(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 20221087482 9.9 (22)申请日 2022.07.25 (71)申请人 江南大学 地址 214122 江苏省无锡市滨湖区蠡湖大 道1800号 (72)发明人 王映辉　梁炎兴　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 吕永芳 (51)Int.Cl. G06V 10/54(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于可见光单图像的弱纹理表面微结 构特征提取方法 (57)摘要 本发明公开了一种基于可见光单图像的弱 纹理表面微结构特征提取方法， 属于图像处理技 术领域。 本发明在自然可见光场景下， 通过拍摄 弱纹理表面、 灰度调整、 K ‑Prototypes聚类自适 应网格划分、 Gabor核 提取高频细节特征等步骤， 获得弱纹理表 面微几何凹凸特征， 解决了现有 方 法对弱纹理表面区域无法提取自身固有特征或 提取精度低的问题， 达到了对弱纹理表面的微观 结构的特征识别和特征提取的目的， 可应用于物 体识别、 VR、 AR、 表面探伤、 医学诊断等重要领域。 权利要求书2页 说明书6页 附图3页 CN 115170832 A 2022.10.11 CN 115170832 A 1.一种基于可见光单图像的弱纹理表面微结构特征提取方法， 其特征在于， 所述方法 包括： 步骤1： 在无强光照射的自然光环境中， 使用拍摄装置对弱纹理表面进行图像拍摄， 获 得原始图像， 所述拍摄装置的镜 头与所述弱纹 理表面垂直； 步骤2： 读取所述原始图像中携带的相机传感器EXIF信息， 根据图像像素值和物体表面 辐照度、 相机传感器曝光时间之间的关系， 分别求 解RGB三个通道的相机响应曲线； 步骤3： 通过镜 头焦距计算得到被拍摄弱纹 理表面距离 镜头中心的距离； 步骤4： 对所述原始图像进行灰度调整， 将灰度调整到预设范围内， 获得正确曝光的图 像； 步骤5： 根据所述正确曝光的图像的灰度进行K ‑Prototyp es聚类自适应 网格划分， 并对 每个网格提取Gabor特 征， 求解每个网格的表面 粗糙度； 步骤6： 根据基尔霍夫 方程的Gabor核形式求 解每个网格的表面法向量； 步骤7： 构建每个网格的特征描述子， 作为一个特征点的特征向量， 所有特征点的集合 构成所述 正确曝光的图像的表面凹凸特 征。 2.根据权利要求1所述的弱纹理表面微结构特征提取方法， 其特征在于， 所述步骤2中 相机响应曲线反映图像像素值C和物体表面辐 照度R、 相机传感器曝光时间t之间的关系， 包 括： 其中， k为曲线校正系数。 3.根据权利要求1所述的弱纹理表面微结构特征提取方法， 其特征在于， 所述步骤3中 计算被拍摄弱纹 理表面与镜 头中心距离的公式为： 其中， L为表面距离镜头中心的距离， F为镜头焦距， V表示镜头中心距离相机传感器的 距离。 4.根据权利要求1所述的弱纹理表面微结构特征提取方法， 其特征在于， 所述步骤4中 灰度调整的过程包括： 将所述原始图像I0的平均灰度设定为参考值θ， 取图像像素点x的灰度值为Gray(x)， Gray(x)的值满足以θ 为中心的预设的区间范围内， 通过阈值约束， 获得正确曝光的图像I。 5.根据权利要求1所述的弱纹理表面微结构特征提取方法， 其特征在于， 所述步骤5中 根据正确曝光的图像的灰度进行 K‑Prototypes聚类自适应网格划分的过程包括： 步骤51： 在所述正确曝光的图像中随机选取k个像素点， 以所述k个像素点的灰度值作 为初始参照原型； 步骤52： 计算图像 中的其它像素点与k个初始参照原型的欧氏距离， 将像素点划分到距 离它最近的初始参照原型 所对应的类别中； 步骤53： 所有像素点划分完毕后， 以当前每个像素点类别的均值， 重新设定为该类别的 初始参照原型； 如果两个 类别像素点的均值之差小于预设差值Δ， 则合并为 一类； 步骤54： 迭代步骤52和步骤5 3， 直至没有像素点改变 类别；权　利　要　求　书 1/2 页 2 CN 115170832 A 2步骤55： 聚类结束后生成N个类别， N≤k， 将所述正确曝光的图像按照分类结果自动划 分为N个网格区域， 每 个网格内包 含类别中心像素点和围绕该中心的其 余同类别像素点。 6.根据权利要求1所述的弱纹理表面微结构特征提取方法， 其特征在于， 所述步骤5中 提取Gabor特 征的过程包括： 对每个网格内的图像像素点进行傅里叶变换， 然后利用Gabor核函数对其进行滤波操 作： r(x)≈g(x； m, σ,a) 其中， r(x)为图像像素点x的反射率， 同时也代表了每个像素点x的表面粗糙度， g(x； m, σ,a)为二维Gabor核函数， 即： g(x； m, σ,a)＝G2D(x； m, σ )·e‑i2 π(a·x) 其中G2D(x； m, σ )为二维表面分布函数， m为像素点x所属网格的类别中心， σ 为尺度参数， a为与二维表面高度相关的平面 光波参数。 7.根据权利要求6所述的弱纹理表面微结构特征提取方法， 其特征在于， 所述步骤6中 基尔霍夫 方程的Gabor核形式为： 其中， ξ为弱纹理表面的双向反射分布函数， ωi和ωo为入射光线向量和反射光线向量， ψ为ωi和ωo在二维平面上的投影的向量和， λ为光的波长， S为所述正确曝光的图像I的面 积。 8.根据权利要求1所述的弱纹理表面微结构特征提取方法， 其特征在于， 所述步骤7特 征描述子是一个包含图像像素点x的RGB颜色、 粗糙度值、 表 面高度值、 表 面法向量的多维特 征向量。 9.根据权利要求1所述的弱纹理表面微结构特征提取方法， 其特征在于， 所述拍摄装置 包括： 消费级手机 。 10.一种图像分类方法， 其特征在于， 所述图像分类方法采用权利要求1 ‑9任一项所述 的基于可见光单图像的弱纹理表面微结构特征提取方法进 行特征提取， 然后根据提取的特 征进行图像的分类。权　利　要　求　书 2/2 页 3 CN 115170832 A 3