基于几何不变矩的图像相似度计算方法
- 格式:doc
- 大小:341.00 KB
- 文档页数:8
相似形状判定方法相似形状判定方法可以基于几何特征、数学模型等多种角度进行分析。
以下是50条关于相似形状的判定方法,并附上详细描述:1. 几何特征法:通过比较图形的边长、角度等几何特征来判定形状是否相似。
2. 比例法:观察图形的各个部分之间的长度比例,从而判断形状是否相似。
3. 比较面积法:比较图形的面积大小及比例,来确定是否为相似形状。
4. 尺度不变特征变换法(SIFT):利用图像处理技术,通过检测图形的局部特征来进行相似形状的判定。
5. 尺度空间法:对图形进行不同尺度下的变换,通过比较不同尺度下的特征来判断形状的相似性。
6. 形状上下文法:利用轮廓的全局形状信息,通过图形的局部特征来进行相似形状的判定。
7. 轮廓匹配法:通过对轮廓线进行匹配,来判断形状的相似性。
8. 特征点匹配法:利用图形的特征点进行匹配,来确定形状是否相似。
9. 直方图法:将图形的特征表示为直方图,通过比较直方图来判断形状的相似性。
10. 形态学方法:利用数学形态学的原理,通过形态学操作来判断图形的相似性。
11. 傅里叶描述子法:通过傅里叶描述子来表示图形的形状,从而进行相似性判断。
12. 信息熵法:通过图形的信息熵来判断形状的相似性。
13. 神经网络方法:利用神经网络技术来学习和判断图形的相似性。
14. 质心法:通过计算图形的质心来判断形状的相似性。
15. 中心距法:利用图形的中心距来判断形状的相似性。
16. 几何矩法:通过计算图形的几何矩来判断形状的相似性。
17. 轮廓面积法:通过比较图形的轮廓面积来判断形状的相似性。
18. 边界法:通过比较图形的边界形状及特征来判断形状的相似性。
19. 形状符号方法:通过比较图形的形状符号来判断形状的相似性。
20. 线性不变尺度空间法(LSS):利用线性不变尺度空间特征来进行相似形状的判定。
21. 图像矩形法:通过匹配和比较图像的矩形特征来判断形状的相似性。
22. 全局特征描述法:通过提取和比较图形的全局特征来判断形状的相似性。
图像相似度算法
图像相似度算法是一种利用大量测量细节来评估两个不同图像
之间相似度的方法。
近来,在计算机视觉技术发展迅速的今天,图像相似度算法受到了投资者高度关注,被广泛应用于各个领域。
图像相似度算法是一种数据挖掘技术,可以用来检测和识别图片中的内容。
它可以从大量的图像中检测出相似的图像,从而减少人类手工标注的工作量。
图像相似度算法不仅可以应用于图像分类,搜索,还可以用来检测和跟踪图像中的对象,提取图像中的信息等等。
图像相似度算法通常使用图像处理技术和机器学习技术来计算
图像之间的相似度。
它通常会使用一系列不同的技术,例如:形状、纹理、颜色等特征,来提取图像中的关键特征,并计算图像之间的差异。
图像相似度算法可以用来提高图像识别率,从而提高系统的准确性。
图像相似度算法还具有很多优点,例如:可以进行实时处理,检测出图像中存在的变化,更为精确地找出图像相似度,更好地识别图像,提高系统的可靠性和准确性等等。
此外,它还可以与大数据,人工智能等技术结合,进行更深入的图像分析。
图像相似度算法未来应用的前景非常广阔,在无人驾驶,智能家居,医疗技术等领域都可以被广泛地应用。
它可以用于识别复杂的图像,对图像内容进行分析和提取,用来做出更准确的决策和预测,并可以为机器学习和人工智能技术提供更加准确和可靠的数据。
因此,研发图像相似度算法在当今时代具有非常重要的意义,是
计算机视觉,人工智能发展的必要投资。
图像相似度算法的应用价值越来越体现在不同的领域,扮演着更加重要的角色,将为世界各地的技术带来更多便利和收益。
相似图形的判定和计算相似图形是指具有相同形状但大小可能不同的图形。
在几何学中,判断和计算相似图形是一个重要的问题。
本文将介绍相似图形的判定和计算方法。
一、判定相似图形的条件判定两个图形是否相似,需要满足以下条件:1. 对应角相等:图形中对应角的度数相等。
2. 对应边成比例:图形中对应边的长度比相等。
