通过整合自适应神经网络和密度峰值聚类算法,打印织物的色彩细分
Niu Meng1,2
1Department of Arts and Design, Shanghai Business School, Shanghai, China.
PloS one
|August 11, 2025
概括
本研究介绍了一种新的印刷面料色彩细分算法,集成自组织映射网络 (SOM) 和密度峰值集群 (DPC). 该方法提高了复杂图案和类似颜色的准确性和效率.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 织工业的应用 织工业的应用
背景情况:
- 颜色细分对于织品至关重要,但受到复杂的图案和相似颜色的挑战.
- 现有方法的准确性低,计算效率低下.
研究的目的:
- 为打印面料开发一个改进的色彩分段算法.
- 解决现有方法在准确性和效率方面的局限性.
主要方法:
- 自组织映射网络 (SOM) 的集成,用于拓色彩特征学习.
- 密度峰值聚类 (DPC) 的应用,用于精细的,密度驱动的细分.
- 开发一种结合SOM和DPC的新型算法.
主要成果:
- 与单独的SOM相比,执行时间减少了近40%.
- 实现了平均颜色差异 (ΔE) 低至0.7,表明高精度.
- 与其他算法相比,在细分精度和稳定性方面表现出卓越的性能.
结论:
- 拟议的SOM-DPC算法在印刷面料颜色细分方面提供了显著的改进.
- 为提高织品颜色分析的质量和效率提供了有效的解决方案.
- 该方法在细分精度和稳定性方面具有全面的优势.
