CN104077602A - 一种基于四元数散射网络的彩色图像纹理分类方法 - Google Patents
一种基于四元数散射网络的彩色图像纹理分类方法 Download PDFInfo
- Publication number
- CN104077602A CN104077602A CN201410326277.3A CN201410326277A CN104077602A CN 104077602 A CN104077602 A CN 104077602A CN 201410326277 A CN201410326277 A CN 201410326277A CN 104077602 A CN104077602 A CN 104077602A
- Authority
- CN
- China
- Prior art keywords
- hypercomplex number
- coloured image
- scatternets
- image
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 27
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 8
- 238000007781 pre-processing Methods 0.000 abstract 1
- 235000008429 bread Nutrition 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 244000137852 Petrea volubilis Species 0.000 description 1
- 239000005030 aluminium foil Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 235000012777 crisp bread Nutrition 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种基于四元数散射网络的彩色图像纹理分类方法,包括以下步骤:(1)彩色图像的预处理:(2)建立彩色图像的四元数散射网络;(3)彩色图像的纹理分类处理。本发明通过构造四元数散射网络,能够结合三个通道之间的相关性,使得彩色图像纹理的描述更为精确,分类也更为准确,具有较高的彩色图像纹理分类成功率。
Description
技术领域
本发明涉及数字图像领域,具体涉及一种基于四元数散射网络的彩色图像纹理分类方法。
背景技术
对于彩色图像纹理的分类处理通常有以下两种方法:1、二维复数Gabor小波以及复数散射网络;2、四元数代数以及四元数Gabor小波,但是这两种方法都存在一定的缺陷。
1、二维复数Gabor小波以及复数散射网络
二维复数Gabor小波及其傅里叶变换分别定义如下:
其中
其中上标C代表复数,a是一个大于1的实数(对于图像处理来说a通常取值为2,对应于二进Gabor小波),i是虚数单位,W是频域移位,σx和σy是时域方差,σu和σv是频域方差,σu=1/(2πσx),σv=1/(2πσy)。θ是方向角,θ=nπ/N,n是方向索引(n=0,1,…,N-1,N是总的方向数)。m是尺度索引(m=0,1,…,M-1,M是多分辨率分解过程中总的尺度数)。
复数散射网络(Complex Scattering Networks)是由二维复数Gabor小波变换和复数取模两种算子构成的一种多层图像描述结构,其构造如图1左下角部分所示。
图1树结构中的空心节点代表中间结果,黑色实心节点代表复数散射网络的每一层的输出。在复数散射网络的每一层都进行复数散射传播(包括复数Gabor小波算子和取模算子)和输出两个独立的操作。比如:
第一层中,空心节点代表的是输入彩色图像单个通道(R通道或G通道或B通道)的图像数据fC。第一层的第一个操作是将复数散射传播算子应用于输入图像fC得到(用第二层的空心节点表示),其中表示复数Gabor小波算子,λ1表示路径,|·|C表示复数取模算子。第一层的第二个操作是将复数散射输出算子应用于输入图像fC得到其中是尺度为2J的高斯低通滤波器,*表示复数线性卷积,是空集符号。
第二层中,空心节点代表的是第一层得到的散射传播结果第二层的第一个操作是将复数散射传播算子应用于得到 (用第三层的空心节点表示),其中表示复数Gabor小波算子,|·|C表示复数取模算子。第二层的第二个操作是将复数散射输出算子应用于输入图像得到 其中是尺度为2J的高斯低通滤波器,*表示线性卷积。
依此迭代下去……
第p层中,空心节点代表的是第p-1层得到的散射传播结果 第p层的第一个操作是将复数散射传播算子应用于得到 其中表示复数Gabor小波算子,|·|C表示复数取模算子。第m层的第二个操作是将复数散射输出算子应用于输入图像得到 其中是尺度为2J的高斯低通滤波器,*表示线性卷积。路径l=(λ1,λ2,...,λp),|λk+1|<|λk|,其中是第k个尺度,rk是第k个方向。
由于复数散射网络只能处理实数输入数据,而彩色图像通常包含RGB三个通道的数据,所以只能将彩色图像RGB三个通道中的每个通道的数据分别利用复数散射网络进行处理后,再将各个通道的散射网络结果进行串联合并。
2、四元数代数以及四元数Gabor小波
2.1四元数代数简介
四元数q是一种特殊的超复数,是复数的扩展形式。四元数q由1个实部和3个虚部组成:
q=S(q)+X(q)i+Y(q)j+Z(q)k, (5)
其中表示实数域,i,j,k是三个虚数单位,满足如下性质:
i2=j2=k2=ijk=-1, (6)
ij=-ji=k,jk=-kj=i,ki=-ik=j. (7)
四元数的共轭和模分别定义为:
四元数q也可以表达成欧拉形式(幅度和相位的形式):
q=S(q)+X(q)i+Y(q)j+Z(q)k=|q|eηθ,
θ=arccos(S(q)/|q|).
其中,η表示归一化的纯虚四元数,θ表示四元数相位角,类似地,(5)和(10)的定义形式也适用于四元数向量q。
2.2四元数卷积、四元数Gabor小波及其傅里叶变换
二维四元数傅里叶变换定义为
其中是纯虚四元数单位,f(x,y)和g(x,y)均为四元数输入图像,F[f(x,y)]和F[g(x,y)]表示分别对f(x,y)和g(x,y)做四元数傅里叶变换。
二维四元数卷积定义为
其中*q表示四元数卷积。
如果f(x,y),g(x,y),F(u,v),G(u,v)中有一个是实值函数,则由(11)-(13)我们可以得到四元数傅里叶变换的卷积定理如下:
F[f(x,y)*qg(x,y)]=G(u,v)F(u,v)=F(u,v)G(u,v)=F[g(x,y)*qf(x,y)] (14)
二维四元数Gabor小波及其傅里叶变换分别定义如下:
其中上标Q代表四元数,是纯虚四元数单位,(15)和(16)中其它参数的含义同(1)和(2)中相应参数的含义一样。对比(15)和(1),我们发现区别只是在(1)中的虚数单位i用纯虚四元数单位μ代替了,但是对于彩色图像来说,利用(1)式我们只能3个通道的数据分别进行处理,利用(15)式我们则可以在四元数域对彩色图像的3个通道数据进行整体处理。
由上可以看出,现有的复数散射网络对彩色图像的处理均采用传统的RGB三个分量单独处理的方式,而没有考虑三个通道数据之间的相关性,使得对彩色图像的描述没有达到理想的效果。
发明内容
发明目的:为结合并保留彩色图像三个通道数据之间的相关性,将彩色图像从RGB(红、绿、蓝)空间转化到HSI(色调、饱和度、亮度)空间,并且表达成四元数矩阵的形式,本发明利用四元数矩阵的表示形式,来解决传统彩色图像利用复数散射网络处理中将RGB三个通道数据之间的相关性割裂的问题,提供一种基于四元数散射网络的彩色图像纹理分类方法。
技术方案:本发明的一种基于四元数散射网络的彩色图像纹理分类方法,将彩色图像数据库的D幅彩色图像转化成一个N1×D的四元数域的二维矩阵Q,其中N1表示散射向量的维数,然后将二维矩阵Q输入四元数主成分分析分类器进行分类,即具体包括以下步骤:
(1)彩色图像的预处理:
(2)建立彩色图像的四元数散射网络;
(3)彩色图像的纹理分类处理;
其中,每一幅彩色图像的大小均为N×N,其中参数D表示数据库中彩色图像的总数目,通常处理的数据库在几百幅图像到几万幅图像之间,并且与计算机的处理能力相关,D越大,处理时计算机需要越多的内存。N1通常的取值范围是几万到几十万维之间,这个参数的值也是受制于计算机的内存等硬件条件。
进一步的,所述彩色图像的预处理具体包括以下步骤:
(1-1)将彩色图像数据库中每幅N×N的彩色图像T从RGB空间转化到HSI空间;
(1-2)将大小为N×N的彩色图像T的HSI三个通道的数据分别赋值给N×N的四元数矩阵fQ的三个虚部,即fQ=0+H(T)i+S(T)j+I(T)k;
其中,i,j和k是三个虚数单位,H(T),S(T)和I(T)分别表示彩色图像H分量、S分量和I分量的数据值;H(T)是角度值,范围在0度到360度之间;S是色度值,范围在0到1之间;I是亮度值,范围在0到1之间;
(1-3)将待分类的彩色图像数据库的图像按一定比例分成训练数据和测试数据两部分,若从彩色图像数据库中随机选取D1幅彩色图像作为训练数据,剩下的(D-D1)幅彩色图像作为测试数据,且0<D1<D。
进一步的,所述建立彩色图像的四元数散射网络具体包括以下步骤:
(2-1)将训练数据的每一幅图像分别输入四元数散射网络,待所有的训练数据都通过四元数散射网络后,可以得到一个N1×D1的特征矩阵Q0,其中N1是每幅训练图像输入四元数散射网络得到的散射向量的维数,D1是训练数据的数目,这里的四元数散射网络包括四元数Gabor小波算子和四元数取模算子;
(2-2)将测试数据的每一幅图像分别输入四元数散射网络,待所有的测试数据都通过四元数散射网络后,可以得到一个N1×(D-D1)的特征矩阵Q1,其中N1是每幅测试图像输入四元数散射网络得到的散射向量的维数,(D-D1)是测试数据的数目;
(2-3)将训练数据特征矩阵Q0和测试数据特征矩阵Q1进行串联,得到数据的总的特征矩阵Q=[Q0,Q1],Q是一个N1×D的矩阵。
进一步的,所述彩色图像的纹理分类处理的方法为:将四元数散射特征矩阵Q输入四元数主成分分析分类器进行分类,并得到最终的分类结果。
有益效果:本发明将彩色图像从RGB空间转化到HSI空间,然后将彩色图像的HSI三个分量分别赋值给四元数矩阵的三个虚部,然后通过四元数散射网络得到散射矩阵,将散射矩阵输入四元数主成分分析(QPCA)分类器进行分类。与现有技术相比,本发明通过构造四元数散射网络,能够结合三个通道之间的相关性,使得彩色图像纹理的描述更为精确,分类也更为准确,具有较高的彩色图像纹理分类成功率。
附图说明
图1为现有技术中复数散射网络(三层)用于彩色图像纹理分类结构图;
图2为本发明中四元数散射网络(三层)用于彩色图像纹理分类结构图;
图3为本发明中四元数散射网络结构示意图;
图4为实施例中“黑面包”的原始彩色图像示意图;
图5为实施例中“黑面包”彩色图像RGB三个通道图像数据示意图;
图6为实施例中“黑面包”彩色图像HSI三个通道图像数据示意图;
图7为实施例中“黑面包”四元数HSI空间彩色图像的散射网络输出示意图。
具体实施方式
下面对本发明技术方案结合附图和实施例进行详细说明。
本发明的一种基于四元数散射网络的彩色图像纹理分类方法,将彩色图像数据库的D幅彩色图像(每一幅彩色图像的大小均为N×N)转化成一个N1×D的四元数域的二维矩阵Q,其中N1表示散射向量的维数,然后将二维矩阵Q输入四元数主成分分析分类器进行分类,即具体包括以下步骤:
(1)彩色图像的预处理:
(1-1)将彩色图像数据库中每幅N×N的彩色图像T从RGB空间转化到HSI空间;
(1-2)将大小为N×N的彩色图像T的HSI三个通道的数据分别赋值给N×N的四元数矩阵fQ的三个虚部,即fQ=0+H(T)i+S(T)j+I(T)k;
其中,i,j和k是三个虚数单位,H(T),S(T)和I(T)分别表示彩色图像H分量、S分量和I分量的数据值;
(1-3)将待分类的彩色图像数据库的图像按一定比例分成训练数据和测试数据两部分,若从彩色图像数据库中随机选取D1幅彩色图像作为训练数据,剩下的(D-D1)幅彩色图像作为测试数据;
(2)建立彩色图像的四元数散射网络:
(2-1)将训练数据的每一幅图像分别输入四元数散射网络,待所有的训练数据都通过四元数散射网络后,可以得到一个N1×D1的特征矩阵Q0,其中N1是每幅训练图像输入四元数散射网络得到的散射向量的维数,D1是训练数据的数目,这里的四元数散射网络包括四元数Gabor小波算子和四元数取模算子;
(2-2)将测试数据的每一幅图像分别输入四元数散射网络,待所有的测试数据都通过四元数散射网络后,可以得到一个N1×(D-D1)的特征矩阵Q1,其中N1是每幅测试图像输入四元数散射网络得到的散射向量的维数,(D-D1)是测试数据的数目;
(2-3)将训练数据特征矩阵Q0和测试数据特征矩阵Q1进行串联,得到数据的总的特征矩阵Q=[Q0,Q1],Q是一个N1×D的矩阵;
(3)彩色图像的纹理分类处理:将四元数散射特征矩阵Q输入四元数主成分分析分类器进行分类,并得到最终的分类结果。
本发明中的一种基于四元数散射网络的彩色图像纹理分类方法利用二维四元数Gabor小波变换和四元数取模两种算子构造了一种新的彩色图像描述结构,即四元数散射网络(Quaternion Scattering Networks),其结构如图3所示呈树结构,树结构的空心节点代表中间结果,黑色实心节点代表四元数散射网络的每一层的输出,在四元数散射网络中每一层都进行四元数散射传播包括四元数Gabor小波算子和四元数取模算子)和输出两个独立的操作。
如图2所示,第一层中,空心节点代表的是输入四元数HSI空间彩色图像fQ。第一层的第一个操作是将四元数散射传播算子应用于输入图像fQ得到(用第二层的空心节点表示),其中表示四元数Gabor小波算子,λ1表示路径,|·|Q表示四元数取模算子。第一层的第二个操作是将四元数散射输出算子应用于输入图像fQ得到其中是尺度为2J的高斯低通滤波器,*q表示四元数线性卷积,是空集符号。
第二层中,空心节点代表的是第一层得到的散射传播结果λ1表示路径。第二层的第一个操作是将四元数散射传播算子应用于得到 (用第三层的空心节点表示),其中表示四元数Gabor小波算子,|·|Q表示四元数取模算子。第二层的第二个操作是将四元数散射输出算子应用于输入图像得到 其中是尺度为2J的高斯低通滤波器,*q表示四元数线性卷积。
依此迭代下去……
第p层中,空心节点代表的是第p-1层得到的散射传播结果 第p层的第一个操作是将散射传播算子应用于得到 其中表示四元数Gabor小波算子,|·|Q表示四元数取模算子。第p层的第二个操作是将四元数散射输出算子应用于输入图像得到 其中是尺度为2J的高斯低通滤波器,*q表示四元数线性卷积。路径l=(λ1,λ2,...,λp),|λk+1|<|λk|,其中是第k个尺度,rk是第k个方向。
在图2中,由于本发明中四元数Gabor小波算子和四元数取模算子的引入,使得彩色图像能够在四元数散射网络中作为一个整体进行处理,这样即考虑了彩色图像三个通道之间的相关性,由此取得更好的图像描述效果。
实施例:下面以KTH_TIPS_COL数据库为例来详细说明本发明的步骤。
实验条件:现选取一台计算机进行彩色图像纹理分类,该计算机的配置有Intel(R)处理器(3.4GHz)和12GB随机存取存储器(RAM),64位操作系统,编程语言用的是Matlab(R2011b版本)。
实验对象:彩色纹理图像数据库KTH_TIPS_COL包含10类图像(铝箔、黑面包、灯心绒、棉织物、薄脆饼干、亚麻布、橘皮、砂纸、海绵、泡沫塑料),每类图像包含81个样本图像,如图4所示,本实施例以“黑面包”的彩色图像为例。
实验步骤:
步骤1、将彩色图像数据库KTH_TIPS_COL中每幅200×200的彩色图像T从RGB(红、绿、蓝)空间转化到HSI(色调、饱和度、亮度)空间,采用如下转化方式:
s1=1-3min(r,g,b);s1∈[0,1] (17)
i1=(R+G+B)/(3·255);i1∈[0,1]
H=h1×180/π;S=s1×100;I=i1×255.
例如,对于数据库中的200×200的“黑面包”彩色图像,其R、G、B三个通道的数据如图5所示;然后将“黑面包”彩色图像从RGB空间转化到HSI空间,其H、S和I三个通道的数据如图6所示。
步骤2、将大小为200×200的彩色图像T的HSI三个通道的数据分别赋值给200×200的四元数矩阵fQ的三个虚部,即fQ=0+H(T)i+S(T)j+I(T)k;i,j,k是三个虚数单位,H(T),S(T)和I(T)分别表示彩色图像H分量、S分量和I分量的数据值。
例如,彩色图像右上角3×3的像素矩阵是:
则相对应的四元数矩阵表示为:
因此,我们可以得到大小为200×200的四元数矩阵fQ,这个四元数矩阵fQ作为后面散射网络的输入。
步骤3、将待分类的彩色图像数据库KTH_TIPS_COL的图像按一定比例分成训练数据和测试数据两部分,即从彩色图像数据库中随机选取40×10=400幅(10类,每类40幅)彩色图像作为训练数据,剩下的41×10=410幅(10类,每类41幅)彩色图像作为测试数据。此处,训练数据和测试数据的分成比例由用户根据实际需要自由设定的一个参数,例如此处本实施例中设定为50%的比例。但是通常来说,这个比例越高,分类效果可能越好。
步骤4、将训练数据的每一幅图像分别输入四元数散射网络(图2),散射网络参数设置为:总的方向数N=8,总的尺度数M=4,过采样因子为1,散射网络的层数p=3。对于每一幅图像可以得到一个417×1的散射向量,所以对于总共400幅训练图像可以得到一个417×400的训练数据特征矩阵Q0。
以数据库中的200×200的“黑面包”图像为例,将HSI空间四元数矩阵输入四元数散射网络以得到各层的散射表达,如图7所示。
图7(a)为第一层四元数散射系数示意图。
图7(b)为第二层实数散射系数示意图,图中,纵坐标方向从上到下有4幅小图像,表示的是尺度索引m1从0到3对应的散射系数;横坐标方向从左到右有8幅图像,表示的是方向索引n1从0到7对应的散射系数。
图7(c)为第三层实数散射系数示意图,图中,纵坐标方向从上到下有8幅小图像,表示的是尺度索引m1从0到3,尺度索引m2从0到3对应的散射系数;横坐标方向从左到右有64幅图像(分为8个子块,每个子块包含8幅小图像),8个子块对应于方向索引n1从0到7对应的散射系数,每个字块的8幅小图像对应于方向索引n2从0到7对应的散射系数
步骤5、将测试数据的每一幅图像分别输入四元数散射网络(如图2),对于每一幅图像可以得到一个417×1的散射向量,所以对于总共410幅训练图像可以得到一个417×410的测试数据特征矩阵Q1。
步骤6、将训练数据特征矩阵Q0和测试数据特征矩阵Q1进行串联,得到数据的总的特征矩阵Q=[Q0,Q1],Q是一个417×810的四元数矩阵。这个矩阵就是对应于KTH_TIPS_COL数据库的特征矩阵。
步骤7、将417×810的四元数特征矩阵输入四元数主成分分析(QPCA)分类器进行分类,根据需要选择主成分的维数(dim),得到最终的分类结果。
表1对比了提出的四元数散射网络与RGB三个通道分别处理的复数散射网络在彩色纹理图像数据库KTH_TIPS_COL中的分类结果。分类成功率取10次实验成功率的平均值。
表1
从表1的结果可以看到,提出的四元数散射网络在处理彩色图像数据库纹理分类时比RGB三个通道单独处理的纹理分类方法取得了更高的分类成功率,也验证了本发明方法的有效性。
Claims (4)
1.一种基于四元数散射网络的彩色图像纹理分类方法,其特征在于:将彩色图像数据库的D幅彩色图像转化成一个N1×D的四元数域的二维矩阵Q,其中N1表示散射向量的维数,然后将二维矩阵Q输入四元数主成分分析分类器进行分类,即具体包括以下步骤:
(1)彩色图像的预处理:
(2)建立彩色图像的四元数散射网络;
(3)彩色图像的纹理分类处理;
其中,每一幅彩色图像的大小均为N×N,参数D表示数据库中彩色图像的总数目。
2.根据权利要求1所述的基于四元数散射网络的彩色图像纹理分类方法,其特征在于:所述彩色图像的预处理具体包括以下步骤:
(1-1)将彩色图像数据库中每幅N×N的彩色图像T从RGB空间转化到HSI空间;
(1-2)将大小为N×N的彩色图像T的HSI三个通道的数据分别赋值给N×N的四元数矩阵fQ的三个虚部,即fQ=0+H(T)i+S(T)j+I(T)k;
其中,i,j和k是三个虚数单位,H(T),S(T)和I(T)分别表示彩色图像H分量、S分量和I分量的数据值;H(T)是角度值,范围在0度到360度之间;S是色度值,范围在0到1之间;I是亮度值,范围在0到1之间;
(1-3)将待分类的彩色图像数据库的图像根据实际需要按一定比例分成训练数据和测试数据两部分,若从彩色图像数据库中随机选取D1幅彩色图像作为训练数据,剩下的(D-D1)幅彩色图像作为测试数据,且0<D1<D。
3.根据权利要求1所述的基于四元数散射网络的彩色图像纹理分类方法,其特征在于:所述建立彩色图像的四元数散射网络具体包括以下步骤:
(2-1)将训练数据的每一幅图像分别输入四元数散射网络,待所有的训练数据都通过四元数散射网络后,可以得到一个N1×D1的特征矩阵Q0,其中N1是每幅训练图像输入四元数散射网络得到的散射向量的维数,D1是训练数据的数目,这里的四元数散射网络包括四元数Gabor小波算子和四元数取模算子;
(2-2)将测试数据的每一幅图像分别输入四元数散射网络,待所有的测试数据都通过四元数散射网络后,可以得到一个N1×(D-D1)的特征矩阵Q1,其中N1是每幅测试图像输入四元数散射网络得到的散射向量的维数,(D-D1)是测试数据的数目;
(2-3)将训练数据特征矩阵Q0和测试数据特征矩阵Q1进行串联,得到数据的总的特征矩阵Q=[Q0,Q1],Q是一个N1×D的矩阵。
4.根据权利要求1所述的基于四元数散射网络的彩色图像纹理分类方法,其特征在于:所述彩色图像的纹理分类处理的方法为:将四元数散射特征矩阵Q输入四元数主成分分析分类器进行分类,并得到最终的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410326277.3A CN104077602B (zh) | 2014-07-09 | 2014-07-09 | 一种基于四元数散射网络的彩色图像纹理分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410326277.3A CN104077602B (zh) | 2014-07-09 | 2014-07-09 | 一种基于四元数散射网络的彩色图像纹理分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104077602A true CN104077602A (zh) | 2014-10-01 |
CN104077602B CN104077602B (zh) | 2017-09-19 |
Family
ID=51598848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410326277.3A Expired - Fee Related CN104077602B (zh) | 2014-07-09 | 2014-07-09 | 一种基于四元数散射网络的彩色图像纹理分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077602B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408693A (zh) * | 2014-11-27 | 2015-03-11 | 苏州大学 | 一种彩色图像重构与识别方法及系统 |
CN107818579A (zh) * | 2017-09-20 | 2018-03-20 | 东北电力大学 | 基于四元数Gabor滤波的彩色纹理特征提取方法 |
CN109902766A (zh) * | 2019-03-25 | 2019-06-18 | 首都师范大学 | 一种生物特征识别方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810726A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 彩色图像质量评价算法 |
-
2014
- 2014-07-09 CN CN201410326277.3A patent/CN104077602B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810726A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 彩色图像质量评价算法 |
Non-Patent Citations (2)
Title |
---|
JOAN BRUNA ET AL.: "Invariant Scattering Convolution Networks", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
刑燕等: "基于四元数矩阵奇异值分解的彩色图像分解", 《工程图学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408693A (zh) * | 2014-11-27 | 2015-03-11 | 苏州大学 | 一种彩色图像重构与识别方法及系统 |
CN107818579A (zh) * | 2017-09-20 | 2018-03-20 | 东北电力大学 | 基于四元数Gabor滤波的彩色纹理特征提取方法 |
CN107818579B (zh) * | 2017-09-20 | 2021-09-28 | 东北电力大学 | 基于四元数Gabor滤波的彩色纹理特征提取方法 |
CN109902766A (zh) * | 2019-03-25 | 2019-06-18 | 首都师范大学 | 一种生物特征识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104077602B (zh) | 2017-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Optimized input for CNN-based hyperspectral image classification using spatial transformer network | |
CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN108491849A (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
CN106203522B (zh) | 基于三维非局部均值滤波的高光谱图像分类方法 | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN105261000A (zh) | 一种基于端元提取与光谱解混的高光谱图像融合方法 | |
CN107358260A (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN107358258A (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN106446936A (zh) | 基于卷积神经网络的空谱联合数据转波形图的高光谱数据分类方法 | |
CN104680184B (zh) | 基于深度rpca的极化sar地物分类方法 | |
CN108764357A (zh) | 基于压缩-激发的聚合残差网络高光谱图像分类方法 | |
Shereena et al. | Content based image retrieval: classification using neural networks | |
CN108710916A (zh) | 图片分类的方法及装置 | |
Porebski et al. | Supervised texture classification: color space or texture feature selection? | |
CN108229551A (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
CN106570183A (zh) | 一种彩色图像检索和分类方法 | |
Zhu et al. | A-pixelhop: A green, robust and explainable fake-image detector | |
CN104077602A (zh) | 一种基于四元数散射网络的彩色图像纹理分类方法 | |
Ahmad et al. | Hybrid dense network with attention mechanism for hyperspectral image classification | |
CN103955711B (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
Rahiche et al. | Blind decomposition of multispectral document images using orthogonal nonnegative matrix factorization | |
CN103473366A (zh) | 一种多视角跨数据域图像内容识别的分类方法及装置 | |
CN104217430A (zh) | 基于l1正则化的图像显著性检测方法 | |
CN106682604A (zh) | 一种基于深度学习的模糊图像检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170919 |
|
CF01 | Termination of patent right due to non-payment of annual fee |