CN111080649B - 一种基于黎曼流形空间的图像分割处理方法及系统 - Google Patents
一种基于黎曼流形空间的图像分割处理方法及系统 Download PDFInfo
- Publication number
- CN111080649B CN111080649B CN201911254658.4A CN201911254658A CN111080649B CN 111080649 B CN111080649 B CN 111080649B CN 201911254658 A CN201911254658 A CN 201911254658A CN 111080649 B CN111080649 B CN 111080649B
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixels
- probability density
- gaussian distribution
- straight line
- 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
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于黎曼流形空间的灰度图像分割处理方法及系统,包括获取模块、高斯分布概率密度函数模块、黎曼流形模块、线性聚类模块和模糊线性聚类模块,获取待分割的灰度图像,构建所述图像中的像素的8‑邻域的高斯分布概率密度函数,将所述高斯分布概率密度函数映射到黎曼流形空间,并计算其像素到设定直线的距离,并划分到所述直线所代表的类别中,得到基于线性聚类的分割结果,利用所述计算结果,结合模糊隶属度函数,构建最小化其加权平均距离的目标函数,计算所述目标函数中对应直线的斜率和隶属度函数,并结合像素到直线的距离的计算,循环迭代至设定值,完成图像的分割处理,降低复杂度,提高计算效率和稳定性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于黎曼流形空间的图像分割处理方法及系统。
背景技术
随着成像技术的不断发展,图像分辨率逐渐提高,随之带来更加丰富的纹理细节信息。然而,对于图像分割而言,纹理细节信息会导致目标内像素特征多样化,目标间像素特征增强,传统光谱特征空间利用表征同一类型目标的像素在该空间内自然聚类的性质实现分割。但对于高分辨率图像而言,该种特征表达方式无法利用图像空间中邻域像素的相关性,易导致图像分割结果中包含大量噪声,现有技术中,在传统光谱特征空间的基础上结合图像邻域系统能够在一定程度上提高对噪声的鲁棒性,但会增加复杂度,降低计算效率的同时也会影响方法的稳定性。
发明内容
本发明的目的在于提供一种基于黎曼流形空间的灰度图像分割处理方法及系统,降低复杂度,提高计算效率和稳定性。
为实现上述目的,本发明提供了一种基于黎曼流形空间的灰度图像分割处理方法,包括:
获取待分割的灰度图像,建立高斯分布概率密度函数;
将所述高斯分布概率密度函数映射到黎曼流形空间;
计算像素到设定的分布直线的距离,得到基于线性聚类的分割结果;
利用所述计算结果,构建最小化其加权平均距离的目标函数;
计算所述目标函数中对应直线的斜率,完成图像的分割处理。
其中,所述获取待分割的灰度图像,建立高斯分布概率密度函数,包括:
获取并读取待分割的灰度图像,构建所述灰度图像中的像素的8-邻域内的所有像素的集合,并利用所述集合内的像素索引和像素个数,计算出像素光谱测度的均值,并通过所述均值,得到像素光谱测度的方差。
其中,所述获取待分割的灰度图像,建立高斯分布概率密度函数,还包括:
根据计算得到的所述均值和所述方差,构建欧式空间内的每个像素光谱测度的高斯分布概率密度函数,并用每个像素的8-邻域内像素光谱测度的所述高斯分布概率密度函数表征对应像素的特征。
其中,将所述高斯分布概率密度函数映射到黎曼流形空间,包括:
将每个像素光谱测度的所述高斯分布概率密度函数进行变形,根据变形结果设置第一至第五参数,并结合爱因斯坦约定进行简化,将第三参数和第四参数表征对应像素在黎曼流形空间中的坐标,完成映射。
其中,所述计算像素到设定的分布直线的距离,得到基于线性聚类的分割结果,包括:
设定目标像素分布在通过原点,且具有斜率的直线上,通过所述黎曼流形空间的对应坐标,计算所述像素到直线的距离,并将所述像素划分到所述直线所代表的类别中,得到基于线性聚类的分割结果。
其中,利用所述计算结果,构建最小化其加权平均距离的目标函数,包括:
利用模糊隶属度函数来表征隶属度,并结合计算得到的基于线性聚类的分割结果,构建最小化其加权平均距离的目标函数。
其中,计算所述目标函数中对应直线的斜率,完成图像的分割处理,包括:
利用构建的所述目标函数,计算所述目标函数中对应直线的斜率和隶属度函数,并结合像素到直线的距离的计算,进行循环迭代,直至达到设定值,完成图像的分割处理。
第二方面,本方面提供一种基于黎曼流形空间的图像分割处理系统,所述基于黎曼流形空间的图像分割处理系统包括获取模块、高斯分布概率密度函数模块、黎曼流形模块、线性聚类模块和模糊线性聚类模块,所述获取模块、所述高斯分布概率密度函数模块、所述黎曼流形模块、所述线性聚类模块和所述模糊线性聚类模块依次电性连接,
所述获取模块,用于获取并读取待分割的灰度图像;
所述高斯分布概率密度函数模块,用于利用所述灰度图像中的像素的8-邻域内的所有像素计算出的均值和方差,构建欧式空间内的每个像素光谱测度的高斯分布概率密度函数;
所述黎曼流形模块,用于将所述高斯分布概率密度函数映射到黎曼流形空间;
所述线性聚类模块,用于计算所述黎曼流形空间中的像素到具有斜率的直线的距离,并划分类别;
所述模糊线性聚类模块,用于利用模糊隶属度函数,并结合所述线性聚类模块计算的结果,构建目标函数,循环迭代计算模糊隶属度函数和直线斜率,直至迭代至设定值,完成分割。
本发明的一种基于黎曼流形空间的图像分割处理方法及系统,所述基于黎曼流形空间的图像分割处理系统包括获取模块、高斯分布概率密度函数模块、黎曼流形模块、线性聚类模块和模糊线性聚类模块,所述获取模块、所述高斯分布概率密度函数模块、所述黎曼流形模块、所述线性聚类模块和所述模糊线性聚类模块依次电性连接,获取待分割的灰度图像,构建所述灰度图像中的像素的8-邻域的高斯分布概率密度函数,将所述高斯分布概率密度函数映射到黎曼流形空间,计算所述黎曼流形空间的像素到设定的分布直线的距离,并将所述像素划分到所述直线所代表的类别中,得到基于线性聚类的分割结果,利用所述计算结果,构建最小化其加权平均距离的目标函数,计算所述目标函数中对应直线的斜率,循环迭代至设定值,完成图像的分割处理,降低复杂度,提高计算效率和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本邻域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于黎曼流形空间的灰度图像分割处理方法的步骤示意图。
图2是本发明提供的一种基于黎曼流形空间的灰度图像分割处理系统的结构示意图。
图3是本发明提供的模拟图像在光谱特征空间及黎曼流形空间的特征表达结果。
图4是本发明提供的模拟图像及其分割结果。
图5是本发明提供的对灰度纹理图像的分割结果。
1-获取模块、2-高斯分布概率密度函数模块、3-黎曼流形模块、4-线性聚类模块、5-模糊线性聚类模块。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提供一种基于黎曼流形空间的图像分割处理方法,包括:
S101、获取待分割的灰度图像,建立高斯分布概率密度函数。
具体的,获取并读取待分割的灰度图像,构建所述灰度图像中的像素i的8-邻域内的所有像素的集合Ni,并利用所述集合内的像素索引i'和像素个数#Ni,计算出像素光谱测度的均值μi,所述均值μi的计算公式为:
通过所述均值,得到像素光谱测度的方差σi,所述方差σi的计算公式为:
根据计算得到的所述均值μi和所述方差σi,构建欧式空间内的每个像素光谱测度的高斯分布概率密度函数p(xi),并用每个像素的8-邻域邻域内像素光谱测度的所述高斯分布概率密度函数表征对应像素的特征,其中,高斯分布概率密度函数p(xi)的计算公式为:
其中,μi为像素i的8-邻域内所有像素光谱测度的均值,σi为对应所有像素光谱测度的方差。
S102、将所述高斯分布概率密度函数映射到黎曼流形空间。
具体的,将每个像素光谱测度的所述高斯分布概率密度函数进行变形,得到:
S103、计算像素到设定的直线的距离,得到基于线性聚类的分割结果。
具体的,设定目标像素分布在通过原点,且具有某一斜率的代表不同聚类的直线上,通过所述黎曼流形空间的对应坐标,计算所述像素到直线的距离,其公式为:
将所述像素划分到距离最近的所述直线所代表的类别中,得到基于线性聚类的分割结果,像素i的标号li的计算公式为:
其中,kj为直线斜率。
S104、利用所述计算结果,构建最小化其加权平均距离的目标函数。
具体的,利用模糊隶属度函数来表征隶属度,并结合计算得到的基于线性聚类的分割结果,构建最小化其加权平均距离的目标函数,表达式为:
S105、计算所述目标函数中对应直线的斜率,完成图像的分割处理。
具体的,利用构建的所述目标函数,计算所述目标函数中对应直线的斜率和隶属度函数,计算公式为:
并结合像素到直线的距离的计算(公式8),进行循环迭代,直至达到设定值,完成图像的分割处理。
参见图2,所述基于黎曼流形空间的图像分割处理系统包括获取模块1、高斯分布概率密度函数模块2、黎曼流形模块3、线性聚类模块4和模糊线性聚类模块5,所述获取模块1、所述高斯分布概率密度函数模块2、所述黎曼流形模块3、所述线性聚类模块4和所述模糊线性聚类模块5依次电性连接,
所述获取模块1,用于获取并读取待分割的灰度图像;
所述高斯分布概率密度函数模块2,用于利用所述灰度图像中的像素的8-邻域内的所有像素计算出的均值和方差,构建欧式空间内的每个像素光谱测度的高斯分布概率密度函数;
所述黎曼流形模块3,用于将所述高斯分布概率密度函数映射到黎曼流形空间;
所述线性聚类模块4,用于计算所述黎曼流形空间中的像素到具有斜率的直线的距离,并划分类别;
所述模糊线性聚类模块5,用于利用模糊隶属度函数,并结合所述线性聚类模块4计算的结果,构建目标函数,循环迭代计算模糊隶属度函数和直线斜率,直至迭代至设定值,完成分割。
在本实施方式中,所述基于黎曼流形空间的灰度图像分割处理系统包括获取模块1、高斯分布概率密度函数模块2、黎曼流形模块3、线性聚类模块4和模糊线性聚类模块5,所述获取模块1、所述高斯分布概率密度函数模块2、所述黎曼流形模块3、所述线性聚类模块4和所述模糊线性聚类模块5依次电性连接,通过所述获取模块1,获取并读取待分割的灰度图像,利用所述灰度图像中的像素的8-邻域内的所有像素计算出的均值和方差,在所述高斯分布概率密度函数模块2中构建欧式空间内的每个像素光谱测度的高斯分布概率密度函数,并在所述黎曼流形模块3中,将所述高斯分布概率密度函数映射到黎曼流形空间,得到黎曼流形坐标系,利用所述线性聚类模块4计算所述黎曼流形空间中的像素到具有斜率的直线的距离,将所述像素划分到距离最近的所述直线所代表的类别中,通过所述模糊线性聚类模块5,利用模糊隶属度函数来表征隶属度,并结合所述线性聚类模块4计算的结果,构建最小化其加权平均距离的目标函数,循环迭代计算模糊隶属度函数、直线斜率和像素到直线的距离,直至迭代至设定值,完成分割,降低复杂度,提高计算效率和稳定性。
举例来说,在CPU为Core(TM)i5-34703.20GHz、内存4GB、Windows10系统上使用MATLAB7.1软件编程实现仿真,设计包含3个地物类别的模拟图像和包含2个地物类别的纹理图像,图3为模拟图像在光谱特征空间及黎曼流形空间的特征表达结果,图4为模拟图像及其分割结果,其中(a)为模拟图像,(b)-(m)为K-means,FCM,FCM_S,FCM_S1,FCM_S2,EnFCM,FGFCM,FLICM,HMRF-FCM,GR-HMRF-FCM以及基于黎曼流形空间的线性聚类算法(Rimannian ManifoldSpace-basedLinearClustering,RMS-LC)和模糊线性聚类算法,图5为本实施方式中应用本发明方法对纹理图像的分割结果。
以模板图像为标准对本发明方法分割结果每类目标和图像整体的IoU定量评价,如表1所示。可以看出,本发明能够明显提高图像分割精度,其每类目标及整体目标IoU均可达到92%以上。
表1模拟图像各区域及整体IoU评价指标(%)
I | II | III | 整体 | |
K_means | 51.68 | 68.35 | 94.65 | 68.1 |
FCM | 53.72 | 70.67 | 94.65 | 70.09 |
FCM_S | 61.68 | 78.34 | 94.83 | 77.02 |
FCM_S1 | 50.89 | 67.39 | 94.9 | 67.33 |
FCM_S2 | 81.93 | 87.85 | 87.66 | 86.51 |
EnFCM | 30.38 | 24.85 | 93.52 | 37.81 |
FGFCM | 43.09 | 56.37 | 96.58 | 58.82 |
FLICM | 72.69 | 86.57 | 95.65 | 85.05 |
HMRF-FCM | 84.76 | 92.4 | 94.73 | 91.25 |
GR-HMRF-FCM | 61.11 | 77.87 | 94.75 | 76.56 |
RMS-LC | 92.99 | 96.48 | 96.7 | 95.83 |
RMS-FLC | 93.9 | 96.65 | 96.23 | 96.02 |
本发明的一种基于黎曼流形空间的灰度图像分割处理方法及系统,所述基于黎曼流形空间的图像分割处理系统包括获取模块1、高斯分布概率密度函数模块2、黎曼流形模块3、线性聚类模块4和模糊线性聚类模块5,所述获取模块1、所述高斯分布概率密度函数模块2、所述黎曼流形模块3、所述线性聚类模块4和所述模糊线性聚类模块5依次电性连接,获取待分割的灰度图像,构建所述灰度图像中的像素的8-邻域内的所有像素的集合,并利用所述集合内的像素索引和像素个数,计算出像素光谱测度的均值,并通过所述均值,得到像素光谱测度的方差,构建所述灰度图像中的像素的8-邻域的高斯分布概率密度函数,将所述高斯分布概率密度函数映射到黎曼流形空间,计算所述黎曼流形空间的像素到设定的分布直线的距离,并将所述像素划分到所述直线所代表的类别中,得到基于线性聚类的分割结果,利用所述计算结果,结合模糊隶属度函数,构建最小化其加权平均距离的目标函数,计算所述目标函数中对应直线的斜率和隶属度函数,并结合像素到直线的距离的计算,进行循环迭代,直至达到设定值,完成图像的分割处理,降低复杂度,提高计算效率和稳定性。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本邻域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (1)
1.一种基于黎曼流形空间的灰度图像分割处理方法,其特征在于,包括:
获取待分割的灰度图像,建立高斯分布概率密度函数,包括获取并读取待分割的灰度图像,构建所述灰度图像中的像素的8-邻域内的所有像素的集合,并利用所述集合内的像素索引和像素个数,计算出像素光谱测度的均值,并通过所述均值,得到像素光谱测度的方差,根据计算得到的所述均值和所述方差,构建欧式空间内的每个像素光谱测度的高斯分布概率密度函数,并用每个像素的8-邻域内像素光谱测度的所述高斯分布概率密度函数表征对应像素的特征;
将所述高斯分布概率密度函数映射到黎曼流形空间,包括将每个像素光谱测度的所述高斯分布概率密度函数进行变形,根据变形结果设置第一至第五参数,并结合爱因斯坦约定进行简化,将第三参数和第四参数表征对应像素在黎曼流形空间中的坐标,完成映射;
计算像素到设定的分布直线的距离,得到基于线性聚类的分割结果,具体方式是通过设定目标像素分布在在通过原点,且具有某一斜率的代表不同聚类的直线上,通过所述黎曼流形空间的对应坐标,计算所述像素到直线的距离,将所述像素划分到距离最近的所述直线所代表的类别中,得到基于线性聚类的分割结果;
利用所述分割结果,构建最小化其加权平均距离的目标函数,包括利用模糊隶属度函数来表征隶属度,并结合计算得到的基于线性聚类的分割结果,构建最小化其加权平均距离的目标函数,
利用所述分割结果,构建最小化其加权平均距离的目标函数,包括利用构建的所述目标函数,计算所述目标函数中对应直线的斜率和隶属度函数,并结合像素到直线的距离的计算,进行循环迭代,直至达到设定值,完成图像的分割处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911254658.4A CN111080649B (zh) | 2019-12-10 | 2019-12-10 | 一种基于黎曼流形空间的图像分割处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911254658.4A CN111080649B (zh) | 2019-12-10 | 2019-12-10 | 一种基于黎曼流形空间的图像分割处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080649A CN111080649A (zh) | 2020-04-28 |
CN111080649B true CN111080649B (zh) | 2023-05-30 |
Family
ID=70313483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911254658.4A Active CN111080649B (zh) | 2019-12-10 | 2019-12-10 | 一种基于黎曼流形空间的图像分割处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080649B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580436B (zh) * | 2020-11-25 | 2022-05-03 | 重庆邮电大学 | 一种基于黎曼流形坐标对齐的脑电信号域适应方法 |
CN115830641B (zh) * | 2023-02-08 | 2023-06-09 | 四川弘和通讯集团有限公司 | 一种员工识别方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101854846A (zh) * | 2007-06-25 | 2010-10-06 | 真实成像有限公司 | 用于热成像的方法、设备和系统 |
CN103617620A (zh) * | 2013-12-04 | 2014-03-05 | 天津普达软件技术有限公司 | 一种用于在线检测的密封圈图像的快速分割方法 |
CN103700088A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种基于可变形图结构表示的图像集无监督共分割方法 |
CN106023141A (zh) * | 2016-05-05 | 2016-10-12 | 江南大学 | 一种结合颜色协方差流形的meap聚类图像分割方法 |
CN106408568A (zh) * | 2016-07-27 | 2017-02-15 | 广州大学 | 一种大尺度dti图像的快速准确的分割方法 |
CN106611425A (zh) * | 2016-12-19 | 2017-05-03 | 辽宁工程技术大学 | 一种全色遥感图像分割方法 |
CN107067430A (zh) * | 2017-04-13 | 2017-08-18 | 河南理工大学 | 一种基于特征点聚类的麦田作物行检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7899253B2 (en) * | 2006-09-08 | 2011-03-01 | Mitsubishi Electric Research Laboratories, Inc. | Detecting moving objects in video by classifying on riemannian manifolds |
US8280839B2 (en) * | 2010-02-25 | 2012-10-02 | Mitsubishi Electric Research Laboratories, Inc. | Nearest neighbor methods for non-Euclidean manifolds |
-
2019
- 2019-12-10 CN CN201911254658.4A patent/CN111080649B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101854846A (zh) * | 2007-06-25 | 2010-10-06 | 真实成像有限公司 | 用于热成像的方法、设备和系统 |
CN103700088A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种基于可变形图结构表示的图像集无监督共分割方法 |
CN103617620A (zh) * | 2013-12-04 | 2014-03-05 | 天津普达软件技术有限公司 | 一种用于在线检测的密封圈图像的快速分割方法 |
CN106023141A (zh) * | 2016-05-05 | 2016-10-12 | 江南大学 | 一种结合颜色协方差流形的meap聚类图像分割方法 |
CN106408568A (zh) * | 2016-07-27 | 2017-02-15 | 广州大学 | 一种大尺度dti图像的快速准确的分割方法 |
CN106611425A (zh) * | 2016-12-19 | 2017-05-03 | 辽宁工程技术大学 | 一种全色遥感图像分割方法 |
CN107067430A (zh) * | 2017-04-13 | 2017-08-18 | 河南理工大学 | 一种基于特征点聚类的麦田作物行检测方法 |
Non-Patent Citations (7)
Title |
---|
Heterogeneous Tensor Decomposition for Clustering via Manifold Optimization;Yanfeng Sun 等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20150806;第38卷(第3期);476-489 * |
Manifold based on neighbour mapping and its projection for remote sensing image segmentation;Xuemei Zhao 等;《International Journal of Remote Sensing》;20190617;1-17 * |
Riemannian Manifold Clustering and Dimensionality Reduction for Vision-Based Analysis;Alvina Goh;《Machine Learning for Vision-Based Motion Analysis》;20111231;27-53 * |
SPARSE RIEMANNIAN MANIFOLD CLUSTERING FOR HARDI SEGMENTATION;H. Ertan Cetingul 等;《ISBI 2011》;20110609;1-14 * |
基于流形距离的生产状态聚类分析;何飞 等;《计算机应用研究》;20110915;第28卷(第9期);3242-3243 * |
基于黎曼流形的遥感影像特征表达及分割算法研究;赵雪梅;《中国博士学位论文全文数据库 基础科学辑》;20190515;A008-19 * |
融合双特征图信息的图像显著性检测方法;崔玲玲 等;《中国图象图形学报》;20180416;第23卷(第4期);0583-0594 * |
Also Published As
Publication number | Publication date |
---|---|
CN111080649A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 | |
CN112017198B (zh) | 基于自注意力机制多尺度特征的右心室分割方法及装置 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN110555835B (zh) | 一种脑片图像区域划分方法及装置 | |
CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
CN103679714A (zh) | 一种基于梯度互相关的光学和sar图像自动配准方法 | |
CN111080649B (zh) | 一种基于黎曼流形空间的图像分割处理方法及系统 | |
CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN111815640B (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
CN111539910B (zh) | 锈蚀区域检测方法及终端设备 | |
CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
CN116579975A (zh) | 一种卷积神经网络的脑龄预测方法及系统 | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和系统 | |
CN116763295B (zh) | 牲畜体尺测量方法、电子设备及存储介质 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN111127532B (zh) | 基于深度学习特征光流的医学图像形变配准方法及系统 | |
CN113435479A (zh) | 基于区域特征表达约束的特征点匹配方法与系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN116030346A (zh) | 基于马尔可夫判别器的非成对弱监督云检测方法及系统 | |
CN113408370B (zh) | 基于自适应参数遗传算法的森林变化遥感检测方法 | |
CN115457325A (zh) | 一种基于面向对象和光谱规则的多光谱遥感图像非监督分类方法 | |
CN111932557B (zh) | 基于集成学习和概率图模型的图像语义分割方法及装置 | |
CN114120140A (zh) | 基于卫星影像自动提取建筑物高度的方法 |
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 |