基于等级结构的二值文本图像认证水印算法

针对二值文本图像的结构特点, 定义了度量图像中像素点``可翻转性'的像素扩展差, 在此基础上, 提出了一种基于等级结构的用于图像完整性和所有者认证的脆弱水印算法. 根据等级结构, 将原始图像划分为多等级子块, 然后对各等级子块进行独立的水印生成和嵌入. 根据像素扩展差的大小, 将图像块内的像素点划分为``可翻转'和``不可翻转'像素点. 将混沌调制后的``不可翻转'像素点的值映射为混沌系统的初值, 经过混沌迭代生成水印信号, 然后将水印信号替代``可翻转'的像素点, 完成水印的嵌入. 另外, 在图像的最高级子块中嵌入所有者信息, 实现对所有者的认证. 实验结果表明, 该算法具有良好的视觉透明性, 可对二值图像的均匀区域进行有效保护, 并对图像的内容篡改进行多级检测与定位.     

基于像素点法的桥梁病害面积计算现状及发展

基于像素点法的面积计算相较于传统的面积计算方法而言,在进行不规则图形面积计算时具有先天的优势,计算速度快、效率高、准确度适合工程应用要求,是进行桥梁外观病害面积计算的最佳之选。梳理了像素点法在进行碎片连接复原、算法改进、面积计算以及裂缝长宽计算等等方面的应用;分析了像素点法在桥梁病害检测中的应用前景;最后分析了像素点法与桥梁外观病害面积计算的未来发展趋势:基于像素点法的桥梁病害面积计算将在桥梁检测技术中充当重要角色。     

基于亚像素精度的任意宽度直线反走样算法

针对地图可视化中地图及地图符号边界出现走样现象,提出了亚像素精度的任意宽度直线反走样算法,结合数值微分(DDA)算法和亚像素精度直线反走样算法,计算有宽度直线的边界像素点的整数坐标位置以及像素点的覆盖面积,从而计算边界像素点的绘制亮度,再结合直线的本来亮度值来确定边界像素点的最终亮度值,从而使边界像素变化平滑,减少边界的锯齿.仿真结果表明,改进算法的像素亮度等级能够达到较高等级,生成的地图符号边界比较细腻,反走样效果好,在地图可视化中得到较好的应用.     

新的基于波传播的图像加密算法

提出了一种新的基于波传播的数字图像加密算法.该算法模拟波的传播过程,通过将该像素点原灰度值与波传到该像素点时的波的位移值相加来来改变图像上的像素点的灰度值,并将相加得到的灰度值模256作为最终加密后的值.在加密图像时可在图像上模拟多个波,选择多个不同的点为它们波源,进行叠加.该算法结合自适应图像加密技术,具有易于实现、计算简单的特点,在安全性和计算效率上也有很好的表现.实验结果证明了该算法的以上优点.     

基于空间连续性方向插值的图像修复算法

对包含结构和纹理信息的缺损图像进行了修复.记录与已知像素点像素值的差值小于某一闽值的像素点,采用曲线拟舍方法将这些像素点连接成平滑的曲线,并且将此曲线的延伸方向作为等值线上延伸的方向,采用由外向内并且边缘优先为最高优先等级的优先程度逐层填充像素值的方法,将空间连续性方向延伸和图像润饰的思想相结合,使修复区域逐步愈合.该算法能保持图像边缘,结构填充合理.     

基于像素点的面积计算在蜂窝麻面图像的应用

通过对桥梁病害检测系统以及桥梁蜂窝麻面病害的研究,提出了一种基于像素点的蜂窝麻面病害面积的快速求解方法。首先介绍了基于像素点的面积计算在各类研究中的实践与应用;其次基于像素点的面积计算方法,将其应用于蜂窝麻面图像,并结合系统采集的图片进行了实验;最后得出:通过此方法进行计算的蜂窝麻面病害区域像素数与实际取得的病害像素数相比,误差极小,接近无误差,且计算速度更快、更稳定;取得的病害区域像素数乘以像素当量即为病害区域的面积。可作为工程应用项目参考。     

高光去除的聚类算法改进

高光去除是计算机视觉领域研究的一个热点问题.现有的基于双色反色模型分离漫反射分量和镜面反射分量去除单幅图像中的高光的方法,容易引起图像颜色失真和纹理的丢失.针对此问题,在使用像素强度比去高光的基础上改进了像素聚类算法,能够更准确的进行像素分类,改善图像颜色失真的现象.首先计算原图像与最小强度值单通道图像的差值得到无高光图像.然后根据无高光图像计算与高光区域相关的每个像素点的最大漫反射色度值和最小漫反射色度值.最后将高光区域内的像素点转换到最小最大色度空间,对高光区域内的像素点进行xmeans聚类,利用分类后漫反射像素点的强度比估计值很容易分离高光区域像素点的镜面反射分量,从而得到去高光图像.实验结果表明,与现有的方法对比,峰值信噪比值平均提升了2%至4%,图像颜色失真和纹理丢失状况得到改善,视觉效果更好.     

