织物图案创意要素自动提取方法

摘要

本发明公开了一种织物图案创意要素自动提取方法，包括几何元素提取流程和色彩元素提取流程，几何元素提取流程包括消除纹理噪声、建立区域作用域图和区域合并；色彩元素提取流程包括对输入图像进行显著性分析，得到反映该图像的显著性图，运用颜色量化中的量化标准分别针对划分的两区域进行颜色值的量化。与现有技术相比，本发明术可以提取出更加符合人的主观视觉理解、更具美学价值的色彩主题。

主权项

一种织物图案创意要素自动提取方法，包括几何元素提取流程和色彩元素提取流程，其特征在于，所述几何元素提取流程和所述色彩元素提取流程，具体包括以下步骤：步骤1、实现所述几何元素提取流程，包括：步骤1‑1、通过多次均值漂移算法迭代得到织布图案中一个给定球体范围区域内点的均值，作为密度梯度的估计，直到得到局部稳定状态中心点的聚类中心点，完成纹理噪声的消除；S是p维空间下一个有限数目点的集合，是一个半径为r的球面区域，中心点为x，漂移特征向量为y，满足|y‑x|＜r，期望的新的点的坐标μ＝y‑x，通过如下的公式(1)计算得到：$\mu ={\int }_{S_x}(y-x)p\left(y\right|S_x)\mathrm{dy}={\int }_{S_x}(y-x)\frac{p\left(y\right)}{p(y\in S_x)}\mathrm{dy}---\left(1\right);$步骤1‑2、基于图的图像分割方法先对一幅织物图案图像建立一个无向图G＝(V,E)，每个像素点对应织物图像中每个节点，连接节点的边对应图像像素点之间三维色彩空间下的差值，块与块之间为节点的形式，预先定义每个块内部的差异Int(C)：$\mathrm{Int}\left(C\right)=\underset{e\in \mathrm{MST}(C,E)}{\max }\omega \left(e\right)---\left(3\right)$其中，且MST(C,E)表示最小生成树算法形成的图的子集，ω(e)表示无向图中边e的权重；预先定义块与块之间的差异Dif(C₁,C₂)：$\mathrm{Dif}(C_1,C_2)=\underset{v_i\in C_1,v_j\in C_2,(v_i,v_j)\in E}{\min }\omega (v_i,v_j)---\left(4\right)$其中v_j，v_i为无向图G＝(V,E)中的顶点，ω(v_i，v_j)为两顶点路径的权值；如果C₁和C₂没有交集，则将Dif(C₁,C₂)置为无穷大；将边以递增的顺序进行排序，对区域C₁和C₂进行合并，如果两个区域相连的边值Dif(C₁,C₂)小于公式(5)则合并，否则不合并；MInt(C₁,C₂)＝min(Int(C₁)+τ(C₁),Int(C₂)+τ(C₂))   (5)这里τ(C)＝k/|C|，其中k是合并的尺度系数来调节合并的块的尺寸；步骤1‑3、对织物图案“连续性”的处理，具体为块与块的各种几何连续性合并；计算块与块的几何关系即块与块的包含性关系、相邻性关系和不相连性关系；其中：令C₁、C₂是过分割图像中的两个块，则二者存在包含性关系的概率ρ_in(C₁,C₂)描述为公式(6)：${\rho }_{\mathrm{in}}(C_1,C_2)=\frac{\mathrm{cross}(\mathrm{box}\left(C_1\right),\mathrm{box}\left(C_2\right))}{\min (\mathrm{arc}\left(C_1\right),\mathrm{arc}\left(C_2\right))}---\left(6\right)$其中，box()代表块的最小包围盒，cross()代表两个最小包围盒的交叉面积，arc()表示块的最小包围盒面积，min()两个数的最小值；令E₁、E₂为过分割图像中两个块的轮廓，则二者存在相邻性关系的概率描述为公式(7)：其中p表示像素，count()计算几何中元素个数，len()代表周长，θ未设定的阈值，通过求两个相交块的边缘相交距离除以较小周长的边界来衡量相邻性的概率；令C₁、C₂为两个过分割块，则二者存在不相邻性关系的概率表述为公式(8)：${\rho }_{\mathrm{disc}}(C_1,C_2)=(\underset{p\in C_1}{\Sigma }(I_p/N_1)-\underset{p\in C_2}{\Sigma }(I_p/N_2))/I_{\mathrm{rand}}---\left(8\right)$其中，N₁和N₂分别代表C₁、C₂中像素点的个数，I_p代表像素点p的强度值，I_rand表示色彩空间中强度的范围；上述与合并相关的几何连续性的计算的前提是两个块的中心点距离小于设定的值；步骤2、实现所述织物色彩主题提取流程，包括：步骤2‑1、针对一幅图像I计算坐标(x',y')处显著性值S(x',y')，如公式(9)所示：$S(x^{\prime },y^{\prime })=|I_{\mu }-I_{{\omega }_{\mathrm{hc}}}(x^{\prime },y^{\prime })|---\left(9\right)$其中，I_μ表示图像全局的平均特征向量，表示坐标(x',y')处像素值经过核大小为5×5的高斯差分滤波变换的特征向量值；实验中ω_hc的值设置为π/2.75；步骤2‑2、将颜色转换到基于视觉的HSV色彩空间，对HSV三个分量进行不等间隔的划分，实现颜色主题的量化提取，颜色提取算法如公式(10)所示：$H=\left\{\begin{array}{cc}0& h\in (-\mathrm{45,20}]\\ 1& h\in \left(\mathrm{20,50}\right]\\ 2& h\in \left(\mathrm{50,75}\right]\\ 3& h\in \left(\mathrm{75,155}\right]\\ 4& h\in \left(\mathrm{155,195}\right]\\ 5& h\in \left(\mathrm{195,275}\right]\\ 6& h\in (275,-45]\end{array}\right.,S=\left\{\begin{array}{cc}0& s\in \left[\mathrm{0,0.2}\right]\\ 1& s\in \left(\mathrm{0.2,0.7}\right]\\ 2& s\in \left(\mathrm{0.7,1}\right]\end{array}\right.,V=\left\{\begin{array}{cc}0& v\in \left[\mathrm{0,0.2}\right]\\ 1& v\in \left(\mathrm{0.2,0.7}\right]\\ 2& v\in \left(\mathrm{0.7,1}\right]\end{array}\right.---\left(10\right).$