CN103914707A - 基于支持向量机的绿色通道产品辅助判别方法 - Google Patents
基于支持向量机的绿色通道产品辅助判别方法 Download PDFInfo
- Publication number
- CN103914707A CN103914707A CN201410150112.5A CN201410150112A CN103914707A CN 103914707 A CN103914707 A CN 103914707A CN 201410150112 A CN201410150112 A CN 201410150112A CN 103914707 A CN103914707 A CN 103914707A
- Authority
- CN
- China
- Prior art keywords
- support vector
- green channel
- sample
- category
- product
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于支持向量机的绿色通道产品辅助判别方法,将采集的绿色通道车辆辐射图像进行线性变换后,采用Canny算子进行边沿检测;通过灰度共生矩阵提取上述边沿区域的局部纹理特征,作为支持向量机的输入特征;采用经过训练的具有季节和地域特征的支持向量机模型对绿色通道产品进行分类识别;用户拥有对识别结果的最后决策和判别权,判别结果作为样本用于后续训练。本发明通过辐射图像自动识别当前车辆的装载产品类别,以提高绿色通道检测准确率,减少图检员工作量。
Description
技术领域
本发明涉及图像处理和模式识别领域,具体涉及一种基于支持向量机的绿色通道产品辅助判别方法。
背景技术
辐射成像技术广泛用于安检领域,如火车站、机场、码头等。上述应用场合一般都具有流动快,工作量大、实时性要求高的特点。随着辐射成像技术的发展和成熟,辐射图像的质量越来越高,辐射图像所能呈现被检物品的细节信息也越来越多,从而极大地帮助安全检查工作。
为了建立顺畅、便捷的鲜活农产品流通网络,支持鲜活农产品运销,促进农民增收,国家制定了“绿色通道”政策。现在比较先进的绿色通道检测技术是利用数字辐射成像检测设备进行对车辆进行扫描成像,这种方法虽然有效缩短了鲜活农产品运输车辆的查验时间,提高合法运输车辆的通行效率。但是,对于现有的对绿通产品合法性判断主要是通过人为对辐射图像的观察判断,这依赖于图检员的经验积累和责任心,并且具有很大的主观性。在大流量过车的情况下,给图检员的工作带来很大压力。
若能够充分利用辐射图像,利用计算机视觉的技术对图像的信息进行挖掘分析,建立一个智能化的辅助判别的方式,将有利于提高绿色通道产品判别的工作效率。
发明内容
本发明所要解决的技术问题是提供一种基于支持向量机的绿色通道产品辅助判别方法,其能够实现对复杂背景下绿色通道中的绿通产品,自动根据其辐射图像进行产品种类准确识别,从而提高绿色通道产品判别的工作效率。
为解决上述问题,本发明是通过以下技术方案实现的:
一种基于支持向量机的绿色通道产品辅助判别方法,包括如下步骤:
(1)收集现有绿色通道产品,并对每个绿色通道产品进行如下操作,即
(1.1)采集绿色通道产品的典型辐射图像,并将典型辐射图像存入样本数据库中;
(1.2)经验丰富的图检员手动录入典型辐射图像所属的绿色通道产品种类,使其形成产品种类标签存入样本数据库中;
(1.3)分别对存入数据库中的典型辐射图像进行预处理,将典型辐射图像转化为灰度图像;
(1.4)采用边缘检测算子对预处理后的图像进行检测,获取绿色通道产品的纹理并将其作为边沿检测区域;
(1.5)在边沿检测区域中截取一个矩形窗口作为特征提取的典型样本;
(1.6)采用灰度共生矩阵法对特征提取的典型样本进行特征提取,即提取典型样本图像的相关性Cor、对比度Con和熵Ent作为样本特征;
(1.7)关联上述典型辐射图像的样本特征和产品种类标签,并生成特征文件存入样本数据库中;
(2)训练支持向量机,即
(2.1)构造采用径向基核函数的多分类支持向量机模型,然后读入绿色通道产品样本收集过程中生成的特征文件;
(2.2)采用增量学习方式对多分类支持向量机模型进行训练;
(2.3)保存新训练得到多分类支持向量机模型;
(3)绿通检测中的辅助判别,即
(3.1)采集当前实时绿色通道车辆的辐射图像,并将该实时辐射图像转换为灰度图像;
(3.2)采用边缘检测算子对灰度图像进行边缘检测,从而获取与实际图像中尽可能接近的实际边沿;
(3.3)选择绿色通道产品顶部与车厢空隙的交界部分区域作为边沿处理区域;
(3.4)在边沿处理区域中截取一个矩形窗口作为特征提取的样本;
(3.5)采用灰度共生矩阵法对样本进行特征提取,即提取样本图像的相关性Cor、对比度Con和熵Ent作为样本的支持向量;
(3.6)人为设置惩罚系数,并将上述支持向量输入经过训练的多分类支持向量机对其模式识别,从而辨别产品种类,并输出检测结果。
作为改进,在步骤(3.6)之后还进一步包括多分类支持向量机模型优化步骤,即(3.7)将所得检测结果即绿色通道车辆的辐射图像和产品种类存入样本数据库,使其作为支持向量机的训练样本去进一步训练多分类支持向量机模型,以提高绿色通道产品识别准确率。
作为进一步改进,在步骤(3.7)之后还进一步包括产品校验步骤,即(3.8)图检员根据经验判定所得检测结果出现错误时,则需要通过停车检查验证,纠正产品种类,并将该绿色通道车辆的辐射图像和纠正后的产品种类存入样本数据库,使其作为支持向量机的训练样本去进一步训练多分类支持向量机模型,以提高绿色通道产品识别准确率。
由于绿通产品(鲜活的蔬菜水果)是一种特殊的产品,它是随着季节和地域周期性的变化,因此为了避免不同的季节和不同的地区对绿通产品的分类准确率所产生的影响,首先,步骤(1)需要根据季节和地域的不同,收集不同季节和地域条件下的现有绿色通道产品;然后,步骤(2)需要根据季节和地域的不同,获得多个带有季节和地域标识的多分类支持向量机模型;最后,在后续步骤(3)中,需要根据季节和地域的不同,周期性的更换多分类支持向量机模型。
在步骤(1.3)和(3.1)中,典型辐射图像和实时辐射图像均被转换为8位灰度图像。
上述步骤(1.6)和(3.5)中,灰度共生矩阵的方向选取00,即水平方向,步长为5。
步骤(2.2)所述的增量学习方式,即每次抽取剩余的绿色通道产品样本集中10%加入训练集,进行参数寻优与交叉验证,不断优化支持向量机模型。
步骤(3.6)中,设定的惩罚系数C=100。
与现有技术相比,本发明能够通过采集绿色通道中辐射图像来自动而准确地识别当前车辆装载产品的类别,从而极大地提高绿色通道产品判别的工作效率,减少图检员工作量。
附图说明
图1是本发明图像特征提取的流程图。
图2是本发明支持向量机训练的流程图。
图3是本发明的绿色通道产品辅助判别方法的流程图。
具体实施方式
一种基于支持向量机的绿色通道产品辅助判别方法,包括如下步骤:
(1)需要根据季节和地域的不同,收集不同季节和地域条件下的现有绿色通道产品,并对每个绿色通道产品进行如下操作,参见图1,即
(1.1)采集绿色通道产品的典型辐射图像,并将典型辐射图像存入样本数据库中。
(1.2)经验丰富的图检员手动录入典型辐射图像所属的绿色通道产品种类,使其形成产品种类标签存入样本数据库中。
(1.3)分别对存入数据库中的典型辐射图像进行预处理,将典型辐射图像转化为灰度图像。
(1.4)采用Canny边缘检测算子对预处理后的图像进行检测,获取绿色通道产品的纹理并将其作为边沿检测区域。
(1.5)在边沿检测区域中截取一个矩形窗口作为特征提取的典型样本。
(1.6)采用灰度共生矩阵法对特征提取的典型样本进行特征提取,即提取典型样本图像的相关性Cor、对比度Con和熵Ent作为样本特征。
(1.7)关联上述典型辐射图像的样本特征和产品种类标签,并生成特征文件存入样本数据库中。
对于识别的准确率很大程度上依赖特征的选取。对于辐射图像这种识别对象具有一些典型特征。首先。辐射图像是16为灰度图像,计算机只能观看8位的图像,不同的转换方式会产生不同的感官效果。其次,辐射图像的灰度与被辐射物品的种类有关,对于鲜活农产品这种含水量比较高的产品来说,对射线的吸受率很高,含水量越高,厚度越厚,图像的颜色就越深;再次,辐射图像在绿通产品的上部边沿地方会呈现明显的纹理,对于不同的绿通产品其纹理也是各不相同的。
附图2是辐射图像特征提取算法的流程,本发明采用了灰度共生矩阵算法。这里的灰度共生矩阵相对原生的灰度共生矩阵做了优化。这些优化也是针对与辐射图像的特点而进行的。首先需要获得实时车辆的辐射图像,这里的图像是16位的灰度图。本发明采用了线性转化将16位图像数据转化为8位图像数据,这样的转化可以在保留原来数据发布的同时获得比较好的。然后对图像进行边沿检测,这里的边沿特指绿通货物顶部与车厢空隙的交界部分。一般这部分区域的纹理比较清晰。针对边沿区域截取一个矩形窗口,这个窗口里的图像数据就是我们要进行提取特征的样本。接下来就是用灰度共生矩阵算法进行特征提取。原生的灰度共生矩阵有十几个参数,有4个方向(0,45,90,135)。步长间隔的选取也具有很大的随机性。本发明根据辐射图像的特点,选取了三个具有较高辨识度,彼此之间有不具有相关性的参数。它们分别是图像的相关性Cor,对比度Con和熵Ent。方向只选择了0度也就是水平方向。因为辐射图像水平方向的纹理比较清晰,步长选取5。以上的参数选择都是通过了大量试验分析的出来的。
(2)训练支持向量机,,参见图2,即
(2.1)构造采用径向基核函数的多分类支持向量机模型,然后读入绿色通道产品样本收集过程中生成的特征文件。
(2.2)采用增量学习方式,即即每次抽取剩余的绿色通道产品样本集中10%加入训练集,进行参数寻优与交叉验证,不断优化支持向量机模型。
(2.3)保存新训练得到多分类支持向量机模型,并标识该多分类支持向量机模型所适应的季节和区域。
在进行货物识别之前先要建立一个支持向量机的模型。模型样本是一些典型的辐射图像。图像的产品类别实现已经确定。这些确定类别的辐射图像数据都保存在数据库中。在进行样本训练时从数据库中导出想要训练的样本。因为绿通产品的种类是有限和固定的,每一个地区的常见绿通产品就更少了,所以针对绿通产品的自动识别是一个多重分类的问题。这里需要提出是,因为绿通产品(鲜活的蔬菜水果)是一种特殊的产品,它是随着季节,地域周期性的变化。不同的季节,不同的地区,每天绿通产品的分类是不同的。这里对于每一个固定的绿通检测点都需要按照绿通产品的周期性变化建立一个单独的模型。这样才能在一年中任何时期的检测中都实现较高的识别率。在选择了需要训练的样本后,就要进行特征提取,对所有选择的样本特征提取结束后生产一个特征文件。这个特征文件也保存在数据库中,然后用支持向量机对特征进行训练,训练时我们会进行参数寻优和交叉验证。得到一个对于训练集来说准确率比较高的模型。模型生成后就可以用于直接进行产品的识别分类。把模型保存在数据库中,方便以后模型的替换和学习。
(3)绿通检测中的辅助判别,参见图3,即
(3.1)采集当前实时绿色通道车辆的辐射图像,并将该实时辐射图像转换为灰度图像。
(3.2)采用Canny边缘检测算子对灰度图像进行边缘检测,从而获取与实际图像中尽可能接近的实际边沿。
(3.3)选择绿色通道产品顶部与车厢空隙的交界部分区域作为边沿处理区域。
(3.4)在边沿处理区域中截取一个矩形窗口作为特征提取的样本。
(3.5)采用灰度共生矩阵法对样本进行特征提取,即提取样本图像的相关性Cor、对比度Con和熵Ent作为样本的支持向量。
(3.6)人为设置惩罚系数C=100,并将上述支持向量输入经过训练的多分类支持向量机对其模式识别,从而辨别产品种类,并输出检测结果。
(3.7)将所得检测结果即绿色通道车辆的辐射图像和产品种类存入样本数据库,使其作为支持向量机的训练样本去进一步训练多分类支持向量机模型,以提高绿色通道产品识别准确率。
(3.8)图检员根据经验判定所得检测结果出现错误时,则需要通过停车检查验证,纠正产品种类,并将该绿色通道车辆的辐射图像和纠正后的产品种类存入样本数据库,使其作为支持向量机的训练样本去进一步训练多分类支持向量机模型,以提高绿色通道产品识别准确率。
本发明图像识别分类的方法是用于绿色通道产品的辅助判断。对于绿通产品的是否属于的决定权还是在图检员手中。因为支持向量机的模型准确率并不能达到100%,而且支持向量机也是一种基于经验的识别模型,对道路流通绿通产品种类的周期性变化不具有适应性。所以这种辅助判别的机制可以很好的弥补支持向量机模型的不足,最大发挥人为判别和机器判别各自的优势。
辅助判别的具体流程如附图3所示,先获取当前实时车辆的辐射灰度图像。对该图像进行特征提取,然后用训练好的支持向量机模型对特征进行分类。图检员凭借经验对识别结果进行判断,如果认为该识别结果正确,则把该绿通产品信息录入数据库;当图检员认为识别结果不正确时,可以通过停车检查验证,然后输入准确的产品类别,再将信息存入数据库,至此,本次的识别过程结束。
Claims (8)
1.基于支持向量机的绿色通道产品辅助判别方法,其特征是包括如下步骤:
(1)收集现有绿色通道产品,并对每个绿色通道产品进行如下操作,即
(1.1)采集绿色通道产品的典型辐射图像,并将典型辐射图像存入样本数据库中;
(1.2)经验丰富的图检员手动录入典型辐射图像所属的绿色通道产品种类,使其形成产品种类标签存入样本数据库中;
(1.3)分别对存入数据库中的典型辐射图像进行预处理,将典型辐射图像转化为灰度图像;
(1.4)采用边缘检测算子对预处理后的图像进行检测,获取绿色通道产品的纹理并将其作为边沿检测区域;
(1.5)在边沿检测区域中截取一个矩形窗口作为特征提取的典型样本;
(1.6)采用灰度共生矩阵法对特征提取的典型样本进行特征提取,即提取典型样本图像的相关性Cor、对比度Con和熵Ent作为样本特征;
(1.7)关联上述典型辐射图像的样本特征和产品种类标签,并生成特征文件存入样本数据库中;
(2)训练支持向量机,即
(2.1)构造采用径向基核函数的多分类支持向量机模型,然后读入绿色通道产品样本收集过程中生成的特征文件;
(2.2)采用增量学习方式对多分类支持向量机模型进行训练;
(2.3)保存新训练得到多分类支持向量机模型;
(3)绿通检测中的辅助判别,即
(3.1)采集当前实时绿色通道车辆的辐射图像,并将该实时辐射图像转换为灰度图像;
(3.2)采用边缘检测算子对灰度图像进行边缘检测,从而获取与实际图像中尽可能接近的实际边沿;
(3.3)选择绿色通道产品顶部与车厢空隙的交界部分区域作为边沿处理区域;
(3.4)在边沿处理区域中截取一个矩形窗口作为特征提取的样本;
(3.5)采用灰度共生矩阵法对样本进行特征提取,即提取样本图像的相关性Cor、对比度Con和熵Ent作为样本的支持向量;
(3.6)人为设置惩罚系数,并将上述支持向量输入经过训练的多分类支持向量机对其模式识别,从而辨别产品种类,并输出检测结果。
2.根据权利要求1所述基于支持向量机的绿色通道产品辅助判别方法,其特征是,在步骤(3.6)之后还进一步包括多分类支持向量机模型优化步骤,即
(3.7)将所得检测结果即绿色通道车辆的辐射图像和产品种类存入样本数据库,使其作为支持向量机的训练样本去进一步训练多分类支持向量机模型,以提高绿色通道产品识别准确率。
3.根据权利要求2所述基于支持向量机的绿色通道产品辅助判别方法,其特征是,在步骤(3.7)之后还进一步包括产品校验步骤,即
(3.8)图检员根据经验判定所得检测结果出现错误时,则需要通过停车检查验证,纠正产品种类,并将该绿色通道车辆的辐射图像和纠正后的产品种类存入样本数据库,使其作为支持向量机的训练样本去进一步训练多分类支持向量机模型,以提高绿色通道产品识别准确率。
4.根据权利要求1所述基于支持向量机的绿色通道产品辅助判别方法,其特征是,首先,步骤(1)需要根据季节和地域的不同,收集不同季节和地域条件下的现有绿色通道产品;然后,步骤(2)需要根据季节和地域的不同,获得多个带有季节和地域标识的多分类支持向量机模型;最后,在后续步骤(3)中,需要根据季节和地域的不同,周期性的更换多分类支持向量机模型。
5.根据权利要求1所述基于支持向量机的绿色通道产品辅助判别方法,其特征是,在步骤(1.3)和(3.1)中,典型辐射图像和实时辐射图像均被转换为8位灰度图像。
6.根据权利要求1所述基于支持向量机的绿色通道产品辅助判别方法,其特征是,上述步骤(1.6)和(3.5)中,灰度共生矩阵的方向选取00,即水平方向,步长为5。
7.根据权利要求1所述基于支持向量机的绿色通道产品辅助判别方法,其特征是,步骤(2.2)所述的增量学习方式,即每次抽取剩余的绿色通道产品样本集中10%加入训练集,进行参数寻优与交叉验证,不断优化支持向量机模型。
8.根据权利要求1所述基于支持向量机的绿色通道产品辅助判别方法,其特征是,步骤(3.6)中,设置的惩罚系数C=100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410150112.5A CN103914707B (zh) | 2014-04-15 | 2014-04-15 | 基于支持向量机的绿色通道产品辅助判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410150112.5A CN103914707B (zh) | 2014-04-15 | 2014-04-15 | 基于支持向量机的绿色通道产品辅助判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103914707A true CN103914707A (zh) | 2014-07-09 |
CN103914707B CN103914707B (zh) | 2017-02-15 |
Family
ID=51040374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410150112.5A Expired - Fee Related CN103914707B (zh) | 2014-04-15 | 2014-04-15 | 基于支持向量机的绿色通道产品辅助判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914707B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335692A (zh) * | 2014-08-15 | 2016-02-17 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及*** |
CN105760880A (zh) * | 2016-01-29 | 2016-07-13 | 内蒙古工业大学 | 基于支持向量机的向日葵叶部病害判断方法 |
CN106991449A (zh) * | 2017-04-10 | 2017-07-28 | 大连大学 | 一种生活场景重构辅助识别蓝莓品种的方法 |
CN107024491A (zh) * | 2017-04-13 | 2017-08-08 | 云南电网有限责任公司电力科学研究院 | 一种x射线无损检测***及其检测方法 |
CN108171987A (zh) * | 2017-12-31 | 2018-06-15 | 齐鲁交通发展集团有限公司烟台分公司 | 高速公路绿通车管理***及管理方法 |
CN108230327A (zh) * | 2016-12-14 | 2018-06-29 | 南京文采科技有限责任公司 | 一种基于mvp平台的包装定位与分类研究通用方法 |
CN113449792A (zh) * | 2021-06-28 | 2021-09-28 | 四创电子股份有限公司 | 一种无损快速检测食品质量的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101532968B (zh) * | 2009-04-22 | 2011-06-08 | 北京华力兴科技发展有限责任公司 | 一种绿色通道车辆检查*** |
CN101576378A (zh) * | 2009-06-16 | 2009-11-11 | 华南理工大学 | 基于活动轮廓的物品自动检查***和方法 |
-
2014
- 2014-04-15 CN CN201410150112.5A patent/CN103914707B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
XIPENG PAN ET AL: "FPGA Implementation of SVM Decision Function Based on Hardware-friendly Kernel", 《INTERNATIONAL CONFERENCE ON COMPUTATIONAL AND INFORMATION SCIENCES》 * |
曲海波: "数字辐射成像绿色通道检查***技术介绍", 《中国交通信息化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335692A (zh) * | 2014-08-15 | 2016-02-17 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及*** |
CN105335692B (zh) * | 2014-08-15 | 2019-05-24 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及*** |
CN105760880A (zh) * | 2016-01-29 | 2016-07-13 | 内蒙古工业大学 | 基于支持向量机的向日葵叶部病害判断方法 |
CN108230327A (zh) * | 2016-12-14 | 2018-06-29 | 南京文采科技有限责任公司 | 一种基于mvp平台的包装定位与分类研究通用方法 |
CN106991449A (zh) * | 2017-04-10 | 2017-07-28 | 大连大学 | 一种生活场景重构辅助识别蓝莓品种的方法 |
CN107024491A (zh) * | 2017-04-13 | 2017-08-08 | 云南电网有限责任公司电力科学研究院 | 一种x射线无损检测***及其检测方法 |
CN108171987A (zh) * | 2017-12-31 | 2018-06-15 | 齐鲁交通发展集团有限公司烟台分公司 | 高速公路绿通车管理***及管理方法 |
CN113449792A (zh) * | 2021-06-28 | 2021-09-28 | 四创电子股份有限公司 | 一种无损快速检测食品质量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103914707B (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914707A (zh) | 基于支持向量机的绿色通道产品辅助判别方法 | |
Zhang et al. | An efficient and reliable coarse-to-fine approach for asphalt pavement crack detection | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
EP3460765A1 (en) | Banknote management method and system | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN106127113A (zh) | 一种基于三维激光雷达的道路车道线检测方法 | |
CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
CN104599280B (zh) | 一种道路裂缝交叉点提取方法及*** | |
CN104008551B (zh) | 一种基于可见光图像的柑橘黄龙病检测方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN102073852B (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
CN104156734A (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
CN108537102A (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN104331716A (zh) | 面向大规模训练数据的svm主动学习分类算法 | |
CN107341538A (zh) | 一种基于视觉的统计数量方法 | |
CN104867150A (zh) | 遥感影像模糊聚类的波段修正变化检测方法及*** | |
CN102110227A (zh) | 基于上下文关系的多分辨率遥感图像复合分类方法 | |
EP3848472A2 (en) | Methods and systems for automated counting and classifying microorganisms | |
CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN105678735A (zh) | 一种用于雾天图像的目标显著性检测方法 | |
CN103426004A (zh) | 基于纠错输出编码的车型识别方法 | |
CN104463168A (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170215 Termination date: 20180415 |
|
CF01 | Termination of patent right due to non-payment of annual fee |