[发明专利]一种图案边缘轨迹智能提取方法及其应用

权利要求书

1.一种图案边缘轨迹智能提取方法，其特征在于，包括如下步骤：

(1)图像抠图

选取待处理的自然图像，将自然图像中像素点的值归一化至[0,1]范围，目标内部部分为1，背景部分则为0；而在目标与背景分界出的值属于(0,1)之间；

将图像中的像素点采用如下公式进行约束化处理：

s.t. α^k＝Ey^k (1-22)；

其中，E＝[e₁,...,e_K]，分别对应Matting Laplacian矩阵最小特征值所对应的K个特征向量，Matting Laplacian矩阵简称ML矩阵；式(1-23)表示在每个像素的所有Matte组分之和必须为1；

在式(1-21)中，由于我们对于每个像素最终得到的Matte只有唯一的一个，因此其中的k＝1，而ρ的值定为0.9，因此式(1-21)可以变为：

f(α)＝α^0.9+(1-α)^0.9 (1-24)，

式(1-24)便是最终选择的CRF特征函数，其表示了在各个像素点α的值对总的损失函数的贡献；

其中，ML矩阵的通项为：

式(1-8)中，μ_k和Σ_k是窗口k像素的均值和方差，δ_ij为克罗内克函数；

然后，使用条件随机场来智能获取目标轮廓，在0＜α＜1之间众多的序列中寻找一条闭合的路径，并且这条路径必须要满足以下条件：

a)、相应的锚点位置不能处于背景或者目标像素，并且锚点之间的连线不能与B和F有交集；

b)、路径的方向只能沿着B和F之间的区域，不能回旋；

c)、路径的选取要以包容目标像素为主，这样得到的路径才是准确的；

d)、尽可能的减少锚点数量，减少轮廓线的毛刺；

所述步骤(1)中，针对某一条序列，得到下式：

其中，p(l|s)定义为：

式中：l代表的是具体某条序列，而s则代表在F和B之间所有的α所带来的总的损失值；F表示前景图像，B表示背景图像；

所述步骤(1)中，ML矩阵L可以利用矩阵A来进行表示：

L＝A^TCA (1-28)；

于是边缘处的狄利克雷积分表示为：

这个积分表示的是目标边缘向A方向的所有像素点的集合，上述目的就是找到一条序列使得D能够达到最小；

(2)图像矢量化处理

将步骤1提出的轮廓进行图像矢量化处理，将线条的几何图元生成对应的矢量文件。

2.前述权利要求1所述方法在缝制行业设备上的应用方法。

3.根据权利要求2所述的应用方法，其特征在于，将现有缝料图像采集后，采用前述权利要求1提取方法处理后，自动生成用于缝制图样的花样文件。

4.根据权利要求2所述的应用方法，其特征在于，将前述权利要求1提取方法应用于自然图像向缝制用花样文件的自动生成中。