Atitit 图像处理--图像分类 模式识别 肤色检测识别原理 与attilax的实践总结

Atitit 图像处理--图像分类 模式识别 肤色检测识别原理 与attilax的实践总结

1.1. 五中滤镜的分别效果。。1

1.2. 基于肤色的图片分类1

1.3. 性能提升2

1.4. --code2

1.1. 五中滤镜的分别效果。。

/AtiPlatf_cms/src/com/attilax/clr/skinfltAll.java

1.2. 基于肤色的图片分类

/AtiPlatf_cms/src/com/attilax/clr/moveBySkinLow.java

生成所有图片的肤色百分比,存入csv文件。。

然后可以移动前面的20%的文件,人工二次检查

可以方便的把不便上传的文件与日益上传的文件区分开。。

1.3. 性能提升

图像处理性能比较慢,图像的处理比较消耗cpu,不知可否有方法提升??

或许可以缩小图片到标准化大小,然后点数吗??

大概100张图片需要10s。。1w张图片就需要 10分钟。。

1.4. --code

private static void getBlackPercentTxt(String d) throws IOException {

ExecutorService urlPool = Executors.newFixedThreadPool(3);

final List<Map> li = Lists.newArrayList();

Function<String, Object> closure = (String f) -> {

Runnable command = () -> {

Map m = Maps.newHashMap();

m.put("f", f);

BufferedImage src = imgx.toImg(f);

SkinFilter1 SkinFilter1a = new SkinFilter1();

BufferedImage dest = SkinFilter1a.filter(src, null);

float blackPoints = imgx.getBlackPercent(dest);

m.put("blkpst", blackPoints);

li.add(m);

n++;

System.out.println(n);

};

urlPool.execute(command);

return f;

};

//

// tOrder(li);

// li.sort((Map m)->{

//

// });

dirx.traveV3(d, closure);

urlPool.shutdown();

try {

urlPool.awaitTermination(20, TimeUnit.HOURS);

} catch (InterruptedException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

//urlPool.sh

new Linq(li).orderby("blkpst", "asc");

filex fx= new filex("c:\\blkpst_asc.txt");

for (Map map : li) {

String line=map.get("blkpst").toString()+","+map.get("f").toString();

fx.appendLine_flush_safe(line);

}

fx.closeSF();

}

参考

肤色检测 - shangyaowei的专栏 - 博客频道 - CSDN.NET.html

肤色检测算法 - 基于不同颜色空间简单区域划分的皮肤检测算法 - songhhll的专栏 - 博客频道 - CSDN.NET.html

基于肤色的人脸检测_PerpLtx1988_新浪博客.html

人脸检测---基于肤色检测的实现.html

五种基于RGB色彩空间统计的皮肤检测算法 - 流浪的鱼 - 博客频道 - CSDN.NET.html

java 肤色检测 - epleone的专栏 - 博客频道 - CSDN.NET.html

Atitit 图像处理 常用8大滤镜效果 Jhlabs 图像处理类库

作者:: 绰号:老哇的爪子 ( 全名::Attilax Akbar Al Rapanui 阿提拉克斯 阿克巴 阿尔 拉帕努伊 )

汉字名:艾提拉(艾龙),   EMAIL:[email protected]

转载请注明来源: http://www.cnblogs.com/attilax/

Atiend

时间: 2024-12-25 19:41:11

Atitit 图像处理--图像分类 模式识别 肤色检测识别原理 与attilax的实践总结的相关文章

图像处理之基础---肤色检测算法 - 基于不同颜色空间简单区域划分的皮肤检测算法

本文涉及的很多算法,在网络上也有不少同类型的文章,但是肯定的一点就是,很多都是不配代码的,或者所附带的代码都是象征性的,速度慢,不优雅,不具有实用价值,本文努力解决这些问题. 文中各算法出现的顺序并不代表算法的优越性,仅仅是作者随机排布的而已. 2.基于RGB颜色空间的简单阈值肤色识别 在human skin color clustering for face detection一文中提出如下简单的判别算式: R>95 And G>40 And B>20 And R>G And R

Atitit 图像处理 灰度图片 灰度化的原理与实现

24位彩色图与8位灰度图 首先要先介绍一下24位彩色图像,在一个24位彩色图像中,每个像素由三个字节表示,通常表示为RGB.通常,许多24位彩色图像存储为32位图像,每个像素多余的字节存储为一个alpha值,表现有特殊影响的信息[1]. 在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值.亮度值),灰度范围为0-255[2].这样就得到一幅图片的灰度图. 几种灰度化的方法 分量法:使用RGB三个分量中的一

titit. 深入理解&#160;内聚(&#160;Cohesion)原理and &#160;attilax大总结

atitit. 深入理解 内聚( Cohesion)原理and  attilax大总结         1.1. 内聚的概念 1 1.1.1. 高内聚模式关于这个问题给出的答案是:分配职责,使其可保持较高的内聚性. 1 1.2. 所谓内聚(内聚有多种类型,包括偶然内聚.逻辑内聚.时间内聚.通信内聚.顺序内聚.功能内聚.信息内聚等,这里主要指的是功能内聚 2 1.2.1. 如果元素具有高度相关的职责,而且没有过多工作,那么该元素具有高内聚性. 2 1.3. 内聚按紧密程度从低到高排列次序为偶然内聚

Atitit &#160;ocr识别原理 与概论 attilax总结

Atitit  ocr识别原理 与概论 attilax总结 1.1. Ocr的过程与流程1 1.2. OCR不同技术细分略有不同,但大概原理是一样的. 即主要技术过程是:二值化(又叫归一化)--------行定位----------字符切分----------字库模型比对(取置信度较高字)---------输出2 1.3. Tesseract 图片布局分析 字符分割和识别2 1.1. Ocr的过程与流程 预处理:对包含文字的图像进行处理以便后续进行特征提取.学习.这个过程的主要目的是减少图像中的

javacpp-opencv图像处理系列:国内车辆牌照检测识别系统(万份测试车牌识别准确率99.7%以上,单次平均耗时39ms)

javaCV图像处理系列: 一.javaCV图像处理之1:实时视频添加文字水印并截取视频图像保存成图片,实现文字水印的字体.位置.大小.粗度.翻转.平滑等操作 二.javaCV图像处理之2:实时视频添加图片水印,实现不同大小图片叠加,图像透明度控制 三.opencv图像处理3:使用opencv原生方法遍历摄像头设备及调用(方便多摄像头遍历及调用,相比javacv更快的摄像头读取速度和效率,方便读取后的图像处理) 四.opencv图像处理系列:国内车辆牌照检测识别系统(万份测试准确率99.7%以上

Atitit 图像处理—图像形态学(膨胀与腐蚀)

Atitit 图像处理-图像形态学(膨胀与腐蚀) 1.1. 膨胀与腐蚀1 1.2. 图像处理之二值膨胀及应用2 1.3. 测试原理,可以给一个5*5pic,测试膨胀算法5 1.4. Photoshop里面的处理5 1.5. 类库的处理,好像没找到jhlabs,6 1.6. Attilax 源码6 1.1. 膨胀与腐蚀 说概念可能很难解释,我们来看图,首先是原图: 膨胀以后会变成这样: 腐蚀以后则会变成这样: 看起来可能有些莫名其妙,明明是膨胀,为什么字反而变细了,而明明是腐蚀,为什么字反而变粗了

[转]计算机视觉与图像处理、模式识别、机器学习学科之间的关系

在我的理解里,要实现计算机视觉必须有图像处理的帮助,而图像处理倚仗与模式识别的有效运用,而模式识别是人工智能领域的一个重要分支,人工智能与机器学习密不可分.纵观一切关系,发现计算机视觉的应用服务于机器学习.各个环节缺一不可,相辅相成. 计算机视觉(computer vision),用计算机来模拟人的视觉机理获取和处理信息的能力.就是是指用摄影机和电脑代替人眼对目标进行识别.跟踪和测量等机器视觉,并进一步做图形处理,用电脑处理成为更适合人眼观察或传送给仪器检测的图像.计算机视觉研究相关的理论和技术

状态检测防火墙原理

状态检测防火墙原理 防火墙发展到今天,虽然不断有新的技术产生,但从网络协议分层的角度,仍然可以归为以下三类: 1.包过滤防火墙: 2.基于状态检测技术(Stateful-inspection)的防火墙: 3.应用层防火墙 这三类防火墙都是向前兼容的,即基于状态检测的防火墙也有一般包过滤防火墙的功能,而基于应用层的防火墙也包括前两种防火墙的功能.由于<<浅>>文已讲了第一类防火墙,在这里我就讲讲基于状态检测技术的防火墙的实现原理. 为什么会有基于状态检测的防火墙呢?这就要先看看第一类

Atitit 图像处理之理解卷积attilax总结

Atitit 图像处理之理解卷积attilax总结 卷积的运算可以分为反转.平移,相乘,求和. 在图像处理中,图像是一个大矩阵,卷积模板是一个小矩阵.按照上述过程,就是先把小矩阵反转,然后平移到某一位置,小矩阵的每一个小格对应大矩阵里面的一个小格,然后把对应小格里面的数相乘,把所有对应小格相乘的结果相加求和,得出的最后结果赋值给小矩阵中央小格对应的图像中小格的值,替换原来的值.就是上述说到的,反转.平移.相乘.求和.        一般图像卷积就是从第一个像素(小格)开始遍历到最后一个像素(小格