评价服装穿着起皱程度的图像处理及特征提取方法

摘要

本发明公开了一种评价服装穿着起皱程度的图像处理及特征提取方法。目前常用的图像滤波在突出织物折皱特征的同时，也大幅度提高了图像中的边缘，还会把一些折皱细节当作噪声去除，这严重影响了折皱特征值提取的准确性。本发明的步骤：服装折皱部位的图像采集；利用分数微分算法对折皱图像进行卷积滤波；折皱特征参数提取；计算所获取的膝盖、肘部和大腿根部这三个折皱部位图像的折皱度，并求出总折皱度。本发明提出采用分数微分算法对折皱图像进行预处理，然后再提取折皱度作为评价服装穿着起皱程度的指标，不仅改善了折皱细节提取的效果，还提高了评价结果与肉眼观察的吻合性和一致性，从而使检测精度大大提高。

主权项

评价服装穿着起皱程度的图像处理及特征提取方法，其特征在于：该方法包括以下步骤：步骤1.服装折皱部位的图像采集；服装经穿着起皱后，运用CCD传感器，获取穿在人体上的膝盖、肘部和大腿根部这三个起皱严重部位的折皱图像，并将采集后的这三个折皱图像输入计算机裁剪成同样的尺寸大小，然后对每个折皱图像进行步骤2和3的处理；步骤2.利用分数微分算法对折皱图像进行卷积滤波；(1)引入差分函数；将一元信号u(t)的区间[a,t]按k＝1的距离进行平均等分，得出的分割数；可得出信号u(t)的v阶分数微分差值：$\frac{d^{v}u\left(t\right)}{{\mathrm{dt}}^v}\approx u\left(t\right)+(-v)u(t-1)+\frac{(-v)(-v+1)}{2}u(t-2)+\frac{(-v)(-v+1)(-v+2)}{6}u(t-2)+...+\frac{\Gamma (-v+1)}{n!\Gamma (-v+n+1)}u(t-n)$式中，Γ为伽马函数，n！为n的阶乘；(2)对折皱图像进行差分形式转化；M×N像素的二维折皱图像f(x,y)的连续区间只能以图像像素为单位，等分间隔k只能为1，即折皱图像在x∈(x_b,x_a)，y∈(y_b,y_a)按k＝1的距离进行平均等分，得到n_x＝[x_b‑x_a]，n_y＝[y_b‑y_a]的分割数；因此可以得到f(x,y)对x和y的v阶偏微分差值近似表达式为：$\frac{\partial f(x,y)}{\partial x^v}\approx f(x,y)+(-v)f(x-1,y)+\frac{(-v)(-v+1)}{2}f(x-2,y)+...+\frac{\Gamma (-v+1)}{n!\Gamma (-v+n+1)}f(x-n_x,y)$$\frac{\partial f(x,y)}{\partial y^v}\approx f(x,y)+(-v)f(x,y-1)+\frac{(-v)(-v+1)}{2}f(x,y-2)+...+\frac{\Gamma (-v+1)}{n!\Gamma (-v+n+1)}f(x,y-n_y)$由上式可见，两个差分表达式的系数相同，由此分数微分的差分系数为：$\left\{\begin{array}{c}{a}_0=1,a_1=-v,a_2=\frac{(-v)(-v+1)}{2}\\ a_3=\frac{(-v)(-v+1)(-v+2)}{6},...,\\ a_n=\frac{\Gamma (-v+1)}{n!\Gamma (-v+n+1)}\end{array}\right.$(3)对p＝1,2,3,…,7中的每个值构造(2p+1)×(2p+1)的算子模板，首先考虑x方向和y方向，然后再考虑两个斜向45度方向上像素的影响，从而得到八个对称方向的算子模板；(4)在M×N的折皱图像f(x,y)上，用上述构造的每个算子模板对f(x,y)进行卷积滤波，其表达式为：$g(x,y)={\Sigma }_{s=-(m-1)/2}^{(m-1)/2}{\Sigma }_{t=-(m-1)/2}^{(m-1)/2}w(s,t)f(x+s,y+t)---\left(1\right)$式中，w(s,t)是构造的算子模板；为了得到一幅完整的经过增强处理的图像，必须对x＝0,1,2,…,M‑1和y＝0,1,2,…,N‑l依次应用到式(1)，以保证图像所有像素得到计算；(5)为了综合分析不同算子模板对图像增强的效果，将3*3，5*5，7*7，…，15*15不同的算子模板w(s,t)对图像增强处理的结果进行对比，最后选择纹理细节增强效果最佳的算子模板；步骤3.折皱特征参数提取；图像经分数微分算法卷积滤波处理后，提取折皱度C作为表征评价折皱程度的指标，其计算核心是建立方向角局部边缘的概率直方图；具体步骤如下：(1)计算每个像素处的梯度向量；梯度向量是指像素点周围灰度值增加最快的方向，分为水平梯度ΔH、垂直梯度ΔV；梯度向量的极坐标为：$\left(\right|\Delta G|,\gamma )=(\frac{\left(\right|\Delta H|+|\Delta V\left|\right)}{2},{\tan }^{-1}(\Delta V/\Delta H)+\pi /2)$式中，|ΔG|是水平、垂直梯度的平均值，γ是梯度角；(2)构造方向角局部边缘概率直方图：$H_D\left(k\right)=\frac{N_{\gamma }\left(k\right)}{{\Sigma }_{i=0}^{n-1}{N}_{\gamma }\left(i\right)}$式中，N_γ(k)是当|ΔG|≥T且(2k‑1)/2n≤θ/π≤(2k+1)/2n时像素的数量，T表示阈值；(3)图像总体的起伏程度通过计算直方图中峰值的尖锐程度获得，归一化后的折皱度计算公式为：式中，p代表直方图中的第一个峰值，n_p为直方图中最后一个峰值；对于某个峰值，W_p代表该峰值两侧谷底距离，而是波峰中心位置，是该峰值两侧谷底之间的像素相对该波峰中心位置的距离，r是归一化因子；步骤4.计算所获取的膝盖、肘部和大腿根部这三个折皱部位图像的折皱度，分别记作C_膝盖、C_肘部、C_大腿根部，并求出总折皱度C_总＝C_膝盖+C_肘部+C_大腿根部。