CN112926592A - 一种基于改进Fast算法的商标检索方法及装置 - Google Patents

一种基于改进Fast算法的商标检索方法及装置 Download PDF

Info

Publication number
CN112926592A
CN112926592A CN202110393816.5A CN202110393816A CN112926592A CN 112926592 A CN112926592 A CN 112926592A CN 202110393816 A CN202110393816 A CN 202110393816A CN 112926592 A CN112926592 A CN 112926592A
Authority
CN
China
Prior art keywords
trademark
image
algorithm
fast algorithm
points
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
CN202110393816.5A
Other languages
English (en)
Other versions
CN112926592B (zh
Inventor
徐荣青
陈思宇
申景金
常春耕
岳英杰
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110393816.5A priority Critical patent/CN112926592B/zh
Publication of CN112926592A publication Critical patent/CN112926592A/zh
Application granted granted Critical
Publication of CN112926592B publication Critical patent/CN112926592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明公开本发明公开了一种基于改进Fast算法的商标检索方法及装置，对待检索的商标图像进行预处理；采用K‑means聚类和计算商标图像熵，确定Fast检测算法中的自适应阈值；使用Hessian矩阵消除边缘响应，排除商标图像边缘信息带来的干扰；基于非极大值抑制算法，排除非局部极大值点，排除商标图像噪声干扰；建立商标图像特征词袋模型，并通过聚类生成对商标特征点的描述子；对各类商标图像特征点描述子进行SVM分类器训练，得到训练文件用于计算商标所属各类别的概率。本发明利用改进后的Fast算法提取的特征点聚类生成特征描述子，将描述子进行K‑means聚类及SVM分类，得到该商标所属各类商标的概率，进而实现商标检索的目的。

Description

一种基于改进Fast算法的商标检索方法及装置
技术领域
本发明属于图像处理领域，具体涉及一种基于改进Fast算法的商标检索方法及装置。
背景技术
商标是当代社会经济发展的产物，随着经济的飞速发展，商标注册与查询的次数也日益剧增。商标不仅是一个企业产品的标识，还包含了许多社会文化背景。企业商标的管理和保护是极为重要的，所以如何准确有效的检索出商标的信息或者判断出该商标有无侵权问题成为了人们关注和研究的重点方向之一。并且由于计算机的发展和机器学习在商业领域的普及，使得自动化商标检索功能得到了广泛的应用。
Z.Chen、X.Wang等人提出的基于SIFT算法的商标检测系统，将视觉词袋模型和SIFT算法的理论引入到图像检索中，构建了商标图像检索方法。但是SIFT算法太过依赖图像局部像素的梯度方向，同时特征点的计算过程较为复杂，且速度较慢。C.Crysdian提出了一种基于分水岭变换的图像特征提取算法，根据商标特征构建了一个树索引结构，利用欧氏距离实现商标检索。但是基于欧氏距离的检索准确度不高。
发明内容
发明目的：本发明针对现有商标检索精度较低，以及特征提取算法速度较慢的不足，提出了一种基于改进Fast的算法的商标检索方法及装置，保留了Fast算法效率高的优点，并且有效的抑制了局部非极大值点且消除了边缘响应。
发明内容：本发明所述的一种基于改进Fast的算法的商标检索方法，包括以下步骤：
(1)对待检索的商标图像进行预处理，解决商标图像中的过分割与欠分割问题；
(2)根据商标图像性质采用K-means聚类和计算商标图像熵，确定Fast检测算法中的自适应阈值；
(3)使用Hessian矩阵消除边缘响应，排除商标图像边缘信息带来的干扰；
(4)基于非极大值抑制算法，排除非局部极大值点，排除商标图像噪声干扰；
(5)对于提取的特征点建立商标图像特征词袋模型，并通过聚类生成对商标特征点的描述子；
(6)对各类商标图像特征点描述子进行SVM分类器训练，得到训练文件用于计算商标所属各类别的概率。
进一步地，步骤(1)所述的预处理过程如下：
利用GraphCut将图像分为不同区域，生成图片的掩膜，送入GrabCut进行分割。
进一步地，所述步骤(2)实现过程如下：
根据每个聚类类别中所有图像像素的一维灰度直方图，确定灰度集C，基于阈值变量t，灰度集可分为两部分：C0＝{1,2,…,…,t}和C1＝{t+1,t+2,…,L}；计算每个聚类S的熵函数：
Figure BDA0003017769030000021
Figure BDA0003017769030000022
S＝S0+S1
其中，
Figure BDA0003017769030000023
为灰度集中第i位元素的概率分布，灰度集总概率分布为
Figure BDA0003017769030000024
Figure BDA0003017769030000025
按照K-means聚类找到最大熵最小的部分的灰度变量tmin和最大熵最大的部分的灰度变量tmax；获得自适应阈值tadaptive＝tmax-tmin。
进一步地，所述步骤(3)实现过程如下：
某角点的Hessian矩阵H的两个特征值比较接近，利用矩阵的特性，在不计算特征值的情况下得出两个特征值的比值，即ratio值：
Tr(H)＝Dxx+Dyy＝α+β
Det(H)＝DxxDyy-(Dxy)2＝αβ
Figure BDA0003017769030000026
其中，Dij代表矩阵中(i，j)位置的微分算子；Tr是矩阵主对角线上元素的和，称为矩阵的迹；Det是矩阵行列式的值；α是矩阵H的最大特征值，β是最小特征值；令
Figure BDA0003017769030000031
若
Figure BDA0003017769030000032
就保留特征点，否则丢弃。
进一步地，所述步骤(4)实现过程如下：
按照检测到的特征点为中心的3x3或者5x5窗口内，检测其余检测到的特征点，在区域内计算每一个特征点的响应函数，进行响应函数的排序，在区域内取响应函数最高的特征点为局部极大值点，其余的点都作为局部非极大值点处理，进行舍弃。
进一步地，步骤(5)所述的图像特征词袋模型建立过程如下：
将特征点聚类后的一个簇作为图像特征词袋模型中的一个视觉单词，使用视觉单词生成一个码本集；对于码本集利用K-means聚类，降低特征维度，得到商标图像描述子。
基于相同的发明构思，本发明还提供一种基于改进Fast算法的商标检索装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述计算机程序被加载至处理器时实现上述的基于改进Fast算法的商标检索方法。
有益效果：与现有技术相比，本发明的有益效果：通过引入非极大值抑制与Hessian矩阵改进了Fast算法，提升了特征点提取的速度与准确度；通过K-means聚类进一步简化了描述子的维度，为接下来的分类训练简化了特征向量，提升了效率；训练分类过程中，使用了SVM分类器进行分类训练，结合改进的Fast算法和聚类简化特征描述子的维度，使得SVM分类的精度有了提升。
附图说明
图1为本发明的流程图；
图2为改进Fast算法提取特征点前后对比图；其中，(a)为预处理后的商标图像；(b)为原始Fast算法提取特征点图像；(c)为改进后Fast算法提取特征点图像；
图3为改进前后Fast算法的商标检索方法检索精度的PR曲线对比图；其中(a)为改进前Fast算法搭建的商标检索方法的PR曲线图；(b)为改进后的商标检索方法的PR曲线图。
具体实施方式
下面结合附图，对本发明的技术方案作进一步详细描述。
本发明提供一种基于改进Fast算法的商标检索方法，如图1所示，具体包括以下步骤：
步骤1，对待检索的商标图像进行预处理，解决商标图像中的过分割与欠分割问题。
本研究的商标图像数据包含各商标品牌官方图像，以及在自然场景中不同角度拍摄得到的商标图像，利用GraphCut将图像分为不同区域，从而生成图片的掩膜，进而送入GrabCut进行分割，得到最终的商标图像，有效解决图像预处理中的过分割与欠分割问题。
步骤2，基于改进Fast算法进行商标图像特征点提取。
提取商标图像特征点是为了制作商标图像词袋模型。选用Fast检测算法的优点是计算量小，速度快，但是原算法对于处理边缘问题和干扰噪点存在缺陷，直接提取会得到很多局部非极大值噪点和边缘点，针对上述问题对Fast算法进行改进。相对于原算法，首先使用自适应阈值代替Fast角点检测中的固定阈值；其次，使用Hessian矩阵进行消除边缘响应；最后，引入非极大抑制方法排除非局部极大值点，最终高效的减少了无用特征点的数量，极好的降低了同层次特征点的维度，提升了提取精度。
(1)根据图像性质采用K-means和图片熵方法，使用自适应的方式来确定Fast检测算法中的阈值。
根据每个聚类类别中所有图像像素的一维灰度直方图，确定灰度集C，基于阈值变量t，灰度集可分为两部分：C0＝{1,2,…,…,t}和C1＝{t+1,t+2,…,L}；计算每个聚类S的熵函数：
Figure BDA0003017769030000041
Figure BDA0003017769030000042
S＝S0+S1
其中，
Figure BDA0003017769030000043
按照K-means聚类找到最大熵最小的部分的灰度变量tmin和最大熵最大的部分的灰度变量tmax；获得自适应阈值tadaptive＝tmax-tmin。
(2)利用Fast角点检测提取图像中的角点。
从图像中选定一个像素P，首先判定它是不是一个特征点。设其亮度值为Ip，根据自适应阈值t，以该像素点为中心取一个半径等于3的像素离散化Bresenham圆，圆的边界上有16个像素点。判定如果有n(n>12)个圆内像素点，它们的像素大于Ip+t或者小于Ip-t，则将圆的中心点判为该图片的角点。
(3)使用Hessian矩阵消除边缘响应，排除图像边缘信息带来的干扰。
将边缘图像分布特征与二次型函数图形进行类比，可以找到两个方向，一个方向图像梯度变化最慢，另一个方向图像梯度变化最快。那么图像中的边缘特征就与二次型函数的图像对应起来，二次型函数中的Hessian矩阵，也是可以通过对二次型函数进行二阶偏导得到，因此可以使用hessian矩阵来进行边缘响应消除。并且角点的Hessian矩阵两个特征值比较相近，而利用矩阵的特性可以在未求得特征值的情况下计算两个特征值的比值ratio。对此，利用下述公式：
Tr(H)＝Dxx+Dyy＝α+β
Det(H)＝DxxDyy-(Dxy)2＝αβ
Figure BDA0003017769030000051
其中，Dij代表矩阵中(i,j)位置的微分算子；Tr是矩阵主对角线上元素的和，称为矩阵的迹；Det是矩阵行列式的值；α是矩阵H的最大特征值，β是最小特征值；令
Figure BDA0003017769030000052
若
Figure BDA0003017769030000053
就保留特征点，否则丢弃。
(4)基于非极大值抑制算法排除非局部极大值点，排除图像噪声干扰。
在对特征点输出时，为防止重叠特征点的出现，选用非极大值抑制的方法。以图像建立的尺度空间金字塔顶层为基准，选取在每层金字塔上都出现的特征点pi，pi∈P，P＝{p1，p2，…，pi}作为已有特征点。对候选特征点qj(非每层均出现)，qj∈Q，Q＝{q1，q2，…，qj}进行非极大值抑制剔除，防止特征点的重叠输出。该剔除重叠特征点的方法步骤如下：
(41)在特征点输出时，计算图像中现有的候选特征点qj所在的某网格区域与已有特征点pi坐标之间的距离；
(42)求解出候选特征点qj与特征点P之间的坐标距离，筛选出距离不大于l的候选特征点q′j；
(43)计算按照步骤(42)求出的距离值不超过l的候选特征点q′j的Harris角点响应阈值ε′j，根据候选特征点响应阈值的激烈程度(即ε′j数值大小)将这些候选特征点进行从大到小排序；
(44)根据非极大值抑制算法的原理，将Harris角点响应阈值ε′j极大值所在的候选特征点q′j保留下来，得到特征点所处最佳位置的邻近特征点。并将低阈值的邻近候选特征点剔除，减少重叠特征点的输出，高效的减少了无用特征点的数量，极好的降低了同层次特征点的维度，提升了提取精度。
步骤3，对提取的商标图像特征点进行聚类(K-means)，构建词袋模型BOF(BagOfFeature)。对词袋模型建立的码本进一步K-means聚类，降低特征维度，同时生成对商标特征点的描述子。
步骤4，对各类商标特征点描述子进行SVM分类器训练，得到训练文件用于计算商标所属各类别的概率。
步骤5，输入待检索的商标图像，根据SVM分类训练文件预测该图片属于各商标的概率，根据最终预测结果，达到商标检索的目的。
以上，就是基于改进Fast算法实现商标检索方法的全部流程。
基于相同的发明构思，本发明还提供一种基于改进Fast算法的商标检索装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述计算机程序被加载至处理器时实现上述的基于改进Fast算法的商标检索方法。
如图2所示为改进Fast算法提取特征点的对比图，(a)为预处理后的商标图像，(b)为原始Fast算法提取特征点图像，(c)为改进后Fast算法提取特征点图像。可以看出，改进之后的算法相比较原始算法，剔除了大多数冗余特征点，同时对于关键特征的进行了完整地保留。
改进前后算法精度如表1所示：
表1特征点提取算法结果比较
时间(s) 特征点个数
FAST检测算法 0.1382 79
SIFT检测算法 2.536 154
改进的FAST算法 0.1781 23
改进的FAST算法(平移) 0.1764 22
改进的FAST算法(旋转) 0.1810 25
由表1可以看出，改进之后的Fast检测算法有很好的适应性能，而且能基本解决Fast检测带来的人工设定阈值、具有重复重叠特征点的情况，为接下来的码本生成和分类训练做了良好的铺垫。
PR(PrecisionRecall)曲线反映了分类器对正例的识别准确程度和对正例的覆盖能力之间的权衡。PR曲线下包络面积AP(AveragePrecision)，是衡量系统平均精度的指标。图3(a)为改进前Fast算法搭建的商标检索方法的PR曲线图，图3(b)为改进后的商标检索方法的PR曲线图。PR曲线下包络面积越大，即AP值越大，对应检索的平均精度越高，性能越好。因此可以得出改进后Fast算法实现的商标检索方法性能优于未改进情况下的方法。表2展示了本发明下各类商标检索的AP值：
表2各类商标检索的AP值
Adidas Chanel Gucci HH Lacoste MK Nike Prada PUMA Supreme
AP 1.00 0.98 0.98 0.95 0.74 0.93 0.96 0.99 0.76 0.98
由表2可以直观的看出，本发明在多个类别商标检索中都有较高的准确率，尤其是Adidas这一类的AP值为1，说明全部的商标都成功的识别出，但是Lacoste和PUMA这两个类别的AP值为0.74、0.76，通过检查测试数据集，发现当商标处于较远的位置并且与背景相似度较高时，会导致AP值降低，这也是图像检索领域普遍存在的问题。

Claims (7)

1.一种基于改进Fast算法的商标检索方法，其特征在于，包括以下步骤：
(1)对待检索的商标图像进行预处理，解决商标图像中的过分割与欠分割问题；
(2)根据商标图像性质采用K-means聚类和计算商标图像熵，确定Fast检测算法中的自适应阈值；
(3)使用Hessian矩阵消除边缘响应，排除商标图像边缘信息带来的干扰；
(4)基于非极大值抑制算法，排除非局部极大值点，排除商标图像噪声干扰；
(5)对于提取的特征点建立商标图像特征词袋模型，并通过聚类生成对商标特征点的描述子；
(6)对各类商标图像特征点描述子进行SVM分类器训练，得到训练文件用于计算商标所属各类别的概率。
2.根据权利要求1所述的基于改进Fast算法的商标检索方法，其特征在于，步骤(1)所述的预处理过程如下：
利用Graph Cut将图像分为不同区域，生成图片的掩膜，送入Grab Cut进行分割。
3.根据权利要求1所述的基于改进Fast算法的商标检索方法，其特征在于，所述步骤(2)实现过程如下：
根据每个聚类类别中所有图像像素的一维灰度直方图，确定灰度集C，基于阈值变量t，灰度集可分为两部分：C0＝{1，2，...，...，t}和C1＝{t+1，t+2，...，L}；计算每个聚类S的熵函数：
Figure FDA0003017769020000011
Figure FDA0003017769020000012
S＝S0+S1
其中，
Figure FDA0003017769020000013
为灰度集中第i位元素的概率分布，灰度集总概率分布为
Figure FDA0003017769020000014
Figure FDA0003017769020000015
按照K-means聚类找到最大熵最小的部分的灰度变量tmin和最大熵最大的部分的灰度变量tmax；获得自适应阈值tadaptive＝tmax-tmin。
4.根据权利要求1所述的基于改进Fast算法的商标检索方法，其特征在于，所述步骤(3)实现过程如下：
某角点的Hessian矩阵H的两个特征值比较接近，利用矩阵的特性，在不计算特征值的情况下得出两个特征值的比值，即ratio值：
Tr(H)＝Dxx+Dyy＝α+β
Det(H)＝DxxDyy-(Dxy)2＝αβ
Figure FDA0003017769020000021
其中，Dij代表矩阵中(i，j)位置的微分算子；Tr是矩阵主对角线上元素的和，称为矩阵的迹；Det是矩阵行列式的值；α是矩阵H的最大特征值，β是最小特征值；令
Figure FDA0003017769020000022
若
Figure FDA0003017769020000023
就保留特征点，否则丢弃。
5.根据权利要求1所述的基于改进Fast算法的商标检索方法，其特征在于，所述步骤(4)实现过程如下：
按照检测到的特征点为中心的3x3或者5x5窗口内，检测其余检测到的特征点，在区域内计算每一个特征点的响应函数，进行响应函数的排序，在区域内取响应函数最高的特征点为局部极大值点，其余的点都作为局部非极大值点处理，进行舍弃。
6.根据权利要求1所述的基于改进Fast算法的商标检索方法，其特征在于，步骤(5)所述的图像特征词袋模型建立过程如下：
将特征点聚类后的一个簇作为图像特征词袋模型中的一个视觉单词，使用视觉单词生成一个码本集；对于码本集利用K-means聚类，降低特征维度，得到商标图像描述子。
7.一种基于改进Fast算法的商标检索装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的基于改进Fast算法的商标检索方法。
CN202110393816.5A 2021-04-13 2021-04-13 一种基于改进Fast算法的商标检索方法及装置 Active CN112926592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110393816.5A CN112926592B (zh) 2021-04-13 2021-04-13 一种基于改进Fast算法的商标检索方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110393816.5A CN112926592B (zh) 2021-04-13 2021-04-13 一种基于改进Fast算法的商标检索方法及装置

Publications (2)

Publication Number Publication Date
CN112926592A true CN112926592A (zh) 2021-06-08
CN112926592B CN112926592B (zh) 2022-07-26

Family

ID=76174225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110393816.5A Active CN112926592B (zh) 2021-04-13 2021-04-13 一种基于改进Fast算法的商标检索方法及装置

Country Status (1)

Country Link
CN (1) CN112926592B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071286A (zh) * 2021-10-29 2023-05-05 重庆药羚科技有限公司 分液过程监测与终点识别方法及系统、存储介质及终端
CN116740477A (zh) * 2023-08-16 2023-09-12 南昌航空大学 基于稀疏光流的动态像素点分布识别方法、系统及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102541954A (zh) * 2010-12-29 2012-07-04 北京大学 一种商标检索方法及系统
CN112347284A (zh) * 2020-09-16 2021-02-09 华南师范大学 一种组合商标图像检索方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102541954A (zh) * 2010-12-29 2012-07-04 北京大学 一种商标检索方法及系统
CN112347284A (zh) * 2020-09-16 2021-02-09 华南师范大学 一种组合商标图像检索方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071286A (zh) * 2021-10-29 2023-05-05 重庆药羚科技有限公司 分液过程监测与终点识别方法及系统、存储介质及终端
CN116740477A (zh) * 2023-08-16 2023-09-12 南昌航空大学 基于稀疏光流的动态像素点分布识别方法、系统及设备
CN116740477B (zh) * 2023-08-16 2023-11-07 南昌航空大学 基于稀疏光流的动态像素点分布识别方法、系统及设备

Also Published As

Publication number Publication date
CN112926592B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN110334706B (zh) 一种图像目标识别方法及装置
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
Tong et al. Saliency detection with multi-scale superpixels
US20110158535A1 (en) Image processing apparatus and image processing method
US8027978B2 (en) Image search method, apparatus, and program
CN104850822B (zh) 基于多特征融合的简单背景下的叶片识别方法
CN112926592B (zh) 一种基于改进Fast算法的商标检索方法及装置
CN110751027B (zh) 一种基于深度多示例学习的行人重识别方法
Cheng et al. Urban road extraction via graph cuts based probability propagation
CN109213886B (zh) 基于图像分割和模糊模式识别的图像检索方法及系统
CN111400528A (zh) 一种图像压缩方法、装置、服务器及存储介质
Bai et al. Principal pixel analysis and SVM for automatic image segmentation
Cao et al. Performance analysis of Otsu-based thresholding algorithms: a comparative study
CN111815582A (zh) 改进背景先验和前景先验的二维码区域检测方法
CN107564008A (zh) 基于关键像素模糊聚类的快速sar图像分割方法
Zhu et al. Scene text detection via extremal region based double threshold convolutional network classification
CN105844299B (zh) 一种基于词袋模型的图像分类方法
Ye et al. Saliency detection via similar image retrieval
Zhang et al. Saliency detection via image sparse representation and color features combination
CN115203408A (zh) 一种多模态试验数据智能标注方法
CN115272689A (zh) 基于视图的空间形状识别方法、装置、设备和存储介质
CN108475339B (zh) 用于对图像中的对象分类的方法和系统
Duan et al. Bio-inspired visual attention model and saliency guided object segmentation
Jensch et al. A comparative evaluation of three skin color detection approaches
Baek et al. Bayesian learning of a search region for pedestrian detection

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210023 9 Wen Yuan Road, Qixia District, Nanjing, Jiangsu.

Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS

Address before: 210000 No. 186 Software Avenue, Yuhuatai District, Nanjing, Jiangsu Province

Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS

GR01 Patent grant
GR01 Patent grant