王 爽 袁葦航

1(江蘇經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院 江蘇 南京 211168)2(南京大學(xué)計(jì)算機(jī)軟件新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室 江蘇 南京 210046)

0 引 言

當(dāng)前，數(shù)碼印花作為一種新型的印花方式，憑借其效率高、打樣成本低、印制效果好、污染少等優(yōu)點(diǎn)，越來(lái)越能夠滿(mǎn)足印花消費(fèi)市場(chǎng)中日趨多樣的需求。但是，在數(shù)碼印花的實(shí)際生產(chǎn)過(guò)程中，矢量印花圖樣的設(shè)計(jì)主要通過(guò)藝術(shù)家設(shè)計(jì)或者人工摳圖的方式完成，存在成本高、周期慢等問(wèn)題，制約了數(shù)碼印花企業(yè)生產(chǎn)能力提升。因此，從大量成型印花圖像中自動(dòng)發(fā)現(xiàn)滿(mǎn)足設(shè)計(jì)意圖的印花圖樣，并合成提取印花圖樣，形成新的印花圖像，能夠大幅度簡(jiǎn)化印花圖像的創(chuàng)作和設(shè)計(jì)過(guò)程，達(dá)到為印花企業(yè)個(gè)性化印染降低設(shè)計(jì)成本的目的。

本文主要討論采用重復(fù)模式發(fā)現(xiàn)的方法從印花圖像中自動(dòng)識(shí)別和提取印花圖樣，尤其是種類(lèi)和大小分布不均，識(shí)別和提取困難較大的印花圖樣。

已有的重復(fù)模式方法在處理框架上主要分為兩類(lèi)。第一類(lèi)從重復(fù)模式的定義出發(fā)，利用模式內(nèi)容的一致性推理重復(fù)模式。例如：Liu等[1]將重復(fù)模式表示為低層特征點(diǎn)的空間組合，并用貪心的隨機(jī)自適應(yīng)搜索對(duì)圖像的重復(fù)模式統(tǒng)一表示進(jìn)行優(yōu)化，該方法能夠處理非結(jié)構(gòu)性的重復(fù)模式空間排列形式，但對(duì)于多個(gè)對(duì)象實(shí)例組成的重復(fù)模式效率太低。Spinello等[2]根據(jù)低層興趣點(diǎn)和形狀特征學(xué)習(xí)字典，從而分析模式內(nèi)容的重復(fù)性，并用條件隨機(jī)場(chǎng)推理重復(fù)模式的空間排列結(jié)構(gòu)。文獻(xiàn)[3-6]通過(guò)在圖像中采樣高層圖像塊并進(jìn)行仿射不變的內(nèi)容一致性分析，檢測(cè)內(nèi)容相似的圖像塊作為重復(fù)模式，并基于結(jié)構(gòu)完全場(chǎng)生成重復(fù)模式的空間排列結(jié)構(gòu)。這些方法雖然也對(duì)檢測(cè)到的重復(fù)模式進(jìn)行空間分布的推理和發(fā)現(xiàn)，但在原理上它們只是將其作為一個(gè)后處理過(guò)程，難以滿(mǎn)足印花圖像中多種類(lèi)型實(shí)例檢測(cè)的需求。

