(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211231683.2 (22)申请日 2022.10.10 (71)申请人 南通佳果纺织工艺品有限公司 地址 226000 江苏省南 通市通州区东社镇 杨港居14组 (72)发明人 杨军　杨佳佳　陈睿　 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/25(2022.01) G06T 7/00(2017.01) G06V 10/74(2022.01) G06V 10/762(2022.01) (54)发明名称 一种用于纺织物的图案智能匹配方法 (57)摘要 本发明属于纺织物图案匹配技术领域， 具体 涉及一种用于纺织物的 图案智能匹配方法。 方法 包括： 获取纺织物产品的目标图像和纺织物样品 的目标图像； 对图像进行超像素分割， 得到目标 图像对应的各超像素块以及各超像素块的方向； 然后获取各目标图像上的各关键点； 根据各超像 素块的方向， 计算各关键点的梯度方向极值程度 和各关键点的超像素块方向一致程度； 根据各关 键点的梯度方向极值程度和各关键点的超像素 块方向一致程度， 得到各关键点的权重； 根据关 键点的权重， 得到纺织物产品与纺织物样品之间 的图案匹配度。 本发明能够提高对 纺织物成品图 案与样本图案之间 匹配度的检测精度。 权利要求书3页 说明书8页 附图1页 CN 115311459 A 2022.11.08 CN 115311459 A 1.一种用于纺织物的图案智能匹配方法， 其特 征在于， 该 方法包括如下步骤： 获取纺织物产品的目标图像和纺织物样品的目标图像； 对图像进行超像素分割， 得到目标图像对应的各超像素块以及各超像素块的方向； 获取各目标图像上的各关键点； 根据各超像素块的方向， 计算各关键点的梯度方向极 值程度和各关键点的超像素块方向一 致程度； 根据各关键点的梯度方向极值程度和各关键点的超像素块方向一致程度， 得到各关键 点的权重； 根据关键点的权 重， 得到纺织物产品与纺织物样品之间的图案匹配度。 2.如权利要求1所述的一种用于纺织物的图案智能匹配方法， 其特征在于， 获取纺织物 产品的目标图像和纺织物样品的目标图像的方法， 包括： 获取纺织物产品的图像和纺织物样品的图像； 对图像进行语义分割， 将不感兴趣的背景区域像素值设为0， 感兴趣的纺织物区域像素 值不变， 记为纺织物产品的目标图像和纺织物样品的目标图像。 3.如权利要求1所述的一种用于纺织物的图案智能匹配方法， 其特征在于， 得到目标图 像对应的各超像素块以及各超像素块的主元 方向， 包括： 设定超像素组个数 ， 在目标图像内均匀分配种子点， 得到初始化聚类中心； 在初始化 聚类中心3*3的邻域中计算所有像素点的梯度值， 将种子点移到梯度最小的地方， 完成聚类 中心的更新； 在每个聚类中心 点的邻域内进 行搜索， 计算像素点与聚类中心的距离， 分配类 别标签； 若对于所有 个聚类中心， 经过上一步的迭代与更新， 聚类中心的位置保持不变， 则迭代结束； 对于任一目标图像上的第 个超像素块： 统计该超 像素块内像素点的坐 标信息， 得到协 方差矩阵以及协方差矩阵的特征值和特征向量， 计算局部方向信息并映射到参数空间， 利 用主成分 分析获得 该超像素块的主元 方向 ； 计算得到该超像素块与该超像素块对应的邻域超像素块主元 方向的多样性 ； 根据目标图像上各超像素块与该超像素块对应的各邻域超像素块的主元方向的多样 性， 得到目标图像对应的超像素块与相邻超像素块的主元 方向差异程度； 对于任一目标图像， 根据如下公式计算该目标图像对应的超像素块与相邻超像素块的 主元方向差异程度： 其中， 为该目标图像对应的超像素块与相邻超像素块的主 元方向差异程度， 该目标 图像对应的超像素块的总数量， 为该目标图像对应的该超像素块与该超像素块对应的 邻域超像素块主元 方向的多样性； 设置超像素 组个数 的初始值为200， 以10的步长遍历到400， 将主 元方向多样性 最大 时对应的超像素组个数， 以此为标准完成图像的分割， 得到纺织物产品的目标图像对应的权　利　要　求　书 1/3 页 2 CN 115311459 A 2各超像素块以及纺织物样品的目标图像对应的各超像素块， 并将区域块的主 元方向作为超 像素块的方向。 4.如权利要求3所述的一种用于纺织物的图案智能匹配方法， 其特征在于， 根据如下公 式计算该超像素块与该超像素块对应的各邻域超像素块的主元 方向的多样性 : 其中， 为该超像素块与该超像素块对应的邻域超像素块主元方向的多样性， 为 该超像素块对应的邻域超像素块的数量； n为该超像素块对应的邻域超像素块的数量与该 超像素块构成的超像素块集合中的超像素块的数量， 将该超像素块对应的邻域超像素块的 数量与该超像素块构成的超像素块集合记为该超像素块对应的超像素块集合； 为该超像 素块对应的超像素块 集合中的第i个超像素块的主元 方向。 5.如权利要求1所述的一种用于纺织物的图案智能匹配方法， 其特征在于， 获取各目标 图像上的各关键点的方法， 包括： 对纺织物产品的目标图像对应的灰度图以及纺织物样品的目标图像对应的灰度图进 行下采样， 每次采样时去除当前图像的偶数行和偶数列像素， 图像大小变为原来的四分之 一； 对下采样获得的图像进 行不同程度的高斯模糊， 获得n 1组不同分辨率的图像， 每一组有 m1张相同分辨率但不同模糊程度的图像； 对组内相同分辨率的图像进行差分， 构建高斯差 分金字塔； 基于 差分金字塔的局部极值 点的稳定性， 定位到关键点。 6.如权利要求1所述的一种用于纺织物的图案智能匹配方法， 其特征在于， 得到各关键 点的梯度方向极值 程度和各关键点的超像素块方向一 致程度的方法包括： 对于任一关键点： 统计该关键点邻域中梯度的信息， 绘制直方图： 将梯度方向角度值进行10等分得到横轴的区间； 所述直方图的纵轴是对应角度区间中 赋权梯度幅值 的累加； 对于任一关键点： 对在以关键点为中心的邻域中得到的梯度直方图中的柱子进行排 序， 对赋权梯度幅值从大到小排列 得到赋权梯度幅值序列 ， 对应横轴区间 为 ， 为梯度直方图上的最小横坐标值， 为梯度直方图上的最大横坐标值； 对 于 ,通过计算它与小于但最接近于它的 之间连线的倾斜程度来评估关键点方向的极 值程度， 即计算赋权梯度幅值序列中第 个赋权梯度幅值高于与第 个赋权梯度幅值的 程度， 记为该关键点在 梯度方向极值 程度： 其中， 为赋权梯度幅值序列中第 个赋权梯度幅值高于与第 个赋权梯度幅值的 程度， 为赋权梯度幅值序列中第 个赋权梯度幅值， 为赋权梯度幅值序列中第 个权　利　要　求　书 2/3 页 3 CN 115311459 A 3