CN102867313A - 一种融合区域颜色和HoG特征的视觉显著性检测方法 - Google Patents
一种融合区域颜色和HoG特征的视觉显著性检测方法 Download PDFInfo
- Publication number
- CN102867313A CN102867313A CN2012103118044A CN201210311804A CN102867313A CN 102867313 A CN102867313 A CN 102867313A CN 2012103118044 A CN2012103118044 A CN 2012103118044A CN 201210311804 A CN201210311804 A CN 201210311804A CN 102867313 A CN102867313 A CN 102867313A
- Authority
- CN
- China
- Prior art keywords
- pixel region
- super pixel
- color
- local rectangular
- chrominance component
- 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
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明涉及一种融合区域颜色和HoG特征的视觉显著性检测方法。目前方法通常都基于区域颜色特征的纯计算模型,对于纹理的显著性差异不敏感。本发明方法首先在原始图像的CIELAB空间彩色分量图上,通过分析超像素区域的颜色对比度和分布特性,计算每个像素的颜色显著性值;然后在原始图像的RGB空间彩色分量图上,提取基于HoG的局部矩形区域纹理特征,并通过分析局部矩形区域的纹理对比度和分布特性,计算每个像素的纹理显著性值;最后采用二次非线性融合方法将每个像素的颜色显著性值和纹理显著性值融合为该像素的最终显著性值。本发明方法获得不仅可获得符合人眼视觉感官的全分辨率显著性图像,并且对显著性目标具有更强的区分能力。
Description
技术领域
本发明属于计算机视觉领域,具体来说是一种融合区域颜色对比度和梯度方向直方图(以下采用其英文简写“HoG”代替)特征的视觉显著性检测方法。
背景技术
视觉显著性被定义为视觉的不可预测性、稀缺性。由于相关的人类视觉注意理论的支持,视觉显著性模型提供了一种快速且高效的方法,在计算机视觉和图像处理中作为重要的预处理机制。
目前的研究成果表明,多数视觉显著性模型基于底层特征驱动的自底向上的过程。其中,具有深远意义的工作是L. Itti等人提出的特征融合理论。在他们的模型中,颜色、亮度和方向特征分别从输入图像中提取,标注地理特征地图,然后使用线性融合方式合成主显著性图像。A. Borji等人提出基于区域稀有性的分析方法。该方法是在Lab和RGB空间学习全局和局部的颜色特征,分配图像显著性。这些方法模拟人类眼球运动,追踪眼部的关注焦点,在生物学中有重要研究价值,但存在明显的不足:低分辨率,高亮局部轮廓,缺少完整的区域意识。
为此,R. Achanta等人提出了一种简单的频域协调方法,度量像素与图像平均色的差异决定图像的显著性。该方法得到全分辨率的显著性图。之后,R. Achanta等人改用最大对称环绕的检测算子,降低背景干扰。M.-M. Cheng等人用图分割抽象区域颜色,提出基于全局的区域空间相关性的计算模型,该方法是对区域对比理论的解释。最近,F. Perazzi等人引入显著性滤波器的概念,分别从元素独立性和空间分布两方面实现显著性滤波,得到与输入图像大小一致的高质量显著性图。这些方法都面向纯计算模型,表现出区域完整,物体轮廓清晰,复杂度低的优点。然而上述这些方法都是基于区域颜色,对于纹理的显著性差异不敏感。
发明内容
本发明针对现有技术的不足,融合区域颜色和HoG特征,提供了一种基于区域对比度的视觉显著性检测方法。
本发明方法的具体步骤如下:
步骤(1):采用彩色变换方法,分别提取输入图像在Lab空间的l彩色分量图、a彩色分量图和b彩色分量图。
步骤(2):采用SLIC超像素聚类方法,将输入图像划分为多个互不相交且区域面积近似相等的超像素区域。
步骤(3):根据步骤(2)的结果,计算每个超像素区域的颜色特征,具体为:
步骤(4):根据步骤(3)得到的各超像素区域的颜色特征,计算每个超像素区域的颜色独特性,具体为:
对于超像素区域r i ,其颜色独特性表示为:
步骤(5):根据步骤(3)得到的各超像素区域的颜色特征,计算每个超像素区域的颜色空间分布特性,具体为:
步骤(6):根据步骤(4)和步骤(5)的结果,计算每个超像素区域的颜色显著性值,具体为:
步骤(7):根据步骤(4)中得到的超像素区域的颜色独特性值,对超像素区域的颜色显著性值进行平滑优化,以保证颜色独特性值近似的两个相邻超像素区域间颜色显著性值的连续平滑。
所述的超像素区域的颜色显著性值的平滑优化方法具体为:
步骤(8):为输入图像中每个像素分配颜色显著性值,具体为:
步骤(9):采用彩色变换方法,分别提取输入图像在RGB空间的r彩色分量图、g彩色分量图和b彩色分量图;计算r彩色分量图、g彩色分量图和b彩色分量图的积分图。
步骤(10):利用步骤(9)的积分图结果,采用梯度方向直方图提取方法,将输入图像从图像左上角开始按序划分为若干个不重叠的8×8像素的局部矩形区域,并提取每个局部矩形区域的纹理特征。
所述的局部矩形区域的纹理特征提取方法具体为:
所述的局部矩形区域t i 的HoG矢量表示为,其中,为在所属的彩色分量图上局部矩形区域t i 中所有像素在梯度方向为0°、20°、40°、60°、80°、100°、120°、140°、160°下的梯度幅度值。
步骤(11):根据步骤(10)得到的每个局部矩形区域的纹理特征,计算每个局部矩形区域的纹理空间分布特性。
所述的局部矩形区域的纹理空间分布特性计算方法具体为:
其中为局部矩形区域t i 在所属的彩色分量图上的纹理空间分布特性;为梯度方向取值;为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化方差;为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化期望。
步骤(12):为输入图像中每个像素分配纹理显著性值,具体为:
步骤(13):根据步骤(8)和步骤(12)的结果,计算输入图像中每个像素的最终显著性值,具体为:
本发明提供了一种融合区域颜色和HoG特征的视觉显著性检测方法,该方法考虑颜色和HoG特征融合策略,提取和融合区域颜色对比度和区域纹理对比度,从而获得符合人眼视觉感官的全分辨率显著性图像。该方法要优于目前已有方法,并且对显著性目标具有更强的区分能力。
附图说明
图1为本发明中的方法流程图;
图2为本发明方法与现有方法的显著性检测结果图像比较。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,一种融合区域颜色和HoG特征的视觉显著性检测方法具体步骤如下:
步骤(1):采用彩色变换方法,分别提取输入图像在Lab空间的l彩色分量图、a彩色分量图和b彩色分量图;所述的彩色变换方法为成熟技术。
步骤(2):采用SLIC超像素聚类方法,将输入图像划分为多个互不相交且区域面积近似相等的超像素区域;所述的SLIC超像素聚类方法由R. Achanta等人提出[1]。
步骤(3):根据步骤(2)的结果,计算每个超像素区域的颜色特征,具体为:
步骤(4):根据步骤(3)得到的各超像素区域的颜色特征,计算每个超像素区域的颜色独特性,具体为:
步骤(5):根据步骤(3)得到的各超像素区域的颜色特征,计算每个超像素区域的颜色空间分布特性,具体为:
步骤(6):根据步骤(4)和步骤(5)的结果,计算每个超像素区域的颜色显著性值,具体为:
其中为高斯函数标准差。
步骤(7):根据步骤(4)中得到的超像素区域的颜色独特性值,对超像素区域的颜色显著性值进行平滑优化,以保证颜色独特性值近似的两个相邻超像素区域间颜色显著性值的连续平滑。
所述的超像素区域的颜色显著性值的平滑优化方法具体为:
步骤(8):为输入图像中每个像素分配颜色显著性值,具体为:
步骤(9):采用彩色变换方法,分别提取输入图像在RGB空间的r彩色分量图、g彩色分量图和b彩色分量图;计算r彩色分量图、g彩色分量图和b彩色分量图的积分图。
步骤(10):利用步骤(9)的积分图结果,采用梯度方向直方图提取方法,将输入图像从图像左上角开始按序划分为若干个不重叠的8×8像素的局部矩形区域,并提取每个局部矩形区域的纹理特征;所述的梯度方向直方图提取方法由N.Dalal等人提出。
所述的局部矩形区域的纹理特征提取方法具体为:
所述的局部矩形区域t i 的HoG矢量表示为,其中,为在所属的彩色分量图上局部矩形区域t i 中所有像素在梯度方向为0°、20°、40°、60°、80°、100°、120°、140°、160°下的梯度幅度值。
步骤(11):根据步骤(10)得到的每个局部矩形区域的纹理特征,计算每个局部矩形区域的纹理空间分布特性。
所述的局部矩形区域的纹理空间分布特性计算方法具体为:
其中为局部矩形区域t i 在所属的彩色分量图上的纹理空间分布特性;为梯度方向取值;为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化方差;为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化期望。
步骤(12):为输入图像中每个像素分配纹理显著性值,具体为:
步骤(13):根据步骤(8)和步骤(12)的结果,计算输入图像中每个像素的最终显著性值,具体为:
如图2所示,本发明方法与现有方法的显著性检测结果图像比较说明如下:第一列为输入图像,第二列为人工标记的正确视觉显著性区域,第三列为本发明方法检测结果,第四列为F. Perazzi 等人提出的SF方法的检测结果,第五列是M.-M. Cheng等人提出的HC方法[4]的检测结果,第六列是M.-M. Cheng等人提出的RC方法的检测结果,第7列是R. Achanta等人提出的FT方法的检测结果,第8列是R. Achanta等人提出的AC方法的检测结果, 第9列是S. Goferman等人提出的CA方法的检测结果。
Claims (1)
1. 一种融合区域颜色和HoG特征的视觉显著性检测方法,其特征在于该方法包括如下步骤:
步骤(1):采用彩色变换方法,分别提取输入图像在Lab空间的l彩色分量图、a彩色分量图和b彩色分量图;
步骤(2):采用SLIC超像素聚类方法,将输入图像划分为多个互不相交且区域面积近似相等的超像素区域;
步骤(3):根据步骤(2)的结果,计算每个超像素区域的颜色特征,具体为:
步骤(4):根据步骤(3)得到的各超像素区域的颜色特征,计算每个超像素区域的颜色独特性,具体为:
所述的超像素区域r i 和超像素区域r j 的空间相关性权重具体表示为:
步骤(5):根据步骤(3)得到的各超像素区域的颜色特征,计算每个超像素区域的颜色空间分布特性,具体为:
步骤(6):根据步骤(4)和步骤(5)的结果,计算每个超像素区域的颜色显著性值,具体为:
步骤(7):根据步骤(4)中得到的超像素区域的颜色独特性值,对超像素区域的颜色显著性值进行平滑优化,以保证颜色独特性值近似的两个相邻超像素区域间颜色显著性值的连续平滑;
所述的超像素区域的颜色显著性值的平滑优化方法具体为:
步骤(8):为输入图像中每个像素分配颜色显著性值,具体为:
对于超像素区域r i 中的像素,其颜色显著性值表示为:
步骤(9):采用彩色变换方法,分别提取输入图像在RGB空间的r彩色分量图、g彩色分量图和b彩色分量图;计算r彩色分量图、g彩色分量图和b彩色分量图的积分图;
步骤(10):利用步骤(9)的积分图结果,采用梯度方向直方图提取方法,将输入图像从图像左上角开始按序划分为若干个不重叠的8×8像素的局部矩形区域,并提取每个局部矩形区域的纹理特征;
所述的局部矩形区域的纹理特征提取方法具体为:
所述的局部矩形区域t i 的HoG矢量表示为,其中,为在所属的彩色分量图上局部矩形区域t i 中所有像素在梯度方向为0°、20°、40°、60°、80°、100°、120°、140°、160°下的梯度幅度值;
步骤(11):根据步骤(10)得到的每个局部矩形区域的纹理特征,计算每个局部矩形区域的纹理空间分布特性;
所述的局部矩形区域的纹理空间分布特性计算方法具体为:
其中为局部矩形区域t i 在所属的彩色分量图上的纹理空间分布特性;为梯度方向取值;为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化方差;为在所属的彩色分量图上所有局部矩形区域在第j个梯度方向下梯度幅度值的归一化期望;
步骤(12):为输入图像中每个像素分配纹理显著性值,具体为:
步骤(13):根据步骤(8)和步骤(12)的结果,计算输入图像中每个像素的最终显著性值,具体为:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210311804.4A CN102867313B (zh) | 2012-08-29 | 2012-08-29 | 一种融合区域颜色和HoG特征的视觉显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210311804.4A CN102867313B (zh) | 2012-08-29 | 2012-08-29 | 一种融合区域颜色和HoG特征的视觉显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102867313A true CN102867313A (zh) | 2013-01-09 |
CN102867313B CN102867313B (zh) | 2015-04-22 |
Family
ID=47446169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210311804.4A Expired - Fee Related CN102867313B (zh) | 2012-08-29 | 2012-08-29 | 一种融合区域颜色和HoG特征的视觉显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867313B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996198A (zh) * | 2014-06-04 | 2014-08-20 | 天津工业大学 | 复杂自然环境下感兴趣区域的检测方法 |
CN104103082A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种基于区域描述和先验知识的图像显著性检测方法 |
CN104933738A (zh) * | 2015-06-16 | 2015-09-23 | 中国人民解放军国防科学技术大学 | 一种基于局部结构检测和对比度的视觉显著图生成方法 |
CN105118051A (zh) * | 2015-07-29 | 2015-12-02 | 广东工业大学 | 一种应用于静态图像人体分割的显著性检测方法 |
CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN106056593A (zh) * | 2016-05-26 | 2016-10-26 | 招商局重庆交通科研设计院有限公司 | 一种基于图像建模的危岩位移监测方法 |
CN106096615A (zh) * | 2015-11-25 | 2016-11-09 | 北京邮电大学 | 一种基于随机游走的图像显著区域提取方法 |
CN103632153B (zh) * | 2013-12-05 | 2017-01-11 | 宁波大学 | 一种基于区域的图像显著图提取方法 |
CN106952251A (zh) * | 2017-02-28 | 2017-07-14 | 华南理工大学 | 一种基于吸附模型的图像显著性检测方法 |
CN107256547A (zh) * | 2017-05-26 | 2017-10-17 | 浙江工业大学 | 一种基于显著性检测的表面裂纹识别方法 |
CN107424142A (zh) * | 2017-03-30 | 2017-12-01 | 上海万如科技发展有限公司 | 一种基于图像显著性检测的焊缝识别方法 |
CN108520539A (zh) * | 2018-03-13 | 2018-09-11 | 中国海洋大学 | 一种基于稀疏学习可变模型的图像目标检测方法 |
CN109034066A (zh) * | 2018-07-27 | 2018-12-18 | 北方工业大学 | 基于多特征融合的建筑物识别方法 |
CN110097569A (zh) * | 2019-04-04 | 2019-08-06 | 北京航空航天大学 | 基于颜色马尔科夫链显著性模型的油罐目标检测方法 |
CN113705579A (zh) * | 2021-08-27 | 2021-11-26 | 河海大学 | 一种视觉显著性驱动的图像自动标注方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976338A (zh) * | 2010-10-29 | 2011-02-16 | 杭州电子科技大学 | 一种基于梯度方向直方图的判决式视觉显著性检测方法 |
EP2431919A1 (en) * | 2010-09-16 | 2012-03-21 | Thomson Licensing | Method and device of determining a saliency map for an image |
-
2012
- 2012-08-29 CN CN201210311804.4A patent/CN102867313B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2431919A1 (en) * | 2010-09-16 | 2012-03-21 | Thomson Licensing | Method and device of determining a saliency map for an image |
CN101976338A (zh) * | 2010-10-29 | 2011-02-16 | 杭州电子科技大学 | 一种基于梯度方向直方图的判决式视觉显著性检测方法 |
Non-Patent Citations (2)
Title |
---|
LAURENT ITTI, CHRISTOF KOCH, AND ERNST NIEBUR: "《A Model of Saliency-Based Visual Attention》", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, vol. 20, no. 11, 30 November 1998 (1998-11-30), pages 1254 - 1259 * |
田明辉等: "《自然场景中的视觉显著对象检测》", 《中国图象图形学报》, vol. 15, no. 11, 30 November 2010 (2010-11-30) * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632153B (zh) * | 2013-12-05 | 2017-01-11 | 宁波大学 | 一种基于区域的图像显著图提取方法 |
CN103996198A (zh) * | 2014-06-04 | 2014-08-20 | 天津工业大学 | 复杂自然环境下感兴趣区域的检测方法 |
CN104103082A (zh) * | 2014-06-06 | 2014-10-15 | 华南理工大学 | 一种基于区域描述和先验知识的图像显著性检测方法 |
CN105989594B (zh) * | 2015-02-12 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN105989594A (zh) * | 2015-02-12 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN104933738B (zh) * | 2015-06-16 | 2017-09-15 | 中国人民解放军国防科学技术大学 | 一种基于局部结构检测和对比度的视觉显著图生成方法 |
CN104933738A (zh) * | 2015-06-16 | 2015-09-23 | 中国人民解放军国防科学技术大学 | 一种基于局部结构检测和对比度的视觉显著图生成方法 |
CN105118051A (zh) * | 2015-07-29 | 2015-12-02 | 广东工业大学 | 一种应用于静态图像人体分割的显著性检测方法 |
CN105118051B (zh) * | 2015-07-29 | 2017-12-26 | 广东工业大学 | 一种应用于静态图像人体分割的显著性检测方法 |
CN105469392B (zh) * | 2015-11-18 | 2019-02-01 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
CN105469392A (zh) * | 2015-11-18 | 2016-04-06 | 西北工业大学 | 基于区域光谱梯度特征对比的高光谱图像显著性检测方法 |
CN106096615A (zh) * | 2015-11-25 | 2016-11-09 | 北京邮电大学 | 一种基于随机游走的图像显著区域提取方法 |
CN106056593B (zh) * | 2016-05-26 | 2018-07-20 | 招商局重庆交通科研设计院有限公司 | 一种基于图像建模的危岩位移监测方法 |
CN106056593A (zh) * | 2016-05-26 | 2016-10-26 | 招商局重庆交通科研设计院有限公司 | 一种基于图像建模的危岩位移监测方法 |
CN106952251B (zh) * | 2017-02-28 | 2019-07-16 | 华南理工大学 | 一种基于吸附模型的图像显著性检测方法 |
CN106952251A (zh) * | 2017-02-28 | 2017-07-14 | 华南理工大学 | 一种基于吸附模型的图像显著性检测方法 |
CN107424142A (zh) * | 2017-03-30 | 2017-12-01 | 上海万如科技发展有限公司 | 一种基于图像显著性检测的焊缝识别方法 |
CN107424142B (zh) * | 2017-03-30 | 2020-05-19 | 上海万如科技发展有限公司 | 一种基于图像显著性检测的焊缝识别方法 |
CN107256547A (zh) * | 2017-05-26 | 2017-10-17 | 浙江工业大学 | 一种基于显著性检测的表面裂纹识别方法 |
CN108520539B (zh) * | 2018-03-13 | 2021-08-31 | 中国海洋大学 | 一种基于稀疏学习可变模型的图像目标检测方法 |
CN108520539A (zh) * | 2018-03-13 | 2018-09-11 | 中国海洋大学 | 一种基于稀疏学习可变模型的图像目标检测方法 |
CN109034066A (zh) * | 2018-07-27 | 2018-12-18 | 北方工业大学 | 基于多特征融合的建筑物识别方法 |
CN109034066B (zh) * | 2018-07-27 | 2022-05-03 | 北方工业大学 | 基于多特征融合的建筑物识别方法 |
CN110097569A (zh) * | 2019-04-04 | 2019-08-06 | 北京航空航天大学 | 基于颜色马尔科夫链显著性模型的油罐目标检测方法 |
CN113705579A (zh) * | 2021-08-27 | 2021-11-26 | 河海大学 | 一种视觉显著性驱动的图像自动标注方法 |
CN113705579B (zh) * | 2021-08-27 | 2024-03-15 | 河海大学 | 一种视觉显著性驱动的图像自动标注方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102867313B (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102867313A (zh) | 一种融合区域颜色和HoG特征的视觉显著性检测方法 | |
AU2017307115B2 (en) | A method of extracting road targets based on saliency in a night vision infrared image | |
CN104537634B (zh) | 动态图像中去除雨滴影响的方法和系统 | |
CN103984946B (zh) | 一种基于K‑means的高分辨率遥感地图道路提取方法 | |
CN103020993A (zh) | 一种双通道颜色对比度融合的视觉显著性检测方法 | |
CN102222328B (zh) | 一种边缘保持的自然场景图像自适应加权滤波方法 | |
CN107818303B (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
CN103996198A (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN103218832B (zh) | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 | |
CN103186904A (zh) | 图片轮廓提取方法及装置 | |
CN103020965A (zh) | 一种基于显著性检测的前景分割方法 | |
CN102999916A (zh) | 一种彩色图像的边缘提取方法 | |
CN104574366A (zh) | 一种基于单目深度图的视觉显著性区域的提取方法 | |
CN107154026B (zh) | 一种基于自适应亮度高程模型的消除路面阴影的方法 | |
CN102567969B (zh) | 一种彩色图像边缘检测方法 | |
CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
CN103034983A (zh) | 一种基于各向异性滤波的去雾方法 | |
CN104217440A (zh) | 一种从遥感图像中提取建成区的方法 | |
CN103810729A (zh) | 一种基于等高线的光栅图像矢量化方法 | |
CN106297492A (zh) | 一种教育玩具套件及利用颜色和轮廓识别编程模块的方法 | |
CN106373126B (zh) | 基于融合类测地线和边界对比的图像显著性检测方法 | |
CN103164847A (zh) | 视频图像中运动目标阴影消除方法 | |
CN109948461A (zh) | 一种基于质心定位和距离变换的手语图像分割方法 | |
CN104778691A (zh) | 一种三维点云数据的处理方法 | |
CN104268509B (zh) | 泥头车车牌检测的方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210702 Address after: 314400 room 609, block a, 128 Shuanglian Road, Haining Economic Development Zone, Haining City, Jiaxing City, Zhejiang Province Patentee after: Haining Dingcheng Intelligent Equipment Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150422 |