CN104462413A - 一种大理石花色分辨方法 - Google Patents

Abstract

本发明名称为：一种大理石花色分辨的方法。该方案涉及图像检索技术，具体涉及到图像处理、计算机仿真、数据库技术、计算机应用、模式识别等技术领域。分辨工作主要从三个角度完成，包括颜色特征、形状特征、纹理特征的识别。颜色特征，主要从大理石的颜色角度完成对大理石花色的分辨。颜色特征的处理主要包括：色彩空间转换，量化空间处理、颜色矩处理、欧氏距离相似度处理等实现步骤。颜色特征用来从颜色的角度对大理石进行分辨。形状特征主要包括二值化和不变矩提取，用于从形状角度进行分辨。纹理特征采用灰度化梯度来衡量，具体的特征提取步骤包括：归一化、统计数据两个步骤，用来实现从纹理角度进行分辨。

Description

一种大理石花色分辨方法

技术领域

该技术涉及图像检索技术，具体涉及到图像处理、计算机仿真、数据库技术、计算机应用、模式识别等技术领域。

背景技术

天然大理石的花色样式繁多、色彩斑斓，为人们的现实生活广泛使用。在一些大型的工程中，例如广场、公园、社区内也需要使用大量的大理石进行装饰。目前，针对大理石的花色进行甄别分类主要依靠经验丰富的老工人来完成。根据他们长期在生产第一线积累的丰富经验，对大理石的花色进行分类，然后提供给不同的采购商。由于，采购商在采购过程中很难一次采购完成，这样针对同一个工程前后两次所采购大理石颜色一致的要求就显得尤为重要。在实际的商业活动中，可能会造成由于在同一个工程中前后两次所采购的大理石花色不一致而导致的商业纠纷。

发明内容

本发明实现了一种大理石花色分辨的方法。大理石的花色分辨主要从三个角度完成，包括颜色特征、形状特征、纹理特征的识别。颜色特征，主要从大理石的颜色角度完成对大理石花色的分辨。颜色特征的处理主要包括：色彩空间转换，量化空间处理、颜色矩处理、欧氏距离相似度处理等实现步骤。为了提高色彩的辨识度，将色彩空间从传统的RGB色彩空间转换到HSV空间进行处理，然后对其进行量化以减少运算量，在量化的基础上提取其一、二、三阶矩以完成特征提取。在进行分类时，按照欧式距离将待分类大理石与既有分类进行比较从而确定类范围。形状特征主要包括二值化和不变矩提取。二值化采用迭代式阈值选择方法进行阈值分割处理，在此基础上，提取出图像的不变矩作为图像特征用于类别划分。纹理特征采用灰度化梯度来衡量，具体的特征提取步骤包括：归一化、统计数据两个步骤。归一化过程中，首先对原始图像进行归一化处理，在此基础上生成灰度-梯度共生矩阵，并对其进一步进行归一化。完成归一化后，提取其统计数据特征作为分类依据。

具体实施方式

具体实施过程包括大理石的颜色特征、形状特征、纹理特征的划分，在上述划分的基础上完成对大理石的花色划分达到分类的目的。

1.颜色特征处理

颜色特征完成大理石的颜色初筛工作，具体步骤主要包含如下：

1.1色彩空间转换

为了提高识别的可靠性，将色彩空间从RGB转换到HSV，具体如下：

V＝max(R,G,B)

$S=\frac{V-\min (R,G,B)}{B}$

设置，

$\mathrm{rn}=\frac{V-R}{V-\min (R,G,B)}$

$\mathrm{gn}=\frac{V-G}{V-\min (R,G,B)}$

$\mathrm{gn}=\frac{V-B}{V-\min (R,G,B)}$

求得，

H＝60*Hn

从上述运算可以得到：

H∈[0,360°]

S∈[0,1]

V∈[0,1]

1.2量化区间处理

将H、S、V进行区间的量化处理，选取一个值N，将H、S、V均量化为N个区间。为了保持更好的区分效果，可以对N进行调整。

式中，mod()是取模处理，floor()是向下取整。

1.3颜色矩处理

该方式主要用来对图像进行颜色的粗分类，为形状特征和纹理特征分类做好基础。进行色彩空间转换后，具有H、S、V三个属性，每个属性均采用三个低阶矩(一阶矩、二阶矩、三阶矩)来进行表示，因此，共有9个特征值来表示图像的颜色特征。颜色的一、二、三阶矩分别表示为：

${\mathrm{\μ}}_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}$

${\mathrm{\δ}}_i={\left[\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^2\right]}^{\frac{1}{2}}$

$s_i={\left[\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^3\right]}^{\frac{1}{3}}$

在上述基础上，根据得到的特征值对大理石完成初步分类。在具有一定分类的基础上可以对新采集的大理石应用欧氏距离进行归类处理。

1.4应用欧氏距离进行相似度判断

欧氏距离是闵式距离的一种特例情况，闵式距离(Minkowski Distance)为，

$D(A,B)={\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{|a_i-b_i|}^p\right]}^{\frac{1}{p}}$

当p＝2时，即为欧氏距离，

$D(A,B)={\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{|a_i-b_i|}^2\right]}^{\frac{1}{2}}$

2.形状特征

形状特征的提取主要涉及二值化和不变矩提取两个步骤。具体为：

2.1二值化

这里采用迭代式阈值选择方法进行阈值分割，具体为：

(1)设定一个初始值T。

(2)利用T将图像划分为区域A和B。

(3)分别计算区域A和B内的平均值Av和Bv。

(4)计算Av和Bv的平均值，

$T=\frac{\mathrm{Av}+\mathrm{Bv}}{2}$

(5)重复步骤(2)到步骤(4)，直至得到的T值小于初始值为止。

(6)利用T完成分割。

2.2不变矩提取

在数字图像f(x,y)中，p+q阶矩定义为，

$m_{\mathrm{pq}}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{x}^p{y}^{q}f(x,y)$

其p+q阶中心矩是，

${\mathrm{\μ}}_{\mathrm{pq}}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y)$

其中，是图像的重心。该中心矩与位置无关，对其进行规格化操作后具有缩放、旋转、平移等几何不变性的特点，规格化操作为，

${\mathrm{\η}}_{\mathrm{pq}}=\frac{u_{\mathrm{pq}}}{u_{00}^{\mathrm{\γ}}}$

其中， $\mathrm{\γ}=\frac{p+q}{2}+1,p+q=\mathrm{2,3},....$

根据规格化后的二阶、三阶中心矩，得到7个矩组：

φ₁＝η₂₀+η₀₂

φ₂＝(η₂₀-η₀₂)²+4η₁ ² ₁

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

根据上述特征建立当前的图像特征值，然后对其进行划分。在样本足够时，出现新的大理石根据距离公式将其归入到已经存在的类型中。

3.纹理特征

纹理特征采用灰度化梯度来衡量。具体步骤包括：

3.1归一化

该过程用来减少计算量，将原始图像f(x,y)进行归一化，

F(x,y)＝f(x,y)/Max*FMax+1

式中，Max是当前图像的最大灰度值，Fmax是归一化最大值。

将梯度矩阵g(x,y)进行同样处理，

G(x,y)＝g(x,y)/Max*GMax+1

式中Gmax是归一化最大值。

经过归一化处理后，灰度-梯度共生矩阵可以表示为，

{H(i,j)；i＝1,2,....,FMax,j＝1,2,..,GMax}

式中，i,j是矩阵的行列值，H(i,j)表示归一化后图像中第i级灰度的第j级梯度的像素点个数。

进一步对灰度-梯度共生矩阵进行归一化处理，

$P(i,j)=\frac{H(i,j)}{\mathrm{FMax}*\mathrm{GMax}}$

3.2统计数据

这里主要采用的统计数据有，

(1)小梯度优势

$T_1=\left[\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}\frac{p(i,j)}{j^2}\right]/H$

(2)大梯度优势

$T_2=\left[\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}{j}^{2}p(i,j)\right]/H$

(3)灰度分布的不均衡性

$T_3=\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}{\left[\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}p(i,j)\right]}^2/H$

(4)梯度分布的不均衡性

$T_4=\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}{\left[\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}p(i,j)\right]}^2/H$

上述式中， $H=\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}{j}^{2}p(i,j).$

(5)能量

$T_5=\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}{\left[p(i,j)\right]}^2$

根据上述统计数据对图像进行分类处理。

Claims (1)

1.一种大理石花色分辨方法，其特征在于他的处理过程为：

根据图像的不同特征采用欧氏距离进行了逐级筛选。第一级筛选为颜色的一、二、三阶矩分别为：

${\mathrm{\μ}}_i=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}$

${\mathrm{\δ}}_i={\left[\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^2\right]}^{\frac{1}{2}}$

$s_i{\left[\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(p_{\mathrm{ij}}-{\mathrm{\μ}}_i)}^3\right]}^{\frac{1}{3}}$

第二级特征为不变矩，针对根据规格化后的二阶、三阶中心矩，使用7个矩组实现，具体为：

φ₁＝η₂₀+η₀₂

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+4{\mathrm{\η}}_{11}^2$

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

第三级筛选依据的统计数据有，

(1)小梯度优势

$T_1=\left[\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}\frac{p(i,j)}{j^2}\right]/H$

(2)大梯度优势

$T_2=\left[\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}{j}^{2}p(i,j)\right]/H$

(3)灰度分布的不均衡性

$T_3=\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}{\left[\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}p(i,j)\right]}^2/H$

(4)梯度分布的不均衡性

$T_4=\underset{j=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}{\left[\underset{i=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}p(i,j)\right]}^2/H$

上述式中， $H=\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}{j}^{2}p(i,j).$

(5)能量

$T_5=\underset{i=1}{\overset{\mathrm{FMax}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{GMax}}{\mathrm{\Σ}}}{\left[p(i,j)\right]}^2$

每一级筛选，所采用的欧式距离为，

$D(A,B)={\left[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{|a_i-b_i|}^2\right]}^{\frac{1}{2}}$