CN111640144A - 一种多视角提花织物图案分割算法 - Google Patents

Abstract

本发明公开了一种多视角提花织物图案分割算法，解决了传统提花织物图案分割精确度低，无法满足精确分割需求的弊端，其技术方案要点是包括有以下步骤：S1、对来样样本进行非单一视角的图像采集，获得多视角采样图像；S2、通过图像配准技术寻找多视角采样图像的特征匹配点对，经过统一坐标变换得到待融合图像，并通过图像融合算法得到多视角融合图像；S3、在多尺度下进行颜色特征及纹理特征的提取，构建多视角融合图像的特征矩阵，通过聚类分割对多视角融合图像进行分割，获得提花花型图案，本发明的一种多视角提花织物图案分割算法，能够对来样样本图像进行合理有效地分割，更加准确地还原花型图案。

Description

一种多视角提花织物图案分割算法

技术领域

本发明涉及织物图像分割技术，特别涉及一种多视角提花织物图案分割算法。

背景技术

提花织物以其变化多端的织物组织配合丰富多彩的经纬纱，赋予织物精美的外观、立体感突出的图案，使提花织物广泛地应用于服装和装饰领域。早在明清时期已有官补提花机织物的生产使用，不过多以传统手工工艺为主，生产成本较高。随着现代化工业的发展，提花织机工业化生产逐渐取代传统手工生产，降低了织品的成本，提高了生产效率，满足了纺织自动化需求。

在实际生产中通常提花织物的花型图案是由用户直接提供样卡，生产商通过对来样进行计算机识别与检测，得到花型数字图像用于指导生产。为了获得花型图案，目前理想的方法是通过对来样织物进行单视角扫描,生成数字图像，然后通过计算机算法进行图像处理来还原花型图案。然而，有研究者指出由于纱线之间缝隙的存在以及扫描光照对图像易产生伪图案，通过扫描获取的织物图像很难准确反映织物表面的真实信息，不利于织物图像组织结构提取、织物花型设计、织物颜色分析、图像检索及图案识别等后续处理。

近年来，针对织物扫描图像中纱线纹理等的存在造成图像信息获取不准确，难以提取有效图案的问题，一系列算法被开发用于织物花型图像的分割。有研究者认为在进行织物图案提取之前,需先进行织物图像预处理，提出一种结构识别引导下的纹理抑制图像平滑算法，使得在平滑图像的同时,有效保持不同纱线之间的边缘,从而保留织物图像中的图案信息。

然而，对于待分割提花织物图像的预处理质量已经无法满足精确分割的需求。因此，有必要从图像获取角度提供一种新的提花织物图案分割算法解决上述技术问题。

发明内容

本发明的目的是提供一种多视角提花织物图案分割算法，能够对来样样本图像进行合理有效地分割，更加准确地还原花型图案。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种多视角提花织物图案分割算法，包括有以下步骤：

S1、对来样样本进行非单一视角的图像采集，获得多视角采样图像；

S2、通过图像配准技术寻找多视角采样图像的特征匹配点对，经过统一坐标变换得到待融合图像，并通过图像融合算法得到多视角融合图像；

S3、在多尺度下进行颜色特征及纹理特征的提取，构建多视角融合图像的特征矩阵，通过聚类分割对多视角融合图像进行分割，获得提花花型图案。

作为优选，步骤S2中图像配准、坐标变化及图像融合具体过程如下：

S21、选择尺度不变特征转换算法分别进行多视角采样图像的配准，并获得对应的特征匹配点对；

S22、根据图像配准找到多视角采样图像对应的特征匹配点对，计算获得变换模型中的未知参数，并得到对应的变换矩阵，完成多视角采样图像的坐标变换；

S23、基于多尺度分析的拉普拉斯金字塔变换的图像融合，将多视角采样图像分解到不同的频率域，并在对应的频率域对相应层次的采样图像进行融合处理，去除冗余信息并保留有效信息至对应的融合图像中。

作为优选，步骤S21中图像配准的具体步骤如下：

通过尺度不变特征转换算法对多视角采样图像进行尺度变换，在不同尺度空间中获取极值点作为多视角采样图像在该尺度空间下的一个特征点，并对特征点进行描述；

选取两组特征点间的欧式距离为相似性度量条件，比对两组特征点间的欧氏距离，根据设定的阈值获得对应的特征匹配点对，完成图像配准。

作为优选，步骤S22中坐标变化的具体步骤如下：

选用几何变换模型

其中，(x,y)、(x’,y’)分别为坐标变换前后的图像像素点位置；

根据配准获得的对应采样图像的特征匹配点对，计算获得几何变换模型中的参数，得到变换矩阵，得到同一坐标下多视角待融合图像。

作为优选，步骤S3中颜色特征和纹理特征的提取及算法分割具体为：

S31、对非单一视角图像采集获得的正视采样图像由RGB颜色空间转换至XYZ颜色空间，获得XYZ颜色空间的正视采样图像后再转换获得Lab颜色空间的正视采样图像，对Lab颜色空间的正视采样图像进行特征提取获得颜色特征；

