Lab空间的改进k-means算法彩色图像分割

为减弱经典k-means 算法中ＲGB( Ｒed Green Blue) 空间各个颜色分量高度线性相关以及欧氏距离的尺度相关性对图像分割结果产生的影响,并克服ＲGB 空间色彩分布不匀的缺陷,提出了一种基于Lab 颜色空间的改进k-means 聚类彩色图像分割方法。首先,将颜色空间从ＲGB 转换为Lab 空间,每个像素点都可以由L、a、b 3 分量组合进行表示。其次,用马氏距离替换欧氏距离进行改进,应用改进后的k-means 算法对图像像素点进行聚类,从而实现分割目的。通过实验证明该改进算法比经典k-means 算法具有更好的分割效果和准确度。     

基于颜色特征的彩色图像分割方法及其应用

研究彩色图像按照颜色特征进行分割的问题,应用颜色整合技术和二叉树分割技术,较好的兼顾了原图像的总体风貌和设计者希望保留的一些颜色信息,该算法可应用于电脑绣花中对图像进行自动打版处理,对一般的色彩量化问题和点阵图形转换成矢量图像的图像处理也具有重要意义。     

基于改进的颜色直方图的图像检索方法

由于全局颜色直方图不能有效地捕捉颜色组成之间的空间关系,从而可能导致图像检索系统最终的查准率和查全率降低,为了弥补这个缺陷,本文提出了基于改进的颜色直方图的图像检索方法,采用几何划分的方法对图像进行局部特征提取,并用特征组合描述整幅图像,从而提高查准率和查全率。实验证明该算法具有一定的优越性.     

基于权重的HSI多通道图像融合

针对现有的彩色图像融合方法所存在的融合失真问题,提出了一种基于权重的HSI多通道图像融合方法.将源图像从RGB颜色空间转换为HSI颜色空间,采用不同的融合规则对I、H和S分量进行融合,再将融合后的通道图像再转换为RGB图像.该算法融合后的图像更加清晰,无颜色失真,并且算法复杂度低.实验结果表明,该图像融合算法优于传统经典的融合算法.     

基于颜色和空间特征的图像检索

提出一种新的基于颜色和空间特征的图像检索算法。首先,将检索图像转换为HSV颜色空间并进行量化,提取环形颜色空间信息熵作为颜色空间分布特征。其次,计算每个像素点的多邻域的量化颜色值的一、二阶中心矩,利用各阶统计矩的信息熵来表征图像颜色的局部空间特征。最后,对特征向量进行高斯归一化,采用特征向量的L1-norm距离计算彩色图像的相似度并进行图像检索。试验结果表明该方法比CDE和Geostat算法具有较好的检索效果。     

空间颜色聚类算法及其在图像特征提取中的应用

针对目前图像基本颜色特征单一、 可提取信息不足的问题, 提出将图像进行HSV颜色空间转换, 先用均衡化直方图增强空间颜色互转后的图像空间 颜色像素, 再用融入rgb2ind的K-means均值聚类算法提亮均衡图像, 以增强图像颜色特征的提取目标和数量. 实验结果表明, 该方法优于普通空间颜色图像进行特征提取的效果, 实现了为颜色特征识别提供更多的检索信息.     

基于CIELab颜色空间的矢量彩色图像放大算法

提出了一种基于CIELab颜色空间和矢量滤波器的彩色图像放大算法.该算法利用彩色图像各颜色通道的固有相关性,在CIELab颜色空间中利用矢量滤波器将彩色像素作为矢量集合进行处理,首先将彩色图像从RGB空间转换为CIELab颜色空间,然后在CIELab颜色空间利用矢量滤波器进行空间插值,最后将插值后的图像从CIELab空间转换为RGB颜色空间,得到放大后的彩色图像,保持了彩色图像的空间和频率特性.实验结果表明该算法优于传统算法.     

基于数学形态学高帽变换的彩色图像增强算法

分析了RGB颜色空间和HSV颜色空间各自的优缺点,通过将彩色图像在RGB颜色空间和HSV颜色空间互相转换,把一个灰度图像形态学边缘增强算法推广到彩色图像。实验结果表明该算法性能良好,既能够较好地增强图像,又没有引入不自然的人造痕迹。     

基于视觉颜色聚类的彩色图像分割

根据视觉的颜色聚类特性，提出一种图像分割算法．根据从色彩空间(RGB)到(HLC)的变换公式和NBS颜色距离的概念，首先将彩色图像量化为256或更少量化级，而不使图像质量降低；然后依据NBS颜色距离的概念将色彩分类；最后，根据某种规则将颜色区域进行分块，并删除小的颜色块．给出了静物图像和自然景物图像的实验结果。     

基于K-means聚类的纺织品印花图像区域分割

对纺织品彩色印花图像进行颜色区域分割.将彩色纺织品印花图像转换到CIEL*a*b颜色空间,用K均值聚类分析算法对描述颜色的a*争b*通道进行聚类分析;通过提取各个颜色区域独立成为单色的新图像,对彩色纺织品印花图像进行分割处理.实验结果表明,在CIE L*a*b空间使用K-means聚类算法可以有效地分割彩色纺织品图像的颜色区域.