專利名稱:一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方法
技術(shù)領(lǐng)域:
本發(fā)明屬于數(shù)字圖像處理和模式識別領(lǐng)域,特別涉及一種用于表征織物紋理的分 形概貌與分形細(xì)節(jié)混合特征向量提取方法。
背景技術(shù):
借助織物紋理表征技術(shù)能夠?qū)崿F(xiàn)織物紋理參數(shù)估計、紋理分類、織物外觀評價、瑕 疵檢測等等目的。任何織物紋理都包含兩方面的重要信息,即概貌信息和細(xì)節(jié)信息。概貌 信息為人眼或機器視覺提供總體的粗略的結(jié)構(gòu)和灰度印象,而細(xì)節(jié)信息則提供局部的精細(xì) 的結(jié)構(gòu)和灰度印象。因此,要全面和細(xì)致地表征紋理結(jié)構(gòu),最大限度地反映紋理特點,在特 征提取時就必須兼顧紋理的概貌和細(xì)節(jié)信息。為了便于表述,本申請擬將那些主要反映概 貌信息的特征稱為概貌特征,而將那些主要反映細(xì)節(jié)信息的特征稱為細(xì)節(jié)特征。顯然,概貌 特征和細(xì)節(jié)特征各有側(cè)重,具有極大的互補性。本發(fā)明旨在討論基于分形概貌特征和分形 細(xì)節(jié)特征的織物紋理表征方法。較之歐氏幾何,分形幾何在描述或生成具有自相似性的自然事物或類自然事物時 能夠提供更好的方法,因而被廣泛用在模式識別、圖像的模擬和仿真等等諸多領(lǐng)域。自相似 性是分形理論的中心概念之一,它與維數(shù)的概念密切相關(guān)。分形幾何描述的對象具有統(tǒng)計 意義上的自相似,自相似性用分形維來表征分形維是用分形理論進(jìn)行圖像分析時最常使用 的特征參數(shù)之一。分形特征特別是分形維數(shù)能夠較好地刻畫紋理粗糙度和復(fù)雜度,因而在 紋理分類、識別等實踐中作為度量特征是合理的。其中盒維數(shù)由于概念簡單、計算簡便而成 為使用最普遍的一種分形維數(shù)。為便于說明發(fā)明要點,有必要對盒維數(shù)以及Sobel算子濾波的基本原理作簡單介 紹。設(shè)FcST為任意非空有界集,用Ν( δ,F(xiàn))表示覆蓋集F所需直徑最大為δ的的集 的最少數(shù)目,則F的盒維定義為Dg(F) = Iim W 乂 注意,定義中所用的δ -覆蓋仍是一個一般的集類,在本專利中集F特指為織物 圖像向縱、橫向投影時,通過各行、各列像素灰度累加并取均值所得的圖像灰度一維時間序 列,也即一條表示圖像各行各列像素灰度均值變化的曲線,Ν( δ,F(xiàn))表示覆蓋F所需的邊長 為δ的最少方格數(shù),簡記為Ν(δ)。Db(F)簡記為D。實際估算一個時間序列的計盒維時,由于該序列為一條曲線,橫坐標(biāo)為序列中各 點的位置,縱坐標(biāo)為各點對應(yīng)的序列值,需要用尺寸為SX δ的方格去完全覆蓋該曲線并 統(tǒng)計Ν( δ )。從盒維數(shù)的定義可知,IogN( δ ) -Dlogd/ δ ),這表明,若干點對(log(l/ δ ), IogN(S))在δ — O時的漸近線是直線,其斜率即為D。改變δ大小從而可以得到多個上 述點對,然后通過最小二乘法擬合出相應(yīng)直線。該直線的斜率即為所求的盒維數(shù)。
考慮到機織物是由經(jīng)緯紗相互垂直交織而成,其圖像是一種典型的紋理圖像,因 此可用分形特征來表征織物紋理。Conci等人(1998)采用差分計盒法提取了織物紋理的分 形維及其標(biāo)準(zhǔn)差作為特征參數(shù)用來表征織物紋理并檢測織物疵點。徐增波等人(2000)在 織物紋理圖像進(jìn)行Wold模型分析的基礎(chǔ)上,以求取分形維過程中的的整個分形特征曲線 作為表征織物紋理的特征,進(jìn)行了織物疵點檢測。Wen等人(2002)采用基于分形布朗運動 的傅立葉頻域最大似然估計算子來估計織物圖像的Hurst系數(shù)這一分形參數(shù),以此作為表 征織物紋理的特征參數(shù)來檢測疵點。楊艷等人(2007)從縐織物圖像中提取了一個全局分 形維特征來實現(xiàn)對織物縐效應(yīng)的客觀評價。