基于颜色特征的面料花型图案检索算法.pdf

Computer Era No.9 20230 引言近年来，基于内容的图像检索技术越来越成熟，已经应用于纺织面料花型图案检索领域。根据人眼视觉感知特性可知，人眼对于颜色的感知是较为敏感的，因此颜色作为最显著的特征之一在图像检索中得到了广泛的应用。Jing等1将图像划分为四个不重叠的子图像，提取分块颜色矩特征，再提取图像的GIST空间特征，然后将两种特征的相性度进行加权融合。张霞等2提出将颜色矩和改进的小波变换结合的方法用于色纺面料检索。崔红静等3通过在HSV空间提取图像的分块颜色直方图获取颜色空间信息，并使用Canny算子获取图像边缘特征，实现织物图像检索。由于面料织造工艺的限制，面料花型图案的颜色数一般不会很多。花型色彩搭配的差异最终通过工艺处理使面料呈现不同的视觉效果，因此有效提取花型的颜色特征能够较好的表达人眼对花型图案的视觉感知。上述文献提到的颜色特征提取方法较为单一，或注重全局颜色特征，或注重颜色的空间分布。本文考虑了局部特征，提出一种基于图案主色及其聚集区域和分块颜色矩相结合的花型图案检索算法。图案主色描述全局颜色信息，主色聚集区域描述颜色空间分布信息，分块颜色矩描述局部颜色信息。从不同的角度全面提取花型图案的颜色特征，增强特征的表达能力。DOI:10.16644/33-1094/tp.2023.09.019基于颜色特征的面料花型图案检索算法*邱笑迎(浙江理工大学计算机科学与技术学院（人工智能学院），浙江 杭州 310018)摘要：为使纺织企业更高效地管理海量的面料花型图案，提出一种基于图案主色及其聚集区域和分块颜色矩相结合的花型图案检索算法。首先利用改进的聚类算法提取花型图案的主颜色，同时根据主颜色提取主色的聚集区域特征；然后提取分块图案的颜色矩来表示局部颜色特征；最后对三种特征进行加权融合。在自建的面料花型图案库中进行实验，平均查准率达到85.8%，表明此方法能够有效地检索出色彩风格相似的图案，优于现有方法。关键词：花型图案；颜色特征；主颜色；颜色矩中图分类号：TP391文献标识码：A文章编号：1006-8228(2023)09-92-04Fabric pattern retrieval algorithm based on color featureQiu Xiaoying（School of Computer Science and Technology(School of Artificial Intelligence),Zhejiang Sci-Tech University,Hangzhou,Zhejiang 310018,China）Abstract：In order to help textile enterprises manage massive fabric patterns more efficiently,a pattern retrieval algorithm based onthe combination of pattern main color,its aggregation region and block color moments is proposed.Firstly,the improved clusteringalgorithm is used to extract the main color of the fabric pattern,and the aggregation region features of the main color areextracted based on the main color.Then,the color moments of block patterns are extracted to represent the local color features.Finally,the three features are weighted and fused.The experiments in the self-built fabric pattern database show that the averageprecision reaches 85.8%,which indicates that this method can effectively retrieve patterns with similar color styles and is superiorto the existing methods.Key words：fabric pattern;color feature;main color;color moment收稿日期：2023-03-30*基金项目：浙江省科学技术厅“领雁”研发攻关计划项目（2022C01220）作者简介：邱笑迎（1997-），女，江西鹰潭人，硕士，主要研究方向：图像检索。92计算机时代 2023年 第9期1 算法描述1.1 聚类主颜色特征提取与其他颜色空间相比，HSV颜色空间更符合人眼对于颜色的视觉感知，因此本文选择基于HSV颜色空间提取颜色特征，颜色的相似性计算采用文献4的方法，设有颜色，ci=()hi,si,vi，cj=()hj,sj,vj，则两种颜色之间的相似性度量公式可定义为：sij=1-()()vi-vj2+()sicos()hi-sjcos()hj2+()sisin()hi-sjsin()hj21 25其中，sij0,1，sij值越大，相似度越高。在保留足够的颜色信息前提下，本文使用一种特征维数较少的量化方法5，将颜色大致分为红、黄、绿、青、蓝、紫、黑、灰和白9种，然后根据这九种主色调大致确定图像主颜色的数目，具体量化方法如下：Code=0,v 0,0.21,v (0.2,0.8 s0,0.12,v (0.8,1 s0,0.13,h (315,360 0,204,h (20,755,h (75,1556,h (155,190 7,h (190,260 8,h (260,315根据公式将图像中所有像素颜色量化到9个区间内，每个颜色对应的Code 0,8，分别代表黑、灰、白、红、黄、绿、青、蓝、紫，然后统计每个区间内像素总数，记为s1,s2,s9，并计算其比例p1,p2,p9，传统的主颜色描述符通常采用5%作为颜色阈值6，因此本文将pi 5%的 区 间 个 数 作 为 图 像 主 颜 色 的 个 数k()k=1,2,9，并记录下这些区间对应的Code值。假设一幅图像经上述方法得到的主颜色数目k=3，Code=1,2,4，然后遍历图像中所有像素，若某个像素颜色值量化后的Code值在1,2,4中，则将该像素的颜色值作为第一个初始聚类中心。同理，找到与集合1,2,4中剩下的Code值对应的第一个满足条件的像素点，并且与已确定的初始聚类中心颜色均不相似，也将其加入初始聚类中心。此处采用公式计算两个颜色值的相似性，当sij 0.9时，则为相似。最后得到k个初始聚类中心，记为CCi()i=1,2,k，然后使用K-means算法进行聚类，完整的主颜色提取算法如下。(a)在HSV颜色空间将图像所有像素颜色非均匀量化到九个区间内。(b)利用上述提到的方法确定图像主颜色数目k和初始聚类中心CCi()i=1,2,k。(c)根据公式计算图像中每个像素颜色到所有聚类中心的距离，并将其划分到距离最近的聚类中心所在的类中。(d)重新计算每个类的聚类中心。(e)重复步骤(c)、(d)，直到所有聚类中心不再变化为止。最终得到的聚类中心即为对应的主颜色MC=()hi,si,vi，将其作为图像的主颜色特征。1.2 主色聚集区域特征提取主颜色方法可以有效提取图像的全局颜色特征，但忽略了颜色的空间分布信息，因此，本文提出基于主颜色聚集区域来提取图像主颜色的空间分布特征。由于图像背景颜色占比较大，所以本方法不考虑背景颜色，旨在检测前景花型部分主颜色的聚集区域。首先根据1.1节的方法得到图像的主颜色，然后将图像分成8x8的64块，分别计算每个子图像中主颜色的百分比pi()i=1,2,64，若大于或等于给定阈值 t，则表明该块中含有大量主颜色。初步找出所有主颜色聚集的分块，然后从图像左上角开始，遍历每个分块，把相邻的主颜色聚集分块进行合并，得到主颜色聚集的连通区域，然后计算连通区域中主颜色的占比并记录其所在空间位置。根据人眼对边缘信息不敏感的特点为不同区域分配不同权值，越靠近中心位置，视觉的关注度越高，权重越大。若连通区域的个数超过三个，则取主要颜色占比最大的前三个区域的加权占比作为该图像的主颜色聚集区域特征。若两幅图像的主颜色相似，主颜色的聚集区域大小及空间位置又接近，则说明它们的相似性越高，可见该方法较好的弥补了主颜色特征算法只提取单一全局颜色特征的不足。1.3 分块颜色矩特征提取颜色矩是 Stricker等7提出的一种简单有效的颜色特征表示方法，由于图像的低阶矩中包含了主要的颜色信息，因此用一阶矩、二阶矩和三阶矩足以描述图像的颜色分布。颜色矩描述的是图像的全局颜色特征，没有考虑颜色的空间分布，也忽略了图像局部位置的颜色信息。为了提高颜色矩的局部信息和空93Computer Era No.9 2023间信息的表征能力，本文提出采用分块颜色矩特征作为图像的局部颜色特征，同时不同块的位置也包含了部分空间分布特征。常用的分块方法有水平分块、垂直分块、网格分块和环形分块法。根据面料花型图案的特点，大多数图案内容都是较为均匀分布的，因此本文采用33的网格分块法将图像均匀分成九个无重叠的子图像，然后分别对每个子图像提取颜色矩特征并进行组合，最终得到一个81维的向量来表示图像的局部颜色特征。2 相似性度量2.1 基于主色匹配的相似性度量本文使用改进的聚类算法对图像提取的主颜色特征可定义为：F=()hi,si,vi其中，()hi,si,vi为第i个主色的颜色值，N为主颜色的个数。由于不同图像得到的主色特征维数可能不同，因此不适合使用传统欧式距离法或卡方距离法来度量，本文采用一种新的度量方法来度量具有不同主色的图像间的整体相似性。假设有两幅图像Q和R，它们的主色特征分别为FQ=()hi,si,vi和FR=()hj,sj,vj。主色的颜色值之间使用欧式距离计算：D=()hi-hj2+()si-sj2+()vi-vj2假设图像Q中有一主色()hi,si,vi，根据式对主色颜色值之间距离的定义，在图像R的主色集合FR中，找出和主色()hi,si,vi距离最小的主色，将该主色定义为主色()hi,si,vi的最佳主色，距离记为Di：Di=minj 1,NRD()()hi,si,vi,()hj,sj,vj两幅图像主颜色特征之间的相似性计算过程如下。(a)对图像Q中的所有主色，分别使用式求出与最佳主色的距离Di()i=1,2,NQ。(b)同理，对图像R执行(a)的过程，求出所有主色与最佳主色的距离Dj()j=1,2,NR。(c)计算图像Q和R中所有主色和其最佳主色的距离之和：D()Q,R=i=1NQDi+j=1NRDj则D()Q,R即为图像Q和R的主颜色特征相似性距离。2.2 相似性融合主颜色特征使用基于主色的相似性度量方法，得到的相似距离记为Dmc，对于主色聚集区域特征和分块颜色矩特征使用卡方距离进行计算，得到的相似距离分别记为Dga，Dcm，则两幅图像之间的加权相似度总和为：D=w1Dmc+w2Dga+w3Dcm其中，w1,w2,w3分别为主颜色、主颜色聚集区域和分块颜色矩特征的权值，且w1+w2+w3=1。一般来说，花型图像的颜色相似性比其空间位置更容易吸引视觉的注意。因此在计算融合相似性时赋予颜色特征更大的权值，而分块颜色矩特征既有颜色特征又有空间分布信息，所以其所占权值应最高。根据经验在本文实验中令w1=0.2，w2=0.2，w3=0.6。3 实验结果与分析由于目前还没有针对面料花型图案的标准数据集，故本文在各类花型设计网站下载了一些花型图案，自建了一个面料花型图案数据集作为实验样本库。实验时，从每类图案中随机选取五张，共30张图案作为查询样本进行检索，取每次检索结果的前20张最相似的图案作为实验结果，并采用检索的查准率作为本文算法性能评价指标。图1所示为基于本文算法部分花型图案的检索结果，表1为本文算法与其他基于颜色特征检索算法进行的对比实验，表中显示了每个类别图案的检索查准率。图1部分花型图案的检索结果由表1的实验数据分析可知，本文提出的颜色特征提取算法在大多数花型图案类别中都具有较好的检索性能，尤其在波点、卡通、动物纹和格子类图案中获得最高的查准率，因为这些类别的图案一般颜色种94计算机时代 2023年 第9期类较少且色彩明显，颜色特征区分性强。与颜色直方图、颜色矩、图像主色等单一颜色特征方法相比，本文的融合颜色特征算法同时具有全局、局部和空间位置分布信息，对图像颜色特征描述更全面，因此检索效果显著提高。对比文献1提出的融合颜色矩和gist特征的算法，本文算法加入了主颜色及其聚集区域信息，对颜色空间分布特征的表达更有效，因此检索准确性也更高。表1面料花型图案数据集各类别图案检索查准率方法HISTCMDCD文献8文献1文献9本文方法各类别花型图案检索查准率/%波点69836488864588花卉90846793848291卡通73857683818390动物纹57587772814282植物72855490525879格子81798483817385平均查准率/%73.779.070.384.877.563.885.8注：HIST为颜色直方图，CM为颜色矩，DCD为主颜色描述符。4 结束语由于纺织织造工艺的限制，面料花型图案色彩数一般不会太多，但花型图案种类多样，难以管理，因此本文提出了一种基于主颜色及其聚集区域和分块颜色矩三种特征相结合的面料花型图案检索算法。该算法的优势在于，将图像的全局颜色特征、局部颜色特征和颜色的空间分布信息结合在一起，加权融合三种特征的相似度进行检索。实验结果表明，该算法在面料花型图案这类色彩数受限于工艺原因而颜色数很少的检索中具有良好的性能，能够快速、准确、高效地检索出色彩相似的图案，综合性能优于其他颜色检索算法。为进一步提高特征的表征能力，在后续的研究中，将在图像颜色特征和纹理特征方面进行融合优化算法研究，以提高面料花型图案的检索性能。参考文献(References):1 Jing Junfeng,Li Qi,Li Pengfei,et al.A new method ofprinted fabric image retrieval based on color momentsand gist feature descriptionJ.Textile Research Journal,2016,86(11):1137-1150.2 张霞,向军,张宁,等.采用改进的小波和颜色矩的色纺面料图像检索J.丝绸,2021,58(12):34-39.3 崔红静,景军锋,张缓缓,等.融合颜色和边缘特征的织物图像检索算法J.棉纺织技术,2019,47(10):35-39.4 Smith J R,Chang S F.VisualSEEk:a fully automatedcontent-based image query system C/ProceedingsofthefourthACMinternationalconferenceonMultimedia,1997:87-98.5 余芳.基于颜色特征的图像检索技术研究D.山东:中国石油大学,2008.6 李伟.改进的主颜色提取方法及自适应权重图像检索算法研究D.湖北:华中师范大学,2015.7 Stricker M A,Orengo M.Similarity of Color Images C/Storage and retrieval for image and video databasesIII.SPiE,1995,2420:381-392.8 Khwildi R,Zaid A O.Color Based HDR image retrievalusingHSVhistogramandcolormomentsC/IEEE/ACS the 15th International Conference on ComputerSystems and Applications(AICCSA).IEEE,2018:1-5.9 任平红,陈矗.基于聚类主颜色和边缘直方图的图像检索方法J.计算机技术与发展,2011,21(3):142-145.60(6):1097-1105.10 胡越,罗东阳,花奎,等.关于深度学习的综述与讨论J.智能系统学报,2019,14(1).11 Ye L,Li B,Dong L,et al.A convolutional neuralnetwork-basedapproachtoratecontrolinHEVCintracodingJ.2017IEEEVisualCommunicationsand Image Processing(VCIP),2017:1-4.12 Wei L,Yang Z,Wang G,et al.A CNN-Based OptimalCTUDecisionforHEVCIntraRateControlJ.IEICE Transactions on Information and Systems,2021,D(10):1766-1769.13 He K,Zhang X,Ren S,et al.Deep residual learning forimage recognitionJ.Proceedings of the IEEE confer-enceoncomputervisionandpatternrecognition,2016:770-778.14 K.Suehring.JVET common test conditions and softwarereference configurationsR.Joint Video Explor.Team,Tech.Rep.JVET-B1010,2016.(上接第91页)CECE95