CN109448010A - 一种基于内容特征的四方连续纹样自动生成方法 - Google Patents
一种基于内容特征的四方连续纹样自动生成方法 Download PDFInfo
- Publication number
- CN109448010A CN109448010A CN201811010998.8A CN201811010998A CN109448010A CN 109448010 A CN109448010 A CN 109448010A CN 201811010998 A CN201811010998 A CN 201811010998A CN 109448010 A CN109448010 A CN 109448010A
- Authority
- CN
- China
- Prior art keywords
- grain pattern
- image
- directions
- continues
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003708 edge detection Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000004087 circulation Effects 0.000 claims description 2
- 238000005549 size reduction Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 17
- 239000000284 extract Substances 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 230000009977 dual effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000007688 edging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/403—Edge-driven scaling; Edge-based scaling
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于内容特征的四方连续纹样自动生成方法，其首先通过平滑滤波算法滤除分形图的噪声，并进行灰度化；然后Canny边缘检测并提取灰度图像的边缘分布直方图、计算四边元素概率分布，对分形图是否需要提取花型进行判断；再用矩形窗口轮寻机制对分形图进行内容检索并确定花型位置，最后通过调用平排与错接两种方法进行四方连续纹样生成。由此可见，本发明纹样生成方法通过滤波、边缘特征检索、花型内容定位、纹样提取与拼接等主要步骤，自动提取花型并生成四方连续纹样。
Description
技术领域
本发明属于纺织设计技术领域，具体涉及一种基于内容特征的四方连续纹样自动生成方法。
背景技术
随着服装设计行业的发展，计算机辅助设计领域相关技术的成熟，快速高效地生成大量的艺术图片为设计师提供设计灵感。由计算机图形学生成的非线性图片，花型主体分布不固定，在实际应用中需要经过花型提取，组织布局提高设计效果。
四方纹样的生成过程一般可分为预处理、花型提取、组织布局三个步骤，通过预处理，降低图像噪声并增强图像中花型边缘，再进行边缘检测获取边缘信息。在边缘检测中，边缘像素的分布特征是定位花型主体的重要因素，非线性图形本身就是规律噪声集合，渲染生成出的图形边缘信息模糊。因此，直接进行边缘检测会造成花型主体过大，花型区域无法用常规矩形包含，应先对图像进行预处理，以最大限度消除分形变换产生的噪声等与图案无关的信息。目前，图像预处理方法主要有如均值滤波、中值滤波、高斯滤波、双边滤波、基于加权最小二乘滤波、L0梯度最小化、全变差及相对全变差模型等。
向忠等人在《基于边缘和颜色特征的织物印花花型检索》一文中提出了一种综合花型边缘和颜色特征的图像检索算法，利用中值滤波对花型图像进行滤波去噪，并采用Canny算子获取花型边缘，以边缘像素坐标加权中心点为圆心，将各边缘点划分到若干等距环面内，提取花型边缘距离直方图，并在对边缘像素点直线拟合基础上，提取边缘方向直方图；然后在HSV空间内对彩色边缘进行颜色量化，提取各颜色分量构成颜色直方图；最后对3种特征分别进行相似性度量，并赋予三者不同权重予以结合，获得图像间相似度，以此来检索相似花型；但文献技术在选择特征上仅仅考虑了明亮对比和边缘方向。
