基于邊緣和顏色特征的織物印花花型檢索

向 忠， 何 旋， 錢 淼， 胡旭東

(浙江理工大學(xué) 機(jī)械與自動控制學(xué)院， 浙江 杭州 310018)

隨著數(shù)碼印花等新技術(shù)的不斷發(fā)展與應(yīng)用，印花圖案形式日益豐富，顏色更加多樣，與之配套的花型樣品庫也隨之不斷擴(kuò)充，傳統(tǒng)采用人工從樣品庫檢索花型的方式由于效率低下而難以滿足現(xiàn)代企業(yè)對花型檢索快速、便捷的要求。近年來圖像檢索技術(shù)的發(fā)展與成熟，使得圖像檢索技術(shù)應(yīng)用于織物花型檢索成為一種新的研究趨勢[1-3]。

根據(jù)人的視覺感知，花型圖案的相似首先應(yīng)該是形狀相似，只有在形狀相似的基礎(chǔ)上，顏色等特征的相似才更具有意義。而同一花型形狀又由外部輪廓和內(nèi)部結(jié)構(gòu)構(gòu)成，部分印花花型雖然外形相似或相同，但內(nèi)部結(jié)構(gòu)卻有明顯差異，這種同形異構(gòu)的花型在印花中十分普遍。傳統(tǒng)的基于形狀的圖像檢索算法只能檢索出外形相似的花型，而不能有效區(qū)分花型內(nèi)部結(jié)構(gòu)的差別，這制約了其在織物花型檢索領(lǐng)域的應(yīng)用[4]；此外，顏色是織物花型的另一重要特性，同型不同色現(xiàn)象在織物印花領(lǐng)域同樣較為普遍，僅靠邊緣輪廓特征并不能準(zhǔn)確區(qū)分出形狀相同但顏色不同的花型，因此在織物花型檢索中，顏色特征同樣具有其重要性。眾所周知，織物印花一般在具有底色的織物上進(jìn)行，大量底色充斥于花型周圍，對花型顏色特征提取造成較大干擾，使得現(xiàn)有的很多基于顏色的圖像檢索算法并不完全適用于織物花型檢索[5-6]。

花型圖像中不同顏色交接而成的邊緣特征既包含了花型的外部輪廓信息，又包含了花型內(nèi)部結(jié)構(gòu)信息，對花型邊緣特征進(jìn)行對比分析，可準(zhǔn)確區(qū)分具有不同形狀的花型。大量研究者采用邊緣檢索法來實(shí)現(xiàn)圖像檢索，但是現(xiàn)有的檢索算法基本都將所獲取的全部邊緣信息進(jìn)行平等對待，不能準(zhǔn)確地區(qū)分包含外部輪廓信息的外邊緣和包含內(nèi)部結(jié)構(gòu)信息的內(nèi)邊緣的差異[7]。為更好地檢索出那些內(nèi)部結(jié)構(gòu)具有明顯差異但是外形相同或相似的花型，必須對內(nèi)外邊緣賦予不同的權(quán)重，以進(jìn)行區(qū)別對待；此外，花型的彩色邊緣還包含了豐富的顏色信息，它既可準(zhǔn)確描述由邊緣所封閉的內(nèi)部連通域的顏色特征，又可將底色對花型顏色的干擾降到最低，因此，可以利用邊緣顏色特征來提高同型不同色織物花型檢索結(jié)果的準(zhǔn)確性[8]。

針對織物花型的上述特點(diǎn)，本文提出了一種綜合了邊緣位置、邊緣方向及邊緣顏色信息的織物花型檢索算法。該算法在邊緣提取的基礎(chǔ)上，根據(jù)邊緣點(diǎn)與邊緣距離加權(quán)中心點(diǎn)之間的最大距離，將織物花型圖案劃分到若干個(gè)等距的環(huán)形區(qū)域內(nèi)，提取邊緣距離直方圖，用于描述邊緣空間位置特征；繼而通過對邊緣進(jìn)行直線擬合提取出邊緣方向直方圖，用于描述邊緣空間方向特征；并通過對織物花型彩色邊緣進(jìn)行顏色量化，提取彩色邊緣顏色直方圖，用于描述花型顏色特征；最后，綜合上述3種特征信息來實(shí)現(xiàn)織物花型檢索。

1 圖像預(yù)處理

1.1 中值濾波

織物由經(jīng)紗和緯紗交錯(cuò)而成，在圖片中的同色區(qū)域，紗線之間的間隙往往偏暗，而紗線本身則會比較亮，這樣就會在圖片上形成亮暗交錯(cuò)的紋理。此外，由于紗線的柱狀結(jié)構(gòu)，在印花過程中，紗線的間隙部分往往會產(chǎn)生少量的白點(diǎn)，這些因素造成織物圖片中存在大量脈沖噪聲和椒鹽噪聲。織物圖像中的噪聲會對后續(xù)圖像特征的提取造成很大干擾，降低算法精度，因此必須對噪聲進(jìn)行濾波處理。

中值濾波是一種非線性濾波器，它利用像素點(diǎn)鄰域中間值代替該像素點(diǎn)，可有效濾除織物圖像中的椒鹽噪聲和脈沖噪聲，并能避免因線性濾波所造成的圖像模糊問題，同時(shí)保留圖像邊緣特征，是圖像濾波中應(yīng)用較為廣泛的一種濾波算法，相關(guān)計(jì)算公式如下：

A(i，j)=med(a0,a1，…，ak)

(1)

式中：A(i,j)表示圖像中第i行第j列的像素值；ak表示像素A(i,j)的鄰域采樣像素值；k表示鄰域采樣像素值總數(shù)，本文下述實(shí)驗(yàn)過程中采用5像素×5像素的鄰域采樣模板，k=25。

圖1示出織物圖像預(yù)處理及邊緣特征提取效果圖。對圖1(a)中織物原圖進(jìn)行局部放大可看出，織物原圖中具有較多的椒鹽噪聲，且紋理特征十分突出；采用中值濾波方法對原始圖像處理后，原始圖像中的紋理和椒鹽噪聲經(jīng)濾波后基本消除，且對圖像邊緣清晰度影響較低，不影響下述邊緣提取處理。

圖1 織物圖像預(yù)處理及邊緣特征提取效果圖Fig.1 Fabric image pre-processing and edge detection. (a) Original image; (b) Fabric image edge detection result

1.2 邊緣提取

邊緣特征是判斷花型的一個(gè)重要特征，常用的邊緣提取方法主要有Kirsch、Sobel、Canny算子等。由于經(jīng)過中值濾波后的織物花型圖像中仍有殘余噪聲，本文研究采用能夠在噪聲抑制與邊緣檢測之間取得良好平衡的Canny算子提取邊緣。織物花型邊緣提取效果如圖1(b)所示。

2 圖像特征提取

為區(qū)分外形相同內(nèi)部結(jié)構(gòu)不同和同型不同色的織物花型圖案，本文提取邊緣距離直方圖與邊緣方向直方圖作為描述邊緣空間位置及方向的特征，而提取彩色邊緣顏色直方圖描述圖像顏色的特征。

2.1 邊緣距離直方圖

2.1.1邊緣距離直方圖的構(gòu)造

圖像檢索算法必須具有旋轉(zhuǎn)不變性和縮放不變性。為滿足上述要求，本文在求解織物花型邊緣圖像邊緣坐標(biāo)加權(quán)中心的基礎(chǔ)上，計(jì)算獲取邊緣坐標(biāo)與加權(quán)中心之間的最遠(yuǎn)距離，然后對該距離進(jìn)行等分，并以加權(quán)中心為圓心，以等分后的長度倍值為半徑畫圓，實(shí)現(xiàn)對邊緣圖像的分割。最后計(jì)算各等分圓面內(nèi)所包含的邊緣點(diǎn)個(gè)數(shù)來構(gòu)成邊緣距離直方圖，實(shí)現(xiàn)對花型邊緣所處空間位置的定量描述。

花型邊緣圖像中各邊緣坐標(biāo)點(diǎn)的加權(quán)中心P(xc,yc)所在坐標(biāo)點(diǎn)可由下式計(jì)算獲得：

(2)

式中：xc、yc分別代表加權(quán)中心點(diǎn)的橫、縱坐標(biāo)值；xi、yi分別代表邊緣圖像中第i個(gè)邊緣點(diǎn)的橫、縱坐標(biāo)值；N代表邊緣圖像中坐標(biāo)點(diǎn)的總個(gè)數(shù)。

邊緣點(diǎn)距離邊緣加權(quán)中心的最遠(yuǎn)距離Dmax可用下式進(jìn)行計(jì)算：

(3)

據(jù)此，可以P(xc,yc)為中心，以Dmax為半徑作圓，此圓為完全包絡(luò)織物邊緣圖像所有邊緣點(diǎn)的最小圓；為分析邊緣內(nèi)部結(jié)構(gòu)構(gòu)成，將此圓面區(qū)域等距劃分為l個(gè)環(huán)形區(qū)域，并按下式計(jì)算求解邊緣距離直方圖各構(gòu)成分量：

em=nm/N, 0≤m≤l-1

(4)

式中：m為環(huán)形區(qū)域編號，m越小越靠近環(huán)形中心;nm表示第m個(gè)環(huán)形區(qū)域中邊緣點(diǎn)的個(gè)數(shù)；em代表第m個(gè)環(huán)形區(qū)域內(nèi)邊緣點(diǎn)數(shù)量占邊緣點(diǎn)總數(shù)的比例，為歸一化后的邊緣距離直方圖構(gòu)成元素。

2.1.2邊緣距離直方圖相似性度量

為實(shí)現(xiàn)花型檢索，還需對比分析被檢索花型與花型庫內(nèi)各圖片的邊緣距離直方圖之間的相似性。若I 代表被檢索圖片，Q代表花型庫中的圖片，可用下式對2幅圖像的相似度進(jìn)行計(jì)算：

(5)

式中：LE表示圖像I與Q之間邊緣距離直方圖的相似度。分析式(5)可知，LE越小，則相似度越高；為凸顯不同等分圓面m內(nèi)邊緣點(diǎn)在相似度計(jì)量時(shí)的重要性，采用相似度權(quán)值wm對各環(huán)面的相似度進(jìn)行加權(quán)；一般而言，花型外部邊緣的相似更符合感官相似的要求，因此本文在進(jìn)行相似性度量時(shí)，給外部邊緣賦予了比內(nèi)部邊緣更大的權(quán)重。

2.2 邊緣方向直方圖

2.2.1邊緣方向直方圖的構(gòu)造

由圖像邊緣的連續(xù)性特征可知，在以某邊緣點(diǎn)為中心的3像素×3像素鄰域內(nèi)至少存在3個(gè)連續(xù)邊緣點(diǎn)，連接該鄰域內(nèi)相距最遠(yuǎn)的2個(gè)連續(xù)邊緣點(diǎn)中心，定義所得直線作為此鄰域中心點(diǎn)的擬合直線，圖2為3像素×3像素鄰域內(nèi)的8種典型擬合直線圖(f1-f8)。舍棄不連續(xù)邊緣點(diǎn)，并以該法遍歷邊緣圖像內(nèi)所有連續(xù)的邊緣點(diǎn)，通過對所得擬合直線進(jìn)行如下操作：1)各擬合直線采用首尾相接方式進(jìn)行連接；2)當(dāng)多條擬合直線共線時(shí)，保留重合部分而剪除懸空端；3)當(dāng)多條擬合直線相交時(shí)，剪除懸空端。據(jù)此則可得圖3(a)所示邊緣局部擬合效果圖中的實(shí)線部分，圖中虛線部分為根據(jù)上述步驟剪除的部分。由圖2和圖3(a)可知，該擬合方法可有效描述邊緣點(diǎn)的空間走向。

圖2 3像素×3像素鄰域內(nèi)8種典型直線擬合效果圖Fig.2 Eight typical fitting examples in 3 pixel×3 pixel neighborhood

考慮到隨圖像旋轉(zhuǎn)，各擬合直線也均隨之旋轉(zhuǎn)，使得擬合直線的方向發(fā)生變化，為滿足旋轉(zhuǎn)不變性要求，首先連接邊緣加權(quán)中心點(diǎn)P(xc,yc)和各3像素×3像素鄰域中心點(diǎn)得到斜率為k1的直線T1，記該鄰域的擬合直線為T2，斜率為k2，2條直線空間關(guān)系如圖3(b)所示，可用公式計(jì)算獲取T1、T22條直線夾角中的小角θ：

θ=|arctan((k2-k1)/(1+k1k2))|

(6)

