CN109872327A - 基于改进后密度峰和k均值聚类的簇绒地毯图像分割方法 - Google Patents
基于改进后密度峰和k均值聚类的簇绒地毯图像分割方法 Download PDFInfo
- Publication number
- CN109872327A CN109872327A CN201910188673.7A CN201910188673A CN109872327A CN 109872327 A CN109872327 A CN 109872327A CN 201910188673 A CN201910188673 A CN 201910188673A CN 109872327 A CN109872327 A CN 109872327A
- Authority
- CN
- China
- Prior art keywords
- color
- cluster
- tufted carpet
- nbs
- image
- 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
本发明公开一种基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,通过读取位图格式的簇绒地毯图像,获得图像的基本信息;将读取的图片根据色差最小原则进行量化;引入符合人眼对色差感知的NBS距离概念来表征各个颜色之间的色差;通过改进的密度峰聚类算法计算出各个颜色的密度和更高密度最小距离,再结合人眼对色差的感知规律自动确定像素的初始颜色聚类中心;将改进后密度峰聚类算法确定的像素颜色作为初始聚类中心,然后进行迭代计算更新图像的颜色聚类中心,直到聚类中心更新过程收敛,确定图像的主要构成色。本发明自动提取簇绒地毯图像的主要构成色,并具有较高准确率,有效解决簇绒地毯数字化制造过程中主要构成色自动确定问题。
Description
技术领域
本发明涉及一种簇绒地毯技术,尤其是一种基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,广泛应用于簇绒地毯的数字化制造过程,用于为簇绒地毯确定图像的主要构成色和确定簇绒的纱线颜色,属于色彩聚类方法在地毯主要构成色提取中的一种应用。
背景技术
簇绒地毯的传统生产方式是人工进行枪刺植绒,生产效率较低且质量难以保证,所以相关的企业开始研发簇绒地毯自动化生产设备。簇绒地毯自动化生产设备由两部分组成,一部分是运动执行机构,一部分是簇绒路径生成软件。簇绒路径生成软件为运动机构提供地毯簇绒时的纱线颜色信息和加工代码,是实现簇绒地毯数字化制造的核心技术,而图像分割技术又是簇绒路径生成软件的关键技术,影响到纱线颜色种类的选择和后续簇绒路径的生成。
通常地毯厂商给出的簇绒地毯图像中含有许多种颜色,但在实际的地毯生产过程中不会提供如此多种类的纱线进行簇绒,并且频繁换线会严重影响到地毯簇绒效率。因此需要在不影响人眼观察的前提下有效减少图像中的颜色种类。
发明内容
本发明旨在通过图像分割方法自动确定地毯图像的主要构成色,并将非构成色的像素颜色替换为NBS距离较小的主构成色,得到地毯分割图像。本发明通过结合改进后的密度峰聚类算法克服了传统K均值聚类算法聚类时需要人工指定聚类中心数目和聚类中心颜色的缺点,并且自动提取簇绒地毯图像主要构成色时具有较高的准确率,能够满足实际使用需求。
为实现上述目的,本发明采用下述技术方案:
基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,它包括以下步骤:
步骤一,通过读取位图格式的簇绒地毯图像来获得地毯中的颜色信息;
步骤二,基于色差最小原则对簇绒地毯原图像进行颜色量化,有效减少图像中颜色种类;
步骤三,结合符合人眼对色差感知的NBS距离概念和改进后的密度峰聚类算法,自动确定簇绒地毯图像的初始颜色聚类中心个数和聚类中心的RGB值;
步骤四,根据改进后的密度峰聚类算法确定的初始聚类中心,通过K均值聚类算法迭代更新聚类中心,直到聚类中心收敛,确定簇绒地毯图像的主要构成色;
步骤五,遍历簇绒地毯图像中的所有像素,计算像素颜色与所有主要构成色的NBS距离,并将像素颜色替换为NBS距离最小的主构成色,得到分割图像。
进一步地,根据改进后的密度峰聚类算法来自动确定K均值聚类算法的初始聚类中心。通过结合改进后的密度峰聚类算法,克服了传统K均值算法分割簇绒地毯图像时需要人工指定聚类中心数目和聚类中心颜色的缺点。
进一步地,步骤三的改进后的密度峰聚类算法包括以下步骤:
利用λ值排序图和NBS距离自动确定初始聚类中心,以避免传统密度峰聚类需要通过决策图人工选取的问题,其中λ值由每个颜色节点的密度和更高密度最小距离乘积求得,再按照从大到小进行排序;
将排序后λ值最大的颜色节点作为第一个聚类中心,添加到聚类中心列表中;
按照λ值的排序,计算下一个颜色节点与聚类中心列表中所有颜色的NBS距离,若NBS距离均大于某一阈值,就将该颜色添加到聚类中心列表中,继续重复本步骤;
