CN110717952A - 可见光背景下由多图片提取主题色并生成迷彩的方法 - Google Patents

可见光背景下由多图片提取主题色并生成迷彩的方法 Download PDF

Info

Publication number
CN110717952A
CN110717952A CN201910898945.2A CN201910898945A CN110717952A CN 110717952 A CN110717952 A CN 110717952A CN 201910898945 A CN201910898945 A CN 201910898945A CN 110717952 A CN110717952 A CN 110717952A
Authority
CN
China
Prior art keywords
camouflage
color
center
data
colors
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
Application number
CN201910898945.2A
Other languages
English (en)
Inventor
魏宇旋
王勇
王钰蓥
高逸凡
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910898945.2A priority Critical patent/CN110717952A/zh
Publication of CN110717952A publication Critical patent/CN110717952A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Generation (AREA)

Abstract

本发明涉及一种可见光背景下由多图片提取主题色并生成迷彩的方法，该方法主要由背景图片融合，颜色提取和迷彩绘制三部分组成。首先将选中的多张背景图片合并，融合为一张待处理图片。其次采用聚类算法对融合图片进行处理提取出指定数目的主题色。最后按照提取到的主题色和相应的颜色比例绘制数码迷彩或者变形迷彩。本发明可以快速采集背景色彩并设计出可以适应动态的地形环境的变化迷彩图案，实现迷彩伪装效果。

Description

可见光背景下由多图片提取主题色并生成迷彩的方法
技术领域
本专利涉及将由周围环境提取主题色生成变形和数码迷彩的方法，属于数字图像处理及计算机图形学相关技术领域。
背景技术
迷彩伪装以其收效快、成本低、施工方便等优势被广泛地用于军事目标伪装,是一种对抗军事侦察和武器攻击系统的常用手段,其伪装效果的优劣关系到战斗力能否得到有效的保存。无论是在平时还是战时,迷彩伪装对于保障战备物资、提高部队战斗力和战场生存能力都具有十分重要的作用。
光学迷彩伪装是现代高技术战争中武器装备保存自我的重要手段,要充分发挥迷彩伪装的效果,必须采用正确的迷彩作业方法。随着作战环境的复杂化，越来越多的颜色变形块组成的迷彩伪装应用到了军服以及装备中。为了达到预期的伪装效果,必须针对特定的战场背景和作战时间,在战前或战争各个阶段,对重要军事装备和设施重新实施迷彩伪装,或局部修改目标上己有不适应当地当时背景要求的迷彩斑点图案。这就要求能快速采集背景色彩、分析色彩斑点并提供一种辅助设计技术手段。
同时，现有技术条件下，迷彩图案的设计多是针对单一背景。但是现代高技术战场具有模糊复杂、突然性强、速度快、活动范围大的特点，目标暴露意味着战争失败，这对迷彩的伪装技术提出了更高的要求。同时，随着地形背景的不断变化以及侦查技术不断发展，迷彩图案需与作战环境高度贴合，才能达到最佳伪装效果。这就需要针对性的设计出可以适应动态的地形环境的变化迷彩图案。
发明内容
本发明旨在一种由不同的周围环境提取多种主题色，然后根据提取到的主题色快速自动生成迷彩图案的方法。此方法可以快速的选取多张相应图片，生成主题色并快速生成迷彩图案，从而省去了大量的人力。本发明通过使用k-means聚类算法，对多张选定图片提取主题颜色。之后根据迷彩类型(变形迷彩或数码迷彩)生成迷彩图案并对图案颜色进行填充，从而使最终生成的迷彩图案可以适应不同背景，实现迷彩伪装的效果。
基于以上思想，设计出由多图片提取主题色生成迷彩的具体方法如下：
1)首先将人为已选中的多张图片进行融合，对融合后的图片进行处理。
2)对融合后的图片利用k-means聚类算法进行主题颜色的提取。
3)通过聚类算法提取到多个主题色，并根据颜色比例绘制迷彩图案。
4)针对变形迷彩图案的绘制，事先生成变形迷彩轮廓，然后进行相应颜色绘制，最终生成变形迷彩。
5)针对数码迷彩图案的绘制，事先生成单个数码迷彩斑块，然后进行相应颜色绘制，最终生成数码迷彩。
附图说明
图1为k-means算法颜色提取显示
图2为k-means算法颜色提取结果
图3为三阶贝塞尔曲线图像
图4为变形迷彩斑点生成过程
图5为变形迷彩全图生成显示
图6为生成数码迷彩使用的数据矩阵
图7为数码迷彩全图生成显示
具体实施方式
以下结合附图实例对本发明作进一步详细描述。
本发明提供了一种由多图片提取主题色并生成迷彩的方法，该方法包括以下步骤：
步骤一：首先统计选中图片的数量，并对已选中的图片像素矩阵进行横向拼接，使多张图片融合成一张图片，从而方便接下来的处理。选取图片过程如图1所示。
步骤二：对融合后的图片进行主题色提取时，采用了k-means聚类算法，具体算法如下：
1)首先给定k的值，即最终将图片中的颜色数据集Pe{e＝1,2,…,n}经过聚类得到的分类(分组)个数。
2)从数据集Pe中随机选取k个数据点作为聚类中心，中心集合定义为：Ci{i＝1,2,…,k}，排除中心以外的数据集Oj{j＝1,2,…,m}。
对集合Oj中每一个颜色数据点，计算Oj与Ci(i＝1,2,…,k)的距离，得到一组距离Si(i＝1,2,…,k)，计算Si中的最小值，则该数据点Oj就属于该最小值Si对应的质心i；
4)经过3)，每个数据点Oj都已属于一个聚类中心；定义某个聚类中心所含数据个数为CHr(r＝1,2,…,h),定义属于某个中心i的数据点集合为Bi,f{i＝1,2,…,k,f＝1,2,…,CHr}，其中i为聚类中心编号，f为聚类中心下包含的颜色数据点的数目编号，根据每个聚类中心所包含的数据点的集合，重新计算得到新的聚类中心；
5)如果新计算的聚类中心与原来中心之间的距离达到或者小于提前设置的阈值，阈值设置为1，表示重新计算的质心的位置变化不大，或者趋于稳定，或者满足聚类要求，算法终止；
6)如果新中心和原来中心距离大于1，则继续迭代2)～5)步骤，直到设定的最大次数截至，最大次数设定为10；
k-means算法颜色提取结果如图2所示。
步骤三：根据聚类算法提取聚类中心，确定融合后图片的主题色，并根据各个颜色的分配比重进行迷彩图案的绘制。
步骤四：对于变形迷彩，变形迷彩主要由封闭的Bezier曲线组成，Bezier曲线是由节点连接而成的线段组成的直线或曲线，每个节点都有控制点，允许修改线条的形状，曲线起始于关键点，通过控制点来实现曲线的平滑过渡。
三阶贝塞尔曲线，即需要有P0、P1、P2、P4四个点来确定一段曲线，曲线始于P0点，趋向P1点，从P2点终于P3点。三阶贝塞尔曲线函数为：
B(t)＝(1-t)3p0+3t(1-t)2p1+3t2(1-t)3p2+t3p3，t∈[0，1]
三阶贝塞尔曲线图像为图3所示。
接下来介绍根据贝塞尔曲线生成变形迷彩斑点边界生成过程：
1)连接关键点Pk-1Pk、PkPk+1、Pk+1Pk+2。
2)取各线段的中点，分别记为Ck-1、Ck、Ck+1，连接Ck-1Ck、Ck Ck+1。
3)将Ck-1Ck、Ck Ck+1分别平移至Pk、Pk+1，生成新的线段，则位于Pk、Pk+1关键点之间的平移后的线段端点分别记为Bk、Ak+1，即为关键点Pk、Pk+1之间的控制点。具体生成过程如图4所示。
程序读取预先储存在txt文件中的关键点坐标绘制生成不同的变形迷彩斑点，然后根据上一步中确定的颜色和比例对斑点进行涂色。变形迷彩全图生成如图5所示。
步骤五：对于数码迷彩，程序读取预先存储好的数码迷彩数据，数据以矩阵形式存储在txt文件中，当矩阵内某位置数字为1时在对应位置绘制单个像素块，每个像素块对应数码迷彩的一个网格，全部绘制完成后即生成一个数码迷彩斑块。数据示例如图6所示。
绘制过程中，程序持续的随机读取数据并绘制不同形状的单个迷彩斑块，将小块合成为整个迷彩后按照颜色种类和比例涂色最终生成数码迷彩。数码迷彩全图生成如图7所示。

Claims (2)

1.可见光背景下由多图片提取主题色并生成迷彩方法，其特征在于，步骤如下：
1)首先统计选中图片的数量，并对像素矩阵进行横向拼接，使多张图片融合成一张图片；
2)对融合后的图片利用k-means聚类算法进行主题颜色的提取；
3)通过聚类算法提取到多个主题色，并根据颜色比例绘制迷彩图案；
4)针对变形迷彩图案的绘制，事先生成变形迷彩轮廓，然后进行相应颜色绘制，最终生成变形迷彩；
5)针对数码迷彩图案的绘制，事先生成单个数码迷彩方块，然后进行相应颜色绘制，最终生成数码迷彩。
2.一种由多图片提取主题色并生成迷彩的方法，其特征在于，包括以下步骤：
步骤一：首先统计选中图片的数量，并对已选中的图片像素矩阵进行横向拼接，使多张图片融合成一张图片；
步骤二：对融合后的图片进行主题色提取是，采用了k-means聚类算法，具体算法如下：
1)首先给定k的值，即最终将图片中的颜色数据集Pe经过聚类得到的分类个数，其中e＝1,2,…,n；
2)从数据集Pe中随机选取k个数据点作为聚类中心，中心集合定义为：Ci{i＝1,2,…,k}，排除中心以外的数据集Oj{j＝1,2,…,m}；
3)对集合Oj中每一个颜色数据点，计算Oj与Ci(i＝1,2,…,k)的距离，得到一组距离Si(i＝1,2,…,k)，计算Si中的最小值，则该数据点Oj就属于该最小值Si对应的质心i；
4)经过3)，每个数据点Oj都已属于一个聚类中心；定义某个聚类中心所含数据个数为CHr(r＝1,2,…,h),定义属于某个中心i的数据点集合为Bi,f{i＝1,2,…,k,f＝1,2,…,CHr}，其中i为聚类中心编号，f为聚类中心下包含的颜色数据点的数目编号，根据每个聚类中心所包含的数据点的集合，重新计算得到新的聚类中心；
5)如果新计算的聚类中心与原来中心之间的距离达到或者小于提前设置的阈值，阈值设置为1，表示重新计算的质心的位置变化不大，或者趋于稳定，或者满足聚类要求，算法终止；
6)如果新中心和原来中心距离大于1，则继续迭代2)～5)步骤，直到设定的最大次数截至，最大次数设定为10；
步骤三：根据聚类算法提取聚类中心，确定融合后图片的主题色，并根据各个颜色的分配比重进行迷彩图案的绘制；
步骤四：对于变形迷彩，程序读取预先储存在txt文件中的关键点坐标绘制生成不同的变形迷彩斑点，然后根据上一步中确定的颜色和比例对斑点进行涂色；
对于数码迷彩，程序读取预先存储好的数码迷彩数据，数据以矩阵形式存储在txt文件中，当矩阵内某位置数字为1时在对应位置绘制单个像素块，每个像素块对应数码迷彩的一个网格，全部绘制完成后即生成一个数码迷彩斑块；
绘制过程中，程序持续的随机读取数据并绘制不同形状的单个迷彩斑块，将小块合成为整个迷彩后按照颜色种类和比例涂色最终生成数码迷彩。
CN201910898945.2A 2019-09-23 2019-09-23 可见光背景下由多图片提取主题色并生成迷彩的方法 Pending CN110717952A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910898945.2A CN110717952A (zh) 2019-09-23 2019-09-23 可见光背景下由多图片提取主题色并生成迷彩的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910898945.2A CN110717952A (zh) 2019-09-23 2019-09-23 可见光背景下由多图片提取主题色并生成迷彩的方法

Publications (1)

Publication Number Publication Date
CN110717952A true CN110717952A (zh) 2020-01-21

Family

ID=69210775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910898945.2A Pending CN110717952A (zh) 2019-09-23 2019-09-23 可见光背景下由多图片提取主题色并生成迷彩的方法

Country Status (1)

Country Link
CN (1) CN110717952A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463925A (zh) * 2014-11-20 2015-03-25 合肥工业大学 基于斑点模板自动组合的数码迷彩设计方法
CN104966320A (zh) * 2015-07-21 2015-10-07 北京工业大学 一种基于三阶Bezier曲线的伪装迷彩自动生成方法
CN107392880A (zh) * 2017-07-25 2017-11-24 北京华新创科信息技术有限公司 一种仿造迷彩自动生成方法
CN109741246A (zh) * 2018-12-28 2019-05-10 北京工业大学 可见光背景下由环境色生成数码迷彩方法
CN109840925A (zh) * 2018-12-28 2019-06-04 北京工业大学 一种可见光背景下由环境色生成变形迷彩方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463925A (zh) * 2014-11-20 2015-03-25 合肥工业大学 基于斑点模板自动组合的数码迷彩设计方法
CN104966320A (zh) * 2015-07-21 2015-10-07 北京工业大学 一种基于三阶Bezier曲线的伪装迷彩自动生成方法
CN107392880A (zh) * 2017-07-25 2017-11-24 北京华新创科信息技术有限公司 一种仿造迷彩自动生成方法
CN109741246A (zh) * 2018-12-28 2019-05-10 北京工业大学 可见光背景下由环境色生成数码迷彩方法
CN109840925A (zh) * 2018-12-28 2019-06-04 北京工业大学 一种可见光背景下由环境色生成变形迷彩方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
CN106600686B (zh) 一种基于多幅未标定图像的三维点云重建方法
CN1577401B (zh) 产生模糊的方法
CN108388905B (zh) 一种基于卷积神经网络和邻域上下文的光源估计方法
CN110111248A (zh) 一种基于特征点的图像拼接方法、虚拟现实系统、照相机
CN109829868B (zh) 一种轻量级深度学习模型图像去雾方法、电子设备及介质
JP2018522509A (ja) 画像を別の画像でデジタル式にオーバーレイするシステム及び方法
CN115298708A (zh) 多视角神经人体渲染
CN110717952A (zh) 可见光背景下由多图片提取主题色并生成迷彩的方法
CN108288290A (zh) 一种应用于智能狙击枪的靶心在线自动标定方法
CN112243518A (zh) 获取深度图的方法、装置及计算机存储介质
CN109999483A (zh) 一种红外激光识别系统
CN104978734B (zh) 前景图像的提取方法及装置
CN111476869B (zh) 一种面向计算媒体的虚拟摄像机规划方法
CN110517348A (zh) 基于图像前景分割的目标物体三维点云重建方法
CN112802186B (zh) 基于二值化特征编码匹配的动态场景实时三维重建方法
CN112561844B (zh) 一种融合纹理结构的数码迷彩图案自动生成方法
CN108234994A (zh) 一种人眼位置确定方法及装置
CN109767484B (zh) 一种三维贴图中具有色彩一致性的匀光匀色方法及系统
CN106887003A (zh) 基于八邻域深度差的点云边缘提取方法
CN114022567A (zh) 位姿跟踪方法、装置、电子设备及存储介质
CN109741246A (zh) 可见光背景下由环境色生成数码迷彩方法
CN109166079A (zh) 一种混合合成运动矢量与亮度聚类的去遮挡方法
CN113222007B (zh) 支气管分级方法、模型训练方法、装置、设备及存储介质
CN106295654B (zh) 一种图像识别方法及装置
Toyoura et al. Silhouette extraction with random pattern backgrounds for the volume intersection method

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200121