CN112749713B - 一种基于人工智能的大数据图像识别系统及方法 - Google Patents

一种基于人工智能的大数据图像识别系统及方法 Download PDF

Info

Publication number
CN112749713B
CN112749713B CN202110100437.2A CN202110100437A CN112749713B CN 112749713 B CN112749713 B CN 112749713B CN 202110100437 A CN202110100437 A CN 202110100437A CN 112749713 B CN112749713 B CN 112749713B
Authority
CN
China
Prior art keywords
image
texture
gray
pixel
edge contour
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
Application number
CN202110100437.2A
Other languages
English (en)
Other versions
CN112749713A (zh
Inventor
张智
邓惠丹
何智海
斯琴高娃
陈翠琴
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.)
Hainan College Of Vocation And Technique
Original Assignee
Hainan College Of Vocation And Technique
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 Hainan College Of Vocation And Technique filed Critical Hainan College Of Vocation And Technique
Priority to CN202110100437.2A priority Critical patent/CN112749713B/zh
Publication of CN112749713A publication Critical patent/CN112749713A/zh
Application granted granted Critical
Publication of CN112749713B publication Critical patent/CN112749713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像识别技术领域，具体涉及一种基于人工智能的大数据图像识别系统及方法，通过计算图像灰度梯度的方式获取图像中的所有边缘轮廓线，从而提取出大概的物体轮廓，同时在物体轮廓内部提取出纹理，通过纹理识别的方式对边缘轮廓内部的物体进行辅助划分和识别，当图像内部的物体的边缘轮廓不太明显时，通过纹理的不同进行区分，从而提升物体轮廓提取的准确度，从而使得图像识别的结果更加准确。

Description

一种基于人工智能的大数据图像识别系统及方法
技术领域
本发明涉及图像识别技术领域，具体是一种基于人工智能的大数据图像识别系统及方法。
背景技术
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用人工智能深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。
现有的图像识别需要对图像内部的物体进行轮廓提取，然后才能对提取出的物体进行识别，现有的轮廓提取算法一般是识别灰度的边缘进行提取，但是边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息。正是因为这些原因，基于边缘的图像分割提取出的物体轮廓在许多情况下并不准确，从而使得图像识别的结果并不准确。
发明内容
有鉴于此，本发明的目的是提供一种基于人工智能的大数据图像识别系统及方法，能够基于物体的纹理对图像中物体的边缘提取进行修正，使得图像识别的结果更加准确。
为了实现上述目的，本发明采用了如下技术方案：
本发明的一种基于人工智能的大数据图像识别方法，包括步骤：
(1)利用图像采集设备获取图像，将图像转化为灰度图，以灰度图左下角的一个像素作为原点建立x-y二位坐标系；
(2)对灰度图中的物体进行边缘轮廓提取，提取方法如下：
从原点像素A(x0，y0)开始沿x轴依次扫描并计算像素的灰度梯度，计算公式为：其中f(x,y)为像素的灰度值，/>为像素沿x轴方向的灰度梯度；
从原点像素A(x0，y0)开始沿y轴依次扫描并计算像素的灰度梯度，计算公式为：其中f(x,y)为像素的灰度值，/>为像素沿y轴方向的灰度梯度；
设定边缘轮廓阈值α，当有n或者m个连续或者少量间断的和/>大于α时，则提取对应的多个像素的连线作为边缘轮廓，边缘轮廓用二维集合表示为[xn,ym]，其中n和m均为自然数；
(3)边缘轮廓将图像分为多个区域，对每个区域进行纹理提取，将边缘轮廓内部按照纹理进行区域划分；先对边缘轮廓内部的像素进行依次扫描并计算出边缘轮廓内部的像素，并同样计算边缘轮廓内部的像素的灰度梯度，设定纹理阈值β和γ，将聚集的和大于γ且小于β的区域设定为纹理，α>β>γ，纹理用二维集合表示为[xi,yj],其中0<i<n,0<j<m，i和j均为自然数；
(4)提取出纹理的属性，分别为：纹理长宽比、单个纹理的内部均匀度、纹理密度和纹理边缘的灰度梯度；
(5)将同一边缘轮廓区域内纹理长宽比、单个纹理的内部均匀度、纹理密度和纹理边缘的灰度梯度区别较大的不同区域进行分区；
(6)建立图像内容和图像纹理数据库，并将提取出的不同分区中的纹理与纹理数据库中的纹理通过神经网络进行对比，结合物体的边缘轮廓对比结果，获取最后的对比结果并输出和修正。
进一步，所述步骤(4)中其中：
纹理长宽比为：
单个纹理的内部均匀度为单个纹理内部的所有像素灰度值的方差L为单个纹理内部的像素个数，/>为单个纹理内部的所有像素的灰度平均值；
纹理密度为所有满足纹理提取像素的数量S[i][j]与纹理所在的边缘轮廓划分的区域的像素数量S[n][m]之比
纹理边缘的灰度梯度可从纹理确定时获取。
进一步，所述步骤(2)中，少量间断的小于阈值α的灰度梯度或者/>不超过边缘轮廓的多个灰度梯度的整体数量的5％。
本发明还提供一种基于人工智能的大数据图像识别系统，其特征在于：包括图像采集设备、图像预处理单元、图像分割单元、图像内容数据库、图像纹理数据库、图像对比单元；
图像采集设备用于采集图像并输出至图像预处理单元；
图像预处理单元用于图像的滤波、降噪和灰度处理并将预处理后的图像输出至图像分割单元；
图像分割单元用于将灰度图像内部的物体进行轮廓边缘提取，并将轮廓边缘内部的图像进行纹理提取，并将提取的结果发送至图像对比单元；
图像对比单元将图像中的物体轮廓和纹理与图像内容数据库和图像纹理数据库中的标准模型进行神经网络对比预算，并输出对比结果，对比后的图像中的物体轮廓和纹理分别存入至图像内容数据库和图像纹理数据库中。