若该颜色节点与聚类中心列表颜色存在NBS距离小于等于某一阈值,则初始聚类中心寻找完毕。
进一步地,NBS距离的计算公式如下:
其中
进一步地,每个颜色节点的密度计算公式如下:
式中dij是颜色i和j之间的NBS距离,dc为阈值,不妨取3。
进一步地,更高密度最小距离的定义如下:
有益效果:
本发明在不需要人工帮助的前提下,自动确定了簇绒地毯图像的主要构成色,并且具有较高的准确率,能够满足实际生成需求。
附图说明
图1是本发明涉及的色差最小颜色量化算法流程图;
图2是本发明涉及的密度峰聚类决策图;
图3是本发明涉及的改进后密度峰聚类λ值排序图;
图4是本发明涉及的改进后密度峰和K均值聚类的算法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,包含五个处理过程:(1)读取位图格式的地毯图像,(2)基于色差最小原则进行量化,(3)利用改进后密度峰聚类算法自动确定初始聚类中心,(4)基于K均值聚类算法对初始聚类中心进行迭代更新,(5)遍历所有像素替换为地毯图像的主要构成色。具体的处理过程如下:
(1)读取位图格式的地毯图像是在计算机上通过读取地毯厂商提供的jpg或bmp等格式的位图地毯图像来获取簇绒地毯的图像信息,包括图像像素数、像素颜色种类数和每种颜色的像素数,对图像中像素颜色信息进行统计。
(2)基于色差最小原则进行量化是将图像中的像素颜色从RGB颜色空间转换到人眼感知均匀的Lab颜色空间,在Lab颜色空间中计算颜色之间的色差。色差越小表示两种颜色越接近,因此通过色差最小条件可以求得最接近原来两种颜色的代替色。通过这种方法不断合并图像中不同种类的颜色,直到减少到颜色种类阈值。颜色空间转换公式如下:
其中
颜色X和颜色Y在Munsell颜色空间中的色差EXY定义如下:
EXY=(ΔLXY)2+(ΔaXY)2+(ΔbXY)2
式中的ΔL、Δa、Δb为颜色X和颜色Y在Lab颜色空间中的分量之差。假设使用颜色C来替代所有颜色中色差最小的两种颜色A和B,则总的色差可以表示如下:
E总=NAEAC+NBEBC
式中的NA和NB分别代表彩色图像中颜色A和颜色B的像素数,总的色差又可以表示为:
E总=EL+Ea+Eb
EL=NA(LA-LC)2+NB(LB-LC)2
Ea=NA(aA-aC)2+NB(aB-aC)2
Eb=NA(bA-bC)2+NB(bB-bC)2
为使得总的色差最小,组成色差的三个分量应同时取得最小,颜色C各分量的取值应使得各个分量的导数为0。上式分别对颜色C的分量求导,求导结果如下:
令求导结果为0,得到颜色C的Lab分量更新公式:
根据以上计算公式,得到了颜色C代替颜色A和颜色B的更新公式,按照上述公式求得的颜色C可以使得更新后的总色差最小。将簇绒地毯图像中像素颜色为A和B的像素用颜色C代替,颜色C的数目为颜色A和颜色B之和,将整个图像中的颜色种类量化到指定颜色数目。整个地毯图像的颜色量化算法流程图如图1所示。
利用(3)改进后密度峰聚类算法自动确定初始聚类中心时,引入了NBS距离概念。NBS距离是衡量人眼对颜色差异的感知程度,当两种颜色的NBS距离大于3时,认为两种颜色差异较为明显。NBS距离的计算公式如下:
其中
XYZ的计算方法与颜色量化中的计算方法相同。密度峰聚类算法中每个颜色节点的密度计算公式如下:
式中dij是颜色i和j之间的NBS距离,dc为阈值,不妨取3。通过遍历图像中所有像素来计算每种颜色的密度。在计算完每种颜色节点的密度后,对所有颜色节点按照密度值进行升序排列。根据按密度值升序排列的颜色节点来计算当前颜色节点i的更高最小密度δi,更高最小密度的定义如下:
距离δi是指比颜色节点i具有更高密度的所有颜色节点中与i的最小距离。为了更直观地找到聚类中心将每个数据点绘制到决策图上。决策图的横轴为密度,纵轴为更高密度最小距离,如图2所示。在决策图中,右上角的数据点同时具有更大的密度和更高密度最小距离,成为聚类中心的可能性较大,但仍需人工选取聚类中心。因此本发明对密度峰聚类算法进行改进,为了使聚类中心更容易分辨,对二维的决策图进行改进,引入了优先级变量λ,λ的定义如下:
λ=ρ·δ
在计算完所有颜色节点的λ值后,按λ值进行降序排列并绘制成排序图,如图3所示。本发明利用λ值排序图和NBS距离提出了一种自动确定图像聚类中心的方法,可以通过以下步骤自动确定图像的聚类中心:
a.将排序后λ值最大的颜色节点作为第一个聚类中心,添加到聚类中心列表中。
b.按照λ值的排序顺序,计算下一个颜色节点与聚类中心列表中所有颜色的NBS距离,若NBS距离均大于阈值3就将该颜色添加到聚类中心列表中,继续重复本步骤。若该颜色节点与聚类中心列表颜色存在NBS距离小于等于阈值3的情况,聚类中心寻找完毕。
(4)基于K均值聚类算法对初始聚类中心进行迭代更新,以改进后密度峰聚类算法确定的聚类中心作为K均值算法的初始聚类中心,遍历地毯图像中所有像素,将像素分配给NBS距离最小的聚类中心。在分配结束后,按照下式来更新聚类中心:
式中的ni是簇群Wi中的数据对象个数,x是簇群Wi中的d维数据对象。
