识别重复纹理的方法和装置与流程

本发明涉及图像识别技术领域，尤其涉及一种识别重复纹理的方法和装置。

背景技术：

图像纹理为图像区域间像素的关系，如图像区域间像素的均值、方差、差分，或者其他更复杂的关系。重复纹理为一个连通区域内按照一定模式重复出现的纹理。重复纹理普遍的存在于图像中，比如纯色、格子、圆点、条纹、豹纹、千鸟纹、碎花、斑马纹等，通过识别重复纹理，可以辅助识别图像中的物体，或者寻找相似的物体。纹元为重复纹理区域中的一个固定或极为相似的纹理结构，一块区域中包含纹元的数量为重复纹理的尺度。

在识别重复纹理时，从重复纹理区域中提取纹理块，该纹理块包含纹元，以纹理块的识别替代重复纹理区域的识别。

由图1(a)所示的千鸟纹图案以及图1(b)所示的不同纹理块归一处理后的效果可以看出，若纹理块包含重复纹元较少，即尺度较小，纹理块中纹理特征信息较少，识别难度较大，识别准确性较低；若尺度较大，纹理特征信息较多，但是该纹理特征信息在归一处理时被消除，识别难度同样较大，识别准确性较低。因此，纹理块的提取影响识别效果。

目前纹理块提取时，先使用诸如SIFT(Scale Invariant Feature Transform，尺度不变特征转换)算法或Harris(角点特征提取)算子等特征点提取算法从重复纹理区域中提取特征点，再依据重复纹理的纹元具有相同特征点数的假 设，使用不同尺寸的方形窗在重复纹理区域的不同位置统计窗内特征点数，最后选择窗内特征点密度与重复纹理区域内特征点密度相符的最小尺寸，依据最小尺寸提取纹理块。

上述方法，纹理块基于重复纹理的纹元具有相同特征点数的假设提取，该假设对于豹纹这类杂乱重复纹理不一定成立，限制了上述方法的使用场景。

技术实现要素：

为解决上述问题，本发明实施例提出了一种识别重复纹理的方法和装置。

一方面，本发明实施例提供了一种识别重复纹理的方法，所述方法，包括：

获取第一重复纹理区域及预设的尺度阈值；

根据所述尺度阈值确定所述第一重复纹理区域的第一提取尺寸；

根据所述第一提取尺寸从所述第一重复纹理区域中提取第一纹理块；

对所述第一纹理块进行识别。

可选地，所述根据所述尺度阈值确定所述第一重复纹理区域的第一提取尺寸，包括：

根据所述尺度阈值确定预存的第二提取尺寸中的一个为第一提取尺寸。

可选地，所述第二提取尺寸为多个；

所述根据所述尺度阈值确定预存的第二提取尺寸中的一个为第一提取尺寸，包括：

根据各第二提取尺寸从所述第一重复纹理区域中提取第二纹理块；

确定所述第二纹理块的尺度特征；

确定所述尺度阈值的尺度特征；

根据各第二纹理块的尺度特征和所述尺度阈值的尺度特征确定一个第二提取尺寸为第一提取尺寸。

可选地，所述方法，还包括：

获取第二重复纹理区域；

根据预设的第三提取尺寸从所述第二重复纹理区域中提取第三纹理块；

通过深度学习模型和尺度准则对所述第三纹理块的尺度和尺度特征进行学习，获得深度网络识别模型；

其中，所述深度网络识别模型描述纹理块、尺度和尺度特征之间的对应关系。

可选地，所述确定所述第二纹理块的尺度特征，包括：

根据所述深度网络识别模型确定所述第二纹理块的尺度特征。

可选地，所述确定所述尺度阈值的尺度特征，包括：

根据所述深度网络识别模型确定所述尺度阈值的尺度特征。

另一方面，本发明实施例提供了一种识别重复纹理的装置，所述装置，包括：

第一获取模块，用于获取第一重复纹理区域；

第二获取模块，用于获取预设的尺度阈值；

确定模块，用于根据所述第二获取模块获取的尺度阈值确定所述第一获取模块获取的第一重复纹理区域的第一提取尺寸；

第一提取模块，用于根据所述确定模块确定的第一提取尺寸从所述第一获取模块获取的第一重复纹理区域中提取第一纹理块；

识别模块，用于对所述第一提取模块提取的第一纹理块进行识别。

可选地，所述确定模块，用于根据所述尺度阈值确定预存的第二提取尺寸中的一个为第一提取尺寸。

可选地，所述第二提取尺寸为多个；

所述确定模块，包括：

提取单元，用于根据各第二提取尺寸从所述第一重复纹理区域中提取第二纹理块；

第一确定单元，用于确定所述提取单元提取的第二纹理块的尺度特征；

第二确定单元，用于确定所述尺度阈值的尺度特征；

第三确定单元，用于根据所述第一确定单元确定的各第二纹理块的尺度特征和所述第二确定单元确定的尺度阈值的尺度特征确定一个第二提取尺寸为第一提取尺寸。

可选地，所述装置，还包括：

第三获取模块，用于获取第二重复纹理区域；

第二提取模块，用于根据预设的第三提取尺寸从所述第三获取模块获取的第二重复纹理区域中提取第三纹理块；

第四获取模块，用于通过深度学习模型和尺度准则对所述第二提取模块提取的第三纹理块的尺度和尺度特征进行学习，获得深度网络识别模型；

其中，所述深度网络识别模型描述纹理块、尺度和尺度特征之间的对应关系。

可选地，所述第一确定单元，用于根据所述深度网络识别模型确定所述第二纹理块的尺度特征。

可选地，所述第二确定单元，用于根据所述深度网络识别模型确定所述尺度阈值的尺度特征。

有益效果如下：

通过预设的尺度阈值确定重复纹理区域的提取尺寸，根据提取尺寸提取纹理块，使得提取纹理块的依据为尺度阈值，非重复纹理的纹元具有相同特征点数的假设，以至本发明提供的方法除适用于该假设成立的场景之外，还适用于该假设不成立的场景，扩展了重复纹理的识别场景。

