CN112614170A - 基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法 - Google Patents
基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法 Download PDFInfo
- Publication number
- CN112614170A CN112614170A CN202110022500.5A CN202110022500A CN112614170A CN 112614170 A CN112614170 A CN 112614170A CN 202110022500 A CN202110022500 A CN 202110022500A CN 112614170 A CN112614170 A CN 112614170A
- Authority
- CN
- China
- Prior art keywords
- image
- power spectrum
- registration
- fourier
- images
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Discrete Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
一种基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,通过对待测冷冻电镜单颗粒图片集进行功率谱高通滤波器参数估计,然后计算待配准图像的傅里叶功率谱,并提取特征点,根据特征点对待配准图像进行反旋转后对图像进行矫正;基于傅里叶功率谱的旋转周期性,再次根据特征点计算另一相对旋转角后进行相对反旋转和相对矫正,最后根据矫正以及相对矫正得到的矫正图像与目标图像进行相似性计算,取相似性最高的矫正图像作为配准参数结果。本发明使用傅里叶功率谱域的分析对噪声、颗粒以及背景进行了有效分离,同时基于快速傅里叶变换的有效实现大大提高了算法的计算性能,无需进行迭代修正可直接计算出配准参数,使得配准无论从计算速度还是精度与鲁棒性上都得到了提升。
Description
技术领域
本发明涉及的是一种图像处理领域的技术,具体是一种基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法。
背景技术
在冷冻电镜的检测过程中,为了保证生物大分子的活性尽量不受电子辐射影响,电子显微镜使用的电子剂量必须保证在一个很低的程度下,导致冷冻电镜单颗粒图像的噪声很大,信噪比极低(通常低至0.1以下)。冷冻电镜图像的分析技术包括二维分析技术与三维分析技术,二维分析技术主要对图像进行聚类来降低噪声获取较为清晰的电镜图像,而三维分析技术则通过冷冻电镜图像重建其三维结构。无论是二维分析技术还是三维分析技术都需要在实施过程中对冷冻电镜图像进行配准以便于更好计算图像距离、图像相似性以及相对方向关系,且最终结果严重依赖于配准算法的准确性。
冷冻电镜图像配准的主要难点在于图像极低的信噪比以及颗粒部分只占据图像的一部分使得颗粒需要与背景进行分离。目前的冷冻电镜配准算法主要还是迭代算法,这样的方法无法保证收敛速度,使得算法非常耗时,且对噪声的抗性也不强。配准算法是整个冷冻电镜分析中的重要一环,也是重要耗时环节,因此目前需要一种全新的配准算法来对整个过程进行加速并且能保证算法的精度与鲁棒性。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,使用傅里叶功率谱域的分析对噪声、颗粒以及背景进行了有效分离,同时基于快速傅里叶变换的有效实现大大提高了算法的计算性能,无需进行迭代修正可直接计算出配准参数,使得配准无论从计算速度还是精度与鲁棒性上都得到了提升。
本发明是通过以下技术方案实现的:
本发明涉及一种基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,通过对待测冷冻电镜单颗粒图片集进行功率谱高通滤波器参数估计,然后计算待配准图像的傅里叶功率谱,并提取特征点,根据特征点对待配准图像进行反旋转后对图像进行矫正;基于傅里叶功率谱的旋转周期性,再次根据特征点计算另一相对旋转角后进行相对反旋转和相对矫正,最后根据矫正以及相对矫正得到的矫正图像与目标图像进行相似性计算,取相似性最高的矫正图像作为配准参数结果。
所述的功率谱高通滤波器参数估计是指:利用配准算法在随机挑选的小样本数据集上进行配准精度评估,选取最佳的功率谱高通滤波器参数,即功率谱域滤波半径r作为后续完整配准过程的方法参数。
所述的配准精度评估是指:将小样本数据集上的所有数据向指定图像进行配准,并计算所有配准过后的图像与指定图像的相似度的均值作为精度指标,该精度指标采取相关熵其中:P,Q分别为两幅冷冻电镜单颗粒图像,m,n分别为其高度与宽度,e为自然对数,Pij,Qij为两幅图像位于(i,j)处的像素值,σ为给定参数,一般设为1。
所述的待配准图像的傅里叶功率谱P(u,v)=|F(u,v)|2,其中:F(u,v)是图像的傅里叶变换u,v是频域坐标,|·|表示取幅值操作,P(i,v)是图像的功率谱,对于两张需要进行配准的冷冻电镜单颗粒图像I1、I2,分别计算其傅里叶功率谱并根据估计所得参数进行高通滤波得到对应功率谱P1、P2。
所述的提取特征点是指:对两个傅里叶功率谱P1、P2,寻找满足条件的局部极大值,计算其邻域的重心作为特征点,其中:领域为位于局部极大值邻近区域且幅度不低于局部极大值的一定比例的傅里叶功率谱点集,邻域的重心其中:U(m)为局部最大值的邻域,pij为位于(i,j)处的像素值,gx、gy为重心的横纵坐标。
所述的反旋转是指:对于两张需要进行配准的冷冻电镜单颗粒图像,根据特征点的相对方位,计算特征点的相对旋转角度α0,并据此对一张冷冻电镜单颗粒图像进行反旋转,得到两张仅存在平移变换的冷冻电镜单颗粒图像。
所述的矫正是指:通过傅里叶空间的平移配准计算两张反旋转后的图片的平移参数Δx0,Δy0,并根据α0,Δx0,Δy0对图像进行矫正得矫正后图像I′1,其中:傅里叶空间的平移配准为F1(u,v)和F2(u,v)分别是两张图像的傅里叶变换,u,v是频域坐标,|·|表示取幅值操作,*表示复数共轭,表示傅里叶反变换,δ(x+Δx0,y+Δy0)是位于(Δx,Δy)处的冲激函数,通过求解冲击函数最大值位置即可找到两张冷冻电镜单颗粒图像间的平移量,通过平移实现矫正。
所述的相对反旋转是指:对于两张需要进行配准的冷冻电镜单颗粒图像,选取相对旋转角为α1=(α0+180°)%360°,并据此对一张冷冻电镜单颗粒图像进行反旋转,得到两张仅存在平移变换的冷冻电镜单颗粒图像,其中:%是指取余运算。
所述的相对矫正是指:通过傅里叶空间的平移配准计算两张图片的平移参数Δx1,Δy1,并根据α1,Δx1,Δy1对图像进行矫正得矫正后图像I″1。
所述的相似性计算是指:计算过两张矫正图像I′1、I″1与图像I2的相似性,采取相似性度量为相关熵。
所述的配准参数结果,即选取相似性高的图像输出其配准参数α,Δx,Δy。
本发明涉及一种实现上述方法的系统,包括:特征提取单元、结果计算单元以及结果决策单元,其中:特征提取单元指傅里叶功率谱特征提取与精修部分,对输入信息进行处理,与特征精修单元相连并传输特征信息;结果计算单元指根据特征信息计算多种可行配准结果,与决策单元相连并传输多种结果信息;结果决策单元对多种结果信息进行决策,最终输出最佳结果。
技术效果
本发明整体解决了现有技术的配准计算效率低下的问题,本发明通过傅里叶变换与功率谱分析算法对颗粒、噪声与背景进行分离,进而对颗粒进行方位配准,减小了噪声与背景对配准过程的影响,提升了配准算法的鲁棒性。采取快速傅里叶变换作为配准算法的基本步骤,同时无需迭代计算,可以显著提高算法的计算效率,减少配准时间。
附图说明
图1为本发明流程图;
图2为实施例GroEL真实冷冻电镜单颗粒图像样本示意图;
图3为实施例GroEL真实结构示意图;
图4为实施例配准结果以及生成的参考图像;
图5为实施例配准算法进行聚类的类平均结果示意图;
图6为实施例配准算法进行重构的三维模型结果示意图。
具体实施方式
本实施例中傅里叶变换采取快速傅里叶变换,图像旋转平移变换中采取双线性插值,旋转中心均为图像中心。本实施例的配准算法对参考图像生成方法无特殊要求,此实例仅给出数据集配准中一种生成方法以便对整个过程能有更清晰的认识。
如图2所示,为GroEL蛋白的真实冷冻电镜单颗粒图像。该数据集为4096张128×128的GroEL蛋白的冷冻电镜单颗粒图像。GroEL是一个具有D7对称性的结构,配准的目标是讲所有图像矫正到同一方位上。后续聚类的目标是将数据集中的单颗粒图像聚类到32个类别中,重构的目标是生成GroEL的三维结构。
如图1所示,为本实施例涉及一种基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,具体包括以下步骤:
第一步,随机选取GroEL数据集中的100张图像作为子数据集进行高通滤波器参数估计,以子数据集第一张图像作为参考图像,应用一组高通滤波器参数,使用完整的配准算法对子数据集进行配准,配准精度为数据集图像与参考图像相似性,选取具有最佳配准精度的高通滤波器参数作为后续步骤的参数,此处高通滤波器滤波半径为4.27。
第二步,计算参考图像初始值为所有图像的均值,将所有图像与参考图像进行配准。
第三步,在输入图像与参考图像的配准过程中,分别计算这两幅图像的功率谱,提取局部最大值作为特征点,并对特征点用其邻域重心进行修正。
第四步,对两张图像的特征点,以图像中心为中心,计算其相对旋转角度,同时根据周期性得到另一可能旋转角度。应用两旋转角度分别对输入图像进行矫正,得到两张仅存在平移变换的图像。
第五步,对两张矫正后的图像分别进行平移配准,得到两组平移参数。应用两组平移参数分别对第四步输出两张矫正图像进行再矫正,得到两张近似参考图像的矫正图像。
第六步,分别第五步中两张输出的矫正图像与参考图像的相似性,取相似性大的矫正图像输出其对应的配准参数及矫正结果。
第七步,计算参考图像初始值为所有图像的均值,应用第二到六步的配准步骤将所有图像与参考图像进行配准,以矫正结果更新数据集图像,同时以一定的学习率更新参考图像,学习率通常设为数据集大小一半的倒数,此处设为1/2048。
第八步,以第七步输出的参考图像为基准将数据集图像再次进行配准,更新并输出数据集图像。如图4所示,所有图像都被矫正到了同一方位上且得到了清晰的参考图像。
第九步,在聚类算法中使用本实施例的配准算法,得到类平均图像,如图5所示,类平均图像分类明确,且清晰度相比初始单颗粒图像有明显提升。
第十步,在重构算法中使用本实施例的配准算法,如图6所示,经过少量迭代的重构模型能得到一个比较正确的结果。
经过具体实际实验,在Intel Xeon CPU E3-1240 v5的硬件环境下,对4096张128×128的GroEL蛋白的冷冻电镜单颗粒图像进行配准,输入数据示例如图2所示,输出如图4所示配准结果,配准时间为174秒。
综上,本方法通过傅里叶功率谱提取冷冻电镜单颗粒图像的方位特征,并根据此方位特征直接计算处配准参数,其与现有常规技术手段相比具有显著改进的技术细节具体为:基于快速傅里叶变换实现且无需迭代计算显著提升了计算效率,在傅里叶功率谱对颗粒、噪声与背景进行分离从而对噪声有极大的抗性,显著提高了计算效率与配准精度。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (10)
1.一种基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,其特征在于,通过对待测冷冻电镜单颗粒图片集进行功率谱高通滤波器参数估计,然后计算待配准图像的傅里叶功率谱,并提取特征点,根据特征点对待配准图像进行反旋转后对图像进行矫正;基于傅里叶功率谱的旋转周期性,再次根据特征点计算另一相对旋转角后进行相对反旋转和相对矫正,最后根据矫正以及相对矫正得到的矫正图像与目标图像进行相似性计算,取相似性最高的矫正图像作为配准参数结果。
2.根据权利要求1所述的基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,其特征是,所述的功率谱高通滤波器参数估计是指:利用配准算法在随机挑选的小样本数据集上进行配准精度评估,选取最佳的功率谱高通滤波器参数,即功率谱域滤波半径r作为后续完整配准过程的方法参数。
4.根据权利要求1所述的基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,其特征是,所述的待配准图像的傅里叶功率谱P(u,v)=|F(u,v)|2,其中:F(u,v)是图像的傅里叶变换u,v是频域坐标,|·|表示取幅值操作,P(u,v)是图像的功率谱,对于两张需要进行配准的冷冻电镜单颗粒图像I1、I2,分别计算其傅里叶功率谱并根据估计所得参数进行高通滤波得到对应功率谱P1、P2。
6.根据权利要求1所述的基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,其特征是,所述的反旋转是指:对于两张需要进行配准的冷冻电镜单颗粒图像,根据特征点的相对方位,计算特征点的相对旋转角度α0,并据此对一张冷冻电镜单颗粒图像进行反旋转,得到两张仅存在平移变换的冷冻电镜单颗粒图像;
所述的相对反旋转是指:对于两张需要进行配准的冷冻电镜单颗粒图像,选取相对旋转角为α1=(α0+180°)%360°,并据此对一张冷冻电镜单颗粒图像进行反旋转,得到两张仅存在平移变换的冷冻电镜单颗粒图像,其中:%是指取余运算。
7.根据权利要求1所述的基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,其特征是,所述的矫正是指:通过傅里叶空间的平移配准计算两张反旋转后的图片的平移参数Δx0,Δy0,并根据α0,Δx0,Δy0对图像进行矫正得矫正后图像I′1,其中:傅里叶空间的平移配准为 F1(u,v)和F2(u,v)分别是两张图像的傅里叶变换,u,v是频域坐标,|·|表示取幅值操作,*表示复数共轭,表示傅里叶反变换,δ(x+Δx0,y+Δy0)是位于(Δx,Δy)处的冲激函数,通过求解冲击函数最大值位置即可找到两张冷冻电镜单颗粒图像间的平移量,通过平移实现矫正;
所述的相对矫正是指:通过傅里叶空间的平移配准计算两张图片的平移参数Δx1,Δy1,并根据α1,Δx1,Δy1对图像进行矫正得矫正后图像I″1。
8.根据权利要求1或6所述的基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,其特征是,所述的相似性计算是指:计算过两张矫正图像I′1、I″1与图像I2的相似性,采取相似性度量为相关熵。
9.根据权利要求1或7所述的基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法,其特征是,所述的配准参数结果,即选取相似性高的图像输出其配准参数α,Δx,Δy。
10.一种实现上述任一权利要求所述方法的系统,其特征在于,包括:特征提取单元、结果计算单元以及结果决策单元,其中:特征提取单元指傅里叶功率谱特征提取与精修部分,对输入信息进行处理,与特征精修单元相连并传输特征信息;结果计算单元指根据特征信息计算多种可行配准结果,与决策单元相连并传输多种结果信息;结果决策单元对多种结果信息进行决策,最终输出最佳结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022500.5A CN112614170B (zh) | 2021-01-08 | 2021-01-08 | 基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022500.5A CN112614170B (zh) | 2021-01-08 | 2021-01-08 | 基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112614170A true CN112614170A (zh) | 2021-04-06 |
CN112614170B CN112614170B (zh) | 2022-08-05 |
Family
ID=75253509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110022500.5A Active CN112614170B (zh) | 2021-01-08 | 2021-01-08 | 基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614170B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643230A (zh) * | 2021-06-22 | 2021-11-12 | 清华大学 | 用于冷冻电镜生物大分子颗粒识别的持续学习方法及系统 |
CN115457548A (zh) * | 2022-09-19 | 2022-12-09 | 清华大学 | 冷冻电镜中的高分辨率密度图配准方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5850486A (en) * | 1996-04-29 | 1998-12-15 | The Mclean Hospital Corporation | Registration of image data |
CN103839262A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于直线和fft的sar图像配准方法 |
CN104200463A (zh) * | 2014-08-06 | 2014-12-10 | 西安电子科技大学 | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 |
CN105069797A (zh) * | 2015-08-13 | 2015-11-18 | 上海交通大学 | 基于掩膜的冷冻电镜三维密度图分辨率检测方法 |
CN111462198A (zh) * | 2020-03-10 | 2020-07-28 | 西南交通大学 | 一种尺度、旋转和辐射不变性的多模态影像配准方法 |
EP3692360A1 (en) * | 2017-10-06 | 2020-08-12 | The Governing Council of the University of Toronto | Methods and systems for 3d structure estimation using non-uniform refinement |
-
2021
- 2021-01-08 CN CN202110022500.5A patent/CN112614170B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5850486A (en) * | 1996-04-29 | 1998-12-15 | The Mclean Hospital Corporation | Registration of image data |
CN103839262A (zh) * | 2014-02-24 | 2014-06-04 | 西安电子科技大学 | 一种基于直线和fft的sar图像配准方法 |
CN104200463A (zh) * | 2014-08-06 | 2014-12-10 | 西安电子科技大学 | 基于傅立叶梅林变换和最大互信息理论的图像配准方法 |
CN105069797A (zh) * | 2015-08-13 | 2015-11-18 | 上海交通大学 | 基于掩膜的冷冻电镜三维密度图分辨率检测方法 |
EP3692360A1 (en) * | 2017-10-06 | 2020-08-12 | The Governing Council of the University of Toronto | Methods and systems for 3d structure estimation using non-uniform refinement |
CN111462198A (zh) * | 2020-03-10 | 2020-07-28 | 西南交通大学 | 一种尺度、旋转和辐射不变性的多模态影像配准方法 |
Non-Patent Citations (3)
Title |
---|
NADEZHDA A. ANOSHINA ET.AL: "Correlation-based 2D Registration Method for Single Particle Cryo-EM Images", 《2017 SEVENTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY,TOOLS AND APPLICATIONS(IPTA)》 * |
YU-XUAN CHEN ET.AL: "Fast Cryo-EM Image Alignment Algorithm Using Power Spectrum Features", 《JOURNAL OF CHEMICAL INFORMATION AND MODELING》 * |
雷超阳 等: "基于Fourier-Mellin变换的医学图像配准算法", 《吉首大学学报 自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643230A (zh) * | 2021-06-22 | 2021-11-12 | 清华大学 | 用于冷冻电镜生物大分子颗粒识别的持续学习方法及系统 |
CN115457548A (zh) * | 2022-09-19 | 2022-12-09 | 清华大学 | 冷冻电镜中的高分辨率密度图配准方法 |
CN115457548B (zh) * | 2022-09-19 | 2023-06-16 | 清华大学 | 冷冻电镜中的高分辨率密度图配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112614170B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032761B (zh) | 一种冷冻电镜单颗粒成像数据的分类方法 | |
Wang et al. | Quaternion polar complex exponential transform for invariant color image description | |
CN104933678B (zh) | 一种基于像素强度的图像超分辨率重建方法 | |
CN112614170B (zh) | 基于傅里叶功率谱的冷冻电镜单颗粒图像配准方法 | |
CN111738055B (zh) | 多类别文本检测系统和基于该系统的票据表单检测方法 | |
Sharma et al. | Edge detection using Moore neighborhood | |
CN111339695A (zh) | 用于电磁场仿真的装置和方法 | |
CN112241745A (zh) | 一种基于光照不变颜色空间的特征点提取方法 | |
CN117593323B (zh) | 一种基于非局部特征的图像分割方法、系统、介质和设备 | |
CN113436218B (zh) | 基于高斯滤波与均值滤波的sar图像边缘检测方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN107748885B (zh) | 一种对模糊字符进行识别的方法 | |
CN109241981A (zh) | 一种基于稀疏编码的特征检测方法 | |
Hu et al. | Military object detection based on optimal gabor filtering and deep feature pyramid network | |
Bhamre et al. | Mahalanobis distance for class averaging of cryo-EM images | |
Zhao et al. | Principal direction-based Hough transform for line detection | |
Hu et al. | A new method and implementation of blind restoration algorithm for moving fuzzy license plate image based on frequency-domain characteristics | |
Cai et al. | Water–air imaging: Distorted image reconstruction based on a twice registration algorithm | |
CN113313655B (zh) | 一种基于显著性映射和梯度倒频谱技术的盲图像去模糊方法 | |
Liu et al. | SAR image matching based on speeded up robust feature | |
KR101279484B1 (ko) | 영상 처리 장치 및 방법 | |
Das et al. | A concise review of fast bilateral filtering | |
Schug et al. | Three-dimensional shearlet edge analysis | |
CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 | |
Cherian et al. | Improving image resolution on surveillance images using SRGAN |
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 |