一种方法使用Bag-of-Visual-Features蛋白质模型的分类和检索

文摘

在本文中,我们提出一种新颖的视觉方法对蛋白质模型分类和检索。与传统的方法不同,该方法的核心思想是蛋白质的提取图像特征和测量蛋白质之间的视觉相似性。首先,多视图图像被给定的顶点和飞机周围的八面体蛋白质。其次,每个图像的局部特性提取的不同看法冲浪算法和向量量化为视觉单词使用视觉电报密码本。最后,KLD是用来计算两个特征向量的相似性距离。实验结果表明,该方法具有令人鼓舞的表现对蛋白质检索和分类所示与其他方法的比较。

1。介绍

蛋白质的分类和检索模型被广泛应用在生物医学科学。生物学家对蛋白质需求检索和分类有一个伟大的工具来识别未知蛋白质的功能和发现新功能已知的蛋白质。

应用最广泛的蛋白质结构分类系统导管(1和吟游诗人2),这两个是由专家根据他们的经验。快速增长的蛋白质三维结构,人工分类一直无法满足需求。这是可取的分类和检索方式更加自动化。如此,越来越多的研究人员正在致力于研究自动分类方法是基于蛋白质的生物功能分子。

一些特定的蛋白质分子形状可以被他们的生物功能,例如,氨基酸序列和三维结构。根据不同的生物功能,有三种方法对蛋白质检索和分类。他们是分别基于分子序列、蛋白质二级结构(SS)元素,和3 d结构坐标。

基于分子序列的方法旨在确定氨基酸序列,因为蛋白质的氨基酸序列是容易理解和简单的分类。方法包括FASTA [3),爆炸4],PSI-BLAST [5),和隐马尔可夫模型6]。

在大多数情况下,蛋白质是由一组SS元素表示。很多研究人员致力于设计不同的算法来表示矢量特性由党卫军元素或获取类似的党卫军元素之间的距离。米雷基et al。7)创建了一个几何哈希使用原子间距来确定原子的三元组。Zotenko et al。8结构映射到一个高维向量,利用相应的向量之间的距离近似结构相似。特征向量提取接触区域的二级结构元素(ss)昂和棕褐色9]。Camoglu et al。10)使用r - tree索引向量特性由党卫军。坎托尼et al。11)提出了一种基于广义霍夫变换的蛋白质结构主题检索方法,评估二级结构的三联体的中点的距离。在文献[12),坐在等人相比,六个算法的性能包括地图、联系3 dzernike组集成,Genocrypt,球形跟踪转换和3 dblast蛋白质结构分类根据导管总科分类。实验结果表明,接触地图和3 dblast构思具体比较蛋白质的结构。

基于三维结构坐标的方法试图描述蛋白质的形状通过识别或比较结构对齐。猛犸(13)建模部分的目标结构和比较蛋白质结构与任意低分辨率模型。TM-align [14)确定了最佳结构对齐蛋白质对和动态规划。快(15)比较两种结构的分子内residue-residue关系通过使用directionality-based得分方案。为了减少蛋白质结构的各自独立空间,河中沙洲和砂光机16)提出了最优成对结构使用蒙特卡罗定位算法。Shindyalov和伯恩17]研究了启发式组合扩展和相似性评价结构对齐路径算法。

近年来,出现了一个方法基于图像距离矩阵。Ankerst et al。18]介绍了3 d形状直方图模型或算法比较蛋白质分子。气等。19)相比,蛋白质结构通过使用签名从图像中提取距离矩阵和多维索引。叶等。20.)相比,蛋白质模型从多个3 d投影视图。基于图像的检索方法表现出更高程度的精度比传统的三种方法。

在本文中,我们提出一种基于图像的蛋白质检索和使用冲浪算法提取特征和分类方法——集群的特性,从而生成速率。我们使用直方图由BOVF (bag-of-visual-features)向量代表的特征识别模型。

我们构建一个基于图像的方法来避免穷举搜索的分子序列结构坐标,链结构调整。我们的主要贡献是提出一种有效的蛋白质模型通过使用bag-of-visual-feature检索和分类方法。性能是令人兴奋的。我们的实验平均检索精度96%。

本文组织如下。部分2讨论了相关算法冲浪bag-of-feature然后该方法的细节。实验结果的表示和分析部分3。在最后的部分中,我们得出结论。

2。材料和方法

2.1。Bag-of-Features

bag-of-words方法最初是用于文档检索和应用于3 d形状检索和分类,由于其许多优点如简单、灵活性和效率。首次提出了bag-of-features刘et al。21)全球比较和部分匹配。它依赖于自旋的提取图像签名后分组的集群。Yu et al。22)建立了一个基于bag-of-features模型有效的图像检索系统。他们分别综合筛选和枸杞多糖描述符和猪和枸杞多糖描述符并提出了patch-based集成和基于图像的集成模型。实验结果表明,基于图像SIFT-LBP集成聚类加权则算法达到最佳性能。提出了一个简单、新颖,而强大的方法为背景减法bag-of-features [23]。他们认为编码当地的颜色和纹理信息可以有效地减弱的纹理变化背景场景然后domain-range功能在soft-assignment编码编码过程由适当的内核差异决定的。Nanni和Lumini24)应用bag-of-features和异构组对象识别的纹理描述符。该方法是基于一个简单的详尽的提取好子窗口和随机子空间分类的支持向量机(SVM)和可以降低维度的主成分分析。此外,周et al。25)提出了一种使用多分辨率bag-of-features模型场景分类的方法。bag-of-features方法也可以应用于音乐分类26),区别文字手写和机印(27),和噪音过滤器(28)等等。

bag-of-features也被应用于当地特性三维形状检索和分类。Ohbuchi et al。29日)提取本地特性从每个不同的视图使用的尺度不变特征变换(筛选)算法(30.检索刚性模型和铰接模型。在[31日),一本小说框架是用来结合谱聚类和区域生长基于快速行进的3 d对象分类。

转炉也用于医学图像分析和计算机辅助诊断(CAD)。沈et al。32)提出了一个人类上皮类型2 (HEp-2)分类框架使用订单池基于梯度特征和bag-of-words强度。强度订单汇集梯度特征提取的局部网格点旋转不变量,它明显优于筛选功能。王等人。33)调查了两个问题bag-of-feature战略组织的分类和开发了一个新的算法Joint-ViVo共同学习词汇和视觉词权重。测试结果表明,该算法优于技术发展水平分类的方法乳房组织密度在乳房x光检查和肺组织高分辨率计算机断层扫描(HRCT)图像和识别脑组织磁共振成像(MRI)的类型。

2.2。加速健壮的特性(冲浪)

提出了湾冲浪等。34]。它是基于2 d的Haar小波响应和海赛矩阵基于兴趣点的检测器,它使一个有效的利用积分图像,这是一个健壮的本地特征检测器和描述符可以用于计算机视觉三维重建的目标识别等任务。虽然部分灵感来自冲浪筛选描述符,它比筛选几次更快和更健壮。

Gui et al。35)提出了一个新颖的基于海浪的平面区域匹配方法和形状上下文。他们冲浪双向匹配应用于初步匹配两幅图像的特征点,然后计算形状上下文特征点描述符。实验结果表明,该方法可以消除不正确的匹配点对,提高平面区域匹配的准确性。一个完全仿射不变的冲浪彭日成等提出的算法。36),ASIFT的仿射不变的优势和冲浪的高效的优点。Alcantarilla et al。37)提出了一个描述符名叫Gauge-SURF评估相对于每个像素的梯度方向。因为使用的积分图像,描述符是快和鲁棒性。

最近,冲浪是用于虹膜检索和识别。提出了一种分层的方法来获取虹膜图像从一个大虹膜数据库(38]。的方法是结合虹膜颜色和质地和冲浪获得的虹膜纹理特征算法。Mehrotra et al。39)提出了一个健壮的分割和虹膜识别的自适应冲浪描述符。在他们的方法中,自适应带从虹膜和瞳孔之间的环形区域边界增强使用伽马校正的方法。然后,特点是提取自适应带使用冲浪。Feulner et al。40)提出了一个方法来自动估算体积CT图像的身体区域。方法是基于一维直方图的视觉单词,登记是CT切片的描述。海浪描述符被扩展维度命名冲浪。由于其简单和高效的运转,他们使用2 d估计身体直立冲浪描述符区域。

2.3。该方法

我们的方法的关键思想是提取蛋白质的特性和测量蛋白质之间的视觉相似性。我们的算法是实现随后在四个步骤,如图1。

(1)多视图呈现。从不同的角度呈现多视图图像的蛋白质。视角决定使用一个给定的八面体结构的顶点和飞机周围的蛋白质,如图2。

(2)当地的特征提取。提取的局部视觉特征多视图图像通过使用冲浪算法。然后,为每个视图,我们计算海浪描述符。

(3)视觉词汇直方图生成和建设。从特征向量生成视觉单词(即使用可视字典。码)。可以通过视觉词典——集群和每个地方特征表示为离散形式。视觉单词的频率计算并存储到一个直方图,这成为相应的蛋白质的特征向量模型。

(4)距离计算。之间的不同的特征向量(直方图)由Kullback-Leibler计算散度(逗留一番)。

2.3.1。多视图呈现

多视图形状捕获从六个顶点和八架飞机在给定正则八面体。图2显示了六个顶点和八个八面体上飞机。沿着+,−,+,−,+,−轴,我们获取蛋白质的右视图,左视图,俯视图,底部视图中,前视图,后视图。沿法线方向的每架飞机,我们得到蛋白质的八斜的观点。捕获的图像的大小设置为100×100像素。

正如我们上面提到的,14种不同观点仍然存在的蛋白质。图3说明所有14个视图的蛋白质结构编码为“1硬盘”PDB代码调整后观看的角度。

减少干涉操作和标准化呈现过程,我们编写一个程序视图捕捉从PDB的导管和吟游诗人。程序可以自动加载蛋白质模型,旋转模型,捕捉图像,并保存图像遵循一定的命名规则。当然,也自动选择的蛋白质模型提前计划。

2.3.2。局部特征提取

画面渲染范围后,冲浪算法应用到每个范围的图像检测兴趣点,然后提取冲浪描述符,是在(30.]。冲浪算法检测兴趣点,然后计算在这些兴趣点特征。海浪首先发现功能突出的位置。卓越的检测是基于多尺度和multiorientation Fast-Hessian检测器和发布出去是依靠灰度变化描述符,以便每个浏览功能可以对这些信息进行编码。冲浪描述符计算使用由埃文斯OpenSURF c++源代码(41]。

图4显示生成一个兴趣点的例子及其图像旋转,受约束的,比例。兴趣的冲浪点算法的数字是113,112,102,到93年,第二行所示。兴趣点出现在类似的位置在这四个图像尽管几何转换。这种鲁棒性与几何转换有助于蛋白质模型检索性能。

图5显示图像的浏览兴趣点匹配的例子在图4。兴趣点匹配的数量是59岁,52岁,54岁,35岁,45岁和40。每一个图像成功地与某一特征点匹配。因为不同的利益特征点(在数量、大小和位置)提取冲浪,相匹配的特征点的数量是不同的。

2.3.3。视觉词汇直方图生成和建设

耗时比较模型的本地直接浏览功能,特别是对于大量的观点。因此有必要使量子化海浪从多视图图像描述符提取到视觉单词。首先,视觉使用离线码书生成——集群每个视图的功能。然后,引入线性搜索找到一个视觉单词最亲密的功能。因此,视觉单词的特征向量选择通过集群的中心(称为重心),和集群的数量决定了码书大小。

生成码书之后,我们应该构建一个词直方图电报密码本,这也是一个离线的过程。“直方图”这个词是由计算视觉单词的频率。每个视图都代表一个词由bag-of-visual-features直方图的特征提取。所以产生的蛋白质模型的直方图结合蛋白质模型的每个视图图像的直方图。

2.3.4。距离计算和模型匹配范围

我们方法的最后一步是距离计算两个模型之间(也称为模式匹配)。一对特征向量之间的距离(直方图)计算通过使用Kullback-Leibler散度(逗留一番)。KLD不是距离度量,,因为它是不对称的。考虑 在那里,和特征向量和吗向量的维数。

3所示。结果与讨论

为了评估该方法的效果和泛化能力,我们测试了几种不同的检索和分类任务。第一个实验比较了性能的方法和比较方法的分类能力。第二个实验测试的数字集群的影响方法的检索能力。最后一个实验测试的影响大小的训练数据的方法。

我们在Matlab中实现实验R2010a,和冲浪代码则是用c++写的。算法都是一台个人计算机上运行windows 7在32位酷睿2四2.66 GHz CPU、3.00 GB的DDR2内存和512 MB的ATI Radeon HD4600显卡。

评估方法的效率,我们测量了特征提取时间。我们尝试计算时间在2000年的蛋白质模型数据库的图像28000的浏览量。冲浪特征提取算法的计算时间约为219.48秒(一个脱机过程)。为集群的特性和bag-of-visual-features生成直方图,则需要42.49秒和0.66秒通过离线过程相同的2000个蛋白质模型数据库。

3.1。分类

在第一个实验中,我们评估我们的方法的分类性能通过使用蛋白质模型数据库SHREC 2010 (12》,其中包括1000年蛋白质结构选择从100年导管3.3总科。在每个超科数据集包括至少10结构,每个结构都包含至少50个氨基酸。我们使用两种不同的方式(最近邻,民国情节)来测试我们的方法的性能与3 dblast相比,3 dzernike GENOCRIPT,接触地图、组织集成和球形跟踪变换方法。

最近邻算作一个正确的预测时,每个排名列表的第一个蛋白被发现的一员一样总科查询。

中华民国情节(接受者操作特征)是一个图形化的情节,展示了真正的阳性率对误报率。曲线下的面积(AUC)是一个单一的数值性能测量每个中华民国情节。完美的AUC值是1.012]。

表1总结了所有方法的检索率。从文学的价值比较算法12]。根据表1该方法的,正确的预测比对比算法。

图6查询结果显示在一个条形图与每个算法50蛋白质结构。如图6表明,该方法可以很容易地和成功地识别每个查询蛋白质,包括那些比较算法未能确定。与对比算法相比,该方法可以更容易识别一些总科。它有一个非常令人鼓舞的,比较算法无法达到满意的结果。值得注意的是,该方法的分类正确性几乎是一样的,是由人类专家。

3.2。码的大小的影响

在第二个实验中,词汇量大小的影响(码书大小)在检索性能进行了研究。测试数据集包括800个蛋白质结构从吟游诗人选择数据库。

视觉单词的数量码(码书大小)在我们的算法是一个非常重要的参数。因为电报密码本的大小不仅决定了空间需求也显著影响检索的性能。图7表明precision-recall曲线稳步增加的速率大小的方法。我们观察到的码书大小的数量从1000年到11000年,扩大precision-recall值之间的相对稳定和精确率是0.96和1码书大小。同时,精度0.02的差异之间的最好情况和最坏情况。所以码书的数量对检索精度的影响很小。根据实验结果,我们视觉单词码书的数量设置为3000。

3.3。训练数据的大小的影响

在第三个实验中,我们调查的影响训练数据规模的检索效率。训练数据的测试数据集不同选择不同结构分类的吟游诗人蛋白质数据库。图8显示了precision-recall曲线当训练数据的数量是400,800,1200年、1600年和2000年分别。试验结果表明,精确率都是在0.96和1之间无论训练数据的数量的大小。

4所示。结论

在本文中,我们提出了一个新颖的特征提取算法对蛋白质检索和分类。该方法使用一个强大的本地图像称为冲浪和bag-of-visual-feature的特性。的关键概念是描述一个视图作为一个直方图,通过矢量量化的视图的本地特性和应用KLD来计算两个模型之间的距离。

一组实验进行了调查中的几个关键问题的方法从PDB导管和吟游诗人蛋白质模型数据库。实验结果表明,我们的方法具有令人满意的演出蛋白质检索和分类无法达成的其他比较的方法。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢那些蛋白质数据库和创建可用代码的形状特征。这项工作得到了国家自然科学基金(批准号61462002和61462002),宁夏省的大学科研项目(格兰特NGY2012147),和北方民族大学的科学研究项目(批准2013 xyz024)。

引用

1. ai袖口,即积极的,t·刘易斯et al .,“导管分类revisited-architectures回顾和描述结构散度的新方法在总科,“核酸的研究,37卷,不。1,D310-D314, 2009页。视图:出版商的网站|谷歌学术搜索
2. a·g·Murzin s e·布伦纳,t·哈伯德和c . Chothia“吟游诗人:蛋白质结构分类数据库序列和结构的调查,“分子生物学杂志,卷247,不。4、536 - 540年,1995页。视图:出版商的网站|谷歌学术搜索
3. d . j . Lipman w·r·皮尔森,“快速、敏感蛋白相似性搜索,”科学,卷227,不。4693年,第1441 - 1435页,1985年。视图:出版商的网站|谷歌学术搜索
4. s . f . Altschul w·吉斯•米勒(george w . bush), e·w·迈尔斯和d . j . Lipman“基本的局部比对搜索工具,”分子生物学杂志,卷215,不。3、403 - 410年,1990页。视图:出版商的网站|谷歌学术搜索
5. s . f . Altschul t·l·马登a·a·谢弗et al .,“豁裂的爆炸和PSI-BLAST:新一代的蛋白质数据库搜索项目,“核酸的研究,25卷,不。17日,第3402 - 3389页,1997年。视图:出版商的网站|谷歌学术搜索
6. k . Karplus c·巴雷特,r . Hughey“隐马尔可夫模型来检测远程蛋白质同源性,”生物信息学,14卷,不。10日,846 - 856年,1998页。视图:出版商的网站|谷歌学术搜索
7. t·米雷基g .郑、t·马林斯和g .纳史木汗”SBLAST:结构基本的局部比对搜索工具使用几何哈希”第七届IEEE国际会议进行生物信息学和生物工程(BIBE ' 07),页1343 - 1347,波士顿,质量,美国,2007年10月。视图:出版商的网站|谷歌学术搜索
8. e . Zotenko r . Islamaj杜根w·j·威尔伯·d·p·奥利里,和t . m . Przytycka”结构的碳足迹在蛋白质结构比较:结构片段的影响,“BMC结构生物学第五十三条,卷。7日,2007年。视图:出版商的网站|谷歌学术搜索
9. z昂,k . Tan快速三维蛋白质结构数据库搜索使用信息检索技术,”生物信息学,20卷,不。7,1045 - 1052年,2004页。视图:出版商的网站|谷歌学术搜索
10. o . Camoglu、t . Kahveci和a·k·辛格“PSI:索引蛋白质结构快速相似性搜索,“生物信息学补充1卷。19日,pp. i81-i83, 2003。视图:出版商的网站|谷歌学术搜索
11. 诉坎托尼,a . Ferone o . Ozbudak,彼得,”蛋白质由党卫军燕鸥事件主题检索,”模式识别的字母,34卷,不。5,559 - 563年,2013页。视图:出版商的网站|谷歌学术搜索
12. l .坐在诉万卡特拉曼·莱马克里斯,d . w .里奇et al .,“SHREC 10追踪蛋白质模型,”诉讼Eurographics车间3 d对象的检索,2010年。视图:谷歌学术搜索
13. a·r·奥尔蒂斯·c·e·m·施特劳斯,o . Olmea“猛犸(匹配的分子模型从理论):一个自动化的方法,模型比较,”蛋白质科学,11卷,不。11日,第2621 - 2606页,2002年。视图:出版商的网站|谷歌学术搜索
14. y张和j . >“TM-align:蛋白质结构对齐算法基于TM-score,”核酸的研究,33卷,不。7,2302 - 2309年,2005页。视图:出版商的网站|谷歌学术搜索
15. j .朱镕基和z翁”,快速:一种新的蛋白质结构对齐算法”,蛋白质:结构、功能和遗传学,卷。58岁的没有。3、618 - 627年,2005页。视图:出版商的网站|谷歌学术搜索
16. l .河中沙洲和c·桑德蛋白质结构比较对齐的距离矩阵,”分子生物学杂志,卷233,不。1,第138 - 123页,1993。视图:谷歌学术搜索
17. i n Shindyalov p·e·伯恩,“蛋白质结构对齐增量组合扩展(CE)的最优路径,”蛋白质工程,11卷,不。9日,第747 - 739页,1998年。视图:谷歌学术搜索
18. m . Ankerst g . Kastenmuller H.-P。Kriegel, t . Seidl“3 d蛋白质数据库中最近邻分类”第七届国际会议的程序为分子生物学的智能系统页,34-43海德堡,德国,1999年。视图:谷歌学术搜索
19. p .气、g·斯科特和c .害羞的,来说“快速蛋白质结构检索系统使用基于图像的距离矩阵和多维指数”生物信息学和生物工程研究第四届IEEE研讨会(BIBE ' 04)2004年5月,页522 - 529。视图:谷歌学术搜索
20. js。叶,D.-Y。陈,m . Ouhyoung“基于web的蛋白质由匹配的视觉相似性检索系统,”新兴信息技术研讨会论文集,页108 - 110,台北,台湾,2005年8月。视图:出版商的网站|谷歌学术搜索
21. h . y . Liu咋,h .秦”形状的主题:一个紧凑的表示和新算法对3 d部分形状检索”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR 06年)2006年6月,页2025 - 2032。视图:出版商的网站|谷歌学术搜索
22. j . Yu z秦、t .广域网和x张”特性为图像检索bag-of-features模型的综合分析,“Neurocomputing卷,120年,第364 - 355页,2013年。视图:出版商的网站|谷歌学术搜索
23. Yoo和c·金”背景减法在bag-of-features框架,使用混合特征编码”模式识别的字母,34卷,不。16,2086 - 2093年,2013页。视图:谷歌学术搜索
24. l . Nanni和a . Lumini异构bag-of-features对象/场景识别。”应用软计算杂志,13卷,不。4、2171 - 2178年,2013页。视图:出版商的网站|谷歌学术搜索
25. l .周、周z和d·胡”场景分类使用多分辨率bag-of-features模型”,模式识别,46卷,不。1,第433 - 424页,2013。视图:出版商的网站|谷歌学术搜索
26. k . m . z傅,g . Lu Ting, d .张,“通过bag-of-features音乐分类方法,”模式识别的字母,32卷,不。14日,第1777 - 1768页,2011年。视图:出版商的网站|谷歌学术搜索
27. k . Zagoris Pratikakis, a . Antonacopoulos b .偏见和n . Papamarkos”区分手写和机印文本基于视觉词袋模型,”模式识别卷,47号3、1051 - 1062年,2014页。视图:谷歌学术搜索
28. j . z . Wu曹、h·道和y壮族,“小说噪声滤波器基于有趣的模式挖掘bag-of-features图像,”专家系统与应用程序,40卷,不。18日,第7561 - 7555页,2013年。视图:出版商的网站|谷歌学术搜索
29. r . Ohbuchi k . Osada t Furuya, t . Banno突出本地Shape-Based视觉特性的3 d模型检索,2008年。
30. d·g·劳”独特的形象特征尺度不变的要点,国际计算机视觉杂志》上,60卷,不。2、91 - 110年,2004页。视图:出版商的网站|谷歌学术搜索
31. r .托尔多,卡斯特拉尼,A . Fusiello“一袋字方法对3 d对象分类,”诉讼的第四届国际会议在计算机视觉、计算机图形学技术协作,第127 - 116页,2009年。视图:谷歌学术搜索
32. l .沈j·林,吴s, s . Yu”HEp-2图像分类使用基于强度顺序池特性和袋的话说,“模式识别卷,47号7,2419 - 2427年,2014页。视图:谷歌学术搜索
33. h·j·j . Wang Bensmail, x高,“联合学习和基于加权bag-of-feature视觉词汇的组织分类,“模式识别,46卷,不。12日,第3255 - 3249页,2013年。视图:出版商的网站|谷歌学术搜索
34. a . h .湾Ess、t . Tuytelaars和l . van干傻事,“冲浪:加快健壮的特性,计算机视觉和图像理解,卷110,不。3、346 - 359年,2008页。视图:出版商的网站|谷歌学术搜索
35. y Gui, a . Su, j .杜”平面区域匹配方法使用冲浪和形状上下文,“Optik,卷124,不。14日,第1873 - 1869页,2013年。视图:出版商的网站|谷歌学术搜索
36. y y彭日成,w . Li元,j .锅“完全仿射不变量的图像匹配,冲浪”Neurocomputing卷。85年,6 - 10,2012页。视图:出版商的网站|谷歌学术搜索
37. p . f . Alcantarilla l . m . Bergasa, a·j·戴维森Gauge-SURF描述符,“图像和视觉计算没有,卷。31日。1,第116 - 103页,2013。视图:出版商的网站|谷歌学术搜索
38. Jayaraman美国普拉卡什和p·古普塔,”一个高效的基于颜色和纹理的虹膜图像检索技术,”专家系统与应用程序,39卷,不。5,4915 - 4926年,2012页。视图:出版商的网站|谷歌学术搜索
39. h . Mehrotra p . k . Sa和b Majhi,“快速分割和自适应冲浪为虹膜识别、描述符”数学和计算机模拟,卷。58岁的没有。1 - 2、132 - 146年,2013页。视图:出版商的网站|谷歌学术搜索
40. j . Feulner s . k .周大肠Angelopoulou et al .,“比较轴向CT片在量子化的n维冲浪描述符空间估计可见身体地区”计算机医学影像和图形,35卷,不。3、227 - 236年,2011页。视图:出版商的网站|谷歌学术搜索
41. “OpenSURF。”https://code.google.com/p/opensurf1/。视图:谷歌学术搜索

版权

版权©2014年吉林马等。这是一个开放分布式下文章知识共享归属许可,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。