CN104616016A - 一种全局与局部特征相结合的纹理特征描述方法 - Google Patents

一种全局与局部特征相结合的纹理特征描述方法 Download PDF

Info

Publication number
CN104616016A
CN104616016A CN201510051933.8A CN201510051933A CN104616016A CN 104616016 A CN104616016 A CN 104616016A CN 201510051933 A CN201510051933 A CN 201510051933A CN 104616016 A CN104616016 A CN 104616016A
Authority
CN
China
Prior art keywords
feature
image
local
gray
situation
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.)
Pending
Application number
CN201510051933.8A
Other languages
English (en)
Inventor
冀中
聂林红
庞彦伟
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201510051933.8A priority Critical patent/CN104616016A/zh
Publication of CN104616016A publication Critical patent/CN104616016A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)

Abstract

一种全局与局部特征相结合的纹理特征描述方法，首先分别提取图像的旋转不变的统一局部二值模式特征或统一局部二值模式(Uniform LBP,ULBP)特征或完整局部二值模式特征或DLBP特征，以及提取图像的灰度级特征；然后将获得的旋转不变的统一局部二值模式特征和灰度级特征进行级联，形成既包含图像局部信息又包含图像的空间分布信息的二维直方图，并将形成的二维直方图转换为一维直方图来表示图像，最终形成全局与局部特征模式。本发明形成了既包含图像局部信息又包含图像的全局信息的新特征，能够更加全面、有效的描述图像。

Description

一种全局与局部特征相结合的纹理特征描述方法
技术领域
本发明涉及一种纹理特征描述方法。特别是涉及一种全局与局部特征相结合的纹理特征描述方法。
背景技术
图像的视觉表示技术是多媒体分析、机器视觉等领域的研究基础，而纹理是其中重要的一类特征。它包含了图像的表面信息及与其周围环境的关系，反映了图像的宏观信息与微观结构，是图像分析的重要手段。T.Ojala等人于1996年提出了局部二值模式(Local BinaryPattern，LBP)特征，它是一种重要的具有代表性的局部算子，并广泛应用于纹理分类。该特征通过比较邻域像素和中心像素灰度值的差异性，生成代表图像局部特征的二进制编码，是一种能够简单，有效的描述图像局部模式的特征。因此，以LBP算法为代表的一类局部算子方法得到越来越多的关注，并广泛应用于人脸识别、物体跟踪、指纹识别、纹理分类等领域。
由于LBP的简单有效性，学者们对其进行了一系列研究，提出了多种LBP的改进算法。例如，为了降低LBP的维度同时提高其有效性，T.Ojala等人对LBP中0/1的变化次数进行统计，提出了统一局部二值模式特征(Uniform Local Binary Pattern，ULBP)特征；为进一步解决特征的旋转不变性问题，将ULBP与旋转不变的局部二值模式(Rotation Invariant LBP,RILBP特征)相结合，形成了旋转不变的统一局部二值模式特征。该特征不仅具有旋转不变性，而且在很大程度上提高了LBP特征的效率和性能。2010年，郭振华等人提出完整的局部二值模式(Completed Local Binary Pattern,CLBP)特征，在原始LBP的基础上添加了中心像素的灰度值信息和邻域元素与中心元素灰度值的差值信息，增强了特征的判决能力，同时也使其分类准确度得到很大程度的提升。此外，还有许多典型的LBP的改进算法，例如局部三值模式(Local Ternary Pattern,LTP)特征，主导的局部二值模式(Dominant Local BinaryPattern,DLBP)特征，等等。
由于特征可以分为全局特征和局部特征两类，其中，全局特征是指根据图像全局信息提取的特征，如全局灰度统计、基于全局区域形状的几何矩等；局部特征是指根据图像的局部信息提取的特征，如局部颜色特征、局部纹理特征、目标轮廓特征等。然而，上述提取的特征大都是局部特征，丢失了图像的空间分布信息，很难全面有效的描述图像信息。LBP算法虽然对纹理图像分类较为有效，但其仅包含图像的局部信息，很难全面有效的描述图像信息。因此，可以通过在局部LBP特征的基础上引入全局特征来进一步提升特征的分类性能。
目前已经有几种将LBP特征与全局特征相结合的方法。例如LBPVu2GMES(LBP Variancewith Global Matching Scheme)特征、DSN(Dominant Neighborhood Structure)+LBP特征等。其中LBPVu2GMES特征通将全局的旋转不变匹配计划与局部变化的LBPV(LBP Variance)特征相结合，提升了特征分类的准确度。DSN+LBP特征通过在局部LBP特征的基础上引入全局的DSN特征，能够更加全面有效的描述图像特征。特别地，DSN通过生成图像中每一像素与其固定邻域内元素的灰度相似性的全局图获得，代表了图像主邻域内结构的相似性。
发明内容
本发明所要解决的技术问题是，提供一种既包含图像的局部信息又包含图像全局空间信息，能够更加全面、有效的描述视觉纹理特征的全局与局部特征相结合的纹理特征描述方法。
本发明所采用的技术方案是：一种全局与局部特征相结合的纹理特征描述方法，首先分别提取图像的旋转不变的统一局部二值模式特征和提取图像的灰度级特征；然后将获得的旋转不变的统一局部二值模式特征和灰度级特征进行级联，形成既包含图像局部信息又包含图像的空间分布信息的二维直方图，并将形成的二维直方图转换为一维直方图来表示图像，最终形成全局与局部特征模式。
所述的提取图像的灰度级特征是对图像的灰度直方图进行分析，是通过多阈值分析的方法将图像的灰度值划分成不同的等级，获取图像的全局特征。
在灰度分布密集的地方，选取多个阈值，在灰度分布稀疏的地方，选取少数的阈值。
综合考虑特征的分类性能与维度大小，设定选取总阈值的个数为4～10。
一种全局与局部特征相结合的纹理特征描述方法，首先提取图像的统一局部二值模式(Uniform LBP,ULBP)特征或完整局部二值模式特征或DLBP特征，以及提取图像的灰度级特征；然后将获得的统一局部二值模式特征或完整局部二值模式特征或DLBP特征与灰度级特征进行级联，形成既包含图像局部信息又包含图像的空间分布信息的二维直方图，并将形成的二维直方图转换为一维直方图来表示图像，最终形成全局与局部特征模式。
所述的提取图像的灰度级特征是对图像的灰度直方图进行分析，是通过多阈值分析的方法将图像的灰度值划分成不同的等级，获取图像的全局特征。
在灰度分布密集的地方，选取多个阈值，在灰度分布稀疏的地方，选取少数的阈值。
综合考虑特征的分类性能与维度大小，设定选取总阈值的个数为4～10。
本发明的一种全局与局部特征相结合的纹理特征描述方法，能够更加全面、有效的描述图像。具有如下效果：
(1)新颖性：首次将图像的灰度直方图特征引入到LBP特征中，通过多阈值分析的方法将图像的灰度直方图划分成不同的等级，形成了既包含图像局部信息又包含图像的全局信息的新特征。
(2)有效性：通过实验证明了与原始的LBP以及其他LBP改进算法相比较，本发明分类性能有明显的提高。本发明还与其他的全局与局部相结合的LBP改进算法进行了比较，也证明了算法的有效性。
(3)多尺度：可通过采用不同的采样半径，形成不同尺度下的GLBP特征，并将不同尺度下的GLBP特征级联，形成多尺度下的GLBP特征。
(4)实用性：简单可行，可用于常见的多媒体分析、机器视觉等领域，如图像分类、人脸识别、目标识别等。
附图说明
图1是全局与局部特征相结合的纹理特征描述方法的流程图；
图2a是一种纹理图像图；
图2b是图2a所示纹理图像的灰度直方图；
图2c是另一种纹理图像图；
图2d是图2c所示纹理图像的灰度直方图；
图3是本发明的一种全局与局部特征相结合的纹理特征描述方法的应用实例流程图。
具体实施方式
下面结合实施例和附图对本发明的一种全局与局部特征相结合的纹理特征描述方法做出详细说明。
本发明将局部的LBP特征与图像的全局灰度直方图特征相结合提出了的一种全局与局部特征相结合的纹理特征描述方法。该特征既包含图像局部信息又包含图像的空间分布信息，能够更加全面、有效的描述图像。即，本发明在LBP算法的基础上，引入包含图像全局特征的灰度直方图，并结合多阈值分析的方法，形成了既包含图像局部信息又包含图像的全局信息的新特征，大大提高了纹理图像分类的性能。
如图1所示，本发明的一种全局与局部特征相结合的纹理特征描述方法，首先分别提取图像的旋转不变的统一局部二值模式(LBPriu2)特征和提取图像的灰度级特征；然后将获得的旋转不变的统一局部二值模式特征和灰度级特征进行级联，形成既包含图像局部信息又包含图像的空间分布信息的二维直方图，并将形成的二维直方图转换为一维直方图来表示图像，最终形成全局与局部特征模式(Global and Local Binary Pattern)，简称GLBP特征。
所述的提取旋转不变的统一局部二值模式(LBPriu2)特征是：
首先提取图像的LBP特征，即通过比较邻域内像素点与中心像素点灰度值的差异性，生成能够表示图像局部特征的二进制编码。其计算公式如下：
LBP P , R = &Sigma; p = 0 P - 1 s ( g p - g c ) 2 p , s ( x , c ) = 1 , x &GreaterEqual; c 0 , x < c - - - ( 1 )
其中，gc为中心像素点的灰度值，gp为邻域像素点的灰度值，P为邻域像素点的个数，R为邻域的半径。在(1)式中，LBPP,R共可以产生2P中不同的输出。
其次，对LBP特征中包含的0/1的个数进行分析，形成统一局部二值模式特征，其计算公式如下：
U ( LBP P , R ) = | s ( g P - 1 - g c ) - s ( g 0 - g c ) | + &Sigma; p = 1 P - 1 | s ( g p - g c ) - s ( g p - 1 - g c ) | - - - ( 2 )
最后，在统一局部二值模式特征的基础上引入旋转不变性，形成旋转不变的统一局部二值模式特征，其计算公式如下：
LBP P , R riu 2 = &Sigma; p = 1 P - 1 s ( g p - g c ) if U ( LBP P , R ) &le; 2 P + 1 otherwise - - - ( 3 )
最终形成的旋转不变的统一局部二值模式特征的维度为P+2。选取不同的R，可获得不同尺度下的LBPriu2特征，得到不同的邻域像素个数P，即针对不同的邻域像素个数P，LBPriu2可以产生P+2种不同的模式。
所述的提取图像的灰度级特征是对图像的灰度直方图进行分析，是通过多阈值分析的方法将图像的灰度值划分成不同的等级，获取图像的全局特征。由于阈值的选取与图像灰度直方图的分布有关，在灰度分布密集的地方，选取多个阈值，在灰度分布稀疏的地方，选取少数的阈值。部分纹理图像及其对应的灰度直方图如图2a、图2b、图2c、图2d所示，其中，图2b是图2a的灰度直方图，图2d是图2c的灰度直方图。
由于选取的阈值的个数与最终形成特征的维度有关，即选取阈值个数越多，最终获得的特征的维度越高。因此，为综合考虑特征的分类性能与维度大小，设定选取总阈值的个数为4～10。
下面以选取总阈值为6的情况对算法的具体实施流程进行说明。即当level＝6时，其灰度值的划分情况如公式4所示。
gray _ level = 1 g ( x , y ) < = 100 2 100 < g ( x , y ) < = 125 3 125 < g ( x , y ) < = 150 4 150 < g ( x , y ) < = 170 5 170 < g ( x , y ) < = 200 6 g ( x , y ) > 200 - - - ( 4 )
其中，gray_level为划分的灰度值的等级，g(x,y)为点(x,y)处的灰度值。由上述公式可以看出，共将图像的灰度值图划分为6个不同等级。
本发明以纹理图像为例，对其灰度直方图中阈值的选取情况进行了说明。除公式(4)所述的情况外，本发明还可以根据不同的灰度直方图分布，选取合适的阈值进行分类。
本发明的一种全局与局部特征相结合的纹理特征描述方法，还可以是，首先提取图像的统一局部二值模式(Uniform LBP,ULBP)特征或完整局部二值模式(Completed Local BinaryPatterns，CLBP)特征或DLBP特征，以及提取图像的灰度级特征；然后将获得的统一局部二值模式特征或完整局部二值模式特征或DLBP特征与灰度级特征进行级联，形成既包含图像局部信息又包含图像的空间分布信息的二维直方图，并将形成的二维直方图转换为一维直方图来表示图像，最终形成全局与局部特征模式(Global and Local Binary Pattern)，简称GLBP特征。其中所述的提取图像的灰度级特征是对图像的灰度直方图进行分析，是通过多阈值分析的方法将图像的灰度值划分成不同的等级，获取图像的全局特征。由于阈值的选取与图像灰度直方图的分布有关，在灰度分布密集的地方，选取多个阈值，在灰度分布稀疏的地方，选取少数的阈值。由于选取的阈值的个数与最终形成特征的维度有关，即选取阈值个数越多，最终获得的特征的维度越高。因此，为综合考虑特征的分类性能与维度大小，设定选取总阈值的个数为4～10。
下面结合图3说明采用本发明的一种全局与局部特征相结合的纹理特征描述方法进行纹理分类应用的实例。其具体操作流程如下：
1)从数据库中选取部分图像作为训练集图像，并将剩余图像作为测试集图像；
2)采用本发明的方法分别提取训练集图像与测试集图像的GLBP特征；
3)采用卡方距离的方法，计算测试集图像与训练集图像之间的相似度。假设训练样本和测试样本的直方图特征分别为S和M，N为直方图的长度，Sn和Mn分别为直方图S和M的第n个元素值，则其卡方距离的具体计算公式如下：
D ( S , M ) = &Sigma; n = 1 N ( S n - M n ) 2 S n + M n - - - ( 5 )
4)采用最近邻的方法对测试样本进行分类。与测试图像间距离最小的训练样本所属的类别，即为该测试图像的类别。

Claims (8)

1.一种全局与局部特征相结合的纹理特征描述方法，其特征在于，首先分别提取图像的旋转不变的统一局部二值模式特征和提取图像的灰度级特征；然后将获得的旋转不变的统一局部二值模式特征和灰度级特征进行级联，形成既包含图像局部信息又包含图像的空间分布信息的二维直方图，并将形成的二维直方图转换为一维直方图来表示图像，最终形成全局与局部特征模式。
2.根据权利要求1所述的一种全局与局部特征相结合的纹理特征描述方法，其特征在于，所述的提取图像的灰度级特征是对图像的灰度直方图进行分析，是通过多阈值分析的方法将图像的灰度值划分成不同的等级，获取图像的全局特征。
3.根据权利要求2所述的一种全局与局部特征相结合的纹理特征描述方法，其特征在于，在灰度分布密集的地方，选取多个阈值，在灰度分布稀疏的地方，选取少数的阈值。
4.根据权利要求2所述的一种全局与局部特征相结合的纹理特征描述方法，其特征在于，综合考虑特征的分类性能与维度大小，设定选取总阈值的个数为4～10。
5.一种全局与局部特征相结合的纹理特征描述方法，其特征在于，首先提取图像的统一局部二值模式特征或完整局部二值模式特征或DLBP特征，以及提取图像的灰度级特征；然后将获得的统一局部二值模式特征或完整局部二值模式特征或DLBP特征与灰度级特征进行级联，形成既包含图像局部信息又包含图像的空间分布信息的二维直方图，并将形成的二维直方图转换为一维直方图来表示图像，最终形成全局与局部特征模式。
6.根据权利要求5所述的一种全局与局部特征相结合的纹理特征描述方法，其特征在于，所述的提取图像的灰度级特征是对图像的灰度直方图进行分析，是通过多阈值分析的方法将图像的灰度值划分成不同的等级，获取图像的全局特征。
7.根据权利要求6所述的一种全局与局部特征相结合的纹理特征描述方法，其特征在于，在灰度分布密集的地方，选取多个阈值，在灰度分布稀疏的地方，选取少数的阈值。
8.根据权利要求6所述的一种全局与局部特征相结合的纹理特征描述方法，其特征在于，综合考虑特征的分类性能与维度大小，设定选取总阈值的个数为4～10。
CN201510051933.8A 2015-01-30 2015-01-30 一种全局与局部特征相结合的纹理特征描述方法 Pending CN104616016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510051933.8A CN104616016A (zh) 2015-01-30 2015-01-30 一种全局与局部特征相结合的纹理特征描述方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510051933.8A CN104616016A (zh) 2015-01-30 2015-01-30 一种全局与局部特征相结合的纹理特征描述方法

Publications (1)

Publication Number Publication Date
CN104616016A true CN104616016A (zh) 2015-05-13

Family

ID=53150453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510051933.8A Pending CN104616016A (zh) 2015-01-30 2015-01-30 一种全局与局部特征相结合的纹理特征描述方法

Country Status (1)

Country Link
CN (1) CN104616016A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631423A (zh) * 2015-12-29 2016-06-01 厦门瑞为信息技术有限公司 一种利用图像信息来识别人眼状态的方法
CN106529547A (zh) * 2016-10-14 2017-03-22 天津师范大学 一种基于完备局部特征的纹理识别方法
CN106650742A (zh) * 2015-10-28 2017-05-10 中通服公众信息产业股份有限公司 一种基于环形核的图像特征提取方法及装置
CN107729890A (zh) * 2017-11-30 2018-02-23 华北理工大学 基于lbp和深度学习的人脸识别方法
CN108734158A (zh) * 2017-04-14 2018-11-02 成都唐源电气股份有限公司 一种实时列车车号识别方法及装置
CN109871825A (zh) * 2019-03-13 2019-06-11 华南理工大学 一种基于改进的局部二维模式的人像识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7369680B2 (en) * 2001-09-27 2008-05-06 Koninklijke Phhilips Electronics N.V. Method and apparatus for detecting an event based on patterns of behavior
CN101404062A (zh) * 2008-11-14 2009-04-08 南京大学 一种基于决策树的数字乳腺图像自动筛查方法
CN103426188A (zh) * 2013-08-08 2013-12-04 华南理工大学 一种纹理描述方法
CN103778434A (zh) * 2014-01-16 2014-05-07 重庆邮电大学 一种基于多分辨率多阈值局部二值模式的人脸识别方法
CN104318219A (zh) * 2014-10-31 2015-01-28 上海交通大学 基于局部特征及全局特征结合的人脸识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7369680B2 (en) * 2001-09-27 2008-05-06 Koninklijke Phhilips Electronics N.V. Method and apparatus for detecting an event based on patterns of behavior
CN101404062A (zh) * 2008-11-14 2009-04-08 南京大学 一种基于决策树的数字乳腺图像自动筛查方法
CN103426188A (zh) * 2013-08-08 2013-12-04 华南理工大学 一种纹理描述方法
CN103778434A (zh) * 2014-01-16 2014-05-07 重庆邮电大学 一种基于多分辨率多阈值局部二值模式的人脸识别方法
CN104318219A (zh) * 2014-10-31 2015-01-28 上海交通大学 基于局部特征及全局特征结合的人脸识别方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650742A (zh) * 2015-10-28 2017-05-10 中通服公众信息产业股份有限公司 一种基于环形核的图像特征提取方法及装置
CN106650742B (zh) * 2015-10-28 2020-02-21 中通服公众信息产业股份有限公司 一种基于环形核的图像特征提取方法及装置
CN105631423A (zh) * 2015-12-29 2016-06-01 厦门瑞为信息技术有限公司 一种利用图像信息来识别人眼状态的方法
CN106529547A (zh) * 2016-10-14 2017-03-22 天津师范大学 一种基于完备局部特征的纹理识别方法
CN106529547B (zh) * 2016-10-14 2019-05-03 天津师范大学 一种基于完备局部特征的纹理识别方法
CN108734158A (zh) * 2017-04-14 2018-11-02 成都唐源电气股份有限公司 一种实时列车车号识别方法及装置
CN108734158B (zh) * 2017-04-14 2020-05-19 成都唐源电气股份有限公司 一种实时列车车号识别方法及装置
CN107729890A (zh) * 2017-11-30 2018-02-23 华北理工大学 基于lbp和深度学习的人脸识别方法
CN107729890B (zh) * 2017-11-30 2020-10-09 华北理工大学 基于lbp和深度学习的人脸识别方法
CN109871825A (zh) * 2019-03-13 2019-06-11 华南理工大学 一种基于改进的局部二维模式的人像识别方法
CN109871825B (zh) * 2019-03-13 2020-12-22 华南理工大学 一种基于改进的局部二维模式的人像识别方法

Similar Documents

Publication Publication Date Title
CN104616016A (zh) 一种全局与局部特征相结合的纹理特征描述方法
CN102496034B (zh) 基于直线单词的高空间分辨率遥感图像词袋分类方法
CN102521911B (zh) 钞票冠字号识别方法
CN102722712B (zh) 基于连续度的多尺度高分辨图像目标检测方法
CN102332086B (zh) 一种基于双阈值局部二进制模式的人脸识别方法
CN103996018B (zh) 基于4dlbp的人脸识别方法
CN101540000B (zh) 基于纹理基元统计特性分析的虹膜分类方法
CN102521561B (zh) 基于多尺度韦伯局部特征和分层决策融合的人脸识别方法
CN105335716A (zh) 一种基于改进udn提取联合特征的行人检测方法
CN103955496B (zh) 一种快速的现场轮胎痕迹花纹检索算法
CN103761507A (zh) 一种基于韦伯法则的局部多值模式的人脸识别方法
CN103778434A (zh) 一种基于多分辨率多阈值局部二值模式的人脸识别方法
CN105005761A (zh) 一种结合显著性分析的全色高分辨率遥感图像道路检测方法
CN101976347A (zh) 基于Mean Shift分割的遥感图像中水上桥梁识别方法
Mo et al. Vehicles detection in traffic flow
CN103679207A (zh) 一种手写体数字识别方法及系统
CN104778472A (zh) 人脸表情特征提取方法
CN105678341A (zh) 一种基于Gabor小波分析的羊毛羊绒识别算法
CN104268549A (zh) 抗噪声的多尺度局部二值模式特征表示方法
CN110210415A (zh) 基于图结构的车载激光点云道路标线识别方法
Donoser et al. Linked edges as stable region boundaries
Sirmacek et al. Road detection from remotely sensed images using color features
Wang et al. Recognition of leaf image based on ring projection wavelet fractal feature
CN104008374A (zh) 一种矿井图像中基于条件随机场的矿工检测方法
Thimmegowda et al. Cluster-based segmentation for tobacco plant detection and classification

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150513