CN114842043B - 一种基于图像处理的面料风格识别方法及系统 - Google Patents
一种基于图像处理的面料风格识别方法及系统 Download PDFInfo
- Publication number
- CN114842043B CN114842043B CN202210777217.8A CN202210777217A CN114842043B CN 114842043 B CN114842043 B CN 114842043B CN 202210777217 A CN202210777217 A CN 202210777217A CN 114842043 B CN114842043 B CN 114842043B
- Authority
- CN
- China
- Prior art keywords
- similarity
- fabric
- lbp
- trees
- layer
- 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
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005192 partition Methods 0.000 claims abstract description 78
- 238000005070 sampling Methods 0.000 claims description 23
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的面料风格识别方法及系统。该方法首先采集面料图像,获取面料图像中多个连通域和最小外接矩形;对面料图像进行下采样,基于下采样前后的面料图像中的最小外接矩形,对最小外接矩形分区得到多个分区单元,计算各分区单元的LBP特征值,构建LBP特征树;计算任意两个LBP特征树的结构相似度和数值相似度,由结构相似度和数值相似度得到特征树相似度。由特征树相似度对连通域进行分类,获取属于同一类别的连通域的缩放尺寸序列,计算多个缩放尺寸序列的熵。多个熵的均值和缩放尺寸序列数量的乘积为面料的风格值。本发明实施例通过构建特征树,计算特征树的相似度,提高了对面料风格识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的面料风格识别方法及系统。
背景技术
随着我国生活质量的不断提高,人们对窗帘、桌布等布制品的要求越来越高。当纺织工厂生产出各种各样纹理的面料后,商家会对面料进行挑选,将挑选好的面料拿到店铺售卖。商家通常会对不同纹理风格的面料进行挑选,以保证自家店铺的面料风格多元化。所以工厂先对面料的风格种类进行分区,更以便于商家挑选到不同的面料风格种类供顾客挑选。
目前,对面料进行风格识别的常用方法是直接通过LBP算子对面料图像的花纹进行识别,但是LBP算子是基于像素层次的,其识别后得到的面料图像风格的准确性较低,使得根据面料纹理风格对面料分类的不准确性高。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的面料风格识别方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于图像处理的面料风格识别方法,该方法包括以下步骤:
采集面料图像,所述面料图像包括具有多个花纹的面料,所述花纹包括多种不同的缩放尺寸;获取所述面料图像中每个花纹的连通域和对应的最小外接矩形;
对所述面料图像进行下采样;基于下采样前后的面料图像中每个连通域对应的最小外接矩形,对所述最小外接矩形进行分区得到多个分区单元,计算所述分区单元的LBP特征值,构建每个连通域的LBP特征树;
选取任意两个连通域对应的两个LBP特征树;根据所述两个LBP特征树的结构特征得到所述两个LBP特征树的结构相似度,所述结构特征包含LBP特征树的层数和节点数;
计算所述两个LBP特征树相同位置处的LBP特征值的节点相似度,所述节点相似度的均值为所述两个LBP特征树的数值相似度;所述结构相似度和所述数值相似度相乘得到所述两个LBP特征树的特征树相似度;
根据所述特征树相似度对连通域进行分类得到多个类别;获取属于同一类别的连通域的缩放尺寸,得到多个缩放尺寸序列;计算多个缩放尺寸序列的熵的均值;获取缩放尺寸序列数量,所述缩放尺寸序列数量和所述熵的均值相乘得到面料的风格值。
优选的,所述对所述最小外接矩形进行分区得到多个分区单元,包括:
以所述最小外接矩形的中心像素点所处的分区单元作为起始分区单元,以所述起始分区单元为中心依次对最小外接矩形进行分区。
优选的,所述计算所述分区单元的LBP特征值,构建LBP特征树,包括:
最小外接矩形的所述起始分区单元作为所述LBP特征树的父节点;所述起始分区单元对应的LBP特征值为所述父节点的值;
所述起始分区单元相邻的八个分区单元作为所述LBP特征树的第二层子节点;各子节点的值为对应的分区单元的LBP特征值;
各所述第二层子节点对应的分区单元相邻的八个分区单元作为所述LBP特征树的第三层子节点;当已遍历过的分区单元作为第三层子节点时,对应的子节点为空节点,空节点不赋值;
直至遍历整个所述最小外接矩形,得到一个以所述起始分区单元为父节点的LBP特征树。
优选的,所述根据所述两个LBP特征树的结构特征得到所述两个LBP特征树的结构相似度,包括:
获取所述两个LBP特征树的层数比、相同层的子节点数量比和空节点数量比;
所述子节点数量比和所述空节点数量比的乘积为初始层内相似度;
利用高斯函数计算各所述初始层内相似度的层内相似度权重,所述层内相似度权重和所述初始层内相似度相乘得到层内相似度;
所述层内相似度的均值和所述层数比相乘得到所述两个LBP特征树的结构相似度。
优选的,所述计算所述两个LBP特征树相同位置处的LBP特征值的节点相似度,包括:
获取两个LBP特征树相同位置处的两个八位二进制LBP特征值;
利用汉明距离得到所述八位二进制LBP特征值的节点相似度。
优选的,所述根据所述特征树相似度对连通域进行分类得到多个类别,包括:
获取任意两个连通域对应的特征树相似度,将所述特征树相似度大于等于预设特征树相似度的LBP特征树对应的连通域的位置编号划分为同一类别,得到多个类别。
优选的,所述连通域的编号的获取方法,包括:
利用Dijkstra最短路径算法对下采样前的所述面料图像中各连通域对应的最小外接矩形的中心点进行位置编号,下采样前和下采样后的所述面料图像中同一位置处的中心点的位置编号相同。
优选的,所述获取所述面料图像中每个花纹的连通域和对应的最小外接矩形,包括:
对所述面料图像进行灰度化;
利用最大类间方差法对灰度化后的所述面料图像进行阈值分割得到前景图像;对所述前景图像进行连通域分析得到所述面料图像中每个花纹的连通域和对应的最小外接矩形。
第二方面,本发明一个实施例提供了一种基于图像处理的面料风格识别系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于图像处理的面料风格识别方法。
本发明实施例至少具有如下有益效果:
本发明实施例利用图像识别技术,采集面料图像,获取面料图像中各花纹的连通域和对应的最小外接矩形。对面料图像进行下采样,基于下采样前后的面料图像中连通域的最小外接矩形,对最小外接矩形进行分区得到多个分区单元,计算各分区单元的LBP特征值,构建LBP特征树,对面料图像进行下采样是为了准确获得花纹纹理相同而尺寸大小不同的花纹的相似度;若仅用LBP算子对面料图像进行分析时,花纹相同但尺寸不同的花纹的相似度计算出来准确度低。计算任意两个LBP特征树的结构相似度和数值相似度,由结构相似度和数值相似度得到两个LBP特征树的特征树相似度,计算特征树的结构相似度时,根据特征树的层数对各层内相似度分配不同的权重,高层数的权重值大,底层数的权重值小,达到了对花纹的大轮廓更关注,降低对细节关注度的目的。根据特征树相似度对连通域进行分类,获取属于同一类别的缩放尺寸序列,计算多个缩放尺寸序列的熵,获取缩放尺寸序列的数量。多个缩放尺寸序列的熵的均值和缩放尺寸序列数量的乘积为面料的风格值。用LBP特征树的相似度反映两个连通域之间的相似度,更符合人眼视觉,达到更加关注连通域中花纹的大致轮廓而相对忽略一些像素细节的目的,得到的特征树相似度能够准确反映出面料的风格值,避免了仅使用LBP算子对面料图像进行遍历计算导致的过于注重细节,而使得风格值计算误差较大的情况。
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面料风格识别方法的方法流程图。
图2为本发明一个实施例所涉及的一种构建LBP特征树的方法流程图。
图3为本发明一个实施例所涉及的一个分区单元进行局部二值模式前后的示意图。
图4为本发明一个实施例所涉及的一种计算两个LBP特征树的结构相似度的方法流程图。
图5为本发明一个实施例所涉及的一种计算两个LBP特征树的特征树相似度的方法流程图。
图6为本发明一个实施例所涉及的一种计算面料图像对应的面料的风格值的方法流程图。
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效,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面料风格识别方法,其具体实施方式、结构、特征及其功效,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。
