[發明專利]基于八元數和回聲狀態網絡的織物圖像邊緣檢測方法

無效

• 申請號: 201210378104.7
• 申請日: 2012-10-08
• 公開（公告）號: CN103714336A
• 公開（公告）日: 2014-04-09
• 發明（設計）人: 陳建成
• 申請（專利權）人: 陳建成;浙江工業職業技術學院
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明專利屬于計算機應用學科的數字圖像信息處理領域，具體涉及到圖像處理中的織物圖像邊緣檢測方法。?

背景技術

彩色圖像比灰度圖像包含更多的信息，因此基于彩色圖像的邊緣檢測算法引起了廣泛關注。但若把灰度圖像的處理方法直接推廣到彩色圖像，即將圖像的紅(?R)?、綠(?G)?、藍(?B)?三分量單獨處理后再合成，則會丟失分量間的相關信息，導致提取的邊緣與圖像邊緣本身出現較大的不符;?若能把R、G、B?三個分量作為整體處理，邊緣提取的結果會更符合人眼視覺特征。由于彩色圖像的R、G、B?三個分量可以表示為四元數的三個虛部，基于四元數的彩色圖像邊緣檢測可以在保留各分量相關性的同時，整體處理彩色信息，因此具有一定的優勢，但RGB(紅、綠、藍)空間是一個不均勻的顏色空間，它適合機器顯示但并不適合描述人眼對顏色的感知，通過對RGB空間進行非線性變換得到HSI(色調、飽和度、亮度)顏色空間，此模型將亮度信息與彩色信息分開。因此，基于HSI模型開發的彩色圖像處理算法可較好地利用色度信息，將每個像素的R、G、B、H、S、I六個分量對應于八元數的任意六個虛部，更能表示像素點的亮度和色度信息。?

圖像邊緣檢測是把圖像劃分為邊緣點和非邊緣點，是圖像預處理技術。目前利用神經網絡對圖像的背景和邊緣特征分類進而實現邊緣檢測，有比較好的檢測效果，且大部分采用BP神經網絡進行訓練和檢測，但BP神經網絡訓練速度慢、容易陷入局部極小點，無法達到理想的檢測效果。?

發明內容

為了克服目前的圖像邊緣檢測方法計算量大，實用性不高，適用范圍較窄等局限,?本發明專利提供一種新的織物圖像邊緣檢測方法，該檢測方法提取的圖像邊緣不僅整體輪廓分明，能反映局部細節，而且檢測速度明顯比其它方法快。?

本發明解決其技術問題所采用的技術方案是：?

第一步，讀取待檢測織物圖像和訓練織物圖像，把得到的RGB像素值轉換成HIS像素值，對RGB和HIS像素值歸一化，用八元數表示像素點f(x,y)=?r(x,y)e1+g(x,y)e2+b(x,y)e3+?h(x,y)e4+s(x,y)e5+I(x,y)e6??其中r(x,y)，g(x,y)，b(x,y)，h(x,y)，s(x,y)，I(x,y)?分別為R、G、B、H、S、I分量值。把訓練織物RGB圖像轉換成灰度圖像，訓練灰度圖像用經典算子得到邊緣圖像output。?

第二步，平滑區域中像素點f(x，y)應等于以其為中心的區域邊界上函數值的均值;?在圖像的邊緣處，像素點f(x，y)不等于以(?x，y)?為中心的區域邊界上函數值的均值。因此，將像素點與該點八領域均值的矢量積作為圖像邊緣的特征向量。像素點八鄰域上像素的均值：?

M(x,y)=18Σf(α,β)]]>

計算M(x,y)與f(x,y)的矢量積：?

M(x,y)f(x,y)=A(x,y)+R(x,y)e1+G(x,y)?e2+B(x,y)e3+H(x,y)e4?+S(x,y)e5?+I(x,y)e6+D(x,y)e7?

像素點的特征向量?V(x,y)=?（A(x,y)，R(x,y)?，G(x,y)?，B(x,y)?，H(x,y)?，S(x,y)?，I(x,y)，D(x,y)）。?

第三步，隨機產生一個儲備池處理單元數目為N、稀疏程度為D的隱含層稀疏矩陣(動態?記憶庫)，它和特征向量?V(x,y)輸入神經元及一個輸出神經元構成一個回聲狀態神經網絡，其中輸出神經元要以隨機權值連接回動態記憶庫。?

第四步，把第一步得到邊緣圖像output作為訓練輸出，然后通過窗口在訓練圖像上的滑動，計算像素點的特征向量?V(x,y)構成回聲狀態網絡的訓練樣本。把第二步得到的V(x,y)?作為特征向量輸入回聲狀態神經網絡，激活函數采用雙曲正切函數tansig，回聲狀態神經網絡的更新公式是：?