一种基于BP神经网络的颜色空间量化方案

介绍了一种基于BP神经网络的颜色空间量化方案。这种方案利用人能辨识的11类颜色,将人辨识颜色的能力融入到颜色空间的量化过程中,并运用BP神经网络方法,将颜色空间进行量化分割。文章介绍了样本颜色的采集方法、采集软件的设计、基于BP神经网络的样本颜色处理方法以及在图像特征的抽取、区域分割方面的应用。建议的方案从一个新的角度缩小了低层视觉特征和高层语义特征的差异。

一种新的颜色空间量化方案

详细介绍样本颜色的采集方法、采集软件的设计以及数据的处理方法;提出了基于BP神经网络的样本颜色处理方法,介绍其在图像特征的抽取、区域分割的应用。

基于量化颜色空间的彩色图像检索算法

研究符合人的视觉特性的HSV颜色空间中,对彩色图像进行量化和再次量化处理,克服了颜色的连续性对图像检索带来的影响,将第一次量化和经过再次量化得到的结果作为图像特征。针对欧式距离在检索过程中没有考虑到色彩之间相似性的局限性,为改善图像检索性能,在进行相似匹配时引入了一个色彩相似矩阵,利用直方图二次距离作为相似度量公式对彩色图像库进行检索,结果表明,利用经过再次量化得到的图像特征进行检索比仅一次量化之后得到的图像特征进行检索具有很高的鲁棒性。

基于特征融合与随机森林的吊车碰线预警算法

现有的输电线路防外力破坏技术无法自动识别目标,导致对吊车碰线的监测效果较差。因此,该文提出了1种基于特征融合与随机森林的预警算法来解决这一问题。该算法在分析吊车自身特点的基础上设计了"形状–纹理–颜色"的融合特征提取方式:首先采用改进的边缘直线检测方法提取吊臂形状特征,然后利用局部二值模式(local binary pattern,LBP)算子获取纹理特征,最后在两步量化后的色调饱和值(Hue,Saturation,Value,HSV)颜色空间内得到颜色特征。进行融合特征后采用随机森林分类器进行目标识别,当判定目标为吊车时,根据其姿态和距离参数发出不同等级的预警信息。实验结果表明:该算法对工程吊车的平均识别准确率达到90.6%,相比于3种单一特征提取方式分别提升17.3%、7.9%和12.6%。同时该算法具备较强的实时处理能力,适用于输电线路防外力破坏的智能监控场合。

不规则像素簇显著性检测算法

目的显著性检测领域的研究重点和难点是检测具有复杂结构信息的显著物体。传统的基于图像块的检测算法,主要根据相对规则的图像块进行检测,计算过程中不能充分利用图像不规则的结构和纹理的信息,对算法精度产生影响。针对上述问题,本文提出一种基于不规则像素簇的显著性检测算法。方法根据像素点的颜色信息量化颜色空间,同时寻找图像的颜色中心,将每个像素的颜色替代为最近的颜色中心的颜色。然后根据相同颜色标签的连通域形成不规则像素簇,并以连通域的中心为该簇的位置中心,以该连通域对应颜色中心的颜色为该簇整体的颜色。通过像素簇的全局对比度得到对比度先验图,利用目标粗定位法估计显著目标的中心,计算图像的中心先验图。然后将对比度先验图与中心先验图结合得到初始显著图。为了使显著图更加均匀地突出显著目标,利用图模型及形态学变化改善初始显著图效果。结果将本文算法与5种公认表现最好的算法进行对比,并通过5组图像进行验证,采用客观评价指标精确率—召回率(precision-recall,PR)曲线以及精确率和召回率的调和平均数F-measure进行评价,结果表明本文算法在PR曲线上较其他算法表现良好,在F-measure方面相比其他5种算法均有0~0.3的提升,且有更佳的视觉效果。结论本文通过更合理地对像素簇进行划分,并对目标物体进行粗定位,更好地考虑了图像的结构和纹理特征,在显著性检测中有较好的检测效果,普适性强。