本发明实施例提供了一种基于图像处理的面料风格识别方法的具体实施方法,该方法适用于面料风格识别场景。将一个RGB相机置于面料正上方,采集面料图像,使面料图像的中心点在RGB相机光轴的垂线上。该被面料的面料上有多个不同样式的花纹,其中至少有一种同样式的花纹包含有多种缩放尺寸。为了解决直接使用LBP算子对面料图像进行花纹识别,其对面料的风格的判断准确性较低,仅用LBP反映纹理过于注重细节的问题。本发明实施例对花纹图像进行分区,通过LBP算子对每个分区单元构建LBP特征树,通过计算LBP特征树的特征树相似度,来达到对面料中大轮廓更加关注,对面料细节关注更小,提高对面料风格划分的准确性目的。
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面料风格识别方法的具体方案。
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面料风格识别方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集面料图像,面料图像包括具有多个花纹的面料,花纹包括多种不同的缩放尺寸;获取面料图像中每个花纹的连通域和对应的最小外接矩形。
通过RGB相机采集面料图像,该面料图像为RGB图像,对面料图像进行灰度化处理。将灰度化处理后的面料图像进行阈值分割得到前景图像。在本发明实施例中利用最大类间方差法对灰度化后的面料图像进行阈值分割。最大类间方差法,也称大津法或者最大类间阈值法,是通过类间方差最大的原理对灰度化后的面料图像进行阈值分割,将灰度化后的面料图像中的数据分割成两部分,分别为背景图像和前景图像两部分,在本发明实施例中将前景图像作为感兴趣区域。
对得到的前景图像进行连通域分析得到多个连通域,该前景图像中的多个连通域也即面料图像中每个花纹的连通域。获取每个连通域的最小外接矩形。
通过最小外接矩形对面料图像进行一次掩膜,再通过连通域对进行过一次掩膜的面料图像进行二次掩膜。需要说明的是,一次掩膜是去除最小外接矩形外像素的影响,为了方便于后续的计算;二次掩膜是去除最小外接矩形内连通域外像素的影响,为了得到具体的有花纹的连通域。
步骤S200,对面料图像进行下采样;基于下采样前后的面料图像中每个连通域对应的最小外接矩形,对最小外接矩形进行分区得到多个分区单元,计算分区单元的LBP特征值,构建每个连通域的LBP特征树。
对面料图像进行最大池化(max pooling),得到多幅下采样后的面料图像。在本发明实施例中最大池化中池化核的步长为2*2,在其他实施例中实施者可根据实际情况调整该步长。将第一次下采样后的面料图像称为第一层下采样面料图像,将第二次下采样后的面料图像称为第二层下采样面料图像,将第三次下采样后的面料图像称为第三层下采样面料图像,依次类推,第n次下采样得到第n次下采样后的面料图像称为第n层下采样面料图像。
对下采样前后的面料图像进行编号,具体的:
利用Dijkstra最短路径算法对下采样前的面料图像中各连通域对应的最小外接矩形的中心点进行位置编号,计算不同连通域对应的最小外接矩形的中心点之间的最短距离,构建一张有向图,该有向图以最靠近面料图像左上角的最小外接矩形的中心点为起点,按照连接顺序依次对各最小外接矩形的中心点进行位置编号。由于下采样仅仅是对连通域的大小进行了缩放,并不会改变连通域的相对位置,在下采样前后的面料图像中各连通域之间的相对位置关系不变,故对应的最小外接矩形的相对中心点位置也不会发生变化,所以本发明实施例对各最小外接矩形的中心点进行位置编号。
下采样前和下采样后的面料图像中同一位置处的中心点的位置编号相同,即第一层下采样面料图像和第n层下采样面料图像同一位置处的中心点的位置编号相同。位置编号相同的连通域在面料图像中对应同一个花纹,仅仅是因为对面料图像进行了下采样而导致的尺寸不同。
对图像进行纹理或者花纹识别最开始一般是采用原始的3*3的LBP算子,对其像素区域的特征进行描述,后来一般用改进后的圆形LBP算子对图像进行纹理识别,改进后的圆形LBP算子可以对不同尺度的结构进行描述,但是当圆形边界上的点不是整数或者没有落在某个像素格子之内时,则使用双线性插值方法计算该点的灰度值,用理论值来代替真实值,这样计算容易产生较大的误差,因此本发明实施例提出了通过构建LBP特征树来对局部纹理区域进行描述。
构建LBP特征树相对于圆形LBP算子来说具有以下有益效果:首先LBP特征树所使用的所有数值均为真实值而非理论值,所以相较于圆形LBP算子来说,用LBP特征树得到的局部纹理特征准确性更高;其次,圆形LBP算子滑窗需要计算每一个3*3窗口内的特征,而LBP特征树首先确定一个父节点,再计算父节点的邻域,与圆形LBP算子相比LBP特征树更具有方向性,可以直接使用该节点的LBP特征值是来表示3*3像素区域的LBP特征值,而不需要滑窗计算重复像素,大大减少了计算量。
请参阅图2,构建LBP特征树的步骤,具体的:
基于下采样前后的面料图像中各连通域对应的最小外接矩形,对每个连通域的最小外接矩形进行分区,构建LBP特征树。目的是为了根据构建好的LBP特征树来计算连通域的相似度。
