基于彩色图像序列的特征检测和跟踪

研究了彩色图像序列中特征点检测和跟踪方法。提出了彩色图像序列的解决方法,推导了相应的计算公式。同过对不同噪声等级的图像序列进行比较实验,结果表明彩色特征检测和跟踪方法具有更高的鲁棒性和精度。     

基于HVS的彩色图像边缘检测算子

边缘检测是数字图像处理中的基本预处理方法之一，由于利用检测出来的图像边缘可以对图像做进一步的处理，因此它是图像处理中的基础算法。大家知道，边缘检测问题，其本质上是颜色差分的计算问题。尽管边缘检测在灰度图像处理当中得到了深入的研究，但对于彩色图像仍然是一个难题。为了能够较好地对彩色图像进行边缘检测，结合人类视觉系统(human vision system，HVS)的特点，通过分离颜色的亮度信息和色度信息，并通过压制次要信息来强调其中的重要信息，提出了一种新的彩色图像边缘检测算法。该算法先分别计算两个颜色的亮度距离和色度距离，然后将这两个距离的加权平均值作为最终的颜色距离。由于它能较好地检测出图像边缘，因此是一种实用有效的彩色图像边缘检测方法。     

彩色图像的亮度-色度非线性重组

灰度变换技术直接用于彩色图像的RGB各分量可以提高其对比度,但却会引起彩色失真;而基于Retinex理论的多尺度彩色复原算法（MSRCR）可以改善彩色图像的视觉效果,也不会引起彩色失真,但存在控制参数的取值问题,自适应性不是很好,更大的缺陷在于卷积运算巨大的运算量导致处理时间偏长。提出了一种基于灰度变换的自适应彩色图像增强算法,将原始RGB图像和RGB三分量灰度变换后的图像转换到非线性亮度/色度彩色空间,重组两者的色度分量和亮度分量,从而保持了原始图像的色彩。在继承灰度变换算法优点的基础上,扩展了原始图像的有效灰度范围,提高了整体对比度,增强了细节。此外,算法的计算量极小,不需要设定任何参数,可用于自适应实时彩色图像处理。     

基于彩色图像的移动机器人定位

本文利用彩色图像对移动机器人进行定位,将颜色由 Ｒ Ｇ Ｂ 空间转换到 Ｈ Ｓ Ｉ空间中,颜色成为图像的唯一特征,简化了图像的特征抽取,大大提高了图像的处理速度和特征抽取的鲁棒性．在结构上采用全局静态视觉,避免了对摄像机的控制,并使得定位时在环境中只需一个着色标记．在移动机器人运动过程中,利用动态窗口进一步减少数据处理量．考虑视觉系统的延时,推广卡尔曼滤波完成视觉与推算航行数据的融合．该定位方法已成功地应用于我们研制的移动机器人控制系统中,效果良好．     

基于彩色图像的移动机器人定位

本文利用彩色图像对移动机器人进行定位,将颜色由RGB空间转换到HSI空间中,颜 色成为图像的唯一特征,简化了图像的特征抽取,大大提高了图像的处理速度和特征抽取的 鲁棒性．在结构上采用全局静态视觉,避免了对摄像机的控制,并使得定位时在环境中只需 一个着色标记．在移动机器人运动过程中,利用动态窗口进一步减少数据处理量．考虑视觉 系统的延时,推广卡尔曼滤波完成视觉与推算航行数据的融合．该定位方法已成功地应用于 我们研制的移动机器人控制系统中,效果良好．     

基于色度矢量与亮度分离的彩色图像分形编码

针对人眼对亮度与色度信号分辨力的差异,文章采用亮度和色度分离压缩的算法,并提出把两个色度平面视为色度空间的二维矢量,利用分形插值,在低分辨空间作统一分形编码。实验结果表明,无论在压缩比还是编码复杂度上都取得了良好的效果。     

基于彩色图像的机器人视觉声纳实现

着重分析了彩色图像中物体的识别方法,对如何利用彩色图像的颜色信息进行图像分割、目标识别进行了较为深入的讨论。提出了视觉声纳的概念,研究了从二维视觉信息中获取目标精确位置的算法。实验表明该算法可以得到相当精确的结果。     

一种基于粗糙集理论的彩色图像滤波算法

粗糙集理论是一种新的处理含糊和不确定性问题的数学工具。它作为一种新的软计算方法，为智能信息处理提供了有效的处理技术。本文将粗糙集理论应用到彩色图像滤波中，提出了一种基于粗糙集理论的彩色图像滤波算法。实验结果显示，该算法可以有效地去除彩色图像中的椒盐噪声，并能较好地保持图像的边缘细节信息。     

基于LIP的彩色图像边缘检测研究

1.前言边缘是图像中的区域。在这些区域中,图像的亮度发生了陡峭的变化。边缘主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间,是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。图像分析和理解的第一步常常是边缘检测。边缘检测的目的是去发现图像中关于形状和反射或透射比的信息,它是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一。     

基于彩色图像的机器人视觉声纳实现

着重分析了彩色图像中物体的识别方法 ,对如何利用彩色图像的颜色信息进行图像分割、目标识别进行了较为深入的讨论。提出了视觉声纳的概念 ,研究了从二维视觉信息中获取目标精确位置的算法。实验表明该算法可以得到相当精确的结果     

基于边缘跟踪方法的肤色区域检测

常用的肤色模型只针对肤色的颜色信息,在较复杂的光照情况下检测效果不理想。为此,结合肤色在HSV颜色空间的分布特点以及肤色区域的边缘信息,提出一种应用于肤色区域检测的边缘跟踪方法。实验结果表明,该方法能准确检测图像中的肤色区域,检测结果优于传统的肤色模型,且对侧光、阴影等具有较好的鲁棒性。     

四元数矩阵正交特征向量系的求解方法及其在彩色人脸识别中的应用

针对四元数矩阵正交特征矢量系求解困难的缺点, 本文提出一种获取四元数矩阵正交特征矢量集等效、便捷的方法, 其基本思路为: 首先, 构造四元数矩阵定义于复数域的导出阵, 并利用该导出阵特征矢量空间的一种特殊的等价空间间接获取相应特征值所对应的特征矢量. 然后, 将复数矢量转换为四元数矢量, 按如此方式获取的对应所有特征值的非零特征矢量则构成原始四元数矩阵的正交特征矢量系. 同时, 本文将定义于实数域的主成分分析方法 (Principal component algorithm, PCA) 向四元数体作合理的推广, 给出详细的数学推导过程, 证明该方法的合理性及其在统计模式识别领域得以应用的可能性. 最后, 作者将彩色图像像素的R、G、B三分量作为四元数的三个虚数部分, 首次在人脸识别中引入基于四元数的彩色人脸识别方法. 较传统的基于灰度图像的识别方法, 本文方法不仅利用了人脸图像灰度值的空间分布信息, 而且充分利用不同人脸之间的色彩差异, 从而得到更多的鉴别信息.在四川大学人工智能研究所的彩色人脸库上进行的实验表明, 所提出的基于四元数的识别方法不仅大幅度提高了识别率, 而且具有较高的鲁棒性.     

一种基于降维的肤色特征提取和肤色检测方法

本文提出了一种综合多个颜色空间分量的肤色特征提取方法,并通过SVM分类器进行肤色和非肤色的分类,从而实现肤色检测。特征提取先后采用了PFA和KPCA算法。肤色检测的实质是肤色和非肤色分类问题。针对先前提取的特征,采用基于SVM分类器进行分类。实验结果表明,基于PFA、KPCA特征提取和SVM分类的肤色检测正确率可以达到87.76%,误判率仅为14.62%。     

基于KPCA的人脸匹配方法

分析一般主成分分析(PCA)在处理非线性问题上存在的不足,阐述基于核的主成分分析(KPCA)方法,并将其应用到人脸匹配之中,应用结果表明,KPCA具有优秀的特征提取性能.     

基于小波和PCA的自适应颜色空间彩色图像去噪*

在彩色图像去噪任务中,传统的颜色空间通道之间存在很强的互相关性,使去噪后图像出现颜色突变,影响图像去噪效果。针对该问题,提出一种降低通道之间相关性的颜色空间构造方法,该方法以待去噪图像在小波变换域中系数的聚集特征为依据,利用主成分分析方法确定系数聚集的主方向、次主方向。由主方向和次主方向的基向量确定自适应的颜色空间,在该颜色空间中实现图像去噪。实验结果表明,相比传统的颜色空间,本文所构造的颜色空间去噪无论在视觉效果、峰值性噪比和稀疏特征保真度上,均取得了更好的去噪效果。     

基于多维情感语义空间的色彩表征方法

针对色彩与情感映射模型复杂且难以实现的问题。提出一种利用多维语义空间表征色彩的方法．首先从信息论角度出发，依据Lebesgue测度原理阐明了色彩情感语义信息的度量特征；然后利用语义分析法建立了表征RGB色彩的多维语义空间，结合Euclid空间探讨了RGB色彩与多维语义空间映射特点，并提出消除由语义维度和粒度冲突而引起的语义空洞的算法；最后以一个色彩设计系统对其进行应用验证．实验结果表明，该算法能够在不同维度与粒度层上实现色彩空间与情感语义空间的复杂映射．     

李群彩色图像人脸跟踪

目前基于模板匹配的人脸跟踪算法并不能很好地应对人脸的多种变化。介绍了李群与肤色模型,在人脸的椭圆模型上结合李群仿射变换,获得了检测人脸的最佳椭圆,以应对人脸的不同姿态;并在该检测算法的基础上,结合肤色模型,解决了跟踪普遍存在的初值问题,给出了视频中人脸跟踪算法。实验结果表明,该算法可以很好地检测人脸,应对人脸的多种变化,并在跟踪过程中可以不断提高算法的适应能力。     

模糊颜色聚类在颜色传输中的应用

提出一种自动的、基于模糊颜色聚类的自适应颜色传输算法．首先将源图像和目标图像从RGB空间转换到tαβ空间,在tαβ空间对2幅图像进行模糊颜色聚类分析;根据目标图像特征属性对每个聚类域计算相应的匹配权值,图像间匹配权值相近的聚类域确定为图像传输的匹配方向;最后将隶属度控制引入传输方程,实现图像间自适应颜色传输．实验结果表明,该算法比原有颜色传输算法的传输效果更加平滑、自然．     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其特点是能有效地抽取图像的局部特征，正是这些特征使此类模式区别于彼类．在ORL和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA方法．     

基于对角PCA的人脸识别方法

针对主成分分析(PCA)算法中存在没有提取人脸对角方向特征的问题,提出了先对人脸图像进行对角化的表示,然后利用PCA提取图像特征,最近邻法分类的人脸识别改进方法。基于ORL数据库的相关实验表明,这样的系统能够取得比传统PCA更好的识别性能。