CN110443858A - 用于石材色纹分析的色彩量化方法 - Google Patents
用于石材色纹分析的色彩量化方法 Download PDFInfo
- Publication number
- CN110443858A CN110443858A CN201810418543.3A CN201810418543A CN110443858A CN 110443858 A CN110443858 A CN 110443858A CN 201810418543 A CN201810418543 A CN 201810418543A CN 110443858 A CN110443858 A CN 110443858A
- Authority
- CN
- China
- Prior art keywords
- cluster
- pixel
- axis
- pixels
- center
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
一种用于石材色纹分析的色彩量化方法,借由处理单元先将图像的多个像素转换至不同于RGB的三维色彩空间,再对所述不同于RGB的三维色彩空间进行初步量化程序降低原始图像的色彩分布复杂度和去除噪声,接着进行色彩分割程序及色彩聚合程序,将所述像素分裂再聚合成N个群集,再进行色彩微调程序,将所述N个群集重新分群,以获得N个目标群集,最后,根据所述N个目标群集产生量化后的图像、每一目标群集对应的像素值,及每一目标群集的像素数量比例。借此,有效将复杂多样的石材色彩做分类与量化,并分析石材中特定颜色的色纹分布。
Description
技术领域
本发明涉及一种将各彩色图像信号成分组合方式之转换方法,特别是涉及一种用于石材色纹分析的色彩量化方法。
背景技术
人造石泛指所有结合碎石或石粉,以及黏着剂加工后所形成之类似石头之建材,其主要材料为开采天然石材产生的废料,人造石可为人造大理石、人造石英石等类天然石材。
一般而言,在制造类天然石材色纹的人造石之前,会先对天然石材进行图像分析,待分析出天然石材色纹后,依照所分析出的色彩比例及纹理进行制作。
分析图像色彩比例及纹理较佳的方式是使用色彩量化方法,然而,根据欲量化的目标图像或物品之特性,有其不同的量化需求,例如量化结果质量、量化数成本和计算实时性等,都有与之相应适合的算法,而目前市面上仍没有一种适合分析石材色纹的色彩量化算法。
发明内容
本发明的目的在于提供一种适合分析石材色纹的用于石材色纹分析的色彩量化方法。
本发明的用于石材色纹分析的色彩量化方法,由装置执行,所述装置存储有包括多个像素的图像,包含步骤(A)、步骤(B)、步骤(C)、步骤(D)、步骤(E),及步骤(F)。
在所述步骤(A)中,所述装置将所述图像的所述像素由RGB色彩空间转换至另一不同于RGB色彩空间之三维的色彩空间。
在所述步骤(B)中,所述装置将所述另一色彩空间分割成n的三次方个立体块,每一立体块具有所述图像的所述像素之至少一者,n为大于1的正整数。
在所述步骤(C)中,对于每一立体块,所述装置获得位于所述立体块的所有像素的像素平均值,并将所述立体块的所有像素的像素值,以所述立体块的像素平均值取代。
在所述步骤(D)中,所述装置根据所获得的每一立体块之像素平均值及每一立体块所具有的像素个数,将所述立体块的所有像素分成N个群集,N<n的三次方。
在所述步骤(E)中,所述装置根据所述N个群集各自所对应的所有像素的像素值,对所述N个群集重新分群,以获得N个目标群集。
在所述步骤(F)中,对于每一目标群集,所述装置获得位于所述目标群集的中心,将所述目标群集的所有像素的像素值,以所述目标群集的中心于所述色彩空间的像素值取代。
较佳地,本发明的用于石材色纹分析的色彩量化方法,在步骤(C)中,所述立体块的所有像素的像素平均值block={1,2,...,n3}以下式表示:
其中,Cblock为第block个立体块中所述像素之像素值的像素值种类总数,pj为第j种像素值,为在所述立体块中像素值为pj的像素个数。
较佳地,本发明的用于石材色纹分析的色彩量化方法,在步骤(A)中,所述另一色彩空间为L*a*b*色彩空间,所述另一色彩空间具有L*轴、垂直所述L*轴的a*轴,及垂直所述L*轴及所述a*轴的b*轴,步骤(D)包括以下子步骤:
(D-1)将所述图像的所有像素作为群集K1;
(D-2)对于每一群集Ki,i={1,2,…,k},根据所述群集Ki中的所有像素的像素值及每一像素值对应有的像素个数,获得所述群集Ki中的所有像素在所述色彩空间的所述L*轴的第一像素平均值所述群集Ki中的所有像素在所述色彩空间的所述a*轴的第一像素平均值及所述群集Ki中的所有像素在所述色彩空间的所述b*轴的第一像素平均值k为执行子步骤(D-2)的次数;
(D-3)对于每一群集Ki,根据所述群集Ki中的所有像素的像素值、所述群集Ki相关于所述L*轴的第一像素平均值所述群集Ki相关于所述a*轴的第一像素平均值及所述群集Ki相关于所述b*轴的第一像素平均值获得所述群集Ki中的所有像素在所述色彩空间的所述L*轴的第一变异数所述群集Ki中的所有像素在所述色彩空间的所述a*轴的第一变异数所述群集Ki中的所有像素在所述色彩空间的所述b*轴的第一变异数及第一变异数总和Vari,total;
(D-4)对于具有最大第一变异数总和的群集,根据相关于所述L*轴的第一像素平均值相关于所述a*轴的第一像素平均值及相关于所述b*轴的第一像素平均值之其中一者,将所述具有最大第一变异数总和之群集的像素分成二群集;及
(D-5)重复子步骤(D-2)至子步骤(D-4)直到k等于N。
较佳地,本发明的用于石材色纹分析的色彩量化方法,在步骤(D-2)中,所述群集Ki相关于所述L*轴的第一像素平均值所述群集Ki相关于所述a*轴的第一像素平均值及所述群集Ki相关于所述b*轴的第一像素平均值以下式表示:
其中,Meani,axis为所述群集Ki相关于axis轴的第一像素平均值,Ci为所述群集Ki中的所有像素之像素值的像素值种类总数,为所述群集Ki中第j种相关于所述axis轴的像素值,为在第Ki个群集中像素值为的像素个数;
在步骤(D-3)中,所述群集Ki相关于所述L*轴的第一变异数所述群集Ki相关于所述a*轴的第一变异数所述群集Ki相关于所述b*轴的第一变异数以下式表示:
其中,Vari,axis为所述群集Ki相关于axis轴的第一变异数,所述第一变异数总和Vari,total以下式表示:
较佳地,本发明的用于石材色纹分析的色彩量化方法,子步骤(D-4)包括以下子步骤:
(D-4-1)对于具有最大第一变异数总和的群集将相关于所述L*轴的第一变异数相关于所述a*轴的第一变异数相关于所述b*轴的第一变异数之最大者所对应的轴作为目标轴;
(D-4-2)对于具有最大第一变异数总和的群集根据相关于所述目标轴的第一像素平均值将所述具有最大第一变异数总和的群集的像素分成二群集。
较佳地,本发明的用于石材色纹分析的色彩量化方法,子步骤(D-5)后还包括以下子步骤:
(D-6)对于每一群集Km,m={1,2,…,N},根据所述群集Km中的所有像素的像素值及每一像素值对应有的像素个数,获得所述群集Km中的所有像素在所述色彩空间的所述L*轴的第二像素平均值所述群集Km中的所有像素在所述色彩空间的所述a*轴的第二像素平均值及所述群集Km中的所有像素在所述色彩空间的所述b*轴的第二像素平均值
(D-7)对于每一群集Km,根据所述群集Km中的所有像素的像素值、所述群集Km相关于所述L*轴的第二像素平均值所述群集Km相关于所述a*轴的第二像素平均值及所述群集Km相关于所述b*轴的第二像素平均值获得所述群集Km中的所有像素在所述色彩空间的所述L*轴的第二变异数所述群集Km中的所有像素在所述色彩空间的所述a*轴的第二变异数所述群集Km中的所有像素在所述色彩空间的所述b*轴的第二变异数及第二变异数总和Varm,total;
(D-8)对于除具有第二最大变异数总和的群集外的群集Kp,p={{1,2,…,N}-{mmax}},将在所述色彩空间中距离最接近的二群集合并;及
(D-9)对于具有最大第二变异数总和的群集根据所述群集相关于所述L*轴的第二像素平均值所述群集相关于所述a*轴的第二像素平均值及所述群集相关于所述b*轴的第二像素平均值之其中一者,将所述群集的像素分成二群集。
较佳地,本发明的用于石材色纹分析的色彩量化方法,子步骤(D-8)还包括以下子步骤:
(D-8-1)计算除具有最大变异数总和的群集外的所述群集Kp之彼此间的距离D(KA',KB'),所述距离D(KA',KB')以下式表示:
其中,KA',KB'∈Kp且A′≠B′,MeanA',axis为所述群集KA'相关于所述axis轴的第二像素平均值,MeanB',axis为所述群集KB'相关于所述axis轴的第二像素平均值;
(D-8-2)根据所述距离D(KA',KB'),将在所述色彩空间中距离最接近的二群集合并。
较佳地,本发明的用于石材色纹分析的色彩量化方法,步骤(E)包括以下子步骤:
(E-1)获得所述N个群集各自的中心以分别作为N个初始中心;
(E-2)对于所述N个群集中之每一像素,根据所述像素的像素值及每一初始中心的像素值,重新将所述像素分类至所述N个群集之其中一者;
(E-3)对于每一初始中心所对应的群集,根据被分类至所述群集的每一像素的像素值,重新获得所述群集的中心;
(E-4)对于每一像素,根据所述像素的像素值及每一中心的像素值,将所述像素分类至所述N个群集之其中一者;
(E-5)对于每一中心所对应的群集,判定被分类至所述中心所对应之群集的每一像素是否与被分类至所述初始中心所对应之群集的每一像素完全相同;
(E-6)对于每一中心所对应的群集,当判定被分类至所述中心所对应之群集的每一像素与被分类至所述初始中心所对应之群集的每一像素不完全相同时,将所述中心作为所述初始中心,并重新执行所述子步骤(E-3)至所述子步骤(E-5);
(E-7)对于每一中心所对应的群集,当判定被分类至所述中心所对应之群集的每一像素与被分类至所述初始中心所对应之群集的每一像素完全相同时,获得每一中心所对应的群集并将其作为目标群集;及
(E-8)对于每一目标群集,以所述目标群集的中心于所述色彩空间的像素值取代。
较佳地,本发明的用于石材色纹分析的色彩量化方法,,子步骤(E-2)包括以下子步骤:
(E-2-1)对于所述N个群集中之每一像素,根据所述像素的像素值及每一初始中心的像素值,计算所述像素与每一初始中心间在所述色彩空间的距离;及
(E-2-2)对于所述N个群集中之每一像素,根据所述像素与每一初始中心间在所述色彩空间的距离,自所述N个初始中心中,获得与所述像素对应有最短距离的目标初始中心,并将所述像素分类至所述目标初始中心所对应的群集中;
子步骤(E-4)包括以下子步骤:
(E-4-1)对于每一像素,根据所述像素的像素值及每一中心的像素值,计算所述像素与每一中心间在所述色彩空间的距离;及
(E-4-2)对于每一像素,根据所述像素与每一中心间在所述色彩空间的距离,自所述N个中心中,获得一与所述像素对应有最短距离的目标中心,并将所述像素分类至所述目标中心所对应的群集中。
较佳地,本发明的用于石材色纹分析的色彩量化方法,在步骤(F)后还包含以下步骤:
(G)根据每一目标群集的像素数量及像素值,获得包括所述N个目标群集中的所有像素的量化后图像、每一目标群集对应的像素值,及每一目标群集的像素数量比例。
本发明的有益效果在于:借由所述装置将所述图像的所述像素转换至另一不同于RGB色彩空间之三维的色彩空间,并将所述另一色彩空间分割成n的三次方个立体,再将所述立体块的所有像素分成N个群集,最后再将所述N个群集重新分群,以获得N个目标群集,借此,有效将复杂多样的石材色彩做分类与量化,并分析石材中特定颜色的色纹分布。
附图说明
本发明的其他的特征及功效,将于参照图式的实施方式中清楚地呈现,其中:
图1是一方块图,示例地绘示一用来实施本发明用于石材色纹分析的色彩量化方法的一装置;
图2是一流程图,说明本发明用于石材色纹分析的色彩量化方法的一实施例;
图3是一流程图,说明该实施例的一初步量化程序;
图4是一流程图,说明该实施例的一色彩分割程序;
图5是一流程图,说明该实施例的一色彩聚合程序;及
图6是一流程图,说明该实施例的一色彩微调程序。
具体实施方式
参阅图1,本发明用于石材色纹分析的色彩量化方法由一装置1实施,该装置1包含一存储单元11,及一电连接该存储单元11的处理单元12,该存储单元11存储有一包括多个像素的图像,该装置1例如为一桌面计算机。
参阅图2,本发明用于石材色纹分析的色彩量化方法的一实施例,包含一色彩空间转换程序S1、一初步量化程序S2、一色彩分割程序S3、一色彩聚合程序S4、一色彩微调程序S5,及一结果产生程序S6。
要特别说明的是,在其他实施方式中,本发明用于石材色纹分析的色彩量化方法也可不包含该色彩聚合程序S4。
在该色彩空间转换程序S1中,该处理单元12将该图像的所述像素由RGB色彩空间转换至另一不同于RGB色彩空间之三维的色彩空间,在本实施例中该另一色彩空间例如为L*a*b*色彩空间(Lab color space),该另一色彩空间具有一L*轴、一垂直该L*轴的a*轴,及一垂直该L*轴及该a*轴的b*轴,但不以此限。
参阅图1、3,在该初步量化程序S2中,该处理单元12以例如局部中心值算法(Local-Means)对色彩空间做初步量化,该初步量化程序S2包括步骤S201~S202,以下说明该初步量化程序S2之各步骤。
在步骤S201中,该处理单元12将该另一色彩空间分割成n的三次方个立体块,每一立体块具有该图像的所述像素之至少一者,所述n3个立体块例如为立方体,n为大于1的正整数。
在步骤S202中,对于每一立体块,该处理单元12获得位于该立体块的所有像素的像素平均值block={1,2,...,n3},并将该立体块的所有像素的像素值,以该立体块的像素平均值取代。所述立体块的所有像素的像素平均值以下式表示:
其中,Cblock为第block个立体块中所述像素之像素值的像素值种类总数,pj为第j种像素值,为在该立体块中像素值为pj的像素个数。
参阅图1、4,在该色彩分割程序S3中,该处理单元12以例如变异数切割(Variance-Cut)算法将该图像的所有像素分为N个群集,N<n3,该色彩分割程序S3包括步骤S301~S306,以下说明该色彩分割程序S3之各步骤。
在步骤S301中,该处理单元12将该图像的所有像素作为一群集K1。
在步骤S302中,对于每一群集Ki,i={1,2,…,k},该处理单元12根据该群集Ki中的所有像素的像素值及每一像素值对应有的像素个数,获得该群集Ki中的所有像素在该色彩空间的该L*轴的第一像素平均值该群集Ki中的所有像素在该色彩空间的该a*轴的第一像素平均值及该群集Ki中的所有像素在该色彩空间的该b*轴的第一像素平均值k为执行步骤S302的次数,也就是此次为第k次执行步骤S302。
该群集Ki在该L*轴的第一像素平均值该群集Ki在该a*轴的第一像素平均值及该群集Ki在该b*轴的第一像素平均值以下式表示:
其中,Meani,axis为该群集Ki在axis轴的第一像素平均值,Ci为该群集Ki中的所有像素之像素值的像素值种类总数,为该群集Ki中第j种在该axis轴的像素值,为在第Ki个群集中像素值为的像素个数。
在步骤S303中,对于每一群集Ki,该处理单元12根据该群集Ki中的所有像素的像素值、该群集Ki在该L*轴的第一像素平均值该群集Ki在该a*轴的第一像素平均值及该群集Ki在该b*轴的第一像素平均值获得该群集Ki中的所有像素在该色彩空间的该L*轴的第一变异数该群集Ki中的所有像素在该色彩空间的该a*轴的第一变异数该群集Ki中的所有像素在该色彩空间的该b*轴的第一变异数及一第一变异数总和Vari,total。
