CN111339395A - 一种用于电子商务系统的数据信息匹配方法和系统 - Google Patents

一种用于电子商务系统的数据信息匹配方法和系统 Download PDF

Info

Publication number
CN111339395A
CN111339395A CN202010086918.8A CN202010086918A CN111339395A CN 111339395 A CN111339395 A CN 111339395A CN 202010086918 A CN202010086918 A CN 202010086918A CN 111339395 A CN111339395 A CN 111339395A
Authority
CN
China
Prior art keywords
picture
user
interest
target
pixel
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
CN202010086918.8A
Other languages
English (en)
Inventor
胡明丽
牟欣涛
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.)
Shandong Economic And Trade Vocational College
Original Assignee
Shandong Economic And Trade Vocational College
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 Shandong Economic And Trade Vocational College filed Critical Shandong Economic And Trade Vocational College
Priority to CN202010086918.8A priority Critical patent/CN111339395A/zh
Publication of CN111339395A publication Critical patent/CN111339395A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9532—Query formulation
    • 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
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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

Abstract

本发明涉及一种用于电子商务系统的数据信息匹配方法和系统，匹配方法包括如下步骤：获取用户输入的图片，并获取用户在图片上的点击位置；所述图片为含有用户兴趣目标的图像；根据用户在图片上点击的位置和预设的分割过程中的参数，从用户获取的图片上分割出用户的兴趣目标；所述参数包括噪声控制参数、粉盒精细度控制参数和采样半径；根据得到兴趣目标的图像对其进行识别，并根据识别结果搜索到相应的商品。本发明所提供的技术方案，用户在通过图片搜索其感兴趣商品时，只需点击感兴趣商品所在的位置即可。由于本发明所提供的技术方案能够简化用户的操作，因此能够解决现有技术中用户在采用图片搜索商品时操作复杂的问题。

Description

一种用于电子商务系统的数据信息匹配方法和系统
技术领域
本发明属于电子商务的数据信息匹配技术领域，具体涉及一种用于电子商务系统的数据信息匹配方法和系统。
背景技术
电子商务是指以信息网络技术为手段，以商品交换为中心的商务活动；也可理解为在互联网、企业内部网和增值网上以电子交易方式进行交易活动和相关服务的活动，是传统商业活动各环节的电子化、网络化、信息化；以互联网为媒介的商业行为均属于电子商务的范畴。
目前人们在搜索自己需要的商品时，都是将自己需要的商品名称输入到搜索栏中，购物平台根据用户输入的商品名称查询并向用户终端发送相应的商品信息。这种方式虽然可以帮助用户寻找到其需要的商品，但是随着商品种类和款式的增多，每次用户需要查询到的商品种类也会增多，用户需要在查询到的商品中逐一的查看筛选才能得到需要的商品，不便于用户的查询。
随着科技的发展，基于内容的购物图像搜索是近年来学术界和工业界的研究热点，用户可以通过购物应用程序输入需要购买商品的图片，应用程序可从购物平台上自动搜索到用户需要的商品。然而图像背景杂乱、多目标共存、物体遮挡等问题使得大规模图像搜索成为一个具有挑战性的研究课题。
授权公告号为CN100578508C的中国发明专利公开了一种交互式图像搜索系统和方法，首先用户选择物体照片，并在照片上选择感兴趣区域，然后选择待识别物体类别，根据用户选择的区域和类别用前景提取法自动分割前景区域，在前景区域提取图像特征。
由此可见，这种选取方法需要用户先在图像上选择感兴趣区域后，才能再从感兴趣区域中提取待识别物体的。因此这种方式的操作比较复杂，并且用户选择的感兴趣范围比较大时，提取待识别物的过程中存在较大的干扰信息，不便于物体的提取。
发明内容
本发明的目的是提供一种用于电子商务系统的数据信息匹配方法和系统，以解决现有电子商务系统中在采用图片搜索商品时操作复杂的问题。
为实现上述目的，本发明采用如下技术方案：
一种用于电子商务系统的数据信息匹配方法，包括如下步骤：
步骤一：获取用户输入的图片，并获取用户在图片上的点击位置；所述图片为含有用户兴趣目标的图像；
步骤二：根据用户在图片上点击的位置和预设的分割过程中的参数，从用户获取的图片上分割出用户的兴趣目标；所述参数包括噪声控制参数、粉盒精细度控制参数和采样半径；
步骤三：根据得到兴趣目标的图像对其进行识别，并根据识别结果搜索到相应的商品。
进一步的，所述步骤一中获取图片的方式为拍摄图片或从客户端的数据存储区域读取存储的图片。
进一步的，所述步骤二包括如下子步骤：
(1)计算图片中像素点之间的纹理相似度；
(2)根据用户点击位置提取局部像素点，构造兴趣目标和非兴趣目标的高斯混合模型；
(3)计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度和像素点间的空间距离；
(4)求解能量方程，得到分割出的兴趣目标。
进一步的，根据采集到的用户点击位置和采样半径提取局部像素作为兴趣目标的先验信息，在图片边缘很具采集半径提取局部像素点作为非兴趣目标的先验信息，根据兴趣目标的先验信息和非兴趣目标的先验信息构造所述高斯混合模型。
进一步的，计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度的步骤为：首先逐像素点计算高斯混合模型的条件概率密度；然后逐像素点计算总的联合概率密度；最后逐像素点计算兴趣目标的后验概率。
一种用于电子商务系统的数据信息匹配系统，包括处理器和存储器，存储器上存储有用于在所述处理器上执行的计算机程序；当所述处理器执行所述计算机程序时，实现如下控制步骤：
步骤一：获取用户输入的图片，并获取用户在图片上的点击位置；所述图片为含有用户兴趣目标的图像；
步骤二：根据用户在图片上点击的位置和预设的分割过程中的参数，从用户获取的图片上分割出用户的兴趣目标；所述参数包括噪声控制参数、粉盒精细度控制参数和采样半径；
步骤三：根据得到兴趣目标的图像对其进行识别，并根据识别结果搜索到相应的商品。
进一步的，所述步骤一中获取图片的方式为拍摄图片或从客户端的数据存储区域读取存储的图片。
进一步的，所述步骤二包括如下子步骤：
(1)计算图片中像素点之间的纹理相似度；
(2)根据用户点击位置提取局部像素点，构造兴趣目标和非兴趣目标的高斯混合模型；
(3)计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度和像素点间的空间距离；
(4)求解能量方程，得到分割出的兴趣目标。
进一步的，根据采集到的用户点击位置和采样半径提取局部像素作为兴趣目标的先验信息，在图片边缘很具采集半径提取局部像素点作为非兴趣目标的先验信息，根据兴趣目标的先验信息和非兴趣目标的先验信息构造所述高斯混合模型。
进一步的，计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度的步骤为：首先逐像素点计算高斯混合模型的条件概率密度；然后逐像素点计算总的联合概率密度；最后逐像素点计算兴趣目标的后验概率。
本发明的有益效果：本发明所提供的技术方案，根据用户在图片中点击的位置即可得到用户感兴趣的商品，因此用户在通过图片搜索其感兴趣商品时，只需点击感兴趣商品所在的位置即可。由于本发明所提供的技术方案能够简化用户的操作，因此能够解决现有技术中用户在采用图片搜索商品时操作复杂的问题。
附图说明
图1是本发明方法实施例中用于电子商务系统的数据信息匹配方法的流程图；
图2是本发明方法实施例中从图片上分割兴趣目标图像的流程图；
图3是本发明方法实施例中构造兴趣目标和非兴趣目标的高斯混合模型的流程图；
图4是本发明方法实施例中计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度的流程图。
具体实施方式
方法实施例：
本实施例提供一种用于电子商务系统的数据信息匹配方法，用于电子商务系统中根据用户输入的图片搜索其感兴趣的商品，解决现有电子商务系统中用户在采用图片搜索商品是操作复杂的问题。
本实施例所提供的用于电子商务系统的数据信息匹配方法，其流程如图1所示，包括如下步骤：
步骤一：获取用户输入的图片。
用户输入图片中包含其需要用户兴趣目标的图像，用户输入图片的方式有多种，可以通过相机拍摄商品得到图片，也可以从客户端上的图片库中读取存储的图像。
步骤二：将用户输入的图片显示在客户端的显示屏上，获取用户在图片上点击的位置。
将用户输入的图像显示在客户端的显示屏上，用户点击其兴趣目标；客户端捕捉用户在客户端显示屏上点击的位置，并结合图片在显示屏上的位置，得到用户在图片上的位置。
步骤三：根据用户在图片上点击的位置以及预设的分割过程中的参数，从用户输入的图片上分割出用户兴趣目标的图像。
步骤四：根据分割出的用户感兴趣的商品的图像对其进行识别，并根据识别结果搜索相应商品的信息，并将其发送给用户，显示在用户的客户端上，供用户操作。
上述步骤二中，分割过程中的参数包括噪声控制参数、分割精细度控制参数和采样半径，其中噪声控制参数的取值范围为[1，15]，取值越大效果越明显；分割精细控制参数取值范围为[0，100]，取值越小越精细；采样半径取值范围为[2，5]。本实施例中设置噪声控制参数为15，分割精细度控制参数为10，采样半径为3。
上述步骤二中，从用户输入的图片上得到需要搜索的商品的图像的方法包括如下步骤：
S1：以图像的左上角为原点，获取点击位置的坐标(x,y)；
S2：计算图像中像素点之间的纹理相似度；像素点之间的纹理相似度为像素点灰度值之间差值的平方。
S3：根据点击位置提取局部像素点，构造高斯混合模型。
根据采集到的用户点击位置和采样半径提取局部像素作为兴趣目标的先验信息，像素点数量计为Nf，在图像边缘根据采样半径提取局部像素点作为非兴趣目标的先验信息，像素点数量计为Nb，根据两部分先验信息构造高斯混合模型，其步骤如下：
(1)对兴趣目标的局部像素点进行聚类分析，聚类数据记为m，聚类数据即为高斯混合模型中高斯核的数量，每个聚类中像素点的数量计为
Figure RE-GDA0002452900950000061
i取值1 到m，优选的设置聚类数据m＝5，
Figure RE-GDA0002452900950000062
(2)对飞行区目标的局部像素进行聚类分析，聚类数量与步骤C1中的相等，每个聚类中像素点的数量计为
Figure RE-GDA0002452900950000063
i取值1到m，
Figure RE-GDA0002452900950000064
(3)分别计算步骤C1和步骤C2中得到的两个高斯混合模型的均值：
Figure RE-GDA0002452900950000065
Figure RE-GDA0002452900950000066
Figure RE-GDA0002452900950000071
为根据兴趣目标中局部像素点灰度值构造的好俗混合模型的均值，即其聚类中心；
Figure RE-GDA0002452900950000072
为根据非兴趣目标中局部像素点灰度值构造的好俗混合模型的均值，即其聚类中心；
Ci为聚类，
Figure RE-GDA0002452900950000073
为兴趣目标局部像素点，对应聚类Ci每种像素点的灰度值(对于真彩色图像，μi为矢量，矢量维度等于图像通道数量)；
Figure RE-GDA0002452900950000074
为非兴趣目标局部像素点，对应聚类Ci每种像素点的灰度值。
(4)分别计算上述兴趣目标和非兴趣目标高斯混合模型的方差：
Figure RE-GDA0002452900950000075
Figure RE-GDA0002452900950000076
其中
Figure RE-GDA0002452900950000077
为根据兴趣目标中局部像素点灰度值构造的高斯混合模型的协方差矩阵，
Figure RE-GDA0002452900950000078
为根据非兴趣目标中局部像素点灰度值构造的高斯混合模型的协方差矩阵，对真彩色图像：
Figure RE-GDA0002452900950000079
Figure RE-GDA00024529009500000710
此时，协方差矩阵为3×3的对称矩阵。
对于灰度图像
Figure RE-GDA0002452900950000081
Figure RE-GDA0002452900950000082
此时协方差矩阵为1×1的矩阵。
(5)计算高斯混合模型中各高斯的权重，兴趣目标对应的高斯混合模型权重为
Figure RE-GDA0002452900950000083
非兴趣目标对应的高斯混合模型权重为
Figure RE-GDA0002452900950000084
S4：计算每个像素点属于兴趣目标或非兴趣目标的概率密度，步骤如下：
首先逐像素点计算高斯混合模型的条件概率密度，其中
像素属于兴趣目标时，高斯混合模型的条件概率密度为：
Figure RE-GDA0002452900950000085
像素属于非兴趣目标时，高斯混合模型的条件概率密度：
Figure RE-GDA0002452900950000086
然后逐像素点计算总的联合概率密度：
像素点属于兴趣目标时，总的联合概率密度为：
p(IK|F)＝γp(Ik|FUNIFORM)+(1-γ)p(Ik|FGMM)
像素属于非兴趣目标时，总的联合概率密度为：
p(IK|B)＝γp(Ik|BUNIFORM)+(1-γ)p(Ik|BGMM)
当γ＝0时联合概率密度完全由高斯混合模型确定，当γ＝1时完全由均匀分布确定；优选地，γ＝0.05。
最后逐像素点计算属于兴趣目标的后验概率：
Figure RE-GDA0002452900950000091
S5：计算像素点间的空间距离；像素点间的空间距离为位置坐标之间的欧式距离；
S6：求解能量方程，得到分割结果：通过图割算法求解能量方程，得到分割结果，步骤为：
E1构造图模型，图模型的节点包括图像中的像素点以及额外的节点，图模型中的边包括像素点之间以及像素点与两个额外节点之间；
E2：确定边上的权重：
Figure RE-GDA0002452900950000092
其中dist(p,q)为像素点p和q之间的距离，p和q为相邻像素。
Figure RE-GDA0002452900950000093
其中f为兴趣目标的局部像素点，b为非兴趣目标的局部像素点
Figure RE-GDA0002452900950000094
优选的，设置σ＝150
E3：构造能量方程：
设一种分割结果S＝(s1,s2,…,sp)，其中
Figure RE-GDA0002452900950000095
当p为目标时sp＝1，否则sp＝0
能量方程为：
E(S)＝λ∑p∈PRegionp(sp)+∑p,q∈NBoundouryp,qδ(sp,sq)
其中等式右侧第一项标识区域属性项，第二项标识边界属性项；
Figure RE-GDA0002452900950000101
E4：利用图割求解能量方程。
设一种切割即为Cut，这种Cut的损失为：
Figure RE-GDA0002452900950000102
则E(S(Cut))＝Cost(Cut)+const
其中
Figure RE-GDA0002452900950000103
Regionp("obiect")＝-ln(p(F|Ip))
Regionp("background")＝-ln(1-p(F|Ip))
最小能量方程E(S(Cut))即最小化Cost(Cut)
结果后处理：对分割结果后处理，即只输出包含用户点击位置的联通区域。
分割结果是否满足分割要求，若不满足重复上述步骤，直到得到满意的分割结果，分割结果包括兴趣目标的轮廓点坐标，输出结果。
系统实施例：
本实施例提供一种用于电子商务系统的数据信息匹配系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序，当处理器执行该计算机程序时，实现如上述方法实施例中所提供的用于电子商务系统的数据信息匹配方法。
以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
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，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种用于电子商务系统的数据信息匹配方法，其特征在于，包括如下步骤：
步骤一：获取用户输入的图片，并获取用户在图片上的点击位置；所述图片为含有用户兴趣目标的图像；
步骤二：根据用户在图片上点击的位置和预设的分割过程中的参数，从用户获取的图片上分割出用户的兴趣目标；所述参数包括噪声控制参数、粉盒精细度控制参数和采样半径；
步骤三：根据得到兴趣目标的图像对其进行识别，并根据识别结果搜索到相应的商品。
2.根据权利要求1所述的用于电子商务的数据信息匹配方法，其特征在于，所述步骤一中获取图片的方式为拍摄图片或从客户端的数据存储区域读取存储的图片。
3.根据权利要求1或2所述的用于电子商务的数据信息匹配方法，其特征在于，所述步骤二包括如下子步骤：
(1)计算图片中像素点之间的纹理相似度；
(2)根据用户点击位置提取局部像素点，构造兴趣目标和非兴趣目标的高斯混合模型；
(3)计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度和像素点间的空间距离；
(4)求解能量方程，得到分割出的兴趣目标。
4.根据权利要求3所述的用于电子商务的数据信息匹配方法，其特征在于，根据采集到的用户点击位置和采样半径提取局部像素作为兴趣目标的先验信息，在图片边缘很具采集半径提取局部像素点作为非兴趣目标的先验信息，根据兴趣目标的先验信息和非兴趣目标的先验信息构造所述高斯混合模型。
5.根据权利要求3所述的用于电子商务的数据信息匹配方法，其特征在于，计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度的步骤为：首先逐像素点计算高斯混合模型的条件概率密度；然后逐像素点计算总的联合概率密度；最后逐像素点计算兴趣目标的后验概率。
6.一种用于电子商务系统的数据信息匹配系统，包括处理器和存储器，存储器上存储有用于在所述处理器上执行的计算机程序；其特征在于，当所述处理器执行所述计算机程序时，实现如下控制步骤：
步骤一：获取用户输入的图片，并获取用户在图片上的点击位置；所述图片为含有用户兴趣目标的图像；
步骤二：根据用户在图片上点击的位置和预设的分割过程中的参数，从用户获取的图片上分割出用户的兴趣目标；所述参数包括噪声控制参数、粉盒精细度控制参数和采样半径；
步骤三：根据得到兴趣目标的图像对其进行识别，并根据识别结果搜索到相应的商品。
7.根据权利要求1所述的用于电子商务的数据信息匹配系统，其特征在于，所述步骤一中获取图片的方式为拍摄图片或从客户端的数据存储区域读取存储的图片。
8.根据权利要求6或7所述的用于电子商务的数据信息匹配系统，其特征在于，所述步骤二包括如下子步骤：
(1)计算图片中像素点之间的纹理相似度；
(2)根据用户点击位置提取局部像素点，构造兴趣目标和非兴趣目标的高斯混合模型；
(3)计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度和像素点间的空间距离；
(4)求解能量方程，得到分割出的兴趣目标。
9.根据权利要求8所述的用于电子商务的数据信息匹配系统，其特征在于，根据采集到的用户点击位置和采样半径提取局部像素作为兴趣目标的先验信息，在图片边缘很具采集半径提取局部像素点作为非兴趣目标的先验信息，根据兴趣目标的先验信息和非兴趣目标的先验信息构造所述高斯混合模型。
10.根据权利要求8所述的用于电子商务的数据信息匹配系统，其特征在于，计算图片中各像素点属于兴趣目标或非兴趣目标的概率密度的步骤为：首先逐像素点计算高斯混合模型的条件概率密度；然后逐像素点计算总的联合概率密度；最后逐像素点计算兴趣目标的后验概率。
CN202010086918.8A 2020-02-11 2020-02-11 一种用于电子商务系统的数据信息匹配方法和系统 Pending CN111339395A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010086918.8A CN111339395A (zh) 2020-02-11 2020-02-11 一种用于电子商务系统的数据信息匹配方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010086918.8A CN111339395A (zh) 2020-02-11 2020-02-11 一种用于电子商务系统的数据信息匹配方法和系统

Publications (1)

Publication Number Publication Date
CN111339395A true CN111339395A (zh) 2020-06-26

Family

ID=71185305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010086918.8A Pending CN111339395A (zh) 2020-02-11 2020-02-11 一种用于电子商务系统的数据信息匹配方法和系统

Country Status (1)

Country Link
CN (1) CN111339395A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216841A (zh) * 2008-01-14 2008-07-09 南京搜拍信息技术有限公司 交互式图像搜索系统和方法
CN103020971A (zh) * 2012-12-28 2013-04-03 青岛爱维互动信息技术有限公司 从图像中自动分割目标对象的方法
CN105701810A (zh) * 2016-01-12 2016-06-22 湖南中航天目测控技术有限公司 一种基于点击式图像分割的无人机航拍图像电子勾绘方法
CN109034115A (zh) * 2018-08-22 2018-12-18 Oppo广东移动通信有限公司 视频识图方法、装置、终端及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216841A (zh) * 2008-01-14 2008-07-09 南京搜拍信息技术有限公司 交互式图像搜索系统和方法
CN103020971A (zh) * 2012-12-28 2013-04-03 青岛爱维互动信息技术有限公司 从图像中自动分割目标对象的方法
CN105701810A (zh) * 2016-01-12 2016-06-22 湖南中航天目测控技术有限公司 一种基于点击式图像分割的无人机航拍图像电子勾绘方法
CN109034115A (zh) * 2018-08-22 2018-12-18 Oppo广东移动通信有限公司 视频识图方法、装置、终端及存储介质

Similar Documents

Publication Publication Date Title
Li et al. RGB-T object tracking: Benchmark and baseline
US11004129B2 (en) Image processing
Zhang et al. Detection of co-salient objects by looking deep and wide
Tong et al. Salient object detection via global and local cues
Borji What is a salient object? A dataset and a baseline model for salient object detection
CN100578508C (zh) 交互式图像搜索系统和方法
Xu et al. Segmentation of building roofs from airborne LiDAR point clouds using robust voxel-based region growing
US9626585B2 (en) Composition modeling for photo retrieval through geometric image segmentation
CN110096961B (zh) 一种超像素级别的室内场景语义标注方法
Zhang et al. Salient object detection via compactness and objectness cues
Zhou et al. Ssg: superpixel segmentation and grabcut-based salient object segmentation
CN110188763B (zh) 一种基于改进图模型的图像显著性检测方法
Nawaz et al. Saliency detection via multiple-morphological and superpixel based fast fuzzy C-mean clustering network
Li et al. Unsupervised road extraction via a Gaussian mixture model with object-based features
Chen et al. Visual saliency detection based on homology similarity and an experimental evaluation
Wang et al. Unsupervised segmentation of greenhouse plant images based on modified Latent Dirichlet Allocation
Shen et al. RGBT tracking based on cooperative low-rank graph model
Liu et al. M3L: Multi-modality mining for metric learning in person re-Identification
Li et al. Saliency detection via alternative optimization adaptive influence matrix model
Zhou et al. Modeling perspective effects in photographic composition
Yang et al. Segmentation and recognition of multi-model photo event
Qiu et al. Eye fixation assisted video saliency detection via total variation-based pairwise interaction
Li et al. Image/video segmentation: Current status, trends, and challenges
CN111339395A (zh) 一种用于电子商务系统的数据信息匹配方法和系统
Qi et al. Graph-Boolean map for salient object detection

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: 20200626