赵鹏博等人在《基于内容特征的图像匹配算法的研究》一文中针对交互式GraphCuts图像分割算法需要人工手动选择前景目标和背景场景条件的不足，提出一种基于SIFT算法的改进Graph Cuts(GC)图像分割算法，应用于自动寻找图像分割的种子点；仿真结果表明，改进的GC算法有较好的分割效果。在图像匹配过程中，其针对传统SIFT算法对颜色特征提取先天性的不足，提出了基于颜色直方图的SIFT特征提取算法：首先根据传统SIFT特征提取算法计算特征点的位置、尺度和方向；然后以特征点为中心，以固定领域大小为窗口，增加计算颜色直方图，利用颜色直方图进行初次匹配，以缩小图像的搜索范围；最后根据传统SIFT特征点的算子进行第二次匹配，并将匹配出的图像以相似度由高到低进行排列；但该特征提取算法并没有将窗口引入到花型的定位，进行花型的提取。
发明内容
鉴于上述，本发明提供了一种基于内容特征的四方连续纹样自动生成方法，通过边缘特征来确定主体花型，分析花型类型，提取花型作为基础纹样进行四方连续拼接布局。
一种基于内容特征的四方连续纹样自动生成方法，包括如下步骤：
(1)对分形图像库中的样本图像进行预处理操作；
(2)对预处理后的样本图像进行边缘检测，通过统计边缘检测结果图像中上下左右任意一边的边缘像素概率分布以判断样本图像边缘是否均匀：若均匀则使该样本图像作为基础纹样并执行步骤(4)；若不均匀则无法生成四方连续纹样，抛弃该样本图像；若介于均匀与不均匀之间则执行步骤(3)；
(3)采用矩形框循环扫描机制从样本图像中提取花型区域作为基础纹样；
(4)根据基础纹样进行四方连续拼接生成四方纹样。
进一步地，所述步骤(1)中的预处理操作依次包括缩放、双边滤波以及高反差保留。
进一步地，所述步骤(2)中采用Canny算子对预处理后的样本图像进行边缘检测，在边缘检测过程中先将彩色的样本图像转化为灰度图像，进而采用Sobel算子计算像素点水平和垂直方向的梯度并对图像进行卷积操作。与二阶差分不同的是Canny算子采用非极大信号抑制，针对单一阈值可能会漏掉真实边缘的问题，Canny算子的双阈值解决了这一问题，并且在实际应用中双阈值还有边缘连接的作用。
进一步地，所述步骤(2)中判断样本图像边缘是否均匀的具体方法如下：
2.1提取边缘检测结果图像上边8行、下边8行、左边8列或右边8列所对应的区域，并统计该区域内的边缘像素个数；
2.2将该区域均匀划分成m个区块，统计每个区块内的边缘像素个数，m为大于1的自然数；
2.3逐一判断每个区块是否均符合以下条件，若是则执行步骤2.4，若否则判定样本图像边缘不均匀；
其中：ni为当前区块内的边缘像素个数，n为区域内的边缘像素个数，η1为设定的比例阈值；
2.4逐一判断每个区块是否均符合以下条件，若是则判定样本图像边缘均匀，若否则判定样本图像边缘介于均匀与不均匀之间；
其中：ni+1为与当前区块右边相邻区块内的边缘像素个数，η2为设定的比例阈值。
进一步地，所述比例阈值η1和η2分别设定为30％和20％。
进一步地，所述步骤(3)的具体实现方法如下：
3.1对边缘检测结果图像进行二值化处理；
3.2初始化一个矩形窗，该矩形窗的尺寸为样本图像尺寸的1/4；
3.3利用矩形窗按一定步长以从左到右从上到下的顺序对二值化后的图像进行扫描，并在图像中标记符合以下条件的窗口起始点；
nb＞nw/3
其中：nb为窗口内非零像素点(即对应花型的黑点)的个数，nw为窗口内的像素点个数；
3.4以一定步长缩小矩形窗的尺寸，返回执行步骤3.3；
3.5循环执行步骤3.3～3.4，直至矩形窗的的尺寸缩小为样本图像尺寸的1/8；
3.6确定图像中覆盖所有被标记窗口起始点的最小外接矩形，该最小外接矩形即为样本图像的花型区域并将其作为基础纹样。
进一步地，所述步骤3.1中采用OTSU(大津法)对边缘检测结果图像进行二值化处理，所述窗口起始点即为窗口的左上顶点。
进一步地，所述步骤(4)中根据基础纹样采用平排或错接方式进行四方连续拼接，在拼接过程中需设置纹样拼接间隙的过渡。
基于上述技术方案，本发明具有以下有益技术效果：
(1)本发明在图像预处理过程中基于双边滤波的改进算法，该改进算法使得在平滑同颜色纱线纹理和重组织边缘阴影的同时，有效保持了花型的边缘，避免了双边滤波后区域之间的边缘细节被弱化以及双边滤波将纱线纹理保留为边缘等问题，高反差方法增强了边缘信息，有利于后续图像特征提取的有效性和准确性。
(2)本发明方法采用表决机制的Canny边缘检测，自适应阈值设定，加入矩形窗口轮寻的处理，由局部到正题，准确地对花型进行定位提取。
附图说明
图1为本发明四方连续纹样自动生成方法的流程示意图。
图2(a)为某一花纹的分形样本图像。
图2(b)为图2(a)经双边滤波纹理抑制平滑后的图像。
图2(c)为图2(b)经Canny边缘检测后的图像。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明基于内容特征的四方连续纹样生成方法，包括如下步骤：
