CN104281849B

CN104281849B - 一种布料图像颜色特征提取方法

Info

Publication number: CN104281849B
Application number: CN201310277274.0A
Authority: CN
Inventors: 蔡征兵; 邱桃荣; 林美波; 黄海泉; 刘萍; 蔡志芳
Original assignee: GUANGZHOU GAITE SOFTWARE Co Ltd
Current assignee: GUANGZHOU GAITE SOFTWARE Co Ltd
Priority date: 2013-07-03
Filing date: 2013-07-03
Publication date: 2017-09-19
Anticipated expiration: 2033-07-03
Also published as: CN104281849A

Abstract

本发明涉及一种布料图像颜色特征提取方法。该方法在进行图像颜色量化等级划分时提出了基于主色聚类方法的改进颜色空间量化方法，可以对图像中各个像素的颜色进行更好的灰度量化工作。同时，采用了主色权重直方图的方法提取图像的主色直方图以及各个主色的颜色占比信息，从而提高布料图像检索的准确性，高效地检索出满足用户的布料图像。

Description

一种布料图像颜色特征提取方法

技术领域

本发明涉及图像处理技术，具体涉及布料图像颜色特征提取方法。

背景技术

箱包企业需要经常性和大批量进行原材料的采购，而众多的布料供应商店经常需要从大量的布料色卡中寻找满足客户需要的各类布料。采用人工方式来比对需要采购的布料色卡存在费时、劳动强度大和容易出差错等问题，容易造成企业实际需要的原材料与购进的原材料不吻合，而不能正常进行生产，严重地影响企业的生产效率和经济效益。同时，也给布料供应商店带来很多不便。因此，企业采购人员和布料供应商店迫切需要一套方便和有效检索布料色卡图像的计算机应用***。

近年来，随着计算机科学技术的发展，特别是多媒体技术的发展以及数码相机、扫描仪、摄像机等图像采集设备的普及，全世界数字图像的存储量更是呈级数增长的态势。这些图像信息在采集之后被广泛应用于工业、商业以及农业的各个领域。毫无疑问，数字图像所含有的信息量远远大于原有的文字所包含的信息，人们越来越倾向于用多媒体的形式来进行传输与沟通。也正是因为数字图像存储容量的井喷以及其所包含信息量的巨大，使得如何在海量图像信息中快速，准确，无冗余的找到所需要的信息成为了热点和难点。全世界越来越多的研究人员已经参与到这项研究工作中。

CBIR（Content-based Image Retrieval）技术首先提取图像本身颜色、纹理、形状等视觉特征信息，通过量化将这些特征信息保存到数据库中。然后建立相似度计算规则对待检索图像与库中图像进行相似度计算返回满足条件的图像序列。CBIR从图像本身存在的特征出发，减少甚至消除了人工的干预。CBIR查询者能够更加快速、准确得找到所需要的图像，也让图像管理人员能够摆脱繁琐而又重复性的工作，同时使得图像识别的工作更加自动化，更加智能化。

颜色特征提取是基于内容的图像检索***（CBIR）中非常重要的一项工作，只有对图像的抽象视觉特征提取为计算机所能够表达的特征之后才方便采用相似度度量技术对图像的相似度进行计算。常用的图像视觉特征包括颜色特征、纹理特征、形状特征等。由于布料图像的颜色与纹理特征较为明显，而形状特征只是许多纹理特征相互结合而形成的。图像的颜色特征的计算方法较为简单，而且对于图像的全局颜色特征而言，不会随着图像的旋转缩放平移等变化而发生变化，所以具有较好的稳定性、鲁棒性。纹理特征是所有图像都拥有的一种视觉特征，纹理特征可以体现出图像中的像素分布关系、像素的统计特征等，所以是非常重要的图像视觉特征。常用的图像颜色特征提取方法有基于颜色直方图、颜色矩、颜色相关图、颜色集、颜色聚合向量等方法；颜色相关图与颜色聚合向量方法的计算量大，算法时间复杂度较高，所以在实际应用中较少使用；颜色矩与颜色集通常需要结合其他颜色描述方法来对图像进行特征提取，单独的颜色矩与颜色集的识别效果并不理想。Hafner J.Efficient在Pattern Analysis and Machine Intelligence在1995年第17卷，第7期729-736页上发表的文章“Color Histogram Indexing for Quadratic FormDistance Functions”中介绍了传统的颜色直方图，它往往需要记录图像中所有出现的颜色信息的统计直方图，使得工作量较大。而实际情况是，人造纹理中的主要颜色并不很多，最多不超过十几个，所以只需要记录颜色所占分量排在前几位的图像颜色即可。

