CN102609906A - 一种基于各向异性扩散的气体红外图像增强方法 - Google Patents
一种基于各向异性扩散的气体红外图像增强方法 Download PDFInfo
- Publication number
- CN102609906A CN102609906A CN2012100091961A CN201210009196A CN102609906A CN 102609906 A CN102609906 A CN 102609906A CN 2012100091961 A CN2012100091961 A CN 2012100091961A CN 201210009196 A CN201210009196 A CN 201210009196A CN 102609906 A CN102609906 A CN 102609906A
- Authority
- CN
- China
- Prior art keywords
- gas
- cloud cluster
- image
- diffusion
- gas cloud
- 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.)
- Pending
Links
Images
Landscapes
- Studio Devices (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于各向异性扩散的气体红外图像增强方法,属于气体检测领域。该方法首先对气体红外视频序列图像进行预处理,然后分为两路分别处理,一路使用正向各向异性扩散算法,扩展气体云团区域,另一路使用双向各向异性扩散算法,降低噪声并保护和增强图像背景的细节与边缘;然后,将第一路处理结果进行隔帧差分,并累加差分结果;之后,用K均值聚类在累加结果中标示气体云团区域,确定气体云团的位置坐标,最后,根据此坐标在第二路处理结果中的相应位置彩色化渲染气体云团,从而显著提高气体云团的可判读性,改善气体红外图像的质量,利于人眼快速探测到气体泄漏时形成的气体云团。本发明可用于检测人眼不可见的危险气体的泄漏。
Description
技术领域
本发明属于气体检测领域,涉及被动式气体泄漏红外成像探测***的后期信号处理技术,特别涉及一种基于各向异性扩散的气体红外图像增强方法,
背景技术
二十世纪八十年代Strachan等人以353K(80℃)的黑体作为背景,用红外热成像技术观察到了从管道里喷出的丁烷,至此红外热成像技术才开始应用于气体探测领域。目前随着红外探测器阵列性能的提高,欧美发达国家的气体泄漏被动式红外成像技术及产品发展得很快,已非常广泛地应用于石化、炼油、电力等行业的气体泄漏探测及污染物排放监测。然而,被动式气体泄漏红外成像***完全依赖于自然环境的红外辐射,由于缺少主动的红外照明,所获得的气体红外图像往往对比度不高、气体信号微弱、气体云团不明显、背景边缘和细节模糊,尤其是气体泄漏量低的情况下,仅凭肉眼难以判断泄漏的发生。
我们经过大量实验发现,在实际环境中,对于某个固定的泄漏源,在一定的风速和风向条件下,位于下风向的气体云团通常呈现扩散和摆动的运动特点。扩散在物理学上是一种迁移过程,如果介质(如空气)中存在某种杂质,且其浓度分布不均匀,那么杂质将从高浓度区域向低浓度区域迁移。摆动是气体云团与运动的空气相互作用的结果。目前,针对气体红外图像的增强算法还比较少,能够充分考虑气体运动特点的增强算法就更少。
因此,需要设计一种既能整体改善图像对比度、抑制噪声、增强背景细节,又能根据泄漏气体向外扩散时的运动特征来提取和突显气体区域的方法,提高观察者判断气体是否发生泄漏、以及定位泄漏源的能力。
发明内容
针对上述气体红外图像质量和现有处理算法的缺陷,本发明的目的是提出一种基于各向异性扩散的气体红外图像增强方法,突出气体云团目标,增强图像背景,提高图像对比度、抑制噪声,提高气体探测概率。
为实现上述目的,本方法基于各向异性扩散的气体红外图像增强方法,包括以下步骤:
第一步:使用中波或长波红外气体泄漏云团成像仪拍摄气体泄漏视频序列图像,获取气体红外图像序列:
第二步:将获取的当前帧和前N帧视频图像进行对比度拉伸预处理;
第三步:根据当前帧的图像数据扩展气体云团区域;
第四步:根据第三步中扩展后的当前帧和前N帧的图像数据定位气体云团坐标;
第五步:根据第二步中当前帧的图像数据增强背景图像的细节;
第六步:根据第四步确定的气体云团定位坐标与第五步中当前帧背景图像的相应位置彩色化渲染气体云团。
第二步中所述的对比度拉伸预处理方法采用直方图均衡或非线性对比度拉伸,保证之后的处理算法充分发挥增强作用。
第三步中所述的扩展气体云团区域采用正向各向异性扩散方法,扩展图像中表征较高气体浓度的低灰度值区域,并去除噪声。
第四步中所述定位气体云团坐标采用如下方法:首先在气体云团扩展结果的基础上,进行帧差和积分处理,帧差步调和累加次数根据视频采集现场环境的风速以及对处理效果的要求进行设定;初步提取气体云团目标,并增强运动的气体云团的信号强度;然后采用K均值聚类进一步区分气体云团与背景噪声,K均值聚类方法是根据图像像素点的灰度值大小和彼此之间的空间距离,将像素点进行区域性分割,使得灰度值差别小且距离相近的像素点聚合为同一类别;最后获得准确的气体云团区域,记录气体云团在图像中的位置坐标。
第五步所述背景图像增强是采用双向各向异性扩散方法对当前帧图像进行选择性扩散,在灰度值平坦区域进行正向扩散,降低图像噪声,在灰度值变化剧烈的边缘处进行反向扩散,增强背景细节。
第六步所述气体云团彩色化渲染方法是将原处理结果的灰度图像转为RGB颜色空间的彩色图像,然后按照已确定的气体云团坐标,在增强后的背景图像的相应位置赋予用户所选择的颜色,使得彩色化后的气体云团在黑白红外背景图像中更为突出,提高气体云团的可判读性,利于人眼快速探测到气体泄漏时形成的气体云团。
本发明的工作原理:本发明将正在泄漏的气体视为从泄漏点附近高浓度区向周围低浓度区扩散的具有一定面积的、形状和位置不固定的运动目标,正向各向异性扩散进一步扩展表征气体云团的低灰度值区域的面积,双向各向异性扩散对图像进行选择性扩散,在灰度值平坦区域进行正向扩散,降低图像噪声,在灰度值变化剧烈的边缘处进行反向扩散,增强背景细节。
本发明产生的有益效果是:本发明提高气体红外图像质量和突出气体云团目标,相对于以往的气体成像处理方法,具有以下优势:
(1)现有技术在增强红外图像时,即便是点状红外目标,其一般具有较高的灰度值,而气体图像的灰度值不高,与背景图像较难区分,而且气体图像是呈扩散状态,在每一帧图像里的形态和面积均不固定,因此又无法直接使用红外运动目标的检测与跟踪算法。本发明在对图像质量较低的气体红外图像进行简单预处理之后,通过物理学上描述扩散过程的各向异性扩散方程提高图像的整体质量,并突出和标示气体云团区域。
(2)现有技术在处理气体红外图像时,较少考虑气体的动态扩散特性。本发明充分利用了气体区别于静止背景的扩散特性,使用帧差和积分的方法,提取并增强气体云团的信号强度,尤其适用于气体泄露量较小、有微风存在的场景。
(3)现有技术在处理气体红外图像时,通常只注重突出气体云团,而较少考虑背景信息,有针对性的保护或增强背景细节更是少见。本发明将背景细节和气体云团区分对待,利用不同方法将二者分别进行增强处理,然后以信息融合的方式进行彩色化渲染,既突出气体云团目标,又保护甚至增强背景的边缘和细节信息。
附图说明
图1为本发明基于各向异性扩散气体红外图像增强方法的流程图;
图2为具体实施例中的分步结果流程示意图。
具体实施方式
为了进一步说明本发明的目的和优点,下面结合附图和具体实施例对本发明作进一步的说明。本发明采用两种机制的各向异性扩散、隔帧帧差和K均值聚类等方法实现了一种特定的气体红外图像增强方法。下面实施例中N=帧差步调d+累加次数n,累加次数和帧差步调由用户根据需要设定,本实施例中d设为2,n设为5。
本实施例中采用基于各向异性扩散气体红外图像增强方法对安装有窄带滤光片的中波气体成像仪拍摄的CO2气体视频进行增强处理。其具体实现过程包括图1所示的以下几个步骤:
步骤一、使用制冷型中波气体成像仪对泄漏的CO2气体成像,得到黑白的气体红外视频序列图像。在拍摄前,应保证气体成像仪视场的背景图像静止,并对气体成像仪进行非均匀性校正。拍摄气体泄漏的视频序列图像均为灰度图像。
附图2(a)是从拍摄视频序列中抽取的一帧图像,可以看出图像对比度很低,包含较大的随机颗粒噪声且气体云团不明显。
步骤二、对步骤一所获得的序列图像的当前帧和前N帧序列图像进行预处理。预处理结果如附图2(b)所示,预处理使用直方图均衡化以提高图像的对比度。
步骤三、根据当前帧数据进行两路独立的各向异性扩散处理;将步骤二的气体红外图像预处理结果的当前帧分为两路分别进行处理:
1)一路用扩散较强的正向各向异性扩散算法(附图1的步骤b),在大大降低图像噪声的同时,扩展气体云团区域,扩展结果见附图2(c)。比较附图2(b)和2(c)可以发现,附图2(c)中的气体云团区域得到了有效扩展。正向各向异性扩散算法表达式如下:
2)另一路用双向各向异性扩散算法(附图1的步骤d)对图像背景的边缘和细节进行保护甚至增强,同时也能降低噪声,处理结果见附图2(f)。双向各向异性扩散算法的表达式是将正向各向异性扩散表达式中的c(·)替换为如下形式:
其中,s表示图像梯度的绝对值,参数n和m分别选为2和4,参数kf、kb和w可以通过下式确定:
[kf,kb,ω]=[2,4,1]·MAG
步骤四、根据步骤三的第一路处理结果的当前帧和前N帧图像数据定位气体云团的坐标;首先,通过帧差的方法减去背景,同时检测出动态的气体区域。由于气体的泄漏量小,气体信号微弱,差值信号也非常弱,这时人眼不容易发现气体的存在。短时间内对连续帧的多个差值结果进行累加积分,可在增大差值信号的同时,保证气体区域的位置不发生太大改变。附图2(d)是帧差步调d=2、累加次数n=5时的处理结果。然后,用K均值聚类方法进一步区分气体云团与背景噪声;最后获得较为准确的气体云团区域,记录下气体云团在图像中的位置坐标。由于帧差与积分的结果图像相对简单,因此K均值聚类的聚类中心可随机设为3个,如此可以大大降低聚类的运算量。
K均值聚类的结果见附图2(e),可以看出气体云团已经非常清晰地突显出来,背景的微弱噪声也得到很好的滤除。
步骤五、彩色化渲染气体云团;根据步骤四所确定的气体云团位置坐标,在增强后的背景图像(附图2(f))的相应位置赋予用户所选择的颜色,使得彩色化后的气体云团在黑白红外背景图像中更为突出。本实施例中颜色选为橙色。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于各向异性扩散的气体红外图像增强方法,其特征在于,包括以下步骤:
第一步:使用中波或长波红外气体泄漏云团成像仪拍摄气体泄漏视频序列图像,获取气体红外图像序列:
第二步:将获取的当前帧和前N帧视频图像进行对比度拉伸预处理;
第三步:根据当前帧的图像数据扩展气体云团区域;
第四步:根据第三步中扩展后的当前帧和前N帧的图像数据定位气体云团坐标;
第五步:根据第二步中当前帧的图像数据增强背景图像的细节;
第六步:根据第四步确定的气体云团定位坐标与第五步中当前帧背景图像的相应位置彩色化渲染气体云团。
2.如权利要求1所述的基于各向异性扩散的气体红外图像增强方法,其特征在于,第二步中所述的对比度拉伸预处理方法采用直方图均衡或非线性对比度拉伸,保证之后的处理算法充分发挥增强作用。
3.如权利要求1所述的基于各向异性扩散的气体红外图像增强方法,其特征在于,第三步中所述的扩展气体云团区域采用正向各向异性扩散方法,扩展图像中表征较高气体浓度的低灰度值区域,并去除噪声。
4.如权利要求1或2或3所述的基于各向异性扩散的气体红外图像增强方法,其特征在于,第四步中所述定位气体云团坐标采用如下方法:首先在气体云团扩展结果的基础上,进行帧差和积分处理,帧差步调和累加次数根据视频采集现场环境的风速以及对处理效果的要求进行设定;初步提取气体云团目标,并增强运动的气体云团的信号强度;然后采用K均值聚类进一步区分气体云团与背景噪声,K均值聚类方法是根据图像像素点的灰度值大小和彼此之间的空间距离,将像素点进行区域性分割,使得灰度值差别小且距离相近的像素点聚合为同一类别;最后获得准确的气体云团区域,记录气体云团在图像中的位置坐标。
5.如权利要求1或2或3所述的基于各向异性扩散的气体红外图像增强方法,其特征在于,第五步所述背景图像增强是采用双向各向异性扩散方法对当前帧图像进行选择性扩散,在灰度值平坦区域进行正向扩散,降低图像噪声,在灰度值变化剧烈的边缘处进行反向扩散,增强背景细节。
6.如权利要求1或2或3所述的基于各向异性扩散的气体红外图像增强方法,其特征在于,第六步所述气体云团彩色化渲染方法是将原处理结果的灰度图像转为RGB颜色空间的彩色图像,然后按照已确定的气体云团坐标,在增强后的背景图像的相应位置赋予用户所选择的颜色,使得彩色化后的气体云团在黑白红外背景图像中更为突出,提高气体云团的可判读性,利于人眼快速探测到气体泄漏时形成的气体云团。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100091961A CN102609906A (zh) | 2012-01-12 | 2012-01-12 | 一种基于各向异性扩散的气体红外图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100091961A CN102609906A (zh) | 2012-01-12 | 2012-01-12 | 一种基于各向异性扩散的气体红外图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102609906A true CN102609906A (zh) | 2012-07-25 |
Family
ID=46527252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100091961A Pending CN102609906A (zh) | 2012-01-12 | 2012-01-12 | 一种基于各向异性扩散的气体红外图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102609906A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968768A (zh) * | 2012-11-26 | 2013-03-13 | 北京理工大学 | 一种气体红外图像的热调制方法 |
CN104123810A (zh) * | 2013-04-25 | 2014-10-29 | 北京格宝应用技术有限公司 | 一种气体泄漏的报警装置及方法 |
CN106780540A (zh) * | 2016-12-08 | 2017-05-31 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN107292834A (zh) * | 2017-05-24 | 2017-10-24 | 杭州天铂红外光电技术有限公司 | 红外图像细节增强方法 |
CN107290282A (zh) * | 2017-07-10 | 2017-10-24 | 中国人民解放军防化学院 | 一种基于连续点源化学云团的陆基遥测定位方法 |
CN107356948A (zh) * | 2017-07-10 | 2017-11-17 | 中国人民解放军防化学院 | 一种基于瞬时点源化学云团的陆基遥测定位方法 |
CN107532999A (zh) * | 2015-03-02 | 2018-01-02 | 前视红外***股份公司 | 基于波长带的无源红外气体成像 |
CN109667613A (zh) * | 2017-10-13 | 2019-04-23 | 中国矿业大学(北京) | 一种模拟煤矿巷道风流下灾害气体运移的实验装置 |
CN109727202A (zh) * | 2017-10-27 | 2019-05-07 | 清华大学 | 气体红外视频增强方法、装置及存储介质 |
CN109919861A (zh) * | 2019-01-29 | 2019-06-21 | 浙江数链科技有限公司 | 红外图像增强方法、装置、计算机设备和存储介质 |
CN110211078A (zh) * | 2019-05-14 | 2019-09-06 | 大连理工大学 | 基于各向异性扩散的显著度检测方法 |
CN110969581A (zh) * | 2018-09-30 | 2020-04-07 | 成都微晶景泰科技有限公司 | 无偏振片的液晶光学元件成像方法、装置、设备及介质 |
CN112145976A (zh) * | 2020-08-12 | 2020-12-29 | 海隆石油工业集团有限公司 | 基于红外气云成像的探测***、方法及应用该***的机器人 |
CN112330812A (zh) * | 2020-11-05 | 2021-02-05 | 桂林理工大学 | 一种气体扩散可视化方法及*** |
CN112766084A (zh) * | 2020-12-31 | 2021-05-07 | 安徽砺剑防务科技有限公司 | 一种有毒易爆气体远程监测的气体云团实时识别方法 |
CN113822321A (zh) * | 2021-07-12 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 生成模型训练方法和装置、噪声尺度生成方法和计算设备 |
CN115311173A (zh) * | 2022-10-09 | 2022-11-08 | 山东瑞驰至臻环境科技有限公司 | 用于气体污染识别的视觉增强方法及*** |
CN115526808A (zh) * | 2022-10-28 | 2022-12-27 | 东北林业大学 | 一种改进的各向异性扩散方程模型的低照度图像增强方法 |
CN117147631A (zh) * | 2023-10-30 | 2023-12-01 | 南京沃唐光电科技有限公司 | 一种基于区域环境分析的气体智能检测预警方法及*** |
CN118134933A (zh) * | 2024-05-08 | 2024-06-04 | 国网江苏省电力有限公司苏州供电分公司 | 用于变电设备状态感知的sf6泄漏定量检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030086091A1 (en) * | 2001-11-08 | 2003-05-08 | Michele Hinnrichs | Gas leak detector |
CN101050989A (zh) * | 2006-04-05 | 2007-10-10 | 财团法人工业技术研究院 | 过程气体泄漏源检测***与方法 |
-
2012
- 2012-01-12 CN CN2012100091961A patent/CN102609906A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030086091A1 (en) * | 2001-11-08 | 2003-05-08 | Michele Hinnrichs | Gas leak detector |
CN101050989A (zh) * | 2006-04-05 | 2007-10-10 | 财团法人工业技术研究院 | 过程气体泄漏源检测***与方法 |
Non-Patent Citations (1)
Title |
---|
LI JIAKUN等: "Gas Cloud Infrared Image Enhancement Based on Anisotropic Diffusion", 《PROC.SPIE 8024,ADVANCED ENVIRONMENTAL,CHEMICAL,AND BIOLOGICAL SENSING TECHNOLOGIES VIII,8024X》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968768A (zh) * | 2012-11-26 | 2013-03-13 | 北京理工大学 | 一种气体红外图像的热调制方法 |
CN104123810A (zh) * | 2013-04-25 | 2014-10-29 | 北京格宝应用技术有限公司 | 一种气体泄漏的报警装置及方法 |
CN107532999A (zh) * | 2015-03-02 | 2018-01-02 | 前视红外***股份公司 | 基于波长带的无源红外气体成像 |
CN106780540A (zh) * | 2016-12-08 | 2017-05-31 | 浙江科技学院 | 面向光伏发电的地基云图云层跟踪及预警方法 |
CN107292834A (zh) * | 2017-05-24 | 2017-10-24 | 杭州天铂红外光电技术有限公司 | 红外图像细节增强方法 |
CN107292834B (zh) * | 2017-05-24 | 2020-10-20 | 杭州天铂红外光电技术有限公司 | 红外图像细节增强方法 |
CN107290282B (zh) * | 2017-07-10 | 2020-07-28 | 中国人民解放军防化学院 | 一种基于连续点源化学云团的陆基遥测定位方法 |
CN107356948A (zh) * | 2017-07-10 | 2017-11-17 | 中国人民解放军防化学院 | 一种基于瞬时点源化学云团的陆基遥测定位方法 |
CN107290282A (zh) * | 2017-07-10 | 2017-10-24 | 中国人民解放军防化学院 | 一种基于连续点源化学云团的陆基遥测定位方法 |
CN109667613A (zh) * | 2017-10-13 | 2019-04-23 | 中国矿业大学(北京) | 一种模拟煤矿巷道风流下灾害气体运移的实验装置 |
CN109727202A (zh) * | 2017-10-27 | 2019-05-07 | 清华大学 | 气体红外视频增强方法、装置及存储介质 |
CN109727202B (zh) * | 2017-10-27 | 2021-03-16 | 清华大学 | 气体红外视频增强方法、装置及存储介质 |
CN110969581A (zh) * | 2018-09-30 | 2020-04-07 | 成都微晶景泰科技有限公司 | 无偏振片的液晶光学元件成像方法、装置、设备及介质 |
CN110969581B (zh) * | 2018-09-30 | 2023-10-20 | 成都微晶景泰科技有限公司 | 无偏振片的液晶光学元件成像方法、装置、设备及介质 |
CN109919861A (zh) * | 2019-01-29 | 2019-06-21 | 浙江数链科技有限公司 | 红外图像增强方法、装置、计算机设备和存储介质 |
CN110211078A (zh) * | 2019-05-14 | 2019-09-06 | 大连理工大学 | 基于各向异性扩散的显著度检测方法 |
CN112145976A (zh) * | 2020-08-12 | 2020-12-29 | 海隆石油工业集团有限公司 | 基于红外气云成像的探测***、方法及应用该***的机器人 |
CN112330812B (zh) * | 2020-11-05 | 2023-01-10 | 桂林理工大学 | 一种气体扩散可视化方法及*** |
CN112330812A (zh) * | 2020-11-05 | 2021-02-05 | 桂林理工大学 | 一种气体扩散可视化方法及*** |
CN112766084A (zh) * | 2020-12-31 | 2021-05-07 | 安徽砺剑防务科技有限公司 | 一种有毒易爆气体远程监测的气体云团实时识别方法 |
CN113822321A (zh) * | 2021-07-12 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 生成模型训练方法和装置、噪声尺度生成方法和计算设备 |
CN113822321B (zh) * | 2021-07-12 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 生成模型训练方法和装置、噪声尺度生成方法和计算设备 |
CN115311173A (zh) * | 2022-10-09 | 2022-11-08 | 山东瑞驰至臻环境科技有限公司 | 用于气体污染识别的视觉增强方法及*** |
CN115311173B (zh) * | 2022-10-09 | 2023-01-13 | 山东瑞驰至臻环境科技有限公司 | 用于气体污染识别的视觉增强方法及*** |
CN115526808A (zh) * | 2022-10-28 | 2022-12-27 | 东北林业大学 | 一种改进的各向异性扩散方程模型的低照度图像增强方法 |
CN115526808B (zh) * | 2022-10-28 | 2024-07-12 | 东北林业大学 | 一种改进的各向异性扩散方程模型的低照度图像增强方法 |
CN117147631A (zh) * | 2023-10-30 | 2023-12-01 | 南京沃唐光电科技有限公司 | 一种基于区域环境分析的气体智能检测预警方法及*** |
CN118134933A (zh) * | 2024-05-08 | 2024-06-04 | 国网江苏省电力有限公司苏州供电分公司 | 用于变电设备状态感知的sf6泄漏定量检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102609906A (zh) | 一种基于各向异性扩散的气体红外图像增强方法 | |
Abrahams et al. | Deblurring DMSP nighttime lights: A new method using Gaussian filters and frequencies of illumination | |
Wang et al. | Dehazing for images with large sky region | |
US8340354B2 (en) | Method and apparatus for object detection in an image | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN103679694B (zh) | 一种基于全景视觉的舰船小目标检测方法 | |
Kaur et al. | Comparative study of different edge detection techniques | |
Wang et al. | Clutter-adaptive infrared small target detection in infrared maritime scenarios | |
CN106296744A (zh) | 一种结合自适应模型和多阴影属性的运动目标检测方法 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
Ram et al. | Analysis of Harris corner detection for color images | |
CN104463821A (zh) | 一种红外图像与可见光图像的融合方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
CN110097524A (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN102999890A (zh) | 基于环境因素的图像光线强度动态校正方法 | |
CN103914829A (zh) | 一种含噪图像边缘检测方法 | |
CN103065133A (zh) | 雾天行人检测方法及装置 | |
CN102254306B (zh) | 一种基于图像简化分层模型的实时图像去雾方法 | |
CN104424623B (zh) | 一种自然图像去雾方法和*** | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN103150705A (zh) | 一种弱小目标图像的自适应恢复增强方法 | |
CN106295664B (zh) | 一种邮政分拣***所获取图像的处理方法 | |
Qian et al. | Robust backdoor attacks on object detection in real world | |
CN107301399B (zh) | 一种基于俯视图像的水面桥梁识别方法 | |
CN112307873A (zh) | 一种基于全卷积神经网络的违章建筑自动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120725 |