基于极大似然估计的织物图像分割.pdfVIP

浙江理工大学学报，第30卷，第1期，2013年1月 Journalof Sci—Tech Zhejiang University V01．30，No．1，Jan．2013 文章编号：1673—3851(2013)01—0012—04 基于极大似然估计的织物图像分割 孙麒 (浙江理工大学信息学院，杭州310018) 摘要：为了实现利用机器视觉技术进行织物图像检测，对织物图像的分割进行了研究。提出一种基于从图像 中检测直线段或者曲线段的边缘检测方法，基本思路是利用极大似然法评估出边缘像素点的边缘切线方向，然后逐 点连接切线倾角变化微小的相邻边缘像素得到线段。由于在相邻像素间移动模板时，只有模板边缘行列的像素对 新的评估产生影响，进一步给出了加速策略。实验结果表明，针对有较好对比度的灰度织物图像，该方法在图像分 割中是一种实用的方法。 关键词：图像分割；边缘检测；线段检测；极大似然估计 中图分类号：TP391．4 文献标志码：A 加速后，使得检测连续边缘点切线倾角的时间效率 0 引 言 等同于枚举一个梯度算子。 计算机技术的不断发展，使各行各业许多繁琐 1 基本思想 的工作可以从简单的重复劳动中解放出来。纺织企 业在生产过程中，仅是依靠肉眼对织物图案的整体 人类视觉总是倾向于从光照、纹理或者色彩对 风格、造型等进行分析研究，往往受到主观因素的影 比强烈的地方去辨别出不同物体的边缘[4书]，假定图 响，存在着不确定性，而借助计算机视觉检测技术， 像中构成边缘的线段在其邻域沿着边缘切线方向剖 其评价相对客观、稳定。 分为不同两个区域A和B，从纹理或者色彩对比的 随着纺织业的发展，针对织物图像的分割研究 角度来讲，A、B两区域一般根据下面两种情况区别 开来：a)A和B区域像素灰度均值有明显差异．b) 的越来越多，例如mean-shift算法[1]、K-means聚 A和B区域像素灰度方差均值有较大差异。基于这 类[2]等在聚类的基础上进行区域合并实现分割。本 样的认识，有下面的结论：假定q为灰度图象上某边 文依据极大似然估计理论，提出了一种基于极大似 然估计的从图像中抽取线段的图像边缘检测方法， 邻域R剖分为A和鼠两个不同区域，设R内像素个 并运用于织物图像的分割。基本思路是采用极大似 数总和为n，像素灰度均值为c，均方差为艿，A和晟区 然法[31估计出边缘像素点的边缘切线方向，然后逐 域的像素灰度值和为∑^和∑矗，均方差和为 点连接切线倾角变化微小的相邻边缘像素得到线 段。极大似然估计方法由于在相邻像素间移动估计 模板时，只有模板边缘行列的像素对新的评估产生 I，W∈ ∑如／∑瓯1+r*W*Il∑^一∑^I 影响，基于这个特性，进一步给出加速策略。本文提 [o，1]为权值，r一2In，则巩=max 出的算法具有良好的局部性，能够很好地判断出直 arg(ei)即为q 线或者曲线