CN106447711B - 一种多尺度基本几何形状特征提取方法 - Google Patents
一种多尺度基本几何形状特征提取方法 Download PDFInfo
- Publication number
- CN106447711B CN106447711B CN201610355064.2A CN201610355064A CN106447711B CN 106447711 B CN106447711 B CN 106447711B CN 201610355064 A CN201610355064 A CN 201610355064A CN 106447711 B CN106447711 B CN 106447711B
- Authority
- CN
- China
- Prior art keywords
- multiple dimensioned
- extracting method
- feature extracting
- basic geometry
- region
- 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
Links
Abstract
本发明提供一种多尺度基本几何形状特征提取方法。涉及计算机识别形状图像的技术领域,尤其的是涉及一种平面几何形状的特征提取方法。面积是形状的重要特征,传统的面积特征提取方法由于不具备多尺度的特性使得形状关键特征消失。“多尺度特性”是指特征提取的算法能由粗略到精细的特征提取的本领。发明针对上述问题提出了一种利用类似于极坐标的方法来提取形状特征,x,y轴的夹角由大到小,实现特征由粗略到精细的提取。具有速度快、精度较高、具有多尺度特性和计算复杂度较低等优势。
Description
技术领域
本发明涉及计算机识别形状图像的技术领域,尤其的是涉及一种平面几何形状的特征提取方法。
背景技术
几何形状识别是模式识别领域中图形、图像识别的基础技术。在人工智能、计算机视觉、机器人、图像目标识别、光学字符阅读器(Optical Character Reader,OCR)、军事等高技术领域中,几何形状识别技术都起着关键性的作用。几何形状识别是基于形状特征的数学描述方法和特征信息提取技术实现的。现有技术中,对图形的数学描述主要基于两大理论体系。一种是基于积分变换的傅立叶描述子理论,该理论将图像信息由时域变换到频域,利用获得的频域特征矢量集,实现对图形的整体描述。另一种是不变矩理论,矩定义为:在图形上对密度函数的黎曼二重积分,不同阶次的矩具有不同的物理意义,利用矩参数集,实现对图形的整体描述。上述两种理论方法对图形描述的特征信息,频域特征矢量集和矩参数集都具有平移、缩放和旋转不变的特性。当图形上密度函数等于1时,这些特征信息实现对几何形状的整体描述。
根据对现有技术的分析,利用上述两种理论方法提取图形特征信息,识别几何形状的方法,虽然具有通用性,但是,由于技术上的一些缺陷使得该方法的实际应用受到很大制约。具体分析如下:
(1)频域特征矢量或矩参数是对几何形状统计特征的描述,是一种间接描述方法,不能准确描述平面几何形状的某一局部特征。构成识别系统时,需要大量的实验数据和统计分析工作才能确定识别标准。
(2)提取频域特征矢量或矩参数都有很大的计算量。即使是改进为快速算法,仍然有很大的计算量。
(3)频域特征矢量或矩参数与平面几何形状之间不存在理论上的一一对应关系,因此存在判定错误的可能。在实际应用或实验中,判定错误也是经常发生的。
(4)频域特征矢量或矩参数不能对一类平面几何形状共有特征进行描述。
中国专利申请号为CN200810102194,本发明公开了一种平面几何形状的识别方法,属于模式识别领域的基础技术范畴。该方法包括:求取目标平面几何形状的特征信息并保存;选择至少一个目标平面几何形状的特征信息,构建识别目标集;求取待识别平面几何形状的特征信息;将待识别平面几何形状的特征信息与识别目标集中的每一个目标平面几何形状的特征信息按循环排序关系,利用特征点信息进行相似性分析处理,并将判定的识别结果输出。本发明还公开可一种平面几何形状的识别装置,包括:目标特征信息提取模块、目标集创建模块、待识别特征信息提取模块,及识别模块。本发明特征信息求取方法简单,计算量大幅度减少,具有统一的识别规则和快速准确的识别效果。
刘海容的博士论文《形状的曲率表示及分解》中指出,传统的基于区域的方法主要存在计算复杂,由于算法不具备多尺度特性使得在某些情况下形状的关键特征消失等问题。
发明内容
面积是形状的重要特征,传统的面积特征提取方法由于不具备多尺度的特性使得形状关键特征消失。“多尺度特性”是指特征提取的算法能由粗略到精细的特征提取的本领。本发明的目的:针对上述问题提出了一种利用类似于极坐标的方法来提取形状特征,x,y轴的夹角从大到小,实现特征由粗略到精细的提取。
为了实现本发明以上发明目的,本发明是通过以下技术方案实现的:
一种多尺度基本几何形状特征提取方法,包括以下步骤:
S100:计算几何形状的重心坐标定义为:
S200:以重心坐标为坐标原点,对所述几何形状的形状区域以x、y轴进行坐标轴分割,横坐标x和纵坐标y正方向之间的夹角为θ,所述θ介于0°和90°之间,分割为四个区域为s1、s2、s3和s4;
S300:计算所述分割的四个区域的面积与总面积的比值,记为其中是区域总面积;对于数字图像区域总面积是该区域的像素总个数,这里的区域总面积已经参与了计算,分割的四个区域的面积与总面积相除,所以总面积是参与了计算的。
S400:将横坐标x和纵坐标y逆时针旋转,再次执行步骤S300,总旋转角度满足180度,得到四个区域的面积向量为:
S500:横坐标x和纵坐标y正方向之间的夹角θ增加1度,重复步骤S400多次,直到分别得到所述四个区域的面积的多组向量为:
S600:将所述几何形状特征定义为A:
提取所述几何形状特征。
本发明属于基本几何形状特征的提取方法,具体地说是一种利用多尺度面积表示基本几何形状的一种方法。基本的几何形状是复杂形状的基本组成单元,对基本几何形状的检测是计算机视觉处理的基础,在遥感地理信息系统,人脸检测,计算机辅助设计、目标跟踪、物体定位和交通标志识别等方面有着广泛的应用。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S100步骤包括步骤S101:所述几何形状的形状区域的质量为均匀的每一个点的质量设置为1,表示形状区域所有点的总质量。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S100步骤包括步骤S102:分别表示形状区域的点相对于y,x轴的力矩。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S200步骤包括步骤S201:所述四个区域中的s1区域与s2区域和s4区域为相邻关系,与s3区域为对角关系。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S300步骤包括步骤S301:初始所述s1区域和s3区域的所述x轴与y轴的所述夹角θ为1度,初始所述s2区域和s4区域的所述x轴与y轴的夹角为180-θ所得的角度。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S400步骤包括步骤S401:将横坐标x和纵坐标y每次同时逆时针旋转1度,再次执行步骤S300,执行所述步骤S401共180次。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S400步骤包括步骤S402:对所述几何形状进行特征提取。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S400步骤包括步骤S403:所述特征提取利用matlab软件提供的函数随机生成三角形、四边形和/或椭圆形。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S400步骤包括步骤S404:对所述随机生成三角形、四边形和/或椭圆形进行分类。
进一步地,所述的一种的多尺度基本几何形状特征提取方法,所述S400步骤包括步骤S405:对所述随机生成三角形、四边形和/或椭圆形的分类进行准确率分析。
本发明的基本几何形状特征提取方法至少具有以下有益效果之一:
1、速度快;
2、精度较高;
3、具有多尺度特性;
4、计算复杂度较低。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明:
图1为本发明第一实施例流程示意图;
图2为本发明第二实施例对形状区域的分割示意图;
图3为本发明第二实施例有旋转的甲虫形状特的特征:θ=15度时提取的特征示意图;
图4为本发明第二实施例有旋转的小鸟形状特的特征:θ=15度时提取的特征示意图;
图5为本发明第二实施例随机生成的三角形样本示意图;
图6为本发明第二实施例随机生成的椭圆形样本示意图;
图7为本发明第二实施例随机生成的四边形样本示意图;
图8为本发明第二实施例随机生成的几何图像在不同θ角度下分离特征对比示意图;
图9为本发明第二实施例分类准确率示意图;
具体实施方式
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,以下说明和附图对于本发明是示例性的,并且不应被理解为限制本发明。以下说明描述了众多具体细节以方便对本发明理解。然而,在某些实例中,熟知的或常规的细节并未说明,以满足说明书简洁的要求。
在本申请一个典型的配置中,提取基本几何形状特征的运算终端包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
本发明中的提取基本几何形状特征的运算终端包括处理器,含单核处理器或多核处理器。处理器也可称为一个或多个微处理器、中央处理单元(CPU)等等。更具体地,处理器可为复杂的指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其他指令集的处理器,或实现指令集组合的处理器。处理器还可为一个或多个专用处理器,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、网络处理器、通信处理器、密码处理器、协处理器、嵌入式处理器、或能够处理指令的任何其他类型的逻辑部件。处理器用于执行本发明所讨论的操作和步骤的指令。
本发明中的提取基本几何形状特征的运算终端包括存储器,可包括一个或多个易失性存储设备,如随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或其他类型的存储设备。存储器可存储包括由处理器或任何其他设备执行的指令序列的信息。例如,多种操作系统、设备驱动程序、固件(例如,输入输出基本系统或BIOS)和/或应用程序的可执行代码和/或数据可被加载在存储器中并且由处理器执行。
本发明中的提取基本几何形状特征的运算终端的操作系统可为任何类型的操作系统,例如微软公司的Windows、Windows Phone,苹果公司IOS,谷歌公司的Android,以及Linux、Unix操作系统或其他实时或嵌入式操作系统诸如VxWorks等。
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,以下说明和附图对于本发明是示例性的,并且不应被理解为限制本发明。以下说明描述了众多具体细节以方便对本发明理解。然而,在某些实例中,熟知的或常规的细节并未说明,以满足说明书简洁的要求。本发明的具体判断系统及方法参见下述实施例:
第一实施例
如图1第一实施例流程示意图所示:
一种多尺度基本几何形状特征提取方法,包括以下步骤:
S100:计算几何形状的重心坐标定义为:
S200:以重心坐标为坐标原点,对几何形状的形状区域以x、y轴进行坐标轴分割,横坐标x和纵坐标y正方向之间的夹角为θ,θ介于0°和90°之间,分割为四个区域为s1、s2、s3和s4;
S300:计算分割的四个区域的面积,标记为其中是区域总面积;
S400:将横坐标x和纵坐标y逆时针旋转,再次执行步骤S300,总旋转角度满足180度,得到四个区域的面积向量为:
S500:横坐标x和纵坐标y正方向之间的夹角θ增加1度,重复步骤S400,直到分别得到四个区域的面积的多组向量为:
S600:将几何形状特征定义为A:
提取几何形状特征。
基本的几何形状是复杂形状的基本组成单元,对基本几何形状的检测是计算机视觉处理的基础,在遥感地理信息系统,人脸检测,计算机辅助设计、目标跟踪、物体定位和交通标志识别等方面有着广泛的应用。
优选地,的一种的多尺度基本几何形状特征提取方法,S100步骤包括步骤S101:几何形状的形状区域的质量为均匀的每一个点的质量设置为1,表示形状区域所有点的总质量。
优选地,的一种的多尺度基本几何形状特征提取方法,S100步骤包括步骤S102:分别表示形状区域的点相对于y,x轴的力矩。
优选地,的一种的多尺度基本几何形状特征提取方法,S200步骤包括步骤S201:四个区域中的s1区域与s2区域和s4区域为相邻关系,与s3区域为对角关系。
优选地,的一种的多尺度基本几何形状特征提取方法,S300步骤包括步骤S301:初始s1区域和s3区域的x轴与y轴的夹角θ为1度,初始s2区域和s4区域的x轴与y轴的夹角为180-θ所得的角度。
优选地,的一种的多尺度基本几何形状特征提取方法,S400步骤包括步骤S401:将横坐标x和纵坐标y每次同时逆时针旋转1度,再次执行步骤S300,执行步骤S401共180次。
优选地,的一种的多尺度基本几何形状特征提取方法,S400步骤包括步骤S402:对几何形状进行特征提取。
优选地,的一种的多尺度基本几何形状特征提取方法,S400步骤包括步骤S403:特征提取利用matlab软件提供的函数随机生成三角形、四边形和/或椭圆形。
优选地,的一种的多尺度基本几何形状特征提取方法,S400步骤包括步骤S404:对随机生成三角形、四边形和/或椭圆形进行分类。
优选地,的一种的多尺度基本几何形状特征提取方法,S400步骤包括步骤S405:对随机生成三角形、四边形和/或椭圆形的分类进行准确率分析
第二实施
本实施例是这样实现的:
第一步:计算基本几何形状的重心坐标定义为:
其中表示形状区域所有点的总质量,这里将形状区域的质量看做是均匀的每一个点的质量设置为1。分别表示形状区域的点相对于y,x轴的力矩。
第二步:以重心坐标为坐标原点,对形状区域按照下图方式进行分割,横坐标x和纵坐标y正方向之间的夹角为θ(0<θ≤90),开始时θ=1度;
如图2为本发明第二实施例对形状区域的分割示意图所示:曲线围成的区
域就是我们要分析的形状区域y,x轴把区域分为四个部分s1,s2,s3,s4
第三步:计算图中横坐标x和纵坐标y分割的四个区域面积与总面积的比值,标记为其中是区域总面积。
第四步:将横坐标x和纵坐标y逆时针旋转α度,这里我们指定α=1,再计算上述面积得到重复这个步骤直到横坐标x和纵坐标y旋转180度周后,得到面积向量定义为:
第五步:横坐标x和纵坐标y正方向之间的夹角θ增加1度,重复第三步、第四步得到几何形状特征A定义为:
几何形状特征A与图3,4和8有对应关系。取A的第15列即θ=15°时,得到的就是图3,4中的结果。图8中的两个图分别为θ=15,90°时,即A的第15列和90列的结果用主要成分分析后得到的结果。
下面通过具体实施方式的描述对本发明做进一步说明:
(1)特征提取:
图3和图4是识别前的过程,发明人写这两个特征提取的例子的主要是为了说明对于同一个物体,尽管物体本身有旋转,但是最后提取出来的特征是不变的。图3和图4只是想说明本发明的多尺度基本几何形状特征提取方法的这个特性。对提取出来的特征进行分类是识别的过程,识别的准确率如图9所示。
如图3为本发明第二实施例有旋转的甲虫形状特的特征:θ=15度时提取的特征示意图所示:θ=15度时提取的特征,横坐标表示坐标轴旋转的角度.可以看到尽管形状有旋转,提取的特征是相同的,特征提取图表如图3a、b、c中的四幅曲线图,其中四幅曲线分别是指s1 15、s2 15、s3 15、s4 15。
如图4为本发明第二实施例有旋转的小鸟形状特的特征:θ=15度时提取的特征示意图所示:当θ=15度时提取的特征,横坐标表示坐标轴旋转的角度。可以看到虽然有旋转,但是对于同一个形状,特征是稳定的,特征提取图表如图4a、b、c中的四幅曲线图,其中四幅曲线分别是指s1 15、s2 15、s3 15、s4 15。
(2)对基本几何形状进行分类:
利用matlab软件提供的函数随机生成200个三角形,200个椭圆和200个四边形。
MATLAB(矩阵实验室)是MATrix LABoratory的缩写,是一款由美国TheMathWorks公司出品的商业数学软件。MATLAB是一种用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境。除了矩阵运算、绘制函数/数据图像等常用功能外,MATLAB还可以用来创建用户界面及与调用其它语言(包括C,C++和FORTRAN)编写的程序。
其中,随机生成三角形的代码如下:
随机选择100个作为训练样本,剩余的100个作为测试样本,利用支持向量机分类:
如图5为本发明第二实施例随机生成的三角形样本示意图所示,生成的随机三角形不止图中所述的10种情形;
如图6为本发明第二实施例随机生成的椭圆形样本示意图所示,生成的随机椭圆形不止图中所述的10种情形;
如图7为本发明第二实施例随机生成的四边形样本示意图所示,生成的随机四边形不止图中所述的10种情形;
(3)查看特征分离结果类:
如图8为本发明第二实施例随机生成的几何图像在不同θ角度下分离特征对比示意图所示;随机生成的三角形,椭圆和四边形特征降维后的结果其中θ=90,15,随着角度θ的减小,特征分离度越好,提取的特征具有更强的差异性。
两个图对应不同的角度θ,很明显右图的三种特征分的更开,左图中的椭圆和四边形特征都混在一起了。说明此时的特征更具有区分性。
(4)对分离结果进行评估类:
如图9为本发明第二实施例分类准确率示意图所示:θ=90度时,根据前面所述的方法计算特征,利用支持向量机随机选择100个三角形、四边形和椭圆进行训练。剩余的样本作为测试样本,实验重复10次的到平均准确率。
θ=85,80,75,70,65,60,55,50,45,40,35,30,25,20,15度时重复上述步骤。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种多尺度基本几何形状特征提取方法,其特征在于,包括以下步骤:
S100:计算几何形状的重心坐标定义为:
S200:以重心坐标为坐标原点,对所述几何形状的形状区域以x、y轴进行坐标轴分割,横坐标x和纵坐标y正方向之间的夹角为θ,所述θ介于0°和90°之间,分割为四个区域为s1、s2、s3和s4;
S300:计算所述分割的四个区域的面积与总面积的比值,标记为其中是区域总面积;
S400:将横坐标x、纵坐标y逆时针旋转,再次执行步骤S300,总旋转角度满足180度,得到四个区域的面积向量为:
S500:横坐标x和纵坐标y正方向之间的夹角θ增加1度,重复步骤S400,直到分别得到所述四个区域的面积的多组向量为:
S600:将所述几何形状特征定义为A:
提取所述几何形状特征。
2.如权利要求1所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S100步骤包括步骤S101:所述几何形状的形状区域的质量为均匀的每一个点的质量设置为1,表示形状区域所有点的总质量。
3.如权利要求1所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S100步骤包括步骤S102:分别表示形状区域的点相对于y,x轴的力矩。
4.如权利要求1所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S200步骤包括步骤S201:所述四个区域中的s1区域与s2区域和s4区域为相邻关系,与s3区域为对角关系。
5.如权利要求4所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S300步骤包括步骤S301:初始所述s1区域和s3区域的所述x轴与y轴的所述夹角θ为1度,初始所述s2区域和s4区域的所述x轴与y轴的夹角为180减去θ所得的角度。
6.如权利要求1所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S400步骤包括步骤S401:将横坐标x和纵坐标y每次同时逆时针旋转1度,再次执行步骤S300,执行所述步骤S401共180次。
7.如权利要求1所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S400步骤包括步骤S402:对所述几何形状进行特征提取。
8.如权利要求7所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S400步骤包括步骤S403:所述特征提取利用matlab软件提供的函数随机生成三角形、四边形和/或椭圆形。
9.如权利要求8所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S400步骤包括步骤S404:对所述随机生成三角形、四边形和/或椭圆形进行分类。
10.如权利要求1所述的一种多尺度基本几何形状特征提取方法,其特征在于,所述S400步骤包括步骤S405:对随机生成三角形、四边形和/或椭圆形的分类进行准确率分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610355064.2A CN106447711B (zh) | 2016-05-26 | 2016-05-26 | 一种多尺度基本几何形状特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610355064.2A CN106447711B (zh) | 2016-05-26 | 2016-05-26 | 一种多尺度基本几何形状特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106447711A CN106447711A (zh) | 2017-02-22 |
CN106447711B true CN106447711B (zh) | 2019-01-22 |
Family
ID=58183229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610355064.2A Expired - Fee Related CN106447711B (zh) | 2016-05-26 | 2016-05-26 | 一种多尺度基本几何形状特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447711B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447711B (zh) * | 2016-05-26 | 2019-01-22 | 武汉轻工大学 | 一种多尺度基本几何形状特征提取方法 |
CN108665481B (zh) * | 2018-03-27 | 2022-05-31 | 西安电子科技大学 | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890824A (zh) * | 2011-07-19 | 2013-01-23 | 株式会社东芝 | 运动对象轮廓跟踪方法和装置、心肌运动解析方法和装置 |
CN103471973A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种图像法测定织物孔隙特征的方法 |
CN103593844A (zh) * | 2013-10-29 | 2014-02-19 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
CN106447711A (zh) * | 2016-05-26 | 2017-02-22 | 武汉轻工大学 | 一种多尺度基本几何形状特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7236623B2 (en) * | 2000-04-24 | 2007-06-26 | International Remote Imaging Systems, Inc. | Analyte recognition for urinalysis diagnostic system |
-
2016
- 2016-05-26 CN CN201610355064.2A patent/CN106447711B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890824A (zh) * | 2011-07-19 | 2013-01-23 | 株式会社东芝 | 运动对象轮廓跟踪方法和装置、心肌运动解析方法和装置 |
CN103471973A (zh) * | 2013-09-05 | 2013-12-25 | 东华大学 | 一种图像法测定织物孔隙特征的方法 |
CN103593844A (zh) * | 2013-10-29 | 2014-02-19 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
CN106447711A (zh) * | 2016-05-26 | 2017-02-22 | 武汉轻工大学 | 一种多尺度基本几何形状特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106447711A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038474B (zh) | 人脸检测方法、卷积神经网络参数的训练方法、装置及介质 | |
US20220277572A1 (en) | Artificial intelligence-based image processing method, apparatus, device, and storage medium | |
CN106778453B (zh) | 人脸图像中检测眼镜佩戴的方法及装置 | |
Xiao et al. | Combined blur, translation, scale and rotation invariant image recognition by Radon and pseudo-Fourier–Mellin transforms | |
WO2014123619A1 (en) | System and method for identifying similarities in different images | |
CN111666924B (zh) | 一种平面几何自动解题方法及系统 | |
KR20220125712A (ko) | 이미지 처리 방법, 텍스트 인식 방법 및 장치 | |
CN111459269A (zh) | 一种增强现实显示方法、系统及计算机可读存储介质 | |
CN106447711B (zh) | 一种多尺度基本几何形状特征提取方法 | |
CN113723328A (zh) | 一种图表文档面板分析理解方法 | |
Thakur et al. | VHDL design for image segmentation using Gabor filter for disease detection | |
EP3711027B1 (en) | System and method for drawing beautification | |
CN111369524A (zh) | 结节识别模型训练方法、结节识别方法及装置 | |
CN106709490B (zh) | 一种字符识别方法和装置 | |
CN115578392B (zh) | 线条检测方法、装置及存储介质 | |
Salleh et al. | Combining mahalanobis and jaccard distance to overcome similarity measurement constriction on geometrical shapes | |
WO2019109410A1 (zh) | 用于分割 mri 图像中异常信号区的全卷积网络模型训练方法 | |
CN110532971A (zh) | 图像处理及装置、训练方法以及计算机可读存储介质 | |
JP5712859B2 (ja) | 画像認識装置および画像認識方法 | |
CN113902890A (zh) | 用于视觉概念检测的自监督数据增强方法、系统、设备 | |
Zeng et al. | Text Image with Complex Background Filtering Method Based on Harris Corner-point Detection. | |
Qi et al. | An energy efficient OpenCL implementation of a fingerprint verification system on heterogeneous mobile device | |
CN109726741B (zh) | 一种多目标物体的检测方法及装置 | |
Ondrašovič et al. | Homography ranking based on multiple groups of point correspondences | |
WO2023123291A1 (zh) | 时间序列信号识别方法、装置与计算机可读存储介质 |
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: 20190122 Termination date: 20200526 |