一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法

摘要

本发明属于数字图像处理和模式识别领域，特别涉及一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法。首先对原织物图像进行纵向和横向投影，然后计算上述投影联合序列的分形维作为概貌特征；同时依据遍历法原理计算原图像中每一个包含一个横向基本循环周期或纵向基本循环周期的子窗口的分形维数，最后从中选取两个反映横向细节信息的分形维数极值和两个反映纵向细节信息的分形维数极值作为表征织物纹理的细节特征；将上述一个分形概貌特征与四个分形细节特征组成混合特征向量。这种混合特征向量各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。

主权项

一种用于表征织物纹理的分形概貌与分形细节混合特征向量提取方法，其特征是：所述的混合特征向量由分形概貌特征和分形细节特征共同组成；分形概貌特征提取首先对织物纹理图像实施纵向和横向投影预处理，此处纵向投影指分别求取图像各列像素的灰度累加值或者均值，横向投影指分别求取图像各行像素的灰度累加值或者均值，所述的纵向投影和所述的横向投影都用累加值或者都用均值；由此得到两个一维时间序列，将此两个序列首尾相接组成一个新的一维时间序列，然后计算该时间序列的分形维数作为本发明的分形概貌特征；分形细节特征提取首先采用一维快速傅里叶变换求出织物纹理图像的基本横向和纵向循环周期，然后依据遍历法原理计算图像中每一个包含一个横向基本循环周期或纵向基本循环周期的子窗口的分形维数，最后从中选取两个反映横向细节信息的分形维数极值即横向最大分形维数和横向最小分形维数，和两个反映纵向细节信息的分形维数极值即纵向最大分形维数和纵向最小分形维数作为表征织物纹理的细节特征；其中所述的包含一个横向基本循环周期的子窗口是以一个横向基本循环周期为长和织物纹理图像的宽为宽的矩形窗口，所述的每一个横向基本循环周期的子窗口的分形维数是在该子窗口中的图像像素灰度值沿横向累加而成的相应一维时间序列基础上计算得到的；从中选取两个分形维数极值即横向最大分形维数和横向最小分形维数；所述的包含一个纵向基本循环周期的子窗口是以一个织物纹理图像的长为长和纵向基本循环周期为宽的矩形窗口，所述的每一个纵向基本循环周期的子窗口的分形维数是在该子窗口中的图像像素灰度值沿纵向累加而成的相应一维时间序列基础上计算得到的；从中选取两个分形维数极值即纵向最大分形维数和纵向最小分形维数；最后把分形概貌特征、横向最大分形维数、横向最小分形维数、纵向最大分形维数和纵向最小分形维数组合成为表征织物纹理的兼顾概貌信息和细节信息的混合特征向量；所述的用于表征织物纹理的由分形概貌特征和分形细节特征组成的混合特征向量的提取过程如下：首先采集数字化织物纹理图像，记为W，W为矩形，其尺寸长×宽为L1×L2，即横向和纵向长度分别为L1和L2，而其沿横向的基本周期即列周期为P1个像素，沿纵向的基本周期即行周期为P2，行周期和列周期均指取整后的像素数，P1通过计算W的任一行图 像像素灰度值集合的基本循环周期得到，P2通过计算W的任一列图像像素灰度值集合的基本循环周期得到；对原始织物图像矩形窗口W分别进行纵向和横向投影预处理，即分别求取W各列像素灰度值的累加值和W各行像素灰度值的累加值，得到两个一维时间序列，将此两个序列首尾相接组成一个新的时间序列，然后计算该序列的分形特征作为表征织物纹理的概貌特征，记为Bd；在织物纹理图像W中，选取一个横向基本循环周期P1为长和织物纹理图像的宽L2为宽的矩形窗口作为包含一个横向基本循环周期的子窗口，记为W1；选取一个织物纹理图像的长L1为长、纵向基本循环周期P2为宽的矩形窗口作为包含一个纵向基本循环周期的子窗口，记为W2；对于某一W1，计算其沿行方向的图像像素灰度值投影，即将该子窗口各行的图像像素灰度值沿横向叠加，得到一个一维时间序列，从该时间序列中可计算得到一个分形维数然后将W1以固定步长水平地滑移以遍历整个W，共有L1‑P1+1个W1，从而可相应求得L1‑P1+1个分形维数，分别记其中的最小者和最大者为E1和E2，即为横向最小分形维数和横向最大分形维数，此两者反映纹理的横向极端细节信息；对于某一W2，计算其沿列方向的图像像素灰度值投影，即将该子窗口各列的图像像素灰度值沿纵向叠加，得到一个一维时间序列，从该时间序列中可计算得到一个分形维数，然后将W2以固定步长垂直地滑移以遍历整个W，共有L2‑P2+1个W2，从而可相应求得L2‑P2+1个分形维数，分别记其中的最小者和最大者为E3和E4，即为纵向最小分形维数和纵向最大分形维数，此两者反映纹理的纵向极端细节信息；最终得到表征织物纹理的特征向量[Bd E1 E2 E3 E4]。