纺织品图片特征库的更新方法和装置与流程
本申请涉及图像处理技术领域，特别是涉及一种纺织品图片特征库的更新方法、装置、计算机设备和存储介质。
背景技术：
纺织品自动识别技术在纺织品采购、纺织品仓储运输、纺织品电子商务等领域有着广泛的用途。纺织品自动识别属于模式识别领域的应用，依赖于图片处理与分析。以大型纺织品批发市场为例，批发市场内商户众多，商品繁杂，客商采购时主要依赖人工查找、询问与识别，人工寻找模式效率低下，如果能够利用图片匹配技术实现样本到商品的自动查找，将极大地提高采购效率。
传统的纺织品图像匹配方法，一般通过建立的纺织品图片特征库，将需要匹配的纺织品图片与纺织品图片特征库中存储的样本图像进行匹配，得到匹配结果。然而在实际应用中，由于商家和纺织品商品的快速更新迭代，存在随着时间推移纺织品图片特征库不能对部分图片进行有效识别和匹配的情况，导致对纺织品图片匹配的成功率降低。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提升纺织品图片匹配成功率的纺织品图片特征库的更新方法、装置、计算机设备和存储介质。
一种纺织品图片特征库的更新方法，包括如下步骤：
获取匹配失败的纺织品图片；
若匹配失败的纺织品图片的数目超出更新数目阈值，则将各个匹配失败的纺织品图片作为样本图像与当前纺织品图片特征库中的样本图像混合，得到新样本图像集；
获取新样本图像集中各个样本图像的总特征向量；其中，总特征向量根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量生成；
根据总特征向量，将新样本图像集中的样本图像聚类划分至第二预设个数的新的类簇质心特征向量的分组中；
根据各个新的类簇质心特征向量以及各个新的类簇质心特征向量的分组中的样本图像，生成更新的纺织品图片特征库。
一种纺织品图片特征库的更新装置，所述装置包括：
待更新图片获取模块，用于获取匹配失败的纺织品图片；
新样本图像集获取模块，用于若匹配失败的纺织品图片的数目超出更新数目阈值，则将各个匹配失败的纺织品图片作为样本图像与当前纺织品图片特征库中的样本图像混合，得到新样本图像集；
总特征向量获取模块，用于获取新样本图像集中各个样本图像的总特征向量；其中，总特征向量根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量生成；
新样本图像聚类划分模块，用于根据总特征向量，将新样本图像集中的样本图像聚类划分至第二预设个数的新的类簇质心特征向量的分组中；
纺织品图片特征库更新模块，用于根据各个新的类簇质心特征向量以及各个新的类簇质心特征向量的分组中的样本图像，生成更新的纺织品图片特征库。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取匹配失败的纺织品图片；若匹配失败的纺织品图片的数目超出更新数目阈值，则将各个匹配失败的纺织品图片作为样本图像与当前纺织品图片特征库中的样本图像混合，得到新样本图像集；获取新样本图像集中各个样本图像的总特征向量；其中，总特征向量根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量生成；根据总特征向量，将新样本图像集中的样本图像聚类划分至第二预设个数的新的类簇质心特征向量的分组中；根据各个新的类簇质心特征向量以及各个新的类簇质心特征向量的分组中的样本图像，生成更新的纺织品图片特征库。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取匹配失败的纺织品图片；若匹配失败的纺织品图片的数目超出更新数目阈值，则将各个匹配失败的纺织品图片作为样本图像与当前纺织品图片特征库中的样本图像混合，得到新样本图像集；获取新样本图像集中各个样本图像的总特征向量；其中，总特征向量根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量生成；根据总特征向量，将新样本图像集中的样本图像聚类划分至第二预设个数的新的类簇质心特征向量的分组中；根据各个新的类簇质心特征向量以及各个新的类簇质心特征向量的分组中的样本图像，生成更新的纺织品图片特征库。
上述纺织品图片特征库的更新方法、装置、计算机设备和存储介质，将纺织品图片匹配过程中匹配失败的纺织品图片，作为待更新的样本图像，在记录的匹配失败的纺织品图片的数目超出更新数目阈值时，将匹配失败的纺织品图片补充到原纺织品图片特征库中混合，并进行一次完全地纺织品图片特征库重建，在保证纺织品图片特征库对纺织品图片匹配成功率的同时尽量减少纺织品图片特征库的更新运算的次数，提升更新效率。
附图说明
图1为一个实施例中纺织品图片特征库的更新方法的应用环境图；
图2为一个实施例中纺织品图片特征库的更新方法的流程示意图；
图3为一个实施例中样本图像聚类划分步骤的流程示意图；
图4为一个实施例中建立纺织品图片特征库的步骤的流程示意图；
图5为一个实施例中分割得到纺织品样本图像单元的示意图；
图6为一个实施例中纺织品图片匹配的步骤的流程示意图；
图7为一个实施例中纺织品图片特征库的更新装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的纺织品图片特征库的更新方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104建立纺织品图片特征库并存储于服务器104中，服务器104还执行本申请任意实施例的纺织品图片特征库的更新方法的步骤，对存储的纺织品图片特征库进行更新。终端102发送匹配请求至服务器104，匹配请求中携带待匹配的纺织品图片的信息，服务器104根据匹配请求获取待匹配的纺织品图片，将获取的纺织品图片与服务器104中当前存储的纺织品图片特征库中的样本图像进行匹配，获取纺织品图片的匹配结果，并返回匹配结果至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种纺织品图片特征库的更新方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
s202，获取匹配失败的纺织品图片；
在本申请实施例中，在服务器中已经建立有纺织品图片特征库的情况下，在服务器接收到终端的匹配请求时，将匹配请求中获取的纺织品图片与纺织品图片特征库中的样本图像进行匹配。而在纺织品图片的匹配过程中，可能出现某纺织品图片在纺织品图片特征库中找不到匹配的样本图像，这种纺织品图片即为匹配失败的纺织品图片。
在实际应用中，在每一次服务器接收到的纺织品图片匹配失败时，可以将该纺织品图片计入纺织品图片匹配失败记录表中。在本步骤中，服务器可以从服务器中存储的纺织品图片匹配失败记录表读取到记录的一个或多个匹配失败的纺织品图片，继而获取到纺织品图片匹配失败记录表中记录的匹配失败的纺织品图片的数目。
s204，若匹配失败的纺织品图片的数目超出更新数目阈值，则将各个匹配失败的纺织品图片作为样本图像与当前纺织品图片特征库中的样本图像混合，得到新样本图像集；
其中，更新数目阈值可以根据实际需要设置，设置合适的更新数目阈值可以限制纺织品图片特征库的更新频率，避免纺织品图片特征库过于频繁更新导致的服务器运算资源的占用和耗费。
在此步骤中，如果步骤s202中服务器读取到的匹配失败的纺织品图片的数目超出更新数目阈值，服务器将当前纺织品图片匹配失败记录表中记录的所有匹配失败的纺织品图片作为待更新的样本图像与当前纺织品图片特征库中已有的样本图像混合，形成新样本图像集，以用于后续重建生成新的纺织品图片特征库，实现对纺织品图片特征库的更新操作。
此外，在此步骤将各个匹配失败的纺织品图片作为样本图像与当前纺织品图片特征库中的样本图像混合得到新样本图像集之后，服务器可以清空纺织品图片匹配失败记录表中记录的匹配失败的纺织品图片，或者可以对已经更新的匹配失败的纺织品图片进行标记，以避免重复更新带来的资源浪费。
s206，获取新样本图像集中各个样本图像的总特征向量；其中，总特征向量根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量生成；
在新样本图像集中，一部分样本图像是当前尚未更新的纺织品图片特征库中的样本图像，在该纺织品图片特征库建立或者上一次更新过程中，已经计算有这些样本图像的总特征向量；另一部分样本图像是匹配失败的纺织品图片，这部分样本图像在匹配过程中也已经计算有这部分样本图像的总特征向量。因此，新样本图像集中各个样本图像均已经关联记录有对应的总特征向量。
在此步骤中，服务器可以直接从服务器中读取到新样本图像集中各个样本图像的总特征向量。
s208，根据新样本图像集中各个样本图像的总特征向量，将新样本图像集中的样本图像聚类划分至第二预设个数的新的类簇质心特征向量的分组中；
其中，类簇质心特征向量的第二预设个数可以根据实际情况设置，在新样本图像集中样本图像总数确定的情况下，该第二预设个数设置越少分组数越少，则在纺织品图片匹配时单个分组中参与匹配的样本图像越多，会导致后期匹配运算量增大；而反之，该第二预设个数设置越多分组数越多，则在纺织品图片匹配时，确定纺织品图片所属分组需要花费较多的运算时间，且单个分组中参与匹配的样本图像越少匹配失败的概率越高，因此需要设置合适的新的类簇质心特征向量的分组数量。
在本步骤中，服务器可以根据新样本图像集中样本图像的总数确定合适的新的类簇质心特征向量的分组的第二预设个数。继而根据各个样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量与各个类簇质心特征向量之间的欧式距离，将样本图像聚类划分至该第二预设个数的新的类簇质心特征向量的分组中。
s210，根据各个新的类簇质心特征向量以及各个新的类簇质心特征向量的分组中的样本图像，生成更新的纺织品图片特征库。
在步骤s208已经将样本图像聚类划分至第二预设个数的新的类簇质心特征向量的分组中的情况下，在本步骤中，服务器可以生成更新的纺织品图片特征库，在生成更新的纺织品图片特征库中记录各个新的类簇质心特征向量以及各个新的类簇质心特征向量的分组中的样本图像的相关信息。
上述纺织品图片特征库的更新方法，将纺织品图片匹配过程中匹配失败的纺织品图片，作为待更新的样本图像，在记录的匹配失败的纺织品图片的数目超出更新数目阈值时，将匹配失败的纺织品图片补充到原纺织品图片特征库中混合，并进行一次完全地纺织品图片特征库重建，在重建纺织品图片特征库时，分别采集了样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，通过全局特征与局部特征相结合的特征提取，能够最大限度地保证相似的纺织品图片能够被识别提升了纺织品图片匹配的成功率。在保证纺织品图片特征库对纺织品图片匹配成功率的同时尽量减少纺织品图片特征库的更新运算的次数，提升更新效率。
在一个实施例中，如图3所示，s208根据新样本图像集中各个样本图像的总特征向量，将新样本图像集中的样本图像聚类划分至第二预设个数的新的类簇质心特征向量的分组中，包括：
s301，从新样本图像集中，选取第二预设个数的样本图像的总特征向量作为初始类簇质心特征向量；其中，总特征向量根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量生成；
在此步骤s301之前，需要先设置聚类划分的基本参数，例如类簇质心特征向量的第二预设个数k’。在s206中得到的新样本图像集中的各个样本图像的总特征向量，其中新样本图像集可以表示为l’＝{l1、l2、…、li、…、lz}，li代表新样本图像集中第i个样本图像，其中每一个样本图像的总特征向量
作为示例地，在此步骤中，可以随机选取k’个样本图像的总特征向量sj(j＝1、2、…k’)作为初始类簇质心特征向量。
s302，计算新样本图像集中各个样本图像的总特征向量到初始类簇质心特征向量之间的欧式距离；
作为示例地，在此步骤中，分别计算新样本图像集中各个样本图像到这k’个类簇质心特征向量的距离，距离采用欧式距离计算：
上面公式中，li表示第i个样本图像，sj表示第j个类簇质心特征向量，
s303，将新样本图像集中各个样本图像分别划分至与该样本图像的欧式距离最小的初始类簇质心特征向量的分组中；
作为示例地，在此步骤中，如果样本图像离类簇质心特征向量si最近，那么这个样本图像属于si点群，可以划分到该类簇质心特征向量si的分组中；如果到多个类簇质心特征向量的距离相等，则可划分到任意类簇质心特征向量的分组中：
label(li)＝argmin1≤j≤k{dist(li，sj)}；
s304，计算各个初始类簇质心特征向量的分组中的样本图像的总特征向量均值；
作为示例地，在此步骤中，按距离对所有样本图像分完组之后，计算每个分组中的样本图像的总特征向量的均值(比较简单的方法就是求样本图像每个维度的特征值的平均值)，作为新的类簇质心特征向量：
上面公式中，
s305，判断是否所有初始类簇质心特征向量的分组中的样本图像的总特征向量均值与该初始类簇质心特征向量之间的欧式距离均小于距离阈值；
其中，距离阈值δ可以根据实际情况设置，δ值越小聚类计算量越大。
若s305判断结果为是，则执行步骤s307；
若s305判断结果为否，则执行步骤s306，将各个初始类簇质心特征向量的分组中的总特征向量均值分别作为更新的初始类簇质心特征向量；执行步骤s306后返回执行步骤s302；
s307，获取当前的初始类簇质心特征向量和初始类簇质心特征向量的分组中的样本图像，作为聚类划分的新的类簇质心特征向量和新的类簇质心特征向量的分组中的样本图像。
上述实施例的技术方案，是在服务器已有的纺织品图片特征库的基础上进行更新，而在初始阶段，需要先建立纺织品图片特征库。在一个实施例中，如图4所示，本实施例的纺织品图片特征库的更新方法还包括建立纺织品图片特征库的步骤，具体包括：
s402，获取预设分类数的样本图像；
其中，样本图像是用于代表一个纺织品类型的纺织品样本图像；在实际应用中，可以根据不同的纺织品型号、不同的商家等等，确定需要计入纺织品图片特征库的样本图像，例如对于某一商家的一种型号的纺织品，可以设置一个或多个样本图像，可以对该商家和型号的纺织品进行采样的初始纺织品样本图像，再对初始纺织品样本图像进行一定地预处理得到样本图像。
其中，初始纺织品样本图像可以通过人工拍摄的方式采集，之后将采集的初始纺织品样本图像录入服务器中进行记录。在本步骤中，服务器对采集的初始纺织品样本图像进行预处理得到预设分类数的样本图像。
s404，获取样本图像中像素的灰度值、hsv颜色空间值和坐标值；
其中，样本图像可以是具有预设分辨率的图像，该图像由预设分辨率的像素矩阵组成，像素矩阵中的每一个像素均包括某一种颜色空间的多个通道值，该颜色空间可以是例如rgb颜色空间(包括红色r、绿色g和蓝色b三个通道值)、yuv颜色空间(包括亮度y、色度u和色度v三个通道值，色度u和色度v共同表示饱和度和色度)、hsv颜色空间(包括色调h、饱和度s和亮度v三个通道值)等等。
其中，灰度值可以根据颜色空间的通道值计算得到。
其中，hsv颜色空间值可以有不同的获取方式。若样本图像为hsv颜色空间表示，则可以直接从样本图像读取到hsv颜色空间值，而若样本图像是以其他颜色空间表示，则可以通过颜色空间转换得到hsv颜色空间值。
其中，坐标值表示像素在图像中的相对位置的信息，其可以有不同的具体表现方式，例如可以将样本图像中某个像素点p的坐标记为(x,y)，其中x为列数，y为行数。
在本步骤中，服务器可以对获取的样本图像进行处理，根据样本图像的颜色空间的通道值，计算获取样本图像中各个像素的灰度值、hsv颜色空间值和坐标值。
s406，根据灰度值、hsv颜色空间值和坐标值，计算样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量；
在本步骤中，样本图像的颜色全局特征向量可以根据样本图像中像素的hsv颜色空间值计算得到，样本图像的颜色局部特征向量可以根据样本图像中像素的hsv颜色空间值和坐标值计算得到，而样本图像的灰度纹理局部特征向量则可以根据样本图像中像素的灰度值计算得到。
s408，根据各个样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，将样本图像聚类划分至第一预设个数的类簇质心特征向量的分组中；
其中，类簇质心特征向量的第一预设个数可以根据实际情况设置，在样本图像总数确定的情况下，该第一预设个数设置越少分组数越少，则在纺织品图片匹配时单个分组中参与匹配的样本图像越多，会导致后期匹配运算量增大；而反之，该第一预设个数设置越多分组数越多，则在纺织品图片匹配时，确定纺织品图片所属分组需要花费较多的运算时间，且单个分组中参与匹配的样本图像越少匹配失败的概率越高，因此需要设置合适的类簇质心特征向量的分组数量。
在本步骤中，服务器可以根据样本图像的总数确定合适的类簇质心特征向量的分组的第一预设个数。继而根据各个样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量与各个类簇质心特征向量之间的欧式距离，将样本图像聚类划分至该第一预设个数的类簇质心特征向量的分组中。
s410，根据各个类簇质心特征向量以及各个类簇质心特征向量的分组中的样本图像，生成纺织品图片特征库。
在步骤s208已经将样本图像聚类划分至第一预设个数的类簇质心特征向量的分组中的情况下，在本步骤中，服务器可以生成纺织品图片特征库，在生成的纺织品图片特征库中记录各个类簇质心特征向量以及各个类簇质心特征向量的分组中的样本图像的相关信息。
本实施例中，在建立纺织品图片特征库时，分别采集了样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，通过全局特征与局部特征相结合的特征提取，能够最大限度地保证相似的纺织品图片能够被识别提升了纺织品图片匹配的成功率。全局特征和局部特征的维数被降低，减少计算量。通过纺织品图片特征库中的样本图像的聚类分组操作，将类似的样本图像聚类分组，这样在进行纺织品图片匹配时能够减少参与匹配的样本数量，从而在保证匹配精确度的前提下降低运算量，提升纺织品图片的匹配效率。
在一个实施例中，s402获取预设分类数的样本图像，包括：获取预设分类数的初始纺织品样本图像；从各个初始纺织品样本图像中分割出预设分辨率的纺织品样本图像单元，将纺织品样本图像单元的对比度调整至预设对比度值，得到调整的纺织品样本图像单元；将调整的纺织品样本图像单元作为样本图像。
作为示例地，服务器在接收到终端发送的初始纺织品样本图片后，可以根据匹配需要，将初始纺织品图片处理成预设分辨率的原始纺织品样本图像。
例如，如图5所示，以预设分辨率为512×512为例，终端采集的初始纺织品样本图像需要不小于512×512像素，服务器在接收了终端采集的初始纺织品样本图像后，将初始纺织品样本图像统一调整为512×512像素。具体地，如果采集的初始纺织品样本图像的分辨率比512×512大，则可以从初始纺织品样本图像某区域例如左上角开始剪裁出512×512像素的子图像作为分割的纺织品样本图像单元。
之后，服务器可以调整纺织品样本图像单元的亮度和对比度，使得调整后的纺织品样本图像单元的图像参数的图像参数一致，以便用于纺织品图像的匹配。
其中，对比度变换也称为反差增强或直方图变换，或称对比度增强(拉伸)，是一种通过改变像元的亮度值来改变图像像元的对比度，从而改善图像质量的图像处理方法，以纺织品样本图像单元用rgb颜色空间表示为例，r、g、b三个通道的值的范围为[0，255]，则可以采用下面公式计算调整后的纺织品样本图像单元的各个像素的颜色值：
r'＝r+(r-127)×2，g′＝g+(g-127)×2，b'＝b+(b-127)×2；
其中，r’、g’、b’为调整后的r、g、b值。对于r’、g’、b’中的任意一个，如果通过上式计算的结果超出[0，255]范围，则如果r’、g’、b’计算结果大于255，则取255；如果r’、g’、b’计算结果小于0，则取0。
在调整了纺织品样本图像单元的各个像素的颜色值之后，服务器即可以将调整的纺织品样本图像单元作为样本图像。
在一个实施例中，s406中计算样本图像的颜色全局特征向量包括：
分别计算样本图像中像素的hsv颜色空间值中，h通道值的均值、s通道值的均值、v通道值的均值、h通道值的方差、s通道值的方差、v通道值的方差、h通道值的三阶矩、s通道值的三阶矩和v通道值的三阶矩；根据h通道值的均值、s通道值的均值、v通道值的均值、h通道值的方差、s通道值的方差、v通道值的方差、h通道值的三阶矩、s通道值的三阶矩和v通道值的三阶矩，生成样本图像的颜色全局特征向量。
作为示例地，h通道值的均值μh、s通道值的均值μs、v通道值的均值μv、h通道值的方差σh、s通道值的方差σs、v通道值的方差σv、h通道值的三阶矩τh、s通道值的三阶矩τs和v通道值的三阶矩τv分别可以通过如下公式计算得出：
其中，hi、si、vi分别代表样本图像中第i个像素的h通道值、s通道值、v通道值，n代表样本图像的像素总数，如果样本图像的分辨率是512×512，则n＝262144。计算结束后，得到此图像的9个全局特征值μh、μs、μv、σh、σs、σv、τh、τs、τv。生成包含9个特征值的颜色全局特征向量global：
global＝(μh，μs，μv，σh，σs，σv，τh，τs，τv)。
本实施例中，分别提取样本图像在hsv颜色空间值中各个通道值的均值、方差和三阶矩，生成颜色全局特征向量，可以反映整个样本图像的全局颜色特征。
在一个实施例中，s406中计算样本图像的颜色局部特征向量包括：
将样本图像中各个像素的hsv颜色空间值中的h通道值、s通道值和v通道值降维生成单维度颜色值；单维度颜色值被量化为第三预设个数颜色等级的颜色等级值；根据样本图像中各个像素的坐标值，将样本图像中各个像素与其他像素之间的像素距离值量化为第四预设个数距离等级的像素距离等级值；根据样本图像中各个像素的颜色等级值和像素距离等级值，生成包含第三预设个数乘以第四预设个数的元素的二维矩阵；其中，二维矩阵中的每一个元素的取值代表一个颜色等级和距离等级下的颜色等级值和像素距离等级值的数量；展开二维矩阵，得到样本图像的颜色局部特征向量。
作为示例地，可以首先将hsv颜色空间值量化成多个等级，以便减少特征空间大小，各个通道值量化的等级数可以根据实际需求确定。以将h通道值量化为8级，s通道值量化为3级，v通道值量化为4级为例，可以将hsv颜色空间值量化如下：
其中，h代表量化前的h通道值，s代表量化前的s通道值，v代表量化前的v通道值，hnew代表量化后的h通道值，snew代表量化后的s通道值，vnew代表量化后的v通道值。
对量化后的h、s、v三个通道值进行降维度合成为一个维度的单维度颜色值hsv，如下式所示：
hsv＝12hnew+4snew+vnew；
其中，hsv∈[0，1，...，95]。
可以量化像素点距离为4个等级[0，1，2，3]，生成一个特征向量local1，local1大小为4×96，即包含384个特征，计算方法如下：
以样本图像分辨率为512×512为例，可以将512×512像素的图像像素坐标量化为4个等级，方便计算距离，例如某个像素点p的坐标为(x，y)x，y∈[0，511]，则新的坐标(x′，y′)为：
在将图像hsv颜色空间量化为96个等级的单一通道，以及将像素坐标量化为4个等级后，作为示例地，颜色局部特征向量local1的计算可以通过如下伪代码实现：
二维数组local1的大小为4×96，初始化所有数组元素为0；
计算完毕后，将算得的local1数组展开，形成包含384个特征值的颜色局部特征向量local1，这384个特征值实际上代表了样本图像的颜色自相关性。
在一个实施例中，s406中计算样本图像的灰度纹理局部特征向量包括：
获取第五预设个数的不同的卷积模板矩阵；利用各个卷积模板矩阵，分别与样本图像中各个像素的灰度值组成的灰度值矩阵进行卷积计算得到各个像素的卷积值；根据各个卷积模板矩阵计算的样本图像中各个像素的卷积值，生成各个卷积模板矩阵对应的卷积图像；针对每一个卷积图像，分别计算该卷积图像中像素的灰度值的均值和方差；根据第五预设个数的卷积图像的灰度值的均值和方差，生成样本图像的灰度纹理局部特征向量。
作为示例地，灰度纹理局部特征向量可以通过样本图像的灰度值计算得到，具体可以包括如下步骤：
首先采用预设的8个卷积模板矩阵对图像进行卷积运算，8个卷积模板矩阵如下所示：
对于每一个卷积模板矩阵，将样本图像的灰度值与其进行卷积运算，生成卷积图像。其中，卷积运算可看作是加权求和的过程，使样本图像的图像区域中的每个像素分别与卷积核(权矩阵)的每个元素对应相乘，所有乘积之和作为区域中心像素的新值。生成的卷积图像大小与样本图像的分辨率一致，例如样本图像分辨率是512×512，则生成的卷积图像的分辨率也是512×512。每一个样本图像可以生成8个卷积图像am1、am2、am3、am4、am5、am6、am7、am8。
针对每一个卷积图像，采用
local2＝(μg1，σg1，μg2，σg2，μg3，σg3，μg4，σg4，σg5，σg5，μg6，σg6，μg7，σg7，μg8，σg8)。
通过上述三个实施例的计算方法，可以得到包含z个样本图像的样本图像特征库l＝{l1、l2、…、li、…、lz}，其中任意一个样本图像li具有三个特征向量global、local1和local2，该样本图像li的总特征向量可以记为
在一个实施例中，如图6所示，本实施例的纺织品图片特征库的更新方法还包括纺织品图片匹配的步骤，具体包括：
s602，获取待匹配的纺织品图片；
在本步骤中，服务器根据终端发送的匹配请求，获取待匹配的纺织品图片；
具体地，终端可以发送需要匹配的原始纺织品图片至服务器，服务器对接收的原始纺织品图片进行处理，得到用于匹配的纺织品图片。其中，原始纺织品图片可以由终端摄像头拍摄得到，或者由终端内存例如相册等中直接读取得到。
在本步骤中，服务器在对接收的原始纺织品图片进行处理时，处理得到的待匹配的纺织品图片需要与纺织品图片特征库中的样本图像的分辨率和对比度等保持一致。
s604，获取纺织品图片中像素的灰度值、hsv颜色空间值和坐标值；
在本步骤中，服务器可以采用与s404中获取样本图像中像素的灰度值、hsv颜色空间值和坐标值相同的方法，对获取的纺织品图片进行处理，根据纺织品图片的颜色空间的通道值，计算获取纺织品图片中各个像素的灰度值、hsv颜色空间值和坐标值。
s606，根据灰度值、hsv颜色空间值和坐标值，计算纺织品图片的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量；
在本步骤中，服务器可以采用与s406中根据样本图像中像素的灰度值、hsv颜色空间值和坐标值计算样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量相同的方法，根据纺织品图片中像素的灰度值、hsv颜色空间值和坐标值，计算纺织品图片的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量。
s608，根据纺织品图片的颜色全局特征向量与纺织品图片特征库中的各个类簇质心特征向量的颜色全局特征向量之间的第一欧式距离，确定纺织品图片所属的类簇质心特征向量的分组；
其中，服务器中预存有建立好的纺织品图片特征库，该纺织品图片特征库中预存有多个类簇质心特征向量，以及被分类到各个类簇质心特征向量的分组下的样本图像。一个分组下的各个样本图像的总特征向量与该分组的类簇质心特征向量之间的欧式距离小于距离阈值。每一个类簇质心特征向量中均包含一组颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量。
在本步骤中，服务器可以计算当前获取的纺织品图片的颜色全局特征向量与纺织品图片特征库中的各个类簇质心特征向量的颜色全局特征向量之间的第一欧式距离，并选择其中与纺织品图片的颜色全局特征向量的第一欧式距离最小的类簇质心特征向量的分组，作为该纺织品图片所属的类簇质心特征向量的分组。
s610，根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，确定纺织品图片在类簇质心特征向量的分组中匹配的样本图像。
其中，纺织品图片特征库中的每个样本图像，均关联记录有该样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量。
在本步骤中，在步骤s608已经确定纺织品图片所属的类簇质心特征向量的分组的情况下，服务器可以直接将纺织品图片与该所属的类簇质心特征向量的分组下的各个样本图像进行匹配识别，根据纺织品图片的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，与分组中各个样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，分析确定纺织品图片在该类簇质心特征向量的分组中匹配的样本图像。
本实施例中，在对纺织品图片进行匹配时，根据待匹配的纺织品图片中像素的灰度值、hsv颜色空间值和坐标值，分别计算纺织品图片的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，在进行匹配时，首先根据颜色全局特征向量确定纺织品图片在纺织品图片特征库中所属的分组，之后将纺织品图片与分组中的样本图像进行匹配得到纺织品图片匹配的样本图像，从而可以有效减少参与匹配的样本图像数量，降低运算量，提升纺织品图片匹配的准确性和效率。
应该理解的是，虽然图2、3、4、6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、3、4、6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种纺织品图片特征库的更新装置700，包括：待更新图片获取模块702、新样本图像集获取模块704、总特征向量获取模块706、新样本图像聚类划分模块708和纺织品图片特征库更新模块77，其中：
待更新图片获取模块702，用于获取匹配失败的纺织品图片；
新样本图像集获取模块704，用于若匹配失败的纺织品图片的数目超出更新数目阈值，则将各个匹配失败的纺织品图片作为样本图像与当前纺织品图片特征库中的样本图像混合，得到新样本图像集；
总特征向量获取模块706，用于获取新样本图像集中各个样本图像的总特征向量；其中，总特征向量根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量生成；
新样本图像聚类划分模块708，用于根据总特征向量，将新样本图像集中的样本图像聚类划分至第二预设个数的新的类簇质心特征向量的分组中；
纺织品图片特征库更新模块710，用于根据各个新的类簇质心特征向量以及各个新的类簇质心特征向量的分组中的样本图像，生成更新的纺织品图片特征库。
在一个实施例中，新样本图像聚类划分模块708用于：
s1，从新样本图像集中，选取第二预设个数的样本图像的总特征向量作为初始类簇质心特征向量；
s2，计算新样本图像集中各个样本图像的总特征向量到初始类簇质心特征向量之间的欧式距离；
s3，将新样本图像集中各个样本图像分别划分至与该样本图像的欧式距离最小的初始类簇质心特征向量的分组中；
s4，计算各个初始类簇质心特征向量的分组中的样本图像的总特征向量均值；
s5，若所有初始类簇质心特征向量的分组中的样本图像的总特征向量均值与该初始类簇质心特征向量之间的欧式距离小于距离阈值，则执行步骤s7；
s6，若存在任意初始类簇质心特征向量的分组中的总特征向量均值与该初始类簇质心特征向量之间的欧式距离不小于距离阈值，则将各个初始类簇质心特征向量的分组中的总特征向量均值分别作为更新的初始类簇质心特征向量，并重复步骤s2、s3和s4，直至所有初始类簇质心特征向量的分组中的样本图像的总特征向量均值与该初始类簇质心特征向量之间的欧式距离小于距离阈值，则执行步骤s7；
s7，获取当前的初始类簇质心特征向量和初始类簇质心特征向量的分组中的样本图像，作为聚类划分的新的类簇质心特征向量和新的类簇质心特征向量的分组中的样本图像。
在一个实施例中，纺织品图片特征库的更新装置700还包括纺织品图片特征库的建立模块，纺织品图片特征库的建立模块包括：
样本图像获取模块，用于获取预设分类数的样本图像；
样本像素值获取模块，用于获取样本图像中像素的灰度值、hsv颜色空间值和坐标值；
样本特征向量计算模块，用于根据灰度值、hsv颜色空间值和坐标值，计算样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量；
样本图像聚类划分模块，用于根据各个样本图像的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，将样本图像聚类划分至第一预设个数的类簇质心特征向量的分组中；
纺织品图片特征库生成模块，用于根据各个类簇质心特征向量以及各个类簇质心特征向量的分组中的样本图像，生成纺织品图片特征库。
在一个实施例中，样本特征向量计算模块用于：分别计算样本图像中像素的hsv颜色空间值中，h通道值的均值、s通道值的均值、v通道值的均值、h通道值的方差、s通道值的方差、v通道值的方差、h通道值的三阶矩、s通道值的三阶矩和v通道值的三阶矩；根据h通道值的均值、s通道值的均值、v通道值的均值、h通道值的方差、s通道值的方差、v通道值的方差、h通道值的三阶矩、s通道值的三阶矩和v通道值的三阶矩，生成样本图像的颜色全局特征向量。
在一个实施例中，样本特征向量计算模块用于：将样本图像中各个像素的hsv颜色空间值中的h通道值、s通道值和v通道值降维生成单维度颜色值；单维度颜色值被量化为第三预设个数颜色等级的颜色等级值；根据样本图像中各个像素的坐标值，将样本图像中各个像素与其他像素之间的像素距离值量化为第四预设个数距离等级的像素距离等级值；根据样本图像中各个像素的颜色等级值和像素距离等级值，生成包含第三预设个数乘以第四预设个数的元素的二维矩阵；其中，二维矩阵中的每一个元素的取值代表一个颜色等级和距离等级下的颜色等级值和像素距离等级值的数量；展开二维矩阵，得到样本图像的颜色局部特征向量。
在一个实施例中，样本特征向量计算模块用于：获取第五预设个数的不同的卷积模板矩阵；利用各个卷积模板矩阵，分别与样本图像中各个像素的灰度值组成的灰度值矩阵进行卷积计算得到各个像素的卷积值；根据各个卷积模板矩阵计算的样本图像中各个像素的卷积值，生成各个卷积模板矩阵对应的卷积图像；针对每一个卷积图像，分别计算该卷积图像中像素的灰度值的均值和方差；根据第五预设个数的卷积图像的灰度值的均值和方差，生成样本图像的灰度纹理局部特征向量。
在一个实施例中，纺织品图片特征库的更新装置700还包括纺织品图片匹配模块，纺织品图片匹配模块包括：
纺织品图片获取模块，用于获取待匹配的纺织品图片；
图片像素值获取模块，用于获取纺织品图片中像素的灰度值、hsv颜色空间值和坐标值；
图片特征向量计算模块，用于根据灰度值、hsv颜色空间值和坐标值，计算纺织品图片的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量；
类簇质心分组确定模块，用于根据纺织品图片的颜色全局特征向量与纺织品图片特征库中的各个类簇质心特征向量的颜色全局特征向量之间的第一欧式距离，确定纺织品图片所属的类簇质心特征向量的分组；
图像匹配模块，用于根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量，确定纺织品图片在类簇质心特征向量的分组中匹配的样本图像。
关于纺织品图片特征库的更新装置的具体限定可以参见上文中对于纺织品图片特征库的更新方法的限定，在此不再赘述。上述纺织品图片特征库的更新装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如上任意实施例的纺织品图片特征库的更新方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上任意实施例的纺织品图片特征库的更新方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！