顏色提取
關(guān)注創(chuàng)建者：胖子愛學(xué)習(xí) 創(chuàng)建時間：2018-12-26
顏色提取的實(shí)例教程
其中首先要求正確可靠地檢出車牌區(qū)域,為此提出了許多方法,如Hough變換以檢測直線來提取車牌邊界區(qū)域、使用灰度分割及區(qū)域生長進(jìn)行區(qū)域分割,或使用紋理特征分析技術(shù)等。Hough變換方法對車牌區(qū)域變形或圖象被污損時失效的可能性會大大增加,而灰度分割則比直線檢測的方法要穩(wěn)定，但當(dāng)圖象在有許多與車牌的灰度非常相似的區(qū)域時，該方法也就無能為力了。紋理分析在遇到類似車牌紋理特征的其他干擾時，車牌定位正確率也會受到影響。本文提出基于車牌彩色信息的彩色分割方法。
主要模塊
主要模塊如下：顏色信息提取、車牌區(qū)域定位、識別、提取、檢測傾斜度、車牌校正、車牌區(qū)域2值化、擦除干擾區(qū)域、文字分割、模版匹配、結(jié)果輸出。
1. 定位車牌區(qū)域
2. 車牌矯正
3. 二值化車牌
4. 處理二值化圖像
5. 字符切割
6. 字符識別
顏色信息提取
根據(jù)彩色圖像的RGB比例定位出近似藍(lán)色的候選區(qū)域。即根據(jù)藍(lán)色像素點(diǎn)找出上下左右邊界，但是由于RGB三原色空間中兩點(diǎn)間的歐氏距離與顏色距離不成線性比例，在設(shè)定藍(lán)色區(qū)域的定位范圍時不能很好的控制。因此造成的定位出錯是最主要的。這樣在圖片中出現(xiàn)較多的藍(lán)色背景情況下識別率會下降，不能有效提取車牌區(qū)域。在此采用自適應(yīng)調(diào)節(jié)方法，對分割出來的區(qū)域進(jìn)行識別調(diào)整，再根據(jù)長寬比和藍(lán)白色比，對候選區(qū)域進(jìn)行多次定位，最終找到車牌區(qū)域。
傾斜校正
針對傾斜角度的圖片采取rando算法進(jìn)行傾斜角度計算，并對傾斜圖片進(jìn)行修正。從而得到水平方向一致的圖片。有利于后期的圖片分割及圖像識別。
展開 使用說明：
打開軟件，將需要提取的數(shù)據(jù)圖片導(dǎo)入到軟件中
第一步
定義三個點(diǎn)
相當(dāng)于確定你的坐標(biāo)系，按理說應(yīng)該是隨意取三個點(diǎn)就可以，不過建議大家取原曲線坐標(biāo)系的原點(diǎn)及X,Y坐標(biāo)系上比較大的點(diǎn)。
第二步
提取曲線顏色
左鍵選中要提取的曲線，快捷鍵shift+L，會提示你確認(rèn)提取曲線顏色，點(diǎn)OK確定
第三部
選擇曲線
右鍵選擇曲線，右鍵單擊要提取的曲線，在提取曲線時，一般是無法一次提取整個曲線的，要分幾次提取，這里要注意的一點(diǎn)是，提取時盡量按照從左到右的順序提取，否則會導(dǎo)致數(shù)據(jù)錯亂
第四步
保存數(shù)據(jù)
Ctrl+S保存數(shù)據(jù)位dat格式的文件。至此數(shù)據(jù)提取完成，不過數(shù)據(jù)處理工作還沒完成。
提取的數(shù)據(jù)可能會有一定的錯亂，要進(jìn)行修改編輯。所以可以通過UltraEdit進(jìn)行編輯修改。
曲線提取工具.rar
展開 一文了解什么是XFEM ￥29.99
同時，涉及網(wǎng)格劃分、荷載處理和后處理等實(shí)用知識，并附上更改部件顏色、提取裂紋寬度等技巧。此外，附件包含 XFEM 相關(guān)文獻(xiàn)、案例模型、abaqus 實(shí)用手冊相關(guān)內(nèi)容、裂紋提取方法以及疲勞參數(shù)計算等，為 XFEM 學(xué)習(xí)者和使用者提供全方位實(shí)用知識。</strong></p>
為了直觀地體現(xiàn)出車輛重識別任務(wù)中這個難點(diǎn)，作者選取了行人重識別數(shù)據(jù)集Market1501和車輛重識別數(shù)據(jù)集CityFlow-ReID用作分析：用經(jīng)過ImageNet預(yù)訓(xùn)練的GoogLeNet分別提取這兩個數(shù)據(jù)集的樣本的特征，計算類內(nèi)和類間特征的方差之比（基于歐式特征空間），發(fā)現(xiàn)Market1501是0.921，小于CityFlow-ReID的0.946——車輛重識別任務(wù)相比行人重識別，面臨著更嚴(yán)峻的“類間差異小，類內(nèi)差異大”的挑戰(zhàn)。
圖1
同樣是重識別問題，在算法上是否有通用性呢？之前有研究發(fā)現(xiàn)，直接把行人重識別的算法套用在車輛重識別數(shù)據(jù)集上，算法的性能并沒有達(dá)到其在行人數(shù)據(jù)集上的水準(zhǔn)。作者認(rèn)為，這是由于兩個任務(wù)有著不同的難點(diǎn)造成的，車輛重識別的一個關(guān)鍵點(diǎn)在于提取對視角魯棒的圖片特征，尤其是對車輛的姿態(tài)信息、顏色、車型要有魯棒性（如圖1所示）。提高模型魯棒性的一大絕招，在于構(gòu)建大規(guī)模數(shù)據(jù)集用于訓(xùn)練。作者由此想到，用仿真程序來擴(kuò)充訓(xùn)練數(shù)據(jù)。
如果通過“前景+背景”的方式制造仿真圖片，那么背景圖就是類似真實(shí)場景的圖片，前景則通過三維的車輛CAD模型的二維投影+不同顏色、視角、光照等的變化來生成。在生成仿真圖片的同時，我們很容易獲取車輛的顏色、姿態(tài)、車型等多個維度的信息，能否用上這些信息來提升ReID模型的性能呢？作者由此提出了一個Multi-task learning的框架，結(jié)合多維度信息來提升模型的性能。
展開 （這個例子里我們只提取了顏色特征）
還有一點(diǎn)需要注意的是，輸入圖像的大小、裁切方式都會影響算法的輸出結(jié)果，因此數(shù)據(jù)預(yù)處理非常重要！
作為數(shù)據(jù)的圖像
圖像中的每一個像素都是一個我們可以改變的數(shù)值，比如，我們可以將一個像素乘以一個標(biāo)量來改變圖像亮度，我們也可以將每個像素值向右移動來改變圖像飽和度等。
將圖像視為數(shù)字網(wǎng)格是許多圖像處理技術(shù)的基礎(chǔ)。一般來說，色彩與形狀改變都是通過數(shù)學(xué)運(yùn)算對圖像進(jìn)行逐像素變換完成的。
訓(xùn)練神經(jīng)網(wǎng)絡(luò)
為了訓(xùn)練神經(jīng)網(wǎng)絡(luò)，我們要提供一組標(biāo)記過的圖像數(shù)據(jù)，然后比較這些輸入圖像與計算機(jī)預(yù)測的輸出標(biāo)簽或識別的測量值的差異以檢測算法模型的準(zhǔn)確率。基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)會監(jiān)督它所犯的錯誤（誤差），并通過修正它發(fā)現(xiàn)的圖像數(shù)據(jù)間的模式與差異來實(shí)現(xiàn)迭代與擬合。
其中，梯度下降法是一種減少神經(jīng)網(wǎng)絡(luò)誤差的數(shù)學(xué)方法，其中卷積神經(jīng)網(wǎng)絡(luò)是一種特殊類型的神經(jīng)網(wǎng)絡(luò)，通常用于計算機(jī)視覺應(yīng)用。
X =輸入；a = 活化函數(shù)；W = 卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重；J = 損失函數(shù)；Alpha = 學(xué)習(xí)率；y = 地面真值；y = 預(yù)測；k = 迭代次數(shù)
展開 
顏色提取的相關(guān)專題、標(biāo)簽、搜索
顏色提取的最新內(nèi)容
同時，涉及網(wǎng)格劃分、荷載處理和后處理等實(shí)用知識，并附上更改部件顏色、提取裂紋寬度等技巧。此外，附件包含 XFEM 相關(guān)文獻(xiàn)、案例模型、abaqus 實(shí)用手冊相關(guān)內(nèi)容、裂紋提取方法以及疲勞參數(shù)計算等，為 XFEM 學(xué)習(xí)者和使用者提供全方位實(shí)用知識。</strong></p>
人類通過眼睛感知世界的原理為：光線通過眼睛被視網(wǎng)膜采集信息，經(jīng)過傳遞與預(yù)處理，信息抵達(dá)大腦視覺皮層，神經(jīng)元從視網(wǎng)膜傳遞的信息中提取出顏色、方向、邊緣等特征結(jié)構(gòu)，再傳遞給下顳葉皮層，然后經(jīng)過認(rèn)知神經(jīng)網(wǎng)絡(luò)的復(fù)雜處理最終輸出感知結(jié)果。
主要模塊
主要模塊如下：顏色信息提取、車牌區(qū)域定位、識別、提取、檢測傾斜度、車牌校正、車牌區(qū)域2值化、擦除干擾區(qū)域、文字分割、模版匹配、結(jié)果輸出。
1. 定位車牌區(qū)域
2. 車牌矯正
3. 二值化車牌
4. 處理二值化圖像
5. 字符切割
6. 字符識別
顏色信息提取
根據(jù)彩色圖像的RGB比例定位出近似藍(lán)色的候選區(qū)域。
彎曲的車道線、遠(yuǎn)端的車道線、環(huán)島的車道線，車道線的擬合難度較大，檢測結(jié)果易閃爍；
車道線檢測方案：
其一，傳統(tǒng)的圖像處理算法需經(jīng)過攝像頭的畸變校正，對每幀圖片做透視變換，將相機(jī)拍攝的照片轉(zhuǎn)到鳥瞰圖視角，再通過特征算子或顏色空間來提取車道線的特征點(diǎn)，使用直方圖、滑動窗口來做車道線曲線的擬合，傳統(tǒng)算法最大的弊端在于場景的適應(yīng)性不好。
作者將36個關(guān)鍵點(diǎn)歸為13個組（如圖4所示），每組對應(yīng)于一個mask，如果某一組包含的關(guān)鍵點(diǎn)的置信度低于閾值，則該組對于的圖片部分被遮蔽掉（就是說這部分可能被遮擋了，需要遮掉它，以免其對應(yīng)的顏色特征提取有誤）。
（這個例子里我們只提取了顏色特征）
還有一點(diǎn)需要注意的是，輸入圖像的大小、裁切方式都會影響算法的輸出結(jié)果，因此數(shù)據(jù)預(yù)處理非常重要！
作為數(shù)據(jù)的圖像
圖像中的每一個像素都是一個我們可以改變的數(shù)值，比如，我們可以將一個像素乘以一個標(biāo)量來改變圖像亮度，我們也可以將每個像素值向右移動來改變圖像飽和度等。
將圖像視為數(shù)字網(wǎng)格是許多圖像處理技術(shù)的基礎(chǔ)。
我搞出了顏色識別算法，對于一個圖好多個顏色的線，能夠做到提取特定顏色；
2）針對step2。我的設(shè)想是，自動在圖里畫出白色的豎線或者橫線，做到對現(xiàn)有曲線的自動分割。
嘗試之后，step2的改進(jìn)失敗。這是因?yàn)椋绻划嫏M線或者豎線再或者同時畫，如果線定的太密，原有曲線被遮擋嚴(yán)重，丟失信息。如果畫的太稀疏，則搞得精度不夠。
第二步
提取曲線顏色
左鍵選中要提取的曲線，快捷鍵shift+L，會提示你確認(rèn)提取曲線顏色，點(diǎn)OK確定
第三部
選擇曲線
右鍵選擇曲線，右鍵單擊要提取的曲線，在提取曲線時，一般是無法一次提取整個曲線的，要分幾次提取，這里要注意的一點(diǎn)是，提取時盡量按照從左到右的順序提取，否則會導(dǎo)致數(shù)據(jù)錯亂
第四步
保存數(shù)據(jù)
Ctrl+S保存數(shù)據(jù)位dat格式的文件。
