CN113139581A - 一种基于多图融合的图像分类方法和系统 - Google Patents

一种基于多图融合的图像分类方法和系统 Download PDF

Info

Publication number
CN113139581A
CN113139581A CN202110317072.9A CN202110317072A CN113139581A CN 113139581 A CN113139581 A CN 113139581A CN 202110317072 A CN202110317072 A CN 202110317072A CN 113139581 A CN113139581 A CN 113139581A
Authority
CN
China
Prior art keywords
image
images
channel
layer
classification
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
CN202110317072.9A
Other languages
English (en)
Other versions
CN113139581B (zh
Inventor
徐晨
周松斌
刘伟鑫
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.)
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Original Assignee
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
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 Institute of Intelligent Manufacturing of Guangdong Academy of Sciences filed Critical Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority to CN202110317072.9A priority Critical patent/CN113139581B/zh
Publication of CN113139581A publication Critical patent/CN113139581A/zh
Application granted granted Critical
Publication of CN113139581B publication Critical patent/CN113139581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例涉及图像处理技术领域，公开了一种基于多图融合的图像分类方法和系统，提取原始图像的局部图、灰度图、二值图、梯度图、RGB图融合，再将融合后的数据进行训练，因为融合的数据加入的局部信息、梯度信息、颜色信息等，提高网络的细节提取能力，对不同种类的相似图片具备较好的区分能力；相比目前的深度学习技术，本发明实施例方法对不同种类的相似图片具备较强的区分能力，并且具有一定的通用性。

Description

一种基于多图融合的图像分类方法和系统
技术领域
本发明实施例涉及计算机视觉图像识别技术领域，特别涉及一种基于多图融合的图像分类方法和系统。
背景技术
近几年以来，随着科学计算机网络及人工智能领域的发展，图形图像数据量逐渐增多，于是，如何从大量的自然图像中快速提取到视觉特征已经成了机器智能学习中的热点研究课题，进而对自然图像的分类必然成为获取自然图像信息的研究重点。
近年来深度学习在学术界、科技界应用广泛，尤其在图像领域，目前已经在图像分类领域取得较大进展，取得不错成效。目前许多深度学习网络分类较明显区别的图像种类效果较好，但对不同种类，图像较相似的图像容易出现误判。
发明内容
本发明实施例的目的在于提供一种基于多图融合的图像分类方法和系统，提高对不同种类相似图像的区分能力，提高网络的图像分类准确率。
为解决上述技术问题，第一方面，本发明的实施例提供了一种基于多图融合的图像分类方法，包括：
获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
将多个类型的所述通道图融合成一张多通道图像；
基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
基于所述分类模型进行待分类样本的图像分类。
作为优选的，获取待分类样本的图像的多个类型的通道图，具体包括：
获取待分类样本的若干彩色图像，将所有所述彩色图像缩放至第一尺寸，并分为训练集和测试集；
将训练集中的每个所述彩色图像平均分割为多个第二尺寸的图像，将每个第二尺寸的图像均转换成第一类灰度图；
将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，将每个第二尺寸的彩色图像转换成第二类灰度图；提取所述第二类灰度图的二值图和梯度图；
将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，提取每个第二尺寸的彩色图像的RGB图。
作为优选的，得到用于图像分类的分类模型后，还包括：
将所述测试集中的彩色图像的多个通道图；
将多个所述通道图融合成一张多通道图像，基于所述测试集中的彩色图像的所述多通道图像对所述分类模型进行测试。
作为优选的，提取所述第二类灰度图的二值图和梯度图，具体包括：
基于大津二值化算法提取所述第二类灰度图的二值图，基于sobel算子提取所述第二类灰度图的梯度图。
作为优选的，所述神经网络为深度卷积神经网络，所述深度卷积神经网络包括输入层、第一卷积层、第一最大值池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层、第二全连接层和输出层；
所述第一卷积层的卷积核个数为32，卷积核大小为3*3；
所述第一最大池化层的核大小为2*2；
所述第二卷积层的卷积核个数为32，卷积核大小为3*3；
所述第二最大池化层的核大小为2*2；
所述第三卷积层的卷积核个数为32，卷积核大小为3*3；
所述第三最大池化层的核大小为2*2；
所述第一全连接层包括120个神经节点，所述第二全连接层包括84个神经节点；
所述输出层节点个数为N，其中，N为图像类别数。
第二方面，本发明实施例提供一种基于多图融合的图像分类系统，包括：
多通道提取模块，获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
多通道融合模块，将多个类型的所述通道图融合成一张多通道图像；
训练模块，基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
分类模块，基于所述分类模型进行待分类样本的图像分类。
第三方面，本发明实施例提供一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面实施例所述基于多图融合的图像分类方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如本发明第一方面实施例所述基于多图融合的图像分类方法的步骤。
本发明实施例提供了一种基于多图融合的图像分类方法和系统，提取原始图像的局部图、灰度图、二值图、梯度图、RGB图融合，再将融合后的数据进行训练，因为融合的数据加入的局部信息、梯度信息、颜色信息等，提高网络的细节提取能力，对不同种类的相似图片具备较好的区分能力；相比目前的深度学习技术，本发明实施例方法对不同种类的相似图片具备较强的区分能力，并且具有一定的通用性。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本发明第一实施例的一种基于多图融合的图像分类方法示意图；
图2是根据本发明第一实施例的深度卷积神经网络结构示意图；
图3是根据本发明第三实施例的一种服务器示意图。
具体实施例
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本发明的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本申请实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
下面对本实施例的基于多图融合的图像分类方法和系统的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
本发明的第一实施例涉及一种基于多图融合的图像分类方法，包括：
获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
将多个类型的所述通道图融合成一张多通道图像；
基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
基于所述分类模型进行待分类样本的图像分类。
具体的，本实施例以CIFAR-10数据集作一个10分类的问题作实例。CIFAR-10数据集一共有10种图片，包括(飞机、汽车、鸟类、猫、鹿、狗、蛙类、马、船和卡车)，将CIFAR-10图像集每张图片缩放至200*200，然后划分为训练集、测试集。
提取原始图像的局部图、灰度图、二值图、梯度图、RGB图融合，再将融合后的数据进行训练，因为融合的数据加入的局部信息、梯度信息、颜色信息等，提高网络的细节提取能力，对不同种类的相似图片具备较好的区分能力。
在上述实施例的基础上，作为一种优选的实施方式，获取待分类样本的图像的多个类型的通道图，具体包括：
获取待分类样本的若干彩色图像，将所有所述彩色图像缩放至第一尺寸，并分为训练集和测试集；
将训练集中的每个所述彩色图像平均分割为多个第二尺寸的图像，将每个第二尺寸的图像均转换成第一类灰度图；
将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，将每个第二尺寸的彩色图像转换成第二类灰度图；提取所述第二类灰度图的二值图和梯度图；
将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，提取每个第二尺寸的彩色图像的RGB图。
具体的，将CIFAR-10图像集每张图片缩放至200*200，然后划分为训练集、测试集。
训练集每一张彩色图像按照如下操作：
①将200*200的彩色图像平均切割成4个100*100的图像，将4个图片转成灰度图，记P1，P2，P3，P4。
②将200*200的彩色图像压缩至100*100的彩色图像，然后将图像转成灰度图，记P5，采用大津二值化算法提取灰度图的二值图，记P6，采用采用sobel算子提取灰度图的梯度图，记P7。
③将200*200的彩色图像压缩至100*100的彩色图像，提取RGB 3个通道的图片，记P8，P9，P10。
④将P1—P10把张图片合成一张10通道的100*100的图片。
在上述实施例的基础上，作为一种优选的实施方式，得到用于图像分类的分类模型后，还包括：
将所述测试集中的彩色图像的多个通道图；
将多个所述通道图融合成一张多通道图像，基于所述测试集中的彩色图像的所述多通道图像对所述分类模型进行测试。
在上述实施例的基础上，作为一种优选的实施方式，所述神经网络为深度卷积神经网络，所述深度卷积神经网络的结构如下图2，具体为：第1层为输入层，输入10通道100*100的图片；第2层为卷积层，卷积核个数为32，卷积核大小为3*3；第3层为最大值池化层，核大小为2*2；第4层为卷积层，卷积核个数为32，卷积核大小为3*3；第5层为最大值池化层，核大小为2*2；第6层为卷积层，卷积核个数为32，卷积核大小为3*3；第7层为最大值池化层，核大小为2*2；第8、9层为全连接层，分别为120个和84个神经节点；第10层为输出层，输出节点为10。
测试集每一张测试图片在输入深度卷积网络前，需要先按照上述图像融合步骤的操作，得到一张10通道的图片，再将图片输入到已训练好的深度卷积网络模型，得到分类结果。本文方法与主流深度学习算法AlexNet、VGG16方法进行测试对比，其中除了统计全部图像分类准，重点统计汽车和卡车两种相似图片的分类准确率。表1三种方法测试结果对比：
Figure BDA0002991595430000061
由上表1可以看出，本发明实施例方法整体图像分类准确率高于目前主流深度学习方法AlexNet、VGG16，尤其在不同种类相似图片汽车和卡车的分类准确率远高于AlexNet、VGG16方法。
本发明第二实施例提供一种基于多图融合的图像分类系统，基于上述各实施例中的基于多图融合的图像分类方法，包括：
多通道提取模块，获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
多通道融合模块，将多个类型的所述通道图融合成一张多通道图像；
训练模块，基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
分类模块，基于所述分类模型进行待分类样本的图像分类。
本发明第三实施例涉及一种服务器，如图3所示，包括处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述基于多图融合的图像分类方法的步骤。例如包括：
获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
将多个类型的所述通道图融合成一张多通道图像；
基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
基于所述分类模型进行待分类样本的图像分类。
其中，存储器和处理器采用通信总线方式连接，通信总线可以包括任意数量的互联的总线和桥，通信总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在通信总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明第四实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现如上述各实施例所述基于多图融合的图像分类方法的步骤。例如包括：
获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
将多个类型的所述通道图融合成一张多通道图像；
基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
基于所述分类模型进行待分类样本的图像分类。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (8)

1.一种基于多图融合的图像分类方法，其特征在于，包括：
获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
将多个类型的所述通道图融合成一张多通道图像；
基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
基于所述分类模型进行待分类样本的图像分类。
2.根据权利要求1所述的基于多图融合的图像分类方法，其特征在于，获取待分类样本的图像的多个类型的通道图，具体包括：
获取待分类样本的若干彩色图像，将所有所述彩色图像缩放至第一尺寸，并分为训练集和测试集；
将训练集中的每个所述彩色图像平均分割为多个第二尺寸的图像，将每个第二尺寸的图像均转换成第一类灰度图；
将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，将每个第二尺寸的彩色图像转换成第二类灰度图；提取所述第二类灰度图的二值图和梯度图；
将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，提取每个第二尺寸的彩色图像的RGB图。
3.根据权利要求2所述的基于多图融合的图像分类方法，其特征在于，得到用于图像分类的分类模型后，还包括：
将所述测试集中的彩色图像的多个通道图；
将多个所述通道图融合成一张多通道图像，基于所述测试集中的彩色图像的所述多通道图像对所述分类模型进行测试。
4.根据权利要求2所述的基于多图融合的图像分类方法，其特征在于，提取所述第二类灰度图的二值图和梯度图，具体包括：
基于大津二值化算法提取所述第二类灰度图的二值图，基于sobel算子提取所述第二类灰度图的梯度图。
5.根据权利要求2所述的基于多图融合的图像分类方法，其特征在于，所述神经网络为深度卷积神经网络，所述深度卷积神经网络包括输入层、第一卷积层、第一最大值池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层、第二全连接层和输出层；
所述第一卷积层的卷积核个数为32，卷积核大小为3*3；
所述第一最大池化层的核大小为2*2；
所述第二卷积层的卷积核个数为32，卷积核大小为3*3；
所述第二最大池化层的核大小为2*2；
所述第三卷积层的卷积核个数为32，卷积核大小为3*3；
所述第三最大池化层的核大小为2*2；
所述第一全连接层包括120个神经节点，所述第二全连接层包括84个神经节点；
所述输出层节点个数为N，其中，N为图像类别数。
6.一种基于多图融合的图像分类系统，其特征在于，包括：
多通道提取模块，获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
多通道融合模块，将多个类型的所述通道图融合成一张多通道图像；
训练模块，基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
分类模块，基于所述分类模型进行待分类样本的图像分类。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5任一项所述基于多图融合的图像分类方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于多图融合的图像分类方法的步骤。
CN202110317072.9A 2021-03-23 2021-03-23 一种基于多图融合的图像分类方法和系统 Active CN113139581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110317072.9A CN113139581B (zh) 2021-03-23 2021-03-23 一种基于多图融合的图像分类方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110317072.9A CN113139581B (zh) 2021-03-23 2021-03-23 一种基于多图融合的图像分类方法和系统

Publications (2)

Publication Number Publication Date
CN113139581A true CN113139581A (zh) 2021-07-20
CN113139581B CN113139581B (zh) 2023-09-01

Family

ID=76810645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110317072.9A Active CN113139581B (zh) 2021-03-23 2021-03-23 一种基于多图融合的图像分类方法和系统

Country Status (1)

Country Link
CN (1) CN113139581B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399465A (zh) * 2021-12-08 2022-04-26 紫东信息科技(苏州)有限公司 良恶性溃疡识别方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130120453A1 (en) * 2010-07-22 2013-05-16 Koninklijke Philips Electronics N.V. Fusion of multiple images
CN106650550A (zh) * 2015-10-28 2017-05-10 中通服公众信息产业股份有限公司 一种融合车标与车头图像特征的车辆型号识别方法及系统
CN106682616A (zh) * 2016-12-28 2017-05-17 南京邮电大学 基于双通道特征深度学习的新生儿疼痛表情识别方法
CN106886987A (zh) * 2017-03-23 2017-06-23 重庆大学 一种列车车牌二值化图像融合方法
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN109978822A (zh) * 2019-02-15 2019-07-05 仲恺农业工程学院 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
WO2019227617A1 (zh) * 2018-06-01 2019-12-05 平安科技（深圳）有限公司 动物种类的分类方法、装置、计算机设备和存储介质
CN111008651A (zh) * 2019-11-13 2020-04-14 科大国创软件股份有限公司 一种基于多特征融合的图像翻拍检测方法
CN111724339A (zh) * 2020-04-21 2020-09-29 广州番禺职业技术学院 基于多通道信息融合的开心果头尾识别装置及其识别方法
CN111798418A (zh) * 2020-06-22 2020-10-20 电子科技大学 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130120453A1 (en) * 2010-07-22 2013-05-16 Koninklijke Philips Electronics N.V. Fusion of multiple images
CN106650550A (zh) * 2015-10-28 2017-05-10 中通服公众信息产业股份有限公司 一种融合车标与车头图像特征的车辆型号识别方法及系统
CN106682616A (zh) * 2016-12-28 2017-05-17 南京邮电大学 基于双通道特征深度学习的新生儿疼痛表情识别方法
CN106886987A (zh) * 2017-03-23 2017-06-23 重庆大学 一种列车车牌二值化图像融合方法
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
WO2019227617A1 (zh) * 2018-06-01 2019-12-05 平安科技（深圳）有限公司 动物种类的分类方法、装置、计算机设备和存储介质
CN109978822A (zh) * 2019-02-15 2019-07-05 仲恺农业工程学院 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN111008651A (zh) * 2019-11-13 2020-04-14 科大国创软件股份有限公司 一种基于多特征融合的图像翻拍检测方法
CN111724339A (zh) * 2020-04-21 2020-09-29 广州番禺职业技术学院 基于多通道信息融合的开心果头尾识别装置及其识别方法
CN111798418A (zh) * 2020-06-22 2020-10-20 电子科技大学 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张维夏，邓德祥，颜佳: "基于多通道特征聚合的盲图像质量评价", 《华中科技大学学报(自然科学版)》, pages 111 - 116 *
曾志，吴财贵，唐权华，余嘉禾，李雅晴，高健: "基于多特征融合和深度学习的商品图像分类", 《计算机工程与设计》, pages 3093 - 3098 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399465A (zh) * 2021-12-08 2022-04-26 紫东信息科技(苏州)有限公司 良恶性溃疡识别方法及系统

Also Published As

Publication number Publication date
CN113139581B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
US20200372648A1 (en) Image processing method and device, computer apparatus, and storage medium
CN110321910B (zh) 面向点云的特征提取方法、装置及设备
CN112380921A (zh) 一种基于车联网的道路检测方法
DE102018128581A1 (de) Erkennung und klassifikfation von schadsoftware unter verwendung eines künstlichen neuronalen netzes
CN107690659A (zh) 一种图像识别系统及图像识别方法
CN111275107A (zh) 一种基于迁移学习的多标签场景图像分类方法及装置
CN107194398A (zh) 车损部位的识别方法及系统
CN109858476B (zh) 标签的扩充方法和电子设备
CN111881707B (zh) 图像翻拍检测方法、身份验证方法、模型训练方法及装置
CN111126481A (zh) 一种神经网络模型的训练方法及装置
US10430950B2 (en) Systems and methods for performing instance segmentation
CN111931859B (zh) 一种多标签图像识别方法和装置
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN112307853A (zh) 航拍图像的检测方法、存储介质和电子装置
CN112364721A (zh) 一种道面异物检测方法
CN112288018A (zh) 文字识别网络的训练方法、文字识别方法和装置
CN111062964A (zh) 图像分割方法及相关装置
CN111126401A (zh) 一种基于上下文信息的车牌字符识别方法
CN112651975A (zh) 一种轻量化网络模型的训练方法、装置及设备
CN112395953A (zh) 一种道面异物检测系统
CN112149526A (zh) 一种基于长距离信息融合的车道线检测方法及系统
CN113139581B (zh) 一种基于多图融合的图像分类方法和系统
CN114330234A (zh) 版面结构分析方法、装置、电子设备和存储介质
CN114299567A (zh) 模型训练、活体检测方法、电子设备及存储介质
CN112288701A (zh) 一种智慧交通图像检测方法

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