CN114511646B - 一种基于图像处理的布匹风格识别方法及系统 - Google Patents

一种基于图像处理的布匹风格识别方法及系统 Download PDF

Info

Publication number
CN114511646B
CN114511646B CN202210408262.6A CN202210408262A CN114511646B CN 114511646 B CN114511646 B CN 114511646B CN 202210408262 A CN202210408262 A CN 202210408262A CN 114511646 B CN114511646 B CN 114511646B
Authority
CN
China
Prior art keywords
style
cloth
styles
image
difference
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
CN202210408262.6A
Other languages
English (en)
Other versions
CN114511646A (zh
Inventor
刘小峰
刘明权
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.)
Nantong Dongde Textile Technology Co ltd
Original Assignee
Nantong Dongde Textile Technology Co ltd
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 Nantong Dongde Textile Technology Co ltd filed Critical Nantong Dongde Textile Technology Co ltd
Priority to CN202210408262.6A priority Critical patent/CN114511646B/zh
Publication of CN114511646A publication Critical patent/CN114511646A/zh
Application granted granted Critical
Publication of CN114511646B publication Critical patent/CN114511646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种基于图像处理的布匹风格识别方法及系统，包括：根据已知风格的布匹图像获得已知风格的风格特征集合和风格控制向量；根据已知风格的风格特征集合的聚类结果获得已知风格的风格统一性和风格差异性以及风格融合程度；以风格统一性、风格差异性为权重对风格融合程度进行加权求和获得所有已知风格的泛化能力，进而获得已知风格的最优风格控制向量；根据未知风格的布匹图像以及已知风格的最优风格控制向量识别未知风格的布匹图像的风格。本发明通过分析已知风格的特征保证了在对未知风格进行识别时减少风格识别过程中的误差，使得整个识别过程具有较大的泛化能力，避免识别出从未出现的风格或者风格识别错误。