不断迭代步骤(4)中分配像素点到聚类中心和更新聚类中心的过程,直到聚类中心的变化值满足收敛条件,算法停止迭代。算法收敛后的若干个聚类中心即为地毯图像的主要构成色。结合改进后密度峰聚类和K均值算法的整个图像分割方法如图4所示。
遍历所有像素替换为地毯图像的主要构成色(5),遍历地毯图像中所有像素,计算像素与所有主要构成色的NBS距离,找到最小NBS距离对应的主构成色,将当前像素的颜色替换为该构成色。替换完所有像素的颜色后就得到了簇绒地毯的彩色分割图像,为后续路径生成做好准备。
对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,其特征在于,它包括以下步骤:
步骤一,通过读取位图格式的簇绒地毯图像来获得地毯中的颜色信息;
步骤二,基于色差最小原则对簇绒地毯原图像进行颜色量化;
步骤三,结合符合人眼对色差感知的NBS距离概念和改进后的密度峰聚类算法,自动确定簇绒地毯图像的初始颜色聚类中心个数和聚类中心的RGB值;
步骤四,根据改进后的密度峰聚类算法确定的初始聚类中心,通过K均值聚类算法迭代更新聚类中心,直到聚类中心收敛,确定簇绒地毯图像的主要构成色;
步骤五,遍历簇绒地毯图像中的所有像素,计算像素颜色与所有主要构成色的NBS距离,并将像素颜色替换为NBS距离最小的主构成色,得到分割图像。
2.根据权利要求1所述的基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,其特征在于,根据改进后的密度峰聚类算法来自动确定K均值聚类算法的初始聚类中心。
3.根据权利要求1所述的基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,其特征在于,所述步骤三的改进后的密度峰聚类算法包括以下步骤:
利用λ值排序图和NBS距离自动确定初始聚类中心,其中λ值由每个颜色节点的密度和更高密度最小距离乘积求得,再按照从大到小进行排序;
将排序后λ值最大的颜色节点作为第一个聚类中心,添加到聚类中心列表中;
按照λ值的排序,计算下一个颜色节点与聚类中心列表中所有颜色的NBS距离,若NBS距离均大于某一阈值,就将该颜色添加到聚类中心列表中,继续重复本步骤;
若该颜色节点与聚类中心列表颜色存在NBS距离小于等于某一阈值,则初始聚类中心寻找完毕。
4.根据权利要求3所述的基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,其特征在于,所述NBS距离的计算公式如下:
其中
5.根据权利要求3所述的基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,其特征在于,所述每个颜色节点的密度计算公式如下:
式中dij是颜色i和j之间的NBS距离,dc为阈值,不妨取3。
6.根据权利要求3所述的基于改进后密度峰和K均值聚类的簇绒地毯图像分割方法,其特征在于,所述更高密度最小距离的定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188673.7A CN109872327A (zh) | 2019-03-13 | 2019-03-13 | 基于改进后密度峰和k均值聚类的簇绒地毯图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188673.7A CN109872327A (zh) | 2019-03-13 | 2019-03-13 | 基于改进后密度峰和k均值聚类的簇绒地毯图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872327A true CN109872327A (zh) | 2019-06-11 |
Family
ID=66920422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910188673.7A Pending CN109872327A (zh) | 2019-03-13 | 2019-03-13 | 基于改进后密度峰和k均值聚类的簇绒地毯图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872327A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889431A (zh) * | 2019-10-28 | 2020-03-17 | 杭州电子科技大学 | 基于K-Means算法改进的高频职业技能生命曲线聚类方法 |
CN112184730A (zh) * | 2020-09-24 | 2021-01-05 | 南京晓庄学院 | 一种改进的基于超像素的多光谱图像分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102469925A (zh) * | 2009-07-23 | 2012-05-23 | 奥林巴斯株式会社 | 图像处理装置、图像处理程序以及图像处理方法 |
CN109145964A (zh) * | 2018-08-01 | 2019-01-04 | 武汉大学 | 一种实现图像颜色聚类的方法和系统 |
-
2019
- 2019-03-13 CN CN201910188673.7A patent/CN109872327A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102469925A (zh) * | 2009-07-23 | 2012-05-23 | 奥林巴斯株式会社 | 图像处理装置、图像处理程序以及图像处理方法 |
CN109145964A (zh) * | 2018-08-01 | 2019-01-04 | 武汉大学 | 一种实现图像颜色聚类的方法和系统 |
Non-Patent Citations (2)
Title |
---|
彭霄: "基于NBS颜色距离及半监督聚类的织物图像分割", 《工业控制计算机》 * |
王鹏宇等: "结合密度峰聚类的K均值图像分割算法", 《机械与电子》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889431A (zh) * | 2019-10-28 | 2020-03-17 | 杭州电子科技大学 | 基于K-Means算法改进的高频职业技能生命曲线聚类方法 |
CN112184730A (zh) * | 2020-09-24 | 2021-01-05 | 南京晓庄学院 | 一种改进的基于超像素的多光谱图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103544506A (zh) | 一种基于卷积神经网络的图像分类方法和装置 | |
TWI464604B (zh) | 資料分群方法與裝置、資料處理裝置及影像處理裝置 | |
CN109872327A (zh) | 基于改进后密度峰和k均值聚类的簇绒地毯图像分割方法 | |
CN109408562B (zh) | 一种基于客户特征的分组推荐方法及其装置 | |
CN112950461A (zh) | 全局与超像素分割相融合的色彩迁移方法 | |
CN110598061A (zh) | 一种多元图融合的异构信息网嵌入方法 | |
CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
CN109636809B (zh) | 一种基于尺度感知的图像分割层次选择方法 | |
CN104778281A (zh) | 一种基于社区分析的图像索引并行构建方法 | |
CN109543723A (zh) | 一种鲁棒的图像聚类方法 | |
CN108846869A (zh) | 一种基于自然图像色彩的服装自动配色方法 | |
CN111798526B (zh) | 基于聚类空间映射的彩色图像主色快速提取方法及系统 | |
CN108154158A (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN108416381B (zh) | 一种面向三维点集的多密度聚类方法 | |
CN113989299A (zh) | 一种基于k均值聚类的露天矿岩层图像分割方法 | |
CN109213886A (zh) | 基于图像分割和模糊模式识别的图像检索方法及系统 | |
EP1459258A2 (en) | Segmentation of images using the watershed method | |
RU2510935C2 (ru) | Способ индексации и поиска цифровых изображений | |
CN114417095A (zh) | 一种数据集划分方法及装置 | |
CN110163873A (zh) | 一种双边视频目标分割方法及系统 | |
CN111161282B (zh) | 基于深度种子的图像多层次分割的目标尺度选择方法 | |
CN110751660B (zh) | 一种彩色图像分割方法 | |
CN102930289B (zh) | 马赛克图片生成方法 | |
Schaefer et al. | Rough c-means and fuzzy rough c-means for colour quantisation | |
CN104036232A (zh) | 一种基于图像边缘特征分析的领带花型检索方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190611 |
|
WD01 | Invention patent application deemed withdrawn after publication |