CN108319890A - 基于多视角图像处理的指静脉识别方法、设备及存储介质 - Google Patents
基于多视角图像处理的指静脉识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN108319890A CN108319890A CN201711249200.0A CN201711249200A CN108319890A CN 108319890 A CN108319890 A CN 108319890A CN 201711249200 A CN201711249200 A CN 201711249200A CN 108319890 A CN108319890 A CN 108319890A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- finger
- finger vein
- vein
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于多视角图像处理的指静脉识别方法、设备及存储介质。该方法包括:获取多个视角采集的指静脉图像,提取每张指静脉图像的特征;组合串联每张指静脉图像的特征,并将组合后的特征作为指静脉的特征与预设特征数据库中的特征进行对比识别。本发明通过多个视角采集指静脉图像,增加了指静脉图像的特征数量,提高了大规模指静脉样本集中的指静脉识别准确度。
Description
技术领域
本发明涉及身份认证技术领域,特别是涉及一种基于多视角图像处理的指静脉识别方法、设备及存储介质。
背景技术
指静脉识别是一种新型的生物识别技术,利用人体手指静脉血管结构的唯一性来进行身份识别。与指纹等生物特征相比,指静脉难以伪装,可增强对特定人员的管理,因此指静脉识别技术已可用于门禁、金融ATM、电脑登录、金库、保险柜、考勤机以及医疗设备等领域。
指静脉的平面纹理比较简单,可提取的特征相比指纹等生物特征较少。加上光照、角度、拉伸、旋转和平移对特征的影响,指静脉识别容易产生较高的误判率,尤其是在大规模样本的对比识别中,误判率上升更快,性能下降严重。尤其是在公共安全领域,往往涉及到大规模人口管理,指静脉样本规模都非常大,特征数量的不足造成指静脉识别的准确性降低。但指静脉识别具有识别处理速度较快、稳定性比较高、防伪等级高以及特征活体专有等一系列的优点,与其他生物特征识别技术相比,其应用优势明显。因此,如果指静脉识别的误判率能有所保保证,将有利于指静脉识别的推广及应用。
发明内容
本发明提供一种基于多视角图像处理的指静脉识别方法、设备及存储介质,用以解决现有技术中指静脉识别方法误判率高的问题。
为实现上述发明目的,本发明采用下述的技术方案:
依据本发明的一个方面,提供一种基于多视角图像处理的指静脉识别方法,包括:
获取多个视角采集的指静脉图像,提取每张指静脉图像的特征;
组合串联每张指静脉图像的特征,并将组合后的特征作为指静脉的特征与预设特征数据库中的特征进行对比识别。
可选的,所述获取多个视角采集的指静脉图像,包括::
检测到手指放入后,每旋转预设的角度获取一张指静脉图像,直至旋转到180度停止,获取多个视角的指静脉图像。
可选的,所述提取每张指静脉图像的特征,包括:
对每张指静脉图像进行图像分割,提取图像的局部特征并获取图像分割的区域数目;
将所述区域数目与所述局部特征串联构成每张指静脉图像对应的特征。
可选的,所述组合串联每张指静脉图像的特征,包括::
将每张指静脉图像提取的特征分别乘以权重值;其中,,所述权重值根据每张指静脉图像的平均梯度来确定;
根据指静脉图像的采集顺序依次串联乘以权重值后的每张指静脉图像的特征。
可选的,所述权重值的计算公式如下:
其中,λ为权重值;M*N为图像的大小。
依据本发明的另一方面,还提供一种基于多视角图像处理的指静脉识别设备,包括处理器和存储器;所述存储器用于存储计算机指令,所述处理器用于运行所述存储器存储的计算机指令,以实现如下步骤:
获取多个视角采集的指静脉图像,提取每张指静脉图像的特征;
组合串联每张指静脉图像的特征,并将组合后的特征作为指静脉的特征与预设特征数据库中的特征进行对比识别。
可选的,所述处理器用于运行所述存储器存储的计算机指令,以实现如下步骤:
检测到手指放入后,每旋转预设的角度获取一张指静脉图像,直至旋转到180度停止,获取多个视角的指静脉图像。
可选的,所述处理器用于运行所述存储器存储的计算机指令,以实现如下步骤:
对每张指静脉图像进行图像分割,提取图像的局部特征并获取图像分割的区域数目;
将所述区域数目与所述局部特征串联构成每张指静脉图像对应的特征。
可选的,所述处理器用于运行所述存储器存储的计算机指令,以实现如下步骤:
将每张指静脉图像提取的特征分别乘以权重值;其中,所述权重值根据每张指静脉图像的平均梯度来确定;
根据指静脉图像的采集顺序依次串联乘以权重值后的每张指静脉图像的特征。
依据本发明的再一方面,还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述所述的指静脉识别方法。
本发明有益效果如下:
本发明所提供的基于多视角图像处理的指静脉识别方法、设备及存储介质,通过多个视角采集指静脉图像,增加了指静脉图像的特征数量,提高了大规模指静脉样本集中的指静脉识别准确度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有中的方案,下面将对实施例或现有描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中所提供的指静脉识别方法的流程图;
图2a和图2b为本发明实施例中指静脉图像采集的示意图;
图3a为本发明实施例中指静脉图像经图像预处理后的示意图;
图3b为本发明实施例中指静脉图像经图像分割后的示意图;
图3c为本发明实施例中指静脉图像中分割的区域示意图;
图3d为本发明实施例中指静脉图像提取的区域特征的示意图;
图4为本发明一具体实施例中所提供的指静脉识别方法的流程图;
图5为本发明实施例中所提供指静脉识别设备的原理框图。
具体实施方式
以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例所提供的基于多视角图像处理的指静脉识别方法,具体包括如下步骤:
步骤101,获取多个视角采集的指静脉图像,提取每张指静脉图像的特征;
步骤102,组合串联每张指静脉图像的特征,并将组合后的特征作为指静脉的特征与预设特征数据库中的特征进行对比识别。
在采集的指静脉图像时,如图2a所示,通过近红外光源照射手指,使用图像传感器获取手指的近红外光谱图像。图2b为可旋转采集指静脉的示意图。根据近红外光源和图像传感器的部署位置差异,指静脉图像的获取方式主要有反射式和透射式,都可以提供指静脉血管的结构在平面上的投影。
可选的,在获取多个视角指采集的指静脉图像包括以下步骤:检测到手指放入后,每旋转预设的角度获取一张指静脉图像,直至旋转到180度停止,获取多个视角的指静脉图像。这里,预设的角度可以根据实际情况进行调整,例如,当需要求识别精确度非常高时,可以选择角度小些,以增加采集指静脉图像的角度,提高特征数量;相反,识别精度要求低时,可以选择角度大些,减少采集指静脉图像的角度,从而减少特征的数量。可知,通过采集多个视角的指静脉图像,相对于采集单张指静脉图像的方式,大大增加了图像的特征的数量,利于识别准确度的提高。
例如,本发明一可选的实施例中,获取多个视角指采集的指静脉图像,包括:检测到手指放入后,采集装置水平采集第一张指静脉图像T1;第一张指静脉图像采集完毕后,采集装置旋转一定的角度θ=90度,采集第二张指静脉图像T2。
可选的,提取每张指静脉图像的特征,包括:对每张指静脉图像进行图像分割,提取图像的局部特征并获取图像分割的区域数目;局部特征与区域数目构成该张指静脉图像的特征。
在对每张指静脉图像进行图像分割之前时,需要通过图像预处理操作,例如灰度归一化等操作,例如图3a所示。图3a为本发明实施例中指静脉图像经图像预处理后的示意图。通过图像预处理对图像进行归一化处理,有效提高定位和识别正确率。
其中,图像分割即指将前景和背景进行分开,使得前景图像更加清晰,参见图3b,指静脉图像经图像分割后的示意图。而局部特征的提取,可以采用指静脉的常用方法提取即可,提取的局部特征如图3c所示的圆形区域的分杈与交叉等的局部特征。图像分割的区域数目为图像的全局特征。这里,区域数目是指指静脉纹理将指静脉图像分割形成的区域数目,参见图3d,图中的标号即为指静脉图像分割后的区域,其受采集因素如光照,角度,变形等影响较小,区域数目的获取方法也是常用的区域检测。这里,由于图像预处理、图像分割、特征提取以及区域数目计算方法已属于本领域技术人员所熟知的技术,且不是本发明的重点,这里不再进行详细介绍。
基于上述可知,本发明不在局限于采用局部特征的方式,通过将全局特征和局部特征相结合的方式,进一步增加了指静脉图像的特征数量,有效提高指静脉图像识别的精确度。
例如,上述的一可选实施例中,获得了指静脉图像T1和指静脉图像T2。在该步骤中,具体处理时,如图4所示,包括如下:
处理指静脉图像T1,包括图像预处理、图像分割和特征提取,获得特征表达{a1,a2,…,an,Xa};处理指静脉图像T2,包括图像预处理、图像分割和特征提取,获得特征表达{b1,b2,…,bn,Xb};
这里,特征提取时,在其他现有方法常用的局部特征的基础上,增加全局的区域数目特征Xa,Xb,通过连通区域检测可以获得。
可选的,组合串联每张指静脉图像的特征,包括:将每张指静脉图像提取的特征分别乘以权重值;其中,所述权重值根据指静脉图像的平均梯度来确定;根据指静脉图像的采集顺序依次串联乘以权重值后的每张指静脉图像的特征。
在该步骤中,获取每张指静脉图像的特征后,将特征进行组合。这里,组合即将所有的特征包含到一个集合中。将组合后的特征作为该指静脉图像的特征。这里,在组合特征时,并非简单的将所有特征进行串联,而后采用加权的方式,将获取的每张指静脉图像的特征分别乘以每张指静脉图像对应的权重值,而后再串联组成待识别的指静脉图像的特征。
例如,上述所述的一可选实施例中,组合两组特征,组合时采用带权重λ的串联方法,即组成{λ1a1,λ1a2,…,λ1an,λ1Xa,λ2b1,λ2b2,…,λ2bn,λ2Xb}。这里的权重值λ1和λ2与指静脉图像的质量有关。指静脉图像包含的边缘越多,则质量越高,即权重值越大。这里边缘的量可以通过图像的平均梯度来估计,而梯度的计算可以采用各类的梯度算子,例如,Roberts罗伯茨算子、Sobel索贝尔算子、Lapacian拉普拉斯算子等。
可选的,本发明一实施例中,采用8邻域的拉普拉斯梯度算子计算权重值,具体计算公式如下:
其中,λ为权重值;M*N为图像的大小。
在获取组合后的指静脉图像特征后,并将组合后的特征作为指静脉的特征与预设特征数据库中的特征进行对比识别,从而确定识别结果。这里预设特征数据库为包含有效指静脉图像特征的数据库,通过与该数据库中的特征进行对比,即可确定待识别的指静脉是否验证通过。
基于上述可知,本发明所提供的基于多视角图像处理的指静脉识别方法,通过从多个视角采集指静脉图像,增加了指静脉图像的特征数量;进一步在特征中并且通过采用带权重的特征组合作为指静脉的特征,进一步增加了特征的识别度,有效提高了大规模指静脉样本集中的指静脉识别准确度,减少误判率,利于指静脉识别的广泛推广及应用。
根据本发明的另一方面还提供了一种基于多视角图像处理的指静脉识别设备,用于实现上述的方法。如图5所示,包括处理器和存储器51;其中,
处理器可以是通用处理器,例如中央处理器(central processing unit,CPU),还可以是数字信号处理器(digital signal processor,DSP)、专用集成电路(applicationspecific integrated circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。存储器51,用于存储程序代码,,并将该程序代码传输给CPU。存储器51可以包括易失性存储器(volatile memory),例如随机存取存储器(random access memory,RAM);存储器也可以包括非易失性存储器(non-volatile memory),例如只读存储器(read-onlymemory,,ROM)、快闪存储器(flash memory)、硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);存储器还可以包括上述种类的存储器的组合。
具体地,存储器51用于存储计算机指令,处理器52用于运行存储器51存储的计算机指令,以实现如下步骤:
获取多个视角采集的指静脉图像,提取每张指静脉图像的特征;
组合串联每张指静脉图像的特征,并将组合后的特征作为指静脉的特征与预设特征数据库中的特征进行对比识别。
可选的,处理器52用于运行存储器51存储的计算机指令,以实现如下步骤:检测到手指放入后,每旋转预设的角度获取一张指静脉图像,直至旋转到180度停止,获取多个视角的指静脉图像。
可选的,处理器52用于运行存储器51存储的计算机指令,以实现如下步骤:
对每张指静脉图像进行图像分割,提取图像的局部特征并获取图像分割的区域数目;
将区域数目与局部特征串联构成每张指静脉图像对应的特征。
可选的,处理器52用于运行存储器51存储的计算机指令,以实现如下步骤:
将每张指静脉图像提取的特征分别乘以权重值;其中,所述权重值根据每张指静脉图像的平均梯度来确定;
根据指静脉图像的采集顺序依次串联乘以权重值后的每张指静脉图像的特征。
本发明实施例还提供了一种计算机可读存储介质。这里的计算机可读存储介质存储有一个或者多个程序。当计算机可读存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述的基于多视角图像处理的指静脉识别方法。对于步骤具体的实现,可以参见方法实施例中的详细说明,在该实施例中不再进行赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。
虽然通过实施例描述了本申请,本领域的技术人员知道,本申请有许多变形和变化而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多视角图像处理的指静脉识别方法,其特征在于,包括:
获取多个视角采集的指静脉图像,提取每张指静脉图像的特征;
组合串联每张指静脉图像的特征,并将组合后的特征作为指静脉的特征与预设特征数据库中的特征进行对比识别。
2.根据权利要求1所述的指静脉识别方法,其特征在于,所述获取多个视角采集的指静脉图像,包括:
检测到手指放入后,每旋转预设的角度获取一张指静脉图像,直至旋转到180度停止,获取多个视角的指静脉图像。
3.根据权利要求1所述的指静脉识别方法,其特征在于,所述提取每张指静脉图像的特征,包括:
对每张指静脉图像进行图像分割,提取图像的局部特征并获取图像分割的区域数目;
将所述区域数目与所述局部特征串联构成每张指静脉图像对应的特征。
4.根据权利要求1所述的指静脉识别方法,其特征在于,所述组合串联每张指静脉图像的特征,包括:
将每张指静脉图像提取的特征分别乘以权重值;其中,所述权重值根据每张指静脉图像的平均梯度来确定;
根据指静脉图像的采集顺序依次串联乘以权重值后的每张指静脉图像的特征。
5.根据权利要求4所述的指静脉识别方法,其特征在于,所述权重值的计算公式如下:
其中,λ为权重值;M*N为图像的大小。
6.一种基于多视角图像处理的指静脉识别设备,其特征在于,包括处理器和存储器;所述存储器用于存储计算机指令,所述处理器用于运行所述存储器存储的计算机指令,以实现如下步骤:
获取多个视角采集的指静脉图像,提取每张指静脉图像的特征;
组合串联每张指静脉图像的特征,并将组合后的特征作为指静脉的特征与预设特征数据库中的特征进行对比识别。
7.根据权利要求6所述的指静脉识别设备,其特征在于,所述处理器用于运行所述存储器存储的计算机指令,以实现如下步骤:
检测到手指放入后,每旋转预设的角度获取一张指静脉图像,直至旋转到180度停止,获取多个视角的指静脉图像。
8.根据权利要求6所述的指静脉识别设备,其特征在于,所述处理器用于运行所述存储器存储的计算机指令,以实现如下步骤:
对每张指静脉图像进行图像分割,提取图像的局部特征并获取图像分割的区域数目;
将所述区域数目与所述局部特征串联构成每张指静脉图像对应的特征。
9.根据权利要求6所述的指静脉识别设备,其特征在于,所述处理器用于运行所述存储器存储的计算机指令,以实现如下步骤:
将每张指静脉图像提取的特征分别乘以权重值;其中,所述权重值根据每张指静脉图像的平均梯度来确定;
根据指静脉图像的采集顺序依次串联乘以权重值后的每张指静脉图像的特征。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1~5任一项所述的指静脉识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711249200.0A CN108319890A (zh) | 2017-12-01 | 2017-12-01 | 基于多视角图像处理的指静脉识别方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711249200.0A CN108319890A (zh) | 2017-12-01 | 2017-12-01 | 基于多视角图像处理的指静脉识别方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108319890A true CN108319890A (zh) | 2018-07-24 |
Family
ID=62892455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711249200.0A Pending CN108319890A (zh) | 2017-12-01 | 2017-12-01 | 基于多视角图像处理的指静脉识别方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108319890A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532851A (zh) * | 2019-07-04 | 2019-12-03 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN110781707A (zh) * | 2018-07-31 | 2020-02-11 | 贾志恒 | 指静脉识别方法、装置、电子设备及计算机可读介质 |
CN111178221A (zh) * | 2019-12-24 | 2020-05-19 | 珠海格力电器股份有限公司 | 身份识别方法及装置 |
CN111310688A (zh) * | 2020-02-25 | 2020-06-19 | 重庆大学 | 一种基于多角度成像的手指静脉识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701454A (zh) * | 2016-01-06 | 2016-06-22 | 深圳市亚略特生物识别科技有限公司 | 静脉身份验证设备及电子系统 |
US20160307070A1 (en) * | 2013-12-27 | 2016-10-20 | Huawei Technologies Co., Ltd. | Method for Recognizing Target Object in Image, and Apparatus |
CN106919941A (zh) * | 2017-04-26 | 2017-07-04 | 华南理工大学 | 一种三维手指静脉识别方法及系统 |
-
2017
- 2017-12-01 CN CN201711249200.0A patent/CN108319890A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160307070A1 (en) * | 2013-12-27 | 2016-10-20 | Huawei Technologies Co., Ltd. | Method for Recognizing Target Object in Image, and Apparatus |
CN105701454A (zh) * | 2016-01-06 | 2016-06-22 | 深圳市亚略特生物识别科技有限公司 | 静脉身份验证设备及电子系统 |
CN106919941A (zh) * | 2017-04-26 | 2017-07-04 | 华南理工大学 | 一种三维手指静脉识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
樊利军等: "基于改进局部方向模式特征的人脸识别算法", 《计算机应用与软件》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781707A (zh) * | 2018-07-31 | 2020-02-11 | 贾志恒 | 指静脉识别方法、装置、电子设备及计算机可读介质 |
CN110532851A (zh) * | 2019-07-04 | 2019-12-03 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN110532851B (zh) * | 2019-07-04 | 2022-04-15 | 珠海格力电器股份有限公司 | 指静脉识别方法、装置、计算机设备和存储介质 |
CN111178221A (zh) * | 2019-12-24 | 2020-05-19 | 珠海格力电器股份有限公司 | 身份识别方法及装置 |
CN111310688A (zh) * | 2020-02-25 | 2020-06-19 | 重庆大学 | 一种基于多角度成像的手指静脉识别方法 |
CN111310688B (zh) * | 2020-02-25 | 2023-04-21 | 重庆大学 | 一种基于多角度成像的手指静脉识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319890A (zh) | 基于多视角图像处理的指静脉识别方法、设备及存储介质 | |
CN107545241B (zh) | 神经网络模型训练及活体检测方法、装置及存储介质 | |
US20170309018A1 (en) | Automated intravascular plaque classification | |
CN112771581A (zh) | 用于对免疫疗法和放射疗法的分割、结果预测和纵向应答监测的多模态、多分辨率深度学习神经网络 | |
CN109086718A (zh) | 活体检测方法、装置、计算机设备及存储介质 | |
BR122017019647B1 (pt) | Método implementado por computador para autenticação biométrica | |
Shukla et al. | AI‐DRIVEN Novel Approach for Liver Cancer Screening and Prediction Using Cascaded Fully Convolutional Neural Network | |
CN108875723A (zh) | 对象检测方法、装置和系统及存储介质 | |
US11107583B2 (en) | Sequential integration of adversarial networks with handcrafted features (SANwicH): identifying sites of prognostic significance for predicting cancer recurrence | |
CN108875731A (zh) | 目标识别方法、装置、系统及存储介质 | |
Jony et al. | Detection of lung cancer from CT scan images using GLCM and SVM | |
US10956795B2 (en) | Predicting recurrence in early stage non-small cell lung cancer (NSCLC) using spatial arrangement of clusters of tumor infiltrating lymphocytes and cancer nuclei | |
US20200273167A1 (en) | Assessment of arterial calcifications | |
Sun et al. | River detection algorithm in SAR images based on edge extraction and ridge tracing techniques | |
Shih | A precise automatic system for the hair assessment in hair‐care diagnosis applications | |
Chi et al. | Palm print edge extraction using fractional differential algorithm | |
Weber et al. | Automatic identification of crossovers in cryo‐EM images of murine amyloid protein A fibrils with machine learning | |
Zhao | Rapid multimodal image registration based on the local edge histogram | |
Hogeweg et al. | Foreign object detection and removal to improve automated analysis of chest radiographs | |
Bazan et al. | Image processing techniques for assessing contractility in isolated adult cardiac myocytes | |
Ahmed et al. | Retina based biometric authentication using phase congruency | |
WO2015054295A1 (en) | Kidney glomeruli measurement systems and methods | |
Sun et al. | Optic disc segmentation by balloon snake with texture from color fundus image | |
Lin et al. | Image segmentation by improved minimum spanning tree with fractional differential and Canny detector | |
Wang et al. | A study on the application of fuzzy information seeded region growing in brain MRI tissue segmentation |
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 |