CN113111941B - 一种基于彩色图和矢量图的织物图案匹配方法及系统 - Google Patents

一种基于彩色图和矢量图的织物图案匹配方法及系统 Download PDF

Info

Publication number
CN113111941B
CN113111941B CN202110392193.XA CN202110392193A CN113111941B CN 113111941 B CN113111941 B CN 113111941B CN 202110392193 A CN202110392193 A CN 202110392193A CN 113111941 B CN113111941 B CN 113111941B
Authority
CN
China
Prior art keywords
matched
template
picture
image
matching
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.)
Active
Application number
CN202110392193.XA
Other languages
English (en)
Other versions
CN113111941A (zh
Inventor
吕文涛
刘志伟
王成群
骆淑云
徐伟强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Sci Tech University ZSTU
Original Assignee
Zhejiang Sci Tech University ZSTU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN202110392193.XA priority Critical patent/CN113111941B/zh
Publication of CN113111941A publication Critical patent/CN113111941A/zh
Application granted granted Critical
Publication of CN113111941B publication Critical patent/CN113111941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于彩色图和矢量图的织物图案匹配方法及系统，其方法包括S1、输入模板图，并对模板图进行预处理，以获取与待匹配图片大小相适应的预处理模板图A；S2、输入待匹配图片，去除待匹配图片的彩色通道数以将待匹配图片转为灰度图片B；S3、计算灰度图片B的最大外接椭圆相对于水平轴的偏移角度θ，并通过仿射变换矩阵使灰度图片B保持水平；S4、随机选取灰度图片B中的ROI区域S，对该区域S进行裁剪并提取轮廓，得到轮廓图L；S5、去除轮廓图L中的干扰特征，以获取待匹配模板图M；S6、将待匹配模板图M与预处理模板图A中的图案进行匹配，以得到匹配结果。本发明提升了纺织物图像匹配的准确度与速度，极大地降低了企业用工成本。

