蕾丝花边自动检索系统的使用方法专利检索-自相关矩阵数学与统计专利检索查询-专利查询网

蕾丝花边自动检索系统的使用方法

阅读：151发布：2020-05-08

专利汇可以提供蕾丝花边自动检索系统的使用方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种蕾丝花边自动检索系统的使用方法。通过浏览器，将本地计算机或移动终端中的待检索蕾丝花边图像发送到服务器端；服务器端接收到图像之后，采用距离叠加函数方法求取蕾丝花边的一个纹理周期图像，然后由灰度共生矩阵得到该纹理周期图像的纹理特征，由该纹理周期图像的高度和宽度比得到形状特征；求取待检索图像的特征向量与服务器数据库中所有蕾丝花边图像的特征向量的欧式距离，得到距离最小的前十种蕾丝花边，并将检索结果返回至本地计算机或移动终端；在本地计算机或移动终端上显示待检索蕾丝花边图像和十种检索到的蕾丝花边图像及其相应详细信息，供用户进一步选择和确认。本发明可对蕾丝花边图像进行自动检索，方便快捷。，下面是蕾丝花边自动检索系统的使用方法专利的具体信息内容。

权利要求

1.一种蕾丝花边自动检索系统的使用方法，其步骤为：
(1)通过浏览器，将本地计算机或移动终端中的待检索蕾丝花边图像发送到服务器端；
(2)服务器端接收到图像之后，采用距离叠加函数方法求取蕾丝花边的一个纹理周期图像，然后由灰度共生矩阵得到该纹理周期图像的纹理特征，由该纹理周期图像的高度和宽度比得到形状特征；对一维序列，其距离匹配函数可定义为：
其中I(x)为x位置的值，δ为像素移动距离，M为序列I的长度；如果序列为周期性的，且其周期为p，则I(x)＝I(x+np)，其中n＝1，2，…；如果像素移动距离δ与纹理周期p相等，则式(1)的值为0；由此，通过调整δ的值，d(δ)的值会相应变化，并且d(δ)的最小值对应的δ值即为纹理周期p；
对于大小为M×N的图像，其第y列像素为一维序列，则第y列像素距离匹配函数为：
为减小噪声影响，将每一列的距离匹配函数值累加，得到列距离叠加函数：
与一维序列类似，d(δ)的值会随着δ的值的变化而变化，d(δ)的最小值对应的δ值即为纹理周期p，纹理周期p即为一个纹理周期图像的高度值H；通过图像分割算法可得到纹理周期图像的宽度W；从而得到蕾丝花边的一个纹理周期图像；
(3)求取待检索图像的特征向量与服务器数据库中所有蕾丝花边图像的特征向量的欧式距离，得到距离最小的前十种蕾丝花边，并将检索结果返回至本地计算机或移动终端；
(4)在本地计算机或移动终端上显示待检索蕾丝花边图像和十种检索到的蕾丝花边图像及其相应详细信息，供用户进一步选择和确认。
2.根据权利要求1所述的方法，其特征在于：步骤(2)中，灰度共生矩阵是记录满足一定条件的点对出现次数的矩阵；对于大小为H×W的灰度图像，偏移量为像素灰度级为G，对应于该灰度图像的大小为G×G的灰度共生矩阵表示为：
其中δ{True}＝1，δ{False}＝0；共生矩阵位置(i，j)处的值表示灰度级为i的像素点经过偏移量后达到灰度级为j的像素点的点对出现的次数。
3.根据权利要求2所述的方法，其特征在于：对于一幅图像，取8个不同的偏移量，分别为(-1,-1)、(-1,0)、(-1,1)、(0,1)、(1,1)、(1,0)、(1,1)、(0,-1)，对应于这8个不同的偏移量可得到8个灰度共生矩阵，将这8个灰度共生矩阵求平均得到一个灰度共生矩阵，由这个平均后得到的灰度共生矩阵Pi，j，可得到纹理特征：能量(Energy)、熵(Entropy)、对比度(Contrast)、逆差距(Homogeneity)和自相关(Correlation)，分别表示如下：

说明书全文

蕾丝花边自动检索系统的使用方法

技术领域：

[0001] 本发明属于机器视觉和模式识别技术领域，特别涉及一种蕾丝花边自动检索系统的使用方法。背景技术：

[0002] 一般蕾丝花边生产企业或销售商会有几千到上万种蕾丝花边。在实际营销或生产过程中，常常需要根据客户来样在存储花边的数据库中查找是否有与来样相同或类似的产品，从而能够确认来样工艺参数，快速反馈信息给客户。目前在企业中，常用的检索方法是基于文本的，即对于每一种蕾丝花边采用人工标注的方法，检索结果受主观因素影响大，不同的标注者对同一幅图像理解可能不同，会给出不同的标注，从而导致检索准确度不高，效率低。

[0003] 随着机器视觉和模式识别技术的发展，基于内容的图像检索方法越来越受到人们的关注和研究。与基于文本的检索方法不同，基于内容的图像检索是利用图像自身的特征，如颜色、纹理、形状等特征，进行检索。基于内容的图像检索，因其图像特征的客观性，不受人为主观因素影响。因此如何将该技术在实际应用中，是人们急需解决的问题。

[0004] 公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。发明内容：

[0005] 本发明的目的在于提供一种蕾丝花边自动检索系统的使用方法，从而克服上述现有技术中的缺陷。

[0006] 为实现上述目的，本发明提供了

[0007] 一种蕾丝花边自动检索系统的使用方法，其步骤为：

[0008] (1)通过浏览器，将本地计算机或移动终端中的待检索蕾丝花边图像发送到服务器端；

[0009] (2)服务器端接收到图像之后，采用距离叠加函数方法求取蕾丝花边的一个纹理周期图像，然后由灰度共生矩阵得到该纹理周期图像的纹理特征，由该纹理周期图像的高度和宽度比得到形状特征；

[0010] (3)求取待检索图像的特征向量与服务器数据库中所有蕾丝花边图像的特征向量的欧式距离，得到距离最小的前十种蕾丝花边，并将检索结果返回至本地计算机或移动终端；

[0011] (4)在本地计算机或移动终端上显示待检索蕾丝花边图像和十种检索到的蕾丝花边图像及其相应详细信息，供用户进一步选择和确认。

[0012] 优选地，上述技术方案中，步骤(2)中，对一维序列，其距离匹配函数可定义为：

[0013]

[0014] 其中I(x)为x位置的值，δ为像素移动距离，M为序列I的长度；如果序列为周期性的，且其周期为p，则I(x)＝I(x+np)，其中n＝1，2，…；如果像素移动距离δ与纹理周期p相等，则式(1)的值为0；由此，通过调整δ的值，d(δ)的值会相应变化，并且d(δ)的最小值对应的δ值即为纹理周期p；

[0015] 对于大小为M×N的图像，其第y列像素为一维序列，则第y列像素距离匹配函数为：

[0016]

[0017] 为减小噪声影响，将每一列的距离匹配函数值累加，得到列距离叠加函数：

[0018]

[0019] 与一维序列类似，d(δ)的值会随着δ的值的变化而变化，d(δ)的最小值对应的δ值即为纹理周期p，纹理周期p即为一个纹理周期图像的高度值H；通过图像分割算法可得到纹理周期图像的宽度W；从而得到蕾丝花边的一个纹理周期图像。

[0020] 优选地，上述技术方案中，步骤(2)中，灰度共生矩阵是记录满足一定条件的点对出现次数的矩阵；对于大小为H×W的灰度图像，偏移量为像素灰度级为G，对应于该灰度图像的大小为G×G的灰度共生矩阵表示为：

[0021]

[0022] 其中δ{True}＝1，δ{False}＝0；共生矩阵位置(i，j)处的值表示灰度级为i的像素点经过偏移量后达到灰度级为j的像素点的点对出现的次数。

[0023] 优选地，上述技术方案中，步骤(2)中，对于一幅图像，取8个不同的偏移量，分别为(-1,-1)、(-1,0)、(-1,1)、(0,1)、(1,1)、(1,0)、(1,1)、(0,-1)，对应于这8个不同的偏移量可得到8个灰度共生矩阵，将这8个灰度共生矩阵求平均得到一个灰度共生矩阵，由这个平均后得到的灰度共生矩阵Pi，j，可得到纹理特征：能量(Energy)、熵(Entropy)、对比度(Contrast)、逆差距(Homogeneity)和自相关(Correlation)，分别表示如下：

[0024]

[0025]

[0026]

[0027]

[0028]

[0029] 与现有技术相比，本发明具有如下有益效果：

[0030] 蕾丝花边自动检索系统的使用方法采用基于内容的图像检索技术，并且在本地计算机或移动终端上无需安装任何软件，只需通过浏览器上传待检索蕾丝花边图像至服务器端，从而方便企业人员随时随地采集来样蕾丝花边图像进行自动检索。附图说明：

[0031] 图1为蕾丝花边的纹理周期图像；

[0032] 图2为本发明计算灰度共生矩阵时4个偏移量示意图。具体实施方式：

[0033] 下面对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

[0034] 除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

[0035] 一种蕾丝花边自动检索系统的使用方法，其步骤为：

[0036] (1)通过浏览器，将本地计算机或移动终端中的待检索蕾丝花边图像发送到服务器端；

[0037] (2)服务器端接收到图像之后，采用距离叠加函数方法求取蕾丝花边的一个纹理周期图像，然后由灰度共生矩阵得到该纹理周期图像的纹理特征，由该纹理周期图像的高度和宽度比得到形状特征；

[0038] 如图1所示，蕾丝花边图案一般呈周期性变化，在检索时，只需求取蕾丝花边的一个纹理周期图像，得到其特征，然后进行检索，从而可以提高检索效率和准确率。

[0039] 对一维序列，其距离匹配函数可定义为：

[0040]

[0041] 其中I(x)为x位置的值，δ为像素移动距离，M为序列I的长度。如果序列为周期性的，且其周期为p，则I(x)＝I(x+np)，其中n＝1，2，…。如果像素移动距离δ与纹理周期p相等，则式(1)的值为0。由此，通过调整δ的值，d(δ)的值会相应变化，并且d(δ)的最小值对应的δ值即为纹理周期p。

[0042] 对于大小为M×N的图像，其第y列像素为一维序列，则第y列像素距离匹配函数为：

[0043]

[0044] 为减小噪声影响，可将每一列的距离匹配函数值累加，得到列距离叠加函数：

[0045]

[0046] 与一维序列类似，d(δ)的值会随着δ的值的变化而变化，d(δ)的最小值对应的δ值即为纹理周期p，纹理周期p即为图1中一个纹理周期图像的高度值H。通过图像分割算法可得到纹理周期图像的宽度W。由些，就可自动得到蕾丝花边的一个纹理周期图像。

[0047] 一个纹理周期图像的纹理特征可通过构造其灰度共生矩阵来得到。灰度共生矩阵是记录满足一定条件的点对出现次数的矩阵。对于大小为H×W的灰度图像，偏移量为像素灰度级为G(对于8位灰度图像，其像素灰度级为256)，对应于该灰度图像的大小为G×G的灰度共生矩阵可表示为：

[0048]

[0049] 其中δ{True}＝1，δ{False}＝0。共生矩阵位置(i，j)处的值表示灰度级为i的像素点经过偏移量后达到灰度级为j的像素点的点对出现的次数。

[0050] 在计算灰度共生矩阵时，偏移量是一个非常重要的参数。如图2所示，显示了4个不同的偏移量，分别为(-1,-1),(-1,0),(-1,1)和(0,1)。在实际应用中，一般使用8个不同的偏移量，分别为(-1,-1),(-1,0),(-1,1),(0,1),(1,1),(1,0),(1,1)和(0,-1)。对于一幅图像，对应于这8个不同的偏移量可得到8个灰度共生矩阵。为使产生的灰度共生矩阵具有方向无关性，可将这8个灰度共生矩阵求平均得到一个灰度共生矩阵。由这个平均后得到的灰度共生矩阵Pi，j，可得到纹理特征：能量(Energy)、熵(Entropy)、对比度(Contrast)、逆差距(Homogeneity)和自相关(Correlation)，分别表示如下：

[0051]

[0052]

[0053]

[0054]

[0055]

[0056] 由图1中一个纹理图像的高度H和宽度W的比值得到形状特征。

[0057] (3)求取待检索图像的特征向量与服务器数据库中所有蕾丝花边图像的特征向量的欧式距离，得到距离最小的前十种蕾丝花边，并将检索结果返回至本地计算机或移动终端；

[0058] (4)在本地计算机或移动终端上显示待检索蕾丝花边图像和十种检索到的蕾丝花边图像及其相应详细信息，如所用原料、机号、织物组织结构、梳栉信息等，供用户进一步选择和确认。

[0059] 前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。

[0060] 本发明的范围意在由权利要求书及其等同形式所限定。

标题	发布/更新时间	阅读量
基于低阶Hadamard基矢计算鬼成像的编码方法	2020-05-08	960
一种用于无人机的视频信号传输方法	2020-05-11	559
一种用于判断待处理多肽与阳性数据集肽段相似度的方法	2020-05-12	425
一种基于稀疏感知的自适应空时均衡方法	2020-05-12	905
一种基于融合神经网络的视频中人体行为识别方法	2020-05-08	710
一种侵彻过载信号的特征提取方法	2020-05-11	100
蕾丝花边自动检索系统的使用方法	2020-05-08	151
面向应急指挥的跨区域电网一体化电力自动调度系统	2020-05-11	940
一种基于互质阵列的混合信号波达方向估计方法	2020-05-13	405
一种适用于球麦克风阵列的超分辨声源定位方法	2020-05-13	796

蕾丝花边自动检索系统的使用方法

蕾丝花边自动检索系统的使用方法

该功能需要专业版企业版VIP权限，您可以：