θ=0,1,…,90

由式(6)可知，θ可對該邊緣點(diǎn)的方向特征進(jìn)行描述，故采用下式可獲得邊緣方向直方圖每列的值：

db=Sb/N

(7)

式中：Sb為邊緣方向角θ=b的邊緣點(diǎn)的個(gè)數(shù)；db為邊緣方向角θ=b的邊緣點(diǎn)占邊緣點(diǎn)總數(shù)的比例。

圖3 邊緣像素點(diǎn)直線擬合效果及其方向描述角Fig.3 Line fitting effect diagram based on edge pixels and the definition of direction angle. (a) Partial edge fitting result;(b) Definition of edge direction angle

2.2.2邊緣方向直方圖相似性度量

類似，可采用下式對2幅圖像的邊緣方向直方圖相似度進(jìn)行計(jì)算：

(8)

式中，LD表示圖像I與Q邊緣方向直方圖的相似度，且LD越小，邊緣方向的相似度越高。

2.3 彩色邊緣顏色直方圖

顏色直方圖是圖像檢索中最常用的顏色特征描述方法，傳統(tǒng)的基于全局顏色的顏色直方圖并不適用于描述具有大量底色的織物花型檢索[9]。為此，本文首先利用經(jīng)Canny算子提取的邊緣坐標(biāo)與原圖的對應(yīng)關(guān)系，得到織物花型圖像的彩色邊緣，然后計(jì)算獲取由織物花型邊緣顏色組成的顏色直方圖作為特征實(shí)現(xiàn)織物花型的顏色檢索，以此降低底色對織物花型顏色特征的影響。

2.3.1顏色空間的量化及顏色特征提取

電子圖像一般采用RGB顏色模型進(jìn)行描述，該模型與人眼所感知顏色存有較大差別，并不完全適用于織物花型檢索。而HSV顏色空間由色調(diào)(H)、飽和度(S)、亮度(V)3個(gè)分量組成，更符合人眼的視覺感知，因此，本文在提取顏色特征前，首先將圖片從RGB顏色空間轉(zhuǎn)換到HSV顏色空間。由于HSV顏色空間為連續(xù)空間，為確保計(jì)算效率，本文對H、S、V分量分別進(jìn)行非均勻量化[10]，即將色調(diào)H量化為紅、橙、黃、綠、青、藍(lán)、紫7個(gè)級別，將飽和度S和亮度V分別量化為3個(gè)級別。對H、S、V進(jìn)行量化的公式分別如下式所示：

(9)

(10)

(11)

此外，由于圖像檢索資源消耗較高，為提高檢索效率，還需將高維度檢索降階為低維度檢索，式(12)為將三維顏色分量轉(zhuǎn)化為一維顏色特征向量K的計(jì)算表達(dá)式：

K=HQSQV+SQV+V

(12)

式中：QS和QV分別是S和V的量化級數(shù)。本文取QS=3，QV=3，因此式(12)可改寫為

K=9H+3S+V

(13)

這樣顏色空間就從三維空間量化到了一維空間。由式(9)、(11)可知，K的取值范圍為0～62，也即經(jīng)量化后的顏色空間由此63種顏色特征值構(gòu)成。據(jù)此可對花型的彩色邊緣進(jìn)行顏色量化，獲取邊緣顏色直方圖的特征向量[C]={C0,C1,…，C62}。

2.3.2彩色邊緣顏色直方圖相似性度量

對于彩色邊緣顏色直方圖的相似性度量依然采用式(5)所示歐式距離表達(dá)法，計(jì)算公式如下：

(14)

式中：LC表示圖像I與Q彩色邊緣顏色直方圖的相似度，且LC越小，顏色相似度越高。

3 圖像相似性度量

3.1 特征相似度歸一化

在邊緣特征和顏色特征提取基礎(chǔ)上，已獲取圖像邊緣距離直方圖相似度LE、邊緣方向直方圖相似度LD和彩色邊緣顏色直方圖的相似度LC，為兼顧邊緣特征和顏色特征，并在檢索結(jié)果中予以體現(xiàn)，同時(shí)確保檢索結(jié)果的唯一性，還需對LE、LD和LC進(jìn)行綜合，以期獲取圖像相似度與LE、LD和LC的數(shù)學(xué)表達(dá)式。由于LE、LD和LC分別表征3種不同特征的相似度，三者的取值范圍存有較大差異，如果直接對三者進(jìn)行數(shù)學(xué)綜合，將無法在檢索結(jié)果中體現(xiàn)較小特征值的影響度。為減小3種相似度數(shù)值上的差異，本文對LE、LD和LC分別進(jìn)行歸一化。

