CN105869134B - 基于方向图模型的人脸画像合成方法 - Google Patents

基于方向图模型的人脸画像合成方法 Download PDF

Info

Publication number
CN105869134B
CN105869134B CN201610171867.2A CN201610171867A CN105869134B CN 105869134 B CN105869134 B CN 105869134B CN 201610171867 A CN201610171867 A CN 201610171867A CN 105869134 B CN105869134 B CN 105869134B
Authority
CN
China
Prior art keywords
block
portrait
photo
collection
training
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.)
Active
Application number
CN201610171867.2A
Other languages
English (en)
Other versions
CN105869134A (zh
Inventor
高新波
张宇航
王楠楠
李洁
孙雷雨
朱明瑞
于昕晔
彭春蕾
马卓奇
曹兵
查文锦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201610171867.2A priority Critical patent/CN105869134B/zh
Publication of CN105869134A publication Critical patent/CN105869134A/zh
Application granted granted Critical
Publication of CN105869134B publication Critical patent/CN105869134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20212—Image combination

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于方向图模型的人脸画像合成方法，主要解决现有方法在对人脸图像合成细节不明显的问题。其实现步骤是：(1)划分训练画像样本集、训练照片样本集和测试照片样本集；(2)对训练画像样本集中的画像、训练照片样本集中的照片和测试照片进行块划分；(3)根据划分的图像块组成待选择照片块集和待选择画像块集；(4)对训练画像和照片样本块集提取像素值特征及方向特征；(5)计算待选择画像块权值集；(6)根据待选择画像块权值集计算伪画像块集；(7)根据伪画像块集，生成伪画像。本发明由于考虑了人脸图像本身的领域约束，使得生成的人脸画像细节部位明显，可用于公共安全领域中人脸检索与识别。

Description

基于方向图模型的人脸画像合成方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种人脸画像合成方法，可用于公共安全领域中人脸检索与识别。
背景技术
基于人脸的身份识别技术是公共安全管理中最便捷有效的身份认证技术之一。例如在刑侦破案当中，由于客观原因导致嫌疑犯的照片难以获得时，可以根据目击证人的描述，由法医绘制出嫌疑犯的画像。但是由于照片和画像成像原理不同，在形状和纹理方面均存在较大的差异，给基于画像的人脸识别带来诸多困难。人脸画像合成技术是通过图像处理技术将警方人脸数据库中的照片转化为伪画像，之后可以将嫌疑犯的画像在伪画像数据库中进行识别，是提高基于画像的人脸识别的有效技术之一，因此受到广泛的关注。
现有的人脸画像合成方法大多是基于线性合成的。比如X.Tang等人在文献“Facephoto recognition using sketch,in Proceedings of IEEE InternationalConference on Image Processing,2002,pp.I–257.”中提出一种基于特征变化的方法。该方法将人脸画像合成过程看作线性组合的过程，用主成分分析的方法进行画像合成。该类方法存在的不足之处在于，通过线性组合的方法可以看作由低通滤波器进行滤波，会过滤掉一些高频细节信息，导致最终合成的人脸画像细节失真。
为了克服上述问题，N.Wang等人在文献“Heterogeneous image transformation,Pattern Recognition Letters,vol.34,no.1,pp.77–84,2013.”中提出一种基于稀疏特征选择的方法。该方法通过自适应的领域选择有效的解决了噪声引入和边缘模糊等影响。但该方法忽略了领域约束，而且它是个两步框架，增加了人脸画像合成的复杂度。
发明内容
本发明的目的在于针对上述现有方法的不足，提出一种基于方法图模型的人脸画像合成方法，以提高生成的伪画像的质量，使得生成的伪画像的细节部位更明显。
实现本发明目的的技术方案包括如下步骤：
(1)从画像-照片对集中取出L张画像组成训练画像样本集TR，并取出与训练画像样本集TR中的画像一一对应的L张照片组成训练照片样本集TE，将剩余画像-照片对组成测试样本集，从测试样本集中选取一张测试照片A；
(2)将训练画像样本集TR中的画像和训练照片样本集TE中的照片分别划分为相互重叠大小相同的块；
(3)将测试照片A划分为同样大小及同样重叠程度的块，用集合S＝{S1,S2,…,Si,…,SN}表示，1≤i≤N；并对每个测试照片块Si进行像素值特征提取，根据特征距离从训练照片块中寻找近邻数K个相近的照片块作为待选择照片块集，记作Pi＝{Pi,1,Pi,2,…,Pi,j,…Pi,K}，1≤j≤K；同时从训练画像块中选择对应的画像块作为待选画像块集，记作Qi＝{Qi,1,Qi,2,…,Qi,j,…,Qi,K}，1≤j≤K；
(4)对训练画像样本集TR和照片样本集TE中的所有块M＝{M1,M2,…,Mc,…,MZ}进行像素值特征提取，其中1≤c≤Z，Z为图像块的总个数；
(5)对训练画像样本集TR和照片样本集TE中的所有块M，利用Gabor滤波器提取图像块的方向特征；
(6)利用步骤(4)得到的图像块像素值特征和步骤(5)得到的图像块方向特征，通过交替迭代的方法求解马尔科夫网络模型，得到每个测试照片块Si的两个特征之间的权值集μi＝{μi,1,μi,2}，同时得到每个测试照片块对应的待选择照片块集{Pi,1,Pi,2,…,Pi,j,…Pi,K}的权值集wi＝{wi,1,wi,2,…,wi,j,…,wi,K}；
(7)根据待选择画像块集{Qi,1,Qi,2,…,Qi,j,…,Qi,K}和待选择照片块权值集{wi,1,wi,2,…,wi,j,…,wi,K}，按照下式得到每个测试照片块Si对应的待合成伪画像块Xi
Xi＝Qiwi，i＝1,2,…,N；
(8)将伪画像块集{X1,X2,…,Xi,…,XN}中的N个伪画像块进行组合，得到与测试照片A对应的伪画像。
本发明利用人脸图像的方向约束信息，实现人脸画像合成，与现有方法相比，由于考虑了人脸图像方向约束信息，使得生成的图像细节部位明显，克服了现有方法中对人脸图像忽略高频信息带来的细节不明显的问题。
以下面结合附图，对本发明实现的步骤作进一步的详细描述。
附图说明
图1为本发明的实现流程图；
图2为本发明与现有的两种方法在CUHK student数据库上生成的伪画像的对比结果图。
具体实施方式
参照图1，本发明的实现步骤如下：
步骤1，划分训练画像样本集、训练照片样本集和测试样本集。
从画像-照片对集中取出L张画像组成训练画像样本集TR，并取出与训练画像样本集TR中的画像一一对应的L张照片组成训练照片样本集TE，将剩余画像-照片对组成测试样本集，从测试样本集中选取一张测试照片A。
步骤2，对训练画像样本集中的画像、训练照片样本集中的照片进行块划分。
将训练画像样本集TR中的画像和训练照片样本集TE中的照片分别划分为相互重叠大小相同的块。
步骤3，组成待选择照片块集和待选择画像块集。
按照步骤2将测试照片A划分为同样大小及同样重叠程度的块，用集合S＝{S1,S2,…,Si,…,SN}表示，1≤i≤N；并对每个测试照片块Si进行像素值特征提取，根据特征距离从训练照片块中寻找近邻数K个相近的照片块作为待选择照片块集，记作Pi＝{Pi,1,Pi,2,…,Pi,j,…Pi,K}，1≤j≤K；同时从训练画像块中选择对应的画像块作为待选画像块集，记作Qi＝{Qi,1,Qi,2,…,Qi,j,…,Qi,K}，1≤j≤K。
步骤4，对训练画像样本集TR和照片样本集TE中的所有图像块M提取像素值特征。
对训练画像样本集TR和照片样本集TE中的所有块M＝{M1,M2,…,Mc,…,MZ}按如下公式进行像素值特征提取：
Vc＝f(Mc)
其中1≤c≤Z，Z为图像块的总个数，f表示灰度化图像过程。
步骤5，对训练画像样本集TR和照片样本集TE中的所有图像块M提取方向特征。
对训练画像样本集TR和照片样本集TE中的图像块M提取方向特征，可采用现有的二进小波变换，离散小波变换和Gabor变换方法进行，本发明选用但不局限于Gabor变换法，具体步骤如下：
(5a)将图像块Mc与尺度为b、方向为d的Gabor函数Gs,d进行卷积，结果为Dc,(b,d)：
其中0≤b≤2，d＝0°,10°,20°,···,350°，表示卷积过程；
(5b)取Dc,(b,d)的最大值得到图像块Mc的方向特征Dc：
Dc＝max{Dc,(b,d)}。
步骤6，利用马尔科夫网络模型计算待选择照片块权值集。
利用步骤(4)得到的图像块像素值特征和步骤(5)得到的图像块方向特征，通过交替迭代的方法求解马尔科夫网络模型，得到每个测试照片块Si的两个特征之间的权值集μi＝{μi,1,μi,2}，同时得到每个测试照片块对应的待选择照片块集{Pi,1,Pi,2,…,Pi,j,…Pi,K}的权值集wi＝{wi,1,wi,2,…,wi,j,…,wi,K}；
所述的通过交替迭代的方法求解步骤具体为：
(6a)对每个测试照片块Si均随机初始化两个特征之间的权值μi；
(6b)根据待选择照片块与测试照片块的两个特征之间的距离，计算测试照片块与待选择照片块之间的关系；
(6c)根据相邻位置的待选择画像块的像素值之间的距离，计算相邻位置的待选择画像块之间的关系；
(6d)将步骤(6b)和步骤(6c)的结果，带入到马尔可夫模型；
(6e)利用马尔可夫模型，在给定两个特征之间的权值μi的情况下，预测待选择照片块的权值wi；
(6f)将待选择照片块的权值wi再带入马尔可夫模型，预测两个特征之间的权值μi；
(6g)迭代执行步骤(6b)至步骤(6f)，直至每个测试照片块对应的待选择照片块的权值wi不再变化或者达到预设的迭代次数，得到每个测试照片块的两个特征之间的权值μi和待选择照片块的权值wi。
步骤7，计算伪画像块集。
根据待选择画像块集{Qi,1,Qi,2,…,Qi,j,…,Qi,K}和待选择照片块权值集{wi,1,wi,2,…,wi,j,…,wi,K}，按照下式得到每个测试照片块Si对应的待合成伪画像块Xi
Xi＝Qiwi，i＝1,2,…,N。
步骤8，将伪画像块集{X1,X2,…,Xi,…,XN}中的N个伪画像块进行组合，得到与测试照片A对应的伪画像。
在组合过程中，将每个伪画像块Xi按照测试照片块Si的位置顺序进行排列，i＝1,2,…,N，对具有重叠区域的两个伪画像块，将它们在重叠区域的像素值取平均，得到与测试照片S对应的伪画像。
本发明的效果可以通过以下仿真实验做进一步的说明。
1.仿真条件
本发明是在CPU为Intel(R)Core i7-4790 3.60GHZ、内存16G、WINDOWS 7操作***上，使用美国Mathworks公司开发的MATLAB软件进行的仿真。
实验中所用的对比方法包括如下2种：
一是基于局部线性嵌入的方法，实验中记为LLE；参考文献为Q.Liu,X.Tang,H.Jin,H.Lu,and S.Ma.A Nonlinear Approach for Face Sketch Synthesis andRecognition.In Proc.IEEE Int.Conference on Computer Vision,pp.1005-1010,2005；
二是基于马尔可夫权重场模型的方法，实验中记作MWF；参考文献为H.Zhou,Z.Kuang,and K.Wong.Markov Weight Fields for Face Sketch Synthesis.InProc.IEEE Int.Conference on Computer Vision,pp.1091-1097,2012。
实验中使用的画像数据库为香港中文大学公开的CUHK student画像数据库。
2.仿真内容
实验1：利用本发明和现有的LLE方法和MWF方法在CUHK student画像数据库上进行伪画像的生成，结果如图2，其中图2(a)是测试照片，图2(b)是LLE方法生成的伪画像，图2(c)是MWF方法生成的伪画像，图2(d)是本发明方法生成的伪画像。
由图2可见，由于本发明方法考虑了领域约束，使得生成的伪画像细节部位明显，清晰度高，克服了现有方法对人脸图像分块时忽略领域约束带来的细节不明显的问题。
实验2：利用特征相似度FSIM两个评价指标对实验1用三种方法生成的伪画像分别统计平均值进行质量评价，FSIM越大，说明生成的伪画像的质量越好，三种方法的对比结果如表1所示：
表1三种方法生成伪画像的质量评价
算法 LLE MWF 本发明
FSIM 0.7476 0.7576 0.7600
从表1可见，本发明方法生成的伪画像的平均FSIM均高于三种对比方法，说明本发明方法生成的伪画像和原始画像相似程度更高，可以取得较好的生成效果，进一步验证了本发明的先进性。

Claims (4)

1.基于方向图模型的人脸画像合成方法，其特征在于，包括：
(1)从画像-照片对集中取出L张画像组成训练画像样本集TR，并取出与训练画像样本集TR中的画像一一对应的L张照片组成训练照片样本集TE，将剩余画像-照片对组成测试样本集，从测试样本集中选取一张测试照片A；
(2)将训练画像样本集TR中的画像和训练照片样本集TE中的照片分别划分为相互重叠大小相同的块；
(3)将测试照片A划分为同样大小及同样重叠程度的块，用集合S＝{S1,S2,…,Si,…,SN}表示，1≤i≤N；并对每个测试照片块Si进行像素值特征提取，根据特征距离从训练照片块中寻找近邻数K个相近的照片块作为待选择照片块集，记作Pi＝{Pi,1,Pi,2,…,Pi,j,…Pi,K}，1≤j≤K；同时从训练画像块中选择对应的画像块作为待选画像块集，记作Qi＝{Qi,1,Qi,2,…,Qi,j,…,Qi,K}，1≤j≤K；
(4)对训练画像样本集TR中的所有块和训练照片样本集TE中的所有块M＝{M1,M2,…,Mc,…,MZ}进行像素值特征提取，其中1≤c≤Z，Z为图像块的总个数；
(5)对训练画像样本集TR和训练照片样本集TE中的所有块M，利用Gabor滤波器提取图像块的方向特征；
(6)利用步骤(4)得到的图像块像素值特征和步骤(5)得到的图像块方向特征，通过交替迭代的方法求解马尔可夫网络模型，得到每个测试照片块Si的两个特征各自的权值集μi＝{μi,1,μi,2}，同时得到每个测试照片块对应的待选择照片块集{Pi,1,Pi,2,…,Pi,j,…Pi,K}的权值集wi＝{wi,1,wi,2,…,wi,j,…,wi,K}；
(7)根据待选择画像块集{Qi,1,Qi,2,…,Qi,j,…,Qi,K}和待选择照片块权值集{wi,1,wi,2,…,wi,j,…,wi,K}，按照下式得到每个测试照片块Si对应的待合成伪画像块XiXi＝Qiwi，i＝1,2,…,N；
(8)将伪画像块集{X1,X2,…,Xi,…,XN}中的N个伪画像块进行组合，得到与测试照片A对应的伪画像。
2.根据权利要求1中的基于方向图模型的人脸画像合成方法，其特征在于，步骤(4)中对图像块进行像素值特征提取，按如下公式进行：
图像块Mc的像素特征值Vc：
Vc＝f(Mc)；
f表示灰度化图像过程。
3.根据权利要求1中的基于方向图模型的人脸画像合成方法，其特征在于，步骤(5)中利用Gabor滤波器提取图像块的方向特征，按如下步骤进行：
(5a)将图像块Mc与尺度为b、方向为d的Gabor函数Gb,d进行卷积，结果Dc,(b,d)为：
其中0≤b≤2，d＝0°,10°,20°,···,350°，表示卷积过程；
(5b)取Dc,(b,d)的最大值得到图像块Mc的方向特征Dc：
Dc＝max{Dc,(b,d)}。
4.根据权利要求1中的基于方向图模型的人脸画像合成方法，其特征在于，步骤(6)中通过交替迭代的方法求解马尔可夫网络模型，按如下步骤进行：
(6a)对每个测试照片块Si均随机初始化两个特征各自的权值集μi；
(6b)根据待选择照片块的特征与测试照片块的特征之间的距离，计算测试照片块与待选择照片块之间的关系；
(6c)根据相邻位置的待选择画像块的像素值之间的距离，计算相邻位置的待选择画像块之间的关系；
(6d)将步骤(6b)和步骤(6c)的结果，带入到马尔可夫模型；
(6e)利用马尔可夫模型，在给定两个特征各自的权值集μi的情况下，预测待选择照片块的权值wi；
(6f)将待选择照片块的权值wi再带入马尔可夫模型，预测两个特征之间的权值μi；
(6g)迭代执行步骤(6b)至步骤(6f)，直至每个测试照片块对应的待选择照片块的权值wi不再变化或者达到预设的迭代次数，得到每个测试照片块的两个特征各自的权值集μi和待选择照片块的权值wi。
CN201610171867.2A 2016-03-24 2016-03-24 基于方向图模型的人脸画像合成方法 Active CN105869134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610171867.2A CN105869134B (zh) 2016-03-24 2016-03-24 基于方向图模型的人脸画像合成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610171867.2A CN105869134B (zh) 2016-03-24 2016-03-24 基于方向图模型的人脸画像合成方法

Publications (2)

Publication Number Publication Date
CN105869134A CN105869134A (zh) 2016-08-17
CN105869134B true CN105869134B (zh) 2018-11-30

Family

ID=56625458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610171867.2A Active CN105869134B (zh) 2016-03-24 2016-03-24 基于方向图模型的人脸画像合成方法

Country Status (1)

Country Link
CN (1) CN105869134B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154133B (zh) * 2018-01-10 2020-04-14 西安电子科技大学 基于非对称联合学习的人脸画像-照片识别方法
CN109063628B (zh) * 2018-07-27 2023-04-21 平安科技（深圳）有限公司 人脸识别方法、装置、计算机设备及存储介质
CN109919052B (zh) * 2019-02-22 2021-05-14 武汉捷丰天泽信息科技有限公司 刑侦模拟画像模型生成方法、刑侦模拟画像方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003271982A (ja) * 2002-03-19 2003-09-26 Victor Co Of Japan Ltd 似顔絵生成装置
CN101482925A (zh) * 2009-01-16 2009-07-15 西安电子科技大学 基于局部嵌入式隐马尔可夫模型的照片生成方法
CN101958000A (zh) * 2010-09-24 2011-01-26 西安电子科技大学 基于稀疏表示的人脸画像-照片生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003271982A (ja) * 2002-03-19 2003-09-26 Victor Co Of Japan Ltd 似顔絵生成装置
CN101482925A (zh) * 2009-01-16 2009-07-15 西安电子科技大学 基于局部嵌入式隐马尔可夫模型的照片生成方法
CN101958000A (zh) * 2010-09-24 2011-01-26 西安电子科技大学 基于稀疏表示的人脸画像-照片生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MarkovWeight Fields for Face Sketch Synthesis;Hao Zhou 等;《Computer Vision and Pattern Recognition (CVPR)》;20120726;1091-1097 *
基于三元空间融合的人脸图像模式识别;高新波 等;《模式识别与人工智能》;20150930;第28卷(第9期);811-821 *

Also Published As

Publication number Publication date
CN105869134A (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
Khan et al. Lungs nodule detection framework from computed tomography images using support vector machine
Zhu et al. A fast single image haze removal algorithm using color attenuation prior
Meethongjan et al. An intelligent fused approach for face recognition
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
Lee et al. Skewed rotation symmetry group detection
CN104077742B (zh) 基于Gabor特征的人脸素描合成方法及***
CN106056523B (zh) 数字图像拼接篡改盲检测方法
CN105869134B (zh) 基于方向图模型的人脸画像合成方法
Gangan et al. Distinguishing natural and computer generated images using Multi-Colorspace fused EfficientNet
CN103854265A (zh) 一种新的多聚焦图像融合技术
CN105844605B (zh) 基于自适应表示的人脸画像合成方法
Thiruvenkadam et al. Fully automatic method for segmentation of brain tumor from multimodal magnetic resonance images using wavelet transformation and clustering technique
Das et al. Multimodal classification on PET/CT image fusion for lung cancer: a comprehensive survey
Cui et al. Edge detection algorithm optimization and simulation based on machine learning method and image depth information
da Silva Oliveira et al. Feature extraction on local jet space for texture classification
Forczmański et al. An algorithm of face recognition under difficult lighting conditions
Kumar et al. A new multilevel histogram thresholding approach using variational mode decomposition
Desai et al. Performance evaluation of image retrieval systems using shape feature based on wavelet transform
Liu et al. Detection of small objects in image data based on the nonlinear principal component analysis neural network
Ghoualmi et al. Ear feature extraction using a dwt-sift hybrid
Singh et al. Intelligent wavelet based techniques for advanced multimedia applications
Guo et al. Identifying facial expression using adaptive sub-layer compensation based feature extraction
CN104992185B (zh) 基于超像素的人脸画像生成方法
Kulkarni et al. Comparison of methods for detection of copy-move forgery in digital images
Murthy et al. A Novel Approach Based on Decreased Dimension and Reduced Gray Level Range Matrix Features for Stone Texture Classification.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant