CN111428713A - 一种基于特征融合的超声图像自动分类法 - Google Patents
一种基于特征融合的超声图像自动分类法 Download PDFInfo
- Publication number
- CN111428713A CN111428713A CN202010199592.XA CN202010199592A CN111428713A CN 111428713 A CN111428713 A CN 111428713A CN 202010199592 A CN202010199592 A CN 202010199592A CN 111428713 A CN111428713 A CN 111428713A
- Authority
- CN
- China
- Prior art keywords
- image
- positive integer
- tangent plane
- feature
- standard
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 210000001685 thyroid gland Anatomy 0.000 description 24
- 238000002604 ultrasonography Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明提供了超声图像分类领域的一种基于特征融合的超声图像自动分类法,包括如下步骤:步骤S10、获取超声图像,对所述超声图像进行预处理并生成标准切面;步骤S20、提取所述标准切面中的图像特征;步骤S30、对所述图像特征进行归一化处理,得到特征向量;步骤S40、基于所述特征向量,利用SVM分类器对所述标准切面进行学习和分类。本发明的优点在于:极大的提升了超声图像标准切面分类的精度以及效率。
Description
技术领域
本发明涉及超声图像分类领域,特别指一种基于特征融合的超声图像自动分类法。
背景技术
由于B型超声诊断系统具有无创、无辐射、廉价等优点,越来越多的应用于医学诊疗中,如甲状腺、肝脏、前列腺以及腹部等的诊疗中,尤其在甲状腺疾病的诊疗中被广泛应用。医生利用B型超声诊断系统获取超声图像后,需要对超声图像的标准切面进行分类后,有针对性的对主要解剖结构进行检查,这是后期进一步诊断的先决条件。
然而,针对超声图像的分类,传统上采用医生进行人工判断分类的方法,费时费力,且由于分类的过程枯燥单调,容易出错。
因此,如何提供一种基于特征融合的超声图像自动分类法,实现提升超声图像标准切面分类的精度以及效率,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于特征融合的超声图像自动分类法,实现提升超声图像标准切面分类的精度以及效率。
本发明是这样实现的:一种基于特征融合的超声图像自动分类法,包括如下步骤:
步骤S10、获取超声图像,对所述超声图像进行预处理并生成标准切面;
步骤S20、提取所述标准切面中的图像特征;
步骤S30、对所述图像特征进行归一化处理,得到特征向量;
步骤S40、基于所述特征向量,利用SVM分类器对所述标准切面进行学习和分类。
进一步地,所述步骤S10具体包括:
步骤S11、获取超声图像,利用矩形框选取出所述超声图像的感兴趣区域;
步骤S12、将所述感兴趣区域的大小缩放至预设的大小;
步骤S13、对缩放至预设大小的所述感兴趣区域进行降噪处理;
步骤S14、对降噪处理后的所述感兴趣区域进行锐化处理,进而生成标准切面。
进一步地,所述步骤S14中,所述对降噪处理后的所述感兴趣区域进行锐化处理具体为:
进一步地,所述步骤S20具体包括:
步骤S21、利用公式将所述标准切面划分为子块;其中imagei表示所述标准切面的图像区域;i表示所述标准切面的类别,为正整数;j表示所述子块的序号,为正整数;Jj表示所述子块的总数,为正整数;blockij表示所述子块;
步骤S22、将各所述子块划分为w×w个不重叠的像素块,其中w为正整数;
步骤S23、提取各所述像素块的纹理特征;
步骤S24、将各所述纹理特征进行特征融合,得到所述标准切面的图像特征。
进一步地,所述步骤S23具体包括:
步骤S232、将K个采样点均匀分布在正K边形的顶点处,其中K为大于等于3的正整数,各所述采样点到正K边形的中心距离为R;
步骤S233、基于所述差分二值化编码计算改进的局部二值化模式值:
其中s(k)表示所述差分二值化编码第k位的取值,且k为正整数,s(k)的取值为0或1;P表示采样点个数;bk表示梯度系数,即第k个采样点对应的梯度系数,为正实数,且bk=a·G(i,j);a为正实数,表示缩放系数;
步骤S234、对所述改进的局部二值化模式值进行映射,提取各所述像素块的纹理特征:
进一步地,所述步骤S24具体为:
将各所述纹理特征的特征向量进行线性组合,再利用主成分分析法降低特征维数,得到所述标准切面的图像特征。
进一步地,所述步骤S30具体为:
其中xi'表示归一化后第i项特征向量,i为正整数;xi表示未经归一化的第i项图像特征;xi'和xi均由E项实数构成,E为正整数;μ表示归一化系数,μ为正实数;表示向量x的二范数,xe为向量x的第e项,e为正整数。
本发明的优点在于:
通过对所述超声图像进行预处理生成标准切面,提取所述标准切面中的图像特征后进行归一化处理,得到特征向量,进而基于所述特征向量,利用SVM分类器对所述标准切面进行学习和分类,相对于传统上医生进行人工判断分类的方法,极大的提升了超声图像标准切面分类的精度以及效率,避免了人为分类造成的失误。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于特征融合的超声图像自动分类法的流程图。
具体实施方式
请参照图1所示,本发明一种基于特征融合的超声图像自动分类法的较佳实施例,包括如下步骤:
步骤S10、获取超声图像,对所述超声图像进行预处理并生成标准切面;当所述超声图像为甲状腺的图像时,所述标准切面可分为峡部横切面、峡部纵切面、右甲状腺上极横切面、右甲状腺中下极横切面、右甲状腺纵切面、左甲状腺上极横切面、左甲状腺中下极横切面以及左甲状腺纵切面,共八类标准切面,每一类标准切面都对对应重要的解剖结构,如气管和动脉等;
步骤S20、提取所述标准切面中的图像特征;通过提取所述标准切面中的图像特征,而非提取所述超声图像中的图像特征,减少了干扰以及计算量,极大的提升了分类的精度以及效率;
步骤S30、对所述图像特征进行归一化处理,得到特征向量;
步骤S40、基于所述特征向量,利用SVM分类器对所述标准切面进行学习和分类。
所述步骤S10具体包括:
步骤S11、获取超声图像,利用矩形框选取出所述超声图像的感兴趣区域;
步骤S12、将所述感兴趣区域的大小缩放至预设的大小;
步骤S13、对缩放至预设大小的所述感兴趣区域进行降噪处理;降噪处理可采用均值滤波器、自适应维纳滤波器、中值滤波器、形态学噪声滤除器或者小波去噪;
步骤S14、对降噪处理后的所述感兴趣区域进行锐化处理,进而生成标准切面。
所述步骤S14中,所述对降噪处理后的所述感兴趣区域进行锐化处理具体为:
所述步骤S20具体包括:
步骤S21、利用公式将所述标准切面划分为子块;其中imagei表示所述标准切面的图像区域;i表示所述标准切面的类别,为正整数,当所述超声图像为甲状腺的图像时,存在八类标准切面,即i=8;j表示所述子块的序号,为正整数;Jj表示所述子块的总数,为正整数;blockij表示所述子块;
步骤S22、将各所述子块划分为w×w个不重叠的像素块,其中w为正整数;
将所述标准切面划分为子块(block)时,应尽可能保证主要的解剖结构的完整性,即一个解剖结构尽可能只位于一个子块内;将子块按序号排列好后应该等同于所述标准切面的复制体,不应存在像素缺失或位置变化;具有对称性的所述标准切面类别之间,子块划分的数目应尽量保持一致,即Jj的大小一致,以保持对称性。
由于甲状腺是对称性的人体结构,呈H型或蝶型,当所述超声图像为甲状腺的图像时,具有对称关系的标准切面是右甲状腺上极横切面和右甲状腺上极横切面、右甲状腺中下极横切面和左甲状腺中下极横切面、右甲状腺纵切面和左甲状腺纵切面,共3组。
步骤S23、提取各所述像素块的纹理特征向量;提取所述纹理特征将产生复数个bin的统计直方图,计算颜色直方图需要将颜色空间划分为若干小的颜色区间,即直方图的bin,通过计算颜色在每个小区间内德像素得到颜色直方图,bin越多,直方图对颜色的分辨率越强;
步骤S24、将各所述纹理特征进行特征融合,得到所述标准切面的图像特征。
所述步骤S23具体包括:
步骤S232、将K个采样点均匀分布在正K边形的顶点处,其中K为大于等于3的正整数,各所述采样点到正K边形的中心距离为R;
步骤S233、基于所述差分二值化编码计算改进的局部二值化模式值:
其中s(k)表示所述差分二值化编码第k位的取值,且k为正整数,s(k)的取值为0或1;P表示采样点个数;bk表示梯度系数,即第k个采样点对应的梯度系数,为正实数,且bk=a·G(i,j);a为正实数,表示缩放系数;
步骤S234、对所述改进的局部二值化模式值进行映射,提取各所述像素块的纹理特征:
对所述改进的局部二值化模式值进行映射的目的是减少特征维度,以防止维数爆炸。
所述步骤S24具体为:
将各所述纹理特征的特征向量进行线性组合,再利用主成分分析法(PrincipalComponentAnalysis,PCA)降低特征维数,得到所述标准切面的图像特征。
所述步骤S30具体为:
其中xi'表示归一化后第i项特征向量,i为正整数;xi表示未经归一化的第i项图像特征;xi'和xi均由E项实数构成,E为正整数;μ表示归一化系数,μ为正实数;表示向量x的二范数,xe为向量x的第e项,e为正整数。
所述步骤S40具体为:
基于所述特征向量,构建一对一法支持向量机(1-vs-1SVM)的SVM分类器,利用SVM分类器寻找分离超平面p(x),进而对所述标准切面进行学习和分类;p(x)=ωTx+b,表示由ω和b确定的平面将样本点分成2类,平面的一侧全为正样本点,另一侧全为负样本点,且样本点到分离超平面的距离最大;利用SVM分类器进行分类,思想简单、效果好,能够对不可分的数据集进行分类。
SVM分类器是一种二分类的分类器,若要解决多分类问题,需要构造多分类的SVM分类器,本发明采用一对一法构造多分类的SVM分类器。根据一对一法,在任意两种甲状腺的标准切面之间要设计一个SVM分类器,a种类别的标准切面需要设计a(a-1)/2个SVM分类器,当所述超声图像为甲状腺的图像时存在8类标准切面,因此需要设计28个SVM分类器。
若峡部横切面记为A,峡部纵切面记为B,右甲状腺上极横切面记为C,右甲状腺中下极横切面记为D,右甲状腺纵切面记为E,左甲状腺上极横切面记为F,左甲状腺中下极横切面记为G,左甲状腺纵切面记为H,则28个SVM分类器具体为(A,B)-classifier,(A,C)-classifier,(A,D)-classifier,(A,E)-classifier,(A,F)-classifier,(A,G)-classifier,(A,H)-classifier,(B,C)-classifier,(B,D)-classifier,(B,E)-classifier,(B,F)-classifier,(B,G)-classifier,(B,H)-classifier,(C,D)-classifier,(C,E)-classifier,(C,F)-classifier,(C,G)-classifier,(C,H)-classifier,(D,E)-classifier,(D,F)-classifier,(D,G)-classifier,(D,H)-classifier,(E,F)-classifier,(E,G)-classifier,(E,H)-classifier,(F,G)-classifier,(F,H)-classifier,(G,H)-classifier。
将训练集中的8类标准切面所对应的纹理特征向量输入多分类支持向量机(SVM分类器)进行训练,得到可进行标准切面图片分类的支持向量机模型,进而实现对标准切面进行自动分类;
将训练得到的支持向量机模型用于测试集,对测试样本进行分类:初始时A=B=C=D=E=F=G=H;
将测试样本带入(A,B)-classifier,若该分类器的结果是A,则A=A+1,否则B=B+1;将测试样本带入(A,C)-classifier,若该分类器的结果是A,则A=A+1,否则C=C+1;以此类推将测试样本带入其他分类器;最后选择A、B、C、D、E、F、G、H中投票得分最高者作为该测试样本的分类结果。
综上所述,本发明的优点在于:
通过对所述超声图像进行预处理生成标准切面,提取所述标准切面中的图像特征后进行归一化处理,得到特征向量,进而基于所述特征向量,利用SVM分类器对所述标准切面进行学习和分类,相对于传统上医生进行人工判断分类的方法,极大的提升了超声图像标准切面分类的精度以及效率,避免了人为分类造成的失误。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (7)
1.一种基于特征融合的超声图像自动分类法,其特征在于:包括如下步骤:
步骤S10、获取超声图像,对所述超声图像进行预处理并生成标准切面;
步骤S20、提取所述标准切面中的图像特征;
步骤S30、对所述图像特征进行归一化处理,得到特征向量;
步骤S40、基于所述特征向量,利用SVM分类器对所述标准切面进行学习和分类。
2.如权利要求1所述的一种基于特征融合的超声图像自动分类法,其特征在于:所述步骤S10具体包括:
步骤S11、获取超声图像,利用矩形框选取出所述超声图像的感兴趣区域;
步骤S12、将所述感兴趣区域的大小缩放至预设的大小;
步骤S13、对缩放至预设大小的所述感兴趣区域进行降噪处理;
步骤S14、对降噪处理后的所述感兴趣区域进行锐化处理,进而生成标准切面。
5.如权利要求4所述的一种基于特征融合的超声图像自动分类法,其特征在于:所述步骤S23具体包括:
步骤S232、将K个采样点均匀分布在正K边形的顶点处,其中K为大于等于3的正整数,各所述采样点到正K边形的中心距离为R;
步骤S233、基于所述差分二值化编码计算改进的局部二值化模式值:
其中s(k)表示所述差分二值化编码第k位的取值,且k为正整数,s(k)的取值为0或1;P表示采样点个数;bk表示梯度系数,即第k个采样点对应的梯度系数,为正实数,且bk=a·G(i,j);a为正实数,表示缩放系数;
步骤S234、对所述改进的局部二值化模式值进行映射,提取各所述像素块的纹理特征:
6.如权利要求4所述的一种基于特征融合的超声图像自动分类法,其特征在于:所述步骤S24具体为:
将各所述纹理特征的特征向量进行线性组合,再利用主成分分析法降低特征维数,得到所述标准切面的图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199592.XA CN111428713B (zh) | 2020-03-20 | 2020-03-20 | 一种基于特征融合的超声图像自动分类法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199592.XA CN111428713B (zh) | 2020-03-20 | 2020-03-20 | 一种基于特征融合的超声图像自动分类法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428713A true CN111428713A (zh) | 2020-07-17 |
CN111428713B CN111428713B (zh) | 2023-04-07 |
Family
ID=71549895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010199592.XA Active CN111428713B (zh) | 2020-03-20 | 2020-03-20 | 一种基于特征融合的超声图像自动分类法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428713B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927559A (zh) * | 2014-04-17 | 2014-07-16 | 深圳大学 | 超声图像胎儿颜面部标准切面自动识别方法及系统 |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN108898593A (zh) * | 2018-06-25 | 2018-11-27 | 重庆知遨科技有限公司 | 一种基于腹部ct医学图像融合分类的检测方法 |
-
2020
- 2020-03-20 CN CN202010199592.XA patent/CN111428713B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927559A (zh) * | 2014-04-17 | 2014-07-16 | 深圳大学 | 超声图像胎儿颜面部标准切面自动识别方法及系统 |
WO2017193251A1 (zh) * | 2016-05-09 | 2017-11-16 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
CN108038513A (zh) * | 2017-12-26 | 2018-05-15 | 北京华想联合科技有限公司 | 一种肝脏超声图像的特征分类方法 |
CN108898593A (zh) * | 2018-06-25 | 2018-11-27 | 重庆知遨科技有限公司 | 一种基于腹部ct医学图像融合分类的检测方法 |
Non-Patent Citations (2)
Title |
---|
孟丹: "基于深度学习的图像分类方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
柳培忠: "基于ADASYN与AdaBoostSVM相结合的不平衡分类算法", 《北京工业大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111428713B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321910B (zh) | 面向点云的特征提取方法、装置及设备 | |
US9031305B2 (en) | Image classification apparatus with first and second feature extraction units and recording medium having program recorded therein | |
CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
Luo | Pattern recognition and image processing | |
CN101266654A (zh) | 基于连通分量和支持向量机的图像文本定位方法和装置 | |
CN106203448B (zh) | 一种基于非线性尺度空间的场景分类方法 | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CA2267828A1 (en) | Multiple size reductions for image segmentation | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN110176020A (zh) | 一种融合2d和3d图像的燕窝杂质分拣方法 | |
CN112509026A (zh) | 一种绝缘子裂缝长度识别方法 | |
CN110321890B (zh) | 一种电力巡检机器人的数字仪表识别方法 | |
CN110728214A (zh) | 一种基于尺度匹配的弱小人物目标检测方法 | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN102722718B (zh) | 一种细胞分类方法 | |
CN110490210B (zh) | 一种基于紧致通道间t采样差分的彩色纹理分类方法 | |
CN111428713B (zh) | 一种基于特征融合的超声图像自动分类法 | |
CN105528791B (zh) | 一种面向触摸屏手绘图像的质量评价装置及其评价方法 | |
CN111428778B (zh) | 一种胎儿颜面部标准切面自动分类法 | |
CN113012167B (zh) | 一种细胞核与细胞质的联合分割方法 |
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 |