随后再在各个时间块内,利用 蓝印花布识别比对值,构造出一个基于蓝印花布纹样识别比对值的链表结构, 从而在整体上形成一种空间二叉树的结构。
检索新的蓝印花布纹样时,先进行年代判断,并通过查询空间二叉树,确 定其在空间二叉树的大致位置,随后产生一个新的纹样识别比对值并在该区域 内的蓝印花布识别比对值链表中进行查找,最终达到检索的目的。
因此,以时间为线索,构造出一个二叉树结构,随后计算蓝印花布识别比 对值,并在相应二叉树节点建立链表结构,从而形成一个全新的、立体二叉树 结构,并使之更适应蓝印花布图像的查找,是本发明的重点内容。
如图1所示,本发明提供的是蓝印花布图像数据库搜索空间树构造方法, 包括:
首先建立蓝印花布图像数据库搜索空间树,包括如下步骤:
S1:选择特定时期的蓝印花布纹样,并在该时期段选取典型参照纹样x1、 x2、…xn以及标准纹样S;
S2:将标准纹样S逐次与典型参照纹样x1~xn进行识别比对计算并得出识 别比对值分别为N1~Nn;
S3:N1~Nn对该时期内纹样识别比对值空间进行切割,反映到二维坐标系, 以x1~xn的时间为横坐标,以识别比对值为纵坐标,通过逐次计算形成一个顺 序空间块;
S4:对形成的顺序空间块进行容量阀值设置,设置最低阀值a和最高阀值 b,当容量大于最高阀值b时,则将多出的蓝印花布纹样形成新的空间块,当 容量小于最低阀值a,则将多出的蓝印花布纹样与相邻的空间块进行合并,形 成新的空间块,各个空间块组成蓝印花布图像数据库;
新蓝印花布纹样搜索方法,包括如下步骤:
S201:对目标蓝印花布纹样T先判断其产生的时期,然后在该时期内与参 照纹样x1做比对,产生一个识别比对值Nt;
S202:然后通过查询建立在该时间段内的顺序空间块进行查找相同或相近 的识别比对值;
S203:若找到满足条件的识别比对值,则显示相应纹样;
S204:若找不到满足条件的识别比对值,则判断是否是在相应取值范围内, 若在参照纹样x1的取值区间内,则将其值插入相应位置的链表中;
S205:若不在参照纹样的取值区间内,则与参照纹样x2进行比对,并重 复S202~S204操作。
步骤S2中识别比对值N1~Nn的方法包括:
第一步得出标准纹样S和参照纹样x1~xn形状特征向量的相似值;
第二步得出标准纹样S和参照纹样x1~xn颜色特征向量的相似值;
第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出 识别比对值N1~Nn。
在一些实施方式中,步骤S201中识别比对值Nt的方法包括:
第一步得出目标蓝印花布纹样T和依次与参照纹样x1~xn形状特征向量的 相似值;
第二步得出目标蓝印花布纹样T和依次与参照纹样x1~xn颜色特征向量的 相似值;
第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出 识别比对值Nt。
在一些实施方式中,形状特征向量的相似值的方法包括:
对标准纹样S和参照纹样x1~xn进行数字化采集;
对采集的标准纹样S和参照纹样x1~xn进行RGB的预处理,包括对标准纹 样S和参照纹样x1~xn进行图像纹样的灰度化处理、图像纹样的滤波去噪处理 和图像纹样的归一化处理;
确定RGB的预处理后获取的标准纹样S中的颜色特征与参照纹样x1~xn的颜色特征的相似值;标准纹样S中的形状特征与参照纹样x1~xn的形状特征 相似值;
综合颜色特征与形状特征的权值得到相应检索权值,根据检索权值确定参 照纹样x1~xn的识别比对值N1~Nn;
其中,标准纹样S和参照纹样x1~xn的灰度化处理将RGB彩色蓝印花布转 化为突出蓝色的灰度图像,采用下述方式:
Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100
Gray(i,j)表示第(i,j)个像素的灰度值,得到灰度值后,将原图RGB 中的R、G、B统一用Gray(i,j)替换,形成新的颜色RGB(Gray(i,j)、Gray(i, j)、Gray(i,j),替换原彩色图得到灰度图像;
标准纹样S和参照纹样x1~xn的归一化处理包括确定蓝印花布图像纹样中 的蓝色RGB值为{29,33,70}、白色RGB值为{251,255,255};
形状特征向量的相似值采用下述方式确定:
利用局部自适应阀值图像二值化对目标图像纹样进行边缘检测,对边缘检 测后的图像纹样提取轮廓,并对各个小纹样建立一个等级树结构的轮廓数组;
利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图 像纹样的轮廓进行匹配,得出各个小纹样形状特征向量的相似度值后取平均 值,得出标准纹样S形状特征向量的相似值Distshape。
颜色特征向量的相似值的方法包括,
对RGB的预处理后获取的待检测的图像纹样进行颜色特征的量化,其中颜 色特征的量化通过以下方式处理:
白色区域:所有S<12%且V>83的颜色为白色;即令H=0,S=0,V=1;
黑色区域:所有V<18%的都为黑色;即令H=0,S=0,V=0;
彩色区域:除了白色与黑色区域外的都为彩色区域,其H,S,V的值保持 不变;
其中H表示色彩,S表示纯度,V表示明度;
将H非均匀量化为8个部分,并将S和V划分为黑色区域、白色区域和彩 色区域,对白色区域和彩色区域根据颜色区域的不同和主观颜色感知进行进一 步的量化;
构造一维特征矢量,按以上量化级,将各颜色分量合成为一维特征矢量G:
G=H×Qs×QV+S×QV+V
其中,Qs和Qv分别是S和V分量的量化级数,按照上述量化方法,量化 后的颜色为72维;G的取值范围为[0,71],确定G值得72维的一维直方图
颜色特征的提取通过以下方式处理得到颜色直方图的各个点的H(k)值:
其中k代表图像的颜色特征值,L为特征的数量,nk为图像中颜色特征为 k的像素数目,N为图像的像素总数;为使直方图具有缩放不变性,对其进行 归一化处理:
Hn(k)为归一化处理后的输出,i为直方图的序号;
颜色特征向量的相似值DistColo通过以下方式处理:
采用欧式距离算法,目标图像纹样的直方图特征矢量为Q={q0,q1,q2...qL}, 对比标准图像纹样的图像直方图特征矢量为S={s0,s1,s2...sL},则欧氏距离算法 采用下述方式:
其中,qi(0≤qi≤1),si(0≤si≤1)为归一化值,L为一维直方图矢量的 维数;归一化处理后,图像直方图的相似度的定量度量值sim公式:
其中L为颜色级数,qi≥0,si≥0。
第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出 识别比对值N1~Nn,包括,
综合颜色特征与形状特征的权值,通过以下方式处理:
