CN110348458A - 一种基于局部方向极值模式的图像纹理分类方法 - Google Patents
一种基于局部方向极值模式的图像纹理分类方法 Download PDFInfo
- Publication number
- CN110348458A CN110348458A CN201910568093.0A CN201910568093A CN110348458A CN 110348458 A CN110348458 A CN 110348458A CN 201910568093 A CN201910568093 A CN 201910568093A CN 110348458 A CN110348458 A CN 110348458A
- Authority
- CN
- China
- Prior art keywords
- pixel
- mode
- dldcp
- extreme value
- local direction
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于局部方向极值模式的图像纹理分类方法,具体包括以下步骤:首先通过计算局部方向差分计数模式‑奇数位置DLDCP‑OP和局部方向差分计数模式‑偶数位置DLDCP‑EP,组成局部方向差分计数模式直方图VDLDCP;其次提取邻域极值局部模式直方图VNERLP,其包含极值位置模式ELP,极值差分模式EDP,极值压缩模式ECP;将提取的局部方向差分计数模式直方图VDLDCP和邻域极值局部模式直方图VNERLP联合,最后采用卡方距离和最近邻分类器进行分类。本发明有效的捕获了图像纹理的方向信息和像素强度信息,通过连接局部方向差分计数模式和邻域极值局部模式,得到基于方向极值化局部模式的图像纹理分类方法。
Description
技术领域
本发明属于图像处理和模式识别领域,具体涉及一种基于局部方向极值模式的图像纹理分类方法。
背景技术
近年来,多种图像纹理分类方法被提出,大致分为以下两类:空域方法和频域方法。空域方法适用于旋转图像的处理,频域方法适用于非旋转图像的处理,针对目前图像纹理分类方法存在的以下问题:纹理特征单一,对图像旋转、光照、尺度变化、视角变化和噪声等不具有鲁棒性。本发明在空域方法的研究基础上,利用图像纹理的局部方向信息和像素强度信息提出了一个有效的纹理描述符。
发明内容
为了解决上述问题,本发明提供了一种基于局部方向极值模式的图像纹理分类方法。
本发明的技术方案是:一种基于局部方向极值模式的图像纹理分类方法,具体包括以下步骤:
S1、通过计算局部方向差分计数模式-奇数位置DLDCP-OP和局部方向差分计数模式-偶数位置DLDCP-EP,组成局部方向差分计数模式直方图VDLDCP;
S2、提取邻域极值局部模式直方图VNERLP,其包含极值位置模式ELP,极值差分模式EDP,极值压缩模式ECP;
S3、将提取的局部方向差分计数模式直方图VDLDCP和邻域极值局部模式直方图VNERLP联合,最后采用卡方距离和最近邻分类器进行分类。
进一步优化,步骤S1中局部方向差分计数模式直方图VDLDCP的具体计算步骤如下:
1)、计算像素(x,y)的局部方向差分计数模式-奇数位置符号特征DLDCP-OP_S为
其中,gi(x,y)是局部区域邻域里第i个位置的像素值,gc(x,y)是中心像素值,s(a)是符号描述符,如果中心像素小于邻域像素,s(a)取1,否则,s(a)取0;
2)、计算像素(x,y)的局部方向差分计数模式-奇数位置大小特征DLDCP-OP_M为:
mi(x,y)=|gi(x,y)-gc(x,y)|
其中,mi(x,y)是邻域像素和中心像素点的绝对值,mc(x,y)是对图像中的mi(x,y)求平均值;
3)、计算像素(x,y)的局部方向差分计数模式-中心特征DLDCP_C为:
DLDCP_C=s(gc(x,y)-Ic)
其中,Ic代表图像中全部像素点的平均值;
4)、计算像素(x,y)的局部方向差分计数模式-偶数位置符号特征DLDCP-EP_S为:
5)、计算像素(x,y)的局部方向差分计数模式-偶数位置大小特征DLDCP-EP_M为:
mi(x,y)=|gi(x,y)-gc(x,y)|;
6)、首先串联DLDCP-OP_S、DLDCP-OP_M、DLDCP_C特征,接着串联DLDCP-EP_S、DLDCP-EP_M、DLDCP_C特征,最后将两个串联的特征并联可得到局部方向差分计数模式直方图VDLDCP。
进一步优化,所述步骤S2中邻域极值局部模式直方图VNERLP的实现如下:
1)、计算像素(x,y)的极值位置模式ELP:
邻域最大值的位置信息L1可表示为
其中
V1代表局部区域里中心像素周围的邻域像素中出现的最大像素值,邻域最小值的位置信息L2可表示为
其中
V2代表局部区域里,中心像素周围的邻域像素中出现的最小像素值。
2)、计算像素(x,y)的邻域差分符号模式EDP_S为:
b=(V1+V2)/2
其中,P是局部区域里中心像素周围的邻域像素点的个数,gi-1(x,y)是局部区域里中心像素周围的邻域像素中第i-1个位置的像素值,b是局部区域里中心像素周围的邻域像素中出现的最大像素值和最小像素值的平均数,Us是二进制序列中0和1之间的空间变换次数,gP-1(x,y)是局部区域里,中心像素的邻域像素中第P-1个位置的像素值;
3)、计算像素(x,y)的邻域差分大小模式EDP_M为:
ni(x,y)=|gi(x,y)-b|
其中,ni(x,y)是局部区域里中心像素周围的第i个位置的邻域像素与b做差的绝对值,nc(b)指整个图像中ni(x,y)的平均数,Un是二进制序列中0和1之间的变换次数。
4)、计算像素(x,y)的极值压缩模式ECP:
ECP=mod(gc(x,y),(ECP_S+ECP_M))
首先串联L1和L2,然后串联EDP_S和EDP_M,最后将ECP和以上串联所得到的特征并联,得到邻域极值局部模式直方图VNERLP。
进一步优化,在所述步骤S3中,将局部方向差分计数模式直方图VDLDCP和邻域极值局部模式直方图VNERLP并联后得到方向极值化局部模式VLDEP。
进一步优化,所述在步骤S3中,根据卡方距离测量样本间的相似性,并根据最近邻分类器进行分类,即根据卡方距离的大小,测试样本被分到距离最小的训练样本所属的类别。
进一步优化,所述卡方距离的测量计算公式如下:
其中,rM是训练样本,rN是测试样本,S是特征中被划分的类别数目,是测试样本在第j个元素上的数值,是训练样本的图片在第j个元素上的数值。
附图说明
图1为DLDCP-OP_S、DLDCP-EP_S、和DLDCP_C的直方图;
图2为DLDCP-OP_M和DLDCP-EP_M的直方图;
图3为邻居极值局部模式示意图;
图4为纹理分类方法LDEP的框架示意图;
图5为在泊松噪声影响下与六种方法比较的分类正确率分布图;
图6为在斑点噪声影响下与六种方法比较的分类正确率分布图;
图7为在椒盐噪声影响下与六种方法比较的分类正确率分布图。
本发明的有益效果是:
本发明有效的捕获了图像纹理的方向信息和像素强度信息,首先局部方向差分计数模式通过奇数位置的局部方向差分计数模式和偶数位置的局部方向差分计数模式被提取,用于提取图像纹理的局部方向信息,然后通过联立极值位置模式、极值差分模式和极值压缩模式,提出了邻域极值局部模式,用于提取图像纹理的像素强度信息,最后,通过连接局部方向差分计数模式和邻域极值局部模式,得到基于局部方向极值模式的图像纹理分类方法,对图像旋转、光照、尺度变化、视角变化和噪声等具有鲁棒性。
具体实施方式
本发明的具体实施方式为:一种基于局部方向极值模式的图像纹理分类方法,具体包括以下步骤:
S1、通过计算局部方向差分计数模式-奇数位置DLDCP-OP和局部方向差分计数模式-偶数位置DLDCP-EP,组成局部方向差分计数模式直方图VDLDCP;
S2、提取邻域极值局部模式直方图VNERLP,其包含极值位置模式ELP,极值差分模式EDP,极值压缩模式ECP;
S3、将提取的局部方向差分计数模式直方图VDLDCP和邻域极值局部模式直方图VNERLP联合,最后采用卡方距离和最近邻分类器进行分类。
进一步优化,步骤S1中局部方向差分计数模式直方图VDLDCP的具体计算步骤如下:
1)、计算像素(x,y)的局部方向差分计数模式-奇数位置符号特征DLDCP-OP_S为
其中,gi(x,y)是局部区域邻域里第i个位置的像素值,gc(x,y)是中心像素值,s(a)是符号描述符,若中心像素小于邻域像素,s(a)取1,否则,s(a)取0;
2)、计算像素(x,y)的局部方向差分计数模式-奇数位置大小特征DLDCP-OP_M为:
mi(x,y)=|gi(x,y)-gc(x,y)|
其中,mi(x,y)是邻域像素和中心像素点的绝对值,mc(x,y)是对图像中的mi(x,y)求平均值;
3)、计算像素(x,y)的局部方向差分计数模式-中心特征DLDCP_C为:
DLDCP_C=s(gc(x,y)-Ic)
其中,Ic代表图像中全部像素点的平均值;
4)、计算像素(x,y)的局部方向差分计数模式-偶数位置符号特征DLDCP-EP_S为:
5)、计算像素(x,y)的局部方向差分计数模式-偶数位置大小特征DLDCP-EP_M为:
mi(x,y)=|gi(x,y)-gc(x,y)|;
6)、首先串联DLDCP-OP_S、DLDCP-OP_M、DLDCP_C特征,接着串联DLDCP-EP_S、DLDCP-EP_M、DLDCP_C特征,最后将两个串联的特征并联可得到局部方向差分计数模式直方图VDLDCP。
进一步优化,所述步骤S2中邻域极值局部模式直方图VNERLP的实现如下:
1)、计算像素(x,y)的极值位置模式ELP:
邻域最大值的位置信息L1可表示为
其中
V1代表局部区域里中心像素周围的邻域像素中出现的最大像素值,邻域最小值的位置信息L2可表示为
其中
V2代表局部区域里中心像素周围的邻域像素中出现的最小像素值;
2)、计算像素(x,y)的邻域差分符号模式EDP_S为:
b=(V1+V2)/2
其中,P是局部区域里中心像素周围的邻域像素点的个数,gi-1(x,y)是局部区域里中心像素周围的邻域像素中第i-1个位置的像素值,b是局部区域里中心像素周围的邻域像素中出现的最大像素值和最小像素值的平均数,Us是二进制序列中0和1之间的空间变换次数,如当二进制序列为00010100时,Us的值为4,当二进制序列为11110010时,Us的值为4,gP-1(x,y)是局部区域里,中心像素的邻域像素中第P-1个位置的像素值;
3)、计算像素(x,y)的邻域差分大小模式EDP_M为:
ni(x,y)=|gi(x,y)-b|
其中,ni(x,y)是局部区域里中心像素周围的第i个位置的邻域像素与b做差的绝对值,nc(b)指整个图像中ni(x,y)的平均数,而不是在局部区域内,Un的计算原理和Us类似,是二进制序列中0和1之间的变换次数;
4)、计算像素(x,y)的极值压缩模式ECP:
ECP=mod(gc(x,y),(ECP_S+ECP_M))
首先串联L1和L2,然后串联EDP_S和EDP_M,最后将ECP和以上串联所得到的特征并联,得到邻域极值局部模式直方图VNERLP。
进一步优化,在所述步骤S3中,将局部方向差分计数模式直方图VDLDCP和邻域极值局部模式直方图VNERLP并联后得到基于局部方向极值模式的直方图VLDEP。
进一步优化,所述在步骤S3中,根据卡方距离测量样本间的相似性,并根据最近邻分类器进行分类,即根据卡方距离的大小,测试样本被分到距离最小的训练样本所属的类别。
进一步优化,所述卡方距离的测量计算公式如下:
其中,rM是训练样本,rN是测试样本,S是特征中被划分的类别数目,是测试样本在第j个元素上的数值,是训练样本的图片在第j个元素上的数值。
实施例1
下面通过采用本发明的方法对Prague、Stex、UIUC、Kth-tips2-a、Brodatz和CUReT六个标准纹理库中的纹理图像进行分类,具体步骤如下:
标准纹理库Prague包含来自于10个主题类的89 512*512的灰度图像,首先从里面选择40张纹理图像,然后分割成无重叠的16128*128的子图片,被存放在Set-1数据集中,共包含640张图片。其次设置Set-2数据集,共包含89张灰度图片,然后每张图片被分割成无重叠的16 128*128的子图像,共包含1424张图片,表1表示了Prague数据库上的分类正确率。
表1 Prague数据库上的分类正确率
标准纹理库Stex共包含476 512*512的灰度图像,首先设计了Set-3和Set-4两个数据集,其中Set-3包含100张图片,然后分割成无重叠的16 128*128的子图片,共1600张图片,Set-4包含476张图片,分割过程和Set-3相同,共7616张图片,表2数据展示了Stex数据库上的分类正确率。
表2 Stex数据库上的分类正确率
标准纹理库UIUC包含25个纹理类,每个类中包含不同采样情况下的40 640*480的图像。数据集Set-5包含10个纹理类,每个类中随机选择两张图片,然后每张图片被分割成无重叠的12 160*160的子图片,共包含240张纹理图片,数据集Set-6包含25个纹理类,每个类中随机选择两张图片,然后每张图片被分割成无重叠的12 160*160的子图片,共包含600张纹理图片,表3数据展示了UIUC数据库上的分类正确率。
表3 UIUC数据库上的分类正确率
标准纹理库Kth-tips2-a包含11个纹理类,每个类有396200*200的图片,数据集Set-7有8个纹理类,共3168张图片,数据集Set-8包含11个纹理类,共4356张图片,表4数据展示了Kth-tips2-a数据库上的分类正确率。
表4 Kth-tips2-a数据库上的分类正确率
标准纹理库Brodatz包含112 1024*1024的纹理图片,数据集Set-9包含13张纹理图片,然后每张图片被分割成16 256*256的子图片,共208张纹理图片。
标准纹理库CUReT包含61个类,每个类里有205 680*480的纹理图片,数据集Set-10中包含随机从每个类中选择的92张图片,每张图片中的200*200区域被分割出来,共包含5612张图片,表5数据展示了Brodatz和CUReT数据库上的分类正确率。
表5 Brodatz和CUReT数据库上的分类正确率
实施例2
为了验证本专利提出的方法对噪声具有鲁棒性,分别在数据集Set-1、Set-3、Set-6和Set-8中添加了泊松噪声,斑点噪声,椒盐噪声进行实验验证,斑点噪声和椒盐噪声的强度分别包含0.01、0.05和0.10三类,噪声添加详细情况如表6所示,在实验中,随机均匀的选择训练样本和测试样本,并将计算十次的平均分类正确率作为最后结果,实验结果如图5、图6和图7所示。
表6 图6和图7的横坐标值的解释
此外,分别对LBP,CLBP,CLBC,ECLBP,MCDR,COV-LBPD,LDTP,RALBGC,LCCMSP,ARCS-LBP以及本发明所提出的方法LDEP进行实验,证明LDEP可以获得更加令人满意的分类效果,本发明对图像旋转、光照、尺度变化、视角变化和噪声等具有鲁棒性,证明本发明所提出的方法具有广泛的应用价值。
以上显示和描述了本发明的主要特征、使用方法、基本原理以及本发明的优点。本行业技术人员应该了解,本发明不受上述实施例的限制,上述实例和发明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会根据实际情况有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于局部方向极值模式的图像纹理分类方法,其特征在于,具体包括以下步骤:
S1、通过计算局部方向差分计数模式-奇数位置DLDCP-OP和局部方向差分计数模式-偶数位置DLDCP-EP,组成局部方向差分计数模式直方图VDLDCP;
S2、提取邻域极值局部模式直方图VNERLP,其包含极值位置模式ELP,极值差分模式EDP,极值压缩模式ECP;
S3、将提取的局部方向差分计数模式直方图VDLDCP和邻域极值局部模式直方图VNERLP联合,最后采用卡方距离和最近邻分类器进行分类。
2.如权利要求1所述的一种基于局部方向极值模式的图像纹理分类方法,其特征在于,步骤S1中局部方向差分计数模式直方图VDLDCP的具体计算步骤如下:
1)、计算像素(x,y)的局部方向差分计数模式-奇数位置符号特征DLDCP-OP_S为
其中,gi(x,y)是局部区域邻域里第i个位置的像素值,gc(x,y)是中心像素值,s(a)是符号描述符,如果中心像素小于邻域像素,s(a)取1,否则,s(a)取0;
2)、计算像素(x,y)的局部方向差分计数模式-奇数位置大小特征DLDCP-OP_M为:
mi(x,y)=|gi(x,y)-gc(x,y)|
其中,mi(x,y)是邻域像素和中心像素点的绝对值,mc(x,y)是对图像中的mi(x,y)求平均值;
3)、计算像素(x,y)的局部方向差分计数模式-中心特征DLDCP_C为:
DLDCP_C=s(gc(x,y)-Ic)
其中,Ic代表图像中全部像素点的平均值;
4)、计算像素(x,y)的局部方向差分计数模式-偶数位置符号特征DLDCP-EP_S为:
5)、计算像素(x,y)的局部方向差分计数模式-偶数位置大小特征DLDCP-EP_M为:
mi(x,y)=|gi(x,y)-gc(x,y)|;
6)、首先串联DLDCP-OP_S、DLDCP-OP_M、DLDCP_C特征,接着串联DLDCP-EP_S、DLDCP-EP_M、DLDCP_C特征,最后将两个串联的特征并联可得到局部方向差分计数模式直方图VDLDCP。
3.如权利要求1所述的一种基于局部方向极值模式的图像纹理分类方法,其特征在于,所述步骤S2中邻域极值局部模式直方图VNERLP的实现如下:
1)、计算像素(x,y)的极值位置模式ELP:
邻域最大值的位置信息L1可表示为
其中
V1代表局部区域里,中心像素周围的邻域像素中出现的最大像素值,邻域最小值的位置信息L2可表示为
其中
V2代表局部区域里,中心像素周围的邻域像素中出现的最小像素值。
2)、计算像素(x,y)的邻域差分符号模式EDP_S为:
b=(V1+V2)/2
其中,P是局部区域里中心像素周围的邻域像素点的个数,gi-1(x,y)是局部区域里中心像素周围的邻域像素中第i-1个位置的像素值,b是局部区域里中心像素周围的邻域像素中出现的最大像素值和最小像素值的平均数,Us是二进制序列中0和1之间的空间变换次数,gp-1(x,y)是局部区域里,中心像素的邻域像素中第P-1个位置的像素值;
3)、计算像素(x,y)的邻域差分大小模式EDP_M为:
ni(x,y)=|gi(x,y)-b|
其中,ni(x,y)是局部区域里中心像素周围的第i个位置的邻域像素与b做差的绝对值,nc(b)指整个图像中ni(x,y)的平均数,Un是二进制序列中0和1之间的变换次数;
4)、计算像素(x,y)的极值压缩模式ECP:
ECP=mod(gc(x,y),(ECP_S+ECP_M))
首先串联L1和L2,然后串联EDP_S和EDP_M,最后将ECP和以上串联所得到的特征并联,得到邻域极值局部模式直方图VNERLP。
4.如权利要求1所述的一种基于局部方向极值模式的图像纹理分类方法,其特征在于,在所述步骤S3中,将局部方向差分计数模式直方图VDLDCP和邻域极值局部模式直方图VNERLP并联后得到基于局部方向极值模式的直方图VLDEP。
5.如权利要求1所述的一种基于局部方向极值模式的图像纹理分类方法,其特征在于,所述在步骤S3中,根据卡方距离测量样本间的相似性,并根据最近邻分类器进行分类,即根据卡方距离的大小,测试样本被分到距离最小的训练样本所属的类别。
6.如权利要求5所述的一种基于局部方向极值模式的图像纹理分类方法,其特征在于,所述卡方距离的测量计算公式如下:
其中,rM是训练样本,rN是测试样本,S是特征中被划分的类别数目,是测试样本在第j个元素上的数值,是训练样本的图片在第j个元素上的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568093.0A CN110348458B (zh) | 2019-06-27 | 2019-06-27 | 一种基于局部方向极值模式的图像纹理分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910568093.0A CN110348458B (zh) | 2019-06-27 | 2019-06-27 | 一种基于局部方向极值模式的图像纹理分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348458A true CN110348458A (zh) | 2019-10-18 |
CN110348458B CN110348458B (zh) | 2022-09-30 |
Family
ID=68176794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910568093.0A Active CN110348458B (zh) | 2019-06-27 | 2019-06-27 | 一种基于局部方向极值模式的图像纹理分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348458B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674830A (zh) * | 2019-12-06 | 2020-01-10 | 数字广东网络建设有限公司 | 图像隐私识别方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN108805915A (zh) * | 2018-04-19 | 2018-11-13 | 南京市测绘勘察研究院股份有限公司 | 一种抗视角变化的近景影像区域特征匹配方法 |
CN109271997A (zh) * | 2018-08-28 | 2019-01-25 | 河南科技大学 | 一种基于跳跃细分局部模式的图像纹理分类方法 |
-
2019
- 2019-06-27 CN CN201910568093.0A patent/CN110348458B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN108805915A (zh) * | 2018-04-19 | 2018-11-13 | 南京市测绘勘察研究院股份有限公司 | 一种抗视角变化的近景影像区域特征匹配方法 |
CN109271997A (zh) * | 2018-08-28 | 2019-01-25 | 河南科技大学 | 一种基于跳跃细分局部模式的图像纹理分类方法 |
Non-Patent Citations (2)
Title |
---|
卫丽华等: "基于方向局部极值模式的图像检索算法", 《计算机工程与设计》 * |
高攀等: "增强成对旋转不变的共生扩展局部二值模式", 《中国图象图形学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674830A (zh) * | 2019-12-06 | 2020-01-10 | 数字广东网络建设有限公司 | 图像隐私识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110348458B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Busternet: Detecting copy-move image forgery with source/target localization | |
CN104933414B (zh) | 一种基于wld-top的活体人脸检测方法 | |
CN112163511B (zh) | 一种图像真伪鉴别方法 | |
CN102509104B (zh) | 基于置信度图的增强现实场景虚拟对象判别和检测方法 | |
CN110400293B (zh) | 一种基于深度森林分类的无参考图像质量评价方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN107944416A (zh) | 一种通过视频进行真人验证的方法 | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
Yan et al. | Multi-scale difference map fusion for tamper localization using binary ranking hashing | |
CN107273916B (zh) | 隐写算法未知的信息隐藏检测方法 | |
Su et al. | A novel forgery detection algorithm for video foreground removal | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN116539619B (zh) | 产品缺陷检测方法、系统、装置及存储介质 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN111009005A (zh) | 几何信息与光度信息相结合的场景分类点云粗配准方法 | |
CN114724218A (zh) | 视频检测方法、装置、设备及介质 | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
Tanaka et al. | Fake-image detection with Robust Hashing | |
CN113344110B (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
CN113240790B (zh) | 一种基于3d模型和点云处理的钢轨缺陷图像生成方法 | |
CN110348458A (zh) | 一种基于局部方向极值模式的图像纹理分类方法 | |
CN109271997A (zh) | 一种基于跳跃细分局部模式的图像纹理分类方法 | |
CN115797970B (zh) | 基于YOLOv5模型的密集行人目标检测方法及系统 | |
CN110910497A (zh) | 实现增强现实地图的方法和系统 | |
CN110348464A (zh) | 一种基于多支持区域局部亮度序的图像伪造检测算法 |
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 |