CN106663190A - 基于纹理的负载的识别或确定 - Google Patents

基于纹理的负载的识别或确定 Download PDF

Info

Publication number
CN106663190A
CN106663190A CN201580032216.9A CN201580032216A CN106663190A CN 106663190 A CN106663190 A CN 106663190A CN 201580032216 A CN201580032216 A CN 201580032216A CN 106663190 A CN106663190 A CN 106663190A
Authority
CN
China
Prior art keywords
image block
image
checking
item
classification
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
Application number
CN201580032216.9A
Other languages
English (en)
Other versions
CN106663190B (zh
Inventor
N·加迪
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.)
Germany Smith Hayman Simplified Joint-Stock Co
Smiths Heimann SAS
Original Assignee
Germany Smith Hayman Simplified Joint-Stock Co
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 Germany Smith Hayman Simplified Joint-Stock Co filed Critical Germany Smith Hayman Simplified Joint-Stock Co
Publication of CN106663190A publication Critical patent/CN106663190A/zh
Application granted granted Critical
Publication of CN106663190B publication Critical patent/CN106663190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/44—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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/10—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the material being confined in a container, e.g. in a luggage X-ray scanners
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Toxicology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

在一种实施方式中，本公开涉及用于检验集装箱(100)中的负载(101)的方法，该方法包括：分类(S2)数字化检验图像(10)的一个或多图像块(11)，数字化检验图像(10)由检验系统(1)生成，检验系统(1)被配置成通过从检验辐射源(31)通过集装箱(100)至检验辐射检测器(32)的检验辐射(3)的传输来检验集装箱(100)，其中所述分类(S2)包括：提取图像块(11)的一个或多个纹理描述符(V，P)，以及通过将图像块(11)的所提取的一个或多个纹理描述符(V，P)与对应于参考物品(201)的各自的一个或多个类(202)的各自的一个或多个参考纹理描述符(Vr，Wr，Pr)进行比较来分类(S22)图像块(11)，参考物品(201)的每个类的一个或多个参考纹理描述符(Vr，Wr，Pr)从一个或多个参考物品(201)的一个或多个参考图像(20)中提取。

Description

基于纹理的负载的识别或确定
技术领域
本公开涉及通过辐射的传输进行检验的方法和系统，并且尤其涉及用于集装箱中负载的识别和/或确定的检验。
背景技术
已知的检验方法和系统使用穿过集装箱的辐射的传输来确定其负载的性质。有时难以确定负载的性质，因为一些不同的物品和/或不同的成分在由已知的检验方法和系统生成的检验图像上看起来是类似的。
附图说明
现在将结合附图通过仅示例的方式来描述本公开的实施方式，其中：
图1是示出根据本公开的示例分析仪的示意图，根据本公开该分析仪被配置成连接至检验系统；
图2是示出根据本公开处于检验模式的移动检验系统的示例的后视图；
图3是示出根据本公开处于检验模式的静态检验系统的示例的后视图；
图4是示出根据本公开的示例方法的流程图；
图5示出根据本公开的包括香烟图像块(patch)示例的示例检验图像；
图6是示出根据本公开的示例方法的细节的流程图；
图7示出根据本公开的包括香烟图像块示例的检验图像区段(zone)的示例；
图8示出根据本公开的参考香烟图像块的示例；
图9示意性地示出使用正交镜像滤波器QMF的纹理特征提取器的示例；
图10A示意性地示出使用采用正交镜像滤波器QMF的纹理特征提取器将图像分解成三个分解尺度的示例；
图10B示出使用采用正交镜像滤波器QMF的纹理特征提取器将图像分解成两个分解尺度的示例；
图11A示意性地示出包括多个纹理描述符Vr的称为“香烟”数据库或类1的参考类的示例；
图11B示意性地示出包括多个纹理描述符Wr的称为“非香烟”数据库或类2的参考类的示例；
图11C示意性地示出包括多个纹理特征的纹理描述符V的示例，其中纹理描述符V描述待分类的图像块；
图12A示意性地示出多个图像块上扩散的影响的示例(左手侧)，以及该多个图像块的各自的专用纹理描述符的示例(右手侧)；
图12B示意性地示出多个图像块上噪声的影响的示例(左手侧)，以及该多个图像块的各自的专用纹理描述符的示例(右手侧)；
图13A示意性地示出使用支持向量机(SVM)技术的分类器的示例；
图13B示意性地示出使用支持向量机(SVM)技术的分类器的另一示例；
图14示意性地示出使用k最近邻(k-NN)技术的分类器的示例；
图15A示意性地示出将利用其各自的专用纹理描述符的示例进行分类的图像块的示例；
图15B示意性地示出滤波器群组的示例和对应的决定阈值；
图15C示意性地示出具有其对应置信度值的图15A的图像块对图15B的群组的响应；
图16A和16B示意性地示出显示误报的均衡化图像的示例；及
图17A示意性地示出显示检验图像的每个图像块中的概率的图像；
图17B示意性地示出示例生成的二值图像；以及
图18示意性地示出向用户显示的最终图像。
在附图中，相同的附图标记用于指示相同的元件。
具体实施方式
概述
本公开的实施方式设计用于通过从负载的数字化检验图像的图像块中提取一个或多个纹理描述符以及通过使用所提取的一个或多个纹理描述符将对应的图像块分类成物品的参考类来检验集装箱中的负载的方法。所述分类可以包含将所提取的一个或多个纹理描述符与对应于所述参考类的一个或多个参考纹理描述符进行比较。所述分类可以使得能够进行例如负载的检测和/或识别，或者可以使得能够进行负载的至少一部分的成分的识别。纹理描述符的提取可以使得能够进行检测和/或识别，其中无需使用图像的至少感兴趣区段的纹理，仅分析而不允许在检验图像上不同物品或成分之间进行区分。所述检测和/或识别在将被检测和/或识别的负载和/或成分包括高价值和/或违禁物品和/或成分的情形下是特别有益的，违禁物品和/或成分诸如香烟、银行券、毒品(诸如大麻或可卡因)、药物、药丸、豆类(诸如咖啡)等等。
本公开的实施方式使用纹理描述符、纹理提取器和/或纹理分类器，以可以允许负载和/或其成分的检测和/或识别，即使在参考类别(例如，1000的数量级)中具有相当小数量的参考纹理描述符。可替代地或此外，本公开的实施方式可以使得能够进行负载和/或其成分的检测和/或识别，即使检验图像中具有相对高的噪声量和/或扩散和/或具有相对低分辨率。可替代地或此外，本公开的实施方式可以使得能够在相对短的时间段内(即，在秒数量级内)进行识别和/或检测。
本公开的实施方式使用分类检验图像的一个或多个区段，以及因此即使在至少一部分负载与阻塞检验辐射传输的屏幕重叠的情况下亦可实现识别和/或检测。
示例实施方式的详细描述
如图7所示，图像10中的纹理是具有相同宏观视觉特性的基本元素14的准周期重复或随机重复。基本元素14有时被称为‘纹元(texel)’(‘纹理元素’的简短版)。物品的图像10中的纹理是可以被用于识别该物品和/或其成分的参数中的一者。作为非限制性示例，香烟图像中的纹理可以被识别，因为：
香烟放置在包装中，该包装包含特定的、常规数量的香烟(通常一个包装中包含20根香烟)，
所述包装位于纸盒中，该纸盒包含特定的、常规数量的包装(通常一个纸盒包含10个包装)，
所述纸盒位于箱子中，该箱子包含特定的、常规数量的纸盒(例如一个箱子包含10个纸盒)，以及
所述箱子位于托板中，该托板包含特定的、常规数量的箱子以获得特定体积(例如，在欧洲大约1m3，在美国大约1.25m3)。图像10的纹理可以通过包括纹理特征的至少一个纹理描述符来描述。如以下进一步的详细描述，纹理描述符可以从图像10的像素12的值提取和/或从对应于图像10的结构的图像10的像素12之间的空间相互关系提取。
图1示出配置成对集装箱100中负载101的一个或多个数字化检验图像10的一个或多个图像块11进行分类的分析仪5。
图像10中的每一者可以由检验系统1生成。
如将在以下更加详细的描述中所明显的，分析仪5可以被配置成从系统1接收一个或多个图像10，例如，通过可以是有线或无线的通信网络6。分析仪5通常包括至少处理器和存储器，以便执行根据本公开的示例方法。
如以下关于图2和3进一步详细描述所解释的，检验系统1被配置成通过从检验辐射源31穿过集装箱100达到检验辐射检测器32的检验辐射3的传输来检验集装箱100。
图2和3示出集装箱100可以是诸如卡车、厢型车或汽车的车辆行李箱和/或挂车，和/或可以是船运集装箱。应该理解的是，集装箱100可以是任何类型的集装箱，并且因此在一些实施方式中可以是手提箱。辐射源31被配置成促使穿过集装箱100的壁的材料(通常为钢材)对负载101的检验，例如用于高价值和/或违禁物品和/或成分的检测和/或识别，违禁物品和/或组分诸如香烟、银行券、毒品(诸如大麻或可卡因)、药物、药丸、豆类(诸如咖啡)等等。
系统1被配置成在检验模式中促使集装箱100的检验，以整体地(即，整个集装箱100被检验)或部分地(即，仅集装箱的选择部分被检验，例如，通常，当检验车辆时，车辆的驾驶室可以不检验，而车辆的后部被检验)。
在图2所示的示例中，检验系统1可以是移动的并且可以从一个位置运输到另一位置(系统1可以包括机动车辆)，并且在图3所示的示例中，检验系统1可以相对于地面是静止的并且不可移位。
检验系统1的类型可以通过能量和/或检验辐射3的剂量来表征。
在附图所示的示例中，检验辐射源31包括X射线发生器。X射线的能量可以包括在1MeV和15MeV之间，并且剂量可以包括在2mGy和20Gy(戈瑞(Gray))之间。在图2所示的示例中，X射线源31的功率可以是例如在500keV和9.0MeV之间，通常例如2MeV、3.5MeV、4MeV或6MeV，针对钢材穿透能力，该钢材例如在150mm至350mm之间，通常例如，200mm(7.9in)。在图2所示的示例中，剂量可以是例如在20mGy和50mGy之间。在图3所示的示例中，X射线源31的功率可以是例如在4MeV和10MeV之间，通常例如9MeV，针对钢材穿透能力，该钢材例如在300mm至450mm之间，通常例如410mm(16.1in)。在图3所示的示例中，剂量可以是17Gy。
在附图所示示例中，检验辐射检测器32包括，其它常规电气元件、辐射检测线321，诸如X射线检测线。检验辐射检测器32可以进一步包括其它类型的检测器，诸如可选的伽马检测器和/或中子检测器，例如适用于检测集装箱100内的放射性伽马和/或中子发射材料的存在，例如，同时适用于X射线检验。在图2所示的示例中，检验辐射检测器32还可以包括电子液压臂架7，其可以在运输模式中在回缩位置(附图中未示出)及在检验位置(图2)运行。臂架7可以由液压激活器(诸如液压气缸)来操作。在图3所示的示例中，检验辐射检测器32还可以包括机构和/或机架7。检测线321可以安装在臂架7(图2)上或机构和/或机架7(图3)上，面向集装箱100的另一侧上的源31。
为了检测集装箱100，在图2所示的示例中，系统1可以包括运动产生装置以使得系统1可以移位，集装箱100是静止的(该模式有时被称为‘扫描’模式)。可替代地或此外，运动产生装置可以促使集装箱100移位，而系统1相对于地面是静止的(图3)。可替代地或此外，处于‘穿过’模式的系统1不包括运动产生装置并且集装箱相对于系统1运动，系统1相对于地面静止。
在一些示例中，辐射3可以被传送穿过集装箱100(集装箱100的材料因此对于辐射是透传的)，然而辐射可以至少部分地被位于集装箱100中的负载101反射(位于集装箱100中的负载的材料和/或成分因此对于辐射3仅仅部分地透传，并且对于辐射3部分地反射，在这种情形下，检测器可以设置用于接收负载101反射的辐射)。
图4所示的示例方法可以包括在S1从检验系统1接收一个或多个数字化图像10。如图5所示，每个数字化图像10包括多个像素12。至少代表检验辐射3穿过集装箱100的传输的值Ng与每个像素12相关联。每个像素12与一部分空间相关联并且可以与负载101的102相关联。
在S2，分析仪5对数字化检验图像10的一个或多个图像块11进行分类。图像块11的每一者是图像10的划分，例如，图像10可以被划分为连续图像块11。在一些示例中，分析仪5可以将所接收到的图像10划分成图像块11。可替代地或此外，分析仪5可以从检验系统1接收已经被划分成图像块11的图像10。图像块可以是图像块11的部分选择15，以便通过仅分类感兴趣的图像块来减小处理时间，如以下进一步详细的解释。在一些示例中，连续图像块11可以彼此交叠。两个连续图像块11之间的交叠可以具有任何程度，例如交叠可以包括在10％和90％之间。应该理解的是，10％的交叠通常减小图像10中待处理图像块11的数量，并且因此减小处理时间，其代价是可能得到不精确结果，而90％的交叠增加图像10中待处理图像块11的数量，并且因此增加了处理时间，但是给出更加精确的结果。作为有利的折衷，交叠可以等于50％。
图像块11中的每一者可以具有任何尺寸或形式。然而，如下文中将明显的，每个图像块11可以形成正方形，在图像块11的每个边上具有相同数量的像素。这在本公开的一些实施方式、需要正方形图像块的某些算法中是有利的。在示例中，图像块11的每个边上的像素数可以是64，并且然后每个图像块的尺寸可以是64×64像素。
在一些示例中，方法还可以包括对于进一步处理仅选择具有平均值Mg(Mg是图像块的像素12的值的平均值)的图像块11，使得：
T1<Mg<T2，
其中：T1是检验系统1检验的感兴趣物品的最小阈值；以及T2是检验系统1检验的感兴趣物品的最大阈值。值Ng大于T2的像素12通常对应于与图像10中背景160相关联的像素，并且值Ng小于T1的像素12通常是太暗而难以检测的区段17。图像块11的选择减小了要处理的图像块11的数量，并且因此节省了一些处理时间。例如，对于按照16比特(从1至65535)编码的值Ng，T1可以是例如等于2000，而T2可以是例如等于55000。
如以下更加详细的解释，图4中所示的方法可以包括，在S3，可选地评估对应于按照相同类别分类的多个选择的图像块11的负载101的部分103的大小，并且仅具有大小超过阈值大小的部分103的物品可以被处理。这可以降低误报警的数量。应该理解的是，所述大小可以依赖于物品。例如，其可以是，低于对应于托盘(在欧洲大约是1/2m3)的一半大小的阈值的香烟的部分103可以不处理。例如，在毒品或银行券的情况中阈值大小可以较小。
在S4，所述方法包括基于在S2执行的分类结果来触发动作。
如以下更加详细的解释，所述动作可以是：
确定对应于检验图像10的选择图像块11的负载101的部分103的成分，
显示具有针对负载101的一个或多个部分103的一个或多个确定的成分的数字化检验图像，
发出警报，和/或
向控制器4发送一个或多个所选择的图像块11。
在图6所示的示例中，在S2执行的分类可以包括，针对一个或多个图像块11，例如在如以下进一步详细解释的一个或多个图像块11的选择15中：
在S21，提取一个或多个纹理描述符V或P，例如基于进一步详细解释的位于所选择的图像块11中的像素12的值，以及
在S22通过将所选择的图像块11的一个或多个所提取的纹理描述符与对应于参考物品201的一个或多个分类202的一个或多个参考纹理描述符Vr、Wr或Pr进行比较来分类所选择的图像块11。
如已经解释的，作为非限制性的示例参考物品201可以是香烟、银行券、毒品(诸如大麻或可卡因)、药物(诸如药丸或药片)、药丸、豆类(诸如咖啡豆)等。因此可以存在用于香烟的类202、用于银行券的类202、用于大麻的类202等等。
如以下更详细解释的，参考物品201的每个类202的参考纹理描述符可以从例如通过检验系统1所检验的一个或多个参考物品201的一个或多个参考图像20提取。
在图1所示示例中，例如形成类202的参考纹理描述符Vr、Wr或Pr可以被存储在参考数据库200中。在一些示例中，数据库可以包括针对每种类型的检验系统1的各自的参考纹理描述符Vr、Wr或Pr(并且因此例如对应的类200)。
在图8所示的示例中，类香烟202的参考描述符可以从香烟的参考图像20的图像块16提取，如检验系统1所检测的。
应该理解的是，在根据本公开的方法的示例中，分析仪5可以被配置成通过通信网络7从数据库200检索参考纹理描述符Vr、Wr或Pr，由于配置成提供远程数据管理系统的通信服务器8。可替代地或此外，数据库200可以至少部分地位于分析仪5中。
在图1所示示例中，服务器8还可以通过网络7向多个地理分布的分析仪5提供至数据库200的接入。
如已经陈述的，在一些示例中，数据库200可以填入由检验系统1检验的参考物品201。
在图1所示示例中，检验系统1可以因此向控制器4发送参考图像20，控制器4可以进一步被配置成提取对应的的参考纹理描述符并且填入数据库200，例如在建立阶段。
在图1所示示例中，一个或多个检验系统1(具有相同或不同类型)还可以向控制器4发送参考物品201的参考图像20以便进一步填入数据库200。
可替代地或此外，一旦一个或多个所选择的图像块11已经按照类202被分类，分析仪5还可以向控制器4发送该一个或多个所选择的图像块11，以便进一步填入数据库200(一个或多个所选择的图像块11可以然后被认为是参考图像块)。这允许完善和/或更新数据库200。
应该理解的是，本公开可以应用于任何类型的物品和/或成分的检测和/或识别。然而，现在将描述用于检测和/或识别的非限制性示例。
首先参考类202被建立，并且它们可以被称为用于“香烟”的类1和用于“非香烟”的类2。
为了建立类1，仅包含香烟图像的参考图像20的集合可以被划分成具有64×64像素大小的图像块。图像块的大小是有益的，至少因为香烟的图像块通常在检验系统1检测线321上大约占据70个像素。纹理描述符(诸如具有纹理特征的向量作为其尺寸，如以下细节中描述的)然后可以针对每个参考香烟图像块16被提取。描述符的提取方法的示例将在下文中更详细的描述。所有这些纹理描述符(诸如向量)集合是参考类1。
类似地，仅包含非香烟物品的图像的参考图像20的集合可以被划分成具有64×64像素大小的图像块16。纹理描述符然后可以针对每个参考非香烟图像块16而被提取。所有这些描述符的集合是参考类2。
在一些实施方式中，所述方法可以包括参考类的验证步骤和/或通过交叉验证的方法的验证步骤。交叉验证可以包括使用参考图像20的其它图像块16来分类参考图像20的一个或多个图像块16的子集的步骤。
然后，当想要确定检验图像10包含香烟还是不包含香烟时，图像10被划分成与构成两个参考类202(即，64×64像素)的图像块16大小相同的图像块11。每个图像块10被视为待分类的对象。
分析仪5可以关于参考描述符提取纹理描述符。然后分类方法可以被应用以便分类图像块11。分类方法的示例将在以下被更加详细的描述。
如已经陈述的，所述方法可以包括分类一个或多个交叠的连续图像块11。两个连续图像块之间的交叠可以包括10％和90％之间，以及优选地可以等于50％。
一旦图像块11被分类，图像可以被均衡化，以及动作可以被触发。所述动作可以包括确定对应于检验图像10的所选择图像块11的负载101的部分103的成分，诸如香烟或毒品。动作还可以显示具有针对负载101的一个或多个部分103的一个或多个确定成分的数字化检验图像，如图18所示。为了使用户轻松检验，显示可以针对不同物品和/或成分使用颜色译码。警报(视觉的和/或听觉的)可以被发出，以作为物品和/或成分的识别和/或检测的响应。
每个纹理描述符可以是通用描述符和/或专用于负载101和/或参考物品201的描述符。
如以下更加详细的解释，通用描述符可以使用一个或多个提取器在以下项中提取：对滤波器群组的响应；实施共生矩阵的Haralick方法；和/或正交镜像滤波器QMF。
在一些示例中，对滤波器群组的响应可以实施例如Gabor滤波器，即，在多个尺度和方向上从Gabor函数生成的滤波器。Gabor滤波器可以允许在图像块11和/或16中提取具有不同方向的纹理、边界、线和点。
在一些示例中，每个图像块11和/或16可以由多个双向Gabor滤波器来滤波，该多个双向Gabor滤波器对应于通过高斯窗加权的具有余弦内核的卷积。双方向Gabor滤波器可以相当于使用高斯窗的局部傅里叶变换。对滤波器群组的响应因此可以使得滤波器能够对频率的带宽进行局部地滤波。
例如，使pa表示图像块11和/或16，以及使Df表示其频率域。
然后纹理描述符V可以通过pa乘g的卷积来计算，g是Gabor滤波器，由此：
利用是2D中Gabor滤波器的g(即，在频率(i，j)上)，由此：
具有：
φ＝0.5
并且θ和λ为选择的滤波器参数。
在一些示例中，两个滤波器g群组可以被使用，具有与IEEE Transactions onImage Processing(IEEE图像处理学报)的2002年卷11第10期第1160-1167页的Grigorescu等人的文章“Comparison of texture features based on Gabor filters”中陈述的参数θ和λ相同的参数θ和λ。在两个群组中的一个群组中，Gabor内核可以是对称的(φ＝0)，并且在两个群组中的第二群组中，Gabor内核可以是反对称的(φ＝-π/2)。每个群组包含频率为1/λ(具有1/λ连续等于23、31和47)和方向为θ＝kπ/8(具有k连续等于0、1、2、3、4、5、6和7)的24个Gabor滤波器。
因此在一些示例中，如上所述作为对两个群组的24个滤波器的每一者，形式为具有24维的向量V的描述符可以针对图像10或20的图像块11和/或16中的每个像素12而被提取。所获得的通用描述符V因此可以包括24个纹理特征。
从对称群组和反对称群组获得的两个向量V还可以被组合至单个纹理描述符，该单个纹理描述符可以被称为“Gabor能量”Ve(Gabor能量可以相关于人类神经元感知轮廓方向的能力和人类视觉皮层的建模)。Gabor能量Ve可以由此：
共生矩阵(“灰度共生矩阵”的简称)可以按照Haralick的方法来实施，如IEEETransactions on Systems,Man and Cybernetics(IEEE系统、人和控制学学报)1973年9月卷SMC-3第6期第610-621页R.M.Haralick等人的文章“Textural features for imageclassification”。所述矩阵可以基于图像块11和/或16中像素12的值Ng(与强度关联)的分布的统计分析。共生矩阵使用通过考虑像素12的对所获得的二阶统计，而不是使用基于单个像素12的统计。共生矩阵P(i，j/d，Θ)(其可以类似于双向直方图)阐释了以下情况的概率(或发生次数)，在具有角度Θ的方向上彼此远离一距离d、具有强度i和j的两个像素12。
通过共生矩阵所获得的通用描述符V可以包括多个纹理特征，诸如对比度、平均值和标准差等。在一些示例中，Haralick方法中使用的共生矩阵可以允许针对每个角度Θ提取例如13个纹理特征，诸如上述对比度、平均值和标准差以及：
能量f1(或二阶角矩)：
熵f2：
相关性f3：
惯性f4：以及
同质性f5：
其中p(i,j)是矩阵P的元素，
m是p(i,j)的平均数，以及
σ是p(i,j)的标准差。
以下表1示出具有值为Ng(例如包括在0和5之间)的像素12的初始图像块11和/或16的示例：
表1
0 0 0 1
1 1 1 1
2 2 2 3
3 3 4 5
表2示出针对(d，Θ)＝(1，0°)获得的共生矩阵。
表2
0 1 2 3 4 5
0 2 1 0 0 0 0
1 1 3 0 0 0 0
2 0 0 2 1 0 0
3 0 0 1 1 1 0
4 0 0 0 1 0 1
5 0 0 0 0 1 0
表3示出针对(d，Θ)＝(1，90°)获得的共生矩阵。
表3
0 1 2 3 4 5
0 0 3 0 0 0 0
1 3 1 3 1 0 0
2 0 3 0 2 1 0
3 0 1 2 0 0 1
4 0 0 1 0 0 0
5 0 0 0 1 0 0
因此，针对六个角度Θ(诸如：0°、45°、90°、135°、225°、315°)，每个纹理描述符V可以因此使具有78维(6×13＝78)的向量。
在一些示例中，描述符可以包括通过QMF获得的描述符。QMF方法可以允许空间域中和频率域中的纹理分析。可替代地或此外，QMF方法可以允许不同类型的系统1之间的结果的一致性。可替代地或此外，QMF方法可以允许对具有不连续或局部异常(例如，模糊的轮廓)的信号的更好分析。
在将QMF用作提取器的示例中，每个图像块11或16形成正方形，图像块11或16的每个边上具有相同的像素数。
QMF使用的小波变换将图像块11或16分解成较低分辨率的子图像。子图像中的每一者被称为小波系数并且可以突出关于图像块11或16中的纹理以及轮廓、位置和方向的信息。
在图9示意性示出的示例中，系数可以通过使用正交镜像滤波器来获得。包括数字低通滤波器(H0)和高通滤波器(H1)的对可以应用于之前低通输出的输出上的每个分解等级。在图像块11或16的情况中，通过QMF的小波变换的每个等级可以通过在图像块11或16的像素12的行上和列上连续地应用如上所述的低通H0和高通H1滤波器的对来计算。也就是说，在小波变换的每一等级处，递归分解具有在两个空间方向(水平，即行，和垂直，即列)中从低通滤波器H0获得的子图像，作为输入。
在数学上，QMF中使用的小波变换可以使用通过平移和缩放从单个小波(称为‘母小波’)生成初等函数集来分解信号，即通过‘母小波’的仿射变换。每个小波具有等于0的平均值，并且按照紧凑的区间来限定(与傅里叶变换相反，其使用从[-∞；+∞]限定的周期性正弦曲线函数)。
使小波族Ψs,u通过母小波Ψ来限定，由此：
其中s(s>0)是用于缩放的参数；以及
u是用于平移的参数。
小波变换将函数pa变换成系数cs,u，由此：
通用描述符因此可以包括一个或多个纹理特征。一个或多个纹理特征可以包括系数cs,u的平均值m和标准差σ。
在一些示例中，小波变换可以以金字塔结构小波变换(PSWT)或以分组小波变换(PWT)来有效地实施。在图10A和10B所示的示例中，在每个分解等级，图像块11或16可以被分解成四个频率区域LL、LH、HL和HH。PWT仅分解在低频LL的区域(region)中的信号，而PSWT分解在低频区域和高频区域中的信号。如上所述，所获得的通用描述符包括纹理特征，诸如每个频率区域的平均值m和每个频率区域的标准差σ。
初始图像块11或16可以被分解成严格高于或等于2的任何数量的分解尺度。应该理解的是，更多等级、更精确的纹理描述符花费更长的处理时间，由于获得的纹理描述符将包括更多的纹理特征(诸如平均值和标准差)。
在图10A所示的示例中，初始图像块11或16可以被分解成三个分解尺度，这是处理时间和纹理特征数量之间的良好折衷(即，20个特征，诸如LH1、HH1、HL1、LH2、HH2、HL2、LH3、HH3、HL3及LL3的平均值m和标准差σ)。图10B示出仅具有两个分解等级的初始图像块11或16的中间状态。
在图11A和图11B所示的示例中，每个图像块11或16的每个纹理描述符可以限定向量Vr或Wr，每个纹理特征的描述符Vr或Wr限定向量维度。针对三个等级的分解，可以理解的是，每个纹理描述符Vr或Wr具有20维(图11A和11B中记录的m1、σ1、m2、σ2、…)。
在图11A所示的示例中，n个纹理描述符Vr1、Vr2、…、Vr16、…、Vrn对应于各自的参考纹理描述符Vri(图11A的示例中i＝1…n)。参考纹理描述符Vri对应于香烟201参考的类202。参考香烟201的类的参考纹理描述符Vri可以从检验系统1所检验的香烟201的一个或多个参考图像20提取，，例如图8所示的。
在图11B所示的示例中，n个纹理描述符Wr1、Wr2、…、Wr16、…、Wrn对应于各自的参考纹理描述符Wri(图11B的示例中i＝1…n)。参考纹理描述符Wri对应于与不是香烟的任何物品201相对应的参考的类202。不是香烟的任何物品201的参考的类202的参考纹理描述符Wri可以从检验系统1所检验的不包含香烟的任何物品201的一个或多个参考图像20提取。
图11A和11B所示的示例示出纹理描述符Vr1、Vr2、…、Vr16、…、Vrn和Wr1、Wr2、…、Wr16、…、Wrn可以存储在数据库200中。
参考类202可以包含任何数量n的参考描述符Vri或Wri。应该理解的是，描述符越多，分类就越精确。
类202在它们之间不必须包含相同数量的描述符。
图像块11或16中的每一者可以具有任何数量的像素12，诸如32×32像素或128×128像素。应该理解的是，像素12越多，所获得的描述符越精确，因为即使在区域LH3、HH3、HL3和LL3中，为了计算平均值m和标准差σ，描述符可以较长的处理时间为代价在每个区域中包括更多像素12。在图10A和10B所示的示例中，初始图像块具有64×64的像素，其是处理时间和LH3、HH3、HL3和LL3区域中像素的数量之间的良好折衷(即，图10A的LH3、HH3、HL3和LL3中的8×8像素)，以计算相应区域中的平均值m和标准差σ。
在一些实施方式中，专用于负载101和/或参考物品201(作为非限制示例，诸如香烟)的纹理描述符可以被创建。
在一些示例中，专用描述符可以包括一个或多个描述符，诸如：
图像块11和/或16的平均灰度，
图像块11中垂直梯度的强度(也称为‘扩散’)，
对应于图像块11或16的像素12的值Ng在轴上的投影的轮廓P，和/或
多个纹理描述符的聚集。
作为非限制示例，上述专用描述符可以有利于描述对应于香烟的图像块11或16，如下所解释的。
如图12A所示示例中示出的(左手侧)，在图像块11或16的垂直条上，灰度或者是相同的或者是递减的。这是因为，如图3所示示例所见，辐射3通常在集装箱100的顶部穿过较少材料，这在图像块11或16上示出。图12A的右手侧示出创建的专用描述符Pr(诸如对应于所选择的图像块11的像素12的值Ng在轴(诸如水平轴)上的投影的轮廓P)可以对于扩散具有韧性。
此外，如图12B所示的示例中示出的(在左手侧)，图像块11/16可能受到噪声影响。图12B的右手侧示出创建的描述符P(诸如对应于图像块11或16的像素12的值Ng在轴(诸如水平轴)上的投影的轮廓P)可以对于噪声具有韧性。
聚集可以有利于与专用纹理描述符(诸如上述轮廓P)一起使用。
发现聚集C的目的可以在于提取轮廓，其是参考物品201的最大特性(诸如作为非限制示例的香烟)，并且因此目的可以在于获得参考物品201的模式M。
在一些示例，聚集可以使用K均值(K-means)。如图12A和12B所示，轮廓P是固有周期性的，并且它们之间仅相位不同。因此，模式相关性的测量c对于模式的平移是不变的，其可以使用：
其中P1和P2是两个图像块的轮廓，例如两个图像块16。在最大化相关性c的平移之后，聚类C的中心然后可以定义为相应轮廓P的平均值。通过聚集提取的模式M的想法通过图15B来阐释。
聚集的益处可以包括：
可以减小噪声；
可以避免过度学习、概括；以及
所获得的模式M可以用作滤波器f群组。可以理解的是，与通用滤波器相比，专用于特定形状的识别的滤波器示出更好的可分离性(诸如Gabor，MR8)。
在图6所示的示例中，图像块S22的分类可以包括使用以下分类器中任何一者：
支持向量机SVM，
k最近邻k-NN，和/或
贝叶斯推理。
在图13A和13B所示的示例中，S22可以包括使用SVM分类的分类器，例如如MachineLearning(机器学报)1995年第20卷第3期第273-297页V.Vapnick等人的文章“Support-Vector Networks”所述的，和/或如MIT出版社2002年B.Scoelkopf等人的文章“Learningwith Kernels”中所述的。SVM的目的可以在于预知纹理描述符(诸如向量)所属于的类。SVM可以使用：
首先，学习步骤，在该学习步骤过程中，类202的模型可以从学习向量确定(即，示例描述符集，即，所提取的参考描述符Vri和/或Wri)，以及
其次，分类步骤。
在学习步骤期间，SVM的目的可以在于基于学习向量来发现类202之间的最优的分离器SP(诸如超平面)(诸如香烟的类202和非香烟的类202之间的分离SP)。SVM的目的可以在于发现最优的SP，尽管超平面SP和最近示例之间的距离(也称为边缘)保持在最大值。最大边缘超平面SP的搜索对应于优化问题，其中支持向量(即，在图13A和13B的示例中，至超平面SP最近的学习向量)被选择，如以下所解释的。
作为非限制示例，SVM可以被用于二值分类，诸如香烟/非香烟，如以下所解释的。
使D为向量的训练集，由此：
D＝{(Vi,yi)}
其中，Vi是从S21生成的纹理特征的空间Rn中图像块16的描述符(向量)；以及
yi∈{1,-1}是Vi的参考类202，即，(1)用于香烟，以及(-1)用于非香烟。
SVM过程可以开始于通过非线性应用Φ在希尔伯特(Hilbert)空间F中注入Vi，F具有高维度，由此：
Φ：Rn→F
首先，使我们认为数据在F中是线性可分离的。因此这存在向量ω
ω∈F，
以及标量b
b∈R
由此：
yi·(<ω,Φ(Vi)>+b)≥1
因此，SVM可以建立通过等式定义的分离器超平面：
<ω,Φ(Vi)>+b
并且其最大化误差范围，如图13B所示。
其可以示出定义最优超平面SP的向量w通过下式定义：
针对αi≠0的情况向量Vi被称为支持向量。
F中的标量积可以通过Rn中的内核函数K代替，使得：
K(Vi,Vj)＝<Φ(Vi),Φ(Vj)>
因而在图13A和13B所示的示例中，图13B中所示的分离器SP比图13A中所示的分离器SP更好。
然而，数据在S21中生成的任何特征空间中可以不是线性可分离的，以及在一些示例中可以使用高斯内核或多项式内核。
SVM可以使用如C.C.Chang和C.J.Lin在libsvm库中陈述的函数，其是在线可用的：
http://www.csie.ntu.edu.tw/～cjlin/libsvm/.
在一些示例中，高斯内核可以使得：
其中τ可以通过k折交叉验证来获得。
在一些其它示例中，多项式内涵函数可以是：
(γ·u'·v+Co)n
其中(γ，v)是选择的参数；
Co是选择的系数，通常为0；以及
n是多项式内核函数的次数，通常为3。
参数(γ，v)的确定可以通过交叉验证来执行。交叉验证可以包括将可用数据划分成多个子集(例如，5)，以及将剩余数据用作学习集来评估每个子集上的SVM。所述评估可以通过改变(γ，v)来多次执行，然后保持最佳对(γ，v)。
一旦分类器(诸如分离器SP)被确定以分类图像块11的纹理描述符(向量)，则在超平面SP的搜索中使用的学习向量不再是有用的，仅仅所发现的支持向量被使用。SVM方法因此可以在复杂性和处理时间方面是有效的。
在一些示例中，分类器可以使用k-NN，其目的可以在于将由向量V表示的图像块11的纹理分配至在其邻近中最具代表性的类202Vri，如图14中所示。K-NN方法可以通过以下形式上被定义：
V∈Vri
如果则Si(x)＞Sj(x)
其中Si(x)是在其k个最近邻之中属于类Vri的V的邻居的数量。
k-NN方法因此可以针对将被分类的向量V选择k个最近学习向量Vri或Wri。k-NN分类技术因此可以是基于距离的分类方法。k-NN分类器可以使用任何类型的距离，诸如L1距离(曼哈顿)，
L2距离(欧几里得)
和/或L3距离(闵可夫斯基)
其中p＝3。
应该理解的是，其它p值可以被使用。
图像块11然后将被分类在大多数k最近邻的类202中。k的选择可以依赖于图像，因为大值k可以减小噪声，但是也可以使得决定边界不太显著。k是奇数。最优的k可以通过交叉验证来估计，以及优选地k可以等于5。
在图11A、11B和11C所示的示例中，因此可以确定图11C的将被分类的图像块11的向量V在其5个最近邻(例如使用L3)中是否具有：
在类1(香烟)中的更多邻居，在这种情况下，图像块11被分类为香烟，或者
在类2(非香烟)中的更多邻居，在这种情况下，图像块11被分类为非香烟。
在一些示例中，分类器可以使用贝叶斯推理。在图15A、15B和15C所示的示例中，针对每一个待分类的图像块11，与滤波器群组的每一个模式M的相关性被确定，并且最佳响应Br被选择。如果所选择的最佳相应Br超过阈值T，则其将被分类在相应类202中，例如分类为香烟，即类1。如果所选择的最佳响应Br未超过阈值T，则其将被分类为非香烟，即，类2。
使用贝叶斯推理的分类器可以是基于使用边缘的分类器的原理的，如图15C所示。也就是说，所选择的最佳响应Br至阈值T的距离确定分类的置信度Vc的值，即，所选择的最佳响应距离阈值T越远，分类器就越少确信其决定。
在一些示例中，阈值T通过贝叶斯推理针对每个模式M被确定，如以下所解释的。
使Mi为第i个模式，并且pai k是学习集的所有图像块16中的第k个图像块，其中Mi已经获得针对该第k个图像块的最佳响应Bri k。
决定阈值Ti是最小化错误分类率的阈值。
或者
其中G1和G2分别对应于香烟和非香烟的所有图像块16。
图15A示出待分类的图像块11和其轮廓P。如已经陈述的，图15B示出所获得的滤波器f群组、如通过聚集所提取的模式Mi以及决定阈值Ti的示例。图15C示出图像块11的分类和置信度VC的值确定。
如在S21和S22中执行的图像块11的分类本地的被执行，也就是说任何选择的图像块11仅使用其自己的纹理描述符而被分类。也就是说，在分类S22的末端，可能存在错误地检测为香烟的隔离的图像块11(有时被称为“误报”18，如图16A和16B的示例中所阐释的)，但是也有图像块“香烟”不被认为在香烟的大区段中。
在图6所示的示例中，分类因此可以进一步包括在S23使用均匀化算法来分类图像块11的一个或多个区段13，每个区段13包括多个选择的图像块11。均匀化可以考虑图像块11的区段13以确定它们的分类。
在一些示例中，均匀化算法可以是以下项中的至少一者：
二值形态学闭运算，
分割，和/或
正则化。
在二值形态学闭运算中，连接至分类的图像块(例如香烟图像块)并且小于特定大小的元素可以在被分类相同连接的类中。
在分割过程中，图像首先被分隔为区段13，并且每个区段13基于比率ra被分类，由此在区段13中ra＝(图像块“香烟”的数量/图像块“非香烟”的数量)。
正则化类型的过程可以是基于假设图像块“香烟”环绕的图像块11很有可能也是图像块“香烟”。
在一些示例中，正则化可以是基于以下项中的至少一者：
马尔科夫场，和/或
吉布斯场。
在一些示例中，包含分类的图像块11的图16A和16B的图像10可以修改为中间修改的图像，使得中间修改的图像可以示出置信度的值(诸如在k-NN情况中距最近邻的距离，或者在SVM情况中距超平面SP的距离)，以指示分类器关于其分类的确切程度。在一些示例中，置信度的值可以是图像块11是例如香烟或非香烟的概率。
一旦初始图像10在概率空间中已经在中间修改图像中被修改，马尔科夫场可以被应用以测量全部最终结果图像104的概率，如图17A所示，例如，通过使用每个图像块11的本地概率、通过仅使用每个图像块的邻域的信息。
使
X是马尔科夫场，
I是图17A中所示的最终结果图像104，
DI是I的域，
pa是中间修改的图像的图像块11，以及
N(pa)是图像块pa的邻域。
I的概率因此将是：
这示出“香烟”图像块是在“非香烟”图像块的中间是不可能的，反之亦然。
如图17A的示例所示的，最终结果图像104可以是最可能的图像104。
可替代地或此外，图像10和/或104可以使用吉布斯场来处理。
可替代地或此外，一旦初始图像10在概率空间中已经在中间修改的图像中被修改，吉布斯场可以被应用以测量全部最终结果图像104的概率，如图17A所示的。在一些示例中，与马尔科夫场相比，吉布斯场可以具有较小的计算成本。正则化类型的过程可以最小化能量函数。吉布斯的能量函数U可以由此是：
U(x)＝∑Ulocal(x)
最小化图像的可能性可以相当于最小化全局能量U。可以存在若干种方法来最小化全局能量。
在一些示例中，最小化全局能量可以使用伊辛模型来执行。
使
B:E→{1,-1}
二值图像B生成自分类，如图17B中所示，以及
I:E→[0...1]
图像I(图17A中称为图像104)的概率指示图像块11(称为“pa”)的分类中的置信度。将4连通认为邻域，仅存在一阶电势(即，图像块11“pa”本身)和二阶电势(即，图像块11“pa”和其邻居N(pa))。电势U如下被定义：
如果xpa＝Bpa，则Upa(xpa)＝0
否则Upa(xpa)＝-log(1-P(pa))
如果xpa≠xN(pa)，则U(pa,N(pa))(xpa,xpa)＝+1
如果xpa＝xN(pa)，则U(pa,N(pa))(xpa,xpa)＝-1
以及用于最小化的全局能量为
其中，α是数据附着参数；
β是相邻图像块之间的耦合参数；以及
δ是外部磁场。
当β为正时，最合理的配置(即，具有最低能量)是使得邻近图像块具有相同类202的配置。β的绝对值确定模型正则化的强度。
α示出结果图像105在正则化之前不应该在根本上与图像104不同。因此，仅在分类器是最不确定的其分类的情况下，α可以被用于反转图像块11的类。
δ能促进先验、类或另一者，无论优选扩展区段13“香烟”还是“非香烟”区段13。
在一些示例中，最小化全局能量可以使用能量函数来执行。
在一些示例中，模拟的“退火”可以被使用，例如针对吉布斯场。
在一些示例中，吉布斯分布可以被引入有温度TO，由此：
算法可以借助采样器(诸如Metropolis的采样器)来建立图像序列，其可以朝着分布PTO收敛。随后降低算法中温度TO可以确保采样器生成的最后的图像可以是全局最小值的图像。
可替代地或此外，其它算法(诸如迭代条件的方式)也可以在正则化期间使用。
动作可以使用结果图像105来触发。正则化可以使得能够在图18中所示的最终图像中取消假阳性和/或假阴性18。
即使当至少部分负载与阻塞检验辐射的传输的屏幕重叠，正则化也可以实现物品和/或成分的识别和/或检测。
变型和修改
在本公开的上下文中系统和分析仪的其它变型和修改对于本领域技术人员来说是显而易见的，并且上述各种特征可以在具有或不具有上述其它特征的情况下具有优势。
例如，分析仪5可以至少部分地形成检验系统1的一部分。
应该理解的是，检验辐射源可以包括其它辐射源，诸如伽马射线或中子。检验辐射源还可以包括不适于由电源激活的源，诸如放射性源，例如使用Co60或Cs137。
作为一种可能性，这里提供包括计算机程序指令的计算机程序、计算机程序产品或计算机可读媒介，以促使可编程计算机执行于此描述的方法中的任何一者或多者。在示例实施方式中，于此与分析仪5和/或通信网络6和/或7相关的活动的至少一些部分可以以软件来实施。应该理解的是，如果是期望的，本公开的软件组件可以以ROM(只读存储器)形式来实施。通常，如果是期望的，软件组件可以使用常规技术以硬件来实施。在一些示例中，分析仪5和/或通信网络6和/或7的组件可以使用专用应用和硬件。
如对于本领域技术人员显而易见的，服务器8不应该被理解为单个实体，而应该指的是至少包括处理器和存储器的物理设备和/或虚拟设备，存储器可以包括在一个或多个服务器中，该一个或多个服务器可以位于单个位置或者可以彼此远离以形成分布式网络(诸如“服务器群组”，例如，使用有线技术或无线技术)。
在一些示例中，一个或多个存储器元件(例如，数据库200和/或处理器的存储器)可以存储用于于此描述的操作的数据。其包括能够存储软件、逻辑、代码或处理器指令的存储器元件，实行软件、逻辑、代码或处理器指令以执行本公开描述的活动。
处理器可以实行与数据相关联的任何类型的指令以实现本公开于此详细描述的操作。在一个示例中，处理器可以将元件或条款(例如，数据)从一个状态或情况转换成另一状态或情况。在另一示例中，于此概述的活动可以利用固定逻辑或可编程逻辑来实施(例如，处理器实行的软件/计算机指令)并且于此识别的元件可以是一些类型的可编程处理器、可编程数字逻辑(例如，现场可编程门阵列(FPGA)，可擦可编程只读存储器(EPROM)，电可擦除可编程只读存储器(EEPROM))、包括数字逻辑的ASIC、软件、代码、电子指令、闪存、光盘、CD-ROM、DVD ROM、磁卡或光卡、适于存储电子指令的其它类型的机器可读媒介、或者它们的任何合适组合。
通信网络6和通信网络7可以仅形成一个网络。
分析仪5接收的数据通常可以通过可能的通信网络6和/或7的范围被接收，至少诸如：基于卫星的通信网络；基于缆线的通信网络；基于电话的通信网络；基于移动电话的通信网络；互联网协议(IP)通信网络；和/或基于计算机的通信网络。
在一些示例中，通信网络6和/或7和/或分析仪5可以包括一个或多个网络。网络可以以任何形式供给，包括但不限于局域网(LAN)、无线局域网(WLAN)、虚拟局域网(VLAN)、城域网(MAN)、广域网(WAN)、虚拟专用网(VPN)、因特网、外联网、任何其它合适的架构或系统、或促进网络中通信的它们的任何组合。
上述实施方式应该被理解为说明性示例，并且进一步的实施方式被设想。应该理解的是，关于任何一个实施方式而描述的任何特征可以被单独使用、或者与描述的其它特征结合使用，并且还可以与任何其它实施方式的一个或多个特征结合使用、或者任何其它实施方式的任何组合的一个或多个特征结合使用。此外，以上未描述的等同物和修改也可以在不背离本发明范围的情况下被采用，本发明的范围由所附权利要求来限定。

Claims (60)

1.一种用于检验集装箱(100)中负载(101)的方法，该方法包括：
分类(S2)数字化检验图像(10)的一个或多个图像块(11)，所述数字化检验图像(10)由检验系统(1)生成，该检验系统(1)被配置成通过从检验辐射源(31)穿过所述集装箱(100)至检验辐射检测器(32)的检验辐射(3)的传输来检验所述集装箱(100)，
其中所述分类(S2)包括：
提取(S21)图像块(11)的一个或多个纹理描述符(V，P)，以及
通过将所述图像块(11)的所提取的一个或多个纹理描述符(V，P)与对应于参考物品(201)的一个或多个类(202)的一个或多个参考纹理描述符(Vr，Wr，Pr)进行比较来分类(S22)所述图像块(11)，参考物品(201)的每个类的所述一个或多个参考纹理描述符(Vr，Wr，Pr)从一个或多个参考物品(201)的一个或多个参考图像(20)中提取。
2.根据权利要求1所述的方法，该方法还包括基于所述分类(S2)触发(S4)动作，其中所述动作从包含以下项的组中选择：
确定(S41)对应于所述检验图像(10)的所述图像块(11)的所述负载(101)的部分(103)的成分，
显示(S42)具有针对所述负载(101)的一个或多个部分(103)的一个或多个确定的成分的所述数字化检验图像(10)，
发出(S43)警报，
向控制器(4)发送一个或多个分类的图像块(11)，
前述项的任何组合。
3.根据权利要求1或2所述的方法，其中所述一个或多个纹理描述符(V，P，Vr，Wr，Pr)从包含以下项的组中选择：
通用描述符、专用于负载的描述符、专用于参考物品的描述符、上述项的任何组合。
4.根据权利要求3所述的方法，其中使用一个或多个提取器来提取所述通用描述符，所述一个或多个提取器从包含以下项的组中选择：
对滤波器群组的响应；
实施共生矩阵的Haralick方法；
正交镜像滤波器QMF；
上述项的任何组合。
5.根据权利要求4所述的方法，其中所述通用描述符包括一个或多个纹理特征。
6.根据权利要求5所述的方法，其中所述一个或多个纹理特征包括平均值和标准差。
7.根据权利要求4至6中任一项所述的方法，其中当所述提取器是一个或多个QMF时，每个图像块被分解成三个分解尺度。
8.根据权利要求3所述的方法，其中所述检验图像(10)包括多个像素(12)，代表穿过所述集装箱(100)的所述检验辐射(3)的所述传输的至少值(Ng)与每个像素(12)相关联，并且其中所述专用描述符包括从包含以下项的组中选择的一个或多个描述符：
所选择的图像块(11)的平均灰度，
所选择的图像块(11)中垂直梯度的强度，
对应于所述图像块(11)的像素(12)的值(Ng)在轴上的投影的轮廓，
多个纹理描述符的聚集，
上述项的任何组合。
9.根据权利要求1至8中任一项所述的方法，其中每个图像块(11)形成正方形，在所述图像块(11)的每个边上具有相同数量的像素(12)。
10.根据权利要求9所述的方法，其中所述图像块(11)的每个边上的像素数量包括在32和128之间，并且优选等于64。
11.根据权利要求1至10中任一项所述的方法，该方法包括分类(S2)一个或多个交叠的连续图像块(11)。
12.根据权利要求11所述的方法，其中两个连续图像块(11)之间的交叠包括在10％和90％之间，优选地等于50％。
13.根据权利要求1至12中任一项所述的方法，其中所述分类(S22)包括使用从包含以下项的组中选择的一个或多个分类器：
支持向量机SVM，
k最近邻k-NN，
贝叶斯推理，
上述项的任何组合。
14.根据权利要求13所述的方法，其中所述k-NN分类器使用L1距离、L2距离或L3距离中的任何一者。
15.根据权利要求13或14所述的方法，其中k是奇数。
16.根据权利要求15所述的方法，其中k等于5。
17.根据权利要求1至16中任一项所述的方法，其中所述分类(S2)还包括使用均匀化算法来分类(S23)图像块(11)的一个或多个区段(13)，每个区段(13)包括多个选择的图像块(11)。
18.根据权利要求17所述的方法，其中所述均匀化算法从包含以下项的组中选择：
二值形态学闭运算，
分割，
正则化，
上述项的任何组合。
19.根据权利要求18所述的方法，其中所述正则化基于包含以下项的组：
马尔科夫场，
吉布斯场，
上述项的任何组合。
20.根据权利要求1至19中任一项所述的方法，该方法还包括，在所述分类(S2)之后且在所述触发(S4)之前：
评估(S3)对应于分类在相同类中的多个图像块(11)的所述负载(101)的部分(103)的大小。
21.根据权利要求1至20中任一项所述的方法，其中所述检验图像(10)包括多个像素(12)，代表穿过所述集装箱(100)的所述检验辐射(3)的所述传输的至少值(Ng)与每个像素(12)相关联，所述方法还包括仅选择具有平均值Mg的图像块(11)，由此：
T1<Mg<T2，
其中：Mg是所述图像块(11)的像素(12)的值Ng的平均值；
T1是用于通过所述检验系统(1)检验的感兴趣物品的最小阈值；以及
T2是用于通过所述检验系统(1)检验的感兴趣物品的最大阈值。
22.根据权利要求1至21中任一项所述的方法，其中对应于参考物品(201)的一个或多个类的所述一个或多个参考纹理描述符(Vr，Wr，Pr)被存储在参考数据库(200)中。
23.根据权利要求22所述的方法，该方法还包括通过通信网络(7)从所述数据库(200)检索所述一个或多个参考纹理描述符(Vr，Wr，Pr)。
24.根据权利要求22或23所述的方法，其中所述数据库(200)至少部分地位于分析仪(5)中，该分析仪(5)被配置成执行根据上述权利要求中任一项所述的方法。
25.根据权利要求1至24中任一项所述的方法，其中检验系统(1)的类型通过所述检验辐射(3)的能量和剂量来表征。
26.根据权利要求25所述的方法，其中所述检验辐射(3)包括X射线。
27.根据权利要求25或26所述的方法，其中所述能量包括在1MeV和15MeV之间，以及其中所述剂量包括在2mGy和20Gy之间。
28.根据权利要求27所述的方法，其中针对一种类型的检验系统(1)，所述能量是9MeV并且所述剂量是17Gy，以及
其中针对另一种类型的检验系统(1)，所述能量是4MeV并且所述剂量是20mGy。
29.根据权利要求25所述的方法，当权利要求25引用权利要求22时，其中所述数据库(200)包括针对每种类型的检验系统(1)的一个或多个参考纹理描述符(Vr，Wr，Pr)。
30.根据权利要求1至29中任一项所述的方法，该方法包括验证步骤，该验证步骤包括通过使用所述一个或多个参考图像(20)的一个或多个其它图像块来分类所述一个或多个参考图像(20)的一个或多个图像块的交叉验证。
31.根据权利要求1至30中任一项所述的方法，其中参考物品(201)从包含以下项的组中选择：
香烟、银行券、毒品、药物、药丸、豆类、上述项的任何组合。
32.一种被配置成检验集装箱(100)中的负载(101)的分析仪(5)，该分析仪(5)被配置成：
分类(S2)数字化检验图像(10)的一个或多个图像块(11)，所述数字化检验图像(10)由检验系统(1)生成，该检验系统(1)被配置成通过从检验辐射源(31)穿过所述集装箱(100)至检验辐射检测器(32)的检验辐射(3)的传输来检验所述集装箱(100)，
所述分析仪被配置成通过以下步骤来分类(S2)一个或多个图像块(11)：
提取(S21)图像块(11)的一个或多个纹理描述符(V，P)，以及
通过将所述图像块(11)的所提取的一个或多个纹理描述符(V，P)与对应于参考物品(201)的一个或多个类(202)的一个或多个参考纹理描述符(Vr，Wr，Pr)进行比较来分类(S22)所述图像块(11)，参考物品(201)的每个类的所述一个或多个参考纹理描述符(Vr，Wr，Pr)从一个或多个参考物品(201)的一个或多个参考图像(20)中提取。
33.根据权利要求32所述的分析仪，该分析仪还被配置成基于所述分类(S2)来触发动作，其中所述动作从包含以下项的组中选择：
确定(S41)对应于所述检验图像(10)的所述图像块(11)的所述负载(101)的部分(103)的成分，
显示(S42)具有针对所述负载(101)的一个或多个部分(103)的一个或多个确定的成分的所述数字化检验图像(10)，
发出(S43)警报，
向控制器(4)发送一个或多个分类的图像块(11)，
前述项的任何组合。
34.根据权利要求32或33所述的分析仪，该分析仪被配置成提取所述一个或多个纹理描述符(V，P，Vr，Wr，Pr)使得所述一个或多个纹理描述符(V，P，Vr，Wr，Pr)从包含以下项的组中选择：
通用描述符、专用于负载的描述符、专用于参考物品的描述符、上述项的任何组合。
35.根据权利要求34所述的分析仪，其中使用一个或多个提取器来提取所述通用描述符，所述一个或多个提取器从包含以下项的组中选择：
对滤波器群组的响应；
实施共生矩阵的Haralick方法；
正交镜像滤波器QMF；
上述项的任何组合。
36.根据权利要求35所述的分析仪，其中所述通用描述符包括一个或多个纹理特征。
37.根据权利要求36所述的分析仪，其中所述一个或多个纹理特征包括平均值和标准差。
38.根据权利要求35至37中任一项所述的分析仪，当所述提取器是一个或多个QMF时，所述分析仪被配制成将每个图像块分解成三个分解尺度。
39.根据权利要求35所述的分析仪，其中所述检验图像(10)包括多个像素，代表穿过所述集装箱(100)的所述检验辐射(3)的所述传输的至少值(Ng)与每个像素(12)相关联，并且其中所述专用描述符包括从包含以下项的组中选择的一个或多个描述符：
所选择的图像块(11)的平均灰度，
所选择的图像块(11)中垂直梯度的强度，
对应于所述图像块(11)的像素(12)的值(Ng)在轴上的投影的轮廓，
多个纹理描述符的聚集，
上述项的任何组合。
40.根据权利要求32至39中任一项所述的分析仪，其中每个图像块(11)形成正方形，在所述图像块(11)的每个边上具有相同数量的像素(12)。
41.根据权利要求40所述的分析仪，其中所述图像块(11)的每个边上的像素数量包括在32和128之间，并且优选等于64。
42.根据权利要求32至41中任一项所述的分析仪，该分析仪被配置成分类(S2)一个或多个交叠的连续图像块(11)。
43.根据权利要求42所述的分析仪，其中两个连续图像块(11)之间的交叠包括在10％和90％之间，优选地等于50％。
44.根据权利要求32至43中任一项所述的分析仪，其中所述分类(S22)包括使用从包含以下项的组中选择的一个或多个分类器：
支持向量机SVM
k最近邻k-NN，
贝叶斯推理，
上述项的任何组合。
45.根据权利要求44所述的分析仪，其中所述k-NN分类器使用L1距离、L2距离或L3距离中的任何一者。
46.根据权利要求44或45所述的分析仪，其中k是奇数。
47.根据权利要求32至46中任一项所述的分析仪，其中所述分类(S2)还包括使用均匀化算法来分类(S23)图像块(11)的一个或多个区段(13)，每个区段(13)包括多个选择的图像块(11)。
48.根据权利要求47所述的分析仪，其中所述均匀化算法从包含以下项的组中选择：
二值形态学闭运算，
分割，
正则化，
上述项的任何组合。
49.根据权利要求48所述的分析仪，其中所述正则化基于包含以下项的组：
马尔科夫场，
吉布斯场，
上述项的任何组合。
50.根据权利要求32至49中任一项所述的分析仪，该分析仪被配置成，在所述分类(S2)之后且在所述触发(S4)之前：
评估(S3)对应于分类在相同类中多个图像块(11)的所述负载(101)的部分(103)的大小。
51.根据权利要求31至50中任一项所述的分析仪，其中所述检验图像(10)包括多个像素(12)，代表穿过所述集装箱(100)的所述检验辐射(3)的所述传输的至少值(Ng)与每个像素(12)相关联，所述分析仪还被配置成仅选择具有平均值Mg的图像块(11)，由此：
T1<Mg<T2，
其中：Mg是所述图像块(11)的像素(12)的值Ng的平均值；
T1是用于通过所述检验系统(1)检验的感兴趣物品的最小阈值；以及
T2是用于通过所述检验系统(1)检验的感兴趣物品的最大阈值。
52.根据权利要求32至51中任一项所述的分析仪，其中对应于参考物品(201)的一个或多个类的所述一个或多个参考纹理描述符(Vr，Wr，Pr)被存储在参考数据库(200)中。
53.根据权利要求52所述的分析仪，该分析仪还被配置成通过通信网络(7)从所述数据库(200)检索所述一个或多个参考纹理描述符(Vr，Wr，Pr)。
54.根据权利要求52或53所述的分析仪，该分析仪还至少部分包括所述数据库(200)。
55.根据权利要求32至54中任一项所述的分析仪，其中参考物品(201)从包含以下项的组中选择：
香烟、银行券、毒品、药物、药丸、豆类、上述项的任何组合。
56.一种装置，该装置包括：
服务器(8)；
检验系统(1)，被配置成通过从检验辐射源穿过集装箱(100)至检验辐射检测器(32)的检验辐射(3)的传输来检验所述集装箱(100)，
分析仪(5)，经由一个或多个通信网络(6，7)连接至所述服务器(8)和所述检验系统(1)，并且被配置成：
从所述检验系统(1)接收所述检验系统(1)生成的数字化检验图像(10)，
从所述服务器(8)接收对应于参考物品(201)的一个或多个类(202)的一个或多个参考纹理描述符(Vr，Wr，Pr)，参考物品(201)的每个类的所述一个或多个参考纹理描述符(Vr，Wr，Pr)从所述一个或多个参考物品(201)的一个或多个参考图像(20)中提取，以及
通过提取图像块(11)的一个或多个纹理描述符(V，P)分类(S2)所述数字化检验图像(10)的一个或多个图像块(11)，以及通过将所述图像块(11)的所提取的一个或多个纹理描述符(V，P)与所述一个或多个参考纹理描述符(Vr，Wr，Pr)进行比较来分类(S22)所述图像块(11)。
57.一种本质上如于此之前参考附图的图1描述的和/或如附图的图1所示的分析仪(5)。
58.一种本质上如于此之前参考附图的图1描述的和/或如附图的图1所示的装置。
59.一种本质上如于此之前参考附图的图4和/或图6描述的和/或如附图的图4和/或图6所示的方法。
60.一种计算机程序产品，该计算机程序产品包括程序指令，用于编程处理器来执行根据权利要求1至31或59中任一项所述的方法的数据处理，或者用于编程处理器来提供根据权利要求32至55或57中任一项所述的分析仪或提供根据权利要求56或58所述的装置。
CN201580032216.9A 2014-04-16 2015-03-27 基于纹理的负载的识别或确定 Active CN106663190B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1406887.8A GB2525228B (en) 2014-04-16 2014-04-16 Identification or determination of a load based on texture
GB1406887.8 2014-04-16
PCT/GB2015/050934 WO2015159045A1 (en) 2014-04-16 2015-03-27 Identification or determination of a load based on texture

Publications (2)

Publication Number Publication Date
CN106663190A true CN106663190A (zh) 2017-05-10
CN106663190B CN106663190B (zh) 2020-06-19

Family

ID=50845127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580032216.9A Active CN106663190B (zh) 2014-04-16 2015-03-27 基于纹理的负载的识别或确定

Country Status (7)

Country Link
US (1) US10134147B2 (zh)
EP (1) EP3132378A1 (zh)
CN (1) CN106663190B (zh)
BR (1) BR112016024190B1 (zh)
GB (1) GB2525228B (zh)
RU (1) RU2717913C2 (zh)
WO (1) WO2015159045A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111095296A (zh) * 2017-09-14 2020-05-01 雪佛龙美国公司 使用机器学习对字符串进行分类
CN111476938A (zh) * 2019-01-24 2020-07-31 中科晶源微电子技术（北京）有限公司 用于周期性样式的异常检测
CN111784675A (zh) * 2020-07-01 2020-10-16 云南易见纹语科技有限公司 物品纹理信息处理的方法、装置、存储介质及电子设备

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016014041A1 (en) * 2014-07-22 2016-01-28 Hewlett-Packard Development Company, L.P. Rapid image registration
EP3764280A1 (en) 2016-02-22 2021-01-13 Rapiscan Systems, Inc. Methods for verifying types of containers
GB2556941B (en) * 2016-11-28 2021-10-20 Smiths Heimann Sas Detection of irregularities using registration
US10268924B2 (en) * 2016-12-05 2019-04-23 Sap Se Systems and methods for integrated cargo inspection
CN108572183B (zh) * 2017-03-08 2021-11-30 清华大学 检查设备和分割车辆图像的方法
US11058143B2 (en) * 2017-10-19 2021-07-13 R.J. Reynolds Tobacco Company Smoking-related article inspection systems and associated methods
CN109859125B (zh) * 2019-01-14 2022-10-21 广东工业大学 基于形态学检测与小波变换的图像高光修复方法
CN113298138B (zh) * 2021-05-21 2024-04-23 西安建筑科技大学 一种雷达辐射源个体识别方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5838759A (en) * 1996-07-03 1998-11-17 Advanced Research And Applications Corporation Single beam photoneutron probe and X-ray imaging system for contraband detection and identification

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0412189B1 (de) * 1989-08-09 1992-10-28 Heimann Systems GmbH &amp; Co. KG Vorrichtung zum Durchstrahlen von Gegenständen mit fächerförmiger Strahlung
US5319547A (en) * 1990-08-10 1994-06-07 Vivid Technologies, Inc. Device and method for inspection of baggage and other objects
US5600303A (en) * 1993-01-15 1997-02-04 Technology International Incorporated Detection of concealed explosives and contraband
RU2204122C2 (ru) * 2001-06-25 2003-05-10 Федеральное государственное унитарное предприятие "Московский радиотехнический институт РАН" Рентгено-телевизионное устройство
CA2608119A1 (en) * 2005-05-11 2006-11-16 Optosecurity Inc. Method and system for screening luggage items, cargo containers or persons
CN101071109B (zh) * 2006-05-08 2010-05-12 清华大学 一种多段直线轨迹成像的货物安全检查系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5838759A (en) * 1996-07-03 1998-11-17 Advanced Research And Applications Corporation Single beam photoneutron probe and X-ray imaging system for contraband detection and identification

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CARSTEN OERTEL,PETER BOCK: "Identification of Objects-of-Interest in X-Ray Images", 《35TH APPLIED IMAGERY AND PATTERN RECOGNITION WORKSHOP》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111095296A (zh) * 2017-09-14 2020-05-01 雪佛龙美国公司 使用机器学习对字符串进行分类
CN111476938A (zh) * 2019-01-24 2020-07-31 中科晶源微电子技术（北京）有限公司 用于周期性样式的异常检测
CN111476938B (zh) * 2019-01-24 2023-04-28 中科晶源微电子技术（北京）有限公司 用于周期性样式的异常检测
CN111784675A (zh) * 2020-07-01 2020-10-16 云南易见纹语科技有限公司 物品纹理信息处理的方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
RU2016143754A (ru) 2018-05-16
RU2016143754A3 (zh) 2018-11-12
US20170046852A1 (en) 2017-02-16
GB2525228A (en) 2015-10-21
BR112016024190A2 (pt) 2017-10-10
US10134147B2 (en) 2018-11-20
WO2015159045A1 (en) 2015-10-22
RU2717913C2 (ru) 2020-03-26
CN106663190B (zh) 2020-06-19
EP3132378A1 (en) 2017-02-22
GB201406887D0 (en) 2014-05-28
GB2525228B (en) 2020-05-06
BR112016024190B1 (pt) 2022-11-01

Similar Documents

Publication Publication Date Title
CN106663190A (zh) 基于纹理的负载的识别或确定
Chen et al. Spectral–spatial preprocessing using multihypothesis prediction for noise-robust hyperspectral image classification
Singh et al. A novel optical image denoising technique using convolutional neural network and anisotropic diffusion for real-time surveillance applications
US20110026804A1 (en) Detection of Textural Defects Using a One Class Support Vector Machine
US20110182495A1 (en) System and method for automatic defect recognition of an inspection image
US10713759B2 (en) Denoising and/or zooming of inspection images
Du et al. A hypothesis independent subpixel target detector for hyperspectral images
Damodaran et al. Assessment of the impact of dimensionality reduction methods on information classes and classifiers for hyperspectral image classification by multiple classifier system
CN107180418A (zh) 一种基于Tetrolet变换的遥感图像增强方法及装置
US11972552B2 (en) Abnormal wafer image classification
JP2010540930A (ja) 検知システムにおける誤警報を減少させるためのシステム及び方法
Cai et al. No-reference image sharpness assessment based on discrepancy measures of structural degradation
Gallegos et al. Unsupervised learning methods to perform material identification tasks on spectral computed tomography data
Raj et al. Object detection in live streaming video using deep learning approach
Zambrello et al. Robust and transferable quantification of NMR spectral quality using IROC analysis
Bhushan et al. An effective pre-processing algorithm for detecting noisy spectral bands in hyperspectral imagery
EP2977933B1 (en) Image classification
Jouini et al. Texture segmentation of 3D x-ray micro-computed tomography images using U-NET
US11062440B2 (en) Detection of irregularities using registration
Ouzounis et al. Rubble detection from VHR aerial imagery data using differential morphological profiles
Mirzapour et al. Object-based multispectral image segmentation and classification
Ouahab et al. Remote sensing data fusion using fruit fly optimization
Pourghassem A novel material detection algorithm based on 2D GMM-based power density function and image detail addition scheme in dual energy X-ray images
DARICI et al. A comparative study on denoising from facial images using convolutional autoencoder
Mani et al. Mixed pixel removal in north Tamil Nadu region for accurate area measurement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant