CN108665430A - 一种基于色彩空间和支持向量机的镜面反射检测方法 - Google Patents
一种基于色彩空间和支持向量机的镜面反射检测方法 Download PDFInfo
- Publication number
- CN108665430A CN108665430A CN201810435799.5A CN201810435799A CN108665430A CN 108665430 A CN108665430 A CN 108665430A CN 201810435799 A CN201810435799 A CN 201810435799A CN 108665430 A CN108665430 A CN 108665430A
- Authority
- CN
- China
- Prior art keywords
- color space
- reflection
- image
- hsv
- rgb
- 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.)
- Withdrawn
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 230000008439 repair process Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims 1
- 238000002052 colonoscopy Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10068—Endoscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30028—Colon; Small intestine
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明中提出的一种基于色彩空间和支持向量机的镜面反射检测方法，其主要内容包括：RGB检测方法、HSV检测方法、用支持向量机(SVM)选择色彩空间和图像修复方法，其过程为，先在检测阶段同时使用HSV和RGB色彩空间信息来分割镜面反射，接着训练一个非线性支持向量机，用于根据从色彩空间的每个通道提取的图像统计特征来选择色彩空间，然后引入用于检测镜面反射的成本函数，最后通过适当的替换斑块选择和去除斑块效应，应用基于边缘的平滑方法来逐渐消除边缘伪影，从而对图像进行修复。本发明使用了HSV和RGB色彩空间信息和非线性支持向量机，检测并去除了结肠镜检查和内窥镜图像中的镜面反射区域，大大提高了图像的质量。
Description
技术领域
本发明涉及图像处理领域，尤其是涉及了一种基于色彩空间和支持向量机的镜面反射检测方法。
背景技术
镜面反射是指在医学成像中可能出现的具有不饱和颜色的明亮像素或斑点。这种类型的反射是结肠镜检查和内窥镜图像质量下降的常见原因。医生通常倾向于消除医学图像中的这些镜面反射。在内窥镜检查或结肠镜检查的情况下，由于成像装置携带闪光灯，在胃肠道内表面存在湿气的情况下通常会产生反射。且由于它们在不同图像中的形状和颜色变化，检测这些反射是一项具有挑战性的任务。为了去除这些镜面反射，可以使用图像修补方法，其将具有类似形状和纹理的这些斑点填充到该区域中的图像的纹理。通过检测和去除这样的反射，可以提高结肠镜检查图像的质量，并有效辅助医生进行诊断。然而，由于在发生镜面反射时信噪比较低，因此反射所覆盖的生物体的原始信息在大多数情况下无法恢复，导致图像质量下降。
本发明提出了一种基于色彩空间和支持向量机的镜面反射检测方法，先在检测阶段同时使用HSV和RGB色彩空间信息来分割镜面反射，接着训练一个非线性支持向量机，用于根据从色彩空间的每个通道提取的图像统计特征来选择色彩空间，然后引入用于检测镜面反射的成本函数，最后通过适当的替换斑块选择和去除斑块效应，应用基于边缘的平滑方法来逐渐消除边缘伪影，从而对图像进行修复。本发明使用了HSV和RGB色彩空间信息和非线性支持向量机，检测并去除了结肠镜检查和内窥镜图像中的镜面反射区域，大大提高了图像的质量。
发明内容
针对图像质量下降的问题，本发明的目的在于提供一种基于色彩空间和支持向量机的镜面反射检测方法，先在检测阶段同时使用HSV和RGB色彩空间信息来分割镜面反射，接着训练一个非线性支持向量机，用于根据从色彩空间的每个通道提取的图像统计特征来选择色彩空间，然后引入用于检测镜面反射的成本函数，最后通过适当的替换斑块选择和去除斑块效应，应用基于边缘的平滑方法来逐渐消除边缘伪影，从而对图像进行修复。
为解决上述问题，本发明提供一种基于色彩空间和支持向量机的镜面反射检测方法，其主要内容包括：
(一)RGB检测方法；
(二)HSV检测方法；
(三)用支持向量机(SVM)选择色彩空间；
(四)图像修复方法。
其中，所述的RGB检测方法，RGB色彩空间接近人类感知系统，是图像处理算法中最常用的色彩空间；由于镜面反射的亮度，在该颜色空间和投票方案中，基于对所有三个通道的阈值化构建RGB检测方法，以此标记每个像素；如果三个通道中的两个通道将该像素映射为反射，则投票方案将每个像素标记为镜面反射。
其中，所述的HSV检测方法，HSV是图像处理中最有用的色彩空间之一，因为它能够将图像分离成具有不同特性的不相关图像组件；S通道和V通道都具有良好的反射指示，而H通道在这方面没有任何信息；S通道在反射区域的值较低，因为这些区域的色彩饱和度相当类似；从颜色变换的角度来看，反射可以认为是一个像素中所有颜色的聚合，限制了一种颜色的较高光焦度，并随后限制了该颜色的饱和度；因此，(1-S)×V的函数被用作反射的分割标准；(1-S)从饱和度角度引起较高的反射值，并且这两个因素的乘法会直接影响两个方面的变化；
HSV检测方法包括以下步骤：
(1)从RGB到HSV颜色空间的转换；
(2)分别分析每个H、S和V通道，分别生成称为H、∑和γ三个矩阵；
(3)汇总三个通道的所有特征，产生公式(1)中提出的成本函数；
(4)对结果进行阈值处理，使用公式(2)中提出的统计上恒定的阈值函数；
CHSV＝H+∑×γ (1)
t0＝μ+k×σ (2)
因此，形式μ+k×σ的阈值对数据集执行统一的阈值处理，该阈值适应于每个图像的统计量；较高的k值导致将较小区域分割为反射；超过此阈值的值被视为反射，而其他值则被视为正常像素。
进一步地，所述的H通道，它为每个像素提取一个独特的3×3色块；计算斑点的方差以表示斑点的中心像素的局部方差；为了统一执行成本函数而对局部差异进行归一化。
进一步地，所述的S通道，它对(-S)进行归一化，然后进行单位转换；应用斜坡函数来消除负值，这意味着只保留较低的饱和度值，其明亮反射的可能性较高。
进一步地，所述的V通道，它对V进行归一化，然后进行单位转换；应用斜坡函数来消除负值，这意味着维持具有较高反射概率的较高V值。
其中，所述的用支持向量机(SVM)选择色彩空间，使用SVM作为分类器根据输入图像选择合适的色彩空间；非线性SVM是软边缘SVM的改进版本，可以将非线性边界的两个类分开；使用具有高斯内核的非线性SVM来选择适当的颜色空间；使用二进制标记对非线性SVM分类器进行训练，并在数据库中评估RGB和HSV方法，以确定最好的方法。
进一步地，所述的非线性支持向量机，非线性支持向量机训练有12个统计特征，包括RGB和HSV色彩空间每个通道的平均值和标准差；为了改善训练过程，在整个训练数据集中针对它们的平均值和标准差单独地归一化所有输入特征。
其中，所述的图像修复方法，采用成本函数在四个方向上选择每个连接组件周围的斑点，并在成本函数中添加一个相关项，用于选择更类似于主反射斑点的斑点；
Cost＝Δμ×Δσ×d×(1-NC) (3)
由于分割区域的边缘可能存在伪影，因此应用基于边缘的平滑方法来逐渐消除边缘伪影。
进一步地，所述的基于边缘的平滑方法，起点是反射周围的两个像素宽度的环、替代区域的内部像素和原始反射斑点的外层；对于每个像素，选择一个3×3的色块，并将强度值更改为正态分布的随机值；这个分布的平均值和标准偏差分别等于所有三个RGB通道的斑块均值和斑块标准差；在替换这个双像素环的所有像素之后，将该环扩张一个像素，并为这个新环重复上述过程；随机正常值的扩张次数和标准差集合取决于这种特定类型图像的实验结果中将提及的图像类型。
附图说明
图1是本发明一种基于色彩空间和支持向量机的镜面反射检测方法的系统流程图。
图2是本发明一种基于色彩空间和支持向量机的镜面反射检测方法的HSV检测方法。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于色彩空间和支持向量机的镜面反射检测方法的系统流程图。主要包括RGB检测方法，HSV检测方法，用支持向量机(SVM)选择色彩空间和图像修复方法。
RGB检测方法，RGB色彩空间接近人类感知系统，是图像处理算法中最常用的色彩空间；由于镜面反射的亮度，在该颜色空间和投票方案中，基于对所有三个通道的阈值化构建RGB检测方法，以此标记每个像素；如果三个通道中的两个通道将该像素映射为反射，则投票方案将每个像素标记为镜面反射。
使用SVM作为分类器根据输入图像选择合适的色彩空间；非线性SVM是软边缘SVM的改进版本，可以将非线性边界的两个类分开；使用具有高斯内核的非线性SVM来选择适当的颜色空间；使用二进制标记对非线性SVM分类器进行训练，并在数据库中评估RGB和HSV方法，以确定最好的方法。
非线性支持向量机训练有12个统计特征，包括RGB和HSV色彩空间每个通道的平均值和标准差；为了改善训练过程，在整个训练数据集中针对它们的平均值和标准差单独地归一化所有输入特征。
采用成本函数在四个方向上选择每个连接组件周围的斑点，并在成本函数中添加一个相关项，用于选择更类似于主反射斑点的斑点；
Cost＝Δμ×Δσ×d×(1-NC) (1)
由于分割区域的边缘可能存在伪影，因此应用基于边缘的平滑方法来逐渐消除边缘伪影。
起点是反射周围的两个像素宽度的环、替代区域的内部像素和原始反射斑点的外层；对于每个像素，选择一个3×3的色块，并将强度值更改为正态分布的随机值；这个分布的平均值和标准偏差分别等于所有三个RGB通道的斑块均值和斑块标准差；在替换这个双像素环的所有像素之后，将该环扩张一个像素，并为这个新环重复上述过程；随机正常值的扩张次数和标准差集合取决于这种特定类型图像的实验结果中将提及的图像类型。
图2是本发明一种基于色彩空间和支持向量机的镜面反射检测方法的HSV检测方法。HSV是图像处理中最有用的色彩空间之一，因为它能够将图像分离成具有不同特性的不相关图像组件；S通道和V通道都具有良好的反射指示，而H通道在这方面没有任何信息；S通道在反射区域的值较低，因为这些区域的色彩饱和度相当类似；从颜色变换的角度来看，反射可以认为是一个像素中所有颜色的聚合，限制了一种颜色的较高光焦度，并随后限制了该颜色的饱和度；因此，(1-S)×V的函数被用作反射的分割标准；(1-S)从饱和度角度引起较高的反射值，并且这两个因素的乘法会直接影响两个方面的变化；
HSV检测方法包括以下步骤：
(1)从RGB到HSV颜色空间的转换；
(2)分别分析每个H、S和V通道，分别生成称为H、∑和γ三个矩阵；
(3)汇总三个通道的所有特征，产生公式(1)中提出的成本函数；
(4)对结果进行阈值处理，使用公式(2)中提出的统计上恒定的阈值函数；
CHSV＝H+∑×γ (2)
t0＝μ+k×σ (3)
因此，形式μ+k×σ的阈值对数据集执行统一的阈值处理，该阈值适应于每个图像的统计量；较高的k值导致将较小区域分割为反射；超过此阈值的值被视为反射，而其他值则被视为正常像素。
H通道为每个像素提取一个独特的3×3色块；计算斑点的方差以表示斑点的中心像素的局部方差；为了统一执行成本函数而对局部差异进行归一化。
S通道对(-S)进行归一化，然后进行单位转换；应用斜坡函数来消除负值，这意味着只保留较低的饱和度值，其明亮反射的可能性较高。
V通道对V进行归一化，然后进行单位转换；应用斜坡函数来消除负值，这意味着维持具有较高反射概率的较高V值。
对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种基于色彩空间和支持向量机的镜面反射检测方法，其特征在于，主要包括RGB检测方法(一)；HSV检测方法(二)；用支持向量机(SVM)选择色彩空间(三)；图像修复方法(四)。
2.基于权利要求书1所述的RGB检测方法(一)，其特征在于，RGB色彩空间接近人类感知系统，是图像处理算法中最常用的色彩空间；由于镜面反射的亮度，在该颜色空间和投票方案中，基于对所有三个通道的阈值化构建RGB检测方法，以此标记每个像素；如果三个通道中的两个通道将该像素映射为反射，则投票方案将每个像素标记为镜面反射。
3.基于权利要求书1所述的HSV检测方法(二)，其特征在于，HSV是图像处理中最有用的色彩空间之一，因为它能够将图像分离成具有不同特性的不相关图像组件；S通道和V通道都具有良好的反射指示，而H通道在这方面没有任何信息；S通道在反射区域的值较低，因为这些区域的色彩饱和度相当类似；从颜色变换的角度来看，反射可以认为是一个像素中所有颜色的聚合，限制了一种颜色的较高光焦度，并随后限制了该颜色的饱和度；因此，(1-S)×V的函数被用作反射的分割标准；(1-S)从饱和度角度引起较高的反射值，并且这两个因素的乘法会直接影响两个方面的变化；
HSV检测方法包括以下步骤：
(1)从RGB到HSV颜色空间的转换；
(2)分别分析每个H、S和V通道，分别生成称为H、∑和γ三个矩阵；
(3)汇总三个通道的所有特征，产生公式(1)中提出的成本函数；
(4)对结果进行阈值处理，使用公式(2)中提出的统计上恒定的阈值函数；
GHSV＝H+∑×γ (1)
t0＝μ+k×σ (2)
因此，形式μ+k×σ的阈值对数据集执行统一的阈值处理，该阈值适应于每个图像的统计量；较高的k值导致将较小区域分割为反射；超过此阈值的值被视为反射，而其他值则被视为正常像素。
4.基于权利要求书3所述的H通道，其特征在于，它为每个像素提取一个独特的3×3色块；计算斑点的方差以表示斑点的中心像素的局部方差；为了统一执行成本函数而对局部差异进行归一化。
5.基于权利要求书3所述的S通道，其特征在于，它对(-S)进行归一化，然后进行单位转换；应用斜坡函数来消除负值，这意味着只保留较低的饱和度值，其明亮反射的可能性较高。
6.基于权利要求书3所述的V通道，其特征在于，它对V进行归一化，然后进行单位转换；应用斜坡函数来消除负值，这意味着维持具有较高反射概率的较高V值。
7.基于权利要求书1所述的用支持向量机(SVM)选择色彩空间(三)，其特征在于，使用SVM作为分类器根据输入图像选择合适的色彩空间；非线性SVM是软边缘SVM的改进版本，可以将非线性边界的两个类分开；使用具有高斯内核的非线性SVM来选择适当的颜色空间；使用二进制标记对非线性SVM分类器进行训练，并在数据库中评估RGB和HSV方法，以确定最好的方法。
8.基于权利要求书7所述的非线性支持向量机，其特征在于，非线性支持向量机训练有12个统计特征，包括RGB和HSV色彩空间每个通道的平均值和标准差；为了改善训练过程，在整个训练数据集中针对它们的平均值和标准差单独地归一化所有输入特征。
9.基于权利要求书1所述的图像修复方法(四)，其特征在于，采用成本函数在四个方向上选择每个连接组件周围的斑点，并在成本函数中添加一个相关项，用于选择更类似于主反射斑点的斑点；
Cost＝Δμ×Δσ×d×(1-NC) (3)
由于分割区域的边缘可能存在伪影，因此应用基于边缘的平滑方法来逐渐消除边缘伪影。
10.基于权利要求书1所述的基于边缘的平滑方法，其特征在于，起点是反射周围的两个像素宽度的环、替代区域的内部像素和原始反射斑点的外层；对于每个像素，选择一个3×3的色块，并将强度值更改为正态分布的随机值；这个分布的平均值和标准偏差分别等于所有三个RGB通道的斑块均值和斑块标准差；在替换这个双像素环的所有像素之后，将该环扩张一个像素，并为这个新环重复上述过程；随机正常值的扩张次数和标准差集合取决于这种特定类型图像的实验结果中将提及的图像类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810435799.5A CN108665430A (zh) | 2018-05-08 | 2018-05-08 | 一种基于色彩空间和支持向量机的镜面反射检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810435799.5A CN108665430A (zh) | 2018-05-08 | 2018-05-08 | 一种基于色彩空间和支持向量机的镜面反射检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108665430A true CN108665430A (zh) | 2018-10-16 |
Family
ID=63778235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810435799.5A Withdrawn CN108665430A (zh) | 2018-05-08 | 2018-05-08 | 一种基于色彩空间和支持向量机的镜面反射检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665430A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110060222A (zh) * | 2019-04-29 | 2019-07-26 | 重庆金山医疗器械有限公司 | 一种图像校正方法、装置及内窥镜系统 |
| CN113902705A (zh) * | 2021-10-09 | 2022-01-07 | 上海景吾智能科技有限公司 | 基于rgb和hsv通道的污渍检测方法、系统、介质及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101882315A (zh) * | 2009-05-04 | 2010-11-10 | 青岛海信数字多媒体技术国家重点实验室有限公司 | 肤色区域的检测方法 |
| CN104952066A (zh) * | 2015-05-11 | 2015-09-30 | 国网安徽省电力公司芜湖供电公司 | 基于hsv色彩空间的输电线路相位标志牌识别方法 |
-
2018
- 2018-05-08 CN CN201810435799.5A patent/CN108665430A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101882315A (zh) * | 2009-05-04 | 2010-11-10 | 青岛海信数字多媒体技术国家重点实验室有限公司 | 肤色区域的检测方法 |
| CN104952066A (zh) * | 2015-05-11 | 2015-09-30 | 国网安徽省电力公司芜湖供电公司 | 基于hsv色彩空间的输电线路相位标志牌识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| MOJTABA AKBARI: "ADAPTIVE SPECULAR REFLECTION DETECTION AND INPAINTING IN COLONOSCOPY VIDEO FRAMES", 《ARXIV:1802.08402》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110060222A (zh) * | 2019-04-29 | 2019-07-26 | 重庆金山医疗器械有限公司 | 一种图像校正方法、装置及内窥镜系统 |
| CN110060222B (zh) * | 2019-04-29 | 2022-05-06 | 重庆金山医疗技术研究院有限公司 | 一种图像校正方法、装置及内窥镜系统 |
| CN113902705A (zh) * | 2021-10-09 | 2022-01-07 | 上海景吾智能科技有限公司 | 基于rgb和hsv通道的污渍检测方法、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bianco et al. | Single and multiple illuminant estimation using convolutional neural networks | |
| Sato | TXI: Texture and color enhancement imaging for endoscopic image enhancement | |
| US8798361B2 (en) | Mapping colors of an image | |
| US8923612B2 (en) | Image processing apparatus and method, and program | |
| CN102243762A (zh) | 图像处理装置以及图像处理方法 | |
| EP3272110B1 (en) | Apparatus and method for color calibration | |
| US20060104533A1 (en) | High dynamic range images from low dynamic range images | |
| AU2011250827B2 (en) | Image processing apparatus, image processing method, and program | |
| Shen et al. | Content-aware specular reflection suppression based on adaptive image inpainting and neural network for endoscopic images | |
| JP6578058B2 (ja) | 画像処理装置、画像処理装置の作動方法及び画像処理装置の作動プログラム | |
| Brémond et al. | Saliency maps of high dynamic range images | |
| Trongtirakul et al. | Single backlit image enhancement | |
| US9299003B2 (en) | Image processing apparatus, non-transitory computer readable medium, and image processing method | |
| CN108665430A (zh) | 一种基于色彩空间和支持向量机的镜面反射检测方法 | |
| Jiang et al. | Correlation-based intrinsic image extraction from a single image | |
| Abebe et al. | Towards an automatic correction of over-exposure in photographs: Application to tone-mapping | |
| US11120578B2 (en) | Method of color matching using reference indicators | |
| CN103685972B (zh) | 影像优化方法以及使用此方法的系统 | |
| Harrabi et al. | Color image segmentation using automatic thresholding techniques | |
| US20170274285A1 (en) | Method and apparatus for automating the creation of a puzzle pix playable on a computational device from a photograph or drawing | |
| US20190259168A1 (en) | Image processing apparatus, image processing method, and storage medium | |
| US8774506B2 (en) | Method of detecting red eye image and apparatus thereof | |
| JP2009050035A (ja) | 画像処理方法、画像処理システムおよび画像処理プログラム | |
| Vu et al. | Image-enhanced capsule endoscopy preserving the original color tones | |
| Foucart et al. | Finding the best channel for tissue segmentation in whole-slide images |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181016 |
|
| WW01 | Invention patent application withdrawn after publication |