该群集Ki在该L*轴的第一变异数该群集Ki在该a*轴的第一变异数该群集Ki在该b*轴的第一变异数以下式表示:
其中,Vari,axis为该群集Ki在该axis轴的第一变异数,该第一变异数总和Vari,total以下式表示:
在步骤S304中,对于具有最大第一变异数总和的群集 该处理单元12将在该L*轴的第一变异数在该a*轴的第一变异数在该b*轴的第一变异数之最大者所对应的轴作为目标轴CutAxisi,
在步骤S305中,对于具有最大第一变异数总和的群集该处理单元12根据在该目标轴CutAxisi的第一像素平均值将该具有最大第一变异数总和的群集的像素分成二群集KA、KB。
值得注意的是,在本实施例中,该具有最大第一变异数总和的群集所分成的所述群集之一者KA的所有像素于该目标轴CutAxisi的像素值皆小于在该目标轴CutAxisi的第一像素平均值该具有最大第一变异数总和的群集所分成的所述群集之另一者KB的所有像素于该目标轴CutAxisi的像素值皆大于等于在该目标轴CutAxisi的第一像素平均值如下式表示:
其中,PA、PB分别为该具有最大第一变异数总和的群集所分成的所述群集KA、KB的像素集合,为该具有最大第一变异数总和的群集的像素于该目标轴CutAxisi的像素值。
在步骤S306中,该处理单元12判定k是否等于N,若该处理单元12判定出k不等于N,则该处理单元12重复步骤S302至步骤S305,直到k等于N;若该处理单元12判定出k等于N,表示该处理单元12已分成N个群集Km,m={1,2,…,N},则流程进行该色彩聚合程序S4。
要特别注意的是,在其他实施方式中,也可以其他基于分裂算法(SplittingAlgorithm)的预聚类(Pre-clustering)方法,例如中位数切割(Median-Cut)或八元数量化(Octree Quantization),代替变异数切割算法,不以此限。
参阅图1、5,在该色彩聚合程序S4中,该处理单元12以接着以例如变异数平坦化(Variance-Flatten)方法不断切割具有最高变异数之群集和合并距离最接近之群集,来使变异数更加平坦化,该色彩聚合程序S4包括步骤S401~S406,以下说明该色彩聚合程序S4之各步骤。要特别注意的是,在其他实施方式中,该色彩聚合程序S4可根据一默认值重复执行多次,也就是该默认值为迭代次数。
在步骤S401中,对于每一群集Km,该处理单元12根据该群集Km中的所有像素的像素值及每一像素值对应有的像素个数,获得该群集Km中的所有像素在该色彩空间的该L*轴的第二像素平均值该群集Km中的所有像素在该色彩空间的该a*轴的第二像素平均值及该群集Km中的所有像素在该色彩空间的该b*轴的第二像素平均值要特别注意的是,该群集Km的第二像素平均值axis={L*,a*,b*},类似于公式(2),故在此不多加赘述。
在步骤S402中,对于每一群集Km,该处理单元12根据该群集Km中的所有像素的像素值、该群集Km在该L*轴的第二像素平均值该群集Km在该a*轴的第二像素平均值及该群集Km在该b*轴的第二像素平均值获得该群集Km中的所有像素在该色彩空间的该L*轴的第二变异数该群集Km中的所有像素在该色彩空间的该a*轴的第二变异数该群集Km中的所有像素在该色彩空间的该b*轴的第二变异数及一第二变异数总和Varm,total。要特别注意的是,该群集Km的第二变异数Varm,axis,其中axis={L*,a*,b*},及该第二变异数总和Varm,total,分别类似于公式(3)及(4),故在此不多加赘述。
在步骤S403中,该处理单元12计算除具有最大第二变异数总和的群集外的群集Kp之彼此间的距离D(KA',KB'),p={{1,2,…,N}-{mmax}},KA',KB'∈Kp且A′≠B′,所述距离D(KA',KB')以下式表示:
其中,MeanA',axis为该群集KA'在该axis轴的第二像素平均值,MeanB',axis为该群集KB'在该axis轴的第二像素平均值。
在步骤S404中,根据所述距离D(KA',KB'),将在该色彩空间中距离最接近的二群集合并。
在步骤S405中,对于具有最大第二变异数总和的群集该处理单元12将在该L*轴的第二变异数在该a*轴的第二变异数该群集在该b*轴的第二变异数之最大者所对应的轴作为目标轴CutAxism,其中
在步骤S406中,对于具有最大第二变异数总和的群集 该处理单元12根据在该目标轴CutAxism的第二像素平均值将该具有最大第二变异数总和的群集的像素分成二群集,以产生N个群集Kq,q={1,2,…,N}。要特别注意的是,步骤S406的分群方式类似于步骤S305的分群方式,故在此不多加赘述。
参阅图1、6,在该色彩微调程序S5中,该处理单元12以接着以例如K均值(K-Means)算法,先以该色彩聚合程序S4获得的每个群集的像素平均值作为初始中心,并根据每一像素与初始中心的欧式距离(CIE76公式),也就是颜色差异(Color difference),将该色彩聚合程序S4获得的所述N个群集重新分群,该色彩微调程序S5包括步骤S501~S510,以下说明该色彩微调程序S5之各步骤。
在步骤S501中,该处理单元12获得所述N个群集Kq各自的中心,以分别作为N个初始中心。值得注意的是,在本实施例中,该N个群集Kq各自的中心也就是为每一群集Kq的像素平均值。
要特别说明的是,在不包含该色彩聚合程序S4的其他实施方式中,在步骤S501中,该处理单元12是获得所述N个群集Km各自的中心,以分别作为N个初始中心,也就是说,在该色彩分割程序S3后是直接进行该色彩微调程序S5。
在步骤S502中,对于所述N个群集Kq中之每一像素,该处理单元12根据该像素的像素值及每一初始中心的像素值,计算该像素与每一初始中心间在该色彩空间的距离。举例来说,若一像素在该色彩空间的坐标为而所述N个初始中心之其中一者在该色彩空间的坐标为则该像素与该初始中心间在该色彩空间的距离ΔE以下式表示:
在步骤S503中,对于所述N个群集Kq中之每一像素,该处理单元12根据该像素与每一初始中心间在该色彩空间的距离,自所述初始中心中,获得一与该像素对应有最短距离的目标初始中心,并将该像素分类至该目标初始中心所对应的群集中。
在步骤S504中,对于每一初始中心所对应的群集,该处理单元12根据被分类至该群集的每一像素的像素值,重新获得该群集的中心。
在步骤S505中,对于每一像素,该处理单元12根据该像素的像素值及每一中心的像素值,计算该像素与每一中心间在该色彩空间的距离。
在步骤S506中,对于每一像素,该处理单元12根据该像素与每一中心间在该色彩空间的距离,自所述N个中心中,获得一与该像素对应有最短距离的目标中心,并将该像素分类至该目标中心所对应的群集中。
在步骤S507中,对于每一中心所对应的群集,该处理单元12判定被分类至该中心所对应之群集的每一像素是否与被分类至该初始中心所对应之群集的每一像素完全相同。若该处理单元12判定出被分类至该中心所对应之群集的每一像素不与被分类至该初始中心所对应之群集的每一像素完全相同,则流程进行步骤S508;若该处理单元12判定出被分类至该中心所对应之群集的每一像素与被分类至该初始中心所对应之群集的每一像素完全相同,则流程进行步骤S509。
在步骤S508中,对于每一中心所对应的群集,该处理单元12将该中心作为该初始中心,并重新执行该步骤S504至该步骤S507。
在步骤S509中,对于每一中心所对应的群集,该处理单元12获得每一中心所对应的群集并将其作为目标群集。
在步骤S509之后的步骤S510中,对于每一目标群集,该处理单元12将该目标群集的所有像素的像素值,以该目标群集的中心在该色彩空间的像素值取代。
要特别注意的是,在其他实施方式中,也可以其他基于分群算法(ClusteringAlgorithm)的后聚类(Post-Clustering)方法,例如基于启发式算法的粒子群算法(Particle Swarm Optimization Algorithm)及蜜蜂算法(Bee Colony Algorithm),代替K均值算法,不以此限。
在该结果产生程序S6中,该处理单元12根据每一目标群集的像素数量及像素值,获得一包括所述N个目标群集中的所有像素的量化后图像、每一目标群集对应的像素值(如L*a*b*色坐标值以及RGB颜色数值),及每一目标群集的像素数量比例。
综上所述,本发明用于石材色纹分析的色彩量化方法,该处理单元12先将该图像的所述像素转换至例如L*a*b*的三维色彩空间,再以例如局部中心值算法对色彩空间进行初步量化程序,以降低原始图像的色彩分布复杂度和去除噪声,接着以例如变异数切割算法进行色彩分割程序,及以例如变异数平坦化算法进行色彩聚合程序,以将所述像素分裂再聚合成所述N个群集,且以例如K均值算法进行色彩微调程序,将所述N个群集重新分群,以获得所述N个目标群集,最后根据所述N个目标群集产生该量化后图像、每一目标群集对应的像素值,及每一目标群集的像素数量比例,借此,有效将复杂多样的石材色彩做分类与量化,并分析石材中特定颜色的色纹分布,故确实能达成本发明的目的。
以上所述者,仅为本发明的实施例而已,当不能以此限定本发明实施的范围,即凡依本发明权利要求书及说明书内容所作的简单的等效变化与修饰,皆仍属本发明的范围。
Claims (10)
1.一种用于石材色纹分析的色彩量化方法,由装置执行,所述装置存储有包括多个像素的图像,其特征在于:包含:
(A)将所述图像的所述像素由RGB色彩空间转换至不同于RGB色彩空间的三维的另一色彩空间;
(B)将所述另一色彩空间分割成n的三次方个立体块,每一立体块具有所述图像的所述像素之至少一者,n为大于1的正整数;
(C)对于每一立体块,获得位于所述立体块的所有像素的像素平均值,并将所述立体块的所有像素的像素值,以所述立体块的像素平均值取代;
(D)根据所获得的每一立体块之像素平均值及每一立体块所具有的像素个数,将所述立体块的所有像素分成N个群集,N<n的三次方;
(E)根据所述N个群集各自所对应的所有像素的像素值,对所述N个群集重新分群,以获得N个目标群集;及
(F)对于每一目标群集,获得位于所述目标群集的中心,将所述目标群集的所有像素的像素值,以所述目标群集的中心在所述色彩空间的像素值取代。
2.根据权利要求1所述的用于石材色纹分析的色彩量化方法,其特征在于:在步骤(C)中,所述立体块的所有像素的像素平均值block={1,2,...,n3}以下式表示:
其中,Cblock为第block个立体块中所述像素之像素值的像素值种类总数,pj为第j种像素值,为在所述立体块中像素值为pj的像素个数。
3.根据权利要求1所述的用于石材色纹分析的色彩量化方法,其特征在于:在步骤(A)中,所述另一色彩空间为L*a*b*色彩空间,所述另一色彩空间具有L*轴、垂直所述L*轴的a*轴,及垂直所述L*轴及所述a*轴的b*轴,步骤(D)包括以下子步骤:
(D-1)将所述图像的所有像素作为群集K1;
(D-2)对于每一群集Ki,i={1,2,…,k},根据所述群集Ki中的所有像素的像素值及每一像素值对应有的像素个数,获得所述群集Ki中的所有像素在所述色彩空间的所述L*轴的第一像素平均值所述群集Ki中的所有像素在所述色彩空间的所述a*轴的第一像素平均值及所述群集Ki中的所有像素在所述色彩空间的所述b*轴的第一像素平均值k为执行子步骤(D-2)的次数;
(D-3)对于每一群集Ki,根据所述群集Ki中的所有像素的像素值、所述群集Ki相关于所述L*轴的第一像素平均值所述群集Ki相关于所述a*轴的第一像素平均值及所述群集Ki相关于所述b*轴的第一像素平均值获得所述群集Ki中的所有像素在所述色彩空间的所述L*轴的第一变异数所述群集Ki中的所有像素在所述色彩空间的所述a*轴的第一变异数所述群集Ki中的所有像素在所述色彩空间的所述b*轴的第一变异数及第一变异数总和Vari,total;
(D-4)对于具有最大第一变异数总和的群集,根据相关于所述L*轴的第一像素平均值相关于所述a*轴的第一像素平均值及相关于所述b*轴的第一像素平均值之其中一者,将所述具有最大第一变异数总和之群集的像素分成二群集;及
(D-5)重复子步骤(D-2)至子步骤(D-4)直到k等于N。
4.根据权利要求3所述的用于石材色纹分析的色彩量化方法,其特征在于:在步骤(D-2)中,所述群集Ki相关于所述L*轴的第一像素平均值所述群集Ki相关于所述a*轴的第一像素平均值及所述群集Ki相关于所述b*轴的第一像素平均值以下式表示:
其中,Meani,axis为所述群集Ki相关于axis轴的第一像素平均值,Ci为所述群集Ki中的所有像素之像素值的像素值种类总数,为所述群集Ki中第j种相关于所述axis轴的像素值,为在第Ki个群集中像素值为的像素个数;
在步骤(D-3)中,所述群集Ki相关于所述L*轴的第一变异数所述群集Ki相关于所述a*轴的第一变异数所述群集Ki相关于所述b*轴的第一变异数以下式表示:
其中,Vari,axis为所述群集Ki相关于axis轴的第一变异数,所述第一变异数总和Vari,total以下式表示:
5.根据权利要求3所述的用于石材色纹分析的色彩量化方法,其特征在于:子步骤(D-4)包括以下子步骤:
(D-4-1)对于具有最大第一变异数总和的群集将相关于所述L*轴的第一变异数相关于所述a*轴的第一变异数相关于所述b*轴的第一变异数之最大者所对应的轴作为目标轴;
(D-4-2)对于具有最大第一变异数总和的群集根据相关于所述目标轴的第一像素平均值将所述具有最大第一变异数总和的群集的像素分成二群集。
6.根据权利要求3所述的用于石材色纹分析的色彩量化方法,其特征在于:子步骤(D-5)后还包括以下子步骤:
(D-6)对于每一群集Km,m={1,2,…,N},根据所述群集Km中的所有像素的像素值及每一像素值对应有的像素个数,获得所述群集Km中的所有像素在所述色彩空间的所述L*轴的第二像素平均值所述群集Km中的所有像素在所述色彩空间的所述a*轴的第二像素平均值及所述群集Km中的所有像素在所述色彩空间的所述b*轴的第二像素平均值
(D-7)对于每一群集Km,根据所述群集Km中的所有像素的像素值、所述群集Km相关于所述L*轴的第二像素平均值所述群集Km相关于所述a*轴的第二像素平均值及所述群集Km相关于所述b*轴的第二像素平均值获得所述群集Km中的所有像素在所述色彩空间的所述L*轴的第二变异数所述群集Km中的所有像素在所述色彩空间的所述a*轴的第二变异数所述群集Km中的所有像素在所述色彩空间的所述b*轴的第二变异数及第二变异数总和Varm,total;
(D-8)对于除具有第二最大变异数总和的群集外的群集Kp,p={{1,2,…,N}-{mmax}},将在所述色彩空间中距离最接近的二群集合并;及
(D-9)对于具有最大第二变异数总和的群集根据所述群集相关于所述L*轴的第二像素平均值所述群集相关于所述a*轴的第二像素平均值及所述群集相关于所述b*轴的第二像素平均值之其中一者,将所述群集的像素分成二群集。
7.根据权利要求6所述的用于石材色纹分析的色彩量化方法,其特征在于:子步骤(D-8)还包括以下子步骤:
(D-8-1)计算除具有最大变异数总和的群集外的所述群集Kp之彼此间的距离D(KA',KB'),所述距离D(KA',KB')以下式表示:
其中,KA',KB'∈Kp且A′≠B′,MeanA',axis为所述群集KA'相关于所述axis轴的第二像素平均值,MeanB',axis为所述群集KB'相关于所述axis轴的第二像素平均值;
(D-8-2)根据所述距离D(KA',KB'),将在所述色彩空间中距离最接近的二群集合并。
8.根据权利要求1所述的用于石材色纹分析的色彩量化方法,其特征在于:步骤(E)包括以下子步骤:
(E-1)获得所述N个群集各自的中心以分别作为N个初始中心;
(E-2)对于所述N个群集中之每一像素,根据所述像素的像素值及每一初始中心的像素值,重新将所述像素分类至所述N个群集之其中一者;
(E-3)对于每一初始中心所对应的群集,根据被分类至所述群集的每一像素的像素值,重新获得所述群集的中心;
(E-4)对于每一像素,根据所述像素的像素值及每一中心的像素值,将所述像素分类至所述N个群集之其中一者;
(E-5)对于每一中心所对应的群集,判定被分类至所述中心所对应之群集的每一像素是否与被分类至所述初始中心所对应之群集的每一像素完全相同;
(E-6)对于每一中心所对应的群集,当判定被分类至所述中心所对应之群集的每一像素与被分类至所述初始中心所对应之群集的每一像素不完全相同时,将所述中心作为所述初始中心,并重新执行所述子步骤(E-3)至所述子步骤(E-5);
(E-7)对于每一中心所对应的群集,当判定被分类至所述中心所对应之群集的每一像素与被分类至所述初始中心所对应之群集的每一像素完全相同时,获得每一中心所对应的群集并将其作为目标群集;及
(E-8)对于每一目标群集,以所述目标群集的中心于所述色彩空间的像素值取代。
9.根据权利要求8所述的用于石材色纹分析的色彩量化方法,其特征在于:子步骤(E-2)包括以下子步骤:
(E-2-1)对于所述N个群集中之每一像素,根据所述像素的像素值及每一初始中心的像素值,计算所述像素与每一初始中心间在所述色彩空间的距离;及
(E-2-2)对于所述N个群集中之每一像素,根据所述像素与每一初始中心间在所述色彩空间的距离,自所述N个初始中心中,获得与所述像素对应有最短距离的目标初始中心,并将所述像素分类至所述目标初始中心所对应的群集中;
子步骤(E-4)包括以下子步骤:
(E-4-1)对于每一像素,根据所述像素的像素值及每一中心的像素值,计算所述像素与每一中心间在所述色彩空间的距离;及
(E-4-2)对于每一像素,根据所述像素与每一中心间在所述色彩空间的距离,自所述N个中心中,获得一与所述像素对应有最短距离的目标中心,并将所述像素分类至所述目标中心所对应的群集中。
10.根据权利要求1所述的用于石材色纹分析的色彩量化方法,其特征在于:在步骤(F)后还包含以下步骤:
(G)根据每一目标群集的像素数量及像素值,获得包括所述N个目标群集中的所有像素的量化后图像、每一目标群集对应的像素值,及每一目标群集的像素数量比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810418543.3A CN110443858A (zh) | 2018-05-04 | 2018-05-04 | 用于石材色纹分析的色彩量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810418543.3A CN110443858A (zh) | 2018-05-04 | 2018-05-04 | 用于石材色纹分析的色彩量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443858A true CN110443858A (zh) | 2019-11-12 |
Family
ID=68428128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810418543.3A Pending CN110443858A (zh) | 2018-05-04 | 2018-05-04 | 用于石材色纹分析的色彩量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443858A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050111730A1 (en) * | 2003-11-20 | 2005-05-26 | Bin Zhang | Method and system of image segmentation using regression clustering |
CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
TW201545119A (zh) * | 2014-05-22 | 2015-12-01 | Nat Univ Chung Cheng | 應用於彩色影像的資料分群法 |
TW201624417A (zh) * | 2014-12-27 | 2016-07-01 | 國立中興大學 | 基於估測修正比例值的色彩平衡演算法 |
CN107146258A (zh) * | 2017-04-26 | 2017-09-08 | 清华大学深圳研究生院 | 一种图像显著区域检测方法 |
CN107454285A (zh) * | 2016-05-30 | 2017-12-08 | 联咏科技股份有限公司 | 图像噪声估计方法及装置与图像提取装置 |
-
2018
- 2018-05-04 CN CN201810418543.3A patent/CN110443858A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050111730A1 (en) * | 2003-11-20 | 2005-05-26 | Bin Zhang | Method and system of image segmentation using regression clustering |
CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
TW201545119A (zh) * | 2014-05-22 | 2015-12-01 | Nat Univ Chung Cheng | 應用於彩色影像的資料分群法 |
TW201624417A (zh) * | 2014-12-27 | 2016-07-01 | 國立中興大學 | 基於估測修正比例值的色彩平衡演算法 |
CN107454285A (zh) * | 2016-05-30 | 2017-12-08 | 联咏科技股份有限公司 | 图像噪声估计方法及装置与图像提取装置 |
CN107146258A (zh) * | 2017-04-26 | 2017-09-08 | 清华大学深圳研究生院 | 一种图像显著区域检测方法 |
Non-Patent Citations (1)
Title |
---|
吴迪等: "基于Lab空间的K均值聚类彩色图像分割", 《电子科技》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106851437A (zh) | 一种提取视频摘要的方法 | |
Vitaladevuni et al. | Co-clustering of image segments using convex optimization applied to EM neuronal reconstruction | |
CN104537126B (zh) | 一种基于边图随机游走的重叠社区发现方法 | |
Yue et al. | Blind stereoscopic 3D image quality assessment via analysis of naturalness, structure, and binocular asymmetry | |
CN104391879B (zh) | 层次聚类的方法及装置 | |
CN104216974A (zh) | 基于词汇树分块聚类的无人机航拍图像匹配的方法 | |
CN116416561A (zh) | 一种视频图像处理方法和装置 | |
CN103426173A (zh) | 一种立体图像质量的客观评价方法 | |
Ekárt et al. | Modelling human preference in evolutionary art | |
CN111160458B (zh) | 一种图像处理系统及其卷积神经网络 | |
Bepler et al. | TOPAZ: A positive-unlabeled convolutional neural network CryoEM particle picker that can pick any size and shape particle | |
Liao et al. | Image segmentation based on deep learning features | |
Kim et al. | Fine-grained neural architecture search | |
CN110443858A (zh) | 用于石材色纹分析的色彩量化方法 | |
Baswade et al. | A comparative study of k-means and weighted k-means for clustering | |
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 | |
TW201120410A (en) | Depth detection method and system using thereof | |
JP2018206292A (ja) | 要約映像生成装置及びプログラム | |
CN109887023B (zh) | 一种基于加权梯度幅度的双目融合立体图像质量评价方法 | |
CN107766782A (zh) | 一种年龄群体分类的方法及装置 | |
TWI695345B (zh) | 色彩量化方法 | |
CN114037008A (zh) | 基于属性连边的多粒度属性网络嵌入的节点分类方法及系统 | |
Sidqi et al. | Image classification using K–mean algorithm | |
Jordan | Randomised reproducing graphs | |
CN112861965A (zh) | 基于多特征交叉一致性模型的图像匹配方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191112 |