阴影消除算法使用颜色和纹理特性

文摘

阴影检测和去除在真实场景图像目标检测的一个重要问题。这项工作提出了一种改进的阴影检测和去除城市视频监控算法。首先,前景检测的背景减法和阴影检测HSV颜色空间。使用当地的方差和大津方法,我们获得移动目标的纹理特性。根据影子在HSV空间的特征和纹理特征,影子是消除阴影检测和去除干扰对移动目标的后续处理。最后,我们将我们的算法嵌入C / S框架基于HTML5 web socket协议。实验和实际运行结果表明,该算法是有效的和鲁棒的目标检测和阴影检测和去除在不同场景。

1。介绍

阴影消除过程被广泛用作预处理操作在不同的视频监控应用中,如环境监测(1,运动检测2),和安全监控3- - - - - -5]。它可以消除噪音的不良影响在这些系统的性能。一旦发现,阴影的图像用于移动目标检测的视频监控系统和检测目标的形状和大小和寻找光源和照明条件的数量在自然图像。忽略阴影的存在会降低图像质量的输出。

许多研究在阴影检测和去除进行了过去二十年。2003年,狂热的et al。6)回顾了阴影检测和去除技术和分类算法分类阴影检测方法。此外,作者提出了阴影检测的评价指标。主要结论是,只有最简单的方法是适合泛化,但几乎在每一个特定的场景中,通过添加假设结果可以显著提高。因此,没有一个强大的阴影检测技术,更好的为每一个特定的应用程序来开发自己的技术根据现场的本质。以来,许多方法已经提出了基于颜色模型(7)、地区(8,9)、学习(10),和不变的图像模型11,12]。在[13),经典的HSV颜色空间模型提出了阴影检测。

然而,这些方法只计算当前视频帧之间的亮度比和背景模型确定阴影区域。当移动目标在不同背景和光照条件,改变的亮度比阈值难以确定。很容易误解的移动目标的影子。

在本文中,我们提出一个新颖的基于HSV的阴影消除算法和纹理特性来克服传统HSV颜色空间模型的缺点在网络视频分析应用程序。首先,通过背景减法的方法,我们建立的背景和前景提取灰色空间。然后,运动目标的阴影,使用传统HSV颜色空间是通过计算发现当前视频帧之间的亮度比和背景模型。移动的目标,我们需要获得的结果相结合,这是HSV颜色空间与前景提取的背景减法的方法。同时,前景提取的背景减法的方法,分别由当地处理方差(14)和大津阈值(15)提取运动目标的一部分。最后,最终的移动目标是获得的或算子相结合的前景,分别提取首先进行方差和地方HSV获得的结果。我们的贡献如下:(1)在HSV颜色空间进行分析改善阴影检测的准确性;(2)提取移动对象的纹理特征使用本地方差和大津解决移动目标检测问题的错误造成的不稳定的亮度比阈值;(3)将和利用我们的阴影消除模块集成到web服务系统。该算法的流程图,包括前景提取和阴影消除图所示1。

本文的其余部分组织如下。节2工作,我们介绍相关检测图像和视频序列的影子。节3介绍传统的阴影检测HSV颜色空间。节4,我们建议的方法,结合HSV和纹理特性去除阴影详细解释。实验结果和讨论web服务的实际实现效果也显示部分5。部分6是结论和进一步的工作。

2。相关工作

在过去的几十年里,许多有效的方法已经被提出了检测静态图像或视频序列的影子。在视频序列,阴影检测主要用于提高目标检测的性能,为后续目标位置奠定了基础,跟踪和识别。近年来,随着社会经济的不断发展和计算机技术的不断进步,智能视频监控系统正变得越来越流行。智能监控系统中的关键问题,运动目标的阴影检测已经成为计算机视觉研究领域的热点问题。一般来说,从监控视频中提取运动目标是第一步,其性能直接影响后续的视觉分析。因为整个对象的阴影,阴影消除是至关重要的。有效的阴影消除移动目标不仅可以提高视频中的运动物体的性能分析,也扮演着重要的角色在移动物体的识别和行为分析的视频监控系统。因此,阴影消除图像处理方向的一个关键和困难的问题(3,16,17]。

现有的阴影检测方法大致可以分为两类:基于模型的方法和基于特征的方法。基于模型的方法需要建立一个影子统计模型根据阴影的特点和判断是否属于阴影区域每个像素根据统计模型。Cucchiara et al。13)提出了一种基于模型参数的方法。提出了一种基于模型非参数方法(18]。基于特征的方法通常直接使用图像特征(19),如亮度、颜色、饱和度和其他信息来判断。Al-Najdawi et al。20.)和Sanin et al。21)回顾了阴影检测模型和改进的研究工作6]。Sasi和Govindan给了一个更全面的报告方法领域的阴影检测和去除。审查进行显示,阴影消除方法在用户交互的情况下工作,为多个图像。自动的方法可用于单一影子去除等更复杂的实现和设置在考虑限制类的图像。

最近,许多研究人员提出了一系列新的阴影检测方法使用卷积神经网络(CNN)模型。汗等。22)第一次使用阴影检测的深度学习方法通过训练两个网络检测阴影区域和阴影边缘,分别。美联储预测基于提取的特点是后验条件随机域模型来生成光滑的阴影轮廓。文森特et al。23)使用两个级联网络实现阴影检测。第一个网络最初是用来提取阴影标记。连同原来的图,这些标志着第二个输入网络获得精制阴影标记结果。在[24),根据颜色和纹理特性,使用支持向量机分类器的阴影地图之前,这是结合原始图像,然后pretrained CNN网络的输入输出检测结果。阮et al。25]介绍了条件生成对抗网络(cGAN)。发电机输出的影子标志和鉴别器区分真假的影子。发电机之间的相互对抗和鉴别器使发电机检测阴影区域的能力。该方法进一步改进的方法相比,23]。同样,Le et al。26甘]应用来提高网络的能力来区分阴影区域。现有的CNN阴影检测方法经常使用级联网络(22- - - - - -24甘]或[25,26),增加模型的训练和实时检测的难度。

数字图像处理技术的不断发展,阴影检测的应用也不断增加和扩大的web服务。典型的阴影检测的应用领域主要是在以下领域:视频监控,国防军队,和人机交互。近年来,随着研究的深入阴影检测算法,它已经被应用于医疗、公共安全、农业、工业、航空航天和国防军事建设。

大尺寸的视觉数据需要大量的带宽,存储和计算资源传输、保存或处理原始视频高清晰度(HD) [27),很大程度上需要部署的成本。因此,如何结合视觉与web网络分析技术具有伟大的现实意义,特别是在远程监视web环境。

因为图像处理的硬件和软件的局限性,我们需要研究低成本的实时图像处理方法,大量的图像和视频处理应用程序在web环境。HTML5技术的出现只是提供一个有效的方法来实现上述目标。HTML5,增加许多新的标签和特性的基础上,原始的HTML,使得基于web的应用程序开发更加方便、高效和简单。与最初的应用程序相比,HTML5 web应用开发将有助于大大降低开发成本,当web应用程序在网络平台服务内容已经改变,HTML5还支持实时更新和实时响应。索引数据库,HTML5的本地存储数据库,还提供了一个有效的解决大量的图像或视频数据在存储和操纵28,29日]。

3所示。阴影检测HSV颜色空间

3.1。背景减法的方法

背景减法方法是最受欢迎的方法减去当前图像的灰度值从记者的背景。它是用来检测前景对象通过比较两个不同的框架,将找到的区别,并创建一个距离矩阵。背景减法的方法的流程图如图2。

让V(x,y,t)是当前帧的灰度值(表示t在一个视频序列和th帧)G(x,y,t的灰度值tth背景图像,那么它们之间的差异的绝对值

进行阈值处理F(x,y,t),二进制图像运动目标区域B(x,y,t可以获得的)

的更新背景图像可以表示如下: 在哪里背景更新率。

3.2。删除影子在HSV颜色空间模型

与人类视觉感知系统可以清楚地分辨阴影,阴影在计算机视觉的两个特征的阴影检测是一个非常困难的问题:(1)阴影,像目标,明显不同于背景;(2)在大多数情况下,阴影相邻相应的目标和运动规律是相同的。阴影经常合并成一个整体,当他们被分割。影子是检测到的HSV颜色空间的信息包括色调,饱和度和亮度。阴影检测的判别函数 在哪里 当前帧的亮度和吗 背景帧的亮度, 当前帧的色度和吗 的色调背景帧, 视频帧和饱和的吗 是饱和的背景帧的位置(x,y)。和分别是色相和饱和度的阈值,对阴影检测的结果影响甚微。的参数和通常是在0和1之间, ,在哪里影子的亮度和有关吗光的强度有关。之前的研究表明,阴影检测主要是基于亮度比当前帧和背景帧,饱和度和色调比当前帧和背景帧之间有一个小的影响。因此,在影子的歧视,组件的主要因素,而H组件和年代组件可以被忽视。

4所示。去除阴影的纹理特征

4.1。大津法

大津方法,即。,the maximum between-class variance method, is an efficient algorithm for binarization of images. The histogram is divided into two groups which include the target and the background by the threshold. When the variance between data of the two groups is the largest, the optimal segmentation threshold is obtained. The maximum interclass variance can automatically get the best segmentation threshold in the statistical sense, so the image segmentation have a good effect in the target-background class.

假设像素在一个给定的图像表示l灰色的水平{0、1、2…l−1}。让n_我在水平表示像素的数量我和N表示像素的总数,N=n₀+n₁+⋯+n_l−1。在灰度像素的概率我是 。图像的社区意味着图像(3×3邻域平均灰度值的像素)的灰度l(0,1,2,…l−1)。因此,一个二元组形成:像素的灰度值我及其邻域灰度j。假设像素的数量我和j是f_ij和图像像素的总数N,相应的联合概率密度p_ij它可以被定义为 ,在哪里和 。

假设一个给定的阈值(年代,T),年代灰度阈值和吗T邻域灰度平均值。二维直方图的平面投影图所示3。我们可以看到,广场上可以分为四个部分年代和T:I, II, III和IV。因为强大的图像对象之间的相关性和内部像素,像素的灰度值和邻域灰度非常接近对方。在目标和背景的边缘或噪声部分,其灰度值和灰度之间的区别意味着他们的邻居是显而易见的。因此,我在图的一部分3代表了背景部分;第三部分表示目标部分;第二部分和第四,分别代表了边缘和噪声部分。

让一个图像分为两类C₀和C₁,分别表示图像对象和背景,和他们发生的概率是

为两类C₀和C₁,类平均向量

总平均向量的二维直方图

在大多数情况下,点这是远离对角线的概率很小,也就是说,边缘点和噪声点的概率很小,可以忽略不计。因此,可以认为和 。

图像类色散矩阵的定义

我们可以得到色散矩阵的秩

(9)可以简化和改写如下:

阈值(年代,T)的最大化最优阈值。

从上面两个类的类平均向量C₀和C₁可以计算(6)。让 ,和两个类之间的方差通过计算

最优阈值获得的是 。

4.2。局部方差

由于不同的纹理描述符将导致不同的纹理特征,采用局部方差(功能描述符)来描述该地区的模式更全面。

让 表示一个固定像素。我们延长其纹理分析当地社区的大小(2米(2 + 1)n+ 1)表示 。的均值通过计算

的方差通过计算 我们定义:(1)定义局部方差变化在当前帧和背景帧 作为 然后,我们计算的媒介 通过 (2)我们定义的阈值自适应的决心T_var作为

然后,我们判断像素 属于的影子

在视频帧,如果运动区域的面积小于一半的图像区域,自适应确定阈值的方法是有效的。

4.3。结合HSV和纹理特性去除阴影

传统上,背景减法的方法构建背景图像或多个图像的组合视频帧的背景图像和提取前景。移动物体的阴影检测的HSV颜色空间模型。颜色检测方法检测几乎整个阴影像素。然而,亮度的比值和通常取决于环境。一些变化导致移动物体相对黑暗的区域或地区类似的色度信息在后台区域,误认为是影子。因此,当阴影检测的过程中只使用颜色信息,无法获得令人满意的结果。

克服上述缺点的HSV颜色空间模型,我们结合HSV和纹理特性去除阴影。首先,提取的背景,分别由局部方差和大津法进行处理。由于当地方差和大津阈值不仅可以得到一些移动的物体,但也基本上消除阴影,获得移动目标由当地或操作处理结果的方差和大津方法。当HSV颜色空间模型检测的影子,我们可以使亮度比选择一个固定值,然后发现尽可能多的影子。当影子结合前景提取视频帧的背景减法的方法,有一个移动物体的一些地区。但如果是与运动对象提取的局部方差和大津,可以获得完整的移动目标。

下面的算法描述的详细描述阴影检测和去除方法(算法1)。

5。实验结果和实际应用

5.1。仿真环境和实验结果

该方法进行处理的视频帧大小320×240在电脑上2.70 GHz双核CPU和4 GB RAM。的阴影消除算法测试CVPR-ATON标准视频库和视频(智能空间,校园,和实验室)和鱼子酱标准视频库(caviar_eecp2c)。结果如图所示4。HSV模型中的阴影检测、色相和饱和度的阈值选择很大程度上和亮度阈值选择0.7比1。它有最平衡的效果。图像(a)、(b)和(c)是原始图像帧,提取的前景和阴影消除。

它可以看到从图的第一行5最阴影的车已被消灭,移动目标还可以更准确地检测到。车的处理效果稍差,因为视频是模糊和噪声干扰和部分移动目标的亮度很低,这是容易混淆的影子。从图的结果5可以看出,该算法具有更好的影响消除人类的影子。影子是基本消除,可以检测出移动目标准确,因为HSV颜色空间模型检测阴影更好。该算法首先使用阴影检测方法利用HSV色彩空间模型尽可能地消除阴影。但移动目标提取有很大损失。然后,该算法利用局部方差和大津。该算法提取准确的移动目标和获得的影子基本消除。

为了评估阴影检测方法的性能,Prati et al。6提出了两个评价指标,即。影子检出率和影子歧视率 ,这被定义为 其中下标年代和F分别表示阴影和目标;TP_年代和TP_F分别代表阴影像素的数量和正确检测到目标像素;和FN_年代和FN_F分别代表阴影像素的数量和目标像素检测到错误。很明显,和是阴影和目标探测性能的评价,但他们不能全面反映阴影检测算法的性能。Joshi和Papanikolopoulos [] [30.)结合与提出了一个评价指标avg,影子的平均检出率和影子歧视率。这是定义如下:

评估我们的方法,我们比较与SNP算法,该算法SP算法,DNM1算法,DNM2算法,总结了在6]的影子检出率,影子歧视率和平均水平。实验结果如表所示1。正如我们可以看到,我们的方法比对比算法,特别是平均价值反映了算法的综合性能比其他算法高出大约10%,因为该算法结合了HSV阴影与纹理特征检测方法,消除阴影。通过分析的影子,这表明背景区域的物理性质不变,打的的纹理阴影区和背景区是相似的。此外,影子本身的亮度值低于背景区域的亮度值预测的影子。局部方差提取纹理特征的原始灰度图像。根据灰度特性,大津阈值将图像分为目标和阴影。在上述的基础上,当地的方差和大津阈值有更好的影响纹理特征的阴影消除方法。

在实时测试中,高斯混合模型的平均运行速度47女士每帧,即。,21 Fps。在我们的算法(如表所示1),被添加到每个像素的权重LBP算子,我们的算法可以达到15 Fps,即。,每帧66 ms。

此外,值得一提的是我们使用一些参数表2。

5.2。实际的应用程序

5.2.1。Web服务的框架

该算法中使用几种不同的阴影中包括视频CVPR-ATON标准视频库和鱼子酱标准视频库。该算法是可行的。

为了远程监控视频和准确的提取运动目标,我们将构建web服务的C / S框架基于HTML5 web socket协议。由于存储、计算和能耗限制客户端,C / S的HTML5应用框架来解决这个问题。客户端收集和浏览视频和智能分析算法在服务器上操作。在检测到异常运动时在服务器上,客户端通过网络通信将会通知。运动检测是智能监控系统最基本的一步,影响后续的性能跟踪和分析等。然而,在实际的场景中,运动目标检测是受光线变化,背景的运动元素,影子,和其他因素。为了提高运动检测的准确性,本文提出了改进的阴影消除算法基于HTML5的C / S框架。基本结构图如图4。测试视频处理通过服务器上的提出的跟踪算法和最终结果显示在客户端。为了建立一个实时通信连接,客户端与服务器通过HTML5 web socket协议。HTML5 web socket协议实现在客户端代码定义为JavaScript和服务器上,它被定义为被定义为Java的代码。此外,代码可以实现阴影消除算法需求函数属于OPENCV的一部分。

5.2.2。设置框架

在智能视频监控、远程监视的web服务已经释放人力资源。在客户端,web socket协议主要是通过几个实现函数的返回值给出的JavaScript代码。在服务器上,web socket协议主要是通过几个函数实现是用Java语言编写的。当客户端发送一个请求建立一个网络套接字连接,如果连接成功建立与服务器,用户可以选择测试视频提出的阴影消除算法处理的web服务。如果不建立与服务器的连接,客户端显示一个提示,用户需要重新运行客户端请求一个网络套接字连接。成功建立连接后,测试视频被上传到服务器,该算法操作服务器。然后,客户端显示准确的目标由该算法在处理视频。

5.2.3。实际应用结果

实时监控视频的实际应用结果及其分析如图6。测试视频显示在客户端和上传到服务器通过视频的按钮。由该算法处理的视频显示在客户端通过视频分析的按钮。在客户端,实验结果显示了该算法的良好效果和稳定运行的客户端。

6。结论

在本文中,我们提出了一个健壮的阴影消除方法基于颜色和文本特征。首先,我们进行分析在HSV颜色空间中有效去除视频中的运动目标的影子。然后,我们结合当地的方差和大津克服缺点的移动目标检测误差引起的不稳定的亮度比阈值。最后,我们将和利用提出了阴影消除模块集成到web服务系统的C / S架构。该方法适用在不同的场景中,方法比较与先前的方法和被发现更好的阴影检测和辨别率。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(61471162);国际科技合作计划(2015 dfa10940);科技支持计划(R&D)项目湖北省(2015 baa115);科学技术研究项目的湖北省教育部门(Q20171401);湖北科技大学的博士研究创业基金会(BSQD14028和BSQD13032);和开放的基础湖北协同创新中心的高效利用太阳能(HBSKFZD2015005和HBSKFTD2016002)。

引用

1. j . Paek s·j·希克斯,r . Govindan“基于图像的环境监测使用嵌入式无线传感器网络中,传感器应用程序”传感器,14卷,不。9日,第16002 - 15981页,2014年。视图:出版商的网站|谷歌学术搜索
2. B.-H。陈,研究所。黄,J.-Y。日元,“Counter-propagation人工神经网络运动检测算法对于静态镜头监视场景,”Neurocomputing卷,273年,第493 - 481页,2018年。视图:出版商的网站|谷歌学术搜索
3. p .美元,c . Wojek b Schiele, p . Perona一起“行人检测:一个评估状态的艺术”IEEE模式分析与机器智能,34卷,不。4、743 - 761年,2012页。视图:出版商的网站|谷歌学术搜索
4. j .保罗j . Peixoto d·g·科斯塔,“无线智能城市应用视觉传感器网络:relevance-based方法对多个水槽流动性,”未来一代计算机系统卷。76年,51 - 62,2017页。视图:出版商的网站|谷歌学术搜索
5. 周k黄、张问:c:熊,和y .秦,“一个有效的入侵检测方法视觉传感器网络基于交通模式学习,”IEEE系统,人,和控制论:系统卷,47号10日,2704 - 2713年,2017页。视图:出版商的网站|谷歌学术搜索
6. a . Prati成员,m . m . Trivedi和r . Cucchiara”运动阴影检测算法和评价,IEEE模式分析与机器智能,25卷,不。7,918 - 923年,2003页。视图:出版商的网站|谷歌学术搜索
7. A . h .纽约州立大学和n . h . Mithila”阴影检测和去除使用实验室从单个图像颜色空间,”国际计算机科学杂志》上的问题,13卷,不。1,第103 - 95页,2013。视图:谷歌学术搜索
8. r·郭d戴,d . Hoiem“成对区域阴影检测和去除,”IEEE模式分析与机器智能,35卷,不。12日,第2967 - 2956页,2013年。视图:出版商的网站|谷歌学术搜索
9. r·k·Sasi和v . k . Govindan阴影检测、模糊分割和合并”埃及信息学杂志,16卷,不。1,29-35,2015页。视图:出版商的网站|谷歌学术搜索
10. j .朱k·g·g·塞缪尔·s . z .马苏德和m . f .她“学习认识到在单色自然图像阴影,”学报二十三IEEE计算机视觉与模式识别会议,CVPR 2010IEEE,页223 - 230年,旧金山,美国,2010年6月。视图:出版商的网站|谷歌学术搜索
11. gdp Finlayson, s·d·Hordley和m . s .,“把阴影从图像,采用retinex”颜色和成像技术研讨会论文集斯科茨代尔,页73 - 79年,阿兹,美国,2002年。视图:谷歌学术搜索
12. gdp Finlayson、m . s .画和c . Lu”熵最小化阴影去除。”国际计算机视觉杂志》上,卷85,不。1、一、2009页。视图:出版商的网站|谷歌学术搜索
13. r . Cucchiara c基粒,m . Piccardi et al .,“改善移动物体检测与阴影抑制HSV颜色信息,”《智能交通系统》12卷,第339 - 334页,IEEE,奥克兰,美国,2001年8月。视图:出版商的网站|谷歌学术搜索
14. t .鼻子,诉Chunwijitra t .小林,”一个参数生成算法使用局部方差HMM-based语音合成,“IEEE选定的主题在信号处理杂志》上,8卷,不。2、221 - 228年,2014页。视图:出版商的网站|谷歌学术搜索
15. y z, j .杨g . Liu Cheng和c·刘,“无监督range-constrained阈值,“模式识别的字母,32卷,不。2、392 - 402年,2011页。视图:出版商的网站|谷歌学术搜索
16. s a·沙佛和t .金”,使用表面阴影在寻找方向,”计算机视觉图形和图像处理,22卷,不。1,第176 - 145页,1982。视图:出版商的网站|谷歌学术搜索
17. r·张p s .蔡j·e·克莱尔和m .沙”阴影的形状:一项调查,”IEEE模式分析与机器智能,21卷,不。8,690 - 706年,2002页。视图:谷歌学术搜索
18. 崔j . y . j . Yoo j.y.崔和“自适应影子估计消除移动物体的阴影,“计算机视觉和图像理解,卷114,不。9日,第1029 - 1017页,2010年。视图:出版商的网站|谷歌学术搜索
19. c . m . Liu y Liu Liu j . Wang和m .吴”一个高效的时空移动物体检测方法在动态场景,”国际期刊的信息技术和网络工程,12卷,不。3、62 - 73年,2017页。视图:出版商的网站|谷歌学术搜索
20. n . Al-Najdawi h。e .鹿角的第二叉j . Singhai和e·A·Edirisinghe投射阴影检测算法的一项调查显示,“模式识别的字母,33卷,不。6,752 - 764年,2012页。视图:出版商的网站|谷歌学术搜索
21. a . Sanin、c·桑德森和b·c·洛弗尔”阴影检测:最近的调查和比较评价方法,”模式识别,45卷,不。4、1684 - 1695年,2012页。视图:出版商的网站|谷歌学术搜索
22. s . h .汗m . Bennamoun f . Sohel和r . Togneri“自动学习功能强大的阴影检测,”《IEEE计算机视觉与模式识别会议(CVPR)IEEE,页1939 - 1946年,哥伦布,哦,美国,2014年6月。视图:出版商的网站|谷歌学术搜索
23. t . f . y .韦森特、l .侯和c . p . Yu”大规模培训的影子探测器noisily-annotated影子例子”计算机Vision-ECCV学报》上施普林格,页816 - 832年,阿姆斯特丹,荷兰,2016年。视图:谷歌学术搜索
24. s . Hosseinzadeh m . Sharkeri h·张,“快从单个图像阴影检测使用修补卷积神经网络EB / OL,”2018年,https://arxiv.org/abs/1709.09283。视图:谷歌学术搜索
25. 诉Nguyen t . f . y .韦森特,m .赵et al .,“阴影检测与条件生成对抗的网络,”《IEEE计算机视觉国际会议IEEE,页4520 - 4528年,盐湖城犹他,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
26. h·勒·t·f·y韦森特,诉Nguyen”+ D-net:阴影检测与敌对的影子衰减EB / OL,”2018年,https://arxiv.org/abs/1712.01361。视图:谷歌学术搜索
27. a . Alamareen, o . al - jarrah al - sabah)。a . Aljarrah和g . i Alkhatib”使用二进制图像拼接边缘检测算法在云计算环境中,“国际期刊的信息技术和网络工程,11卷,不。3、1 - 14,2016页。视图:出版商的网站|谷歌学术搜索
28. 方t和d·李,“影子检测彩色遥感图像特征融合的基础上,“应用遥感技术杂志》上》第六卷,没有。1,第504 - 502页,2012。视图:出版商的网站|谷歌学术搜索
29. A .砍伐量、m . Malki和A . Elci“跨本体相似度度量Web服务发现,“国际信息技术与网络工程杂志》上,11卷,不。1,22-43,2016页。视图:出版商的网站|谷歌学术搜索
30. a·j·乔希和n . p . Papanikolopoulos”学习检测在动态环境中,移动阴影”IEEE模式分析与机器智能,30卷,不。11日,第2063 - 2055页,2008年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020吴江孜明湖et al。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。