CN108596275A - 一种应用图像关联度的图像模糊分类方法 - Google Patents

一种应用图像关联度的图像模糊分类方法 Download PDF

Info

Publication number
CN108596275A
CN108596275A CN201810442282.9A CN201810442282A CN108596275A CN 108596275 A CN108596275 A CN 108596275A CN 201810442282 A CN201810442282 A CN 201810442282A CN 108596275 A CN108596275 A CN 108596275A
Authority
CN
China
Prior art keywords
image
group
association
degree
width
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
CN201810442282.9A
Other languages
English (en)
Inventor
王祖贤
华加美
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.)
Jurong Feng Yun Plastic Products Co
Original Assignee
Jurong Feng Yun Plastic Products Co
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 Jurong Feng Yun Plastic Products Co filed Critical Jurong Feng Yun Plastic Products Co
Priority to CN201810442282.9A priority Critical patent/CN108596275A/zh
Publication of CN108596275A publication Critical patent/CN108596275A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种应用图像关联度的图像模糊分类方法，包括：步骤1，对于每幅待分类的图像，计算它的分形维特征和能量特征，按照分形维特征和能量特征的大小，将图像分成3类；步骤2，3类图像包含的图像总数分别记为n1、n2、n3，计算每一类图像特征的纹理特征均值，分别记为mean1、mean2、mean3；步骤3，分别计算每幅图像与3类图像纹理特征值的差；步骤4，分别计算每幅图像与3类图像的关联度；步骤5，计算3类图像在各自类别中关联度的均值；步骤6，确定每幅图像是否归属于当前所在的类别。

Description

一种应用图像关联度的图像模糊分类方法
技术领域
本发明涉及一种应用图像关联度的图像模糊分类方法。
背景技术
图像纹理分类是图像自动解释的关键技术，文献“You J，Cohen HA.Classification and Segmentation of Rotated and Scaled Textured Images UsingTexture“Tuned”Mask[J].”利用“Tuned”纹理模板与原始图像作卷积，求得能反映纹理特征的纹理能量，进行图像的纹理分类。图像纹理分类的质量取决于最优“Tuned”纹理模板的获得。但是一个最佳“Tuned”纹理模板只适用于特定的一组图像，假定是居民地图像，则山地、水田这组图像的分类计算量较大。最近十余年出现了基于模糊规则和模糊推理的图像分类方法。这一类图像模糊分类是建立在知识库、规则库的基础上的，而知识库和规则库的建立不是一件容易的事情。
发明内容
针对现有技术的不足，本发明提供了一种应用图像关联度的图像模糊分类方法，包括如下步骤：
步骤1，对于每幅待分类的图像，计算它的分形维特征和能量特征(参考文献：Zheng Zhaobao，Zheng Hong.Genetic Algorithm for Producing Texture“Tuned”Masks[J].PR&AI,2001)，按照分形维特征和能量特征的大小，将图像分成3类(参考文献：ZhengZhaobao,Huang Guilan.Using Least Square Method for Texture Classification ofAerial Image and Analysing Some Relative Problems[J].Acta Geodaetica ttCartographica Sinica,1996)；
步骤2，3类图像包含的图像总数分别记为n1、n2、n3，计算每一类图像特征的纹理特征均值(参考文献：You J，Cohen H A.Classification and Segmentation of Rotatedand Scaled Textured Images Using Texture“Tuned”Mask[J].)，分别记为mean1、mean2、mean3；
步骤3，分别计算每幅图像与3类图像纹理特征值的差；
步骤4，分别计算每幅图像与3类图像的关联度；
步骤5，计算3类图像在各自类别中关联度的均值；
步骤6，确定每幅图像是否归属于当前所在的类别。
步骤3中，通过如下公式分别计算每幅图像与3类图像纹理特征值的差：
d1(i1，1)＝|mean1-Rbs(i1，1)|，
d1(i1，2)＝|mean2-Rbs(i1，1)|，
d1(i1，3)＝|mean3-Rbs(i1，1)|，
d2(i2，1)＝|mean1-Rbs(i2，2)|，
d2(i2，2)＝|mean3-Rbs(i2，2)|，
d2(i2，3)＝|mean3-Rbs(i2，2)|，
d3(i3，1)＝|nean1-Rbs(i3，3)|，
d3(i3，2)＝|mean2-Rbs(i3，3)|，
d3(i3，3)＝|mean3-Rbs(i3，3)|，
其中，Rbs(i1，1)表示第一组图像中第i1幅图像的纹理特征，i1取值为1～n1，Rbs(i2，2)表示第二组图像中第i2幅图像的纹理特征，i2取值为1～n2，Rbs(i3，3)表示第三组图像中第i3幅图像的纹理特征，i3取值为1～n3；d1(i1，1)、d1(i1，2)、d1(i1，3)分别表示第一组图像中第i1幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第一组图像中第i1幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第一组图像中第i1幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值；d2(i2，1)、d2(i2，2)、d2(i2，3)分别表示第二组图像中第i2幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第二组图像中第i2幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第二组图像中第i2幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值；d3(i3，1)、d3(i3，2)、d3(i3，3)分别表示第三组图像中第i3幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第三组图像中第i3幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第三组图像中第i3幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值。
步骤4包括：
步骤4-1，通过如下公式分别计算第一组图像中第i1幅图像与3类图像的关联度：
R1(i1，1)+R1(i1，2)+R1(i1，3)＝2，
其中，R1(i1，1)表示第一组图像中第i1幅图像相对于第一组图像的关联度，R1(i1，2)表示第一组图像中第i1幅图像相对于第二组图像的关联度，R1(i1，3)表示第一组图像中第i1幅图像相对于第三组图像的关联度；
步骤4-2，采用步骤4-1的方法得到第二组图像中第i2幅图像相对于第一组图像的关联度R2(i2，1)、第二组图像中第i2幅图像相对于第二组图像的关联度R2(i2，2)、第二组图像中第i2幅图像相对于第三组图像的关联度R2(i2，3)、第三组图像中第i3幅图像相对于第一组图像的关联度R3(i3，1)、第三组图像中第i3幅图像相对于第二组图像的关联度R3(i3，2)、第三组图像中第i3幅图像相对于第三组图像的关联度R3(i3，3)。
步骤5包括：根据步骤4得到的关联度，通过R1(i1，1)计算第一组图像中n1幅图像相对于第一组图像的关联度的均值f1和标准差a1，通过R2(i2，2)计算第二组图像中n2幅图像相对于第二组图像的关联度的均值f2和标准差a2，通过R3(i3，2)计算第三组图像中n3幅图像相对于第三组图像的关联度的均值f3和标准差a3。
步骤6包括：
步骤6-1，分别计算每个类别中每幅图像的关联度与该类图像关联度均值之差：
K1i＝|R1i(i，1)-f1|，
K2i＝|R2i(i，2)-f2|，
K3i＝|R3i(i，3)-f3|，
其中，R1i(i，1)、R2i(i，2)、R3i(i，3)分别表示第一类图像中每幅图像的关联度、第二类图像中每幅图像的关联度、第三类图像中每幅图像的关联度；K1i、K2i、K3i分别表示第一类图像中每幅图像在该类别中的关联度与第一类图像关联度均值之差、第二类图像中每幅图像在该类别中的关联度与第二类图像关联度均值之差、第三类图像中每幅图像在该类别中的关联度与第三类图像关联度均值之差；
步骤6-2，如果K1i>2a1，则第一类图像中第i幅图像离开第一类图像，否则留在该类别中；如果K2i>2a2，则第二类图像中第i幅图像离开第一类，否则留在该类别中；K3i>2a3，则第三类图像中第i幅图像离开第三类，否则留在该类别中；
步骤6-3，对于离开所在类别的图像，判断该图像相对于另外两类图像的关联度大小，将其划入关联度较大的那一类图像中。
有益效果：本发明提出的图像模糊分类方法无须建立知识库和规则库，而是借助模糊计算中关联度的概念来实现图像的模糊分类，计算量较小，计算速度相比较现有方法具有优势。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本发明提供了一种应用图像关联度的图像模糊分类方法，包括如下步骤：
步骤1，对于每幅待分类的图像，计算它的分形维特征和能量特征(参考文献：Zheng Zhaobao，Zheng Hong.Genetic Algorithm for Producing Texture“Tuned”Masks[J].PR&AI,2001)，按照分形维特征和能量特征的大小，将图像分成3类(参考文献：ZhengZhaobao,Huang Guilan.Using Least Square Method for Texture Classification ofAerial Image and Analysing Some Relative Problems[J].Acta Geodaetica ttCartographica Sinica,1996)；
步骤2，3类图像包含的图像总数分别记为n1、n2、n3，计算每一类图像特征的纹理特征均值(参考文献：You J，Cohen H A.Classification and Segmentation of Rotatedand Scaled Textured Images Using Texture“Tuned”Mask[J].)，分别记为mean1、mean2、mean3；
步骤3，分别计算每幅图像与3类图像纹理特征值的差；
步骤4，分别计算每幅图像与3类图像的关联度；
步骤5，计算3类图像在各自类别中关联度的均值；
步骤6，确定每幅图像是否归属于当前所在的类别。
步骤3中，通过如下公式分别计算每幅图像与3类图像纹理特征值的差：
d1(i1，1)＝|mean1-Rbs(i1，1)|，
d1(i1，2)＝|mean2-Rbs(i1，1)|，
d1(i1，3)＝|mean3-Rbs(i1，1)|，
d2(i2，1)＝|mean1-Rbs(i2，2)|，
d2(i2，2)＝|mean3-Rbs(i2，2)|，
d2(i2，3)＝|mean3-Rbs(i2，2)|，
d3(i3，1)＝|mean1-Rbs(i3，3)|，
d3(i3，2)＝|mean2-Rbs(i3，3)|，
d3(i3，3)＝|mean3-Rbs(i3，3)|，
其中，Rbs(i1，1)表示第一组图像中第i1幅图像的纹理特征，i1取值为1～n1，Rbs(i2，2)表示第二组图像中第i2幅图像的纹理特征，i2取值为1～n2，Rbs(i3，3)表示第三组图像中第i3幅图像的纹理特征，i3取值为1～n3；d1(i1，1)、d1(i1，2)、d1(i1，3)分别表示第一组图像中第i1幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第一组图像中第i1幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第一组图像中第i1幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值；d2(i2，1)、d2(i2，2)、d2(i2，3)分别表示第二组图像中第i2幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第二组图像中第i2幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第二组图像中第i2幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值；d3(i3，1)、d3(i3，2)、d3(i3，3)分别表示第三组图像中第i3幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第三组图像中第i3幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第三组图像中第i3幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值。
步骤4包括：
步骤4-1，通过如下公式分别计算第一组图像中第i1幅图像与3类图像的关联度：
R1(i1，1)+R1(i1，2)+R1(i1，3)＝2，
其中，R1(i1，1)表示第一组图像中第i1幅图像相对于第一组图像的关联度，R1(i1，2)表示第一组图像中第i1幅图像相对于第二组图像的关联度，R1(i1，3)表示第一组图像中第i1幅图像相对于第三组图像的关联度；
步骤4-2，采用步骤4-1的方法得到第二组图像中第i2幅图像相对于第一组图像的关联度R2(i2，1)、第二组图像中第i2幅图像相对于第二组图像的关联度R2(i2，2)、第二组图像中第i2幅图像相对于第三组图像的关联度R2(i2，3)、第三组图像中第i3幅图像相对于第一组图像的关联度R3(i3，1)、第三组图像中第i3幅图像相对于第二组图像的关联度R3(i3，2)、第三组图像中第i3幅图像相对于第三组图像的关联度R3(i3，3)。
步骤5包括：根据步骤4得到的关联度，通过R1(i1，1)计算第一组图像中n1幅图像相对于第一组图像的关联度的均值f1和标准差a1，通过R2(i2，2)计算第二组图像中n2幅图像相对于第二组图像的关联度的均值f2和标准差a2，通过R3(i3，2)计算第三组图像中n3幅图像相对于第三组图像的关联度的均值f3和标准差a3。
步骤6包括：
步骤6-1，分别计算每个类别中每幅图像的关联度与该类图像关联度均值之差：
K1i＝|R1i(i，1)-f1|，
K2i＝|R2i(i，2)-f2|，
K3i＝|R3i(i，3)-f3|，
其中，R1i(i，1)、R2i(i，2)、R3i(i，3)分别表示第一类图像中每幅图像的关联度、第二类图像中每幅图像的关联度、第三类图像中每幅图像的关联度；K1i、K2i、K3i分别表示第一类图像中每幅图像在该类别中的关联度与第一类图像关联度均值之差、第二类图像中每幅图像在该类别中的关联度与第二类图像关联度均值之差、第三类图像中每幅图像在该类别中的关联度与第三类图像关联度均值之差；
步骤6-2，如果K1i>2a1，则第一类图像中第i幅图像离开第一类图像，否则留在该类别中；如果K2i>2a2，则第二类图像中第i幅图像离开第一类，否则留在该类别中；K3i>2a3，则第三类图像中第i幅图像离开第三类，否则留在该类别中；
步骤6-3，对于离开所在类别的图像，判断该图像相对于另外两类图像的关联度大小，将其划入关联度较大的那一类图像中。
本发明提供了一种应用图像关联度的图像模糊分类方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.一种应用图像关联度的图像模糊分类方法，其特征在于，包括如下步骤：
步骤1，对于每幅待分类的图像，计算它的分形维特征和能量特征，按照分形维特征和能量特征的大小，将图像分成3类；
步骤2，3类图像包含的图像总数分别记为n1、n2、n3，计算每一类图像特征的纹理特征均值，分别记为mean1、mean2、mean3；
步骤3，分别计算每幅图像与3类图像纹理特征值的差；
步骤4，分别计算每幅图像与3类图像的关联度；
步骤5，计算3类图像在各自类别中关联度的均值；
步骤6，确定每幅图像是否归属于当前所在的类别。
2.根据权利要求1所述的方法，其特征在于，步骤3中，通过如下公式分别计算每幅图像与3类图像纹理特征值的差：
d1(i1，1)＝|mean1-Rbs(i1，1)|，
d1(i1，2)＝|mean2-Rbs(i1，1)|，
d1(i1，3)＝|mean3-Rbs(i1，1)|，
d2(i2，1)＝|mean1-Rbs(i2，2)|，
d2(i2，2)＝|mean3-Rbs(i2，2)|，
d2(i2，3)＝|mean3-Rbs(i2，2)|，
d3(i3，1)＝|mean1-Rbs(i3，3)|，
d3(i3，2)＝|mean2-Rbs(i3，3)|，
d3(i3，3)＝|mean3-Rbs(i3，3)|，
其中，Rbs(i1，1)表示第一组图像中第i1幅图像的纹理特征，i1取值为1～n1，Rbs(i2，2)表示第二组图像中第i2幅图像的纹理特征，i2取值为1～n2，Rbs(i3，3)表示第三组图像中第i3幅图像的纹理特征，i3取值为1～n3；d1(i1，1)、d1(i1，2)、d1(i1，3)分别表示第一组图像中第i1幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第一组图像中第i1幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第一组图像中第i1幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值；d2(i2，1)、d2(i2，2)、d2(i2，3)分别表示第二组图像中第i2幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第二组图像中第i2幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第二组图像中第i2幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值；d3(i3，1)、d3(i3，2)、d3(i3，3)分别表示第三组图像中第i3幅图像的纹理特征与第一组图像纹理特征均值之差的绝对值、第三组图像中第i3幅图像的纹理特征与第二组图像纹理特征均值之差的绝对值、第三组图像中第i3幅图像的纹理特征与第三组图像纹理特征均值之差的绝对值。
3.根据权利要求2所述的方法，其特征在于，步骤4包括：
步骤4-1，通过如下公式分别计算第一组图像中第i1幅图像与3类图像的关联度：
R1(i1，1)+R1(i1，2)+R1(i1，3)＝2，
其中，R1(i1，1)表示第一组图像中第i1幅图像相对于第一组图像的关联度，R1(i1，2)表示第一组图像中第i1幅图像相对于第二组图像的关联度，R1(i1，3)表示第一组图像中第i1幅图像相对于第三组图像的关联度；
步骤4-2，采用步骤4-1的方法得到第二组图像中第i2幅图像相对于第一组图像的关联度R2(i2，1)、第二组图像中第i2幅图像相对于第二组图像的关联度R2(i2，2)、第二组图像中第i2幅图像相对于第三组图像的关联度R2(i2，3)、第三组图像中第i3幅图像相对于第一组图像的关联度R3(i3，1)、第三组图像中第i3幅图像相对于第二组图像的关联度R3(i3，2)、第三组图像中第i3幅图像相对于第三组图像的关联度R3(i3，3)。
4.根据权利要求3所述的方法，其特征在于，步骤5包括：根据步骤4得到的关联度，通过R1(i1，1)计算第一组图像中n1幅图像相对于第一组图像的关联度的均值f1和标准差a1，通过R2(i2，2)计算第二组图像中n2幅图像相对于第二组图像的关联度的均值f2和标准差a2，通过R3(i3，2)计算第三组图像中n3幅图像相对于第三组图像的关联度的均值f3和标准差a3。
5.根据权利要求4所述的方法，其特征在于，步骤6包括：
步骤6-1，分别计算每个类别中每幅图像的关联度与该类图像关联度均值之差：
K1i＝|R1i(i，1)-f1|，
K2i＝|R2i(i，2)-f2|，
K3i＝|R3i(i，3)-f3|，
其中，R1i(i，1)、R2i(i，2)、R3i(i，3)分别表示第一类图像中每幅图像的关联度、第二类图像中每幅图像的关联度、第三类图像中每幅图像的关联度；K1i、K2i、K3i分别表示第一类图像中每幅图像在该类别中的关联度与第一类图像关联度均值之差、第二类图像中每幅图像在该类别中的关联度与第二类图像关联度均值之差、第三类图像中每幅图像在该类别中的关联度与第三类图像关联度均值之差；
步骤6-2，如果K1i>2a1，则第一类图像中第i幅图像离开第一类图像，否则留在该类别中；如果K2i>2a2，则第二类图像中第i幅图像离开第一类，否则留在该类别中；K3i>2a3，则第三类图像中第i幅图像离开第三类，否则留在该类别中；
步骤6-3，对于离开所在类别的图像，判断该图像相对于另外两类图像的关联度大小，将其划入关联度较大的那一类图像中。
CN201810442282.9A 2018-05-10 2018-05-10 一种应用图像关联度的图像模糊分类方法 Pending CN108596275A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810442282.9A CN108596275A (zh) 2018-05-10 2018-05-10 一种应用图像关联度的图像模糊分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810442282.9A CN108596275A (zh) 2018-05-10 2018-05-10 一种应用图像关联度的图像模糊分类方法

Publications (1)

Publication Number Publication Date
CN108596275A true CN108596275A (zh) 2018-09-28

Family

ID=63636754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810442282.9A Pending CN108596275A (zh) 2018-05-10 2018-05-10 一种应用图像关联度的图像模糊分类方法

Country Status (1)

Country Link
CN (1) CN108596275A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080008396A1 (en) * 2006-07-04 2008-01-10 Pavel Kisilev Context-aware image processing
CN103838793A (zh) * 2012-11-27 2014-06-04 大连灵动科技发展有限公司 一种基于加权图像金字塔结构和模糊支持向量机的图像语义索引方法
CN104798105A (zh) * 2012-11-20 2015-07-22 皇家飞利浦有限公司 采用图像纹理特征的集成表型
CN105912684A (zh) * 2016-04-15 2016-08-31 湘潭大学 基于视觉特征和语义特征的跨媒体检索方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080008396A1 (en) * 2006-07-04 2008-01-10 Pavel Kisilev Context-aware image processing
CN104798105A (zh) * 2012-11-20 2015-07-22 皇家飞利浦有限公司 采用图像纹理特征的集成表型
CN103838793A (zh) * 2012-11-27 2014-06-04 大连灵动科技发展有限公司 一种基于加权图像金字塔结构和模糊支持向量机的图像语义索引方法
CN105912684A (zh) * 2016-04-15 2016-08-31 湘潭大学 基于视觉特征和语义特征的跨媒体检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郑肇葆 等: "带有确定度的模糊图像分类", 《武汉大学学报·信息科学版》 *
郑肇葆 等: "应用图像关联度的图像模糊分类", 《武汉大学学报·信息科学版》 *

Similar Documents

Publication Publication Date Title
CN105869401B (zh) 一种基于不同拥挤程度的路网动态分区方法
CN107844757B (zh) 一种利用数字高程模型提取流域内河道宽度的方法
CN106611160B (zh) 一种基于卷积神经网络的图像头发识别方法及其装置
JP2002536728A (ja) 信頼度を利用した代表カラー指定方法
CN107481273A (zh) 一种航天器自主导航快速图像匹配方法
CN110991527B (zh) 一种考虑电压曲线平均波动率的相似度阈值确定方法
CN115641327B (zh) 一种基于大数据的建筑工程质量监理和预警系统
CN111178503A (zh) 面向移动终端的去中心化目标检测模型训练方法及系统
CN110503721A (zh) 基于加权径向基函数插值的断裂地形保持方法
CN114972370A (zh) 一种用于神经网络推理的遥感图像自适应分割方法
CN114612450B (zh) 基于数据增广机器视觉的图像检测分割方法、系统、电子设备
CN101702236B (zh) 一种多目标前景分割方法
CN115661071A (zh) 基于深度学习的复合材料加工表面缺陷检测及评价方法
CN102930529B (zh) 一种基于非对称模板搜索的快速伪造区域盲检测方法
CN108596275A (zh) 一种应用图像关联度的图像模糊分类方法
CN114862650A (zh) 一种神经网络水印嵌入方法以及验证方法
CN112733624B (zh) 室内密集场景的人流密度检测方法、系统存储介质及终端
JP2003162718A (ja) 画像処理方法及びプログラム
CN113378987A (zh) 基于密度的不平衡数据混合采样算法
CN112434547B (zh) 一种用户身份稽核方法和设备
Zhong et al. Undetectable adversarial examples based on microscopical regularization
CN114819363B (zh) 基于服务价值均衡的干旱区尾闾湖泊生态水位分析方法
CN109859145B (zh) 一种基于多级权重相对总变差的图像去纹理方法
CN106570870B (zh) 一种确定图像分割尺度参数的自适应方法
CN112084551A (zh) 一种基于对抗生成网络的建筑立面识别与生成方法

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

Application publication date: 20180928

WD01 Invention patent application deemed withdrawn after publication