本发明的有益效果是：本发明的一种基于人工智能的大数据图像识别系统及方法，通过计算图像灰度梯度的方式获取图像中的所有边缘轮廓线，从而提取出大概的物体轮廓，同时在物体轮廓内部提取出纹理，通过纹理识别的方式对边缘轮廓内部的物体进行辅助划分和识别，当图像内部的物体的边缘轮廓不太明显时，通过纹理的不同进行区分，从而提升物体轮廓提取的准确度，从而使得图像识别的结果更加准确。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图：
图1为本发明的方法流程图；
图2为本发明的系统结构示意图；
具体实施方式
如图1-图2所示：本实施例的一种基于人工智能的大数据图像识别系统及方法，包括步骤：
(1)利用图像采集设备，如相机、手机等获取初始图像，初始图像的文件一般较大，且包含RGB数据，直接处理会带来巨大的运算量，因此为了便于计算将图像转化为灰度图，灰度图中的每一个像素的灰度值均在0-255之间，同时以灰度图左下角的一个像素作为原点建立x-y二位坐标系；
(2)在进行图像识别时，需要先对灰度图中的物体进行边缘轮廓提取，将图像中的物体形状提取出来，提取方法如下：
从原点像素A(x0，y0)开始沿x轴依次扫描并计算像素的灰度梯度，灰度梯度的含义时，一个像素与它的相邻像素之间的灰度比值，即灰度的变化率，如果像素的变化率不大，即表示图像像素的灰度值过度平缓，即没有边界，如果图像像素的灰度值变化率突然增大，则说明这两个像素之间即为边界，计算公式为：其中f(x,y)为像素的灰度值，/>为像素沿x轴方向的灰度梯度；
从原点像素A(x0，y0)开始沿y轴依次扫描并计算像素的灰度梯度，计算公式为：其中f(x,y)为像素的灰度值，/>为像素沿y轴方向的灰度梯度；
从xy两个方向从左至右，从下至上地进行扫描和计算，将图像中所有灰度梯度进行计算，从而便可以找出图像中所有的像素灰度值产生或大或小变化的地方；
由于图像中的像素灰度值的变化十分普遍，因此产生灰度梯度的位置并不都是物体的边缘轮廓，因此需要筛选出其中变化率较大的地方，即灰度梯度较大的地方，通过设定边缘轮廓阈值α，当有n或者m个连续或者少量间断的或者/>大于α时，需要从x和y轴两个方向进行计算，因此每一个像素都具有对应的横向和竖向两个对应的灰度梯度，提取时需要/>和/>同时大于阈值才能认为该位置是边缘轮廓，则提取对应的多个像素的连线作为边缘轮廓，由于在扫描计算时，边缘轮廓用二维集合表示为[xn,ym]，其中n和m均为自然数，少量间断的小于阈值α的灰度梯度/>和/>不超过边缘轮廓的多个灰度梯度的整体数量的5％即可视作连续。
(3)边缘轮廓将图像分为多个区域，对每个区域进行纹理提取，将边缘轮廓内部按照纹理进行区域划分；先对边缘轮廓内部的像素进行依次扫描并计算出边缘轮廓内部的像素，并同样计算边缘轮廓内部的像素的灰度梯度，设定纹理阈值β和γ，将聚集的和大于γ且小于β的区域设定为纹理，即将像素灰度变化不那么剧烈的位置，如果能够聚集成型，则将其看做是物体的纹理，如果是离散情况下，如果能够进行有规律地分布，也可以看做是纹理，具体需要对边缘轮廓内部的分布均匀度进行计算后确定，如果均匀度降低，那么有可能是未被滤除的噪声，如果均匀度较高，那么离散分布的像素也能被视作为在图片缩放较小的情况下产生的纹理，其中，α>β>γ，纹理用二维集合表示为[xi,yj],其中0<i<n,0<j<m，i和j均为自然数；此外，本实施例中的n、m、 i和j均表示个数，而不表示具体的坐标值，以n为例，xn表示边缘轮廓所在的投影到横坐标上的长度，具体范围用坐标表示为x-x+n；
(4)提取出纹理的属性，分别为：纹理长宽比、单个纹理的内部均匀度、纹理密度和纹理边缘的灰度梯度；将同一边缘轮廓区域内纹理长宽比、单个纹理的内部均匀度、纹理密度和纹理边缘的灰度梯度区别较大的不同区域进行分区；
具体地，纹理长宽比为：
单个纹理的内部均匀度为单个纹理内部的所有像素灰度值的方差L为单个纹理内部的像素个数，/>为单个纹理内部的所有像素的灰度平均值；
纹理密度为所有满足纹理提取像素的数量S[i][j]与纹理所在的边缘轮廓划分的区域的像素数量S[n][m]之比
纹理边缘的灰度梯度可从纹理确定时获取；
在本实施例中步骤(2)确定边缘轮廓的过程中，同时也对纹理和纹理范围继续扫描和计算，最后通过纹理属性进行分区时，判断依据具体为：
先通过对比所有的纹理长宽比(纹理形状)和纹理内部均匀度判断纹理之间是否存有相似性，将相似的纹理位置标出，如果相似纹理聚集在一起，则按照相似纹理的聚集区域进行初分区，否则不进行分区；
然后纹理密度进行分区，在未能进行初分区时如果边缘轮廓内部出现完全分离的多个空间，每个空间内的纹理密度相差较大，则按照密度不同的区域对其进行分区；
最后如果进行分区后，通过纹理边缘的灰度梯度进行验证，如果分区内的所有纹理的纹理边缘的灰度(即原图像的颜色深度)均具有较高相似度，则保留分区，否则最后不保留分区。
通过获取纹理的不同的属性参数，在后续的对比时，便可以通过具体地纹理属性进行对比，同时，建立的图像纹理数据库中可以存入标准模型，如皮肤、毛发、布料、木材等标准纹理，如果对比时相似度较高，则可以直接将纹理所在的分区进行对象识别，如果不符合标准模型，则通过与图像纹理数据库中存入的其他已知模型继续相似度对比，同样可以对其所在的分区进行对象识别；
(6)建立图像内容和图像纹理数据库，并将提取出的不同分区中的纹理与纹理数据库中的纹理通过神经网络进行对比，结合物体的边缘轮廓对比结果，获取最后的对比结果并输出和修正。
最后，本发明还提供一种用于实现上述方法的基于人工智能的大数据图像识别系统，包括图像采集设备、图像预处理单元、图像分割单元、图像内容数据库、图像纹理数据库、图像对比单元；
图像采集设备用于采集图像并输出至图像预处理单元；
图像预处理单元用于图像的滤波、降噪和灰度处理并将预处理后的图像输出至图像分割单元；
图像分割单元用于将灰度图像内部的物体进行轮廓边缘提取，并将轮廓边缘内部的图像进行纹理提取，并将提取的结果发送至图像对比单元；
图像对比单元将图像中的物体轮廓和纹理与图像内容数据库和图像纹理数据库中的标准模型进行神经网络对比预算，并输出对比结果，对比后的图像中的物体轮廓和纹理分别存入至图像内容数据库和图像纹理数据库中。
其中图像采集设备可以时相机、手机等直接拍摄图像的设备，也可以是U 盘、硬盘等存储图像的设备；预处理单元可以是处理能力较弱的运算设备，原始图像经过图像预处理单元滤波降噪灰度化后，便于后续的运算和处理，最后通过图像分割单元进行边缘轮廓分割后，对比和修正，并将结果保留在图像内容数据库和图像纹理数据库，经过不断地机器学习使得识别结果越来越准确。
本发明的一种基于人工智能的大数据图像识别系统及方法，通过计算图像灰度梯度的方式获取图像中的所有边缘轮廓线，从而提取出大概的物体轮廓，同时在物体轮廓内部提取出纹理，通过纹理识别的方式对边缘轮廓内部的物体进行辅助划分和识别，当图像内部的物体的边缘轮廓不太明显时，通过纹理的不同进行区分，从而提升物体轮廓提取的准确度，从而使得图像识别的结果更加准确。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于人工智能的大数据图像识别方法，其特征在于：包括步骤：
(1)利用图像采集设备获取图像，将图像转化为灰度图，以灰度图左下角的一个像素作为原点建立x-y二位坐标系；
(2)对灰度图中的物体进行边缘轮廓提取，提取方法如下：
从原点像素A(x0，y0)开始沿x轴依次扫描并计算像素的灰度梯度，计算公式为：其中f(x,y)为像素的灰度值，/>为像素沿x轴方向的灰度梯度；
从原点像素A(x0，y0)开始沿y轴依次扫描并计算像素的灰度梯度，计算公式为：其中f(x,y)为像素的灰度值，/>为像素沿y轴方向的灰度梯度；
设定边缘轮廓阈值α，当有n或者m个连续或者少量间断的和/>大于α时，则提取对应的多个像素的连线作为边缘轮廓，边缘轮廓用二维集合表示为[xn,ym]，其中n和m均为自然数；
(3)边缘轮廓将图像分为多个区域，对每个区域进行纹理提取，将边缘轮廓内部按照纹理进行区域划分；先对边缘轮廓内部的像素进行依次扫描并计算出边缘轮廓内部的像素，并同样计算边缘轮廓内部的像素的灰度梯度，设定纹理阈值β和γ，将聚集的和大于γ且小于β的区域设定为纹理，α>β>γ，纹理用二维集合表示为[xi,yj],其中0<i<n,0<j<m，i和j均为自然数；
(4)提取出纹理的属性，分别为：纹理长宽比、单个纹理的内部均匀度、纹理密度和纹理边缘的灰度梯度；
(5)将同一边缘轮廓区域内纹理长宽比、单个纹理的内部均匀度、纹理密度和纹理边缘的灰度梯度区别较大的不同区域进行分区；
(6)建立图像内容和图像纹理数据库，并将提取出的不同分区中的纹理与纹理数据库中的纹理通过神经网络进行对比，结合物体的边缘轮廓对比结果，获取最后的对比结果并输出和修正。
2.根据权利要求1所述的一种基于人工智能的大数据图像识别方法，其特征在于：所述步骤(4)中其中：
纹理长宽比为：
单个纹理的内部均匀度为单个纹理内部的所有像素灰度值的方差L为单个纹理内部的像素个数，/>为单个纹理内部的所有像素的灰度平均值；
纹理密度为所有满足纹理提取像素的数量S[i][j]与纹理所在的边缘轮廓划分的区域的像素数量S[n][m]之比
纹理边缘的灰度梯度可从纹理确定时获取。
3.根据权利要求1所述的一种基于人工智能的大数据图像识别方法，其特征在于：所述步骤(2)中，少量间断的小于阈值α的灰度梯度或者/>不超过边缘轮廓的多个灰度梯度的整体数量的5％。
4.一种基于人工智能的大数据图像识别系统，其特征在于：包括图像采集设备、图像预处理单元、图像分割单元、图像内容数据库、图像纹理数据库、图像对比单元；
图像采集设备用于采集图像并输出至图像预处理单元；
图像预处理单元用于图像的滤波、降噪和灰度处理并将预处理后的图像输出至图像分割单元；
图像分割单元用于将灰度图像内部的物体进行轮廓边缘提取，并将轮廓边缘内部的图像进行纹理提取，并将提取的结果发送至图像对比单元；
图像对比单元将图像中的物体轮廓和纹理与图像内容数据库和图像纹理数据库中的标准模型进行神经网络对比预算，并输出对比结果，对比后的图像中的物体轮廓和纹理分别存入至图像内容数据库和图像纹理数据库中；
所述图像采集设备获取图像，将图像转化为灰度图，以灰度图左下角的一个像素作为原点建立x-y二位坐标系；
所述图像分割单元在进行图像识别时，先对灰度图中的物体进行边缘轮廓提取，提取方法如下：
从原点像素A(x0，y0)开始沿x轴依次扫描并计算像素的灰度梯度，计算公式为：其中f(x,y)为像素的灰度值，/>为像素沿x轴方向的灰度梯度；
从原点像素A(x0，y0)开始沿y轴依次扫描并计算像素的灰度梯度，计算公式为：其中f(x,y)为像素的灰度值，/>为像素沿y轴方向的灰度梯度；
通过设定边缘轮廓阈值α，当有n或者m个连续或者少量间断的和/>大于α时，则提取对应的多个像素的连线作为边缘轮廓，边缘轮廓用二维集合表示为[xn,ym]，其中n和m均为自然数；
边缘轮廓将图像分为多个区域，对每个区域进行纹理提取，将边缘轮廓内部按照纹理进行区域划分；先对边缘轮廓内部的像素进行依次扫描并计算出边缘轮廓内部的像素，并同样计算边缘轮廓内部的像素的灰度梯度，设定纹理阈值β和γ，将聚集的和/>大于γ且小于β的区域设定为纹理，α>β>γ，纹理用二维集合表示为[xi,yj],其中0<i<n,0<j<m，i和j均为自然数；
提取出纹理的属性，分别为：纹理长宽比、单个纹理的内部均匀度、纹理密度和纹理边缘的灰度梯度；将同一边缘轮廓区域内纹理长宽比、单个纹理的内部均匀度、纹理密度和纹理边缘的灰度梯度区别较大的不同区域进行分区；
建立图像内容和图像纹理数据库，所述图像对比单元将提取出的不同分区中的纹理与纹理数据库中的纹理通过神经网络进行对比，结合物体的边缘轮廓对比结果，获取最后的对比结果并输出和修正。
CN202110100437.2A 2021-01-26 2021-01-26 一种基于人工智能的大数据图像识别系统及方法 Active CN112749713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110100437.2A CN112749713B (zh) 2021-01-26 2021-01-26 一种基于人工智能的大数据图像识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110100437.2A CN112749713B (zh) 2021-01-26 2021-01-26 一种基于人工智能的大数据图像识别系统及方法

Publications (2)

Publication Number Publication Date
CN112749713A CN112749713A (zh) 2021-05-04
CN112749713B true CN112749713B (zh) 2024-03-29

Family

ID=75653084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110100437.2A Active CN112749713B (zh) 2021-01-26 2021-01-26 一种基于人工智能的大数据图像识别系统及方法

Country Status (1)

Country Link
CN (1) CN112749713B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610187B (zh) * 2021-08-19 2022-02-01 江西应用技术职业学院 基于图像技术的木材纹理提取及分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017067390A1 (zh) * 2015-10-20 2017-04-27 努比亚技术有限公司 图像中弱纹理区域的深度信息获取方法及终端
CN109784344A (zh) * 2019-01-24 2019-05-21 中南大学 一种用于地平面标识识别的图像非目标滤除方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8515171B2 (en) * 2009-01-09 2013-08-20 Rochester Institute Of Technology Methods for adaptive and progressive gradient-based multi-resolution color image segmentation and systems thereof

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017067390A1 (zh) * 2015-10-20 2017-04-27 努比亚技术有限公司 图像中弱纹理区域的深度信息获取方法及终端
CN109784344A (zh) * 2019-01-24 2019-05-21 中南大学 一种用于地平面标识识别的图像非目标滤除方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于细化分割的遥感影像水体边缘轮廓提取;王佳欣;窦小磊;;河南工程学院学报(自然科学版)(03);全文 *
激光诱导击穿光谱塑料损坏区域的图像识别;恽鸿峰;;激光杂志(09);全文 *

Also Published As

Publication number Publication date
CN112749713A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN104966285B (zh) 一种显著性区域的检测方法
CN110348263B (zh) 一种基于图像识别的二维随机码图像识别与提取方法
CN111507390A (zh) 一种基于轮廓特征的仓储箱体识别与定位方法
CN109086724B (zh) 一种加速的人脸检测方法及存储介质
CN109711268B (zh) 一种人脸图像筛选方法及设备
KR20100072772A (ko) 스테레오 비전을 이용한 실시간 얼굴 검출 시스템 및 그 방법
KR101759188B1 (ko) 2d 얼굴 이미지로부터 3d 모델을 자동 생성하는 방법
CN110544300B (zh) 一种基于二维手绘图像特征自动生成三维模型的方法
CN108470178B (zh) 一种结合深度可信度评价因子的深度图显著性检测方法
CN110853064A (zh) 一种基于最小模糊散度的图像协同分割方法
CN111062331A (zh) 图像的马赛克检测方法、装置、电子设备及存储介质
CN112749713B (zh) 一种基于人工智能的大数据图像识别系统及方法
CN113177526A (zh) 基于人脸识别的图像处理方法、装置、设备及存储介质
CN112435283A (zh) 图像的配准方法、电子设备以及计算机可读存储介质
CN116342519A (zh) 一种基于机器学习的图像处理方法
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN112085683B (zh) 一种显著性检测中的深度图可信度检测方法
CN115222652A (zh) 一种成捆钢筋端面的识别计数及中心定位方法与其存储器
CN110276260B (zh) 一种基于深度摄像头的商品检测方法
CN112052859A (zh) 一种自由场景下的车牌精准定位方法及装置
CN117115358B (zh) 数字人自动建模方法及装置
CN116883599B (zh) 一种基于三维建模技术的服装试穿系统
Zhao et al. A Retinex theory based point sampling method
CN117115358A (zh) 数字人自动建模方法及装置

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