CN100541524C - 基于内容的互联网动画媒体垃圾信息过滤方法 - Google Patents
基于内容的互联网动画媒体垃圾信息过滤方法 Download PDFInfo
- Publication number
- CN100541524C CN100541524C CNB2008100361447A CN200810036144A CN100541524C CN 100541524 C CN100541524 C CN 100541524C CN B2008100361447 A CNB2008100361447 A CN B2008100361447A CN 200810036144 A CN200810036144 A CN 200810036144A CN 100541524 C CN100541524 C CN 100541524C
- Authority
- CN
- China
- Prior art keywords
- animation
- color
- characteristic
- vector machine
- gray
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种图像处理和模式识别领域的基于内容的互联网动画媒体垃圾信息过滤方法,步骤一,从互联网上随机采集若干个广告和非广告的动画作为训练样本集,并提取所有动画的颜色特征、纹理特征、文字信息特征、动画长度特征、动画几何尺寸特征、动画的动态特征;步骤二,将有动画的六个特征以及类别标引输入到支持向量机中,支持向量机获得描述广告/非广告动画媒体差异的支持向量机模型;步骤三,按照步骤一中提取动画特征的方法提取待测试动画的六个特征,并输入支持向量机模型中,支持向量机模型判断出动画是属于广告类动画还是属于非广告类动画。本发明能够识别广告类动画和非广告类动画,有较高的处理速度和识别准确率。
Description
技术领域
本发明涉及的是一种图像处理和模式识别技术领域的方法,特别是一种基于内容的互联网动画媒体垃圾信息过滤方法。
背景技术
随着互联网的迅速发展,宽带的迅速普及,存储成本的降低,多媒体内容在网上也越来越多。包含各种类型数据如文本、图像、音频、视频等的多媒体信息,飞速膨胀逐渐成为信息的主流,并对人们的生活和社会的发展产生了重要的影响。同时,视频压缩技术的发展让视频在体积越来越小的同时质量反而越来越高,因此,大部分网站都开始将动画融入网页之中。同时,由于数码摄像机等设备的普及,供个人传播和交换视频的网站也如雨后春笋般涌现。
这些视频信息的特点是,一方面它的信息量很大,难以用少量标注精确描述,不同的观察者或同一观察者在不同条件下对同一幅图像可能给出不同的描述。这使得在很多情况下文本标注并不能满足实际需求。另一方面它的结构化程度较低,不利于进行有效的管理。如何有效地利用多媒体信息中的相关内容已成为一个急需解决的问题。值得一提的是,在人们享受科技发达带来的便利的同时,也出现了许多用动画短片传播的广告等垃圾信息,给用户带来诸多不便。现有的多种浏览器,如Internet Explorer,Firefox等都提供了广告过滤或类似功能的模块,但是这些软件大多是通过分析其文件名的关键字来实现的,当文件名缺乏意义时将无法正确实现分类和过滤功能。
经过对现有技术文献的检索发现,Y.Alp Aslandogan等在《IEEETransactions on Knowledge and Data Engineering》vol.11,no.1,Jan.1999,(《IEEE学报知识与数据工程》1999年一月,第11卷,no.1)上发表的“图像与视频检索技术与***”(“Techniques and Systems for Image and VideoRetrieval”),该文中提出了对于图像和视频的理解和检索的方法。对于图像:首先提取以描述图像内容为主的图像颜色、纹理和形状特征,以及非图像内容的其他相关信息(如文件名、注解等),然后通过对于图像库中的图像特征进行匹配和比对,获得对于图像的理解和检索。对于视频:首先对于视频镜头分割,然后进行目标检测和追踪,最后完成对于视频内容的理解和检索。然而,针对互联网上的动画媒体,上述方法有以下的不足:第一,动画媒体与传统的图像和视频在持续时间、镜头变化、色彩分布都存在较大的差异,其特征提取方法并不适合对于互联网动画媒体的分析和理解;第二,对于互联网动画媒体垃圾信息过滤这一新的应用来说,该方法中提出的视频特征并不具有较高的广告/非广告分类鉴别力。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于内容的互联网动画媒体垃圾信息过滤方法,根据动画媒体的特点以及垃圾信息分类过滤的特殊性,依据动画的内容对其进行理解和过滤。
本发明通过以下技术方案实现的,包括如下步骤:
步骤一,从互联网上随机采集若干个类别标引为广告和非广告的动画作为训练样本集,并提取训练样本集中所有动画的颜色特征、纹理特征、文字信息特征、动画长度特征、动画几何尺寸特征、动画的动态特征,具体如下:
根据动画中各图像帧的颜色直方图和RGB三个通道颜色均值提取动画的颜色特征;
对动画中各图像帧的灰度图进行伽博变换,提取动画的纹理特征;
对动画中各图像帧进行离散余弦变换,计算图像的边缘图,进而检测图像帧中文本块,提取动画的文字信息特征;
计算动画持续时间跨度,提取动画长度特征;
计算动画中图像帧的长度与宽度,提取动画几何尺寸特征;
计算动画各帧间的颜色差异的均值,提取动画的动态特征。
步骤二,将步骤一得到的训练样本集中的所有动画的六个特征以及相应动画的类别标引输入到支持向量机(SVM)中,支持向量机对所有样本进行训练得到权值、偏置等参数,并获得描述广告和非广告动画媒体差异的SVM模型。
步骤三,对于一个待测试动画,按照步骤一中提取动画特征的方法提取待测试动画的六个特征,并将这六个特征输入步骤二训练所得的SVM模型中,SVM模型判断出动画是属于广告类动画还是属于非广告类动画,对于广告类的动画由媒体进行过滤。
所述提取颜色特征,具体为:
①提取每个图像帧的颜色直方图,并计算所有图像帧的平均的颜色直方图特征;
②计算每个图像帧的三个颜色通道的颜色平均值,并计算所有图像帧的颜色平均值。
所述提取纹理特征,具体为:是指对于,使用Gabor小波变换来提取纹理特征,
首先,将每一个彩色图像帧转换为灰度图:Y=0.299R+0.587G+0.114B,其中:Y表示灰度值,R,G,B分别表示三个通道的值;
然后,对灰度图进行Gabor(伽柏)滤波,Gabor滤波器在{0°,45°,90°,135°}四个方向的输出的均值和方差作为该图像帧的纹理特征;
最后,对于所有图像帧的纹理特征进行求平均得到整个动画的纹理特征。
所述提取文字信息特征,具体为:
①对动画中每一个图像帧颜色图像进行灰度化处理,获得灰度图;
②对灰度图进行离散余弦变换获得灰度边缘的分布图;
③根据灰度边缘分布图,向水平和垂直方向分别作投影;
④根据水平方向边缘块的分布,设定宽度经验门限值进行扫描,宽度大于经验门限值的行作为文本行;
⑤根据文本行垂直方向边缘块的分布,设定高度经验门限值进行扫描,高度大于经验门限值的块确定为文本块;
⑥对文本块进行筛选,删除已定位的伪文本块;
⑦对于包含文本块的图像,其文本特征标为1,否则标为0。
所述提取动画的动态特征,具体为:
①计算所有相邻图像帧之间的颜色差别的绝对值之和;
②对于动画中所有帧间颜色差别进行求平均,得到描述动画动态信息的动态特征。
所述支持向量机,其核函数为RBF(径向基)函数,RBF函数的方差为0.0001。
与现有技术相比,本发明具有如下有益效果:本发明依据互联网上动画媒体信息在持续时间、镜头变化、色彩分布等方面与传统的视频和图像的不同之处,结合广告动画与非广告动画的主要差异,采用了一种新的针对垃圾信息过滤的动画媒体特征表达方法,在性能上优于传统的针对图像和视频分类的特征表达方法。经过大量实验测试,本发明能够准确、高效的过滤垃圾动画信息,平均正确率高于90%。
附图说明
图1是本发明方法的工作流程图。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本实施例包括如下步骤:
步骤一,从互联网上随机采集1200个动画作为训练样本集(其中:420个动画类别标引为广告和780个动画类别标引为非广告),并提取训练样本集中所有动画的颜色特征、纹理特征、文字信息特征、动画长度特征、动画几何尺寸特征、动画的动态特征,具体如下:
①提取动画颜色特征,包括如下步骤:
首先,提取每个图像帧的颜色直方图,并计算所有图像帧的平均的颜色直方图特征,具体为:
其中:HIST表示平均后的颜色直方图,HISTi表示第i个图像帧的颜色直方图,N表示总共的帧数。
然后,计算三个颜色通道的颜色平均值,作为另外一项颜色特征,并计算所有图像帧的一阶颜色矩,具体为:
其中;μi表示第i个图像帧的颜色一阶矩,μ表示整个动画的平均颜色一阶矩。由于每一帧图像的几何尺寸相等,因此上式可转换为:
其中,W表示图像的宽度,H表示图像的高度,Ii(w,h)表示第i帧坐标为(w,h)的像素的颜色值。
②提取动画纹理特征:对于动画中每一个图像帧,使用Gabor小波变换来提取纹理特征,具体为:
首先,将彩色图像转换为灰度图,方法如下:
Y=0.299R+0.587G+0.114B
其中:Y表示灰度值,R,G,B分别表示三个通道的值;
然后,对灰度图进行Gabor滤波,Gabor滤波器在{0°,45°,90°,135°}四个方向的输出的均值和方差作为该图像帧的纹理特征;
所述Gabor滤波器,其公式如下:
gm(x,y)=a-mg(x′,y′)
x′=a-m(xcosθ+ysinθ)
y′=a-m(-xsinθ+ycosθ)
其中:θ为Gabor特征的方向因子,取θ={0°,45°,90°,135°}四个方向进行滤波;Ub和Ul为关注频率的上下限,这里取Uh=0.4,Ul0.05,频域方差 尺度比例因子a设置为1,滤波器窗口为9。
最后,对于所有图像帧的纹理特征进行求平均得到整个动画的纹理特征。
③提取文字信息特征,包括如下步骤:
第一步,对动画中包含的每一个图像帧进行灰度化处理,转换为灰度图:
Y=0.299R+0.587G+0.114B
其中:R、G和B分别表示三个颜色通道的取值,Y为输入灰度图;
第二步,边缘检测:将灰度图像切割成8*8的块进行离散余弦(DCT)变换,取部分DCT交流系数计算图像子块的纹理值,然后把这些纹理数据在保持图像子块排列次序不变条件下组合生成一个频域图像,频域图像在一定程度上表征原图像的边缘信息。为获得优质频域图像,需将灰度图像插值放大,经验表明:放大被数为5-7倍时效果较好,本实施例中采用6倍插值放大。
所述DCT变换,其公式为:
其中:(s,t)表示变换后的坐标,G(m,n)为8*8块中坐标为(m,n)像素点的灰度值;Cs和Ct为归一化参数,满足
对于坐标为(i,j)的图像子块,AC0,0(i,j)为图像子块的低频部分,称为直流系数,其余系数称为交流系数。
第三步,根据上述DCT系数,计算各图像子块纹理值TAC(i,j),进而采用基于区域的块纹理滤波器对纹理图像进行滤波,得到边缘图。
所述子块纹理值TAC(i,j)计算方法,其公式为:
其中:AC为第二步中所述DCT变换后的频谱参数。
所述基于区域的块纹理滤波器滤波方法,其公式为:
其中:M、N分别代表水平与垂直方向上子图像块的数目,MTTh是最低纹理值要求。本实施例中取MTTh=230和α=1.5。输出E(i,j)代表放大后的边缘图,将输出E调整到原始大小后,滤除其孤立像素点,得到原始边缘图。
第四步,采用基于投影方法进行文本块定位:首先根据水平方向边缘块的分布,选择一个经验门限值(本实施例中取图片宽度的1/3)进行扫描,把符合一定高度要求的行作为文本行;其次根据文本行垂直方向边缘块的分布,同样选择一个经验门限值(本实施例中取图片高度的1/10)进行扫描,确定文本块的位置。最后,根据填满率、纵横比率和字符大小对文本块进行筛选,删除已定位的伪字符块。
大量实验表明,相比文字区域检测(即检测图像中是否包含文字区域),文字区域定位、识别的准确率要低很多。因此,本实施例所使用的文字特征仅仅检测文字区域是否存在,只需要一个布尔型变量即可表示,1代表图像中有文字区域,0代表图像中没有文字区域。
④提取动画持续时间特征:动画的持续时间=动画的总帧数/每秒播放的帧数。
针对广告动画和非广告动画在持续时间上的差异,本实施例也将动画持续时间的信息作为分类和识别的依据之一。
⑤提取动画的几何尺寸特征:几何尺寸特征包括:1)以像素为单位的图像帧宽度和高度;2)图像帧的长宽比(图像的长度/图像的宽度)。
⑥提取动画动态特征
鉴于广告动画与非广告动画在镜头切换上的差异,引入动画的平均帧间颜色差异来描述动画的动态特征,帧间差异的平均值为
其中:N为一个动画的帧数,Fi、Fi-1分别表示第i帧、第i-1帧的图像中所有像素点的RGB色彩值所构成的矢量。
步骤二,将步骤一得到的训练样本集中的所有动画的六个特征以及相应动画的类别标引输入到支持向量机(SVM)中,支持向量机对所有样本进行训练得到权值、偏置等参数,并获得描述广告/非广告动画媒体差异的SVM模型。
所述支持向量机,其中的SVM的核函数为RBF函数,RBF函数的方差为0.0001。
步骤三,对于一个待测试动画,按照步骤一中提取动画特征的方法提取待测试动画的六个特征,并将这六个特征输入步骤二训练所得的SVM模型中,由SVM模型获得测试集过滤结果,即判断出动画是属于广告类动画还是属于非广告类动画,对于广告类的动画由媒体进行过滤。
本实施例方法通过对1000余个来自互联网上的动画进行测试,本实施例对动画短片具有较高的正确识别率,平均错误率低于10%。
Claims (7)
1、一种基于内容的互联网动画媒体垃圾信息过滤方法,其特征在于,包括如下步骤:
步骤一,从互联网上随机采集若干个类别标引为广告和非广告的动画作为训练样本集,并提取训练样本集中所有动画的颜色特征、纹理特征、文字信息特征、长度特征、几何尺寸特征和动态特征,具体如下:
根据动画中各图像帧的颜色直方图和RGB三个通道颜色均值提取动画的颜色特征,
对动画中各图像帧的灰度图进行伽博变换,提取动画的纹理特征,
对动画中各图像帧进行离散余弦变换,计算图像的边缘图,进而检测图像帧中文本块,提取动画的文字信息特征,
计算动画持续时间跨度,提取动画的长度特征,
计算动画中图像帧的长度与宽度,提取动画的几何尺寸特征,
计算动画各帧间的颜色差异的均值,提取动画的动态特征;
步骤二,将步骤一得到的训练样本集中的所有动画的颜色特征、纹理特征、文字信息特征、长度特征、几何尺寸特征、动态特征以及相应动画的类别标引输入到支持向量机中,支持向量机对所有样本进行训练得到权值、偏置参数,并获得描述广告和非广告动画媒体差异的支持向量机模型;
步骤三,对于一个待测试动画,按照步骤一中提取动画特征的方法提取待测试动画的颜色特征、纹理特征、文字信息特征、长度特征、几何尺寸特征和动态特征,并将这六个特征输入步骤二训练所得的支持向量机模型中,支持向量机模型判断出动画是属于广告类动画还是属于非广告类动画,对于广告类的动画由媒体进行过滤。
2、根据权利要求1所述的基于内容的互联网动画媒体垃圾信息过滤方法,其特征是,所述提取颜色特征,具体为:
①提取每个图像帧的颜色直方图,并计算所有图像帧的平均的颜色直方图特征;
②计算每个图像帧的三个颜色通道的颜色平均值,并计算所有图像帧的颜色平均值。
3、根据权利要求1所述的基于内容的互联网动画媒体垃圾信息过滤方法,其特征是,所述提取纹理特征,具体为:
首先,将每一个彩色图像帧转换为灰度图:Y=0.299R+0.587G+0.114B,其中:Y表示灰度值,R,G,B分别表示三个通道的值;
然后,对灰度图进行Gabor滤波,Gabor滤波器在{0°,45°,90°,135°}四个方向的输出的均值和方差作为该图像帧的纹理特征;
最后,对于所有图像帧的纹理特征进行求平均得到整个动画的纹理特征。
4、根据权利要求1所述的基于内容的互联网动画媒体垃圾信息过滤方法,其特征是,所述提取文字信息特征,具体为:
①对动画中每一个图像帧颜色图像进行灰度化处理,获得灰度图;
②对灰度图进行离散余弦变换获得灰度边缘的分布图;
③根据灰度边缘分布图,向水平和垂直方向分别作投影;
④根据水平方向边缘块的分布,设定宽度经验门限值进行扫描,宽度大于经验门限值的行作为文本行;
⑤根据文本行垂直方向边缘块的分布,设定高度经验门限值进行扫描,高度大于经验门限值的块确定为文本块;
⑥对文本块进行筛选,删除已定位的伪文本块;
⑦对于包含文本块的图像,其文本特征标为1,否则标为0。
5、根据权利要求1所述的基于内容的互联网动画媒体垃圾信息过滤方法,其特征是,所述提取动画的动态特征,具体为:
①计算所有相邻图像帧之间的颜色差别的绝对值之和;
②对于动画中所有帧间颜色差别进行求平均,得到描述动画动态信息的动态特征。
6、根据权利要求1所述的基于内容的互联网动画媒体垃圾信息过滤方法,其特征是,所述支持向量机,其核函数为径向基函数。
7、根据权利要求6所述的基于内容的互联网动画媒体垃圾信息过滤方法,其特征是,所述径向基函数,其方差为0.0001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2008100361447A CN100541524C (zh) | 2008-04-17 | 2008-04-17 | 基于内容的互联网动画媒体垃圾信息过滤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2008100361447A CN100541524C (zh) | 2008-04-17 | 2008-04-17 | 基于内容的互联网动画媒体垃圾信息过滤方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101276417A CN101276417A (zh) | 2008-10-01 |
CN100541524C true CN100541524C (zh) | 2009-09-16 |
Family
ID=39995846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2008100361447A Expired - Fee Related CN100541524C (zh) | 2008-04-17 | 2008-04-17 | 基于内容的互联网动画媒体垃圾信息过滤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100541524C (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887520B (zh) * | 2009-05-12 | 2013-04-17 | 华为终端有限公司 | 一种图像中的文字定位方法和装置 |
CN102045520A (zh) * | 2009-10-15 | 2011-05-04 | 康佳集团股份有限公司 | 一种电视节目的切换方法、***及电视机 |
US9130778B2 (en) * | 2012-01-25 | 2015-09-08 | Bitdefender IPR Management Ltd. | Systems and methods for spam detection using frequency spectra of character strings |
CN102819583B (zh) * | 2012-07-26 | 2016-08-24 | 华数传媒网络有限公司 | 网络动画快速检索方法 |
CN103780916B (zh) * | 2012-10-25 | 2018-06-19 | 合肥林晨信息科技有限公司 | 数字电视广告智能识别*** |
CN103853724B (zh) * | 2012-11-29 | 2017-10-17 | 三星电子(中国)研发中心 | 多媒体数据分类方法及装置 |
CN104159154B (zh) * | 2014-07-22 | 2018-12-25 | 小米科技有限责任公司 | 多媒体播放方法、装置和*** |
CN104156447B (zh) * | 2014-08-14 | 2016-08-24 | 天格科技(杭州)有限公司 | 一种智能社交平台广告预警及处理方法 |
CN105787497A (zh) * | 2014-12-23 | 2016-07-20 | 阿里巴巴集团控股有限公司 | 盗账户案件分析方法和装置 |
CN104657468B (zh) * | 2015-02-12 | 2018-07-31 | 中国科学院自动化研究所 | 基于图像与文本的视频的快速分类方法 |
CN105046515B (zh) * | 2015-06-26 | 2017-12-22 | 深圳市腾讯计算机***有限公司 | 广告排序方法及装置 |
CN106447366B (zh) * | 2015-08-07 | 2020-10-16 | 百度在线网络技术(北京)有限公司 | 多媒体广告的审核方法、广告审核模型的训练方法及装置 |
CN106682677A (zh) * | 2015-11-11 | 2017-05-17 | 广州市动景计算机科技有限公司 | 广告识别规则归纳方法、装置及设备 |
CN105893927B (zh) * | 2015-12-18 | 2020-06-23 | 乐视云计算有限公司 | 动画视频识别与编码方法及装置 |
CN105844251A (zh) * | 2016-03-31 | 2016-08-10 | 乐视控股(北京)有限公司 | 一种卡通视频识别方法及装置 |
CN107590491B (zh) * | 2016-07-07 | 2021-08-06 | 阿里巴巴集团控股有限公司 | 一种图像处理方法及装置 |
CN106384111B (zh) * | 2016-08-30 | 2020-03-31 | 五八同城信息技术有限公司 | 图片检测方法和装置 |
CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
CN107481037B (zh) * | 2017-07-24 | 2021-01-26 | 北京京东尚科信息技术有限公司 | 原生广告插播方法和装置 |
CN110136185B (zh) * | 2019-05-23 | 2022-09-06 | 中国科学技术大学 | 一种单目深度估计方法及*** |
CN112199564A (zh) * | 2019-07-08 | 2021-01-08 | Tcl集团股份有限公司 | 一种信息过滤方法、装置及终端设备 |
-
2008
- 2008-04-17 CN CNB2008100361447A patent/CN100541524C/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
一种基于内容的广告垃圾图像过滤方法. 许洋洋,袁华.山东大学学报,第41卷第3期. 2006 |
一种基于内容的广告垃圾图像过滤方法. 许洋洋,袁华.山东大学学报,第41卷第3期. 2006 * |
Also Published As
Publication number | Publication date |
---|---|
CN101276417A (zh) | 2008-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100541524C (zh) | 基于内容的互联网动画媒体垃圾信息过滤方法 | |
CN112153483B (zh) | 信息植入区域的检测方法、装置及电子设备 | |
CN109033998A (zh) | 基于注意力机制卷积神经网络的遥感影像地物标注方法 | |
CN101833664A (zh) | 基于稀疏表达的视频图像文字检测方法 | |
JP2007251687A5 (zh) | ||
CN103400367A (zh) | 一种无参考型模糊图像质量评价方法 | |
CN101976336A (zh) | 一种基于模糊增强和曲面拟合的图像边缘特征提取方法 | |
CN103853724A (zh) | 多媒体数据分类方法及装置 | |
CN104794479A (zh) | 基于局部笔画宽度变换的自然场景图片中文本检测方法 | |
CN101923703A (zh) | 基于语义的细缝裁剪和非均匀映射相结合的图像自适应方法 | |
CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN103793717A (zh) | 判断图像主体显著性及训练其分类器的方法和*** | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN104021567B (zh) | 基于首数字定律的图像高斯模糊篡改检测方法 | |
CN110516584A (zh) | 一种显微镜用的基于动态学习的细胞自动计数方法 | |
CN103065118A (zh) | 图像模糊检测方法和装置 | |
CN101493933A (zh) | 一种局部结构自适应的图像扩散去噪方法 | |
CN114297434A (zh) | 基于gpu集群的短视频信息流智能推荐方法 | |
CN116052105A (zh) | 路面裂缝识别分类及面积计算方法、***、设备及终端 | |
CN101887590B (zh) | 一种数字图像可视化组织展示的方法 | |
CN109660814B (zh) | 一种视频前景删除篡改的检测方法 | |
CN114926826A (zh) | 场景文本检测*** | |
CN105701469A (zh) | 一种基于代价敏感稀疏线性回归的鲁棒人群计数方法 | |
CN111563462A (zh) | 图像元素的检测方法及装置 | |
CN107578406A (zh) | 基于网格与韦泊统计特性的无参考立体图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090916 Termination date: 20140417 |