Description

一种基于图像处理的布匹风格识别方法及系统
技术领域
本发明涉及图像处理领域，具体涉及一种基于图像处理的布匹风格识别方法及系统。
背景技术
布匹作为纺织工厂生产出的产品，也是服装加工厂的原料，对布匹的管理十分重要，例如布匹出库和入库时往往要对布匹面料按风格进行分类，以便于进行管理；在纺织生产和服装设计与销售时也往往需要对不同风格的布匹的需求量统计分析，辅助不同风格布匹的生产和采购，因此对布匹的风格识别是纺织生产和服装设计领域的重要一环。
布匹的风格体现在布匹面料的粗厚结实、平滑细腻、色泽鲜艳、光洁匀整、紧密厚实、富有光泽、凹凸分明、毛型感强等质感上，布匹的风格的识别主要依靠人来进行主观判断，虽然这样判断的较为准确，但是浪费人力；对于建设智能化工厂的生产企业，一个自动的只能的布匹风格识别系统是必不可少的。
通常的可以将神经网络技术应用到布匹风格识别上，但是一方面神经网络的训练需要大量的标注数据集，而且神经网络参数量大，速度慢；另一方面不同风格的布匹其实都是布料，不像猫狗识别一样具有容易区分的纹理和明显特征，利用神经网络不太好提取不同风格布匹之间的特征，再加上布匹的风格多样化，这导致神经网络难以训练且准确率不高，考虑到这两种情况以及布匹上纹理分布具有规律且不复杂，需要一种更加准确快速的布匹风格识别方法。
发明内容
为了解决未知风格的布匹图像风格的准确识别问题，本发明的目的在于提供一种基于图像处理的布匹风格识别方法及系统。
为解决上述技术问题，本发明提供了一种基于图像处理的布匹风格识别方法，该方法包括以下步骤：
分别获取已知风格的布匹图像，以及每个已知风格的布匹图像的亮度图和灰度图，每个亮度图进行高斯滤波获得每个光照分布图，根据每个灰度图与每个光照分布图的差值获得每个纹理分布图；
在每个纹理分布图上获取每个像素周围第一范围内所有像素的灰度共生矩阵，在每个光照分布图上根据每个像素周围第二范围内的像素拟合混合高斯模型;
将每个像素对应的灰度共生矩阵和混合高斯模型参数拼接成风格描述向量，每个已知风格的布匹图像上所有像素的风格描述向量称为每个已知风格的风格特征集合，每个纹理分布图的第一范围和每个光照分布图的第二范围拼接成的向量称为每个已知风格的风格控制向量；
根据每个风格特征集合中风格描述向量的聚类结果获得每个已知风格的风格统一性，根据任意两个风格特征集合的聚类结果获得任意两个已知风格的风格差异性，以及任意两个已知风格的融合程度；
根据已知风格的风格统一性、风格差异性、融合程度获得所有已知风格的风格泛化能力；
获取使得风格泛化能力、所有已知风格的风格统一性、任意两个已知风格的风格差异性最大的最优风格控制向量；
利用最优风格控制向量和未知风格的布匹图像获取未知风格的风格特征集合，根据未知风格的风格特征集合与已知风格的风格特征集合进行比较获得未知风格的布匹图像的风格。
进一步，风格统一性的获取步骤包括：
利用均值漂移算法对每个已知风格的风格特征集合中风格描述向量进行聚类并获得所有类别，将包含风格描述向量数目最多的类别称为每个已知风格的关注类别；
获取每个已知风格的关注类别中所有风格描述向量的协方差矩阵，对该协方差矩阵进行特征值分解，将所有特征值的均值作为关注类别的第一聚集程度；同理，获得每个已知风格的关注类别之外所有其他类别的第二聚集程度；
所有其他类别的第二聚集程度的均值与第一聚集程度的差值记为每个已知风格的风格统一性。
进一步，风格差异性的获取方法为：
利用最大均值差异算法获得任意两个已知风格的关注类别的分布差异，将该分布差异作为任意两个已知风格的风格差异性。
进一步，融合程度的获取方法为：
将属于每个已知风格的风格特征集合但不属于每个已知风格的关注类别的所有风格描述向量称为每个已知风格的不关注特征集合；
利用最大均值差异算法获得任意两个已知风格的不关注特征集合的分布差异，将其作为任意两个已知风格的融合程度。
进一步，风格泛化能力的获取方法为：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
表示所有已知风格的风格泛化能力，
Figure 480816DEST_PATH_IMAGE003
表示第i个已知风格的风格统一性，
Figure DEST_PATH_IMAGE004
表示第j个已知风格的风格统一性，i和j不相等；N表示布匹已知风格的总数；
Figure 460273DEST_PATH_IMAGE005
表示第i个已知风格和第j个已知风格的风格差异性，
Figure DEST_PATH_IMAGE006
表示第i个已知风格和第j个已知风格的融合程度。
进一步，最优风格控制向量的获取步骤为：
令
Figure 53060DEST_PATH_IMAGE007
Y表示布匹风格识别能力；
Figure 979428DEST_PATH_IMAGE003
表示第i个已知风格的风格统一性，N表示布匹已知风格的总数；
Figure 324958DEST_PATH_IMAGE005
表示第i个已知风格和第j个已知风格的风格差异性，X表示所有已知风格的风格泛化能力；
获取不同风格控制向量取值时的布匹风格识别能力的大小，将布匹风格识别能力取值最大时对应的风格控制向量作为最优风格控制向量。
进一步，每个纹理分布图的第一范围的取值包括
Figure DEST_PATH_IMAGE008
，所述的每个光照分布图的第二范围的取值包括
Figure 944158DEST_PATH_IMAGE009
。
进一步，布匹图像的获取方法为：
构建图像采集系统，所述的图像采集系统包括一个平行光光源，光源竖直向下照射在平方的布匹上，还包括一个RGB相机，相机视野竖直向下采集图像数据；
所述的已知风格的布匹图像是指人为标注出布匹风格的所述RGB相机采集的图像，所述的未知风格的布匹图像是指未知的风格的所述RGB相机采集的图像。
本发明还提供一种基于图像处理的布匹风格识别系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令，以实现一种基于图像处理的布匹风格识别方法。
本发明实施例具有如下有益效果：
1.本发明使得风格泛化能力、所有已知风格的风格统一性、任意两个已知风格的风格差异性最大化，让每个已知风格具有准确的特征描述方法，保证了已知风格之间具有良好的可区分性，增加了未知风格识别的准确率。
2.本发明利用风格统一性和风格差异性以及已知风格的融合程度获得所有已知风格的风格泛化能力，保证了在对未知风格进行识别时减少风格识别过程中的误差，使得整个识别过程具有较大的泛化能力，避免识别出从未出现的风格或者风格识别错误。
3.在未知风格的识别过程中，本发明利用最优风格控制向量来获得未知风格的风格特征集合，保证识别过程的高效，相比神经网络的识别过程更加快速。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种基于图像处理的布匹风格识别方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像处理的布匹风格识别方法及系统，其具体实施方式、结构、特征及其功能效果，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的布匹风格识别方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的布匹风格识别方法流程图，该方法包括以下步骤：
步骤S001、搭建图像采集系统，获取已知风格的布匹图像和未知风格的布匹图像。
所述的图像采集系统包括一个平行光光源，光源竖直向下照射在平方的布匹上，还包括一个RGB相机，相机视野竖直向下采集图像数据。
事先人为的从采集的图像中分别获取每种风格的布匹图像各一张，并人为的标注出每张布匹图像对应的风格，这些图像称为已知风格的布匹图像。
在风格识别过程中，RGB相机实时采集的图像的风格尚未确定，该图像称为未知风格的布匹图像。
本发明根据这些已知风格的布匹图像来分析不同风格的布匹图像所存在的特征，最后在根据这些特征判断未知风格的布匹图像的风格类型，相比利用神经网络技术来判断布匹图像的风格类型，本发明不行标注大量的数据且效率较高。
步骤S002、根据已知风格的布匹图像获得已知风格的风格特征集合。
以第i个已知风格的布匹图像进行举例叙述，将第i个已知风格的布匹图像转化为灰度图，并对该图像进行归一化处理，记为
Figure DEST_PATH_IMAGE010
；将第i个已知风格的布匹图像从RGB颜色空间转换到HSV颜色空间，在HSV颜色空间获得第i个已知风格的布匹图像的亮度图，对该亮度图进行归一化处理，记为
Figure 522776DEST_PATH_IMAGE011
；利用17×17的高斯滤波核对
Figure 252835DEST_PATH_IMAGE011
进行高斯滤波，获得的结果进行记为
Figure DEST_PATH_IMAGE012
；由于亮度图
Figure 265921DEST_PATH_IMAGE011
包含布匹图像上的光照信息，因此本发明通过滤波来去除
Figure 56023DEST_PATH_IMAGE011
上的高频纹理和噪声，从而得到低频的光照分布信息，将
Figure 590778DEST_PATH_IMAGE012
称为第i个已知风格布匹图像的光照分布图。
令
Figure 124528DEST_PATH_IMAGE013
，那么
Figure DEST_PATH_IMAGE014
表示的就是灰度图去除掉低频光照信息后的图像，表示的是布匹图像上的细节纹理分布情况，例如布匹的经纬线、布匹的花纹等；将
Figure 726541DEST_PATH_IMAGE014
进行归一化处理，然后在进行直方图均衡化处理，增加纹理的对比度，获得的结果称为纹理分布图，仍记为
Figure 953123DEST_PATH_IMAGE014
。
接下来需要获取每个像素点的风格描述向量，以第i个已知风格的布匹图像上的第p个像素点为例进行叙述。
获取第p个像素点周围的第一范围内且在纹理分布图
Figure 725907DEST_PATH_IMAGE014
上的所有像素点，获得这些像素的灰度共生矩阵；所述的第p个像素点周围的第一范围具体是指：以第p个像素点为中心构建一个
Figure 52896DEST_PATH_IMAGE015
的窗口，该窗口所包含的范围就是第一范围，其中
Figure DEST_PATH_IMAGE016
的取值范围为
Figure 24263DEST_PATH_IMAGE017
；然后获取第p个像素点周围的第二范围内且在光照分布图
Figure 906899DEST_PATH_IMAGE012
上的所有像素点，将这些像素点的坐标和对应的灰度值作为样本数据，利用EM算法拟合一个二维高斯混合模型，该高斯混合模型中子高斯模型的数量设置为5；所述的第p个像素点周围的第二范围具体是指：以第p个像素点为中心构建一个
Figure DEST_PATH_IMAGE018
的窗口，该窗口所包含的范围就是第二范围，其中
Figure 698138DEST_PATH_IMAGE019
的取值范围为
Figure DEST_PATH_IMAGE020
。
至此，第i个已知风格的布匹图像上第p个像素点对应一个灰度共生矩阵以及一个混合高斯模型，灰度共生矩阵用于描述像素点周围的纹理分布特征，混合高斯模型用于描述局部范围内的光照分布情况；由于本发明所述的布匹风格主要是描述的是布匹面料的粗厚结实、平滑细腻、色泽鲜艳、光洁匀整、紧密厚实、富有光泽、凹凸分明、毛型感强等质感，因此本发明就利用纹理特征和光照分布情况一同来描述布匹风格，能够实现对布匹风格简洁准确且完备的描述；基于此，本发明将灰度共生矩阵展平为一维向量，且把混合高斯模型的所有参数也构成一个一维向量，然后将这两个向量拼合在一起构成一个向量，这个向量称为第i个已知风格的布匹图像上第p个像素点的风格描述向量，用于表示像素点周围的布匹风格的特征。
同理获得第i个已知风格的布匹图像上所有像素点的风格描述向量，将这些风格描述向量的集合称为第i个已知风格的风格特征集合。
另外，本发明在计算风格特征集合时需要依据第一范围的取值和第二范围的取值，本发明将向量
Figure 619695DEST_PATH_IMAGE021
称为第i个已知风格的风格控制向量，因此在给定一个第i个已知风格的控制向量的值时就对应一个第i个已知风格的风格特征集合。因为上述已知了
Figure 648831DEST_PATH_IMAGE016
和
Figure 951636DEST_PATH_IMAGE019
所有的取值结果，因此第i个已知风格的风格控制向量的所有取值结果也是已知的。
同理，本发明按照步骤S002所述，获取出所有已知风格的风格特征集合与风格控制向量。需要说明的是，本发明为了减少计算量，令所有已知风格的风格控制向量都相等。
步骤S003、根据每个已知风格的风格特征集合获得每个已知风格的风格统一性。
以第i个已知风格的风格特征集合为
Figure DEST_PATH_IMAGE022
、第i个已知风格的风格控制向量
Figure 246482DEST_PATH_IMAGE023
为例进行叙述；首先需要说明的时
Figure 660146DEST_PATH_IMAGE022
是一些风格描述向量的集合，本发明利用均值漂移聚类算法对
Figure 58635DEST_PATH_IMAGE022
中的风格描述向量进行聚类，获得所有的类别，每个类别都是风格描述向量的集合，同一个类别中的风格描述向量是集中分布的、是相似的，本发明就认为一个类别就代表布匹的一个某种独特风格特征，本发明期望的是尽可能只获得一个类别，这样可以保证第i个风格的布匹图像具有统一的风格特征，有助于对布匹风格识别的准确性；但是实际中由于布匹图像上风格多种多样、有主要风格和次要风格之分，布匹图像纹理多样，或者由于风格控制向量的值不合理以及风格特征集合计算过程存在误差等等一系列原因导致可不能只获得到一个类别，即
Figure 797921DEST_PATH_IMAGE022
中的风格描述向量不会集中在一起；基于此，本发明期望风格控制向量
Figure 32594DEST_PATH_IMAGE023
的取值能够让
Figure 681DEST_PATH_IMAGE022
中的风格描述向量尽可能集中在一起，让第i个已知风格的尽可能有统一风格特征。
进一步，对于风格特征集合
Figure 4409DEST_PATH_IMAGE022
聚类后获得的所有类别，将这些类别中包含风格描述向量数目最多的类别称为第i个已知风格的关注类别，其他的所有类别统称为第i个已知风格的非关注类别；需要额外说明的是，当不存在非关注类别时，本发明将关注类别之外的且属于风格特征集合
Figure 649017DEST_PATH_IMAGE022
内的所有风格描述向量的集合作为非关注类别。
对于第i个已知风格的关注类别，计算关注类别中所有风格描述向量的协方差矩阵，对该协方差矩阵进行特征值分解，将所有特征值的均值作为该类别的第一聚集程度；本发明利用第一聚集程度表示关注类别中的所有风格描述向量的聚集情况，该值越大说明关注类别中的所有风格描述向量越是离散分布的，该值越小说明关注类别中的所有风格描述向量越是集中分布在一起的。
进一步，同理，计算出第i个已知风格的所有非关注类别的第二聚集程度，用于表示非关注类别中风格描述向量的聚集情况，该值越大说明非关注类别中风格描述向量越是离散分布的。
对于第i个已知风格，计算所有非关注类别的第二聚集程度的均值与第一聚集程度的差值，该差值称为第i个已知风格的风格统一性。
本发明利用风格统一性来表示第i个已知风格的风格特征集合
Figure 354673DEST_PATH_IMAGE022
中风格描述向量的聚集情况，本发明期望风格控制向量
Figure 375719DEST_PATH_IMAGE023
的取值能够让风格统一性尽可能大；原因是风格统一性越大就表示风格特征集合
Figure 968374DEST_PATH_IMAGE022
中风格描述向量大量集中在一个类别中，即使有部分风格描述向量出现在非关注类别中，但是非关注类别中的风格描述向量分布越离散，那么说明第i个已知风格越具有统一风格特征；风格统一性越小则相反。
至此，根据第i个已知风格的风格特征集合获得了在给定风格控制向量
Figure 800195DEST_PATH_IMAGE023
下的第i个已知风格的风格统一性；同理可以获得所有已知风格的风格统一性；
S004、根据任意两个已知风格的风格特征集合获得任意两个已知风格的风格差异性；
以第i个已知风格对应的风格特征集合
Figure 9460DEST_PATH_IMAGE022
和第j个已知风格对应的风格特征集合
Figure DEST_PATH_IMAGE024
为例进行叙述。首先根据步骤S003所述，获得
Figure 632200DEST_PATH_IMAGE022
的关注类别，记为
Figure 610521DEST_PATH_IMAGE025
，同理，获得
Figure 331352DEST_PATH_IMAGE024
的关注类别，记为
Figure DEST_PATH_IMAGE026
；利用最大均值差异算法获得
Figure 309804DEST_PATH_IMAGE025
与
Figure 407073DEST_PATH_IMAGE026
的分布差异。
本发明用
Figure 239899DEST_PATH_IMAGE025
和
Figure 646479DEST_PATH_IMAGE026
来表示第i个已知风格的主要风格特征和第j个已知风格的主要风格特征，那么
Figure 830335DEST_PATH_IMAGE025
与
Figure 731295DEST_PATH_IMAGE026
的分布差异可以表示第i个已知风格与第j个已知风格的差异，那么将
Figure 169361DEST_PATH_IMAGE025
与
Figure 497574DEST_PATH_IMAGE026
的分布差异称为第i个已知风格与第j个已知风格的风格差异性。
同理，可以获得任意两个已知风格的风格差异性，如果任意两个已知风格的风格差异性越大，说明两个已知风格具有明显的差异，这两个风格容易越容易区分。
S005、根据任意两个已知风格的风格特征集合获得任意两个已知风格的融合程度
以第i个已知风格对应的风格特征集合
Figure 371989DEST_PATH_IMAGE022
和第j个已知风格对应的风格特征集合
Figure 342219DEST_PATH_IMAGE024
为例进行叙述。首先获取属于第i个已知风格的风格特征集合
Figure 398906DEST_PATH_IMAGE022
但不属于其关注类别
Figure 163600DEST_PATH_IMAGE025
的所有风格描述向量，这些风格描述向量构成的集合称为第i个已知风格的不关注特征集合
Figure 790890DEST_PATH_IMAGE027
；同理，获得第j个已知风格的不关注特征集合
Figure DEST_PATH_IMAGE028
。利用最大均值差异算法获得
Figure 846702DEST_PATH_IMAGE027
与
Figure 757895DEST_PATH_IMAGE028
的分布差异。
本发明用
Figure 427911DEST_PATH_IMAGE027
和
Figure 656679DEST_PATH_IMAGE028
来表示第i个已知风格的次要风格特征和第j个已知风格的次要风格特征，那么
Figure 703132DEST_PATH_IMAGE027
与
Figure 734411DEST_PATH_IMAGE028
的分布差异可以表示第i个已知风格与第j个已知风格在次要风格上的差异，那么将
Figure 575328DEST_PATH_IMAGE025
与
Figure 177211DEST_PATH_IMAGE026
的分布差异的倒数称为第i个已知风格与第j个已知风格的融合程度。
如果第i个已知风格与第j个已知风格的融合程度越大，说明这两个风格之间存在着其他的一些相同或相近的风格特征，即便是这两个已知风格的主要风格特征存在较大差异，那么这两个已知风格还是有些共同特点的。
至此，同理可获得任意两个已知风格的融合程度。
S006、根据风格统一性和风格差异性以及布匹风格的融合程度获得布匹风格的风格泛化能力。
本发明的目的是识别布匹图像的风格，即当存在一个未知的风格时，可以根据已知风格来识别出未知风格；为了减少风格识别过程中的误差，本发明期望获取到的所有已知风格之间的风格特征具有较大的泛化能力，避免识别出从未出现的风格或者风格识别错误。
本发明在此首先给出已知风格之间的风格泛化能力
Figure 11043DEST_PATH_IMAGE002
的计算方法：
Figure 132714DEST_PATH_IMAGE029
Figure 410112DEST_PATH_IMAGE002
表示所有布匹风格的风格泛化能力，其中i和j不相等，N表示布匹风格的总数；
Figure 233711DEST_PATH_IMAGE006
表示第i个布匹风格和第j个布匹风格的融合程度；本发明中两个已知风格的融合程度越大，说明两个已知风格越具有相似的风格特点，那么在风格识别时就越需要让这两个已知风格之间具有较大的泛化能力，原因是：由于这两个已知风格越具有相似的风格特点，那么在识别未知风格时，未知分割越可能出现在这两个已知风格之间，如果这两个已知风格的泛化能力较小，那么处于这两个已知风格之间的未知风格容易被当成噪声识别，导致识别错误或者无法准确的断定未知风格的风格类型，而如果这两个已知风格的泛化能力较大，则不会导致识别结果出现太大误差；
Figure 865376DEST_PATH_IMAGE003
表示第i个布匹风格的风格统一性，
Figure 356400DEST_PATH_IMAGE004
表示第j个布匹风格的风格统一性，
Figure 539119DEST_PATH_IMAGE005
表示第i个布匹风格和第j个布匹风格的风格差异性；本发明中，两个已知风格的统一性越小且风格差异性也越小，那么两个风格之间应该具有越大的泛化能力，以避免未知风格识别错误或者无法准确的断定未知风格的风格类型的情况。
综上所述，当
Figure 131906DEST_PATH_IMAGE006
越大，以及
Figure 58274DEST_PATH_IMAGE003
、
Figure 403804DEST_PATH_IMAGE004
、
Figure 537851DEST_PATH_IMAGE005
越小时第i和第j个已知风格应该具有较大的风格泛化能力；那么对于所有的已知风格，本发明以
Figure DEST_PATH_IMAGE030
为权重对
Figure 132781DEST_PATH_IMAGE006
进行加权求和获得所有已知风格的泛化能力X；
需要说明的是所有已知风格的泛化能力X的计算结果取决于每个已知风格的风格控制向量。
S007、根据所有已知风格的泛化能力、每个已知风格的风格统一性、任意两个已知风格的风格差异性获得每个已知风格的最优风格控制向量。
本发明为了根据已知风格来识别出未知风格，首先需要获得每个已知风格的风格控制向量，这些风格控制向量需要能够让所有已知风格的泛化能力、每个已知风格的风格统一性、任意两个已知风格的风格差异性尽可能大，以保证未知风格识别的准确性和鲁棒性，本发明令
Figure DEST_PATH_IMAGE031
其中
Figure DEST_PATH_IMAGE032
表示所有已知风格之间的平均风格差异性，
Figure 941468DEST_PATH_IMAGE033
表示所有已知风格的平均风格统一性。
Y称为布匹风格识别能力，该值由每个已知风格的风格控制向量所决定。
正如步骤S002所述，每个已知风格的风格控制向量对应多个取值，本发明中每个已知风格的风格控制是相同的，遍历每个已知风格的风格控制向量，每当每个已知风格给定一个风格控制向量是，根据步骤S002、步骤S003、步骤S004、步骤S005、步骤S006、步骤S007，获得一个布匹风格识别能力Y；当遍历完成所有已知风格的所有风格控制向量后获得布匹风格识别能力Y最大时每个已知风格的风格控制向量，将获得的每个已知风格的风格控制向量称为每个已知风格的最优风格控制向量。
S008、根据未知风格的布匹图像以及每个已知风格的最优风格控制向量识别未知风格的布匹图像的风格。
获得在给定最优风格控制向量的前提下，根据步骤S002获得未知风格的布匹图像对应的风格集合特征，然后利用最大均值差异算法计算该未知风格的风格集合特征与每个已知风格的风格集合特征的分布差异，然后获得与该未知风格分布差异最小时的已知风格，那么就将该未知风格识别为该已知风格。
至此根据每个已知风格识别出了未知风格。

Claims (9)

1.一种基于图像处理的布匹风格识别方法，其特征在于，该方法包括以下步骤：
分别获取已知风格的布匹图像，以及每个已知风格的布匹图像的亮度图和灰度图，每个亮度图进行高斯滤波获得每个光照分布图，根据每个灰度图与每个光照分布图的差值获得每个纹理分布图；
在每个纹理分布图上获取每个像素周围第一范围内所有像素的灰度共生矩阵，在每个光照分布图上根据每个像素周围第二范围内的像素拟合混合高斯模型;
将每个像素对应的灰度共生矩阵和混合高斯模型参数拼接成风格描述向量，每个已知风格的布匹图像上所有像素的风格描述向量称为每个已知风格的风格特征集合，每个纹理分布图的第一范围和每个光照分布图的第二范围拼接成的向量称为每个已知风格的风格控制向量；
根据每个风格特征集合中风格描述向量的聚类结果获得每个已知风格的风格统一性，根据任意两个风格特征集合的聚类结果获得任意两个已知风格的风格差异性，以及任意两个已知风格的融合程度；
根据已知风格的风格统一性、风格差异性、融合程度获得所有已知风格的风格泛化能力；
获取使得风格泛化能力、所有已知风格的风格统一性、任意两个已知风格的风格差异性最大的最优风格控制向量；
利用最优风格控制向量和未知风格的布匹图像获取未知风格的风格特征集合，根据未知风格的风格特征集合与已知风格的风格特征集合进行比较获得未知风格的布匹图像的风格。
2.根据权利要求1所述的一种基于图像处理的布匹风格识别方法，其特征在于，所述的风格统一性的获取步骤包括：
利用均值漂移算法对每个已知风格的风格特征集合中风格描述向量进行聚类并获得所有类别，将包含风格描述向量数目最多的类别称为每个已知风格的关注类别；
获取每个已知风格的关注类别中所有风格描述向量的协方差矩阵，对该协方差矩阵进行特征值分解，将所有特征值的均值作为关注类别的第一聚集程度；同理，获得每个已知风格的关注类别之外所有其他类别的第二聚集程度；
所有其他类别的第二聚集程度的均值与第一聚集程度的差值记为每个已知风格的风格统一性。
3.根据权利要求1所述的一种基于图像处理的布匹风格识别方法，其特征在于，所述的风格差异性的获取方法为：
利用最大均值差异算法获得任意两个已知风格的关注类别的分布差异，将该分布差异作为任意两个已知风格的风格差异性。
4.根据权利要求1所述的一种基于图像处理的布匹风格识别方法，其特征在于，所述的融合程度的获取方法为：
将属于每个已知风格的风格特征集合但不属于每个已知风格的关注类别的所有风格描述向量称为每个已知风格的不关注特征集合；
利用最大均值差异算法获得任意两个已知风格的不关注特征集合的分布差异，将其作为任意两个已知风格的融合程度。
5.根据权利要求1所述的一种基于图像处理的布匹风格识别方法，其特征在于，所述的风格泛化能力的获取方法为：
Figure 288081DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
表示所有已知风格的风格泛化能力，
Figure 124188DEST_PATH_IMAGE004
表示第i个已知风格的风格统一性，
Figure DEST_PATH_IMAGE005
表示第j个已知风格的风格统一性，i和j不相等；N表示布匹已知风格的总数；
Figure 675255DEST_PATH_IMAGE006
表示第i个已知风格和第j个已知风格的风格差异性，
Figure DEST_PATH_IMAGE007
表示第i个已知风格和第j个已知风格的融合程度。
6.根据权利要求1所述的一种基于图像处理的布匹风格识别方法，其特征在于，所述的最优风格控制向量的获取步骤为：
令
Figure DEST_PATH_IMAGE009
Y表示布匹风格识别能力；
Figure 756474DEST_PATH_IMAGE004
表示第i个已知风格的风格统一性，N表示布匹已知风格的总数；
Figure 76597DEST_PATH_IMAGE006
表示第i个已知风格和第j个已知风格的风格差异性，X表示所有已知风格的风格泛化能力；
获取不同风格控制向量取值时的布匹风格识别能力的大小，将布匹风格识别能力取值最大时对应的风格控制向量作为最优风格控制向量。
7.根据权利要求1所述的一种基于图像处理的布匹风格识别方法，其特征在于，所述的每个纹理分布图的第一范围的取值包括
Figure 286867DEST_PATH_IMAGE010
，所述的每个光照分布图的第二范围的取值包括
Figure DEST_PATH_IMAGE011
。
8.根据权利要求1所述的一种基于图像处理的布匹风格识别方法，其特征在于，布匹图像的获取方法为：
构建图像采集系统，所述的图像采集系统包括一个平行光光源，光源竖直向下照射在平方的布匹上，还包括一个RGB相机，相机视野竖直向下采集图像数据；
所述的已知风格的布匹图像是指人为标注出布匹风格的所述RGB相机采集的图像，所述的未知风格的布匹图像是指未知的风格的所述RGB相机采集的图像。
9.一种基于图像处理的布匹风格识别系统 ，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令，以实现如权利要求1-8中任一项所述的一种基于图像处理的布匹风格识别方法。
CN202210408262.6A 2022-04-19 2022-04-19 一种基于图像处理的布匹风格识别方法及系统 Active CN114511646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210408262.6A CN114511646B (zh) 2022-04-19 2022-04-19 一种基于图像处理的布匹风格识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210408262.6A CN114511646B (zh) 2022-04-19 2022-04-19 一种基于图像处理的布匹风格识别方法及系统

Publications (2)

Publication Number Publication Date
CN114511646A CN114511646A (zh) 2022-05-17
CN114511646B true CN114511646B (zh) 2022-06-14

Family

ID=81555109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210408262.6A Active CN114511646B (zh) 2022-04-19 2022-04-19 一种基于图像处理的布匹风格识别方法及系统

Country Status (1)

Country Link
CN (1) CN114511646B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553633A (zh) * 2020-04-26 2021-10-26 阿里巴巴集团控股有限公司 数据生成方法、装置、电子设备及计算机存储介质
CN112819686B (zh) * 2020-08-18 2024-03-29 腾讯科技（深圳）有限公司 基于人工智能的图像风格处理方法、装置及电子设备
CN113111947B (zh) * 2021-04-16 2024-04-09 北京沃东天骏信息技术有限公司 图像处理方法、装置和计算机可读存储介质
CN114332470A (zh) * 2021-08-26 2022-04-12 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备和计算机可读存储介质
CN113902613A (zh) * 2021-11-19 2022-01-07 江苏科技大学 一种基于三支聚类语义分割的图像风格迁移系统及其方法

Also Published As

Publication number Publication date
CN114511646A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN103824059B (zh) 一种基于视频图像序列的人脸表情识别方法
CN114782562B (zh) 基于数据识别的服装布料浸染监测方法及人工智能系统
CN102308306B (zh) 用于图像分离的约束生成器
CN109410168B (zh) 用于确定图像中的子图块类别的卷积神经网络的建模方法
WO2018036462A1 (zh) 图像分割的方法、计算机设备及存储介质
CN106960182B (zh) 一种基于多特征集成的行人再识别方法
CN108710916B (zh) 图片分类的方法及装置
CN111507426A (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
WO2009120263A2 (en) System and method for illumination invariant image segmentation
CN111582337A (zh) 基于小样本细粒度图像分析的草莓畸形状态检测方法
CN113112451A (zh) 基于图像处理的绿色叶片病害特征优化及病害识别方法
CN107610136B (zh) 基于凸包结构中心查询点排序的显著目标检测方法
CN114627272B (zh) 一种具有自适应透光性的门窗ar方法及系统
CN114494739B (zh) 基于人工智能的色粉混合效果检测方法
CN111783885A (zh) 一种基于局部增强的毫米波图像的质量分类模型构建方法
CN111738931A (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN114332086A (zh) 基于风格迁移和人工智能的纺织品缺陷检测方法及系统
CN112766145B (zh) 人工神经网络的人脸动态表情识别方法及装置
CN114511646B (zh) 一种基于图像处理的布匹风格识别方法及系统
CN106960188B (zh) 天气图像分类方法及装置
CN114926661B (zh) 一种纺织品表面颜色数据处理、识别方法及系统
CN107886549A (zh) 一种基于编织纹理细节增强的织物纹样色彩转移方法
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统
CN115082741A (zh) 基于图像处理的废旧纺织品分类方法

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