S32、采用小波变换对多视角融合图像进行小波多分尺度分解，获得小波分解子图，选取小波分解子图中细节子图的能量作为纹理特征；

S33、构建多视角融合图像对应颜色特征和纹理特征的特征矩阵；

S34、通过K-means算法对多视角融合图像的颜色特征及纹理特征的特征矩阵进行聚类，进行分割提取。

作为优选，聚类算法的具体步骤如下：

S341、引入损失函数：引入二值变量r_nk∈{0,1}，为数据点x_n对于聚类k的归属，其中n＝1,…,N,k＝1,…,K，若数据点x_n属于第k聚类，则r_nk＝1，否则为0；寻找使得损失函数J最小的所有数据点的归属值{r_nk}和聚类中心{μ_k}；

S342、迭代求解：随机选取聚类中心μ_k的初始值，求取使损失函数J最小的数据点的归属值r_nk；固定已求得的r_nk，求取使损失函数J最小的聚类中心μ_k，如此迭代直至聚类中心不再变化或达到设定的迭代次数。

综上所述，本发明具有以下有益效果：

在多视角图像融合的基础上采用基于颜色和纹理特征的聚类分割算法，对来样样本图像能够进行合理有效地分割，更加准确地还原花型图案，解决了传统基于单视角提花织物图案分割算法在图像获取过程中，由于提花织物的表面不平整对光线的反射和折射效果不同，造成获得图像的纹理信息不足且噪声影响较大，对花型图案分割不够准确的问题。

附图说明

图1为本方法的流程示意图；

图2为进行多视角图像采集的结构示意图；

图3为本方法具体流程框图；

图4为本方法结合样本的示意流程图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

根据一个或多个实施例，本发明公开的一种多视角提花织物图案分割算法，如图1所示，包括有以下步骤：

S1、对来样样本进行非单一视角的图像采集，获得多视角采样图像，获得的多视角采样图像包括有下、上、左、右各个角度及正视角采样图像；

S2、通过图像配准技术寻找多视角采样图像的特征匹配点对，经过统一坐标变换得到待融合图像，并通过图像融合算法得到多视角融合图像；

S3、在多尺度下进行颜色特征及纹理特征的提取，构建多视角融合图像的特征矩阵，通过聚类分割对多视角融合图像进行分割，获得提花花型图案及本底纹理图像。

如图2所示，为非单一视角图像采集装置进行多视角图像采集的装置配置图。装置包括有对来样样品，即式样进行放置的试样平台，以及设置在试样平台的下方控制试样平台绕中心轴旋转的运动控制器。通过放置在试样平台斜上方的相机对旋转运动的来样样本进行拍摄采集，获得多视角采样图像。相机通过三脚架固定安装，且朝向试样平台中心倾斜，在相机的两侧设置有光源对采集环境进行照明调整。还包括有计算机对相机拍摄采集的图像进行接收处理，通过图像采集卡进行存储后传输至计算机处理。

如图3及图4所示，整体步骤具体分别包括有以下：

步骤S2中图像配准、坐标变化及图像融合：

S21、选择尺度不变特征转换算法分别进行多视角采样图像的配准，并获得对应的特征匹配点对；

S22、根据图像配准找到多视角采样图像对应的特征匹配点对，计算获得变换模型中的未知参数，并得到对应的变换矩阵，完成多视角采样图像的坐标变换；

S23、基于多尺度分析的拉普拉斯金字塔变换的图像融合，将多视角采样图像分解到不同的频率域，并在对应的频率域对相应层次的采样图像进行融合处理，去除冗余信息并保留有效信息至对应的融合图像中。

经过图像配准与坐标变换，多视角待融合图像已满足图像融合的前提条件。为得到完备的织物信息数据，采用基于多尺度分析的拉普拉斯金字塔变换的图像融合方法，将多视角织物图像分解到不同的频率域，在不同的频率域选择具体的融合规则，对相应层次的图像进行融合处理，有选择性的去除图像中的冗余信息，最大限度的将有效信息保留在融合图像中。

完整的拉普拉斯金字塔变换函数及其重构函数表达式定义为：

其中，G_k表示第k层的高斯金字塔图像，LP_k表示第k层的拉普拉斯金字塔图像。

步骤S21中图像配准的具体步骤如下：

通过尺度不变特征转换算法对多视角采样图像进行尺度变换，在不同尺度空间中获取极值点作为多视角采样图像在该尺度空间下的一个特征点，并通过数学方式定义特征，对特征点进行描述；

选取两组特征点间的欧式距离为相似性度量条件，比对两组特征点间的欧氏距离，根据设定的阈值获得对应的特征匹配点对，完成图像配准。

步骤S22中坐标变化的具体步骤如下：

选用几何变换模型，选用一般的几何变换模型，如下：

其中，(x,y)、(x’,y’)分别为坐标变换前后的图像像素点位置；

根据配准获得的对应采样图像的特征匹配点对，计算获得几何变换模型中的参数，得到变换矩阵，得到同一坐标下多视角待融合图像。

步骤S3中颜色特征和纹理特征的提取及算法分割具体为：

S31、颜色特征提取：在多视角采样图像获取的过程中，由于光照对来样样本的提花织物表面颜色的影响，每个视角下的图像颜色信息都有所差异，容易导致多视角融合后的图像与待分割图像在颜色信息上存在较大差异，使得提取的颜色信息不准确，不利于图像分割。又由于常用的RGB颜色模型是一种面向硬件的颜色模型，并不符合人类视觉对颜色差异的感知程度，因此需要将RGB颜色模型转换成一种均匀的、适合聚类的颜色模型——Lab颜色模型。因此，针对提花织物的颜色特征提取，选择对Lab颜色空间的单视角待分割图像提取颜色特征。对非单一视角图像采集获得的正视采样图像由RGB颜色空间转换至XYZ颜色空间，获得XYZ颜色空间的正视采样图像后再转换获得Lab颜色空间的正视采样图像，对Lab颜色空间的正视采样图像进行特征提取获得颜色特征；

其转换过程如下：

r＝R/255；

如果r>0.04045,那么

否则

与此同时，对G和B分量作相同的处理，从而获得g和b；

得到XYZ颜色空间的织物图像；

若X>0.008856，那么

否则

类似地，对Y和Z分量进行处理后得到y、z；

得到Lab颜色空间的织物图像。

Lab空间中的L分量表示亮度，a和b分量表示颜色的对立维度，为降低特征矩阵维度，仅对图像提取其ab分量作为颜色特征向量。

S32、纹理特征提取：为避免单视角扫描提花织物过程中，由于提花本身特殊的纹理表面造成图像的纹理信息获取不足且噪声较大，不利于花型图案分割的问题，又小波变换能够将图像的能量集中到少部分小波系数上，且分解后的小波系数在三个方向的细节分量具有较高的局部相关性，被广泛用于图像纹理特征提取和分割中。因此，针对提花织物的纹理特征提取，选择小波变换对多尺度下多视角提花织物融合图像提取纹理特征。

对于大小为M×N的二维图像I，分别采用低通滤波器L和高通滤波器H在水平和垂直方向进行滤波，实现二维图像小波多分尺度分解，得到图1所示的小波分解子图，其中，I^LL表示其近似图像，I^LH、I^HL和I^HH分别为其水平、竖直和对角方向的细节子图。其滤波结果如下：

其中，l(i)(i＝0,1,2,…,N_l-1),h(i)(i＝0,1,2,…,N_h-1)分别为低通和高通滤波器的脉冲响应，N_l和N_h分别为低通和高通滤波器的长度，x＝0,2,4,…,M,y＝0,2,4,…,N。

小波分解后的细节子图为原图像的高频分量，包含了图像主要的纹理信息，所以取细节子图的能量作为纹理特征，其定义为：

其中，T_xy为像素(x，y)的纹理特征值，I_ij表示以像素(x，y)为中心的(2ω+1)·(2ω+1)大小窗口的第(i，j)个小波系数。

S33、构建多视角融合图像对应颜色特征和纹理特征的特征矩阵；

综上述，大小为M×N的二维图像I对应颜色和纹理特征的特征向量矩阵可以表示为

其中，

S34、通过K-means算法对多视角融合图像的颜色特征及纹理特征的特征矩阵进行聚类，进行分割提取。

进一步，聚类算法的具体步骤如下：

S341、引入损失函数：引入二值变量r_nk∈{0,1}，为数据点x_n对于聚类k的归属，其中n＝1,…,N,k＝1,…,K，若数据点x_n属于第k聚类，则r_nk＝1，否则为0；因此可定义损失函数：

