基于颜色聚类和多帧融合的视频文字识别方法

提出一种基于颜色聚类和多帧融合的视频文字识别方法,首先,在视频文字检测模块,综合考虑了文字区域的两个显著特征:一致的颜色和密集的边缘,利用近邻传播聚类算法,根据图像中边缘颜色的复杂程度,自适应地把彩色边缘分解到若干边缘子图中去,使得在各个子图中检测文字区域更为准确.其次,在视频文字增强模块,基于文字笔画强度图过滤掉模糊的文字区域,并综合平均融合和最小值融合的优点,对在不同视频帧中检测到的、包含相同内容的文字区域进行融合,能够得到背景更为平滑、笔画更为清晰的文字区域图像.最后,在视频文字提取模块,通过自适应地选取具有较高文字对比度的颜色分量进行二值化,能够取得比现有方法更好的二值化结果;另一方面,基于图像中背景与文字的颜色差异,利用颜色聚类的方法去除噪声,能够有效地提高文字识别率.实验结果表明,该方法能够比现有方法取得更好的文字识别结果.     

基于区域特征分析的快速FCM图像分割改进算法

提出一种基于图像区域特征估计聚类数的快速FCM图像分割算法。在算法的预测分析阶段, 利用由共生矩阵统计值所构成的特征矢量描述图像中区域特征并结合多个聚类有效性判定函数实现准确的聚类数估计和隶属度矩阵值的初始化。在主聚类阶段,采用Gabor滤波器提取的颜色纹理隐式混合特征进行聚类,不但能获得更加合理的区域分割质量,同时也具有较好的抗噪声能力。实验表明改进算法有效克服基于像素点级特征的FCM图像分割算法在聚类数估计和隶属度矩阵初始化方面的不足,加快FCM主聚类阶段的迭代速度,执行效率更高。     

基于局部显著特征的快速图像配准方法

针对SIFT算法在进行图像配准时存在提取特征点数目大、无法精确控制、运算速度慢、配准点精度不高的问题,提出一种基于局部显著特征的快速图像配准方法。该方法首先对原始图像和待配准图像进行降采样,对降采样图像分别提取SIFT特征点,并对特征点运用改进的K-means聚类算法进行聚类;然后利用聚类结果筛选聚类区域,在各聚类区域提取显著特征点进行粗匹配;最后利用显著特征点在原始图像中定位显著区域,对所得显著区域进行精配准。实验结果表明,该方法减少了图像匹配时间,控制了特征点数量,在保证匹配准确度的同时,有效地提高了特征匹配的效率。     

基于空间模式聚类最大熵图像分割算法研究

研究图像分割优化问题,在分割图像中,提取信息受到各种因素影响,分割效果不理想。针对图像分割计算复杂,造成图像分割分辨率低,清晰度不高。同时,当图像中的信息量非常大时,图像分割非常耗时。为了有效地分割图像,提出了一种基于空间模式聚类和最大熵算法原理相结合的图像分割方法。首先对图像采用最大熵算法进行图像分割,为每个熵区域定义特征量。根据不同的特征量计算相似区域之间的欧氏距离和空间距离,从而确定像素聚类中心的距离。然后对分割后的图像区域采用基于空间模式聚类方案进行合并,并对图像进行二值化处理。仿真表明与传统图像分割相比,提高了分割效率,分割出的图像边缘效果清晰,证明了算法的可行性和有效性。     

基于聚类与边缘检测的自然场景文本提取方法

为了解决复杂自然场景、光照不均匀及背景纹理丰富图像中文本的有效提取,提出一种基于K-means聚类与边缘检测结合的自然场景文本提取方法.该方法通过改进K-means聚类算法,实现文本区域的分割;然后对分割后的图像进行二值子图分解,将分解后的各子图像的连通区域进行标记与分析,得到候选的字符区域;最后利用文本区域的边缘特征对候选字符区域过滤,实现文本字符的提取.实验结果表明,该方法能有效提取出复杂背景、光照影响及背景纹理丰富图像中的文本字符区域.     

快速鲁棒的交通标志检测方法

如何从实景中有效地提取出交通标志是交通标志识别系统的关键,在分析中国道路限速交通标志的颜色和几何形状两种先验特征的基础上,以一种新的颜色滤波方法为基础,获得红色像素在Lab颜色空间中聚类范围的椭圆模型,提取出图像中的红色区域,得到二值化图像,然后采用基于梯度信息的Hough变换圆检测方法获得二值化图像中的圆和椭圆区域,从而实现一种将交通标志先验特征与机器学习算法相融合的智能检测方法。     

基于多特征融合的甲骨文字采集算法

该文研究了一种从甲骨文图片、图像中提取甲骨文字轮廓的算法,该算法充分考虑了甲骨文字的图像特征和文字特征,采用数据挖掘中的K-mean聚类算法对甲骨文图像中的数据进行分析,消除了在甲骨文字的采集过程中的失真现象,从而形成正确的文字轮廓,更方便于甲骨文字的提取、编辑和使用。     

基于语义区域提取的图像重排

针对目前图像搜索引擎难以正确把握用户真正意图的问题, 从爬虫Web图像搜索引擎检索结果入手,提出三种聚类算法来提取海量Web图像中的语义区域. 这三种聚类算法包括确定初始化中心的K-means聚类、确定参数的最大期望聚类以及基于半监督的K-means聚类算法. 然后选取显著值较大的显著区域作为语义区域.实验分析比较了三种聚类算法的有效性, 最终实现的图像重排系统能比网络搜索引擎更好地反馈给用户精确而且有序的查询结果.     

低层特征获取高层语义的图像检索

首先采用基于颜色聚类的方法将图像分割成区域,提取每个区域的Gabor小波纹理特征和灰度共生矩阵纹理特征,接着采用信息熵对特征进行选择,使用选择后的特征对图像区域进行聚类,得到每幅图像的语义特征向量;然后提出遗传模糊C均值算法对图像进行聚类。在图像检索时,查询图像和聚类中心比较,在距离最小的类中进行检索。实验表明,提出的方法可以明显提高检索效率,提高了检索的精度。     

一种融合聚类与区域生长的彩色图像分割方法

论文提出了一种将聚类和区域生长有机融合的彩色图像分割方法。为了捕获图像的纹理特征,首先将图像划分成16×16子块,然后在块中按照视觉一致性准则进行颜色聚类,对于聚类后的子块,提取其颜色与纹理特征,然后采用符合人类视觉特征的生长规则,进行基于子块的区域生长。该方法充分利用了聚类算法和区域生长算法的各自优点,并符合人类视觉特征的分割策略。利用提出的算法对多幅自然图像进行了分割实验,实验结果证明了算法的有效性。     

用于文本区域提取的边缘像素聚类方法

根据边缘点的位置和颜色信息采取逐步松弛的聚类方法将图像分割成像素子集,应用文本区域边缘的分布特征提取初始文本区,并进行边界扩展得到完整的文本区域;同时给出了一种文本区域二值化方法,减少了在文本颜色极性未知时的二值图像个数,可提高字符分割等后续处理的计算效率.实验结果表明,该方法对文本区域提取是有效的,提取完整率达99%.     

基于图理论聚类和二值纹理分析技术的彩色文本图像二值化方法

为了有效地对彩色文本图像进行分割，提出了一种复杂背景下彩色图像中文本一背景分离的新方法。该方法首先应用颜色空间降维以及基于图理论的颜色聚类对彩色文本图像进行聚类，并对应于聚类结果获得一系列二值图像，这些二值图像以及它们之间的组合就构成了二值化的待选结果；然后对与游程直方图以及空间-尺寸分布相关的两类纹理特征进行分析，并结合线性判别分析分类器来从待选的二值图像中选取出具有最佳文本背景分离效果的二值图像。实验结果显示，该方法的：二值化效果比现有方法有显著提高，因而能更有效地对具有复杂背景的彩色文本图像进行分割。     

基于分块聚类的车牌图像二值化方法

利用车牌图像中车牌部分所占比例小、车牌字符与底色灰度对比度大的特点,为运算简单,易识别定位,提出了一种基于分块聚类的车牌图像的二值化方法。方法先将整幅灰度车牌图像等分成多个小块,对每个小块中的像素点根据其灰度值进行聚类,再将聚类结果二值化而得到各小块的二值化结果,合成各小块的二值化结果得到整幅车牌图像的二值图像。实验结果表明,与OTSU二值化方法相比,不仅经该方法处理得到的二值图像能很好地体现车牌特征、有效地降低车牌图像背景的复杂性,而且方法更适用于处理非正常光照条件下的车牌图像。在此基础上能有效地提高车牌定位系统的实时性和适应性。     

基于颜色聚类的计算机桌面图像压缩算法

针对计算机桌面图像压缩问题,提出一种基于颜色聚类的图像压缩算法。将桌面图像划分成16×16的非重叠块,归为文本/图形块、自然图像块及混合块3类。对色彩丰富文本/图形块进行颜色聚类,以降低块的颜色种类数,并做无损压缩。对自然图像块采用H.264帧内预测编码方法,对混合块采用混合编码方法。实验结果表明,该算法所得图像的峰值信噪比和结构相似度均高于传统算法。     

一种基于数字签名的二值图像认证算法

为了实现对二值文本图像内容的全面保护,提出一种新的基于数字签名的二值图像认证算法。算法用数字签名实现对均匀块的认证,用归一化预处理实现对非均匀块的认证,通过两者联合认证来消除虚警。理论分析和实验结果表明,该算法仅需要附加极短的签名信息,就可以实现对二值文本图像内容的全面保护,在保证良好视觉效果的前提下,具有良好的窜改检测和窜改定位能力。     

基于颜色和笔画特征的文本分割算法

自动提取图像中的文本对图像视频检索具有重要意义.提出了一种基于颜色和笔画特征,应用无监督聚类方法进行复杂背景下的文本分割算法.首先在对文本行图像增强的基础上,应用颜色约减和直方图确定文本颜色.然后提取颜色和笔画特征,应用k-均值聚类算法分割出文本和背景像素.最后应用后处理优化分割结果.实验表明,该算法具有较好的分割效果.     

一种用于认证二值文本图像窜改定位的数字水印算法

众多二值文本图像水印算法在嵌入水印时,都要对黑色像素进行变动,很容易引起图像失真,为解决此问题,提出一种新的水印算法,该算法按行列统计文本黑色像素信息并生成水印,将水印编码与差错控制码绑定,将文本分块,利用不可视黄点表征水印嵌入文本空白处。实验结果表明,嵌入水印后,图像效果良好,水印提取实现了盲提取,并具有完整性鉴定和窜改定位的功能。     

利用小波和分层聚类进行彩色图像分割

提出了一种有效的基于颜色和位置相关信息的图像分割方法。图像以块为单位进行划分，在YUV空间，提取块的颜色特征，并对每小块进行小波变换，获得其小波能量特征。将颜色特征和能量特征作为每小块的特征向量，采用分层聚类的方法进行区域的合并。该方法在聚类过程中考虑了小块的位置关系，并能最终自动确定聚类的类别数。     

基于鲁棒图像水印的文本信息加密技术

通过利用一个新视觉模型计算图像分块的临界噪声阈值矩JND阵,提出了一个基于分块DWT的图像自适应公开水印技术的文本信息加密算法。该算法以一个文本文件为水印,先对文本文件进行Reed-Solomon纠错编码,再转换为二值序列作为水印,并进行随机置乱。然后在原图像8×8分块的Hilbert扫描序列中选取两相邻块分别进行一层DWT,再根据各分块JND阈值,不同强度地调整两相邻块各对应细节子带均值之间的大小关系以自适应地嵌入水印。实验结果表明,即使在较低的峰值信噪比下嵌入水印也具有很好的透明性,同时,该算法对16种常见图像攻击有较高的鲁棒性,特别是信号增强操作处理几乎不影响加密信息的正确提取。     

基于卷积神经网络和二进制K-means的图像快速聚类

当前主流的图像聚类方法采用的视觉特征缺乏自主学习能力,导致其图像表达能力不强,而且传统的聚类算法计算复杂度较高,聚类效率低,难以适应大数据环境。针对这些问题,本文提出了一种基于卷积神经网络和二进制K-means的图像快速聚类方法。首先,利用卷积神经网络学习图像内容的内在隐含关系,得到图像高阶特征,增强特征的视觉表达能力和区分性;然后,利用哈希方法将高维图像特征映射为低维二进制哈希码,并通过对聚类中心构造多索引哈希表来加速寻找最近的聚类中心,以降低时间复杂度;最后,利用二进制K-means完成二进制哈希码的快速聚类。在ImageNet-1000图像集上的实验结果表明,本文方法能够有效地增强图像特征的表达能力、提高图像聚类效率、性能优于当前主流方法。