EA004910B1 - Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения - Google Patents

Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения Download PDF

Info

Publication number
EA004910B1
EA004910B1 EA200300451A EA200300451A EA004910B1 EA 004910 B1 EA004910 B1 EA 004910B1 EA 200300451 A EA200300451 A EA 200300451A EA 200300451 A EA200300451 A EA 200300451A EA 004910 B1 EA004910 B1 EA 004910B1
Authority
EA
Eurasian Patent Office
Prior art keywords
peak
regions
entropy
specified
value
Prior art date
Application number
EA200300451A
Other languages
English (en)
Other versions
EA200300451A1 (ru
Inventor
Тимор Кадир
Паола Марселла Хобсон
Original Assignee
Моторола Инк.
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 Моторола Инк. filed Critical Моторола Инк.
Publication of EA200300451A1 publication Critical patent/EA200300451A1/ru
Publication of EA004910B1 publication Critical patent/EA004910B1/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

Способ и устройство для упорядочения пикселей в изображении по степеням выделенности, включающие определение (200, 210) множества областей для каждого из множества пикселей в изображении, причем каждая из областей для любого из пикселей с координатами (х, у) имеет различный масштаб s; вычисление (230) значения энтропии для каждой из областей; идентификацию (260) любой из областей как имеющей пиковую энтропию; взвешивание (270) указанного пикового значения энтропии каждой из областей с пиковым значением энтропии с помощью весового значения, соответствующего оценке ширины пика указанного пикового значения энтропии; и упорядочение (290) областей с помощью взвешенных пиковых значений энтропии, тем самым упорядочение указанных пикселей. Изобретение может быть включено в способ и устройство для передачи изображения, обеспечивая предпочтительную передачу выделенных частей изображения. Это имеет особые преимущества при передаче изображения по радиолиниям с ограниченной полосой пропускания.

Description

Область техники, к которой относится изобретение
Настоящее изобретение, в основном, относится к области обработки изображения. Более конкретно, но не исключительно, изобретение касается способов и устройства для определения областей, представляющих интерес, в изображениях, предназначенных для передачи.
Уровень техники
Существует увеличивающийся разрыв между требованиями, предъявляемыми к данным, передаваемым через компьютерные сети, и доступностью полосы пропускания. Также существуют повышенные требования для передачи данных через цифровые радиолинии, например, к мобильным системам радиосвязи и мобильным телефонам и от них. Это стало предпосылкой для поиска улучшенных способов сжатия данных и более эффективных методов передачи.
Методы передачи предшествующего уровня техники, которые являются особенно подходящими для применения в видеоустройствах, сосредотачиваются на интерпретации данных изображения у передающего источника, точнее передаче интерпретированных данных, а не самого изображения и использовании интерпретированных данных по назначению. Интерпретированные данные могут передаваться, а могут и не передаваться в сжатой форме.
Альтернативными подходами к интерпретации изображения являются управление изображением или подход снизу-вверх (восходящий) и управление моделью или подход сверху-вниз (нисходящий).
Подход управление изображением основан на элементах изображения, таких, как края или углы, для естественного распространения и формирования поддающихся интерпретации моделей содержания изображения. Типичный пример представляет собой символьная (цифровая) сегментация изображения, где задачей является выделение представляющего интерес объекта на переднем плане по сравнению с задним планом.
В подходе управление моделью информация, касающаяся ожидания содержания, используется для выделения содержания из изображений. Типичным примером является распознавание объекта, когда контурная модель при автоматизированном проектировании (САЭ) сравнивается с краями, обнаруженными в изображении, подход, обычно используемый в программах оперативного контроля обрабатывающей промышленности.
Ключевое отличие подходов управление изображением и управление моделью состоит в стадии группирования элементов. В подходе управление изображением поисковые точки для группирования элементов исходят от изображения, в то время, как в подходе управление моделью поисковые точки исходят от сравниваемых моделей.
В одной разновидности подхода управление изображением ряд маленьких выделенных пятен или образов идентифицируется внутри изображения. Эти образы представляют собой описания представляющих интерес областей. В этом подходе выделенность определяется в терминах сложности или непредсказуемости локального сигнала, или, более конкретно, энтропии локальных характеристик. Образы с высокой сложностью сигнала имеют более плоское распределение интенсивности и, следовательно, более высокую энтропию. В более общем виде, существует высокая сложность любого подходящего дескриптора, который может быть использован как мера локальной выделенности.
В известных методах выбора выделенных образов измеряют выделенность образов в одном и том же масштабе по всему изображению. Масштаб для использования при выборе по всему изображению может быть отобран несколькими способами. Обычно выбирается наименьший масштаб, для которого максимум наблюдается при средней глобальной энтропии. Однако размер элементов изображения изменяется. Следовательно, масштаб для анализа, который является оптимальным для данного элемента данного размера, может быть неоптимальным для элемента другого размера.
Поэтому существует необходимость дальнейшего улучшения методов выбора выделенных образов.
Сущность изобретения
Настоящее изобретение описывает способы и устройство для определения областей, представляющих интерес, в изображениях. Настоящее изобретение предлагает пути расширения меры выделенности при масштабировании и, тем самым, обнаружение элементов, которые существуют в очень узком диапазоне масштабов. Это позволяет получить выделенные образы, имеющие оптимальный уровень энтропии.
В соответствии с предпочтительным вариантом реализации настоящего изобретения, способ упорядочения пикселей в изображении по степеням выделенности заключается в том, что определяют множество областей для каждого из множества пикселей в изображении, причем каждая из областей для любого пикселя с координатами (х, у) имеет различный масштаб 8; вычисляют значение энтропии для каждой из областей; идентифицируют любую из областей как имеющую пиковое значение энтропии; взвешивают пиковое значение энтропии для каждой из областей с пиковой энтропией с помощью весового значения, соответствующего оценке ширины пика пикового значения энтропии; упорядочивают области с помощью взвешенных пиковых значений энтропии, тем самым осуществляют упорядочение пикселей.
Кроме того, в соответствии с предпочтительным вариантом реализации настоящего изобретения, вычисление может включать вы3 числение оценки функции плотности распределения (ФПР, ΡΌΓ) для пикселей внутри каждой из областей. Стадия вычисления может включать вычисление с использованием оценки ФПР по методу окна Парзена (Раг/еп \νίικ1ο\ν).
Кроме того, вычисление может включать вычисления, использующие гистограммы накопления. Способ, кроме того, может включать применение усреднения по трем величинам по отношению к оценке ширины пика до осуществления взвешивания.
Кроме того, в соответствии с предпочтительным вариантом реализации настоящего изобретения взвешивание может включать взвешивание в соответствии с величиной ^(х,у,8) по формуле
8(х, у, 8)=Н(х, у, 8)-\У(х. у, 8), где
И(х, у, з) = £ |р. (з) - Рх(з + 1)| -з ΐ
и Н(х, у, 8) является энтропией области (х, у, 8), и р; представляет дискретную вероятность.
Также в соответствии с предпочтительным вариантом реализации настоящего изобретения предложен способ определения областей выделенности в изображении, причем способ заключается в том, что а) определяют множество областей для каждого из множества пикселей в изображении, причем каждая из областей для любого пикселя с координатами (х, у) имеет различный масштаб 8, Ь) вычисляют значение энтропии для каждой из областей, с) идентифицируют любую из областей как имеющую пиковое значение энтропии; ά) взвешивают пиковое значение энтропии каждой из областей с пиковой энтропией с помощью весового значения, соответствующего оценке ширины пика значения пиковой энтропии, и е) для каждой выбранной области с пиковой энтропией ί) выбирают, по меньшей мере, одну соседнюю область с пиковой энтропией; д) определяют среднее значение и дисперсию каждой из величин х,у и 8 для выбранной области с пиковой энтропией и по меньшей мере одну соседнюю область, и определяют, где наибольшая дисперсия не превышает заданное пороговое значение; 11) удаляют из областей с пиковой энтропией любые области внутри заданного интервала расстояний от средней точки (х, у, 8) и ΐ) сохраняют средние значения, тем самым определяют область, представляющую интерес.
Кроме того, в соответствии с предпочтительным вариантом реализации настоящего изобретения, способ включает осуществление операции е) для взвешенных значений пиковой энтропии.
Изобретение, кроме того, содержит способ передачи изображения по п.11 формулы изобретения и устройства по пп.12 и 13.
Краткое описание чертежей
Настоящее изобретение будет понято и более полно оценено с помощью следующего подробного описания, рассмотренного совместно с прилагаемыми чертежами, на которых фиг.1А представляет собой упрощенную иллюстрацию взятого в качестве примера образа 10, полезную для понимания настоящего изобретения;
фиг. 1В представляет собой упрощенную графическую иллюстрацию анализа энтропии для точек Р1 и Р2 фиг.1А, полезную для понимания настоящего изобретения;
фиг. 2 представляет собой упрощенное изображение блок-схемы способа определения выделенности образа, действующей в соответствии с предпочтительным вариантом реализации настоящего изобретения;
фиг. 3 представляет собой упрощенное изображение блок-схемы способа выбора выделенных областей, действующей в соответствии с предпочтительным вариантом реализации настоящего изобретения; и фиг. 4 представляет собой упрощенную иллюстрацию в виде рисунков, показывающую результаты осуществления способа фиг. 2 и 3;
фиг. 5 иллюстрирует устройство для упорядочения пикселей в изображении по степеням выделенности, в соответствии с вариантом реализации настоящего изобретения;
фиг. 6 и 7 иллюстрируют применения изобретения для распознавания выделенных элементов и масштабов в изображениях отпечатков пальцев.
Подробное описание предпочтительных вариантов реализации изобретения
Настоящее изобретение расширяет критерии выделенности предшествующего уровня техники, поскольку дает возможность сравнивать выделенность как различных точек пространства, так и масштабов. Изобретение позволяет отбирать определенные выделенные масштабы и выделенные расположения в пространстве одновременно. Для этой идеи характерен тот факт, что элемент может иметь различную величину выделенности при различных масштабах. Изобретение позволяет проводить их непосредственное сравнение.
Большая часть многомасштабных подходов к обработке сигнала подразделяется на две основных категории. Схемы первой категории пытаются уловить многомасштабную природу сигналов путем обработки полного многомасштабного представления сигнала. Схемы второй категории пытаются обнаружить наилучший масштаб или ряд масштабов для представления сигнала, часто анализируя полное многомасштабное представление для того, чтобы выбрать представляющий интерес отдельный масштаб (масштабы).
Изобретение представляет собой развитие в общем виде второго из этих двух подходов.
Выбор масштаба образа и вычисление величин выделенности
Способ изобретения наилучшим образом объясняется путем рассмотрения поведения масштабной метрики энтропии при изменении масштабного параметра.
Проблема выбора масштаба может быть рассмотрена со ссылкой на фиг.1А и фиг.1В. Фиг.1А представляет собой упрощенную иллюстрацию приведенного в качестве примера образа 10. Фиг.1В представляет собой упрощенную графическую иллюстрацию анализа энтропии для точек Р1 и Р2.
На фиг.1А образ 10 иллюстрирует элемент внутри изображения. Элемент показан как круг с целью иллюстрации. Ясно, что в реальном изображении элементы могут радикально отличаться по форме от этого идеализированного случая.
Что касается фиг.1А, показано, что образ 10 содержит круг 12, в котором две точки Р1 и Р2 обозначены на краю и в центре круга 12 соответственно. Полный круг 12, включая точки Р1 и Р2, должен рассматриваться как полностью темный образ/элемент на изображении. Однако фиг.1А показывает область внутри круга 12 как заштрихованную область для того, чтобы местоположения точек Р1 и Р2 можно было распознать на фигуре.
Квадрат 14 вокруг круга 12 представляет ограничивающий квадрат для масштаба, при котором наблюдается пиковое значение энтропии для образа 10, при рассмотрении около точки Р2. Это пиковое значение энтропии иллюстрируется на фиг.1В как максимум в графике для энтропии, отмеченный как Р2.
Ясно, что существует максимум на обоих графиках, для Р1 и Р2, для точек Р1 и Р2 соответственно, на фиг.1В. Не было бы ясно, что является наиболее выделенным, Р1 или Р2, на основании только одной пиковой энтропии, поскольку и Р1, и Р2 имеют пиковые значения энтропии, при различных масштабах. Таким образом, оба графика оказались бы в одинаковой степени полезными при определении подходящего масштаба.
Однако на фиг.1В также можно увидеть, что два графика зависимости энтропии от масштаба имеют различную ширину пика. На фиг. 1В график для Р! приблизительно в два раза шире, чем график для Р2. Обычно предполагается, что элемент, который содержится в большом количестве масштабов, является особо выделенным. Однако, как описано выше, выделенность основана на сложности, определяемой на основе непредсказуемости. Для изображений реальной жизни это существует при малом количестве масштабов и положений в пространстве, и, следовательно, как считается, является относительно редким. Если изображение было сложным и непредсказуемым для всех положений в пространстве и масштабов, оно будет ли бо широким изображением, либо фрактальноподобным. Следовательно, на фиг.1В пиковая величина графика для Р2 реально соответствует большей выделенности, чем пиковая величина для графика Р1. Нужно отметить, что данная точка может иметь несколько пиков энтропии, каждый для своего масштаба.
Этот анализ фиг.1В показывает, что ширина графика энтропии, взятая около различных точек на изображении, может служить полезным индикатором. Примечательно, что оценка выделенности на основе только высоты пика не способна делать различие между двумя графиками на фиг. 1В.
Теперь со ссылкой на фиг.2, которая представляет собой упрощенную иллюстрацию блок-схемы способа определения выделенности образа, рассматривается действие блок-схемы в соответствии с предпочтительным вариантом реализации изобретения.
В способе фиг. 2 круглая область радиуса 8, обычно откалиброванная по минимальному масштабному значению 81, (операция 200), определяется вокруг пикселя с координатами (х, у) в изображении (операция 210). Затем оценивается функция плотности распределения величин пикселей внутри области (операция 220). Величины могут быть величинами интенсивности уровня серого, цветными уровнями или любыми другими характеристиками, используемыми для определения представляющего интерес типа, требуемого для элементов изображения. Оценка функции плотности распределения (ФПР) по методу окно Парзена предпочтительно используется, когда предварительно определенное ядро располагается в точках данных на месте расположения образца. Оценка ФПР затем представляет собой сумму всех ядер по оси данных. Гауссово ядро предпочтительно используется для математической трактовки и сглаженной результирующей оценки ФПР, причем сигма контролирует степень сглаживания, применяемую для оценки ФПР. Так как не существует произвольного накопления, значение энтропии является стабильным даже при линейном сдвиге интенсивности.
Основной метод гистограммы накопления может быть использован как альтернатива алгоритму оценки ФПР по методу окно Парзена. В этом методе, вместо размещения ядра, (например, гауссового ядра) в каждой точке данных и последующего суммирования всех ядер для вычисления оценки ФПР, ось данных просто подразделяется на ряд элементов дискретизации, например, на 16 или 32 элемента дискретизации, причем каждый элемент дискретизации имеет верхние и нижние значения данных. Подсчет для каждого элемента дискретизации сохраняется и увеличивается для каждого пикселя внутри локального окна, которое находится между верхними и нижними значениями данных для этого элемента дискретизации.
После вычисления ФПР вычисляется энтропия Н области (х,у,8) (операция 230) по формуле
Н(х, у, з) = Р1(1од(Р1) ) ΐ
где р4 - дискретные вероятности и 0<₽ί<1.
Затем радиус 8 увеличивается за счет следующего приращения масштаба (операция 240), и предыдущие операции повторяются для всех масштабов 8 между 81 и максимальной величиной масштаба 82 (операция 250). После того, как энтропия вычислена для всех областей между 81 и 82 для пикселя (х, у), определяются те области, которые имеют пиковую энтропию по отношению к энтропии непосредственно предшествующих и последующих областей (операция 260).
Энтропия Н каждой области с пиковой энтропией затем взвешивается в соответствии с величиной А(х, у, 8), которая пропорциональна оценке ширины ее пика (операция 270), для того, чтобы создать меру выделенности 8 по формуле:
8(х,у,з)=Н(х,у,8)-И (х,у,5) где И (х, у, з) = |рДз) - р3{з + 11| *з. ΐ
Операции 200-270 затем предпочтительно повторяются для всех пикселей изображения (операция 280). После того, как значения энтропии областей пиковой энтропии взвешены, они предпочтительно упорядочиваются с помощью взвешенных значений пиковой энтропии, в результате осуществляется упорядочение пикселей за счет пиковой выделенности (операция 290).
Способ изобретения является новым, благодаря использованию ширины пика в качестве взвешивающего фактора при вычислении выделенности. Однако реальная методика, выбранная для оценки ширины пика, представляет дальнейшее усовершенствование основной идеи использования ширины пика.
Изобретатели выбрали метод оценки ширины пика, который включает вычисление суммы абсолютных отклонений гистограммы, измеренной для пиковых значений. Гистограмма, обозначенная здесь, представляет собой аппроксимацию непрерывной функции плотности распределения распределения интенсивности вокруг точек, таких, как Р1 и Р2 на фиг. 1А. Если сумма является большой, это показывает, что пик распределения интенсивности, см. фиг.1В, очень резкий. Малое значение суммы показывает, что пик, вероятно, является довольно широким. Преимущество вычисления такой суммы абсолютных отклонений состоит в том, что это помогает избежать частных случаев, которые должны быть распределены по отдельности для простого измерения ширины пика. Эти частные случаи замедляли бы компьютерные вычисления, если бы изобретатели выбрали осуществление простого вычисления ширины пика. По этому вычисление суммы абсолютных отклонений является трудоемким и не допускает значительных задержек при компьютерных расчетах.
Вычисление суммы абсолютных отклонений представляет собой вычисление, упоминавшееся выше, и производится по формуле
И (х, у, з) = £ |р:(з) - р. (з + 1)| · з .
Ϊ
Таким образом, является суммой абсолютных отклонений, взвешенных с помощью масштаба 8.
Простое усреднение по трем величинам может использоваться по отношению к оценке ширины пика до взвешивания величины энтропии для того, чтобы увеличить устойчивость по отношению к шуму. После того, как вычислена взвешенная величина, величина ^(х,у,8), пропорциональная оценке ширины пика для каждого масштаба 8, заменяется средним для величин при значениях 8-1, 8 и 8+1. Это среднее равно:
(№(х, у, 8-1)+^(х, у, 8)+^(х, у, 8+1)/3.
Для минимального и максимального масштабов это действие обычно не проводилось бы.
Выбор области и группирование
Преимущественным является устойчивый отбор отдельных точек с максимумом энтропии. Это основано на неизменности этих точек в различных условиях создания изображения, таких, как шум или небольшие перемещения. Известно, что присутствие шума в изображении действует как генератор случайных чисел и в общем увеличивает значение энтропии, делая низкие значения энтропии больше высоких значений энтропии. Однако действие шума также в значительной степени зависит от формы локальной поверхности энтропии вокруг максимума. Так как точка максимума узкого пика менее подвержена воздействию шума, чем точка широкого пика, устойчивость отбора отдельных точек с максимумом энтропии основана на остроте пика.
Форма поверхности энтропии зависит от трех основных факторов: поверхности интенсивности оригинального изображения, формы окна выбора образца или представляющей интерес области (ПИО) и размера представляющей интерес области (масштаба). Форма ПИО является круглой, так как это позволяет значению энтропии быть инвариантным относительно вращения. Зависимость от поверхности изображения есть результат рассогласования между размером ПИО при выборе образца и/или формой и элементом изображения, представляющим интерес. Из предположения, что масштаб подобран правильно и форма ПИО является фиксированной, следует, что эта зависимость не является регулируемой, и что отбор отдельных точек в пространстве энтропии не является устойчивым методом.
Более устойчивым методом был бы отбор областей, а не точек в пространстве энтропии.
Хотя индивидуальные пиксели внутри выделен9 ной области могут испытывать воздействие шума в любой данный момент, маловероятно, чтобы все они испытывали такое воздействие, что область как целое становится невыделенной.
Теперь будет сделана ссылка на фиг. 3. Фиг. 3 представляет собой упрощенную иллюстрацию блок-схемы способа выбора выделенных областей, действующей в соответствии с предпочтительным вариантом реализации настоящего изобретения.
В способе фиг. 3 обрабатываются только области с пиковой энтропией, как определяется на фиг. 2. Обработка этих областей является следующей.
Выбирается область (х, у, 5) с пиковой энтропией и наибольшей выделенностью, как определяется с помощью способа на фиг. 2 (операция 300). Сам пик (х, у, 5) определяется с помощью центральной точки области.
Затем выбираются К ближайших областей с пиковыми значениями энтропии (операция 310). Близость может определяться в пространстве (х,у,5) на основе суммы квадратов векторов расстояний (х2+у2+52). Величина К определяет устойчивость по отношению к шуму элементов изображения, которые определяются. В результате большая величина К будет в больших областях с хорошо установленными свойствами, которые определяются, например, в изображении автомобиля. Меньшая величина К позволяет определить элементы изображения с более тонкими деталями, например, в изображении автомобильной антенны. К предпочтительно подбирается до тех пор, пока не превышается заданный порог дисперсии.
После того, как определено К областей с пиковыми значениями энтропии для выбранной области с пиковым значением энтропии, для всех выбранных областей вычисляются средние значения х, у и 5 и дисперсия для всех выбранных областей (операция 320). Наибольшая из трех дисперсий затем сравнивается с пороговым значением. Пороговая величина может быть установлена в соответствии с известными алгоритмами группирования, обычно 0,7 (операция 330). Дисперсия, которая меньше пороговой, обычно показывает, что области хорошо сгруппированы, в этом случае сохраняются средние значения х,у и 5 (операция 340).
Те из К областей, которые находятся внутри интервала, равного расстоянию Ό от средней точки (х, у, 5), умноженному на среднее значение(я), затем удаляются из перечня областей с пиковыми значениями энтропии и выделенностью, созданного с помощью способа на фиг.2 (операция 350). Расстояние Ό может быть любой величиной или предпочтительно подобранной величиной по отношению к дисперсии, например, может быть установлено равной величине, пропорциональной трехкратному стандартному отклонению.
Дисперсия (операция 330), которая больше пороговой, обычно показывает, что группирование не обнаружено, в этом случае точка может быть сохранена как изолированная точка, величина К может уменьшаться до тех пор, пока не будет достигнуто группирование, возможно до единственной точки или точка может просто оставаться в перечне выделенных точек, для того, чтобы можно было видеть, группируется ли она с чем-нибудь еще (операция 370).
Операции 300-350 затем осуществляются в следующей оставшейся области с наибольшей пиковой энтропией (операция 360) до тех пор, пока все области с пиковой энтропией не подвергнутся обработке, предпочтительно, для получения взвешенного значения пиковой энтропии.
Таким образом, настоящий способ группирования отвечает за влияние шума на вычисление выделенности в соответствии с фиг. 2 и позволяет рассмотреть точки с высокой энтропией, которые высококоррелированы в выделенном пространстве.
Если области являются точечными областями, дисперсия может быть равной нулю. Если только две области используются при вычислении, от вычисления дисперсии можно отказаться.
Фиг. 4 показывает результаты воплощения способа фиг. 2 и 3. На фиг. 4 выделенные образы согласованы между двумя изображениями 30 и 32 при использовании способа изобретения. При осуществлении способа выделенные области и масштабы были выбраны в двух изображениях 30 и 32. Образы были скоррелированы на 34, для нахождения наилучшего согласования образов между двумя изображениями.
Предшествующие обработке операции могут быть использованы для уменьшения шума в оригинальном изображении до осуществления способов, описанных здесь. Диффузионные методы широко известны и применяются для такого снижения шума и сглаживания свойств, они широко цитируются как полезные для получения представлений оригинального сигнала в масштабном пространстве. Методы масштабного пространства предпринимают попытку представить оригинальный сигнал в ряде масштабов путем успешных сглаживающих операций. Хотя считается, что линейная диффузия, которая эквивалентна сглаживанию с гауссовым фильтром, создает наиболее общее сглаживание, эксперимент показал, что предпочтительными являются нелинейная изотропная диффузия и нелинейная анизотропная диффузия. В методах нелинейной изотропной диффузии и нелинейной анизотропной диффузии сглаживание подбирается так, что заданные значительные края не сглаживаются. В нелинейной изотропной диффузии сглаживание взвешивается с помощью локальной градиентной функции. При нелинейной анизотропной диффузии сглаживание также направлено к краям. Нелинейная анизотропная диффузия также удаляет шум на краях.
Способ передачи изображения
Настоящее изобретение также предлагает способ передачи изображения. Этот способ передачи изображения содержит методы, объясненные выше.
В частности, методы упорядочения пикселей и определения выделенности в изображении создают способ идентификации важных областей в изображении. Такая идентификация может быть использована для идентификации частей изображения, которые предпочтительно передаются.
Например, изображение может быть передано по радиолинии к мобильной радиосистеме или мобильному телефону или от них. Доступная полоса пропускания радиолинии может в существенной степени ограничивать количество данных, которые могут быть переданы от изображения. Высокоупорядоченные пиксели или наиболее выделенные области могут передаваться более часто, чем данные. Действительно, то, что передается, может быть только частью изображения, например, в ходе периодов, когда изображение быстро меняется со временем.
Устройство
Изобретение было описано выше с точки зрения способа. Однако изобретение также содержит устройства, функционирующие в соответствии с изобретением.
Вариант реализации такого устройства иллюстрируется на фиг. 5. Устройство (500) на фиг. 5 служит для упорядочения пикселей в изображении по степеням выделенности. Устройство содержит:
a) средство (510) для выделения множества областей для каждого из множества пикселей в изображении (505), причем каждая из областей имеет различный масштаб для любого отдельного пикселя из указанных с координатами х, у;
b) средство (530) для вычисления значения энтропии для каждой из областей;
c) средство (560) для идентификации любых областей с пиковой энтропией, причем области с пиковой энтропией представляют собой области, которые включают пиковое значение энтропии;
6) средство (570) для взвешивания пикового значения энтропии каждой области с пиковой энтропией с помощью весового значения, соответствующего оценке ширины пика пикового значения энтропии;
е) средство (590) для упорядочения областей с помощью взвешенных пиковых значений энтропии, тем самым - упорядочения пикселей.
Также на фиг. 5 показан блок 508 обнаружения и структуры кадра, который включает в себя камеру для сканирования изображения. Такой блок известен специалистам в данной области техники, и, следовательно, не описывается далее подробно. Устройство 520 для оцен ки ФПР создает функцию плотности распределения, как описывалось выше со ссылкой на способы изобретения.
Изобретение также распространяется на устройство передачи изображения. Устройство передачи изображения содержит устройство, как объяснялось выше, и в основном объясняется в связи с фиг. 5. Устройство передачи изображения может выбирать выделенные области изображения для предпочтительной передачи. В частности, когда передача осуществляется через радиолинию к мобильной или портативной радиосистеме (МПР, РМК) или мобильному телефону или от них, передача может содержать только выбранные области или эти области могут передаваться более часто, чем другие области.
Устройство передачи изображения может формировать часть мобильной или портативной радиосистемы (МПР) или мобильного телефона.
Различные характеристические карты
В основном способе и устройстве изобретения мы использовали локальное распределение величин интенсивности как дескриптор выделенности. Однако изобретение не ограничивается этим. Любая подходящая характеристическая карта может использоваться для конкретной задачи.
Например, при осуществлении анализа изображений отпечатков пальцев, обычно рассматривается, что бифуркации и крайние точки выступов являются выделенными. Для этой задачи мы используем характеристическую карту граничных направлений. Невыделенные части являются такими, что состоят из линий с единым масштабом и единым доминирующим направлением. Бифуркации и крайние точки состоят из многих граничных направлений и вероятных масштабов. Вместо использования ФПР значений интенсивности мы использовали ФПР граничных направлений и масштабов. Фиг. 6 показывает наиболее выделенные части и их соответствующие масштабы или изображение отпечатков пальцев, полученное при использовании этого способа. См. также фиг. 7.
Этот способ и устройство изобретения могут использовать любую подходящую характеристическую карту при определении выделенности.
Согласование выделенных областей
Согласование является очень общей операцией, необходимой во многих задачах машинного зрения. Например, при распознавании объектов должна быть найдена подходящая модель из базы данных объекта. Это в основном делается путем исчерпывающих попыток проверки согласования между всеми моделями в базе данных и элементами изображения.
Способ выделенности настоящего изобретения может улучшать осуществление таких задач за счет уменьшения количества данных, которые необходимо сохранять для каждой мо13 дели. Следовательно, это уменьшает сложность поиска модели. Это осуществляется двумя основными путями:
(ί) уменьшается количество идентификаторов, которые необходимо сохранять, описываются только выделенные области;
(ίί) сохраняются соответствующие масштабы для каждой выделенной области. Следовательно, уменьшается размер пространства поиска. Это происходит потому, что мы знаем масштаб выделенных битов, поэтому нет необходимости отбирать много масштабов между моделью и изображением.
Соответствующий идентификатор для задачи должен быть выбран таким образом, чтобы он был более мощным (или описательным), чем тот, который используется для характеристической карты выделенности. В примерах согласования, показанных на фиг. 4, мы использовали непосредственно вектор пиксельных величин. Он может рассматриваться как очень мощный дескриптор.
В некоторых приложениях может быть более подходящим использование менее отличительных идентификаторов, таких, как высокоразмерные статистические или геометрические инварианты. Они могут обеспечивать такие преимущества, как вращательная или фотометрическая инвариантность.
После выбора выделенных областей они могут быть использованы в задаче согласования.
Способы и устройства, представленные здесь, были описаны способом, достаточным для того, чтобы квалифицированные специалисты легко могли подобрать доступные для приобретения технические средства и компьютерные программы, которые могут быть необходимы для осуществления любого из вариантов реализации настоящего изобретения на практике без чрезмерных экспериментов и при использовании традиционных технологий.
В то время, как настоящее изобретение было описано со ссылкой на несколько конкретных вариантов реализации, описание иллюстрирует изобретение как целое и не ограничивает изобретение за счет показанных вариантов реализации. Для квалифицированных специалистов очевидно, что могут осуществляться различные модификации, не совпадающие с показанными вариантами реализации, тем не менее находящиеся в рамках изобретения.

Claims (14)

  1. ФОРМУЛА ИЗОБРЕТЕНИЯ
    1. Способ упорядочения пикселей в изображении по степеням выделенности, заключающийся в том, что
    а) определяют множество областей для каждого из множества пикселей в изображении, причем каждая из указанных областей для лю бого из указанных пикселей с координатами (х, у) имеет различный масштаб 8,
    b) вычисляют значение энтропии для каждой из указанных областей,
    c) идентифицируют любые области с пиковой энтропией, причем области с пиковой энтропией являются областями, которые включают пиковое значение энтропии,
    ά) взвешивают указанное пиковое значение энтропии каждой из указанных областей с пиковым значением энтропии с помощью весового значения, соответствующего оценке ширины пика указанного пикового значения энтропии, и
    е) упорядочивают указанные области с помощью указанных взвешенных пиковых значений энтропии, тем самым осуществляют упорядочение указанных пикселей.
  2. 2. Способ по п.1, отличающийся тем, что при вычислении Ь) вычисляют оценку функции плотности распределения (ФПР) для указанных пикселей внутри каждой из указанных областей.
  3. 3. Способ по п.2, отличающийся тем, что при вычислении Ь) осуществляют вычисление, использующее оценку ФПР по методу окна Парзена.
  4. 4. Способ по п.2, отличающийся тем, что при вычислении Ь) осуществляют вычисление, использующее гистограммное накопление.
  5. 5. Способ по п.1, отличающийся тем, что дополнительно применяют усреднение по трем величинам по отношению к указанной оценке ширины пика, до осуществления указанной операции взвешивания ά).
  6. 6. Способ по п.1, отличающийся тем, что при взвешивании ά) осуществляют взвешивание в соответствии с величиной Ш(х, у, 8) по формуле
    8(х, у, 8)=Н(х, у, 8)-Ш(х, у, 8), где
    И (х, у, з) = Σ |Р1<3) - РЕ3 + !)| ’3 ΐ
    и Н(х, у, 8) является локальной энтропией.
  7. 7. Способ определения выделенных областей в изображении, заключающийся в том, что
    a) определяют множество областей для каждого из множества пикселей в изображении, причем каждая из указанных областей для любого из указанных пикселей с координатами (х,у) имеет различный масштаб 8,
    b) вычисляют значение энтропии для каждой из указанных областей,
    c) идентифицируют любую из указанных областей как имеющую пиковое значение энтропии,
    ά) взвешивают указанное пиковое значение энтропии каждой из указанных областей с пиковым значением энтропии с помощью весового значения, соответствующего оценке ширины пика указанного пикового значения энтропии, и
    е) для каждой выбранной области из указанных областей с пиковым значением энтропии
    ί) выбирают по меньшей мере одну из соседних областей с пиковым значением энтропии, ίί) определяют среднее значение и дисперсию каждого х, у и 8 для указанной выбранной области с пиковым значением энтропии и указанной по меньшей мере одной соседней области, и при этом наибольшая из указанных дисперсий не превышает заданное пороговое значение, и ίίί) удаляют из набора указанных областей с пиковыми значениями энтропии любые области внутри заданного интервала расстояний от указанной средней точки (х, у, 8) и ίν) сохраняют указанные средние значения, тем самым обозначают область, представляющую интерес.
  8. 8. Способ по п.7, отличающийся тем, что дополнительно осуществляют операцию е) в порядке указанных взвешенных пиковых значений энтропии.
  9. 9. Способ по п.7, отличающийся тем, что области являются точечными областями и дисперсия равна нулю.
  10. 10. Способ по п.7, отличающийся тем, что существуют только две области и вычисление дисперсии отбрасывают.
  11. 11. Способ передачи изображения, заключающийся в том, что
    a) определяют множество областей для каждого из множества пикселей в изображении, причем каждая из указанных областей для любого из указанных пикселей с координатами (х, у) имеет различный масштаб 8,
    b) вычисляют значение энтропии для каждой из указанных областей,
    c) идентифицируют любые области с пиковой энтропией, причем области с пиковой энтропией являются областями, которые включают пиковое значение энтропии,
    б) взвешивают указанное пиковое значение энтропии каждой из указанных областей с пиковым значением энтропии с помощью весового значения, соответствующего оценке ширины пика указанного пикового значения энтропии и
    е) упорядочивают указанные области с помощью взвешенных пиковых значений энтропии, тем самым осуществляют упорядочение указанных пикселей.
  12. 12. Способ передачи изображения, заключающийся в том, что
    a) определяют множество областей для каждого из множества пикселей в изображении, причем каждая из указанных областей для любого из указанных пикселей с координатами (х, у) имеет различный масштаб 8,
    b) вычисляют значение энтропии для каждой из указанных областей,
    c) идентифицируют любую из указанных областей как имеющую пиковое значение энтропии,
    б) взвешивают указанное пиковое значение энтропии каждой из указанных областей с пиковым значением энтропии с помощью весового значения, соответствующего оценке ширины пика указанного пикового значения энтропии, и
    е) для каждой выбранной области из указанных областей с пиковым значением энтропии
    ί) выбирают по меньшей мере одну из соседних областей с пиковым значением энтропии, ίί) определяют среднее значение и дисперсию каждого х, у и 8 для указанной выбранной области с пиковым значением энтропии и указанной по меньшей мере одной соседней области, и при этом наибольшая из указанных дисперсий не превышает заданное пороговое значение, и
    ш) удаляют из набора указанных областей с пиковыми значениями энтропии любые области внутри заданного интервала расстояний от указанной средней точки (х, у, 8) и ίν) сохраняют указанные средние значения, тем самым обозначают область, представляющую интерес.
  13. 13. Устройство для упорядочения пикселей в изображении по степеням выделенности, содержащее
    a) средство для определения множества областей для каждого из множества пикселей в изображении, причем каждая из указанных областей имеет различный масштаб для любого пикселя из указанных пикселей с координатами х, у,
    b) средство для вычисления значения энтропии для каждой из указанных областей,
    c) средство для идентификации любых областей с пиковой энтропией, причем области с пиковой энтропией представляют собой области, которые включают пиковое значение энтропии,
    б) средство для взвешивания указанного пикового значения энтропии каждой области с пиковой энтропией с помощью весового значения, соответствующего оценке ширины пика указанного пикового значения энтропии,
    е) средство для упорядочения указанных областей с помощью взвешенных пиковых значений энтропии, тем самым для упорядочения указанных пикселей.
  14. 14. Устройство для передачи изображения, содержащее устройство для упорядочения пикселей в изображении по степеням выделенности, причем устройство для упорядочения пикселей содержит
    a) средство для определения множества областей для каждого из множества пикселей в изображении, причем каждая из указанных областей имеет различный масштаб для любого пикселя из указанных пикселей с координатами х, у,
    b) средство для вычисления значения энтропии для каждой из указанных областей,
    с) средство для идентификации любых областей с пиковой энтропией, причем области с пиковой энтропией представляют собой области, которые включают пиковое значение энтропии,
    б) средство для взвешивания указанного пикового значения энтропии каждой области с пиковой энтропией с помощью весового значения, соответствующего оценке ширины пика указанного пикового значения энтропии,
    е) средство для упорядочения указанных областей с помощью указанных взвешенных пиковых значений энтропии, тем самым для упорядочения указанных пикселей.
EA200300451A 2000-10-09 2001-10-09 Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения EA004910B1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
GB0024669A GB2367966B (en) 2000-10-09 2000-10-09 Method and apparatus for determining regions of interest in images and for image transmission
PCT/EP2001/011715 WO2002031766A2 (en) 2000-10-09 2001-10-09 Method and apparatus for determining regions of interest in images and for image transmission

Publications (2)

Publication Number Publication Date
EA200300451A1 EA200300451A1 (ru) 2003-10-30
EA004910B1 true EA004910B1 (ru) 2004-08-26

Family

ID=9900909

Family Applications (1)

Application Number Title Priority Date Filing Date
EA200300451A EA004910B1 (ru) 2000-10-09 2001-10-09 Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения

Country Status (11)

Country Link
US (1) US7162081B2 (ru)
EP (1) EP1374168B1 (ru)
JP (1) JP3964327B2 (ru)
KR (1) KR20040010540A (ru)
AT (1) ATE308085T1 (ru)
AU (1) AU2002214009A1 (ru)
DE (1) DE60114469T2 (ru)
EA (1) EA004910B1 (ru)
ES (1) ES2252309T3 (ru)
GB (1) GB2367966B (ru)
WO (1) WO2002031766A2 (ru)

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2375908B (en) * 2001-05-23 2003-10-29 Motorola Inc Image transmission system image transmission unit and method for describing texture or a texture-like region
GB2393062B (en) * 2002-09-13 2005-01-05 Motorola Inc Image transmission system and method for determining regions of interest in an image transmission
US7382897B2 (en) * 2004-04-27 2008-06-03 Microsoft Corporation Multi-image feature matching using multi-scale oriented patches
US7426318B2 (en) * 2004-06-30 2008-09-16 Accuray, Inc. Motion field generation for non-rigid image registration
US7327865B2 (en) * 2004-06-30 2008-02-05 Accuray, Inc. Fiducial-less tracking with non-rigid image registration
US7231076B2 (en) * 2004-06-30 2007-06-12 Accuray, Inc. ROI selection in image registration
US7366278B2 (en) * 2004-06-30 2008-04-29 Accuray, Inc. DRR generation using a non-linear attenuation model
US7522779B2 (en) * 2004-06-30 2009-04-21 Accuray, Inc. Image enhancement method and system for fiducial-less tracking of treatment targets
US9743078B2 (en) 2004-07-30 2017-08-22 Euclid Discoveries, Llc Standards-compliant model-based video encoding and decoding
US9532069B2 (en) 2004-07-30 2016-12-27 Euclid Discoveries, Llc Video compression repository and model reuse
WO2010042486A1 (en) 2008-10-07 2010-04-15 Euclid Discoveries, Llc Feature-based video compression
US9578345B2 (en) 2005-03-31 2017-02-21 Euclid Discoveries, Llc Model-based video encoding and decoding
US8902971B2 (en) 2004-07-30 2014-12-02 Euclid Discoveries, Llc Video compression repository and model reuse
US20060117268A1 (en) * 2004-11-30 2006-06-01 Micheal Talley System and method for graphical element selection for region of interest compression
US8396153B1 (en) 2004-12-07 2013-03-12 Adaptix, Inc. Cooperative MIMO in multicell wireless networks
JP4427001B2 (ja) * 2005-05-13 2010-03-03 オリンパス株式会社 画像処理装置、画像処理プログラム
US7330578B2 (en) 2005-06-23 2008-02-12 Accuray Inc. DRR generation and enhancement using a dedicated graphics device
US7512574B2 (en) * 2005-09-30 2009-03-31 International Business Machines Corporation Consistent histogram maintenance using query feedback
US8176414B1 (en) * 2005-09-30 2012-05-08 Google Inc. Document division method and system
WO2007138533A2 (en) * 2006-05-25 2007-12-06 Pace Plc Identifying and dynamically presenting regions of interest in a digital image
CN102685441A (zh) 2007-01-23 2012-09-19 欧几里得发现有限责任公司 用于提供个人视频服务的系统和方法
EP2106663A2 (en) 2007-01-23 2009-10-07 Euclid Discoveries, LLC Object archival systems and methods
EP2130381A2 (en) * 2007-01-23 2009-12-09 Euclid Discoveries, LLC Computer method and apparatus for processing image data
US8228809B1 (en) 2007-12-21 2012-07-24 Adaptix, Inc. Intelligent mode switching in communication networks
US8131107B2 (en) * 2008-05-12 2012-03-06 General Electric Company Method and system for identifying defects in NDT image data
US20100164986A1 (en) * 2008-12-29 2010-07-01 Microsoft Corporation Dynamic Collage for Visualizing Large Photograph Collections
JP5461845B2 (ja) * 2009-02-05 2014-04-02 株式会社東芝 超音波診断装置及び超音波診断装置の制御プログラム
JP2010205067A (ja) * 2009-03-04 2010-09-16 Fujifilm Corp 領域抽出装置、領域抽出方法及び領域抽出プログラム
FR2989198A1 (fr) * 2012-04-06 2013-10-11 St Microelectronics Grenoble 2 Procede et dispositif de detection d'un objet dans une image
US10097851B2 (en) 2014-03-10 2018-10-09 Euclid Discoveries, Llc Perceptual optimization for model-based video encoding
US10091507B2 (en) 2014-03-10 2018-10-02 Euclid Discoveries, Llc Perceptual optimization for model-based video encoding
US9621917B2 (en) 2014-03-10 2017-04-11 Euclid Discoveries, Llc Continuous block tracking for temporal prediction in video encoding
CN104360854B (zh) * 2014-11-03 2018-08-10 联想(北京)有限公司 一种信息处理方法及电子设备
CN104715251B (zh) * 2015-02-13 2017-12-19 河南科技大学 一种基于直方图线性拟合的显著目标检测方法
CA3074106A1 (en) * 2016-05-19 2017-11-23 Psip, Llc Methods for polyp detection
US10552968B1 (en) 2016-09-23 2020-02-04 Snap Inc. Dense feature scale detection for image matching
CN107239760B (zh) * 2017-06-05 2020-07-17 中国人民解放军军事医学科学院基础医学研究所 一种视频数据处理方法及系统
US11809789B2 (en) * 2019-11-06 2023-11-07 Rtx Corporation Parametric component design process
CN112016661B (zh) * 2020-08-20 2022-05-06 浙江大学 一种基于擦除显著性区域的行人重识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4922915A (en) * 1987-11-27 1990-05-08 Ben A. Arnold Automated image detail localization method
US5588071A (en) * 1994-10-26 1996-12-24 Minnesota Mining And Manufacturing Company Identifying an area of interest using histogram data arranged in predetermined sequence
US5799100A (en) * 1996-06-03 1998-08-25 University Of South Florida Computer-assisted method and apparatus for analysis of x-ray images using wavelet transforms
KR100189922B1 (ko) * 1996-06-20 1999-06-01 윤종용 히스토그램 등화를 이용한 동영상의 콘트라스트개선회로 및 그 방법
US6735330B1 (en) * 2000-10-17 2004-05-11 Eastman Kodak Company Automatic digital radiographic bright light
US6895103B2 (en) * 2001-06-19 2005-05-17 Eastman Kodak Company Method for automatically locating eyes in an image

Also Published As

Publication number Publication date
DE60114469D1 (de) 2005-12-01
US20040042656A1 (en) 2004-03-04
GB2367966A (en) 2002-04-17
AU2002214009A1 (en) 2002-04-22
GB2367966B (en) 2003-01-15
KR20040010540A (ko) 2004-01-31
DE60114469T2 (de) 2006-07-20
EP1374168A2 (en) 2004-01-02
GB0024669D0 (en) 2000-11-22
EP1374168B1 (en) 2005-10-26
US7162081B2 (en) 2007-01-09
JP2004519759A (ja) 2004-07-02
GB2367966A8 (en) 2002-04-17
EA200300451A1 (ru) 2003-10-30
JP3964327B2 (ja) 2007-08-22
ATE308085T1 (de) 2005-11-15
WO2002031766A3 (en) 2003-09-12
ES2252309T3 (es) 2006-05-16
WO2002031766A2 (en) 2002-04-18

Similar Documents

Publication Publication Date Title
EA004910B1 (ru) Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения
US8363973B2 (en) Descriptor for image corresponding point matching
EP3389011A1 (en) Image analysis system for detecting edges of a nucleus
KR101650994B1 (ko) 객체 인식에서 피처 생성을 개선시키기 위한 시스템들 및 방법들
EP1255225A2 (en) Method for detecting eye and mouth positions in a digital image
US11373314B2 (en) Land mask image generation for ocean surface and land surface
Rosenfeld Image pattern recognition
CN109447117B (zh) 双层车牌识别方法、装置、计算机设备及存储介质
US20170178341A1 (en) Single Parameter Segmentation of Images
CN111783805A (zh) 图像检索方法及装置、电子设备、可读存储介质
CN107578011A (zh) 视频关键帧的判定方法及装置
CN116403094A (zh) 一种嵌入式图像识别方法及系统
CN110414649A (zh) Dm码的定位方法、装置、终端及存储介质
CN108960247B (zh) 图像显著性检测方法、装置以及电子设备
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
CN117115117B (zh) 基于小样本下的病理图像识别方法、电子设备及存储介质
Niigaki et al. Circular object detection based on separability and uniformity of feature distributions using Bhattacharyya coefficient
CN117037082A (zh) 一种停车行为的识别方法及系统
CN111199228A (zh) 一种车牌定位的方法及装置
CN116486452A (zh) 人脸识别方法和系统
WO2022247684A1 (zh) 基站馈线检测方法、系统及相关装置
CN116228861A (zh) 探针台标记物定位方法、装置、电子设备及存储介质
CN111753723B (zh) 一种基于密度校准的指纹识别方法及装置
CN111753573B (zh) 二维码图像识别方法、装置、电子设备以及可读存储介质
CN114511862A (zh) 表格识别方法、装置及电子设备

Legal Events

Date Code Title Description
MM4A Lapse of a eurasian patent due to non-payment of renewal fees within the time limit in the following designated state(s)

Designated state(s): AM AZ BY KZ KG MD TJ TM