基于先验色彩协方差约束的彩色图像分割

利用矢量活动轮廓C-V模型分割背景亮度高、目标区域亮度低且目标色彩不连续的彩色图像时,目标区域分割效果不理想。针对该问题,构建一种先验色彩协方差与C-V模型相结合的彩色图像分割模型。设计局部Sigmoid函数对曲线演化时的内外部区域能量进行局部处理,提升分割速度。给出先归级后精细的二次分割框架和背景区域处理机制以保证彩色图像的精细分割,解决因亮度而造成的分割歧义问题。实验结果表明,该模型能够快速准确地分割出目标区域,并且分割区域的内部均匀性较好。     

基于核模糊聚类的彩色图像色彩-纹理分割方法

提出了一种利用色彩-纹理综合特征进行彩色图像分割的新方法。首先利用HSI色彩模型提取图像的色彩信息,其次,采用与方向无关的Gabor变换对彩色图像的强度信息进行处理,提取图像的纹理基元。根据上述过程所获得的色彩-纹理特征,采用核模糊聚类方法实现彩色图像的自动分割。实验结果表明,所提出的方法综合利用了图像的色彩、纹理信息,使彩色图像的分割结果更准确。     

皮肤红斑彩色图像分割的降维方法研究

论文通过在HSV色彩空间分析皮肤红斑彩色图像的颜色分布特征,提出了适用于皮肤红斑彩色图像分割的一维特征参量,并将该特征参量用于模糊c均值聚类算法,对红斑彩色图像进行了分割实验。实验结果表明,与用其它特征参量的图像分割实验相比,使用该特征参量可以提高分割速度和分割正确率。     

基于多FART神经网络的彩色图像分割

提出了一种适用于彩色图像分割技术的多模糊自适应谐振(FART)神经网络结构.网络的输入为RGB色彩空间的彩色图像,并将其转换为HSV色彩空间的三组彩色分量-色调,亮度和饱和度,而后利用多FART神经网络的分类能力,将三组分量进行分类的图像输入到决策层,经过融合和分割处理后,最终得到正确的彩色分割图像.与彩色分水岭算法相比,采用上述图像分割算法得到了较好的分割效果.     

基于PCA的彩色印刷图像色彩分割算法

针对彩色图像的印刷过程中,原图像的色彩分割问题,提出了基于PCA(主成分分析)并结合其它典型彩色图像分割方法的新分割算法;该算法首先利用PCA算法把图像分解为主特征分量和残特征分量两分量图;然后采用二次分水岭算法对残特征分量图进行分割;利用K-Means算法对主特征分量图进行聚类初分割,接着对聚类初分割后的图像进行相似色彩区域融合;最后把分割后的两分量图的进行融合,得到最终的分割结果图;该算法可以应用于彩色印刷图像的色彩自动分割和彩色印刷过程的自动色彩控制中。     

基于YCbCr空间的亮度自适应肤色检测

本文针对复杂背景彩色图像提出了一种基于YCbCr颜色空间的自适应肤色检测算法.该算法从两个方面考虑了抗光照问题:采用非线性分段色彩变换和基于Fisher评价准则的自适应阈值分割方法减小亮度的影响.实验结果表明,该算法复杂度较小,对光照变化具有很好的鲁棒性.     

基于特征变换的珍珠图像分割方法

分析和比较了现有几种颜色特征的描述方法,提出了一种基于亮度特征、彩色特征及梯度特征的彩色图像特征变换法,并应用于珍珠图像的分割中。     

一种彩色纹理图像的分割方法

纹理分析一直是图像理解和计算机视觉等领域研究的重点和难点,现有的纹理分割方法大多集中于研究灰度纹理图像,文中提出一种基于分形理论的BP神经网络原彩色纹理图像分割方法,该方法将彩色图像由RGB色彩空间转换为HSI色彩空间,根据亮度计算分数维、多重分形广义维数谱q-D（q)和“空隙”等纹理特征,同时加入归一化的色度和饱和度作为另外两个分类特征,采用经过有监督训练的BP神经网络作为分类器,通过对纹理图像的分割实验,结果证实该方法行之有效。     

一种彩色图像快速分割方法

提出一种基于HSI和FCM的彩色图像快速分割算法CISHF.首先将彩色图像从RGB色彩空间转换到HSI空间,然后联合利用S(饱和度)分量和 I(亮度)分量进行粗分割,最后针对H(色调)分量进行模糊聚类.根据色调数据的特点,修正了样本数据到聚类中心的距离计算公式,给出统计有效样本权重的算法,对于有效色调值进行样本加权聚类,加快了聚类速度.实验表明,CISHF算法的运算性能大大高于标准FCM算法,获得了较好的彩色图像分割效果.     

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。     

Color segmentation robust to brightness variations by using B-spline curve modeling

Color segmentation takes a great attention because color is an effective and robust visual cue for characterizing an object from the others. However, color segmentation suffers from color variations incurred by irregular illumination changes. We propose a reliable color modeling approach in hue–saturation–intensity (HSI) color space while considering intensity information by adopting the B-spline curve fitting to make a mathematical model for statistical characteristics of a color with respect to intensity. It is based on the fact that color distribution of a single-colored object is not invariant with respect to brightness variations even in the HS (hue–saturation) plane. The statistical characteristics contain the mean and standard deviation of hue and saturation with respect to intensity. They are mathematically expressed as four bar graphs. In order to fit the bar graphs to continuous curves, we use B-spline curve fitting procedure. From several experimental results, we verify that the proposed algorithm is successfully applied to color segmentation under various illumination conditions.     

基于HIS空间的彩色图象分割

提出了一种基于HIS空间的彩色图象自动分割算法．在这个算法中，彩色图象首先被转化到HIS颜色空间．图像分解成彩色通道(H和S分量)和亮度通道(1分量)．我们对彩色通道采用基于J-图象的自动分割算法进行分割．对亮度通道采用水线阈值算法进行分割，然后将分割后的结果进行组合．得到最终分割结果．试验表明，这种方法计算快速简单．是一种高效的自动算法。     

基于色度偏差和亮度偏差的运动目标检测方法

论述了一种实时的前景一背景分割运动目标检测方法.用中值法获得背景模型;为避免规范化色彩的不确定性,背景图像像素点的亮度被比例缩放为当前帧对应像素点的亮度,在此基础上求出色度偏差,并基于当前帧和背景帧的颜色偏差和亮度偏差来检测目标;最后用数学形态学滤波及连通分量分析的方法进行去噪、区域连通等后处理.方法建立了科学的亮度与颜色的关系模型,充分利用了图像的灰度信息和色彩信息.实验表明,方法具有很好的检测效果.     

基于改进HVS的水稻杂草图像分割算法

研究水稻杂草图像分割问题,提高分割的准确性。水稻在颜色和形态上与杂草像素差异很小,造成二维图像像素重叠。传统的基于颜色和形态模型的分割算法,在这种情况下,很难准确的对混合杂草的水稻图像进行准确分割。针对分割效果不准确的问题,提出一种基于改进HVS模型的水稻杂草分割算法。通过在传统模型中加入图像亮度特性、像素频率特性、颜色的感知特性,以改进传统的水稻视觉图像模型。避免了传统分割算法对颜色和形态特征过度依赖的弊端。实验证明,利用改进后的图像视觉模型能够在重叠、间隔的水稻图像中,准确的分割杂草图像,取得了令人满意的结果。     

基于HIS模型的火焰图像分割算法研究

在火灾识别系统中,为了更加方便地进行色彩与轮廓的处理和识别,将HIS模型作为基本的颜色空间,HIS模型是从人的视觉系统出发,用色调、饱和度和亮度来描述色彩的,最后提出了基于HIS模型的火灾图像分割算法。     

语义分割和HSV色彩空间引导的低光照图像增强

目的 低光照图像增强是图像处理中的基本任务之一。虽然已经提出了各种方法,但它们往往无法在视觉上产生吸引人的结果,这些图像存在细节不清晰、对比度不高和色彩失真等问题,同时也对后续目标检测、语义分割等任务有不利影响。针对上述问题,提出一种语义分割和HSV（hue,saturation and value）色彩空间引导的低光照图像增强方法。方法 首先提出一个迭代图像增强网络,逐步学习低光照图像与增强图像之间像素级的最佳映射,同时为了在增强过程中保留语义信息,引入一个无监督的语义分割网络并计算语义损失,该网络不需要昂贵的分割注释。为了进一步解决色彩失真问题,在训练时利用HSV色彩空间设计HSV损失;为了解决低光照图像增强中出现细节不清晰的问题,设计了空间一致性损失,使增强图像与对应的低光照图像尽可能细节一致。最终,本文的总损失函数由5个损失函数组成。结果 将本文方法与LIME（low-light image enhancement）、RetinexNet（deep retinex decomposition）、EnlightenGAN（deep light enhancement using generative adversarial networks）、Zero-DCE（zero-reference deep curve estimation）和SGZ（semantic-guided zero-shot learning）5种方法进行了比较。在峰值信噪比（peak signal-to noise ratio,PSNR）上,本文方法平均比Zero-DCE（zero-reference deep curve estimation）提高了0.32dB;在自然图像质量评价（natural image quality evaluation,NIQE）方面,本文方法比EnlightenGAN提高了6%。从主观上看,本文方法具有更好的视觉效果。结论 本文所提出的低光照图像增强方法能有效解决细节不清晰、色彩失真等问题,具有一定的应用价值。     

Dynamic Texture Detection Based on Motion Analysis

Motion estimation is usually based on the brightness constancy assumption. This assumption holds well for rigid objects with a Lambertian surface, but it is less appropriate for fluid and gaseous materials. For these materials an alternative assumption is required. This work examines three possible alternatives: gradient constancy, color constancy and brightness conservation (under this assumption the brightness of an object can diffuse to its neighborhood). Brightness conservation and color constancy are found to be adequate models. We propose a method for detecting regions of dynamic texture in image sequences. Accurate segmentation into regions of static and dynamic texture is achieved using a level set scheme. The level set function separates each image into regions that obey brightness constancy and regions that obey the alternative assumption. We show that the method can be simplified to obtain a less robust but fast algorithm, capable of real-time performance. Experimental results demonstrate accurate segmentation by the full level set scheme, as well as by the simplified method. The experiments included challenging image sequences, in which color or geometry cues by themselves would be insufficient.     

一种基于CB模型的彩色图像分割方法

CB模型是一种把图像分为色度和亮度方面的彩色模型,对图像进行分割去噪时可以很好地保留图像的细节和边缘。首先把一幅含有噪声的彩色图像分割成几何和摆动部分（纹理和噪声）,然后利用CB模型分别在色度和亮度两个通道上求几何和摆动部分,再合成图像的几何和摆动部分,其中几何部分即图像去噪后的图像。实验证明CB模型可以快速准确地分割出目标,消除图像的噪声部分,是一种有效的图像分割方法。     

运用自适应球体模型实现肤色动态分割

提出一种用于变化光照、多姿态和复杂背景条件下人脸识别的肤色区域动态分割算法。对彩色人脸输入图进行色偏校正和亮度调节预处理,利用肤色聚类特性构建一种自适应球体肤色模型,并基于该模型计算自适应肤色相似度,利用肤色相似度,采用自适应的动态阈值进行肤色区域目标的分割和提取。实验结果表明,对于变化光照、多姿态和复杂背景的彩色人脸图像,该算法有良好的分割精度和自适应性。     

对彩色和亮度通道进行各向异性扩散的彩色图像分割

提出了一种利用各向异性扩散和平均值位移聚类的彩色图像分割的逄法。它主要的思想是把一幅彩色图像分成彩色通道和亮度通道，再分别对两种通道进行各向异性扩散，然后再利用平均值位移算法进行聚类分割，最后把两者的结果合并起来就可得到最后的分割结果。在这种算法中，各向异性扩散起着去噪、增强和粗分割的作用，它让一幅图中彩色信息更均匀。平均值位移在扩散的基础上，作最后的分割处理。使用CIE L*u*v*色彩空间作为图像的表示进行分割，能很有效地有彩色分量上分割出彩色区域，而彩色信息区别不明显的区域则可以通过对亮度信息分割得到。实验数据表明，它是一种有效、稳定、健壮的算法。