CN103679738A - 基于颜色半径邻近域像素分类的图像边缘检测方法 - Google Patents
基于颜色半径邻近域像素分类的图像边缘检测方法 Download PDFInfo
- Publication number
- CN103679738A CN103679738A CN201310737370.9A CN201310737370A CN103679738A CN 103679738 A CN103679738 A CN 103679738A CN 201310737370 A CN201310737370 A CN 201310737370A CN 103679738 A CN103679738 A CN 103679738A
- Authority
- CN
- China
- Prior art keywords
- pixel
- edge
- color
- class
- loc
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种图像边缘检测方法,尤其是一种基于颜色半径邻近域像素分类的图像边缘检测方法,属于图像处理的技术领域。按照本发明提供的技术方案,一种基于颜色半径邻近域像素分类的彩色图像边缘检测方法,所述彩色图像边缘检测方法包括如下步骤:a、使用高斯滤波器对彩色图像进行平滑处理;b、对上述平滑处理后的彩色图像,利用邻近域像素分类方法对彩色图像进行边缘处理,以得到彩色图像的边缘像素分类;c、对上述彩色图像的边缘进行细化,以获得稳定的彩色图像的边缘。本发明操作方便,提高对彩色图像边缘检测的速度,边缘检测精度高,适应性强,稳定可靠。
Description
技术领域
本发明涉及一种图像边缘检测方法,尤其是一种基于颜色半径邻近域像素分类的图像边缘检测方法,属于图像处理的技术领域。
背景技术
边缘检测是图像处理中的一项重要研究课题,在计算机视觉和模式识别领域有广泛的应用。一般来讲,传统的边缘检测方法包含三个基本步骤,首先是图像预处理或者是图像滤波,然后是图像差分和梯度计算,最后进行边缘提取。使用梯度算子作为边缘性进行度量的方法已经有了比较成熟的发展。这些边缘检测方法主要可以分为三类:
1)、使用差分近似图像函数导数算子,如Roberts算子,Laplace算子,Prewitt算子,Sobel算子,Kirsch算子等。
2)、基于图像函数二阶导数过零点的算子、如Marr-Hildreth算子,Canny算子,LoG(Laplacian of Gaussian)算子等。
3)、试图将图像函数与边缘的参数模型相匹配的算子,Haralick和Shapiro做过相关的研究。
最近的相关研究有使用Hopfield神经网络进行边缘检测的方法,王刚等提出了一种基于亚像素多重分形测度的边缘检测方法。但上述这些方法都是针对灰度图像进行边缘检测。
目前,对于彩色图像进行边缘检测主要有两种思路。一种是把彩色图像转换成灰度图像,然后使用灰度图像边缘检测器对这幅图像进行处理。这种由彩色空间到灰度空间的转换是一种多对一的映射,也就是从高维空间到低维空间的转换,所检测出的边缘准确率会降低,同时,彩色图像中较明显的边界在灰度空间中可能会丢失。另一种思路是对彩色图像的每一个颜色分量进行边缘检测,最后对各检测结果进行边缘融合。这种处理方式所得到的边缘仍然不够准确,且容易忽略对颜色分量间信息的处理。因此,寻找一种可以充分利用彩色图像信息的彩色图像边缘检测方法十分有意义。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于颜色半径邻近域像素分类的彩色图像边缘检测方法,其操作方便,提高对彩色图像边缘检测的速度,边缘检测精度高,适应性强,稳定可靠。
按照本发明提供的技术方案,一种基于颜色半径邻近域像素分类的彩色图像边缘检测方法,所述彩色图像边缘检测方法包括如下步骤:
a、使用高斯滤波器对彩色图像进行平滑处理;
b、对上述平滑处理后的彩色图像,利用邻近域像素分类方法对彩色图像进行边缘处理,以得到彩色图像的边缘像素分类;
c、对上述彩色图像的边缘进行细化,以获得稳定的彩色图像的边缘。
所述步骤a中,使用高斯滤波器对彩色图像进行平滑时,选取邻域大小为3×3,标准偏差为0.45。
所述步骤b中,利用邻近域像素分类方法对彩色图像进行边缘处理包括如下步骤:
b1、在彩色图像上选取一个邻域,所述邻域的大小为nb_height*nb_width,颜色半径为color_radius,区分噪声类像素和边缘类像素的阈值为noise_edge_t;在所述邻域内,邻域像素集合为
