CN111462009B - 基于分割矩形区域相似度的出血点预测方法 - Google Patents
基于分割矩形区域相似度的出血点预测方法 Download PDFInfo
- Publication number
- CN111462009B CN111462009B CN202010246282.9A CN202010246282A CN111462009B CN 111462009 B CN111462009 B CN 111462009B CN 202010246282 A CN202010246282 A CN 202010246282A CN 111462009 B CN111462009 B CN 111462009B
- Authority
- CN
- China
- Prior art keywords
- similarity
- image
- area
- candidate
- rectangular
- 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.)
- Active
Links
- 230000000740 bleeding effect Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000003086 colorant Substances 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000000926 separation method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
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)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分割矩形区域相似度的出血点预测方法。本方法主要分为区域候选和相似度匹配。对于区域候选,首先采用相关的颜色分离算法,将图像按照颜色分为不同的版式,然后对于不同颜色的图案采用区域候选网络进行候选框的标定,并且采用NMS去抑制重叠度比较高的区域,减少计算的时间复杂度。之后搭建了一个双分支CNN神经网络来实现相似度的匹配,相比于传统的相似度匹配的方法,双分支CNN更加精确和高效。之后,再将原图中图像边界区域切割的矩形块和对应颜色区域图案中进行相似度的匹配。获取到相似度最高的候选区域,以锚点为中心右移得到的矩形放块拼接到原图中编号对应的位置,即可完成出血位的填充。
Description
技术领域
本发明涉及图像印刷领域,具体涉及一种基于分割矩形区域相似度的出血点预测方法,采用图像分割将原图切分成多个矩形区域,与目标区域进行匹配填充来实现出血点预测。
背景技术
随着数字图像处理技术的快速发展,数字图像所具有的易于存储与传输、处理方便灵活、精度高等优点得以体现。数字图像处理印刷中的许多工序中得以体现,例如对于印刷原稿的数字化采集、数字调色、设计与排版并且输出对应的样版等。图像的出血技术是指为了保证印刷后原设计图像尺寸的稳定性,在对图像进行分色分版时,能够根据实际情况将某些色版在原有的基础上向外扩展一定的比例。从一个图像的印刷到出成品需要经历多道工序,当中一步工序不准确就会导致设计尺寸和实际印刷尺寸存在较大的误差。所以对于图像的出血位的设定,一般是向外扩展1.5~3mm,保证印刷品能够满足要求。
当前对于数字图像出血位的设定主要都是依靠人工进行操作,对于纹理简单,色彩单一的图像直接借用相关的图像处理软件就可以手动实现相关出血位内容的填充。但是当前对于印刷图像的需求越来越高,印刷品中的纹理和颜色越来越复杂。通常一个复杂图案可能由四五种颜色组成,按照不同的颜色分成不同的版型,几个版型的图案叠加在一起组成最终的印刷原版。所以,复杂的纹理图在采用人工进行出血位标注时,工作量大,步骤繁琐耗时,且操作人员的熟练度也影响最终图像的实现效果。这些因素最终都会导致出血位的设定不一定会达到最佳的效果,从而影响印刷品的品质。
发明内容
本发明的目的是要解决人工对位图矢量化后印刷出血点设置不准确的问题,提出了一种基于分割矩形区域相似度的出血点预测方法。
为了解决上述问题,本发明的构想是:
本方法分为图像的区域分割和矩阵匹配两个部分。第一部分是,先对图像进行预处理来消除噪点,提升图像的质量。在图像的四周分割大小相等的矩形块存储起来,采用相关的分割完四周的图像进行区域选择和图像分割。第二部分是通过计算待匹配区域和图像分割的矩形区域相似度,选出相似度最高的区域。在采用滑动窗口算法得到对应的目标区域,作为出血位的内容填充,从而实现出现点的预测。
根据上述的发明构想,本发明采用了如下技术方案:
一种基于分割矩形区域相似度的出血点预测方法,具体步骤如下:
步骤1:初始位图预处理,采用高斯滤波器实现线性平滑滤波,消除位图中的高斯噪声以及图像中局部颜色分布不均匀的情况;
步骤2:采用直方图变换和高通滤波器对于图像的空域和频域进行增强处理;然后采用对应的颜色分离算法,将整个图像按照颜色分割为对应的区域,复杂的纹理图,每个颜色都对应一个印刷版式;
步骤3:计算出图像边界处需要切割的像素块的大小,每个矩阵块的大小为10*10的像素块进行切割,然后计算出下一个像素块的中心位置,继续沿着图像的四周进行切割;最后将切割下来的边界矩形保存在相应的路径下进行编号;
步骤4:将分割图像输入到搭建好的区域候选网络,在图像中随机选择锚点,然后构建好10*10和5*5的anchors,对于每个anchors分别对应三种比例{1:1,1:2,2:1}缩放比例;对于图像中的每个锚点,会生成对应的6个候选区域;
步骤5:采用非极大值抑制NMS算法,对于生成的候选区域进行迭代,设定一个阈值;当大于设定阈值的区域,看作是重叠的区域并将其从候选区域框中丢弃;整个过程看作是一个迭代-遍历-消除的过程;
步骤6:在与候选出来的区域进行相似度匹配之前,首先需要比较切割下来矩形块之间的相似度;将任意两个矩形块作为双分支神经网络的输入,进行相似度的判断;采用双分支卷积神经网络的结构,网络中卷积层、池化层以及全连接层的参数都是相同的;两张图片在经过两个CNN分支网络之后,会得到对应的特征矩阵;二者的特征矩阵直接输入全连接层进行相似度学习,最终由sigmoid分类器计算得到最终的相似度;设定一个阈值,当大于某个阈值的时候,记录下对应的矩形块的编号,减少之后的重复计算;
步骤7:在裁剪的矩形块中任意选出矩形块,通过颜色分类算法确定其对应的颜色候选区域;然后将矩形块和候选区域共同作为双分支CNN的输入,进行一个相似度的计算;采用一个将对应候选框的锚点和比较得到的相似度以key-value的形式存储到HashMap中;比较完之后,按照相似度进行降序排序,选取相似度最高的区域,作为对应的匹配区域;
步骤8:选出对应的候选区域之后,以锚点为中心向右滑动,选出对应的10*10的矩形区域填充到对应的裁剪区域作为出血位的填充。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著技术进步:
(1)本发明采用相应的图像处理方法解决了当前出血位必须通过人为标注来实现,极大的提升了效率,减少了人为主观操作的误差。
(2)本发明提出了一种颜色分割+区域候选网络的算法,将复杂图像按照不同的颜色分为不同的版式,在对相应的图案纹理做一个区域候选,极大的提升了候选区域的选择。
(3)本发明提出了一种基于双分支神经网络的结构来实现图像的相似度匹配,相较于传统的图像匹配算法更加精确,快速找到对应的候选区域进行匹配填充。
附图说明
图1为基于分割矩形区域相似度的出血点预测方法流程图。
图2为区域候选网络结构图。
图3为双分支神经网络结构图。
具体实施方式
以下结合附图对本发明的具体实施例进行详细描述:
如图1所示,一种基于分割矩形区域相似度的出血点预测方法,具体步骤如下:
步骤1:初始位图进行预处理,由于图像噪声的存在会影响到最终矢量效果。采用高斯滤波器实现线性平滑滤波,消除位图中的高斯噪声以及图像中局部颜色分布不均匀的情况。
步骤2:为了使得图像的颜色层次更加鲜明,边缘轮廓更加清晰。采用了直方图变换和高通滤波器对于图像的空域和频域进行增强处理。然后采用对应的颜色分离算法,将整个图像按照颜色分割为对应的区域,复杂的纹理图,每个颜色都对应一个印刷版式。
步骤3:计算出图像边界处需要切割的像素块的大小,每个矩阵块的大小为10*10的像素块进行切割,然后计算出下一个像素块的中心位置,继续沿着图像的四周进行切割。最后将切割下来的边界矩形保存在相应的路径下进行编号。
步骤4:将分割图像输入到搭建好的区域候选网络,在图像中随机选择锚点,然后构建好10*10和5*5的anchors,对于每个anchors分别对应三种比例{1:1,1:2,2:1}缩放比例。对于图像中的每个锚点,会生成对应的6个候选区域。
步骤5:由于图像中随机候选的锚点经常重叠,或者两个生成的候选区域相似度很高,需要解决候选区域重复的问题。采用非极大值抑制(NMS)算法,对生成的候选区域进行迭代,设定一个阈值。当大于设定阈值的区域,可以看作是重叠的区域并将其从候选区域框中丢弃。整个过程可以看作是一个迭代-遍历-消除的过程。
步骤6:在与候选出来的区域进行相似度匹配之前,首先需要比较切割下来矩形块之间的相似度。将任意两个矩形块作为双分支神经网络的输入,进行相似度的判断。采用双分支卷积神经网络的结构,网络中卷积层、池化层以及全连接层的参数都是相同的。两张图片在经过两个CNN分支网络之后,会得到对应的特征矩阵。二者的特征矩阵直接输入全连接层进行相似度学习,最终由sigmoid分类器计算得到最终的相似度。可以设定一个阈值,当大于某个阈值的时候,记录下对应的矩形块的编号,减少之后的重复计算。
步骤7:首先在裁剪的矩形块中任意选出矩形块,通过颜色分类算法确定其对应的颜色候选区域。然后在将矩形块和候选区域共同作为双分支CNN的输入,进行一个相似度的计算。采用一个将对应候选框的锚点和比较得到的相似度以key-value的形式存储到HashMap中。在比较完之后,按照相似度进行降序排序,选取相似度最高的区域,作为对应的匹配区域。
步骤8:选出对应的候选区域之后,将候选区域的锚点向右滑动,以对应的锚点为中心选出对应的10*10的矩形区域填充到对应的裁剪区域作为出血位的填充。
如图2所示为对应的区域候选网络结构图,网络输入的是基于颜色分离得到的不同图案。对于每一个图案作为一个输入,随机的在图案中选取对应的锚点。以锚点为中心,分别构建10*10、5*10的anchor,分别以{1:1,1:2,2:1}缩放比例,每一个锚点生成对应6个候选区域。在计算相交的区域的IOU,设定重叠区域的阈值。当IOU大于某一阈值时,采用NMS算法丢弃对应的重叠区域即可。
如图3所示为双分支神经网络结构,网络的输入为需要比较的图像,网络的前半部分由两个完全相同的CNN网络所构成。在经过几层卷积层和池化层之后,分别获取二者提取到的特征层。再将二者的特征输入到后面的全连接层中进行一个融合的相似度训练,最终的分类结果由sigmoid分类器输出。
本发明提出了一种基于分割矩形区域相似度的出血点预测方法。本方法是主要分为区域候选和相似度匹配。对于区域候选,首先采用相关的颜色分离算法,将图像按照颜色分为不同的版式,然后对于不同颜色的图案采用区域候选网络进行候选框的标定,并且采用NMS去抑制重叠度比较高的区域,减少计算的时间复杂度。之后搭建了一个双分支CNN神经网络来实现相似度的匹配,相比于传统的相似度匹配的方法,双分支CNN更加精确和高效。之后,再将原图中图像边界区域切割的矩形块和对应颜色区域图案中进行相似度的匹配。获取到相似度最高的候选区域,以锚点为中心右移得到的矩形放块拼接到原图中编号对应的位置,即可完成出血位的填充。
Claims (1)
1.一种基于分割矩形区域相似度的出血点预测方法,其特征在于,具体步骤如下:
步骤1:初始位图预处理,采用高斯滤波器实现线性平滑滤波,消除位图中的高斯噪声以及图像中局部颜色分布不均匀的情况;
步骤2:采用直方图变换和高通滤波器对于图像的空域和频域进行增强处理;然后采用对应的颜色分离算法,将整个图像按照颜色分割为对应的区域,复杂的纹理图,每个颜色都对应一个印刷版式;
步骤3:计算出图像边界处需要切割的矩形块的大小,每个矩形块的大小为10*10的矩形块进行切割,然后计算出下一个矩形块的中心位置,继续沿着图像的四周进行切割;最后将切割下来的边界矩形保存在相应的路径下进行编号;
步骤4:将分割图像输入到搭建好的区域候选网络,在图像中随机选择锚点,然后构建好10*10和5*5的anchors,对于每个anchors分别以{1:1,1:2,2:1}缩放比例,对于图像中的每个锚点,生成对应的6个候选区域;
步骤5:采用非极大值抑制NMS算法,对于生成的候选区域进行迭代,设定一个阈值;当大于设定阈值的区域,看作是重叠的区域并将其从候选区域框中丢弃;整个过程看作是一个迭代-遍历-消除的过程;
步骤6:在与候选出来的区域进行相似度匹配之前,首先需要比较切割下来矩形块之间的相似度;将任意两个矩形块作为双分支神经网络的输入,进行相似度的判断;采用双分支卷积神经网络的结构,两个CNN分支网络中卷积层、池化层以及全连接层的参数都是相同的;两张图片在经过两个CNN分支网络之后,会得到对应的特征矩阵;二者的特征矩阵直接输入全连接层进行相似度学习,最终由sigmoid分类器计算得到最终的相似度;设定一个阈值,当大于某个阈值的时候,记录下对应的矩形块的编号,减少之后的重复计算;
步骤7:在裁剪的矩形块中任意选出矩形块,通过颜色分类算法确定其对应的颜色候选区域;然后将矩形块和候选区域共同作为双分支CNN的输入,进行一个相似度的计算;采用一个对应候选框的锚点和比较得到的相似度以key-value的形式存储到HashMap中;比较完之后,按照相似度进行降序排序,选取相似度最高的区域,作为对应的匹配区域;
步骤8:选出对应的候选区域之后,将候选区域的锚点向右滑动,以对应的锚点为中心选出对应的10*10的矩形区域填充到对应的裁剪区域作为出血位的填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246282.9A CN111462009B (zh) | 2020-03-31 | 2020-03-31 | 基于分割矩形区域相似度的出血点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246282.9A CN111462009B (zh) | 2020-03-31 | 2020-03-31 | 基于分割矩形区域相似度的出血点预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462009A CN111462009A (zh) | 2020-07-28 |
CN111462009B true CN111462009B (zh) | 2023-04-07 |
Family
ID=71684350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010246282.9A Active CN111462009B (zh) | 2020-03-31 | 2020-03-31 | 基于分割矩形区域相似度的出血点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462009B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132832B (zh) | 2020-08-21 | 2021-09-28 | 苏州浪潮智能科技有限公司 | 一种增强图像实例分割的方法、系统、设备及介质 |
CN114331875A (zh) * | 2021-12-09 | 2022-04-12 | 上海大学 | 一种基于对抗边缘学习的印刷工艺中图像出血位预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578362A (zh) * | 2017-05-24 | 2018-01-12 | 上海大学 | 基于纹理合成在图像中嵌入秘密信息的方法 |
CN108763663A (zh) * | 2018-05-10 | 2018-11-06 | 广州多普网络科技有限公司 | 一种自动生成印刷出血位及裁剪线的印刷系统及其方法 |
CN109961049A (zh) * | 2019-03-27 | 2019-07-02 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
CN110097568A (zh) * | 2019-05-13 | 2019-08-06 | 中国石油大学(华东) | 一种基于时空双分支网络的视频对象检测与分割方法 |
CN110264457A (zh) * | 2019-06-20 | 2019-09-20 | 浙江大学 | 基于旋转区域候选网络的焊缝自主识别方法 |
CN110781928A (zh) * | 2019-10-11 | 2020-02-11 | 西安工程大学 | 一种提取图像多分辨率特征的图像相似度学习方法 |
-
2020
- 2020-03-31 CN CN202010246282.9A patent/CN111462009B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578362A (zh) * | 2017-05-24 | 2018-01-12 | 上海大学 | 基于纹理合成在图像中嵌入秘密信息的方法 |
CN108763663A (zh) * | 2018-05-10 | 2018-11-06 | 广州多普网络科技有限公司 | 一种自动生成印刷出血位及裁剪线的印刷系统及其方法 |
CN109961049A (zh) * | 2019-03-27 | 2019-07-02 | 东南大学 | 一种复杂场景下香烟品牌识别方法 |
CN110097568A (zh) * | 2019-05-13 | 2019-08-06 | 中国石油大学(华东) | 一种基于时空双分支网络的视频对象检测与分割方法 |
CN110264457A (zh) * | 2019-06-20 | 2019-09-20 | 浙江大学 | 基于旋转区域候选网络的焊缝自主识别方法 |
CN110781928A (zh) * | 2019-10-11 | 2020-02-11 | 西安工程大学 | 一种提取图像多分辨率特征的图像相似度学习方法 |
Non-Patent Citations (2)
Title |
---|
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks;S Ren et al.;《arXiv:1506.01497V3》;20160106;全文 * |
基于深度学习的医学影像分析与认知计算方法研究与应用;肖玉杰;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20200315(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111462009A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462009B (zh) | 基于分割矩形区域相似度的出血点预测方法 | |
CN105374007A (zh) | 融合骨架笔画和纹理特征的铅笔画生成方法和装置 | |
CN110660040A (zh) | 一种基于深度学习的工业品不规则缺陷检测方法 | |
DE112005003003T5 (de) | System, Verfahren und Programm zum Komprimieren von dreidimensionalen Bilddaten sowie Aufzeichnungsmedium hierfür | |
CN108510562B (zh) | 基于图像分形纹理的数码迷彩图案生成方法 | |
JPH11232441A (ja) | 画像生成方法及び装置 | |
CN111489322A (zh) | 给静态图片加天空滤镜的方法及装置 | |
CN107533760B (zh) | 一种图像分割方法和装置 | |
CN115457551A (zh) | 适用于小样本条件的叶片损伤识别方法 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
EP2528042A1 (de) | Verfahren und Vorrichtung zum Re-Meshing von 3D-Polygonmodellen | |
CN107492082A (zh) | 一种利用边缘统计特征的mrf样本块图像修复方法 | |
CN112949754B (zh) | 一种基于图像融合的文本识别数据合成方法 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN111462084B (zh) | 基于随机森林的图像矢量化印刷出血点预测系统和方法 | |
Liu et al. | A fast multi-focus image fusion algorithm by DWT and focused region decision map | |
CN116309157A (zh) | 一种结合递归式推理与特征再优化的秦俑纹理修复方法 | |
CN111260755B (zh) | 基于深度学习与数字图像处理的数字扎染图案生成方法 | |
CN110717875B (zh) | 一种高清图像处理方法 | |
CN114611667A (zh) | 一种基于小规模参数矩阵计算特征图边界的重构方法 | |
CN115082597A (zh) | 基于调色板的图像重着色方法和系统 | |
CN110443755B (zh) | 一种基于高低频信号量的图像超分辨率的方法 | |
CN113034560A (zh) | 非均匀纹理迁移方法及装置 | |
CN112508847A (zh) | 一种基于深度特征与结构加权lbp特征的图像质量评价方法 | |
JPH07334648A (ja) | 画像処理方法及びその装置 |
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 |