设S为蓝印花布图像纹样库中的标准纹样,X为参照纹样,对Q与I的特征值 S的计算如下公式:
S=(Wc*DistColor+Wt*Distshape)/(Wc+Wt)
其中Wc、Wt分别为颜色特征向量、形状特征向量的权值,DistColor、Distshape分别为颜色特征和形状特征的相似度值,
通过上述公式确定标准图像的相似度值Ss、参照纹样的相似度值Sx;则参 照纹样X与标准纹样S的识别比对值为:
Sxs=Sx/Ss。
形状特征向量的相似值的方法包括:
对目标蓝印花布纹样T和参照纹样x1~xn进行数字化采集;
对采集的目标蓝印花布纹样T和参照纹样x1~xn进行RGB的预处理,包括 对目标蓝印花布纹样T和参照纹样x1~xn进行图像纹样的灰度化处理、图像纹 样的滤波去噪处理和图像纹样的归一化处理;
确定RGB的预处理后获取的目标蓝印花布纹样T中的颜色特征依次与参照 纹样x1~xn的颜色特征的相似值;目标蓝印花布纹样T中的形状特征依次与参 照纹样x1~xn的形状特征相似值;
综合颜色特征与形状特征的权值得到相应检索权值,根据检索权值确定参 照纹样x1~xn的识别比对值T1~Tn;
其中,目标蓝印花布纹样T和参照纹样x1~xn的灰度化处理将RGB彩色蓝 印花布转化为突出蓝色的灰度图像,采用下述方式:
Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100
Gray(i,j)表示第(i,j)个像素的灰度值,得到灰度值后,将原图RGB 中的R、G、B统一用Gray(i,j)替换,形成新的颜色RGB(Gray(i,j)、Gray(i, j)、Gray(i,j)),替换原彩色图得到灰度图像;
目标蓝印花布纹样T和参照纹样x1~xn的归一化处理包括确定蓝印花布图 像纹样中的蓝色RGB值为{29,33,70}、白色RGB值为{251,255,255};
在一些实施方式中,形状特征向量的相似值采用下述方式确定:
利用局部自适应阀值图像二值化对目标图像纹样进行边缘检测,对边缘检 测后的图像纹样提取轮廓,并对各个小纹样建立一个等级树结构的轮廓数组;
利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图 像纹样的轮廓进行匹配,得出各个小纹样形状特征向量的相似度值后取平均 值,得出目标蓝印花布纹样T形状特征向量的相似值Distshape;
颜色特征向量的相似值的方法包括,
对RGB的预处理后获取的待检测的图像纹样进行颜色特征的量化,其中颜 色特征的量化通过以下方式处理:
白色区域:所有S<12%且V>83的颜色为白色;即令H=0,S=0,V=1;
黑色区域:所有V<18%的都为黑色;即令H=0,S=0,V=0;
彩色区域:除了白色与黑色区域外的都为彩色区域,其H,S,V的值保持 不变;
其中H表示色彩,S表示纯度,V表示明度;
将H非均匀量化为8个部分,并将S和V划分为黑色区域、白色区域和彩 色区域,对白色区域和彩色区域根据颜色区域的不同和主观颜色感知进行进一 步的量化;
构造一维特征矢量,按以上量化级,将各颜色分量合成为一维特征矢量G:
G=H×Qs×QV+S×QV+V
其中,Qs和Qv分别是S和V分量的量化级数,按照上述量化方法,量化 后的颜色为72维;G的取值范围为[0,71],确定G值得72维的一维直方图
颜色特征的提取通过以下方式处理得到颜色直方图的各个点的H(k)值:
其中k代表图像的颜色特征值,L为特征的数量,nk为图像中颜色特征为 k的像素数目,N为图像的像素总数;为使直方图具有缩放不变性,对其进行 归一化处理:
Hn(k)为归一化处理后的输出,i为直方图的序号;
颜色特征向量的相似值DistColo通过以下方式处理:
采用欧式距离算法,目标图像纹样的直方图特征矢量为Q={q0,q1,q2...qL}, 对比标准图像纹样的图像直方图特征矢量为S={s0,s1,s2...sL},则欧氏距离算法 采用下述方式:
其中,qi(0≤qi≤1),si(0≤si≤1)为归一化值,L为一维直方图矢量的 维数;归一化处理后,图像直方图的相似度的定量度量值sim公式:
其中L为颜色级数,qi≥0,si≥0。
在一些实施方式中,第三步综合颜色特征向量的相似值与形状特征向量的 相似值的权值,得出识别比对值T1~Tn,包括,
综合颜色特征与形状特征的权值,通过以下方式处理:
设X为蓝印花布图像纹样库中的参照纹样,T为目标图像纹样,对T与X的特 征值S的计算如下公式:
S=(Wc*DistColor+Wt*Distshape)/(Wc+Wt)
其中Wc、Wt分别为颜色特征向量、形状特征向量的权值,DistColor、Distshape分别为颜色特征和形状特征的相似度值,
通过上述公式确定参照纹样x1~xn的相似度值Sx、目标图像T的相似度值St; 则目标图像T与参照纹样x1~xn的识别比对值为:
Stx=St/Sx;
在蓝印花布的发展过程中,蓝印花布纹样数量、种类不同,从而导致其参 照的比对纹样在数量上不同,进一步造成其比对值分布密度不仅不同,而且是 随机变化的。采用空间二叉树则可根据蓝印花布纹样数量分布的密度,动态调 整索引表的内容。当然,可采用固定数目的标准纹样在整个时间段内将空间划 分成固定的几块数据区域,识别比对数值将落在固定的几个区域内,形成一个 静态的二叉树。
蓝印花布纹样选定10张标准纹样,作品分成11个小块。如需对目标纹样 进行检测时,先确定其大概年代,再将其与标准纹样1比较,产生的结果为一 double类型数值x,若该值在[0,n]区间内,x=0表示与标准纹样完全一致, 离0值越远,则表示与标准纹样1的区别越大,但仍然x<n,表示与标准纹样 1存在较大的相似性。因此,通过上述步骤,在[0,n],将会形成一张有序索 引表。若超出该区间,则与标准2纹样进行类似比对,产生结果有double的 数值y,则该值依然会在[0,n1]区间内,同样若y=0,则表示目标纹样与标准 纹样相同,否则越靠近n1,则与标准纹样2差别越大;若大于n1,则与标准 纹样3做相似比较,并依次类推。
在蓝印花布图像数据库搜索空间树构造建设过程中,随着录入纹样的增 多,通过与参照纹样比对后产生的纹样识别比对值也会越来越多,从而形成一 个以参照纹样比对值为起点的链表,该链表与参照纹样比对值一起形成一个搜 索空间二叉树结构,每个空间树结点下都有一个有序链表,若某段空间段内比 对结果较密,则该结点下链表长度较长;反之,若一空间段内比对结果值相对 稀松,则该结点下链表长度值较小。在蓝印花布的发展过程中,蓝印花布的纹 样数量、种类不同,从而导致其参照的比对纹样在数量上不同,进一步造成其 比对值分布密度不仅不同,而且是随机变化的。而采用空间二叉树则可根据蓝印花布纹样数量分布的密度,动态调整链表的内容。
因此,在建设蓝印花布纹样数据库的过程中,蓝印花布纹样与标准纹样比 对结果的分布是不断变化的,随着数据库建设的不断推进,整个二叉树中的结 点会越来越多,有些结点上的链表数据丰富,而有些则会比较稀少,甚至出现 空结点。此时就需要将比对结果密度较少的结点进行合并,以节省内存空间并 提高查找效率。故对整个搜索空间树来说,需要不断调整该空间树结构并对其 做出相应评价,以确定当前二叉树是否有调整的必要。
如何确定当前二叉树有调整的需要,在某个标准纹样段内,当纹样比对值 链表长度值大于N值时,则需将该时间段一分为二;而若两个兄弟节点内,其 纹样比对值链表长度值之和小于N则将两结点合并。然而,若蓝印花布纹样添 加过于频繁,则很容易发生空间块分裂与合并,从而降低了导致工作效率,降 低服务器的处理效率,因此,提出当两兄弟节点内的空间块的比对值链表长度 之和小于k(k<N)时,将两空间块合并。其中k=N/2;
如需评价是否要调整空间树结构时,只需计算统计该结点下链表长度若其 长度小于k,则将两个兄弟节点合并。
蓝印花布纹样选定10张标准纹样,作品分成11个小块。如需对目标纹样 进行检测时,先确定其大概年代,再将其与标准纹样1比较,产生的结果为一 double类型数值x,若该值在[0,n]区间内,x=0表示与标准纹样完全一致, 离0值越远,则表示与标准纹样1的区别越大,但仍然x<n,表示与标准纹样 1存在较大的相似性。因此,通过上述步骤,在[0,n],将会形成一张有序索 引表。若超出该区间,则与标准2纹样进行类似比对,产生结果有double的 数值y,则该值依然会在[0,n1]区间内,同样若y=0,则表示目标纹样与标准 纹样相同,否则越靠近n1,则与标准纹样2差别越大;若大于n1,则与标准 纹样3做相似比较,并依次类推。
蓝印花布图像纹样的数字化采集,对采集的蓝印花布图像纹样进行RGB的 预处理,RGB的预处理包括包括图像纹样的灰度化处理、图像纹样的滤波去噪 处理和图像纹样的归一化处理。一方面对RGB的预处理后获取待检测的图像纹 样进行颜色特征的量化和颜色特征的提取,提取出颜色直方图,完成图像纹样 颜色特征的提取;另一方面,对RGB的预处理后获取待检测的图像纹样提取形 状特征向量;分别确定提取的颜色特征向量与标准图像纹样的颜色特征向量的 相似值和提取的形状特征向量与标准图像纹样的形状特征向量的相似值,综合 颜色特征与形状特征的权值得到相应检索权值,根据检索权值确定目标图像纹 样相似值。
如图2所示,蓝印花布图像纹样的数字化采集可以是通过尼康数码相机在 自然光的环境下对蓝印花布实物进行拍照采样。将拍摄的蓝印花布图像导入计 算机中。在本发明的该实施例中,所采用的开发平台是基于图像检索系统 OpenCV实现的,但本发明并不限于此。利用图像检索系统OpenCV对导入计算 机中的蓝印花布图像进行RGB的预处理(步骤101)。
蓝印花布图像纹样RGB的预处理包括图像纹样的灰度化处理、图像纹样的 滤波去噪处理和图像纹样的归一化处理(步骤102)。图像纹样的灰度化处理, 常用方法有分量法、最大值法、和加权平均法等。针对蓝印花布只有蓝色和白 色两种颜色的特点,本发明所采用的是突出蓝色的重要性,即利用浮点算法将 RGB(R:红色,G:绿色,B:蓝色)彩色蓝印花布转化为突出蓝色的灰度图像, 常规浮点算法中Gray(灰度值)的转换公式为:
Gray(i,j)=0.11*B(i,j)+0.59*G(i,j)+0.30*R(i,j)
其中Gray(i,j)为(i,j)点上的灰度值。由此可以看出,G绿色所占比重 最大,故转换时直接使用G值做转换后的灰度值。针对蓝印花布只有蓝色和白 色,且蓝色所占比重大于白色的特点,经过大量试验,得出本发明所采用的公 式:
Gray(i,j)=0.61*B(i,j)+0.22*G(i,j)+0.17*R(i,j)
对本发明所采用的公式去除浮点运算公式为:
Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100
在实际计算机处理时,常规转换采用的是浮点运算。而在图像处理中,速 度就是生命,实时性往往是很重要的指标,这就要求在实现算法时必须考虑到 运算的效率问题。所以在图像处理中,不用浮点运算。采用本发明所采用的公 式避免了浮点运算,这样可以很大程度提高计算机处理速度。
本发明的灰度转换系数是针对蓝色印花布的特性而做出的调整。由于各个 领域的图像千差万别,而灰度转换系数在[0,1]之间的分配方像也有无穷多种, 不同的灰度转换系数处理出来的灰度效果差别显著,灰度效果的差别必然会影 响到图像匹配的准确性,而其他的灰度转换系数都不能满足本发明的要求。本 发明针对蓝印花布只有蓝色和白色两种颜色且蓝色比重大于白色的特点,为了 达到图像灰度化后突出蓝色和白色的对比度和清晰度的要求,保证颜色特征的 可比性,经过了无数次的实验和研究,得到本发明提出的0.17、0.22、0.69 的灰度系数方像,不存在显而易见性。并且本发明为了提高图像处理的速度, 结合计算机处理的特点,对运算公式采取了去除浮点的处理,以提高计算机处 理速度。
采用上述公式求得Gray(灰度值)后,将原图RGB中的R、G、B统一用Gray(i,j)替换,形成新的颜色RGB(Gray(i,j)、Gray(i,j)、Gray(i,j)), 替换原彩色图得到灰度图像。
图像纹样的滤波去噪处理是采用中值滤波方法对图像进行滤波去噪处理。 中值滤波是非线性滤波,其将邻域中的象素按灰度级排序,取其中间值为输出 象素。本发明采用中值滤波对于蓝印花布采样图像纹样处理,不但可以保护图 像纹样的边界,对蓝印花布图像纹样起到了整体保护的效果,同时还可以有效 滤除脉冲噪声或颗粒噪声,尤其是对经过长期磨损后蓝印花布布匹经纬线噪声 的滤除,效果较为明显,中值滤波方法为现有技术,在此不做详细说明。
图像纹样的归一化处理,本发明采用基于Zernike矩的图像归一化处理技 术,基于矩的图像归一是依靠矩阵能够将图像通过仿射变换转换成为标准不变 形式,即原始图像经过仿射变换处理等图像归一化过程后,获得的图像是唯一 不变的。为了方便蓝印花布的特征比较,必须对其进行归一化处理。格式转换 可以采用工具软件提前处理;尺寸归一化是将图像缩放为一个统一尺寸,此技 术为现有技术,在此不做详细说明。针对蓝印花布的蓝色和白色,在实际应用 过程中,这两种颜色却没有统一的数字化标准,因此造成蓝色与白色深浅不一, 给蓝印花布的数字化进程造成极大的困难。鉴于此,在对数字化照片进行图像 的归一化处理,本发明确定蓝印花布图像纹样中的蓝色RGB值为{29,33,70}、 白色RGB值为:{251,255,255},这样可以避免因为拍摄时灯光原因,使得 蓝印花布颜色发生变化,影响颜色特征向量与标准图像纹样的颜色特征向量相 似值的确定。
