CN110503115A - 一种颜色识别方法、装置、设备及计算机可读存储介质 - Google Patents

一种颜色识别方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110503115A
CN110503115A CN201910816577.2A CN201910816577A CN110503115A CN 110503115 A CN110503115 A CN 110503115A CN 201910816577 A CN201910816577 A CN 201910816577A CN 110503115 A CN110503115 A CN 110503115A
Authority
CN
China
Prior art keywords
color
colored pixels
images
recognized
color identification
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
Application number
CN201910816577.2A
Other languages
English (en)
Inventor
陈国栋
张仁政
王正
许辉
迟文正
***
孙立宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201910816577.2A priority Critical patent/CN110503115A/zh
Publication of CN110503115A publication Critical patent/CN110503115A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种颜色识别方法，包括将待识别图像转换到颜色空间中；提取颜色空间中各个分量图像的多个预设类型的颜色像素特征；根据聚类融合之后的颜色像素特征对待识别图像进行颜色识别。可见，颜色像素特征能够用来感知图像中的像素分布，由于本发明中利用到了颜色空间中各个分量图像的多个预设类型的颜色像素特征，相比于现有技术中利用的单独的一个类型的颜色像素特征，能够更好地感知待识别图像中的色彩，从而加强了颜色识别方法在复杂环境的抗干扰能力，提高了复杂环境下颜色识别的准确性。本发明还公开了一种颜色识别装置、设备及计算机可读存储介质，具有如上颜色识别方法相同的有益效果。

