CN113223098B - 图像颜色分类的预处理优化方法 - Google Patents
图像颜色分类的预处理优化方法 Download PDFInfo
- Publication number
- CN113223098B CN113223098B CN202110633330.4A CN202110633330A CN113223098B CN 113223098 B CN113223098 B CN 113223098B CN 202110633330 A CN202110633330 A CN 202110633330A CN 113223098 B CN113223098 B CN 113223098B
- Authority
- CN
- China
- Prior art keywords
- image
- rgb
- channels
- gray value
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007781 pre-processing Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 83
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 241001676573 Minium Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种图像颜色分类的预处理优化方法,包括统计图像中RGB三通道中的灰度值出现的个数,重新定义灰度值为0和255的点进行色阶调整;对三个通道的灰度图进行高斯滤波和锐化;根据偏移向量更新锐化后的彩色图像中的每一个点的RGB三维向量,完成对图像的预处理优化。经过预处理优化的图像颜色分类方法在使用图像颜色分类的预处理优化方法后使用K‑means++算法对图像进行颜色分类。本发明通过色阶调整来更新所有点的灰度值,通过卷积运算降低两种差异较大颜色间的渐变色对分类效果的影响,使得优化后图片的分类颜色差异更大、更鲜明,在图像颜色分类时提高颜色分类的准确性。
Description
技术领域
本发明涉及数字图像处理及应用技术领域,具体涉及一种图像颜色分类的预处理优化方法。
背景技术
图像作为人类感知世界的视觉基础,是人类获取信息、表达信息和传递信息的重要手段。从本质上来说,图像也是数据的一种表达形式,图像在计算机内部被表示为一个数字矩阵,矩阵中的每一元素值称为像素值。在计算机中,按照颜色和灰度的多少可以将图像分为二值图像、灰度图像和RGB图像等基本类型。二值图像的数字矩阵只有两个值,即“0”代表白色,“1”代表黑色。由此明暗对比呈现不同图像样貌。灰度图像相较于二值图像的差别就在于矩阵元素的取值范围扩大到了[0,255]。其中“0”代表纯黑色,“255”代表纯白色,之间的数值由小到大以此呈现为由深到浅的灰色。二值图像是灰度图像的一个特例,灰度图像是二值图像在信息表达上的一个延伸拓展。RGB图像是工业界普遍使用的一个色彩模式图,其由R,G,B三个灰度图矩阵构成,肉眼所见的各种颜色的像素点就是由这三个矩阵的灰度值按照不同的组合组成。
数字图像处理(Digital Image Processing)即通过计算机对获取的图像矩阵中的数字信号进行加工,其中提取颜色特征的基本方法多采用统计学,诸如通过分析颜色直方图得到各种颜色出现的概率。在此基础上,为了进一步充分描述颜色的色调、饱和度、亮度等其他特征,出现了HIS(Hue-Saturation-Intensity,即色调、饱和度、强度)、HSV(Hue-Saturation-Value,即色调、饱和度、明度)、Lab(根据Commission InternationalEclairage在1931年所制定的一种测定颜色的国际标准建立的,L是亮度,a和b是两个颜色通道)等颜色模型;还出现了基于线性代数中矩的概念,诸如利用颜色矩来描述颜色的分布,将图像中的颜色分布用一阶矩(平均值)、二阶矩(方差)和三阶矩(偏斜度)来表示。但是,现有的这些颜色特征分析法都是在原理层面上的讨论研究,没有涉及对工程中特有颜色的分类。同时,现阶段很多工业和社会应用中获取到的图像总体呈现效果色彩不鲜明,并且有大量的图像目标颜色和底色之间的差异较大、在轮廓的边缘存在大量渐变色,导致图像的分类结果准确率低、误差往往较大。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的不足,提出一种图像颜色分类的预处理优化方法,主要在整体图像颜色色彩不鲜明、且图像中存在大量渐变色的情况时可以优化颜色的鲜明度、改善颜色分类结果。
为解决上述技术问题,本发明的技术方案为:提供了一种图像颜色分类的预处理优化方法,包括以下步骤:
步骤1:统计图像中RGB三通道中的灰度值出现的个数,重新定义三通道中像素点的灰度值为0和255的点对图像进行色阶调整;
步骤2:将色阶调整后的图像分解为RGB三个通道的灰度图,对三个通道的灰度图进行高斯滤波;
步骤3:将高斯滤波后的图像分解为RGB三个通道的灰度图,对三个通道的灰度图进行锐化;
步骤4:根据偏移向量更新锐化后的图像中的每一个点的RGB三维向量,完成对图像的预处理优化。
进一步地,所述步骤1中色阶调整的具体过程为:
步骤1.1:统计图像中RGB三通道中的灰度值出现的个数,得到三通道的三个直方图;
步骤1.2:迭代更新三个直方图中每个像素点的灰度值得到重新定义灰度值为0和255的点,更新公式为:
temp1+=grey(i),
minimum=i,
temp2+=grey(256-i),
maximum=256-i;
其中temp1和temp2是求取最终值的中间变量,grey(·)表示当前的灰度值在灰度图中出现的次数,i表示当前的灰度值,minimum表示新的灰度值为0的点在原直方图中的值,maximum表示新的灰度值为255的点在原直方图中的值;
步骤1.3:累加统计三个直方图中的temp1和temp2,当temp1和temp2满足预设的阈值条件时,停止对temp1和temp2的累加,将此时的minimum作为求取的新的灰度值为0点、此时的maximum作为求取的新的灰度值为255的点;
步骤1.4:将图像中所有点的灰度值按照在原直方图中的比例,变换到以新的灰度值为0和255为标准的直方图中。
进一步地,所述步骤1.3中的阈值条件为:
其中η是设定的阈值,w表示图片的宽度,h表示图片的高度。
进一步地,所述步骤1.4中的变换,变换公式为:
其中newgrey(i)是各点变换后的灰度值,minimum为新的灰度值为0的点,maximum为新的灰度值为255的点。
进一步地,所述步骤2中对三个通道的灰度图进行高斯滤波,具体为使用高斯算子分别对三个通道的灰度图进行卷积计算,计算公式为:
Y=X*G,
其中Y是经过高斯算子卷积运算之后的灰度值矩阵,X是RGB三通道的灰度值矩阵,G是高斯算子;
步骤3中对三个通道的灰度图进行锐化,具体为使用锐化算子分别对三个通道的灰度图进行卷积计算,计算公式为:
Y’=Y*W,
其中Y'是经过锐化算子卷积运算之后的灰度值矩阵,Y是经过高斯滤波后的RGB三通道中的灰度值矩阵,W是锐化算子。
进一步地,所述步骤4中更新锐化后的图像中的每一个点的RGB三维向量,具体为:
步骤4.1:将三维向量与预设的限制条件进行比较,将满足限制条件的三维向量相加得到偏移向量;
步骤4.2:将偏移向量叠加到待更新点的原三维向量上,直到叠加后的偏移向量的范数小于等于预设的约束阈值时结束更新。
进一步地,所述步骤4.1中的限制条件具体为:
其中x,y是在灰度值矩阵中待更新点的坐标,X,Y是灰度值矩阵中任意点的坐标,(r,g,b)是在灰度值矩阵中待更新点的三维灰度值向量,(R,G,B)是在灰度值矩阵中任意点的三维灰度值向量;δ是设定的图像矩阵中坐标的约束,ε是设定的图像矩阵中RGB三维向量的约束。
本发明还提供了一种经过预处理优化的图像颜色分类方法,其特征在于,包括以下步骤:
步骤S1:使用所述图像颜色分类的预处理优化方法对图像进行预处理;
步骤S2:使用K-means++算法在更新后的RGB三维向量中选取K个初始聚类中心;
步骤S3:对K个初始聚类中心进行迭代更新,直到每个聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代得到K个聚类组,完成对图像的颜色分类。
进一步地,所述步骤S2使用K-means++算法在更新后的RGB三维向量中选取K个初始聚类中心,具体为:
步骤S2.1:随机选取一个点作为聚类中心;
步骤S2.2:计算其余RGB三维向量被选为下一个初始聚类中心的概率,计算公式为:
其中P(θ(i))表示RGB三维向量被选为下一个初始聚类中心的概率,θ(i)表示任意一个三维向量,i表示第i个序号的向量,D(θ(i))表示当前向量距离已选取聚类中心的距离,表示所有三维向量到已选取聚类中心的总距离;
步骤S2.3:选择P(θ(i))最大的三维向量作为下一个聚类中心;
步骤S2.4:重复步骤S2.2~步骤S2.3,直到选择出K个初始聚类中心结束选取聚类中心。
进一步地,所述步骤S3中对K个初始聚类中心进行迭代更新,直到每个聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代得到K个聚类组,具体过程为:
步骤S3.1:计算除聚类中心外的RGB三维向量到K个聚类中心的距离,并将除聚类中心外的RGB三维向量归属到距离最近的那个聚类中心的组内;
步骤S3.2计算每个聚类组内所有RGB三维向量的向量和,并将此时计算得到的向量和作为新的聚类中心;
步骤S3.3:重复步骤S3.1~步骤S3.2,直到聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代更新,得到K个聚类组。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的图像颜色分类的预处理优化方法通过色阶调整计算出新的灰度值为0的点和灰度值为255的纯白点,以此来更新所有点的灰度值;通过增加锐化算子的卷积运算,降低两种差异较大颜色间的渐变色对分类效果的影响,使得优化后图片的分类颜色差异更大、更鲜明,从而提高了颜色分类时的准确性。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是本发明中一种图像颜色分类的预处理优化方法的流程图。
图2是本发明中一种经过预处理优化的图像颜色分类方法的流程图。
图3是本发明中图像颜色分类的预处理优化方法中使用的高斯算子。
图4是本发明中图像颜色分类的预处理优化方法中使用的锐化算子。
图5是本发明实施例中进行颜色分类的图片。
图6是本发明实施例中经过色阶调整后的图像。
图7是本发明实施例中色阶调整前RGB三通道的直方图。
图8是本发明实施例中色阶调整后RGB三通道的直方图。
图9是本发明实施例直接对图5进行颜色分类的结果图。
图10是本发明实施例中加入色阶调整及锐化预处理后对图5进行颜色分类的结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
在本发明的描述中,需要理解的是,术语“包括”意图在于覆盖不排他的包含,例如包含了一系列步骤或单元的过程、方法、系统、产品或设备,没有限定于已列出的步骤或单元而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
参照图1流程图所示,本发明中一种图像颜色分类的预处理优化方法的实施例,包括以下步骤:
步骤1:统计图像中RGB三通道中的灰度值出现的个数,通过重新定义三通道中像素点的灰度值为0和255的点对图像进行色阶调整。
步骤1.1:统计图像中RGB三通道中的灰度值出现的个数并绘制图像RGB三通道的直方图;
步骤1.2:根据三个直方图各自的分布特点迭代更新三个直方图中每个像素点的灰度值得到重新定义灰度值为0和255的点,更新公式为:
temp1+=grey(i),
minimum=i,
temp2+=grey(256-i),
maximum=256-i;
其中temp1和temp2是求取最终值的中间变量,grey(·)表示当前的灰度值在灰度图中出现的次数,i表示当前的灰度值,minimum表示新的灰度值为0的点在原直方图中的值,maximum表示新的灰度值为255的点在原直方图中的值;
步骤1.3:累加统计三个直方图中的temp1和temp2,当temp1和temp2满足预设的阈值条件时,停止对temp1和temp2的累加,将此时的minimum作为求取的新的灰度值为0点、此时的maximum作为求取的新的灰度值为255的点;
步骤1.4:将图像中所有点的灰度值按照在原直方图中的比例变换到以新的灰度值为0和255为标准的直方图中。
步骤2:将色阶调整后的彩色图像分解为RGB三个通道的灰度图,对三个通道的灰度图进行高斯滤波。
使用如图3所示的高斯算子分别对三个通道的灰度图进行卷积计算,计算公式为:
Y=X*G;
其中Y是经过高斯算子卷积运算之后的灰度值矩阵,X是RGB三通道中的灰度值矩阵,G是高斯算子。本实施例中G是3×3的高斯算子。
步骤3:将高斯滤波后的彩色图像分解为RGB三个通道的灰度图,对三个通道的灰度图进行锐化。
使用如图4所示的锐化算子分别对三个通道的灰度图进行卷积计算,计算公式为:
Y’=Y*W;
其中Y'是经过锐化算子卷积运算之后的灰度值矩阵,Y是经过高斯滤波后的RGB三通道中的其中一个灰度值矩阵,W是锐化算子。本实施例中W是3×3的锐化算子。
步骤4:根据偏移向量更新锐化后的彩色图像中的每一个点的RGB三维向量,起到平滑颜色的作用,完成对图像的预处理优化。
步骤4.1:将三维向量与预设的限制条件进行比较,将满足限制条件的三维向量相加得到偏移向量;
限制条件具体为:
其中x,y是在灰度值矩阵中待更新点的坐标,X,Y是灰度值矩阵中任意点的坐标,(r,g,b)是在灰度值矩阵中待更新点的三维灰度值向量,(R,G,B)是在灰度值矩阵中任意点的三维灰度值向量;δ是设定的图像矩阵中坐标的约束,ε是设定的图像矩阵中RGB三维向量的约束。
步骤4.2:将偏移向量叠加到待更新点的原三维向量上,直到叠加后的偏移向量的范数小于等于预设的约束阈值α,即满足||∑(R(X,Y),G(X,Y),B(X,Y))||≤α时,结束更新,完成对图像的预处理优化。(R(X,Y),G(X,Y),B(X,Y))表示满足限制条件的RGB三维向量,α是预设的偏移向量的约束阈值,符号||*||表示求取范数,本实施例中α取值为[3,5]。
如图2所示,本发明中一种经过预处理优化的图像颜色分类方法的实施例,包括以下步骤:
步骤S1:使用前述实施例中的图像颜色分类的预处理优化方法对图像进行预处理;
步骤S2:使用K-means++算法在初步分类的RGB三维向量中选取K个初始聚类中心。剩下的每一个RGB三维向量被选中的概率与离已选取的聚类中心的距离成正比,这不仅符合分类的要求,也充分考虑了数据的分布情况,可以达到更准确的分类结果。
步骤S2.1:随机选取一个点作为聚类中心;若总欲分类数为K,则剩下的K-1个聚类中心根据已选取的聚类中心的距离远近为概率选取。
步骤S2.2:计算其余三维向量被选为下一个初始聚类中心的概率,计算公式为:
其中P(θ(i))表示三维向量被选为下一个初始聚类中心的概率,θ(i)表示任意一个三维向量,i表示第i个序号的向量,D(θ(i))表示当前向量距离已选取聚类中心的距离,表示所有三维向量到已选取聚类中心的总距离;
步骤S2.3:选择P(θ(i))最大的三维向量作为下一个聚类中心;
步骤S2.4:重复步骤S2.2~步骤S2.3,直到选择出K个初始聚类中心结束选取聚类中心。
步骤S3:对K个初始聚类中心进行迭代更新,直到每个聚类中心的范数变化范围小于等于设定的聚类阈值λ时结束迭代得到K个聚类组,完成对图像的颜色分类。
步骤S3.1:根据已有的RGB三维向量的分布选取好初始的K个聚类中心后,计算除聚类中心外的RGB三维向量到K个聚类中心的距离,并将除聚类中心外的RGB三维向量归属到距离最近的那个聚类中心的组内;
步骤S3.3:重复步骤S3.1~步骤S3.2,直到聚类中心的范数变化范围小于等于设定的聚类阈值λ,即||μ(j)k+1-μ(j)k||≤λ时结束迭代更新,得到K个聚类组,完成对图像的颜色分类。本实施例中λ取值为[2,3]。
为了进一步说明本发明的有益效果,本实施例中将本发明方法在图5所示的图片上进行颜色分类的实验(彩色图片由灰度图片代替显示)。首先根据RGB三通道的直方图计算出新的直方图,然后利用新的直方图计算出色阶调整后的图像,色阶调整后的图像如图6所示。选择3×3的高斯算子进行卷积运算,接着使用3×3的锐化算子进行卷积运算。在平滑颜色时,图像矩阵中坐标的约束δ设置为12,RGB三维向量的约束ε设置为24。最终设置颜色的分类数为14,通过K-means++算法计算得到最终的分类结果。
如图7-8所示为色阶调整前后直方图的差异比较,其中图7为色阶调整前RGB三通道的直方图,图8为色阶调整后RGB三通道的直方图。如图9-10为加入色阶调整及锐化预处理前后对图像颜色分类结果的对比图,其中图9为对图5直接使用K-means++算法进行颜色分类的结果图,图10为先进行色阶调整和锐化、然后再使用K-means++算法进行颜色分类的结果图。从图9和图10可以看出,色阶调整和锐化之后图像的颜色差异更为明显、色彩更鲜艳,因此提取出的颜色差异也更大,最终比对色号时更不容易出错,分类误差更低、分类结果更加准确。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的图像颜色分类的预处理优化方法通过色阶调整计算出新的灰度值为0的点和灰度值为255的纯白点,以此来更新所有点的灰度值;通过增加锐化算子的卷积运算,降低两种差异较大颜色间的渐变色对分类效果的影响。可以优化颜色的鲜明度,并且改善颜色分类的结果,使得优化后图片的分类颜色差异更大、更鲜明,从而提高了颜色分类时的准确性;在工业和社会应用中具有易使用、投资小,收效显著等好处,在工业过程分析诊断中对提高准确率、减小误差等都有明显的经济效益。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种图像颜色分类的预处理优化方法,其特征在于,包括以下步骤:
步骤1:统计图像中RGB三通道中的灰度值出现的个数,重新定义三通道中像素点的灰度值为0和255的点对图像进行色阶调整;
步骤2:将色阶调整后的图像分解为RGB三个通道的灰度图,对三个通道的灰度图进行高斯滤波;
步骤3:将高斯滤波后的图像分解为RGB三个通道的灰度图,对三个通道的灰度图进行锐化;
步骤4:根据偏移向量更新锐化后的图像中的每一个点的RGB三维向量,完成对图像的预处理优化;
更新锐化后的图像中的每一个点的RGB三维向量,具体为:
步骤4.1:将三维向量与预设的限制条件进行比较,将满足限制条件的三维向量相加得到偏移向量;
限制条件具体为:
其中x,y是在灰度值矩阵中待更新点的坐标,X,Y是灰度值矩阵中任意点的坐标,(r,g,b)是在灰度值矩阵中待更新点的三维灰度值向量,(R,G,B)是在灰度值矩阵中任意点的三维灰度值向量;δ是设定的图像矩阵中坐标的约束,ε是设定的图像矩阵中RGB三维向量的约束;
步骤4.2:将偏移向量叠加到待更新点的原三维向量上,直到叠加后的偏移向量的范数小于等于预设的约束阈值时结束更新。
2.根据权利要求1所述的图像颜色分类的预处理优化方法,其特征在于:所述步骤1中色阶调整的具体过程为:
步骤1.1:统计图像中RGB三通道中的灰度值出现的个数,得到三通道的三个直方图;
步骤1.2:迭代更新三个直方图中每个像素点的灰度值得到重新定义灰度值为0和255的点,更新公式为:
temp1+=grey(i),
minimum=i,
temp2+=grey(256-i),
maximum=256-i;
其中temp1和temp2是求取最终值的中间变量,grey(·)表示当前的灰度值在灰度图中出现的次数,i表示当前的灰度值,minimum表示新的灰度值为0的点在原直方图中的值,maximum表示新的灰度值为255的点在原直方图中的值;
步骤1.3:累加统计三个直方图中的temp1和temp2,当temp1和temp2满足预设的阈值条件时,停止对temp1和temp2的累加,将此时的minimum作为求取的新的灰度值为0点、此时的maximum作为求取的新的灰度值为255的点;
步骤1.4:将图像中所有点的灰度值按照在原直方图中的比例,变换到以新的灰度值为0和255为标准的直方图中。
5.根据权利要求1所述的图像颜色分类的预处理优化方法,其特征在于:所述步骤2中对三个通道的灰度图进行高斯滤波,具体为使用高斯算子分别对三个通道的灰度图进行卷积计算,计算公式为:
Y=X*G,
其中Y是经过高斯算子卷积运算之后的灰度值矩阵,X是RGB三通道的灰度值矩阵,G是高斯算子;
步骤3中对三个通道的灰度图进行锐化,具体为使用锐化算子分别对三个通道的灰度图进行卷积计算,计算公式为:
Y’=Y*W,
其中Y'是经过锐化算子卷积运算之后的灰度值矩阵,Y是经过高斯滤波后的RGB三通道中的灰度值矩阵,W是锐化算子。
6.一种经过预处理优化的图像颜色分类方法,其特征在于,包括以下步骤:
步骤S1:使用权利要求1-5中任一项所述的图像颜色分类的预处理优化方法对图像进行预处理;
步骤S2:使用K-means++算法在更新后的RGB三维向量中选取K个初始聚类中心;
步骤S3:对K个初始聚类中心进行迭代更新,直到每个聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代得到K个聚类组,完成对图像的颜色分类。
7.根据权利要求6所述的经过预处理优化的图像颜色分类方法,其特征在于:所述步骤S2使用K-means++算法在更新后的RGB三维向量中选取K个初始聚类中心,具体为:
步骤S2.1:随机选取一个点作为聚类中心;
步骤S2.2:计算其余RGB三维向量被选为下一个初始聚类中心的概率,计算公式为:
其中P(θ(i))表示RGB三维向量被选为下一个初始聚类中心的概率,θ(i)表示任意一个三维向量,i表示第i个序号的向量,D(θ(i))表示当前向量距离已选取聚类中心的距离,表示所有三维向量到已选取聚类中心的总距离;
步骤S2.3:选择P(θ(i))最大的三维向量作为下一个聚类中心;
步骤S2.4:重复步骤S2.2~步骤S2.3,直到选择出K个初始聚类中心结束选取聚类中心。
8.根据权利要求6所述的经过预处理优化的图像颜色分类方法,其特征在于:所述步骤S3中对K个初始聚类中心进行迭代更新,直到每个聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代得到K个聚类组,具体过程为:
步骤S3.1:计算除聚类中心外的RGB三维向量到K个聚类中心的距离,并将除聚类中心外的RGB三维向量归属到距离最近的那个聚类中心的组内;
步骤S3.2计算每个聚类组内所有RGB三维向量的向量和,并将此时计算得到的向量和作为新的聚类中心;
步骤S3.3:重复步骤S3.1~步骤S3.2,直到聚类中心的范数变化范围小于等于设定的聚类阈值时结束迭代更新,得到K个聚类组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633330.4A CN113223098B (zh) | 2021-06-07 | 2021-06-07 | 图像颜色分类的预处理优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633330.4A CN113223098B (zh) | 2021-06-07 | 2021-06-07 | 图像颜色分类的预处理优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113223098A CN113223098A (zh) | 2021-08-06 |
CN113223098B true CN113223098B (zh) | 2023-04-07 |
Family
ID=77083150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110633330.4A Active CN113223098B (zh) | 2021-06-07 | 2021-06-07 | 图像颜色分类的预处理优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223098B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409090A (zh) * | 2023-12-14 | 2024-01-16 | 北京科技大学 | 一种基于图像处理的lf精炼造渣效果的确定方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765347A (zh) * | 2018-05-30 | 2018-11-06 | 长光卫星技术有限公司 | 一种适合遥感影像的色彩增强方法 |
CN109147005A (zh) * | 2018-08-24 | 2019-01-04 | 电子科技大学 | 一种用于红外图像的自适应染色方法、系统、存储介质、终端 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6424730B1 (en) * | 1998-11-03 | 2002-07-23 | Eastman Kodak Company | Medical image enhancement method for hardcopy prints |
US7183895B2 (en) * | 2003-09-05 | 2007-02-27 | Honeywell International Inc. | System and method for dynamic stand-off biometric verification |
US8837849B2 (en) * | 2007-06-26 | 2014-09-16 | Google Inc. | Method for noise-robust color changes in digital images |
CN102496034B (zh) * | 2011-11-29 | 2013-07-31 | 南京师范大学 | 基于直线单词的高空间分辨率遥感图像词袋分类方法 |
CN103325118A (zh) * | 2013-06-26 | 2013-09-25 | 中国石油大学(北京) | 一种获取碳酸盐岩岩心孔洞特征参数的方法及装置 |
CN103795991A (zh) * | 2014-02-08 | 2014-05-14 | 厦门美图之家科技有限公司 | 一种基于单张图片的高动态范围图像生成方法 |
CN104091333A (zh) * | 2014-07-01 | 2014-10-08 | 黄河科技学院 | 基于区域可信融合的多类无监督彩色纹理图像分割方法 |
CN104268834B (zh) * | 2014-09-19 | 2017-09-08 | 贵州大学 | 一种基于数字图像处理技术的标准等级烟叶图像数据库的合成方法 |
US10008011B1 (en) * | 2014-11-26 | 2018-06-26 | John Balestrieri | Methods for creating a simulated watercolor-painted image from a source image |
US10530995B2 (en) * | 2015-06-12 | 2020-01-07 | Gopro, Inc. | Global tone mapping |
CN106340020A (zh) * | 2015-07-10 | 2017-01-18 | 阿里巴巴集团控股有限公司 | 超像素分割方法和装置 |
CN109579071B (zh) * | 2018-12-04 | 2020-05-26 | 吴明直 | 进气管进气量调节系统 |
-
2021
- 2021-06-07 CN CN202110633330.4A patent/CN113223098B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765347A (zh) * | 2018-05-30 | 2018-11-06 | 长光卫星技术有限公司 | 一种适合遥感影像的色彩增强方法 |
CN109147005A (zh) * | 2018-08-24 | 2019-01-04 | 电子科技大学 | 一种用于红外图像的自适应染色方法、系统、存储介质、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113223098A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028213B (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
CN106096610B (zh) | 一种基于支持向量机的文档图像二值化方法 | |
US9053537B2 (en) | Classifier for use in generating a diffuse image | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN110427933A (zh) | 一种基于深度学习的水尺识别方法 | |
CN107038432B (zh) | 基于频率信息的指纹图像方向场提取方法 | |
CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN109993728B (zh) | 一种热转印胶水偏位自动检测方法和系统 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
CN113850748A (zh) | 点云质量的评估系统及方法 | |
CN116805389A (zh) | 一种基于解耦级联区域生成网络的开放世界目标检测方法 | |
CN116452686A (zh) | 基于自适应聚类和线性规划最优化选点的点画生成方法 | |
CN113920391B (zh) | 一种基于生成尺度自适应真值图的目标计数方法 | |
CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备 | |
CN115018820A (zh) | 基于纹理加强的乳腺癌多分类方法 | |
CN113887737A (zh) | 一种基于机器学习的样本集自动生成方法 | |
CN110148155A (zh) | 一种多特征与自适应标准对冲相结合的目标跟踪方法 |
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 |