(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 202210798806.4 (22)申请日 2022.07.08 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 谢巍　钱文轩　余孝源　张浪文　 谢宇敏　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 戴晓琴 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/56(2022.01) G06V 10/762(2022.01) (54)发明名称 基于色差特征提取的瓷砖分色方法、 系统、 设备及存 储介质 (57)摘要 本发明公开了一种基于色差特征提取的瓷 砖分色方法、 系统、 计算机设备和存储介质， 所述 方法包括： 采集待分色瓷砖的图像， 从中选取少 量瓷砖图像， 根据少量瓷砖图像计算聚类阈值； 利用色差特征提取模型从待分色瓷砖的图像中 提取高维瓷砖色差特征， 进而构建待聚类图像特 征矩阵； 根据聚类阈值和待聚类图像特征矩阵， 实现在线聚类， 完成所有瓷砖的分色； 若新的待 检测瓷砖与先前的待检测瓷砖是相同种类， 则将 新的待分色瓷砖的图像提取出的高维瓷砖色差 特征添加至待聚类图像特征矩阵， 根据聚类阈值 和待聚类图像特征矩阵， 实现在线聚类； 否则重 新重复上述过程。 本发明通过将聚类阈值和瓷砖 色差特征结合在线聚类， 能够精确、 高效地完成 瓷砖色差的分 色。 权利要求书3页 说明书12页 附图3页 CN 115359269 A 2022.11.18 CN 115359269 A 1.一种基于色差特 征提取的瓷砖分 色方法， 其特 征在于， 所述方法包括： 采集待分 色瓷砖的图像； 从待分色瓷砖的图像中随机选取少量的瓷砖图像， 根据少量的瓷砖图像， 利用自适应 聚类阈值 算法计算聚类阈值； 将待分色瓷砖的图像输入色差特 征提取模型， 提取 出高维瓷砖色差特 征； 根据所述高维瓷砖色差特征， 构建待聚类图像特征矩阵； 根据所述聚类阈值和所述待 聚类图像特 征矩阵， 实现在线聚类， 完成所有 待检测瓷砖分 色； 若新的待检测 瓷砖与先前的待检测 瓷砖是相同种类， 则根据新的待分色瓷砖的图像， 提取出新的高维瓷砖色差特征， 并将新的高维瓷砖色差特征添加至待聚类图像特征矩阵 中； 根据待聚类图像特征矩阵和所述聚类阈值， 实现在线聚类， 完成待检测瓷砖分色； 否则， 返回采集待分 色瓷砖的图像， 并继续执 行后续操作， 实现瓷砖分 色。 2.根据权利要求1所述的瓷砖分色方法， 其特征在于， 设待分色瓷砖的图像的大小为a ×b； 设少量的瓷砖图像为m张； 所述根据少量的瓷砖图像， 利用自适应聚类阈值 算法计算聚类阈值， 包括： 将m张瓷砖图像作为阈值选取图像； 对于任意一张阈值选取图像nx， 将其均匀划分为k ×k个区域， 得到k ×k张区域图像； 其 中， x∈(1, …,m)， k为大于1的正整数； 根据k×k张区域图像， 得到特 征矩阵； 根据所述特 征矩阵中行向量计算欧氏距离， 得到距离矩阵； 计算所述距离矩阵中所有元 素的平均值， 得到阈值选取图像nx的色差距离平均值Fx； 根据m张阈值选取图像 计算的色差距离平均值(F1,F2,…,Fm)， 计算聚类阈值。 3.根据权利要求2所述的瓷砖分色方法， 其特征在于， 所述根据k ×k张区域图像， 得到 特征矩阵， 包括： 对于任意一张区域图像A， 构建大小为a ×b的空白图像my， 将my均匀划分为k ×k个区域， 每个区域均为区域图像A的复制； 其中， y∈(1, …,k×k)； 将k×k张区域图像得到的(m1,m2,…,mk×k)分别输入所述色差特征提取模型， 得到特征 矩阵； 所述根据m张阈值选取图像计算的色差距离平均值(F1,F2,…,Fm)， 计算聚类阈值， 包 括： 根据下式， 计算聚类阈值t为： 其中， α 为设定值。 4.根据权利要求2所述的瓷砖分 色方法， 其特 征在于， m＝ n/10。 5.根据权利要求1所述的瓷砖分色方法， 其特征在于， 设待分色瓷砖的图像为n张， n≥ 10； 提取出的高维瓷砖色差特征为n个瓷砖色差特征， 根据n个瓷砖色差特征更新待聚类图权　利　要　求　书 1/3 页 2 CN 115359269 A 2像特征矩阵； 所述根据所述聚类阈值和所述待聚类图像特征矩阵， 实现在线聚类， 完成所有待检测 瓷砖分色， 包括： 根据所述待聚类图像特 征矩阵， 构建聚类中心 矩阵； 根据所述待聚类图像特 征矩阵和所述聚类中心 矩阵， 计算相似性矩阵； 根据所述相似性矩阵和所述聚类阈值， 实现在线聚类， 完成所有 待检测瓷砖分 色。 6.根据权利要求5所述的瓷砖分色方法， 其特征在于， 所述聚类中心矩阵的大小为l × (q+1)， 其中l为聚类中心的数量， 前q列为聚类中心的特征向量， 第q+1列为该聚类中心范围 内聚类图像的数量； 所述根据所述相似性矩阵和所述聚类阈值， 实现在线聚类， 包括： 将所述待聚类图像特征矩阵中第1行的特征向量作为第 一个聚类中心更新至聚类 中心 矩阵； j＝1； 将所述待聚类图像特 征矩阵中第j行的特 征向量作为当前 特征； 根据所述聚类中心 矩阵和所述待聚类图像特 征矩阵， 计算相似性矩阵； 若相似性矩阵中最小的元素小于所述 聚类阈值， 则当前特征被分配到对应的聚类 中心 处， 更新聚类中心矩阵中对应聚类中心的特征向量以及该聚类中心范围内图像的数量， 同 时更新相似性矩阵和待聚类图像特 征矩阵； 若相似性矩阵中最小的元素大于所述聚类阈值， 则当前特征作为一个新的聚类中心， 更新聚类中心矩阵： 在聚类中心矩阵中加入当前特征， 新的聚类中心范围内聚类图像的数 量取1； 同时更新相似性矩阵和待聚类图像特 征矩阵； j＝j+1； 将所述待聚类图像特征矩阵中第j行的特征向量作为下一个聚类中心加入至聚类 中心 矩阵； 返回将所述待聚类图像特征矩阵中第j行的特征向量作为当前特征， 并继续执行后续 操作， 直至j＞n， 即完成n张瓷砖图像的分 色。 7.根据权利要求5所述的瓷砖分色方法， 其特征在于， 所述待聚类图像特征矩阵的大小 为n×q， q为所述瓷砖色差特 征的维度； 所述聚类中心矩阵的大小为l ×(q+1)， 其中l为聚类中心的数量， 前q列为聚类中心的 特征向量， 第q+1列为该聚类中心范围内聚类图像的数量； 所述根据所述待聚类图像特 征矩阵和所述聚类中心 矩阵， 计算相似性矩阵， 包括： 根据下式， 计算相似性矩阵中的元 素similarity_mat(x,y)： similarity_mat(x,y)＝d(cluster_mat[x],ima ge_mat[y]) 其中， x,y分别为聚类中心矩阵的第x行向量以及待聚类图像特征矩阵的第y行向量， p 为x， y向量中的第p维。 8.根据权利要求1所述的瓷砖分色方法， 其特征在于， 在待分色瓷砖的图像输入色差特权　利　要　求　书 2/3 页 3 CN 115359269 A 3