CN111209940A - 一种基于特征点匹配的图像去重方法和装置 - Google Patents
一种基于特征点匹配的图像去重方法和装置 Download PDFInfo
- Publication number
- CN111209940A CN111209940A CN201911391684.1A CN201911391684A CN111209940A CN 111209940 A CN111209940 A CN 111209940A CN 201911391684 A CN201911391684 A CN 201911391684A CN 111209940 A CN111209940 A CN 111209940A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- matching
- feature point
- clustering
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于特征点匹配的图像去重方法和装置,提取冗余图像集中每幅图像的一阶颜色矩和二阶颜色矩特征,得到颜色特征向量;采用聚类算法对颜色特征进行聚类,将图像聚类到K个类中;提取所有图像中的SURF特征;对各个类中的图像分别进行SURF特征点匹配,若匹配点数目大于设定匹配阈值,则判定为相同图像,删除多余的图像;重复多次,得到去重后的图像数据集。本发明通过预分类,从而改进了特征点匹配需要两两对比造成的计算复杂度极大的缺点。
Description
技术领域
本发明提出一种基于特征点匹配的图像去重方法和装置,涉及图像处理技术领域。
背景技术
随着信息时代的到来,相机、手机等拍照工具的快速发展,网络上的图像数据发生爆炸式的增长。然而,在这些图像之中存在大量重复或者相似的冗余图像,这使我们需要消耗大量的资源去存储及管理它们。同时,大量冗余的图像会影响我们对图像进一步的处理以及利用,所以需要对冗余的图像采取去重处理的措施。而对数据量巨大的图像通过人工筛选的方式进行去重是不现实的,所以迫切地需要一种能够智能地判断图像是否重复,并删除多余图像的方法。
在图像的特征中,有许多特征可以用来描述图像相似度,如颜色特征、纹理特征、形状特征、空间关系特征等。但这些特征都具有局限性,如颜色特征对图像的方向、大小等不敏感,不能够反映图像的局部特征。因此,如果只运用这些特征来判断相似性会产生巨大的误差。相比这些初级特征,运用特征点来描述图像相似度计算量比较小,同时特征点具有较好的鲁棒性,受光照条件、旋转、尺度变化的影响较小。因此,采用特征点匹配来判断两幅图像的相似程度能够大幅度地提高图像去重的精度。常用的特征点提取算法有SIFT算法、SURF算法、ORB算法等。其中SIFT特征(Scale Invariant Feature Transformation),即尺度不变特征,不但具有尺度不变性,同时当图像发生旋转、角度变化、亮度改变时也能够实现匹配。而SURF特征(Speed Up Robust Feature)是对SIFT特征的改进,利用Hessian(海森)矩阵和降维的特征描述算子来提升算法的执行效率,被广泛应用于计算机视觉的物体识别和3D重构中。SURF特征相比于SIFT,运算量极大地减少了。ORB特征(Oriented FASTand Rotated BRIEF)在运算速度上比SURF要快,但是对特征点的描述没有SURF特征细致,所以匹配效果相比于SURF算法较差。因此采取SURF进行特征点提取能够兼顾效率与精度实现图像去重。
在完成特征点提取之后,需要进行特征点匹配来判断图像的相似度。但是当图像数据量较大时,对每幅图像进行两两匹配会导致算法的计算量呈几何倍数增长。
发明内容
为解决现有技术中的不足,本发明提供一种基于特征点匹配的图像去重方法和装置,解决了特征点匹配需要两两对比造成的计算复杂度极大的问题。
为了实现上述目标,本发明采用如下技术方案:一种基于图像特征点匹配的图像去重方法,包括步骤:
步骤1,提取冗余图像集中每幅图像的一阶颜色矩和二阶颜色矩特征,得到颜色特征向量;
步骤2,采用聚类算法对颜色特征进行聚类,将图像聚类到K个类中;
步骤3,提取所有图像中的SURF特征;
步骤4,对各个类中的图像分别进行SURF特征点匹配,若匹配点数目大于设定匹配阈值,则判定为相同图像,删除多余的图像;重复步骤2~4若干次,得到去重后的图像数据集。
进一步的,一阶颜色矩和二阶颜色矩特征为:
其中,μi为第i个图像的一阶颜色矩,pij为第i个图像第j个像素的灰度值,N为第i个图像的像素点总数,σi是第i个图像的二阶颜色矩,j为像素点序号,j=1,2,…,N。
进一步的,聚类算法为K-means聚类算法,K=M/10取整,其中M表示图像的数量。
进一步的,设置匹配阈值为16,若匹配点数大于设定的阈值,则判定图像相同,删除多余的图像。
一种基于图像特征点匹配的图像去重装置,包括:
颜色特征提取模块,用于提取冗余图像集中每幅图像的一阶颜色矩和二阶颜色矩特征,得到颜色特征向量;
聚类模块,用于采用聚类算法对颜色特征进行聚类,将图像聚类到K个类中;
SURF特征提取模块,用于提取所有图像中的SURF特征;
SURF特征点匹配模块,用于对各个类中的图像分别进行SURF特征点匹配,若匹配点数目大于设定匹配阈值,则判定为相同图像,删除多余的图像;重复若干次聚类和匹配过程,得到去重后的图像数据集。
进一步的,一阶颜色矩和二阶颜色矩特征为:
其中,μi为第i个图像的一阶颜色矩,pij为第i个图像第j个像素的灰度值,N为第i个图像的像素点总数,σi是第i个图像的二阶颜色矩,j为像素点序号,j=1,2,…,N。
进一步的,聚类算法为K-means聚类算法,K=M/10取整,其中M表示图像的数量。
进一步的,设置匹配阈值为16,若匹配点数大于设定的阈值,则判定图像相同,删除多余的图像。
本发明所达到的有益效果:
本发明能够准确地检测到冗余的图像,并删除多余的图像,且不存在误删,在图像数据爆炸式增长的情况下,能够高效地获取去冗余的图像,进而节省存储空间,同时更加有效和精确地处理图像;
本发明提出了预分类的过程,从而改进了特征点匹配需要两两对比造成的计算复杂度极大的缺点。同时通过加大预分类数目并且多次进行处理的步骤,在不改变精度的情况下进一步降低了算法的计算复杂度。本发明采用SURF特征匹配,具有很好的鲁棒性,对于尺度、拍摄角度、光照强度等变化时都能够很好的匹配到相似的图像。
附图说明
图1是本发明具体实施方式中的一种方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
为了解决图像两两匹配造成的计算复杂度极大的问题,在图像特征点提取后,本发明先对图像进行预分类,以此减少算法的运算复杂程度。为了完成预分类,需要选取一种或几种图像特征作为分类依据,选用简单的全局特征如一阶颜色矩和二阶颜色矩来完成分类,从而进一步减少计算复杂度。
本发明在搜集的无人机图像中,进行了大量的测试,对于10063张包含冗余的图像中,经过该算法的处理后,最后保留1795张图像,且其中不再含有相似图像,说明了本发明提出的技术具有非常好的准确性和实用性。
实施例1:
一种基于图像特征点匹配的图像去重方法,包括步骤:
步骤1,提取冗余图像集中每幅图像的一阶颜色矩和二阶颜色矩特征,得到颜色特征向量;
步骤2,采用聚类算法对颜色特征进行聚类,将图像聚类到K个类中;
步骤3,提取所有图像中的SURF特征;
步骤4,对各个类中的图像分别进行SURF特征点匹配,若匹配点数目大于设定匹配阈值,则判定为相同图像,删除多余的图像;重复步骤2~4若干次,得到去重后的图像数据集。
进一步的,一阶颜色矩和二阶颜色矩特征为:
其中,μi为第i个图像的一阶颜色矩,pij为第i个图像第j个像素的灰度值,N为第i个图像的像素点总数,σi是第i个图像的二阶颜色矩,j为像素点序号,j=1,2,…,N。
进一步的,聚类算法为K-means聚类算法,K=M/10取整,其中M表示图像的数量。
进一步的,设置匹配阈值为16,若匹配点数大于设定的阈值,则判定图像相同,删除多余的图像。
实施例2:
一种基于图像特征点匹配的图像去重装置,包括:
颜色特征提取模块,用于提取冗余图像集中每幅图像的一阶颜色矩和二阶颜色矩特征,得到颜色特征向量;
聚类模块,用于采用聚类算法对颜色特征进行聚类,将图像聚类到K个类中;
SURF特征提取模块,用于提取所有图像中的SURF特征;
SURF特征点匹配模块,用于对各个类中的图像分别进行SURF特征点匹配,若匹配点数目大于设定匹配阈值,则判定为相同图像,删除多余的图像;重复若干次聚类和匹配过程,得到去重后的图像数据集。
进一步的,一阶颜色矩和二阶颜色矩特征为:
其中,μi为第i个图像的一阶颜色矩,pij为第i个图像第j个像素的灰度值,N为第i个图像的像素点总数,σi是第i个图像的二阶颜色矩,j为像素点序号,j=1,2,…,N。
进一步的,聚类算法为K-means聚类算法,K=M/10取整,其中M表示图像的数量。
进一步的,设置匹配阈值为16,若匹配点数大于设定的阈值,则判定图像相同,删除多余的图像。
实施例3:
如图1所示,一种基于特征点匹配的图像去重方法,包括步骤:
步骤1,提取冗余图像集中每幅图像的一阶颜色矩和二阶颜色矩特征,得到颜色特征向量;
一阶矩和二阶矩定义如公式(1)和(2)所示:
其中,μi为第i个图像的一阶颜色矩,pij为第i个图像第j个像素的灰度值,N为第i个图像的像素点总数,σi是第i个图像的二阶颜色矩,j为像素点序号,j=1,2,…,N。
提取图像颜色特征:计算图像的一阶颜色矩和二阶颜色矩,即对每幅图像的像素灰度值求均值和方差。图像是由RGB颜色空间组成的,所以提取的一阶颜色矩和二阶颜色矩都是三维的,分别代表R、G、B上的颜色矩,所以对于每幅图像,都可以得到一个6维的特征向量,这个特征向量是图像的一种全局特征。
步骤2,采用K-means聚类算法对颜色特征进行聚类,将图像聚类到K个类中;
其中的关键是超参数K(即分类数)的选取,若K值过小,则每个类中会存在较多的图像,类中每幅图像都两两匹配从而增加了算法的复杂度,反之,若K值较大,则会将相似的图像分到不同的类中导致分类精度下降。
为了避免每个簇中的图像数目过多导致计算复杂度过大,应尽量使K值更大,同时为了尽量减少相似的图像被分到不同的类中从而保证分类精度,需要为K设置下限。这里选择K=M/10取整,其中M表示图像的数量。然后对步骤1中得到的6维特征向量进行K-means聚类,将所有的图像分到K个类中。
步骤3,提取所有图像中的SURF特征:对每幅图像构造SURF特征描述算子,这里采用opencv开源库中的SURF算法代码,这个算法经过优化,在实际使用中,能够节省大量时间。
本发明采用SURF特征来描述图像的相似度,即通过Hessian矩阵构造图像的高斯金字塔尺寸空间并提取SURF特征点描述算子。。
步骤4,对类中的图像分别进行SURF特征点匹配,若匹配点数目大于设定阈值,则判定为相同图像,删除多余的图像;
在步骤2中,已经将图像分为了K类,特征点匹配只在每个类的内部进行。对于类内的图像两两进行比较,利用快速最邻近查找算法,对SURF特征描述算子进行匹配,可以得到两两图像之间的特征点匹配数目。设置匹配数目阈值为16,若匹配点数大于16,则判定图像相同,删除多余的图像。
在步骤2中的初步分类采用的只是全局特征,难以描述图像的细节信息,且分类数目较大,会存在误分类。所以需要再次对步骤4处理完的图像再次进行步骤2到步骤4,经过n次循环(实验中10次循环),得到去重后的图像数据集。
本发明解决的是对冗余图像集的冗余图像通过聚类和特征匹配进行删除,从而提高图像的存储效率以及对图像的使用效率。但如果对每幅图像都进行两两匹配,计算的复杂度会大大增加,为此,首先利用图像的一阶颜色矩和二阶颜色矩进行预分类,图像只在它所属的类内两两匹配,来判断图像的相似程度,从而大幅度地减少了算法的计算复杂度;
本发明采用无人机图像进行测试,其中许多相似的图像存在着尺度和角度等的变化,但需要判定它们为相似的图像,因此采用对尺度、角度、光线强度的具有较好鲁棒性的SURF特征来评价图像的相似程度,从而提高该算法的精度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于图像特征点匹配的图像去重方法,其特征在于,包括步骤:
步骤1,提取冗余图像集中每幅图像的一阶颜色矩和二阶颜色矩特征,得到颜色特征向量;
步骤2,采用聚类算法对颜色特征进行聚类,将图像聚类到K个类中;
步骤3,提取所有图像中的SURF特征;
步骤4,对各个类中的图像分别进行SURF特征点匹配,若匹配点数目大于设定匹配阈值,则判定为相同图像,删除多余的图像;重复步骤2~4若干次,得到去重后的图像数据集。
3.根据权利要求1中所述的一种基于图像特征点匹配的图像去重方法,其特征在于,聚类算法为K-means聚类算法,K=M/10取整,其中M表示图像的数量。
4.根据权利要求1中所述的一种基于图像特征点匹配的图像去重方法,其特征在于,设置匹配阈值为16,若匹配点数大于设定的阈值,则判定图像相同,删除多余的图像。
5.一种基于图像特征点匹配的图像去重装置,其特征是,包括:
颜色特征提取模块,用于提取冗余图像集中每幅图像的一阶颜色矩和二阶颜色矩特征,得到颜色特征向量;
聚类模块,用于采用聚类算法对颜色特征进行聚类,将图像聚类到K个类中;
SURF特征提取模块,用于提取所有图像中的SURF特征;
SURF特征点匹配模块,用于对各个类中的图像分别进行SURF特征点匹配,若匹配点数目大于设定匹配阈值,则判定为相同图像,删除多余的图像;重复若干次聚类和匹配过程,得到去重后的图像数据集。
7.根据权利要求5中所述的一种基于图像特征点匹配的图像去重装置,其特征在于,聚类算法为K-means聚类算法,K=M/10取整,其中M表示图像的数量。
8.根据权利要求5中所述的一种基于图像特征点匹配的图像去重装置,其特征在于,设置匹配阈值为16,若匹配点数大于设定的阈值,则判定图像相同,删除多余的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911391684.1A CN111209940A (zh) | 2019-12-30 | 2019-12-30 | 一种基于特征点匹配的图像去重方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911391684.1A CN111209940A (zh) | 2019-12-30 | 2019-12-30 | 一种基于特征点匹配的图像去重方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111209940A true CN111209940A (zh) | 2020-05-29 |
Family
ID=70788256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911391684.1A Pending CN111209940A (zh) | 2019-12-30 | 2019-12-30 | 一种基于特征点匹配的图像去重方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209940A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325245A (zh) * | 2020-02-05 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 重复图像识别方法、装置、电子设备及计算机可读存储介质 |
CN112861966A (zh) * | 2021-02-05 | 2021-05-28 | 浙江新再灵科技股份有限公司 | 图片去重方法、装置及存储介质 |
CN113017650A (zh) * | 2021-03-12 | 2021-06-25 | 南昌航空大学 | 一种基于功率谱密度图像的脑电特征提取方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086697A (zh) * | 2018-07-20 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸数据处理方法、装置及存储介质 |
CN110442738A (zh) * | 2019-07-31 | 2019-11-12 | 北京明略软件系统有限公司 | 图片去重方法和装置,存储介质及电子装置 |
-
2019
- 2019-12-30 CN CN201911391684.1A patent/CN111209940A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086697A (zh) * | 2018-07-20 | 2018-12-25 | 腾讯科技(深圳)有限公司 | 一种人脸数据处理方法、装置及存储介质 |
CN110442738A (zh) * | 2019-07-31 | 2019-11-12 | 北京明略软件系统有限公司 | 图片去重方法和装置,存储介质及电子装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325245A (zh) * | 2020-02-05 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 重复图像识别方法、装置、电子设备及计算机可读存储介质 |
CN112861966A (zh) * | 2021-02-05 | 2021-05-28 | 浙江新再灵科技股份有限公司 | 图片去重方法、装置及存储介质 |
CN113017650A (zh) * | 2021-03-12 | 2021-06-25 | 南昌航空大学 | 一种基于功率谱密度图像的脑电特征提取方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Busternet: Detecting copy-move image forgery with source/target localization | |
CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
Ping et al. | A deep learning approach for street pothole detection | |
WO2018052586A1 (en) | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks | |
CN111209940A (zh) | 一种基于特征点匹配的图像去重方法和装置 | |
CN114170516B (zh) | 一种基于路侧感知的车辆重识别方法、装置及电子设备 | |
CN111126197B (zh) | 基于深度学习的视频处理方法及装置 | |
JP6997369B2 (ja) | プログラム、測距方法、及び測距装置 | |
Sapijaszko et al. | An overview of recent convolutional neural network algorithms for image recognition | |
US10943098B2 (en) | Automated and unsupervised curation of image datasets | |
CN111353062A (zh) | 一种图像检索方法、装置以及设备 | |
CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN111191584A (zh) | 一种人脸识别方法及装置 | |
CN116468947A (zh) | 刀具图像识别方法、装置、计算机设备及存储介质 | |
CN114612802A (zh) | 基于mbcnn的舰船目标细粒度分类系统及方法 | |
CN116206334A (zh) | 一种野生动物识别方法和装置 | |
CN115098717A (zh) | 三维模型检索方法、装置、电子设备及存储介质 | |
Pultar | Improving the hardnet descriptor | |
CN117911437A (zh) | 一种改进YOLOv5x的荞麦籽粒粘连分割方法 | |
CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
Özyurt et al. | A new method for classification of images using convolutional neural network based on Dwt-Svd perceptual hash function | |
CN115631154A (zh) | 一种电力设备状态监控分析方法与系统 | |
CN111931767B (zh) | 一种基于图片信息度的多模型目标检测方法、装置、系统及存储介质 | |
Le et al. | Combining deep and handcrafted image features for vehicle classification in drone imagery | |
CN112861966A (zh) | 图片去重方法、装置及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200529 |
|
RJ01 | Rejection of invention patent application after publication |