步紅剛等人(2007)為了克服單一分形特征的 局限性,提出了一種多分形特征向量提取方法,該方法在疵點檢測效果上較以往相關(guān)的研 究有了大幅度的改善,但由于所提取的多個分形特征向量均是反映全局信息的概貌特征, 因而不合于檢測很多局部疵點。在“基于矩和分形的紋理分類方法”的專利中(2006),研究 者首先計算圖像的二階矩,產(chǎn)生矩特征圖像,再對原圖像塊和矩特征圖像估計其分形維數(shù), 最后將原圖像塊和六個矩特征圖像的分形維數(shù)形成特征向量,作為支持向量機的輸入進(jìn)行 織物紋理分類。上述已有文獻(xiàn)或?qū)@婕暗目椢锛y理表征方法對織物紋理信息的表征都是局限 在全局特征的提取,未能兼顧織物紋理的概貌和細(xì)節(jié)信息,因而不能全面和細(xì)致地表征織 物紋理的本質(zhì)特點。上述文獻(xiàn)或?qū)@诳椢锛y理的分形表征中,還存在如下缺點1、分形特 征直接在二維圖像基礎(chǔ)上提取,計算量大;2、所提取的分形特征僅能刻畫紋理的全局信息, 不能細(xì)致深刻地表征織物紋理的細(xì)節(jié)信息;3、特征提取時未充分利用織物紋理固有的經(jīng)緯 取向特點以提高特征的穩(wěn)定性;4、特征提取時沒有充分利用織物紋理固有的經(jīng)向和緯向規(guī) 則循環(huán)的特點以提高特征對紋理表征的準(zhǔn)確性。
發(fā)明內(nèi)容
本發(fā)明屬于數(shù)字圖像處理和模式識別領(lǐng)域,特別涉及一種用于表征織物紋理的分 形概貌與分形細(xì)節(jié)混合特征向量提取方法。首先對原織物圖像進(jìn)行縱向和橫向投影,然后 計算上述投影聯(lián)合序列的分形維作為概貌特征;同時依據(jù)遍歷法原理計算原圖像中每一個 包含一個橫向基本循環(huán)周期或縱向基本循環(huán)周期的子窗口的分形維數(shù),最后從中選取兩個 反映橫向細(xì)節(jié)信息的分形維數(shù)極值和兩個反映縱向細(xì)節(jié)信息的分形維數(shù)極值作為表征織 物紋理的細(xì)節(jié)特征;將上述一個分形概貌特征與四個分形細(xì)節(jié)特征組成混合特征向量。這 種混合特征向量各特征間具有高度的互補性,兼顧紋理的概貌信息和細(xì)節(jié)信息,也兼顧紋 理的橫向信息和縱向信息,能夠全面和細(xì)致地刻畫織物紋理特點。本發(fā)明的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方法, 在分形概貌特征提取方面,首先對織物紋理圖像實施縱向和橫向投影預(yù)處理,此處縱向投 影指分別求取圖像各列像素的灰度累加值,橫向投影指分別求取圖像各行像素的灰度累加 值,由此得到兩個一維時間序列,將此兩個序列首尾相接組成一個新的一維時間序列,然后 估算該時間序列的分形維數(shù)作為本發(fā)明的分形概貌特征;在分形細(xì)節(jié)特征提取方面,首先 采用一維快速傅里葉變換求出織物紋理圖像的基本橫向和縱向循環(huán)周期,然后依據(jù)遍歷法 原理計算圖像中每一個包含一個橫向基本循環(huán)周期或縱向基本循環(huán)周期的子窗口的分形 維數(shù),最后從中選取兩個反映橫向細(xì)節(jié)信息的分形維數(shù)極值(即橫向最大分形維數(shù)和橫向最小分形維數(shù))和兩個反映縱向細(xì)節(jié)信息的分形維數(shù)極值(即縱向最大分形維數(shù)和縱向 最小分形維數(shù))作為表征織物紋理的細(xì)節(jié)特征。概貌特征和細(xì)節(jié)特征共同組成混合特征向量。其中所述的包含一個橫向基本循環(huán)周期的子窗口是以一個橫向基本循環(huán)周期為 長和織物紋理圖像的寬為寬的矩形窗口,所述的每一個橫向基本循環(huán)周期的子窗口的分形 維數(shù)是在該子窗口中的圖像像素灰度值沿橫向累加而成的相應(yīng)一維時間序列基礎(chǔ)上計算 得到的;從中選取兩個分形維數(shù)極值即橫向最大分形維數(shù)和橫向最小分形維數(shù)。所述的包含一個縱向基本循環(huán)周期的子窗口是以一個織物紋理圖像的長為長和 縱向基本循環(huán)周期為寬的矩形窗口,所述的每一個縱向基本循環(huán)周期的子窗口的分形維數(shù) 是在該子窗口中的圖像像素灰度值沿縱向累加而成的相應(yīng)一維時間序列基礎(chǔ)上計算得到 的;從中選取兩個分形維數(shù)極值即縱向最大分形維數(shù)和縱向最小分形維數(shù)。最后把分形概貌特征、橫向最大分形維數(shù)、橫向最小分形維數(shù)、縱向最大分形維數(shù) 和縱向最小分形維數(shù)組合成為表征織物紋理的兼顧概貌信息和細(xì)節(jié)信息的混合特征向量。所述的用于表征織物紋理的由分形概貌特征和分形細(xì)節(jié)特征組成的混合特征向 量的提取過程如下首先采集數(shù)字化織物紋理圖像,記為W,W為矩形,其尺寸長X寬為L1XL2,即橫向 和縱向長度分別為L1和L2,而其沿橫向的基本周期即列周期為P1個像素,沿縱向的基本周 期即行周期為P2,行周期和列周期均指取整后的像素數(shù),P1通過計算W的任一行圖像像素灰 度值集合的基本循環(huán)周期得到,P2通過計算W的任一列圖像像素灰度值集合的基本循環(huán)周 期得到,其中上述基本周期的計算借助一維快速傅里葉變換實現(xiàn)。對原始織物圖像矩形窗口 W分別進(jìn)行縱向和橫向投影預(yù)處理,即分別求取W各列 像素灰度值的累加值和W各行像素灰度值的累加值,得到兩個一維時間序列,將此兩個序 列首尾相接組成一個新的時間序列,然后計算該序列的分形特征作為表征織物紋理的概貌 特征,記為Bd。在織物紋理圖像W中,選取一個橫向基本循環(huán)周期P1為長和織物紋理圖像的寬L2 為寬的矩形窗口作為包含一個橫向基本循環(huán)周期的子窗口,記為W1 ;選取一個織物紋理圖 像的長L1為長、縱向基本循環(huán)周期P2為寬的矩形窗口作為包含一個縱向基本循環(huán)周期的子 窗口,記為W2 ;對于某一W1,計算其沿行方向的圖像像素灰度投影,即將該子窗口各行的圖像像 素灰度值沿橫向疊加,得到一個一維時間序列,從該時間序列中可計算得到一個分形維數(shù), 然后將W1以固定步長水平地滑移以遍歷整個W,共有L1-PJl個W1,從而可相應(yīng)求得L1-PJl 個分形維數(shù),分別記其中的最小者和最大者為E1和E2,即為橫向最小分形維數(shù)和橫向最大 分形維數(shù),此兩者反映紋理的橫向極端細(xì)節(jié)信息;對于某一 W2,計算其沿列方向的圖像像素灰度值投影,即將該子窗口各列的圖像 像素灰度值沿縱向疊加,得到一個一維時間序列,從該時間序列中可計算得到一個分形維 數(shù),然后將W2以固定步長垂直地滑移以遍歷整個W,共有L2-P2+I個W2,從而可相應(yīng)求得 L2-P2+l個分形維數(shù),分別記其中的最小者和最大者為E3和E4,即為縱向最小分形維數(shù)和縱 向最大分形維數(shù),此兩者反映紋理的縱向極端細(xì)節(jié)信息;最終得到表征織物紋理的特征向量[Bd E1E2E3E4L
其中,如上所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提 取方法,所述的織物為機織物。如上所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方 法,所述的織物紋理圖像的橫向與緯紗方向一致,而織物紋理圖像的縱向與經(jīng)紗方向一致。如上所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方 法,所述的分形維數(shù)是指盒維數(shù),其具體計算方法參見背景技術(shù)中的有關(guān)介紹。如上所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方 法,所述的盒維數(shù)估算時所用的δ尺寸序列為2 6像素。如上所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方 法,所述的固定步長指1 3個像素。如上所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方 法,所述的矩形子窗DW1每次的水平滑移固定步長與W2每次的垂直滑移固定步長不必相 同。如上所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方 法,其中上述基本循環(huán)周期P1和P2的計算借助一維快速傅里葉變換(FFT)實現(xiàn)。對于N點 序列χ (η),其FFT變換對定義為
