CN111444851A - 一种基于超像素的电容层析成像流型识别方法 - Google Patents
一种基于超像素的电容层析成像流型识别方法 Download PDFInfo
- Publication number
- CN111444851A CN111444851A CN202010228670.4A CN202010228670A CN111444851A CN 111444851 A CN111444851 A CN 111444851A CN 202010228670 A CN202010228670 A CN 202010228670A CN 111444851 A CN111444851 A CN 111444851A
- Authority
- CN
- China
- Prior art keywords
- pixel
- flow pattern
- point
- points
- pattern image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于超像素的电容层析成像流型识别方法,包括:对该原始流型图像进行下采样处理,得到采样过后的流型图像种子点个数;步骤二、将种子点分配到流型图像的各个部分上;在以种子点为中心的n*n的范围内计算各个像素点的灰度梯度,将灰度梯度最小的像素点作为种子点的最终位置;对步骤三中的种子点周围的像素点进行分类标记;步骤五、多次重复步骤三和步骤四,直至聚类结果不发生变化为止,至此完成流型图像分割;步骤六、增强分割后流型图像的连通性,对其进行后处理;步骤七、标记分类结果,得到各类几何中心位置并进行识别。本发明可以有效解决识别效果差,成像周期长,计算量大,实时性和识别精度还不甚理想的问题。
Description
技术领域
本发明涉及一种基于超像素的电容层析成像流型识别方法,属于超像素识别技术领域。
背景技术
最近几年,实时在线流型识别技术对工业生产至关重要。结合工业需求和技术发展,利用现代高科技仪器进行流型识别势必成为最简单,直观,经济效益最大化的方式。目前应用电容层析成像技术实现对两相流流型识别,首先通过测量管道外部各电极板间的电容值,经过ECT图像重建算法对管内内流型分布图像进行重建,在获得管道内部流型可视化信息后,通过人眼进行流型辨识,或者再对重建图像进行处理并进行分析,从重建图像中提取出流型特征信息从而识别出各种流型。但是,目前大多研究的成像流型识别算法直接影响识别效果,成像周期长,计算量大,实时性和识别精度还不甚理想。
发明内容
本发明的目的是提出一种基于超像素的电容层析成像流型识别方法,其为了解决传统的流型识别方法成像周期长,计算量大,实时性和识别精度不甚理想的问题。
一种基于超像素的电容层析成像流型识别方法,所述识别方法包括以下步骤:
步骤一、读取原始流型图像,对该原始流型图像进行下采样处理,得到采样过后的流型图像种子点个数,下采样步长为S个像素单位,即将原始图像在S*S的滑动窗口内的所有像素点合并为一个超像素点,这个像素点的参数值就是窗口内所有像素点对应参数的均值。在该超像素点内的所有像素点中,将灰度值为该超像素点内所有像素点的平均灰度值的像素点作为该超像素点的代表;
步骤二、对下采样过后的流型图像的超像素种子点位置进行初始化,按照初始化后的种子点个数,将种子点均匀分配到流型图像的各个部分上;
步骤三、在以种子点为中心的n*n的范围内计算各个像素点的灰度梯度,然后找出灰度梯度最小的像素点,将该像素点的位置作为种子点的最终位置;
步骤四、对步骤三中的种子点周围的像素点进行分类标记;
步骤五、多次重复步骤三和步骤四,直至聚类结果不发生变化为止,至此完成流型图像分割;
步骤六、增强分割后流型图像的连通性,对其进行后处理,所述后处理为连通性增强;
步骤七、标记分类结果,对其进行坐标统计,得到各类几何中心位置并进行识别。
进一步的,所述步骤一中,具体的,下采样步长为S个像素单位,即将原始图像在S*S的滑动窗口内的所有像素点合并为一个超像素点,该像素点的参数值即窗口内所有像素点对应参数的均值。在该超像素点内的所有像素点中,将灰度值为该超像素点内所有像素点的平均灰度值的像素点作为该超像素点的代表。
进一步的,在步骤一中,S=3。
进一步的,所述步骤四中包括以下步骤:
步骤四一、对种子点周围的像素点进行搜索,搜索过程中使用的移动步长为Step=sqrt(N/K)+q,其中,N为原始图像中像素点的数量,K为分割后超像素点的数量,q为正整数;
步骤四二、计算搜索范围内每个像素点与种子点的距离,该距离包括灰度距离d1、空间距离d2和感应哈希距离d3,
其中m、n分别是对应超像素块中的像素点个数,k为像素点的灰度值;
其中x、y分别是对应像素点的横坐标及纵坐标;
其中,X为种子点与其上下左右四个方向上相邻超像素点在灰度上的差异,i取值为0、1、2、3;
步骤四三、计算搜索范围内每个像素点与种子点的总差异值D:
D=μ1d1+μ2d2+μ3d3
其中,μ1、μ2和μ3分别代表各距离的权重系数,且μ1、μ2、μ3满足如下关系:
μ1=μ2=5μ3=log2K
其中,K为预分割超像素点种类;
步骤四四、将总差异值与根据预设的阈值进行比对,以此确定像素点属于哪个聚类像素点中心;
进一步的,在步骤四一中,q=3。
进一步的,重复次数为15次。
本发明的主要优点是:本发明首先利用SLIC对流型图像进行超像素预分割处理,将原流型图像分割为大小相似、形状规则的超像素点,然后以分割好的超像素点为中心点建立超像素单位,超像素度量单位包括灰度、位置、哈希值。用此度量单位作为超像素点参数,通过自适应参数基于距离的聚类算法,再将分割出过小区域进行合并,进而将超像素聚类成确定主体和明显的主体分割边界,将分类结果进行标记并计算其几何中心点位置,最后通过其几何位置特征进行识别。该方法不需要用户进行设置输入、通过计算图像复杂程度的方法确定需要分割超像素种类的个数,对流型图像整体进行分析计算。实验结果表明,本发明可以有效解决识别效果差,成像周期长,计算量大,实时性和识别精度还不甚理想的问题。
附图说明
图1为本发明所述的一种基于超像素的电容层析成像流型识别方法的流程图;
图2为层流流型处理效果图,其中,图2(a)为原始层流流型图,图2(b)为经过步骤六处理后的图片;
图3为单泡流流型处理效果图,其中,图3(a)为原始单泡流流型图,图3(b)为经过步骤六处理后的图片;
图4为环流流型处理效果图,其中,图4(a)为原始环流流型图,图4(b)为经过步骤六处理后的图片。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-图4所示,本实施方式所述的一种基于超像素的电容层析成像流型识别方法的一实施例,包括以下步骤:
步骤一、读取原始流型图像,对该原始流型图像进行下采样处理,下采样步长为S个像素单位,即将原始图像在S*S的滑动窗口内的所有像素点合并为一个超像素点,这个像素点的的参数值就是窗口内所有像素点对应参数的均值。在该超像素点内的所有像素点中,将灰度值为该超像素点内所有像素点的平均灰度值的像素点作为该超像素点的代表,即用窗口内像素的平均灰度值为灰度值的像素点去作为这个窗口区域的所有像素点的代表。例如原图像100*100,共计10000个像素点需要处理,经过此方法只后原图像就变成50*50,共计2500个像素点,大大缩减了图像处理的时间。为了平衡分割效果与图像处理速度,S的优选值为3;
其中,I为像素原属性值,i为窗口内各像素点的位置序号,Pk为窗口内各像素点属性的平均值,在本方法中,原属性指代灰度。
步骤二、对下采样过后的流型图像的超像素种子点位置进行初始化(聚类中心),按照初始化后的种子点个数,将种子点均匀分配到流型图像的各个部分上;假设包含有N个像素点的图片,预设定分割为K个超像素点(K值一般为500-1000),各超像素点大小相同,那么一个超像素点的大小范围就是N/K,同理可以近似的计算出每个超像素点的移动步长为S=sqrt(N/K)。这一步是将图片中的像素进行预分类,增加相邻像素点之间的联系。
步骤三、初始化再聚类种子点个数,扰乱种子点位置,主题思想就是在待选种子点区域寻找出最适合成为种子点的位置。具体方法为,在以种子点为中心的n*n的范围内计算各个像素点的灰度梯度(一般取n=2),然后找出灰度梯度最小的像素点,将该像素点的位置作为种子点的最终位置;因为边界像素的梯度变化通常比较大,因此,这样可以有效地避免种子点落在超像素分割的边缘上,影响后续的相似超像素的聚类,导致分割效果差。
步骤四、对步骤四中的种子点周围的像素点进行超像素度量计算,进行分类聚合,也就是属于哪个聚类像素点中心,阈值设置不同,种子点超像素分类的稀疏程度也不同,具体包括:
步骤四一、对种子点周围的像素点进行搜索,搜索过程中使用的移动步长为Step=sqrt(N/K)+q,其中,N为原始流型图像中像素点的数量,K为分割后超像素点的数量,q为正整数,q的优选值为3,加q是为了防止超像素太小,造成分割出的超像素块太过密集的情况。一般种子像素点的搜索范围就是3倍的步长范围,但是期望生成的超像素尺寸是单倍的步长;
步骤四二、计算搜索范围内每个像素点与种子点的距离,该距离包括灰度距离d1、空间距离d2和感应哈希距离d3,
其中m、n分别是对应超像素块中的像素点个数,k为像素点的灰度值;
其中x、y分别是对应像素点的横坐标及纵坐标;
其中,X表示种子点与其上下左右四个方向上相邻超像素点在灰度上的差异,差异没超出记做0,超出阈值记做1,然后生成一个四位的二进制码。由于涉及上下左右共四个方向,因此i的取值为0、1、2、3;
该步骤中,灰度计算方法为计算超像素块中的各像素的灰度的平均值,位置是计算各超像素的几何平均点坐标,哈希值是计算超像素块的上下左右超像素点和其自身在灰度上的差异,通过一定的阈值生成一个四位的二进制码。传统的计算像素点之间的差异忽略了像素点周围的像素点和其自身的差异,只注重像素本身之间的属性差异,忽略了像素点和其周围像素点的差异指标。加入这个指标之后可以更加明显的区分出有差异的像素并对其进行分类。可以更好的将具有相似状态的超像素点聚合在一起。而且通过实验证明,本方法能够使分割结果对于边界有这更好的感应度,对边界更加敏感。
步骤四三、计算搜索范围内每个像素点与种子点的总差异值D:
D=μ1d1+μ2d2+μ3d3
其中μ1、μ2和μ3分别代表各距离的权重系数,且μ1、μ2、μ3满足如下关系:
μ1=μ2=5μ3=log2 K
K可以理解为预分割超像素点种类,种类越多就代表流型图像越复杂,流型图像越复杂就代表要处理的细节部分越多,流型图像中超像素点的差异标准就需要被放大,因此权重系数和图像复杂程度成正相关关系。超像素点周围的影响因子不能过大,过大就容易突出一些细小边界的影响,对最后的分割目标造成影响,最总目标是将图片分割成待测目标类。
步骤四四、将总差异值与根据预设的阈值进行比对,以此确定像素点属于哪个聚类像素点中心;
步骤五、多次重复步骤三和步骤四,直至聚类结果不发生变化为止,至此完成流型图像分割。理论上通过上述步骤不断的更新迭代直至误差收敛,即迭代更新直至聚类结果不发生变化为止。通过大量实践发现,绝大部分图片经过迭代15次可以得较为理想的效果,故迭代次数一般取15。
步骤六、增强分割后流型图像的连通性,对其进行后处理。经过上述迭代优化可能出现以下瑕疵:出现多连通情况、超像素尺寸过小,单个超像素被切割成多个不连续超像素等,这些情况可以通过增强连通性解决。增强分割后流型图像的连通性为现有技术,主要思路是:新建一张标记表,表内元素均为-1,按照“Z”型走向(从左到右,从上到下顺序)将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有点遍历完毕为止。
步骤七、标记分类结果,对其进行坐标统计,得到各类几何中心位置进行识别。主要思路:统计各类像素点坐标信息,分别对其求和取平均得到几何中心位置,根据流型特点对其识别。
Claims (5)
1.一种基于超像素的电容层析成像流型识别方法,其特征在于,所述识别方法包括以下步骤:
步骤一、读取原始流型图像,对该原始流型图像进行下采样处理,得到采样过后的流型图像种子点个数,下采样步长为S个像素单位,即将原始图像在S*S的滑动窗口内的所有像素点合并为一个超像素点,这个像素点的参数值就是窗口内所有像素点对应参数的均值。在该超像素点内的所有像素点中,将灰度值为该超像素点内所有像素点的平均灰度值的像素点作为该超像素点的代表;
步骤二、对下采样过后的流型图像的超像素种子点位置进行初始化,按照初始化后的种子点个数,将种子点均匀分配到流型图像的各个部分上;
步骤三、在以种子点为中心的n*n的范围内计算各个像素点的灰度梯度,然后找出灰度梯度最小的像素点,将该像素点的位置作为种子点的最终位置;
步骤四、对步骤三中的种子点周围的像素点进行分类标记;
步骤五、多次重复步骤三和步骤四,直至聚类结果不发生变化为止,至此完成流型图像分割;
步骤六、增强分割后流型图像的连通性,对其进行后处理,所述后处理为连通性增强;
步骤七、标记分类结果,对其进行坐标统计,得到各类几何中心位置并进行识别。
2.根据权利要求1所述的一种基于超像素的电容层析成像流型识别方法,其特征在于,在步骤一中,S=3。
3.根据权利要求1所述的一种基于超像素的电容层析成像流型识别方法,其特征在于,所述步骤四中包括以下步骤:
步骤四一、对种子点周围的像素点进行搜索,搜索过程中使用的移动步长为Step=sqrt(N/K)+q,其中,N为原始图像中像素点的数量,K为分割后超像素点的数量,q为正整数;
步骤四二、计算搜索范围内每个像素点与种子点的距离,该距离包括灰度距离d1、空间距离d2和感应哈希距离d3,
其中m、n分别是对应超像素块中的像素点个数,k为像素点的灰度值;
其中x、y分别是对应像素点的横坐标及纵坐标;
其中,X为种子点与其上下左右四个方向上相邻超像素点在灰度上的差异,i取值为0、1、2、3;
步骤四三、计算搜索范围内每个像素点与种子点的总差异值D:
D=μ1d1+μ2d2+μ3d3
其中,μ1、μ2和μ3分别代表各距离的权重系数,且μ1、μ2、μ3满足如下关系:
μ1=μ2=5μ3=log2K
其中,K为预分割超像素点种类;
步骤四四、将总差异值与根据预设的阈值进行比对,以此确定像素点属于哪个聚类像素点中心。
4.根据权利要求3所述的一种基于超像素的电容层析成像流型识别方法,其特征在于,在步骤四一中,q=3。
5.根据权利要求1所述的一种基于超像素的电容层析成像流型识别方法,其特征在于,步骤五中,重复次数为15次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228670.4A CN111444851A (zh) | 2020-03-27 | 2020-03-27 | 一种基于超像素的电容层析成像流型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010228670.4A CN111444851A (zh) | 2020-03-27 | 2020-03-27 | 一种基于超像素的电容层析成像流型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111444851A true CN111444851A (zh) | 2020-07-24 |
Family
ID=71649126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010228670.4A Pending CN111444851A (zh) | 2020-03-27 | 2020-03-27 | 一种基于超像素的电容层析成像流型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444851A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577700B1 (en) * | 2001-06-22 | 2003-06-10 | Liang-Shih Fan | Neural network based multi-criteria optimization image reconstruction technique for imaging two- and three-phase flow systems using electrical capacitance tomography |
CN1635369A (zh) * | 2004-12-30 | 2005-07-06 | 山东大学 | 一种气液两相流流型快速在线识别方法 |
CN1854726A (zh) * | 2004-06-29 | 2006-11-01 | 西安交通大学 | 两相流体网丝电容层析成像方法 |
CN101140216A (zh) * | 2007-08-08 | 2008-03-12 | 东北电力大学 | 基于数字图像处理技术的气液两相流流型识别方法 |
US20130188869A1 (en) * | 2012-01-20 | 2013-07-25 | Korea Advanced Institute Of Science And Technology | Image segmentation method using higher-order clustering, system for processing the same and recording medium for storing the same |
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 |
CN105426830A (zh) * | 2015-11-11 | 2016-03-23 | 浙江大学 | 基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法 |
CN106910226A (zh) * | 2017-02-24 | 2017-06-30 | 深圳市唯特视科技有限公司 | 一种利用层分解对图像和视频进行交互式颜色编辑的方法 |
CN109858494A (zh) * | 2018-12-28 | 2019-06-07 | 武汉科技大学 | 一种低对比度图像中显著性目标检测方法及装置 |
CN109948567A (zh) * | 2019-03-26 | 2019-06-28 | 大连理工大学 | 一种基于图论的长距离输水系统气液两相流流型识别方法 |
CN110186962A (zh) * | 2019-05-10 | 2019-08-30 | 天津大学 | 一种用于电容层析成像的不完整测量数据成像方法 |
CN110674755A (zh) * | 2019-09-25 | 2020-01-10 | 中国计量大学 | 一种基于最适宜步态流型空间的步态识别方法 |
-
2020
- 2020-03-27 CN CN202010228670.4A patent/CN111444851A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577700B1 (en) * | 2001-06-22 | 2003-06-10 | Liang-Shih Fan | Neural network based multi-criteria optimization image reconstruction technique for imaging two- and three-phase flow systems using electrical capacitance tomography |
CN1854726A (zh) * | 2004-06-29 | 2006-11-01 | 西安交通大学 | 两相流体网丝电容层析成像方法 |
CN1635369A (zh) * | 2004-12-30 | 2005-07-06 | 山东大学 | 一种气液两相流流型快速在线识别方法 |
CN101140216A (zh) * | 2007-08-08 | 2008-03-12 | 东北电力大学 | 基于数字图像处理技术的气液两相流流型识别方法 |
US20130188869A1 (en) * | 2012-01-20 | 2013-07-25 | Korea Advanced Institute Of Science And Technology | Image segmentation method using higher-order clustering, system for processing the same and recording medium for storing the same |
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 |
CN105426830A (zh) * | 2015-11-11 | 2016-03-23 | 浙江大学 | 基于多视觉信息融合技术的小通道气液两相流流型识别系统和方法 |
CN106910226A (zh) * | 2017-02-24 | 2017-06-30 | 深圳市唯特视科技有限公司 | 一种利用层分解对图像和视频进行交互式颜色编辑的方法 |
CN109858494A (zh) * | 2018-12-28 | 2019-06-07 | 武汉科技大学 | 一种低对比度图像中显著性目标检测方法及装置 |
CN109948567A (zh) * | 2019-03-26 | 2019-06-28 | 大连理工大学 | 一种基于图论的长距离输水系统气液两相流流型识别方法 |
CN110186962A (zh) * | 2019-05-10 | 2019-08-30 | 天津大学 | 一种用于电容层析成像的不完整测量数据成像方法 |
CN110674755A (zh) * | 2019-09-25 | 2020-01-10 | 中国计量大学 | 一种基于最适宜步态流型空间的步态识别方法 |
Non-Patent Citations (5)
Title |
---|
A. E. CORLETT: "Three-phase flow pattern recognition in horizontal pipelines using electrical capacitance tomography", 《JOURNAL OF VISUALIZATION》 * |
ANTOINE DUPRÉ 等: "Electrical Capacitance-Based Flow Regimes Identification—Multiphase Experiments and Sensor Modeling", 《IEEE SENSORS JOURNAL》 * |
王莉莉 等: "自适应与附加动量BP神经网络的ECT流型辨识", 《哈尔滨理工大学学报》 * |
罗学刚 等: "超像素分割及评价的最新研究进展", 《激光与光电子学进展》 * |
计算机视觉LIFE: "SLIC超像素分割详解(一):简介", 《HTTPS://BLOG.CSDN.NET/ELECTECH6/ARTICLE/DETAILS/45509779》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549891B (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN104123561B (zh) | 基于空间引力模型的模糊c均值遥感影像自动分类方法 | |
CN110610505A (zh) | 一种融合深度和色彩信息的图像分割方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN106815842A (zh) | 一种改进的基于超像素的图像显著性检测方法 | |
CN110334762A (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN109448015A (zh) | 基于显著图融合的图像协同分割方法 | |
CN107169962B (zh) | 基于空间密度约束核模糊聚类的灰度图像快速分割方法 | |
CN111242864A (zh) | 一种基于Gabor纹理约束的手指静脉图像修复方法 | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN108596920A (zh) | 一种基于彩色图像的目标分割方法及装置 | |
US11037299B2 (en) | Region merging image segmentation algorithm based on boundary extraction | |
CN112085675A (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN110070545A (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
CN109285176B (zh) | 一种基于正则化图割的大脑组织分割方法 | |
CN116993947B (zh) | 一种三维场景可视化展示方法及系统 | |
CN107423771B (zh) | 一种两时相遥感图像变化检测方法 | |
CN112132798B (zh) | 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法 |
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 |
Application publication date: 20200724 |
|
RJ01 | Rejection of invention patent application after publication |