CN109785283B - 一种用于织物分割的纹理特征匹配方法及装置 - Google Patents

Abstract

本发明公开了一种用于织物分割的纹理特征匹配方法及装置，预先获取成品织物的图像，作为标准图像，获取到需要识别的图像作为输入图像，通过检测两图中不同尺度下的满足不变性的特征点，对输入图像中与标准图像相似的区域进行匹配，并获得输入图像中成品织物变形情况，进一步获取输入图像中成品织物的边界，能自动识别大的织物块中小的成品织物，并能由此产生自动切割路径，与自动切割装置一起配合能够完成大的织物的自动切割工序，大量节省人力资源成本并提高效率，纺织企业只需要用到与该方法结合的上位机控制切割机来分割织物，可降低织物分割时的资源消耗，提高织物分割的效率。

Description

一种用于织物分割的纹理特征匹配方法及装置

技术领域

本公开涉及图像处理领域，具体涉及一种用于织物分割的纹理特征匹配方法及装置。

背景技术

在纺织制造业中，为了提高生产效率以及工艺要求，纺织出来的织物往往是一整块由多个花纹相同的独立织物构成的大的织物。例如如果要生产一块地毯，一般成品地毯的尺寸小于生产设备所能加工出来的织物的尺寸，为了提高生产效率，纺织出来的织物由多块地毯组成。如果要生产出成品地毯，需要对这样一块大的织物进行分割，使得各个小的成品织物分离出来。目前，大多数纺织企业在进行织物分割的时候，都是通过人工操作来分离具有相同花纹的织物。这种方式劳动强度大，速度慢，效率低，费时费力，成本高，还容易出错，使织物容易受到损害，从而给纺织企业带来不必要的经济损失。

发明内容

本公开提供一种用于织物分割的纹理特征匹配方法及装置，预先获取成品织物的图像，作为标准图像，通过按照在工作面上的CCD传感器获取到需要识别的图像作为输入图像，通过检测两图中不同尺度下的满足不变性的特征点，对输入图像中与标准图像相似的区域进行匹配，并获得输入图像中成品织物变形情况，进一步获取输入图像中成品织物的边界，能自动识别大的织物块中小的成品织物，并能由此产生自动切割路径。

为了实现上述目的，根据本公开的一方面，提供一种用于织物分割的纹理特征匹配方法，所述方法包括以下步骤：

步骤1，对原始图像进行平滑降噪处理；

步骤2，检测图像的特征点；

步骤3，对特征点进行筛查与定位；

步骤4，进行特征点匹配；

步骤5，特征点集聚类；

步骤6，计算标准图像到输入图像的仿射变换；

步骤7，根据图像角点计算出待匹配图像的顶点；

步骤8，合并顶点和聚类，更新顶点和边矩阵；

步骤9，输出路径与分割结果。

进一步地，在步骤1中，所述对图像进行平滑降噪处理的方法为，令原始图像u₀通过高斯核G_σ卷积得到高斯模糊的图像u_t，数学形式为：

其中，

表示二维高斯核函数，在已知σ的条件下，将原始图像在线性时间不变的条件下进行平滑降噪处理，

其中，F,F^-1分别表示傅里叶变换及逆变换算子，“o”表示算子的作用，“*”表示算子的伴随，算子的伴随即共轭转置，λ为正则参数。

进一步地，在步骤2中，所述检测图像的特征点的方法为，

通过DOG差分高斯检测图像的特征点，使用DOG差分高斯算子进行检测，算子定义为：

D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)；

将每个像素点要和其图像域和尺度域的所有相邻点进行比较，比较其像素值是否是该像素所在图像域和尺度域的相邻像素点的最大值，在二维图像中图像域为该像素点周围的八个像素；尺度域为该像素所在图像和相邻两幅尺度不同的图像，两幅图共有十八个像素，遍历每个像素点，与其图像域8个点、相邻尺度域18个点共26个点进行比较，获得该像素所在图像域和尺度域的相邻像素点的最大值的点。

进一步地，在步骤3中，对特征点进行筛查与定位的方法为，采用拟合三维二次函数的方法来同时实现剔除不稳定极值点和精确定位极值点的尺度和位置。

进一步地，在步骤4中，进行特征点匹配的方法为，将两幅相同场景的图像加以配准，配准为将特征点匹配是找出待匹配的两幅图像上对应一致的特征点匹配对，根据特征点匹配过程中，判断两个点是否是正确的匹配点对是根据关键点的特征向量之间的欧氏距离作为度量的，取标准图中的一个关键点，并找出其与待匹配图中欧氏距离最近的前两个关键点，在这两个关键点中，如果最近距离除以次近距离小于某个比例阈值，则认为这一对点为正确匹配点对，若是降低此比例阈值，SIFT正确匹配点对会减少，但更加稳定；

将步骤2和步骤3获得的点作为128维向量，确定在128维的高维空间内两个特征点之间的相似程度，采用高维空间中的距离进行度量，在高维空间中的距离度量采用Kd-tree算法进行匹配，Kd-tree，即K-dimensional tree，是一种高维索引树形数据结构，在一个K维数据集合上构建一棵Kd-tree代表了对该K维数据集合构成的K维空间的一个划分。

进一步地，在步骤5中，特征点集聚类的方法为，

将特征点集表示为数学形式：

D＝(X1，X2，…，Xn)

特征点集D是待匹配图像中已经提取出的特征点在x-y坐标上的表现，因此可以通过聚类算法按给定分类组数进行分类，聚类算法步骤如下：

a、从D中随机取k个元素，作为k个簇的各自的中心，

初始的K个分类中每个分类的中心点选择，根据特征点数量计算k值，即在待匹配图像中的特征点数量应该是标准图中特征点数量的k倍，由此可以计算出k的值；

b、分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇，当D中的每个元素都是二维数据的时候，即对点进行聚类，相异度考虑的是二维数据，此时可以用每个点到k个簇中心点的欧式距离表示，在进行聚类时考虑到的相异度就是各特征点到k个簇中心点的距离；

c、根据聚类结果，重新计算k个簇各自的中心点，计算方法是取簇中所有元素各自维度的算术平均数；

d、将D中全部元素按照新的中心重新聚类；

e、重复第2、3、4步，直到聚类结果不再变化；

在本步骤中需要对前面步骤进行迭代，而结束迭代的条件是到达了指定的迭代次数，或者两次RSS的差值小于给定的阈值的情况下，可以认为聚类结果不再变化，此时便可以结束聚类处理，输出最终聚类结果。

进一步地，在步骤6中，计算标准图像到输入图像的仿射变换的方法为，

由于输入图像和标准图像之间已经匹配成功的特征向量是一对多的关系,输入图像上可以匹配多个标准图像,故需要通过PAC主成成分分析法将这一对多的关系聚类划分为一对一的关系。实际操作上通过聚类将得到的一对一之间的图像映射关系放入到数组中，遍历该数组，由此就可以得到原图像和目标图像内各个图案的映射关系；

本步骤的目的是求标准图像上的像素和输入图像上的像素之间的关系，这种关系可以通过一个3*3矩阵进行描述，如下为该关系的数学描述：

I_stand＝A·I，

其中I_stand为标准图像上的已匹配的特征向量，I为输入图像的已匹配的特征向量，A为本步骤所要求得的矩阵；

在步骤5的基础上，通过匹配4对以上已匹配特征向量，解一个含有6个未知参数的方程，得到一个用于将原图像上的像素点变换到目标图像上的变换矩阵，

步骤5中的所需要计算的矩阵A如下；

步骤5匹配出的特征向量为：

进一步地，在步骤7中，根据图像角点计算出待匹配图像的顶点的方法为，

在步骤6的基础上，已经找到了标准模板图像和待匹配图像之间的用变换矩阵描述的转换关系，因此，本步骤的目的是在待匹配图像中找出织物的切割路径。其具体操作就是根据变换矩阵得到标准图像的图像边界点，即本文所称角点变换到待匹配图像中，进而求解出织物的切割路线，本步骤中，标准模板图像和待匹配图像可以用如下公式描述：

I＝AI_stand，

其中I是指待匹配图像、A是变换矩阵、I_stand是指标准模板图像；

此矩阵A为标准模板图与待匹配图中某一部分经过聚类后的特征点对应求出来的仿射矩阵，由于在待匹配图像中有多个需要匹配的部分，因此对于待匹配中的每一小块图像，与标准模板图都有一个对应的变换矩阵A，故可以分别求出对应的变换矩阵，表示为{A₁，A₂，A₃，…，A_k}，由此变换矩阵组便可以根据标准模板图中四个顶点坐标分别求出待匹配图中的所有顶点坐标，标准模板图中顶点数为4，在待匹配图像中求出的顶点数为4*k，其中k为待匹配图像中包含的标准模板图的个数。

进一步地，在步骤8中，合并顶点和聚类，更新顶点和边矩阵的方法为，

在步骤6的基础上，检测目标图像上的各个多边形与其相邻的多边形的顶点的距离，判断顶点间距离是否小于阈值，如小于阈值，则将两个顶点合并为一个顶点并将新顶点更新到矩阵内，再对边矩阵进行更新操作。

进一步地，在步骤9中，输出路径与分割结果的方法为，在步骤7的基础上，将点和边矩阵输出到激光切割机，即输出路径，并在计算机上显示切割结果。

本发明还提供了一种用于织物分割的纹理特征匹配装置，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

初始化单元，用于对原始图像进行平滑降噪处理；

特征点检测单元，用于检测图像的特征点；

筛查与定位单元，用于对特征点进行筛查与定位；

特征点匹配单元，用于进行特征点匹配；

特征点集聚类单元，用于特征点集聚类；

仿射变换单元，用于计算标准图像到输入图像的仿射变换；

匹配顶点单元，用于根据图像角点计算出待匹配图像的顶点；

合并更新单元，用于合并顶点和聚类，更新顶点和边矩阵；

路径输出单元，用于输出路径与分割结果。

本公开的有益效果为：本发明提供一种用于织物分割的纹理特征匹配方法及装置，本发明提供的方法及装置与自动切割装置一起配合能够完成大的织物的自动切割工序，大量节省人力资源成本，提高效率，改进质量本发明完成后，纺织企业只需要用到与该方法结合的上位机控制切割机来分割织物，可降低织物分割时的资源消耗，提高织物分割的效率。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：

图1所示为一种用于织物分割的纹理特征匹配方法的流程图；

图2所示为织物分割结果图；

图3所示为一种用于织物分割的纹理特征匹配装置图。

具体实施方式

以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本公开提出一种用于织物分割的纹理特征匹配方法，具体包括以下步骤：

步骤1，对原始图像进行平滑降噪处理；

步骤2，检测图像的特征点；

步骤3，对特征点进行筛查与定位；

步骤4，进行特征点匹配；

步骤5，特征点集聚类；

步骤6，计算标准图像到输入图像的仿射变换；

步骤7，根据图像角点计算出待匹配图像的顶点；

步骤8，合并顶点和聚类，更新顶点和边矩阵；

步骤9，输出路径与分割结果。

如图1所示为根据本公开的一种用于织物分割的纹理特征匹配方法的流程图，下面结合图1来阐述根据本公开的实施方式的一种用于织物分割的纹理特征匹配方法的一种实施例为：

1.建立在不同尺度空间下的图像

步骤1是步骤2的前置步骤，对于一副图像而言，其图像中的某些局部特征可以用于识别出是否这副图像。局部特征的稳定性要求中，若图像进行了旋转、尺度缩放、亮度变化等操作，局部特征不变；若图像视角变化、仿射变换、图像噪声等变化下，局部特征仍然能够保持一定程度上的稳定性，则认为该种局部特征是一种非常稳定的局部特征。

尺度空间理论是通过对原始图像进行尺度变换，然后获取图像在多尺度下的尺度空间表示序列，对这些表示序列进行基于尺度空间的主轮廓提取，并以提取的主轮廓作为一种特征向量，以实现不同分辨率上的特征提取。生成尺度空间的目的是为了模拟图像数据多尺度特征。对于从成像系统获得的输入图像和预先准备的标准图像，首先通过高斯核函数对图像进行不同程度上的模糊，以建立不同尺度空间下的图像。

为寻找到这种比较稳定的局部特征，仿照生物视觉中对物体的辨认能力，需要建立一幅图像在不同尺度下的图像。尺度即是使用不同的值对同一幅图像进行模糊的表示。通过不同的值得到不同模糊程度的图像，最终得到一组模糊程度不同的图像，即可以用于步骤2。

其中进行模糊操作的高斯核函数为：

2.特征点探测

在步骤1的基础上，通过算子来检测在不同尺度空间下都存在的特征点。本技术方案为了减少运算量，提高运行效率，使用DOG差分高斯用于检测。

为了寻找尺度空间的极值点，每个像素点要和其图像域和尺度域的所有相邻点进行比较，比较其像素值是否是该像素所在图像域和尺度域的相邻像素点的最值。在二维图像中图像域为该像素点周围的八个像素；尺度域为该像素所在图像和相邻两幅尺度不同的图像，两幅图共有十八个像素。

本步骤遍历每个像素点，与其图像域8个点、相邻尺度域18个点共26个点进行比较。使用DOG差分高斯算子进行检测，算子定义为：

D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)

3.特征点筛查与定位

在步骤2的过程中是在不同尺度下的图像检测得出了不同尺度的局部极值点。由于步骤2所述的DOG差分高斯算子在进行检测时会产生较强的边缘相应，且部分局部极值点的相应较弱，这些极值点并非都是稳定的；同时，为了达到下一步骤匹配的目的，还需要对特征点进行精确定位。

本步骤采用拟合三维二次函数的方法来同时实现剔除不稳定极值点和精确定位极值点的尺度和位置。

4.特征点匹配

在步骤2、3的基础上，完成了SIFT特征的提取。此时，位于两幅图像中的特征点个数和对应关系并不是一一对应的，需要进行特征点匹配。本步骤的图像匹配方法就是将两幅相同场景的图像加以配准。特征点匹配是找出待匹配的两幅图像上对应一致的特征点匹配对。在SIFT特征点匹配过程中，判断两个点是否是正确的匹配点对是根据关键点的特征向量之间的欧氏距离作为度量的。取标准图中的一个关键点，并找出其与待匹配图中欧氏距离最近的前两个关键点，在这两个关键点中，如果最近距离除以次近距离小于某个比例阈值，则认为这一对点为正确匹配点对，若是降低此比例阈值，SIFT正确匹配点对会减少，但更加稳定。

步骤2、3得出的点为128维向量，则本步骤的算法的目的是要确定在128维的高维空间内两个特征点之间的相似程度，这里用高维空间中的距离进行度量。在高维空间中的距离度量，本步骤采用了Kd-tree算法进行匹配。Kd-tree，即K-dimensional tree，是一种高维索引树形数据结构，常用于在大规模的高维数据空间进行最近邻查找，在进行SIFT特征点匹配时需要用到Kd-tree，Kd-tree是一棵二叉树，树中存储的是一些K维数据。在一个K维数据集合上构建一棵Kd-tree代表了对该K维数据集合构成的K维空间的一个划分，这里的K维数据集合对应到本文中即指的是特征点的128维特征向量。

5.特征点集聚类

在步骤4的基础上，已经获得了标准图与待匹配图的正确匹配点对，也对误匹配点进行了剔除。在织物切割过程中，由于被切割织物是由多个标准图连成的一整块，也就是说在标准图中的一个特征点在待匹配图像中由多个正确的匹配点，因此对于待匹配图像中的特征点，需要对其进行聚类，此过程的主要目的是将待匹配图像中每一小块标准图的特征点聚在一起在步骤3提取到的数据可以表示为数学形式：

D＝(X1，X2，…，Xn)

D实际上就是待匹配图像中已经提取出的特征点在x-y坐标上的表现。因此可以通过聚类算法按给定分类组数进行分类，聚类算法步骤如下：

a、从D中随机取k个元素，作为k个簇的各自的中心。

初始的K个分类中每个分类的中心点选择，多数的算法实现都是支持随机选择与人工指定两种方式，OpenCV中的聚类算法实现同样支持这两种方式。在后面是严重，此步骤采用的是人为指定的方式。在本实验过程中k值可以根据特征点数量计算出来，即在待匹配图像中的特征点数量应该是标准图中特征点数量的k倍，由此可以计算出k的值。

b、分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇。

当D中的每个元素都是二维数据的时候，即对点进行聚类，相异度考虑的是二维数据，此时可以用每个点到k个簇中心点的欧式距离表示。由于本实验聚类过程是将同一图案上的特征点聚到一起，因此只需要考虑特征点在带匹配图像中的位置，即二维坐标。因此本实验在进行聚类时考虑到的相异度就是各特征点到k个簇中心点的距离。

c、根据聚类结果，重新计算k个簇各自的中心点，计算方法是取簇中所有元素各自维度的算术平均数。

d、将D中全部元素按照新的中心重新聚类。

e、重复第2、3、4步，直到聚类结果不再变化。

在本步骤中需要对前面步骤进行迭代，而结束迭代的条件是到达了指定的迭代次数，或者两次RSS的差值小于给定的阈值的情况下，可以认为聚类结果不再变化，此时便可以结束聚类处理，输出最终聚类结果。

本步骤将待匹配图像中的每一部分标准图的特征点进行聚类，为下一步的针对待匹配图像找出分割路径作准备。

6.计算标准图像到输入图像的仿射变换

空间中同一平面的任意两幅图像之间的关系可以通过单应性矩阵描述出来。在计算机视觉中，单应性被定义为从一个平面到另一个平面的投影映射。

由于输入图像和标准图像之间已经匹配成功的特征向量是一对多的关系(输入图像上可以匹配多个标准图像)，故需要通过PAC主成成分分析法将这一对多的关系聚类划分为一对一的关系。实际操作上通过聚类将得到的一对一之间的图像映射关系放入到数组中，遍历该数组，由此就可以得到原图像和目标图像内各个图案的映射关系。

本步骤的目的是求标准图像上的像素和输入图像上的像素之间的关系，这种关系可以通过一个3*3矩阵进行描述。如下为该关系的数学描述

I_stand＝A·I

其中I_stand为标准图像上的已匹配的特征向量，I为输入图像的已匹配的特征向量，A为本步骤所要求得的矩阵。

在步骤5的基础上，通过匹配4对以上已匹配特征向量，解一个含有6个未知参数的方程。得到一个用于将原图像上的像素点变换到目标图像上的变换矩阵。

步骤5中的所需要计算的矩阵A如下

步骤5匹配出的特征向量为：

7.根据图像角点计算出待匹配图像的顶点

在步骤6的基础上，已经找到了标准模板图像和待匹配图像之间的用变换矩阵描述的转换关系。因此，本步骤的目的是在待匹配图像中找出织物的切割路径。其具体操作就是根据变换矩阵得到标准图像的图像边界点，即本文所称角点变换到待匹配图像中，进而求解出织物的切割路线。

本步骤中，标准模板图像和待匹配图像可以用如下公式描述：

I＝AI_stand

其中I是指待匹配图像、A是变换矩阵、I_stand是指标准模板图像。

此矩阵A为标准模板图与待匹配图中某一部分经过聚类后的特征点对应求出来的仿射矩阵，由于在待匹配图像中有多个需要匹配的部分，因此对于待匹配中的每一小块图像，与标准模板图都有一个对应的变换矩阵A，故可以分别求出对应的变换矩阵，表示为{A₁，A₂，A₃，…，A_k}。由此变换矩阵组便可以根据标准模板图中四个顶点坐标分别求出待匹配图中的所有顶点坐标，标准模板图中顶点数为4，在待匹配图像中求出的顶点数为4*k，其中k为待匹配图像中包含的标准模板图的个数。

