一种基于颜色和纹理特征聚类的数码迷彩生成方法和装置

1.本技术涉及数字图像处理领域，特别是涉及一种基于颜色和纹理特征聚类的数码迷彩生成方法、装置、计算机设备和存储介质。


背景技术：

2.迷彩伪装技术是伪装技术的重要组成部分。颜色和纹理是迷彩技术两个主要特征元素。大部分传统的迷彩生成方法主要是对颜色特征提取的研究，而忽略了纹理特征。基于分水岭算法和背景轮廓分割的方法虽然考虑了背景的纹理，但是纹理特征不明显，难以形成与背景高度相似的纹理，而且计算复杂、耗时。因此，现有技术存在效果不佳的问题。


技术实现要素：

3.基于此，有必要针对上述技术问题，提供一种能够兼顾了背景图像的纹理以及颜色特征的基于颜色和纹理特征聚类的数码迷彩生成方法、装置、计算机设备和存储介质。
4.一种基于颜色和纹理特征聚类的数码迷彩生成方法，所述方法包括：
5.获取待处理图像，将所述待处理图像灰度化后通过局部二值模式算法进行纹理特征提取，得到纹理特征矩阵；
6.根据所述待处理图像的颜色特征矩阵进行颜色聚类，确定所述待处理图像的主色信息以及各主色的像素面积大小；
7.以所述各主色的像素面积大小为纹理聚类的集群大小，根据所述纹理特征矩阵进行纹理聚类，得到各类纹理斑点；
8.根据所述各主色的像素面积大小，根据所述主色信息将聚类后的主色填充到各类纹理斑点中，形成数码迷彩图像。
9.在其中一个实施例中，还包括：获取所述待处理图像像素的颜色特征(r，g，b)和纹理特征(t)；
10.将所述颜色特征(r，g，b)和所述纹理特征(t)组合成四维特征向量(r，g，b，t)，由每个像素的四维特征向量构成特征矩阵；
11.通过遗传算法对所述特征矩阵进行优化，得到优化后的初始聚类中心。
12.在其中一个实施例中，还包括：通过改进的遗传算法对所述特征矩阵进行优化，得到优化后的初始聚类中心；所述改进的遗传算法中以各类聚类中心的距离作为类间距离，以所述类间距离作为改进的遗传算法的适应度函数。
13.在其中一个实施例中，还包括：根据所述初始聚类中心得到颜色初始聚类中心；
14.根据所述颜色初始聚类中心和所述待处理图像的颜色特征矩阵，通过k-means聚类算法进行颜色聚类；
15.得到所述待处理图像的主色信息以及各主色的像素面积大小。
16.在其中一个实施例中，还包括：根据所述初始聚类中心得到纹理初始聚类中心；
17.以所述各主色的像素面积大小为纹理聚类的集群大小，根据所述纹理初始聚类中
心和所述纹理特征矩阵，通过k-means聚类算法进行纹理聚类；
18.得到各类纹理斑点。
19.在其中一个实施例中，还包括：根据所述各主色的像素面积大小，将聚类后的主色填充到各类纹理斑点中；其中，像素面积大的主色填充到对应集群面积大的纹理斑点中；
20.形成数码迷彩图像。
21.在其中一个实施例中，还包括：根据迷彩主色不宜过多的原则，聚类数取值为3～6。
22.一种基于颜色和纹理特征聚类的数码迷彩生成装置，所述装置包括：
23.纹理特征矩阵确定模块，用于获取待处理图像，将所述待处理图像灰度化后通过局部二值模式算法进行纹理特征提取，得到纹理特征矩阵；
24.颜色聚类模块，用于根据所述待处理图像的颜色特征矩阵进行颜色聚类，确定所述待处理图像的主色信息以及各主色的像素面积大小；
25.纹理聚类模块，用于以所述各主色的像素面积大小为纹理聚类的集群大小，根据所述纹理特征矩阵进行纹理聚类，得到各类纹理斑点；
26.颜色填充模块，用于根据所述各主色的像素面积大小，根据所述主色信息将聚类后的主色填充到各类纹理斑点中，形成数码迷彩图像。
27.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
28.获取待处理图像，将所述待处理图像灰度化后通过局部二值模式算法进行纹理特征提取，得到纹理特征矩阵；
29.根据所述待处理图像的颜色特征矩阵进行颜色聚类，确定所述待处理图像的主色信息以及各主色的像素面积大小；
30.以所述各主色的像素面积大小为纹理聚类的集群大小，根据所述纹理特征矩阵进行纹理聚类，得到各类纹理斑点；
31.根据所述各主色的像素面积大小，根据所述主色信息将聚类后的主色填充到各类纹理斑点中，形成数码迷彩图像。