第二類(lèi)重復(fù)模式發(fā)現(xiàn)方法從模式的空間分布出發(fā)，利用重復(fù)模式空間結(jié)構(gòu)的規(guī)則性發(fā)現(xiàn)重復(fù)模式，由于人造圖像中重復(fù)模式的空間分布結(jié)構(gòu)一般都為二維晶格結(jié)構(gòu)，所以本文只比較基于晶格模型的重復(fù)模式發(fā)現(xiàn)方法。Schindler等[7]通過(guò)隨機(jī)選取模式基元并建立晶格模型參數(shù)候選，通過(guò)投票機(jī)制確定晶格結(jié)構(gòu)模型。文獻(xiàn)[8-11]為了提高對(duì)于圖像視角變換或失真引起的晶格結(jié)構(gòu)的非剛性形變的魯棒性，在初始的晶格模型基礎(chǔ)上用馬爾可夫隨機(jī)場(chǎng)進(jìn)行重復(fù)模式的優(yōu)化。這類(lèi)方法通過(guò)模式空間分布的規(guī)則性推理模式，雖然可以解決第一類(lèi)方法中無(wú)法解決的多類(lèi)別問(wèn)題，但對(duì)于模式內(nèi)容較為復(fù)雜的情況，比如出現(xiàn)不同大小的同種類(lèi)型的對(duì)象時(shí)，會(huì)陷入局部最優(yōu)，無(wú)法滿(mǎn)足印花圖像的多尺度需求，因此不適用于印花圖像的重復(fù)模式發(fā)現(xiàn)。

為了解決印花圖像的多類(lèi)型多尺度問(wèn)題，本文提出了針對(duì)數(shù)字印花圖像的重復(fù)模式發(fā)現(xiàn)方法，將印花圖像表示為一個(gè)屬性圖，并將重復(fù)模式表示為屬性圖上特定粒度的子圖結(jié)構(gòu)。在建模的基礎(chǔ)上，設(shè)計(jì)了獲取對(duì)象重復(fù)模式的整體流程，通過(guò)結(jié)構(gòu)推理和對(duì)象內(nèi)容聚類(lèi)來(lái)分析對(duì)象的尺度與類(lèi)別，再通過(guò)圖像建模更新對(duì)象的空間結(jié)構(gòu)，最后利用重復(fù)性空間關(guān)系分析得到空間一致性對(duì)象，從而生成印花圖樣。實(shí)驗(yàn)驗(yàn)證了本文方法在印花圖像集上的有效性，并從定性和定量?jī)煞矫骘@示了對(duì)比其他方法的優(yōu)勢(shì)。

1 重復(fù)模式建模

重復(fù)模式的宏觀定義為包含了圖像完整重復(fù)性元素的最小粒度對(duì)象組合，其中粒度是重復(fù)模式的尺度在具體的對(duì)象層面上的對(duì)應(yīng)。完整重復(fù)性元素是指重復(fù)模式的尺度必須包含重復(fù)性對(duì)象和重復(fù)性對(duì)象空間分布，因此基于重復(fù)模式可以重建印花圖像。印花圖像間重復(fù)模式粒度存在較大差異，主要有兩種可能情況：1)單個(gè)對(duì)象，即重復(fù)模式的尺度是前景對(duì)象；2)多個(gè)對(duì)象以特定幾何結(jié)構(gòu)的分布，即重復(fù)模式的尺度是多個(gè)對(duì)象實(shí)例的空間組合，并且多個(gè)對(duì)象實(shí)例可能屬于相同類(lèi)別但有不同狀態(tài)，也可能屬于多個(gè)類(lèi)別。印花圖像的重復(fù)模式進(jìn)行形式化表示，并對(duì)模式之間重復(fù)性的度量方式進(jìn)行研究，使其能夠統(tǒng)一表示不同類(lèi)別、尺度、狀態(tài)的對(duì)象所組成的不同粒度重復(fù)模式。

1.1 模式表示

本文采用一個(gè)有結(jié)構(gòu)的屬性圖來(lái)表示印花圖像中的全局對(duì)象信息，如圖1所示。對(duì)于圖像i，建立屬性圖Gi=(Vi,Ei)，對(duì)于Vi中的每個(gè)節(jié)點(diǎn)vj，其屬性代表該節(jié)點(diǎn)對(duì)應(yīng)的對(duì)象j的中心坐標(biāo)。若兩節(jié)點(diǎn)在圖像空間相鄰，則用一條邊連接，邊集Ei={eab:(va,vb,θab,dab),?a,b∈Pi,a≠b}，對(duì)于Ei中的每條邊eab，其屬性代表它將頂點(diǎn)va和vb相連，在圖像空間由頂點(diǎn)va到vb的角度方向?yàn)棣萢b，并且長(zhǎng)度為dab。由于構(gòu)成印花圖像的印花圖樣中組成元素分布均勻的特性，每個(gè)對(duì)象實(shí)例鄰接的對(duì)象實(shí)例在數(shù)量和幾何拓?fù)浣Y(jié)構(gòu)上一般也都是相似的。

圖1 屬性圖示例

1.2 模式重復(fù)性度量

基于重復(fù)模式的屬性圖表示，較為直觀的模式重復(fù)性度量方法是通過(guò)計(jì)算子圖之間的同構(gòu)性對(duì)重復(fù)模式實(shí)例進(jìn)行兩兩匹配。通過(guò)一個(gè)子圖匹配過(guò)程實(shí)現(xiàn)同一個(gè)屬性圖中子圖間同構(gòu)性的度量。

本文用一個(gè)匹配度矩陣M來(lái)表示屬性圖中頂點(diǎn)與頂點(diǎn)、邊與邊的匹配度，其中對(duì)角元素(ia,ia)表示頂點(diǎn)對(duì)(vi,va)之間的匹配度：

(1)

式中：A(vi,va)代表不同的前景對(duì)象i與a之間的相似度，只有當(dāng)頂點(diǎn)所對(duì)應(yīng)的對(duì)象類(lèi)別、狀態(tài)一致時(shí)才能夠進(jìn)行匹配。

子圖匹配問(wèn)題是一個(gè)NP-hard問(wèn)題，由于本文工作中兩兩重復(fù)模式的重復(fù)性度量這一子問(wèn)題的數(shù)據(jù)規(guī)模較小，所以采用目前較為通用和高效的整數(shù)二次規(guī)劃方法[12](Integer Quadratic Programming)來(lái)對(duì)其進(jìn)行優(yōu)化。每?jī)蓚€(gè)子圖的匹配過(guò)程通過(guò)將一對(duì)匹配頂點(diǎn)作為初始化狀態(tài)，并在此基礎(chǔ)上推理最優(yōu)的匹配子圖。同時(shí)，由于屬性圖在較為稀疏的情況下即可表示重復(fù)對(duì)象及其空間分布關(guān)系，稀疏性可以作為約束直接對(duì)子圖匹配優(yōu)化進(jìn)行剪枝，以進(jìn)一步提高子圖匹配的效率：

(2)

式中：系數(shù)h>1/min(M)，以保證對(duì)于任意一對(duì)頂點(diǎn)i和j，若M中沒(méi)有能同時(shí)包含這兩個(gè)頂點(diǎn)的匹配邊，則yij直接固定為0。

2 方法設(shè)計(jì)

本文方法能夠自動(dòng)發(fā)現(xiàn)多類(lèi)型對(duì)象構(gòu)成的印花圖像中的多尺度重復(fù)模式，主要處理流程可分為如下兩個(gè)階段：混合表示生成階段和重復(fù)性對(duì)象空間組合分析階段。算法基本流程如圖2所示。

圖2 對(duì)象重復(fù)模式發(fā)現(xiàn)方法流程

1)在混合表示生成階段，首先利用圖像的低層特征檢測(cè)全局的對(duì)象實(shí)例候選，并以候選的對(duì)象實(shí)例作為初始化分別進(jìn)行對(duì)象內(nèi)容的一致性分析和對(duì)象空間結(jié)構(gòu)分析。然后通過(guò)結(jié)合候選對(duì)象的內(nèi)容信息與空間結(jié)構(gòu)信息對(duì)候選對(duì)象進(jìn)行過(guò)濾，并建立圖像的屬性圖。

2)在重復(fù)性對(duì)象空間組合分析階段，基于屬性圖模型，首先通過(guò)基于子圖匹配的重復(fù)性空間關(guān)系分析過(guò)程，分析同類(lèi)對(duì)象實(shí)例間空間鄰接關(guān)系的一致性，用匹配的屬性子圖表示重復(fù)性對(duì)象空間組合，并將子圖匹配過(guò)程中的異常配對(duì)節(jié)點(diǎn)判斷為異常節(jié)點(diǎn)。其次判斷異常節(jié)點(diǎn)對(duì)所對(duì)應(yīng)的對(duì)象實(shí)例之間的仿射變換、缺失等狀態(tài)，在屬性圖中更新對(duì)象實(shí)例狀態(tài)信息，從而迭代地進(jìn)行對(duì)象實(shí)例的重復(fù)性空間關(guān)系分析和狀態(tài)更新，以?xún)?yōu)化對(duì)象重復(fù)性和對(duì)象空間分布重復(fù)性信息。當(dāng)圖像中的所有異常節(jié)點(diǎn)都被確定時(shí)，通過(guò)一個(gè)隨機(jī)抽樣一致算法[13](Random Sample Consensus)估計(jì)重復(fù)模式的晶格排列結(jié)構(gòu)參數(shù)，從而估計(jì)重復(fù)模式的尺度，并根據(jù)模式尺度提取重復(fù)模式實(shí)例。

利用這兩個(gè)階段分別實(shí)現(xiàn)了對(duì)象的“內(nèi)容一致性”和“空間結(jié)構(gòu)一致性”，從而滿(mǎn)足了印花圖像對(duì)多類(lèi)別和多尺度的需求。

3 方法實(shí)現(xiàn)

3.1 結(jié)構(gòu)推理

通過(guò)計(jì)算空間相鄰的候選對(duì)象之間的局部位置關(guān)系，對(duì)輸入圖像建立全局的結(jié)構(gòu)圖，并根據(jù)候選對(duì)象的空間分布及顯著性信息估計(jì)候選對(duì)象的包圍框尺寸。由于給定了候選對(duì)象的中心位置后拓?fù)浣Y(jié)構(gòu)合理的空間排列結(jié)構(gòu)不唯一，結(jié)構(gòu)推理的流程類(lèi)似于基于產(chǎn)生器[4]的結(jié)構(gòu)推理方法。首先統(tǒng)計(jì)圖像中相鄰候選對(duì)象之間邊的角度，確定空間結(jié)構(gòu)的顯著方向。然后根據(jù)每種候選排列約束對(duì)每個(gè)候選對(duì)象生成相應(yīng)的產(chǎn)生器，計(jì)算產(chǎn)生器之間的連接生成候選的圖像空間結(jié)構(gòu)，并利用候選的結(jié)構(gòu)圖結(jié)合圖像顯著性信息估計(jì)每個(gè)候選對(duì)象的包圍框，如圖3所示。

圖3 候選對(duì)象包圍框

由于構(gòu)成印花圖像的印花圖樣中組成元素分布均勻的特性，每個(gè)對(duì)象實(shí)例鄰接的對(duì)象實(shí)例在數(shù)量和幾何拓?fù)浣Y(jié)構(gòu)上一般也都是相似的，因此本文令印花圖像結(jié)構(gòu)圖中所有節(jié)點(diǎn)的度約束不大于4，從而保證拓?fù)浣Y(jié)構(gòu)的稀疏性。

3.2 對(duì)象內(nèi)容聚類(lèi)

由于印花圖像中對(duì)象的語(yǔ)義性較弱，難以建立統(tǒng)一的類(lèi)別標(biāo)注標(biāo)準(zhǔn)，因此已有的有監(jiān)督對(duì)象分類(lèi)方法均難以適應(yīng)。所以本文采用基于視覺(jué)詞袋(Bag-of-visual-word)特征模型和Mean-shift聚類(lèi)的無(wú)監(jiān)督對(duì)象內(nèi)容一致性分析方法。

首先對(duì)輸入圖像提取低層圖像特征SIFT描述子。為了提高特征描述子的尺度，使其能夠有效表示候選對(duì)象，對(duì)每個(gè)候選對(duì)象建立視覺(jué)詞袋模型以獲得對(duì)象尺度的特征。然后使用Torii等[14]提出的軟匹配算法和近似K近鄰算法[15]，對(duì)特征點(diǎn)集中的每個(gè)特征點(diǎn)計(jì)算臨近的視覺(jué)單詞。

由于單幅印花圖像中對(duì)象類(lèi)別數(shù)目不確定，因此本文通過(guò)自適應(yīng)確定類(lèi)別數(shù)量的Mean-shift聚類(lèi)算法判斷候選對(duì)象的內(nèi)容一致性。

3.3 圖像建模

候選對(duì)象的聚類(lèi)是對(duì)候選對(duì)象內(nèi)容信息的檢測(cè)，因此可以利用該信息對(duì)初始候選對(duì)象進(jìn)行過(guò)濾，并更新對(duì)象的空間結(jié)構(gòu)。根據(jù)候選對(duì)象的位置、包圍框尺寸、類(lèi)別、空間結(jié)構(gòu)，我們可以對(duì)印花圖像建立屬性圖模型。

首先根據(jù)候選對(duì)象的顯著性均值對(duì)候選對(duì)象的包圍框進(jìn)行非極大值抑制(Non Maximum Suppression, NMS)，將過(guò)于臨近并且顯著度較低的候選對(duì)象標(biāo)記為異常點(diǎn)，并將抑制每個(gè)異常點(diǎn)的節(jié)點(diǎn)記錄為父節(jié)點(diǎn)。若異常點(diǎn)與其父節(jié)點(diǎn)類(lèi)別一致，則說(shuō)明該節(jié)點(diǎn)同屬于一個(gè)前景對(duì)象，因此將異常點(diǎn)丟棄；若不一致則保留。

對(duì)過(guò)濾后的候選對(duì)象集合重新建立候選對(duì)象空間結(jié)構(gòu)，并在不同頂點(diǎn)度約束候選空間結(jié)構(gòu)中判斷最佳空間結(jié)構(gòu)，如圖4所示(其中虛線(xiàn)方框內(nèi)的點(diǎn)代表異常點(diǎn)，k=2時(shí)為最優(yōu)結(jié)構(gòu))。

圖4 候選空間結(jié)構(gòu)

3.4 重復(fù)性空間關(guān)系分析

重復(fù)模式包括重復(fù)對(duì)象及重復(fù)性對(duì)象空間分布，基于圖像屬性圖提出的子圖匹配算法度量圖像中任意粒度的重復(fù)性對(duì)象空間分布關(guān)系，獲得子圖形式表示的重復(fù)性對(duì)象空間組合，從而確定同類(lèi)對(duì)象實(shí)例之間空間鄰接關(guān)系一致性，提高重復(fù)性分析的粒度，以輔助重復(fù)模式尺度的發(fā)現(xiàn)。

根據(jù)圖像的屬性圖建立n×n維匹配度矩陣M，對(duì)每類(lèi)重復(fù)對(duì)象集合建立一個(gè)親和度矩陣以統(tǒng)計(jì)同類(lèi)對(duì)象間的空間鄰接關(guān)系的一致性，同時(shí)減少重復(fù)計(jì)算。迭代地計(jì)算對(duì)象間重復(fù)性空間關(guān)系，得到子圖匹配結(jié)果。異常節(jié)點(diǎn)對(duì)為匹配的子圖中匹配的節(jié)點(diǎn)對(duì)相鄰接的無(wú)法匹配的節(jié)點(diǎn)對(duì)，如圖5所示(上下兩個(gè)連通區(qū)域中對(duì)應(yīng)的點(diǎn)為匹配節(jié)點(diǎn)，不對(duì)應(yīng)的節(jié)點(diǎn)為異常節(jié)點(diǎn))。

圖5 重復(fù)性對(duì)象空間關(guān)系分布示意圖

4 實(shí)驗(yàn)結(jié)果與分析

本文數(shù)碼印花數(shù)據(jù)集由印染廠商提供并整理的509幅印花圖像。對(duì)象實(shí)例標(biāo)注采用人工指定實(shí)例中心以及設(shè)置重復(fù)模式的尺度。使用者只需標(biāo)注圖像設(shè)計(jì)模式尺度內(nèi)的對(duì)象實(shí)例，標(biāo)注的對(duì)象實(shí)例可按照晶格模型延伸到整個(gè)圖像空間，從而降低人工標(biāo)注的成本。

4.1 方法定性分析

為驗(yàn)證本文方法的有效性，分別對(duì)非遮擋對(duì)象組成的印花圖像集中單類(lèi)單尺度、多類(lèi)單尺度和多類(lèi)多尺度對(duì)象組成的印花圖像進(jìn)行了重復(fù)模式發(fā)現(xiàn)，最終檢測(cè)并提取的重復(fù)模式實(shí)例如圖6所示。其中一個(gè)連通子圖代表一個(gè)重復(fù)模式實(shí)例，灰色矩形框代表了重復(fù)模式尺度。可以看出，對(duì)于多類(lèi)實(shí)例對(duì)象中不同類(lèi)別和尺度重復(fù)對(duì)象組成的多尺度重復(fù)模式，本文算法都能準(zhǔn)確發(fā)現(xiàn)模式尺度，并提取重復(fù)模式實(shí)例。

圖6 重復(fù)模式發(fā)現(xiàn)結(jié)果

4.2 方法定量分析

已有重復(fù)模式發(fā)現(xiàn)方法主要分為利用模式內(nèi)容的一致性與利用重復(fù)模式空間結(jié)構(gòu)的規(guī)則性?xún)深?lèi)，分別選擇具有代表性的文獻(xiàn)[8]和文獻(xiàn)[3]方法，設(shè)計(jì)實(shí)驗(yàn)進(jìn)行模式實(shí)例檢測(cè)有效性和算法執(zhí)行效率的比較。

由于有效重復(fù)模式實(shí)例不唯一，難以直接與Ground-Truth標(biāo)注的模式實(shí)例對(duì)比從而驗(yàn)證模式實(shí)例檢測(cè)的有效性，而已有重復(fù)模式發(fā)現(xiàn)方法中，文獻(xiàn)[9]提出的同質(zhì)性(Homogeneity score，H-score)指標(biāo)可以有效測(cè)量檢測(cè)的重復(fù)模式實(shí)例之間的內(nèi)容一致性，從而對(duì)重復(fù)模式實(shí)例的檢測(cè)結(jié)果進(jìn)行評(píng)價(jià)。對(duì)于每幅圖像中檢測(cè)的不同重復(fù)模式實(shí)例，其包圍框尺寸可能不一致，本文將其通過(guò)仿射變換統(tǒng)一映射為50×50的圖像塊。計(jì)算每幅印花圖像中重復(fù)模式實(shí)例的同質(zhì)性得分為：

H=median{std(I(1)),std(I(2)),…,std(I(m))}

(3)

式中：std(I(i))為圖像I中重復(fù)模式實(shí)例之間第i個(gè)像素值的標(biāo)準(zhǔn)差；歸一化的重復(fù)模式實(shí)例圖像塊共有m個(gè)像素；median{}表示輸出中值的函數(shù)。對(duì)不同方法中對(duì)象尺度匹配成功的重復(fù)模式實(shí)例進(jìn)行有效性檢測(cè)，對(duì)重復(fù)模式實(shí)例的圖像塊中所有像素的標(biāo)準(zhǔn)差取中位數(shù)作為該圖像的H-score，并對(duì)每類(lèi)數(shù)據(jù)集計(jì)算H-score的均值和標(biāo)準(zhǔn)差，實(shí)驗(yàn)結(jié)果如表1所示。

表1 本文方法與已有方法的平均成功率比較 %

可以看出，本文提出的重復(fù)模式發(fā)現(xiàn)方法在三類(lèi)子集上的H-score均低于已有方法，表示本文方法發(fā)現(xiàn)的重復(fù)模式實(shí)例內(nèi)容一致性更高。由于文獻(xiàn)[8]算法無(wú)法區(qū)分重復(fù)對(duì)象之間可能的狀態(tài)信息，因此它容易將內(nèi)容近似的對(duì)象作為重復(fù)模式，導(dǎo)致重復(fù)模式實(shí)例之間內(nèi)容差異較大。而文獻(xiàn)[3]方法在初始化重復(fù)模式實(shí)例鄰域內(nèi)搜索內(nèi)容相似圖像塊并更新重復(fù)模式實(shí)例，容易陷入局部最優(yōu)(如圖6中多尺度多類(lèi)別對(duì)象構(gòu)成的重復(fù)模式檢測(cè)結(jié)果所示)。因?yàn)楸疚乃惴ɑ谥貜?fù)對(duì)象及其空間分布關(guān)系發(fā)現(xiàn)重復(fù)模式實(shí)例，所以對(duì)于對(duì)象子集中不同圖像的檢測(cè)結(jié)果較為魯棒，H-score的標(biāo)準(zhǔn)差均低于已有方法。而由于人工標(biāo)注Ground-Truth存在誤差，本文方法對(duì)于多類(lèi)多尺度對(duì)象的H-score均值和單類(lèi)單尺度對(duì)象的H-score標(biāo)準(zhǔn)差均低于Ground-Truth的標(biāo)注結(jié)果。

同時(shí)，我們通過(guò)度量不同算法在不同數(shù)據(jù)集的平均執(zhí)行時(shí)間來(lái)評(píng)價(jià)重復(fù)模式發(fā)現(xiàn)方法的效率。實(shí)驗(yàn)結(jié)果如表2所示。由于本文算法的平均執(zhí)行時(shí)間與重復(fù)模式尺度以及圖像中的對(duì)象實(shí)例數(shù)量正相關(guān)，而單類(lèi)單尺度對(duì)象和多類(lèi)單尺度對(duì)象組成的印花圖像大多對(duì)象實(shí)例數(shù)量較少，并且重復(fù)模式尺度較小，因此算法的平均執(zhí)行時(shí)間得到了一定的改善，而對(duì)于多類(lèi)多尺度對(duì)象，本文方法的平均執(zhí)行時(shí)間也與效率較高的已有算法大致近似。

表2 與已有方法的平均執(zhí)行時(shí)間比較

5 結(jié) 語(yǔ)

本文提出了一種同時(shí)利用對(duì)象實(shí)例的重復(fù)性與對(duì)象實(shí)例之間空間分布的重復(fù)性共同發(fā)現(xiàn)重復(fù)模式尺度并檢測(cè)模式實(shí)例的方法，不僅能檢測(cè)由實(shí)例對(duì)象組成的印花圖像中可能存在的多類(lèi)和多尺度重復(fù)對(duì)象，還能基于圖像中的對(duì)象實(shí)例信息高效自動(dòng)地發(fā)現(xiàn)重復(fù)模式的尺度，并有效提取圖像中由對(duì)象實(shí)例之間空間組合而成的重復(fù)模式實(shí)例。本文方法為重復(fù)模式發(fā)現(xiàn)提供了一個(gè)新思路，并且為基于重復(fù)模式的印花圖樣創(chuàng)作提供了一個(gè)新途徑，避免了從無(wú)到有的高成本印花圖樣創(chuàng)作過(guò)程。