[发明专利]一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法

摘要

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基于Sobel算子的概貌与细节混合特征向量提取方法。首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到两幅相应的滤波图像；从两幅滤波图像中各自计算方式一致的一组灰度统计量作为概貌特征；同时依据织物纹理基本循环周期和遍历法原理从两幅滤波图像中计算得到四个极值灰度统计量作为细节特征，该灰度统计量与计算概貌特征时选用的灰度统计量一致；最后将上述两个概貌特征与四个细节特征组成混合特征向量。这种混合特征向量内各特征间具有高度的互补性，兼顾纹理的概貌信息和细节信息，也兼顾纹理的横向信息和纵向信息，能够全面和细致地刻画织物纹理特点。

主权项

一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法，其特征是：首先对原织物图像分别进行水平和垂直Sobel算子滤波处理，得到相应的两幅滤波图像；从两幅相应滤波图像中各自计算方式一致的各一个成为一组灰度统计量作为概貌特征；同时依据遍历法原理分别计算两幅滤波图像中每一个包含一个横向基本循环周期的子窗口的灰度统计量和每一个包含一个纵向基本循环周期的子窗口的灰度统计量；这里所述的灰度统计量与计算概貌特征时选用的灰度统计量一致，最后从中选取两个反映横向细节信息的灰度统计量极值和两个反映纵向细节信息的灰度统计量极值作为表征织物纹理的细节特征；最后将上述两个概貌特征与四个细节特征组成混合特征向量；所述的用于表征织物纹理的Sobel算子滤波概貌与细节混合特征向量的提取过程如下：首先采集数字化织物纹理图像，记为W，W为矩形，其尺寸长×宽为L1×L2，即横向和纵向长度分别为L1和L2，而其沿横向的基本周期即列周期为P1个像素，沿纵向的基本周期即行周期为P2，行周期和列周期均指取整后的像素数，P1通过计算W的任一行图像像素灰度值集合的基本循环周期得到，P2通过计算W的任一列图像像素灰度值集合的基本循环周期得到；对原始织物图像矩形窗口W进行Sobel算子水平滤波，经滤波后的图像记为Wh，选择一种灰度统计量，计算Wh的该灰度统计量，作为表征织物纹理水平信息的概貌特征之一，记为Eh；在滤波后的织物图像矩形窗口Wh中建立矩形子窗口W2，所述的矩形子窗口W2的长度等于滤波后的织物图像矩形窗口Wh的长度L1，所述的矩形子窗口W2的宽度等于织物纹理纵向基本循环周期单位长度即行周期单位长度P2，将矩形子窗口W2以每次固定的步长垂直地滑移以遍历整个Wh，选用与计算Eh一致的灰度统计量，从而相应求得一系列灰度统计值，分别记其中的最小者和最大者为E1和E2，E1即为横向边缘极小统计量，E2即为横向边缘极大统计量；对原始织物图像矩形窗口W进行Sobel算子垂直滤波，经滤波后的图像记为Wv，选用与计算Eh一致的灰度统计量，计算Wv的该灰度统计量，作为表征织物纹理垂直信息的概貌特征之一，记为Ev；在滤波后的织物图像矩形窗口Wv中建立矩形子窗口W1，所述的矩形子窗口W1的长度等于织物纹理横向基本循环周期单位长度即列周期单位长度P1，所述的矩形子窗口W1的宽度等于滤波后的织物图像矩形窗口Wv的宽度L2，将矩形子窗口W1以每次固定的步长水平地滑移以遍历整个Wv，选用与计算Eh一致的灰度统计量从而相应求得一系列灰度统计值，分别记其中的最小者和最大者为E3和E4，E3即为纵向边缘极小统计量，E4即为纵向边缘极大统计量；最终得到表征织物纹理的混合特征向量[Eh Ev E1E2E3E4]。