CN114373027A - 基于灰度共生矩阵的瓷砖图像数据集生成方法 - Google Patents

Abstract

本发明提出了一种基于灰度共生矩阵的瓷砖图像数据集生成方法。该方法首先对待制作成数据集的图像进行裁切处理，再求出裁出新图像块的灰度共生矩阵及其特征值，最后结合逻辑斯蒂回归结果决定该图像是否加入数据集。相较于人工方法，本发明提出的技术生成效率较高，而且可以根据数据集大小动态生成，而且结合了逻辑斯蒂回归模型，生成的准确度较高，能够按照需求生成不同纹理复杂程度的数据集，因此对该领域数据集生成策略的改进有着很好的借鉴意义。

Description

基于灰度共生矩阵的瓷砖图像数据集生成方法

技术领域

本发明研究的是瓷砖图像数据生成这一领域，提出了一种基于灰度共生矩阵的瓷砖图像数据集生成方法，该方法能够根据所需的纹理复杂程度生成相应的瓷砖图像数据集。

背景技术

随着瓷砖行业的稳定发展，瓷砖在建筑方面的作用稳定明显。然而除开瓷砖的材质，瓷砖上的纹理也成为了人们装修房子挑选瓷砖的重要指标。根据人们的不同喜好，瓷砖纹理的复杂程度也应有相应的区分。瓷砖场虽然有各种样式的瓷砖母图，但如何生成相应纹理需求的瓷砖图像仍旧是个值得探讨的问题。

人眼虽然具有主观分辨瓷砖图像纹理复杂程度的能力，但存在耗时长，工作量大等缺点。同时，人眼识别还具有主观性：不同人对一张图像纹理的复杂程度的感觉是不同的，因此，利用计算机对不同要求的瓷砖图像数据集生成显得尤为重要。目前已有的数据集中，很少与瓷砖图片相关，并且在瓷砖图片领域还没有明确的生成方法。而且如何在生成瓷砖图片的过程中控制其纹理复杂程度，也是亟需解决的技术问题。

发明内容

本发明通过灰度共生矩阵能描述一张图片的复杂程度的特点，提出了一种基于灰度共生矩阵的瓷砖图像数据集的获取方法。该方法结合了灰度共生矩阵角二阶矩、熵、对比度、反差分矩阵四个种特征信息来描述一张瓷砖图像的复杂程度。首先通过瓷砖母图生成多组一定大小的瓷砖子图，然后对子图求得其灰度共生矩阵及其四个上述的特征值，再将四个上述特征值带入已经训练好的逻辑斯蒂回归模型求得结果，最后根据结果决定该图像是否加入数据集。

本发明的技术方案本步骤如下：

一种基于灰度共生矩阵的瓷砖图像数据集生成方法，该方法具体为：针对图像库中待制作成图像数据集的所有tiff格式瓷砖图像，依次进行遍历，并对每一张当前遍历到的tiff格式瓷砖图像执行S1～S6的子图像选择流程；

S1、将tiff格式瓷砖图像转化成png格式，形成png格式瓷砖图像；

S2、从png格式瓷砖图像中根据随机确定的子图像顶点坐标以及子图像大小截取一张子图像，将截取的子图像缩放至统一大小得到待定子图像；

S3、从待定子图像的灰度共生矩阵中提取特征信息，所述特征信息包括角二阶矩、对比度、熵、反差分矩阵四种；

S4、将待定子图像的四种特征信息输入训练后的逻辑斯蒂回归模型中，得到表征待定子图像中纹理复杂程度的概率值；

S5、将待定子图像的概率值与代表数据集对纹理复杂程度需求的预设取值范围进行对比，若待定子图像的概率值在该预设取值范围内，则将该待定子图像加入瓷砖图像数据集中，否则将该待定子图像不加入瓷砖图像数据集中；

S6、不断循环执行S2～S5，直至当前png格式瓷砖图像中被加入瓷砖图像数据集的子图像总数达到设定值。

作为优选，所述S1中，tiff格式瓷砖图像的图像大小为M_i*N_i，通过opencv将其转换为相同大小的png格式瓷砖图像。

作为优选，所述S2中，设置待定子图像的大小统一为m*n，在截取子图像时先在所述png格式瓷砖图像中随机选择一个子图像的左上角顶点，然后截取尺寸大于m*n的一个子图像块并将其缩放至m*n大小作为待定子图像。

作为优选，所述S2中，截取尺寸大于m*n的一个子图像块时，截图的子图像块大小从2m*2n、4m*4n、8m*8n、16m*16n四种尺寸中随机选取，四种尺寸被选中的概率分别为0.6、0.3、0.08、0.02。

作为优选，所述S3的具体步骤如下：

S31、将待定子图像转化为灰度图像，然后计算该灰度图像的灰度共生矩阵G′_j：

S32、将灰度共生矩阵归一化，得到取值范围0～1的矩阵G′_j，分别计算矩阵G′_j的角二阶矩ASM′_j、对比度Con′_j、熵ENT′_j、反差分矩阵IDM′_j四个纹理统计量作为特征信息，计算公式为：

式中：P(i,j)表示矩阵G′_j中第i行第j列的元素。

作为优选，所述S4中，逻辑斯蒂回归模型的回归方程如下：

其中：X₁,X₂,X₃,X₄分别代表ASM′_j,Con′_j,ENT′_j,IDM′_j四个纹理统计量的值；a、b、c、d、e为该回归方程中的回归系数，pr为表征待定子图像中纹理复杂程度的概率值；

该逻辑斯蒂回归模型预先利用带有pr标签值的图像数据集进行训练，确定回归系数值。

作为优选，训练后的逻辑斯蒂回归模型的回归方程为：

作为优选，所述M_i*N_i取值为8192*8192。

作为优选，所述m*n取值为256*256。

作为优选，所述K取20。

相对于现有技术而言，本发明的有益效果如下：

本发明结合了灰度共生矩阵和逻辑斯蒂回归，使得生成图像数据集的每一张图片，均可以有效地反映出所要求的的瓷砖纹理复杂性。并且该方法可以运用到不同的瓷砖图像数据集中，具有可移植性，实地操作起来更加方便。同时生成的图像数据集也具有多样性，为瓷砖纹理图像相关的后续工作提供了基础。

附图说明

图1为基于灰度共生矩阵的瓷砖图像数据集生成方法流程图。

图2为实施例中部分瓷砖子图像块。

图3为不同阈值下加入瓷砖图像数据集的子图像块结果。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步阐述和说明。

在本发明中，提供了一种基于灰度共生矩阵的瓷砖图像数据集生成方法，具体步骤如下：

针对图像库中待制作成图像数据集的所有tiff格式瓷砖图像，依次进行遍历，并对每一张当前遍历到的tiff格式瓷砖图像执行S1～S6的子图像选择流程；

S1、将tiff格式瓷砖图像转化成png格式，形成png格式瓷砖图像；

S2、从png格式瓷砖图像中根据随机确定的子图像顶点坐标以及子图像大小截取一张子图像，将截取的子图像缩放至统一大小得到待定子图像；

S3、从待定子图像的灰度共生矩阵中提取特征信息，所述特征信息包括角二阶矩、对比度、熵、反差分矩阵四种；

S4、将待定子图像的四种特征信息输入训练后的逻辑斯蒂回归模型中，得到表征待定子图像中纹理复杂程度的概率值；

S5、将待定子图像的概率值与代表数据集对纹理复杂程度需求的预设取值范围进行对比，若待定子图像的概率值在该预设取值范围内，则将该待定子图像加入瓷砖图像数据集中，否则将该待定子图像不加入瓷砖图像数据集中；

S6、不断循环执行S1～S5，直至当前png格式瓷砖图像中被加入瓷砖图像数据集的子图像总数达到设定值。

为了展示该方法的具体实现，下面通过一个具体实施例对其进行详细描述。

实施例

本实施例中，提供了一种基于灰度共生矩阵的瓷砖图像数据集生成方法，其流程描述如图1所示，具体步骤如下：

步骤1：对待制作成数据集的所有tiff格式瓷砖图像建立图像库，对图像库中的所有tiff格式瓷砖图像，依次进行遍历，并对每一张当前遍历到的tiff格式瓷砖图像执行步骤2～步骤8的子图像选择流程。

步骤2：对当前遍历到的tiff格式瓷砖图像(大小为M_i*N_i)，先转化成png格式，形成png格式瓷砖图像I_i，其图像大小为M_i*N_i。

在本实施例中，可通过opencv来实现从tiff格式瓷砖图像到相同大小的png格式瓷砖图像的转换，tiff格式瓷砖图像和png格式瓷砖图像的大小M_i*N_i为8192*8192。

步骤3：记该瓷砖图像I_i需要形成K张具有纹理的子图像块加入到瓷砖图像数据集中，同时初始化设定当前已搜索到的图像块数目j＝0，设置生成瓷砖图像数据集中的所有的子图像块的大小为m*n。

在本实施例中，通常K取20。当然其他实施例中实际K的取值由M_i*N_i取值灵活调整。m*n通常取值为256*256，即瓷砖图像数据集中所有的图像块大小为256像素*256像素。

步骤4：判断当前的j和K的大小，如果j≥K，则跳转到步骤9，否则继续执行步骤5。

步骤5：在瓷砖图像I_i上随机截取起始坐标(级图像块左上角所在的像素点坐标)为(x_j′，y_j′)且大小为a_j′*b_j′的瓷砖子图像块BLK_j′，并对子图像块BLK_j′进行图像缩放至统一的大小m*n，从而作为待定子图像blk_j′。

本步骤在实际实现时，可以在截取子图像时先在png格式瓷砖图像中随机选择一个子图像的左上角顶点，然后截取尺寸大于m*n的一个子图像块并将其缩放至m*n大小作为待定子图像。具体截取尺寸大于m*n的一个子图像块时，可以根据瓷砖图像的特点设置一定的放大比例且为不同的放大比例设置不同的概率值。本实施例中，截图的子图像块大小a_j*b_j从2m*2n、4m*4n、8m*8n、16m*16n四种尺寸中随机选取，四种尺寸被选中的概率分别为0.6、0.3、0.08、0.02，由于m*n＝256*256，因此该步骤可以用公式进一步表示如下：

先在瓷砖图像I_i上随机截取起始坐标(x_j′，y_j′)：

x_j′＝rand_position(0，M_i-1)

y_j′＝rand_position(0，N_i-1)

其中rand_position为随机位置函数；

然后以当前选取的起始坐标为原点，向X，Y轴正向截取大小a_j*b_j大小的图像块，选取大小时使用随机函数公式公式如下：

(a_j′，b_j′)＝rand_size([(sa₁，sb₁)，...，(sa_h，sb_h)]，[p₁，...，p_h])

其中rand_size为随机大小函数，

最后再用缩放公式进行缩放，得到一张待定子图像blk′_j：

blk′_j＝imresize(BLK′_j，(m，n))

imresize为图像缩放函数，(sa_v，sb_v)为第v个可选择的子图像块裁剪尺寸，p_v为选择(sa_v，sb_v)的概率值。

本实施例中，对于M_i*N_i为8192*8192的瓷砖图像，通常[(sa₁，sb₁)，(sa₂，sb₂)，...，(sa_h，sb_h)]取值为[(512，512)，(1024，1024)，(2048，2048)，(4096，4096)]，[p₁，p₂，...，p_h]取值分别为[0.6，0.3，0.08，0.02]。由此对于一张瓷砖图像I_i，可以通过该随机截图过程实现不同尺度子图像的提取。

步骤6：从待定子图像的灰度共生矩阵G′_j中提取特征信息，其中特征信息包括角二阶矩、对比度、熵、反差分矩阵四种。

在本实施例中，四种特征信息的具体提取过程和公式如下：

S31、将待定子图像转化为灰度图像，然后计算该灰度图像的灰度共生矩阵G′_j，通过公式可以表示为：

G′_j＝gray_comatrix(blk′_j)

其中gray_comatrix表示为灰度共生矩阵函数；

S32、将灰度共生矩阵归一化，得到取值范围0～1的矩阵G′_j，分别计算矩阵G′_j的角二阶矩ASM′_j、对比度Con′_j、熵ENT′_j、反差分矩阵IDM′_j四个纹理统计量作为特征信息，计算公式为：

式中：P(i，j)表示矩阵G′_j中第i行第j列的元素。

步骤7：将待定子图像的四种特征信息输入训练后的逻辑斯蒂回归模型中，得到表征待定子图像中纹理复杂程度的概率值。

在本实施例中，逻辑斯蒂回归模型的回归方程形式如下：

其中：X₁，X₂，X₃，X₄分别代表ASM′_j，Con′_j，ENT′_j，IDM′_j四个纹理统计量的值；a、b、c、d、e为该回归方程中的回归系数，pr为表征待定子图像中纹理复杂程度的概率值。

该逻辑斯蒂回归模型在使用前，需要预先利用带有pr标签值的图像数据集进行训练，确定回归系数值。训练之前，可以先对一部分具有不同复杂程度的瓷砖图像块进行pr值的标注，在本实施例中分为复杂和不复杂两类，复杂的瓷砖图像块pr值标注为1，不复杂的瓷砖图像块pr值标注为0。

由此，本实施例中，训练后的逻辑斯蒂回归模型的回归方程为：

基于上述回归系数，可以准确的输出反应待定子图像中纹理复杂程度的概率值。该概率值越大表明待定子图像中纹理复杂程度越高，因此可根据该概率值来控制加入数据集的图像纹理复杂程度。

步骤8：将待定子图像的概率值与代表数据集对纹理复杂程度需求的预设取值范围进行对比，若待定子图像的概率值在该预设取值范围内，则将该待定子图像加入瓷砖图像数据集中同时设置j＝j+1，再跳转至步骤4开始执行，否则将该待定子图像不加入瓷砖图像数据集中直接跳转至步骤4开始执行。

在本实施例中，需要提取纹理复杂程度较高的瓷砖图像，因此设置了将待定子图像加入瓷砖图像数据集的条件为pr≥threshold，threshold为阈值，通过调节该阈值可以改变加入瓷砖图像数据集的瓷砖图像的最低纹理复杂度。

步骤9：当遍历完图像库中的所有tiff格式瓷砖图像，且均执行子图像选择流程获得K张子图像加入数据集后，即可视为生成最终的瓷砖图像数据集(格式全部为png)，用于为模型训练、纹理特征生成等的相关工作提供基础。

为了展示本发明的技术效果，下面给出了部分具体的数据实例。其中图2中的Image1～6为6张不同纹理复杂程度的待定子图像块，对其四个特征信息进行计算，从而根据前述的回归方程计算其pr值，结果如表1所示：

表1不同待定子图像块的灰度共生矩阵特征值及pr值

ASM	CON	ENT	IDM	Image_name	pr
						0.06604	1.02037	3.28757	0.72913	Image1	0.89429
0.44741	0.18173	1.39648	0.90939	Image2	0.16192
						0.29019	0.16542	1.48655	0.91340	Image3	0.19284
0.05203	1.46939	3.49937	0.64840	Image4	0.92770
						0.13783	0.32192	2.51993	0.84457	Image5	0.65784
0.26214	0.36440	1.56367	0.83258	Image6	0.23178

而图3展示了不同的阈值下最终加入瓷砖图像数据集的图像块结果，其中threshold＝0.8时提取的子图像块的纹理复杂程度较高，而threshold＝0.2时部分纹理复杂程度较为简单的子图像块也被加入了瓷砖图像数据集。由此可见，该方法能够根据所需的纹理复杂程度生成相应的瓷砖图像数据集。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，针对图像库中待制作成图像数据集的所有tiff格式瓷砖图像，依次进行遍历，并对每一张当前遍历到的tiff格式瓷砖图像执行S1～S6的子图像选择流程；

S1、将tiff格式瓷砖图像转化成png格式，形成png格式瓷砖图像；

S2、从png格式瓷砖图像中根据随机确定的子图像顶点坐标以及子图像大小截取一张子图像，将截取的子图像缩放至统一大小得到待定子图像；

S3、从待定子图像的灰度共生矩阵中提取特征信息，所述特征信息包括角二阶矩、对比度、熵、反差分矩阵四种；

S4、将待定子图像的四种特征信息输入训练后的逻辑斯蒂回归模型中，得到表征待定子图像中纹理复杂程度的概率值；

S5、将待定子图像的概率值与代表数据集对纹理复杂程度需求的预设取值范围进行对比，若待定子图像的概率值在该预设取值范围内，则将该待定子图像加入瓷砖图像数据集中，否则将该待定子图像不加入瓷砖图像数据集中；

S6、不断循环执行S2～S5，直至当前png格式瓷砖图像中被加入瓷砖图像数据集的子图像总数达到设定值。

2.如权利要求1所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，所述S1中，tiff格式瓷砖图像的图像大小为M_i*N_i，通过opencv将其转换为相同大小的png格式瓷砖图像。

3.如权利要求1所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，所述S2中，设置待定子图像的大小统一为m*n，在截取子图像时先在所述png格式瓷砖图像中随机选择一个子图像的左上角顶点，然后截取尺寸大于m*n的一个子图像块并将其缩放至m*n大小作为待定子图像。

4.如权利要求3所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，所述S2中，截取尺寸大于m*n的一个子图像块时，截图的子图像块大小从2m*2n、4m*4n、8m*8n、16m*16n四种尺寸中随机选取，四种尺寸被选中的概率分别为0.6、0.3、0.08、0.02。

5.如权利要求1所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，所述S3的具体步骤如下：

S31、将待定子图像转化为灰度图像，然后计算该灰度图像的灰度共生矩阵G′_j：

S32、将灰度共生矩阵归一化，得到取值范围0～1的矩阵G′_j，分别计算矩阵G′_j的角二阶矩ASM′_j、对比度Con′_j、熵ENT′_j、反差分矩阵IDM′_j四个纹理统计量作为特征信息，计算公式为：

式中：P(i,j)表示矩阵G′_j中第i行第j列的元素。

6.如权利要求5所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，所述S4中，逻辑斯蒂回归模型的回归方程如下：

其中：X₁,X₂,X₃,X₄分别代表ASM′_j,Con′_j,ENT′_j,IDM′_j四个纹理统计量的值；a、b、c、d、e为该回归方程中的回归系数，pr为表征待定子图像中纹理复杂程度的概率值；

该逻辑斯蒂回归模型预先利用带有pr标签值的图像数据集进行训练，确定回归系数值。

7.如权利要求5所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，训练后的逻辑斯蒂回归模型的回归方程为：

8.如权利要求1所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，所述M_i*N_i取值为8192*8192。

9.如权利要求1所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，所述m*n取值为256*256。

10.如权利要求1所述的基于灰度共生矩阵的瓷砖图像数据集生成方法，其特征在于，所述K取20。

Images