颜色特征的量化,即对目标图像纹样进行颜色颜色空间量化,颜色颜色空 间量化是指对颜色空间以相应的比例进行量化,量化后产生一定数量的bin; 即将颜色空间分为多个小的块,然后每个块为直方图的一个bin。本发明针对 蓝印花布的特点在HSV颜色空间按照人眼视觉感知能力,将H空间分成8份, 饱和度S和亮度空间分别分成3份,即以H:S:V=8:3:3的比例进行量 化,量化完成后,将HSV颜色空间分成Qh*Qs*Qv个颜色区间,其中Qh、Qs和Qv分别为H、S和V的量化级数,也就是分成了72个颜色区间,即量化后生成共 72个bin。量化公式如下:
颜色空间量化后按上述量化级,将各颜色分量合成为一维特征矢量,即将 3个颜色分量合成一维特征矢量,构造一维特征矢量,公式如下:
G=H×Qs×QV+S×QV+V
其中,Qs和Qv分别是S和V分量的量化级数,本发明中Qs和Qv的值均为 3,则G的表达式为:
G=9*H+3*S+V
由此,H、S、V三个分量在一维矢量上分布开来,按照上述量化方法,量 化后的颜色可以用72维(8H*3S*3V=72)来表示。G的取值范围为[0,71], 计算G值得72bin的一维直方图(步骤104)。另外,对HSV颜色空间还进行 如下划分:
白色区域:所有S<12%且V>83的颜色为白色;即令H=0,S=0,V=1;
黑色区域:所有V<18%的都为黑色;即令H=0,S=0,V=0;
彩色区域:除了白色与黑色区域外的都为彩色区域,其H,S,V的值保持 不变。
颜色特征的提取,提取颜色直方图,颜色特征的统计直方图,简称为颜色 直方图,其定义如下:
其中k代表图像的颜色特征值,L为特征的数量,nk为图像中颜色特征为 k的像素数目,N为图像的像素总数,H(k)为提取出来的颜色直方图。为使直 方图具有缩放不变性,对其进行归一化处理:
H(k)为归一化处理后的输出,i为直方图的序号。对于彩色图像,可以对 其三个分量分别统计得到直方图(步骤105)。
本发明的归一化处理中除了基于矩的归一化技术、格式转换和尺寸归一 外,针对蓝色印花布颜色特点还提出了数字化标准的归一化,解决了“针对蓝 印花布蓝色和白色,在实际应用过程中,这两种颜色没有统一的数字化标准, 因此造成蓝色与白色深浅不一,给蓝印花布的数字化进程造成极大的困难。” 的问题,且达到了“避免因为拍摄灯光原因,使得蓝印花布颜色发生变化,影 响颜色特征向量与标准图像纹样的颜色特征向量相似值的确定。”的技术效果。 众所周知,在图像领域中,图像的RGB值蓝色为{0,0,255},白色为{255, 255,255},而本发明提出的数字化归一标准中,蓝色是{29,33,70},白色 是{255,255,255},是针对蓝印花布的特点和考虑拍摄时灯光因素对色彩的 影响的基础上,经过多次试验得到的保持颜色不变性和保证相似度的最佳效果 的归一标准,并非只是简单的取公知的蓝色和白色的RGB值进行归一。
本发明的颜色特征向量相似度计算采用欧式距离算法,即假设示例图像的 直方图特征矢量为Q={q0,q1,q2...qL},对比标准图像纹样的的图像直方图特征矢 量为S={s0,s1,s2...sL},则直方图欧氏距离算法进行图像相似性度量为:
其中,qi(0≤qi≤1),si(0≤si≤1)为归一化值,L为一维直方图矢量的 维数。归一化处理后,图像直方图的相似度的定量度量值公式为:
其中L为颜色级数,qi≥0,si≥0;若sim的值越靠近1,则表明两幅图在 颜色方面越相似,反之亦然。
颜色特征向量的相似值计算的具体步骤:用颜色特征的提取的方法得到目 标蓝印花布图像的三个分量的直方图分别记为:DHisth、DHists、DHistv和 标准蓝印花布图像的三个特征值SHisth、SHists、SHistv,分别利用欧氏距离 算法确定DHisth与SHisth、DHists与SHists、DHistv与SHistv三对向量之 间的相似度。即分别计算向量DHisth与SHisth、DHists与SHists、DHistv与SHistv之间的图像直方图的相似度的定量度量值simh、sims、simv,最后对simh、sims、simv求平均值DistColor=(simh+sims+simv)/3。计算得出 DistColor值,DistColor取值范围为[0,1],DistColor越靠近1,则目标蓝印花布 图像与标准蓝印花布图像越相似(步骤107)。
本发明中形状特征向量的相似值计算的具体步骤:先利用局部自适应阈值 图像二值化对目标图像纹样进行边缘检测(步骤103),在此基础上提取轮廓 并对各个小纹样建立一个等级树结构的轮廓数组,随后利用基于不变矩的形状 匹配算法将等级树结构中每一层的轮廓与标准图像纹样的轮廓进行匹配计算, 得出各个小纹样形状特征向量的相似度值后取平均值得出蓝印花布图像纹样 形状特征向量(步骤106)。
本发明是在“分析研究表明蓝印花布的蓝色和白色亮度变化明显,每个像 素变化位置处的二值化阀值不是固定不变的,而是由其周围邻域像素的分布来 决定的,亮度较高的图像区域的二值化阀值较高,而亮度较低的图像区域的二 值化阀值则会相适应地变小。”的基础上,将用来计算阀值的像素邻域大小设 为足够小后实现对蓝印花布的边缘检测的,并且,在边缘检测后,本发明不需 要提取形状特征,而是根据蓝印花布的特点,“对各个小纹样建立等级树结构 的轮廓数组,将等级树结构中每一层的轮廓与标准图像纹样的轮廓进行匹配, 计算出各个小纹样的相似度后,取平均值得到形状特征向量的”,而且,相似 值的计算方法有很多中,如Roberts算子、Canny边缘检测算法等,本发明是 经过反复研究分析和试验后,选择的适合蓝印花布的检测算法。而且,边缘检 测后,本发明时通过等级树轮廓数组进行逐层匹配,这是本发明根据蓝印花布 的特性而提出的,能够保证有效提高计算速度和提高相似度的准确性。
本发明中蓝印花布图像纹样的边缘检测选择基于局部自适应阈值图像二 值化的边缘检测。分析研究表明蓝印花布的蓝色和白色亮度变化明显,每个像 素位置处的二值化阈值不是固定不变的,而是由其周围邻域像素的分布来决定 的,亮度较高的图像区域的二值化阈值较高,而亮度较低的图像区域的二值化 阈值则会相适应地变小。因此,不同亮度、对比度、纹样的局部图像区域拥有 相对应的局部二值化阈值。那么,针对蓝印花布的局部邻域块均值自适应阈值, 并将用来计算阈值的象素邻域大小设为足够小后即可实现的蓝印花布图像纹 样的边缘检测。此方法为现有技术,在此不做详细说明。结果表明,该方法效果普遍好于Canny等传统边缘检测方法。
本发明采用基于不变矩的形状匹配算法计算目标图像纹样与标准图像纹 样相对应等级树结构中每一层的独立小纹样轮廓相似度,得出各个小纹样形状 特征向量的相似度值后取平均值得出蓝印花布图像纹样形状特征向量相似度 Distshape,此方法为现有技术,在此不做详细说明。
综合多特征向量检索系统中组成多特征向量不同特征的物理意义各不同, 取值范围也不同,这样不同的特征向量不具有直接可比性。即不同算法得到的 相似距离互相之间不具有可比性;因此必须进行归一化,以保证不同算法在加 权重处于平等地位,本发明采用具有较好鲁棒性的高斯归一化方法来解决这个 问题。
本发明中综合颜色特征与形状特征的权值算法(步骤108)如下:
设I为蓝印花布图像纹样库中的标准图像纹样,Q为目标图像纹样,对Q与I 的特征值计算可以定义如下公式:
S=(Wc*DistColor+Wt*Distshape)/(Wc+Wt)
其中Wc、Wt分别为颜色特征向量、形状特征向量的权值,DistColor、Distshape分别为基于颜色特征和形状特征的相似度值;则标准图像的相似度值SI与目标 图像的相似度值为SQ。则目标图像Q与标准图像I的相似度为
SQI=SQ/SI
本发明中动态调整蓝印花布图像相似度中颜色特征的权值系数Wc和形状 特征的权值系数Wt具体算法如下:若目标蓝印花布图像与标准蓝印花布图像 纹样的颜色相似度数值DistColor值不为0,表明目标图像与标准图像在颜色特 征方面明显不同,则比较的方向侧重于颜色特征的比较,即颜色特征的权值系 数Wc为0.25,形状特征的权值系数Wt为0.75。随后将标准图像纹样、颜色 特征向量、形状特征向量及对应颜色相似度数值DistColor、形状相似度数值 Distshape存入蓝印花布数据库相应的数据库字段中,并采用如下公式综合计算相似度数值S并存入数据库字段中:
S=0.75*DistColor+0.25*Distshape
若目标图像纹样与标准图像纹样的Dist值为0,则表明出现两种可能: (1)目标图像纹样与标准图像纹样的颜色与形状完全一致;(2)目标图像纹 样与标准图像纹样只是颜色特征向量相同,形状方面存在较大差异。则比较的 方向侧重于形状特征的比较,即颜色特征的权值系数Wc为0.75,形状特征的 权值系数Wt为0.25。随后将标准图像纹样、颜色特征向量、形状特征向量及 对应颜色相似度数值DistColor、形状相似度数值Distshape存入蓝印花布数据 库相应的数据库字段中,并采用如下公式综合计算相似度数值S并存入数据库字段中:
S=0.75*Distshape+0.25*DistColor
本发明的优点在于:颜色作为蓝印花布图像纹样的重要信息在判断相似 性中起到了不可忽视的作用。提取颜色直方图作为蓝印花布图像纹样的颜色特 征,提取便捷,计算简单,且充分体现了图像的主色调。蓝印花布在形状方面 也具有明显特点:整个蓝印花布纹样轮廓是由多个独立的小纹样轮廓组成。因 此,将整个蓝印花布纹样轮廓分解成多个小纹样轮廓并组织为等级树结构,随 后对等级树结构上每层小纹样轮廓进行基于不变矩的形状匹配算法计算不但 能有效提高计算速度,而且还明显提高相似度的准确性。在综合分析形状和颜 色特征提取算法的基础上,结合蓝印花布图像纹样的颜色和形状信息的特点, 提出以颜色特征为主、以形状上下文为辅的图像纹样检索技术。采取了对不同 特征进行归一化的方法,并且引入了相关动态调整方法,设计开发了一个具有 实用性的检索系统,对系统结构、各模块的功能、用户界面做出了说明。最后 建立了一个蓝印花布图像纹样图像数据库对系统进行性能测试,实践证明,以 颜色特征为主、以形状特征为辅的多特征检索方法克服单个特征检索成功率较 低的不足之处,相比于单一特征的检索具有更好的效果,系统的检索性能令人 满意。同时相关动态调整权值技术的引入也大大提高了检索的成功率,图像检 索效果更好,准确性更高。
大量的实验表明,在JAVA EE环境下利用OpenCV机器视觉库函数对蓝印花 布图像进行一系列标准化处理后,再利用动态的搜索空间树实现蓝印花布纹 样数据库的搜索功能,不仅在时间效率上有长足的提高,而且在准确性方面也 取得了突破性的进展。
Claims (10)
1.蓝印花布图像数据库搜索方法,包括:
首先建立蓝印花布图像数据库搜索空间树,包括如下步骤:
S1:选择特定时期的蓝印花布纹样,并在该时期段选取典型参照纹样x1、x2、…xn以及标准纹样S;
S2:将标准纹样S逐次与典型参照纹样x1~xn进行识别比对计算并得出识别比对值分别为N1~Nn;
S3:N1~Nn对该时期内纹样识别比对值空间进行切割,反映到二维坐标系,以x1~xn的时间为横坐标,以识别比对值为纵坐标,通过逐次计算形成一个顺序空间块;
S4:对形成的顺序空间块进行容量阀值设置,设置最低阀值a和最高阀值b,当容量大于最高阀值b时,则将多出的蓝印花布纹样形成新的空间块,当容量小于最低阀值a,则将多出的蓝印花布纹样与相邻的空间块进行合并,形成新的空间块,在各个空间块内构建蓝印花布纹样像识别比对链表;
新蓝印花布纹样搜索方法,包括如下步骤:
S201:对目标蓝印花布纹样T先判断其产生的时期,然后在该时期内与参照纹样x1做比对,产生一个识别比对值Nt;
S202:然后通过查询建立在该时间段内的蓝印花布纹样识别比对链表进行查找相同或相近的识别比对值;
S203:若找到满足条件的识别比对值,则显示相应纹样;
S204:若找不到满足条件的识别比对值,则判断是否是在相应取值范围内,若在参照纹样x1的取值区间内,则将其值插入相应位置的链表中;
S205:若不在参照纹样的取值区间内,则与参照纹样x2进行比对,并重复S202~S204操作。
2.根据权利要求1所述的蓝印花布图像数据库搜索空间树构造方法,其中,步骤S2中所述识别比对值N1~Nn的方法包括:
第一步得出标准纹样S和参照纹样x1~xn形状特征向量的相似值;
第二步得出标准纹样S和参照纹样x1~xn颜色特征向量的相似值;
第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出识别比对值N1~Nn。
3.根据权利要求1所述的蓝印花布图像数据库搜索空间树构造方法,其中,步骤S201中所述识别比对值Nt的方法包括:
第一步得出目标蓝印花布纹样T和依次与参照纹样x1~xn形状特征向量的相似值;
第二步得出目标蓝印花布纹样T和依次与参照纹样x1~xn颜色特征向量的相似值;
第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出识别比对值Nt。
4.根据权利要求2所述的蓝印花布图像数据库搜索空间树构造方法,其中,所述形状特征向量的相似值的方法包括:
对标准纹样S和参照纹样x1~xn进行数字化采集;
对采集的所述标准纹样S和参照纹样x1~xn进行RGB的预处理,包括对标准纹样S和参照纹样x1~xn进行图像纹样的灰度化处理、图像纹样的滤波去噪处理和图像纹样的归一化处理;
确定所述RGB的预处理后获取的所述标准纹样S中的颜色特征与参照纹样x1~xn的颜色特征的相似值;标准纹样S中的形状特征与参照纹样x1~xn的形状特征相似值;
综合颜色特征与形状特征的权值得到相应检索权值,根据检索权值确定参照纹样x1~xn的识别比对值N1~Nn;
其中,所述标准纹样S和参照纹样x1~xn的灰度化处理将RGB彩色蓝印花布转化为突出蓝色的灰度图像,采用下述方式:
Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100
Gray(i,j)表示第(i,j)个像素的灰度值,得到所述灰度值后,将原图RGB中的R、G、B统一用Gray(i,j)替换,形成新的颜色RGB(Gray(i,j)、Gray(i,j)、Gray(i,j)),替换原彩色图得到灰度图像;
所述标准纹样S和参照纹样x1~xn的归一化处理包括确定蓝印花布图像纹样中的蓝色RGB值为{29,33,70}、白色RGB值为{251,255,255}。
5.根据权利要求2所述的蓝印花布图像数据库搜索空间树构造方法,其中,所述形状特征向量的相似值采用下述方式确定:
利用局部自适应阀值图像二值化对目标图像纹样进行边缘检测,对所述边缘检测后的图像纹样提取轮廓,并对各个小纹样建立一个等级树结构的轮廓数组;
利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图像纹样的轮廓进行匹配,得出各个小纹样形状特征向量的相似度值后取平均值,得出标准纹样S形状特征向量的相似值Distshape。
6.根据权利要求2所述的蓝印花布图像数据库搜索空间树构造方法,其中,所述颜色特征向量的相似值的方法包括,
对RGB的预处理后获取的待检测的图像纹样进行颜色特征的量化,其中所述颜色特征的量化通过以下方式处理:
白色区域:所有S<12%且V>83的颜色为白色;即令H=0,S=0,V=1;
黑色区域:所有V<18%的都为黑色;即令H=0,S=0,V=0;
彩色区域:除了白色与黑色区域外的都为彩色区域,其H,S,V的值保持不变;
其中H表示色彩,S表示纯度,V表示明度;
将H非均匀量化为8个部分,并将S和V划分为黑色区域、白色区域和彩色区域,对白色区域和彩色区域根据颜色区域的不同和主观颜色感知进行进一步的量化;
构造一维特征矢量,按以上量化级,将各颜色分量合成为一维特征矢量G:
G=H×Qs×QV+S×QV+V
其中,Qs和Qv分别是S和V分量的量化级数,按照上述量化方法,量化后的颜色为72维;G的取值范围为[0,71],确定G值得72维的一维直方图
所述颜色特征的提取通过以下方式处理得到颜色直方图的各个点的H(k)值:
其中k代表图像的颜色特征值,L为特征的数量,nk为图像中颜色特征为k的像素数目,N为图像的像素总数;为使直方图具有缩放不变性,对其进行归一化处理:
Hn(k)为归一化处理后的输出,i为直方图的序号;
所述颜色特征向量的相似值DistColo通过以下方式处理:
采用欧式距离算法,目标图像纹样的直方图特征矢量为Q={q0,q1,q2...qL},对比标准图像纹样的图像直方图特征矢量为S={s0,s1,s2...sL},则欧氏距离算法采用下述方式:
其中,qi(0≤qi≤1),si(0≤si≤1)为归一化值,L为一维直方图矢量的维数;归一化处理后,图像直方图的相似度的定量度量值sim公式:
其中L为颜色级数,qi≥0,si≥0。
7.根据权利要求2所述的蓝印花布图像数据库搜索空间树构造方法,其中,所述第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出识别比对值N1~Nn,包括,
综合颜色特征与形状特征的权值,通过以下方式处理:
设S为蓝印花布图像纹样库中的标准纹样,X为参照纹样,对Q与I的特征值S的计算如下公式:
S=(Wc*DistColor+Wt*Distshape)/(Wc+Wt)
其中Wc、Wt分别为颜色特征向量、形状特征向量的权值,DistColor、Distshape分别为颜色特征和形状特征的相似度值,
通过上述公式确定标准图像的相似度值Ss、参照纹样的相似度值Sx;则参照纹样X与标准纹样S的识别比对值为:
Sxs=Sx/Ss。
8.根据权利要求3所述的蓝印花布图像数据库搜索空间树构造方法,其中,所述形状特征向量的相似值的方法包括:
对目标蓝印花布纹样T和参照纹样x1~xn进行数字化采集;
对采集的所述目标蓝印花布纹样T和参照纹样x1~xn进行RGB的预处理,包括对目标蓝印花布纹样T和参照纹样x1~xn进行图像纹样的灰度化处理、图像纹样的滤波去噪处理和图像纹样的归一化处理;
确定所述RGB的预处理后获取的所述目标蓝印花布纹样T中的颜色特征依次与参照纹样x1~xn的颜色特征的相似值;目标蓝印花布纹样T中的形状特征依次与参照纹样x1~xn的形状特征相似值;
综合颜色特征与形状特征的权值得到相应检索权值,根据检索权值确定参照纹样x1~xn的识别比对值T1~Tn;
其中,所述目标蓝印花布纹样T和参照纹样x1~xn的灰度化处理将RGB彩色蓝印花布转化为突出蓝色的灰度图像,采用下述方式:
Gray(i,j)=(17*R(i,j)+22*G(i,j)+61*B(i,j))/100
Gray(i,j)表示第(i,j)个像素的灰度值,得到所述灰度值后,将原图RGB中的R、G、B统一用Gray(i,j)替换,形成新的颜色RGB(Gray(i,j)、Gray(i,j)、Gray(i,j)),替换原彩色图得到灰度图像;
所述目标蓝印花布纹样T和参照纹样x1~xn的归一化处理包括确定蓝印花布图像纹样中的蓝色RGB值为{29,33,70}、白色RGB值为{251,255,255}。
9.根据权利要求3所述的蓝印花布图像数据库搜索空间树构造方法,其中,所述形状特征向量的相似值采用下述方式确定:
利用局部自适应阀值图像二值化对目标图像纹样进行边缘检测,对所述边缘检测后的图像纹样提取轮廓,并对各个小纹样建立一个等级树结构的轮廓数组;
利用基于不变矩的形状匹配算法将等级树结构中每一层的轮廓与标准图像纹样的轮廓进行匹配,得出各个小纹样形状特征向量的相似度值后取平均值,得出目标蓝印花布纹样T形状特征向量的相似值Distshape;
所述颜色特征向量的相似值的方法包括,
对RGB的预处理后获取的待检测的图像纹样进行颜色特征的量化,其中所述颜色特征的量化通过以下方式处理:
白色区域:所有S<12%且V>83的颜色为白色;即令H=0,S=0,V=1;
黑色区域:所有V<18%的都为黑色;即令H=0,S=0,V=0;
彩色区域:除了白色与黑色区域外的都为彩色区域,其H,S,V的值保持不变;
其中H表示色彩,S表示纯度,V表示明度;
将H非均匀量化为8个部分,并将S和V划分为黑色区域、白色区域和彩色区域,对白色区域和彩色区域根据颜色区域的不同和主观颜色感知进行进一步的量化;
构造一维特征矢量,按以上量化级,将各颜色分量合成为一维特征矢量G:
G=H×Qs×QV+S×QV+V
其中,Qs和Qv分别是S和V分量的量化级数,按照上述量化方法,量化后的颜色为72维;G的取值范围为[0,71],确定G值得72维的一维直方图
所述颜色特征的提取通过以下方式处理得到颜色直方图的各个点的H(k)
值:
其中k代表图像的颜色特征值,L为特征的数量,nk为图像中颜色特征为k的像素数目,N为图像的像素总数;为使直方图具有缩放不变性,对其进行归一化处理:
Hn(k)为归一化处理后的输出,i为直方图的序号;
所述颜色特征向量的相似值DistColo通过以下方式处理:
采用欧式距离算法,目标图像纹样的直方图特征矢量为Q={q0,q1,q2...qL},对比标准图像纹样的图像直方图特征矢量为S={s0,s1,s2...sL},则欧氏距离算法采用下述方式:
其中,qi(0≤qi≤1),si(0≤si≤1)为归一化值,L为一维直方图矢量的维数;归一化处理后,图像直方图的相似度的定量度量值sim公式:
其中L为颜色级数,qi≥0,si≥0。
10.根据权利要求3所述的蓝印花布图像数据库搜索空间树构造方法,其中,所述第三步综合颜色特征向量的相似值与形状特征向量的相似值的权值,得出识别比对值T1~Tn,包括,
综合颜色特征与形状特征的权值,通过以下方式处理:
设X为蓝印花布图像纹样库中的参照纹样,T为目标图像纹样,对T与X的特征值S的计算如下公式:
S=(Wc*DistColor+Wt*Distshape)/(Wc+Wt)
其中Wc、Wt分别为颜色特征向量、形状特征向量的权值,DistColor、Distshape分别为颜色特征和形状特征的相似度值,
通过上述公式确定参照纹样x1~xn的相似度值Sx、目标图像T的相似度值St;则目标图像T与参照纹样x1~xn的识别比对值为:Stx=St/Sx。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026343.XA CN109299295B (zh) | 2018-09-04 | 2018-09-04 | 蓝印花布图像数据库搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811026343.XA CN109299295B (zh) | 2018-09-04 | 2018-09-04 | 蓝印花布图像数据库搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109299295A true CN109299295A (zh) | 2019-02-01 |
CN109299295B CN109299295B (zh) | 2021-09-28 |
Family
ID=65166343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811026343.XA Active CN109299295B (zh) | 2018-09-04 | 2018-09-04 | 蓝印花布图像数据库搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299295B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666435A (zh) * | 2020-06-11 | 2020-09-15 | 南通科技职业学院 | 一种基于深度学习的蓝印花布纹样数据集具体构建方法 |
CN114911851A (zh) * | 2022-07-12 | 2022-08-16 | 北京信安世纪科技股份有限公司 | 数据查询方法、装置及存储介质 |
CN115082394A (zh) * | 2021-08-09 | 2022-09-20 | 深圳智检慧通科技有限公司 | 一种插件缺陷视觉检测识别方法、可读存储介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6226636B1 (en) * | 1998-11-20 | 2001-05-01 | Philips Electronics North America Corp. | System for retrieving images using a database |
CN101510310A (zh) * | 2009-02-19 | 2009-08-19 | 上海交通大学 | 基于纹理聚类约束的高分辨率遥感图像分割方法 |
CN101853299A (zh) * | 2010-05-31 | 2010-10-06 | 杭州淘淘搜科技有限公司 | 一种基于感性认知的图像检索结果排序方法 |
US20120148118A1 (en) * | 2010-12-09 | 2012-06-14 | Electronics And Telecommunications Research Institute | Method for classifying images and apparatus for the same |
CN102622420A (zh) * | 2012-02-22 | 2012-08-01 | 哈尔滨工程大学 | 基于颜色特征和形状上下文的商标图像检索方法 |
CN103871084A (zh) * | 2014-04-04 | 2014-06-18 | 南通农业职业技术学院 | 蓝印花布图案识别方法 |
-
2018
- 2018-09-04 CN CN201811026343.XA patent/CN109299295B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6226636B1 (en) * | 1998-11-20 | 2001-05-01 | Philips Electronics North America Corp. | System for retrieving images using a database |
CN101510310A (zh) * | 2009-02-19 | 2009-08-19 | 上海交通大学 | 基于纹理聚类约束的高分辨率遥感图像分割方法 |
CN101853299A (zh) * | 2010-05-31 | 2010-10-06 | 杭州淘淘搜科技有限公司 | 一种基于感性认知的图像检索结果排序方法 |