8.合并顶点和聚类，更新点和边矩阵

在步骤6的基础上，检测目标图像上的各个多边形与其相邻的多边形的顶点的距离，判断顶点间距离是否小于阈值，如小于阈值，则将两个顶点合并为一个顶点并将新顶点更新到矩阵内，再对边矩阵进行更新操作。

9.输出路径，显示分割结果

在步骤7的基础上，将点和边矩阵输出成为激光切割机所能接收的格式，即输出路径，并在计算机上显示切割结果，分割的结果如图2所示。

本发明提供的一种实施例通过C++调用0penCV库实现如下：

本公开的实施例提供的一种用于织物分割的纹理特征匹配装置，如图3所示为本公开的一种用于织物分割的纹理特征匹配装置图，该实施例的一种用于织物分割的纹理特征匹配装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种用于织物分割的纹理特征匹配装置实施例中的步骤。

所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

初始化单元，用于对原始图像进行平滑降噪处理；

特征点检测单元，用于检测图像的特征点；

筛查与定位单元，用于对特征点进行筛查与定位；

特征点匹配单元，用于进行特征点匹配；

特征点集聚类单元，用于特征点集聚类；

仿射变换单元，用于计算标准图像到输入图像的仿射变换；

匹配顶点单元，用于根据图像角点计算出待匹配图像的顶点；

合并更新单元，用于合并顶点和聚类，更新顶点和边矩阵；

路径输出单元，用于输出路径与分割结果。

所述一种用于织物分割的纹理特征匹配装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种用于织物分割的纹理特征匹配装置，可运行的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种用于织物分割的纹理特征匹配装置的示例，并不构成对一种用于织物分割的纹理特征匹配装置的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种用于织物分割的纹理特征匹配装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种用于织物分割的纹理特征匹配装置运行装置的控制中心，利用各种接口和线路连接整个一种用于织物分割的纹理特征匹配装置可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种用于织物分割的纹理特征匹配装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (7)

1.一种用于织物分割的纹理特征匹配方法，其特征在于，所述方法包括以下步骤：

步骤1，对原始图像进行平滑降噪处理；

步骤2，检测图像的特征点；

步骤3，对特征点进行筛查与定位；

步骤4，进行特征点匹配；

步骤5，特征点集聚类；

步骤6，计算标准图像到输入图像的仿射变换；

其中，计算标准图像到输入图像的仿射变换的方法为：由于输入图像和标准图像之间已经匹配成功的特征向量是一对多的关系,输入图像上可以匹配多个标准图像,故需要将这一对多的关系聚类划分为一对一的关系；实际操作上通过聚类将得到的一对一之间的图像映射关系放入到数组中，遍历该数组，由此得到原图像和目标图像内各个图案的映射关系；

通过匹配4对以上已匹配特征向量，得到用于将原图像上的像素点变换到目标图像上的变换矩阵；

步骤7，根据图像角点计算出待匹配图像的顶点；

其中，在步骤7中，根据图像角点计算出待匹配图像的顶点的方法为：

在步骤6的基础上，已经找到了标准图像和待匹配图像之间的用变换矩阵描述的转换关系，因此，本步骤的目的是在待匹配图像中找出织物的切割路径，其具体操作就是根据变换矩阵得到标准图像的图像边界点，即角点变换到待匹配图像中，进而求解出织物的切割路线，本步骤中，标准图像和待匹配图像用如下公式描述：

