CN110415816A - 一种基于迁移学习的皮肤病临床图像多分类方法 - Google Patents

一种基于迁移学习的皮肤病临床图像多分类方法 Download PDF

Info

Publication number
CN110415816A
CN110415816A CN201910683801.5A CN201910683801A CN110415816A CN 110415816 A CN110415816 A CN 110415816A CN 201910683801 A CN201910683801 A CN 201910683801A CN 110415816 A CN110415816 A CN 110415816A
Authority
CN
China
Prior art keywords
image
skin disease
classification
channel
transfer learning
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
Application number
CN201910683801.5A
Other languages
English (en)
Other versions
CN110415816B (zh
Inventor
赵杰
翟运开
石金铭
甘富文
陈昊天
宋晓琴
卢耀恩
曹明波
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.)
Zhengzhou University
Original Assignee
Zhengzhou 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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN201910683801.5A priority Critical patent/CN110415816B/zh
Publication of CN110415816A publication Critical patent/CN110415816A/zh
Application granted granted Critical
Publication of CN110415816B publication Critical patent/CN110415816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于迁移学习的皮肤病临床图像多分类方法，属于图像处理技术领域，包括建立服务器集群，在服务器集群中建立图像采集模块、图像预处理模块和迁移学习模块，解决了对皮肤病临床图像进行分类的技术问题，本发明可以对图像数据进行快速精确的多分类。

Description

一种基于迁移学习的皮肤病临床图像多分类方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于迁移学习的皮肤病临床图像多分类方法。
背景技术
在皮肤病的诊断上，良性黑痣、脂溢性角化病与黑色素瘤很难区分，需要有经验的医生才能做出准确的判断，由于皮肤病临床图像的差异较大，数据流大，目前还没有对皮肤病临床图像进行快速多分类的方法。
发明内容
本发明的目的是提供一种基于迁移学习的皮肤病临床图像多分类方法，解决了对皮肤病临床图像进行分类的技术问题。
为实现上述目的，本发明采用如下技术方案：
一种基于迁移学习的皮肤病临床图像多分类方法，包括如下步骤：
步骤1：建立服务器集群，在服务器集群中建立图像采集模块、图像预处理模块和迁移学习模块；
步骤2：图像采集模块通过互联网获取皮肤病图像，建立用于存储皮肤病图像的图像数据库；
步骤3：图像预处理模块对图像数据库中的所有皮肤病图像进行预处理，其步骤如下：
步骤S1：对根据以下公式对皮肤病图像进行高斯滤波去噪：
其中，x0，y0表示目标像素点的位置，x和y为当前参与计算的像素点的坐标位置，σ是标准差，σ越大，曲线越扁平，σ取值为2，高斯核的大小为3×3像素；
步骤S2：对步骤S1获得的滤波后的皮肤病图像进行彩色图像的直方图均衡化处理，将皮肤病图像从RGB彩色空间转换到YUV色彩空间，对Y通道分量进行直方图均衡化，使得Y通道像素值在每个灰阶里面的分布大致相当，然后将均衡化之后的Y通道与未处理的U、V通道进行合并，最后再转回到RGB色彩空间，生成预处理后图片；
步骤S3：重复执行步骤S1到步骤S2，直到图像数据库中的所有皮肤病图像均完成预处理；
步骤4：迁移学习模块对预处理后的图片按照分层抽样的方式进行划分归类，生成训练集和测试集：对预处理后的图片添加标签，标签采用one-hot的编码格式，选择交叉熵作为损失函数，损失函数定义为其中yi表示真实类别的标签，表示预测输出，n类的分类采用Softmax作为划分归类的类别输出预测，即，类别为归类为训练集或归类为测试集；
步骤5：将训练集中的图像压缩至224×224像素的图像，然后将所有图像的像素点归一化到(0，1)，作为第一输入；
步骤6：将测试集中的图像压缩至448×448像素的图像，在图像中间截取一块224*224的图像，并把像素值归一化到(0，1)作为第二输入；
步骤7：使用tensorflow框架，加载ResNet预训练模型，冻结除了最后一层全连接层以外的所有层的参数，只训练全连接层，在模型后加入全局池化层，输出两个1024维的特征向量；
步骤8：将步骤7获得的两个1024维的特征向量进行合并，得到2048维的特征向量，在模型最后添加一个具有1024隐藏单元和LeakyRelu作为激活函数的全连接层，经过softmax函数进行三分类，并输出三分类概率值；
步骤9：根据三分类概率值对图像数据库中存储的皮肤病图像进行分类。
优选的，所述皮肤病图像来源包括全年龄段和全性别的皮肤病图像，疾病部位包括手、脚、面部和背部，皮肤颜色包括白色、黄色、黑色和褐色，拍摄环境包括采光、拍摄距离的差异。
优选的，在执行步骤S2时，直方图均衡化处理的算法包括如下步骤：
步骤A1：根据以下公式计算Y通道图像的灰度直方图：
其中n为像素总数，nk为灰度级Sk的像素个数；
步骤A2：根据以下公式计算Y通道图像的累计直方图：
步骤A3：根据以下公式计算目的图像的像素：
Dj＝L·CDF(Si)，其中Dj是目的图像的像素，CDF(Si)是Y通道图像灰度为i的累计分布；
步骤A4：根据步骤A1到步骤A3的结果创建灰度变化的查找表；
步骤A5：应用查找表，将Y通道图像转换为灰度均衡的图像。
本发明所述的一种基于迁移学习的皮肤病临床图像多分类方法，结合了图像处理技术，减少了环境噪声，提高了数据的质量。并且对迁移的网络结构进行了修改，使得它既可以解决过拟合问题，又提高了网络的分类精度和泛化性能，解决了对皮肤病临床图像进行分类的技术问题，本发明可以对图像数据进行快速精确的多分类。
附图说明
图1是本发明的训练流程图；
图2是本发明的高斯滤波去噪声流程图；
图3是本发明的直方图均衡化流程图；
图4是本发明的迁移学习流程图。
具体实施方式
如图1-图4所示的一种基于迁移学习的皮肤病临床图像多分类方法，包括如下步骤：
步骤1：建立服务器集群，在服务器集群中建立图像采集模块、图像预处理模块和迁移学习模块；
步骤2：图像采集模块通过互联网获取皮肤病图像，建立用于存储皮肤病图像的图像数据库；
步骤3：由于皮肤病图像在采集时拍摄条件不同，并且图像具有多样性(边界、形状、排列)所以要对皮肤病图像进行预处理，减小图像中的无关因素的影响，图像预处理模块对图像数据库中的所有皮肤病图像进行预处理，其步骤如下：
步骤S1：对根据以下公式对皮肤病图像进行高斯滤波去噪：
其中，x0，y0表示目标像素点的位置，x和y为当前参与计算的像素点的坐标位置，σ是标准差，σ越大，曲线越扁平，σ取值为2，高斯核的大小为3×3像素；
步骤S2：对步骤S1获得的滤波后的皮肤病图像进行彩色图像的直方图均衡化处理，将皮肤病图像从RGB彩色空间转换到YUV色彩空间，对Y通道分量进行直方图均衡化，使得Y通道像素值在每个灰阶里面的分布大致相当，然后将均衡化之后的Y通道与未处理的U、V通道进行合并，最后再转回到RGB色彩空间，生成预处理后图片；
本实施例采用OpenCV开源项目中的equalizeHist函数来完成直方图的均衡化。
步骤S3：重复执行步骤S1到步骤S2，直到图像数据库中的所有皮肤病图像均完成预处理；
步骤4：迁移学习模块对预处理后的图片按照分层抽样的方式进行划分归类，生成训练集和测试集：对预处理后的图片添加标签，标签采用one-hot的编码格式，选择交叉熵作为损失函数，损失函数定义为其中yi表示真实类别的标签，表示预测输出，n类的分类采用Softmax作为划分归类的类别输出预测，即，类别为归类为训练集或归类为测试集；
假设输入为xi,则输出为：
为了解决“梯度消失”问题并加快函数的收敛速度，本实施例的激活函数选择Leaky ReLU。由于皮肤病数据集很小，并且和ImageNet数据集不相似，本实施例将深层网络模型最为特征提取器，去掉一部分高层网络而从低层网络提取特征，利用这些低层特征信息训练分类器。
步骤5：将训练集中的图像压缩至224×224像素的图像，然后将所有图像的像素点归一化到(0，1)，作为第一输入；
步骤6：将测试集中的图像压缩至448×448像素的图像，在图像中间截取一块224*224的图像，并把像素值归一化到(0，1)作为第二输入；
步骤7：使用tensorflow框架，加载ResNet预训练模型，imagenet作为数据，冻结除了最后一层全连接层以外的所有层的参数，只训练全连接层，在模型后加入全局池化层，输出两个1024维的特征向量；
步骤8：将步骤7获得的两个1024维的特征向量进行合并，得到2048维的特征向量，在模型最后添加一个具有1024隐藏单元和LeakyRelu作为激活函数的全连接层，经过softmax函数进行三分类，并输出三分类概率值；
步骤9：根据三分类概率值对图像数据库中存储的皮肤病图像进行分类。
优选的，所述皮肤病图像来源包括全年龄段和全性别的皮肤病图像，疾病部位包括手、脚、面部和背部，皮肤颜色包括白色、黄色、黑色和褐色，拍摄环境包括采光、拍摄距离的差异，数据集具有广泛性，本实施例的国外的数据集由国外皮肤科医生进行了诊断，国外的数据集由国内医生进行做诊断，诊断结果均具有权威性。本实施例的数据集包含良性黑痣2613张、脂溢性角化病3047张、黑色素瘤1209张。
优选的，在执行步骤S2时，直方图均衡化处理的算法包括如下步骤：
步骤A1：根据以下公式计算Y通道图像的灰度直方图：
其中n为像素总数，nk为灰度级Sk的像素个数；
步骤A2：根据以下公式计算Y通道图像的累计直方图：
步骤A3：根据以下公式计算目的图像的像素：
Dj＝L·CDF(Si)，其中Dj是目的图像的像素，CDF(Si)是Y通道图像灰度为i的累计分布；
步骤A4：根据步骤A1到步骤A3的结果创建灰度变化的查找表；
步骤A5：应用查找表，将Y通道图像转换为灰度均衡的图像。
本发明所述的一种基于迁移学习的皮肤病临床图像多分类方法，结合了图像处理技术，减少了环境噪声，提高了数据的质量。并且对迁移的网络结构进行了修改，使得它既可以解决过拟合问题，又提高了网络的分类精度和泛化性能，解决了对皮肤病临床图像进行分类的技术问题，本发明可以对图像数据进行快速精确的多分类。

Claims (3)

1.一种基于迁移学习的皮肤病临床图像多分类方法，其特征在于：包括如下步骤：
步骤1：建立服务器集群，在服务器集群中建立图像采集模块、图像预处理模块和迁移学习模块；
步骤2：图像采集模块通过互联网获取皮肤病图像，建立用于存储皮肤病图像的图像数据库；
步骤3：图像预处理模块对图像数据库中的所有皮肤病图像进行预处理，其步骤如下：
步骤S1：对根据以下公式对皮肤病图像进行高斯滤波去噪：
其中，x0，y0表示目标像素点的位置，x和y为当前参与计算的像素点的坐标位置，σ是标准差，σ越大，曲线越扁平，σ取值为2，高斯核的大小为3×3像素；
步骤S2：对步骤S1获得的滤波后的皮肤病图像进行彩色图像的直方图均衡化处理，将皮肤病图像从RGB彩色空间转换到YUV色彩空间，对Y通道分量进行直方图均衡化，使得Y通道像素值在每个灰阶里面的分布大致相当，然后将均衡化之后的Y通道与未处理的U、V通道进行合并，最后再转回到RGB色彩空间，生成预处理后图片；
步骤S3：重复执行步骤S1到步骤S2，直到图像数据库中的所有皮肤病图像均完成预处理；
步骤4：迁移学习模块对预处理后的图片按照分层抽样的方式进行划分归类，生成训练集和测试集：对预处理后的图片添加标签，标签采用one-hot的编码格式，选择交叉熵作为损失函数，损失函数定义为其中yi表示真实类别的标签，表示预测输出，n类的分类采用Softmax作为划分归类的类别输出预测，即，类别为归类为训练集或归类为测试集；
步骤5：将训练集中的图像压缩至224×224像素的图像，然后将所有图像的像素点归一化到(0，1)，作为第一输入；
步骤6：将测试集中的图像压缩至448×448像素的图像，在图像中间截取一块224*224的图像，并把像素值归一化到(0，1)作为第二输入；
步骤7：使用tensorflow框架，加载ResNet预训练模型，冻结除了最后一层全连接层以外的所有层的参数，只训练全连接层，在模型后加入全局池化层，输出两个1024维的特征向量；
步骤8：将步骤7获得的两个1024维的特征向量进行合并，得到2048维的特征向量，在模型最后添加一个具有1024隐藏单元和LeakyRelu作为激活函数的全连接层，经过softmax函数进行三分类，并输出三分类概率值；
步骤9：根据三分类概率值对图像数据库中存储的皮肤病图像进行分类。
2.如权利要求1所述的一种基于迁移学习的皮肤病临床图像多分类方法，其特征在于：所述皮肤病图像来源包括全年龄段和全性别的皮肤病图像，疾病部位包括手、脚、面部和背部，皮肤颜色包括白色、黄色、黑色和褐色，拍摄环境包括采光、拍摄距离的差异。
3.如权利要求1所述的一种基于迁移学习的皮肤病临床图像多分类方法，其特征在于：在执行步骤S2时，直方图均衡化处理的算法包括如下步骤：
步骤A1：根据以下公式计算Y通道图像的灰度直方图：
其中n为像素总数，nk为灰度级Sk的像素个数；
步骤A2：根据以下公式计算Y通道图像的累计直方图：
步骤A3：根据以下公式计算目的图像的像素：
Dj＝L·CDF(Si)，其中Dj是目的图像的像素，CDF(Si)是Y通道图像灰度为i的累计分布；
步骤A4：根据步骤A1到步骤A3的结果创建灰度变化的查找表；
步骤A5：应用查找表，将Y通道图像转换为灰度均衡的图像。
CN201910683801.5A 2019-07-26 2019-07-26 一种基于迁移学习的皮肤病临床图像多分类方法 Active CN110415816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910683801.5A CN110415816B (zh) 2019-07-26 2019-07-26 一种基于迁移学习的皮肤病临床图像多分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910683801.5A CN110415816B (zh) 2019-07-26 2019-07-26 一种基于迁移学习的皮肤病临床图像多分类方法

Publications (2)

Publication Number Publication Date
CN110415816A true CN110415816A (zh) 2019-11-05
CN110415816B CN110415816B (zh) 2023-02-21

Family

ID=68363388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910683801.5A Active CN110415816B (zh) 2019-07-26 2019-07-26 一种基于迁移学习的皮肤病临床图像多分类方法

Country Status (1)

Country Link
CN (1) CN110415816B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052896A (zh) * 2020-09-03 2020-12-08 推想医疗科技股份有限公司 图像处理方法及装置，分类模型的训练方法及装置
CN113256579A (zh) * 2021-05-19 2021-08-13 扬州大学 基于预训练模型的肺结核识别系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080259007A1 (en) * 2007-04-20 2008-10-23 Asustek Computer Inc. Method for dynamically adjusting brightness of image
CN104486524A (zh) * 2014-12-30 2015-04-01 中国科学院深圳先进技术研究院 检测图像是否经历两次压缩质量相同的jpeg压缩的方法
CN106504281A (zh) * 2016-12-02 2017-03-15 中国电子科技集团公司第四十四研究所 应用于cmos图像传感器的图像画质增强和滤波方法
CN109524111A (zh) * 2018-12-06 2019-03-26 杭州电子科技大学 一种应用于手机的七类皮肤肿瘤检测方法
CN109711426A (zh) * 2018-11-16 2019-05-03 中山大学 一种基于gan和迁移学习的病理图片分类装置及方法
CN109977955A (zh) * 2019-04-03 2019-07-05 南昌航空大学 一种基于深度学习的宫颈癌前病变识别的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080259007A1 (en) * 2007-04-20 2008-10-23 Asustek Computer Inc. Method for dynamically adjusting brightness of image
CN104486524A (zh) * 2014-12-30 2015-04-01 中国科学院深圳先进技术研究院 检测图像是否经历两次压缩质量相同的jpeg压缩的方法
CN106504281A (zh) * 2016-12-02 2017-03-15 中国电子科技集团公司第四十四研究所 应用于cmos图像传感器的图像画质增强和滤波方法
CN109711426A (zh) * 2018-11-16 2019-05-03 中山大学 一种基于gan和迁移学习的病理图片分类装置及方法
CN109524111A (zh) * 2018-12-06 2019-03-26 杭州电子科技大学 一种应用于手机的七类皮肤肿瘤检测方法
CN109977955A (zh) * 2019-04-03 2019-07-05 南昌航空大学 一种基于深度学习的宫颈癌前病变识别的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGLIU CAO 等: "Improve the Performance of Transfer Learning Without Fine-Tuning Using Dissimilarity-Based Multi-view Learning for Breast Cancer Histology Images", 《ICIAR 2018: IMAGE ANALYSIS AND RECOGNITION》 *
陈寿宏等: "深度卷积神经网络胸片肺结节分类识别研究", 《计算机工程与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052896A (zh) * 2020-09-03 2020-12-08 推想医疗科技股份有限公司 图像处理方法及装置，分类模型的训练方法及装置
CN112052896B (zh) * 2020-09-03 2021-11-09 推想医疗科技股份有限公司 图像处理方法及装置，分类模型的训练方法及装置
CN113256579A (zh) * 2021-05-19 2021-08-13 扬州大学 基于预训练模型的肺结核识别系统

Also Published As

Publication number Publication date
CN110415816B (zh) 2023-02-21

Similar Documents

Publication Publication Date Title
Golts et al. Unsupervised single image dehazing using dark channel prior loss
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
CN113313657B (zh) 一种用于低光照图像增强的非监督学习方法和系统
CN105069746B (zh) 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统
CN109902558B (zh) 一种基于cnn-lstm的人体健康深度学习预测方法
CN108806792A (zh) 深度学习面诊系统
CN108229458A (zh) 一种基于运动检测和多特征提取的火焰智能识别方法
CN107808132A (zh) 一种融合主题模型的场景图像分类方法
CN108010049A (zh) 使用全卷积神经网络分割定格动画中人手部区域的方法
CN106408562A (zh) 基于深度学习的眼底图像视网膜血管分割方法及系统
CN108764358A (zh) 一种太赫兹图像识别方法、装置、设备及可读存储介质
CN112131975B (zh) 基于Retinex分解和生成对抗网络的人脸光照处理方法
CN113420794B (zh) 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法
CN109903339B (zh) 一种基于多维融合特征的视频群体人物定位检测方法
CN111832405A (zh) 一种基于hog和深度残差网络的人脸识别方法
CN110415816A (zh) 一种基于迁移学习的皮肤病临床图像多分类方法
Ma et al. Face image illumination processing based on generative adversarial nets
CN115880663A (zh) 一种低照度环境交通标志检测与识别方法
CN113989256A (zh) 遥感图像建筑物的检测模型优化方法及检测方法、装置
Zheng et al. Overwater image dehazing via cycle-consistent generative adversarial network
Yusuf et al. Human face detection using skin color segmentation and watershed algorithm
CN110570469B (zh) 一种汽车图片角度位置的智能识别方法
CN117495718A (zh) 一种多尺度自适应的遥感图像去雾方法
CN117252778A (zh) 基于语义保持的颜色恒常性方法和系统
CN111626186A (zh) 一种司机分心检测方法

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
GR01 Patent grant
GR01 Patent grant