一种基于遗传算法的电容成像图像重建方法

提出一种基于遗传算法的电容成像图像重建方法.该方法以线性反投影算法图像重建结果作为初始图像,选取Tikhonov正则化指标作为适应度函数,利用遗传算法对初始图像重新进行优化处理,选择能够更好反映管道中不同相介质所在位置的像素点,并确定这些像素点灰度值的最大最小值,最后根据最大值和最小值确定像素点的灰度值.该算法充分利用遗传算法对低维空间高效的搜索能力,避免了应用遗传算法直接求取各像素点的灰度值,具有较高的效率.数值计算结果表明该算法对两相流不同流型分布具有良好的适应性,与Landweber方法相比,能在更短的计算时间的情况下,取得更好的重建图像.     

基于欧氏距离及向量内积的骨架提取算法

对骨架算法进行研究,提出一种骨架提取算法.通过对图像内部像素点进行距离变换得到其最近边界点的位置,将内部像素点到最近边界点的向量定义为边界向量,根据物体内部相邻边界向量的方向,计算每个像素点的内积值和其8邻域的最小内积值,得到的最小内积点,以确定的阈值从最小内积点中选取骨架种子点,再对骨架种子点进行处理,得到连通的骨架.试验证明这种算法能保证骨架具的完整性和连通性,正确反映物体的拓扑结构.     

基于HSI空间颜色三角形的边缘检测方法

利用像素点的颜色坐标H、S、I构建像素的颜色三角形,计算该三角形的面积和边长.根据面积以及边长的差值确定该像素点是否为彩色图像的边缘点.这种边缘检测方法在一定程度上合理地考虑了个各颜色分量的相关性,将向量空间的计算以自然的方式转换成了标量的计算,在思想上是一种不同于其他算法的新算法.实验证明,与传统的方法相比较,该方法能快速有效地检测出图像的边缘.     

基于颜色与果径特征的苹果树果实检测与分级

苹果是多地的主产水果和主要经济作物之一,通过自然环境下的苹果树图像对苹果检测并分级有助于推进果业现代化。结合深度学习和传统方法,提出融合颜色与果径特征的果实检测与分级算法。为提高果树图像中小目标的检出和光照不匀、果实颜色差异大时检测边框的准确率,基于卷积神经网络提出自然场景下的苹果检测算法,在2组不同尺度的特征图上进行果实检测,提取检测框内图像在CIELAB颜色空间下b*、（1.8b*-L*）颜色分量,将图像二值化并精确提取目标轮廓二次校正检测框。实验结果显示,苹果检测算法的准确率达91.60%,F1-score值达87.62%。据图像内目标大小与实际尺寸的映射方法计算苹果直径,实现果实分级,实验表明分级准确率达90%。     

一种融合纹理信息与图论的图像分割方法

针对未成熟苹果图像果实同背景色彩差距较小导致难以分割效果的问题,提出一种融合纹理信息与图论的图像分割方法。该方法先将图像划分为图像块并计算每个图像块的纹理信息,以图像块为节点利用纹理信息构造权函数得到无向带权图,用基于区域合并的图论图像方法进行分割并二次吸收合并。实验结果表明,在对象和背景色彩接近时,该方法比传统分割法效果好,且改善了分割过细的情况。     

基于遗传神经网络的苹果颜色实时分级方法

介绍了苹果颜色自动分级系统的硬件组成 ,确定了苹果颜色特征的提取方法 ,利用遗传算法实现了多层前向神经网络识别器的学习设计 ,实现了苹果颜色的实时分级 ,并通过实验验证了方法的有效性 .试验结果表明 ,颜色分级识别准确率在 90 %以上 ,分级一个苹果所用的时间为 15 0 ms     

An apple image segmentation method based on a color index obtained by a genetic algorithm

Harvesting and spraying robots based on machine vision have become important in modern agricultural engineering. Fast segmentation of fruit images is the main task of robotic picking and spraying in orchards. In this paper, a color index-based segmentation method for apple images was proposed. It can automatically obtain a specific color index according to the image segmentation task. This method was used to obtain color index and segmentation thresholds for segmenting apple images. The mean pixel segment accuracy, mean intersection over union, mean dice similarity coefficient, and mean segment time was 0.90, 0.81, 0.98, and 20 (ms). The result showed that this method could segment apple in orchard images effectively and fastly. It could be used in precise apple planting management. At the same time, this paper provided a systematic method to get a specific color index.

     

Apple color grading based on organization feature parameters

This paper presents a system for apple color grading into four classes according to standards stipulated in China. To automatically grade apple fruit color, a laboratory machine vision system was developed, which consisted of a color CCD camera equipped with an image grab device, a bi-cone roller device controlled by a stepping motor, and a lighting source. Four images, one for every rotation of 90°, were taken from each apple. Seventeen color feature parameters (FP) were extracted from each apple in the image processing. Three hundred and eighteen “Fuji” apples were examined by the system, and were divided into two sets, with 200 in “Training set” and 118 in “Test set”. A method called organization feature parameter (OFP), based on formulae expression trees by using genetic algorithms (GA), was used in this paper. When the initial FP could not sensitively distinguish among different classes of apples, the FP were organized into one new OFP by using genetic algorithm. By applying the step decision tree algorithm in combination with the OFP method, high grade judgment ratios were achieved in the classification of two of four apple color grades, i.e., ‘Extra’, and ‘Reject’. However, the grade judgment ratio for ‘class I’ and ‘class II’ was relatively low. Compared with BP-ANN and SVM, the OFPs method was more accurate than BP-ANN, but a little lower than SVM for identification results.     

Automatic recognition vision system guided for apple harvesting robot

In apple harvesting robot, the first key part is the machine vision system, which is used to recognize and locate the apples. In this paper, the procedure on how to develop an automatic recognition vision system guided for apple harvesting robot, is proposed. We first use a color charge coupled device camera to capture apple images, and then utilize an industrial computer to process images for recognising fruit. Meanwhile, the vector median filter is applied to remove the color images noise of apple, and images segmentation method based on region growing and color feature is investigated. After that the color feature and shape feature of image are extract, a new classification algorithm based on support vector machine for apple recognition is introduced to improve recognition accuracy and efficiency. Finally, these procedures proposed have been tested on apple harvesting robot under natural conditions in September 2009, and showed a recognition success rate of approximately 89% and average recognition time of 352 ms.     

基于颜色模型和纹理特征的彩色水果图像分割方法

本文介绍了RGB和HIS两种颜色模型,采用色调值H和色差值R-G两个特征值,通过Otsu方法自动获取阈值对自然场景下彩色水果图像进行分割,并对实验结果进行了对比。然后,利用灰度共生矩阵分析了果实和背景的纹理特征,找到了区别果实和背景的纹理特征参数,对果实和背景颜色相似的图像进行分割。实验结果证明,纹理特征和颜色特征两者相辅相成,优势互补,对于包含复杂背景的青苹果图像分割效果比较好。     

基于二维子空间的苹果病害识别方法

如何准确、实时得到苹果病害信息是苹果病害管理的一个重要研究内容。根据苹果叶片症状准确、快速地诊断苹果病害是预防和控制苹果病害的基础。由于苹果同类病害叶片及其病斑图像的形状、颜色和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于苹果叶部病害识别。为此,提出了一种基于二维子空间学习维数约简（2DSLDR）的苹果病害识别方法。该方法将高维空间的观测样本点映射到低维子空间,使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的分类特征。该方法直接作用于叶片图像,不需要计算逆矩阵,从而克服了经典植物病害识别方法中特征提取与选择的难题,避免了经典子空间判别分析中的小样本问题,提高了识别效果。采用该方法对三种常见苹果叶部病害进行识别实验,并与其他苹果病害识别和监督流形学习方法进行比较。实验结果表明,2DSLDR对苹果叶部病害识别是有效可行的,识别精度高达90%以上。     

基于纹理特征与 HSI 空间的苹果识别与标定

在分析了不同图像分割方法的基础上提出了一种基于颜色特征和纹理特征的图像 分割算法,以解决复杂背景下苹果采摘机器人分割目标与背景的问题。通过分析灰度图像的纹 理特征,求取灰度共生矩阵提取特征,以支持向量机分割图像,并结合HSI 颜色空间的色差特 征达到目标和背景分离的效果。通过与单纯的颜色特征分析和纹理特征分析相比较,该方法在 识别率上高于其他分割算法,同时对于颜色与背景相近的果实也能有很好的分割效果。     

Preferred memory and accent colors shown on a display

Abstract— The preferred green‐grass and red (apple, lipstick, sports car) colors shown on the display are investigated using complex images. Ten test images were used in the experiment and each image was transformed using a memory color transformation algorithm to have nine different green‐grass or red colors. The pair comparison method was used to determine the most‐preferred green‐grass and red colors. The green‐grass colors are preferred as the average hue angle approaches 128° (60% green and 40% yellow) in CIECAM02 hue angle with high chroma. For red colors, apple images show high preference when the reproduced red is closer to the unique red. The artificial objects, such as red lipsticks and sports cars are preferred when reproduced with the highest chroma regardless of their hues.