CN106204531B - 一种同步检测彩色图像中噪点与边缘点的方法 - Google Patents

一种同步检测彩色图像中噪点与边缘点的方法 Download PDF

Info

Publication number
CN106204531B
CN106204531B CN201610485291.7A CN201610485291A CN106204531B CN 106204531 B CN106204531 B CN 106204531B CN 201610485291 A CN201610485291 A CN 201610485291A CN 106204531 B CN106204531 B CN 106204531B
Authority
CN
China
Prior art keywords
noise
point
pixel
marginal point
detected
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.)
Active
Application number
CN201610485291.7A
Other languages
English (en)
Other versions
CN106204531A (zh
Inventor
贾晓芬
郭永存
赵佰亭
黄友锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201610485291.7A priority Critical patent/CN106204531B/zh
Publication of CN106204531A publication Critical patent/CN106204531A/zh
Application granted granted Critical
Publication of CN106204531B publication Critical patent/CN106204531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种同步检测彩色图像中噪点与边缘点的方法，属于图像处理技术领域，具体按照以下步骤进行，初筛：针对一幅彩色图像，确定待检测像素点的像素值是否为相邻区域内的极值点，如果待检测像素点的像素值为相邻区域内的极值点，则待检测像素点为噪点或边缘点；否则，待检测像素点为平滑点；判定：确定初筛中初选噪点或者边缘点的像素值是否为四周3×3相邻区内的极值点，如果初选噪点或者边缘点的像素值是四周3×3相邻区内的极值点，则待检测像素点为噪点，否则，待检测像素点为边缘点。本发明能准确检测出噪点，并将噪点与图像中的边缘点有效区分开。

