CN101447077A - 面向纺织行业的彩色纺织纹理图像的边缘检测方法 - Google Patents

Abstract

本发明公开了一种面向纺织行业的彩色纺织纹理图像的边缘检测方法。根据人眼视觉***观察图像色彩是受周围邻近像素点色彩的影响，在一个以像素点为中心的滑动窗口内计算窗口上半部和下半部，以及左半部和右半部之间的色彩差异，作为像素点水平和垂直方向的偏导数，像素点三个色彩分量水平和垂直方向的偏导数构成的一个3×2矩阵D，计算矩阵D^TD的最大特征值和相应的特征矢量，将它们分别作为像素点的梯度大小和梯度方向；根据像素点梯度大小和方向，计算和细化图像的边缘图。该方法能对抗彩色纺织图像中纹理噪声的干扰，提高图像中艺术图案边缘检测的精确度，为进一步图案编辑和设计提供基本的边缘信息，达到面向纺织行业的自动描图功能。

Description

面向纺织行业的彩色纺织纹理图像的边缘检测方法

技术领域

本发明涉及一种面向纺织行业的彩色纺织纹理图像的边缘检测方法。

背景技术

提取纺织印染布料中艺术图案的边缘是纺织印染行业中图案编辑与设计必不可少的前期步骤，但是由于纺织印染行业中采用色彩半色调技术来减少生产成本，造成通过扫描纺织布料样本得到的数字图像中存在均匀分布的纹理噪声。传统的图像边缘检测方法，如Sobel算子、Canny算子、LoG(Laplacian of Gaussian)算子和Susan算子等，在计算图像梯度时，只考虑相邻水平或垂直两个像素点之间的差异，而纹理噪声的干扰会使色彩均匀的区域中两个相邻像素点之间出现色彩差异，因此会检测出很多伪边缘，和图像中真正的边缘混淆在一起，使得通过计算机自动提取布料中艺术图案的边缘变得十分困难。而且这些传统算子只能作用于灰度图像，针对彩色纺织纹理图像，这些传统边缘检测算子作用于输入图像的亮度分量上，丢失了图像中色彩分量之间的相关性。

发明内容

本发明首先所要解决的技术问题在于提供一种面向纺织行业的彩色纺织纹理图像的边缘检测方法，提高纺织纹理图像边缘检测的精度。为此，本发明采用以下技术方案：它包括以下步骤：

(1)扫描一彩色纺织样布，获得彩色纺织样布的数字图像，确定一个对中心点各向同性的滑动窗口，所述窗口的宽度为所述数字图像像素点间距的整数倍；

(2)计算以所述数字图像像素点为中心点的所述窗口的上半部和下半部之间的色彩差异，以及所述窗口的左半部和右半部之间的色彩差异：

$d_y^c=\frac{1}{w(2w+1)}\underset{i=y+1}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)-\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y-1}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)---\left(1\right)$

$d_x^c=\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x+1}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)-\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x-1}{\mathrm{\Σ}}}{I}^c(i,j)$

                                                              (2)

其中i和j表示像素点的空间坐标，I^c(i，j)表示以(y，x)像素点为中心的滑动窗口内位于(i，j)的色彩分量值，上标c表示R、G、B三个色彩分量，w表示所述滑动窗口的半径，窗口的边长或直径为2w+1，为像素点间距的奇数倍，

分别表示三个色彩分量在像素点(y，x)垂直方向的色彩差异，

分别表示三个色彩分量在像素点(y，x)水平方向的色彩差异，构成一个3×2矩阵D，

$D=\left[\begin{array}{cc}{d}_y^R& d_x^R\\ d_y^G& d_x^G\\ d_y^B& d_x^B\end{array}\right]---\left(3\right)$

计算矩阵D^TD的最大特征值和相应的特征矢量，将它们分别作为像素点(y，x)的梯度幅度和梯度方向，T为矩阵转置；

(3)重复步骤(2)，计算数字图像中所有像素点或计算选取的数字图像像素点的梯度幅度和梯度方向；

(4)计算像素点梯度幅度的平均值，设定所述平均值或与平均值对应的数值为第一阈值，如果像素点的梯度幅度大于等于第一阈值，则判定该像素点作为候选边缘点，由此得到初始的图像边缘图；

(5)去除孤立的候选边缘点；

(6)确定余下的候选边缘点色彩差异的方向；

(7)去除色彩差异方向孤立的候选边缘点；

(8)确定第二邻域窗口及第二阈值，针对每个余下的候选边缘点，在第二邻域窗口内，计算落于第二邻域窗口上半部和下半部的候选边缘点个数的差异，以及落于第二邻域窗口左半部和右半部候选边缘点个数的差异，如果这两个差异的绝对值同时小于第二阈值，则确认该候选边缘点为最终的边缘点。

由于采用本发明的上述技术方案，能消除由于纺织行业半色调技术引起的纹理噪声干扰，提高纺织纹理图像的边缘检测精度，为纺织行业自动描图提供技术支持。

上述技术方案的步骤(1)至步骤(4)同时也提供了一种用于彩色纺织纹理图像边缘检测的初始图像边缘检测方法。它利用人眼视觉***的一些特点，如人眼视觉***是一个低通滤波器，并且人眼视觉***在观察图像色彩时并不依赖于单个像素点的色彩，而是受像素点周围邻近像素点色彩分布的影响等特点，利用邻域像素点色彩分布，能有效地消除纹理噪声的干扰，提高了梯度计算的精度，为提高纺织纹理图像的边缘检测精度，建立良好的基础。

附图说明

图1是本发明的流程图。

图2-a是一幅彩色纺织纹理图像；

图2-b是对图2-a采用Sobel算子检测的边缘图；

图2-c是对图2-a采用Canny算子检测的边缘图；

图2-d是对图2-a采用Susan算子检测的边缘图；

图2-e是对图2-a采用LoG算子检测的边缘图；

图2-f是对图2-a采用本发明方法检测的边缘图；

图3-a是另一幅彩色纺织纹理图像；

图3-b是对图3-a采用Sobel算子检测的边缘图；

图3-c是对图3-a采用Canny算子检测的边缘图；

图3-d是对图3-a采用Susan算子检测的边缘图；

图3-e是对图3-a采用LoG算子检测的边缘图；

图3-f是对图3-a采用本发明方法检测的边缘图；

具体实施方式

实施例1，参照附图1，采用以下步骤对图2-a进行边缘检测：

(1)扫描如图2-a所示的彩色纺织印染样布，获得彩色纺织纹理数字图像；

(2)这里滑动邻域窗口为正方形，根据用户设定的窗口半径w，一般取值为2，对图像作相应的上下左右对称扩展，输入图像的宽度和高度分别为Width和Height，那么扩展后图像的宽度和高度变为Width+2w和Height+2w，可以先对图像行进行对称扩展，然后再对列进行对称扩展，即

$I_{\mathrm{row}-\mathrm{ext}}^c(i,j)=\left\{\begin{array}{c}{I}^c(i,w+2-j);1\≤i\≤\mathrm{Height},1\≤j\≤w\\ I^c(i,j-w);1\≤i\≤\mathrm{Height},w+1\≤j\≤w+\mathrm{Width}\\ I^c(i,3\mathrm{Width}+w-j);1\≤i\≤\mathrm{Height},w+\mathrm{Width}+1\≤j\≤2w+\mathrm{Width}\end{array}\right.$

                                               (1)

$I_{\mathrm{ext}}^c(i,j)=\left\{\begin{array}{c}{I}_{\mathrm{row}-\mathrm{ext}}^c(w+2-i,j);1\≤i\≤w,1\≤j\≤2w+\mathrm{Width}\\ I_{\mathrm{row}-\mathrm{ext}}^c(i-w,j);w+1\≤i\≤w+\mathrm{Height},1\≤j\≤2w+\mathrm{Width}\\ I_{\mathrm{row}-\mathrm{ext}}^c(2\mathrm{Height}+w-i,j);w+1+\mathrm{Height}\≤i\≤2w+\mathrm{Height},1\≤j\≤2w+\mathrm{Width}\end{array}\right.$

                                                        (2)

这里I^c是表示图像的某一色彩分量，在RGB色彩空间中分别表示红色，绿色或蓝色分量，

是对色彩分量I^c行方向的对称扩展，而

是在

基础上对列方向进行对称扩展后图像。

或者也可以先对图像列进行对称扩展，然后再对行进行对称扩展，即

$I_{\mathrm{col}-\mathrm{ext}}^c(i,j)=\left\{\begin{array}{c}{I}^c(w+2-i,j);1\≤i\≤w,1\≤j\≤\mathrm{Width}\\ I^c(i-w,j);w+1\≤i\≤w+\mathrm{Height},1\≤j\≤\mathrm{Width}\\ I^c(2\mathrm{Height}+w-i,j);w+\mathrm{Height}+1\≤i\≤2w+\mathrm{Height},1\≤j\≤\mathrm{Width}\end{array}\right.$

                                             (3)

$I_{\mathrm{ext}}^c(i,j)=\left\{\begin{array}{c}{I}_{\mathrm{col}-\mathrm{ext}}^c(i,w+2-j);1\≤i\≤2w+\mathrm{Height},1\≤j\≤w\\ I_{\mathrm{col}-\mathrm{ext}}^c(i,j-w);1\≤i\≤2w+\mathrm{Height},1+w\≤j\≤w+\mathrm{Width}\\ I_{\mathrm{col}-\mathrm{ext}}^c(i,2w+\mathrm{Width}-j);1\≤i\≤2w+\mathrm{Height},w+1+\mathrm{Width}\≤j\≤2w+\mathrm{Width}\end{array}\right.$

                                              (4)

其中

是对色彩分量I^c列方向的对称扩展，而

是在

基础上对行方向进行对称扩展后的图像，两种对称扩展方式得到的扩展图像是一样的。

(3)半径为w正方形滑动窗口在扩展后图像内部作从上到下，从左到右的之字形扫描，即除去滑动窗口半径大小边框的图像内部，扩展图像内部的大小和输入图像的尺寸是一样的。

(4)当滑动窗口停留在像素点(y，x)时，计算滑动窗口上半部和下半部，以及左半部和右半部之间的色彩差异：

$d_y^c=\frac{1}{w(2w+1)}\underset{i=y+1}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)-\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y-1}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)---\left(5\right)$

$d_x^c=\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x+1}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)-\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x-1}{\mathrm{\Σ}}}{I}^c(i,j)---\left(6\right)$

其中i和j表示像素点的空间坐标，I^c(i，j)表示以(y，x)像素点为中心的滑动窗口内位于(i，j)的色彩分量值，上标c表示R、G、B三个色彩分量，也可转换成其它色彩空间分量，w表示所述对中心点各向同性的滑动窗口的半径，窗口的边长或直径为2w+1，将

和

分别作为色彩分量I^c在当前像素点(y，x)上的水平和垂直方向偏导数。

(5)根据像素点三个色彩分量的垂直和水平方向偏导数，构成的一个3×2矩阵D，如下所示：

$D=\left[\begin{array}{cc}{d}_y^R& d_x^R\\ d_y^G& d_x^G\\ d_y^B& d_x^B\end{array}\right]---\left(7\right)$

计算矩阵D^TD的最大特征值和相应的特征矢量，其中标号T为矩阵转置，将它们分别作为像素点的梯度幅度和梯度方向。

(6)当滑动窗口按照之字形路径扫描完整幅数字图像，或所选择的区域，计算图像像素点梯度幅度的平均值，如果像素点的梯度幅度大于这个平均值，则该像素点作为候选的边缘点，得到初始的图像边缘图；

(7)根据初始的图像边缘图，在每个候选边缘点的3×3邻域中检查其邻近像素点为候选边缘点的个数，如果邻近候选边缘点的个数小于3，则去除这些孤立的候选边缘点；

(8)分别计算以每个余下候选边缘点为中心，半径为w的正方形滑动窗口内沿水平，反对角线，垂直和对角线方向的色彩差异，w的一般取值为2，选择色彩差异绝对值最大方向作为该候选边缘点色彩差异的方向；其中沿水平和垂直方向色彩差异的计算方法如公式(5)和(6)所示，而沿对角线方向的色彩差异计算如下：

$d_d^c=\frac{1}{w(2w+1)}\{{\mathrm{patch}}^c(x,y).*{\mathrm{Template}}_d^{\mathrm{up}}-{\mathrm{patch}}^c(x,y).*{\mathrm{Template}}_d^{\mathrm{down}}\}---\left(8\right)$

其中patch^c(x，y)表示色彩分量I^c以位于(y，x)候选边缘点为中心的(2w+1)×(2w+1)大小图像块，.^*表示矩阵点乘后元素再相加，而

和

表示两个大小为(2w+1)×(2w+1)的二值模板：

沿反对角线方向的色彩差异计算如下：

$d_d^c=\frac{1}{w(2w+1)}\{{\mathrm{patch}}^c(x,y).*{\mathrm{Template}}_{\mathrm{ad}}^{\mathrm{up}}-{\mathrm{patch}}^c(x,y).*{\mathrm{Template}}_{\mathrm{ad}}^{\mathrm{down}}\}---\left(11\right)$

其中

和

表示两个大小为(2w+1)×(2w+1)的二值模板：

(9)在余下的每个候选边缘点的(2w+1)×(2w+1)邻域中检查其色彩差异方向和超过半数以上的邻近候选边缘点色彩差异方向是否一致，如果不一致，则去除色差方向孤立的边缘点，这里w取值一般为2；

(10)针对每个余下候选边缘点，在一个(2w+1)×(2w+1)邻域窗口内，这里w取值一般为2，计算落于窗口上半部和下半部的候选边缘点个数的差异，以及落于窗口左半部和右半部候选边缘点个数的差异，如果这两个差异的绝对值同时小于(2w+1)，则确认该候选边缘点为最终的边缘点，具体结果见图2-f。

Sobel算子采用的是下面两个一阶偏导数模板来计算图像的梯度，两个模板和图像的卷积结果分别是图像水平和垂直方向的偏导数，两个方向偏导数的平方和的均方根作为图像的梯度幅度，而垂直方向的偏导数和水平方向的偏导数之比作为梯度方向的Tangent值。对图2-a采用Sobel算子检测的边缘图见图2-b。

$\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right]$      $\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]---\left(14\right)$

Canny算子需要先采用一个高斯低通滤波器对图像进行低通滤波，采用Sobel算子计算水平和垂直方向的偏导数，根据图像的梯度幅度大小，进行局部非极大值的压制，然后采用两个不同的阈值来进一步判断边缘的位置，如果像素点的梯度幅度大于大的阈值，则判定该像素点为边缘点；如果小于小的阈值，则判定该像素点不是边缘点；如果像素点的梯度大小在两个阈值之间，则需要检查该像素点的周围是否存在边缘点，如果有边缘点存在，则认为该像素点为边缘点，反之，则不是边缘点。对图2-a采用Canny算子检测的边缘图见图2-c。

Susan算子则是计算周围邻近像素点灰度和中心像素点灰度之间的差异，并以exp(-x)来衡量周围邻近像素点和中心像素点的相似个数，其中x就是计算出来的灰度差异，也就是灰度差异越大，相似度越小。如果相似的邻近像素点个数小于一个阈值，则认为该像素点为边缘点。对图2-a采用Susan算子检测的边缘图见图2-d。

LoG算子则是采用二阶导数模板来确定边缘，不过预先也需要采用一个高斯低通滤波器对图像进行低通滤波。对图2-a采用LoG算子检测的边缘图见图2-e。

这些传统的边缘检测方法只考虑单个像素之间的差异，所以不能很好去除纺织印染图像中纹理噪声的干扰，结合图2-b、图2-c、图2-d、图2-e、图2-f，显然应用本发明进行检测的结果明显优于传统的边缘检测方法的结果。

实施例2

采用与实施例1相同的步骤对附图3-a进行检测，所检测得到的图像边缘图见附图3-f，结合图3-b、图3-c、图3-d、图3-e，再次验证：应用本发明进行检测的结果明显由于传统的边缘检测方法的结果。

Claims (5)

1.一种面向纺织行业的彩色纺织纹理图像的边缘检测方法，其特征在于它包括以下步骤：

(1)扫描一彩色纺织样布，获得彩色纺织样布的数字图像，确定一个对中心点各向同性的滑动窗口，所述窗口的宽度为所述数字图像像素点间距的整数倍；

(2)计算以所述数字图像像素点为中心点的所述窗口的上半部和下半部之间的色彩差异，以及所述窗口的左半部和右半部之间的色彩差异：

$d_y^c=\frac{1}{w(2w+1)}\underset{i=y+1}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)-\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y-1}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)---\left(1\right)$

$d_x^c=\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x+1}{\overset{x+w}{\mathrm{\Σ}}}{I}^c(i,j)-\frac{1}{w(2w+1)}\underset{i=y-w}{\overset{y+w}{\mathrm{\Σ}}}\underset{j=x-w}{\overset{x-1}{\mathrm{\Σ}}}{I}^c(i,j)---\left(2\right)$

其中i和j表示像素点的空间坐标，I^c(i，j)表示以(y，x)像素点为中心的滑动窗口内位于(i，j)的色彩分量值，上标c表示R、G、B三个色彩分量，w表示所述滑动窗口的半径，窗口的边长或直径为2w+1，为像素点间距的奇数倍，

分别表示三个色彩分量在像素点(y，x)垂直方向的色彩差异，

分别表示三个色彩分量在像素点(y，x)水平方向的色彩差异，构成一个3×2矩阵D，

$D=\left[\begin{array}{cc}{d}_y^R& d_x^R\\ d_y^G& d_x^G\\ d_y^B& d_x^B\end{array}\right]---\left(3\right)$

计算矩阵D^TD的最大特征值和相应的特征矢量，将它们分别作为像素点(y，x)的梯度幅度和梯度方向，T为矩阵转置；

(3)重复步骤(2)，按顺序计算数字图像中所有像素点或计算选取的数字图像像素点的梯度幅度和梯度方向；

(4)计算像素点梯度幅度的平均值，设定所述平均值或与平均值对应的数值为第一阈值，如果像素点的梯度幅度大于等于第一阈值，则判定该像素点作为候选边缘点，由此得到初始的图像边缘图；

(5)去除孤立的候选边缘点；

(6)确定余下的候选边缘点色彩差异的方向；

(7)去除色彩差异方向孤立的候选边缘点；

(8)确定第二邻域窗口及第二阈值，针对每个余下的候选边缘点，在第二邻域窗口内，计算落于第二邻域窗口上半部和下半部的候选边缘点个数的差异，以及落于第二邻域窗口左半部和右半部候选边缘点个数的差异，如果这两个差异的绝对值同时小于第二阈值，则确认该候选边缘点为最终的边缘点。

2.根据权利要求1所述的一种面向纺织行业的彩色纺织纹理图像的边缘检测方法，其特征在于所述对中心点各向同性的窗口为正方形或圆形。

3.根据权利要求1所述的一种面向纺织行业的彩色纺织纹理图像的边缘检测方法，其特征在于：所述步骤(5)采用以下步骤：确定第三邻域窗口及第三阈值，在每个候选边缘点的第三邻域窗口中检查其邻近像素点为候选边缘点的个数，如果邻近候选边缘点的个数小于第三阈值，则去除这些孤立的候选边缘点。

4.根据权利要求1所述的一种面向纺织行业的彩色纺织纹理图像的边缘检测方法，其特征在于：所述步骤(6)采用以下步骤：确定第四邻域窗口，分别计算在以每个余下的候选边缘点为中心的第四邻域窗口内沿水平，反对角线，垂直和对角线方向的色彩差异，选择色彩差异绝对值最大的方向作为该候选边缘点色彩差异的方向。

5.根据权利要求1所述的一种面向纺织行业的彩色纺织纹理图像的边缘检测方法，其特征在于：所述步骤(7)采用以下步骤：确定第五邻域窗口，在每个余下的候选边缘点的第五邻域窗口中检查其色彩差异方向和多数邻近候选边缘点的色彩差异方向是否一致，如果不一致，则去除该色彩差异方向孤立的候选边缘点。

Images