CN102289671A - 提取图像纹理特征的方法和装置 - Google Patents
提取图像纹理特征的方法和装置 Download PDFInfo
- Publication number
- CN102289671A CN102289671A CN2011102583862A CN201110258386A CN102289671A CN 102289671 A CN102289671 A CN 102289671A CN 2011102583862 A CN2011102583862 A CN 2011102583862A CN 201110258386 A CN201110258386 A CN 201110258386A CN 102289671 A CN102289671 A CN 102289671A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- textural characteristics
- image block
- sigma
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种提取图像纹理特征的方法和装置,能够准确快速地提取得到原始图像的纹理特征,提高纹理特征的鲁棒性。本发明实施例提供的提取图像纹理特征的方法包括:获取原始图像的灰度图像;将灰度图像划分为多个图像块,并计算每一图像块的灰度共生矩阵;将角二阶距、对比度、熵和相关特征作为所选取的纹理特征,并根据各灰度共生矩阵,计算每一图像块的纹理特征;根据各个图像块的纹理特征,得到原始图像所对应的纹理特征。
Description
技术领域
本发明涉及图像图形处理技术领域,尤其是涉及一种提取图像纹理特征的方法和装置。
背景技术
随着互联网规模越来越大,其中的文本、图片、多媒体信息日益丰富。为了找到有用的信息用户需要搜索巨量的数据。在搜索过程中,必须提取准确的特征才能准确地进行定位。对于图像而言纹理特征是重要的特征,纹理特征和颜色、形状特征并称为图像的三大特征。
目前提取纹理特征的方法主要有三类,第一类是基于统计的方法,主要方法就是使用灰度共生矩阵。第二类是基于结构的方法,一般只有当纹理基元大到足够被分割时,才使用这个方法。第三类是基于频谱的方法,主要是基于傅立叶和小波变换。这三类方法中第一类基于统计的方法适用于广泛的自然纹理及人工纹理,是目前最成熟、最实用的方法。
图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息,它是分析图像的局部模式结构及其排列规则的基础。作为纹理分析的特征量,往往不是直接应用计算的灰度共生矩阵,而是在灰度共生矩阵的基础上再计算二次统计量,作为提取到的纹理特征量。
发明人在实现本发明的过程中发现现有技术中至少存在如下缺陷:
在灰度共生矩阵的基础上可以计算的二次统计量的个数较多,例如,角二阶距、逆方差、熵、和熵、差熵以及最大相关系数等。由于计算量过于巨大,在使用时同时计算灰度共生矩阵的所有二次统计量在实际中是不可行的。通常的做法为选取若干灰度共生矩阵的二次统计量作为纹理特征。然而,在现有技术中,还没有提出一套比较成熟的纹理特征的提取方案,纹理特征的选取比较任意,无法进行准确地定位,纹理特征的提取方法也较复杂,有待完善。
发明内容
本发明实施例提供了一种提取图像纹理特征的方法和装置,能够准确快速地提取得到原始图像的纹理特征,提高纹理特征的鲁棒性。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供了一种提取图像纹理特征的方法,所述方法包括:
获取原始图像的灰度图像;
将所述灰度图像划分为多个图像块,并计算每一图像块的灰度共生矩阵;
将角二阶距、对比度、熵和相关特征作为所选取的纹理特征,并根据所述各灰度共生矩阵,计算每一图像块的纹理特征;
根据所述各个图像块的纹理特征,得到原始图像所对应的纹理特征。
本发明实施例还提供了一种提取图像纹理特征的装置,所述装置包括:
灰度图像获取单元,用于获取原始图像的灰度图像;
纹理特征选取单元,用于将角二阶距、对比度、熵和相关特征作为所选取的纹理特征;
图像块划分单元,用于将所述灰度图像获取单元得到的灰度图像划分为多个图像块,并计算每一图像块的灰度共生矩阵;
图像块纹理特征计算单元,用于根据所述各灰度共生矩阵,计算每一图像块的由所述纹理特征选取单元确定的纹理特征;
原始图像纹理特征计算单元,用于根据所述各个图像块的纹理特征,得到原始图像所对应的纹理特征。
由上述可见,本发明提供了一套新型的纹理特征选取方案以及纹理特征提取方案,通过将原始图像适当分块,基于各个图像块得到原始图像的纹理特征,能够准确快速地提取得到原始图像的纹理特征,提高纹理特征的鲁棒性。
本发明提供的方案中,将灰度共生矩阵的角二阶距、对比度、熵和相关特征选取为所采用的特征,显著降低了实际应用中所需的计算量,实践证明,所选取和提取出的纹理特征能够在多种场景下实现准确地数据搜索、信息匹配和信息定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种提取图像纹理特征的方法流程示意图;
图2为本发明实施例二提供的一种提取图像纹理特征的方法流程示意图;
图3为本发明实施例三提供的一种提取图像纹理特征的装置结构示意图;
图4为本方案的实验一中所采用的一副原始图片;
图5至图12为本方案实验二中所采用的八副原始图片。
具体实施方式
下面将结合本发明的附图,对本发明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,本领域普通技术人员在没有作出创造性劳动的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。
本发明实施例一提供了一种提取图像纹理特征的方法,参见图1,所述方法包括:
11:获取原始图像的灰度图像;
12:将所述灰度图像划分为多个图像块,并计算每一图像块的灰度共生矩阵;
13:将角二阶距、对比度、熵和相关特征作为所选取的纹理特征;
14:根据所述各灰度共生矩阵,计算每一图像块的纹理特征;
15:根据所述各个图像块的纹理特征,得到原始图像所对应的纹理特征。
由上述可见,本发明提供了一套新型的纹理特征选取方案以及纹理特征提取方案,通过将原始图像适当分块,基于各个图像块得到原始图像的纹理特征,能够简单快速地提取得到原始图像的纹理特征。
本发明提供的方案中,将灰度共生矩阵的角二阶距、对比度、熵和相关特征选取为所采用的特征,显著降低了实际应用中所需的计算量,实践证明,所选取和提取出的纹理特征能够在多种场景下实现准确地数据搜索、信息匹配和信息定位。
为了便于清楚理解本技术方案,对灰度共生矩阵的一些技术要点进行说明。
在三维空间中,相隔某一距离的两个像素,它们具有相同的灰度级,或者具有不同的灰度级,若能找出这样两个像素间的联合分布的统计形式,对于图像的纹理分析将很有意义的。基于这种思想,提出空间灰度共生矩阵(Spatial Gray Level Co-Occurrence Matrix),或称为灰度共生矩阵。灰度共生矩阵的模型是在假定图像中各像素间的空间分布关系包含了图像的纹理信息的前提下提出的一种具有广泛性的纹理分析方法,在此基础上也衍生了诸如灰度一差值共生矩阵分析法、灰度一能量共生矩阵分析法和灰度一梯度共生矩阵法。
假定一幅图像f在水平方向有Nx个像素,在垂直方向有Ny个组成,每个像素的灰度级最大为NR记:
Lx={1,2,...,Nx}
Ly={1,2,...,Ny}
G={1,2,...,Ng}
则可把待纹理分析的图像f理解为从Lx×Ly到G的一个变换,即对Lx×Ly中的每一个点,对应一个属于f的灰度,可表示为f:Lx×Ly →G。灰度共生矩阵定义为方向θ和间隔距离d的函数,记为:
上式中|{...}|指集合的基数,D=(Lx,Ly)×(Lx,Ly)。表示灰度共生矩阵第i行第j列元素所有θ方向,相邻间隔为d的像素中有一个取i值,另一个取j值的相邻对点数。这里,d可以取为d=1,2,3,4,8等值。
下面对本发明实施例二提供的一种提取图像纹理特征的方法进行具体说明。参见图2,包括如下处理:
21:将原始图像统一规格化为相同分辨率大小的图像。
为了准确实现在一组原始图像中数据的搜索或信息的定位,在纹理提取之前将原始图像规格化为统一大小的图片,例如,具有相同分辨率大小的图像:,从而保证了所提取纹理信息的准确性和有效性。
22:转换为所需的灰度图像。
本步骤中获取原始图像的灰度图像,可以要求该灰度图像满足预定的灰度级。例如,当原始图像为灰度图像A,然而该灰度图像A不满足预定的灰度级时,将灰度图像A的灰度级转换为预定的灰度级,以得到所需的灰度图像。当原始图像为彩色图像B时,需要将彩色图像B按照预定灰度级转换为灰度图像。
灰度级数越多,计算量越大,运算速度越慢;而灰度级数过少,则会影响所提取纹理特征的效果,本发明通过多次试验,选取上述预定的灰度级为64级,能够在保证所提取纹理特征质量的前提下,尽可能降低计算量。
可以先将原始图像转换为灰度图像(若需要时),再将灰度图像规格化为所需灰度级下的灰度图像;也可以在一个处理步骤中将原始图像转换为所需灰度级下的灰度图像。
23:图像分块和灰度共生矩阵的计算。
将所述灰度图像划分为25个图像块,并计算每一图像块的灰度共生矩阵。
对灰度图像所划分的图像块的数量应当适当,分块数量选取的不当会影响所提取纹理特征的性能和质量,经过多次试验,本方案选取所划分的图像块为25块。
24:对每一图像块按不同方向提取纹理特征。
所提取的纹理特征为预先所选取的纹理特征,由于灰度共生矩阵的计算量很大,经过实验,本方案中所选取的纹理特征包括角二阶距、对比度、熵和相关4个特征。
1)角二阶距(能量)
角二阶矩是灰度共生矩阵各元素的平方和,又称能量。它是图像纹理灰度变化均一的度量,反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等,则ASM值就小;相反,如果其中一些值大其它值小,则ASM值大。一幅有着一致灰度的图像的灰度共生矩阵只有一个值,它等于图像的总像素数,它的ASM值最大。因此,ASM的值大则表明一种较均一和规则变化的纹理模式。角二阶矩的上述特点成为本方案选取其为纹理特征的考虑因素之
本方案中可以利用如下公式,根据灰度共生矩阵计算特征角二阶距ASM:
其中,p(i,j)表示灰度共生矩阵第i行第j列的元素,L表示灰度级。
2)对比度(惯性矩)
对比度是灰度共生矩阵主对角线附近的惯性矩,它度量矩阵的值是如何分布和图像中局部变化的多少,反映了图像的清晰度和纹理的沟纹深浅。纹理的沟纹深,对比值大,效果清晰;反之,对比值小,则沟纹浅,效果模糊。对比度的上述特点成为本方案选取其为纹理特征的考虑因素之一。
本方案中可以利用如下公式,根据灰度共生矩阵计算特征对比度CON:
其中,p(i,j)表示灰度共生矩阵第i行第j列的元素。
3)熵
熵度量图像纹理的随机性。当空间共生矩阵中所有值均相等时,它取得最大值;相反,如果共生矩阵中的值非常不均匀时,其值较小。因此,熵的最大值暗示图像灰度分布非常随机。熵的上述特点成为本方案选取其为纹理特征的考虑因素之一。
本方案中可以利用如下公式,根据灰度共生矩阵计算特征熵ENT:
其中,p(i,j)表示灰度共生矩阵第i行第j列的元素。
4)相关
相关值度量空间灰度共生矩阵元素在行或列方向上的相似程度,因此,相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时,相关值就大;相反,如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理,则水平方向矩阵的COR大于其余矩阵的COR值。相关的上述特点成为本方案选取其为纹理特征的考虑因素之一。
本方案中可以利用如下公式,根据灰度共生矩阵计算特征相关COR:
其中,p(i,j)表示灰度共生矩阵第i行第j列的元素,L表示灰度级,σx、σy表示方差,μx、μy表示均值。
本方案通过上述纹理特征的选取方式,为实际应用中纹理特征的提取提供了一套可以参照并作为标准的方案,为了进一步说明本方案的有益效果,作为对比,将其他可以计算的灰度共生矩阵的二次统计量进行简单说明,例如,方差f1、逆方差f2、和平均f3、和方差f4和f6、和熵f5、差熵f7、相关信息测度f8和f9以及最大相关系数f10,具体如下:
(1)方差 式中μ是p(i,j)的均值;
(2)逆方差
(3)和平均
(4)和方差
(5)和熵
(6)和方差f6=px-y
(7)差熵
(8)相关信息测度
式中Hx为Px的熵,Hy为Py的熵,
(10)最大相关系数f10=矩阵Q的第二最大特征值式中矩阵Q的第i行j列元素:
本方案通过多次试验,将上述9个特征都筛选掉,而选取角二阶距、对比度、熵和相关4个特征作为所提取的纹理特征,能够在提供有效纹理特征的前提下,大大降低了特征提取的计算量。
进一步的,本方案根据各图像块的灰度共生矩阵,按照0°、45°、90°和135°4个方向,计算每一图像块的纹理特征。即对每一图像块分别按4个方向提取4个特征角二阶、相关、熵、对比度,一共提取了4个方向16个纹理特征。
25:获取具有旋转不变性的原始图像的纹理特征。
所述各个图像块的纹理特征包括各图像块在不同方向上的纹理特征时,在每一个方向上(如在0°、45°、90°和135°4个方向上),计算各个图像块的角二阶距、对比度、熵和相关特征的均值和标准差,并将计算结果作为原始图像所对应的纹理特征。即将将计算得到的所有图像块的均值和标准差作为原始图像的纹理特征。
按照不同方向所计算得到的纹理特征可能会发生变换,本方案对提取的4个方向的同一类特征计算方差和标准差,不但使得到的纹理特征具有旋转不变性,进一步提高了最终得到的纹理特征的鲁棒性;还减少了最终得到的纹理特征的数量,便于进行快速的数据搜索或信息定位。这种方式下,每个图像块从16个特征到到只有8个特征,数量减少了一半,则当划分为25个图像块时,对整个原始图像得到了25*8=200个纹理特征。
由上述可见,本发明提供了一套新型的纹理特征选取方案以及纹理特征提取方案,通过将原始图像适当分块,基于各个图像块得到原始图像的纹理特征,能够准确快速地提取得到原始图像的纹理特征,提高纹理特征的鲁棒性。
本发明提供的方案中,将灰度共生矩阵的角二阶距、对比度、熵和相关特征选取为所采用的特征,显著降低了实际应用中所需的计算量,实践证明,所选取和提取出的纹理特征能够在多种场景下实现准确地数据搜索、信息匹配和信息定位。
本发明实施例三还提供了一种提取图像纹理特征的装置。相对现有的通过共生矩阵获取纹理特征的方案,本方案突出的优点在于选择有效的4个纹理特征及原始图片进行适当的分块,其次是获取了旋转不变性的纹理特征。参见图3,本装置具体包括:
灰度图像获取单元31,用于获取原始图像的灰度图像;
纹理特征选取单元32,用于将角二阶距、对比度、熵和相关特征作为所选取的纹理特征;
图像块划分单元33,用于将所述灰度图像获取单元31得到的灰度图像划分为多个图像块,并计算每一图像块的灰度共生矩阵;
图像块纹理特征计算单元34,用于根据所述各灰度共生矩阵,计算每一图像块的由所述纹理特征选取单元32确定的纹理特征;
原始图像纹理特征计算单元35,用于根据所述各个图像块的纹理特征,得到原始图像所对应的纹理特征。
进一步的,所述图像块划分单元33,具体用于将所述灰度图像获取单元31得到的灰度图像划分为25个图像块;
所述图像块纹理特征计算单元34,具体用于根据所述各灰度共生矩阵,按照0°、45°、90°和135°4个方向,计算每一图像块的纹理特征;
所述原始图像纹理特征计算单元35,具体用于在每一个方向上,计算各个图像块的角二阶距、对比度、熵和相关特征的均值和标准差,并将计算结果作为原始图像所对应的纹理特征。
本发明装置实施例中各单元和模块的具体工作方式,可以参见本发明方法实施例中的相关内容。
由上述可见,本发明提供了一套新型的纹理特征选取方案以及纹理特征提取方案,通过将原始图像适当分块,基于各个图像块得到原始图像的纹理特征,能够准确快速地提取得到原始图像的纹理特征,提高纹理特征的鲁棒性。
本发明提供的方案中,将灰度共生矩阵的角二阶距、对比度、熵和相关特征选取为所采用的特征,显著降低了实际应用中所需的计算量,实践证明,所选取和提取出的纹理特征能够在多种场景下实现准确地数据搜索、信息匹配和信息定位。
下面结合具体的实验结果,进一步说明本方案的有益效果。
在实验一中利用本方案提取图像的纹理特征。参见图4,本方案的实验一中所采用的一副原始图像。参见表1,显示了利用本方案提取图4中图像的纹理特征的一个示例。
表1
序号 | 纹理特征(texture) |
[0] | 18.496535373405596 |
[1] | 7.6545789154265442 |
[2] | 0.020827775524119272 |
[3] | 0.007317312044616546 |
[4] | 25.130233006685344 |
[5] | 0.53335814275488147 |
[6] | 0.0010293906204425249 |
[7] | 0.000019704879619870455 |
[8] | 18.548006931596014 |
[9] | 7.6600091029554767 |
[10] | 0.020230974101321197 |
[11] | 0.0072160101311978886 |
[12] | 25.178929516339682 |
[13] | 0.52043696287792252 |
[14] | 0.0010285893339953066 |
[15] | 0.000020507881951226414 |
本方案在提取纹理特征时将图4中的原始图像划分为25个图像块,表1中显示了对前两个图像块所提取得到的纹理特征的结果,纹理特征数据的精度为双精度(double)。第一个图像块对应的序号0至7,第一个图像块对应的序号8至15,按排列顺序依次为对比度、角二阶矩、熵、相关性的方差和标准差。由上述可见,本方案能够准确进行纹理特征的提取。
在实验二中利用本方案提取的纹理特征对一组原始图像进行分类。参见图5至图12,其中,图5至图7显示了动物皮毛的图像,图8和图9木材纹理的图像,图10为岩石纹理的图像,图11和图12为皮革纹理的图像。将本方案应用到上述8副原始图像中时,能够快速提取各个图像的纹理特征,并进行准确的分类。将图5至图7的图像分为一组,将图8至图10的图像分为另一组,将图11和图12的图像分为又一组,从而实现了将具有相似纹理特征的图像准确分类。
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,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种提取图像纹理特征的方法,其特征在于,所述方法包括:
获取原始图像的灰度图像;
将所述灰度图像划分为多个图像块,并计算每一图像块的灰度共生矩阵;
将角二阶距、对比度、熵和相关特征作为所选取的纹理特征,并根据所述各灰度共生矩阵,计算每一图像块的纹理特征;
根据所述各个图像块的纹理特征,得到原始图像所对应的纹理特征。
2.根据权利要求1所述的方法,其特征在于,所述根据所述各灰度共生矩阵,计算每一图像块的纹理特征具体包括:
根据所述各灰度共生矩阵,按照0°、45°、90°和135°4个方向,计算每一图像块的纹理特征。
3.根据权利要求1所述的方法,其特征在于,所述根据所述各个图像块的纹理特征,得到原始图像所对应的纹理特征具体包括:
所述各个图像块的纹理特征包括各图像块在不同方向上的纹理特征,
在每一个方向上,计算各个图像块的角二阶距、对比度、熵和相关特征的均值和标准差,并将计算结果作为原始图像所对应的纹理特征。
4.根据权利要求1所述的方法,其特征在于,所述将所述灰度图像划分为多个图像块,并计算每一图像块的灰度共生矩阵具体包括:
将所述灰度图像划分为25个图像块,并计算每一图像块的灰度共生矩阵。
5.根据权利要求1所述的方法,其特征在于,所述获取原始图像的灰度图像具体包括:
原始图像包括灰度图像或彩色图像,按照预定灰度级将原始图像转换为所需灰度级下的灰度图像。
6.根据权利要求5所述的方法,其特征在于,所述预定灰度级为64级。
7.根据权利要求1至6任一项所述的方法,其特征在于,在所述获取原始图像的灰度图像之前,所述方法还包括:
将原始图像统一规格化为相同分辨率大小的图像。
8.根据权利要求1至6任一项所述的方法,其特征在于,
利用如下公式,根据灰度共生矩阵计算特征角二阶距ASM、对比度CON、熵ENT和相关COR:
其中,p(i,j)表示灰度共生矩阵第i行第j列的元素,L表示灰度级,σx、σy表示方差,μx、μy表示均值。
9.一种提取图像纹理特征的装置,其特征在于,所述装置包括:
灰度图像获取单元,用于获取原始图像的灰度图像;
纹理特征选取单元,用于将角二阶距、对比度、熵和相关特征作为所选取的纹理特征;
图像块划分单元,用于将所述灰度图像获取单元得到的灰度图像划分为多个图像块,并计算每一图像块的灰度共生矩阵;
图像块纹理特征计算单元,用于根据所述各灰度共生矩阵,计算每一图像块的由所述纹理特征选取单元确定的纹理特征;
原始图像纹理特征计算单元,用于根据所述各个图像块的纹理特征,得到原始图像所对应的纹理特征。
10.根据权利要求9所述的装置,其特征在于,
所述图像块划分单元,具体用于将所述灰度图像获取单元得到的灰度图像划分为25个图像块;
所述图像块纹理特征计算单元,具体用于根据所述各灰度共生矩阵,按照0°、45°、90°和135°4个方向,计算每一图像块的纹理特征;
所述原始图像纹理特征计算单元,具体用于在每一个方向上,计算各个图像块的角二阶距、对比度、熵和相关特征的均值和标准差,并将计算结果作为原始图像所对应的纹理特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102583862A CN102289671A (zh) | 2011-09-02 | 2011-09-02 | 提取图像纹理特征的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102583862A CN102289671A (zh) | 2011-09-02 | 2011-09-02 | 提取图像纹理特征的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102289671A true CN102289671A (zh) | 2011-12-21 |
Family
ID=45336077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102583862A Pending CN102289671A (zh) | 2011-09-02 | 2011-09-02 | 提取图像纹理特征的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102289671A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609891A (zh) * | 2012-01-12 | 2012-07-25 | 合肥工业大学 | 一种基于纹理特征的数字图像被动盲取证方法 |
CN102663422A (zh) * | 2012-03-27 | 2012-09-12 | 江南大学 | 基于颜色特征的地板层次分类方法 |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
CN104282008A (zh) * | 2013-07-01 | 2015-01-14 | 株式会社日立制作所 | 对图像进行纹理分割的方法和装置 |
CN104573664A (zh) * | 2015-01-21 | 2015-04-29 | 深圳华侨城文化旅游科技有限公司 | 一种射击路径的3d场景重构系统及方法 |
CN105184300A (zh) * | 2015-09-01 | 2015-12-23 | 中国矿业大学(北京) | 一种基于图像lbp的煤岩识别方法 |
CN105374007A (zh) * | 2015-12-02 | 2016-03-02 | 华侨大学 | 融合骨架笔画和纹理特征的铅笔画生成方法和装置 |
CN105433987A (zh) * | 2014-08-18 | 2016-03-30 | 宝健科技股份有限公司 | 在体外判断多幅三维结石影像间差异的方法及计算机程序产品 |
CN107833247A (zh) * | 2017-11-29 | 2018-03-23 | 合肥赑歌数据科技有限公司 | 一种基于矩阵分析的图像纹理提取方法 |
CN108269277A (zh) * | 2016-12-30 | 2018-07-10 | 清华大学 | 用于对辐射图像进行质量评价的方法和系统 |
CN108564548A (zh) * | 2018-04-19 | 2018-09-21 | 南京信息工程大学 | 一种自适应的非整数步长分数阶微分图像纹理增强方法 |
CN114373027A (zh) * | 2021-12-17 | 2022-04-19 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 基于灰度共生矩阵的瓷砖图像数据集生成方法 |
CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034440A (zh) * | 2007-01-12 | 2007-09-12 | 浙江工业大学 | 一种类球形果蔬的识别方法 |
-
2011
- 2011-09-02 CN CN2011102583862A patent/CN102289671A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034440A (zh) * | 2007-01-12 | 2007-09-12 | 浙江工业大学 | 一种类球形果蔬的识别方法 |
Non-Patent Citations (3)
Title |
---|
《北京测绘》 20070925 冯建辉,杨玉静 《基于灰度共生矩阵提取纹理特征图像的研究》 19-22 1-10 , * |
冯建辉,杨玉静: "《基于灰度共生矩阵提取纹理特征图像的研究》", 《北京测绘》, 25 September 2007 (2007-09-25), pages 19 - 22 * |
曾志明 等: "《一种大尺寸遥感图像基于内容检索的纹理特征提取算法》", 《武汉大学学报》, 28 December 2005 (2005-12-28), pages 1 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609891A (zh) * | 2012-01-12 | 2012-07-25 | 合肥工业大学 | 一种基于纹理特征的数字图像被动盲取证方法 |
CN102609891B (zh) * | 2012-01-12 | 2014-01-15 | 合肥工业大学 | 一种基于纹理特征的数字图像被动盲取证方法 |
CN102663422A (zh) * | 2012-03-27 | 2012-09-12 | 江南大学 | 基于颜色特征的地板层次分类方法 |
CN102663422B (zh) * | 2012-03-27 | 2013-10-30 | 江南大学 | 基于颜色特征的地板层次分类方法 |
CN103020639A (zh) * | 2012-11-27 | 2013-04-03 | 河海大学 | 一种白细胞自动识别计数方法 |
CN104282008B (zh) * | 2013-07-01 | 2017-07-28 | 株式会社日立制作所 | 对图像进行纹理分割的方法和装置 |
CN104282008A (zh) * | 2013-07-01 | 2015-01-14 | 株式会社日立制作所 | 对图像进行纹理分割的方法和装置 |
CN105433987B (zh) * | 2014-08-18 | 2018-12-18 | 宝健科技股份有限公司 | 在体外判断多幅三维结石影像间差异的医疗器材及用于计算机的存储介质 |
CN105433987A (zh) * | 2014-08-18 | 2016-03-30 | 宝健科技股份有限公司 | 在体外判断多幅三维结石影像间差异的方法及计算机程序产品 |
CN104573664A (zh) * | 2015-01-21 | 2015-04-29 | 深圳华侨城文化旅游科技有限公司 | 一种射击路径的3d场景重构系统及方法 |
CN105184300A (zh) * | 2015-09-01 | 2015-12-23 | 中国矿业大学(北京) | 一种基于图像lbp的煤岩识别方法 |
CN105374007B (zh) * | 2015-12-02 | 2019-01-01 | 华侨大学 | 融合骨架笔画和纹理特征的铅笔画生成方法和装置 |
CN105374007A (zh) * | 2015-12-02 | 2016-03-02 | 华侨大学 | 融合骨架笔画和纹理特征的铅笔画生成方法和装置 |
CN108269277A (zh) * | 2016-12-30 | 2018-07-10 | 清华大学 | 用于对辐射图像进行质量评价的方法和系统 |
CN108269277B (zh) * | 2016-12-30 | 2022-03-08 | 清华大学 | 用于对辐射图像进行质量评价的方法和系统 |
CN107833247A (zh) * | 2017-11-29 | 2018-03-23 | 合肥赑歌数据科技有限公司 | 一种基于矩阵分析的图像纹理提取方法 |
CN108564548A (zh) * | 2018-04-19 | 2018-09-21 | 南京信息工程大学 | 一种自适应的非整数步长分数阶微分图像纹理增强方法 |
CN108564548B (zh) * | 2018-04-19 | 2022-06-24 | 南京信息工程大学 | 一种自适应的非整数步长分数阶微分图像纹理增强方法 |
CN114373027A (zh) * | 2021-12-17 | 2022-04-19 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 基于灰度共生矩阵的瓷砖图像数据集生成方法 |
CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
CN114749342B (zh) * | 2022-04-20 | 2023-09-26 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102289671A (zh) | 提取图像纹理特征的方法和装置 | |
CN104123555B (zh) | 一种基于稀疏表示和超像素的极化sar地物分类方法 | |
CN101520894B (zh) | 基于区域显著性的显著对象提取方法 | |
CN104462494B (zh) | 一种基于无监督特征学习的遥感图像检索方法及系统 | |
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 | |
CN103971115A (zh) | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 | |
CN103955462A (zh) | 一种基于多视图和半监督学习机制的图像标注方法 | |
CN111881933B (zh) | 一种高光谱图像分类方法及系统 | |
CN104063706A (zh) | 一种基于surf算法的视频指纹提取方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN103295032B (zh) | 基于空间Fisher向量的图像分类方法 | |
CN104392241A (zh) | 一种基于混合回归的头部姿态估计方法 | |
CN107169492A (zh) | 基于fcn‑crf主从网络的极化sar目标检测方法 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN108154094A (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
CN104408731B (zh) | 基于区域图和统计相似性编码的sar图像分割方法 | |
CN103593853A (zh) | 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 | |
CN104217436A (zh) | 基于多特征联合稀疏图的sar图像分割方法 | |
CN104346814B (zh) | 基于层次视觉语义的sar图像分割方法 | |
CN104751175A (zh) | 基于增量支持向量机的sar图像多类标场景分类方法 | |
CN102831161B (zh) | 用于图像检索的基于流形正则化的半监督排序学习方法 | |
CN103839075A (zh) | 一种基于联合稀疏表示的sar图像分类方法 | |
CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
CN106778714A (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
CN111028244B (zh) | 基于超像素的已知样本不均衡情况下的遥感图像语义分割的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20111221 |