(1)对分形图像库中的样本图像依次进行双边滤波以及高反差保留的预处理操作，通过纹理抑制平滑滤波算法滤除分形噪声，并进行灰度化。平滑是一种纹理抑制边缘保持平滑滤波算法，可以抑制同颜色相同颜色及边缘阴影，本实施方式的纹理抑制平滑滤波算法在双边滤波器的基础上，加入定义域与值域核乘积系数，对分形图的每个像素点进行非线性滤后，再由高反差增强边缘信息，该滤波器可以由下式表示：
其中：ID(i，j)表示双边滤波器输出(i,j)位置的像素，f(k，l)是邻域像素，可以看出输出像素ID(i，j)取决于邻域像素f(k，l)的加权组合，w(i，j，k，l)是邻域像素的权重系数，该系数取决于定义域核d与值域核r的乘积。
其中：i和j分别为像素点f(i,j)在样本图像中的横坐标和纵坐标，k和l分别为邻域像素点f(k，l)在样本图像中的横坐标和纵坐标，σd、σr为定义域核与值域核的高斯分布参数；权重w取决于定义域核与值域核的乘积，在图像的像素值变化较小的区域，对应的像素范围域权重接近于1，此时空间域权重起主要作用，相当于进行高斯模糊；在图像的边缘区域像素值变化较大，像素范围域权重变大，从而保持了边缘的信息。
原始的双边滤波处理后的图片，边缘虽有一定的保留，但保留效果并不理想，本发明方法中加入了高反差算法对边缘进行锐化，加强了边缘信息的保留，经双边滤波纹理抑制平滑前后的图像分别如图2(a)和图2(b)所示。
(2)对预处理后的样本图像进行特征提取，以计算出样本图像的四边像素概率分布，根据四边像素概率分布判断样本图像边缘是否均匀，若均匀则执行步骤(4)，不均匀则无法操作；还有一类需要按步骤(3)进行花型提取进而拼接。
在计算概率密度之前，需要进行边缘检测，本发明方法选用的是改进的Canny算子进行边缘检测，Canny边缘检测需要计算图像梯度。
本实施方式中首先将彩色图像转化为灰度图像，再选用步骤(1)中的双边滤波对分形图进行平滑处理，之后计算图像X方向与Y方向的梯度；本发明选用sobel算子计算图像边缘像素点(i,j)的水平方向梯度dx(i,j)和垂直方向梯度dy(i,j)，图像梯度是二维离散函数的求导：
G(x，y)＝dx(i，j)+dy(i，j)
dx(i，j)＝I(i+h，j)-I(i，j))
dy(i，j)＝I(i，j+1)-I(i，j)
其中，I是图像像素的值(如RGB值)，(i,j)为像素的坐标。
然后根据下式计算边缘像素点的梯度方向θ(i,j)，为了加快检索速度，将θ(i,j)量化到[1,16]；最后统计θ(i,j)值的直方图H(n)，n为整数，1≤n≤16，表示梯度方向落在第n级的量化空间中的边缘像素点个数；为了保证图像的旋转不变性，选择直方图中最大频数的方向为主方向并设为1，其他方向值相应循环移位。
θ(x，y)≈tan-1((Gy(x，y))/(Gx(x，y)))
在空间域上，用sobel算子对图像进行卷积操作，可直接对图像进行梯度操作。在计算完图像的梯度之后，与二阶差分不同的是Canny算子采用非极大信号抑制，针对单一阈值可能会漏掉真实边缘的问题，Canny算子的双阈值解决了这一问题，并且在实际应用中双阈值还有边缘连接的作用。双阈值选择与边缘连接方法通过假设两个阈值，其中一个为高阈值TH，另外一个为低阈值TL，则：
a.对于任意边缘像素低于TL的则丢弃；
b.对于任意边缘像素高于TH的则保留；
c.对于任意边缘像素值在TL与TH之间的，如果能通过边缘连接到一个像素大TH而且边缘所有像素大于最小阈值TL的则保留，否则丢弃。
在边缘检测处理完成之后的图像结果如图2(c)所示，提取边缘8行(列)元素进行概率分布计算，若分布均匀，则可作为基础纹样；在判断像素分布是否均匀时，将Canny检测后的分形图提取的8行(列)并划分m个区块，统计提取行列中所有像素个数n，均值E＝n/m，分别统计每个区域内的像素点个数，划分区域统计像素与均值相差小于30％且相邻区域统计相差小于20％则视为分布均匀。若相邻区域相差高于20％则需要进行提取。
(3)采用矩形框口循环机制，缩小计算视野，设定占比阈值，统计矩形位置。
首先将分形图进行二值化处理，再用矩形窗口设定在分形图长宽各1/4的初始值，通过设定步长来移动窗口，计算窗口内非零元素(对应花型的黑点)占比是否超过1/3，并记录下超过阈值的窗口起始点(即左上顶点)，若窗口缩小到长宽1/8仍未有超过占比的矩形，则视为花型区域过小，不适合提取做纹样拼接。
(4)提取花型，确定基础纹样，这里的基础纹样有两种：第一种是上一阶段中四边像素分布均匀的，可直接用作基础图形进行拼接；第二种是需要进行花型提取，求取包含所有符合阈值的矩形窗口起始点的最小外界矩形作为包含整体花型的感兴趣区域ROI，对ROI进行提取，确定为基础纹样。
(5)调用不同接口进行平排或者错位的四方连续拼接，进行四方连续纹样的生成并显示。本实施方式中对基础纹样拼接提供了平排与错接两种不同的拼接接口，平排可通过选择平移与翻转生成纹样，错接需要设定错位的偏移值，并显示预览生成的四方连续纹样效果作为参考；在拼接过程中应注意纹样拼接间隙的过渡，初始错位阈值设立在1/2。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种基于内容特征的四方连续纹样自动生成方法，包括如下步骤：
(1)对分形图像库中的样本图像进行预处理操作；
(2)对预处理后的样本图像进行边缘检测，通过统计边缘检测结果图像中上下左右任意一边的边缘像素概率分布以判断样本图像边缘是否均匀：若均匀则使该样本图像作为基础纹样并执行步骤(4)；若不均匀则无法生成四方连续纹样，抛弃该样本图像；若介于均匀与不均匀之间则执行步骤(3)；
(3)采用矩形框循环扫描机制从样本图像中提取花型区域作为基础纹样；
(4)根据基础纹样进行四方连续拼接生成四方纹样。
2.根据权利要求1所述的四方连续纹样自动生成方法，其特征在于：所述步骤(1)中的预处理操作依次包括缩放、双边滤波以及高反差保留。
3.根据权利要求1所述的四方连续纹样自动生成方法，其特征在于：所述步骤(2)中采用Canny算子对预处理后的样本图像进行边缘检测，在边缘检测过程中先将彩色的样本图像转化为灰度图像，进而采用Sobel算子计算像素点水平和垂直方向的梯度并对图像进行卷积操作。
4.根据权利要求1所述的四方连续纹样自动生成方法，其特征在于：所述步骤(2)中判断样本图像边缘是否均匀的具体方法如下：
2.1提取边缘检测结果图像上边8行、下边8行、左边8列或右边8列所对应的区域，并统计该区域内的边缘像素个数；
2.2将该区域均匀划分成m个区块，统计每个区块内的边缘像素个数，m为大于1的自然数；
2.3逐一判断每个区块是否均符合以下条件，若是则执行步骤2.4，若否则判定样本图像边缘不均匀；
其中：ni为当前区块内的边缘像素个数，n为区域内的边缘像素个数，η1为设定的比例阈值；
2.4逐一判断每个区块是否均符合以下条件，若是则判定样本图像边缘均匀，若否则判定样本图像边缘介于均匀与不均匀之间；
其中：ni+1为与当前区块右边相邻区块内的边缘像素个数，η2为设定的比例阈值。
5.根据权利要求4所述的四方连续纹样自动生成方法，其特征在于：所述比例阈值η1和η2分别设定为30％和20％。
6.根据权利要求1所述的四方连续纹样自动生成方法，其特征在于：所述步骤(3)的具体实现方法如下：
3.1对边缘检测结果图像进行二值化处理；
3.2初始化一个矩形窗，该矩形窗的尺寸为样本图像尺寸的1/4；
3.3利用矩形窗按一定步长以从左到右从上到下的顺序对二值化后的图像进行扫描，并在图像中标记符合以下条件的窗口起始点；
nb＞nw/3
其中：nb为窗口内非零像素点的个数，nw为窗口内的像素点个数；
3.4以一定步长缩小矩形窗的尺寸，返回执行步骤3.3；
3.5循环执行步骤3.3～3.4，直至矩形窗的的尺寸缩小为样本图像尺寸的1/8；
3.6确定图像中覆盖所有被标记窗口起始点的最小外接矩形，该最小外接矩形即为样本图像的花型区域并将其作为基础纹样。
7.根据权利要求6所述的四方连续纹样自动生成方法，其特征在于：所述步骤3.1中采用OTSU对边缘检测结果图像进行二值化处理，所述窗口起始点即为窗口的左上顶点。
8.根据权利要求1所述的四方连续纹样自动生成方法，其特征在于：所述步骤(4)中根据基础纹样采用平排或错接方式进行四方连续拼接，在拼接过程中需设置纹样拼接间隙的过渡。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811010998.8A CN109448010B (zh) | 2018-08-31 | 2018-08-31 | 一种基于内容特征的四方连续纹样自动生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811010998.8A CN109448010B (zh) | 2018-08-31 | 2018-08-31 | 一种基于内容特征的四方连续纹样自动生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109448010A true CN109448010A (zh) | 2019-03-08 |
| CN109448010B CN109448010B (zh) | 2020-08-04 |
Family
ID=65533118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811010998.8A Active CN109448010B (zh) | 2018-08-31 | 2018-08-31 | 一种基于内容特征的四方连续纹样自动生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109448010B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866860A (zh) * | 2019-11-01 | 2020-03-06 | 成都费恩格尔微电子技术有限公司 | 生物特征识别用的cis芯片的图像处理方法 |
| CN113657335A (zh) * | 2021-08-25 | 2021-11-16 | 华北理工大学 | 基于hsv颜色空间的矿相识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090257658A1 (en) * | 2008-04-09 | 2009-10-15 | Fuji Xerox Co., Ltd. | Image extracting apparatus, image extracting method and computer readable medium |
| US20090297055A1 (en) * | 2008-05-27 | 2009-12-03 | Subhankar Panda | Supervised edge detection using fractal signatures |
| CN101908208A (zh) * | 2010-07-27 | 2010-12-08 | 浙江大学 | 面向图像边缘检测的平滑滤波空间尺度的自适应确定方法 |
| CN104036232A (zh) * | 2014-05-15 | 2014-09-10 | 浙江理工大学 | 一种基于图像边缘特征分析的领带花型检索方法 |
| CN104778458A (zh) * | 2015-04-17 | 2015-07-15 | 浙江理工大学 | 一种基于纹理特征的纺织品花纹检索方法 |
-
2018
- 2018-08-31 CN CN201811010998.8A patent/CN109448010B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090257658A1 (en) * | 2008-04-09 | 2009-10-15 | Fuji Xerox Co., Ltd. | Image extracting apparatus, image extracting method and computer readable medium |
| US20090297055A1 (en) * | 2008-05-27 | 2009-12-03 | Subhankar Panda | Supervised edge detection using fractal signatures |
| CN101908208A (zh) * | 2010-07-27 | 2010-12-08 | 浙江大学 | 面向图像边缘检测的平滑滤波空间尺度的自适应确定方法 |
| CN104036232A (zh) * | 2014-05-15 | 2014-09-10 | 浙江理工大学 | 一种基于图像边缘特征分析的领带花型检索方法 |
| CN104778458A (zh) * | 2015-04-17 | 2015-07-15 | 浙江理工大学 | 一种基于纹理特征的纺织品花纹检索方法 |
Non-Patent Citations (2)
| Title |
|---|
| 向忠等: ""基于边缘和颜色特征的织物印花花型检索"", 《纺织学报》 * |
| 林翔宇等: ""基于图像边缘特征的领带花型检索方法"", 《纺织学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866860A (zh) * | 2019-11-01 | 2020-03-06 | 成都费恩格尔微电子技术有限公司 | 生物特征识别用的cis芯片的图像处理方法 |
| CN110866860B (zh) * | 2019-11-01 | 2023-12-26 | 上海菲戈恩微电子科技有限公司 | 生物特征识别用的cis芯片的图像处理方法 |
| CN113657335A (zh) * | 2021-08-25 | 2021-11-16 | 华北理工大学 | 基于hsv颜色空间的矿相识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109448010B (zh) | 2020-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105844278B (zh) | 一种多特征融合的织物扫描图案识别方法 | |
| CN106056155B (zh) | 基于边界信息融合的超像素分割方法 | |
| Yang et al. | ContourGAN: Image contour detection with generative adversarial network | |
| CN108537239A (zh) | 一种图像显著性目标检测的方法 | |
| CN1312625C (zh) | 基于游程邻接图的复杂背景彩色图像中字符提取方法 | |
| CN104778458B (zh) | 一种基于纹理特征的纺织品花纹检索方法 | |
| CN102930576A (zh) | 一种基于特征流的抽象线条画生成方法 | |
| WO2020140198A1 (zh) | 指甲图像分割方法、装置、设备和存储介质 | |
| CN109859257B (zh) | 一种基于纹理方向性的皮肤图像纹理评估方法及系统 | |
| US11263752B2 (en) | Computer-implemented method of detecting foreign object on background object in an image, apparatus for detecting foreign object on background object in an image, and computer-program product | |
| CN109272503A (zh) | 一种基于最大熵与dbscan相融合的毛羽检测算法 | |
| CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
| CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
| Chen et al. | Single depth image super-resolution using convolutional neural networks | |
| CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
| CN109448010A (zh) | 一种基于内容特征的四方连续纹样自动生成方法 | |
| Li et al. | A novel digital method for weave pattern recognition based on photometric differential analysis | |
| CN106599891A (zh) | 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法 | |
| 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 | |
| CN115311310A (zh) | 通过图割实现纺织品印花图案提取的方法 | |
| Semmo et al. | Image stylization by oil paint filtering using color palettes | |
| CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
| CN110570418B (zh) | 一种织唛缺陷检测方法和装置 | |
| Wang et al. | A fast image segmentation algorithm for detection of pseudo-foreign fibers in lint cotton | |
| CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231007 Address after: No. 998, Wenyi West Road, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: HANGZHOU HUICUI INTELLIGENT TECHNOLOGY CO.,LTD. Address before: 310018 No. 2 street, Baiyang street, Hangzhou economic and Technological Development Zone, Zhejiang 928 Patentee before: ZHEJIANG SCI-TECH University |
|
| TR01 | Transfer of patent right |