Description

一种同步检测彩色图像中噪点与边缘点的方法
技术领域
本发明属于图像处理技术领域，涉及一种同步检测彩色图像中噪点与边缘点的方法，尤其涉及一种利用斯皮尔曼等级相关系数实现对彩色图像中的噪点和边缘点的同步检测方法。
背景技术
图像在采集获取或者传输过程中，受图像传感器的工作环境或传感器本身结构的影响，会引入各种噪声。
图像去噪是图像处理中关键的预处理环节，是人类正确识别图像信息的必要保证，它不仅能为图像的后续处理提供更多有用的、准确的信息，还能有效促进其它图像处理问题的解决。图像噪声会引起伪边缘，影响去马赛克、图像增强、图像分割等图像处理环节的效果。但是，要达到有效去噪的目的，就必须准确检测出噪点，将噪点与图像中的边缘点有效区分开。
边缘含有丰富的信息，是指图象中灰度发生急剧变化的区域。边缘检测的目的是识别出图像中亮度变化明显的点，通过检测每个像素和其邻域的状态，决定该像素是否位于物体的边界上。如果位于边界上，该像素与其邻域像素的像素值相差就比较大。边缘检测对图像分割、特征提取等都具有重要意义。
发明内容
为实现上述目的，本发明提供一种同步检测彩色图像中噪点与边缘点的方法，能准确检测出噪点，并将噪点与图像中的边缘点有效区分开，对有效去噪点、图像分割、特征提取等具有重要意义。
本发明所采用的技术方案是，一种同步检测彩色图像中噪点与边缘点的方法，具体按照以下步骤进行：
步骤一，初筛：针对一幅大小为M×N×3的彩色图像I，确定待检测像素点I(i,j)的像素值是否为相邻区域内的极值点，如果待检测像素点I(i,j)的像素值为相邻区域内的极值点，则待检测像素点I(i,j)为噪点或边缘点；否则，待检测像素点I(i,j)为平滑点；
步骤二，判定：确定步骤一中初选噪点或者边缘点I(x,y)的像素值是否为四周3×3相邻区内的极值点，如果初选噪点或者边缘点I(x,y)的像素值是四周3×3相邻区内的极值点，则待检测像素点I(i,j)为噪点，否则，待检测像素点I(i,j)为边缘点。
本发明的特征还在于，进一步的，步骤一中，确定待检测像素点I(i,j)的像素值是否为相邻区域内的极值点的方法，具体按照以下步骤进行：设I(i,j)的右侧相邻像素点为(i，j+1)，其中1≤i≤M，1≤j≤N-1，利用式(2)构造出向量X和Y，
X＝[I(i,j,1)，I(i,j,2)，I(i,j,3)，I(i,j,2)-I(i,j,1)，I(i,j,2)-I(i,j,3)]
Y＝[I(i,j+1,1)，I(i,j+1,2)，I(i,j+1,3)，I(i,j+1,2)-I(i,j+1,1)，I(i,j+1,2)-I(i,j+1,3)] (2)
向量X和Y中均含5个元素，分别是该点的红、绿、蓝三原色和绿与红的差值、绿与蓝的差值，对X、Y同时进行升或降排序，分别得到两个对元素进行排序后的新集合x、y，其中元素xi为Xi在X中的排序，yi为Yi在Y中的排序，其中di＝xi-yi，n取值为5，利用式(3)计算斯皮尔曼等级相关系数ρij；
如果│ρij│≤T1，则I(i,j)是极值点，即I(i,j)是噪点或边缘点，记为I(x,y)；如果│ρij│>T1，则I(i,j)是平滑点，其中T1为第一设定阈值。
进一步的，T1为0-1之间，0说明没有任何相关性。
进一步的，步骤二中，确定步骤一中初选噪点或者边缘点I(x,y)的像素值是否为四周3×3相邻区内的极值点的方法，具体按照以下步骤进行：以初选噪点或者边缘点I(x,y)为中心点，I(x,y)的四周3×3相邻区的8个像素点分别为：I(x-1,y-1)，I(x-1,y)，I(x-1,y+1)，I(x,y-1)，I(x,y+1)，I(x+1,y-1)，I(x+1,y)，I(x+1,y+1)，其中2≤x≤M-1，2≤y≤N-1；按照步骤一的方法分别构造出向量X和Y，分别计算出初选噪点或者边缘点I(x,y)与其四周3×3相邻区的8个像素点之间的斯皮尔曼等级相关系数，记为ρ1～ρ8；如果ρ1～ρ8的绝对值均小于等于第二设定阈值T2，则初选点I(x,y)是噪声点；如果ρ1～ρ8的绝对值中至少有一个大于第二设定阈值T2，则初选点I(x,y)是边缘点。
进一步的，第二设定阈值T2为0-1之间，其中，0≤T2≤T1≤1。
本发明的有益效果是，利用斯皮尔曼等级相关系数评估相邻像素之间的相关性，在初筛出极值点的基础上再次判定，实现了同时检测彩色图像中的噪点和边缘点，噪点检测的准确率达到了98.62％，并且在没有加噪点的区域没有任何误判。噪点检测是图像处理中非常重要的环节，是保证人类正确识别图像信息的方式。将边缘点和噪点区分开来，可避免将边缘点按照噪点处理，有效防止伪彩色、锯齿效应的出现；本发明对高质量彩色图像的获取有一定的意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明的检测流程图；
图2是本发明中初选点的四周3×3相邻区像素点的位置选择示意图；
图3是初选点与其四周3×3相邻区像素点之间的斯皮尔曼等级相关系数代表的像素点位置示意图；
图4a是标准图像中随机加入椒盐噪声；
图4b是标准图像中随机加入椒盐噪声的边缘点和噪点的检测结果；
图4c是标准图像中人为加入噪点；
图4d是标准图像中人为加入噪点的边缘点和噪点的检测结果。
图中，1.红色置零方阵，2.蓝色置零方阵，3.绿色置零方阵。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
斯皮尔曼等级相关系数：
统计学中，斯皮尔曼等级相关系数用来估计两个变量X、Y之间的相关性。
斯皮尔曼等级相关系数对数据条件的要求没有皮尔逊相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关系数来进行研究。
假设两个变量分别为X、Y，其元素个数均为n，两个变量取的第i个值分别表示为Xi、Yi。对X、Y同时进行升或降排序，分别得到两个对元素进行排序后的新集合x、y，其中元素xi为Xi在X中的排序，yi为Yi在Y中的排序。将集合x、y中的元素对应相减得到一个排行差分集合d，里面包含n个分量，每个分量用di表示，其中di＝xi-yi，1≤i≤n。
则随机变量X、Y之间的斯皮尔曼等级相关系数ρ的计算公式为式(1)：
图像具有很强的相关性，尤其是彩色图像，除了像素之间具有相关性外，红、绿、蓝两两通道之间也具有相关性。对于一幅彩色图像，可以利用一个变量(一维向量)表示图像中的任意一个像素点，如果变量的元素由该像素点的红、绿、蓝三原色的像素值，或其它能代表该像素点信息的成分构成，那么两相邻像素对应的变量之间的斯皮尔曼等级相关系数的大小就能反映出此相邻像素之间的相关性。因此，可以利用斯皮尔曼等级相关系数判断图像中两两像素之间的相关性，进而确定出图像中所含的噪点及边缘点。
图像像素之间的相关性，即空间相关性体现在其邻域内的各像素间的像素值相差不大，如果某一个像素的像素值比邻域内其它像素的像素值均大或者小很多，它是噪点的可能性就比较大。噪点一定是邻域内的极值点(最大值或者最小值点)，但是，极值点不一定是噪点，也可能是边缘点，此为噪点检测与边缘检测的依据。
根据上述分析，无论是噪点还是边缘点，一定是图像邻域内的极值点，既然是极值点，它与邻域内相邻像素之间具有较小的相关性，且具有较小的斯皮尔曼等级相关系数。换言之，若某一像素点与相邻像素之间的斯皮尔曼等级相关系数越小，它是极值点的可能性就越大。
针对一幅彩色图像，要利用斯皮尔曼等级相关系数准确检测噪点、确定边缘，就必须充分利用图像的相关性。为了有效利用像素之间的空间相关性，利用相邻像素的像素值来构造两个变量X和Y，则两变量之间的斯皮尔曼等级相关系数的大小恰好能反映出两像素之间的相关性的大小。在构造变量X和Y时利用两两通道间的色彩相关性，引入色差恒定理论：邻域内，两通道对应点的像素值的差值相差不大。因此，构造变量X和Y时，可将对应点的像素差值作为其元素。
本发明的检测方法，如图1所示，具体按照以下步骤进行：
步骤一，初筛：针对一幅大小为M×N×3(其中M为行、N为列)的彩色图像I，设I(i,j)是要检测的像素点，I(i,j)的右侧相邻像素点为I(i,j+1)，其中1≤i≤M，1≤j≤N-1，利用式(2)构造出向量X和Y，
X＝[I(i,j,1)，I(i,j,2)，I(i,j,3)，I(i,j,2)-I(i,j,1)，I(i,j,2)-I(i,j,3)]
Y＝[I(i,j+1,1)，I(i,j+1,2)，I(i,j+1,3)，I(i,j+1,2)-I(i,j+1,1)，I(i,j+1,2)-I(i,j+1,3)] (2)
