CN105550706A - 一种2d图像与3d图像的识别方法 - Google Patents
一种2d图像与3d图像的识别方法 Download PDFInfo
- Publication number
- CN105550706A CN105550706A CN201510924850.5A CN201510924850A CN105550706A CN 105550706 A CN105550706 A CN 105550706A CN 201510924850 A CN201510924850 A CN 201510924850A CN 105550706 A CN105550706 A CN 105550706A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- right half
- correlogram
- identified
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种2D图像与3D图像的识别方法,其包括以下步骤:(1)将多幅2D图像和多幅3D图像作为样本图像集;(2)将所述样本图像集合中的每一幅图像分为大小相同的左、右半图样本,分别对所述左、右半图样本提取颜色自相关图特征;(3)计算所述左、右半图样本的颜色自相关图特征之间的差异性C1,及所述左半图样本、右半图样本之间的相关系数C2,并将C1、C2作为评价指标;(4)将C1和C2综合并构建决策模型,得到最优分类边界;以及(5)通过提取待识别图像的左半图和右半图的颜色自相关图特征及相关系数特征,并以最优分类边界为依据对该待识别图像进行分类以及标记。
Description
技术领域
本发明涉及一种识别方法,尤其涉及一种2D图像与3D图像的识别方法。
背景技术
3D图像、3D视频由于其独特的立体显示效果而越来越受到大众的欢迎。现有各种图像浏览设备往往不能自动识别2D图像和3D图像,而需要用户进行手动切换,造成浏览图像不便。
发明内容
有鉴于此,确有必要提供一种可应用于各种图像浏览设备的自动识别2D图像与3D图像的方法。
本发明提供一种2D图像与3D图像的识别方法,其包括以下步骤:
(1)将多幅2D图像和多幅3D图像作为样本图像集;
(2)将所述样本图像集合中的每一幅图像分为大小相同的左半图样本和右半图样本,并分别对所述左半图样本和右半图样本提取颜色自相关图特征;
(3)计算所述左半图样本的颜色自相关图特征和右半图样本的颜色自相关图特征之间的差异性C1,以及所述左半图样本、右半图样本之间的相关系数C2,并将C1、C2作为评价指标;
(4)将评价指标C1和C2综合并构建决策模型,得到最优分类边界;以及
(5)通过提取待识别图像的左半图和右半图的颜色自相关图特征及相关系数特征,以最优分类边界为依据对该待识别图像进行分类以及标记。
与现有技术相比较,本发明提供的2D图像与3D图像的识别方法具有以下优点:通过对多幅2D图像和3D图像进行左、右半图样本的颜色自相关图特征分析,计算左、右半图样本的颜色自相关图之间的差异性C1,并进一步分析左、右半图样本的相关系数特征C2,以C1和C2构建决策模型得到最优分类边界。以该最优分类边界作为参考来对待识别图像进行分类。该方法可实现对2D图像和3D图像的自动识别,精确度较高,简单方便,大量减少了用户的手动切换,为浏览图像提供了便利。该方法可应用于各种图像浏览设备中。
附图说明
图1为本发明所述2D图像与3D图像的识别方法的流程图。
图2至图5为本实施例样本图像集中的2D图像以及3D图像。
图6至图9分别为图2至图5的左、右半图样本的颜色自相关图的直方图(其中图6对应于图2,图7对应于图3,图8对应于图4,图9对应于图5,图6至图9中“左”代表左半图样本,“右”代表右半图样本)。
如下具体实施例将结合上述附图进一步说明本发明。
具体实施方式
以下将对本发明提供的2D图像与3D图像的识别方法作进一步说明。
本发明提供一种2D图像与3D图像的识别方法。该方法包括以下步骤:
S1,将多幅2D图像和多幅3D图像作为样本图像集;
S2,将所述样本图像集合中的每一幅图像分为大小相同的左半图样本和右半图样本,分别对所述左半图样本和右半图样本提取颜色自相关图特征;
S3,计算所述左半图样本的颜色自相关图特征和右半图样本的颜色自相关图特征之间的差异性C1,同时计算所述左半图样本、右半图样本之间的相关系数C2,并将C1、C2作为评价指标;
S4,将评价指标C1和C2综合并构建决策模型,得到最优分类边界;以及
S5,通过提取待识别图像的左半图和右半图的颜色自相关图特征及相关系数特征,以最优分类边界为依据对该待识别图像进行分类以及标记。
在步骤S1中,将该样本图像集作为研究对象,以获得多幅图像的C1和C2,从而更好的构建决策模型。
在步骤S1之后步骤S2之前还包括一对所述样本图像集合中的每一幅图像进行降采样处理的步骤。具体来说,将所述样本图像集合中所有的图像降采样到固定大小。
在步骤S2中,相对于普通的2D图像,左右格式的3D图像明显的不同在于,左半图与右半图具有相同的内容,只是存在一定的视差,因此本方法利用3D图像的这个特性来进行特征提取,从而实现自动识别2D图像与3D图像。
所述颜色自相关图特征是指利用相同颜色对的空间关系,将颜色和空间信息结合起来对图像进行描述。具体的,将降采样后得到图像依中线分为左、右两部分,分别称为左半图样本、右半图样本。对左、右半图样本分别用颜色自相关图特征进行描述,比较两者之间的相似性。
在步骤S3中,可用欧式距离衡量所述左半图样本的颜色自相关图特征和右半图样本的颜色自相关图特征之间的差异性C1,即所述左半图样本的颜色自相关图特征和右半图样本的颜色自相关图特征之间的距离为C1。将C1、C2共同作为评价指标的原因在于:C1与C2可起到互补的作用,防止内容上相似的2D图像(如图3)以及颜色上具有对称性的2D图像(如图4)对识别产生干扰。
本实施例中,以图2至图5为例,计算得到的C1和C2值如下表1所示:
表1
图例 | 图2 | 图3 | 图4 | 图5 |
C1 | 0.9313 | 0.8166 | 0.2047 | 0.1117 |
C2 | 0.3402 | 0.7767 | 0.3047 | 0.8673 |
图6至图9分别给出了图2至图5的左半图样本、右半图样本的颜色自相关图的直方图。其中图4的左、右半图样本颜色自相关图特征(如图7)之间具有明显的相似性,但其左、右半图样本的相关系数仅为0.3047(见表1);而图3的左、右半图样本之间的相关系数为0.7767,但是通过左、右半图样本颜色自相关图特征,可以区分其并非左右格式图像。这说明将C1、C2同时作为评价指标这一方法对具有干扰性的图像有一定的鲁棒性(robustness)。
由表1、图6至图9可见,本方法中所述的C1和C2之间确实起到了互补的作用,将C1和C2同时作为评价指标可以有效保证图像分类的正确率。
在步骤S4中,将评价指标C1和C2综合并构建决策模型具体为:将评价指标C1和C2综合并通过决策树模型来构建所述决策模型或者通过支持向量机、人工神经网络或贝叶斯方法构建所述决策模型。以决策树模型为例,将评价指标C1、C2及其相应的类别属性输入决策树模型,即可得到最优分类边界。将此决策树模型存储于图像浏览设备之中。
本实施例中,所获取的最优分类边界为C1小于0.31,C2大于0.485,可识别出3D图像,测试精度达到95.24%。经交叉验证,识别率均在90%以上。
在步骤S5中,以最优分类边界为依据可对图像浏览设备中待浏览文件夹下所有待识别图像进行标记。通过存储于图像浏览设备中的决策模型对该待识别图像进行自动标记。具体的,将标记结果存储为当前待识别图像的图像信息的一部分;对待浏览文件夹进行筛选以实现对未标记的图像进行分类以及标记,以避免重复标记;最终实现对待浏览文件夹下所有图像的标记。
为了应对识别错误的情形,在步骤S5之后还可包括一对待识别图像误标记时进行更正的步骤。具体的对于错误标记的图像,其在浏览时以错误的浏览方式显示,用户可自行更正当前图像的标记,此时只需将标记的接口开放给用户即可。
与现有技术相比较,本发明提供的2D图像与3D图像的识别方法具有以下优点:通过对多幅2D图像和3D图像进行左、右半图样本的颜色自相关图特征分析,计算左、右半图样本的颜色自相关图之间的差异性C1,并进一步分析左、右半图样本的相关系数特征C2,以C1和C2构建决策模型得到最优分类边界。以该最优分类边界作为参考来对待识别图像进行分类。该方法可实现对2D图像和3D图像的自动识别,精确度较高,简单方便,大量减少了用户的手动切换,为浏览图像提供了便利,从而保证了用户获得较高的体验满意度。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种2D图像与3D图像的识别方法,其包括以下步骤:
(1)将多幅2D图像和多幅3D图像作为样本图像集;
(2)将所述样本图像集合中的每一幅图像分为大小相同的左半图样本和右半图样本,分别对所述左半图样本和右半图样本提取颜色自相关图特征;
(3)计算所述左半图样本的颜色自相关图特征和右半图样本的颜色自相关图特征之间的差异性C1,以及所述左半图样本、右半图样本之间的相关系数C2,并将C1、C2作为评价指标;
(4)将评价指标C1和C2综合并构建决策模型,得到最优分类边界;以及
(5)通过提取待识别图像的左半图和右半图的颜色自相关图特征及相关系数特征,以最优分类边界为依据对该待识别图像进行分类以及标记。
2.如权利要求1所述的识别方法,其特征在于,在步骤(1)之后步骤(2)之前还包括一对所述样本图像集合中的每一幅图像进行降采样处理的步骤。
3.如权利要求1所述的识别方法,其特征在于,在步骤(4)中将评价指标C1和C2综合并构建决策模型具体为:将评价指标C1和C2综合并通过决策树模型来构建所述决策模型或者通过支持向量机、人工神经网络或贝叶斯方法构建所述决策模型。
4.如权利要求1所述的识别方法,其特征在于,在步骤(5)中当待识别图像位于待浏览文件夹中时,以最优分类边界为依据对该待识别图像进行分类以及标记之后并将该标记结果储存,通过对待浏览文件夹的筛选以实现对未标记的图像进行分类以及标记。
5.如权利要求1所述的识别方法,其特征在于,在步骤(5)之后还包括一对待识别图像误标记时进行更正的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924850.5A CN105550706A (zh) | 2015-12-13 | 2015-12-13 | 一种2d图像与3d图像的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924850.5A CN105550706A (zh) | 2015-12-13 | 2015-12-13 | 一种2d图像与3d图像的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105550706A true CN105550706A (zh) | 2016-05-04 |
Family
ID=55829889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510924850.5A Pending CN105550706A (zh) | 2015-12-13 | 2015-12-13 | 一种2d图像与3d图像的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105550706A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766871A (zh) * | 2017-08-29 | 2018-03-06 | 深圳依偎控股有限公司 | 一种智能识别3d图片的方法及*** |
CN108133210A (zh) * | 2017-12-12 | 2018-06-08 | 上海玮舟微电子科技有限公司 | 一种图像格式识别方法及装置 |
CN109189735A (zh) * | 2018-10-23 | 2019-01-11 | 维沃移动通信有限公司 | 一种预览图像显示方法、移动终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551823A (zh) * | 2009-04-20 | 2009-10-07 | 浙江师范大学 | 一种综合多特征图像检索方法 |
CN103246895A (zh) * | 2013-05-15 | 2013-08-14 | 中国科学院自动化研究所 | 基于深度信息的图像分类方法 |
CN103440494A (zh) * | 2013-07-04 | 2013-12-11 | 中国科学院自动化研究所 | 一种基于视觉显著性分析的恐怖图像识别方法及*** |
CN103955462A (zh) * | 2014-03-21 | 2014-07-30 | 南京邮电大学 | 一种基于多视图和半监督学习机制的图像标注方法 |
-
2015
- 2015-12-13 CN CN201510924850.5A patent/CN105550706A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551823A (zh) * | 2009-04-20 | 2009-10-07 | 浙江师范大学 | 一种综合多特征图像检索方法 |
CN103246895A (zh) * | 2013-05-15 | 2013-08-14 | 中国科学院自动化研究所 | 基于深度信息的图像分类方法 |
CN103440494A (zh) * | 2013-07-04 | 2013-12-11 | 中国科学院自动化研究所 | 一种基于视觉显著性分析的恐怖图像识别方法及*** |
CN103955462A (zh) * | 2014-03-21 | 2014-07-30 | 南京邮电大学 | 一种基于多视图和半监督学习机制的图像标注方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766871A (zh) * | 2017-08-29 | 2018-03-06 | 深圳依偎控股有限公司 | 一种智能识别3d图片的方法及*** |
CN108133210A (zh) * | 2017-12-12 | 2018-06-08 | 上海玮舟微电子科技有限公司 | 一种图像格式识别方法及装置 |
CN108133210B (zh) * | 2017-12-12 | 2022-04-01 | 张家港康得新光电材料有限公司 | 一种图像格式识别方法及装置 |
CN109189735A (zh) * | 2018-10-23 | 2019-01-11 | 维沃移动通信有限公司 | 一种预览图像显示方法、移动终端 |
CN109189735B (zh) * | 2018-10-23 | 2020-09-01 | 维沃移动通信有限公司 | 一种预览图像显示方法、移动终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389554B (zh) | 基于人脸识别的活体判别方法和设备 | |
WO2018072233A1 (zh) | 一种基于选择性搜索算法的车标检测识别方法及*** | |
CN103020650B (zh) | 一种台标识别方法及装置 | |
CN103456013B (zh) | 一种表示超像素以及度量超像素之间相似性的方法 | |
CN103473551A (zh) | 基于sift算子的台标识别方法及*** | |
CN105894655B (zh) | 基于rgb-d相机的复杂环境下纸币检测和识别方法 | |
CN108629319B (zh) | 图像检测方法及*** | |
CN103258037A (zh) | 一种针对多组合内容的商标识别检索方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN110728302A (zh) | 一种基于HSV和Lab颜色空间的色纺织物组织识别的方法 | |
CN105160303A (zh) | 基于混合匹配的指纹识别方法 | |
CN103778409A (zh) | 基于人脸特征数据挖掘的人脸识别方法与装置 | |
CN105718552A (zh) | 基于服装手绘草图的服装图像检索方法 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN104123529A (zh) | 人手检测方法及*** | |
CN103473571A (zh) | 一种人体检测方法 | |
CN108009472A (zh) | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 | |
CN104299009A (zh) | 基于多特征融合的车牌字符识别方法 | |
CN107870992A (zh) | 基于多通道主题模型的可编辑服装图像搜索方法 | |
CN101493887A (zh) | 基于半监督学习和哈希索引的眉毛图像分割方法 | |
CN108875744A (zh) | 基于矩形框坐标变换的多方向文本行检测方法 | |
CN107169417A (zh) | 基于多核增强和显著性融合的rgbd图像协同显著性检测方法 | |
CN103106409A (zh) | 一种针对头肩检测的混合特征提取方法 | |
CN105550706A (zh) | 一种2d图像与3d图像的识别方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20190716 |
|
AD01 | Patent right deemed abandoned |