附图说明

下面将参照附图描述本发明的具体实施例，其中：

图1示出了本发明背景技术提供的千鸟纹图案及其在不同尺度下提取的纹理块归一处理后的效果示意图；

图2示出了本发明一实施例提供的一种识别重复纹理的方法流程示意图；

图3示出了本发明另一实施例提供的一种识别重复纹理的方法流程示意图；

图4示出了本发明另一实施例提供的一种纹理块示意图；

图5示出了本发明另一实施例提供的一种深度网络结构示意图；

图6示出了本发明另一实施例提供的一种神经网络模型识别训练过程示意图；

图7示出了本发明另一实施例提供的一种不同提取尺度对应的尺度特征示意图；

图8示出了本发明另一实施例提供的一种识别重复纹理的装置结构示意图；

图9示出了本发明另一实施例提供的二种确定模块结构示意图；

图10示出了本发明另一实施例提供的另一种识别重复纹理的装置结构示意图。

具体实施方式

为了使本发明的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。

重复纹理区域中包含纹元，且纹元重复出现，因此，包含纹元的纹理块中的纹理特征信息可以表征重复纹理区域中的纹理特征信息。而识别纹理块消耗的资源相对于识别重复纹理区域消耗的资源更少，在实际重复纹理识别过程中，常以纹理块的识别替代重复纹理区域的识别。由图1(a)和图1(b)可知纹理块的提取对识别效果至关重要，现有技术依据重复纹理的纹元具有相同特征点数的假设提取纹理块，而该假设对于豹纹这类杂乱重复纹理不一定成立，限制现有技术的使用场景。为了更加丰富识别场景，本发明提出了一种识 别重复纹理的方法，该方法应用于一种终端，该终端上运行有识别重复纹理的装置，该识别重复纹理的装置如下述图8、图9或图10所述的识别重复纹理的装置。该识别重复纹理的装置可以根据预设的尺度阈值确定重复纹理区域的提取尺寸，根据提取尺寸提取纹理块，使得提取纹理块的依据为尺度阈值，非重复纹理的纹元具有相同特征点数的假设，以至该装置除可应用于该假设成立的场景进行重复纹理识别之外，还可应用于该假设不成立的场景，扩展了重复纹理的识别场景。

结合上述实施环境，参见图2所示的实施例，本实施例提供了一种识别重复纹理的方法，该方法流程具体如下：

201：获取第一重复纹理区域及预设的尺度阈值；

202：根据尺度阈值确定第一重复纹理区域的第一提取尺寸；

可选地，根据尺度阈值确定第一重复纹理区域的第一提取尺寸，包括：

根据尺度阈值确定预存的第二提取尺寸中的一个为第一提取尺寸。

可选地，第二提取尺寸为多个；

根据尺度阈值确定预存的第二提取尺寸中的一个为第一提取尺寸，包括：

根据各第二提取尺寸从第一重复纹理区域中提取第二纹理块；

确定第二纹理块的尺度特征；

确定尺度阈值的尺度特征；

根据各第二纹理块的尺度特征和尺度阈值的尺度特征确定一个第二提取尺寸为第一提取尺寸。

203：根据第一提取尺寸从第一重复纹理区域中提取第一纹理块；

204：对第一纹理块进行识别。

可选地，该方法，还包括：

获取第二重复纹理区域；

根据预设的第三提取尺寸从第二重复纹理区域中提取第三纹理块；

通过深度学习模型和尺度准则对第三纹理块的尺度和尺度特征进行学习，获得深度网络识别模型；

其中，深度网络识别模型描述纹理块、尺度和尺度特征之间的对应关系。

可选地，确定第二纹理块的尺度特征，包括：

根据深度网络识别模型确定第二纹理块的尺度特征。

可选地，确定尺度阈值的尺度特征，包括：

根据深度网络识别模型确定尺度阈值的尺度特征。

有益效果：

通过预设的尺度阈值确定重复纹理区域的提取尺寸，根据提取尺寸提取纹理块，使得提取纹理块的依据为尺度阈值，非重复纹理的纹元具有相同特征点数的假设，以至本发明提供的方法除适用于该假设成立的场景之外，还适用于该假设不成立的场景，扩展了重复纹理的识别场景。

结合上述实施环境，参见图3所示的实施例，本实施例提供了一种识别重复纹理的方法，本实施例提供的方法流程具体如下：

301：获取第二重复纹理区域；

具体实施时，第二重复纹理区域用于获得训练样本，该训练样本在后续步骤中用于训练获得深度网络识别模型。

由于第二重复纹理区域用于获得训练样本，因此第二重复纹理区域的选择与训练效果息息相关。为了获得较佳的训练效果，本步骤中第二重复纹理区域所涉及的纹元领域应足够丰富，且第二重复纹理区域的数量应足够多。

例如，获取10万张具有重复纹理区域的图像，其中10万张重复纹理区域中的纹元涉及领域包括豹纹、千鸟纹、碎花、斑马纹、圆点、格子、条纹、动物、植物等等，将10万张图像中具有的重复纹理区域均作为第二重复纹理区域。

当然，第二重复纹理区域的数量还可以为其他数量，以使用者能够获取到 的，且使用者认为该数量可以获得较佳训练效果的数量为准，本实施例不对第二重复纹理区域的具体数量进行限定。第二重复纹理区域中纹元涉及的领域还可以包括其他领域，本实施例也不对第二重复纹理区域中纹元涉及的具体领域进行限定。

302：根据预设的第三提取尺寸从第二重复纹理区域中提取第三纹理块；

由于实际重复纹理识别过程中，均是对纹理块进行识别，因此，步骤301获得的第二重复纹理区域并未实际训练样本，需要从第二重复纹理区域中提取第三纹理块，将第三纹理块作为实际训练样本。同样，第二重复纹理区域的数量并非训练样本的实际数量，从第三纹理块的数量才为实际数量。而第三纹理块是根据预设的第三提取尺寸提取的，具体的，一个第三提取尺寸提取一个第三纹理块，因此，第三纹理块的数量取决于第三提取尺寸的数量，为了增加第三纹理块数量，进而增加实际训练样本数量，本步骤中预设的第三提取尺寸数量应足够多。

例如，预设的第三提取尺寸数量为2个，分别为16*16和20*20。针对任一个第二重复纹理区域，根据第三提取尺寸16*16从任一个第二重复纹理区域中提取第三纹理块1，再根据第三提取尺寸20*20从任一个第二重复纹理区域中提取第三纹理块2。

当然，预设的第三提取尺寸还可以为其他数量，本实施例不对第三提取尺寸的具体数量进行限定。第三提取尺寸的具体值还可以为其他值，本实施例不对第三提取尺寸的具体值进行限定。

另外，第三提取尺寸的具体预设方式本实施例不作限定，例如，获取用户预先指定第三提取尺寸，将第三提取尺寸以文件形式存储于特定位置，或者，将第三提取尺寸存储于数据库中。又例如，获取用户预先指定的第三提取尺寸最大值、第三提取尺寸最小值和步长，根据第三提取尺寸最大值、第三提取尺寸最小值和步长自动生成第三提取尺寸最大值和第三提取尺寸最小值中间的第三提取尺寸，并存储所有第三提取尺寸。

此外，以步骤301中获取到10万个第二重复纹理区域为例，若第三提取尺寸为n个，则经过步骤302之后第三纹理块为10n万个，即实际训练样本为10n万个，相对于第二重复纹理区域的数量扩充了n倍。

303：通过深度学习模型和尺度准则对第三纹理块的尺度和尺度特征进行学习，获得深度网络识别模型；

其中，尺度特征为尺度的表征，深度网络识别模型描述纹理块、尺度和尺度特征之间的对应关系。

以尺寸准则为按纹元数量进行分类为例，本步骤在具体实施时，具体实施方式包括但不限于：预先将每个第三纹理块按其包含的纹元数量进行分类，得到第一分类结果，分别将每个第三纹理块输入深度学习模型，使深度学习模型对第三纹理块进行分类，得到第二分类结果，随后依据每个第三纹理块的第一分类结果对其第二分类结果进行修正，完成对每个对第三纹理块的尺度和尺度特征的学习，即识别训练，获得深度网络识别模型。

其中，对将每个第三纹理块按其包含的纹元数量进行分类的具体实现方式可以为人工实现也可以为程序自动实现，本实施例不对将每个第三纹理块按其包含的纹元数量进行分类的具体实现方式进行限定。

以深度学习模型为神经网络模块，第三纹理块为如图4所示的第三纹理块1至第三纹理块6，且纹元为圆点为例，若尺度准则为按纹元数量分为5类，其中，纹元数量≤1为第1类，即尺度很小，1＜纹元数量≤8为第2类，即尺度较小，8＜纹元数量≤20为3类，即尺度适中，20＜纹元数量≤40为第4类，即尺度较大，40＜纹元数量为第5类，即尺度很大，则根据深度学习模型和尺度准则对第三纹理块的尺度和尺度特征进行学习的具体实现方式为：

先，根据图4(a)所示的第三纹理块1中包含4个圆点，将第三纹理块1分为第2类，根据图4(b)所示的第三纹理块2中包含1个圆点，将第三纹理块2分为第1类，根据图4(c)所示的第三纹理块3中包含9个圆点，将第三纹理块3分为第3类，根据图4(d)所示的第三纹理块4中包含25个圆点， 将第三纹理块4分为第4类，根据图4(e)所示的第三纹理块5中包含100个圆点，将第三纹理块5分为第5类，根据图4(f)所示的第三纹理块6中包含16个圆点，将第三纹理块6分为第3类。得到第一分类结果：第三纹理块2为第1类，第三纹理块1为第2类，第三纹理块3和第三纹理块6为第3类，第三纹理块4为第4类，第三纹理块5为第5类

再，依次将第三纹理块1至第三纹理块6输入神经网络模型，使神经网络模型对第三纹理块1至第三纹理块6进行分类，获得神经网络模型的1维输出结果，即第二分类结果。

最后，依据第三纹理块1的第一分类结果对第三纹理块1的第二分类结果进行修正，依据第三纹理块2的第一分类结果对第三纹理块2的第二分类结果进行修正，依据第三纹理块3的第一分类结果对第三纹理块3的第二分类结果进行修正，依据第三纹理块4的第一分类结果对第三纹理块4的第二分类结果进行修正，依据第三纹理块5的第一分类结果对第三纹理块5的第二分类结果进行修正，依据第三纹理块6的第一分类结果对第三纹理块6的第二分类结果进行修正，完成识别训练，即完成学习，将完成学习后的神经网络模型的1维输出确定为尺度特征，识别训练后的神经网络模型可以描述输入的第三纹理块(即纹理块)、第二分类结果(即尺度)和1维输出(即尺度特征)之间的关系，因此将识别训练后的神经网络模型确定为深度网络识别模型。

当然，尺度准则还可以为其他准则，本实施例不对尺度准则的具体内容进行限定。尺度准则还分类数量还可以为其他数量，本实施例不对尺度准则具体分类类数进行限定。深度学习模型还可以为支持向量机，或者其他人工智能模型，本实施例不对使用的具体深度学习模型进行限定。

另外，如图5所示的深度网络结构示意图，第三纹理块输入神经网络模型后存在3个输出，该3个输出为全连接层1，即1维输出，第二分类结果和全连接层2，即m维输出，其中，m为尺度准则分为的类数。通过向神经网络模型输入大量的第三纹理块，对神经网络模型进行识别训练，并对神经网络模型 的3个输出，即全连接层1、全连阶层2和第二分类结果进行分析，发现第二分类结果与全连接层1的1维输出相关，且该1维输出相对第三纹理块的选取尺度是单调的，与第三纹理块的结构无关，因此通过该1维输出可以在识别重复纹理时对选取纹理块的尺寸进行控制。

基于上述发现，本发明将全连接层1的1维输出视为一种表征重复纹理尺度的尺度特征，识别训练后的神经网络模型可以描述输入的第三纹理块(即纹理块)、第二分类结果(即尺度)和1维输出(即尺度特征)之间的关系，并可作为深度网络识别模型。同时，本发明将第二分类结果，作为输入纹理块的最终分类结果。对于m维输出，其作为神经网络自身学习的重要输出并未用于本发明的网络识别模型中。

此外，对于将每个第三纹理块输入深度学习模型，使深度学习模型对第三纹理块进行分类，得到第二分类结果，随后依据每个第三纹理块的第一分类结果对其第二分类结果进行修正，完成对每个第三纹理块的识别训练的过程，依据选择的具体深度学习模型的不同具体实现方式也不同。以选择的具体深度学习模型为神经网络模型为例，通过神经网络模型的现有自身的学习技术，例如图6所示的多层卷积等具体算法获得最终的识别训练结果，本实施例不对具体实现方式进行限定。

需要说明的是，通过执行步骤301至步骤303可以获得深度网络识别模型，该深度网络识别模型描述纹理块、尺度和尺度特征之间的对应关系，可用于识别重复纹理。在执行本实施例提供的方法时，无需每次均执行步骤301至步骤303，即仅在用户第一次识别重复纹理时，执行该步骤，以完成学习，获得深度网络识别模型。在后续识别重复纹理的操作时，可直接利用步骤301至步骤303获得的深度网络识别模型，从而继续执行下述步骤。但当新纹元出现时，或者通过现有深度网络识别模型进行重复纹理识别的识别质量降低时，即需要重新获得深度网络识别模型时，可以重新执行步骤301至步骤303。本实施例不对重新执行步骤301至步骤303的具体条件进行限定。

另外，通过步骤302提取第三纹理块后，还可以将提取的第三纹理块进行归一处理，将尺寸归一为32*32，以统一第三纹理块的尺寸，方便步骤303中对第三纹理块的学习。当然，也可以归一为其他尺寸，本实施例不对归一后的具体尺寸进行限定。同时，本实施例也不对归一处理的具体算法进行限定。

304：获取第一重复纹理区域及预设的尺度阈值；

本实施例不对获取第一重复纹理区域及预设的尺度阈值的具体方法进行限定，包括但不限于，若第一重复纹理区域为图像，并存储于特定位置，且尺度阈值作为第一重复纹理区域的读取属性，则从该特定位置依次读取图像，将读取到的图像作为第一重复纹理区域，将读取到的图像的读取属性作为尺度阈值。

需要说明的是，第一重复纹理区域为需要通过本实施例提供的识别重复纹理方法进行识别的重复纹理区域，第一重复纹理区域可以为步骤301中的第二重复纹理区域中的一个，也可以为新重复纹理区域，本实施不对第一重复纹理区域与第二重复纹理区域之间的具体关系进行限定。

305：根据尺度阈值确定第一重复纹理区域的第一提取尺寸；

本步骤的具体实施方式，包括但不限于：根据尺度阈值确定预存的第二提取尺寸中的一个为第一提取尺寸。

具体的，如果预存的第二提取尺寸数量为一个，则将第二提取尺寸作为第一提取尺寸；如果预存的第二提取尺寸数量为多个，则通过如下四个步骤确定第一提取尺寸。

步骤一：根据各第二提取尺寸从第一重复纹理区域中提取第二纹理块；

其中，第二提取尺寸为预存的提取尺寸，且通过不同的第二提取尺寸可以从同一第一重复纹理区域中提取不同的第二纹理块，通过对第二纹理块的分析，可以确定适合第一重复纹理区域识别的纹理块，同时该纹理块的提取尺寸即为适合第一重复纹理区域的提取尺寸。因此，第二提取尺寸用于在实际识别重复纹理时，根据第一重复纹理区域的纹元等属性确定适合第一重复纹理区域 的提取尺寸，使得对于每一个第一重复纹理区域均有适合自身的提取尺寸，实现根据实际识别的第一重复纹理区域的不同适应变化提取尺寸的功能，达到个性化识别的效果，降低本实施例提供的方法对第一重复纹理区域的种类、质量等要求，并保证对各种重复纹理区域的识别效果。

同时，第二提取尺寸与步骤302中的第三提取尺寸均为预设的提取尺寸，但第二提取尺寸与第三提取尺寸的用途不同，第二提取尺寸用于确定适合第一重复纹理区域的提取尺寸，第三提取尺寸用于获得深度网络识别模型。因此，任一第二提取尺寸可以为步骤302中的第三提取尺寸中的一个，也可以为新提取尺寸，第二提取尺寸的具体数量可以与第三提取尺寸的数量相同也可以不同，本实施不对第二提取尺寸与第三提取尺寸之间的具体关系进行限定。

步骤二：确定第二纹理块的尺度特征；

由于通过步骤301至步骤303已经获得深度网络识别模型，且深度网络识别模型描述纹理块、尺度和尺度特征之间的对应关系，即向深度网络识别模型输入第二纹理块，可确定第二纹理块的尺度特征。因此，本步骤的具体实施方式，包括但不限于，根据深度网络识别模型确定第二纹理块的尺度特征。

步骤三：确定尺度阈值的尺度特征；

由于通过步骤301至步骤303已经获得深度网络识别模型，且深度网络识别模型描述纹理块、尺度和尺度特征之间的对应关系，即向深度网络识别模型输入尺度阈值，可确定尺度阈值的尺度特征。因此，本步骤的具体实施方式，包括但不限于，根据深度网络识别模型确定尺度阈值的尺度特征。

步骤四：根据各第二纹理块的尺度特征和所述尺度阈值的尺度特征确定一个第二提取尺寸为第一提取尺寸。

本实施例不对步骤四的具体实施方式进行限定，包括但不限于：依据差值确定第一提取尺寸，或者二分法确定第一提取尺寸。

对于依据差值确定第一提取尺寸的方法，包括但不限于，计算各第二纹理块的尺度特征与尺度阈值的尺度特征之间的差值；将差值最小的第二纹理块对 应的第二提取尺寸确定为第一提取尺寸。

以图7所示的第二提取尺寸为6个，分别为16*16，20*20，21*21，22*22，24*24，32*32；根据各第二提取尺寸从第一重复纹理区域中提取第二纹理块为6个，即：根据16*16提取的第二纹理块1，根据20*20提取的第二纹理块2，根据21*21提取的第二纹理块3，根据21*21提取的第二纹理块4，根据24*24提取的第二纹理块5，根据32*32的提取第二纹理块6；第二纹理块的尺度特征为6个，即：第二纹理块1的尺度特征0.00，第二纹理块2的尺度特征0.70，第二纹理块3的尺度特征1.17，第二纹理块4的尺度特征1.30，第二纹理块5的尺度特征2.06，和第二纹理块6的尺度特征4.66，尺度阈值的尺度特征0.75为例，

计算第二纹理块1的尺度特征与尺度阈值的尺度特征之间的差值为0.00-0.75＝0.75，第二纹理块2的尺度特征与尺度阈值的尺度特征之间的差值为0.70-0.75＝0.05，第二纹理块3的尺度特征与尺度阈值的尺度特征之间的差值为1.17-0.75＝0.42，第二纹理块4的尺度特征与尺度阈值的尺度特征之间的差值为1.30-0.75＝0.55，第二纹理块5的尺度特征与尺度阈值的尺度特征之间的差值为2.06-0.75＝1.31，第二纹理块6的尺度特征与尺度阈值的尺度特征之间的差值为4.66-0.75＝3.91；将差值最小的0.05所属第二纹理块2对应的第二提取尺寸20*20确定为第一提取尺寸。

步骤四的实施方式除上述依据差值确定第一提取尺寸之外，还可以为：二分法确定第一提取尺寸，具体的，随机选择两个第二纹理块的尺度特征(例如a和b，且a＜b)，将a和b之间的范围确定为目标范围(a，b)，此时根据阈值的尺度特征(例如c)与(a，b)之间的关系确定一个第二提取尺寸为第一提取尺寸。

实施时，c与(a，b)之间的关系有如下三种情况：c位于(a，b)的端点处、c位于(a，b)内、c位于(a，b)外。下面对每种情况的具体实施方式进行具体说明。

第一种情况：c位于(a，b)的端点处，即c＝a，或者c＝b；

将与c相同的a，或者与c相同的b对应的第二提取尺寸确定为第一提取尺寸。

仍以图7为例，若随机选择a为第二纹理块1的尺度特征0.00，b为第二纹理块4的尺度特征1.30，则目标范围为(0.00，1.30)。若c为1.30，则c位于(0.00，1.30)的短点处，具体的c＝b，将相同的1.30所属第二纹理块4对应的第二提取尺寸22*22确定为第一提取尺寸。

第二种情况：c位于(a，b)内，即a＜c＜b；

计算a和b的平均值d＝(a+b)/2，根据c与d之间的关系确定一个第二提取尺寸为第一提取尺寸。

其中，c与d之间的关系为c＝d，或者c＜d，或者c＞d。下面对三种关系中确定一个第二提取尺寸为第一提取尺寸的具体方法进行说明。

第一种关系：c＝d；

在所有第二纹理块的尺度特征中确定稍小于d的第二纹理块的尺度特征(例如e)和稍大于d的第二纹理块的尺度特征(例如f)，比e与c的差值和f与c的差值，将差值较小的第二纹理块的尺度特征(e或者f)对应的第二提取尺寸确定为第一提取尺寸。

以图7，且目标范围为(0.00，1.30)为例。若c为0.65，则c位于(0.00，1.30)之内，计算0.00与1.30的平均值d为0.65，c＝d。因此，在图7所示的6个第二纹理块的尺度特征中e为第二纹理块1的尺度特征0.00和f为第二纹理块2的尺度特征0.70，比较0.00与0.65的差值0.65和0.70与0.65的差值0.05，将差值较小的0.05的第二纹理块2的尺度特征对应的第二提取尺寸20*20确定为第一提取尺寸。

第二种关系：c＜d；

将目标范围更新为a与d之间的范围(a，d)，根据位于(a，d)内第二纹理块的尺度特征数量确定一个第二提取尺寸为第一提取尺寸。

由于(a，d)内包含a，a是随机选择的第二纹理块的尺度特征，因此，位于(a，d)内第二纹理块的尺度特征数量不为0个，即为1个或多个。

1)位于(a，d)内的第二纹理块的尺度特征数量为1个(即a)；

在所有第二纹理块的尺度特征中确定稍大于d的第二纹理块的尺度特征(例如f’)，比较a与c的差值和f’与c的差值，将差值较小的第二纹理块的尺度特征(a或者f’)对应的第二提取尺寸确定为第一提取尺寸。

以图7，且目标范围为(0.00，1.30)为例。若c为0.60，则0.60小于0.65，即c＜d。将目标范围更新为(0.00，0.65)。图7所示的6个第二纹理块的尺度特征中位于(0.00，0.65)内的第二纹理块的尺度特征数量为1个(即第二纹理块1的尺度特征0.00)，因此，在6个第二纹理块的尺度特征中确定f’为第二纹理块2的尺度特征0.70，比较0.00与0.65的差值0.65和0.70与0.65的差值0.05，将差值较小的0.05的第二纹理块2的尺度特征对应的第二提取尺寸20*20确定为第一提取尺寸。

2)位于(a，d)内的第二纹理块的尺度特征数量为多个。

计算a与d之间的平均值d’＝(a+d)/2，根据c与d’之间的关系确定一个第二提取尺寸为第一提取尺寸。如此循环，直至确定一个第二提取尺寸为第一提取尺寸。

以图7，且目标范围为(0.00，2.06)为例。若c为0.50，则0.50小于值1.03，即c＜d。将目标范围更新为(0.00，1.03)。位于(0.00，1.03)内的第二纹理块的尺度特征数量为2个(即第二纹理块1的尺度特征0.00和第二纹理块2的尺度特征0.70)，因此，计算0.00与1.03之间的平均值0.52。

由于0.50与0.52之间的关系为上述第二种关系，即0.50小于0.52，则将目标范围更新为(0.00，0.52)。位于(0.00，0.52)内的第二纹理块的尺度特征数量为1个(即第二纹理块1的尺度特征0.00)，因此，在图7所示的6个第二纹理块的尺度特征中确定f’为第二纹理块2的尺度特征0.70，比较0.00与0.65的差值0.65和0.70与0.65的差值0.05，将差值较小的0.05的第二纹理 块2的尺度特征对应的第二提取尺寸20*20确定为第一提取尺寸。

第三种关系：c＞d；

将目标范围更新为d与b之间的范围(d，b)，根据位于(d，b)内第二纹理块的尺度特征数量确定一个第二提取尺寸为第一提取尺寸。

由于(d，b)包含b，b是随机选择的第二纹理块的尺度特征，因此，位于(d，b)内第二纹理块的尺度特征数量不为0个，即为1个或多个。

1)位于(d，b)内的第二纹理块的尺度特征数量为1个(即b)；

在所有第二纹理块的尺度特征中确定稍小于d的第二纹理块的尺度特征(例如e”)，比较e”与c的差值和b与c的差值，将差较小的第二纹理块的尺度特征(e”或者b)对应的第二提取尺寸确定为第一提取尺寸。

以图7，且目标范围为(0.00，0.70)为例。若c为0.60，则0.60大于0.35，即c＞d。将目标范围更新为(0.35，0.70)。图7所示的6个第二纹理块的尺度特征中位于(0.35，0.70)内的第二纹理块的尺度特征数量为1个(即第二纹理块2的尺度特征0.70)，因此，在6个第二纹理块的尺度特征中确定e”为第二纹理块1的尺度特征0.00，比较0.00与0.65的差值0.65和0.70与0.65的差值0.05，将差值较小的0.05的第二纹理块2的尺度特征对应的第二提取尺寸20*20确定为第一提取尺寸。

2)位于(d，b)内的第二纹理块的尺度特征数量为多个。

计算b与d之间的平均值d”＝(b+d)/2，根据c与d”之间的关系确定一个第二提取尺寸为第一提取尺寸。如此循环，直至确定一个第二提取尺寸为第一提取尺寸。

以图7，且目标范围为(0.00，2.06)为例。若c为1.60，则1.60大于1.03，即c＞d。将目标范围更新为(1.03，2.06)。位于(1.03，2.06)内的第二纹理块的尺度特征数量为2个(即第二纹理块3的尺度特征1.17和第二纹理块4的尺度特征1.30)，因此，计算1.03与2.06之间的平均值1.55。

由于1.60与1.55之间的关系为上述第三种关系，即1.60大于1.55，则将 目标范围更新为(1.55，2.06)，位于(1.55，2.06)内的第二纹理块的尺度特征数量为1个(即第二纹理块5的尺度特征2.06)，因此，在图7所示的6个第二纹理块的尺度特征中确定e”为第二纹理块4的尺度特征1.30，比较1.30与1.60的差值0.30和2.06与1.60的差值0.46，将差值较小的0.30的第二纹理块4的尺度特征对应的第二提取尺寸22*22确定为第一提取尺寸。

第三种情况：c位于(a，b)外，即c＞b，或者c＜a；

对于c＞b的情况，在所有第二纹理块的尺度特征中，根据大于b的第二纹理块的尺度特征数量确定一个第二提取尺寸为第一提取尺寸。

1)大于b的第二纹理块的尺度特征数量为0个；

将b对应的第二提取尺寸确定为第一提取尺寸。

以图7，且目标范围为(0.00，4.66)为例。若c为4.67，则4.67位于(0.00，4.66)之外，具体的4.67大于4.66，即c＞b。同时，大于4.66的第二纹理块的尺度特征数量为0个，因此，将4.66的第二纹理块6的尺度特征对应的第二提取尺寸32*32确定为第一提取尺寸。

2)大于b的第二纹理块的尺度特征数量为1个；

确定大于b的第二纹理块的尺度特征(例如f”’)，比较b与c的差值和f”’与c的差，将差较小的第二纹理块的尺度特征(b或者f”’)对应的第二提取尺寸确定为第一提取尺寸。

以图7，且目标范围为(0.00，2.06)为例。若c为2.30，则2.30位于(0.00，2.06)之外，具体的2.30大于2.06，即c＞b。同时，大于2.06的第二纹理块的尺度特征数量为1个(即第二纹理块6的尺度特征4.66)。因此，比较2.06与2.30的差值0.24和4.66与2.30的差值2.36，将差值较小的0.24的第二纹理块5的尺度特征对应的第二提取尺寸24*24确定为第一提取尺寸。

3)大于b的第二纹理块的尺度特征数量为多个。

从大于b的第二纹理块的尺度特征中再选择一个第一尺度特征(例如g)，将目标范围重新确定为b与g之间的范围(b，g)，根据c与(b，g)之间的 关系确定一个第二提取尺寸为第一提取尺寸。如此循环，直至确定一个第二提取尺寸为第一提取尺寸。

以图7，且目标范围为(0.00，1.30)为例。若c为1.40，则1.40位于(0.00，1.30)之外，具体的1.40大于1.30，即c＞b。同时，图7中大于1.30的第二纹理块的尺度特征数量为2个(即第二纹理块5的尺度特征2.06和第二纹理块6的尺度特征4.66)。从大于1.30的第二纹理块的尺度特征中再选择一个第二纹理块6的尺度特征4.66，将目标范围重新确定为1.30与4.66之间的范围(1.30，4.66)。

1.40与(1.30，4.66)之间的关系为上述第二种情况，即1.40位于(1.30，4.66)之内，根据上述第二种情况的实施方式，计算1.30和4.66的平均值2.98。

1.40与2.98之间的关系为上述第二种关系，即1.40小于2.98，根据上述第二种关系的实施方式，将目标范围更新为(1.30，2.98)。

图7中，位于(1.30，2.98)内的第二纹理块的尺度特征数量为2个(即第二纹理块4的尺度特征1.30和第二纹理块5的尺度特征2.06)，属于上述第二种关系中的2)，即位于(1.30，2.98)内的第二纹理块的尺度特征数量为多个，根据上述第二种关系中2)的实施方式，计算1.30与2.98之间的平均值2.01。

1.40与2.01之间的关系为上述第二种关系，即1.40小于2.01，将目标范围更新为(1.30，2.01)。

图7中，位于(1.30，2.01)内的第二纹理块的尺度特征数量为1个(即第二纹理块4的尺度特征1.30)，属于上述第二种关系中的1)，即位于(1.30，2.01)内的第二纹理块的尺度特征数量为1个，根据上述第二种关系中1)的实施方式，在图7所示的6个第二纹理块的尺度特征中确定f’为第二纹理块5的尺度特征2.06，比较1.30与1.40的差值0.10和2.06与1.40的差值0.66，将差值较小的0.10的第二纹理块4的尺度特征对应的第二提取尺寸22*22确定为第一提取尺寸。

上述为对第三种情况中c＞b时具体实施方式的说明，对于第三种情况中c＜a的具体实施方式，具体为：在所有第二纹理块的尺度特征中，根据小于a的第二纹理块的尺度特征数量确定一个第二提取尺寸为第一提取尺寸。

1)小于a的第二纹理块的尺度特征数量为0个；

将a对应的第二提取尺寸确定为第一提取尺寸。

2)小于a的第二纹理块的尺度特征数量为1个；

确定小于a的第二纹理块的尺度特征(例如e”’)，比较a与c的差值和e”’与c的差，将差较小的第二纹理块的尺度特征(e”’或者a)对应的第二提取尺寸确定为第一提取尺寸。

以图7，且目标范围为(0.70，2.06)为例。若c为0.60，则0.60位于(0.70，2.06)之外，具体的0.60小于0.70，即c＜a。同时，图7中小于0.70的第二纹理块的尺度特征数量为1个(即第二纹理块1的尺度特征0.00)。因此，比较0.00与0.60的差值0.60和0.70与0.60的差值0.10，将差值较小的0.10的第二纹理块2的尺度特征对应的第二提取尺寸20*20确定为第一提取尺寸。

3)小于a的第二纹理块的尺度特征数量为多个。

从小于a的第二纹理块的尺度特征中再选择一个第一尺度特征(例如h)，将目标范围重新确定为h与a之间的范围(h，a)，根据c与(h，a)之间的关系确定一个第二提取尺寸为第一提取尺寸。如此循环，直至确定一个第二提取尺寸为第一提取尺寸。

以图7，且目标范围为(1.17，1.30)为例。若c为0.70，则0.70位于(1.17，1.30)之外，具体的0.70小于1.17，即c＜a。同时，图7中小于1.17的第二纹理块的尺度特征数量为2个(即第二纹理块1的尺度特征0.00和第二纹理块2的尺度特征0.70)。从小于1.17的第二纹理块的尺度特征中再选择一个第二纹理块2的尺度特征0.70，将目标范围重新确定为0.70与1.17之间的范围(0.70，1.17)。

0.70与(0.70，1.17)之间的关系为上述第一种情况，即0.70位于(0.70， 1.17)端点处，根据上述第一种情况的实施方式，将0.70的第二纹理块2的尺度特征对应的第二提取尺寸20*20确定为第一提取尺寸。

306：根据第一提取尺寸从第一重复纹理区域中提取第一纹理块；

为了方便后续对第一纹理快进行处理，在步骤306提取第一纹理快之后，还可以将提取的第一纹理块进行归一处理，如归一为32*32。

307：对第一纹理块进行识别。

本步骤在具体实施时，可根据现有纹理识别方法对第一纹理块进行识别，本实施例不对识别的具体方法进行限定。

在重复纹理具体识别过程中，先基于步骤301至步骤303中获得的深度网络识别模型执行步骤304和步骤305，确定尺度阈值在第一重复纹理区域中对应的第一提取尺寸。由于深度网络识别模型是通过大量训练样本训练得到的，深度网络识别模型描述的纹理块、尺度和尺度特征之间的对应关系比较符合重复纹理的实际情况。根据深度网络识别模型确定的第一提取尺寸提取的纹理块可以较好的提现第一重复纹理区域的纹理特征，实现第一重复纹理区域的个性化识别功能，提高识别质量。

而在深度网络识别模型获取时，选取具有优异特征学习能力，有效组合低层特征形成抽象高层特征的深度学习模型作为识别模型，使得识别训练后的深度网络识别模型更加符合重复纹理的实际情况，且对重复纹理的重复特性要求较低，既可以对于千鸟纹这种重复特性较强的重复纹理进行识别，也可以对于豹纹这种重复特性较弱的重复纹理进行识别。通过深度网络识别模型进行重复纹理识别的方法的应用场景相比现有技术中基于统计学算法进行重复纹理识别的应用场景更加广泛。

另外，在重复纹理具体识别过程中通过表征尺度的尺度特征作为第一提取尺寸的确定依据，而尺度特征是深度网络识别模型确定的，同时，深度网络识别模型是计算机自身通过大量识别样本学习得到的，使得尺度特征更能符合计算机对尺度的理解，因此将尺度特征作为第一提取尺寸的确定依据，使得第一 提取尺寸更加贴合第一重复纹理的需求，识别结果更加准确。

有益效果：

通过预设的尺度阈值确定重复纹理区域的提取尺寸，根据提取尺寸提取纹理块，使得提取纹理块的依据为尺度阈值，非重复纹理的纹元具有相同特征点数的假设，以至本发明提供的方法除适用于该假设成立的场景之外，还适用于该假设不成立的场景，扩展了重复纹理的识别场景。

基于同一发明构思，参见图8所示的实施例，本实施例提供了一种识别重复纹理的装置，由于这些装置解决问题的原理与一种识别重复纹理的方法相似，因此这些装置的实施可以参见方法的实施，重复之处不再赘述。

该装置包括：

第一获取模块801，用于获取第一重复纹理区域；

第二获取模块802，用于获取预设的尺度阈值；

确定模块803，用于根据第二获取模块802获取的尺度阈值确定第一获取模块801获取的第一重复纹理区域的第一提取尺寸；

第一提取模块804，用于根据确定模块803确定的第一提取尺寸从第一获取模块801获取的第一重复纹理区域中提取第一纹理块；

识别模块805，用于对第一提取模块804提取的第一纹理块进行识别。

其中，确定模块803，用于根据尺度阈值确定预存的第二提取尺寸中的一个为第一提取尺寸。

参见图9，第二提取尺寸为多个；

确定模块803，包括：

提取单元8031，用于根据各第二提取尺寸从第一重复纹理区域中提取第二纹理块；

第一确定单元8032，用于确定提取单元8031提取的第二纹理块的尺度特征；

第二确定单元8033，用于确定尺度阈值的尺度特征；

第三确定单元8034，用于根据第一确定单元8032确定的各第二纹理块的尺度特征和第二确定单元8033确定的尺度阈值的尺度特征确定一个第二提取尺寸为第一提取尺寸。

参见图10，该装置，还包括：

第三获取模块806，用于获取第二重复纹理区域；

第二提取模块807，用于根据预设的第三提取尺寸从第三获取模块806获取的第二重复纹理区域中提取第三纹理块；

第四获取模块808，用于通过深度学习模型和尺度准则对第二提取模块807提取的第三纹理块的尺度和尺度特征进行学习，获得深度网络识别模型；

其中，深度网络识别模型描述纹理块、尺度和尺度特征之间的对应关系。

其中，第一确定单元8032，用于根据深度网络识别模型确定第二纹理块的尺度特征。

其中，第二确定单元8033，用于根据深度网络识别模型确定尺度阈值的尺度特征。

有益效果如下：

通过预设的尺度阈值确定重复纹理区域的提取尺寸，根据提取尺寸提取纹理块，使得提取纹理块的依据为尺度阈值，非重复纹理的纹元具有相同特征点数的假设，以至本发明提供的方法除适用于该假设成立的场景之外，还适用于该假设不成立的场景，扩展了重复纹理的识别场景。

以上实施例仅用于说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，本领域人员可以根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围内。