CN113808144A - 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法 - Google Patents

基于直方图拟合的密度峰值聚类土壤图像阴影检测方法 Download PDF

Info

Publication number
CN113808144A
CN113808144A CN202111108484.8A CN202111108484A CN113808144A CN 113808144 A CN113808144 A CN 113808144A CN 202111108484 A CN202111108484 A CN 202111108484A CN 113808144 A CN113808144 A CN 113808144A
Authority
CN
China
Prior art keywords
data point
shadow
soil image
histogram
clustering
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
CN202111108484.8A
Other languages
English (en)
Other versions
CN113808144B (zh
Inventor
曾绍华
王琪
王帅
刘萍
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.)
Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Chongqing Normal University
Original Assignee
Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Chongqing Normal University
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 Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center), Chongqing Normal University filed Critical Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Priority to CN202111108484.8A priority Critical patent/CN113808144B/zh
Publication of CN113808144A publication Critical patent/CN113808144A/zh
Application granted granted Critical
Publication of CN113808144B publication Critical patent/CN113808144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain methods
    • 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
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的一种基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，通过对聚类数据集的密度进行重构，然后自适应地确定出聚类中心，对于基于非阴影和阴影区之间的数据点的分割阈值进行动态的确定，得到最终的阴影检测结果，能够有效避免原始聚类算法中聚类数据分配策略的误差传递缺陷，能够有效提高土壤阴影检测的精度，从而确保后续土壤图像处理的准确性。

Description

基于直方图拟合的密度峰值聚类土壤图像阴影检测方法
技术领域
本发明涉及一种图像处理方法，尤其涉及一种基于直方图拟合的密度峰值聚类土壤图像阴影检测方法。
背景技术
在土壤检测分析中，通过图像设备所采集的土壤图像存在阴影，为了除阴影对后续亮度归一化和土种识别的影响，阴影检测为必要预处理工作。
现有技术中，对于土壤的阴影检测采用聚类算法等，但是，现有的聚类算法在图像分割处理是存在误差大，进而造成最终的准确性低，难以保证后续土壤图像的处理精度。
因此，为了解决上述技术问题，亟需提出一种新的技术手段。
发明内容
本发明提供的一种基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，能够有效避免原始聚类算法中聚类数据分配策略的误差传递缺陷，能够有效提高土壤阴影检测的精度，从而确保后续土壤图像处理的准确性。
本发明提供的一种基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，包括以下步骤：
S1.计算土壤图像的每个像素的亮度值，构成土壤图像的亮度矩阵B；
S2.统计土壤图像的亮度矩阵B的一维直方图，并根据亮度矩阵的一维直方图确定待聚类数据集X，其中，
Figure BDA0003273257190000011
S3.依据聚类数据集确定土壤图像阴影区域聚类中心Pleft以及土壤图像非阴影区域的聚类中心Pright；
S4.计算数据集X的离散二维点集
Figure BDA0003273257190000021
直方图的傅里叶级数逼近Sn(x)，并求取傅里叶级数逼近Sn(x)的一阶导数S'n(xj)，其中，xj表示第j个聚类数据点，frequencyj表示第j个聚类数据点的频数；
S5.在区间[Pleft,Pright]中内搜索直方图中满足S'n(xj)＝0或S'n(xj-1)<0&&S'n(xj)>0的聚类数据点，将其个数存储到num；
S6对num进行判断，如果num＝0，则判定当前土壤图像的全域为阴影或者非阴影；如果num＝1，则令g＝j-r，q＝j+r；如果num≥2，则令g＝min(j)，q＝max(j)；将土壤图像的[1,g]内亮度级点归类于阴影域，将土壤图像的[q,N]内亮度级点归类于非阴影域，将[g,q]内亮度级确定为待分配区域；其中，r＝2％×N，N为数据集X的元素个数；
S7.计算阴影检测阈值T，并在[g+1,q-1]范围内按步长为1搜索，将[g+1,T]内的直方图归类于[1,g]，[T+1,q-1]内的直方图归类于[q,N]。
进一步，步骤S3中具体包括：
S31.计算自适应聚类中心的决策值γi：
Figure BDA0003273257190000022
其中，
Figure BDA0003273257190000023
为数据点xi的重构密度，δi为数据点xi的相对距离，αi是以重构密度为横轴，相对距离为纵轴的坐标系中的点
Figure BDA0003273257190000024
到横轴的垂线与Ri的夹角，βi为重构密度为横轴，相对距离为纵轴的坐标系中的点
Figure BDA0003273257190000031
到纵轴的垂线与Ri的夹角，
Figure BDA0003273257190000032
Figure BDA0003273257190000033
S32.将决策值gi按照从大到小进行排列，取排列后的两个最大决策值gi所对应的数据点作为聚类中心，其中，将两个最大决策值gi中较小决策值gi所对应的数据点作为阴影区域的聚类中心，记为Pleft，将两个最大决策值gi中较大决策值γi所对应的数据点作为非阴影区域的聚类中心，记为Pright。
进一步，根据如下方法计算数据点xi的重构密度
Figure BDA0003273257190000034
Figure BDA0003273257190000035
其中，dij表示数据点xi点到数据点xj的欧式距离。
进一步，根据如下方法确定数据点xi的相对距离di：
Figure BDA0003273257190000036
其中，ρi为数据点xi的局部密度，ρj为数据点xj局部密度，δj为数据点xj的相对距离；
Figure BDA0003273257190000037
其中，dij表示数据点xi点到数据点xj的欧式距离，dc表示截断距离，当dij-dc<0，则χ(dij-dc)＝1，否则χ(dij-dc)＝0。
进一步，通过如下方法计算傅里叶级数逼近Sn(x)：
Figure BDA0003273257190000041
其中，a0、ak和bk均为系数，其中：将xj映射到[0,2π]范围，令
Figure BDA0003273257190000042
Figure BDA0003273257190000043
fj＝frequencyj。
进一步，步骤S7中，具体包括：
建立阴影检测阈值搜索优化模型：
Figure BDA0003273257190000044
s.t.T∈[g+1,q-1]；
其中：
Figure BDA0003273257190000045
Figure BDA0003273257190000046
Figure BDA0003273257190000047
Figure BDA0003273257190000048
Figure BDA0003273257190000051
Figure BDA0003273257190000052
根据阴影检测阈值搜索优化模型解出阴影检测阈值T。
本发明的有益效果：通过本发明，能够有效避免原始聚类算法中聚类数据分配策略的误差传递缺陷，能够有效提高土壤阴影检测的精度，从而确保后续土壤图像处理的准确性。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明流程图。
图2为本发明具体实例土壤图像对比图。
图3为本发明的数据点xi示意图。
图4为本发明的直方图拟合曲线示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步详细说明：
本发明提供的一种基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，包括以下步骤：
S1.计算土壤图像的每个像素的亮度值，构成土壤图像的亮度矩阵B；
S2.统计土壤图像的亮度矩阵B的一维直方图，并根据亮度矩阵的一维直方图确定待聚类数据集X，其中，
Figure BDA0003273257190000053
S3.依据聚类数据集确定土壤图像阴影区域聚类中心Pleft以及土壤图像非阴影区域的聚类中心Pright；
S4.计算数据集X的离散二维点集
Figure BDA0003273257190000061
直方图的傅里叶级数逼近Sn(x)，并求取傅里叶级数逼近Sn(x)的一阶导数S'n(xj)，其中，xj表示第j个聚类数据点，frequencyj表示第j个聚类数据点的频数；
S5.在区间[Pleft,Pright]中内搜索直方图中满足S'n(xj)＝0或S'n(xj-1)<0&&S'n(xj)>0的聚类数据点，将其个数存储到num；
S6对num进行判断，如果num＝0，则判定当前土壤图像的全域为阴影或者非阴影；如果num＝1，则令g＝j-r，q＝j+r；如果num≥2，则令g＝min(j)，q＝max(j)；将土壤图像的[1,g]内亮度级点归类于阴影域，将土壤图像的[q,N]内亮度级点归类于非阴影域，将[g,q]内亮度级确定为待分配区域；其中，r＝2％×N，N为数据集X的元素个数；
S7.计算阴影检测阈值T，并在[g+1,q-1]范围内按步长为1搜索，将[g+1,T]内的直方图归类于[1,g]，[T+1,q-1]内的直方图归类于[q,N]。通过上述方法，能够有效避免原始聚类算法中聚类数据分配策略的误差传递缺陷，能够有效提高土壤阴影检测的精度，从而确保后续土壤图像处理的准确性。
本实施例中，步骤S3中具体包括：
S31.计算自适应聚类中心的决策值gi：
Figure BDA0003273257190000062
其中，
Figure BDA0003273257190000063
为数据点xi的重构密度，δi为数据点xi的相对距离，αi是以重构密度为横轴，相对距离为纵轴的坐标系中的点
Figure BDA0003273257190000071
到横轴的垂线与Ri的夹角，βi为重构密度为横轴，相对距离为纵轴的坐标系中的点
Figure BDA0003273257190000072
到纵轴的垂线与Ri的夹角，
Figure BDA0003273257190000073
Figure BDA0003273257190000074
S32.将决策值γi按照从大到小进行排列，取排列后的两个最大决策值γi所对应的数据点作为聚类中心，其中，将两个最大决策值γi中较小决策值γi所对应的数据点作为阴影区域的聚类中心，记为Pleft，将两个最大决策值γi中较大决策值γi所对应的数据点作为非阴影区域的聚类中心，记为Pright。
根据如下方法计算数据点xi的重构密度
Figure BDA0003273257190000075
Figure BDA0003273257190000076
其中，dij表示数据点xi点到数据点xj的欧式距离。
根据如下方法确定数据点xi的相对距离di：
Figure BDA0003273257190000077
其中，ρi为数据点xi的局部密度，ρj为数据点xj局部密度，δj为数据点xj的相对距离；
Figure BDA0003273257190000078
其中，dij表示数据点xi点到数据点xj的欧式距离，dc表示截断距离，当dij-dc<0，则χ(dij-dc)＝1，否则c(dij-dc)＝0。
本实施例中，通过如下方法计算傅里叶级数逼近Sn(x)：
Figure BDA0003273257190000081
其中，a0、ak和bk均为系数，其中：将xj映射到[0,2π]范围，令
Figure BDA0003273257190000082
Figure BDA0003273257190000083
fj＝frequencyj。
本实施例中，步骤S7中，具体包括：
建立阴影检测阈值搜索优化模型：
Figure BDA0003273257190000084
s.t.T∈[g+1,q-1]；
其中：
Figure BDA0003273257190000085
Figure BDA0003273257190000086
Figure BDA0003273257190000087
Figure BDA0003273257190000088
Figure BDA0003273257190000091
Figure BDA0003273257190000092
根据阴影检测阈值搜索优化模型解出阴影检测阈值T。通过上述方法，能够对阴影和阴影区域进行准确分割处理，从而确保后续处理的精度。
下面为一个具体实例：
如图2所示：图2为现有算法与本方法进行对比：现有算法包括运用传统算法、DPC算法、EDPC算法、ACCDPC算法；其结果如图表1和表2所示：
Figure BDA0003273257190000093
Figure BDA0003273257190000101
表1
Figure BDA0003273257190000102
表2
其中，表1所表示的是阴影检测(阴影与非阴影分割)精度(用亮度标准差描述)结果；表2为阴影检测执行10次，时间花销均值结果；
实验数据结果(表1)显示：本发明的算法分割阴影与非阴影亮度标准差的均值分别为20.9348、20.3081；传统算法、DPC、EDPC、ACCDPC算法分割的阴影与非阴影亮度标准差的均值分别为19.9548、28.9746，6.5932、40.5124，42.9106、10.6489，21.5532、21.4025；本发明算法分割出非阴影亮度的标准差值小于传统算法、DPC和ACCDPC算法，分割出阴影亮度的标准差值小于EDPC算法，且本发明算法分割阴影与非阴影的亮度标准差的均值之和都远小于传统算法、DPC、EDPC、ACCDPC算法，说明对比算法没有成功分割出部分阴影，本发明算法相较于对比算法分割效果更好，具有更高的分割精度。
实验数据结果(表2)显示：对15组实验样本，每组执行10次阴影检测的平均时间花销，本发明算法为0.4992±0.0806，传统算法、DPC、EDPC、ACCDPC算法分别为0.1470±0.0287、0.2478±0.0393、0.2619±0.0653、0.3600±0.068，本发明算法平均时间花销最大。经研究分析发现：传统算法是一个自定义单测度的Otsu算法，耗时较低，但主要对建筑物阴等连续成片的规整阴影检测有效，对土壤阴影检测的适应性非常差，不能满足土壤图像阴影检测精度要求；本发明算法比DPC、EDPC、ACCDPC三个密度峰值聚类(改进)算法耗时大，是因为这三个比较算法都采用原始DPC算法的分配法则，而本发明算法采用梯度符号变化检测搜索峰谷点和最优化模型搜索阴影与非阴影的阈值分割点，这2个步骤增加了算法时间花销，但是，它提升了土壤图像阴影检测精度，同时采用优化阈值分割，较好地解决了原始密度峰值聚类算法传递下来的对待聚类数据分配策略所造成的“多米诺骨牌”式的误差传播问题。
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 (6)

1.一种基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，其特征在于：包括以下步骤：
S1.计算土壤图像的每个像素的亮度值，构成土壤图像的亮度矩阵B；
S2.统计土壤图像的亮度矩阵B的一维直方图，并根据亮度矩阵的一维直方图确定待聚类数据集X，其中，
Figure FDA0003273257180000012
S3.依据聚类数据集确定土壤图像阴影区域聚类中心Pleft以及土壤图像非阴影区域的聚类中心Pright；
S4.计算数据集X的离散二维点集
Figure FDA0003273257180000011
直方图的傅里叶级数逼近Sn(x)，并求取傅里叶级数逼近Sn(x)的一阶导数S'n(xj)，其中，xj表示第j个聚类数据点，frequencyj表示第j个聚类数据点的频数；
S5.在区间[Pleft,Pright]中内搜索直方图中满足S'n(xj)＝0或S'n(xj-1)<0&&S'n(xj)>0的聚类数据点，将其个数存储到num；
S6对num进行判断，如果num＝0，则判定当前土壤图像的全域为阴影或者非阴影；如果num＝1，则令g＝j-r，q＝j+r；如果num≥2，则令g＝min(j)，q＝max(j)；将土壤图像的[1,g]内亮度级点归类于阴影域，将土壤图像的[q,N]内亮度级点归类于非阴影域，将[g,q]内亮度级确定为待分配区域；其中，r＝2％×N，N为数据集X的元素个数；
S7.计算阴影检测阈值T，并在[g+1,q-1]范围内按步长为1搜索，将[g+1,T]内的直方图归类于[1,g]，[T+1,q-1]内的直方图归类于[q,N]。
2.根据权利要求1所述基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，其特征在于：步骤S3中具体包括：
S31.计算自适应聚类中心的决策值γi：
Figure FDA0003273257180000021
其中，
Figure FDA0003273257180000022
为数据点xi的重构密度，δi为数据点xi的相对距离，αi是以重构密度为横轴，相对距离为纵轴的坐标系中的点
Figure FDA0003273257180000023
到横轴的垂线与Ri的夹角，βi为重构密度为横轴，相对距离为纵轴的坐标系中的点
Figure FDA0003273257180000024
到纵轴的垂线与Ri的夹角，
Figure FDA0003273257180000025
S32.将决策值γi按照从大到小进行排列，取排列后的两个最大决策值γi所对应的数据点作为聚类中心，其中，将两个最大决策值γi中较小决策值γi所对应的数据点作为阴影区域的聚类中心，记为Pleft，将两个最大决策值γi中较大决策值γi所对应的数据点作为非阴影区域的聚类中心，记为Pright。
3.根据权利要求2所述基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，其特征在于：根据如下方法计算数据点xi的重构密度
Figure FDA0003273257180000026
Figure FDA0003273257180000027
其中，dij表示数据点xi点到数据点xj的欧式距离。
4.根据权利要求2所述基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，其特征在于：根据如下方法确定数据点xi的相对距离δi：
Figure FDA0003273257180000031
其中，ρi为数据点xi的局部密度，ρj为数据点xj局部密度，δj为数据点xj的相对距离；
Figure FDA0003273257180000032
其中，dij表示数据点xi点到数据点xj的欧式距离，dc表示截断距离，当dij-dc<0，则χ(dij-dc)＝1，否则χ(dij-dc)＝0。
5.根据权利要求1所述基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，其特征在于：通过如下方法计算傅里叶级数逼近Sn(x)：
Figure FDA0003273257180000033
其中，a0、ak和bk均为系数，其中：将xj映射到[0,2π]范围，令
Figure FDA0003273257180000034
Figure FDA0003273257180000035
fj＝frequencyj。
6.根据权利要求1所述基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，其特征在于：步骤S7中，具体包括：
建立阴影检测阈值搜索优化模型：
Figure FDA0003273257180000041
s.t.T∈[g+1,q-1]；
其中：
Figure FDA0003273257180000042
Figure FDA0003273257180000043
Figure FDA0003273257180000044
Figure FDA0003273257180000045
Figure FDA0003273257180000046
Figure FDA0003273257180000047
根据阴影检测阈值搜索优化模型解出阴影检测阈值T。
CN202111108484.8A 2021-09-22 2021-09-22 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法 Active CN113808144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111108484.8A CN113808144B (zh) 2021-09-22 2021-09-22 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111108484.8A CN113808144B (zh) 2021-09-22 2021-09-22 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法

Publications (2)

Publication Number Publication Date
CN113808144A true CN113808144A (zh) 2021-12-17
CN113808144B CN113808144B (zh) 2024-03-29

Family

ID=78939957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111108484.8A Active CN113808144B (zh) 2021-09-22 2021-09-22 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法

Country Status (1)

Country Link
CN (1) CN113808144B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410096A (zh) * 2022-11-03 2022-11-29 成都国星宇航科技股份有限公司 卫星遥感影像多尺度融合变化检测方法、介质及电子装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107545270A (zh) * 2017-09-20 2018-01-05 中国科学院微电子研究所 一种目标检测方法及系统
US20180101738A1 (en) * 2016-10-06 2018-04-12 Smr Patents S.A.R.L. Object detection and classification with fourier fans
CN110827306A (zh) * 2019-10-18 2020-02-21 重庆师范大学 基于自适应密度峰值聚类的紫色土图像分割提取方法
US20200191943A1 (en) * 2015-07-17 2020-06-18 Origin Wireless, Inc. Method, apparatus, and system for wireless object tracking
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200191943A1 (en) * 2015-07-17 2020-06-18 Origin Wireless, Inc. Method, apparatus, and system for wireless object tracking
US20180101738A1 (en) * 2016-10-06 2018-04-12 Smr Patents S.A.R.L. Object detection and classification with fourier fans
CN107545270A (zh) * 2017-09-20 2018-01-05 中国科学院微电子研究所 一种目标检测方法及系统
CN110827306A (zh) * 2019-10-18 2020-02-21 重庆师范大学 基于自适应密度峰值聚类的紫色土图像分割提取方法
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BEKKOUCHE等: "A New Image Clustering Method Based on the Fuzzy Harmony Search Algorithm and Fourier Transform", 《JOURNAL OF INFORMATION PROCESSING SYSTEMS》, vol. 12, no. 4, pages 555 - 576 *
ZENG, SHAOHUA等: "Shadow detection of soil image based on density peak clustering and histogram fitting", 《JOURNAL OF INTELLIGENT & FUZZY SYSTEMS》, vol. 43, no. 3, pages 2963 - 2971 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410096A (zh) * 2022-11-03 2022-11-29 成都国星宇航科技股份有限公司 卫星遥感影像多尺度融合变化检测方法、介质及电子装置
CN115410096B (zh) * 2022-11-03 2023-01-24 成都国星宇航科技股份有限公司 卫星遥感影像多尺度融合变化检测方法、介质及电子装置

Also Published As

Publication number Publication date
CN113808144B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
WO2017020723A1 (zh) 一种字符分割方法、装置及电子设备
CN109636784B (zh) 基于最大邻域和超像素分割的图像显著性目标检测方法
WO2023083059A1 (zh) 一种路面缺陷检测方法、装置、电子设备和可读存储介质
CN107123130B (zh) 一种基于超像素和混合哈希的核相关滤波目标跟踪方法
CN113052859A (zh) 基于自适应种子点密度聚类超像素分割方法
CN109147932B (zh) 癌细胞her2基因扩增分析方法及系统
CN110751606A (zh) 一种基于神经网络算法的泡沫图像处理方法及系统
CN114492619A (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
CN112991536A (zh) 一种专题地图地理面要素自动提取和矢量化方法
CN113808144A (zh) 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法
CN112926592B (zh) 一种基于改进Fast算法的商标检索方法及装置
CN109272522B (zh) 一种基于局部特征的图像细化分割方法
CN108694411B (zh) 一种识别相似图像的方法
CN1218279C (zh) 数字图象的分割
CN111814801B (zh) 一种机械图中标注串的提取方法
CN115147359B (zh) 肺叶分割网络模型训练方法、装置、电子设备及存储介质
CN108492345B (zh) 一种基于尺度变换的数据块划分方法
JP2012003358A (ja) 背景判別装置、方法及びプログラム
CN115170507A (zh) 基于图像数据的注浆管表面缺陷检测方法及系统
CN110264477B (zh) 一种基于树结构的图像分割评价方法
Shao et al. cDNA microarray image segmentation with an improved moving k-means clustering method
CN113298702A (zh) 基于大尺寸图像像素点的重新排序和分割方法
CN104112135B (zh) 文本图像提取装置以及方法
Charalampidis Visualizing Population Structures by Multidimensional Scaling of Smoothed PCA-Transformed Data

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

Address after: No.12 Tianchen Road, Shapingba District, Chongqing 404100

Applicant after: CHONGQING NORMAL University

Applicant after: CHONGQING AGRICULTURAL TECHNOLOGY EXTENSION STATION

Address before: No.12 Tianchen Road, Shapingba District, Chongqing 404100

Applicant before: CHONGQING NORMAL University

Applicant before: CHONGQING AGRICULTURAL TECHNOLOGY EXTENSION STATION (CHONGQING POTATO DETOXIFICATION RESEARCH CENTER, CHONGQING SOIL FERTILIZER TESTING CENTER)

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant