一种传统云纹图案的自动分类方法
一种传统云纹图案的自动分类方法
【技术领域】
[0001] 本发明属于聚类分析、图像分类技术领域，涉及云纹图像预处理，形状上下文特征 提取，近邻关系传递优化相似性矩阵。具体地说是一种结合近邻关系传递与形状上下文特 征的多子类中心近邻传播算法聚类云纹图像的自动分类方法。
【背景技术】
[0002] 在中国传统装饰纹样中，云纹是历史久远、造型样式极其丰富、独具东方艺术魅力 的一个大类。云纹流变生动，寓意吉祥，表现形式多样，既有不同单体的变化，又有各类嫁 接、连续的组合结构，自古以来就是各类平面和立体造形之中重要的装饰元素，即使到了今 天，对当代艺术设计与创作仍有很大的借鉴价值。例如大家所熟悉的2008年北京奥运会火 炬上就采用了祥云纹样作为装饰图案，其造型来源于先秦时期就出现的单勾卷云纹。在推 崇弘扬优秀民族传统文化的今天，对传统艺术形式的研宄显得犹为重要。其中，对传统图案 样式进行搜寻、采集、归类、分析，发现其中蕴含着的民族智慧、符合东方审美观念的艺术语 言，无论是对于学术研宄还是丰富现代艺术设计语汇都极具价值。
[0003] 中国传统云纹的发展起点可以追溯到新石器时代彩陶纹饰中的原始旋纹。而春 秋战国时期青铜器上的云雷纹被认为是较为明确的最早的成形云纹，后又经历了卷云纹、 云气纹、流云纹、朵云纹、如意云纹、团云纹、叠云纹等样式的繁衍变迀，从最初的单纯抽象 发展到拟形和写意，样式极其丰富多变，即使是同一大类的云纹，随时代、地域、创作者的不 同，也有多种形态的变化。由于云纹艺术形式极其丰富，各类图案样式资料浩如烟海，要做 好这项研宄整理工作仅仅依靠人工查找、整理归类，其效率是十分低下的，因此通过引入非 监督的聚类分析方法，在研宄图案特征的基础上实现云纹图案的自动分类无疑具有重大意 义。
[0004] 2007年Frey等人在science上提出了一种全新的基于簇类中心的聚类算法， 艮PAP聚类算法（FreyBJ:《Clusteringbypassingmessagesbetweendatapoints》 [J].science, 2007, 315(5814) :972-976.)，并将该算法结合不同图像像素点间的欧氏距离 对人脸图像进行了聚类研宄，取得了比k-centers更好的聚类效果。之后Frey等人将AP 聚类算法结合SIFT特征用于对CaltechlOl图像的聚类分析，证明了采用SIFT算法提取 图像特征结合AP算法进行图像聚类具有一定的优越性（Dueck,FreyBJ.《Non-metric AffinityPropagationforUnsupervisedImageCategorization》 [C]//Procof11th InternationalConferenceonIEEEComputerVision.Toronto,Canada, 2007:1-8)〇 王 昌栋等人于2013年在PAMI上提出MEAP聚类算法，将AP算法单簇类中心的模型拓展为多 子类中心的聚类模型，并结合SIFT特征对人脸图像、AaltechlOl图像与SceneClassl3的 聚类进行了研宄，提高了算法处理多子类图像的聚类精度（WangCD:《Multi-exemplar affinitypropagation))[J].IEEETransactionsonPatternAnalysis&MachineIntelli gence，2013, 35 (9) : 2223-2237)。目前，对我国传统云纹图案进行自动分类的研宄仍是空白。
【发明内容】
[0005] 本发明借鉴Frey与王昌栋等人的研宄成果，提出一种基于近邻关系传递的多 子类中心近邻传播聚类算法（neighborpropagationbasedmulti-exemplaraffinity propagation,NP-MEAP)，结合SC特征提取算法实现云纹图案的自动分类。本发明的目的在 于克服云纹图像人工分类非常低效的缺点，设计一种无监督的云纹图像自动分类技术。
[0006] 实现本发明的技术关键是：云纹图像预处理、提取云纹图像SC相似性矩阵、通过 改进的NP算法优化相似度矩阵、最后采用MEAP传播聚类算法进行自动分类。具体实现步 骤包括如下：
[0007] (1)云纹图像预处理，归一化云纹图像尺寸、去除背景噪声、云纹图像线条细化。
[0008] (la)归一化云纹图像尺寸，这样既方便后续图像的统一处理同时不会改变图像线 条分布情况
[0009] (lb)去除背景噪声，同时也方便采用数学形态学方法对图像进行细化。
[0010] (lc)云纹图像线条细化，因为不同类云纹图像的线条形状不同，而同类云纹图像 的线条形状基本相似，因此主要关注云纹图像线条形状。
[0011] ⑵提取云纹图像的形状上下文相似度矩阵
[0012] (2a)形状上下文算法认为每个图像中的物体可以用图形边界上均匀分布的有限 数目的离散点来近似描述，所以需提取云纹图像的边界上的离散点。
[0013] (2b)针对每个离散点计算其形状上下文。
[0014] (2c)计算两幅云纹图像中任意两点之间的形状上下文差异。
[0015] (2d)计算两幅云纹图像中任意两点之间的正切角差异。
[0016] (2e)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结合。
[0017] (2f)计算任意两幅云纹图像之间的形状上下文距离值。
[0018] (3)改进的近邻传递算法（NP)优化Ss。矩阵
[0019] (3a)计算形状上下文距离矩阵D。
[0020] (3b)计算近邻关系传递阈值e。
[0021] (3c)计算云纹图像之间的相似度矩阵S。
[0022] (3d)计算近邻关系矩阵N。
[0023] (3e)近邻关系传递算法优化相似度矩阵。
[0024] (4)将上述优化之后的相似度矩阵作为MEAP算法的输入矩阵，通过调整参考值， 获得正确的分类数，实现云纹图像的自动分类。
[0025] 本发明对云纹图像进行了预处理，选取了合适的图像特征提取算法，基于流形学 习的思想，采用改进的近邻关系传递算法对相似度矩阵进行优化，最后采用最新的多子类 中心近邻传播聚类算法实现自动分类，填补了云纹图像自动分类的空白，同时保证了云纹 图像自动分类的准确性。
[0026] 本发明具有以下优点：
[0027] (1)通过对云纹图像进行预处理，排除了图像尺寸、背景噪声、线条粗细的影响，保 证自动分类的准确性不受其影响。
[0028] (2)针对云纹图像的主要特征在于其线条形状，选取了当前最优越的形状特征提 取算法，形状上下文描述子保证聚类结果比较理想。
[0029] (3)本发明采用近邻关系传递算法对形状上下文相似性矩阵进一步优化使得算法 取得的自动分类准确性更高，实现云纹图像的自动分类。
【附图说明】
[0030] 图1是本发明的实现流程图；
[0031] 图2是MEAP的聚类模型；
[0032] 图3是部分云纹图像示例；
[0033] 图4是尺寸归一化后的云纹图像示例；
[0034] 图5是二值化之后的云纹图像；
[0035] 图6是细化之后的云纹图像；
[0036] 图7是云纹图像线条上所提取离散点示意图；
[0037] 图8是云纹图像中某点到其他点的向量示意图；
[0038] 图9是六种卷云纹图像示例图；
[0039] 图10是NP-MEAP与SIFT-MEAP、ED-MEAP云纹图像聚类精度对比示意图；
[0040] 图11是NP-MEAP算法在云纹图像上部分聚类结果示意图；
【具体实施方式】
[0041] -、基础理论介绍
[0042] 1.多子类中心近邻传播聚类算法
[0043] MEAP算法是一个拥有二层结构的聚类算法，如图2所示该算法将所有数据对象分 配给最合适的子类中心，将每个子类中心分配给最合适的超簇类中心，从而实现模型化多 子类问题的目的。
[0044] 与AP算法类似，MEAP算法为每个数据对象建立与其他数据对象的相似度信息 s(i,j)以及连接度信息1 (i,j)。算法为每个数据对象设定偏向参数p=s(k,k)与pp= 1 (k，k)值，p与pp值越大表示相应的数据对象作为候选的子类中心和超聚类中心的可能性 就越大，得到的聚类数就越多，通常分别设置P与PP值为相似度矩阵与连接度矩阵的中值。 MEAP算法的核心步骤为4类7个公式的交替更新过程，更新公式如下：
[0052] 上述公式中相关参数的具体含义可参见文献multi-exemplaraffinity propagation，所有新变量均初始化为0。MEAP算法在整个迭代更新过程中，各数据对象进 行竞争自动地产生相应的子类中心和超簇类中心，将其他数据对象分配给最近的子类中 心，子类 中心由超簇类中心结合在一起形成最终的聚类结果。
[0053] 二、本发明是一种传统云纹图像自动分类方法
[0054] 参照图1，本发明的具体实施过程包括以下步骤：
[0055] 步骤1.云纹图像预处理
[0056] 图3为多个云纹图案示例，从图3中可以看出从各种资料中采集的不同云纹图案 的大小尺寸不同，线条的粗细不一，同时部分采集的云纹图像包含有灰色背景噪声。因此需 要对云纹图像进行预处理，以取得更加准确的聚类精度。
[0057] (1. 1)云纹图像的尺寸大小不同，首先将所有图像归一化到85*45的尺寸，这样既 方便后续图像的统一处理同时不会改变图像线条分布情况。归一化到85*45之后的云纹图 像如图4所示。
[0058] (1. 2)针对云纹图像包含背景噪声的问题，对图像进行二值化处理消除背景噪声， 同时也方便采用数学形态学方法对图像进行细化。采用大津法计算二值化阈值，二值化之 后的云纹图像如图5所示。
[0059] (1.3)因为不同类云纹图像的线条形状不同，而同类云纹图像的线条形状基本相 似，因此本发明主要关注云纹图案线条形状。线条的不同粗细与云纹图案的类别并不相关， 反而可能影响聚类的准确性，因此采用数学形态学的方法将线条细化到一像素的宽度。细 化之后的云纹图像如图6所示。
[0060] 步骤2.计算云纹图像集的形状上下文相似度矩阵
[0061] (2. 1)SC算法认为每个图像中的物体可以用有限数目的离散点来近似描述，而这 些离散点并不需要是图形中的拐点、极值点等关键点，而是图形边界上均匀分布的离散点 即可。图7为经过预处理后云纹图像线条上所提取离散点示意图，其中图7中a小图对应图 6中上排中间小图，图7中b小图对应图6中上排最右侧小图。从图7中可以看出，云纹图 像线条上的离散点可以较为准确的描述相应的云纹图案线条形状，而且所提取的边界点越 多，对图案的近似描述越精确。但是提取的边界点过多时，则会导致算法的运行时间过长， 通常选取100-150个边界点即可比较准确的描述线条形状，本发明使用n= 100个边界离 散点来描述线条形状。
[0062] 将图7中二幅小图中的某个点用小方框标记。对图7中轮廓点集p= {ppp2,. . .，pn}，n= 100中的某个离散点而言，考虑从该点出发到其他n-1个点的向量，这 n-l个向量可以比较准确的描绘该云纹图像的形状信息。如图8所示为图7中标记的离散 点到其他所有点的向量图示。
[0063] (2.2)图8中每个点都可以用n-l个起始于该点终止于其余点的向量来描述，每个 云纹线条由n个n-l维的向量描述，由此可以得到每幅云纹图像比较丰富的特征描述矩阵。 但是将所有这些向量都计算出来用以描述云纹图像，计算量会非常大，并不现实。对于形状 而言，仅仅知道并计算出云纹图像线条轮廓上所有离散点相对于该点的位置关系即可。因 此将云纹线条所在的直角坐标系转换到对数极坐标系下，以待计算的离散点为对数极坐标 系圆点，将极坐标系在方向上从0到2 31平均分为12份，半径上从极坐标圆点开始向外到 2r通过对数空间函数转换分为5份，其中r为数据集欧氏距离的平均值，这样整个极坐标 系就被分为60份（bin)。计算云纹图像的轮廓点散落到每个bin中的离散点数，形成一个 60维的向量，称这个60维的向量为对应离散点的形状上下文，即离散点的对数极坐标直方 图。计算直方图公式如下：
[0064] hj(k) = #{q^Pi: (q-Pi)Gbin(k)}
[0065] 其中k表示极坐标系中第k个bin，取值为1到60，Pi为待计算直方图的云纹图像 的边界点，q为除Pi点之外的其他n-1个边界点，q-pi为第k个bin中边界点的个数。
[0066] (2. 3)计算两幅云纹图像中任意两点之间的形状上下文差异，对于云纹图像P中 的一个边界点Pi与云纹图像Q中边界点q」，用标记这两个点的形状上下文差 异，那么qf的计算公式如下所示，其中比(k)与h^k)分别表示？1与i直方图中第k个bin中边界点的个数。
[0068] (2.4)计算两幅云纹图像中任意两点之间的正切角差异。形状上下文差异比较 好的捕获了不同云纹形状上离散点的整体差异，为了使得云纹形状离散点间的差异更加准 确，添加离散点的正切角差异，公式如下，其中9 1与9 ^分别为点处的正切角。
[0070] (2. 5)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结 合，就可以比较准确的度量不同云纹图像上任意两个点之间的形状上下文距离。公式如 下：
[0072] (2.6)计算两幅云纹图像之间的形状上下文距离。按上述公式通过计算云纹图像 P中的任意边界APi与云纹图像Q中任意边界点q」之间的形状上下文距离，得到一个n*n(n=100)的距离矩阵，将距离矩阵横向与纵向最小值的平均值求和得到两幅云纹图像之间 的形状上下文距离值。计算公式如下：
[0074] 上述公式所得值越小，两幅图像之间差异越小，相似性越大，反之则相似性越小。 将该值取反作为两幅图像之间的形状上下文相似性度量，记为Ss。(P，? = _DS。(P，?，计算 所有图像之间的形状上下文相似性度量求得云纹图像集的相似性矩阵Ss。。
[0075] 步骤3.改进的近邻传递算法（NP)优化Ss。矩阵
[0076] (3. 1)计算形状上下文距离矩阵D= [cynXn，该矩阵用于初始化下文所述的近邻 关系矩阵N，矩阵中的元素&为云纹图像i与j的形状上下文距离，该值取相反数用于更 新近邻关系传递成功之后的相似度矩阵S。
[0077] (3. 2)计算近邻关系传递阈值，记云纹图像Xi与其第k个近邻点的距离为dik，取 所有云纹图像与其第k个近邻距离的平均值作为阈值，该阈值可以一定程度上减弱噪声数 据的影响，同时针对不同的数据集选取不同的k值可以使得近邻关系传递更准确。新阈值 公式定义如下：
[0079] (3.3)计算云纹图像之间的相似度矩阵，相似度矩阵S= [Sij]nXn，矩阵中第i行第 j列元素\的计算公式定义如下：
[0081] 屯为形状上下文距离，此处通过指数变换放大所有云纹之间的距离，主要目的是 放大位于不同流形上云纹图像之间的距离，从而缩小其相似度。
[0082] (3. 4)计算近邻关系矩阵N，如果距离矩阵D中的元素&小于近邻关系传递阈值 e，那么认为数据对象\与^_互为近邻，表示为（Xi，Xj)eR，由此定义求得所有云纹图像 的近邻关系矩阵。即当数据对象\与x」互为近邻时，那么矩阵中对应的元素nu的值为1， 否则取值为〇,对角线元素为〇。
[0083] (3.5)近邻关系传递优化相似度矩阵，即如果nij= 0,而nik=l，nkj= 1，那么设 置]^_= 1，n1，同时更新ss-min(dik，dkj) 〇
[0084] 步骤4.将上述优化之后的相似度矩阵作为MEAP算法的输入矩阵运行算法，通过 调整参考值，获得正确的分类数，实现云纹图像的自动分类。
[0085] 本发明的效果可通过以下实验进一步说明。
[0086] 1?仿真条件
[0087] 产生于先秦时期的卷云纹由云雷纹的抽象勾卷形拓展变迀出不同结构的曲卷组 合。卷云纹从春秋战国到秦汉时期大量应用于各种器物造型的表面装饰，在青铜器、漆器、 玉饰、瓦当砖雕、织锦刺绣等上都可以看见各种造型的卷云纹。卷云纹造型样式种类丰富， 装饰效果多样，在装饰艺术发展历史和当代设计应用领域都有着重要的地位。
[0088] 这里选用先秦时期的卷云纹图案作为测试本发明方法的样本图案。数据集包含6 种类型的230幅云纹图案。根据卷云纹曲线形状的不同，分别为单勾式卷云纹、内敛式卷云 纹、发散式卷云纹、综合式卷云纹、S形卷云纹、如意式卷云纹。图9为这6种卷云纹的示例 图案。
[0089] 为了验证本发明所提算法的可行性与有效性，将本发明，即基于近邻传递与SC特 征的MEAP算法（NP-MEAP)与基于SIFT特征的MEAP算法（SIFT-MEAP)以及基于欧氏距离 的MEAP算法（ED-MEAP)进行比较。整个实验过程，设置算法的p与pp的初始值为相似度 矩阵的中值，阻尼系数lam= 0? 9,收敛迭代次数convits= 50,最大循环次数maxits= 1000,y=3。实验运行环境如下：处理器为Core(TM)i5-3470,主频3.2GHz，内存4GB，硬 盘500GB，操作系统为Windows7旗舰版64位操作系统，编程语言为MatlabR2013a。本发 明采用常用的聚类结果评价指标匪I指标与FMI指标。
[0090] 标准化共信息NMI指标的计算公式如下：
[0094] 其中31为聚类算法所得簇类的类标签，G为数据集真实分类的类标签，ni(h)表 示簇类1与真实分类h中数据对象的个数。H( 31)为簇类标签31的香农熵，)为真实 分类标签G的香农熵，1^与nu)分别为簇类i与真实分类j中样本点的个数。NMI的值越 大，说明聚类结果与真实分类越接近 。
[0095]FMI(Fowlkes-MallowsIndex)指标的计算公式如下：
[0097] 设聚类算法的聚类结果用C={Cl，c2, . . .，cj表示，数据集的真实分类用P= {ppp2,. ..，pj表示。xJPx」为数据集中任意两个数据对象。其中a为xJPx」在C与P 中同属于一个簇的数目；b为\和h在C中属于相同簇，而在P中属于不同簇的数目；c为 xjpxj在C中同属于不同簇，而在P中属于相同簇的数目；d为xJpxj在C与P中同属于 不同簇的数目，这里a+b+c+d=n(n-l)/2。由此可知FMI取值范围是[0, 1]，且值越大，算 法聚类准确率越高。
[0098] 基于云纹图像SIFT特征的MEAP算法在云纹图像预处理之后，将一像素宽度的云 纹线条进行适当膨胀，以保证线条形状不变的情况下使得SIFT算法能更有效的提取到合 适的SIFT特征。基于欧氏距离的MEAP算法在云纹图像预处理之后，同样将一像素宽度的云 纹线条进行适当膨胀，同时将图像恢复到二值化前的图像像素灰度值，以此保证欧氏距离 能更加准确地反映云纹图像间的距离。基于形状上下文与近邻关系传递的MEAP算法提取 的离散点具有一定的随机性，因而每次检测到的离散点有一定的差异，从而使得算法一次 运行所得的形状上下文距离有一定的波动，因此将形状上下文算法运行20次，取20次形状 上下文距离的和作为近邻关系传递算法的输入，优化相似度矩阵，从而保证算法的稳定性。
[0099] 2?仿真结果
[0100] 将本发明方法（NP-MEAP)与ED_MEAP和SIFT_MEAP方法作对比。
[0101] 图10是NP-MEAP与SIFT-MEAP、ED-MEAP的云纹图像聚类精度对比示意图，从图中 可以看到，SIFT-MEAP与ED-MEAP两种算法的聚类精度基本相同，都只能达到40%左右的 聚类准确性，由此可知基于SIFT提取的云纹图像特征匹配数与基于负欧氏距离的云纹图 像相似度都不能很好的反映云纹图像间的相似度。而反观NP-MEAP的聚类准确性却能达到 80%以上。对于十分复杂的云纹图案聚类问题，这样的精度已相当不错，已可以在很大程度 上减轻人工分类的工作强度和效率问题。同时这也说明经过近邻关系传递算法优化的基于 形状上下文特征的相似度矩阵能更好的反映云纹图像间的相似度，因而聚类效果更好。
[0102] 图11是NP-MEAP算法在云纹图像上聚类结果示意图，其中每个圆角矩形代表一个 簇类，每个圆角矩形中由方格标记的云纹图像为对应簇类的中错误聚类的图像。
【主权项】
1. 一种传统云纹图案的自动分类方法，包括如下步骤： (1) 云纹图像预处理，归一化云纹图像尺寸、去除背景噪声、云纹图像线条细化。 (la) 归一化云纹图像尺寸，这样既方便后续图像的统一处理同时不会改变图像线条分 布情况 (lb) 去除背景噪声，同时也方便采用数学形态学方法对图像进行细化。 (lc) 云纹图像线条细化，因为不同类云纹图像的线条形状不同，而同类云纹图像的线 条形状基本相似，因此主要关注云纹图像线条形状。 (2) 提取云纹图像的形状上下文相似度矩阵 (2a)形状上下文算法认为每个图像中的物体可以用图形边界上均匀分布的有限数目 的离散点来近似描述，所以需提取云纹图像的边界上的离散点。 (2b)针对每个离散点计算其形状上下文。 (2c)计算两幅云纹图像中任意两点之间的形状上下文差异。 (2d)计算两幅云纹图像中任意两点之间的正切角差异。 (2e)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结合。 (2f)计算任意两幅云纹图像之间的形状上下文距离值。 (3) 改进的近邻传递算法（NP)优化Ss。矩阵 (3a)计算形状上下文距离矩阵D。 (3b)计算近邻关系传递阈值ε。 (3c)计算云纹图像之间的相似度矩阵S。 (3d)计算近邻关系矩阵N。 (3e)近邻关系传递算法优化相似度矩阵。 (4) 将上述优化之后的相似度矩阵作为MEAP算法的输入矩阵，通过调整参考值，获得 正确的分类数，实现云纹图像的自动分类。2. 根据权利要求1所述的云纹图像自动分类方法，其中步骤（Ia)按如下过程进行：采 用大津法计算法云纹图像二值化阈值，云纹图像中像素点大于该阈值，该点处的像素值置 为〇,否则置为1。3. 根据权利要求1所述的云纹图像自动分类方法，其中步骤（Ib)按如下过程进行：通 过数学形态学方法将图像细化为一像素云纹线条。4. 根据权利要求1所述的云纹图像自动分类方法，其中步骤（2)按如下过程进行： (4. 1)提取云纹图像边界上的100个离散点来近似描述云纹图像线条轮廓。 (4. 2)针对每个离散点计算其形状上下文，将云纹线条所在的直角坐标系转换到对数 极坐标系下，以待计算的离散点为对数极坐标系圆点，将极坐标系在方向上从0到2 π平均 分为12份，半径上从极坐标圆点开始向外到2r通过对数空间函数转换分为5份，其中r为 数据集欧氏距离的平均值，这样整个极坐标系就被分为60份（bin)。计算云纹图像的轮廓 点散落到每个bins中的离散点数，形成一个60维的向量，称这个60维的向量为对应离散 点的形状上下文，即离散点的对数极坐标直方图。计算直方图公式如下： hi (k) = # {q ^ Pi: (q-Pi) e bin (k)} 其中k表示极坐标系中第k个bin，取值为1到60，Pi为待计算直方图的云纹图像的边 界点，q为除Pi点之外的其他n-1个边界点，q-p i为第k个bin中边界点的个数。 (4.3) 计算两幅云纹图像中任意两点之间的形状上下文差异，对于云纹图像P中的一 个边界点Pi与云纹图像Q中边界点q」，用4,)标记这两个点的形状上下文差异， 那么g的计算公式如下所示，其中Mk)与h(k)分别表示直方图中第k个bin中 边界点的个数。(4.4) 计算两幅云纹图像中任意两点之间的正切角差异，为了使得云纹形状间的差异 更加准确添加轮廓点的正切角差异，公式如下，其中Θ 1与Θ ^分别为P 1与L点处的正切 角。(4. 5)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结合，可 以比较准确的度量不同云纹图像上任意两个点之间的形状上下文距离。公式如下：(4. 6)计算任意两幅云纹图像之间的形状上下文距离获得云纹图像的形状上下文相似 度矩阵。通过计算云纹图像P中的任意边界点Pi与云纹图像Q中任意边界点q」之间的形 状上下文距离，得到一个η*η(η = 100)的距离矩阵，将距离矩阵横向与纵向最小值的平均 值求和得到两幅云纹图像之间的形状上下文距离值。计算公式如下：5.根据权利要求1所述的云纹图像自动分类方法，其中步骤（3)按如下过程进行： (5. 1)计算形状上下文距离矩阵D = [(^_]ηΧη，矩阵中的元素 Clij为云纹图像i与j的 形状上下文距离，该值取相反数用于更新近邻关系传递成功之后的相似度矩阵S。 (5. 2)计算近邻关系传递阈值，记云纹图像Xi与其第k个近邻点的距离为d ik，取所有 云纹图像与其第k个近邻距离的平均值作为阈值，阈值公式定义如下：(5.3) 计算云纹图像之间的相似度矩阵，相似度矩阵S= [Si^nxn，矩阵中第i行第j列 元素的计算公式定义如下： Sij= -dijY (Iij为形状上下文距离，此处通过指数变换放大所有云纹之间的距离，主要目的是放大 位于不同流形上云纹图像之间的距离，从而缩小其相似度。 (5.4) 计算近邻关系矩阵N，如果距离矩阵D中的元素 Clij小于近邻关系传递阈值ε， 那么认为数据对象\与h互为近邻，对应的矩阵元素 η υ的值置为1，否则取值为0,对角线 元素为0。 (5.5) 近邻关系传递优化相似度矩阵，即如果Iiij=O,而nik= l，nkj= 1，那么设置Iiij=1，Iiji= 1，同时更新 s U= s Ji= -min(d ik，dkj) 〇
【专利摘要】本发明提出一种传统云纹图案的自动分类算法。主要解决云纹图案人工分类效率低下的问题，通过云纹图案预处理、特征提取、聚类处理实现云纹图案自动分类。实现过程为：(1)将云纹图像进行预处理，包括统一图像尺寸、去除背景噪声、细化云纹图像线条三个步骤；(2)针对云纹图像间主要特征为线条的形状，采用形状上下文描述子(SC)算法来提取云纹图像的特征，通过形状上下文距离获得云纹图像间的初始相似度；(3)经由改进的近邻关系传递算法对相似度矩阵进行优化；(4)将优化之后的相似度矩阵作为MEAP算法的输入矩阵，进行MEAP聚类处理，实现自动分类。聚类结果显示本发明相比于SIFT-MEAP与ED-MEAP算法聚类准确性更高，聚类效果更加理想。同时本发明所提出的云纹图案自动分类算法，对于其他传统艺术图案的聚类分析具有很好的借鉴意义。
【IPC分类】G06K9/46, G06K9/62, G06K9/40
【公开号】CN104899607
【申请号】CN201510342071
【发明人】葛洪伟, 陈雷雷, 苏树智, 杨金龙
【申请人】江南大学
【公开日】2015年9月9日
【申请日】2015年6月18日
【技术领域】
[0001] 本发明属于聚类分析、图像分类技术领域，涉及云纹图像预处理，形状上下文特征 提取，近邻关系传递优化相似性矩阵。具体地说是一种结合近邻关系传递与形状上下文特 征的多子类中心近邻传播算法聚类云纹图像的自动分类方法。
【背景技术】
[0002] 在中国传统装饰纹样中，云纹是历史久远、造型样式极其丰富、独具东方艺术魅力 的一个大类。云纹流变生动，寓意吉祥，表现形式多样，既有不同单体的变化，又有各类嫁 接、连续的组合结构，自古以来就是各类平面和立体造形之中重要的装饰元素，即使到了今 天，对当代艺术设计与创作仍有很大的借鉴价值。例如大家所熟悉的2008年北京奥运会火 炬上就采用了祥云纹样作为装饰图案，其造型来源于先秦时期就出现的单勾卷云纹。在推 崇弘扬优秀民族传统文化的今天，对传统艺术形式的研宄显得犹为重要。其中，对传统图案 样式进行搜寻、采集、归类、分析，发现其中蕴含着的民族智慧、符合东方审美观念的艺术语 言，无论是对于学术研宄还是丰富现代艺术设计语汇都极具价值。
[0003] 中国传统云纹的发展起点可以追溯到新石器时代彩陶纹饰中的原始旋纹。而春 秋战国时期青铜器上的云雷纹被认为是较为明确的最早的成形云纹，后又经历了卷云纹、 云气纹、流云纹、朵云纹、如意云纹、团云纹、叠云纹等样式的繁衍变迀，从最初的单纯抽象 发展到拟形和写意，样式极其丰富多变，即使是同一大类的云纹，随时代、地域、创作者的不 同，也有多种形态的变化。由于云纹艺术形式极其丰富，各类图案样式资料浩如烟海，要做 好这项研宄整理工作仅仅依靠人工查找、整理归类，其效率是十分低下的，因此通过引入非 监督的聚类分析方法，在研宄图案特征的基础上实现云纹图案的自动分类无疑具有重大意 义。
[0004] 2007年Frey等人在science上提出了一种全新的基于簇类中心的聚类算法， 艮PAP聚类算法（FreyBJ:《Clusteringbypassingmessagesbetweendatapoints》 [J].science, 2007, 315(5814) :972-976.)，并将该算法结合不同图像像素点间的欧氏距离 对人脸图像进行了聚类研宄，取得了比k-centers更好的聚类效果。之后Frey等人将AP 聚类算法结合SIFT特征用于对CaltechlOl图像的聚类分析，证明了采用SIFT算法提取 图像特征结合AP算法进行图像聚类具有一定的优越性（Dueck,FreyBJ.《Non-metric AffinityPropagationforUnsupervisedImageCategorization》 [C]//Procof11th InternationalConferenceonIEEEComputerVision.Toronto,Canada, 2007:1-8)〇 王 昌栋等人于2013年在PAMI上提出MEAP聚类算法，将AP算法单簇类中心的模型拓展为多 子类中心的聚类模型，并结合SIFT特征对人脸图像、AaltechlOl图像与SceneClassl3的 聚类进行了研宄，提高了算法处理多子类图像的聚类精度（WangCD:《Multi-exemplar affinitypropagation))[J].IEEETransactionsonPatternAnalysis&MachineIntelli gence，2013, 35 (9) : 2223-2237)。目前，对我国传统云纹图案进行自动分类的研宄仍是空白。
【发明内容】
[0005] 本发明借鉴Frey与王昌栋等人的研宄成果，提出一种基于近邻关系传递的多 子类中心近邻传播聚类算法（neighborpropagationbasedmulti-exemplaraffinity propagation,NP-MEAP)，结合SC特征提取算法实现云纹图案的自动分类。本发明的目的在 于克服云纹图像人工分类非常低效的缺点，设计一种无监督的云纹图像自动分类技术。
[0006] 实现本发明的技术关键是：云纹图像预处理、提取云纹图像SC相似性矩阵、通过 改进的NP算法优化相似度矩阵、最后采用MEAP传播聚类算法进行自动分类。具体实现步 骤包括如下：
[0007] (1)云纹图像预处理，归一化云纹图像尺寸、去除背景噪声、云纹图像线条细化。
[0008] (la)归一化云纹图像尺寸，这样既方便后续图像的统一处理同时不会改变图像线 条分布情况
[0009] (lb)去除背景噪声，同时也方便采用数学形态学方法对图像进行细化。
[0010] (lc)云纹图像线条细化，因为不同类云纹图像的线条形状不同，而同类云纹图像 的线条形状基本相似，因此主要关注云纹图像线条形状。
[0011] ⑵提取云纹图像的形状上下文相似度矩阵
[0012] (2a)形状上下文算法认为每个图像中的物体可以用图形边界上均匀分布的有限 数目的离散点来近似描述，所以需提取云纹图像的边界上的离散点。
[0013] (2b)针对每个离散点计算其形状上下文。
[0014] (2c)计算两幅云纹图像中任意两点之间的形状上下文差异。
[0015] (2d)计算两幅云纹图像中任意两点之间的正切角差异。
[0016] (2e)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结合。
[0017] (2f)计算任意两幅云纹图像之间的形状上下文距离值。
[0018] (3)改进的近邻传递算法（NP)优化Ss。矩阵
[0019] (3a)计算形状上下文距离矩阵D。
[0020] (3b)计算近邻关系传递阈值e。
[0021] (3c)计算云纹图像之间的相似度矩阵S。
[0022] (3d)计算近邻关系矩阵N。
[0023] (3e)近邻关系传递算法优化相似度矩阵。
[0024] (4)将上述优化之后的相似度矩阵作为MEAP算法的输入矩阵，通过调整参考值， 获得正确的分类数，实现云纹图像的自动分类。
[0025] 本发明对云纹图像进行了预处理，选取了合适的图像特征提取算法，基于流形学 习的思想，采用改进的近邻关系传递算法对相似度矩阵进行优化，最后采用最新的多子类 中心近邻传播聚类算法实现自动分类，填补了云纹图像自动分类的空白，同时保证了云纹 图像自动分类的准确性。
[0026] 本发明具有以下优点：
[0027] (1)通过对云纹图像进行预处理，排除了图像尺寸、背景噪声、线条粗细的影响，保 证自动分类的准确性不受其影响。
[0028] (2)针对云纹图像的主要特征在于其线条形状，选取了当前最优越的形状特征提 取算法，形状上下文描述子保证聚类结果比较理想。
[0029] (3)本发明采用近邻关系传递算法对形状上下文相似性矩阵进一步优化使得算法 取得的自动分类准确性更高，实现云纹图像的自动分类。
【附图说明】
[0030] 图1是本发明的实现流程图；
[0031] 图2是MEAP的聚类模型；
[0032] 图3是部分云纹图像示例；
[0033] 图4是尺寸归一化后的云纹图像示例；
[0034] 图5是二值化之后的云纹图像；
[0035] 图6是细化之后的云纹图像；
[0036] 图7是云纹图像线条上所提取离散点示意图；
[0037] 图8是云纹图像中某点到其他点的向量示意图；
[0038] 图9是六种卷云纹图像示例图；
[0039] 图10是NP-MEAP与SIFT-MEAP、ED-MEAP云纹图像聚类精度对比示意图；
[0040] 图11是NP-MEAP算法在云纹图像上部分聚类结果示意图；
【具体实施方式】
[0041] -、基础理论介绍
[0042] 1.多子类中心近邻传播聚类算法
[0043] MEAP算法是一个拥有二层结构的聚类算法，如图2所示该算法将所有数据对象分 配给最合适的子类中心，将每个子类中心分配给最合适的超簇类中心，从而实现模型化多 子类问题的目的。
[0044] 与AP算法类似，MEAP算法为每个数据对象建立与其他数据对象的相似度信息 s(i,j)以及连接度信息1 (i,j)。算法为每个数据对象设定偏向参数p=s(k,k)与pp= 1 (k，k)值，p与pp值越大表示相应的数据对象作为候选的子类中心和超聚类中心的可能性 就越大，得到的聚类数就越多，通常分别设置P与PP值为相似度矩阵与连接度矩阵的中值。 MEAP算法的核心步骤为4类7个公式的交替更新过程，更新公式如下：
[0052] 上述公式中相关参数的具体含义可参见文献multi-exemplaraffinity propagation，所有新变量均初始化为0。MEAP算法在整个迭代更新过程中，各数据对象进 行竞争自动地产生相应的子类中心和超簇类中心，将其他数据对象分配给最近的子类中 心，子类 中心由超簇类中心结合在一起形成最终的聚类结果。
[0053] 二、本发明是一种传统云纹图像自动分类方法
[0054] 参照图1，本发明的具体实施过程包括以下步骤：
[0055] 步骤1.云纹图像预处理
[0056] 图3为多个云纹图案示例，从图3中可以看出从各种资料中采集的不同云纹图案 的大小尺寸不同，线条的粗细不一，同时部分采集的云纹图像包含有灰色背景噪声。因此需 要对云纹图像进行预处理，以取得更加准确的聚类精度。
[0057] (1. 1)云纹图像的尺寸大小不同，首先将所有图像归一化到85*45的尺寸，这样既 方便后续图像的统一处理同时不会改变图像线条分布情况。归一化到85*45之后的云纹图 像如图4所示。
[0058] (1. 2)针对云纹图像包含背景噪声的问题，对图像进行二值化处理消除背景噪声， 同时也方便采用数学形态学方法对图像进行细化。采用大津法计算二值化阈值，二值化之 后的云纹图像如图5所示。
[0059] (1.3)因为不同类云纹图像的线条形状不同，而同类云纹图像的线条形状基本相 似，因此本发明主要关注云纹图案线条形状。线条的不同粗细与云纹图案的类别并不相关， 反而可能影响聚类的准确性，因此采用数学形态学的方法将线条细化到一像素的宽度。细 化之后的云纹图像如图6所示。
[0060] 步骤2.计算云纹图像集的形状上下文相似度矩阵
[0061] (2. 1)SC算法认为每个图像中的物体可以用有限数目的离散点来近似描述，而这 些离散点并不需要是图形中的拐点、极值点等关键点，而是图形边界上均匀分布的离散点 即可。图7为经过预处理后云纹图像线条上所提取离散点示意图，其中图7中a小图对应图 6中上排中间小图，图7中b小图对应图6中上排最右侧小图。从图7中可以看出，云纹图 像线条上的离散点可以较为准确的描述相应的云纹图案线条形状，而且所提取的边界点越 多，对图案的近似描述越精确。但是提取的边界点过多时，则会导致算法的运行时间过长， 通常选取100-150个边界点即可比较准确的描述线条形状，本发明使用n= 100个边界离 散点来描述线条形状。
[0062] 将图7中二幅小图中的某个点用小方框标记。对图7中轮廓点集p= {ppp2,. . .，pn}，n= 100中的某个离散点而言，考虑从该点出发到其他n-1个点的向量，这 n-l个向量可以比较准确的描绘该云纹图像的形状信息。如图8所示为图7中标记的离散 点到其他所有点的向量图示。
[0063] (2.2)图8中每个点都可以用n-l个起始于该点终止于其余点的向量来描述，每个 云纹线条由n个n-l维的向量描述，由此可以得到每幅云纹图像比较丰富的特征描述矩阵。 但是将所有这些向量都计算出来用以描述云纹图像，计算量会非常大，并不现实。对于形状 而言，仅仅知道并计算出云纹图像线条轮廓上所有离散点相对于该点的位置关系即可。因 此将云纹线条所在的直角坐标系转换到对数极坐标系下，以待计算的离散点为对数极坐标 系圆点，将极坐标系在方向上从0到2 31平均分为12份，半径上从极坐标圆点开始向外到 2r通过对数空间函数转换分为5份，其中r为数据集欧氏距离的平均值，这样整个极坐标 系就被分为60份（bin)。计算云纹图像的轮廓点散落到每个bin中的离散点数，形成一个 60维的向量，称这个60维的向量为对应离散点的形状上下文，即离散点的对数极坐标直方 图。计算直方图公式如下：
[0064] hj(k) = #{q^Pi: (q-Pi)Gbin(k)}
[0065] 其中k表示极坐标系中第k个bin，取值为1到60，Pi为待计算直方图的云纹图像 的边界点，q为除Pi点之外的其他n-1个边界点，q-pi为第k个bin中边界点的个数。
[0066] (2. 3)计算两幅云纹图像中任意两点之间的形状上下文差异，对于云纹图像P中 的一个边界点Pi与云纹图像Q中边界点q」，用标记这两个点的形状上下文差 异，那么qf的计算公式如下所示，其中比(k)与h^k)分别表示？1与i直方图中第k个bin中边界点的个数。
[0068] (2.4)计算两幅云纹图像中任意两点之间的正切角差异。形状上下文差异比较 好的捕获了不同云纹形状上离散点的整体差异，为了使得云纹形状离散点间的差异更加准 确，添加离散点的正切角差异，公式如下，其中9 1与9 ^分别为点处的正切角。
[0070] (2. 5)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结 合，就可以比较准确的度量不同云纹图像上任意两个点之间的形状上下文距离。公式如 下：
[0072] (2.6)计算两幅云纹图像之间的形状上下文距离。按上述公式通过计算云纹图像 P中的任意边界APi与云纹图像Q中任意边界点q」之间的形状上下文距离，得到一个n*n(n=100)的距离矩阵，将距离矩阵横向与纵向最小值的平均值求和得到两幅云纹图像之间 的形状上下文距离值。计算公式如下：
[0074] 上述公式所得值越小，两幅图像之间差异越小，相似性越大，反之则相似性越小。 将该值取反作为两幅图像之间的形状上下文相似性度量，记为Ss。(P，? = _DS。(P，?，计算 所有图像之间的形状上下文相似性度量求得云纹图像集的相似性矩阵Ss。。
[0075] 步骤3.改进的近邻传递算法（NP)优化Ss。矩阵
[0076] (3. 1)计算形状上下文距离矩阵D= [cynXn，该矩阵用于初始化下文所述的近邻 关系矩阵N，矩阵中的元素&为云纹图像i与j的形状上下文距离，该值取相反数用于更 新近邻关系传递成功之后的相似度矩阵S。
[0077] (3. 2)计算近邻关系传递阈值，记云纹图像Xi与其第k个近邻点的距离为dik，取 所有云纹图像与其第k个近邻距离的平均值作为阈值，该阈值可以一定程度上减弱噪声数 据的影响，同时针对不同的数据集选取不同的k值可以使得近邻关系传递更准确。新阈值 公式定义如下：
[0079] (3.3)计算云纹图像之间的相似度矩阵，相似度矩阵S= [Sij]nXn，矩阵中第i行第 j列元素\的计算公式定义如下：
[0081] 屯为形状上下文距离，此处通过指数变换放大所有云纹之间的距离，主要目的是 放大位于不同流形上云纹图像之间的距离，从而缩小其相似度。
[0082] (3. 4)计算近邻关系矩阵N，如果距离矩阵D中的元素&小于近邻关系传递阈值 e，那么认为数据对象\与^_互为近邻，表示为（Xi，Xj)eR，由此定义求得所有云纹图像 的近邻关系矩阵。即当数据对象\与x」互为近邻时，那么矩阵中对应的元素nu的值为1， 否则取值为〇,对角线元素为〇。
[0083] (3.5)近邻关系传递优化相似度矩阵，即如果nij= 0,而nik=l，nkj= 1，那么设 置]^_= 1，n1，同时更新ss-min(dik，dkj) 〇
[0084] 步骤4.将上述优化之后的相似度矩阵作为MEAP算法的输入矩阵运行算法，通过 调整参考值，获得正确的分类数，实现云纹图像的自动分类。
[0085] 本发明的效果可通过以下实验进一步说明。
[0086] 1?仿真条件
[0087] 产生于先秦时期的卷云纹由云雷纹的抽象勾卷形拓展变迀出不同结构的曲卷组 合。卷云纹从春秋战国到秦汉时期大量应用于各种器物造型的表面装饰，在青铜器、漆器、 玉饰、瓦当砖雕、织锦刺绣等上都可以看见各种造型的卷云纹。卷云纹造型样式种类丰富， 装饰效果多样，在装饰艺术发展历史和当代设计应用领域都有着重要的地位。
[0088] 这里选用先秦时期的卷云纹图案作为测试本发明方法的样本图案。数据集包含6 种类型的230幅云纹图案。根据卷云纹曲线形状的不同，分别为单勾式卷云纹、内敛式卷云 纹、发散式卷云纹、综合式卷云纹、S形卷云纹、如意式卷云纹。图9为这6种卷云纹的示例 图案。
[0089] 为了验证本发明所提算法的可行性与有效性，将本发明，即基于近邻传递与SC特 征的MEAP算法（NP-MEAP)与基于SIFT特征的MEAP算法（SIFT-MEAP)以及基于欧氏距离 的MEAP算法（ED-MEAP)进行比较。整个实验过程，设置算法的p与pp的初始值为相似度 矩阵的中值，阻尼系数lam= 0? 9,收敛迭代次数convits= 50,最大循环次数maxits= 1000,y=3。实验运行环境如下：处理器为Core(TM)i5-3470,主频3.2GHz，内存4GB，硬 盘500GB，操作系统为Windows7旗舰版64位操作系统，编程语言为MatlabR2013a。本发 明采用常用的聚类结果评价指标匪I指标与FMI指标。
[0090] 标准化共信息NMI指标的计算公式如下：
[0094] 其中31为聚类算法所得簇类的类标签，G为数据集真实分类的类标签，ni(h)表 示簇类1与真实分类h中数据对象的个数。H( 31)为簇类标签31的香农熵，)为真实 分类标签G的香农熵，1^与nu)分别为簇类i与真实分类j中样本点的个数。NMI的值越 大，说明聚类结果与真实分类越接近 。
[0095]FMI(Fowlkes-MallowsIndex)指标的计算公式如下：
[0097] 设聚类算法的聚类结果用C={Cl，c2, . . .，cj表示，数据集的真实分类用P= {ppp2,. ..，pj表示。xJPx」为数据集中任意两个数据对象。其中a为xJPx」在C与P 中同属于一个簇的数目；b为\和h在C中属于相同簇，而在P中属于不同簇的数目；c为 xjpxj在C中同属于不同簇，而在P中属于相同簇的数目；d为xJpxj在C与P中同属于 不同簇的数目，这里a+b+c+d=n(n-l)/2。由此可知FMI取值范围是[0, 1]，且值越大，算 法聚类准确率越高。
[0098] 基于云纹图像SIFT特征的MEAP算法在云纹图像预处理之后，将一像素宽度的云 纹线条进行适当膨胀，以保证线条形状不变的情况下使得SIFT算法能更有效的提取到合 适的SIFT特征。基于欧氏距离的MEAP算法在云纹图像预处理之后，同样将一像素宽度的云 纹线条进行适当膨胀，同时将图像恢复到二值化前的图像像素灰度值，以此保证欧氏距离 能更加准确地反映云纹图像间的距离。基于形状上下文与近邻关系传递的MEAP算法提取 的离散点具有一定的随机性，因而每次检测到的离散点有一定的差异，从而使得算法一次 运行所得的形状上下文距离有一定的波动，因此将形状上下文算法运行20次，取20次形状 上下文距离的和作为近邻关系传递算法的输入，优化相似度矩阵，从而保证算法的稳定性。
[0099] 2?仿真结果
[0100] 将本发明方法（NP-MEAP)与ED_MEAP和SIFT_MEAP方法作对比。
[0101] 图10是NP-MEAP与SIFT-MEAP、ED-MEAP的云纹图像聚类精度对比示意图，从图中 可以看到，SIFT-MEAP与ED-MEAP两种算法的聚类精度基本相同，都只能达到40%左右的 聚类准确性，由此可知基于SIFT提取的云纹图像特征匹配数与基于负欧氏距离的云纹图 像相似度都不能很好的反映云纹图像间的相似度。而反观NP-MEAP的聚类准确性却能达到 80%以上。对于十分复杂的云纹图案聚类问题，这样的精度已相当不错，已可以在很大程度 上减轻人工分类的工作强度和效率问题。同时这也说明经过近邻关系传递算法优化的基于 形状上下文特征的相似度矩阵能更好的反映云纹图像间的相似度，因而聚类效果更好。
[0102] 图11是NP-MEAP算法在云纹图像上聚类结果示意图，其中每个圆角矩形代表一个 簇类，每个圆角矩形中由方格标记的云纹图像为对应簇类的中错误聚类的图像。
【主权项】
1. 一种传统云纹图案的自动分类方法，包括如下步骤： (1) 云纹图像预处理，归一化云纹图像尺寸、去除背景噪声、云纹图像线条细化。 (la) 归一化云纹图像尺寸，这样既方便后续图像的统一处理同时不会改变图像线条分 布情况 (lb) 去除背景噪声，同时也方便采用数学形态学方法对图像进行细化。 (lc) 云纹图像线条细化，因为不同类云纹图像的线条形状不同，而同类云纹图像的线 条形状基本相似，因此主要关注云纹图像线条形状。 (2) 提取云纹图像的形状上下文相似度矩阵 (2a)形状上下文算法认为每个图像中的物体可以用图形边界上均匀分布的有限数目 的离散点来近似描述，所以需提取云纹图像的边界上的离散点。 (2b)针对每个离散点计算其形状上下文。 (2c)计算两幅云纹图像中任意两点之间的形状上下文差异。 (2d)计算两幅云纹图像中任意两点之间的正切角差异。 (2e)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结合。 (2f)计算任意两幅云纹图像之间的形状上下文距离值。 (3) 改进的近邻传递算法（NP)优化Ss。矩阵 (3a)计算形状上下文距离矩阵D。 (3b)计算近邻关系传递阈值ε。 (3c)计算云纹图像之间的相似度矩阵S。 (3d)计算近邻关系矩阵N。 (3e)近邻关系传递算法优化相似度矩阵。 (4) 将上述优化之后的相似度矩阵作为MEAP算法的输入矩阵，通过调整参考值，获得 正确的分类数，实现云纹图像的自动分类。2. 根据权利要求1所述的云纹图像自动分类方法，其中步骤（Ia)按如下过程进行：采 用大津法计算法云纹图像二值化阈值，云纹图像中像素点大于该阈值，该点处的像素值置 为〇,否则置为1。3. 根据权利要求1所述的云纹图像自动分类方法，其中步骤（Ib)按如下过程进行：通 过数学形态学方法将图像细化为一像素云纹线条。4. 根据权利要求1所述的云纹图像自动分类方法，其中步骤（2)按如下过程进行： (4. 1)提取云纹图像边界上的100个离散点来近似描述云纹图像线条轮廓。 (4. 2)针对每个离散点计算其形状上下文，将云纹线条所在的直角坐标系转换到对数 极坐标系下，以待计算的离散点为对数极坐标系圆点，将极坐标系在方向上从0到2 π平均 分为12份，半径上从极坐标圆点开始向外到2r通过对数空间函数转换分为5份，其中r为 数据集欧氏距离的平均值，这样整个极坐标系就被分为60份（bin)。计算云纹图像的轮廓 点散落到每个bins中的离散点数，形成一个60维的向量，称这个60维的向量为对应离散 点的形状上下文，即离散点的对数极坐标直方图。计算直方图公式如下： hi (k) = # {q ^ Pi: (q-Pi) e bin (k)} 其中k表示极坐标系中第k个bin，取值为1到60，Pi为待计算直方图的云纹图像的边 界点，q为除Pi点之外的其他n-1个边界点，q-p i为第k个bin中边界点的个数。 (4.3) 计算两幅云纹图像中任意两点之间的形状上下文差异，对于云纹图像P中的一 个边界点Pi与云纹图像Q中边界点q」，用4,)标记这两个点的形状上下文差异， 那么g的计算公式如下所示，其中Mk)与h(k)分别表示直方图中第k个bin中 边界点的个数。(4.4) 计算两幅云纹图像中任意两点之间的正切角差异，为了使得云纹形状间的差异 更加准确添加轮廓点的正切角差异，公式如下，其中Θ 1与Θ ^分别为P 1与L点处的正切 角。(4. 5)将两幅云纹图像中任意两点之间的形状上下文差异与正切角差异有机结合，可 以比较准确的度量不同云纹图像上任意两个点之间的形状上下文距离。公式如下：(4. 6)计算任意两幅云纹图像之间的形状上下文距离获得云纹图像的形状上下文相似 度矩阵。通过计算云纹图像P中的任意边界点Pi与云纹图像Q中任意边界点q」之间的形 状上下文距离，得到一个η*η(η = 100)的距离矩阵，将距离矩阵横向与纵向最小值的平均 值求和得到两幅云纹图像之间的形状上下文距离值。计算公式如下：5.根据权利要求1所述的云纹图像自动分类方法，其中步骤（3)按如下过程进行： (5. 1)计算形状上下文距离矩阵D = [(^_]ηΧη，矩阵中的元素 Clij为云纹图像i与j的 形状上下文距离，该值取相反数用于更新近邻关系传递成功之后的相似度矩阵S。 (5. 2)计算近邻关系传递阈值，记云纹图像Xi与其第k个近邻点的距离为d ik，取所有 云纹图像与其第k个近邻距离的平均值作为阈值，阈值公式定义如下：(5.3) 计算云纹图像之间的相似度矩阵，相似度矩阵S= [Si^nxn，矩阵中第i行第j列 元素的计算公式定义如下： Sij= -dijY (Iij为形状上下文距离，此处通过指数变换放大所有云纹之间的距离，主要目的是放大 位于不同流形上云纹图像之间的距离，从而缩小其相似度。 (5.4) 计算近邻关系矩阵N，如果距离矩阵D中的元素 Clij小于近邻关系传递阈值ε， 那么认为数据对象\与h互为近邻，对应的矩阵元素 η υ的值置为1，否则取值为0,对角线 元素为0。 (5.5) 近邻关系传递优化相似度矩阵，即如果Iiij=O,而nik= l，nkj= 1，那么设置Iiij=1，Iiji= 1，同时更新 s U= s Ji= -min(d ik，dkj) 〇
【专利摘要】本发明提出一种传统云纹图案的自动分类算法。主要解决云纹图案人工分类效率低下的问题，通过云纹图案预处理、特征提取、聚类处理实现云纹图案自动分类。实现过程为：(1)将云纹图像进行预处理，包括统一图像尺寸、去除背景噪声、细化云纹图像线条三个步骤；(2)针对云纹图像间主要特征为线条的形状，采用形状上下文描述子(SC)算法来提取云纹图像的特征，通过形状上下文距离获得云纹图像间的初始相似度；(3)经由改进的近邻关系传递算法对相似度矩阵进行优化；(4)将优化之后的相似度矩阵作为MEAP算法的输入矩阵，进行MEAP聚类处理，实现自动分类。聚类结果显示本发明相比于SIFT-MEAP与ED-MEAP算法聚类准确性更高，聚类效果更加理想。同时本发明所提出的云纹图案自动分类算法，对于其他传统艺术图案的聚类分析具有很好的借鉴意义。
【IPC分类】G06K9/46, G06K9/62, G06K9/40
【公开号】CN104899607
【申请号】CN201510342071
【发明人】葛洪伟, 陈雷雷, 苏树智, 杨金龙
【申请人】江南大学
【公开日】2015年9月9日
【申请日】2015年6月18日
最新回复(0)