CN110163244A - 一种瓷砖纹理分类方法和装置 - Google Patents

一种瓷砖纹理分类方法和装置 Download PDF

Info

Publication number
CN110163244A
CN110163244A CN201910269271.XA CN201910269271A CN110163244A CN 110163244 A CN110163244 A CN 110163244A CN 201910269271 A CN201910269271 A CN 201910269271A CN 110163244 A CN110163244 A CN 110163244A
Authority
CN
China
Prior art keywords
image
classification
nonlinear characteristic
sorted
linear distance
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
CN201910269271.XA
Other languages
English (en)
Inventor
阮铃通
吴琦
刘晨曦
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.)
Xiamen Science And Technology Co Ltd
Original Assignee
Xiamen Science And Technology 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 Xiamen Science And Technology Co Ltd filed Critical Xiamen Science And Technology Co Ltd
Priority to CN201910269271.XA priority Critical patent/CN110163244A/zh
Publication of CN110163244A publication Critical patent/CN110163244A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes

Landscapes

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

Abstract

本申请涉及图像处理技术领域，尤其涉及一种瓷砖纹理分类方法和装置。所述方法包括：基于特征提取网络从待分类瓷砖图像中提取深度非线性特征；基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，N＞1；将计算出的N个非线性距离中最小的非线性距离所对应的图像分类模板的类别作为所述待分类瓷砖图像的类别。本发明实施例方案能够提供瓷砖纹理分类的准确性。

Description

一种瓷砖纹理分类方法和装置
技术领域
本申请涉及图像处理技术领域，尤其涉及一种瓷砖纹理分类方法和装置。
背景技术
随着科学技术水平的不断提高，计算机视觉越来越受到人们的关注。将计算机视觉应用在工业生产的各个环节以代替人工、提高生产效率已经成为一种趋势。在瓷砖分类领域中，由于瓷砖纹理种类繁多、类别间差异较小，依靠单纯、直观的标准很难对瓷砖纹理进行合理区分。
在目前所采用的基于计算机视觉对瓷砖纹理分类的方法中，主要是根据感兴趣区域提取的纹理特征或色差信息进行分类，由于纹理种类众多，当不同瓷砖的纹理特征和颜色比较接近时得到的分类结果会存在比较大误差，从而导致较高误检率。
例如，在现有的一种瓷砖纹理分类方法中，基于瓷砖釉面纹理与背景反射率不同的特点，将纹理分为宏观纹理和高反射率纹理，同时结合色调、灰度对瓷砖纹理分类，该方法解决了高反射纹理与背景色差接近难以区分的问题，但是在多类别纹理特征和颜色较为相近时难以实现理想的分类效果。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种瓷砖纹理分类方法和装置。
第一方面，本发明实施例提供了一种瓷砖纹理分类方法，包括：
基于特征提取网络从待分类瓷砖图像中提取深度非线性特征；
基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，N＞1；
将计算出的N个非线性距离中最小的非线性距离所对应的图像分类模板的类别作为所述待分类瓷砖图像的类别。
可选的，基于特征提取网络从待分类瓷砖图像中提取深度非线性特征，包括：
从所述待分类瓷砖图像中截取关键特征图像；
基于特征提取网络从所述关键特征图像中提取深度非线性特征。
可选的，所述特征提取网络包括：多个卷积层以及至少两个最大池化层，以用于从所述待分类瓷砖图像中提取深度非线性特征。
可选的，基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，包括：
将所述深度非线性特征进行N维度扩展；
基于全连接关系网络，计算所述N维度扩展得到的N个非线性特特征与所述N个图像分类模板之间的非线性距离。
可选的，将所述深度非线性特征进行N维度扩展，包括：
将所述深度非线性特征复制N次得到N个所述深度非线性特征。
可选的，所述全连接关系网络包括：多个卷积层、多个最大池化层以及多个全连接层，以用于计算所述深度非线性特征与N个图像分类模板之间的非线性距离。
第二方面本发明实施例提供了一种瓷砖纹理分类装置，包括：
特征提取模块，用于基于特征提取网络从待分类瓷砖图像中提取深度非线性特征；
距离计算模块，用于基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，N＞1；
类别确定模块，用于将计算出的N个非线性距离中最小的非线性距离所对应的图像分类模板的类别作为所述待分类瓷砖图像的类别。
可选的，所述特征提取模块具体用于：
从所述待分类瓷砖图像中截取关键特征图像；
基于特征提取网络从所述关键特征图像中提取深度非线性特征。
可选的，所述距离计算模块具体用于：
将所述深度非线性特征进行N维度扩展；
基于全连接关系网络，计算所述N维度扩展得到的N个非线性特特征与所述N个图像分类模板之间的非线性距离。
第三方面，本发明实施例提供了一种瓷砖纹理分类装置，包括：存储器、处理器，其中：
所述存储器用于存储一条或多条计算机指令，所述一条或多条计算机指令被所述处理器执行时实现上述瓷砖纹理分类方法。
第四方面，本发明实施例提供了一种计算机存储介质，其特征在于，所述存储介质用于存储计算机程序，所述计算机程序用于使计算机执行时实现上述的瓷砖纹理分类方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
在本发明实施例的瓷砖纹理分类方案中，从待分类瓷砖图像中提取深度非线性特征，并且基于全连接关系网络计算提取的深度非线性特征与N个图像分类模板之间的非线性距离，将N个非线性距离中最小非线性距离对应的图像分类模板的类别作为待分类瓷砖图像的类别。该方案不受所提取的特征限制可适用于多类别瓷砖纹理分类，能够提高瓷砖纹理分类的效率和准确性，识别精度高、鲁棒性强。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的瓷砖纹理分类方法的流程图；
图2为本发明实施例二提供的瓷砖纹理分类方法的流程图；
图3为本发明实施例提供的一种特征提取网络的结构示意图；
图4为本发明实施例提供的一种全连接关系网络的结构示意图；
图5为本发明实施例提供的一种瓷砖纹理色块分类示意图；
图6为本发明实施例提供的瓷砖纹理分类装置的结构示意图；
图7为图6所示装置所对应电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
为了解决现有技术中瓷砖纹理分类误差较大、效率较低的问题，本发明实施例提供了一种瓷砖纹理分类方法，该方法基于计算机视觉识别技术，不受所提取的特征限制可适用于多类别瓷砖纹理分类，能够提高瓷砖纹理分类的效率和准确性，识别精度高、鲁棒性强。
图1为本发明实施例一提供的瓷砖纹理分类方法的流程图，该方法可以由支持计算机视觉识别技术的终端设备执行。如图1所示，该方法包括如下步骤：
步骤S101：基于特征提取网络从待分类瓷砖图像中提取深度非线性特征。
步骤S102：基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，N＞1。
步骤S103：将计算出的N个非线性距离中最小的非线性距离所对应的图像分类模板的类别作为所述待分类瓷砖图像的类别。
在本发明实施例方案中，从待分类瓷砖图像中提取深度非线性特征，之后基于全连接关系网络计算瓷砖的深度非线性特征与各种图像分类模板之间的非线性距离，并且根据计算出的非线性距离确定待分类瓷砖图像所属的类别。其中，将计算出的最小非线性距离对应的图像分类模板的类别作为待分类瓷砖图像的类别。
图2为本发明实施例二提供的瓷砖纹理分类方法的流程图，如图2所示，该方法包括如下步骤：
步骤S201：从待分类瓷砖图像中截取关键特征图像。
在从待分类瓷砖图像中提取深度非线性特征之前，首先对待分类瓷砖图像进行预处理。具体的，可以从待分类瓷砖图像中截取关键特征图像，例如以长宽1:1的比例截取待分类瓷砖图像最能体现瓷砖特点的图像作为关键特征图像，可选的，也可以将待分类瓷砖图像中间部位的图像作为关键特征图像。从待分类瓷砖图像中截取关键特征图像后，可以对关键特征图像进行缩放，以使关键特征图像满足后续计算处理要求，例如对关键特征图像的缩放尺寸为84*84。
步骤S202：基于特征提取网络从所述关键特征图像中提取深度非线性特征。
可选的，所述特征提取网络包括：多个卷积层以及至少两个最大池化层，以用于从所述待分类瓷砖图像中提取深度非线性特征。
如图3所示，所述特征提取网络的结构包括：4个卷积层和2个最大池化层。
步骤S203：将所述深度非线性特征进行N维度扩展。
基于特征提取网络计算得到待分类瓷砖图像的深度非线性特征后，对该深度非线性特征进行N维度扩展。
可选的，对深度非线性特征进行N维度扩展，包括：将所述深度非线性特征复制N次得到N个所述深度非线性特征。
步骤S204：基于全连接关系网络，计算所述N维度扩展得到的N个非线性特特征与所述N个图像分类模板之间的非线性距离。
其中，全连接关系网络的结构包括：多个卷积层、多个最大池化层以及多个全连接层，以用于计算所述深度非线性特征与N个图像分类模板之间的非线性距离。
如图4所示，在一个具体实现方式中，全连接关系网络包括2个卷积层、2个最大池化层和2个全连接层。
步骤S205：将计算出的N个非线性距离中最小的非线性距离所对应的图像分类模板的类别作为所述待分类瓷砖图像的类别。
如图5所示，基于特征提取网络从测试样品(即待分类瓷砖图像)中提取样品特征，并且将该样品特征进行N维度扩展，得到N个样品特征，将该N个样品特别与N个模板特征(即图像分类模板)作为输入特征输入到全连接关系网络中以分别计算得到N个样品特征与N个模板特征之间的非线性距离，样品特征与模板特征之间的非线性距离代表样品特征与模板特征之间的相似度，非线性距离最小代表样品特征与模板特征之间的相似度越高，取相似度最高的模板特征作为待分类瓷砖图像的类别。
以下将详细描述本发明的一个或多个实施例的瓷砖纹理分类装置。本领域技术人员可以理解，所述装置可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
图6为本发明实施例提供的瓷砖纹理分类装置的结构示意图，包括：特征提取模块11、距离计算模块12和类别确定模块13，其中：
特征提取模块11，用于基于特征提取网络从待分类瓷砖图像中提取深度非线性特征；
距离计算模块12，用于基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，N＞1；
类别确定模块13，用于将计算出的N个非线性距离中最小的非线性距离所对应的图像分类模板的类别作为所述待分类瓷砖图像的类别。
可选的，所述特征提取模块11具体用于：从所述待分类瓷砖图像中截取关键特征图像；基于特征提取网络从所述关键特征图像中提取深度非线性特征。
可选的，所述距离计算模块12具体用于：将所述深度非线性特征进行N维度扩展；基于全连接关系网络，计算所述N维度扩展得到的N个非线性特特征与所述N个图像分类模板之间的非线性距离。
图6所示装置可以执行上述方法实施例中瓷砖纹理分类装置执行的操作，本实施例未详细描述的部分，可参考上述所示方法实施例的相关说明。该技术方案的执行过程和技术效果参见上述所示方法实施例中的描述，在此不再赘述。
以上描述了瓷砖纹理分类装置的内部功能和结构，在一个可能的设计中，瓷砖纹理分类装置的结构可实现为一电子设备，如计算机等，如图7所示，该电子设备可以包括：处理器21和存储器22。其中，所述存储器22用于存储支持该电子设备执行上述方法实施例中提供的瓷砖纹理分类方法的程序，所述处理器21被配置为用于执行所述存储器22中存储的程序。其中，所述电子设备的结构中还可以包括通信接口23，用于该电子设备与其他设备比如存储节点或通信网络通信。
另外，本发明实施例提供了一种计算机存储介质，用于储存上述电子设备所用的计算机软件指令，其包含用于执行上述方法实施例中瓷砖纹理分类方法所涉及的程序。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种瓷砖纹理分类方法，其特征在于，包括：
基于特征提取网络从待分类瓷砖图像中提取深度非线性特征；
基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，N＞1；
将计算出的N个非线性距离中最小的非线性距离所对应的图像分类模板的类别作为所述待分类瓷砖图像的类别。
2.根据权利要求1所述的方法，其特征在于，基于特征提取网络从待分类瓷砖图像中提取深度非线性特征，包括：
从所述待分类瓷砖图像中截取关键特征图像；
基于特征提取网络从所述关键特征图像中提取深度非线性特征。
3.根据权利要求1或2所述的方法，其特征在于，所述特征提取网络包括：多个卷积层以及至少两个最大池化层，以用于从所述待分类瓷砖图像中提取深度非线性特征。
4.根据权利要求1所述的方法，其特征在于，基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，包括：
将所述深度非线性特征进行N维度扩展；
基于全连接关系网络，计算所述N维度扩展得到的N个非线性特特征与所述N个图像分类模板之间的非线性距离。
5.根据权利要求4所述的方法，其特征在于，将所述深度非线性特征进行N维度扩展，包括：
将所述深度非线性特征复制N次得到N个所述深度非线性特征。
6.根据权利要求1所述的方法，其特征在于，所述全连接关系网络包括：多个卷积层、多个最大池化层以及多个全连接层，以用于计算所述深度非线性特征与N个图像分类模板之间的非线性距离。
7.一种瓷砖纹理分类装置，其特征在于，包括：
特征提取模块，用于基于特征提取网络从待分类瓷砖图像中提取深度非线性特征；
距离计算模块，用于基于全连接关系网络计算所述深度非线性特征与N个图像分类模板之间的非线性距离，N＞1；
类别确定模块，用于将计算出的N个非线性距离中最小的非线性距离所对应的图像分类模板的类别作为所述待分类瓷砖图像的类别。
8.根据权利要求7所述的装置，其特征在于，所述特征提取模块具体用于：
从所述待分类瓷砖图像中截取关键特征图像；
基于特征提取网络从所述关键特征图像中提取深度非线性特征。
9.根据权利要求7所述的装置，其特征在于，所述距离计算模块具体用于：
将所述深度非线性特征进行N维度扩展；
基于全连接关系网络，计算所述N维度扩展得到的N个非线性特特征与所述N个图像分类模板之间的非线性距离。
10.一种瓷砖纹理分类装置，其特征在于，包括：存储器、处理器，其中：
所述存储器用于存储一条或多条计算机指令，所述一条或多条计算机指令被所述处理器执行时实现如权利要求1至6中任一项所述的瓷砖纹理分类方法。
CN201910269271.XA 2019-04-04 2019-04-04 一种瓷砖纹理分类方法和装置 Pending CN110163244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910269271.XA CN110163244A (zh) 2019-04-04 2019-04-04 一种瓷砖纹理分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910269271.XA CN110163244A (zh) 2019-04-04 2019-04-04 一种瓷砖纹理分类方法和装置

Publications (1)

Publication Number Publication Date
CN110163244A true CN110163244A (zh) 2019-08-23

Family

ID=67639066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910269271.XA Pending CN110163244A (zh) 2019-04-04 2019-04-04 一种瓷砖纹理分类方法和装置

Country Status (1)

Country Link
CN (1) CN110163244A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560926A (zh) * 2020-12-07 2021-03-26 杭州聚玻科技有限公司 一种自动确定玻璃类型的方法
CN112633393A (zh) * 2020-12-29 2021-04-09 北京理工大学重庆创新中心 一种瓷砖纹理自动分类方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324759A (zh) * 2013-07-05 2013-09-25 易翔 一种瓷砖智能识别设备
CN106971174A (zh) * 2017-04-24 2017-07-21 华南理工大学 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN107730500A (zh) * 2017-11-01 2018-02-23 广东工业大学 一种瓷砖纹理检测方法、***、装置及可读存储介质
CN109064502A (zh) * 2018-07-11 2018-12-21 西北工业大学 基于深度学习和人工设计特征相结合的多源图像配准方法
CN109522493A (zh) * 2018-09-04 2019-03-26 西安艾润物联网技术服务有限责任公司 信息推送方法及相关产品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324759A (zh) * 2013-07-05 2013-09-25 易翔 一种瓷砖智能识别设备
CN106971174A (zh) * 2017-04-24 2017-07-21 华南理工大学 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法
CN107730500A (zh) * 2017-11-01 2018-02-23 广东工业大学 一种瓷砖纹理检测方法、***、装置及可读存储介质
CN109064502A (zh) * 2018-07-11 2018-12-21 西北工业大学 基于深度学习和人工设计特征相结合的多源图像配准方法
CN109522493A (zh) * 2018-09-04 2019-03-26 西安艾润物联网技术服务有限责任公司 信息推送方法及相关产品

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560926A (zh) * 2020-12-07 2021-03-26 杭州聚玻科技有限公司 一种自动确定玻璃类型的方法
CN112560926B (zh) * 2020-12-07 2023-04-18 杭州聚玻科技有限公司 一种自动确定玻璃类型的方法
CN112633393A (zh) * 2020-12-29 2021-04-09 北京理工大学重庆创新中心 一种瓷砖纹理自动分类方法及装置

Similar Documents

Publication Publication Date Title
CN108108754A (zh) 重识别网络的训练、重识别方法、装置和***
CN103247036B (zh) 多曝光图像融合方法和装置
CN110473141A (zh) 图像处理方法、装置、存储介质及电子设备
TWI543083B (zh) 產生二維條碼之方法
CN108961303A (zh) 一种图像处理方法、装置、电子设备和计算机可读介质
CN110222728B (zh) 物品鉴别模型的训练方法、***及物品鉴别方法、设备
CN105608459B (zh) 商品图片的分割方法及其装置
CN108682007B (zh) 基于深度随机森林的jpeg图像重采样自动检测方法
CN109145766A (zh) 模型训练方法、装置、识别方法、电子设备及存储介质
CN108492294B (zh) 一种图像色彩和谐程度的评估方法及装置
CN110059677A (zh) 基于深度学习的数字表识别方法及设备
US11816946B2 (en) Image based novelty detection of material samples
CN105930834A (zh) 基于球哈希二值编码的人脸识别方法及装置
CN111723856B (zh) 一种图像数据处理方法、装置、设备及可读存储介质
CN110163244A (zh) 一种瓷砖纹理分类方法和装置
CN110070115A (zh) 一种单像素攻击样本生成方法、装置、设备及存储介质
CN110349167A (zh) 一种图像实例分割方法及装置
CN108710893A (zh) 一种基于特征融合的数字图像相机源模型分类方法
CN108764100A (zh) 一种目标行为检测方法及服务器
CN115063861A (zh) 模型训练方法、图像背景相似判断方法及装置
CN110163095B (zh) 回环检测方法、回环检测装置及终端设备
US20210166073A1 (en) Image generation method and computing device
CN110599487A (zh) 物品检测方法、装置以及存储介质
CN111726592B (zh) 获取图像信号处理器的架构的方法和装置
CN109087344A (zh) 三维重建中的图像选择方法及装置

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

Application publication date: 20190823

RJ01 Rejection of invention patent application after publication