CN107169507A - 一种基于网格特征提取的证件照曝光方向检测算法 - Google Patents

一种基于网格特征提取的证件照曝光方向检测算法 Download PDF

Info

Publication number
CN107169507A
CN107169507A CN201710245148.5A CN201710245148A CN107169507A CN 107169507 A CN107169507 A CN 107169507A CN 201710245148 A CN201710245148 A CN 201710245148A CN 107169507 A CN107169507 A CN 107169507A
Authority
CN
China
Prior art keywords
mtd
mrow
certificate photo
certificate
exposure
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.)
Pending
Application number
CN201710245148.5A
Other languages
English (en)
Inventor
聂勇伟
刘洋量
沈婕
梁文欣
罗文韬
雷颖仪
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Publication of CN107169507A publication Critical patent/CN107169507A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于网格特征提取的证件照曝光方向检测算法，所述方法包括：一、通过训练提取多张证件照的曝光特征，建立SVM模型，其中，SVM模型的建立具体包括：1)对证件照集按照曝光种类进行分类，2)对证件照集进行转灰度处理和高斯滤波平滑处理，3)对证件照进行二维网格划分，并基于网格提取高维特征向量，4)以证件照的类别和特征向量训练建立SVM模型；二、输入待检测的证件照，并利用步骤一中建立的SVM模型得到证件照的曝光方向检测结果。本算法通过设计和抽取样本的高维曝光特征描述符，实现了基于样本驱动的精确曝光检测方法，解决了多种类型曝光精确检测难题。

Description

一种基于网格特征提取的证件照曝光方向检测算法
技术领域
本发明涉及图像处理领域，具体涉及一种基于网格特征提取的证件照曝光方向检测算法。
背景技术
随着数码时代的快速发展，对图像处理技术的要求也越来越高。其中，评价成像质量的关键参数之一就是曝光，而曝光问题过于主观，目前关于曝光是否均匀问题的技术和研究为之甚少，且对于曝光问题的算法研究也只局限于整体的判断曝光量是否过度或不足，未能更好地满足人们对图像处理的更为细致化的判断，例如无法判断是哪个方向的光线曝光过度或者不足等。为此，本发明提出了一种检测证件照的曝光分布不均匀，且能给出具体的曝光方向的方法。此方法能够检测出曝光的具体方向，例如，左亮右暗、右亮左暗、上亮下暗等情况。
现在的证件照研究技术中，针对于曝光检测的图像处理只能普遍地告知用户是否曝光过度或不足，而对于用户该如何有针对性地根据曝光过度或不足的方向进行下一次拍照的调整并不能明确说明，即无法判断曝光过度或不足的原因，也就是光源的方向问题。为了解决上述难题，给予用户更好体验，本发明提出一种证件照光源方向检测的算法，从图像中提取能有效表达图像曝光均匀程度的多维特征向量，并采用SVM框架进行训练和预测。具体地，将图像划分成正方形网格，并为每个图像网格计算像素均值和方差，所有网格的均值和方差叠加在一起构成高维特征向量，能有效说明图像的曝光是否均匀，是否出现局部高光等，从而实现曝光方向的有效检测。
发明内容
本发明的目的是针对上述现有技术的不足，提供了一种基于网格特征提取的证件照曝光方向检测算法，该算法从图像中提取能有效表达图像曝光均匀程度的多维特征向量，并采用SVM框架进行训练和预测，实现了曝光方向的有效检测。
本发明的目的可以通过如下技术方案实现：
一种基于网格特征提取的证件照曝光方向检测算法，所述方法包括以下步骤：
一、通过训练提取多张证件照的曝光特征，建立SVM模型，具体包括以下步骤：
1.1)输入一组已经手工标注曝光类型的证件照集合，其中曝光类型总共七类，并分别备注以标签0、1、2、3、4、5、6，分别代表曝光正常、曝光过度、曝光不足、左亮右暗、右亮左暗、上亮下暗、上暗下亮七类证件照；
1.2)对步骤1.1)中的每张证件照进行转灰度处理和平滑滤波；
1.3)对经过步骤1.2)处理过的证件照进行二维正方形网格划分，并基于网格提取高维特征向量，即灰度值的均值和方差，获得证件照的类别和特征向量信息；
1.4)以证件照的类别和特征向量两组数据信息作为SVM的训练样本，训练得到多分类SVM模型；
二、输入待检测的证件照，并利用步骤一中建立的SVM模型得到证件照的曝光方向检测结果。
优选的，步骤1.2)中，所述证件照的转灰度处理具体过程为：输入的证件照为24位真彩色，每个像素以RGB三个字节分别表示，其值分别为r、g、b，按如下公式求出每一像素点的灰度值：
Gray＝r*0.299+g*0.587+b*0.114
然后用256色调色板中最接近该灰度值的颜色亮度的值来表示它，得到对应的灰度图。
优选的，步骤1.2)中，所述证件照的平滑滤波具体过程为：在证件照进行转灰度处理后的基础上，在灰度图上移动下式5×5卷积核：
并将卷积核覆盖区域内的像素灰度值乘以对应的卷积核权重，将得到的25个值相加后除以总权重273，重复上述过程，遍历完整张输入证件照，得到平滑滤波后的结果。
优选的，步骤1.3)中，所述基于网格提取证件照高维特征向量的具体过程为：将证件照进行二维正方形网格划分为n个小块，每个小块为50×50共2500个像素点，其中对于每一个分块i∈[1,n]，利用公式：
计算其均值和方差，其中，u(i)为第i个分块的灰度值均值，σ(i)为第i个分块的灰度值方差，(x,y)为每个分块左上角的顶点坐标，(p,q)为分块里某一像素点坐标，k为分块的边长，h(p,q)是像素点(p,q)的灰度值，最后利用证件照中每个分块的灰度值均值和方差，组合成一个能有效表达证件照曝光均匀程度的高维特征向量Vn：
Vn＝[u(1),σ(1),u(2),σ(2),...,u(i),σ(i),...,u(n),σ(n)]。
优选的，步骤一中所述通过训练提取多张证件照的曝光特征，建立SVM模型的具体过程为：多张证件照集合{Ii|i∈[1,N]}，其中，N为集合的大小，从每张证件照Ii中提取高维特征向量并手工标注其曝光类型ci，构成一组训练数据，将提取的训练数据在VisualStudio上利用C++程序进行多分类SVM训练，设置SVM类型为C_SVC，核函数类型为RBF函数，核函数的参数gamma为0.01，SVM优化求解时的参数C为1。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明通过设计和抽取样本的高维曝光特征描述符，实现了基于样本驱动的精确曝光检测方法，解决了多种类型曝光精确检测难题。
2、本发明采用基于网格的图像曝光特征描述符，能均匀有效地表达图像整体曝光情况，帮助精确地检测除曝光正常、不足、过度之外的左亮右暗、右亮左暗、上亮下暗等各种曝光情况。
附图说明
图1为本发明实施例基于网格特征提取的证件照曝光方向检测算法的流程图。
图2为本发明实施例的测试过程证件照，其中图2(a)为灰度图，图2(b)为滤波图，图2(c)为提取特征图。
图3为本发明实施例的测试结果合格证件照。
图4为本发明实施例的测试结果左亮右暗证件照。
图5为本发明实施例的测试结果右亮左暗证件照。
图6为本发明实施例的测试结果上亮下暗证件照。
图7为本发明实施例的测试结果曝光过度证件照。
图8为本发明实施例的测试结果曝光不足证件照。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例：
本实施例提供了一种基于网格特征提取的证件照曝光方向检测算法，如图1的流程图所示，该算法包括以下步骤：
一、通过训练提取多张证件照的曝光特征，建立SVM模型，具体包括以下步骤：
1.1)输入一组已经手工标注曝光类型的证件照集合，其中曝光类型总共七类，并分别备注以标签0、1、2、3、4、5、6，分别代表曝光正常(如图3所示)、曝光过度(如图7所示)、曝光不足(如图8所示)、左亮右暗(如图4所示)、右亮左暗(如图5所示)、上亮下暗(如图6所示)、上暗下亮七类证件照；
1.2)对步骤1.1)中的每张证件照进行转灰度处理和平滑滤波，转灰度处理后的灰度图如图2(a)所示，平滑滤波后的滤波图如图2(b)所示；
1.3)对经过步骤1.2)处理过的证件照进行二维正方形网格划分，并基于网格提取高维特征向量，即灰度值的均值和方差，获得证件照的类别和特征向量信息，提取特征图后的证件照如图2(c)所示；
1.4)以证件照的类别和特征向量两组数据信息作为SVM的训练样本，训练得到多分类SVM模型；
二、输入待检测的证件照，并利用步骤一中建立的SVM模型得到证件照的曝光方向检测结果。
进一步地，步骤1.2)中，所述证件照的转灰度处理具体过程为：输入的证件照为24位真彩色，每个像素以RGB三个字节分别表示，其值分别为r、g、b，按如下公式求出每一像素点的灰度值：
Gray＝r*0.299+g*0.587+b*0.114，然后用256色调色板中最接近该灰度值的颜色亮度的值来表示它，得到对应的灰度图。
进一步地，步骤1.2)中，所述证件照的平滑滤波具体过程为：在证件照进行转灰度处理后的基础上，在灰度图上移动下式5×5卷积核：
并将卷积核覆盖区域内的像素灰度值乘以对应的卷积核权重，将得到的25个值相加后除以总权重273，重复上述过程，遍历完整张输入证件照，得到平滑滤波后的结果。
进一步地，步骤1.3)中，所述基于网格提取证件照高维特征向量的具体过程为：将证件照进行二维正方形网格划分为n个小块，每个小块为50×50共2500个像素点，其中对于每一个分块i∈[1,n]，利用公式：
计算其均值和方差，其中，u(i)为第i个分块的灰度值均值，σ(i)为第i个分块的灰度值方差，(x,y)为每个分块左上角的顶点坐标，(p,q)为分块里某一像素点坐标，k为分块的边长，h(p,q)是像素点(p,q)的灰度值，最后利用证件照中每个分块的灰度值均值和方差，组合成一个能有效表达证件照曝光均匀程度的高维特征向量Vn：
Vn＝[u(1),σ(1),u(2),σ(2),...,u(i),σ(i),...,u(n),σ(n)]。
进一步地，步骤一中所述通过训练提取多张证件照的曝光特征，建立SVM模型的具体过程为：多张证件照集合{Ii|i∈[1,N]}，其中，N为集合的大小，从每张证件照Ii中提取高维特征向量并手工标注其曝光类型ci，构成一组训练数据，将提取的训练数据在VisualStudio上利用C++程序进行多分类SVM训练，设置SVM类型为C_SVC，核函数类型为RBF函数，核函数的参数gamma为0.01，SVM优化求解时的参数C为1。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (5)

1.一种基于网格特征提取的证件照曝光方向检测算法，其特征在于，所述方法包括以下步骤：
一、通过训练提取多张证件照的曝光特征，建立SVM模型，具体包括以下步骤：
1.1)输入一组已经手工标注曝光类型的证件照集合，其中曝光类型总共七类，并分别备注以标签0、1、2、3、4、5、6，分别代表曝光正常、曝光过度、曝光不足、左亮右暗、右亮左暗、上亮下暗、上暗下亮七类证件照；
1.2)对步骤1.1)中的每张证件照进行转灰度处理和平滑滤波；
1.3)对经过步骤1.2)处理过的证件照进行二维正方形网格划分，并基于网格提取高维特征向量，即灰度值的均值和方差，获得证件照的类别和特征向量信息；
1.4)以证件照的类别和特征向量两组数据信息作为SVM的训练样本，训练得到多分类SVM模型；
二、输入待检测的证件照，并利用步骤一中建立的SVM模型得到证件照的曝光方向检测结果。
2.根据权利要求1所述的一种基于网格特征提取的证件照曝光方向检测算法，其特征在于：步骤1.2)中，所述证件照的转灰度处理具体过程为：输入的证件照为24位真彩色，每个像素以RGB三个字节分别表示，其值分别为r、g、b，按如下公式求出每一像素点的灰度值：
Gray＝r*0.299+g*0.587+b*0.114
然后用256色调色板中最接近该灰度值的颜色亮度的值来表示它，得到对应的灰度图。
3.根据权利要求1所述的一种基于网格特征提取的证件照曝光方向检测算法，其特征在于：步骤1.2)中，所述证件照的平滑滤波具体过程为：在证件照进行转灰度处理后的基础上，在灰度图上移动下式5×5卷积核：
<mfenced open = "|" close = "|"> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>4</mn> </mtd> <mtd> <mn>7</mn> </mtd> <mtd> <mn>4</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>4</mn> </mtd> <mtd> <mn>16</mn> </mtd> <mtd> <mn>26</mn> </mtd> <mtd> <mn>16</mn> </mtd> <mtd> <mn>4</mn> </mtd> </mtr> <mtr> <mtd> <mn>7</mn> </mtd> <mtd> <mn>26</mn> </mtd> <mtd> <mn>41</mn> </mtd> <mtd> <mn>26</mn> </mtd> <mtd> <mn>7</mn> </mtd> </mtr> <mtr> <mtd> <mn>4</mn> </mtd> <mtd> <mn>16</mn> </mtd> <mtd> <mn>26</mn> </mtd> <mtd> <mn>16</mn> </mtd> <mtd> <mn>4</mn> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mn>4</mn> </mtd> <mtd> <mn>7</mn> </mtd> <mtd> <mn>4</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced>
并将卷积核覆盖区域内的像素灰度值乘以对应的卷积核权重，将得到的25个值相加后除以总权重273，重复上述过程，遍历完整张输入证件照，得到平滑滤波后的结果。
4.根据权利要求1所述的一种基于网格特征提取的证件照曝光方向检测算法，其特征在于：步骤1.3)中，所述基于网格提取证件照高维特征向量的具体过程为：将证件照进行二维正方形网格划分为n个小块，每个小块为50×50共2500个像素点，其中对于每一个分块i∈[1,n]，利用公式：
<mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>k</mi> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mi>x</mi> </mrow> <mrow> <mi>x</mi> <mo>+</mo> <mi>k</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>q</mi> <mo>=</mo> <mi>y</mi> </mrow> <mrow> <mi>y</mi> <mo>+</mo> <mi>k</mi> </mrow> </munderover> <mi>h</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>&amp;sigma;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>k</mi> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>p</mi> <mo>=</mo> <mi>x</mi> </mrow> <mrow> <mi>x</mi> <mo>+</mo> <mi>k</mi> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>q</mi> <mo>=</mo> <mi>y</mi> </mrow> <mrow> <mi>y</mi> <mo>+</mo> <mi>k</mi> </mrow> </munderover> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>h</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow>
计算其均值和方差，其中，u(i)为第i个分块的灰度值均值，σ(i)为第i个分块的灰度值方差，(x,y)为每个分块左上角的顶点坐标，(p,q)为分块里某一像素点坐标，k为分块的边长，h(p,q)是像素点(p,q)的灰度值，最后利用证件照中每个分块的灰度值均值和方差，组合成一个能有效表达证件照曝光均匀程度的高维特征向量Vn：
Vn＝[u(1),σ(1),u(2),σ(2),...,u(i),σ(i),...,u(n),σ(n)]。
5.根据权利要求1所述的一种基于网格特征提取的证件照曝光方向检测算法，其特征在于：步骤一中所述通过训练提取多张证件照的曝光特征，建立SVM模型的具体过程为：多张证件照集合{Ii|i∈[1,N]}，其中，N为集合的大小，从每张证件照Ii中提取高维特征向量并手工标注其曝光类型ci，构成一组训练数据，将提取的训练数据在Visual Studio上利用C++程序进行多分类SVM训练，设置SVM类型为C_SVC，核函数类型为RBF函数，核函数的参数gamma为0.01，SVM优化求解时的参数C为1。
CN201710245148.5A 2017-01-06 2017-04-14 一种基于网格特征提取的证件照曝光方向检测算法 Pending CN107169507A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710011101 2017-01-06
CN2017100111012 2017-01-06

Publications (1)

Publication Number Publication Date
CN107169507A true CN107169507A (zh) 2017-09-15

Family

ID=59849972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710245148.5A Pending CN107169507A (zh) 2017-01-06 2017-04-14 一种基于网格特征提取的证件照曝光方向检测算法

Country Status (1)

Country Link
CN (1) CN107169507A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110475072A (zh) * 2017-11-13 2019-11-19 Oppo广东移动通信有限公司 拍摄图像的方法、装置、终端和存储介质
CN110991339A (zh) * 2019-12-02 2020-04-10 太原科技大学 一种采用循环频谱的三维腭皱识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609500A (zh) * 2008-12-01 2009-12-23 公安部第一研究所 出入境数字人像相片质量评估方法
CN102842133A (zh) * 2012-07-13 2012-12-26 电子科技大学 一种局部特征描述方法
CN102946513A (zh) * 2012-11-08 2013-02-27 北京小米科技有限责任公司 一种启动拍摄装置高动态范围功能的方法、装置及终端
CN105120167A (zh) * 2015-08-31 2015-12-02 广州市幸福网络技术有限公司 一种证照相机及证照拍摄方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609500A (zh) * 2008-12-01 2009-12-23 公安部第一研究所 出入境数字人像相片质量评估方法
CN102842133A (zh) * 2012-07-13 2012-12-26 电子科技大学 一种局部特征描述方法
CN102946513A (zh) * 2012-11-08 2013-02-27 北京小米科技有限责任公司 一种启动拍摄装置高动态范围功能的方法、装置及终端
CN105120167A (zh) * 2015-08-31 2015-12-02 广州市幸福网络技术有限公司 一种证照相机及证照拍摄方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
樊田田: "证件照的质量预检测系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
马大国: "基于 Gabor特征的木材表面缺陷的分块检测", 《东北林业大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110475072A (zh) * 2017-11-13 2019-11-19 Oppo广东移动通信有限公司 拍摄图像的方法、装置、终端和存储介质
CN110475072B (zh) * 2017-11-13 2021-03-09 Oppo广东移动通信有限公司 拍摄图像的方法、装置、终端和存储介质
US11412153B2 (en) 2017-11-13 2022-08-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Model-based method for capturing images, terminal, and storage medium
CN110991339A (zh) * 2019-12-02 2020-04-10 太原科技大学 一种采用循环频谱的三维腭皱识别方法

Similar Documents

Publication Publication Date Title
CN111310862B (zh) 复杂环境下基于图像增强的深度神经网络车牌定位方法
Yang et al. Graph-regularized saliency detection with convex-hull-based center prior
CN107133943A (zh) 一种防震锤缺陷检测的视觉检测方法
EP3819859A1 (en) Sky filter method for panoramic images and portable terminal
CN107133955A (zh) 一种多层次结合的协同显著性检测方法
CN116843999B (zh) 一种基于深度学习的动火作业中气瓶检测方法
CN112926652B (zh) 一种基于深度学习的鱼类细粒度图像识别方法
CN111275686B (zh) 用于人工神经网络训练的医学图像数据的生成方法及装置
CN104282008B (zh) 对图像进行纹理分割的方法和装置
CN110689000B (zh) 一种基于生成复杂环境下车牌样本的车辆车牌识别方法
CN113628180B (zh) 一种基于语义分割网络的遥感建筑物检测方法及系统
CN108764298A (zh) 基于单分类器的电力图像环境影响识别方法
Maryan et al. Machine learning applications in detecting rip channels from images
CN106991686A (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN108710893A (zh) 一种基于特征融合的数字图像相机源模型分类方法
CN107506795A (zh) 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN108846416A (zh) 显著图像的提取处理方法及系统
CN115272196A (zh) 组织病理图像中病灶区域预测方法
CN114943893B (zh) 一种土地覆盖分类的特征增强方法
CN110458128A (zh) 一种姿态特征获取方法、装置、设备及存储介质
CN106780727A (zh) 一种车头检测模型重建方法及装置
CN105718947B (zh) 基于lbp和小波矩融合特征的肺癌图像精细分类方法
CN110188693B (zh) 改进的复杂环境车辆特征提取和停车判别方法
CN105046202A (zh) 自适应的人脸识别光照处理方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170915