基于有限维线性模型的监督颜色回归恒常性算法

提出了一种监督颜色回归恒常性算法，可将某种光照条件下获得的颜色值转换到囊先确定的标准光照下的颜色值，该算法基于表面反射的有限维线性模型，利用多元线性回归方程的最小二乘法求解转换矩阵和修正矢量，给出了算法的基本思想和实验结果，同以前的算法相比，本算法应用条件几乎不受限制，且简洁有效。     

多光源非均匀光照场景的颜色恒常性

针对多光源非均匀光照场景,提出了一种新的颜色恒常性解决方法.首先将场景图像划分成若干较小区域,分别对各区域光源颜色进行估计,然后根据各区域对场景光源颜色的贡献合并为一种复合光源颜色作为场景光源颜色的近似估计,最后通过对角模型重构图像.实验结果表明,扩展的方法能够更好地解决多光源非均匀光照等场景的颜色恒常性问题.     

最优区域与离散小波变换结合的颜色恒常性计算算法

颜色恒常性计算就是通过消除光照对颜色的影响,得到与光照无关的稳定的颜色描述因子。目前基于底层特征驱动的颜色恒常性算法,大多数利用整幅图像的像素信息来估计场景的光照。然而,并不是所有的像素点都包含颜色恒常性计算的有效信息,而且没有考虑像素点周围的空间信息的影响。本文针对这两个问题提出一种基于最优区域选择和离散小波变换结合的颜色恒常性算法,在分割区域上进行不同尺度的离散小波变换,利用得到的小波系数估计出不同区域不同尺度上的误差,选择出误差最小的分割区域用于整幅图像的光照估计。该算法简单易行,实验结果证明可以取得比较好的光照估计效果。     

基于颜色恒常的照度准不变边缘分类算法

现有的照度准不变边缘分类算法在标准光源下分类效果较好,但是该算法没有考虑光源颜色的影响,而实际上光源颜色对算法的分类效果影响很大,因此提出了一种基于颜色恒常的照度准不变边缘分类算法.该算法首先估计光源颜色,然后用估计出的光源颜色参数矫正照度准不变边缘分类算法.与传统的照度准不变边缘分类算法相比,该算法由于能估算出光源的颜色,所以当光源颜色发生改变时,矫正以后的照度准不变分类算法仍然对光照颜色改变具有鲁棒性.实验结果显示,基于颜色恒常的照度准不变边缘分类算法,在光照颜色变化的情况下,不仅能检测出更多的边缘,噪声点更少,而且检测的边缘更准确,稳定,线条更光滑连续.     

计算机视觉系统的二步法颜色恒常性

理论研究表明 ,三色视觉系统在单视野条件下 ,三维颜色恒常性的计算问题只有在一些约束下才能解决。约束选择的合理与否和后续的任务密切相关。针对不同环境光照条件下的人体肤色分割的具体任务 ,提出了一个新的关于三色系统颜色恒常性问题的物理模型 :1 )将视觉系统所获得的原始信息分裂为亮度信息和颜色信息。 2 )将传统的颜色恒常性问题分解为基于亮度的亮度恒常性和基于颜色信息的颜色恒常性 ,并用二维描述子描述等亮度彩色图像中物理表面的颜色特征。该描述子具有颜色恒常的特性。基于颜色的图像分割实验结果表明 ,二步法颜色恒常性技术是一种非常有效的方法。     

颜色恒常性的距离正则化水平集彩色图像分割

引入颜色恒常性原理用于区分自然彩色图像中的差分结构,并结合距离正则化水平集算法,对具高光和阴影的自然彩色图像进行分割。实验结果表明,该算法能够正确有效地分割出图像目标,而未引入颜色恒常性原理的水平集算法则得到错误的图像分割结果。     

一种基于直方图匹配的颜色校正方法

本文提出了一种基于直方图匹配的颜色校正方法,其基本思想是在目标图像和源图像的直方图间建立像素的映射关系,与一维直方图匹配不同,通过对三维空间的连续采样,建立起类似一维的匹配函数,而又完全满足三维直方图的特性,并最终实现对颜色图像的校正,实验结果表明了算法的有效性。     

彩色图像分割中基于图上半监督学习算法研究

提出一种新的基于图上半监督学习的彩色图像前景/背景分割模型与算法.该算法的目的是利用人工标定的部分像素点分割信息以实现对整幅图像的分割.通过结合像素点颜色特征和像素点颜色与前景/背景颜色的相似性特征,构造了新的图节点之间的双高斯权重函数,并对此提出自适应的参数选择策略与彩色图像半监督分割的能量模型,通过优化该能量模型将...     

基于立体图对的颜色校正算法设计

基于多摄像机的视觉应用中通常假设统一的颜色响应。但是当摄像机之间存在较大的成像特性差异或光照变化时,所获得的立体图对间就会出现严重的色彩差别。这种差别会导致后续颜色匹配的不准确,并进一步影响立体视觉算法的性能。为了解决这个问题,提出了一个鲁棒的基于图像分割和特征点匹配的颜色校正算法。和传统的全局校正或者有参考物体的校正算法不同,提出了一种基于区域的校正算法。该方法不仅避免了全局校正算法无法满足局部需求的矛盾,同时也摆脱了设置参考物体的复杂和低效。大量实验证明了所提出算法的有效性和鲁棒性。     

基于局部颜色直方图的SIFT算法研究

尺度不变特征变换(SIFT)算法是一种对旋转、尺度缩放和光照保持不变性的局部特征图像匹配算子,是公认的识别率最佳算法之一。而SIFT算法仅使用灰度信息,忽略颜色信息,当对彩色目标识别时,识别率降低。针对此问题,结合直方图保持良好的旋转、缩放、模糊不变性等特点,提出基于局部颜色直方图的SIFT特征描述算法(即CH-SIFT)。在SIFT算法关键点位置不仅生成梯度直方图特征描述,同时生成颜色直方图特征描述。在匹配时,首先使用梯度直方图特征描述对匹配对初次筛选,然后使用颜色直方图特征描述再次筛选,最后确定是否为满足条件的匹配对。实验对比表明,CH-SIFT算法具有识别率高和匹配时间短等优点,能够有效地实现彩色目标匹配。