CN107240107B - 一种基于图像检索的显著性检测元评估方法 - Google Patents

一种基于图像检索的显著性检测元评估方法 Download PDF

Info

Publication number
CN107240107B
CN107240107B CN201710522580.4A CN201710522580A CN107240107B CN 107240107 B CN107240107 B CN 107240107B CN 201710522580 A CN201710522580 A CN 201710522580A CN 107240107 B CN107240107 B CN 107240107B
Authority
CN
China
Prior art keywords
image
conspicuousness
retrieval
sequence
input picture
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.)
Active
Application number
CN201710522580.4A
Other languages
English (en)
Other versions
CN107240107A (zh
Inventor
牛玉贞
陈建儿
郭文忠
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201710522580.4A priority Critical patent/CN107240107B/zh
Publication of CN107240107A publication Critical patent/CN107240107A/zh
Application granted granted Critical
Publication of CN107240107B publication Critical patent/CN107240107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/90—Determination of colour characteristics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像检索的显著性检测元评估方法，包括以下步骤：分别以用户标注的显著性图和T种显著性检测算法生成的显著性图作为权重计算输入图像的加权颜色直方图，并利用基于内容的图像检索方法获取检索图像，分别得到检索序列和；分别计算检索序列和的相似性值，排序得到图像检索应用对T种显著性检测算法的评估排序序列；分别计算显著性检测评估方法对T种显著性检测算法的评估值，排序得到显著性检测评估方法对T种显著性检测算法的评估排序序列；计算序列与的相关性；取图像集中所有输入图像的相关性的平均值作为显著性检测评估方法的评估值。该方法有利于为实际应用选出合适有效的显著性检测评估方法。

Description

一种基于图像检索的显著性检测元评估方法
技术领域
本发明涉及图像和视频处理以及计算机视觉技术领域，特别是一种基于图像检索的显著性检测元评估方法。
背景技术
显著性检测用于提取图像中的显著区域。由于显著性检测可以作为图像预处理步骤降低计算机视觉领域中问题的计算复杂度，显著性检测一直是计算机视觉领域的研究热点。许多显著性检测算法被提出来应用于各种实际应用，比如目标识别，图像检索，图像压缩等等。不同的显著性检测算法性能不同，导致实际应用中采用不同的显著性检测算法得到的效果也不同，因此用于选择合适的显著性检测算法的显著性检测评估方法变得尤为重要。
现有的显著性检测评估方法存在若干缺点。首先，不同的显著性检测评估方法对于同一种显著性检测算法的评估结果往往不一致。其次，大部分显著性检测评估方法是从理论出发对图像显著性检测算法进行评估，缺少从实际应用角度评估显著性检测算法。显著性检测算法作为实际应用中的预处理步骤，其在实际应用中的性能是至关重要的，基于实际应用对其评估可以解决显著性检测评估方法对不同算法评估结果不一致问题。
发明内容
本发明的目的在于提供一种基于图像检索的显著性检测元评估方法，该方法有利于为实际应用选出合适有效的显著性检测评估方法。
为实现上述目的，本发明的技术方案是：一种基于图像检索的显著性检测元评估方法，包括以下步骤：
步骤S1：对于图像集中的一输入图像Ii，分别以用户标注的显著性图和T种显著性检测算法生成的显著性图作为权重计算输入图像的加权颜色直方图，并利用基于内容的图像检索方法获取检索图像，分别得到检索序列和{Lk(Ii)|k＝1,2,…,T}；
步骤S2：分别计算检索序列与Lk(Ii)的相似性值ek(Ii)，将得到的{ek(Ii)|k＝1,2,…,T}值排序得到图像检索应用对T种显著性检测算法的评估排序序列
步骤S3：对于一显著性检测评估方法b，分别计算显著性检测评估方法b对T种显著性检测算法的评估值，将评估值排序得到显著性检测评估方法b对T种显著性检测算法的评估排序序列Xb(Ii)；
步骤S4：计算序列与Xb(Ii)的相关性Yb(Ii)；
步骤S5：依次取图像集中的其他输入图像，重复步骤S1-S4，得到数据中所有输入图像的相关性{Yb(Ii)|i＝1,2,…,N}，N表示图像集中图像总数，取平均值作为显著性检测评估方法b的评估值。
进一步地，所述步骤S1中，计算输入图像的加权颜色直方图，并利用基于内容的图像检索方法获取检索图像，得到检索序列，包括以下步骤：
步骤S11：对输入图像Ii，分别计算输入图像Ii在RGB、Lab、HSV三种颜色空间上的加权颜色直方图；计算加权颜色直方图时，每个通道像素取值范围平均分成8个组，故对于三个通道的颜色空间组的总数量为512，则输入图像Ii在颜色空间c下的加权颜色直方图的计算公式为：
其中，h(m,c)表示输入图像在第c种颜色空间第m个组的加权颜色直方图，p表示输入图像的像素，Ic表示在颜色空间c下的输入图像，M(p)表示像素p的显著性值，bm表示第m个组的颜色值集合，Ic(p)∈bm表示像素p在颜色空间c下的输入图像的颜色值属于bm表示的颜色值集合，δ{.}表示指示函数，当像素p属于bm时返回1，否则返回0，W和H分别表示输入图像的宽度和高度；
步骤S12：对输入图像Ii，将输入图像Ii分成3×3网格的图像块，计算输入图像Ii的分块加权颜色直方图，每个通道像素取值范围平均分成4个组，故对于三个通道的颜色空间组的总数量为64，则分块加权颜色直方图的计算公式为：
其中，h(m,c,r)表示输入图像在第c种颜色空间第m个组的第r个图像块的加权颜色直方图，Ic,r表示输入图像在颜色空间c下的第r个图像块；
步骤S13：计算输入图像Ii与图像集中其他任意输入图像Ij之间的相似性：
其中，f(Ii,Ij)表示图像Ii和图像Ij的相似性值，R表示图像分块的总块数，f(Ii,Ij)越大，说明两张图像越相似；
步骤S14：将输入图像Ii与图像集中其他任意输入图像Ij之间的相似性值{f(Ii,Ij)}降序排列，得到输入图像Ii的检索序列：
L(Ii)＝{l1,l2,…,lN-1},i＝1,2,…,N
其中，lq表示输入图像Ii的检索序列中第q张图像的编号；为了区分使用不同的显著性图作为加权图得到的图像检索结果，采用表示使用用户标注的显著性图作为加权图得到的检索序列，采用Lk(Ii)表示使用显著性检测算法k生成的显著性图作为加权图得到的检索序列。
进一步地，所述步骤S2中，分别计算检索序列与Lk(Ii)的相似性值ek(Ii)，将得到的相似性值排序得到图像检索应用对T种显著性检测算法的评估排序序列Xb(Ii)，包括以下步骤：
步骤S21：对于输入图像Ii，按如下公式计算检索序列和Lk(Ii)的相似性值ek(Ii)：
其中，Pk(Ii,j)表示Lk(Ii)中第j张图像在中的位置；j＝1,2,…,D，D表示检索返回的前D幅图像；
步骤S22：将{ek(Ii)|k＝1,2,…,T}升序排列，得到图像检索应用对T种显著性检测算法的评估排序序列
进一步地，所述步骤S3中，采用显著性检测评估方法b对输入图像Ii使用T种显著性检测算法生成的显著性图进行评估，根据评估值大小将评估结果好的显著性检测算法排在前面，依序排列，得到显著性检测评估方法b对T种显著性检测算法的评估排序序列Xb(Ii)。
进一步地，所述步骤S4中，按如下公式计算序列与Xb(Ii)的相关性Yb(Ii)：
其中和Xb(Ii,k)分别表示在和Xb(Ii)序列中第k个显著性检测算法的编号。
相较于现有技术，本发明的有益效果是：本发明选择图像检索作为实际应用的代表，基于实际意义评估显著性检测评估方法。显著性图可以帮助提高基于内容的图像检索方法得到的检索结果的准确度。本发明通过计算使用显著性检测算法生成的显著性图的检索结果和使用用户标注图的检索结果的相似性对显著性检测算法进行评估。显著性图与用户标注图越相似，检索结果越相似，该显著性检测算法越好。然后，使用显著性检测评估方法对显著性检测算法进行评估。最后，计算各显著性检测评估方法对显著性检测算法的评估结果与图像检索应用对显著性检测算法的评估结果的相关性，相关性值越大，说明该评估方法越符合图像检索这一实际应用。综上，本发明提出的基于图像检索的显著性检测元评估方法，能够有效的对显著性检测评估方法进行排序，为实际应用挑选合适的显著性检测评估方法，具有较大的使用价值。
附图说明
图1是本发明方法的流程框图。
图2是本发明一实施例的整体方法的实现流程图(以图像Ii作为输入为例)。
图3是本发明实施例中计算ek的实现流程图(以图像I79作为输入为例)。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明基于图像检索的显著性检测元评估方法，如图1、2所示，包括以下步骤：
步骤S1：对于图像集中的一输入图像Ii，分别以用户标注的显著性图和T种显著性检测算法生成的显著性图作为权重计算输入图像的加权颜色直方图，并利用基于内容的图像检索方法获取检索图像，分别得到检索序列和{Lk(Ii)|k＝1,2,…,T}；
步骤S2：分别计算检索序列与Lk(Ii)的相似性值ek(Ii)，将得到的{ek(Ii)|k＝1,2,…,T}值排序得到图像检索应用对T种显著性检测算法的评估排序序列
步骤S3：对于一显著性检测评估方法b，分别计算显著性检测评估方法b对T种显著性检测算法的评估值，将评估值排序得到显著性检测评估方法b对T种显著性检测算法的评估排序序列Xb(Ii)；
步骤S4：计算序列与Xb(Ii)的相关性Yb(Ii)；
步骤S5：依次取图像集中的其他输入图像，重复步骤S1-S4，得到数据中所有输入图像的相关性{Yb(Ii)|i＝1,2,…,N}，N表示图像集中图像总数，取平均值作为显著性检测评估方法b的评估值。
在本实施例中，所述步骤S1中，计算输入图像的加权颜色直方图，并利用基于内容的图像检索方法获取检索图像，得到检索序列，包括以下步骤：
步骤S11：对输入图像Ii，分别计算输入图像Ii在RGB、Lab、HSV三种颜色空间上的加权颜色直方图；计算加权颜色直方图时，每个通道像素取值范围平均分成8个组，故对于三个通道的颜色空间组的总数量为512，则输入图像Ii在颜色空间c下的加权颜色直方图的计算公式为：
其中，h(m,c)表示输入图像在第c种颜色空间第m个组的加权颜色直方图，p表示输入图像的像素，Ic表示在颜色空间c下的输入图像，M(p)表示像素p的显著性值，bm表示第m个组的颜色值集合，Ic(p)∈bm表示像素p在颜色空间c下的输入图像的颜色值属于bm表示的颜色值集合，δ{.}表示指示函数，当像素p属于bm时返回1，否则返回0，W和H分别表示输入图像的宽度和高度；
步骤S12：对输入图像Ii，将输入图像Ii分成3×3网格的图像块，计算输入图像Ii的分块加权颜色直方图，每个通道像素取值范围平均分成4个组，故对于三个通道的颜色空间组的总数量为64，则分块加权颜色直方图的计算公式为：
其中，h(m,c,r)表示输入图像在第c种颜色空间第m个组的第r个图像块的加权颜色直方图，Ic,r表示输入图像在颜色空间c下的第r个图像块；
步骤S13：计算输入图像Ii与图像集中其他任意输入图像Ij之间的相似性：
其中，f(Ii,Ij)表示图像Ii和图像Ij的相似性值，R表示图像分块的总块数，f(Ii,Ij)越大，说明两张图像越相似；以计算图像I1与I2相似性为例，计算公式为：
其中，f(I1,I2)表示图像I1和图像I2的相似性值，R(＝9)表示图像分块的总块数；
步骤S14：将输入图像Ii与图像集中其他任意输入图像Ij之间的相似性值{f(Ii,Ij)}降序排列，得到输入图像Ii的检索序列：
L(Ii)＝{l1,l2,…,lN-1},i＝1,2,…,N
其中，lq表示输入图像Ii的检索序列中第q张图像的编号；为了区分使用不同的显著性图作为加权图得到的图像检索结果，采用表示使用用户标注的显著性图作为加权图得到的检索序列，采用Lk(Ii)表示使用显著性检测算法k生成的显著性图作为加权图得到的检索序列。
在本实施例中，所述步骤S2中，分别计算检索序列与Lk(Ii)的相似性值ek(Ii)，将得到的相似性值排序得到图像检索应用对T种显著性检测算法的评估排序序列Xb(Ii)，包括以下步骤：
步骤S21：对于输入图像Ii，按如下公式计算检索序列和Lk(Ii)的相似性值ek(Ii)：
其中，Pk(Ii,j)表示Lk(Ii)中第j张图像在中的位置；j＝1,2,…,D，D表示检索返回的前D幅图像；对于图像检索应用，最关键的检索图像是检索返回的前若干幅图像，本实施例中，不失一般性的取检索返回的前25幅图像，因此，j的取值范围为1,2,…,25；
步骤S22：将{ek(Ii)|k＝1,2,…,T}升序排列，得到图像检索应用对T种显著性检测算法的评估排序序列
在本实施例中，所述步骤S3中，采用显著性检测评估方法b对输入图像Ii使用T种显著性检测算法生成的显著性图进行评估，根据评估值大小将评估结果好的显著性检测算法排在前面，依序排列，得到显著性检测评估方法b对T种显著性检测算法的评估排序序列Xb(Ii)。
在本实施例中，所述步骤S4中，按如下公式计算序列与Xb(Ii)的相关性Yb(Ii)：
其中和Xb(Ii,k)分别表示在和Xb(Ii)序列中第k个显著性检测算法的编号。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于图像检索的显著性检测元评估方法，其特征在于：包括以下步骤：
步骤S1：对于图像集中的一输入图像Ii，分别以用户标注的显著性图和T种显著性检测算法生成的显著性图作为权重计算输入图像的加权颜色直方图，并利用基于内容的图像检索方法获取检索图像，分别得到检索序列和{Lk(Ii)|k＝1,2,…,T}；
步骤S2：分别计算检索序列与Lk(Ii)的相似性值ek(Ii)，将得到的{ek(Ii)|k＝1,2,…,T}值排序得到图像检索应用对T种显著性检测算法的评估排序序列
步骤S3：对于一显著性检测评估方法b，分别计算显著性检测评估方法b对T种显著性检测算法的评估值，将评估值排序得到显著性检测评估方法b对T种显著性检测算法的评估排序序列Xb(Ii)；
步骤S4：计算序列与Xb(Ii)的相关性Yb(Ii)；
步骤S5：依次取图像集中的其他输入图像，重复步骤S1-S4，得到数据中所有输入图像的相关性{Yb(Ii)|i＝1,2,…,N}，N表示图像集中图像总数，取平均值作为显著性检测评估方法b的评估值。
2.根据权利要求1所述的一种基于图像检索的显著性检测元评估方法，其特征在于：所述步骤S1中，计算输入图像的加权颜色直方图，并利用基于内容的图像检索方法获取检索图像，得到检索序列，包括以下步骤：
步骤S11：对输入图像Ii，分别计算输入图像Ii在RGB、Lab、HSV三种颜色空间上的加权颜色直方图；计算加权颜色直方图时，每个通道像素取值范围平均分成8个组，故对于三个通道的颜色空间组的总数量为512，则输入图像Ii在颜色空间c下的加权颜色直方图的计算公式为：
其中，h(m,c)表示输入图像在第c种颜色空间第m个组的加权颜色直方图，p表示输入图像的像素，Ic表示在颜色空间c下的输入图像，M(p)表示像素p的显著性值，bm表示第m个组的颜色值集合，Ic(p)∈bm表示像素p在颜色空间c下的输入图像的颜色值属于bm表示的颜色值集合，δ{.}表示指示函数，当像素p属于bm时返回1，否则返回0，W和H分别表示输入图像的宽度和高度；
步骤S12：对输入图像Ii，将输入图像Ii分成3×3网格的图像块，计算输入图像Ii的分块加权颜色直方图，每个通道像素取值范围平均分成4个组，故对于三个通道的颜色空间组的总数量为64，则分块加权颜色直方图的计算公式为：
其中，h(m,c,r)表示输入图像在第c种颜色空间第m个组的第r个图像块的加权颜色直方图，Ic,r表示输入图像在颜色空间c下的第r个图像块；
步骤S13：计算输入图像Ii与图像集中其他任意输入图像Ij之间的相似性：
其中，f(Ii,Ij)表示图像Ii和图像Ij的相似性值，R表示图像分块的总块数，f(Ii,Ij)越大，说明两张图像越相似；
步骤S14：将输入图像Ii与图像集中其他任意输入图像Ij之间的相似性值{f(Ii,Ij)}降序排列，得到输入图像Ii的检索序列：
L(Ii)＝{l1,l2,…,lN-1},i＝1,2,…,N
其中，lq表示输入图像Ii的检索序列中第q张图像的编号；为了区分使用不同的显著性图作为加权图得到的图像检索结果，采用表示使用用户标注的显著性图作为加权图得到的检索序列，采用Lk(Ii)表示使用显著性检测算法k生成的显著性图作为加权图得到的检索序列。
3.根据权利要求1所述的一种基于图像检索的显著性检测元评估方法，其特征在于：所述步骤S2中，分别计算检索序列与Lk(Ii)的相似性值ek(Ii)，将得到的相似性值排序得到图像检索应用对T种显著性检测算法的评估排序序列包括以下步骤：
步骤S21：对于输入图像Ii，按如下公式计算检索序列和Lk(Ii)的相似性值ek(Ii)：
其中，Pk(Ii,j)表示Lk(Ii)中第j张图像在中的位置；j＝1,2,…,D，D表示检索返回的前D幅图像；
步骤S22：将{ek(Ii)|k＝1,2,…,T}升序排列，得到图像检索应用对T种显著性检测算法的评估排序序列
4.根据权利要求1所述的一种基于图像检索的显著性检测元评估方法，其特征在于：所述步骤S3中，采用显著性检测评估方法b对输入图像Ii使用T种显著性检测算法生成的显著性图进行评估，根据评估值大小将评估结果好的显著性检测算法排在前面，依序排列，得到显著性检测评估方法b对T种显著性检测算法的评估排序序列Xb(Ii)。
5.根据权利要求1所述的一种基于图像检索的显著性检测元评估方法，其特征在于：所述步骤S4中，按如下公式计算序列与Xb(Ii)的相关性Yb(Ii)：
其中和Xb(Ii,k)分别表示在和Xb(Ii)序列中第k个显著性检测算法的编号。
CN201710522580.4A 2017-06-30 2017-06-30 一种基于图像检索的显著性检测元评估方法 Active CN107240107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710522580.4A CN107240107B (zh) 2017-06-30 2017-06-30 一种基于图像检索的显著性检测元评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710522580.4A CN107240107B (zh) 2017-06-30 2017-06-30 一种基于图像检索的显著性检测元评估方法

Publications (2)

Publication Number Publication Date
CN107240107A CN107240107A (zh) 2017-10-10
CN107240107B true CN107240107B (zh) 2019-08-09

Family

ID=59991202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710522580.4A Active CN107240107B (zh) 2017-06-30 2017-06-30 一种基于图像检索的显著性检测元评估方法

Country Status (1)

Country Link
CN (1) CN107240107B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550149A (zh) * 2018-04-17 2018-09-18 福州大学 一种基于实际应用的显著性检测元评估方法
CN110263196B (zh) * 2019-05-10 2022-05-06 南京旷云科技有限公司 图像检索方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077609A (zh) * 2014-06-27 2014-10-01 河海大学 一种基于条件随机场的显著性检测方法
US8977582B2 (en) * 2012-07-12 2015-03-10 Brain Corporation Spiking neuron network sensory processing apparatus and methods
CN106462771A (zh) * 2016-08-05 2017-02-22 深圳大学 一种3d图像的显著性检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977582B2 (en) * 2012-07-12 2015-03-10 Brain Corporation Spiking neuron network sensory processing apparatus and methods
CN104077609A (zh) * 2014-06-27 2014-10-01 河海大学 一种基于条件随机场的显著性检测方法
CN106462771A (zh) * 2016-08-05 2017-02-22 深圳大学 一种3d图像的显著性检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"多对象图像数据集建立及显著性检测算法评估";郑斌等;《计算机应用》;20150910;第35卷(第9期);论文第2624-2635 *

Also Published As

Publication number Publication date
CN107240107A (zh) 2017-10-10

Similar Documents

Publication Publication Date Title
US20220415027A1 (en) Method for re-recognizing object image based on multi-feature information capture and correlation analysis
Zhong et al. Re-ranking person re-identification with k-reciprocal encoding
Feng et al. Attention-driven salient edge (s) and region (s) extraction with application to CBIR
CN105975929A (zh) 一种基于聚合通道特征的快速行人检测方法
CN108596010B (zh) 行人重识别系统的实现方法
Chen et al. Ranking consistency for image matching and object retrieval
CN104715251B (zh) 一种基于直方图线性拟合的显著目标检测方法
CN102467564A (zh) 一种基于改进支持向量机相关反馈的遥感图像检索方法
Lindeberg Image matching using generalized scale-space interest points
CN107240107B (zh) 一种基于图像检索的显著性检测元评估方法
Vimina et al. A sub-block based image retrieval using modified integrated region matching
CN106780422A (zh) 一种基于Choquet积分的显著图融合方法
CN114005140A (zh) 一种人员识别方法、装置、设备、行人监控系统及存储介质
Feng et al. An efficient indexing method for content-based image retrieval
CN104376308A (zh) 一种基于多任务学习的人体动作识别方法
Wang et al. SpecVAT: Enhanced visual cluster analysis
Mahi et al. The silhouette index and the K-harmonic means algorithm for multispectral satellite images clustering
CN108268478A (zh) 一种基于ur-CAIM算法的不平衡数据集特征选择方法及装置
Kamahara et al. Conjunctive ranking function using geographic distance and image distance for geotagged image retrieval
Sowmya Construction workers activity detection using BOF
CN111127485A (zh) 一种ct图像中目标区域提取方法、装置及设备
Wang et al. Traffic-signs recognition system based on multi-features
Singh et al. Saliency Detection using Geometric Context Contrast Inferred from Natural Images.
CN108550149A (zh) 一种基于实际应用的显著性检测元评估方法
Zuva et al. Image representation using epanechnikov density feature points estimator

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