灰度共生矩阵是一种最常用的图像纹理特征描述方法之一，Haralick R M,Shanmugam K,Dinstein等1973年在IEEE Transactions on Systems,Man,and Cybemetics的第三卷第6期上发表了”Textural Features for Image Classification”，该文对于图像的纹理特征描述具有较好的效果，但是其算法复杂度会随着颜色灰度级数的增加而成级数增长，所以需要结合较好的灰度等级量化方法来进行矩阵生成。另外一种纹理描述方法是K.Laws在其论文“Textured Image Segmentation”中提出的基于能量的纹理特征描述方法。图像纹理能量特征对于人造纹理的识别能力较强，但是对于尺寸较大的图像而言其计算时间较长。

所以单独使用以上介绍的一种或者两种方法简单对图像特征进行提取是无法有效满足实际图像检索的需求，需要对待匹配图像进行分析，根据得到的分析结果结合不同的视觉特征进行图像的分类识别工作。这样才能得到最好的特征利用效率，实现最佳的检索效果。

发明内容

本发明的目的在于提出一种布料图像颜色特征提取方法，其能解决无法有效满足实际图像检索的需求的问题。

为了达到上述目的，本发明所采用的技术方案如下：

一种布料图像颜色特征提取方法，其包括以下步骤：

A、采用图像均衡化的方法对布料图像I进行增强预处理，同时采用总体变分法对布料图像I进行复原预处理，得到预处理后的布料图像I'；

B、提取布料图像I'所有像素点的位置信息以及RGB颜色分量信息；

C、对获得的每个像素点的RGB颜色分量通过公式（1）-（4）转化为HSV颜色空间分量，得到H分量、S分量和V分量的值：

公式（1）；

公式（2）；

公式（3）；

公式（4）；

其中，v'=max(R,G,B)，R,G,B∈{0,1,2,...,255}，H∈[0°，360°],S∈[0,1],V∈[0,1]；

D、对H分量、S分量和V分量进行非均匀量化：对布料图像I'中的任意一个点P_ij，i=1,2,...,M,j=1,2,...,N，M是布料图像I'的宽度，N是布料图像I'的长度，对于P_ij分别对应一个H_c,S_c,V_c，其中，H_c={316,21,41,76,156,191,271,296}、S_c={0,0.2,0.7}、V_c={0,0.2,0.7}，计算：

则可得到点p_ij的颜色值为：

E、得到布料图像I'非均匀量化之后的72维量化等级的颜色直方图H_I,H_I表示如公式（5）所示：

公式（5）

其中，c_k,k=1,2,...,n表示经步骤D对布料图像I'量化之后得到的图像的第k个颜色分量，这里n=72，表示有72个颜色量化等级；表示第c_k个颜色量化等级所占的颜色比例；

F、建立颜色量化等级与每个颜色量化等级所占的颜色比例的键值对PC，如公式（6）所示：

式（6）；

G、对公式（6）中的各种颜色分量c_k按照它们各自所占的百分比的值从大到小排序；设定阈值T，当时，选定颜色c_k为布料图像I'的主颜色；当时，去除对应的颜色分量，得到排序并通过阈值T筛选之后的颜色量化等级与所占比例的键值对，如公式（7）所示：

公式（7）

本发明具有如下有益效果：

进行图像颜色量化等级划分时提出了基于主色聚类方法的改进颜色空间量化方法，该方法可以对图像中各个像素的颜色进行更好的灰度量化工作。同时，采用了主色权重直方图的方法提取图像的主色直方图以及各个主色的颜色占比信息。提高布料图像检索的准确性，高效地检索出满足用户的布料图像。

具体实施方式

下面，对本发明做进一步描述。

本实施例的具体实施在以下条件下进行：

A.测试数据集：SCC-125数据集（具有简单颜色特征的真实布料图像数据集合），数据记录总数为125×4=500个；CCC-125数据集（具有复杂颜色特征的真实布料图像数据集合），记录总数为125×4=500个。

B.数据预处理：数据没有进行归一化、不考虑各个特征之间的权重因素。

C.相似度计算公式：采用二次方距离计算相似度。

D.阈值：该测试不考虑阈值信息，主要目的是为了检测与比较本发明所提出的颜色特征表示方法，即基于主色权重直方图的颜色表示方法（记为：MCWH）与其他三个经典的基于直方图的颜色特征提取方法在体现图像检索效果的一些指标数据。

E.评价标准：由于该测试是在不考虑阈值的前提下进行，所以选用平均排序值R_a、排序紧密度R_q、排序稳定性S_o以及平均查询时间T_a做为评价标准。

本实施例的具体测试实施步骤如下：

（1）采用Laughlin.S.B在1981年发表的论文“A simple coding procedureenhances a neuron’s information capacity”中提出的图像直方图均衡化的方法对布料图像I进行增强预处理操作，采用Rudin L I,Osher S以及Fatemi E在1992发表的文章“Nolinear total variation based noise removal algorithms”中所提出的总体变分法对布料图像I进行复原预处理操作得到预处理后的布料图像I'。

（2）对预处理得到的布料图像I'提取其所有像素点的位置信息以及RGB颜色分量信息。对获得的每个像素点的RGB颜色分量通过下列公式（1）-（4）转化为HSV颜色空间分量。

公式（1）；

公式（2）；

公式（3）；

公式（4）；

（3）基于主色聚类方法的改进颜色空间量化方法。基于主色聚类方法步骤如下：

A.选取三个分量的轴心点集合：选取HSV空间中H分量、S分量与V分量各自的轴心点，构成H分量轴心点集合H_c={H_c1,H_c2,...,H_c8}、S分量轴心点集合S_c={S_c1,S_c2,S_c3}、V分量轴心点集合V_c={V_c1,V_c2,V_c3}。这三个分量的轴心点集合就是在下一步进行颜色量化时的核心颜色。由于轴心点颜色值是进行颜色分类非常关键的步骤，所以轴心点颜色值的选取非常重要。这里我们选取的三个分量的核心点集合为H_c={316,21,41,76,156,191,271,296}、S_c={0,0.2,0.7}、V_c={0,0.2,0.7}。

B.基于核心聚类获取图像像素点的颜色量化值：对布料图像I'中的任意一个点P_ij，i=1,2,...,M,j=1,2,...,N，M与N分别是布料图像I'的宽度与长度。对于P_ij分别对应一个H_c,S_c,V_c，计算：

则可得到点p_ij的颜色值为：

通过以上方法对HSV三个分量进行非均匀量化，计算出布料图像I'中每个像素点的颜色信息，它是这72种颜色之一。共得到72种颜色，这72种颜色分别用0-71来表示。

（4）根据（3）中的改进量化度量方法得到图像的量化灰度等级，然后采用本实施例所提出的基于主色权重直方图的方法对图像颜色特征进行描述，步骤如下：

A.经过（3）中对图像HSV颜色空间的量化操作之后，得到布料图像I'量化之后的72维量化等级的颜色直方图H_I,H_I表示如公式（5）所示：

公式（5）

其中c_k,k=1,2,...,n表示经第（3）步骤对图像量化之后得到的布料图像I'的第k个颜色分量，这里n=72，表示有72个颜色量化等级。表示第c_k个颜色量化等级所占的颜色比例；

B.建立颜色量化等级与每个颜色量化等级所占的颜色比例的键值对，如公式（6）所示：

公式（6）

公式（6）中，c_k,分别表示第k个颜色分量的颜色量化级和该颜色分量的占比。具体的，0≤n≤71，c_k表示0-71的72种颜色，表示0-71的72种颜色的分量占比。

C.对公式（6）中的各种颜色分量c_k按照它们各自所占的百分比的值从大到小排序。设定阈值T，当时，选定颜色c_k为该布料图像I'的主颜色。当时，去除该颜色分量。得到排序并通过阈值T筛选之后的颜色量化等级与所占比例的键值对，排序后的主色权重直方图描述如公式（7）所示：

式（7）

其中，0≤n'≤71，c_k表示0-71的72种颜色，表示0-71的72种颜色的分量占比。排序后的主色权重直方图中第一种颜色的分量占比最大，随后的颜色分量占比依次降低。

主色权重直方图方法与传统直方图方法（CCH）、累积颜色直方图（ACH）方法以及颜色体积直方图（CVH）相比较得到以下表1的测试结果：

表1主色权重直方图方法与三种传统直方图方法测试比较结果

通过以上实验结果，分析可以得到以下实验分析结果：

A.传统的颜色直方图比累积颜色直方图与颜色体积直方图具有更好的平均排序值和排序紧密度。

B.基于主色权重直方图的方法由于采用有选择性的对特征分量进行距离计算，所以平均检索时间更短。

C.基于主色权重直方图的方法在排序平均值与排序稳定性上都相比其他三种方法要好。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。

Claims

1.一种布料图像颜色特征提取方法，其特征在于，包括以下步骤：

C、对获得的每个像素点的RGB颜色分量通过公式(1)-(4)转化为HSV颜色空间分量，得到H分量、S分量和V分量的值：

其中，v'＝max(R,G,B)，R,G,B∈{0,1,2,...,255}，

H∈[0°，360°],S∈[0,1],V∈[0,1]；

D、对H分量、S分量和V分量进行非均匀量化：对布料图像I'中的任意一个点P_ij，i＝1,2,...,M,j＝1,2,...,N，M是布料图像I'的宽度，N是布料图像I'的长度，对于P_ij分别对应一个H_c,S_c,V_c，其中，H_c＝{316,21,41,76,156,191,271,296}、S_c＝{0,0.2,0.7}、V_c＝{0,0.2,0.7}，计算：

<mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>H</mi> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>,</mo> <msub> <mi>H</mi> <msub> <mi>c</mi> <mi>k</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>{</mo> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>H</mi> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>,</mo> <msub> <mi>H</mi> <msub> <mi>c</mi> <mi>k</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>&ForAll;</mo> <mi>i</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>M</mi> <mo>}</mo> <mo>,</mo> <mo>&ForAll;</mo> <mi>j</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>N</mi> <mo>}</mo> <mo>,</mo> <mo>&ForAll;</mo> <mi>k</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mn>8</mn> <mo>}</mo> <mo>}</mo> </mrow>

<mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>,</mo> <msub> <mi>S</mi> <msub> <mi>c</mi> <mi>k</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>{</mo> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>,</mo> <msub> <mi>S</mi> <msub> <mi>c</mi> <mi>k</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>&ForAll;</mo> <mi>i</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>M</mi> <mo>}</mo> <mo>,</mo> <mo>&ForAll;</mo> <mi>j</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mi>N</mi> <mo>}</mo> <mo>,</mo> <mo>&ForAll;</mo> <mi>k</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>}</mo> <mo>}</mo> </mrow>

<mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>V</mi> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>,</mo> <msub> <mi>V</mi> <msub> <mi>c</mi> <mi>k</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>{</mo> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>V</mi> <msub> <mi>c</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>,</mo> <msub> <mi>V</mi> <msub> <mi>c</mi> <mi>k</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>&ForAll;</mo> <mi>i</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>M</mi> <mo>}</mo> <mo>,</mo> <mo>&ForAll;</mo> <mi>j</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>N</mi> <mo>}</mo> <mo>,</mo> <mo>&ForAll;</mo> <mi>k</mi> <mo>&Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>}</mo> <mo>}</mo> </mrow>

则可得到点p_ij的颜色值为：其中H_c为H分量轴心点集合，S_c为S分量轴心点集合，V_c为V分量轴心点集合；H_ck为集合H_c中的元素，S_ck为集合S_c中的元素，V_ck为集合V_c中的元素；d为步距；

E、得到布料图像I'非均匀量化之后的72维量化等级的颜色直方图H_I,H_I表示如公式(5)所示：

其中，c_k,k＝0,1,2,...,n表示经步骤D对布料图像I'量化之后得到的图像的第k个颜色分量，这里n＝72，表示有72个颜色量化等级；表示第c_k个颜色量化等级所占的颜色比例；

F、建立颜色量化等级与每个颜色量化等级所占的颜色比例的键值对PC，如公式(6)所示：

G、对公式(6)中的各种颜色分量c_k按照它们各自所占的百分比的值从大到小排序；设定阈值T，当时，选定颜色c_k为布料图像I'的主颜色；当时，去除对应的颜色分量，得到排序并通过阈值T筛选之后的颜色量化等级与所占比例的键值对，如公式(7)所示：