權(quán)利要求
一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方法,其特征是所述的混合特征向量由分形概貌特征和分形細(xì)節(jié)特征共同組成分形概貌特征提取首先對織物紋理圖像實施縱向和橫向投影預(yù)處理,此處縱向投影指分別求取圖像各列像素的灰度累加值或者均值,橫向投影指分別求取圖像各行像素的灰度累加值或者均值,由此得到兩個一維時間序列,將此兩個序列首尾相接組成一個新的一維時間序列,然后計算該時間序列的分形維數(shù)作為本發(fā)明的分形概貌特征;分形細(xì)節(jié)特征提取首先采用一維快速傅里葉變換求出織物紋理圖像的基本橫向和縱向循環(huán)周期,然后依據(jù)遍歷法原理計算圖像中每一個包含一個橫向基本循環(huán)周期或縱向基本循環(huán)周期的子窗口的分形維數(shù),最后從中選取兩個反映橫向細(xì)節(jié)信息的分形維數(shù)極值即橫向最大分形維數(shù)和橫向最小分形維數(shù),和兩個反映縱向細(xì)節(jié)信息的分形維數(shù)極值即縱向最大分形維數(shù)和縱向最小分形維數(shù)作為表征織物紋理的細(xì)節(jié)特征;其中所述的包含一個橫向基本循環(huán)周期的子窗口是以一個橫向基本循環(huán)周期為長和織物紋理圖像的寬為寬的矩形窗口,所述的每一個橫向基本循環(huán)周期的子窗口的分形維數(shù)是在該子窗口中的圖像像素灰度值沿橫向累加而成的相應(yīng)一維時間序列基礎(chǔ)上計算得到的;從中選取兩個分形維數(shù)極值即橫向最大分形維數(shù)和橫向最小分形維數(shù);所述的包含一個縱向基本循環(huán)周期的子窗口是以一個織物紋理圖像的長為長和縱向基本循環(huán)周期為寬的矩形窗口,所述的每一個縱向基本循環(huán)周期的子窗口的分形維數(shù)是在該子窗口中的圖像像素灰度值沿縱向累加而成的相應(yīng)一維時間序列基礎(chǔ)上計算得到的;從中選取兩個分形維數(shù)極值即縱向最大分形維數(shù)和縱向最小分形維數(shù);最后把分形概貌特征、橫向最大分形維數(shù)、橫向最小分形維數(shù)、縱向最大分形維數(shù)和縱向最小分形維數(shù)組合成為表征織物紋理的兼顧概貌信息和細(xì)節(jié)信息的混合特征向量;所述的用于表征織物紋理的由分形概貌特征和分形細(xì)節(jié)特征組成的混合特征向量的提取過程如下首先采集數(shù)字化織物紋理圖像,記為W,W為矩形,其尺寸長×寬為L1×L2,即橫向和縱向長度分別為L1和L2,而其沿橫向的基本周期即列周期為P1個像素,沿縱向的基本周期即行周期為P2,行周期和列周期均指取整后的像素數(shù),P1通過計算W的任一行圖像像素灰度值集合的基本循環(huán)周期得到,P2通過計算W的任一列圖像像素灰度值集合的基本循環(huán)周期得到;對原始織物圖像矩形窗口W分別進(jìn)行縱向和橫向投影預(yù)處理,即分別求取W各列像素灰度值的累加值和W各行像素灰度值的累加值,得到兩個一維時間序列,將此兩個序列首尾相接組成一個新的時間序列,然后計算該序列的分形特征作為表征織物紋理的概貌特征,記為Bd;在織物紋理圖像W中,選取一個橫向基本循環(huán)周期P1為長和織物紋理圖像的寬L2為寬的矩形窗口作為包含一個橫向基本循環(huán)周期的子窗口,記為W1;選取一個織物紋理圖像的長L1為長、縱向基本循環(huán)周期P2為寬的矩形窗口作為包含一個縱向基本循環(huán)周期的子窗口,記為W2;對于某一W1,計算其沿行方向的圖像像素灰度值投影,即將該子窗口各行的圖像像素灰度值沿橫向疊加,得到一個一維時間序列,從該時間序列中可計算得到一個分形維數(shù),然后將W1以固定步長水平地滑移以遍歷整個W,共有L1 P1+1個W1,從而可相應(yīng)求得L1 P1+1個分形維數(shù),分別記其中的最小者和最大者為E1和E2,即為橫向最小分形維數(shù)和橫向最大分形維數(shù),此兩者反映紋理的橫向極端細(xì)節(jié)信息;對于某一W2,計算其沿列方向的圖像像素灰度值投影,即將該子窗口各列的圖像像素灰度值沿縱向疊加,得到一個一維時間序列,從該時間序列中可計算得到一個分形維數(shù),然后將W2以固定步長垂直地滑移以遍歷整個W,共有L2 P2+1個W2,從而可相應(yīng)求得L2 P2+1個分形維數(shù),分別記其中的最小者和最大者為E3和E4,即為縱向最小分形維數(shù)和縱向最大分形維數(shù),此兩者反映紋理的縱向極端細(xì)節(jié)信息;最終得到表征織物紋理的特征向量[Bd E1E2E3E4]。
2.根據(jù)權(quán)利要求1所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向 量提取方法,其特征在于,所述的織物為機織物。
3.根據(jù)權(quán)利要求1所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向 量提取方法,其特征在于,所述的織物紋理圖像的橫向與緯紗方向一致,而織物紋理圖像的 縱向與經(jīng)紗方向一致。
4.根據(jù)權(quán)利要求1所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向 量提取方法,其特征在于,所述的分形維數(shù)是指盒維數(shù)。
5.根據(jù)權(quán)利要求4所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向 量提取方法,其特征在于,所述的盒維數(shù)估算時所用的δ尺寸序列為2 6像素。
6.根據(jù)權(quán)利要求1所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向 量提取方法,其特征在于,所述的固定步長指1 3個像素。
7.根據(jù)權(quán)利要求1所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向 量提取方法,其特征在于,所述的矩形子窗口 W1每次的水平滑移固定步長與W2每次的垂直 滑移固定步長不必相同。
8.根據(jù)權(quán)利要求1所述的一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向 量提取方法,其特征在于,所述的基本循環(huán)周期P1和P2的計算借助一維快速傅里葉變換實 現(xiàn)。
全文摘要
本發(fā)明屬于數(shù)字圖像處理和模式識別領(lǐng)域,特別涉及一種用于表征織物紋理的分形概貌與分形細(xì)節(jié)混合特征向量提取方法。首先對原織物圖像進(jìn)行縱向和橫向投影,然后計算上述投影聯(lián)合序列的分形維作為概貌特征;同時依據(jù)遍歷法原理計算原圖像中每一個包含一個橫向基本循環(huán)周期或縱向基本循環(huán)周期的子窗口的分形維數(shù),最后從中選取兩個反映橫向細(xì)節(jié)信息的分形維數(shù)極值和兩個反映縱向細(xì)節(jié)信息的分形維數(shù)極值作為表征織物紋理的細(xì)節(jié)特征;將上述一個分形概貌特征與四個分形細(xì)節(jié)特征組成混合特征向量。這種混合特征向量各特征間具有高度的互補性,兼顧紋理的概貌信息和細(xì)節(jié)信息,也兼顧紋理的橫向信息和縱向信息,能夠全面和細(xì)致地刻畫織物紋理特點。
文檔編號G06K9/62GK101996323SQ20101053691
公開日2011年3月30日 申請日期2010年11月9日 優(yōu)先權(quán)日2010年11月9日
發(fā)明者周建, 步紅剛, 汪軍, 黃秀寶 申請人:東華大學(xué)