CN107301422A - 一种基于颜色特征和Hu矩的竹条颜色分类方法和*** - Google Patents
一种基于颜色特征和Hu矩的竹条颜色分类方法和*** Download PDFInfo
- Publication number
- CN107301422A CN107301422A CN201710375193.2A CN201710375193A CN107301422A CN 107301422 A CN107301422 A CN 107301422A CN 201710375193 A CN201710375193 A CN 201710375193A CN 107301422 A CN107301422 A CN 107301422A
- Authority
- CN
- China
- Prior art keywords
- sample
- bamboo cane
- image
- sample image
- value
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明特别涉及一种基于颜色特征和Hu矩的竹条分类方法和***。方法包括:获取至少一个样本竹条的样本图像,并建立样本图像库;获取待测竹条的原始图像;计算所述原始图像与样本图像库中每个样本图像的色差值;获取所述原始图像的至少一个不变矩值,根据所述至少一个不变矩值计算所述原始图像与样本图像库中每个样本图像的不变矩距离;根据所述色差值和所述不变矩距离,将所述待测竹条划分到预设类别,以实现竹条的分类。本发明在光照条件不变的情况下,可以实现了竹条的有效分类,增加了竹制品加工自动化程度,提高了工业生产的效率。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种基于颜色特征和Hu矩的竹条颜色分类方法和***。
背景技术
中国地域辽阔,竹类资源丰富,面积、产量均居世界前列。从很早以前就有“竹子王国”的美誉,这是因为中国的竹林面积达500多万公顷,竹子对人们生活的重要性有着源远流长的历史,古代诗人苏东坡曾说过“宁可食无肉,不可居无竹”,竹子不仅对人们的生活有着深远的影响,还对生态功能和农村经济的发展起十分重要的作用。它广泛的用于各个方面当中,如:竹地板、竹门、竹窗、竹制的生活用品等等。但是,竹条经过多层的加工程序后会出现颜色深浅不同的情况,当前工业生产的所有竹条都由传统的人工进行筛选,工人用肉眼观察进行颜色的分类,但是,随着变化的环境、漫长的工作时间和身体疲劳的原因所限,竹条分类的准确度和效率会下降。于是急需一种能对竹子的颜色进行自动分类的方法和***。
发明内容
本发明提供了一种基于颜色特征和Hu矩的竹条颜色分类方法和***,解决以上所述技术问题。
本发明解决上述技术问题的技术方案如下:一种基于颜色特征和Hu矩的竹条分类方法,包括以下步骤:
S1,获取至少一个样本竹条的样本图像,并建立样本图像库;
S2,获取待测竹条的原始图像;
S3,计算所述原始图像与样本图像库中每个样本图像的色差值;
S4,获取所述原始图像的至少一个不变矩值,根据所述至少一个不变矩值计算所述原始图像与样本图像库中每个样本图像的不变矩距离;
S5,根据所述色差值和所述不变矩距离,将所述待测竹条划分到预设类别,以实现竹条的分类。
本发明的有益效果是:本发明通过计算待测竹条原始图像与样本图像库中每个样本图像进行色差值和不变矩距离,在光照条件不变的情况下,可以实时地实现了竹条颜色的有效分类,增加了竹制品加工自动化程度,提高了工业生产的效率。
进一步,所述样本数据库的竹条样本数量不少于15个。
采用上述进一步方案的有益效果是:一定数量的样本不仅能提高计算速度,而且能提高竹条的颜色分类的准确性。
进一步,采用最小距离分类器进行度量以及使用改进后的加权欧式距离计算所述目标图像与样本图像库中每个样本图像的色差值Dn。
采用上述进一步方案的有益效果是:最小距离分类器是一种简单而有效的分类方法,该分类器通过对标称型和字符串型属性的距离的加权定义,以及增加属性值的范围约束,扩大了最小标准化欧式距离分类器的适用范围,同时提高了其分类准确率。
