一种基于多尺度Gabor的服装廓形分类方法技术

本发明专利技术公开了一种基于多尺度Gabor的服装廓形分类方法，具体为：步骤1，输入图像预处理，然后对经预处理的图像采用最大类间方差法获取二值化图像，再结合形态学重构，消除内部噪声干扰，生成待提取图像；步骤2，提取待提取图像中的整体服装区域的轮廓特征，并通过双阈值法检测轮廓连接性，得到完整服装轮廓图像；步骤3，通过基于Gabor的图像角点检测提取角点群，并结合人体身高比例特征筛选特征点集合，构建服装廓形的特征向量；步骤4，廓形预测模型计算类别特征值，实现对服装廓形的匹配分类。本发明专利技术解决了现有技术中存在的获取服装图像的廓形时极易受到背景、着装人体等环境因素影响，导致廓形提取精度以及分类准确度较低的问题。题。题。

【技术实现步骤摘要】
一种基于多尺度Gabor的服装廓形分类方法


[0001]本专利技术属于数字图像处理
，涉及一种基于多尺度Gabor的服装廓形分类方法。

技术介绍

[0002]随着电子商务的迅速发展，网站商品的信息容量不断激增使得信息超载问题日益严重，如何使用户从海量信息中准确、快速地获取自己感兴趣的服装已成为一大难题。针对这一问题，推出了基于内容的服装图像检索方法，其中，服装廓形是一种最直观且重要的款式描述，常作为检索类别列入服装搜索项，其识别准确度一定程度上影响着检索结果的准确性。
[0003]服装廓形，即外轮廓，是服装整体外部造型的剪影，直观体现了服装的结构、风格及款式等，轮廓是服装造型的重要因素之一。作为服装设计的第一步，服装廓形决定了服装的整体气质，一方面，廓形是最先映入观者视线的造型要素，不同廓形能够对着装身材起一定的美化作用，在基于图像内容的服装检索中，用户可通过选择适合的廓形快速获取到该类廓形下感兴趣的所有服饰信息；另一方面，对服装廓形的预测有利于把握流行趋势，设计师可以从不同时期针对于服装廓形的检索数据中分析出一定规律，进而预测和把握流行趋势、指导设计和引导消费。因此，轮廓的识别与分类在服装图像处理中起着至关重要的作用。
[0004]服装廓形分类作为服装图像检索的一个具体应用，目的是为了获取服装图像中整体服装区域的外轮廓，进而依据评判标准对服装进行廓形分类，目前已有一定的学术论文和优秀的研究成果。实际应用中的服装图像呈海量性、多样性，且由于轮廓的提取与分类本身所具有的精确性、全面性等特点，在获取服装图像的廓形时极易受到背景、着装人体等环境因素影响，导致廓形提取精度较低等，降低分类的准确度。在这种情况下，一种高精度的服装廓形提取方法结合分类标准的提出尤为重要。

技术实现思路

[0005]本专利技术的目的是提供一种基于多尺度Gabor的服装廓形分类方法，解决了现有技术中存在的获取服装图像的廓形时极易受到背景、着装人体等环境因素影响，导致廓形提取精度以及分类准确度较低的问题。
[0006]本专利技术所采用的技术方案是，一种基于多尺度Gabor的服装廓形分类方法，具体按照如下步骤实施：
[0007]步骤1，输入图像预处理，然后对经预处理的图像采用最大类间方差法获取二值化图像，再结合形态学重构，消除内部噪声干扰，生成待提取图像I(x,y)；
[0008]步骤2，采用多尺度Gabor滤波器组，提取待提取图像中的整体服装区域的轮廓特征，并通过双阈值法检测轮廓连接性，得到完整服装轮廓图像；
[0009]步骤3，通过基于Gabor的图像角点检测提取角点群，并结合人体身高比例特征筛
选特征点集合，构建服装廓形的特征向量；
[0010]步骤4，廓形预测模型计算类别特征值，实现对服装廓形的匹配分类。
[0011]本专利技术的特征还在于，
[0012]步骤1中的输入图像预处理具体为：
[0013]首先，将待处理服装图像，即就是输入图像转化为灰度图像，经灰度线性变换，然后采用双边滤波器对输入图像预处理，得到双边滤波后的结果图像。
[0014]双边滤波器通过二维高斯函数生成距离模板，并结合一维高斯函数生成值域模板，距离模板d(i,j,k,l)的生成公式如式(1)：
[0015][0016]其中，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数的坐标，σ
d
为二维高斯函数的标准差；
[0017]值域模板r(i,j,k,l)的生成公式如式(2)：
[0018][0019]其中，f(x,y)表示待处理服装图像，即输入图像，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数坐标，σ
r
为一维高斯函数的标准差；
[0020]将距离模板和值域模板相乘得到双边滤波器的模板，如式(3)所示：
[0021][0022]其中，w(i,j,k,l)为双边滤波后的结果图像。
[0023]步骤1的对经预处理的图像采用最大类间方差法获取二值化图像具体为：任取一值T0为初始化分割阈值，将滤波后的结果图像w(i,j,k,l)中所有像素点分为前景C0和背景C1两类，其中，C0>T0，C1≤T0，则ω0为前景所占像素数占整幅图的比例，μ0为前景的灰度均值，ω1为背景所占像素数占整幅图的比例，μ1为背景的灰度均值，μ为图像的全局灰度均值，σ2为前景C0与背景C1的类间方差，如式(4)所给出，
[0024][0025]设结果图像w(i,j,k,l)的大小为M
×
N，图像中前景像素C0的个数记作N0，背景像素C1的个数记作N1，则有：
[0026][0027]联立式(4)简化类间方差公式，
[0028]σ2＝ω0ω1(μ
0-μ1)2ꢀꢀ
(6)
[0029]当σ2为最大时，对应分割阈值为最佳阈值T
G
，则像素值大于T
G
判别为前景C0，反之判别为背景C1，获得对应的二值化图像。
[0030]步骤2具体为：
[0031]步骤2.1，构建多尺度Gabor虚部滤波器组
[0032]Gabor滤波器虚部ψ(x
θ
,y
θ
；f,θ)的公式如下：
[0033][0034]其中，f是滤波器的中心频率，γ和η是常数，θ是调制平面波和高斯主轴沿逆时针旋转的角度，x，y分别为像素点的横纵坐标；
[0035]设定方向θ于[0,π]区间内进行均匀采样，选取不同的中心频率f，得到一组离散化的多尺度Gabor虚部滤波器组，公式如式(8)所示：
[0036][0037]其中，θ
k
是第k个方向角度，K表示方向数，f表示尺度的中心频率，s表示尺度，s＝0,1,2，
…
，S-1，S表示尺度数；
[0038]步骤2.2，采用多尺度Gabor虚部滤波器组提取服装的整体轮廓特征
[0039]在空间域对预处理后的图像进行滤波，从而提取S种不同尺度、K种不同方向的轮廓特征信息I
i
(x,y；s,k)：
[0040][0041]其中，I(x,y)为通过步骤1得到的待提取图像，i为不同尺度与方向的单个滤波器窗口的序号；
[0042]步骤2.3，对于同一尺度、不同方向的服装轮廓特征采用PCA降维融合：将同一尺度、不同方向的K个特征进行PCA变换，取每次变换所得的第一个主分量以二维形式展开，得到S幅不同尺度下的廓形特征融合图像，其中对S幅尺度不同的特征融合图像，按照如式(10)所示的二范数形式进行尺度融合：
[0043][0044]式中，O为尺度融合后所得的图像轮廓，是滤波器组在同一尺度、K个不同特征经过PCA降维处理后的轮廓特征融合图像；
[0045]步骤2.4，最终采用双阈值检测法，对图像轮廓O设定高阈值和低阈值，抛弃小于低阈值的特征点，即置零；标记大于高阈值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度Gabor的服装廓形分类方法，其特征在于，具体按照如下步骤实施：步骤1，输入图像预处理，然后对经预处理的图像采用最大类间方差法获取二值化图像，再结合形态学重构，消除内部噪声干扰，生成待提取图像I(x,y)；步骤2，采用多尺度Gabor滤波器组，提取待提取图像中的整体服装区域的轮廓特征，并通过双阈值法检测轮廓连接性，得到完整服装轮廓图像；步骤3，通过基于Gabor的图像角点检测提取角点群，并结合人体身高比例特征筛选特征点集合，构建服装廓形的特征向量；步骤4，廓形预测模型计算类别特征值，实现对服装廓形的匹配分类。2.根据权利要求1所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述步骤1中的输入图像预处理具体为：首先，将待处理服装图像，即就是输入图像转化为灰度图像，经灰度线性变换，然后采用双边滤波器对输入图像预处理，得到双边滤波后的结果图像。3.根据权利要求2所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述双边滤波器通过二维高斯函数生成距离模板，并结合一维高斯函数生成值域模板，所述距离模板d(i,j,k,l)的生成公式如式(1)：其中，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数的坐标，σ
d
为二维高斯函数的标准差；值域模板r(i,j,k,l)的生成公式如式(2)：其中，f(x,y)表示待处理服装图像，即输入图像，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数坐标，σ
r
为一维高斯函数的标准差；将距离模板和值域模板相乘得到双边滤波器的模板，如式(3)所示：其中，w(i,j,k,l)为双边滤波后的结果图像。4.根据权利要求3所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，步骤1所述的对经预处理的图像采用最大类间方差法获取二值化图像具体为：任取一值T0为初始化分割阈值，将滤波后的结果图像w(i,j,k,l)中所有像素点分为前景C0和背景C1两类，其中，C0>T0，C1≤T0，则ω0为前景所占像素数占整幅图的比例，μ0为前景的灰度均值，ω1为背景所占像素数占整幅图的比例，μ1为背景的灰度均值，μ为图像的全局灰度均值，σ2为前景C0与背景C1的类间方差，如式(4)所给出，设结果图像w(i,j,k,l)的大小为M
×
N，图像中前景像素C0的个数记作N0，背景像素C1的
个数记作N1，则有：联立式(4)简化类间方差公式，σ2＝ω0ω1(μ
0-μ1)2ꢀꢀꢀꢀꢀ
(6)当σ2为最大时，对应分割阈值为最佳阈值T
G
，则像素值大于T
G
判别为前景C0，反之判别为背景C1，获得对应的二值化图像。5.根据权利要求4所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述步骤2具体为：步骤2.1，构建多尺度Gabor虚部滤波器组Gabor滤波器虚部ψ(x
θ
,y
θ
；f,θ)的公式如下：其中，f是滤波器的中心频率，γ和η是常数，θ是调制平面波和高斯主轴沿逆时针旋转的角度，x，y分别为像素点的横纵坐标；设定方向θ于[0,π]区间内进行均匀采样，选取不同的中心频率f，得到一组离散化的多尺度Gabor虚部滤波器组，公式如式(8)所示：其中，θ
k
是第k个方向角度，K表示方向数，f表示尺度的中心频率，s表示尺度，s＝0,1,2，
…
，S-1，S表示尺度数；步骤2.2，采用多尺度Gabor虚部滤波器组提取服装的整体轮廓特征在空间域对预处理后的图像进行滤波，从而提取S种不同尺度、K种不同方向的轮廓特征信息I
i
(x,y；s,k)：其中，I(x,y)为通过步骤1得到的待提取图像，i为不同尺度与方向的单个滤波器窗口的序号；步骤2.3，对于同一尺度、不同方向的服装轮廓特征采用PCA降维融合：将同一尺度、不同方向的K个特征进行PCA变换，取每次变换所得的第一个主分量以二维形式展开，得到S幅不同尺度下的廓形特征融合图像，其中对S幅尺度不同的特征融合图像，按照如式(10)所示的二范数形式进行尺度融合：
式中，O为尺度融合后所得的图像轮廓，是滤波器组在同一尺度、K个不同特征经过PCA降维处理后的轮廓特征融合图像；步骤2.4，最终采用双阈值检测法，对图像轮廓O设定高阈值和低阈值，抛弃小于低阈值的特征点，即置零；标记大于高阈值的特征点，即赋1；采用8连通区域选中满足大于低阈值且小于高阈值的像素点，连接断裂点，保证轮廓提取结果的连续性，得到完整的服装轮廓图像。6.根据权利要求5所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述步骤2.1中的参数设置为：7.根据权利要求6所述的...

【专利技术属性】
技术研发人员：顾梅花，李立瑶，刘杰，宋华杰，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：