一种基于SOM神经网络的密度峰值聚类分色算法

本发明涉及清晰化处理和分色，特别是指一种基于som神经网络的密度峰值聚类分色算法。

背景技术：

1、针织花型cad系统是一种专门用于针织产品花型图案设计的计算机辅助设计软件，极大地提升了产品的设计和生产效率。针织花型cad系统首先对输入的花型图像进行分色处理，得到颜色种类有限的分色图像；然后通过图像编辑功能对花型图案进行适当编辑和调整；最后通过数据转换模块生成能够被针织机读取的工艺文件，进行针织产品的自动生产。

2、其中，分色处理是针织花型cad系统最重要的图像处理功能之一。分色也称颜色量化、颜色分割，通过有限的颜色表示色彩丰富的原稿图案，并不改变图像效果。输入的花型图像为真彩色图像，未经过分色处理的花型图像多则存在几万种不同的颜色，需要通过分色算法对图像颜色进行简化。但是现在花型图像的来源广泛，并由于扫描仪存在携带不方便和使用繁琐等缺点，许多企业直接通过手机、数码相机等拍照设备获取纺织品的花型图像，或者通过互联网平台下载彩色设计图案。花型图像在图像成像、网络传输、图像编辑、图像压缩的过程中会出现图像退化的问题，使得企业得到的花型图像细节不够清晰，无法对其进行准确的分色。

3、退化的花型图像颜色边界十分模糊。图像的清晰程度与分辨率成正比，高分辨率图像通常可以提供更多的细节信息，分色将更加准确。超分辨率重建网络是一种有效提高图像分辨率的方法，主要通过学习低分辨率图像和高分辨率图像之间的映射关系，从而恢复低分辨率图像。然而真实场景下花型图像的退化情况通常来自于不同退化过程的复杂组合，大部分的超分辨率重建网络只是假设了一个理想的双三次下采样退化核，难以模拟复杂的退化情况。real-esrgan盲超分辨率重建网络将经典的“一阶”退化模型拓展到现实世界的“高阶”退化模型，并通过sinc滤波器模图像中常见的振铃伪影。该方法更好地模拟真实场景下花型图像未知且复杂的退化过程。而且该网络采用esrgan生成器，生成细节信息丰富的高分辨率重建图像。通过光谱归一化的u-net结构判别器，生成更高质量的重建图像。采用real-esrgan盲超分辨率重建网络的图像细节非常清晰。通过清晰化处理前后图像颜色种类对比可以发现退化图像的颜色种类远远超过人眼可识别范围，并且经过清晰化处理后，图像的颜色种类大幅度增加，将大大增加后续分色算法的工作量。

4、分色后的图像需要符合人眼对花型图像的感知情况，即保持分色图像和花型图像的相似性，并且尽量减少分色图像的杂色点。目前常用的图像分色算法有：k-means、层次聚类、谱聚类、模糊c均值(fcm)聚类、邻域信息约束的偏差稀疏模糊c均值算法(dsfcm_n)等。然而这类算法只是根据颜色相似性对大量的像素进行无监督分类，忽略了像素的局部空间信息，容易出现杂色点的问题。而且这些算法都需要依赖人工设置聚类数量参数，容易出现判断错误的问题。清晰化处理后的高分辨率图像像素大幅度提升，如果采用上述算法进行分色处理，需要对全部的像素进行反复计算和迭代优化，计算开销非常大。通过密度峰值聚类(dpc)算法可以自动计算数据点的聚类数目。但是直接处理图像会产生庞大的相似度矩阵，导致内存溢出。结合自组织映射(som)神经网络和dpc的颜色分割算法，通过som神经网络识别像素主要的聚类中心，再通过dpc算法识别最佳聚类数量并进行聚类，大大缩短了计算时间。但是该算法由于只考虑了像素的颜色信息，仍然会出现杂色点的问题。结合som和高效稠密子空间聚类的颜色分割算法通过灰度变换、二值化和开运算等后处理，消除了边缘颜色的误分割现象。但是该方法的准确率较低，且流程复杂。还可以使用无监督的平均移位算法来进行印刷织物的颜色分割。该算法能够在不同纹理和光照条件下完成织物图像的颜色分割，但由于织物在进行颜色分割之前需要进行清洗、熨烫，在工业应用中存在一定的不足。

技术实现思路

1、为了解决现有技术中的技术问题，本发明提供了一种基于som神经网络的密度峰值聚类分色算法。

2、本发明实施例提供的技术方案如下：

3、第一方面：

4、本发明实施例提供的一种基于som神经网络的密度峰值聚类分色算法，包括：

5、s1、使用real-esrgan盲超分辨网络对退化的彩色图像进行清晰化处理，得到边界清晰的高分辨率彩色图像；

6、s2、对所述高分辨率彩色图像进行预处理，将所述图像从rgb颜色空间转换为人眼感知均匀的lab颜色空间；

7、s3、训练som神经网络后使用som神经网络对所述图像的像素进行初始聚类；

8、s4、使用密度峰值聚类(dpc)算法对所述图像进行二次聚类；

9、s5、通过基于连通域分析的方法合并所述图像中的杂色点；

10、s6、采用最邻近插值算法，在不改变图像颜色数量的基础上，对调整分色图像的尺寸。

11、本发明实施例提供的技术方案带来的有益效果至少包括：

12、(1)在本发明中，采用real-esrgan盲超分辨率重建网络作为退化图像的清晰化处理步骤，可以增强图像的细节信息，提升分色算法的准确性；

13、(2)在本发明中，将som神经网络作为初始聚类，有效简化了高分辨率图像的颜色信息，减少dpc算法的计算量；

14、(3)在本发明中，通过改进的dpc算法，在符合人眼感知的前提下自动计算颜色节点的聚类数目；

15、(4)在本发明中，通过基于连通域分析的颜色合并算法，有效解决分色图像中杂色点的问题。

技术特征：

1.一种基于som神经网络的密度峰值聚类分色算法，其特征在于，包括：

2.根据权利要求1所述的一种基于som神经网络的密度峰值聚类分色算法，其特征在于，所述s2具体包括：

3.根据权利要求1所述的一种基于som神经网络的密度峰值聚类分色算法，其特征在于，所述s3具体包括：

4.根据权利要求3所述的一种基于som神经网络的密度峰值聚类分色算法，其特征在于，所述s34中som神经网络的竞争过程具体包括：

5.根据权利要求1所述的一种基于som神经网络的密度峰值聚类分色算法，其特征在于，所述s4具体包括：

6.根据权利要求1所述的一种基于som神经网络的密度峰值聚类分色算法，其特征在于，所述s5具体包括：

技术总结本发明提供一种基于SOM神经网络的密度峰值聚类分色算法，涉及清晰化处理和分色技术领域，创新点在于结合Real‑ESRGAN盲超分辨率重建网络对图像进行预处理，增强了图像细节，提高了分色准确性。算法以SOM神经网络作为初始聚类，简化了高分辨率图像的颜色信息，降低了计算复杂度。同时，算法采用改进的DPC算法，自动计算颜色节点聚类数目，更贴近人眼感知。此外，基于连通域分析的颜色合并算法有效解决了分色图像中的杂色点问题。本发明的算法通过综合运用先进的图像处理技术和神经网络聚类方法，实现了高效、准确的图像分色处理。该算法在图像处理和计算机视觉领域具有广阔的应用前景，能够提升图像质量，优化颜色信息，为后续的图像处理和分析提供有力支持。技术研发人员：汝欣,彭来湖,陈然受保护的技术使用者：浙江理工大学技术研发日：技术公布日：2024/9/2