基于交互式分割的蕾丝花型检索算法

由于蕾丝花边工艺复杂,花型图案种类繁多,且传统的基于文本的图像检索方法采用人工标注,工作量大、主观性强,不能满足蕾丝花型的检索需求,因此文章采用基于Live Wire交互式图像分割和层次匹配的方法对蕾丝花型进行检索。首先利用Live Wire算法提取蕾丝花边中一个或多个花型轮廓;然后分别提取傅立叶描述子、几何特征、灰度共生矩阵作为其特征向量;最后将每个测试花型的特征向量与1 327个样本花型的特征向量进行匹配并按相似度大小排序。实验结果表明,相比于单一的特征识别,该方法具有更高的识别率,能够满足蕾丝花型的检索需求。     

蕾丝花边的改进型纹理特征检索方法

针对传统的蕾丝花边检索主要依赖于人的视觉检测及文本检索,存在信息不稳定、效率低、检索效果不可靠的现象,提出了一种基于层次匹配下多特征融合的蕾丝花边检索方法。通过运用图案纹理特征标识图像,首先分别用灰度共生矩阵、灰度梯度共生矩阵、局部二进制算子提取纹理特征进行匹配。然后将3种提取纹理特征方法分别结合几何特征、不变矩特征量进行逐层匹配。最后将层次匹配下各个纹理特征进行融合,弥补了单个匹配方法的不足,同时在蕾丝花边库中验证所用检索方法的正确率。分析结果表明,该方法优于任意单个的蕾丝花边匹配方法,能较好地实现蕾丝花边检索,有效地提高图案检索的可靠度和准确率。     

基于图像边缘特征的领带花型检索方法

为了提高领带花型检索的速度和准确度,提出了一种基于图像边缘特征的检索方法。首先,对图案进行边缘检测,提取领带花型的轮廓,量化为边缘特征值;然后,分析边缘特征值分布的数理统计特性,将花型分为条纹、多边形和复杂图案 3 个大类;最后,将待检索花型与数据库内同类花型进行匹配,选取最相似的花型图案。结果表明,基于图像边缘特征的检索方法能够精确地检索相似的领带花型,并且计算量小,检测速度快,可以满足实际应用的需求。     

基于边缘和颜色特征的织物印花花型检索

针对织物印花花型同型不同色和同形异构的特点,提出了一种综合花型边缘和颜色特征的图像检索算法。首先利用中值滤波对花型图像进行滤波去噪,并采用Canny算子获取花型边缘;以边缘像素坐标加权中心点为圆心,将各边缘点划分到若干等距环面内,提取花型边缘距离直方图,并在对边缘像素点直线拟合基础上,提取边缘方向直方图;然后在HSV空间内对彩色边缘进行颜色量化,提取各颜色分量构成颜色直方图;最后对3种特征分别进行相似性度量,并赋予三者不同权重予以结合,获得图像间相似度。结果表明,该算法具有平移、缩放、旋转不变性,并能兼顾边缘特征和颜色特征对检索结果的影响,准确区分同型不同色和同形异构的花型图案,该算法平均查准率可达93.17%。     

基于卷积神经网络的领带花型情感分类

为避免传统手工特征和局部特征难以全面表征和准确量化图像情感特征的不足,以领带花型为研究对象,提出了一种融合手工情感特征的基于卷积神经网络的织物图像情感分类方法,可为服饰设计、服装选购等提供辅助。 首先对领带花型图像进行情感评价,建立领带花型图像的情感样本库;然后提取图像饱和度、纹理等手工情感特征和图像像素值作为卷积神经网络的输入;其次建立卷积神经网络模型,将2 000幅样本图像作为训练样本对卷积神经网络进行训练;最后将1 000幅检测样本输入训练后的卷积神经网络,实现了领带花型图像的情感分类。实验结果显示：该方法的情感分类准确率为89.7%,比采用传统手工特征的分类方法有较大提升,较其他卷积神经网络模型正确率更高。     

基于Adaboost多特征融合的织物扫描图案识别

针对织物扫描图像中纱线纹理等的存在造成难以提取有效图案特征的问题,提出了一种基于多特征融合的图案识别方法。首先通过纹理抑制平滑滤波算法滤除织物扫描图像的纱线纹理,并进行灰度化;然后分别提取灰度图像的边缘方向直方图、最大稳定极值区域的SURF特征和灰度共生矩阵特征,建立样本图像特征库;最后以样本图像特征库特征为训练对象,通过Adaboost算法融合3类特征建立分类器,实现图案识别。实验结果表明,基于Adaboost的多特征融合织物扫描图案识别算法比单特征识别算法有较高的准确率。     

用于ML机型的拉舍尔蕾丝面料花型设计与工艺实现

通过对钢丝花梳ML拉舍尔蕾丝面料的大量实物分析与设计实践,阐述了在ML机型下,多梳拉舍尔蕾丝面料的花型设计方法以及工艺实现步骤。本文从花型纹样设计、排列方式、花型图案之间的连接过渡三个方面详细归纳总结了花型的设计方法,分析了基于ML机型花型设计的具体特点,从原料选择、工艺实现等方面对花型工艺实现进行详细论述,为ML拉舍尔蕾丝面料的研发与生产提供了新的思路与方法,有助于提高ML拉舍尔蕾丝面料研发设计的总体水平。     

利用颜色和纹理进行图像检索的算法分析

自从上世纪70年代,人们就开始了对图像检索技术的研究,但是只是基于文本方面的,而且仅仅是利用文本的方式对图像的特征进行简单的描述。后来,人们不在满足于简简单单的图像检索方法,进而又开始进行了更深层次的开发,这样就出现了利用颜色和纹理对图像的检索和分析的方法,这种检索的方法是基于图像的内容进行检索的一种方法。这种检索方法只是对文本进行检索的方法更为精确。所以人们开始使用这种利用颜色和纹理进行检索的方法,进而研究了这种检索方法的检索算法。在利用颜色和纹理进行图像检索的算法中,要对图像进行分割,利用分割好的图像进行颜色平均值的换算,再把颜色平均值进行低频分量,把它作为颜色的特征。在根据边缘直方图来提取检索内容的纹理特征,最后根据这两个特征进行图像的检索。在本文中关于检索的算法的实践性进行了说明,这样的检索算法可以有效的提高图像的准确率。     

塑身内衣用拉舍尔蕾丝面料的花型设计研究

以塑身内衣用蕾丝面料为基础,归纳总结了蕾丝面料的特点。阐述了影响塑身内衣用蕾丝面料的设计因素,指出原料的选择、机号的选择、梳栉的分配3个方面对花型设计的影响。本文通过对塑身内衣用蕾丝面料进行分析探讨,总结了塑身内衣用蕾丝面料的花型设计方法,并从花型的纹样设计、排列设计、色彩设计3个方面进行阐述,为塑身内衣用蕾丝面料的研发提供了新的设计思路。     

结合显著区域检测和手绘草图的服装图像检索

针对服装图像检索准确率和效率较低的问题,提出一种服装显著区域检测和手绘草图的服装图像检索方法。首先采用正则化随机漫步算法对输入的服装图像库进行视觉显著区域检测,并结合其边缘轮廓信息,得到服装显著边缘图像;其次,对输入的服装草图和服装边缘图像进行特征提取,得到服装草图和服装边缘图像各自的方向梯度直方图(HOG)特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于距离相关系数的重排序算法对其相似度进行排序并输出检索结果。结果表明,该方法提高了服装检索的准确率,具有较好的鲁棒性,检索准确率可达78.5%。     

基于改进边缘检测算法的服装款式识别

为快速识别服装款式类型,提高生产效率,针对现有传统边缘检测算法难以准确提取轮廓特征序列的不足,设计一种改进的边缘提取算法。通过定义一种新的优化卷积核,在使用传统边缘检测算法提取训练样本的服装轮廓基础上,将该卷积核与目标矩阵进行卷积得到新的外轮廓,将新轮廓序列的傅里叶描述子作为特征向量,进一步利用BP神经网络模型完成服装款式的自动分类与识别。为验证改进方法的有效性,建立一个包含4类服装500个不重复服装图像的样本库,选取281个作为训练样本,对剩余219个样本进行测试,测试识别准确率最低为93.48%,最高达到了100%。该改进算法提高了服装款式识别率,对服装智能化生产具有借鉴意义。     

基于双树复小波的经编贾卡织物花纹提取

为了快速高效地将经编贾卡织物花纹图案自动提取出来,提高花纹设计效率,提出了一种将双树复小波变换和能量矩阵相结合进行织物纹理特征的提取方法。选用颜色和纹理特征构成特征向量数据集,在此基础上,采用高斯混合模型(GMM)对贾卡经编织物花纹图案进行聚类分析,采用EM算法进行参数估计,从而获得每个高斯模型参数,对每个特征向量在不同高斯分布下的概率进行排序,根据后验概率排序大小对图像进行标注,从而提取图案。验证试验结果表明:该方法能有效地将完整的花纹提取出来,准确度高、速度快,具有一定的实用价值。     

基于屈诱多形态力学测试的织物外观平整度表征

针对现有基于图像或视觉原理的织物外观平整度的测试方法易受到织物复杂花型和纹理的影响,存在织物品类适应性差等不足,提出基于后屈曲诱导的织物多形态构建和力学性能原位检测原理的织物外观平整度表征手段。选取30块织物试样进行多重形变下的原位力学测试,分别提取力-位移测试曲线的5个特征指标,利用SPSS软件对提取的织物特征指标及其厚度和面密度与主观评价等级进行相关性分析,同时采用逐步回归法构建外观平整度的预测模型,并借助1组独立实验对预测模型进行检验。结果表明,用原位力学测试方法构建的预测模型的评价结果与主观评估结果具有较好的吻合度,说明基于原位力学测试方法实施织物外观平整度表征是可行并有效的。     

动漫元素在针织服装花型设计中的应用

以电脑横机技术为依托,以卡通动漫元素为设计灵感,通过提花编程技术、嵌花技术、智跑导纱器花型编织3种方式,进行动漫图案针织服装设计。通过4个具体动漫图案针织花型设计及编织案例,阐述不同针织技术如何展现动漫图案的可爱与丰富层次,以及织物组织特有的纹理搭配如何更好地融合动漫元素的特征与变化,开拓针织图样设计新方式。     

从织物花型图像中识别花型数据的方法

设计了一种根据花型样片提取花型数据的方法:从扫描的提花织物图像中获取花型数据,通过标量中值滤波去除纹理噪声,而后运用区域生长的分割思想识别色彩,形成与人眼感觉一致的彩色图像,以此作为花型数据。这种处理方法可以节省时间,缩短生产周期,是一种较为实用的花型识别方法。     

基于深度卷积神经网络的织物花型分类

针对织物纹理花型人工视觉分类效率低的问题,提出一种基于深度卷积神经网络(CNN)的条状、格子和波点纹理织物的识别分类方法.首先,建立由条状花型、格子花型和波点花型织物组成的图像样本集和标签数据集.然后,分别建立了基于GoogLeNet和AlexNet两种卷积神经网络的织物花型分类模型.最后,通过模型评价指标选择最优的训练迭代期.实验结果表明,利用深度卷积神经网络分类织物花型是可行有效的.     

多梳拉舍尔花边花型设计探讨

拉舍尔花边的花型设计包括花边纹样的造型设计、花型的构成设计、花型的色彩设计以及蕾丝图案“花”与“地”的空间层次设计：造型设计包括设计选题、图案构成和组织结构的搭配，构成设计主要以条形花边为例介绍了其分类、规格尺寸和布局，色彩设计中阐述了同种色、类似色和对比色的色彩配置方法和色彩的选择方法，最后从结构和组织等方面对蕾丝图案“花”与“地”的空间层次设计进行了分析与说明。     

融合高光谱和图像深度特征的腊肉分类与检索算法研究

本文以腊肉为实验对象,建立一种融合光谱曲线特征和图像特征的肉类食品分类与检索方法,利用10个3×3的卷积层、3个5×5的卷积层、5个5×5的池化层和2个全连层的CNN模型对高光谱图像进行特征提取,并以交叉熵作为优化目标,同时利用多元散射校正和主成分分析方法(Principal Component Analysis,PCA)对光谱特征进行预处理和特征提取,然后将两种特征进行融合,并将融合特征利用支持向量机(Support Vector Machine,SVM)进行分类。结果表明,直接使用CNN训练好的模型对高光谱图像进行特征提取,利用SVM作为分类器,分类的准确率只有75.6%,融合光谱曲线特征后用SVM进行分类,准确率可达99.2%。此外,本文还计算了被检索样本和标准等级样本特征向量的欧氏距离,完成了腊肉新鲜度等级的检索任务,显示了该方法的可行性和有效性。     

多纹理分级融合的织物缺陷检测算法

针对织物缺陷检测过程中纹理分布的复杂多样性引起误检和漏检的问题,结合织物纹理周期性特点,提出一种多纹理分级融合的织物缺陷检测算法。在检测过程中,首先利用织物缺陷图像的Tamura粗糙度图,对缺陷区域进行初步定位和自适应性生长,将初步定位的区域映射到原始织物图像中;其次根据织物图像的周期性分布特征,对初步定位区域进行分块,提取图像块的局部相位量化(LPQ)特征、Tamura特征,并将2种特征融合;然后计算融合特征与正常块特征的相似度,获取相似度图;最后将初步定位区域的经纬向特征图与相似度特征图融合,检测缺陷存在的区域。经TILDA织物纹理库数据的实验测试结果表明,缺陷区域的初步定位和自适应生长,降低了缺陷检测过程的冗余度,提高了检测效率,避免了织物缺陷检测过程中的误检和漏检情况。     

应用局部纹理特征的无监督织物瑕疵检测算法

针对当前算法对种类繁多瑕疵,尤其是经纬向瑕疵适应差问题,提出一种应用局部纹理特征的无监督织物瑕疵检测算法。这种算法采用无监督检测方案,检测过程中不需要参考样本。在检测过程中,首先根据瑕疵稀少性特点,直接从整体织物图像中获取表征局部织物纹理的局部二值模式直方图特征;然后利用机织物经纬交织特点对局部织物图像沿经纬向投影,并在此基础上提取特征;最后计算所提取特征的瑕疵异常图,并对其进行权重方式融合后实施阈值分割,实现瑕疵检测。实验结果表明,所提出的投影特征能有效表征局部织物纹理,与局部二值模式特征结合使用能有效检测织物瑕疵。