基于HSV空间的颜色特征提取

合集下载

一种基于HSV颜色空间的图像检索技术

０｛ｈＥ３．】厂［１２６０
１ｔｈ【１０，Ｅ２４］．２｛ｈＩ５ｒ．ＩＥ７３４ｈ［．５Ｅ７１】６５Ｅ１６９］【．Ｏ５１
－
。
ｆｌ０，｛｛ｌ厂Ｉｌ２，
Ａｂｔｃ：Ｉｈｓａｅ，ｎｒｄｃｍａｅＲｅｒｅａＴｅｈｏｏｙＢａｅｎＨＳＣｏｏｐｃ．ＩｈａｉｅｗｅａｌｙｅｔｅｄｇｓｒｔｎｔｉｐｐｒｗｅｉｔｕｅＡｎＩｇｔｖｌｃｎｌｇｓｄＯＶｌｒＳａｅｎｔｅｓｍｅｔ，ｌｌｓｈｉａｏｉｍａ
调进行不等间隔量化。
ｆ１造一维特征矢最，照以上的量化级，３个颜色分量４构按把
在目前提出的多种颜色空间中，ＧＲＢ颜色空间是实际应用中最多的一种ＲＢ颜色空间分三个通道：（ｅ）绿（ｒｅ）蓝Ｇ红Ｒｄ、Ｇｅｎ和（ｌｅ。Ｂｕ）分别反映了颜色在某个通道上的亮度值。对图像而言，其颜色的表现也是通过ＲＢ三个色彩分量组合而成的。ＧＲＢ颜色空间的缺点在于，是改变一个颜色时，个通道Ｇ一三上的颜色全部需要修改；是它不是一个均匀颜色空间，色空二颜问上的距离．不能代表人眼视觉ｔ的颜色相似性。并２２ＨＶ颜色空间．Ｓ
ＡｎＩｇｔｉｖｃｎｌｇｓｄｏｍａｅＲｅｒａｌｅＴｅｈｏｏｙＢａｅｎＨＳＶＣｏｏｐｃｌｒＳａｅ

寻找不规则物体中心的方法

寻找不规则物体中心的方法介绍寻找不规则物体中心的问题是在计算机视觉和图像处理领域中的一个重要问题。

不规则物体通常指非几何形状的物体，如动物、植物等。

找到不规则物体的中心可以有助于进行物体识别、目标跟踪、形状分析等应用。

本文将介绍一些常见的方法和技术来解决这一问题。

方法一：基于颜色特征的中心点检测如果不规则物体具有明显的颜色特征，可以通过颜色的分布和密度来推测中心点的位置。

以下是一种基于颜色特征的中心点检测方法：1.预处理：将图像转换为HSV（色相、饱和度、明度）颜色空间，以便更好地提取颜色特征。

2.颜色分割：使用阈值分割或其他颜色分割方法，将感兴趣的颜色区域提取出来。

3.去除噪声：对颜色区域进行腐蚀和膨胀等形态学操作，去除杂质和噪声。

4.中心点计算：计算颜色区域的质心位置作为中心点的估计。

方法二：基于形状特征的中心点检测除了颜色特征，不规则物体的形状特征也可以用来推测中心点的位置。

以下是一种基于形状特征的中心点检测方法：1.边缘检测：使用边缘检测算法（如Canny算法）检测不规则物体的边缘。

2.轮廓提取：通过边缘检测得到的边缘图像，提取不规则物体的轮廓。

3.质心计算：计算不规则物体轮廓的质心位置作为中心点的估计。

方法三：基于机器学习的中心点检测除了基于颜色和形状特征的方法，还可以使用机器学习算法来训练模型以预测不规则物体的中心点位置。

以下是一种基于机器学习的中心点检测方法：1.数据收集：收集一组带有标注中心点位置的不规则物体图像作为训练数据。

2.特征提取：对训练数据进行特征提取，可以使用颜色和形状特征等。

3.模型训练：使用机器学习算法（如支持向量机、随机森林等）训练一个回归模型来预测中心点的位置。

4.中心点预测：对新的不规则物体图像进行特征提取，并使用训练好的模型来预测中心点的位置。

方法四：深度学习方法近年来，深度学习方法在计算机视觉领域取得了很大的成功。

也可以使用深度学习模型来解决不规则物体中心点检测问题。

基于颜色直方图的颜色特征提取

推出了以ＩＢＭ的ＱＢＩＣ［１］和ＶＩＲＡＧＥ的ＶＩＲ（ＶｉｓｕａｌＩｎｆｏｒｍａｔｉｏｎ３．ＨＳＶ空间的非等间隔量化
Ｒｅｔｒｉｅｖａｌ）图像引擎等为代表的一系列成功的产品。
将ｈ，ｓ，ｖ３个分量按人的颜色感知进行非等间隔的量化，
由于区域颜色分布具有局域性，有的颜色出现的很少，为了不敏感，具有相当强的鲁棒性。同时，在许多情况下，颜色又是描
简化直方图描述，有必要对其进行优选。一种基于阀值的颜色集述一幅图像最简便而有效的特征。人们对于一幅图像的印象，往
（ｃｏｌｏｒｓｅｔ）的思想是针对颜色直方图中每个颜色项ｋ，引入阀值Ｔ往从图像中颜色的空间分布开始。所有这些都促使颜色成为基
ＨＳＶ空间的Ｈ，Ｓ，Ｖ值，可设ｖ＇＝ｍａｘ（ｒ，ｇ，ｂ），定义：｛ｒ＇，ｇ＇，ｂ＇｝为：
ｒ＇＝（ｖ＇－ｒ）／（ｖ＇－ｍｉｎ（ｒ，ｇ，ｂ））
（１）
ｇ＇＝（ｖ＇－ｇ）／（ｖ＇－ｍｉｎ（ｒ，ｇ，ｂ））
（２）
ｂ＇＝（ｖ＇－ｂ）／（ｖ＇－ｍｉｎ（ｒ，ｇ，ｂ））
９６
福建电脑
２００７年第５期
基于颜色直方图的颜色特征提取
巩艳华１，朱爱红１，代凌云２
（１．海军航空工程学院，山东烟台２６４００１２．曲阜师范大学日照校区信息技术传播学院山东日照２７６８２６）
【摘要】：本文首先介绍了几种常用的颜色空间，并说明了他们之间的转换方法，利用常用的ＨＳＶ空间说明了几种常用的颜色特征的提取方法。
ＨＳＶ模型，因此在这里需要ＲＧＢ到ＨＳＶ的转换。

颜色特征提取

颜色特征提取
颜色特征提取是指从图像中提取出颜色特征的一种方法。

它是一种基于计算机视觉的技术，能够提取出图像中的一些有用的信息，如颜色、纹理和其他的颜色特征，从而实现图像的分类、检索等功能。

（二）颜色特征提取的常用方法
1.HSV颜色模型：HSV模式是一种将颜色表示为三个连续变量
H(Hue)、S(Saturation)、V(Value)的色彩系统，它可以以连续色调的形式来表达颜色，比RGB模式更加符合人眼的观感。

2.YUV颜色模型：YUV模型是一种将色彩表示为三个分量Y、U、V的方法，Y代表亮度(luminance)，U、V代表彩度(chrominance)。

YUV模型可以空间分解，即将一种颜色分解成YUV三个分量，从而便于计算机对色彩的处理。

3.GLCM纹理特征：GLCM是Gray-Level Co-occurrence Matrix 的缩写，指的是灰度共生矩阵，是用来描述图像纹理特征的一种常用算法。

它的原理是提取出灰度值相邻像素之间的关系，从而获取其空间结构和灰度分布特征。

（三）颜色特征提取的用途
1.图像分类：颜色特征提取技术可以提取出图像中的颜色特征，比如颜色、纹理和其他信息，从而可用于图像分类，帮助系统更好地理解图像。

2.图像检索：颜色特征提取可以用于图像检索，例如，在图像检索系统中，可以使用颜色特征提取技术来查找出与搜索图像最相似的
图像。

3.物体识别：颜色特征提取可以用作物体识别，例如，可以使用颜色特征提取技术来识别物体，帮助机器人以及自动检测软件更准确地识别物体。

Python图片颜色特征提取——HSV中心距法（附代码及注释）

Python图⽚颜⾊特征提取——HSV中⼼距法（附代码及注释）颜⾊矩是个啥？⾸先让我们先了解⼀下颜⾊矩是什么，以下是颜⾊矩的定义及数学表达，看着唬⼈但其实并不难。

颜⾊矩是⼀种简单有效的颜⾊特征表⽰⽅法，有⼀阶矩(也就是均值,mean)、⼆阶矩(也就是标准差, variance)和三阶矩(斜度,skewness)等，由于颜⾊信息主要分布于低阶矩中，所以⽤⼀阶矩，⼆阶矩和三阶矩⾜以表达图像的颜⾊分布，颜⾊矩已证明可有效地表⽰图像中的颜⾊分布。

其中，Pij 表⽰彩⾊图像第j个像素的第i个颜⾊分量，N表⽰图像中的像素个数。

维直⽅图向量，即图像的颜⾊特征表⽰如下：图像的三个分量Y,U,V图像的前三阶颜⾊矩组成⼀个9Python实现（附代码及详细注释）HSV 中⼼距法是基于HSV空间的，因此需要将RGB空间转换为HSV空间。

def color_moments(filename):img = cv2.imread(filename) # 读⼀张彩⾊图⽚if img is None:returnhsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # RGB空间转换为HSV空间h, s, v = cv2.split(hsv)color_feature = [] # 初始化颜⾊特征# ⼀阶矩（均值 mean）h_mean = np.mean(h) # np.sum(h)/float(N)s_mean = np.mean(s) # np.sum(s)/float(N)v_mean = np.mean(v) # np.sum(v)/float(N)color_feature.extend([h_mean, s_mean, v_mean]) # ⼀阶矩放⼊特征数组# ⼆阶矩（标准差 std）h_std = np.std(h) # np.sqrt(np.mean(abs(h - h.mean())**2))s_std = np.std(s) # np.sqrt(np.mean(abs(s - s.mean())**2))v_std = np.std(v) # np.sqrt(np.mean(abs(v - v.mean())**2))color_feature.extend([h_std, s_std, v_std]) # ⼆阶矩放⼊特征数组# 三阶矩（斜度 skewness）h_skewness = np.mean(abs(h - h.mean()) ** 3)s_skewness = np.mean(abs(s - s.mean()) ** 3)v_skewness = np.mean(abs(v - v.mean()) ** 3)h_thirdMoment = h_skewness ** (1. / 3)s_thirdMoment = s_skewness ** (1. / 3)v_thirdMoment = v_skewness ** (1. / 3)color_feature.extend([h_thirdMoment, s_thirdMoment, v_thirdMoment]) # 三阶矩放⼊特征数组return color_feature。

Python中的图像特征提取与模式识别方法

Python中的图像特征提取与模式识别方法引言图像特征提取与模式识别是计算机视觉领域中的重要研究内容，通过对图像进行特征提取和模式识别，可以实现识别图像中的目标物体、检测和匹配图像中的模式等应用。

Python作为一种强大的编程语言，提供了丰富的库和工具，可以方便地进行图像特征提取与模式识别的研究和应用。

本文将介绍Python中常用的图像特征提取与模式识别方法，包括颜色特征提取、纹理特征提取、形状特征提取等内容。

一、颜色特征提取1. RGB颜色特征提取RGB颜色模型是一种常用的颜色表示方法，通过对图像中每个像素的红、绿、蓝三个通道进行分析，可以提取出图像的颜色特征。

在Python中，可以使用OpenCV库来实现RGB颜色特征提取，首先需要加载图像，并将图像转换为RGB模式，然后使用统计方法计算图像中各种颜色的分布情况。

2. HSV颜色特征提取HSV颜色模型将颜色的明度、饱和度和色调分为三个通道，与RGB颜色模型相比更加直观和可解释。

在Python中，可以使用skimage库来实现HSV颜色特征提取，通过计算图像中不同色调和饱和度的分布情况，可以得到图像的颜色特征。

二、纹理特征提取纹理特征是图像中重要的描述性特征，能够用来描述图像中的细节和结构。

常用的纹理特征提取方法包括灰度共生矩阵(GLCM)、局部二值模式(LBP)等。

1. 灰度共生矩阵(GLCM)灰度共生矩阵是一种描述图像纹理的统计方法，通过计算图像中不同灰度级别像素的空间分布关系，可以得到图像的纹理特征。

在Python中，可以使用skimage库来计算灰度共生矩阵，并通过计算一些统计量（如对比度、能量、熵等）来描述图像的纹理特征。

2. 局部二值模式(LBP)局部二值模式是一种描述图像纹理的局部特征算子，通过比较像素点与其邻域像素的灰度值，可以得到一个二进制编码，用来表示该像素的纹理特征。

在Python中，可以使用skimage库来计算局部二值模式，并通过计算直方图等方式来描述图像的纹理特征。

AI颜色特征提取

AI颜色特征提取随着人工智能技术的不断发展，越来越多的领域开始应用人工智能技术。

其中，计算机视觉是人工智能技术的一个重要领域，而颜色特征提取则是计算机视觉中的一个重要研究方向。

本文将从以下几个方面介绍AI颜色特征提取的相关内容。

一、颜色特征提取的概念颜色特征提取是指通过计算机视觉技术对图像中的颜色信息进行提取和分析，以获取图像的颜色特征。

在计算机视觉中，颜色特征是图像特征中的一个重要部分，它可以用于图像分类、图像检索、目标跟踪等多个领域。

二、颜色特征提取的方法1.基于直方图的颜色特征提取方法基于直方图的颜色特征提取方法是一种比较简单的方法，它通过统计图像中每种颜色出现的次数来获取颜色特征。

具体来讲，该方法将图像中的每个像素的颜色值映射到一个颜色空间中，然后统计每个颜色空间中的像素数，最后生成一个颜色直方图。

通过比较不同图像之间的颜色直方图，可以判断它们之间的相似度。

2.基于颜色空间的颜色特征提取方法基于颜色空间的颜色特征提取方法是一种比较常用的方法，它通过将图像中的颜色值映射到一个颜色空间中，然后对颜色空间中的像素进行分析，获取颜色特征。

常用的颜色空间有RGB、HSV、Lab等。

在这些颜色空间中，不同的颜色值对应于空间中的不同点，因此可以通过对这些点进行分析来获取颜色特征。

3.基于机器学习的颜色特征提取方法基于机器学习的颜色特征提取方法是一种比较高级的方法，它通过使用机器学习算法对图像中的颜色信息进行分析，以获取颜色特征。

常用的机器学习算法有支持向量机、神经网络、决策树等。

这些算法可以通过对图像中的颜色信息进行训练，来识别不同的颜色特征。

三、颜色特征提取的应用1.图像分类在图像分类中，颜色特征可以用于对图像进行分类。

通过比较不同图像之间的颜色特征，可以判断它们之间的相似度，进而对它们进行分类。

2.图像检索在图像检索中，颜色特征可以用于对图像进行检索。

通过对待检索图像和数据库中的图像进行颜色特征比较，可以找到与待检索图像相似的图像。

hsv特征提取

hsv特征提取
HSV特征提取是一种常用的图像处理技术，它是将彩色图像从RGB颜色空间转换到HSV颜色空间，然后提取其中的H、S、V三个通道的特征值。

在HSV空间中，H通道表示颜色的色调，S通道表示颜色的饱和度，V通道表示颜色的亮度。

这三个通道的取值范围分别是0-360、0-1、0-1。

因此，通过对HSV空间中的这三个通道进行分析，可以得到图像的色调、饱和度和亮度等特征信息。

HSV特征提取可以应用于图像识别、图像分割、图像检索等方面，具有较高的精度和准确性。

同时，它也可以作为图像处理中的一种预处理技术，用于增强图像的色彩信息和对比度，提高图像质量。

在实际应用中，为了方便处理和存储，通常会将提取的HSV特征值进行归一化和压缩，以降低其维度和复杂度，从而更好地适应各种算法的需求。

- 1 -。

hsv特征提取matlab

hsv特征提取matlabHSV（色相、饱和度、亮度）是一种常用的颜色空间，它将颜色的属性分成三个维度，使得颜色的描述更加直观和方便。

在计算机视觉和图像处理中，HSV特征提取是一种常用的方法，可以用于图像识别、目标跟踪、图像分割等领域。

在Matlab中，可以使用内置函数将RGB颜色空间转换为HSV颜色空间，然后提取出所需的HSV特征。

具体步骤如下：1. 读取图像并显示。

2. 将图像从RGB颜色空间转换为HSV颜色空间。

3. 提取HSV颜色空间中的色相、饱和度和亮度特征。

4. 将特征可视化并展示。

以下是一段示例代码：% 读取图像img = imread('example.jpg');% 显示原始图像figure;imshow(img);title('Original Image');% 将图像从RGB颜色空间转换为HSV颜色空间img_hsv = rgb2hsv(img);% 提取HSV颜色空间中的色相、饱和度和亮度特征hue = img_hsv(:,:,1);saturation = img_hsv(:,:,2);value = img_hsv(:,:,3);% 将特征可视化并展示figure;subplot(2,2,1);imshow(img);title('Original Image');subplot(2,2,2);imshow(hue);title('Hue');subplot(2,2,3);imshow(saturation);title('Saturation');subplot(2,2,4);imshow(value);title('Value');在实际应用中，可以根据具体需求选择不同的HSV特征进行提取和使用。

一种改进的服饰图像HSV颜色特征提取方法

一种改进的服饰图像HSV 颜色特征提取方法陈双华苏州信息职业技术学院，江苏苏州 215200摘要：在基于内容的图像检索技术中，颜色是关键的特征。

文章主要对B2B 网站的服饰图像颜色特征提取进行了研究。

在服饰颜色特征提取上，使用的是HSV 颜色空间，并且应用一种改进的HSV 主色加权的颜色特征提取方法，提高了图像特征提取的准确度和速度。

通过实验，取得了良好的提取效果，证明了改进的HSV 颜色特征提取方法适合于图像库。

关键词：HSV；颜色特征；服饰图像检索中图分类号：TP391.41作者简介：陈双华（1992—），女，江西萍乡人，硕士，苏州信息职业技术学院教师。

0 引言B2B 购物网站不断发展，为了能使买家准确而又快速地找到目标商品，B2B 网站通常都是以商品分类的方式以及用户主动输入关键字的商品检索方式，有些时候检索出来的并不是人们想要的商品。

本文的目的在于根据正在发展中的基于内容的图像检索技术（CBIR）［1］，将它应用于服饰B2B 网站平台中，使得目前以关键字为主要检索方式的服饰商品查询方式更加丰富。

通过对服饰图像颜色特征提取技术的研究，替代主观和限制性强的关键字检索方式，并且对目前已经出现的服饰图像颜色特征提取技术进行改进，以更准确便利客观的方式使用户更好地对服饰商品进行检索。

1 颜色特征提取设计在CBIR 技术中，对于颜色的特征提取有着旋转以及平移不变性等优点，所以相对于其他特征来说颜色有着很高的利用价值。

在面向B2B 网站的服饰图像特征提取中，服饰图像的颜色特征非常丰富，所以利用它进行特征提取将会提高整体的准确性，得到更好的效果。

那么在对服饰颜色特征进行提取时，有以下几项工作要进行。

1.1 颜色模型选择在图像的表示中，主要有RGB、HSV 等模型，在这些模型中，RGB 是使用最广泛的。

虽然数字图像一般用RGB 颜色模型表示，但是RGB 不能在视觉上反映出颜色的差异，因此，需要选择其他的颜色模型来描述对颜色信息的视觉一致性，以此来减小量化时的误差。

HSV空间中彩色图像处理研究

HSV空间中彩色图像处理研究目录摘要 (I)Abstract (II)引言 (1)1. 绪论 (2)1.1 研究现状和存在的意义 (2)1.2图像分割的定义及常见方法 (3)1.2.1图像分割的定义： (3)1.2.2图像分割的常见方法： (4)1.3 本文的内容安排 (8)2. 颜色空间 (10)2.1常用的颜色空间介绍 (10)2.1.1颜色空间的定义： (10)2.2.2各种常见颜色空间的模型 (10)2.2 颜色空间的选择 (15)3 HSV颜色空间的图像分割 (17)3.1概述 (17)3.2HSV空间介绍及常见转化 (17)3.3 Sobel算子边缘提取及其它常见边缘提取方式介绍 (20)3.3.1Sobel算子边缘提取 (20)3.3.2其它几种常见边缘提取方法 (21)3.4．区域生长与合并 (22)3.4.1种子区的选取 (22)3.4.2区域生长与合并 (24)第4章．实验结果与分析 (25)第5章总结和展望 (28)致谢 (29)参考文献 (30)摘要自从图像处理技术走进数字化时代，彩色图像的研究就成为图像领域一项重要的技术同时也是一项艰难的技术。

但是目前彩色图像分割面临两个主要问题: 选取合适的色彩空间; 选择恰当的分割方法。

同时，在彩色图像的分割过程中，很少有自动算法能够取得非常理想的效果。

许多彩色图像分割方法不仅把灰度图像分割方法( 如直方图阈值法、聚类、区域增长、边缘检测、模糊方法、经元网络等) 应用于不同的色彩空间，而且可以直接应用于每个颜分量上，其结果再通过一定的方式进行组合即可获得最后的分割结果效果不佳。

针对上述彩色图像分割存在的问题，为了准确提取彩色图像中所需的色度信息，本文结合HSV 色彩空间3 个分量的无关性，提出了一种基于HSV 空间彩色图像分割算法，将图像的颜色值从RGB 空间转换到HSV 空间，并在目前的彩色分割方法研究的基础上，提出了一种另外的彩色图像分割算法，即合理结合边缘提取、区域生长和区域合并的方法，实现彩色图像的分割。

基于HSV的HR空间颜色直方图图像检索技术

特征时．ｓＨｖ空间与ＲＧＢ、ｎｈｌ及ＣＥ的Ｌｂ和Ｍｕｓｅｌ以Ｉａ
Ｉｖ色模型相比．前者具有更高的检索效率。因此．Ｊ颜ｕ我们选择ＨＳ空间提取颜色特征ＶＲＢ颜色模型是面向硬件的．ＨＳＧ而Ｖ颜色模型则是面向用户的ＨＳＶ颜色模型对应于圆柱坐标系中的一个
摘要：文通过分析凸几何图形的邻维定理．ＨＳ颜色空间中利用ＨＳ颜色模型提取出Ｓ的内切本在ＶＶＶ圆半径Ｒ，对色调Ｈ进行非均匀量化．合颜色的空间信息提取联合矩阵Ｈｔ空间颜色直方图做为图像检并结ｋ
色的空间信息提取ＨＲ空间颜色直方图做为图像检索的特征．利用欧氏距离进行相似度量．过跟传统的颜色直通方图和空间颜色直方图做为特征检索相比较．验证明本实文提出的基于ＨＳＶ和邻维定理的ＨＲ空间颜色直方图图像检索方法能够有效地从图像数据库中检索出目标图像
索的特征。用欧氏距离进行相似度量。利通过跟传统的颜色直方图和空间颜色直方图做为特征检索相比较．实验证明本文提出的基于ＨＳ和邻维定理的Ｈ空间颜色直方图图像检索方法能够有效地从图像数据库中ＶＲ
２相关工作
基于内容的图像检索（ｏｔｎａｅｍａｅＲｔｅａ，ＣｎｅｔｓｄＩｇｅｒｖｌＢｉＣＩ．指根据媒体和媒体对象的内容及上下文联系在ＢＲ）是大型数据库中进行检索基于内容的图像检索需要利用图像处理、式识别、算机视觉、模计图像理解等学科的相

基于hsv颜色空间的运动目标识别

摘要：感兴趣区域（region of interest, R O I ) 图像的提取在运动目标的检测与跟踪等领域有着广泛的应用；
H S V ( hue saturation value ) 是根据颜色的直观特性创建的一种颜色空间，用于对颜色进行定量描述。文章将 H S V 颜色空间用于图像中颜色信息的计算，识别颜色特征。针对 RoboMaster全国大学生机器人大赛中云台实时识别和捕
中典型颜色对应参数范围表，确定算法所采用的参数范围。最终识别目标的判定准则是，在初步筛选所得感兴趣区
域中，H S V 及 R G B 参数处于经分析所得参数范围内的像素点占整个区域的比例大于某一设定阈值。经测试，该方法对于像素为 6 4 0 x 4 8 0 的一组图片，平均处理速度可达到 102.33帧 /s, 平均识别率约为 97.4%。在 RoboMaster大
doi:10.13889/j.issn.2096-5427.2020.01.600
文章编号： 2096-5427(2020)02-0070-05
Moving Target Recognition Based on HSV Color Space
F U C h a n g f e i '， Y E B i n 1'2, L I H u iju n 1.2 (1. School of Information and Control Engineering, China University of M ining and Technology, X u z h o u , Jiangsu 221116, China;

一种基于HSV颜色空间和SIFT特征的车牌提取算法

关键词：ＨＶ颜色空间；ＳＦ特征；车牌提取；图像配准ＳＩＴ中图分类号：Ｔ３１４Ｐ９．文献标志码：Ａ文章编号：１０．６５２１）０３３．３０１３９（０１１—９７０
ｄｉ１．９９ｊｉｎ１０－６５２１．００２ｏ：０３６／．ｓ．０１３９．０１１．９ｓ
ｅｃＳａｔｈｔｅｆａｕｅａｔａｄｃｒｅｔｘｅｉｎａｅｕｔｌＯｓｏｔａｈｔｏａｏｄｐｒｒｎｅｎｅ。Ｏｃｎｍａｃｈｅｔｒｓｆｓｎｏｃ．ＥｐｒｍｅｔｌｓｌａＳｈｗｈｔｅｍｅｈｄｈｓａｇｏｅｆｍａｃ．ｒｓｔｏＫｅｒｓ：ＨＳｏｏｐｃｙｗｏｄＶｃｌｒｓａｅ；ｓＦｅｔｒＩｒｆａｕｅ；ｖｈｃｅｐａｅｅｔａｔｎ；ｉｇｔｈｎｅｉｌｌｔｘｒｃｉｏｍａｅｍａｃｉｇ
杨涛，张森林
（江大学电气工程学院，州３０２）浙杭１０７
摘
要：为了克服ＳＦＩｔ算法直接应用在车牌提取中表现出来的执行时间过长、误配率高的缺陷，出了一种基提
于ＨＶ颜色空间与ＳＦＳＩＴ特征的两级车牌提取算法，先使用ＨＶ颜色空间确定车牌的候选区域，行快速粗定Ｓ进位，使用ＳＦ＂再ＩＩ算法对候选区域进行精确定位与倾斜校正，精确定位的同时也完成了对车牌汉字的辨识。这在种方法不仅减少了ＳＦ特征的计算量，ＩＴ而且也避免了复杂背景对于ＳＦ特征匹配的干扰，大提高了匹配准ＩＴ大确率。最后通过编程实验证实本算法有良好的性能。

一种基于HSV色彩空间的加油锥套特征提取方法

一种基于HSV色彩空间的加油锥套特征提取方法
王旭峰;董新民;孔星炜;王龙
【期刊名称】《计算机应用与软件》
【年(卷),期】2014(031)006
【摘要】自动空中加油过程中视觉导航图像的复杂性对加油锥套特征的检测与识别提出了很高的要求.为准确获取空中加油对接阶段加油锥套端面的中心坐标,提出一种基于图像HSV(hue,saturation,value)色彩空间信息的加油锥套特征提取方法.引入HSV色彩空间,根据颜色与形状特征选取原则选取加油锥套特征.对图像进行色彩空间转换、色相滤波、二值化以及边缘检测处理,利用最小二乘椭圆拟合的方法得到加油锥套端面的中心坐标.实验结果表明,所提出的方法能够准确提取加油锥套特征,实时解算得到加油锥套端面的中心坐标,为自动空中加油视觉导航提供了一种可靠性更高的特征提取方法.
【总页数】3页(P192-194)
【作者】王旭峰;董新民;孔星炜;王龙
【作者单位】空军工程大学航空航天工程学院陕西西安710038;空军工程大学航空航天工程学院陕西西安710038;空军工程大学航空航天工程学院陕西西安710038;空军工程大学航空航天工程学院陕西西安710038
【正文语种】中文
【中图分类】TP391;V271.4
【相关文献】
1.基于视觉的自主空中加油锥套跟踪与定位 [J], 钟珍伟;秦勇;王宏伦;苏子康;姚鹏;李娜
2.基于改进边缘检测的加油锥套识别 [J], 张涛; 陈朝阳
3.基于HSV色彩空间S分量的轨面区域提取方法 [J], 曹义亲;丁要男
4.基于Faster R-CNN算法的自主空中加油锥套识别 [J], 张宇博;曹有权
5.基于双目视觉的空中加油锥套定位与对接控制 [J], 张易明;艾剑良
因版权原因，仅展示原文概要，查看原文内容请购买。