CN112184838B - 一种基于颜色相关度的多背景迷彩图案主色提取方法 - Google Patents
一种基于颜色相关度的多背景迷彩图案主色提取方法 Download PDFInfo
- Publication number
- CN112184838B CN112184838B CN202011072693.7A CN202011072693A CN112184838B CN 112184838 B CN112184838 B CN 112184838B CN 202011072693 A CN202011072693 A CN 202011072693A CN 112184838 B CN112184838 B CN 112184838B
- Authority
- CN
- China
- Prior art keywords
- background
- color
- dominant
- dominant color
- 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.)
- 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
- G06F18/23213—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
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于颜色相关度的多背景迷彩图案主色提取方法,主要解决现有单一背景下迷彩图案主色提取方法难以满足多背景多地域迷彩伪装需求的问题。步骤包括:s1.选取待伪装区域的多张背景图像,图像预处理;s2.提取每张背景图像的背景主色,并计算所述背景主色的面积占比;s3.对每张背景图像的背景主色进行优先级排序,列出排序后的搜索路径;s4.根据颜色相关度度量函数选择搜索路径,进行背景主色配对;s5.对背景主色配对结果进行主色计算,得出最终的多背景迷彩图案主色和主色的面积占比。本发明方法计算复杂度低、实时性高,所提取的迷彩主色和背景颜色融合度高,能满足大区域动态环境下多背景迷彩图案设计精确主色提取的需要。
Description
技术领域
本发明于图像处理与分析以及迷彩伪装设计技术领域,尤其涉及一种基于颜色相关度的多背景迷彩图案主色提取方法。
背景技术
迷彩伪装是最为简便有效的军事伪装防护手段之一,可应用到人员、服装、武器装备、阵地工程等各类军事目标,在各国军队得到了广泛应用。目前迷彩图案设计方法的研究多集中于单一背景迷彩图案生成,设计方法已较为成熟,已实际应用于许多作战装备,可以达到较好的伪装效果。但是当伪装目标处于大区域多背景(复杂背景)环境下,已有的单一背景迷彩图案则很难起到较好的伪装效果。因为单一背景迷彩图案可能只对区域内的某一部分或某一单一背景伪装效果较佳,但对于区域内的大部分环境,当伪装目标处于机动状态,则表现出明显的暴露特征,很容易被敌方探测设备发现,从而遭受精准打击。
多背景迷彩又称多地形迷彩、通用迷彩,是一种将多个地形背景的视觉特征(包括颜色、纹理、亮度、形状等特征)进行融合而设计的数码或变形迷彩伪装图案。多背景迷彩图案设计重点在于主色提取和斑块设计。由人眼视觉注意力机制可知,人眼对颜色的敏感度总是高于纹理,故多背景迷彩图案主色提取尤为重要。单一背景的迷彩图案主色提取方法较多,包括聚类法、频度序列法、八叉树法等,但都只适用于一种背景图片,对于多背景的迷彩图案主色提取,专利CN110717952A的“可见光背景下由多图片提取主题色并生成迷彩的方法”对多张背景图片直接横向拼接成一张大图,对大图进行K-means聚类提取多背景迷彩图案主色,该方法提取的主色可能会陷入局部极小值,即提取的主色可能大多是一幅背景图像的颜色,并且直接利用随机初始聚类中心的K-means聚类算法提取背景主色,容易造成提取的背景主色与背景的色差过大。ZHU等人基于模糊聚类法,利用频率分布和附加权重对参数进行多次更新,并择最优的参数来生成图案的主色,该方法只适用于多张相似地形背景图像的迷彩图案设计并且聚类算法复杂。Hejrandoost等人同样用较为复杂的模糊聚类提取两种背景的主色,采用欧氏距离作为颜色相似度度量,进行主色配对并计算配对后的均值作为多背景迷彩图案的最终主色,该方法对多个背景图片北景主色间相关性考虑不够全面。
发明内容
本发明的目的是为了解决现有单一背景下迷彩图案主色提取方法难以满足多背景多地域迷彩伪装需求的问题,提出一种基于颜色相关度的多背景迷彩图案主色提取方法。
本发明的目的是这样实现的:
一种基于颜色相关度的多背景迷彩图案主色提取方法,包括如下步骤:
s1.选取待伪装区域的多张背景图像,图像预处理;
s1.1.选取的多张背景图像数据集记为P,数据集中每张背景图像记为pi,i∈{1,2,...,N}且N≥2;
s1.2.图像预处理操作包括:尺寸归一化和颜色空间转换,目的在于统一背景图像的尺寸大小和提升背景主色提取的准确度;
s2.提取每张背景图像的背景主色,并计算所述背景主色的面积占比;
s2.1.统计背景图像的颜色信息,确定初始聚类中心;
s2.2.通过聚类算法提取每张背景图像的背景主色和所述背景主色的面积占比;
s3.对每张背景图像的背景主色进行优先级排序,列出排序后背景主色配对的搜索路径;
s3.1.背景主色优先级排序
遍历每张背景图像的背景主色,依据背景主色的面积占比大小,采用降值排序方法,对提取的每张图像内的背景主色进行排列并编号;
编号存储在序列Api内Api={1,2,3,...,K},其中K表示步骤s2.2提取的背景主色数目,3≤K≤6;
s3.2.确定背景主色配对的搜索路径
根据上述背景主色优先级排序,背景图像的背景主色排序编号为序列,搜索过程如下:
(1)在每张背景图像的Api中随机抽取一个编号,将抽出的编号组成路径向量Tt,t∈{1,2,3,...,KN};
(2)重复步骤(1),直至每张背景图像pi的序列Api内的编号都被抽取,路径向量总数为KN;
(3)在上述所有的路径向量Tt内抽取K个组成一个向量组M,被抽取的路径向量需满足要求:临近的两个向量间对应位置上的编号不相同;
(4)重复步骤(3),直至抽取完所有满足上述要求的路径向量;
根据上述步骤,背景主色配对的搜索路径即为所有的向量组M;
s4.根据颜色相关度度量函数选择搜索路径,进行背景主色配对;
s4.1.颜色相关度度量函数;
颜色相关度度量函数综合考虑色度、亮度和占比因素,由色度因子、亮度因子、占比因子权重相加并归一化处理构成;
色度因子采用两种背景主色间的相关系数计算,亮度因子采用灰度差进行计算,占比因子采用所述背景主色的面积占比加和进行计算;
设所述色度因子为C(fi,gj),亮度因子为L(fi,gj),占比因子为S(fi,gj),fi和gj表示两种不同的背景主色,fi和gj是由(R,G,B)构成的三维矢量,即fi由(fi R,fi G,fi B)来表示,gj由来表示,i、j表示步骤s3.1中记录的排序编号,则可推导得到两种背景主色的颜色相关度度量函数公式:
上式中:
S(fi,gj)=ai+bj
MIN=min(C(fi,gj)),MAX=max(C(fi,gj)),C=255*3,γ1、γ2、γ3是颜色相关度度量函数的归一化权重系数,0≤γ1、γ2、γ3≤1且γ1+γ2+γ3=1;
Dist(fi,gj)∈[0,1],颜色相关度度量函数和背景主色间的颜色相关性呈正比关系,颜色相关度度量函数值越大,表示两种背景主色越适合配对;
s4.2.选择搜索路径,确定背景主色配对结果;
对步骤s3.2确定的所有向量组M,采用颜色相关度度量函数选取最佳向量组,作为背景主色配对结果,选择过程如下:
选取向量组M内的一个路径向量Tt,并使用颜色相关度度量函数计算此路径向量内编号所对应的背景主色间相关度,并求和;
公式如下所示:
sumk=Dist(fx1,gx2)+Dist(gx2,hx3)+...+Dist(rxn,fx1)
k∈{1,2,...,K},x1,x2,x3,...,xn是路径向量内的所有编号,fx1,gx2,hx3,...,rxn是编号对应背景图像的背景主色;
然后对向量组M内的每个路径向量均做上述公式计算,累加计算得到的所有sumk,结果表示为SUM;
最后分别计算每个向量组M的SUM,其中值最大的向量组M为背景主色配对结果;
s5.对背景主色配对结果进行主色计算,得出最终的多背景迷彩图案主色和相应的面积比例;
配对完成后,根据背景主色配对结果,多背景迷彩图案主色由几何平均值公式计算,公式如下:
多背景迷彩图案主色对应的面积占比由路径向量内编号对应的背景主色的面积占比的平均值计算,计算公式如下:
ax1,bx2,cx3,...,gxn是路径向量内编号对应的背景主色的面积占比;
进一步的:所述步骤s1.2中颜色空间转换至HSV颜色空间,HSV颜色空间相对于RGB颜色空间更符合人眼视觉特性。
进一步的:所述步骤s2.1中确定初始聚类中心的方法包括:随机选取、人为手动选取、算法选取等,算法包括谱系聚类法、相异度矩阵组成的霍夫曼树、k-distance图、贪心算法等。
进一步的:所述步骤s4.1中颜色相关度度量函数的归一化权重系数γ1、γ2、γ3根据具体的多背景迷彩图案主色的计算结果动态调节,以使得多背景迷彩图案主色和多个背景图像的色差值都较小,综合考虑色度、亮度、占比对颜色相似的影响程度,色度影响最大,亮度次之,即γ1>γ2>γ3。
与现有技术相比,本发明的有益效果是:
1.本发明在提取每个背景图像背景主色前,先进行颜色空间转换并统计背景图像的颜色信息,以统计结果确定初始聚类中心,避免了随机选取初始聚类中心造成主色提取的不准确和人为手动选取初始聚类中心的不客观,提升了后续聚类算法的收敛性和背景主色提取的精确度,有助于方法的普及应用;
2.本发明采用聚类算法进行每个背景图像的主色提取,该算法应用已经成熟且计算简单,满足战场快速提取背景主色、实时生成迷彩图案的需求;
3.本发明通过先进行背景主色优先级排序,再进行背景主色搜索配对,使得面积占比大的背景主色优先配对,避免了面积占比相差较大的背景主色进行配对,符合迷彩图案设计规范;
4.本发明改进了颜色相关度度量函数,综合考虑多个背景图片主色的色度、亮度、占比且色度、亮度、占比的影响程度动态可调,使得提取的多背景迷彩图案主色能和多个不同的背景都能取得较高色彩融合度,提升后续生成的迷彩图案伪装效果,可以为多背景下目标的迷彩图案设计提供参考借鉴。
5.本发明提出的多背景迷彩图案主色提取方法,解决了单一背景下迷彩图案背景主色的融合问题,利用本发明方法设计的迷彩图案适用于多种不同区域、不同地形背景,简化了迷彩图案类型,降低迷彩图案设计成本。
附图说明
图1为本发明中基于颜色相关度的多背景迷彩图案主色提取方法的流程框图;
图2a-b为本发明实施例中选取的背景图片;
图3为本发明实施例中K-means聚类算法流程图;
图4a-b为本发明实施例中提取的每张背景图片的背景主色图;
图5为本发明实施例中背景主色优先级排序的示意图;
图6a-b为本发明实施例中背景主色优先级排序后的背景主色图;
图7为本发明实施例中提取的多背景迷彩图案主色图;
图8a-1至图8c-3为本发明方法和其他方法生成的伪装图案的效果对比图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明首先分别提取多个背景图像的背景主色和面积占比,然后根据背景主色的面积占比进行主色优先级排序,列出排序后的背景主色配对搜索路径,最后利用颜色相关性度量函数选择上述搜索路径,得出背景主色配对结果并根据平均值公式计算出多背景迷彩图案主色和其面积占比,提取的迷彩主色与背景颜色融合度高、计算复杂度低,能满足大区域动态环境下多背景迷彩图案设计精确主色提取的需要。
结合图1所示,一种基于颜色相关度的多背景迷彩图案主色提取方法,包括如下步骤:
s1.选取待伪装区域的多张背景图像,图像预处理;
s1.1.选取的多张背景图像数据集记为P,数据集中每张背景图像记为pi,i∈{1,2,...,N}且N≥2;
本发明实施例中选取的背景图片1、2如图2a、图2b所示,即数据集P={p1,p2},N=2。
图像预处理操作包括:尺寸归一化和颜色空间转换,目的在于统一背景图像的尺寸大小和提升背景主色提取的准确度;
本发明实施例中设置背景图片尺寸为300*300(像素),HSV颜色空间比RGB颜色空间更符合人眼视觉特性,更能体现出颜色和亮度的差异,因此将背景图片转换到HSV颜色空间。
s2.提取每张背景图片的背景主色,并计算所述背景主色的面积占比;
s2.1.统计背景图像的颜色信息,确定初始聚类中心;
初始聚类中心确定的方法一般包括:随机选取、人为手动选取、算法选取,算法包括谱系聚类法、相异度矩阵组成的霍夫曼树、k-distance图、贪心算法等;
考虑到颜色直方图是一种简单有效的基于统计特性的特征描述子,相较于上述算法计算简单且具有图像平移、旋转、缩放不变性等众多优点,采用颜色直方图统计背景图像的颜色信息,为了进一步降低计算量,对颜色直方图进行量化操作;
本发明实施例中具体量化颜色直方图算法步骤如下:
(1)提取背景图片三通道值分别赋给H、S、V。
(2)分别量化H、S、V三分量得到h、s、v,使得H∈[l*18,(l+1)*18],h=l∈{0,1,2,...19};S∈[m*0.2,(m+1)*0.2],S∈[m*0.2,(m+1)*0.2];s=m∈{0,1,2,3,4};V∈[n*0.2,(n+1)*0.2],v=n∈{0,1,2,3,4},即H、S、V分分别均分为20、5、5等分区间。
(3)设置量化权重系数为rh、rs、rv,综合和量化权重系数得到综合特征量,公式表示为HSVcol=rhh+rss+rvv。该量化权重系数取值根据H、S、V三分量对颜色间区分的重要性来选取,一般色调对颜色区分的贡献最大,亮度和饱和度次之,本发明实施例中设置rh、rs、rv分别为25、5、5。
(4)绘制HSVcol的一维直方图,提取直方图中纵坐标最大的K个HSVcol值对应的(h,s,v),并转换为对应的颜色区间,取区间内的中值(Hi,Si,Vi),i∈{1,2,...,K}转换回RGB颜色空间得到初始聚类中心。
本发明实施例中取K=3,则由量化颜色直方图计算出的背景图片的初始聚类中心如下表所示:
表1初始聚类中心
s2.2.通过聚类算法提取每张背景图像的背景主色和所述背景主色的面积占比;
提取背景主色的聚类算法包括K-means聚类、FCM聚类、ISODATA聚类等;
考虑到迷彩图案生成的实时性要求,优先选取较为成熟、计算简单的K-means聚类算法;
本发明实施例中采用K-means聚类提取背景主色和所述背景主色的面积占比;
K-means聚类算法的核心在于将分类的样本按照最小距离原则进行分配,对每一类颜色的每个像素点和其对应的聚类中心的距离平方之和求最小值,公式表示如下:
具体算法流程图如图3所示。
本发明实施例中由K-means聚类算法提取每张背景图片的背景主色如图4a、图4b,具体的背景主色的颜色值和面积占比如下表2:
表2背景主色的颜色值和面积占比
s3.对每张背景图像的背景主色进行优先级排序,列出排序后的搜索路径;
s3.1.背景主色优先级排序
遍历每张背景图像的背景主色,依据背景主色的面积占比大小,采用降值排序方法,对提取的每张图像内的背景主色进行排列并编号;
以两张背景图像为例说明背景主色优先级排序过程:
设两张背景图像的背景主色和所述背景主色的面积比例分别是(fi,ai)、(gj,bj),其中i,j∈{1,2,...,K},对于背景图像1,判断ai的大小,根据ai的大小,从大到小的排列背景主色fi并编号,同理,对于背景图像2,判断bj的大小,根据bj的大小,从大到小的排列背景主色gj并编号,序列
主色优先级排序过程示意图如图5所示,图5中背景图片1主色为A、B、C,背景图片2为X、Y、Z根据背景主色的面积占比,分别对背景1、2进行主色排序。
s3.2.确定背景主色配对的搜索路径
(3)在上述所有的路径向量Tt内抽取K个组成一个向量组M,被抽取的路径向量需满足要求:临近的两个向量间对应位置上的编号不相同;
(4)重复步骤(3),直至抽取完所有满足所述要求的路径向量;
根据上述步骤,背景主色配对的搜索路径即为所有的向量组M;
根据上述搜索过程,本发明实施例中路径向量总数Tt为32,路径向量Tt分别为:[1,2]、[1,3]、[2,3]、[2,1]、[2,2]、[3,1]、[3,2]、[3,3],抽取的向量组M为: 向量组M即为本发明实施例中的背景主色配对的搜索路径。
s4.根据颜色相关度度量函数选择搜索路径,进行背景主色配对;
s4.1.颜色相关度度量函数
颜色相关度度量函数综合考虑色度、亮度和占比因素,由色度因子、亮度因子、占比因子权重相加并归一化处理构成;
色度因子采用两种背景主色间的相关系数计算,亮度因子采用灰度差进行计算,占比因子采用所述背景主色的面积占比加和进行计算;
设所述色度因子为C(fi,gj),亮度因子为L(fi,gj),占比因子为S(fi,gj),fi和gj表示两种不同的背景主色,fi、gj是由(R,G,B)构成的三维矢量,即fi由(fi R,fi G,fi B)来表示,gj由来表示,ai、bj表示该背景主色的面积占比,i、j表示步骤s3.1中记录的排序编号,则可推导得到两种背景主色的颜色相关度度量函数公式:
上式中:
S(fi,gj)=ai+bj
MIN=min(C(fi,gj)),MAX=max(C(fi,gj)),C=255*3,γ1、γ2、γ3是颜色相关度度量函数的归一化权重系数,0≤γ1,γ2,γ3≤1且γ1+γ2+γ3=1;
颜色相关度度量函数的归一化权重系数γ1、γ2、γ3根据具体的多背景迷彩图案主色计算结果动态调节,以使得多背景迷彩图案主色和多个背景图像的色差值都较小,综合考虑色度、亮度、占比对颜色相似的影响程度,色度影响最大,亮度次之,即γ1>γ2>γ3。
本发明实施例中取γ1=0.7,γ2=0.2,γ3=0.1。
Dist(fi,gj)∈[0,1],颜色相关度度量函数和背景主色间的颜色相关性呈正比关系,颜色相关度度量函数值越大,表示两种背景主色越适合配对;
s4.2.选择搜索路径,确定背景主色配对结果;
对步骤s3.2确定的所有向量组M,采用颜色相关度度量函数选取最佳向量组,作为背景主色配对结果,选择过程如下:
首先选取向量组M内的一个路径向量Tt,并使用颜色相关度度量函数计算此路径向量内编号所对应的背景主色间相关度,并求和;
公式表示如下:
sumk=Dist(fx1,gx2)+Dist(gx2,hx3)+...+Dist(rxn,fx1)
k∈{1,2,...,K},x1,x2,x3,...,xn是路径向量内的所有编号,fx1,gx2,hx3,...,rxn是编号对应背景图像的背景主色;
然后对向量组M内的每个路径向量均做上述公式计算,累加计算得到的所有sumk,结果表示为SUM;
最后分别计算每个向量组M的SUM,其中值最大的向量组M为背景主色配对结果;
根据步骤s4.2,本发明实施例中计算由s3.2确定的向量组M的SUM分别为:1.585、2.1884、1.8079、1.6082;
s5.对背景主色配对结果进行主色计算,得出最终的多背景迷彩图案主色和相应的面积比例;
配对完成后,多背景迷彩图案主色由几何平均值公式计算,公式如下:
多背景迷彩图案主色对应的面积占比由路径向量内编号对应的背景主色的面积占比平均值计算,计算公式如下:
ax1,bx2,cx3,...,gxn是路径向量内编号对应的背景主色的面积占比;
上述公式中x∈{1,2,...,K};
本发明实施例中根据上述公式计算的两张背景图像的多背景迷彩图案主色图如图7,多背景迷彩图案主色值和面积占比如表三所示:
表三多背景迷彩图案主色值和面积占比
颜色值(R,G,B) | 面积占比 | |
color<sub>1</sub> | (135,126,78) | 0.4700 |
color<sub>2</sub> | (61,52,23) | 0.3463 |
color<sub>3</sub> | (94,77,40) | 0.1837 |
结果分析
实验一:应用本发明的多背景迷彩图案主色提取方法、Hejrandoost方法、专利CN110717952A方法进行背景颜色融合度对比实验,分别计算本发明方法Hejrandoost方法、专利CN110717952A方法提取的多背景迷彩图案主色和每个背景图像颜色值之间的色差,即计算两者间的欧式距离,计算公式如下:
I(i,j)表示背景图像的像素值,由R、G、B三分量构成;
表4本发明方法和其他方法的背景颜色融合的对比结果
由实验一结果可知:本发明方法对两个不同背景图像的色差值明显小于Hejrandoost方法、专利CN110717952A方法,利用本发明方法提取的多背景迷彩图案主色和背景颜色差异性更小,更能满足于伪装需要。
实验二:应用本发明的多背景迷彩图案主色提取方法和Hejrandoost方法以及专利CN110717952A方法进行伪装效果对比,分别利用本发明方法、Hejrandoost方法、专利CN110717952A方法随机填充主色生成伪装图案并放置到背景图片中观察伪装效果,主观评估方法性能。比较结果如图8所示,图8a-1、图8b-1、图8c-1分别是三种方法提取的多背景迷彩图案主色生成的伪装图案,图8a-2、图8b-2、图8c-2是分别三种伪装图案放置到背景图像1中的伪装效果图,图8a-3、图8b-3、图8c-3是分别三种伪装图案放置到背景图像2中的伪装效果图。观察图8第2、3列的伪装效果图,Hejrandoost方法和专利CN110717952A方法生成的伪装图案与背景图像1融合效果较好,但是对背景图像2,Hejrandoost方法提取的多背景迷彩图案主色总体色调偏亮,专利CN110717952A方法总体色调偏暗,本发明方法对两种不同的背景图片色彩融合度都较好;通过不同行业人员对图8中三种方法提取的多背景迷彩图案主色的伪装效果图进行主观识别验证,可以看出,本发明方法提取的多背景迷彩图案主色对多种背景环境都具有良好的伪装效果,更适宜用于提取多背景迷彩图案主色。
上述实验结果表明:相对于目前已有的多背景迷彩图案主色提取方法,本发明方法提取的多背景迷彩图案主色和多个不同背景颜色融合度高,同时,本发明方法计算复杂度低、精确度高、伪装效果图和背景颜色差异性小,利用本发明方法提取的多背景迷彩图案主色能满足大区域动态环境下多背景迷彩图案设计精确主色提取的需要。
本发明未尽事宜为公知技术。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
综上所述:本发明公开了一种基于颜色相关度的多背景迷彩图案主色提取方法,主要解决现有单一背景下迷彩图案主色提取方法难以满足多背景多地域迷彩伪装需求的问题。实现步骤包括:s1.选取待伪装区域的多张背景图像,图像预处理;s2.提取每张背景图像的背景主色,并计算所述背景主色的面积占比;s3.对每张背景图像的背景主色进行优先级排序,列出排序后的搜索路径;s4.根据颜色相关度度量函数选择搜索路径,进行背景主色配对;s5.对背景主色配对结果进行主色计算,得出最终的多背景迷彩图案主色和主色的面积占比。本发明方法计算复杂度低、实时性高,所提取的迷彩主色和背景颜色融合度高,能满足大区域动态环境下多背景迷彩图案设计精确主色提取的需要。
Claims (4)
1.一种基于颜色相关度的多背景迷彩图案主色提取方法,其特征在于,包括如下步骤:
s1.选取待伪装区域的多张背景图像,图像预处理;
s1.1.选取的多张背景图像数据集记为P,数据集中每张背景图像记为pi,i∈{1,2,...,N}且N≥2;
s1.2.图像预处理操作包括:尺寸归一化和颜色空间转换,目的在于统一背景图像的尺寸大小和提升背景主色提取的准确度;
s2.提取每张背景图像的背景主色,并计算所述背景主色的面积占比;
s2.1.统计背景图像的颜色信息,确定初始聚类中心;
s2.2.通过聚类算法提取每张背景图像的背景主色和所述背景主色的面积占比;
s3.对每张背景图像的背景主色进行优先级排序,列出排序后背景主色配对的搜索路径;
s3.1.背景主色优先级排序;
遍历每张背景图像的背景主色,依据背景主色的面积占比大小,采用降值排序方法,对提取的每张图像内的背景主色进行排列并编号;
s3.2.确定背景主色配对的搜索路径;
(3)在上述所有的路径向量Tt内抽取K个组成一个向量组M,被抽取的路径向量需满足要求:临近的两个向量间对应位置上的编号不相同;
(4)重复步骤(3),直至抽取完所有满足上述要求的路径向量;
根据上述步骤,背景主色配对的搜索路径即为所有的向量组M;
s4.根据颜色相关度度量函数选择搜索路径,进行背景主色配对;
s4.1.颜色相关度度量函数;
颜色相关度度量函数综合考虑色度、亮度和占比因素,由色度因子、亮度因子、占比因子权重相加并归一化处理构成;
色度因子采用两种背景主色间的相关系数计算,亮度因子采用灰度差进行计算,占比因子采用所述背景主色的面积占比加和进行计算;
定义所述色度因子为C(fi,gj),亮度因子为L(fi,gj),占比因子为S(fi,gj),fi和gj表示两种不同的背景主色,fi和gj是由(R,G,B)构成的三维矢量,即fi由(fi R,fi G,fi B)来表示,gj由来表示,ai和bj表示该背景主色的面积占比,i、j表示步骤s3.1中记录的排序编号,则可推导得到两种背景主色的颜色相关度度量函数公式:
上式中:
S(fi,gj)=ai+bj
MIN=min(C(fi,gj)),MAX=max(C(fi,gj)),C=255*3,γ1、γ2、γ3是颜色相关度度量函数的归一化权重系数,0≤γ1,γ2,γ3≤1且γ1+γ2+γ3=1;
Dist(fi,gj)∈[0,1],颜色相关度度量函数和背景主色间的颜色相关性呈正比关系,颜色相关度度量函数值越大,表示两种背景主色越适合配对;
s4.2.选择搜索路径,确定背景主色配对结果;
对步骤s3.2确定的所有向量组M,采用颜色相关度度量函数选取最佳向量组,作为背景主色配对结果,选择过程如下:
首先选取向量组M内的一个路径向量Tt,并使用颜色相关度度量函数计算此路径向量内编号所对应的背景主色间相关度,并求和;
公式如下所示:
sumk=Dist(fx1,gx2)+Dist(gx2,hx3)+...+Dist(rxn,fx1)
k∈{1,2,...,K},x1,x2,x3,...,xn是路径向量内的所有编号,fx1,gx2,hx3,...,rxn是编号对应背景图像的背景主色;
然后对向量组M内的每个路径向量Tt均做上述公式计算,累加计算得到的所有sumk,结果表示为SUM;
最后分别计算每个向量组M的SUM,其中值最大的向量组M为背景主色配对结果;
s5.对背景主色配对结果进行主色计算,得出最终的多背景迷彩图案主色和相应的面积比例;
配对完成后,根据配对结果,多背景迷彩图案主色由几何平均值公式计算,公式如下:
多背景迷彩图案主色对应的面积占比由路径向量内编号对应的背景主色的面积占比的平均值计算,计算公式如下:
ax1,bx2,cx3,...,gxn是路径向量内编号对应的背景主色的面积占比;
上述公式中x∈{1,2,...,K}。
2.根据权利要求1所述的基于颜色相关度的多背景迷彩图案主色提取方法,其特征在于,所述步骤s1.2中颜色空间转换至HSV颜色空间,HSV颜色空间相对于RGB颜色空间更符合人眼视觉特性。
3.根据权利要求1所述的基于颜色相关度的多背景迷彩图案主色提取方法,其特征在于,所述步骤s2.1中确定初始聚类中心是通过颜色直方图量化实现的。
4.根据权利要求1所述的基于颜色相关度的多背景迷彩图案主色提取方法,其特征在于,所述步骤s4.1中颜色相关度度量函数的归一化权重系数γ1、γ2、γ3根据具体的多背景迷彩图案主色的计算结果动态调节,以使得多背景迷彩图案主色和多个不同背景图像的色差值都较小,综合考虑色度、亮度、占比对颜色相似的影响程度,色度影响最大,亮度次之,即γ1>γ2>γ3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072693.7A CN112184838B (zh) | 2020-10-09 | 2020-10-09 | 一种基于颜色相关度的多背景迷彩图案主色提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072693.7A CN112184838B (zh) | 2020-10-09 | 2020-10-09 | 一种基于颜色相关度的多背景迷彩图案主色提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184838A CN112184838A (zh) | 2021-01-05 |
CN112184838B true CN112184838B (zh) | 2022-06-21 |
Family
ID=73948318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011072693.7A Active CN112184838B (zh) | 2020-10-09 | 2020-10-09 | 一种基于颜色相关度的多背景迷彩图案主色提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184838B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950733B (zh) * | 2021-03-01 | 2022-10-28 | 哈尔滨工程大学 | 一种适用于地面装备的多地形迷彩图案生成方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971100A (zh) * | 2014-05-21 | 2014-08-06 | 国家电网公司 | 基于视频并针对自动提款机的伪装与偷窥行为的检测方法 |
CN104835104A (zh) * | 2014-02-07 | 2015-08-12 | 湖南第一师范学院 | 基于分形的数字图像主动伪装方案 |
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 |
CN108765267A (zh) * | 2018-05-25 | 2018-11-06 | 青岛九维华盾科技研究院有限公司 | 一种基于误差扩散抖动算法的数码迷彩生成方法及系统 |
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 |
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 |
CN110579134A (zh) * | 2019-09-12 | 2019-12-17 | 苏洪涛 | 环境适应型数码仿造迷彩瓷砖伪装方法及其应用 |
CN110717952A (zh) * | 2019-09-23 | 2020-01-21 | 北京工业大学 | 可见光背景下由多图片提取主题色并生成迷彩的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020091991A1 (en) * | 2000-05-11 | 2002-07-11 | Castro Juan Carlos | Unified real-time microprocessor computer |
CN101388020A (zh) * | 2008-07-07 | 2009-03-18 | 华南师范大学 | 一种基于内容的复合型图像检索方法 |
US8698888B2 (en) * | 2009-10-30 | 2014-04-15 | Medical Motion, Llc | Systems and methods for comprehensive human movement analysis |
CN104318570B (zh) * | 2014-10-29 | 2017-06-30 | 沈阳建筑大学 | 一种基于背景的自适应迷彩伪装设计方法 |
CN107180439B (zh) * | 2016-07-15 | 2020-02-04 | 重庆大学 | 一种基于Lab色度空间的色偏特征提取和色偏检测方法 |
CN108510562B (zh) * | 2018-02-11 | 2021-10-01 | 青岛九维华盾科技研究院有限公司 | 基于图像分形纹理的数码迷彩图案生成方法 |
-
2020
- 2020-10-09 CN CN202011072693.7A patent/CN112184838B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835104A (zh) * | 2014-02-07 | 2015-08-12 | 湖南第一师范学院 | 基于分形的数字图像主动伪装方案 |
CN103971100A (zh) * | 2014-05-21 | 2014-08-06 | 国家电网公司 | 基于视频并针对自动提款机的伪装与偷窥行为的检测方法 |
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 |
CN108765267A (zh) * | 2018-05-25 | 2018-11-06 | 青岛九维华盾科技研究院有限公司 | 一种基于误差扩散抖动算法的数码迷彩生成方法及系统 |
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 |
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 |
CN110579134A (zh) * | 2019-09-12 | 2019-12-17 | 苏洪涛 | 环境适应型数码仿造迷彩瓷砖伪装方法及其应用 |
CN110717952A (zh) * | 2019-09-23 | 2020-01-21 | 北京工业大学 | 可见光背景下由多图片提取主题色并生成迷彩的方法 |
Non-Patent Citations (7)
Title |
---|
"An adaptive digital camouflage scheme using visual perception and K-mean clustering;Yang, HF 等;《RESEARCH IN MATERIALS AND MANUFACTURING TECHNOLOGIES》;20141231;1091-1094 * |
"Design of digital camouflage by recursive overlapping of pattern templates";Xue F 等;《Neurocomputing》;20160108(第172期);262-270 * |
"Fuzzy c-means clustering based digital camouflage pattern design and its evaluation";PENG Bian等;《InternationalConference on Signal Processing》;20101203;1017-1020 * |
"Thinning Based Multipurpose Camouflage Pattern Design";Hejrandoost AA 等;《Machine Vision & Image Processing》;20120103;1-5 * |
"一种基于主色聚类的仿造迷彩设计方法";刘尊洋 等;《激光与红外》;20090720;第39卷(第7期);793-796 * |
"变色伪装材料研究关键技术";杜新瑜 等;《第六届中国功能材料及其应用学术会议论文集(8)》;20071101;168-171 * |
"基于改进K均值聚类分析的迷彩伪装色选取";张勇 等;《计算机工程与应用》;20090221;第45卷(第6期);210-212 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184838A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5123998B2 (ja) | カラー画像を表現する方法、カラー画像を表現する装置、制御装置、画像を表現するシステム、機械読取り可能媒体、コンピュータシステム、コンピュータプログラム、及びコンピュータ読取り可能媒体 | |
CN103714349B (zh) | 一种基于颜色和纹理特征的图像识别方法 | |
CN103366178B (zh) | 一种用于对目标图像进行颜色分类的方法与设备 | |
CN104077605B (zh) | 一种基于颜色拓扑结构的行人搜索识别方法 | |
CN104318570A (zh) | 一种基于背景的自适应迷彩伪装设计方法 | |
CN107657619A (zh) | 一种低照度林火图像分割方法 | |
CN102819582A (zh) | 一种海量图片快速检索方法 | |
Mythili et al. | Color image segmentation using ERKFCM | |
Saad et al. | Image retrieval based on integration between YC b C r color histogram and shape feature | |
CN112184838B (zh) | 一种基于颜色相关度的多背景迷彩图案主色提取方法 | |
CN111488951B (zh) | 一种用于rgb-d图像分类的对抗度量学习模型生成方法 | |
CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 | |
CN112561976A (zh) | 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备 | |
CN107146258B (zh) | 一种图像显著区域检测方法 | |
CN103049754B (zh) | 社交网络的图片推荐方法和装置 | |
CN110334226B (zh) | 融合特征分布熵的深度图像检索方法 | |
CN109145914A (zh) | 一种基于超复数傅里叶变换和均值偏移的显著性目标检测方法 | |
CN108268533A (zh) | 一种用于图像检索的图像特征匹配方法 | |
Lu et al. | Predicting the memorability of natural-scene images | |
Mary et al. | Content based image retrieval using colour, multi-dimensional texture and edge orientation | |
Bosco | Integration of a three-colour channel with the four diagonals of the GLCM approach for similar image retrieval | |
CN112419265A (zh) | 一种基于人眼视觉机制的伪装评价方法 | |
Vršnak et al. | Illuminant estimation error detection for outdoor scenes using transformers | |
Lan et al. | A Combinatorial K-View Based algorithm for Texture Classification. | |
Dou et al. | Iterative self-adapting color image enhancement base on chroma and hue constrain |
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 |