[发明专利]基于K-means的布料花型智能分色方法

说明书

本发明公开了基于K‑means的布料花型智能分色方法，包括以下步骤：S10，布料扫描图像的预处理；S20，确定分色的最佳类别数；S30，计算图像聚类分层结果；S40，根据聚类分层结果对原图进行图像分割；S50，对图像分割结果再次进行聚类；S60，用正片叠底的方式叠加二次聚类图。本发明实现了对真实布料花型扫描图像的全自动智能分色，保证了分色的质量，极大地提高了分色的效率。

技术领域

本发明属于图像处理领域，涉及一种基于K-means的布料花型智能分色方法。

背景技术

随着时代的发展，人们对服装和其他纺织品上花型复杂程度的要求越来越高。在纺织行业，对布料上复杂花型的分色是必不可少的环节，分色后的图像需可以直接用于印刷，在布料上叠加出需要的花型。

在现阶段的实际生产过程中，首先对有花纹的真实布料进行扫描，再人工去除布料上的网格状噪声，最后人工使用Photoshop等图像处理软件对布料的扫描图像进行分色，这样不仅效率低下十分耗时，而且分色的结果也会受到分色人的心理、生理以及其他客观因素的影响，分色的结果往往会有所不同。

发明内容

为解决上述问题，本发明针对现有的人工分色的缺点，提出了一种基于K-means的布料花型智能分色方法，自动对布料扫描图像进行处理后进行主色调分析再分色，提高布料花型分色的效率与质量，分色后的图像能直接用于布料的印花工艺。

为实现上述目的，本发明的技术方案为基于K-means的布料花型智能分色方法，包括以下步骤：

S10，布料扫描图像的预处理；

S20，确定分色的最佳类别数；

S30，计算图像聚类分层结果；

S40，根据聚类分层结果对原图进行图像分割；

S50，对图像分割结果再次进行聚类；

S60，用正片叠底的方式叠加二次聚类图。

其中，所述S30计算图像聚类分层结果需要在预处理后的图上使用S20确定的最佳类别数进行改进的K-means聚类，对图像进行主色调分析，将图像中不同主色调的像素分离开来。改进的K-means方法首先进行三层训练，再进行错核重分类以及寻找第二核心提高聚类的准确性。根据聚类结果，将属于同一类的像素点绘制到同一张图像中，得到聚类的分层结果。

作为进一步的改进方案，由于使用单纯的聚类算法无法将所有属于同一类的像素绘制到聚类的分层结果图中，故使用所述S40根据聚类分层结果对预处理后的图使用改进的GrabCut算法进行图像分割。传统的GrabCut需要用户手动指定目标和背景的一些种子点，而我们使用S30聚类得到的分层结果作为前景，无需手动交互即可使用GrabCut对预处理后的图进行图割，之后就能将属于同一类的我们需要的所有像素点绘制到同一张图像中，即将预处理后的图按主色调分割为若干张图。

作为进一步的改进方案，所述S50对图像分割结果再次进行S30所述的改进的K-means算法进行主色调分析后聚类，此次聚类的最佳类别数使用手肘法得到，该步骤得到的结果是得到预处理后的图图割后的各类图的进一步分层图。手肘法的核心指标是误差平方和(SSE)，其公式如下：

SSE是所有样本的聚类误差，代表了聚类效果的好坏，其中C_i是第i个簇，p是C_i中的样本点，m_i是C_i的质心(C_i中所有样本的均值)。

作为改进的技术方案，所述S10对布料扫描图像的预处理中，包含以下步骤：

在频域滤波去除图像网格状噪声；