CN105787972B - 一种基于lcv模型的图像轮廓编码方法及系统 - Google Patents
一种基于lcv模型的图像轮廓编码方法及系统 Download PDFInfo
- Publication number
- CN105787972B CN105787972B CN201610154343.2A CN201610154343A CN105787972B CN 105787972 B CN105787972 B CN 105787972B CN 201610154343 A CN201610154343 A CN 201610154343A CN 105787972 B CN105787972 B CN 105787972B
- Authority
- CN
- China
- Prior art keywords
- matrix
- profile
- encoding
- contour
- obtains
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 140
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 108091033380 Coding strand Proteins 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/20—Contour coding, e.g. using detection of edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种基于LCV模型的图像轮廓编码方法及系统,其中所述方法包括:采用LCV模型对目标图像进行轮廓分割处理,获取所述目标图像的轮廓坐标信息;根据所述轮廓坐标信息进行轮廓矩阵构建处理,获取所述目标图像的轮廓矩阵;对所述轮廓矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵;对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵;对所述二值化轮廓编码矩阵进行排列编码,获取所述轮廓对应的编码链;在本发明实施例中,通过轮廓坐标提取、轮廓矩阵构建、编码、二值化和排列编码处理,从多角度的提取挖掘出图像边界轮廓的信息,得到的图像特征信息较强,在外界存在一定的干扰下也能保持着原图像特定的特征信息。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于LCV模型的图像轮廓编码方法及系统。
背景技术
轮廓是图像形状进行识别的重要信息,与其它常用的如K-L识别算法、基于纹理的识别算法、基于模型的识别算法与基于几何特征的识别算法等图像识别算法比较,基于图像轮廓的识别过程仅仅需要的是图像的边界形状信息,且对于不同的目标图像,均具有不同的轮廓形状。因此,对于经典的图像识别算法,基于轮廓的识别方法不但可以大大的减少计算时间,而且针对性的将图像轮廓进行二次特征提取,还可以将其变为图像的关键信息。
然而目前传统意义上的轮廓编码算法,大部分是利用了图像的内部的纹理及像元信息进行处理,并且更多的图像编码的应用主要是将图像进行压缩及对图像的背景进行预测等;以往传统的图像编码作用主要应用于图像的压缩保存方面,从某种意义上来讲,并没有对图像属性特征挖掘,即没有提取出图片轮廓的属性特征;而仅仅是在尽可能的保存图像信息不丢失的前提下,有效的减少了数字图像的数据量。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于LCV模型的图像轮廓编码方法及系统,在外界存在一定的干扰下也能保持着原图像特定的特征信息。
为了解决上述技术问题,本发明提供了一种基于LCV模型的图像轮廓编码方法,所述方法包括:
采用LCV模型对目标图像进行轮廓分割处理,获取所述目标图像的轮廓坐标信息;
根据所述轮廓坐标信息进行轮廓矩阵构建处理,获取所述目标图像的轮廓矩阵;
对所述轮廓矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵;
对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵;
对所述二值化轮廓编码矩阵进行排列编码,获取所述轮廓对应的编码链。
优选地,所述根据所述轮廓坐标信息进行轮廓矩阵构建处理,获取所述目标图像的轮廓矩阵,包括:
对所述轮廓坐标信息进行归一化处理,将所述坐标信息归一化在[1,255]之间,获取归一化处理结果;
根据所述归一化处理结果进行矩阵构建处理,获取所述目标图像的轮廓矩阵。
优选地,所述对所述轮廓矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵,包括:
对所述轮廓矩阵对应的轮廓像素进行灰度化处理,获取所述像素对应的灰度矩阵;
采用所述轮廓矩阵对所述灰度矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵。
优选地,所述对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵,包括:
确定所述二值化处理的阈值,根据所述阈值对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵。
优选地,所述排列编码包括横向排列编码、列向排列编码和斜向排列编码。
另外,本发明还提供了一种基于LCV模型的图像轮廓编码系统,所述系统包括:
轮廓分割模块:用于采用LCV模型对目标图像进行轮廓分割处理,获取所述目标图像的轮廓坐标信息;
矩阵构建模块:用于根据所述轮廓坐标信息进行轮廓矩阵构建处理,获取所述目标图像的轮廓矩阵;
编码模块:用于对所述轮廓矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵;
二值化处理模块:用于对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵;
排列编码模块:用于对所述二值化轮廓编码矩阵进行排列编码,获取所述轮廓对应的编码链。
优选地,所述矩阵构建模块包括:
归一化单元:用于对所述轮廓坐标信息进行归一化处理,将所述坐标信息归一化在[1,255]之间,获取归一化处理结果;
矩阵构建单元:用于根据所述归一化处理结果进行矩阵构建处理,获取所述目标图像的轮廓矩阵。
优选地,所述编码模块包括:
灰度处理单元:用于对所述轮廓矩阵对应的轮廓像素进行灰度化处理,获取所述像素对应的灰度矩阵;
编码单元:用于采用所述轮廓矩阵对所述灰度矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵。
优选地,所述二值化处理模块包括:
二值化处理单元:用于确定所述二值化处理的阈值,根据所述阈值对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵。
优选地,所述排列编码包括横向排列编码、列向排列编码和斜向排列编码。
在本发明实施例中,通过轮廓坐标提取、轮廓矩阵构建、编码、二值化和排列编码处理,从多角度的提取挖掘出图像边界轮廓的信息,得到的图像特征信息较强,在外界存在一定的干扰下也能保持着原图像特定的特征信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于LCV模型的图像轮廓编码方法的流程示意图;
图2是本发明实施例中的基于LCV模型的图像轮廓编码系统的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例中的基于LCV模型的图像轮廓编码方法的流程示意图,如图1所示,该方法包括:
S11:采用LCV模型对目标图像进行轮廓分割处理,获取该目标图像的轮廓坐标信息;
S12:根据该轮廓坐标信息进行轮廓矩阵构建处理,获取该目标图像的轮廓矩阵;
S13:对该轮廓矩阵进行编码处理,获取该目标图像的轮廓编码矩阵;
S14:对该轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵;
S15:对该二值化轮廓编码矩阵进行排列编码,获取该轮廓对应的编码链。
对S11作进一步说明:
采用LCV模型对目标图像进行轮廓分割,通过该分割获取到目标图像的轮廓坐标信息。
进一步的,LCV模型主要是基于曲线演化理论、局部统计函数以及水平集方法的混合型水平集方法和图像的全局信息,将上述综合一起来解决对灰度不均匀图像进行分割。
LCV模型的构建,其中LCV模型的能量演变函数ELCV包括全局项EG、局部项EL和规则化ER,则总能量演变函数为:
ELCV=α·EG+β·EL+ER
其中,α为EG的倍数参数,β为EL的倍数参数。
全局项构建,全局项EG与C-V模型的一致,可以称为全局保真项,主要演化形式为基于演化曲线C内部与外部的均值c1,c2;其计算公式如下:
其中,u0(x,y)为曲线上的坐标点。当演化曲线包围了目标边界轮廓时,F1>0且F2≈0;当演化曲线被目标图像轮廓包围时,F2>0且F1≈0;当演化曲线恰好落在目标边界轮廓上时,F1≈0且F2≈0。
当能量演变函数到达稳定状态时,即能量演变函数的数值近似接近于零时,演化曲线C(零水平集)会自然地将目标与背景分离开。但是如果图像灰度不均匀时,即便经过很长的迭代次数,最终的演化曲线仍不能将图像分为目标区域和背景区域。究其原因,在模型应用过程中全局项假设图像灰度在各个区域里是均匀的常数,因此对于灰度不均匀的图像来说,均值函数c1和c2很难表达目标和背景区域中不均匀的灰度。因此,为了取得较好的分割结果,该模型必须要引入局部图像信息。
局部项构建:
其中,gk是窗口大小为k的平均卷积算子,d1和d2分别是卷积后的图像与源图像差值gk·u0(x,y)-u0(x,y)在曲线内部与外部的灰度平均值;通过将卷积之后的图像与原始图像做差值,可以在很大程度上增加目标与背景的灰度对比度;由于存在着弱边缘以及复杂的拓扑结构,直接分割具有高对比度的差值图像依然存在一定的问题。因此需要进一步结合水平集方法,采用水平集的思想,将水平集函数φ(x,y)引入式局部项中,进一步的,局部项EL改写为:
其中,H(φ(x,y))是海氏函数,对于局部项来说平均卷积算子gk要选择合适的窗口大小k,如果k太小,则局部项会对噪声过于敏感,反之,局部项又会丢失一些有用的图像信息。因此在进行图像分割时,为了得到良好的演化效果,且避开窗口大小k的影响,应将局部项与全局项结合在一起。
为了保持零水平集的光滑,并且避免出现在最后的分割结果中较小和孤立区域,需要在规则化项中加入长度惩罚项L(C),该项与演化曲线的长度有关;假设C是一个光滑封闭的平面曲线:C(p):[0,1]→Ω,参数p∈[0,1],则曲线C的长度可表示为:
采用水平集函数φ(x,y)的零水平集来替代曲线C。则L(C)可以写成如下:
其中,H(z)、δ(z)分别为式海氏函数与狄拉克函数。
综合上述所述,演化曲线C可被Lipsehitzi函数中的零水平集替换,则构建的总能量演变函数进一步的为:
ELCV(c1,c2,d1,d2,φ)=α·EG(c1,c2,φ)+β·EL(d1,d2,φ)+ER(φ);
其中,α为EG的倍数参数,β为EL的倍数参数。
根据上述的总能量演变函数即获取LCV模型,通过该LCV模型对目标图像轮廓进行分割处理,然后获取该目标图像的轮廓坐标信息。
对S12作进一步说明:
根据上述S11获取到的轮廓坐标信息,根据该坐标信息构建轮廓矩阵,并获取该目标图像的轮廓矩阵。
进一步的,先对获取到的轮廓坐标信息进行归一化处理,将这些坐标信息归一化在[1,255]之间,完成归一化处理,获取归一化处理结果,然后根据归一化处理结果构建轮廓矩阵,从而获取该目标图像的轮廓矩阵;该归一化处理可采用最大最小值归一化处理方式或其他归一化处理方式,归一化处理的目的在于剔除图像因绝对像素点的不同造成的影响。
对S13作进一步说明:
对该轮廓矩阵进行编码处理,获取到轮廓编码矩阵。
进一步的,首先将轮廓矩阵进行格式统一处理,将轮廓矩阵的格式转化为uint8格式;然后获取该轮廓矩阵对应的目标图像的轮廓的像素,对这些像素进行灰度化处理,并在处理之后产生该像素对应的灰度矩阵;采用轮廓矩阵对其对应的灰度矩阵进行编码,从而获取到目标图像的轮廓编码矩阵。
对S14作进一步说明:
对该编码矩阵进行二值化处理,获取二值化之后的编码矩阵。
进一步的,确定二值化处理的阈值系数,通过该阈值系数对轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵;在本实施例中,阈值系数为0.9最佳。
对S15作进一步说明:
对二值化轮廓编码矩阵进行排列编码,获取该轮廓对应的编码链。
进一步的排列编码包括横向排列编码、列向排列编码和斜向排列编码;横向排列编码是将二值化后的轮廓编码矩阵的每一行全部按先后顺序转化为一行;列向排列编码是将轮廓编码矩阵的每一列全部按照先后顺序转化为一行;斜向排列编码是将轮廓编码矩阵的每一对角线数据由右上角至左下角依次全部转化为一行。
相应的,图2是本发明实施例中的基于LCV模型的图像轮廓编码系统的结构组成示意图,如图2所示,本发明实施例还提供了一种基于LCV模型的图像轮廓编码系统,该系统包括:
轮廓分割模块11:用于采用LCV模型对目标图像进行轮廓分割处理,获取该目标图像的轮廓坐标信息;
矩阵构建模块12:用于根据该轮廓坐标信息进行轮廓矩阵构建处理,获取该目标图像的轮廓矩阵;
编码模块13:用于对该轮廓矩阵进行编码处理,获取该目标图像的轮廓编码矩阵;
二值化处理模块14:用于对该轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵;
排列编码模块15:用于对二值化轮廓编码矩阵进行排列编码,获取该轮廓对应的编码链。
优选地,该矩阵构建模块12包括:
归一化单元:用于对该轮廓坐标信息进行归一化处理,将该坐标信息归一化在[1,255]之间,获取归一化处理结果;
矩阵构建单元:用于根据归一化处理结果进行矩阵构建处理,获取该目标图像的轮廓矩阵。
优选地,该编码模块13包括:
灰度处理单元:用于对该轮廓矩阵对应的轮廓像素进行灰度化处理,获取该像素对应的灰度矩阵;
编码单元:用于采用该轮廓矩阵对该灰度矩阵进行编码处理,获取该目标图像的轮廓编码矩阵。
优选地,该二值化处理模块14包括:
二值化处理单元:用于确定二值化处理的阈值,根据该阈值对该轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵。
优选地,该排列编码包括横向排列编码、列向排列编码和斜向排列编码。
具体地,本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述,这里不再赘述。
在本发明实施例中,通过轮廓坐标提取、轮廓矩阵构建、编码、二值化和排列编码处理,从多角度的提取挖掘出图像边界轮廓的信息,得到的图像特征信息较强,在外界存在一定的干扰下也能保持着原图像特定的特征信息。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于LCV模型的图像轮廓编码方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于LCV模型的图像轮廓编码方法,其特征在于,所述方法包括:
采用LCV模型对目标图像进行轮廓分割处理,获取所述目标图像的轮廓坐标信息;
根据所述轮廓坐标信息进行轮廓矩阵构建处理,获取所述目标图像的轮廓矩阵;
对所述轮廓矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵;
对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵;
对所述二值化轮廓编码矩阵进行排列编码,获取所述轮廓对应的编码链。
2.根据权利要求1所述的图像轮廓编码方法,其特征在于,所述根据所述轮廓坐标信息进行轮廓矩阵构建处理,获取所述目标图像的轮廓矩阵,包括:
对所述轮廓坐标信息进行归一化处理,将所述坐标信息归一化在[1,255]之间,获取归一化处理结果;
根据所述归一化处理结果进行矩阵构建处理,获取所述目标图像的轮廓矩阵。
3.根据权利要求1所述的图像轮廓编码方法,其特征在于,所述对所述轮廓矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵,包括:
对所述轮廓矩阵对应的轮廓像素进行灰度化处理,获取所述像素对应的灰度矩阵;
采用所述轮廓矩阵对所述灰度矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵。
4.根据权利要求1所述的图像轮廓编码方法,其特征在于,所述对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵,包括:
确定所述二值化处理的阈值,根据所述阈值对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵。
5.根据权利要求1所述的图像轮廓编码方法,其特征在于,所述排列编码包括横向排列编码、列向排列编码和斜向排列编码,其中,横向排列编码是将二值化后的轮廓编码矩阵的每一行全部按先后顺序转化为一行;列向排列编码是将轮廓编码矩阵的每一列全部按照先后顺序转化为一行;斜向排列编码是将轮廓编码矩阵的每一对角线数据由右上角至左下角依次全部转化为一行。
6.一种基于LCV模型的图像轮廓编码系统,其特征在于,所述系统包括:
轮廓分割模块:用于采用LCV模型对目标图像进行轮廓分割处理,获取所述目标图像的轮廓坐标信息;
矩阵构建模块:用于根据所述轮廓坐标信息进行轮廓矩阵构建处理,获取所述目标图像的轮廓矩阵;
编码模块:用于对所述轮廓矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵;
二值化处理模块:用于对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵;
排列编码模块:用于对所述二值化轮廓编码矩阵进行排列编码,获取所述轮廓对应的编码链。
7.根据权利要求6所述的图像轮廓编码系统,其特征在于,所述矩阵构建模块包括:
归一化单元:用于对所述轮廓坐标信息进行归一化处理,将所述坐标信息归一化在[1,255]之间,获取归一化处理结果;
矩阵构建单元:用于根据所述归一化处理结果进行矩阵构建处理,获取所述目标图像的轮廓矩阵。
8.根据权利要求6所述的图像轮廓编码系统,其特征在于,所述编码模块包括:
灰度处理单元:用于对所述轮廓矩阵对应的轮廓像素进行灰度化处理,获取所述像素对应的灰度矩阵;
编码单元:用于采用所述轮廓矩阵对所述灰度矩阵进行编码处理,获取所述目标图像的轮廓编码矩阵。
9.根据权利要求6所述的图像轮廓编码系统,其特征在于,所述二值化处理模块包括:
二值化处理单元:用于确定所述二值化处理的阈值,根据所述阈值对所述轮廓编码矩阵进行二值化处理,获取二值化轮廓编码矩阵。
10.根据权利要求6所述的图像轮廓编码系统,其特征在于,所述排列编码包括横向排列编码、列向排列编码和斜向排列编码,其中,横向排列编码是将二值化后的轮廓编码矩阵的每一行全部按先后顺序转化为一行;列向排列编码是将轮廓编码矩阵的每一列全部按照先后顺序转化为一行;斜向排列编码是将轮廓编码矩阵的每一对角线数据由右上角至左下角依次全部转化为一行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610154343.2A CN105787972B (zh) | 2016-03-16 | 2016-03-16 | 一种基于lcv模型的图像轮廓编码方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610154343.2A CN105787972B (zh) | 2016-03-16 | 2016-03-16 | 一种基于lcv模型的图像轮廓编码方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787972A CN105787972A (zh) | 2016-07-20 |
CN105787972B true CN105787972B (zh) | 2018-12-21 |
Family
ID=56392828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610154343.2A Active CN105787972B (zh) | 2016-03-16 | 2016-03-16 | 一种基于lcv模型的图像轮廓编码方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787972B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263204A (zh) * | 2019-06-05 | 2019-09-20 | 广州文冲船厂有限责任公司 | 一种构件轮廓编码方法、装置和设备 |
CN112183541B (zh) * | 2020-09-17 | 2023-04-18 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 一种轮廓提取方法及装置、电子设备、存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101137056A (zh) * | 2007-07-26 | 2008-03-05 | 武汉大学 | 精度自适应的图像区域轮廓编码方法 |
-
2016
- 2016-03-16 CN CN201610154343.2A patent/CN105787972B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101137056A (zh) * | 2007-07-26 | 2008-03-05 | 武汉大学 | 精度自适应的图像区域轮廓编码方法 |
Non-Patent Citations (2)
Title |
---|
Smooth contour coding with minimal description length active grid segmentation techniques;Frédéric Galland 等;《Pattern Recognition Letters》;20101215;第32卷(第5期);721–730 * |
一种基于Wedgelet的图像轮廓编码算法;王成儒;《电视技术》;20041231(第12期);18-20 * |
Also Published As
Publication number | Publication date |
---|---|
CN105787972A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781775B (zh) | 一种多尺度特征支持的遥感影像水体信息精确分割方法 | |
CN109447994A (zh) | 结合完全残差与特征融合的遥感图像分割方法 | |
CN111028308B (zh) | 一种图像中信息的隐写及读取方法 | |
US8712154B2 (en) | Image processing system and method | |
DE112018005149T5 (de) | Punktwolkenkomprimierung | |
CN107578430B (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
CN106599965A (zh) | 一种将图像卡通化并与二维码融合的方法与装置 | |
CN103455991A (zh) | 一种多聚焦图像融合方法 | |
CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
US11727628B2 (en) | Neural opacity point cloud | |
EP3343446A1 (en) | Method and apparatus for encoding and decoding lists of pixels | |
CN105787972B (zh) | 一种基于lcv模型的图像轮廓编码方法及系统 | |
CN109492735B (zh) | 二维码生成方法及计算机可读存储介质 | |
CN112733861B (zh) | 基于u型残差网络的文本擦除和抠字方法 | |
CN114066871A (zh) | 一种新冠肺炎病灶区域分割模型训练的方法 | |
CN116822548B (zh) | 生成高识别率ai二维码的方法及计算机可读存储介质 | |
CN113657415B (zh) | 一种面向示意图的对象检测方法 | |
WO2021184380A1 (zh) | 点云编码方法和解码方法、编码器、解码器、及存储介质 | |
CN114615505A (zh) | 基于深度熵编码的点云属性压缩方法、装置和存储介质 | |
CN114663292A (zh) | 超轻量级图片去雾及识别网络模型、图片去雾及识别方法 | |
Samus et al. | 3D image mesh entropy coding | |
WO2019113912A1 (zh) | 基于结构光的三维图像重建方法、装置及存储介质 | |
CN113454678A (zh) | 三维面部扫描增强 | |
Navin et al. | Data Oriented Model of image: as a framework for image processing | |
CN116665053B (zh) | 顾及阴影信息的高分辨遥感影像建筑物识别方法及系统 |
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 |