高光特征检测及其在水果分类上的应用

发布时间：2020-10-14 01:50

　　 当可见光照射到物体表面时,会观测到物体表面在距离光源最近的区域形成一块颜色畸变。这块发生颜色畸变的区域便是高光,它普遍存在于图片中,在图像处理中常被当做噪声筛除。但实际上,高光区别于过曝,在抑制了材料表面的纹理信息的同时,通过亮度震荡的形式突出了材质自身所具有的凹凸变换信息,在材料分类中具有极强的应用价值。本课题针对高光高光特征的优势,深入研究了高光特征检测,并将其应用在水果分类领域。具体研究内容如下:1、高光图像采集平台的搭建。搭建图像采集平台,协调光照条件与相机参数之间的关系,拍摄在不同光照强度下具有清晰的高光信息且不出现过曝的图片。2、提出HIGHGLIGHT光照模型。分析了经典光照模型的原理和具体应用场景,针对经典光照模型对局部亮度特征描述不充分的局限性,提出了突出描述局部特征的HIGHLIGHT光照模型,并应用该模型进行高光特征的提取,验证了该模型的准确性和在高光特征检测上的适用性。3、高光特征检测及其在水果分类上的应用。利用HIGHLIGHT光照模型的原理提取高光特征,并通过短时傅里叶变换构造特征描述符。对DBSCAN算法改进,融入投票决策模块,对不同水果的高光特征描述符进行分类。
【学位单位】：广西大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TS255.3;TP391.41
【部分图文】：

当可见光照射到物体表面时，人眼会看到在距离光源最近的区域形成一块颜色畸变，??这块发生颜色畸变的区域便是高光。用图形学的语言描述，高光就是密集分布在距离光??源最近点区域的，大小形状不一的亮斑，如图１－１－Ｃ）所示。而从信号学的角度描述，??高光就是物体表面局部的亮度震荡（主要研宄径向亮度震荡），如图ｌ－１－ｄ）所示。根据??物体材质的不同，亮斑的分布规律和震荡的信号特征也会存在区别。??高光由镜面反射产生，抑制了材料表面由于本身颜色而产生的纹理信息，而将材质??自身所具有的凹凸变换信息通过亮度震荡的形式保留下来，如图１＿２所示。此外，由于??高光特征是局部特征，且亮度极大，所以由环境光在该区域产生的亮度分量完全可以被??忽略。综上所述，通过对高光的分布规律进行研宄，可以总结生成区分度好、鲁棒性高??的特征。??由于高光会造成颜色失真，所以在以往的计算机视觉相关的研宄中，高光常被当做??噪声筛除。但通过以上分析可知

Ｆｉｇ．ｌ－?２?ｃｏｌｏｒ?ｄｉｓｔｏｒｔｉｏｎ?ｏｃｃｕｒｓ?ａｍｏｎｇ?ｔｈｅ?ｒｅｇｉｏｎ?ｏｆ?ｓｐｅｃｕｌａｒ?ｈｉｇｈｌｉｇｈｔ，?ｗｈｉｃｈ?ａｖｏｉｄ?ｃｏｎｆｕｓｉｏｎ??ｂｅｔｗｅｅｎ?ｔｅｘｔｕｒｅ／ｃｏｌｏｒ?ｆｅａｔｕｒｅ?ａｎｄ?ｕｎｅｖｅｎ?ｐａｒａｍｅｔｅｒ?ｏｆ?ｍａｔｅｒｉａｌｓ．??值得注意的是，高光与过曝有很大的区别。只要光照存在，就会在物体表面生成可??观测到的不同程度的高光，蕴含与物体材质有关的丰富的亮度震荡信息。而过曝是在拍??摄时由于相机参数设置不合适而造成的亮度信息完全丢失的情况。若说高光是噪声，过??曝则可被称为污染。??１．２国内外研究现状??本文主要研宄高光特征检测算法，并将其应用到材质分类，尤其是水果分类领域。??我们从特征检测、材质分类、水果分类这三个方面分析这个课题的国内外的研宄现状。??１．２．１特征检测的研究现状??在模式识别的相关研究中，要得到一个最优解，有两种途径：一则有一个干净的输??

妒垦?宦畚母吖馓卣骷觳饧捌湓谒??掷嗌系挠τ茫崳?ＤＢＯＨ??图１－２物体表面高光区域颜色失真，从而避免了纹理／颜色特征与材质凹凸不平特性的混淆。??Ｆｉｇ．ｌ－?２?ｃｏｌｏｒ?ｄｉｓｔｏｒｔｉｏｎ?ｏｃｃｕｒｓ?ａｍｏｎｇ?ｔｈｅ?ｒｅｇｉｏｎ?ｏｆ?ｓｐｅｃｕｌａｒ?ｈｉｇｈｌｉｇｈｔ，?ｗｈｉｃｈ?ａｖｏｉｄ?ｃｏｎｆｕｓｉｏｎ??ｂｅｔｗｅｅｎ?ｔｅｘｔｕｒｅ／ｃｏｌｏｒ?ｆｅａｔｕｒｅ?ａｎｄ?ｕｎｅｖｅｎ?ｐａｒａｍｅｔｅｒ?ｏｆ?ｍａｔｅｒｉａｌｓ．??值得注意的是，高光与过曝有很大的区别。只要光照存在，就会在物体表面生成可??观测到的不同程度的高光，蕴含与物体材质有关的丰富的亮度震荡信息。而过曝是在拍??摄时由于相机参数设置不合适而造成的亮度信息完全丢失的情况。若说高光是噪声，过??曝则可被称为污染。??１．２国内外研究现状??本文主要研宄高光特征检测算法，并将其应用到材质分类，尤其是水果分类领域。??我们从特征检测、材质分类、水果分类这三个方面分析这个课题的国内外的研宄现状。??１．２．１特征检测的研究现状??在模式识别的相关研究中，要得到一个最优解，有两种途径：一则有一个干净的输??入，即在特征选取上要选择最具有代表性的特征类型，在特征提取上要准确，对同类聚??合度要高
【相似文献】

相关期刊论文 前10条

1 黄秋燕;冯学智;肖鹏峰;;利用稀疏分解的高分辨率遥感图像线状特征检测[J];武汉大学学报(信息科学版);2014年08期

2 方亦凯;程健;汪孔桥;卢汉清;;基于快速尺度空间特征检测的手势识别方法[J];中国图象图形学报;2009年02期

3 潘广林;梁彦;金术玲;潘泉;程咏梅;;基于子束变换的自适应线性特征检测[J];火力与指挥控制;2008年10期

4 马菊红;朱灿焰;;认知无线电中一种循环特征检测方法研究[J];通信技术;2009年04期

5 肖志涛,国澄明,侯正信,于明;图像特征检测算法的分析与研究[J];中国图象图形学报;2004年12期

6 虞凡;覃征;;一种基于时频域归一化二次谱的信号特征检测方法[J];西安交通大学学报;2006年10期

7 温建飞;岳凤英;李永红;;基于FPGA硬件架构的实时高速图像特征检测系统[J];电子世界;2015年21期

8 刘昕鑫;王元庆;;基于双焦单目立体视觉的多层次特征检测算法[J];计算机测量与控制;2009年02期

9 陈强;金明;童景文;;一种针对噪声不确定性的顽健循环特征检测法[J];电信科学;2016年10期

10 蒙军;黄梅;王成科;;基于灰色关联的运动训练背景下肌体行为特征检测[J];科技通报;2015年02期

相关博士学位论文 前10条

1 王建辉;实时视觉特征检测与匹配硬件架构研究[D];华中科技大学;2015年

2 杜刚;新闻数据中突发话题检测研究[D];北京邮电大学;2012年

3 权勇;基于点表示的几何体的造型与绘制研究[D];吉林大学;2009年

4 朱莹;认知无线网络中高效频谱检测关键技术的研究[D];北京邮电大学;2014年

5 胡俊华;图象局部不变特征及其应用研究[D];中国科学技术大学;2009年

6 韦春桃;基于相位信息的影像特征检测与匹配方法研究[D];武汉大学;2010年

7 金野;纸币图像分析理解技术及其应用[D];哈尔滨工业大学;2008年

8 张超;树木影像特征提取与立体匹配技术研究[D];中国林业科学研究院;2003年

9 王艳霞;图像轮廓提取与三维重建关键技术研究[D];重庆大学;2010年

10 肖志涛;基于相位信息的图像特征检测和基于DSP的图像匹配处理机的研究[D];天津大学;2003年

相关硕士学位论文 前10条

1 李明心;高光特征检测及其在水果分类上的应用[D];广西大学;2019年

2 巴特尔;基于深度学习的特征检测与识别[D];吉林大学;2018年

3 张云柯;基于场景识别的体育视频广告嵌入技术研究[D];杭州师范大学;2018年

4 熊显阔;钮扣特征检测与分类识别算法研究[D];华中科技大学;2016年

5 姜艳;对基于点表示的物体进行绘制和特征检测的技术的研究与实现[D];吉林大学;2008年

6 许可乐;图像局部不变特征检测与描述技术研究[D];国防科学技术大学;2013年

7 刘晓敏;认知无线电中基于压缩感知的循环特征检测算法研究[D];北京邮电大学;2014年

8 王浩;图像局部特征检测方法研究及在移动增强现实中的应用[D];西安理工大学;2017年

9 刘传静;三角网格曲面的分级特征检测算法研究[D];大连理工大学;2006年

10 官兴华;自主水下航行器同时定位与水底特征检测组合导航方法[D];浙江大学;2011年

本文编号：2840001