CN104217430B - 基于l1正则化的图像显著性检测方法 - Google Patents
基于l1正则化的图像显著性检测方法 Download PDFInfo
- Publication number
- CN104217430B CN104217430B CN201410425506.7A CN201410425506A CN104217430B CN 104217430 B CN104217430 B CN 104217430B CN 201410425506 A CN201410425506 A CN 201410425506A CN 104217430 B CN104217430 B CN 104217430B
- Authority
- CN
- China
- Prior art keywords
- image
- spectrum
- color characteristic
- saliency maps
- obtains
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000001228 spectrum Methods 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 25
- 230000000052 comparative effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于L1正则化的图像显著性检测方法,该方法包括以下步骤:对待检测图像进行傅立叶变换,对其频域幅度谱进行不同尺度的高斯滤波,构建频域的尺度空间;设计基于全变分的稀疏优化问题,利用Split Bregman方法求解该问题,得到一组候选显著性图像;使用图像二维熵作为选取标准,从候选显著性图像中选取二维熵最小的图像并进行空域的高斯滤波,得到最终的显著性图像;本发明结合了显著性图像的空域和频域的特性,有效地消除了复杂背景的影响,并且可以高效的求解,与以往频域分析的显著性检测方法相比,在人眼注视点检测和物体分割检测方面取得了更好的效果。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于L1正则化的图像显著性检测方法。
背景技术
基于图像的目标检测是计算机视觉和模式识别领域的重要课题,在图像分割,图像检索和机器人自主感知等领域中有着广泛的应用。在各类目标检测方法中,显著性方法以其对人类视觉注意机制的探索和模拟吸引了大量研究者的关注。人类视觉机制能够从观察到的大量场景信息中快速地检索出感兴趣物体,从而极大地提升了人类对场景的理解效率和反应速度。显著性检测方法基于这个原理,通过分析图像内容,将图像中与周围区域差异明显的部分标示出来,即“显著性区域”,以便后续进行高效的图像处理。
显著性检测方法计算模型分为自上而下和自下而上两类,自上而下的方法依赖于特定的检测任务和内容,而自下而上的方法则完全通过对输入图像的分析进行检测。在自下而上的方法中,空域检测通过对图像局部颜色,方向,纹理等特征或者全局对比度的统计,寻找与周边特征差异明显的区域作为显著性区域,频域分析则根据变换域理论,对图像频谱进行处理,突出显著区域对应分量,抑制非显著区域对应分量。频域分析方法无需对目标的特征进行设计和统计,具有实现方便高效的优点。几种典型的频域处理方法,如频谱残差法(SR),相位谱傅立叶变换法(PFT)和四元数傅立叶变换(HFT)对大多数简单自然场景目标具有良好的检测效果。然而,由于没有考虑空域的信息,当图像场景结构复杂,存在较多高频细节成分时,传统的频域分析方法会受到复杂背景的极大干扰,产生许多杂乱的噪声点,这样一方面会造成显著区域的误检,另一方面也会影响基于二维熵的尺度选择的准确性。因此,如何实现复杂场景中的目标检测,是频域显著性检测面临的难题。
发明内容
本发明的目的在于针对频域显著性检测方法的不足,提供一种基于L1正则化的图像显著性检测方法,该方法同时考虑空域和频域的稀疏性,有效地消除了复杂及高频细节背景的影响,在人眼注视点检测和物体分割检测方面取得了更好的效果。
本发明的目的是通过以下技术方案来实现的:
(1)输入待检测图像;待检测图像为彩色图像,由红、蓝、绿三个颜色通道组成;
(2)将步骤1输入的图像分解为三个颜色特征图(RG,BY,I),对每个颜色特征图进行傅里叶变换,并且计算傅里叶变换的对数幅度谱L(u,v)和相位谱P(u,v),其中u,v为频谱的坐标值;
(3)在每一个颜色特征图上,使用8个不同方差大小的高斯滤波器hk(u,v),k=1~8,对对数幅度谱L(u,v)进行卷积滤波,得到滤波后的8个不同尺度的傅里叶对数幅度谱,结合相位谱P(u,v),得到一组不同尺度的傅里叶变换Fk,其描述如下:
Fk=exp(L(u,v)*hk(u,v)+i·P(u,v)),k=1~8 (1)
其中L(u,v)表示颜色特征图对数幅度谱,hk(u,v)表示不同方差大小的高斯滤波器,i表示虚数单位,P(u,v)表示颜色特征图相位谱,*表示卷积运算符,下标k表示尺度序号;
(4)在每一个颜色特征图上,构建基于TV norm正则化的L1优化问题并采用SplitBregman方法求解,得到该颜色特征图上的8张不同尺度的显著性图像在3个颜色特征图上共得到24个显著性图像其描述如下:
其中||||1表示L1范数,||||2表示L2范数,表示二维梯度算子,S表示显著性图像,F(·)表示傅里叶变换,c为颜色特征图的序号,μ为保真项权重;
(5)在同一尺度上,根据步骤4得到的显著性图像的二维熵计算权重,加权求和得到一张显著性图像,在8个尺度上共得到8张显著性图像其描述如下:
其中H2D(·)表示计算图像二维熵的函数;K为使得权重之和为1的常数;
(6)计算步骤5得到的8张不同尺度显著性图像的二维熵,选取二维熵最小的显著性图像,平方后进行高斯滤波得到最终的显著性图像S,其描述如下:
其中g表示高斯滤波器。
所述式(1)中对数幅度谱L(u,v)的求解方法具体为:对待检测图像的三个颜色特征图的傅里叶变换采用快速傅里叶变换(FFT),并将其零频成分移动到频谱图像中心位置得到傅里叶幅度谱A(u,v)相位谱P(u,v),求取对数得到对数幅度谱L(u,v),其描述如下:
L(u,v)=log(A(u,v)+1)。
所述式(1)中8个不同方差大小的高斯滤波器hk(u,v)具体如下:
式中hk(u,v)为频域二维高斯低通滤波器,D表示距离傅里叶变换原点的欧式距离,σk=2k-2,k=1~8为高斯滤波器的方差。
所述式(2)中的L1正则化优化问题,采用Split Bregman方法求解,具体为:
其中
设fk,c=exp(Lc*hk+i·Pc),使用Split Bregman方法,则(2)式可转化为:
其中,λ为惩罚项权重,bx和by为求解过程中的变量。
本发明具有的有益效果是:本发明结合了显著性图像的空域和频域的特性,有效地消除了图像复杂背景和高频细节对显著性检测的影响,达到了良好的检测准确率。同时,本算法可以使用Split Bregman方法进行高效的求解。本发明在物体检测和识别,人眼视点预测等领域有着广泛应用。
附图说明
图1为实施例1采用现有频域图像显著性检测方法与本发明方法进行图像显著性检测后的图像对比图;(a)为待检测图像,(b)为人眼标示的显著性图像,(c)GBVS算法得到的显著性图像,(d)SR算法得到的显著性图像,(e)HFT算法得到的显著性图像,(f)本发明方法得到的显著性图像;
图2为实施例2采用现有频域图像显著性检测方法与本发明方法进行图像显著性检测后的图像对比图;(a)为待检测图像,(b)为人眼标示的显著性图像,(c)GBVS算法得到的显著性图像,(d)SR算法得到的显著性图像,(e)HFT算法得到的显著性图像,(f)本发明方法得到的显著性图像;
图3为实施例3采用现有频域图像显著性检测方法与本发明方法进行图像显著性检测后的图像对比图;(a)为待检测图像,(b)为人眼标示的显著性图像,(c)GBVS算法得到的显著性图像,(d)SR算法得到的显著性图像,(e)HFT算法得到的显著性图像,(f)本发明方法得到的显著性图像;
图4为实施例4采用现有频域图像显著性检测方法与本发明方法进行图像显著性检测后的图像对比图;(a)为待检测图像,(b)为人眼标示的显著性图像,(c)GBVS算法得到的显著性图像,(d)SR算法得到的显著性图像,(e)HFT算法得到的显著性图像,(f)本发明方法得到的显著性图像;
图5为不同显著性检测方法在ASD数据集上PR(准确率,召回率)曲线结果图。
具体实施方式
下面结合附图与实施例对本发明进行进一步说明。
本发明一种基于L1正则化的图像显著性检测方法,包括如下步骤:
(1)输入待检测图像。待检测图像为彩色图像,由红、蓝、绿三个颜色通道组成。为了降低计算量,我们对待检测图像进行尺寸的调整,调整后的图像的宽度和高度均设定为128像素。
(2)从步骤1调整后的图像提取三个颜色特征图(RG,BY,I)。首先分离颜色通道,得到红(r)、绿(g)、蓝(b)三个颜色通道,对这三个颜色通道进行计算获得R,G,B,Y颜色特征基,具体描述如下:
使用颜色特征基计算得到两个颜色特征图:
RG=R-G (2)
BY=B-Y
计算调整后图像对应的灰度图作为第三个颜色特征图:
对RG,BY和I三个颜色特征图分别进行傅里叶变换,将零频成分移动到频谱图像中心位置,得到傅里叶幅度谱A(u,v)和相位谱P(u,v),并且计算傅里叶变换的对数幅度谱L(u,v),其中利用幅度谱计算对数幅度谱描述如下:
L(u,v)=log(A(u,v)+1) (4)
其中A(u,v)为颜色特征图傅里叶变换的幅度谱,u,v为频谱的坐标值;
(3)利用空域中的背景目标对应频域内脉冲信号的性质,使用低通滤波器对对数幅度谱进行抑制,从而排除背景目标。每一个颜色特征图上,使用8个不同方差大小的高斯滤波器hk(u,v),k=1~8对傅里叶对数幅度谱L(u,v)进行卷积滤波,高斯滤波器描述如下:
式中hk(u,v)为频域二维高斯低通滤波器,D表示距离傅里叶变换原点的欧式距离,σk=2k-2,k=1~8为高斯滤波器的方差大小。滤波后得到8个不同尺度的傅里叶对数幅度谱,结合相位谱P(u,v),得到一组不同尺度的傅里叶变换Fk,其描述如下:
Fk=exp(L(u,v)*hk(u,v)+i·P(u,v)),k=1~8 (6)
其中L(u,v)表示颜色特征图对数幅度谱,i表示虚数单位,P(u,v)表示颜色特征图相位谱,*表示卷积运算符,下标k表示尺度序号;
(4)在每一个颜色特征图上,构建基于TV norm正则化的L1优化问题。在这个优化问题中,正则项用来约束得到的显著性图像的TV范数,对显著性图像的梯度变化做出约束,实现去除小的杂点并且平滑图像的目的。保真项用来约束显著性图像的傅里叶变换与抑制脉冲的原图像傅里叶变换相近,从而实现抑制背景,突出显著前景的作用。对于这个优化问题,采用Split Bregman方法求解,得到该颜色特征图上的8张不同尺度的显著性图像在3个颜色特征图上共得到24个显著性图像优化问题描述如下:
其中||||1表示L1范数,||||2表示L2范数,表示二维梯度算子,S表示显著性图像,F(·)表示傅里叶变换,c为颜色特征图的序号,μ为保真项权重;
对于本优化问题,采用Split Bregman方法求解。其中 表示图像S水平方向的梯度,表示图像S垂直方向的梯度。设fk,c=exp(Lc*hk+i·Pc),使用Split Bregman方法,则(7)式可转化为:
其中,λ为惩罚项权重,bx和by为求解过程中的变量。
为了描述方便,以下对固定的k,c进行求解过程的描述,故fk,c用f替代。在求解过程中,我们定义第j次循环中的两个变量Rj,aj,其计算方法描述如下:
其中,上标j表示第j次循环,上标-1表示逆运算,上标T表示转置,F表示傅里叶变换。循环求解过程如下:
while j<N
j=j+1
endwhile
其中,max函数得到两个变量中大的变量,循环结束时得到的S为Split Bregman方法求解的结果。在实验中,我们设置μ=10,λ=5,设置循环次数N=10。
(5)在同一尺度上,根据步骤4得到的显著性图像的二维熵计算权重,加权求和得到一张显著性图像,在8个尺度上共得到8张显著性图像其描述如下:
其中H2D(·)表示计算图像二维熵的函数;K为使得权重之和为1的常数;
(6)计算步骤5得到的8张不同尺度显著性图像的二维熵,选取二维熵最小的显著性图像,平方后进行高斯滤波得到最终的显著性图像S,其描述如下:
其中g表示高斯滤波器。
实施例1
对待检测图像图1(a)分别利用人眼标示、GBVS算法、SR算法、HFT算法和本发明方法进行处理,由结果对比图可以看出,我们的方法有效地消除了图像复杂背景和高频细节对显著性检测的影响,达到了良好的检测效果。
实施例2
对待检测图像图2(a)分别利用人眼标示、GBVS算法、SR算法、HFT算法和本发明方法进行处理,由结果对比图可以看出,我们的方法有效地消除了图像复杂背景和高频细节对显著性检测的影响,达到了良好的检测效果。
实施例3
对待检测图像图3(a)分别利用人眼标示、GBVS算法、SR算法、HFT算法和本发明方法进行处理,由结果对比图可以看出,我们的方法有效地消除了图像复杂背景和高频细节对显著性检测的影响,达到了良好的检测效果。
实施例4
对待检测图像图4(a)分别利用人眼标示、GBVS算法、SR算法、HFT算法和本发明方法进行处理,由结果对比图可以看出,我们的方法有效地消除了图像复杂背景和高频细节对显著性检测的影响,达到了良好的检测效果。
图5为不同显著性检测方法在ASD数据集上PR(准确率,召回率)曲线结果,该曲线越高,表明该方法计算的显著性区域越符合人眼标定的显著性区域。从图5可以看出,我们的方法比同类的频域显著性检测方法在定量指标上取得更好的效果。
Claims (4)
1.一种基于L1正则化的图像显著性检测方法,其特征在于,包括如下步骤:
(1)输入待检测图像;待检测图像为彩色图像,由红、蓝、绿三个颜色通道组成;
(2)将步骤(1)输入的图像分解为三个颜色特征图RG,BY,I,对每个颜色特征图进行傅里叶变换,并且计算傅里叶变换的对数幅度谱L(u,v)和相位谱P(u,v),其中u,v为频谱的坐标值;
(3)在每一个颜色特征图上,使用8个不同方差大小的高斯滤波器hk(u,v),k=1~8,对对数幅度谱L(u,v)进行卷积滤波,得到滤波后的8个不同尺度的傅里叶对数幅度谱,结合相位谱P(u,v),得到一组不同尺度的傅里叶变换Fk,其描述如下:
Fk=exp(L(u,v)*hk(u,v)+i·P(u,v)),k=1~8 (1)
其中L(u,v)表示颜色特征图对数幅度谱,hk(u,v)表示不同方差大小的高斯滤波器,i表示虚数单位,P(u,v)表示颜色特征图相位谱,*表示卷积运算符,下标k表示尺度序号;
(4)在每一个颜色特征图上,构建基于TV norm正则化的L1优化问题并采用SplitBregman方法求解,得到该颜色特征图上的8张不同尺度的显著性图像在3个颜色特征图上共得到24个显著性图像其描述如下:
其中|| ||1表示L1范数,|| ||2表示L2范数,表示二维梯度算子,S表示显著性图像,F(·)表示傅里叶变换,c为颜色特征图的序号,μ为保真项权重,Pc为第c个颜色特征图的相位谱,Lc为第c个颜色特征图的对数幅度谱;
(5)在同一尺度上,根据步骤(4)得到的显著性图像的二维熵计算权重,加权求和得到一张显著性图像,在8个尺度上共得到8张显著性图像其描述如下:
其中H2D(·)表示计算图像二维熵的函数;K为使得权重之和为1的常数;
(6)计算步骤(5)得到的8张不同尺度显著性图像的二维熵,选取二维熵最小的显著性图像,平方后进行高斯滤波得到最终的显著性图像S,其描述如下:
其中g表示高斯滤波器。
2.根据权利要求1所述的一种基于L1正则化的图像显著性检测方法,其特征在于,所述对数幅度谱L(u,v)的求解方法具体为:对待检测图像的三个颜色特征图的傅里叶变换采用快速傅里叶变换,并将其零频成分移动到频谱图像中心位置得到傅里叶幅度谱A(u,v)相位谱P(u,v),求取对数得到对数幅度谱L(u,v),其描述如下:
L(u,v)=log(A(u,v)+1) (6)
3.根据权利要求1所述的一种基于L1正则化的图像显著性检测方法,其特征在于,所述8个不同方差大小的高斯滤波器hk(u,v)具体如下:
式中hk(u,v)为频域二维高斯低通滤波器,D表示距离傅里叶变换原点的欧式距离,σk=2k-2,k=1~8为高斯滤波器的方差。
4.根据权利要求1所述的一种基于L1正则化的图像显著性检测方法,其特征在于,对于(2)式的L1正则化优化问题,采用Split Bregman方法求解,具体为:
其中
设使用Split Bregman方法,则(2)式可转化为:
其中,λ为惩罚项权重,bx和by为求解过程中的变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410425506.7A CN104217430B (zh) | 2014-08-26 | 2014-08-26 | 基于l1正则化的图像显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410425506.7A CN104217430B (zh) | 2014-08-26 | 2014-08-26 | 基于l1正则化的图像显著性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104217430A CN104217430A (zh) | 2014-12-17 |
CN104217430B true CN104217430B (zh) | 2017-02-15 |
Family
ID=52098872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410425506.7A Expired - Fee Related CN104217430B (zh) | 2014-08-26 | 2014-08-26 | 基于l1正则化的图像显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217430B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229487B (zh) * | 2016-12-12 | 2021-06-11 | 南京理工大学 | 一种结合空间域和频率域的显著性检测方法 |
CN107146219B (zh) * | 2017-04-13 | 2019-12-17 | 大连理工大学 | 一种基于流形正则化支持向量机的图像显著性检测方法 |
CN107423740A (zh) * | 2017-05-12 | 2017-12-01 | 西安万像电子科技有限公司 | 图像显著区域的获取方法和装置 |
CN107886511A (zh) * | 2017-11-28 | 2018-04-06 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种风力机叶片表面损伤检测方法 |
CN113487569B (zh) * | 2021-07-06 | 2024-03-26 | 东南大学 | 基于频域和空域结合的复杂背景图像缺陷检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011121563A1 (en) * | 2010-04-01 | 2011-10-06 | Koninklijke Philips Electronics N.V. | Detecting saliency in an image |
CN103020965A (zh) * | 2012-11-29 | 2013-04-03 | 奇瑞汽车股份有限公司 | 一种基于显著性检测的前景分割方法 |
CN103295241A (zh) * | 2013-06-26 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于Gabor小波的频域显著性目标检测方法 |
CN103714537A (zh) * | 2013-12-19 | 2014-04-09 | 武汉理工大学 | 一种图像显著性的检测方法 |
-
2014
- 2014-08-26 CN CN201410425506.7A patent/CN104217430B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011121563A1 (en) * | 2010-04-01 | 2011-10-06 | Koninklijke Philips Electronics N.V. | Detecting saliency in an image |
CN103020965A (zh) * | 2012-11-29 | 2013-04-03 | 奇瑞汽车股份有限公司 | 一种基于显著性检测的前景分割方法 |
CN103295241A (zh) * | 2013-06-26 | 2013-09-11 | 中国科学院光电技术研究所 | 一种基于Gabor小波的频域显著性目标检测方法 |
CN103714537A (zh) * | 2013-12-19 | 2014-04-09 | 武汉理工大学 | 一种图像显著性的检测方法 |
Non-Patent Citations (3)
Title |
---|
基于HVS的多尺度显著性检测算法;韦伟 等;《计算机应用研究》;20130228;第30卷(第2期);第623-626页 * |
基于Local特征和Regional特征的图像显著性检测;郭迎春 等;《自动化学报》;20130831;第39卷(第8期);第1214-1224页 * |
基于多尺度相位谱的显著性运动目标检测;肖利梅 等;《兰州理工大学学报》;20110831;第37卷(第4期);第90-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104217430A (zh) | 2014-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062973B (zh) | 基于目标特征敏感性和深度学习的车辆跟踪方法 | |
CN104217430B (zh) | 基于l1正则化的图像显著性检测方法 | |
Zhong et al. | An adaptive subpixel mapping method based on MAP model and class determination strategy for hyperspectral remote sensing imagery | |
CN105744256B (zh) | 基于图谱视觉显著的立体图像质量客观评价方法 | |
CN105809693B (zh) | 基于深度神经网络的sar图像配准方法 | |
CN106251355B (zh) | 一种融合可见光图像与对应夜视红外图像的检测方法 | |
CN107944442A (zh) | 基于改进卷积神经网络的对象检测装置及方法 | |
CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
CN102096824B (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN103218832B (zh) | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN103400129A (zh) | 一种基于频域显著性的目标跟踪方法 | |
CN107403433A (zh) | 一种复杂云背景下红外小目标检测方法 | |
CN110533077A (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN102842120A (zh) | 基于超复数小波相位测量的图像模糊程度检测方法 | |
CN103902989B (zh) | 基于非负矩阵分解的人体动作视频识别方法 | |
CN104036289A (zh) | 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法 | |
CN109389045A (zh) | 基于混合时空卷积模型的微表情识别方法与装置 | |
CN103295241A (zh) | 一种基于Gabor小波的频域显著性目标检测方法 | |
CN108021869A (zh) | 一种结合高斯核函数的卷积神经网络跟踪方法 | |
CN108550146A (zh) | 一种基于roi的图像质量评价方法 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170215 Termination date: 20210826 |