CN102136133B - 一种图像处理方法及图像处理装置 - Google Patents

一种图像处理方法及图像处理装置 Download PDF

Info

Publication number
CN102136133B
CN102136133B CN201110024072.6A CN201110024072A CN102136133B CN 102136133 B CN102136133 B CN 102136133B CN 201110024072 A CN201110024072 A CN 201110024072A CN 102136133 B CN102136133 B CN 102136133B
Authority
CN
China
Prior art keywords
pixel point
search
neighborhood territory
dimensional matrix
point
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.)
Active
Application number
CN201110024072.6A
Other languages
English (en)
Other versions
CN102136133A (zh
Inventor
谢东海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yibin Zhongxing Technology Intelligent System Co Ltd
Original Assignee
Vimicro Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Vimicro Corp filed Critical Vimicro Corp
Priority to CN201110024072.6A priority Critical patent/CN102136133B/zh
Publication of CN102136133A publication Critical patent/CN102136133A/zh
Application granted granted Critical
Publication of CN102136133B publication Critical patent/CN102136133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像处理方法及图像处理装置。所述方法包括：步骤A：确定种子像素点；步骤B：确定所述种子像素点的邻域像素点；步骤C：计算所述种子像素点和每一个邻域像素点所构成的边的权重值；步骤D：将所述邻域像素点存入一个二维矩阵，根据所述邻域像素点的权重值确定所述邻域像素点在所述二维矩阵中的行列坐标；步骤E：从所述二维矩阵中搜索出权重值最小的像素点确定为新的种子像素点；重复所述步骤B、C、D、E，直至所有的边都被遍历，从而获得所述种子像素点到所有像素点之间的最优路径。本发明所述技术方案通过二维矩阵存储像素坐标值等信息，可以极大的提高像素的存储和提取效率，减少计算量，提高图像处理的速度。

Description

一种图像处理方法及图像处理装置
技术领域
本发明主要涉及图像处理领域，特征是指涉及边缘检测和跟踪的图像处理方法及图像处理装置。
背景技术
图像中边缘的自动化检测和跟踪是一个很难的问题。这个问题具体可以分为两个步骤，第一是检测出图像中的边缘，第二就是对边缘进行跟踪，得到连续的线条。边缘检测有很多提取算子，著名的有Sobel算子，Previit算子，Robert算子，Canny算子，Susan算子等。其中Canny算子是公认的最优边缘提取算子。边缘提取出来后用跟踪的方法可以将连通的边缘点顺序排列起来，形成连续的线条。由于边缘检测的复杂性，边缘的自动化检测和跟踪往往很难得到满意的结果。
在实际应用中，常常使用半自动(即加入人工交互)的方法来对边缘进行跟踪，取得了较好的效果。其中比较有名的有Snake算法和Live-ware算法。Snake即蛇行算法，该算法在图像边缘附近交互的点击几个点作为初始点，然后就可以自动搜索边缘。Snake的本质根据初始点在图像上寻找能量最小值的边缘，其能量计算包括外部能量和内部能量。外部能量基于图像信息，内部能量基于边缘的形状。内部能量和外部能量给予不同的权重，当内外能量达到平衡时，搜索就结束。Snake算子的优点是充分考虑了边缘所在像素点的图像信息和边缘整体的形状信息，因此可以获得比较平滑的边缘线。在实际应用中，可以根据需要来选择不同的能量计算方式和权重分配方式。缺点是计算比较复杂，而且对初始点的要求比较严格。
半自动边缘跟踪的另一种方法是Live-ware算法，Live-wire将寻找边缘问题转换为图论中最优路径的搜索问题，因此可以利用已有的最优路径搜索方法(Dijkstra算法)来计算。由于该算法在数学原理方面的完整性和实现的简单性，逐渐成为一种应用非常广泛的交互式边缘提取方法。传统的Live-ware算法计算量大，速度慢，迫切需要进行改进。
发明内容
本发明提出一种图像处理方法和一种图像处理装置，可以提高像素的存储和提取效率，减少计算量，提高图像处理的速度。
本发明的技术方案是这样实现的：
一种图像处理方法，应用于图像中的边缘检测和跟踪，包括：
步骤A：确定种子像素点；
步骤B：确定所述种子像素点的邻域像素点；
步骤C：计算所述种子像素点和每一个邻域像素点所构成的边的权重值；
步骤D：将所述邻域像素点存入一个二维矩阵，根据所述邻域像素点的权重值确定所述邻域像素点在所述二维矩阵中的行列坐标；
步骤E：从所述二维矩阵中搜索出权重值最小的像素点确定为新的种子像素点；
重复所述步骤B、C、D、E，直至所有的边都被遍历，从而获得所述种子像素点到所有像素点之间的最优路径。
优选的，根据所述邻域像素点的权重值确定所述邻域像素点在所述二维矩阵中的行列坐标具体为：
根据所述邻域像素点权重值的整数部分确定所述邻域像素点在所述二维矩阵中的行坐标，根据所述邻域像素点权重值的小数部分与所述二维矩阵的最大维数的积确定所述邻域像素点在所述二维矩阵中的列坐标。
优选的，根据以下公式计算所述种子像素点和每一个邻域像素点所构成的边的权重值：
l(p，q)＝ωZ·fZ(q)+ωG·fG(q)+ωD·fD(p，q)；
其中，所述p表示种子像素点，q表示邻域像素点，fZ(q)表示像素点q的拉普拉斯算子计算的值，fD(p，q)表示梯度方向，fG(q)根据梯度来计算，其计算公式为：
Ix，Iy表示像素点在x，y方向上的导数值。
优选的，在所述步骤A之前还包括：
以种子像素点为中心将所述图像划分为至少一个搜索区域；
根据搜索终点选择搜索区域；
所述重复所述步骤B、C、D、E，直至所有的边都被遍历，从而获得所述种子像素点到所有像素点之间的最优路径具体为：
重复所述步骤B、C、D、E，直至搜索区域中所有的边都被遍历，从而获得所述种子像素点到搜索区域中所有像素点之间的最优路径。
一种图像处理装置，应用于图像中的边缘检测和跟踪，包括：
第一确定单元，用于确定种子像素点；
第二确定单元，用于确定所述种子像素点的邻域像素点；
计算单元，用于计算所述种子像素点和每一个邻域像素点所构成的边的权重值；
存储单元，用于通过二维矩阵存储所述邻域像素点，根据所述邻域像素点的权重值确定所述邻域像素点在所述二维矩阵中的行列坐标；
搜索单元，用于从所述二维矩阵中搜索出权重值最小的像素点；
获取单元，用于获取所述种子像素点到所有像素点之间的最优路径。
优选的，所述存储单元包括：
排列单元，用于根据所述邻域像素点权重值的整数部分确定所述邻域像素点在所述二维矩阵中的行坐标，根据所述邻域像素点权重值的小数部分与所述二维矩阵的最大维数的积确定所述邻域像素点在所述二维矩阵中的列坐标。
优选的，所述计算单元根据以下公式计算所述种子像素点和每一个邻域像素点所构成的边的权重值：
l(p，q)＝ωZ·fZ(q)+ωG·fG(q)+ωD·fD(p，q)；
其中，所述p表示种子像素点，q表示邻域像素点，fZ(q)表示像素点q的拉普拉斯算子计算的值，fD(p，q)表示梯度方向，fG(q)根据梯度来计算，其计算公式为：
Ix，Iy表示像素点在x，y方向上的导数值。
优选的，还包括：
图像划分单元，用于以种子像素点为中心将所述图像划分为至少一个搜索区域；
选择单元，用于根据搜索终点选择搜索区域；
所述获取单元，还用于根据所述选择单元所选择的搜索区域获取所述种子像素点到搜索区域中所有像素点之间的最优路径。
本发明所述技术方案采用二维矩阵存储结构代替传统Live-ware算法中的线性表存储结构，通过二维矩阵存储像素坐标值等信息，像素在二维矩阵中的行列坐标根据权重来确定，从而可以极大的提高像素的存储和提取效率，减少计算量，提高图像处理的速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本邻域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种图像处理方法第一实施的流程示意图；
图2为本发明中将图像划分为三个搜索区域的示意图；
图3为本发明一种图像处理装置第一实施的组成结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本邻域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
首先对本发明技术方案进行一个简单的描述，Live-ware算法将图像搜索的方法应用到图像边缘提取和跟踪当中。图像中的每个像素点都被看作是图中的一个节点p，每个像素的8个邻域像素点看作是与该节点连通的8个节点，8个邻域节点和p的连线可以看作是图像中的边。p点到其中一个邻域点q的边的权重可以根据公式：
l(p，q)＝ωZ·fZ(q)+ωG·fG(q)+ωD·fD(p，q)来计算。
公式中fZ(q)代表了像素点q的拉普拉斯算子计算的值，其几何意义是边缘点对应的拉普拉斯算子值较小；fG(q)则是根据梯度来计算，像素点的梯度越大，该值越小，其计算公式为：
G = I x 2 + I y 2 , f G = max ( G ) - G max ( G ) = 1 - G max ( G ) ;
其中，Ix，Iy表示像素点在x，y方向上的导数值。
fD(p，q)表示梯度方向，该项的作用是为权重增加一个平滑影响因子，边缘变化剧烈的地方该值就大。
在搜索时，从种子点开始，计算种子点和每个邻域点构成的边的权重，将邻域点坐标和权重值都保存到一个集合A中。从A中取出权重最小的像素点，重复上述的邻域搜索过程，直到所有的边都被遍历。当搜索完成后，可以获得该种子点到所有节点之间的最短路径。因为需要对图像中的每一个像素进行处理，Live-ware算法中每次需要从临时存放的所有像素中选出权重最小的像素作为当前种子点，统的Live-ware算法采用线性表存储结构，因此需要对整个线性表进行排序，当线性表很长时，排序将耗费大量的时间。图像包含的像素数量往往都非常大，一般都会有上百万个像素点，因此采用线性表的效率会非常低。所以传统的Live-ware算法的运算量很大，速度较慢。运算量主要是需要将像素插入到按顺序排列的队列当中，并且还要进行删除等操作，当序列很长时，就会消耗很大的计算量。
本发明采用一个二维矩阵P(M×N)来存放算法中临时需要存储的像素坐标值等信息，M是矩阵的总行数，N是矩阵的总的列数。像素在二维矩阵的行列坐标根据权重来确定，本发明用像素的权重来计算行列坐标时用权重的整数部分来确定行坐标，小数部分与二维矩阵的列的最大维数的积来确定列坐标，从而使权重越小的像素能够存放在矩阵M的前面，因此可以极大的提高像素的存储和提取效率，提高图像处理的效率。
参照图1，示出了本发明一种图像处理方法第一实施的流程示意图。包括步骤：
步骤S110、确定种子像素点。
第一次确定的种子像素点为进行边缘检测的起点或图像中的其它像素点。
步骤S120、确定所述种子像素点的邻域像素点。
容易理解，每个像素点都有8个像素点与之相邻，因此，每个种子像素点都有8个邻域像素点。
步骤S130、计算所述种子像素点和每一个邻域像素点所构成的边的权重值。
根据以下公式计算所述种子像素点和每一个邻域像素点所构成的边的权重值：
l(p，q)＝ωZ·fZ(q)+ωG·fG(q)+ωD·fD(p，q)；
其中，所述p表示种子像素点，q表示邻域像素点，fZ(q)表示像素点q的拉普拉斯算子计算的值，fD(p，q)表示梯度方向，fG(q)根据梯度来计算，其计算公式为：
Ix，Iy表示像素点在x，y方向上的导数值。
步骤S140、将所述邻域像素点存入一个二维矩阵。
所述邻域像素点在所述二维矩阵中的行列坐标根据所述邻域像素点的权重值确定。
优选的，根据所述邻域像素点权重值的整数部分确定所述邻域像素点在所述二维矩阵中的行坐标，根据所述邻域像素点权重值的小数部分与所述二维矩阵的最大维数的积确定所述邻域像素点在所述二维矩阵中的列坐标。
通过所述方法确定像素点在二维矩阵中的行列坐标后，权重越小的像素点能够位于所述矩阵的前面。
步骤S150、从所述二维矩阵中搜索出权重值最小的像素点。
步骤S160、判断图像中所有的边是否遍历完成，是则进入步骤S170，否则进入步骤S110，确定所述权重值最小的像素点为新的种子像素点，重复所述步骤S120、步骤S130、步骤S140、步骤S150，直至图像中所有的边都被遍历，进入步骤S170。
需要说明的是，所述步骤S160可以在所述步骤S150后，也可以在所述步骤S150前，本发明对此不进行限定。
搜索矩阵中的最小权重对应的像素点时，本发明提供了以下两种搜索方式：
第一种，直接从上到下进行搜索。算法中用一个数组L(M)来统计每行中存放的像素的个数，用一个矩阵T(M×N)来表示矩阵中的每个位置是否已经存储了像素。利用这些信息，从上到下找到第一个存放了像素的位置，就可以取出权重最小的像素。
第二种，每次需要将像素点临时存放起来时，将该像素点和当前最小权重像素点进行比较，如果比当前最小权重还小，则将该像素代替当前最小权重对应的像素点。这样当需要提取最小权重的像素点时，可以直接获取，而不必进行搜索。
步骤S170、获得所述种子像素点到所有像素点之间的最优路径。
因为Live-ware算法将寻找边缘问题转换为最优路径的搜索问题。因此通过最优路径的搜索完成边缘检测和跟踪。
本发明所述技术方案采用二维矩阵存储结构代替传统Live-ware算法中的线性表存储结构，通过二维矩阵存储像素坐标值等信息，像素在二维矩阵中的行列坐标根据权重来确定，从而可以极大的提高像素的存储和提取效率，减少计算量，提高图像处理的速度。
进一步，在本发明一种图像处理方法的第二实施中，提出了分块进行搜索从而减少计算量，加快运算速度的方法。
因此还包括步骤：
以种子像素点为中心将所述图像划分为至少一个搜索区域。
根据搜索终点选择搜索区域。
在所述搜索区域内进行搜索，直至搜索区域中所有的边都被遍历，获得所述种子像素点到搜索区域中所有像素点之间的最优路径。
如图2，为将图像划分为三个搜索区域的示意图，即将整个图像划分为第一搜索区域，第二搜索区域和第三搜索区域，当然，也可以将图像划分两个或三个以上搜索区域，本发明对此不进行限定。所述各个搜索区域都以种子像素点为中心，第二搜索区域位于第一搜索区域的外围，第三搜索区域位于第二搜索区域的外围，由此类推。所述各搜索区域的形状既可以是矩形，也可以是圆形或其它形状，本发明对此不进行任何限定。
首先对第一搜索区域内的所有像素点进行搜索，得到当前种子点到第一搜索区域内的每个点的最优路径。当终点超过第一搜索区域时，在第一搜索区域外围的第二搜索区域进行搜索，依次类推，不断的扩展搜索区域。
在现有技术中，当图像较大时，每次选择一个新的种子点，Live-ware算法都要对整幅图像进行搜索，因此，当边缘形状比较复杂时，会导致运算量的增加。但实际上，我们并不需要对整幅图像进行搜索。本发明采用一种分块进行搜索的方法，即以当前种子点为中心，设定第一搜索区域，首先对该区域内的所有像素点进行图像搜索，得到当前种子点到该区域内的每个点的最优路径。当终点超过第一搜索区域时，在第一搜索区域外围的第二搜索区域进行搜索。依此类推，不断的扩展搜索区域。这种加速方法在大图像的边缘搜索加速明显，因为不是每条轮廓线都会分布到整个图像区域的。
参照图3，示出了本发明一种图像处理装置第一实施例的结构示意图。
所述图像处理装置包括：
第一确定单元，用于确定种子像素点。
第二确定单元，用于确定所述种子像素点的邻域像素点。
计算单元，用于计算所述种子像素点和每一个邻域像素点所构成的边的权重值。
存储单元，用于通过二维矩阵存储所述邻域像素点，所述邻域像素点在所述二维矩阵中的行列坐标根据所述邻域像素点的权重值确定。
搜索单元，用于从所述二维矩阵中搜索出权重值最小的像素点。
获取单元，用于获取所述种子像素点到所有像素点之间的最优路径。
所述存储单元包括：
排列单元(图未示)，用于根据所述邻域像素点权重值的整数部分确定所述邻域像素点在所述二维矩阵中的行坐标，根据所述邻域像素点权重值的小数部分与所述二维矩阵的最大维数的积确定所述邻域像素点在所述二维矩阵中的列坐标。
所述计算单元根据以下公式计算所述种子像素点和每一个邻域像素点所构成的边的权重值：
l(p，q)＝ωZ·fZ(q)+ωG·fG(q)+ωD·fD(p，q)；
其中，所述p表示种子像素点，q表示邻域像素点，fZ(q)表示像素点q的拉普拉斯算子计算的值，fD(p，q)表示梯度方向，fG(q)根据梯度来计算，其计算公式为：
Ix，Iy表示像素点在x，y方向上的导数值。
在本发明的另一实施例中，所述图像处理装置还可以包括：
图像划分单元(图未示)，用于以种子像素点为中心将所述图像划分为至少一个搜索区域。
选择单元(图未示)，用于根据搜索终点选择搜索区域。
所述获取单元，还用于根据所述选择单元所选择的搜索区域获取所述种子像素点到搜索区域中所有像素点之间的最优路径。
本发明所述技术方案采用二维矩阵存储结构代替传统Live-ware算法中的线性表存储结构，通过二维矩阵存储像素坐标值等信息，像素在二维矩阵中的行列坐标根据权重来确定，从而可以极大的提高像素的存储和提取效率，减少计算量，提高图像处理的速度。
本邻域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括如上述方法实施例的步骤，所述的存储介质，如：磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。在本发明各方法实施例中，所述各步骤的序号并不能用于限定各步骤的先后顺序，对于本邻域普通技术人员来讲，在不付出创造性劳动性的前提下，对各步骤的先后变化也在本发明的保护范围之内。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种图像处理方法，应用于图像中的边缘检测和跟踪，其特征在于，包括：
步骤A：确定种子像素点；
步骤B：确定所述种子像素点的邻域像素点；
步骤C：计算所述种子像素点和每一个邻域像素点所构成的边的权重值；
步骤D：将所述邻域像素点存入一个二维矩阵，根据所述邻域像素点的权重值确定所述邻域像素点在所述二维矩阵中的行列坐标，包括：根据所述邻域像素点权重值的整数部分确定所述邻域像素点在所述二维矩阵中的行坐标，根据所述邻域像素点权重值的小数部分与所述二维矩阵的列的最大维数的积确定所述邻域像素点在所述二维矩阵中的列坐标；
步骤E：从所述二维矩阵中搜索出权重值最小的像素点确定为新的种子像素点；
重复所述步骤B、C、D、E，直至所有的边都被遍历，从而获得所述种子像素点到所有像素点之间的最优路径。
2.根据权利要求1所述的图像处理方法，其特征在于，在所述步骤A之前还包括：
以种子像素点为中心将所述图像划分为至少一个搜索区域；
根据搜索终点选择搜索区域；
所述重复所述步骤B、C、D、E，直至所有的边都被遍历，从而获得所述种子像素点到所有像素点之间的最优路径具体为：
重复所述步骤B、C、D、E，直至搜索区域中所有的边都被遍历，从而获得所述种子像素点到搜索区域中所有像素点之间的最优路径。
3.一种图像处理装置，应用于图像中的边缘检测和跟踪，其特征在于，包括：
第一确定单元，用于确定种子像素点；
第二确定单元，用于确定所述种子像素点的邻域像素点；
计算单元，用于计算所述种子像素点和每一个邻域像素点所构成的边的权重值；
存储单元，用于通过二维矩阵存储所述邻域像素点，根据所述邻域像素点的权重值确定所述邻域像素点在所述二维矩阵中的行列坐标，包括：排列单元，用于根据所述邻域像素点权重值的整数部分确定所述邻域像素点在所述二维矩阵中的行坐标，根据所述邻域像素点权重值的小数部分与所述二维矩阵的列的最大维数的积确定所述邻域像素点在所述二维矩阵中的列坐标；
搜索单元，用于从所述二维矩阵中搜索出权重值最小的像素点；
获取单元，用于获取所述种子像素点到所有像素点之间的最优路径。
4.根据权利要求3所述的图像处理装置，其特征在于，还包括：
图像划分单元，用于以种子像素点为中心将所述图像划分为至少一个搜索区域；
选择单元，用于根据搜索终点选择搜索区域；
所述获取单元，还用于根据所述选择单元所选择的搜索区域获取所述种子像素点到搜索区域中所有像素点之间的最优路径。
CN201110024072.6A 2011-01-21 2011-01-21 一种图像处理方法及图像处理装置 Active CN102136133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110024072.6A CN102136133B (zh) 2011-01-21 2011-01-21 一种图像处理方法及图像处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110024072.6A CN102136133B (zh) 2011-01-21 2011-01-21 一种图像处理方法及图像处理装置

Publications (2)

Publication Number Publication Date
CN102136133A CN102136133A (zh) 2011-07-27
CN102136133B true CN102136133B (zh) 2016-09-14

Family

ID=44295908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110024072.6A Active CN102136133B (zh) 2011-01-21 2011-01-21 一种图像处理方法及图像处理装置

Country Status (1)

Country Link
CN (1) CN102136133B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528759B (zh) * 2016-02-03 2018-11-09 四川师范大学 一种基于动态规划的距离变换计算方法
CN107633494A (zh) * 2017-10-17 2018-01-26 张家港全智电子科技有限公司 一种面向视频轨迹的图像预处理方法
CN109685846B (zh) * 2018-12-19 2023-03-10 吉林大学 一种基于Dijkstra的X光照片中金属物定位方法
CN111476795A (zh) * 2020-02-27 2020-07-31 浙江工业大学 一种基于广度优先搜索的二值图标记方法
CN114511651B (zh) * 2020-11-16 2023-11-14 阿里巴巴集团控股有限公司 特征线提取的方法和装置
CN112339797B (zh) * 2020-11-22 2023-03-28 通号万全信号设备有限公司 一种联锁进路动态控制方法
CN114638962A (zh) * 2022-03-29 2022-06-17 联影智能医疗科技(成都)有限公司 一种对医学成像中的感兴趣区域进行标注的方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593275A (zh) * 2009-03-30 2009-12-02 重庆工学院 手指静脉身份识别系统的静脉特征提取方法
CN101770568A (zh) * 2008-12-31 2010-07-07 南京理工大学 基于仿射不变点及光流计算的目标自动识别和跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006078861A2 (en) * 2005-01-18 2006-07-27 Board Of Regents, The University Of Texas System Method, system and apparatus for a time stamped visual motion sensor

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101770568A (zh) * 2008-12-31 2010-07-07 南京理工大学 基于仿射不变点及光流计算的目标自动识别和跟踪方法
CN101593275A (zh) * 2009-03-30 2009-12-02 重庆工学院 手指静脉身份识别系统的静脉特征提取方法

Also Published As

Publication number Publication date
CN102136133A (zh) 2011-07-27

Similar Documents

Publication Publication Date Title
CN102136133B (zh) 一种图像处理方法及图像处理装置
Jacox et al. Spatial join techniques
CN110188720A (zh) 一种基于卷积神经网络的目标检测方法及系统
CN108090443A (zh) 基于深度强化学习的场景文本检测方法及系统
CN103870604B (zh) 旅游推荐方法和装置
CN104809452A (zh) 一种指纹识别方法
CN106339416A (zh) 基于网格快速搜寻密度峰值的数据聚类方法
CN104280035B (zh) 消除电子地图中兴趣点标签压盖道路的方法
CN104200387B (zh) 一种顾及地理实体语义相似度的土地用途分区方法
CN104809453A (zh) 一种基于指纹的认证方法
CN104282026A (zh) 基于分水岭算法和最小生成树的分布均匀性评估方法
CN106600965B (zh) 基于尖锐度的交通流早晚高峰时段自动识别方法
CN110852243A (zh) 一种基于改进YOLOv3的道路交叉口检测方法及装置
Neto Efficient cluster compensation for Lin-Kernighan heuristics
CN107437367B (zh) 一种标注选择方法及装置
Touya et al. Progressive block graying and landmarks enhancing as intermediate representations between buildings and urban areas
KR20100043489A (ko) Ｄｅｍ을 이용한 하천네트워크 생성방법
CN110427506A (zh) 空间数据边界处理方法、装置、计算机设备及存储介质
CN103886129B (zh) 将测井数据离散到储层网格模型的方法和装置
CN101533525A (zh) 一种点面叠加分析方法
CN109032667A (zh) 一种分子动力学模拟中邻接表快速建立方法和系统
Li et al. Exploring label probability sequence to robustly learn deep convolutional neural networks for road extraction with noisy datasets
CN110070120B (zh) 基于判别采样策略的深度度量学习方法及系统
CN103942821A (zh) 一种利用遥感影像快速获取城市用地现状图序列的方法
Ware A procedure for automatically correcting invalid flat triangles occurring in triangulated contour data

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
TR01 Transfer of patent right

Effective date of registration: 20171227

Address after: 100083 Haidian District, Xueyuan Road, No. 35, the world building, the second floor of the building on the ground floor, No. 16

Patentee after: Zhongxing Technology Co., Ltd.

Address before: 100083, Haidian District, Xueyuan Road, Beijing No. 35, Nanjing Ning building, 15 Floor

Patentee before: Beijing Vimicro Corporation

TR01 Transfer of patent right
CP01 Change in the name or title of a patent holder

Address after: 100083 Haidian District, Xueyuan Road, No. 35, the world building, the second floor of the building on the ground floor, No. 16

Patentee after: Mid Star Technology Limited by Share Ltd

Address before: 100083 Haidian District, Xueyuan Road, No. 35, the world building, the second floor of the building on the ground floor, No. 16

Patentee before: Zhongxing Technology Co., Ltd.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20200413

Address after: Room 819, enterprise service center, No. 17, section 3, west section of Changjiang North Road, Yibin Lingang Economic and Technological Development Zone, Yibin City, Sichuan Province

Patentee after: Yibin Zhongxing Technology Intelligent System Co., Ltd

Address before: 100083, Haidian District, Xueyuan Road, Beijing No. 35, Nanjing Ning building, 16 floor

Patentee before: Mid Star Technology Limited by Share Ltd.

TR01 Transfer of patent right