CN101714257A - 图像主颜色特征提取和结构化描述的方法 - Google Patents
图像主颜色特征提取和结构化描述的方法 Download PDFInfo
- Publication number
- CN101714257A CN101714257A CN200910200590A CN200910200590A CN101714257A CN 101714257 A CN101714257 A CN 101714257A CN 200910200590 A CN200910200590 A CN 200910200590A CN 200910200590 A CN200910200590 A CN 200910200590A CN 101714257 A CN101714257 A CN 101714257A
- Authority
- CN
- China
- Prior art keywords
- color
- image
- main
- main color
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种图像主颜色特征提取和结构化描述的方法,其中包括输入待处理图像、选择颜色空间、在颜色空间中对图像颜色进行量化、计算归一化的颜色直方图并得到每种颜色的像素数目占整个图像像素数目的百分比、根据百分比获得图像的主颜色、计算主颜色方差和空间相关性、对图像的主颜色特征进行编码并得到关于图像主颜色特征的描述。采用了该种图像主颜色特征提取和结构化描述的方法,通过比较两幅图像主颜色特征之间的相似程度来判别两幅图像的相似性,快速查找到相同或相似的图像,处理过程简单方便,工作性能稳定可靠,对提高图像检索效率和质量、增强对图像分析和理解能力有重要作用,适用范围较为广泛,广泛用于图像检索、机器视觉和智能视频监控领域。
Description
技术领域
本发明涉及图像处理领域,特别涉及图像颜色特征处理技术领域,具体是指一种图像主颜色特征提取和结构化描述的方法。
背景技术
随着计算机处理能力日益增强、因特网(Internet)技术的广泛普及和网络带宽不断提高,大量的图像信息不断地产生。如何从这些海量图像数据中搜索人们感兴趣的图像并有效利用这些图像,成为迫切需要解决的问题。基于内容的图像检索(CBIR)是解决这一问题的重要技术之一。基于内容的图像检索是指利用图像内容特征(包括颜色特征、形状特征、纹理特征)对图像进行查询。
现有技术中,申请号为00803530.X的中国专利文献中公开了一种用于分析图像纹理信息的装置及其方法,可在提取纹理信息中描述纹理的取向和周期性。申请号为200310118093.X的中国专利文献中公开了一种形状描述符抽取方法和一种图像搜索方法,能够有效地应用到活动视频压缩技术和基于该活动视频压缩技术的图像搜索技术。
图像的颜色特征作为一种重要的图像视觉特征,在图像检索和视频图像分析方面有重要的应用价值,但是在现有技术中,目前还没有图像特征抽取和描述方面相关的解决方案。
发明内容
本发明的目的是克服了上述现有技术中的缺点,提供一种能够精确有效地对图像的颜色视觉特征进行提取和描述、处理过程简单方便、工作性能稳定可靠、适用范围较为广泛的图像主颜色特征提取和结构化描述的方法。
为了实现上述的目的,本发明的图像主颜色特征提取和结构化描述的方法如下:
该图像主颜色特征提取和结构化描述的方法,其主要特点是,所述的方法包括以下步骤:
(1)计算机系统输入待处理的图像;
(2)计算机系统选择一个颜色空间;
(3)计算机系统在所述的颜色空间中对该图像的颜色进行量化处理;
(4)计算机系统计算出归一化的颜色直方图,得到每种颜色的像素数目占整个图像像素数目的百分比;
(5)计算机系统根据该百分比获取该图像的主颜色;
(6)计算机系统计算该主颜色的方差和空间相关性;
(7)计算机系统对该图像的主颜色特征进行编码,得到该图像主颜色特征的描述信息。
该图像主颜色特征提取和结构化描述的方法中的颜色空间可以为RGB空间、YCbCr空间、HSV空间、HMMD空间或者单色空间。
该图像主颜色特征提取和结构化描述的方法中的在颜色空间中对图像的颜色进行量化处理,包括以下步骤:
(11)将颜色空间划分成若干个小的颜色区间,每个小的颜色区间称一个维;
(12)将该图像的每个像素的颜色根据所划分的维进行归并分类。
该图像主颜色特征提取和结构化描述的方法中的计算出归一化的颜色直方图并得到每种颜色的像素数目占整个图像像素数目的百分比,具体为:
根据以下公式计算出归一化的颜色直方图,并得到每种颜色的像素数目占整个图像像素数目的百分比:
其中,xi表示图像中第i种颜色的像素数量,X表示整个图像的像素数量。
该图像主颜色特征提取和结构化描述的方法中的根据百分比获取图像的主颜色,包括以下步骤:
(21)根据每种颜色的像素数目所占的百分比按照从大到小的顺序进行排序;
(22)根据需要按照百分比从大到小依此选取数个颜色作为主颜色。
该图像主颜色特征提取和结构化描述的方法中的选取的颜色的数量不超过8个。
该图像主颜色特征提取和结构化描述的方法中的计算主颜色的方差,具体为:
根据以下公式计算主颜色的方差:
其中,j表示颜色分量下标,mj表示该主颜色的第j个分量,表示第k个像素的第j个分量值,M表示该种主颜色的像素的个数,CVj可量化成1个比特,其中CVj为“0”表示低方差,CVj为“1”表示高方差。
该图像主颜色特征提取和结构化描述的方法中的计算主颜色的空间相关性,具体为:
根据该主颜色像素归一化的8点邻域连通性的均值来计算得到该主颜色的空间相关性。
该图像主颜色特征提取和结构化描述的方法中的主颜色特征包括颜色空间信息、颜色量化信息、主颜色数目、主颜色值、主颜色像素所占的百分比、主颜色方差、主颜色的空间相关性。
该图像主颜色特征提取和结构化描述的方法中的对图像的主颜色特征进行编码,具体为:
采用可扩展标记语言或者二进制的可扩展标记语言对图像的主颜色特征进行描述编码。
采用了该发明的图像主颜色特征提取和结构化描述的方法,由于其中能够对整幅图像或某个感兴趣区域的颜色视觉特征进行有效地提取和描述,从而在图像检索时,可以通过比较两幅图像主颜色特征之间的相似程度来判别两幅图像的相似性,以便于能够快速查找到相同或相似的图像,不仅处理过程简单方便,而且工作性能稳定可靠,对提高图像检索效率和质量、增强对图像的分析和理解的能力有重要作用,同时适用范围较为广泛,可广泛用于图像检索、机器视觉和智能视频监控等领域。
附图说明
图1为本发明的图像主颜色特征提取和结构化描述的方法的流程图。
图2为本发明的图像主颜色特征提取和结构化描述的方法的具体实施方式中进行主颜色特征提取的目标图像的示意图。
图3为本发明的图像主颜色特征提取和结构化描述的方法的具体实施方式中所提取的主颜色示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容,特举以下实施例详细说明。
请参阅图1所示,该图像主颜色特征提取和结构化描述的方法,其主要特点是,所述的方法包括以下步骤:
(1)计算机系统输入待处理的图像;
(2)计算机系统选择一个颜色空间;该颜色空间可以为RGB空间、YCbCr空间、HSV空间、HMMD空间或者单色空间;
(3)计算机系统在所述的颜色空间中对该图像的颜色进行量化处理,包括以下步骤:
(a)将颜色空间划分成若干个小的颜色区间,每个小的颜色区间称一个维;
(b)将该图像的每个像素的颜色根据所划分的维进行归并分类;
(4)计算机系统计算出归一化的颜色直方图,得到每种颜色的像素数目占整个图像像素数目的百分比,具体为:
根据以下公式计算出归一化的颜色直方图,并得到每种颜色的像素数目占整个图像像素数目的百分比:
其中,xi表示图像中第i种颜色的像素数量,X表示整个图像的像素数量;
(5)计算机系统根据该百分比获取该图像的主颜色,包括以下步骤:
(a)根据每种颜色的像素数目所占的百分比按照从大到小的顺序进行排序;
(b)根据需要按照百分比从大到小依此选取数个颜色作为主颜色;该选取的颜色的数量不超过8个;
(6)计算机系统计算该主颜色的方差和空间相关性;该计算主颜色的方差,具体为:
根据以下公式计算主颜色的方差:
该计算主颜色的空间相关性,具体为:
根据该主颜色像素归一化的8点邻域连通性的均值来计算得到该主颜色的空间相关性;
(7)计算机系统对该图像的主颜色特征进行编码,得到该图像主颜色特征的描述信息,该主颜色特征包括颜色空间信息、颜色量化信息、主颜色数目、主颜色值、主颜色像素所占的百分比、主颜色方差、主颜色的空间相关性;该对图像的主颜色特征进行编码,具体为:
采用可扩展标记语言或者二进制的可扩展标记语言对图像的主颜色特征进行描述编码。
在实际应用当中,主颜色特征提取就是用几种主要颜色来表现感兴趣区域的颜色信息。主颜色特征包括:颜色空间信息、颜色量化信息、主颜色数目、主颜色值、主颜色像素所占的百分比、主颜色方差、主颜色的空间相关性。图像的主颜色特征可以用下式进行定义:
F={β,Q,{ci,pi,vi},s,N} (i=1,2,......,N) ......(1)
其中,β表示选择的颜色空间信息,是一个可选项;Q表示颜色量化信息,是一个可选项;ci表示第i个主颜色;pi表示第i个主颜色所占的百分比;vi表示第i个主颜色的方差,是一个可选项;s表示主颜色的空间相关性,是一个可选项;N表示主颜色的数目。
为了实现上述目的,本发明所提供的图像主颜色特征的提取和描述方法包括:
(a)输入一幅图像;
(b)选择一个颜色空间;
(c)在此颜色空间中对图像颜色进行量化;
(d)计算出归一化的颜色直方图,得到每种颜色的像素数目占整个图像像素数目的百分比;
(e)根据该百分比获得该图像的主颜色;
(f)计算主颜色方差和空间相关性;
(g)对图像的主颜色特征进行编码,得到关于图像主颜色特征的描述。
其中,步骤(b)中可选取的颜色空间包括:RGB、YCbCr、HSV、HMMD、单色空间等,也可以自定义颜色空间,但是必须提供与RGB间的转换矩阵。
步骤(c)中在选定的颜色空间中对图像颜色进行量化,颜色量化(Color Quantization)就是将颜色空间划分成若干个小的颜色区间,每个小区间称一个维(bin)。
步骤(d)统计量化后每种颜色的像素数量,计算出归一化的颜色直方图,得到每种颜色的像素数目占整个图像像素数目的百分比。计算公式为:
其中,xi表示图像中第i种颜色的像素数量,X表示整个图像的像素数量。
步骤(e)中根据步骤(c)获得的每种颜色像素的百分比获得图像的主颜色,具体方法是:根据每种颜色像素的百分比按照从大到小的顺序进行排序,然后根据需求从前至后选取若干个主颜色,一般选取的主颜色不超过8个。
步骤(f)为一个可选项,主颜色方差按照下式进行计算:
步骤(f)中颜色的空间相关性为每个主颜色的空间相关性的加权求和,权值与该主颜色像素数成正比。每个主颜色的空间相关性根据该主颜色像素归一化的8点邻域连通性的均值来计算。
步骤(g)采用可扩展标记语言(XML)、二进制的可扩展标记语言(Binary XML)对图像的主颜色特征进行描述编码。
请参阅图1所示,采用本发明的图像主颜色特征提取和结构化描述的方法流程包括:
(a)输入一幅图像;
(b)选择一个颜色空间;
(c)在此颜色空间中对图像颜色进行量化;
(d)计算出归一化的颜色直方图,得到每种颜色的像素数目占整个图像像素数目的百分比;
(e)根据该百分比获得该图像的主颜色;
(f)计算主颜色方差和空间相关性;
(g)对图像的主颜色特征进行编码,得到关于图像主颜色特征的描述。
再请参阅图2所示,图2为本发明实施例要进行主颜色特征提取的目标图像,图像的分辨率为572×457,24位彩色图像,图像文件格式为JPEG。
主颜色特征提取和描述的过程如下:
(1)首先,选择图像的颜色空间为:RGB颜色空间;
(2)其次,在此颜色空间中进行颜色量化:每个颜色分量量化为256bin;
(3)再次,计算归一化的颜色直方图,得到每种颜色占整个图像像素数目的百分比;
(4)然后,根据百分比情况选取8个主颜色,这8个主颜色分别如图3所示,对应的RGB颜色向量分别为:(48,87,161)、(94,96,81)、(128,165,216)、(2,2,2)、(166,190,222)、(213,218,222)、(118,148,226)和(226,198,153),其百分比分别为1%、0%、6%、1%、5%、2%、2%和8%;
(5)计算主颜色方差,并进行量化,其方差分别为:(0,0,1)、(1,1,1)、(0,0,0)、(0,0,0)、(1,0,1)、(0,0,0),选择不计算主颜色的空间相关性;
(6)最后,采用XML语言对上述主颜色特征数据进行编码,产生关于图像主颜色特征的描述,具体如下:
<?xml version=″1.0″encoding=″utf-16″?>
<DominantColorSample>
<DescriptionUnit xsi:type=″DescriptorCollectionType″>
<Descriptor xsi:type=″DominantColorType″>
<ColorSpace Type=″RGB″/>
<ColorQuantization>
<Component>R</Component>
<NumofBins>256</NumofBins>
<Component>G</Component>
<NumofBins>256</NumofBins>
<Component>B</Component>
<NumofBins>256</NumofBins>
</ColorQuantization>
<SpatialCoherency>1</SpatialCoherency>
<Value>
<Percentage>3</Percentage>
<Index>48 87 161</Index>
<ColorVariance>0 0 1</ColorVariance>
</Value>
<Value>
<Percentage>0</Percentage>
<Index>94 96 81</Index>
<ColorVariance>1 1 1</ColorVariance>
</Value>
<Value>
<Percentage>6</Percentage>
<Index>128 165 216</Index>
<ColorVariance>0 0 0</ColorVariance>
</Value>
<Value>
<Percentage>1</Percentage>
<Index>2 2 2</Index>
<ColorVariance>0 0 0</ColorVariance>
</Value>
<Value>
<Percentage>5</Percentage>
<Index>166 190 222</Index>
<ColorVariance>0 0 0</ColorVariance>
</Value>
<Value>
<Percentage>2</Percentage>
<Index>213 218 222</Index>
<ColorVariance>1 0 1</ColorVariance>
</Value>
<Value>
<Percentage>2</Percentage>
<Index>118 148 226</Index>
<ColorVariance>0 0 0</ColorVariance>
</Value>
<Value>
<Percentage>8</Percentage>
<Index>226 198 153</Index>
<ColorVariance>0 0 0</ColorVariance>
</Value>
</Descriptor>
</DescriptionUnit>
</DominantColorSample>
采用了上述的图像主颜色特征提取和结构化描述的方法,由于其中能够对整幅图像或某个感兴趣区域的颜色视觉特征进行有效地提取和描述,从而在图像检索时,可以通过比较两幅图像主颜色特征之间的相似程度来判别两幅图像的相似性,以便于能够快速查找到相同或相似的图像,不仅处理过程简单方便,而且工作性能稳定可靠,对提高图像检索效率和质量、增强对图像的分析和理解的能力有重要作用,同时适用范围较为广泛,可广泛用于图像检索、机器视觉和智能视频监控等领域。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (10)
1.一种图像主颜色特征提取和结构化描述的方法,其特征在于,所述的方法包括以下步骤:
(1)计算机系统输入待处理的图像;
(2)计算机系统选择一个颜色空间;
(3)计算机系统在所述的颜色空间中对该图像的颜色进行量化处理;
(4)计算机系统计算出归一化的颜色直方图,得到每种颜色的像素数目占整个图像像素数目的百分比;
(5)计算机系统根据该百分比获取该图像的主颜色;
(6)计算机系统计算该主颜色的方差和空间相关性;
(7)计算机系统对该图像的主颜色特征进行编码,得到该图像主颜色特征的描述信息。
2.根据权利要求1所述的图像主颜色特征提取和结构化描述的方法,其特征在于,所述的颜色空间为RGB空间、YCbCr空间、HSV空间、HMMD空间或者单色空间。
3.根据权利要求1所述的图像主颜色特征提取和结构化描述的方法,其特征在于,所述的在颜色空间中对图像的颜色进行量化处理,包括以下步骤:
(11)将颜色空间划分成若干个小的颜色区间,每个小的颜色区间称一个维;
(12)将该图像的每个像素的颜色根据所划分的维进行归并分类。
4.根据权利要求1所述的图像主颜色特征提取和结构化描述的方法,其特征在于,所述的计算出归一化的颜色直方图并得到每种颜色的像素数目占整个图像像素数目的百分比,具体为:
根据以下公式计算出归一化的颜色直方图,并得到每种颜色的像素数目占整个图像像素数目的百分比:
其中,xi表示图像中第i种颜色的像素数量,X表示整个图像的像素数量。
5.根据权利要求1所述的图像主颜色特征提取和结构化描述的方法,其特征在于,所述的根据百分比获取图像的主颜色,包括以下步骤:
(21)根据每种颜色的像素数目所占的百分比按照从大到小的顺序进行排序;
(22)根据需要按照百分比从大到小依此选取数个颜色作为主颜色。
6.根据权利要求5所述的图像主颜色特征提取和结构化描述的方法,其特征在于,所述的选取的颜色的数量不超过8个。
8.根据权利要求1所述的图像主颜色特征提取和结构化描述的方法,其特征在于,所述的计算主颜色的空间相关性,具体为:
根据该主颜色像素归一化的8点邻域连通性的均值来计算得到该主颜色的空间相关性。
9.根据权利要求1所述的图像主颜色特征提取和结构化描述的方法,其特征在于,所述的主颜色特征包括颜色空间信息、颜色量化信息、主颜色数目、主颜色值、主颜色像素所占的百分比、主颜色方差、主颜色的空间相关性。
10.根据权利要求1所述的图像主颜色特征提取和结构化描述的方法,其特征在于,所述的对图像的主颜色特征进行编码,具体为:
采用可扩展标记语言或者二进制的可扩展标记语言对图像的主颜色特征进行描述编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910200590A CN101714257A (zh) | 2009-12-23 | 2009-12-23 | 图像主颜色特征提取和结构化描述的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910200590A CN101714257A (zh) | 2009-12-23 | 2009-12-23 | 图像主颜色特征提取和结构化描述的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101714257A true CN101714257A (zh) | 2010-05-26 |
Family
ID=42417874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910200590A Pending CN101714257A (zh) | 2009-12-23 | 2009-12-23 | 图像主颜色特征提取和结构化描述的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101714257A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937567A (zh) * | 2010-09-28 | 2011-01-05 | 中国科学院软件研究所 | 一种简捷的主纹理提取方法 |
CN102592272A (zh) * | 2011-01-12 | 2012-07-18 | 腾讯科技(深圳)有限公司 | 一种图片主色调提取方法及装置 |
CN102854247A (zh) * | 2012-08-27 | 2013-01-02 | 浙江大学 | 基于图片处理技术的层状结构分层率的计算方法 |
CN102999640A (zh) * | 2013-01-09 | 2013-03-27 | 公安部第三研究所 | 基于语义推理和结构化描述的视频与图像检索系统及方法 |
CN103020685A (zh) * | 2012-12-14 | 2013-04-03 | 苏州阔地网络科技有限公司 | 一种二维码编码扩充方法及系统 |
CN103020686A (zh) * | 2012-12-14 | 2013-04-03 | 苏州阔地网络科技有限公司 | 一种二维码颜色编码方法及系统 |
CN103034855A (zh) * | 2012-12-05 | 2013-04-10 | 曙光信息产业(北京)有限公司 | 在图像中识别字符区域的方法 |
CN103295243A (zh) * | 2012-02-29 | 2013-09-11 | 佳能株式会社 | 图像处理方法和设备以及物体检测方法和系统 |
CN103593458A (zh) * | 2013-11-21 | 2014-02-19 | 电子科技大学 | 一种基于颜色特征与倒排索引的海量图像检索系统 |
CN103858164A (zh) * | 2011-10-04 | 2014-06-11 | 汤姆逊许可公司 | 自动管理图像集合的方法以及相应的设备 |
CN103955952A (zh) * | 2014-05-04 | 2014-07-30 | 电子科技大学 | 一种服装图像颜色特征的提取与描述方法 |
CN104008535A (zh) * | 2014-06-16 | 2014-08-27 | 北方工业大学 | 基于CbCr角度归一化直方图的图像增强方法及系统 |
CN104093010A (zh) * | 2013-11-15 | 2014-10-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置 |
CN104281849A (zh) * | 2013-07-03 | 2015-01-14 | 广州盖特软件有限公司 | 一种布料图像颜色特征提取方法 |
CN105022752A (zh) * | 2014-04-29 | 2015-11-04 | 中国电信股份有限公司 | 图像检索方法与装置 |
CN105957035A (zh) * | 2016-04-29 | 2016-09-21 | 广东小天才科技有限公司 | 图片印记的去除方法、装置及智能设备 |
CN106651968A (zh) * | 2016-12-23 | 2017-05-10 | 宇龙计算机通信科技(深圳)有限公司 | 游戏异常检测方法及装置 |
CN106780634A (zh) * | 2016-12-27 | 2017-05-31 | 努比亚技术有限公司 | 图片主色调提取方法及装置 |
WO2017136996A1 (zh) * | 2016-02-14 | 2017-08-17 | 广州神马移动信息科技有限公司 | 图片主色提取方法及装置、计算系统和机器可读存储介质 |
CN108022239A (zh) * | 2017-12-05 | 2018-05-11 | 郑州轻工业学院 | 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 |
CN111476253A (zh) * | 2019-01-23 | 2020-07-31 | 阿里巴巴集团控股有限公司 | 服装图像分类、图像分类方法、装置及设备 |
CN112069341A (zh) * | 2020-09-04 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 背景图片生成及搜索结果展示方法、装置、设备和介质 |
-
2009
- 2009-12-23 CN CN200910200590A patent/CN101714257A/zh active Pending
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937567B (zh) * | 2010-09-28 | 2012-01-18 | 中国科学院软件研究所 | 一种简捷的主纹理提取方法 |
CN101937567A (zh) * | 2010-09-28 | 2011-01-05 | 中国科学院软件研究所 | 一种简捷的主纹理提取方法 |
CN102592272A (zh) * | 2011-01-12 | 2012-07-18 | 腾讯科技(深圳)有限公司 | 一种图片主色调提取方法及装置 |
CN102592272B (zh) * | 2011-01-12 | 2017-01-25 | 深圳市世纪光速信息技术有限公司 | 一种图片主色调提取方法及装置 |
CN103858164B (zh) * | 2011-10-04 | 2017-10-13 | 汤姆逊许可公司 | 自动管理图像集合的方法以及相应的设备 |
CN103858164A (zh) * | 2011-10-04 | 2014-06-11 | 汤姆逊许可公司 | 自动管理图像集合的方法以及相应的设备 |
CN103295243A (zh) * | 2012-02-29 | 2013-09-11 | 佳能株式会社 | 图像处理方法和设备以及物体检测方法和系统 |
CN103295243B (zh) * | 2012-02-29 | 2016-11-16 | 佳能株式会社 | 图像处理方法和设备以及物体检测方法和系统 |
CN102854247B (zh) * | 2012-08-27 | 2014-07-09 | 浙江大学 | 基于图片处理技术的层状结构分层率的计算方法 |
CN102854247A (zh) * | 2012-08-27 | 2013-01-02 | 浙江大学 | 基于图片处理技术的层状结构分层率的计算方法 |
CN103034855A (zh) * | 2012-12-05 | 2013-04-10 | 曙光信息产业(北京)有限公司 | 在图像中识别字符区域的方法 |
CN103020686B (zh) * | 2012-12-14 | 2015-11-04 | 阔地教育科技有限公司 | 一种二维码颜色编码方法及系统 |
CN103020686A (zh) * | 2012-12-14 | 2013-04-03 | 苏州阔地网络科技有限公司 | 一种二维码颜色编码方法及系统 |
CN103020685A (zh) * | 2012-12-14 | 2013-04-03 | 苏州阔地网络科技有限公司 | 一种二维码编码扩充方法及系统 |
CN103020685B (zh) * | 2012-12-14 | 2015-11-04 | 阔地教育科技有限公司 | 一种二维码编码扩充方法及系统 |
CN102999640A (zh) * | 2013-01-09 | 2013-03-27 | 公安部第三研究所 | 基于语义推理和结构化描述的视频与图像检索系统及方法 |
CN102999640B (zh) * | 2013-01-09 | 2016-03-09 | 公安部第三研究所 | 基于语义推理和结构化描述的视频与图像检索系统及方法 |
CN104281849B (zh) * | 2013-07-03 | 2017-09-19 | 广州盖特软件有限公司 | 一种布料图像颜色特征提取方法 |
CN104281849A (zh) * | 2013-07-03 | 2015-01-14 | 广州盖特软件有限公司 | 一种布料图像颜色特征提取方法 |
CN104093010A (zh) * | 2013-11-15 | 2014-10-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置 |
CN103593458A (zh) * | 2013-11-21 | 2014-02-19 | 电子科技大学 | 一种基于颜色特征与倒排索引的海量图像检索系统 |
CN105022752B (zh) * | 2014-04-29 | 2019-04-05 | 中国电信股份有限公司 | 图像检索方法与装置 |
CN105022752A (zh) * | 2014-04-29 | 2015-11-04 | 中国电信股份有限公司 | 图像检索方法与装置 |
CN103955952A (zh) * | 2014-05-04 | 2014-07-30 | 电子科技大学 | 一种服装图像颜色特征的提取与描述方法 |
CN104008535A (zh) * | 2014-06-16 | 2014-08-27 | 北方工业大学 | 基于CbCr角度归一化直方图的图像增强方法及系统 |
CN104008535B (zh) * | 2014-06-16 | 2017-05-03 | 北方工业大学 | 基于CbCr角度归一化直方图的图像增强方法及系统 |
WO2017136996A1 (zh) * | 2016-02-14 | 2017-08-17 | 广州神马移动信息科技有限公司 | 图片主色提取方法及装置、计算系统和机器可读存储介质 |
CN105957035A (zh) * | 2016-04-29 | 2016-09-21 | 广东小天才科技有限公司 | 图片印记的去除方法、装置及智能设备 |
CN106651968A (zh) * | 2016-12-23 | 2017-05-10 | 宇龙计算机通信科技(深圳)有限公司 | 游戏异常检测方法及装置 |
CN106651968B (zh) * | 2016-12-23 | 2020-01-10 | 宇龙计算机通信科技(深圳)有限公司 | 游戏异常检测方法及装置 |
CN106780634A (zh) * | 2016-12-27 | 2017-05-31 | 努比亚技术有限公司 | 图片主色调提取方法及装置 |
CN106780634B (zh) * | 2016-12-27 | 2019-06-18 | 努比亚技术有限公司 | 图片主色调提取方法及装置 |
CN108022239A (zh) * | 2017-12-05 | 2018-05-11 | 郑州轻工业学院 | 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 |
CN108022239B (zh) * | 2017-12-05 | 2020-03-10 | 郑州轻工业学院 | 一种基于机器视觉的起泡葡萄酒褐变过程检测装置及方法 |
CN111476253A (zh) * | 2019-01-23 | 2020-07-31 | 阿里巴巴集团控股有限公司 | 服装图像分类、图像分类方法、装置及设备 |
CN111476253B (zh) * | 2019-01-23 | 2024-04-02 | 阿里巴巴集团控股有限公司 | 服装图像分类、图像分类方法、装置及设备 |
CN112069341A (zh) * | 2020-09-04 | 2020-12-11 | 北京字节跳动网络技术有限公司 | 背景图片生成及搜索结果展示方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101714257A (zh) | 图像主颜色特征提取和结构化描述的方法 | |
CN111210435B (zh) | 一种基于局部和全局特征增强模块的图像语义分割方法 | |
Ye et al. | Unsupervised feature learning framework for no-reference image quality assessment | |
CN101290634B (zh) | 一种识别重复缩略图的方法、装置及在搜索引擎中的应用 | |
CN103210401B (zh) | 用以改进对象辨识中的特征产生的系统和方法 | |
CN105022752B (zh) | 图像检索方法与装置 | |
CN104160409B (zh) | 用于图像分析的方法和系统 | |
Zhang et al. | Training quality-aware filters for no-reference image quality assessment | |
CN103699532A (zh) | 图像颜色检索方法和系统 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN103955952A (zh) | 一种服装图像颜色特征的提取与描述方法 | |
Rahman et al. | Segmentation of color image using adaptive thresholding and masking with watershed algorithm | |
CN103853724A (zh) | 多媒体数据分类方法及装置 | |
CN106126585A (zh) | 基于质量分级与感知哈希特征组合的无人机图像检索方法 | |
Kumar et al. | Near lossless image compression using parallel fractal texture identification | |
Li et al. | Color image quality assessment based on sparse representation and reconstruction residual | |
Lu et al. | A no-reference image sharpness metric based on structural information using sparse representation | |
CN111968073B (zh) | 一种基于纹理信息统计的无参考图像质量评价方法 | |
CN102360431A (zh) | 一种自动进行描述图像的方法 | |
CN116311088B (zh) | 一种基于建筑工地的施工安全监测方法 | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
CN109741300B (zh) | 一种适用于视频编码的图像显著性快速检测方法和装置 | |
CN107870923B (zh) | 图像检索方法和装置 | |
Kong et al. | Full-reference IPTV image quality assessment by deeply learning structural cues | |
Zhang et al. | Blind image quality assessment based on local quantized pattern |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100526 |