CN101430789A - 基于Fast Slant Stack变换的图像边缘检测方法 - Google Patents
基于Fast Slant Stack变换的图像边缘检测方法 Download PDFInfo
- Publication number
- CN101430789A CN101430789A CNA2008102323401A CN200810232340A CN101430789A CN 101430789 A CN101430789 A CN 101430789A CN A2008102323401 A CNA2008102323401 A CN A2008102323401A CN 200810232340 A CN200810232340 A CN 200810232340A CN 101430789 A CN101430789 A CN 101430789A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- block
- detected
- max
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000009466 transformation Effects 0.000 title claims description 7
- 238000003708 edge detection Methods 0.000 title abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 229910052704 radon Inorganic materials 0.000 abstract description 4
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000002939 conjugate gradient method Methods 0.000 abstract 1
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000009610 hypersensitivity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Fast Slant Stack变换的图像边缘检测方法,它涉及图像处理领域。主要解决传统Radon方法计算复杂度高、定位精度低的缺点。其过程为:输入待检测图像,根据滑动窗大小和重叠度对其分块,每次检测提取一个小图像块,根据其灰度均方差判断块中是否存在边缘,对存在边缘的图像块做Fast Slant Stack变换,并对变换结果的零值区域进行填充;对填充后的图像块做二进小波变换,搜索变换后小波域系数极大值MAX,并根据极大值MAX所处的位置用基于共轭梯度法的Fast Slant Stack逆变换重构空域中的图像,存放到输出矩阵中对应的位置;将所有的分块都完成检测后输出检测结果。本发明具有计算速度快、抗噪性能好和边缘定位精度高的优点,可用于多种类型图像的边缘检测。
Description
技术领域
本发明属于图像处理技术领域,涉及图像边缘检测方法。该方法可用于多种包含线状边缘信息的图像的边缘检测中。
背景技术
图像的边缘是计算机视觉中的重要特征,直线和曲线的有效检测可以为后继的模式匹配和识别打下基础。经典的边缘检测算法针对光学图像,如Sobel算子、Prewitt算子等。这类经典算子本质上都是高通滤波器,它们对清晰图像的边缘检测效果很好,但是对图像中的噪声非常敏感,这些算子在获取边缘的同时也检测出了大量高频噪声,产生过多与真实边缘混杂在一起的难以分离的虚假边缘。为了克服这一问题,常采用将平滑、锐化、多尺度分析等预处理方法与算子相结合的方法来去除噪声。1991年,美国学者Canny J.对经典算法做出改进,在检测边缘之前引入高斯滤波器对图像进行预处理器。这一平滑处理虽然可以减少噪声,却也使得图像边缘的不连续性减弱。
近年来随着小波的兴起,涌现出了很多基于小波分析的图像边缘检测算法。1991年,法国学者Mallat.S将二进小波成功的应用于图像的边缘检测,取得了良好的效果。在其算法中,小波分析体现出了前所未有的优势,它在表示具有点奇异性的目标函数时是最优的基。然而在表示线状奇异性时,比如图像的直线和曲线,小波基却均不是最优基。因此在针对具有线特征的目标的检测中,基于小波分析的方法将会不可避免的产生误检和漏检。
在针对直线模型的检测中,曲线通常会被无限剖分,每一小段近似认为直线,Radon变换和Hough变换是常用的检测方法,但这两种方法仅适用于形状比较规则且直线特征比较明显的图像。另一方面,这两种方法不能计算直线的长度,仅能确定直线的位置。1995年,学者Copeland A C将局部Radon应用于直线状特征的检测。该方法采用分段的思想,较好地解决了直线的长度和宽度的问题,但是该方法在曲线状特征的检测方面仍有较大的局限性。2003年,中国学者侯彪提出了基于脊波变换的直线特征检测方法。在该方法中,图像中的线状特征通过Radon变换被转换为点状特征。在此基础上,使用基于小波的检测方法对点状特征进行检测,并根据检测到的点状特征重构出元图像中的线状特征。该方法为边缘检测引入了新的思路,但仍存在着高计算复杂度的缺陷。由于这类方法在检测过程中要获取直线段的角度和偏移量,并根据这些再计算并重绘出结果中的直线段,而数字图像中离散量的计算无法保证检测结果在定位上的准确性。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于Fast SlantStack变换的图像边缘检测方法,以发挥Fast Slant Stack变换对线状特征敏感度高的特点,降低计算复杂度,提高定位准确性。
实现本发明目的的技术方案是:利用可快速实现并精确重构的Fast Slant Stack变换将图像中的线状特征转变为变换域内的点状特征,使用二进小波对点奇异性进行检测,并根据检测到点奇异性使用Fast Slant Stack逆变换精确重构出原图像中的线状特征。其具体实现过程如下:
(1)输入待检测图像X,根据滑动块大小和多块重叠度对待检测图像进行分块,设置一个与X同样大小的矩阵Y;
(2)从待检测图像块中按照顺序取出最前面的一块图像,作为当前操作块CM;
(3)判断当前操作块CM中是否存在边缘,若不存在边缘,回到步骤(2)重新提取图像块;若存在边缘,进行以下从步骤(4)到步骤(6)处理;
(4)对当前操作块CM进行Fast Slant Stack变换,并对变换后的结果RM的零值区域进行填充;
(5)对填充后的RM沿着径向方向进行一维二进小波变换DDWT,搜索变换后该块小波域的系数极大值点MAX,根据MAX的大小判断该操作块中是否有一条明确清晰的边缘线,如果不存在边缘线,返回步骤(2),如果存在边缘线,继续步骤(6);
(6)根据RM中MAX点的位置,使用Fast Slant Stack逆变换重构空域中的图像块CM’,并存放在矩阵Y中与X中CM对应的位置,结束本块的检测,返回步骤(2)重新提取图像块;
(7)根据待检测图像X的分块数目重复步骤(2)到步骤(6)的循环,直到所有分块都完成检测,结束循环,输出矩阵Y。
本发明与现有的技术相比具有以下优点:
1、由于本发明使用了一种具有明确几何意义的、可快速实现的和可精确重构的Fast Slant Stack变换,因此可以大大降低运算复杂度和提高定位精确度;
2、由于本发明引入了多窗口重复检测,可有效的避免边缘信息的漏检;
3、由于本发明引入了单窗口阈值划分,故可在多窗口重复检测的基础上最大程度的减少误检和过检测;
4、由于本发明采用基于方向性信息累计的检测,使用多级阈值划分,因此可以应用于多种不同成像源图像的检测,并能够充分抑制噪声,取得较好的边缘检测结果。
附图说明
图1是本发明的流程示意图;
图2是本发明所采用的Fast Slant Stack变换应用于简单字母图像的结果图;
图3是用本发明方法所采用的多窗口检测所针对的不同边缘类型图;
图4是本发明所采用的多窗口检测原理图;
图5是本发明所采用的蝶形模板;
图6是本发明在一幅河岸SAR图像上进行仿真得到的结果图;
图7是本发明在一幅河流SAR图像上进行仿真得到的结果图;
图8是本发明在一幅高噪声SAR图像上进行仿真得到的结果图。
具体实施方式
参照图1,本发明的具体实现过程如下:
步骤1,输入带检测图像,并进行图像分块。
输入待检测图像X,根据多窗口重复检测的要求对原始图像进行分块,将X分为若干个大小为n×n的小块,且相邻的小块之间相互交叠,一般在横向和纵向上,相邻的小块应该保证有50%面积的重叠,小窗口的大小一般选取n=8或n=16;设置一个与X同样大小的全零矩阵Y。
步骤2,提取待检测图像块。
在已完成分块的待检测图像块中,按照从上到下、从左到右的顺序取出一块尚未被检测的图像块作为当前操作块CM。
步骤3,判断图像块中是否存在边缘。
根据图像的类型设置灰度阈值TH_std,计算当前操作块CM的灰度均方差STD,根据灰度均方差STD与灰度阈值TH_std的大小比较判断当前窗口CM中是否存在边缘,若STD<TH_std,说明该小窗口中灰度变化不明显,则判定当前操作块CM中不存在边缘,回到步骤2,重新提取图像块;若STD>TH_std,说明该小窗口内灰度变化非常强烈,则判定当前操作块CM中存在边缘。
步骤4,进行Fast Slant Stack变换并完成零值区填充
对已判定存在边缘的当前操作块CM做Fast Slant Stack变换,得到大小为2n×2n的图像块RM,由于Fast Slant Stack变换旋转投影成像的特性,其变换结果会出现一种高台效应:若积分路线经过的区域不全为零,即经过了真实图像部分,结果将会得正值;相反,若积分路线经过的区域全为零,其积分结果也将会是零,因此RM将会在4片固定的区域出现取值全部为零的现象,而零值区与非零区交界处的突变将会给接下来奇异点的检测带来极大不便,则需要使用非零区边界处的非零有效值按列对这些零值区进行填充,实现Fast Slant Stack变换域内的平滑过渡,以减少高台效应的影响。
步骤5,搜索点奇异性。
沿着填充后的图像块RM的每一个径向方向分别做一维二进小波变换DDWT,尺度一般选为1,保留二进小波变换结果的高频部分,存放在原对应列的位置上,由于高台效应的影响,填充后的图像块RM高频空间将在(n/2+1,n/2+1)、(n/2+2,n*3/2+1)、(n*3/2+1,n/2+1)和(n*3/2+2,n*3/2+1)这四个点附近出现干扰,因此使用蝶形模板将以上四个点所在的干扰区域全部置零,消除干扰,并在小波高频域内搜索该图像块内的系数极大值MAX,该点的坐标记为(i,j);设置小波阈值TH_edge,根据系数极大值MAX和阈值TH_edge的大小比较判断该图像块中是否有一条明确清晰的边缘线,如果MAX<TH_edge,则说明该图像块中方向性信息累积不足,此时图像块内的曲线可能过短或是曲率过大,甚至可能是没有边缘存在,则不需要对该图像块进行边缘检测,跳转步骤2;如果MAX>TH_edge,则判定该图像块内存在一条明确清晰的边缘线,且图像块内的边缘呈直线状态并贯穿整个图像块。
步骤6,重构边缘图像。
保留有清晰边缘线的图像块RM中MAX所对应的点(i,j),并赋值255,其余所有的点都置零,对大小为2n×2n的图像块RM使用Fast Slant Stack逆变换,用共轭梯度法进行逼近,完成空域中图像的高精度重构,得到大小为n×n的图像块CM’,此步骤将频域中的点奇异性转换为空域中的线奇异性;将图像块CM’存放到矩阵Y中与X中当前操作块CM对应的位置,结束当前操作块的检测,返回步骤2。
步骤7,根据待检测图像X的分块数目重复步骤(2)到步骤(6)的循环,直到所有分块都完成检测,结束循环,输出矩阵Y。
本发明的效果可通过以下仿真结果进一步说明:
1、仿真内容:应用Canny方法、小波方法和本发明方法,分别对河岸SAR图像、河流SAR图像和一张高噪声SAR图像进行边缘检测。
2、仿真结果:如图6、图7和图8所示。
图6(a)和图7(a)是分别是河岸SAR图像和河流SAR图像的原始图像;图6(b)和图7(b)是使用Canny方法的边缘检测效果图,从图6(b)和图7(b)可见,由于Canny方法对噪声的敏感性,为了检测出更多的边缘信息,现有的Canny方法不得不在抗噪性能方面做出较多牺牲,虽然检测出了绝大部分边缘,但也检测出了过多的噪声。
图6(c)和图7(c)是使用小波方法的边缘效果图,可以看到小波方法在保留边缘和抑制噪声方面都大大的超越了Canny方法,然而由于小波方法对于图像中点奇异性的高敏感性,检测结果中也保留了较多的干扰信息。
图6(d)和图7(d)是使用本发明方法进行检测的效果图,可以看到本方法不仅有效的抑制了噪声,更是在去除虚假边缘方面相比小波方法有了较大的改进,即在保留主轮廓边缘的同时,最大可能的将干扰信息和虚假边缘去除。
图8(a)是一张高噪声SAR图像的原图,图8(b)和图8(c)分别是使用Canny方法和小波方法进行检测得到的结果,而图8(d)是使用本发明方法的检测结果。对比三种不同方法应用于高噪声图像的仿真结果,可以清晰的发现本发明方法相比现有的Canny方法和小波方法有着明显的优势:抑制噪声能力强,可以较好的去除虚假边缘,较好的保留主轮廓边缘。
综上,本发明可以充分利用图像中的方向性信息,检测出真正的边缘并且有效的克服噪声和虚假边缘的干扰,同时具有可重构和定位精度高的优点。由于本发明方法的基本原理是图像中方向性信息累积检测,而几乎所有边缘都具有方向性特性,因此本发明方法可以轻松推广到多种不同成像源的图像,都能够取得不错的效果。
Claims (6)
1.一种基于Fast Slant Stack变换的图像边缘检测方法,包括如下过程:
(1)输入待检测图像X,根据滑动块大小和多块重叠度对待检测图像进行分块,设置一个与X同样大小的全零矩阵Y;
(2)从待检测图像块中按照顺序取出最前面的一块图像,作为当前操作块CM;
(3)判断当前操作块CM中是否存在边缘,若不存在边缘,回到步骤(2)重新提取图像块;若存在边缘,进行以下从步骤(4)到步骤(6)处理;
(4)对当前操作块CM进行Fast Slant Stack变换,并对变换后的结果RM的零值区域进行填充;
(5)对填充后的RM沿着径向方向进行一维二进小波变换DDWT,搜索变换后该块小波域的系数极大值点MAX,根据MAX的大小判断该操作块中是否有一条明确清晰的边缘线,如果不存在边缘线,返回步骤(2),如果存在边缘线,继续步骤(6);
(6)根据RM中MAX点的位置,使用Fast Slant Stack逆变换重构空域中的图像块CM’,并存放在矩阵Y中与X中CM对应的位置,结束本块的检测,返回步骤(2)重新提取图像块;
(7)根据待检测图像X的分块数目重复步骤(2)到步骤(6)的循环,直到所有分块都完成检测,结束循环,输出矩阵Y。
2.根据权利要求1所述的图像边缘检测方法,其中步骤(2)所述的从待检测图像块中按照顺序取出最前面的一块图像,是根据分块大小参数n=8或n=16决定分块的数目,按照从上到下、从左到右的顺序从待检测图像中取出尚未被检测的一个n×n的小图像块,且要保证当前提取的图像块和邻近的图像块在横向和纵向上都有50%的重合。
3.根据权利要求1所述的图像边缘检测方法,其中步骤(3)所述的判断当前操作块CM中是否存在边缘,按如下过程进行:
(3a)计算当前操作块CM的灰度均方差STD;
(3b)设置阈值TH_std,比较STD与阈值TH_std的大小:若STD<TH_std,则判定待检测块CM块中不存在边缘,若STD>TH_std,则判定待检测块CM中存在边缘。
4.根据权利要求1所述的图像边缘检测方法,其中步骤(4)所述的对Fast SlantStack变换后的结果RM的零值区域进行填充,是采用RM的零值区与非零区交界处的非零有效值对这些零值区按列进行填充,实现Fast Slant Stack变换域内的平滑过渡。
5.根据权利要求1所述的图像边缘检测方法,其中步骤(5)所述的要搜索变换后该块小波域的系数极大值点MAX并判断该操作块中是否有一条明确清晰的边缘线,按下过程进行:
(5a)保留RM的按列进行尺度为1的一维二进小波变换所得到的高频子空间部分,并存放在原对应列的位置上,并使用蝶形模板将RM高频空间的四个干扰区域全部置零,该干扰区出现在(n/2+1,n/2+1)、(n/2+2,n*3/2+1)、(n*3/2+1,n/2+1)和(n*3/2+2,n*3/2+1)这4个点附近;
(5b)在RM内搜索最大值MAX,该点的坐标记为(i,j),设置阈值TH_edge,比较MAX和阈值TH_edge的大小,如果MAX<TH_edge,则判定该待检测块中图像的方向性信息累积不足,不对该块进行边缘检测,跳转步骤(2),如果MAX>TH_edge,则判定该块内存在一条呈直线状态且贯穿整个块的明确清晰的边缘,对该块进行边缘检测,继续步骤(6)。
6.根据权利要求1所述的图像边缘检测方法,其中步骤(6)所述的要根据在RM中找到的极大值点确定原小块中的边缘,按如下过程进行:
(6a)保留RM中MAX所对应的点(i,j),并赋值255,其余所有的点都置零;
(6b)对大小为2n×2n的RM使用Fast Slant Stack逆变换,用共轭梯度法进行逼近,得到空域中大小为n×n的边缘图像CM’。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102323401A CN101430789B (zh) | 2008-11-19 | 2008-11-19 | 基于Fast Slant Stack变换的图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102323401A CN101430789B (zh) | 2008-11-19 | 2008-11-19 | 基于Fast Slant Stack变换的图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101430789A true CN101430789A (zh) | 2009-05-13 |
CN101430789B CN101430789B (zh) | 2012-05-09 |
Family
ID=40646171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102323401A Expired - Fee Related CN101430789B (zh) | 2008-11-19 | 2008-11-19 | 基于Fast Slant Stack变换的图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101430789B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777181B (zh) * | 2010-01-15 | 2012-01-04 | 西安电子科技大学 | 基于脊波双框架***的sar图像机场跑道提取方法 |
CN102592472A (zh) * | 2012-02-21 | 2012-07-18 | 北京工业大学 | 基于jpeg压缩图像的车位检测方法 |
CN107610499A (zh) * | 2016-07-11 | 2018-01-19 | 富士通株式会社 | 停车位状态的检测方法、检测装置和电子设备 |
CN108629786A (zh) * | 2017-03-23 | 2018-10-09 | 展讯通信(上海)有限公司 | 图像边缘检测方法及装置 |
CN110390679A (zh) * | 2019-07-03 | 2019-10-29 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和可读存储介质 |
CN112348803A (zh) * | 2020-11-19 | 2021-02-09 | 西安维控自动化科技有限公司 | 一种超声波边缘检测方法及*** |
-
2008
- 2008-11-19 CN CN2008102323401A patent/CN101430789B/zh not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777181B (zh) * | 2010-01-15 | 2012-01-04 | 西安电子科技大学 | 基于脊波双框架***的sar图像机场跑道提取方法 |
CN102592472A (zh) * | 2012-02-21 | 2012-07-18 | 北京工业大学 | 基于jpeg压缩图像的车位检测方法 |
CN107610499A (zh) * | 2016-07-11 | 2018-01-19 | 富士通株式会社 | 停车位状态的检测方法、检测装置和电子设备 |
CN108629786A (zh) * | 2017-03-23 | 2018-10-09 | 展讯通信(上海)有限公司 | 图像边缘检测方法及装置 |
CN108629786B (zh) * | 2017-03-23 | 2020-07-21 | 展讯通信(上海)有限公司 | 图像边缘检测方法及装置 |
CN110390679A (zh) * | 2019-07-03 | 2019-10-29 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和可读存储介质 |
CN110390679B (zh) * | 2019-07-03 | 2022-04-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和可读存储介质 |
CN112348803A (zh) * | 2020-11-19 | 2021-02-09 | 西安维控自动化科技有限公司 | 一种超声波边缘检测方法及*** |
CN112348803B (zh) * | 2020-11-19 | 2024-03-29 | 西安维控自动化科技有限公司 | 一种超声波边缘检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN101430789B (zh) | 2012-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242888B (zh) | 一种结合图像显著性和非下采样轮廓波变换的红外与可见光图像融合方法 | |
CN104933709B (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN101826209B (zh) | 一种基于Canny模型的三维医学图像分割方法 | |
CN101447076B (zh) | 一种web图像中感兴趣区域的分割方法 | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN103136525B (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN104751187A (zh) | 抄表图像自动识别方法 | |
CN103870834B (zh) | 基于分层分割的滑动窗搜索方法 | |
CN101430789B (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN104424629A (zh) | 一种x光胸片肺部分割方法和装置 | |
CN104463870A (zh) | 一种图像显著区域检测方法 | |
CN108629809B (zh) | 一种精确高效的立体匹配方法 | |
Zhang et al. | Level set evolution driven by optimized area energy term for image segmentation | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN103106658A (zh) | 一种海岛、礁岸线快速提取方法 | |
CN106204570A (zh) | 一种基于非因果分数阶梯度算子的角点检测方法 | |
CN109523559A (zh) | 一种基于改进的能量泛函模型的噪声图像分割方法 | |
CN102903111B (zh) | 基于图像分割的大面积低纹理区立体匹配算法 | |
CN103065299A (zh) | 超声图像边缘提取方法和装置 | |
CN106778491A (zh) | 人脸3d特征信息的获取方法及设备 | |
CN109410233A (zh) | 一种边缘特征约束的高分辨率图像道路精准提取方法 | |
CN102509273A (zh) | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 | |
CN104899592A (zh) | 一种基于圆形模板的道路半自动提取方法及*** | |
CN104504692A (zh) | 基于区域对比度的图像中显著对象的提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120509 |