CN108171710A - 一种图像分割处理方法 - Google Patents

一种图像分割处理方法 Download PDF

Info

Publication number
CN108171710A
CN108171710A CN201711440801.XA CN201711440801A CN108171710A CN 108171710 A CN108171710 A CN 108171710A CN 201711440801 A CN201711440801 A CN 201711440801A CN 108171710 A CN108171710 A CN 108171710A
Authority
CN
China
Prior art keywords
image
pixel
cluster centre
cluster
pending image
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
CN201711440801.XA
Other languages
English (en)
Inventor
任佳
崔亚妮
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.)
Hainan Haida Information Industrial Park Co Ltd
Original Assignee
Hainan Haida Information Industrial Park Co Ltd
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 Hainan Haida Information Industrial Park Co Ltd filed Critical Hainan Haida Information Industrial Park Co Ltd
Priority to CN201711440801.XA priority Critical patent/CN108171710A/zh
Publication of CN108171710A publication Critical patent/CN108171710A/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Landscapes

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

Abstract

本发明公开了一种图像分割处理方法，涉及图像处理技术领域。该方法包括以下步骤：S1、输入待处理图像；S2、将所述待处理图像进行均值漂移算法滤波处理，输出所述待处理图像的类别数以及聚类中心；S3、将所述类别数以及聚类中心作为FCM算法的初始值，计算得到所述待处理图像的聚类结果；S4、根据所述聚类结果对所述待处理图像进行二值化，以得到分割后的图像。本发明技术方案通过将均值漂移算法引入到FCM算法中，通过均值漂移算法抑制待处理图像中海面噪声对聚类算法的影响，降低了待处理图像的复杂度，使得分割图片更准确；同时，使用均值漂移算法的聚类结果为FCM算法的初始化，克服了FCM算法对参数的依赖性、并且大大提高了FCM算法的运算速度。

Description

一种图像分割处理方法
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像分割处理方法。
背景技术
无人船作为一种海上自主智能装备，近年来逐渐被应用在海事任务中，这其中海事自主救助船成为了一种发展趋势。无人船进行自主救助的关键在于对目标的快速准确识别。目标物的原始图像来自于船载图像采集设备，由于户外条件下的成像效果受光照的影响较大，且海面具有波动性和镜面效果，因此现场图像噪声大，在目标物的提取上具有较大的难度。同时无人船在搜救的目标识别对效率的要求较高，因此需要算法具有较快的速度。
图像分割作为后续图像操作的基础，其准确度会很大程度上影响整个视觉算法的有效性。由于图像中信息的复杂度较高，很难严格的为像素点选择类别，因此，使用模糊聚类算法进行图像分割成为了该领域的研究热点。模糊C均值算法(Fuzzy C-Means，FCM)是一种基于目标函数的聚类算法，该算法具有人工参与度低的特点，能够实现对图像的自动化分割，因此应用十分广泛。
目前的FCM算法在图像分割上存在着图像分割速度慢、分割效果对噪声敏感度高等问题。为了解决这些问题，通过在传统的FCM算法上进行改进，将局部空间信息与灰度信息融合，对FCM算法进行改进，从而降低其对噪声的敏感度；或通过引入一种新的隶属度约束函数，改变了原有目标函数，增强FCM算法的鲁棒性等。这些算法在一定程度上提高了FCM算法在图像分割上的准确度，但也提高了算法的复杂度，因此无法兼顾计算效率，使得其难以应用于实际工业场景。
发明内容
本发明的主要目的在于提供一种图像分割处理方法，旨在提高图像分割准确度和提高计算效率。
为实现上述目的，本发明提供一种图像分割处理方法，包括以下步骤：
S1、输入待处理图像；
S2、将所述待处理图像进行均值漂移算法滤波处理，输出所述待处理图像的类别数以及聚类中心；
S3、将所述类别数以及聚类中心作为FCM算法的初始值，计算得到所述待处理图像的聚类结果；
S4、根据所述聚类结果对所述待处理图像进行二值化，以得到分割后的图像。
优选地，所述将所述待处理图像进行均值漂移算法滤波处理还包括：
S21、初始化所述均值漂移算法参数；
S22、选择所述待处理图像中待处理无类属像素点作为初始聚类中心像素点；
S23、根据所述初始聚类中心像素点进行迭代计算，以得到迭代后的聚类中心像素点；
S24、判断当前聚类中心像素点的值是否小于预设阈值，若当前聚类中心像素点的值小于预设阈值，则将以预设半径的圆内的像素点标记为以该当前聚类中心像素点为聚类中心的类别；若当前聚类中心的值大于所述预设阈值，则返回步骤S23继续进行迭代计算；
S25、判断所述待处理图像的像素点是否处理完成，若未处理完成，则返回步骤S22；若所述待处理图像的像素点处理完成，则结束迭代计算；
S26、将各个类别内的像素点的值用其所属类别的聚类中心像素点的值进行替换，以完成滤波。
优选地，所述根据所述初始聚类中心像素点进行迭代计算包括：
根据等式Mh(x)＝mh(x)-x
进行迭代计算，其中，X＝{x1，x2，…xn}为待处理图像的像素点集合，G(xi)为预设的核函数，h为所述核函数的半径，k为以h为半径的圆内未被标记过类属的像素点数，w为像素点的权值。
优选地，所述步骤S3包括：
将所述聚类中心像素点与该聚类中心像素点所属类别中每一像素点进行比较，并根据两者的相似度更新该类别的聚类中心像素点，以确定最佳聚类结果。
优选地，所述相似度根据等式(dk(i,j))2＝||x(i,j)-vk||2计算，其中，dk(i,j)为聚类中心像素点所属类别中任一像素点x(i,j)与聚类中心像素点的相似度，预设V＝{v1,v2,...vc}为聚类中心像素点的集合。
优选地，所述步骤S3之前还包括：将所述待处理图像转换为灰度图像，计算该灰度图像的聚类结果。
优选地，所述根据所述聚类结果对所述带处理图像进行二值化还包括：
根据所述聚类结果通过最大类间差算法对灰度图像进行二值化。
优选地，所述最大类间差算法通过双侧灰度值总数差值的最大化，将所述灰度图像进行前景和后景的分离。
本发明技术方案通过将均值漂移算法引入到FCM算法中，通过均值漂移算法抑制待处理图像中海面噪声对聚类算法的影响，降低了待处理图像的复杂度，使得分割图片更准确；同时，使用均值漂移算法的聚类结果为FCM算法的初始化，克服了FCM算法对参数的依赖性、并且大大提高了FCM算法的运算速度。
附图说明
图1为本发明图像分割处理方法的流程示意图；
图2为本发明中均值漂移算法滤波处理方法的流程示意图；
图3为本发明实施例选取的分割结果展示的图Plane；
图4为本发明实施例选取的分割结果展示的图Swan；
图5为本发明实施例选取的分割结果展示的图Starfish；
图6为本发明实施例选取的分割结果展示的图Boat1；
图7为本发明实施例选取的分割结果展示的和图Boat2。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明进一步说明。
如图1所示，本实施例提供一种图像分割处理方法，包括以下步骤：
S1、输入待处理图像。
在具体实施例中，输入图像一般为彩色图像。本发明主要涉及在海中快速识别目标的问题，目标的原始图像来自于船载图像采集设备。
S2、将所述待处理图像进行均值漂移算法滤波处理，输出所述待处理图像的类别数以及聚类中心。
均值漂移算法(Mean Shift，MS算法)通过不断迭代数据，将预设的核函数的概率密度延梯度方向收敛到局部极值点，并以此作为聚类中心，从而完成图像的分割。
S3、将所述类别数以及聚类中心作为FCM算法的初始值，计算得到所述待处理图像的聚类结果。
FCM算法是一种基于目标函数的聚类算法，通过目标函数的最小化实现。使用FCM算法进行图像分割即为将待处理图像的各个像素点集合相应的分为c类的聚类问题。在聚类过程中，使用隶属度矩阵来描述各个像素点的类属性质。在目标函数的迭代中，选取每一类中像素点与聚类中心的相似度作为品评判标准，不断地更新每一类的聚类中心，实现目标函数值在迭代中的不断优化，从而确定最佳聚类结果。
具体地，等式为FCM算法的目标函数；
其中U＝[uk(i,j)]为隶属度矩阵，uk(i,j)为x(i,j)对第k类的隶属度，且V＝{v1,v2,...vc}为c类的聚类中心组成的集合；m为权指数且m∈[1,∞)，dk(i,j)为描述点x(i,j)与聚类中心的相似度；uk(i,j)以及v采用交替迭代的形式，迭代等式如下：
S4、根据所述聚类结果对所述待处理图像进行二值化，以得到分割后的图像。
对图像进行二值化，可以最大化的将目标物从背景中分割出来。
如图2所示，优选地，所述将所述待处理图像进行均值漂移算法滤波处理还包括：
S21、初始化所述均值漂移算法参数；
S22、选择所述待处理图像中待处理无类属像素点作为初始聚类中心像素点；
S23、根据所述初始聚类中心像素点进行迭代计算，以得到迭代后的聚类中心像素点；
S24、判断当前聚类中心像素点的值是否小于预设阈值，若当前聚类中心像素点的值小于预设阈值，则将以预设半径的圆内的像素点标记为以该当前聚类中心像素点为聚类中心的类别；若当前聚类中心的值大于所述预设阈值，则返回步骤S23继续进行迭代计算；
S25、判断所述待处理图像的像素点是否处理完成，若未处理完成，则返回步骤S22；若所述待处理图像的像素点处理完成，则结束迭代计算；
S26、将各个类别内的像素点的值用其所属类别的聚类中心像素点的值进行替换，以完成滤波。
优选地，所述根据所述初始聚类中心像素点进行迭代计算包括：
根据等式Mh(x)＝mh(x)-x
进行迭代计算，其中，X＝{x1，x2，…xn}为待处理图像的像素点集合，G(xi)为预设的核函数，h为所述核函数的半径，k为以h为半径的圆内未被标记过类属的像素点数，w为像素点的权值。
MS算法无需对类别数进行初始化，且对聚类中心的初始化值不敏感，适于对图像进行分割前的滤波处理。
优选地，所述步骤S3包括：
将所述聚类中心像素点与该聚类中心像素点所属类别中每一像素点进行比较，并根据两者的相似度更新该类别的聚类中心像素点，以确定最佳聚类结果。
优选地，所述相似度根据等式(dk(i,j))2＝||x(i,j)-vk||2计算，其中，dk(i,j)为聚类中心像素点所属类别中任一像素点x(i,j)与聚类中心像素点的相似度，预设V＝{v1,v2,...vc}为聚类中心像素点的集合。
优选地，所述步骤S3之前还包括：将所述待处理图像转换为灰度图像，计算该灰度图像的聚类结果。由于FCM算法的复杂度较高，因此将滤波之后图像转为灰度图像后再作为输入FCM算法计算以得到聚类结果。
优选地，所述根据所述聚类结果对所述带处理图像进行二值化还包括：根据所述聚类结果通过最大类间差算法对灰度图像进行二值化。最大类间差算法(Ostu算法)是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法。该方法是一种使用聚类思想的图像分割中的阈值自动选取方法，通过双侧灰度值总数差值的最大化实现前景和后景的分离。
优选地，所述最大类间差算法通过双侧灰度值总数差值的最大化，将所述灰度图像进行前景和后景的分离。
本发明技术方案通过将均值漂移算法引入到FCM算法中，通过均值漂移算法抑制待处理图像中海面噪声对聚类算法的影响，降低了待处理图像的复杂度；同时，使用均值漂移算法的聚类结果为FCM算法的初始化，克服了FCM算法对参数的依赖性、并且大大提高了FCM算法的运算速度。
在具体实施例中，为验证本发明图像分割处理方法的有效性，本实施例采用Matlab2016a软件在主频为2.7GHz、内存为4G、操作系统为Windows10的PC机上对算法进行仿真验证。假设条件如下：
(1)实验数据分为标准数据和现场数据两部分，为保证实验结果的尺度一致性，对图像进行了归一化处理，处理后的图像尺寸均为256*256。由于本发明针对的是海上搜救的应用场景，背景中的干扰因素较少，因此选择的图像皆为有明显前景目标物的图像：①标准数据：从分割数据集和基准500(BSDS500)中选取的50张图像；②现场数据：由海事局提供的海上搜救过程中拍摄的船只照片50张；
(2)实验的对比参照选取为传统FCM和脉冲耦合神经网络(Pulse Coupled NeuralNetwork，PCNN)两种算法；
(3)设定本发明的算法参数为：
①FCM算法权指数设定为2，收敛阈值ε设定为0.001；
②MS算法滤波过程中根据图像的不同特性，对参数进行差异化设置，表1为本发明选择的进行分割效果展示的图像的相应参数设置情况，其他未展示图像的参数在此略去：
图像名 空间半径(Hs) 颜色半径(Hr) 收敛阈值(Th)
Plane 5 1 1
Swan 5 3 1
Starfish 10 2 1
Boat1 5 1 1
Boat2 5 1 1
表1 MS算法滤波过程参数
为验证本发明图像分割处理方法的性能，共对100张图像分别进行了分割，本实施例选取了其中的5张进行分割结果展示，其中图Plane、图Swan和图Starfish来自BSDS500标准库，图Boat1和图Boat2为海事局提供的搜救现场图片。在图3到图7中，作为对比，列出了这五张图像分别手工分割、传统FCM算法分割以及PCNN算法分割的结果,其中，图3(b)、图4(b)、图5(b)、图6(b)、图7(b)为本发明图像处理分割方法得到的分割图像。
通过观察对比图3-图7，可以得到以下结论：
①从图3(b)，图6(b)可以看出，本发明对图Plane和图Boat1这一类背景噪声小、前后景颜色对比度大的图像十分接近手动分割的效果，从图4(b)，图5(b)，图7(b)可以看出，本发明对于图Starfish中的背景中的阴影干扰、苔藓文理纹理噪声，图Swan中的水中倒影干扰，以及图Boat2中的水面光照不均、水波纹理噪声、光照反射干扰均表现出了很好的抑制效果；
②从图3(e)、图4(e)、图5(e)中可以看出PCNN算法对于背景中的阴影干扰的抑制效果很差，当图像背景中存在阴影时，难以将前景目标物从背景中分割出来。从图4(d)可以看出，传统的FCM算法无法克服水中倒影的干扰，从图5(d)，图7(d)可以看出对于背景中的阴影噪声干扰，以及由于波动和光照造成的水面噪声，传统的FCM算法无法处理。
③总体来说，本发明对五张图像均表现出了优良的分割能力，可以将前景目标物从背景中分离出来，效果接近手动分割，并且分割效果均优于另外两种算法。
本发明针对无人船在的海上自主搜救中存在的目标识别中的图像分割问题，提出了基于MS算法滤波的FCM图像分割算法，利用MS算法对图像进行滤波，并将其结果作为初始化参数输入至FCM算法进行聚类，最后使用Ostu算法对图像进行二值化，从而完成图像分割。通过仿真发现本发明的算法具有以下优势：
(1)能够较好的完成多种场景下的图像分割与目标提取，分割效果稳定；
(2)相较于其他方法，分割准确率有较大的提升，运算时间较短；
(3)能够有效的抑制阴影、水面倒影、水面光照不均、水波纹理噪声及光照反射干扰等海上环境中特有的噪声对图像分割造成的影响。
应当理解的是，以上仅为本发明的优选实施例，不能因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种图像分割处理方法，其特征在于，包括以下步骤：
S1、输入待处理图像；
S2、将所述待处理图像进行均值漂移算法滤波处理，输出所述待处理图像的类别数以及聚类中心；
S3、将所述类别数以及聚类中心作为FCM算法的初始值，计算得到所述待处理图像的聚类结果；
S4、根据所述聚类结果对所述待处理图像进行二值化，以得到分割后的图像。
2.根据权利要求1所述的图像分割处理方法，其特征在于，所述将所述待处理图像进行均值漂移算法滤波处理还包括：
S21、初始化所述均值漂移算法参数；
S22、选择所述待处理图像中待处理无类属像素点作为初始聚类中心像素点；
S23、根据所述初始聚类中心像素点进行迭代计算，以得到迭代后的聚类中心像素点；
S24、判断当前聚类中心像素点的值是否小于预设阈值，若当前聚类中心像素点的值小于预设阈值，则将以预设半径的圆内的像素点标记为以该当前聚类中心像素点为聚类中心的类别；若当前聚类中心的值大于所述预设阈值，则返回步骤S23继续进行迭代计算；
S25、判断所述待处理图像的像素点是否处理完成，若未处理完成，则返回步骤S22；若所述待处理图像的像素点处理完成，则结束迭代计算；
S26、将各个类别内的像素点的值用其所属类别的聚类中心像素点的值进行替换，以完成滤波。
3.根据权利要求2所述的图像分割处理方法，其特征在于，所述根据所述初始聚类中心像素点进行迭代计算包括：
根据等式Mh(x)＝mh(x)-x
进行迭代计算，其中，X＝{x1，x2，…xn}为待处理图像的像素点集合，G(xi)为预设的核函数，h为所述核函数的半径，k为以h为半径的圆内未被标记过类属的像素点数，w为像素点的权值。
4.根据权利要3所述的图像分割处理方法，其特征在于，所述步骤S3包括：
将所述聚类中心像素点与该聚类中心像素点所属类别中每一像素点进行比较，并根据两者的相似度更新该类别的聚类中心像素点，以确定最佳聚类结果。
5.根据权利要求4所述的图像分割处理方法，其特征在于，所述相似度根据等式(dk(i,j))2＝||x(i,j)-vk||2计算，其中，dk(i,j)为聚类中心像素点所属类别中任一像素点x(i,j)与聚类中心像素点的相似度，预设V＝{v1,v2,...vc}为聚类中心像素点的集合。
6.根据权利要1至5项中任一项所述的图像分割处理方法，其特征在于，所述步骤S3之前还包括：将所述待处理图像转换为灰度图像，计算该灰度图像的聚类结果。
7.根据权利要求6所述的图像分割处理方法，其特征在于，所述根据所述聚类结果对所述带处理图像进行二值化还包括：
根据所述聚类结果通过最大类间差算法对灰度图像进行二值化。
8.根据权利要求7所述的图像分割处理方法，其特征在于，所述最大类间差算法通过双侧灰度值总数差值的最大化，将所述灰度图像进行前景和后景的分离。
CN201711440801.XA 2017-12-27 2017-12-27 一种图像分割处理方法 Pending CN108171710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711440801.XA CN108171710A (zh) 2017-12-27 2017-12-27 一种图像分割处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711440801.XA CN108171710A (zh) 2017-12-27 2017-12-27 一种图像分割处理方法

Publications (1)

Publication Number Publication Date
CN108171710A true CN108171710A (zh) 2018-06-15

Family

ID=62522055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711440801.XA Pending CN108171710A (zh) 2017-12-27 2017-12-27 一种图像分割处理方法

Country Status (1)

Country Link
CN (1) CN108171710A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410206A (zh) * 2018-11-05 2019-03-01 江苏东保装饰集团有限公司 一种建筑装饰三维造型精度检验方法
CN109685820A (zh) * 2018-11-29 2019-04-26 济南大学 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法
CN110580479A (zh) * 2019-08-27 2019-12-17 天津大学 基于熵和聚类算法的电子散斑干涉条纹图二值化方法
CN111476236A (zh) * 2020-04-09 2020-07-31 湖南城市学院 一种自适应fcm车牌定位方法及系统
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111931670A (zh) * 2020-08-14 2020-11-13 成都数城科技有限公司 基于卷积神经网的深度图像头部检测与定位方法及系统
CN112424828A (zh) * 2019-07-15 2021-02-26 广东工业大学 一种集成空间约束的核模糊c均值快速聚类算法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392459A (zh) * 2014-12-15 2015-03-04 西安电子科技大学 基于改进的fcm和均值漂移的红外图像分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392459A (zh) * 2014-12-15 2015-03-04 西安电子科技大学 基于改进的fcm和均值漂移的红外图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
崔兆华 等: "Mean shift模糊C均值聚类图像分割算法", 《控制与决策》 *
朱志宇: "《流形粒子滤波算法及其在视频目标跟踪中的应用》", 31 January 2015 *
陈志飞 等: "基于均值漂移和模糊C均值聚类的图像分割算法", 《计算机应用与软件》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410206A (zh) * 2018-11-05 2019-03-01 江苏东保装饰集团有限公司 一种建筑装饰三维造型精度检验方法
CN109685820A (zh) * 2018-11-29 2019-04-26 济南大学 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法
CN109685820B (zh) * 2018-11-29 2022-09-30 济南大学 基于形态学重建与带有指导滤波的fcm聚类的图像分割方法
CN112424828A (zh) * 2019-07-15 2021-02-26 广东工业大学 一种集成空间约束的核模糊c均值快速聚类算法
CN112424828B (zh) * 2019-07-15 2024-02-02 广东工业大学 一种集成空间约束的核模糊c均值快速聚类算法
CN110580479A (zh) * 2019-08-27 2019-12-17 天津大学 基于熵和聚类算法的电子散斑干涉条纹图二值化方法
CN111476236A (zh) * 2020-04-09 2020-07-31 湖南城市学院 一种自适应fcm车牌定位方法及系统
CN111476236B (zh) * 2020-04-09 2023-07-21 湖南城市学院 一种自适应fcm车牌定位方法及系统
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111754501B (zh) * 2020-06-30 2021-08-27 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111931670A (zh) * 2020-08-14 2020-11-13 成都数城科技有限公司 基于卷积神经网的深度图像头部检测与定位方法及系统
CN111931670B (zh) * 2020-08-14 2024-05-31 成都数城科技有限公司 基于卷积神经网的深度图像头部检测与定位方法及系统

Similar Documents

Publication Publication Date Title
CN108171710A (zh) 一种图像分割处理方法
CN107609601B (zh) 一种基于多层卷积神经网络的舰船目标识别方法
CN107909082B (zh) 基于深度学习技术的声呐图像目标识别方法
CN104408469A (zh) 基于图像深度学习的烟火识别方法及系统
CN106529570B (zh) 基于深度脊波神经网络的图像分类方法
CN110458160A (zh) 一种基于深度压缩神经网络的无人艇水面目标识别算法
Medina et al. Comparison of CNN and MLP classifiers for algae detection in underwater pipelines
CN109087330A (zh) 一种基于由粗到精图像分割的运动目标检测方法
CN109815967A (zh) 基于特征融合的cnn舰船目标识别系统及方法
CN111368658B (zh) 一种自主航行中智能船舶外部目标的自动检测方法及系统
Chen et al. Facial expression recognition based on edge detection
CN112164033A (zh) 一种基于异常特征编辑的对抗网络纹理表面缺陷检测方法
CN113627472A (zh) 基于分层深度学习模型的智慧园林食叶害虫识别方法
CN109344898A (zh) 基于稀疏编码预训练的卷积神经网络图像分类方法
CN112417981B (zh) 基于改进FasterR-CNN的复杂战场环境目标高效识别方法
Pramunendar et al. A Robust Image Enhancement Techniques for Underwater Fish Classification in Marine Environment.
CN111145145A (zh) 一种基于MobileNets的图像表面缺陷检测方法
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN116311387B (zh) 一种基于特征交集的跨模态行人重识别方法
Culibrk Neural network approach to Bayesian background modeling for video object segmentation
CN116363114A (zh) 一种瓷砖表面质量检测方法、装置、电子设备及存储介质
Shi et al. Underwater cage boundary detection based on GLCM features by using SVM classifier
Silvoster et al. Enhanced CNN based electron microscopy image segmentation
Zhao et al. Multi-view graph regularized deep autoencoder-like NMF framework
Koley et al. Single image visibility restoration using dark channel prior and fuzzy logic

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180615

RJ01 Rejection of invention patent application after publication