32.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
33.获取待处理图像，将所述待处理图像灰度化后通过局部二值模式算法进行纹理特征提取，得到纹理特征矩阵；
34.根据所述待处理图像的颜色特征矩阵进行颜色聚类，确定所述待处理图像的主色信息以及各主色的像素面积大小；
35.以所述各主色的像素面积大小为纹理聚类的集群大小，根据所述纹理特征矩阵进行纹理聚类，得到各类纹理斑点；
36.根据所述各主色的像素面积大小，根据所述主色信息将聚类后的主色填充到各类纹理斑点中，形成数码迷彩图像。
37.上述基于颜色和纹理特征聚类的数码迷彩生成方法、装置、计算机设备和存储介质，通过lbp算法对背景图像进行纹理特征提取，采用lbp方法所得到二值矩阵能够显示出原背景图像纹理信息；通过对颜色、纹理特征聚类进行聚类，颜色聚类可提取背景图像的主
色调，纹理聚类旨在获取图像的纹理斑点，兼顾了颜色、纹理两个主要特征；以提取的主色填充聚类后的纹理斑点形成迷彩，可将颜色和纹理特征融入到迷彩技术，同时保证聚类的各纹理斑点像素面积与各主色面积相等。本发明生成的迷彩兼顾了背景图像纹理特征和颜色特征，具有较好的伪装性能。
附图说明
38.图1为一个实施例中基于颜色和纹理特征聚类的数码迷彩生成方法的流程示意图；
39.图2为一个实施例中lbp方法示意图；
40.图3为具体实施例一中利用遗传算法优化聚类中心算法实施流程图；
41.图4为具体实施例一中遗传算法两种交叉方式示意图，其中(a)为聚类中心交叉操作示意图，(b)为特征值交叉操作示意图；
42.图5为具体实施例一对颜色、纹理进行k-means聚类算法实施流程图；
43.图6为具体实施例二中基于颜色和纹理特征聚类的数码迷彩生成方法的流程示意图；
44.图7为具体实施例二中提取的纹理特征图示，其中，(a)为由原图像经灰度公式处理后的灰度图像，(b)为采用lbp方式获取的纹理特征图像；
45.图8为具体实施例二中颜色特征聚类结果图示，其中，(a)为雪山原图，(b)为对颜色进行聚类后的结果图，(c)为提取原图的四种主色图；
46.图9为具体实施例二中对纹理特征图进行聚类获得的纹理斑点图示，其中，(a)，(b)，(c)，(d)分别为4类纹理斑点图；
47.图10为具体实施例二中迷彩结果图示；
48.图11为具体实施例三中基于颜色和纹理特征聚类的数码迷彩生成方法的流程示意图；
49.图12为一个实施例中基于颜色和纹理特征聚类的数码迷彩生成装置的结构框图；
50.图13为一个实施例中计算机设备的内部结构图。
具体实施方式
51.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
52.在一个实施例中，如图1所示，提供了一种基于颜色和纹理特征聚类的数码迷彩生成方法，包括以下步骤：
53.步骤102，获取待处理图像，将待处理图像灰度化后通过局部二值模式算法进行纹理特征提取，得到纹理特征矩阵。
54.常见的纹理特征提取方法有局部二值模式(lbp)、灰度共生矩阵以及小波变换方式。其中灰度共生矩阵和小波变换的方式得到关于纹理的特征量，主要用于纹理的分析和评价，不能反映纹理的灰度图像。而lbp方式可以提取图像的局部纹理特征，其输出的二值矩阵能够明显的反映出图像的纹理。根据上述分析，本发明采用lbp方式对图像的纹理特征
进行提取，lbp方法得到的二值矩阵与原图像的像素矩阵大小相同，二值矩阵能够直接输出为图像，直接表征图像的局部纹理特征。
55.本实施例中，图像统一像素大小为256*256，采用lbp方法提取图像纹理特征。局部二值模式(lbp)方法表示如下：
56.首先对输入的rgb彩色图像灰度化，得到灰度图像。公式如下：
57.gray＝0.2989r 0.5870g 0.1140b
58.该式采用了心理学公式，各个系数由人眼对不同颜色的敏感程度确定。
59.灰度矩阵的每个值表示图像该像素点的灰度值，取值0～255；原始的lbp算子表示为在3*3的方形矩阵内，以中心像素的灰度值为阈值，将周围8个相邻像素的灰度值与其进行比较，若周围的像素的灰度值大，则此像素点的位置被标记为1，否则，标记为0，由此3*3的区域内可产生8个二进制数，这8个二进制数按照顺时针编码产生8位的二进制数，转换为十进制则取值为0～255，该数值表示此中心点的lbp值，并以此来表示该区域纹理信息，按上述方式可形成大小为256*256的纹理矩阵。数学表示如下：
[0060][0061]
x＞0,s(x)＝1；
[0062]
x＜＝0,s(x)＝0；
[0063]
其中(x，y)为中心像素坐标，p表示邻域的8个像素，i
p
为邻域像素灰度值，ic为中心像素灰度值，以此，生成整个像素矩阵的二值矩阵表示原图的纹理特征。具体过程如图2。
[0064]
步骤104，根据待处理图像的颜色特征矩阵进行颜色聚类，确定待处理图像的主色信息以及各主色的像素面积大小。
[0065]
颜色聚类用于提取待处理图像的主色调。在颜色聚类后，统计各主色的面积大小。
[0066]
步骤106，以各主色的像素面积大小为纹理聚类的集群大小，根据纹理特征矩阵进行纹理聚类，得到各类纹理斑点。
[0067]
纹理聚类用于获取图像的纹理斑点。根据主色像素面积大小对纹理斑点聚类，使聚类的各纹理斑点像素面积与各主色面积相等。
[0068]
步骤108，根据各主色的像素面积大小，根据主色信息将聚类后的主色填充到各类纹理斑点中，形成数码迷彩图像。
[0069]
将主色填充至纹理斑点中，生成的迷彩具有与背景图像相似的纹理特征和颜色特征，具有较好的伪装性能。
[0070]
上述基于颜色和纹理特征聚类的数码迷彩生成方法中，通过lbp算法对背景图像进行纹理特征提取，采用lbp方法所得到二值矩阵能够显示出原背景图像局部的纹理信息；通过对颜色、纹理特征聚类进行聚类，颜色聚类可提取背景图像的主色调，纹理聚类旨在获取图像的纹理斑点，兼顾了颜色、纹理两个主要特征；以提取的主色填充聚类后的纹理斑点形成迷彩，可将颜色和纹理特征融入到迷彩技术，使聚类的各纹理斑点像素面积与各主色面积相等。本发明生成的迷彩具有与背景图像相似的纹理特征和颜色特征，具有较好的伪装性能。
[0071]
在其中一个实施例中，还包括：获取待处理图像像素的颜色特征(r，g，b)和纹理特征(t)；将颜色特征(r，g，b)和纹理特征(t)组合成四维特征向量(r，g，b，t)，由每个像素的
四维特征向量构成特征矩阵；通过改进的遗传算法对特征矩阵进行优化，得到优化后的初始聚类中心；其中，改进的遗传算法中以各类聚类中心的距离作为类间距离，以类间距离作为改进的遗传算法的适应度函数。根据初始聚类中心得到颜色初始聚类中心；根据颜色初始聚类中心和待处理图像的颜色特征矩阵，通过k-means聚类算法进行颜色聚类；得到待处理图像的主色信息以及各主色的像素面积大小。根据初始聚类中心得到纹理初始聚类中心；以各主色的像素面积大小为纹理聚类的集群大小，根据纹理初始聚类中心和纹理特征矩阵，通过k-means聚类算法进行纹理聚类；得到各类纹理斑点。
[0072]
k-means聚类是图像分割领域最常用的算法之一，算法快速，简单、效率高。具有很高的实时性。k-means算法的一般步骤是：
[0073]
(1)确定聚类数为k个簇，并在数据中随机选取k个数据点作为初始聚类中心；
[0074]
(2)计算各个数据点到k个初始聚类中心的欧式距离。选择最小距离的初始聚类中心，将数据点分配给该聚类中心所对应的簇；
[0075]
(3)计算每个簇的平均值，以平均值更新为所有簇的聚类中心；
[0076]
重复(2)(3)，直至准则函数收敛。
[0077]
可以分析，初始的聚类中心选取具有随机性，而聚类的结果依赖于初始聚类中心，导致聚类结果不稳定。因此，许多研究者利用其他方式对k-means算法进行优化，如蚁群算法，三级-k-means聚类算法、遗传算法等。而遗传算法具有优良的全局优化能力，且算法简单易实现的。基于此，本实施例利用遗传算法对k-means算法的初始聚类中心进行优化。将优化的聚类算法用于主色提取以及纹理聚类，使得聚类的结果相对稳定且较优。
[0078]
遗传算法优化k-means聚类的一般流程如下：
[0079]
(1)种群初始化，随机选取m个个体作为初始聚类中心，对个体进行编码；
[0080]
(2)适应度函数设计，以聚类准则函数作为适应度函数，用来评价个体的适应度值，区分个体的优劣，适应度值大的个体容易被选择；
[0081]
(3)根据选取的初始聚类中心进行k-means聚类。
[0082]
(4)选择操作，根据聚类结果，对适应度值不同的初始中心进行选择，适应度高的个体被选择遗传的概率大；
[0083]
(5)交叉操作，对编码的两个个体，交换部分基因，形成新聚类中心；
[0084]
(6)变异操作，对编码的个体进行部分变异，形成新聚类中心；
[0085]
(7)重复(3)(4)(5)(6)操作，直至达到最大迭代次数。
[0086]
(8)以优化结果作为聚类中心进行聚类。
[0087]
一般的，聚类算法以最大类间距离和最小类内距离作为聚类结果的共同评价。上述以类内距离作为适应度函数进行优化是最为常见的方式，其缺点在于每一次遗传迭代都需要进行一次k-means聚类，虽然聚类结果优化精度较好，但是造成了更大的时间代价，在算法程序上也显得冗余。本专利提出一种改进方式，以各类聚类中心的距离作为类间距离，以类间距离作为遗传算法的适应度函数，优化k-means算法初始聚类中心，使选取的聚类中心满足类间聚类最大的原则。改进后，遗传算法的每次迭代都不需要进行聚类，待优化后，进行一次k-means聚类。简化了算法程序，减少了算法运行的时间。
[0088]
在具体实施例一中，如图3所示为本发明所提方法中利用遗传算法优化k-means初始聚类中心算法实施例的具体流程示意图。该算法实施例用于输出优化的初始聚类中心，
包括下述步骤：
[0089]
步骤301，设置参数，包括：聚类数k，种群大小m，迭代次数t，交叉、变异概率分别为pc和pm。一般而言，迷彩的颜色聚类数不宜过多，一般为3～6。本专利实施例取聚类数k＝4为例。整个数据集的大小为背景图像的像素点数，因此种群数取50，迭代次数取100，交叉概率为0.6，变异概率为0.02。
[0090]
步骤302，种群初始化，包括：将颜色、纹理(t)矩阵转换为(256*256)*4的特征矩阵，特征矩阵每一行为(r，g，b，t)四特征量，四列分别表示红、绿、蓝、纹理像素值。对图像矩阵像素点进行实数编码作为种群个体，因此个体的取值范围为0～255的整数。从特征矩阵中随机选取k个特征向量(r1，g1，b1，t1；r2，g2，b2，t2；...；rk，gk，bk，tk)，作为初始聚类中心组成一个个体，编码长度为4*k，重复选取m次，形成种群大小为m的初始种群。
[0091]
步骤303，依据适应度函数计算群体中个体的适应度值，适应度函数值用于评价种群个体优劣，适应度值大的个体被选择的概率更大。定义各聚类中心的欧式距离为类间距离，以类间距离作为适应度函数，表示如下：
[0092][0093]
其中ri、rj为选取的种群个体，即初始聚类中心，k为聚类数。
[0094]
步骤304，根据适应度值对初始聚类中心进行选择，适应度值大的个体被选择的概率大。个体被选择的概率如下：
[0095][0096]
ps(i)为第i个个体被选择概率，fitness(i)为i个个体的适应度值。
[0097]
步骤305，对选择后的个体按照交叉概率进行交叉操作。对于待交叉的两个个体，产生0-1的随机数，若随机数小于交叉概率pc，则对两个个体进行交叉。在k-means聚类算法中，初始聚类中心应在现有的数据集中产生，为满足此条件，对遗传算法的交叉操作做如下处理：随机交换两个个体的聚类中心或聚类中心的对应特征值，交换的中心数小于聚类数，交换的特征值数小与特征向量列数。两种交叉方式增加了新的聚类中心的可能性。示意图如图4。
[0098]
步骤306，对交叉操作后的个体按照变异概率进行变异操作。同理，变异的个体应在特征向量集中选取，保证初始聚类中心是数据集中的数据，具体为：对于第一个聚类中心的一个特征值，按照变异概率，替换称同一特征的其他值，重复四次，完成四个聚类中心第一个特征量的的变异。重复四次，完成四个聚类中心四个特征量的变异。
[0099]
步骤307，输出优化的聚类中心，此时的初始聚类中心属于上述特征矩阵且满足类间距离最大的条件。按照优化的初始k个聚类中心(r，g，b，t)对颜色(r，g,b)和纹理特征(t)分别进行k-means聚类。算法流程图如图5所示。
[0100]
如图5所示为本专利对颜色、纹理进行聚类的实施流程图。为保证主色像素面积与纹理斑点像素面积相等，先对颜色特征进行k-means聚类，记录各主色的像素面积大小，按照主色像素面积大小进行纹理聚类。得到图像主色，及纹理斑点。具体如下：
[0101]
步骤501，输入待聚类的特征矩阵。特征矩阵为背景图像的颜色矩阵为rgb特征矩
阵，大小为(256*256)*3，或者是背景图像的二值纹理矩阵，大小为(256*256)*1。
[0102]
步骤502，输入上述经遗传算法优化的初始聚类中心。包括颜色特征的聚类中心以及纹理聚类中心。
[0103]
步骤503，对颜色特征矩阵进行聚类：计算颜色特征矩阵中颜色特征值x与每个聚类中心ci的欧式距离，表达式如下:
[0104][0105][0106]
d＝(x-c)2[0107]
步骤504，按照上述计算的欧式距离，比较像素特征值x到每个聚类中心ci的大小，按照特征值到各聚类中心的最小距离原则，将像素划分到该聚类中心所属类。完成初始聚类划分。
[0108]
步骤505，计算各类中每个点的平均值，以平均值更新之前的聚类中心。表示如下：
[0109][0110]
|ci|为第i类中所有元素的个数。
[0111]
步骤506，判断准则函数是否收敛。若准则函数小于所设阈值，则输出最终的聚类结果。否则，更新的聚类中心执行503～505操作，直到准则函数收敛。准则函数为各类的距离平方和，公式如下：
[0112][0113]
步骤507，输出结果。完成主色提取，同时记算各主色的像素面积大小。
[0114]
步骤508，按照上述颜色聚类流程对纹理特征进行聚类，记录聚类中心。以下按照主色像素面积进行重新聚类划分。
[0115]
步骤509，记上述主色面积大小为m1，m2，...，mk，纹理聚类中心为ct1，...，ctk。计算纹理特征值到纹理聚类中心cti的距离。
[0116]
步骤510，将距离第一个聚类中心ct1最近的m1个点重新划分为一类。去除已分类数据，将距离ct2最近的m2个数据重新划分为一类。重复k次，完成最终划分。
[0117]
在其中一个实施例中，还包括：根据各主色的像素面积大小，将聚类后的主色填充到各类纹理斑点中；其中，像素面积大的主色填充到对应集群面积大的纹理斑点中；形成数码迷彩图像。
[0118]
在具体实施例二中，如图6所示，提供一种基于颜色和纹理特征聚类的数码迷彩生成方法，包括：输入背景图像，采用lbp方法提取图像纹理特征、遗传算法优化初始聚类中心、优化后的k-means算法对颜色、纹理特征矩阵进行聚类和将主色填充到聚类的纹理斑点中，形成迷彩。
[0119]
图7所示为具体实施例二提取纹理特征图示例，其中7(a)是由原图像经灰度公式处理后的灰度图像，得到灰度图像用于提取纹理特征。7(b)表示的是对7(a)的灰度图像采用lbp方式获取的纹理特征图像显示，该图反映了原图的纹理特征。
[0120]
图8所示为具体实施例二提取颜色特征图示例，采用上述聚类算法提取背景图像主色，聚类数取4。其中8(a)为雪山原图，8(b)为对颜色进行聚类后的结果图，8(c)为提取原图的四种主色图。
[0121]
计算各主色的像素面积(面积占比)分别为：38076(0.581)，(11338)0.173，8126(0.124)，8061(0.123)。
[0122]
图9所示为具体实施例二的纹理斑点图示例。对上述图7(b)中的纹理图进行聚类，聚类数为4，得到图9中的4类纹理斑点图(斑点亮度为1，非斑点处亮度为0)，各类斑点的像素面积应由上述主色面积确定，分别为38076(0.581)，(11338)0.173，8126(0.124)，8061(0.123)。
[0123]
图10所示为具体实施例二生成迷彩图示例。背景图为雪地，将图8(c)中获取的四种主色填充到图9中的四类纹理斑点中，形成迷彩图像。迷彩图像融合了主色特征以及纹理特征，并且保证了主色面积与纹理斑点面积相同。
[0124]
在具体实施例三中，如图11所示，以森林草地背景为例，首先是用lbp方法提取背景灰度图像的纹理特征；然后利用遗传算法优化颜色、纹理特征的初始聚类中心；先对颜色特征进行聚类，得到主色特征，并且记算各主色的面积；然后按照主色面积的大小，对纹理特征聚类得到纹理斑点；将提取的主色填充到纹理斑点中，合成最终的迷彩图像。
[0125]
本专利所示迷彩图片经灰度处理显示为黑白图片，不代表图片的实际颜色。
[0126]
应该理解的是，虽然图1、3、5、6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、3、5、6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0127]
在一个实施例中，如图12所示，提供了一种基于颜色和纹理特征聚类的数码迷彩生成装置，包括：纹理特征矩阵确定模块1202、颜色聚类模块1204、纹理聚类模块1206和颜色填充模块1208，其中：
[0128]
纹理特征矩阵确定模块1202，用于获取待处理图像，将待处理图像灰度化后通过局部二值模式算法进行纹理特征提取，得到纹理特征矩阵；
[0129]
颜色聚类模块1204，用于根据待处理图像的颜色特征矩阵进行颜色聚类，确定待处理图像的主色信息以及各主色的像素面积大小；
[0130]
纹理聚类模块1206，用于以各主色的像素面积大小为纹理聚类的集群大小，根据纹理特征矩阵进行纹理聚类，得到各类纹理斑点；
[0131]
颜色填充模块1208，用于根据各主色的像素面积大小，根据主色信息将聚类后的主色填充到各类纹理斑点中，形成数码迷彩图像。
[0132]
颜色聚类模块1204还用于获取待处理图像像素的颜色特征(r，g，b)和纹理特征(t)；将颜色特征(r，g，b)和纹理特征(t)组合成四维特征向量(r，g，b，t)，由每个像素的四维特征向量构成特征矩阵；通过遗传算法对特征矩阵进行优化，得到优化后的初始聚类中心。
[0133]
颜色聚类模块1204还用于通过改进的遗传算法对特征矩阵进行优化，得到优化后的初始聚类中心；改进的遗传算法中以各类聚类中心的距离作为类间距离，以类间距离作为改进的遗传算法的适应度函数。
[0134]
颜色聚类模块1204还用于根据初始聚类中心得到颜色初始聚类中心；根据颜色初始聚类中心和待处理图像的颜色特征矩阵，通过k-means聚类算法进行颜色聚类；得到待处理图像的主色信息以及各主色的像素面积大小。
[0135]
纹理聚类模块1206还用于根据初始聚类中心得到纹理初始聚类中心；以各主色的像素面积大小为纹理聚类的集群大小，根据纹理初始聚类中心和纹理特征矩阵，通过k-means聚类算法进行纹理聚类；得到各类纹理斑点。
[0136]
颜色填充模块1208还用于根据各主色的像素面积大小，将聚类后的主色填充到各类纹理斑点中；其中，像素面积大的主色填充到对应集群面积大的纹理斑点中；形成数码迷彩图像。
[0137]
关于基于颜色和纹理特征聚类的数码迷彩生成装置的具体限定可以参见上文中对于基于颜色和纹理特征聚类的数码迷彩生成方法的限定，在此不再赘述。上述基于颜色和纹理特征聚类的数码迷彩生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0138]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于颜色和纹理特征聚类的数码迷彩生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0139]
本领域技术人员可以理解，图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0140]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
[0141]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0142]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可
包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0143]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0144]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。