Set={Li},i=1,2,…,n
其中,Set为邻域像素集合,Li为邻域内的像素,n=nb_height*nb-width;邻域中心为:
邻域半径为:
b2、初始化邻域内各像素的分类标记,使得邻域内各像素的分类标记状态均为未分类,令遍历参数loc的初始值为1,遍历标记mark初始值为0;
b3、遍历邻域元素集合Set中的各像素;若loc<n+1,同时,像素Lloc没有被分类时,以像素Lloc为参考点进行分类,并转到b4;若像素Lloc已被分类,则对遍历标记mark进行累加1,直至mark=n停止对所述选取邻域像素集合Set的遍历,并跳转到步骤b7;若L1~Ln都已被遍历,即loc>n时,跳转到步骤b5;
b4、以像素Lloc为参考点进行分类,遍历Set中各像素,若有像素Lk尚未被分类,k取1~n,计算像素Lloc与像素Lk的欧式距离,若|LlocLk|≤color_radius,那么像素Lk属于像素Lloc的类,像素Lloc的类中像素个数加1,最后得到以像素Lloc为参考点的分类Sloc中像素的个数,记为|Sloc|,对遍历参数loc累加1,转到步骤b3;
b5、完成一次分类遍历之后,得到一组数据{|Si|},i=1,2,…,m,m为一次遍历中参考点的个数,取max{|Si|}所对应的类Smax为该次遍历所划分出的类,若|Smax|≤noise_edge_t,那么标记该类中像素为噪声,否则把该类中的像素标记为已分类,之后转到b6;
b6、初始化遍历参数loc,令遍历参数loc=1,转到步骤b3继续遍历,直到所有的像素都被标记为已分类;
b7、对邻域元素集合Set分类后,记分类结果为:
Clf_Result={S1,S2,...,Sq}
若|Clf_Result|=1,即q=1,那么该类为1个区域,不包含边缘像素,跳转到步骤b9;否则,若q≥2,则进行如下处理:
分别计算各个分类Sv,v=1,2,…,q的类中心Cv,若记Sv={L1,L2,…,Lp},那么:
计算距离Dj和邻域半径R的差的绝对值:
dv=|Dv-R|
因此,得到一组距离数据:
d={d1,d2,...,dq}
若dj=max{d},那么第j个分类Sj中的元素包含了边缘像素;
b8、对包含了边缘像素的类Sj={Lj1,Lj2,…,Ljh}中的像素进行筛选;取分类Sw={Lw1,Lw2,…,Lwk},满足dw=min{d},边缘像素Ljx,x=1,2,…,h需要满足下面两个条件:
i、Ljx∈Sj,且Ljx的8邻域内有像素Lwy∈SW,y=1,2,…k;
ii、边缘像素Ljx在某一方向上有边缘像素,记为像素L1、像素L2,在与该方向垂直的方向上有跳变像素,记为像素N1、像素N2,则有
||L-L1||≤color_radius;
||L-L2||≤color_radius;
||L-N1||>color_radius;
||L-N2||>color_radius;
对包含了边缘像素的类Sj经过筛选后得到边缘像素类Sedge={Le1,Le2,…,Let},所述边缘像素类Sedge为类Sj的子集;
b9、在彩色图像上选取下一邻域,并重复上述步骤,直至将整个彩色图像全部被选取检测,根据边缘像素类Sedge完成对彩色图像的边缘检测。
本发明的优点:从彩色图像所处的颜色空间着手,直接使用彩色信息,在小邻域内进行图像像素分类,根据边缘像素的分类特点,直接划分出边缘像素类。最后使用边缘像素约束条件对边缘像素进行筛选并得到理想的图像边缘。该种彩色图像边缘检测方法计算复杂度低,可以达到精确、快速的要求,并且有较强的鲁棒性。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
为了能够有效地检测彩色图像的边缘,本发明彩色图像边缘检测方法包括如下步骤:
a、使用高斯滤波器对彩色图像进行平滑处理;
本发明实施例中,通过高斯滤波器对彩色图像进行平滑处理,以初步去除彩色图像的噪声,使用高斯滤波器对彩色图像进行平滑时,选取邻域大小为3×3,标准偏差为0.45。
b、对上述平滑处理后的彩色图像,利用邻近域像素分类方法对彩色图像进行边缘处理,以得到彩色图像的边缘像素分类;
对于dim维颜色空间(如RGB彩色图像dim=3),定义颜色半径Color_Radius,若在该颜色空间中以点C(C1,C2,...,Cdim)为参考点定义颜色,那么对于任意属于“颜色C”的点P(P1,P2,...,Pdim),满足||C-P||≤color_radius(||C-P||为两点间的欧式距离),这样性质的点P的集合构成了“颜色C”。其中:
对于一个nb_height*nb_width的邻域,若某个像素是边缘像素,那么它对该邻域的“聚敛度贡献”最小,也就是使用颜色半径Color_Radius对该邻域内的像素进行颜色分类,边缘像素属于某个分类,该分类的中心到邻域中心的距离和邻域半径的差值的绝对值最大。
因此,利用邻近域像素分类方法对彩色图像进行边缘处理包括如下步骤:
b1、在彩色图像上选取一个邻域,所述邻域的大小为nb_height*nb_width,颜色半径为color_radius,区分噪声类像素和边缘类像素的阈值为noise_edge_t;在所述邻域内,邻域像素集合为
Set={Li},i=1,2,…,n
其中,Set为邻域像素集合,Li为邻域内的像素,n=nb_height*nb_width;邻域中心为:
邻域半径为:
本发明实施例中,颜色半径color_radius、区分噪声类像素和边缘类像素的阈值noise_edge_t的大小可以根据需要以及具体的彩色图像大小进行选定,一般地,颜色半径color_radius可选定为20,区分噪声类像素和边缘类像素的阈值noise_edge_t可选定为1或2。
b2、初始化邻域内各像素的分类标记,使得邻域内各像素的分类标记状态均为未分类,令遍历参数loc的初始值为1,遍历标记mark初始值为0;
b3、遍历邻域元素集合Set中的各像素;若loc<n+1,同时,像素Lloc没有被分类时,以像素Lloc为参考点进行分类,并转到b4;若像素Lloc已被分类,则对遍历标记mark进行累加1,直至mark=n停止对所述选取邻域像素集合Set的遍历,并跳转到步骤b7;若L1~Ln都已被遍历,即loc>n时,跳转到步骤b5;
b4、以像素Lloc为参考点进行分类,遍历Set中各像素,若有像素Lk尚未被分类,k取1~n,计算像素Lloc与像素Lk的欧式距离,若||Lloc-Lk||≤color_radius,那么像素Lk属于像素Lloc的类,像素Lloc的类中像素个数加1,最后得到以像素Lloc为参考点的分类Sloc中像素的个数,记为|Sloc|,对遍历参数loc累加1,转到步骤b3;
b5、完成一次分类遍历之后,得到一组数据{|Si|},i=1,2,…,m,m为一次遍历中参考点的个数,取max{|Si|}所对应的类Smax为该次遍历所划分出的类,若|Smax|≤noise_edge_t,那么标记该类中像素为噪声,否则把该类中的像素标记为已分类,之后转到b6;本步骤中,当|Smax|≤noise_edge_t,那么类Smax中的像素标记为噪声,否则,将类Smax中的像素标记为已分类。
b6、初始化遍历参数loc,令遍历参数loc=1,转到步骤b3继续遍历,直到所有的像素都被标记为已分类;通过步骤b6,能够确定选定的邻域中所有的像素均能够被标记分类,以便于后续的分类处理以及筛选的操作。
b7、对邻域元素集合Set分类后,记分类结果为:
Clf_Result={S1,S2,...,Sq}
若|Clf_Result|=1,即q=1,那么该类为1个区域,不包含边缘像素,跳转到步骤b9;否则,若q≥2,则进行如下处理:
分别计算各个分类Sv,v=1,2,…,q的类中心Cv,若记Sv={L1,L2,…,Lp},此处,类Sv中包含p个像素,p的取值为2到n,那么:
计算距离Dj和邻域半径R的差的绝对值:
dv=|Dv-R|
因此,得到一组距离数据:
d={d1,d2,...,dq}
若dj=max{d},那么第j个分类Sj中的元素包含了边缘像素;
本发明实施例中,通过对分类结果Clf_Result内的类进行计算,能够得到一组距离数据。
b8、对包含了边缘像素的类Sj={Lj1,Lj2,…,Ljh}中的像素进行筛选;取分类Sw={Lw1,Lw2,…,Lwk},满足dw=min{d},边缘像素Ljx,x=1,2,…,h需要满足下面两个条件:
i、Ljx∈Sj,且Ljx的8邻域内有像素Lwy∈SW,y=1,2,…k;
ii、边缘像素Ljx在某一方向上有边缘像素,记为像素L1、像素L2,在与该方向垂直的方向上有跳变像素,记为像素N1、像素N2,则有
||L-L1||≤color_radius;
||L-L2||≤color_radius;
||L-N1||>color_radius;
||L-N2||>color_radius;
对包含了边缘像素的类Sj经过筛选后得到边缘像素类Sedge={Le1,Le2,…,Let},所述边缘像素类Sedge为类Sj的子集;
b9、在彩色图像上选取下一邻域,并重复上述步骤,直至将整个彩色图像全部被选取检测,根据边缘像素类Sedge完成对彩色图像的边缘检测。
c、对上述彩色图像的边缘进行细化,以获得稳定的彩色图像的边缘。
本发明实施例中,通过对边缘检测后的彩色图像进行细化,以得到稳定的边缘,其中的细化方法可以参照文献“Lam,L.,Seong-Whan Lee,and Ching Y.Suen,"Thinning Methodologies-A Comprehensive Survey,"IEEE Transactions onPattern Analysis and Machine Intelligence,Vol14,No.9,September1992,page879”中的说明。
本发明基于颜色半径邻近域像素分类的彩色图像边缘检测方法,算法简单,易于实现。且相对Canny边缘检测算子,对添加了椒盐噪声的彩色图像进行边缘检测有优势。
本发明从彩色图像所处的颜色空间着手,直接使用彩色图像信息,在小邻域内进行图像像素分类,根据边缘像素的分类特点,直接划分出边缘像素类。最后使用边缘像素约束条件对边缘像素进行筛选并得到理想的图像边缘。该种彩色图像边缘检测方法计算复杂度低,可以达到精确、快速的要求,并且有较强的鲁棒性。
Claims (3)
1.一种基于颜色半径邻近域像素分类的彩色图像边缘检测方法,其特征是,所述彩色图像边缘检测方法包括如下步骤:
(a)、使用高斯滤波器对彩色图像进行平滑处理;
(b)、对上述平滑处理后的彩色图像,利用邻近域像素分类方法对彩色图像进行边缘处理,以得到彩色图像的边缘像素分类;
(c)、对上述彩色图像的边缘进行细化,以获得稳定的彩色图像的边缘。
2.根据权利要求1所述的基于颜色半径邻近域像素分类的彩色图像边缘检测方法,其特征是,所述步骤(a)中,使用高斯滤波器对彩色图像进行平滑时,选取邻域大小为3×3,标准偏差为0.45。
3.根据权利要求1所述的基于颜色半径邻近域像素分类的彩色图像边缘检测方法,其特征是,所述步骤(b)中,利用邻近域像素分类方法对彩色图像进行边缘处理包括如下步骤:
(b1)、在彩色图像上选取一个邻域,所述邻域的大小为nb_height*nb_width,颜色半径为color_radius,区分噪声类像素和边缘类像素的阈值为noise_edge_t;在所述邻域内,邻域像素集合为
Set={Li},i=1,2,…,n
其中,Set为邻域像素集合,Li为邻域内的像素,n=nb_height*nb_width;邻域中心为:
邻域半径为:
(b2)、初始化邻域内各像素的分类标记,使得邻域内各像素的分类标记状态均为未分类,令遍历参数loc的初始值为1,遍历标记mark初始值为0;
(b3)、遍历邻域元素集合Set中的各像素;若loc<n+1,同时,像素Lloc没有被分类时,以像素Lloc为参考点进行分类,并转到(b4);若像素Lloc已被分类,则对遍历标记mark进行累加1,直至mark=n停止对所述选取邻域像素集合Set的遍历,并跳转到步骤(b7);若L1~Ln都已被遍历,即loc>n时,跳转到步骤(b5);
(b4)、以像素Lloc为参考点进行分类,遍历Set中各像素,若有像素Lk尚未被分类,k取1~n,计算像素Lloc与像素Lk的欧式距离,若||Lloc-Lk||≤color_radius,那么像素Lk属于像素Lloc的类,像素Lloc的类中像素个数加1,最后得到以像素Lloc为参考点的分类Sloc中像素的个数,记为|Sloc|,对遍历参数loc累加1,转到步骤(b3);
(b5)、完成一次分类遍历之后,得到一组数据{|Si|},i=1,2,…,m,m为一次遍历中参考点的个数,取max{|Si|}所对应的类Smax为该次遍历所划分出的类,若|Smax|≤noise_edge_t,那么标记该类中像素为噪声,否则把该类中的像素标记为已分类,之后转到(b6);
(b6)、初始化遍历参数loc,令遍历参数loc=1,转到步骤(b3)继续遍历,直到所有的像素都被标记为已分类;
(b7)、对邻域元素集合Set分类后,记分类结果为:
Clf_Result={S1,S2,...,Sq}
若|Clf_Result|=1,即q=1,那么该类为1个区域,不包含边缘像素,跳转到步骤(b9);否则,若q≥2,则进行如下处理:
分别计算各个分类Sv,v=1,2,…,q的类中心Cv,若记Sv={L1,L2,…,Lp},那么:
计算距离Dj和邻域半径R的差的绝对值:
dv=|Dv-R|
因此,得到一组距离数据:
d={d1,d2,...,dq}
若dj=max{d},那么第j个分类Sj中的元素包含了边缘像素;
(b8)、对包含了边缘像素的类Sj={Lj1,Lj2,…,Ljh}中的像素进行筛选;取分类Sw={Lw1,Lw2,…,Lwk},满足dw=min{d},边缘像素Ljx,x=1,2,…,h需要满足下面两个条件:
(i)、Ljx∈Sj,且Ljx的8邻域内有像素Lwy∈SW,y=1,2,…k;
(ii)、边缘像素Ljx在某一方向上有边缘像素,记为像素L1、像素L2,在与该方向垂直的方向上有跳变像素,记为像素N1、像素N2,则有
||L-L1||≤color_radius;
||L-L2||≤color_radius;
||L-N1||>color_radius;
||L-N2||>color_radius;
对包含了边缘像素的类Sj经过筛选后得到边缘像素类Sedge={Le1,Le2,…,Let},所述边缘像素类Sedge为类Sj的子集;
(b9)、在彩色图像上选取下一邻域,并重复上述步骤,直至将整个彩色图像全部被选取检测,根据边缘像素类Sedge完成对彩色图像的边缘检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310737370.9A CN103679738B (zh) | 2013-12-27 | 2013-12-27 | 基于颜色半径邻近域像素分类的图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310737370.9A CN103679738B (zh) | 2013-12-27 | 2013-12-27 | 基于颜色半径邻近域像素分类的图像边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103679738A true CN103679738A (zh) | 2014-03-26 |
CN103679738B CN103679738B (zh) | 2016-08-17 |
Family
ID=50317189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310737370.9A Expired - Fee Related CN103679738B (zh) | 2013-12-27 | 2013-12-27 | 基于颜色半径邻近域像素分类的图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103679738B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780531A (zh) * | 2016-12-22 | 2017-05-31 | 河海大学 | 一种基于色块点特征的图像边缘提取方法 |
CN110647866A (zh) * | 2019-10-08 | 2020-01-03 | 杭州当虹科技股份有限公司 | 一种检测文字笔画的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246593A (zh) * | 2008-03-27 | 2008-08-20 | 北京中星微电子有限公司 | 一种彩色图像边缘检测方法及设备 |
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及*** |
CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
-
2013
- 2013-12-27 CN CN201310737370.9A patent/CN103679738B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246593A (zh) * | 2008-03-27 | 2008-08-20 | 北京中星微电子有限公司 | 一种彩色图像边缘检测方法及设备 |
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及*** |
CN102999916A (zh) * | 2012-12-12 | 2013-03-27 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
Non-Patent Citations (2)
Title |
---|
RAMAKANT NEVATIA: "A Color Edge Detector and Its Use in Scene Segmentation", 《IEEE TRANSACTION ON SYSTEMS MAN AND CYBERNETICS》 * |
杨方方: "彩色图像分割技术的研究_图像边缘检测技术的研究应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780531A (zh) * | 2016-12-22 | 2017-05-31 | 河海大学 | 一种基于色块点特征的图像边缘提取方法 |
CN106780531B (zh) * | 2016-12-22 | 2019-10-15 | 河海大学 | 一种基于色块点特征的图像边缘提取方法 |
CN110647866A (zh) * | 2019-10-08 | 2020-01-03 | 杭州当虹科技股份有限公司 | 一种检测文字笔画的方法 |
CN110647866B (zh) * | 2019-10-08 | 2022-03-25 | 杭州当虹科技股份有限公司 | 一种检测文字笔画的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103679738B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN102779267B (zh) | 检测图像中特定对象区域的方法和设备 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测*** | |
CN105488492B (zh) | 一种彩色图像预处理方法、道路识别方法及相关装置 | |
Phung et al. | Pedestrian lane detection in unstructured scenes for assistive navigation | |
Danescu et al. | Detection and classification of painted road objects for intersection assistance applications | |
CN105261017A (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN102375982A (zh) | 一种融合多字符特征的车牌定位方法 | |
CN107392139A (zh) | 一种基于霍夫变换的车道线检测方法及终端设备 | |
CN106446952A (zh) | 一种乐谱图像识别方法及装置 | |
CN105608429B (zh) | 基于差分激励的鲁棒车道线检测方法 | |
CN107633491A (zh) | 一种基于目标检测的区域图像增强方法及存储介质 | |
CN103116757B (zh) | 一种三维信息复原提取的道路遗洒物识别方法 | |
CN104700072A (zh) | 基于车道线历史帧的识别方法 | |
CN104835175A (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN106971155A (zh) | 一种基于高度信息的无人车车道场景分割方法 | |
CN106709518A (zh) | 基于Android平台的盲道识别*** | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
CN103996030A (zh) | 一种车道线检测方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |
Granted publication date: 20160817 Termination date: 20211227 |
|
CF01 | Termination of patent right due to non-payment of annual fee |