CN110059719B - 一种基于沃尔什变换的图像矩的目标识别方法 - Google Patents

一种基于沃尔什变换的图像矩的目标识别方法 Download PDF

Info

Publication number
CN110059719B
CN110059719B CN201910203611.9A CN201910203611A CN110059719B CN 110059719 B CN110059719 B CN 110059719B CN 201910203611 A CN201910203611 A CN 201910203611A CN 110059719 B CN110059719 B CN 110059719B
Authority
CN
China
Prior art keywords
image
walsh
identified
moments
moment
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
CN201910203611.9A
Other languages
English (en)
Other versions
CN110059719A (zh
Inventor
李靖
段晓军
刘慧英
唐虹
陈怀民
陈楸
孙景峰
徐庚
苏永旺
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.)
Xian Lingkong Electronic Technology Co Ltd
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201910203611.9A priority Critical patent/CN110059719B/zh
Publication of CN110059719A publication Critical patent/CN110059719A/zh
Application granted granted Critical
Publication of CN110059719B publication Critical patent/CN110059719B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于目标识别领域，具体涉及一种基于沃尔什变换的图像矩的目标识别方法，包括以下步骤：步骤1：获取待识别图像和标准模板数据库；步骤2：将步骤1获得的待识别图像进行预处理；步骤3：对步骤2经过预处理的待识别图像和步骤1得到的标准模板数据库中的图像进行沃尔什图像矩计算，得到待识别图像沃尔什图像矩和标准模板沃尔什图像矩数据库；步骤4：将步骤2得到的待识别图像沃尔什图像矩和标准模板沃尔什图像矩数据库进行特征比较，得到待识别图像集在标准模板数据库中的识别图像编号。本发明在小图像上具有相对的特征计算优势，沃尔什图像矩具有平移、旋转和缩放不变的特性且具有较高的计算效率。

Description

一种基于沃尔什变换的图像矩的目标识别方法
技术领域
本发明属于目标识别领域，具体涉及一种基于沃尔什变换的图像矩的目标识别方法。
背景技术
目标识别技术可以理解为将未知含义的目标对象判别为一组已知目标集的某一类或某一个，该技术一般使用目标特征间的相似性来描述目标对象间的相似性。因此，目标识别方法的优劣可由其描述目标的能力决定，特定的识别任务决定着描述特征的选择。
中国专利CN201810184924.X公开了一种基于Hu不变矩的深度图像手势识别方法，通过深度图像直接获得三维信息，有效减少了计算量，提高了算法的鲁棒性，实现了实时的高准确度高鲁棒性的手势识别。
中国专利CN201510883597.3公开了一种基于改进Krawtchouk矩的SAR图像目标特征提取方法，针对SAR图像的方位敏感性和平移敏感性给SAR目标识别带来的干扰，提出一种基于改进Krawtchouk矩的SAR图像目标特征提取方法。在有效抑制噪声的情况下，有效克服了SAR图像对目标方位的敏感性，减少计算量的同时能有效地对目标进行识别。
上面两种目标识别所用的图像矩Hu与Krawtchouk，其专利中采用的算法对计算量以及目标识别效果均有一定提升，但Hu矩的抗噪能力较差，且Hu矩在构建时所用的基函数为非正交函数系，故Hu矩虽具有平移、缩放、旋转等不变特性，但并不具备重构被识别图像的特性；而Krawtchouk矩属于离散正交图像矩，其核函数为离散多项式，计算过程虽然不存在离散误差，但存在传递误差，在计算目标图像的高阶Krawtchouk矩时，传递误差将不断被累计，最终可能会引起正交多项式的发散，且离散正交矩本身并不具有平移、缩放、旋转等不变特性。
因此针对背景噪声较大的识别目标，以及需要具备识别目标重构功能，或可进一步抽查复检的工程，现有的专利方案并不能很好的完成。
发明内容
针对现有技术中存在的目标识别算法中计算量较大且时效性不足的问题，本发明提出了一种基于沃尔什变换的图像矩的目标识别方法，由以下技术方案完成：
一种沃尔什图像矩的计算方法，包括以下步骤：
步骤1：对原始图像进行归一化处理；
步骤2：将步骤1中归一化处理后的图像变化到柱面坐标系；
步骤3：通过式Ⅰ将步骤2中变化到柱面坐标系下的图像置换到顺序空间
[gp(n1,n2)]＝[g(n1,n2)][P(n1,n2)] 式Ⅰ
其中，[P(n1,n2)]为置换矩阵，[g(n1,n2)]为极坐标下图像矩阵，[gp(n1,n2)]为置换后图像矩阵，所述顺序空间的图像映射相对不变，n1,n2表示柱面坐标系下图像中像素点的横纵坐标；
步骤4：通过式Ⅱ计算步骤3中的置换后图像的沃尔什图像矩：
[W(k1,k2)]＝[Walw(N)][gp(n1,n2)][Walw(N)]/N2 式Ⅱ
其中，k1,n1,k2,n2的取值范围为0～N-1，N＝2q且q为正整数，Walw(N)为N阶沃尔什排列的沃尔什正交函数矩阵，[W(k1,k2)]为原始图像的沃尔什图像矩。
进一步的，步骤1中归一化处理具体为：将待识别图像所有的像素点归一化到该图像外接圆的内部或者该图像的内切圆中。
一种基于沃尔什变换的图像矩的目标识别方法，包括以下步骤：
步骤1：获取待识别图像和标准模板数据库；
步骤2：将步骤1获得的待识别图像进行预处理；
步骤3：对步骤2经过预处理的待识别图像和步骤1得到的标准模板数据库中的图像利用如权利要求1所述的方法进行沃尔什图像矩计算，得到待识别图像沃尔什图像矩和标准模板沃尔什图像矩数据库；
步骤4：将步骤2得到的待识别图像沃尔什图像矩和标准模板沃尔什图像矩数据库进行特征比较，得到待识别图像集在标准模板数据库中的识别图像编号，完成图像识别。
进一步的，步骤2包括如下子步骤：
步骤2.1：读取待识别图像，并对待识别图像进行平滑滤波；
步骤2.2：对步骤2.1得到的平滑滤波后的图像进行二值化处理；
步骤2.3：对步骤2.2得到的二值化处理后的图像进行形态滤波。
本发明具有如下有益效果：
(1)本发明依据不变矩理论，结合沃尔什变换构造了一种基于沃尔什变换的图像矩，并利用快速沃尔什变换实现了该图像矩的快速计算，由于计算速度快、存储空间少，有利于硬件实现，对实时处理和大量数据操作具有特殊吸引力，能够达到更好的识别效果。
(2)本发明在小图像上具有相对的特征计算优势，沃尔什图像矩具有平移、旋转和缩放不变的特性且具有较高的计算效率。
附图说明
图1为本发明流程图；
图2是归一化示意图；
图3是极坐标变换示意图；
图4是实施例中部分待识别仪器字符形状。
具体实施方式
不变矩:在统计学中用于随机量分布的描述，而在图像分析中用于二值图或灰度图二维密度分布描述的不变正交矩称为图像不变正交矩(简称图像矩)。图像矩在目标图像经过平移、缩放或旋转之后，仍保持不变，因此可用于目标图像的特征描述。
图像矩：由Hu于1962年引入图像处理和模式识别领域，提出图像矩概念，并构建了七个矩不变量，这七个矩不变量对于图像的平移、旋转及尺度变化均具有不变性，但抗噪能力较差。从数学的角度来看，图像矩是图像函数在基函数系上的投影。
沃尔什变换(Walsh transform)：以沃尔什函数为基本函数的一种非正弦正交变换，沃尔什函数Wal(k，t)是美国数学家J.L.沃尔什(J.L.Walsh)1923年提出的，定义在半开区间0≤t<1的一组完备、正交矩形函数。沃尔什变换的变换核只取+1和-1两个值，其变换过程中只需进行实数加、减运算，没有乘、除运算，其逆变换仅有一个1/N因子，由于其变换核具有二值性更符合计算机的处理机制，故沃尔什变换具有更快的计算效率，整个计算过程误差积累小可以被忽略。
一种沃尔什图像矩的计算方法，包括以下步骤：
步骤1：对原始图像进行归一化处理；
例如设有M行×N列像素的数字图像中任一点像素坐标为(u,v)，将其归一化到中心为原点的单位圆中，得坐标为(x,y)，其归一化过程如图2所示；
步骤2：将步骤1中归一化处理后的图像变化到柱面坐标系；
以处理后的图像中心为坐标原点，将其转换至极坐标系下，最后参与矩计算的是极坐标图像所在的方形图像区域，当直角坐标系下的图像发生旋转时，对应的极坐标下图像，仅沿极角方向做平移变换。故可将极坐标二维图像的极角方向首尾相接看作环形数据，即将极坐标二维图像转换至三维空间的柱面图像，处理过程如图3所示；
步骤3：通过式Ⅰ将步骤2中变化到柱面坐标系下的图像置换到顺序空间
[gp(n1,n2)]＝[g(n1,n2)][P(n1,n2)]式Ⅰ
其中，[P(n1,n2)]为置换矩阵，[g(n1,n2)]为极坐标下图像矩阵，[gp(n1,n2)]为置换后图像矩阵，所述顺序空间的图像映射相对不变，n1,n2表示柱面坐标系下图像中像素点的横纵坐标；
置换矩阵可将极坐标图像按固有特征转换至顺序空间，顺序空间的极坐标图像映射相对不变，而极坐标图像的固有特征有很多，最大值、最小值、均值、极值、阶跃、分位数等等；
优选的，选取基于序列加权的特征来构造置换矩阵，N×N极坐标图像的每一点g(n1,n2)的加权计算式：
Figure BDA0001998257130000051
步骤4：通过式Ⅱ计算步骤3中的置换后图像的沃尔什图像矩：
[W(k1,k2)]＝[Walw(N)][gp(n1,n2)][Walw(N)]/N2 式Ⅱ
其中，k1,n1,k2,n2的取值范围为0～N-1，N＝2q且q为正整数，例如，q＝2，k1,n1,k2,n2的取值范围为0～3，q＝3时，k1,n1,k2,n2的取值范围为0～7，Walw(N)为N阶沃尔什排列的沃尔什正交函数矩阵，[W(k1,k2)]为原始图像的沃尔什图像矩。
具体的，步骤1中归一化处理具体为：将待识别图像所有的像素点归一化到该图像外接圆的内部或者该图像的内切圆中。
一种基于沃尔什变换的图像矩的目标识别方法，包括以下步骤：
步骤1：获取待识别图像和标准模板数据库；
步骤2：将步骤1获得的待识别图像进行预处理；
步骤3：对步骤2经过预处理的待识别图像和步骤1得到的标准模板数据库中的图像利用如权利要求1所述的方法进行沃尔什图像矩计算，得到待识别图像沃尔什图像矩和标准模板沃尔什图像矩数据库；
步骤4：将步骤2得到的待识别图像沃尔什图像矩和标准模板沃尔什图像矩数据库进行特征比较，得到待识别图像集在标准模板数据库中的识别图像编号，完成图像识别。
本发明依据不变矩理论，结合沃尔什变换构造了一种基于沃尔什变换的图像矩，并利用快速沃尔什变换实现了该图像矩的快速计算，由于计算速度快、存储空间少，有利于硬件实现，对实时处理和大量数据操作具有特殊吸引力，能够达到更好的识别效果。
具体的，步骤2包括如下子步骤：
步骤2.1：读取待识别图像，并对待识别图像进行平滑滤波；
步骤2.2：对步骤2.1得到的平滑滤波后的图像进行二值化处理；
步骤2.3：对步骤2.2得到的二值化处理后的图像进行形态滤波。
以下给出本发明的具体实施方式，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例
选取某仪器示波屏中的字符图像部分由分割所得图像如图2所示，其分辨率最大为(100×150)，针对某仪器示波屏中的字符、形状进行识别，0～9数字部分平均识别率为100％，字母、形状部分平均识别率为99.5％，各字母识别率详见表1。
表1示波屏常见字符识别结果
Figure BDA0001998257130000071
其中字母“I”与“L”的识别率相对较低，主要由于所得目标图像分辨率较低，经图像预处理所致，为提高实际使用中的识别率，在示波屏字符识别实验中，可针对常见单位毫米(mm)、微秒(μs)、分贝(dB)等，以字母组合的整体进行分割与识别，从而获得较高的识别率。

Claims (5)

1.一种沃尔什变换的图像矩的计算方法，其特征在于，包括以下步骤：
步骤1：对原始图像进行归一化处理；
步骤2：将步骤1中归一化处理后的图像变化到柱面坐标系；
步骤3：通过式Ⅰ将步骤2中变化到柱面坐标系下的图像置换到顺序空间
[gp(n1,n2)]＝[g(n1,n2)][P(n1,n2)] 式Ⅰ
其中，[P(n1,n2)]为置换矩阵，[g(n1,n2)]为极坐标下图像矩阵，[gp(n1,n2)]为置换后图像矩阵，所述顺序空间的图像映射相对不变，n1,n2表示柱面坐标系下图像中像素点的横纵坐标；
置换矩阵可将极坐标图像按固有特征转换至顺序空间，顺序空间的极坐标图像映射相对不变，极坐标图像的固有特征有最大值、最小值、均值、极值、阶跃、分位数；
选取基于序列加权的特征来构造置换矩阵，N×N极坐标图像的每一点g(n1,n2)的加权计算式：
Figure FDA0003565640650000011
步骤4：通过式Ⅱ计算步骤3中的置换后图像的沃尔什图像矩：
[W(k1,k2)]＝[Walw(N)][gp(n1,n2)][Walw(N)]/N2 式Ⅱ
其中，k1,n1,k2,n2的取值范围为0～N-1，N＝2q且q为正整数，Walw(N)为N阶沃尔什排列的沃尔什正交函数矩阵，[W(k1,k2)]为原始图像的沃尔什图像矩。
2.如权利要求1所述的沃尔什变换的图像矩的计算方法，其特征在于，步骤1中归一化处理具体为：将待识别图像所有的像素点归一化到该图像外接圆的内部或者该图像的内切圆中。
3.一种基于沃尔什变换的图像矩的目标识别方法，其特征在于，包括以下步骤：
步骤1：获取待识别图像和标准模板数据库；
步骤2：将步骤1获得的待识别图像进行预处理；
步骤3：对步骤2经过预处理的待识别图像和步骤1得到的标准模板数据库中的图像利用如权利要求1所述的方法进行沃尔什图像矩计算，得到待识别图像沃尔什图像矩和标准模板沃尔什图像矩数据库；
步骤4：将步骤2得到的待识别图像沃尔什图像矩和标准模板沃尔什图像矩数据库进行特征比较，得到待识别图像集在标准模板数据库中的识别图像编号，完成图像识别。
4.如权利要求3所述的基于沃尔什变换的图像矩的目标识别方法，其特征在于，步骤2包括如下子步骤：
步骤2.1：读取待识别图像，并对待识别图像进行平滑滤波；
步骤2.2：对步骤2.1得到的平滑滤波后的图像进行二值化处理；
步骤2.3：对步骤2.2得到的二值化处理后的图像进行形态滤波。
5.如权利要求3所述的基于沃尔什变换的图像矩的目标识别方法，其特征在于，步骤4中通过加权欧氏距离进行特征比较。
CN201910203611.9A 2019-03-18 2019-03-18 一种基于沃尔什变换的图像矩的目标识别方法 Active CN110059719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910203611.9A CN110059719B (zh) 2019-03-18 2019-03-18 一种基于沃尔什变换的图像矩的目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910203611.9A CN110059719B (zh) 2019-03-18 2019-03-18 一种基于沃尔什变换的图像矩的目标识别方法

Publications (2)

Publication Number Publication Date
CN110059719A CN110059719A (zh) 2019-07-26
CN110059719B true CN110059719B (zh) 2022-08-09

Family

ID=67316980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910203611.9A Active CN110059719B (zh) 2019-03-18 2019-03-18 一种基于沃尔什变换的图像矩的目标识别方法

Country Status (1)

Country Link
CN (1) CN110059719B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085815B (zh) * 2020-09-14 2024-05-24 深圳市先地图像科技有限公司 一种极坐标图像的变换方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2148152A1 (de) * 1971-09-27 1973-04-05 Siemens Ag Verfahren und schaltungsanordnung zum automatischen erkennen von schriftzeichen mit hilfe einer translationsinvarianten klassifikationsmatrix
US5598179A (en) * 1993-06-14 1997-01-28 Motorola, Inc. Method and apparatus for driving electronic displays
CN101540046A (zh) * 2009-04-10 2009-09-23 凌阳电通科技股份有限公司 基于图像特征的全景图拼接方法和装置
CN101615244A (zh) * 2008-06-26 2009-12-30 上海梅山钢铁股份有限公司 手写板坯号自动识别方法及识别装置
CN102521586A (zh) * 2011-12-08 2012-06-27 中国科学院苏州纳米技术与纳米仿生研究所 一种用于拍照手机的高分辨率三维人脸扫描方法
CN102930505A (zh) * 2012-09-09 2013-02-13 西南技术物理研究所 图像点特征具有旋转不变性的电路实现方法
CN104616276A (zh) * 2013-11-04 2015-05-13 沈阳工大普日软件技术有限公司 数字图像篡改盲检测系统
CN105376578A (zh) * 2015-10-28 2016-03-02 北京锐安科技有限公司 图像压缩方法及装置
CN106228503A (zh) * 2016-07-15 2016-12-14 北华航天工业学院 卫星遥感影像shp点文件的数字水印嵌入和提取方法
CN106845489A (zh) * 2015-12-03 2017-06-13 中国航空工业集团公司雷华电子技术研究所 基于改进Krawtchouk矩的SAR图像目标特征提取方法
CN107679509A (zh) * 2017-10-19 2018-02-09 广东工业大学 一种小环藻识别方法及装置
CN108921831A (zh) * 2018-06-22 2018-11-30 吉林大学 一种基于图像处理技术的污损硬币识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2148152A1 (de) * 1971-09-27 1973-04-05 Siemens Ag Verfahren und schaltungsanordnung zum automatischen erkennen von schriftzeichen mit hilfe einer translationsinvarianten klassifikationsmatrix
US5598179A (en) * 1993-06-14 1997-01-28 Motorola, Inc. Method and apparatus for driving electronic displays
CN101615244A (zh) * 2008-06-26 2009-12-30 上海梅山钢铁股份有限公司 手写板坯号自动识别方法及识别装置
CN101540046A (zh) * 2009-04-10 2009-09-23 凌阳电通科技股份有限公司 基于图像特征的全景图拼接方法和装置
CN102521586A (zh) * 2011-12-08 2012-06-27 中国科学院苏州纳米技术与纳米仿生研究所 一种用于拍照手机的高分辨率三维人脸扫描方法
CN102930505A (zh) * 2012-09-09 2013-02-13 西南技术物理研究所 图像点特征具有旋转不变性的电路实现方法
CN104616276A (zh) * 2013-11-04 2015-05-13 沈阳工大普日软件技术有限公司 数字图像篡改盲检测系统
CN105376578A (zh) * 2015-10-28 2016-03-02 北京锐安科技有限公司 图像压缩方法及装置
CN106845489A (zh) * 2015-12-03 2017-06-13 中国航空工业集团公司雷华电子技术研究所 基于改进Krawtchouk矩的SAR图像目标特征提取方法
CN106228503A (zh) * 2016-07-15 2016-12-14 北华航天工业学院 卫星遥感影像shp点文件的数字水印嵌入和提取方法
CN107679509A (zh) * 2017-10-19 2018-02-09 广东工业大学 一种小环藻识别方法及装置
CN108921831A (zh) * 2018-06-22 2018-11-30 吉林大学 一种基于图像处理技术的污损硬币识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Derivation of fast algorithms via binary filtering of signals;M. S. Bespalov et al;《Problems of Information Transmission》;20170106;第359-372页 *
Face recognition with a novel image representation: Local Walsh-Hadamard Transform;Meryem Uzun-Per et al;《2014 5th European Workshop on Visual Information Processing (EUVIP)》;20150126;第1-6页 *
Video Saliency Detection via Spatial-Temporal Fusion and Low-Rank Coherency Diffusion;Chenglizhao Chen et al;《IEEE Transactions on Image Processing》;20171231;第3156-3170页 *
一种基于LU的小波域自适应数字水印算法;王树梅等;《微电子学与计算机》;20081231;第25卷(第12期);第76-79页 *
基于光学沃尔什变换特征提取的图像匹配;成罡等;《光学学报》;20010228;第21卷(第2期);第167-172页 *
基于多通道体全息相关器的二维离散沃尔什变换;马强等;《中国激光》;20091130;第36卷(第11期);第2997-3001页 *
虹膜识别算法研究;王凤随;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100415;第2010年卷(第4期);I138-599 *

Also Published As

Publication number Publication date
CN110059719A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN111462126A (zh) 一种基于边缘增强的语义图像分割方法及系统
CN104778457B (zh) 基于多示例学习的视频人脸识别方法
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
US8391613B2 (en) Statistical online character recognition
CN113971221A (zh) 一种点云数据的处理方法、装置、电子设备及存储介质
CN110675437A (zh) 一种基于改进gms-orb特征的图像匹配方法及存储介质
CN112116610A (zh) 一种遥感影像分割方法、系统、终端以及存储介质
CN111027570B (zh) 一种基于细胞神经网络的图像多尺度特征提取方法
CN102332084A (zh) 基于掌纹和人脸特征提取的身份识别方法
CN104346628B (zh) 基于多尺度多方向Gabor特征的车牌汉字识别方法
Hu Research on data acquisition algorithms based on image processing and artificial intelligence
Chen et al. Method on water level ruler reading recognition based on image processing
CN105335760A (zh) 一种图像数字字符识别方法
Singh et al. Performance analysis of various local and global shape descriptors for image retrieval
CN110059719B (zh) 一种基于沃尔什变换的图像矩的目标识别方法
Xu et al. Multi‐pyramid image spatial structure based on coarse‐to‐fine pyramid and scale space
Shrivastava et al. Noise-invariant structure pattern for image texture classification and retrieval
CN113239840B (zh) 字迹鉴定方法、装置、设备和存储介质
Wang et al. Circular trace transform and its PCA‐based fusion features for image representation
Chen et al. Multi‐features fusion classification method for texture image
CN115272153A (zh) 一种基于特征稀疏区域检测的影像匹配增强方法
Abaynarh et al. ENHANCED FEATURE EXTRACTION OF HANDWRITTEN CHARACTERS AND RECOGNITION USING ARTIFICIAL NEURAL NETWORKS.
Zhen-Yan Chinese character recognition method based on image processing and hidden markov model
CN103366376A (zh) 一种基于邻域尺度变化的图像特征提取方法
Yadav et al. A survey: comparative analysis of different variants of local binary pattern

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230328

Address after: 710075 Floor 11, Aerospace Technology Application Innovation Center, No. 32, Tuanjie South Road, High-tech Zone, Xi'an, Shaanxi Province

Patentee after: XI'AN LINGKONG ELECTRONIC TECHNOLOGY Co.,Ltd.

Address before: 710068 No. 127 Youyi West Road, Shaanxi, Xi'an

Patentee before: Northwestern Polytechnical University