MXPA01007845A - Metodo para la recuperacion de la textura de imagenes y aparato para el mismo. - Google Patents
Metodo para la recuperacion de la textura de imagenes y aparato para el mismo.Info
- Publication number
- MXPA01007845A MXPA01007845A MXPA01007845A MXPA01007845A MXPA01007845A MX PA01007845 A MXPA01007845 A MX PA01007845A MX PA01007845 A MXPA01007845 A MX PA01007845A MX PA01007845 A MXPA01007845 A MX PA01007845A MX PA01007845 A MXPA01007845 A MX PA01007845A
- Authority
- MX
- Mexico
- Prior art keywords
- image
- candidate
- predetermined
- coefficients
- graphics
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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
- G06V10/443—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 by matching or 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
- G06V10/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/196—Recognition using electronic means using sequential comparisons of the image signals with a plurality of references
- G06V30/1983—Syntactic or structural pattern recognition, e.g. symbolic string recognition
- G06V30/1988—Graph matching
-
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- 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
- G06T2207/20072—Graph-based image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
Se describe un metodo para recuperar un descriptor de textura de imagen, para describir caracteristicas de textura de una imagen, que incluye los pasos de (d) filtrar imagenes de entrada usando filtros predeterminados que tienen diferentes coeficientes de orientacion, (b) proyectar las imagenes filtradas sobre ejes de cada direccion predeterminada, para obtener grupos de datos que consisten de promedios de cada uno de los valores de elementos de imagen direccionales, (c) seleccionar grupos de datos candidatos entre los grupos de datos, a traves de un metodo de clasificacion predeterminado, (d) determinar una pluralidad de indicadores en base a los coeficientes de orientacion de los filtros usados en la filtracion de los grupos de datos candidatos, y (e) determinar la pluralidad de indicadores como el descriptor de textura de la imagen. Los descriptores de textura que permiten que se puedan capturar perceptualmente los tipos de estructura de textura presentes en una imagen, pueden ser recuperados.
Description
MÉTODO PARA LA RECUPERACIÓN DE LA TEXTURA DE IMÁGENES Y APARATO PARA EL MISMO
CAMPO DE LA INVENCIÓN
La presente invención se refiere a un método y aparato para recuperar un descriptor de textura de imagen, y más particularmente a un método para la recuperación de un descriptor de textura de imagen, para recuperar un descriptor de textura que se usa en la búsqueda y examen de una imagen, y que describa las características de textura de la imagen, y un aparato para el mismo.
ANTECEDENTES DE LA INVENCIÓN
Recientemente la textura de la imagen ha surgido como características visuales importantes para la búsqueda y examen de un gran conjunto de patrones de imágenes similares. Por ejemplo, un descriptor de textura convencional para filtrar un descriptor de textura mediante un filtro Gabor extrae un descriptor de textura que consiste de coeficientes obtenidos mediante la filtración Gabor. Sin embargo, aunque los descriptores de la textura de imagen, convencionales, consisten de numerosos vectores,
REF.: 132121 es bastante difícil percibir visualmente las estructuras de textura a partir del descriptor de textura.
DESCRIPCIÓN DE LA INVENCIÓN
Un objeto de la presente invención es proporcionar un método para recuperar un descriptor de textura de imagen, que pueda capturar perceptualmente las estructuras de textura presentes en una imagen. Otro objeto de la presente invención es proporcionar un medio de almacenamiento legible en computadora, que tenga en el mismo almacenado un programa de computadora, en donde el programa esté dispuesto de manera tal que una computadora ejecute el método para la recuperación del descriptor de textura de imagen. Todavía otro objeto de la presente invención es proporcionar un aparato para la recuperación de descriptor de textura de imagen, que lleve a cabo el método de recuperación del descriptor de textura de imagen. Para conseguir el objeto se proporciona un método para recuperar un descriptor de textura de imagen, para describir características de textura de una imagen, que incluye los pasos de (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de orientación, (b) proyectar las imágenes filtradas sobre ejes de cada dirección predeterminada, para obtener grupos de datos que consistan de promedios de cada uno de los valores de los elementos de imagen direccionales, (e) seleccionar grupos de datos candidatos entre los grupos de datos, a través de un método de clasificación predeterminado, (d) determinar una pluralidad de indicadores en base a los coeficientes de orientación de los filtros usados para filtrar los grupos de datos de candidatos, y (e) determinar la pluralidad de indicadores como el descriptor de textura de la imagen. El paso (a) puede incluir además el paso de (a-1) filtrar las imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de escala, y el paso (d) comprende además los pasos de (d-1) determinar una pluralidad de indicadores en base a los coeficientes de escala de los filtros usados en la filtración de los grupos de datos candidatos. El método para la recuperación del descriptor de textura de imagen puede incluir además el paso de determinar otro indicador basado en la presencia de grupos de datos filtrados por los filtros que tengan coeficientes de escala o coeficientes de orientación que estén cerca o sean idénticos de los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración de los grupos de datos candidatos, seleccionados.
•4 íáníi ·..
El método para la recuperación del descriptor de textura de imagen puede incluir además el paso de calcular la media y varianza de los elementos de imagen con respecto a las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas. De acuerdo con otro aspecto de la presente invención se proporciona un método para recuperar un descriptor de textura de imagen, para describir características de textura de una imagen, que incluye los pasos de (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de escala, (b) proyectar las imágenes filtradas sobre ejes de cada dirección predeterminada, para obtener grupos de datos que consistan de promedios de cada uno de los valores de los elementos de imagen direccionales, (c) determinar una pluralidad de indicadores en base a los coeficientes de escala de los filtros usados en la filtración de los grupos de datos seleccionados entre los grupos de datos mediante un método de selección predeterminado, (d) determinar la pluralidad de indicadores como el descriptor de textura de la imagen. De acuerdo todavía con otro aspecto de la presente invención, se proporciona un método para recuperar un descriptor de textura de imagen, para describir características de textura de una imagen, que comprende los pasos de (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de orientación diferentes y coeficientes de escala diferentes, (b) proyectar las imágenes filtradas sobre ejes horizontal y vertical, para obtener gráficos de proyecciones en el eje horizontal y gráficos de proyección en el eje vertical, (c) calcular valores de autocorrelación normalizada para cada gráfico, (d) obtener máximos locales y mínimos locales para cada valor de autocorrelación normalizada, en los cuales los valores de autocorrelación normalizada, calculados, formen un pico local y un valle local y un valle local en una sección predeterminada, (e) definir el promedio de los máximos locales y el promedio de los mínimos locales como contraste, (f) seleccionar gráficos en los que la relación de la desviación estándar respecto al promedio de los máximos locales, sea menor o igual que un valor umbral predeterminado como primeros gráficos candidatos, (g) determinar el tipo de los segundos gráficos candidatos de acuerdo con el número de gráficos filtrados por los filtros que tengan coeficientes de escala o coeficientes de orientación que estén cercanos o sean idénticos a los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración de los segundos gráficos candidatos, seleccionados, (h) contar el número de gráficos que pertenezcan a los tipos respectivos de los segundos gráficos candidatos y determinar los pesos predeterminados de cada tipo de segundos gráficos candidatos, (i) calcular la suma de los productos de los números de gráficos contados y los pesos determinados, para determinar el valor resultante del cálculo como un primer indicador que constituya un descriptor de textura, (j) determinar los coeficientes de orientación y los coeficientes de escala de los segundos gráficos candidatos que tengan el mayor contraste, como indicadores del segundo al quinto, y (k) determinar indicadores que incluyan el primer indicador y los indicadores del segundo al quinto, como los descriptores de textura de la imagen correspondiente. El método para la recuperación del descriptor de textura de imagen, puede incluir además el paso de calcular la media y varianza de los elementos de imagen, con respecto a las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas, en donde el paso (k) incluye el paso de determinar indicadores que incluyan el primer indicador, los indicadores del segundo al quinto, y el vector predeterminado como los descriptores de textura de la imagen correspondiente. La autocorrelación normalizada, denotada por NAC(k), se calcula preferentemente mediante la siguiente fórmula:
en donde N es un número entero positivo, predeterminado, una imagen de entrada consiste de N x N elementos de imagen, la posición del elemento de imagen esta representada por i, en donde i es un número de 1 a N, los gráficos de proyección se expresan por los elementos de imagen de la posición i del elemento de imagen esta representada por P(i) y k es un número de 1 a N. El contraste se determina como:
1 A 1 J, contraste =—Y P_ magn(¡) - — ? V _ magn(i) M ,., L ,=,
en donde P_magn (i) y V_magn (i) son los máximos locales y los mínimos locales, determinados en el paso (d) . En el paso (f ) , los gráficos que satisfacen la siguiente fórmula se seleccionan como primeros gráficos candidatos : 5" en donde d y S son el promedio y la desviación estándar de los máximos locales y a es un valor umbral predeterminado. El paso (g) incluye los pasos secundarios de (g-1) si existe uno o más gráficos que tengan coeficientes de escala o de orientación, idénticos a aquellos de un gráfico candidato pertinente y uno o más gráficos que tengan coeficientes de escala o de orientación cercanos a los del gráfico candidato pertinente, clasificar el gráfico candidato pertinente como un gráfico de primer tipo, (g-2) si existen uno o más gráficos que tengan coeficientes de escala o de orientación, idénticos, a los de un gráfico candidato pertinente, pero no existe gráfico que tenga coeficientes de escala o de orientación cercanos o los del gráfico candidato pertinente, clasificar el gráfico candidato pertinente como un gráfico de segundo tipo, y (g-3) sino existe un gráfico que tenga coeficientes de escala o de orientación, idénticos, o cercanos a los de un gráfico candidato pertinente, clasificar el gráfico candidato pertinente como un gráfico de tercer tipo. El paso (h) incluye el paso de contar número de gráficos que pertenezcan a cada uno de los tipos de gráficos del primero al tercero, y determinar pesos predeterminados para cada uno de los tipos de gráficos. Después del paso de (f) , se puede incluir además el paso de aplicar un algoritmo de agrupamiento predeterminado, a los primeros gráficos candidatos, para seleccionar segundos gráficos candidatos. El algoritmo de agrupamiento determinado es preferentemente a el agrupamiento aglomerador modificado. Preferentemente, en el paso (j) el coeficiente de orientación de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en el eje horizontal, se determina como un segundo indicador; el coeficiente de orientación de un gráfico que tiene el mayor contraste, entre los gráficos con proyección en el eje vertical, se determina como un segundo indicador; el coeficiente de escala de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en el eje horizontal, se determina como un cuarto indicador; y el coeficiente de escala de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en el eje vertical, se determina como un quinto indicador. El paso (j) puede incluir el paso de determinar indicadores que incluyan el primer indicador, los indicadores del segundo al quinto, y el vector predeterminado como los descriptores de textura de la imagen correspondiente. Los filtros predeterminados incluyen preferentemente filtros de Gabor. Para conseguir el segundo objeto de la presente invención, se proporciona un medio legible en computadora, que tenga códigos de programas ejecutables mediante una computadora, para llevar a cabo un método para un descriptor de textura de imagen, a fin de describir características de una imagen, el método incluye los pasos de (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de orientación y diferentes coeficientes de escala, (b) proyectar las imágenes filtradas sobre ejes horizontal y vertical, para obtener gráficos de proyección en el eje horizontal y gráficos de proyección en el eje vertical, (e) calcular valores de autocorrelación normalizada, para cada gráfico, (d) obtener máximos y mínimos locales para cada uno de los valores de autocorrelación normalizada, en los cuales el valor de autocorrelación normalizada, calculado, forme un pico local y un valle local, en una sección predeterminada, (e) definir el promedio de los máximos locales y el promedio de los mínimos locales, como contraste, (f) seleccionar gráficos en los que la relación de la desviación estándar respecto al promedio de los máximos locales, sea mayor o igual que un valor umbral predeterminado como primeros gráficos candidatos, (g) determinar el tipo de los segundos gráficos candidatos de acuerdo con el número de gráficos filtrados por los filtros que tengan coeficiente de escala o coeficientes de orientación que estén cerca o sean idénticos a los coeficientes de escala o coeficientes de orientación, de los filtros usados en la filtración de los segundos gráficos candidatos, seleccionados, (h) contar el número de gráficos que pertenezcan a los tipos respectivos de segundos gráficos candidatos y determinar pesos predeterminados de cada tipo de segundo gráfico candidato, (i) calcular la suma de los productos de los números contados de gráficos y los pesos determinados, para determinar el valor resultante del cálculo, como un primer indicador que constituya un descriptor de textura, (j) determinar los coeficientes de orientación y los coeficientes de escala de los segundos gráficos candidatos que tengan el mayor contraste que los indicadores del segundo al quinto, y (k) determinar indicadores que incluyan el primer indicador y los indicadores del segundo al quinto, como los descriptores de textura de la imagen correspondiente . Para conseguir el tercer objeto de la presente invención, se proporciona una método y aparato para recuperar un descriptor de textura de imagen, para describir características de textura de una imagen, el aparato incluye un medio de filtración para filtrar imágenes de entrada, usando filtros predeterminados que tienen diferentes coeficientes de orientación, medios de proyección para proyectar las imágenes filtradas sobre ejes de cada dirección predeterminada, para obtener grupos de datos que consistan de promedios de cada uno de los valores de imagen direccionales, clasificar medios para seleccionar grupos de datos de candidatos entre los grupos de datos, a través de un método de clasificación predeterminado, primeros medios para la determinación del indicador, para determinar otro indicador en base al número de gráficos filtrados por los filtros que tienen coeficientes de escala o coeficientes de orientación que estén cerca o sean idénticos a los coeficientes de escala o a los coeficientes de orientación de los filtros usados en la filtración del gráfico candidato seleccionado, y segundos medios de determinación de indicador, para determinar una pluralidad de indicadores en base a los coeficientes de escala y a los coeficientes de orientación, de los filtros usados en la filtración de los gráficos candidatos determinados. Alternativamente se proporciona un aparato para recuperar un descriptor de textura de imagen, para describir características de textura de una imagen, el aparato incluye una unidad de filtración para filtrar imágenes de entrada, usando filtros predeterminados que tienen diferentes coeficientes de orientación o diferentes coeficientes de escala, una unidad de cálculo de la media/varianza de la imagen, para calcular la media y
:-¾ :;w;.ü .e,.
varianza de los elementos de imagen con respecto a cada una de las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas, una unidad de proyección para proyectar las imágenes filtradas sobre ejes horizontal y vertical, para obtener gráficos de proyección en el eje horizontal y gráficos de proyección en el eje vertical, una unidad de cálculo para calcular un valor de autocorrelación normalizada, para cada gráfico, una unidad de detección/análisis de picos, para detectar máximos locales y mínimos locales para cada valor de autocorrelación, en el que los valores de autocorrelación normalizada forman un pico local y un valle local en una sección predeterminada, una unidad de cálculo de la media/varianza, para calcular el promedio de los máximos locales y el promedio de los mínimos locales, una unidad de selección/almacenamiento de un primer gráfico candidato para seleccionar los gráficos que satisfagan el requisito de que la relación de la desviación estándar respecto al promedio de los máximos locales, sea menor o igual que un valor umbral predeterminado, como primeros gráficos candidatos, una unidad de selección/almacenamiento de un segundo gráfico candidato, para aplicar un algoritmo de agrupamiento predeterminado, a los primeros gráficos candidatos, para seleccionar los mismos como segundos gráficos candidatos, una unidad de clasificación para contar el número de gráficos que pertenezcan a cada uno de los tipos respectivos de los segundos gráficos candidatos, emitir señales de datos que indiquen el número de gráficos de cada tipo, determinar pesos predeterminados de los gráficos que pertenezcan a los tipos respectivos y emitir señales de datos que indiquen los pesos que se van aplicar a cada tipo, una unidad de determinación de un primer indicador, para calcular la suma de los productos de los datos que representen el número de gráficos que pertenezcan a cada tipo, y los datos que representen los pesos que se van a aplicar a cada tipo, determinando y emitiendo el resultado del cálculo como un primer indicador que constituya un descriptor de textura, una unidad para el cálculo de contraste, para calcular el contraste de acuerdo con la fórmula (2) usando los promedios emitidos por la unidad para el cálculo de la media/varianza y emitir una señal que indique que el contraste calculado es el mayor, una unidad de selección/almacenamiento de segundos gráficos candidatos, para emitir los gráficos candidatos que tengan el mayor contraste entre los segundos gráficos candidatos almacenados en la misma, en respuesta a la señal que indique que el contraste calculado es el mayor, una unidad para la determinación de indicadores de segundo a quinto, para determinar el coeficiente de orientación de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en el eje horizontal; el coeficiente de orientación que tenga el mayor contraste, entre los gráficos de proyección en el eje vertical, como un segundo indicador; el coeficiente de escala de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en el eje horizontal, como un cuarto indicador; y el coeficiente de escala de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en el eje vertical, como un quinto indicador, y una unidad de salida del descriptor de textura, para combinar el primer indicador, los indicadores del segundo al quinto, y el vector predeterminado, y emitir el resultado de combinación como los descriptores de textura de la imagen correspondiente.
BREVE DESCRIPCIÓN DE LOS DIBUJOS
Los anteriores objetos y ventajas de la presente invención, serán más evidentes al describir con detalle las modalidades preferidas de la misma, con referencia a los dibujos anexos, en los que: Las FIGURAS 1A y IB son diagramas de flujo que muestran un método para la recuperación de descriptor de textura de imagen, de conformidad con la presente invención; La FIGURA 2 es un diagrama de bloques de un aparato para la recuperación de descriptor de textura de imagen, de conformidad con la presente invención; y La FIGURA 3 muestra componentes de examen perceptual (PBCs) extraídos de imágenes de textura Brodatz, mediante la estimulación basada en el método para la recuperación del descriptor de textura de imagen, de conformidad con la presente invención.
EL MEJOR MODO PARA LLEVAR A CABO LA INVENCIÓN
Posteriormente en la presente se describirán con detalle modalidades de la presente invención, con referencia a los dibujos adjuntos. Haciendo referencia a la FIGURA 1A que muestra un método para la recuperación de un descriptor de textura de imagen, de conformidad con la presente invención, asumiendo que N es un número entero positivo predeterminado, una imagen de entrada que consiste de N x N elementos de imagen, por ejemplo, 128x128 elementos de imagen se filtran usando un filtro de Gabor (paso 100) . El filtro de Gabor esta constituido por filtros que tienen diferentes coeficientes de orientación y diferentes coeficientes de escala. Asumiendo que Cl y C2 son números enteros positivos predeterminados, la imagen de entrada se filtra mediante filtros que tienen Cl tipos de coeficiente de orientación y C2 tipos de coeficientes de escala, y los filtros emiten ClxC2 tipos de imágenes filtradas. Posteriormente, la media y varianza de los elementos de imagen se calculan para cada uno de los ClxC2 tipos de imágenes filtradas, y luego se obtiene un vector Z usando la media y varianza (paso 102) . Posteriormente, las imágenes filtradas se proyectan sobre los ejes x e y para obtener gráficos de proyección en x y gráficos de proyección en y (etapa 104) . El valor de autocorrelación normalizada (NAC) para cada gráfico P(i) (i es un número de 1 a N) denotado por NAC (k) , se calcula mediante la siguiente fórmula (1) :
en donde la posición de un elemento de imagen esta representada por i, los gráficos de proyección expresados por elementos de imagen de la posición i del elemento de imagen, se representan por P(i) y k es un número de 1 a N
(N es un número entero positivo) . Posteriormente, los máximos locales P_magn
(i) y los mínimos locales de V_magn (i), en los cuales la NAC (Je) calculada, forma un pico y un valle localmente en una sección predeterminada, se obtienen (paso 108) . Ahora el contraste se define como la fórmula siguiente (2 ) :
1 M I contraste =—Y P_magn{¡)-—? V_magn{i) (2)
(paso 110) También los gráficos que satisfacen la siguiente fórmula (3) se seleccionan como primeros gráficos candidatos (paso 112) :
S -=ct (3) d en donde d y S son el promedio y desviación estándar de los máximos locales P_magni (i) es un valor umbral predeterminado . Haciendo referencia a la FIGURA IB, se aplica el agrupamiento aglomerador modificado a los primeros gráficos candidatos para seleccionar segundos gráficos candidatos (paso 114) . Un algoritmo de agrupamiento aglomerador, modificado, es un algoritmo apropiadamente modificado del agrupamiento aglomerador descrito por R.O. Duda y P.E. Hart en "Pattern Classification and Scene Analysis, Jonh Wiley and Sons, Nueva York 1973", que se describirá ahora de manera breve. En primer lugar, en N gráficos Pi, ... , PN, sean la media y desviación estándar de las distancias entre los picos, de d± y Si, y cada gráfico tiene un vector bidimensional que corresponde a (di, Si) . Ahora, Pi se agrupa usando el vector bidimensional que corresponde a (d , Si) como sigue. Asumiendo que el número agrupamientos deseado es Mc, con respecto al número inicial de agrupamientos N, cada agrupamiento Ci puede expresarse de manera tal que Ci={ Pi} , C2={ P2} , ... CN={ PN} . Si el número de agrupamientos es menor que Mc, se detiene el agrupamiento. Posteriormente, se obtienen dos agrupamientos Ci y C que son los más distantes entre sí. Si la distancia entre Ci y Cj es mayor que un valor umbral predeterminado, se detiene el agrupamiento. De otra manera, Ci y Cj surgen para eliminar uno de los dos agrupamientos. Este procedimiento se lleva a cabo repetidamente hasta que el número de agrupamientos alcance un número predeterminado. Posteriormente, entre los agrupamientos agrupados, el agrupamiento que tiene el mayor número de gráficos, se selecciona y los gráficos en el agrupamiento se seleccionan como gráficos candidatos. Ahora, los segundos gráficos candidatos se clasifican en tres tipos (paso 116) . La clasificación se lleva a cabo de acuerdo con el número de gráficos filtrados por un filtro que tenga coeficientes de escala o de orientación que estén cerca de, o que sean idénticos a, los de un filtro usado para filtrar los segundos gráficos candidatos. Posteriormente, por motivos de conveniencia en la explicación, los gráficos filtrados por un filtro que tiene cierto coeficiente de escala o un coeficiente de orientación constante, se llamarán gráficos con ciertos coeficientes de escala o gráficos con ciertos coeficientes de orientación. En mayor detalle, primero, en el caso en donde haya uno o más gráficos que tengan coeficientes de escala u orientación idénticos a aquellos de un gráfico candidato pertinente, y uno o más gráficos que tengan coeficientes de escala u orientación cercanos a aquellos del gráfico candidato pertinente, el gráfico candidato pertinente se clasifica como un gráfico tipo Cl. Segundo, en el caso en donde haya uno o más gráficos que tengan coeficientes de escala u orientación idénticos a aquellos de un gráfico candidato pertinente, pero que no haya un gráfico que no tenga coeficiente de escala u orientación cercanos a aquellos del gráfico candidato pertinente, el gráfico candidato pertinente se clasifica como un gráfico tipo C2. Tercero, en el caso en donde no haya un gráfico que tenga coeficientes de escala u orientación idénticos o cercanos a los de un gráfico candidato pertinente, el gráfico candidato pertinente se clasifica como un gráfico tipo C3. Posteriormente, los números de gráficos que pertenezcan a cada uno, de los tipos Cl, C2 y C3 se cuentan para denotarse mediante Ni, N2 y N3, respectivamente, y los pesos respectivos de los gráficos que pertenecen a cada uno de los tipos Cl, C2 y C3, se cuentan para denotarse mediante Wi, W2 y W3, respectivamente, que se describirán posteriormente . Ahora, usando los números determinados Ni, N2 y N3, y los pesos Wi, 2 y W3, se lleva a cabo el siguiente cálculo :
=?N,x^ (4)
en donde el resultado M se determina como un primer indicador Vi que constituye un descriptor de textura (paso 118). Con respecto a los segundos gráficos candidatos, los coeficientes de orientación y los coeficientes de escala de los gráficos que tienen el contraste más grande, se determinan como los indicadores del segundo al quinto (paso 120) . Con mayor detalle, el coeficiente de orientación de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en x, se determina como un segundo indicador V2. También, el coeficiente de orientación de un gráfico que tiene el contraste más grande, entre los gráficos de proyección en y, se determina como un tercer indicador V3. El coeficiente de escala de un gráfico que tiene el contraste mayor, entre los gráficos de proyección en x, se determina como un cuarto indicador V4. También, el coeficiente de escala de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en y, se determina como un quinto indicador V5. Usando el primer indicador Vi determinado en la etapa 118, los indicadores del segundo al quinto V2, V3, V4 y V5, y el vector Z determinado en el paso 102, el descriptor de textura, es decir el vector de características de textura, se ajusta para que sea { [Vi,V2,V3,V4,V5]Z} (paso 122). Un primer indicador grande Vi indica un alto nivel de estructuración de la textura de una imagen. Se ha confirmado experimentalmente que el primer indicador Vi representa muy bien la estructuración de la textura de una imagen. El segundo y tercer indicadores V2 y V3 representan dos orientaciones cuantificadas en las que es capturada principalmente la estructuración. El cuarto y quinto indicadores V4 y V5 representan dos escalas cuantificadas en las que se captura principalmente la estructuración. El descriptor de texturas se usa como un índice de una imagen en aplicaciones para la recuperación de examen o búsqueda. Especialmente el descriptor de textura de imagen recuperado mediante el método para la recuperación del descriptor de textura de imagen, de acuerdo con la presente invención, se usa apropiadamente en marcas verificadoras en las que los patrones de examen son regulares, o examen orientado a la estructura, es decir, o patrones bordados. De esta manera, en la búsqueda de patrones estructuralmente similares, la búsqueda de imágenes que puede adaptarse más a la percepción ocular es permitida mediante la aplicación del método de recuperación del descriptor de textura de imagen de conformidad con la presente invención, a las aplicaciones en base al examen orientado a la estructura. Por lo tanto, entre los indicadores que constituyen descriptores de textura recuperados a través del método para la recuperación del descriptor de textura de imagen, de conformidad con la presente invención, a los indicadores del primero al quinto, Vi, V2, V3, V4 y V5 se puede hacer referencia como componentes para el examen perceptual (PBCs) . También, con respecto a cada imagen filtrada, se calculan la media y varianza de los valores de elementos de imagen. Al vector Z obtenido mediante el uso de la media y varianza, se puede hacer referencia como componentes para la recuperación de similaridad (SRCs) . En otras palabras, en el método para la recuperación del descriptor de textura de imagen, de conformidad con la presente invención, el descriptor de textura permite que se capturen perceptualmente tipos de estructuras de textura presentes en una imagen. Se ha descrito que un primer indicador Vj que es un indicador bastante bueno de la estructuración de la textura de una imagen, segundo y tercer indicadores V2 y V3 que representan dos orientaciones cuantificadas en las que se capturan principalmente la estructuración, cuarto y quinto indicadores V4 y V5 representan dos escalas cuantificadas en las que se captura principalmente a la estructuración, se usan como los descriptores de textura de la imagen. Sin embargo, la modalidad descrita anteriormente se usa únicamente en un sentido descriptivo y no para el propósito de limitación. Como el (los) descriptor (es ) de la imagen, se puede usar también un solo indicador que sea el más apropiado para las características de una imagen y se selecciona arbitrariamente de plurales indicadores. Por lo tanto, la modalidad descrita anteriormente no se pretende como una restricción del alance de la invención. También, el método para la recuperación de un descriptor de textura de imagen es programable mediante un programa de computadora. Un programador de computadora en la técnica puede deducir fácilmente códigos y segmentos de códigos que constituyan el programa de computadora. También el programa se almacena en medios legibles en computadora y puede ser leído y ejecutado por la computador, incorporando por lo tanto el método para la recuperación de un descriptor de textura de imagen. Los medios incluyen medios de registro magnético, medios de registro óptico, medios de onda portadora, y similares. También, el método para la recuperación del descriptor de textura de imagen puede incorporarse mediante un aparato para la recuperación del descriptor de textura de imagen. La FIGURA 2 es un diagrama de bloques de un aparato para la recuperación de un descriptor de textura de imagen, de conformidad con la presente invención. Haciendo referencia a la FIGURA 2, el aparato para la recuperación del descriptor de textura de imagen incluye un filtro Gabor 200, una unidad de cálculo 202 de la media/varianza de la imagen, un proyector 204 en el eje x, y un proyector 205 en el eje y, una unidad de cálculo 206 de la NAC, y una unidad 208 de detección/análisis de picos. También, el aparato para la recuperación del descriptor de textura de imagen incluye una unidad de cálculo 210 de la media/varianza, una unidad de selección/almacenamiento 212 del primer gráfico candidato, una unidad de selección/almacenamiento 214 del segundo gráfico candidato, una unidad de clasificación 216, una unidad de determinación 218 de un primer indicador, una unidad de cálculo de contraste 220, una unidad de determinación 222 de un segundo a un quinto indicador y una
,? ?? i lÜ unidad de salida 224 de descriptores de textura. En el funcionamiento del aparato para la recuperación de descriptores de textura de imagen, asumiendo que N es un número entero positivo predeterminado, el filtro Gabor 200 filtra una imagen de entrada que consiste de N x N elementos de imagen, por ejemplo, 128 x 128 elementos de imagen usando filtros (no mostrados) que tienen diferentes t coeficientes de orientación y diferentes coeficientes de escala y emite imágenes filtradas ( imagen_filtrada) . Asumiendo que Cl y C2 son números enteros positivos predeterminados, la imagen de entrada es filtrada mediante los filtros que tienen Cl tipos de coeficientes de orientación y C2 tipos de coeficientes de escala, y los filtros emiten Cl x C2 tipos de imágenes filtradas. La unidad 202 para el cálculo de la media/varianza de la imagen, calcula la media varianza de los elementos de imagen para cada uno de los Cl x C2 tipos de imágenes filtradas, para obtener luego un vector Z usando la media y varianza y emite el vector Z obtenido. El proyector 204 en el eje x y el proyector 205 en el eje y, proyectan las imágenes filtradas sobre los ejes x e y para obtener gráficos de proyección en x y gráficos de proyección en y. En otras palabras, supóngase que la posición de un elemento de imagen esta representada por i (i es un número de L,.a N), el proyector 204 en el eje x y el proyector 205 en el eje y emite los gráficos de proyección P(i) expresados por los elementos de imagen de la posición i del elemento de imagen (i-l,...,N) . La unidad 206 para el cálculo de la NAC calcula el valor de la autocorrelación normalizada (NAC) para cada gráfico P(i), denotado por NAC(k) , usando la fórmula (1) . La unidad 208 de detección/análisis de picos, detecta máximos locales P_magn (i) y mínimos locales de V_ agn (i), en los cuales la NAC (k) calculada forma un pico local y un valle local, en una sección predeterminada. La unidad 210 para el cálculo de la media/varianza calcula la media d y la desviación estándar S de los máximos locales P_magn (i) y emite los mismos. La unidad 212 de selección/almacenamiento del primer gráfico candidato, recibe la media d y la desviación estándar S, selecciona los gráficos que satisfacen la fórmula (3) como primeros gráficos candidatos (1er CAND) y almacena los primeros gráficos candidatos seleccionados, en los que a es un valor umbral predeterminado. La unidad 214 de selección/almacenamiento de segundos gráficos candidatos, aplica el agrupamiento aglomerador, modificado, a los primeros gráficos candidatos, para seleccionar los mismos como segundos
-Ü-É" íii gráficos . clasificación 216, como se describió con referencia a la FIGURA IB, cuenta los números de gráficos que pertenecen a cada uno de los tipos Cl, C2 y C3, para denotar los mismos por ??, N2 y N3, respectivamente, con respecto a los segundos gráficos candidatos, y emite señales de datos N± indicadoras del número de gráficos de cada tipo. También, la unidad de clasificación 216 determina los pesos predeterminados de los gráficos que pertenecen a cada uno de los tipos Cl, C2 y C3 para denotar luego los mismos mediante Wi, W2 y W3 respectivamente, y emite señales de datos Wj. indicadora de los pesos que se van a aplicar a cada tipo. La unidad de determinación 218 del primer indicador M como se representa mediante la fórmula (4) usando los números determinados i, N2 y N3, y los pesos Wi, 2 y W3, y determina y emite el resultado del cálculo como un primer indicador Vi que constituye un descriptor de textura . La unidad 220 para el cálculo del contraste, calcula el contraste mediante la fórmula (2) y emite una señal Cont_máx que indica que el contraste calculado es el mayor . La unidad 214 de selección/almacenamiento de segundos gráficos candidatos, emite los gráficos candidatos que tienen el mayor contraste entre los segundos gráficos candidatos almacenados en la misma, hacia la unidad 222 de determinación de los indicadores del segundo al quinto. La unidad 222 de determinación de los indicadores del segundo al quinto, determina los coeficientes de orientación y los coeficientes de escala de los gráficos que tienen el mayor contraste, como indicadores del segundo al quinto. En otras palabras, el coeficiente de orientación de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en x, se determina como un segundo indicador V2. También, el coeficiente de orientación de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en y, se determina como un segundo indicador V3. El coeficiente de escala de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en x, se determina como un cuarto indicador V4. También, el coeficiente de escala de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en y, se determina como un quinto indicador V5. La unidad de salida 224 del descriptor de textura, ajusta y emite el descriptor de textura, es decir, el vector de la característica de textura, como { [ i, V2,V3,V4,V5] , Z} , usando la salida L del primer indicador de la unidad 218 para la determinación del primer indicador, la salida V2, V3, V4 y V5 de los indicadores del segundo al quinto, de la unidad 222 para la determinación del segundo al quinto indicador, y la la unidad 202 para el cálculo de la meó3¾/varianza de la imagen. La FIGURA 3 muestra componentes del examen perceptual (PBCs) extraídos de las imágenes de textura Brodatz, mediante la estimulación basada en el método para la recuperación del descriptor de textura de imagen, de conformidad con la presente invención. Como se describió anteriormente, de acuerdo con el método para la recuperación del descriptor de textura de imagen de la presente invención, pueden recuperarse descriptores de textura que permitan capturar perceptualmente tipos de estructura de textura presente en una imagen.
APLICABILIDAD INDUSTRIAL
La presente invención puede aplicarse a los campos de aplicaciones en la recuperación de examen o búsqueda de imágenes.
Se hace constar que con relación a esta fecha, el mejor método conocido por la solicitante para llevar a la práctica la citada invención, es el que resulta claro de la presente descripción de la invención.
Claims (14)
1. Un método para recuperar un descriptor de textura de imagen, para describir características de textura de una imagen, caracterizado porque comprende los pasos de: (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de orientación; (b) proyectar las imágenes filtradas sobre ejes de cada dirección predeterminada, para obtener grupos de datos que consistan de promedios de cada uno de los valores de los elementos de imagen direccionales; (c) seleccionar grupos de datos candidatos, entre los grupos de datos, a través de un método de clasificación predeterminado; (d) determinar una pluralidad de indicadores en base a los coeficientes de orientación de los filtros usados en la filtración de los grupos de datos candidatos; y (e) determinar la pluralidad de indicadores como el descriptor de textura de la imagen.
2. El método para la recuperación de un descriptor de textura d Imagen de conformidad con la reivindicación 1, caracterizado porque el paso (a) comprende además el paso de (a-1) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de escala, y el paso (d) comprende además el paso de (d-1) determinar una pluralidad de indicadores en base a los coeficientes de escala de los filtros usados en la filtración de los grupos de datos candidatos .
3. El métpdo para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 2, caracterizado porque además comprende el paso de determinar otro indicador en base a la presencia de grupos de datos filtrados por los filtros que tienen coeficientes de escala o coeficientes de orientación que están cerca o que son idénticos a los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración de los grupos de datos candidatos, seleccionados.
4. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 3, caracterizado porque además comprende el paso de calcular la media y varianza de elementos de imagen con respecto a cada una de las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas .
5. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 2, caracterizado porque además comprende el paso de calcular la media y varianza de elementos de imagen, con respecto a las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas.
6. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 1, caracterizado porque además comprende el paso de determinar otro indicador en base a la presencia de gráficos filtrados por filtros que tienen coeficientes de escala o coeficientes de orientación que están cerca de, o son idénticos a, los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración de los datos candidatos, seleccionados.
7. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 6, caracterizado porque además comprende el paso de calcular la media y varianza de los elementos de imagen, con respecto a cada una de las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas.
8. El método para la recuperación de un descriptor de textura de iiaagen de conformidad con la reivindicación 1, caracterizado porque además comprende el paso de calcular la media y varianza de elementos de imagen, con respecto a cada una de las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas.
9. Un método para la recuperación de un descriptor de textura de imagen, para describir características de textura de una imagen, caracterizado porque comprende los pasos de: (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de escala; (b) proyectar las imágenes filtradas sobre ejes de cada dirección predeterminada, para obtener grupos de datos que consistan de promedios de cada uno de los valores de los elementos de imagen direccionales ; (c) determinar una pluralidad de indicadores en base a los coeficientes de escala de los filtros usados en la filtración en los grupos de datos, seleccionados entre los grupos de datos, a través de un método de selección predeterminado; (d) determinar la pluralidad de indicadores como el descriptor de textura de la imagen.
10. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 9, caracterizado porque además comprende el paso de calcular la media y varianza de los elementos de imagen, con respecto a las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas .
11. Un método para recuperar un descriptor de textura de imagen para describir características de textura de una imagen, caracterizado porque comprende los pasos de: (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de orientación y diferentes coeficientes de escala; (b) proyectar las imágenes filtradas sobre ejes de cada dirección predeterminada, para obtener gráficos que consistan de promedios valores de los elementos de imagen direccionales ; (c) seleccionar gráficos candidatos entre los gráficos obtenidos en el paso (b) a través de un método de clasificación predeterminado; (d) determinar otro indicador en base a la presencia de gráficos filtrados mediante filtros que tengan coeficientes de escala o coeficientes de orientación que estén cerca de, o sean idénticos a, los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración de los gráficos candidatos seleccionados; (e) determina una pluralidad de indicadores en base a los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración de los gráficos candidatos determinados; y (f) determinar el indicador determinado en el paso (d) y la pluralidad de indicadores determinados en el paso (e) como el descriptor de textura de la imagen.
12. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 11, caracterizado porque además comprende el paso de calcular la media y varianza de los elementos de imagen, con respecto a las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas .
13. Un método para recuperar un descriptor de textura de imagen, para describir características de textura de una imagen, caracterizado porque comprende los pasos de: (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de orientación y diferentes coeficientes de escala; (b) proyectar las imágenes filtradas sobre ejes horizontales y verticales, para obtener gráficos de proyección en el eje horizontal y gráficos de proyección en el eje vertical; (c) calcular valores de autocorrelación normalizada, para cada gráfico; (d) obtener máximos locales y mínimos locales para cada valor de autocorrelación normalizada, en el que los valores de autocorrelación normalizada, calculados, formen un pico local y un valle local en una sección predeterminada; (e) definir el promedio de los máximos locales y el promedio de los mínimos locales, como contraste; (f) seleccionar gráficos en los que la relación de la desviación estándar respecto al promedio de los máximos locales, sea menor o igual que un valor umbral predeterminado, como primeros gráficos candidatos; (g) determinar el tipo de los segundos gráficos candidatos de acuerdo con el número de gráficos filtrados mediante los filtros que tienen coeficientes de escala o coeficientes de orientación que estén cerca de o que sean idénticos a, los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración de los segundos gráficos candidatos, seleccionados; (h) contar los números de gráficos que pertenezcan a los ti| s respectivos de segundos gráficos candidatos, y determinar1 ¦ los pesos predeterminados de cada tipo de segundos gráficos candidatos; (i) calcular la suma de productos de los números contados de gráficos y los pesos determinados, para determinar el valor resultante del cálculo, como un primer indicador que constituya un descriptor de textura. (j) determinar los coeficientes de orientación y los coeficientes de escala de los segundos gráficos candidatos que tienen el mayor contraste, como indicadores del segundo al quinto; y (k) determinar indicadores que incluyan el primer indicador y los indicadores del segundo al quinto, como los descriptores de textura de la imagen correspondiente.
14. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, caracterizado porque además comprende el paso de calcular la media y varianza de los elementos de imagen, con respecto a las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas, en donde el paso (k) incluye el paso de determinar indicadores que incluyan el primer indicador, los indicadores del segundo al quinto y el vector predeterminado, como los descriptores de textura de la imagen correspondient método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, caracterizado porque la autocorrelación normalizada, denotada mediante NAC(k) , se calcula mediante la siguiente fórmula: en donde N es un número entero positivo predeterminado, una imagen de entrada consiste de N x N elementos de imagen, una posición de elemento de imagen se representa mediante i, en donde i es un número de 1 a N, los gráficos de proyección expresados mediante elementos de imagen de la posición i del elemento de imagen se representa mediante P(i) y Je es un número de 1 a N. El método para la recuperación de un descriptor de textura de imagen de conformidad con reivindicación 13, caracterizado porque el contraste determina como: P_magn{i) -— V_magn(i) en donde P_magn (i) y V_magn (i) son los máximos locales y los mínimos locales determinados en el paso (d) . 17. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, caracterizado porque en el paso (f), los gráficos que satisfacen la siguiente fórmula se seleccionan como primeros gráficos candidatos: en donde d y S son el promedio y desviación estándar de los máximos locales y es un valor umbral predeterminado. 18. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, caracterizado porque el paso (g) comprende los pasos secundarios de: (g-1) si hay uno o más gráficos que tengan coeficientes de escala o de orientación idénticos con los de un gráfico candidato pertinente, y uno o más gráficos que tengan coeficientes de escala u orientación cercanos a los del gráfico candidato pertinente, clasificar el gráfico candidato pertinente como un gráfico de primer tipo; (g-2) si hay uno o más gráficos que tengan coeficientes de escala o orientación idénticos a los de un gráfico candidato pertinente, pero no hay un gráfico que tenga coeficientes de escala u orientación cercanos a aquellos del gráfico candidato pertinente, clasificar el gráfico candidato pertinente como un gráfico de segundo tipo; y (g-3) si no hay un gráfico que tenga coeficientes de escala u orientación idénticos o cercanos a los de un gráfico candidato pertinente, clasificar el gráfico candidato pertinente como un gráfico de tercer tipo . 19. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, caracterizado porque el paso (h) incluye el paso de contar el número de gráficos que pertenezcan a cada uno de los tipos de gráficos, de primero a tercero, y determinar pesos predeterminados para cada uno de los tipos de gráficos. 20. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, después del paso de (f) , caracterizado porque comprende el paso de aplicar un algoritmo de agrupamiento predeterminado, a los primeros gráficos candidatos, para seleccionar segundos gráficos candidatos. 21. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 20, caracterizado porque el algoritmo de agrupamiento predeterminado, es el agrupamiento aglomerador modificado . 22. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, caracterizado porque en el paso (j) el coeficiente de orientación de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en el eje horizontal, se determina como un segundo indicador; el coeficiente de orientación de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en el eje vertical, se determina como un segundo indicador; el coeficiente de escala de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en el eje horizontal, se determina como un cuarto indicador; y el coeficiente de escala de un gráfico que tiene el mayor contraste, entre los gráficos de proyección en el eje vertical, se determina como un quinto indicador. 23. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, caracterizado porque el paso (j) incluye el paso de determinar indicadores que incluyan el primer indicador, los indicadores del segundo al quinto, y el vector predeterminado, como los descriptores de textura de la imagen correspondiente. 24. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 13, caracterizado porque los filtros predeterminados incluyen filtros de Gabor. 25. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 14, caracterizado porque los filtros predeterminados incluyen filtros de Gabor. 26. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 15, caracterizado porque los filtros predeterminados incluyen filtros de Gabor. 27. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 16, caracterizado porque los filtros predeterminados incluyen filtros de Gabor. 28. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 17, caracterizado porque los filtros predeterminados incluyen filtros de Gabor. 29. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 18, caracterizado porque los filtros predeterminados incluyen filtros de Gabor. 30. El método para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 19, ^ Caracterizado porque los filtros predeterminados incluyen filtros de Gabor. 31. Un medio legible en computadora, que tiene códigos de programa que pueden ser ejecutados por una computadora a fin de llevar a cabo un método para que un descriptor de textura de imagen describa característica de textura de una imagen, el método esta caracterizado porque comprende los pasos de: (a) filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de orientación y diferentes coeficientes de escala; (b) proyectar las imágenes filtradas sobre ejes horizontales y verticales, para obtener gráficos de proyección en el eje horizontal y gráficos de proyección en el eje vertical; (c) . calcular valores de autocorrelación normalizada, para cada gráfico; (d) obtener máximos locales y mínimos locales para cada valor de autocorrelación normalizada, en el que los valores de autocorrelación normalizada, calculados, formen un pico local y un valle local en una sección predeterminada; (e) definir el promedio de los máximos locales y el promedio de los mínimos locales, como contraste; (f) süáfccionar gráficos en los que la relación de la desviación estándar respecto al promedio de los máximos locales, sea menor o igual que un valor umbral predeterminado, como primeros gráficos candidatos; (g) determinar el tipo de los segundos gráficos candidatos de acuerdo con el número de gráficos filtrados mediante los filtros que tienen coeficientes de escala o coeficientes de orientación que estén cerca de o que sean idénticos a, los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración de los segundos gráficos candidatos, seleccionados; (h) contar los números de gráficos que pertenezcan a los tipos respectivos de segundos gráficos candidatos, y determinar los pesos predeterminados de cada tipo de segundos gráficos candidatos; (i) calcular la suma de productos de los números contados de gráficos y los pesos determinados, para determinar el valor resultante del cálculo, como un primer indicador que constituya un descriptor de textura. (j) determinar los coeficientes de orientación y los coeficientes de escala de los segundos gráficos candidatos que tienen el mayor contraste, como indicadores del segundo al quinto; y (k) determinar indicadores que incluyan el primer indicador y los indicadores del segundo al quinto, como los descriptores de textura de la imagen correspondiente . 32. El medio legible en computadora, de conformidad con la reivindicación 31, caracterizado porque el método para la recuperación de un descriptor de textura de imagen comprende además el paso de calcular la media y varianza de los elementos de imagen, con respecto a las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculada, y porque el paso (k) incluye el paso de determinar indicadores que incluyan el primer indicador, los indicadores del segundo al quinto, y el vector predeterminado, como los descriptores de textura de la imagen correspondiente. 33. Un método y aparato para recuperar un descriptor de textura, para describir características de textura de una imagen, caracterizado porque comprende: un medio de filtración para filtrar imágenes de entrada usando filtros predeterminados que tengan diferentes coeficientes de orientación; medios de proyección para proyectar las imágenes filtradas sobre ejes de cada dirección predeterminada, para obtener grupos de datos que consistan de promedios de cada uno de los valores de elementos de imagen direccionales ; medios de clasificación para seleccionar grupos de datos candidatos entre los grupos de datos, a través de un método de clasificación predeterminado; medios para la determinación de primeros indicadores, para determinar otro indicador en base al número de gráficos filtrados por los filtros que tienen coeficientes de escala o coeficientes de orientación que estén cerca de, o sean idénticos a, los coeficientes de escala o coeficientes de orientación de los filtros usados en la filtración del gráfico candidato seleccionado; y medios para la determinación de segundos indicadores, para determinar una pluralidad de indicadores en base a coeficientes de escala y coeficientes de orientación de los filtros usados en la filtración de los gráficos candidatos predeterminados. 34. El aparato para la recuperación de un descriptor de textura de imagen de conformidad con la reivindicación 33, caracterizado porque además comprende medios para el cálculo de la media/varianza, para calcular la media y varianza de los elementos de imagen, con respecto a cada una de la imágenes filtradas, y obtener un vector predeterminado, usando la media y varianza calculadas . 35. Un aparato para recuperar un descriptor de textura de imagen para describir características de textura de una imagen^ "caracterizada porque comprende: una unidad de filtración para filtrar imágenes de entrada, usando filtros predeterminados que tengan diferentes coeficientes de orientación y diferentes coeficientes de escala; una unidad para el cálculo de la media/varianza de la imagen, para calcular la media y varianza de los elementos de imagen con respecto a cada una de las imágenes filtradas, y obtener un vector predeterminado usando la media y varianza calculadas. una unidad de proyección para proyectar las imágenes filtradas sobre ejes horizontales y verticales, para obtener gráficos de proyección en el eje horizontal y gráficos de proyección en el eje vertical; una unidad de cálculo para calcular un valor de autocorrelacion normalizada para cada gráfico; una unidad de detección/análisis de picos, para detectar máximos locales y mínimos locales para cada valor de autocorrelacion, en los cuales los valores de autocorrelacion normalizada, calculados, forman un pico local y un valle local en una sección predeterminada; una unidad para el cálculo de la media/varianza, para calcular el promedio de los máximos locales y el promedio de los mínimos locales; una unidad de selección/almacenamiento para primeros gráficos candidatos para seleccionar los gráficos que satisfagan el requisito de que la relación de la desviación estándar respecto al promedio de los máximos locales, sea menor o igual que un valor umbral predeterminado, como primeros gráficos candidatos; una unidad de selección/almacenamiento de segundos gráficos candidatos, para aplicar un algoritmo de agrupamiento predeterminado, a los primeros gráficos candidatos, para seleccionar los mismos como segundos gráficos candidatos; una unidad de clasificación para contar el número de gráficos que pertenezcan a cada uno de los tipos respectivos de los segundos gráficos candidatos, emitir señales de datos indicadoras del número de gráficos de cada tipo, determinar los pesos predeterminados de los gráficos que pertenezcan a los tipos respectivos y emitir señales de datos indicadoras de los pesos que se vayan aplicar a cada tipo; una unidad de determinación de primeros indicadores para calcular la suma de los productos de los datos que representen el número de gráficos que pertenezcan a cada tipo, y los datos que representen los pesos que se vayan aplicar a cada tipo, determinando y emitiendo el resultado del cálculo como un primer indicador que constituye un descriptor de textura; una unidad de cálculo de contraste, para calcular el contraste de acuerdo con la fórmula (2) usando los promedios emitidos desde la unidad del cálculo de la media/varianza y emitir una señal indicadora de que el contraste calculado es el mayor; una unidad de selección/almacenamiento de segundos gráficos candidatos, para emitir los gráficos candidatos que tengan el mayor contraste entre los segundos gráficos candidatos almacenados en la misma, en respuesta a la señal indicadora de que el contraste calculado es el mayor; una unidad de determinación de indicadores de segundo a quinto, para determinar el coeficiente de orientación de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en el eje horizontal; el coeficiente de orientación de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en el eje vertical, como un segundo indicador; el coeficiente de escala de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en el eje horizontal como un cuarto indicador; y el coeficiente de escala de un gráfico que tenga el mayor contraste, entre los gráficos de proyección en eje vertical, como un quinto indicador; y una unidad para emitir un descriptor de textura, para combinar el primer indicador, los indicadores del segundo al quinto, y el vector predeterminado, y emitir el resultado de combinación, como los descriptores de textura de la imagen correspondiente. 36. Un método para generar un descriptor de textura de imagen, que incluya números cuantificados Vi, V2, V3, V4, y V5 en donde Vi, V2, V3, V4, y V5 son números enteros, caracterizado porque comprende los pasos de: (a) generar el número Vi que represente la estructuración de una textura de imagen; (b) generar los números V2 y V3 que representen dos direcciones dominantes que caractericen la textura de la imagen; y (c) generar los números V4, y V5 que representen dos escalas de la textura de la imagen correspondiente a V2 y V3, respectivamente. 37. Un medio legible en computadora, que tenga códigos de programa que puedan ser ejecutados mediante una computadora, para llevar a cabo un método para generar un descriptor de textura de imagen que incluya números cuantificados Vi, V2, V3, V4, y V5 en donde Vi, V2, V3, V4, y V5 son números enteros, caracterizados porque comprende los pasos de: (a) generar el número x que representa la estructuración de una textura de imagen; (b) generar los números V2 y V3 que representan dos direcciones dominantes que caracterizan la textura de imagen; y (c) generar los números V4, y V5 que representan las escalas de la textura de la imagen que corresponden a 2 y V3, respectivamente. 38. Un aparato para generar un descriptor de textura de imagen que incluye cinco números cuantificados i, V2, V3, V , y V5, en donde Vi, V2, V3, V4, y V5 son números enteros, caracterizado porque comprende los pasos de : (a) medios de generación, para generar el número Vi que representa la estructuración de una textura de imagen; (b) medios de generación para generar los números V2 y V3 que representan dos direcciones dominantes caracterizantes de la textura de la imagen; y (c) medios de generación para generar los números V4, y V5 que representan dos escalas de la textura de la imagen que corresponde a V2 y V3.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11874099P | 1999-02-05 | 1999-02-05 | |
PCT/KR2000/000091 WO2000046750A1 (en) | 1999-02-05 | 2000-02-03 | Image texture retrieving method and apparatus thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
MXPA01007845A true MXPA01007845A (es) | 2004-06-22 |
Family
ID=22380454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
MXPA01007845A MXPA01007845A (es) | 1999-02-05 | 2000-02-03 | Metodo para la recuperacion de la textura de imagenes y aparato para el mismo. |
Country Status (16)
Country | Link |
---|---|
US (3) | US6624821B1 (es) |
EP (3) | EP1453000B1 (es) |
JP (2) | JP2002536750A (es) |
KR (5) | KR100444778B1 (es) |
CN (2) | CN100489892C (es) |
AT (3) | ATE490518T1 (es) |
AU (1) | AU775858B2 (es) |
BR (1) | BR0007956A (es) |
CA (2) | CA2625839A1 (es) |
DE (3) | DE60045319D1 (es) |
MX (1) | MXPA01007845A (es) |
MY (2) | MY128897A (es) |
NZ (1) | NZ513144A (es) |
SG (1) | SG142124A1 (es) |
TW (1) | TW528990B (es) |
WO (1) | WO2000046750A1 (es) |
Families Citing this family (106)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003252765B2 (en) * | 1999-02-05 | 2006-06-29 | Samsung Electronics Co., Ltd. | Image texture retrieving method and apparatus thereof |
KR100308456B1 (ko) | 1999-07-09 | 2001-11-02 | 오길록 | 주파수 공간상에서의 질감표현방법 및 질감기반 검색방법 |
KR100355404B1 (ko) | 1999-12-03 | 2002-10-11 | 삼성전자 주식회사 | 주파수 공간상에서의 가보 필터를 이용한 질감표현방법 및질감기반 영상 검색방법 |
US6977659B2 (en) * | 2001-10-11 | 2005-12-20 | At & T Corp. | Texture replacement in video sequences and images |
US7606435B1 (en) | 2002-02-21 | 2009-10-20 | At&T Intellectual Property Ii, L.P. | System and method for encoding and decoding using texture replacement |
KR100908384B1 (ko) * | 2002-06-25 | 2009-07-20 | 주식회사 케이티 | 블록상관계수를 이용한 영역기반 질감 추출 장치 및 그 방법 |
JP2005122361A (ja) * | 2003-10-15 | 2005-05-12 | Sony Computer Entertainment Inc | 画像処理装置及び方法、コンピュータプログラム、記録媒体 |
US7415145B2 (en) * | 2003-12-30 | 2008-08-19 | General Electric Company | Methods and apparatus for artifact reduction |
JP4747881B2 (ja) * | 2006-02-27 | 2011-08-17 | セイコーエプソン株式会社 | 演算処理装置によるデータ変換方法、テクスチャの作成方法、プログラム、記録媒体、及びプロジェクタ。 |
JP2009539841A (ja) * | 2006-06-06 | 2009-11-19 | トラークス,インコーポレイテッド | 自己免疫疾患の治療における抗cd3抗体の投与 |
EP1870836A1 (en) * | 2006-06-22 | 2007-12-26 | THOMSON Licensing | Method and device to determine a descriptor for a signal representing a multimedia item, device for retrieving items in a database, device for classification of multimedia items in a database |
JP5358083B2 (ja) * | 2007-11-01 | 2013-12-04 | 株式会社日立製作所 | 人物画像検索装置及び画像検索装置 |
US7924290B2 (en) * | 2007-05-30 | 2011-04-12 | Nvidia Corporation | Method and system for processing texture samples with programmable offset positions |
KR101394154B1 (ko) | 2007-10-16 | 2014-05-14 | 삼성전자주식회사 | 미디어 컨텐츠 및 메타데이터를 부호화하는 방법과 그 장치 |
JO3076B1 (ar) | 2007-10-17 | 2017-03-15 | Janssen Alzheimer Immunotherap | نظم العلاج المناعي المعتمد على حالة apoe |
US8483431B2 (en) | 2008-05-27 | 2013-07-09 | Samsung Electronics Co., Ltd. | System and method for estimating the centers of moving objects in a video sequence |
US20140321756A9 (en) * | 2008-05-27 | 2014-10-30 | Samsung Electronics Co., Ltd. | System and method for circling detection based on object trajectory |
US8107726B2 (en) * | 2008-06-18 | 2012-01-31 | Samsung Electronics Co., Ltd. | System and method for class-specific object segmentation of image data |
US20100027845A1 (en) * | 2008-07-31 | 2010-02-04 | Samsung Electronics Co., Ltd. | System and method for motion detection based on object trajectory |
US8433101B2 (en) * | 2008-07-31 | 2013-04-30 | Samsung Electronics Co., Ltd. | System and method for waving detection based on object trajectory |
US8073818B2 (en) * | 2008-10-03 | 2011-12-06 | Microsoft Corporation | Co-location visual pattern mining for near-duplicate image retrieval |
KR101194605B1 (ko) * | 2008-12-22 | 2012-10-25 | 한국전자통신연구원 | 시간 연속적 텍스쳐 합성 장치 및 방법 |
KR101028628B1 (ko) | 2008-12-29 | 2011-04-11 | 포항공과대학교 산학협력단 | 영상 텍스쳐 필터링 방법, 이를 수행하는 프로그램을 기록한 기록매체 및 이를 수행하는 장치 |
US8321422B1 (en) | 2009-04-23 | 2012-11-27 | Google Inc. | Fast covariance matrix generation |
US8396325B1 (en) | 2009-04-27 | 2013-03-12 | Google Inc. | Image enhancement through discrete patch optimization |
US8611695B1 (en) | 2009-04-27 | 2013-12-17 | Google Inc. | Large scale patch search |
US8391634B1 (en) * | 2009-04-28 | 2013-03-05 | Google Inc. | Illumination estimation for images |
US8385662B1 (en) | 2009-04-30 | 2013-02-26 | Google Inc. | Principal component analysis based seed generation for clustering analysis |
US8798393B2 (en) | 2010-12-01 | 2014-08-05 | Google Inc. | Removing illumination variation from images |
PT3156420T (pt) | 2010-12-06 | 2019-05-27 | Seattle Genetics Inc | Anticorpos humanizados a liv-1 e seu uso para tratar o cancro |
US8738280B2 (en) * | 2011-06-09 | 2014-05-27 | Autotalks Ltd. | Methods for activity reduction in pedestrian-to-vehicle communication networks |
CN104334184B (zh) | 2011-10-28 | 2017-12-29 | 普罗典娜生物科学有限公司 | 识别α‑突触核蛋白的人源化抗体 |
CA2863953A1 (en) | 2012-01-27 | 2013-08-01 | Neotope Biosciences Limited | Humanized antibodies that recognize alpha-synuclein |
US20130309223A1 (en) | 2012-05-18 | 2013-11-21 | Seattle Genetics, Inc. | CD33 Antibodies And Use Of Same To Treat Cancer |
UA118441C2 (uk) | 2012-10-08 | 2019-01-25 | Протена Біосаєнсиз Лімітед | Антитіло, що розпізнає альфа-синуклеїн |
EP3689904A1 (en) | 2013-03-13 | 2020-08-05 | Prothena Biosciences Limited | Tau immunotherapy |
US10513555B2 (en) | 2013-07-04 | 2019-12-24 | Prothena Biosciences Limited | Antibody formulations and methods |
WO2015004633A1 (en) | 2013-07-12 | 2015-01-15 | Neotope Biosciences Limited | Antibodies that recognize islet-amyloid polypeptide (iapp) |
WO2015004632A1 (en) | 2013-07-12 | 2015-01-15 | Neotope Biosciences Limited | Antibodies that recognize iapp |
KR101713690B1 (ko) * | 2013-10-25 | 2017-03-08 | 한국전자통신연구원 | 특징 선택 방법을 이용한 비주얼 기술자 추출 방법 및 시스템 |
WO2015075635A2 (en) | 2013-11-19 | 2015-05-28 | Prothena Biosciences Limited | Monitoring immunotherapy of lewy body disease from constipation symptoms |
KR20160127825A (ko) | 2014-03-12 | 2016-11-04 | 프로테나 바이오사이언시즈 리미티드 | 항-mcam 항체 및 관련된 사용 방법 |
WO2015136472A1 (en) | 2014-03-12 | 2015-09-17 | Prothena Biosciences Limited | Anti-laminin4 antibodies specific for lg4-5 |
TW201623331A (zh) | 2014-03-12 | 2016-07-01 | 普羅帝納生物科學公司 | 抗黑色素瘤細胞黏著分子(mcam)抗體類及使用彼等之相關方法 |
WO2015136471A1 (en) | 2014-03-12 | 2015-09-17 | Prothena Biosciences Limited | Anti-laminin4 antibodies specific for lg1-3 |
KR20170052526A (ko) | 2014-03-13 | 2017-05-12 | 프로테나 바이오사이언시즈 리미티드 | 다발성 경화증에 대한 병용 치료 |
WO2015155694A1 (en) | 2014-04-08 | 2015-10-15 | Prothena Biosciences Limited | Blood-brain barrier shuttles containing antibodies recognizing alpha-synuclein |
US9840553B2 (en) | 2014-06-28 | 2017-12-12 | Kodiak Sciences Inc. | Dual PDGF/VEGF antagonists |
KR102260805B1 (ko) * | 2014-08-06 | 2021-06-07 | 삼성전자주식회사 | 이미지 검색 장치 및 그 방법 |
US20160075772A1 (en) | 2014-09-12 | 2016-03-17 | Regeneron Pharmaceuticals, Inc. | Treatment of Fibrodysplasia Ossificans Progressiva |
KR102258100B1 (ko) * | 2014-11-18 | 2021-05-28 | 삼성전자주식회사 | 텍스쳐 처리 방법 및 장치 |
TWI769570B (zh) | 2015-01-28 | 2022-07-01 | 愛爾蘭商普羅佘納生物科技有限公司 | 抗甲狀腺素運送蛋白抗體 |
TWI718122B (zh) | 2015-01-28 | 2021-02-11 | 愛爾蘭商普羅佘納生物科技有限公司 | 抗甲狀腺素運送蛋白抗體 |
TWI781507B (zh) | 2015-01-28 | 2022-10-21 | 愛爾蘭商普羅佘納生物科技有限公司 | 抗甲狀腺素運送蛋白抗體 |
KR20170140318A (ko) | 2015-04-29 | 2017-12-20 | 리제너론 파마슈티칼스 인코포레이티드 | 진행성 골화성 섬유이형성증의 치료 |
US10162878B2 (en) | 2015-05-21 | 2018-12-25 | Tibco Software Inc. | System and method for agglomerative clustering |
WO2016197307A1 (en) | 2015-06-08 | 2016-12-15 | SZ DJI Technology Co., Ltd. | Methods and apparatus for image processing |
KR101627974B1 (ko) * | 2015-06-19 | 2016-06-14 | 인하대학교 산학협력단 | 영상 블러에 강인한 영상 특징 기술자 생성 방법 및 장치 |
IL303690A (en) | 2015-06-30 | 2023-08-01 | Seagen Inc | Anti–NTB–A antibodies and related preparations and methods |
CN105183752B (zh) * | 2015-07-13 | 2018-08-10 | 中国电子科技集团公司第十研究所 | 关联查询红外视频图像特定内容的方法 |
WO2017046776A2 (en) | 2015-09-16 | 2017-03-23 | Prothena Biosciences Limited | Use of anti-mcam antibodies for treatment or prophylaxis of giant cell arteritis, polymyalgia rheumatica or takayasu's arteritis |
WO2017046774A2 (en) | 2015-09-16 | 2017-03-23 | Prothena Biosciences Limited | Use of anti-mcam antibodies for treatment or prophylaxis of giant cell arteritis, polymyalgia rheumatica or takayasu's arteritis |
CN108712911A (zh) | 2015-12-30 | 2018-10-26 | 科达制药股份有限公司 | 抗体及其缀合物 |
WO2017149513A1 (en) | 2016-03-03 | 2017-09-08 | Prothena Biosciences Limited | Anti-mcam antibodies and associated methods of use |
BR112018067458A2 (pt) | 2016-03-04 | 2019-01-02 | Abmuno Therapeutics Llc | anticorpos para tigit |
WO2017153953A1 (en) | 2016-03-09 | 2017-09-14 | Prothena Biosciences Limited | Use of anti-mcam antibodies for treatment or prophylaxis of granulomatous lung diseases |
WO2017153955A1 (en) | 2016-03-09 | 2017-09-14 | Prothena Biosciences Limited | Use of anti-mcam antibodies for treatment or prophylaxis of granulomatous lung diseases |
JP7170316B2 (ja) | 2016-05-02 | 2022-11-14 | プロセナ バイオサイエンシーズ リミテッド | タウ免疫療法 |
AU2017259038B2 (en) | 2016-05-02 | 2024-05-23 | Prothena Biosciences Limited | Antibodies recognizing Tau |
EP3452509A1 (en) | 2016-05-02 | 2019-03-13 | Prothena Biosciences Limited | Antibodies recognizing tau |
WO2017208210A1 (en) | 2016-06-03 | 2017-12-07 | Prothena Biosciences Limited | Anti-mcam antibodies and associated methods of use |
EP3478716A2 (en) | 2016-07-02 | 2019-05-08 | Prothena Biosciences Limited | Anti-transthyretin antibodies |
WO2018007922A2 (en) | 2016-07-02 | 2018-01-11 | Prothena Biosciences Limited | Anti-transthyretin antibodies |
JP7016470B2 (ja) | 2016-07-02 | 2022-02-07 | プロセナ バイオサイエンシーズ リミテッド | 抗トランスサイレチン抗体 |
WO2018191548A2 (en) | 2017-04-14 | 2018-10-18 | Kodiak Sciences Inc. | Complement factor d antagonist antibodies and conjugates thereof |
CN110881274A (zh) | 2017-05-02 | 2020-03-13 | 普罗塞纳生物科学有限公司 | 识别tau的抗体 |
CA3076313A1 (en) | 2017-09-28 | 2019-04-04 | Prothena Biosciences Limited | Dosing regimes for treatment of synucleinopathies |
EP3508499A1 (en) | 2018-01-08 | 2019-07-10 | iOmx Therapeutics AG | Antibodies targeting, and other modulators of, an immunoglobulin gene associated with resistance against anti-tumour immune responses, and uses thereof |
AU2019324170A1 (en) | 2018-08-23 | 2021-02-18 | Seagen, Inc. | Anti-TIGIT antibodies |
CR20210272A (es) | 2018-11-26 | 2021-07-14 | Forty Seven Inc | Anticuerpos humanizados contra c-kit |
EP3886869A4 (en) | 2018-11-28 | 2022-07-06 | Forty Seven, Inc. | GENETICALLY MODIFIED CSPH RESISTANT TO ABLATIVE TREATMENT |
CN109670423A (zh) * | 2018-12-05 | 2019-04-23 | 依通(北京)科技有限公司 | 一种基于深度学习的图像识别***、方法及介质 |
AU2020219732A1 (en) | 2019-02-05 | 2021-08-05 | Seagen Inc. | Anti-CD228 antibodies and antibody-drug conjugates |
SG11202108414UA (en) | 2019-03-03 | 2021-08-30 | Prothena Biosciences Ltd | Antibodies recognizing tau |
CN114401992A (zh) | 2019-07-05 | 2022-04-26 | 艾欧麦克斯治疗股份公司 | 结合igsf11(vsig3)的igc2的抗体及其用途 |
CA3155634A1 (en) | 2019-10-04 | 2021-04-08 | Seagen Inc. | Anti-pd-l1 antibodies and antibody-drug conjugates |
JP2022553640A (ja) | 2019-10-10 | 2022-12-26 | コディアック サイエンシーズ インコーポレイテッド | 眼障害を処置する方法 |
EP3822288A1 (en) | 2019-11-18 | 2021-05-19 | Deutsches Krebsforschungszentrum, Stiftung des öffentlichen Rechts | Antibodies targeting, and other modulators of, the cd276 antigen, and uses thereof |
AU2021205929A1 (en) | 2020-01-08 | 2022-09-01 | Regeneron Pharmaceuticals, Inc. | Treatment of fibrodysplasia ossificans progressiva |
US20230118517A1 (en) | 2020-03-26 | 2023-04-20 | Seagen Inc. | Methods of treating multiple myeloma |
CA3176246A1 (en) | 2020-06-02 | 2021-12-09 | Arcus Biosciences, Inc. | Antibodies to tigit |
EP4175668A1 (en) | 2020-07-06 | 2023-05-10 | iOmx Therapeutics AG | Antibodies binding igv of igsf11 (vsig3) and uses thereof |
CA3189225A1 (en) | 2020-08-04 | 2022-02-10 | Seagen Inc. | Anti-cd228 antibodies and antibody-drug conjugates |
WO2022096536A1 (en) | 2020-11-03 | 2022-05-12 | Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts | Target-cell restricted, costimulatory, bispecific and bivalent anti-cd28 antibodies |
CN117120084A (zh) | 2021-01-28 | 2023-11-24 | 维肯芬特有限责任公司 | 用于调节b细胞介导的免疫应答的方法和手段 |
AU2022212599A1 (en) | 2021-01-28 | 2023-08-17 | Universität Ulm | Method and means for modulating b-cell mediated immune responses |
WO2022162203A1 (en) | 2021-01-28 | 2022-08-04 | Vaccinvent Gmbh | Method and means for modulating b-cell mediated immune responses |
AU2022254727A1 (en) | 2021-04-09 | 2023-10-12 | Seagen Inc. | Methods of treating cancer with anti-tigit antibodies |
TW202327650A (zh) | 2021-09-23 | 2023-07-16 | 美商思進公司 | 治療多發性骨髓瘤之方法 |
WO2023201268A1 (en) | 2022-04-13 | 2023-10-19 | Gilead Sciences, Inc. | Combination therapy for treating tumor antigen expressing cancers |
WO2023201267A1 (en) | 2022-04-13 | 2023-10-19 | Gilead Sciences, Inc. | Combination therapy for treating trop-2 expressing cancers |
WO2023215719A1 (en) | 2022-05-02 | 2023-11-09 | Arcus Biosciences, Inc. | Anti-tigit antibodies and uses of the same |
WO2024068777A1 (en) | 2022-09-28 | 2024-04-04 | Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts | Modified ace2 proteins with improved activity against sars-cov-2 |
WO2024097816A1 (en) | 2022-11-03 | 2024-05-10 | Seagen Inc. | Anti-avb6 antibodies and antibody-drug conjugates and their use in the treatment of cancer |
US20240226313A1 (en) | 2022-11-17 | 2024-07-11 | Sanofi | Ceacam5 antibody-drug conjugates and methods of use thereof |
WO2024133940A2 (en) | 2022-12-23 | 2024-06-27 | Iomx Therapeutics Ag | Cross-specific antigen binding proteins (abp) targeting leukocyte immunoglobulin-like receptor subfamily b1 (lilrb1) and lilrb2, combinations and uses thereof |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3010588B2 (ja) * | 1991-05-01 | 2000-02-21 | 松下電器産業株式会社 | パターン位置決め装置とパターン類別装置 |
US5579471A (en) * | 1992-11-09 | 1996-11-26 | International Business Machines Corporation | Image query system and method |
US5659626A (en) * | 1994-10-20 | 1997-08-19 | Calspan Corporation | Fingerprint identification system |
AU4985096A (en) * | 1995-03-02 | 1996-09-18 | Parametric Technology Corporation | Computer graphics system for creating and enhancing texture maps |
JPH09101970A (ja) * | 1995-10-06 | 1997-04-15 | Omron Corp | 画像検索方法および画像検索装置 |
JP3645024B2 (ja) * | 1996-02-06 | 2005-05-11 | 株式会社ソニー・コンピュータエンタテインメント | 描画装置及び描画方法 |
JPH09251554A (ja) * | 1996-03-18 | 1997-09-22 | Nippon Telegr & Teleph Corp <Ntt> | 画像処理装置 |
JP3609225B2 (ja) * | 1996-11-25 | 2005-01-12 | 日本電信電話株式会社 | 類似オブジェクト検索装置 |
US6381365B2 (en) * | 1997-08-22 | 2002-04-30 | Minolta Co., Ltd. | Image data processing apparatus and image data processing method |
US6192150B1 (en) * | 1998-11-16 | 2001-02-20 | National University Of Singapore | Invariant texture matching method for image retrieval |
US6424741B1 (en) * | 1999-03-19 | 2002-07-23 | Samsung Electronics Co., Ltd. | Apparatus for analyzing image texture and method therefor |
US6594391B1 (en) * | 1999-09-03 | 2003-07-15 | Lucent Technologies Inc. | Method and apparatus for texture analysis and replicability determination |
KR100788642B1 (ko) * | 1999-10-01 | 2007-12-26 | 삼성전자주식회사 | 디지털 영상 텍스쳐 분석 방법 |
KR100355404B1 (ko) * | 1999-12-03 | 2002-10-11 | 삼성전자 주식회사 | 주파수 공간상에서의 가보 필터를 이용한 질감표현방법 및질감기반 영상 검색방법 |
-
2000
- 2000-02-03 EP EP04000801A patent/EP1453000B1/en not_active Expired - Lifetime
- 2000-02-03 CN CNB008042845A patent/CN100489892C/zh not_active Expired - Fee Related
- 2000-02-03 KR KR10-2004-7001082A patent/KR100444778B1/ko not_active IP Right Cessation
- 2000-02-03 MX MXPA01007845A patent/MXPA01007845A/es active IP Right Grant
- 2000-02-03 NZ NZ513144A patent/NZ513144A/en unknown
- 2000-02-03 SG SG200305770-0A patent/SG142124A1/en unknown
- 2000-02-03 DE DE60045319T patent/DE60045319D1/de not_active Expired - Lifetime
- 2000-02-03 AT AT04000801T patent/ATE490518T1/de not_active IP Right Cessation
- 2000-02-03 KR KR10-2004-7001081A patent/KR100444777B1/ko not_active IP Right Cessation
- 2000-02-03 KR KR10-2004-7001078A patent/KR100452064B1/ko not_active IP Right Cessation
- 2000-02-03 WO PCT/KR2000/000091 patent/WO2000046750A1/en active IP Right Grant
- 2000-02-03 KR KR10-2001-7009442A patent/KR100444776B1/ko not_active IP Right Cessation
- 2000-02-03 BR BR0007956-1A patent/BR0007956A/pt not_active IP Right Cessation
- 2000-02-03 CA CA002625839A patent/CA2625839A1/en not_active Abandoned
- 2000-02-03 MY MYPI20000387A patent/MY128897A/en unknown
- 2000-02-03 DE DE60036082T patent/DE60036082T2/de not_active Expired - Lifetime
- 2000-02-03 AU AU24646/00A patent/AU775858B2/en not_active Ceased
- 2000-02-03 DE DE60037919T patent/DE60037919T2/de not_active Expired - Lifetime
- 2000-02-03 JP JP2000597758A patent/JP2002536750A/ja active Pending
- 2000-02-03 EP EP07101113A patent/EP1777658B1/en not_active Expired - Lifetime
- 2000-02-03 EP EP00903006A patent/EP1153365B1/en not_active Expired - Lifetime
- 2000-02-03 CA CA002361492A patent/CA2361492A1/en not_active Abandoned
- 2000-02-03 AT AT07101113T patent/ATE385007T1/de not_active IP Right Cessation
- 2000-02-03 MY MYPI20034720A patent/MY138084A/en unknown
- 2000-02-03 KR KR10-2004-7001080A patent/KR100483832B1/ko not_active IP Right Cessation
- 2000-02-03 AT AT00903006T patent/ATE371231T1/de not_active IP Right Cessation
- 2000-02-03 CN CNB200310102673XA patent/CN100405399C/zh not_active Expired - Fee Related
- 2000-02-04 US US09/497,504 patent/US6624821B1/en not_active Expired - Lifetime
- 2000-06-23 TW TW089103999A patent/TW528990B/zh not_active IP Right Cessation
-
2003
- 2003-05-09 US US10/434,150 patent/US7027065B2/en not_active Expired - Fee Related
-
2004
- 2004-02-05 JP JP2004029900A patent/JP2004158042A/ja active Pending
- 2004-03-10 US US10/795,991 patent/US7199803B2/en not_active Expired - Lifetime
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
MXPA01007845A (es) | Metodo para la recuperacion de la textura de imagenes y aparato para el mismo. | |
Emmy Prema et al. | Efficient flame detection based on static and dynamic texture analysis in forest fire detection | |
EP1233374B1 (en) | Apparatus and method for extracting objects based on feature matching between segmented regions in images | |
US8706663B2 (en) | Detection of people in real world videos and images | |
CN111125416A (zh) | 一种基于多特征融合的图像检索方法 | |
US9070041B2 (en) | Image processing apparatus and image processing method with calculation of variance for composited partial features | |
GB2467643A (en) | Improved detection of people in real world videos and images. | |
AU2003252765B2 (en) | Image texture retrieving method and apparatus thereof | |
Zhang et al. | Sparse coding-based spatiotemporal saliency for action recognition | |
Vélez-Falconí et al. | Comparative Study of Distance Measures for the Fuzzy C-means and K-means Non-Supervised Methods Applied to Image Segmentation. | |
KR101200378B1 (ko) | 국소 각 위상을 이용한 강건한 텍스처 특징 추출 방법 | |
Zhang et al. | No-Reference Image Blur Assessment Based on SIFT and DCT. | |
CN105701174B (zh) | 一种基于动态纹理基元的外观设计专利检索方法 | |
CN117173545B (zh) | 一种基于计算机图形学的证照原件识别方法 | |
Cvejic et al. | Multimodal Image Sensor Fusion Using Independent Component Analysis | |
WO2010084388A1 (en) | Automatic method for defining a living element movement captured by a movie sequence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG | Grant or registration |