步骤S201,对最小外接矩形进行分区得到多个分区单元。
首先找到最小外接矩形的中心像素点,将最小外接矩形的中心像素点所处的分区单元作为起始分区单元,以起始分区单元为中心依次对最小外接矩形进行分区,得到多个分区单元。在本发明实施例中每个分区单元都是一个3*3的像素点区域。
步骤S202,以起始分区单元作为特征树的父节点,构建LBP特征树。
(1)以最小外接矩形的起始分区单元作为LBP特征树的父节点,该父节点为LBP特征树的第一层,起始分区单元对应的LBP特征值为父节点的值。需要说明的是,LBP特征值的计算方法在后续步骤有详细描述。
(2)以起始分区单元作为中心,将起始分区单元相邻的八个分区单元作为LBP特征树的第二层子节点,各子节点的值为对应的分区单元的LBP特征值。需要说明的是,将起始分区单元相邻的八个分区单元作为LBP特征树的第二层子节点时,按照八个分区单元对应的LBP特征值的大小进行排序,以从小到大的顺序依次将分区单元作为子节点添加到LBP特征树结构中。
(3)以各第二层子节点作为中心,将第二层子节点对应的分区单元相邻的八个分区单元作为LBP特征树的第三层子节点。其中,若已遍历过的分区单元作为第三层子节点,则对应的子节点为空节点,空节点不赋值。例如第三层子节点对应的分区单元已经在LBP特征树中的第二层或者第一层出现过,则对应的已经遍历过的子节点为空节点。
重复该步骤直至遍历整个最小外接矩形,得到一个以起始分区单元为父节点的LBP特征树。LBP特征树中除了空节点以外,其余各节点的值均为对应的分区单元的LBP特征值,节点包括父节点和子节点,子节点中包括空节点。
其中,分区单元的LBP特征值的计算方法,具体的:
例如对于尺寸为3*3的分区单元来说,以分区单元的中心像素点的灰度值作为中心阈值,与中心像素点相邻的8个像素点中灰度值大于中心阈值的标记为1,小于中心阈值的标记为0,如此可以得到一个8位的二进制数,该八位二进制数即为LBP特征值,一般情况下LBP特征值用十进制数来表示。
请参阅图3,图3为一个分区单元进行局部二值化模式前后的示意图,其中图3中左边的方格内为3*3分区单元内的像素值,图3中右边的方格内为通过中心阈值计算得到的结果。由右边的方格得到的8位二进制数的组合方式有很多种,按照顺时针对8位二进制数排序,得到的组合编码有:01010110、10101100、01011001、10110010、01100101、11001010、10010101、00101011。计算不同组合的十进制值,分别为:86、172、89、178、101、202、149、43。其中43最小,因此00101011为该分区单元的LBP特征值,用十进制表示则是43为该分区单元的LBP特征值。无论图3中左边的方格如何进行旋转,所得到的LBP特征值必然相同。故LBP特征值具有旋转不变性。
在构建LBP特征树时该树结构有一个父节点,父节点即为起始分区单元对应的LBP特征值,若图3中右边的方格为起始分区单元,则对应的LBP特征树的父节点的值为该起始分区单元的LBP特征值,即为43或者00101011。
步骤S300,选取任意两个连通域对应的两个LBP特征树;根据两个LBP特征树的结构特征得到两个LBP特征树的结构相似度,结构特征包含LBP特征树的层数和节点数。
选取任意两个连通域对应的两个LBP特征树,也可以说是选取任意两个连通域的最小外接矩形对应的两个LBP特征树,连通域和最小外接矩形是一一对应的关系。请参阅图4,计算两个LBP特征树的结构相似度,该结构相似度由LBP特征树的层数和节点数反映。具体的:
步骤S301,获取两个LBP特征树的层数比、相同层的子节点数量比和空节点数量比。
层数比为两个LBP特征树的总层数的比值。
子节点数量比为两个LBP特征树的相同层中子节点数量的比值,其中,子节点中包括空节点和具有LBP特征值的非空子节点。
空节点数量比为两个LBP特征树的相同层中空节点数量的比值。
步骤S302,子节点数量比和空节点数量比的乘积为初始层内相似度。
相同层中子节点数量越接近,其比值越接近于1,越相似;同理,空节点的数量越接近,其比值越接近于1,越相似;用两个LBP特征树相同层的节点数量比来反映两个LBP特征树在结构上的相似度。
步骤S303,利用高斯函数计算各初始层内相似度的层内相似度权重,层内相似度权重和初始层内相似度相乘得到层内相似度。
为了符合人眼视觉的纹理特征,在LBP特征树中高层数的初始层内相似度比低层数的初始层内相似度更能表示不同花纹之间的相似性,即高层数的初始层内相似度更能反映结构相似度。需要说明的是符合人员眼视觉的纹理特征是,在人眼观察的时候,相对于花纹内的纹理细节人们更容易注意到花纹的大致轮廓,高层数节点对应的分区单元更靠近花纹的外轮廓,所以在本发明实施例中高层数的初始层内相似度更能反映结构相似度。
故在计算出两个LBP特征树的各相同层的初始层内相似度之后,利用高斯函数对初始层内相似度分配权重,层数越高分配的权重则越大。
该层内相似度权重的计算公式是一个时的高斯函数,在的前面乘上了一个2是因为在本发明实施例中层数只可能为正数而不可能为负数,然而常规的高斯函数y轴的左右两侧的面积和为1,由于在本发明实施例中只取正值,故为了保证只取正值时该层内相似度权重之和为1,也可以说是为了直接实现层内相似度权重的归一化,故在高斯函数前面乘上了一个倍数2;乘上2之后的只取正值的高斯函数曲线的面积为1。
用该层内相似度权重调节初始层内相似度,得到层内相似度。具体的,层内相似度权重和初始层内相似度相乘得到层内相似度。
步骤S304,层内相似度的均值和层数比相乘得到两个LBP特征树的结构相似度。其中,将层数比作为结构相似度的权重。
预设结构相似度阈值,当两个LBP特征树对应的结构相似度大于等于预设结构相似度阈值时,对其进行后续的两个LBP特征树的数值相似度和特征树相似度的计算;否则不再进行后续的计算,其目的是为了减少计算量。在本发明实施例中预设结构相似度阈值的取值为0.8,在其他实施例中实施者可根据实际情况调整该取值。
步骤S400,计算两个LBP特征树相同位置处的LBP特征值的节点相似度,节点相似度的均值为两个LBP特征树的数值相似度;结构相似度和数值相似度相乘得到两个LBP特征树的特征树相似度。
除了由步骤S300得到的两个LBP特征树的结构相似度外,本发明实施例还从LBP特征值的数值方面来反映两个LBP特征树的特征树相似度。
请参阅图5,计算两个LBP特征树的特征树相似度的步骤,具体的:
步骤S401,计算两个LBP特征树相同位置处的LBP特征值的节点相似度。
该节点相似度也可以说是两个LBP特征树相同位置处的节点对应的LBP特征值的节点数值相似度。
获取两个LBP特征树相同位置处的LBP特征值,在该步骤使用八位的二进制LBP特征值,利用汉明距离比较相同位置处两个八位二进制LBP特征值的差异。具体的:
获取两个八位二进制LBP特征值的汉明距离,该汉明距离为两个八位二进制LBP特征值中对应位置的不同数字的数量。如:10111011和10010011之间的汉明距离为2;10001101和11111111之间的汉明距离为4。
由于本发明实施例想要得到的是两个八位二进制LBP特征值的相似度而不是差异度,故再对两个八位二进制LBP特征值进行处理以得到节点相似度。
步骤S402,根据每个相同位置处对应的节点相似度计算两个LBP特征树的数值相似度。
用两个LBP特征树对应的各节点相似度的均值作为两个LBP特征树的数值相似度。
步骤S403,结构相似度和数值相似度相乘得到两个LBP特征树的特征树相似度。
计算下采样前后的面料图像中两两连通域对应的最小外接矩形的特征树相似度。特征树相似度越大的两个LBP特征树越相似,则这两个LBP特征树对应的最小外接矩形中的连通域中花纹风格越接近。
步骤S500,根据特征树相似度对连通域进行分类得到多个类别;获取属于同一类别的连通域的缩放尺寸,得到多个缩放尺寸序列;计算多个缩放尺寸序列的熵的均值;获取缩放尺寸序列数量,缩放尺寸序列数量和熵的均值相乘得到面料的风格值。
请参阅图6,计算面料图像对应的面料的风格值的步骤,具体的:
步骤S501,根据特征树相似度对连通域进行分类得到多个类别。
获取下采样前后的面料图像中任意两个连通域对应的最小外接矩形的特征树相似度,将特征树相似度大于等于预设特征树相似度的LBP特征树对应的连通域的位置编号划分为同一类别,得到多个类别。在本发明实施例中预设特征树相似度的取值为0.9,在其他实施例中实施者可根据实际情况调整该取值。步骤S200中已经详细描述了对下采样前后的面料图像进行位置编号的过程。
例如三个连通域的位置编号为1、2、3;下采样前连通域1和连通域2的特征树相似度为0.7,连通域1和连通域3的特征树相似度为0.6,连通域2和连通域3的特征树相似度为0.5;进行第一次下采样后的连通域1和未进行下采样的连通域2的特征树相似度为0.9,未进行下采样后的连通域1和进行第一次下采样后的连通域2的特征树相似度为0.6,进行第一次下采样后的连通域1和未进行下采样的连通域3的特征树相似度为0.4,未进行下采样的连通域1和进行第一次下采样后的连通域3的特征树相似度为0.5,进行第一次下采样后的连通域2和未进行下采样的连通域3的特征树相似度为0.7,未进行下采样的连通域2和进行第一次下采样后的连通域3的特征树相似度为0.3,…,重复计算下采样前后面料图像层内和层间的各连通域的特征树相似度。需要说明的是,计算下采样层间的连通域的特征树相似度为计算不同层下采样后的面料图像中连通域的特征树相似度。在步骤S200中已经对第n层下采样面料图像的概念进行了具体描述。如计算第2层下采样面料图像中的连通域和第5层下采样面料图像中的连通域的特征树相似度为计算下采样层间的特征树相似度,计算未进行下采样的面料图像中任意两个连通域的特征树相似度即为计算层内特征树相似度。
直至停止进行下采样,设至停止下采样为止下采样层内和层间的连通域2和连通域3、连通域1和连通域3的特征树相似度均低于预设特征树相似度。将特征树相似度大于预设特征树相似度的LBP特征树对应的连通域的编号划分为同一类别,即将连通域1和连通域2划分为同一类,也可以说位置编号1和位置编号2属于同一类。为第n张下采样面料图像预设尺寸阈值,当第n张系采样面料图像的尺寸达到预设尺寸阈值时,停止下采样。在本发明实施例中预设尺寸阈值为:行数为,列数为,为下采样前的面料图像的行数,为下采样前的面料图像的列数。
步骤S502,获取属于同一类别的连通域的缩放尺寸,得到缩放尺寸序列。
基于同一类别中连通域对应的多个最小外接矩形,计算属于同一类别的最小外接矩形的面积。在本发明实施例中用像素点数量来计算最小外接矩形的面积。将属于同一类别的最小外接矩形的面积按照从大到小的顺序进行排序,对排序后的最小外接矩形面积依次进行从大到小的尺寸编号,得到同一类别中连通域的缩放尺寸和缩放尺寸序列。如同一类别中最小外接矩形的面积从大到小排序后分别为200,150,130,130,120,110,对该从大到小的序列进行尺寸编号,面积为200的最小外接矩形对应的尺寸编号为5,面积为150的最小外接矩形对应的尺寸编号为4,面积为130的两个最小外接矩形对应的尺寸编号为3,面积为120的最小外接矩形对应的尺寸编号为2,面积为110的最小外接矩形对应的尺寸编号为1,该类别对应的缩放尺寸序列为{5,4,3,3,2,1}。当缩放尺寸序列的长度低于预设序列长度时,则认为该花纹的数量过少可忽略该花纹,对其花纹对应的缩放尺寸序列进行剔除。在本发明实施例中预设序列长度为4。
步骤S503,计算面料的风格值。
该风格值能够反映面料图像的花纹大小和种类,用缩放尺寸序列的数量反映花纹的种类,缩放尺寸序列的数量越多,花纹的种类越大,其面料的风格也就越难以定论,故相应的风格值也越大。用缩放尺寸序列来反映面料图像中花纹的大小变化,大小变化越多其对应的面料的风格值也就越大。反之,面料的花纹大小变化越少,种类越少,则面料的风格越简单,其对应的计算得到的风格值也就越小。
计算每个缩放尺寸序列的熵,得到面料图像对应的所有缩放尺寸序列的熵的均值。
获取面料图像对应的缩放尺寸序列数量。
将熵的均值和缩放尺寸序列数量相乘得到面料的风格值。
综上所述,本发明实施例利用图像处理技术,采集面料图像,获取面料图像中各花纹的连通域和对应的最小外接矩形。对面料图像进行下采样,基于下采样前后的面料图像中连通域的最小外接矩形,对最小外接矩形进行分区得到多个分区单元,计算各分区单元的LBP特征值,构建LBP特征树;计算任意两个LBP特征树的结构相似度和数值相似度,由结构相似度和数值相似度得到两个LBP特征树的特征树相似度。根据特征树相似度对连通域进行分类,获取属于同一类别的缩放尺寸序列,计算多个缩放尺寸序列的熵,获取缩放尺寸序列的数量。多个缩放尺寸序列的熵的均值和缩放尺寸序列数量的乘积为面料的风格值。用LPP特征树的相似度反映两个连通域之间的相似度,更符合人眼视觉,达到更加关注连通域中花纹的大致轮廓而相对忽略一些像素细节的目的,得到的特征树相似度能够准确反映出面料的风格值,避免了仅使用LBP算子对面料图像进行遍历计算导致的过于注重细节,而使得风格值计算误差较大的情况。
一种基于图像处理的面料风格识别系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种基于图像处理的面料风格识别方法在上述给出了详细描述,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像处理的面料风格识别方法,其特征在于,该方法包括以下步骤:
采集面料图像,所述面料图像包括具有多个花纹的面料,所述花纹包括多种不同的缩放尺寸;获取所述面料图像中每个花纹的连通域和对应的最小外接矩形;
对所述面料图像进行下采样;基于下采样前后的面料图像中每个连通域对应的最小外接矩形,对所述最小外接矩形进行分区得到多个分区单元,计算所述分区单元的LBP特征值,构建每个连通域的LBP特征树;
选取任意两个连通域对应的两个LBP特征树;根据所述两个LBP特征树的结构特征得到所述两个LBP特征树的结构相似度,所述结构特征包含LBP特征树的层数和节点数;
计算所述两个LBP特征树相同位置处的LBP特征值的节点相似度,所述节点相似度的均值为所述两个LBP特征树的数值相似度;所述结构相似度和所述数值相似度相乘得到所述两个LBP特征树的特征树相似度;
根据所述特征树相似度对连通域进行分类得到多个类别;获取属于同一类别的连通域的缩放尺寸,得到多个缩放尺寸序列;计算多个缩放尺寸序列的熵的均值;获取缩放尺寸序列数量,所述缩放尺寸序列数量和所述熵的均值相乘得到面料的风格值。
2.根据权利要求1所述的一种基于图像处理的面料风格识别方法,其特征在于,所述对所述最小外接矩形进行分区得到多个分区单元,包括:
以所述最小外接矩形的中心像素点所处的分区单元作为起始分区单元,以所述起始分区单元为中心依次对最小外接矩形进行分区。
3.根据权利要求2所述的一种基于图像处理的面料风格识别方法,其特征在于,所述计算所述分区单元的LBP特征值,构建LBP特征树,包括:
最小外接矩形的所述起始分区单元作为所述LBP特征树的父节点;所述起始分区单元对应的LBP特征值为所述父节点的值;
所述起始分区单元相邻的八个分区单元作为所述LBP特征树的第二层子节点;各子节点的值为对应的分区单元的LBP特征值;
各所述第二层子节点对应的分区单元相邻的八个分区单元作为所述LBP特征树的第三层子节点;当已遍历过的分区单元作为第三层子节点时,对应的子节点为空节点,空节点不赋值;
直至遍历整个所述最小外接矩形,得到一个以所述起始分区单元为父节点的LBP特征树。
4.根据权利要求1所述的一种基于图像处理的面料风格识别方法,其特征在于,所述根据所述两个LBP特征树的结构特征得到所述两个LBP特征树的结构相似度,包括:
获取所述两个LBP特征树的层数比、相同层的子节点数量比和空节点数量比;
所述子节点数量比和所述空节点数量比的乘积为初始层内相似度;
利用高斯函数计算各所述初始层内相似度的层内相似度权重,所述层内相似度权重和所述初始层内相似度相乘得到层内相似度;
所述层内相似度的均值和所述层数比相乘得到所述两个LBP特征树的结构相似度。
5.根据权利要求1所述的一种基于图像处理的面料风格识别方法,其特征在于,所述计算所述两个LBP特征树相同位置处的LBP特征值的节点相似度,包括:
获取两个LBP特征树相同位置处的两个八位二进制LBP特征值;
利用汉明距离得到所述八位二进制LBP特征值的节点相似度。
6.根据权利要求1所述的一种基于图像处理的面料风格识别方法,其特征在于,所述根据所述特征树相似度对连通域进行分类得到多个类别,包括:
获取任意两个连通域对应的特征树相似度,将所述特征树相似度大于等于预设特征树相似度的LBP特征树对应的连通域的位置编号划分为同一类别,得到多个类别。
7.根据权利要求6所述的一种基于图像处理的面料风格识别方法,其特征在于,所述连通域的编号的获取方法,包括:
利用Dijkstra最短路径算法对下采样前的所述面料图像中各连通域对应的最小外接矩形的中心点进行位置编号,下采样前和下采样后的所述面料图像中同一位置处的中心点的位置编号相同。
8.根据权利要求1所述的一种基于图像处理的面料风格识别方法,其特征在于,所述获取所述面料图像中每个花纹的连通域和对应的最小外接矩形,包括:
对所述面料图像进行灰度化;
利用最大类间方差法对灰度化后的所述面料图像进行阈值分割得到前景图像;对所述前景图像进行连通域分析得到所述面料图像中每个花纹的连通域和对应的最小外接矩形。
9.一种基于图像处理的面料风格识别系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~8任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777217.8A CN114842043B (zh) | 2022-07-04 | 2022-07-04 | 一种基于图像处理的面料风格识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777217.8A CN114842043B (zh) | 2022-07-04 | 2022-07-04 | 一种基于图像处理的面料风格识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842043A CN114842043A (zh) | 2022-08-02 |
CN114842043B true CN114842043B (zh) | 2022-09-27 |
Family
ID=82573858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210777217.8A Active CN114842043B (zh) | 2022-07-04 | 2022-07-04 | 一种基于图像处理的面料风格识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842043B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272304B (zh) * | 2022-09-26 | 2022-12-09 | 山东滨州安惠绳网集团有限责任公司 | 一种基于图像处理的布匹缺陷检测方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103454276B (zh) * | 2013-06-30 | 2016-01-06 | 上海工程技术大学 | 一种基于动态序列图像的织物形态风格评价方法 |
CN104331447A (zh) * | 2014-10-29 | 2015-02-04 | 邱桃荣 | 布料色卡图像检索方法 |
CN108037125A (zh) * | 2017-12-14 | 2018-05-15 | 湖南工程学院 | 一种竹节纱面料风格快速评价系统 |
CN110728302A (zh) * | 2019-09-10 | 2020-01-24 | 武汉纺织大学 | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 |
CN113158063A (zh) * | 2021-05-11 | 2021-07-23 | 江南大学 | 一种基于图像理解的纺织面料个性化推荐方法 |
-
2022
- 2022-07-04 CN CN202210777217.8A patent/CN114842043B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114842043A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jeon et al. | Road detection in spaceborne SAR images using a genetic algorithm | |
CN109377445B (zh) | 模型训练方法、替换图像背景的方法、装置和电子系统 | |
US5179643A (en) | Method of multi-dimensional analysis and display for a large volume of record information items and a system therefor | |
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN108491786B (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN108062543A (zh) | 一种面部识别方法及装置 | |
CN114842043B (zh) | 一种基于图像处理的面料风格识别方法及系统 | |
CN114926699A (zh) | 一种室内三维点云语义分类方法、装置、介质及终端 | |
CN111523535B (zh) | 基于机器视觉与深度学习的类圆对象识别计数检测算法 | |
CN115272304B (zh) | 一种基于图像处理的布匹缺陷检测方法和系统 | |
CN108764244A (zh) | 基于卷积神经网络和条件随机场的潜在目标区域检测方法 | |
CN112734822A (zh) | 一种基于红外和可见光图像的立体匹配算法 | |
CN115100652A (zh) | 基于高分遥感图像的电子地图自动化生成方法 | |
CN111179193B (zh) | 基于DCNNs和GANs的皮肤镜图像增强和分类方法 | |
CN112435214A (zh) | 基于先验框线性缩放的花粉检测方法、装置和电子设备 | |
CN109785283B (zh) | 一种用于织物分割的纹理特征匹配方法及装置 | |
CN112633070A (zh) | 高分辨率遥感影像建筑物提取方法及系统 | |
CN117152172A (zh) | 一种基于点云数据的输电线路杆塔和电力线提取方法 | |
EP0435099B1 (en) | A method of selecting characteristics data for a data processing system | |
CN111882545B (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
CN111260755B (zh) | 基于深度学习与数字图像处理的数字扎染图案生成方法 | |
CN114494272A (zh) | 一种基于深度学习的金属零件快速分割方法 | |
CN112802175B (zh) | 大规模场景遮挡剔除方法、装置、设备及存储介质 | |
CN113268625A (zh) | 一种基于交叉熵损失函数的细粒度布料图像检索方法 | |
CN111047617A (zh) | 一种矩形识别优化方法、装置及设备 |
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 |