CN102509099A - 一种图像显著区域检测方法 - Google Patents

一种图像显著区域检测方法 Download PDF

Info

Publication number
CN102509099A
CN102509099A CN2011103230586A CN201110323058A CN102509099A CN 102509099 A CN102509099 A CN 102509099A CN 2011103230586 A CN2011103230586 A CN 2011103230586A CN 201110323058 A CN201110323058 A CN 201110323058A CN 102509099 A CN102509099 A CN 102509099A
Authority
CN
China
Prior art keywords
pixels
image
value
color space
block
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
Application number
CN2011103230586A
Other languages
English (en)
Other versions
CN102509099B (zh
Inventor
王好谦
张春龙
徐秀兵
戴琼海
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.)
Shenzhen Graduate School Tsinghua University
Original Assignee
Shenzhen Graduate School Tsinghua University
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 Shenzhen Graduate School Tsinghua University filed Critical Shenzhen Graduate School Tsinghua University
Priority to CN 201110323058 priority Critical patent/CN102509099B/zh
Publication of CN102509099A publication Critical patent/CN102509099A/zh
Priority to HK12108139.1A priority patent/HK1167496A1/xx
Application granted granted Critical
Publication of CN102509099B publication Critical patent/CN102509099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Color Image Communication Systems (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像显著区域检测方法，包括以下步骤：1）色彩空间转换；2）分块划分；3）分别确定N块像素块的初始显著性值；4）使用各像素块在CIELab色彩空间中的颜色距离对步骤3）得到的初始显著性值进行修正，得到N块像素块的显著性值；5）对步骤4）得到的N块像素块的显著性值进行归一化操作后得到待检测图像的显著性值的初始灰度图像；6）对步骤5）得到的初始灰度图像进行双边滤波，得到待检测图像的显著性值的灰度图像。本发明的图像显著区域检测方法，将待处理图像中像素按网格划分为像素块，可使计算量显著减小，同时还能确保得到的显著性灰度图的精确度也较高。

Description

一种图像显著区域检测方法
技术领域
本发明涉及计算机图像处理领域，特别是涉及一种图像显著区域检测方法。
背景技术
从计算机模拟人类视觉的角度看，图像显著区域检测意在让计算机模拟人类视觉系统，自动定位图像/视频中的显著性区域。人类视觉系统（Human Visual System，简称HVS）具有在面对复杂场景时，能够迅速将注意力集中在少数几个显著的视觉对象上的能力，这个过程又称为视觉注意。图像处理时，由于可以通过显著性区域来优先分配图像分析与合成所需的计算资源，所以检测图像的显著性区域意义重大。提取出的显著性值的灰度图像可以广泛的应用于计算机视觉领域，包括对兴趣目标物体的图像分割，目标识别，自适应压缩，内容感知图像编辑，和图像检索等。同时，对图像的显著性区域的检测研究反过来对研究人类视觉系统的信息加工也有帮助。
图像显著区域检测方法即是要得到待处理的图像中每一像素点的显著性值，根据显著性值得到对应的显著性灰度图。现有的图像显著区域检测方法中，有针对各个像素点单独计算显著性值的，得到的灰度图结果精确，但计算量非常大。也有一些检测方法中，计算显著性值时以用某个像素和整个图像的平均色的色差来直接定义显著性值，但方法中只考虑了一阶平均颜色，分析复杂多变的自然图像时精确度不高，同时方法中也没有考虑到像素点的空间关系对精确度结果的影响。
发明内容
本发明所要解决的技术问题是：弥补上述现有技术的不足，提出一种图像显著区域检测方法，计算量较小，且得到的显著性灰度图的精确度较高。
本发明的技术问题通过以下的技术方案予以解决：
一种图像显著区域检测方法，包括以下步骤：1）色彩空间转换：将待检测图像从RGB色彩空间转换为CIELab色彩空间；2）分块划分：将所述步骤1）处理后的待检测图像划分为N块包含n×n个像素点的像素块；n的取值由用户对区域检测方法的计算量和计算结果精确度的要求综合设定；3）分别确定N块像素块的初始显著性值S1（1）、S1（2）、……、S1（k）、……、S1（N）；4）使用各像素块在CIELab色彩空间中的颜色距离对步骤3）得到的初始显著性值进行修正，得到N块像素块的显著性值S（1）、S（2）、……、S（k）、……、S（N）；5）对步骤4）得到的N块像素块的显著性值进行归一化操作后得到待检测图像的显著性值的初始灰度图像；6）对步骤5）得到的初始灰度图像进行双边滤波，得到待检测图像的显著性值的灰度图像。
本发明与现有技术对比的有益效果是：
本发明的图像显著区域检测方法，将待处理图像中像素按网格划分为像素块，设定像素块中的每一个像素的显著性值相同，从而以像素块为单位计算像素块的显著性值，相对于每一个像素点单独计算显著性值而言，计算量显著减小。而虽然按网格划分像素块会丢失边缘信息，但后续使用双边滤波对得到的初始灰度图像进行保边去噪的处理，使得最终得到的显著性灰度图的边缘信息完整，确保得到的灰度图的边缘信息不会受到分块划分的影响。同时，本发明图像显著区域检测方法中计算显著性值时，转换到CIELab色彩空间中进行计算，且以CIELab色彩空间的3个通道的颜色数值计算，没有忽略为单一的亮度值，同时考虑到像素点的空间关系，使用空间颜色距离对显著性值进行修正，从而从以上三个方面确保得到的显著性值的精确度较高。即本发明的图像显著区域检测方法能减小计算量，同时得到的显著性灰度图的精确度也较高。
附图说明
图1是本发明具体实施方式中的图像显著区域检测方法的流程图。 
具体实施方式
下面结合具体实施方式并对照附图对本发明做进一步详细说明。
如图1所示，为本具体实施方式中的图像显著区域检测方法的流程图。
U1）色彩空间转换：将待检测图像从RGB色彩空间转换为CIELab色彩空间。
本具体实施方式中，运用如下简单的转换关系式进行转换：
L = 0.2126 * R + 0.7152 * G + 0.0722 * B
a = 1.4749 * (0.2213 * R - 0.3390 * G + 0.1177 * B) + 128
b = 0.6245 * (0.1949 * R + 0.6057 * G - 0.8006 * B) + 128
其中，R，G，B分别表示所述待检测图像中像素点在RGB色彩空间的R通道值，G通道值，B通道值；L，a，b分别表示转换后所述待检测图像中像素点在CIELab色彩空间的L通道值，a通道值，b通道值。上述各值的取值范围均是[0,255]。
将待检测图像转换到CIELab色彩空间，而在CIELab色彩空间计算空间距离时更加符合人类的视觉感知，视觉感知误差较小，相对于在非CIELab色彩空间计算空间距离会产生较大的视觉感知误差，因此可从色彩空间转换这一方面确保得到的显著性值的准确性。当然，本具体实施方式中使用上述转换关系式，是因为上述转换关系式较简单，同时也能满足精确度的要求，其它更为精确，比如式中各系数的小数点取更多位时，但稍复杂的转换关系式也可用于此处进行色彩空间转换。
U2）分块划分：将上述步骤1）处理后转换至CIELab色彩空间的待检测图像划分为N块包含n×n个像素点的像素块。其中，n的取值由用户对区域检测方法的计算量和计算结果精确度的要求综合设定。n值越小，像素块包括的像素点越少，像素块也就越小，计算的结果就越精确，但分块越小，图像划分的像素块的总块数N就越大，计算量相应较大，反之结果相反。
将待处理图像按上述网格方式分块划分，分块方式简单可行，且设定像素块中的每一个像素的显著性值相同，使得在计算显著性值的过程中，可以块为单位进行计算，相对于每一个像素点单独计算显著性值而言，可使计算量显著减小。同时分块的优点是在计算显著性值的过程中，可从值域的角度考虑来进行计算，相较于应用基于图的图像区域分割方法，计算过程简单，高效。
U3）分别确定N块像素块的初始显著性值S1（1）、S1（2）、……、S1（k）、……、S1（N）。
本具体实施方式中，依据公式1计算得到第k块像素块的初始显著性值S1（k）。公式1为：
Figure 88279DEST_PATH_IMAGE002
Figure 848425DEST_PATH_IMAGE004
其中，
Figure 2011103230586100002DEST_PATH_IMAGE005
，
Figure 2011103230586100002DEST_PATH_IMAGE007
，
Figure 2011103230586100002DEST_PATH_IMAGE009
分别表示所述待检测图像所有像素点在CIELab色彩空间的L通道的均值，a通道的均值，b通道的均值；ILkavg，Iakavg，Ibkavg分别表示所述第k块像素块中n×n个像素点在CIELab色彩空间的L通道的均值，a通道的均值，b通道的均值。本具体实施方式中，按照上述公式计算显著性值，计算过程即为三个通道中每一通道的均值值与整体均值的平方和，以CIELab色彩空间的3个通道的颜色数值计算，没有忽略为单一的亮度值，使用的信息量充足，可从第二方面确保得到的显著性值的准确性。且以块中所有像素点的3个通道的均值进行计算，在一定程度上可以减小干扰的影响，确保得到较为精确的结果。
U4）使用各像素块在CIELab色彩空间中的颜色距离对步骤U3）得到的初始显著性值进行修正，得到N块像素块的显著性值S（1）、S（2）、……、S（k）、……、S（N）。
本具体实施方式中，依据公式2对第k块像素块的初始显著性值S1（k）进行修正得到第k块像素块的显著性值S（k）。公式2为：
Figure 2011103230586100002DEST_PATH_IMAGE011
其中，
Figure 990824DEST_PATH_IMAGE012
，N为所述步骤中划分的像素块的总块数，表示第k块像素块
Figure 189724DEST_PATH_IMAGE014
与第i块像素块
Figure 2011103230586100002DEST_PATH_IMAGE015
在CIELab色彩空间中的颜色距离。这样，考虑到色彩空间的颜色距离对显著性值的影响，每两个像素块的颜色距离越大，那么色彩反差也就越大，产生的对比度也就越大。因此，修正第k块像素块的显著性值时，对于第k块的修正因子，即空间权值，定义为第k块与其他各块的色彩空间的颜色距离之和，因此得到依据上述公式2对初始显著性值进行修正，得到最终的显著性值。由于本具体实施方式中，使用了空间颜色距离对显著性值进行修正，从第三方面确保了得到的最终显著性值的准确性。
具体地，可依据如下公式3计算得到第k块像素块与第i块像素块的色彩空间的颜色距离
Figure 2011103230586100002DEST_PATH_IMAGE017
：
其中，ILiavg，Iaiavg，Ibiavg分别表示第i块像素块
Figure 2011103230586100002DEST_PATH_IMAGE021
中n×n个像素点在CIELab色彩空间的L通道的均值，a通道的均值，b通道的均值；ILkavg，Iakavg，Ibkavg分别表示所述第k块像素块中n×n个像素点在CIELab色彩空间的L通道的均值，a通道的均值，b通道的均值。
按照上述公式修正计算后，即分别得到N块像素块的最终显著性值S（1）、S（2）、……、S（k）、……、S（N）。
U5）对步骤U4）得到的N块像素块的显著性值进行归一化操作后得到待检测图像的显著性值的初始灰度图像。
进行归一化操作即是将得到的各显著性值转化成相应的灰度值，得到灰度图。归一化操作运用线性函数转换的方法，表达式如公式4和公式5所示。
公式4为：
Figure 2011103230586100002DEST_PATH_IMAGE023
；
公式5为：Y=y×255；
其中，将步骤U4）待转换的N块像素块的显著性值分别作为x带入公式4，y表示转换中间值，Y表示转换后像素块的显著性值对应于初始灰度图像中的灰度值。经过归一化，即N个显著性值最终转换成N个取值在0-255之间的灰度值。由该N个灰度值即可得到显著性值对应的初始灰度图。MaxValue和MinValue分别为N块像素块中的最大显著性值和最小值显著性值。
U6）对步骤U5）得到的初始灰度图像进行双边滤波，得到待检测图像的显著性值的灰度图像。虽然前述步骤U1）中按网格划分像素块会丢失边缘信息，且分的像素块中n越大，像素块就越大，边缘信息越是模糊，但该步骤对初始灰度图像进行双边滤波处理，能达到保边去噪的效果，使得最终得到的显著性灰度图的边缘信息完整，确保得到的灰度图的边缘信息不会受到分块划分的影响。
由于本具体实施方式中，将像素点按网格划分为像素块，相对于每一个像素均单独计算显著性值而言，计算量显著减小。同时对得到的显著性值的灰度图进行双边滤波处理，保边去噪，使得分块划分不会影响到灰度图的边缘信息。而在精确度方面，将图像转换至CIELab色彩空间从而减小计算空间距离时的视觉感知误差，采用CIELab色彩空间的3个通道的颜色数值计算从而避免单一亮度值计算导致的不准确，同时考虑了空间关系，使用空间颜色距离对得到的初始显著性值进行修正，从以上三个方面考虑确保最终得到的显著性值的结果较精确。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下做出若干替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (6)

1.一种图像显著区域检测方法，其特征在于：包括以下步骤：
1）色彩空间转换：将待检测图像从RGB色彩空间转换为CIELab色彩空间；
2）分块划分：将所述步骤1）处理后的待检测图像划分为N块包含n×n个像素点的像素块；n的取值由用户对区域检测方法的计算量和计算结果精确度的要求综合设定；
3）分别确定N块像素块的初始显著性值S1（1）、S1（2）、……、S1（k）、……、S1（N）；
4）使用各像素块在CIELab色彩空间中的颜色距离对步骤3）得到的初始显著性值进行修正，得到N块像素块的显著性值S（1）、S（2）、……、S（k）、……、S（N）；
5）对步骤4）得到的N块像素块的显著性值进行归一化操作后得到待检测图像的显著性值的初始灰度图像；
6）对步骤5）得到的初始灰度图像进行双边滤波，得到待检测图像的显著性值的灰度图像。
2.根据权利要求1所述的图像显著区域检测方法，其特征在于：所述步骤3）中依据公式1计算得到第k块像素块的初始显著性值S1（k）；公式1为：
Figure 645748DEST_PATH_IMAGE002
Figure 500572DEST_PATH_IMAGE004
；其中，，
Figure 2011103230586100001DEST_PATH_IMAGE007
，
Figure 2011103230586100001DEST_PATH_IMAGE009
分别表示所述待检测图像所有像素点在CIELab色彩空间的L通道的均值，a通道的均值，b通道的均值；ILkavg，Iakavg，Ibkavg分别表示所述第k块像素块中n×n个像素点在CIELab色彩空间的L通道的均值，a通道的均值，b通道的均值。
3.根据权利要求1所述的图像显著区域检测方法，其特征在于：所述步骤4）中依据公式2对第k块像素块的初始显著性值S1（k）进行修正得到第k块像素块的显著性值S（k）；公式2为：
Figure 2011103230586100001DEST_PATH_IMAGE011
；其中，
Figure 155675DEST_PATH_IMAGE012
，N为所述步骤中划分的像素块的总块数，
Figure 2011103230586100001DEST_PATH_IMAGE013
表示第k块像素块与第i块像素块
Figure 2011103230586100001DEST_PATH_IMAGE015
在CIELab色彩空间中的颜色距离。
4.根据权利要求3所述的图像显著区域检测方法，其特征在于：所述颜色距离
Figure 2011103230586100001DEST_PATH_IMAGE017
依据公式3计算得到；公式3为：
Figure 2011103230586100001DEST_PATH_IMAGE019
；其中，ILiavg，Iaiavg，Ibiavg分别表示所述第i块像素块
Figure 2011103230586100001DEST_PATH_IMAGE021
中n×n个像素点在CIELab色彩空间的L通道的均值，a通道的均值，b通道的均值；ILkavg，Iakavg，Ibkavg分别表示所述第k块像素块中n×n个像素点在CIELab色彩空间的L通道的均值，a通道的均值，b通道的均值。
5.根据权利要求1所述的图像显著区域检测方法，其特征在于：所述归一化操作依据公式4和公式5进行；
公式4为：
Figure 2011103230586100001DEST_PATH_IMAGE023
；
公式5为：Y=y×255；
其中，将待转换的像素块的显著性值作为x带入公式4，y表示转换中间值，Y表示转换后像素块的显著性值对应于初始灰度图像中的灰度值，MaxValue和MinValue分别为N块像素块中的最大显著性值和最小值显著性值。
6.根据权利要求1所述的图像显著区域检测方法，其特征在于：所述步骤1）中根据如下转换关系式进行色彩空间转换：
L = 0.2126 * R + 0.7152 * G + 0.0722 * B a = 1.4749 * (0.2213 * R - 0.3390 * G + 0.1177 * B) + 128 b = 0.6245 * (0.1949 * R + 0.6057 * G - 0.8006 * B) + 128
其中，R，G，B分别表示所述待检测图像中像素点在RGB色彩空间的R通道值，G通道值，B通道值；L，a，b分别表示转换后所述待检测图像中像素点在CIELab色彩空间的L通道值，a通道值，b通道值。
CN 201110323058 2011-10-21 2011-10-21 一种图像显著区域检测方法 Active CN102509099B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN 201110323058 CN102509099B (zh) 2011-10-21 2011-10-21 一种图像显著区域检测方法
HK12108139.1A HK1167496A1 (en) 2011-10-21 2012-08-20 Detecting salient region method in image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110323058 CN102509099B (zh) 2011-10-21 2011-10-21 一种图像显著区域检测方法

Publications (2)

Publication Number Publication Date
CN102509099A true CN102509099A (zh) 2012-06-20
CN102509099B CN102509099B (zh) 2013-02-27

Family

ID=46221180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110323058 Active CN102509099B (zh) 2011-10-21 2011-10-21 一种图像显著区域检测方法

Country Status (2)

Country Link
CN (1) CN102509099B (zh)
HK (1) HK1167496A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679173A (zh) * 2013-12-04 2014-03-26 清华大学深圳研究生院 图像显著区域检测方法
CN103810503A (zh) * 2013-12-26 2014-05-21 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
CN104966285A (zh) * 2015-06-03 2015-10-07 北京工业大学 一种显著性区域的检测方法
CN106682613A (zh) * 2016-12-27 2017-05-17 北京航空航天大学 一种基于人脸显著性的图像压缩方法
CN106815323A (zh) * 2016-12-27 2017-06-09 西安电子科技大学 一种基于显著性检测的跨域视觉检索方法
CN107146258A (zh) * 2017-04-26 2017-09-08 清华大学深圳研究生院 一种图像显著区域检测方法
CN107481248A (zh) * 2017-07-28 2017-12-15 桂林电子科技大学 一种图像显著区域的提取方法
CN108234884A (zh) * 2018-02-12 2018-06-29 西安电子科技大学 一种基于视觉显著性的相机自动对焦方法
CN109102473A (zh) * 2018-07-23 2018-12-28 浙江智彩科技有限公司 一种改善彩色数字图像质量的方法
CN109767480A (zh) * 2018-12-17 2019-05-17 浙江工商大学 基于显著性和空间特征的三维网格动画压缩方法
CN111950549A (zh) * 2020-08-12 2020-11-17 上海大学 一种基于海天线与视觉显著性融合的海面障碍物检测方法
CN112164068A (zh) * 2020-07-17 2021-01-01 中国人民解放军63892部队 一种警戒雷达ppi图像目标/干扰区域自适应提取方法
CN113341668A (zh) * 2021-06-23 2021-09-03 南京立思辰智能设备有限公司 基于打印基材检测的打印质量自适应调整的激光打印机
CN113406867A (zh) * 2021-06-23 2021-09-17 南京立思辰智能设备有限公司 基于打印质量识别的打印质量自适应调整的激光打印机

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001013263A2 (en) * 1999-08-17 2001-02-22 Koninklijke Philips Electronics N.V. System and method for performing region-based image retrieval using color-based segmentation.
CN1916906A (zh) * 2006-09-08 2007-02-21 北京工业大学 基于信息突变的图像检索算法
US7397851B2 (en) * 2001-05-10 2008-07-08 Roman Kendyl A Separate plane compression
CN101533512A (zh) * 2009-04-24 2009-09-16 西安电子科技大学 基于人类视觉注意系统的图像感兴趣区域自动提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001013263A2 (en) * 1999-08-17 2001-02-22 Koninklijke Philips Electronics N.V. System and method for performing region-based image retrieval using color-based segmentation.
US7397851B2 (en) * 2001-05-10 2008-07-08 Roman Kendyl A Separate plane compression
CN1916906A (zh) * 2006-09-08 2007-02-21 北京工业大学 基于信息突变的图像检索算法
CN101533512A (zh) * 2009-04-24 2009-09-16 西安电子科技大学 基于人类视觉注意系统的图像感兴趣区域自动提取方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679173B (zh) * 2013-12-04 2017-04-26 清华大学深圳研究生院 图像显著区域检测方法
CN103679173A (zh) * 2013-12-04 2014-03-26 清华大学深圳研究生院 图像显著区域检测方法
CN103810503A (zh) * 2013-12-26 2014-05-21 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
CN103810503B (zh) * 2013-12-26 2017-02-01 西北工业大学 一种基于深度学习的自然图像中显著区域的检测方法
CN104966285A (zh) * 2015-06-03 2015-10-07 北京工业大学 一种显著性区域的检测方法
CN104966285B (zh) * 2015-06-03 2018-01-19 北京工业大学 一种显著性区域的检测方法
CN106682613B (zh) * 2016-12-27 2020-01-03 北京航空航天大学 一种基于人脸显著性的图像压缩方法
CN106682613A (zh) * 2016-12-27 2017-05-17 北京航空航天大学 一种基于人脸显著性的图像压缩方法
CN106815323A (zh) * 2016-12-27 2017-06-09 西安电子科技大学 一种基于显著性检测的跨域视觉检索方法
CN106815323B (zh) * 2016-12-27 2020-02-07 西安电子科技大学 一种基于显著性检测的跨域视觉检索方法
CN107146258A (zh) * 2017-04-26 2017-09-08 清华大学深圳研究生院 一种图像显著区域检测方法
CN107481248A (zh) * 2017-07-28 2017-12-15 桂林电子科技大学 一种图像显著区域的提取方法
CN108234884A (zh) * 2018-02-12 2018-06-29 西安电子科技大学 一种基于视觉显著性的相机自动对焦方法
CN109102473A (zh) * 2018-07-23 2018-12-28 浙江智彩科技有限公司 一种改善彩色数字图像质量的方法
CN109102473B (zh) * 2018-07-23 2022-01-18 浙江智彩科技有限公司 一种改善彩色数字图像质量的方法
CN109767480A (zh) * 2018-12-17 2019-05-17 浙江工商大学 基于显著性和空间特征的三维网格动画压缩方法
CN109767480B (zh) * 2018-12-17 2023-08-18 浙江工商大学 基于显著性和空间特征的三维网格动画压缩方法
CN112164068A (zh) * 2020-07-17 2021-01-01 中国人民解放军63892部队 一种警戒雷达ppi图像目标/干扰区域自适应提取方法
CN111950549A (zh) * 2020-08-12 2020-11-17 上海大学 一种基于海天线与视觉显著性融合的海面障碍物检测方法
CN113341668A (zh) * 2021-06-23 2021-09-03 南京立思辰智能设备有限公司 基于打印基材检测的打印质量自适应调整的激光打印机
CN113406867A (zh) * 2021-06-23 2021-09-17 南京立思辰智能设备有限公司 基于打印质量识别的打印质量自适应调整的激光打印机

Also Published As

Publication number Publication date
HK1167496A1 (en) 2012-11-30
CN102509099B (zh) 2013-02-27

Similar Documents

Publication Publication Date Title
CN102509099A (zh) 一种图像显著区域检测方法
CN102693426B (zh) 一种图像显著区域检测方法
CN102708369B (zh) 一种基于卫星图像的海冰参数提取方法
CN107886512A (zh) 一种确定训练样本的方法
CN109034017A (zh) 头部姿态估计方法及机器可读存储介质
CN109993137A (zh) 一种基于卷积神经网络的快速人脸矫正方法
CN103632153B (zh) 一种基于区域的图像显著图提取方法
CN106355607B (zh) 一种宽基线彩色图像模板匹配方法
CN103679173A (zh) 图像显著区域检测方法
CN113902641B (zh) 一种基于红外图像的数据中心热区判别方法及系统
US9576381B2 (en) Method and device for simplifying space data
CN105681775A (zh) 一种白平衡方法和装置
CN114862725B (zh) 基于光流法实现运动感知模糊特效的方法及装置
CN104299241A (zh) 基于 Hadoop 的遥感图像显著性目标检测方法及系统
CN107146258B (zh) 一种图像显著区域检测方法
CN107563986A (zh) 图像区域的判断方法和系统
CN109191501B (zh) 一种多源高空间分辨率影像的自动几何配准方法
CN117610972A (zh) 一种基于人工智能的绿色建筑数字化管理系统及方法
CN107886513A (zh) 一种确定训练样本的装置
CN113052923A (zh) 色调映射方法、装置、电子设备和存储介质
CN103871084B (zh) 蓝印花布图案识别方法
CN105825161A (zh) 图像的肤色检测方法及其系统
CN108921094A (zh) 一种基于大数据的警情管理系统
CN104240275A (zh) 图像修补方法和装置
CN117459773B (zh) 一种跨设备内容同步的智能电视图像显示方法及相关装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1167496

Country of ref document: HK

C14 Grant of patent or utility model
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: GR

Ref document number: 1167496

Country of ref document: HK