CN104268535A - 一种二维图像的特征提取方法 - Google Patents
一种二维图像的特征提取方法 Download PDFInfo
- Publication number
- CN104268535A CN104268535A CN201410530036.0A CN201410530036A CN104268535A CN 104268535 A CN104268535 A CN 104268535A CN 201410530036 A CN201410530036 A CN 201410530036A CN 104268535 A CN104268535 A CN 104268535A
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- representing
- images
- features
- 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 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种二维图像的特征提取方法,该方法包含如下步骤:S1.对纹理图像获取Gabor滤波差分分解,获取一组二值图像集合;S2.对分解后二值图像使用统计算子提取纹理特征;S3.对提取的纹理特征向量,使用主成分分析法进行降维,并对降维后的特征向量进行纹理分类及检索。本发明具备了不需要定义纹理基元的优点,且计算复杂度适中,新提出的5个统计算子更全面的描述了分解后的纹理基元和基元的排列规则,且在识别过程中,主成分分析算法的引入,使得该方法计算速度提高,可适用于纹理图像的实时检索分类。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种二维图像的特征提取方法。
背景技术
纹理是图像的一个重要视觉属性,易于识别而难以定义。经过几十年的研究,研究者们已提出了成百上千种纹理描述方法。这些方法大体上可分为统计类方法、结构类方法、模型类方法和信号处理类方法。其中,结构类方法最符合人类的认知特点,这类方法认为纹理图像是由不同的纹理基元按照不同的排列规则组合而成的。例如沙滩纹理,每一粒沙子就是该纹理的纹理基元,而沙子之间的随机分布规则即是基元的排列规则。
结构类方法在70年代至80年代提出的比较多,早期代表是Zuker方法和形状链语法方法。在早期的方法中,如何使用精确的数学公式定义纹理基元是最重要也是最困难的一步,因为对于自然纹理图像,基元一般都复杂多变,很难用一种数学模型通过参数选择能表达出自然界的各种纹理基元。因此,早期的结构类方法主要用于纹理图像的合成而不是分类检索。
在后期的研究中,也有研究者针对纹理基元难以定义的问题进行了改进,代表性的方法有统计几何特征方法以及申请人之前提出的统计多尺度斑块特征方法。虽然这两个方法都克服了定义纹理基元的困难且表现出比较好的纹理识别能力,但它们仍然存在以下几个缺陷。对统计几何特征方法来说,使用全局阈值对图像进行分解,使得该方法不具备光照不变性。其次,对分解后的二值图像,只提取个体二值斑块的几何信息,完全没有描述斑块之间的分布信息,使得最后的描述特征不完整,识别能力有限。对于统计多尺度斑块特征方法来说,空间尺度和灰度尺度的二维分解虽然提高了特征的描述能力,但所提取的特征维数也大大增加,增加了计算复杂度。
发明内容
本发明的目的是提供一种二维图像的特征提取方法,具备了不需要定义纹理基元的优点,且计算复杂度适中,新提出的5个统计算子更全面的描述了分解后的纹理基元和基元的排列规则,且在识别过程中,主成分分析(PCA)算法的引入,使得该方法计算速度提高,可适用于纹理图像的实时检索分类。
为了实现以上目的,本发明是通过以下技术方案实现的:
一种二维图像的特征提取方法,其特点是,该方法包含如下步骤:
S1,对纹理图像获取Gabor滤波差分分解,获取一组二值图像集合;
S2,对分解后二值图像使用统计算子提取纹理特征;
S3,对提取的纹理特征向量,使用主成分分析法进行降维,并对降温后的特征向量进行纹理分类及检索。
所述的S1如下步骤:
S1.1,采用Gabor滤波函数构造核函数,将纹理图像分解为一组反映不同尺度下纹理结构的二值图像:
其中,为图像像数大小,I(x,y)表示(x,y)像素点的灰度值。为Gabor核函数,其中分别代表正弦函数波长、相位偏移和空间的宽高比,分别代表Gabor核中高斯函数的标准差和Gabor核函数的方向;为卷积滤波图像,(x,y)为像素点坐标,j表示该滤波图像是按照Gabor核函数第j组参数设置计算所得;为根据滤波图像阈值化得到的相应二值图像;代表同一幅图像在Gabor核函数相邻参数设置下所得二值图像之间的差异。
S1.2,构造差分分解图像集合,
, 且+
其中,k为分解出差分图像的个数。
在所述的步骤S1.1后还包含:在二值图像中将所有1值的连通区域记为1-blob,所有0值的连通区域记为0-blob。
所述的步骤2如下步骤:
S2.1,计算纹理基元大小,以斑点中像素点的个数代替斑点的面积,统计一幅二值图像中所有斑点面积的平均值,作为纹理基元大小SOB,
其中,表示第i个1-blob中的像素点个数,表示1-blob斑点的集合,||.||表示统计个数;
S2.2,计算纹理基元形状规则度,
其中, ||.||表示统计个数;表示步骤1.1中所得的差异二值图像中第i个基元的形状度量值,参数取值与步骤1.1中一致;代表一幅差异二值图像中所有基元形状度量值的样本均值;代表一幅差异二值图像中所有基元形状度量值的样本方差;
S2.3,计算纹理基元分布密度DOB,,
其中,表示图像I当中的像素点的个数;
S2.4,计算纹理基元分布的有序性OOD,,
其中,代表了该最近邻距离在所有点对最近邻距离中出现的频率;
S2.5,计算纹理基元排列规则,
, u
其中,表示图像进行二维离散傅里叶变换后的结果,| |表示取其频谱成分;获取的是在该频谱图像中除直流分量之外的频谱能量值最大的点的坐标;表示图像中频谱能量的样本均值;为统计该图像中的频谱能量极大值占总能量的比值,代表该图像频谱能量分布的样本方差统计。
本发明与现有技术相比,具有以下优点:
本发明具备了不需要定义纹理基元的优点,且计算复杂度适中,新提出的5个统计算子更全面的描述了分解后的纹理基元和基元的排列规则,且在识别过程中,主成分分析(PCA)算法的引入,使得该方法计算速度提高,可适用于纹理图像的实时检索分类。
附图说明
图1为本发明一种二维图像的特征提取方法的流程图。
具体实施方式
以下结合附图,通过详细说明一个较佳的具体实施例,对本发明做进一步阐述。
如图1所示,一种二维图像的特征提取方法,该方法包含如下步骤:
S1,对纹理图像获取Gabor滤波差分分解,获取一组二值图像集合;
S1.1,采用Gabor滤波函数构造核函数,采用Gabor滤波函数构造核函数,将纹理图像分解为一组反映不同尺度下纹理结构的二值图像:
其中,为图像像素大小,I(x,y)表示(x,y)像素点的灰度值。为Gabor核函数,其中分别代表正弦函数波长、相位偏移和空间的宽高比,根据经验可取常量,分别代表Gabor核中高斯函数的标准差和Gabor核函数的方向,根据这两个参数确定分解的尺度和方向;为卷积滤波图像,(x,y)为像素点坐标,j表示该滤波图像是按照Gabor核函数第j组参数设置计算所得;为根据滤波图像阈值化得到的相应二值图像;代表同一幅图像在Gabor核函数相邻参数设置下所得二值图像之间的差异;
在二值图像中将所有1值的连通区域记为1-blob,所有0值的连通区域记为0-blob;
S1.2,构造差分分解图像集合,
, 且+
其中,k为分解出差分图像的个数。
S2,对分解后二值图像使用统计算子提取纹理特征;
S2.1,计算纹理基元大小,以斑点中像素点的个数代替斑点的面积,统计一幅二值图像中所有斑点面积的平均值,作为纹理基元大小SOB,
其中,表示第i个1-blob中的像素点个数,表示1-blob斑点的集合,||.||表示统计个数;
S2.2,计算纹理基元形状规则度,基元的个体特征除了大小,最能反映其几何特征的应该是基元的形状,以圆形作为最规则的参考形状来进行衡量:
其中, ||.||表示统计个数;表示步骤S1.1中所得的差异二值图像中第i个基元的形状度量值,参数取值与步骤S1.1中一致;代表一幅差异二值图像中所有基元形状度量值的样本均值;代表一幅差异二值图像中所有基元形状度量值的样本方差;
S2.3,计算纹理基元分布密度DOB,基元分布密度DOB描述的是基元个体相对于图像的相对属性,以一个比值来进行描述,,
其中,表示图像I当中的像素点的个数;
S2.4,计算纹理基元分布的有序性OOD,基元分布的有序性体现在1-blob斑点之间分布的距离是否均匀,以分布距离的一维信息熵来进行度量,其中,距离取每个斑点与最近邻的距离,,
其中,代表了该最近邻距离在所有点对最近邻距离中出现的频率;
S2.5,计算纹理基元排列规则,将纹理基元在空间的排列规则转换到频域空间进行统计,当基元排列呈现出规则顺序时,其频域中将出现一个对应的极值相应,且响应极值与其他频率成分相差越大,则基元排列越规则。因此,使用二值图像频谱分布中的最大值和分布方差来描述:
, u
其中,表示图像进行二维离散傅里叶变换后的结果,| |表示取其频谱成分;获取的是在该频谱图像中除直流分量之外的频谱能量值最大的点的坐标;表示图像中频谱能量的样本均值;为统计该图像中的频谱能量极大值占总能量的比值,代表该图像频谱能量分布的样本方差统计;
S3,对提取的纹理特征向量,使用主成分分析法进行降维,并对降温后的特征向量进行纹理分类及检索,灰度纹理图像经过Gabor滤波差分分解之后构成n幅二值图像,使用5种统计描述共提取7个特征向量,因此,一幅纹理图像最终用一个维数为7n的组合特征向量来描述。根据图像的大小,n的取值有所变化,但一般情况下n≥10的,因此,为了提高纹理识别速度,为了能够将该方法应用于基于图像内容的物体识别应用,并采用主成分分析(PCA)算法对组合特征向量进行降维,降维后特征维数根据经验取值在[10, 20]的范围,PCA算法主要是依据特征的协方差矩阵构建新的特征空间,将高维的数据在此特征空间上进行投影,以低维的投影系数代替原来高维的特征数据用于识别分类来达到降维的目的,且降维后的数据仍然保持较好的区分度,该算法是一种常用的对信息进行处理、压缩和提取的有效方法。
综上所述,本发明一种二维图像的特征提取方法,具备了不需要定义纹理基元的优点,且计算复杂度适中,新提出的5个统计算子更全面的描述了分解后的纹理基元和基元的排列规则,且在识别过程中,主成分分析(PCA)算法的引入,使得该方法计算速度提高,可适用于纹理图像的实时检索分类。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (4)
1.一种二维图像的特征提取方法,其特征在于,该方法包含如下步骤:
S1,对纹理图像获取Gabor滤波差分分解,获取一组二值图像集合;
S2,对分解后二值图像使用统计算子提取纹理特征;
S3,对提取的纹理特征向量,使用主成分分析法进行降维,并对降温后的特征向量进行纹理分类及检索。
2.如权利要求1所述的二维图像的特征提取方法,其特征在于,所述的S1如下步骤:
S1.1,采用Gabor滤波函数构造核函数,将纹理图像分解为一组反映不同尺度下纹理结构的二值图像:
其中,为图像像素大小,I(x,y)表示(x,y)像素点的灰度值;为Gabor核函数,其中分别代表正弦函数波长、相位偏移和空间的宽高比,分别代表Gabor核中高斯函数的标准差和Gabor核函数的方向;为卷积滤波图像,(x,y)为像素点坐标,j表示该滤波图像是按照Gabor核函数第j组参数设置计算所得;为根据滤波图像阈值化得到的相应二值图像;代表同一幅图像在Gabor核函数相邻参数设置下所得二值图像之间的差异;
S1.2,构造差分分解图像集合,
, 且+
其中,k为分解出差分图像的个数。
3.如权利要求2所述的二维图像的特征提取方法,其特征在于,在所述的步骤S1.1后还包含:在二值图像中将所有1值的连通区域记为1-blob,所有0值的连通区域记为0-blob。
4.如权利要求3所述的二维图像的特征提取方法,其特征在于,所述的步骤2如下步骤:
S2.1,计算纹理基元大小,以斑点中像素点的个数代替斑点的面积,统计一幅二值图像中所有斑点面积的平均值,作为纹理基元大小SOB,
其中,表示第i个1-blob中的像素点个数,表示1-blob斑点的集合,||.||表示统计个数;
S2.2,计算纹理基元形状规则度,
其中, ||.||表示统计个数表示步骤S1.1中所得的差异二值图像中第i个基元的形状度量值,参数取值与步骤S1.1中一致;代表一幅差异二值图像中所有基元形状度量值的样本均值;代表一幅差异二值图像中所有基元形状度量值的样本方差;
S2.3,计算纹理基元分布密度DOB,,
其中,表示图像I当中的像素点的个数;
S2.4,计算纹理基元分布的有序性OOD,,
其中,代表了该最近邻距离在所有点对最近邻距离中出现的频率;
S2.5,计算纹理基元排列规则,
, u
其中,表示图像进行二维离散傅里叶变换后的结果,| |表示取其频谱成分;获取的是在该频谱图像中除直流分量之外的频谱能量值最大的点的坐标;表示图像中频谱能量的样本均值;为统计该图像中的频谱能量极大值占总能量的比值,代表该图像频谱能量分布的样本方差统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410530036.0A CN104268535B (zh) | 2014-10-10 | 2014-10-10 | 一种二维图像的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410530036.0A CN104268535B (zh) | 2014-10-10 | 2014-10-10 | 一种二维图像的特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268535A true CN104268535A (zh) | 2015-01-07 |
CN104268535B CN104268535B (zh) | 2017-12-19 |
Family
ID=52160055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410530036.0A Expired - Fee Related CN104268535B (zh) | 2014-10-10 | 2014-10-10 | 一种二维图像的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268535B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899598A (zh) * | 2015-05-14 | 2015-09-09 | 中国农业大学 | 基于二维傅里叶变换的教室人数统计方法及装置 |
CN107941673A (zh) * | 2017-11-21 | 2018-04-20 | 南京农业大学 | 一种盐碱土壤孔隙结构测定分析方法 |
CN108182399A (zh) * | 2017-12-27 | 2018-06-19 | 北京智慧眼科技股份有限公司 | 指静脉特征比对方法、装置、存储介质和处理器 |
CN109620294A (zh) * | 2018-12-08 | 2019-04-16 | 余姚市华耀工具科技有限公司 | 肿瘤恶性程度鉴定机构 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847163A (zh) * | 2010-05-28 | 2010-09-29 | 广东工业大学 | 一种多特征融合的外观设计专利图像检索方法 |
US20120294516A1 (en) * | 2011-04-26 | 2012-11-22 | National Cheng Kung University | Method for merging the regions in the image/video |
CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
CN103679195A (zh) * | 2013-12-02 | 2014-03-26 | 北京工商大学 | 基于局部边缘模式的纹理图像分类方法及系统 |
CN104008389A (zh) * | 2014-06-16 | 2014-08-27 | 河南科技大学 | 结合Gabor小波和SVM进行物体识别的方法 |
CN104091151A (zh) * | 2014-06-30 | 2014-10-08 | 南京信息工程大学 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
-
2014
- 2014-10-10 CN CN201410530036.0A patent/CN104268535B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847163A (zh) * | 2010-05-28 | 2010-09-29 | 广东工业大学 | 一种多特征融合的外观设计专利图像检索方法 |
US20120294516A1 (en) * | 2011-04-26 | 2012-11-22 | National Cheng Kung University | Method for merging the regions in the image/video |
CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
CN103679195A (zh) * | 2013-12-02 | 2014-03-26 | 北京工商大学 | 基于局部边缘模式的纹理图像分类方法及系统 |
CN104008389A (zh) * | 2014-06-16 | 2014-08-27 | 河南科技大学 | 结合Gabor小波和SVM进行物体识别的方法 |
CN104091151A (zh) * | 2014-06-30 | 2014-10-08 | 南京信息工程大学 | 基于Gabor特征提取和稀疏表示的车辆识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899598A (zh) * | 2015-05-14 | 2015-09-09 | 中国农业大学 | 基于二维傅里叶变换的教室人数统计方法及装置 |
CN107941673A (zh) * | 2017-11-21 | 2018-04-20 | 南京农业大学 | 一种盐碱土壤孔隙结构测定分析方法 |
CN108182399A (zh) * | 2017-12-27 | 2018-06-19 | 北京智慧眼科技股份有限公司 | 指静脉特征比对方法、装置、存储介质和处理器 |
CN108182399B (zh) * | 2017-12-27 | 2020-04-21 | 智慧眼科技股份有限公司 | 指静脉特征比对方法、装置、存储介质和处理器 |
CN109620294A (zh) * | 2018-12-08 | 2019-04-16 | 余姚市华耀工具科技有限公司 | 肿瘤恶性程度鉴定机构 |
Also Published As
Publication number | Publication date |
---|---|
CN104268535B (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bruno et al. | Fractal dimension applied to plant identification | |
Wang et al. | Texture classification using multiresolution Markov random field models | |
WO2018081929A1 (zh) | 一种高光谱遥感图像特征提取和分类方法及其系统 | |
Caglayan et al. | A plant recognition approach using shape and color features in leaf images | |
CN108171688B (zh) | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 | |
Metre et al. | An overview of the research on texture based plant leaf classification | |
Praveen Kumar et al. | Rosette plant segmentation with leaf count using orthogonal transform and deep convolutional neural network | |
CN102508917B (zh) | 部分特征图像的多维度目标快速鲁棒检索定位方法 | |
An et al. | Color image segmentation using adaptive color quantization and multiresolution texture characterization | |
CN104268535B (zh) | 一种二维图像的特征提取方法 | |
CN103258202B (zh) | 一种鲁棒的纹理特征提取方法 | |
CN103390170A (zh) | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 | |
CN111507409A (zh) | 一种基于深度多视角学习的高光谱影像分类方法及装置 | |
Hamouchene et al. | Texture segmentation and matching using LBP operator and GLCM matrix | |
Chi et al. | Enhancement of textural differences based on morphological component analysis | |
Giachetti | Effective characterization of relief patterns | |
CN104915951A (zh) | 一种点刻式dpm二维码区域定位方法 | |
CN116757713B (zh) | 基于图像识别的作品估值方法、装置、设备及存储介质 | |
Tu et al. | Texture pattern separation for hyperspectral image classification | |
Deng et al. | Point cloud resampling via hypergraph signal processing | |
Hamouchene et al. | A new segmentation architecture for texture matching using the LBP method | |
Chitaliya et al. | Comparative analysis using fast discrete Curvelet transform via wrapping and discrete Contourlet transform for feature extraction and recognition | |
Dong et al. | Multiscale segmentation with vector-valued nonlinear diffusions on arbitrary graphs | |
CN113887656A (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
CN102279925A (zh) | 链式处理人脸识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171219 Termination date: 20201010 |
|
CF01 | Termination of patent right due to non-payment of annual fee |