CN111259754A - 一种端到端的浮游生物数据库构建系统及方法 - Google Patents

一种端到端的浮游生物数据库构建系统及方法 Download PDF

Info

Publication number
CN111259754A
CN111259754A CN202010026986.5A CN202010026986A CN111259754A CN 111259754 A CN111259754 A CN 111259754A CN 202010026986 A CN202010026986 A CN 202010026986A CN 111259754 A CN111259754 A CN 111259754A
Authority
CN
China
Prior art keywords
plankton
image
target object
database
area
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
Application number
CN202010026986.5A
Other languages
English (en)
Inventor
王楠
杨学文
郑海永
俞智斌
付民
顾兆瑞
郑冰
崔燕妮
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202010026986.5A priority Critical patent/CN111259754A/zh
Publication of CN111259754A publication Critical patent/CN111259754A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种端到端的浮游生物数据库构建系统及方法，系统包括视频采集处理单元，目标检测单元，目标识别单元和浮游生物数据库构建单元，其中，视频采集处理单元记录浮游生物生存状态的视频信息并拆分成帧图像；目标检测单元进行基于清晰度的扫描和图像分割，得到清晰的浮游生物感兴趣域；目标识别单元识别浮游生物感兴趣域中的目标对象；浮游生物数据库构建单元同一目标对象在不同的浮游生物感兴趣域中的图像信息进行融合，形成每个目标对象清晰的形态结构特征数据库。本发明可解决数据冗余现象，减少内存消耗，有利于对浮游生物实时监控，同时提供了完整的浮游生物形态结构特征，提高准确性，对生物多样性和海洋生态研究具有重要意义。

Description

一种端到端的浮游生物数据库构建系统及方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种端到端的浮游生物数据库构建系统及方法。
背景技术
水下原位视频采集技术的发展与应用为水下环境的有效监控注入了新的活力的同时也带来了一些新的问题。一方面高速的视频采集系统产生了大量冗余数据，占用了大量的计算机内存，降低了浮游生物研究的效率，从而阻碍了浮游生物的实时性研究。另一方面，机器学习的发展需要大量的训练数据，对海量的数据进行人工标定耗时费力，自动处理的方法亟待提出。同时，由于景深，目标运动等因素的影响，高速显微视频采集设备中获得的数据往往存在部分模糊的现象，严重影响浮游生物数据库的质量进而影响到科学家们对浮游生物的研究。因此一种高效而准确的浮游生物数据库的构建方法亟待提出。
发明内容
基于上述情况，本发明首先提供一种端到端的浮游生物数据库自动构建系统，以得到高质量的浮游生物的数据库，为海洋生态系统以及生物多样性的研究提供便捷条件。
为了实现上述目的，本发明所采用的具体技术方案如下：
一种端到端的浮游生物数据库构建系统，其关键在于：包括视频采集处理单元、目标检测单元、目标识别单元以及浮游生物数据库构建单元，其中：
所述视频采集处理单元用于记录浮游生物生存状态的视频信息并拆分成帧图像；
所述目标检测单元：用于接收所述视频采集处理单元上传的帧图像，并进行基于清晰度的扫描和图像分割，得到清晰的浮游生物感兴趣域；
所述目标识别单元：用于识别所述浮游生物感兴趣域中的同一目标对象
所述浮游生物数据库构建单元：用于将同一目标对象在不同的浮游生物感兴趣域中的图像信息进行融合，形成每个目标对象清晰的形态结构特征数据库。
基于上述系统，本发明还提出一种端到端的浮游生物数据库构建方法，包括以下步骤：
S1：通过视频采集处理单元记录浮游生物生存状态的视频信息并拆分成帧图像Fi，i为图像帧序号；
S2：对每一帧图像进行基于清晰度的扫描和图像分割，得到清晰的浮游生物感兴趣域Ri；
S3：用于识别所述浮游生物感兴趣域中的同一目标对象；
S4：将同一目标对象在不同的浮游生物感兴趣域中的图像信息进行融合，形成每个目标对象清晰的形态结构特征数据库。
进一步地，步骤S2包括：
S21：将帧图像Fi进行拉普拉斯变换得到相应的高通图像Hi；
S22：删除全局清晰度指标低于预设阈值的高通图像；
S23：将筛选出的高通图像进行阈值分割和形态学处理，将浮游生物区域与背景区域隔离得到二值图像Bi，通过图像分割得到浮游生物感兴趣域；
S24：删除局部清晰度指标低于预设阈值的浮游生物感兴趣域，得到最终清晰的浮游生物感兴趣域Ri。
进一步地，所述全局清晰度指标通过
Figure BDA0002362824060000021
计算，其中Hi(x,y)表示第i张高通图像中坐标(x,y)处的像素值，
Figure BDA0002362824060000022
为第i张高通图像各个像素点的均值。
进一步地，所述局部清晰度指标通过
Figure BDA0002362824060000023
计算，其中n为二值图像Bi中目标区域的像素个数，
Figure BDA0002362824060000031
表示局部均值，Hi(x,y)表示第i张高通图像中坐标(x,y)处的像素值，Bi(x,y)表示第i张二值图像中坐标(x,y)处的像素值。
进一步地，步骤S3的具体步骤包括：
S31：通过两个浮游生物感兴趣域的长宽比和面积比判断是否可能包含同一目标对象；
S32：对可能包含同一目标对象的两个浮游生物感兴趣域进行图像配准，将二者变换到相同的坐标系下；
S33：判断目标重合度是否大于预设阈值，如果目标重合度大于预设阈值，则认定二者属于同一目标对象的感兴趣域；否则，认为二者属于不同目标对象的感兴趣域。
进一步地，所述目标重合度包括按照
Figure BDA0002362824060000032
计算的第一指标，以及按照
Figure BDA0002362824060000033
计算的第二指标，当所述第一指标和所述第二指标均大于各自对应的阈值时，认定两个浮游生物感兴趣域属于同一目标对象的感兴趣域，其中：
Boverlap(x,y)＝B1(x,y)·B2(x,y)表示两个感兴趣区域中浮游生物的重合区域；
Figure BDA0002362824060000034
表示目标区域；
B1(x,y)和B2(x,y)分别表示待处理的两个浮游生物感兴趣域的二值图像；
area1和area2分别为待处理的两个浮游生物感兴趣域的二值图像面积。
进一步地，步骤S4具体包括：
S41:计算具有同一目标对象的两个感兴趣区域的显著特征图像，记为S1和S2；
S42：根据两个感兴趣区域的显著特征图像S1和S2得出初始决策图D，其中：
Figure BDA0002362824060000041
S43：边界的融合采用加权的融合方法，非边界的区域直接从原图像中选取，具体地：
S431：先从决策图像D中确定出决策边界，并对决策边界使用3×3的核进行膨胀构成边界区域:
Figure BDA0002362824060000042
S432：对决策图像进行修正，得到：
Figure BDA0002362824060000043
此时决策图像DM包含三部分：标识第一张原图清晰的部分map1，标识第二张原图清晰的部分map2和边界部分mapb；
S433：将map1和map2直接从相应的原图像中提取得到F1和F2，边界区域Fb的融合方法如式：
Figure BDA0002362824060000044
其中ωi(x,y)＝(d-di(x,y))/(1+d)，而
Figure BDA0002362824060000045
表示边界区域中的点(x,y)到map1和map2中最近的非零点的距离的和；
S434：按照F＝F1+F2+Fb得到高度清晰的融合图像。
进一步地，步骤S42中采用形态学的方法剔除噪声，若决策图像的长和宽分别为m和n，当某区域面积小于
Figure BDA0002362824060000046
则视为较小区域，需要将其去除。
本发明的有益效果：
基于本发明提出的系统或方法构建浮游生物数据库，一方面解决了高速视频采集系统中产生的大量的数据冗余现象，减少了内存的消耗，有利于对浮游生物的实时性监控，另一方面，高质量的浮游生物数据库提供了完整的浮游生物形态结构特征，提高了浮游生物研究的准确性，对生物多样性以及海洋生态系统的研究具有重要意义。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明的检测系统结构框图；
图2为本发明的检测方法流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，本实施例首先提供一种端到端的浮游生物数据库构建系统，以解决从大量冗余数据中提取细节性信息构建高质量的浮游生物数据库的问题。
通过图1可以看出，本系统包括依次连接的视频采集处理单元、目标检测单元、目标识别单元以及浮游生物数据库构建单元，其中：
所述视频采集处理单元用于记录浮游生物生存状态的视频信息并拆分成帧图像，通常为连续的图像帧序列；
所述目标检测单元：用于接收所述视频采集处理单元上传的帧图像，并进行基于清晰度的扫描和图像分割，得到清晰的浮游生物感兴趣域；
具体实施时，目标检测单元对得到的图像序列进行两次基于清晰度指标的扫描以及图像分割算法得到较为清晰的浮游生物感兴趣域；
所述目标识别单元：用于识别所述浮游生物感兴趣域中的同一目标对象
所述浮游生物数据库构建单元：用于将同一目标对象在不同的浮游生物感兴趣域中的图像信息进行融合，形成每个目标对象清晰的形态结构特征数据库。
如图2所示，本实施例还提供一种端到端的浮游生物数据库构建方法，包括以下步骤：
S1：通过视频采集处理单元记录浮游生物生存状态的视频信息并拆分成帧图像Fi，i为图像帧序号；
S2：对每一帧图像进行基于清晰度的扫描和图像分割，得到清晰的浮游生物感兴趣域Ri；
具体包括：
S21：将帧图像Fi进行拉普拉斯变换得到相应的高通图像Hi；
如式：Hi＝Fi*L，式中，Fi为第i张原图像，L为3×3的滤波器[1,1,1；1,-8,1；1,1,1]；
S22：删除全局清晰度指标低于预设阈值的高通图像；
针对图像序列中存在的冗余信息，我们利用全局的清晰度指标(GC)对高通图像进行筛选，所述全局清晰度指标通过
Figure BDA0002362824060000061
计算，其中Hi(x,y)表示第i张高通图像中坐标(x,y)处的像素值，
Figure BDA0002362824060000062
为第i张高通图像各个像素点的均值。GC值越大说明图像越清晰，更有可能含有清晰的浮游生物的信息，GC值越小说明该张图像越平滑，不包含浮游生物的细节性信息，因此我们设置一个GC的阈值Tgc来删除无用信息，以减小内存的消耗，提高浮游生物数据库的构建效率；
S23：将筛选出的高通图像进行阈值分割和形态学处理，将浮游生物区域与背景区域隔离得到二值图像Bi，通过图像分割得到浮游生物感兴趣域；
S24：删除局部清晰度指标低于预设阈值的浮游生物感兴趣域，得到最终清晰的浮游生物感兴趣域Ri。
所述局部清晰度指标通过
Figure BDA0002362824060000071
计算，其中n为二值图像Bi中目标区域的像素个数，
Figure BDA0002362824060000072
表示局部均值，Hi(x,y)表示第i张高通图像中坐标(x,y)处的像素值，Bi(x,y)表示第i张二值图像中坐标(x,y)处的像素值；
S3：识别所述浮游生物感兴趣域中的同一目标对象；
步骤S3的具体步骤包括：
S31：通过两个浮游生物感兴趣域的长宽比和面积比判断是否可能包含同一目标对象；
具体实施时，根据同一个目标在连续几帧中的形态相近的特点，采用两个目标区域的长度之比与宽度之比的和Ratiol和面积之比Ratios对相似性进行初始判断，分别表示为：
Figure BDA0002362824060000073
其中，
Figure BDA0002362824060000074
分别为与B1和B2中闭合连通域有相同二阶矩的椭圆的长轴，
Figure BDA0002362824060000075
分别为B1和B2中闭合连通域有相同二阶矩的椭圆的短轴，area1,area2分别为B1和B2中闭合连通域的像素的个数。当两个目标的长和宽都相等时，Ratiol＝2，当两个目标的面积相等时，Ratios＝1。考虑到浮游生物的流动性以及数据中存在的各向异性模糊现象，本文中我们设置参数为：
Figure BDA0002362824060000076
当条件不满足时，这两个感兴趣域视为不同的目标区域，若满足上述条件，这两个感兴趣域可能包含同一个目标，然后进行下一步的判断。
S32：对可能包含同一目标对象的两个浮游生物感兴趣域进行图像配准，将二者变换到相同的坐标系下；
S33：判断目标重合度是否大于预设阈值，如果目标重合度大于预设阈值，则认定二者属于同一目标对象的感兴趣域；否则，认为二者属于不同目标对象的感兴趣域；
具体实施时，所述目标重合度包括按照
Figure BDA0002362824060000081
计算的第一指标，以及按照
Figure BDA0002362824060000082
计算的第二指标，当所述第一指标和所述第二指标均大于各自对应的阈值时，认定两个浮游生物感兴趣域属于同一目标对象的感兴趣域，其中：
Boverlap(x,y)＝B1(x,y)·B2(x,y)表示两个感兴趣区域中浮游生物的重合区域；
Figure BDA0002362824060000083
表示目标区域；
B1(x,y)和B2(x,y)分别表示待处理的两个浮游生物感兴趣域的二值图像；
area1和area2分别为待处理的两个浮游生物感兴趣域的二值图像面积。
S4：将同一目标对象在不同的浮游生物感兴趣域中的图像信息进行融合，形成每个目标对象清晰的形态结构特征数据库。
步骤S4具体包括：
S41:计算具有同一目标对象的两个感兴趣区域的显著特征图像，记为S1和S2，S(x,y)定义高通图像中以(x,y)为中心的(2w+1)×(2w+1)的区域中数值的方差，w为控制窗口大小，为了提高图像融合的效率，我们采用积分图像的方法来进行加速，通过积分图像，显著性特征图的计算就可以转化为简单的加减运算来完成，有效地提升了算法的运行效率；
S42：根据两个感兴趣区域的显著特征图像S1和S2得出初始决策图D，其中：
Figure BDA0002362824060000084
针对初始决策图像中存在的噪声现象，我们采用形态学的方法剔除噪声。若决策图像的长和宽分别为m和n，若某区域面积小于
Figure BDA0002362824060000085
则视为较小区域，为达到更好的视觉效果，需要将其去除，得到新的决策图像
Figure BDA0002362824060000091
S43：边界的融合采用加权的融合方法，非边界的区域直接从原图像中选取，具体地：
S431：先从决策图像D中确定出决策边界，并对决策边界使用3×3的核进行膨胀构成边界区域:
Figure BDA0002362824060000092
S432：对决策图像进行修正，得到
Figure BDA0002362824060000093
此时决策图像DM包含三部分：标识第一张原图清晰的部分map1，标识第二张原图清晰的部分map2和边界部分mapb；
S433：将map1和map2直接从相应的原图像中提取得到F1和F2，边界区域Fb的融合方法如式：
Figure BDA0002362824060000094
其中：
ωi(x,y)＝(d-di(x,y))/(1+d)，而
Figure BDA0002362824060000095
表示边界区域中的点(x,y)到map1和map2中最近的非零点的距离的和；
S434：按照F＝F1+F2+Fb得到高度清晰的融合图像。
综上所述，本发明通过提供一种端到端的浮游生物数据库构建系统及方法，解决了高速视频采集系统中产生的大量的数据冗余现象，减少了内存的消耗，有利于对浮游生物的实时性监控，同时，高质量的浮游生物数据库提供了完整的浮游生物形态结构特征，提高了浮游生物研究的准确性，对生物多样性以及海洋生态系统的研究具有重要意义。
此外，以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种端到端的浮游生物数据库构建系统，其特征在于：包括视频采集处理单元、目标检测单元、目标识别单元以及浮游生物数据库构建单元，其中：
所述视频采集处理单元用于记录浮游生物生存状态的视频信息并拆分成帧图像；
所述目标检测单元：用于接收所述视频采集处理单元上传的帧图像，并进行基于清晰度的扫描和图像分割，得到清晰的浮游生物感兴趣域；
所述目标识别单元：用于识别所述浮游生物感兴趣域中的同一目标对象
所述浮游生物数据库构建单元：用于将同一目标对象在不同的浮游生物感兴趣域中的图像信息进行融合，形成每个目标对象清晰的形态结构特征数据库。
2.一种端到端的浮游生物数据库构建方法，其特征在于，包括以下步骤：
S1：通过视频采集处理单元记录浮游生物生存状态的视频信息并拆分成帧图像Fi，i为图像帧序号；
S2：对每一帧图像进行基于清晰度的扫描和图像分割，得到清晰的浮游生物感兴趣域Ri；
S3：识别所述浮游生物感兴趣域中的同一目标对象；
S4：将同一目标对象在不同的浮游生物感兴趣域中的图像信息进行融合，形成每个目标对象清晰的形态结构特征数据库。
3.根据权利要求2所述的端到端的浮游生物数据库构建方法，其特征在于，步骤S2包括：
S21：将帧图像Fi进行拉普拉斯变换得到相应的高通图像Hi；
S22：删除全局清晰度指标低于预设阈值的高通图像；
S23：将筛选出的高通图像进行阈值分割和形态学处理，将浮游生物区域与背景区域隔离得到二值图像Bi，通过图像分割得到浮游生物感兴趣域；
S24：删除局部清晰度指标低于预设阈值的浮游生物感兴趣域，得到最终清晰的浮游生物感兴趣域Ri。
4.根据权利要求3所述的端到端的浮游生物数据库构建方法，其特征在于，所述全局清晰度指标通过
Figure FDA0002362824050000021
计算，其中Hi(x,y)表示第i张高通图像中坐标(x,y)处的像素值，
Figure FDA0002362824050000022
为第i张高通图像各个像素点的均值。
5.根据权利要求3或4所述的端到端的浮游生物数据库构建方法，其特征在于，所述局部清晰度指标通过
Figure FDA0002362824050000023
计算，其中n为二值图像Bi中目标区域的像素个数，
Figure FDA0002362824050000024
表示局部均值，Hi(x,y)表示第i张高通图像中坐标(x,y)处的像素值，Bi(x,y)表示第i张二值图像中坐标(x,y)处的像素值。
6.根据权利要求2或3所述的端到端的浮游生物数据库构建方法，其特征在于，步骤S3的具体步骤包括：
S31：通过两个浮游生物感兴趣域的长宽比和面积比判断是否可能包含同一目标对象；
S32：对可能包含同一目标对象的两个浮游生物感兴趣域进行图像配准，将二者变换到相同的坐标系下；
S33：判断目标重合度是否大于预设阈值，如果目标重合度大于预设阈值，则认定二者属于同一目标对象的感兴趣域；否则，认为二者属于不同目标对象的感兴趣域。
7.根据权利要求6所述的端到端的浮游生物数据库构建方法，其特征在于，所述目标重合度包括按照
Figure FDA0002362824050000025
计算的第一指标，以及按照
Figure FDA0002362824050000026
计算的第二指标，当所述第一指标和所述第二指标均大于各自对应的阈值时，认定两个浮游生物感兴趣域属于同一目标对象的感兴趣域，其中：
Boverlap(x,y)＝B1(x,y)·B2(x,y)表示两个感兴趣区域中浮游生物的重合区域；
Figure FDA0002362824050000031
表示目标区域；
B1(x,y)和B2(x,y)分别表示待处理的两个浮游生物感兴趣域的二值图像；
area1和area2分别为待处理的两个浮游生物感兴趣域的二值图像面积。
8.根据权利要求2所述的端到端的浮游生物数据库构建方法，其特征在于，步骤S4具体包括：
S41:计算具有同一目标对象的两个感兴趣区域的显著特征图像，记为S1和S2；
S42：根据两个感兴趣区域的显著特征图像S1和S2得出初始决策图D，其中：
Figure FDA0002362824050000032
S43：边界的融合采用加权的融合方法，非边界的区域直接从原图像中选取，具体地：
S431：先从决策图像D中确定出决策边界，并对决策边界使用3×3的核进行膨胀构成边界区域:
Figure FDA0002362824050000033
S432：对决策图像进行修正，得到
Figure FDA0002362824050000034
此时决策图像DM包含三部分：标识第一张原图清晰的部分map1，标识第二张原图清晰的部分map2和边界部分mapb；
S433：将map1和map2直接从相应的原图像中提取得到F1和F2，边界区域Fb的融合方法如式：
Figure FDA0002362824050000035
其中ωi(x,y)＝(d-di(x,y))/(1+d)，而
Figure FDA0002362824050000036
表示边界区域中的点(x,y)到map1和map2中最近的非零点的距离的和；
S434：按照F＝F1+F2+Fb得到高度清晰的融合图像。
9.根据权利要求8所述的端到端的浮游生物数据库构建方法，其特征在于，步骤S42中采用形态学的方法剔除噪声，若决策图像的长和宽分别为m和n，当某区域面积小于
Figure FDA0002362824050000041
则视为较小区域，需要将其去除。
CN202010026986.5A 2020-01-10 2020-01-10 一种端到端的浮游生物数据库构建系统及方法 Pending CN111259754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010026986.5A CN111259754A (zh) 2020-01-10 2020-01-10 一种端到端的浮游生物数据库构建系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010026986.5A CN111259754A (zh) 2020-01-10 2020-01-10 一种端到端的浮游生物数据库构建系统及方法

Publications (1)

Publication Number Publication Date
CN111259754A true CN111259754A (zh) 2020-06-09

Family

ID=70948699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010026986.5A Pending CN111259754A (zh) 2020-01-10 2020-01-10 一种端到端的浮游生物数据库构建系统及方法

Country Status (1)

Country Link
CN (1) CN111259754A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529791A (zh) * 2020-11-16 2021-03-19 中国海洋大学 基于浮游生物数字全息图像的自适应性多焦点复原方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007263892A (ja) * 2006-03-29 2007-10-11 Chugoku Electric Power Co Inc:The プランクトンの分布調査システム
CN104881855A (zh) * 2015-06-10 2015-09-02 北京航空航天大学 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法
CN109118519A (zh) * 2018-07-26 2019-01-01 北京纵目安驰智能科技有限公司 基于实例分割的目标Re-ID方法、系统、终端和存储介质
CN109859240A (zh) * 2017-11-30 2019-06-07 比亚迪股份有限公司 视频对象跟踪方法和装置、车辆
CN110197455A (zh) * 2019-06-03 2019-09-03 北京石油化工学院 二维全景图像的获取方法、装置、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007263892A (ja) * 2006-03-29 2007-10-11 Chugoku Electric Power Co Inc:The プランクトンの分布調査システム
CN104881855A (zh) * 2015-06-10 2015-09-02 北京航空航天大学 一种利用形态学和自由边界条件活动轮廓模型的多聚焦图像融合方法
CN109859240A (zh) * 2017-11-30 2019-06-07 比亚迪股份有限公司 视频对象跟踪方法和装置、车辆
CN109118519A (zh) * 2018-07-26 2019-01-01 北京纵目安驰智能科技有限公司 基于实例分割的目标Re-ID方法、系统、终端和存储介质
CN110197455A (zh) * 2019-06-03 2019-09-03 北京石油化工学院 二维全景图像的获取方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIA YU ET AL: "Video-Based Real Time Analysis of Plankton Particle Size Spectrum" *
YU ZHANG, XIANGZHI BAI, TAO WANG: "Boundary finding based multi-focus image fusion through multi-scale morphological focus-measure" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529791A (zh) * 2020-11-16 2021-03-19 中国海洋大学 基于浮游生物数字全息图像的自适应性多焦点复原方法

Similar Documents

Publication Publication Date Title
CN110009013B (zh) 编码器训练及表征信息提取方法和装置
Zhao et al. Multi-scale optimal fusion model for single image dehazing
Sindagi et al. Pushing the frontiers of unconstrained crowd counting: New dataset and benchmark method
CN107844779B (zh) 一种视频关键帧提取方法
CN108460764B (zh) 基于自动上下文和数据增强的超声图像智能分割方法
CN103325112B (zh) 动态场景中运动目标快速检测方法
Wang et al. Consistent video saliency using local gradient flow optimization and global refinement
CN108198201A (zh) 一种多目标跟踪方法、终端设备及存储介质
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN106934806B (zh) 一种基于结构清晰度的无参考图失焦模糊区域分割方法
CN111598928B (zh) 一种基于具有语义评估和区域建议的突变运动目标跟踪方法
CN110766720A (zh) 一种基于深度学习的多摄像头车辆跟踪系统
CN111462027B (zh) 基于多尺度梯度和抠图的多聚焦图像融合方法
CN108734109B (zh) 一种面向图像序列的视觉目标跟踪方法及系统
Agrawal et al. Dense haze removal by nonlinear transformation
CN109215047B (zh) 基于深海视频的运动目标检测方法和装置
CN106462975A (zh) 用于对象跟踪和经由背景跟踪进行分割的方法和装置
Wang et al. PFDN: Pyramid feature decoupling network for single image deraining
CN111753693A (zh) 一种静态场景下目标检测方法
CN109558877B (zh) 基于kcf的海上目标跟踪算法
CN108647605B (zh) 一种结合全局颜色与局部结构特征的人眼凝视点提取方法
CN111259754A (zh) 一种端到端的浮游生物数据库构建系统及方法
CN116977334B (zh) 一种光缆表面瑕疵检测方法及装置
CN110298229B (zh) 视频图像处理方法及装置
CN108875630B (zh) 一种基于视频的雨天环境下移动目标检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200609