Description

一种基于彩色图和矢量图的织物图案匹配方法及系统
技术领域
本发明属于图像处理技术领域，具体涉及一种基于彩色图和矢量图的织物图案匹配方法及系统。
背景技术
随着现代纺织印刷技术地不断进步，纺织物在印刷的过程中需要将上面的某些图案与印刷模板进行匹配以验证其准确性。在此过程中，要求印刷品上的任何一个区域都要在模板图上有相对应的区域与之匹配，因此，对匹配方法的时效性和准确率都提出了较高的要求。
现有技术中，对于纺织物图像的匹配，采用人工对待匹配纺织物图像中需要进行匹配的部分进行分割，速度十分缓慢、效率低下，因此大大减缓了纺织物图像匹配的速度，无法满足企业对于快速进行纺织物图像匹配的要求。此外，目前企业在进行纺织物图像匹配过程中，待匹配纺织物图像容易出现倾斜现象，因此即使待匹配纺织物图像属于合格产品，最终的匹配结果也将有很大可能为匹配失败，匹配的准确率无法得到保障。最后一点，目前在进行纺织物图像匹配过程中往往需要将图像中所有的像素点一一进行匹配以得到最终是否匹配成功的结果，无法做到提前结束匹配并输出匹配结果，这样的匹配过程效率较低。
发明内容
针对现有技术中存在的上述问题，本发明提出一种基于彩色图和矢量图的织物图案匹配方法及系统，以提升纺织物图像匹配的准确度与速度，极大地降低企业的用工成本。
一种基于彩色图和矢量图的织物图案匹配方法，包括步骤：
S1、输入模板图，并对模板图进行预处理，以获取与待匹配图片大小相适应的预处理模板图A；
S2、输入待匹配图片，去除待匹配图片的彩色通道数以将待匹配图片转为灰度图片B；
S3、计算灰度图片B的最大外接椭圆相对于水平轴的偏移角度θ，并通过仿射变换矩阵使灰度图片B保持水平；
S4、随机选取灰度图片B中的ROI区域S，对该区域S进行裁剪并提取轮廓，得到轮廓图L；
S5、去除轮廓图L中的干扰特征，以获取待匹配模板图M；
S6、将待匹配模板图M与预处理模板图A中的图案进行匹配，以得到匹配结果。
作为优选方案，步骤S3中，具体包括：
S3.1、对灰度图片B取最大外接椭圆；
S3.2、计算最大外接椭圆长轴相较于水平轴的偏差角度θ；
S3.3、分别计算将偏差角度θ变换为90°时，灰度图片B的行、列偏移量；
S3.4、根据偏差角度θ、灰度图片B的行、列偏移量以计算得到仿射变换矩阵W；
S3.5、将灰度图片B与仿射变换矩阵W相乘，以使灰度图片B保持水平。
作为优选方案，步骤S3.4中，仿射变换矩阵计算方式为：
其中，θ为偏差角度，dx为灰度图片B的行偏移量,dy为灰度图片B的列偏移量，x,y为灰度图片B的初始坐标，x’、y’为仿射变换之后灰度图片B的坐标。
作为优选方案，步骤S4中具体为：通过canny算法提取图片的边缘轮廓，得到轮廓图L。
作为优选方案，步骤S5具体包括：通过特征选择去除轮廓图L中的干扰轮廓，以得到待匹配模板图M。
作为优选方案，步骤S6中具体包括以下步骤：
S6.1、使用图像金字塔算法在预处理模板图A上以对待匹配模板图M的相应位置进行定位；
S6.2、计算待匹配模板图M中前k个像素点与预处理模板图A的相似性度量Sk；
S6.3、将待匹配模板图M中剩下的像素点匹配相似度均设置为1，并设置阈值Smin；
S6.4、当时则提前结束匹配并输出结果为匹配失败，若则执行步骤S6.5，其中n表示待匹配模板图M中的像素点个数；
S6.5、当k＜n时，使k＝k+1并重新执行步骤S6.2-S6.4，当k＝n时，结束匹配，并输出结果为匹配成功。
作为优选方案，步骤S6.2中所述Sk的计算公式为：
其中，Vi表示待匹配模板图中第i个像素点的方向向量，Vi＝(Vi x,Vi y)T，其中Vi x表示待匹配模板图第i个像素点x方向的向量，Vi y表示待匹配模板图第i个像素点y方向的向量，表示预处理模板图上与待匹配模板图相对应的第i个像素点的方向向量，表示预处理模板图上与待匹配模板图相对应的第i个像素点的x方向的方向向量，/>表示预处理模板图上与待匹配模板图相对应的第i个像素点的y方向的方向向量，T表示对向量组进行转置。
作为优选方案，Smin取值为0.3。
作为优选方案，步骤S6中具体包括以下步骤：
S6.1、使用图像金字塔算法在预处理模板图A上以对待匹配模板图M的相应位置进行定位；
S6.2、计算待匹配模板图M中前k个像素点与预处理模板图A的相似性度量Sk；
S6.3、将待匹配模板图M中剩下的像素点匹配相似度均设置为1，并设置阈值Smin；
S6.4、当时则提前结束匹配并输出结果为匹配失败，若/>则执行步骤S6.5；
S6.5、当k＜n时，使k＝k+1并重新执行步骤S6.2-S6.4，当k＝n时，结束匹配，并输出结果为匹配成功；
其中，n表示待匹配模板图M中的像素点个数，λ＝(1-g·smin)/(1-g)，g表示贪婪因子，g的值范围为(0,1)。
相应地，还提供一种基于彩色图和矢量图的织物图案匹配系统，包括：预处理模块、灰度模块、校正模块、轮廓提取模块、去干扰模块以及匹配模块，其中灰度模块、校正模块、轮廓提取模块、去干扰模块以及匹配模块依次相联，预处理模块与匹配模块相联；
预处理模块，用于对模板图进行预处理，以获取与待匹配图片大小相适应的预处理模板图A；
灰度模块，用于去除待匹配图片的彩色通道数以将待匹配图片转为灰度图片B；
校正模块，用于计算灰度图片B的最大外接椭圆相对于水平轴的偏移角度θ，并通过仿射变换矩阵使灰度图片B保持水平；
轮廓提取模块，用于随机选取灰度图片B中的ROI区域S，对该区域S进行裁剪并提取轮廓，得到轮廓图L；
去干扰模块，用于去除轮廓图L中的干扰特征，以获取待匹配模板图M；
匹配模块，用于将待匹配模板图M与预处理模板图A中的图案进行匹配，以得到匹配结果。
本发明的有益效果是：
1、可对倾斜状态的纺织物图像进行校正，极大程度上提高了图像的匹配准确度。
2、对于不合格的纺织物图像，可提前匹配结束，极大程度上加快了匹配速度，提高了匹配效率。
3、可自动对待匹配纺织物图像中各部分进行匹配，降低了用工成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
图1是本发明所述一种基于彩色图和矢量图的织物图案匹配方法的流程图；
图2是本发明中预处理模板图A的示意图；
图3是本发明中待匹配模板图M的示意图；
图4是本发明中图像金字塔效果图；
图5是本发明所述一种基于彩色图和矢量图的织物图案匹配系统的结构示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
实施例一：
参照图1，本实施例提供了一种基于彩色图和矢量图的织物图案匹配方法，包括步骤：
S1、输入模板图，并对模板图进行预处理，以获取与待匹配图片大小相适应的预处理模板图A(参照图2所示，为一织物图)；
S2、输入待匹配图片，去除待匹配图片的彩色通道数以将待匹配图片转为灰度图片B；
S3、计算灰度图片B的最大外接椭圆相对于水平轴的偏移角度θ，并通过仿射变换矩阵使灰度图片B保持水平；
S4、随机选取灰度图片B中的ROI区域S，对该区域S进行裁剪并提取轮廓，得到轮廓图L；
S5、去除轮廓图L中的干扰特征，以获取待匹配模板图M；
S6、将待匹配模板图M与预处理模板图A中的图案进行匹配，以得到匹配结果。
需要说明的是，重复步骤S4-S6，以对灰度图片B中所有区域中的图案进行匹配，即可完成整个纺织物图像的匹配。
进一步地，
步骤S3中，具体包括：
S3.1、对灰度图片B取最大外接椭圆；
S3.2、计算最大外接椭圆长轴相较于水平轴的偏差角度θ；
S3.3、分别计算将偏差角度θ变换为90°时，灰度图片B的行、列偏移量；
S3.4、根据偏差角度θ、灰度图片B的行、列偏移量以计算得到仿射变换矩阵W；
S3.5、将灰度图片B与仿射变换矩阵W相乘，以使灰度图片B保持水平。
步骤S3.4中，仿射变换矩阵计算方式为：
其中，θ为偏差角度，dx为灰度图片B的行偏移量,dy为灰度图片B的列偏移量，x,y为灰度图片B的初始坐标，x’、y’为仿射变换之后灰度图片B的坐标。
进一步地，步骤S4中具体为：通过canny算法提取图片的边缘轮廓，得到轮廓图L。步骤S5具体包括：通过特征选择去除轮廓图L中的干扰轮廓，以得到待匹配模板图M，参照图3所示。
