基于高温辐射体颜色信息的目标图像识别方法

鉴于准确识别待测目标是利用CCD图像传感器进行高温测量的关键,为此在对高温辐射体彩色图像的噪声特点进行分析的基础上,提出了一种基于高温辐射体颜色信息的目标图像识别方法。该方法首先通过对红、绿基色图像分别进行分割来减小甚至消除高温辐射体图像的各种噪声;然后综合红、绿基色图像的分割结果实现高温辐射体的准确识别,并运用数学形态学方法对分割结果进行后处理,以消除游离点和孔洞,使图像边缘平滑。实验结果表明,该方法可以有效地实现高温辐射体的正确识别,具有较强的实用性。     

高温辐射体目标图像的组合识别方法

针对工业现场所拍摄的高温熔体表面覆盖有大量烟雾且难以有效分割的状况,提出一种目标图像的组合识别方法,即先采用分色分割算法去除杂散光、光晕和雾状、点状噪声等干扰,然后用改进的最大类间方差算法分割高温目标图像,并运用数学形态学方法对分割结果进行后处理以消除游离点和孔洞,使图像边缘平滑。实验结果表明,该方法能够有效地分割出目标图像,并减小目标图像所受的噪声干扰,有较强的实用性。     

基于HSV空间的彩色图像分割

彩色图像分割是彩色图像处理和图像识别的重要问题,彩色图像分割可以看成是灰度图像分割技术在各种颜色空间上的应用。根据HSV颜色空间颜色和亮度无关,将彩色图像从RGB空间变换到HSV空间,然后经过H分割对绿色信息进行提取得到分割结果。试验表明,这是一种计算高效的分割算法。     

基于物理模型的彩色图像分割

本文给出一个基于光学物理模型的真实彩色图像分割算法.算法首先对图像上的颜色变化(由光照和物体颜色引起)进行分析与综合,然后分割图像.算法的基础是双色反射模型理论,该理论认为反射光的颜色是界面反射(耀斑颜色)和本体反射(物体颜色)的线性组合,这两种反射光在颜色空间的三维直方图中形成特定的聚类(点簇).因此分析聚类的性质可帮助确定光照和物体的颜色,但是有意义的聚类的生成又以图像中物体区域的确定为前提.算法按照假设检验的策略,依据图像中的连通性和颜色空间中聚类的特征,完成彩色图像的分割,并产生对景物中所发生的光学过程的物理描述.该描述包括本征反射图像、分割图像、物体和光照颜色的符号描述.本征反射图像包括只反映界面反射的耀斑图像和从原图像中去除耀斑影响后的本体图像.     

彩色图像分割研究进展

1 引言分割是图像分析的初始步骤之一,也是图像处理最原始的问题,几乎自数字图像处理问世不久,人们就开始了图像分割技术的研究,并取得了相当的进展和成功。但由于它的复杂性,有许多问题没有很好地解决,因此人们至今还一直在努力发展新的、更有潜力的分割算法,以期实现更通用、更完美的分割结果。彩色图像的分割可以通过计算图像中彩色信息的统计特征来实现,与灰度图像相比,彩色图像不仅包含亮度信息,而且还有更多有效信息,比如色调、饱和度。实际上,同样是物的灰度图像所包含的信息     

基于彩色图像分割的机器人足球目标识别

研究了机器人足球视觉系统中基于彩色图像分割的目标识别的方法。为了适应光照条件的变化，采用分离出亮度信息的YUV颜色空间；将彩色图像分割分为离线的颜色分类和实时的分割、识别两个部分，并采用最大似然法完成颜色的自动分类，满足了机器人足球视觉系统实时、准确的要求。试验证明，在光照条件改变的情况下能够有效地进行目标识别。     

多干扰高温辐射体图像目标的分类识别方法

在基于CCD图像传感器的非接触高温温度场软测量中,为了计算高温图像目标的温度,必须先从辐射图像中准确识别待测目标。由于工业现场采集的高温熔体图像中存在多种噪声,导致图像目标难以准确识别。提出一种目标图像分类识别方法,即先利用多光谱图像分割方法来减少甚至消除各种高温噪声;然后运用改进的最大类间方差法进一步分割以去除烟雾干扰;最后运用数学形态学方法消除分割图像中的游离点和孔洞,使目标边缘光滑。实验结果表明,该方法能够从多种干扰图像中准确识别出高温辐射体图像目标,有较强的实用性。     

基于直方图分割的彩色图像增强算法

针对直方图均衡化直接对彩色图像处理会导致图像色彩失真的情况,在对传统的直方图均衡化方法进行改进的基础上,提出了一种新的带色彩恢复的均衡化算法。该算法对于彩色图像R,G,B各个分量子图的灰度直方图,首先根据其灰度中值和分割直方图等面积原则进行两次分割,同时对分割后的各子灰度直方图分别进行均衡化处理;然后通过计算R,G,B各分量子图的灰度级总数占原彩色图像灰度级总数的比例,将均衡化处理后的R,G,B各分量子图进行合并。实验表明,该算法对彩色图像处理具有较好的增强处理效果。     

基于PCNN的彩色图像分割新方法

20世纪90年代发展起来的新一代神经网络——脉冲耦合神经网络(PCNN)模型特别适合于图像处理的各个方面,但是它一直只应用于灰度图像的处理上。有鉴于此,论文对PCNN在彩色图像分割上的应用进行了研究,将彩色图像空间变换成三个相互独立的分量,分别应用PCNN在灰度图像上已有的成熟的方法,得到了彩色图像的边缘信息,从而达到了彩色图像分割的效果。     

基于随机区域合并的自动彩色图像分割算法

针对彩色图像分割精度不高的问题,提出了一种具备多尺度空间约束的自动彩色图像分割算法。基于改进的随机区域合并方法,该算法首先实施双边分解并执行基于多通道信息和多尺度梯度的过度分割;然后,在CIE L*a*b*颜色空间中使用规范化的颜色直方图来表示每个子区域,构造一个基于过度分割结果的区域邻接图;最后,在区域邻接图上执行具备空间约束条件的随机区域合并策略,为每个尺度构造一张分割图。在BSDS图像数据库中进行 对比实验,结果表明,在直接视觉对比和量化分析上,相比现有的分割算法,所提方法表现出了更好的分割效果。     

基于RGB颜色空间的彩色图像分割方法

传统的图像阈值分割算法是将彩色图像转换为灰度图像再进行分割。通过分析RGB颜色空间的特点,本文提出基于RGB颜色空间的阈值分割算法,采用新的判定准则,在颜色空间中以立方体取代原来的四面体,直接对彩色图像进行分割。分析和实验证明,改进的判断准则能够克服由于灰度转换造成颜色信息丢失而引起的误判,在保证原有阈值分割算法快速、简单的前提下,能够对彩色图像进行更为准确的分割。算法适用于目标颜色为黑色的情况,并可以推广到目标颜色为其它颜色的情况。     

基于色彩空间变换的彩色图像分割方法

彩色图像是当今数字图像的主要表现形式之一，彩色图像分割是图像处理的热点与难点问题之一。针对彩色图像分割的精度与速度问题，提出了一种基于色彩空间变换的彩色图像分割方法。该色彩空间重在突出图像三分量间的差异，从而充分利用彩色信息。同时，分割方法以向量化图像为对象，从背景去除的思想出发，采用分裂Bregman快速求解算法，从而达到高效分割的目的。数值实验表明，该方法能有效分割出图像的所有目标区域，分割区域较为完整，结果具有较高的精度。     

一种基于Fuzzy ART的层次化彩色图像分割算法

针对传统彩色图像分割中出现的单纯利用颜色空间,只考虑图像的全局分布,或是只考虑图像的局部区域和边缘信息等问题,提出了一种基于Fuzzy-ART模型的层次化彩色图像分割算法。该算法有效地利用图像的亮度空间分布、细节信息以及颜色空间信息,对图像进行分级特征提取,利用Fuzzy-ART模型基于人类视觉特性的稳定、快速的在线学习和记忆能力,对图像进行层次化的区域划分,形成对图像的分层表达方式,从而达到良好的分割效果;将其与FFCM算法进行比较,取得了较好的结果。     

基于云模型的彩色图像分割方法

以云模型理论为基础分析彩色图像分割概念,研究已有的彩色图像分割方法,并与云模型相结合,提出基于云模型的彩色图像分割方法。该方法在HSV颜色空间对彩色图像进行非均匀量化,并寻找量化后图像的基本直方图,最后通过云模型的“3En规则”对图像进行前景/背景分割。通过与K均值算法、IS-RSC算法进行比较,实验结果表明了该方法对彩色图像分割的有效性。     

基于模糊技术的彩色图像分割方法

由于彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到人们越来越多的关注。彩色图像分割是彩色图像处理的重要问题,目前对彩色图像的分割已提出了许多种算法,在这些算法中由于模糊技术能很好地表达和处理不确定性问题,因此在彩色图像分割领域会有更广阔的应用前景。本文主要介绍了基于模糊技术的模糊阈值分割法、模糊聚类分割法和模糊连接度分割法。     

基于综合特征的图像分割

文章提出了一种有效的基于颜色和纹理综合特征的图像分割方法。将图像以块为单位进行划分,在YUV空间,提取块的颜色特征和纹理特征,在这种综合特征基础上,采用改进的K均值聚类法进行图像分割。该方法能自适应确定聚类中的参数,且兼顾点的位置连通关系,从而达到了较好的分割效果。     

避免完美分割的图像识别方法

在目标大小已知、视点相同的情况下,通过对输入图像中各个与目标大小相同的子窗口进行局部分割,并确定每一子窗口局部分割结果与目标模板间的公共区域,分别提取两者在极坐标下的特征,根据两者特征的相似性,在一定的相似性门限下,实现对子窗口的识别。实验证明,该方法在背景复杂、目标分割质量较差的情况下,仍能取得较好的识别效果。     

基于PCA矢量形态学的彩色图像分割方法

基于HSV彩色模型,提出一种基于主量成分分析的矢量排序新方法。将彩色图像描述为矢量空间,则像素点作为矢量处理,根据相应彩色矢量对主量轴的投影值进行排序。采用这种统计特征排序方案,定义新的上下确界与彩色形态算子,将其应用于彩色图像分割,能得到与视觉判断相一致的分割结果。实验表明,该算法具有出色的矢量保持能力,与标准的彩色形态学算子相比,显示了更优的分割性能与较好鲁棒性能。