US20120148118A1 (en) * | 2010-12-09 | 2012-06-14 | Electronics And Telecommunications Research Institute | Method for classifying images and apparatus for the same |
CN102622420A (zh) * | 2012-02-22 | 2012-08-01 | 哈尔滨工程大学 | 基于颜色特征和形状上下文的商标图像检索方法 |
CN103871084A (zh) * | 2014-04-04 | 2014-06-18 | 南通农业职业技术学院 | 蓝印花布图案识别方法 |
Non-Patent Citations (1)
Title |
---|
于翔等: "非物质文化遗产图像数据库的存储技术", 《无线互联科技》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666435A (zh) * | 2020-06-11 | 2020-09-15 | 南通科技职业学院 | 一种基于深度学习的蓝印花布纹样数据集具体构建方法 |
CN115082394A (zh) * | 2021-08-09 | 2022-09-20 | 深圳智检慧通科技有限公司 | 一种插件缺陷视觉检测识别方法、可读存储介质及设备 |
CN114911851A (zh) * | 2022-07-12 | 2022-08-16 | 北京信安世纪科技股份有限公司 | 数据查询方法、装置及存储介质 |
CN114911851B (zh) * | 2022-07-12 | 2022-10-14 | 北京信安世纪科技股份有限公司 | 数据查询方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109299295B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN101551823B (zh) | 一种综合多特征图像检索方法 | |
CN111125416A (zh) | 一种基于多特征融合的图像检索方法 | |
US7848577B2 (en) | Image processing methods, image management systems, and articles of manufacture | |
Lin et al. | Fast color-spatial feature based image retrieval methods | |
US20030147558A1 (en) | Method for image region classification using unsupervised and supervised learning | |
CN101211341A (zh) | 图像智能模式识别搜索方法 | |
CN104103082A (zh) | 一种基于区域描述和先验知识的图像显著性检测方法 | |
JP4098021B2 (ja) | シーン識別方法および装置ならびにプログラム | |
CN108710916B (zh) | 图片分类的方法及装置 | |
CN109299295A (zh) | 蓝印花布图像数据库搜索方法 | |
Casanova et al. | Texture analysis using fractal descriptors estimated by the mutual interference of color channels | |
CN107622280B (zh) | 基于场景分类的模块化处方式图像显著性检测方法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
Cheddad | On box-cox transformation for image normality and pattern classification | |
CN113988147A (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
JP2009123234A (ja) | オブジェクト識別方法および装置ならびにプログラム | |
Wan et al. | An approach for image retrieval based on visual saliency | |
CN113011506A (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
Lindner et al. | Joint statistical analysis of images and keywords with applications in semantic image enhancement | |
KR20110019117A (ko) | 시멘틱 기반의 이미지 검색 방법 | |
Srivastava et al. | An approach to pseudocoloring of grey scale image using deep learning technique | |
Jain et al. | A novel approach for image classification in Content based image retrieval using support vector machine | |
Zhao et al. | Automatic color extraction algorithm of graphic design image based on artificial intelligence |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211224 Address after: 226000 west side of South Head of Renmin bridge, Guanyinshan Town, Chongchuan District, Nantong City, Jiangsu Province Patentee after: Nantong Boyuan Intelligent Technology Co.,Ltd. Address before: No. 148, Qingnian East Road, Chongchuan District, Nantong City, Jiangsu Province, 226000 Patentee before: NANTONG College OF SCIENCE AND TECHNOLOGY |