CN107392911A - 应用适应性高斯和声搜索的柚子图像分割方法 - Google Patents

应用适应性高斯和声搜索的柚子图像分割方法 Download PDF

Info

Publication number
CN107392911A
CN107392911A CN201710577783.3A CN201710577783A CN107392911A CN 107392911 A CN107392911 A CN 107392911A CN 201710577783 A CN201710577783 A CN 201710577783A CN 107392911 A CN107392911 A CN 107392911A
Authority
CN
China
Prior art keywords
mrow
msubsup
individual
image
shaddock
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
CN201710577783.3A
Other languages
English (en)
Inventor
郭肇禄
巫光福
王洋
章银娥
杨火根
李大海
余法红
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.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
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 Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN201710577783.3A priority Critical patent/CN107392911A/zh
Publication of CN107392911A publication Critical patent/CN107392911A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Abstract

本发明公开了一种应用适应性高斯和声搜索的柚子图像分割方法。本发明利用适应性高斯和声搜索算法来优化柚子图像分割类别的聚类中心。在适应性高斯和声搜索算法中，首先执行适应性高斯搜索操作算子生成新个体，然后根据搜索过程中生成新个体的适应值动态地调整控制参数，以此提高算法的搜索性能。本发明能够减少陷入局部极值的概率，提高柚子图像的分割精度。

Description

应用适应性高斯和声搜索的柚子图像分割方法
技术领域
本发明涉及图像分割领域，尤其是涉及一种应用适应性高斯和声搜索的柚子图像分割方法。
背景技术
柚子图像分割技术在数字化柚子种植产业中具有非常重要的作用。例如，柚子图像分割是柚子采摘机器人的支撑技术；柚子图像分割是柚子品质自动分拣系统的基础技术；柚子图像分割是柚子病害智能检测系统的基本技术。柚子图像分割问题往往都是将其归约成为优化问题来解决，但它是不连续、非线性的优化问题。因此，传统优化方法难以有效地解决柚子图像分割的问题。为此，人们通常采用模拟自然规律的演化算法来求解。演化算法具有自组织、自学习和自适应的优点，它在解决不连续、非线性的复杂优化问题中具有很大的优势。和声搜索算法是一种新近提出的演化算法，它已经成为了演化算法领域中的一个研究热点。
和声搜索算法在解决优化问题时表现出非常有潜力的性能，而数字图像分割往往都是归约成优化问题来解决的。因此，许多研究人员提出了众多的改进和声搜索算法来解决各种图像分割问题。例如，刘立群等利用改进和声搜索算法来优化玉米叶片病害图像的分割阈值，然后利用优化得到的分割阈值来分割玉米叶片病害图像，实验结果表明提出算法能够比传统算法获得更好的分割效果(刘立群,王联国,火久元,郭小燕.基于改进和声搜索算法的玉米叶片病害图像分割算法[J].计算机应用与软件,2016,33(4):183-186.)；廖一鹏和王卫星将和声搜索与多尺度边缘增强及自适应谷底检测技术相结合来实现浮选气泡图像的分割(廖一鹏,王卫星.结合多尺度边缘增强及自适应谷底检测的浮选气泡图像分割[J].光学精密工程,2016,10:2589-2600.)；崔兆华等利用全局最好和声搜索算法来优化模糊C均值聚类的中心，并利用优化得到的聚类中心来分割图像，实验结果表明提出方法能够比传统方法获得更好的分割效果(崔兆华,高立群,欧阳海滨,李文娜.融合全局最好和声搜索算法的模糊C均值聚类图像分割[J].中国图象图形学报,2013,18(9):1133-1141.)。
从现有的研究成果中可知，和声搜索算法已经广泛应用于数字图像的分割中，并且和声搜索算法在数字图像分割中能够表现出较为优越的性能，但传统和声搜索算法应用于柚子图像分割时容易陷入局部极值，存在着分割精度不高的缺点。
发明内容
本发明的目的是提供一种应用适应性高斯和声搜索的柚子图像分割方法，它在很大程度上能够克服传统和声搜索算法应用于柚子图像分割时容易陷入局部极值的缺点，本发明能够减少陷入局部极值的概率，提高柚子图像的分割精度。
本发明的技术方案：一种应用适应性高斯和声搜索的柚子图像分割方法，包括以下步骤：
步骤1，利用图像采集装置采集一幅柚子图像IMG，然后将图像IMG转换为YCrCb颜色空间的图像IMGN，并提取图像IMGN的Cb颜色分量作为聚类数据；
步骤2，用户初始化参数，设置和声库的大小HMS，分割类别数量D，最大评价次数MAX_FEs；
步骤3，令当前演化代数t＝0，当前评价次数FEs＝0，选取概率HMCRt＝0.9，扰动概率PARt＝0.5；
步骤4，随机产生初始和声库其中：个体下标i＝1,2,...,HMS；个体为和声库Mt中的第i个个体，并且个体存储了D个分割类别的聚类中心；为个体中的第j个分割类别的聚类中心，并按公式(1)对进行初始化：
其中维度下标j＝1,2,...,D；rand为服从均匀分布的随机实数产生函数；
步骤5，计算和声库Mt中每个个体的适应值，并令当前评价次数FEs＝FEs+HMS，然后保存和声库Mt中的最优个体Bestt及最差个体Worstt；
步骤6，令适应性因子paw＝rand(0,1)×0.1；
步骤7，在[0,1]之间随机产生两个实数pk1和pk2，然后按公式(2)计算当前选取概率NHMCR和当前扰动概率NPAR：
步骤8，执行适应性高斯搜索操作产生一个新个体Ut，具体操作如下：
步骤8.1，令计数器tj＝1；
步骤8.2，如果计数器tj小于或等于D，则转到步骤8.3，否则转到步骤9；
步骤8.3，在[0,1]之间产生一个随机实数tml；
步骤8.4，如果tml小于NHMCR，则转到步骤8.5，否则转到步骤8.13；
步骤8.5，在[1,HMS]之间随机产生一个正整数TR1；
步骤8.6，令
步骤8.7，在[0,1]之间随机产生两个实数TPAR和TRW；
步骤8.8，如果TPAR小于NPAR，则转到步骤8.9，否则转到步骤8.18；
步骤8.9，按公式(3)计算高斯均值gcu和高斯标准差gsd：
步骤8.10，令采样值UK＝NMRand(gcu,gsd)，其中NMRand是高斯随机实数产生函数；
步骤8.11，令反向值其中LAtj为和声库Mt中第tj维的最小值，UBtj为和声库Mt中第tj维的最大值；
步骤8.12，令然后转到步骤8.18；
步骤8.13，在[1,HMS]之间随机产生两个不相等的正整数TR2和TR3；
步骤8.14，按公式(4)计算高斯均值rmu和高斯标准差rsd：
步骤8.15，在[0,1]之间随机产生两个实数PW和RF；
步骤8.16，令导向值
步骤8.17，随机生成一个以rmu为均值，rsd为标准差的高斯随机实数GSV，然后令
步骤8.18，令计数器tj＝tj+1，转到步骤8.2；
步骤9，计算个体Ut的适应值；
步骤10，按公式(5)更新选取概率HMCRt+1和扰动概率PARt+1：
步骤11，如果个体Ut的适应值优于Worstt的适应值，则在和声库Mt中用个体Ut替换Worstt，否则保持Worstt不变；
步骤12，令当前评价次数FEs＝FEs+1；
步骤13，令当前演化代数t＝t+1；
步骤14，保存和声库Mt中的最优个体Bestt；
步骤15，保存和声库Mt中的最差个体Worstt；
步骤16，重复步骤6至步骤15，直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Bestt解码为D个分割类别的聚类中心，利用得到的D个分割类别的聚类中心，即可实现柚子图像的分割。
本发明公开了一种应用适应性高斯和声搜索的柚子图像分割方法。本发明利用适应性高斯和声搜索算法来优化柚子图像分割类别的聚类中心。在适应性高斯和声搜索算法中，首先执行适应性高斯搜索操作算子生成新个体，然后根据搜索过程中生成新个体的适应值动态地调整控制参数，以此提高算法的搜索性能。本发明能够减少陷入局部极值的概率，提高柚子图像的分割精度。
附图说明
图1为实施例中待分割的柚子图像。
图2为应用本发明分割后的结果图像。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
步骤1，利用图像采集装置采集一幅如图1所示的柚子图像IMG，然后将图像IMG转换为YCrCb颜色空间的图像IMGN，并提取图像IMGN的Cb颜色分量作为聚类数据；
步骤2，用户初始化参数，设置和声库的大小HMS＝30，分割类别数量D＝2，最大评价次数MAX_FEs＝120；
步骤3，令当前演化代数t＝0，当前评价次数FEs＝0，选取概率HMCRt＝0.9，扰动概率PARt＝0.5；
步骤4，随机产生初始和声库其中：个体下标i＝1,2,...,HMS；个体为和声库Mt中的第i个个体，并且个体存储了D个分割类别的聚类中心；为个体中的第j个分割类别的聚类中心，并按公式(1)对进行初始化：
其中维度下标j＝1,2,...,D；rand为服从均匀分布的随机实数产生函数；
步骤5，计算和声库Mt中每个个体的适应值，并令当前评价次数FEs＝FEs+HMS，然后保存和声库Mt中的最优个体Bestt及最差个体Worstt；
步骤6，令适应性因子paw＝rand(0,1)×0.1；
步骤7，在[0,1]之间随机产生两个实数pk1和pk2，然后按公式(2)计算当前选取概率NHMCR和当前扰动概率NPAR：
步骤8，执行适应性高斯搜索操作产生一个新个体Ut，具体操作如下：
步骤8.1，令计数器tj＝1；
步骤8.2，如果计数器tj小于或等于D，则转到步骤8.3，否则转到步骤9；
步骤8.3，在[0,1]之间产生一个随机实数tml；
步骤8.4，如果tml小于NHMCR，则转到步骤8.5，否则转到步骤8.13；
步骤8.5，在[1,HMS]之间随机产生一个正整数TR1；
步骤8.6，令
步骤8.7，在[0,1]之间随机产生两个实数TPAR和TRW；
步骤8.8，如果TPAR小于NPAR，则转到步骤8.9，否则转到步骤8.18；
步骤8.9，按公式(3)计算高斯均值gcu和高斯标准差gsd：
步骤8.10，令采样值UK＝NMRand(gcu,gsd)，其中NMRand是高斯随机实数产生函数；
步骤8.11，令反向值其中LAtj为和声库Mt中第tj维的最小值，UBtj为和声库Mt中第tj维的最大值；
步骤8.12，令然后转到步骤8.18；
步骤8.13，在[1,HMS]之间随机产生两个不相等的正整数TR2和TR3；
步骤8.14，按公式(4)计算高斯均值rmu和高斯标准差rsd：
步骤8.15，在[0,1]之间随机产生两个实数PW和RF；
步骤8.16，令导向值
步骤8.17，随机生成一个以rmu为均值，rsd为标准差的高斯随机实数GSV，然后令
步骤8.18，令计数器tj＝tj+1，转到步骤8.2；
步骤9，计算个体Ut的适应值；
步骤10，按公式(5)更新选取概率HMCRt+1和扰动概率PARt+1：
步骤11，如果个体Ut的适应值优于Worstt的适应值，则在和声库Mt中用个体Ut替换Worstt，否则保持Worstt不变；
步骤12，令当前评价次数FEs＝FEs+1；
步骤13，令当前演化代数t＝t+1；
步骤14，保存和声库Mt中的最优个体Bestt；
步骤15，保存和声库Mt中的最差个体Worstt；
步骤16，重复步骤6至步骤15，直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Bestt解码为D个分割类别的聚类中心，利用得到的D个分割类别的聚类中心对柚子图像进行分割，即可得到如图2所示的分割结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (1)

1.一种应用适应性高斯和声搜索的柚子图像分割方法，其特征在于，包括以下步骤：
步骤1，利用图像采集装置采集一幅柚子图像IMG，然后将图像IMG转换为YCrCb颜色空间的图像IMGN，并提取图像IMGN的Cb颜色分量作为聚类数据；
步骤2，用户初始化参数，设置和声库的大小HMS，分割类别数量D，最大评价次数MAX_FEs；
步骤3，令当前演化代数t＝0，当前评价次数FEs＝0，选取概率HMCRt＝0.9，扰动概率PARt＝0.5；
步骤4，随机产生初始和声库其中：个体下标i＝1,2,...,HMS；个体为和声库Mt中的第i个个体，并且个体存储了D个分割类别的聚类中心；为个体中的第j个分割类别的聚类中心，并按公式(1)对进行初始化：
<mrow> <msubsup> <mi>A</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <mn>255</mn> <mo>&amp;times;</mo> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中维度下标j＝1,2,...,D；rand为服从均匀分布的随机实数产生函数；
步骤5，计算和声库Mt中每个个体的适应值，并令当前评价次数FEs＝FEs+HMS，然后保存和声库Mt中的最优个体Bestt及最差个体Worstt；
步骤6，令适应性因子paw＝rand(0,1)×0.1；
步骤7，在[0,1]之间随机产生两个实数pk1和pk2，然后按公式(2)计算当前选取概率NHMCR和当前扰动概率NPAR：
步骤8，执行适应性高斯搜索操作产生一个新个体Ut，具体操作如下：
步骤8.1，令计数器tj＝1；
步骤8.2，如果计数器tj小于或等于D，则转到步骤8.3，否则转到步骤9；
步骤8.3，在[0,1]之间产生一个随机实数tml；
步骤8.4，如果tml小于NHMCR，则转到步骤8.5，否则转到步骤8.13；
步骤8.5，在[1,HMS]之间随机产生一个正整数TR1；
步骤8.6，令
步骤8.7，在[0,1]之间随机产生两个实数TPAR和TRW；
步骤8.8，如果TPAR小于NPAR，则转到步骤8.9，否则转到步骤8.18；
步骤8.9，按公式(3)计算高斯均值gcu和高斯标准差gsd：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>g</mi> <mi>c</mi> <mi>u</mi> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>Best</mi> <mrow> <mi>t</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>A</mi> <mrow> <mi>T</mi> <mi>R</mi> <mn>1</mn> <mo>,</mo> <mi>t</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> </mrow> <mn>2</mn> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>g</mi> <mi>s</mi> <mi>d</mi> <mo>=</mo> <mrow> <mo>|</mo> <mrow> <msubsup> <mi>Best</mi> <mrow> <mi>t</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>A</mi> <mrow> <mi>T</mi> <mi>R</mi> <mn>1</mn> <mo>,</mo> <mi>t</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> </mrow> <mo>|</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
步骤8.10，令采样值UK＝NMRand(gcu,gsd)，其中NMRand是高斯随机实数产生函数；
步骤8.11，令反向值其中LAtj为和声库Mt中第tj维的最小值，UBtj为和声库Mt中第tj维的最大值；
步骤8.12，令然后转到步骤8.18；
步骤8.13，在[1,HMS]之间随机产生两个不相等的正整数TR2和TR3；
步骤8.14，按公式(4)计算高斯均值rmu和高斯标准差rsd：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>r</mi> <mi>m</mi> <mi>u</mi> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>A</mi> <mrow> <mi>T</mi> <mi>R</mi> <mn>2</mn> <mo>,</mo> <mi>t</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>A</mi> <mrow> <mi>T</mi> <mi>R</mi> <mn>3</mn> <mo>,</mo> <mi>t</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> </mrow> <mn>2</mn> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>r</mi> <mi>s</mi> <mi>d</mi> <mo>=</mo> <mrow> <mo>|</mo> <mrow> <msubsup> <mi>A</mi> <mrow> <mi>T</mi> <mi>R</mi> <mn>2</mn> <mo>,</mo> <mi>t</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>A</mi> <mrow> <mi>T</mi> <mi>R</mi> <mn>3</mn> <mo>,</mo> <mi>t</mi> <mi>j</mi> </mrow> <mi>t</mi> </msubsup> </mrow> <mo>|</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
步骤8.15，在[0,1]之间随机产生两个实数PW和RF；
步骤8.16，令导向值
步骤8.17，随机生成一个以rmu为均值，rsd为标准差的高斯随机实数GSV，然后令
步骤8.18，令计数器tj＝tj+1，转到步骤8.2；
步骤9，计算个体Ut的适应值；
步骤10，按公式(5)更新选取概率HMCRt+1和扰动概率PARt+1：
步骤11，如果个体Ut的适应值优于Worstt的适应值，则在和声库Mt中用个体Ut替换Worstt，否则保持Worstt不变；
步骤12，令当前评价次数FEs＝FEs+1；
步骤13，令当前演化代数t＝t+1；
步骤14，保存和声库Mt中的最优个体Bestt；
步骤15，保存和声库Mt中的最差个体Worstt；
步骤16，重复步骤6至步骤15，直至当前评价次数FEs达到MAX_FEs后结束，将执行过程中得到的最优个体Bestt解码为D个分割类别的聚类中心，利用得到的D个分割类别的聚类中心，即可实现柚子图像的分割。
CN201710577783.3A 2017-07-15 2017-07-15 应用适应性高斯和声搜索的柚子图像分割方法 Pending CN107392911A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710577783.3A CN107392911A (zh) 2017-07-15 2017-07-15 应用适应性高斯和声搜索的柚子图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710577783.3A CN107392911A (zh) 2017-07-15 2017-07-15 应用适应性高斯和声搜索的柚子图像分割方法

Publications (1)

Publication Number Publication Date
CN107392911A true CN107392911A (zh) 2017-11-24

Family

ID=60339801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710577783.3A Pending CN107392911A (zh) 2017-07-15 2017-07-15 应用适应性高斯和声搜索的柚子图像分割方法

Country Status (1)

Country Link
CN (1) CN107392911A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222609A (zh) * 2019-05-24 2019-09-10 江西理工大学 一种基于图像处理的墙体裂缝智能识别方法
CN110472046A (zh) * 2019-07-11 2019-11-19 广东奥博信息产业股份有限公司 一种政企服务文本聚类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030068082A1 (en) * 2001-05-16 2003-04-10 Dorin Comaniciu Systems and methods for automatic scale selection in real-time imaging
CN104715490A (zh) * 2015-04-09 2015-06-17 江西理工大学 一种基于自适应步长和声搜索算法的脐橙图像分割方法
CN104809737A (zh) * 2015-05-13 2015-07-29 江西理工大学 一种基于双策略和声搜索算法的柚子图像分割方法
CN106023162A (zh) * 2016-05-12 2016-10-12 江西理工大学 基于集成策略和声搜索算法的草莓图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030068082A1 (en) * 2001-05-16 2003-04-10 Dorin Comaniciu Systems and methods for automatic scale selection in real-time imaging
CN104715490A (zh) * 2015-04-09 2015-06-17 江西理工大学 一种基于自适应步长和声搜索算法的脐橙图像分割方法
CN104809737A (zh) * 2015-05-13 2015-07-29 江西理工大学 一种基于双策略和声搜索算法的柚子图像分割方法
CN106023162A (zh) * 2016-05-12 2016-10-12 江西理工大学 基于集成策略和声搜索算法的草莓图像分割方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222609A (zh) * 2019-05-24 2019-09-10 江西理工大学 一种基于图像处理的墙体裂缝智能识别方法
CN110472046A (zh) * 2019-07-11 2019-11-19 广东奥博信息产业股份有限公司 一种政企服务文本聚类方法
CN110472046B (zh) * 2019-07-11 2022-02-22 广东奥博信息产业股份有限公司 一种政企服务文本聚类方法

Similar Documents

Publication Publication Date Title
Tighe et al. Scene parsing with object instances and occlusion ordering
CN107680090A (zh) 基于改进全卷积神经网络的输电线路绝缘子状态识别方法
US9875253B2 (en) Color sketch image searching
CN102902956B (zh) 一种地基可见光云图识别处理方法
CN104715490B (zh) 一种基于自适应步长和声搜索算法的脐橙图像分割方法
CN103578119A (zh) 基于超像素的Codebook动态场景中目标检测方法
CN103049763A (zh) 一种基于上下文约束的目标识别方法
CN103824284A (zh) 一种基于视觉注意力模型的关键帧提取方法和系统
CN103218833B (zh) 边缘加强型的彩色空间最稳极值区域检测方法
CN107492103A (zh) 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法
CN104318611B (zh) 一种基于激光扫描点云的三维树木重建方法
CN104318575B (zh) 一种基于综合学习差分演化算法的多阈值图像分割方法
CN105608458A (zh) 一种高分辨率遥感影像建筑物提取方法
CN107392911A (zh) 应用适应性高斯和声搜索的柚子图像分割方法
CN103946868A (zh) 一种医学影像处理方法与系统
CN104537635A (zh) 一种保持拓扑的土地覆被矢量数据的简化算法
CN104036294A (zh) 基于光谱标记的多光谱遥感图像自适应分类方法
Fu et al. Geodesic saliency propagation for image salient region detection
Li et al. Study of star/Galaxy classification based on the XGBoost algorithm
Yang Enhancement for road sign images and its performance evaluation
CN110298807A (zh) 基于改进Retinex及量子菌群算法的NSCT域红外图像增强方法
CN102034102A (zh) 图像显著对象提取方法、互补显著度图学习方法及系统
Shen et al. Raster-based method for building selection in the multi-scale representation of two-dimensional maps
Boukir et al. Classification of remote sensing data using margin-based ensemble methods
Du et al. Land cover classification using remote sensing images and lidar data

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

Application publication date: 20171124

WD01 Invention patent application deemed withdrawn after publication