CN111325658A - 一种彩色图像自适应去色方法 - Google Patents

一种彩色图像自适应去色方法 Download PDF

Info

Publication number
CN111325658A
CN111325658A CN202010101161.5A CN202010101161A CN111325658A CN 111325658 A CN111325658 A CN 111325658A CN 202010101161 A CN202010101161 A CN 202010101161A CN 111325658 A CN111325658 A CN 111325658A
Authority
CN
China
Prior art keywords
matrix
image
gray
variable
color
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.)
Granted
Application number
CN202010101161.5A
Other languages
English (en)
Other versions
CN111325658B (zh
Inventor
吴成宾
杜小丹
杨洪军
刘新跃
何源
王惟洁
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.)
Dragon Totem Technology Hefei Co ltd
Hefei Jiuzhou Longteng Scientific And Technological Achievement Transformation Co ltd
Original Assignee
Chengdu 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 Chengdu University filed Critical Chengdu University
Priority to CN202010101161.5A priority Critical patent/CN111325658B/zh
Publication of CN111325658A publication Critical patent/CN111325658A/zh
Application granted granted Critical
Publication of CN111325658B publication Critical patent/CN111325658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/04Context-preserving transformations, e.g. by using an importance map
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image

Landscapes

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

Abstract

本发明公开了一种彩色图像自适应去色方法,包括以下步骤:S1、读入原始图像,进行初始化;S2、采用KMeans聚类算法对聚类矩阵变量中元素按照设定的灰度级进行聚类运算;S3、得到同一聚类中所包含的所有像素的颜色值之和作为该聚类的颜色值;S4、计算各个聚类元素颜色值的总和、平均值、最大值和最小值;S5、计算每个灰度级单位对应的颜色值;S6、计算每个灰度级分别对应的颜色值范围;S7、对灰度图矩阵dstImg的各个像素点,根据原始图像矩阵srcImg中相应的各像素点所对应的聚类号,依次赋予相应的灰度级。本发明的去色方法可对各种类型的图像进行精准的灰度化处理,并保持原图像中的图案、纹理、对比度等重要细节信息。

Description

一种彩色图像自适应去色方法
技术领域
本发明属于图像处理技术领域,特别涉及一种彩色图像自适应去色方法。
背景技术
随着半导体和传感技术的不断发展,如今的成像技术水平已经有了突飞猛进的发展,高分辨率彩色图像、高清晰度彩色视频(视频实质是由一帧一帧的图像构成的)随处可见,在对彩色图像进行深入的分析和处理之前,一般需要先对图像进行去色(即灰度化)处理,因此,彩色图像的灰度化是其中一个很重要的步骤;此外,为控制成本,目前大部分激光照排系统都采用灰度级印刷,故也需要先对彩色图像进行灰度化处理。
目前,许多商业软件或开源软件提出了多种方法对彩色图像进行灰度化处理,但无法确保对各种类型的彩色图像都能获得良好的灰度化效果,例如,著名的商业软件Photoshop(以下用PS表示)和开源软件OpenCV在对诸如有雾、水下、过曝光、欠曝光、高对比度等这些特殊的图像进行灰度化处理时,往往会丢失不少细节信息,造成图像清晰度严重下降。
发明内容
本发明的目的在于克服现有技术的不足,提供一种可对各种类型的图像进行精准的灰度化处理,并保持原图像中的图案、纹理、对比度等重要细节信息,从而为图像后续的处理提供可靠的保障的彩色图像自适应去色方法。
本发明的目的是通过以下技术方案来实现的:一种彩色图像自适应去色方法,包括以下步骤:
S1、读入原始图像,并进行初始化操作:读入原始图像并以srcImg矩阵变量表示,srcImg矩阵中的每个元素表示原始图像的一个像素点;
定义灰度图像的灰度级,以变量Level表示;
定义存储即将生成的灰度化图像的矩阵变量dstImg;
S2、采用KMeans聚类算法对srcImg矩阵中的元素按照设定的灰度级Level进行聚类运算操作,并存储在聚类结果矩阵变量Labels中;
S3、对所有像素点,逐一取得其所属的聚类号,然后求取每个像素点的颜色值,并将同属于相同聚类的像素的颜色值进行累加,得到同一聚类中所包含的所有像素的颜色值之和即为该聚类的颜色值,并将计算结果存储在聚类颜色值数组变量pixsum相应的聚类元素中,接着计算每组聚类所包含的像素数目;
S4、计算pixsum中各个聚类元素颜色值的总和、平均值、最大值和最小值;
S5、求解步骤S4得到的各个聚类元素的最大和最小颜色值的差值,并据此计算每个灰度级单位对应的颜色值;
S6、计算每个灰度级分别对应的颜色值范围;
S7、对灰度图矩阵dstImg的各个像素点,根据原始图像矩阵srcImg中相应的各像素点所对应的聚类号,依次赋予相应的灰度级。
进一步地,所述步骤S1具体包括以下子步骤:
S11、读入原始图像,并取得原始图像的列数、行数、通道数、像素数、各像素的RGB值;将原始图像以srcImg矩阵变量表示,srcImg矩阵的列数、行数、通道数,分别以Width、Height、Chanels变量表示;
取得srcImg矩阵的像素点的数量,以变量Count表示,计算公式为:Count=Width*Height;
取得srcImg矩阵各像素点的RGB值,对真彩色图像而言,每个像素由3个字节构成,高字节存储红色通道R数据,中字节存储G绿色通道数据,低字节存储蓝色通道B数据;如果读入的图像本身就是灰度图像,则令RGB三个通道为一样的值,即:R=G=B=读入的灰度值;
S12、定义必要参数:定义用户输入的灰度图像的灰度级,以变量Level表示;
定义聚类矩阵变量Pnts,用于临时存储图像数据,其行数、列数的值分别为Count和Chanels变量的值;
定义聚类中心矩阵变量Centers,其行数、列数的值的值分别为Level和1;
定义各像素的聚类结果矩阵变量Labels,其行数、列数的值分别为Count和1;
定义存储即将生成的灰度化图像的矩阵变量dstImg,其行数、列数的值分别为Width、Height;
S13、将原始图像矩阵srcImg中每个像素的RGB颜色值依次赋给聚类矩阵Pnts中相对应的元素,从而完成聚类矩阵变量Pnts的初始化。
本发明的有益效果是:本发明提出一种自适应的彩色图像去色方法,可对各种类型的图像进行精准的灰度化处理,并保持原图像中的图案、纹理、对比度等重要细节信息,从而为图像后续的处理提供可靠的保障。
附图说明
图1为本发明的一种彩色图像自适应去色方法的流程图;
图2和图3为普通图像处理对比图;
图4和图5为有雾图像处理对比图;
图6和图7为水下图像处理对比图;
图8和图9为过曝光图像处理对比图;
图10和图11为欠曝光图像处理对比图;
图12和图13为高对比度图像处理对比图;
图14为车牌号识别的对比图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种彩色图像自适应去色方法,包括以下步骤:
S1、读入原始图像,并进行初始化操作:读入一幅3通道(也可为其它通道数)的原始图像并以srcImg矩阵变量表示,srcImg矩阵中的每个元素表示原始图像的一个像素点;
定义灰度图像的灰度级,以变量Level表示;
定义存储即将生成的灰度化图像的矩阵变量dstImg;
具体包括以下子步骤:
S11、读入原始图像,并取得原始图像的列数、行数、通道数、像素数、各像素的RGB值;将原始图像以srcImg矩阵变量表示,srcImg矩阵的列数、行数、通道数,分别以Width、Height、Chanels变量表示;
取得srcImg矩阵的像素点的数量,以变量Count表示,计算公式为:Count=Width*Height;
取得srcImg矩阵各像素点的RGB值,对真彩色图像而言,每个像素由3个字节构成,高字节存储红色通道R数据,中字节存储G绿色通道数据,低字节存储蓝色通道B数据;如果读入的图像本身就是灰度图像,则令RGB三个通道为一样的值,即:R=G=B=读入的灰度值;
S12、定义必要参数:定义用户输入的灰度图像的灰度级,以变量Level表示,Level预设值通常为256,也可为大于或等于2的其它正整数;
定义聚类矩阵变量Pnts,用于临时存储图像数据,其行数、列数的值分别为Count和Chanels变量的值;
定义聚类中心矩阵变量Centers,其行数、列数的值的值分别为Level和1;
定义各像素的聚类结果矩阵变量Labels,其行数、列数的值分别为Count和1;
定义存储即将生成的灰度化图像的矩阵变量dstImg,其行数、列数的值分别为Width、Height;
S13、将原始图像矩阵srcImg中每个像素的RGB颜色值依次赋给聚类矩阵Pnts中相对应的元素,从而完成聚类矩阵变量Pnts的初始化;伪码表示如下(其中双斜线//表示注释,注释是对其后的代码进行的算法描述,下同):
//对总共Count个像素循环访问一遍
for(i=0;i<Count;i++)
Pnts[i,0]=srcImg[i,0];
Pnts[i,1]=srcImg[i,1];
Pnts[i,2]=srcImg[i,2];
S2、采用KMeans聚类算法对srcImg矩阵中的元素按照设定的聚类数(即灰度级Level)进行聚类运算操作,得到Level组聚类,总共Count个元素的聚类结果,并存储在聚类结果矩阵变量Labels中;
S3、对所有像素点(总共Count个),逐一取得其所属的聚类号,然后求取每个像素点的颜色值,并将同属于相同聚类的像素的颜色值进行累加,得到同一聚类中所包含的所有像素的颜色值之和即为该聚类的颜色值,并将计算结果存储在聚类颜色值数组变量pixsum相应的聚类元素中,接着计算每组聚类所包含的像素数目(以数组变量labelcount表示);
其中,对某个聚类中所包含的某个像素点而言,求取其颜色值的公式为:
pixsum[聚类编号]=(srcImg[i,2]*299*λ1+srcImg[i,1]*587*λ2+srcImg[i,0]*114*λ3)/β。其中,聚类编号取值范围为0-Level,srcImg数组中的i取值范围为0–Count,λ1、λ2、λ3、β分别为可调参数,根据多次实验表明,当λ1、λ2、λ3、β取值分别为575、255、70、100000.0时,本发明能获得很好的去色效果。本步骤的主要伪码表示如下:
for(i=0;i<Count;i++)
//变量label用于存储获取到的聚类号,下一语句用于取得各像素点所属的聚类号
clustNo=Labels[i,0];
for(k=0;k<Level;k++)
if(k==clustNo){
pixsum[clustNo]+=(srcImg[i,2]*299*λ1+srcImg[i,1]*587*λ2+srcImg[i,0]*114*λ3)/β;
labelcount[clustNo]++;
//退出内层循环,开始下一轮外层循环
break;
S4、对所有Level个聚类,计算pixsum中各个聚类元素颜色值的总和、平均值、最大值和最小值;
在计算之前,最大颜色值maxColorCode和最小颜色值minColorCode的初值分别为-1和0XFFFFFF,伪码表示如下:
for(k=0;k<Level;k++){
//下一句计算出各个聚类的平均颜色值,平均颜色值=该聚类的颜色值除以该聚类所包含的像素数目
pixsum[k]/=labelcount[k];
//变量pixsumTotal用于存储数组pixsum中各元素值的总和
pixsumTotal+=pixsum[k];
//计算最大颜色值,结果保存在变量maxColorCode中
if(pixsum[k]>maxColorCode)
maxColorCode=pixsum[k];
//计算最小颜色值,结果保存在变量minColorCode中
if(pixsum[k]<minColorCode)
minColorCode=pixsum[k];
S5、求解步骤S4得到的各个聚类元素的最大和最小颜色值的差值,并据此计算每个灰度级单位对应的颜色值;伪码表示如下:
//计算出最大与最小颜色值之差
minmaxgapColorCode=maxColorCode-minColorCode;
//计算出每个灰度级单位对应的颜色值
ColorCodePerLevel=minmaxgapColorCode/Level;
S6、计算计算转化到灰度图之前,每个灰度级分别对应的颜色值范围,计算结果保存在灰度级数组变量GrayLevelByLabel(显然,该数组元素数量有Level个)中;对超过最大灰度值范围(以变量MAXPIXVALUE表示,如对256级灰度图而言,该值为255)的计算结果值,调整其值为最大灰度值MAXPIXVALUE,伪码表示如下:
Figure BDA0002386914440000051
S7、对灰度图矩阵dstImg的各个像素点,根据原始图像矩阵srcImg中相应的各像素点所对应的聚类号,依次赋予相应的灰度级;伪码如下:
for(i=0;i<Count;i++)
//变量clustNo用于存储获取到的聚类号
clustNo=Labels[i,0];
//逐像素赋予灰度级
dstImg[i]=GrayLevelByLabel[clustNo];
经过上述7个步骤,即完成了将一幅原始彩色图像(亦可为灰度图像)srcImg去色转换成了灰度图像dstImg。本专利方法及系统可在计算机、手机、其它移动终端、各种嵌入式(检测)设备等需要进行图像去色处理的设备上部署并工作,具有广阔的应用前景。
为便于对比分析,本发明选取了六种常见的图像类型,包括普通图像(图2和图3)、有雾图像(图4和图5)、水下图像(图6和图7)、过曝光图像(图8和图9)、欠曝光图像(图10和图11)、高对比度图像(图12和图13)各两张,图像均为3通道24位真彩色图像,都转换为256级灰度图,分别在PS、开源软件OpenCV以及本发明的方法(经过上述7个步骤述算法处理后)上进行灰度化处理,图2-13分别展示了原图以及三种方法的灰度化(去色)效果(需要说明的是,由于专利文本中不允许使用彩色图像,因此本实施例中将原始的彩色图像先用MatLab软件转换成灰度图像,以代替原始的彩色图像)。图中,(a)、(b)、(c)、(d)分别为原彩色图像的MatLab灰度化图像、PS灰度化图像、OpenCV灰度化图像、本发明方法的灰度化图像。
分析、比较以上六种类型的图像灰度化处理结果可以看出,无论是PS还是OpenCV,经过灰度化后,在图案、纹理、对比度、清晰度等重要细节信息方面都或多或少的有一些损失,无法完全确保忠实于原图,而经本专利方法灰度化后的图像在图案、纹理、对比度、清晰度等重要细节方面都与原图像比较吻合,特别是在对有雾、水下、过曝光、欠曝光、高对比度这几类图像进行灰度化时,本发明的方法效果尤其显著。
图14为利用本发明的灰度化方法对车牌号识别的对比图,其中,(a)、(b)、(c)分别为原图MatLab图像、OpenCV灰度化、本发明的方法灰度化图像,(d)、(e)分别为OpenCV二值化、本发明进行二值化处理后的图像。可以明显地看出,经本发明的方法灰度化后的图像效果更佳,以其为基础的二值化图像也更清晰、干扰杂质更少,更适合做车牌字符切分和识别。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种彩色图像自适应去色方法,其特征在于,包括以下步骤:
S1、读入原始图像,并进行初始化操作:读入原始图像并以srcImg矩阵变量表示,srcImg矩阵中的每个元素表示原始图像的一个像素点;
定义灰度图像的灰度级,以变量Level表示;
定义存储即将生成的灰度化图像的矩阵变量dstImg;
S2、采用KMeans聚类算法对srcImg矩阵中的元素按照设定的灰度级Level进行聚类运算操作;
S3、对所有像素点,逐一取得其所属的聚类号,然后求取每个像素点的颜色值,并将同属于相同聚类的像素的颜色值进行累加,得到同一聚类中所包含的所有像素的颜色值之和即为该聚类的颜色值,并将计算结果存储在聚类颜色值数组变量pixsum相应的聚类元素中,接着计算每组聚类所包含的像素数目;
S4、计算pixsum中各个聚类元素颜色值的总和、平均值、最大值和最小值;
S5、求解步骤S4得到的各个聚类元素的最大和最小颜色值的差值,并据此计算每个灰度级单位对应的颜色值;
S6、计算每个灰度级分别对应的颜色值范围;
S7、对灰度图矩阵dstImg的各个像素点,根据原始图像矩阵srcImg中相应的各像素点所对应的聚类号,依次赋予相应的灰度级。
2.根据权利要求1所述的一种彩色图像自适应去色方法,其特征在于,所述步骤S1具体包括以下子步骤:
S11、读入原始图像,并取得原始图像的列数、行数、通道数、像素数、各像素的RGB值;将原始图像以srcImg矩阵变量表示,srcImg矩阵的列数、行数、通道数,分别以Width、Height、Chanels变量表示;
取得srcImg矩阵的像素点的数量,以变量Count表示,计算公式为:Count=Width*Height;
取得srcImg矩阵各像素点的RGB值,对真彩色图像而言,每个像素由3个字节构成,高字节存储红色通道R数据,中字节存储G绿色通道数据,低字节存储蓝色通道B数据;如果读入的图像本身就是灰度图像,则令RGB三个通道为一样的值,即:R=G=B=读入的灰度值;
S12、定义必要参数:定义用户输入的灰度图像的灰度级,以变量Level表示;
定义聚类矩阵变量Pnts,用于临时存储图像数据,其行数、列数的值分别为Count和Chanels变量的值;
定义聚类中心矩阵变量Centers,其行数、列数的值的值分别为Level和1;
定义各像素的聚类结果矩阵变量Labels,其行数、列数的值分别为Count和1;
定义存储即将生成的灰度化图像的矩阵变量dstImg,其行数、列数的值分别为Width、Height;
S13、将原始图像矩阵srcImg中每个像素的RGB颜色值依次赋给聚类矩阵Pnts中相对应的元素,从而完成聚类矩阵变量Pnts的初始化。
CN202010101161.5A 2020-02-19 2020-02-19 一种彩色图像自适应去色方法 Active CN111325658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010101161.5A CN111325658B (zh) 2020-02-19 2020-02-19 一种彩色图像自适应去色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010101161.5A CN111325658B (zh) 2020-02-19 2020-02-19 一种彩色图像自适应去色方法

Publications (2)

Publication Number Publication Date
CN111325658A true CN111325658A (zh) 2020-06-23
CN111325658B CN111325658B (zh) 2022-08-23

Family

ID=71167153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010101161.5A Active CN111325658B (zh) 2020-02-19 2020-02-19 一种彩色图像自适应去色方法

Country Status (1)

Country Link
CN (1) CN111325658B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601232A (zh) * 2022-12-14 2023-01-13 华东交通大学(Cn) 一种基于奇异值分解的彩色图像去色方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298780A (zh) * 2011-08-15 2011-12-28 天津大学 一种彩色图像阴影检测方法
CN102737381A (zh) * 2012-06-13 2012-10-17 西安电子科技大学 基于混合二分图聚类集成的图像分割方法
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
CN103886574A (zh) * 2013-09-22 2014-06-25 天津思博科科技发展有限公司 一种图像分割装置
CN104112257A (zh) * 2014-06-19 2014-10-22 中国科学院深圳先进技术研究院 Rgb彩色图像的处理方法和系统
US20150324661A1 (en) * 2014-05-08 2015-11-12 Tandent Vision Science, Inc. Method for detection of blend pixels for use in an image segregation
CN106097293A (zh) * 2015-12-22 2016-11-09 中国计量学院 一种用于图像采集系统优化设计的图像可分割性评价方法
CN106228552A (zh) * 2016-07-20 2016-12-14 湖南文理学院 基于调和k均值聚类的灰度图像直方图快速分割方法
CN107545550A (zh) * 2017-08-25 2018-01-05 安庆师范大学 细胞图像偏色校正方法
CN108492286A (zh) * 2018-03-13 2018-09-04 成都大学 一种基于双通路u型卷积神经网络的医学图像分割方法
US20190042826A1 (en) * 2017-08-04 2019-02-07 Oregon Health & Science University Automatic nuclei segmentation in histopathology images
CN110378354A (zh) * 2019-06-17 2019-10-25 浙江大学 一种基于组织滤波算法的提花织物图片颜色提取方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298780A (zh) * 2011-08-15 2011-12-28 天津大学 一种彩色图像阴影检测方法
CN102737381A (zh) * 2012-06-13 2012-10-17 西安电子科技大学 基于混合二分图聚类集成的图像分割方法
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
CN103886574A (zh) * 2013-09-22 2014-06-25 天津思博科科技发展有限公司 一种图像分割装置
US20150324661A1 (en) * 2014-05-08 2015-11-12 Tandent Vision Science, Inc. Method for detection of blend pixels for use in an image segregation
CN104112257A (zh) * 2014-06-19 2014-10-22 中国科学院深圳先进技术研究院 Rgb彩色图像的处理方法和系统
CN106097293A (zh) * 2015-12-22 2016-11-09 中国计量学院 一种用于图像采集系统优化设计的图像可分割性评价方法
CN106228552A (zh) * 2016-07-20 2016-12-14 湖南文理学院 基于调和k均值聚类的灰度图像直方图快速分割方法
US20190042826A1 (en) * 2017-08-04 2019-02-07 Oregon Health & Science University Automatic nuclei segmentation in histopathology images
CN107545550A (zh) * 2017-08-25 2018-01-05 安庆师范大学 细胞图像偏色校正方法
CN108492286A (zh) * 2018-03-13 2018-09-04 成都大学 一种基于双通路u型卷积神经网络的医学图像分割方法
CN110378354A (zh) * 2019-06-17 2019-10-25 浙江大学 一种基于组织滤波算法的提花织物图片颜色提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIU,C;ET AL: "Incremental Discriminant Analysis in Tensor Space", 《COMOUTATIONAL INTELLIGENCE & NEUROSCIENCE》 *
王静雷: "基于Kmeans和图像熵聚类的热红外目标检测算法", 《机电工程》 *
胡跃明等: "基于计算机视觉的全自动原木板材分检系统研究", 《林业机械与木工设备》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601232A (zh) * 2022-12-14 2023-01-13 华东交通大学(Cn) 一种基于奇异值分解的彩色图像去色方法及系统

Also Published As

Publication number Publication date
CN111325658B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN108229526B (zh) 网络训练、图像处理方法、装置、存储介质和电子设备
EP1789922B1 (en) Apparatus and method for processing images
US8103058B2 (en) Detecting and tracking objects in digital images
CN109147005B (zh) 一种用于红外图像的自适应染色方法、系统、存储介质、终端
US9311567B2 (en) Manifold learning and matting
CN106951869B (zh) 一种活体验证方法及设备
CN113379680B (zh) 缺陷检测方法、装置、电子设备和计算机可读存储介质
EP2034439A1 (en) Method for establishing the saliency map of an image
CN110197180B (zh) 字符缺陷检测方法、装置及设备
US20210248723A1 (en) Image brightness statistical method and imaging device
US8000535B2 (en) Methods and systems for refining text segmentation results
CN115082400A (zh) 一种图像处理方法、装置、计算机设备及可读存储介质
EP2575350A2 (en) Method for brightness correction of defective pixels of digital monochrome image
CN111325658B (zh) 一种彩色图像自适应去色方法
CN108877030B (zh) 图像处理方法、装置、终端和计算机可读存储介质
GB2385187A (en) Dynamic thresholding of binary images
CN111539975A (zh) 一种运动目标的检测方法、装置、设备及存储介质
CN116704281A (zh) 模型训练方法、装置、图像识别方法、计算机设备
CN112614471B (zh) 色调映射方法及系统
CN112699760A (zh) 一种脸部目标区域检测方法、装置和设备
CN114095721B (zh) 视频坏点检测的方法和装置、计算机可读介质
RU2607415C2 (ru) Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров
US20230289961A1 (en) System and method to detect plant disease infection
US20220392074A1 (en) Method for image processing by means of a neural network and method for training a neural network
US11557026B2 (en) Automated artifact detection

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231017

Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231017

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 610106 Chengdu University of waidong mausoleum, Chengdu, Sichuan

Patentee before: CHENGDU University