I＝AI_stand，

其中I是指待匹配图像、A是变换矩阵、I_stand是指标准图像；

此矩阵A为标准模板图与待匹配图像中某一部分经过聚类后的特征点对应求出来的仿射矩阵，由于在待匹配图像中有多个需要匹配的部分，因此对于待匹配中的每一小块图像，与标准模板图都有一个对应的变换矩阵A，分别求出对应的变换矩阵，表示为{A₁，A₂，A₃，…，A_k}，由此变换矩阵组根据标准模板图中四个顶点坐标分别求出待匹配图中的所有顶点坐标，标准模板图中顶点数为4，在待匹配图像中求出的顶点数为4*k，其中k为待匹配图像中包含的标准模板图的个数；

步骤8，合并顶点和聚类，更新顶点和边矩阵；

其中，在步骤8中，合并顶点和聚类，更新顶点和边矩阵的方法为：在步骤6的基础上，检测目标图像上的各个多边形与其相邻的多边形的顶点的距离，判断顶点间距离是否小于阈值，如小于阈值，则将两个顶点合并为一个顶点并将新顶点更新到矩阵内，再对边矩阵进行更新操作；

步骤9，输出路径与分割结果；

其中，在步骤9中，输出路径与分割结果的方法为，在步骤7的基础上，将点和边矩阵输出到激光切割机，即输出路径，并在计算机上显示切割结果。

2.根据权利要求1所述的一种用于织物分割的纹理特征匹配方法，其特征在于，在步骤1中，所述对原始图像进行平滑降噪处理的方法为，令原始图像u₀通过高斯核G_σ卷积得到高斯模糊的图像u_t，数学形式为：

其中，

表示二维高斯核函数，在已知σ的条件下，将原始图像在线性时间不变的条件下进行平滑降噪处理，F,F^-1分别表示傅里叶变换及逆变换算子，ο表示算子的作用，λ为正则参数。

3.根据权利要求1所述的一种用于织物分割的纹理特征匹配方法，其特征在于，在步骤2中，所述检测图像的特征点的方法为，通过DOG差分高斯检测图像的特征点，使用DOG差分高斯算子进行检测，算子定义为：

D(x,y,σ)＝[G(x,y,kσ)-G(x,y,σ)]*I(x,y)，

将每个像素点要和其图像域和尺度域的所有相邻点进行比较，比较其像素值是否是像素所在图像域和尺度域的相邻像素点的最大值，在二维图像中图像域为该像素点周围的八个像素；尺度域为该像素所在图像和相邻两幅尺度不同的图像，两幅图共有十八个像素，遍历每个像素点，与其图像域8个点、相邻尺度域18个点共26个点进行比较，获得该像素所在图像域和尺度域的相邻像素点的最大值的点。

4.根据权利要求1所述的一种用于织物分割的纹理特征匹配方法，其特征在于，在步骤3中，对特征点进行筛查与定位的方法为，采用拟合三维二次函数的方法来同时实现剔除不稳定极值点和精确定位极值点的尺度和位置。

5.根据权利要求1所述的一种用于织物分割的纹理特征匹配方法，其特征在于，在步骤4中，进行特征点匹配的方法为，将两幅相同场景的图像加以配准，配准为将特征点匹配是找出待匹配的两幅图像上对应一致的特征点匹配对，根据特征点匹配过程中，判断两个点是否是正确的匹配点对是根据关键点的特征向量之间的欧氏距离作为度量的，取标准图中的一个关键点，并找出其与待匹配图中欧氏距离最近的前两个关键点，在这两个关键点中，如果最近距离除以次近距离小于某个比例阈值，则认为这一对点为正确匹配点对，若是降低此比例阈值，SIFT正确匹配点对会减少，但更加稳定；

确定在128维的高维空间内两个特征点之间的相似程度，采用高维空间中的距离进行度量，在高维空间中的距离度量采用Kd-tree算法进行匹配，在一个K维数据集合上构建一棵Kd-tree代表了对该K维数据集合构成的K维空间的一个划分。

6.根据权利要求1所述的一种用于织物分割的纹理特征匹配方法，其特征在于，在步骤5中，特征点集聚类的方法为，

将特征点集表示为数学形式：

D＝(X1，X2，…，Xn)，

特征点集D是待匹配图像中已经提取出的特征点在x-y坐标上的表现，因此通过聚类算法按给定分类组数进行分类，聚类算法步骤如下：

a、从D中随机取k个元素，作为k个簇的各自的中心，

初始的K个分类中每个分类的中心点选择，根据特征点数量计算k值，即在待匹配图像中的特征点数量是标准图中特征点数量的k倍，计算出k的值；

b、分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇，

当D中的每个元素都是二维数据的时候，即对点进行聚类，相异度考虑的是二维数据，此时用每个点到k个簇中心点的欧式距离表示，在进行聚类时考虑到的相异度就是各特征点到k个簇中心点的距离；

c、根据聚类结果，重新计算k个簇各自的中心点，计算方法是取簇中所有元素各自维度的算术平均数；

d、将D中全部元素按照新的中心重新聚类；

e、重复第2、3、4步，直到聚类结果不再变化；

在本步骤中需要对前面步骤进行迭代，而结束迭代的条件是到达了指定的迭代次数，或者两次RSS的差值小于给定的阈值的情况下，认为聚类结果不再变化，此时结束聚类处理，输出最终聚类结果。

7.一种用于织物分割的纹理特征匹配装置，其特征在于，所述装置包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下装置的单元中：

初始化单元，用于对原始图像进行平滑降噪处理；

特征点检测单元，用于检测图像的特征点；

筛查与定位单元，用于对特征点进行筛查与定位；

特征点匹配单元，用于进行特征点匹配；

特征点集聚类单元，用于特征点集聚类；

仿射变换单元，用于计算标准图像到输入图像的仿射变换；

其中，计算标准图像到输入图像的仿射变换的方法为：由于输入图像和标准图像之间已经匹配成功的特征向量是一对多的关系,输入图像上可以匹配多个标准图像,故需要将这一对多的关系聚类划分为一对一的关系；实际操作上通过聚类将得到的一对一之间的图像映射关系放入到数组中，遍历该数组，由此得到原图像和目标图像内各个图案的映射关系；

通过匹配4对以上已匹配特征向量，得到用于将原图像上的像素点变换到目标图像上的变换矩阵；

匹配顶点单元，用于根据图像角点计算出待匹配图像的顶点；

其中，根据图像角点计算出待匹配图像的顶点的方法为：已经找到了标准图像和待匹配图像之间的用变换矩阵描述的转换关系，因此，本步骤的目的是在待匹配图像中找出织物的切割路径，其具体操作就是根据变换矩阵得到标准图像的图像边界点，即角点变换到待匹配图像中，进而求解出织物的切割路线，本步骤中，标准图像和待匹配图像用如下公式描述：

I＝AI_stand，

其中I是指待匹配图像、A是变换矩阵、I_stand是指标准图像；

此矩阵A为标准模板图与待匹配图像中某一部分经过聚类后的特征点对应求出来的仿射矩阵，由于在待匹配图像中有多个需要匹配的部分，因此对于待匹配中的每一小块图像，与标准模板图都有一个对应的变换矩阵A，分别求出对应的变换矩阵，表示为{A₁，A₂，A₃，…，A_k}，由此变换矩阵组根据标准模板图中四个顶点坐标分别求出待匹配图中的所有顶点坐标，标准模板图中顶点数为4，在待匹配图像中求出的顶点数为4*k，其中k为待匹配图像中包含的标准模板图的个数；

合并更新单元，用于合并顶点和聚类，更新顶点和边矩阵；

其中，合并顶点和聚类，更新顶点和边矩阵的方法为：检测目标图像上的各个多边形与其相邻的多边形的顶点的距离，判断顶点间距离是否小于阈值，如小于阈值，则将两个顶点合并为一个顶点并将新顶点更新到矩阵内，再对边矩阵进行更新操作；

路径输出单元，用于输出路径与分割结果；

其中，输出路径与分割结果的方法为，将点和边矩阵输出到激光切割机，即输出路径，并在计算机上显示切割结果。

Images