CN108764358B - 一种太赫兹图像识别方法、装置、设备及可读存储介质 - Google Patents
一种太赫兹图像识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN108764358B CN108764358B CN201810550624.9A CN201810550624A CN108764358B CN 108764358 B CN108764358 B CN 108764358B CN 201810550624 A CN201810550624 A CN 201810550624A CN 108764358 B CN108764358 B CN 108764358B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- terahertz
- value
- pixel point
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000005484 gravity Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000007635 classification algorithm Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims 2
- 230000001427 coherent effect Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 11
- 238000007689 inspection Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/435—Computation of moments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种太赫兹图像识别方法，该方法包括以下步骤：获取太赫兹灰度图，并计算太赫兹灰度图的图像重心；对太赫兹灰度图进行图像二值化，获得第一灰度图；利用图像重心和预设像素点分类算法，计算第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图；对第二灰度图进行连通域去噪处理，获得第三灰度图；将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。因输入预设卷积神经网络的第三灰度图去除了相干斑等噪声，可获得更为准确的识别结果。当应用到安全检查时，更为准确的识别结果，可提高安全检查的质量。本发明还公开了一种太赫兹图像识别装置、设备及可读存储介质，具有相应的技术效果。
Description
技术领域
本发明涉及太赫兹图像处理技术领域，特别是涉及一种太赫兹图像识别方法、装置、设备及可读存储介质。
背景技术
太赫兹波具有穿透力强、对人体无害等特点，因此太赫兹图像识别技术被广泛应用于安全检查和组织检测等领域。
目前，由于硬件系统的局限性，在成像过程中会受到太赫兹电磁波产生的相干斑的干扰，导致太赫兹图像中待识别的物体主体周围存在如图7所示的干扰光斑。太赫兹图像中的噪声即无用信息过多会影响图像识别准确率。然而，应用太赫兹图像识别的诸多应用场景中，对识别结果的准确要求比较高。例如，当应用到安全检查时，当图像识别结果的准确率无法得到保证时，会影响安检的质量。
综上所述，如何有效地提升太赫兹图像识别准确率等问题，是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种太赫兹图像识别方法、装置、设备及可读存储介质，以提高太赫兹图像识别准确率。
为解决上述技术问题，本发明提供如下技术方案：
一种太赫兹图像识别方法，包括：
获取太赫兹灰度图，并计算所述太赫兹灰度图的图像重心；
对所述太赫兹灰度图进行图像二值化，获得第一灰度图；
利用所述图像重心和预设像素点分类算法，计算所述第一灰度图的外环噪声像素点集合，并删除所述外环噪声像素点集合，获得第二灰度图；
对所述第二灰度图进行连通域去噪处理，获得第三灰度图；
将所述第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。
优选地，所述利用所述图像重心和预设像素点分类算法，计算所述第一灰度图的外环噪声像素点集合，包括：
对所述第一灰度图中的每一个像素点，计算所述像素点与所述图像重心的距离；
利用所述距离与预设权重分配系数计算所述像素点的权重；
利用所述权重和预设像素点分类算法，计算出所述第一灰度图的外环噪声像素点集合。
优选地，对所述太赫兹灰度图进行图像二值化，获得第一灰度图，包括：
利用所述太赫兹灰度图，确定出二值化阈值；
利用所述二值化阈值将所述太赫兹灰度图二值化，获得第一灰度图。
优选地，所述利用所述太赫兹灰度图，确定出二值化阈值，包括：
计算所述太赫兹灰度图中的像素点的最大灰度值与最小灰度值的平均值，并将所述平均值确定为初始二值化阈值；
利用所述初始二值化阈值将所述太赫兹灰度图分割为前景图和背景图；
分别计算所述前景图和所述背景图的平均灰度值，并将两个所述平均灰度值的平均值确定为修正参数值；
当所述初始二值化阈值与所述修正参数值的差值小于预设修正阈值，将所述修正参数值确定为二值化阈值。
优选地，对所述第二灰度图进行连通域去噪处理，获得第三灰度图，包括：
遍历所述第二灰度图中的每一个像素点，查找出所述第二灰度图中与物体灰度值对应的灰度值像素点的连通区域；
将像素点个数小于预设阈值的连通区域中的像素点灰度值置为背景灰度值，获得第三灰度图。
优选地，将所述第三灰度图输入预设卷积神经网络中进行识别，获得识别结果，包括：
将所述第三灰度图输入预设卷积神经网络中进行识别，获得识别结果；其中，所述预设卷积神经网络包括卷积层，池化层，局部响应归一化层，多个卷积层和池化层组成的多尺度特征提取层，特征合成层，完全连接层，dropout层，Softmax层。
优选地，在所述获取太赫兹灰度图，包括：
将待识别的太赫兹RGB图进行灰度变换，获得太赫兹灰度图。
优选地，包括：
太赫兹灰度图获取模块，用于获取太赫兹灰度图，并计算所述太赫兹灰度图的图像重心；
图像二值化模块，用于对所述太赫兹灰度图进行图像二值化，获得第一灰度图；
外环噪声去除模块，用于利用所述图像重心和预设像素点分类算法，计算所述第一灰度图的外环噪声像素点集合，并删除所述外环噪声像素点集合，获得第二灰度图；
连通域去噪模块，用于对所述第二灰度图进行连通域去噪处理，获得第三灰度图；
识别模块，用于将所述第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。
一种太赫兹图像识别设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述太赫兹图像识别方法的步骤。
一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述太赫兹图像识别方法的步骤。
应用本发明实施例所提供的方法，获取太赫兹灰度图，并计算太赫兹灰度图的图像重心；对太赫兹灰度图进行图像二值化，获得第一灰度图；利用图像重心和预设像素点分类算法，计算第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图；对第二灰度图进行连通域去噪处理，获得第三灰度图；将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。对太赫兹灰度图进行二值化，得到的第一灰度图更为简单，而且数据量减小，能突显出感兴趣的目标的轮廓。然后利用图像重心和预设像素点分类算法可以将第一灰度图中的外环噪声像素点去除，得到第二灰度图。然后对第二灰度图进行连通域去噪处理，可以将连通域零散像素点去除，获得第三灰度图。然后第三灰度图输入到预设卷积神经网络中进行识别，因第三灰度图中无相干斑等噪声，可获得更为准确的识别结果。当应用到安全检查时，更为准确的识别结果，可提高安全检查的质量。
相应地，本发明实施例还提供了与上述太赫兹图像识别方法相对应的太赫兹图像识别装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种太赫兹图像识别方法的实施流程图；
图2为本发明实施例中另一种太赫兹图像识别方法的实施流程图；
图3为本发明实施例中预先设置的卷积神经网络结构示意图；
图4为本发明实施例中另一种太赫兹图像识别方法的实施流程图；
图5为本发明实施例中另一种太赫兹图像识别方法的实施流程图；
图6为本发明实施例中另一种太赫兹图像识别方法的实施流程图；
图7为本发明实施例中一种具体的太赫兹灰度图；
图8为lee滤波器对图7的太赫兹灰度图进行去噪后的效果示意图；
图9为对图7的太赫兹灰度图进行小波去噪后的效果示意图；
图10为本发明实施例中对图7的太赫兹灰度图进行二值化后的效果示意图；
图11为本发明实施例中对图7的太赫兹灰度图去噪处理后的效果示意图；
图12为本发明实施例中一种太赫兹图像识别装置的结构示意图；
图13为本发明实施例中一种太赫兹图像识别设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
请参考图1，图1为本发明实施例中一种太赫兹图像识别方法的流程图，该方法包括以下步骤：
S101、获取太赫兹灰度图，并计算太赫兹灰度图的图像重心。
在本实施例中，可以从太赫兹成像的硬件系统中获取太赫兹灰度图，也可以从预先存储了太赫兹灰度图的图像库中读取出来。得到太赫兹灰度图之后，可以计算太赫兹灰度图的图像重心。
可利用如下公式得到图像重心c(xc,yc)：
S102、对太赫兹灰度图进行图像二值化，获得第一灰度图。
得到太赫兹灰度图像之后，可以对该太赫兹灰度图进行图像二值化处理，并将二值化后的太赫兹灰度图确定为第一灰度图。其中，图像二值化处理，图像二值化就是将图像上的像素点的灰度值设置为两个灰度值中的其中一个，例如设置0或255，也就是将整个图像呈现出明显的黑白效果。
具体的，可以将256个亮度等级的灰度图像通过适当的阈值选取，而获得仍然可以反映图像整体和局部特征的二值化图像。可以获得较为简单，且数据量小，能突显出感兴趣的目标的轮廓的第一灰度图。具体的，所有灰度大于或等于阈值的像素判定为属于特定物体(物体图像)，其灰度值用255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。当然，在本发明的其他实施例中，还可以将灰度大于或等于阈值的像素判定为属于特定物体，其灰度值用0表示，否则这些像素点被排除在物体区域以外，灰度值为255，表示背景或例外的物体区域。也就是说，可以选取任意两个不同的像素值分别代表物体像素点、背景像素点的灰度值，当然，这两个灰度值之间的差异越大，图像特征越明显。
S103、利用图像重心和预设像素点分类算法，计算第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图。
在本实施例中，可以预先设置一种像素点分类算法，该像素点分类算法可以为常见的像素点分类算法。
得到二值化的第一灰度图之后，可以利用图像重心和预设像素点分类算法，计算出第一灰度图的外环噪声像素点集合。具体的，可以将图像重心周围的像素点进行特殊处理，先将其进行归为一类，而远离图像重心的像素归为一类。
