CN110245661A - 一种基于韦伯定律的多层卷积图像特征提取方法及系统 - Google Patents
一种基于韦伯定律的多层卷积图像特征提取方法及系统 Download PDFInfo
- Publication number
- CN110245661A CN110245661A CN201910499111.4A CN201910499111A CN110245661A CN 110245661 A CN110245661 A CN 110245661A CN 201910499111 A CN201910499111 A CN 201910499111A CN 110245661 A CN110245661 A CN 110245661A
- Authority
- CN
- China
- Prior art keywords
- subgraph
- mapping
- multilayer
- image
- difference
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 100
- 230000005284 excitation Effects 0.000 claims abstract description 38
- 238000013179 statistical model Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005857 detection of stimulus Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于韦伯定律的多层卷积图像特征提取方法及系统,所述方法包括:在图像预处理中利用韦伯定律对图像进行处理并生成差分激励映射图,利用三种卷积核对映射子图进行卷积操作并转换为二值显著性子图,对映射子图特征进行特征相关性统计,构建相关性层次统计模型。本发明方法能有效获取图像目标的空间相关性和分层显著性信息,增强了图像特征的表达能,提高了图像检索和分类系统的性能。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于韦伯定律的多层卷积图像特征提取方法及系统。
背景技术
人类视觉系统可以快速地从图像中获取感兴趣的显著区域并选择相关元素,抑制不相关因素,进而增强对该局部区域的注意力。人类视觉对局部模式的感知依赖于刺激的变化和原始强度之间的关。韦伯定律-Weber定律(Weber's law)是一种心理学原则,揭示了人类对刺激强度的感知规律,例如:重量、长度、亮度、数量、响度。它通过幅值比例大小有效地揭示了增量变化程度,可观察到的最小刺激变化依赖于原始刺激的大小。许多研究者将Weber定律引入到构建图像局部特征描述子的方法中,在图像分类和识别应用中获得了较好的效果。
基于内容的图像检索通过计算图像视觉特征相似度来查询图像,视觉特征主要包括颜色、纹理、形状、目标边缘和空间分布等信息。模拟人类对外界场景感知的过程,以较小的局部结构作为人类认知图像的基本单元,可通过不同层次的卷积映射和概念抽取获得图像的不同等级特征表示形式。局部描述子是一种简单有效的特征提取方法,在基于内容的图像检索应用中取得了较好的效果。然而,大部分局部描述子是基于灰度图像的特征提取方法,而实际应用中往往是对彩色图像的查询,其检索性能会受到很大限制。许多基于局部描述子的图像特征提取方法在表示邻居像素和中心像素之间的关系时,仅设置固定的几个值(通常设置为2值或3值)进行表示,很难完全反应局部区域像素的变化状态,会导致丢失部分信息。另外,在局部模式匹配信息进行统计时,仅考虑各自模式的频率,而忽略了模式之间的相关性。
发明内容
为解决传统技术存在的问题,特提出了一种基于韦伯定律的多层卷积图像特征提取方法。
一种基于韦伯定律的多层卷积图像特征提取方法,包括如下步骤:
步骤S1、对待提取特征的图像预处理后生成对应的差分激励映射子图,该差分激励映射子图通过利用韦伯定律对预处理后的图像进行卷积操作获取的;
步骤S2、获取目标映射子图后生成多层显著性特征映射子图;该多层显著性特征映射子图通过利用卷积核对目标映射子图进行卷积操作获取的;
步骤S3、基于相关性特征统计,构建相关性层次统计模型以获取对应的空间相关性和分层的显著性信息。
可选的,在其中一个实施例中,步骤S1包括:
步骤S11、对待提取特征的图像进行灰度变换获取对应的灰度图像;
步骤S12、利用差分卷积核对灰度图像进行卷积生成映射子图后使用韦伯定律中的差分相关性比值公式对映射子图中的像素进行运算并生成差分激励子图θ。
可选的,在其中一个实施例中,步骤S12包括:在灰度图像中对像素差分相关性比值做正切运算得到当前局部区域像素与中心像素之间的差分激励;其中心像素与其邻域像素之间的关系映射为θ(xc),计算公式如下式所示:
可选的,在其中一个实施例中,所述步骤S2包括:
步骤S21、对所述差分激励映射子图通过二值转换得到目标映射子图;
步骤S22、利用卷积核对目标映射子图进行卷积操作,生成不同层次的多层显著性特征映射子图。
可选的,在其中一个实施例中,所述步骤S3包括:
步骤S31、将待提取特征的原始图像转换为HSV空间表示并进行量化得到一个映射子图即颜色量化子图;
步骤S32、基于相关性特征统计对颜色量化子图和多层显著性特征映射子图进行相关性分析以获取对应的相关性特征矩阵即相关性层次统计模型。
此外,为解决传统等问题,还提出了一种基于韦伯定律的多层卷积图像特征提取系统,其特征在于,包括
差分激励映射子图生成模块,其用于对待提取特征的图像预处理后生成对应的差分激励映射子图,该差分激励映射子图通过利用韦伯定律对预处理后的图像进行卷积操作获取的;
层显著性特征映射子图生成模块,其用于获取目标映射子图后生成多层显著性特征映射子图;该多层显著性特征映射子图通过利用卷积核对目标映射子图进行卷积操作获取的;
模型构建模块,其用于基于相关性特征统计,构建相关性层次统计模型以获取对应的空间相关性和分层的显著性信息。
可选的,在其中一个实施例中,差分激励映射子图生成模块包括:
灰度图像生成子模块,其用于对待提取特征的图像进行灰度变换获取对应的灰度图像;
差分激励映射子图生成子模块,其用于利用差分卷积核对灰度图像进行卷积生成映射子图后使用韦伯定律中的差分相关性比值公式对映射子图中的像素进行运算并生成差分激励子图。
可选的,在其中一个实施例中,差分激励映射子图生成子模块能在灰度图像中对像素差分相关性比值做正切运算得到当前局部区域像素与中心像素之间的差分激励;其中心像素与其邻域像素之间的关系映射为θ(xc),计算公式如下式所示:
可选的,在其中一个实施例中,层显著性特征映射子图生成模块包括:目标映射子图转换模块,其用于对所述差分激励映射子图通过二值转换得到目标映射子图;特征映射子图生成模块,其用于利用卷积核对目标映射子图进行卷积操作,生成不同层次的多层显著性特征映射子图。
可选的,在其中一个实施例中,所述模型构建模块包括:
颜色量化子图生成模块,其用于将待提取特征的原始图像转换为HSV空间表示并进行量化得到一个映射子图即颜色量化子图;
统计模型,其用于基于相关性特征统计对颜色量化子图和多层显著性特征映射子图进行相关性分析以获取对应的相关性特征矩阵即相关性层次统计模型。
实施本发明实施例,将具有如下有益效果:
本发明提出基于Weber定律的多层卷积显著特征提取方法及系统,其首先,根据韦伯定律将图像转换为差分激励图像,并且通过多层卷积和二值变换等操作生成了多层显著映射子图。然后,在这些子图上利用LBP和共生矩阵的方法生成对应的特征向量。最后,连接这些向量生成一组全局的图像特征用于图像处理。本发明能有效获取图像目标的空间相关性和分层显著性信息,增强了特征的表达能,提高了图像检索和分类系统的性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中多层卷积图像特征提取方法流程步骤图;
图2为一个实施例中多层卷积图像特征提取方法的核心算法示意图;
图3为一个实施例中多层卷积图像特征提取方法的二值图像示意图;
图4为一个实施例中多层卷积图像特征提取方法的相关性统计过程和计算结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本发明。可以理解,本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一元件称为第二元件,且类似地,可将第二元件为第一元件。第一元件和第二元件两者都是元件,但其不是同一元件。
为解决传统等问题,在本实施例中,特提出了一种基于韦伯Weber定律的多层卷积图像特征提取方法,该方法根据Weber定律将图像转换为差分激励子图,并且通过多层卷积和二值变换等操作生成了多层显著性映射子图,最后通过构建相关性层次统计模型,利用共生矩阵的方法获取相关性显著信息,能有效表示图像的空间相关性信息和分层显著性信息;其核心主要包括8个层次的计算过程,其中有2次卷积,3次图像转换,1次差分激励计算,1次纹理特征提取和1次多层显著特征提取过程。如图1-图2所示,为该多层卷积图像特征提取方法流程步骤图和核心算法,包括如下步骤:步骤S1、对待提取特征的图像预处理后生成对应的差分激励映射子图,该差分激励映射子图通过利用韦伯定律对预处理后的图像进行卷积操作获取的;步骤S2、获取目标映射子图后生成多层显著性特征映射子图;该多层显著性特征映射子图通过利用卷积核对目标映射子图进行卷积操作获取的;步骤S3、基于相关性特征统计,构建相关性层次统计模型以获取对应的空间相关性和分层的显著性信息。
其中,步骤S1包括:步骤S11、对待提取特征的图像进行灰度变换获取对应的灰度图像;步骤S12、利用差分卷积核对灰度图像进行卷积生成映射子图后使用韦伯定律中的差分相关性比值公式对映射子图中的像素进行运算并生成差分激励子图θ,在一些具体的实施例中,步骤S12包括:在灰度图像中对像素差分相关性比值做正切运算得到当前局部区域像素与中心像素之间的差分激励;其中心像素与其邻域像素之间的关系映射为θ(xc),计算公式如下式所示:
式中,υ00为利用中心像素和其领域像素之间的差分映射子图,υ01为原图像的灰度映射子图,xc为局部区域中心像素,xi为当前中心像素的领域像素,α权重系数。
其中,步骤S2多层显著特征映射子图的生成,利用实现均值计算和分布统计的卷积核对映射子图进行卷积操作,生成不同层次的显著性映射子图,由于多层显著特征映射子图的生成时需要对二值图像进行卷积操作,其卷积核设定为给出一定的二值图像块,利用该卷积核得到相应的结果可以表示其空间分状态,如图3所示,具体包括:步骤S21、对所述差分激励映射子图通过二值转换得到目标映射子图;步骤S22、利用类似于邻域像素平均滤波器的卷积核对目标映射子图进行卷积操作,生成不同层次的多层显著性特征映射子图S。
其中,步骤S3利用LBP方法在差分激励映射子图上提取图像纹理特征,并且利用共生矩阵统计分层显著性子图和HSV颜色空间子图之间的相关性并获取多层显著特征。包括:步骤S31、将待提取特征的原始图像转换为HSV空间表示并进行量化得到一个映射子图即颜色量化子图Р;步骤S32、基于相关性特征统计对颜色量化子图和多层显著性特征映射子图进行相关性分析以获取对应的相关性特征矩阵即相关性层次统计模型,本步骤目的是利用共生矩阵获取HSV颜色图像和显著性子图的相关性信息,能有效获取空间相关性和分层的显著性信息。在一些具体的实施例中,步骤S32计颜色量化子图Р和分层显著性子图S进行相关性统计,借鉴共生矩阵方法对两个子图像素之间的相关性进行统计,如图4所示,假设从两个子图中分别截取大小为4×4的对应图像分块进行相关性统计,具体的统计过程和计算结果如图所示,最后进行多特征融合,连接多层显著性特征和纹理特征生成一组全局图像特征直方,用于图像检索和分类中。
此外,基于相同的发明构思,本发明还提出了一种基于韦伯定律的多层卷积图像特征提取系统,其特征在于,包括
差分激励映射子图生成模块,其用于对待提取特征的图像预处理后生成对应的差分激励映射子图,该差分激励映射子图通过利用韦伯定律对预处理后的图像进行卷积操作获取的;
层显著性特征映射子图生成模块,其用于获取目标映射子图后生成多层显著性特征映射子图;该多层显著性特征映射子图通过利用卷积核对目标映射子图进行卷积操作获取的;
模型构建模块,其用于基于相关性特征统计,构建相关性层次统计模型以获取对应的空间相关性和分层的显著性信息。
其中,差分激励映射子图生成模块包括:灰度图像生成子模块,其用于对待提取特征的图像进行灰度变换获取对应的灰度图像;差分激励映射子图生成子模块,其用于利用差分卷积核对灰度图像进行卷积生成映射子图后使用韦伯定律中的差分相关性比值公式对映射子图中的像素进行运算并生成差分激励子图。
在其中一个实施例中,差分激励映射子图生成子模块能在灰度图像中对像素差分相关性比值做正切运算得到当前局部区域像素与中心像素之间的差分激励;其中心像素与其邻域像素之间的关系映射为θ(xc),计算公式如下式所示:
其中,层显著性特征映射子图生成模块包括:目标映射子图转换模块,其用于对所述差分激励映射子图通过二值转换得到目标映射子图;特征映射子图生成模块,其用于利用卷积核对目标映射子图进行卷积操作,生成不同层次的多层显著性特征映射子图。
其中,模型构建模块包括:颜色量化子图生成模块,其用于将待提取特征的原始图像转换为HSV空间表示并进行量化得到一个映射子图即颜色量化子图;统计模型,其用于基于相关性特征统计对颜色量化子图和多层显著性特征映射子图进行相关性分析以获取对应的相关性特征矩阵即相关性层次统计模型。
本实施例给出一种基于韦伯定律的多层卷积显著特征提取方法,该方法能有效获取图像目标的空间相关性和分层显著性信息,增强了特征的表达能,提高了图像检索和分类系统的性能。首先通过灰度转换和卷积操作,利用韦伯定律的相关公式生成一个差分激励映射子图。其次,在差分激励子图上进行二值变换和卷积操作生成分层显著子图。然后,在差分激励子图上利用LBP方法提取纹理特征,并且利用共生矩阵统计分层显著性子图和HSV颜色空间子图之间的相关性并获取多层显著特征。最后,连接多层显著性特征和纹理特征生成一组全局图像特征直方图。本发明能有效获取图像目标的空间相关性和分层显著性信息,增强了特征的表达能,提高了图像检索和分类系统的性能。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于韦伯定律的多层卷积图像特征提取方法,其特征在于,包括如下步骤:
步骤S1、对待提取特征的图像预处理后生成对应的差分激励映射子图,该差分激励映射子图通过利用韦伯定律对预处理后的图像进行卷积操作获取的;
步骤S2、获取目标映射子图后生成多层显著性特征映射子图;该多层显著性特征映射子图通过利用卷积核对目标映射子图进行卷积操作获取的;
步骤S3、基于相关性特征统计,构建相关性层次统计模型以获取对应的空间相关性和分层的显著性信息。
2.根据权利要求1所述的多层卷积图像特征提取方法,其特征在于,步骤S1包括:
步骤S11、对待提取特征的图像进行灰度变换获取对应的灰度图像;
步骤S12、利用差分卷积核对灰度图像进行卷积生成映射子图后使用韦伯定律中的差分相关性比值公式对映射子图中的像素进行运算并生成差分激励子图θ。
3.根据权利要求2所述的多层卷积图像特征提取方法,其特征在于,步骤S12包括:在灰度图像中对像素差分相关性比值做正切运算得到当前局部区域像素与中心像素之间的差分激励;其中心像素与其邻域像素之间的关系映射为θ(xc),计算公式如下式所示:
4.根据权利要求1所述的多层卷积图像特征提取方法,其特征在于,步骤S2包括:
步骤S21、对所述差分激励映射子图通过二值转换得到目标映射子图;
步骤S22、利用卷积核对目标映射子图进行卷积操作,生成不同层次的多层显著性特征映射子图。
5.根据权利要求4所述的多层卷积图像特征提取方法,其特征在于,所述步骤S3包括:
步骤S31、将待提取特征的原始图像转换为HSV空间表示并进行量化得到一个映射子图即颜色量化子图;
步骤S32、基于相关性特征统计对颜色量化子图和多层显著性特征映射子图进行相关性分析以获取对应的相关性特征矩阵即相关性层次统计模型。
6.一种基于韦伯定律的多层卷积图像特征提取系统,其特征在于,包括
差分激励映射子图生成模块,其用于对待提取特征的图像预处理后生成对应的差分激励映射子图,该差分激励映射子图通过利用韦伯定律对预处理后的图像进行卷积操作获取的;
层显著性特征映射子图生成模块,其用于获取目标映射子图后生成多层显著性特征映射子图;该多层显著性特征映射子图通过利用卷积核对目标映射子图进行卷积操作获取的;
模型构建模块,其用于基于相关性特征统计,构建相关性层次统计模型以获取对应的空间相关性和分层的显著性信息。
7.根据权利要求6所述的多层卷积图像特征提取系统,其特征在于,差分激励映射子图生成模块包括:
灰度图像生成子模块,其用于对待提取特征的图像进行灰度变换获取对应的灰度图像;
差分激励映射子图生成子模块,其用于利用差分卷积核对灰度图像进行卷积生成映射子图后使用韦伯定律中的差分相关性比值公式对映射子图中的像素进行运算并生成差分激励子图。
8.根据权利要求7所述的多层卷积图像特征提取系统,其特征在于,差分激励映射子图生成子模块能在灰度图像中对像素差分相关性比值做正切运算得到当前局部区域像素与中心像素之间的差分激励;其中心像素与其邻域像素之间的关系映射为θ(xc),计算公式如下式所示:
9.根据权利要求6所述的多层卷积图像特征提取系统,其特征在于,层显著性特征映射子图生成模块包括:目标映射子图转换模块,其用于对所述差分激励映射子图通过二值转换得到目标映射子图;特征映射子图生成模块,其用于利用卷积核对目标映射子图进行卷积操作,生成不同层次的多层显著性特征映射子图。
10.根据权利要求6所述的多层卷积图像特征提取系统,其特征在于,所述模型构建模块包括:
颜色量化子图生成模块,其用于将待提取特征的原始图像转换为HSV空间表示并进行量化得到一个映射子图即颜色量化子图;
统计模型,其用于基于相关性特征统计对颜色量化子图和多层显著性特征映射子图进行相关性分析以获取对应的相关性特征矩阵即相关性层次统计模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910499111.4A CN110245661A (zh) | 2019-06-11 | 2019-06-11 | 一种基于韦伯定律的多层卷积图像特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910499111.4A CN110245661A (zh) | 2019-06-11 | 2019-06-11 | 一种基于韦伯定律的多层卷积图像特征提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245661A true CN110245661A (zh) | 2019-09-17 |
Family
ID=67886534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910499111.4A Pending CN110245661A (zh) | 2019-06-11 | 2019-06-11 | 一种基于韦伯定律的多层卷积图像特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245661A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706225A (zh) * | 2019-10-14 | 2020-01-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别系统 |
CN114612694A (zh) * | 2022-05-11 | 2022-06-10 | 合肥高维数据技术有限公司 | 基于双通道差分卷积网络的图片隐形水印检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TR200908819A2 (tr) * | 2009-11-20 | 2011-06-21 | Vestel Elektron�K San. Ve T�C. A.�. | Belirginliğe dayalı video kontrast iyileştirme metodu. |
CN107506761A (zh) * | 2017-08-30 | 2017-12-22 | 山东大学 | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 |
-
2019
- 2019-06-11 CN CN201910499111.4A patent/CN110245661A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TR200908819A2 (tr) * | 2009-11-20 | 2011-06-21 | Vestel Elektron�K San. Ve T�C. A.�. | Belirginliğe dayalı video kontrast iyileştirme metodu. |
CN107506761A (zh) * | 2017-08-30 | 2017-12-22 | 山东大学 | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
于来行: "《基于视觉注意模型的图像检索方法研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
吴俊等: "基于基元相关性描述子的图像检索", 《计算机研究与发展》 * |
罗月童等: "基于线特征韦伯局部描述子的掌纹识别", 《中国图象图形学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706225A (zh) * | 2019-10-14 | 2020-01-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别系统 |
CN114612694A (zh) * | 2022-05-11 | 2022-06-10 | 合肥高维数据技术有限公司 | 基于双通道差分卷积网络的图片隐形水印检测方法 |
CN114612694B (zh) * | 2022-05-11 | 2022-07-29 | 合肥高维数据技术有限公司 | 基于双通道差分卷积网络的图片隐形水印检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105938564B (zh) | 基于主成分分析和神经网络的水稻病害识别方法及系统 | |
Liu et al. | Content-based image retrieval using color difference histogram | |
Zeng et al. | Image retrieval using spatiograms of colors quantized by gaussian mixture models | |
Jian et al. | Visual-patch-attention-aware saliency detection | |
CN105023008B (zh) | 基于视觉显著性及多特征的行人再识别方法 | |
Dror et al. | Statistical characterization of real-world illumination | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
CN103927511B (zh) | 基于差异特征描述的图像识别方法 | |
CN110084108A (zh) | 基于gan神经网络的行人重识别系统及方法 | |
CN104103082A (zh) | 一种基于区域描述和先验知识的图像显著性检测方法 | |
CN111563447A (zh) | 一种基于密度图的人群密度分析与检测定位方法 | |
CN103839042B (zh) | 人脸识别方法和人脸识别系统 | |
Lumini et al. | Ensemble of texture descriptors and classifiers for face recognition | |
CN108710916B (zh) | 图片分类的方法及装置 | |
CN108615007B (zh) | 基于特征张量的三维人脸识别方法、装置及存储介质 | |
Yan et al. | Gabor surface feature for face recognition | |
Wan et al. | Reduced reference stereoscopic image quality assessment using sparse representation and natural scene statistics | |
CN105049790A (zh) | 视频监控系统图像获取方法及装置 | |
CN106844739A (zh) | 一种基于神经网络协同训练的遥感图像变化信息检索方法 | |
Mythili et al. | Color image segmentation using ERKFCM | |
Premaratne et al. | Image matching using moment invariants | |
CN110245661A (zh) | 一种基于韦伯定律的多层卷积图像特征提取方法及系统 | |
Ma et al. | Saliency detection based on singular value decomposition | |
CN103324753B (zh) | 基于共生稀疏直方图的图像检索方法 | |
CN103065298B (zh) | 一种模拟视网膜滤波的视觉显著性检测方法 |
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 |
Application publication date: 20190917 |
|
RJ01 | Rejection of invention patent application after publication |