CN102201120A - 一种基于多特征的目标物体轮廓检测方法 - Google Patents
一种基于多特征的目标物体轮廓检测方法 Download PDFInfo
- Publication number
- CN102201120A CN102201120A CN 201110163398 CN201110163398A CN102201120A CN 102201120 A CN102201120 A CN 102201120A CN 201110163398 CN201110163398 CN 201110163398 CN 201110163398 A CN201110163398 A CN 201110163398A CN 102201120 A CN102201120 A CN 102201120A
- Authority
- CN
- China
- Prior art keywords
- pixel
- towards
- image
- target object
- local
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机视觉技术领域,公开了一种基于多特征的目标物体轮廓检测方法。包括:滤波处理;提取图像的局部特征;计算各个特征下的抑制权重;制取抑制后的轮廓图像;二值化处理。本发明采用一组不同朝向的滤波器对输入图像进行滤波处理,得到各个朝向下的朝向信息分布图像;再分别提取图像的局部朝向,亮度和对比度特征,在每个特征下分别计算非经典感受野对中心像素点的抑制权重,最后合并各个特征下的抑制权重得到最终的抑制权重。根据每个像素点的抑制权重来调节对应非经典感受野区域内像素对其的抑制强度,得到抑制后的轮廓图像。本发明的方法具有综合输入图像的多种特征信息,有效提高了从复杂场景中迅速、完整地提取出物体轮廓的能力。
Description
技术领域
本发明属于计算机视觉技术领域,特别涉及一种物体轮廓的检测方法。
背景技术
传统的边缘检测方法无法区分纹理边缘和目标轮廓,而目标的轮廓检测对目标识别等计算机视觉应用具有重要意义。人类视觉系统能够轻易应对复杂自然环境,并高效地完成各种复杂视觉任务,模拟视觉信息处理的基本过程,并在此基础上进行建模,为研究计算机视觉和人工智能提供新的思路。到目前为止,比较有代表性的基于视觉机制的轮廓检测方法为非经典感受野抑制轮廓检测方法,具体可参见文献:Grigorescu C,Petkov N,Westenberg M,Contour detection based on nonclassical receptive field inhibition,IEEE Transactions on Image Processing,vol.12,no.7,729~739,2003。这种方法利用了初级视皮层神经元存在的非经典感受野的抑制特性来压制成片的背景纹理,进而达到突出目标物体轮廓的目的,特别其中涉及各向同性抑制方法和各向异性抑制方法,即根据局部朝向特征来调节非经典感受野的抑制强度。这种基于视觉机制的方法取得的轮廓检测效果总体上均明显好于传统的方法,但只使用了朝向特征来调节非经典感受野的抑制作用而忽略了其他特征,如对比度等,不能适应各种复杂自然场景中物体轮廓提取任务,表现在对复杂自然场景中物体轮廓提取时轮廓检测和目标轮廓提取的效果较差。
发明内容
本发明的目的是为了解决现有的非经典感受野抑制轮廓检测方法对复杂自然场景中物体轮廓提取时存在的缺陷,提出了一种基于多特征的目标物体轮廓检测方法。
为了实现上述目的,本发明的技术方案是:一种基于多特征的目标物体轮廓检测方法,包括如下步骤:
S1.滤波处理:利用Gabor滤波器组或log Gabor滤波器组,对输入图像中各像素点依次在对应朝向进行滤波处理,得到一组滤波处理后的灰度图像,即在给定滤波器的一个尺度参数值的条件下,采用一组不同朝向的滤波器,依次用每一个朝向的滤波器对输入图像中的各像素点进行滤波处理,得到一组不同朝向下的朝向信息分布图像,比较各朝向下的朝向信息分布图像中每一个位于同一位置处的像素点的灰度值,用其最大值作为对应像素点的灰度值,其所对应的滤波器的朝向作为该像素点的最优朝向,从而得到最大朝向信息分布图像和最优朝向图;
S2.提取图像的局部特征:用步骤S1得到的最优朝向图作为局部朝向特征图像,分别计算输入图像的局部均值和局部标准差作为图像的局部亮度和局部对比度特征,即对于每一个像素点,分别计算其邻域范围内像素点的均值和标准差作为该像素点的亮度和对比度特征,获得亮度和对比度特征图像;
S3.计算各个特征下的抑制权重:对各特征图像的每个像素点,首先用非负二维高斯差函数确定每个像素点对应的非经典感受野区域,然后计算非经典感受野区域内每个像素点对中心像素点的抑制权重,得到每个像素点在朝向特征、亮度特征和对比度特征下非经典感受野区域像素对对应像素点的抑制权重,再合并在各个特征下的抑制权重作为该像素点的最终的抑制权重;
S4.制取抑制后的轮廓图像:用非负二维高斯差函数构建非经典感受野滤波器,对步骤S1得到的最大朝向信息分布图像进行滤波处理,得到非经典感受野对中心的各向同性抑制量,再用最大朝向信息分布图像减去步骤S3得到的抑制权重与各向同性抑制量相乘的结果,得到抑制后的轮廓图像;
S5.二值化处理:对步骤S4得到抑制后的轮廓图像进行二值化处理,得到最终的轮廓图像。
本发明的有益效果:本发明首先采用一组不同朝向的滤波器对输入图像进行滤波处理,得到各个朝向下的朝向信息分布图像。再分别提取图像的局部朝向,亮度和对比度特征,在每个特征下分别计算非经典感受野对中心像素点的抑制权重,最后合并各个特征下的抑制权重得到最终的抑制权重。根据每个像素点的抑制权重来调节对应非经典感受野区域内像素对其的抑制强度,最终得到抑制后的轮廓图像,经二值化处理即得到目标轮廓图像。本发明的检测方法具有综合输入图像的多种特征信息,有效提高从复杂场景中迅速、完整地提取出物体轮廓的能力。
附图说明
图1是本发明基于多特征的目标物体轮廓检测方法的流程示意图。
图2是实施例中采用本发明方法对自然图像进行实际检测的轮廓图及与标准轮廓图、采用背景技术中的两种方法检测的轮廓图的效果对比图组。
具体实施方式
下面结合附图和具体的实施例对本发明作进一步的阐述。
以一自然图像的轮廓检测为例。从目前国际公认的验证轮廓提取算法效果的图像库网站上下载elephant_2图像及其对应的标准轮廓检测结果,图像大小均为512×512,其中的标准轮廓检测结果(ground truth)是由多个人手工勾画后平均得到的。具体检测方法的流程如图1所示,具体过程如下:
S1.Gabor滤波处理:给定Gabor滤波器组的尺度参数值为2.0、在180°范围内取12个朝向,其朝向参数分别为iπ/12,(i=0,1,…,11),得到一组12个不同朝向的Gabor滤波器;然后采用每一朝向的滤波器依次对输入图像中的各像素点进行滤波处理,得到12幅滤波处理后的图像,即为12个不同朝向下的朝向信息分布图像;对每个像素点,取其在12个不同朝向下的朝向信息分布图像对应位置处灰度值的最大值作为对应像素点的灰度值,其所对应的滤波器的朝向作为该像素点的最优朝向,例如,对应于(256,256)位置处各图中该像素点的灰度值依次为:1.4063、0.4964、0.3890、0.0966、0.4742、0.3730、0.2176、1.2560、1.2604、1.5787、1.2390、1.7817,取其中的最大值1.7817作为(256,256)处的像素灰度值,获得该最大值的滤波器的朝向11π/12则为该像素点的最优朝向,按同样方式处理各个像素点,从而得到最大朝向信息分布图像和最优朝向图。
S2.提取图像的局部特征:用S1中得到的最优朝向图作为局部朝向特征图像,另外,分别从原始图像计算图像的局部均值和局部标准差作为图像的局部亮度和局部对比度特征,获得亮度和对比度特征图像。例如,对于像素点(256,256),计算其7×7邻域范围内像素点的均值95.9592和标准差4.3968,实际计算中向下取整为95和4分别作为该像素点的亮度特征和对比度特征。对于边缘的像素可以采用常规处理方法,在本实施例中具体为:直接复制边界像素值。
S3.计算各个特征下的抑制权重:每个像素点的抑制权重为其非经典感受野区域内每个像素点对其的抑制系数之和,如对像素点(256,256),首先用非负二维高斯差函数确定其对应的非经典感受野区域,并得到非经典感受野区域每个像素点对中心点的距离权重;这里,当非经典感受野区域内的像素点距离中心像素点越远,则对中心像素点的抑制越小,当非经典感受野区域内的像素点特征与中心像素点对应特征差别越大时,抑制越小。
以朝向特征为例,根据非经典感受野区域像素点朝向与中心点朝向差别,根据(其中KΔ为朝向差别,σΔ为控制特征调节的参数,该实施例中对于朝向特征,取σΔ=π/6)得到每个像素点对中心点的朝向特征抑制权重,再分别乘以距离权重,并对非经典感受野内虽有像素对中心点的抑制权重求和得到朝向特征下非经典感受野对(256,256)的抑制权重w1为0.5341;按照同样方式计算对比度(取σΔ=7)和亮度(取σΔ=15)特征下非经典感受野对(256,256)的抑制量w2和w3分别为0.9623和0.9499,最后线性合并三个特征下的抑制权重,本实施例中,即W=0.05w1+0.8w2+0.15w3,得到(256,256)最终受到非经典感受野的抑制权重为0.9390;对图像中每个像素点按同样方式处理。这里,计算抑制权重具体可以参考文献:Qiling Tang,Nong Sang,Tianxu Zhang.Extraction of salient contours from cluttered scenes,Pattern Recognition,40(2007)3100-3109。
S4.制取抑制后的轮廓图像:用非负二维高斯差函数构建非经典感受野滤波器,对S1中得到的最大朝向信息分布图像(256,256)处像素进行滤波处理,计算得到非经典感受野对中心的各向同性抑制量为1.7223,再用改值乘以S3中得到的对应位置的抑制权重0.9390得到最终的抑制量1.6173。为控制对整幅图像的抑制强度,在引入系数2.4(该值对于图像的每个像素点相同),用再用最大朝向信息分布图像对应位置处的灰度值1.7817减去抑制量和系数的乘积3.8816,得到-2.0999,计算得到负值时按0处理,各点按同样方式处理,得到抑制后的轮廓图像。
利用非负二维高斯差函数构建非经典感受野滤波器属于本领域的现有技术,具体可参见文献:Grigorescu C,Petkov N,Westenberg M,Contour detection based on nonclassical receptive field inhibition,IEEE Transactions on Image Processing,vol.12,no.7,729~739,2003,在本说明书中不再作详细阐述。
S5.二值化处理:利用非极大值抑制和滞后门限处理方法对步骤S4得到抑制后的轮廓图像进行二值化处理,从而得到最终的轮廓图像。
仿真结果如图2所示,其中:2a.原始图像,2b.标准轮廓图像,2c.采用各向异性抑制技术所得轮廓图像,2d.采用各向同性抑制技术所得轮廓图像,2e.采用本发明方法检测所得轮廓图像。从中可以清楚看出,采用本发明方法提取自然图像轮廓时,尽可能地保留目标物体轮廓线的完整性的同时、最大程度地压制背景纹理(草地)边缘,其主观效果好于向异性抑制算法和各向同性抑制算法检测到的轮廓图像。
本实施中的方法与各向异性抑制方法和各向同性抑制方法的定量比较:各向异性抑制方法和各向同性抑制方法采用Gabor滤波器的尺度参数为2.4,得到轮廓图像的性能评估指标P值分别为0.39、0.42;本实施中的方法采用Gabor滤波器的尺度参数为2.0,得到轮廓图像的性能评估指标P值为0.59。性能评估指标P值越大表明突出轮廓、压制背景的总体效果越好。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于多特征的目标物体轮廓检测方法,其特征在于,包括如下步骤:
S1.滤波处理:利用Gabor滤波器组或log Gabor滤波器组,对输入图像中各像素点依次在对应朝向进行滤波处理,得到一组滤波处理后的灰度图像,即在给定滤波器的一个尺度参数值的条件下,采用一组不同朝向的滤波器,依次用每一个朝向的滤波器对输入图像中的各像素点进行滤波处理,得到一组不同朝向下的朝向信息分布图像,比较各朝向下的朝向信息分布图像中每一个位于同一位置处的像素点的灰度值,用其最大值作为对应像素点的灰度值,其所对应的滤波器的朝向作为该像素点的最优朝向,从而得到最大朝向信息分布图像和最优朝向图;
S2.提取图像的局部特征:用步骤S1得到的最优朝向图作为局部朝向特征图像,分别计算输入图像的局部均值和局部标准差作为图像的局部亮度和局部对比度特征,即对于每一个像素点,分别计算其邻域范围内像素点的均值和标准差作为该像素点的亮度和对比度特征,获得亮度和对比度特征图像;
S3.计算各个特征下的抑制权重:对各特征图像的每个像素点,首先用非负二维高斯差函数确定每个像素点对应的非经典感受野区域,然后计算非经典感受野区域内每个像素点对中心像素点的抑制权重,得到每个像素点在朝向特征、亮度特征和对比度特征下非经典感受野区域像素对对应像素点的抑制权重,再合并在各个特征下的抑制权重作为该像素点的最终的抑制权重;
S4.制取抑制后的轮廓图像:用非负二维高斯差函数构建非经典感受野滤波器,对步骤S1得到的最大朝向信息分布图像进行滤波处理,得到非经典感受野对中心的各向同性抑制量,再用最大朝向信息分布图像减去步骤S3得到的抑制权重与各向同性抑制量相乘的结果,得到抑制后的轮廓图像;
S5.二值化处理:对步骤S4得到抑制后的轮廓图像进行二值化处理,得到最终的轮廓图像。
2.根据权利要求1所述的基于多特征的目标物体轮廓检测方法,其特征在于,步骤S1所述的Gabor滤波器组为尺度参数值为2.0、在180°范围内取12个朝向,其朝向参数分别为iπ/12,(i=0,1,…,11)的一组12个不同朝向的Gabor滤波器。
3.根据权利要求1所述的基于多特征的目标物体轮廓检测方法,其特征在于,步骤S5所述的二值化处理采用的是非极大值抑制和滞后门限处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110163398A CN102201120B (zh) | 2011-06-17 | 2011-06-17 | 一种基于多特征的目标物体轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110163398A CN102201120B (zh) | 2011-06-17 | 2011-06-17 | 一种基于多特征的目标物体轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102201120A true CN102201120A (zh) | 2011-09-28 |
CN102201120B CN102201120B (zh) | 2012-08-29 |
Family
ID=44661770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110163398A Active CN102201120B (zh) | 2011-06-17 | 2011-06-17 | 一种基于多特征的目标物体轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102201120B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440642A (zh) * | 2013-08-01 | 2013-12-11 | 杭州电子科技大学 | 基于点阵神经元响应时空信息的图像强弱边缘检测方法 |
CN103903251A (zh) * | 2012-12-30 | 2014-07-02 | 南京理工大学 | 基于非经典感受野复合调制的夜视图像显著轮廓提取方法 |
CN106033606A (zh) * | 2015-07-24 | 2016-10-19 | 广西科技大学 | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
CN106033610A (zh) * | 2016-03-22 | 2016-10-19 | 广西科技大学 | 基于非经典感受野空间总和调制的轮廓检测方法 |
CN106127209A (zh) * | 2016-06-17 | 2016-11-16 | 中南大学 | 一种基于局部边缘特征整合的目标物体轮廓提取方法 |
CN106228547A (zh) * | 2016-07-15 | 2016-12-14 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
CN107067012A (zh) * | 2017-04-25 | 2017-08-18 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
CN109087321A (zh) * | 2018-06-06 | 2018-12-25 | 杭州电子科技大学 | 一种基于视通路多层级抑制区协同作用的轮廓检测方法 |
CN112613371A (zh) * | 2020-12-16 | 2021-04-06 | 上海大学 | 一种基于密集连接卷积神经网络高光谱图像道路提取方法 |
CN113095334A (zh) * | 2021-03-26 | 2021-07-09 | 广西科技大学 | 一种基于视网膜明适应机制的轮廓检测方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106033609B (zh) * | 2015-07-24 | 2018-10-19 | 广西科技大学 | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 |
CN106033608B (zh) * | 2015-07-24 | 2018-10-19 | 广西科技大学 | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
CN106033607B (zh) * | 2015-07-24 | 2018-10-19 | 广西科技大学 | 仿生物跳跃眼动信息处理机制的目标轮廓检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673345A (zh) * | 2009-07-01 | 2010-03-17 | 北京交通大学 | 基于形状先验的提取目标闭合轮廓的方法 |
CN101930592A (zh) * | 2009-09-23 | 2010-12-29 | 电子科技大学 | 一种基于视觉非经典感受野模型的图像去噪方法 |
-
2011
- 2011-06-17 CN CN201110163398A patent/CN102201120B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673345A (zh) * | 2009-07-01 | 2010-03-17 | 北京交通大学 | 基于形状先验的提取目标闭合轮廓的方法 |
CN101930592A (zh) * | 2009-09-23 | 2010-12-29 | 电子科技大学 | 一种基于视觉非经典感受野模型的图像去噪方法 |
Non-Patent Citations (3)
Title |
---|
《Neurocomputing》 20110317 Chi Zeng, et al. Contour detection based on a non-classical receptive field model with butterfly-shaped inhibition subregions 1527-1534 1-3 第74卷, 第10期 * |
《NeuroImage》 20101129 Chi Zeng, et al. Center-surround interaction with adaptive inhibition: A computational model for contour detection 49-66 1-3 第55卷, 第1期 * |
《复旦学报(自然科学版)》 20050831 曹洋,顾凡及 视网膜神经节细胞非经典感受野及其方位倾向性的模型研究 524-527,533 1-3 第44卷, 第4期 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903251A (zh) * | 2012-12-30 | 2014-07-02 | 南京理工大学 | 基于非经典感受野复合调制的夜视图像显著轮廓提取方法 |
CN103903251B (zh) * | 2012-12-30 | 2017-03-29 | 南京理工大学 | 基于非经典感受野复合调制的夜视图像显著轮廓提取方法 |
CN103440642B (zh) * | 2013-08-01 | 2016-04-06 | 杭州电子科技大学 | 基于点阵神经元响应时空信息的图像强弱边缘检测方法 |
CN103440642A (zh) * | 2013-08-01 | 2013-12-11 | 杭州电子科技大学 | 基于点阵神经元响应时空信息的图像强弱边缘检测方法 |
CN106033606A (zh) * | 2015-07-24 | 2016-10-19 | 广西科技大学 | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
CN106033606B (zh) * | 2015-07-24 | 2018-10-19 | 广西科技大学 | 仿生物平滑跟踪眼动信息处理机制的目标轮廓检测方法 |
CN106033610A (zh) * | 2016-03-22 | 2016-10-19 | 广西科技大学 | 基于非经典感受野空间总和调制的轮廓检测方法 |
CN106033610B (zh) * | 2016-03-22 | 2018-10-26 | 广西科技大学 | 基于非经典感受野空间总和调制的轮廓检测方法 |
CN106127209A (zh) * | 2016-06-17 | 2016-11-16 | 中南大学 | 一种基于局部边缘特征整合的目标物体轮廓提取方法 |
CN106127209B (zh) * | 2016-06-17 | 2019-05-17 | 中南大学 | 一种基于局部边缘特征整合的目标物体轮廓提取方法 |
CN106228547B (zh) * | 2016-07-15 | 2018-12-28 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
CN106228547A (zh) * | 2016-07-15 | 2016-12-14 | 华中科技大学 | 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法 |
CN107067012A (zh) * | 2017-04-25 | 2017-08-18 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
CN107067012B (zh) * | 2017-04-25 | 2018-03-16 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
CN109087321A (zh) * | 2018-06-06 | 2018-12-25 | 杭州电子科技大学 | 一种基于视通路多层级抑制区协同作用的轮廓检测方法 |
CN109087321B (zh) * | 2018-06-06 | 2021-08-10 | 杭州电子科技大学 | 一种基于视通路多层级抑制区协同作用的轮廓检测方法 |
CN112613371A (zh) * | 2020-12-16 | 2021-04-06 | 上海大学 | 一种基于密集连接卷积神经网络高光谱图像道路提取方法 |
CN113095334A (zh) * | 2021-03-26 | 2021-07-09 | 广西科技大学 | 一种基于视网膜明适应机制的轮廓检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102201120B (zh) | 2012-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102201120B (zh) | 一种基于多特征的目标物体轮廓检测方法 | |
CN105046245B (zh) | 视频人脸检测评价方法 | |
CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
Husin et al. | Embedded portable device for herb leaves recognition using image processing techniques and neural network algorithm | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN107194317B (zh) | 一种基于网格聚类分析的暴力行为检测方法 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN105590319A (zh) | 一种深度学习的图像显著性区域检测方法 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN102254304B (zh) | 一种目标物体轮廓检测方法 | |
CN101763641A (zh) | 一种模拟视觉机制的图像目标物体轮廓检测方法 | |
CN104282027B (zh) | 一种基于Hough变换的圆检测方法 | |
Zhao et al. | Fast image enhancement using multi-scale saliency extraction in infrared imagery | |
CN114937232B (zh) | 医废处理人员防护用具穿戴检测方法、系统和设备 | |
WO2021118463A1 (en) | Defect detection in image space | |
CN110148088A (zh) | 图像处理方法、图像去雨方法、装置、终端及介质 | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN108090492B (zh) | 基于尺度线索抑制的轮廓检测方法 | |
CN115731166A (zh) | 一种基于深度学习的高压电缆接头打磨缺陷检测方法 | |
CN102830045A (zh) | 基于图像处理的织物沾水等级客观评定方法 | |
Xue et al. | Background subtraction based on phase and distance transform under sudden illumination change | |
Han et al. | Low contrast image enhancement using convolutional neural network with simple reflection model | |
CN102156879B (zh) | 基于加权陆地运动距离的人体目标匹配方法 | |
Wang et al. | The research of ear identification based on improved algorithm of moment invariant |
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 |