计算出外环像素点集合之后，将外环像素点集合中的像素点从第一灰度图中删除，获得第二灰度图。具体的，当使用灰度值0来表示物体像素点时，则将属于外环像素点集合中灰度值为零的像素点用灰度值255来表示；当使用灰度值255来表示物体像素点时，则将属于外环像素集合中灰度值为灰度值255的像素点置零。当然，物体像素点的灰度值还可以使用其他数值来进行表示，而非物体像素点的灰度值同样还可以使用其他非物体像素点的灰度值来进行表示，物体像素点和非物体像素点之间的灰度值差值越大，物体轮廓越清晰。
S104、对第二灰度图进行连通域去噪处理，获得第三灰度图。
因第二灰度图中，相干斑或其他噪声点连通的面积较小，因而得到第二灰度图之后，可以对第二灰度图进行连通域去噪处理，得到第三灰度图。因在图像处理中应用连通域进行去噪处理较为常见，可参见现有的处理方式，在此不再赘述其具体过程。
S105、将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。
在本发明实施例中，可以预先设置一种对灰度图进行分类的卷积神经网络。具体的卷积神经网络的结构图可参见现有的分类模型，在此不再赘述。
得到第三灰度图之后，可以将第三灰度图输入到预设的卷积神经网络中进行识别，然后获得识别结果。该识别结果可以包括第三灰度图中的物体的具体名称、类别、物体形态特征等。
应用本发明实施例所提供的方法，获取太赫兹灰度图，并计算太赫兹灰度图的图像重心；对太赫兹灰度图进行图像二值化，获得第一灰度图；利用图像重心和预设像素点分类算法，计算第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图；对第二灰度图进行连通域去噪处理，获得第三灰度图；将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。对太赫兹灰度图进行二值化，得到的第一灰度图更为简单，而且数据量减小，能突显出感兴趣的目标的轮廓。然后利用图像重心和预设像素点分类算法可以将第一灰度图中的外环噪声像素点去除，得到第二灰度图。然后对第二灰度图进行连通域去噪处理，可以将连通域零散像素点去除，获得第三灰度图。然后第三灰度图输入到预设卷积神经网络中进行识别，因第三灰度图中无相干斑等噪声，可获得更为准确的识别结果。当应用到安全检查时，更为准确的识别结果，可提高安全检查的质量。
需要说明的是，基于上述实施例一，本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例一中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在下文的改进实施例中不再一一赘述。
实施例二：
请参考图2，图2为本发明实施例中另一种太赫兹图像识别方法的流程图，该方法包括以下步骤：
S201、将待识别的太赫兹RGB图进行灰度变换，获得太赫兹灰度图。
首先，读取太赫兹RGB图像文件，将各个像素点的数据存入矩阵中。其中，太赫兹RGB图像文件为符合RGB标准的图像，即使用红色R、绿色G和蓝色B的亮度值表示各个点的颜色或各颜色亮度的太赫兹图像。然后，逐个扫描矩阵中的像素点，对其R、G、B分量中的值进行加权平均。例如，可使用公式
进行灰度变换，即将每个像素点的均值保存下来。
S202、获取太赫兹灰度图，并计算太赫兹灰度图的图像重心。
S203、对太赫兹灰度图进行图像二值化，获得第一灰度图。
S204、利用图像重心和预设像素点分类算法，计算第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图。
S205、对第二灰度图进行连通域去噪处理，获得第三灰度图。
S206、将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。
其中，预设卷积神经网络包括卷积层，池化层，局部响应归一化层，多个卷积层和池化层组成的多尺度特征提取层，特征合成层，完全连接层，dropout层，Softmax层。
具体的，请参考图3，图3为本发明实施例中预先设置的卷积神经网络结构示意图。其中，Input为输入图像，Convert为卷积处理，Maxpool为池化处理，LocalRespNorm为局部响应归一化处理，DepthConcat为响应图串联处理，FC为完全连接层，DropOut指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，Softmax为类别判断。
由于待识别的第三灰度图为一通道的二值化图像，只需要使用二维卷积核，同时在网络中不需要对图像进行降维处理，减少了模型和参数的复杂度。
具体的，在输入图像后，依次经过卷积和池化处理，紧接着是局部响应归一化层(LPN)，目的是抑制，增加了泛化能力，作了平滑处理，计算公式如下所示：
然后由3*3卷积层，5*5卷积层和一个3*3池化层来分别提取图像的多尺度特征。其中，关于卷积层和池化层的参数并不局限本文中提到的3*3，5*5。达到多尺度特征之后，直接通过响应图串联(DepthConcat)在每个图像块后合成特征，获得非线性属性。紧接着为两组与上一部分具有相同超参数的卷积层、最大池化层和局部响应归一化层对非线性属性进行处理。最后，完全连接层接受最大池化层的输入，紧接着为dropout为0.5的dropout层。当然，在本发明的其他实施例中dropout还可以为其他比例值。将最后一个完全连接层的输出结果输入到softmax层，为每个类指定一个概率，将最大概率的类作为最终结果即识别结果。
由于待识别的第三灰度图的特征比较明显，干扰信息量比较少，且为一通道灰度图像，为了加快图像识别速率。该卷积神经网络框架，可以减少滤波器的数量和模型复杂度，而不会损失太多的特征表达。这样不仅可以减少训练参数，还可以增强平移的不变性，防止过拟合，在太赫兹图像标签数据有限的情况下，具有较高的识别速率和识别精确率。