进一步地，步骤S6中具体包括以下步骤：
S6.1、使用5层图像金字塔算法在预处理模板图A上以对待匹配模板图M的相应位置进行定位，具体可参照图4所示；
S6.2、计算待匹配模板图M中前k个像素点与预处理模板图A的相似性度量Sk；
S6.3、将待匹配模板图M中剩下的像素点匹配相似度均设置为1，并设置阈值Smin；
S6.4、当时则提前结束匹配并输出结果为匹配失败，若则执行步骤S6.5，其中n表示待匹配模板图M中的像素点个数；
S6.5、当k＜n时，使k＝k+1并重新执行步骤S6.2-S6.4，当k＝n时，结束匹配，并输出结果为匹配成功。
本实施例中Smin取值为0.3。
步骤S6.2中所述Sk的计算公式为：
其中，Vi表示待匹配模板图中第i个像素点的方向向量，Vi＝(Vi x,Vi y)T，其中Vi x表示待匹配模板图第i个像素点x方向的向量，Vi y表示待匹配模板图第i个像素点y方向的向量，表示预处理模板图上与待匹配模板图相对应的第i个像素点的方向向量，表示预处理模板图上与待匹配模板图相对应的第i个像素点的x方向的方向向量，/>表示预处理模板图上与待匹配模板图相对应的第i个像素点的y方向的方向向量，T表示对向量组进行转置。本实施例中相似度度量用待匹配模板图M和预处理模板图A上对应点的方向向量的点积来表示。对方向向量Vi进行归一化处理，使所有方向向量的长度均变为1，以此消除光照带来的影响。
需要说明的是，待匹配模板图M的总相似度量S的计算公式为：
即，若用户不想采用提前结束匹配的方案，也可将S直接与Smin进行比较，若S＜Smin则匹配失败，若S≥Smin则匹配成功。
本发明的有益效果在于：
1、可对倾斜状态的纺织物图像进行校正，极大程度上提高了图像的匹配准确度。
2、对于不合格的纺织物图像，可提前匹配结束，极大程度上加快了匹配速度，提高了匹配效率。
3、可自动对待匹配纺织物图像中各部分进行匹配，降低了用工成本。
实施例二：
本实施例与实施例一的区别之处在于，
步骤S6中具体包括以下步骤：
S6.1、使用5层图像金字塔算法在预处理模板图A上以对待匹配模板图M的相应位置进行定位；
S6.2、计算待匹配模板图M中前k个像素点与预处理模板图A的相似性度量Sk；
S6.3、将待匹配模板图M中剩下的像素点匹配相似度均设置为1，并设置阈值Smin；
S6.4、当时则提前结束匹配并输出结果为匹配失败，若/>则执行步骤S6.5；
S6.5、当k＜n时，使k＝k+1并重新执行步骤S6.2-S6.4，当k＝n时，结束匹配，并输出结果为匹配成功；
其中，n表示待匹配模板图M中的像素点个数，λ＝(1-g·smin)/(1-g)，g表示贪婪因子，g的值范围为(0,1)。
即相较于实施例一，本实施例中加入了贪婪因子g，且贪婪因子g越大表示提前终止匹配的可能性越大，但同时匹配失败的概率也越高。具体可根据用户需求进行设置。
实施例三：
参照图5，本实施例提供了一种基于彩色图和矢量图的织物图案匹配系统，包括：预处理模块、灰度模块、校正模块、轮廓提取模块、去干扰模块以及匹配模块，其中灰度模块、校正模块、轮廓提取模块、去干扰模块以及匹配模块依次相联，预处理模块与匹配模块相联；
预处理模块，用于对模板图进行预处理，以获取与待匹配图片大小相适应的预处理模板图A；
灰度模块，用于去除待匹配图片的彩色通道数以将待匹配图片转为灰度图片B；
校正模块，用于计算灰度图片B的最大外接椭圆相对于水平轴的偏移角度θ，并通过仿射变换矩阵使灰度图片B保持水平；
轮廓提取模块，用于随机选取灰度图片B中的ROI区域S，对该区域S进行裁剪并提取轮廓，得到轮廓图L；
去干扰模块，用于去除轮廓图L中的干扰特征，以获取待匹配模板图M；
匹配模块，用于将待匹配模板图M与预处理模板图A中的图案进行匹配，以得到匹配结果。
需要说明的是，本实施例提供的一种基于彩色图和矢量图图案匹配的图像匹配系统，与实施例一类似，在此不多做赘述。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

Claims (6)

1.一种基于彩色图和矢量图的织物图案匹配方法，其特征在于，包括如下步骤：
S1、输入模板图，并对模板图进行预处理，以获取与待匹配图片大小相适应的预处理模板图A；
S2、输入待匹配图片，去除待匹配图片的彩色通道数以将待匹配图片转为灰度图片B；
S3、计算灰度图片B的最大外接椭圆相对于水平轴的偏移角度θ，并通过仿射变换矩阵使灰度图片B保持水平；
S4、随机选取灰度图片B中的ROI区域S，对该区域S进行裁剪并提取轮廓，得到轮廓图L；
S5、去除轮廓图L中的干扰特征，以获取待匹配模板图M；
S6、将待匹配模板图M与预处理模板图A中的图案进行匹配，以得到匹配结果；
步骤S3具体包括：
S3.1、对灰度图片B取最大外接椭圆；
S3.2、计算最大外接椭圆长轴相较于水平轴的偏差角度θ；
S3.3、分别计算将偏差角度θ变换为90°时，灰度图片B的行、列偏移量；
S3.4、根据偏差角度θ、灰度图片B的行、列偏移量以计算得到仿射变换矩阵W；
S3.5、将灰度图片B与仿射变换矩阵W相乘，以使灰度图片B保持水平；
步骤S6具体包括以下步骤：
S6.1、使用图像金字塔算法在预处理模板图A上以对待匹配模板图M的相应位置进行定位；
S6.2、计算待匹配模板图M中前k个像素点与预处理模板图A的相似性度量Sk；
S6.3、将待匹配模板图M中剩下的像素点匹配相似度均设置为1，并设置阈值Smin；
S6.4、当时，则提前结束匹配并输出结果为匹配失败，若则执行步骤S6.5，其中n表示待匹配模板图M中的像素点个数；
S6.5、当k＜n时，使k＝k+1并重新执行步骤S6.2-S6.4，当k＝n时，结束匹配，并输出结果为匹配成功；
步骤S6.2中,所述Sk的计算公式为：
其中，Vi表示待匹配模板图中第i个像素点的方向向量，Vi＝(Vi x,Vi y)T，其中Vi x表示待匹配模板图第i个像素点x方向的向量，Vi y表示待匹配模板图第i个像素点y方向的向量，表示预处理模板图上与待匹配模板图相对应的第i个像素点的方向向量，表示预处理模板图上与待匹配模板图相对应的第i个像素点的x方向的方向向量，/>表示预处理模板图上与待匹配模板图相对应的第i个像素点的y方向的方向向量，T表示对向量组进行转置。
2.根据权利要求1所述的一种基于彩色图和矢量图的织物图案匹配方法，其特征在于，步骤S3.4中，仿射变换矩阵计算式为：
其中，θ为偏差角度，dx为灰度图片B的行偏移量,dy为灰度图片B的列偏移量，x,y为灰度图片B的初始坐标，x’、y’为仿射变换之后灰度图片B的坐标。
3.根据权利要求1所述的一种基于彩色图和矢量图的织物图案匹配方法，其特征在于，步骤S4中：通过canny算法提取图片的边缘轮廓，得到轮廓图L。
4.根据权利要求1所述的一种基于彩色图和矢量图的织物图案匹配方法，其特征在于，步骤S5具体包括：通过特征选择去除轮廓图L中的干扰轮廓，以得到待匹配模板图M。
5.根据权利要求1所述的一种基于彩色图和矢量图的织物图案匹配方法，其特征在于，Smin取值为0.3。
6.一种基于彩色图和矢量图的织物图案匹配方法，其特征在于，包括如下步骤：
S1、输入模板图，并对模板图进行预处理，以获取与待匹配图片大小相适应的预处理模板图A；
S2、输入待匹配图片，去除待匹配图片的彩色通道数以将待匹配图片转为灰度图片B；
S3、计算灰度图片B的最大外接椭圆相对于水平轴的偏移角度θ，并通过仿射变换矩阵使灰度图片B保持水平；
S4、随机选取灰度图片B中的ROI区域S，对该区域S进行裁剪并提取轮廓，得到轮廓图L；
S5、去除轮廓图L中的干扰特征，以获取待匹配模板图M；
S6、将待匹配模板图M与预处理模板图A中的图案进行匹配，以得到匹配结果；
步骤S3具体包括：
S3.1、对灰度图片B取最大外接椭圆；
S3.2、计算最大外接椭圆长轴相较于水平轴的偏差角度θ；
S3.3、分别计算将偏差角度θ变换为90°时，灰度图片B的行、列偏移量；
S3.4、根据偏差角度θ、灰度图片B的行、列偏移量以计算得到仿射变换矩阵W；
S3.5、将灰度图片B与仿射变换矩阵W相乘，以使灰度图片B保持水平；
步骤S6具体包括以下步骤：
S6.1、使用图像金字塔算法在预处理模板图A上以对待匹配模板图M的相应位置进行定位；
S6.2、计算待匹配模板图M中前k个像素点与预处理模板图A的相似性度量Sk；
S6.3、将待匹配模板图M中剩下的像素点匹配相似度均设置为1，并设置阈值Smin；
S6.4、当时，则提前结束匹配并输出结果为匹配失败，若/>则执行步骤S6.5；
S6.5、当k＜n时，使k＝k+1并重新执行步骤S6.2-S6.4，当k＝n时，结束匹配，并输出结果为匹配成功；
其中，n表示待匹配模板图M中的像素点个数，λ＝(1-g·smin)/(1-g)，g表示贪婪因子，g的值范围为(0,1)；
步骤S6.2中,所述Sk的计算公式为：
其中，Vi表示待匹配模板图中第i个像素点的方向向量，Vi＝(Vi x,Vi y)T，其中Vi x表示待匹配模板图第i个像素点x方向的向量，Vi y表示待匹配模板图第i个像素点y方向的向量，表示预处理模板图上与待匹配模板图相对应的第i个像素点的方向向量，表示预处理模板图上与待匹配模板图相对应的第i个像素点的x方向的方向向量，/>表示预处理模板图上与待匹配模板图相对应的第i个像素点的y方向的方向向量，T表示对向量组进行转置。
CN202110392193.XA 2021-04-13 2021-04-13 一种基于彩色图和矢量图的织物图案匹配方法及系统 Active CN113111941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110392193.XA CN113111941B (zh) 2021-04-13 2021-04-13 一种基于彩色图和矢量图的织物图案匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110392193.XA CN113111941B (zh) 2021-04-13 2021-04-13 一种基于彩色图和矢量图的织物图案匹配方法及系统

Publications (2)

Publication Number Publication Date
CN113111941A CN113111941A (zh) 2021-07-13
CN113111941B true CN113111941B (zh) 2023-11-24

Family

ID=76716079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110392193.XA Active CN113111941B (zh) 2021-04-13 2021-04-13 一种基于彩色图和矢量图的织物图案匹配方法及系统

Country Status (1)

Country Link
CN (1) CN113111941B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184250A (zh) * 2011-05-24 2011-09-14 东华大学 基于彩色图像匹配的服装面料样品检索方法
CN109671052A (zh) * 2018-11-16 2019-04-23 华南理工大学 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法
CN109741380A (zh) * 2018-12-27 2019-05-10 广州华迅网络科技有限公司 纺织品图片快速匹配方法和装置
CN110211182A (zh) * 2019-05-31 2019-09-06 东北大学 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法
CN110942473A (zh) * 2019-12-02 2020-03-31 哈尔滨工程大学 一种基于特征点网格化匹配的运动目标跟踪检测方法
CN112200203A (zh) * 2020-11-04 2021-01-08 西安交通大学 斜视场下弱相关散斑图像的匹配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10460475B2 (en) * 2012-02-07 2019-10-29 Zencolor Global, Llc Normalization of color from a captured image into a universal digital color system for specification and matching

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184250A (zh) * 2011-05-24 2011-09-14 东华大学 基于彩色图像匹配的服装面料样品检索方法
CN109671052A (zh) * 2018-11-16 2019-04-23 华南理工大学 一种基于圆形轮廓提取的柔性ic封装基板的过孔检测方法
CN109741380A (zh) * 2018-12-27 2019-05-10 广州华迅网络科技有限公司 纺织品图片快速匹配方法和装置
CN110211182A (zh) * 2019-05-31 2019-09-06 东北大学 一种基于灰度匹配与目标轮廓的液晶背光视觉定位方法
CN110942473A (zh) * 2019-12-02 2020-03-31 哈尔滨工程大学 一种基于特征点网格化匹配的运动目标跟踪检测方法
CN112200203A (zh) * 2020-11-04 2021-01-08 西安交通大学 斜视场下弱相关散斑图像的匹配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于仿射变换与Levenb...ardt算法的织物图像配准;张彪;光学学报;第37卷(第1期);1-9 *
基于高斯金字塔和视觉显著性的色织物疵点检测;郑娜;穆平安;;包装工程(07);247-252 *

Also Published As

Publication number Publication date
CN113111941A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN108108746B (zh) 基于Caffe深度学习框架的车牌字符识别方法
CN111709909B (zh) 基于深度学习的通用印刷缺陷检测方法及其模型
CN112183038A (zh) 一种表格识别套打方法、计算机设备及计算机可读存储介质
CN108701234A (zh) 车牌识别方法及云系统
US8787671B2 (en) Character recognition preprocessing method and apparatus
JP6550723B2 (ja) 画像処理装置、文字認識装置、画像処理方法、およびプログラム
CN110111330B (zh) 手机屏幕检测方法
CN102360419A (zh) 计算机扫描阅读管理方法及系统
CN112740223A (zh) 轮胎侧壁成像方法
CN107992869B (zh) 用于倾斜文字校正的方法、装置及电子设备
CN111241924B (zh) 基于尺度估计的人脸检测及对齐方法、装置、存储介质
CN104881665A (zh) 一种芯片字符识别与校验方法及装置
CN111784587B (zh) 一种基于深度学习网络的发票照片位置矫正方法
CN104866847A (zh) 一种快速的鲁棒答题卡识别方法
US20220067881A1 (en) Image correction method and system based on deep learning
CN110942067A (zh) 文本识别方法、装置、计算机设备和存储介质
CN111652205A (zh) 基于深度学习的文本矫正方法、装置、设备和介质
CN113111941B (zh) 一种基于彩色图和矢量图的织物图案匹配方法及系统
CN106650719B (zh) 识别图片文字的方法及装置
CN204576547U (zh) 一种芯片字符校验装置
Zhao et al. A CCD based machine vision system for real-time text detection
CN113537216B (zh) 一种点阵字体文本行倾斜校正方法及装置
CN107609453A (zh) 一种车牌图像校正、车牌字符分割方法及设备
CN113536822B (zh) 二维码校正方法、装置及计算机可读存储介质
CN107067009A (zh) 一种实时杆号识别方法

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