CN106845516A - 一种基于多样本联合表示的足迹图像识别方法 - Google Patents
一种基于多样本联合表示的足迹图像识别方法 Download PDFInfo
- Publication number
- CN106845516A CN106845516A CN201611116356.7A CN201611116356A CN106845516A CN 106845516 A CN106845516 A CN 106845516A CN 201611116356 A CN201611116356 A CN 201611116356A CN 106845516 A CN106845516 A CN 106845516A
- Authority
- CN
- China
- Prior art keywords
- image
- footprint
- sole
- dictionary
- heel
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明提供一种基于多样本联合表示足迹图像的识别方法。该方法包括如下步骤:首先,样本联合表示字典的构建,对足迹图像进行分区、几何变换、形态学等操作扩充图像库,提取图像特征,经归一化后作为字典的原子,建立具有多个样本类别的联合字典。其次,足迹图像的识别,将待识别足迹图像提取特征后,利用联合字典稀疏表示该足迹图像,根据足迹花纹的占空比加权重构稀疏系数,分析重构系数,输出待识别足迹图像所属类别。该方法可以增强图像识别的鲁棒性,即在样本足迹图像较少的情况下,能够较为精确的识别出相似图像,还能避免由于足迹图像畸变导致的错误分类情况,有效的识别出图像的所属类别,同时,还可筛选出足迹花纹质量较差的图像。
Description
技术领域
本发明涉及一种基于多样本联合表示的足迹图像的识别方法,特别是关于一种样本数量不均匀的足迹图像识别方法。涉及专利分类号G06计算;推算;计数G06F电数字数据处理G06F19/00专门适用于特定应用的数字计算或数据处理的设备或方法。
背景技术
足迹图像是犯罪现场中遗留率较高的痕迹物证之一,它能提供可靠的法定依据,足迹图像有效的识别不仅能够帮助调查人员实现案件的串并联,并且可以帮助他们锁定罪犯,因此,犯罪嫌疑人的足迹图像在侦查破案中的地位越来越突出,足迹图像有效的管理和识别对案件的破获具有重要意义。目前,足迹图像识别的方法有很多,主要概括为三种:基于统计(或决策理论)的方法、基于结构(或句法)的方法和基于神经网络的方法。
以上足迹图像识别方法仍存在一些问题:(1)图像数据常常具有不确定性,样本分布不均匀,这极大影响了图像识别精度。(2)识别问题易受图像得分异常的影响,如待识别图像中含有个别畸变图像,导致得分较高造成错误分类,识别结果不符合主客观一致性。(3)足迹图像往往受残缺的影响较大,若图像部分区域丢失纹理信息,会对图像特征的提取造成影响,因而也会导致待识别图像的错误分类。
发明内容
针对上述问题,本发明的目的是提供一种针对足迹图像的样本联合表示字典构建策略和稀疏系数加权重构方法,能够解决由于足迹图像样本较少造成的错误识别,以及少数待识别图像得分异常而造成的错误分类情况。
为实现上述目的,本发明采取以下技术方案:一种基于多样本联合表示的足迹图像识别方法,包括如下步骤:
—由足迹图像库中的足迹图像构建由脚掌字典DT和脚跟字典DB组成的样本联合表示字典,该字典带有分别与脚掌字典DT和脚跟字典DB对应的标签LT和LB;
—预处理待识别的足迹图像,提取并通过如下公式计算脚掌和脚跟区域的花纹占空比bT和bB;
s为脚掌或脚跟区域非零像素的个数,m和n分别为脚掌区域的长宽;
—镜像所述预处理后的待识别图像,在得到的两幅足迹图像中分别提取脚掌、脚跟部分的小波傅里叶梅林特征,然后将小波傅里叶梅林特征进行8×8的均值下采样,并转化为列向量,得到脚掌区域特征FT1、FT2,脚跟区域特征FB1、FB2;
—将脚掌区域特征FT1、FT2分别依据所述的脚掌字典DT利用正交匹配跟踪算法求出稀疏系数;然后将与标签LT对应的每一类的稀疏系数求和得到系数XT1、XT2;同理,根据脚跟区域特征FB1、FB2和字典DB以及标签LB得到系数XB1、XB2;
—将脚掌、脚跟区域的花纹占空比bT、bB分别作为上述步骤求出的系数XT1、XT2以及系数XB1、XB2的权重,得出重构系数X;
—根据重构系数X,输出识别结果,(所属类别\拒识别),求出重构系数X的最大值mx及索引,并找出索引与标签LT相对应的类别;
若mx>cX,则输出待识别足迹图像所属类别,显示该类足迹代表图像;
若mx≤cX,则判断为拒识别图像,并显示该足迹图像。cX为拒识别图像判别阈值。
作为优选的实施方式,当所述的字典中样本数目nl小于设定阈值的类别时,进行足迹图像库的扩充;
—对该标签下的所有样本图像进行至少包括几何变换、形态学的膨胀腐蚀操作以及加入椒盐噪声,模拟生成各种畸变情况下的足迹图像样本,进而扩充足迹库。
更进一步的,所述的词典构建过程具体如下:
—对扩充后的足迹图像库Ge进行预处理,提取脚掌和脚跟两部分,形成脚掌样本集GeT和脚跟样本集GeB,其包括以下步骤:
—采用均值滤波对Ge中的每幅足迹图像进行噪声抑制;
—根据足迹整体特征,将Ge中每幅预处理后的图像分割为脚掌、脚跟区域,分割标准为:足迹图像至上而下的前60%为脚掌部分,后40%为脚跟部分。从而形成脚掌样本集GeT和脚跟样本集GeB;
—分别提取脚掌样本集GeT和脚跟样本集GeB每个样本的小波傅里叶梅林特征,然后将小波傅里叶梅林特征进行8×8的均值下采样;
将下采样后的小波傅里叶梅林特征进行归一化,并转换为列向量,分别形成脚掌字典DT和脚跟字典DB,即DT和DB中的每一列为足迹图像脚掌或脚跟部分归一化的特征;
同时以LT和LB分别表示DT和DB中各列对应的标签。
作为优选的实施方式,当计算得出的花纹占空比小于设定的阈值时,判定当前图像为拒识别图像,输出该拒绝识别图像。
本发明由于采取以上技术方案,其具有以下优点:1)本专利通过对足迹图像分区、几何变换、形态学等操作扩充图像库,可以有效的解决因样本图像较少造成的错误分类情况,提高了分类精度。2)本专利采用针对足迹图像的样本联合表示字典构建策略,从而有效的增强图像识别的鲁棒性,提升了图像识别算法效率,便于实时处理。3)本专利采用稀疏系数加权重构方法有效的避免由于个别图像得分异常造成的错误分类情况,将显著区域赋予较大的权重,识别结果更符合人的主客观一致性。4)本专利采取足迹图像拒识别的方法,能够筛选出质量较差的待识别足迹图像,该方法可以有效的避免因足迹图像质量较差造成的错误识别。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,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他的附图。
图1为发明多样本联合字典的构建流程图
图2为发明足迹图像识别流程图
图3为本发明足迹图像库Ge进行预处理后,提取脚掌和脚跟两部分示意图
图4为本发明提取的待识别足迹图像脚掌、脚跟区域示意图
图5为本发明实施例经过算法识别后,输出待识别足迹图像所属类别示意图
图6为本发明算法结果示意图
具体实施方式
下面结合附图对本发明进行详细的描述。如图1所示,一种多样本联合表示的足迹图像识别方法,主要包括如下步骤:
样本联合表示字典的构建
样本集规范化
将所有带有标签的足迹图像按标签顺序形成原始样本集Gr。
统计Gr中各标签的样本图像的数目,记为nl,其中l表示标签序号
考虑到在很多实际问题中,并不能获得类似于公开数据集中,每类同等数量级的样本,足迹图像库中各类足迹图像样本数目并不是相同的,稀有足迹花纹图像样本少,而有些足迹花纹比较大众化,样本数目很多,在扩充库的时,将类别中样本少的足迹图像进行扩充,避免因图像样本较少造成类内特征单一,不足以代表该类特征,而对于样本数目很多的类别,样本图像特征足以代表该类图像特征,故无需扩充该类样本。
故作为优选的实施方式,对于样本数目nl小于设定阈值的类别,要进行样本的扩充,部分扩充如图3所示。扩充方式为:对该标签下的所有样本图像进行几何变换、形态学的膨胀腐蚀操作以及加入椒盐噪声等,这样就可以模拟生成各种畸变情况下的足迹图像样本,进而扩充足迹库,如对足迹图像左右各旋转5度,上下各平移5个像素,左右各镜像一次等。样本扩充后的足迹图像库记为Ge。
第一行从左至右依次为:原图、加椒盐噪声、加遮挡噪声、旋转、膨胀、腐蚀、左平移,上平移。第二行为原图镜像后,对镜像图做如上操作后的图像。
对扩充后的足迹图像库Ge进行预处理,提取脚掌和脚跟两部分,如图4所示。形成脚掌样本集GeT和脚跟样本集GeB,其包括以下步骤:
采用均值滤波对Ge中的每幅足迹图像进行噪声抑制。
根据足迹整体特征,可将Ge中每幅预处理后的图像分为脚掌、脚跟区域,分割标准为:足迹图像至上而下的前60%为脚掌部分,后40%为脚跟部分。从而形成脚掌样本集GeT和脚跟样本集GeB。
脚掌和脚跟特征字典的构建
分别提取脚掌样本集GeT和脚跟样本集GeB每个样本的小波傅里叶梅林特征(WangX N,Sun H H,Yu Q et al.Automatic Shoeprint Retrieval Algorithm for RealCrimeScenes.Asian Conference on Computer Vision,Singapore,Singapore,2015:399-413.),然后将小波傅里叶梅林特征进行8×8的均值下采样。
将下采样后的小波傅里叶梅林特征进行归一化,并转换为列向量,分别形成脚掌字典DT和脚跟字典DB,即DT和DB中的每一列为足迹图像脚掌或脚跟部分归一化的特征。
同时以LT和LB分别表示DT和DB中各列对应的标签。以脚掌为例,构建字典的足迹图像库中,每幅图像都是含有标签的,将所有标签集合成一个列向量,即是LT,由于足迹图像库中有多类图像,故标签LT会对应多个类别,在字典DT中,每一类代表该类独有的特征。
若标签为:LT=(n1,n1,n2,n3,n3,n3,L,nk,nk),则标签与下文稀疏系数xT1一一对应,上式,共有k类,每类样本数目并不要求同等数量级。
足迹图像的识别
待识别足迹图像的特征提取
采用均值滤波对待识别足迹图像进行噪声抑制。作为可选的实施方式,采用均值滤波对图像进行滤波,设定一个模板,该模板为其邻近的若干个像素组成,如3*3大小,用模板的均值来代替原像素的值。
提取待识别足迹图像脚掌、脚跟区域,如图5所示,分别计算脚掌区域、脚跟区域的花纹占空比bT、bB,公式如下:
上式中:s为脚掌或脚很区域非零像素的个数,m和n分别为脚掌区域的长宽(最长和最宽的尺寸),同理,即可求出bB。
若bT<cT或bB<cB(cT,cB为脚掌、脚跟区域占空比阈值),表明可能出现如下三种情况:1、脚掌区域占空比小于设定的阈值;2、脚跟区域小于设定的阈值;相应的,判定该待识别足迹图像判断为拒识别图像,算法终止,输出拒识别图像。
考虑到足迹有左右之分,将待识别图像镜像后,即可得到一对足迹花纹图像,分别求稀疏系数,再重构出系数,继而进行识别,可以提升识别准确率,增强图像识别的鲁棒性。
作为优选的实施方式,将待识别足迹图像镜像,得到两幅足迹图像,分别提取脚掌、脚跟部分的小波傅里叶梅林特征,然后将小波傅里叶梅林特征进行8×8的均值下采样,并转化为列向量,得到脚掌区域特征FT1、FT2,脚跟区域特征FB1、FB2。
足迹图像的识别过程
将脚掌区域特征FT1、FT2依据字典DT利用正交匹配跟踪算法求出稀疏系数,然后将与标签LT对应的每一类的稀疏系数求和得到系数XT1、XT2,同样的,根据脚跟区域特征FB1、FB2和字典DB以及标签LB,得到系数XB1、XB2。
以脚掌为例,将下采样后的小波傅里叶梅林特征FMT进行归一化,具体过程:
将特征矩阵FMT做上述处理,然后将矩阵fMT转换成列向量FT1。
关于所述的正交匹配跟踪算法求出稀疏系数,可详见(Y.C.Pati,R.Rezaiifar,P.S.Krishnaprasad.Orthogonal matching pursuit:recursive functionapproximation with applications to wavelet decomposition.Proc.of the 27thAnnual Asilomar Conference on Signals,Systems and Computers,1993:40-44.),求解公式如下:
FT1=DTxT1
利用正交匹配跟踪算法求得上式稀疏系数xT1
xT1=(xT11,xT12,xT21,xT31,xT32,xT33,L,xTk1,xTk2)
将系数xT1与标签LT对应的每一类的稀疏系数求和得到系数XT1,即:
XT1=(xT1,xT2,xT3,L,xTk)
将脚掌、脚跟区域的花纹占空比bT、bB分别作为上述步骤1)求出的系数权重,得出重构系数X。如下公式:
根据重构系数X,输出识别结果(所属类别\拒识别)。求出重构系数X的最大值mx及索引,并找出索引与标签LT相对应的类别。
若mx>cX,则输出待识别足迹图像所属类别,显示该类足迹代表图像,如图6所示。
若mx≤cX,则判断为拒识别图像,并显示该足迹图像。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多样本联合表示的足迹图像识别方法,其特征在于包括如下步骤:
—由足迹图像库中的足迹图像构建由脚掌字典DT和脚跟字典DB组成的样本联合表示字典,该字典带有分别与脚掌字典DT和脚跟字典DB对应的标签LT和LB;
—预处理待识别的足迹图像,提取并通过如下公式计算脚掌和脚跟区域的花纹占空比bT和bB;
s为脚掌或脚跟区域非零像素的个数,m和n分别为脚掌区域的长宽;脚掌区域占空比bT阈值为0.08,脚跟区域占空比bB阈值为0.05;
—镜像所述预处理后的待识别图像,在得到的两幅足迹图像中分别提取脚掌、脚跟部分的小波傅里叶梅林特征,然后将小波傅里叶梅林特征进行8×8的均值下采样,并转化为列向量,得到脚掌区域特征FT1、FT2,脚跟区域特征FB1、FB2;
—将脚掌区域特征FT1、FT2分别依据所述的脚掌字典DT利用正交匹配跟踪算法求出稀疏系数;然后将与标签LT对应的每一类的稀疏系数求和得到系数XT1、XT2;同理,根据脚跟区域特征FB1、FB2和字典DB以及标签LB得到系数XB1、XB2;
—将脚掌、脚跟区域的花纹占空比bT、bB分别作为上述步骤求出的系数XT1、XT2以及系数XB1、XB2的权重,得出重构系数X;
—根据重构系数X,输出识别结果(所属类别\拒识别),求出重构系数X的最大值mx及索引,并找出索引与标签LT相对应的类别;
若mx>cX,则输出待识别足迹图像所属类别,显示该类足迹代表图像;
若mx≤cX,则判断为拒识别图像,并显示该足迹图像;cX为拒识别图像判别阈值。
2.根据权利要求1所述的基于多样本联合表示的足迹图像识别方法,其特征还在于当所述的字典中样本数目nl小于设定阈值的类别时,进行足迹图像库的扩充;
—对该标签下的所有样本图像进行至少包括几何变换、形态学的膨胀腐蚀操作以及加入椒盐噪声,模拟生成各种畸变情况下的足迹图像样本,进而扩充足迹库。
3.根据权利要求2所述的基于多样本联合表示的足迹图像识别方法,其特征还在于所述的词典构建过程具体如下:
—对扩充后的足迹图像库Ge进行预处理,提取脚掌和脚跟两部分,形成脚掌样本集GeT和脚跟样本集GeB,其包括以下步骤:
—采用均值滤波对Ge中的每幅足迹图像进行噪声抑制;
—根据足迹整体特征,将Ge中每幅预处理后的图像分割为脚掌、脚跟区域,分割标准为:足迹图像至上而下的前60%为脚掌部分,后40%为脚跟部分。从而形成脚掌样本集GeT和脚跟样本集GeB;
—分别提取脚掌样本集GeT和脚跟样本集GeB每个样本的小波傅里叶梅林特征,然后将小波傅里叶梅林特征进行8×8的均值下采样;
将下采样后的小波傅里叶梅林特征进行归一化,并转换为列向量,分别形成脚掌字典DT和DB,即DT和DB中的每一列为足迹图像脚掌或脚跟部分归一化的特征;
同时以LT和LB分别表示DT和DB中各列对应的标签。
4.根据权利要求1所述的基于多样本联合表示的足迹图像识别方法,其特征还在于当计算得出的花纹占空比小于设定的阈值时,判定当前图像为拒识别图像,输出该拒绝识别图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611116356.7A CN106845516B (zh) | 2016-12-07 | 2016-12-07 | 一种基于多样本联合表示的足迹图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611116356.7A CN106845516B (zh) | 2016-12-07 | 2016-12-07 | 一种基于多样本联合表示的足迹图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845516A true CN106845516A (zh) | 2017-06-13 |
CN106845516B CN106845516B (zh) | 2020-05-22 |
Family
ID=59139271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611116356.7A Active CN106845516B (zh) | 2016-12-07 | 2016-12-07 | 一种基于多样本联合表示的足迹图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845516B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423715A (zh) * | 2017-07-31 | 2017-12-01 | 大连海事大学 | 一种基于多特征联合决策的脚印自动识别方法 |
CN107705565A (zh) * | 2017-09-27 | 2018-02-16 | 于贵庆 | 一种基于数据分析的停车控制方法 |
CN109101983A (zh) * | 2018-08-02 | 2018-12-28 | 大连恒锐科技股份有限公司 | 一种基于深度学习的鞋样及足迹关键点检测方法 |
CN109325532A (zh) * | 2018-09-18 | 2019-02-12 | 成都网阔信息技术股份有限公司 | 一种小样本下扩充数据集的图像处理方法 |
CN110795972A (zh) * | 2018-08-03 | 2020-02-14 | 杭州海康威视数字技术股份有限公司 | 行人身份识别方法、装置、设备及存储介质 |
CN112257662A (zh) * | 2020-11-12 | 2021-01-22 | 安徽大学 | 一种基于深度学习的压力足迹图像检索系统 |
CN113569872A (zh) * | 2021-08-10 | 2021-10-29 | 大连海事大学 | 一种基于压力显著性的多分辨穿鞋足迹序列识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
CN104434128A (zh) * | 2014-12-25 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于足底压力分布信息的左右脚动态识别方法 |
-
2016
- 2016-12-07 CN CN201611116356.7A patent/CN106845516B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101327126A (zh) * | 2008-07-23 | 2008-12-24 | 天津大学 | 人体赤足迹形态学特征提取方法 |
CN104434128A (zh) * | 2014-12-25 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于足底压力分布信息的左右脚动态识别方法 |
Non-Patent Citations (2)
Title |
---|
吴志军: "鞋底花纹比对与分析系统的设计与实现", 《万方学术论文全文数据库》 * |
蒋晓玲: "基于图像处理技术的足迹检验系统的设计与实现", 《万方学术论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423715A (zh) * | 2017-07-31 | 2017-12-01 | 大连海事大学 | 一种基于多特征联合决策的脚印自动识别方法 |
CN107423715B (zh) * | 2017-07-31 | 2020-05-19 | 大连海事大学 | 一种基于多特征联合决策的脚印自动识别方法 |
CN107705565A (zh) * | 2017-09-27 | 2018-02-16 | 于贵庆 | 一种基于数据分析的停车控制方法 |
CN109101983A (zh) * | 2018-08-02 | 2018-12-28 | 大连恒锐科技股份有限公司 | 一种基于深度学习的鞋样及足迹关键点检测方法 |
CN109101983B (zh) * | 2018-08-02 | 2020-10-30 | 大连恒锐科技股份有限公司 | 一种基于深度学习的鞋样及足迹关键点检测方法 |
CN110795972A (zh) * | 2018-08-03 | 2020-02-14 | 杭州海康威视数字技术股份有限公司 | 行人身份识别方法、装置、设备及存储介质 |
CN109325532A (zh) * | 2018-09-18 | 2019-02-12 | 成都网阔信息技术股份有限公司 | 一种小样本下扩充数据集的图像处理方法 |
CN112257662A (zh) * | 2020-11-12 | 2021-01-22 | 安徽大学 | 一种基于深度学习的压力足迹图像检索系统 |
CN113569872A (zh) * | 2021-08-10 | 2021-10-29 | 大连海事大学 | 一种基于压力显著性的多分辨穿鞋足迹序列识别方法 |
CN113569872B (zh) * | 2021-08-10 | 2024-03-19 | 大连海事大学 | 一种基于压力显著性的多分辨穿鞋足迹序列识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106845516B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845516A (zh) | 一种基于多样本联合表示的足迹图像识别方法 | |
CN107844795B (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
CN104268593B (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN108062543A (zh) | 一种面部识别方法及装置 | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
CN108038435A (zh) | 一种基于卷积神经网络的特征提取与目标跟踪方法 | |
Ye et al. | Detecting USM image sharpening by using CNN | |
CN106548149A (zh) | 监控视频序列中人脸微表情图像序列的识别方法 | |
CN107784303A (zh) | 车牌识别方法及装置 | |
CN102184404B (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN105825233A (zh) | 一种基于在线学习随机蕨分类器的行人检测方法 | |
CN104361096A (zh) | 一种基于特征富集区域集合的图像检索方法 | |
Vu et al. | Graph cut segmentation of neuronal structures from transmission electron micrographs | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN113011444A (zh) | 一种基于神经网络频域注意力机制的图像识别方法 | |
Mosleh et al. | Texture image retrieval using contourlet transform | |
Kälber et al. | U-Net based Zero-hour Defect Inspection of Electronic Components and Semiconductors. | |
CN111401434A (zh) | 一种基于无监督特征学习的图像分类方法 | |
Liang et al. | Facial feature extraction method based on shallow and deep fusion CNN | |
CN111046745B (zh) | 基于软块对角的多视聚类方法 | |
Syam et al. | An effective similarity measure via genetic algorithm for Content-Based Image Retrieval with extensive features | |
CN113688715A (zh) | 面部表情识别方法及系统 | |
CN113989567A (zh) | 垃圾图片分类方法及装置 |
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 |