基于Java+OpenCV技术对几何图像颜色与形状识别

通过Java调用OpenCV视觉库实现几何图像颜色、形状识别。将图像转化为HSV颜色空间,按各颜色H、S、V的取值范围分割图像,对分割图像进行滤波处理、灰度处理、二值化、轮廓提取、去除干扰轮廓、轮廓形状拟合、获取轮廓凸点个数、用凸点距离判断形状,从而实现对各种颜色的三角形、圆、矩形、正方形、多边形等几何图像颜色、形状的识别。该方法可应用于现实生活中,例如识别交通信号灯和信号转向灯等有颜色和形状识别的领域。     

城市环境中交通信号灯准确识别与状态估计

根据交通信号灯灯板颜色和形状定位图像中的灯板位置. 将灯板区域的彩色图像转换到YCbCr 空间, 分割灯板区域中的红、黄、绿三色区域, 利用交通信号灯的形态特性定位交通灯位置. 用Gabor 小波和2 维独立分量分析提取感兴趣区域的特征, 送入最近邻分类器分类信号灯的类型. 用代表性的观测序列建立隐马尔科夫模型, 并结合识别和跟踪结果估计信号灯状态. 实验结果表明, 该算法能可靠、准确地识别出信号灯, 并有效地估计出信号灯的状态.     

彩色图像检索方法

对彩色图像的检索进行了研究,提出了彩色图像检索的方法.该方法首先对彩色图像进行聚类,再使用聚类后图像的主颜色进行颜色相似度计算,使用基于奇异值向量的主颜色矩阵进行空间相似度计算,最后给出了基于主颜色的颜色信息和空间分布信息的图像内容相似度计算方法.进行检索时,可根据检索要求自适应地改变颜色和空间分布的权重,增加了系统的有效性.实验结果表明,该方法实现简单,能够更加灵活、准确地描述图像的颜色特征,从而有效提高了图像检索的准确率.     

一种基于机器视觉识别交通灯的方法

本文介绍了一种基于机器视觉识别交通灯的方法。将采集到的道路交通灯图像通过计算相似度定位出交通灯所在的区域,然后采取相应的颜色空间和识别算法,包括：图像分解、颜色空间的变换、颜色识别、图像分割等,来判断交通灯的颜色及其显示的数字。     

融合整体与分块颜色分布的图像检索方法

针对传统的颜色直方图无法反映色彩分布的空间信息这一缺陷,提出了一种以同一颜色构成的最大连通区域及其边缘颜色粗糙度的图像检索方法,并在此基础上将图像间的相似度定义为整体相似度与以图像分块为基础的局部相似度的加权和,以反映人们对图像相似度的判定过程。实验表明,该方法获得了图像颜色的空间分布,并可以根据图像的颜色空间分布是否集中来调整整体相似度的权值,以提高检索性能,同时弥补了颜色直方图无法反映颜色空间分布的不足,提高了检索的准确性。     

基于烟丝颜色模型与烟支模板构造的烟支识别计数

为获得对烟支的高精度识别与计数,通过对烟丝颜色的实验和分析得到烟丝颜色的分布特性,在此基础上分别构造基于HSI颜色空间和RGB颜色空间的烟丝颜色模型,并利用RGB颜色空间中对应的特征向量分割烟支的内部与外部区域．根据烟支图像的特征构造烟支模板,给出基于该模板的烟支识别与计数的算法．该方法通过搜索匹配对分割出的目标区域是否为烟支进行识别与判定．实验结果表明,该算法的识别精度高,能适应一定范围的光学环境变化,鲁棒性得到增强．     

基于感兴趣区域特征提取技术的情感语义研究

提出一种基于感兴趣区域特征提取技术的图像情感语义识别模型.着重论述了感兴趣区域的获取、感兴趣区域与非感兴趣区域权重的确定、从RGB颜色空间到HSV颜色空间的转换算法、加权颜色直方图的统计算法以及最终情感聚类的方法.仿真实验结果表明,该模型所实现的底层特征到高层情感语义映射准确率比传统的颜色特征提取技术的图像情感语义识别模型有很大的提高.     

自然交通场景中的车辆颜色识别

车辆颜色是重要的车辆信息之一,对其进行识别可为智能交通系统中的车辆识别环节提供更为精准丰富的信息.自然场景中光线的变化会对车辆颜色造成影响,致使难以根据RGB图像直接获得车辆的颜色类别.传统的机器学习方法用于车辆颜色识别时,通常依据经验筛选用于分类的图像特征,易导致分类效果有限等问题,且这些方法一般计算量较大,难以获得实时结果.针对自然场景中车辆颜色信息难以获取和描述这一问题,提出了一种基于多色彩空间信息的深度神经网络模型(MultiColor-Net),使用多个不同尺寸滤波器分别对输入图像在RGB颜色空间和HSV颜色空间上进行特征提取,再将上述不同颜色空间中获得的特征组合,通过全连接网络,获得自然交通场景中目标车辆的颜色分类结果.在真实的智能交通数据集上对比ResNet,Inception v3等深度神经网络模型和本文所提出的MultiColor-Net,结果表明,MultiColor-Net相比于单独识别HSV图像,准确率提高了2.45％左右;相比于单独识别RGB图像,准确率提高了0.8％左右.因此,MultiColor-Net模型能够在真实的交通图像数据上取得较高的识别准确率,同时保持较低的计算复杂度.     

一种基于颜色和纹理的图像检索方法

提出了一种基于颜色和纹理的新的图像检索方法.该方法在HSV颜色空间量化过程中,采用一种基于性隶属度的模糊量化方法,使量化结果更接近于人类感知;在提取分块主色的基础上引入一种颜色相邻矩阵,用于述颜色的相对空间分布情况,以提高对图像变形的鲁棒性;还加入图像的纹理信息,最后结合这些颜色和纹理特征行复合图像检索.实验表明,该方法能有效提高图像检索精度.     

煤矿监控图像中脸肤色和模板检测

煤矿监控图像的对比度低、灰度不均匀,使监控图像的处理和识别难度增大.在巷道环境下采集多角度的矿工监控图像,根据脸部肤色区域像素的统计特征,用上下限阈值的方法在HSV颜色空间分割出各种角度的矿工脸部,用半径为2的圆形结构元素进行数学形态学的开启和闭合操作,去除被误分为脸部区域的背景像素;根据脸部灰度分布特征构造了平均脸模板,用相似度函数作为脸部模板匹配的判别函数,检测矿工脸部位置.结果表明,用肤色分割和平均脸部模板匹配方法,可以快速检测出矿工脸部的精确位置.     

色彩聚类在车牌颜色识别中的研究与应用

彩色图像中的色彩聚类和识别在机器视觉环境中的理解、自动化生产过程的导引、交通标志的自动识别等方面有着非常重要的作用。研究的色彩聚类和识别是“车辆牌照自动识别系统”的一个重要部分——车牌颜色识别。论文提出并实现了一种基于特定色彩空间,利用不同颜色的特征值进行色彩聚类和识别的方法。论文事实依据充分,以大量不同背景和不同光照条件下的彩色车牌作为实验数据进行分析、研究,提出了一种有效的、稳健的色彩聚类和识别的方法。     

色彩聚类在车牌颜色识别中的研究与应用

彩色图像中的色彩聚类和识别在机器视觉环境中的理解、自动化生产过程的导引、交通标志的自动识别等方面有着非常重要的作用.研究的色彩聚类和识别是“车辆牌照自动识别系统“的一个重要部分--车牌颜色识别.论文提出并实现了一种基于特定色彩空间,利用不同颜色的特征值进行色彩聚类和识别的方法.论文事实依据充分,以大量不同背景和不同光照条件下的彩色车牌作为实验数据进行分析、研究,提出了一种有效的、稳健的色彩聚类和识别的方法.     

基于区域特征和连接成分的地图规范化算法

地图图像规范化算法是使地图图像同类型对象的某种属性具有相同的表现形式的一种方法或过程，它是地理信息识别的一个重要步骤。根据彩色栅格城市交通地图图像中各类地理要素的特征，提出一种基于区域特征和连接成分的地图图像规范化算法。首先对地图图像中的区域特征进行分析，并建立区域识别测度，实现了区域颜色规范化；再通过对非区域对象的连接成分进行分析，并建立道路识别测度，在区域颜色规范化的基础上，实现了道路颜色规范化。实验结果表明，对于彩色城市交通地图图像，该算法取得了良好的效果。     

基于彩色边缘网格直方图的图像检索方法

边缘是图像局部变化最显著的部分,也是人类理解图像内容的重要线索.本文提出了一种基于彩色边缘特征的图像检索方法,该方法首先利用Canny检测算子提取出原始图像的彩色边缘信息,然后将彩色边缘划分成圆环区域和角形区域,并分别计算出圆环区域和角形区域的颜色直方图;最后综合利用上述圆环区域和角形区域的颜色直方图计算图像间内容的相似度,并进行彩色图像检索.仿真实验表明,该方法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率.     

一种基于HSV空间的彩色边缘图像检索方法

结合重要的彩色图像边缘及人眼视觉特性,提出了一种基于彩色边缘直方图的图像检索方法。该方法首先利用Canny检测算子提取出原始图像的彩色边缘信息,然后将彩色图像边缘转换至符合人眼视觉特性的HSV空间并进行量化处理,再将彩色边缘划分成圆环区域和角形区域,并分别计算出圆环区域和角形区域的颜色直方图,最后综合利用上述圆环区域和角形区域的颜色直方图计算图像间内容的相似度,并进行彩色图像检索。仿真实验表明,该方法能够准确和高效地查找出用户所需内容的彩色图像,并且具有较好的查准率和查全率。     

基于区域特征和连接成分的地图规范化算法

地图图像规范化算法是使地图图像同类型对象的某种属性具有相同的表现形式的一种方法或过程,它是地理信息识别的一个重要步骤。根据彩色栅格城市交通地图图像中各类地理要素的特征,提出一种基于区域特征和连接成分的地图图像规范化算法。首先对地图图像中的区域特征进行分析,并建立区域识别测度,实现了区域颜色规范化;再通过对非区域对象的连接成分进行分析,并建立道路识别测度,在区域颜色规范化的基础上,实现了道路颜色规范化。实验结果表明,对于彩色城市交通地图图像,该算法取得了良好的效果。     

融合颜色属性和空间信息的显著性物体检测

摘 要：目的：提出了一种基于颜色属性和空间信息的显著性物体检测算法,并将其用于交通标志的检测。方法：首先,训练颜色属性得到颜色-像素值分布,据此将图像划分为不同的颜色聚簇,每个聚簇的显著性取决于其空间紧致性。其次,将每个聚簇分割为多个区域,用颜色属性描述子表示每个区域,计算区域的全局对比度。最后,同时考虑区域对比度和相应聚簇的空间紧致性,得到最终的显著图。在此基础上,将交通标志的先验知识转换为自上而下的显著性图,形成任务驱动的显著性模型,对交通标志进行检测。结果：在公开数据集上的测试结果表明,该算法取得最高92%的查准率,优于其它流行的显著性算法。在交通标志数据集上的检测取得了90.7%的正确率。结论：本文提出了一种新的显著性检测算法,同时考虑了区域的颜色和空间信息,在公开数据集上取得了较高的查准率和查全率。在对交通标志的检测中也取得了较好的结果。     

Traffic lights detection and recognition based on multi-feature fusion

Many traffic accidents occurred at intersections are caused by drivers who miss or ignore the traffic signals. In this paper, we present a method dealing with automatic detection of traffic lights that integrates both image processing and support vector machine techniques. Firstly, based on the color characteristics of traffic lights, the paper proposes a method of traffic light segmentation in RGB and HSV color space. And then, according to the geometric features and backplane color information of traffic lights, we design an algorithm to remove false targets in images. Moreover, in order to solve traffic lights diffusion problem, we apply a strategy that we first map the candidate regions onto the original image, then using Otsu algorithm re-extract the target region. Finally, HOG features are extracted from the target regions, and recognized by the trained SVM classifier. Experimental results show that the proposed method has relatively high detection rate and recognition accuracy in different natural scenarios, and is able to meet real-time requirements.     

均匀颜色空间中的免疫荧光图像分析

分析彩色免疫荧光图像可以获得细胞免疫信息,用于辅助研究和医疗诊断。视觉上图像前景荧光区域和背景之间存在明显的颜色差异,在CIE（L^＊,a^＊,b^＊）均匀颜色空间中利用该颜色差异给出了一种像素生长算法用于获取荧光区域。在区域提取的基础上,根据同一细胞不同区域之间的相关性初步识别细胞并计数。