根据上述条件,可以通过观察图形的角度和边长之间的关系来判断图形是否相似。
二、相似图形的计算方法计算相似图形需要确定两个图形之间的比例关系。
在几何学中,常用的计算方法包括比例尺和相似比例。
1. 比例尺:比例尺是指两个相似图形之间相应边的长度比。
比例尺可以表示为:比例尺 = 目标图形的边长 / 原图形的边长。
比例尺通常以分数或小数的形式表示。
2. 相似比例:相似比例是指相似图形之间所有对应边长的比值。
相似比例可以表示为:相似比例 = 目标图形的边长 / 原图形的边长。
相似比例通常以分数或小数的形式表示。
通过比例尺或相似比例,可以计算目标图形与原图形之间的大小关系。
三、相似三角形的特性相似三角形是一种特殊的相似图形。
相似三角形有以下特性:1. 两个三角形的对应角相等,则它们是相似的。
2. 两个三角形的两个对应角相等,则它们是相似的。
3. 两个三角形的两个对应角相等,并且两个对应边的比例相等,则它们是相似的。
相似三角形的特性可以帮助我们判断两个三角形是否相似,并进行相似比例的计算。
四、实例分析以两个三角形为例,计算它们的相似比例。
已知三角形ABC和三角形DEF,其中∠A = ∠D,∠B = ∠E,∠C = ∠F。
现求相似比例。
解:相似三角形的判定条件满足,所以两个三角形相似。
将三角形ABC和三角形DEF的对应边分别记为a,b,c和d,e,f。
根据相似三角形的特性,有以下相似比例:a/d = b/e = c/f通过测量三角形ABC和三角形DEF的各边长度,可以得到a=3cm,b=4.5cm,c=6cm,d=2cm,e=3cm,f=4cm。
图像相似度计算图像相似度计算主要用于对于两幅图像之间内容的相似程度进行打分,根据分数的高低来判断图像内容的相近程度。
可以用于计算机视觉中的检测跟踪中目标位置的获取,根据已有模板在图像中找到一个与之最接近的区域。
然后一直跟着。
已有的一些算法比如BlobTracking,Meanshift,Camshift,粒子滤波等等也都是需要这方面的理论去支撑。
还有一方面就是基于图像内容的图像检索,也就是通常说的以图检图。
比如给你某一个人在海量的图像数据库中罗列出与之最匹配的一些图像,当然这项技术可能也会这样做,将图像抽象为几个特征值,比如Trace变换,图像哈希或者Sift特征向量等等,来根据数据库中存得这些特征匹配再返回相应的图像来提高效率。
下面就一些自己看到过的算法进行一些算法原理和效果上的介绍。
(1)直方图匹配。
比如有图像A和图像B,分别计算两幅图像的直方图,HistA,HistB,然后计算两个直方图的归一化相关系数(巴氏距离,直方图相交距离)等等。
这种思想是基于简单的数学上的向量之间的差异来进行图像相似程度的度量,这种方法是目前用的比较多的一种方法,第一,直方图能够很好的归一化,比如通常的256个bin条的。
那么两幅分辨率不同的图像可以直接通过计算直方图来计算相似度很方便。
而且计算量比较小。
这种方法的缺点:1、直方图反映的是图像像素灰度值的概率分布,比如灰度值为200的像素有多少个,但是对于这些像素原来的位置在直方图中并没有体现,所以图像的骨架,也就是图像内部到底存在什么样的物体,形状是什么,每一块的灰度分布式什么样的这些在直方图信息中是被省略掉得。
那么造成的一个问题就是,比如一个上黑下白的图像和上白下黑的图像其直方图分布是一模一样的,其相似度为100%。
2、两幅图像之间的距离度量,采用的是巴氏距离或者归一化相关系数,这种用分析数学向量的方法去分析图像本身就是一个很不好的办法。
3、就信息量的道理来说,采用一个数值来判断两幅图像的相似程度本身就是一个信息压缩的过程,那么两个256个元素的向量(假定直方图有256个bin条)的距离用一个数值表示那么肯定就会存在不准确性。
基于几何不变矩的叶片种类识别方法的研究作者:周萧,曹姣,王岩来源:《科技资讯》 2011年第18期周萧曹姣王岩(中北大学信息与通信工程学院太原 030051)摘要:本文介绍了一种基于叶片图像的几何特征对叶片种类进行识别的方法。
首先对叶片图像进行预处理并提取出叶片的几何特征,然后利用相关系数法对不同的叶片图像进行匹配。
在基于几何特征的匹配中,本文重点研究了叶片的不变矩特征,从而能够有效的识别出叶片的种类,平均识别率达到了87%。
关键词:叶片图像形态学处理特征提取相关系数匹配法中图分类号:TP391 文献标识码:A 文章编号:1672-3791(2011)06(c)-0108-01地球形成初期,是一个没有生命的世界,直至出现了绿色植物,有了光合作用,才改变了地球的整个生态环境。
由此可见,植物与人类的生存有着极其密切的联系。
但是近些年来,由于人类不合理的开发,植物的数量和种类正在不断减少,对植物实施保护措施,已经刻不容缓。
要保护植物,首先就要做到认识植物。
近些年来,随着计算机技术的不断发展,图像处理技术在农业领域中也得到了一定的应用。
因此可以考虑使用图像处理和匹配技术实现对植物的分类研究。
植物的叶片是植物本身很重要的一部分,其含有相当大的信息量,所以识别植物的叶片是识别植物的一种有效手段,而本文则是从提取叶片的形状特征入手。
形状特征的描述方法有很多种,本文采用了几何参数法,提取出叶片的不变矩参数,并利用相关系数法对两幅叶片图像进行匹配,可以实现在对叶片种类的有效识别。
1 叶片图像预处理1.1 阈值分割本文以丁香叶片为例,先将采集到的叶片通过数码相机制成数字图像,然后将获得的数字图像利用计算机辅助转化为灰度图像。
为了将叶片与其背景分割成二值图像,还需对灰度图像进行阈值分割,本文则采用了迭代法这种分割方法。
迭代法可以完成阈值的自动选取,其具体方法如下。
(1)选择一个初始阈值T,若一幅图像像素的最大和最小灰度值分别为f1、f1,则初始阈值为二者的平均数。
hu矩相似度计算hu矩是一种常用的相似度计算方法,广泛应用于图像处理、模式识别、计算机视觉等领域。
它是基于图像的灰度共生矩阵(GLCM)提取的特征进行计算的。
我们来了解一下灰度共生矩阵。
灰度共生矩阵是一种描述图像灰度分布的矩阵,它可以反映出图像中不同灰度级别之间的相互关系。
通过统计图像中每个像素点与其相邻像素点之间的灰度差异,我们可以得到一个灰度共生矩阵。
在计算灰度共生矩阵时,我们需要确定相邻像素点的距离和灰度级别的数量。
常见的距离包括1、2、3个像素点的距离,而灰度级别的数量通常取决于图像的位深度。
通过统计灰度共生矩阵的各个元素,我们可以得到一组代表图像纹理特征的统计参数,其中最常用的就是hu矩。
hu矩是一组七个不变矩,它们能够描述图像的几何形状特征。
这七个矩分别是:面积矩、归一化第一矩、归一化第二矩、归一化第三矩、归一化第四矩、归一化第五矩和归一化第六矩。
这些矩可以根据灰度共生矩阵的统计参数计算得到。
hu矩具有很多优点,首先它是一种不变矩,不受图像平移、旋转和缩放等变换的影响,因此具有很强的鲁棒性。
其次,hu矩具有很好的区分度,能够有效区分不同图像的纹理特征。
此外,hu矩计算简单、快速,适用于大规模图像处理。
在实际应用中,hu矩可以用于图像分类、目标识别和图像检索等任务。
通过计算图像的hu矩,我们可以将图像特征转化为一组具有物理意义的数值,从而实现对图像的相似度计算和比较。
在图像分类任务中,我们可以通过计算待分类图像和已知类别图像之间的hu矩距离,来判断待分类图像属于哪个类别。
在目标识别任务中,我们可以通过计算目标图像和模板图像之间的hu矩距离,来判断目标是否存在于图像中。
在图像检索任务中,我们可以通过计算查询图像和数据库图像之间的hu矩距离,来实现图像的相似度排序和检索。
总结起来,hu矩是一种基于灰度共生矩阵的相似度计算方法,通过计算图像的hu矩距离,可以实现图像的相似度计算和比较。
它具有不变性、区分度高、计算简单等优点,在图像处理、模式识别、计算机视觉等领域有着广泛的应用前景。
轮廓之间hu矩的相似度轮廓之间Hu矩的相似度是计算图像轮廓形状相似度的一种方法,它能够量化不同轮廓之间的差异程度。
Hu矩作为一种观测矩,可以通过计算轮廓的几何特征来表示图像的形状,从而进行形状匹配和识别。
Hu矩是由日本学者Hu博士于1962年提出的,它通过将图像的轮廓投影到归一化的笛卡尔坐标系中,然后计算一组标准化矩的代数和来描述轮廓的形状。
这组标准化矩被称为Hu矩,它包含了七个不变矩,用来描述轮廓的整体形状、旋转和缩放不变性。
Hu矩的计算过程相对复杂,首先需要将轮廓的边界点坐标转换为中心矩,然后通过计算各个中心矩的归一化矩而得到Hu矩。
这些Hu矩可以在不同的图像中进行比较,通过计算它们的相似度来判断轮廓间的形状相似性。
在计算相似度时,通常使用一种称为比较Hu矩的方法。
这种方法将两个轮廓的Hu矩进行归一化,然后计算它们之间的欧氏距离。
距离越小,说明两个轮廓的形状越相似;距离越大,说明两个轮廓的形状差异越大。
轮廓之间Hu矩的相似度可以应用于图像匹配、目标识别、图像检索等领域。
例如,在目标识别中,可以使用Hu矩来比较待识别目标与数据库中已知目标的轮廓相似度,从而找到最匹配的目标。
在图像检索中,可以利用Hu矩来计算图像之间的形状相似度,从而实现基于形状的图像搜索。
然而,需要注意的是,Hu矩在计算相似度时并不能反映出轮廓的细节信息。
因此,在进行轮廓匹配时,应该综合考虑其他特征,如颜色、纹理等信息,以提高匹配的准确性。
总之,轮廓之间Hu矩的相似度是一种用于计算图像轮廓形状相似性的方法,它在图像匹配和识别等领域具有重要的应用价值。
通过比较Hu矩的归一化欧式距离,我们可以量化不同轮廓之间的差异程度,为图像处理和模式识别提供有力指导。
基于半变异函数及不变矩的SAR图像检索
何永丛;张弓;刘文波
【期刊名称】《光电工程》
【年(卷),期】2010(037)003
【摘要】本文针对图像检索中常见的旋转、反转问题,提出了一种基于半变异函数及Hu不变矩的SAR图像检索算法.用不同方向、不同步长的半变异函数值描述图像的空间连续性,计算各方向的加权半变异函数值,并以此确定空间连续主方向来调整半变异函数值的方向排列,使其具有旋转、反转不变性.引入12个Hu不变矩,结合排序后的半变异函数值作为SAR图像的特征向量,特征向量归一化后用堪培拉距离作为相似性度量函数.采用旋转、反转后不同场景的SAR图像进行实验,并与基于多尺度分析的检索算法对比,结果证明了本文方法的有效性.
【总页数】6页(P93-98)
【作者】何永丛;张弓;刘文波
【作者单位】南京航空航天大学,自动化学院,信息科学与技术学院,南京,210016;南京航空航天大学,信息科学与技术学院,南京,210016;南京航空航天大学,自动化学院,信息科学与技术学院,南京,210016
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于草图局部几何不变矩的图像检索方法 [J], 鲍振华;康宝生;张雷;张婧
2.一种基于Zernike不变矩和改进的Hough变换的图像检索方法 [J], 曾硕;王玲;李昆明
3.基于颜色特征和不变矩的图像检索 [J], 和文辉;李易;吴志庆;窦昊;陆冠严
4.基于半变异函数的多极化SAR图像地表淹没程度分析 [J], 沈国状;廖静娟
5.基于小波分解和Hu不变矩的图像检索算法 [J], 郝成成;张洁;余萍
因版权原因,仅展示原文概要,查看原文内容请购买。
常用的几何相似度算法
几何相似度是计算两个形状或物体之间相似程度的数学方法。
在计算机视觉和计算机图形学中,几何相似度经常被用来衡量图像或模型之间的相似度。
下面是一些常用的几何相似度算法:
1. 欧氏距离相似度:欧氏距离是两个点之间的距离,因此可以用来计算两个形状之间的距离。
欧氏距离相似度是通过计算两个形状之间的欧氏距离来衡量它们之间的相似程度。
2. 坐标轴对齐的包围盒相似度:坐标轴对齐的包围盒是一个矩形或盒子,它的边缘与坐标轴平行。
通过将两个形状的包围盒进行比较,可以计算它们之间的相似程度。
3. 形状匹配相似度:形状匹配是将两个形状进行比较,以确定它们之间的相似程度。
这种方法通常使用特征提取和特征匹配算法。
4. 光流相似度:光流是描述图像中像素随时间移动的向量场。
通过计算两个图像之间的光流场,可以计算它们之间的相似度。
5. 像素相似度:像素相似度是比较两个图像之间像素级别的相似度。
这种方法通常使用像素比较和灰度直方图等算法。
这些几何相似度算法在计算机视觉和计算机图形学中得到广泛
应用,可以帮助我们在处理图像和模型时,快速有效地计算它们之间的相似程度。
- 1 -。
基于几何不变矩的图像相似度计算方法
作者:谢逸逍汪有成肖猛黄玉柱马文奎
来源:《电子技术与软件工程》2017年第16期
摘要
提出了一种图像相似度测量方法,实现了变电站环境下模板图像和巡检图像相似性的识别。
首先,使用数字图像处理技术对采集的图像进行滤波、形态学等预处理。
其次,计算并统计模板图像和巡检图像的几何不变矩Hu矩,形成图像的特征向量。
最后,计算图像特征向量之间的余弦相似度,通过设置阈值进行图像相似程度识别。
实验结果表明,该方法能够实现图像相似度之间的判断,算法简单、速度快、正确率高。
为后续变电站异物识别提供了技术支持。
【关键词】变电站图像相似度 Hu不变矩余弦相似度
随着信息时代的到来,人类已经进入了信息化的时代,图像作为最普通的信息载体与人类的活动息息相关。
近年来,众多的学者们将研究方向转移到图像处理与计算机视觉等领域。
图像分类也逐渐成为科学研究中不可缺少的强有力的工具,其在图像检索、智能机器人场景识别等多个领域中具有重要的应用价值。
变电站是各级电网的核心枢纽,对站内设备例行检查是保证电网安全运行的关键技术手段。
目前,比较流行的巡检方式是人工巡检模式,即以人工的方式方法登记、统计设备信息来进行管理工作的落后状态。
由于电网的维护难度高,巡检量大,采用人工巡检模式己不能满足己完全不能满足实际需要。
随着机器人技术的快速发展,将机器人技术与电力应用相结合,基于机器人移动平台携带检测设备代替人工进行设备巡检成为了可能。
变电站中的环境复杂,采集的设备图像并不是保持不变的。
模板图像和巡检图像不同,致使续算法正确率降低。
因此,对采集到的图像和模板图像相似性判断是一项重要工作,研究一种图像相似度计算方法具有重要意义。
1 图像滤波
为了提高图像质量便于后而处理得到更好的结果,需要对图像进行预处理操作。
滤波去噪是图像预处理常用的技术手段,其中,中值滤波是一种非线性滤波器,对噪声点有较好的处理效果。
中值滤波定义如下:假设数组
为1维数组,将该数组元素按从小到大排列:
式中:y称为数组X的中值。
对于二维图像数据,选取一个r1×r2区域的窗口,将窗口依次滑过整幅图像,将窗口中心位置像素用窗口中像素中值代替,得到滤波后的图像。
依据实践
经验,选取1×3的窗口,可以较好滤除噪声点干扰。
因此,结合变电站巡检图像自身特点,本文采用中值滤波对指针图像降噪处理。
数学形态学是进行数字图像处理的重要方法。
它是建立在集合代数基础上,用集合论方法定量地描述几何形状和结构的数学方法,它逐渐成为提取和分析图像几何特征的工具。
数学形态学是分析几何形状和结构的数学方法,它是由一组形态学的代数运算子组成的,最基本的形态学运算子有:腐蚀(erosion)、膨胀(dilation),开运算(opening)和闭运算(closing)。
用这些运算子及其组合来进行图像形状和结构的分析及处理,包括图像分割、特征抽取、边界检测、图像滤波,图像增强和恢复工作。
对于图像X及结构元素S,用XoS表示X对S的开运算,其定义为:
X0S=(XΘS)㊉S (2)
其中,XΘS表示X对S进行腐蚀,XΘS表示X对S进行膨胀。
因此,开运算可看作是对腐蚀图像XΘS用膨胀来进行恢复。
开运算的结果为完全删除了不能包含结构元素的对象区域,平滑了对象的轮廓,断开了狭窄的链接,去掉了细小的突出部分。
2 图像几何不变矩
2.1 几何不变矩
矩是描述图像特征的算子,它在模式识别与图像分析领域中有重要的应用。
矩在统计学中被用来反映随机变量的分布情况,推广到力学中,它被用作刻画空间物体的质量分布。
矩方法即可用于图像分析领域并用作图像特征的提取。
迄今为止,常见的矩描述子可以分为以下几种:几何矩、正交矩、复数矩和旋转矩。
其中几何矩提出的时间最早且形式简单,对它的研究最为充分。
几何矩主要表征了图像区域的几何特征,由于其具有旋转、平移、尺度等特性的不变特征,所以又称其为不变矩。
针对图像的不变特征属性,HuM.K.教授在1962年提出了7个不变矩(简称Hu矩)。
在图像处理中,几何不变矩可以作为一个重要的特征来表示物体,可以据此特征来对图像进行分类等操作。
一幅数字图像f(x,y)的二维(p+q)阶矩定义为:
其中,p,q=0,l,2,…,求和在跨越图像的所有空间坐标x,y的值上进行。
相应的中心距定义为:
其中,
阶中心矩定义为:
对平移、缩放、镜像和旋转都不敏感的7个二维不变矩的集合可以由上述公式推导出来,即7个Hu不变矩:
2.2 余弦相似度匹配算法
余弦相似度通过测量两个向量内积空间的夹角的余弦值来度量它们之间的相似性。
余弦值越接近1,表示两个向量的夹角越接近0度,即表示两个向量越相似。
两个向量间的余弦值可以很容易地通过使用欧几里得点积和量级公式推导:
已知向量a
,则向量的夹角余弦为:
因此,通过Hu矩可以得到模板图像和巡检图像的特征向量,将两个特征向量带入式(4)即可得到模板图像和巡检图像之间的夹角余弦。
通过设定阈值即可对模板图像和巡检图像之间的相似度进行计算。
3 算法设计及其结果分析
实验数据来自于变电站巡检机器人在巡检过程中采集的设备图像。
为了验证算法的可行性,实验中使用人工标记方法使图像改变原有的样式。
如图1所示。
实验中对图像的处理流程,如图2所示。
实线部分为模板图像的处理过程,虚线部分为巡检图像的处理过程。
算法步骤如下:
Stepl:图像灰度化;
Step2:中值滤波;
Step3:形态学开运算;
Step4:图像二值化;
Step5:Hu矩计算;
Step6:计算余弦相似度;
Step7:与设定阈值比较,大于阈值,则有差别,反之,相同。
从上述结果图可以看出,当巡检图像和模板图像之间存在差别时,在处理过程中也能够充分的体现出来。
这也体现了本文提出的算法的有效性。
提取模板图像和巡检图像的Hu矩,并计算二者的向量夹角余弦。
表1中是模板图像和巡检图像的向量夹角余弦值统计。
从表中的数据可以看出,当巡检图像和模板图像之间存在差异时,我们可以通过设置阈值的方法来判定巡检图像和模板图像之间的相似程度。
并且,算法的相似程度计算也为异物识别提供了技术手段,相似程度越高图像越相似,相似程度越低,图像的差异性越大,存在异物的可能性也就越强。
4 结论
本文通过图像预处理操作,使用提取模板图像和巡检图像的Hii矩组建特征向量,并计算模板图像和巡检图像之间的夹角余弦。
通过与设定阈值实现了模板图像和巡检图像之间相似度计算。
实现结果证明,该算法成功解决了变电站设备图像中模板图像和巡检图像之间相似程度判定的问题。
算法的成功实施为异物识别提供了技术手段,也可用在变电站异物识别检测。
参考文献
[1]王啸晨.基于机器学习的图像质量评估研究[D].天津大学,2015:1-5.
[2]韩峰.基于最大稳定极值区域的场景分类方法研究[D].山东大学,2014:1-5.
[3]杨旭东,黄玉柱,李继刚,等.变电巡检机器人研究现状综述[J].山东电力技术,2015,42(01):30-33.
[4]丁思奎,李健.变电站巡检机器人应用中存在的问题分析及解决方案[J].电工电气,2016(02):57-58.
[5]Ye.W.Z..Optima1ity of the Median Filtering Operator[J].Circuits,systerns,and signal processing:CSSP,2011,30(06):1329-1340.
[6]张大坤,罗三明.形态学中闭运算功能的扩展及其应用[J].计算机工程与应用,2010,46(27):185-187.
[7]张伟,何金国.Hu不变矩的构造与推广[J].计算机应用,2010,30(09):2449-2450.
[8]刘冰,李文书.基于余弦相似度的指纹匹配算法的室内定位方法[J].科技通报,2017,33(03):198—200.。