CN103226582B - 一种基于不确定定点图的医学图像检索方法 - Google Patents

一种基于不确定定点图的医学图像检索方法 Download PDF

Info

Publication number
CN103226582B
CN103226582B CN201310119299.8A CN201310119299A CN103226582B CN 103226582 B CN103226582 B CN 103226582B CN 201310119299 A CN201310119299 A CN 201310119299A CN 103226582 B CN103226582 B CN 103226582B
Authority
CN
China
Prior art keywords
fixed point
image
texel
uncertain fixed
uncertain
Prior art date
Application number
CN201310119299.8A
Other languages
English (en)
Other versions
CN103226582A (zh
Inventor
潘海为
李鹏远
冯晓宁
王瑞
谷井子
Original Assignee
哈尔滨工程大学
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 哈尔滨工程大学 filed Critical 哈尔滨工程大学
Priority to CN201310119299.8A priority Critical patent/CN103226582B/zh
Publication of CN103226582A publication Critical patent/CN103226582A/zh
Application granted granted Critical
Publication of CN103226582B publication Critical patent/CN103226582B/zh

Links

Abstract

本发明属于医疗信息技术领域,具体涉及一种基于不确定定点图医学图像检索方法。本发明包括如下步骤:(1)待检索图像提出查询请求;(2)图像预处理过程;(3)图像建模;(4)查询不确定定点图;(5)展示结果。本发明提出的索引结构旨在比较有可能相似的图,而不是对所有图数据库中每个图的各个节点、边进行比较,从而降低图像检索过程的时间复杂度。采用查准率作为准确性评价的标准,使用基于不确定定点图的医学图像检索方法具有更高的准确性。由于不确定定点图模型对纹理变化敏感,所以使用基于不确定定点图的医学图像检索方法具有更高的灵敏性。

Description

一种基于不确定定点图的医学图像检索方法

技术领域

[0001] 本发明属于医疗信息技术领域,具体涉及一种基于不确定定点图医学图像检索方 法。

背景技术

[0002] 随着医疗卫生事业现代化的不断发展,医学图像正越来越多的应用于对病人病情 的诊断以及预测等方面,并起到了显著的效果。一张医学图像不仅包含了患者病情的大量 信息,而且往往对应着医生对患者做出的一系列珍贵的决策,以及患者病情的发展情况。找 到与患者图像相似的医学图像,有助于发现之前和患者患有相同或相似病情的病人,并通 过以往医生对此类病人做出的一系列决策和病人病情的发展情况,有助于医生结合经验知 识做出合理的决策。可见,医学图像检索技术具有很强的实际应用价值和社会价值。

[0003] 目前,图像检索技术主要分为:1)基于描述的图像检索,它基于图像的描述(如关 键字、标题、尺寸等)进行检索;2)基于内容的图像检索,它基于图像的内容特征(如颜色直 方图、对象的形状和它们在图像中的布局和位置)进行检索。但由于医学图像较一般图像有 其特殊性,使其在图像检索过程中更难以处理。其特殊性是:1)医学图像要求精度高,细微 的图像变化可能导致语义的变化;2)医学图像中医学本体难以识别,往往需要通过医师人 为的进行标记;3)医学图像中医学本体的属性复杂,不利于发现和描述。

[0004] 纹理,作为一种重要的图像特征,更是医生通过医学图像进行诊断的关键。在医学 图像中,纹理不仅可以刻画医学本体的轮廓,更可以对其内部的灰度变化情况进行有效的 描述,这也正是医生进行诊断的重要依据。目前已有使用局部二值模式(Local Binary PatternS,LBP)表示纹理特征和使用轮廓进行医学图像搜索等方面的研究工作。但是,这些 纹理特征都是以静态的确定的数字来加以表示的,不能满足纹理结构性和不确定性的现实 要求。为此提出一种能够充分表达图像纹理不确定性特征的数据模型并用其进行医学图像 检索式一个亟待解决的问题。

发明内容

[0005] 本发明的目的是提出一种基于不确定定点图的提高医学图像检索准确率的医学 图像检索方法。

[0006] 本发明的目的是这样实现的:

[0007] 本发明包括如下步骤:

[0008] (1)待检索图像提出查询请求:待查询图像应为原始医学图像数据;

[0009] (2)图像预处理过程:对原始医学图像提取ROI区域即感兴趣区域,计算图像ROI区 域的灰度直方图,得到图像ROI区域的灰度直方图的波谷列表,根据波谷列表对图像分级提 取纹理特征,根据实际需要将得到的分级纹理图像规范化到统一的大小;

[0010] (3)图像建模:根据图像对应的纹理特征建立不确定定点图;

[0011] (4)查询不确定定点图:查询图像通过其对应的不确定定点图对不确定定点图数 据库中的图进行匹配,计算不确定定点图之间的相似性,得到查询图像和原始图像数据库 中图像的相似度得分;

[0012] (5)展示结果:按相似性得分降序列出所对应原始图像数据库中的图像。

[0013] 不确定定点图为:一个不确定定点图是一个六元组G=(V,E,Σ,L,P,T),其中V是顶 点集,E属于V*V的边集,Σ是标签集;L: V- Σ是为顶点分配标签的标签函数;P:E- [0,1 ]是 点的重要性指数,T是纹素的集合,在不确定定点图中,点V(i)eV的位置(x,y)的不确定性 依赖于P(V(i)),一条纹素(Texel)T(k)是指,若在不确定定点图G中存在一条路径从点V(a) 到点V(b),那么这条路径上的点就组成一条纹素 T(k) = {V(m),V(m+l),V(m+2)··· .V(n)},其 中任意两条纹素 T(k)、T(j)eT满足T(k)nT(j)=z。

[0014]不确定定点图还包括:图像P所对应的纹理矩阵Mi[x,y]矣0,则位于图像位置横坐 标为1,纵坐标为7的点(1,7)0,且?((1,7))=1/1(1,7);

[0015] 若对于任意两点V( j)、V(k)存在距离dis:dis(V(j),则存在边(V( j),V (k)) £E;

[0016] 产生纹素集合T并对纹素上的点赋予编号。

[0017] 不确定定点图数据库通过对已有图像库中的每张图像进行预处理,对预处理过的 图像集进行不确定定点图建模得到不确定定点图集D=(GhG 2r^Gn),最后通过基于像素点 的索引结构构建而成。

[0018] 相似性包括计算纹素之间的相似性、不确定定点图G和G'之间的相似性。

[0019] 索引结构以像素点为单位,即在规定大小为列数Column*行数Row的平面上的每一 个位置(x,y)对应着像素点索引结构中的一个指针?1(^7),?1(^7)指向记录了经过位置 (X,y)的所有纹素的连接表,通过连接表中的任意条记录纹素 TT(k)可以方便的在纹理表中 找到纹素 TT(k)的所有信息。

[0020] 本发明的有益效果在于:

[0021] 本发明提出的索引结构旨在比较有可能相似的图,而不是对所有图数据库中每个 图的各个节点、边进行比较,从而降低图像检索过程的时间复杂度。采用查准率作为准确性 评价的标准,使用基于不确定定点图的医学图像检索方法具有更高的准确性。由于不确定 定点图模型对纹理变化敏感,所以使用基于不确定定点图的医学图像检索方法具有更高的 灵敏性。

附图说明

[0022] 图1是不确定定点图边的可移动性示例;

[0023]图2是纹素基础可移动性示例;

[0024] 图3是纹素扩展可以东西示例;

[0025] 图4是纹素相似性示例;

[0026] 图5不确定定点图数据库索引结构图;

[0027] 图6基于不确定定点图的医学图像检索方法的流程图。

具体实施方式

[0028] 下面结合附图和具体实施例对本发明作进一步的说明:

[0029] 首先构建不确定定点图数据库:

[0030] 1.对原始图像库中的每一张原始的脑部CT图像提取ROI区域;

[0031] 2.截取ROI区域并校正;

[0032 ] 3.计算图像ROI区域灰度直方图的波谷分布情况,得到灰度直方图的波谷表;

[0033] 4.按照波谷表设置阈值对图像多次提取纹理,从而得到多级纹理图像;

[0034] 5.最后将多级纹理图像规范化为大小为COLUMN X ROW的图像;

[0035] 6.对图像进行建模,经过以上过程,每一张原始图像均对应一个大小为ROW* COLUMN的矩阵Mi,对于Mi中的点(X,y ),如果有Mi (X,y)矣0,说明图像Pi中存在纹理经过规范 化位置(1,7),则点(1,7)6'\^,且?((1,7)) = 1/]^(1,7)。若对于任意两点\^(」_)、'\^(1〇存在 -(ν,(〇,\'Ί(1<)):ϋ则存在边(V 1Q),V1(IO)EE1,接着根据纹素集合的定义得到纹素集合;

[0036] 7.根据图5所示的索引结构建立不确定定点图数据库。

[0037]具体的一次图像检索过程如下:

[0038] 1.对待检索图像P提出查询请求;

[0039] 2.对待检索图像P进行预处理,得到一个个大小为R0W*C0LUMN的矩阵Mi;

[0040] 3.对于Mi中的点(x,y),如果有Mi(x,y)矣0,说明图像Pi中存在纹理经过规范化位 置(x,y),则点(x,y) eVi,且P( (X,y) ) = 1/Mi(x,y)。若对于任意两点Vi( j)、Vi(k)存在 dis(V;(j),V1(M)SVL则存在边(V1(J) ,V1(IO) EE1,接着根据纹素定义得到纹素集合和点的 标号;

[0041 ] 4.不确定定点图查询,计算查询图与不确定定点图数据库中图的相似性。

[0042] 5.按相似性得分降序列出所对应原始图像数据库中的图像。

[0043] 以上实例表明,本发明提出的基于不确定定点图的医学图像检索方法具有实际的 应用价值。

[0044] 本发明还有这样一些技术特征:

[0045] 1 ·不确定定点图(Uncertain Location Graph,ULG)模型:

[0046] 一个不确定定点图是一个五元组G=(V,E,Σ,L,P,T),其中V是顶点集,E属于V*V的 边集,Σ是标签集;L:V-X是为顶点分配标签的标签函数;P:E-(0,1]是点的重要性指数 (也称为可偏移指数),T是纹素的集合。

[0047] 在不确定定点图中,点V( i) e V的位置(X,y)具有不确定性,且其不确定性依赖于P (V(i))。当一个点对于整个图较为重要时(即如果该点移动,则会严重影响原图),那么该点 具有较高的P(V(i))。当一个点不重要时,即使它有较大的移动也不会对原图构成影响,我 们称该点具有较低的P(V(i))。因为点的可移动性与点的重要性成反比,所以,定义点的可 移动性m如下:

[0048] m(V(i))=l/P(V(i))

[0049] 因为不确定定点图中的点具有可移动性,所以不确定定点图中的边也不是固定 的,边e(i)£E的可移动性取决于其两个端点的可移动性。如图1所示,点V(i)、V(j)具有不 同的可移动性,圆a、b分别是点V(i)、V(j)的可移动范围,它们是以点V(i)、V(j)为圆心,m(V 0))、111(¥(」))为半径的圆。我们称边13、(3是合法的,因为他们端点的移动在可移动范围内。 边d是不合法的因为边d的端点超出了可移动范围。

[0050] -条纹素(Texel)T(k)是指,若在不确定定点图G中存在一条路径从V(a)到V(b), 那么这条路径上的点就组成一条纹素,T(k) = {V(m),V(m+l),V(m+2)··· .V(n)},其中任意两 条纹素 T(k)、T(j)eT满足T(k)nT(j)=0 a

[0051] 因为不确定定点图中的每个点都具有可移动性,而纹素又是由点组成的,所以纹 素也具有可移动性,我们称之为容忍度。由于纹素上的点具有序列关系,所以当纹素中一个 点移动时很有可能会影响后一个点。首先给出纹素的基本容忍度13_«的定义如下:

[0052] b_tt(T(k))=n/IP(V(i)),V(i)eT(k)

[0053] 如图2所示,纹素 a是原始纹素,纹素 a上的每个点都有一个以自己为圆心、以b_tt 为半径的圆与之相对应为该点的可移动区域,其中纹素 b、c是合法的是因为纹素 b、c上点均 在与之相对应的纹素 a上点的可移动区域内。

[0054]根据经验,如果纹素的一部分移动的比较少而另一部分移动的稍微多些,我们也 是可以认可的。根据韦伯定律,同一刺激差别量必须达到一定比例,才能引起差别感觉,也 就是说刺激的几何级增长会引起视觉反应的线性增长。因为纹素是由一条一条边拼接而成 的,所以本文中纹素的刺激是其长度,并设其增长基数为2。我们给出纹素的扩展容忍度e_ tt定义如下:

[0055]

Figure CN103226582BD00071

[0056]其中length是点V( i)距最远满足基本容忍度13_«的点V( j)的长度,本发明中长度 是指点v(i)到点V(j)途经边的个数。图3给出了两个例子,通过例子我们可以发现在不确定 定点图中每个点的变化情况(即可移动半径)不是静止的,而与其结构以及其它点的运动情 况有关。

[0057] 2.图像转换为不确定定点图模型的具体步骤:

[0058] 通过预处理过程,每一张输入图像Pi都对应着一个规定大小为R0W*C0LUMN大小的 纹理矩阵Mi,对于Mi中的点(X,y ),如果有Mi(X,y)矣0,说明图像Pi中存在纹理经过规范化位 置(x,y),则点(x,y) eVi,且P( (X,y) ) = 1/Mi(x,y)。若对于任意两点Vi( j)、Vi(k)存在 C^(ViCiKViOO)SW,则存在边(V1(J) ,V1(IO) EE1。因为一条纹素是指:若在不确定定点图G中 存在一条路径从V(a)到V(b),那么这条路径上的点就组成一条纹素,T(k) = {V(m),V(m+l),V (m+2)….V(n)},其中任意两条纹素 T(k)、T(j)eT满足T(k)nT(j)=z,所以根据纹素定义产 生纹素集合。

[0059] 3.不确定定点图的相似性定义:

Figure CN103226582BD00072

[0060]不确定定点图G=(V,E,Σ,L,P,T)与不确定定点图G'=(V,E,Σ,L,P,T)eD相似是 指图G中的纹素与图G'中的纹素具有相似性。而纹素 T(i)和Τ'(j)相似是指如果T(i)上的一 部分点与Τ'(j)上的一部分点一一对应,且满足dis(V(i),V'(j)Hb_tt(T(i))+b_tt(T' (j))+l〇g2length,其中length是点V(i)到最远匹配点的长度,那么纹素 T(i)和Τ'( j)相似 性为

[0061]

[0062]其中 PT(i)为 T(i)的子集,是 T(i)中能与T'(j)的点满足 dis(V(i),V'(j)Hb_tt (T(i))+b_tt(T'( j) )+log2length的点的集合。图4给出了纹素 b、c相似于纹素 a的例子,其 中基础约束线是与纹素 a距离为b_tt(a)+b_tt(b)的线,扩展约束线是与纹素 a距离为b_tt (T(i))+b_tt(T'( j))+log2length的线。

[0063] 因为不确定定点图之间的相似性是由不确定定点图之间的纹素的相似性决定的, 所以不确定定点图G与G'相似性定义为

[0064]

Figure CN103226582BD00081

[0065] 4.不确定定点图数据库组成:

[0066]所述的不确定定点图数据库为:首先通过对已有图像库中的每张图像进行预处 理,然后对预处理过的图像集进行不确定定点图建模可得到一个不确定定点图集D=W1, G2,~,Gn},通过一种基于像素点的索引结构如图5所示,构建不确定定点图数据库。根据图 像检索过程中的需要,该索引结构以像素点为单位。即在规定大小的C 〇lumn*R〇W的平面上 的每一个位置(X,y)对应着Pixel Index中的一个指针PI(x,y),PI(x,y)指向记录了经过位 置(x,y)的所有纹素的表Trans Table,通过Trans Table中的任意条记录TT(k)可以方便的 在表Texture Table中找到TT(k)的所有相关信息。

[0067] 5.不确定定点图查询过程:

[0068] 对于查询不确定定点图中的每一条纹素,首先利用不确定定点图数据库的索引结 构找到可能与该纹素匹配的纹素集,然后对纹素集中的每条纹素计算相似性并将得分记 录,最后计算查询图与不确定定点图数据库中每个图的相似度。

[0069] 本发明的关键在于使用不确定定点图对医学图像进行建模,从而利用不确定定点 图对图像进行检索。

[0070] 本发明充分考虑纹理本身的结构性和可变性。通过将图像映射为一个不确定定点 图既可以保存图像本身的纹理信息,又揭示了图像纹理本身可能有的种种变化,从而使该 检索方法本身更接近于人类的正常思维过程。

[0071] 本发明充分考虑图像中对象的重要性不同。根据在医学诊断过程中,医师更多的 关注深灰色区域这一专业知识,该方法通过一种分级的纹理提取策略对不同灰度值的纹理 赋予不同的权值,并赋予不同的可变性,从而使该模型本身更符合医学图像检索这一专业 领域。

Claims (4)

1. 一种基于不确定定点图的医学图像检索方法,其特征在于,包括如下步骤: (1) 待检索图像提出查询请求:待查询图像应为原始医学图像数据; (2) 图像预处理过程:对原始医学图像提取ROI区域即感兴趣区域,计算图像ROI区域的 灰度直方图,得到图像ROI区域的灰度直方图的波谷列表,根据波谷列表对图像分级提取纹 理特征,根据实际需要将得到的分级纹理图像规范化到统一的大小; (3) 图像建模:根据图像对应的纹理特征建立不确定定点图; (4) 查询不确定定点图:查询图像通过其对应的不确定定点图对不确定定点图数据库 中的图进行匹配,计算不确定定点图之间的相似性,得到查询图像和原始图像数据库中图 像的相似度得分; (5) 展示结果:按相似性得分降序列出所对应原始图像数据库中的图像; 所述的不确定定点图为:一个不确定定点图是一个六元组G= (^',^^{,",其中乂 是顶点集,E属于V*V的边集,2是标签集;L: V- 2是为顶点分配标签的标签函数;P: E- [ 0, 1]是点的重要性指数,T是纹素的集合,在不确定定点图中,点V(i)EV的位置(x,y)的不确 定性依赖于P(V(i)),一条纹素 T(k)是指,若在不确定定点图G中存在一条路径从点V(a)到 点V(b),那么这条路径上的点就组成一条纹素 T(k) = {V(m),V(m+l),V(m+2). . . .V(n)},其 中任意两条纹素 T(k)、T(j)eT满足T(k)HT(j)=3 ; 所述的不确定定点图还包括:图像P所对应的纹理矩阵Mdxj)矣0,则位于图像位置横 坐标为1,纵坐标为7的点(1,7)£¥,且?((1,7)) = 1/]«(1,7); 若对于任意两点V(j)、V(k)存在距离虹8:虹^〇),¥(1〇)&/1,则存在边(¥(」),¥(1〇) EE; 产生纹素集合T并对纹素上的点赋予编号; 不确定定点图的相似性定义: 不确定定点图G=(V,E,2,L,P,T)与不确定定点图G' = (V,E,2,L,P,T)eD相似是指 图G中的纹素与图G'中的纹素具有相似性;而纹素 T(i)和T'(j)相似是指如果T(i)上的一部 分点与T'(j)上的一部分点一一对应,且满足 dis(V(i),V'(j)Hb_tt(T(i))+b_tt(T'(j)) +log2length,其中length是点V(i)到最远匹配点的长度,那么纹素 T(i)和T'(j)相似性为 s[T(iwr(.m= z nnm/ Z ivno) r{l)&PT(i) V(k)&T(i) 其中PT(i)为T(i)的子集,是T(i)中能与T'(j)的点满足dis(V(i),V'(j)Hb_tt(T (i))+b_tt(T'( j))+log2length的点的集合;纹素的基本容忍度b_tt为:b_tt(T(k))=n/ 2 P(V(i)),V(i)eT(k),T(k)代表纹素; 不确定定点图G与G '相似性定义为 S(G,G')= 2>(丁(丨),丁切)。 ram
2. 根据权利要求1所述的基于不确定定点图的医学图像检索方法,其特征是,所述的不 确定定点图数据库通过对已有图像库中的每张图像进行预处理,对预处理过的图像集进行 不确定定点图建模得到不确定定点图集…,G n},最后通过基于像素点的索引结 构构建而成。
3. 根据权利要求2所述的基于不确定定点图的医学图像检索方法,其特征是:所述的相 似性包括计算纹素之间的相似性、不确定定点图G和G'之间的相似性。
4.根据权利要求3所述的基于不确定定点图的医学图像检索方法,其特征是,所述的索 引结构以像素点为单位,即在规定大小为列数Column*行数Row的平面上的每一个位置(X, y)对应着像素点索引结构中的一个指针PI(x,y),PI(x,y)指向记录了经过位置(x,y)的所 有纹素的连接表,通过连接表中的任意条记录纹素T(k)可以方便的在纹理表中找到纹素T (k)的所有信息。
CN201310119299.8A 2013-04-08 2013-04-08 一种基于不确定定点图的医学图像检索方法 CN103226582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310119299.8A CN103226582B (zh) 2013-04-08 2013-04-08 一种基于不确定定点图的医学图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310119299.8A CN103226582B (zh) 2013-04-08 2013-04-08 一种基于不确定定点图的医学图像检索方法

Publications (2)

Publication Number Publication Date
CN103226582A CN103226582A (zh) 2013-07-31
CN103226582B true CN103226582B (zh) 2016-08-03

Family

ID=48837028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310119299.8A CN103226582B (zh) 2013-04-08 2013-04-08 一种基于不确定定点图的医学图像检索方法

Country Status (1)

Country Link
CN (1) CN103226582B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217213B (zh) * 2014-08-20 2018-04-27 哈尔滨工程大学 一种基于对称性理论的医学图像多阶段分类方法
CN107004042A (zh) 2014-09-02 2017-08-01 皇家飞利浦有限公司 图像指纹识别
CN105279508A (zh) * 2015-09-08 2016-01-27 哈尔滨工程大学 一种基于kap有向图模型的医学图像分类方法
CN105868324B (zh) * 2016-03-28 2019-08-27 天津大学 一种基于隐含状态模型的多视角目标检索方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639858A (zh) * 2009-08-21 2010-02-03 深圳创维数字技术股份有限公司 基于目标区域匹配的图像检索方法
CN101799806A (zh) * 2009-02-06 2010-08-11 沈阳工大普日软件技术有限公司 基于多信息融合的胸部数字化x线图像检索系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799806A (zh) * 2009-02-06 2010-08-11 沈阳工大普日软件技术有限公司 基于多信息融合的胸部数字化x线图像检索系统
CN101639858A (zh) * 2009-08-21 2010-02-03 深圳创维数字技术股份有限公司 基于目标区域匹配的图像检索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Rui Wang等.Medical Image Retrieval Method Based on Relevance Feedback.《Advanced Data Mining and Applications》.2012,650-662. *

Also Published As

Publication number Publication date
CN103226582A (zh) 2013-07-31

Similar Documents

Publication Publication Date Title
Fowlkes et al. Local figure–ground cues are valid for natural images
Sankaranarayanan et al. A fast all nearest neighbor algorithm for applications involving large point-clouds
Magnotta et al. Structural MR image processing using the BRAINS2 toolbox
Miller et al. Geographic data mining and knowledge discovery
Vargas-Quesada et al. Visualizing the structure of science
Kochunov et al. Regional spatial normalization: toward an optimal target
Lloyd Spatial data analysis: an introduction for GIS users
Goodchild et al. The accuracy of spatial databases
Borgo et al. Glyph-based Visualization: Foundations, Design Guidelines, Techniques and Applications.
Dorninger et al. A comprehensive automated 3D approach for building extraction, reconstruction, and regularization from airborne laser scanning point clouds
US6804683B1 (en) Similar image retrieving apparatus, three-dimensional image database apparatus and method for constructing three-dimensional image database
US6714897B2 (en) Method for generating analyses of categorical data
Agouris et al. Differential snakes for change detection in road segments
Goovaerts et al. Accounting for regional background and population size in the detection of spatial clusters and outliers using geostatistical filtering and spatial neutral models: the case of lung cancer in Long Island, New York
Kehrer et al. Visualization and visual analysis of multifaceted scientific data: A survey
Papadakis et al. PANORAMA: A 3D shape descriptor based on panoramic views for unsupervised 3D object retrieval
Akgül et al. 3D model retrieval using probability density-based shape descriptors
Wells III Statistical object recognition
Thompson et al. Detection and mapping of abnormal brain structure with a probabilistic atlas of cortical surfaces
Clarkson et al. Resultmaps: Visualization for search interfaces
Wang Quantitative methods and socio-economic applications in GIS
Brilakis et al. Shape-based retrieval of construction site photographs
KR100508569B1 (ko) 이미지 시퀀스 검색을 위한 모양 변화 기술자 추출 방법
CN106068514B (zh) 用于在不受约束的媒体中识别面孔的系统和方法
Daschiel et al. Information mining in remote sensing image archives: System evaluation

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