CN111461147A - 一种基于图像特征的二进制编码组织算法 - Google Patents
一种基于图像特征的二进制编码组织算法 Download PDFInfo
- Publication number
- CN111461147A CN111461147A CN202010367569.7A CN202010367569A CN111461147A CN 111461147 A CN111461147 A CN 111461147A CN 202010367569 A CN202010367569 A CN 202010367569A CN 111461147 A CN111461147 A CN 111461147A
- Authority
- CN
- China
- Prior art keywords
- layer
- codes
- organization
- values
- color
- 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.)
- Granted
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
- G06V10/40—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
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
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
一种基于图像特征的二进制编码组织算法,首先分割图像中物体的区域,提取颜色块,计算每个颜色块的图像特征,包括颜色特征(HSV三通道值)、纹理特征(LBP特征值)和形状特征(线段、角点),然后将每个块的每一个特征值分别量化到0‑255范围内,再将特征值由十进制转换为二进制,将二进制数值根据二进制的位数进行多层编码后存储,最后对每个块的每一个特征值的多层编码进行两两组织,得到每个块的多层编码,再将每个块的多层编码进行两两组织,最后得到该图像物体的多层编码,并以该形式存储。这种将物体特征数据化,进行存储的方式以及编码的逐层细化,大大地方便了计算机对图像物体的检索、识别,从而能更快速的识别出物体信息。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种基于图像特征的二进制编码组织算法。
背景技术
在计算机对图像物体识别的过程中,需要将物体的特征信息提取出来,进行储存,以便于之后学习时的提取,现有的储存方式通常为不进行任何变换直接将特征值存储,然而这种储存方式存在以下不足之处:
1.没有将多种特征统一量化到一定范围内,即多种特征的值变化范围不定,可能每种特征根据提取算法的不同会得到不同大小范围的值,这些数据不能很好的相互整合,不利于数据的检索;
2.不能在一定范围的数据量内描述一个物体,不能形成一个有规律的关于物体描述的数据***。
发明内容
本发明要解决的技术问题是:提供一种将物体特征信息具体化、数据化,变为计算机可以存储的数据信息,以便于计算机识别的的基于图像特征的二进制编码组织算法,以克服已有技术所存在的上述不足。
本发明采取的技术方案是:一种基于图像特征的二进制编码组织算法,包括以下步骤:
A.分割图像中物体的区域,提取颜色块,计算每个颜色块的图像特征,包括颜色特征(HSV三通道值)、纹理特征(LBP特征值)和形状特征(线段、角点);
B.将每个块的每一个特征值分别量化到0-255范围内;
C.将特征值由十进制转换为二进制,将二进制数值根据二进制的位数进行多层编码后存储;
D.对每个块的每一个特征值的多层编码进行两两组织,得到每个块的多层编码,再将每个块的多层编码进行两两组织,最后得到该图像物体的多层编码,并以该形式存储。
其进一步的技术方案为:所述步骤B具体包括以下步骤:
b1.将颜色特征值,即H、S、V的值范围量化至0-255内;
b2.将LBP特征值的范围量化至0-255内:
由统计色块的灰度图得到直方图数据,从直方图中筛选出数据集合(即数组),该数组中的每个数据为当前长度值的数量值,再从该数组中筛选出最大的多个数组,将其对应长度位置的数量值量化到0-255范围内,数量值的变化范围为该颜色块的像素点数量和,最后根据具体大小将每个长度的数量值量化到0-255范围内;
b3.将角点、线段特征值的范围量化至0-255内:
由每个块的外轮廓曲线提取得到的角点,角度取值为0-π/2,将其量化到0-255范围内,类型分为凹、凸两种,分别用0、255表示;
由角点和外轮廓曲线切分得到的线段数据,每条线段的形状特征根据计算其端点长度及其中线位置得到4个特征值,将其量化到0-255范围内,再将每条线段的长度特征以最长线段为基础、最大值量化到0-255的范围内。
更进一步:所述步骤C具体包括以下步骤:
c1.将颜色特征H、S、V值的十进制数值转换为8位二进制数,则该二进制数有8层编码,编码方式如下:第一层取第一位二进制数,第二层取前二位二进制数,第三层取前三位二进制数,依次类推,第八层取八位二进制数,从而取到8层编码,最后将每一层得到的编码数值进行存储;
c2.将纹理特征LBP值里每组的两个值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储;
c3.将角点的多组特征值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储;
c4.线段包括形状特征和长度特征,形状特征的每组特征值里包括4个特征值,将其十进制数值分别转换为8位二进制数,再将该4个8位二进制数按顺序组成一个32位的二进制数,按步骤c1中的编码方式进行编码,从而得到32层编码,存储,将长度特征的多组特征值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储。
更进一步:所述步骤D具体包括以下步骤:
d1.将每组颜色特征H、S、V值的3个8层编码(H值编码、S值编码、V值编码)进行两两组织,组织方式如下:将第1个8层编码的第一层编码与第2个8层编码的第一层编码进行组织,得到的结果再与第3个8层编码的第一层编码进行组织,从而得到该颜色特征的第一层编码,将第1个8层编码的第二层编码与第2个8层编码的第二层编码进行组织,得到的结果再与第3个8层编码的第二层编码进行组织,从而得到该颜色特征的第二层编码,依次类推,得到该颜色特征的8层编码,再将多组颜色特征的8层编码按上述组织方式进行两两组织,最后得到该颜色块颜色特征的8层编码;
d2.将每组纹理特征LBP值的2个8层编码(位置、数量)按步骤d1中的组织方式进行两两组织,得到每组纹理特征的8层编码,再将多组LBP值的8层编码进行两两组织,最后得到该颜色块纹理特征的8层编码;
d3.将每组形状特征中的角点特征的2个8层编码(角度大小、角点类型)按步骤d1中的组织方式进行两两组织,得到每组角点特征的8层编码,再将多组角点特征的8层编码进行两两组织,最后得到该颜色块角点特征的8层编码;
d4.将每组形状特征中的线段特征的32层编码(形状)拆分成4个8层编码,按步骤d1中的组织方式进行两两组织,得到每组形状的8层编码,将形状的8层编码与长度的8层编码进行组织,得到线段特征的8层编码,将多组线段特征的8层编码进行两两组织,最后得到该颜色块线段特征的8层编码;
d5.将每个颜色块的颜色特征的8层编码、纹理特征的8层编码、角点特征的8层编码、线段特征的8层编码按步骤d1中的组织方式进行两两组织,得到该颜色块的8层编码;
d6.将多个颜色块的8层编码按步骤d1中的组织方式进行两两组织,最终得到该物体的编码。
由于采用上述技术方案,本发明之一种基于图像特征的二进制编码组织算法具有如下有益效果:
1.本发明将图像物体的颜色、形状和纹理特征值分别量化到0-255范围内,再将其转为二进制数,分层进行编码,将各个特征值的多层编码两两组织,得到一个最终的组织编码,用来描述物体的特征信息,从而将物体特征数据化,进行存储,这种形式的存储方式以及编码的逐层细化,大大地方便了计算机对图像物体的检索、识别,从而能更快速的识别出物体信息,对图像识别领域起到很大的帮助作用。
2.本发明将各个特征值量化到统一范围,将各种特征根据一定的规律整合到一起,形成一个在一定数据变化范围内的描述物体的数据***,由于各种特征值在同一范围,且以二进制的分层编码、组织、存储特征,不仅可以将各种特征分层组合在一起,生成一个描述物体特征的数据集合,而且这种多层编码的方法,以层层递进的方式从粗略到精细描述物体的特征,可以在一定程度内对物体进行分类,同时检索时也是以这种层层递进的方式进行检索,在一定程度上提高了检索效率。
下面结合附图和实施例对本发明之一种基于图像特征的二进制编码组织算法的技术特征作进一步的说明。
附图说明
图1为本发明实施例之物体单个颜色块特征组织编码流程图;
图2为本发明实施例之物体特征组织编码流程图。
具体实施方式
实施例
一种基于图像特征的二进制编码组织算法,包括以下步骤:
A.分割图像中物体的区域,该区域有一个或多个颜色块,提取颜色块,计算每个颜色块的图像特征,包括颜色特征(HSV三通道值,即色值、饱和度、亮度),用以描述图像的颜色,纹理特征(LBP特征值,具有灰度不变性和旋转不变性等显著优点),形状特征(线段、角点),线段如单个块的外轮廓线条,即一条封闭的曲线,角点即由外轮廓曲线提取的角度数据,HSV三通道值包括H值、S值和V值,LBP特征值包括位置和数量,线段包括线段形状和线段长度,角点包括角度大小、角点类型;
B.将每个块的每一个特征值分别量化到0-255范围内;
b1.物体在图像中由不同的颜色块组成,每个颜色块有一组HSV值,因此可得到多组HSV值,其通常表示为:H的范围为0-360,S的范围为0-100%,V的范围为0-100%,将每组颜色特征值,即H、S、V的值范围量化至0-255内;
b2.将LBP特征值的范围量化至0-255内:
由统计色块的灰度图得到直方图数据,从直方图中筛选出数据集合(即数组),用以表示该区域的纹理特征信息,例如长度为256的数组,该数组中的每个数据为当前长度值的数量值,再从该数组中筛选出最大的多个数组,将其对应长度位置的数量值量化到0-255范围内,数量值的变化范围为该颜色块的像素点数量和,其大小不定,最后根据具体大小将每个长度的数量值量化到0-255范围内;
b3.将角点、线段特征值的范围量化至0-255内:
由每个块的外轮廓曲线提取得到的角点,角度取值为0-π/2,将其量化到0-255范围内,类型分为凹、凸两种,分别用0、255表示;
由角点和外轮廓曲线切分得到的线段数据,每条线段的形状特征根据计算其端点长度及其中线位置得到4个特征值,将其量化到0-255范围内,再将每条线段的长度特征以最长线段为基础、最大值量化到0-255的范围内;
C.将特征值由十进制转换为二进制,将二进制数值根据二进制的位数进行多层编码后存储;
c1.将颜色特征H、S、V值的十进制数值转换为8位二进制数,则该二进制数有8层编码,编码方式如下:第一层取第一位二进制数,第二层取前二位二进制数,第三层取前三位二进制数,依次类推,第八层取八位二进制数,从而取到8层编码,最后将每一层得到的编码数值进行存储,例如:有一颜色块H为185,S为105,V为35,其二进制数值分别为10111001,01101001,00100011,以10111001为例,第一层为1,第二层为01,第三层为001,第四层为1001,第五层为11001,第六层为111001,第七层为0111001,第八层为10111001,将每一层得到的编码数值存储,S和V的数值以同样的方式处理;
c2.将纹理特征LBP值里每组的两个值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储,LBP值经过筛选后有多组,以其中一组为例说明,如在位置为234地方有180个点,即(234,180),二进制数值为11101010,10110100,以第一个数位置为例,其8层编码分别为:第一层为0,第二层为10,第三层为010,第四层为1010,第五层为01010,第六层为101010,第七层为1101010,第八层为11101010,将每一层得到的编码数值存储,点数值也做同样的处理;
c3.角点有多组特征值,角度大小和角点类型为一组,将角点的多组特征值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储,以其中一组为例说明,如角度为56,角点类型为255,角度56的二进制数为00111000,其8层编码分别为;第一层为0,第二层为00,第三层为000,第四层为1000,第五层为11000,第六层为111000,第七层为0111000,第八层为00111000,将每一层得到的编码数值存储,角点类型值也做同样的处理;
c4.线段包括形状特征和长度特征,形状特征的每组特征值里包括4个特征值,将其十进制数值分别转换为8位二进制数,再将该4个8位二进制数按顺序组成一个32位的二进制数,按步骤c1中的编码方式进行编码,从而得到32层编码,存储,将长度特征的多组特征值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储,以一组数据为例说明,如形状的4个值分别为23,80,16,245,其对应的二进制分别为00010111,01010000,10100110,11110101,合并后的二进制为00010111010100001010011011110101,对该二进制进行编码,第一层为1,第二层为01,第三层为101,第四层为0101,第五层为10101,依次生成32层编码进行存储,线段长度为0-255的值,其8层编码方式同上;
D.对每个块的每一个特征值的多层编码进行两两组织,得到每个块的多层编码,再将每个块的多层编码进行两两组织,最后得到该图像物体的多层编码,并以该形式存储;
d1.将每组颜色特征H、S、V值的3个8层编码(H值编码、S值编码、V值编码)进行两两组织,组织方式如下:将第1个8层编码的第一层编码与第2个8层编码的第一层编码进行组织,得到的结果再与第3个8层编码的第一层编码进行组织,从而得到该颜色特征的第一层编码,将第1个8层编码的第二层编码与第2个8层编码的第二层编码进行组织,得到的结果再与第3个8层编码的第二层编码进行组织,从而得到该颜色特征的第二层编码,依次类推,得到该颜色特征的8层编码,再将多组颜色特征的8层编码按上述组织方式进行两两组织,最后得到该颜色块颜色特征的8层编码,例如有H为185,S为105,V为35,其二进制数值分别为10111001,01101001,00100011,分别按位做多层编码,然后将对应层的两两组织,则其第一层的编码分别为1、1、1,1和1组织后得到的编码再和1组织得到第一层最终的编码,第二层的编码分别为01、01、11,01和01组织后得到的编码再和11组织得到第二层最终的编码,第三层的编码分别为001、001、011,001和001组织后得到的编码再和011组织得到最终的第三层编码,第四层的编码分别为1001、1001、0011,1001和1001组织后得到的编码再和0011组织得到最终的第四层编码,第五层的编码分别为11001、01001、00011,11001和01001组织后得到的编码再和00011组织得到最终的第五层编码,第六层的编码分别为111001、101001、100011,111001和101001组织后得到的编码再和100011组织得到最终的第六层编码,第七层的编码分别为0111001、1101001、0100011,0111001和1101001组织后得到的编码再和0100011组织得到最终的第七层编码,第八层的编码分别为10111001、01101001、00100011,10111001和01101001组织后得到的编码再和00100011组织得到最终的第八层编码,最后即是一组H、S、V组织后得到的8层编码;
d2.将每组纹理特征LBP值的2个8层编码(位置、数量)按步骤d1中的组织方式进行两两组织,得到每组纹理特征的8层编码,再将多组LBP值的8层编码进行两两组织,最后得到该颜色块纹理特征的8层编码;
d3.将每组形状特征中的角点特征的2个8层编码(角度大小、角点类型)按步骤d1中的组织方式进行两两组织,得到每组角点特征的8层编码,再将多组角点特征的8层编码进行两两组织,最后得到该颜色块角点特征的8层编码;
d4.将每组形状特征中的线段特征的32层编码(形状)拆分成4个8层编码,按步骤d1中的组织方式进行两两组织,得到每组形状的8层编码,将形状的8层编码与长度的8层编码进行组织,得到线段特征的8层编码,将多组线段特征的8层编码进行两两组织,最后得到该颜色块线段特征的8层编码;
d5.将每个颜色块的颜色特征的8层编码、纹理特征的8层编码、角点特征的8层编码、线段特征的8层编码按步骤d1中的组织方式进行两两组织,得到该颜色块的8层编码;
d6.将多个颜色块的8层编码按步骤d1中的组织方式进行两两组织,最终得到该物体的编码。
以上实施例仅为本发明的较佳实施例,本发明的方法并不限于上述实施例列举的形式,凡在本发明的精神和原则之内所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于图像特征的二进制编码组织算法,其特征在于:包括以下步骤:
A.分割图像中物体的区域,提取颜色块,计算每个颜色块的图像特征,包括颜色特征(HSV三通道值)、纹理特征(LBP特征值)和形状特征(线段、角点);
B.将每个块的每一个特征值分别量化到0-255范围内;
C.将特征值由十进制转换为二进制,将二进制数值根据二进制的位数进行多层编码后存储;
D.对每个块的每一个特征值的多层编码进行两两组织,得到每个块的多层编码,再将每个块的多层编码进行两两组织,最后得到该图像物体的多层编码,并以该形式存储。
2.根据权利要求1所述的一种基于图像特征的二进制编码组织算法,其特征在于:所述步骤B具体包括以下步骤:
b1.将颜色特征值,即H、S、V的值范围量化至0-255内;
b2.将LBP特征值的范围量化至0-255内:
由统计色块的灰度图得到直方图数据,从直方图中筛选出数据集合(即数组),该数组中的每个数据为当前长度值的数量值,再从该数组中筛选出最大的多个数组,将其对应长度位置的数量值量化到0-255范围内,数量值的变化范围为该颜色块的像素点数量和,最后根据具体大小将每个长度的数量值量化到0-255范围内;
b3.将角点、线段特征值的范围量化至0-255内:
由每个块的外轮廓曲线提取得到的角点,角度取值为0-π/2,将其量化到0-255范围内,类型分为凹、凸两种,分别用0、255表示;
由角点和外轮廓曲线切分得到的线段数据,每条线段的形状特征根据计算其端点长度及其中线位置得到4个特征值,将其量化到0-255范围内,再将每条线段的长度特征以最长线段为基础、最大值量化到0-255的范围内。
3.根据权利要求2所述的一种基于图像特征的二进制编码组织算法,其特征在于:所述步骤C具体包括以下步骤:
c1.将颜色特征H、S、V值的十进制数值转换为8位二进制数,则该二进制数有8层编码,编码方式如下:第一层取第一位二进制数,第二层取前二位二进制数,第三层取前三位二进制数,依次类推,第八层取八位二进制数,从而取到8层编码,最后将每一层得到的编码数值进行存储;
c2.将纹理特征LBP值里每组的两个值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储;
c3.将角点的多组特征值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储;
c4.线段包括形状特征和长度特征,形状特征的每组特征值里包括4个特征值,将其十进制数值分别转换为8位二进制数,再将该4个8位二进制数按顺序组成一个32位的二进制数,按步骤c1中的编码方式进行编码,从而得到32层编码,存储,将长度特征的多组特征值的十进制数值转换为8位二进制数,再按步骤c1中的编码方式分别进行编码、存储。
4.根据权利要求3所述的一种基于图像特征的二进制编码组织算法,其特征在于:所述步骤D具体包括以下步骤:
d1.将每组颜色特征H、S、V值的3个8层编码(H值编码、S值编码、V值编码)进行两两组织,组织方式如下:将第1个8层编码的第一层编码与第2个8层编码的第一层编码进行组织,得到的结果再与第3个8层编码的第一层编码进行组织,从而得到该颜色特征的第一层编码,将第1个8层编码的第二层编码与第2个8层编码的第二层编码进行组织,得到的结果再与第3个8层编码的第二层编码进行组织,从而得到该颜色特征的第二层编码,依次类推,得到该颜色特征的8层编码,再将多组颜色特征的8层编码按上述组织方式进行两两组织,最后得到该颜色块颜色特征的8层编码;
d2.将每组纹理特征LBP值的2个8层编码(位置、数量)按步骤d1中的组织方式进行两两组织,得到每组纹理特征的8层编码,再将多组LBP值的8层编码进行两两组织,最后得到该颜色块纹理特征的8层编码;
d3.将每组形状特征中的角点特征的2个8层编码(角度大小、角点类型)按步骤d1中的组织方式进行两两组织,得到每组角点特征的8层编码,再将多组角点特征的8层编码进行两两组织,最后得到该颜色块角点特征的8层编码;
d4.将每组形状特征中的线段特征的32层编码(形状)拆分成4个8层编码,按步骤d1中的组织方式进行两两组织,得到每组形状的8层编码,将形状的8层编码与长度的8层编码进行组织,得到线段特征的8层编码,将多组线段特征的8层编码进行两两组织,最后得到该颜色块线段特征的8层编码;
d5.将每个颜色块的颜色特征的8层编码、纹理特征的8层编码、角点特征的8层编码、线段特征的8层编码按步骤d1中的组织方式进行两两组织,得到该颜色块的8层编码;
d6.将多个颜色块的8层编码按步骤d1中的组织方式进行两两组织,最终得到该物体的编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367569.7A CN111461147B (zh) | 2020-04-30 | 2020-04-30 | 一种基于图像特征的二进制编码组织算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367569.7A CN111461147B (zh) | 2020-04-30 | 2020-04-30 | 一种基于图像特征的二进制编码组织算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461147A true CN111461147A (zh) | 2020-07-28 |
CN111461147B CN111461147B (zh) | 2023-05-23 |
Family
ID=71686069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010367569.7A Active CN111461147B (zh) | 2020-04-30 | 2020-04-30 | 一种基于图像特征的二进制编码组织算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461147B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126513A (zh) * | 2020-01-20 | 2020-05-08 | 柳州智视科技有限公司 | 一种通用物体实时学习、识别***及其学习、识别方法 |
CN112381823A (zh) * | 2021-01-13 | 2021-02-19 | 北京智拓视界科技有限责任公司 | 用于图像的几何特征的提取方法和相关产品 |
CN115203462A (zh) * | 2022-07-12 | 2022-10-18 | 中国建筑西南设计研究院有限公司 | 一种基于多维度编码的建筑结构边缘构件识别方法和装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4259661A (en) * | 1978-09-01 | 1981-03-31 | Burroughs Corporation | Apparatus and method for recognizing a pattern |
GB9013783D0 (en) * | 1989-06-21 | 1990-08-08 | Canon Kk | Image data processing apparatus and method thereof |
CN101937513A (zh) * | 2009-06-30 | 2011-01-05 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
WO2015024383A1 (zh) * | 2013-08-19 | 2015-02-26 | 成都品果科技有限公司 | 用于颜色分布和纹理分布图像检索的相似度获取方法 |
CN104484425A (zh) * | 2014-12-20 | 2015-04-01 | 辽宁师范大学 | 基于多特征的彩色图像检索方法 |
CN104915626A (zh) * | 2014-03-11 | 2015-09-16 | 重庆邮电大学 | 一种人脸识别方法及装置 |
CN105069400A (zh) * | 2015-07-16 | 2015-11-18 | 北京工业大学 | 基于栈式稀疏自编码的人脸图像性别识别*** |
US20170094279A1 (en) * | 2015-09-29 | 2017-03-30 | Dolby Laboratories Licensing Corporation | Feature Based Bitrate Allocation in Non-Backward Compatible Multi-Layer Codec Via Machine Learning |
CN106960176A (zh) * | 2017-02-22 | 2017-07-18 | 华侨大学 | 一种基于超限学习机和颜色特征融合的行人性别识别方法 |
CN107239793A (zh) * | 2017-05-17 | 2017-10-10 | 清华大学 | 多量化深度二值特征学习方法及装置 |
CN109076217A (zh) * | 2016-05-02 | 2018-12-21 | 索尼公司 | 图像处理装置和图像处理方法 |
CN109190451A (zh) * | 2018-07-12 | 2019-01-11 | 广西大学 | 基于lfp特征的遥感图像车辆检测方法 |
CN109753581A (zh) * | 2018-11-30 | 2019-05-14 | 北京拓尔思信息技术股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN110188646A (zh) * | 2019-05-23 | 2019-08-30 | 南京邮电大学 | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 |
CN111126513A (zh) * | 2020-01-20 | 2020-05-08 | 柳州智视科技有限公司 | 一种通用物体实时学习、识别***及其学习、识别方法 |
-
2020
- 2020-04-30 CN CN202010367569.7A patent/CN111461147B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4259661A (en) * | 1978-09-01 | 1981-03-31 | Burroughs Corporation | Apparatus and method for recognizing a pattern |
GB9013783D0 (en) * | 1989-06-21 | 1990-08-08 | Canon Kk | Image data processing apparatus and method thereof |
CN101937513A (zh) * | 2009-06-30 | 2011-01-05 | 索尼公司 | 信息处理设备、信息处理方法和程序 |
WO2015024383A1 (zh) * | 2013-08-19 | 2015-02-26 | 成都品果科技有限公司 | 用于颜色分布和纹理分布图像检索的相似度获取方法 |
CN104915626A (zh) * | 2014-03-11 | 2015-09-16 | 重庆邮电大学 | 一种人脸识别方法及装置 |
CN104484425A (zh) * | 2014-12-20 | 2015-04-01 | 辽宁师范大学 | 基于多特征的彩色图像检索方法 |
CN105069400A (zh) * | 2015-07-16 | 2015-11-18 | 北京工业大学 | 基于栈式稀疏自编码的人脸图像性别识别*** |
US20170094279A1 (en) * | 2015-09-29 | 2017-03-30 | Dolby Laboratories Licensing Corporation | Feature Based Bitrate Allocation in Non-Backward Compatible Multi-Layer Codec Via Machine Learning |
CN109076217A (zh) * | 2016-05-02 | 2018-12-21 | 索尼公司 | 图像处理装置和图像处理方法 |
CN106960176A (zh) * | 2017-02-22 | 2017-07-18 | 华侨大学 | 一种基于超限学习机和颜色特征融合的行人性别识别方法 |
WO2018209932A1 (zh) * | 2017-05-17 | 2018-11-22 | 清华大学 | 多量化深度二值特征学习方法及装置 |
CN107239793A (zh) * | 2017-05-17 | 2017-10-10 | 清华大学 | 多量化深度二值特征学习方法及装置 |
CN109190451A (zh) * | 2018-07-12 | 2019-01-11 | 广西大学 | 基于lfp特征的遥感图像车辆检测方法 |
CN109753581A (zh) * | 2018-11-30 | 2019-05-14 | 北京拓尔思信息技术股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN110188646A (zh) * | 2019-05-23 | 2019-08-30 | 南京邮电大学 | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 |
CN111126513A (zh) * | 2020-01-20 | 2020-05-08 | 柳州智视科技有限公司 | 一种通用物体实时学习、识别***及其学习、识别方法 |
Non-Patent Citations (3)