Description

一种颜色识别方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及颜色识别领域，特别是涉及一种颜色识别方法，本发明还涉及一种颜色识别装置、设备及计算机可读存储介质。
背景技术
颜色识别在许多领域有重要应用，例如机器人的引导及控制领域，现有技术中的颜色识别方法可以在简单环境下取得较高的准确率，但是在复杂环境(例如光照不均匀以及背景复杂)下颜色识别的准确率较差。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种颜色识别方法，能够更好地感知待识别图像中的色彩，从而加强了颜色识别方法在复杂环境的抗干扰能力，提高了复杂环境下颜色识别的准确性；本发明的另一目的是提供一种颜色识别装置、设备及计算机可读存储介质，能够更好地感知待识别图像中的色彩，从而加强了颜色识别方法在复杂环境的抗干扰能力，提高了复杂环境下颜色识别的准确性。
为解决上述技术问题，本发明提供了一种颜色识别方法，包括：
将待识别图像转换到颜色空间中；
提取所述颜色空间中各个分量图像的多个预设类型的颜色像素特征；
对所述多个预设类型的颜色像素特征进行聚类融合；
根据聚类融合之后的颜色像素特征确定所述待识别图像的颜色。
优选地，所述将待识别图像转换到颜色空间中具体为：
将待识别图像转换到归一化的RGB色彩模式、色调饱和度明度HSV以及YCBCR的颜色空间中。
优选地，所述多个预设类型的颜色像素特征包括：均值、标准差以及熵值。
优选地，所述根据聚类融合之后的所述颜色像素特征进行颜色识别具体为：
在多种光照条件下，使用聚类融合之后的所述颜色像素特征对径向基函数支持向量机RBF-SVM进行训练，得到颜色判断数据；
根据所述颜色判断数据对所述待识别数据进行颜色识别。
优选地，所述对所述多个预设类型的颜色像素特征进行聚类融合，包括：
通过模糊C均值FCM算法对所述多个预设类型的颜色像素特征进行聚类融合。
优选地，所述将待识别图像转换到颜色空间中之前，该颜色识别方法还包括：
将原始图像经RGB三通道图像转换至所述HSV颜色空间；
选择基于平滑的空间滤波对所述HSV颜色空间中的色调通道的所述原始图像进行卷积处理；
采用全局阈值法对经过滤波的所述原始图像进行分割；
利用边缘检测算法遍历分割后的所述原始图像，得到物体边缘特征信息；
通过空间金字塔方法，根据所述物体边缘特征信息确定出所述原始图像中目标物体的位置；
将所述目标物体的图像作为待识别图像。
为解决上述技术问题，本发明还提供了一种颜色识别装置，包括：
转换模块，用于将待识别图像转换到颜色空间中；
提取模块，用于提取所述颜色空间中各个分量图像的多个预设类型的颜色像素特征；
融合模块，用于对所述多个预设类型的颜色像素特征进行聚类融合；
识别模块，用于根据聚类融合之后的颜色像素特征确定所述待识别图像的颜色。
优选地，所述多个预设类型的颜色像素特征包括：均值、标准差以及熵值。
为解决上述技术问题，本发明还提供了一种颜色识别设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一项所述颜色识别方法的步骤。
为解决上述技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述颜色识别方法的步骤。
本发明提供了一种颜色识别方法，包括将待识别图像转换到颜色空间中；提取颜色空间中各个分量图像的多个预设类型的颜色像素特征；根据聚类融合之后的颜色像素特征对待识别图像进行颜色识别。
可见，颜色像素特征能够用来感知图像中的像素分布，由于本发明中利用到了颜色空间中各个分量图像的多个预设类型的颜色像素特征，相比于现有技术中利用的单独的一个类型的颜色像素特征，能够更好地感知待识别图像中的色彩，从而加强了颜色识别方法在复杂环境的抗干扰能力，提高了复杂环境下颜色识别的准确性。
本发明还提供了一种颜色识别装置、设备及计算机可读存储介质，具有如上颜色识别方法相同的有益效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种颜色识别方法的流程示意图；
图2为本发明提供的一种颜色识别装置的结构示意图；
图3为本发明提供的一种颜色识别设备的结构示意图。
具体实施方式
本发明的核心是提供一种颜色识别方法，能够更好地感知待识别图像中的色彩，从而加强了颜色识别方法在复杂环境的抗干扰能力，提高了复杂环境下颜色识别的准确性；本发明的另一核心是提供一种颜色识别装置、设备及计算机可读存储介质，能够更好地感知待识别图像中的色彩，从而加强了颜色识别方法在复杂环境的抗干扰能力，提高了复杂环境下颜色识别的准确性。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明提供的一种颜色识别方法的流程示意图，包括：
步骤S1：将待识别图像转换到颜色空间中；
具体的，由于处理器无法直接识别待识别图像这个整体，因此需要将待识别图像转换为可以识别的分量图像，将待识别图像转换到颜色空间中以后，可以方便后续步骤对转换到颜色空间中的待识别的分量图像进行处理，以便进行颜色识别。
步骤S2：提取颜色空间中各个分量图像的多个预设类型的颜色像素特征；
具体的，每个颜色空间中具有多个分量图像，每个分量图像中的颜色像素特征可以表征待识别图像中的像素点分布，提取到的颜色像素特征可以用于识别图像中的颜色。
具体的，可以在各分量图像中首先定位到颜色特征的ROI(region of interest，感兴趣区域)，然后再提取颜色像素特征。
其中，考虑到现有技术中仅仅是利用提取出的单独一个类型的颜色像素特征进行颜色识别，而本发明实施例中，可以提取出颜色空间中各分量图像的多个预设类型的颜色像素特征，例如每个颜色空间中有三个分量图像，提取每个分量图像中固定的三个预设类型的颜色像素特征等，便于后续步骤进行颜色识别，本发明实施例在此不做限定。
具体的，颜色像素特征有很多种类，不同的颜色像素特征组合对于颜色识别的作用效果不同，本发明实施例中选用了多个预设类型的颜色像素特征，相比与单独的一个类型的颜色像素特征，可以更好地表征颜色，从而使得在复杂环境下，例如光照不足或者背景嘈杂等环境下可以更好地对待识别图像中的颜色进行识别。
步骤S3：对多个预设类型的颜色像素特征进行聚类融合；
步骤S4：根据聚类融合之后的颜色像素特征确定待识别图像的颜色。
具体的，聚类融合可以将多个颜色像素特征进行融合，便于根据聚类融合之后的颜色像素特征进行颜色识别，其中，聚类融合之后的颜色像素特征可以为多维矩阵的形式。
本发明提供了一种颜色识别方法，包括将待识别图像转换到颜色空间中；提取颜色空间中各个分量图像的多个预设类型的颜色像素特征；根据聚类融合之后的颜色像素特征对待识别图像进行颜色识别。
可见，颜色像素特征能够用来感知图像中的像素分布，由于本发明中利用到了颜色空间中各个分量图像的多个预设类型的颜色像素特征，相比于现有技术中利用的单独的一个类型的颜色像素特征，能够更好地感知待识别图像中的色彩，从而加强了颜色识别方法在复杂环境的抗干扰能力，提高了复杂环境下颜色识别的准确性。
在上述实施例的基础上：
作为一种优选的实施例，将待识别图像转换到颜色空间中具体为：
将待识别图像转换到归一化的RGB色彩模式、色调饱和度明度HSV以及YCBCR的颜色空间中。
具体的，颜色空间可以包括归一化的RGB色彩模式、HSV((Hue Saturation Value，色调饱和度明度)以及YCBCR，多样的颜色空间由于涵盖了不同类型的角度，可以提高颜色识别的准确度。
其中，当然也可以仅选择上述三种颜色空间中的任意两种，本发明实施例在此不做限定。
其中，原始图像可以首先在RGB色彩模式内做归一化处理，可以减少均匀性光照对图像的影响。
作为一种优选的实施例，多个预设类型的颜色像素特征包括：均值、标准差以及熵值。
具体的，经过研究人员的研究工作，确定出均值、标准差以及熵值对于图像的像素分布点具有更好地表征效果，因此本发明实施例中的预设类型为均值、标准差以及熵值，可以提高颜色识别的准确性。
当然，除了本发明实施例中提供的预设类型外，预设类型还可以为其他多种类型，本发明实施例在此不做限定。
作为一种优选的实施例，根据聚类融合之后的颜色像素特征进行颜色识别具体为：
在多种光照条件下，使用聚类融合之后的颜色像素特征对径向基函数支持向量机RBF-SVM进行训练，得到颜色判断数据；
根据颜色判断数据对待识别数据进行颜色识别。
具体的，使用聚类融合之后的颜色像素特征进行颜色识别的具体步骤可以与现有技术中相同，在多种光照条件下使用聚类融合之后的颜色像素特征对RBF(Radial basisfunction，径向基函数)SVM(Support Vector Machine，支持向量机)进行训练，可以进一步提高复杂光照环境下的颜色识别能力，其中，训练过后得到的数据可以进行颜色识别。
具体的，在颜色识别任务开始后，每个图像均可以转换到基于人类视觉的HSV颜色空间中进行识别作业。
其中，可以将聚类融合之后的颜色像素特征通过非线性函数将其从低维空间映射到高维空间，从而在学习时可以有效的将其进行曲线拟合以及数据分类。
作为一种优选的实施例，对多个预设类型的颜色像素特征进行聚类融合，包括：
通过模糊C均值FCM算法对多个预设类型的颜色像素特征进行聚类融合。
具体的，FCM(Fuzzy CognitiveMap，模糊C均值聚类算法)具有速度快以及稳定性强等优点。
当然，除了FCM外，还可以采用其他类型的算法进行聚类融合，本发明实施例在此不做限定。
作为一种优选的实施例，将待识别图像转换到颜色空间中之前，该颜色识别方法还包括：
将原始图像经RGB三通道图像转换至HSV颜色空间；
选择基于平滑的空间滤波对HSV颜色空间中的色调通道的原始图像进行卷积处理；
采用全局阈值法对经过滤波的原始图像进行分割；
利用边缘检测算法遍历分割后的原始图像，得到物体边缘特征信息；
通过空间金字塔方法，根据物体边缘特征信息确定出原始图像中目标物体的位置；
将目标物体的图像作为待识别图像。
具体的，在对待识别图像进行识别之前，待识别图像很可能只是原始图像中的一小部分，还需要预先从原始图像中确定出待识别图像，本发明实施例中在将待识别图像转换到颜色空间中之前，可以确定出待识别图像，提供了自动化确定出待识别图像的方法。
其中，本发明实施例中对于经过滤波的原始图像可以先进行分割(阈值的选择标准可以基于理想双峰假设)，然后再分割后的原始图像的基础上使用Canny边缘检测算法进行遍历，方便得到物体的边缘特征信息，可以理解为物体的轮廓，最后再利用空间金字塔方法，根据物体边缘特征信息便可以确定出原始图像中目标物体的位置，从而便确定出了待识别图像。
具体的，将边缘特征信息输入到空间金字塔结构中，以此来创建形状模板；在创建的形状模板中，定义了模板的金字塔等级，每层金字塔包含一定数量的模型特征，特征数量随着金字塔等级的降低而减少，在模板匹配的过程中会逐次匹配金字塔等级较高的模型特征。形状模板的匹配使用基于不变矩特征的方法在图像中进行遍历，并按照金字塔等级在图像中逐步匹配，在遍历的过程中可以定义模型的旋转、缩放的等属性，最后在图像中找到物体的位置并以矩阵的形式返回。
具体的，本发明实施例中对经过分割后的原始图像进行边缘检测算法，可以更细致地遍历图像中的边缘特征信息，从而更容易准确地获取到待识别图像。
为解决上述技术问题，本发明还提供了一种颜色识别装置，包括：
转换模块1，用于将待识别图像转换到颜色空间中；
提取模块2，用于提取颜色空间中各个分量图像的多个预设类型的颜色像素特征；
融合模块3，用于对多个预设类型的颜色像素特征进行聚类融合；
识别模块4，用于根据聚类融合之后的颜色像素特征确定待识别图像的颜色。
作为一种优选的实施例，多个预设类型的颜色像素特征包括：均值、标准差以及熵值。
对于本发明实施例提供的颜色识别装置的介绍请参照前述的颜色识别方法的实施例，本发明实施例在此不再赘述。
为解决上述技术问题，本发明还提供了一种颜色识别设备，包括：
存储器5，用于存储计算机程序；
处理器6，用于执行计算机程序时实现如上任一项颜色识别方法的步骤。
对于本发明实施例提供的颜色识别设备的介绍请参照前述的颜色识别方法的实施例，本发明实施例在此不再赘述。
为解决上述技术问题，本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一项颜色识别方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。还需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
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，在其他实施例中实现。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 (10)

1.一种颜色识别方法，其特征在于，包括：
将待识别图像转换到颜色空间中；
提取所述颜色空间中各个分量图像的多个预设类型的颜色像素特征；
对所述多个预设类型的颜色像素特征进行聚类融合；
根据聚类融合之后的颜色像素特征确定所述待识别图像的颜色。
2.根据权利要求1所述的颜色识别方法，其特征在于，所述将待识别图像转换到颜色空间中，包括：
将待识别图像转换到归一化的RGB色彩模式、色调饱和度明度HSV以及YCBCR的颜色空间中。
3.根据权利要求2所述的颜色识别方法，其特征在于，所述多个预设类型的颜色像素特征包括：均值、标准差以及熵值。
4.根据权利要求3所述的颜色识别方法，其特征在于，所述根据聚类融合之后的所述颜色像素特征进行颜色识别具体为：
在多种光照条件下，使用聚类融合之后的所述颜色像素特征对径向基函数支持向量机RBF-SVM进行训练，得到颜色判断数据；
根据所述颜色判断数据对所述待识别数据进行颜色识别。
5.根据权利要求1所述的颜色识别方法，其特征在于，所述对所述多个预设类型的颜色像素特征进行聚类融合，包括：
通过模糊C均值FCM算法对所述多个预设类型的颜色像素特征进行聚类融合。
6.根据权利要求1至5任一项所述的颜色识别方法，其特征在于，所述将待识别图像转换到颜色空间中之前，该颜色识别方法还包括：
将原始图像经RGB三通道图像转换至所述HSV颜色空间；
选择基于平滑的空间滤波对所述HSV颜色空间中的色调通道的所述原始图像进行卷积处理；
采用全局阈值法对经过滤波的所述原始图像进行分割；
利用边缘检测算法遍历分割后的所述原始图像，得到物体边缘特征信息；
通过空间金字塔方法，根据所述物体边缘特征信息确定出所述原始图像中目标物体的位置；
将所述目标物体的图像作为待识别图像。
7.一种颜色识别装置，其特征在于，包括：
转换模块，用于将待识别图像转换到颜色空间中；
提取模块，用于提取所述颜色空间中各个分量图像的多个预设类型的颜色像素特征；
融合模块，用于对所述多个预设类型的颜色像素特征进行聚类融合；
识别模块，用于根据聚类融合之后的颜色像素特征确定所述待识别图像的颜色。
8.根据权利要求7所述的颜色识别方法，其特征在于，所述多个预设类型的颜色像素特征包括：均值、标准差以及熵值。
9.一种颜色识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述颜色识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述颜色识别方法的步骤。
CN201910816577.2A 2019-08-30 2019-08-30 一种颜色识别方法、装置、设备及计算机可读存储介质 Pending CN110503115A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910816577.2A CN110503115A (zh) 2019-08-30 2019-08-30 一种颜色识别方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910816577.2A CN110503115A (zh) 2019-08-30 2019-08-30 一种颜色识别方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110503115A true CN110503115A (zh) 2019-11-26

Family

ID=68590771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910816577.2A Pending CN110503115A (zh) 2019-08-30 2019-08-30 一种颜色识别方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110503115A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145172A (zh) * 2019-12-31 2020-05-12 广东溢达纺织有限公司 布料循环数据的确定方法、装置、***、计算机设备
CN111898616A (zh) * 2020-06-28 2020-11-06 北京配天技术有限公司 颜色识别方法、装置及存储装置
CN112241714A (zh) * 2020-10-22 2021-01-19 北京字跳网络技术有限公司 图像中指定区域的识别方法、装置、可读介质和电子设备
WO2021212977A1 (zh) * 2020-04-24 2021-10-28 京东方科技集团股份有限公司 图像颜色过滤方法及装置、电子设备、存储介质
WO2024103892A1 (zh) * 2022-11-17 2024-05-23 博奥生物集团有限公司 罐印图像的颜色识别方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034872A (zh) * 2012-12-26 2013-04-10 四川农业大学 基于颜色和模糊聚类算法的农田害虫识别方法
CN103996041A (zh) * 2014-05-15 2014-08-20 武汉睿智视讯科技有限公司 一种基于匹配的车辆颜色识别方法和***
CN104778707A (zh) * 2015-04-22 2015-07-15 福州大学 一种改进广义Hough变换的电解电容检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034872A (zh) * 2012-12-26 2013-04-10 四川农业大学 基于颜色和模糊聚类算法的农田害虫识别方法
CN103996041A (zh) * 2014-05-15 2014-08-20 武汉睿智视讯科技有限公司 一种基于匹配的车辆颜色识别方法和***
CN104778707A (zh) * 2015-04-22 2015-07-15 福州大学 一种改进广义Hough变换的电解电容检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许庆勇等: "《基于深度学习理论的纹身图像识别与检测研究》", 31 December 2018 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145172A (zh) * 2019-12-31 2020-05-12 广东溢达纺织有限公司 布料循环数据的确定方法、装置、***、计算机设备
CN111145172B (zh) * 2019-12-31 2023-04-18 广东溢达纺织有限公司 布料循环数据的确定方法、装置、***、计算机设备
WO2021212977A1 (zh) * 2020-04-24 2021-10-28 京东方科技集团股份有限公司 图像颜色过滤方法及装置、电子设备、存储介质
US11830107B2 (en) 2020-04-24 2023-11-28 Boe Technology Group Co., Ltd. Method and apparatus for filtering image colors, electronic device and storage medium
CN111898616A (zh) * 2020-06-28 2020-11-06 北京配天技术有限公司 颜色识别方法、装置及存储装置
CN112241714A (zh) * 2020-10-22 2021-01-19 北京字跳网络技术有限公司 图像中指定区域的识别方法、装置、可读介质和电子设备
CN112241714B (zh) * 2020-10-22 2024-04-26 北京字跳网络技术有限公司 图像中指定区域的识别方法、装置、可读介质和电子设备
WO2024103892A1 (zh) * 2022-11-17 2024-05-23 博奥生物集团有限公司 罐印图像的颜色识别方法和装置

Similar Documents

Publication Publication Date Title
CN110503115A (zh) 一种颜色识别方法、装置、设备及计算机可读存储介质
US11410277B2 (en) Method and device for blurring image background, storage medium and electronic apparatus
US8411986B2 (en) Systems and methods for segmenation by removal of monochromatic background with limitied intensity variations
Scharstein Matching images by comparing their gradient fields
US8411932B2 (en) Example-based two-dimensional to three-dimensional image conversion method, computer readable medium therefor, and system
Gomes et al. Efficient 3D object recognition using foveated point clouds
US9401027B2 (en) Method and apparatus for scene segmentation from focal stack images
CN108510491A (zh) 虚化背景下人体骨骼关键点检测结果的过滤方法
CA3032983A1 (en) Systems and methods for keypoint detection
CN112883881B (zh) 一种条状农产品无序分拣方法及装置
CN109934838A (zh) 一种基于超像素的图片语义分割标注方法及装置
CN109829463A (zh) 一种指甲识别方法、装置、美甲机及存储介质
CN109919149A (zh) 基于物体检测模型的物体标注方法及相关设备
CN110188640B (zh) 人脸识别方法、装置、服务器和计算机可读介质
CN108805838A (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN109117837A (zh) 感兴趣区域确定方法和设备
CN111161219B (zh) 一种适用于阴影环境的鲁棒单目视觉slam方法
CN109785367B (zh) 三维模型追踪中外点滤除方法和装置
US20170274285A1 (en) Method and apparatus for automating the creation of a puzzle pix playable on a computational device from a photograph or drawing
CN110472490A (zh) 基于改进VGGNet的动作识别方法及装置、存储介质和终端
CN114118127B (zh) 一种视觉场景标志检测与识别方法及装置
Khan et al. Segmentation of single and overlapping leaves by extracting appropriate contours
Greco et al. Saliency based aesthetic cut of digital images
CN114596213A (zh) 一种图像处理方法及装置
CN116569207A (zh) 用于管理图像的伪影的方法和电子装置

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: 20191126