CN107578451A - 一种面向自然图像的自适应主色提取方法 - Google Patents
一种面向自然图像的自适应主色提取方法 Download PDFInfo
- Publication number
- CN107578451A CN107578451A CN201710855267.2A CN201710855267A CN107578451A CN 107578451 A CN107578451 A CN 107578451A CN 201710855267 A CN201710855267 A CN 201710855267A CN 107578451 A CN107578451 A CN 107578451A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- tone
- mass
- extraction method
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明的一种面向自然图像的自适应主色提取方法属于图像主色提取领域,解决了现有主色提取方法中不能实现主色数目的自动确定,从而会导致将原图像中并不存在的颜色作为主色或者遗漏原图像中重要的色彩特征,不利于主色的准确提取的问题,本发明首先将图像的颜色空间转换到Lab空间;然后对图像进行尺寸压缩、图像增强和去噪等预处理;最后通过将Silhouette轮廓系数与传统K均值聚类算法有机地结合在一起,自适应地提取出自然图像中的最优主色集,对大量拍摄于各种自然环境下的自然图像进行测试,实验结果表明算法可有效地将自然图像中的主色自动提取出来,且较好地呈现了原图像中颜色特征的代表性。
Description
技术领域
本发明属于图像主色提取领域,特别是涉及一种面向自然图像的自适应主色提取方法。
背景技术
油画作为西洋画主要画种之一,以用快干性的植物油调和颜料,在亚麻布、纸板或木板上进行创作,凭借颜料的遮盖力和透明性,或艳丽、或淡雅、或跳跃、或和谐的色彩表达,给人以强烈的视觉冲击力。正是因为油画色彩语言的特殊性,更为油画本身增添了特有的气质和审美价值,可谓油画之美即色彩之美。这也是基于自然图像的非真实感油画风格绘制中最为关键之处,只有最大化地将自然图像中最具视觉冲击力的色彩即主色提取出来,才能使计算机艺术效果在色彩方面与手绘风格更为接近。
通常,在由自然场景所拍摄的自然图像中包含大量丰富的颜色,因此如何最大限度地从图像中选取最具代表性的主色是一个极具挑战性的难题。已有的主色提取方法可以分为基于量化的方法、基于分块的方法和基于聚类的方法。基于量化的方法是根据人的视觉特性,将原图像中的较大颜色集合映射为一个较小颜色集合,而用这些较少颜色集合重新生成一幅新的图像,使其尽可能真实地贴近原图像。最常用的传统方法有统一量化法、频度序列法、中位切割法和八叉树法。其中八叉树法所得到图像质量最佳、层次感最为丰富且时空耗费最低,但该算法存在某些关键局部色彩由于出现频率低而被丢失的现象。针对图像整体层次和局部细节之间的矛盾,刘志福等人提出视觉显著性的八叉树颜色量化方法,将八叉树法与视觉显著图相结合进行颜色频度统计,并增加视觉显著区域的颜色频度,从而实现在保留图像层次感的同时减少局部细节的失真度;杜薇薇等人提出一种新的颜色量化之色彩退化算法,以二叉堆和数组索引数据结构优化八叉树结构,不断地对图像中最不重要颜色进行退化,直到达到量化要求的颜色数为止。
基于分块的方法是对图像空间按照某种分块策略进行划分,之后为每个分块统计颜色直方图,提取分块直方图中像素点数目最多的颜色作为该分块的主色。王李冬提出了一种基于图像的分块主颜色的图像检索算法,将图像按5*5进行空间划分,分别提取每一分块的颜色信息,并给出分块主色;赵景秀等人在所提出的一种基于全局主色和局部主色相结合的图像检索方法中,采用对图像进行扇形分割,并分别提取全局主色及各扇区主色的方法;但上述基于均匀分块的方法不能很好地反映人们对图像中不同区域具有不同关注度的特点。针对这个问题,林克正等人提出一种新的基于分块主颜色的图像检索算法,采用在HSV空间中对图像进行重叠分块的方法,使得图像中心的主体部分重叠包含在若干分块中,而图像的边缘部分却仅出现在某个分块中,这样在一定程度上突出了图像中心的主体部分。
基于聚类的方法是利用“物以类聚”的思想,按照准则函数最小化原则将图像中的颜色分组为多个簇,且使得同簇间相似度尽可能地高,不同簇间相似度尽可能地低,最终将每簇的颜色均值作为该簇的主色。在诸多聚类算法中,K均值聚类算法,由于简洁性和高效性,成为使用最广泛的算法之一,但同时也存在一定的局限性,如初始聚类中心的随机选取和聚类数目的主观确定等。刘尊洋等人为了提高主色提取的准确性和效果的稳定性,提出了先使用谱系聚类法获得初始质心,然后用K均值聚类法提取主色的方法;之后他们又提出了基于CIEDE2000和塔型FCM的主色提取算法。该算法首先为原图像构造塔型结构,然后对塔的顶层图像使用FCM聚类算法提取聚类中心,最后以此作为初始聚类中心对原图像再次使用FCM聚类算法提取主色。
在上述主色提取方法中,多数方法的适用是以事先确定所提取的主色数目为前提,并未实现主色数目的自动确定。这样势必会导致将原图像中并不存在的颜色作为主色或者遗漏原图像中重要的色彩特征,不利于主色的准确提取。针对已有主色提取方法存在的上述问题,本发明提出了一种将聚类有效性评价指标Silhouette轮廓系数与K均值聚类算法相结合的方法,通过在聚类过程中根据Silhouette轮廓系数对聚类数目进行动态调整达到自动确定最佳聚类数,以获得最优的聚类效果。
发明内容
本发明克服现有技术存在的不足,解决了现有主色提取方法中不能实现主色数目的自动确定,从而会导致将原图像中并不存在的颜色作为主色或者遗漏原图像中重要的色彩特征,不利于主色的准确提取的问题,旨在提供一种一种面向自然图像的自适应主色提取方法,本方法将Silhouette轮廓系数与传统K均值聚类算法有机地结合在一起,自适应地提取出自然图像中的最优主色集,可有效地将自然图像中的主色自动提取出来,且较好地呈现了原图像中颜色特征的代表性。
为解决上述技术问题,本发明采用的技术方案为:
一种面向自然图像的自适应主色提取方法,该自适应主色提取方法按照以下步骤进行:
1)、输入自然图像;
2)、选取颜色空间;
3)、图像预处理;对图像依次进行图像尺寸压缩、图像增强和图像降噪处理;
4)、自适应提取主色,具体算法如下:
4.1、选择聚类数的搜索范围[kmin,kmax];
4.2、对于[kmin,kmax]区间中的每一个k,采用K均值聚类算法,然后按照下面的公式(7)计算每个样本的轮廓系统;
其中,a(i)是样本i与其同一聚类内所有其他样本之间距离的平均值,用于量化聚类内的凝聚度;b(i)是样本i与其他聚类中所有样本之间平均距离的最小值,用于量化聚类间的分离度;
显然s(i)∈[-1,1],且若a(i)→0,b(i)→∞时,s(i)→1,即凝聚度和分离度均相对最优,此时聚类效果最佳;
然后按照式(8)计算数据集中所有样本的整体轮廓系数作为当前聚类数k的轮廓系数;
其中,n是数据集中样本的个数;k是聚类数;
4.3、选取[kmin,kmax]所有整体轮廓系数的最大值所对应的聚类数k作为最佳聚类数;
4.4、将最佳聚类数k的聚类结果作为主色。
进一步地,步骤2)中选取的颜色空间为Lab颜色空间。
进一步地,步骤2)中将RGB颜色空间转换成Lab颜色空间的公式如下:
其中:
Xn=0.312713,Yn=0.329016
进一步地,步骤3)中的图像尺寸压缩公式如下:
w'=a*w/max(w,h)
h'=a*h/max(w,h) (3)
其中w和h表示原图像的宽度和高度,w’和h’表示压缩后图像的宽度和高度,a为常数。
进一步地,步骤3)中的图像增强处理方式如下:
引入偏色因为K,首先对自然图像进行图像质量的评定。若K<1.5,则为清晰图像,无须做任何处理;否则为降质图像,需做进一步的图像增强处理,图像增强处理公式如式(4)、(5)、(6)所示,
K=D/M(6)
其中,w'和h'分别为尺寸压缩后图像的宽和高;D为图像的平均色度;M为色度中心距。
进一步地,步骤3)中采用的图像降噪算法是BM3D算法。
本发明跟现有技术相比具有的有益效果为:本发明在传统K均值聚类算法的基础上,结合Silhouette轮廓系数,实现了聚类数k的自适应选取,克服了传统K均值聚类算法需事先确定k值的缺点,自适应地提取出自然图像中的最优主色集。本发明可有效地将自然图像中的主色自动提取出来,且较好地呈现了原图像中颜色特征的代表性。
附图说明
下面结合附图对本发明做进一步详细的说明。
图1为本发明方法的算法流程图。
图2为待测试的自然图像集。
图3为实验1的主色提取结果,其中(a)为尺寸压缩图像,(b)为消噪效果图,(c)聚类效果及主色。
图4为实验2的主色提取结果,(2a)为尺寸压缩图像,(b)为图像增强效果,(c)为消噪效果图,(d)聚类效果及主色。
图5为实验3为主色提取结果,(a)为尺寸压缩图像,(b)为图像增强效果,(c)为消噪效果图,(d)聚类效果及主色。
图6为实验4的主色提取结果,(a)为尺寸压缩图像,(b)为图像增强效果,(c)为消噪效果图,(d)聚类效果及主色。
具体实施方式
为使本发明的目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
一种面向自然图像的自适应主色提取方法,按照以下步骤进行:
1)、输入自然图像;
2)、选取Lab颜色空间;
一般,采集获取到的图像都是基于RGB颜色空间的。RGB空间采用物理三基色表示,物理意义清晰,最常用的用途就是显示器系统,然而这种与设备相关的颜色空间很难适应人的视觉系统对颜色的解释,在颜色聚类时容易将视觉上相差较大的颜色作为同一种颜色来对待,与人眼视觉感受相背离。由此可见,颜色空间的选取对图像的主色提取算法是否有效具有较大的影响。
在诸多颜色空间中,Lab颜色空间的色域最宽阔,甚至比人类视觉的色域都要宽,自然界中的任何一种颜色都可以在Lab空间中得以表示。它是以数字化的方法来描述人对色彩的视觉感受,与设备无关,弥补了RGB和CMYK颜色空间必须依赖于设备色彩特性的不足,并且在Lab空间中颜色间的距离与视觉上的色彩感觉差别是成正比的,具有色彩均匀性,因此在此空间中按照距离最短原则对颜色进行聚类是符合人类视觉感受特性的。
鉴于Lab颜色空间的色域宽阔性及色彩均匀性,本发明以此作为主色提取的颜色空间,这样既能够获取比任何一种颜色空间都更加优质的色彩,又能够解决聚类效果相对于人眼不均匀的问题,使视觉上相似的颜色归为一种颜色,把视觉上相差较大的颜色归为不同种颜色。
RGB颜色空间无法直接转换为Lab颜色空间,需要借助于XYZ颜色空间。转换公式如式(1)、(2)所示:
其中:
Xn=0.312713,Yn=0.329016
3)图像预处理
作为基于自然图像的非真实感油画风格绘制的先决步骤,本发明所提出的主色提取方法是以机器视觉感知的自然环境信息--自然图像作为处理对象展开相关研究工作的。但拍摄于自然环境下的自然图像无法规避各种天气和环境的影响,尤其极端恶劣环境,其图像质量可想而知。因此,图像预处理是主色提取过程中的一个重要环节。
3.1.图像尺寸压缩
由于自然图像通常都是通过数码相机或移动终端采集获取而来,其尺寸一般较大,在后续处理中势必会由于计算量过于庞大而导致算法效率低下。因此有必要预先对原图像进行尺寸压缩。而事实上,在保持图像横纵比例不变的前提下,改变图像的尺寸并不会改变其颜色的比例和分布。
式(3)中,w和h表示原图像的宽度和高度,w’和h’表示压缩后图像的宽度和高度,a为常数。
w'=a*w/max(w,h)
h'=a*h/max(w,h) (6)
3.2图像增强
引入偏色因子K,首先对自然图像进行图像质量的评定。若K<1.5,则为清晰图像,无须做任何处理;否则为降质图像,需做进一步的图像增强处理。其计算方法如式(4)、(5)、(6)所示:
K=D/M (6)
3.3图像降噪
自然图像在成像和传输过程中因成像传感器、通道传输误差等因素会受到各种噪声的干扰,除此之外在对图像进行增强处理的过程中,也会在增强图像的对比度的同时增强其中的噪声。当前使用最为广泛的降噪算法主要有TV,BM3D,BLS-GSM和NLM四种算法。综合从处理效率和降噪质量两项评价指标上对上述算法进行了对比分析,认为BM3D算法在保证降噪质量的同时效率最高,可以作为图像降噪的最优选择。
BM3D算法的基本思想是首先将图像划分为具有一定大小的若干子块,将具有相似结构的二维图像子块进行组合形成三维数组;然后对三维数组进行联合滤波处理;最后再通过逆变换将处理后的结果变换回原图像中以达到降噪的目的。本发明选取适用于彩色图像的降噪算法C-BM3D,其中参数设置如下:硬阈值滤波阈值=3.0,搜索距离阈值=4000,滤波方法:DCT,
4)自适应提取主色,具体算法如下:
4.1、选择聚类数的搜索范围[kmin,kmax];
4.2、对于[kmin,kmax]区间中的每一个k,采用K均值聚类算法,然后按照下面的公式(7)计算每个样本的轮廓系统;
其中,a(i)是样本i与其同一聚类内所有其他样本之间距离的平均值,用于量化聚类内的凝聚度;b(i)是样本i与其他聚类中所有样本之间平均距离的最小值,用于量化聚类间的分离度;
显然s(i)∈[-1,1],且若a(i)→0,b(i)→∞时,s(i)→1,即凝聚度和分离度均相对最优,此时聚类效果最佳;
然后按照式(8)计算数据集中所有样本的整体轮廓系数作为当前聚类数k的轮廓系数;
其中,n是数据集中样本的个数;k是聚类数;
4.3、选取[kmin,kmax]所有整体轮廓系数的最大值所对应的聚类数k作为最佳聚类数;
4.4、将最佳聚类数k的聚类结果作为主色。
上面对本发明的算法进行了详细的描述,下面再通过具体的实验数据来说明本发明算法的有益效果。
本发明的主色提取算法的实验是基于CoreTM i5-4200M@2.50GHZ中央处理器、4GB容量内存的Windows10操作系统,采用Matlab R2014a进行实验仿真。对大量拍摄于各种自然环境下的自然图像进行了算法测试,为了说明本发明算法的测试结果,在此仅列出了4幅分别拍摄于晴天、雾霾、阴天和夜间环境下自然图像的测试结果。
根据式(4)、(5)、(6)计算图2中待测试自然图像的偏色因子以评定图像质量,如表1所示。不难发现实验1是清晰图像,其他均为降质图像。
表1 图像质量评定指标
在图3、图4、图5和图6中列出了清晰图像(实验1)和降质图像(实验2、实验3和实验4)的测试结果。其中每个测试实例的第一列是尺寸压缩后的图像,第二列是利用MSRCR算法增强后的图像(实验1即清晰图像则跳过此步),第三列是利用C-BM3D算法降噪后的图像,第四列是利用本发明算法得到的聚类图像及主色。
对于一幅用户给定的自然图像,本发明算法实现了最佳聚类数即主色数目的自适应选取,实验1、实验2、实验3和实验4的主色数目依次为5、7、4和10,大大降低了主色提取的错漏率。
通过主观观察即可以看出,本发明算法所获得的主色较好地呈现了原图像中颜色特征的代表性。以上4幅测试实例说明本发明算法对不同自然环境下所拍摄的自然图像均具有普适性。
上面结合附图对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种面向自然图像的自适应主色提取方法,其特征在于:该自适应主色提取方法按照以下步骤进行:
1)、输入自然图像;
2)、选取颜色空间;
3)、图像预处理;对图像依次进行图像尺寸压缩、图像增强和图像降噪处理;
4)、自适应提取主色,具体算法如下:
4.1、选择聚类数的搜索范围[kmin,kmax];
4.2、对于[kmin,kmax]区间中的每一个k,采用K均值聚类算法,然后按照下面的公式(7)计算每个样本的轮廓系统;
其中,a(i)是样本i与其同一聚类内所有其他样本之间距离的平均值,用于量化聚类内的凝聚度;b(i)是样本i与其他聚类中所有样本之间平均距离的最小值,用于量化聚类间的分离度;
显然s(i)∈[-1,1],且若a(i)→0,b(i)→∞时,s(i)→1,即凝聚度和分离度均相对最优,此时聚类效果最佳;
然后按照式(8)计算数据集中所有样本的整体轮廓系数作为当前聚类数k的轮廓系数;
其中,n是数据集中样本的个数;k是聚类数;
4.3、选取[kmin,kmax]所有整体轮廓系数的最大值所对应的聚类数k作为最佳聚类数;
4.4、将最佳聚类数k的聚类结果作为主色。
2.根据权利要求1所述的一种面向自然图像的自适应主色提取方法,其特征在于:步骤2)中选取的颜色空间为Lab颜色空间。
3.根据权利要求1或2所述的一种面向自然图像的自适应主色提取方法,其特征在于:步骤2)中将RGB颜色空间转换成Lab颜色空间的公式如下:
其中:
Xn=0.312713,Yn=0.329016。
4.根据权利要求3所述的一种面向自然图像的自适应主色提取方法,其特征在于:步骤3)中的图像尺寸压缩公式如下:
w'=a*w/max(w,h)
h'=a*h/max(w,h) (3)
其中w和h表示原图像的宽度和高度,w’和h’表示压缩后图像的宽度和高度,a为常数。
5.根据权利要求3所述的一种面向自然图像的自适应主色提取方法,其特征在于:步骤3)中的图像增强处理方式如下:
引入偏色因为K,首先对自然图像进行图像质量的评定。若K<1.5,则为清晰图像,无须做任何处理;否则为降质图像,需做进一步的图像增强处理,图像增强处理公式如式(4)、(5)、(6)所示,
K=D/M (6)
其中,w'和h'分别为尺寸压缩后图像的宽和高;D为图像的平均色度;M为色度中心距。
6.根据权利要求3所述的一种面向自然图像的自适应主色提取方法,其特征在于:步骤3)中采用的图像降噪算法是BM3D算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710855267.2A CN107578451A (zh) | 2017-09-20 | 2017-09-20 | 一种面向自然图像的自适应主色提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710855267.2A CN107578451A (zh) | 2017-09-20 | 2017-09-20 | 一种面向自然图像的自适应主色提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107578451A true CN107578451A (zh) | 2018-01-12 |
Family
ID=61036396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710855267.2A Pending CN107578451A (zh) | 2017-09-20 | 2017-09-20 | 一种面向自然图像的自适应主色提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578451A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109465204A (zh) * | 2018-09-30 | 2019-03-15 | 青岛理工大学 | 一种基于机器视觉的冬枣损伤检测剔除方法及设备 |
CN109886885A (zh) * | 2019-01-23 | 2019-06-14 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN110097070A (zh) * | 2019-03-15 | 2019-08-06 | 杭州电子科技大学 | 一种基于人眼视觉感知的中国画特征色集获取方法 |
CN110322520A (zh) * | 2019-07-04 | 2019-10-11 | 厦门美图之家科技有限公司 | 图像主色提取方法、装置、电子设备及存储介质 |
CN110458803A (zh) * | 2019-07-04 | 2019-11-15 | 深圳市玩瞳科技有限公司 | 基于彩带校准的帧图像偏色和亮度检测方法及装置 |
CN111798526A (zh) * | 2020-01-10 | 2020-10-20 | 中国人民解放军国防科技大学 | 基于聚类空间映射的彩色图像主色快速提取方法及系统 |
CN112839825A (zh) * | 2018-10-17 | 2021-05-25 | 爱克发有限公司 | 颜色正确地制造装饰面板的方法 |
CN113012156A (zh) * | 2021-05-10 | 2021-06-22 | 南京林业大学 | 实木板材颜色智能分类方法 |
CN114359244A (zh) * | 2022-01-10 | 2022-04-15 | 浙江大学 | 一种基于超像素分割与多种颜色特征的图像显著性检测方法 |
CN115464557A (zh) * | 2022-08-15 | 2022-12-13 | 深圳航天科技创新研究院 | 基于路径调整移动机器人作业的方法及移动机器人 |
CN117294853A (zh) * | 2023-09-26 | 2023-12-26 | 小红书科技有限公司 | 图像压缩方法、相关方法及相关产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655983A (zh) * | 2008-08-18 | 2010-02-24 | 索尼(中国)有限公司 | 主颜色提取装置和方法 |
CN102722880A (zh) * | 2011-03-29 | 2012-10-10 | 阿里巴巴集团控股有限公司 | 图像主颜色的识别方法、装置及图像匹配方法和服务器 |
US20130121575A1 (en) * | 2011-11-11 | 2013-05-16 | Seoul National University R&B Foundation | Image analysis apparatus using main color and method of controlling the same |
CN104574307A (zh) * | 2014-12-30 | 2015-04-29 | 北京科技大学 | 一种绘画作品图像的主要颜色提取方法 |
CN105574830A (zh) * | 2016-02-04 | 2016-05-11 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
CN105761283A (zh) * | 2016-02-14 | 2016-07-13 | 广州神马移动信息科技有限公司 | 一种图片主色提取方法及装置 |
-
2017
- 2017-09-20 CN CN201710855267.2A patent/CN107578451A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655983A (zh) * | 2008-08-18 | 2010-02-24 | 索尼(中国)有限公司 | 主颜色提取装置和方法 |
CN102722880A (zh) * | 2011-03-29 | 2012-10-10 | 阿里巴巴集团控股有限公司 | 图像主颜色的识别方法、装置及图像匹配方法和服务器 |
US20130121575A1 (en) * | 2011-11-11 | 2013-05-16 | Seoul National University R&B Foundation | Image analysis apparatus using main color and method of controlling the same |
CN104574307A (zh) * | 2014-12-30 | 2015-04-29 | 北京科技大学 | 一种绘画作品图像的主要颜色提取方法 |
CN105574830A (zh) * | 2016-02-04 | 2016-05-11 | 沈阳工业大学 | 极端天气条件下低质图像增强方法 |
CN105761283A (zh) * | 2016-02-14 | 2016-07-13 | 广州神马移动信息科技有限公司 | 一种图片主色提取方法及装置 |
Non-Patent Citations (3)
Title |
---|
刘尊洋 等: "一种基于主色聚类的仿造迷彩设计方法", 《激光与红外》 * |
张玉发 等: "颜色空间在图像主色提取方面的应用", 《红外与激光工程》 * |
朱连江 等: "基于轮廓系数的聚类有效性分析", 《计算机应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109465204A (zh) * | 2018-09-30 | 2019-03-15 | 青岛理工大学 | 一种基于机器视觉的冬枣损伤检测剔除方法及设备 |
CN112839825B (zh) * | 2018-10-17 | 2022-09-06 | 爱克发有限公司 | 颜色正确地制造装饰面板的方法 |
CN112839825A (zh) * | 2018-10-17 | 2021-05-25 | 爱克发有限公司 | 颜色正确地制造装饰面板的方法 |
CN109886885B (zh) * | 2019-01-23 | 2021-03-02 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN109886885A (zh) * | 2019-01-23 | 2019-06-14 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN110097070A (zh) * | 2019-03-15 | 2019-08-06 | 杭州电子科技大学 | 一种基于人眼视觉感知的中国画特征色集获取方法 |
CN110322520A (zh) * | 2019-07-04 | 2019-10-11 | 厦门美图之家科技有限公司 | 图像主色提取方法、装置、电子设备及存储介质 |
CN110458803A (zh) * | 2019-07-04 | 2019-11-15 | 深圳市玩瞳科技有限公司 | 基于彩带校准的帧图像偏色和亮度检测方法及装置 |
CN111798526A (zh) * | 2020-01-10 | 2020-10-20 | 中国人民解放军国防科技大学 | 基于聚类空间映射的彩色图像主色快速提取方法及系统 |
CN111798526B (zh) * | 2020-01-10 | 2022-04-19 | 中国人民解放军国防科技大学 | 基于聚类空间映射的彩色图像主色快速提取方法及系统 |
CN113012156A (zh) * | 2021-05-10 | 2021-06-22 | 南京林业大学 | 实木板材颜色智能分类方法 |
CN114359244A (zh) * | 2022-01-10 | 2022-04-15 | 浙江大学 | 一种基于超像素分割与多种颜色特征的图像显著性检测方法 |
CN115464557A (zh) * | 2022-08-15 | 2022-12-13 | 深圳航天科技创新研究院 | 基于路径调整移动机器人作业的方法及移动机器人 |
CN117294853A (zh) * | 2023-09-26 | 2023-12-26 | 小红书科技有限公司 | 图像压缩方法、相关方法及相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578451A (zh) | 一种面向自然图像的自适应主色提取方法 | |
CN105959684B (zh) | 基于双目融合的立体图像质量评价方法 | |
Niu et al. | 2D and 3D image quality assessment: A survey of metrics and challenges | |
CN110120019B (zh) | 一种基于特征增强的残差神经网络及图像去块效应方法 | |
WO2018082185A1 (zh) | 图像处理方法和装置 | |
TWI475495B (zh) | 圖像的識別方法、電子裝置與電腦程式產品 | |
CN110428371A (zh) | 基于超像素分割的图像去雾方法、系统、存储介质及电子设备 | |
CN111047529A (zh) | 一种基于机器学习的视频处理方法 | |
CN112802137B (zh) | 一种基于卷积自编码器的颜色恒常性方法 | |
CN106056638B (zh) | 一种自适应纹理对比度的低复杂度压缩感知图像编码方法 | |
CN107454413A (zh) | 一种保留特征的视频编码方法 | |
CN111062993A (zh) | 色彩合并的作画图像处理方法、装置、设备及存储介质 | |
CN113068034A (zh) | 视频编码方法及装置、编码器、设备、存储介质 | |
Guan et al. | A reversible contrast enhancement scheme for color images | |
CN110674884A (zh) | 一种基于特征融合的图像识别方法 | |
CN101662695A (zh) | 一种获取虚拟视图的方法和装置 | |
CN106998460B (zh) | 一种基于深度过渡和深度项整体变分的空洞填补算法 | |
CN108765246B (zh) | 一种隐写系统载体图像的选择方法 | |
CN115329112B (zh) | 一种无人机遥感图像高效存储方法 | |
CN103761753B (zh) | 基于纹理图像相似性的解压缩方法 | |
CN105631812B (zh) | 一种对显示图像进行色彩增强的控制方法及控制装置 | |
CN103997653A (zh) | 一种基于边缘的面向虚拟视绘制的深度视频的编码方法 | |
CN106993186A (zh) | 一种立体图像显著性检测方法 | |
Zhou et al. | Adaptive histogram fusion-based colour restoration and enhancement for underwater images | |
Zhang et al. | Aesthetic enhancement of landscape photographs as informed by paintings across depth layers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180112 |