CN111047579B - 一种特征质量评估方法及图像特征均匀提取方法 - Google Patents

一种特征质量评估方法及图像特征均匀提取方法 Download PDF

Info

Publication number
CN111047579B
CN111047579B CN201911282658.5A CN201911282658A CN111047579B CN 111047579 B CN111047579 B CN 111047579B CN 201911282658 A CN201911282658 A CN 201911282658A CN 111047579 B CN111047579 B CN 111047579B
Authority
CN
China
Prior art keywords
feature
image
quality
characteristic
points
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
CN201911282658.5A
Other languages
English (en)
Other versions
CN111047579A (zh
Inventor
戴吾蛟
邢磊
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201911282658.5A priority Critical patent/CN111047579B/zh
Publication of CN111047579A publication Critical patent/CN111047579A/zh
Application granted granted Critical
Publication of CN111047579B publication Critical patent/CN111047579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30168Image quality inspection
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种特征质量评估方法,利用线特征的显著性、线特征的鲁棒性和虚拟线长度这三种指标对图像特征的质量进行评估,能够提取高质量的图像局部特征,并能够实现高精度的图像虚拟线特征匹配。本发明还公开一种图像特征均匀提取方法,基于特征质量评估和图像格网划分的策略,实现了特征在图像空间上的均匀分布。与现有最优技术UR‑SIFT相比,本发明的有效性和鲁棒性更好。

Description

一种特征质量评估方法及图像特征均匀提取方法
技术领域
本发明涉及摄影测量技术领域,具体涉及一种基于图像局部特征的特征质量评估方法及图像特征均匀提取方法。
背景技术
无人机图像特征初始检测的性能容易受到复杂地物环境的影响,导致特征在图像空间上的分布质量不高,由于图像几何畸变或特征点重叠等情况的存在,最终会影响图像匹配方法的可靠性。此外,检测到的特征数量也会影响图像误匹配剔除方法的有效性,若特征数量太少,图像之间将缺乏有效数量的匹配对应关系,若特征数量太多,则会影响图像匹配的计算效率,因此,在实际应用中,我们很难为包含不同信息量的图像设定一个固定的阈值,提取数量合适的特征点。
目前,大多数图像局部特征检测方法都没有考虑特征点的空间分布质量,仅有少数学者对此问题进行了讨论,例如,Song和Szymansk提出了一种基于非极大值抑制的SIFT特征均匀提取方法;Lingua等人提出了一种自适应的SIFT特征检测方法(A2SIFT),用于提高SIFT特征在图像空间上的分布质量;Sedaghat等人提出了一种均匀且鲁棒的SIFT特征检测方法(UR-SIFT),可以同时提高SIFT特征在图像空间和尺度上的分布质量;Sedaghat等人又在UR-SIFT的基础上,基于特征点的完备性约束,提出了一种能够适用于多种具有不同属性的图像特征检测器的特征提取方法;Hossein-Nejad和Nasri提出了一种基于特征点间距离约束的冗余特征去除方法(RKEM),可以提高图像特征匹配的精度和计算效率。
然而,上述方法是针对基于点特征描述子的图像匹配而设计的,特征匹配的精度有限。
因此,设计一种新型的特征均匀提取方法具有重要意义。
发明内容
本发明的第一目的在于提供一种特征质量评估方法,具体技术方案如下:
一种特征质量评估方法,包括以下步骤:
步骤一、获取虚拟线长度;
步骤二、获取线特征的显著性和鲁棒性;
步骤三、根据步骤二所得线特征的显著性和鲁棒性采用表达式4)计算特征点的特征质量:
其中:Sm是第m个特征点的特征质量,Entm表是第m个特征点的显著性,Resm表示第m个特征点的鲁棒性,M表示特征点数目,WR表示图像特征鲁棒性的权重因子;
步骤四、判断特征点的特征质量的大小,特征质量越大,特征质量越高,反之,则特征质量越低。
以上技术方案中优选的,虚拟线长度选为10像素-200像素。
以上技术方案中优选的,获取线特征的显著性具体包括:
步骤1.1、通过表达式1)获取图像信息熵H:
步骤1.2、通过表达式2)获取线特征的显著性Ent:
其中:Ci是图像区域内第i个像素的灰度值在该图像区域中出现的概率,s为像素的总数量,Q表示特征点Pi邻域范围内的特征点的个数,Hq表示特征点Pi与第q个相邻点所构成的虚拟线段区域的图像信息熵。
以上技术方案中优选的,通过表达式3)获取线特征的鲁棒性Res:
其中:Rq表示该特征点与第q个相邻点所构成的虚拟线特征的响应。
以上技术方案中优选的,所述特征点的特征质量大于等于零且小于等于1。
应用本发明的特征质量评估方法,具体是:图像特征的显著性越高,图像特征包含的信息量具有较高水平,能够成功地匹配图像对应特征;线性特征的鲁棒性越高,反映了图像特征对图像几何和光度畸变的抵抗能力越强;采用合理的虚拟线长度,能够较好地顾及特征匹配的精度和稳定性。本发明利用线特征的显著性、线特征的鲁棒性和虚拟线长度这三种指标对图像特征的质量进行评估,能够提取高质量的图像局部特征,并能够实现高精度的图像虚拟线特征匹配。
本发明的第二目的在于提供一种图像特征均匀提取方法,详情如下:
一种图像特征均匀提取方法,包括以下步骤:
步骤A、利用局部特征检测方法提取图像的初始特征,提取的特征数量为5×N;
步骤B、采用如上述的特征质量评估方法对图像特征的质量进行评估;
步骤C、将原始图像划分为均匀格网,计算每一个格网内的特征点数量;
步骤D、将每一个格网中所有有效的特征点按照步骤B中特征质量由大到小进行排序,并选择出与步骤C中所需数量一致且具有最大特征质量的特征点。
以上技术方案中优选的,所述步骤C中采用表达式5)计算每一个格网内的特征点数量:
其中:Nk是第k个网格内的特征点数量,N是整幅图像需要的特征点数量,k是格网数量,是位于第k个格网中的所有特征质量的平均值,Ek是第k个格网中所有像素的显著性的和,nk是第k个格网中初始检测得到的特征点的数量,WS和WE分别表示特征质量和显著性的权重因子。
本发明的图像特征均匀提取方法,基于特征质量评估和图像格网划分的策略,实现了特征在图像空间上的均匀分布。与现有最优技术UR-SIFT相比,本发明的有效性和鲁棒性更好,具体是:本发明提出的方法在特征的空间分布质量上有大幅提升,提升幅度约为42.2%~57.3%;在提取相同的初始特征数目的前提下,本发明提出的方法在特征正确匹配数目上也有明显提升,提升幅度约为36.4%~190.7%。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是实施例中质量评估的原理示意图;
图2是实施例中图像格网划分示意图;
图3是16个格网的特征质量示意图,其中,每一个格网中的特征质量是该格网内所有特征的质量之和(例如,每个特征的质量为Sm,假设第一个格网内的特征数目是20个,则该格网的特征质量为S1到S20的和);
图4是16个格网的特征数目示意图;
图5是本实施例与UR-SIFT方法图像特征均匀提取的效果对比图,其中:图5(a)是本实施例方法的效果图;图5(b)是UR-SIFT方法的效果图。
图6是本实施例与UR-SIFT方法图像特征均匀提取的效果对比图,其中:图6(a)是本实施例方法的效果图;图6(b)是UR-SIFT方法的效果图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
实施例:
一种图像特征均匀提取方法,包括以下步骤:
第一步、利用局部特征检测方法(如SIFT特征检测方法)提取图像的初始特征,提取的特征数量为5×N,N为整幅图像需要的特征点数量。
第二步、采用特征质量评估方法对图像特征的质量进行评估,具体包括以下步骤:
步骤2.1、获取虚拟线长度,选取虚拟线长度为10像素-200像素;
步骤2.2、获取线特征的显著性和鲁棒性,具体是:
获取线特征的显著性具体是:先通过表达式1)获取图像信息熵H,再通过表达式2)获取线特征的显著性Ent:
其中:Ci是图像区域内第i个像素的灰度值在该图像区域中出现的概率,s为像素的总数量,Q表示特征点Pi邻域范围内的特征点的个数,Hq表示特征点Pi与第q个相邻点所构成的虚拟线段区域的图像信息熵;由两个特征点连线构成的线段,被称之为线特征,由于该线段是人为连接,实际并不存在,因此又被称之为虚拟线特征。
详见图1,计算特征点Pi的显著性,则需要计算Pi与其邻域范围内的特征点(Qj1、Qj2、Qj3)的连线所构成的虚拟线段所在区域(图中灰色椭圆形区域)的图像熵H,分别为H1、H2、H3。计算这三个熵的和,即为特征点Pi的显著性Ent;
通过表达式3)获取线特征的鲁棒性Res:
其中:Rq表示该特征点与第q个相邻点所构成的虚拟线特征的响应;
详见图1,计算特征点Pi的鲁棒性,由于虚拟线特征包含两个端点(例如:Pi和Qj1),因此,一条虚拟线特征的响应可以用虚拟线段两个端点的响应的平均值表示,此处Pi共有三个邻域点,则共有三个响应平均值,这三个响应平均值的和即为特征点Pi的鲁棒性Res;
步骤2.3、根据步骤二所得线特征的显著性和鲁棒性采用表达式4)计算特征点的特征质量:
其中:Sm是第m个特征点的特征质量,Entm表是第m个特征点的显著性,Resm表示第m个特征点的鲁棒性,M表示特征点数目,WR表示图像特征鲁棒性的权重因子,取值为0.4;
步骤2.4、判断特征点的特征质量的大小,特征质量越大,特征质量越高,反之,则特征质量越低。此处所述特征点的特征质量的取值大于等于零且小于等于1。
第三步、将原始图像划分为均匀格网,详见图2(白色圆圈标记部分为特征点),格网宽度采用100像素,划分成16个网格;计算每一个格网内的特征点数量,具体采用表达式5)进行计算:
其中:Nk是第k个网格内的特征点数量,N是整幅图像需要的特征点数量,k是格网数量,是位于第k个格网中的所有特征质量的平均值,Ek是第k个格网中所有像素的显著性的和,nk是第k个格网中初始检测得到的特征点的数量,WS和WE分别表示特征质量和显著性的权重因子,WS取值为0.3,WE取值为0.5;
第四步、将每一个格网中所有有效的特征点按照步骤B中特征质量由大到小进行排序,并选择出与步骤C中所需数量一致且具有最大特征质量的特征点。详见图3和图4。
利用实测无人机图像数据对本发明进行验证,并与UR-SIFT方法进行比较。图像特征的空间分布质量(GC)评价计算公式如下:
其中,n表示图像特征正确匹配数目,Ai表述每个正确匹配点所占面积(像素),Aimg表述图像总面积(像素)。
采用本实施例方法所得图像见图5(a),将本发明方法与现有最优技术UR-SIFT相比,详见图5(a)和图5(b),其中,本发明方法所得空间分布质量GC=0.654,最优技术UR-SIFT方法所得空间分布质量GC=0.460,本发明方法所得正确匹配数目为390,最优技术UR-SIFT方法所得正确匹配数目为286。因此,本发明提出的方法在特征的空间分布质量上有大幅提升,提升幅度约为42.2%;在提取相同的初始特征数目的前提下,本发明提出的方法在特征正确匹配数目上也有明显提升,提升幅度约为36.4%。
采用本实施例方法所得图像见图6(a),将本发明方法与现有最优技术UR-SIFT相比,详见图6(a)和图6(b),其中,本发明方法所得空间分布质量GC=0.269,最优技术UR-SIFT方法所得空间分布质量GC=0.171,本发明方法所得正确匹配数目为314,最优技术UR-SIFT方法所得正确匹配数目为108。因此,本发明提出的方法在特征的空间分布质量上有大幅提升,提升幅度约为57.3%;在提取相同的初始特征数目的前提下,本发明提出的方法在特征正确匹配数目上也有明显提升,提升幅度约为190.7%。
图5(a)、图5(b)、图6(a)及图6(b)中,白色线条(线条A)为图像特征匹配结果,黑色线条(线条B)为图像中提取到的线特征,通过观察可以发现,本发明提出的方法提取到的线特征更多。实验结果直观地反映了本发明明显优于现有技术,表明本发明的有效性和鲁棒性更好。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (6)

1.一种特征质量评估方法,其特征在于,包括以下步骤:
步骤一、获取虚拟线长度;其中,虚拟线包含由两个特征点连线构成的线段;
步骤二、获取线特征的显著性和鲁棒性;其中,获取线特征的显著性具体包括:
通过表达式2)获取线特征的显著性Ent:
其中:Q表示特征点Pi邻域范围内的特征点的个数,Hq表示特征点Pi与第q个相邻点所构成的虚拟线段区域的图像信息熵;
通过表达式3)获取线特征的鲁棒性Res:
其中:Rq表示该特征点与第q个相邻点所构成的虚拟线特征的响应;
步骤三、根据步骤二所得线特征的显著性和鲁棒性采用表达式4)计算特征点的特征质量:
其中:Sm是第m个特征点的特征质量,Entm表示第m个特征点的显著性,Resm表示第m个特征点的鲁棒性,M表示特征点数目,WR表示图像特征鲁棒性的权重因子;
步骤四、判断特征点的特征质量的大小,特征质量越大,特征质量越高,反之,则特征质量越低。
2.根据权利要求1所述的特征质量评估方法,其特征在于,虚拟线长度选为10像素-200像素;线特征为由两个特征点连线构成的线段的特征,也被称为虚拟线特征。
3.根据权利要求2所述的特征质量评估方法,其特征在于,获取线特征的显著性具体还包括:
通过表达式1)获取图像信息熵H:
其中:Ci是图像区域内第i个像素的灰度值在该图像区域中出现的概率,s为像素的总数量。
4.根据权利要求1-3任意一项所述的特征质量评估方法,其特征在于,所述特征点的特征质量大于等于零且小于等于1。
5.一种图像特征均匀提取方法,其特征在于,包括以下步骤:
步骤A、利用局部特征检测方法提取图像的初始特征,提取的特征数量为5×N;
步骤B、采用如权利要求1-4任意一项特征质量评估方法对图像特征的质量进行评估;
步骤C、将原始图像划分为均匀格网,计算每一个格网内的特征点数量;
步骤D、将每一个格网中所有有效的特征点按照步骤B中特征质量由大到小进行排序,并选择出与步骤C中所需数量一致且具有最大特征质量的特征点。
6.根据权利要求5所述的图像特征均匀提取方法,其特征在于,所述步骤C中采用表达式5)计算每一个格网内的特征点数量:
其中:Nk是第k个网格内的特征点数量,N是整幅图像需要的特征点数量,k是格网数量,是位于第k个格网中的所有特征质量的平均值,Ek是第k个格网中所有像素的显著性的和,nk是第k个格网中初始检测得到的特征点的数量,WS和WE分别表示特征质量和显著性的权重因子。
CN201911282658.5A 2019-12-13 2019-12-13 一种特征质量评估方法及图像特征均匀提取方法 Active CN111047579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911282658.5A CN111047579B (zh) 2019-12-13 2019-12-13 一种特征质量评估方法及图像特征均匀提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911282658.5A CN111047579B (zh) 2019-12-13 2019-12-13 一种特征质量评估方法及图像特征均匀提取方法

Publications (2)

Publication Number Publication Date
CN111047579A CN111047579A (zh) 2020-04-21
CN111047579B true CN111047579B (zh) 2023-09-05

Family

ID=70236123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911282658.5A Active CN111047579B (zh) 2019-12-13 2019-12-13 一种特征质量评估方法及图像特征均匀提取方法

Country Status (1)

Country Link
CN (1) CN111047579B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112783995B (zh) * 2020-12-31 2022-06-03 杭州海康机器人技术有限公司 一种v-slam地图校验方法、装置及设备
CN117058723B (zh) * 2023-10-11 2024-01-19 腾讯科技(深圳)有限公司 掌纹识别方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012098842A1 (ja) * 2011-01-20 2012-07-26 パナソニック株式会社 特徴抽出装置、特徴抽出方法、特徴抽出プログラム、および、画像処理装置
CN103414853A (zh) * 2013-07-26 2013-11-27 东华大学 支持多自由度运动的视频图像序列实时稳定装置与方法
CN103559703A (zh) * 2013-10-08 2014-02-05 中南大学 基于双目视觉的起重机障碍物监测及预警方法及系统
JP2014174794A (ja) * 2013-03-11 2014-09-22 Denso Corp 特徴点抽出アルゴリズム評価装置、および特徴点抽出アルゴリズム評価方法
EP3101594A1 (en) * 2015-06-04 2016-12-07 Omron Corporation Saliency information acquisition device and saliency information acquisition method
CN107122787A (zh) * 2017-02-14 2017-09-01 北京理工大学 一种基于特征融合的图像缩放质量评价方法
CN107945217A (zh) * 2017-11-20 2018-04-20 北京宇航系统工程研究所 一种适用于自动装配的图像特征点对快速筛选方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8254697B2 (en) * 2009-02-02 2012-08-28 Microsoft Corporation Scalable near duplicate image search with geometric constraints
CN102930493B (zh) * 2011-08-12 2017-08-08 索尼公司 防篡改的图像处理方法和装置
US9042645B2 (en) * 2012-05-16 2015-05-26 Imec Feature detection in numeric data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012098842A1 (ja) * 2011-01-20 2012-07-26 パナソニック株式会社 特徴抽出装置、特徴抽出方法、特徴抽出プログラム、および、画像処理装置
JP2014174794A (ja) * 2013-03-11 2014-09-22 Denso Corp 特徴点抽出アルゴリズム評価装置、および特徴点抽出アルゴリズム評価方法
CN103414853A (zh) * 2013-07-26 2013-11-27 东华大学 支持多自由度运动的视频图像序列实时稳定装置与方法
CN103559703A (zh) * 2013-10-08 2014-02-05 中南大学 基于双目视觉的起重机障碍物监测及预警方法及系统
EP3101594A1 (en) * 2015-06-04 2016-12-07 Omron Corporation Saliency information acquisition device and saliency information acquisition method
CN107122787A (zh) * 2017-02-14 2017-09-01 北京理工大学 一种基于特征融合的图像缩放质量评价方法
CN107945217A (zh) * 2017-11-20 2018-04-20 北京宇航系统工程研究所 一种适用于自动装配的图像特征点对快速筛选方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
视觉变形测量方法及应用研究;邢磊等;《大地测量与地球动力学》;第第38卷卷(第第3期期);第315-319页 *

Also Published As

Publication number Publication date
CN111047579A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111199214B (zh) 一种残差网络多光谱图像地物分类方法
CN109598306B (zh) 基于srcm和卷积神经网络的高光谱图像分类方法
CN110348399B (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
CN108154094B (zh) 基于子区间划分的高光谱图像非监督波段选择方法
CN109522908A (zh) 基于区域标签融合的图像显著性检测方法
CN110766058B (zh) 一种基于优化rpn网络的战场目标检测方法
CN105574534A (zh) 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN107368807A (zh) 一种基于视觉词袋模型的监控视频车型分类方法
CN104700118A (zh) 基于卷积神经网络的肺结节良恶性预测方法
CN107808141A (zh) 一种基于深度学习的输电线路绝缘子爆裂识别方法
CN103578093B (zh) 图像配准方法、装置及增强现实系统
CN111047579B (zh) 一种特征质量评估方法及图像特征均匀提取方法
CN110826684A (zh) 卷积神经网络的压缩方法、装置、电子设备和介质
CN105718848A (zh) 一种指纹图像的质量评估方法及装置
CN111881933A (zh) 一种高光谱图像分类方法及系统
Tang et al. A multiple-point spatially weighted k-NN method for object-based classification
CN106295498A (zh) 光学遥感图像目标区域检测装置与方法
CN101833667A (zh) 一种基于分组稀疏表示的模式识别分类方法
CN114170418B (zh) 一种以图搜图的汽车线束连接器多特征融合图像检索方法
CN111695468B (zh) 一种基于K-shot学习的极化SAR地物分类方法
CN116310510A (zh) 一种基于小样本深度学习的高光谱图像分类方法
KR101182683B1 (ko) 시각적 형상 디스크립터 생성 방법 및 그 기록매체
CN104820841A (zh) 基于低阶互信息和光谱上下文波段选择的高光谱分类方法
CN115408925A (zh) 用于隧道施工的岩体参数预测方法和装置
CN109886303A (zh) 一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法

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