CN111008647A - 一种样本提取及基于空洞卷积与残差链接的图像分类方法 - Google Patents

一种样本提取及基于空洞卷积与残差链接的图像分类方法 Download PDF

Info

Publication number
CN111008647A
CN111008647A CN201911076217.XA CN201911076217A CN111008647A CN 111008647 A CN111008647 A CN 111008647A CN 201911076217 A CN201911076217 A CN 201911076217A CN 111008647 A CN111008647 A CN 111008647A
Authority
CN
China
Prior art keywords
image
oimg
region
layer
independent
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
CN201911076217.XA
Other languages
English (en)
Other versions
CN111008647B (zh
Inventor
丛铭
韩玲
席江波
顾俊凯
丁明涛
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN201911076217.XA priority Critical patent/CN111008647B/zh
Publication of CN111008647A publication Critical patent/CN111008647A/zh
Application granted granted Critical
Publication of CN111008647B publication Critical patent/CN111008647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

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

本发明属于图像处理技术领域，公开了一种样本提取及基于空洞卷积与残差链接的图像分类方法，样本提取方法通过构建原始图像的图像金字塔，然后对图像金字塔进行卷积，并提取标识结果，并通过二值化，模糊聚类等方法最终获得带有类别标签的区域标识图，最终通过图像映射得到同源可靠分类样本。基于空洞卷积与残差链接的图像分类方法通过模拟视网膜中央凹清晰视野的方法，构架了完全自适应的深度学习分类网络，从影像自身的同源可靠样本中学习不同类别独有的特征模式，并根据学习到的特征模式，对图像进行了完全自适应的分类。

Description

一种样本提取及基于空洞卷积与残差链接的图像分类方法
技术领域
本发明属于图像处理技术领域，具体涉及一种样本提取及基于空洞卷积与残差链接的图像分类方法。
背景技术
图像分类是目前火热的机器视觉与人工智能中最为底层的技术手段。作为最基本的图像分析方法，图像分类能够从复杂冗余的影像数据中，对各种信息进行合理地组合，从而将具有某种相同特点的信息整合为相同类别，完成分类。这种技术能够为广泛的目标识别、探测与追踪等实际应用提供快速、精准、无冗余的先验参考，是各种图像分析任务的基础。特别是基于深度学习的图像分类技术，在借助神经网络强大认知优势的基础上，展现出超过以往方法的认知能力，能够对图像中的各种复杂信息进行全面、完善的分析与解读，是目前最为流行与广受好评的方法。
然而，当前的深度学习分类网络，需要大量的样本对网络参数或网络结构进行训练，以提升网络的认知性能。但在实际工作与工程应用中，很难提供大量、可靠的样本数据集，导致基于深度学习的分类网络难以得到充分的训练，难以在实际工作中展现其认知优势。受此影响，为了获取充足稳健的训练样本，现有的工程领域只能通过人眼生物视觉判读，为各种深度学习网络提供先验参考。
发明内容
本发明的目的在于提供一种样本提取及基于空洞卷积与残差链接的图像分类方法，用以解决现有技术中的当前深度学习分类网络自适应能力差,不能获得充足稳健的训练样本等问题。
为了实现上述任务，本发明采用以下技术方案：
一种样本提取方法，包括如下步骤：
步骤1：获取原始图像Oimg，对Oimg缩小n次，其中，
Figure BDA0002262531120000021
L表示Oimg的长，W表示Oimg的宽，得到包含n层图像的图像金字塔Pimg，对图像金字塔Pimg中的每层图像放大到Oimg的尺寸然后进行卷积，得到卷积结果图像金字塔Cimg；
步骤2：对卷积结果图像金字塔Cimg中的所有图像层，逐层按照步骤2.1至步骤2.2提取稳健区域二值图，得到包含各层稳健区域的二值图像金字塔LCimg；
步骤2.1：获取图像金字塔Cimg第i层图像C(i)，i∈[1,n]，建立C(i)的灰度直方图分布，根据式Ⅰ得到灰度阶梯阈值jσ；
Figure BDA0002262531120000022
其中，j表示C(i)的灰度直方图的横坐标灰度阶梯，NC(i)(j)表示C(i)的灰度直方图的纵坐标像素数量，CSNC(i)(j)表示C(i)的灰度直方图中纵坐标从1到j的灰度阶梯对应的像素数量累加和，PNC(i)表示C(i)的总像素数量，jσ表示灰度阶梯阈值且jσ∈j；
步骤2.2：获取C(i)中灰度小于jσ的区域为纹理稳健区域，利用二值化将纹理稳健区域标记为1，C(i)中非纹理稳健区域标记为0，得到图像C(i)的稳健区域二值图LC(i)；
步骤3：将稳健区域二值图像金字塔LCimg中的所有层图像进行矩阵相加后进行二值化处理，得到汇总标识图SLCimg，对汇总标识图SLCimg根据4连通规则划分独立区域并编号，得到稳健区域的最终标识结果图像FLCimg；
步骤4：获取稳健区域的最终标识图像FLCimg上的每个独立区域对应原始影像Oimg中的位置以及每个独立区域在原始影像Oimg中的颜色均值与颜色方差，采用模糊聚类方法对稳健区域的最终标识图像FLCimg对中各独立区域进行颜色分辨，建立颜色类别标签，得到带有类别标签的区域标识图TSimg；
步骤5：从原始图像Oimg中扣取影像数据，根据带有类别标签的区域标识图TSimg进行影像数据与类别标签的映射，得到同源可靠分类样本Hrs。
进一步的，所述根据4连通规则划分独立区域并编号具体为：
将区域中满足同一处4连通的区域划为同一个独立区域，将区域中不满足4连通的区域分别作为独立区域，得到多个独立区域，去除面积小于原始图像尺寸的1％的独立区域，对其余独立区域进行编号，并使每个独立区域的灰度值等于其编号。
进一步的，步骤4中以10％的颜色均值差差异作为阈值进行颜色分辨。
进一步的，步骤1中，获取原始图像Oimg，采用平均池化的方法对原始图像Oimg缩小n次，其中，
Figure BDA0002262531120000031
L表示Oimg的长，W表示Oimg的宽，得到包含n层图像的图像金字塔Pimg，对图像金字塔Pimg中的每层图像通过最邻近采样放大到原始尺寸然后采用高斯拉普拉斯算子进行卷积，得到卷积结果图像金字塔Cimg。
一种基于空洞卷积与残差链接的图像分类方法，包括如下步骤：
步骤a：获取原始图像Oimg，对Oimg采用上述任一种样本提取方法处理，得到同源可靠分类样本Hrs；
步骤b：对Oimg采用上述任一种样本提取方法得到步骤3中的稳健区域的最终标识结果图像FLCimg，对FLCimg进行二值化得到二值标识图BLCimg，根据式Ⅰ得到图像金字塔每层图像的重要性参数iw；
Figure BDA0002262531120000041
其中，Si表示BLCimg与Lcimg中第i层图像的交集中非0区域的面积，S表示BLCimg中非0区域的面积，[]表示取整函数；
步骤c：建立包含全残差层FR的空洞卷积网络模型，其中，模型的空洞卷积总层数等于n，第i层空洞卷积核输出的特征图的通道数等于iw，所述FR连接模型的全连接层和softmax分类器层，利用Hrs对FRDC进行训练直至网络收敛，得到训练后的分类网络模型；
步骤d：利用训练后的分类网络模型对Oimg进行分类，得到图像分类结果。
本发明与现有技术相比具有以下技术特点：
(1)本发明提出并实现了一种模仿视网膜微颤动神经机制的自适应无监督样本提取方法，该方法自适应能力与认知能力强，可用于各种图像的初步分析。
(1)本发明采用模拟视网膜外周区概略视野的方法，实现了完全无监督自适应的样本筛选，从影像自身提取同源可靠样本自动筛选，在保证样本可靠性的前提下大幅减少了筛选样本的工作量与时间消耗。
(2)本发明采用模拟视网膜中央凹清晰视野的方法，构架了完全自适应的深度学习分类网络，从影像自身的同源可靠样本中学习不同类别独有的特征模式，并根据学习到的特征模式，对图像进行了完全自适应的分类。
附图说明
图1表示基于空洞卷积与残差链接的图像分类方法的流程图；
图2表示包含全残差层FR的空洞卷积网络模型结构示意图；
图3表示实施例中本申请与经典FCN网络，多尺度空洞卷积网络，多尺度U-net网络的对比实验图；
图4表示实施例中原始图像的各步骤处理得到的图像。
具体实施方式
在生物视觉形成场景认知的过程中，人眼视网膜只有中央凹包含大量视杆细胞能够清晰成像，而周边的外周区只能通过视锥细胞进行模糊成像，导致视网膜需要采用微颤动(microsaccade,也被称为“微跳视”、“微扫视”)的神经机制，以通过无意识、快速地转动眼球，对场景进行扫视，从而形成整个场景的成像。并且在微颤动过程中，视网膜外周区的模糊视野提供概率性的区域认知，形成先验参考，并在此基础上，结合中央凹的清晰视野，形成完备且清晰的场景认知。
一种样本提取方法，包括如下步骤：
步骤1：获取原始图像Oimg，对Oimg缩小n次，其中，
Figure BDA0002262531120000051
L表示Oimg的长，W表示Oimg的宽，得到包含n层图像的图像金字塔Pimg，对图像金字塔Pimg中的每层图像放大到Oimg的尺寸然后进行卷积，得到卷积结果图像金字塔Cimg；
所述图像金字塔Pimg中，第i层的图像大小为原始尺寸的1/2i大小。
步骤2：对卷积结果图像金字塔Cimg中的所有图像层，逐层按照步骤2.1至步骤2.2提取稳健区域二值图，得到包含各层稳健区域的二值图像金字塔LCimg；
步骤2.1：获取图像金字塔Cimg第i层图像C(i)，i∈[1,n]，建立C(i)的灰度直方图分布，根据式Ⅰ得到灰度阶梯阈值jσ；
Figure BDA0002262531120000061
其中，j表示C(i)的灰度直方图的横坐标灰度阶梯，NC(i)(j)表示C(i)的灰度直方图的纵坐标像素数量，CSNC(i)(j)表示C(i)的灰度直方图中纵坐标从1到j的灰度阶梯对应的像素数量累加和，PNC(i)表示C(i)的总像素数量，jσ表示灰度阶梯阈值且jσ∈j；
步骤2.2：获取C(i)中灰度小于jσ的区域为纹理稳健区域，利用二值化将纹理稳健区域标记为1，C(i)中非纹理稳健区域标记为0，得到图像C(i)的稳健区域二值图LC(i)；
步骤3：将稳健区域二值图像金字塔LCimg中的所有层图像进行矩阵相加后进行二值化处理，得到汇总标识图SLCimg，对汇总标识图SLCimg根据4连通规则划分独立区域并编号，得到稳健区域的最终标识结果图像FLCimg；
所述二值化处理为：对矩阵相加的和,将像素亮度大于0的像素，设置其亮度为1。
步骤4：获取稳健区域的最终标识图像FLCimg上的每个独立区域对应原始影像Oimg中的位置以及每个独立区域在原始影像Oimg中的颜色均值与颜色方差，采用模糊聚类方法对稳健区域的最终标识图像FLCimg对中各独立区域进行颜色分辨，建立颜色类别标签，得到带有类别标签的区域标识图TSimg；
步骤5：从原始图像Oimg中扣取影像数据，根据带有类别标签的区域标识图TSimg进行影像数据与类别标签的映射，得到同源可靠分类样本Hrs。
具体的，所述根据4连通规则划分独立区域并编号具体为：
将区域中满足同一处4连通的区域划为同一个独立区域，将区域中不满足4连通的区域分别作为独立区域，得到多个独立区域，去除面积小于原始图像尺寸的1％的独立区域，对其余独立区域进行编号，并使每个独立区域的灰度值等于其编号。
具体的，步骤4中以10％的颜色均值差差异作为阈值进行颜色分辨。
具体的，步骤1中，获取原始图像Oimg，采用平均池化的方法对原始图像Oimg缩小n次，其中，
Figure BDA0002262531120000071
L表示Oimg的长，W表示Oimg的宽，得到包含n层图像的图像金字塔Pimg，对图像金字塔Pimg中的每层图像通过最邻近采样放大到原始尺寸然后采用高斯拉普拉斯算子进行卷积，得到卷积结果图像金字塔Cimg。
一种基于空洞卷积与残差链接的图像分类方法，本方案主要采用的思路是单张影像上自动筛选样本，然后根据样本对同一张影像进行分类。类似于先分析和辨识简单的区域，然后以简单区域的认知结果做样本，通过深度学习神经网络将整个影像进行认知，包括如下步骤：
步骤a：获取原始图像Oimg，对Oimg采用上述任一种样本提取方法处理，得到同源可靠分类样本Hrs；
步骤b：对Oimg采用上述任一种样本提取方法得到步骤3中的稳健区域的最终标识结果图像FLCimg，对FLCimg进行二值化得到二值标识图BLCimg，根据式Ⅰ得到图像金字塔每层图像的重要性参数iw；
Figure BDA0002262531120000072
其中，Si表示BLCimg与Lcimg中第i层图像的交集中非0区域的面积，S表示BLCimg中非0区域的面积，[]表示取整函数；
步骤c：建立包含全残差层FR的空洞卷积网络模型FRDC，其中，模型的空洞卷积总层数等于n，第i层空洞卷积核输出的特征图的通道数等于iw，所述FR连接模型的全连接层和softmax分类器层，利用Hrs对包含全残差层FR的空洞卷积网络模型进行训练直至网络收敛，得到训练后的分类网络模型；
采用多尺度的空洞卷积网络作为最基本的神经网络结构，由于空洞卷积的层数代表了多尺度网络的尺度数量，因此网络的空洞卷积层数应当等于步骤1中图像金字塔的层次数量，以保证多尺度网络与步骤1的多尺度金字塔具有相同的尺度数量。在多尺度网络中，对于每个尺度的空洞卷积核(即每层空洞卷积核)，将其输出特征图的通道数，设置为iw，以保证各个尺度的特征能够被合理认知，避免过度解读引起的斑点噪声，以及解析不足引起的细节丢失。
将各尺度经过卷积、批标准化及非线性激活后，得到的各尺度特征图进行通道合并(或称“维度合并”)，得到一个通道数等于各尺度特征图通道数和的完整特征图，将各尺度特征图整合在一起以保证各尺度的特征都能被正确地用于分类，从而提高网络的认知性能。
在全残差层FR后，连接传统神经网络的全连接层，以及softmax分类器层，形成完整的端对端分类网络。
步骤d：利用训练后的分类网络模型对Oimg进行分类，得到图像分类结果。
本方法通过构架多尺度的残差连接空洞卷积分类网络FRDC，模仿视网膜中央凹的清晰观察，从同源可靠分类样本Hrs中学习地物类别的特征模式，并将学习到的特征模式应用在原始影像Oimg上，得到最终分类结果。综上所述，本发明是一种优秀、自动且可靠的图像分类方法，能够为其他图像分析与目标识别任务提供快捷、有效的类别信息参考。
采用本方法对实际图像进行实验可以得到：
如图3所示，在相同的样本条件下，本发明与经典FCN网络，多尺度空洞卷积网络，多尺度U-net网络的对比实验图。通过目视判读，对比地面类别真值，可以明显的发现，针对自动筛选出来包含干扰信息的样本，FCN网络、多尺度空洞卷积网络、多尺度U-net网络的在分类时，难以全面、准确、稳健地解读经自动筛选提取并包含干扰信息的样本，出现了大量的斑点噪声。而本发明的方法针对样本中可能的干扰信息，采用通道合并整合各尺度特征，提高了网络的认知能力与稳健性，得到了最优的分类结果。
Figure BDA0002262531120000091
表1
如表1所示为对比实验的客观分类精度表格，可以明显看出，对于自动样本筛选后，包含噪声与干扰因素的复杂样本，现有深度学习神经网络难以进行合理认知，只有本发明提出的网络结构，能够在抵御干扰的同时，对图像进行精度最高的分类。
如图4所示本发明的主要流程展示图为从原始图像出发，首先通过样本自动筛选，提取图像中的简单区域，采用模糊聚类进行颜色分类，完成局部认知。然后以局部认知的结果作为同源可靠样本，结合深度网络，对整张影像进行分类。

Claims (5)

1.一种样本提取方法，其特征在于，包括如下步骤：
步骤1：获取原始图像Oimg，对Oimg缩小n次，其中，
Figure FDA0002262531110000011
L表示Oimg的长，W表示Oimg的宽，得到包含n层图像的图像金字塔Pimg，将图像金字塔Pimg中的每层图像放大到Oimg的尺寸然后进行卷积，得到卷积结果图像金字塔Cimg；
步骤2：对卷积结果图像金字塔Cimg中的所有图像层，逐层按照步骤2.1至步骤2.2提取稳健区域二值图，得到包含各层稳健区域的二值图像金字塔LCimg；
步骤2.1：获取图像金字塔Cimg第i层图像C(i)，i∈[1,n]，建立C(i)的灰度直方图分布，根据式Ⅰ得到灰度阶梯阈值jσ；
Figure FDA0002262531110000012
其中，j表示C(i)的灰度直方图的横坐标灰度阶梯，NC(i)(j)表示C(i)的灰度直方图的纵坐标像素数量，CSNC(i)(j)表示C(i)的灰度直方图中纵坐标从1到j的灰度阶梯对应的像素数量累加和，PNC(i)表示C(i)的总像素数量，jσ表示灰度阶梯阈值且jσ∈j；
步骤2.2：获取C(i)中灰度小于jσ的区域为纹理稳健区域，利用二值化将纹理稳健区域标记为1，C(i)中非纹理稳健区域标记为0，得到图像C(i)的稳健区域二值图LC(i)；
步骤3：将稳健区域二值图像金字塔LCimg中的所有层图像进行矩阵相加后进行二值化处理，得到汇总标识图SLCimg，对汇总标识图SLCimg根据4连通规则划分独立区域并编号，得到稳健区域的最终标识结果图像FLCimg；
步骤4：获取稳健区域的最终标识图像FLCimg上的每个独立区域对应原始影像Oimg中的位置以及每个独立区域在原始影像Oimg中的颜色均值与颜色方差，采用模糊聚类方法对稳健区域的最终标识图像FLCimg对中各独立区域进行颜色分辨，建立颜色类别标签，得到带有类别标签的区域标识图TSimg；
步骤5：从原始图像Oimg中扣取影像数据，根据带有类别标签的区域标识图TSimg进行影像数据与类别标签的映射，得到同源可靠分类样本Hrs。
2.如权利要求1所述的样本提取方法，其特征在于，所述根据4连通规则划分独立区域并编号具体为：
将区域中满足同一处4连通的区域划为同一个独立区域，将区域中不满足4连通的区域分别作为独立区域，得到多个独立区域，去除面积小于原始图像尺寸的1％的独立区域，对其余独立区域进行编号，并使每个独立区域的灰度值等于其编号。
3.如权利要求1所述的样本提取方法，其特征在于，步骤4中以10％的颜色均值差差异作为阈值进行颜色分辨。
4.如权利要求1所述的样本提取方法，其特征在于，步骤1中，获取原始图像Oimg，采用平均池化的方法对原始图像Oimg缩小n次，其中，
Figure FDA0002262531110000021
L表示Oimg的长，W表示Oimg的宽，得到包含n层图像的图像金字塔Pimg，对图像金字塔Pimg中的每层图像通过最邻近采样放大到原始尺寸然后采用高斯拉普拉斯算子进行卷积，得到卷积结果图像金字塔Cimg。
5.一种基于空洞卷积与残差链接的图像分类方法，其特征在于，包括如下步骤：
步骤a：获取原始图像Oimg，对Oimg采用如权利要求1到4中任一种样本提取方法处理，得到同源可靠分类样本Hrs；
步骤b：对Oimg采用如权利要求1到4中任一种样本提取方法得到步骤3中的稳健区域的最终标识结果图像FLCimg，对FLCimg进行二值化得到二值标识图BLCimg，根据式Ⅰ得到图像金字塔每层图像的重要性参数iw；
Figure FDA0002262531110000031
其中，Si表示BLCimg与Lcimg中第i层图像的交集中非0区域的面积，S表示BLCimg中非0区域的面积，[]表示取整函数；
步骤c：建立包含全残差层FR的空洞卷积网络模型FRDC，其中，模型的空洞卷积总层数等于n，第i层空洞卷积核输出的特征图的通道数等于iw，所述FR连接模型的全连接层和softmax分类器层，利用Hrs对FRDC进行训练直至网络收敛，得到训练后的分类网络模型；
步骤d：利用训练后的分类网络模型对Oimg进行分类，得到图像分类结果。
CN201911076217.XA 2019-11-06 2019-11-06 一种样本提取及基于空洞卷积与残差链接的图像分类方法 Active CN111008647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911076217.XA CN111008647B (zh) 2019-11-06 2019-11-06 一种样本提取及基于空洞卷积与残差链接的图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911076217.XA CN111008647B (zh) 2019-11-06 2019-11-06 一种样本提取及基于空洞卷积与残差链接的图像分类方法

Publications (2)

Publication Number Publication Date
CN111008647A true CN111008647A (zh) 2020-04-14
CN111008647B CN111008647B (zh) 2022-02-08

Family

ID=70111290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911076217.XA Active CN111008647B (zh) 2019-11-06 2019-11-06 一种样本提取及基于空洞卷积与残差链接的图像分类方法

Country Status (1)

Country Link
CN (1) CN111008647B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036246A (zh) * 2020-07-30 2020-12-04 长安大学 遥感影像分类模型的构建方法，遥感影像分类方法及系统
CN113014805A (zh) * 2021-02-08 2021-06-22 北京大学 一种仿视网膜中央凹与外周的联合采样方法及装置
CN113191413A (zh) * 2021-04-25 2021-07-30 华中科技大学 基于中央凹残差网络的前列腺多模mr图像分类方法和系统
CN113255581A (zh) * 2021-06-21 2021-08-13 湖南大学 弱监督深度学习水体提取方法、装置、计算机设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194114A (zh) * 2011-06-25 2011-09-21 电子科技大学 一种基于边缘梯度方向金字塔直方图的虹膜识别方法
CN104361340A (zh) * 2014-11-04 2015-02-18 西安电子科技大学 基于显著性检测和聚类的sar图像目标快速检测方法
CN106991694A (zh) * 2017-03-17 2017-07-28 西安电子科技大学 基于显著区域面积匹配的心脏ct与超声图像配准方法
US20180357488A1 (en) * 2017-06-07 2018-12-13 Silveredge Technologies Pvt. Ltd. Method and system for supervised detection of televised video ads in live stream media content
CN109584246A (zh) * 2018-11-16 2019-04-05 成都信息工程大学 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法
CN110110845A (zh) * 2019-04-24 2019-08-09 长安大学 一种基于并行多级宽度神经网络的学习方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194114A (zh) * 2011-06-25 2011-09-21 电子科技大学 一种基于边缘梯度方向金字塔直方图的虹膜识别方法
CN104361340A (zh) * 2014-11-04 2015-02-18 西安电子科技大学 基于显著性检测和聚类的sar图像目标快速检测方法
CN106991694A (zh) * 2017-03-17 2017-07-28 西安电子科技大学 基于显著区域面积匹配的心脏ct与超声图像配准方法
US20180357488A1 (en) * 2017-06-07 2018-12-13 Silveredge Technologies Pvt. Ltd. Method and system for supervised detection of televised video ads in live stream media content
CN109584246A (zh) * 2018-11-16 2019-04-05 成都信息工程大学 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法
CN110110845A (zh) * 2019-04-24 2019-08-09 长安大学 一种基于并行多级宽度神经网络的学习方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUN SHI等: "Histopathological Image Classification With Color Pattern Random Binary Hashing-Based PCANet and Matrix-Form Classifier", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS 》 *
丛铭: "基于视觉感知原理的高分辨率遥感影像分割与人工目标提取研究", 《中国博士学位论文全文数据库》 *
陈秀新等: "基于方向可控金字塔二值图像投影的图像检索", 《计算机仿真》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036246A (zh) * 2020-07-30 2020-12-04 长安大学 遥感影像分类模型的构建方法，遥感影像分类方法及系统
CN113014805A (zh) * 2021-02-08 2021-06-22 北京大学 一种仿视网膜中央凹与外周的联合采样方法及装置
WO2022165873A1 (zh) * 2021-02-08 2022-08-11 北京大学 一种仿视网膜中央凹与外周的联合采样方法及装置
CN113191413A (zh) * 2021-04-25 2021-07-30 华中科技大学 基于中央凹残差网络的前列腺多模mr图像分类方法和系统
CN113191413B (zh) * 2021-04-25 2022-06-21 华中科技大学 基于中央凹残差网络的前列腺多模mr图像分类方法和系统
CN113255581A (zh) * 2021-06-21 2021-08-13 湖南大学 弱监督深度学习水体提取方法、装置、计算机设备和介质
CN113255581B (zh) * 2021-06-21 2021-09-28 湖南大学 弱监督深度学习水体提取方法、装置、计算机设备和介质

Also Published As

Publication number Publication date
CN111008647B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN111008647B (zh) 一种样本提取及基于空洞卷积与残差链接的图像分类方法
EP3455782B1 (en) System and method for detecting plant diseases
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN107230202B (zh) 路面病害图像的自动识别方法和系统
CN106169081B (zh) 一种基于不同照度的图像分类及处理方法
CN104050471B (zh) 一种自然场景文字检测方法及系统
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN106650786A (zh) 基于多列卷积神经网络模糊评判的图像识别方法
CN103996018B (zh) 基于4dlbp的人脸识别方法
CN106778687B (zh) 基于局部评估和全局优化的注视点检测方法
CN110046631A (zh) 用于自动推断时空图像的变化的系统和方法
CN111046880A (zh) 一种红外目标图像分割方法、系统、电子设备及存储介质
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
CN106530283A (zh) 一种基于svm的医疗图像血管识别方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN104598908A (zh) 一种农作物叶部病害识别方法
CN111179216B (zh) 一种基于图像处理与卷积神经网络的作物病害识别方法
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN104794721A (zh) 一种基于多尺度斑点检测的快速视盘定位方法
CN110647875A (zh) 一种血细胞分割、识别模型构造的方法及血细胞识别方法
CN110264454B (zh) 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法
CN111160194B (zh) 一种基于多特征融合的静态手势图像识别方法
CN108647593A (zh) 基于图像处理和svm的无人机路面破损分类检测方法
CN109409227A (zh) 一种基于多通道cnn的手指静脉图质量评估方法及其装置
Niu et al. Automatic localization of optic disc based on deep learning in fundus images

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