[go: up one dir, main page]

CN111340897A - 基于模糊数学相似度的颜色识别方法 - Google Patents

基于模糊数学相似度的颜色识别方法 Download PDF

Info

Publication number
CN111340897A
CN111340897A CN202010113677.1A CN202010113677A CN111340897A CN 111340897 A CN111340897 A CN 111340897A CN 202010113677 A CN202010113677 A CN 202010113677A CN 111340897 A CN111340897 A CN 111340897A
Authority
CN
China
Prior art keywords
color
hsv
fuzzy
picture
dimensional
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.)
Granted
Application number
CN202010113677.1A
Other languages
English (en)
Other versions
CN111340897B (zh
Inventor
刘剑
薄旭
谷诗
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.)
Weisitai Suzhou Intelligent Technology Co ltd
Original Assignee
Weisitai Suzhou Intelligent Technology Co ltd
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 Weisitai Suzhou Intelligent Technology Co ltd filed Critical Weisitai Suzhou Intelligent Technology Co ltd
Priority to CN202010113677.1A priority Critical patent/CN111340897B/zh
Publication of CN111340897A publication Critical patent/CN111340897A/zh
Application granted granted Critical
Publication of CN111340897B publication Critical patent/CN111340897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于模糊数学相似度的颜色识别方法。本发明一种基于模糊数学相似度的颜色识别方法，包括：截取目标识别的期望两种颜色的图片，这两种颜色定义为要识别目标的模糊集合；将截取的图片转化为HSV格式，对颜色图片进行三维直方图转换，得到HSV的分布值，对三维HSV直方图进行三维HSV滤波，取出三维直方图分布较多的颜色的值，并存储对目标拍照并截取目标区域的图片。本发明的有益效果：本发明提高了目标颜色识别的准确度。传统目标颜色识别方法受到环境干扰，范围区间定义主观性强对识别结果影响比较大，在20％左右。

Description

基于模糊数学相似度的颜色识别方法
技术领域
本发明涉及图像处理、目标识别，计算机视觉、颜色识别等领域，更具体的说，涉及图像静态的颜色在计算机中如何区分和识别。利用计算机程序对现实世界的色彩进行区分。解决了计算机不能准确进行颜色归类，颜色识别不准的问题。
背景技术
图像是由色彩构成，灰度图也是由黑和白两种色彩构成。图像处理的基础就是对颜色的处理。目标和背景同样也是直接和颜色相关的。
例如：电力巡检中标识开合的颜色识别，电力巡检中检查湿度的试剂颜色识别。在工业，化工，医疗等许多行业都需要颜色识别。
表面看人类对于颜色识别看起来很容易，事实并不是这样。首先，如果让人们识别一个介于白色和灰色之间的一种颜色是白色还是灰色，人们的结果并不完全相同。其次，现实世界中目标颜色也会随着光线变化而改变。还有，现实世界中目标颜色并不是单一的纯色，往往是几种微小的单一纯色块组成，只是各个颜色的色块数量不相同。有的目标颜色是过度的渐变色。还有，光线的强弱也会影响目标颜色的表现，白色在暗处就很像灰色。
随着人工智能理念越来越普及，需要颜色识别的地方越来越多。
目前比较常用的颜色识别算法基本采用范围法，即把颜色值划分成几个区间，分别把这些区间定义成不同的颜色。
一般对颜色空间的图像进行有效处理都是在HSV空间进行的。HSV颜色空间是一种将RGB色彩空间中的点在倒圆锥体中的表示方法。HSV即色相(Hue)、饱和度(Saturation)、明度(Value)，又称HSB(B即Brightness)。色相是色彩的基本属性，就是平常说的颜色的名称，如红色、黄色等。饱和度(S)是指色彩的纯度，越高色彩越纯，低则逐渐变灰，取0-100％的数值。明度(V)，取0-max(计算机中HSV取值范围和存储的长度有关)。HSV颜色空间可以用一个圆锥空间模型来描述。圆锥的顶点处，V＝0，H和S无定义，代表黑色。圆锥的顶面中心处V＝max，S＝0，H无定义，代表白色。RGB颜色空间中，三种颜色分量的取值与所表示的颜色之间的联系并不直观。而HSV颜色空间，更类似于人类感觉颜色的方式，封装了关于颜色的信息：“这是什么颜色？深浅如何？明暗如何？”对于基本色中对应的HSV分量需要给定一个严格的范围，下面是范围：
Figure BDA0002390832640000021
HSV是一种在人们生活中甚至更常用的颜色系统，在电视遥控器上、在画画的调色板中都很常见，因为它更符合人们描述颜色的方式——是什么颜色、颜色有多深、颜色有多亮。
H-Hue即色相，就是我们平时所说的红、绿，如果你分的更细的话可能还会有洋红、草绿等等；在HSV模型中，用度数来描述色相，其中红色对应0度，绿色对应120度，蓝色对应240度。
S-Saturation即饱和度，色彩的深浅度(0-100％)，对于一种颜色比如红色，我们可以用浅红，大红，深红，红得发紫等等语言来描述它，对应在画水彩的时候即一种颜料加上不同分量的水形成不同的饱和度。
V-Value即色调，纯度，色彩的亮度(0-100％)，这个在调整屏幕亮度的时候比较常见。
范围法的缺点是出错率高。出错率高的原因是：
1.范围不好划分。同样的颜色在不同的应用，不同的条件下，颜色范围是不同的。颜色范围具有主观性。
2.颜色受环境光影响较大。同样的目标，在不同的光线下，颜色值会落在不同的范围区间，比如强弱光线和彩色光线的影响。
3.目标颜色不是单一的纯色。现实世界中目标颜色并不是单一的纯色，往往是几种微小的单一纯色块组成，只是各个颜色的色块数量不相同。
4.目标颜色普遍存在渐变色。目标颜色都存在过度的渐变色。
发明内容
本发明要解决的技术问题是提供一种基于模糊数学相似度的颜色识别方法，依据模糊数学理论最终发明了基于模糊数学相似度的颜色识别算法；通过此方法可以准确的计算出图像中某个区域的颜色。
为了解决上述技术问题，本发明提供了一种基于模糊数学相似度的颜色识别方法，包括：
截取目标识别的期望两种颜色的图片，这两种颜色定义为要识别目标的模糊集合；
将截取的图片转化为HSV格式，对颜色图片进行三维直方图转换，得到HSV的分布值，对三维HSV直方图进行三维HSV滤波，取出三维直方图分布较多的颜色的值；
对目标拍照并截取目标区域的图片，将要识别颜色的图片转化为HSV格式，对颜色图片进行三维直方图转换，得到HSV的分布值，对三维HSV直方图进行三维HSV滤波，取出三维直方图分布较多的颜色的值；
用相似度作为期望颜色的模糊集合的隶属度，求出相对于哪个模糊集合的隶属度最大，隶属度最大就是识别的结果。
在其中一个实施例中，两种颜色定义为要识别目标的模糊集合包括白色模糊集合和红色模糊集合。
在其中一个实施例中，两种颜色定义为要识别目标的模糊集合包括白色模糊集合和绿色模糊集合。
在其中一个实施例中，两种颜色定义为要识别目标的模糊集合包括绿色模糊集合和红色模糊集合。
在其中一个实施例中，颜色值分别对期望颜色的模糊集合进行欧式距离的计算值作为相似度，其中，欧式距离越小，相似度越大，隶属度越大。
在其中一个实施例中，一种期望颜色的hsv值为H＝28、S＝17、V＝107。
在其中一个实施例中，另一种期望颜色的hsv值为H＝177、S＝155、V＝80。
基于同样的发明构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
本发明提高了目标颜色识别的准确度。传统目标颜色识别方法受到环境干扰，范围区间定义主观性强对识别结果影响比较大，在20％左右。而本算法放弃了颜色的范围区间定义，采用模糊集合的隶属度定义方式，避免了主观性的影响。本算法采用HSV颜色空间而不是RGB颜色空间进行数值分析，更类似于人类感觉颜色的方式。本算法采用三维HSV直方图方法计算出画面中占百分比最大的色彩作为识别结果，避免了普遍存在的多色块和渐变色组成的画面复杂性，增强了识别的准确率。本算法采用三维HSV滤波，避免了渐变色中出现少量纯色的干扰，使得识别准确率进一步提升。
附图说明
图1是本发明基于模糊数学相似度的颜色识别方法中目标识别期望的颜色图片之一。
图2是本发明基于模糊数学相似度的颜色识别方法中目标识别期望的颜色图片之二。
图3是本发明基于模糊数学相似度的颜色识别方法中的对目标拍照并截取的目标区域的图片示意图。
图4是图1中的图片转化成HSV格式，进行直方图变化示意图。
图5是图2中的图片转化成HSV格式，进行直方图变化示意图。
图6是图3中的图片转化成HSV格式，进行直方图变化示意图。
图7是本发明基于模糊数学相似度的颜色识别方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本算法的总体流程：1，本算法放弃了颜色的范围区间定义，采用模糊集合的隶属度定义方式，目标区域的颜色与判定颜色的欧式相似度作为隶属函数。2，颜色的欧式相似度采用HSV颜色空间欧式距离。3，采用三维HSV直方图方法计算出画面中占百分比最大的色彩作为识别结果。4，对三维HSV直方图进行三维HSV滤波，并使用。
目标物体颜色识别原理具体如下：
1.首先截取目标识别的期望两种颜色的图片，这两种颜色定义为要识别目标的模糊集合；
2.将截取的图片转化为HSV格式；
3.对颜色图片进行三维直方图转换，得到HSV的分布值
4.对三维HSV直方图进行三维HSV滤波；
5.取出三维直方图分布较多的颜色的值，并存储；
6.对目标拍照并截取目标区域的图片；
7.将要识别颜色的图片转化为HSV格式；
8.对颜色图片进行三维直方图转换，得到HSV的分布值；
9.对三维HSV直方图进行三维HSV滤波；
10.取出三维直方图分布较多的颜色的值；
11.把颜色值分别对期望颜色的模糊集合进行欧式距离的计算，把结果作为相似度；
12.用相似度作为期望颜色的模糊集合的隶属度，求出相对于哪个模糊集合的隶属度最大，隶属度最大就是识别的结果，其中，欧式距离越小，相似度越大，隶属度越大。
下面介绍一个本发明的具体应用场景：
对目标识别期望的两种颜色图片分别为图1、图2，这两种分别定义为要识别目标的白色模糊集合和红色模糊集合，将图1、图2转化为HSV格式，进行直方图变化，得到图4、图5。进行三维HSV滤波，图1得到的值：H＝28、S＝17、V＝107,图2得到的值：H＝177、S＝155、V＝80。对目标拍照并截取的目标区域的图片为图3，转化为HSV格式，进行直方图变化，得到图6，进行三维HSV滤波，得到的值：H＝0、S＝215、V＝126。分别对期望颜色的模糊集合进行欧式距离的计算，目标与图1的计算结果为40.89，目标与图2的计算结果为19.91，从而得出与图2的隶属度最大，目标的颜色则为红色。
以上对本发明提供的基于模糊数学相似度的颜色识别方法做了详细的描述，还有以下几点需要说明：
本发明的关键点是：1，本算法采用模糊集合的隶属度定义方式，目标区域的颜色与判定颜色的欧式相似度作为隶属函数。2，颜色的欧式相似度采用HSV颜色空间欧式距离。3，采用三维HSV直方图方法计算出画面中占百分比最大的色彩作为识别结果。4，对三维HSV直方图的三维HSV滤波的使用。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种基于模糊数学相似度的颜色识别方法，其特征在于，包括：
截取目标识别的期望两种颜色的图片，这两种颜色定义为要识别目标的模糊集合。
将截取的图片转化为HSV格式，对颜色图片进行三维直方图转换，得到HSV的分布值，对三维HSV直方图进行三维HSV滤波，取出三维直方图分布较多的颜色的值；
对目标拍照并截取目标区域的图片，将要识别颜色的图片转化为HSV格式，对颜色图片进行三维直方图转换，得到HSV的分布值，对三维HSV直方图进行三维HSV滤波，取出三维直方图分布较多的颜色的值；
用相似度作为期望颜色的模糊集合的隶属度，求出相对于哪个模糊集合的隶属度最大，隶属度最大就是识别的结果。
2.如权利要求1所述的基于模糊数学相似度的颜色识别方法，其特征在于，两种颜色定义为要识别目标的模糊集合包括白色模糊集合和红色模糊集合。
3.如权利要求1所述的基于模糊数学相似度的颜色识别方法，其特征在于，两种颜色定义为要识别目标的模糊集合包括白色模糊集合和绿色模糊集合。
4.如权利要求1所述的基于模糊数学相似度的颜色识别方法，其特征在于，两种颜色定义为要识别目标的模糊集合包括绿色模糊集合和红色模糊集合。
5.如权利要求1所述的基于模糊数学相似度的颜色识别方法，其特征在于，颜色值分别对期望颜色的模糊集合进行欧式距离的计算值作为相似度，其中，欧式距离越小，相似度越大，隶属度越大。
6.如权利要求1所述的基于模糊数学相似度的颜色识别方法，其特征在于，一种期望颜色的hsv值为H＝28、S＝17、V＝107。
7.如权利要求1所述的基于模糊数学相似度的颜色识别方法，其特征在于，另一种期望颜色的hsv值为H＝177、S＝155、V＝80。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
CN202010113677.1A 2020-02-24 2020-02-24 基于模糊数学相似度的颜色识别方法 Active CN111340897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010113677.1A CN111340897B (zh) 2020-02-24 2020-02-24 基于模糊数学相似度的颜色识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010113677.1A CN111340897B (zh) 2020-02-24 2020-02-24 基于模糊数学相似度的颜色识别方法

Publications (2)

Publication Number Publication Date
CN111340897A true CN111340897A (zh) 2020-06-26
CN111340897B CN111340897B (zh) 2023-06-09

Family

ID=71187086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010113677.1A Active CN111340897B (zh) 2020-02-24 2020-02-24 基于模糊数学相似度的颜色识别方法

Country Status (1)

Country Link
CN (1) CN111340897B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200200A (zh) * 2020-10-12 2021-01-08 蚌埠依爱消防电子有限责任公司 一种led灯光颜色检测方法
CN115588115A (zh) * 2022-09-27 2023-01-10 北京羽乐创新科技有限公司 一种识别商标图片的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9299009B1 (en) * 2013-05-13 2016-03-29 A9.Com, Inc. Utilizing color descriptors to determine color content of images
CN106651966A (zh) * 2016-09-26 2017-05-10 广东安居宝数码科技股份有限公司 图片颜色识别方法和系统
CN109213886A (zh) * 2018-08-09 2019-01-15 山东师范大学 基于图像分割和模糊模式识别的图像检索方法及系统
CN109584317A (zh) * 2018-12-24 2019-04-05 天津天地伟业机器人技术有限公司 基于hsv色彩空间直方图的车身颜色识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9299009B1 (en) * 2013-05-13 2016-03-29 A9.Com, Inc. Utilizing color descriptors to determine color content of images
CN106651966A (zh) * 2016-09-26 2017-05-10 广东安居宝数码科技股份有限公司 图片颜色识别方法和系统
CN109213886A (zh) * 2018-08-09 2019-01-15 山东师范大学 基于图像分割和模糊模式识别的图像检索方法及系统
CN109584317A (zh) * 2018-12-24 2019-04-05 天津天地伟业机器人技术有限公司 基于hsv色彩空间直方图的车身颜色识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200200A (zh) * 2020-10-12 2021-01-08 蚌埠依爱消防电子有限责任公司 一种led灯光颜色检测方法
CN112200200B (zh) * 2020-10-12 2023-04-18 蚌埠依爱消防电子有限责任公司 一种led灯光颜色检测方法
CN115588115A (zh) * 2022-09-27 2023-01-10 北京羽乐创新科技有限公司 一种识别商标图片的方法及装置

Also Published As

Publication number Publication date
CN111340897B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN103914699B (zh) 一种基于色彩空间的自动唇彩的图像增强的方法
CN111476849B (zh) 对象颜色识别方法、装置、电子设备以及存储介质
CN109147005B (zh) 一种用于红外图像的自适应染色方法、系统、存储介质、终端
CN106504264B (zh) 视频前景图像提取方法和装置
Qiu-yu et al. Hand gesture segmentation method based on YCbCr color space and K-means clustering
CN109460715A (zh) 一种基于机器学习的交通灯自动识别实现方法
Ganesan et al. Value based semi automatic segmentation of satellite images using HSV color space, histogram equalization and modified FCM clustering algorithm
CN111340897B (zh) 基于模糊数学相似度的颜色识别方法
Ding et al. FCM image segmentation algorithm based on color space and spatial information
CN115205977A (zh) 一种地铁施工作业人员不安全行为识别方法与系统
Kim et al. Color segmentation robust to brightness variations by using B-spline curve modeling
He et al. Zanthoxylum bungeanum fruit detection by adaptive thresholds in HSV space for an automatic picking system
Zhu et al. Face detection method based on multi-feature fusion in YC b C r color space
CN114926661B (zh) 一种纺织品表面颜色数据处理、识别方法及系统
Raval et al. Color image segmentation using FCM clustering technique in RGB, L* a* b, HSV, YIQ color spaces
CN104636728B (zh) 一种图像处理方法
CN108154496A (zh) 一种适用于电力作业机器人的电力设备外观变化识别方法
CN111210410A (zh) 一种信号灯状态检测方法与装置
Jia et al. Design of Traffic Sign Detection and Recognition Algorithm Based on Template Matching
CN106960188B (zh) 天气图像分类方法及装置
Manaf et al. Color recognition system with augmented reality concept and finger interaction: Case study for color blind aid system
CN113658157A (zh) 一种基于hsv空间的颜色分割方法及装置
Khot et al. Optimal computer based analysis for detecting malarial parasites
Deswal et al. A simplified review on fast HSV image color and texture detection and image conversion algorithm
Azad et al. A robust and adaptable method for face detection based on color probabilistic estimation technique

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
GR01 Patent grant
GR01 Patent grant