Title |
---|
KWAN、C: "二进制与数字图像", 《HTTPS://WWW.CNBLOGS.COM/KWAN-C/P/12166260.HTML》 * |
LIU, XM .ETC: "Multiple Description Image Coding with Local Random Measurements", 《DATA COMPRESSION CONFERENCE》 * |
肖遥: "基于全卷积神经网络的群体异常事件检测方法研究", 《中国优秀硕士学位论文全文数据库社会科学Ⅰ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126513A (zh) * | 2020-01-20 | 2020-05-08 | 柳州智视科技有限公司 | 一种通用物体实时学习、识别***及其学习、识别方法 |
CN112381823A (zh) * | 2021-01-13 | 2021-02-19 | 北京智拓视界科技有限责任公司 | 用于图像的几何特征的提取方法和相关产品 |
CN112381823B (zh) * | 2021-01-13 | 2021-04-16 | 北京智拓视界科技有限责任公司 | 用于图像的几何特征的提取方法和相关产品 |
CN115203462A (zh) * | 2022-07-12 | 2022-10-18 | 中国建筑西南设计研究院有限公司 | 一种基于多维度编码的建筑结构边缘构件识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111461147B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461147B (zh) | 一种基于图像特征的二进制编码组织算法 | |
Xiang et al. | Fabric image retrieval system using hierarchical search based on deep convolutional neural network | |
Kekre et al. | Improved texture feature based image retrieval using Kekre’s fast codebook generation algorithm | |
CN109285198B (zh) | 一种环形编码标记点的编码及识别方法 | |
CN111898621B (zh) | 一种轮廓形状识别方法 | |
CN101710334A (zh) | 基于图像哈希的大规模图像库检索方法 | |
WO2017101225A1 (zh) | 一种商标图形要素识别方法、装置、***以及计算机存储介质 | |
CN107169425A (zh) | 一种商品属性的识别方法及装置 | |
CN108829692B (zh) | 一种基于卷积神经网络的花卉图像检索方法 | |
Jayaswal et al. | A hybrid approach for image retrieval using visual descriptors | |
CN105809132B (zh) | 一种改进的压缩感知人脸识别方法 | |
CN113723410B (zh) | 一种数码管数字识别方法及装置 | |
CN109035318B (zh) | 一种图像风格的转换方法 | |
CN115690216A (zh) | 一种基于工件形状特征编码的工件识别方法及存储介质 | |
CN115622571A (zh) | 一种基于数据处理的雷达目标识别方法 | |
CN108830333A (zh) | 一种基于三倍比特量化及非对称距离的最近邻搜索方法 | |
Jiang | Image Feature Fusion and Fisher Coding based Method for CBIR | |
CN107402974B (zh) | 基于多种二进制HoG描述符的草图检索方法 | |
CN112784838A (zh) | 一种基于局部敏感哈希网络的汉明ocr识别方法 | |
WO2020168526A1 (zh) | 图像编码方法、设备及计算机可读存储介质 | |
de Carvalho et al. | Neighborhood coding for bilevel image compression and shape recognition | |
CN109063693A (zh) | 金字塔式编码的bgp人脸快速检索方法 | |
Kamal et al. | Iteration free fractal compression using genetic algorithm for still colour images | |
CN111797910B (zh) | 一种基于平均偏汉明损失的多维标签预测方法 | |
Tai et al. | Image retrieval based on color and texture |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |