當可見光照射到物體表面時,會觀測到物體表面在距離光源最近的區(qū)域形成一塊顏色畸變。這塊發(fā)生顏色畸變的區(qū)域便是高光,它普遍存在于圖片中,在圖像處理中常被當做噪聲篩除。但實際上,高光區(qū)別于過曝,在抑制了材料表面的紋理信息的同時,通過亮度震蕩的形式突出了材質(zhì)自身所具有的凹凸變換信息,在材料分類中具有極強的應用價值。本課題針對高光高光特征的優(yōu)勢,深入研究了高光特征檢測,并將其應用在水果分類領域。具體研究內(nèi)容如下:1、高光圖像采集平臺的搭建。搭建圖像采集平臺,協(xié)調(diào)光照條件與相機參數(shù)之間的關系,拍攝在不同光照強度下具有清晰的高光信息且不出現(xiàn)過曝的圖片。2、提出HIGHGLIGHT光照模型。分析了經(jīng)典光照模型的原理和具體應用場景,針對經(jīng)典光照模型對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,并應用該模型進行高光特征的提取,驗證了該模型的準確性和在高光特征檢測上的適用性。3、高光特征檢測及其在水果分類上的應用。利用HIGHLIGHT光照模型的原理提取高光特征,并通過短時傅里葉變換構造特征描述符。對DBSCAN算法改進,融入投票決策模塊,對不同水果的高光特征描述符進行分類。
【學位單位】：廣西大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TS255.3;TP391.41
【部分圖文】：

當可見光照射到物體表面時，人眼會看到在距離光源最近的區(qū)域形成一塊顏色畸變，??這塊發(fā)生顏色畸變的區(qū)域便是高光。用圖形學的語言描述，高光就是密集分布在距離光??源最近點區(qū)域的，大小形狀不一的亮斑，如圖１－１－Ｃ）所示。而從信號學的角度描述，??高光就是物體表面局部的亮度震蕩（主要研宄徑向亮度震蕩），如圖ｌ－１－ｄ）所示。根據(jù)??物體材質(zhì)的不同，亮斑的分布規(guī)律和震蕩的信號特征也會存在區(qū)別。??高光由鏡面反射產(chǎn)生，抑制了材料表面由于本身顏色而產(chǎn)生的紋理信息，而將材質(zhì)??自身所具有的凹凸變換信息通過亮度震蕩的形式保留下來，如圖１＿２所示。此外，由于??高光特征是局部特征，且亮度極大，所以由環(huán)境光在該區(qū)域產(chǎn)生的亮度分量完全可以被??忽略。綜上所述，通過對高光的分布規(guī)律進行研宄，可以總結生成區(qū)分度好、魯棒性高??的特征。??由于高光會造成顏色失真，所以在以往的計算機視覺相關的研宄中，高光常被當做??噪聲篩除。但通過以上分析可知

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，高光與過曝有很大的區(qū)別。只要光照存在，就會在物體表面生成可??觀測到的不同程度的高光，蘊含與物體材質(zhì)有關的豐富的亮度震蕩信息。而過曝是在拍??攝時由于相機參數(shù)設置不合適而造成的亮度信息完全丟失的情況。若說高光是噪聲，過??曝則可被稱為污染。??１．２國內(nèi)外研究現(xiàn)狀??本文主要研宄高光特征檢測算法，并將其應用到材質(zhì)分類，尤其是水果分類領域。??我們從特征檢測、材質(zhì)分類、水果分類這三個方面分析這個課題的國內(nèi)外的研宄現(xiàn)狀。??１．２．１特征檢測的研究現(xiàn)狀??在模式識別的相關研究中，要得到一個最優(yōu)解，有兩種途徑：一則有一個干凈的輸??

妒墾?宦畚母吖馓卣骷觳餳捌湓謁??擲嗌系撓τ茫崳?ＤＢＯＨ??圖１－２物體表面高光區(qū)域顏色失真，從而避免了紋理／顏色特征與材質(zhì)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，高光與過曝有很大的區(qū)別。只要光照存在，就會在物體表面生成可??觀測到的不同程度的高光，蘊含與物體材質(zhì)有關的豐富的亮度震蕩信息。而過曝是在拍??攝時由于相機參數(shù)設置不合適而造成的亮度信息完全丟失的情況。若說高光是噪聲，過??曝則可被稱為污染。??１．２國內(nèi)外研究現(xiàn)狀??本文主要研宄高光特征檢測算法，并將其應用到材質(zhì)分類，尤其是水果分類領域。??我們從特征檢測、材質(zhì)分類、水果分類這三個方面分析這個課題的國內(nèi)外的研宄現(xiàn)狀。??１．２．１特征檢測的研究現(xiàn)狀??在模式識別的相關研究中，要得到一個最優(yōu)解，有兩種途徑：一則有一個干凈的輸??入，即在特征選取上要選擇最具有代表性的特征類型，在特征提取上要準確，對同類聚??合度要高
【相似文獻】

相關期刊論文 前10條

1 黃秋燕;馮學智;肖鵬峰;;利用稀疏分解的高分辨率遙感圖像線狀特征檢測[J];武漢大學學報(信息科學版);2014年08期

2 方亦凱;程健;汪孔橋;盧漢清;;基于快速尺度空間特征檢測的手勢識別方法[J];中國圖象圖形學報;2009年02期

3 潘廣林;梁彥;金術玲;潘泉;程詠梅;;基于子束變換的自適應線性特征檢測[J];火力與指揮控制;2008年10期

4 馬菊紅;朱燦焰;;認知無線電中一種循環(huán)特征檢測方法研究[J];通信技術;2009年04期

5 肖志濤,國澄明,侯正信,于明;圖像特征檢測算法的分析與研究[J];中國圖象圖形學報;2004年12期

6 虞凡;覃征;;一種基于時頻域歸一化二次譜的信號特征檢測方法[J];西安交通大學學報;2006年10期

7 溫建飛;岳鳳英;李永紅;;基于FPGA硬件架構的實時高速圖像特征檢測系統(tǒng)[J];電子世界;2015年21期

8 劉昕鑫;王元慶;;基于雙焦單目立體視覺的多層次特征檢測算法[J];計算機測量與控制;2009年02期

9 陳強;金明;童景文;;一種針對噪聲不確定性的頑健循環(huán)特征檢測法[J];電信科學;2016年10期

10 蒙軍;黃梅;王成科;;基于灰色關聯(lián)的運動訓練背景下肌體行為特征檢測[J];科技通報;2015年02期

相關博士學位論文 前10條

1 王建輝;實時視覺特征檢測與匹配硬件架構研究[D];華中科技大學;2015年

2 杜剛;新聞數(shù)據(jù)中突發(fā)話題檢測研究[D];北京郵電大學;2012年

3 權勇;基于點表示的幾何體的造型與繪制研究[D];吉林大學;2009年

4 朱瑩;認知無線網(wǎng)絡中高效頻譜檢測關鍵技術的研究[D];北京郵電大學;2014年

5 胡俊華;圖象局部不變特征及其應用研究[D];中國科學技術大學;2009年

6 韋春桃;基于相位信息的影像特征檢測與匹配方法研究[D];武漢大學;2010年

7 金野;紙幣圖像分析理解技術及其應用[D];哈爾濱工業(yè)大學;2008年

8 張超;樹木影像特征提取與立體匹配技術研究[D];中國林業(yè)科學研究院;2003年

9 王艷霞;圖像輪廓提取與三維重建關鍵技術研究[D];重慶大學;2010年

10 肖志濤;基于相位信息的圖像特征檢測和基于DSP的圖像匹配處理機的研究[D];天津大學;2003年

相關碩士學位論文 前10條

1 李明心;高光特征檢測及其在水果分類上的應用[D];廣西大學;2019年

2 巴特爾;基于深度學習的特征檢測與識別[D];吉林大學;2018年

3 張云柯;基于場景識別的體育視頻廣告嵌入技術研究[D];杭州師范大學;2018年

4 熊顯闊;鈕扣特征檢測與分類識別算法研究[D];華中科技大學;2016年

5 姜艷;對基于點表示的物體進行繪制和特征檢測的技術的研究與實現(xiàn)[D];吉林大學;2008年

6 許可樂;圖像局部不變特征檢測與描述技術研究[D];國防科學技術大學;2013年

7 劉曉敏;認知無線電中基于壓縮感知的循環(huán)特征檢測算法研究[D];北京郵電大學;2014年

8 王浩;圖像局部特征檢測方法研究及在移動增強現(xiàn)實中的應用[D];西安理工大學;2017年

9 劉傳靜;三角網(wǎng)格曲面的分級特征檢測算法研究[D];大連理工大學;2006年

10 官興華;自主水下航行器同時定位與水底特征檢測組合導航方法[D];浙江大學;2011年

本文編號：2840001