CN111462106A - 一种深度学习图像识别输入所用张量的生成方法及其应用 - Google Patents
一种深度学习图像识别输入所用张量的生成方法及其应用 Download PDFInfo
- Publication number
- CN111462106A CN111462106A CN202010272361.7A CN202010272361A CN111462106A CN 111462106 A CN111462106 A CN 111462106A CN 202010272361 A CN202010272361 A CN 202010272361A CN 111462106 A CN111462106 A CN 111462106A
- Authority
- CN
- China
- Prior art keywords
- tensor
- image
- input
- deep learning
- generating
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000005286 illumination Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 2
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 238000012797 qualification Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种深度学习图像识别输入所用张量的生成方法及其应用,通过环形排列多光源照明或与此机理类似的结构照明,生成的同一目标物体不同模式的高维度图像张量,对图像张量在第三维做傅里叶变换或进行其他形式的级数展开,只保留其幅值信息,而过滤相位信息。取幅值从低频到高频排列,组成新的特征向量,在有效降低张量维度的同时保留主要的特征,生成表面检测深度学习图像算法的张量输入。该方法能有效保留图像有效信息,同时减少张量输入维度,加快表面检测深度学习网络的训练和推理,从而提高表面检测的检测速度和精度,实现实时检测,提高目标产品的合格率。
Description
技术领域
本发明涉及图像识别技术领域,具体为一种深度学习图像识别输 入所用张量的生成方法及其应用。
背景技术
工业产品的表面缺陷直接影响产品外观的质量,表面检测技术在 工业领域上的应用也越来越受到人们的重视。传统表面检测的方法依 赖于人工进行,但人工缺陷检测存在劳动强度过强、工作效率低、检 测准确性不高、容易受到主观因素影响等缺点,使得基于机器视觉的 主动缺陷检测替代传统人工检测已经成为了重要趋势。
传统的机器视觉的表面检测方法基于图像分割和特征提取算 法,但这些分割和特征提取算法计算比较复杂,分割效果与图像相关, 没有一种通用的分割算法可以实现所有图像的分割和特征提取处理, 通常难以对图像进行实时检测。近年来,深度学习在机器视觉领域得 到广泛的应用,深度学习网络能够从大量样本集中学习数据本质特 征,基于深度学习的图像表面缺陷检测方法也得到了应用发展。
为了获取高质量的表面图像,提高深度学习表面检测算法的 稳定性和可靠性。机器视觉解决方案普遍采用环形排列多光源照明, 或与此机理类似的结构照明,通过多次拍摄所得同一目标物体不同模 式的图像组成高维度图像张量作为网络输入向量。但是由此生成的高 维度图像张量使得训练数据集过于庞大,同时提高深度学习网络算法 训练的难度,降低了算法运行的效率,难以满足实时性的要求。
故此需要提供一种可以更加有效地训练深度学习表面检测算 法,降低训练数据集大小,提高深度学习检测算法的推理速度,实现 表面质量实时检测的方案。
发明内容
本发明的目的是为了提供一种用于表面检测的深度学习图像识 别输入张量的生成方法及其应用,用于解决基于深度学习表面检测算 法输入图像张量维度过大、检测效率不高的问题。
为了达到上述目的,本发明采用以下方案:一种深度学习图像识 别输入所用张量的生成方法及其应用,包括以下步骤:
S1:通过拍摄不同的光照模式下获取所拍摄目标表面的图像张 量数据;
S2:对所获取的目标表面图像预处理;
S3:对已预处理的表面图像融合组成高维度的输入图像张量;
S4:对得到的高维度的输入图像张量进行傅立叶变换,生产新 的输入张量。
作为本发明优选的方案,所述步骤S1具体包括以下步骤:
s11:通过设置环形排列多光源照明的光源结构对目标表面进行 光照;
s12:将目标表面光照进行改变不同模式;
s13:对同一目标物体进行多次不同光照模式的拍照,得到多个 表面图像;
s14:将步骤s13进行一个循环,获得的表面图像构成图像输入 张量。
作为本发明优选的方案,所述步骤S2具体包括以下步骤:
s21:将所获取的表面图像转换成灰度图像;
s22:采用中值滤波法对所获取的灰度图像进行处理,通过数字 信号处理技术将噪音滤除,通过多种滤波技术结合对目标表面图像数 据进行滤波处理,对图像数据传输过程中引入的噪声和非缺陷噪声进 行去噪处理;
s23:将步骤s13中不同光照模式下获取的表面图像按照步骤s21 和s21进行处理。
作为本发明优选的方案,所述步骤S4具体包括以下步骤:
s41:将进行傅立叶变换后新的输入张量从低频到高频排列幅值 作为新的输入张量,获取频域所对应的幅度谱,对高维度的图像张量 在第三维利用傅里叶变换算法或进行其他形式的级数展开,获取图像 张量的频谱信息;
s42:根据频谱信息获取图像张量的频率分布信息,只保留其幅 值信息,忽略傅里叶系数的相位信息,在保留图像张量的主要特征减 少冗余的图像信息;其中:取幅值从低到高频排列{S1,S2,…,Sk},作为 新的特征表示,生成新的输入张量,新生成的输入图像张量用于深度 神经网络模型的训练和推理。
一种深度学习图像识别输入所用张量的生成方法生产的深度学 习图像识别输入所用张量的应用,该深度学习图像识别输入所用张量 应用于低维度表面图像数据集的搜集。
进一步的,所述低维度表面图像数据集的搜集包括:利用环形排 列多光源照明方式,采集多个输入图像数据,生成深度神经网络的训 练集,通过上述图像张量生成方法将原图像数据进行处理变换,生成 新的图像张量,可以有效地降低训练数据集的大小。
一种深度学习图像识别输入所用张量的生成方法生产的深度学 习图像识别输入所用张量的应用,该深度学习图像识别输入所用张量 应用于低维度表面图像张量的深度神经网络的推理。
进一步的,所述低维度表面图像张量的深度神经网络的推理包 括:通过将实时采集的图像数据进行处理变换,生成新的图像张量, 输入训练好的深度神经网络进行推理,输出目标表面质量的检测结 果,得到低维度的表面图像张量的深度神经网络的推理方法。
综上所述,本发明相对于现有技术其有益效果是:
本发明通过上述的神经网络的输入张量的生成方法,将传统的高 维度表面图像张量输入,生成更加适合训练深度卷积神经网络模型的 输入图像张量,以训练得到深度神经网络模型,同时提高深度学习算 法的推理速度。生成的图像张量在神经网络的训练和推理中都得到高 效地利用。
附图说明
图1为本发明一个实施例的深度学习图像识别输入所用张量的 生成流程图。
图2为本发明一个实施例的深度学习图像生成张量的深度神经 网络模型训练流程图。
图3为本发明一个实施例的深度学习图像生成张量的深度学习 算法推理流程图。
具体实施方式
以下具体实施内容提供用于实施本发明的多种不同实施例或实 例。当然,这些仅为实施例或实例且不希望具限制性。另外,在不 同实施例中可能使用重复标号标示,如重复的数字及/或字母。这些 重复是为了简单清楚的描述本发明,不代表所讨论的不同实施例及/ 或结构之间有特定的关系。
此外,其中可能用到与空间相关的用词,像是“在…下方”、“下 侧”、“由内而外”、“上方”、“上侧”及类似的用词,这些关系 词为了便于描述附图中一个(些)元件或特征与另一个(些)元件或特 征之间的关系,这些空间关系词包括使用中或操作中的装置之不同方位,以及附图中所描述的方位。装置可能被转向不同方位(旋转90度 或其他方位),则其中使用的空间相关形容词也可相同地照着解释, 因此不能理解为对本发明的限制,术语“第一”、“第二”仅用于描 述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的 技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示 或者隐含地包括一个或者更多个该特征。
下面结合附图说明和具体实施方式对本发明作进一步描述:
如图1所示的一种深度学习图像识别输入所用张量的生成方法, 包括以下步骤:。
S1:通过拍摄不同的光照模式下获取所拍摄目标表面的图像张 量数据;其中,所述步骤S1具体包括以下步骤:
s11:通过设置环形排列多光源照明的光源结构对目标表面进行 光照;
s12:将目标表面光照进行改变不同的光照模式;
s13:对同一目标物体进行多次不同光照模式的拍照,得到多个 表面图像;
s14:将步骤s13进行一个循环,获得的表面图像构成图像输入 张量。
S2:对所获取的目标表面图像预处理;其中所述步骤S2具体包 括以下步骤:
s21:,将所获取的表面图像转换成灰度图像,对于目标表面图像, 在工业处理过程中更加关注表面图像的轮廓、梯度等特征,为了提高 处理速度,减少多颜色通道对图像轮廓、梯度特征的干扰,将采集的 彩色图像转换成灰度图像。;
s22:采用中值滤波法对所获取的灰度图像进行处理,通过数字 信号处理技术将噪音滤除,工程应用中,在图像采集和传输过程中不 可避免地会引入噪声。而对于噪声而言,由于其存在着随机性特征, 所以可以通过数字信号处理技术将其滤除,再对消除噪声干扰的表面 图像进行后续处理。执行这一个步骤是为了提高后续步骤得到的结果 的精确度,主要做的是图像的平滑处理,图像平滑是为了消除图像采 集过程中的高频噪声。,经过实验结果对比,本发明选用的是中值滤 波法;
s23:将步骤s13中不同光照模式获取的表面图像按照步骤s21 和s21进行处理。
S3:对已预处理的不同光照模式下的表面图像融合组成高维度 的输入图像张量;
S4:对得到的高维度的输入图像张量进行傅立叶变换,生产新 的输入张量,其中所述步骤S4具体包括以下步骤:
s41:将进行傅立叶变换后新的输入张量从低频到高频排列幅值 作为新的输入张量,获取频域所对应的幅度谱;傅里叶变换是一种信 号分析的基本方法,运用它可以将信号从时间域变换到频率域,进而 研究信号的频谱结构和变化规律。频率反映了空间域信号强度的变 化,幅度对应空间域信号对比度,相位表示频率相对原始信号的位移。 二维频谱中每个点的方向与空间域图像强度变化方向相垂直。由于相 位谱所包含新的图像结构信息不多,在本实施例中只考虑图像块的幅 度谱。
将上述高维度的图像张量从空间域转换到频域,对图像张量进行 二维快速傅里叶变换以获取频域所对应的幅度谱。傅里叶变换可以由 以下数学公式表达:
eix=cosx+i sinx
公式中f是空间域值,F是频域值。
s42:根据频谱信息获取图像张量的频率分布信息,只保留其幅 值信息,忽略傅里叶系数的相位信息,在图像处理过程中,本实施例 仅使用了幅度信息,因为幅度图像包含了原图像的几乎所有我们需要 的几何图像信息,在保留图像张量的主要特征同时减少冗余的图像信 息。其中:取幅值从低到高频排列(S1,S2,…,Sk},作为新输入张量的特 征表示,生成新的输入张量,新生成的输入图像张量用于训练预设深 度学习神经网络模型或作为深度学习网络推理的输入。
图2是本发明另一个实施例的深度学习图像生成张量的深度神 经网络模型训练流程图,利用环形排列多光源照明方式,采集多个输 入图像数据,生成深度神经网络的训练集,通过上述图像张量生成方 法将原图像数据进行处理变换,生成新的图像张量,可以有效地降低 训练数据集的大小,得到低维度的表面图像数据集的搜集方法;
在该实施例中,可以通过获取的多个目标图像数据和图1的深度 学习图像识别输入的张量生成方法,获取新的图像张量组成训练数据 集,用于训练预设的深度学习网络模型。
图3是本发明又一个实施例的深度学习图像生成张量的深度学 习算法推理流程图,通过将实时采集的图像数据进行处理变换,生成 新的图像张量,输入训练好的深度神经网络进行推理,输出目标表面 质量的检测结果,得到低维度的表面图像张量的深度神经网络的推理 方法;
在该实施例中,将实时获取的目标表面图像张量,通过图1的 深度学习图像识别输入的张量生成方法,生成新的输入图像张量,输 入已经训练好的深度学习神经网络模型,实现实时目标表面质量检 测。
以上显示和描述了本发明的基本原理和主要特征以及本发明的 优点,本行业的技术人员应该了解,本发明不受上述实施例的限制, 上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发 明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和 改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的 权利要求书及其等效物界定。
Claims (8)
1.一种深度学习图像识别输入所用张量的生成方法,其特征在于,包括以下步骤:
S1:通过拍摄不同的光照模式下获取所拍摄目标表面的图像张量数据;
S2:对所获取的目标表面图像预处理;
S3:对已预处理的表面图像融合组成高维度的输入图像张量;
S4:对得到的高维度的输入图像张量进行傅立叶变换,生产新的输入张量。
2.根据权利要求1所述的一种深度学习图像识别输入所用张量的生成方法,其特征在于,所述步骤S1具体包括以下步骤:
s11:通过设置环形排列多光源照明的光源结构对目标表面进行光照;
s12:将目标表面光照进行改变不同的光照模式;
s13:对同一目标物体进行多次不同光照模式的拍照,得到多个表面图像;
s14:将步骤s13进行一个循环,获得的表面图像构成图像输入张量。
3.根据权利要求2所述的一种深度学习图像识别输入所用张量的生成方法,其特征在于所述步骤S2具体包括以下步骤:
s21:将所获取的表面图像转换成灰度图像;
s22:采用中值滤波法对所获取的灰度图像进行处理,通过数字信号处理技术将噪音滤除;
s23:将步骤s13中不同光照模式下获取的表面图像按照步骤s21和s21进行处理。
4.根据权利要求1所述的一种深度学习图像识别输入所用张量的生成方法,其特征在于所述步骤S4具体包括以下步骤:
s41:将进行傅立叶变换后新的输入张量从低频到高频排列幅值作为新的输入张量,获取频域所对应的幅度谱;
s42:根据频谱信息获取图像张量的频率分布信息,只保留其幅值信息,忽略傅里叶系数的相位信息;其中:取幅值从低到高频排列{S1,S2,…,Sk},作为新的特征表示,生成新的输入张量,用于深度神经网络模型的训练和推理。
5.一种基于权利要求1至4任一所述的一种深度学习图像识别输入所用张量的生成方法生产的深度学习图像识别输入所用张量的应用,其特征在于:该深度学习图像识别输入所用张量应用于低维度表面图像数据集的搜集。
6.根据权利要求5所述的应用,其特征在于:所述低维度表面图像数据集的搜集包括:利用环形排列多光源照明方式,采集多个输入图像数据,生成深度神经网络的训练集,通过上述图像张量生成方法将原图像数据进行处理变换,生成新的图像张量,可以有效地降低训练数据集的大小。
7.一种基于权利要求1至4任一所述的一种深度学习图像识别输入所用张量的生成方法生产的深度学习图像识别输入所用张量的应用,其特征在于:该深度学习图像识别输入所用张量应用于低维度表面图像张量的深度神经网络的推理。
8.根据权利要求7所述的应用,其特征在于:所述低维度表面图像张量的深度神经网络的推理包括:通过将实时采集的图像数据进行处理变换,生成新的图像张量,输入训练好的深度神经网络进行推理,输出目标表面质量的检测结果,得到低维度的表面图像张量的深度神经网络的推理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272361.7A CN111462106A (zh) | 2020-04-09 | 2020-04-09 | 一种深度学习图像识别输入所用张量的生成方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272361.7A CN111462106A (zh) | 2020-04-09 | 2020-04-09 | 一种深度学习图像识别输入所用张量的生成方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111462106A true CN111462106A (zh) | 2020-07-28 |
Family
ID=71680604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010272361.7A Pending CN111462106A (zh) | 2020-04-09 | 2020-04-09 | 一种深度学习图像识别输入所用张量的生成方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462106A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090276181A1 (en) * | 2008-04-30 | 2009-11-05 | Commissariat A L'energie Atomique | Method of Measuring an Anisotropic Surface Diffusion Tensor or Surface Energy Anisotropies |
US20140226437A1 (en) * | 2011-07-19 | 2014-08-14 | Christopher Chambers | System and method for moment tensor migration imaging |
CN107369155A (zh) * | 2017-07-24 | 2017-11-21 | 广东工业大学 | 一种基于机器视觉的布匹表面疵点检测方法及其*** |
US20170344880A1 (en) * | 2016-05-24 | 2017-11-30 | Cavium, Inc. | Systems and methods for vectorized fft for multi-dimensional convolution operations |
CN108267311A (zh) * | 2018-01-22 | 2018-07-10 | 北京建筑大学 | 一种基于张量分解的机械多维大数据处理方法 |
CN108305297A (zh) * | 2017-12-22 | 2018-07-20 | 上海交通大学 | 一种基于多维张量字典学习算法的图像处理方法 |
CN108734187A (zh) * | 2017-04-20 | 2018-11-02 | 中山大学 | 一种基于张量奇异值分解的多视图谱聚类算法 |
CN108873063A (zh) * | 2017-05-16 | 2018-11-23 | 大庆市弘洋石油科技开发有限公司 | 一种微地震矩张量反演的方法及装置 |
-
2020
- 2020-04-09 CN CN202010272361.7A patent/CN111462106A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090276181A1 (en) * | 2008-04-30 | 2009-11-05 | Commissariat A L'energie Atomique | Method of Measuring an Anisotropic Surface Diffusion Tensor or Surface Energy Anisotropies |
US20140226437A1 (en) * | 2011-07-19 | 2014-08-14 | Christopher Chambers | System and method for moment tensor migration imaging |
US20170344880A1 (en) * | 2016-05-24 | 2017-11-30 | Cavium, Inc. | Systems and methods for vectorized fft for multi-dimensional convolution operations |
CN108734187A (zh) * | 2017-04-20 | 2018-11-02 | 中山大学 | 一种基于张量奇异值分解的多视图谱聚类算法 |
CN108873063A (zh) * | 2017-05-16 | 2018-11-23 | 大庆市弘洋石油科技开发有限公司 | 一种微地震矩张量反演的方法及装置 |
CN107369155A (zh) * | 2017-07-24 | 2017-11-21 | 广东工业大学 | 一种基于机器视觉的布匹表面疵点检测方法及其*** |
CN108305297A (zh) * | 2017-12-22 | 2018-07-20 | 上海交通大学 | 一种基于多维张量字典学习算法的图像处理方法 |
CN108267311A (zh) * | 2018-01-22 | 2018-07-10 | 北京建筑大学 | 一种基于张量分解的机械多维大数据处理方法 |
Non-Patent Citations (2)
Title |
---|
GRIGORYAN 等: "Tensor transform-based quaternion fourier transform algorithm", 《INFORMATION SCIENCES》 * |
刘彬 等: "运动相关电位分类算法比较和语义范式分析", 《计算机与现代化》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN | |
Bruno et al. | Fractal dimension applied to plant identification | |
Jain et al. | Natural image denoising with convolutional networks | |
CN112150425A (zh) | 一种基于神经网络的无监督血管内超声图像配准方法 | |
Cao et al. | Multi-focus image fusion by nonsubsampled shearlet transform | |
CN109918417B (zh) | 基于小波变换的时序数据自适应分段、降维与表征方法及应用 | |
CN112288645B (zh) | 一种颅骨面貌复原模型构建方法及复原方法与*** | |
CN109711411B (zh) | 一种基于胶囊神经元的图像分割识别方法 | |
CN111858997B (zh) | 一种基于跨领域匹配的服装样板生成方法 | |
CN105488512A (zh) | 基于Sift特征匹配和形状上下文的试卷阅卷方法 | |
Zenkova et al. | Pseudo-phase mapping of speckle fields using 2D Hilbert transformation | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
CN111598822A (zh) | 一种基于gfrw与iscm的图像融合方法 | |
Zuluaga et al. | Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network | |
Rashid et al. | Single MR image super-resolution using generative adversarial network | |
CN111462106A (zh) | 一种深度学习图像识别输入所用张量的生成方法及其应用 | |
Chen et al. | Research on pupil center location based on improved Hough transform and edge gradient algorithm | |
CN111739047A (zh) | 基于双谱重建的舌体图像分割方法及*** | |
Huang et al. | Medical image super-resolution based on the generative adversarial network | |
Shaheed et al. | Novel image quality assessment and enhancement techniques for finger vein recognition | |
CN108876711A (zh) | 一种基于图像特征点的草图生成方法、服务器及*** | |
Liu et al. | Graph representation learning for spatial image steganalysis | |
Tabatabaei et al. | One dimensional second order derivative local binary pattern for hand gestures classification using sEMG signals | |
CN112529081A (zh) | 基于高效注意力校准的实时语义分割方法 | |
Xie et al. | Retinopathy diagnosis using semi-supervised multi-channel generative adversarial network |
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 |