CN108389209A - 应用多模式差分演化算法的葡萄图像分割方法 - Google Patents

应用多模式差分演化算法的葡萄图像分割方法 Download PDF

Info

Publication number
CN108389209A
CN108389209A CN201810165319.8A CN201810165319A CN108389209A CN 108389209 A CN108389209 A CN 108389209A CN 201810165319 A CN201810165319 A CN 201810165319A CN 108389209 A CN108389209 A CN 108389209A
Authority
CN
China
Prior art keywords
gone
individual
enabled
population
value
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
CN201810165319.8A
Other languages
English (en)
Inventor
郭肇禄
胡丽
张文生
尹宝勇
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 CN201810165319.8A priority Critical patent/CN108389209A/zh
Publication of CN108389209A publication Critical patent/CN108389209A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种应用多模式差分演化算法的葡萄图像分割方法，它采用多模式差分演化算法来优化葡萄图像分割类别的聚类中心，在多模式差分演化算法中，设计了三种不同模式的搜索策略，并设计了适应性的搜索策略竞争与选择机制，实现多种搜索策略的优势互补，改进搜索策略的多样性，减少陷入局部最优的概率，本发明能够提高葡萄图像的分割精度。

Description

应用多模式差分演化算法的葡萄图像分割方法
技术领域
本发明涉及图像分割领域，尤其是涉及一种应用多模式差分演化算法的葡萄图像分割方法。
背景技术
葡萄是一种酸甜可口、深受广大人民群众喜爱的水果。葡萄种植是一项很有发展前景的产业。为了提升葡萄种植产业的自动化和智能化，许多研究人员将机器视觉技术引入到葡萄种植的各个生产环节中。葡萄图像分割是实现葡萄种植自动化和智能化的一项基础性机器视觉技术。其中，葡萄图像分割在葡萄自动采摘，葡萄品质智能分级，葡萄病害自动识别等方面具有非常重要的作用。
为了实现葡萄图像的分割，许多学者提出了基于像素颜色数据聚类的方法。该方法的核心是如何有效地确定像素颜色数据划分类别的聚类中心。然而，它是一个复杂优化问题，其目标函数常常表现出离散、不可导等特性。因此，传统利用目标函数的数学特性的优化法往往难以有效地求解。为此，研究人员采用模拟自然演化规律的演化算法来实现葡萄图像的分割。
差分演化算法是一种很有潜力的演化算法，它在求解很多复杂优化问题中表现出了优越的性能。然而，传统差分演化算法在解决葡萄图像分割问题时往往容易陷入局部最优，出现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多模式差分演化算法的葡萄图像分割方法，它在很大程度上克服了传统差分演化算法在解决葡萄图像分割问题时容易陷入局部最优，出现分割精度不高的缺点，本发明能够提高葡萄图像的分割精度。
本发明的技术方案：一种应用多模式差分演化算法的葡萄图像分割方法，包括以下步骤：
步骤1，利用数字图像传感装置采集一幅葡萄图像IMG，并将葡萄图像IMG转换为YCrCb颜色空间的图像NIMG，然后提取图像NIMG的Cr颜色分量作为聚类数据；
步骤2，用户初始化个体数量PS，分割类别数量D，最大演化代数MAX_T；
步骤3，令当前演化代数t＝0；
步骤4，设置杂交率缩放因子策略指示值其中下标i＝1,2,...,PS；
步骤5，随机初始化种群中的PS个个体，其中种群中每个个体存储了D个分割类别的聚类中心；
步骤6，计算种群中每个个体的适应值；
步骤7，保存种群中的最优个体Bestt；
步骤8，令计数器ti＝1；
步骤9，如果计数器ti大于个体数量PS，则转到步骤18，否则转到步骤10；
步骤10，利用混沌映射生成调整权重PW，具体如下：
步骤10.1，令混沌转量MIT＝PS+rand(0,1)×PS，其中rand为随机实数产生函数；
步骤10.2，在[0，1]之间随机生成一个实数tf；
步骤10.3，令计数器ck＝1，并令调整权重PW＝tf；
步骤10.4，如果计数器ck大于混沌转量MIT，则转到步骤10.8，否则转到步骤10.5；
步骤10.5，令暂存值TV＝PW×sin(PW×π)，其中sin为正弦函数，π为圆周率；
步骤10.6，令调整权重PW＝TV；
步骤10.7，令计数器ck＝ck+1，然后转到步骤10.4；
步骤10.8，令调整权重PW＝0.8+0.2×TV；
步骤11，按公式(1)计算当前杂交率NCrti、当前缩放因子NFti和当前策略指示值NMuti：
步骤12，执行多模式策略差分演化操作产生个体具体如下：
步骤12.1，令计数器mj＝1；
步骤12.2，在[1,D]之间随机产生一个正整数JRand；
步骤12.3，计算种群中所有个体的平均值保存到中心个体PME；
步骤12.4，在[1,PS]之间随机产生两个互不相等的正整数RK1和RK2；
步骤12.5，如果mj小于或等于D，则转到步骤12.6，否则转到步骤13；
步骤12.6，如果mj不等于JRand，则转到步骤12.7，否则转到步骤12.10；
步骤12.7，在[0,1]之间产生一个随机实数TCR，如果TCR大于NCrti，则转到步骤12.8，否则转到步骤12.10；
步骤12.8，令其中表示个体在第mj维度的值；表示种群中的第ti个个体，且表示种群中第ti个个体在第mj维度的值；
步骤12.9，转到步骤12.19；
步骤12.10，如果NMuti在之间，则转到步骤12.12，否则转到步骤12.11；
步骤12.11，如果NMuti在之间，则转到步骤12.14，否则转到步骤12.16；
步骤12.12，令其中表示种群中第RK1个个体在第mj维度的值；表示种群中第RK2个个体在第mj维度的值；
步骤12.13，转到步骤12.19；
步骤12.14，令其中为最优个体Bestt在第mj维度的值；
步骤12.15，转到步骤12.19；
步骤12.16，在[0,1]之间产生一个随机实数MP；
步骤12.17，令均值因子MC＝1-MP-NFti；
步骤12.18，令其中PMEmj为中心个体PME在第mj维度的值；
步骤12.19，令计数器mj＝mj+1，然后转到步骤12.5；
步骤13，计算个体的适应值；
步骤14，在与之间选择优秀者进入下一代种群；
步骤15，按公式(2)更新杂交率缩放因子和策略指示值
步骤16，令计数器ti＝ti+1；
步骤17，转到步骤9；
步骤18，令当前演化代数t＝t+1；
步骤19，保存种群中的最优个体Bestt；
步骤20，重复步骤8至步骤19，直至当前演化代数达到最大演化代数后结束，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，利用这D个分割类别的聚类中心即实现葡萄图像的分割。
本发明采用多模式差分演化算法来优化葡萄图像分割类别的聚类中心，在多模式差分演化算法中，设计了三种不同模式的搜索策略，并设计了适应性的搜索策略竞争与选择机制，实现多种搜索策略的优势互补，改进搜索策略的多样性，减少陷入局部最优的概率，本发明能够提高葡萄图像的分割精度。
附图说明
图1为实施例中待分割的葡萄图像。
图2为应用本发明对图1分割后的图像。
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的说明。
实施例：
本实施例对图1所示的葡萄图像进行分割，具体步骤如下：
步骤1，利用数字图像传感装置(现有技术)采集一幅如图1所示的葡萄图像IMG，并将葡萄图像IMG转换为YCrCb颜色空间的图像NIMG，然后提取图像NIMG的Cr颜色分量作为聚类数据；
步骤2，用户初始化个体数量PS＝30，分割类别数量D＝2，最大演化代数MAX_T＝3；
步骤3，令当前演化代数t＝0；
步骤4，设置杂交率缩放因子策略指示值其中下标i＝1,2,...,PS；
步骤5，随机初始化种群中的PS个个体，其中种群中每个个体存储了D个分割类别的聚类中心；
步骤6，计算种群中每个个体的适应值；
步骤7，保存种群中的最优个体Bestt；
步骤8，令计数器ti＝1；
步骤9，如果计数器ti大于个体数量PS，则转到步骤18，否则转到步骤10；
步骤10，利用混沌映射生成调整权重PW，具体如下：
步骤10.1，令混沌转量MIT＝PS+rand(0,1)×PS，其中rand为随机实数产生函数；
步骤10.2，在[0，1]之间随机生成一个实数tf；
步骤10.3，令计数器ck＝1，并令调整权重PW＝tf；
步骤10.4，如果计数器ck大于混沌转量MIT，则转到步骤10.8，否则转到步骤10.5；
步骤10.5，令暂存值TV＝PW×sin(PW×π)，其中sin为正弦函数，π为圆周率；
步骤10.6，令调整权重PW＝TV；
步骤10.7，令计数器ck＝ck+1，然后转到步骤10.4；
步骤10.8，令调整权重PW＝0.8+0.2×TV；
步骤11，按公式(1)计算当前杂交率NCrti、当前缩放因子NFti和当前策略指示值NMuti：
步骤12，执行多模式策略差分演化操作产生个体具体如下：
步骤12.1，令计数器mj＝1；
步骤12.2，在[1,D]之间随机产生一个正整数JRand；
步骤12.3，计算种群中所有个体的平均值保存到中心个体PME；
步骤12.4，在[1,PS]之间随机产生两个互不相等的正整数RK1和RK2；
步骤12.5，如果mj小于或等于D，则转到步骤12.6，否则转到步骤13；
步骤12.6，如果mj不等于JRand，则转到步骤12.7，否则转到步骤12.10；
步骤12.7，在[0,1]之间产生一个随机实数TCR，如果TCR大于NCrti，则转到步骤12.8，否则转到步骤12.10；
步骤12.8，令其中表示个体在第mj维度的值；表示种群中的第ti个个体，且表示种群中第ti个个体在第mj维度的值；
步骤12.9，转到步骤12.19；
步骤12.10，如果NMuti在之间，则转到步骤12.12，否则转到步骤12.11；
步骤12.11，如果NMuti在之间，则转到步骤12.14，否则转到步骤12.16；
步骤12.12，令其中表示种群中第RK1个个体在第mj维度的值；表示种群中第RK2个个体在第mj维度的值；
步骤12.13，转到步骤12.19；
步骤12.14，令其中为最优个体Bestt在第mj维度的值；
步骤12.15，转到步骤12.19；
步骤12.16，在[0,1]之间产生一个随机实数MP；
步骤12.17，令均值因子MC＝1-MP-NFti；
步骤12.18，令其中PMEmj为中心个体PME在第mj维度的值；
步骤12.19，令计数器mj＝mj+1，然后转到步骤12.5；
步骤13，计算个体的适应值；
步骤14，在与之间选择优秀者进入下一代种群；
步骤15，按公式(2)更新杂交率缩放因子和策略指示值
步骤16，令计数器ti＝ti+1；
步骤17，转到步骤9；
步骤18，令当前演化代数t＝t+1；
步骤19，保存种群中的最优个体Bestt；
步骤20，重复步骤8至步骤19，直至当前演化代数达到最大演化代数后结束，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，利用这D个分割类别的聚类中心即得到如图2所示的葡萄图像分割结果。
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)

1.一种应用多模式差分演化算法的葡萄图像分割方法，其特征在于，包括以下步骤：
步骤1，利用数字图像传感装置采集一幅葡萄图像IMG，并将葡萄图像IMG转换为YCrCb颜色空间的图像NIMG，然后提取图像NIMG的Cr颜色分量作为聚类数据；
步骤2，用户初始化个体数量PS，分割类别数量D，最大演化代数MAX_T；
步骤3，令当前演化代数t＝0；
步骤4，设置杂交率Cri t＝0.9，缩放因子Fi t＝0.5，策略指示值其中下标i＝1,2,...,PS；
步骤5，随机初始化种群中的PS个个体，其中种群中每个个体存储了D个分割类别的聚类中心；
步骤6，计算种群中每个个体的适应值；
步骤7，保存种群中的最优个体Bestt；
步骤8，令计数器ti＝1；
步骤9，如果计数器ti大于个体数量PS，则转到步骤18，否则转到步骤10；
步骤10，利用混沌映射生成调整权重PW，具体如下：
步骤10.1，令混沌转量MIT＝PS+rand(0,1)×PS，其中rand为随机实数产生函数；
步骤10.2，在[0，1]之间随机生成一个实数tf；
步骤10.3，令计数器ck＝1，并令调整权重PW＝tf；
步骤10.4，如果计数器ck大于混沌转量MIT，则转到步骤10.8，否则转到步骤10.5；
步骤10.5，令暂存值TV＝PW×sin(PW×π)，其中sin为正弦函数，π为圆周率；
步骤10.6，令调整权重PW＝TV；
步骤10.7，令计数器ck＝ck+1，然后转到步骤10.4；
步骤10.8，令调整权重PW＝0.8+0.2×TV；
步骤11，按公式(1)计算当前杂交率NCrti、当前缩放因子NFti和当前策略指示值NMuti：
步骤12，执行多模式策略差分演化操作产生个体具体如下：
步骤12.1，令计数器mj＝1；
步骤12.2，在[1,D]之间随机产生一个正整数JRand；
步骤12.3，计算种群中所有个体的平均值保存到中心个体PME；
步骤12.4，在[1,PS]之间随机产生两个互不相等的正整数RK1和RK2；
步骤12.5，如果mj小于或等于D，则转到步骤12.6，否则转到步骤13；
步骤12.6，如果mj不等于JRand，则转到步骤12.7，否则转到步骤12.10；
步骤12.7，在[0,1]之间产生一个随机实数TCR，如果TCR大于NCrti，则转到步骤12.8，否则转到步骤12.10；
步骤12.8，令其中表示个体在第mj维度的值；表示种群中的第ti个个体，且表示种群中第ti个个体在第mj维度的值；
步骤12.9，转到步骤12.19；
步骤12.10，如果NMuti在之间，则转到步骤12.12，否则转到步骤12.11；
步骤12.11，如果NMuti在之间，则转到步骤12.14，否则转到步骤12.16；
步骤12.12，令其中表示种群中第RK1个个体在第mj维度的值；表示种群中第RK2个个体在第mj维度的值；
步骤12.13，转到步骤12.19；
步骤12.14，令其中为最优个体Bestt在第mj维度的值；
步骤12.15，转到步骤12.19；
步骤12.16，在[0,1]之间产生一个随机实数MP；
步骤12.17，令均值因子MC＝1-MP-NFti；
步骤12.18，令其中PMEmj为中心个体PME在第mj维度的值；
步骤12.19，令计数器mj＝mj+1，然后转到步骤12.5；
步骤13，计算个体的适应值；
步骤14，在与之间选择优秀者进入下一代种群；
步骤15，按公式(2)更新杂交率缩放因子和策略指示值
步骤16，令计数器ti＝ti+1；
步骤17，转到步骤9；
步骤18，令当前演化代数t＝t+1；
步骤19，保存种群中的最优个体Bestt；
步骤20，重复步骤8至步骤19，直至当前演化代数达到最大演化代数后结束，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，利用这D个分割类别的聚类中心即实现葡萄图像的分割。
CN201810165319.8A 2018-02-28 2018-02-28 应用多模式差分演化算法的葡萄图像分割方法 Pending CN108389209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810165319.8A CN108389209A (zh) 2018-02-28 2018-02-28 应用多模式差分演化算法的葡萄图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810165319.8A CN108389209A (zh) 2018-02-28 2018-02-28 应用多模式差分演化算法的葡萄图像分割方法

Publications (1)

Publication Number Publication Date
CN108389209A true CN108389209A (zh) 2018-08-10

Family

ID=63069045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810165319.8A Pending CN108389209A (zh) 2018-02-28 2018-02-28 应用多模式差分演化算法的葡萄图像分割方法

Country Status (1)

Country Link
CN (1) CN108389209A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819652A (zh) * 2012-08-22 2012-12-12 武汉大学 一种基于适应性反向差分演化的机械参数优化设计方法
TW201400326A (zh) * 2012-06-18 2014-01-01 Univ Nat Taiwan Ocean 能有效降低噪音之輪胎花紋節距之最佳排序法
CN104318575A (zh) * 2014-11-04 2015-01-28 江西理工大学 一种基于综合学习差分演化算法的多阈值图像分割方法
GB2518172A (en) * 2013-09-11 2015-03-18 Epistemy Ltd Improvements in or relating to optimisation techniques
CN104462759A (zh) * 2014-11-04 2015-03-25 江西理工大学 基于反向精简差分演化算法的水质模型参数识别方法
CN106600563A (zh) * 2016-12-23 2017-04-26 江西理工大学 基于局部搜索差分演化的图像增强方法
CN107330201A (zh) * 2017-07-04 2017-11-07 北京航空航天大学 一种固定极性Reed‑Muller逻辑电路极性搜索方法
CN107358253A (zh) * 2017-06-12 2017-11-17 中国地质大学（武汉） 一种基于差分演化的自适应集成学习方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201400326A (zh) * 2012-06-18 2014-01-01 Univ Nat Taiwan Ocean 能有效降低噪音之輪胎花紋節距之最佳排序法
CN102819652A (zh) * 2012-08-22 2012-12-12 武汉大学 一种基于适应性反向差分演化的机械参数优化设计方法
GB2518172A (en) * 2013-09-11 2015-03-18 Epistemy Ltd Improvements in or relating to optimisation techniques
CN104318575A (zh) * 2014-11-04 2015-01-28 江西理工大学 一种基于综合学习差分演化算法的多阈值图像分割方法
CN104462759A (zh) * 2014-11-04 2015-03-25 江西理工大学 基于反向精简差分演化算法的水质模型参数识别方法
CN104318575B (zh) * 2014-11-04 2017-02-15 江西理工大学 一种基于综合学习差分演化算法的多阈值图像分割方法
CN106600563A (zh) * 2016-12-23 2017-04-26 江西理工大学 基于局部搜索差分演化的图像增强方法
CN107358253A (zh) * 2017-06-12 2017-11-17 中国地质大学（武汉） 一种基于差分演化的自适应集成学习方法及系统
CN107330201A (zh) * 2017-07-04 2017-11-07 北京航空航天大学 一种固定极性Reed‑Muller逻辑电路极性搜索方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
B. Y. QU等: "Differential Evolution With Neighborhood Mutation for Multimodal Optimization", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 *
ZHAOLU GUO等: "An Enhanced Differential Evolution with Elite Chaotic Local Search", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 *
ZHAOLU GUO等: "Self-adaptive differential evolution with global neighborhood search", 《METHODOLOGIES AND APPLICATION》 *
刘华等: "基于自适应差分进化算法的矾花图像分割", 《控制工程》 *
李康顺等: "一种基于改进遗传算法的图像分割方法", 《计算机应用研究》 *
汪慎文等: "差分进化算法中参数自适应选择策略研究", 《计算机科学》 *
王亚辉等: "基于动态种群多策略差分进化模型的多目标进化算法", 《电子学报》 *
王植: "基于差分进化的混沌量子粒子群优化算法", 《计算机与现代化》 *
董小刚等: "一种动态多模式差分演化算法", 《INTERNATIONAL CONFERENCE ON COMPUTER, COMMUNICATIONS AND INFORMATION TECHNOLOGY（CCIT 2014）》 *

Similar Documents

Publication Publication Date Title
CN107680077A (zh) 一种基于多阶梯度特征的无参考图像质量评价方法
CN107516103B (zh) 一种影像分类方法和系统
CN109214298B (zh) 一种基于深度卷积网络的亚洲女性颜值评分模型方法
US20060269167A1 (en) Image comparison by metric embeddings
CN104156464B (zh) 基于微视频特征数据库的微视频检索方法及装置
CN106023162B (zh) 基于集成策略和声搜索算法的草莓图像分割方法
CN110929848A (zh) 基于多挑战感知学习模型的训练、跟踪方法
CN105718932A (zh) 一种基于果蝇优化算法和光滑孪生支持向量机的彩色图像分类方法与系统
Gautam et al. Efficient color image contrast enhancement using range limited bi-histogram equalization with adaptive gamma correction
Khaled et al. A hybrid color image quantization algorithm based on k-means and harmony search algorithms
CN113887410A (zh) 一种基于深度学习的多类别食材识别系统及方法
CN108829692B (zh) 一种基于卷积神经网络的花卉图像检索方法
CN110956201B (zh) 一种基于卷积神经网络的图像失真类型分类方法
CN115482529A (zh) 近景色水果图像识别方法、设备、存储介质及装置
CN111310516B (zh) 一种行为识别方法和装置
CN108389209A (zh) 应用多模式差分演化算法的葡萄图像分割方法
CN112528077B (zh) 基于视频嵌入的视频人脸检索方法及系统
CN110852398A (zh) 一种基于卷积神经网络的棉蚜识别方法
CN104954873B (zh) 一种智能电视视频定制方法及系统
CN111444388B (zh) 一种基于随机游走的视频标签排序方法
CN113435515B (zh) 图片识别方法和装置、存储介质及电子设备
Richart et al. Image colorization with neural networks
CN115454608A (zh) 基于权值散度和更新增量的联邦学习客户端调度方法
CN114743138A (zh) 基于3D SE-Densenet网络的视频暴力行为识别模型
CN112184838B (zh) 一种基于颜色相关度的多背景迷彩图案主色提取方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180810