[发明专利]一种用于表征织物纹理的分形细节特征提取方法

说明书

技术领域

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细节特征提取方法。

背景技术

借助织物纹理表征技术能够实现织物纹理参数估计、纹理分类、织物外观评价、瑕疵检测等等目的。要细致和深刻地表征织物纹理就必须深入挖掘纹理各方面的细节信息。同时为了快速表征纹理，必须对待分析的纹理图像实施必要的降维预处理。本发明旨在讨论基于分形特征的织物纹理细节表征方法，该方法依据织物经纬取向的特点对原始纹理图像实施了一定的降维处理，然后依据织物纹理基本循环周期以及遍历法原理计算四个极值分形维数作为细节特征。

较之欧氏几何，分形几何在描述或生成具有自相似性的自然事物或类自然事物时能够提供更好的方法，因而被广泛用在模式识别、图像的模拟和仿真等等诸多领域。自相似性是分形理论的中心概念之一，它与维数的概念密切相关。分形几何描述的对象具有统计意义上的自相似，自相似性用分形维来表征分形维是用分形理论进行图像分析时最常使用的特征参数之一。分形特征特别是分形维数能够较好地刻画纹理粗糙度和复杂度，因而在纹理分类、识别等实践中作为度量特征是合理的。其中盒维数由于概念简单、计算简便而成为使用最普遍的一种分形维数。

为便于说明发明要点，有必要对盒维数的基本原理和估算方法作简单介绍。

设为任意非空有界集，用N(δ，F)表示覆盖集F所需直径最大为δ的的集的最少数目，则F的盒维定义为

DB(F)=limδ→0logN(δ,F)-logδ]]>

注意，定义中所用的δ-覆盖仍是一个一般的集类，在本专利中集F特指为织物图像向纵、横向投影时，通过各行、各列像素灰度累加并取均值所得的图像灰度一维时间序列，也即一条表示图像各行各列像素灰度均值变化的曲线，N(δ，F)表示覆盖F所需的边长为δ的最少方格数，简记为N(δ)。D_B(F)简记为D。

实际估算一个时间序列的计盒维时，由于该序列为一条曲线，横坐标为序列中各点的位置，纵坐标为各点对应的序列值，需要用尺寸为δ×δ的方格去完全覆盖该曲线并统计N(δ)。从盒维数的定义可知，logN(δ)∞Dlog(1/δ)，这表明，若干点对(log(1/δ)，logN(δ))在δ→0时的渐近线是直线，其斜率即为D。改变δ大小从而可以得到多个上述点对，然后通过最小二乘法拟合出相应直线。该直线的斜率即为所求的盒维数。

考虑到机织物是由经纬纱相互垂直交织而成，其图像是一种典型的纹理图像，因此可用分形特征来表征织物纹理。Conci等人(1998)采用差分计盒法提取了织物纹理的分形维及其标准差作为特征参数用来表征织物纹理并检测织物疵点。徐增波等人(2000)在织物纹理图像进行Wold模型分析的基础上，以求取分形维过程中的的整个分形特征曲线作为表征织物纹理的特征，进行了织物疵点检测。Wen等人(2002)采用基于分形布朗运动的傅立叶频域最大似然估计算子来估计织物图像的Hurst系数这一分形参数，以此作为表征织物纹理的特征参数来检测疵点。杨艳等人(2007)从绉织物图像中提取了一个全局分形维特征来实现对织物绉效应的客观评价。步红刚等人(2007)为了克服单一分形特征的局限性，提出了一种多分形特征向量提取方法，该方法在疵点检测效果上较以往相关的研究有了大幅度的改善，但由于所提取的多个分形特征向量均是反映全局信息的概貌特征，因而不合于检测很多局部疵点。在“基于矩和分形的纹理分类方法”的专利中(2006)，研究者首先计算图像的二阶矩，产生矩特征图像，再对原图像块和矩特征图像估计其分形维数，最将原图像块和六个矩特征图像的分形维数形成特征向量，作为支持向量机的输入进行织物纹理分类。