实施例三：
请参考图4，图4为本发明实施例中另一种太赫兹图像识别方法的流程图，该方法包括以下步骤：
S301、获取太赫兹灰度图，并计算太赫兹灰度图的图像重心。
S302、对太赫兹灰度图进行图像二值化，获得第一灰度图。
S303、对第一灰度图中的每一个像素点，计算像素点与图像重心的距离。
S304、利用距离与预设权重分配系数计算像素点的权重。
S305、利用权重和预设像素点分类算法，计算出第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图。
为便于描述，下面将上述步骤S303、S304和S305结合起来进行说明。
为了避免在目标物体的像素点不连续的情况下，利用连通域去噪的时将目标物的有用信息去除。所以预先对第一灰度图中的像素点进行分类。考虑到实际应用中，相干斑的大部分噪声点都集中在外环，在二维平面上，目标物体和外环噪声点不可能进行线性分类。但将像素点映射到高维空间，便可获得线性分类。为了减少目标物体靠近外环部分像素点的损失，提出了一种权重分配公式对每个像素点进行权重分配。通过这一步的去噪处理，更加有利于下面进一步的连通域去噪。
具体的，在图像去噪前使用核函数(径向基函数，Radial Basis Function，RBF)将像素点投射到高维空间进行处理。核函数指沿径向对称的标量函数，通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数，可记作k(||x-xc||)，其作用往往是局部的，即当x远离xc时函数取值很小。在映射前为了区分不同像素点的重要性，在本发明实施例中，为像素点进行权重分配。
具体的，利用欧几里德距离公式，根据像素点离图像重心的距离大小进行权重的分配。权重分配公式：
其中ωi表示第i个像素点a(xi,yi)的权重，图像重心c(xc,yc)，权重分配系数λ。其中，权重分配系数λ的具体数值可以预先设置，也可以根据实际情况进行确定和调整，在本发明实施例中对权重分配系统λ的具体数值不做限定。
并利用改进的kernel k-means算法公式：
然后，将待处理的第一灰度图中各个像素点的数据使用k-means算法进行聚类。可以获得内部与外环两类像素点，然后将外环噪声点去除，只留下目标物以及内部像素点。具体的，只需在每次计算像素点投射到高维空间的值内积时，仅只进行内积计算。
优选地，还可以设置一个k矩阵，记录每个像素点映射成特征后进行内积计算得到的结果。这就避免了将样本点映射到高维空间的操作，减少了计算的难度与复杂度。
将像素点映射到高维空间之后，再利用传统的k-means聚类进行分类。选择2个点作为初始质心。然后将每个点指派到最近的质心，形成2个簇，重新计算每个簇的质心。重复上一步，直到簇不再发生改变。使用欧几里德距离公式
作为聚类的目标函数，减少最小化平方误差E，其中ui为质心，ui的表达式为
删除外环噪声像素点集合之后，获得第二灰度图。
S306、对第二灰度图进行连通域去噪处理，获得第三灰度图。
优选地，步骤S306包括：
步骤一、遍历第二灰度图中的每一个像素点，查找出第二灰度图中与物体灰度值对应的灰度值像素点的连通区域；
步骤二、将像素点个数小于预设阈值的连通区域中的像素点灰度值置为背景灰度值；获得第三灰度图。
为便于描述，下面将上述两个步骤结合起来进行说明。
首先，遍历二值化图像，即遍历第二灰度图中的每一个像素点。利用属性值标记二值图像，记录其是否已访问，避免死循环。其中，属性值可以选择布尔类型。找到第一个值为物体像素点对应灰度值的的像素点，将其入栈并将其标记属性值置为真，表示已经访问。这里为了便于描述，对物体像素点的灰度值表示为0，背景像素点的灰度值表示为255。寻找栈顶元素相邻的八邻域值为0像素点，并将它们入栈，直到再也找不到栈内像素点的相邻的八邻域为0的像素点，结束后将栈顶元素删除。当栈彻底为空时，表明已经完成遍历一个连通区域，需继续找到下一个未访问过值为0的像素点，将其作为起点并重复遍历查找其相邻的八邻域(以该点为中心的3*3方形区域，当然，所查找的领域还可以为其他大小，其他形状)像素点为0的像素点的步骤，直到所有的灰度值为0的像素点都被访问完成。当得到所有的值为0像素点的连通区域之后，将像素点数目最大的三个连通区域标记出来。将其他区域的像素点灰度值置为255。即完成连通域去噪处理，去噪后图像如图7所示。可以看出，相干斑已被去除，可降低对图像识别的干扰，使得识别结果更为准确。
S307、将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。
实施例四：
请参考图5，图5为本发明实施例中另一种太赫兹图像识别方法的流程图，该方法包括以下步骤：
S401、获取太赫兹灰度图，并计算太赫兹灰度图的图像重心。
S402、利用太赫兹灰度图，确定出二值化阈值。
考虑到每一个太赫兹灰度图中的灰度值的分布特点各不相同，因此在对太赫兹灰度图进行二值化处理时，应针对每一个太赫兹灰度图的灰度值特点进行分割。具体的，可以利用太赫兹灰度图，确定出二值化阈值。二值化阈值的具体的数值可以为太赫兹灰度图的灰度值的平均值，也可以为太赫兹灰度图的灰度值的百分比。
优选地，为了使得二值化阈值更符合太赫兹灰度图的灰度值特定，可执行以下步骤：
步骤一、计算太赫兹灰度图中的像素点的最大灰度值与最小灰度值的平均值，并将平均值确定为初始二值化阈值；
步骤二、利用初始二值化阈值将太赫兹灰度图分割为前景图和背景图；
步骤三、分别计算前景图和背景图的平均灰度值，并将两个平均灰度值的平均值确定为修正参数值；
步骤四、当初始二值化阈值与修正参数值的差值小于预设修正阈值，将修正参数值确定为二值化阈值。
为便于描述，下面将上述四个步骤结合起来进行说明。
利用图像二值化可以简单且迅速处理图像特征。具体的，上述步骤的具体实现过程可结合迭代法实现，其具体过程步骤如下：
1、求出整个图像像素点的最大和最小灰度值，分别记为Zmax和Zmin，然后利用T0＝(Zmax+Zmin)/2计算初始化阈值T0。
2、通过图像像素点灰度值与阈值T0对比，将其分割为前景和背景，分别求出两者的平均灰度值Z0与ZB；进而得到新阈值T＝(Z0+ZB)/2；
3、如果这两个平均灰度值稳定在一个值(或T不再变化)，则T即为最终阈值；否则转到步骤2迭代计算(即将通过图像像素点灰度值与新阈值T对比，将其分割为前景和背景，分别求出两者的平均灰度值Z0与ZB；进而得到新阈值T＝(Z0+ZB)/2)。
S403、利用二值化阈值将太赫兹灰度图二值化，获得第一灰度图。
利用二值化阈值将太赫兹灰度图二值化。具体为，当太赫兹灰度图中的像素点的灰度值较大的像素点为物体像素点，即物体呈现出白色或亮色时，将灰度值小于二值化阈值的像素点的灰度值置为0，将灰度值大于或等于二值化阈值的像素点的灰度值置为255；当太赫兹灰度图中的像素点的灰度值较小的像素点为物体像素点，即物体呈现出暗色或黑色时，将灰度值大于二值化阈值的像素点的灰度值置为255，将灰度值大于或等于二值化阈值的像素点的灰度值置为0。例如，当图像像素点的灰度值小于阈值T，就将其置为0。当图像像素点的灰度值小于阈值T，就将其置为255。即完成图像二值化处理，二值化后的得到的图像即第一灰度图。也就是说，在第一灰度图中，使用物体颜色可以为黑色也可以为白色。具体的色调可以根据实际需要进行设置。
S404、利用图像重心和预设像素点分类算法，计算第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图。
S405、对第二灰度图进行连通域去噪处理，获得第三灰度图。
S406、将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。
为便于本领域技术人员理解上述方法实施例所提供的太赫兹图像识别方法，下面结合图6以及具体的太赫兹图像进行说明。
计算灰度变换后的图像重心、迭代法图像二值化、像素点权重分配、kernel k-means算法分类像素点、连通域去噪、卷积神经网络进行识别。通过改进的kernel k-means算法与连通域去噪相结合，使得去噪算法对于这类图像具有适用性。通过图像去噪处理后，得到二值化图像，可以由一个更精简更具有泛化能力的神经网络对其进行识别。
具体的，下面以图7所示的太赫兹灰度图为例对上述识别过程并对比结合目前的识别方法进行详细说明。从图7中可以看出，在物体的周围，存在一圈斑点，且不属于物体的干扰像素点，该斑点为相干斑。该相干斑，会影响图像识别结果的准确性。
目前，使用lee滤波器对图像进行去噪处理后，可参见图8，图8为lee滤波器对图7的太赫兹灰度图进行去噪后的效果示意图。可以看出lee滤波器在去噪的同时使得图像边缘大量损失，不利于图像识别。而使用小波去噪之后，请参考图9，图9为对图7的太赫兹灰度图进行小波去噪后的效果示意图。可以看出小波去噪处理后，相干斑仍然存在，同时还模糊了物体图像。
针对这一问题，本发明实施例提出了如下的解决方案：
针对该太赫兹灰度图计算图像重心，并进行二值化。请参考图10，图10为本发明实施例中对图7的太赫兹灰度图进行二值化后的效果示意图。从图10中可以看出相干斑以及一些噪声斑点已被去除，且得到的二值化图像中的物体边缘并未损失，相对于背景更为突出。
因二值化后的图像光斑干扰像素点比较离散等特点，利用改进的核k-means算法和连通域去噪的方法将光斑噪声点消除，保留目标物体。具体的，利用像素点权重分配对二值化图像中的像素点进行分类，并将外环噪声像素点集合中的像素点调整为背景色，也就是利用分类结果进行去噪处理。然后针对该图像利用连通域去噪处理，得到如图11所示的太赫兹灰度图。从图11可以看出，相干斑已被去除。此时将图11所示的太赫兹灰度图输入到预设的卷积神经网络中对图像的物体进行训练识别，可以获得最终的识别结果。
相应于上面的方法实施例，本发明实施例还提供了一种太赫兹图像识别装置，下文描述的太赫兹图像识别装置与上文描述的太赫兹图像识别方法可相互对应参照。
参见图12所示，该装置包括以下模块：
太赫兹灰度图获取模块101，用于获取太赫兹灰度图，并计算太赫兹灰度图的图像重心；
图像二值化模块102，用于对太赫兹灰度图进行图像二值化，获得第一灰度图；
外环噪声去除模块103，用于利用图像重心和预设像素点分类算法，计算第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图；
连通域去噪模块104，用于对第二灰度图进行连通域去噪处理，获得第三灰度图；
识别模块105，用于将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。
应用本发明实施例所提供的装置，获取太赫兹灰度图，并计算太赫兹灰度图的图像重心；对太赫兹灰度图进行图像二值化，获得第一灰度图；利用图像重心和预设像素点分类算法，计算第一灰度图的外环噪声像素点集合，并删除外环噪声像素点集合，获得第二灰度图；对第二灰度图进行连通域去噪处理，获得第三灰度图；将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果。对太赫兹灰度图进行二值化，得到的第一灰度图更为简单，而且数据量减小，能突显出感兴趣的目标的轮廓。然后利用图像重心和预设像素点分类算法可以将第一灰度图中的外环噪声像素点去除，得到第二灰度图。然后对第二灰度图进行连通域去噪处理，可以将连通域零散像素点去除，获得第三灰度图。然后第三灰度图输入到预设卷积神经网络中进行识别，因第三灰度图中无相干斑等噪声，可获得更为准确的识别结果。当应用到安全检查时，更为准确的识别结果，可提高安全检查的质量。
在本发明的一种具体实施方式中，外环噪声去除模块103，具体包括：
距离计算单元，用于对第一灰度图中的每一个像素点，计算像素点与图像重心的距离；
权重计算单元，用于利用距离与预设权重分配系数计算像素点的权重；
像素点分类单元，用于利用权重和预设像素点分类算法，计算出第一灰度图的外环噪声像素点集合。
在本发明的一种具体实施方式中，图像二值化模块102，具体包括：
二值化阈值计算单元，用于利用太赫兹灰度图，确定出二值化阈值；
二值化处理单元，用于利用二值化阈值将太赫兹灰度图二值化，获得第一灰度图。
在本发明的一种具体实施方式中，二值化阈值计算单元，具体包括：
初始二值化阈值确定子单元，用于计算太赫兹灰度图中的像素点的最大灰度值与最小灰度值的平均值，并将平均值确定为初始二值化阈值；
分割子单元，用于利用初始二值化阈值将太赫兹灰度图分割为前景图和背景图；
修正参数值确定子单元，用于分别计算前景图和背景图的平均灰度值，并将两个平均灰度值的平均值确定为修正参数值；
二值化阈值确定子单元，用于当初始二值化阈值与修正参数值的差值小于预设修正阈值，将修正参数值确定为二值化阈值。
在本发明的一种具体实施方式中，连通域去噪模块104，具体包括：
连通区域查找单元，用于遍历第二灰度图中的每一个像素点，查找出第二灰度图中与物体灰度值对应的灰度值像素点的连通区域；
灰度值调整单元，用于将像素点个数小于预设阈值的连通区域中的像素点灰度值置为背景灰度值，获得第三灰度图。
在本发明的一种具体实施方式中，识别模块105，具体用于：将第三灰度图输入预设卷积神经网络中进行识别，获得识别结果；其中，预设卷积神经网络包括卷积层，池化层，局部响应归一化层，多个卷积层和池化层组成的多尺度特征提取层，特征合成层，完全连接层，dropout层，Softmax层。
在本发明的一种具体实施方式中，太赫兹灰度图获取模块101，具体用于将待识别的太赫兹RGB图进行灰度变换，获得太赫兹灰度图。
相应于上面的方法实施例，本发明实施例还提供了一种太赫兹图像识别设备，下文描述的一种太赫兹图像识别设备与上文描述的一种太赫兹图像识别方法可相互对应参照。
参见图13所示，该太赫兹图像识别设备包括：
存储器D1，用于存储计算机程序；
处理器D2，用于执行计算机程序时实现上述方法实施例的太赫兹图像识别方法的步骤。
相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种太赫兹图像识别方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的太赫兹图像识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种太赫兹图像识别方法，其特征在于，包括：
获取太赫兹灰度图，并计算所述太赫兹灰度图的图像重心；
对所述太赫兹灰度图进行图像二值化，获得第一灰度图；
利用所述图像重心和预设像素点分类算法，计算所述第一灰度图的外环噪声像素点集合，并删除所述外环噪声像素点集合，获得第二灰度图；
对所述第二灰度图进行连通域去噪处理，获得第三灰度图；
将所述第三灰度图输入预设卷积神经网络中进行识别，获得识别结果；
其中，对所述太赫兹灰度图进行图像二值化，获得第一灰度图，包括：
计算所述太赫兹灰度图中的像素点的最大灰度值与最小灰度值的平均值，并将所述平均值确定为初始二值化阈值；
利用所述初始二值化阈值将所述太赫兹灰度图分割为前景图和背景图；
分别计算所述前景图和所述背景图的平均灰度值，并将两个所述平均灰度值的平均值确定为修正参数值；
当所述初始二值化阈值与所述修正参数值的差值不小于预设修正阈值，将所述修正参数值作为新的初始二值化阈值，执行利用新的初始二值化阈值将所述太赫兹灰度图分割为前景图和背景图；分别计算所述前景图和所述背景图的平均灰度值，并将两个所述平均灰度值的平均值确定为新的修正参数值的步骤，直到当新的初始二值化阈值与新的修正参数值的差值小于预设修正阈值时，将新的修正参数值确定为二值化阈值；
当所述初始二值化阈值与所述修正参数值的差值小于预设修正阈值，将所述修正参数值确定为二值化阈值；
利用所述二值化阈值将所述太赫兹灰度图二值化，获得第一灰度图。
2.根据权利要求1所述的太赫兹图像识别方法，其特征在于，所述利用所述图像重心和预设像素点分类算法，计算所述第一灰度图的外环噪声像素点集合，包括：
对所述第一灰度图中的每一个像素点，计算所述像素点与所述图像重心的距离；
利用所述距离与预设权重分配系数计算所述像素点的权重；
利用所述权重和预设像素点分类算法，计算出所述第一灰度图的外环噪声像素点集合。
3.根据权利要求1所述的太赫兹图像识别方法，其特征在于，对所述第二灰度图进行连通域去噪处理，获得第三灰度图，包括：
遍历所述第二灰度图中的每一个像素点，查找出所述第二灰度图中与物体灰度值对应的灰度值像素点的连通区域；
将像素点个数小于预设阈值的连通区域中的像素点灰度值置为背景灰度值，获得第三灰度图。
4.根据权利要求1至3任一项所述的太赫兹图像识别方法，其特征在于，将所述第三灰度图输入预设卷积神经网络中进行识别，获得识别结果；其中，所述预设卷积神经网络包括卷积层，池化层，局部响应归一化层，多个卷积层和池化层组成的多尺度特征提取层，特征合成层，完全连接层，dropout层，Softmax层。
5.根据权利要求4所述的太赫兹图像识别方法，其特征在于，所述获取太赫兹灰度图，包括：
将待识别的太赫兹RGB图进行灰度变换，获得太赫兹灰度图。
6.一种太赫兹图像识别装置，其特征在于，包括：
太赫兹灰度图获取模块，用于获取太赫兹灰度图，并计算所述太赫兹灰度图的图像重心；
图像二值化模块，用于对所述太赫兹灰度图进行图像二值化，获得第一灰度图；
外环噪声去除模块，用于利用所述图像重心和预设像素点分类算法，计算所述第一灰度图的外环噪声像素点集合，并删除所述外环噪声像素点集合，获得第二灰度图；
连通域去噪模块，用于对所述第二灰度图进行连通域去噪处理，获得第三灰度图；
识别模块，用于将所述第三灰度图输入预设卷积神经网络中进行识别，获得识别结果；
其中，所述图像二值化模块包括：
二值化阈值计算单元，用于利用所述太赫兹灰度图，确定出二值化阈值；具体的，计算所述太赫兹灰度图中的像素点的最大灰度值与最小灰度值的平均值，并将所述平均值确定为初始二值化阈值；利用所述初始二值化阈值将所述太赫兹灰度图分割为前景图和背景图；分别计算所述前景图和所述背景图的平均灰度值，并将两个所述平均灰度值的平均值确定为修正参数值；当所述初始二值化阈值与所述修正参数值的差值不小于预设修正阈值，将所述修正参数值作为新的初始二值化阈值，执行利用新的初始二值化阈值将所述太赫兹灰度图分割为前景图和背景图；分别计算所述前景图和所述背景图的平均灰度值，并将两个所述平均灰度值的平均值确定为新的修正参数值的步骤，直到当新的初始二值化阈值与新的修正参数值的差值小于预设修正阈值时，将新的修正参数值确定为二值化阈值；当所述初始二值化阈值与所述修正参数值的差值小于预设修正阈值，将所述修正参数值确定为二值化阈值；
二值化处理单元，用于利用所述二值化阈值将所述太赫兹灰度图二值化，获得第一灰度图。
7.一种太赫兹图像识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述太赫兹图像识别方法的步骤。
8.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述太赫兹图像识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810550624.9A CN108764358B (zh) | 2018-05-31 | 2018-05-31 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810550624.9A CN108764358B (zh) | 2018-05-31 | 2018-05-31 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764358A CN108764358A (zh) | 2018-11-06 |
| CN108764358B true CN108764358B (zh) | 2022-02-15 |
Family
ID=64001510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810550624.9A Active CN108764358B (zh) | 2018-05-31 | 2018-05-31 | 一种太赫兹图像识别方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764358B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543763B (zh) * | 2018-11-28 | 2022-10-21 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN109727274B (zh) * | 2018-11-28 | 2023-04-28 | 吉林大学 | 视频处理方法 |
| CN109614913A (zh) * | 2018-12-05 | 2019-04-12 | 北京纵目安驰智能科技有限公司 | 一种斜车位识别方法、装置和存储介质 |
| CN109767406A (zh) * | 2019-01-28 | 2019-05-17 | 中南林业科技大学 | 一种应用于图像处理的自适应中值滤波去噪方法 |
| CN109903289B (zh) * | 2019-04-17 | 2023-05-05 | 广东工业大学 | 一种太赫兹图像无损检测的方法、装置以及设备 |
| CN110390329A (zh) * | 2019-07-10 | 2019-10-29 | 博微太赫兹信息科技有限公司 | 一种基于深度学习的太赫兹图像识别方法及系统 |
| CN111445402B (zh) * | 2020-03-20 | 2023-09-19 | 上海中通吉网络技术有限公司 | 一种图像去噪方法及装置 |
| CN111570327B (zh) * | 2020-04-09 | 2022-05-31 | 广州视源电子科技股份有限公司 | Led显示屏的印刷线路板的分类方法、装置及设备 |
| CN111861990B (zh) * | 2020-06-10 | 2024-02-13 | 广东宜通联云智能信息有限公司 | 一种产品不良外观检测的方法、系统及存储介质 |
| CN113850725A (zh) * | 2020-07-15 | 2021-12-28 | 南京航空航天大学 | 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 |
| CN113542787A (zh) * | 2021-07-15 | 2021-10-22 | 上海松鼠课堂人工智能科技有限公司 | 直播实验教学视频进行加工的方法与系统 |
| CN115082339B (zh) * | 2022-06-22 | 2024-10-18 | 西安电子科技大学 | 基于连通域自适应划分的太赫兹图像去噪方法 |
| CN117132842B (zh) * | 2023-10-26 | 2024-01-23 | 江苏鹰创科技有限公司 | 基于太赫兹特征的违禁物品智能检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
| CN103488970A (zh) * | 2013-08-29 | 2014-01-01 | 北京理工大学 | 一种猫眼目标识别算法 |
| CN107220645A (zh) * | 2017-05-24 | 2017-09-29 | 河北省计量监督检测研究院 | 基于动态图像处理的水表识别方法 |
-
2018
- 2018-05-31 CN CN201810550624.9A patent/CN108764358B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408933A (zh) * | 2008-05-21 | 2009-04-15 | 浙江师范大学 | 基于粗网格特征提取和bp神经网络的车牌字符识别方法 |
| CN103488970A (zh) * | 2013-08-29 | 2014-01-01 | 北京理工大学 | 一种猫眼目标识别算法 |
| CN107220645A (zh) * | 2017-05-24 | 2017-09-29 | 河北省计量监督检测研究院 | 基于动态图像处理的水表识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Text Detection and Recognition in Natural Scene Images;Amruta Pise et al.;《International Conference on Communication and Signal Processing》;20140403;第1068-1072页 * |
| 成熟番茄的图像识别及其位姿的获取研究;董坦坦 等;《江西农业学报》;20090831;第21卷(第8期);第152-155页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764358A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764358B (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
| CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
| CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
| CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
| CN106503724A (zh) | 分类器生成装置、有缺陷/无缺陷确定装置和方法 | |
| CN110390643B (zh) | 一种车牌增强方法、装置及电子设备 | |
| CN111369605B (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
| CN108549836A (zh) | 照片的翻拍检测方法、装置、设备及可读存储介质 | |
| US20170178341A1 (en) | Single Parameter Segmentation of Images | |
| CN109858487A (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
| CN115205194B (zh) | 基于图像处理的粘虫板覆盖率检测方法、系统及装置 | |
| CN110490924B (zh) | 一种基于多尺度Harris的光场图像特征点检测方法 | |
| US11682186B2 (en) | Detection of annotated regions of interest in images | |
| CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
| CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和系统 | |
| CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
| CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
| CN116883303A (zh) | 基于特征差分补偿与融合的红外与可见光图像融合方法 | |
| US9607398B2 (en) | Image processing apparatus and method of controlling the same | |
| CN116798041A (zh) | 图像识别方法、装置和电子设备 | |
| CN111325209A (zh) | 一种车牌识别方法和系统 | |
| CN114757892B (zh) | 基于人工智能的透视材料缺陷检测方法与系统 | |
| US20220392074A1 (en) | Method for image processing by means of a neural network and method for training a neural network | |
| CN118334026B (zh) | 基于图像的印刷覆膜工艺质量检测方法及系统 | |
| CN118429297A (zh) | 基于图卷积网络的结直肠癌免疫组化图像识别方法、设备、介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |