CN109389148B - 一种基于改进DHash算法的图像相似判定方法 - Google Patents

一种基于改进DHash算法的图像相似判定方法 Download PDF

Info

Publication number
CN109389148B
CN109389148B CN201810984247.XA CN201810984247A CN109389148B CN 109389148 B CN109389148 B CN 109389148B CN 201810984247 A CN201810984247 A CN 201810984247A CN 109389148 B CN109389148 B CN 109389148B
Authority
CN
China
Prior art keywords
image
dhash
images
hamming distance
algorithm
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
Application number
CN201810984247.XA
Other languages
English (en)
Other versions
CN109389148A (zh
Inventor
彭艺
尹玉梅
祁俊辉
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and 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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201810984247.XA priority Critical patent/CN109389148B/zh
Publication of CN109389148A publication Critical patent/CN109389148A/zh
Application granted granted Critical
Publication of CN109389148B publication Critical patent/CN109389148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于改进DHash算法的图像相似判定方法，属于图像处理技术领域。首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下等8张剪裁旋转图，其后通过DHash算法对图像进行Hash化，两两计算剪裁旋转图之间基于DHash的汉明距离，并取其最小值作为图像之间基于DHash的汉明距离；若基于DHash的汉明距离小于阈值，则判定为图像相似；若基于DHash的汉明距离大于阈值，则判定为图像不相似。本发明解决了现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，提高了利用DHash算法对图像相似判定的灵活性和准确度。

Description

一种基于改进DHash算法的图像相似判定方法
技术领域
本发明涉及一种基于改进DHash算法的图像相似判定方法，属于图像处理技术领域。
背景技术
图像相似判定是图像处理领域的一项基本研究，指对两张或多张图像的内容相似程度进行分析、比较，广泛应用于图像检索、目标检测、照片过滤等领域。
目前，有多种图像相似判定的方法，就差异哈希算法(DHash)而言，其准确率及效率并不尽人意，一个主要原因就是差异哈希算法(DHash)没有考虑到图像旋转的情况，若对图像进行上下或左右反转后再比对，其结果较不理想。
发明内容
本发明要解决的技术问题是针对现有技术的局限和不足，提供一种基于改进DHash算法的图像相似判定方法，以解决现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，致力于提高利用DHash算法对图像相似判定的灵活性和准确度。
本发明的技术方案是：一种基于改进DHash算法的图像相似判定方法，首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下等8张剪裁旋转图，其后通过DHash算法对图像进行Hash化，两两计算剪裁旋转图之间基于DHash的汉明距离，并取其最小值作为图像之间基于DHash的汉明距离；若基于DHash的汉明距离小于阈值，则判定为图像相似；若基于DHash的汉明距离大于阈值，则判定为图像不相似。
具体包括以下步骤：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure BDA0001779307400000011
Step3：对图像A、B分别进行一定规则的方向旋转变化，得到新的图像A″m,m∈[1,8]和 B″n,n∈[1,8]；具体如Step3.1～Step3.4所示；
Step3.1：记考察图
Figure BDA0001779307400000012
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为 M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像 A′m,m∈[1,8]和B′n,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为 M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step4：通过DHash算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行Hash化，得到图像A″m、 B″n之间基于DHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.5所示；
Step4.1：将图像A″m、B″n的大小压缩至8×9；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure BDA0001779307400000021
其中
Figure BDA0001779307400000022
为矩阵元素值；
Step4.3：根据公式(1)生成新矩阵
Figure BDA0001779307400000023
其中矩阵元素值表示为
Figure BDA0001779307400000024
Figure BDA0001779307400000025
Step4.4：将矩阵按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，根据公式(2) 进行值优化，并对其连接生成图像A″m、B″n的DHash值
Figure BDA0001779307400000026
其中T(i,j)代表适用于
Figure BDA0001779307400000027
Figure BDA0001779307400000028
Step4.5：通过图像A″m、B″n的DHash值
Figure BDA0001779307400000029
计算图像A″m、B″n之间基于 DHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个汉明距离，根据公式(3)选出其中最小值作为图像A、B之间基于DHash的汉明距离Dis(A,B)；
Dis(A,B)＝Min(Dis(A″m,B″n)),m∈[1,8],n∈[1,8] (3)
Step6：定义汉明距离阈值
Figure BDA00017793074000000210
若图像A、B之间基于DHash的汉明距离Dis(A,B)满足公式(4)要求，则判定图像A和图像B相似；若满足公式(5)要求，则判定图像A和图像B 不相似。
Figure BDA00017793074000000211
Figure BDA00017793074000000212
进一步地，所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
进一步地，所述步骤Step3.2中，截取的图像的大小要大于考察图像的大小，即满足 M′≥M,N′≥N的要求，作用是为了保证旋转后得到的图像在区域内没有空白区域。
进一步地，所述步骤Step4.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
进一步地，所述步骤Step5中为了降低处理速度，去除重复后可简化计算至 1+2+…+Max(m,n)＝36个汉明距离。
进一步地，所述步骤Step6中，汉明距离阈值
Figure BDA0001779307400000031
通常取
Figure BDA0001779307400000032
可自行修改。
本发明的有益效果是：解决了现有技术在对图像相似判定时存在的未考虑图像旋转、灵活性不足、准确度低等现象，提高了利用DHash算法对图像相似判定的灵活性和准确度。
附图说明
图1是本发明总流程示意图；
图2是本发明对图像进行旋转过程示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1-2所示，一种基于改进DHash算法的图像相似判定方法，首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下等8张剪裁旋转图，其后通过DHash算法对图像进行Hash化，两两计算剪裁旋转图之间基于DHash的汉明距离，并取其最小值作为图像之间基于DHash的汉明距离；若基于DHash 的汉明距离小于阈值，则判定为图像相似；若基于DHash的汉明距离大于阈值，则判定为图像不相似。
该方法具体包括以下步骤：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure BDA0001779307400000033
Step3：对图像A、B分别进行一定规则的方向旋转变化，得到新的图像A″m,m∈[1,8]和 B″n,n∈[1,8]；具体如Step3.1～Step3.4所示；
Step3.1：记考察图
Figure BDA0001779307400000034
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为 M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像 A′m,m∈[1,8]和B′n,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和B″n,n∈[1,8]；
Step4：通过DHash算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行Hash化，得到图像A″m、 B″n之间基于DHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.5所示；
Step4.1：将图像A″m、B″n的大小压缩至8×9；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure BDA0001779307400000041
其中
Figure BDA0001779307400000042
为矩阵元素值；
Step4.3：根据公式(1)生成新矩阵
Figure BDA0001779307400000043
其中矩阵元素值表示为
Figure BDA0001779307400000044
Figure BDA0001779307400000045
Step4.4：将矩阵按照从上至下(i＝1→8)、从左至右(j＝1→8)的规则，根据公式(2) 进行值优化，并对其连接生成图像A″m、B″n的DHash值
Figure BDA0001779307400000046
其中T(i,j)代表适用于
Figure BDA0001779307400000047
Figure BDA0001779307400000048
Step4.5：通过图像A″m、B″n的DHash值
Figure BDA0001779307400000049
计算图像A″m、B″n之间基于 DHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个汉明距离，根据公式(3)选出其中最小值作为图像A、B之间基于DHash的汉明距离Dis(A,B)；
Dis(A,B)＝Min(Dis(A″m,B″n)),m∈[1,8],n∈[1,8] (3)
Step6：定义汉明距离阈值
Figure BDA00017793074000000410
若图像A、B之间基于DHash的汉明距离Dis(A,B)满足公式(4)要求，则判定图像A和图像B相似；若满足公式(5)要求，则判定图像A和图像B 不相似。
Figure BDA0001779307400000051
Figure BDA0001779307400000052
进一步地，所述步骤Step1中，图像A和图像B可以为任意大小的图像，且图像格式任意。
进一步地，所述步骤Step3.2中，截取的图像的大小要大于考察图像的大小，即满足 M′≥M,N′≥N的要求，作用是为了保证旋转后得到的图像在区域内没有空白区域。
进一步地，所述步骤Step4.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
进一步地，所述步骤Step5中为了降低处理速度，去除重复后可简化计算至 1+2+…+Max(m,n)＝36个汉明距离。
进一步地，所述步骤Step6中，汉明距离阈值
Figure BDA0001779307400000053
通常取
Figure BDA0001779307400000054
可自行修改。
实施例2：在实施例1的基础上，若步骤Step4.5中图像A″m、B″n之间基于DHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]分别为12/14/5/7/4/21/18/26/42/7/···/6/32/21，则步骤Step5 中由公式(3)选出其中最小值作为图像A、B之间基于DHash的汉明距离Dis(A,B)，其值为Dis(A,B)＝Min(Dis(A″m,B″n)),m∈[1,8],n∈[1,8]＝4。
实施例3：在实施例1的基础上，取汉明距离阈值
Figure BDA0001779307400000055
若步骤Step5中图像A、B之间基于DHash的汉明距离Dis(A,B)＝4，则判定图像A和图像B相似；若步骤Step5中图像A、 B之间基于DHash的汉明距离Dis(A,B)＝12，则判定图像A和图像B不相似。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种基于改进DHash算法的图像相似判定方法，其特征在于：首先通过基准图及考察图对图像进行全方位旋转操作，生成上、下、左、右、左上、左下、右上、右下8张剪裁旋转图，其后通过DHash算法对图像进行Hash化，两两计算剪裁旋转图之间基于DHash的汉明距离，并取其最小值作为图像之间基于DHash的汉明距离；若基于DHash的汉明距离小于阈值，则判定为图像相似；若基于DHash的汉明距离大于阈值，则判定为图像不相似；
具体步骤为：
Step1：获取图像A和图像B；
Step2：将图像A、B作为基准图，并在图像A、B中相同位置截取相同大小的图像作为考察图
Figure FDA0003247640100000011
Step3：对图像A、B分别进行一定规则的方向旋转变化，得到新的图像A″m,m∈[1,8]和B″n,n∈[1,8]；具体如Step3.1～Step3.4所示；
Step3.1：记考察图
Figure FDA0003247640100000012
的大小为M×N，其中心位置坐标为(x,y)；
Step3.2：以中心位置坐标(x,y)作为基准图像A、B的中心，重新在基准图上截取大小为M′×N′的截取后的图像A′、B′，其中M′≥M,N′≥N；
Step3.3：对截取后的图像A′、B′进行45°t,t∈[1,8]方向旋转变化，得到旋转后的图像A′m,m∈[1,8]和Bn′,n∈[1,8]；
Step3.4：对图像A′m,m∈[1,8]和B′n,n∈[1,8]以中心位置坐标(x,y)为中心，截取大小为M×N的图像，得到最终的旋转图像A″m,m∈[1,8]和Bn″,n∈[1,8]；
Step4：通过DHash算法对图像A″m,m∈[1,8]和图像B″n,n∈[1,8]进行Hash化，得到图像A″m、B″n之间基于DHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；具体如Step4.1～Step4.5所示；
Step4.1：将图像A″m、B″n的大小压缩至8×9；
Step4.2：将压缩后的图像A″m、B″n转化为256阶灰度图像，并表示为矩阵形式
Figure FDA0003247640100000013
Figure FDA0003247640100000014
其中
Figure FDA0003247640100000015
m∈[1,8],i∈[1,8],a∈[1,9]、
Figure FDA0003247640100000016
n∈[1,8],i∈[1,8],a∈[1,9]为矩阵元素值；
Step4.3：根据公式(1)生成新矩阵
Figure FDA00032476401000000212
其中矩阵元素值表示为
Figure FDA0003247640100000021
Figure FDA0003247640100000022
Step4.4：将矩阵按照从上至下i＝1→8、从左至右j＝1→8的规则，根据公式(2)进行值优化，并对其连接生成图像A″m、B″n的DHash值
Figure FDA0003247640100000023
其中T(i,j)代表适用于
Figure FDA0003247640100000024
Figure FDA0003247640100000025
Step4.5：通过图像A″m、B″n的DHash值
Figure FDA0003247640100000026
计算图像A″m、B″n之间基于DHash的汉明距离Dis(A″m,B″n),m∈[1,8],n∈[1,8]；
Step5：根据图像A″m、B″n两两组合得到Max(m)×Max(n)＝8×8＝64个汉明距离，根据公式(3)选出其中最小值作为图像A、B之间基于DHash的汉明距离Dis(A,B)；
Dis(A,B)＝Min(Dis(A″m,B″n)),m∈[1,8],n∈[1,8] (3)
Step6：定义汉明距离阈值
Figure FDA0003247640100000027
若图像A、B之间基于DHash的汉明距离Dis(A,B)满足公式(4)要求，则判定图像A和图像B相似；若满足公式(5)要求，则判定图像A和图像B不相似；
Figure FDA0003247640100000028
Figure FDA0003247640100000029
2.根据权利要求1所述的基于改进DHash算法的图像相似判定方法，其特征在于：所述步骤Step4.5中，汉明距离指两串Hash值进行异或运算后，结果为“1”的个数。
3.根据权利要求1所述的基于改进DHash算法的图像相似判定方法，其特征在于：所述步骤Step5中为了降低处理速度，去除重复后可简化计算至1+2+…+8＝36个汉明距离。
4.根据权利要求1所述的基于改进DHash算法的图像相似判定方法，其特征在于：所述步骤Step6中，汉明距离阈值
Figure FDA00032476401000000210
取
Figure FDA00032476401000000211
CN201810984247.XA 2018-08-28 2018-08-28 一种基于改进DHash算法的图像相似判定方法 Active CN109389148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810984247.XA CN109389148B (zh) 2018-08-28 2018-08-28 一种基于改进DHash算法的图像相似判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810984247.XA CN109389148B (zh) 2018-08-28 2018-08-28 一种基于改进DHash算法的图像相似判定方法

Publications (2)

Publication Number Publication Date
CN109389148A CN109389148A (zh) 2019-02-26
CN109389148B true CN109389148B (zh) 2021-11-23

Family

ID=65418411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810984247.XA Active CN109389148B (zh) 2018-08-28 2018-08-28 一种基于改进DHash算法的图像相似判定方法

Country Status (1)

Country Link
CN (1) CN109389148B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1342300A (zh) * 1999-12-03 2002-03-27 三星电子株式会社 用频域中的伽柏滤波器的纹理描述方法和基于纹理的图像检索方法
US6895104B2 (en) * 2001-02-16 2005-05-17 Sac Technologies, Inc. Image identification system
CN1710596A (zh) * 2005-06-16 2005-12-21 上海交通大学 基于机器视觉的计算机拼图自动识别方法
CN101052971A (zh) * 2004-11-05 2007-10-10 惠普开发有限公司 利用图像的旋转变体进行对象检测
CN101789076A (zh) * 2010-01-27 2010-07-28 哈尔滨工程大学 一种提取相位及方向特征的手指静脉识别方法
CN102136063A (zh) * 2011-03-15 2011-07-27 西安电子科技大学 基于泽尼克矩的快速图像比对方法
CN105205820A (zh) * 2015-09-21 2015-12-30 昆明理工大学 一种改进的特征相似性图像质量评估方法
CN105868816A (zh) * 2016-04-08 2016-08-17 江苏木盟智能科技有限公司 标签图像生成方法和装置
CN105975950A (zh) * 2016-05-27 2016-09-28 国创科视科技股份有限公司 一种三维手指静脉相似性快速比对方法
CN107103270A (zh) * 2016-02-23 2017-08-29 云智视像科技（上海）有限公司 一种基于idf的动态计算分块加权系数的人脸识别系统
CN108241645A (zh) * 2016-12-23 2018-07-03 腾讯科技（深圳）有限公司 图像处理方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101536035B (zh) * 2006-08-31 2012-09-26 公立大学法人大阪府立大学 图像识别方法、以及图像识别装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1342300A (zh) * 1999-12-03 2002-03-27 三星电子株式会社 用频域中的伽柏滤波器的纹理描述方法和基于纹理的图像检索方法
US6895104B2 (en) * 2001-02-16 2005-05-17 Sac Technologies, Inc. Image identification system
CN101052971A (zh) * 2004-11-05 2007-10-10 惠普开发有限公司 利用图像的旋转变体进行对象检测
CN1710596A (zh) * 2005-06-16 2005-12-21 上海交通大学 基于机器视觉的计算机拼图自动识别方法
CN101789076A (zh) * 2010-01-27 2010-07-28 哈尔滨工程大学 一种提取相位及方向特征的手指静脉识别方法
CN102136063A (zh) * 2011-03-15 2011-07-27 西安电子科技大学 基于泽尼克矩的快速图像比对方法
CN105205820A (zh) * 2015-09-21 2015-12-30 昆明理工大学 一种改进的特征相似性图像质量评估方法
CN107103270A (zh) * 2016-02-23 2017-08-29 云智视像科技（上海）有限公司 一种基于idf的动态计算分块加权系数的人脸识别系统
CN105868816A (zh) * 2016-04-08 2016-08-17 江苏木盟智能科技有限公司 标签图像生成方法和装置
CN105975950A (zh) * 2016-05-27 2016-09-28 国创科视科技股份有限公司 一种三维手指静脉相似性快速比对方法
CN108241645A (zh) * 2016-12-23 2018-07-03 腾讯科技（深圳）有限公司 图像处理方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Image similarity for rotation invariants image retrieval system;Kavutse Vianney Augustine 等;《2009 International Conference on Multimedia Computing and Systems》;20090922;第133-137页 *
基于哈希的图像相似度算法比较研究;黄嘉恒 等;《大理大学学报》;20171231;第2卷(第12期);第32-37页 *
基于图像哈希的大规模图像检索方法研究;付海燕;《万方数据库》;20141028;第1-109页 *
基于纹理合成的数字图像修复技术研究;黄淑兵;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130115;第2013年卷(第1期);I138-1459 *
抗旋转变换的图像哈希算法;黄丽艳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141015;第2014年卷(第10期);I138-1115 *

Also Published As

Publication number Publication date
CN109389148A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN103793712B (zh) 一种基于边缘几何特征的图像识别方法及系统
TWI497450B (zh) 視訊物件追蹤方法
CN105809651B (zh) 基于边缘非相似性对比的图像显著性检测方法
Cui et al. Efficient large-scale structure from motion by fusing auxiliary imaging information
CN111160291B (zh) 基于深度信息与cnn的人眼检测方法
CN113269094B (zh) 基于特征提取算法和关键帧的激光slam系统及方法
CN112883850B (zh) 一种基于卷积神经网络的多视角空天遥感图像匹配方法
CN104463199A (zh) 基于多特征及分割再校正的矿岩块度分类方法
JP5833507B2 (ja) 画像処理装置
CN103337077A (zh) 一种基于多尺度分割和sift的可见光与红外图像配准的方法
CN110580705B (zh) 一种基于双域图信号滤波检测建筑物边缘点的方法
CN110443279B (zh) 一种基于轻量级神经网络的无人机图像车辆检测方法
CN109920050B (zh) 一种基于深度学习和薄板样条的单视图三维火焰重建方法
CN105184308B (zh) 一种基于全局优化决策的遥感图像建筑物检测分类方法
WO2023226654A1 (zh) 一种目标物单体化方法、装置、设备及存储介质
CN106886988B (zh) 一种基于无人机遥感的线性目标检测方法及系统
CN107292899B (zh) 一种针对二维激光扫描仪的角点特征提取方法
CN113538474B (zh) 基于边缘特征融合的3d点云分割目标检测系统
CN109389148B (zh) 一种基于改进DHash算法的图像相似判定方法
WO2019041447A1 (zh) 一种3d视频帧特征点提取的方法及系统
CN106023184A (zh) 一种基于各向异性中心环绕差异的深度显著性检测方法
CN109389147B (zh) 一种基于改进PHash算法的图像相似判定方法
CN117351078A (zh) 基于形状先验的目标尺寸与6d姿态估计方法
CN104050673A (zh) 一种基于K-means图像分割的深度图提取方法
CN109145994B (zh) 一种基于改进颜色方差算法的图像相似判定方法

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