本发明还提供了一种基于颜色特征和Hu矩的竹条分类***,包括:
第一图像获取模块,用于获取至少一个样本竹条的样本图像,并建立样本图像库;
第二图像获取模块,用于获取待测竹条的原始图像;
计算模块,用于计算所述原始图像与样本图像库中每个样本图像的色差值;
第三图像获取模块,用于获取所述原始图像的至少一个不变矩值,根据所述至少一个不变矩值计算所述原始图像与样本图像库中每个样本图像的不变矩距离;
分类模块,用于根据所述色差值和所述不变矩距离,将所述待测竹条划分到预设类别,以实现竹条的分类。
本发明的有益效果是:本发明通过计算待测竹条原始图像与样本图像库中每个样本图像进行色差值和不变矩距离,在光照条件不变的情况下,可以实时地实现了竹条颜色的有效分类,增加了竹制品加工自动化程度,提高了工业生产的效率。
附图说明
图1为本发明一个实施例提供的一种基于颜色特征和Hu矩的竹条颜色分类方法的流程示意图;
图2为本发明一个实施例提供的一种基于颜色特征和Hu矩的竹条颜色分类***的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,本发明提供的一种基于颜色特征和Hu矩的竹条颜色分类方法的流程示意图,包括以下步骤:
S1,获取至少一个样本竹条的样本图像,并建立样本图像库;
S2,获取待测竹条的原始图像;
S3,计算所述原始图像与样本图像库中每个样本图像的色差值;
S4,获取所述原始图像的至少一个不变矩值,根据所述至少一个不变矩值计算所述原始图像与样本图像库中每个样本图像的不变矩距离;
S5,根据所述色差值和所述不变矩距离,将所述待测竹条划分到预设类别,以实现竹条的分类。
上述实施例通过计算待测竹条原始图像与样本图像库中每个样本图像进行色差值和不变矩距离,在光照条件不变的情况下,可以实时地实现了竹条颜色的有效分类,增加了竹制品加工自动化程度,提高了工业生产的效率。
优选的,在本发明的一个实施例中,所述步骤2和步骤3之间还包括预处理步骤,具体为:采用预设图像调整方法对所述原始图像进行滤波处理、裁剪处理、倾斜度修正处理和/或目标纹理消除处理。
上述实施例通过采用二值图像作为掩膜消除背景对竹条感兴趣区域的影响,可以更加准确的提取三通道图形的色调、饱和度和亮度均值。
进一步,所述步骤1具体包括以下步骤:
S101,获取任一样本竹条对应的第一样本图像;
S102,将第一样本图像的颜色空间均转换为HIS颜色空间,生成第二样本图像;
S103,对第二样本图像进行颜色分离,生成色调、饱和度和亮度分别对应的第一通道图、第二通道图和第三通道图;
S104,计算所述第一通道图对应的样本色调均值、所述第二通道图对应的样本饱和度均值和第三通道值对应的样本亮度均值;
S105,建立样本图像库,所述样本图像库包括每个样本竹条分别对应的样本色调均值、样本饱和度均值和样本亮度均值。
优选的,在本发明的一个实施例中,对预处理后的彩色图像由RGB空间转换到适应人眼可解释的HIS颜色空间,并把彩色图像分离成包含色调(H)、饱和度(S)、亮度(I)的三通道图像。使用二值图像作为掩膜消除背景对竹条感兴趣区域的影响,并通过分别求三通道的统计特性,得到各通道均值和标准差。这里使用HSI彩色模型是为了适应实际上人解释的颜色。
其中彩色空间的转换表达式如下:
其中R、G、B为三基色,H为色调、S为饱和度、I为亮度。
优选的,在本发明的一个实施例中,通过采用二值图像作为掩膜消除背景对竹条感兴趣区域的影响,可以更加准确的提取三通道图形的色调、饱和度和亮度均值。
优选的,在本发明的一个实施例中,所述样本数据库的竹条样本的数量为15个,采用15个计算样本不仅能提高计算速度,而且能提高竹条的颜色分类的准确性。
优选的,在本发明的一个实施例中,所述步骤3具体为:
S301,将所述原始图像的颜色空间转换为HIS颜色空间,生成目标图像;
S302,对所述目标图像进行颜色分离,生成色调、饱和度和亮度分别对应的第四通道图、第五通道图和第六通道图,并计算所述第四通道图对应的目标色调均值、所述第五通道图对应的目标饱和度均值和第六通道值对应的目标亮度均值;
S303,采用第一预设公式计算所述目标图像与样本图像库中每个样本图像的色差值,所述第一预设公式具体为:
其中,Dn为目标图像与样本图像库中第n个样本图像的色差值,a、b和c为预设权重值;H为所述目标色调均值,S为所述目标饱和度均值,I为所述目标亮度均值;Hn为样本图像库中第n根样本竹条的样本色调均值,Sn为样本图像库中第n根样本竹条的样本饱和度均值,In为样本图像库中第n根样本竹条的样本亮度均值。
优选的,在本发明的一个实施例中,采用最小距离分类器进行度量以及使用改进后的加权欧式距离求取原始图像与样本图像库中每个样本图像之间的色差值Dn。
采用最小距离分类器是一种简单而有效的分类方法,该分类器通过对标称型和字符串型属性的距离的加权定义,以及增加属性值的范围约束,扩大了最小标准化欧式距离分类器的适用范围,同时提高了其分类准确率。
在本发明的一个实施例中,所述a的取值范围为0.2~0.3,b的取值范围为0.6~0.7和c的取值范围为0.1~0.2,当a取0.3,b取0.6和c取0.1时分类效果较好。
优选的,本发明的一个实施例中,步骤4中所述原始图像包括7个不变矩,分别为Hu1、Hu2、Hu3、Hu4、Hu5、Hu6和Hu7,此时采用第二预设公式计算所述原始图像与样本图像库中每个样本图像的不变矩距离,所述第二预设公式具体为:
其中,Ln为所述原始图像与样本图像库中第n个样本图像的不变矩距离,Hun1、Hun2、Hun3、Hun4、Hun5、Hun6和Hun7分别为样本图像库中第n根样本竹条的对应不变矩,d、e、f、g、h、i和j为预设权重值。
在本发明的一个实施例中,所述d取值范围为0.2~0.4,e取值范围为0~0.1,f取值范围为0~0.1,g取值范围为0.2~0.3,h取值范围为0~0.1,i取值范围为0.2~0.4和j取值范围为0~0.1。
优选的,本发明的一个实施例中当d取0.2,e取0.1,f取0.1,g取0.2,h取0.1,i取0.2和j取0.1时分类效果较好。
优选的,在本发明的一个实施例中,所述步骤5具体包括以下步骤:
S501,采用第三预设公式计算所述色差值对应的第一加权系数fD,所述第三预设公式具体为:
其中,fn(x,σ,c)为第一高斯加权系数,所述第一高斯加权系数的表达式为:x为待测竹条的目标图像与样本图像库中所有样本图像之间的色差值,c为待测竹条目标图像与样本图像库中所有样本图像之间的色差值均值,σ为待测竹条目标图像与样本图像库中每个样本图像之间的色差值标准差;
S502,求取待测竹条原始图像与样本图像库中每个样本图像之间的Hu矩不变矩距离Ln的第二加权系数fL;所述求取fL的计算表达式为:
其中,fn'(x,σ,c)为第二高斯加权系数,所述第二高斯加权系数的表达式为:x为待测竹条原始图像与样本图像库中所有样本图像之间Hu矩不变矩距离值,c为待测竹条原始图像与样本图像库中所有样本图像之间Hu矩不变矩距离值均值,σ为待测竹条原始图像与样本图像库中所有样本图像之间Hu矩不变矩距离值标准差;
S503,以所述色差值的第一加权系数fD和Hu矩不变矩距离的第二加权系数fL,求取待测竹条与样本图像库中所有样本图像之间的分类系数f,以f值作为待测竹条颜色分类的标准,所述分类系数f的计算表达式为
优选的,在本发明的一个实施例中,根据预设的分类系数值进行对比分类具体为:若f≤5时,为第一类竹条;若5<f<10时,为第二类竹条,若f≥10,为第三类竹条,可以有效的提高待测竹条的颜色分类的准确率。
优选的,在本发明的一个实施例中,步鄹5中,采用所述的待测竹条原始图像的七个Hu矩不变矩中的四个即Hu1、Hu4、Hu5和Hu6作为所述Hu矩不变矩距离Ln的计算。在对竹条的分类过程中,只有Hu1、Hu4、Hu5、Hu6对竹条的不变性保持的比较好,其他的几个不变矩带来的误差比较大,由Hu矩组成的特征量对图片进行识别,优点就是速度很快,对于纹理比较丰富的图片,对分类的结果影响很大。但是为了很好的描述图像的细节,最好使用七个Hu不变矩。
以上结合图1对本发明实施例的基于颜色特征和Hu矩的竹条颜色分类方法进行了详细描述,以下对本发明实施例的基于颜色特征和Hu矩的竹条颜色分类***进行描述。图2为本发明一个实施例提供的一种基于颜色特征和Hu矩的竹条颜色分类***的结构示意图,如图2所示,包括第一图像获取模块,第二图像获取模块,计算模块,第三图像获取模块和分类模块;
第一图像获取模块,用于获取至少一个样本竹条的样本图像,并建立样本图像库;
第二图像获取模块,用于获取待测竹条的原始图像;
计算模块,用于计算所述原始图像与样本图像库中每个样本图像的色差值;
第三图像获取模块,用于获取所述原始图像的至少一个不变矩值,根据所述至少一个不变矩值计算所述原始图像与样本图像库中每个样本图像的不变矩距离;
分类模块,用于根据所述色差值和所述不变矩距离,将所述待测竹条划分到预设类别,以实现竹条的分类。
本实施例通过计算待测竹条原始图像与样本图像库中每个样本图像进行色差值和不变矩距离,在光照条件不变的情况下,可以实时地实现了竹条颜色的有效分类,增加了竹制品加工自动化程度,提高了工业生产的效率。
优选的,在本发明的一个实施例中,所述的计算模块还包括对待测竹条目标图像与样本图像库中每个样本图像之间的色差值的第一加权系数fD和待测竹条原始图像与样本图像库中每个样本图像之间Hu矩不变矩距离Ln的第二加权系数fL进行计算,以所述色差值的第一加权系数fD和Hu矩不变矩距离的第二加权系数fL,求取待测竹条与样本图像库中所有样本图像之间的分类系数f,以f值作为待测竹条颜色分类的标准,所述分类系数f的计算表达式为
优选的,在本发明的一个实施例中,,所述分类模块用于根据预设的分类系数值进行分类,具体为:若f≤5时,为第一类竹条;若5<f<10时,为第二类竹条,若f≥10,为第三类竹条。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种基于颜色特征和Hu矩的竹条分类方法,其特征在于,包括以下步骤:
S1,获取至少一个样本竹条的样本图像,并建立样本图像库;
S2,获取待测竹条的原始图像;
S3,计算所述原始图像与样本图像库中每个样本图像的色差值;
S4,获取所述原始图像的至少一个不变矩值,根据所述至少一个不变矩值计算所述原始图像与样本图像库中每个样本图像的不变矩距离;
S5,根据所述色差值和所述不变矩距离,将所述待测竹条划分到预设类别,以实现竹条的分类。
2.根据权利要求1所述的基于颜色特征和Hu矩的竹条分类方法,其特征在于,所述步骤2和步骤3之间还包括预处理步骤,具体为:采用预设图像调整方法对所述原始图像进行滤波处理、裁剪处理、倾斜度修正处理和/或目标纹理消除处理。
3.根据权利要求1或2所述的基于颜色特征和Hu矩的竹条分类方法,其特征在于,所述步骤1具体包括以下步骤:
S101,获取任一样本竹条对应的第一样本图像;
S102,将第一样本图像的颜色空间均转换为HIS颜色空间,生成第二样本图像;
S103,对第二样本图像进行颜色分离,生成色调、饱和度和亮度分别对应的第一通道图、第二通道图和第三通道图;
S104,计算所述第一通道图对应的样本色调均值、所述第二通道图对应的样本饱和度均值和第三通道值对应的样本亮度均值;
S105,建立样本图像库,所述样本图像库包括每个样本竹条分别对应的样本色调均值、样本饱和度均值和样本亮度均值。
4.根据权利要求3所述的基于颜色特征和Hu矩的竹条分类方法,其特征在于,所述步骤3具体为:
S301,将所述原始图像的颜色空间转换为HIS颜色空间,生成目标图像;
S302,对所述目标图像进行颜色分离,生成色调、饱和度和亮度分别对应的第四通道图、第五通道图和第六通道图,并计算所述第四通道图对应的目标色调均值、所述第五通道图对应的目标饱和度均值和第六通道值对应的目标亮度均值;
S303,采用第一预设公式计算所述目标图像与样本图像库中每个样本图像的色差值,所述第一预设公式具体为:
...
其中,Dn为目标图像与样本图像库中第n个样本图像的色差值,a、b和c为预设权重值;H为所述目标色调均值,S为所述目标饱和度均值,I为所述目标亮度均值;Hn为样本图像库中第n根样本竹条的样本色调均值,Sn为样本图像库中第n根样本竹条的样本饱和度均值,In为样本图像库中第n根样本竹条的样本亮度均值。
5.根据权利要求4所述的基于颜色特征和Hu矩的竹条分类方法,其特征在于,步骤4中所述原始图像包括7个不变矩,分别为Hu1、Hu2、Hu3、Hu4、Hu5、Hu6和Hu7,此时采用第二预设公式计算所述原始图像与样本图像库中每个样本图像的不变矩距离,所述第二预设公式具体为:
…
其中,Ln为所述原始图像与样本图像库中第n个样本图像的不变矩距离,Hun1、Hun2、Hun3、Hun4、Hun5、Hun6和Hun7分别为样本图像库中第n根样本竹条的对应不变矩,d、e、f、g、h、i和j为预设权重值。
6.根据权利要求5所述的基于颜色特征和Hu矩的竹条分类方法,其特征在于,所述步骤5具体包括以下步骤:
S501,采用第三预设公式计算所述色差值对应的第一加权系数fD,所述第三预设公式具体为:
其中,fn(x,σ,c)为第一高斯加权系数,所述第一高斯加权系数的表达式为:x为待测竹条的目标图像与样本图像库中所有样本图像之间的色差值,c为待测竹条目标图像与样本图像库中所有样本图像之间的色差值均值,σ为待测竹条目标图像与样本图像库中每个样本图像之间的色差值标准差;
S502,求取待测竹条原始图像与样本图像库中每个样本图像之间的Hu矩不变矩距离Ln的第二加权系数fL;所述求取fL的计算表达式为:
其中,fn'(x,σ,c)为第二高斯加权系数,所述第二高斯加权系数的表达式为:x为待测竹条原始图像与样本图像库中所有样本图像之间Hu矩不变矩距离值,c为待测竹条原始图像与样本图像库中所有样本图像之间Hu矩不变矩距离值均值,σ为待测竹条原始图像与样本图像库中所有样本图像之间Hu矩不变矩距离值标准差;
S503,以所述色差值的第一加权系数fD和Hu矩不变矩距离的第二加权系数fL,求取待测竹条与样本图像库中所有样本图像之间的分类系数f,以f值作为待测竹条颜色分类的标准,所述分类系数f的计算表达式为
7.根据权利要求5所述的一种基于颜色特征和Hu矩的竹条分类方法,其特征在于,根据预设的分类系数值进行对比分类具体为:若f≤5时,为第一类竹条;若5<f<10时,为第二类竹条,若f≥10,为第三类竹条。
8.根据权利要求6所述的一种基于颜色特征和Hu矩的竹条分类方法,其特征在于,步鄹5中,采用所述的待测竹条原始图像的七个Hu矩不变矩中的四个即Hu1、Hu4、Hu5和Hu6作为所述Hu矩不变矩距离Ln的计算。
9.一种基于颜色特征和Hu矩的竹条分类***,其特征在于,包括:
第一图像获取模块,用于获取至少一个样本竹条的样本图像,并建立样本图像库;
第二图像获取模块,用于获取待测竹条的原始图像;
计算模块,用于计算所述原始图像与样本图像库中每个样本图像的色差值;
第三图像获取模块,用于获取所述原始图像的至少一个不变矩值,根据所述至少一个不变矩值计算所述原始图像与样本图像库中每个样本图像的不变矩距离;
分类模块,用于根据所述色差值和所述不变矩距离,将所述待测竹条划分到预设类别,以实现竹条的分类。
10.根据权利要求9所述的一种基于颜色特征和Hu矩的竹条分类***,其特征在于,所述的计算模块还包括对待测竹条目标图像与样本图像库中每个样本图像之间的色差值的第一加权系数fD和待测竹条原始图像与样本图像库中每个样本图像之间Hu矩不变矩距离Ln的第二加权系数fL进行计算,以所述色差值的第一加权系数fD和Hu矩不变矩距离的第二加权系数fL,求取待测竹条与样本图像库中所有样本图像之间的分类系数f,以f值作为待测竹条颜色分类的标准,所述分类系数f的计算表达式为
11.根据权利要求10所述的一种基于颜色特征和Hu矩的竹条分类***,其特征在于,所述分类模块用于根据预设的分类系数值进行分类,具体为:若f≤5时,为第一类竹条;若5<f<10时,为第二类竹条,若f≥10,为第三类竹条。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710375193.2A CN107301422A (zh) | 2017-05-24 | 2017-05-24 | 一种基于颜色特征和Hu矩的竹条颜色分类方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710375193.2A CN107301422A (zh) | 2017-05-24 | 2017-05-24 | 一种基于颜色特征和Hu矩的竹条颜色分类方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107301422A true CN107301422A (zh) | 2017-10-27 |
Family
ID=60137160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710375193.2A Pending CN107301422A (zh) | 2017-05-24 | 2017-05-24 | 一种基于颜色特征和Hu矩的竹条颜色分类方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107301422A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460380A (zh) * | 2018-03-13 | 2018-08-28 | 广西师范大学 | 一种基于主颜色的竹条颜色分类方法及*** |
CN110517265A (zh) * | 2019-09-04 | 2019-11-29 | 北京理工大学 | 一种产品表面缺陷的检测方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867193A (zh) * | 2012-09-14 | 2013-01-09 | 成都国科海博计算机***有限公司 | 一种生物检测方法、装置及生物检测器 |
CN102968622A (zh) * | 2012-12-05 | 2013-03-13 | 曙光信息产业(北京)有限公司 | 一种台标识别方法以及台标识别装置 |
CN104462413A (zh) * | 2014-12-13 | 2015-03-25 | 天津远目科技有限公司 | 一种大理石花色分辨方法 |
CN104951794A (zh) * | 2015-05-15 | 2015-09-30 | 江南大学 | 基于颜色与纹理的竹条自动识别方法与***开发 |
-
2017
- 2017-05-24 CN CN201710375193.2A patent/CN107301422A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867193A (zh) * | 2012-09-14 | 2013-01-09 | 成都国科海博计算机***有限公司 | 一种生物检测方法、装置及生物检测器 |
CN102968622A (zh) * | 2012-12-05 | 2013-03-13 | 曙光信息产业(北京)有限公司 | 一种台标识别方法以及台标识别装置 |
CN104462413A (zh) * | 2014-12-13 | 2015-03-25 | 天津远目科技有限公司 | 一种大理石花色分辨方法 |
CN104951794A (zh) * | 2015-05-15 | 2015-09-30 | 江南大学 | 基于颜色与纹理的竹条自动识别方法与***开发 |
Non-Patent Citations (9)
Title |
---|
YANG-LUN YU ET AL.: "Comparison of the Suitability of Ci Bamboo and Moso Bamboo for Manufacturing Bamboo-based Fiber Composites", 《IEEE》 * |
刘家锋等: "《模式识别》", 31 August 2014, 哈尔滨工业大学出版社 * |
周献中等: "基于HSV颜色空间加权Hu不变矩的台标识别", 《南京理工大学学报(自然科学版)》 * |
张昭等: "基于数据挖掘算法的竹块颜色分级研究", 《中国农机化学报》 * |
张昭等: "基于计算机视觉的竹块颜色分类方法研究", 《安徽农业科学》 * |
张胜伟: "基于计算机视觉染色品颜色分类及光照校正算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
曾传华等: "基于颜色和纹理特征的竹材分类方法研究", 《林业机械与木工设备》 * |
潘国华: "基于不变矩相似度的图像质量评价方法", 《烟台职业学院学报》 * |
王冬旭等: "基于BP神经网络的竹片正反面识别算法", 《广西师范大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460380A (zh) * | 2018-03-13 | 2018-08-28 | 广西师范大学 | 一种基于主颜色的竹条颜色分类方法及*** |
CN110517265A (zh) * | 2019-09-04 | 2019-11-29 | 北京理工大学 | 一种产品表面缺陷的检测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930249A (zh) | 基于颜色和模型的农田害虫识别和计数方法 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN105427309A (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
CN103839079B (zh) | 一种基于分类学习的相似图像彩色化处理方法 | |
CN105303587B (zh) | 一种自动化的图形智能配色方法 | |
CN109214298A (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN105678218B (zh) | 一种移动物体分类的方法 | |
CN109903331A (zh) | 一种基于rgb-d相机的卷积神经网络目标检测方法 | |
CN109815833A (zh) | 一种基于ccd与三维激光传感信息融合特征提取的茶尖识别方法 | |
CN103034872A (zh) | 基于颜色和模糊聚类算法的农田害虫识别方法 | |
CN104463199A (zh) | 基于多特征及分割再校正的矿岩块度分类方法 | |
CN103593652B (zh) | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 | |
CN107392880A (zh) | 一种仿造迷彩自动生成方法 | |
CN105913441A (zh) | 一种用于改善视频中目标检测性能的阴影去除方法 | |
CN105761202B (zh) | 一种彩色图像颜色迁移方法 | |
CN105303546B (zh) | 基于模糊连接度的近邻传播聚类图像分割方法 | |
CN110414464A (zh) | 一种小尺度密集行人检测方法 | |
CN103793930A (zh) | 铅笔画图像生成方法及装置 | |
CN107808375A (zh) | 融合多种上下文深度学习模型的水稻病害图像检测方法 | |
CN107301422A (zh) | 一种基于颜色特征和Hu矩的竹条颜色分类方法和*** | |
CN105469111A (zh) | 基于改进的mfa和迁移学习的小样本集的物体分类方法 | |
CN104504716A (zh) | 基于bp神经网络的实木地板油漆自动配色方法 | |
CN107564000A (zh) | 基于计算机视觉的猴头菇无损检测分级方法 | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及*** | |
CN103971367B (zh) | 水文资料图像分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171027 |