CN107424205B - 一种基于昼夜图像对进行三维立面布局估计的联合推断方法 - Google Patents
一种基于昼夜图像对进行三维立面布局估计的联合推断方法 Download PDFInfo
- Publication number
- CN107424205B CN107424205B CN201710559554.9A CN201710559554A CN107424205B CN 107424205 B CN107424205 B CN 107424205B CN 201710559554 A CN201710559554 A CN 201710559554A CN 107424205 B CN107424205 B CN 107424205B
- Authority
- CN
- China
- Prior art keywords
- image
- lattice
- dot matrix
- layout
- daytime
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于昼夜图像对进行三维立面布局估计的联合推断方法,使用提取出的夜晚图像中几何信息去辅助白天图像的立面布局估计,步骤为:(1)基于语义的窗灯信息检测夜晚图像,从图像中提取三维立面窗子的几何信息,构成夜晚图像的点阵结构;(2)对白天图像进行语义分割,根据分割后语义对象的上下文关系,得到白天图像结构的表面布局;(3)将点阵结构与表面布局对齐,即点阵映射到白天图像上,将点阵当作一种辅助来指导图像的重新分割;(4)最后基于迭代的推断框架不断的更新点阵结构,进而计算新的立面边界与朝向,得到新的表面布局。本发明相比于仅用白天图像进行立面布局的估计,使用了更为充分的信息,得到准确的结果。
Description
技术领域
本发明涉及城市图像理解领域,更具体地讲,涉及一种基于昼夜图像对进行三维立面布局估计的联合推断方法。
背景技术
在场景理解中非常经典的一项技术是根据单幅图像估计出其三维立面布局,但是由于缺少表示图像空间定量属性的特征,因此在获取精确三维立面布局结构方面没有取得革命性的进步。Zeng等人在图像分割领域证明了中层的重复结构能够提高三维立面布局结构的准确性。分析白天的图像发现一些杂物,比如建筑上的阴影变化以及场景中深度的不连续,这些都会给重复结构检测的效果带来影响。经过分析得出同一视点下的夜晚图像包含更为稳定的重复结构的特征,因此可以将白天图像与夜晚图像联合进行重复结构的检测,进一步提升了三维立面布局的估计结果。
本发明前,已有先驱者对室外城市环境的建筑立面做了建模,他们采用了不同的几何假设,比如基于图像分割、基于块以及基于平面的方法。Hoiem等人提出了基于特征学习对像素块分析的方法,该方法的整体步骤是首先对图像进行粗分割,然后对朝向不同的超像素(例如,平面向左,平面向前,或者平面向右)的特征线索进行提取,最终能够学习到分类模型对训练集以外的图像进行立面分类。由于Hoiem的方法不能够产生平面和块等的高层几何结构,只能够处理每个像素产生的粗略分割,因此Gupta等人在Hoiem的特征线索上提出了新的方法,该方法将邻近的不同朝向的分割块进行合并,形成具有三维体积的块,然后根据图像上的接地线和接天线将块放置到图像对应的三维空间中。Gupta的方法虽然能够对场景进行丰富的高层解释,但是其解释过程中的立面朝向或立面深度都是定性的,并且对于更为复杂的场景建模时,采用块近似表示建筑效果不佳。最近又有研究者提出了基于平面进行立面布局估计的方法,核心思想是使用平行四边形假设对建筑立面进行假设,该方法建立在平行直线集的正确分组之上,在灭点正确分组的地方能够实现更为精确的立面朝向分类。
除了上述方法,光度立体视觉是另一类使用静态室外相机的延时图像集进行立面朝向估计的方法,该方法采用兰伯(Lambert)在日间光照(太阳光和天际光)条件下的漫反射后显示出的颜色进行逐像素的表面法向。但是这类技术对于图像质量的要求相当高,需要至少包括一整天或者甚至一整年的数据,才能够获取准确的表面法向和深度。
发明内容
本发明的技术解决问题:克服现有技术的不足,提供一种基于昼夜图像对进行三维立面布局估计的联合推断方法,对城市环境下的昼夜图像对进行三维立面布局的估计,整个过程是一个全新的结合结构和显示表面线索进行迭代推断的框架,能够有效的获得一致的点阵-边缘分割和立面区域定量的朝向,对于在图像分割块上的情况由点阵属性引导的合并和分类操作。本发明的这种方法产生了一个对三维立面的更有充分信息的解释,得到准确的定量结果。
本发明的技术解决方案:根据昼夜图像对对城市环境下的图像进行三维立面的估计,先对夜晚图像进行处理,提取出图像的点阵结构;之后检测白天图像的边界以及其他局部的几何信息;将夜晚图像的点阵结构映射到白天图像上,对白天图像进行重新分割;最后采用迭代的推断框架对三维立面的边界以及核心的点阵结构不断的更新,得到最终朝向连续的三维立面布局。
夜晚图像的点阵结构提取过程中首先使用MSER区域来检测窗子,并根据其形状特征将其聚类成若干个组别;接着从某个组内随机选择4个点{A,B,C,D},将其图像空间的位置转换到点阵基{(0,0),(1,0),(1,1),(0,1)},这样可以决定一个透视变换Hi;接着通过计算在点阵空间整数位置上的内部元素个数多少来验证最优的变换Hi;接着使用形状相似度量和整数位置约束来添加邻近的极值区域进入到点阵内;点阵持续增长直到每个类中少于4个,最终,所有的点阵将添加到点阵池中;最后,点阵池中的点阵通过A-score和局部几何对齐进行质量衡量和排序。质量最高的点阵贪心地被保留,与其区域重叠的点阵从点阵池中去除,直到点阵池中不存在点阵。
在对三维立面的边界和核心的点阵结构进行迭代更新时,采用类似于期望最大化的方法,具体的流程图如图2所示。首先根据对齐的白天夜晚图像对In,Id,从夜晚图像In中检测初始的点阵集合L,从白天图像Id获取初始的布局分割S;接着将L映射到S上,在没有任何操作被接受的前提下,基于边界约束扩张点阵L;根据获得所有点阵-区域配置的不一致情况进行下面的判断,如果是出现分割块边界穿过点阵,有重叠边的情况,首先判断Li和Lj的对齐情况,若是对齐,合并点阵Li和Lj,进一步合并区域;若是没有对齐,则分离区域;如果是出现几何朝向不一致的情况,则基于点阵质量和边缘强度分离点阵Li;如果全局能量函数Ψ降低了,则接受上述的操作,并且更新状态;最后得到昼夜图像对的点阵结构及其对应的区域分割。
本发明具体步骤如下:
(1)首先,给出一组对齐的白天夜晚图像对,基于语义的窗灯信息检测出夜晚图像中的点阵结构;
(2)对白天图像进行语义分割,根据分割后语义对象的上下文关系,得到白天图像的立面布局结构;
(3)将步骤(1)中点阵结构与步骤(2)的白天图像的立面布局结构对齐,即将点阵结构映射到立面布局结构上,将点阵结构作为可信的点阵结构,即当作一种辅助来指导对白天图像进行重新分割;
(4)最后使用迭代的推断框架对白天图像的立面布局结构的边界以及夜晚图像的点阵结构进行更新,计算白天图像的立面布局结构的深度与朝向,得到最终的朝向连续的图像的三维立面布局。
所述步骤(1)中,基于语义的窗灯信息检测出夜晚图像中的点阵结构时,对透视畸变的点阵采用基于随机采样一致性(RANSAC)的变种平面分组方法来识别由邻近极值区域(closed extreme regions)的方式。
所述步骤(2)中,对白天图像进行语义分割时:首先每一个点阵对应一个边界,为边界内的区域,即白天图像的立面布局结构提供准确的朝向;再利用提升点阵和分割结果的全局能量函数实现点阵结构与步骤(2)中对白天图像进行语义分割后的结果即分割块间的一致性度量;所述提升点阵和分割结果的全局能量函数的过程为:
(n3)对象的全局能量函数为其中Ψdata(Li)表示点阵结构的集合中每一个独立点阵Li的完整性和规律性,并且累积所有候选点阵的能量,所述候选点阵是点阵结构的集合L中的点阵;Ψincon(Sj,L)度量了估计的立面布局和点阵结构结果的一致程度,累积所有与点阵结构集合L有重叠区域的候选区域Si;Ψsmooth(S,L)约束了点阵结构的数量和分割的区域。
所述步骤(4)中使用迭代的估计算法为:
在对白天的立面布局结构的边界和夜晚图像对应点阵集合中核心的点阵进行更新时,采用一种类似于期望最大化(EM)的方式进行迭代求解,在每一步迭代的过程中,点阵被认为是一个更加有效和准确的线索,决定了移动的顺序,迭代求解步骤为:
(t1)根据对齐的白天夜晚图像对In,Id,从夜晚图像In中检测初始的点阵结构的集合L,从白天图像Id获取初始的立面布局分割S;
(t2)将L映射到S上,得到点阵-区域配置,在没有任何操作被接受的前提下,基于边界约束扩张点阵结构集合L;
(t3)根据步骤(t2)获得所有点阵-区域配置的不一致情况;
(t4)如果是出现白天图像分割的结果,即分割块边界穿过点阵,有重叠边的情况,首先判断点阵集合L中的元素Li和Lj的对齐情况,若是对齐,合并点阵Li和Lj,进一步合并区域;若是没有对齐,则分离区域;
(t5)如果是出现点阵与点阵相邻处每个超像素不一致的情况,则基于点阵结构对应的质量和边缘强度分离点阵Li;
(t6)如果全局能量函数Ψ降低了,则接受(t2-t5)的操作,并且更新状态;
(t7)最后得到昼夜图像对的点阵结构及其对应的区域分割。
本发明与现有技术相比的优点在于:
(1)本发明首先在输入图像的数量上折中处理,采用的是一对白天-黑夜的图像,这两种图像是同一场景在不同光照条件下的光照响应,另外本发明在解决连续朝向度量时,使用的点阵方式比平面拥有更多的信息,点阵能够隐藏立面对齐或立面补全等结构化的信息,因此有效的解决了白天图像不能稳定进行视觉任务时采用夜晚图像上可能存在的显著不同表现,两者进行联合估计立面朝向得到更准确的结果。
(2)本发明中的一个全新的结合结构和显示表面线索进行迭代推断的框架,能够有效的获得一致的点阵-边缘分割和立面区域定量的朝向,对于在图像分割块上的情况由点阵属性引导的合并和分类操作,能够产生一个对建筑立面的更有充分信息的解释,得到准确的估计结果。
附图说明
图1为本发明基于昼夜图像对进行三维立面布局估计的联合推断方法的总体示意图;
图2为立面的边界和核心的点阵结构迭代更新流程图。
具体实施方法
下面结合附图对本发明作进一步详细的描述。
如图1所示,本发明的总体示意图,首先基于一组对齐的昼夜图像对,检测夜晚图像的点阵结构以及白天图像的边界和几何信息;之后将点阵映射到白天图像上,基于点阵对图像进行分割;在分割的过程中要不断的更新立面的边界和核心的点阵结构,最后计算出立面区域的深度和朝向,得到三维立面布局。
在获得夜晚图像的点阵结构时,基于夜晚城市环境下,人工光源,如窗灯等给人带来视觉上易观察的特点,采用其具有局部高对比度和规律的空间分布关系特性,设计出从夜晚图像中鲁棒识别立面平面的多点阵检测方法。主要处理的是透视畸变点阵,基于随机采样一致性的变种平面分组法来识别。首先检测窗子,根据形状的不同将其聚类到各个组别;接着随机选择某个组内的四个点,将其图像空间的位置转换成点阵基的形式,这样完成一个透视变换;接下来通过计算点阵空间整数位置上的内部元素个数得到最优的透视变换;这样点阵持续的增长,直到每个类别中的点少于四个;将得到的点阵添加到点阵池中;点阵池中的点阵通过A-score和局部几何对齐进行质量衡量和排序,质量最高的点阵贪心地被保留,与其区域重叠的点阵从点阵池中去除,直到点阵池中不存在点阵。
在进行点阵的属性和一种点阵与分割块间的一致性度量时,设计了全局能量函数来同时提升点阵和分割结果。首先给定点阵集合其中Fi是第i个点阵中的元素数目,Ts是纹理元,cs是校正的图像空间中的对应纹理元的中心位置;其次给定白天图像Id的立面布局配置其中ps指的是超像素,图像中的最小分割,es是Si中的像素和Sneighbor中与Si相邻的像素对应的边界;接着设置全局能量函数为全局函数中的数据项用来表明点阵结构的可信度会随着优化过程中点阵的完整性提高提高,公式为:Ψdata(Li)=Area(Li)Ψapp(Li)Ψgem(Li),其中 全局函数中的不一致项表达两种不一致情况,为分割块边界穿过点阵和超像素的几何朝向不一致的情况,其公式为ΨIncon(Sj,L)=ΨCond1(Sj,L)+ΨCond2(Sj,L),其中 全局函数中的平滑项描述了点阵和分割块之间的数量关系,其公式为:该公式能够避免分割块和点阵结构的过渡分割,点阵结构和分割块的数量同时被约束。
在对立面边界和核心点阵结构进行更新时,基于类似期望最大化的方式进行迭代求解。每一步的迭代过程中,点阵被认为是一个更加有效和准确的线索,决定了移动的顺序。首先对输入的昼夜图像对进行初始化,在边界约束下获得夜晚图像点阵,对扭正图像Ir进行点阵扩张,从图像八领域的点阵中获得候选点阵结构节点(候选的用于组成点阵结构的节点);如果候选点阵结构节点的分数高于纹理元T时,则识别其为一个可行的点阵结构节点(候选点阵结构节点中的其中一个点阵结构节点),并且更新了点阵结构集合;在判断点阵-区域配置对齐的过程中,根据相邻三维建筑立面的方位朝向关系判断两者之间是否对齐。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (2)
1.一种基于昼夜图像对进行三维立面布局估计的联合推断方法,其特征在于,包括如下步骤:
(1)首先,给出一组对齐的白天夜晚图像对,基于语义的窗灯信息检测出夜晚图像中的点阵结构;
(2)对白天图像进行语义分割,根据分割后语义对象的上下文关系,得到白天图像的立面布局结构;
(3)将步骤(1)中点阵结构与步骤(2)的白天图像的立面布局结构对齐,即将点阵结构映射到立面布局结构上,将点阵结构作为可信的点阵结构,即当作一种辅助来指导对白天图像进行重新分割;
(4)最后使用迭代的推断框架对白天图像的立面布局结构的边界以及夜晚图像的点阵结构进行更新,计算白天图像的立面布局结构的深度与朝向,得到最终的朝向连续的图像的三维立面布局;
所述步骤(2)中,对白天图像进行语义分割时:首先每一个点阵对应一个边界,为边界内的区域,即白天图像的立面布局结构提供准确的朝向;再利用提升点阵和分割结果的全局能量函数实现点阵结构与步骤(2)中对白天图像进行语义分割后的结果即分割块间的一致性度量;所述提升点阵和分割结果的全局能量函数的过程为:
(n1)给定点阵结构的集合L={Li},i=1,...,|L|,其中|L|为点阵结构的个数;每个点阵结构Li由多个纹理元Ti j组成,记为其中ni是第i个点阵的的元素数目;每个纹理元Ti j具有一个在矫正图像空间下的中心位置,记为
(n2)给定白天图像Id的立面布局配置S={Si},i=1,...,|S|,其中|S|是立面布局配置的单元个数;每个配置的单元Si是由多个超像素组成,可记为其中mi是配置单元中的超像素个数;当Si和Sj为相邻配置时,图像上存在一条像素重合的边界,记为eij;
(n3)对象的全局能量函数为其中Ψdata(Li)表示点阵结构的集合中每一个独立点阵Li的完整性和规律性,并且累积所有候选点阵的能量,所述候选点阵是点阵结构的集合L中的点阵;Ψincon(Sj,L)度量了估计的立面布局和点阵结构结果的一致程度,累积所有与点阵结构集合L有重叠区域的候选区域Sj;Ψsmooth(S,L)约束了点阵结构的数量和分割的区域;
所述步骤(4)中使用迭代的估计算法为:
在对白天的立面布局结构的边界和夜晚图像对应点阵集合中核心的点阵进行更新时,采用一种类似于期望最大化(EM)的方式进行迭代求解,在每一步迭代的过程中,点阵被认为是一个更加有效和准确的线索,决定了移动的顺序,迭代求解步骤为:
(t1)根据对齐的白天夜晚图像对In,Id,从夜晚图像In中检测初始的点阵结构的集合L,从白天图像Id获取初始的立面布局分割S;
(t2)将L映射到S上,得到点阵-区域配置,在没有任何操作被接受的前提下,基于边界约束扩张点阵结构集合L;
(t3)根据步骤(t2)获得所有点阵-区域配置的不一致情况;
(t4)如果是出现白天图像分割的结果,即分割块边界穿过点阵,有重叠边的情况,首先判断点阵集合L中的元素Li和Lj的对齐情况,若是对齐,合并点阵Li和Lj,进一步合并区域;若是没有对齐,则分离区域;
(t5)如果是出现点阵与点阵相邻处每个超像素不一致的情况,则基于点阵结构对应的质量和边缘强度分离点阵Li;
(t6)如果全局能量函数Ψ降低了,则接受(t2)-(t5)的操作,并且更新状态;
(t7)最后得到昼夜图像对的点阵结构及其对应的区域分割。
2.根据权利要求1所述的基于昼夜图像对进行三维立面布局估计的联合推断方法,其特征在于:所述步骤(1)中,基于语义的窗灯信息检测出夜晚图像中的点阵结构时,对透视畸变的点阵采用基于随机采样一致性(RANSAC)的变种平面分组方法来识别由邻近极值区域(closed extreme regions)的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710559554.9A CN107424205B (zh) | 2017-07-11 | 2017-07-11 | 一种基于昼夜图像对进行三维立面布局估计的联合推断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710559554.9A CN107424205B (zh) | 2017-07-11 | 2017-07-11 | 一种基于昼夜图像对进行三维立面布局估计的联合推断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107424205A CN107424205A (zh) | 2017-12-01 |
CN107424205B true CN107424205B (zh) | 2020-04-28 |
Family
ID=60427111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710559554.9A Expired - Fee Related CN107424205B (zh) | 2017-07-11 | 2017-07-11 | 一种基于昼夜图像对进行三维立面布局估计的联合推断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424205B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596256B (zh) * | 2018-04-26 | 2022-04-01 | 北京航空航天大学青岛研究院 | 一种基于rgb-d物体识别分类器构造方法 |
WO2021004633A1 (en) * | 2019-07-10 | 2021-01-14 | Toyota Motor Europe | System and method for training a model to perform semantic segmentation on low visibility images using high visibility images having a close camera view |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101860767A (zh) * | 2010-05-18 | 2010-10-13 | 南京大学 | 一种基于点阵的三维活动图像显示方法及其实现装置 |
CN102136132A (zh) * | 2010-01-27 | 2011-07-27 | 中国科学院自动化研究所 | 一种暗环境下人眼视觉系统感知效果的合成方法 |
CN104463798A (zh) * | 2014-11-28 | 2015-03-25 | 河海大学常州校区 | 基于稀疏表示算法的图像昼夜场景转换方法及系统 |
JP2015187794A (ja) * | 2014-03-27 | 2015-10-29 | 株式会社ジオ技術研究所 | 3次元地図表示システム |
CN106651817A (zh) * | 2016-11-03 | 2017-05-10 | 电子科技大学成都研究院 | 一种基于非抽样Contourlet的图像增强方法 |
-
2017
- 2017-07-11 CN CN201710559554.9A patent/CN107424205B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136132A (zh) * | 2010-01-27 | 2011-07-27 | 中国科学院自动化研究所 | 一种暗环境下人眼视觉系统感知效果的合成方法 |
CN101860767A (zh) * | 2010-05-18 | 2010-10-13 | 南京大学 | 一种基于点阵的三维活动图像显示方法及其实现装置 |
JP2015187794A (ja) * | 2014-03-27 | 2015-10-29 | 株式会社ジオ技術研究所 | 3次元地図表示システム |
CN104463798A (zh) * | 2014-11-28 | 2015-03-25 | 河海大学常州校区 | 基于稀疏表示算法的图像昼夜场景转换方法及系统 |
CN106651817A (zh) * | 2016-11-03 | 2017-05-10 | 电子科技大学成都研究院 | 一种基于非抽样Contourlet的图像增强方法 |
Non-Patent Citations (2)
Title |
---|
Survey on recent progresses of semantic image segmentation with CNNs;Qichuan Geng;《2016 International Conference on Virtual Reality and Visualization》;20131231;第158-163页 * |
一种基于图像集合的三维重建方法;林连庆;《电子世界》;20160713(第12期);第181-183页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107424205A (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428229B (zh) | 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法 | |
WO2023083059A1 (zh) | 一种路面缺陷检测方法、装置、电子设备和可读存储介质 | |
CN111815776A (zh) | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 | |
CN108830171B (zh) | 一种基于深度学习的智能物流仓库引导线视觉检测方法 | |
CN111985552B (zh) | 复杂背景下机场道面细带状结构病害检测方法 | |
CN110197505B (zh) | 基于深度网络及语义信息的遥感图像双目立体匹配方法 | |
Kang et al. | Voxel-based extraction and classification of 3-D pole-like objects from mobile LiDAR point cloud data | |
CN103198479B (zh) | 基于语义信息分类的sar图像分割方法 | |
CN105869178A (zh) | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 | |
CN107679458B (zh) | 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 | |
CN108629809B (zh) | 一种精确高效的立体匹配方法 | |
Bódis-Szomorú et al. | Efficient edge-aware surface mesh reconstruction for urban scenes | |
CN115482355A (zh) | 一种众源数据驱动的lod2级城市建筑物模型增强建模算法 | |
CN110956681A (zh) | 一种结合卷积网络和邻域相似性的人像背景自动替换方法 | |
CN113033432A (zh) | 一种基于渐进监督的遥感影像居民区提取方法 | |
CN104182968A (zh) | 宽基线多阵列光学探测系统模糊动目标分割方法 | |
CN104318051A (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN107424205B (zh) | 一种基于昼夜图像对进行三维立面布局估计的联合推断方法 | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
CN110363178B (zh) | 基于局部和全局深度特征嵌入的机载激光点云分类方法 | |
CN113486894B (zh) | 一种卫星图像特征部件语义分割方法 | |
CN117876381A (zh) | 用于混凝土结构裂缝识别和分析的ai视觉检测方法和系统 | |
CN116612097A (zh) | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
CN115690597A (zh) | 一种基于深度背景差分的遥感影像城市地物变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200428 |