CN107578420A - 一种自适应光条图像阈值分割方法 - Google Patents
一种自适应光条图像阈值分割方法 Download PDFInfo
- Publication number
- CN107578420A CN107578420A CN201710715098.2A CN201710715098A CN107578420A CN 107578420 A CN107578420 A CN 107578420A CN 201710715098 A CN201710715098 A CN 201710715098A CN 107578420 A CN107578420 A CN 107578420A
- Authority
- CN
- China
- Prior art keywords
- mrow
- striation
- image
- section
- optical strip
- 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
本发明一种自适应光条图像阈值分割方法属于双目视觉技术领域,涉及一种自适应光条图像阈值分割方法。该方法通过传统的固定阈值图像分割方法来分割初始光条区域,获得光条横截面左右边界的列坐标;然后建立图像灰度分布评价系数,根据初始阈值分割结果,计算每行光条横截面的光条横截面能量强度;根据光条分布特征,计算理想光条横截面能量强度的灰度分部水平;再建立与光条图像灰度分布系数正相关的光条图像自适应阈值分割关联模型,以确定光条图像的自适应图像分割阈值,从背景中准确分离出光条区域。该方法提高了随机曲面大型航空构件表面光条的提取精度,避免了局部过曝或者局部光条过暗而导致光条提取困难,光条提取精度不高的问题。
Description
技术领域
本发明属于双目视觉技术领域,涉及一种自适应光条图像阈值分割方法。
背景技术
视觉测量过程中,准确的光条中心提取是实现高精度三维测量的关键。然而,针对大型航空构件为测量对象的情形,由于其表面通常为自由曲面,投射的光条经待测工件表面调制在拍摄的图像中扭曲为自由曲线光条;而且现场光照环境复杂,存在局部高反光和整体光照不均的影响,导致拍摄的光条图像灰度分布严重不均匀,同时存在局部区域光条过曝和局部区域光条过暗的现象,从而严重影响光条提取的完整性和精度。在目前的视觉测量过程中,通常对拍摄所得图像选取唯一二值化阈值,进行光条轮廓提取,在现场环境下提取的光条易出现局部断裂与局部过曝光条过宽的问题。
经文献检索,龙建武的硕士论文《图像阈值分割关键技术研究》,2014年,吉林大学,在这篇论文中,对二维最小误差法进行三维推广,并结合三维直方图重建和降维思想提出了一种鲁棒的最小误差阈值分割算法。该方法有效解决了非均匀光照条件下小目标图像的分割问题。但是针对大型航空构件的情形,由于零件和视场均比较大,该方法则会比较无力。
发明内容
本发明针对大型航空构件表面光条图像灰度分布不均匀的问题,发明了一种自适应光条图像阈值分割方法。该方法通过传统的固定阈值图像分割方法来分割初始光条区域,获得光条区域左右边界的列坐标;然后建立图像灰度分布评价系数,根据初始阈值分割结果,将光条横截面平均灰度水平定义为光条的横截面能量强度;再建立光条图像自适应阈值分割关联模型,以确定光条图像的自适应图像分割阈值,从背景中准确分离出光条区域,大大提高了随机曲面大型航空构件表面光条的提取精度,避免了由于局部过曝或者局部光条过暗而导致光条提取困难,光条提取精度不高的问题。
本发明采用的技术方案是一种自适应光条图像阈值分割方法,其特征是,该方法通过传统的固定阈值图像分割方法来分割初始光条区域,获得光条横截面左右边界的列坐标;然后建立图像灰度分布评价系数,根据初始阈值分割结果,将光条横截面平均灰度水平定义为光条的横截面能量强度;计算每行光条横截面的光条横截面能量强度;根据光条分布特征,计算理想光条横截面能量强度的灰度分部水平;获得光条图像灰度分布系数;再建立与光条图像灰度分布系数正相关的光条图像自适应阈值分割关联模型,以确定光条图像的自适应图像分割阈值,从背景中准确分离出光条区域。方法的具体步骤如下:
第一步分割初始光条区域
根据线激光条纹灰度分布特征分析,光条图像的灰度分布均匀性由光条横截面灰度水平和沿光条方向上的灰度梯度变化综合决定;首先采用传统的固定阈值图像分割方法对光条图像进行处理,设输入的原始光条图像为f,输出图像为g,f(u,v)表示输入图像在图像像素(u,v)处的灰度值,g(u,v)表示输出图像在图像像素(u,v)处的灰度值,则传统的二值分割可以表示如下:
式中,T为图像分割阈值;
然后根据二值图像计算得到光条区域的左、右边界坐标p(v)和q(v);p(v)、q(v)分别表示图像中第v行光条横截面的左、右边界列坐标;
第二步建立图像灰度分布评价系数
计算实际光条图像截面灰度分布水平;根据初始阈值分割结果,将光条横截面平均灰度水平定义为光条的横截面能量强度,用公式(2)进行描述:
其中,EICS(v)为光条图像中第v行的光条截面能量强度;光条截面能量强度EICS主要表征光条的灰度分布水平;EICS数值越大,则表明该截面位置光条亮度越大,越容易从背景中分离出来;相反,EICS数值越小,则该截面出光条可能过暗,导致在整体提取过程中在此处可能丢失光条特征信息;
然后,定义并计算理想光条图像截面灰度分布水平;理论上,根据线激光条纹的生成机理,摄像机拍摄获取的理想光条图像其光条横截面灰度分布服从高斯分布模型,因此将图像峰值灰度值饱和的、服从理想高斯分布的光条截面平均灰度水平定义为理想光条截面能量强度,表述为:
其中,iEICS(v)为理想情况下图像中第v行的光条截面能量强度;w(v)为实际光条图像中第v行的光条宽度,w(v)=q(v)-p(v);A为理想光条横截面灰度峰值,定义其峰值为图像饱和灰度值,因此A=255;另外,基于高斯分布的3σ理论,即光条能量99.74%集中在高斯分布均值的±3σ范围内,因此,根据光条宽度范围内集中了光条绝大部分能量,定义w(v)=6σw,计算出图像中每行对应的标准高斯分布的标准差σw;
将实际光条截面的能量强度EICS(v)与理想光条截面能量强度iEICS(v)的比值作为光条图像灰度分布系数ηCGDLS:
第三步光条图像自适应阈值分割关联模型
利用计算出的光条图像灰度分布系数ηCGDLS,建立与其成正相关的自适应阈值提取数学模型:
λ(v)=f(ηCGDLS(v))(5)式中,λ(v)为自适应光条图像的第v行横截面灰度水平的图像分割阈值;
利用线性回归方法,确定光条图像的自适应图像分割阈值为
其中,threshup和threshdown分别表示对应光条图像灰度分布系数最大值和最小值处的光条图像分割阈值,以能够从背景中准确分离出光条区域为标准,通过先验知识获得;这样,光条每行应使用的二值化阈值便通过自适应的方式选取完成。
本发明的有益效果是通过建立图像灰度分布评价系数,根据初始阈值分割结果,计算每行光条横截面的光条横截面能量强度;根据光条分布特征,计算理想光条横截面能量强度的灰度分部水平。大大提高了大型航空构件表面光条的提取精度,避免由于局部过曝或局部光条过暗而导致光条提取困难,光条提取精度不高的问题。
附图说明
图1为方法流程图。
图2为光条图像沿光条方向灰度分布系数变化曲线。其中,横坐标表示第v像素行,纵坐标表示该像素行的灰度分布系数;2-过曝区域,3、4-过暗区域。
图3为沿光条方向上光条截面能量强度变化情况示意图。横坐标表示第v像素行,纵坐标表示该像素行的光条截面能量强度值。
图4为局部过曝光条示意图。其中,1-局部过曝区域。
图5为自适应阈值分割后的结果图。
具体实施方式
下面结合附图和技术方案详细说明本发明的具体实施方式。
本实施例中,被测物体为t800复合材料板,将波长460nm蓝紫线激光投射到复材板上。
本发明采用配置广角镜头的摄像机拍摄光条图像。摄像机型号为view works VC-12MC-M/C 65摄像机,分辨率:4096×3072,图像传感器:CMOS,帧率:全画幅,最高64.3fps,重量:420g。广角镜头型号为EF 16-35mm f/2.8L II USM,参数如下所示,镜头焦距:f=16-35mm,APS焦距:25.5-52.5,光圈:F2.8,镜头尺寸:82×106。拍摄条件如下:图片像素为4096×3072,镜头焦距为25mm,物距为750mm,视场约为850mm×450mm。
方法的流程图如图1所示,具体步骤如下:
第一步,分割初始光条区域。根据线激光条纹灰度分布特征分析,光条图像的灰度分布均匀性由光条横截面灰度水平和沿光条方向上的灰度梯度变化综合决定。因此,首先采用传统的固定阈值图像分割方法对光条图像进行处理,设输入的原始光条图像为f,输出图像为g,f(u,v)表示输入图像在图像像素(u,v)处的灰度值,g(u,v)表示输出图像在图像像素(u,v)处的灰度值,则传统的二值分割可以表示为如公式(1)所示。
然后根据二值图像计算得到光条区域的左、右边界坐标p(v)和q(v);p(v)、q(v)分别表示图像中第v行光条横截面的左、右边界列坐标。
第二步,建立图像灰度分布评价系数。计算实际光条图像截面灰度分布水平;根据初始阈值分割结果,将光条横截面平均灰度水平定义为光条的横截面能量强度,可以用(2)式进行描述。
其中,EICS(v)为光条图像中第v行的光条截面能量强度。光条截面能量强度EICS主要表征光条的灰度分布水平。EICS数值越大,则表明该截面位置光条亮度越大,越容易从背景中分离出来;相反,EICS数值越小,则该截面出光条可能过暗,如图2所示,导致在整体提取过程中在此处可能丢失光条特征信息。
理想光条图像截面灰度分布水平,理论上,根据线激光条纹的生成机理,摄像机拍摄获取的理想光条图像其光条横截面灰度分布服从高斯分布模型,因此将图像峰值灰度值饱和的、服从理想高斯分布的光条截面平均灰度水平定义为理想光条截面能量强度,表述为公式(3)。其中,iEICS(v)理想情况下图像中第v行的光条截面能量强度;w(v)为实际光条图像中第v行的光条宽度,w(v)=q(v)-p(v);A为理想光条横截面灰度峰值,定义其峰值为图像饱和灰度值,因此A=255;另外,基于高斯分布的3σ理论,即光条能量99.74%集中在高斯分布均值的±3σ范围内,因此,根据光条宽度范围内集中了光条绝大部分能量,定义w(v)=6σw,由此可以计算出图像中每行对应的标准高斯分布的标准差σw。
将实际光条截面的能量强度EICS(v)与理想光条截面能量强度iEICS(v)的比值作为光条图像灰度分布系数ηCGDLS,利用公式(4)计算而得,如图3所示。
第三步,建立光条图像自适应阈值分割关联模型。利用计算出的光条图像灰度分布系数ηCGDLS,光条图像灰度分布系数ηCGDLS的变化趋势结果。
利用公式(5)建立与其成正相关的自适应阈值提取数学模型。利用线性回归方法,通过公式(6),确定光条图像的自适应图像分割阈值。其中,threshup和threshdown分别表示对应光条图像灰度分布系数最大值和最小值处的光条图像分割阈值,以能够从背景中准确分离出光条区域为标准,通过先验知识获得。这样,光条每行应使用的二值化阈值便通过自适应的方式选取完成,可以获得如图5所示的均匀光条图像,避免了图4所示的局部过曝光条图像。
本方法提高了随机曲面大型航空构件表面光条的提取精度,避免了局部过曝或者局部光条过暗而导致光条提取困难,光条提取精度不高的问题。
Claims (1)
1.一种自适应光条图像阈值分割方法,其特征是,该方法通过传统的固定阈值图像分割方法来分割初始光条区域,获得光条横截面左右边界的列坐标;然后建立图像灰度分布评价系数,根据初始阈值分割结果,将光条横截面平均灰度水平定义为光条的横截面能量强度;计算每行光条横截面的光条横截面能量强度;根据光条分布特征,计算理想光条横截面能量强度的灰度分部水平;获得光条图像灰度分布系数;再建立与光条图像灰度分布系数正相关的光条图像自适应阈值分割关联模型,以确定光条图像的自适应图像分割阈值,从背景中准确分离出光条区域;方法的具体步骤如下:
第一步分割初始光条区域
根据线激光条纹灰度分布特征分析,光条图像的灰度分布均匀性由光条横截面灰度水平和沿光条方向上的灰度梯度变化综合决定;
首先采用传统的固定阈值图像分割方法对光条图像进行处理,设输入的原始光条图像为f,输出图像为g,f(u,v)表示输入图像在图像像素(u,v)处的灰度值,g(u,v)表示输出图像在图像像素(u,v)处的灰度值,则传统的二值分割可以表示如下:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>T</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,T为图像分割阈值;
然后根据二值图像计算得到光条区域的左、右边界坐标p(v)和q(v);p(v)、q(v)分别表示图像中第v行光条横截面的左、右边界列坐标(理论上,q(v)>p(v));
第二步建立图像灰度分布评价系数
计算实际光条图像截面灰度分布水平;根据初始阈值分割结果,将光条横截面平均灰度水平定义为光条的横截面能量强度,用公式(2)进行描述:
<mrow>
<mi>E</mi>
<mi>I</mi>
<mi>C</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,EICS(v)为光条图像中第v行的光条截面能量强度;
然后,定义并计算理想光条图像截面灰度分布水平;理论上,根据线激光条纹的生成机理,摄像机拍摄获取的理想光条图像其光条横截面灰度分布服从高斯分布模型,因此将图像峰值灰度值饱和的、服从理想高斯分布的光条截面平均灰度水平定义为理想光条截面能量强度,表述为:
<mrow>
<mi>i</mi>
<mi>E</mi>
<mi>I</mi>
<mi>C</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mo>-</mo>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
</mrow>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<mi>A</mi>
<mo>&CenterDot;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mi>k</mi>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&sigma;</mi>
<mi>w</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
<mrow>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,iEICS(v)理想情况下图像中第v行的光条截面能量强度;w(v)为实际光条图像中第v行的光条宽度,w(v)=q(v)-p(v);A为理想光条横截面灰度峰值,定义中其峰值为图像饱和灰度值,因此A=255;另外,基于高斯分布的3σ理论,即光条能量99.74%集中在高斯分布均值的±3σ范围内,因此,根据光条宽度范围内集中了光条绝大部分能量,定义w(v)=6σw,由此可以计算出图像中每行对应的标准高斯分布的标准差σw;
将实际光条截面的能量强度EICS(v)与理想光条截面能量强度iEICS(v)的比值作为光条图像灰度分布系数ηCGDLS:
<mrow>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>C</mi>
<mi>G</mi>
<mi>D</mi>
<mi>L</mi>
<mi>S</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mi>I</mi>
<mi>C</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>i</mi>
<mi>E</mi>
<mi>I</mi>
<mi>C</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
第三步光条图像自适应阈值分割关联模型
利用计算出的光条图像灰度分布系数ηCGDLS,建立与其成正相关的自适应阈值提取数学模型:
λ(v)=f(ηCGDLS(v)) (5)
式中,λ(v)为自适应光条图像的第v行横截面灰度水平的图像分割阈值;
利用线性回归方法,确定光条图像的自适应图像分割阈值为
其中,threshup和threshdown分别表示对应光条图像灰度分布系数最大值和最小值处的光条图像分割阈值;这样,光条每行应使用的二值化阈值,便通过自适应的方式选取完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710715098.2A CN107578420B (zh) | 2017-08-21 | 2017-08-21 | 一种自适应光条图像阈值分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710715098.2A CN107578420B (zh) | 2017-08-21 | 2017-08-21 | 一种自适应光条图像阈值分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107578420A true CN107578420A (zh) | 2018-01-12 |
CN107578420B CN107578420B (zh) | 2019-11-19 |
Family
ID=61034593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710715098.2A Expired - Fee Related CN107578420B (zh) | 2017-08-21 | 2017-08-21 | 一种自适应光条图像阈值分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578420B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550144A (zh) * | 2018-04-09 | 2018-09-18 | 大连理工大学 | 基于灰度信度的激光光条序列图像质量评价方法 |
CN108629790A (zh) * | 2018-04-26 | 2018-10-09 | 大连理工大学 | 一种基于深度残差网络的光条图像阈值分割方法 |
CN110210437A (zh) * | 2019-06-10 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种图像中人体区域的确定方法及*** |
CN110232709A (zh) * | 2019-04-19 | 2019-09-13 | 武汉大学 | 一种变阈值分割的线结构光光条中心提取方法 |
CN112710250A (zh) * | 2020-11-23 | 2021-04-27 | 武汉光谷卓越科技股份有限公司 | 基于线结构光的三维测量方法以及传感器 |
CN117437247A (zh) * | 2023-12-18 | 2024-01-23 | 津泰(天津)医疗器械有限公司 | 一种基于自然腔道影像的病变区域提取分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040001195A1 (en) * | 2002-06-28 | 2004-01-01 | Fuji Photo Optical Co., Ltd. | Method of extracting circular region from fringe image |
CN104616325A (zh) * | 2015-01-21 | 2015-05-13 | 大连理工大学 | 一种快速高精度的大型表面光条中心提取方法 |
CN105300316A (zh) * | 2015-09-22 | 2016-02-03 | 大连理工大学 | 基于灰度重心法的光条中心快速提取方法 |
CN105335988A (zh) * | 2015-09-25 | 2016-02-17 | 大连理工大学 | 一种基于分层处理的亚像素中心提取方法 |
-
2017
- 2017-08-21 CN CN201710715098.2A patent/CN107578420B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040001195A1 (en) * | 2002-06-28 | 2004-01-01 | Fuji Photo Optical Co., Ltd. | Method of extracting circular region from fringe image |
CN104616325A (zh) * | 2015-01-21 | 2015-05-13 | 大连理工大学 | 一种快速高精度的大型表面光条中心提取方法 |
CN105300316A (zh) * | 2015-09-22 | 2016-02-03 | 大连理工大学 | 基于灰度重心法的光条中心快速提取方法 |
CN105335988A (zh) * | 2015-09-25 | 2016-02-17 | 大连理工大学 | 一种基于分层处理的亚像素中心提取方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550144A (zh) * | 2018-04-09 | 2018-09-18 | 大连理工大学 | 基于灰度信度的激光光条序列图像质量评价方法 |
CN108550144B (zh) * | 2018-04-09 | 2020-04-07 | 大连理工大学 | 基于灰度信度的激光光条序列图像质量评价方法 |
CN108629790A (zh) * | 2018-04-26 | 2018-10-09 | 大连理工大学 | 一种基于深度残差网络的光条图像阈值分割方法 |
CN108629790B (zh) * | 2018-04-26 | 2020-08-14 | 大连理工大学 | 一种基于深度残差网络的光条图像阈值分割方法 |
CN110232709A (zh) * | 2019-04-19 | 2019-09-13 | 武汉大学 | 一种变阈值分割的线结构光光条中心提取方法 |
CN110232709B (zh) * | 2019-04-19 | 2022-07-29 | 武汉大学 | 一种变阈值分割的线结构光光条中心提取方法 |
CN110210437A (zh) * | 2019-06-10 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种图像中人体区域的确定方法及*** |
CN112710250A (zh) * | 2020-11-23 | 2021-04-27 | 武汉光谷卓越科技股份有限公司 | 基于线结构光的三维测量方法以及传感器 |
CN117437247A (zh) * | 2023-12-18 | 2024-01-23 | 津泰(天津)医疗器械有限公司 | 一种基于自然腔道影像的病变区域提取分割方法 |
CN117437247B (zh) * | 2023-12-18 | 2024-03-05 | 津泰(天津)医疗器械有限公司 | 一种基于自然腔道影像的病变区域提取分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107578420B (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578420A (zh) | 一种自适应光条图像阈值分割方法 | |
CN104680496B (zh) | 一种基于彩色图像分割的Kinect深度图修复方法 | |
US20180091798A1 (en) | System and Method for Generating a Depth Map Using Differential Patterns | |
CN103530880A (zh) | 基于投影高斯网格图案的摄像机标定方法 | |
CN110009693B (zh) | 一种光场相机的快速盲标定方法 | |
JP5633058B1 (ja) | 3次元計測装置及び3次元計測方法 | |
CN108020175B (zh) | 一种多光栅投影双目视觉舌体表面三维整体成像方法 | |
CN105100771A (zh) | 一种基于场景分类和几何标注的单视点视频深度获取方法 | |
CN112525107B (zh) | 一种基于事件相机的结构光三维测量方法 | |
CN111563952B (zh) | 基于相位信息与空间纹理特征实现立体匹配方法及*** | |
CN105335968A (zh) | 一种基于置信度传播算法的深度图提取方法及装置 | |
CN103993548A (zh) | 基于多台相机立体拍摄的路面损坏裂缝检测***及方法 | |
CN104111038A (zh) | 利用相位融合算法修复饱和产生的相位误差的方法 | |
CN108051183B (zh) | 基于高斯光学的聚焦型光场相机参数标定方法 | |
CN103973957A (zh) | 双目3d相机自动调焦***及方法 | |
CN107680152A (zh) | 基于图像处理的目标物表面形貌测量方法和装置 | |
JP6009206B2 (ja) | 3次元計測装置 | |
CN108010075A (zh) | 一种基于多特征联合的局部立体匹配方法 | |
CN103925889A (zh) | 一种基于最小二乘法的高光物体表面相位快速恢复方法 | |
JP2006058091A (ja) | 3次元画像測定装置および方法 | |
CN104537627B (zh) | 一种深度图像的后处理方法 | |
CN109003308A (zh) | 一种基于相位编码的特殊成像范围相机标定***及方法 | |
CN111951339A (zh) | 利用异构双目相机进行视差计算的图像处理方法 | |
CN114820812A (zh) | 一种基于结构光的高反光表面三维重建算法 | |
CN109218706B (zh) | 一种由单张图像生成立体视觉图像的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191119 Termination date: 20210821 |
|
CF01 | Termination of patent right due to non-payment of annual fee |