CN111563937B - 一种图片颜色提取方法及装置 - Google Patents
一种图片颜色提取方法及装置 Download PDFInfo
- Publication number
- CN111563937B CN111563937B CN202010671984.1A CN202010671984A CN111563937B CN 111563937 B CN111563937 B CN 111563937B CN 202010671984 A CN202010671984 A CN 202010671984A CN 111563937 B CN111563937 B CN 111563937B
- Authority
- CN
- China
- Prior art keywords
- picture
- pixels
- color
- extracted
- clustering
- 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.)
- Active
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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
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)
- Image Analysis (AREA)
Abstract
本发明公开了一种图片颜色提取方法及装置,解决了传统的颜色提取一般采用ISOData聚类算法,该聚类中心数目变动范围由初始聚类中心数K0决定,其最终输出的聚类中心数目范围是[K0/2,2K0],当遇到已经知道类别数目范围时,则会产生错误的分类结果的问题。通过改进的ISOData聚类算法提取可视化页面的辅助配色实现设计图辅助配色的自动化配置,避免了使用者还要使用第三方颜色提取工具提取各个主题颜色,然后还要在UE可视化设计界面进行颜色配置的繁琐过程。
Description
技术领域
本发明涉及图像识别领域,特别涉及一种图片颜色提取方法及装置。
背景技术
在计算机设计领域,经常需要提取已有图像的主图颜色来辅助进行设计,实现设计图主题颜色提取,需要实现的步骤有:第一步,打开图片颜色提取器,导入设计图。第二步,确定要提取的主题,放大图片、移动鼠标,选中待截取区域,查看该区域的R、G、B颜色值。第三步,依次选取图片中的背景、文本、线条及其他辅助色。第四步,完成选取。
当设计图中可视化组件类型多样,颜色丰富时,使用第三方颜色提取工具进行设计图主题色系提取时,会产生颜色选取人员的主观性、人为误差。提取完颜色数据后,还要在UE可视化设计界面进行相关配置,过程繁琐,可能要花费大量的时间才能完成配置。
传统的颜色提取一般采用ISOData聚类算法,该聚类中心数目变动范围由初始聚类中心数K0决定,其最终输出的聚类中心数目范围是[K0/2,2K0],当遇到已经知道类别数目范围时,则会产生错误的分类结果。
发明内容
本发明的目的在于:提供了一种图片颜色提取方法及装置,解决了传统的颜色提取一般采用ISOData聚类算法,该聚类中心数目变动范围由初始聚类中心数K0决定,其最终输出的聚类中心数目范围是[K0/2,2K0],当遇到已经知道类别数目范围时,则会产生错误的分类结果的问题。
本发明采用的技术方案如下:
一种图片颜色提取方法,包括以下步骤:
S1、将待提取图片转换到HSB颜色空间;
S2、设置待提取颜色数量范围[Kmin,Kmax] ,Kmin、Kmax均为正整数;
S3、从待提取图片中随机选取K0个像素作为初始聚类中心;
S401、针对待提取图片中每个像素xi,计算它到K0个聚类中心的距离并将其分到距离最近的聚类中心所对应的类中;S402、判断上述每个类中的元素数目是否小于Nmin,如果小于Nmin则需要丢弃该类,令K=K-1,并将该类中的像素重新分配给剩下类中距离最近的类,Nmin为预设的每个类的元素数目下限;S403、针对每个类别,重新计算它的聚类中心,得到K个类别及对应的聚类中心ci,x为ci中的所有像素;
S5、判断K的范围,如果K≤Kmin,进行增加聚类中心数操作;如果K≥Kmax,进行减少聚类中心数操作;
S6、判断是否达到最大迭代次数,如果已经达到最大迭代次数,则终止迭代并输出聚类中心的颜色为提取颜色的结果,否则转入步骤S4。
提出了一种改进的ISOData聚类算法。本算法在传统的ISOData算法基础上增加了“最小聚类数”和“最大聚类数”两个参数,允许设置强制限定的聚类结果分类个数的范围,以满足用户的特定要求。改进的ISOData算法的应用场景有很多,如“对颜色值聚类后要求每组不超过8种、便于填入颜色表格”,“对人员分组要求每组不低于4人、便于每组有足够人力完成工作”等。
进一步的,所述步骤S1中将待提取图片转换到HSB颜色空间后,还包括对待提取图片中的相似色进行合并。
进一步的,所述待提取图片由原始图片进行前景背景分离后得到前景像素去除文字部分后得到。
进一步的,所述前景背景分离得到前景像素的方法为在RGB颜色空间中对原始图片所有像素进行K-Means聚类,将像素分成2个类别,其中像素数量最少的是前景像素,像素数量最多的是背景像素。
进一步的,所述去除文字部分的方法为:对原始图片使用光学字符识别引擎识别原始图片中的文本,得到已识别的文本及文本框边界,确定文本框在图片中的位置区域,将前景像素中位于文本框范围内的像素作为文本部分,前景像素中的其它像素作为提取图片。
一种图片颜色提取装置,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令,实现如上述的一种图片颜色提取方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明一种图片颜色提取方法及装置,解决了传统的颜色提取一般采用ISOData聚类算法,该聚类中心数目变动范围由初始聚类中心数K0决定,其最终输出的聚类中心数目范围是[K0/2,2K0],当遇到已经知道类别数目范围时,则会产生错误的分类结果的问题;
2.本发明一种图片颜色提取方法及装置,通过改进的ISOData聚类算法提取可视化页面的辅助配色实现设计图辅助配色的自动化配置,避免了使用者还要使用第三方颜色提取工具提取各个主题颜色,然后还要在UE可视化设计界面进行颜色配置的繁琐过程。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,其中:
图1是本发明的原始图片示意图;
图2是本发明的原始图片辅助色提取结果示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合图1至图2对本发明作进一步地详细描述,所描述的实施例不应视为对本发明的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
HSB颜色空间:基于人视觉的直观反映提出的:H是色调Hue就是颜色名称如“红色”、“蓝色”;S是饱和度Saturation,即颜色的纯度;B是明度Brightness,即颜色的明亮程度。
聚类:一种寻找数据之间内在结构的技术。聚类把全体数据实例组织成一些相似组,而这些相似组被称作簇。处于相同簇中的数据实例彼此相同,处于不同簇中的实例彼此不同。
聚类分析:将数据对象的集合分组为由类似的对象组成的多个类的分析过程。
K-Means聚类算法:一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有或最小数目的聚类中心再发生变化,误差平方和局部最小。
ISODATA算法:在K-Means中,K的值需要预先人为地确定,并且在整个算法过程中无法更改。而当遇到高维度、海量的数据集时,人们往往很难准确地估计出K的大小。ISODATA就是针对这个问题进行了改进,它的思想也很直观:当属于某个类别的样本数过少时把这个类别去除,当属于某个类别的样本数过多、分散程度较大时把这个类别分为两个子类别。
实施例1
一种图片颜色提取方法,包括以下步骤:
S1、将待提取图片转换到HSB颜色空间;
S2、设置待提取颜色数量范围[Kmin,Kmax] ,Kmin、Kmax均为正整数;
S3、从待提取图片中随机选取K0个像素作为初始聚类中心;
S401、针对待提取图片中每个像素xi,计算它到K0个聚类中心的距离并将其分到距离最近的聚类中心所对应的类中;
S402、判断上述每个类中的元素数目是否小于Nmin,如果小于Nmin则需要丢弃该类,令K=K-1,并将该类中的像素重新分配给剩下类中距离最近的类,Nmin为预设的每个类的元素数目下限;
S403、针对每个类别,重新计算它的聚类中心,得到K个类别及对应的聚类中心ci,x为ci中的所有像素;
S5、判断K的范围,如果K≤Kmin,进行增加聚类中心数操作;如果K≥Kmax,进行减少聚类中心数操作;
S6、判断是否达到最大迭代次数,如果已经达到最大迭代次数,则终止迭代并输出聚类中心的颜色为提取颜色的结果,否则转入步骤S4。
提出了一种改进的ISOData聚类算法。本算法在传统的ISOData算法基础上增加了“最小聚类数”和“最大聚类数”两个参数,允许设置强制限定的聚类结果分类个数的范围,以满足用户的特定要求。改进的ISOData算法的应用场景有很多,如“对颜色值聚类后要求每组不超过8种、便于填入颜色表格”,“对人员分组要求每组不低于4人、便于每组有足够人力完成工作”等。
实施例2
本实施例在实施例1的基础上进一步的,所述步骤S1中将待提取图片转换到HSB颜色空间后,还包括对待提取图片中的相似色进行合并。
实施例3
本实施例在实施例1的基础上进一步的,所述待提取图片由原始图片进行前景背景分离后得到前景像素去除文字部分后得到。
进一步的,所述前景背景分离得到前景像素的方法为在RGB颜色空间中对原始图片所有像素进行K-Means聚类,将像素分成2个类别,其中像素数量最少的是前景像素,像素数量最多的是背景像素。
进一步的,所述去除文字部分的方法为:对原始图片使用光学字符识别引擎识别原始图片中的文本,得到已识别的文本及文本框边界,确定文本框在图片中的位置区域,将前景像素中位于文本框范围内的像素作为文本部分,前景像素中的其它像素作为提取图片。
实施例4
一种图片颜色提取装置,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令,实现如上述的一种图片颜色提取方法。
实施例5
本实施例为现有的ISOData聚类算法:ISOData是一种聚类算法,它是在K-Means算法的基础上,增加了对聚类结果的“合并”(减少聚类中心数)和“分裂”(增加聚类中心数)两个操作,允许设置聚类内的最大样本距离、聚类间的聚类中心最小距离等参数,让聚类结果的类别数更符合用户预期。算法步骤如下:
第1步,从数据集中随机选取K0个样本作为初始聚类中心C={c1,c2,…,cK0};
第2步,针对数据集中每个样本xi,计算它到K0个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中;。
第3步,判断上述每个类中的元素数目是否小于Nmin。如果小于Nmin则需要丢弃该类,令K=K-1,并将该类中的样本重新分配给剩下类中距离最小的类;
第4步,针对每个类别ci,重新计算它的聚类中心;
第5步,如果当前K≤K0/2,说明当前类别数太少,前往分裂操作;
第6步,如果当前K≥2K0,说明当前类别数太多,前往合并操作;
第7步,如果达到最大迭代次数则终止,否则回到第2步继续执行。
实施例6
本实施例为本方案的一个实例,使用本方案提取图1中的辅助色,包括以下步骤:
S01、在RGB颜色空间中对图1所有像素进行K-Means聚类,将像素分成2个类别,其中像素数量少的是前景像素,像素数量多的是背景像素;
S02、对图1使用光学字符识别引擎识别图1中的文本,得到已识别的文本及文本框边界,确定文本框在图片中的位置区域,将前景像素中位于文本框范围内的像素作为文本部分,前景像素中的其它像素作为图像部分;
S03、将待提取图像部分转换到HSB颜色空间;
S04、设置待提取颜色数量范围[7,9];
S05、从待提取图片中随机选取3个像素作为初始聚类中心;
S06、针对待提取图片中每个像素xi,计算它到3个聚类中心的距离并将其分到距离最近的聚类中心所对应的类中;
S07、判断上述每个类中的元素数目是否小于Nmin,如果小于Nmin则需要丢弃该类,令K=K-1,并将该类中的像素重新分配给剩下类中距离最近的类;
S08、针对每个类别,重新计算它的聚类中心,得到3个类别及对应的聚类中心ci,x为ci中的所有像素;
S09、判断K的范围,由于3<7,因此进行增加聚类中心数,将聚类中心增加至8;
S010、判断是否达到最大迭代次数,如果已经达到最大迭代次数,则终止迭代并输出聚类中心的颜色为提取颜色的结果,否则转入步骤06;
S011、已经达到最大迭代次数,则终止迭代并输出聚类中心的颜色如图2。
实施例7
本实施例为实现本方案的部分功能代码:
for (int i = 0; i < maxMergeCountAtIter && i < distanceList.size(); i++){
if (clusters.size() > minK) {
// 即将合并的聚类中心的标号
Integer[] indexes = distanceIndexesMap.get(distanceList.get(i));
// 已经合并过的聚类的标号
List<Integer> mergedIndexes = new ArrayList<>();
List<Cluster> newClusters = new ArrayList<Cluster>();
// 判断是否合并过
if (!(mergedIndexes.contains(indexes[0]) || mergedIndexes.contains(indexes[1]))) {
// 新聚类中心
double[] new_cluster = new double[clusterPoints.get(0).getData().length];
for (int j = 0; j < new_cluster.length; j++) {
new_cluster[j] = (clusters.get(indexes[0]).clusterPointCount()
* clusters.get(indexes[0]).getCenter().getData()[j]
+ clusters.get(indexes[1]).clusterPointCount()
* clusters.get(indexes[1]).getCenter().getData()[j])
/ (clusters.get(indexes[0]).clusterPointCount()
+ clusters.get(indexes[1]).clusterPointCount());
}
ClusterPoint newCenter = new ClusterPoint(clusters.size(), new_cluster);
Cluster newCluster = new Cluster(clusters.size(), newCenter);
newClusters.add(newCluster);
clusters.set(indexes[0], null);
clusters.set(indexes[1], null);
mergedIndexes.add(indexes[0]);
mergedIndexes.add(indexes[1]);
clusterCount--;
}
for (int j = clusters.size() - 1; j >= 0; j--) {
if (clusters.get(j) == null) {
clusters.remove(j);
}
}
clusters.addAll(newClusters);
}
}
}。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种图片颜色提取方法,其特征在于:包括以下步骤:
S1、将待提取图片转换到HSB颜色空间;
S2、设置待提取颜色数量范围[Kmin,Kmax] ,Kmin、Kmax均为正整数;
S3、从待提取图片中随机选取K0个像素作为初始聚类中心;
S401、针对待提取图片中每个像素xi,计算它到K0个聚类中心的距离并将其分到距离最近的聚类中心所对应的类中;
S402、判断上述每个类中的元素数目是否小于Nmin,如果小于Nmin则需要丢弃该类后令K=K-1,并将该类中的像素重新分配给剩下类中距离最近的类,Nmin为预设的每个类的元素数目下限;
S403、针对每个类别,重新计算它的聚类中心,得到K个类别及对应的聚类中心ci,x为ci中的所有像素;
S5、判断K的范围,如果K≤Kmin,进行增加聚类中心数操作;如果K≥Kmax,进行减少聚类中心数操作;
S6、判断是否达到最大迭代次数,如果已经达到最大迭代次数,则终止迭代并输出聚类中心的颜色为提取颜色的结果,否则转入步骤S4。
2.根据权利要求1所述的一种图片颜色提取方法,其特征在于:所述步骤S1中将待提取图片转换到HSB颜色空间后,还包括对待提取图片中的相似色进行合并。
3.根据权利要求1所述的一种图片颜色提取方法,其特征在于:所述待提取图片由原始图片进行前景背景分离后得到前景像素去除文字部分后得到。
4.根据权利要求3所述的一种图片颜色提取方法,其特征在于:所述前景背景分离得到前景像素的方法为在RGB颜色空间中对原始图片所有像素进行K-Means聚类,将像素分成2个类别,其中像素数量最少的是前景像素,像素数量最多的是背景像素。
5.根据权利要求3所述的一种图片颜色提取方法,其特征在于:所述去除文字部分的方法为:对原始图片使用光学字符识别引擎识别原始图片中的文本,得到已识别的文本及文本框边界,确定文本框在图片中的位置区域,将前景像素中位于文本框范围内的像素作为文本部分,前景像素中的其它像素作为提取图片。
6.一种图片颜色提取装置,其特征在于:包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令,实现如权利要求1所述的一种图片颜色提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010671984.1A CN111563937B (zh) | 2020-07-14 | 2020-07-14 | 一种图片颜色提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010671984.1A CN111563937B (zh) | 2020-07-14 | 2020-07-14 | 一种图片颜色提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563937A CN111563937A (zh) | 2020-08-21 |
CN111563937B true CN111563937B (zh) | 2020-10-30 |
Family
ID=72073970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010671984.1A Active CN111563937B (zh) | 2020-07-14 | 2020-07-14 | 一种图片颜色提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563937B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06225154A (ja) * | 1993-01-22 | 1994-08-12 | Dainippon Printing Co Ltd | カラー画像のデータ圧縮符号化方法 |
CN1540586A (zh) * | 2003-10-30 | 2004-10-27 | �Ϻ���ͨ��ѧ | 遥感图像的光谱特征提取与比较方法 |
CN103353938A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于层次级特征的细胞膜分割方法 |
CN103617596A (zh) * | 2013-10-12 | 2014-03-05 | 中山大学 | 一种基于流型转换的图像色彩风格变换方法 |
CN104050680A (zh) * | 2014-07-04 | 2014-09-17 | 西安电子科技大学 | 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 |
CN104899347A (zh) * | 2015-04-10 | 2015-09-09 | 中国美术学院 | 面向用户偏好的配色方法 |
CN104933710A (zh) * | 2015-06-10 | 2015-09-23 | 华南理工大学 | 基于监控视频下的商店人流轨迹智能分析方法 |
CN107680099A (zh) * | 2017-10-13 | 2018-02-09 | 北京工业大学 | 一种融合ifoa和f‑isodata的图像分割方法 |
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 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799929B (zh) * | 2009-02-11 | 2013-01-23 | 富士通株式会社 | 指定颜色层提取设备和方法 |
CN101515325B (zh) * | 2009-04-08 | 2012-05-23 | 北京邮电大学 | 基于字符切分和颜色聚类的数字视频中的字符提取方法 |
CN102254187B (zh) * | 2011-08-10 | 2012-10-10 | 武汉大学 | 一种基于元胞自动机的遥感影像非监督分类方法 |
CN103426176B (zh) * | 2013-08-27 | 2017-03-01 | 重庆邮电大学 | 基于改进直方图和聚类算法的视频镜头检测方法 |
CN105005789B (zh) * | 2015-07-01 | 2018-04-03 | 北京理工大学 | 一种基于视觉词汇的遥感图像地物分类方法 |
CN110198437B (zh) * | 2018-02-27 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 图像的处理方法、装置、存储介质和电子装置 |
CN110533111A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种基于局部密度与球哈希的自适应k均值聚类方法 |
-
2020
- 2020-07-14 CN CN202010671984.1A patent/CN111563937B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06225154A (ja) * | 1993-01-22 | 1994-08-12 | Dainippon Printing Co Ltd | カラー画像のデータ圧縮符号化方法 |
CN1540586A (zh) * | 2003-10-30 | 2004-10-27 | �Ϻ���ͨ��ѧ | 遥感图像的光谱特征提取与比较方法 |
CN103353938A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于层次级特征的细胞膜分割方法 |
CN103617596A (zh) * | 2013-10-12 | 2014-03-05 | 中山大学 | 一种基于流型转换的图像色彩风格变换方法 |
CN104050680A (zh) * | 2014-07-04 | 2014-09-17 | 西安电子科技大学 | 基于迭代自组织和多智能体遗传聚类算法的图像分割方法 |
CN104899347A (zh) * | 2015-04-10 | 2015-09-09 | 中国美术学院 | 面向用户偏好的配色方法 |
CN104933710A (zh) * | 2015-06-10 | 2015-09-23 | 华南理工大学 | 基于监控视频下的商店人流轨迹智能分析方法 |
CN107680099A (zh) * | 2017-10-13 | 2018-02-09 | 北京工业大学 | 一种融合ifoa和f‑isodata的图像分割方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111563937A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816078B2 (en) | Automatic entity resolution with rules detection and generation system | |
CN112949710B (zh) | 一种图像的聚类方法和装置 | |
JP5282658B2 (ja) | 画像学習、自動注釈、検索方法及び装置 | |
EP1516264B1 (en) | Image retrieval by generating a descriptor for each spot of an image the cells of which having visual characteristics within a selected tolerance | |
US9824299B2 (en) | Automatic image duplication identification | |
US6243501B1 (en) | Adaptive recognition of documents using layout attributes | |
Varish et al. | Image retrieval scheme using quantized bins of color image components and adaptive tetrolet transform | |
JP6341650B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
JP2008542911A (ja) | メトリック埋め込みによる画像比較 | |
CN111369133A (zh) | 一种大数据风险监测系统 | |
CN111563937B (zh) | 一种图片颜色提取方法及装置 | |
US9940002B2 (en) | Image variation engine | |
CN111488885B (zh) | 一种图片主题色系智能提取方法及装置 | |
JP3661287B2 (ja) | 画像登録装置および方法 | |
CN110737687A (zh) | 数据查询方法、装置、设备及存储介质 | |
JP2004192555A (ja) | 情報管理方法、情報管理装置及び情報管理プログラム | |
CN114972540A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
CN113158745B (zh) | 一种基于多特征算子的乱码文档图片识别方法及系统 | |
CN114936840A (zh) | 基于图像分类和ocr技术的电力业务工单信息智能识别方法 | |
CN111046745B (zh) | 基于软块对角的多视聚类方法 | |
JP2006221525A (ja) | オブジェクト検索システムおよび方法 | |
CN112528905A (zh) | 一种图像处理方法、装置及计算机存储介质 | |
Ciobanu et al. | Color feature vectors based on optimal LAB histogram bins | |
CN113449560A (zh) | 一种基于动态人像库进行人脸比对的技术 | |
Mehri et al. | A structural signature based on texture for digitized historical book page categorization |
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 |