CN113673456A - 一种基于色彩分布学习的街景图像评分方法 - Google Patents
一种基于色彩分布学习的街景图像评分方法 Download PDFInfo
- Publication number
- CN113673456A CN113673456A CN202110987218.0A CN202110987218A CN113673456A CN 113673456 A CN113673456 A CN 113673456A CN 202110987218 A CN202110987218 A CN 202110987218A CN 113673456 A CN113673456 A CN 113673456A
- Authority
- CN
- China
- Prior art keywords
- street view
- color
- view image
- image
- learning
- 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
Links
- 238000013077 scoring method Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 28
- 239000003086 colorant Substances 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于色彩分布学习的街景图像评分方法,涉及城市规划、城市交通、机器学习建模等领域,首先,构建街景图像的学习样本库,并对学习样本库进行语义分割处理。其次,对学习样本库中每张街景图像各类实体的占比值以及色彩分布状况进行计算。再,根据用户对学习样本库的预先打分结果,形成预训练模型。最后,利用预训练模型完成所有街景图像的打分工作。本发明能够通过考虑街景色彩分布来让机器学习模型更好地学习人们是如何评估和感知街景图像的。同时,本发明也提供了一种新的街景图像色彩计算方法,可以提升图像色彩计算的准确度和计算速度。
Description
技术领域
本发明涉及城市规划、城市交通、机器学习建模技术领域,特别是一种基于色彩分布学习的街景图像评分方法。
背景技术
城市街景感知和评估对于城市规划、城市交通等具有重要的研究意义和实践价值,是人们综合和全面认识城市发展环境的重要技术手段。现有的研究成果主要是通过街景图像中物体的占比来让机器学习模型评估人们是如何进行街景图像打分的。尽管这一方法是非常重要的,但是人们对于街景感知的好坏,单纯依靠占比这一计算指标的方案仍然存在着一定的不足。例如,街景图像中同样占比大小的房屋,不同色彩可以在很大程度上代表了其质量和美感的好坏。如果不给出这样的要素条件,则机器学习难以模拟和学习出人们的打分机制。与此同时,面对一次需要计算得出大量街景图像色彩的任务时,需要选择合适和高效率的计算方法。为此,本发明进一步对现有技术进行更新和升级改造,特别是将图像的色彩分布特征纳入到街景图像评价的影响要素中。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于色彩分布学习的街景图像评分方法,本发明考虑街景中不同物体占比,以及重要物体颜色分布情况,来实现街景图像的自动打分。因此,该发明的应用价值主要体现在融入了街景色彩分布,来让机器学习模型自动地评估街景图像的分值,弥补现在技术和发明创新的不足。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种基于色彩分布学习的街景图像评分方法,包括以下步骤:
步骤1、从待研究的一批原始的街景图像中构建出街景图像的学习样本库,学习样本库中每张街景图像具有预先标记的打分值,并对学习样本库中的街景图像进行图像增强和语义分割处理,得到学习样本库中每张街景图像的语义分割结果图像;具体如下:
步骤1.1、从待研究的街景图像中选取出部分街景图像作为学习样本库,对学习样本库的街景图像,利用Retinex理论进行图像增强处理;
步骤1.2、利用计算机深度学习的语义分割技术,对学习样本库中增强处理后的街景图像进行语义分割处理,得到语义分割结果图像;
步骤2、根据语义分割结果图像,计算学习样本库中每张街景图像各类实体的占比值;
步骤3、根据语义分割结果图像,对学习样本库中每张街景图像进行各类实体的图像色彩值计算;具体如下:
步骤3.1、根据学习样本库中每张街景图像的语义分割结果图像,对学习样本库中与语义分割结果图像相对应的原始的街景图像中每类实体的像素颜色进行统计;
步骤3.2、进一步,针对每类实体,利用K均值算法,在RGB色彩模式下,进行原始的街景图像中各类实体的像素颜色聚类;
步骤3.3、针对每类实体,在LAB颜色空间,对步骤3.2中像素颜色聚类结果中的任意两两颜色类别之间进行颜色的色差计算,若这两个颜色类别之间的色差小于预设色差阈值,则合并这两个颜色类别,从而得到合并后的聚类结果,并以合并后的聚类结果中像素最多的颜色作为该类实体的主导色;
步骤3.4、针对每类实体,再判断其是否为混合色:若某一原始的街景图像的某类实体的像素颜色的合并后的聚类结果中,找出像素总数排前M的颜色,对于排前M名的M类颜色,若任意其中两类颜色的像素数量差值的绝对值与这M类颜色的像素数量总和的占比值小于给定的阈值,则认为该原始的街景图像的该类实体为混合色;M≥2;若某类实体的合并后的聚类结果的颜色类别总数小于M,则认为该类实体的颜色不是混合色;
步骤4、循环遍历学习样本库中带有打分值的每张街景图像,对带有打分值的街景图像,以街景图像中各类实体或某几类实体的占比值和色彩分布情况值作为机器学习算法的自变量,以预先标记的打分值为因变量,进行机器学习算法的机器学习模型训练,得到训练好的预训练模型;
步骤5、对待测的其他街景图像,按照1-3步骤进行待测街景图像的预处理工作后,再利用步骤4中所生成的预训练模型,进行批量打分。
作为本发明所述的一种基于色彩分布学习的街景图像评分方法进一步优化方案,步骤3中,图像色彩状况用数字进行表示,混合色用数字负1进行表示。
作为本发明所述的一种基于色彩分布学习的街景图像评分方法进一步优化方案,步骤5之后还包括步骤6、选择决策树或者随机森林的回归分析方法统计出各个影响要素的重要性情况;这里的影响要素是指每张街景图像的各类实体占比和颜色值。
作为本发明所述的一种基于色彩分布学习的街景图像评分方法进一步优化方案,步骤1中所研究街景图像的大小一致。
作为本发明所述的一种基于色彩分布学习的街景图像评分方法进一步优化方案,步骤2中对学习样本库中每张街景图像各类实体占比值的计算方法是:按照各类实体像素总数占整个图像像素总数的比例来进行的。
作为本发明所述的一种基于色彩分布学习的街景图像评分方法进一步优化方案,步骤3.3中主导色是通过RGB颜色空间下的颜色值转换为十进制数字进行表示。
作为本发明所述的一种基于色彩分布学习的街景图像评分方法进一步优化方案,步骤4中机器学习模型包括决策树、随机森林或超级随机树。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明提供了一种基于色彩分布学习的街景图像评分方法,其能够通过考虑街景色彩分布来让机器学习模型更好地学习人们是如何评估和感知街景图像的;
(2)本发明基于机器学习算法和图像语义分割技术,融入了城市色彩分布特征,提出了一种基于色彩分布学习的街景图像评分方法。
附图说明
图1是本发明的整体流程示意图。
图2是街景图像打分的总体流程示意图。
图3是街景图像的各类实体占比和色彩分布特征计算流程示意图。
图4a是色彩对一张图像评价影响的分析示意图,图4b是色彩对另一张图像评价影响的分析示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
在具体图像色彩计算时,本发明还采用了以下技术方法设计上的创新。Retinex图像增强算法可以实现图像对比度的明显增强,视觉效果得到改善,提升了图像中明暗凸变部分。Retinex理论的基础理论是物体的颜色是由物体对长波(红色)、中波(绿色)、短波(蓝色)光线的反射能力来决定的,而不是由反射光强度的绝对值来决定的,物体的色彩不受光照非均匀性的影响,具有一致性,即Retinex是以色感一致性(颜色恒常性)为基础的。不同于传统的线性、非线性的只能增强图像某一类特征的方法,Retinex可以在动态范围压缩、边缘增强和颜色恒常三个方面打到平衡,因此可以对各种不同类型的图像进行自适应的增强。为此本发明先采用Retinex图像增强算法来提升图像的基础质量水平。由于采用了Retinex图像增强算法的处理,原始图像的色彩更加街景真实场景,一般应用要求下可以直接采用RGB色彩模式进行图像色彩的计算。这也是本发明的一个创新工作思路。一般情况下,需要将图像转换为HSV、HSB等色彩模式进行图像颜色计算。由于本发明先采用了Retinex图像增强处理,一方面使得图像的明亮度、清晰度得到了提升,另一方面可以直接采用RGB模式进行计算,减小了图像色彩模式转换的计算量,提升了相关计算的运行速度。此外,本发明还考虑了图像实体中混合色对于图像质量评价的影响。
与此同时,如何科学和方便地通过颜色的聚类处理,来识别出图像主导色和混合色,也是当前图像处理中一个难点问题。若只是简单的统计各类颜色的像素总数,则忽视了一个图像中可能存在众多相似或相近颜色的问题。已有研究主要是通过K均值算法对图像颜色进行聚类,取像素多最多类别的颜色作为该图像的主导色。但对于数量众多的图像,无法确定每个图像的合适聚类数,仍然会使得有些图像既使是经过聚类后,像素数量排在前几位的依旧是相近的颜色。这并不利于进行图像混合色和主导色的科学判断。为此,在本发明中提出先进行K均值聚类,再在LAB颜色空间中对聚类结果的色差计算。若两个聚类的颜色色差较小,则将这两类颜色合并为一个颜色。
一种基于色彩分布学习的街景图像评分方法,包括以下步骤:
步骤1)参见附图1,从待研究的一批原始的街景图像中构建出街景图像的学习样本库,学习样本库中每张街景图像具有预先标记的打分值,并对学习样本库中的街景图像进行图像增强和语义分割处理,得到学习样本库中每张街景图像的语义分割结果图像;具体如下:
步骤1.1)从待研究的街景图像中选取出部分街景图像作为学习样本库,对学习样本库的街景图像,利用Retinex理论进行图像增强处理;
步骤1.2)利用计算机深度学习的语义分割技术,对学习样本库中增强处理后的街景图像进行语义分割处理,得到语义分割结果图像;
步骤2)参见附图2,根据语义分割结果图像,计算学习样本库中每张街景图像各类实体的占比值;这里对学习样本库中每张街景图像各类实体占比值的计算方法是:按照各类实体像素总数占整个图像像素总数的比例来进行的。
步骤3)根据语义分割结果图像,对学习样本库中每张街景图像进行各类实体的图像色彩值计算;具体如下:
步骤3.1)参见附图3,根据学习样本库中每张街景图像的语义分割结果图像,对学习样本库中与语义分割结果图像相对应的原始的街景图像中每类实体的像素颜色进行统计;
步骤3.2)进一步,针对每类实体,利用K均值算法,在RGB色彩模式下,进行原始的街景图像中各类实体的像素颜色聚类;
步骤3.3)针对每类实体,在LAB颜色空间,对步骤3.2中像素颜色聚类结果中的任意两两颜色类别之间进行颜色的色差计算,若这两个颜色类别之间的色差小于预设色差阈值,则合并这两个颜色类别,从而得到合并后的聚类结果,并以合并后的聚类结果中像素最多的颜色作为该类实体的主导色;
步骤3.4)针对每类实体,再判断其是否为混合色:若某一原始的街景图像的某类实体的像素颜色的最终聚类结果(合并后的聚类结果)中,找出像素总数排前M的颜色,对于排前M名的M类颜色,若任意其中两类颜色的像素数量差值的绝对值与这M类颜色的像素数量总和的占比值小于给定的阈值,则认为该原始的街景图像的该类实体为混合色;M≥2;若某类实体的最终聚类结果的颜色类别总数小于M,则认为该类实体的颜色不是混合色;
这里,图像色彩状况用数字进行表示,混合色用数字负1进行表示。其中,主导色是通过RGB颜色空间下的颜色值转换为十进制数字进行表示。
步骤4)参见图4a是色彩对一张图像评价影响的分析示意图,图4b是色彩对另一张图像评价影响的分析示意图,图像色彩质量对于街景图片评价具有着重要的影响作用。为此,循环遍历学习样本库中带有打分值的每张街景图像,对带有打分值的街景图像,以街景图像中各类实体或某几类实体的占比值和色彩分布情况值作为机器学习算法的自变量,以预先标记的打分值为因变量,进行机器学习算法的机器学习模型训练,得到训练好的预训练模型。这一步骤中所包含的机器学习算法模型有决策树、随机森林或超级随机树。
需要注意的是模型训练时也可以只选择其中某几类实体的占比和颜色分布作为自变量进行机器学习模型训练。
步骤5)对待测的其他街景图像,按照1-3步骤进行待测街景图像的预处理工作后,再利用步骤4中所生成的预训练模型,进行批量打分。
在此分析之后,还可以选择决策树或者随机森林的回归分析方法统计出各个影响要素的重要性情况;这里的影响要素是指每张街景图像的各类实体占比和颜色值。
该发明的创新性主要体现在如何将街景物体中色彩信息,纳入到机器学习模型中,使得模型能够学习城市色彩对于街景评分的影响。现有的研究主要是通过街景图像中物体的占比来让机器学习模型评估人们是如何进行街景图像打分的。尽管这一方法是非常重要的,但是人们对于街景感知的好坏,单纯依靠占比这一计算方案仍然存在着一定的不足。例如,街景图像中同样占比大小的房屋,不同色彩可以在很大程度上代表了其质量和美感的好坏。如果不给出这样的要素条件,则机器学习难以模拟和学习出人们的打分机制。
该发明的创新性还体现在以下几个方面:(1)提供了如何将颜色进行数字化表达,使得机器学习模型能够处理。(2)考虑了颜色的混合色,使得机器学习模型对色彩的评估更加准确。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替代,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于色彩分布学习的街景图像评分方法,其特征在于,包括以下步骤:
步骤1、从待研究的一批原始的街景图像中构建出街景图像的学习样本库,学习样本库中每张街景图像具有预先标记的打分值,并对学习样本库中的街景图像进行图像增强和语义分割处理,得到学习样本库中每张街景图像的语义分割结果图像;具体如下:
步骤1.1、从待研究的街景图像中选取出部分街景图像作为学习样本库,对学习样本库的街景图像,利用Retinex理论进行图像增强处理;
步骤1.2、利用计算机深度学习的语义分割技术,对学习样本库中增强处理后的街景图像进行语义分割处理,得到语义分割结果图像;
步骤2、根据语义分割结果图像,计算学习样本库中每张街景图像各类实体的占比值;
步骤3、根据语义分割结果图像,对学习样本库中每张街景图像进行各类实体的图像色彩值计算;具体如下:
步骤3.1、根据学习样本库中每张街景图像的语义分割结果图像,对学习样本库中与语义分割结果图像相对应的原始的街景图像中每类实体的像素颜色进行统计;
步骤3.2、进一步,针对每类实体,利用K均值算法,在RGB色彩模式下,进行原始的街景图像中各类实体的像素颜色聚类;
步骤3.3、针对每类实体,在LAB颜色空间,对步骤3.2中像素颜色聚类结果中的任意两两颜色类别之间进行颜色的色差计算,若这两个颜色类别之间的色差小于预设色差阈值,则合并这两个颜色类别,从而得到合并后的聚类结果,并以合并后的聚类结果中像素最多的颜色作为该类实体的主导色;
步骤3.4、针对每类实体,再判断其是否为混合色:若某一原始的街景图像的某类实体的像素颜色的合并后的聚类结果中,找出像素总数排前M的颜色,对于排前M名的M类颜色,若任意其中两类颜色的像素数量差值的绝对值与这M类颜色的像素数量总和的占比值小于给定的阈值,则认为该原始的街景图像的该类实体为混合色;M≥2;若某类实体的合并后的聚类结果的颜色类别总数小于M,则认为该类实体的颜色不是混合色;
步骤4、循环遍历学习样本库中带有打分值的每张街景图像,对带有打分值的街景图像,以街景图像中各类实体或某几类实体的占比值和色彩分布情况值作为机器学习算法的自变量,以预先标记的打分值为因变量,进行机器学习算法的机器学习模型训练,得到训练好的预训练模型;
步骤5、对待测的其他街景图像,按照1-3步骤进行待测街景图像的预处理工作后,再利用步骤4中所生成的预训练模型,进行批量打分。
2.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法,其特征在于,步骤3中,图像色彩状况用数字进行表示,混合色用数字负1进行表示。
3.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法,其特征在于,步骤5之后还包括步骤6、选择决策树或者随机森林的回归分析方法统计出各个影响要素的重要性情况;这里的影响要素是指每张街景图像的各类实体占比和颜色值。
4.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法,其特征在于,步骤1中所研究街景图像的大小一致。
5.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法,其特征在于,步骤2中对学习样本库中每张街景图像各类实体占比值的计算方法是:按照各类实体像素总数占整个图像像素总数的比例来进行的。
6.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法,其特征在于,步骤3.3中主导色是通过RGB颜色空间下的颜色值转换为十进制数字进行表示。
7.根据权利要求1所述的一种基于色彩分布学习的街景图像评分方法,其特征在于,步骤4中机器学习模型包括决策树、随机森林或超级随机树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987218.0A CN113673456B (zh) | 2021-08-26 | 2021-08-26 | 一种基于色彩分布学习的街景图像评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110987218.0A CN113673456B (zh) | 2021-08-26 | 2021-08-26 | 一种基于色彩分布学习的街景图像评分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673456A true CN113673456A (zh) | 2021-11-19 |
CN113673456B CN113673456B (zh) | 2024-03-26 |
Family
ID=78546576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110987218.0A Active CN113673456B (zh) | 2021-08-26 | 2021-08-26 | 一种基于色彩分布学习的街景图像评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673456B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063653A (zh) * | 2022-07-27 | 2022-09-16 | 东南大学 | 基于图像脑敏感数据的建成环境主导色测度方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190120950A1 (en) * | 2017-10-24 | 2019-04-25 | Canon Kabushiki Kaisha | Distance detecting apparatus, image capturing apparatus, distance detecting method, and storage medium |
CN109919159A (zh) * | 2019-01-22 | 2019-06-21 | 西安电子科技大学 | 一种针对边缘图像的语义分割优化方法及装置 |
CN111126864A (zh) * | 2019-12-26 | 2020-05-08 | 中国地质大学(武汉) | 一种基于人机对抗评分的街道品质评估方法 |
CN111242493A (zh) * | 2020-01-17 | 2020-06-05 | 广州市城市规划勘测设计研究院 | 一种街道品质评价方法、装置、系统及存储介质 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
CN112634155A (zh) * | 2020-12-22 | 2021-04-09 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-26 CN CN202110987218.0A patent/CN113673456B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190120950A1 (en) * | 2017-10-24 | 2019-04-25 | Canon Kabushiki Kaisha | Distance detecting apparatus, image capturing apparatus, distance detecting method, and storage medium |
CN109919159A (zh) * | 2019-01-22 | 2019-06-21 | 西安电子科技大学 | 一种针对边缘图像的语义分割优化方法及装置 |
CN111126864A (zh) * | 2019-12-26 | 2020-05-08 | 中国地质大学(武汉) | 一种基于人机对抗评分的街道品质评估方法 |
CN111242493A (zh) * | 2020-01-17 | 2020-06-05 | 广州市城市规划勘测设计研究院 | 一种街道品质评价方法、装置、系统及存储介质 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
CN112634155A (zh) * | 2020-12-22 | 2021-04-09 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
程博: "基于深度学习的图像语义分割算法研究与实现", 《中国博士论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063653A (zh) * | 2022-07-27 | 2022-09-16 | 东南大学 | 基于图像脑敏感数据的建成环境主导色测度方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113673456B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10445557B2 (en) | Learning pixel visual context from object characteristics to generate rich semantic images | |
CN107016415B (zh) | 一种基于全卷积网络的彩色图像色彩语义分类方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
KR101913612B1 (ko) | 이미지 내의 복합 토큰들을 식별하기 위한 시스템 및 방법 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN104636759A (zh) | 一种获取图片推荐滤镜信息的方法及图片滤镜信息推荐系统 | |
Čuljak et al. | Classification of art paintings by genre | |
CN113673389A (zh) | 光源光谱功率分布相关的绘画照明视觉评价方法 | |
CN113673456B (zh) | 一种基于色彩分布学习的街景图像评分方法 | |
CN110163869A (zh) | 一种图像重复元素分割方法、智能设备及存储介质 | |
CN113129390B (zh) | 一种基于联合显著性的色盲图像重新着色方法及系统 | |
CN108647696A (zh) | 图片颜值确定方法及装置、电子设备、存储介质 | |
CN108460380A (zh) | 一种基于主颜色的竹条颜色分类方法及系统 | |
Rachmad et al. | Classification of mycobacterium tuberculosis based on color feature extraction using adaptive boosting method | |
CN112016621B (zh) | 分类模型的训练方法、颜色的分类方法及电子设备 | |
CN110097603A (zh) | 一种时尚图像主色调解析方法 | |
CN113743421A (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
CN104581379A (zh) | 视频预览图的选取方法及选取装置 | |
CN110188693A (zh) | 改进的复杂环境车辆特征提取和停车判别方法 | |
CN115482227A (zh) | 机器视觉自适应成像环境调整方法 | |
CN111563536B (zh) | 一种基于机器学习的竹条颜色自适应分类方法 | |
Wang et al. | Multi illumination color constancy based on multi-scale supervision and single-scale estimation cascade convolution neural network | |
CN112950556B (zh) | 图像真实度评估方法、装置、系统及计算机可读存储介质 | |
Jasim et al. | Object-based Classification of Natural Scenes Using Machine Learning Methods |
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 |