向量X和Y中均含5个元素，分别是该点的红、绿、蓝三原色和绿与红的差值、绿与蓝的差值，对X、Y同时进行升或降排序，分别得到两个对元素进行排序后的新集合x、y，其中元素xi为Xi在X中的排序，yi为Yi在Y中的排序，其中di＝xi-yi，n取值为5，利用式(3)计算彩色图像I中每个点和相邻点的斯皮尔曼等级相关系数ρij，要逐一判断每个点是否是极值点；
如果│ρij│≤T1，则I(i,j)是极值点，但它可能是噪点也可能是边缘点，记为I(x,y)；如果│ρij│大于T1，则I(i,j)是平滑点；其中T1为第一设定阈值，T1为0-1之间，0说明没有任何相关性。
步骤二，判定：以初选噪点或者边缘点I(x,y)为中心点，如图2所示，在3×3窗口内I(x,y)的四周3×3相邻区的8个像素点分别为：I(x-1,y-1)，I(x-1,y)，I(x-1,y+1)，I(x,y-1)，I(x,y+1)，I(x+1,y-1)，I(x+1,y)，I(x+1,y+1)，其中2≤x≤M-1，2≤y≤N-1；按照步骤一中初选推理的方法，分别构造出向量X和Y，分别计算出初选点I(x,y)与其四周3×3相邻区的8个像素点之间的斯皮尔曼等级相关系数，记为ρ1～ρ8，ρ1～ρ8的对应位置如图3所示；如果│ρm│≤T2，m＝1,2,3,…,8；即8个斯皮尔曼等级相关系数的绝对值均小于等于第二设定阈值T2，说明初选点I(x,y)与其四周相邻的像素点之间均无相关性，则初选点I(x,y)是噪声点；如果ρ1～ρ8中至少有一个斯皮尔曼等级相关系数的绝对值大于第二设定阈值T2，则初选点I(x,y)是边缘点；其中，T2为0-1之间，且0≤T2≤T1≤1。
如果ρ1～ρ8中只有一个斯皮尔曼等级相关系数的绝对值大于第二设定阈值T2，则边缘点I(x,y)的边缘方向为图2的中心点I(x,y)与大于第二设定阈值的斯皮尔曼等级相关系数所在位置的连线方向。
利用MatlabR2009b在3.25G内存，2.7GHz的Pentium(R)双核CPU中进行。采用分辨率为768×512的标准柯达彩色图像进行测试，先在标准柯达彩色图像中加入椒盐噪声，再利用本发明的检测方法同时检测图像的边缘和加入的噪点，因为加入椒盐噪声时噪点的位置是随机的，并且噪点的颜色和周围临近点的颜色有可能很接近，难于分辨，这样就导致无法准确衡量本发明的检测方法对噪点检测的准确率。因此，为了证明本发明检测方法的有效性，采用两种方式加入噪点：一是利用imnoise函数在标准柯达图像中随机加入椒盐噪声；二是人为将某些像素点的三原色中的红色、绿色或蓝色置零。
仿真验证：
如图4a所示，在分辨率为768×512的标准图像中利用imnoise函数随机加入椒盐噪声，噪声浓度取0.0005，采用本发明的检测方法，第一设定阈值T1＝0.9，第二设定阈值T2＝0.625，检测结果如图4a所示，表明能准确检测出此类噪点。
如图4c所示，在分辨率为768×512的标准图像中人为加入噪点，人为加入的噪点分别为红色置零方阵1、蓝色置零方阵2、绿色置零方阵3，红色置零方阵1、蓝色置零方阵2和绿色置零方阵3均为11×11的方阵，标准图像中蓝色置零方阵2对应的噪点难以辨认，需将标准图像放大到400倍左右方可分辨；采用本发明的检测方法，第一设定阈值T1＝0.9，第二设定阈值T2＝0.625，检测结果如图4b所示，蓝色置零方阵2对应的噪点在图4b中全部被检测出，绿色置零方阵3对应的噪点也全部被检测出，噪点检测率为100％，红色置零方阵1的121个噪点中有5个噪点没有被检测出来，即红色置零方阵1对应的噪点检测率没有达到100％，综合三个方阵中加入的363个噪点，噪点检测的准确率达到了98.62％；并且在没有加噪点的区域没有任何误判，因此阈值设置分别为T1＝0.9，T2＝0.625，是合理的；如果改变阈值会稍有变化，比如若将加入的噪点全面准确检出，但有可能出现将边缘点误判为噪点的可能性。T1取0.9、T2取0.625只是在仿真实验中对应于图4a-4d结果的取值，如果T1、T2取不同值会有不同结果。
仿真验证结果表明本发明的检测方法能够同时实现对彩色图像的边缘和噪点的准确检测。
以上所述仅为本发明的较佳实施例而已，并非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作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (4)

1.一种同步检测彩色图像中噪点与边缘点的方法，其特征在于，具体按照以下步骤进行：
步骤一，初筛：针对一幅大小为M×N×3的彩色图像I，其中M为行、N为列，确定待检测像素点I(i,j)的像素值是否为相邻区域内的极值点，如果待检测像素点I(i,j)的像素值为相邻区域内的极值点，则待检测像素点I(i,j)为噪点或边缘点；否则，待检测像素点I(i,j)为平滑点；
步骤二，判定：确定步骤一中初选噪点或者边缘点I(x,y)的像素值是否为四周3×3相邻区内的极值点，如果初选噪点或者边缘点I(x,y)的像素值是四周3×3相邻区内的极值点，则待检测像素点I(i,j)为噪点，否则，待检测像素点I(i,j)为边缘点；
所述步骤一中，确定待检测像素点I(i,j)的像素值是否为相邻区域内的极值点的方法，具体按照以下步骤进行：设I(i,j)的右侧相邻像素点为(i，j+1)，其中1≤i≤M，1≤j≤N-1，利用式(2)构造出向量X和Y，
X＝[I(i,j,1)，I(i,j,2)，I(i,j,3)，I(i,j,2)-I(i,j,1)，I(i,j,2)-I(i,j,3)]
Y＝[I(i,j+1,1)，I(i,j+1,2)，I(i,j+1,3)，I(i,j+1,2)-I(i,j+1,1)，I(i,j+1,2)-I(i,j+1,3)] (2)
向量X和Y中均含5个元素，分别是该点的红、绿、蓝三原色和绿与红的差值、绿与蓝的差值，对X、Y同时进行升或降排序，分别得到两个对元素进行排序后的新集合x、y，其中元素xi为Xi在X中的排序，yi为Yi在Y中的排序，其中di＝xi-yi，n取值为5，利用式(3)计算斯皮尔曼等级相关系数ρij；
如果│ρij│≤T1，则I(i,j)是极值点，即I(i,j)是噪点或边缘点，记为I(x,y)；如果│ρij│>T1，则I(i,j)是平滑点，其中T1为第一设定阈值。
2.根据权利要求1所述的一种同步检测彩色图像中噪点与边缘点的方法，其特征在于，所述T1为0-1之间，0说明没有任何相关性。
3.根据权利要求1所述的一种同步检测彩色图像中噪点与边缘点的方法，其特征在于，所述步骤二中，确定步骤一中初选噪点或者边缘点I(x,y)的像素值是否为四周3×3相邻区内的极值点的方法，具体按照以下步骤进行：以初选噪点或者边缘点I(x,y)为中心点，I(x,y)的四周3×3相邻区的8个像素点分别为：I(x-1,y-1)，I(x-1,y)，I(x-1,y+1)，I(x,y-1)，I(x,y+1)，I(x+1,y-1)，I(x+1,y)，I(x+1,y+1)，其中2≤x≤M-1，2≤y≤N-1；按照步骤一的方法分别构造出向量X和Y，分别计算出初选噪点或者边缘点I(x,y)与其四周3×3相邻区的8个像素点之间的斯皮尔曼等级相关系数，记为ρ1～ρ8；如果ρ1～ρ8的绝对值均小于等于第二设定阈值T2，则初选点I(x,y)是噪声点；如果ρ1～ρ8的绝对值中至少有一个大于第二设定阈值T2，则初选点I(x,y)是边缘点。
4.根据权利要求3所述的一种同步检测彩色图像中噪点与边缘点的方法，其特征在于，所述第二设定阈值T2为0-1之间，其中，0≤T2≤T1≤1。
CN201610485291.7A 2016-06-24 2016-06-24 一种同步检测彩色图像中噪点与边缘点的方法 Active CN106204531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610485291.7A CN106204531B (zh) 2016-06-24 2016-06-24 一种同步检测彩色图像中噪点与边缘点的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610485291.7A CN106204531B (zh) 2016-06-24 2016-06-24 一种同步检测彩色图像中噪点与边缘点的方法

Publications (2)

Publication Number Publication Date
CN106204531A CN106204531A (zh) 2016-12-07
CN106204531B true CN106204531B (zh) 2018-09-18

Family

ID=57462074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610485291.7A Active CN106204531B (zh) 2016-06-24 2016-06-24 一种同步检测彩色图像中噪点与边缘点的方法

Country Status (1)

Country Link
CN (1) CN106204531B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034235B (zh) * 2018-07-20 2021-09-28 安徽理工大学 一种基于多特征的集成svm噪点检测方法
CN110533605B (zh) * 2019-07-26 2023-06-02 遵义师范学院 一种精确噪点标定方法
CN114663316B (zh) * 2022-05-17 2022-11-04 深圳市普渡科技有限公司 确定沿边路径的方法、移动设备及计算机存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950364A (zh) * 2010-08-30 2011-01-19 西安电子科技大学 基于邻域相似度和阈值分割的遥感图像变化检测方法
CN102005051A (zh) * 2010-11-23 2011-04-06 华亚微电子（上海）有限公司 一种边缘检测方法以及相关装置
CN102609911A (zh) * 2012-01-16 2012-07-25 北方工业大学 基于边缘的图像显著性检测
CN103033127A (zh) * 2011-10-09 2013-04-10 上海微电子装备有限公司 一种基板预对准位姿测量方法
CN104143185A (zh) * 2014-06-25 2014-11-12 东软集团股份有限公司 一种污点区域检测方法
CN105046705A (zh) * 2015-07-13 2015-11-11 浙江工业大学 一种基于模糊理论的裂纹边缘检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950364A (zh) * 2010-08-30 2011-01-19 西安电子科技大学 基于邻域相似度和阈值分割的遥感图像变化检测方法
CN102005051A (zh) * 2010-11-23 2011-04-06 华亚微电子（上海）有限公司 一种边缘检测方法以及相关装置
CN103033127A (zh) * 2011-10-09 2013-04-10 上海微电子装备有限公司 一种基板预对准位姿测量方法
CN102609911A (zh) * 2012-01-16 2012-07-25 北方工业大学 基于边缘的图像显著性检测
CN104143185A (zh) * 2014-06-25 2014-11-12 东软集团股份有限公司 一种污点区域检测方法
CN105046705A (zh) * 2015-07-13 2015-11-11 浙江工业大学 一种基于模糊理论的裂纹边缘检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An edge-adaptive demosaicking method based on image correlation;JIA Xiao-fen 等;《J. Cent. South Univ.》;20151231;第1397-1402页 *
Feng Gui et al.Study on Edge Extracting in Noise Image .《Proc. of SPIE》.2008, *

Also Published As

Publication number Publication date
CN106204531A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN101980293B (zh) 一种基于刃边图像的高光谱遥感***mtf检测方法
CN109118470B (zh) 一种图像质量评价方法、装置、终端和服务器
CN104363815B (zh) 图像处理装置以及图像处理方法
CN110378232B (zh) 改进的ssd双网络的考场考生位置快速检测方法
CN106530271B (zh) 一种红外图像显著性检测方法
CN108681992A (zh) 用于探测器阵列法测量激光光斑的图像插值算法
CN106709958A (zh) 一种基于灰度梯度和颜色直方图的图像质量评价方法
CN106204531B (zh) 一种同步检测彩色图像中噪点与边缘点的方法
CN103632369B (zh) 块平均清晰度组合无参考水下图像通用性质量检测方法
CN103900972B (zh) 基于多特征融合的肉类新鲜度高光谱图像可视化检测
den Bieman et al. Deep learning video analysis as measurement technique in physical models
CN103164852A (zh) 图像处理装置以及图像处理方法
CN103971364A (zh) 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法
CN104951765B (zh) 基于形状先验信息和视觉对比度的遥感图像目标分割方法
CN102855485B (zh) 一种小麦抽穗的自动检测方法
CN106483130B (zh) 一种水稻病害的检测方法及其自动检测装置
CN108961345A (zh) 一种尿液试纸中有效颜色的确定方法及确定装置
CN104732520A (zh) 一种胸部数字影像的心胸比测量算法及***
CN109919135A (zh) 基于深度学习的行为检测方法、装置
CN101561932A (zh) 一种动态复杂背景下的实时运动目标检测方法和装置
CN103093458A (zh) 关键帧的检测方法及装置
WO2020085327A1 (ja) 診断装置及び診断方法
CN109948683A (zh) 点云数据的难易度划分方法、装置及其相关设备
CN105869148A (zh) 目标检测方法及装置
CN103697929A (zh) 仪表指针运动状态的检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Jia Xiaofen

Inventor after: Guo Yongcun

Inventor after: Zhao Baiting

Inventor after: Huang Yourui

Inventor before: Jia Xiaofen

Inventor before: Zhao Baiting

Inventor before: Guo Yongcun

Inventor before: Huang Yourui

GR01 Patent grant
GR01 Patent grant