CN109064478A - 一种基于极限学习机的天文图像轮廓提取方法 - Google Patents
一种基于极限学习机的天文图像轮廓提取方法 Download PDFInfo
- Publication number
- CN109064478A CN109064478A CN201810785592.0A CN201810785592A CN109064478A CN 109064478 A CN109064478 A CN 109064478A CN 201810785592 A CN201810785592 A CN 201810785592A CN 109064478 A CN109064478 A CN 109064478A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- training
- learning machine
- extreme learning
- 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.)
- Granted
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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明属于图像处理领域,涉及一种基于极限学习机的天文图像轮廓提取方法,包括以下步骤:图像预处理、特征选取、极限学习机ELM模型建立、ELM模型训练及使用训练好的模型对像素进行分类。极限学习机ELM模型建立根据ELM算法搭建单层前向反馈神经网络,进行迭代训练,直至迭代次数达到阈值或分类正确率达到期望值时终止训练,得到一个用于区分天文图像轮廓像素与非轮廓像素的二分类器模型;导入训练好的二分类器模型,对测试集每幅图像的每个像素进行分类,将分类结果组合成二值图像,得到天体图像轮廓。本发明提取出的天文图像轮廓,内部噪声远远少于使用传统算子提取出的轮廓,且准确性高,可用于天文图像的轮廓提取。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于极限学习机的天文图像轮廓提取方法。
背景技术
图像轮廓提取在天文图像分析和处理中扮演着重要角色。在天文图像分析中,人们常常要对面元对象图像(即椭圆或非规则形状观测对象的图像)进行轮廓提取工作,进而准确得到其中心位置,便于下一步对该对象的各种物理性质进行分析。基于应用目的和图像情况的不同,人们通常采用不同的方法进行轮廓提取。Young CA等人使用多尺度小波变换的方式提取和检测日冕的轮廓,以探测太阳的物理性质;Liu A、Saheba SM等人使用多尺度自适应canny算法进行图像轮廓提取用于检测月球的陨石坑;Cornet T等人使用梯度法对Titan上甲烷湖Ontario Lacus的图像(该图像采用Cassini空间探测器拍摄)轮廓进行提取和检测,考察甲烷湖Ontario Lacus的边缘变化状况;Walker SA等人利用高斯梯度滤波器突出显示星系的冷锋边缘。
Cassini空间探测器已经拍摄了近百万幅天文图像,在分析和处理这些图像的时候需要进行边缘检测和轮廓提取等工作。如果使用传统的边缘检测算法如Canny算子、Roberts算子、Prewitt算子进行边缘检测和轮廓提取,通常会因为图形噪声而带来众多的假探测,这对进一步探索和观测对象的物理性质带来了困难。随着机器学习技术的发展,图像处理中众多研究已经引入了机器学习技术和算法进行边缘检测,包括支持向量机算法(SVM,Support Vector Machine)、AdaBoost算法、决策树算法等,然而这些研究都是在自然图像或特定图像如医学图像、遥感图像上进行的训练,其训练结果并不能很好地适用于Cassini天文图像。针对Cassini天文图像,准确无冗余地探测并提取轮廓像素是一个亟需解决的问题。
发明内容
为了解决现有技术所存在的问题,本发明提供了一种基于极限学习机的天文图像轮廓提取方法,整个训练过程只需指定隐藏层神经元数目及激活函数即可,相比传统的神经网络算法,训练速度快且在参数选择上更为灵活。
本发明所采用的技术方案是:一种基于极限学习机的天文图像轮廓提取方法,包括如下步骤:
步骤一、获取多幅天文图像,对图像进行预处理,得到预处理后的图像集;
步骤二、对预处理后的每幅图像里的天体轮廓进行像素级标注,并导出天体轮廓每个像素的坐标,构成轮廓坐标集;
步骤三、提取预处理后的所有图像所有像素的一阶梯度特征、二阶梯度特征及Haar-like特征,为每个像素构造一个多维的特征向量,作为神经网络的输入;
步骤四、将预处理后的所有图像按一定比例分为训练集和测试集,并对训练集中的所有正负样本做均衡化处理;
步骤五、基于极限学习机算法构建单层前向反馈神经网络,进行迭代训练,直至迭代次数达到阈值或分类正确率达到期望值时终止训练,得到一个用于区分天文图像轮廓像素与非轮廓像素的二分类器模型;
步骤六、导入训练好的二分类器模型,将测试集中每幅图像逐幅输入,对每幅图像的每个像素,分类器经计算后输出0或者1,0表示该像素为非轮廓像素,1表示该像素为轮廓像素,最终将所有分类结果0或1组合成二值图像,即可得到天体图像轮廓。
与现有技术相比,本发明具有如下有益效果:
1、本发明使用极限学习机算法构建单层前向反馈神经网络,采用3类特征共28维特征向量作为特征库进行图像像素特征提取,进行迭代训练,得到可区分轮廓样本和非轮廓样本的分类器,用于对Cassini天文图像进行边缘检测和轮廓提取工作。与传统神经网络学习算法(如BP算法)相比,该算法具有参数选择少、学习速度快、泛化性能好的优点。
2、本发明训练集均使用Cassini天文探测器拍摄的高清天文图像,因而训练出的模型对天文图像具有普适性,可用于其他天文图像的轮廓提取工作中。
3、本发明使用机器学习技术,具有自主学习、高效学习、精确学习的特性,因此本发明提取出的天文图像轮廓,内部噪声远远少于使用传统算子提取出的轮廓,且准确性高。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1为本发明轮廓提取方法的流程简图;
图2为本发明一个实施例中轮廓提取方法的详细流程图;
图3为本发明一个实施例中轮廓提取方法构建的神经网络结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
极限学习机(ELM,Extreme Learning Machine)是由Huang等人提出的一种单层前向反馈神经网络,其输入权重参数及隐藏层偏置向量参数不需人为设置,完全由程序随机化生成,输出权重则由最小二乘回归得到。本实施例中,一种基于极限学习机的天文图像轮廓提取方法,其基本原理是利用已经训练好的极限学习机ELM对图像中的每个像素进行分类(类别0表示非轮廓像素,类别1表示轮廓像素),整个流程包括图像预处理、特征选取、极限学习机ELM模型建立、模型训练、使用模型对像素进行分类。所述图像预处理包括提取感兴趣区域、形态学开运算、双边滤波;所述特征选取包括3类特征(一阶梯度特征、二阶梯度特征、Haar-like特征)共28个特征值;所述极限学习机ELM模型建立指根据ELM算法搭建的单层前向反馈神经网络;所述模型训练指的是迭代训练。如图1、2所示,具体包括以下步骤:
步骤一、首先获取多幅由Cassini空间探测器拍摄的天文图像,对图像进行预处理,得到预处理后的图像集;
预处理的具体过程如下:
(1)手动提取出感兴趣区域,即图像中的天体部分;
(2)对提取出的感兴趣区域图像进行形态学开运算,以改善边缘连接状况;
(3)在步骤(2)的基础上,进行双边滤波,以达到减少噪声的同时保持边缘的目的。其中,双边滤波使用的核函数为高斯分布函数。
步骤二、在步骤一的基础上,对预处理后的每幅图像里的天体轮廓使用半自动方法进行像素级标注,并导出天体轮廓每个像素的坐标,构成轮廓坐标集;
所述的使用半自动方法进行像素级标注,其过程如下:
(1)使用Canny算子对所有图像进行边缘提取,得到二值图像;
(2)人为去除非轮廓点,得到轮廓二值图像;
(3)检查是否有Canny算子漏标注的轮廓点,如有,进行补全,最终得到完整的轮廓二值图像。
步骤三、提取预处理后的所有图像所有像素的3类特征值,为每个像素构造一个28维的特征向量,作为神经网络的输入;
所述的提取3类共28个特征值包括一阶梯度特征、二阶梯度特征、Haar-like特征。其中:一阶梯度特征包括:(1)每个像素在8个方向(如0°、45°、90°、135°、180°、225°、270°和315°)上的一阶梯度值,共8个特征值;(2)每个像素的一阶梯度幅值,计算方式为将每个像素在8个方向上的一阶梯度值相加,共1个特征值。二阶梯度特征包括:(1)每个像素5x5邻域内8个方向上的二阶导数,共8个特征值;(2)每个像素的二阶梯度幅值,计算方式为将每个像素在5x5邻域内8个方向上的一阶梯度值相加,共1个特征值。Haar-like特征包括:(1)线性特征,使用的模板大小为2x3和2x4,并将模板分别旋转45°、90°、135°,使用的模板和旋转后的模板共计8个,分别使用每个模板对原图像进行卷积得到8个特征值;(2)中心环绕特征,使用的模板大小为3x3,将该模板旋转45°,共计2个模板,分别使用每个模板对原图像进行卷积得到2个特征值。
步骤四、将上述图像按一定比例分为训练集和测试集,并对训练集中的所有正负样本做均衡化处理;本实施例中,训练集和测试集的比例可选为1:1。
正负样本均衡化的过程如下:
(1)将样本集分为轮廓像素样本和非轮廓像素样本两个部分;
(2)按一定比例(如1:1比例)随机抽取X个轮廓像素和Y个非轮廓像素,X与Y相差不能过于悬殊;
(3)将抽取的像素再进行随机混匀,构成训练集。
步骤五、基于极限学习机算法构建单层前向反馈神经网络,进行迭代训练,直至迭代次数达到阈值或分类正确率达到期望值时终止训练,得到一个用于区分天文图像轮廓像素与非轮廓像素的二分类器;
极限学习机算法如下(假设训练样本数为n):
(1)从训练数据中提取标签矩阵T;
T[t1...ti...tn],i=0或1
(2)随机生成隐藏层神经元的输入权重wi和隐藏层偏置bi,i=1,2,…,n;
(3)计算隐藏层输出矩阵H:
其中,g为激活函数,wj为隐藏层神经元的输入权重,bj为隐藏层偏置,x为训练样本中的特征向量,m为特征维数。
(4)依据最小二乘原理,可以根据隐藏层输出矩阵H和标签矩阵T计算输出权重β*:
β*=(HTH)-1HTT
(5)计算输出类别y:
y=sign(h(x)Tβ*)
单层前向反馈神经网络的层次结构,如图3所示,自上而下分别为输出层、隐藏层、输入层。以28维特征向量作为输入(d=28),最后输出二维向量(m=2),具体为:
输入层:28个神经元结点,分别代表28个特征值,特征构建方法如步骤三所述;
隐藏层:神经元结点数自定义,使用的函数为激活函数;
输出层:2个神经元结点,表示分类结果为轮廓像素或非轮廓像素;
其中,输入层神经元与隐藏层神经元、隐藏层神经元与输出层神经元均采用全连接。
优选地,所述的迭代训练,指的是每一次训练后,统计并分析分类结果,如果分类结果达不到预期效果,则进行下一次训练,同时更新输入层权重和隐藏层偏置,重复训练直至训练次数达到阈值或取得预期效果时停止训练。训练结束后,分类结果最好的输入层权重和隐藏层偏置将被保存。
进一步的,所述统计并分析分类结果采用四类性能指标进行衡量,包括:(1)准确率,是预测正确的边缘像素数占像素总数的比例;(2)错误率,是预测错误的边缘像素数占像素总数的比例;(3)敏感度(Sensitivity),又称召回率,是预测正确的边缘像素数占实际边缘像素总数的比例;(4)特异性(Specificity),又称负例查全率,是预测错误的边缘像素数占实际非边缘像素总数的比例。
步骤六、在测试阶段,首先导入训练阶段训练好的二分类器模型,将测试集中每幅图像逐幅输入,对每幅图像的每个像素,二分类器经计算后,输出0或者1,0表示该像素为非轮廓像素,1表示该像素为轮廓像素,最终将所有分类结果(0或1)组合成二值图像,即可得到天体图像轮廓。
综上所述,本发明整个训练过程只需指定隐藏层神经元数目及激活函数即可,相比传统的神经网络算法,训练速度快且在参数选择上更为灵活。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (9)
1.一种基于极限学习机的天文图像轮廓提取方法,其特征在于,包括如下步骤:
步骤一、获取多幅天文图像,对图像进行预处理,得到预处理后的图像集;
步骤二、对预处理后的每幅图像里的天体轮廓进行像素级标注,并导出天体轮廓每个像素的坐标,构成轮廓坐标集;
步骤三、提取预处理后的所有图像所有像素的一阶梯度特征、二阶梯度特征及Haar-like特征,为每个像素构造一个多维的特征向量,作为神经网络的输入;
步骤四、将预处理后的所有图像按一定比例分为训练集和测试集,并对训练集中的所有正负样本做均衡化处理;
步骤五、基于极限学习机算法构建单层前向反馈神经网络,进行迭代训练,直至迭代次数达到阈值或分类正确率达到期望值时终止训练,得到一个用于区分天文图像轮廓像素与非轮廓像素的二分类器模型;
步骤六、导入训练好的二分类器模型,将测试集中每幅图像逐幅输入,对每幅图像的每个像素,分类器经计算后输出0或者1,0表示该像素为非轮廓像素,1表示该像素为轮廓像素,最终将所有分类结果0或1组合成二值图像,即可得到天体图像轮廓。
2.根据权利要求1所述的基于极限学习机的天文图像轮廓提取方法,其特征在于,步骤一中,对图像进行预处理的具体过程如下:
(1)手动提取出感兴趣区域,即图像中的天体部分;
(2)对提取出的感兴趣区域图像进行形态学开运算;
(3)在步骤(2)的基础上,进行双边滤波。
3.根据权利要求1所述的基于极限学习机的天文图像轮廓提取方法,其特征在于,步骤二中,进行像素级标注的过程如下:
(1)使用Canny算子对所有图像进行边缘提取,得到二值图像;
(2)去除二值图像中的非轮廓点,得到轮廓二值图像;
(3)检查是否有Canny算子漏标注的轮廓点,如有,进行补全,最终得到完整的轮廓二值图像。
4.根据权利要求1所述的基于极限学习机的天文图像轮廓提取方法,其特征在于,所述一阶梯度特征包括:(1)每个像素在8个方向上的一阶梯度值,共8个特征值;(2)每个像素的一阶梯度幅值,计算方式为将每个像素在8个方向上的一阶梯度值相加,共1个特征值;
所述二阶梯度特征包括:(1)每个像素5x5邻域内8个方向上的二阶导数,共8个特征值;(2)每个像素的二阶梯度幅值,计算方式为将每个像素在5x5邻域内8个方向上的一阶梯度值相加,共1个特征值;
所述Haar-like特征包括:(1)线性特征,使用的模板大小为2x3和2x4,并将模板分别旋转45°、90°、135°,使用的模板和旋转后的模板共计8个模板,分别使用每个模板对原图像进行卷积得到8个特征值;(2)中心环绕特征,使用的模板大小为3x3,对该模板旋转45°,共计2个模板,分别使用每个模板对原图像进行卷积得到2个特征值;
所述8个方向分别为0°、45°、90°、135°、180°、225°、270°及315°。
5.根据权利要求1所述的基于极限学习机的天文图像轮廓提取方法,其特征在于,步骤四中,正负样本均衡化处理的过程如下:
(1)将样本集分为轮廓像素样本和非轮廓像素样本两个部分;
(2)按1:1比例随机抽取X个轮廓像素和Y个非轮廓像素;
(3)将抽取的像素再进行随机混匀,构成训练集。
6.根据权利要求1中所述的基于极限学习机的天文图像轮廓提取方法,其特征在于,步骤五中,单层前向反馈神经网络的结构包括:
输入层:28个神经元结点,分别代表28个特征;
隐藏层:神经元结点数自定义,使用的函数为激活函数;
输出层:2个神经元结点,表示分类结果为轮廓像素或非轮廓像素;
其中,输入层神经元与隐藏层神经元、隐藏层神经元与输出层神经元均采用全连接。
7.根据权利要求6所述的基于极限学习机的天文图像轮廓提取方法,其特征在于,步骤五中,极限学习机算法包括下述步骤,假设训练样本数为n:
(1)从训练数据中提取标签矩阵T:
T=[t1…ti…tn],ti=0或1
(2)随机生成隐藏层神经元的输入权重wi和隐藏层偏置bi,i=1,2,…,n;
(3)计算隐藏层输出矩阵H:
其中,g为激活函数,wj为隐藏层神经元的输入权重,bj为隐藏层偏置,x为训练样本中的特征向量,m为特征维数。
(4)依据最小二乘原理,根据隐藏层输出矩阵H和标签矩阵T计算输出权重β*:
β*=(HTH)-1HTT
(5)计算输出类别y:
y=sign(h(x)Tβ*)。
8.根据权利要求6所述的基于极限学习机的天文图像轮廓提取方法,其特征在于,步骤五中的迭代训练,指的是每一次训练后,统计并分析分类结果,如果分类结果达不到预期效果,则进行下一次训练,同时更新输入层权重和隐藏层偏置,重复训练直至训练次数达到阈值或取得预期效果时停止训练。
9.根据权利要求8所述的基于极限学习机的天文图像轮廓提取方法,其特征在于,所述统计并分析分类结果采用四类性能指标进行衡量,包括:(1)准确率,是预测正确的边缘像素数占像素总数的比例;(2)错误率,是预测错误的边缘像素数占像素总数的比例;(3)敏感度,是预测正确的边缘像素数占实际边缘像素总数的比例;(4)特异性,是预测错误的边缘像素数占实际非边缘像素总数的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810785592.0A CN109064478B (zh) | 2018-07-17 | 2018-07-17 | 一种基于极限学习机的天文图像轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810785592.0A CN109064478B (zh) | 2018-07-17 | 2018-07-17 | 一种基于极限学习机的天文图像轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064478A true CN109064478A (zh) | 2018-12-21 |
CN109064478B CN109064478B (zh) | 2021-06-11 |
Family
ID=64817036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810785592.0A Active CN109064478B (zh) | 2018-07-17 | 2018-07-17 | 一种基于极限学习机的天文图像轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064478B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695529A (zh) * | 2020-06-15 | 2020-09-22 | 北京师范大学 | 一种基于人体骨骼关键点检测算法的x射线源检测方法 |
CN111796710A (zh) * | 2020-06-02 | 2020-10-20 | 南京信息工程大学 | 一种在触摸屏上再现图像轮廓特征的方法 |
CN111985510A (zh) * | 2019-05-21 | 2020-11-24 | 北京新唐思创教育科技有限公司 | 生成模型训练方法、图像生成方法及装置、介质、终端 |
CN112287948A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于素描标记的中层次特征提取快速边缘检测方法 |
CN112819794A (zh) * | 2021-02-04 | 2021-05-18 | 青岛科技大学 | 一种基于深度学习的小天体陨石坑检测方法 |
CN112287948B (zh) * | 2020-10-30 | 2024-05-03 | 西安工程大学 | 一种基于素描标记的中层次特征提取快速边缘检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102891966A (zh) * | 2012-10-29 | 2013-01-23 | 珠海全志科技股份有限公司 | 数码成像设备的对焦方法及装置 |
CN103426179A (zh) * | 2012-05-17 | 2013-12-04 | 深圳中兴力维技术有限公司 | 一种基于均值偏移多特征融合的目标跟踪方法及装置 |
CN104134079A (zh) * | 2014-07-31 | 2014-11-05 | 中国科学院自动化研究所 | 一种基于极值区域和极限学习机的车牌识别方法 |
CN105718963A (zh) * | 2016-03-09 | 2016-06-29 | 东南大学 | 基于变长增量型极限学习机的sar图像分类方法 |
CN106127754A (zh) * | 2016-06-21 | 2016-11-16 | 济南大学 | 基于融合特征和时空连续性判定规则的cme检测方法 |
CN107220589A (zh) * | 2017-04-21 | 2017-09-29 | 东南大学 | 一种基于elm与hmm的序列飞机目标识别方法 |
CN107680077A (zh) * | 2017-08-29 | 2018-02-09 | 南京航空航天大学 | 一种基于多阶梯度特征的无参考图像质量评价方法 |
CN107967497A (zh) * | 2017-08-28 | 2018-04-27 | 苏州明逸智库信息科技有限公司 | 基于卷积神经网络和极限学习机的手写体识别方法 |
CN107992898A (zh) * | 2017-12-14 | 2018-05-04 | 哈尔滨工业大学(威海) | 一种电子元件焊点缺陷检测方法 |
-
2018
- 2018-07-17 CN CN201810785592.0A patent/CN109064478B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426179A (zh) * | 2012-05-17 | 2013-12-04 | 深圳中兴力维技术有限公司 | 一种基于均值偏移多特征融合的目标跟踪方法及装置 |
CN102891966A (zh) * | 2012-10-29 | 2013-01-23 | 珠海全志科技股份有限公司 | 数码成像设备的对焦方法及装置 |
CN104134079A (zh) * | 2014-07-31 | 2014-11-05 | 中国科学院自动化研究所 | 一种基于极值区域和极限学习机的车牌识别方法 |
CN105718963A (zh) * | 2016-03-09 | 2016-06-29 | 东南大学 | 基于变长增量型极限学习机的sar图像分类方法 |
CN106127754A (zh) * | 2016-06-21 | 2016-11-16 | 济南大学 | 基于融合特征和时空连续性判定规则的cme检测方法 |
CN107220589A (zh) * | 2017-04-21 | 2017-09-29 | 东南大学 | 一种基于elm与hmm的序列飞机目标识别方法 |
CN107967497A (zh) * | 2017-08-28 | 2018-04-27 | 苏州明逸智库信息科技有限公司 | 基于卷积神经网络和极限学习机的手写体识别方法 |
CN107680077A (zh) * | 2017-08-29 | 2018-02-09 | 南京航空航天大学 | 一种基于多阶梯度特征的无参考图像质量评价方法 |
CN107992898A (zh) * | 2017-12-14 | 2018-05-04 | 哈尔滨工业大学(威海) | 一种电子元件焊点缺陷检测方法 |
Non-Patent Citations (6)
Title |
---|
MIN HAN等: "An Extreme Learning Machine based on Cellular Automata of edge detection for remote sensing images", 《NEUROCOMPUTING》 * |
侯庆岑: "模拟人类视觉的自动图像分割技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
夏伟等: "基于图像信息测度和极限学习机的图像边缘检测", 《技术交流》 * |
李宽: "细胞图像的分割_纹理提取及识别方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
王之琼等: "双侧特征融合的乳腺肿块检测", 《计算机辅助设计与图形学学报》 * |
王文峰等: "《 MATLAB计算机视觉与机器认知》", 30 August 2017 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985510A (zh) * | 2019-05-21 | 2020-11-24 | 北京新唐思创教育科技有限公司 | 生成模型训练方法、图像生成方法及装置、介质、终端 |
CN111796710A (zh) * | 2020-06-02 | 2020-10-20 | 南京信息工程大学 | 一种在触摸屏上再现图像轮廓特征的方法 |
CN111796710B (zh) * | 2020-06-02 | 2023-05-23 | 南京信息工程大学 | 一种在触摸屏上再现图像轮廓特征的方法 |
CN111695529A (zh) * | 2020-06-15 | 2020-09-22 | 北京师范大学 | 一种基于人体骨骼关键点检测算法的x射线源检测方法 |
CN111695529B (zh) * | 2020-06-15 | 2023-04-25 | 北京师范大学 | 一种基于人体骨骼关键点检测算法的x射线源检测方法 |
CN112287948A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于素描标记的中层次特征提取快速边缘检测方法 |
CN112287948B (zh) * | 2020-10-30 | 2024-05-03 | 西安工程大学 | 一种基于素描标记的中层次特征提取快速边缘检测方法 |
CN112819794A (zh) * | 2021-02-04 | 2021-05-18 | 青岛科技大学 | 一种基于深度学习的小天体陨石坑检测方法 |
CN112819794B (zh) * | 2021-02-04 | 2022-12-30 | 青岛科技大学 | 一种基于深度学习的小天体陨石坑检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109064478B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
Zou et al. | Deep learning based feature selection for remote sensing scene classification | |
CN109064478A (zh) | 一种基于极限学习机的天文图像轮廓提取方法 | |
CN109063724B (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
CN107220277A (zh) | 基于手绘草图的图像检索算法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
CN110020592A (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN109598287A (zh) | 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法 | |
CN107622272A (zh) | 一种图像分类方法及装置 | |
CN105740912A (zh) | 基于核范数正则化的低秩图像特征提取的识别方法及系统 | |
CN104866868A (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN109598711B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
CN108647702B (zh) | 一种基于迁移学习的大规模食材图像分类方法 | |
CN108229571B (zh) | 基于kpca算法与深度信念网络的苹果表面病变图像识别方法 | |
CN107784319A (zh) | 一种基于增强卷积神经网络的病理图像分类方法 | |
CN106650667A (zh) | 一种基于支持向量机的行人检测方法及系统 | |
CN109902662A (zh) | 一种行人重识别方法、系统、装置和存储介质 | |
Carrara et al. | On the robustness to adversarial examples of neural ode image classifiers | |
CN110084812A (zh) | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 | |
CN108268890A (zh) | 一种高光谱图像分类方法 | |
CN109726725A (zh) | 一种基于大间隔类间互异性多核学习的油画作者识别方法 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
CN108932455A (zh) | 遥感图像场景识别方法及装置 | |
CN110688966B (zh) | 语义指导的行人重识别方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wei Linfeng Inventor after: Yang Xiqi Inventor after: Yang Xiyu Inventor before: Yang Xiqi Inventor before: Wei Linfeng Inventor before: Yang Xiyu |
|
GR01 | Patent grant | ||
GR01 | Patent grant |