语义驱动的颜色恒常决策算法

不同颜色恒常性算法适用于不同场景下的图像,算法融合是扩展颜色恒常性算法适用范围常用的方法之一,而现有融合性算法在算法选择依据上忽略了语义信息在图像纹理特征描述中的作用,导致光源估计时的精度不高。针对该问题,提出一种语义驱动的颜色恒常决策算法。首先,利用PSPNet(Pyramid Scene Parsing Network)模型对经过一阶灰度边缘算法(1st Gray Edge)偏色预处理后的目标图像进行场景语义分割,并计算场景中各个语义类别的占比;其次,根据语义类别及占比在已训练的决策集合中寻找相似的参考图像,并使用欧氏距离计算两者的语义相似度;最后,将语义相似度与基于多维欧氏空间确定的阈值进行判别,根据判别结果选择合适算法为目标图像实行偏色校正。在Color Checker和NUS-8 camera两种数据集中的实验结果表明,所提算法光源估计角度误差较单一算法均大幅度下降,且较同类型融合性算法分别下降14.02%和8.17%,提高了光源估计的鲁棒性和准确度。

基于ANFIS-LSSVM的计算颜色恒常性算法研究

计算颜色恒常性是指消除场景光源的影响从而再现物体真实颜色的能力。目前,深度神经网络的应用使颜色恒常性精度显著提高,但大多数深度学习算法训练时间长、计算复杂度高,且需要大量的训练样本。针对此问题,提出了一种结合自适应神经模糊推理系统(ANFIS)和最小二乘支持向量机(LSSVM)的简单有效的方法。该方法分为训练和预测两个阶段:在训练阶段,首先提取图像特征分别训练ANFIS、LSSVM两种初始光源估计模型,接着利用核函数变换将两种模型融合,然后利用预留训练样本进一步训练得到多元线性回归光源估计模型;在预测阶段,提取测试图像特征后,直接由训练所得模型预测得到该测试图像最终的场景光源颜色值。实验结果表明,与深度学习方法相比,本文所提方法计算复杂度较低,即使在小训练样本中也能有很好的光源估计性能。

光谱成像的图像颜色恒常性计算方法

光谱成像可以记录拍摄场景的光谱信息,从而实现颜色的高保真复现,图像的光谱信息通常同时混合了物体的光谱信息和光源信息,所以现有的光谱成像颜色还原需要通过提前放置的标定板或已知光谱特性的物体获取拍摄环境的光源信息,再进行图像的颜色恒常性校正。但光谱相机在实际使用过程中,通常难以满足上述条件,从而对图像高保真颜色还原提出挑战。针对此问题,提出一种光谱成像的图像颜色恒常性计算方法,将光谱成像系统获得光谱数据转换到XYZ颜色空间,并将图像分区域进行统计得到图像的统计点,通过大量常见光源的分布规律,给统计点施加位置权重和色温权重,同时设置亮度权重去除图像中过暗和过饱和的统计点,利用加权平均获得环境光的色度参数,根据需求将图像的XYZ颜色空间数据转换到RGB颜色空间,根据环境光的色度参数计算图像不同通道的增益,从而完成光谱图像的颜色恒常性计算。为了验证所提出算法的有效性,对140张光谱图像进行处理,计算算法得到的环境光色度参数和真实光源色度之间的再现角误差,对校正结果进行评价,结果表明提出的算法明显优于光谱图像不做处理和灰度世界法。为进一步分析算法校正结果与人眼感知之间的联系,设计颜色心理物理学实验中的分度实验,18名视觉正常的观察者参与实验,所有观察者对算法校正结果打分的平均值介于良好和优秀之间,可以满足实际使用需求;沿着平均色温线的方向,观察者所允许的光源色度差异较其它方向稍大;在图像中包含大面积记忆色时,当光源色度差异向使记忆色饱和度增大的方向偏移时,此时观察者所容忍的色度差异变大。由客观和心理物理学实验结果可知,所提出的算法可以在拍摄光源未知,且没有标板的情况下,较好的对光谱成像中的图像颜色恒常性进行处理,为光谱图像的颜色高保真再现打下基础。

基于改进ShuffleNetV2的织物颜色恒常性算法

针对工业生产中织物色差检验存在色偏、部署在计算机资源有限的移动终端的算法适配性不强、实时准确校正织物的色偏准确率不高的问题,提出一种基于改进ShuffleNetV2的轻量级织物颜色恒常性算法。以ShuffleNetV2的框架为基础,使用H-Sigmoid激活函数代替ReLU激活函数,引入注意力机制,使用多通道置信加权估计出全局场景光源。然后,在Gehler-shi和NUS-8数据集上的进行实验。实验结果表明,相较于已有的颜色恒常性算法,所提的轻量级网络各项评价指标提高约0.2,可用于织物的颜色校正任务中。

颜色恒常性计算在视频侦查中的应用研究

视频侦查工作中,视频侦查人员需要对涉案视频中人、车、物的颜色特征进行分析认定,但由于场景光照、设备等因素的影响,会使视频目标呈现出不同的色彩表现,即产生偏色,这将导致侦查人员对目标产生认知偏差,影响破案效率。颜色恒常性计算常用于图像的光照颜色估计与偏色校正中,但在视频侦查领域应用较少,并且一些颜色恒常性计算过程过于复杂,侦查人员难以操作。针对该问题,从视频图像中目标人物衣着的颜色特征入手,通过测试几种常用的颜色恒常性计算方法在Gehler-Shi数据集和自建的模拟现场环境数据集中的表现效果,探究各种颜色恒常性计算方法在不同场景中的应用性能,以筛选出最能满足视频侦查人员需要的颜色恒常性计算方法。

基于改进SqueezeNet的颜色恒常性计算

由于成像设备存在的缺陷,容易引起成像色彩的偏移,影响图像算法的下游任务,因此需要采用颜色恒常性算法实现图像色彩的矫正,保证图像颜色与人眼看到的色彩保持一致.传统颜色恒常性算法的效果依赖于特定的光源环境,为了提升算法的适用范围和使用效率,提出了一种基于SqueezeNet框架的颜色恒常性计算模型,通过卷积图像网络感知图像光源,并引入了注意力机制和残差连接,提升网络对图像的理解和计算性能.网络同时预测输入图像各区域的光照颜色,再通过设计3种不同池化方式汇聚,输出图像的全局估计光源,最后利用估计光源矫正图像.实验结果表明,提出的光源估计算法能够有效地估计图像光照颜色,矫正图像色彩.

联合色度特征与轻量级神经网络的颜色恒常性算法

颜色信息是计算机视觉任务中一个重要且有效的特征,在图像中去除光源等因素引起的偏色,使物体呈现其应有的颜色是颜色恒常性研究难点。文章提出了一种色度特征与轻量级神经网络联合的颜色恒常性方法。该方法通过提取图像的拉普拉斯特征,与输入图像融合,计算其色度直方图,然后利用统计的直方图计算对应色度像素的均值作为色度特征,输入轻量级神经网络进行光源估计。在公开数据上的实验结果表明,相较于其他方法,文章算法精度进一步提高,在单个GPU上运行速度可达到250帧/秒,能够满足移动端或嵌入式应用的实时需求。

一种基于LAB色空间拓扑剖分影射的颜色恒常性模型

本文针对人体肤色和黏膜颜色特点,建立一种室内自然光条件下的医学真彩图像采集分析的颜色恒常性模型.在LAB均匀色度空间中,对一维L*空间进行线性影射,二维a*b*空间进行三角剖分影射和还原,建立了一种拓扑剖分影射TRM模型.通过对SG色标中13个肤色色标进行的校正还原,结果显示,TRM模型还原的颜色色差明显减小,离散度小,性能稳定.

基于颜色恒常性的低照度图像视见度增强

在彩色成像过程中,低照度是导致图像降质的一个重要因素.本文提出了一种新的基于颜色恒常性的低照度图像视见度增强算法.为了避免场景光源的影响,提出了像素有效集的概念.基于灰色调算法的灰度像素假设,利用有效像素估计光照的颜色;在后处理阶段,利用有效像素的灰度级范围确定直方图剪裁的上下限.实验表明,算法有效地校正了图像的颜色、对比度和亮度,从而增强了图像的视见度,且不会产生Retinex算法所固有的灰化效应和Halo效应.

基于图像导数框架和非负稀疏编码的颜色恒常计算方法

本文通过模拟初级视皮层神经元感受野在视觉信息处理中的功能,提出了一种基于图像导数框架和非负稀疏编码思想的颜色恒常性计算模型,以实现对色偏图像的颜色矫正.从解决工程问题的角度,本文提出的基于生理机制的计算模型在处理效果上可与目前最好的颜色恒常性算法相媲美;从计算神经科学的角度,本文模型支持了大脑初级视皮层在视觉颜色恒常性中扮演重要角色的观点.

复杂光照下的两步法颜色恒常性增强

根据视觉信息处理的分模块性原理,研究了复杂光照下的颜色恒常性,给出了一种两步法颜色恒常彩色图像增强算法。利用边缘附近像素估计原图像的偏色信息,采用白平衡的方法对偏色图像进行偏色纠正。然后,根据RGB颜色空间三分量的颜色相关性特点,获取亮度增益曲面并对彩色图像的RGB三分量进行同比增强得到最终的彩色图像。在SFU数据库进行了实验,结果表明该算法的对比度是原图的4倍以上,且亮度改变适中。该算法克服了传统颜色恒常性的不适定问题,对于存在偏色、低照度等复杂光照下的图像均能较好地保持颜色的恒常性,同时能有效提升图像的对比度和亮度。

光照色调颜色恒常性算法研究

提出了一种新的适合于实时处理视频图像颜色识别的光照色调颜色恒常性算法。该算法主要解决在视频颜色识别中 ,由于近点光源的发散作用和在复杂背景影响下所造成的目标对象在图像局部各点上的颜色识别问题。在彩色感知的光学原理和数学模型基础上推导出了光照校正算法 ,并利用色调校正实现颜色恒常性。通过试验分析评估了各种识别算法 ,如光照校正、色调校正、光照色调校正、以及线性回归算法对颜色的校正效果 ,最后将测得的颜色差值和色调差值进行对比 ,证明了本算法对点光源散射作用引起的光照变化具有良好的校正作用 ,并证明了其算法理论推导的合理性。该算法的运算复杂度为 O(n) 。

颜色恒常理论及模型探索

颜色恒常是指外界环境变化时对客观物体颜色知觉保持不变的心理倾向。本文就VonKries色系数定律、色域映射理论、谱锐化理论、视网膜皮层理论、双线性模型和神经网络模型等现有代表性的颜色恒常理论作了简单的概括与评价。针对目前该类研究的缺陷 ,尝试性地提出了发展完备的颜色恒常理论 (或模型 )

一种基于颜色恒常性理论的城市高分辨率遥感影像阴影消除方法

阴影是遥感影像中普遍存在的一种现象,它的存在影响对被遮挡区域信息的获取,并且对影像的目视效果造成不好的影响。因此,对阴影的去除在遥感影像信息提取中是一个需研究的问题,特别是对于具有大量高层建筑物的特大城市区域。本文采用颜色恒常性的理论,来实现对高分辨率遥感影像上阴影的去除,利用上海市陆家嘴区域的QuickBird高分辨率影像对算法进行了实验,结果表明该方法对阴影的去除具有较好的效果,并且计算简便。

颜色恒常知觉的影响因素探索及其非线性建模(英文)

采用计算机仿真技术 ,研究了照明、表面和背景对颜色恒常的影响 ,结果表明 :照明性质、表面属性以及背景属性均对颜色恒常程度产生显著影响 ,三者的影响是相互独立的 ;不同照明性质对颜色恒常程度具有不同影响 ,中性色照明光下颜色恒常程度较高 ;人的颜色恒常也依赖于物体的表面属性 ,对不同的表面进行匹配时 ,表现出了颜色恒常程度的较大波动 ;相同背景属性较不同背景属性具有较高的颜色恒常程度。在实验研究基础上建立了非线性颜色恒常模型 ,该模型对实验数据进行了很好拟合 。

基于颜色恒常性的彩色图像分割方法

针对图像处理及机器视觉领域中,光照不均匀而导致错误图像分割的问题,提出依据颜色恒常性原理进行图像分割的方法。利用颜色恒常性原理及ISODATA聚类分析方法保持在不同光照条件下颜色判断的一致性,消除照明位置及光照强度的影响。实验结果表明,该方法能够有效抑制因照明条件而产生的错误图像分割现象,与传统的基于边界及区域增长的图像分割方法相比,本方法具有更好的彩色图像区域分割效果。

基于监督颜色恒常性的低照度亮度校正算法

提出了一种新的监督颜色恒常性算法,主要解决在机器视觉识别中由于色温变化所带来的光照校正问题。利用人类视觉对比度分辨率的限制规律,采用抛物线函数作为亮度增益函数,将图像亮度映射于实验确定的最佳识别范围。实验结果表明,该算法能够获得较理想的视觉校正效果,有效地提高识别率;不需要进行颜色空间转换,计算耗时少。

数字图像颜色恒常性算法及应用

建立了BP神经网络颜色恒常性算法,对水质氯离子溶液颜色值进行了校正,以提高图像测量精度。实验结果表明:BP神经网络颜色恒常性算法实现了普通光源到标准光源的非线性映射,可以减小或消除电源及光源等因素对测量结果的影响,校正了颜色,提高了测量精度和灵敏度。

最优区域与离散小波变换结合的颜色恒常性计算算法

颜色恒常性计算就是通过消除光照对颜色的影响,得到与光照无关的稳定的颜色描述因子。目前基于底层特征驱动的颜色恒常性算法,大多数利用整幅图像的像素信息来估计场景的光照。然而,并不是所有的像素点都包含颜色恒常性计算的有效信息,而且没有考虑像素点周围的空间信息的影响。本文针对这两个问题提出一种基于最优区域选择和离散小波变换结合的颜色恒常性算法,在分割区域上进行不同尺度的离散小波变换,利用得到的小波系数估计出不同区域不同尺度上的误差,选择出误差最小的分割区域用于整幅图像的光照估计。该算法简单易行,实验结果证明可以取得比较好的光照估计效果。

颜色恒常性的距离正则化水平集彩色图像分割

引入颜色恒常性原理用于区分自然彩色图像中的差分结构,并结合距离正则化水平集算法,对具高光和阴影的自然彩色图像进行分割。实验结果表明,该算法能够正确有效地分割出图像目标,而未引入颜色恒常性原理的水平集算法则得到错误的图像分割结果。