CN108319959A - 一种基于图像特征压缩与检索的农作物病害图像识别方法 - Google Patents

一种基于图像特征压缩与检索的农作物病害图像识别方法 Download PDF

Info

Publication number
CN108319959A
CN108319959A CN201711467118.5A CN201711467118A CN108319959A CN 108319959 A CN108319959 A CN 108319959A CN 201711467118 A CN201711467118 A CN 201711467118A CN 108319959 A CN108319959 A CN 108319959A
Authority
CN
China
Prior art keywords
image
word
feature
bow
disease
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.)
Pending
Application number
CN201711467118.5A
Other languages
English (en)
Inventor
陈雷
袁媛
吴娜
王敬贤
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN201711467118.5A priority Critical patent/CN108319959A/zh
Publication of CN108319959A publication Critical patent/CN108319959A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • 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
    • G06V10/46—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]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于图像特征压缩与检索的农作物病害图像识别方法，综合利用机器学习方法与计算机视觉技术，在抽取图像底层视觉特征与SIFT特征的基础上，进一步融合中层语义信息，构建图像库索引，利用特征压缩与图像检索技术实现农作物病害图像的识别。与现有的农作物病害图像识别方法相比，本发明的方法避免了背景去除、病斑分割与分类器构建等较为复杂且效率低下的计算过程，有效提高了农业病害图像识别的效率，满足实际农业生成中的实时性需求。本发明的方法避免了背景去除、病斑分割与分类器构建等较为复杂且效率低下的计算过程，有效提高了农业病害图像识别的效率，满足实际农业生成中的实时性需求。

