CN109543696A - 一种基于神经网络的图像识别方法及其应用 - Google Patents

一种基于神经网络的图像识别方法及其应用 Download PDF

Info

Publication number
CN109543696A
CN109543696A CN201811313753.2A CN201811313753A CN109543696A CN 109543696 A CN109543696 A CN 109543696A CN 201811313753 A CN201811313753 A CN 201811313753A CN 109543696 A CN109543696 A CN 109543696A
Authority
CN
China
Prior art keywords
image
module
feature
information
processing
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
CN201811313753.2A
Other languages
English (en)
Inventor
王秋爽
车浩源
邹密
刘东亮
李锐
郭金城
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN201811313753.2A priority Critical patent/CN109543696A/zh
Publication of CN109543696A publication Critical patent/CN109543696A/zh
Pending legal-status Critical Current

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
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于图像处理制造业领域，公开了一种基于神经网络的图像识别方法及其应用，设置有：图像输入模块、图像处理模块、图像特征提取模块、图像分类模块、图像数据库模块、图像筛选模块、输出结果模块。所述图像处理模块连接图像输入模块和图像特征提取模块；所述图像分类模块连接图像特征提取模块和图像数据库模块；所述图像筛选模块连接图像数据库模块和输出结果模块。该发明设计思路清晰，通过对原始图像进行处理，再对图像进行特征的提取，系统根据图像的特征进行分类，可以处理一些信息量较大的图像信息，由图像筛选模块能较快速的得出最终的结果。

Description

一种基于神经网络的图像识别方法及其应用
技术领域
本发明属于图像处理制造业领域，尤其涉及一种基于神经网络的图像识别 方法及其应用。
背景技术
目前，图像识别，是指利用计算机对图像进行处理、分析和理解，以识别 各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片， 然后再利用软件根据图片灰阶差做进一步识别处理。
现存的图像识别技术中所能实现的功能较少，比如在对图像处理和图像识 别时，提取图像信息速度较慢，在进行识别时，准确率不高，并且在识别一些 信息量较大的图像时，需要进行较长的时间，能够识别的图像范围较小，对高 速发展的时代来说已经不适用了，急需识别速度和识别范围更广的技术。
综上所述，现有技术存在的问题是：现存的图像识别技术中所能实现的功 能较少，比如在对图像处理和图像识别时，提取图像信息速度较慢，在进行识 别时，准确率不高，并且在识别一些信息量较大的图像时，需要进行较长的时 间，能够识别的图像范围较小，对高速发展的时代来说已经不适用了，急需识 别速度和识别范围更广的技术。
发明内容
针对现有技术存在的问题，本发明提供了一种基于神经网络的图像识别方 法及其应用。所述基于神经网络的图像识别方法及其应用设置有：图像输入模 块、图像处理模块、图像特征提取模块、图像分类模块、图像数据库模块、图 像筛选模块、输出结果模块。所述图像处理模块连接图像输入模块和图像特征 提取模块；所述图像分类模块连接图像特征提取模块和图像数据库模块；所述 图像筛选模块连接图像数据库模块和输出结果模块。
图像输入模块：将图像进行扫瞄处理输入到计算机当中，计算机会按照图 像的容量大小进行保存；
图像处理模块：通过滤波处理，将原图像进行包括信号阻抗匹配、幅值调 整、数字化、滤波、分割和增强处理，使得原图像所包含的信息更多的展现出 来；
所述图像处理模块不良图像检测方法，其特征在于，包括如下步骤：
(1)搜集不良图像训练集，在训练集图像上标记多种人体敏感器官，作为 敏感器官训练样本；
(2)从敏感器官训练样本上随机采样获取像素点，并组成敏感器官的颜色 样本集；在颜色样本集上训练GMM模型得到人体敏感器官的颜色模型；
(3)提取敏感器官训练样本的HoG特征和GMM特征，并将HoG特征和 GMM特征相结合作为敏感器官的特征；包括如下步骤：
敏感器官训练样本图像划分成若干个细胞单元，将细胞单元中的每个像素 从RGB颜色空间转换到YCbCr颜色空间，并提取其Cb、Cr色度分量的值；其中， Y表示亮度分量，Cb表示蓝色色度分量，Cr表示红色色度分量；
将细胞单元分成U个互不重叠的小图像块，分别求出每个小图像块在Cb、 Cr色度分量上的均值向量：将这些均值向量分别代入步骤(2) 训练出的GMM敏感器官颜色模型，得到每个小图像块在GMM模型中每个高 斯分量ωiGi(i∈{1,2,…,K})上的值，作为该小图像块的颜色特征，将U个小图 像块的颜色特征联合起来记作
将敏感器官训练样本图像转换成灰度图像，对输入图像进行Gamma校正；
计算灰度图像中每个像素点(x,y)的水平方向和垂直方向梯度值gx(x,y)和 gy(x,y)；
gx(x,y)＝I(x+1,y)-I(x-1,y)
gy(x,y)＝I(x,y+1)-I(x,y-1)
式中，I(x,y)表示像素点(x,y)处的灰度值，根据下式计算像素点(x,y)处的梯度幅值g(x,y)和方向α(x,y)；
将敏感器官训练样本的灰度图像划分成细胞单元，统计每个细胞单元上的 梯度直方图，用于描述目标的形状信息；
对每个细胞单元采用9个bin的直方图来统计细胞单元内像素点的梯度信 息，将各个bin中像素点的梯度大小进行累加组成该细胞单元的梯度直方图，用 9维特征向量来表示，记作h1＝[f1,f2,…,f9]，其中fi为第i个bin的梯度累加值； 联合得到的梯度特征向量h1和得到颜色特征向量h2，组成细胞单元的特征向 量[h1,h2]；
将细胞单元组合成块，并在块内归一化；
(4)对每一种人体敏感器官的特定姿态，在其HoG特征和GMM特征相 结合后的特征上，训练该敏感器官在特定姿态下的检测器，将多种姿态下的检 测器集成该敏感器官的混合形变模型；
(5)用敏感器官的混合形变模型分别对测试图像进行检测，融合检测结果 并判定图像的性质；
图像特征提取模块：对处理后的图像进行特征的提取，将各类的图像的特 征进行逐一的提取，为后期的工作做好准备；
所述图像特征提取模块的图像特征索引方法包括以下步骤：
A创建索引过程：
A1词法分析语言处理，对文本串做分词处理；
A2加入位置信息，对每个分好的词，按照其在文本中的位置加入含有位置 编号的前缀，例如：第一个位置加入L1_；
A3索引创建，根据分好的词，创建索引，建立词和文档的倒排表；
A4将倒排索引表写入磁盘保存；
B检索过程：
B1词法分析语言处理，对文本串做分词处理；
B2加入位置信息，对每个分好的词，按照其在文本中的位置加入含有位置 编号的前缀；
B3语法分析，分析查询语句的查询逻辑，提交检索器根据查询逻辑搜索结 果；
B4搜索索引，根据语法分析器提交的逻辑检索相关文档；
B5相关性排序，按照查询文档和候选集文档的相关性排序选择TopN作为结 果集返回；
步骤A1中所述词法分析语言处理是根据图像特征向量文本串化后的特点， 使用lucene的WhitespaceAnalyzer按照空格分词；
步骤A2中所述加入位置信息，对每个分好的词，按照其在文本中的位置加 入含有位置编号的前缀，同时去掉值为0的词；
图像分类模块：根据图像特征提取模块中提取图像的信息种类进行分类， 分类的方法采用根据各自在图像信息中所反映的不同特征，把不同类别的目标 区分开来的图像处理方法。利用了计算机对图像进行定量分析，把图像或图像 中的每个像元或区域划归为若干个类别中的某一种；
图像数据库模块：将图像分类模块分类好的图像信息统一保存到图像数据 库模块当中，在进行图像识别时，能够更加快速的提取到相匹配的图像信息；
图像筛选模块：根据输入的指令，图像筛选模块会对图像数据库模块中所 存储的图像信息进行筛选，如果最终找到相匹配的图像信息，会在输出结 果模块中输出。
进一步，所述图像输入模块是将图像输入计算机中转换为数字图像,再进行 数字滤波处理,将一些噪声和不必要的信息滤除。
本发明的优点及积极效果为：该发明设计思路清晰，通过对原始图像进行 处理，再对图像进行特征的提取，系统根据图像的特征进行分类，可以处理一 些信息量较大的图像信息，由图像筛选模块能较快速的得出最终的结果。
附图说明
图1是本发明实施例提供的基于神经网络的图像识别方法及其应用示意图；
图中：1、图像输入模块；2、图像处理模块；3、图像特征提取模块；4、 图像分类模块；5、图像数据库模块；6、图像筛选模块；7、输出结果模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并 配合附图1详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如附图1所示，本发明实施例提供的基于神经网络的图像识别方法设置有： 图像输入模块1、图像处理模块2、图像特征提取模块3、图像分类模块4、图 像数据库模块5、图像筛选模块6、输出结果模块7。所述图像处理模块2连接 图像输入模块1和图像特征提取模块3；所述图像分类模块4连接图像特征提取 模块3和图像数据库模块5；所述图像筛选模块6连接图像数据库模块5和输出 结果模块7。
图像输入模块1：将图像进行扫瞄处理输入到计算机当中，计算机会按照图 像的容量大小进行保存。
图像处理模块2：通过滤波处理，将原图像进行包括信号阻抗匹配、幅值调 整、数字化、滤波、分割和增强等处理，使得原图像所包含的信息更多的展现出 来。
图像特征提取模块3：对处理后的图像进行特征的提取，将各类的图像的特 征进行逐一的提取，为后期的工作做好准备。
图像分类模块4：根据图像特征提取模块中提取图像的信息种类进行分类， 分类的方法采用根据各自在图像信息中所反映的不同特征，把不同类别的目标区 分开来的图像处理方法。利用了计算机对图像进行定量分析，把图像或图像中的 每个像元或区域划归为若干个类别中的某一种。
图像数据库模块5：将图像分类模块分类好的图像信息统一保存到图像数据 库模块5当中，在进行图像识别时，能够更加快速的提取到相匹配的图像信息。
图像筛选模块6：根据输入的指令，图像筛选模块6会对图像数据库模块5 中所存储的图像信息进行筛选，如果最终找到相匹配的图像信息，会在输出结果 模块7中输出。
所述图像处理模块不良图像检测方法，其特征在于，包括如下步骤：
(1)搜集不良图像训练集，在训练集图像上标记多种人体敏感器官，作为 敏感器官训练样本；
(2)从敏感器官训练样本上随机采样获取像素点，并组成敏感器官的颜色 样本集；在颜色样本集上训练GMM模型得到人体敏感器官的颜色模型；
(3)提取敏感器官训练样本的HoG特征和GMM特征，并将HoG特征和 GMM特征相结合作为敏感器官的特征；包括如下步骤：
敏感器官训练样本图像划分成若干个细胞单元，将细胞单元中的每个像素 从RGB颜色空间转换到YCbCr颜色空间，并提取其Cb、Cr色度分量的值；其中， Y表示亮度分量，Cb表示蓝色色度分量，Cr表示红色色度分量；
将细胞单元分成U个互不重叠的小图像块，分别求出每个小图像块在Cb、 Cr色度分量上的均值向量：将这些均值向量分别代入步骤(2) 训练出的GMM敏感器官颜色模型，得到每个小图像块在GMM模型中每个高 斯分量ωiGi(i∈{1,2,…,K})上的值，作为该小图像块的颜色特征，将U个小图 像块的颜色特征联合起来记作
将敏感器官训练样本图像转换成灰度图像，对输入图像进行Gamma校正；
计算灰度图像中每个像素点(x,y)的水平方向和垂直方向梯度值gx(x,y)和 gy(x,y)；
gx(x,y)＝I(x+1,y)-I(x-1,y)
gy(x,y)＝I(x,y+1)-I(x,y-1)
式中，I(x,y)表示像素点(x,y)处的灰度值，根据下式计算像素点(x,y)处的梯度幅值g(x,y)和方向α(x,y)；
将敏感器官训练样本的灰度图像划分成细胞单元，统计每个细胞单元上的 梯度直方图，用于描述目标的形状信息；
对每个细胞单元采用9个bin的直方图来统计细胞单元内像素点的梯度信 息，将各个bin中像素点的梯度大小进行累加组成该细胞单元的梯度直方图，用 9维特征向量来表示，记作h1＝[f1,f2,…,f9]，其中fi为第i个bin的梯度累加值； 联合得到的梯度特征向量h1和得到颜色特征向量h2，组成细胞单元的特征向 量[h1,h2]；
将细胞单元组合成块，并在块内归一化；
(4)对每一种人体敏感器官的特定姿态，在其HoG特征和GMM特征相 结合后的特征上，训练该敏感器官在特定姿态下的检测器，将多种姿态下的检 测器集成该敏感器官的混合形变模型；
(5)用敏感器官的混合形变模型分别对测试图像进行检测，融合检测结果 并判定图像的性质；
所述图像特征提取模块的图像特征索引方法包括以下步骤：
A创建索引过程：
A1词法分析语言处理，对文本串做分词处理；
A2加入位置信息，对每个分好的词，按照其在文本中的位置加入含有位置 编号的前缀，例如：第一个位置加入L1_；
A3索引创建，根据分好的词，创建索引，建立词和文档的倒排表；
A4将倒排索引表写入磁盘保存；
B检索过程：
B1词法分析语言处理，对文本串做分词处理；
B2加入位置信息，对每个分好的词，按照其在文本中的位置加入含有位置 编号的前缀；
B3语法分析，分析查询语句的查询逻辑，提交检索器根据查询逻辑搜索结 果；
B4搜索索引，根据语法分析器提交的逻辑检索相关文档；
B5相关性排序，按照查询文档和候选集文档的相关性排序选择TopN作为结 果集返回；
步骤A1中所述词法分析语言处理是根据图像特征向量文本串化后的特点， 使用lucene的WhitespaceAnalyzer按照空格分词；
步骤A2中所述加入位置信息，对每个分好的词，按照其在文本中的位置加 入含有位置编号的前缀，同时去掉值为0的词；
进一步，所述图像输入模块1是将图像输入计算机中转换为数字图像,再进 行数字滤波处理,将一些噪声和不必要的信息滤除。
本发明的工作原理：将图像信息从图像输入模块1中进行输入，在进行输 入到计算机过程中，计算机将图像转换为数字图像,再进行数字滤波处理,将一些 噪声和不必要的信息滤除，后经过图像处理模块2、图像特提取模块3、图像分 类模块4的处理，最后将所整理好的图像信息保存到图像数据库模块5当中， 进行统一的保存，在面对计算机输入的程序指令时，会在图像数据库模块5中 进行排查处理，最后通过图像筛选模块6将相对应的图像信息选出，由输出结 果模块7将最终的结果输出。
该发明设计思路清晰，通过对原始图像进行处理，再对图像进行特征的提 取，系统根据图像的特征进行分类，可以处理一些信息量较大的图像信息，由 图像筛选模块能较快速的得出最终的结果。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的 限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变 化与修饰，均属于本发明技术方案的范围内。

Claims (2)

1.一种基于神经网络的图像识别系统，其特征在于，所述基于神经网络的图像识别系统设置有：图像输入模块、图像处理模块、图像特征提取模块、图像分类模块、图像数据库模块、图像筛选模块、输出结果模块；所述图像处理模块连接图像输入模块和图像特征提取模块；所述图像分类模块连接图像特征提取模块和图像数据库模块；所述图像筛选模块连接图像数据库模块和输出结果模块；
图像输入模块：将图像进行扫瞄处理输入到计算机当中，计算机会按照图像的容量大小进行保存；
图像处理模块：通过滤波处理，将原图像进行包括信号阻抗匹配、幅值调整、数字化、滤波、分割和增强处理，使得原图像所包含的信息更多的展现出来；
所述图像处理模块不良图像检测方法，其特征在于，包括如下步骤：
(1)搜集不良图像训练集，在训练集图像上标记多种人体敏感器官，作为敏感器官训练样本；
(2)从敏感器官训练样本上随机采样获取像素点，并组成敏感器官的颜色样本集；在颜色样本集上训练GMM模型得到人体敏感器官的颜色模型；
(3)提取敏感器官训练样本的HoG特征和GMM特征，并将HoG特征和GMM特征相结合作为敏感器官的特征；包括如下步骤：
敏感器官训练样本图像划分成若干个细胞单元，将细胞单元中的每个像素从RGB颜色空间转换到YCbCr颜色空间，并提取其Cb、Cr色度分量的值；其中，Y表示亮度分量，Cb表示蓝色色度分量，Cr表示红色色度分量；
将细胞单元分成U个互不重叠的小图像块，分别求出每个小图像块在Cb、Cr色度分量上的均值向量：将这些均值向量分别代入步骤(2)训练出的GMM敏感器官颜色模型，得到每个小图像块在GMM模型中每个高斯分量ωiGi(i∈{1,2,…,K})上的值，作为该小图像块的颜色特征，将U个小图像块的颜色特征联合起来记作
将敏感器官训练样本图像转换成灰度图像，对输入图像进行Gamma校正；
计算灰度图像中每个像素点(x,y)的水平方向和垂直方向梯度值gx(x,y)和gy(x,y)；
gx(x,y)＝I(x+1,y)-I(x-1,y)
gy(x,y)＝I(x,y+1)-I(x,y-1)
式中，I(x,y)表示像素点(x,y)处的灰度值，根据下式计算像素点(x,y)处的梯度幅值g(x,y)和方向α(x,y)；
将敏感器官训练样本的灰度图像划分成细胞单元，统计每个细胞单元上的梯度直方图，用于描述目标的形状信息；
对每个细胞单元采用9个bin的直方图来统计细胞单元内像素点的梯度信息，将各个bin中像素点的梯度大小进行累加组成该细胞单元的梯度直方图，用9维特征向量来表示，记作h1＝[f1,f2,…,f9]，其中fi为第i个bin的梯度累加值；联合得到的梯度特征向量h1和得到颜色特征向量h2，组成细胞单元的特征向量[h1,h2]；
将细胞单元组合成块，并在块内归一化；
(4)对每一种人体敏感器官的特定姿态，在其HoG特征和GMM特征相结合后的特征上，训练该敏感器官在特定姿态下的检测器，将多种姿态下的检测器集成该敏感器官的混合形变模型；
(5)用敏感器官的混合形变模型分别对测试图像进行检测，融合检测结果并判定图像的性质；
图像特征提取模块：对处理后的图像进行特征的提取，将各类的图像的特征进行逐一的提取，为后期的工作做好准备；
所述图像特征提取模块的图像特征索引方法包括以下步骤：
A创建索引过程：
A1词法分析语言处理，对文本串做分词处理；
A2加入位置信息，对每个分好的词，按照其在文本中的位置加入含有位置编号的前缀，例如：第一个位置加入L1_；
A3索引创建，根据分好的词，创建索引，建立词和文档的倒排表；
A4将倒排索引表写入磁盘保存；
B检索过程：
B1词法分析语言处理，对文本串做分词处理；
B2加入位置信息，对每个分好的词，按照其在文本中的位置加入含有位置编号的前缀；
B3语法分析，分析查询语句的查询逻辑，提交检索器根据查询逻辑搜索结果；
B4搜索索引，根据语法分析器提交的逻辑检索相关文档；
B5相关性排序，按照查询文档和候选集文档的相关性排序选择TopN作为结果集返回；
步骤A1中所述词法分析语言处理是根据图像特征向量文本串化后的特点，使用lucene的WhitespaceAnalyzer按照空格分词；
步骤A2中所述加入位置信息，对每个分好的词，按照其在文本中的位置加入含有位置编号的前缀，同时去掉值为0的词；
图像分类模块：根据图像特征提取模块中提取图像的信息种类进行分类，分类的方法采用根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法，利用了计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种；
图像数据库模块：将图像分类模块分类好的图像信息统一保存到图像数据库模块当中，在进行图像识别时，能够更加快速的提取到相匹配的图像信息；
图像筛选模块：根据输入的指令，图像筛选模块会对图像数据库模块中所存储的图像信息进行筛选，如果最终找到相匹配的图像信息，会在输出结果模块中输出。
2.如权利要求1所述的基于神经网络的图像识别方法，其特征在于，所述图像输入模块是将图像输入计算机中转换为数字图像,再进行数字滤波处理,将一些噪声和不必要的信息滤除。
CN201811313753.2A 2018-11-06 2018-11-06 一种基于神经网络的图像识别方法及其应用 Pending CN109543696A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811313753.2A CN109543696A (zh) 2018-11-06 2018-11-06 一种基于神经网络的图像识别方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811313753.2A CN109543696A (zh) 2018-11-06 2018-11-06 一种基于神经网络的图像识别方法及其应用

Publications (1)

Publication Number Publication Date
CN109543696A true CN109543696A (zh) 2019-03-29

Family

ID=65846557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811313753.2A Pending CN109543696A (zh) 2018-11-06 2018-11-06 一种基于神经网络的图像识别方法及其应用

Country Status (1)

Country Link
CN (1) CN109543696A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065010A (zh) * 2021-03-16 2021-07-02 广东核电合营有限公司 标牌图像管理方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0532053A2 (en) * 1991-09-12 1993-03-17 Fuji Photo Film Co., Ltd. Method for recognizing object images and learning method for neural networks
CN103955514A (zh) * 2014-05-05 2014-07-30 陈浩 一种基于Lucene倒排索引的图像特征索引方法
CN104134059A (zh) * 2014-07-25 2014-11-05 西安电子科技大学 保持颜色信息的形变敏感器官模型下的不良图像检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0532053A2 (en) * 1991-09-12 1993-03-17 Fuji Photo Film Co., Ltd. Method for recognizing object images and learning method for neural networks
CN103955514A (zh) * 2014-05-05 2014-07-30 陈浩 一种基于Lucene倒排索引的图像特征索引方法
CN104134059A (zh) * 2014-07-25 2014-11-05 西安电子科技大学 保持颜色信息的形变敏感器官模型下的不良图像检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩九强 等: "数字图像处理-基于XAVIS组态软件", 《西安交通大学出版社》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065010A (zh) * 2021-03-16 2021-07-02 广东核电合营有限公司 标牌图像管理方法、装置、计算机设备和存储介质
CN113065010B (zh) * 2021-03-16 2024-02-20 广东核电合营有限公司 标牌图像管理方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN106248559B (zh) 一种基于深度学习的白细胞五分类方法
Ramesh et al. Isolation and two-step classification of normal white blood cells in peripheral blood smears
CN105574527B (zh) 一种基于局部特征学习的快速物体检测方法
CN109952614A (zh) 生物粒子的分类系统和方法
CA2200457C (en) Biological analysis system self-calibration apparatus
JPH11510282A (ja) 分類のロバストネス測定装置および方法
CN110599463A (zh) 一种基于轻量级联神经网络的舌像检测及定位算法
Kanwal et al. Quantifying the effect of color processing on blood and damaged tissue detection in whole slide images
CN105354405A (zh) 基于机器学习的免疫组化图像自动化判读系统
US20150242676A1 (en) Method for the Supervised Classification of Cells Included in Microscopy Images
CN110188592B (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法
CN115359264A (zh) 一种密集型分布的粘连细胞深度学习识别方法
Dubosclard et al. Automated visual grading of grain kernels by machine vision
GB2329014A (en) Automated identification of tubercle bacilli
CN109543696A (zh) 一种基于神经网络的图像识别方法及其应用
CN108805181A (zh) 一种基于多分类模型的图像分类装置及分类方法
Bonton et al. Colour image in 2D and 3D microscopy for the automation of pollen rate measurement
KR102482573B1 (ko) 딥러닝을 이용한 이미지 배경제거 및 수피 기반 수종 탐지 시스템 및 이를 이용한 수종 탐지 방법
JPH08315144A (ja) パターン分類装置及びそのパターン分類方法
Sankaran et al. Quantitation of Malarial parasitemia in Giemsa stained thin blood smears using Six Sigma threshold as preprocessor
Bengtsson et al. High resolution segmentation of cervical cells.
CN113627255A (zh) 一种小鼠行为量化分析方法、装置、设备及可读存储介质
CN113505784A (zh) 甲片自动标注解析方法及装置、电子设备及存储介质
Iqbal et al. Towards Efficient Segmentation and Classification of White Blood Cell Cancer Using Deep Learning
Vieira et al. Human epithelial type 2 (HEp-2) cell classification by using a multiresolution texture descriptor

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: 20190329