CN111062957B - 一种基于非经典感受野轮廓检测方法 - Google Patents

一种基于非经典感受野轮廓检测方法 Download PDF

Info

Publication number
CN111062957B
CN111062957B CN201911033142.7A CN201911033142A CN111062957B CN 111062957 B CN111062957 B CN 111062957B CN 201911033142 A CN201911033142 A CN 201911033142A CN 111062957 B CN111062957 B CN 111062957B
Authority
CN
China
Prior art keywords
image
receptive field
contour
neural network
pyramid
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
CN201911033142.7A
Other languages
English (en)
Other versions
CN111062957A (zh
Inventor
覃溪
曹乃文
曹雅婷
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.)
Liuzhou Institute of Technology
Original Assignee
Liuzhou Institute of Technology
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 Liuzhou Institute of Technology filed Critical Liuzhou Institute of Technology
Priority to CN201911033142.7A priority Critical patent/CN111062957B/zh
Publication of CN111062957A publication Critical patent/CN111062957A/zh
Application granted granted Critical
Publication of CN111062957B publication Critical patent/CN111062957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于非经典感受野轮廓检测方法，属于图像识别技术领域，通过对图像进行不同大小分割，然后对每个分割的图像进行轮廓识别，再把识别轮廓后的图像进行组拼得到多张拼组的轮廓图，然后把拼组的轮廓图在进行图像融合，经过融合后的图像进行特征提取，得到图像清晰的轮廓图，使得识别的轮廓更加的准确和清楚。解决现有非经典感受野轮廓检测方法检测的轮廓图精度不够，出现轮廓线断裂的技术问题。

Description

一种基于非经典感受野轮廓检测方法
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于非经典感受野轮廓检测方法。
背景技术
轮廓定义目标的形状，轮廓是目标识别中的重要任务之一，而从杂乱场景中获取的目标轮廓是一项重要且相当困难的任务，主要是因为轮廓周围通常存在大量纹理背景的边缘，因此这项工作主要需要排除由于纹理区域的无意义边缘，而保留目标轮廓。提高检测率的关键在于能基于上下文将局部信息优化整合成一致的全局特征。人类视觉系统具有快速和有效的从复杂场景中提取轮廓特征的能力，有效促进了以生物特性作为启发的轮廓检测算法研究的发展。生理研究表明，V1层神经元具有方位选择性，且在其经典感受野外存在非经典感受野区域，虽然单独刺激该区域没有响应，但可以对CRF具有一定的调制作用。
现有的非经典感受野轮廓检测均是通过非经典感受野神经网络进行识别后，根据像素点概率进行取舍，这样的检测方式会出现检测精度不够，一些轮廓出现断裂，轮廓图不清楚的情况。
发明内容
本发明的目的在于提供一种基于非经典感受野轮廓检测方法，解决现有非经典感受野轮廓检测方法检测的轮廓图精度不够，出现轮廓线断裂的技术问题。
一种基于非经典感受野轮廓检测方法，所述方法包括如下步骤：
步骤1：对原始图像进行按照边长不等的正方形分割若干次，得到分割图像集；
步骤2：对分割图像集内的每个分割图像进行灰度处理，得到灰度图像；
步骤3：建立非经典感受野调制神经网络；
步骤4：将所有的灰度图像输入非经典感受野调制神经网络，得到每个图像的轮廓概率；
步骤5：将所有的灰度图像输入非经典感受野调制神经网络，得到每个图像的灰度轮廓特征图；
步骤6：对灰度轮廓特征图中的轮廓点进行提取特征值检测，把不连续的轮廓点删除，得到连续轮廓特征图；
步骤7：将等长宽的连续轮廓特征图按照分割顺序组合得到组合连续轮廓特征图；
步骤8：应用对比金字塔原理把所有组合连续轮廓特征图进行图像融合处理得到融合图像；
步骤9：对融合图像进行提取特征值检测，把不连续的轮廓点删除，得到检测轮廓图。
所述步骤1中，对图像分割时，使用边长为图像长或者宽的1/n*n、1/n*(n-1)……1/n的正方形进行对图像分割，其中n为图像长或者宽的值，当分割时，后面的剩余部分不能填满正方形时，使用白色进行填充补完整。
所述步骤3中建立非经典感受野调制神经网络的具体过程为：
建立非经典感受野调制神经网络，设置网络的层数和节点数，初始化所述非经典感受野调制神经网络中的感受野层的参数，定义所述非经典感受野调制神经网络的目标函数，基于所述不同尺度的训练图像集合训练非经典感受野调制神经网络，利用传统的神经网络反向传播算法有监督地最小化所述非经典感受野调制神经网络的目标函数，以获得优化后的非经典感受野调制神经网络中的感受野层的参数，最终得到完成优化的非经典感受野调制神经网络。
所述步骤8的具体过程为：
把所有的组合连续轮廓特征图进行高斯分解，得到组合连续轮廓特征图像的高斯金字塔，把所有的组合连续轮廓特征图像的高斯金字塔分别建立对应的图像的对比度金字塔；
设置配准后的组合连续轮廓特征图像的高斯金字塔层数都为N+1层，G0表示高斯金字塔的第0层，即最底层，为原图像，GN表示高斯金字塔的最顶层，G0,G1,...,GN构成的金字塔就是图像的高斯金字塔，其中，N为正整数，Gx表示高斯金字塔的第x层；
高斯金字塔第x层Gx的数学表达式为：
其中，0＜x≤N,0＜i≤Cx，0＜j≤Rx，其中Gx和Rx分别表示高斯金字塔的第x层图像的列数和行数，w(m,n)为5x5的高斯卷积核，即权函数表达式为：
首先将高斯金字塔第x层的Gx内插放大，使Gx的尺寸与Gx的一层Gx-1的尺寸相同，记为的表达式为：
其中，0＜x≤N,0＜i≤Cx，0＜j≤Rx，x、N、i和j均为正整数，
把对比度金字塔相应的每一层图像采用像素灰度平均法进行融合，得到融合对比度金字塔；
融合对比度金字塔的每层图像，利用金字塔生成的逆运算对融合对比度金字塔重构出融合图像。
本发明采用了上述技术方案，本发明具有以下技术效果：
本发明通过对图像进行不同大小分割，然后对每个分割的图像进行轮廓识别，再把识别轮廓后的图像进行组拼得到多张拼组的轮廓图，然后把拼组的轮廓图在进行图像融合，经过融合后的图像进行特征提取，得到图像清晰的轮廓图，使得识别的轮廓更加的准确和清楚。
附图说明
图1是本发明方法流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
如图1所示，本发明一种基于非经典感受野轮廓检测方法，所述方法包括如下步骤：
步骤1：对原始图像进行按照边长不等的正方形分割若干次，得到分割图像集。对图像分割时，使用边长为图像长或者宽的1/n*n、1/n*(n-1)……1/n的正方形进行对图像分割，其中n为图像长或者宽的值，当分割时，后面的剩余部分不能填满正方形时，使用白色进行填充补完整。比如图像为长方形5cm*8cm，需要进行1/5cm正方形分割时，得到25*40个的正方，则把图像分割为40个小图像，然后再进行轮廓识别。
步骤2：对分割图像集内的每个分割图像进行灰度处理，得到灰度图像。灰度处理为把彩色图像进行去彩色处理得到黑白的图像。
步骤3：建立非经典感受野调制神经网络。建立非经典感受野调制神经网络，设置网络的层数和节点数，初始化所述非经典感受野调制神经网络中的感受野层的参数，定义所述非经典感受野调制神经网络的目标函数，基于所述不同尺度的训练图像集合训练非经典感受野调制神经网络，利用传统的神经网络反向传播算法有监督地最小化所述非经典感受野调制神经网络的目标函数，以获得优化后的非经典感受野调制神经网络中的感受野层的参数，最终得到完成优化的非经典感受野调制神经网络。
步骤4：将所有的灰度图像输入非经典感受野调制神经网络，得到每个图像的轮廓概率。每个图像经过非经典感受野调制神经网络识别后，回得到每个图像的每个像素点的概率情况。
步骤5：将所有的灰度图像输入非经典感受野调制神经网络，得到每个图像的灰度轮廓特征图。然后根据概率高低进行显示，得到一个比较画的轮廓图，就是轮廓和其它的旁边都会出现黑点的情况，因此时比较花的。
步骤6：对灰度轮廓特征图中的轮廓点进行提取特征值检测，把不连续的轮廓点删除，得到连续轮廓特征图。对图像进行特征点识别，然后对每个特征点进行标号，然后把识别后的特征点的像素与周边的进行对比，如果周边有出现连续的点则保存，如果不出现连续的点则删除。
步骤7：将等长宽的连续轮廓特征图按照分割顺序组合得到组合连续轮廓特征图。按照原来分割的序号进行重新组合得到组合的图像。
步骤8：应用对比金字塔原理把所有组合连续轮廓特征图进行图像融合处理得到融合图像。
把所有的组合连续轮廓特征图进行高斯分解，得到组合连续轮廓特征图像的高斯金字塔，把所有的组合连续轮廓特征图像的高斯金字塔分别建立对应的图像的对比度金字塔；
设置配准后的组合连续轮廓特征图像的高斯金字塔层数都为N+1层，G0表示高斯金字塔的第0层，即最底层，为原图像，GN表示高斯金字塔的最顶层，G0,G1,...,GN构成的金字塔就是图像的高斯金字塔，其中，N为正整数，Gx表示高斯金字塔的第x层；
高斯金字塔第x层Gx的数学表达式为：
其中，0＜x≤N,0＜i≤Cx，0＜j≤Rx，其中Gx和Rx分别表示高斯金字塔的第x层图像的列数和行数，w(m,n)为5x5的高斯卷积核，即权函数表达式为：
首先将高斯金字塔第x层的Gx内插放大，使Gx的尺寸与Gx的一层Gx-1的尺寸相同，记为的表达式为：
其中，0＜x≤N,0＜i≤Cx，0＜j≤Rx，x、N、i和j均为正整数，
把对比度金字塔相应的每一层图像采用像素灰度平均法进行融合，得到融合对比度金字塔；
融合对比度金字塔的每层图像，利用金字塔生成的逆运算对融合对比度金字塔重构出融合图像。
步骤9：对融合图像进行提取特征值检测，把不连续的轮廓点删除，得到检测轮廓图。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于非经典感受野轮廓检测方法，其特征在于：所述方法包括如下步骤：
步骤1：对原始图像进行按照边长不等的正方形分割若干次，得到分割图像集；
步骤2：对分割图像集内的每个分割图像进行灰度处理，得到灰度图像；
步骤3：建立非经典感受野调制神经网络；
步骤4：将所有的灰度图像输入非经典感受野调制神经网络，得到每个图像的轮廓概率；
步骤5：将所有的灰度图像输入非经典感受野调制神经网络，得到每个图像的灰度轮廓特征图；
步骤6：对灰度轮廓特征图中的轮廓点进行提取特征值检测，把不连续的轮廓点删除，得到连续轮廓特征图；
步骤7：将等长宽的连续轮廓特征图按照分割顺序组合得到组合连续轮廓特征图；
步骤8：应用对比金字塔原理把所有组合连续轮廓特征图进行图像融合处理得到融合图像；
步骤9：对融合图像进行提取特征值检测，把不连续的轮廓点删除，得到检测轮廓图；
所述步骤8的具体过程为：
把所有的组合连续轮廓特征图进行高斯分解，得到组合连续轮廓特征图像的高斯金字塔，把所有的组合连续轮廓特征图像的高斯金字塔分别建立对应的图像的对比度金字塔；
设置配准后的组合连续轮廓特征图像的高斯金字塔层数都为N+1层，G0表示高斯金字塔的第0层，即最底层，为原图像，GN表示高斯金字塔的最顶层，G0,G1,...,GN构成的金字塔就是图像的高斯金字塔，其中，N为正整数，Gx表示高斯金字塔的第x层；
高斯金字塔第x层Gx的数学表达式为：
其中，0＜x≤N,0＜i≤Cx，0＜j≤Rx，其中Gx和Rx分别表示高斯金字塔的第x层图像的列数和行数，w(m,n)为5x5的高斯卷积核，即权函数表达式为：
首先将高斯金字塔第x层的Gx内插放大，使Gx的尺寸与Gx的一层Gx-1的尺寸相同，记为的表达式为：
其中，0＜x≤N,0＜i≤Cx，0＜j≤Rx，x、N、i和j均为正整数，
把对比度金字塔相应的每一层图像采用像素灰度平均法进行融合，得到融合对比度金字塔；
融合对比度金字塔的每层图像，利用金字塔生成的逆运算对融合对比度金字塔重构出融合图像。
2.根据权利要求1所述的一种基于非经典感受野轮廓检测方法，其特征在于：所述步骤3中建立非经典感受野调制神经网络的具体过程为：
建立非经典感受野调制神经网络，设置网络的层数和节点数，初始化所述非经典感受野调制神经网络中的感受野层的参数，定义所述非经典感受野调制神经网络的目标函数，基于不同尺度的训练图像集合训练非经典感受野调制神经网络，利用传统的神经网络反向传播算法有监督地最小化所述非经典感受野调制神经网络的目标函数，以获得优化后的非经典感受野调制神经网络中的感受野层的参数，最终得到完成优化的非经典感受野调制神经网络。
CN201911033142.7A 2019-10-28 2019-10-28 一种基于非经典感受野轮廓检测方法 Active CN111062957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911033142.7A CN111062957B (zh) 2019-10-28 2019-10-28 一种基于非经典感受野轮廓检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911033142.7A CN111062957B (zh) 2019-10-28 2019-10-28 一种基于非经典感受野轮廓检测方法

Publications (2)

Publication Number Publication Date
CN111062957A CN111062957A (zh) 2020-04-24
CN111062957B true CN111062957B (zh) 2024-02-09

Family

ID=70298368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911033142.7A Active CN111062957B (zh) 2019-10-28 2019-10-28 一种基于非经典感受野轮廓检测方法

Country Status (1)

Country Link
CN (1) CN111062957B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104698931A (zh) * 2015-02-13 2015-06-10 广西科技大学鹿山学院 人机交互智能地球仪的控制方法
CN106033610A (zh) * 2016-03-22 2016-10-19 广西科技大学 基于非经典感受野空间总和调制的轮廓检测方法
CN107067407A (zh) * 2017-04-11 2017-08-18 广西科技大学 基于非经典感受野和线性非线性调制的轮廓检测方法
CN107767387A (zh) * 2017-11-09 2018-03-06 广西科技大学 基于可变感受野尺度全局调制的轮廓检测方法
CN108898606A (zh) * 2018-06-20 2018-11-27 中南民族大学 医学图像的自动分割方法、系统、设备及存储介质
CN109087324A (zh) * 2018-08-03 2018-12-25 广西科技大学 基于颜色拮抗感受野及黑白通道的轮廓检测方法
CN109410203A (zh) * 2018-10-31 2019-03-01 广西科技大学鹿山学院 一种基于机器学习的图片画质检测方法
CN110210493A (zh) * 2019-04-30 2019-09-06 中南民族大学 基于非经典感受野调制神经网络的轮廓检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8971614B2 (en) * 2012-05-14 2015-03-03 University Of Southern California Extracting object edges from images
CA3033030A1 (en) * 2018-02-08 2019-08-08 Flaschebottle Technologies Inc. Estimating a number of containers by digital image analysis

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104698931A (zh) * 2015-02-13 2015-06-10 广西科技大学鹿山学院 人机交互智能地球仪的控制方法
CN106033610A (zh) * 2016-03-22 2016-10-19 广西科技大学 基于非经典感受野空间总和调制的轮廓检测方法
CN107067407A (zh) * 2017-04-11 2017-08-18 广西科技大学 基于非经典感受野和线性非线性调制的轮廓检测方法
CN107767387A (zh) * 2017-11-09 2018-03-06 广西科技大学 基于可变感受野尺度全局调制的轮廓检测方法
CN108898606A (zh) * 2018-06-20 2018-11-27 中南民族大学 医学图像的自动分割方法、系统、设备及存储介质
CN109087324A (zh) * 2018-08-03 2018-12-25 广西科技大学 基于颜色拮抗感受野及黑白通道的轮廓检测方法
CN109410203A (zh) * 2018-10-31 2019-03-01 广西科技大学鹿山学院 一种基于机器学习的图片画质检测方法
CN110210493A (zh) * 2019-04-30 2019-09-06 中南民族大学 基于非经典感受野调制神经网络的轮廓检测方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Hui Wei等.An image representation of infrastructure based on non-classical receptive field.《Soft Computing》.2014,第18卷(第01期),109-123. *
Mengchen Zhu等.Visual Nonclassical Receptive Field Effects Emerge from Sparse Coding in a Dynamical System.《PLoS Computational Biology》.2017,第09卷(第08期),1-15. *
Saining Xie等.Holistically-Nested Edge Detection.《International Journal of Computer Vision》.2017,第125卷3-18. *
张梦楠.基于视觉感知的图像轮廓检测技术研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2019,(第01期),I138-3220. *
潘亦坚 等.基于非经典感受野动态特性的轮廓检测模型.《广西科技大学学报》.2018,(第02期),77-83. *

Also Published As

Publication number Publication date
CN111062957A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
CN110827213B (zh) 一种基于生成式对抗网络的超分辨率图像修复方法
CN110084817B (zh) 基于深度学习的数字高程模型生产方法
CN108510504B (zh) 图像分割方法和装置
CN105657402B (zh) 一种深度图恢复方法
CN104462494B (zh) 一种基于无监督特征学习的遥感图像检索方法及系统
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN111680690B (zh) 一种文字识别方法及装置
CN106651774B (zh) 一种车牌超分辨率模型重建方法及装置
CN106780485A (zh) 基于超像素分割和特征学习的sar图像变化检测方法
CN112016400B (zh) 一种基于深度学习的单类目标检测方法、设备及存储介质
CN104299006A (zh) 一种基于深度神经网络的车牌识别方法
CN104915972A (zh) 图像处理装置、图像处理方法以及程序
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN108108751A (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN104408733B (zh) 基于对象随机游走的遥感图像视觉显著性检测方法及系统
CN110570440A (zh) 一种基于深度学习边缘检测的图像自动分割方法及装置
CN107506792B (zh) 一种半监督的显著对象检测方法
CN111179196B (zh) 一种基于分而治之的多分辨率深度网络图像去高光方法
CN112861718A (zh) 一种轻量级特征融合人群计数方法及系统
CN101976336A (zh) 一种基于模糊增强和曲面拟合的图像边缘特征提取方法
CN109063716B (zh) 一种图像识别方法、装置、设备及计算机可读存储介质
CN115578624A (zh) 农业病虫害模型构建方法、检测方法及装置
CN111563462A (zh) 图像元素的检测方法及装置
CN110287990A (zh) 微型藻类图像分类方法、系统、设备及存储介质

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