1)計(jì)算花型圖像庫中所有M幅圖像的LE、LD和LC，得到3種相似度的集合：[L1]={LE1,LE2，…,LEM}，[L2]={LD1，LD2，…,LDM}， [L3]={LC1，LC2，…,LC M}。

2)分別計(jì)算集合[L1]、[L2]和[L3]內(nèi)的最大值LEmax、LDmax、LCmax和最小值LEmin、LDmin、LCmin。

3)對3個(gè)集合中的每個(gè)元素進(jìn)行歸一化：

(15)

(16)

(17)

式中p為圖像索引。通過以上歸一化步驟，將[L1]、[L2]和[L3]中各元素值均量化到區(qū)間[0,1]之間，以消除因特征不同而造成的數(shù)值上的差異。

3.2 相似度結(jié)合

特征相似度歸一化后，本文采用式(18)所示的相似度計(jì)算公式表征圖庫中第p幅圖與被檢索圖像直接的相似度：

L=β1L1p+β2L2p+β3L3p

(18)

式中：L表示圖像的相似度，L越小表示相似度越高，2張圖像越相似；β1、β2、β3分別為邊緣距離直方圖、邊緣方向直方圖相似度和彩色邊緣顏色直方圖相似度的權(quán)值，且β1+β2+β3=1。一般，在圖像檢索中，邊緣特征的相似比顏色特征的相似具有更高的優(yōu)先級別，因此在計(jì)算圖像的相似度的過程中可將邊緣特征賦予比顏色特征更高的權(quán)值。由經(jīng)驗(yàn)值確定在本文實(shí)驗(yàn)中β1=0.6，β2=0.2，β3=0.2[2,11]。

4 討論與分析

本節(jié)首先對所提取的邊緣距離直方圖、邊緣方向直方圖和彩色邊緣顏色直方圖特征進(jìn)行算法分析，然后通過實(shí)驗(yàn)驗(yàn)證本文檢索算法的準(zhǔn)確性。

4.1 算法分析

圖4為不同的織物圖案及其邊緣距離直方圖。其中：圖4(a)、(b)為2種不同的織物印花花型原圖，二者外形相同但內(nèi)部結(jié)構(gòu)略有差別；圖4(c)為圖4(a)旋轉(zhuǎn)一定角度后的結(jié)果，圖4(d)為圖4(a)的比例縮放結(jié)果；取l=10，圖4(e)～(h)分別為圖4(a)～(d)的邊緣距離直方圖。

圖4 不同圖像及其邊緣距離直方圖Fig.4 Different images and respective edge distance histograms. (a) Pattern of a; (b) Pattern of b; (c) Rotation of a; (d) Zoom of a; (e) Edge distance histosram of (a); (f) Edge distance histogram of (b); (g) Edye distan histogram of (c); (h) Edge distance histogram of (d)

對比分析圖4(e)和圖4(f)可知，2幅邊緣距離直方圖具有明顯的差別，因此本文所提出的等分圓面法所獲取的邊緣距離直方圖可準(zhǔn)確地區(qū)分外形相同但內(nèi)部結(jié)構(gòu)不同的花型；邊緣距離直方圖采用的環(huán)形區(qū)域劃分，圖像旋轉(zhuǎn)并不會改變邊緣點(diǎn)在環(huán)形區(qū)域中的分布，圖4(e)和圖4(g)并無明顯差異，可知邊緣距離直方圖具有旋轉(zhuǎn)不變性；對比圖4(e)與圖4(h)可知，邊緣距離直方圖并不會隨著圖像的縮放發(fā)生變化，因此具有旋轉(zhuǎn)不變性；此外，圖像的平移不會改變圖像邊緣中點(diǎn)與各邊緣點(diǎn)之間的距離，也不會改變環(huán)形區(qū)域劃分，因此邊緣距離直方圖還具有平移不變性。

此外，從幾何學(xué)角度來看，邊緣方向直方圖以邊緣中心點(diǎn)與邊緣點(diǎn)確定的直線和邊緣點(diǎn)在3像素×3像素鄰域內(nèi)擬合直線之間小角確立，由于2條相交直線的夾角并不隨圖像的平移、旋轉(zhuǎn)、縮放而發(fā)生改變，故邊緣方向直方圖對圖片的平移、縮放、旋轉(zhuǎn)都具較好的魯棒性；而顏色直方圖本身并不包含空間信息，因此其對圖片的平移、旋轉(zhuǎn)、縮放同樣具有較好的魯棒性。

4.2 相似花型庫檢索實(shí)驗(yàn)

為檢驗(yàn)本文算法對同型不同色花型以及外形相同但內(nèi)部結(jié)構(gòu)不同的相似花型的檢索效果，本文首先進(jìn)行相似花型庫檢索實(shí)驗(yàn)。實(shí)驗(yàn)所用相似花型庫容量包含5組共400張圖片，其中每組包含80張同型不同色和外形相似，內(nèi)部結(jié)構(gòu)略有差異的花型圖片及其經(jīng)過平移、旋轉(zhuǎn)、縮放的圖片。每次檢索取相似度最高的前10張圖片作為結(jié)果顯示，按照相似度的高低，從左到右，從上到下排列。實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 相似花型庫檢索結(jié)果Fig.5 Retrieval results on datebase of similar pattern. (a) Image retrieval; (b) First ten images of retrieval results

圖5所示的實(shí)驗(yàn)結(jié)果中，所有圖片均與待檢索圖片外形幾乎完全一致，且排在前6位的花型圖片與待檢索花型的內(nèi)部結(jié)構(gòu)、顏色等均保持有較高相似度，而與待檢索花型圖像內(nèi)部結(jié)構(gòu)略有差異的花型圖片則排在靠后位置。根據(jù)上述實(shí)驗(yàn)結(jié)果可發(fā)現(xiàn)，本文所述算法可準(zhǔn)確地從相似的花型中檢索出與目標(biāo)圖片最為相近的花型，并對經(jīng)平移、旋轉(zhuǎn)和縮放后的圖像檢索具有一定穩(wěn)定性。此外，在外部形狀相同的情況下，本文算法可比較準(zhǔn)確地把內(nèi)部結(jié)構(gòu)相同的圖片放在檢索結(jié)果靠前的位置；在邊緣特征相同的情況下，可將顏色接近的圖片放在比較靠前的位置。

4.3 混合花型庫檢索實(shí)驗(yàn)

本文實(shí)驗(yàn)所用的混合圖像庫包含50類共1 000張各種卡通、植物花卉、動物、格子等常見織物花型圖案，每類花型包含20張相似的花型圖像。從50類花型中每類挑選3張圖片作為一組進(jìn)行混合花型庫檢索實(shí)驗(yàn)，檢索結(jié)果的顯示與排列規(guī)律同上。圖6示出單次檢索結(jié)果。

圖6 混合花型庫檢索結(jié)果Fig.6 Retrieval results on datebase of mixed types pattern. (a) Image retrieval; (b) First ten images of retrieval results

為對圖像檢索的準(zhǔn)確性進(jìn)行量化描述，采用查準(zhǔn)率(檢索出正確圖片與圖片總量的比值)計(jì)算公式對檢索結(jié)果準(zhǔn)確性進(jìn)行描述。定義檢索結(jié)果中與目標(biāo)花型同屬一類的花型圖像為檢索正確的圖片，計(jì)算每組圖片查準(zhǔn)率的平均值作為該組圖片的查準(zhǔn)率，結(jié)果如圖7所示。本文算法的平均查準(zhǔn)率在93.17%左右。

圖7 查準(zhǔn)率Fig.7 Retrieval precision ratio

由圖6所示檢索結(jié)果和圖7所示的查準(zhǔn)率可知，本文算法可較為準(zhǔn)確地在含有各種類型花型圖案的混合圖像庫中檢索出與目標(biāo)花型相同或者相似的花型圖片，但是通過大量實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)圖片壓縮倍數(shù)過大時(shí)，其邊緣距離直方圖與邊緣方向直方圖會發(fā)生比較明顯的變化，從而導(dǎo)致實(shí)驗(yàn)結(jié)果中出現(xiàn)錯(cuò)檢或漏檢圖片的現(xiàn)象，這也是造成圖7中部分組查準(zhǔn)率較低的主要原因。

5 結(jié)束語

本文針對織物花型同型不同色以及外形相同內(nèi)部結(jié)構(gòu)不同的特點(diǎn)，提取邊緣距離直方圖，以邊緣方向直方圖作為邊緣特征，彩色邊緣顏色直方圖作為顏色特征，并綜合利用邊緣特征和顏色特征對織物花型進(jìn)行檢索，最后通過實(shí)驗(yàn)驗(yàn)證了本文算法可準(zhǔn)確地檢索出相同或者相似的花型。

由于織物花型的復(fù)雜性與多樣性，本文算法仍有需要改進(jìn)、優(yōu)化之處。首先邊緣距離直方和邊緣方向直方圖雖然能從2個(gè)角度描述花型的邊緣特征，并形成互補(bǔ)，但是仍不能全面地表達(dá)圖像邊緣點(diǎn)的空間位置信息，而且也沒有體現(xiàn)出邊緣點(diǎn)之間在距離和方向上的相關(guān)性。此外，本文采用的3種特征均是在邊緣提取的基礎(chǔ)上構(gòu)造的，因此邊緣提取的質(zhì)量對本文算法有較大影響，如何高質(zhì)量的提取出織物的邊緣特征也是需要進(jìn)一步研究的問題。

參考文獻(xiàn)：

[1] JING J, LI Q, LI P, et al. Patterned fabric image retrieval using color and space features[J]. Journal of Fiber Bioengineering and Informatics, 2015, (9): 603-614.

[2] JING J, LI Q, LI P, et al. A new method of printed fabric image retrieval based on color moments and gist feature description[J]. Textile Research Journal, 2016, 86(11): 1137-1150.

[3] 康鋒，胡潔，張華熊，等. 基于最大穩(wěn)定極值區(qū)域的織物圖案檢索[J]. 紡織學(xué)報(bào), 2015, 36(10): 156-160.

KANG Feng, HU Jie, ZHANG Huaxiong, et al. Fabric pattern retrieval based on maximum stable extremal regions[J]. Journal of Textile Research, 2015, 36(10): 156-160.

[4] ZHANG D, LU G. Shape-based image retrieval using generic Fourier descriptor[J]. Signal Processing: Image Communication, 2002, 17(10): 825-848.

[5] TALIB A, MAHMUDDIN M, HUSNI H, et al. A weighted dominant color descriptor for content-based image retrieval[J]. Journal of Visual Communication and Image Representation, 2013, 24(3): 345-360.

[6] LIU G H, YANG J Y. Content-based image retrieval using color difference histogram[J]. Pattern Recognition, 2013, 46(1): 188-198.

[7] 陳景偉, 王向陽, 于永健. 基于邊緣直方圖的彩色圖像檢索算法研究[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2010(5): 978-983.

CHEN Jingwei, WANG Xiangyang, YU Yongjian. Edge-based color image retrieval by using multiple histogram[J].Journal of Chinese Computer Systems, 2010 (5): 978-983.

[8] 楊紅穎, 吳俊峰, 于永健,等. 一種基于 HSV 空間的彩色邊緣圖像檢索方法[J]. 中國圖象圖形學(xué)報(bào), 2008, 13(10): 2035-2038.

YANG Hongying, WU Jufeng, YU Yongjian, et al. Conten based image retrieval using color edge histogram in HSV color space[J].Journal of Image and Graphics,2008, 13(10): 2035-2038.

[9] HUANG J, KUMAR S R, MITRA M, et al. Image indexing using color correlograms[C]//Computer Vision and Pattern Recognition, 1997 Proceedings. [S.l.]: IEEE, 1997: 762-768.

[10] 張鑫, 溫顯斌, 孟慶霞. 基于顏色特征的圖像檢索方法研究[J]. 計(jì)算機(jī)科學(xué), 2012, 39(11):243-246,260.

ZHANG Xin, WEN Xianbin, MENG Qingxia, Research of image retrieval method based on color feature[J].Computer science,2012, 39(11),243-246,260.

[11] ZHENG X, TANG B, GAO Z, et al. Study on image retrieval based on image texture and color statistical projection[J]. Neurocomputing, 2016, 215: 217-224.