Description

一种基于图像特征压缩与检索的农作物病害图像识别方法
技术领域
本发明涉及一种作物病害图像识别方法，具体涉及一种基于图像特征压缩与检索的农作物病害图像识别方法。
背景技术
农作物在整个生长周期内由于受到环境等因素的影响，容易发生各种各样的病害。据***粮农组织公布的数据，由于病害导致的农作物自然损失率超过三分之一，每年都会造成巨大的经济损失。随着机器学习方法与图像处理技术的发展，利用计算机视觉技术进行农作物病害图像的识别能够避免传统人工诊断方法的弊端，例如：主观因素大、时效性差等。然而由于农业环境较为复杂，拍摄的弄作物病害图像往往带有复杂的背景，且存在光照不均匀等问题，导致现有的针对农作物病害图像识别方法的研究大都需要背景去除、病斑分割、底层视觉特征提取、分类器构建等几个关键的步骤，尤其是背景去除与病斑分割需要较为复杂的图像分割方法，算法效率较低；另一方面分类器构建大多是利用知识向量机或神经网络，模型构建与训练过程均较为复杂，不能满足实际农业生产中的需求。
基于内容的图像检索方法是建立在多媒体信息的内容语义上，能够更为客观地反映图像本质的特征。该方法具有特征维度高、响应速度快等特点，在商业应用中取得了成功，例如百度识图。基于该方法进行农作物病害图像识别，能够克服使用背景去除、病斑分割、分类器构建等步骤所产生的方法效率低下问题；同时，该方法需要大规模的图像数据库，还需要恰当的特征抽取以及索引构建与查询等关键技术的支持。
发明内容
为解决上述现有方法中存在的问题，本发明的目的是提供一种基于图像特征压缩与检索的农作物病害图像识别方法。利用积累的大量农作物病害图像数据，构建相应的图像数据库，针对病害的特点抽取需要的特征数据，再对底层视觉特征进行聚类，并计算特征的权重构建索引，最后依据相似度判定待识别病害图像与图像数据库中图像的匹配程度，从而得到待识别病害图像的识别结果。
一种基于图像特征压缩与检索的农作物病害图像识别方法，包括以下步骤：
步骤1：对现有的农作物病害图像数据按照农作物种类与病害种类进行分类与整理，形成图像数据样本库，作为索引构建的训练样本，要求每种病害的图像资源具有一定的冗余和重复性，即要求每种病害的图像数量达到五十张或以上；
步骤2：根据农作物病害的特点，抽取区分度较为明显的图像底层视觉特征并进行归一化处理，具体包括以下步骤：
步骤21：对于颜色特征，考虑不同色彩空间中区分度较大的特征，抽取每个病斑区域的RGB色彩空间中的B分量与HIS色彩空间中的H分量，并分别计算其一阶矩、二阶矩、三阶矩；
步骤22：对于纹理特征，考虑病斑症状与算法运行效率，抽取水平方向上的灰度共生矩阵能量、熵以及对比度；
步骤23：对于形状特征，考虑病斑不同时期具有不同的形状，抽取相对值特征，包括：圆度、矩形度、离心率、球状比、紧密度、广度、内切圆半径、离散指数、伸长度及形状参数；
步骤24：为提高特征计算效率，对上述抽取的底层视觉特征进行归一化；
步骤3：利用尺度不变特征变换描述子SIFT提取病害图像的128维局部SIFT特征，以避免光线、颜色等环境变化所造成的图像干扰，并对提取的特征进行归一化处理；
步骤4：提取病害图像中蕴含的中层语义信息，基于BoW(Bag of Word)词典，利用k-means聚类算法计算步骤2和3中抽取的特征所对应的BoW特征，获得的聚类中心对应词典中的单词，聚类中心的个数为词典的大小，并利用TF-IDF模型计算病害图像直方图中各单词的权值，具体包括以下步骤：
步骤41：构建BoW词典。参考BoW模型，采用k-means聚类方法对步骤2和3中抽取的底层视觉特征与SIFT特征进行聚类，获得的聚类中心对应词典中的单词；
步骤42：利用获得的视觉词典，将图像表示成词典中视觉单词组成的集合，从而对向量进行编码。对每张病害图像，首先计算图像中每个单词即特征向量到BoW词典中所有单词的欧氏距离，然后利用最近邻法计算该单词属于BoW词典中的类别，最后通过统计词典中的视觉单词在图像中出现的次数，将图像映射到视觉BoW词典上，从而将一幅病害图像转化为一个全局的统计直方图向量，向量的维数是词典的大小，向量的每一维表示病害图像包含对应视觉单词的个数；
步骤43：计算病害图像i的直方图向量中单词w的词频，即单词w在图像i中出现的频率TFw,i：
其中，count(wi)为词w在图像i中出现的次数，|ni|为图像中所有单词的个数；
计算病害图像i的直方图向量中单词w在整个图像库中的普遍程度，即逆向文档频率IDFw,i：
其中，Nw表示包含词w的图像数量，N为总图像数量；
计算病害图像i的直方图向量中单词w的权值，即TF-IDF值：
TF-IDF＝TFw,i*IDFw,i
最后将该权值与上节图像的向量编码相乘即得最终的图像直方图向量。
步骤5：对图像数据库中的所有图像进行上述步骤2到4的处理，构建图像库索引；
步骤6：给定待识别图像，按照上述步骤2到4进行相同的处理，提取底层视觉特征与SIFT特征，并进行相应的归一化操作，计算对应的BoW特征；
步骤7：利用余弦相似度，对待识别图像的两个BoW特征与图像库索引进行相似度求解，首先对BoW特征进行排序，归一化求求解权重，再按照权重进行融合得到最终的相似度，最终依据相似度排名返回指定个数的候选图像列表，作为识别结果。
本发明综合利用机器学习方法与计算机视觉技术，在抽取图像底层视觉特征与SIFT特征的基础上，进一步融合中层语义信息，构建图像库索引，利用特征压缩与图像检索技术实现农作物病害图像的识别。与现有的农作物病害图像识别方法相比，本发明的方法避免了背景去除、病斑分割与分类器构建等较为复杂且效率低下的计算过程，有效提高了农业病害图像识别的效率，满足实际农业生成中的实时性需求。
附图说明
图1是本发明方法的农作物病害图像特征压缩与检索识别处理流程图。
图2是本发明构建的在线***针对黄瓜白粉病的识别结果截图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方法中所涉及的技术细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，本发明的基于图像特征压缩与检索的农作物病害图像识别方法主要包括图像数据库索引构建与待识别图像检索两大部分。其中图像数据库索引构建包含图像数据样本库构建、图像底层视觉特征抽取、SIFT特征抽取、图像中层语义信息提取与压缩；待识别图像检索除需要做上述处理之外，还需要进行相似度计算与排名、根据索引查找候选图像的操作，具体步骤如下：
步骤1：对现有的农作物病害图像数据按照农作物种类与病害种类进行分类与整理，形成图像数据样本库，作为索引构建的训练样本，要求每种病害的图像资源具有一定的冗余和重复性，即要求每种病害的图像数量达到五十张或以上；
步骤2：根据农作物病害的特点，抽取区分度较为明显的图像底层视觉特征，包括颜色、纹理、形状等，并进行归一化处理。其中包括：
步骤21：对于颜色特征，考虑不同色彩空间中区分度较大的特征，抽取每个病斑区域的RGB色彩空间中的B分量与HIS色彩空间中的H分量，并分别计算其一阶矩、二阶矩、三阶矩；
步骤22：对于纹理特征，考虑病斑症状与算法运行效率，抽取水平方向上的灰度共生矩阵能量、熵以及对比度；
步骤23：对于形状特征，考虑病斑不同时期具有不同的形状，抽取相对值特征，包括：圆度、矩形度、离心率、球状比、紧密度、广度、内切圆半径、离散指数、伸长度及形状参数；
步骤24：为提高特征计算效率，对上述抽取的底层视觉特征进行归一化；
步骤3：利用尺度不变特征变换SIFT描述子抽取病害图像的128维局部SIFT特征，以避免图像采集时由于光线、颜色等环境变化所造成的干扰，并对抽取的SIFT特征进行归一化处理；
步骤4：提取病害图像中蕴含的中层语义信息，基于BoW(Bag of Word)词典，利用k-means聚类算法计算步骤2和3中抽取的特征所对应的BoW特征，获得的聚类中心对应词典中的单词，聚类中心的个数为词典的大小，并利用TF-IDF模型计算病害图像直方图中各单词的权值。具体包括：
步骤41：构建BoW词典。参考BoW模型，采用k-means聚类方法对步骤2和3中抽取的底层视觉特征与SIFT特征进行聚类，获得的聚类中心对应词典中的单词，聚类中心的个数为词典的大小。
步骤42：对向量进行编码。利用获得的视觉词典，将图像表示成词典中视觉单词组成的集合。对每张病害图像，首先计算图像中每个单词即特征向量到词典中所有单词的欧氏距离，然后利用最近邻法计算该单词属于词典中的类别，最后通过统计词典中的视觉单词在图像中出现的次数，将图像映射到视觉词典上。从而将一幅病害图像转化为一个全局的统计直方图向量，向量的维数是词典的大小，向量的每一维表示病害图像包含对应视觉单词的个数。
步骤43：计算单词的权值。针对一幅病害图像i，其直方图向量中单词w的词频(Term Frequency，TF)表示单词w在图像i中出现的频率。
其中，count(wi)为词w在图像i中出现的次数，|ni|为图像中所有单词的个数。TFw,i实际是对单词频数进行归一化，可以避免图像所含病斑数量(单词数)不同导致的权值差异问题。逆向文档频率反映一个单词在整个图像库中的普遍程度。当一个单词越普遍，其IDF值越低；反之，IDF值越高。
其中，Nw表示包含词w的图像数量，N为总图像数量。因此，一幅病害图像的直方图向量中单词w的权值为单词w在该图像中的TF-IDF值：
TF-IDFw,i＝TFw,i*IDFw,i
将该权值与上节图像的向量编码相乘即得最终的图像直方图向量。
步骤5：对图像数据库中的所有图像进行上述步骤2到4的处理，从而得到所有样本的图像库索引；
步骤6：给定待识别图像，按照上述步骤2到4进行相同的处理，抽取底层视觉特征与SIFT特征，并进行相应的归一化操作，计算对应的BoW特征；
步骤7：利用余弦相似度，对待识别图像的两个BoW特征与图像库索引进行相似度求解，首先对BoW特征进行排序，归一化求求解权重，再按照权重进行融合得到最终的相似度，最终依据相似度排名返回指定个数的候选图像列表，作为识别结果。
图2为本发明的基于图像特征压缩与检索的农作物病害图像识别方法构建的在线***针对黄瓜白粉病的识别结果截图。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理想得到的变换和改型，也应视为被涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于图像特征压缩与检索的农作物病害图像识别方法，其特征在于：主要包括图像数据库索引构建与待识别图像检索两大部分，其中图像数据库索引构建包含图像数据样本库构建、图像底层视觉特征抽取、SIFT特征抽取、图像中层语义信息提取与压缩；待识别图像检索除需要做上述处理之外，还需要进行相似度计算与排名、根据索引查找候选图像的操作，具体包括以下步骤：
步骤1：对现有的农作物病害图像数据按照农作物种类与病害种类进行分类与整理，形成图像数据样本库，作为索引构建的训练样本；
步骤2：根据农作物病害的特点，抽取区分度较为明显的图像底层视觉特征并进行归一化处理，具体包括以下步骤：
步骤21：对于颜色特征，考虑不同色彩空间中区分度较大的特征，抽取每个病斑区域的RGB色彩空间中的B分量与HIS色彩空间中的H分量，并分别计算其一阶矩、二阶矩、三阶矩；
步骤22：对于纹理特征，考虑病斑症状与算法运行效率，抽取水平方向上的灰度共生矩阵能量、熵以及对比度；
步骤23：对于形状特征，考虑病斑不同时期具有不同的形状，抽取相对值特征，包括：圆度、矩形度、离心率、球状比、紧密度、广度、内切圆半径、离散指数、伸长度及形状参数；
步骤24：为提高特征计算效率，对上述抽取的底层视觉特征进行归一化；
步骤3：利用尺度不变特征变换描述子SIFT提取病害图像的128维局部SIFT特征，以避免光线、颜色等环境变化所造成的图像干扰，并对提取的特征进行归一化处理；
步骤4：提取病害图像中蕴含的中层语义信息，基于BoW(Bag of Word)词典，利用k-means聚类算法计算步骤2和3中抽取的特征所对应的BoW特征，获得的聚类中心对应词典中的单词，聚类中心的个数为词典的大小，并利用TF-IDF模型计算病害图像直方图中各单词的权值，具体包括以下步骤：
步骤41：参考BoW模型，采用k-means聚类方法对步骤2和3中抽取的底层视觉特征与SIFT特征进行聚类，获得的聚类中心对应词典中的单词，从而构建BoW词典；
步骤42：对每张病害图像，首先计算图像中每个单词即特征向量到BoW词典中所有单词的欧氏距离，然后利用最近邻法计算该单词属于BoW词典中的类别，最后通过统计词典中的视觉单词在图像中出现的次数，将图像映射到视觉BoW词典上，从而将一幅病害图像转化为一个全局的统计直方图向量；
步骤43：首先计算病害图像i的直方图向量中单词w的词频，即单词w在图像i中出现的频率TFw,i：
其中，count(wi)为词w在图像i中出现的次数，|ni|为图像中所有单词的个数；
其次计算病害图像i的直方图向量中单词w在整个图像库中的普遍程度，即逆向文档频率IDFw,i：
其中，Nw表示包含词w的图像数量，N为总图像数量；
再次计算病害图像i的直方图向量中单词w的权值，即TF-IDF值：
TF-IDF＝TFw,i*IDFw,i
最后将该权值与上节图像的向量编码相乘即得最终的图像直方图向量。
步骤5：对图像数据库中的所有图像进行上述步骤2到4的处理，构建图像库索引；
步骤6：给定待识别图像，按照上述步骤2到4进行相同的处理，提取底层视觉特征与SIFT特征，并进行相应的归一化操作，计算对应的BoW特征；
步骤7：利用余弦相似度，对待识别图像的两个BoW特征与图像库索引进行相似度求解，首先对BoW特征进行排序，归一化求求解权重，再按照权重进行融合得到最终的相似度，最终依据相似度排名返回指定个数的候选图像列表，作为识别结果。
2.根据权利要求1所述基于图像特征压缩与检索的农作物病害图像识别方法，其特征在于：所述步骤1中的图像数据样本库要求每种病害的图像资源具有一定的冗余和重复性，即要求每种病害的图像数量达到五十张或以上。
3.根据权利要求1所述基于图像特征压缩与检索的农作物病害图像识别方法，其特征在于：所述步骤41中构建的BoW词典单词数量为步骤2和3中抽取的底层视觉特征与SIFT特征进行聚类获得聚类中心的个数。
4.根据权利要求1所述基于图像特征压缩与检索的农作物病害图像识别方法，其特征在于：所述步骤42中病害图像中每个单词即特征向量的维数是BoW词典的大小，向量的每一维表示病害图像包含对应视觉单词的个数。
CN201711467118.5A 2017-12-29 2017-12-29 一种基于图像特征压缩与检索的农作物病害图像识别方法 Pending CN108319959A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711467118.5A CN108319959A (zh) 2017-12-29 2017-12-29 一种基于图像特征压缩与检索的农作物病害图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711467118.5A CN108319959A (zh) 2017-12-29 2017-12-29 一种基于图像特征压缩与检索的农作物病害图像识别方法

Publications (1)

Publication Number Publication Date
CN108319959A true CN108319959A (zh) 2018-07-24

Family

ID=62893283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711467118.5A Pending CN108319959A (zh) 2017-12-29 2017-12-29 一种基于图像特征压缩与检索的农作物病害图像识别方法

Country Status (1)

Country Link
CN (1) CN108319959A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410238A (zh) * 2018-09-20 2019-03-01 中国科学院合肥物质科学研究院 一种基于PointNet++网络的枸杞识别计数方法
CN109940614A (zh) * 2019-03-11 2019-06-28 东北大学 一种融合记忆机制的机械臂多场景快速运动规划方法
CN110222756A (zh) * 2019-05-31 2019-09-10 河海大学常州校区 一种面向高光谱复杂背景的迭代聚类异常检测算法
CN111222000A (zh) * 2019-12-31 2020-06-02 中国地质大学（武汉） 一种基于图卷积神经网络的图像分类方法及***
CN113094464A (zh) * 2021-03-31 2021-07-09 哈尔滨理工大学 可扩展的农作物病害分析库的建立以及辅助鉴定方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855634A (zh) * 2011-06-28 2013-01-02 中兴通讯股份有限公司 一种图像检测方法及装置
CN103530421A (zh) * 2012-11-02 2014-01-22 中国人民解放军国防科学技术大学 基于微博的事件相似性度量方法及***
CN104063686A (zh) * 2014-06-17 2014-09-24 中国科学院合肥物质科学研究院 作物叶部病害图像交互式诊断***与方法
CN105808665A (zh) * 2015-12-17 2016-07-27 北京航空航天大学 一种新的基于手绘草图的图像检索方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855634A (zh) * 2011-06-28 2013-01-02 中兴通讯股份有限公司 一种图像检测方法及装置
CN103530421A (zh) * 2012-11-02 2014-01-22 中国人民解放军国防科学技术大学 基于微博的事件相似性度量方法及***
CN104063686A (zh) * 2014-06-17 2014-09-24 中国科学院合肥物质科学研究院 作物叶部病害图像交互式诊断***与方法
CN105808665A (zh) * 2015-12-17 2016-07-27 北京航空航天大学 一种新的基于手绘草图的图像检索方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LIANG ZHENG等: ""Query-adaptive late fusion for image search and person re-identification"", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
刘月娥: ""基于内容的作物害虫图像检索技术研究与***实现"", 《中国优秀硕士学位论文全文库 信息科技辑》 *
杨小明: ""电子地图兴趣点分类自动标注算法研究"", 《网络安全技术与应用》 *
耿英: ""基于图像识别的作物病害诊断研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
葛芸等: ""视觉词袋和Gabor纹理融合的遥感图像检索"", 《光电工程》 *
蒋龙泉等: ""基于多特征融合和SVM分类器的植物病虫害检测方法"", 《计算机应用与软件》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410238A (zh) * 2018-09-20 2019-03-01 中国科学院合肥物质科学研究院 一种基于PointNet++网络的枸杞识别计数方法
CN109410238B (zh) * 2018-09-20 2021-10-26 中国科学院合肥物质科学研究院 一种基于PointNet++网络的枸杞识别计数方法
CN109940614A (zh) * 2019-03-11 2019-06-28 东北大学 一种融合记忆机制的机械臂多场景快速运动规划方法
CN109940614B (zh) * 2019-03-11 2021-01-22 东北大学 一种融合记忆机制的机械臂多场景快速运动规划方法
CN110222756A (zh) * 2019-05-31 2019-09-10 河海大学常州校区 一种面向高光谱复杂背景的迭代聚类异常检测算法
CN110222756B (zh) * 2019-05-31 2022-09-02 河海大学常州校区 一种面向高光谱复杂背景的迭代聚类异常检测方法
CN111222000A (zh) * 2019-12-31 2020-06-02 中国地质大学（武汉） 一种基于图卷积神经网络的图像分类方法及***
CN111222000B (zh) * 2019-12-31 2023-05-26 中国地质大学（武汉） 一种基于图卷积神经网络的图像分类方法及***
CN113094464A (zh) * 2021-03-31 2021-07-09 哈尔滨理工大学 可扩展的农作物病害分析库的建立以及辅助鉴定方法
CN113094464B (zh) * 2021-03-31 2024-05-28 哈尔滨理工大学 可扩展的农作物病害分析库的建立以及辅助鉴定方法

Similar Documents

Publication Publication Date Title
CN108132968B (zh) 网络文本与图像中关联语义基元的弱监督学习方法
CN106649487B (zh) 基于兴趣目标的图像检索方法
CN108319959A (zh) 一种基于图像特征压缩与检索的农作物病害图像识别方法
KR101443187B1 (ko) 영상 군집화 기반의 의료 영상 검색 방법
CN103761295B (zh) 基于图片自动分类的艺术类图片的定制化特征量提取方法
EP2300947A2 (en) Adaptive visual similarity for text-based image search results re-ranking
CN108897791B (zh) 一种基于深度卷积特征和语义相似度量的图像检索方法
JP5094830B2 (ja) 画像検索装置、画像検索方法及びプログラム
WO2022166366A1 (zh) 一种基于一致图学习的多视图聚类方法
JP4937395B2 (ja) 特徴ベクトル生成装置、特徴ベクトル生成方法及びプログラム
Keisham et al. Efficient content-based image retrieval using deep search and rescue algorithm
WO2013159356A1 (zh) 基于判别相关分析的跨媒体检索方法
CN106156798A (zh) 基于环形空间金字塔和多核学习的场景图像分类方法
CN106919658B (zh) 一种基于gpu加速的大规模图像词汇树检索方法及***
Liu et al. Improving image retrieval by integrating shape and texture features
Lan et al. Similar trademark image retrieval based on convolutional neural network and constraint theory
Sadique et al. Content-based image retrieval using color layout descriptor, gray-level co-occurrence matrix and k-nearest neighbors
Wei et al. A novel color image retrieval method based on texture and deep features
CN113920303B (zh) 一种基于卷积神经网络弱监督类别无关的图像相似性检索***及其控制方法
Shabbir et al. Tetragonal Local Octa-Pattern (T-LOP) based image retrieval using genetically optimized support vector machines
Das et al. Multi technique amalgamation for enhanced information identification with content based image data
CN112364902A (zh) 一种基于自适应相似性的特征选择学习方法
Tong et al. A kernel density based approach for large scale image retrieval
Papp et al. MMKK++ algorithm for clustering heterogeneous images into an unknown number of clusters
Rahman Image search in a visual concept feature space with SOM-based clustering and modified inverted indexing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180724