CN101719272B - 基于三维改进型脉冲耦合神经网络的三维图像分割方法 - Google Patents
基于三维改进型脉冲耦合神经网络的三维图像分割方法 Download PDFInfo
- Publication number
- CN101719272B CN101719272B CN2009101995603A CN200910199560A CN101719272B CN 101719272 B CN101719272 B CN 101719272B CN 2009101995603 A CN2009101995603 A CN 2009101995603A CN 200910199560 A CN200910199560 A CN 200910199560A CN 101719272 B CN101719272 B CN 101719272B
- Authority
- CN
- China
- Prior art keywords
- ijk
- dimensional
- pulse
- neural network
- ipcnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于三维改进型脉冲耦合神经网络的三维图像分割方法。它是将改进型的脉冲耦合神经网络(IPCNN-Improve pulse coupled neural network)从二维平面扩展到三维空间,利用IPCNN分割算法原理以及图像序列的空间关系进行二值分割,再采用形态学平滑处理感兴趣区域的边缘,最后用体绘制的方法重建感兴趣区域。本方法在保证分割质量的前提下,加快了运行的速度,达到较理想的分割效果。
Description
技术领域
本发明涉及一种基于三维的改进型脉冲耦合神经网络(Three Dimension Improved PulseCoupled Neural Network,3D IPCNN)的三维图像分割方法。
背景技术
图像分割是图像处理和计算机视觉等领域最重要的研究领域。一方面,图像分割是目标表达的基础,对特征的测量有重要影响;另一方面,其基于分割的目标表达、特征提取和参数测量可以将原始图像信息转化为更抽象更紧凑的形式,使得更高层次的图像分析和理解成为可能。因此,图像分割也是图像分析和图像识别中前期处理的一个重要步骤。
目前,图像分割算法主要可以分为三类:基于区域的分割、基于边界的分割和结合特定理论工具的分割技术。三维图像数据处理方法在许多方面与二维方法类似,因此大多数方法可以由二维方法推广而来。一般可以有二维逐层处理和直接三维处理两种:前者直接快速,便于人机交互,但并未考虑三维空间性质;后者充分考虑空间性质,但处理的计算代价高。
基于区域的分割方法是根据区域中图像灰度统计特性或连续性来进行的。主要有阈值化方法,区域跟踪算法,聚类分割算法等。这些方法的缺点是对噪声比较敏感,如何提高算法的鲁棒性仍是区域分割中极具挑战性的课题。基于边缘检测的分割方法,通过检测边界上相邻像素特征值的突变性来获得不同区域的边缘。传统边缘检测算法如微分算子边缘检测和曲面拟合边缘检测算法。微分算子进行边缘检测简单方便但是抑制噪声能力较差,而曲面拟合算子计算量较大。
随着各学科的新理论和方法的提出,结合这些特定理论的一些新的图像分割技术也应运而生,如神经网络、数学形态学、变形模型等,并取得了一定的进展。其中变形模型是近年来研究的热点,变形模型实现过程利用了图像灰度幅值的不连续性,从广义上讲,仍属于边缘检测的方法。它将对感兴趣区域的先验知识与图像约束联系起来,使曲线在演化过程中能够保持连续性和平滑,对边界和噪声的鲁棒性都较强。变形模型以一种动态的方式和图像数据关联起来,能量函数充当了先验模型和数据图像之间的吻合度的一种能量,而曲线或曲线变形的目的就是提高先验模型和图像数据之间的吻合度,这是通过最小能量函数实现的。但是这类模型用于图像分割还有许多需要解决的问题,比如进一步的理论分析,有效的数值计算方法及三维分割的运算速度。
脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)是一种不同于传统人工神经网络的新型神经网络。它是依据猫、猴等动物的大脑视觉皮层上的同步脉冲发放现象提出的数学模型。在PCNN中,具有相似输入的神经元同时发生脉冲,能够弥补输入数据的空间不连贯和幅度上的微小变化,从而较完整地保留图像的区域信息,这对图像分割无疑是非常有利的。但是,目前的PCNN模式是针对二维图像处理,建立是二维模型,对于三维的图像,只能采用二维分层的方式对图像序列逐帧进行处理,这就大大降低了图像处理的效率。
发明内容
本发明的目的在于针对现有三维图像分割中存在的速度慢效率低的问题,将二维PCNN模型扩展成三维空间的模型,提供一种基于三维改进型脉冲耦合神经网络的三维图像分割方法。该方法能够在保持分割效果的基础上,加快运行的速度,达到较理想的处理效果。
为达到上述目的,本发明的构思是:将IPCNN模型从二维平面扩展到三维空间,以体元(volume)为基本单位,对读入的切片序列进行整体分割方法的设计,然后经过数学形态学处理得到边缘更加光滑的感兴趣区域。
根据上述发明构思,本发明采用下述技术方案:
一种基于三维改进型脉冲耦合神经网络的三维图像分割方法,其操作步骤为:
(1)读取图像学列。
(2)对读取的图像序列采用3D IPCNN分割算法进行整体分割,得到二值图像序列。
(3)采用数学形态学方法平滑感兴趣区域的边缘部分。
(4)用体绘制的方法重建感兴趣区域。
基于3D IPCNN模型的图像序列整体分割,其步骤如下:
①将IPCNN模型从二维平面(i,j)扩展到三维空间(i,j,k),根据情况选择连接域的范围:6,18或26邻域;
②设置参数:联结权系数W,连接系数β,动态阈值中的系数α和θ0;
③将像素Iijk作为外部刺激输入;
④将图像序列读入到三维矩阵,第一次迭代开始:对每一体元(volume)依次用3D IPCNN分割算法处理,其中每个体素根据自身及其邻域体素的灰度特点由阈值判定输出为点火或抑制,一次迭代完成后得到二值图像序列;重复上述循环,第n次迭代完成后,得到最佳二值输出。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
(1)3D IPCNN分割算法对图像序列做整体分割,考虑了PCNN模型的神经生理学背景,与其他方法相比,是一种结合视觉特性的更自然的图像处理方式。
(2)3D IPCNN分割算法对图像序列做整体分割,考虑了人体组织的三维空间连通性,使之后的重建效果可以更加真实。
(3)3D IPCNN分割算法对图像序列做整体分割,考虑了三维图像处理实时性的问题,相对于其他二维分层处理算法,大大提高了图像处理的效率。
附图说明
图1为本发明的分割方法程序框图。
图2为本发明中的3D IPCNN分割算法模型框图。
图3为本发明3D IPCNN整体分割方法分别与手工分割方法、分层IPCNN分割方法及3D Otsu算法对肺部CT图像序列分割结果的比较。
图中,(a)为肺部CT图像序列的某一帧;(b)为手动方法分割结果;(c)为分层IPCNN方法分割的结果;(d)为3D Otsu算法的分割结果;(e)为3D IPCNN整体分割的结果。
图4为本发明3D IPCNN整体分割后,用体绘制方法重建出的肺部区域。
具体实施方式
本发明的优选实施例结合附图详述如下:
实施例一:
参考图1,基于三维改进型脉冲耦合神经网络的三维图像分割方法,其操作步骤为:
(1)读取图像序列。
(2)对读取的图像序列采用3D IPCNN分个算法进行整体分割,得到二值图像序列。
(3)采用数学形态学方法平滑感兴趣区域的边缘部分。
(4)用体绘制地方法重建感兴趣区域。
实施例二:
本实施例基本上与实施例一相同,特别之处是:
参见图2,将IPCNN分割算法模型由二维扩展到三维,3D IPCNN分割算法模型由接受域、调制部分和脉冲产生三部分组成。其原理数学方程描述为:
Fijk[n]=Iijk (1)
Lijk[n]=∑WijklmnYlmn[n-1] (2)
Uijk[n]=Fijk(1+βLijk[n]) (3)
式中Fijk[n]是第(i,j,k)个神经元的第n次反馈输入量;Iijk为外部刺激输入,即图像的像素灰度值;Lijk[n]为线性连接输入量;Wijklmn为内部连接矩阵;β为突触间连接强度常数;Uijk[n]为内部活动项;Yijk[n]为第(i,j,k)个神经元的输出;θijk[n]为神经元内部活动项U能否激发脉冲所需的动态门限;a,θ0均为动态阈值参数。内部活动项将来自输入域和连接域的信号进行相乘调制得到内部活动信号U。在第n时刻,脉冲发生器将Uijk[n]与前一时刻神经元产生的动态阈值θijk[n-1]进行比较,若大于阈值,脉冲发生器打开,神经元被点火,即处于激发状态,输出一个脉冲,反之亦然。各个神经元的输出只有点火或不点火两种状态。最后根据前一时刻输出脉冲的情况动态调整阈值。
3D IPCNN用于图像分割,将大小为I*J*K的三维图像序列看作I*J*K个相同结构的3DIPCNN神经元模型,每个像素的灰度值对应为每个神经元的外部输入Iijk。亮度值大的像素点对应神经元先点火,发放脉冲,通过脉冲传播,引起内部连接矩阵Wijklmn所在邻域内灰度值相近的像素点对应的神经元发放同步脉冲,产生的脉冲序列Y[n]构成一个二值序列,该序列包含有图像的区域、边缘、纹理等信息,此脉冲序列Y[n]即为3D IPCNN输出分割图像。由于动态门限采用从小到大单调增长的阈值函数,即对3D IPCNN在不同时刻产生的抑制图像进行逐层分割,所以每个神经元只能激活一次,那么在第一次迭代时,给出一个全局零阈值,让所有像素全部激活,并按照(5)式产生下一次的阈值,然后按照上述数学方程式(1)-(5)进行迭代循环,直至分割出理想的二值图像序列。
本算法的验证实验选取用多排螺旋CT采集的5组病例,帧内像素间距为0.781*0.781mm,每帧图像的大小为512*512,帧间距为1mm。每组病例的切片数分别为330,330,329,358,358。内部连接矩阵Wijklmn为全1矩阵。参数设置为a=1,β=0.001,θ0=2500。当迭代次数n=4时即可达到理想的分割效果。
为了证明3D IPCNN分割算法的效果,我们分别用2D IPCNN分层处理算法和3D Otsu整体分割算法与本发明作对比,结果参加图3,相对于3D Otsu算法,本实例方法能够更好的分割出肺部区域,边缘更加平滑,分割结果更加精确,效果接近于2D IPCNN逐层分割算法。
将本实例方法分割并用形态学腐蚀,膨胀处理后的二值图像序列与原图像序列相乘,所得到的三维体数据用体绘制的方法进行重建,重建的结果参见图4,可见分割效果良好,经过以上处理后,就可以进行肺功能的定量分析等后处理了。
表1给出了两大类共五种方法来客观评价分割结果。
在分割精确上分别用平均距离(MD)、均方根距离(RMSD)、匹配面积比(TC)作评价指标,在分割效率上用平均运行时间(M-Time)和节省时间(S-Time)作评价标准。
参见表1,本实例方法在前三种评价指标上相似于2D IPCNN逐层分割方法,优于3D Otsu分割算法,运行时间及节省时间上明显优于上述两种分割方法。本实例方法提取的边缘具有较小的MD和RMSD系数,说明它更好地匹配了专家手动分割得到的肺部边缘,误差较小。在TC系数方面,较高的TC系数说明本实例方法提取的肺部区域的面积与专家手动得到的肺部区域面积匹配较大。本实例方法平均运行时间明显少于2D IPCNN和3D Otsu方法,这两种算法相对本实例方法费时高达80%以上,说明3D IPCNN在运行效率上有极大的优势。
表1本实例方法与2D IPCNN分层分割算法、3D Otsu算法处理性能比较。
2D I-PCNN | 3D Otsu | 3D I-PCNN | |
MD | 0.0028±0.0004 | 0.0068±0.0011 | 0.0029±0.0005 |
RMSD | 0.0703±0.0062 | 0.2681±0.0350 | 0.0715±0.0056 |
TC | 0.9777±0.0088 | 0.9653±0.0452 | 0.9760±0.0093 |
M-Time(s) | 1577.5 | 1362.3 | 2730 |
S-Time(%) | 82.7 | 80.0 |
Claims (4)
1.一种基于三维改进型脉冲耦合神经网络的三维图像分割方法,其特征在于操作步骤为:
(1)读取图像序列;
(2)对读取的图像序列采用三维改进型脉冲耦合神经网络分割算法进行整体分割,得到二值图像序列;
(3)采用数学形态学方法平滑处理感兴趣区域的边缘部分;
(4)用体绘制的方法重建感兴趣区域;
所述的三维改进型脉冲耦合神经网络分割算法的具体步骤为:
将IPCNN分割算法模型由二维扩展到三维,3D IPCNN分割算法模型由接受域、调制部分和脉冲产生三部分组成,其原理数学方程描述为:
Fijk[n]=Iijk (1)
Lijk[n]=∑WijklmnYlmn[n-1] (2)
Uijk[n]=Fijk(1+βLijk[n]) (3)
式中Fijk[n]是第(i,j,k)个神经元的第n次反馈输入量;Iijk为外部刺激输入,即图像的像素灰度值;Lijk[n]为线性连接输入量;Wijklmn为内部连接矩阵;β为突触间连接强度常数;Uijk[n]为内部活动项;Yijk[n]为第(i,j,k)个神经元的输出;θijk[n]为神经元内部活动项U能否激发脉冲所需的动态门限;a,θ0均为动态阈值参数;内部活动项将来自输入域和连接域的信号进行相乘调制得到内部活动信号U;在第n时刻,脉冲发生器将Uijk[n]与前一时刻神经元产生的动态阈值θijk[n-1]进行比较,若大于阈值,脉冲发生器打开,神经元被点火,即处于激发状态,输出一个脉冲,反之亦然;各个神经元的输出只有点火或不点火两种状态;最后根据前一时刻输出脉冲的情况动态调整阈值;
3D IPCNN用于图像分割,将大小为I*J*K的三维图像序列看作I*J*K个相同结构的3DIPCNN神经元模型,每个像素的灰度值对应为每个神经元的外部输入Iijk;亮度值大的像素点对应神经元先点火,发放脉冲,通过脉冲传播,引起内部连接矩阵Wijklmn所在邻域内灰度值相近的像素点对应的神经元发放同步脉冲,产生的脉冲序列Y[n]构成一个二值序列,该序列包含有图像的区域、边缘、纹理信息,此脉冲序列Y[n]即为3D IPCNN输出分割图像;由于动态门限采用从小到大单调增长的阈值函数,即对3D IPCNN在不同时刻产生的抑制图像进行逐层分割,所以每个神经元只能激活一次,那么在第一次迭代时,给出一个全局零阈值,让所有像素全部激活,并按照(5)式产生下一次的阈值,然后按照上述数学方程式(1)-(5)进行迭代循环,直至分割出理想的二值图像序列。
2.根据权利要求1所述的基于三维改进型脉冲耦合神经网络的三维图像分割方法,其特征在于所述步骤(2)由以下具体步骤组成:
①将改进型脉冲耦合神经网络模型从二维平面扩展到三维空间,得到三维改进型脉冲耦合神经网络算法模型,根据情况选择模型中连接域的范围:6,18或26邻域;
②设置三维改进型脉冲耦合神经网络的参数:联结权系数W,连接系数β,动态阈值中的系数a和θ0;
③将像素Iijk作为外部刺激输入;
④将图像序列读入到三维矩阵,第一次迭代开始:对每一像素点依次用三维改进型脉冲耦合神经网络分割算法处理,其中每个像素根据自身及其邻域像素的灰度特点由阈值判定输出为点火或抑制,一次迭代完成后得到二值图像序列;重复上述循环,第n次迭代完成后,得到最佳二值输出。
3.根据权利要求1所述的基于三维改进型脉冲耦合神经网络的三维图像分割方法,其特征在于所述步骤(3)的采用数学形态学方法平滑处理感兴趣区域的边缘,方法是根据得到的二值图像序列,采用传统形态学方法——腐蚀、膨胀,对其感兴趣区域的边缘平滑处理。
4.根据权利要求1所述的基于三维改进型脉冲耦合神经网络的三维图像分割方法,其特征在于所述步骤(4)的感兴趣区域重建,方法是将平滑后的二值图像序列同原始图像序列相乘,得到感兴趣区域得体数据,再对此体数据用体绘制的方法进行重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101995603A CN101719272B (zh) | 2009-11-26 | 2009-11-26 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101995603A CN101719272B (zh) | 2009-11-26 | 2009-11-26 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101719272A CN101719272A (zh) | 2010-06-02 |
CN101719272B true CN101719272B (zh) | 2012-07-04 |
Family
ID=42433842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101995603A Expired - Fee Related CN101719272B (zh) | 2009-11-26 | 2009-11-26 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101719272B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5173053B2 (ja) * | 2011-07-19 | 2013-03-27 | 株式会社東芝 | 画像処理システム、装置、方法及び医用画像診断装置 |
CN104270638A (zh) * | 2014-07-29 | 2015-01-07 | 武汉飞脉科技有限责任公司 | 一种ct影像感兴趣区域压缩与质量评估方法 |
CN104599262A (zh) * | 2014-12-18 | 2015-05-06 | 浙江工业大学 | 基于多通道脉冲耦合神经网络的彩色图像分割技术 |
CN108027896A (zh) * | 2015-03-18 | 2018-05-11 | 赫尔实验室有限公司 | 用于解码具有连续突触可塑性的脉冲储层的系统和方法 |
CN105118045A (zh) * | 2015-06-18 | 2015-12-02 | 江西师范大学 | 一种基于脉冲耦合神经网络的灰度图像边缘检测方法 |
CN105261006B (zh) * | 2015-09-11 | 2017-12-19 | 浙江工商大学 | 基于傅里叶变换的医学图像分割算法 |
CN105225231B (zh) * | 2015-09-11 | 2017-11-10 | 浙江工商大学 | 基于病灶容积测量的mri自动图像分割方法 |
CN105139409B (zh) * | 2015-09-11 | 2017-11-10 | 浙江工商大学 | 基于蚁群算法的二维图像分割方法 |
CN105261005B (zh) * | 2015-09-11 | 2018-07-13 | 浙江工商大学 | 基于多尺度空间模糊聚类的无监督mri图像分割方法 |
CN108053465A (zh) * | 2017-12-11 | 2018-05-18 | 深圳市图智能科技有限公司 | 一种基于体绘制的图像分割结果后处理方法 |
CN108224895B (zh) * | 2018-01-08 | 2020-11-10 | 合肥美的智能科技有限公司 | 基于深度学习的物品信息录入方法、装置、冰箱和介质 |
CN109658390B (zh) * | 2018-12-04 | 2023-10-27 | 南京航空航天大学 | 一种用于正电子检测正弦矩阵图的感兴趣区域提取方法 |
CN111598828B (zh) * | 2019-02-20 | 2022-03-11 | 东莞先知大数据有限公司 | 一种基于图形分析pcnn特征的声发射断刀检测方法 |
CN110176007A (zh) * | 2019-05-17 | 2019-08-27 | 广州视源电子科技股份有限公司 | 晶状体分割方法、装置及存储介质 |
CN113657558B (zh) * | 2021-10-18 | 2022-07-01 | 广东航宇卫星科技有限公司 | 一种针对骶髂关节ct图像的分类评级方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN101414351A (zh) * | 2008-11-03 | 2009-04-22 | 章毅 | 一种指纹识别系统及其控制方法 |
CN101546430A (zh) * | 2009-04-30 | 2009-09-30 | 上海大学 | 基于简化型脉冲耦合神经网络的边缘提取方法 |
CN101577003A (zh) * | 2009-06-05 | 2009-11-11 | 北京航空航天大学 | 一种基于改进交叉视觉皮质模型的图像分割方法 |
-
2009
- 2009-11-26 CN CN2009101995603A patent/CN101719272B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
CN101414351A (zh) * | 2008-11-03 | 2009-04-22 | 章毅 | 一种指纹识别系统及其控制方法 |
CN101546430A (zh) * | 2009-04-30 | 2009-09-30 | 上海大学 | 基于简化型脉冲耦合神经网络的边缘提取方法 |
CN101577003A (zh) * | 2009-06-05 | 2009-11-11 | 北京航空航天大学 | 一种基于改进交叉视觉皮质模型的图像分割方法 |
Non-Patent Citations (3)
Title |
---|
G.Kuntimad,H.S.Ranganath.Perfect Image Segmentation Using Pulse Coupled Neural Networks.《IEEE TRANSACTIONS ON NEURAL NETWORKS》.1999,第10卷(第3期),591-598. * |
卢桂馥,刘金飞,王勇,窦易文.基于微粒群算法和脉冲耦合神经网络的图像分割算法.《计算机技术与发展》.2008,第18卷(第7期),90-92. * |
马义德,苏茂君,陈锐.基于PCNN的图像二值化及分割评价方法.《华南理工大学学报(自然科学版)》.2009,第37卷(第5期),49-53. * |
Also Published As
Publication number | Publication date |
---|---|
CN101719272A (zh) | 2010-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101719272B (zh) | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 | |
Gong et al. | Data processing for real-time construction site spatial modeling | |
US8224089B2 (en) | Information processing device and information processing method, image processing device and image processing method, and computer program | |
CN103208001B (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
US8401264B2 (en) | Solid modeling based on volumetric scans | |
Ju et al. | Computing a family of skeletons of volumetric models for shape description | |
CN109727253A (zh) | 基于深度卷积神经网络自动分割肺结节的辅助检测方法 | |
CN109903292A (zh) | 一种基于全卷积神经网络的三维图像分割方法及系统 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN103310481B (zh) | 一种基于模糊熵迭代的点云精简方法 | |
CN101546430A (zh) | 基于简化型脉冲耦合神经网络的边缘提取方法 | |
WO2003088085A1 (en) | Three-dimensional digital library system | |
CN104809723A (zh) | 基于超体素和图割算法的三维肝脏ct图像自动分割方法 | |
CN108830877A (zh) | 岩心体视显微图像定量描述方法 | |
CN108765430A (zh) | 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法 | |
Chong et al. | Automatic solid decomposition and reduction for non-manifold geometric model generation | |
CN100461217C (zh) | 一种复杂性测度的图像纹理分割方法 | |
CN102013093A (zh) | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 | |
CN102509357A (zh) | 基于笔触的铅笔素描模拟和绘制系统 | |
CN102053963B (zh) | 一种胸部x线图像检索方法 | |
CN103745470A (zh) | 基于小波的多边形轮廓演化医学ct图像交互式分割方法 | |
CN104318563A (zh) | 一种基于医学图像的器官骨架提取方法 | |
Yang et al. | Classification of 3D terracotta warriors fragments based on geospatial and texture information | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN106991660A (zh) | 基于改进型八叉树分解的三维超声图像数据抽样方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120704 Termination date: 20141126 |
|
EXPY | Termination of patent right or utility model |