一种基于联合字典的彩色与深度图像后处理方法
专利汇可以提供一种基于联合字典的彩色与深度图像后处理方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于联合字典的彩色与 深度图 像 后处理方法，其在训练阶段，采用K-SVD方法对多幅无失真彩色图像中的所有子 块 构成的集合、多幅无失真深度图像中的所有子块构成的集合进行字典训练操作，构造得到彩色字典表和深度字典表；在测试阶段，根据彩色字典表和深度字典表，考虑到彩色特征空间与深度特征空间之间的几何关系，对待处理的彩色与深度图像构造联合字典表，根据联合字典表对彩色与深度图像进行后处理，得到后处理的彩色与深度图像；优点是在训练阶段不需要复杂的 机器学习 训练过程，在测试阶段只需构造能反映彩色与深度图像本质特征的联合字典，根据联合字典表进行后处理操作，能够保持更好的对象轮廓信息，提高虚拟视点图像的 质量 。，下面是一种基于联合字典的彩色与深度图像后处理方法专利的具体信息内容。
1.一种基于联合字典的彩色与深度图像后处理方法，其特征在于包括训练阶段和测试
阶段两个过程，所述的训练阶段过程的具体步骤如下：
①-1、选取N幅宽度为W且高度为H的原始的无失真彩色图像及对应的深度图像，将由N
幅原始的无失真彩色图像构成的彩色图像集合记为{Ii,org|1≤i≤N}，将由N幅原始的无失真彩色图像对应的深度图像构成的深度图像集合记为{Di,org|1≤i≤N}，其中，N≥1，Ii,org表示{Ii,org|1≤i≤N}中的第i幅彩色图像，Di,org表示{Di,org|1≤i≤N}中的第i幅深度图像，Ii,org与Di,org对应；
①-2、将{Ii,org|1≤i≤N}中的每幅彩色图像划分成 个互不重叠的尺寸大小为8
×8的子块；然后采用K-SVD方法对{Ii,org|1≤i≤N}中的所有彩色图像中的子块构成的集合进行字典训练操作，构造得到{Ii,org|1≤i≤N}的彩色字典表，记为Dc，其中，Dc的维数为64×K，K表示设定的字典的个数，K≥1；
同样，将{Di,org|1≤i≤N}中的每幅深度图像划分成 个互不重叠的尺寸大小为8
×8的子块；然后采用K-SVD方法对{Di,org|1≤i≤N}中的所有深度图像中的子块构成的集合进行字典训练操作，构造得到{Di,org|1≤i≤N}的深度字典表，记为Dd，其中，Dd的维数为64×K；
所述的测试阶段过程的具体步骤如下：
②-1、对于任意一幅宽度为W'且高度为H'的经JPEG编码失真的彩色图像Itest及对应的
经JPEG编码失真的深度图像Dtest；
②-2、将Itest划分成 个互不重叠的尺寸大小为8×8的子块；同样，将Dtest划分成
个互不重叠的尺寸大小为8×8的子块；然后根据Itest中的所有子块构成的集合和
Dtest中的所有子块构成的集合、在训练阶段构造得到的Dc和Dd，获取Itest和Dtest的联合字典表，记为{Dc,test,Dd,test}，其中，Dc,test为{Dc,test,Dd,test}中的彩色字典表，Dd,test为{Dc,test,Dd,test}中的深度字典表，Dc,test和Dd,test的维数均为64×K，K表示设定的字典的个数，K≥1；
②-3、根据Dc,test，获取 中的每个列向量的稀疏系数矩阵，将 的
稀疏系数矩阵记为 通过求解 得到，其中， 的维
数为K×1，min( )为取最小值函数，符号“|| ||0”为求取矩阵的0-范数符号，符号“|| ||2”为求取矩阵的2-范数符号，Tp1为误差系数；
同样，根据Dd,test，获取 中的每个列向量的稀疏系数矩阵，将 的
稀疏系数矩阵记为 通过求解 得到，其中， 的
维数为K×1，Tp2为误差系数；
②-4、计算 中的每个列向量的重建向量，将 的重建向量记为
然后将 中的每个列向量的重建向量中的每个
元素的值作为Itest中对应的子块中对应的像素点经后处理后的像素值，对于 中的第j
个元素的值，将其作为Itest中的第t'个子块中的第j个像素点经后处理后的像素值，从而得到Itest的后处理图像，记为I'test，其中，1≤j≤64；
同样，计算 中的每个列向量的重建向量，将 的重建向量记为
然后将 中的每个列向量的重建向量中的每个
元素的值作为Dtest中对应的子块中对应的像素点经后处理后的像素值，对于 中的第j
个元素的值，将其作为Dtest中的第t'个子块中的第j个像素点经后处理后的像素值，从而得到Dtest的后处理图像，记为D'test。
2.根据权利要求1所述的一种基于联合字典的彩色与深度图像后处理方法，其特征在
于所述的步骤①-2中的Dc的获取过程为：
①-2a、将{Ii,org|1≤i≤N}中的N幅彩色图像中的所有子块构成一个集合，记为
其中，此处M表示{Ii,org|1≤i≤N}中的所有彩色图像中的子块的总个数，
的维数为64×1， 表示{Ii,org|1≤i≤N}中的所有彩色图像中的第t个
子块中的所有像素点组成的列向量；
①-2b、采用K-SVD方法对 进行字典训练操作，构造得到{Ii,org|1≤i≤N}
的彩色字典表Dc，Dc通过K-SVD方法求解 得到，其中，min( )为取最小值函
数，符号“|| ||2”为求取矩阵的2-范数符号，Yc的维数为64×M， 为
中的第1个列向量， 为 中的第t个列向量， 为
中的第M个列向量，Xc的维数为K×M， 表示Xc中的第1
个列向量， 亦表示 的稀疏系数矩阵， 表示Xc中的第t个列向量， 亦表示 的稀疏系
数矩阵， 表示Xc中的第M个列向量， 亦表示 的稀疏系数矩阵，符号“[ ]”为矢量表示
符号，符号“|| ||0”为求取矩阵的0-范数符号，T为误差系数；
所述的步骤①-2中的Dd的获取过程为：
①-2c、将{Di,org|1≤i≤N}中的N幅深度图像中的所有子块构成一个集合，记为
其中，此处M表示{Di,org|1≤i≤N}中的所有深度图像中的子块的总个数，
的维数为64×1， 表示{Di,org|1≤i≤N}中的所有深度图像中的第t个
子块中的所有像素点组成的列向量；
①-2d、采用K-SVD方法对 进行字典训练操作，构造得到{Di,org|1≤i≤N}
的深度字典表Dd，Dd通过K-SVD方法求解 得到，其中，Yd的维数为64×M，
为 中的第1个列向量， 为 中的第t
个列向量， 为 中的第M个列向量，Xd的维数为K×M，
表示Xd中的第1个列向量， 亦表示 的稀疏系数矩阵， 表示Xd中的第t个列向量，
亦表示 的稀疏系数矩阵， 表示Xd中的第M个列向量， 亦表示 的稀疏系数矩阵，符
号“[ ]”为矢量表示符号，T为误差系数。
3.根据权利要求1或2所述的一种基于联合字典的彩色与深度图像后处理方法，其特征
在于所述的步骤②-2中的{Dc,test,Dd,test}的获取过程为：
②-2a、将Itest中的所有子块构成一个集合，记为 并将Dtest中的所有
子块构成一个集合，记为 其中，M'表示Itest中的子块的总个数，M'亦表示
Dtest中的子块的总个数， 的维数为64×1， 表示Itest中的第t'个子
块中的所有像素点组成的列向量， 的维数为64×1， 表示Dtest中的第t'个子块中的
所有像素点组成的列向量；
②-2b、根据在训练阶段构造得到的Dc，获取 中的每个列向量的稀疏
系数矩阵，将 的稀疏系数矩阵记为 通过求解
得到，其中， 的维数为K×1，min( )为取最小值函数，符号“|| ||0”为求取矩阵的0-范
数符号，符号“|| ||2”为求取矩阵的2-范数符号，T为误差系数；
同样，根据在训练阶段构造得到的Dd，获取 中的每个列向量的稀疏系
数矩阵，将 的稀疏系数矩阵记为 通过求解 得
到，其中， 的维数为K×1，T为误差系数；
②-2c、根据 和 中的所有列向量各自的稀疏系数矩
阵，计算彩色联合矩阵和深度联合矩阵，对应记为Mc,test和Md,test，Mc,test＝[(Xc,test(Xc,test)T)-1Xc,test(Xd,test)T]T，Md,test＝[(Xd,test(Xd,test)T)-1Xd,test(Xc,test)T]T，其中，Xc,test的维数为K×M'， 表示 中的第1个列向量的稀
疏系数矩阵， 表示 中的第t'个列向量的稀疏系数矩阵， 表示
中的第M'个列向量的稀疏系数矩阵，Xd,test的维数为K×M'，
表示 中的第1个列向量的稀疏系数
矩阵， 表示 中的第t'个列向量的稀疏系数矩阵， 表示
中的第M'个列向量的稀疏系数矩阵，(Xc,test)T为Xc,test的转置矩阵，
(Xd,test)T为Xd,test的转置矩阵，(Xc,test(Xc,test)T)-1为Xc,test(Xc,test)T的逆矩阵，(Xd,test(Xd,test)T)-1为Xd,test(Xd,test)T的逆矩阵，[(Xc,test(Xc,test)T)-1Xc,test(Xd,test)T]T为(Xc,test(Xc,test)T)-1Xc,test(Xd,test)T的转置矩阵，[(Xd,test(Xd,test)T)-1Xd,test(Xc,test)T]T为(Xd,test(Xd,test)T)-1Xd,test(Xc,test)T的转置矩阵；
②-2d、对训练阶段构造得到的Dc和Dd、Mc,test和Md,test进行联合，得到Itest和Dtest的联合字典表{Dc,test,Dd,test}，Dc,test＝DcMc,test，Dd,test＝DdMd,test。
4.根据权利要求3所述的一种基于联合字典的彩色与深度图像后处理方法，其特征在
于所述的步骤②-3中的Tp1的取值与对Itest进行JPEG编码的压缩因子q1有关，
Tp2的取值与对Dtest进行JPEG编码的压缩因子q2有关，
其中，C＝1.15，c1＝36.143，c2＝-19.789，c3＝3.881，
c4＝-0.250。
一种基于联合字典的彩色与深度图像后处理方法
技术领域
背景技术
常庞大，需要进行编码以适应传输或存储的要求。近年来，基于块的离散余弦变换已经广泛
的应用于图像和视频压缩之中，如：JPEG、MPEG、H.264/AVC等，然而，视频经过编码后会产生
块效应，并严重影响观看和绘制效果，因此有效的滤波后处理技术已成为研究的热点。
理，但这类方法更多的是考虑如何提升编码，而经过压缩后的彩色与深度图像，结构信息会
发生严重的退化，而彩色与深度图像本身存在较强的结构关联度，因此，如何构造能反映彩
色与深度图像本质特征的联合字典，如何根据联合字典来对彩色与深度图像进行后处理操
作，都是在对彩色与深度图像后处理研究中需要重点解决的技术问题。
发明内容
绘制性能。
具体步骤如下：
失真彩色图像对应的深度图像构成的深度图像集合记为{Di,org|1≤i≤N}，其中，N≥1，
Ii,org表示{Ii,org|1≤i≤N}中的第i幅彩色图像，Di,org表示{Di,org|1≤i≤N}中的第i幅深度
图像，Ii,org与Di,org对应；
集合进行字典训练操作，构造得到{Ii,org|1≤i≤N}的彩色字典表，记为Dc，其中，Dc的维数
为64×K，K表示设定的字典的个数，K≥1；
集合进行字典训练操作，构造得到{Di,org|1≤i≤N}的深度字典表，记为Dd，其中，Dd的维数
为64×K；
和Dtest中的所有子块构成的集合、在训练阶段构造得到的Dc和Dd，获取Itest和Dtest的联合字
典表，记为{Dc,test,Dd,test}，其中，Dc,test为{Dc,test,Dd,test}中的彩色字典表，Dd,test为{Dc,test,Dd,test}中的深度字典表，Dc,test和Dd,test的维数均为64×K，K表示设定的字典的个数，K≥1；
的维数为K×1，min()为取最小值函数，符号“|| ||0”为求取矩阵的0-范数符号，符号
“|| ||2”为求取矩阵的2-范数符号，Tp1为误差系数；
的维数为K×1，Tp2为误差系数；
个元素的值作为Itest中对应的子块中对应的像素点经后处理后的像素值，对于 中的第
j个元素的值，将其作为Itest中的第t'个子块中的第j个像素点经后处理后的像素值，从而
得到Itest的后处理图像，记为I'test，其中，1≤j≤64；
元素的值作为Dtest中对应的子块中对应的像素点经后处理后的像素值，对于 中的第j
个元素的值，将其作为Dtest中的第t'个子块中的第j个像素点经后处理后的像素值，从而得
到Dtest的后处理图像，记为D'test。
的维数为64×1， 表示{Ii,org|1≤i≤N}中的所有彩色图像中的第t个
子块中的所有像素点组成的列向量；
值函数，符号“|| ||2”为求取矩阵的2-范数符号，Yc的维数为64×M，
为 中的第1个列向量， 为 中的第t个列向量， 为
中的第M个列向量，Xc的维数为K×M， 表示Xc中的第1个
列向量， 亦表示 的稀疏系数矩阵， 表示Xc中的第t个列向量， 亦表示 的稀疏系数
矩阵， 表示Xc中的第M个列向量， 亦表示 的稀疏系数矩阵，符号“[]”为矢量表示符
号，符号“|| ||0”为求取矩阵的0-范数符号，T为误差系数；
的维数为64×1， 表示{Di,org|1≤i≤N}中的所有深度图像中的第t个
子块中的所有像素点组成的列向量；
M， 为 中的第1个列向量， 为 中的第t
个列向量， 为 中的第M个列向量，Xd的维数为K×M，
表示Xd中的第1个列向量， 亦表示 的稀疏系数矩阵， 表示Xd中的第t个列向量，
亦表示 的稀疏系数矩阵， 表示Xd中的第M个列向量， 亦表示 的稀疏系数矩阵，符
号“[]”为矢量表示符号，T为误差系数。
表示Dtest中的子块的总个数， 的维数为64×1， 表示Itest中的第t'个
子块中的所有像素点组成的列向量， 的维数为64×1， 表示Dtest中的第t'个子块
中的所有像素点组成的列向量；
得到，其中， 的维数为K×1，min()为取最小值函数，符号“||
||0”为求取矩阵的0-范数符号，符号“|| ||2”为求取矩阵的2-范数符号，T为误差系数；
得到，其中， 的维数为K×1，T为误差系数；
(Xc，test)T)-1Xc，test(Xd，test)T]T，Md，test＝[(Xd，test(Xd，test)T)-1Xd，test(Xc，test)T]T，其中，Xc,test的维数为K×M'， 表示 中的第1个列向
量的稀疏系数矩阵， 表示 中的第t'个列向量的稀疏系数矩阵，
表示 中的第M'个列向量的稀疏系数矩阵，Xd,test的维数为K×M'，
表示 中的第1个列向量的稀疏系数
矩阵， 表示 中的第t'个列向量的稀疏系数矩阵， 表示
中的第M'个列向量的稀疏系数矩阵，(Xc,test)T为Xc,test的转置矩阵，
(Xd,test)T为Xd,test的转置矩阵，(Xc,test(Xc,test)T)-1为Xc，test(Xc,test)T的逆矩阵，(Xd,test(Xd,test)T)-1为Xd,test(Xd,test)T的逆矩阵，[(Xc,test(Xc,test)T)-1Xc,test(Xd,test)T]T为(Xc,test(Xc,test)T)-1Xc,test(Xd,test)T的转置矩阵，[(Xd,test(Xd,test)T)-1Xd,test(Xc,test)T]T为(Xd,test(Xd,test)T)-1Xd,test(Xc,test)T的转置矩阵；
其中，C＝1.15，c1＝36.143，c2＝-19.789，c3＝3.881，
c4＝-0.250。
色字典表，对由多幅无失真深度图像中的所有子块构成的集合进行字典训练操作，构造得
到深度字典表，这样避免了复杂的机器学习训练过程，降低了计算复杂度。
深度图像构造对应的联合字典表，并根据联合字典表对彩色图像与深度图像进行后处理操
作，这样能够保持更好的对象轮廓信息，提高了虚拟视点图像的质量。
附图说明
具体实施方式
失真彩色图像对应的深度图像构成的深度图像集合记为{Di,org|1≤i≤N}，其中，N≥1，
Ii,org表示{Ii,org|1≤i≤N}中的第i幅彩色图像，Di,org表示{Di,org|1≤i≤N}中的第i幅深度
图像，Ii,org与Di,org对应。
集合进行字典训练操作，构造得到{Ii,org|1≤i≤N}的彩色字典表，记为Dc，其中，Dc的维数
为64×K，K表示设定的字典的个数，K≥1，K的取值过大会出现过聚类现象，K的取值过小会
出现欠聚类现象，在本实施例中取K＝128。
的维数为64×1， 表示{Ii,org|1≤i≤N}中的所有彩色图像中的第t个
子块中的所有像素点组成的列向量， 亦表示 中的第t个列向量。
()为取最小值函数，符号“|| ||2”为求取矩阵的2-范数符号，Yc的维数为64×M，
为 中的第1个列向量， 亦表示{Ii,org|1≤i≤N}中的
所有彩色图像中的第1个子块中的所有像素点组成的列向量， 为 中的第t
个列向量， 亦表示{Ii,org|1≤i≤N}中的所有彩色图像中的第t个子块中的所有像素点组
成的列向量， 为 中的第M个列向量， 亦表示{Ii,org|1≤i≤N}中的所有
彩色图像中的第M个子块中的所有像素点组成的列向量，Xc的维数为K×M，
表示Xc中的第1个列向量， 亦表示 的稀疏系数矩阵， 表示Xc中
的第t个列向量， 亦表示 的稀疏系数矩阵， 表示Xc中的第M个列向量， 亦表示
的稀疏系数矩阵，符号“[]”为矢量表示符号，符号“|| ||0”为求取矩阵的0-范数符号，T为
误差系数，在本实施例中取T＝0.1。
集合进行字典训练操作，构造得到{Di,org|1≤i≤N}的深度字典表，记为Dd，其中，Dd的维数
为64×K。
的维数为64×1， 表示{Di,org|1≤i≤N}中的所有深度图像中的第t个
子块中的所有像素点组成的列向量， 亦表示 中的第t个列向量。
维数为64×M， 为 中的第1个列向量， 亦表示{Di,org
|1≤i ≤N}中的所有深度图像中的第1个子块中的所有像素点组成的列向量， 为
中的第t个列向量， 亦表示{Di,org|1≤i≤N}中的所有深度图像中的第t个
子块中的所有像素点组成的列向量， 为 中的第M个列向量， 亦表示
{Di,org|1≤i≤N}中的所有深度图像中的第M个子块中的所有像素点组成的列向量，Xd的维
数为K×M， 表示Xd中的第1个列向量， 亦表示 的稀疏系数矩
阵， 表示Xd中的第t个列向量， 亦表示 的稀疏系数矩阵， 表示Xd中的第M个列向量，
亦表示 的稀疏系数矩阵，符号“[]”为矢量表示符号，T为误差系数，在本实施例中取T
＝0.1。
可以不同。
字典表和深度字典表忽略了彩色特征空间与深度特征空间之间的几何关系，因此本发明方
法根据Itest中的所有子块构成的集合和Dtest中的所有子块构成的集合、在训练阶段构造得
到的Dc和Dd，获取Itest和Dtest的联合字典表，记为{Dc,test,Dd,test}，其中，Dc,test为{Dc,test,Dd,test}中的彩色字典表，Dd,test为{Dc,test,Dd,test}中的深度字典表，Dc,test和Dd,test的维数均为64×K，K表示设定的字典的个数，K≥1，K的取值过大会出现过聚类现象，K的取值过小会
出现欠聚类现象，在本实施例中取K＝128。
表示Dtest中的子块的总个数， 的维数为64×1， 表示Itest中的第t'
个子块中的所有像素点组成的列向量， 亦表示 中的第t'个列向量，
的维数为64×1， 表示Dtest中的第t'个子块中的所有像素点组成的列向量，
亦表示 中的第t'个列向量。
得到，其中， 的维数为K×1，min()为取最小值函数，符号“||
||0”为求取矩阵的0-范数符号，符号“|| ||2”为求取矩阵的2-范数符号，T为误差系数，在本
实施例中取T＝0.1。
得到，其中， 的维数为K×1，T为误差系数，在本实施例中取T
＝0.1。
(Xc,test)T)-1Xc,test(Xd,test)T]T，Md,test＝[(Xd,test(Xd,test)T)-1Xd,test(Xc,test)T]T，其中，Xc,test的维数为K×M'， 表示 中的第1个列向
量的稀疏系数矩阵， 表示 中的第t'个列向量的稀疏系数矩阵，
表示 中的第M'个列向量的稀疏系数矩阵，Xd,test的维数为K×M'，
表示 中的第1个列向量的稀疏系数
矩阵， 表示 中的第t'个列向量的稀疏系数矩阵， 表示
中的第M'个列向量的稀疏系数矩阵，(Xc,test)T为Xc,test的转置矩阵，
(Xd,test)T为Xd,test的转置矩阵，(Xc,test(Xc,test)T)-1为Xc,test(Xc,test)T的逆矩阵，(Xd,test(Xd,test)T)-1为Xd,test(Xd,test)T的逆矩阵，[(Xc,test(Xc,test)T)-1Xc,test(Xd,test)T]T为(Xc,test(Xc,test)T)-1Xc,test(Xd,test)T的转置矩阵，[(Xd,test(Xd,test)T)-1Xd,test(Xc,test)T]T为(Xd,test(Xd,test)T)-1Xd,test(Xc,test)T的转置矩阵。
的维数为K×1，min()为取最小值函数，符号“|| ||0”为求取矩阵的0-范数符号，符号
“|| ||2”为求取矩阵的2-范数符号，Tp1为误差系数，在本实施例中Tp1的取值与对彩色图像
Itest进行JPEG编码的压缩因子q1有关， C＝1.15，c1＝
36.143，c2＝-19.789，c3＝3.881，c4＝-0.250。
的维数为K×1，Tp2为误差系数，在本实施例中Tp2的取值与对深度图像Dtest进行JPEG编
码的压缩因子q2有关， C＝1.15，c1＝36.143，c2＝-
19.789，c3＝3.881，c4＝-0.250。
个元素的值作为Itest中对应的子块中对应的像素点经后处理后的像素值，对于 中的第
j个元素的值，将其作为Itest中的第t'个子块中的第j个像素点经后处理后的像素值，从而
得到Itest的后处理图像，记为I'test，其中，1≤j≤64。
元素的值作为Dtest中对应的子块中对应的像素点经后处理后的像素值，对于 中的第j
个元素的值，将其作为Dtest中的第t'个子块中的第j个像素点经后处理后的像素值，从而得
到Dtest的后处理图像，记为D'test。
彩色图像，图2b给出了“Undo Dancer”三维视频序列中的一帧经JPEG编码失真的深度图像，
图2c给出了采用图2a所示的彩色图像和图2b所示的深度图像绘制得到的虚拟视点图像；图
3a给出了图2a所示的彩色图像经本发明方法处理后得到的彩色图像即彩色滤波图像，图3b
给出了图2b所示的深度图像经本发明方法处理后得到的深度图像即深度滤波图像，图3c给
出了采用图3a所示的彩色图像和图3b所示的深度图像绘制得到的虚拟视点图像；图4a给出
了“Balloons”三维视频序列中的一帧经JPEG编码失真的彩色图像，图4b给出了“Balloons”
三维视频序列中的一帧经JPEG编码失真的深度图像，图4c给出了采用图4a所示的彩色图像
和图4b所示的深度图像绘制得到的虚拟视点图像；图5a给出了图4a所示的彩色图像经本发
明方法处理后得到的彩色图像即彩色滤波图像，图5b给出了图4b所示的深度图像经本发明
方法处理后得到的深度图像即深度滤波图像，图5c给出了采用图5a所示的彩色图像和图5b
所示的深度图像绘制得到的虚拟视点图像。从图2a至图5c中可以看出，采用本发明方法后
处理滤波后的彩色图像和深度图像均保持了重要的几何特征，并且采用本发明方法后处理
滤波后的彩色图像和深度图像绘制得到的虚拟视点图像能够保持更好的对象轮廓信息，提
高了虚拟视点图像的质量。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于大数据的渠道协同满意度调查方法及系统 | 2020-05-08 | 696 |
| 一种基于机器学习的电离层幅度闪烁检测方法 | 2020-05-11 | 356 |
| 一种基于形变特征预测电池碰撞后SoH的方法 | 2020-05-08 | 969 |
| 康复疗法的确定方法与装置、存储介质、电子设备 | 2020-05-08 | 786 |
| 特征索引编码方法、装置、电子设备及存储介质 | 2020-05-08 | 14 |
| 一种海量数据库表快速分类的方法 | 2020-05-08 | 492 |
| 一种基于区块链的安全SVM训练方法 | 2020-05-08 | 630 |
| 用于支持盘故障预测的方法、设备和计算机程序产品 | 2020-05-08 | 122 |
| 一种基于数据驱动的模块化产品设计评价方法 | 2020-05-08 | 792 |
| 基于神经网络的k-NN算法中k值预测方法及装置 | 2020-05-08 | 116 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
