CN110706294A - 一种色纺织物颜色差异度检测方法 - Google Patents

一种色纺织物颜色差异度检测方法 Download PDF

Info

Publication number
CN110706294A
CN110706294A CN201910853855.1A CN201910853855A CN110706294A CN 110706294 A CN110706294 A CN 110706294A CN 201910853855 A CN201910853855 A CN 201910853855A CN 110706294 A CN110706294 A CN 110706294A
Authority
CN
China
Prior art keywords
color
hsv
lab
color space
image
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Withdrawn
Application number
CN201910853855.1A
Other languages
English (en)
Inventor
袁理
刘沐黎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Textile University
Original Assignee
Wuhan Textile University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Textile University filed Critical Wuhan Textile University
Priority to CN201910853855.1A priority Critical patent/CN110706294A/zh
Publication of CN110706294A publication Critical patent/CN110706294A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Color Image Communication Systems (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理技术领域，涉及一种色纺织物颜色差异度检测方法，广泛应用于人工智能，颜色分析，模式识别，智能化检测等领域。本发明首先对图像进行色彩空间转换，再分别在HSV和Lab色彩空间中提取全局颜色特征和局部纹理描述子，最后将其对应特征融合得到混合色彩空间颜色表征特征。本发明避免了单一色彩空间描述颜色的不足，提高了混合色彩空间的色彩刻画能力，准确地检测出颜色差异度，对不同的色纺面料具有普适性。

Description

一种色纺织物颜色差异度检测方法
技术领域
本发明涉及一种色纺织物颜色差异度检测方法，属于图像处理技术领域，建立的混合色彩空间颜色表征特征能对色纺织物颜色进行有效表征，并进一步检测颜色差异度。
背景技术
色纺面料是由两种及以上不同染色纤维经过特定工序混合和加工纺制而成，具有特殊呈色效果，通过调整染色纤维的配比及生产工艺，可以获得色彩层次丰富的色纺面料。在色纺面料的生产过程中，企业难以检测目标色，因此需要科学的颜色表征才能精确的检测不同色纺织物间的颜色差异度。
通常用到的颜色空间对复杂颜色模型表征有局限性，不能准确的描述颜色的特征，往往需要结合多个不同的单一颜色空间对颜色特征进行表征。无论是单一颜色空间还是混合颜色空间，都是通过颜色特征来统计其空间分布的特性，即能表征颜色的颜色特征和纹理特征。
颜色直方图是被广泛应用的颜色特征描述方法，描述了图像中关于颜色的数量特征，可以反映图像颜色的统计分布，但丢失了每种颜色所处的空间位置。颜色矩是一种简单有效的颜色特征表达方法，通过用一阶矩，二阶矩和三阶矩表达图像的颜色分布，且该方法不需要颜色空间量化，特征向量维数低，但检索效率比较低。颜色聚合向量是对颜色直方图的改进算法，将直方图中的每一个颜色簇分为聚合和非聚合的两部分，包含了颜色分布的空间信息，且可以达到更好的检索效果。
纹理是一种反映图像中同质现象的视觉特征，体现了物体表面的具有缓慢变化或周期性变化的表面结构组织排列属性。纹理特征描述方法，可以分为统计方法，几何法，模型法，信号处理法和结构分析法。统计方法是基于像素及其领域的灰度属性，研究纹理区域的统计特征。是最简单，应用最多的方法，典型代表是灰度共生矩阵、自相关函数和半方差图。几何法是建立在纹理基元理论基础上的一种纹理特征分析方法，比较有影响的算法有棋盘格特征法，但其应用和发展极其受限。模型法是从纹理图像的实现来估计计算模型参数，同时以参数为特征，或采用某种分类策略进行图像分割，模型系数的求解有难度且计算量很大，参数调节不方便。信号处理的方法是建立在时域、频域分析，以及多尺度分析的基础上，经典算法有Tamura纹理特征，自回归纹理模型和小波变换。结构分析法认为纹理是由纹理基元的类型、数目，以及基元之间的重复性的空间组织结构与排列规则来描述的，而且纹理基元几乎具有规范的关系，典型算法有句法纹理描述算法和数学形态学方法。
发明内容
一种色纺织物颜色差异度检测方法，其特征在于，包括：
步骤1：获取色纺织物图像；
步骤2：把色纺织物图像从RGB色彩空间分别转换到HSV色彩空间和Lab色彩空间；
步骤3：分别提取HSV色彩空间和Lab色彩空间的全局颜色特征和局部纹理描述子，并进行融合；包括以下子步骤：
步骤3.1：全局颜色特征提取采用颜色聚合向量的方法，图像的颜色聚合向量表示如下：
f＝<(α1,β1),(α2,β2),…(αi,βi)>式3.1
式中，αi是第i个聚类的聚合数目，βi是第i个聚类的非聚合数目，(αi,βi)是第i个聚合向量对；
分别计算HSV色彩空间中H分量的颜色聚合向量fHSV-H,S分量的颜色聚合向量fHSV-S，V分量的颜色聚合向量fHSV-V，得到HSV色彩空间三通道颜色聚合向量表示如下：
fHSV＝fHSV-H+fHSV-S+fHSV-V 式3.2
步骤3.2：分别计算Lab色彩空间中L分量的颜色聚合向量fLab-L，a分量的颜色聚合向量fLab-a，b分量的颜色聚合向量fLab-b，得到Lab色彩空间三通道颜色聚合向量表示如下：
fLab＝fLab-L+fLab-a+fLab-b 式3.3
步骤3.3：融合HSV色彩空间和Lab色彩空间的颜色聚合向量，得到混合色彩空间的全局颜色特征，融合公式如下：
F＝ω×fHSV+(1-ω)×fLab式3.4
步骤3.4：在HSV色彩空间中，通过对图像每个点计算CoLBP,得到彩色LBP图像，CoLBP的计算公式如下：
Figure BDA0002197725940000031
Figure BDA0002197725940000032
式中，P是领域点的个数，C1,j,C2,j,C3,j分别表示点的领域中的第j个点的三通道值，C1,0,C2,0,C3,0分别表示中心点的三通道值；
利用3×3模块检测彩色LBP图像，依次滑动模块，检测图像中除边界区域外的所有像素点，选择中心像素点与领域像素点相同的量化值区域，即得到图像一致性区域；
步骤3.5：图像一致性区域，包含了区分性信息，利用灰度共生矩阵理论，求取一致性区域的相关参数，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，各参数公式如下：
Figure BDA0002197725940000041
Figure BDA0002197725940000043
式中，P(i.j)为像素值空间位置，k为像素灰度级，EASM为角二阶矩，HENT为熵，ICON为对比度，CCOR为相关性，Ui,Uj,
Figure BDA0002197725940000045
定义如下：
Figure BDA0002197725940000046
Figure BDA0002197725940000047
Figure BDA0002197725940000048
Figure BDA0002197725940000049
得到局部纹理描述子VHSV(EASM,HENT,ICON,CCOR)；
步骤3.5：在Lab色彩空间中，通过对图像每个点计算CoLBP,得到彩色LBP图像，利用3×3模块检测彩色LBP图像，依次滑动模块，检测图像中除边界区域外的所有像素点，选择中心像素点与领域像素点相同的量化值区域，得到图像一致性区域，在一致性区域中利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，求得角二阶矩EASM、熵HENT、对比度ICON和相关性CCOR，得到局部纹理描述子VLab(EASM,HENT,ICON,CCOR)；
步骤3.6：融合HSV色彩空间和Lab色彩空间的局部纹理描述子，得到混合色彩空间的局部纹理描述子，融合公式如下：
V＝η×VHSV(EASM,HENT,ICON,CCOR)+(1-η)×VLab(EASM,HENT,ICON,CCOR)式3.15
步骤4：混合色彩空间颜色表征特征为Color＝(F,V)；
步骤5：计算不同样本之间的颜色差异度，选取欧几里得度量公式如下：
Figure BDA0002197725940000051
式中xi,yi表示不同样本的混合色彩空间颜色表征特征，d(x,y)表示不同样本间的颜色差异度。
因此，本发明具有如下优点：避免了单一色彩空间描述颜色的不足，融合的混合色彩空间提高了色彩刻画能力，提取的全局颜色特征和局部纹理描述子能有效的对混合色彩空间颜色特征表征，从而进一步检测颜色差异度，对于不同的色纺面料具有普适性，具有理想的鲁棒性和广泛的适用性。
附图说明
附图1是本发明的方法流程示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本发明包括以下步骤：
步骤1：获取色纺织物图像；
步骤2：把色纺织物图像从RGB色彩空间分别转换到HSV色彩空间和Lab色彩空间；
步骤3：提取混合色彩空间的全局颜色特征和局部纹理描述子；包括以下子步骤：
步骤3.1：全局颜色特征提取采用颜色聚合向量的方法，不仅可以有效表征颜色信息，而且包含颜色分布的空间信息，图像的颜色聚合向量表示如下：
f＝<(α1,β1),(α2,β2),…(αi,βi)> 式3.1
式中，αi是第i个聚类的聚合数目，βi是第i个聚类的非聚合数目，(αi,βi)是第i个聚合向量对；
分别计算HSV色彩空间中H分量的颜色聚合向量fHSV-H,S分量的颜色聚合向量fHSV-S，V分量的颜色聚合向量fHSV-V，得到HSV色彩空间三通道颜色聚合向量表示如下：
fHSV＝fHSV-H+fHSV-S+fHSV-V 式3.2
步骤3.2：分别计算Lab色彩空间中L分量的颜色聚合向量fLab-L，a分量的颜色聚合向量fLab-a，b分量的颜色聚合向量fLab-b，得到Lab色彩空间三通道颜色聚合向量表示如下：
fLab＝fLab-L+fLab-a+fLab-b 式3.3
步骤3.3：融合HSV色彩空间和Lab色彩空间的颜色聚合向量，得到混合色彩空间的全局颜色特征，融合公式如下：
F＝ω×fHSV+(1-ω)×fLab 式3.4
步骤3.4：在HSV色彩空间中，通过对图像每个点计算CoLBP,得到彩色LBP图像，CoLBP的计算公式如下：
Figure BDA0002197725940000061
Figure BDA0002197725940000062
式中，P是领域点的个数，C1,j,C2,j,C3,j分别表示点的领域中的第j个点的三通道值，C1,0,C2,0,C3,0分别表示中心点的三通道值；
利用3×3模块检测彩色LBP图像，依次滑动模块，检测图像中除边界区域外的所有像素点，选择中心像素点与领域像素点相同的量化值区域，即得到图像一致性区域；
步骤3.5：图像一致性区域，包含了区分性信息，利用灰度共生矩阵理论，求取一致性区域的相关参数，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，各参数公式如下：
Figure BDA0002197725940000071
Figure BDA0002197725940000072
Figure BDA0002197725940000073
Figure BDA0002197725940000074
式中，P(i.j)为像素值空间位置，k为像素灰度级，EASM为角二阶矩，HENT为熵，ICON为对比度，CCOR为相关性，Ui,Uj,
Figure BDA0002197725940000075
定义如下：
Figure BDA0002197725940000076
Figure BDA0002197725940000078
Figure BDA0002197725940000079
得到局部纹理描述子VHSV(EASM,HENT,ICON,CCOR)；
步骤3.5：在Lab色彩空间中，通过对图像每个点计算CoLBP,得到彩色LBP图像，利用3×3模块检测彩色LBP图像，依次滑动模块，检测图像中除边界区域外的所有像素点，选择中心像素点与领域像素点相同的量化值区域，得到图像一致性区域，在一致性区域中利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，求得角二阶矩EASM、熵HENT、对比度ICON和相关性CCOR，得到局部纹理描述子VLab(EASM,HENT,ICON,CCOR)；
步骤3.6：融合HSV色彩空间和Lab色彩空间的局部纹理描述子，得到混合色彩空间的局部纹理描述子，融合公式如下：
V＝η×VHSV(EASM,HENT,ICON,CCOR)+(1-η)×VLab(EASM,HENT,ICON,CCOR) 式3.15
步骤4：混合色彩空间颜色表征特征为Color＝(F,V)；
步骤5：计算不同样本之间的颜色差异度，选取欧几里得度量公式如下：
Figure BDA0002197725940000081
式中xi,yi表示不同样本的混合色彩空间颜色表征特征，d(x,y)表示不同样本间的颜色差异度；
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种色纺织物颜色差异度检测方法，其特征在于，包括：
步骤1：获取色纺织物图像；
步骤2：把色纺织物图像从RGB色彩空间分别转换到HSV色彩空间和Lab色彩空间；
步骤3：分别提取HSV色彩空间和Lab色彩空间的全局颜色特征和局部纹理描述子，并进行融合；包括以下子步骤：
步骤3.1：全局颜色特征提取采用颜色聚合向量的方法，图像的颜色聚合向量表示如下：
f＝<(α1,β1),(α2,β2),…(αi,βi)>式3.1
式中，αi是第i个聚类的聚合数目，βi是第i个聚类的非聚合数目，(αi,βi)是第i个聚合向量对；
分别计算HSV色彩空间中H分量的颜色聚合向量fHSV-H,S分量的颜色聚合向量fHSV-S，V分量的颜色聚合向量fHSV-V，得到HSV色彩空间三通道颜色聚合向量表示如下：
fHSV＝fHSV-H+fHSV-S+fHSV-V式3.2
步骤3.2：分别计算Lab色彩空间中L分量的颜色聚合向量fLab-L，a分量的颜色聚合向量fLab-a，b分量的颜色聚合向量fLab-b，得到Lab色彩空间三通道颜色聚合向量表示如下：
fLab＝fLab-L+fLab-a+fLab-b式3.3
步骤3.3：融合HSV色彩空间和Lab色彩空间的颜色聚合向量，得到混合色彩空间的全局颜色特征，融合公式如下：
F＝ω×fHSV+(1-ω)×fLab式3.4
步骤3.4：在HSV色彩空间中，通过对图像每个点计算CoLBP,得到彩色LBP图像，CoLBP的计算公式如下：
Figure FDA0002197725930000022
式中，P是领域点的个数，C1,j,C2,j,C3,j分别表示点的领域中的第j个点的三通道值，C1,0,C2,0,C3,0分别表示中心点的三通道值；
利用3×3模块检测彩色LBP图像，依次滑动模块，检测图像中除边界区域外的所有像素点，选择中心像素点与领域像素点相同的量化值区域，即得到图像一致性区域；
步骤3.5：图像一致性区域，包含了区分性信息，利用灰度共生矩阵理论，求取一致性区域的相关参数，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，各参数公式如下：
Figure FDA0002197725930000023
Figure FDA0002197725930000024
Figure FDA0002197725930000025
Figure FDA0002197725930000026
式中，P(i.j)为像素值空间位置，k为像素灰度级，EASM为角二阶矩，HENT为熵，ICON为对比度，CCOR为相关性，Ui,Uj,
Figure FDA0002197725930000027
定义如下：
Figure FDA0002197725930000028
Figure FDA0002197725930000029
Figure FDA0002197725930000031
Figure FDA0002197725930000032
得到局部纹理描述子VHSV(EASM,HENT,ICON,CCOR)；
步骤3.5：在Lab色彩空间中，通过对图像每个点计算CoLBP,得到彩色LBP图像，利用3×3模块检测彩色LBP图像，依次滑动模块，检测图像中除边界区域外的所有像素点，选择中心像素点与领域像素点相同的量化值区域，得到图像一致性区域，在一致性区域中利用灰度共生矩阵理论，选取像素点周围相邻的四个方向(θ＝0°,45°,90°,135°)且偏移距离为1像素，求得角二阶矩EASM、熵HENT、对比度ICON和相关性CCOR，得到局部纹理描述子VLab(EASM,HENT,ICON,CCOR)；
步骤3.6：融合HSV色彩空间和Lab色彩空间的局部纹理描述子，得到混合色彩空间的局部纹理描述子，融合公式如下：
V＝η×VHSV(EASM,HENT,ICON,CCOR)+(1-η)×VLab(EASM,HENT,ICON,CCOR)式3.15
步骤4：混合色彩空间颜色表征特征为Color＝(F,V)；
步骤5：计算不同样本之间的颜色差异度，选取欧几里得度量公式如下：
Figure FDA0002197725930000033
式中xi,yi表示不同样本的混合色彩空间颜色表征特征，d(x,y)表示不同样本间的颜色差异度。
CN201910853855.1A 2019-09-10 2019-09-10 一种色纺织物颜色差异度检测方法 Withdrawn CN110706294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910853855.1A CN110706294A (zh) 2019-09-10 2019-09-10 一种色纺织物颜色差异度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910853855.1A CN110706294A (zh) 2019-09-10 2019-09-10 一种色纺织物颜色差异度检测方法

Publications (1)

Publication Number Publication Date
CN110706294A true CN110706294A (zh) 2020-01-17

Family

ID=69194586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910853855.1A Withdrawn CN110706294A (zh) 2019-09-10 2019-09-10 一种色纺织物颜色差异度检测方法

Country Status (1)

Country Link
CN (1) CN110706294A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798528A (zh) * 2020-07-01 2020-10-20 西交利物浦大学 一种织物色差检测方法、装置、存储介质及设备
CN113052726A (zh) * 2021-03-24 2021-06-29 广西凯合置业集团有限公司 一种基于云计算的智慧社区物业服务系统
CN113781476A (zh) * 2021-10-27 2021-12-10 南通博纳纺织品有限公司 基于图像处理的纺织品染色质量评估方法与系统
WO2021248915A1 (zh) * 2020-06-10 2021-12-16 青岛理工大学 一种清水混凝土色差分析/检测方法及系统
CN114386295A (zh) * 2022-03-23 2022-04-22 武汉纺织大学 一种基于色纺纱分色换色的织物计算机仿真方法
CN114782562A (zh) * 2022-06-18 2022-07-22 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统
CN114882127A (zh) * 2022-05-19 2022-08-09 北京奥乘智能技术有限公司 图像处理方法、装置、存储介质和计算设备
CN116758528A (zh) * 2023-08-18 2023-09-15 山东罗斯夫新材料科技有限公司 基于人工智能的丙烯酸乳液颜色变化识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106645A (zh) * 2013-03-15 2013-05-15 天津工业大学 一种机织物组织结构识别方法
CN104000619A (zh) * 2014-06-16 2014-08-27 彭文献 一种甲状腺ct图像计算机辅助诊断系统及方法
CN104598924A (zh) * 2015-01-14 2015-05-06 南京邮电大学 一种目标匹配检测方法
CN105426889A (zh) * 2015-11-13 2016-03-23 浙江大学 基于pca混合特征融合的气液两相流流型识别方法
CN105701512A (zh) * 2016-01-14 2016-06-22 西安电子科技大学 一种基于bbo-mlp和纹理特征的图像分类方法
CN107424142A (zh) * 2017-03-30 2017-12-01 上海万如科技发展有限公司 一种基于图像显著性检测的焊缝识别方法
CN108764355A (zh) * 2018-05-31 2018-11-06 清华大学 基于纹理特征分类的图像处理装置及方法
CN108960255A (zh) * 2018-06-28 2018-12-07 西安工程大学 基于颜色相似性和位置聚集性的显著性织物疵点检测方法
CN109166121A (zh) * 2018-09-12 2019-01-08 西南大学 膨胀土裂隙纹理特征定量化获取方法
CN109325426A (zh) * 2018-09-03 2019-02-12 东南大学 一种基于三正交平面时空特征的黑烟车检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106645A (zh) * 2013-03-15 2013-05-15 天津工业大学 一种机织物组织结构识别方法
CN104000619A (zh) * 2014-06-16 2014-08-27 彭文献 一种甲状腺ct图像计算机辅助诊断系统及方法
CN104598924A (zh) * 2015-01-14 2015-05-06 南京邮电大学 一种目标匹配检测方法
CN105426889A (zh) * 2015-11-13 2016-03-23 浙江大学 基于pca混合特征融合的气液两相流流型识别方法
CN105701512A (zh) * 2016-01-14 2016-06-22 西安电子科技大学 一种基于bbo-mlp和纹理特征的图像分类方法
CN107424142A (zh) * 2017-03-30 2017-12-01 上海万如科技发展有限公司 一种基于图像显著性检测的焊缝识别方法
CN108764355A (zh) * 2018-05-31 2018-11-06 清华大学 基于纹理特征分类的图像处理装置及方法
CN108960255A (zh) * 2018-06-28 2018-12-07 西安工程大学 基于颜色相似性和位置聚集性的显著性织物疵点检测方法
CN109325426A (zh) * 2018-09-03 2019-02-12 东南大学 一种基于三正交平面时空特征的黑烟车检测方法
CN109166121A (zh) * 2018-09-12 2019-01-08 西南大学 膨胀土裂隙纹理特征定量化获取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHENGQI GUAN: "Fabric defect delaminating detection based on visual saliency in HSV color space", 《THE JOURNAL OF THE TEXTILE INSTITUTE》 *
杨帆等著: "《精通图像处理经典算法MATLAB版》", 31 March 2018 *
王民等: "基于混合色彩空间的分块颜色特征提取算法", 《激光与光电子学进展》 *
袁理等: "结合全局与局部多样性特征的色纺纱色度学指标测试与评价", 《纺织学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021248915A1 (zh) * 2020-06-10 2021-12-16 青岛理工大学 一种清水混凝土色差分析/检测方法及系统
CN111798528A (zh) * 2020-07-01 2020-10-20 西交利物浦大学 一种织物色差检测方法、装置、存储介质及设备
CN113052726A (zh) * 2021-03-24 2021-06-29 广西凯合置业集团有限公司 一种基于云计算的智慧社区物业服务系统
CN113052726B (zh) * 2021-03-24 2021-10-15 广西凯合置业集团有限公司 一种基于云计算的智慧社区物业服务系统
CN113781476A (zh) * 2021-10-27 2021-12-10 南通博纳纺织品有限公司 基于图像处理的纺织品染色质量评估方法与系统
CN114386295A (zh) * 2022-03-23 2022-04-22 武汉纺织大学 一种基于色纺纱分色换色的织物计算机仿真方法
CN114882127A (zh) * 2022-05-19 2022-08-09 北京奥乘智能技术有限公司 图像处理方法、装置、存储介质和计算设备
CN114782562A (zh) * 2022-06-18 2022-07-22 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统
CN114782562B (zh) * 2022-06-18 2022-09-02 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统
CN116758528A (zh) * 2023-08-18 2023-09-15 山东罗斯夫新材料科技有限公司 基于人工智能的丙烯酸乳液颜色变化识别方法
CN116758528B (zh) * 2023-08-18 2023-11-03 山东罗斯夫新材料科技有限公司 基于人工智能的丙烯酸乳液颜色变化识别方法

Similar Documents

Publication Publication Date Title
CN110706294A (zh) 一种色纺织物颜色差异度检测方法
CN108537239B (zh) 一种图像显著性目标检测的方法
WO2019062092A1 (zh) 基于超像素-多色彩空间的人体轮廓提取方法
Zhang et al. PSO and K-means-based semantic segmentation toward agricultural products
CN107230188A (zh) 一种视频运动阴影消除的方法
CN109710791A (zh) 一种基于显著滤波器的多源彩色图像颜色迁移方法
CN103456013A (zh) 一种表示超像素以及度量超像素之间相似性的方法
CN111179193B (zh) 基于DCNNs和GANs的皮肤镜图像增强和分类方法
CN107123130A (zh) 一种基于超像素和混合哈希的核相关滤波目标跟踪方法
CN109035196A (zh) 基于显著性的图像局部模糊检测方法
CN107610136B (zh) 基于凸包结构中心查询点排序的显著目标检测方法
Xu et al. Bayberry image segmentation based on manifold ranking salient object detection method
CN107657276B (zh) 一种基于寻找语义类簇的弱监督语义分割方法
CN114862902A (zh) 一种基于四叉树的光照自适应orb特征提取和匹配方法
CN102306275B (zh) 基于模糊概念格的视频纹理特征提取方法
CN106611418A (zh) 一种图像分割算法
Thimmegowda et al. Cluster-based segmentation for tobacco plant detection and classification
Geng et al. A novel color image segmentation algorithm based on JSEG and Normalized Cuts
CN110532892B (zh) 一种非结构化道路单幅图像道路消失点检测方法
Kong et al. A real-time underwater robotic visual tracking strategy based on image restoration and kernelized correlation filters
CN109522813B (zh) 一种基于行人显著特征的改进随机游走算法
Gen-yuan et al. Remote sensing image sequence segmentation based on the modified fuzzy c-means
Wu et al. Human ear recognition using HOG with PCA dimension reduction and LBP
Guo et al. Color image segmentation based on decision-theoretic rough set model and fuzzy C-means algorithm
Qian et al. An improved fast mean shift algorithm for segmentation

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200117