CN109003266B - 一种基于模糊聚类统计图像质量主观评价结果的方法 - Google Patents
一种基于模糊聚类统计图像质量主观评价结果的方法 Download PDFInfo
- Publication number
- CN109003266B CN109003266B CN201810767262.9A CN201810767262A CN109003266B CN 109003266 B CN109003266 B CN 109003266B CN 201810767262 A CN201810767262 A CN 201810767262A CN 109003266 B CN109003266 B CN 109003266B
- Authority
- CN
- China
- Prior art keywords
- image
- fuzzy
- matrix
- sample
- image quality
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开一种基于模糊聚类统计图像质量主观评价结果的方法。该方法的核心思想为图像获得的不同主观评价得分可视为该图像与各得分的匹配程度,通过样本图像得分的相似关系建立图像序列的模糊相似矩阵,实现模糊聚类分析,在确定样本图像的最佳分类后,所得到的图像顺序即为图像质量的最终评价结果。该方法适用于统计大样本容量的图像质量主观评价结果,对图像的质量划分细致、合理,在统计过程中不丢失主观评价信息,该方法还提供样本图像的动态聚类图,显示图像的聚类过程供使用者参考,用户可以根据使用需求更改阈值,对图像进行重新分类、打分。
Description
技术领域
本发明涉及图像识别中图像质量评价的技术领域,具体涉及一种基于模糊聚类统计图像质量主观评价结果的方法。
背景技术
图像是人工智能获取外界信息的主要来源,其在采集、存储和显示的过程中,由于受到噪声、离焦、丢包和色彩失真等因素的影响,图像质量会存在不同程度的降低。图像质量直接影响计算机信息的获取量,因此,图像质量的评价方法具有重要的研究意义,目前已经广泛应用于相机自动调光调焦,图像或视频的压缩、重构、增强等技术以及计算机视觉、机器学习等领域。
图像质量数据库是度量图像质量评价算法的尺,用来评价算法结果和人主观评价结果的相关性,从而能够准确地反映出算法的性能。目前,许多研究人员都尝试按照一定的主观评价规则收集数据,经统计后给出图像质量打分,从而建立数据库,如LIVE、CSIQ和TID2013等,上述三种数据库的基本情况如表1所示。
表1三种常用的图像质量评价的数据库参数
数据库 | 时间 | 图像 | 分辨率 | 失真种类 | 测评人数 | 统计数据 |
LIVE | 2006 | 29 | 624*438~768*512 | 5 | 161 | 25,000 |
CSIQ | 2010 | 30 | 512*512 | 6 | 25 | 5,000 |
TID2013 | 2013 | 25 | 512*384 | 24 | 971 | 52,4340 |
数据库的基本情况包括创建时间、图像的总数、图像的分辨率、失真的种类、参与主观评价的测试人数以及统计数据。目前的数据库的主观评价方法都对受噪声、模糊、传输错误和色彩失真等因素影响的图片进行分类,然后安排测试员进行主观评价。
如图1所示,TID2013数据库的建立包括四个步骤:将5*24组图像随机分成60组;根据测试人员对图像质量的评价结果,将评价好的记1分,评价相似的记0.5分,评价差的记0分;将图像的顺序打乱,再将步骤二重复九次;排除2%的显著错误后,取得分的平均值。为了提高TID2013数据库的可靠性,建立者通过524340次测试收集原始数据,LIVE和CSIQ数据库的统计方法与TID2013也基本一致。从统计结果来看,该类通过排除显著误差取平均值的统计方法存在如下缺陷:
(1)最终确定的图像质量评分与传统意义上的打分不同,即使两幅图像的质量得分相似,它们在图像质量上仍可能存在肉眼可见的差别,即使图像A比图像B的得分高很多,它的图像质量也不一定明显的优于B;
(2)在未深度挖掘主观评价结果给出的信息时对数据取平均值,会损失很多有意义的信息;
(3)人的主观评价具有差异性,当样本容量增大时,显著误差明显增加,仅粗略的排除2%的显著误差不足以应对大样本容量的主观评价结果统计;
(4)数据库的样本容量过小,每种失真类型图像样本容量不超过10,TID2013的每种失真类型的样本容量仅为5。
大样本容量(如几百幅图像样本)的图像质量主观评价结果统计工作较小样本相比,个体差异导致的评价结果不统一更加明显、无规律可寻,难度随数量的增长呈几何倍数提高,因此,针对现有的TID2013等数据库的分析图像质量主观评价结果方法存在的问题,需要提供一种能够获得图像质量评价值与传统意义上的打分相符、保留所以统计信息分析图像质量主观评价结果的方法。
发明内容
针对现有TID2013等数据库的统计图像质量主观评价结果的方法所存在的问题,本发明实施例提出一种基于模糊聚类统计图像质量主观评价结果的方法。该方法基于模糊聚类原则,将一幅图像获得不同得分的概率视为该图像与这一得分的匹配程度,基于这一概念可以通过各图像得分的相似关系建立图像间的模糊相似矩阵,实现模糊聚类统计,在确定样本图像的最佳分类方案后其排序即为它的图像质量评价值。
该基于模糊距离分析图像质量主观评价结果的方法的具体方案如下:一种基于模糊聚类统计图像质量主观评价结果的方法,包括步骤S1:将全体样本进行指标规格化,获得规格化矩阵;步骤S2:通过绝对值减数法建立样本图像的相似关系,获得模糊相似矩阵;步骤S3:采用平方法求取模糊相似矩阵的传递闭包矩阵,从而建立模糊等价关系;步骤S4:设定不同的阈值,求取传递闭包矩阵的截关系矩阵,根据截关系矩阵对全体样本进行分类并绘制动态聚类图;步骤S5:根据动态聚类图和经验,选取阈值对全体样本进行分类,或者采用模糊统计量求解出最优阈值,采用所述最优阈值对全体样本进行分类。
优选地,步骤S1具体过程为:设定全体样本为U=(u1,u2,…,um),其中,第i个元素ui=(si1,si2,…,sin)',sij表示第j个评价者为第i幅图像的打分结果;按照规格化公式对全体样本U进行规格化,规格化公式为:其中,N(ik)表示在所有测试中第i幅图像被记为k分的次数;获得规格化矩阵X,具体的表达式为
优选地,所述样本图像ui和样本图像uj属于全体样本。
优选地,所述模糊统计量的计算过程包括步骤S51:求解评价结果的平均值求解分类后各类评价结果的平均值此时U被分成kr类,类中含有nkr个元素;步骤S52:计算类间距离计算类内距离其中j表示第i类内的第j个元素;步骤S53:模糊统计量F的计算公式为
其中,F的分子为类间距离的统计值,F的分母为类内距离的统计值。
优选地,当模糊统计量F为最大值时,所对应的阈值为最优阈值。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供一种基于模糊聚类统计图像质量主观评价结果的方法,基于图像获得的不同主观评价得分可视为该图像与各得分的匹配程度的思想,将各个图像得分的相似关系建立图像间的模糊相似矩阵,实现模糊聚类统计,在确定样本图像的最佳分类方法后其顺序即为图像质量的评价值。相对于现有的数据库分析方法,本发明实施例的优势在于:获得图像质量评价值与传统意义上的打分相符,即相同质量的图像的得分相似,分数高的图像质量要明显优于分数低的图像;整个统计的过程,保留所有的信息,允许主观评价的差异性和极特殊情况的存在;统计方法能够应用于大样本容量图像质量评价结果的统计工作;图像质量的评价结果可根据使用者的需求而改变,使用者通过设定不同的阈值,可以对图像进行重新分类和打分。
附图说明
图1为现有TID2013数据库的建立流程示意图;
图2为本发明实施例提供的一种基于模糊聚类统计图像质量主观评价结果的流程示意图;
图3为本发明实施例提供的一种计算模糊统计量F的流程示意图;
图4为本发明实施例提供的全体样本的动态聚类图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图2所示,本发明实施例基于模糊聚类统计图像质量主观评价结果的方法包括五个步骤。具体如下所示:
步骤S1:将全体样本进行指标规格化,获得规格化矩阵。在该步骤中,将全体样本定义为全体图像,假设共有m幅图像和n个评价者。设定全体样本为U=(u1,u2,…,um),其中,第i个元素ui=(si1,si2,…,sin)',sij表示第j个评价者为第i幅图像的评价打分结果;按照规格化公式对全体样本U进行规格化,规格化公式的具体表达式如公式1所示:
其中,N(ik)表示在所有评价中第i幅图像被记为k分的次数。
按照规格化公式求取每一个元素,从而获得规格化矩阵X。规格化矩阵X的具体的表达式如公式2所示:
规格化矩阵X表示的意义为第i幅图像与得分k之间的匹配程度。
步骤S2:通过绝对值减数法建立样本图像的相似关系,获得模糊相似矩阵。在该实施例中,以样本图像ui和样本图像uj为例进行详细介绍,其中样本图像ui和样本图像uj属于全体样本U。模糊相似矩阵R中的每一个相似系数rij的计算表达式如公式3所示:
其中,xik和xjk分别表示样本图像ui和样本图像uj规格化后的元素。模糊相似矩阵用R表示,矩阵中的元素表示样本图像ui和样本图像uj的相似程度。
步骤S3:采用平方法求取模糊相似矩阵的传递闭包矩阵,从而建立模糊等价关系。通过步骤S2计算获得的模糊相似矩阵R一般只具有自反性和对称性,需要将其改造成模糊等价矩阵。在该实施例中,采用平方法求取模糊相似矩阵的传递闭包矩阵,具体的计算公式如公式4所示:
其中,r(i,k)和r(k,j)属于模糊相似矩阵R中的相似系数。
步骤S4:设定不同的阈值,求取传递闭包矩阵的截关系矩阵,根据截关系矩阵对全体样本进行分类并绘制动态聚类图。在该步骤中,设定不同的阈值λ值,再求取传递闭包矩阵的截关系矩阵,从而对全体样本U进行分类,并绘制动态聚类图。阈值λ值为小于等于1的数值。具体可以包括1,0.84,0.76,0.68和0.6等数值。
步骤S5:根据所述动态聚类图和经验,选取阈值对全体样本进行分类;或者,采用模糊统计量求解出最优阈值,采用最优阈值对全体样本进行分类。在该步骤中,将根据所述动态聚类图和经验,选取阈值对全体样本进行分类的分类方式定义为主观分类;将采用模糊统计量求解出最优阈值,采用最优阈值对全体样本进行分类的分类方式定义为客观分类。主观分类时,凭借人员自身需求及经验选择合适的阈值对全体样本进行分类;客观分类时,采用模糊统计量F对全体样本U进行客观分类,完成分类后按照图像的排列顺序依次赋值即可。
如图3所示,本发明实施例提供一种计算模糊统计量F的流程示意图。模糊统计量F的计算过程包括三个步骤,分别如下所述:
步骤S52:根据公式6计算类间距离,根据公式7计算类内距离。
其中,j表示第i类内的第j个元素。
步骤S53:根据公式8计算模糊统计量F。
其中,F的分子为类间距离的统计值,F的分母为类内距离的统计值。理想的分类一定是类间距离越大越好、类内距离越小越好,所以对应F最大值的阈值λ即为最佳阈值。
本发明实施例以10个评价者对8幅图像进行图像质量评价排序的情况为例,对上述方法进行详细地阐述。在该实施例中,此时全体测试样本记为U=(u1,u2,…,u8),其中第i个元素的评价结果为ui=(si1,si2,…,si10)',主观评价数据(即全体样本)如下所示:
按照规格化公式后获取的规格化矩阵X如下所示:
通过绝对值减数法建立图像ui与uj的相似关系,其中,令c=0.2,得到的模糊相似矩阵R如下所示:
当主观评价时,可以凭借经验观察如图4所示的全体样本的动态聚类图,选择合适的λ阈值对U进行主观分类。
当λ值为1时,全体样本U可以被划分成7类,分别为{u1}、{u2}、{u3}、{u4}、{u5,u6}、{u7}、{u8},观察评价结果不难发现,图像u5、u6的评价结果是完全一致的,这表明人眼无法辨识两幅图像的质量差别,而事实上图像u5、u6就是一幅图像;
当λ值为0.84时,全体样本U可以被划分成6类,分别为{u1}、{u2,u3}、{u4}、{u5,u6}、{u7}、{u8},评价结果中u2有0.3的概率被识别成u3,u3也有0.3的概率被识别成u2,而u2与u4不相似,而u3被识别成u4的概率仅为0.2;
同理当λ值为0.76时,全体样本U可以被划分成5类,分别为{u1}、{u2,u3,u4}、{u5,u6}、{u7}、{u8},此时u2、u3、u4被归为一类,表明聚类的尺度进一步放宽,由于u3与u4的存在0.2的相似度,所以当聚类的尺度放宽时,可以将三幅图像视为一类;
当λ值为0.6时,全体样本U被划分成一类,这是因为u7、u8的评价结果与其他图像均没有关系,所以只有当λ值降低到最低程度时,才可以将u7、u8与u1~u6视为一类。
显然,当λ值为0.84、0.76时,聚类的结果都是可以接受的,取0.84似乎更合理,但若使用者有特殊需求,选择0.76的分类方式亦可行。
当处理的数据体量较大时,数据的关系趋于复杂化,此时将很难通过经验选择λ值进行聚类,应该使用模糊统计量F寻找出最优阈值λ进行客观分类。
在该实施例中,以λ=0.84分组为例:
此时kr=6,{u2,u3}、{u5,u6}类内个数为2,其余类个数为1,容易求得根据公式6,求取类间距离,结果依次为0.8337、0.5000、0.7450、0.6124、0.9354、0.9354;根据公式7,求取各类的类内距离,6类中只有第2类存在类内距离,其结果为0.4243。根据公式8,求解模糊统计量F,其结果为F=17.2222。
当λ=0.76时,求取模糊统计量F的过程如上述一样,最终的结果为F=3.8512。
由于其他类的分类方式明显不合理,故不再计算其模糊统计量,所以通过模糊统计量也可以得出结论:以上数据分成6类是最合理的,即
U={{u1},{u2,u3},{u4},{u5,u6},{u7},{u8}}
通过上述实施例可知,基于模糊统计量F得出的聚类结果与基于经验得出的聚类结果一致。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于模糊聚类统计图像质量主观评价结果的方法,其特征在于,所述方法包括步骤:
步骤S1:将全体样本进行指标规格化,获得规格化矩阵;
步骤S2:通过绝对值减数法建立样本图像的相似关系,获得模糊相似矩阵;
步骤S3:采用平方法求取模糊相似矩阵的传递闭包矩阵,从而建立模糊等价关系;
步骤S4:设定不同的阈值,求取传递闭包矩阵的截关系矩阵,根据截关系矩阵对全体样本进行分类并绘制动态聚类图;
步骤S5:根据动态聚类图和经验,选取阈值对全体样本进行分类,或者采用模糊统计量求解出最优阈值,采用所述最优阈值对全体样本进行分类;
步骤S1具体过程为:
设定全体样本为U=(u1,u2,…,um),其中,第i个元素ui=(si1,si2,…,sin)',sij表示第j个评价者为第i幅图像的打分结果;
3.根据权利要求2所述的基于模糊聚类统计图像质量主观评价结果的方法,其特征在于,所述样本图像ui和样本图像uj属于全体样本。
6.根据权利要求5所述的基于模糊聚类统计图像质量主观评价结果的方法,其特征在于,当模糊统计量F为最大值时,所对应的阈值为最优阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767262.9A CN109003266B (zh) | 2018-07-13 | 2018-07-13 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767262.9A CN109003266B (zh) | 2018-07-13 | 2018-07-13 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003266A CN109003266A (zh) | 2018-12-14 |
CN109003266B true CN109003266B (zh) | 2022-10-28 |
Family
ID=64600215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810767262.9A Active CN109003266B (zh) | 2018-07-13 | 2018-07-13 | 一种基于模糊聚类统计图像质量主观评价结果的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003266B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984734B (zh) * | 2018-07-13 | 2020-11-24 | 中国科学院长春光学精密机械与物理研究所 | 一种大样本容量图像质量主观评价方法及系统 |
CN111966220A (zh) * | 2020-08-03 | 2020-11-20 | 刘亮 | 一种基于眼动数据的管制员情景意识水平分析方法 |
CN111967381B (zh) * | 2020-08-16 | 2022-11-11 | 云知声智能科技股份有限公司 | 一种人脸图像质量评分标注方法及装置 |
CN112418273B (zh) * | 2020-11-02 | 2024-03-26 | 深圳大学 | 一种服饰流行程度评价方法、装置、智能终端及存储介质 |
CN112270290B (zh) * | 2020-11-10 | 2022-08-02 | 佳都科技集团股份有限公司 | 人脸图像动态聚类方法、装置、电子设备和存储介质 |
CN112508055A (zh) * | 2020-11-12 | 2021-03-16 | 东风汽车集团有限公司 | 一种车辆总体性能参数比较方法及相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023023A (zh) * | 2012-11-28 | 2013-04-03 | 安徽省电力科学研究院 | 基于综合因子的电气化铁路监测点电能质量总体评价方法 |
CN106372952A (zh) * | 2016-11-14 | 2017-02-01 | 北京创业公社征信服务有限公司 | 一种基于主客观赋权多模型组合验证的企业信用评价方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7110970B2 (en) * | 1999-12-30 | 2006-09-19 | Ge Capital Commercial Finance, Inc. | Methods and apparatus for rapid deployment of a valuation system |
US8396268B2 (en) * | 2010-03-31 | 2013-03-12 | Isis Innovation Limited | System and method for image sequence processing |
US8494283B2 (en) * | 2010-12-21 | 2013-07-23 | Microsoft Corporation | Image quality assessment |
-
2018
- 2018-07-13 CN CN201810767262.9A patent/CN109003266B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103023023A (zh) * | 2012-11-28 | 2013-04-03 | 安徽省电力科学研究院 | 基于综合因子的电气化铁路监测点电能质量总体评价方法 |
CN106372952A (zh) * | 2016-11-14 | 2017-02-01 | 北京创业公社征信服务有限公司 | 一种基于主客观赋权多模型组合验证的企业信用评价方法及系统 |
Non-Patent Citations (4)
Title |
---|
Image Quality Assessment Using Rough Fuzzy Integrals;Wei Dong 等;《ICDCSW 2007》;20070731;1-6 * |
基于PSNR与SSIM联合的图像质量评价模型;佟雨兵 等;《中国图象图形学报》;20061231;第11卷(第12期);1758-1763 * |
模糊聚类分析在产品质量评估中的应用;欧阳浩 等;《广西工学院学报》;20081231;第19卷(第4期);83-85 * |
煤自燃特征信息的模糊聚类与模式识别;邓军 等;《西安科技大学学报》;20110930;第31卷(第5期);505-509,514 * |
Also Published As
Publication number | Publication date |
---|---|
CN109003266A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003266B (zh) | 一种基于模糊聚类统计图像质量主观评价结果的方法 | |
US20110038515A1 (en) | Development of fully-automated classifier builders for neurodiagnostic applications | |
CN107767079A (zh) | 一种烟叶风格特征的客观综合评价方法 | |
CN110874576B (zh) | 一种基于典型相关分析融合特征的行人再识别方法 | |
CN112668476B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN114627125A (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
CN107247954A (zh) | 一种基于深度神经网络的图像离群点检测方法 | |
JP2022507112A (ja) | 表面を識別する原子間力顕微鏡法 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN109325410B (zh) | 一种基于卷积神经网络的脑电信号eeg特征提取方法 | |
WO2024131524A1 (zh) | 一种基于食物图像分割的抑郁症膳食管理方法 | |
CN107944487B (zh) | 一种基于混合协同过滤算法的作物育种品种推荐方法 | |
Deulkar et al. | An automated tomato quality grading using clustering based support vector machine | |
CN116259415A (zh) | 一种基于机器学习的患者服药依从性预测方法 | |
CN110853761A (zh) | 一种基于极端梯度提升算法的精神病高危识别模型 | |
CN112784924B (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
CN106875402B (zh) | 一种基于选取合适聚类数目的聚类算法的数字图像处理方法 | |
Manikis et al. | Pollen grain classification using geometrical and textural features | |
Tikkanen et al. | Multivariate outlier modeling for capturing customer returns—How simple it can be | |
CN112836754A (zh) | 一种面向图像描述模型泛化能力评估方法 | |
CN116975520A (zh) | Ab实验的可信度评估方法、装置、设备和存储介质 | |
Vasconcelos et al. | A new risk assessment methodology for dermoscopic skin lesion images | |
WO2023061174A1 (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
Zakani et al. | Kulczynski similarity index for objective evaluation of mesh segmentation algorithms | |
CN115494009A (zh) | 一种烟叶成熟度的智能判别方法及系统 |
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 |