CN111462157A - 一种基于遗传优化阈值法的红外图像分割方法 - Google Patents
一种基于遗传优化阈值法的红外图像分割方法 Download PDFInfo
- Publication number
- CN111462157A CN111462157A CN202010243579.XA CN202010243579A CN111462157A CN 111462157 A CN111462157 A CN 111462157A CN 202010243579 A CN202010243579 A CN 202010243579A CN 111462157 A CN111462157 A CN 111462157A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- threshold
- value
- image
- optimal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06T2207/20036—Morphological image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于遗传优化阈值法的红外图像分割方法,包括:对原图像进行对比度的增强,得到增强图像;对增强图像制定编码和解码规则,定义种群规模以及迭代次数,并对种群进行初始化;先采用大津阈值法确定增强图像的分割阈值,若能得到分割阈值,则利用该阈值对原图像进行分割处理,并输出分割结果;否则寻找增强图像上的最佳查找子空间,设置最佳查找子空间内的初始阈值,计算初始阈值划分的灰度域对应类间方差、类内方差,根据类间方差、类内方差比值得到最佳的阈值,最后得到适应度函数;对种群进行遗传学迭代训练,将最高适应度值的个体作为最佳分割阈值;利用最佳分割阈值对原图像进行分割处理。
Description
技术领域
本发明属于图像处理方法技术领域,涉及一种基于遗传优化阈值法的红外图像分割方法。
背景技术
随着智能电网的建设与电力系统规模的扩大,电力设备发生故障的概率也逐渐增大。在电力设备检修运维中,大多数电力设备故障的表象均为温度异常,因此,利用红外热成像仪对电力设备进行故障诊断是一种运用较为广泛且行之有效的方法。通过红外热成像仪和计算机采集红外图像,再采用有效的图像分割方法将红外图像中的设备故障分割出来,然后对设备故障进一步处理,从而确定设备故障的种类和程度。
图像分割是图像处理和计算机视觉中基本而关键的技术之一,其目的是将目标与背景分离,为后续的分类、识别和检索提供依据。其中阈值分割是图像分割中较为热门的方法。近年来,图像阈值分割法不断的创新,可分为固定阈值法、自适应阈值法、最大熵法和大津法等多种分割方法。而遗传算法(GA)因其可作为图像分割过程中求取最佳阈值的一种高效算法,得到了广泛的研究与应用。但是传统的遗传和阈值分割法存在计算速度慢、分割准确率低、阈值寻找不准确等缺点,给电力设备故障分割带来了很大的困扰。
发明内容
本发明的目的是提供一种基于遗传优化阈值法的红外图像分割方法,解决了现有技术中存在的传统的遗传和阈值分割法存在计算速度慢、分割准确率低的问题。
本发明所采用的技术方案是,一种基于遗传优化阈值法的红外图像分割方法,包括以下步骤:
步骤1、对原图像进行对比度的增强,得到增强图像;
步骤2、对增强图像制定编码和解码规则,定义种群规模以及迭代次数,并对种群进行初始化;
步骤3、先采用大津阈值法确定增强图像的分割阈值,若能得到分割阈值,则利用该阈值对原图像进行分割处理,并输出分割结果;否则寻找增强图像上的最佳查找子空间,设置最佳查找子空间内的初始阈值,计算初始阈值划分的灰度域对应类间方差、类内方差,根据类间方差、类内方差比值得到最佳的阈值,最后得到适应度函数;
步骤4、对种群进行遗传学迭代训练,将最高适应度值的个体作为最佳分割阈值;
步骤5、利用最佳分割阈值对原图像进行分割处理,并输出分割结果。
本发明的特点还在于:
步骤1具体过程如下:
利用基于形态学的顶帽底帽变换对原图像进行对比度的增强,计算公式如下:
That(f)=f-(fob) (1);
Bhat(f)=(f*b)-f (2);
I=(f+That(f))-Bhat(f) (3);
上式中,f表示输入图像,b表示结构元素,I表示进行形态学对比度增强后的图像。
步骤3具体包括以下步骤:
步骤3.1、对增强图像的灰度域设置三个分割点ik1,ik2,ik3:
上式中,mG为整幅图像的平均灰度值,i为原图像的像素点,灰度值为i的像素数为ni个;图像中的像素总数MN=n0+n1+K+nL-1,pi为每个像素点i的概率,pi=ni/MN,ik2为整个灰度域的平均值,ik1是灰度区间(fmin(x,y),ik2)的平均值,ik3是灰度区间(ik2,fmax(x,y))的平均值;
步骤3.2、求出ik2以及与其相邻的ik2-1和ik2+1的灰度值,分别求出对应的类间方差值比较 的值,确定增强图像分割的阈值是否为ik2,若是,则利用该阈值对原图像进行分割处理,并输出分割结果;否则确定最佳查找子区间[m,n]。
步骤3.2的具体步骤为:
步骤3.2.6、利用阈值T1将最佳查找子区间[m,n]分成两类D1和D2,D1的灰度值小于或等于T1,D2是我灰度值大于或等于T1,D1和D2的灰度均值分别为μ11和μ12,D1和D2的相对距离值d:
将d作为适应度函数。
步骤4具体包括以下步骤:
步骤4.1、先利用适应度函数计算原始种群中所有个体的适应度值总和、每个个体的相对适应度值,然后用轮盘赌法选出遗传种群;
步骤4.2、对遗传种群进行交叉和变异操作;
步骤4.3、重复步骤4.1-4.2,直至达到最大迭代次数终止,将遗传种群中最高适应度值的个体作为最佳分割阈值。
本发明的有益效果是:
本发明的基于遗传优化阈值法的红外图像分割方法,采用形态学中的的顶帽底帽变换进行图像增强使不清晰的原图像变得清晰和强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足图像分割的需要;在灰度域上设置三个分割点,缩小对阈值范围的限定,使最佳阈值应位于[m,n]之间,减少计算方差的频率,很大程度上提高计算的速度;对传统的大津法进行改进,通过类间方差和类内方差的比值计算出最佳阈值,能更好的提高分割的准确率和鲁棒性,有效提高分割的稳定性;对遗传算法中的交叉概率、变异概率进行优化,避免了传统的遗传算法在计算最优图像阈值与真实值之间的差异,使得本发明的分割方法寻优能力更强,具有一定的应用性。
附图说明
图1是本发明一种基于遗传优化阈值法的红外图像分割方法的流程图;
图2是采用传统遗传法进行图像分割的结果图;
图3是采用大津阈值法进行图像分割的结果图;
图4是采用本发明一种基于遗传优化阈值法的红外图像分割方法进行图像分割的结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于遗传优化阈值法的红外图像分割方法,如图1所示,包括以下步骤:
步骤1、对原图像进行对比度的增强,得到增强图像;
利用基于形态学的顶帽底帽变换对原图像进行对比度的增强,计算公式如下:
顶帽变换:
That(f)=f-(fob) (1);
底帽变换:
Bhat(f)=(f*b)-f (2);
图像增强:
I=(f+That(f))-Bhat(f) (3);
上式中,f表示输入图像,b表示结构元素,I表示进行形态学对比度增强后的图像,图像对比度增强后的灰度范围在[0,255]。
步骤2、对增强图像制定编码和解码规则,定义种群规模以及迭代次数,并对种群进行初始化;
编码是遗传算法的基础,编码的好坏直接影响后续遗传算法的选择、交叉和变异的运算。编码的方式有很多,由于图像的灰度级在[0,255]范围内,所以,本发明的实施例采用16位二进制编码的方式对染色体进行编码,每个染色体都代表一个分割阈值。设定初始种群和种群规模,随机产生初始种群,设置其初始代数为0;种群规模的设置应该合理,规模过大,会导致每一代适应度值的计算量增加;规模过小,会导致未成熟收敛的现象。本实施例中设置种群规模为20,最大繁殖代数为100。
步骤3、先采用大津阈值法确定增强图像的分割阈值,若能得到分割阈值,则利用该阈值对原图像进行分割处理,并输出分割结果;否则寻找增强图像上的最佳查找子空间,设置最佳查找子空间内的初始阈值,计算初始阈值划分的灰度域对应类间方差、类内方差,根据类间方差、类内方差比值得到最佳的阈值,最后得到适应度函数;
步骤3.1、对增强图像的灰度域设置三个分割点ik1,ik2,ik3:
上式中,mG为整幅图像的平均灰度值,i为原图像的像素点,灰度值为i的像素数为ni个;图像中的像素总数MN=n0+n1+K+nL-1,pi为每个像素点i的概率,pi=ni/MN,ik2为整个灰度域的平均值,ik1是灰度区间(fmin(x,y),ik2)的平均值,ik3是灰度区间(ik2,fmax(x,y))的平均值;
步骤3.2、求出ik2以及与其相邻的ik2-1和ik2+1的灰度值,分别求出对应的类间方差值比较 的值,确定增强图像分割的阈值是否为ik2,若是,则利用该阈值对原图像进行分割处理,并输出分割结果;否则确定最佳查找子区间[m,n]。
步骤3.2.6、利用阈值T1将最佳查找子区间[m,n]分成两类D1和D2,D1的灰度值小于或等于T1,D2是我灰度值大于或等于T1,D1和D2的灰度均值分别为μ11和μ12,D1和D2的相对距离值d,d值越大,分割效果越好:
将d作为适应度函数。
步骤4、对种群进行遗传学迭代训练,将最高适应度值的个体作为最佳分割阈值;
传统的遗传算法通过模拟自然界的遗传、交叉和变异现象,在每次迭代中保留一组候选解,并根据某些指标从解组中选出较好的个体。将个体与遗传算子相结合,生成新一代候选解,并重复此过程,直到满足收敛指标。主要针对其中的交叉和变异进行优化。
步骤4.1、先利用适应度函数计算原始种群中所有个体的适应度值总和、每个个体的相对适应度值,然后用轮盘赌法确定每个个体的选中次数,选出遗传种群,以选中几率大的个体作为遗传种群;
步骤4.2、对遗传种群进行交叉和变异操作;
交叉也可以称为重组,按照较大的概率(概率太低影响收敛速度)从群体中选择两个个体,交换两个个体的某个或者某些位,产生不同于母体的子体。
优化后的交叉概率为:
其中,N为迭代次数;本实施例采用单点交叉,,交叉概率设置为0.6;
变异是以较小的概率对个体编码串上的某个或某些值进行改变,从而产生新个体。采用基本的变异运算,将染色体编码串中的某个或某些基因座上的基因值用它的等位基因来替换,形成新个体。
优化后的变异概率为:
本实施例中设置变异概率为0.03,使得初期迭代时,个体选中的概率增大;同时后期又防止了优秀个体的损失。
步骤4.3、重复步骤4.1-4.2,直至达到最大迭代次数终止,本实施例中当算法执行到经过20代进化,群体中的最高适应度值仍未发生变化时,算法中止,将遗传种群中最高适应度值的个体作为最佳分割阈值。
步骤5、利用最佳分割阈值对原图像进行分割处理,并输出分割结果。
通过以上方式,本发明的基于遗传优化阈值法的红外图像分割方法,采用形态学中的的顶帽底帽变换进行图像增强使不清晰的原图像变得清晰和强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足图像分割的需要;在灰度域上设置三个分割点,缩小对阈值范围的限定,使最佳阈值应位于[m,n]之间,减少计算方差的频率,很大程度上提高计算的速度;对传统的大津法进行改进,通过类间方差和类内方差的比值计算出最佳阈值,能更好的提高分割的准确率和鲁棒性,有效提高分割的稳定性;对遗传算法中的交叉概率、变异概率进行优化,避免了传统的遗传算法在计算最优图像阈值与真实值之间的差异,使得本发明的分割方法寻优能力更强,具有一定的应用性。
将本发明的遗传优化阈值分割方法的分割结果图与其他两种分割方法得到的分割结果图进行对比:图2是传统遗传法的分割结果图,整体效果分割的比较清楚,但是存在一些部位分割的不清晰;图3是大津阈值法分割的结果图,变压套管明显存在过分割的问题,导致分割的很不清晰;图3是本发明方法的分割的结果图,在其他的两幅图的基础上,对变电套管内部和边缘的一些分割的比较清楚,变压套管分割的也很清晰。从图中可以看出,本发明公开的分割方法相比于其他图像分割方法,分割效果较好。
Claims (5)
1.一种基于遗传优化阈值法的红外图像分割方法,其特征在于,包括以下步骤:
步骤1、对原图像进行对比度的增强,得到增强图像;
步骤2、对增强图像制定编码和解码规则,定义种群规模以及迭代次数,并对种群进行初始化;
步骤3、先采用大津阈值法确定增强图像的分割阈值,若能得到分割阈值,则利用该阈值对原图像进行分割处理,并输出分割结果;否则寻找增强图像上的最佳查找子空间,设置最佳查找子空间内的初始阈值,计算初始阈值划分的灰度域对应类间方差、类内方差,根据类间方差、类内方差比值得到最佳的阈值,最后得到适应度函数;
步骤4、对种群进行遗传学迭代训练,将最高适应度值的个体作为最佳分割阈值;
步骤5、利用所述最佳分割阈值对原图像进行分割处理,并输出分割结果。
2.根据权利要求1所述的一种基于遗传优化阈值法的红外图像分割方法,其特征在于,步骤1具体过程如下:
利用基于形态学的顶帽底帽变换对原图像进行对比度的增强,计算公式如下:
That(f)=f-(fob) (1);
Bhat(f)=(f*b)-f (2);
I=(f+That(f))-Bhat(f) (3);
上式中,f表示输入图像,b表示结构元素,I表示进行形态学对比度增强后的图像。
3.根据权利要求1所述的一种基于遗传优化阈值法的红外图像分割方法,其特征在于,步骤3具体包括以下步骤:
步骤3.1、对增强图像的灰度域设置三个分割点ik1,ik2,ik3:
上式中,mG为整幅图像的平均灰度值,i为原图像的像素点,灰度值为i的像素数为ni个;图像中的像素总数MN=n0+n1+K+nL-1,pi为每个像素点i的概率,pi=ni/MN,ik2为整个灰度域的平均值,ik1是灰度区间(fmin(x,y),ik2)的平均值,ik3是灰度区间(ik2,fmax(x,y))的平均值;
4.根据权利要求3所述的一种基于遗传优化阈值法的红外图像分割方法,其特征在于,步骤3.2的具体步骤为:
步骤3.2.4、在所述最佳查找子区间[m,n]上设置阈值T,所述最佳查找子区间[m,n]中像素被T分为C1和C2两类,即:C1为[m,T],C2为[T,n],则C1的分布概率为p1,灰度均值为μ1,方差为
步骤3.2.6、利用阈值T1将所述最佳查找子区间[m,n]分成两类D1和D2,所述D1的灰度值小于或等于T1,所述D2是我灰度值大于或等于T1,D1和D2的灰度均值分别为μ11和μ12,D1和D2的相对距离值d:
将d作为适应度函数。
5.根据权利要求1所述的一种基于遗传优化阈值法的红外图像分割方法,其特征在于,步骤4具体包括以下步骤:
步骤4.1、先利用适应度函数计算原始种群中所有个体的适应度值总和、每个个体的相对适应度值,然后用轮盘赌法选出遗传种群;
步骤4.2、对所述遗传种群进行交叉和变异操作;
步骤4.3、重复步骤4.1-4.2,直至达到最大迭代次数终止,将遗传种群中最高适应度值的个体作为最佳分割阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243579.XA CN111462157B (zh) | 2020-03-31 | 2020-03-31 | 一种基于遗传优化阈值法的红外图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010243579.XA CN111462157B (zh) | 2020-03-31 | 2020-03-31 | 一种基于遗传优化阈值法的红外图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462157A true CN111462157A (zh) | 2020-07-28 |
CN111462157B CN111462157B (zh) | 2023-04-07 |
Family
ID=71683438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010243579.XA Active CN111462157B (zh) | 2020-03-31 | 2020-03-31 | 一种基于遗传优化阈值法的红外图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462157B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702257A (zh) * | 2021-08-09 | 2021-11-26 | 西南石油大学 | 一种基于ct三维数据体的砾岩孔隙结构表征方法 |
CN115239966A (zh) * | 2022-05-30 | 2022-10-25 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134221A (zh) * | 2014-08-21 | 2014-11-05 | 河海大学 | 一种基于自适应遗传算法和otsu算法的图像分割方法 |
CN105321166A (zh) * | 2015-01-07 | 2016-02-10 | 徐州工程学院 | 一种基于gap预测器和自适应遗传算法环焊焊缝边缘提取方法 |
WO2017096946A1 (zh) * | 2015-12-07 | 2017-06-15 | 乐视控股(北京)有限公司 | 图像高频信息的定位方法和装置 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109003287A (zh) * | 2018-07-24 | 2018-12-14 | 昆山智易知信息科技有限公司 | 基于改进遗传算法的图像分割方法 |
CN109886979A (zh) * | 2019-02-27 | 2019-06-14 | 安徽理工大学 | 基于改进布谷鸟优化法的图像多阈值分割方法 |
-
2020
- 2020-03-31 CN CN202010243579.XA patent/CN111462157B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134221A (zh) * | 2014-08-21 | 2014-11-05 | 河海大学 | 一种基于自适应遗传算法和otsu算法的图像分割方法 |
CN105321166A (zh) * | 2015-01-07 | 2016-02-10 | 徐州工程学院 | 一种基于gap预测器和自适应遗传算法环焊焊缝边缘提取方法 |
WO2017096946A1 (zh) * | 2015-12-07 | 2017-06-15 | 乐视控股(北京)有限公司 | 图像高频信息的定位方法和装置 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109003287A (zh) * | 2018-07-24 | 2018-12-14 | 昆山智易知信息科技有限公司 | 基于改进遗传算法的图像分割方法 |
CN109886979A (zh) * | 2019-02-27 | 2019-06-14 | 安徽理工大学 | 基于改进布谷鸟优化法的图像多阈值分割方法 |
Non-Patent Citations (2)
Title |
---|
何春华等: "基于改进遗传算法的自动阈值图像分割方法", 《计算机仿真》 * |
韩翠英等: "关于图像分割算法的优化仿真研究", 《计算机仿真》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702257A (zh) * | 2021-08-09 | 2021-11-26 | 西南石油大学 | 一种基于ct三维数据体的砾岩孔隙结构表征方法 |
CN115239966A (zh) * | 2022-05-30 | 2022-10-25 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
CN115239966B (zh) * | 2022-05-30 | 2024-04-09 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111462157B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458216B (zh) | 基于条件生成对抗网络的图像风格迁移方法 | |
Xiang et al. | Fabric image retrieval system using hierarchical search based on deep convolutional neural network | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN109299668B (zh) | 一种基于主动学习和聚类分析的高光谱图像分类方法 | |
CN111462157B (zh) | 一种基于遗传优化阈值法的红外图像分割方法 | |
CN105469080B (zh) | 一种人脸表情识别方法 | |
CN109711483B (zh) | 一种基于Sparse Autoencoder的电力系统运行方式聚类方法 | |
CN110188827B (zh) | 一种基于卷积神经网络和递归自动编码器模型的场景识别方法 | |
CN104134221A (zh) | 一种基于自适应遗传算法和otsu算法的图像分割方法 | |
CN114006870A (zh) | 一种基于自监督卷积子空间聚类网络的网络流量识别方法 | |
CN113222072A (zh) | 基于K-means聚类和GAN的肺部X光图像分类方法 | |
CN111161300B (zh) | 一种基于改进大津法的Niblack的图像分割方法 | |
CN114926680A (zh) | 一种基于AlexNet网络模型的恶意软件分类方法及系统 | |
CN104637045A (zh) | 一种基于超级像素层次特征的图像像素标号方法 | |
Dam et al. | Improving clustergan using self-augmented information maximization of disentangling latent spaces | |
CN113610158A (zh) | 一种深度堆栈式混合自编码网络的数据训练方法 | |
CN110781936B (zh) | 基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法以及遥感图像分类方法 | |
CN113538472A (zh) | 一种基于编码-解码网络的向量场引导精细化分割方法 | |
CN116645562A (zh) | 一种细粒度伪造图像的检测方法及其模型训练方法 | |
CN116523877A (zh) | 一种基于卷积神经网络的脑mri图像肿瘤块分割方法 | |
CN110060243B (zh) | 一种大坝表面裂缝骨架提取方法 | |
CN110852235A (zh) | 一种图像特征提取方法 | |
CN116051907A (zh) | 一种文物碎片精细分类方法、系统、介质、设备及终端 | |
CN107220978B (zh) | 融合区间模糊信息和统计信息的多目标阈值图像分割方法 | |
CN115100509A (zh) | 基于多分支块级注意力增强网络的图像识别方法及系统 |
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 |