CN107067377B - 一种高光谱图像的阴影检测与光谱恢复的方法及装置 - Google Patents

一种高光谱图像的阴影检测与光谱恢复的方法及装置 Download PDF

Info

Publication number
CN107067377B
CN107067377B CN201710121230.7A CN201710121230A CN107067377B CN 107067377 B CN107067377 B CN 107067377B CN 201710121230 A CN201710121230 A CN 201710121230A CN 107067377 B CN107067377 B CN 107067377B
Authority
CN
China
Prior art keywords
image
shadow
pixel
spectrum
area
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
CN201710121230.7A
Other languages
English (en)
Other versions
CN107067377A (zh
Inventor
杨杭
张立福
孙雪剑
岑奕
任淯
张鹏
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201710121230.7A priority Critical patent/CN107067377B/zh
Publication of CN107067377A publication Critical patent/CN107067377A/zh
Application granted granted Critical
Publication of CN107067377B publication Critical patent/CN107067377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种高光谱图像的阴影检测与光谱恢复的方法及装置。所述方法包括S1，基于预定义的生长准则，对高光谱图像进行阴影检测，获得阴影图像G；S2，基于所述阴影图像G，利用腐蚀运算和膨胀运算获取非缓冲区图像GS与缓冲区图像Gbuffer；S3，利用矩匹配法对所述非缓冲区图像GS进行光谱恢复，以及利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复。本发明解决了现有技术的不足，解决了高光谱图像的阴影检测与恢复的问题，使阴影所覆盖地物的空间和光谱信息得到更多的恢复，从而提高影像质量，为后续的图像处理提供更加有效输入。

Description

一种高光谱图像的阴影检测与光谱恢复的方法及装置
技术领域
本发明涉及图像处理领域，更具体地，涉及一种高光谱图像的阴影检测与光谱恢复的方法及装置。
背景技术
目前，高光谱图像区别于传统RGB图像的关键在于成像波段范围内的光谱分辨率达到纳米级，这使得本来在常规遥感中不能识别的地物，在高光谱遥感中就能得到有效的识别和定量反演。
然而，高光谱遥感定量反演中，高光谱图像阴影的存在严重削弱了影像的空间和光学特征，直接影响定量反演的精度，因此如何去除阴影的影响，恢复高光谱图像的空间和光谱信息是提高定量遥感反演的主要内容之一。
目前关于图像阴影的检测与补偿往往是基于RGB图像的，这些算法也不能直接应用于高光谱图像的阴影检测与图像恢复。因此亟需研究发明一种新的技术用于实现高光谱图像的阴影检测与恢复。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的高光谱图像的阴影检测与光谱恢复的方法及装置。
根据本发明的一个方面，提供一种高光谱图像的阴影检测与光谱恢复的方法，包括：
S1，基于预定义的生长准则，对高光谱图像进行阴影检测，获得阴影图像G；
S2，基于所述阴影图像G，利用腐蚀运算和膨胀运算获取非缓冲区图像GS与缓冲区图像Gbuffer；
S3，利用矩匹配法对所述非缓冲区图像GS进行光谱恢复，以及利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复。
根据本发明的另一个方面，还提供一种高光谱图像的阴影检测与光谱恢复的装置，包括：
阴影检测模块，用于基于预定义的生长准则，对高光谱图像进行阴影检测，获得阴影图像G；
缓冲区提取模块，用于基于所述阴影图像G，利用腐蚀运算和膨胀运算获取非缓冲区图像GS与缓冲区图像Gbuffer；
光谱恢复模块，用于利用矩匹配法对所述非缓冲区图像GS进行光谱恢复，以及利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复。
本申请提出一种高光谱图像的阴影检测与光谱恢复的方法，根据高光谱图像的特点定义了一种区域生长准则，选取合适的种子点对所述高光谱图像进行阴影检测；根据阴影检测的结果进行腐蚀运算和膨胀运算，获取非缓冲区即阴影区和缓冲区即光照区与阴影区的过渡带；采用不同的方法分别对这两种区域进行光谱恢复，使阴影所覆盖地物的空间和光谱信息得到更多的恢复，从而提高影像质量，为后续的图像处理提供更加有效输入。
附图说明
图1为本发明一种高光谱图像的阴影检测与光谱恢复的方法流程图；
图2为本发明实施例中8邻域的邻接性示意图；
图3为本发明实施例阴影区原始图像与恢复后图像对比示意图；
图4为本发明实施例阴影区原始图像与恢复后图像对比示意图；
图5为本发明实施例阴影区植被原始光谱曲线与恢复后光谱曲线对比示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，一种高光谱图像的阴影检测与光谱恢复的方法，包括：
S1，基于预定义的生长准则，对高光谱图像进行阴影检测，获得阴影图像G；
S2，基于所述阴影图像G，利用腐蚀运算和膨胀运算获取非缓冲区图像GS与缓冲区图像Gbuffer；
S3，利用矩匹配法对所述非缓冲区图像GS进行光谱恢复，以及利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复。
由于现有技术中，针对RGB图像的图像阴影的检测与补偿的算法不能直接应用于高光谱图像的阴影检测与图像恢复中，本发明为解决这一问题，提出一种高光谱图像的阴影检测与光谱恢复的方法，根据高光谱图像的特点定义了一种区域生长准则，选取合适的种子点对所述高光谱图像进行阴影检测；根据阴影检测的结果进行腐蚀运算和膨胀运算，获取非缓冲区即阴影区和缓冲区即光照区与阴影区的过渡带；采用不同的方法分别对这两种区域进行光谱恢复，使阴影所覆盖地物的空间和光谱信息得到更多的恢复，从而提高影像质量，为后续的图像处理提供更加有效输入。
具体的，S1中所述预定义的生长准则为：当所述高光谱图像的像元的模与种子点的模的差异小于等于预定阈值时，确定为阴影像元。
本发明利用区域生长法进行高光谱图像阴影检测，所述区域生长法阴影检测的基本原理是根据预先定义的生长准则，从一组“种子点”开始，将满足生长准则的相邻像素或区域添加到该种子上来形成生长区域，种子点和阈值的设置、8邻域区域生长和区域合并。
本发明中，假设高光谱图像有n个波段，每个像元可视为n维空间中的一个点，则像元在n维空间中的模记为M，利用像元的模图像进行区域生长阴影检测。
生长准则的定义有多种方式，本发明所述预定义的生长准则为：像素的模与种子点的模的差异(D)小于等于预先设定的阈值(T)时，生成阴影检测结果(即阴影图像G，也即二值图像)，阴影像元值为1，光照像元值为0。
作为一个可选的实施例，所述S1进一步包括：
S1.1，在所述高光谱图像上选择若干个较大阴影区域的质心点作为种子点，并设置所述预定阈值；
S1.2，获取所述高光谱图像中像元的模，并与种子点的模值进行比较，二者差异小于等于所述预定阈值的像元为阴影像元；
S1.3，基于所述阴影像元，利用8邻域区域生长与合并算法进行阴影区的识别与提取，获得阴影图像G。
本实施例，S1.1中根据区域生长法选择种子点并设置预定阈值。由于高光谱图像的成像条件差异大，难以直接给出种子点的模值，需要在图像上选择若干个较大阴影区域的质心点作为种子点。S1.2中根据预定义的生长准则获取阴影像元，则需要先获取高光谱图像中像元的模，利用像元的模与种子点的模进行比较，S1.2中所述二者差异是指所述高光谱图像中像元的模与所述种子点的摸的差异，当这二者的差异小于等于预定阈值时可确定为阴影像元。
确定阴影像元后，还需要进一步利用8邻域区域生长与合并算法进行阴影区的识别与提取，获得阴影图像G。其中，8邻域的邻接性如图2中矩阵连接线所示。当某像元与被生长的区域的某个像元具有邻接性，则该像元连接到被生长区域。当高光谱图像中某个区域中至少有一个像元与被生长区域内某一像元具有邻接性，则该区域合并到被生长区域，S1.3对S1.2中获取的阴影像元进一步进行8邻域区域生长与合并，获得阴影图像G。
作为一个可选的实施例，所述S2进一步包括：
S2.1，利用m×m的结构元素对所述阴影图像G进行扫描，对所述第一结构元素及其所覆盖的阴影图像G做逻辑“与”运算，获得腐蚀结果GE；
S2.2，利用m×m的结构元素对所述阴影图像G进行扫描，对所述结构元素及其所覆盖的阴影图像G做逻辑“或”运算，获得膨胀结果GD；
S2.3，通过所述腐蚀结果GE直接获得非缓冲区图像GS，以及通过所述膨胀结果GD与所述腐蚀结果GE的差值获得缓冲区图像Gbuffer。
本实施例对S1中获取的阴影图像G进行精确识别，分出缓存区图像Gbuffer和非缓冲区图像GS，其中所述非缓冲区图像GS为阴影区，所述缓存区图像Gbuffer为阴影区与光照区的过渡带。区分这两个区域是为了后续的光谱恢复做准备，以便对不同的区域采用不同的光谱恢复方法。
本实施例中，腐蚀后的结果为非缓冲区图像，即阴影区，膨胀后的结果与腐蚀后的结果的差值为缓冲区图像，即阴影区与光照区的过渡带；可以通过下面的表示式获得：
GS＝GE，
Gbuffer＝GD-GE。
具体的，S2.1中所述结构元素中m为奇数；优选的，m为1、3、5或7等。在一次腐蚀运算和膨胀运算中，具体选用多大的矩阵结构根据实际情况而定，本实施例对此不做限定。
作为一个可选的实施例，所述S3中，所述利用矩匹配法对所述非缓冲区图像GS进行光谱恢复进一步包括：
逐波段统计所述非缓冲区图像GS的阴影区均值RS与标准差δS，以及光照区均值RL与标准差δL；
利用下式分别对各波段图像进行光谱恢复：
其中，B*GS为阴影区像元的DN值或辐亮度值，Badjusted为阴影区恢复后的像元值，RS为阴影区的均值，δS为阴影区的标准差，RL为光照区的均值，δL为光照区的标准差。
本实施例对非缓冲区图像GS即阴影区进行光谱恢复。假设高光谱某波段数据为B，非缓冲区阴影二值图像为GS，光照区二值图像为GL，I是所有元素值为1的矩阵。B、GS、GL、I为s×t大小的矩阵，则可以通过下面的公式获得阴影区均值RS与标准差δS，以及光照区均值RL与标准差δL：
GL＝I-GS
最后利用下面的公式对该波段图像进行信息恢复。
作为一个可选的实施例，所述S3中，所述利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复包括：
利用高斯点扩散函数依次对所述缓冲区图像Gbuffer中的每个像元进行光谱恢复，所述高斯点扩散函数如下：
其中，r为扩散半径，a由传感器增益***决定，i，j表示像元的行列坐标。
本实施例对对缓冲区图像Gbuffer即阴影区与光照区的过渡带进行光谱恢复，如果缓冲区也采用矩匹配方法会导致缓冲区计算的像元值过高，在图像上显示为明显的高亮度像元，因此这里需要对缓冲区进行单独处理。而点扩散函数方法充分考虑了周围像元对中心像元的影像，符合高光谱遥感的成像规律，因此本案里采用高斯点扩散函数。
具体的，所述扩散半径r为3、5或7。通常在遥感数据处理中将数字信号转换为辐射值时已经考虑了***的增益，因此可以使a＝1。
本发明对高光谱图像的光谱恢复效果示意图如图3和图4所示，图5为本发明实施例阴影区植被原始光谱曲线与恢复后光谱曲线对比示意图。
作为一个可选的实施例，所述S1.2进一步包括：
S1.2.1，基于所述高光谱图像的像元的光谱，利用下式获取所述像元的模：
所述像元的光谱为：P＝[xi，j，1，xi，j，2，……xi，j，n]，
所述像元的模为：
其中，i，j为像元的行列坐标，n为所述高光谱图像的波段数，xi，j，1，xi，j，2，……xi，j，n为所述像元每个波段对应的DN值，Mi，j，P为像元的模；
S1.2.2，利用下式获得阈值比较结果：
其中，
Di，j＝abs(Mi，j，P-MP，S)，
Ti，j＝Di，j*k，
T为阈值，MP，S为种子点的模，k为系数；g为判断结果，若g＝1满足生长准则，所述像元属于阴影，否则所述像元属于光照区域。
本实施例给出了高光谱图像的像元光谱表达式及像元的模的表达式，从而奠定了所述预定义的生长准则的基础；根据所定义的表达式依次获取所述高光谱图像中各个像元的模，利用预定义的生长准则进行比较，通过S1.2.2中的表达式获得比较结果，即获取阴影像元。
本发明还提供一种高光谱图像的阴影检测与光谱恢复的装置，包括：
阴影检测模块，用于基于预定义的生长准则，对高光谱图像进行阴影检测，获得阴影图像G；
缓冲区提取模块，用于基于所述阴影图像G，利用腐蚀运算和膨胀运算获取非缓冲区图像GS与缓冲区图像Gbuffer；
光谱恢复模块，用于利用矩匹配法对所述非缓冲区图像GS进行光谱恢复，以及利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复。
本发明通过高光谱图像阴影检测、缓冲区设置与提取、非缓冲区阴影图像与光谱信息恢复、缓冲区阴影图像与光谱信息恢复，能够实现高光谱图像的阴影检测、阴影去图像空间和光谱信息的恢复，数据处理结果使阴影所覆盖地物的空间和光谱信息得到更多的恢复，从而提高影像质量，可用于高光谱遥感的定量分析，解决了现有技术中阴影检测与恢复算法不能应用于高光谱图像的问题，具有良好的应用前景。
最后，本申请的方法仅为较佳的实施方案，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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种高光谱图像的阴影检测与光谱恢复的方法，其特征在于，包括：
S1，基于预定义的生长准则，对高光谱图像进行阴影检测，获得阴影图像G；
S2，基于所述阴影图像G，利用腐蚀运算和膨胀运算获取非缓冲区图像GS与缓冲区图像Gbuffer；
S3，利用矩匹配法对所述非缓冲区图像GS进行光谱恢复，以及利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复；
所述S2进一步包括：
S2.1，利用m×m的结构元素对所述阴影图像G进行扫描，对所述结构元素及其所覆盖的阴影图像G做逻辑“与”运算，获得腐蚀结果GE；
S2.2，利用m×m的结构元素对所述阴影图像G进行扫描，对所述结构元素及其所覆盖的阴影图像G做逻辑“或”运算，获得膨胀结果GD；
S2.3，通过所述腐蚀结果GE直接获得非缓冲区图像GS，以及通过所述膨胀结果GD与所述腐蚀结果GE的差值获得缓冲区图像Gbuffer。
2.如权利要求1所述的方法，其特征在于，S1中所述预定义的生长准则为：当所述高光谱图像的像元的模与种子点的模的差异小于等于预定阈值时，确定为阴影像元。
3.如权利要求2所述的方法，其特征在于，所述S1进一步包括：
S1.1，在所述高光谱图像上选择若干个较大阴影区域的质心点作为种子点，并设置所述预定阈值；
S1.2，获取所述高光谱图像中像元的模，并与所述种子点的模进行比较，二者差异小于等于所述预定阈值的像元为阴影像元；
S1.3，基于所述阴影像元，利用8邻域区域生长与合并算法进行阴影区的识别与提取，获得阴影图像G。
4.如权利要求1所述的方法，其特征在于，所述S3中，所述利用矩匹配法对所述非缓冲区图像GS进行光谱恢复进一步包括：
逐波段统计所述非缓冲区图像GS的阴影区均值RS与标准差δS，以及光照区均值RL与标准差δL；
利用下式分别对各波段图像进行光谱恢复：
其中，B*GS为阴影区像元的DN值或辐亮度值，Badjusted为阴影区恢复后的像元值，RS为阴影区的均值，δS为阴影区的标准差，RL为光照区的均值，δL为光照区的标准差。
5.如权利要求1所述的方法，其特征在于，所述S3中，所述利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复包括：
利用高斯点扩散函数依次对所述缓冲区图像Gbuffer中的每个像元进行光谱恢复，所述高斯点扩散函数如下：
其中，r为扩散半径，a由传感器增益***决定，i,j表示像元的行列坐标。
6.如权利要求3所述的方法，其特征在于，所述S1.2进一步包括：
S1.2.1，基于所述高光谱图像的像元的光谱，利用下式获取所述像元的模：
所述像元的光谱为：P＝[xi,j,1,xi,j,2,……xi,j,n]，
所述像元的模为：
其中，i,j为像元的行列坐标，n为所述高光谱图像的波段数，xi,j,1,xi,j,2,……xi,j,n为所述像元每个波段对应的DN值，Mi,j,P为像元的模；
S1.2.2，利用下式获得阈值比较结果：
其中，
Di,j＝abs(Mi,j,P-MP,S)，
Ti,j＝Di,j*k，
T为阈值，MP,S为种子点的模，k为系数；g为判断结果，若g＝1满足生长准则，所述像元属于阴影，否则所述像元属于光照区域。
7.如权利要求1所述的方法，其特征在于，所述结构元素中m为奇数。
8.如权利要求5所述的方法，其特征在于，所述扩散半径r为3、5或7。
9.一种高光谱图像的阴影检测与光谱恢复的装置，其特征在于，包括：
阴影检测模块，用于基于预定义的生长准则，对高光谱图像进行阴影检测，获得阴影图像G；
缓冲区提取模块，用于基于所述阴影图像G，利用腐蚀运算和膨胀运算获取非缓冲区图像GS与缓冲区图像Gbuffer；
光谱恢复模块，用于利用矩匹配法对所述非缓冲区图像GS进行光谱恢复，以及利用点扩散函数法对所述缓冲区图像Gbuffer进行光谱恢复；
所述缓冲区提取模块具体用于：
利用m×m的结构元素对所述阴影图像G进行扫描，对所述结构元素及其所覆盖的阴影图像G做逻辑“与”运算，获得腐蚀结果GE；
利用m×m的结构元素对所述阴影图像G进行扫描，对所述结构元素及其所覆盖的阴影图像G做逻辑“或”运算，获得膨胀结果GD；
通过所述腐蚀结果GE直接获得非缓冲区图像GS，以及通过所述膨胀结果GD与所述腐蚀结果GE的差值获得缓冲区图像Gbuffer。
CN201710121230.7A 2017-03-02 2017-03-02 一种高光谱图像的阴影检测与光谱恢复的方法及装置 Active CN107067377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710121230.7A CN107067377B (zh) 2017-03-02 2017-03-02 一种高光谱图像的阴影检测与光谱恢复的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710121230.7A CN107067377B (zh) 2017-03-02 2017-03-02 一种高光谱图像的阴影检测与光谱恢复的方法及装置

Publications (2)

Publication Number Publication Date
CN107067377A CN107067377A (zh) 2017-08-18
CN107067377B true CN107067377B (zh) 2019-10-29

Family

ID=59621860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710121230.7A Active CN107067377B (zh) 2017-03-02 2017-03-02 一种高光谱图像的阴影检测与光谱恢复的方法及装置

Country Status (1)

Country Link
CN (1) CN107067377B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927150B (zh) * 2021-02-20 2023-04-07 河北先河环保科技股份有限公司 高光谱图像的水体倒影区域光谱恢复方法及终端设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102590801A (zh) * 2012-01-18 2012-07-18 中国人民解放军61517部队 阴影光谱模拟方法
CN102622738A (zh) * 2012-03-08 2012-08-01 北京师范大学 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法
CN103134789A (zh) * 2012-11-21 2013-06-05 华中科技大学 一种基于Laplacian-Markov场的光谱恢复方法
CN103901420A (zh) * 2014-04-18 2014-07-02 山东科技大学 先验地表反射率支持的动态阈值法遥感数据云识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2011242408B2 (en) * 2010-04-21 2016-12-15 Commonwealth Scientific And Industrial Research Organisation Shape and photometric invariants recovery from polarisation images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102590801A (zh) * 2012-01-18 2012-07-18 中国人民解放军61517部队 阴影光谱模拟方法
CN102622738A (zh) * 2012-03-08 2012-08-01 北京师范大学 一种Landsat TM/ETM+图像中山体阴影区的光谱信息恢复方法
CN103134789A (zh) * 2012-11-21 2013-06-05 华中科技大学 一种基于Laplacian-Markov场的光谱恢复方法
CN103901420A (zh) * 2014-04-18 2014-07-02 山东科技大学 先验地表反射率支持的动态阈值法遥感数据云识别方法

Also Published As

Publication number Publication date
CN107067377A (zh) 2017-08-18

Similar Documents

Publication Publication Date Title
CN107071234B (zh) 一种镜头阴影校正方法及装置
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
WO2020187319A1 (zh) 检测方法及检测***
JP2014089626A (ja) 画像検出装置及び制御プログラム並びに画像検出方法
CN102063704B (zh) 一种机载视景增强方法及其装置
CN111461036B (zh) 一种利用背景建模增强数据的实时行人检测方法
WO2022179256A1 (zh) 图像处理方法、图像处理装置、电子设备及可读存储介质
CN105678752A (zh) 一种基于固定参数分割微柱小管的血型识别方法
WO2014183246A1 (zh) 一种医学影像处理方法与***
CN110245600B (zh) 自适应起始快速笔画宽度无人机道路检测方法
CN111340835A (zh) 基于fpga的视频图像边缘检测***
WO2016165076A1 (en) Method and system for image enhancement
CN107784660A (zh) 图像处理方法、图像处理***及缺陷检测装置
CN117593651B (zh) 一种隧道裂纹分割识别方法
CN107067377B (zh) 一种高光谱图像的阴影检测与光谱恢复的方法及装置
CN109101985A (zh) 一种基于自适应邻域测试的图像误匹配点对剔除方法
CN114937006A (zh) 一种基于图像增强的锤头精细化缺陷检测方法
KR20050104663A (ko) 다수의 이미지 센서로부터의 이미지 융합 방법
CN116824294A (zh) 一种基于小目标识别的焊料缺陷检测方法及***
CN107644442A (zh) 双摄模组的空间位置标定方法
WO2021147316A1 (zh) 物体识别方法及装置
CN109671088A (zh) 一种纱线毛羽特征参数的数字化方法
CN114913345A (zh) 基于fpga的sift算法的简化图像特征提取方法
CN106815845A (zh) 基于像素概率密度分类的彩色图像分割方法
CN110348452B (zh) 一种图像二值化处理方法及其***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant