CN111445464A - 基于非参数估计的差异特征频次分布构造方法 - Google Patents

基于非参数估计的差异特征频次分布构造方法 Download PDF

Info

Publication number
CN111445464A
CN111445464A CN202010242120.8A CN202010242120A CN111445464A CN 111445464 A CN111445464 A CN 111445464A CN 202010242120 A CN202010242120 A CN 202010242120A CN 111445464 A CN111445464 A CN 111445464A
Authority
CN
China
Prior art keywords
amplitude
difference
characteristic
image
difference characteristic
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
Application number
CN202010242120.8A
Other languages
English (en)
Other versions
CN111445464B (zh
Inventor
吉琳娜
杨风暴
张雅玲
郭小铭
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.)
North University of China
Original Assignee
North 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 North University of China filed Critical North University of China
Priority to CN202010242120.8A priority Critical patent/CN111445464B/zh
Publication of CN111445464A publication Critical patent/CN111445464A/zh
Application granted granted Critical
Publication of CN111445464B publication Critical patent/CN111445464B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及双模态红外图像的差异特征频次分布构造，具体为基于非参数估计的差异特征频次分布构造方法，构造的频次属性可作为融合算法的选取依据，进而结合类型、幅值属性选择合适的融合算法，提高双模态红外图像的融合质量，解决只考虑基于类型和幅值两个属性选择融合算法而导致融合结果产生偏差的问题。对于动态探测场景，图像帧间各属性变化复杂，基于传统映射的融合模型无法随差异特征各属性的变化而动态调整算法，导致融合效果差甚至失效。因此，只有根据差异特征多个属性选择合适的融合算法，才能提高双模态红外图像的融合质量，所以本发明中差异特征频次分布的构造对于下一步实现图像精准融合至关重要。

Description

基于非参数估计的差异特征频次分布构造方法
技术领域
本发明涉及双模态红外图像的差异特征频次分布构造，具体为基于非参数估计的差异特征频次分布构造方法。
背景技术
双模态红外图像存在大气传输、成像仪响应以及目标与背景辐射强度等差异性，导致这两类图像所呈现特征的差异很大。红外光强成像利用红外热辐射成像系统对不同目标进行识别，体现了目标与背景之间的红外辐射特征差异，具体通过目标与背景间的辐射温度、强度来表征的。红外偏振成像利用传统红外装置中添加可旋转偏振片，来获取传统红外探测无法探测到的偏振度以及偏振角等偏振信息，且目标的这些偏振特性受物体表面固有属性的影响，如介质、粗糙度、观测角等因素，不同物体其表面的粗糙特性不同时目标与背景的偏振特性存在差异，同时偏振成像能够利用大气散射的偏振特性使其受到大气的影响程度相较于红外热辐射成像更小，因此红外偏振成像丰富了探测目标的信息量，但通过偏振片得到的辐射能量被削弱，其红外辐射强度减小。综上可知，红外光强图像主要基于物体红外热辐射强度成像，该类图像的亮度信息较为明显，纹理及边缘信息较少；红外偏振图像主要基于物体多方向偏振辐射量成像，该类图像中目标的细节丰富且边缘清晰，亮度信息较少。
双模态红外图像差异特征形成的主要因素是其成像特性差异导致的，红外辐射强度和偏振特性的差异较大，通常情况下，用辐射对比度和偏振度对比度分别量化描述目标和背景的热辐射强度差异和偏振特性差异。双模态红外图像的差异特征具有类型、幅值和频次等属性。在不同的成像场景中，两类图像在对应的不同局部图像块中辐射对比度差异值或者偏振度对比度差异值都不同，但存在部分辐射对比度差异值或偏振度对比度差异值的大小近似相同，差异特征频次则是指在两类图像中不同大小的辐射对比度差异值和偏振对比度差异值出现的频次。差异特征频次属性从宏观上讲，反映了成像场景中某种差异特征分布范围的广泛性；从微观上讲，反映了特定的差异特征随着差异特征幅值变化在成像场景中分布的疏密程度。文献一种双模态红外图像的集值映射融合方法[J].光电工程,2015,42(04):75-80.构建了图像组中每个图像块各类型差异特征幅值对应融合算法的融合有效度分布，利用数据包络分析法(DEA)建立差异特征与融合算法的集值映射，文献双模态红外图像融合有效度分布的合成研究[D].中北大学,2018.研究了同类和异类差异特征幅值融合有效度的分布合成，验证了融合有效度分布合成的有效性，上述两个文献考虑了基于类型和幅值的差异特征融合有效度分布的构建和合成，但忽视了差异特征频次属性对融合的影响，最终的结果会产生偏差。目前对于差异特征的研究只针对类型和幅值这两种属性，当差异特征频次大小发生变化时，融合算法及融合规则的选取也会随之变化。现有的这两种属性无法有效地反映出差异特征多属性对融合算法选取的影响，导致融合效果差甚至融合方法失效，所以差异特征频次的研究在图像融合中起着十分关键的作用。
发明内容
本发明提供了一种基于非参数估计的差异特征频次分布构造方法，构造的频次属性可作为融合算法的选取依据，进而结合类型、幅值属性选择合适的融合算法，提高双模态红外图像的融合质量，解决只考虑基于类型和幅值两个属性选择融合算法而导致融合结果产生偏差的问题。
本发明是采用如下的技术方案实现的：基于非参数估计的差异特征频次分布构造方法，包括以下步骤：
(1)源图像处理：利用不重叠窗口将双模态红外图像分为N块并提取每个图像块的特征幅值；
(2)差异特征选取：选取亮度特征、边缘特征、纹理特征作为双模态红外图像的差异特征，能够有效表征双模态红外图像的互补性特征信息；
(3)差异特征幅值表征：灰度均值(M)量化表示亮度特征，边缘强度(EI)、标准差(SD)、平均梯度(AG)分别量化表示边缘特征中的边缘幅值强度、反差度、边缘清晰度，粗糙度(CA)、对比度(CN)来量化表示纹理特征，T＝|TI-TP|，TP、TI分别表示红外偏振图像、红外光强图像特征幅值，T表示两类图像对应图像块差异特征幅值；
(4)每种差异特征幅值都能得到原始差异特征幅值样本集{Ti}，i＝1,2,…,N，通过线性插值扩充每个幅值样本集的大小，插值步长设定为xstep，得到扩充后的样本集{Tj}，所含样本个数为N'＝[Tjr-Tjl/xstep]，其中Tjl幅值样本集的左边界，Tjr为幅值样本集的右边界；
(5)样本集{Tj}中任取样本Tjm，通过调整包含Tjm区域的体积，直到区域内刚好落入KN个样本点，其中
Figure BDA0002432896330000031
表示Tjm的第KN个近邻；选用欧式距离衡量Tjm与
Figure BDA0002432896330000032
间的距离大小，进而求出差异特征幅值点Tj的概率密度估计值f(Tjm)，
Figure BDA0002432896330000033
以此类推，依次求出样本集{Tj}中每个样本的概率密度估计值；
(6)将差异特征幅值区间[Tjl,Tjr]划分为n个子区间，其中第k个子区间
Figure BDA0002432896330000034
也划分为n份，步长
Figure BDA0002432896330000035
每个子区间包含q个差异特征幅值概率密度估计值f(Tjm)，每个子区间的中间节点为Tjw＝Tl k+w h',w＝1,2,...,n-1；每个子区间内使用复化梯形积分，求得每个子区间差异特征频次的序列值分布，
Figure BDA0002432896330000036
从而构造出差异特征幅值区间[Tjl,Tjr]不同差异特征频次的分布，每种差异特征的频次皆可按照此方法得出。
实现双模态图像的精准融合，就是通过差异特征驱动融合算法，实现差异特征与融合算法间的映射关系。现阶段的图像融合仅仅考虑了差异特征的单一属性——类型，对于特定场景通常有很好的融合效果。但是，在实际探测中，两种模态图像间的差异特征与类型这一属性相比，幅值及频次等属性及其变化对融合结果的影响更大；同时差异特征多个属性(如类型、幅值及频次)也是随机变化的，特别是对于动态探测场景，图像帧间各属性变化更为复杂，这种基于传统映射的融合模型无法随差异特征各属性的变化而动态调整算法，导致融合效果差甚至失效。因此，只有根据差异特征多个属性选择合适的融合算法，才能提高双模态红外图像的融合质量，所以本发明中差异特征频次分布的构造对于下一步实现图像精准融合至关重要。
附图说明
图1为源双模态红外图像和融合图像(基于PCA融合算法)。
图2-4为差异特征幅值概率密度分布图(以源图组IV为例)。
图5-7为差异特征频次分布图。
具体实施方式
因为差异特征类型、幅值分布疏密程度等因素与频次分布的函数关系是未知的，所以不同类型、不同幅值分布下无法准确得出差异特征频次服从哪些具体分布。不同差异特征幅值的分布能反映出差异特征频次的变化，差异特征幅值的概率密度分布又可以通过参数估计法得到。参数估计法中的非参数估计法针对的分布函数具体形式是未知的，样本函数与其概率密度函数服从同分布，由于差异特征幅值函数形式是未知的，所以本发明采用非参数概率密度估计的方法可以得到差异特征幅值样本集的概率密度分布，从而构造出差异特征频次分布。另外两种参数估计方法全参数估计和半参数估计均需要在分布函数具体形式已知的情况下进行估计，故不符合本发明的要求。常用的非参数概率密度估计法有KNN概率密度估计和核密度估计法。本发明所提出的基于KNN概率密度估计的差异特征频次分布构造法和核密度估计相比，避免了核密度概率密度估计中核函数以及核函数带宽选择的主观性，因此能准确构造差异特征频次分布。
KNN概率密度估计是通过改变相同的小样本数所需的区域大小来获得估计的概率密度序列值的。设其所选定的区域内样本的个数为N，并根据总体样本集的个数确定一个参数KN，其中近邻数KN为正整数，KN的大小决定了曲线的平滑程度，当KN越大，则平滑程度也越大。KNN近邻估计是在KN值固定的前提下，改变V的大小进行概率密度估计，可以更好地兼顾在高密度区域估计得到的分辨率以及低密度区域估计的连续性。
另一种概率密度估计方法为核密度估计法，核密度估计法是利用平滑的峰值函数拟合观察到的数据点，对真实的概率分布曲线进行模拟估计的一种非参数估计法。但是核密度估计中涉及到内核函数的选择，常用的核密度估计函数有：高斯核函数、Epanechnikov核函数、矩形核函数、三角形核函数、伽马核函数以及余弦核函数等。同时核密度函数带宽的不同对核密度估计的影响也很大，带宽反映了核密度估计曲线的整体平滑程度，同时反映了样本在整体曲线分布中所占的比重。带宽越大，则样本点在曲线中所占比重越小，整体曲线就越平坦；反之则整体曲线就越陡峭。目前对于自适应带宽的设定研究较少，通常所选的带宽是根据经验值来设定的，采用固定的经验值带宽的核密度估计产生的误差很大。所以KNN概率密度估计是一种较为客观的非参数概率密度估计方法。
源图像预处理
选取10组双模态红外图像，如图1所示，图像大小均为256*256，利用16*16的不重叠窗口提取每个图像块的特征值。差异特征幅值是指双模态红外图像特征值间强度的绝对差异度，如公式(1)所示，其中TP、TI、T分别表示红外偏振图像图像块特征值、红外光强图像图像块特征值以及差异特征幅值：
T＝|TI-TP| (1)
差异特征选取
亮度特征、边缘特征、纹理特征属于双模态红外图像主要差异特征，能够有效表征双模态红外图像的互补性特征信息。灰度均值(M)、边缘强度(EI)、标准差(SD)、平均梯度(AG)分别量化表示亮度特征、边缘特征中的边缘幅值强度、反差度、边缘清晰度，纹理特征选取Tamura纹理特征中的粗糙度(CA)、对比度(CN)来量化表示。通过表2计算得出源图像在六大主要差异特征下的幅值范围。
基于KNN概率密度估计的差异特征频次分布构造
本发明利用基于KNN概率密度估计的方法来构造差异特征频次分布，每幅源图组的每种差异特征幅值有256个，即N＝256，选用6种差异特征，原始样本集{Ti}所含样本个数N＝256，i＝1,2,…,N。原始样本集里所含样本个数太少不足以满足非参数概率密度估计所需样本数大的要求，所以将差异特征幅值点移动的步长设为xstep＝0.01，通过插值扩充了样本集。扩充后的样本集
Figure BDA0002432896330000051
为第a种差异特征幅值样本集，其中a＝1,2…6，分别代表灰度均值(M)、边缘强度(EI)、标准差(SD)、平均梯度(AG)、粗糙度(CA)、对比度(CN)，所含样本个数为
Figure BDA0002432896330000052
Figure BDA0002432896330000053
为a种差异特征幅值样本集的左边界，
Figure BDA0002432896330000054
为a种差异特征幅值样本集的右边界，且每种差异特征幅值样本集均服从同一种分布。当变量为幅值点
Figure BDA0002432896330000055
时，通过调整包含
Figure BDA0002432896330000056
区域的体积，直到区域内刚好落入KN个样本点，这些样本被称为幅值样本点
Figure BDA0002432896330000061
的KN个最近邻。
本发明的幅值样本点属于一维数据，样本点相当于分布在一条线上，V的值等于幅值样本点
Figure BDA0002432896330000062
到它的第KN近邻距离
Figure BDA0002432896330000063
的两倍，其中选用欧式距离衡量
Figure BDA0002432896330000064
与
Figure BDA0002432896330000065
间的距离大小。随着步长的移动，依次求出每一个幅值点的概率密度估计值。某一特定的差异特征a的幅值点
Figure BDA0002432896330000066
的概率密度估计值
Figure BDA0002432896330000067
如下式所示：
Figure BDA0002432896330000068
通常
Figure BDA0002432896330000069
若得到的数并非整数时，则KN向最靠近0的整数取整。如上式所示，显然如果
Figure BDA00024328963300000610
幅值点附近的密度较高时，则V的体积就相对较小，提升了分辨力；如果
Figure BDA00024328963300000611
幅值点附近的密度较低时，则V的体积就较大，进入高密度区会停止扩大。
通过KNN概率密度估计得到的拟合曲线分布图中曲线的纵坐标是差异特征幅值概率密度值与横坐标对应差异特征幅值的比值，概率密度估计曲线在所有横坐标积分范围的面积恒为1。且在幅值概率密度估计曲线中，差异特征幅值密度为差异特征频次，所以通过计算概率密度估计分段曲线与横坐标子幅值区间围成的面积求出的是差异特征幅值概率密度序列值，亦即差异特征频次概率序列值。概率密度拟合曲线的表达式是未知的，通过数值积分中的复化梯形积分近似可以求得分段曲线与横坐标子区间围成的面积。本发明中将每组源图像的差异特征幅值区间[Tjl,Tjr]划分为n＝20份，其中第k个子区间
Figure BDA00024328963300000612
也划分为20份，步长
Figure BDA00024328963300000613
每个子区间包含q个差异特征幅值概率密度估计值f(Tjm)，每个子区间的中间节点为
Figure BDA00024328963300000614
每个子区间内使用复化梯形积分，求得每个子区间差异特征频次的序列值分布，
Figure BDA00024328963300000615
从而构造出差异特征幅值区间[Tjl,Tjr]不同差异特征频次的分布。

Claims (1)

1.基于非参数估计的差异特征频次分布构造方法，其特征在于包括以下步骤：
(1)源图像处理：利用不重叠窗口将双模态红外图像分为N块并提取每个图像块的特征幅值；
(2)差异特征选取：选取亮度特征、边缘特征、纹理特征作为双模态红外图像的差异特征，能够有效表征双模态红外图像的互补性特征信息；
(3)差异特征幅值表征：灰度均值量化表示亮度特征，边缘强度、标准差、平均梯度分别量化表示边缘特征中的边缘幅值强度、反差度、边缘清晰度，粗糙度、对比度来量化表示纹理特征，T＝|TI-TP|，TP、TI分别表示红外偏振图像、红外光强图像特征幅值，T表示两类图像对应图像块差异特征幅值差值；
(4)每种差异特征幅值都能得到原始差异特征幅值样本集{Ti}，i＝1,2,…,N，通过线性插值扩充每个幅值样本集的大小，插值步长设定为xstep，得到扩充后的样本集{Tj}，所含样本个数为N'＝[Tjr-Tjl/xstep]，其中Tjl幅值样本集的左边界，Tjr为幅值样本集的右边界；
(5)样本集{Tj}中任取样本Tjm，通过调整包含Tjm区域的体积，直到区域内刚好落入KN个样本点，其中
Figure FDA0002432896320000011
表示Tjm的第KN个近邻；选用欧式距离衡量Tjm与
Figure FDA0002432896320000012
间的距离大小，进而求出差异特征幅值点Tj的概率密度估计值f(Tjm)，
Figure FDA0002432896320000013
以此类推，依次求出样本集{Tj}中每个样本的概率密度估计值；
(6)将差异特征幅值区间[Tjl,Tjr]划分为n个子区间，其中第k个子区间
Figure FDA0002432896320000014
也划分为n份，步长
Figure FDA0002432896320000015
每个子区间包含q个差异特征幅值概率密度估计值f(Tjm)，每个子区间的中间节点为Tjw＝Tl k+w h',w＝1,2,...,n-1；每个子区间内使用复化梯形积分，求得每个子区间差异特征频次的序列值分布，
Figure FDA0002432896320000016
从而构造出差异特征幅值区间[Tjl,Tjr]不同差异特征频次的分布。
CN202010242120.8A 2020-03-31 2020-03-31 基于非参数估计的差异特征频次分布构造方法 Expired - Fee Related CN111445464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010242120.8A CN111445464B (zh) 2020-03-31 2020-03-31 基于非参数估计的差异特征频次分布构造方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010242120.8A CN111445464B (zh) 2020-03-31 2020-03-31 基于非参数估计的差异特征频次分布构造方法

Publications (2)

Publication Number Publication Date
CN111445464A true CN111445464A (zh) 2020-07-24
CN111445464B CN111445464B (zh) 2022-04-19

Family

ID=71652542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010242120.8A Expired - Fee Related CN111445464B (zh) 2020-03-31 2020-03-31 基于非参数估计的差异特征频次分布构造方法

Country Status (1)

Country Link
CN (1) CN111445464B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11460894B2 (en) 2020-12-31 2022-10-04 Samsung Electronics Co., Ltd. Under-display camera

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020136435A1 (en) * 2001-03-26 2002-09-26 Prokoski Francine J. Dual band biometric identification system
CN109377468A (zh) * 2018-10-09 2019-02-22 湖南源信光电科技股份有限公司 基于多特征的红外辐射和偏振图像的伪彩色融合方法
CN110084771A (zh) * 2019-03-11 2019-08-02 中北大学 一种基于集值映射的双模态红外图像分块多算法优化融合方法
CN110223264A (zh) * 2019-04-26 2019-09-10 中北大学 基于直觉可能性集的图像差异特征属性融合有效度分布构造及合成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020136435A1 (en) * 2001-03-26 2002-09-26 Prokoski Francine J. Dual band biometric identification system
CN109377468A (zh) * 2018-10-09 2019-02-22 湖南源信光电科技股份有限公司 基于多特征的红外辐射和偏振图像的伪彩色融合方法
CN110084771A (zh) * 2019-03-11 2019-08-02 中北大学 一种基于集值映射的双模态红外图像分块多算法优化融合方法
CN110223264A (zh) * 2019-04-26 2019-09-10 中北大学 基于直觉可能性集的图像差异特征属性融合有效度分布构造及合成方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHEN ZHANG等: "Bionic Algorithm for Color Fusion of Infrared and Low Light Level Image Based on Rattlesnake Bimodal Cells", 《IEEE ACCESS》 *
张寅: "天基红外相机大气背景测量数据处理与图像仿真技术研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
张雅玲: "双模态红外图像差异特征多属性的融合有效度分布合成研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
张雅玲等: "基于非参数估计的双模态红外图像差异特征频次分布构造", 《红外技术》 *
王向东: "面向双模式红外图像可重构融合的结构化算法类集构建研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11460894B2 (en) 2020-12-31 2022-10-04 Samsung Electronics Co., Ltd. Under-display camera

Also Published As

Publication number Publication date
CN111445464B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN107038717B (zh) 一种基于立体栅格自动分析3d点云配准误差的方法
US20200394450A1 (en) An enhanced graph transformation-based point cloud attribute compression method
CN108667684B (zh) 一种基于局部向量点积密度的数据流异常检测方法
CN109801295B (zh) 基于二次限制区域生长法的图像分割方法
El‐Sayed et al. Plane detection in 3D point cloud using octree‐balanced density down‐sampling and iterative adaptive plane extraction
Khalid et al. Bhattacharyya Coefficient in Correlation of Gray-Scale Objects.
CN102034113A (zh) 基于l1差距量度来测量局部图像相似度的方法
CN106780639B (zh) 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法
CN104715480B (zh) 一种基于统计背景模型的目标检测方法
CN114973112B (zh) 一种基于对抗学习网络的尺度自适应密集人群计数方法
CN111445464B (zh) 基于非参数估计的差异特征频次分布构造方法
CN111062321A (zh) 一种基于深度卷积网络的sar检测方法及系统
CN107424155B (zh) 一种面向光场重聚焦图像的聚焦分割方法
CN106683074A (zh) 一种基于雾霾特性的图像篡改检测方法
CN116744006B (zh) 基于区块链的视频监控数据存储方法
CN113838069A (zh) 基于平面度约束的点云分割方法和系统
CN112270289A (zh) 一种基于图卷积注意力网络的智能监测方法
CN115578531B (zh) 基于遥感数据的城市三维模型重建方法
CN114565511B (zh) 基于全局单应性估计的轻量级图像配准方法、系统及装置
CN112862946A (zh) 基于级联条件生成对抗网络的灰度岩心图像三维重建方法
CN113763474B (zh) 一种基于场景几何约束的室内单目深度估算方法
CN110246169A (zh) 一种基于梯度的窗口自适应立体匹配方法及系统
KR101178015B1 (ko) 시차 맵 생성 방법
Margalit et al. Using probabilistic domain knowledge to reduce the expected computational cost of template matching
KR101220003B1 (ko) 시차 맵 생성 방법

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220419

CF01 Termination of patent right due to non-payment of annual fee