A Channelized Binning Method for Extraction of Dominant Color Pixel Value
B. V. Bhoomraddi College of Engineering and Technology(B. V. 布姆拉迪工程技术学院)
颜色是描述视觉内容的最重要和最容易识别的特征之一。MPEG标准已经开发了覆盖视觉内容的不同方面的多个描述符。主色描述符就是其中之一。本文提出了一种新的主色像素值提取方法--通道化像素合并方法。该方法将该问题视为一个统计问题,并试图避免颜色量化和插值猜测的数量和质心的主色。像素化分箱是一种迭代方法,它自动估计主导像素值的数量及其质心。它在24位全RGB颜色空间上运行,一次只考虑一个颜色通道,因此避免了颜色量化。实验结果表明,该方法能够成功地提取出主色像素值。
2016-05-28 cs.CV
An Efficient Color Face Verification Based on 2-Directional 2-Dimensional Feature Extraction
Shanghai Institute of Applied Physics, Chinese Academy of Sciences(中国科学院上海应用物理研究所)
本文提出了一种新颖的统一的人脸验证框架。首先,采用双向二维特征提取方法,提取客户特定的模板-二维离散投影矩阵。然后将人脸肤色信息作为一种附加特征,不仅利用二维灰度特征,而且利用二维肤色特征来增强决策策略。将两者的融合决策应用于符合Lausanne协议的XM 2 VTS数据库上进行性能实验。实验结果表明,该框架具有较高的验证精度和验证速度。
2012-09-20 cs.CV
Neighborhood Attention Makes the Encoder of ResUNet Stronger for Accurate Road Extraction
Simon Fraser University(西蒙弗雷泽大学);Jalpaiguri Government Engineering College(贾尔派古里政府工程学院);University of Waterloo(滑铁卢大学);Helmholtz-Zentrum Dresden-Rossendorf (HZDR)(亥姆霍兹德累斯顿罗森多夫研究中心(HZDR));Institute of Advanced Research in Artificial Intelligence (IARAI)(人工智能高级研究院(IARAI))
本文提出融合残差学习、HetConvs、UNet 与 vision transformer 的 ResUNetFormer,用于高分辨率航空影像道路提取,并在 Massachusetts 数据集上验证其优于现有 CNN 与 transformer 方法。
2023-06-08 cs.CV eess.IV
TFNet: Tuning Fork Network with Neighborhood Pixel Aggregation for Improved Building Footprint Extraction
Lahore University of Management Sciences(拉合尔管理科学大学)
针对卫星图像建筑轮廓提取中密集建筑易出错、边界性能差的问题,提出带双并行解码器的TFNet及训练时纳入瓦片边界邻域信息的方法,在三个数据集上均显著优于基准方法。
2023-11-05 cs.CV
IVSS Integration of Color Feature Extraction Techniques for Intelligent Video Search Systems
Veermata Jijabai Technological Institute(维尔马塔吉贾拜技术学院)
由于网络上存在大量的图像、图形、动画和视频等形式的视觉信息,因此在互联网时代,拥有一个有效的视频搜索系统是非常重要的。由于有许多视频搜索引擎(blinkx,Videosurf,谷歌,YouTube等)。基于用户关键字或术语搜索相关视频,但是很少有基于视觉图像/剪辑/视频搜索视频的商业视频搜索引擎可用。在本文中,我们推荐了一个系统,将搜索相关的视频使用颜色特征的视频响应用户查询。
2013-12-24 cs.CV cs.IR cs.MM
XCI-Sketch: Extraction of Color Information from Images for Generation of Colored Outlines and Sketches
Manipal Institute of Technology(马尼帕尔理工学院)
素描是一种媒介,传达一个视觉场景从个人的创造性的角度。颜色的添加大大增强了草图的整体表现力。本文提出了两种利用等高线数据集模拟手绘彩色草图的方法。我们的第一种方法是通过应用图像处理技术辅助k-均值颜色聚类来绘制彩色轮廓草图。第二种方法使用生成对抗网络来开发一个模型,该模型可以从以前未观察到的图像中生成彩色草图。我们通过定量和定性评估来评估所获得的结果。
2022-01-07 cs.AI cs.CV
Comparison between EM and FCM algorithms in skin tone extraction
Shahid chamran university of Ahvaz(阿瓦士沙希德·查姆兰大学)
本研究的目的是探讨如何实现EM和FCM算法的肤色提取。三个著名的颜色空间,即RGB,HSV和YCbCr的肤色提取的能力进行评估,通过使用EM和FCM算法的肤色的统计建模。结果表明,当颜色向量的所有三个分量都被使用时,使用EM算法利用高斯混合模型进行肤色的参数化建模在HSV颜色空间中工作得很好。EM算法虽然丢弃了YCbCr和HSV颜色空间中的亮度分量,但仍提供了最佳结果。详细比较的结果在结论中解释。
2022-11-18 cs.CV eess.IV
Wavelet-based Reflection Symmetry Detection via Textural and Color Histograms
Université Jean Monnet(让·莫奈大学);CNRS(法国国家科学研究中心);Laboratoire Hubert Curien(于贝尔·居里安实验室)
对称性是图像平面内的重要视觉属性之一,它可以通过真实世界的物体来识别几何平衡的结构。现有的对称性检测方法依赖于局部图像特征及其邻域行为的描述符,从而导致不完全对称轴候选者在全局范围内发现镜像相似性。在本文中,我们提出了一种新的反射对称检测方案,基于一个可靠的基于边缘的特征提取使用Log-Gabor滤波器,加上一个有效的投票方案参数化的相应的纹理和颜色邻域信息。四个单例和三个多例对称检测数据集上的实验评估验证了所提出的工作,以找到图像内部的全局对称性的优越成就。
2017-07-22 cs.CV
Efficient Generative Adversarial Networks for Color Document Image Enhancement and Binarization Using Multi-scale Feature Extraction
Graduate Institute of Networking and Multimedia, National Taiwan University(国立台湾大学网络与多媒体研究所);School of Information Technolog, Monash University Malaysia(莫纳什大学马来西亚分校信息科技学院);Department of Electrical and Computer Engineering, Tamkang University(Tamkang大学电子与计算机工程系)
本文提出基于多尺度特征提取的高效生成对抗网络方法,用于彩色文档图像增强与二值化,显著减少训练和推理时间并保持高性能。
2025-12-01 cs.CV
Color Counting for Fashion, Art, and Design
ADAPT Centre, Trinity College Dublin(都柏林圣三一学院 ADAPT 中心)
色彩建模和提取是时尚、艺术和设计中的一个重要课题。推荐系统、基于颜色的检索、装饰和时装设计可以从颜色提取工具中受益。研究表明,建模颜色,以便它可以被自动分析和/或提取是一项艰巨的任务。与机器不同,颜色感知虽然非常主观,但对人类来说要简单得多。也就是说,颜色建模的第一步是估计物品/对象中的颜色数量。这是因为颜色模型可以利用颜色的数量作为更好建模的种子,例如,以使颜色提取进一步确定。我们在这项工作中的目标是开发和测试可以计算衣服和其他物品颜色数量的模型。提出了一种基于累积颜色直方图的颜色计数方法。我们将我们提出的方法与其他方法进行比较,这些方法利用穷举颜色搜索,使用高斯混合模型(GARCH)和K-Means作为对最佳颜色数量进行评分的基础,以及另一种依赖于深度学习模型的方法。不幸的是,GMM、K-Means和深度学习模型都无法准确捕捉颜色的数量。我们提出的方法可以提供可用于基于AI的时尚应用的颜色基线,也可以在其他领域(例如室内设计)中找到应用。据我们所知,这项工作是第一个解决颜色计数机问题的工作。
2021-10-13 cs.CV
STAR-Edge: Structure-aware Local Spherical Curve Representation for Thin-walled Edge Extraction from Unstructured Point Clouds
Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
提出STAR-Edge方法,利用局部球面曲线表示和旋转不变描述符结合轻量级多层感知机,解决薄壁结构点云边缘提取中邻域采样不足的问题,并优化边缘点投影,在多种挑战条件下表现优于现有方法。
2025-03-02 cs.CV
An automatic and efficient foreground object extraction scheme
St. Xavier’s College(圣沙勿略学院)
提出了一种彩色图像前景目标与背景的区分方法。首先,输入任意大小的彩色图像进行处理。该算法将其转换为灰度图像。然后,我们应用Canny边缘检测器来找到前景物体的边界。我们集中精力找到每个边界像素之间的最大距离,然后填充由边缘约束的区域。因此,我们能够提取的灰度值的像素是在有界区域和转换的灰度图像回到原来的彩色图像只包含前景对象。
2015-06-29 cs.CV
A Cellular Automata based Optimal Edge Detection Technique using Twenty-Five Neighborhood Model
元胞自动机(CA)是并行计算中最常见、最简单的模型。边缘检测是图像处理中的一项重要任务,特别是在生物医学图像处理中。CA可以成功地应用于图像处理中。提出了一种基于二维的25邻域元胞自动机的二值图像边缘检测新方法。该方法只考虑元胞自动机的线性规则,在零边界条件下提取边缘。这种方法的性能与现有的一些边缘检测技术进行了比较。这一比较表明,该方法是非常有前途的二值图像的边缘检测。本文中使用的所有算法和结果都是在MATLAB中编写的。
2014-02-06 cs.CV
A Topology fixated Shape Gradient Framework for Non Simple Boundary Extraction for CIE Lab color images with Repulsive Energy
Tessellab, Department of Mathematics, SRM University-AP(Tessellab,数学系,SRM大学-安得拉邦)
本文提出了一种无需水平集的混合图像分割方法,结合修改后的Mumford-Shah形状功能形状梯度和排斥函数,用于处理包含不连通区域和多重边界的复杂图像,通过非局部形状驱动的离散曲线演化实现精确分割,具有拓扑控制和自交处理能力。
2026-04-25 cs.CV math.AP
Colors Matter: AI-Driven Exploration of Human Feature Colors
本研究提出基于AI的人类特征颜色分析框架,通过多阶段流水线结合多种色彩空间与聚类技术,实现肤色、发色、虹膜色及静脉底色的精准分类,最高准确率达80%,可应用于美妆科技等领域。
2025-05-20 cs.AI cs.CV
Hue Histograms to Spatiotemporal Local Features for Action Recognition
尽管在视频序列中的动作识别的时空局部特征的最新发展,局部颜色信息到目前为止被忽略。然而,颜色已被证明是成功自动识别物体和场景的重要因素。在本文中,我们扩展了时空兴趣点描述符STIP,考虑到颜色信息的功能的邻域。我们比较了我们的颜色感知版本的STIP(我们称之为HueSTIP)与原来的性能。
2011-04-19 cs.CV
A Fast Switching Filter for Impulsive Noise Removal from Color Images
University of Texas at Arlington(德克萨斯大学阿灵顿分校);T-Mobile(T-Mobile公司)
本文提出了一种快速切换滤波器用于彩色图像的脉冲噪声去除。该滤波器利用HSL颜色空间,并基于对等组的概念,它允许在一个邻域中的噪声的快速检测,而不诉诸于每个像素之间的成对距离计算。在大量不同图像上的实验表明,该方法不仅速度非常快,而且与各种最先进的滤波器相比,效果非常好。
2010-09-06 cs.CV
Fuzzy Logic Approach For Visual Analysis Of Websites With K-means Clustering-based Color Extraction
Kazakh-British Technical University(哈萨克-英国技术大学)
本文提出一种基于模糊逻辑的网站美学测量方法,结合颜色和谐度与字体流行度,并利用K-means聚类从近200个网站截图中提取主色,以研究美学与可用性的关系。
2024-07-16 cs.CV cs.HC
Uncertainty-Aware Spatial Color Correlation for Low-Light Image Enhancement
针对低光图像增强中特征不确定性问题,提出U2CLLIE框架,整合不确定性感知增强与空间-颜色因果建模,通过双域去噪和层次化因果约束,在多个基准上取得最优性能。
2025-08-06 cs.CV
Generalized Facial Manipulation Detection with Edge Region Feature Extraction
Sungkyunkwan University(成均馆大学)
提出了一种基于图像边缘区域特征的人脸篡改检测方法。目前的人脸合成方法大多数都包含了减少颜色不协调的处理,但是在边缘区域会破坏自然指纹。另外,在非面部背景区域中不进行这些颜色校正处理。我们还观察到,合成过程不考虑出现在时域中的图像的自然属性。考虑到这些意见,我们提出了一个面部法医框架,利用像素级的颜色特征出现在整个图像的边缘区域。此外,我们的框架包括一个3D-CNN分类模型,该模型在空间和时间上解释提取的颜色特征。与其他现有的研究不同,我们通过考虑从一个视频中的多个帧中提取的所有特征来进行真实性确定。通过广泛的实验,包括真实世界的场景来评估广义检测能力,我们表明,我们的框架在准确性和鲁棒性方面优于最先进的面部操作检测技术。
2021-12-01 cs.AI cs.CV
Obtaining Depth Maps From Color Images By Region Based Stereo Matching Algorithms
本文提出了一种基于区域的立体匹配算法,用于从双色立体图像对中提取深度信息。为了提高视差图的可靠性,采用了一种消除不可靠视差估计的滤波器。通过算法得到的结果表示和比较。
2009-02-03 cs.CV
Hierarchical Spatial Algorithms for High-Resolution Image Quantization and Feature Extraction
New York University, Department of Computer Science and Engineering(纽约大学计算机科学与工程系)
提出一个模块化空间图像处理框架,通过灰度量化、颜色增强、锐化及双向变换流水线实现高分辨率图像处理,结合几何特征提取,在实验中达到高准确率,适用于实时视觉任务。
2025-10-09 cs.CV
ColorFlow: Retrieval-Augmented Image Sequence Colorization
Tsinghua University(清华大学);ARC Lab, Tencent PCG(腾讯PCG广告实验室)
ColorFlow提出三阶段扩散框架与检索增强着色流程,通过双分支设计和自注意力机制保持角色身份一致性,并在ColorFlow-Bench上超越现有模型,为工业级图像序列着色设立新标准。
2025-05-04 cs.CV
Comparing PSDNet, pretrained networks, and traditional feature extraction for predicting the particle size distribution of granular materials from photographs
École de technologie supérieure(蒙特利尔高等技术学院)
本研究旨在评估PSDNet,一系列用照片训练的卷积神经网络(ConvNets),以预测颗粒材料的粒度分布。还评估和比较了9种传统的特征提取方法和15种预训练的ConvNets。使用了包括15种不同颗粒材料的9600张照片的数据集。通过使用32至160像素之间的六种图像尺寸以及灰度和彩色图像作为PSDNet输入,验证了图像尺寸和色带的影响。除了随机训练、验证和测试数据集外,还使用材料去除方法来评估每种图像分析方法的性能。通过这种方法,每种材料都从训练和验证数据集中连续删除,并用作测试数据集。结果表明,所有PSDNet颜色和灰度特征的组合可以导致通过随机测试数据集的百分比的均方根误差(RMSE)低至1.8%,材料去除方法为9.1%。对于随机数据集,所有传统特征和从InceptionResNetV2提取的特征的组合分别导致RMSE通过百分比为2.3%和1.7%。
2023-03-07 cs.CV
Text Extraction From Texture Images Using Masked Signal Decomposition
文本提取是图像处理中的一个重要问题,其应用范围从光学字符识别到自动驾驶。大多数传统的文本分割算法都考虑将文本从简单的背景(通常与文本颜色不同)中分离出来。在这项工作中,我们考虑从纹理背景中分离文本,具有与文本相似的颜色。我们从信号分解的角度来看待这个问题,并考虑一个更现实的场景,其中信号分量彼此重叠(而不是加在一起)。当信号重叠时,为了分离信号分量,我们需要找到一个显示每个分量支持度的二进制掩码。由于直接求解二元掩模的困难性,我们将该问题松弛为近似连续问题,并采用交替优化方法求解。我们表明,该算法取得了显着更好的效果比其他最近的作品在几个具有挑战性的图像。
2017-07-11 cs.CV
Nature Inspired Dimensional Reduction Technique for Fast and Invariant Visual Feature Extraction
University of Moratuwa(莫勒图沃大学);University of Malaya(马来亚大学)
快速和不变的特征提取在某些计算机视觉应用中是至关重要的,在这些应用中,在分类器的训练和测试阶段中计算时间都受到约束。在本文中,我们提出了一个自然启发降维技术的快速和不变的视觉特征提取。人类大脑可以交换空间和光谱分辨率来重建视觉感知中缺失的颜色。这种现象广泛应用于印刷行业,通过一种称为颜色抖动的技术来减少用于打印的颜色数量。在这项工作中,我们采用了一种快速的误差扩散的颜色抖动算法,以降低光谱分辨率和提取显着特征,采用新的海森矩阵分析技术,然后描述了一个空间彩色直方图。与几种不同的最先进的手工制作和深度学习的功能相比,在方向,视角和物体照明的剧烈变化下,评估所提出的功能的计算时间,描述符维数和分类性能。在台式PC和Raspberry Pi设备上对两个公开可用的对象数据集(coil-100和ALOI)进行的广泛实验表明,使用所提出的方法具有多种优势,例如较低的计算时间、高鲁棒性以及弱监督环境下相当的分类准确性。此外,它还展示了仅利用一小部分可用硬件资源在传统SoC设备内部运行的能力。
2019-07-01 cs.CV cs.IR
Color as the Impetus: Transforming Few-Shot Learner
本文提出了一种基于颜色感知机制的少样本学习框架,通过强调不同通道的颜色信息来提升特征提取和分类性能,同时引入知识蒸馏方法增强元学习能力。
2026-05-18 cs.CV
Medicine Strip Identification using 2-D Cepstral Feature Extraction and Multiclass Classification Methods
School of Electronics Engineering, Vellore Institute of Technology(韦洛尔理工大学电子工程学院)
药物的错误分类对患者的健康是危险的,如果所述患者视力受损或根本无法识别药条的颜色、形状或类型,则更是如此。本文提出了一种方法来识别的药物条的二维倒谱分析的图像,然后进行分类,已完成使用K-最近邻(KNN),支持向量机(SVM)和逻辑回归(LR)分类器。提取的2-D倒谱特征与药物条非常不同,因此使其识别异常准确。本文还提出了颜色梯度和丸形特征(CGPF)的提取过程,并讨论了二进制鲁棒不变可缩放关键点(BRISK)算法以及。实现了上述算法,并对它们的识别结果进行了比较。
2020-02-03 cs.CV cs.IR eess.IV
Natural Color Fool: Towards Boosting Black-box Unrestricted Attacks
University of Electronic Science and Technology of China(电子科技大学)
不受限制的颜色攻击,即操纵图像的语义上有意义的颜色,已经显示出它们的隐蔽性,并成功地欺骗了人眼和深层神经网络。然而,目前的作品通常牺牲的灵活性,非受控设置,以确保自然的对抗性的例子。因此,这些方法的黑盒攻击性能有限。为了在不损害图像质量的情况下提高对抗性示例的可移植性,我们提出了一种新的自然颜色傻瓜(NCF),它由从公开数据集采样的真实颜色分布指导,并通过我们的邻域搜索和初始化重置进行优化。通过进行广泛的实验和可视化,我们令人信服地证明了我们所提出的方法的有效性。值得注意的是,平均而言,结果表明,我们的NCF可以比最先进的方法高出15.0% $\sim$ 32.9%,用于欺骗正常训练的模型,以及10.0% $\sim$ 25.3%用于逃避防御方法。我们的代码可在https://github.com/ylhz/Natural-Color-Fool上获得。
2022-10-05 cs.AI cs.CV