寻找使得损失函数J最小的所有数据点的归属值{r_nk}和聚类中心{μ_k}；

S342、迭代求解：随机选取聚类中心μ_k的初始值，求取使损失函数J最小的数据点的归属值r_nk；

固定已求得的r_nk，求取使损失函数J最小的聚类中心μ_k，

如此迭代直至聚类中心不再变化或达到设定的迭代次数。

该方法可以在多视角图像融合的基础上采用基于颜色和纹理特征的聚类分割算法，对来样图像进行合理有效地分割，更加准确地还原花型图案，解决了传统基于单视角提花织物图案分割算法在图像获取过程中，由于提花织物的表面不平整对光线的反射和折射效果不同，造成获得图像的纹理信息不足且噪声影响较大，对花型图案分割不够准确的问题。本发明在利用图像处理技术对织物图案设计上具有潜在的应用前景。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (6)

1.一种多视角提花织物图案分割算法，其特征是，包括有以下步骤：

S1、对来样样本进行非单一视角的图像采集，获得多视角采样图像；

S2、通过图像配准技术寻找多视角采样图像的特征匹配点对，经过统一坐标变换得到待融合图像，并通过图像融合算法得到多视角融合图像；

S3、在多尺度下进行颜色特征及纹理特征的提取，构建多视角融合图像的特征矩阵，通过聚类分割对多视角融合图像进行分割，获得提花花型图案。

2.根据权利要求1所述的多视角提花织物图案分割算法，其特征是，步骤S2中图像配准、坐标变化及图像融合具体过程如下：

S21、选择尺度不变特征转换算法分别进行多视角采样图像的配准，并获得对应的特征匹配点对；

S22、根据图像配准找到多视角采样图像对应的特征匹配点对，计算获得变换模型中的未知参数，并得到对应的变换矩阵，完成多视角采样图像的坐标变换；

S23、基于多尺度分析的拉普拉斯金字塔变换的图像融合，将多视角采样图像分解到不同的频率域，并在对应的频率域对相应层次的采样图像进行融合处理，去除冗余信息并保留有效信息至对应的融合图像中。

3.根据权利要求2所述的多视角提花织物图案分割算法，其特征是，步骤S21中图像配准的具体步骤如下：

通过尺度不变特征转换算法对多视角采样图像进行尺度变换，在不同尺度空间中获取极值点作为多视角采样图像在该尺度空间下的一个特征点，并对特征点进行描述；

选取两组特征点间的欧式距离为相似性度量条件，比对两组特征点间的欧氏距离，根据设定的阈值获得对应的特征匹配点对，完成图像配准。

4.根据权利要求3所述的多视角提花织物图案分割算法，其特征是：步骤S22中坐标变化的具体步骤如下：

选用几何变换模型

其中，(x,y)、(x’,y’)分别为坐标变换前后的图像像素点位置；

根据配准获得的对应采样图像的特征匹配点对，计算获得几何变换模型中的参数，得到变换矩阵，得到同一坐标下多视角待融合图像。

5.根据权利要求1所述的多视角提花织物图案分割算法，其特征是，步骤S3中颜色特征和纹理特征的提取及算法分割具体为：

S31、对非单一视角图像采集获得的正视采样图像由RGB颜色空间转换至XYZ颜色空间，获得XYZ颜色空间的正视采样图像后再转换获得Lab颜色空间的正视采样图像，对Lab颜色空间的正视采样图像进行特征提取获得颜色特征；

S32、采用小波变换对多视角融合图像进行小波多分尺度分解，获得小波分解子图，选取小波分解子图中细节子图的能量作为纹理特征；

S33、构建多视角融合图像对应颜色特征和纹理特征的特征矩阵；

S34、通过K-means算法对多视角融合图像的颜色特征及纹理特征的特征矩阵进行聚类，进行分割提取。

6.根据权利要求5所述的多视角提花织物图案分割算法，其特征是，聚类算法的具体步骤如下：

S341、引入损失函数：引入二值变量r_nk∈{0,1}，为数据点x_n对于聚类k的归属，其中n＝1,…,N,k＝1,…,K，若数据点x_n属于第k聚类，则r_nk＝1，否则为0；寻找使得损失函数J最小的所有数据点的归属值{r_nk}和聚类中心{μ_k}；

S342、迭代求解：随机选取聚类中心μ_k的初始值，求取使损失函数J最小的数据点的归属值r_nk；固定已求得的r_nk，求取使损失函数J最小的聚类中心μ_k，如此迭代直至聚类中心不再变化或达到设定的迭代次数。

Images