CN113094540B - 一种基于手绘的准规则斑图花型图案检索方法 - Google Patents
一种基于手绘的准规则斑图花型图案检索方法 Download PDFInfo
- Publication number
- CN113094540B CN113094540B CN202110408670.7A CN202110408670A CN113094540B CN 113094540 B CN113094540 B CN 113094540B CN 202110408670 A CN202110408670 A CN 202110408670A CN 113094540 B CN113094540 B CN 113094540B
- Authority
- CN
- China
- Prior art keywords
- pattern
- quasi
- regular
- hand
- primitive
- 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
Images
Classifications
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于手绘的准规则斑图花型图案检索方法,包括:步骤一:利用对称特征检测算法,对准规则斑图花型图案库中的图案进行对称轴检测,并进行基元图案分割;步骤二:将分割得到的基元图案进行预处理,得到边缘图案形式;步骤三:利用特征提取算法分别提取准规则斑图花型基元图案和手绘图案的形状特征,并计算二者的特征相似性度量,以实现基于手绘图案的准规则斑图花型图案检索。与现有的方法相比,本发明中设计的预处理方法能够有效地提取图案边缘,突出形状特征;基元分割方法能够很好的适应准规则斑图花型图案的对称结构,简化图案中的形状特征,提高检索准确率。
Description
技术领域
本发明属于图像检索技术领域,具体涉及一种基于手绘的准规则斑图花型图案检索方法。
背景技术
基于手绘图的检索方式主要是通过描绘图案中的主要部分来进行检索的一种方式,这种检索方式相较于基于关键词和内容的图像检索方式显得更为灵活。由于手绘草图通常比场景的完整颜色和形状描述更容易和更快地生成,因此用户在图像检索时不必在拘泥于寻找合适的关键字或者是相似内容的图像,而是可以通过智能手机或者手写板随时随地描绘出自己需要的图像,根据描绘的图像实现检索。
基于手绘图的图像检索系统在许多领域都得到了广泛的应用,如检索商标、检索技术图纸、文献、手绘稿和艺术剪纸等。Eitz等在文献《Sketch-Based Image Retrieval:Benchmark and Bag-of-Features Descriptors,IEEE transactions on visualizationand computer graphics,2011》中引入了一个评估大规模基于手绘图图像检索系统性能的基准,通过使用局部描述符的方法构建了新的基于特征包的新描述符来进行图像特征提取,并实现基于手绘图的图像检索,其检索效果优于使用其他局部描述符。Liu等在文献《Deep Sketch Hashing:Fast Free-Hand Sketch-Based Image Retrieval,2017IEEEConference on Computer Vision and Pattern Recognition(CVPR).IEEE,2017》中开发了一个由两个相同的AlexNet分支组成的暹罗网络,并有效地学习草图与自然图像域之间的相似性,提高了检索准确性。除此之外,一些由不同网络结构构成的三元组网络(Tripletnetwork)被应用到基于手绘图的图像检索任务中,Yu等在文献《Sketch Me That Shoe,2016IEEE Conference on Computer Vision and Pattern Recognition(CVPR).IEEE,2016.》中为更好的实现细粒度级别的检索,创建了鞋、背包、椅子数据集,在同一类别对象中进行检索实验,并提出了一种基于草图和从自然图像中提取边缘映射的三元组网络,同时利用阶段训练的策略实现了细粒度级别的手绘图像检索,提高了检索准确度;但由于网络结构复杂,特征提取效率较为低下。吴传彬等在文献《结合显著区域检测和手绘草图的服装图像检索,纺织学报,2019,40(07):174-181》中提出结合显著区域的手绘服装图像检索,以解决服装图像检索准确率和效率较低的问题,通过正则化随机漫步算法对服装手绘图进行视觉显著区域检测,并结合其边缘图得到服装显著边缘图像,再通过特征提取并计算特征相似度后实现手绘服装图像的检索。
以上的研究主要是针对服装样式的手绘图检索,与基于手绘图的服装图案检索还有较大差距。目前,针对服装图案的手绘图案检索的研究尚未成熟,具有较大的发展空间。
发明内容
鉴于上述,本发明提供了一种基于手绘的准规则斑图花型图案检索方法,通过基元分割简化了准规则斑图花型图案中的特征信息,使图案形状特征更突出,提高了检索准确率。
一种基于手绘的准规则斑图花型图案检索方法,包括如下步骤:
(1)获取准规则斑图花型图案库,并根据准规则斑图花型图案的对称结构对图案进行基元分割,从而得到准规则斑图花型基元图案库;
(2)将基元图案库中的基元图案进行预处理,得到基元图案的边缘图,该边缘图可以在一定程度上缩小检索手绘图案与准规则斑图花型图案之间的跨域差距;
(3)将预处理得到的边缘图与目标检索的手绘图案进行形状特征提取,利用HOG特征提取算法分别提取基元图案和手绘图案的形状特征,并计算二者的特征相似度,以实现基于手绘图案的准规则斑图花型图案检索。
进一步地,所述步骤(1)的具体实现方式为:首先利用对称特征检测算法检测出准规则斑图花型图案的对称轴以及每条对称轴的坐标,然后根据对称轴的坐标确定基元分割的初始位置以及分割区域的长和宽,最后不断对分割出来的图案进行对称特征检测,直至分割出基元图案。
进一步地,所述对称特征检测算法是基于全局图案的检测,具体过程为:首先利用不同尺度和方向的Log-Gabor滤波器提取图案的边缘特征,然后使用与纹理和颜色信息相关的边缘特征作为对称权重进行投票三角剖分,最后基于对称贡献的累积,构建一个基于极值的投票直方图,找到作为主对称轴候选的最大峰值。
进一步地,对于图案基元的分割区域由对称特征检测时得到的对称轴坐标确定,首先选取投票排名前2的对称轴,设其四个端点坐标为(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4),通过这些端点坐标可确定切割区域的初始坐标;然后由对称轴坐标可确定切割区域的长为dl=|x1-x3|,宽为dw=|y1-y3|;最后通过不断分割多次重复迭代上述计算过程,可以得到最终的准规则斑图花型基元图案以用于特征提取。
进一步地,所述步骤(2)中对基元图案进行预处理的过程包括最佳迭代阈值分割和Canny边缘提取两部分,采用最佳迭代阈值分割在特征提取时能够更好地区分图案的前景和背景,突出形状信息,同时也可以减少特征提取时的计算量,提升检索效率,该阈值分割方法实际上是将输入图案f到输出图案g的变换,计算公式如下:
其中:T为设定的阈值,f(i,j)为输入图案f中坐标(i,j)的像素值,G(i,j)=1表示输出图案g中坐标(i,j)为前景像素,G(i,j)=0表示输出图案g中坐标(i,j)为背景像素;
采用Canny边缘提取在提取过程中不易受到噪声的干扰,并且对弱边缘敏感,这可以极大限度地保留图形的完整度。
进一步地,所述步骤(3)中采用的HOG特征提取算法是一种通过统计图像局部区域形状中的梯度方向来表征图像形状特征的特征描述子,在进行HOG特征提取时,会先通过窗口、块、细胞将图案分割成细小的单元,接下来进行Gamma归一化,并在每个单元中构建梯度方向直方图,最后实现梯度的计算,得到HOG特征向量;在HOG特征提取的过程中,图案越小越有利于最大限度保留图案中的信息,同时HOG特征对图案的几何形变能保持很好的不变性,准规则斑图花型图案在进行基元分割以及预处理后,图案的尺寸明显减小且图案中的无关特征信息也明显减少,主要的构成形状突出,局部区域上图案的几何形变不明显。
进一步地,所述特征相似度包含了手绘图案与基元图案之间关于HOG特征的相似性,该相似度的表达式如下:
其中:d为基元图案与手绘图案之间的特征相似度,n为HOG特征向量的维度,hI(i)为基元图案的HOG特征向量中第i个元素值,hQ(i)为手绘图案的HOG特征向量中第i个元素值。
进一步地,所述步骤(3)中基于手绘图案的准规则斑图花型图案检索即通过特征相似度对基元图案库中的基元图案进行排序,进而根据排名顺序将对应的准规则斑图花型图案进行展示作为检索结果。
基于上述技术方案,本发明具有以下有益技术效果:
1.本发明中设计的对称特征检测算法能够有效的检测出准规则斑图花型图案中的对称轴。
2.本发明中设计的基元分割方法能够准确地将准规则斑图花型图案进行分割,简化图案特征,提高检索准确率。
3.本发明中设计的图案预处理方法使用了阈值分割法和Canny边缘提取相结合的方法,最终的边缘图案中的形状特征更加突出。
附图说明
图1为本发明手绘准规则斑图花型图案检索方法的流程示意图。
图2为本发明基元分割的示意图。
图3为本发明对称特征检测过程的示意图。
图4为本发明对称特征密度表示的示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示,本发明基于手绘的准规则斑图花型图案检索方法,包括如下步骤:
(1)图案基元分割。
在进行准规则斑图花型图案进行基元分割时,既要保证分割区域的准确,不能破坏构成准规则斑图花型图案的图案基元,又要使分割区域尽可能的小。因此在本实施方式中使用对称特征检测算法,检测准规则斑图花型图案中的对称轴,并将对称轴进行可视化,如图2所示。
对称特征检测算法首先利用不同尺度和方向的Log-Gabor滤波器提取图案的边缘特征;其次,使用与纹理和颜色信息相关的边缘特征作为对称权重进行投票三角剖分;最后,基于对称贡献的累积,构建一个基于极值的投票直方图,找到作为主对称轴候选的最大峰值。
其中,Log-Gabor滤波器是Gabor滤波器在傅里叶域的对数变换,通过将图案划分成多个部分ei,从不同的角度和方向对图案进行边缘检测,这样多尺度的边缘检测能够更全面的检测到图案的边缘信息。将图案I灰度化后,经傅里叶变换得到它在频域中的表示将经过Log-Gabor滤波器,再进行傅里叶反变换后得到小波响应Is,o(x,y),该小波响应可以明显地区分出前景物体的边缘;在包含边缘的某个部分ei中利用Log-Gabor滤波器得到小波响应Is,o(x,y)提取特征点。
经过Log-Gabor滤波器的边缘检测后,边缘段周围的纹理和颜色信息凸显出来,这些信息能够很好地描述局部边缘方向的对称行为,是图案中显著的相似特征,因此采用纹理直方图hi和颜色直方图gi的方法来更好地描述边缘图中包含的纹理和颜色特征。
对称轴的确定采用三角剖分的方法选择出处于对称位置的特征点对(pi,pj),如图3所示,在上面圈住的边缘所处部分e1中选取一个特征点pi,在与它相对的下面圈住的边缘所处部分e2中,必存在一个点pj使得这两点间的连线(图3中的黑色实线)上的所有点只有端点pi与e1间存在公共点。然后,根据特征点对应的纹理和颜色直方图求出该特征点对所对应的候选对称轴的权重ωi,j,通过对称轴权重ωi,j来确定图案对称轴(图3中的黑色虚线),其具体定义如下:
ωi,j=ω(pi,pj)=m(i,j)t(i,j)q(i,j)
用对称直方图H(ρ,θ)来表示所有特征点对的对称权重之和,其定义如下:
式中:δ是Kronecker delta。
使用高斯核对投票直方图H(ρ,θ)进行平滑处理,以输出适当的密度表示形式,如图4所示,其中中间最亮的点代表的就是图案的主要对称轴,其对应的对称权重最大;最终,将可视化对称轴数量设置为2,以便完成后续的基元分割。
完成特征提取后,得到如图2所示的对称轴,基于每条对称轴的端点确定切割区域完成基元分割。设图中的两条对称轴的坐标分别为:横向黑色虚线对称轴坐标为(x1,y1)、(x2,y2),纵向黑色虚线对称轴坐标为(x3,y3)、(x4,y4),要想实现图案切割,首先需要确定的是图案的左上角坐标,由两条对称轴坐标可以很明显的看出A点的坐标为(x1,y3);得到切割的初始位置后,接下来要计算出需要切割图案区域的长和宽,由图2可知,需要切割图案的长为图中的横向黑色实线;同理,需要切割图案的宽为图中的纵向黑色实线,计算公式如下:
dl=|x1-x3|
dw=|y1-y3|
到此为止,切割图案所需要的位置参数以全部求出,最后通过多次重复迭代上述计算过程,可以得到最终的准规则斑图花型基元图案以用于特征提取。
(2)基元图案预处理。
准规则斑图花型基元图案预处理主要包括最佳迭代阈值分割和Canny边缘提取,最佳迭代阈值分割法在特征提取时能够更好地区分图案的前景和背景,突出形状信息,同时也可以减少特征提取时的计算量,提升检索效率;阈值分割方法实际上是输入图案f到输出图案g的变换,相关计算公式如下:
其中:T为阈值,对于物体的图案元素G(i,j)=1,对于背景的图案元素G(i,j)=0。
Canny边缘提取在边缘提取过程中不易受到噪声的干扰,并且对弱边缘敏感,这可以极大限度的保留图形的完整度。
(3)将预处理好的基元图案进行特征提取并计算特征相似性度量。
HOG特征提取是一种通过统计图像局部区域形状中的梯度方向来表征图像形状特征的特征描述子,在进行HOG特征提取时,会先通过窗口、块、细胞将图案分割成细小的单元,接下来进行Gamma归一化,并在每个单元中构建梯度方向直方图,最后实现梯度的计算,得到HOG特征向量;在HOG特征提取的过程中,图案越小越有利于最大限度的保留图案中的信息,同时HOG特征对图案的几何形变能保持很好的不变性。准规则斑图花型图案在进行基元分割以及预处理后,图案的尺寸明显减小,且图案中的无关特征信息也明显减少,主要的构成形状突出,局部区域上图案的几何形变不明显。
特征相似性度量主要包含比较检索手绘图案与图案库中图案的HOG特征之间的相似性,特征相似性度量表示方法如下:
其中:I表示准规则斑图花型基元图案库中的基元图案,Q表示目标检索的手绘图案,d表示基元图案I与手绘图案Q之间的HOG特征相似度,hI(i)为基元图案的HOG特征向量中第i个元素值,hQ(i)为手绘图案的HOG特征向量中第i个元素值,n代表的是HOG特征提取的维度,图案的大小不同维度n不同,d越小,两幅图案之间的相似度越高。
最后,根据特征相似性度对图案库中的准规则斑图花型图案进行排名,通过排名展示最优检索结果。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (5)
1.一种基于手绘的准规则斑图花型图案检索方法,包括如下步骤:
(1)获取准规则斑图花型图案库,并根据准规则斑图花型图案的对称结构对图案进行基元分割,从而得到准规则斑图花型基元图案库,具体实现方式为:首先利用对称特征检测算法检测出准规则斑图花型图案的对称轴以及每条对称轴的坐标,然后根据对称轴的坐标确定基元分割的初始位置以及分割区域的长和宽,最后不断对分割出来的图案进行对称特征检测,直至分割出基元图案;
所述对称特征检测算法是基于全局图案的检测,具体过程为:首先利用不同尺度和方向的Log-Gabor滤波器提取图案的边缘特征,然后使用与纹理和颜色信息相关的边缘特征作为对称权重进行投票三角剖分,最后基于对称贡献的累积,构建一个基于极值的投票直方图,找到作为主对称轴候选的最大峰值;
对于图案基元的分割区域由对称特征检测时得到的对称轴坐标确定,首先选取投票排名前2的对称轴,设其四个端点坐标为(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4),通过这些端点坐标可确定切割区域的初始坐标;然后由对称轴坐标可确定切割区域的长为dl=|x1-x3|,宽为dw=|y1-y3|;最后通过不断分割多次重复迭代上述计算过程,可以得到最终的准规则斑图花型基元图案以用于特征提取;
(2)将基元图案库中的基元图案进行预处理,得到基元图案的边缘图,该边缘图可以在一定程度上缩小检索手绘图案与准规则斑图花型图案之间的跨域差距;
(3)将预处理得到的边缘图与目标检索的手绘图案进行形状特征提取,利用HOG特征提取算法分别提取基元图案和手绘图案的形状特征,并计算二者的特征相似度,以实现基于手绘图案的准规则斑图花型图案检索。
2.根据权利要求1所述的准规则斑图花型图案检索方法,其特征在于:所述步骤(2)中对基元图案进行预处理的过程包括最佳迭代阈值分割和Canny边缘提取两部分,采用最佳迭代阈值分割在特征提取时能够更好地区分图案的前景和背景,突出形状信息,同时也可以减少特征提取时的计算量,提升检索效率,该阈值分割方法实际上是将输入图案f到输出图案g的变换,计算公式如下:
其中:T为设定的阈值,f(i,j)为输入图案f中坐标(i,j)的像素值,G(i,j)=1表示输出图案g中坐标(i,j)为前景像素,G(i,j)=0表示输出图案g中坐标(i,j)为背景像素;
采用Canny边缘提取在提取过程中不易受到噪声的干扰,并且对弱边缘敏感,这可以极大限度地保留图形的完整度。
3.根据权利要求1所述的准规则斑图花型图案检索方法,其特征在于:所述步骤(3)中采用的HOG特征提取算法是一种通过统计图像局部区域形状中的梯度方向来表征图像形状特征的特征描述子,在进行HOG特征提取时,会先通过窗口、块、细胞将图案分割成细小的单元,接下来进行Gamma归一化,并在每个单元中构建梯度方向直方图,最后实现梯度的计算,得到HOG特征向量;在HOG特征提取的过程中,图案越小越有利于最大限度保留图案中的信息,同时HOG特征对图案的几何形变能保持很好的不变性,准规则斑图花型图案在进行基元分割以及预处理后,图案的尺寸明显减小且图案中的无关特征信息也明显减少,主要的构成形状突出,局部区域上图案的几何形变不明显。
5.根据权利要求1所述的准规则斑图花型图案检索方法,其特征在于:所述步骤(3)中基于手绘图案的准规则斑图花型图案检索即通过特征相似度对基元图案库中的基元图案进行排序,进而根据排名顺序将对应的准规则斑图花型图案进行展示作为检索结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110408670.7A CN113094540B (zh) | 2021-04-16 | 2021-04-16 | 一种基于手绘的准规则斑图花型图案检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110408670.7A CN113094540B (zh) | 2021-04-16 | 2021-04-16 | 一种基于手绘的准规则斑图花型图案检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094540A CN113094540A (zh) | 2021-07-09 |
CN113094540B true CN113094540B (zh) | 2022-08-30 |
Family
ID=76677933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110408670.7A Active CN113094540B (zh) | 2021-04-16 | 2021-04-16 | 一种基于手绘的准规则斑图花型图案检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094540B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102576462A (zh) * | 2009-10-05 | 2012-07-11 | 株式会社日立高新技术 | 图案匹配方法、图案匹配程序、电子计算机、电子设备检查装置 |
CN104778242A (zh) * | 2015-04-09 | 2015-07-15 | 复旦大学 | 基于图像动态分割的手绘草图图像检索方法及系统 |
CN108959379A (zh) * | 2018-05-29 | 2018-12-07 | 昆明理工大学 | 一种基于视觉显著区域和手绘草图的服装图像检索方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9036915B2 (en) * | 2010-01-29 | 2015-05-19 | The Hong Kong University Of Science And Technology | Architectural pattern detection and modeling in images |
AU2012350138A1 (en) * | 2011-12-05 | 2014-06-26 | Commonwealth Scientific And Industrial Research Organisation | Method and system for characterising plant phenotype |
US9311338B2 (en) * | 2013-08-26 | 2016-04-12 | Adobe Systems Incorporated | Method and apparatus for analyzing and associating behaviors to image content |
CN105718552A (zh) * | 2016-01-19 | 2016-06-29 | 北京服装学院 | 基于服装手绘草图的服装图像检索方法 |
-
2021
- 2021-04-16 CN CN202110408670.7A patent/CN113094540B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102576462A (zh) * | 2009-10-05 | 2012-07-11 | 株式会社日立高新技术 | 图案匹配方法、图案匹配程序、电子计算机、电子设备检查装置 |
CN104778242A (zh) * | 2015-04-09 | 2015-07-15 | 复旦大学 | 基于图像动态分割的手绘草图图像检索方法及系统 |
CN108959379A (zh) * | 2018-05-29 | 2018-12-07 | 昆明理工大学 | 一种基于视觉显著区域和手绘草图的服装图像检索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113094540A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Learning barycentric representations of 3D shapes for sketch-based 3D shape retrieval | |
CN112184752A (zh) | 一种基于金字塔卷积的视频目标跟踪方法 | |
Agathos et al. | 3D articulated object retrieval using a graph-based representation | |
Guo et al. | Point-wise saliency detection on 3D point clouds via covariance descriptors | |
CN108846404B (zh) | 一种基于相关约束图排序的图像显著性检测方法及装置 | |
CN106021603A (zh) | 一种基于分割和特征匹配的服装图像检索方法 | |
CN110188763B (zh) | 一种基于改进图模型的图像显著性检测方法 | |
Agathos et al. | Protrusion-oriented 3D mesh segmentation | |
Pickup et al. | Euclidean-distance-based canonical forms for non-rigid 3D shape retrieval | |
CN112085072A (zh) | 基于时空特征信息的草图检索三维模型的跨模态检索方法 | |
CN111931953A (zh) | 一种废旧手机多尺度特征深度森林识别方法 | |
Pokrass et al. | Partial shape matching without point-wise correspondence | |
Liu et al. | A novel rock-mass point cloud registration method based on feature line extraction and feature point matching | |
Li et al. | Saliency transfer: An example-based method for salient object detection. | |
Pokrass et al. | A correspondence-less approach to matching of deformable shapes | |
Takahashi et al. | Applying manifold learning to plotting approximate contour trees | |
Liu et al. | Rethinking of learning-based 3D keypoints detection for large-scale point clouds registration | |
CN112053439B (zh) | 图像中实例属性信息确定方法、装置、设备及存储介质 | |
Liao et al. | Fast hierarchical animated object decomposition using approximately invariant signature | |
CN113094540B (zh) | 一种基于手绘的准规则斑图花型图案检索方法 | |
Liu et al. | Attention-embedding mesh saliency | |
Yamazaki et al. | Segmenting point-sampled surfaces | |
CN106384127B (zh) | 为图像特征点确定比较点对及二进制描述子的方法及系统 | |
Geng et al. | A novel color image segmentation algorithm based on JSEG and Normalized Cuts | |
Singh et al. | A hybrid approach using color spatial variance and novel object position prior for salient object 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |