CN108710883B - 一种采用轮廓检测的完整显著性物体检测方法 - Google Patents

一种采用轮廓检测的完整显著性物体检测方法 Download PDF

Info

Publication number
CN108710883B
CN108710883B CN201810563281.XA CN201810563281A CN108710883B CN 108710883 B CN108710883 B CN 108710883B CN 201810563281 A CN201810563281 A CN 201810563281A CN 108710883 B CN108710883 B CN 108710883B
Authority
CN
China
Prior art keywords
contour
map
image
complete
value
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
CN201810563281.XA
Other languages
English (en)
Other versions
CN108710883A (zh
Inventor
刚毅凝
杜红军
赵永彬
李巍
金成明
郝跃冬
刘嘉华
康睿
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.)
State Grid Corp of China SGCC
NARI Group Corp
Nari Information and Communication Technology Co
Information and Telecommunication Branch of State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
NARI Group Corp
Nari Information and Communication Technology Co
Information and Telecommunication Branch of State Grid Liaoning Electric Power Co Ltd
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 State Grid Corp of China SGCC, NARI Group Corp, Nari Information and Communication Technology Co, Information and Telecommunication Branch of State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810563281.XA priority Critical patent/CN108710883B/zh
Publication of CN108710883A publication Critical patent/CN108710883A/zh
Application granted granted Critical
Publication of CN108710883B publication Critical patent/CN108710883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种采用轮廓检测的完整显著性物体检测方法，包括用超像素分割法对图像进行分割，并将其构建成图形模式；获取基于轮廓提取的显著图；获取基于背景模板的二值分割图；基于显著图和二值分割图，获得最终显著图。本发明不仅能进一步突出图像的显著性区域，而且很好地抑制住了背景区域，可以应用到图像检索、图像分割、图像分类和目标识别等场景。

Description

一种采用轮廓检测的完整显著性物体检测方法
技术领域
本发明涉及一种采用轮廓检测的完整显著性物体检测方法，属于图像识别技术领域。
背景技术
随着智能设备和社会网络的发展，我们沉浸在大量的数字媒体数据当中。如何利用有限的时间和精力从大量的数据中提取有用的信息，为后续处理做准备成为一个重要的问题。正如人类视觉***只能聚焦于所看到的场景中最引人注目的少量信息一样，一张图像中往往只有部分突出的物体能吸引我们的注意。显著性检测是指识别图像中最吸引人注意的区域，因其在图像处理和计算机视觉领域的广泛应用，如图像检索、图像分割、图像分类和目标识别等等，近几年已成为一个热门的研究领域。
目前，显著性检测的研究方法主要分为两种，一种是视点预测，即根据人眼在眼动仪的注视移动情况来判断图像显著的大致区域；另一种是显著性物体检测，即检测图像中最显著的物体。而显著性物体检测又可以分为自底向上和自顶向下这两种模型，前者主要基于一些图像的底层特征(如颜色、亮度、方向等)和先验信息(如紧凑度、唯一性、背景等)，而后者主要通过对图像中有代表性的特征进行标注、训练再检测。目前部分基于背景先验的显著性物体检测方法不能完整地突出图像的显著性区域。
发明内容
为了解决上述技术问题，本发明提供了一种采用轮廓检测的完整显著性物体检测方法。
为了达到上述目的，本发明所采用的技术方案是：
一种采用轮廓检测的完整显著性物体检测方法，包括以下步骤，
用超像素分割法对图像进行分割，并将其构建成图形模式；
获取基于轮廓提取的显著图；
获取基于背景模板的二值分割图；
基于显著图和二值分割图，获得最终显著图。
构建图形模式的过程为，
读取图像数据信息，自适应的设置阈值消除噪声轮廓，构建成图形模式；
消除噪声轮廓的阈值公式为，
Figure BDA0001683844040000021
其中，ξ为消除噪声轮廓的阈值，ξi为图像中第i条轮廓线的梯度值，N为图像中轮廓线的数目。
获取基于轮廓提取的显著图，具体过程为，
利用基于全局概率边界的轮廓检测算法提取图像模式下图像的初始轮廓特征，利用自适应阈值方法对其进行预处理，获取自适应轮廓图；
利用基于虚拟连接的轮廓处理方案，获取基于虚拟连接的轮廓图；
利用基于最短路径的闭环搜寻方案，获取完整轮廓图，并将完整轮廓图划分为若干个边界完整的区域；
获取基于轮廓检测的显著图。
基于虚拟连接的轮廓处理方案，具体为，
如果某个轮廓线的端点仅同另外一条轮廓线的端点或者自身的另一个端点靠近，则利用虚拟连接结构创建一个虚拟端点，轮廓线的该端点与虚拟端点连接，形成一个新的轮廓线；
如果某个轮廓线的端点靠近另一条轮廓线上某个像素点，则以该像素点为边界点，将该轮廓线分割为两条独立的轮廓线，并将端点同新形成的边界点连接；
如果某条轮廓线的两个端点，不能同自适应轮廓图中的其他轮廓线建立虚拟连接点，则将该轮廓线视为孤立的轮廓线，并将其从自适应轮廓图中移除；
如果在某一方向上存在多条靠近的轮廓线，则将这些轮廓线融合成一条新的轮廓线。
基于最短路径的闭环搜寻方案，具体为，
假设基于虚拟连接的轮廓图中存在Ne个非闭合端点；
计算任意两个非闭合端点ej1和ej2之间的路径长度L(ej1,ej2)，
Figure BDA0001683844040000031
其中，ξj2是非闭合端点ej2所在轮廓线的梯度值；
通过不断计算任意两个非闭合端点的路径长度，连接具有最短路径长度的非闭合端点，可形成多个封闭环形的轮廓线，获取完整的轮廓图。
获取基于轮廓检测显著图的过程为，
假设将完整轮廓图分割成N1个边界完整的区域{I1,I2,...,IN1}；
区域Ii′的强度、颜色与方向特征值分别为该区域中所有像素点对应特征值的均值，即强度特征值
Figure BDA0001683844040000032
颜色特征值
Figure BDA0001683844040000033
方向特征值
Figure BDA0001683844040000034
将属于背景模板的边界线的梯度值设置为0，其余的设置为1，为每个区域设置一个显著值，
Figure BDA0001683844040000041
其中，Pi′为区域Ii′的显著值，
Figure BDA0001683844040000043
为区域Ii′的轮廓线梯度值的总和，r为系数变量，Ai′为待提取显著值区域的面积，Ak为区域Ik的面积，k∈[1,N1]且k≠i′；
将所有显著值进行归一化，然后计算其累计和并赋予相应的目标，由此得到基于轮廓检测的显著图。
获取基于背景模板二值分割图的过程为，
基于背景模板抑制的显著性检测算法，获取显著图；
利用自适应阈值分割方法，获取相应的显著像素点与二值分割图。
根据显著图计算相应的自适应阈值sTa；
Figure BDA0001683844040000042
其中，S(x,y)为像素点I(x,y)的显著值，Ix与Iy分别指代显著性图像的宽度与高度；
如果某像素点的显著值小于自适应阈值sTa，则该像素点的显著值被赋值为0，否则，像素点的显著值被设置为1，并将其视为显著像素点，利用获取的自适应阈值sTa对显著图进行自适应阀值分割获取二值分割图。
获得最终显著图的过程为，
保留基于轮廓检测的显著图中显著像素点比例高于基准比例的区域，获得优化的基于轮廓检测显著图；
对二值分割图与优化的基于轮廓检测显著图进行线性融合，获取最终的完整显著图。
基准比例公式为，
Figure BDA0001683844040000051
其中，Bκ为基准比例，n为显著性像素点的个数；
线性融合公式为，
Figure BDA0001683844040000052
其中，IF为完整显著图，Iss为二值分割图，Ifs为优化的基于轮廓检测显著图，α,β分别为Iss,Ifs的系数。。
本发明所达到的有益效果：本发明不仅能进一步突出图像的显著性区域，而且很好地抑制住了背景区域，可以应用到图像检索、图像分割、图像分类和目标识别等场景。
附图说明
图1为本发明的流程图；
图2为基于轮廓检测的完整显著性物体检测架构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种采用轮廓检测的完整显著性物体检测方法，包括以下步骤：
步骤1，用超像素分割法对图像进行分割，并将其构建成图形模式。
后续步骤均是基于图形模式的图像进行，构建图形模式的过程：读取图像数据信息，自适应的设置阈值消除噪声轮廓，构建成图形模式。
消除噪声轮廓的阈值公式为：
Figure BDA0001683844040000061
其中，ξ为消除噪声轮廓的阈值，ξi为图像中第i条轮廓线的梯度值，N为图像中轮廓线的数目。
步骤2，获取基于轮廓提取的显著图；获取基于背景模板的二值分割图。
获取显著图的具体过程如下：
201)利用基于全局概率边界的轮廓检测算法提取图像模式下图像的初始轮廓特征，利用自适应阈值方法对其进行预处理，获取自适应轮廓图。
202)利用基于虚拟连接的轮廓处理方案，获取基于虚拟连接的轮廓图。
轮廓处理方案，执行如下操作：
如果某个轮廓线的端点仅同另外一条轮廓线的端点或者自身的另一个端点靠近(当两个端点之间的距离小于设定的阈值，则认为两个端点靠近)，则利用虚拟连接结构创建一个虚拟端点，轮廓线的该端点与虚拟端点连接，形成一个新的轮廓线；
如果某个轮廓线的端点靠近另一条轮廓线上某个像素点(当端点与像素点之间的距离小于设定的阈值，则认为端点与像素点靠近)，则以该像素点为边界点，将该轮廓线分割为两条独立的轮廓线，并将端点同新形成的边界点连接；
如果某条轮廓线的两个端点，不能同自适应轮廓图中的其他轮廓线建立虚拟连接点，则将该轮廓线视为孤立的轮廓线，并将其从自适应轮廓图中移除；
如果在某一方向上存在多条靠近的轮廓线(当两条轮廓线之间的距离小于设定的阈值，则认为两条轮廓线靠近)，这里的多条轮廓线包括相互平行的轮廓线和位于一条直线上的轮廓线，则将这些轮廓线融合成一条新的轮廓线。
203)利用基于最短路径的闭环搜寻方案，获取完整轮廓图，并将完整轮廓图划分为若干个边界完整的区域。
闭环搜寻方案，执行如下操作：
a)假设基于虚拟连接的轮廓图中存在Ne个非闭合端点。
b)任意两个非闭合端点ej1和ej2之间的路径长度L(ej1,ej2)同两点间的欧氏距离呈现正相关的关系，同非闭合端点ej2所在轮廓线的梯度值成负相关的关系，因此L(ej1,ej2)的计算公式为，
Figure BDA0001683844040000071
其中，ξj2是非闭合端点ej2所在轮廓线的梯度值。
c)通过不断计算任意两个非闭合端点的路径长度，连接具有最短路径长度的非闭合端点，可形成多个封闭环形的轮廓线，获取完整的轮廓图。
204)获取基于轮廓检测的显著图。
获取显著图的过程如下：
a1)假设将完整轮廓图分割成N1个边界完整的区域{I1,I2,...,IN1}，每幅图由红(R)、绿(G)、蓝(B)三种颜色信道构成，每个像素点的强度特征值ωin,i′为，
ωin,i′＝(R+G+B)/3
针对(R，G)、(G，R)、(B，Y)与(Y，B)这四种颜色对，采取如下方法提取四种宽调谐颜色通道，
Figure BDA0001683844040000081
任意两个像素点pi″与pj″之间的颜色特征值ωRG,i″j″、ωBY,i″j″分别为，
Figure BDA0001683844040000082
其中，RR(i″)、GG(i″)、BB(i″)和Y(i″)是像素点pi″的四种宽调谐颜色通道，RR(j″)、GG(j″)、BB(j″)和Y(j″)是像素点pj″的四种宽调谐颜色通道，
对于像素点pi″，其颜色特征值ωRG,i′、ωBY,i′可视为与属于同一完整区域Ii′内所有像素点之间颜色特征值的累加和，即
Figure BDA0001683844040000083
其中，Ni为出去像素点pi″外区域Ii′内其他像素点个数，
通过对获取的强度图像进行Gabor核卷积，分别采用θ∈{0°,45°,90°,135°}作为Gabor核的方向，提取方向特征，针对任意两个像素点pi″与pj″间的方向特征值ωo,i″j″＝|O(i″,θ)-O(j″,θ)|，其中O()表示计算核卷积，与颜色特征类似，像素点pi″的强度特征
Figure BDA0001683844040000084
b1)将属于背景模板的边界线的梯度值设置为0，其余的设置为1，为每个区域设置一个显著值，
Figure BDA0001683844040000085
其中，Pi′为区域Ii′的显著值，
Figure BDA0001683844040000091
为区域Ii′的轮廓线梯度值的总和，r为系数变量，Ai′为待提取显著值区域的面积，Ak为区域Ik的面积，k∈[1,N1]且k≠i′。
c1)将所有显著值进行归一化，然后计算其累计和并赋予相应的目标，由此得到基于轮廓检测的显著图。
获取二值分割图的具体过程如下：
211)基于背景模板抑制的显著性检测算法，获取显著图。
根据显著图计算相应的自适应阈值sTa，
Figure BDA0001683844040000092
其中，S(x,y)为像素点I(x,y)的显著值，Ix与Iy分别指代显著性图像的宽度与高度；
如果某像素点的显著值小于自适应阈值sTa，则该像素点的显著值被赋值为0，否则，像素点的显著值被设置为1，并将其视为显著像素点，利用获取的自适应阈值sTa对显著图进行自适应阀值分割获取二值分割图。
212)利用自适应阈值分割方法，获取相应的显著像素点与二值分割图。
步骤3，基于显著图和二值分割图，获得最终显著图。
获得最终显著图的的具体过程如下：
301)保留基于轮廓检测的显著图中显著像素点比例高于基准比例的区域，获得优化的基于轮廓检测显著图。
筛选出大于基准比例的区域，即属于显著性目标的区域，同时去除小于基准比例的背景区域；
基准比例公式为：
Figure BDA0001683844040000101
其中，Bκ为基准比例，n为显著性像素点的个数。
302)对二值分割图与优化的基于轮廓检测显著图进行线性融合，获取最终的完整显著图。
线性融合公式为：
Figure BDA0001683844040000102
其中，IF为完整显著图，Iss为二值分割图，Ifs为优化的基于轮廓检测显著图，α,β分别为Iss,Ifs的系数。
本发明的原理如图2所示，上述方法用超像素分割法对图像进行分割，并将其构建成一个图形模式，基于轮廓提取获取显著图，基于背景模板获取二值分割图，将显著图和二值分割图进行线性融合，得到最终显著图，不仅能进一步突出图像的显著性区域，而且很好地抑制住了背景区域，可以应用到图像检索、图像分割、图像分类和目标识别等场景。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种采用轮廓检测的完整显著性物体检测方法，其特征在于：包括以下步骤，
用超像素分割法对图像进行分割，并将其构建成图形模式；
获取基于轮廓提取的显著图，具体过程为，
利用基于全局概率边界的轮廓检测算法提取图像模式下图像的初始轮廓特征，利用自适应阈值方法对其进行预处理，获取自适应轮廓图，
利用基于虚拟连接的轮廓处理方案，获取基于虚拟连接的轮廓图，
利用基于最短路径的闭环搜寻方案，获取完整轮廓图，并将完整轮廓图划分为若干个边界完整的区域，
获取基于轮廓检测的显著图；
获取基于背景模板的二值分割图；
基于显著图和二值分割图，获得最终显著图。
2.根据权利要求1所述的一种采用轮廓检测的完整显著性物体检测方法，其特征在于：构建图形模式的过程为，
读取图像数据信息，自适应的设置阈值消除噪声轮廓，构建成图形模式；
消除噪声轮廓的阈值公式为，
Figure FDA0003091721390000011
其中，ξ为消除噪声轮廓的阈值，ξi为图像中第i条轮廓线的梯度值，N为图像中轮廓线的数目。
3.根据权利要求1所述的一种采用轮廓检测的完整显著性物体检测方法，其特征在于：基于虚拟连接的轮廓处理方案，具体为，
如果某个轮廓线的端点仅同另外一条轮廓线的端点或者自身的另一个端点靠近，则利用虚拟连接结构创建一个虚拟端点，轮廓线的该端点与虚拟端点连接，形成一个新的轮廓线；
如果某个轮廓线的端点靠近另一条轮廓线上某个像素点，则以该像素点为边界点，将该轮廓线分割为两条独立的轮廓线，并将端点同新形成的边界点连接；
如果某条轮廓线的两个端点，不能同自适应轮廓图中的其他轮廓线建立虚拟连接点，则将该轮廓线视为孤立的轮廓线，并将其从自适应轮廓图中移除；
如果在某一方向上存在多条靠近的轮廓线，则将这些轮廓线融合成一条新的轮廓线。
4.根据权利要求1所述的一种采用轮廓检测的完整显著性物体检测方法，其特征在于：基于最短路径的闭环搜寻方案，具体为，
假设基于虚拟连接的轮廓图中存在Ne个非闭合端点；
计算任意两个非闭合端点ej1和ej2之间的路径长度L(ej1,ej2)，
Figure FDA0003091721390000021
其中，ξj2是非闭合端点ej2所在轮廓线的梯度值；
通过不断计算任意两个非闭合端点的路径长度，连接具有最短路径长度的非闭合端点，可形成多个封闭环形的轮廓线，获取完整的轮廓图。
5.根据权利要求1所述的一种采用轮廓检测的完整显著性物体检测方法，其特征在于：获取基于轮廓检测显著图的过程为，
假设将完整轮廓图分割成N1个边界完整的区域{I1,I2,...,IN1}；
区域Ii′的强度、颜色与方向特征值分别为该区域中所有像素点对应特征值的均值，即强度特征值
Figure FDA0003091721390000031
颜色特征值
Figure FDA0003091721390000032
方向特征值
Figure FDA0003091721390000033
将属于背景模板的边界线的梯度值设置为0，其余的设置为1，为每个区域设置一个显著值，
Figure FDA0003091721390000034
其中，Pi′为区域Ii′的显著值，
Figure FDA0003091721390000035
为区域Ii′的轮廓线梯度值的总和，r为系数变量，Ai′为待提取显著值区域的面积，Ak为区域Ik的面积，k∈[1,N1]且k≠i′；
将所有显著值进行归一化，然后计算其累计和并赋予相应的目标，由此得到基于轮廓检测的显著图。
6.根据权利要求1所述的一种采用轮廓检测的完整显著性物体检测方法，其特征在于：获取基于背景模板二值分割图的过程为，
基于背景模板抑制的显著性检测算法，获取显著图；
利用自适应阈值分割方法，获取相应的显著像素点与二值分割图。
7.根据权利要求6所述的一种采用轮廓检测的完整显著性物体检测方法，其特征在于：根据显著图计算相应的自适应阈值sTa；
Figure FDA0003091721390000036
其中，S(x,y)为像素点I(x,y)的显著值，Ix与Iy分别指代显著性图像的宽度与高度；
如果某像素点的显著值小于自适应阈值sTa，则该像素点的显著值被赋值为0，否则，像素点的显著值被设置为1，并将其视为显著像素点，利用获取的自适应阈值sTa对显著图进行自适应阀值分割获取二值分割图。
8.根据权利要求1所述的一种采用轮廓检测的完整显著性物体检测方法，其特征在于：获得最终显著图的过程为，
保留基于轮廓检测的显著图中显著像素点比例高于基准比例的区域，获得优化的基于轮廓检测显著图；
对二值分割图与优化的基于轮廓检测显著图进行线性融合，获取最终的完整显著图。
9.根据权利要求8所述的一种采用轮廓检测的完整显著性物体检测方法，其特征在于：基准比例公式为，
Figure FDA0003091721390000041
其中，Bκ为基准比例，n为显著性像素点的个数，Ix与Iy分别指代显著性图像的宽度与高度；
线性融合公式为，
Figure FDA0003091721390000042
其中，IF为完整显著图，Iss为二值分割图，Ifs为优化的基于轮廓检测显著图，α,β分别为Iss,Ifs的系数。
CN201810563281.XA 2018-06-04 2018-06-04 一种采用轮廓检测的完整显著性物体检测方法 Active CN108710883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810563281.XA CN108710883B (zh) 2018-06-04 2018-06-04 一种采用轮廓检测的完整显著性物体检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810563281.XA CN108710883B (zh) 2018-06-04 2018-06-04 一种采用轮廓检测的完整显著性物体检测方法

Publications (2)

Publication Number Publication Date
CN108710883A CN108710883A (zh) 2018-10-26
CN108710883B true CN108710883B (zh) 2021-08-24

Family

ID=63870346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810563281.XA Active CN108710883B (zh) 2018-06-04 2018-06-04 一种采用轮廓检测的完整显著性物体检测方法

Country Status (1)

Country Link
CN (1) CN108710883B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657669B (zh) * 2018-12-13 2023-02-14 江西金格科技有限公司 一种基于图像处理的电子***智能提取方法
CN111369491B (zh) * 2018-12-25 2023-06-30 宁波舜宇光电信息有限公司 图像污点检测方法、装置、***及存储介质
CN111242240B (zh) * 2020-02-13 2023-04-07 深圳市联合视觉创新科技有限公司 物料检测方法、装置及终端设备
CN111353974B (zh) * 2020-02-20 2023-08-18 苏州凌云光工业智能技术有限公司 一种检测影像边界缺陷的方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6535512B1 (en) * 1996-03-07 2003-03-18 Lsi Logic Corporation ATM communication system interconnect/termination unit
CN103020941A (zh) * 2012-12-28 2013-04-03 昆山市工业技术研究院有限责任公司 基于全景拼接的旋转摄像头背景建立法及运动物体检测法
CN104392231A (zh) * 2014-11-07 2015-03-04 南京航空航天大学 基于分块与稀疏主特征提取的快速协同显著性检测方法
CN105354405A (zh) * 2014-08-20 2016-02-24 中国科学院上海高等研究院 基于机器学习的免疫组化图像自动化判读***
CN105957077A (zh) * 2015-04-29 2016-09-21 国网河南省电力公司电力科学研究院 基于视觉显著性分析的输电线路异物检测方法
CN106228138A (zh) * 2016-07-26 2016-12-14 国网重庆市电力公司电力科学研究院 一种融合区域和边缘信息的道路检测算法
WO2017147086A1 (en) * 2016-02-22 2017-08-31 Harmonic, Inc. Virtual converged cable access platform (ccap) core
CN107220982A (zh) * 2017-04-02 2017-09-29 南京大学 一种抑制船尾拖纹的船舶显著性视频检测方法
CN107622503A (zh) * 2017-08-10 2018-01-23 上海电力学院 一种恢复图像遮挡边界的分层分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6535512B1 (en) * 1996-03-07 2003-03-18 Lsi Logic Corporation ATM communication system interconnect/termination unit
CN103020941A (zh) * 2012-12-28 2013-04-03 昆山市工业技术研究院有限责任公司 基于全景拼接的旋转摄像头背景建立法及运动物体检测法
CN105354405A (zh) * 2014-08-20 2016-02-24 中国科学院上海高等研究院 基于机器学习的免疫组化图像自动化判读***
CN104392231A (zh) * 2014-11-07 2015-03-04 南京航空航天大学 基于分块与稀疏主特征提取的快速协同显著性检测方法
CN105957077A (zh) * 2015-04-29 2016-09-21 国网河南省电力公司电力科学研究院 基于视觉显著性分析的输电线路异物检测方法
WO2017147086A1 (en) * 2016-02-22 2017-08-31 Harmonic, Inc. Virtual converged cable access platform (ccap) core
CN106228138A (zh) * 2016-07-26 2016-12-14 国网重庆市电力公司电力科学研究院 一种融合区域和边缘信息的道路检测算法
CN107220982A (zh) * 2017-04-02 2017-09-29 南京大学 一种抑制船尾拖纹的船舶显著性视频检测方法
CN107622503A (zh) * 2017-08-10 2018-01-23 上海电力学院 一种恢复图像遮挡边界的分层分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于图像显著轮廓的目标检测;毕威 等;《电子学报》;20170815;第45卷(第8期);1902-1910 *
基于引导 Boosting 算法的显著性检测;叶子童 等;《计算机应用》;20170910;第37卷(第9期);2652-2658 *

Also Published As

Publication number Publication date
CN108710883A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
CN107316031B (zh) 用于行人重识别的图像特征提取方法
CN108710883B (zh) 一种采用轮廓检测的完整显著性物体检测方法
CN108520219B (zh) 一种卷积神经网络特征融合的多尺度快速人脸检测方法
Deng et al. Color image segmentation
CN107330397B (zh) 一种基于大间隔相对距离度量学习的行人重识别方法
CN111144376B (zh) 视频目标检测特征提取方法
US20180174301A1 (en) Iterative method for salient foreground detection and multi-object segmentation
CN111639564B (zh) 一种基于多注意力异构网络的视频行人重识别方法
CN109086777B (zh) 一种基于全局像素特征的显著图精细化方法
Gui et al. A new method for soybean leaf disease detection based on modified salient regions
CN110991321B (zh) 一种基于标签更正与加权特征融合的视频行人再识别方法
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
CN111914762A (zh) 基于步态信息的身份识别方法及装置
CN111079757A (zh) 服饰属性识别方法、装置及电子设备
Lu et al. Clustering based road detection method
Alajel et al. Face detection based on skin color modeling and modified Hausdorff distance
Lu et al. Unstructured road detection from a single image
Karimi et al. Spatio-temporal saliency detection using abstracted fully-connected graphical models
CN110599517A (zh) 一种基于局部特征和全局hsv特征组合的目标特征描述方法
Prinosil Blind face indexing in video
Nguyen et al. Enhanced pixel-wise voting for image vanishing point detection in road scenes
Nguyen et al. Efficient vanishing point estimation for unstructured road scenes
KA A Review on Example-based Colourization
Shaik et al. Unsupervised segmentation of image using novel curve evolution method
Akshara et al. A Review on Example-based Colourization

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
TA01 Transfer of patent application right

Effective date of registration: 20190610

Address after: 11 006 No. 18 Ningbo Road, Heping District, Shenyang City, Liaoning Province

Applicant after: Guo Wang Information Communication Branch Company of Liaoning Electric Power Co., Ltd.

Applicant after: NARI Group Co. Ltd.

Applicant after: NANJING NARI INFORMATION COMMUNICATION SCIENCE & TECHNOLOGY CO., LTD.

Applicant after: State Grid Corporation of China

Address before: 11 006 No. 18 Ningbo Road, Heping District, Shenyang City, Liaoning Province

Applicant before: Guo Wang Information Communication Branch Company of Liaoning Electric Power Co., Ltd.

Applicant before: NARI Group Co. Ltd.

Applicant before: NANJING NARI INFORMATION COMMUNICATION SCIENCE & TECHNOLOGY CO., LTD.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant