CN109191478A - 一种基于区域生长与蚁群优化算法相结合的边缘检测方法 - Google Patents

一种基于区域生长与蚁群优化算法相结合的边缘检测方法 Download PDF

Info

Publication number
CN109191478A
CN109191478A CN201810797828.2A CN201810797828A CN109191478A CN 109191478 A CN109191478 A CN 109191478A CN 201810797828 A CN201810797828 A CN 201810797828A CN 109191478 A CN109191478 A CN 109191478A
Authority
CN
China
Prior art keywords
ant
pixel
region growing
colony optimization
image
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
CN201810797828.2A
Other languages
English (en)
Inventor
庄家卫
万频
王永华
杨健
连轶群
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810797828.2A priority Critical patent/CN109191478A/zh
Publication of CN109191478A publication Critical patent/CN109191478A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于区域生长与蚁群优化算法相结合的边缘检测方法，包括如下步骤：S1：采用区域生长方法，对图像进行处理，提取感兴趣区域；S2：对提取的感兴趣区域，采用蚁群优化方法产生信息素矩阵；S3：对于提取的感兴趣区域，采用蚁群优化方法产生的信息素矩阵，计算阈值，确定图像边缘。本发明克服现有技术的图像边缘不清晰、边缘不连续、受噪影响大等技术缺陷，改进了已有蚁群算法容易过早收敛提供了一种基于区域生长与蚁群优化算法相结合的边缘检测方法。

Description

一种基于区域生长与蚁群优化算法相结合的边缘检测方法
技术领域
本发明涉及图像分割技术领域，具体的涉及一种基于区域生长与蚁群优化算 法相结合的边缘检测方法。
背景技术
图像分割的目的是将目标和背景分离，为计算机视觉的后续处理提供依据。 图像分割是图像理解与计算机视觉的前提，也是图像处理与分析的基本技术之 一。图像分割已被应用于很多的领域，例如，在红外技术应用中，红外成像跟踪 系统中目标的分割，红外无损检测中红外热图像的分割；在遥感应用中，合成孔 径雷达图像中目标的分割等；在医学应用中，磁共振图像的分割，血液细胞图像 的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割； 在工业生产应用中，机器视觉运用于产品质量检测等。图像分割技术在这些领域 的广泛应用，充分表明图像分割起着非常重要的作用。在图像分割中，边缘检测 是图像分割的前提和基础，边缘存在于目标与背景、目标与目标、区域与区域之 间，是图像中物体结构、纹理、形态的重要信息，边缘检测结果受噪声的影响很 大。因而在图像分割技术中，图像边缘检测技术有待改进。
现有的图像边缘检测方法受噪声的影响很大，如现有的对数函数图像边缘检 测方法无法根据对数函数性质消除噪声，虽然检测效率高，但边缘显示效果不好， 边缘不连续；高斯滤波图像边缘检测方法可以排除噪声，使图像边缘平滑，但在 处理高次噪声时由于滤波强度不好控制，因而经常造成边缘过度平滑。
发明内容
本发明克服现有技术的图像边缘不清晰、边缘不连续、受噪影响大等技术缺 陷，同时提高边缘检测的速度，提供了一种基于区域生长与蚁群优化算法相结合 的边缘检测方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于区域生长与蚁群优化算法相结合的边缘检测方法，算法包括如下步 骤：
S1：采用区域生长方法，对图像进行处理，提取感兴趣区域；
S2：对提取的感兴趣区域，采用蚁群优化方法产生信息素矩阵；
S3：对于提取的感兴趣区域，采用蚁群优化方法产生的信息素矩阵，计算阈 值，确定图像边缘，分割图像。
其中，S1的区域生长方法包括如下步骤：
S1.1：选择具有灰度值最大的像素点作为种子点；
S1.2：在空间上采用八邻域连通或者四邻域连通对邻接的相似像素进行搜 索，采用|Iseed-I|＜λ|Imax-Imin|公式进行区域生长，将满足此公式的邻近像 素加入到种子区域，当生长的过程中当没有像素满足加入某个种子区域的条件 时，区域生长终止；
其中：I表示像素的灰度值，Iseed表示种子点的灰度值；Imax与Imix分别表 示图像中的最大灰度值与最小灰度值；λ是可调节的参数；
S1.3：递归调用S1.2，直至满足|Iseed-I|＜λ|Imax-Imin|公式的像素加入到 种子区域；
S1.4：输出种子区域。
对于经过区域生长处理后的图片，可加快边缘检测的速度，在后续图像处理 中节省了计算代价，可实现实时在线的图像边缘检测。
S2产生信息素矩阵包括如下步骤：
S2.1：启发式引导函数ηi,j为：其中，Ii,j是像素点(i,j) 的灰度值，Z是一个标准化参数，函数Vc(Ii,j)是计算蚂蚁 所在像素点的边缘信息的强度值；函数Vc(Ii,j)是计算蚂蚁所在像素点的边缘信 息的强度值，Vc(Ii,j)由所在像素点周围区域的值决定， 其中，
var＝|Ii-2,j-1-Ii+2,j+1|+|Ii-2,j+1-Ii+2,j-1|+|Ii-1,j-2-Ii+1,j+2|+
|Ii-1,j-1-Ii+1,j+1|+|Ii-1,j-Ii+1,j|+|Ii-1,j+1-Ii+1,j-1|+
|Ii-1,j+2-Ii+1,j-2|+|Ii,j-1-Ii,j+1|；
S2.2：在M×N的图片范围内随机投放只蚂蚁，利用蚂蚁随机搜索 路径时，图像灰度值的变化情况不断更新信息素矩阵，利用蚂蚁算法的正反馈性， 最终产生的信息素矩阵计算图像的阈值，从而确定图像的边缘位置。初始的信息 素矩阵τi,j不能为0，否则无法启动蚂蚁移转，根据初始信息素矩阵τi,j产生一个 随机矩阵作为信息素矩阵初始化。蚂蚁下一步要走的位置由移转概率决定，蚂蚁 下一步要走的位置为：其中(i,j)是蚂蚁当前 位置的一个相邻像素点；Ω(l,m)是所有相邻像素点的集合，τi,j是像素点(i,j)处 信息素矩阵，ηi,j是像素点(i,j)处的启发式引导函数；α,β是像素点(i,j)处积 累的信息素强度和启发式引导函数选择像素过程中的影响因子；
S2.3：根据
如果第k个蚂蚁经过路径(i,j)，第一次更 新信息素矩阵，其中，(1-ρ)为信息素的蒸发率，ρ∈(0,1)， 表示第k只蚂蚁在经过点时所留下的信息素；
S2.4：在完成第一次信息素矩阵更新后，根据进行第二次更新信息素矩阵。
步骤S3确定图像边缘包括如下步骤：
S3.1：对于提取的感兴趣区域，初始化阈值T(l)令l＝0，其中为最终的信息素矩阵；
S3.2：将信息素矩阵划分为大于T(l)和小于T(l)的两部分，计算大于T(l)的 平均值：其中
计算小于T(l)的平均值：其中
S3.3：迭代系数l＝l+1，更新阈值
S3.4：判断|T(l)-T(l-1)|＞ω，若是，则返回S3.1继续划分阈值T(l)；否则， 输出阈值T(l)，根据阈值划分图片为：其中ω为允许的误差 范围，一般取值为1。
附图说明
图1为本发明的方法主要流程图；
图2为本发明的实施例的原图；
图3为本发明在图2原图上采用蚁群优化算法的图像边缘检测图；
图4为本发明在图2原图上采用蚁群算法的图像边缘检测图；
图5为本发明在图2原图上采用Roberts边缘检测算子的图像边缘检测图；
图6为本发明在图2原图上采用Sobel边缘检测算子的图像边缘检测图；
图7为本发明在图2原图上采用Prewitt边缘检测算子的图像边缘检测图；
图8为本发明在图2原图上采用本发明方法的图像边缘检测图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实 际产品的尺寸；
对于本领域技术人员来说，附图中某些公知常识及其说明可能省略是可以理 解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
图1示出了本发明提供的一种基于区域生长与蚁群优化算法相结合的边缘 检测方法的方法流程图，为了便于说明，仅示出了与本发明实施例相关的部分。
一种基于区域生长与蚁群优化算法相结合的边缘检测方法，包括如下步骤：
S1：采用区域生长方法，对图像进行处理，提取感兴趣区域；
S2：对提取的感兴趣区域，采用蚁群优化方法产生信息素矩阵；
S3：对于提取的感兴趣区域，采用蚁群优化方法产生的信息素矩阵，计算阈 值，确定图像边缘，分割图像。
采用区域生长方法对图像进行初始划分，该算法主要是从一个或多个种子点 出发，不断加入满足相似性规则的邻居点来生长出图像区域，S1区域生长的步 骤如下所示：
1.1：选择具有灰度值最大的像素点作为种子点；
S1.2：采用|Iseed-I|＜λ|Imax-Imin|公式进行区域生长，将满足此公式的 邻近像素加入到种子区域；
其中，其中:I表示像素的灰度值，Iseed表示种子点的灰度值；Imax与Imix分 别表示图像中的最大灰度值与最小灰度值；λ是可调节的参数；
S1.3：递归调用S1.2，直至满足|Iseed-I|＜λ|Imax-Imin|公式的像素加入到 种子区域；
S1.4：输出种子区域。
在实现上，递归的调用S1.3直到所有像素都被划分区域，当区域生长完成 时，输出的是一系列空间上连续的种子区域。本发明在区域生长完成后的总像素 小于10简单地并入到与其邻接的相似度最接近的区域中。这样可以避免复杂的 计算量，同时也不影响图像中的主要信息。
S2建立信息素矩阵。
蚁群优化算法的边缘检测是利用蚂蚁在图像上移动，通过建立信息素矩阵来 寻找图像的边缘，信息素矩阵的每个输入代表图像像素所在处的边缘信息。假设 图像为M×N，在该图片范围内随机投放只蚂蚁，通过蚂蚁随机搜索路 径，根据图像灰度值的变化情况来不断更新信息素矩阵。
S2.1：启发式引导函数ηi,j为：其中，Ii,j是像素点(i,j) 的灰度值，Z是一个标准化参数，函数Vc(Ii,j)是计算蚂蚁 所在像素点的边缘信息的强度值；
S2.2：蚂蚁下一步要走的位置由移转概率决定，蚂蚁下一步要走的位置为：其中(i,j)是蚂蚁当前位置的一个相邻像素 点；Ω(l,m)是所有相邻像素点的集合，τi,j是像素点(i,j)处信息素矩阵，ηi,j是 像素点(i,j)处的启发式引导函数；α,β是像素点(i,j)处积累的信息素强度和 启发式引导函数选择像素过程中的影响因子；
S2.3：根据
如果第k个蚂蚁经过路径(i,j)，第一次更 新信息素矩阵，其中，(1-ρ)为信息素的蒸发率，ρ∈(0,1)， 表示第k只蚂蚁在经过点时所留下的信息素；
S2.4：在完成第一次信息素矩阵更新后，根据进行第二次更新信息素矩阵。
S3计算阈值，确定图像边缘，其步骤包括如下：
S3.1：对于提取的感兴趣区域，初始化阈值T(l)令l＝0，其 中为最终的信息素矩阵；
S3.2：将信息素矩阵划分为大于T(l)和小于T(l)的两部分，计算大于T(l)的平 均值：其中
计算小于T(l)的平均值：其中
S3.3：迭代系数l＝l+1，更新阈值
S3.4：判断|T(l)-T(l-1)|＞ω，若是，则返回S3.1继续划分阈值T(l)；否则，输 出阈值T(l)，根据阈值划分图片为：其中ω为允许的误差范 围，一般取值为1。
在本发明的实施例中，如图2所示，选用256×256的灰度图，在Matlab上 进行仿真，分别运用蚁群优化算法、蚁群算法、Roberts边缘检测算子、Sobel 边缘检测算子、Prewitt边缘检测算子进行图像的边缘检测。采用蚁群优化算 法得到的图像边缘检测图，如图3所示；采用蚁群算法得到的图像边缘检测图， 如图4所示；采用Roberts边缘检测算子得到的图像边缘检测图，如图5所示； 采用Sobel边缘检测算子得到的图像边缘检测图，如图6所示；采用Prewitt 边缘检测算子得到的图像边缘检测图，如图7所示；采用本发明的方法，基于 区域生长与蚁群优化算法相结合的图像分割算法，得到图像边缘检测图，如图 8所示。根据以上图所示，本发明所提出的边缘检测算法明显优于其他算法， 具有良好的抗噪性，能较好的检测出图像的边缘。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限 制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非 是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进 等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于区域生长与蚁群优化算法相结合的边缘检测方法，其特征在于，所述算法包括如下步骤：
S1：采用区域生长方法，对图像进行处理，提取感兴趣区域；
S2：对提取的感兴趣区域，采用蚁群优化方法产生信息素矩阵；
S3：对于提取的感兴趣区域，采用蚁群优化方法产生的信息素矩阵，计算阈值，确定图像边缘，分割图像。
2.根据权利要求1所述的基于区域生长与蚁群优化算法相结合的边缘检测方法，其特征在于，所述步骤S1的区域生长方法包括如下步骤：
S1.1：选择具有灰度值最大的像素点作为种子点；
S1.2：采用|Iseed-I|＜λ|Imax-Imin|公式进行区域生长，将满足此公式的邻近像素加入到种子区域；
其中，其中:I表示像素的灰度值，Iseed表示种子点的灰度值；Imax与Imix分别表示图像中的最大灰度值与最小灰度值；λ是可调节的参数；
S1.3：递归调用S1.2，直至满足|Iseed-I|＜λ|Imax-Imin|公式的像素加入到种子区域；
S1.4：输出种子区域。
3.根据权利要求1所述的基于区域生长与蚁群优化算法相结合的边缘检测方法，其特征在于，所述步骤S2产生信息素矩阵包括如下步骤：
S2.1：启发式引导函数ηi,j为：其中，Ii,j是像素点(i,j)的灰度值，Z是一个标准化参数，函数Vc(Ii,j)是计算蚂蚁所在像素点的边缘信息的强度值；
S2.2：在M×N的图片范围内随机投放只蚂蚁，蚂蚁下一步要走的位置为：其中(i,j)是蚂蚁当前位置(l,m)的一个相邻像素点；Ω(l,m)是所有相邻像素点的集合，τi,j是像素点(i,j)处信息素矩阵，ηi,j是像素点(i,j)处的启发式引导函数；α,β是像素点(i,j)处积累的信息素强度和启发式引导函数选择像素过程中的影响因子；
S2.3：根据
第一次更新信息素矩阵，其中，(1-ρ)为信息素的蒸发率，ρ∈(0,1)， 表示第k只蚂蚁在经过点时所留下的信息素；
S2.4：在完成第一次信息素矩阵更新后，根据进行第二次更新信息素矩阵，为信息素的衰减系数。
4.根据权利要求1所述的基于区域生长与蚁群优化算法相结合的边缘检测方法，其特征在于，所述步骤S3确定图像边缘分割图像，包括如下步骤：
S3.1：对于提取的感兴趣区域，初始化阈值T(l)令l＝0，其中为最终的信息素矩阵；
S3.2：将信息素矩阵划分为大于T(l)和小于T(l)的两部分，计算大于T(l)的平均值：其中
计算小于T(l)的平均值：其中
S3.3：迭代系数l＝l+1，更新阈值
S3.4：判断|T(l)-T(l-1)|＞ω，若是，则返回S3.1继续划分阈值T(l)；否则，输出阈值T(l)，根据阈值划分图片为：其中ω为允许的误差范围。
5.根据权利要求1所述的基于区域生长与蚁群优化算法相结合的边缘检测方法，其特征在于，函数Vc(Ii,j)是计算蚂蚁所在像素点的边缘信息的强度值，Vc(Ii,j)由所在像素点周围区域的值决定，
Vc(i,j)＝f(var)，其中，
var＝|Ii-2,j-1-Ii+2,j+1|+|Ii-2,j+1-Ii+2,j-1|+|Ii-1,j-2-Ii+1,j+2|+
|Ii-1,j-1-Ii+1,j+1|+|Ii-1,j-Ii+1,j|+|Ii-1,j+1-Ii+1,j-1|+
|Ii-1,j+2-Ii+1,j-2|+|Ii,j-1-Ii,j+1|。
CN201810797828.2A 2018-07-19 2018-07-19 一种基于区域生长与蚁群优化算法相结合的边缘检测方法 Pending CN109191478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810797828.2A CN109191478A (zh) 2018-07-19 2018-07-19 一种基于区域生长与蚁群优化算法相结合的边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810797828.2A CN109191478A (zh) 2018-07-19 2018-07-19 一种基于区域生长与蚁群优化算法相结合的边缘检测方法

Publications (1)

Publication Number Publication Date
CN109191478A true CN109191478A (zh) 2019-01-11

Family

ID=64936403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810797828.2A Pending CN109191478A (zh) 2018-07-19 2018-07-19 一种基于区域生长与蚁群优化算法相结合的边缘检测方法

Country Status (1)

Country Link
CN (1) CN109191478A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113963311A (zh) * 2021-10-22 2022-01-21 江苏安泰信息科技发展有限公司 一种安全生产风险视频监控方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286199A (zh) * 2007-09-14 2008-10-15 西北工业大学 一种基于区域生长和蚁群聚类的图像分割方法
CN101377850A (zh) * 2008-09-27 2009-03-04 北京航空航天大学 一种基于蚁群聚类的多模板图像分割方法
CN101916444A (zh) * 2010-08-23 2010-12-15 南京信息工程大学 基于形态学和蚁群算法的医学细胞边缘检测方法
CN102184556A (zh) * 2011-04-29 2011-09-14 中山大学 一种基于蚁群算法的图像边缘检测方法
CN104376551A (zh) * 2014-08-25 2015-02-25 浙江工业大学 一种融合区域生长和边缘检测的彩色图像分割方法
CN105139409A (zh) * 2015-09-11 2015-12-09 浙江工商大学 基于蚁群算法的二维图像分割方法
CN106126970A (zh) * 2016-06-20 2016-11-16 西安建筑科技大学 具有保护区的多种群竞争多目标站点定位组合优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286199A (zh) * 2007-09-14 2008-10-15 西北工业大学 一种基于区域生长和蚁群聚类的图像分割方法
CN101377850A (zh) * 2008-09-27 2009-03-04 北京航空航天大学 一种基于蚁群聚类的多模板图像分割方法
CN101916444A (zh) * 2010-08-23 2010-12-15 南京信息工程大学 基于形态学和蚁群算法的医学细胞边缘检测方法
CN102184556A (zh) * 2011-04-29 2011-09-14 中山大学 一种基于蚁群算法的图像边缘检测方法
CN104376551A (zh) * 2014-08-25 2015-02-25 浙江工业大学 一种融合区域生长和边缘检测的彩色图像分割方法
CN105139409A (zh) * 2015-09-11 2015-12-09 浙江工商大学 基于蚁群算法的二维图像分割方法
CN106126970A (zh) * 2016-06-20 2016-11-16 西安建筑科技大学 具有保护区的多种群竞争多目标站点定位组合优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘闻等: "基于蚁群算法的噪声图像边缘检测", 《软件》 *
杨卫莉等: "基于区域生长和蚁群聚类的图像分割", 《计算机应用研究》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113963311A (zh) * 2021-10-22 2022-01-21 江苏安泰信息科技发展有限公司 一种安全生产风险视频监控方法及系统
CN113963311B (zh) * 2021-10-22 2022-07-01 江苏安泰信息科技发展有限公司 一种安全生产风险视频监控方法及系统

Similar Documents

Publication Publication Date Title
Kumar et al. An automated early diabetic retinopathy detection through improved blood vessel and optic disc segmentation
CN114972418B (zh) 基于核自适应滤波与yolox检测结合的机动多目标跟踪方法
CN110176023B (zh) 一种基于金字塔结构的光流估计方法
CN109740483A (zh) 一种基于深层神经网络的水稻生长期检测方法
AU2016367430B2 (en) Fast and automated segmentation of layered image with heuristic graph search
CN107958255A (zh) 一种基于图像的目标检测方法及装置
CN113706581B (zh) 基于残差通道注意与多层次分类回归的目标跟踪方法
CN113536978B (zh) 一种基于显著性的伪装目标检测方法
CN106327488A (zh) 一种自适应的前景检测方法及其检测装置
CN111783693A (zh) 果蔬采摘机器人的智能识别方法
Razmjooy et al. Image thresholding based on evolutionary algorithms
Feng et al. A separating method of adjacent apples based on machine vision and chain code information
CN105678773B (zh) 一种低对比度图像分割方法
Tawab et al. Efficient multi-feature PSO for fast gray level object-tracking
CN108491807A (zh) 一种奶牛发情行为实时监测方法及系统
CN114333021A (zh) 面部识别方法、装置、计算机设备、存储介质
CN105426928B (zh) 一种基于Haar特征和EOH特征的行人检测方法
CN110837781B (zh) 一种人脸识别方法、人脸识别装置及电子设备
CN109101985A (zh) 一种基于自适应邻域测试的图像误匹配点对剔除方法
CN109191478A (zh) 一种基于区域生长与蚁群优化算法相结合的边缘检测方法
CN117689876A (zh) 一种鸟类视觉启发的复杂背景下运动目标显著性检测方法
CN113205494B (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN104408432B (zh) 一种基于直方图修正的红外图像目标检测方法
Tarchoun et al. Adversarial attacks in a multi-view setting: an empirical study of the adversarial patches inter-view transferability
CN109102520A (zh) 基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111