CN109086774A - 基于朴素贝叶斯的彩色图像二值化方法和系统 - Google Patents
基于朴素贝叶斯的彩色图像二值化方法和系统 Download PDFInfo
- Publication number
- CN109086774A CN109086774A CN201810869443.2A CN201810869443A CN109086774A CN 109086774 A CN109086774 A CN 109086774A CN 201810869443 A CN201810869443 A CN 201810869443A CN 109086774 A CN109086774 A CN 109086774A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- data
- negative sample
- black
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机及信息服务技术领域,涉及一种基于朴素贝叶斯的彩色图像二值化的方法。本发明通过监督学习的方法,基于朴素贝叶斯理论,实现了对自然场景环境下的彩色图像中的特定颜色区域的二值化。本发明主要包括从少数原始图片中获取正负样本数据、处理正负样本数据、通过正负样本训练模型、使用建立的模型对图片进行二值化处理以及必要时的更新数据重训练等步骤。本发明可广泛应用于数字图像的文字提取、图像分割、目标识别、标注图像数据等领域。
Description
技术领域
本发明属于计算机及信息服务技术,特别涉及对彩色数字图像中特定范围内的颜色进行二值化处理的方法和系统。
背景技术
图像的二值化是一种基础但重要的图像处理技术,可以将感兴趣目标与背景分离。
随着时代的发展、计算机技术的普及和多媒体技术的演变,数字图像在我们的工作和生活中体现了越来越重要的作用。数字图像被广泛应用在数据记录、数据传递等任务中。随着数字图像的大量使用,数字图像的处理工作也变得越来越重要。其中,颜色是数字图像最重要的特征之一。作为彩色数字图像处理中较为重要的一部分,图像的二值化处理一直受到各方的关注。彩色数字图像二值化处理的用处很多:文字提取、图像分割、目标识别和标注图像数据等。
图像二值化方法的研究由来已久。一般来说,传统的二值化方法可以分为两类:使用全局阈值和使用动态阈值。虽然使用阈值进行二值化在一些领域已经取得了显著的效果,但是,阈值法二值化通常仅适用于灰度图像。一些所谓是对彩色图片进行二值化的方法,实际也是先将彩色图像转化为灰度图像再做二值化。
近年来,随着机器学习的发展,一些研究者开始用聚类的方法来进行图像二值化的处理。但是,聚类方法的二值化只能将一张图像划分为两个部分,而不能控制两个部分对应的颜色。
发明内容
本发明针对现有技术的不足之处,提出了基于朴素贝叶斯的彩色图像二值化方法。本发明不仅可以直接在彩色图像上进行二值化处理,而且可以准确控制二值化过程中两个部分对应的颜色。
本发明基于正负样本数据训练出朴素贝叶斯分类的模型,再把彩色图像中所有像素点在模型中分为两类,从而实现了图像的二值化。
本发明提出的一种基于朴素贝叶斯的彩色图像二值化方法,包括以下步骤:
步骤1,从原始图片中提取正负样本,包括:正样本的提取:在一少部分原始图片中,人工挑选出感兴趣颜色所在区域,然后把区域内所有像素点的BGR颜色值记录下来,用做训练用的初始正样本数据;负样本的提取:在原始图片中,以随机取点的方式,记录下取到的像素点的BGR值,用做训练用的初始负样本;
步骤2,将负样本中包含的正样本数据剔除;
步骤3,基于朴素贝叶斯理论和经过步骤2处理后的正负样本数据,训练获得所挑选颜色区域的二值化模型;
步骤4,将原始图片输入已训练的二值化模型中,获取一张与原始图片相同尺寸的二值图像,其中,与所挑选区域颜色一致的区域为白色,其它区域为黑色。
进一步的,步骤1中初始负样本的数量应多于初始正样本的数量。
进一步的,步骤3的具体实现方式如下,
首先,定义如下公式:
其中,P(xi|ym)表示在类别为ym的样本中,其第i个特征值为xi的样本所占的比例;Dm,i表示训练样本中属于ym类别且第i个特征值为xi的样本的数量;Dm表示训练样本中,属于ym类别的样本的数量,n为类别总数,取值n为2;α为先验平滑因子;
然后,利用上述公式和训练数据中的正负样本,分别求出P(b|y白)、P(g|y白)、P(r|y白)、P(y白)、P(b|y黑)、P(g|y黑)、P(r|y黑)和P(y黑)数据,保存到模型中;
其中P(b|y白)表示在训练数据正样本中,B值为b的像素点的比例;P(g|y白)表示在训练数据正样本中,G值为g的像素点的比例;P(r|y白)表示在训练数据正样本中,R值为r的像素点的比例,P(y白)表示在所有训练数据中,正样本所占比例;P(b|y黑)表示在训练数据负样本中,B值为b的像素点的比例;P(g|y黑)表示在训练数据负样本中,G值为g的像素点的比例;P(r|y黑)表示在训练数据负样本中,R值为r的像素点的比例;P(y黑)表示在所有训练数据中,负样本所占比例;其中,b、g、r的取值范围均为[0,255]。
进一步的,步骤4中获得二值图像的具体实现方式如下,
生成单通道图片:根据要进行二值化处理的彩色图片的尺寸,生成一张相同尺寸的新的单通道图片;
设计如下公式:
遍历像素点并计算参数P:遍历要进行二值化处理的图片中的所有像素点,根据当前像素点的BGR值:b、g、r,在训练好的二值化模型中找出相应的P(b|y白)、P(g|y白)、P(r|y白)、P(y白)、P(b|y黑)、P(g|y黑)、P(r|y黑)和P(y黑)数据,然后计算参数P;
利用P值进行分类:若P≥1,则在单通道图片中相应位置生成白色;若P<1,则在单通道图片中相应位置生成黑色;
保存二值化图像:所有像素点处理一遍后,得到二值化后的图片。
进一步的,还包括步骤5,更新训练样本数据并重训练二值化模型,若获得的二值图像中白色区域太多,则增加负样本的数量,对二值化模型进行重新训练;反之,若黑色区域过多,则减少负样本的数量对二值化模型进行重新训练。
此外,本发明还提供一种基于朴素贝叶斯的彩色图像二值化系统,包括以下模块:
数据获取模块,用于从原始图片中提取正负样本,包括:正样本的提取:在一少部分原始图片中,人工挑选出感兴趣颜色所在区域,然后把区域内所有像素点的BGR颜色值记录下来,用做训练用的初始正样本数据;负样本的提取:在原始图片中,以随机取点的方式,记录下取到的像素点的BGR值,用做训练用的初始负样本;
数据处理模块,用于将负样本中包含的正样本数据剔除;
模型训练模块,基于朴素贝叶斯理论和经过步骤2处理后的正负样本数据,训练获得所挑选颜色区域的二值化模型;
模型应用模块,用于将原始图片输入已训练的二值化模型中,获取一张与原始图片相同尺寸的二值图像,其中,与所挑选区域颜色一致的区域为白色,其它区域为黑色;
数据更新模块,用于更新训练样本数据并重训练二值化模型,若获得的二值图像中白色区域太多,则增加负样本的数量,对二值化模型进行重新训练;反之,若黑色区域过多,则减少负样本的数量对二值化模型进行重新训练。
进一步的,数据获取模块中初始负样本的数量应多于初始正样本的数量。
步骤2所说的“将负样本中包含的正样本数据剔除”的原因和实施方法如下:
a、原始负样本数据是以随机取点的方式获得的,所以取到的点可能位于感兴趣区域内,这类点被称为负样本的“脏数据”。少量的“脏数据”不会对训练出来的模型有太大的影响,但是因为负样本的数据是随机获取的,并不能控制“脏数据”的数量。为使训练出来的模型达到更好的效果,要把负样本中的“脏数据”清洗掉。
b、因为已经获取了正样本数据,所以要清洗负样本内的“脏数据”,只需把负样本内的与正样本内数据重复的数据删除即可。即,如果一条负样本内的数据已经在正样本内出现了,那么就把该条数据从负样本中删除掉。以此种方式遍历整个负样本集,就完成了负样本内“脏数据”的清洗。清洗后的负样本数据为最终负样本。
c、由朴素贝叶斯公式可知,正负样本的数量差会影响最后的结果,所以应尽量保证正负样本的数量维持在一定比例范围中。对于初次模型训练,应使正样本数量和最终负样本数量相差不大。
本发明具有以下优点和有益效果:
1)模型训练所需数据量小,而且获取方式容易;
2)模型训练速度快;
3)模型的训练和使用分离:一个模型可用于多张图片;
4)模型可以将特定颜色范围内的区域二值化;
本发明可广泛应用于数字图像的文字提取、图像分割、目标识别、标注图像数据等领域,如交通标志的分离、肤色检测等。
附图说明
图1为本发明流程示意图;
图2为实例中所提及的禁止类型的交通标志;
图3为实例中进行的求交运算;
图4为实例中获得的原始数据分布;
图5为实例中处理后数据分布。
具体实施方式
本发明主要基于朴素贝叶斯理论,提出了一种新的彩色图像二值化方法。通过本方法,可以将特定颜色范围内的区域从彩色图片中二值化出来。
本发明提供的方法能够使用计算机软件技术实现流程,参见图1。实施例以从彩色图片中提取出红色区域为例对本发明的流程进行一个具体的阐述,如下:
1)正负样本数据采集及处理;
2)训练红色区域提取模型;
3)使用模型得出结果;
实现该实例的正负样本数据采集及处理,方法如下:
1-1)禁止类型的交通标志的外轮廓为红色,且它们之间的结构十分相似,如图2。在自然场景下采集大量含有禁止类型交通标记的图像,把其中的交通标志部分裁剪出来,并把相同的交通标记图整理在一起。
1-2)从所采集的某一种交通标志(此处以“禁止拖拉机通行”为例)中随机选取四张图片,对这四张图片以人工标注的方法进行二值化。因为人工标注的图片数量很少,所以不会浪费大量人力。对二值化后得到的四张黑白图片进行求交运算,得到公共区域的模板图。整个过程如图3所示。
1-3)用得到的模板图,对所有采集到的禁止类型交通标志图片进行套合,以此得到每张图与模板图套合后的区域图。在所有区域图中,把有色点的颜色值全部记录下来用作初始正样本数据。
1-4)在所有原始图片中随机取点,记录颜色值。每张图片取点100个。将所有颜色值用作初始负样本。
1-5)初始正样本是从有色区域取出来的。大部分的颜色是属于红色的,但是存在少部分颜色不是红色。这些不是红色的颜色点用作正样本数据进行训练会对最终的结果产生影响。所以要把不是红色的颜色点尽量从正样本中去除掉。
1-6)对于现有的正样本数据,使用聚类算法k-means,将红色样本数据和非红色样本数据分开。在本实验中,聚类算法k-means中k值设置为3。最后把红色样本部分用作最终的正样本数据。数据处理前后状态如图4、图5所示。
1-7)在取得的数据负样本中,先把出现在负样本中的正样本清洗掉。清洗之后,负样本的数据量仍多余正样本的数据量。按照正样本的数据量,在负样本中随机取出数量相同的负样本用作最终的负样本数据。
实现该实例的训练红色区域提取模型,方法如下:
2-1)首先定义如下公式
P(xi|ym)表示在类别为ym的样本中,其第i个特征值为xi的样本所占的比例。Dm,i表示训练样本中属于ym类别且第i个特征值为xi的样本的数量。Dm表示训练样本中,属于ym类别的样本的数量。n为类别总数,在本发明中,样本分为正负两类,所以取值n为2。α为先验平滑因子,本发明中,取值为1。
2-2)利用朴素贝叶斯公式和训练数据中的正负样本,在先验平滑因子为1的多项式朴素贝叶斯算法下分别求出P(b|y白)、P(g|y白)、P(r|y白)、P(y白)、P(b|y黑)、P(g|y黑)、P(r|y黑)和P(y黑)等数据,保存到模型中。其中P(b|y白)表示在训练数据正样本中,B值为b的像素点的比例;P(g|y白)表示在训练数据正样本中,G值为g的像素点的比例;P(r|y白)表示在训练数据正样本中,R值为r的像素点的比例。P(y白)表示在所有训练数据中,正样本所占比例。P(b|y黑)表示在训练数据负样本中,B值为b的像素点的比例;P(g|y黑)表示在训练数据负样本中,G值为g的像素点的比例;P(r|y黑)表示在训练数据负样本中,R值为r的像素点的比例。P(y黑)表示在所有训练数据中,负样本所占比例。
实现该实例的使用模型得出结果,方法如下:
3-1)生成单通道图片:根据要进行二值化处理的彩色图片的尺寸,生成一张相同尺寸的新的单通道图片。
3-2)定义如下公式:
3-3)遍历像素点并计算参数P:遍历要进行二值化处理的图片中的所有像素点,根据当前像素点的BGR值:b、g、r,在保存的模型中找出相应的P(b|y白)、P(g|y白)、P(r|y白)、P(y白)、P(b|y黑)、P(g|y黑)、P(r|y黑)和P(y黑)等数据,即P(b|y白)、P(g|y白)、P(r|y白)、P(b|y黑)、P(g|y黑)、P(r|y黑)中b、g、r与当前像素点的b、g、r是相同的,然后计算参数P。
3-4)利用P值进行分类:若P≥1,则在单通道图片中相应位置生成白色;若P<1,则在单通道图片中相应位置生成黑色;
3-5)保存二值化图像:所有像素点处理一遍后,便可得到二值化后的图片,保存即可。
为验证本实验生成的模型具有一般性,故测试时选用的图片均未在采集数据时出现过,部分实验结果及其说明参见文档“实审参考资料”。
本发明实施例提供的一种基于朴素贝叶斯的彩色图像二值化系统,包括以下模块:
数据获取模块,用于从原始图片中提取正负样本,包括:正样本的提取:在一少部分原始图片中,人工挑选出感兴趣颜色所在区域,然后把区域内所有像素点的BGR颜色值记录下来,用做训练用的初始正样本数据;负样本的提取:在原始图片中,以随机取点的方式,记录下取到的像素点的BGR值,用做训练用的初始负样本;
数据处理模块,用于将负样本中包含的正样本数据剔除;
模型训练模块,基于朴素贝叶斯理论和经过步骤2处理后的正负样本数据,训练获得所挑选颜色区域的二值化模型;
模型应用模块,用于将原始图片输入已训练的二值化模型中,获取一张与原始图片相同尺寸的二值图像,其中,与所挑选区域颜色一致的区域为白色,其它区域为黑色;
数据更新模块,用于更新训练样本数据并重训练二值化模型,若获得的二值图像中白色区域太多,则增加负样本的数量,对二值化模型进行重新训练;反之,若黑色区域过多,则减少负样本的数量对二值化模型进行重新训练。
其中,数据获取模块中初始负样本的数量应多于初始正样本的数量。
各模块的具体实现和各步骤相对应,本实施例中不予撰述。
本文中所描述的具体实施例仅仅是对本发明作举例说明。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 (7)
1.一种基于朴素贝叶斯的彩色图像二值化方法,其特征在于,包括以下步骤:
步骤1,从原始图片中提取正负样本,包括:正样本的提取:在一少部分原始图片中,人工挑选出感兴趣颜色所在区域,然后把区域内所有像素点的BGR颜色值记录下来,用做训练用的初始正样本数据;负样本的提取:在原始图片中,以随机取点的方式,记录下取到的像素点的BGR值,用做训练用的初始负样本;
步骤2,将负样本中包含的正样本数据剔除;
步骤3,基于朴素贝叶斯理论和经过步骤2处理后的正负样本数据,训练获得所挑选颜色区域的二值化模型;
步骤4,将原始图片输入已训练的二值化模型中,获取一张与原始图片相同尺寸的二值图像,其中,与所挑选区域颜色一致的区域为白色,其它区域为黑色。
2.根据权利要求1所述一种基于朴素贝叶斯的彩色图像二值化方法,其特征在于:步骤1中初始负样本的数量应多于初始正样本的数量。
3.根据权利要求1所述一种基于朴素贝叶斯的彩色图像二值化方法,其特征在于:步骤3的具体实现方式如下,
首先,定义如下公式:
其中,P(xi|ym)表示在类别为ym的样本中,其第i个特征值为xi的样本所占的比例;Dm,i表示训练样本中属于ym类别且第i个特征值为xi的样本的数量;Dm表示训练样本中,属于ym类别的样本的数量,n为类别总数,取值n为2;α为先验平滑因子;
然后,利用上述公式和训练数据中的正负样本,分别求出P(b|y白)、P(g|y白)、P(r|y白)、P(y白)、P(b|y黑)、P(g|y黑)、P(r|y黑)和P(y黑)数据,保存到模型中;
其中P(b|y白)表示在训练数据正样本中,B值为b的像素点的比例;P(g|y白)表示在训练数据正样本中,G值为g的像素点的比例;P(r|y白)表示在训练数据正样本中,R值为r的像素点的比例,P(y白)表示在所有训练数据中,正样本所占比例;P(b|y黑)表示在训练数据负样本中,B值为b的像素点的比例;P(g|y黑)表示在训练数据负样本中,G值为g的像素点的比例;P(r|y黑)表示在训练数据负样本中,R值为r的像素点的比例;P(y黑)表示在所有训练数据中,负样本所占比例;其中,b、g、r的取值范围均为[0,255]。
4.根据权利要求3所述一种基于朴素贝叶斯的彩色图像二值化方法,其特征在于:步骤4中获得二值图像的具体实现方式如下,
生成单通道图片:根据要进行二值化处理的彩色图片的尺寸,生成一张相同尺寸的新的单通道图片;
设计如下公式:
遍历像素点并计算参数P:遍历要进行二值化处理的图片中的所有像素点,根据当前像素点的BGR值:b、g、r,在训练好的二值化模型中找出相应的P(b|y白)、P(g|y白)、P(r|y白)、P(y白)、P(b|y黑)、P(g|y黑)、P(r|y黑)和P(y黑)数据,然后计算参数P;
利用P值进行分类:若P≥1,则在单通道图片中相应位置生成白色;若P<1,则在单通道图片中相应位置生成黑色;
保存二值化图像:所有像素点处理一遍后,得到二值化后的图片。
5.根据权利要求1-4中任意权利要求所述一种基于朴素贝叶斯的彩色图像二值化方法,其特征在于:还包括步骤5,更新训练样本数据并重训练二值化模型,若获得的二值图像中白色区域太多,则增加负样本的数量,对二值化模型进行重新训练;反之,若黑色区域过多,则减少负样本的数量对二值化模型进行重新训练。
6.一种基于朴素贝叶斯的彩色图像二值化系统,其特征在于,包括以下模块:
数据获取模块,用于从原始图片中提取正负样本,包括:正样本的提取:在一少部分原始图片中,人工挑选出感兴趣颜色所在区域,然后把区域内所有像素点的BGR颜色值记录下来,用做训练用的初始正样本数据;负样本的提取:在原始图片中,以随机取点的方式,记录下取到的像素点的BGR值,用做训练用的初始负样本;
数据处理模块,用于将负样本中包含的正样本数据剔除;
模型训练模块,基于朴素贝叶斯理论和经过步骤2处理后的正负样本数据,训练获得所挑选颜色区域的二值化模型;
模型应用模块,用于将原始图片输入已训练的二值化模型中,获取一张与原始图片相同尺寸的二值图像,其中,与所挑选区域颜色一致的区域为白色,其它区域为黑色;
数据更新模块,用于更新训练样本数据并重训练二值化模型,若获得的二值图像中白色区域太多,则增加负样本的数量,对二值化模型进行重新训练;反之,若黑色区域过多,则减少负样本的数量对二值化模型进行重新训练。
7.根据权利要求6所述一种基于朴素贝叶斯的彩色图像二值化方法,其特征在于:数据获取模块中初始负样本的数量应多于初始正样本的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810869443.2A CN109086774B (zh) | 2018-08-02 | 2018-08-02 | 基于朴素贝叶斯的彩色图像二值化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810869443.2A CN109086774B (zh) | 2018-08-02 | 2018-08-02 | 基于朴素贝叶斯的彩色图像二值化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086774A true CN109086774A (zh) | 2018-12-25 |
CN109086774B CN109086774B (zh) | 2021-09-03 |
Family
ID=64833721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810869443.2A Active CN109086774B (zh) | 2018-08-02 | 2018-08-02 | 基于朴素贝叶斯的彩色图像二值化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086774B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472200A (zh) * | 2019-07-29 | 2019-11-19 | 深圳市中兴新云服务有限公司 | 一种基于表单的数据处理方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7296231B2 (en) * | 2001-08-09 | 2007-11-13 | Eastman Kodak Company | Video structuring by probabilistic merging of video segments |
CN101506840A (zh) * | 2006-06-23 | 2009-08-12 | 卡勒兹普麦迪亚公司 | 基于色彩的图像代码的色彩分类方法 |
CN104834937A (zh) * | 2015-04-28 | 2015-08-12 | 安徽清新互联信息科技有限公司 | 一种基于Bayes的车牌颜色判断方法 |
-
2018
- 2018-08-02 CN CN201810869443.2A patent/CN109086774B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7296231B2 (en) * | 2001-08-09 | 2007-11-13 | Eastman Kodak Company | Video structuring by probabilistic merging of video segments |
CN101506840A (zh) * | 2006-06-23 | 2009-08-12 | 卡勒兹普麦迪亚公司 | 基于色彩的图像代码的色彩分类方法 |
CN104834937A (zh) * | 2015-04-28 | 2015-08-12 | 安徽清新互联信息科技有限公司 | 一种基于Bayes的车牌颜色判断方法 |
Non-Patent Citations (2)
Title |
---|
WU Y 等: "Learning document image binarization from data", 《LEARNING DOCUMENT IMAGE BINARIZATION FROM DATA》 * |
董立岩 等: "基于贝叶斯方法的尿沉渣图像分割", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472200A (zh) * | 2019-07-29 | 2019-11-19 | 深圳市中兴新云服务有限公司 | 一种基于表单的数据处理方法、装置及电子设备 |
CN110472200B (zh) * | 2019-07-29 | 2023-10-27 | 深圳市中兴新云服务有限公司 | 一种基于表单的数据处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109086774B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563381B (zh) | 基于全卷积网络的多特征融合的目标检测方法 | |
CN110111340B (zh) | 基于多路割的弱监督实例分割方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN105069400B (zh) | 基于栈式稀疏自编码的人脸图像性别识别系统 | |
CN110555060B (zh) | 基于成对样本匹配的迁移学习方法 | |
CN109949316A (zh) | 一种基于rgb-t融合的电网设备图像弱监督实例分割方法 | |
CN103927511B (zh) | 基于差异特征描述的图像识别方法 | |
CN105654141A (zh) | 基于Isomap和SVM算法的俯视群养猪个体识别方法 | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN109920538B (zh) | 一种基于数据增强的零样本学习方法 | |
CN107480620A (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
CN106845513A (zh) | 基于条件随机森林的人手检测器及方法 | |
Zhao et al. | Residual super-resolution single shot network for low-resolution object detection | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN106203448B (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN109800677A (zh) | 一种跨平台掌纹识别方法 | |
Zhou et al. | Cross-weather image alignment via latent generative model with intensity consistency | |
CN106845458A (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
CN107067037A (zh) | 一种使用llc准则定位图像前景的方法 | |
CN111210447B (zh) | 一种苏木精-伊红染色病理图像层次分割的方法及终端 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN104732230A (zh) | 一种基于细胞核统计信息的病理图像局部特征提取方法 | |
CN110298364A (zh) | 面向功能性脑网络的多阈值下基于多任务的特征选择方法 | |
CN109472228A (zh) | 一种基于深度学习的哈欠检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |