CN108765267A - 一种基于误差扩散抖动算法的数码迷彩生成方法及系统 - Google Patents
一种基于误差扩散抖动算法的数码迷彩生成方法及系统 Download PDFInfo
- Publication number
- CN108765267A CN108765267A CN201810520523.7A CN201810520523A CN108765267A CN 108765267 A CN108765267 A CN 108765267A CN 201810520523 A CN201810520523 A CN 201810520523A CN 108765267 A CN108765267 A CN 108765267A
- Authority
- CN
- China
- Prior art keywords
- cluster
- error diffusion
- artwork
- image
- diffusion dither
- 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
- 238000009792 diffusion process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004040 coloring Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000010422 painting Methods 0.000 claims description 3
- 239000003973 paint Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- PLXMOAALOJOTIY-FPTXNFDTSA-N Aesculin Natural products OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)[C@H](O)[C@H]1Oc2cc3C=CC(=O)Oc3cc2O PLXMOAALOJOTIY-FPTXNFDTSA-N 0.000 description 1
- 235000011464 Pachycereus pringlei Nutrition 0.000 description 1
- 240000006939 Pachycereus weberi Species 0.000 description 1
- 235000011466 Pachycereus weberi Nutrition 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于误差扩散抖动算法的数码迷彩生成方法及系统,通过获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心,再将所述K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像。最终将所述聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将所述抖动图进行等比放大得到数码迷彩图像。如此,通过提取自然背景的特征信息,快速生成以像素点阵为基本单元且能反映背景特征的伪装数码迷彩图案。
Description
技术领域
本发明属于图像分析与处理领域,具体涉及一种基于误差扩散抖动算法的数码迷彩生成方法及系统。
背景技术
迷彩伪装是提高武器战斗及自我保护的一种重要手段。通过各种巧妙的伪装手段进行隐真示假,以蒙蔽敌方的侦察。普通迷彩的视觉区分度强,仅适于对抗固定距离或一定范围内、低分辨率的光学侦察,难以对付不同距离下的高分辨率航空和卫星成像侦察。
数码迷彩是由数码成像和图像处理技术生成的多色块状单元所构成的迷彩。与普通迷彩相比,在近距离观察时,数码迷彩单元能使不同颜色间的边界破碎、模糊,使得迷彩图案的纹理更加复杂,从而有效地应对不同距离以及高精度、高分辨率的空间侦察。数码迷彩设计作为军事研究的一项非常重要的课题,得到了国内外学者的重视。数码迷彩主要用于军事用途,大多数国家对数码迷彩的研究处于保密状态。在此背景下,开展我国的数码迷彩设计方法研究就显得格外重要。
鉴于以上原因,本发明提供一种基于误差扩散抖动算法的数码迷彩生成方法及系统。
发明内容
本发明提供一种基于误差扩散抖动算法的数码迷彩生成方法,包括步骤S1~S3。
步骤S1:获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心。
步骤S2:将所述K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像。
步骤S3:将所述聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将所述抖动图进行等比放大得到数码迷彩图像。
优选的,步骤S1还包括步骤S11~S13。
步骤S11:使用顶层图像进行Kmeans聚类,初始化聚类选取k个聚类中心。
步骤S12:将得到的k个聚类中心作为下一层图像的初始随机中心,该步骤直至到底层原图。
步骤S13:重复步骤S11和S12直至收敛。
优选的,步骤S2还包括,使用多层kmeans聚类后得到最优聚类中心作为原图背景色的主色,并利用得到的主色对原图进行主色上色,得到聚类上色图像。
优选的,在步骤S3中,将聚类上色图像划分为若干个等边多边形,并设定所述等边多边形边长为s,将所述聚类上色图像的宽高均等比缩小成原图的1/s。
优选的,在步骤S3中,滤波处理采用高斯低通滤波,且滤波器大小设定为[9,9],标准偏差sigma为
优选的,在步骤S3中,将抖动图的高宽做s倍放大,即将抖动图的一个像素复制s*s倍作为一个等边多边形。
优选的,在步骤S3中,误差扩散抖动是将图像的当前像素值与预设阈值相比较,得到一个二值输出,然后将输入像素与输出像素的差值扩散到未经处理的区域。
优选的,在步骤S3中,误差扩散抖动处理中,误差扩散核是Floyd-Stenberg滤波器。
本发明还提供一种基于误差扩散抖动算法的数码迷彩生成系统,包括主色提取模块、聚类上色模块及数码生成模块,所述主色提取模块连接聚类上色模块,所述聚类上色模块连接数码生成模块。所述主色提取模块,用于获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心。所述聚类上色模块,用于将所述K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像。所述数码生成模块,用于将所述聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将所述抖动图进行等比放大得到数码迷彩图像。
根据本发明提供的基于误差扩散抖动算法的数码迷彩生成方法及系统,通过获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心,再将所述K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像。最终将所述聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将所述抖动图进行等比放大得到数码迷彩图像。如此,通过提取自然背景的特征信息,快速生成以像素点阵为基本单元且能反映背景特征的伪装数码迷彩图案。
结合附图阅读本申请实施方式的详细描述后,本申请的其他特点和优点将变得更加清楚。
附图说明
图1为本发明提供的基于误差扩散抖动算法的数码迷彩生成方法流程图;
图2为本发明提供的KMeans具体算法流程图;
图3为本发明提供的彩色误差扩散抖动算法流程图;
图4为本发明提供的误差扩散核模型示意图;
图5a为本发明较佳实施例提供的背景原图;
图5b为本发明较佳实施例提供的与图5a对应生成的聚类上色图像;
图6为本发明较佳实施例提供的聚类数量与颜色占比示意图;
图7a为本发明又一较佳实施例提供的聚类上色图像;
图7b为本发明又一较佳实施例提供的与图7a对应生成的数码迷彩图像;
图8为本发明提供的基于误差扩散抖动算法的数码迷彩生成系统示意图。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。
如图1所示,本发明提供的基于误差扩散抖动算法的数码迷彩生成方法,包括步骤S1~S3。
步骤S1:获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心。
具体而言,常用的背景主色提取方法有两种,颜色直方图法和聚类分析法。经典Kmeans聚类分析的基本思路是:要对类内颜色的每个像素点与其对应的聚类中心的距离平方之和求最小。这里用到的是改进后的多层Kmeans算法,其算法原理如下。
KMeans(也叫K均值)聚类算法的基本思想是初始随机给定K个簇中心,按照最近邻原则把待分类样本点分到各个簇,然后按平均法重新计算各个簇的质心,重复迭代,直到簇心的移动距离小于某个给定值。
给定样本集合X={x(1),x(2),...,x(N)},其中x(i)∈Rd,KMeans算法的目标是将N个样本聚类成k个簇(cluster,μ1,μ2,...,μk)。
多层KMeans聚类主要指将待聚类的输入图像利用高斯金字塔降采样,使用顶层图像进行聚类计算出一组小图分辨率的K个簇中心,再将K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果为止。降采样层数与输入图像的分辨率大小有关系。简而言之,该方法替代了随机给定输入图像的初始聚类中心。
如图2所示,KMeans具体算法流程包括步骤S11~S13。
步骤S11:使用顶层图像进行Kmeans聚类,初始化聚类选取k个聚类中心。
具体地,初始化聚类选取k个聚类中心(clustercentroids)为μ1,μ2,...μk。
步骤S12:将得到的k个聚类中心作为下一层图像的初始随机中心,该步骤直至到底层原图。
步骤S13:重复步骤S11和S12直至收敛。
具体而言,对每一个样本x(i),根据最邻近(以欧氏距离度量为例)计算其所属分类
c(i):=argminj||xi-uj||2
对于每一个类j,重新计算该类的质心(centroids)
步骤S2:将所述K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像。
本步骤中,使用多层kmeans聚类后得到最优聚类中心作为原图背景色的主色,并利用得到的主色对原图进行主色上色,得到聚类上色图像。
步骤S3:将所述聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将所述抖动图进行等比放大得到数码迷彩图像。
具体而言,将步骤S2中获取的聚类上色图像为作为输入图像,并将聚类上色图像划分为若干个等边多边形,并设定所述等边多边形边长为s,将所述聚类上色图像的宽高均等比缩小成原图的1/s。本实施例采用的为正方形,并设正方形边长为s。
高斯低通滤波有模糊图像边缘的作用,使斑块间颜色相互渗透,为下一步的颜色抖动做基础高斯滤波器大小设定为[9,9],标准偏差
接下来,使用步骤s2的主色列表实现对滤波图的c色抖动。
误差扩散抖动(E-D抖动)是一种数字半调技术,可将连续色调图像编码为二值图像。由于该算法处理后的二值图像能模拟原始图像的灰度变化,从而使人眼能感受到灰度的连续变化。误差扩散抖动的基本思想是将图像的当前像素值与预设阈值相比较,得到一个二值输出,然后将输入像素与输出像素的差值以一定的方式扩散到未经处理的区域,其算法流程如图3所示。在图3中,I表示输入图像,I`表示上一次误差扩散后的输入图像,H为输出的二值图像,(m,n)为当前像素坐标。I`(m,n)、H(m,n)、e(m,n)的值分别表示如下:
I`(m,n)=I(m,n)+∑k,lw(k,l)·e(m-k,n-l) 式(1)
H(m,n)=Q[I`(m,n)]=Q[I(m,n)+∑k,lw(k,l)·e(m-k,n-l)] 式(2)
e(m,n)=I`(m,n)-H(m,n) 式(3)
在式(2)中,w(k,l)是误差扩散核在(k,l)位置的误差扩散权值,Q[·]代表阈值量化操作,这里只有0和1两种取值,阈值默认为0.5.由上式可以推导出e(m,n)的迭代式为:
e(m,n)=I(m,n)+∑k,lw(k,l)·e(m-k,n-l)-H(m,n) 式(4)
误差扩散抖动法的关键之处就是误差扩散核w,不同的误差扩散核将得到不同的半调结果。常用的误差扩散核是由Floyd-Stenberg提出的滤波器,可用图4的模型来说明。当进行抖动处理时,若X处的像素值与阈值之间有误差,则将该误差的7/16分配给其右边像素,误差的3/16分配给其左下方的像素,误差的5/16分配给其下方的像素,最后l/16分配到右下方的像素值上。这种将量化引起误差分散传递给邻近像素的方法极大地减少了量化前后颜色在视觉上的差异感,也保证了处理前后图像的总灰度值相一致。误差扩散(E-D抖动)也是使用该滤波器。
彩色图像的抖动由灰度图二值抖动推广得到,把每种指定颜色都视为独立灰度图进行二值抖动,这样就用几种颜色的组合模拟出大范围内的多色彩模式。
最后,将抖动图的高宽做s倍放大,即将抖动图的一个像素复制s*s倍作为一个正方形,便得到转换后的数码迷彩。
举例而言,请参照图5a及图5b,聚类上色过程中,预期聚类数量为4,多层聚类层数为7。具体如图6所示。
本发明还提供一种基于误差扩散抖动算法的数码迷彩生成系统,如图8所示,包括主色提取模块101、聚类上色模块102及数码生成模块103,主色提取模块101连接聚类上色模块102,聚类上色模块102连接数码生成模块103。主色提取模块101,用于获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心。聚类上色模块102,用于将K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像。数码生成模块103,用于将聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将抖动图进行等比放大得到数码迷彩图像。
根据本发明较佳实施例提供的基于误差扩散抖动算法的数码迷彩生成方法及系统,通过获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心,再将所述K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像。最终将所述聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将所述抖动图进行等比放大得到数码迷彩图像。如此,通过提取自然背景的特征信息,快速生成以像素点阵为基本单元且能反映背景特征的伪装数码迷彩图案。
以上所述仅是本发明的优选实施例,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于误差扩散抖动算法的数码迷彩生成方法,其特征在于,包括以下步骤:
S1、获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心;
S2、将所述K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像;
S3、将所述聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将所述抖动图进行等比放大得到数码迷彩图像。
2.根据权利要求1所述的基于误差扩散抖动算法的数码迷彩生成方法,其特征在于,步骤S1还包括,
S11、使用顶层图像进行Kmeans聚类,初始化聚类选取k个聚类中心;
S12、将得到的k个聚类中心作为下一层图像的初始随机中心,该步骤直至到底层原图。
S13、重复步骤S11和S12直至收敛。
3.根据权利要求1所述的基于误差扩散抖动算法的数码迷彩生成方法,其特征在于,步骤S2还包括,使用多层kmeans聚类后得到最优聚类中心作为原图背景色的主色,并利用得到的主色对原图进行主色上色,得到聚类上色图像。
4.根据权利要求1所述的基于误差扩散抖动算法的数码迷彩生成方法,其特征在于,在步骤S3中,将聚类上色图像划分为若干个等边多边形,并设定所述等边多边形边长为s,将所述聚类上色图像的宽高均等比缩小成原图的1/s。
5.根据权利要求3所述的基于误差扩散抖动算法的数码迷彩生成方法,其特征在于,滤波处理采用高斯低通滤波,且滤波器大小设定为[9,9],标准偏差sigma为
6.根据权利要求1所述的基于误差扩散抖动算法的数码迷彩生成方法,其特征在于,在步骤S3中,将抖动图的高宽做s倍放大,即将抖动图的一个像素复制s*s倍作为一个等边多边形。
7.根据权利要求1所述的基于误差扩散抖动算法的数码迷彩生成方法,其特征在于,在步骤S3中,误差扩散抖动是将图像的当前像素值与预设阈值相比较,得到一个二值输出,然后将输入像素与输出像素的差值扩散到未经处理的区域。
8.根据权利要求1所述的基于误差扩散抖动算法的数码迷彩生成方法,其特征在于,在步骤S3中,误差扩散抖动处理中,误差扩散核是Floyd-Stenberg滤波器。
9.一种基于误差扩散抖动算法的数码迷彩生成系统,其特征在于,包括主色提取模块、聚类上色模块及数码生成模块,所述主色提取模块连接聚类上色模块,所述聚类上色模块连接数码生成模块,
所述主色提取模块,用于获取背景图片作为原图,并将原图利用高斯金字塔降采样,使用顶层图像进行Kmeans聚类计算出一组小图分辨率的K个簇中心;
所述聚类上色模块,用于将所述K个簇中心作为下一层图像的初始中心颜色,直至原图得到初始中心计算出聚类结果得到主色列表,并得到聚类上色图像;
所述数码生成模块,用于将所述聚类上色图像进行等比缩小,并作滤波处理后,进行误差扩散抖动生成抖动图,并将所述抖动图进行等比放大得到数码迷彩图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810520523.7A CN108765267A (zh) | 2018-05-25 | 2018-05-25 | 一种基于误差扩散抖动算法的数码迷彩生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810520523.7A CN108765267A (zh) | 2018-05-25 | 2018-05-25 | 一种基于误差扩散抖动算法的数码迷彩生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765267A true CN108765267A (zh) | 2018-11-06 |
Family
ID=64005974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810520523.7A Pending CN108765267A (zh) | 2018-05-25 | 2018-05-25 | 一种基于误差扩散抖动算法的数码迷彩生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765267A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021054A (zh) * | 2019-04-12 | 2019-07-16 | 青岛九维华盾科技研究院有限公司 | 一种用于斑点迷彩图案设计的斑块赋色方法 |
CN110120080A (zh) * | 2019-04-12 | 2019-08-13 | 青岛九维华盾科技研究院有限公司 | 一种快速生成标准伪装迷彩主色的方法 |
CN112184838A (zh) * | 2020-10-09 | 2021-01-05 | 哈尔滨工程大学 | 一种基于颜色相关度的多背景迷彩图案主色提取方法 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020114512A1 (en) * | 2001-02-20 | 2002-08-22 | Ravishankar Rao | Color clustering and segmentation using sigma filtering |
CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
CN104318570A (zh) * | 2014-10-29 | 2015-01-28 | 沈阳建筑大学 | 一种基于背景的自适应迷彩伪装设计方法 |
CN106023212A (zh) * | 2016-05-24 | 2016-10-12 | 西安电子科技大学 | 一种基于金字塔逐层传播聚类的超像素分割方法 |
CN107729830A (zh) * | 2017-10-09 | 2018-02-23 | 西安工业大学 | 基于背景特征的迷彩伪装效果检测计算方法 |
-
2018
- 2018-05-25 CN CN201810520523.7A patent/CN108765267A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020114512A1 (en) * | 2001-02-20 | 2002-08-22 | Ravishankar Rao | Color clustering and segmentation using sigma filtering |
CN102800094A (zh) * | 2012-07-13 | 2012-11-28 | 南京邮电大学 | 一种快速彩色图像分割方法 |
CN104318570A (zh) * | 2014-10-29 | 2015-01-28 | 沈阳建筑大学 | 一种基于背景的自适应迷彩伪装设计方法 |
CN106023212A (zh) * | 2016-05-24 | 2016-10-12 | 西安电子科技大学 | 一种基于金字塔逐层传播聚类的超像素分割方法 |
CN107729830A (zh) * | 2017-10-09 | 2018-02-23 | 西安工业大学 | 基于背景特征的迷彩伪装效果检测计算方法 |
Non-Patent Citations (3)
Title |
---|
张勇 等: "基于改进K均值聚类分析的迷彩伪装色选取", 《计算机工程与应用》 * |
张强: "数码迷彩的拼接方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
江玉珍: "基于E-D抖动的自适应数码迷彩转化算法", 《南方职业教育学刊》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021054A (zh) * | 2019-04-12 | 2019-07-16 | 青岛九维华盾科技研究院有限公司 | 一种用于斑点迷彩图案设计的斑块赋色方法 |
CN110120080A (zh) * | 2019-04-12 | 2019-08-13 | 青岛九维华盾科技研究院有限公司 | 一种快速生成标准伪装迷彩主色的方法 |
CN110021054B (zh) * | 2019-04-12 | 2023-07-28 | 青岛九维华盾科技研究院有限公司 | 一种用于斑点迷彩图案设计的斑块赋色方法 |
CN110120080B (zh) * | 2019-04-12 | 2024-01-05 | 青岛九维华盾科技研究院有限公司 | 一种快速生成标准伪装迷彩主色的方法 |
CN112184838A (zh) * | 2020-10-09 | 2021-01-05 | 哈尔滨工程大学 | 一种基于颜色相关度的多背景迷彩图案主色提取方法 |
CN112184838B (zh) * | 2020-10-09 | 2022-06-21 | 哈尔滨工程大学 | 一种基于颜色相关度的多背景迷彩图案主色提取方法 |
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 |
---|---|---|
CN108765267A (zh) | 一种基于误差扩散抖动算法的数码迷彩生成方法及系统 | |
Jourabloo et al. | Face de-spoofing: Anti-spoofing via noise modeling | |
Dieleman et al. | Exploiting cyclic symmetry in convolutional neural networks | |
CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
CN109961396B (zh) | 一种基于卷积神经网络的图像超分辨率重建方法 | |
CN110991299A (zh) | 一种物理域上针对人脸识别系统的对抗样本生成方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN108961162A (zh) | 一种无人机林区航拍图像拼接方法和系统 | |
CN109086723B (zh) | 一种基于迁移学习的人脸检测的方法、装置以及设备 | |
CN111126412B (zh) | 基于特征金字塔网络的图像关键点检测方法 | |
CN108564549A (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
CN110880165A (zh) | 一种基于轮廓和颜色特征融合编码的图像去雾方法 | |
CN109064522A (zh) | 基于条件生成对抗网络的汉字字体生成方法 | |
CN110210432A (zh) | 一种基于智能安防机器人非受限条件下的人脸识别方法 | |
CN108734677B (zh) | 一种基于深度学习的盲去模糊方法及系统 | |
CN110991349B (zh) | 一种基于度量学习的轻量级车辆属性识别方法 | |
CN105844213B (zh) | 一种绿色果实识别方法 | |
CN110503610A (zh) | 一种基于gan网络的图像雨雪痕迹去除方法 | |
CN110276729A (zh) | 一种低照度彩色图像的增强方法 | |
CN109472757A (zh) | 一种基于生成对抗神经网络的图像去台标方法 | |
CN108805125A (zh) | 基于粒子群算法优化神经网络的车牌识别系统及方法 | |
CN109376719B (zh) | 一种基于组合特征表示的相机光响应非均匀性指纹提取及比对方法 | |
CN113506275B (zh) | 一种基于全景城市图像处理方法 |
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: 20181106 |