CN106997601A - 基于粘性流体粒子运动模型的视频序列分类方法 - Google Patents
基于粘性流体粒子运动模型的视频序列分类方法 Download PDFInfo
- Publication number
- CN106997601A CN106997601A CN201710189229.8A CN201710189229A CN106997601A CN 106997601 A CN106997601 A CN 106997601A CN 201710189229 A CN201710189229 A CN 201710189229A CN 106997601 A CN106997601 A CN 106997601A
- Authority
- CN
- China
- Prior art keywords
- aurora
- pixel
- image
- sports ground
- sequence
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于粘性流体粒子运动模型的视频序列分类方法，主要解决现有技术无法利用运动特征对极光序列进行分类的问题。其实现步骤为：1)对输入的极光序列进行预处理；2)运用粘性流体力学模型计算预处理后的极光粒子的运动场；3)提取极光粒子运动场的局部二值模式特征，作为极光序列的动态特征P1；4)提取极光序列每帧极光图像像素值的局部二值模式特征，作为极光序列的静态特征P2；5)将P1与P2相结合，得到能够表征不同形态极光序列的特征P＝(P1,P2)，将这些不同形态极光序列的特征P输入到支持向量机分类器中完成分类。本发明能实现对极光序列的自动分类，且分类准确率高、速度快，可用于场景分类与目标识别。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及视频序列的分类方法，可用于场景分类与目标识别。
背景技术
视频序列分类是图像处理和模式识别中非常关键的技术之一，它是利用计算机对视频进行定量分析，根据视频信息中所反映的不同特征，把不同类别的目标区分开，从而以代替人的视觉判读。极光是各种磁层动力学过程最为直观的电离层踪迹，合理有效的极光分类对研究各类极光现象及其与磁层动力学过程之间的关系尤为重要。
早期的极光分类研究以肉眼观察为基础，手工实现标记和分类工作，然而由全天空数字摄像仪所捕获的极光图像每年数以百万计，人工进行分类标记的方式已经不再满足对大规模数据进行客观分类的要求。直到2004年Syrjäsuo在文献“Syrjäsuo M.T., andDonovan E.F., Diurnal auroral occurrence statistics obtained via machinevision. Annales Geophysicae, 22(4):1103-1113, 2004.”中才将图像处理技术引入到极光自动分类。利用极光的纹理特征对弧形，斑块型和欧米伽型三类极光进行了分类，该方法仅对形状特征明显的弧状极光效果良好，但此方法仅适用于形态较为单一的弧状极光，不具备很好的泛化能力和图像表征算法的推广性。2007年，Wang等人在文献“Q.Wang,J.M.Liang and X.B.Gao, Appearance based aurora classification. Proc. the 12thConf. on physics of Sun-Earth space, 71, 2007.”中使用主成分分析法PCA对极光视频序列的灰度特征进行提取，提出了一种基于表象的极光分类方法，在冕状极光分类研究方向取得了一定进展。2008年，Gao等人在文献“X.B.Gao, and J.M.Liang., AdaBoostalgorithm for dayside aurora detection based on sample sele-ction. Journal ofImage and Graphics, 15(1):116-121, 2010.”中提出基于Gabor变换的极光分类方法，采用了局部Gabor滤波器提取图像特征，在确保计算精度的情况下降低了特征冗余信息，取得了较好的分类效果。2010年，Wang在文献“Wang Y,Gao X., Fu R., et al., DaysideCorona Aurora Classification Based on X-Gray Level Aura Matrices. Proc. ACMInt. Conf. Image and Video Retrieval, 282-287, 2010.”中根据极光形态的特点对GLAM的邻域形状进行改进，提出了一种基于X-GLAM特征的日侧极光分类算法，大大提高了分类准确性，但该方法由于进行较大规模的像素运算，因而较为耗时。后续的相关研究还有：Han等人在文章“Bing Han, Xiaojing Zhao, Dacheng Tao, et al. Dayside auroraclassification via BIFs-based sparse representation using manifold learning.International Journal of Computer Mathematics. Published online:12 Nov 2013.”中又提出基于生物激发BIFs特征和C均值聚类的极光分类方法，取得了较高的分类准确率。然而上述已有的极光分类方法都是基于极光静态特征的，对于形态复杂多变的极光序列来说，仅仅考虑其静态特征是不够的，因此还需对极光的动态特征进行研究。
2006年，Blix等人在文章“Blixt,E., Semeter,J., Ivchenko, N. Optical flowanalysis of the aurora borealis. Geoscience and Remote Sensing Letters, IEEE,2006, 3:159-163.”中将鲁棒光流场用于提取极光的动态特征，它们的方法是基于图像亮度不变的假设，而实际中极光的形状、亮度、体积等在演变过程中是不断的变化，所以极光在大多数情况下是不满足亮度不变假设的。2016年，Han等人在专利“基于流体力学的极光运动方向确定方法，申请号：201610143376.7”中提出了基于离散格子波尔兹曼的极光运动场提取方法，该方法虽能估计出极光粒子的运动场，实现对极光的分类，但得到的运动场不够准确，且计算复杂耗时较大。
发明内容
本发明的目的在于针对上述已有技术存在的不足，提出一种基于粘性流体粒子运动模型的运动特征提取方法，以将极光静态特征与动态特征相结合，实现对极光序列的准确分类，并减小计算复杂度及消耗的时间。
为实现上述目的，本发明的技术方案包括如下：
(1)输入不同种类的极光视频序列，并采用掩膜处理方法对每帧极光图像进行边缘去躁的预处理；
(2)计算预处理后不同种类的极光视频序列的运动场：
(2a)按照粘性流体力学模型，将预处理后的每帧极光图像的每一个像素点看作是粘性流体粒子，并以相邻两帧极光图像对应位置上像素点的灰度差作为内力其中表示像素点的位置，t表示视频序列中的第t帧图像；
(2b)将内力代入到粘性流体力学运动方程中并对其进行求解，得到不同种类极光粒子的运动场其中表示像素点的位置，t表示视频序列中的第t帧图像；
(3)提取运动场的局部二值模式特征，作为不同种类极光序列的动态特征P1；
(4)对步骤(1)中预处理后的每帧极光图像的像素值提取局部二值模式特征，作为不同种类极光序列的静态特征P2；
(5)将不同种类极光序列的动态特征P1与静态特征P2相融合，得到能够表征不同种类极光序列的特征P＝(P1，P2)，运用支持向量机SVM分类器对不同种类的极光序列特征P进行分类。
本发明与现有技术相比具有如下优点：
第一，本发明通过粘性流体模型去分析极光粒子的运动，充分利用极光非刚体运动的特性，使得到的极光粒子的运动场更准确。
第二，本发明将极光序列的动态特征与静态特征相结合，提高了极光序列的分类准确率。
第三，本发明提出的粘性流体力学模型简单，大大减小了计算复杂度及计算消耗的时间。
附图说明
图1是本发明的实现流程示意图；
图2是本发明实验中经过去噪后的极光全天空图像；
图3是本发明中九点差分格式的示意图；
图4是本发明实验中得到的极光粒子运动场的示意图；
图5是用本发明和现有不同方法得到的分类准确率对比图；
图6是用本发明和现有不同方法得到极光粒子运动场消耗时间的对比图。
具体实施方式：
以下结合附图对本发明的步实施例和效果作进一步的详细描述。
参照图1，本发明的实现步骤如下：
步骤1，建立极光视频分类数据库。
选取我国2003年12月到2010年12月北极黄河站5577波段的极光全天空数据，每帧极光图像大小为512*512，相邻两帧极光图像间隔时间为10s，从选取的极光全天空数据中挑选出93个辐射状极光序列、102个弧状极光序列及95个帷幔状极光序列，构成极光视频序列分类数据库。
步骤2，对输入的每帧极光图像进行边缘去躁的预处理。
输入不同形态的极光视频序列，采用掩膜处理方法每帧极光图像进行边缘去躁的预处理：
首先，构造一幅与极光图像大小相同的二值图像M，即以二值图像的中心为圆心，以220个像素为半径作圆，形成二值图像M，其中圆内的像素取值为1，圆外的像素取值为0；
其次，根据构造的二值图像M，利用下式得到去噪后的极光图像I：
I＝O*M，
其中，O为输入的原始极光图像，*为图像间对应像素的相乘操作，部分经过边缘去噪后的极光图像如图2所示，其中图2(a)为弧状极光图像，图2(b)为辐射状极光图像，图2(c)为帷幔状极光图像。
步骤3，计算预处理后不同形态极光视频序列的运动场。
3.1)定义一个具有边界的容器，假定每个单元容器以速率η补充或析取流体，单元内力为容器表面压力张量为则得到的粘性流体力学方程式为：
其中，ρ代表流体的密度，代表流体的速度，d代表微分运算，代表散度运算；
3.2)根据Navier-Poisson牛顿模型，将式<1>改为：
其中，λ和μ为两个数值不同的粘性系数，代表梯度运算，▽p为容器所受到的压强梯度；
3.3)当流体雷诺系数远远小于1时，忽略式<2>右边的压力梯度▽p和惯性项将式<2>改为：
3.4)取式<3>中的λ＝0，μ＝1，得到可适用于极光粒子的运动方程：
3.5)将每帧极光图像的每一个像素点看作是粘性流体粒子，并以相邻两帧极光图像对应位置上像素点的灰度差作为内力再将内力代入到式<4>中，得到极光粒子的运动方程：
其中，为极光粒子运动场，表示像素点的位置，t表示视频序列中的第t帧图像；
3.6)将式<5>的运动场及内力进行空间和时间离散化，得到偏微分方程：
其中分别表示运动场的x分量和y分量，分别表示内力的x分量和y分量，为偏微分运算；
3.7)采用如图3所示的九点差分格式对式<6>进行离散，得到离散后的如下方程式：
v1(i+1,j+1)+v1(i-1,j+1)+v1(i+1,j-1)+v1(i-1,j-1)+10v1(i+1,j)+…
10v1(i-1,j)+4v1(i,j-1)+4v1(i,j+1)+6v2(i+1,j+1)+…
6v2(i,j)-6v2(i,j+1)-6v2(i+1,j)-32v1(i,j)＝-f1(i,j) <8>
其中，i＝2,3,…m-1，j＝2,3,…n-1，m、n分别为每帧极光图像的宽度和高度，v1(i,j)为运动场在像素点(i,j)处的x分量，v2(i,j)为运动场在像素点(i,j)处的y分量，f1(i,j)为内力在像素点(i,j)处的x分量，f2(i,j)为内力在像素点(i,j)处的y分量；
3.8)采用如图3所示的九点差分格式对式<7>进行离散，得到离散后的如下方程式：
v2(i+1,j+1)+v2(i-1,j+1)+v2(i+1,j-1)+v2(i-1,j-1)+10v2(i+1,j)+…
10v2(i-1,j)+4v2(i,j-1)+4v2(i,j+1)+6v1(i+1,j+1)+…
6v1(i,j)-6v1(i,j+1)-6v1(i+1,j)-32v2(i,j)＝-f2(i,j) <9>
3.9)对式<8>和式<9>设置边界条件：
当j＝1,2,…,n时，v1(1,j)＝0，v1(n,j)＝0，v2(1,j)＝0，v2(n,j)＝0；
当i＝1,2,…,m时，v1(1,i)＝0，v1(m,i)＝0，v2(1,i)＝0，v2(m,i)＝0；
3.10)对设置边界后的式<8>和式<9>运用超松弛SOR方法解出极光粒子在x方向的速度v1(i,j)及y方向的速度v2(i,j)，得到如图(4)所示的极光粒子运动场其中箭头代表运动的方向，箭头的长短代表运动的距离，其中图4(a)为图2(a)中弧状极光粒子运动场示意图，图4(b)为图2(b)中辐射状极光粒子运动场示意图，图4(c)为图2(c)中帷幔状极光粒子运动场示意图。
步骤4，提取极光序列的动态特征P1。
4.1)将运动场矩阵划分为若干个16*16的小区域；
4.2)将每个小区域中的每个数值与其周围相邻的8个数值进行比较：若周围的数值大于这个数值，则将周围的数值标记为1，否则，标记为0，得到一个8位二进制数，
4.3)将每个小区域中的每个数值与其周围的8个数值比较后得到的8位二进制数转换为十进制数，得到每个数值的局部二值模式值；
4.4)统计每个区域内每个数值的局部二值模式值出现的频率，得到每个小区域的统计直方图，然后对该统计直方图进行归一化处理；
4.5)将每个小区域归一化处理后的统计直方图连接成为一个特征向量，得到运动场的局部二值模式特征，即为极光序列的动态特征P1。
步骤5，提取极光序列中的静态特征特征P2。
5.1)将每帧极光图像的像素值矩阵划分为若干个16*16的小区域；
5.2)将每个小区域中的每个像素数值与其周围相邻的8个像素值进行比较：若周围的像素值大于这个像素值，则将周围的数值标记为1，否则，标记为0，得到一个8位二进制数；
5.3)将每个小区域中的每个像素值与其周围的8个像素值比较后得到的8位二进制数，再将该8位二进制数转换为十进制数，则得到每个像素值的局部二值模式值；
5.4)统计每个区域内每个像素值的局部二值模式值出现的频率，得到每个小区域的统计直方图，然后对该统计直方图进行归一化处理；
5.5)将每个小区域归一化处理后的统计直方图连接成为一个特征向量，得到极光图像像素值的局部二值模式特征，即为极光序列的静态特征P2
步骤6，将不同形态极光序列的动态特征P1与静态特征P2相融合，得到能够表征不同形态极光序列的特征P＝(P1,P2)，并将这些不同形态极光序列的特征P输入到支持向量机SVM分类器中，完成对不同形态的极光序列的分类。
本发明的效果通过以下仿真实验进一步说明：
1.仿真条件
硬件平台为：Intel Core i5、3.20GHz、8.00GB RAM；
软件平台为：Windows7操作系统下的MATLAB R2015b；
2.仿真内容与结果：
实验1：运用本发明提出的方法与现有的两种方法对极光视频序列进行分类，分类结果如图5所示。
从图5可以看出，本发明提出的方法得到了最高的分类准确率。
实验2：运用本发明提出的方法与现有的两种方法提取极光粒子的运动场，对比它们分别消耗的时间，对比结果如图6所示。
从图6可以看出，本发明提出的方法消耗时间最短。
综上，本发明提出的方法能够准确有效的提取出极光粒子的运动场，不仅可以用于极光视频序列的分类，也可以用于极光的动态过程分析。
Claims (5)
1.一种基于粘性流体粒子运动模型的视频序列分类方法，包括：
(1)输入不同种类的极光视频序列，并采用掩膜处理方法对每帧极光图像进行边缘去躁的预处理；
(2)计算预处理后不同种类的极光视频序列的运动场：
(2a)按照粘性流体力学模型，将预处理后的每帧极光图像的每一个像素点看作是粘性流体粒子，并以相邻两帧极光图像对应位置上像素点的灰度差作为内力其中表示像素点的位置，t表示视频序列中的第t帧图像；
(2b)将内力代入到粘性流体力学运动方程中并对其进行求解，得到不同种类极光粒子的运动场其中表示像素点的位置，t表示视频序列中的第t帧图像；
(3)提取运动场的局部二值模式特征，作为不同种类极光序列的动态特征P1；
(4)对步骤(1)中预处理后的每帧极光图像的像素值提取局部二值模式特征，作为不同种类极光序列的静态特征P2；
(5)将不同形态极光序列的动态特征P1与静态特征P2相融合，得到能够表征不同种类极光序列的特征P＝(P1，P2)，运用支持向量机SVM分类器对不同种类的极光序列特征P进行分类。
2.根据权利要求1所述的方法，其中步骤(1)所述的采用掩膜处理方法对每帧极光图像进行边缘去噪的预处理，按如下步骤进行：
(1a)构造一幅与极光图像大小相同的二值图像M：以二值图像的中心为圆心，以220个像素为半径作圆，圆内的像素取值为1，圆外的像素取值为0；
(1b)根据构造的二值图像M，利用下式得对去燥后的极光图像I：
I＝O*M，
其中，O为输入的原始极光图像，*为图像间对应像素的相乘操作。
3.根据权利要求1所述的方法，其中步骤(2b)中将内力代入到粘性流体力学运动方程中并对其进行求解，得到不同种类极光粒子的运动场按如下步骤进行：
(2b1)定义一个具有边界的容器，假定每个单元容器以速率η补充或析取流体，单元内力为容器表面压力张量为则粘性流体力学方程式为：
其中，ρ代表流体的密度，代表流体的速度，d代表微分运算，代表散度运算；
根据Navier-Poisson牛顿模型，将式<1>改为：
其中，λ和μ代表粘性系数，代表梯度运算，▽p为容器所受到的压强梯度；
(2b2)当流体雷诺系数远远小于1时，忽略式<2>右边的压力梯度▽p和惯性项将式<2>改为：
(2b3)取式<3>中的λ＝0，μ＝1，得到可适用于极光粒子的运动方程：
(2b4)将极光粒子的内力及运动场代到<4>中，得到极光粒子的运动方程：
(2b5)将<5>式中的运动场及内力进行空间和时间离散化，得到偏微分方程：
其中分别表示运动场的x分量和y分量，分别表示内力的x分量和y分量，为偏微分运算；
(2b6)采用九点差分格式对<6>式和<7>式进行离散，得到离散后的方程：
其中，i＝2,3,…m-1，j＝2,3,…n-1，m、n分别为每帧极光图像的宽度和高度，v1(i,j)为运动场在像素点(i,j)处的x分量，v2(i,j)为运动场在像素点(i,j)处的y分量，f1(i,j)为内力在像素点(i,j)处的x分量，f2(i,j)为内力在像素点(i,j)处的y分量；
(2b7)对式<8>和式<9>设置边界条件：
当j＝1,2,…,n时，v1(1,j)＝0，v1(n,j)＝0，v2(1,j)＝0，v2(n,j)＝0；
当i＝1,2,…,m时，v1(1,i)＝0，v1(m,i)＝0，v2(1,i)＝0，v2(m,i)＝0；
(2b8)对设置边界后的式<8>和式<9>运用超松弛SOR方法解出极光粒子在x方向的速度v1(i,j)及y方向的速度v2(i,j)，得到极光粒子的运动场
4.根据权利要求1所述的方法，其中步骤(3)所述的提取运动场的局部二值模式特征，按如下步骤进行：
(3a)将运动场矩阵划分为若干个16*16的小区域；
(3b)将每个小区域中的每个数值，与其周围相邻的8个数值进行比较，若周围的数值大于这个数值，则将周围的数值标记为1，否则，标记为0；
(3c)将每个小区域中的每个数值与其周围的8个数值比较后，得到一个8位二进制数，并将该8位二进制数转换为十进制数，得到每个数值的局部二值模式值；
(3d)统计每个区域内每个数值的局部二值模式值出现的频率，得到每个小区域的统计直方图，然后对该统计直方图进行归一化处理；
(3e)将每个小区域归一化处理后的统计直方图连接成为一个特征向量，得到运动场的局部二值模式特征P1。
5.根据权利要求1所述的方法，其中步骤(4)中对预处理后的每帧极光图像的像素值提取局部二值模式特征，按如下步骤进行：
(4a)将每帧极光图像的像素值矩阵划分为若干个16*16的小区域；
(4b)将每个小区域中的每个像素数值与其周围相邻的8个像素值进行比较，若周围的像素值大于这个像素值，则将周围的数值标记为1，否则，标记为0；
(4c)将每个小区域中的每个像素值与其周围的8个像素值比较后，得到一个8位二进制数，再将该8位二进制数转换为十进制数，则得到每个像素值的局部二值模式值；
(4d)统计每个区域内每个像素值的局部二值模式值出现的频率，得到每个小区域的统计直方图，然后对该统计直方图进行归一化处理；
(4d)将每个小区域归一化处理后的统计直方图连接成为一个特征向量，得到极光图像像素值的局部二值模式特征P2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710189229.8A CN106997601B (zh) | 2017-03-27 | 2017-03-27 | 基于粘性流体粒子运动模型的视频序列分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710189229.8A CN106997601B (zh) | 2017-03-27 | 2017-03-27 | 基于粘性流体粒子运动模型的视频序列分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106997601A true CN106997601A (zh) | 2017-08-01 |
| CN106997601B CN106997601B (zh) | 2019-10-11 |
Family
ID=59431603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710189229.8A Active CN106997601B (zh) | 2017-03-27 | 2017-03-27 | 基于粘性流体粒子运动模型的视频序列分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106997601B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389162A (zh) * | 2018-01-09 | 2018-08-10 | 浙江大学 | 一种基于自适应邻域形状的图像边缘保持滤波方法 |
| CN109033944A (zh) * | 2018-06-07 | 2018-12-18 | 西安电子科技大学 | 一种全天空极光图像分类与关键局部结构定位方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971120A (zh) * | 2014-04-18 | 2014-08-06 | 西安电子科技大学 | 基于空时极向局部二值模式的极光图像序列分类方法 |
| CN105844662A (zh) * | 2016-03-14 | 2016-08-10 | 西安电子科技大学 | 基于流体力学的极光运动方向确定方法 |
-
2017
- 2017-03-27 CN CN201710189229.8A patent/CN106997601B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971120A (zh) * | 2014-04-18 | 2014-08-06 | 西安电子科技大学 | 基于空时极向局部二值模式的极光图像序列分类方法 |
| CN105844662A (zh) * | 2016-03-14 | 2016-08-10 | 西安电子科技大学 | 基于流体力学的极光运动方向确定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高洪佳: "基于光流的日侧极光图像分类研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108389162A (zh) * | 2018-01-09 | 2018-08-10 | 浙江大学 | 一种基于自适应邻域形状的图像边缘保持滤波方法 |
| CN108389162B (zh) * | 2018-01-09 | 2021-06-25 | 浙江大学 | 一种基于自适应邻域形状的图像边缘保持滤波方法 |
| CN109033944A (zh) * | 2018-06-07 | 2018-12-18 | 西安电子科技大学 | 一种全天空极光图像分类与关键局部结构定位方法及系统 |
| CN109033944B (zh) * | 2018-06-07 | 2021-09-24 | 西安电子科技大学 | 一种全天空极光图像分类与关键局部结构定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106997601B (zh) | 2019-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11657602B2 (en) | Font identification from imagery | |
| CN106650721B (zh) | 一种基于卷积神经网络的工业字符识别方法 | |
| Yuan et al. | Bag-of-words and object-based classification for cloud extraction from satellite imagery | |
| Liu et al. | Image and texture segmentation using local spectral histograms | |
| de Lima et al. | Petrographic microfacies classification with deep convolutional neural networks | |
| CN107133955B (zh) | 一种多层次结合的协同显著性检测方法 | |
| CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
| CN109002766A (zh) | 一种表情识别方法及装置 | |
| CN108537168B (zh) | 基于迁移学习技术的面部表情识别方法 | |
| CN112613350A (zh) | 一种基于深度神经网络的高分辨率光学遥感图像飞机目标检测方法 | |
| CN111914902A (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
| CN109064478A (zh) | 一种基于极限学习机的天文图像轮廓提取方法 | |
| Sun et al. | A texture fused superpixel algorithm for coal mine waste rock image segmentation | |
| CN106997601B (zh) | 基于粘性流体粒子运动模型的视频序列分类方法 | |
| Giri et al. | Transfer learning based image visualization using cnn | |
| Soomro et al. | Printed circuit board identification using deep convolutional neural networks to facilitate recycling | |
| CN108416795A (zh) | 基于排序池化融合空间特征的视频动作识别方法 | |
| Dong et al. | Fusing multilevel deep features for fabric defect detection based NTV-RPCA | |
| Li et al. | Complementary learning-based scene classification of remote sensing images with noisy labels | |
| CN114863125A (zh) | 一种书法/美术作品智能评分方法及系统 | |
| CN111401122B (zh) | 一种基于知识分类的复杂目标渐近识别方法及装置 | |
| Cetindag et al. | Transfer Learning Methods for Using Textural Features in Histopathological Image Classification | |
| JP6995262B1 (ja) | 学習システム、学習方法、及びプログラム | |
| CN112949728B (zh) | 基于切片图像筛选和特征聚合的mri图像分类方法 | |
| Chavan et al. | Synthetic image generation for visual particle size distribution estimation based on U-NET convolutional networks |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220511 Address after: No.2, Taibai South Road, Yanta District, Xi'an City, Shaanxi Province Patentee after: XIDIAN University Patentee after: Jiangsu Zejing Automotive Electronics Co., Ltd Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an Patentee before: XIDIAN University Patentee before: Jiangsu Zejing Automotive Electronics Co., Ltd. Xi'an Branch |
|
| TR01 | Transfer of patent right |