一种用于表征织物纹理的分形概貌与Sobel算子滤波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Sobel算子滤波细节混合特征向量提取方法。首先对原织物图像分别同步进行纵向和横向投影，并将投影得到的两个时间序列联合成为一个序列，在此基础上估算上述序列的分形维数作为概貌特征；接着对原织物图像分别进行水平和垂直Sobel算子滤波，然后依据织物纹理基本循环周期和遍历法原理从中提取四个极值灰度统计量作为细节特征；最后将上述一个分形概貌特征与四个Sobel滤波细节特征组成混合特征向量。这种混合特征向量内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Sobel算子滤波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一个分形概貌特征与四个Sobel滤波细节特征共同组成；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，横向投影指分别求取图像各行像素的灰度累加值，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概貌特征；Sobel算子滤波细节特征提取首先采用一维快速傅里叶变换分别求出织物图像的横向和纵向基本循环周期大小，然后对织物图像分别进行水平和垂直Sobel算子滤波处理；在此基础上，依据织物纹理基本循环周期以及遍历法原理计算出织物纹理特征向量的四个极值灰度统计量作为细节特征，所述的四个极值灰度统计量特征分别为横向边缘极大统计量、横向边缘极小统计量、纵向边缘极大统计量和纵向边缘极小统计量，由此提取的四个特征分别表征了织物纹理的横向边缘的两个极端细节统计信息和纵向边缘的两个极端细节统计信息；最后将上述一个分形概貌特征与四个Sobel滤波细节特征组成混合特征向量，用以表征织物纹理；所述的用于表征织物纹理的由分形概貌特征和sobel算子滤波细节特征组成的混合特征向量的提取过程如下：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各列的灰度累加值和W各行的灰度累加值，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；对原始织物图像矩形窗口W进行Sobel算子水平滤波，经滤波后的图像记为Wh，在滤波后的织物图像矩形窗口Wh中建立矩形子窗口W2，所述的矩形子窗口W2的长度等于滤波后的织物图像矩形窗口Wh的长度，所述的矩形子窗口W2的宽度等于织物纹理纵向基本循环周期单位长度即行周期单位长度，将矩形子窗口W2以每次固定的步长垂直地滑移以遍历整个Wh，从而相应求得若干个灰度统计值，分别记其中的最小者和最大者为E1和E2，E1即为横向边缘极小统计量，E2即为横向边缘极大统计量；对原始织物图像矩形窗口W进行Sobel算子垂直滤波，经滤波后的图像记为Wv，在滤波后的织物图像矩形窗口Wv中建立矩形子窗口W1，所述的矩形子窗口W1的长度等于织物纹理横向基本循环周期单位长度即列周期单位长度，所述的矩形子窗口W1的宽度等于滤波后的织物图像矩形窗口Wv的宽度，将矩形子窗口W1以每次固定的步长水平地滑移以遍历整个Wv，从而相应求得若干个灰度统计值，分别记其中的最小者和最大者为E3和E4，E3即为纵向边缘极小统计量，E4即为纵向边缘极大统计量；最终得到表征织物纹理的混合特征向量[Bd E1E2E3E4]。