CN116310550A - 一种图像质量的分类方法及*** - Google Patents
一种图像质量的分类方法及*** Download PDFInfo
- Publication number
- CN116310550A CN116310550A CN202310260621.2A CN202310260621A CN116310550A CN 116310550 A CN116310550 A CN 116310550A CN 202310260621 A CN202310260621 A CN 202310260621A CN 116310550 A CN116310550 A CN 116310550A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- power equipment
- end point
- feature vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像质量的分类方法及***,包括,获取的目标电力设备的图像数据,得到电力设备图像;确定所述电力设备图像的灰度共生矩阵,并根据所述灰度共生矩阵确定所述电力设备图像的特征向量,其中,所述电力设备图像的特征向量至少包括对比度、熵、角二阶矩、反差分矩阵;根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理,得到多个等级的质量等级类别,并将所有等级的质量等级类别内的电力设备图像输出为图像质量的分类结果。本发明通过灰度共生矩阵提取电力设备图像的特征向量,然后根据形成的特征向量聚类算法对图像质量进行分类,从而筛选出高质量图像,剔除低质量图像。
Description
技术领域
本发明涉及图像质量的分类技术领域,特别是涉及一种图像质量的分类方法及***。
背景技术
在电力***的运行过程中,为保证电力设备的正常运行,需要对设备进行实时监控诊断,随着人工智能技术的发展,利用神经网络对电力设备图像进行识别和故障诊断已成趋势,为提高神经网络的识别诊断精度,需要建立高质量图像数据库,并针对图像质量进行分类,能够对图像的质量进行分类,从而筛选出高质量图像,剔除低质量图像。
发明内容
本发明的目的在于,提出一种图像质量的分类方法及***,解决如何对图像的质量进行分类,从而筛选出高质量图像,剔除低质量图像的技术问题。
一方面,提供一种图像质量的分类方法,包括:
获取的目标电力设备的图像数据,得到电力设备图像;
确定所述电力设备图像的灰度共生矩阵,并根据所述灰度共生矩阵确定所述电力设备图像的特征向量,其中,所述电力设备图像的特征向量至少包括对比度、熵、角二阶矩、反差分矩阵;
根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理,得到多个等级的质量等级类别,并将所有等级的质量等级类别内的电力设备图像输出为图像质量的分类结果。
优选地,所述确定所述电力设备图像的灰度共生矩阵包括:
在所述电力设备图像内选择任一像素点为起点;
将与所述起点相隔距离为预设距离值且与所述起点相对方位为预设角度的像素点为终点,统计所述终点出现的概率;
将所述起点的灰度值、所述终点的灰度值及所述终点出现的概率作为一个估计的值,并统计所有估计的值组成一个矩阵,得到灰度共生矩阵。
优选地,所述根据所述灰度共生矩阵确定所述电力设备图像的特征向量包括:
根据以下公式计算所述电力设备图像的对比度:
其中,CON代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。
优选地,还包括:
根据以下公式计算所述电力设备图像的熵:
其中,ENT代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。
优选地,还包括:
根据以下公式计算所述电力设备图像的角二阶矩:
其中,ASM代表电力设备图像的角二阶矩,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。
优选地,还包括:
根据以下公式计算所述电力设备图像的反差分矩阵:
其中,H代表电力设备图像的反差分矩阵,d代表终点与起点相隔距离的预设距离值,θ代表终点与起点相对方位的预设角度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。
优选地,所述根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理包括:
随机选择多个中心点,其中一个中心点对应一个质量等级类别;
将所述灰度共生矩阵提取得到的所有特征向量分别和多个中心点进行欧式距离计算,并分配每个特征向量到与其距离最近的中心点;
选取每个质量等级类别中的平均值,将该平均值作为一个新的中心点;
分配每个特征向量到与其最近的新的中心点,直到所有的特征向量不再被分配或达到预设的最大的迭代次数为止,得到最终的图像质量的分类结果。
另一方面,还提供一种图像质量的分类***,用于实现所述的图像质量的分类方法,包括:
图像获取模块,用以获取的目标电力设备的图像数据,得到电力设备图像;
特征向量模块,用以确定所述电力设备图像的灰度共生矩阵,并根据所述灰度共生矩阵确定所述电力设备图像的特征向量,其中,所述电力设备图像的特征向量至少包括对比度、熵、角二阶矩、反差分矩阵;
聚类模块,用以根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理,得到多个等级的质量等级类别,并将所有等级的质量等级类别内的电力设备图像输出为图像质量的分类结果。
优选地,所述特征向量模块具体用于,在所述电力设备图像内选择任一像素点为起点;
将与所述起点相隔距离为预设距离值且与所述起点相对方位为预设角度的像素点为终点,统计所述终点出现的概率;
将所述起点的灰度值、所述终点的灰度值及所述终点出现的概率作为一个估计的值,并统计所有估计的值组成一个矩阵,得到灰度共生矩阵;
根据以下公式计算所述电力设备图像的对比度:
其中,CON代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的熵:
其中,ENT代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的角二阶矩:
其中,ASM代表电力设备图像的角二阶矩,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的反差分矩阵:
其中,H代表电力设备图像的反差分矩阵,d代表终点与起点相隔距离的预设距离值,θ代表终点与起点相对方位的预设角度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。
优选地,所述聚类模块具体用于,随机选择多个中心点,其中一个中心点对应一个质量等级类别;
将所述灰度共生矩阵提取得到的所有特征向量分别和多个中心点进行欧式距离计算,并分配每个特征向量到与其距离最近的中心点;
选取每个质量等级类别中的平均值,将该平均值作为一个新的中心点;
分配每个特征向量到与其最近的新的中心点,直到所有的特征向量不再被分配或达到预设的最大的迭代次数为止,得到最终的图像质量的分类结果。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的图像质量的分类方法及***,通过灰度共生矩阵提取电力设备图像的特征向量,然后根据形成的特征向量K-means聚类算法对图像质量进行分类,从而筛选出高质量图像,剔除低质量图像。
附图说明
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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种图像质量的分类方法的主流程示意图。
图2为本发明实施例中一种图像质量的分类***的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明提供的一种图像质量的分类方法的一个实施例的示意图。在该实施例中,所述方法包括以下步骤:
步骤S1,获取的目标电力设备的图像数据,得到电力设备图像;也就是,通过摄像或红外采集技术等图像信息采集方法对目标电力设备处的图像数据进行采集。
步骤S2,确定所述电力设备图像的灰度共生矩阵,并根据所述灰度共生矩阵确定所述电力设备图像的特征向量,其中,所述电力设备图像的特征向量至少包括对比度、熵、角二阶矩、反差分矩阵;也就是,通过灰度共生矩阵提取电力设备图像的特征值,然后根据形成的特征值K-means聚类算法对图像质量进行分类。度共生矩阵是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下,提出的具有广泛性的纹理分析方法。
具体实施例中,所述确定所述电力设备图像的灰度共生矩阵包括:在所述电力设备图像内选择任一像素点为起点;将与所述起点相隔距离为预设距离值且与所述起点相对方位为预设角度的像素点为终点,统计所述终点出现的概率;将所述起点的灰度值、所述终点的灰度值及所述终点出现的概率作为一个估计的值,并统计所有估计的值组成一个矩阵,得到灰度共生矩阵。可理解的,定义为从灰度为i的像素点出发,离开某个固定位置(相隔距离为d,方位为θ)的点上灰度值为j的频数或概率(统计像素点对中按某一位置关系灰度值对为(i,j)的频数或概率),即所有估计的值可以表示成一个矩阵的形式,以此被称为灰度共生矩阵,体现了图像中灰度的空间相关特性。由于灰度共生矩阵的数据量较大,一般不直接作为区分纹理的特征,而是基于它构建的一些统计量作为纹理分类特征。
本实施例中,将对比度、熵、角二阶矩、反差分矩阵作为上述的四个统计量。根据以下公式计算所述电力设备图像的对比度:
其中,CON代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。对比度(Contrast,CON)反应了图像的清晰度和纹理的沟纹深浅,纹理越清晰反差越大对比度也就越大。
根据以下公式计算所述电力设备图像的熵:
其中,ENT代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。熵(Entropy,ENT)度量了图像包含信息量的随机性,表现了图像的复杂程度,当共生矩阵中所有值均相等或者像素值表现出最大的随机性时,熵最大。
根据以下公式计算所述电力设备图像的角二阶矩:
其中,ASM代表电力设备图像的角二阶矩,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。角二阶矩(angular second moment,ASM)是图像灰度分布均匀程度和纹理粗细的度量,当图像纹理均一规则时,能量值较大;反之灰度共生矩阵的元素值相近,能量值较小。
根据以下公式计算所述电力设备图像的反差分矩阵:
其中,H代表电力设备图像的反差分矩阵,d代表终点与起点相隔距离的预设距离值,θ代表终点与起点相对方位的预设角度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。反差分矩阵(Inverse Differential Moment,IDM)又称逆方差,反映了纹理的清晰程度和规则程度。纹理清晰、规律性较强、易于描述的图像,值较大。
步骤S3,根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理,得到多个等级的质量等级类别,并将所有等级的质量等级类别内的电力设备图像输出为图像质量的分类结果。也就是,通过k-means算法分类能得到k种等级的图像,实现了图像的质量分类。
具体实施例中,随机选择多个中心点,其中一个中心点对应一个质量等级类别;将所述灰度共生矩阵提取得到的所有特征向量分别和多个中心点进行欧式距离计算,并分配每个特征向量到与其距离最近的中心点;选取每个质量等级类别中的平均值,将该平均值作为一个新的中心点;分配每个特征向量到与其最近的新的中心点,直到所有的特征向量不再被分配或达到预设的最大的迭代次数为止,得到最终的图像质量的分类结果。可理解的,例如第一步,随机选择k个中心点即分为k个质量等级类别,记为a1,a2……ak;第二步,将灰度共生矩阵提取得到的所有特征向量分别和k个中心点进行欧式距离计算,分配每个向量到它最近的中心点;第三步,取每个类别中的平均值,生成一个新的中心点;第四步,分配每个向量到它最近的中心点;第五步,重复步骤四和五,直到所有的观测值(特征向量)不再被分配或是达到最大的迭代次数。
如图2所示,本发明实施例中还提供一种图像质量的分类***,用于实现所述的图像质量的分类方法,包括:
图像获取模块,用以获取的目标电力设备的图像数据,得到电力设备图像;
特征向量模块,用以确定所述电力设备图像的灰度共生矩阵,并根据所述灰度共生矩阵确定所述电力设备图像的特征向量,其中,所述电力设备图像的特征向量至少包括对比度、熵、角二阶矩、反差分矩阵;
聚类模块,用以根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理,得到多个等级的质量等级类别,并将所有等级的质量等级类别内的电力设备图像输出为图像质量的分类结果。
具体实施例中,所述特征向量模块具体用于,在所述电力设备图像内选择任一像素点为起点;
将与所述起点相隔距离为预设距离值且与所述起点相对方位为预设角度的像素点为终点,统计所述终点出现的概率;
将所述起点的灰度值、所述终点的灰度值及所述终点出现的概率作为一个估计的值,并统计所有估计的值组成一个矩阵,得到灰度共生矩阵;
根据以下公式计算所述电力设备图像的对比度:
其中,CON代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的熵:
其中,ENT代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的角二阶矩:
其中,ASM代表电力设备图像的角二阶矩,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的反差分矩阵:
其中,H代表电力设备图像的反差分矩阵,d代表终点与起点相隔距离的预设距离值,θ代表终点与起点相对方位的预设角度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。
本实施例中,所述聚类模块具体用于,随机选择多个中心点,其中一个中心点对应一个质量等级类别;
将所述灰度共生矩阵提取得到的所有特征向量分别和多个中心点进行欧式距离计算,并分配每个特征向量到与其距离最近的中心点;
选取每个质量等级类别中的平均值,将该平均值作为一个新的中心点;
分配每个特征向量到与其最近的新的中心点,直到所有的特征向量不再被分配或达到预设的最大的迭代次数为止,得到最终的图像质量的分类结果。
需说明的是,上述实施例所述***与上述实施例所述方法对应,因此,上述实施例所述***未详述部分可以参阅上述实施例所述方法的内容得到,此处不再赘述。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的图像质量的分类方法及***,通过灰度共生矩阵提取电力设备图像的特征向量,然后根据形成的特征向量K-means聚类算法对图像质量进行分类,从而筛选出高质量图像,剔除低质量图像。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种图像质量的分类方法,其特征在于,包括:
获取的目标电力设备的图像数据,得到电力设备图像;
确定所述电力设备图像的灰度共生矩阵,并根据所述灰度共生矩阵确定所述电力设备图像的特征向量,其中,所述电力设备图像的特征向量至少包括对比度、熵、角二阶矩、反差分矩阵;
根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理,得到多个等级的质量等级类别,并将所有等级的质量等级类别内的电力设备图像输出为图像质量的分类结果。
2.如权利要求1所述的方法,其特征在于,所述确定所述电力设备图像的灰度共生矩阵包括:
在所述电力设备图像内选择任一像素点为起点;
将与所述起点相隔距离为预设距离值且与所述起点相对方位为预设角度的像素点为终点,统计所述终点出现的概率;
将所述起点的灰度值、所述终点的灰度值及所述终点出现的概率作为一个估计的值,并统计所有估计的值组成一个矩阵,得到灰度共生矩阵。
7.如权利要求6所述的方法,其特征在于,所述根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理包括:
随机选择多个中心点,其中一个中心点对应一个质量等级类别;
将所述灰度共生矩阵提取得到的所有特征向量分别和多个中心点进行欧式距离计算,并分配每个特征向量到与其距离最近的中心点;
选取每个质量等级类别中的平均值,将该平均值作为一个新的中心点;
分配每个特征向量到与其最近的新的中心点,直到所有的特征向量不再被分配或达到预设的最大的迭代次数为止,得到最终的图像质量的分类结果。
8.一种图像质量的分类***,用于实现如权利要求1-7任一项所述的方法,其特征在于,包括:
图像获取模块,用以获取的目标电力设备的图像数据,得到电力设备图像;
特征向量模块,用以确定所述电力设备图像的灰度共生矩阵,并根据所述灰度共生矩阵确定所述电力设备图像的特征向量,其中,所述电力设备图像的特征向量至少包括对比度、熵、角二阶矩、反差分矩阵;
聚类模块,用以根据所述电力设备图像的特征向量对所述电力设备图像进行聚类处理,得到多个等级的质量等级类别,并将所有等级的质量等级类别内的电力设备图像输出为图像质量的分类结果。
9.如权利要求8所述的***,其特征在于,所述特征向量模块具体用于,在所述电力设备图像内选择任一像素点为起点;
将与所述起点相隔距离为预设距离值且与所述起点相对方位为预设角度的像素点为终点,统计所述终点出现的概率;
将所述起点的灰度值、所述终点的灰度值及所述终点出现的概率作为一个估计的值,并统计所有估计的值组成一个矩阵,得到灰度共生矩阵;
根据以下公式计算所述电力设备图像的对比度:
其中,CON代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的熵:
其中,ENT代表电力设备图像的对比度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的角二阶矩:
其中,ASM代表电力设备图像的角二阶矩,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率;
根据以下公式计算所述电力设备图像的反差分矩阵:
其中,H代表电力设备图像的反差分矩阵,d代表终点与起点相隔距离的预设距离值,θ代表终点与起点相对方位的预设角度,i代表起点的灰度值,j代表终点的灰度值,P(i,j)代表终点出现的概率。
10.如权利要求9所述的***,其特征在于,所述聚类模块具体用于,随机选择多个中心点,其中一个中心点对应一个质量等级类别;
将所述灰度共生矩阵提取得到的所有特征向量分别和多个中心点进行欧式距离计算,并分配每个特征向量到与其距离最近的中心点;
选取每个质量等级类别中的平均值,将该平均值作为一个新的中心点;
分配每个特征向量到与其最近的新的中心点,直到所有的特征向量不再被分配或达到预设的最大的迭代次数为止,得到最终的图像质量的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260621.2A CN116310550A (zh) | 2023-03-10 | 2023-03-10 | 一种图像质量的分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260621.2A CN116310550A (zh) | 2023-03-10 | 2023-03-10 | 一种图像质量的分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310550A true CN116310550A (zh) | 2023-06-23 |
Family
ID=86837514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310260621.2A Pending CN116310550A (zh) | 2023-03-10 | 2023-03-10 | 一种图像质量的分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310550A (zh) |
-
2023
- 2023-03-10 CN CN202310260621.2A patent/CN116310550A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341463B (zh) | 一种结合图像质量分析与度量学习的人脸特征识别方法 | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN112435221A (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
CN101561865A (zh) | 基于多参数谱特征的合成孔径雷达图像目标识别方法 | |
CN113947570B (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
CN115456113A (zh) | 一种基于星座图多特征提取算法的调制格式识别方法 | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及*** | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN108960186B (zh) | 一种基于人脸的广告机用户识别方法 | |
CN111259792A (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
CN116842210B (zh) | 一种基于纹理特征的纺织品印花纹理智能检索方法 | |
CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和*** | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
CN116310550A (zh) | 一种图像质量的分类方法及*** | |
CN111325158A (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
CN112561949B (zh) | 一种基于rpca和支持向量机的快速运动目标检测算法 | |
Kundur et al. | Pest detection and recognition: An approach using deep learning techniques | |
Huang et al. | Bark classification based on textural features using artificial neural networks | |
CN107122795B (zh) | 一种基于核化特征和随机子空间集成的行人再辨识方法 | |
CN117746079B (zh) | 一种高光谱图像的聚类预测方法、***、存储介质及设备 | |
Han | Fast fractal image compression using fuzzy classification |
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 |