CN105574546B - 一种基于slle算法的计算机图像模式识别方法与系统 - Google Patents

一种基于slle算法的计算机图像模式识别方法与系统 Download PDF

Info

Publication number
CN105574546B
CN105574546B CN201510968333.8A CN201510968333A CN105574546B CN 105574546 B CN105574546 B CN 105574546B CN 201510968333 A CN201510968333 A CN 201510968333A CN 105574546 B CN105574546 B CN 105574546B
Authority
CN
China
Prior art keywords
image
original image
slle
pretreated
carried out
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.)
Expired - Fee Related
Application number
CN201510968333.8A
Other languages
English (en)
Other versions
CN105574546A (zh
Inventor
刘为超
宋佳
闫晓婷
黄凯锋
陈玉华
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.)
Luoyang Normal University
Original Assignee
Luoyang Normal 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 Luoyang Normal University filed Critical Luoyang Normal University
Priority to CN201510968333.8A priority Critical patent/CN105574546B/zh
Publication of CN105574546A publication Critical patent/CN105574546A/zh
Application granted granted Critical
Publication of CN105574546B publication Critical patent/CN105574546B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于SLLE算法的计算机图像模式识别方法，其包括如下步骤：S1、获取原始图像，并对原始图像进行预处理；S2、根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；S3、基于分类结果对原始图像进行识别。本发明还提供一种基于SLLE算法的计算机图像模式识别系统，其包括如下模块：预处理模块，用于获取原始图像，并对原始图像进行预处理；特征提取分类模块，用于根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；识别模块，用于基于分类结果对原始图像进行识别。

Description

一种基于SLLE算法的计算机图像模式识别方法与系统
技术领域
本发明涉及计算机图像识别技术领域，特别涉及一种基于SLLE算法的计算机图像模式识别方法。
背景技术
随着信息技术的发展，产生了大量非线性高维数据，特别是图像数据，图像数据对人们日常生活有着至关重要的影响。对图像数据的深入分析使得图像识别技术有了长足的进步，并被广泛应用于各种领域中，它可以是医学图像中的癌细胞识别，可以是机械加工零件的识别、分类，可以从遥感图片中识别建筑设施、湖泊等，可以运用于邮政系统中自动分拣邮件，也可用于支票识别，身份证信息识别等。
模式识别是图像识别中重要的应用，模式识别的本质就是分类，而处理分类问题即为处理子流程的问题，对每个子流程分类就是计算数据到其他数据的距离，从而可以求得最近的流程，因此，模式识别在图像中就是图像识别问题。
现有的计算机图像模式识别方法容易受到噪声的影响，从而影响权值矩阵的准确度，使得计算机图像模式识别方法的抗噪性低，同时识别的精确度也不高。
发明内容
为了解决现有技术中现有的计算机图像模式识别方法容易受到噪声的影响，从而影响权值矩阵的准确度，使得计算机图像模式识别方法的抗噪性低，同时识别的精确度也不高的缺点，提出一种基于监督局部线性嵌入(SLLE)算法的计算机图像模式识别方法与系统。
一种基于SLLE算法的计算机图像模式识别方法，其包括如下步骤：
S1、获取原始图像，并对原始图像进行预处理；
S2、根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；
S3、基于分类结果对原始图像进行识别。
在本发明所述的基于SLLE算法的计算机图像模式识别方法中，
所述步骤S1中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式。
在本发明所述的基于SLLE算法的计算机图像模式识别方法中，
所述步骤S2包括：
将预处理的图像划分为N个大小相等的图块；对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数；并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据；
将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果。
在本发明所述的基于SLLE算法的计算机图像模式识别方法中，
所述步骤S3包括：
获取分类结果并根据分类结果对原始图像进行初次识别；
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选。
在本发明所述的基于SLLE算法的计算机图像模式识别方法中，
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选包括：
预先存储自然语言词汇索引表、纹理和色度特征表以及小波轮廓模板表；
通过多维密度函数对经过预处理的图像进行聚类划分，得到分块图像；通过分块图像提取目标区域的各个组成部分，同时根据区域连通准则将包含目标信息的分块图像划分到目标区域的各个组成部分中，并选取连通面积最大的一个连通域的外接矩形作为最终的目标区域；
根据小波轮廓模板表对目标区域进行轮廓对象匹配；并根据纹理和色度特征对轮廓对象匹配结果进行进一步匹配，再根据自然语言词汇索引表得到预处理的图像的自然语义；
判断初次识别结果是否与预处理的图像的自然语义是否匹配；在匹配时，确定并输出识别结果，在不匹配时，提示识别错误。
本发明还提供一种基于SLLE算法的计算机图像模式识别系统，其包括如下模块：
预处理模块，用于获取原始图像，并对原始图像进行预处理；
特征提取分类模块，用于根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；
识别模块，用于基于分类结果对原始图像进行识别。
在本发明所述的基于SLLE算法的计算机图像模式识别系统中，
所述预处理模块中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式。
在本发明所述的基于SLLE算法的计算机图像模式识别系统中，
所述特征提取分类模块包括：
将预处理的图像划分为N个大小相等的图块；对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数；并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据；
将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果。
在本发明所述的基于SLLE算法的计算机图像模式识别系统中，
所述识别模块包括：
获取分类结果并根据分类结果对原始图像进行初次识别；
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选。
在本发明所述的基于SLLE算法的计算机图像模式识别系统中，
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选包括：
预先存储自然语言词汇索引表、纹理和色度特征表以及小波轮廓模板表；
通过多维密度函数对经过预处理的图像进行聚类划分，得到分块图像；通过分块图像提取目标区域的各个组成部分，同时根据区域连通准则将包含目标信息的分块图像划分到目标区域的各个组成部分中，并选取连通面积最大的一个连通域的外接矩形作为最终的目标区域；
根据小波轮廓模板表对目标区域进行轮廓对象匹配；并根据纹理和色度特征对轮廓对象匹配结果进行进一步匹配，再根据自然语言词汇索引表得到预处理的图像的自然语义；
判断初次识别结果是否与预处理的图像的自然语义是否匹配；在匹配时，确定并输出识别结果，在不匹配时，提示识别错误。
实施本发明提供的一种基于SLLE算法的计算机图像模式识别方法与系统具有以下有益效果：SLLE算法对经过预处理的图像进行特征提取，并得到分类结果，可以改进权值矩阵的计算，从而改变每个像素点的领域值，使得图像识别的抗噪声大大提高，进而提高图像识别的精确度。
附图说明
图1是本发明实施例的基于SLLE算法的计算机图像模式识别方法流程图；
图2是本发明实施例的基于SLLE算法的计算机图像模式识别结构框图。
具体实施方式
如图1所示，一种基于SLLE算法的计算机图像模式识别方法，其包括如下步骤：
S1、获取原始图像，并对原始图像进行预处理。
S2、根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；
S3、基于分类结果对原始图像进行识别。
可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别方法中，
所述步骤S1中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式。
SLLE算法是有监督的局部线性嵌入算法(Supervised Locally LinearEmbedding，SLLE)，其相对于传统算法，增加了样本点的类别信息。在使用SLLE算法处理数据时样本点分布比起LLE算法得到的数据更加均匀化；可以提取出更好的数据特征，达到良好的降维与特征提取效果。
实施本实施例的一种基于SLLE算法的计算机图像模式识别方法具有以下有益效果：SLLE算法对经过预处理的图像进行特征提取，并得到分类结果，可以改进权值矩阵的计算，从而改变每个像素点的领域值，使得图像识别的抗噪声大大提高。
可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别方法中，
所述步骤S2包括：
将预处理的图像划分为N(N为大于或等于2的正整数)个大小相等的图块；对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数(MATLAB工具中DIP工具箱函数im2bw使用阈值变换法把灰度图像转换成二值图像)阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数；并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据。本步骤可以将预处理的图像的输入值为一个N维的数据，能够很方便的映射到二维空间上，减少了SLLE算法的运算量。
将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果。分类结果为二维空间上的数据几何拓扑结构。
可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别方法中，
所述步骤S3包括：
获取分类结果并根据分类结果对原始图像进行初次识别。
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选。
可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别方法中，
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选包括：
预先存储自然语言词汇索引表、纹理和色度特征表以及小波轮廓模板表。自然语言词汇包括比如：太阳、大海、草原、男人、汽车等，可以对自然语言的个数进行自定义。
通过多维密度函数对经过预处理的图像进行聚类划分，得到分块图像；通过分块图像提取目标区域的各个组成部分，同时根据区域连通准则将包含目标信息的分块图像划分到目标区域的各个组成部分中，并选取连通面积最大的一个连通域的外接矩形作为最终的目标区域。
根据小波轮廓模板表对目标区域进行轮廓对象匹配；并根据纹理和色度特征对轮廓对象匹配结果进行进一步匹配，再根据自然语言词汇索引表得到预处理的图像的自然语义。
判断初次识别结果是否与预处理的图像的自然语义是否匹配；在匹配时，确定并输出识别结果，在不匹配时，提示识别错误。比如初次识别结果是一张草原的图片，而自然语义则提示为“地毯”，则不匹配并提示识别错误。在一般图像识别率仅为50-60％的情况下，通过自然语义对初次识别结果进行筛选，可以将识别率提高到65-75％左右。
如图2所示，本发明实施例还提供一种基于SLLE算法的计算机图像模式识别系统，其包括如下模块：
预处理模块10，用于获取原始图像，并对原始图像进行预处理；
特征提取分类模块20，用于根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果。
识别模块30，用于基于分类结果对原始图像进行识别。
可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别系统中，
所述预处理模块10中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式。
可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别系统中，
所述特征提取分类模块20包括：
将预处理的图像划分为N个大小相等的图块；对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数；并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据。
将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果。
可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别系统中，
所述识别模块30包括：
获取分类结果并根据分类结果对原始图像进行初次识别。
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选。
可选地，在本发明实施例所述的基于SLLE算法的计算机图像模式识别系统中，
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选包括：
预先存储自然语言词汇索引表、纹理和色度特征表以及小波轮廓模板表。
通过多维密度函数对经过预处理的图像进行聚类划分，得到分块图像；通过分块图像提取目标区域的各个组成部分，同时根据区域连通准则将包含目标信息的分块图像划分到目标区域的各个组成部分中，并选取连通面积最大的一个连通域的外接矩形作为最终的目标区域。
根据小波轮廓模板表对目标区域进行轮廓对象匹配；并根据纹理和色度特征对轮廓对象匹配结果进行进一步匹配，再根据自然语言词汇索引表得到预处理的图像的自然语义。本步骤可以大大提高匹配的效率和准确性。
判断初次识别结果是否与预处理的图像的自然语义是否匹配；在匹配时，确定并输出识别结果，在不匹配时，提示识别错误。
上述方法实施例与系统实施例是一一对应的，因此，方法实施例的扩展也可适用于上述系统实施例。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (2)

1.一种基于SLLE算法的计算机图像模式识别方法，其包括如下步骤：
S1、获取原始图像，并对原始图像进行预处理；
S2、根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；
S3、基于分类结果对原始图像进行识别；
所述步骤S1中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式；
所述步骤S2包括：
将预处理的图像划分为N个大小相等的图块；对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数；并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据；
将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果；
所述步骤S3包括：
获取分类结果并根据分类结果对原始图像进行初次识别；
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选；
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选包括：
预先存储自然语言词汇索引表、纹理和色度特征表以及小波轮廓模板表；
通过多维密度函数对经过预处理的图像进行聚类划分，得到分块图像；通过分块图像提取目标区域的各个组成部分，同时根据区域连通准则将包含目标信息的分块图像划分到目标区域的各个组成部分中，并选取连通面积最大的一个连通域的外接矩形作为最终的目标区域；
根据小波轮廓模板表对目标区域进行轮廓对象匹配；并根据纹理和色度特征对轮廓对象匹配结果进行进一步匹配，再根据自然语言词汇索引表得到预处理的图像的自然语义；
判断初次识别结果是否与预处理的图像的自然语义是否匹配；在匹配时，确定并输出识别结果，在不匹配时，提示识别错误。
2.一种基于SLLE算法的计算机图像模式识别系统，其包括如下模块：
预处理模块，用于获取原始图像，并对原始图像进行预处理；
特征提取分类模块，用于根据SLLE算法对经过预处理的图像进行特征提取，并得到分类结果；
识别模块，用于基于分类结果对原始图像进行识别；
所述预处理模块中对原始图像进行预处理包括对原始图像进行消除干扰、噪声、差异的处理，将原始图像转为符合特征提取规范的图像形式；
所述特征提取分类模块包括：
将预处理的图像划分为N个大小相等的图块；对每个图块进行直方图二值化变换，并将MATLAB工具中的im2bw函数阈值设置为0.5，对第i张图块的像素值求和，i为小于或等于N的正整数；并用求和的值表示预处理的图像的第i个分量，则预处理的图像的输入值为一个N维的数据；
将N维的数据作为有监督的局部线性嵌入算法SLLE的输入值进行特征提取，并得到分类结果；
所述识别模块包括：
获取分类结果并根据分类结果对原始图像进行初次识别；
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选；
获取预处理的图像的自然语义，并根据自然语义对初次识别结果进行筛选包括：
预先存储自然语言词汇索引表、纹理和色度特征表以及小波轮廓模板表；
通过多维密度函数对经过预处理的图像进行聚类划分，得到分块图像；通过分块图像提取目标区域的各个组成部分，同时根据区域连通准则将包含目标信息的分块图像划分到目标区域的各个组成部分中，并选取连通面积最大的一个连通域的外接矩形作为最终的目标区域；
根据小波轮廓模板表对目标区域进行轮廓对象匹配；并根据纹理和色度特征对轮廓对象匹配结果进行进一步匹配，再根据自然语言词汇索引表得到预处理的图像的自然语义；
判断初次识别结果是否与预处理的图像的自然语义是否匹配；在匹配时，确定并输出识别结果，在不匹配时，提示识别错误。
CN201510968333.8A 2015-12-22 2015-12-22 一种基于slle算法的计算机图像模式识别方法与系统 Expired - Fee Related CN105574546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510968333.8A CN105574546B (zh) 2015-12-22 2015-12-22 一种基于slle算法的计算机图像模式识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510968333.8A CN105574546B (zh) 2015-12-22 2015-12-22 一种基于slle算法的计算机图像模式识别方法与系统

Publications (2)

Publication Number Publication Date
CN105574546A CN105574546A (zh) 2016-05-11
CN105574546B true CN105574546B (zh) 2018-11-16

Family

ID=55884652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510968333.8A Expired - Fee Related CN105574546B (zh) 2015-12-22 2015-12-22 一种基于slle算法的计算机图像模式识别方法与系统

Country Status (1)

Country Link
CN (1) CN105574546B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106898017B (zh) * 2017-02-27 2019-05-31 网易（杭州）网络有限公司 用于识别图像局部区域的方法、装置及终端设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101813475A (zh) * 2010-04-24 2010-08-25 上海交通大学 远距离障碍的自适应检测方法
CN102411708A (zh) * 2011-12-02 2012-04-11 湖南大学 一种融合双树复小波变换和离散小波变换的人脸识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101813475A (zh) * 2010-04-24 2010-08-25 上海交通大学 远距离障碍的自适应检测方法
CN102411708A (zh) * 2011-12-02 2012-04-11 湖南大学 一种融合双树复小波变换和离散小波变换的人脸识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于监督局部线性嵌入特征提取的高光谱图像分类;温金环等;《计算机应用》;20110331;第31卷(第3期);摘要以及第2、4节 *
监督局部线性嵌入在人脸识别中的应用;李见为等;《重庆大学学报》;20100228;第33卷(第2期);全文 *

Also Published As

Publication number Publication date
CN105574546A (zh) 2016-05-11

Similar Documents

Publication Publication Date Title
CN106780448B (zh) 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统
Khan Image segmentation techniques: A survey
Bhardwaj et al. Recognition of plants by leaf image using moment invariant and texture analysis
CN108010013A (zh) 一种肺ct图像肺结节检测方法
CN102508917B (zh) 部分特征图像的多维度目标快速鲁棒检索定位方法
CN104680158A (zh) 一种基于对尺度块局部多值模式的人脸识别方法
Mathew et al. A content-based image retrieval system based on convex hull geometry
Unni et al. Tumour detection in double threshold segmented mammograms using optimized GLCM features fed SVM
Akhtar et al. Optical character recognition (OCR) using partial least square (PLS) based feature reduction: an application to artificial intelligence for biometric identification
CN105893941B (zh) 一种基于区域图像的人脸表情识别方法
CN113112498A (zh) 一种基于细粒度对抗生成网络的葡萄叶片病斑识别方法
Lee et al. Model-based detection, segmentation, and classification for image analysis using on-line shape learning
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
Huynh et al. Plant identification using new architecture convolutional neural networks combine with replacing the red of color channel image by vein morphology leaf
CN109871825B (zh) 一种基于改进的局部二维模式的人像识别方法
Thomkaew et al. Plant species classification using leaf edge
CN105574546B (zh) 一种基于slle算法的计算机图像模式识别方法与系统
Xiaoyan Research on imbalanced microscopic image classification of harmful algae
Habibi Aghdam et al. A probabilistic approach for breast boundary extraction in mammograms
Mustafa et al. Palm print recognition based on harmony search algorithm.
Chellan et al. Novel computer‐aided diagnosis of lung cancer using bag of visual words to achieve high accuracy rates
Kuban et al. A NOVEL MODIFICATION OF SURF ALGORITHM FOR FINGERPRINT MATCHING.
Aroquiaraj et al. Unsupervised feature selection in digital mammogram image using tolerance rough set based quick reduct
Ma et al. Improvement of texture image segmentation based on visual model
Azmi et al. Freeman chain code (FCC) representation in signature fraud detection based on nearest neighbour and artificial neural network (ANN) classifiers

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181116

Termination date: 20191222