CN107590785A - 一种基于sobel算子的布里渊散射谱图像识别方法 - Google Patents
一种基于sobel算子的布里渊散射谱图像识别方法 Download PDFInfo
- Publication number
- CN107590785A CN107590785A CN201710794371.5A CN201710794371A CN107590785A CN 107590785 A CN107590785 A CN 107590785A CN 201710794371 A CN201710794371 A CN 201710794371A CN 107590785 A CN107590785 A CN 107590785A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- mtr
- msup
- image
- 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 Processing (AREA)
Abstract
本发明公开了一种基于sobel算子的布里渊散射谱图像识别方法,属于光纤传感领域中的受激布里渊散射谱识别技术领域,本发明的方法是把数据点成像、去噪、识别同时进行,处理对象就是已经成像的图,把布里渊散射信号谱整体看做是图像信号,把产生布里渊频移位置看做是奇异点组成的图像边缘,通过边缘检测的图像处理方式,最终识别出温度(或)应变发生位置及大小。本发明利用小波变换对图像信号矩阵进行去噪处理可以提高原布里渊散射信号谱的信噪比,使边缘检测结果更为精确;边缘检测的自适应阈值判别使很多噪声点归零,使得布里渊散射谱中边缘锐化明显,屋顶状边缘突出,使频移定位更加精确。
Description
技术领域
本发明属于光纤传感领域中的受激布里渊散射谱识别技术领域,具体涉及一种基于sobel算子的布里渊散射谱图像识别方法。
背景技术
在传统的光纤传感领域,对于散射传感信号的处理通常仅限于“采集-去噪-拟合-绘图识别”从而得到发生温度(或应变)的位置及大小。这种方法的缺点在于处理时间较长,在长距离传感中,由于采集点数超级量大,此种信号处理方式时效性很差。
在利用图像处理方式对传感信号处理方面,目前只有Nature中报道过1篇采用图像处理方式对采集信号进行全局处理的文章,其他地方尚未见到详细报道。但该文章中,图像处理方式仅限于去噪,对于突变点的识别效果不明显。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提供了一种基于sobel算子的布里渊散射谱图像识别方法,主要是将受激布里渊散射谱信号作为图像处理对象,通过图像处理的方法进行布里渊散射谱突变点识别,进而确定布里渊频移量的数值。这种方法不仅可以起到去噪效果,还可以使突变点相对增强,具有处理速度快、全局性强、信噪比较高、容易识别、无需拟合等优点,在未来的分布式光纤传感领域可以用来提高传感识别精度和速度,使对突变点的判断更加直观便捷。
基于图像处理方式的受激布里渊传感识别方法不同于传统的信号处理技术,它是把数据点成像、去噪、识别同时进行,处理对象就是已经成像的图,把布里渊散射信号谱整体看做是图像信号,把产生布里渊频移位置看做是奇异点组成的图像边缘,通过边缘检测的图像处理方式,最终识别出温度(或)应变发生位置及大小的一种新型技术手段。
为了实现上述目的,本发明的技术方案如下:
一种基于sobel算子的布里渊散射谱图像识别方法,包括如下步骤:
1、利用小波变换对图像矩阵X进行去噪处理及重构逼近处理,得到处理后的图像矩阵{f(i,j)};
2、将步骤1处理后的图像矩阵{f(i,j)}根据基于sobel算子的边缘检测方法,将矩阵中每个像素点分别与sobel算子的sx、sy做卷积运算,在MATLAB中提供了卷积运算函数conv2;两个卷积的最大值作为该像素点的输出,从而形成矩阵{R(i,j)},再使用MATLAB中自带的thselect函数,选择对于矩阵{f(i,j)}的自适应stein无偏风险估计类型(MATLAB中参数类型为rigrsure),针对矩阵{f(i,j)}生成自适应阈值TH,若R(i,j)≥TH则输出该元素值,若某一元素低于阈值TH,则输出矩阵中该元素置零,最终构成矩阵{R'(i,j)}。
进一步地,步骤1所述的利用小波变换对图像进行去噪处理及重构逼近处理处理,具体如下:
(1)选择Dauvechies(dbN)小波系函数作为小波基函数;
(2)选定小波基后,对图像矩阵X进行多尺度二维分解,具体如下:
其中,h代表多分辨分析中的低通滤波函数,g代表高通滤波函数,通过这两个滤波器后,将图像矩阵X分解为低频和高频信号集合,再分别从低频和高频信号集合中提取出布里渊散射信号中的低频信息a和细节信息d,每一层的分解系数c为一个行向量,大小为1*(size(X));在MATLAB中提供了二维图像的多尺度分解函数wavedec2,格式为[c,s]=wavedec2(X,N,’wname’),s代表各层分解系数长度,X为原信号,N为分解层数,wname代表小波基类型;
(3)针对分解后的系数矩阵,使用MATLAB自带的wrcoef2函数对图像信号进行重构逼近,该函数中,先用和两个滤波器对分解后的多尺度小波系数做去噪处理,然后再合成原信号,重构函数的格式为a2=wrcoef2(‘type’,c,1,’wname’,N);其中,a2为重构逼近后的图像信号,type为重构系数类型,当type为a、h、v、d分别代表重构低频系数、重构高频水平系数、重构高频垂直系数、重构高频对角系数;wname为小波基类型,N为重构尺度。整个重构过程相当于分解过程的逆过程,只不过先去噪,再重构。
进一步地,步骤(1)所述Dauvechies(dbN)小波系函数的有效支撑长度为2N-1,消失矩为N。
Daubechies函数是由小波分析学者InridDaubechies构造的小波函数,除了db1(即haar小波)外,其他小波没有明确的表达式,但db系列小波的转换函数h的平方模是明确的。
下面给出dbN的定义:
假设其中为二项式系数,则有
其中,
在Daubechies系中的小波基记为dbN,db为通用简写,N为序号。
进一步地,所述的步骤2具体如下:
在边缘检测中,对于经过小波变换进行去噪处理后得到的图像信号矩阵{f(i,j)}的每个像素点,考察它上、下、左、右四邻域灰度值的加权差,与之接近的领域的权最大;
其中,sobel算子的定义如下:
sx={f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)}
-{f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)}
Sy={f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)}
-{f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)}
sobel卷积算子如下:
对{f(i,j)}中每一个像素点分别与sobel边缘检测算子sx、sy做卷积,sx对垂直边缘的影响最大,sy对水平边缘影响最大;两个卷积的最大值作为该像素点的输出,输出图像信号是矩阵{R(i,j)};选取合适的阈值TH,若R(i,j)≥TH,则(i,j)为边缘点,正常输出该点的对应值;若R(i,j)<TH,则(i,j)像素点置零,于是经过处理后的新图像矩阵{R'(i,j)}为边缘图像。
进一步地,所述阈值设定采用自适应Stein无偏风险估计阈值方法,原理是对于一个给定的阈值λ,先得到它的似然估计,再将非似然λ最小化就得到了所选择的阈值。
给定阈值λ定义为:
MAD为最佳尺度上小波系数估计的绝对均值,常数0.6745是高斯分布矫正选择的,σ代表噪声强度,n代表信号长度;
L2的似然无偏估计为:
I(ο)为引导函数,令λ~N(θ,1),
全局L2似然定义为:
正交小波变换:
为似然的无偏估计,λ=(λ1,...,λj)为噪声水平相关阈值,这样得到SURE阈值:
与现有技术相比,本发明的优点如下:
(1)、利用小波变换对图像信号矩阵进行去噪处理可以提高原布里渊散射信号谱的信噪比,使边缘检测结果更为精确;
(2)、边缘检测的自适应阈值判别使很多噪声点归零,使得布里渊散射谱中边缘锐化明显,屋顶状边缘突出,使频移定位更加精确;同时该检测无需进行拟合就可以通过均值线作差判断Δν,Δν为布里渊频移量。
附图说明
图1为本发明的基于sobel算子的布里渊散射谱图像识别方法流程示意图;
图2为本发明的小波变换的多尺度二维分解结构示意图;
图3为本发明的原始布里渊散射谱图(X矩阵);
图4为本发明的小波变换后布里渊散射谱图(矩阵{f(i,j)});
图5:边缘检测后布里渊散射谱图(矩阵{R'(i,j)})。
具体实施方式
下面结合附图对本发明做进一步地说明。
实施例1:
一种基于sobel算子的布里渊散射谱图像识别方法,包括如下步骤:
1、利用小波变换对图像矩阵X进行去噪处理及重构逼近处理,具体如下:
将带有高斯白噪声的布里渊散射谱仿真信号矩阵(矩阵大小21×1001)
(如图1)输入到基于db小波基的小波变换滤波器中,在实验中发现db5小波基对于信号有着良好的去噪效果,故而我们选择db5小波基。小波变换可以通过以下MATLAB小波变换函数:
[c,l]=wavedec2(X,5,'db5');
a2=wrcoef2('a',c,l,'db5',2);
来实现分解和重构,a2即矩阵{f(i,j)}。
在仿真程序中,设置发生布里渊频移的位置在传感距离为600-800的位置,频移大小预设为0.02GHz。通过多次实验验证,当小波分解尺度过大或者过小均不能取得良好的效果,实验发现当小波分解层数为2时效果最佳,因此小波滤波器的分解层数设置为2,在wavedec2函数分解后,利用wrcoef2函数对2层分解系数进行重构,重构类型选择type=a,即重构低频系数,因为噪声信号往往包含在高频信号中,我们通过重构低频信号,最大程度的减小噪声干扰,初步判断出有用信号中的频移信息,所获得的图像矩阵为{f(i,j)}(如图4)。
2、对小波去噪后的图像进行边缘检测识别。根据基于sobel算子的边缘检测方法,将矩阵{f(i,j)}中每个像素点(共21×1001个像素点)分别与sobel算子的sx、sy做卷积运算,
在MATLAB中提供了卷积运算函数conv2,通过该函数实现卷积运算的程序如下:
r1=conv2(a2,sx,'same');
r2=conv2(a2,sy,'same');
两个卷积的最大值作为该像素点的输出,这一过程通过MATLAB自带MAX函数实现,
r3=max(r1,r2);
输出图像矩r3(即{R(i,j)})。再使用MATLAB中自带的thselect函数,选择对于矩阵{f(i,j)}的自适应stein无偏风险估计类型(参数类型为rigrsure),获取自适应阈值TH为5.9474×10-4,
TH=thselect(a2,'rigrsure');
若R(i,j)>5.9474×10-4,则输出该元素值,低于阈值5.9474×10-4,则输出矩阵中该元素置零,从而构成边缘图像{R'(i,j)}(如图5)。
可以看出发生布里渊频移的位置在600-800之间,作出凸起边缘的均值线,作差后求出Δυ=0.02GHz,最后根据布里渊频移变化量与温度(或应变)的关系求出温度(或应变)大小。
Claims (5)
1.一种基于sobel算子的布里渊散射谱图像识别方法,其特征在于,包括如下步骤:
(1)、利用小波变换对图像矩阵X进行去噪处理及重构逼近处理,得到处理后的图像矩阵{f(i,j)};
(2)、将步骤(1)处理后的图像矩阵{f(i,j)}根据基于sobel算子的边缘检测方法,将矩阵中每个像素点分别与sobel算子的sx、sy做卷积运算,在MATLAB中提供了卷积运算函数conv2;两个卷积的最大值作为该像素点的输出,从而形成矩阵{R(i,j)},再使用MATLAB中自带的thselect函数,选择对于矩阵{f(i,j)}的自适应stein无偏风险估计类型,针对矩阵{f(i,j)}生成自适应阈值TH,若R(i,j)≥TH则输出该元素值,若某一元素低于阈值TH,则输出矩阵中该元素置零,最终构成矩阵{R'(i,j)}。
2.如权利要求1所述的一种基于sobel算子的布里渊散射谱图像识别方法,其特征在于,步骤(1)所述的利用小波变换对图像进行去噪处理及重构逼近处理处理,具体如下:
(1)选择Dauvechies(dbN)小波系函数作为小波基函数;
(2)选定小波基后,对图像矩阵X进行多尺度二维分解,具体如下:
其中,h代表多分辨分析中的低通滤波函数,g代表高通滤波函数,通过这两个滤波器后,将图像矩阵X分解为低频和高频信号集合,再分别从低频和高频信号集合中提取出布里渊散射信号中的低频信息a和细节信息d,每一层的分解系数c为一个行向量,大小为1*(size(X));在MATLAB中提供了二维图像的多尺度分解函数wavedec2,格式为[c,s]=wavedec2(X,N,’wname’),s代表各层分解系数长度,X为原信号,N为分解层数,wname代表小波基类型;
(3)针对分解后的系数矩阵,使用MATLAB自带的wrcoef2函数对图像信号进行重构逼近,该函数中,先用和两个滤波器对分解后的多尺度小波系数做去噪处理,然后再合成原信号,重构函数的格式为a2=wrcoef2(‘type’,c,l,’wname’,N);其中,a2为重构逼近后的图像信号,type为重构系数类型,当type为a、h、v、d分别代表重构低频系数、重构高频水平系数、重构高频垂直系数、重构高频对角系数;wname为小波基类型,N为重构尺度。
3.如权利要求2所述的一种基于sobel算子的布里渊散射谱图像识别方法,其特征在于,步骤(1)所述Dauvechies(dbN)小波系函数的有效支撑长度为2N-1,消失矩为N。
4.如权利要求1所述的一种基于sobel算子的布里渊散射谱图像识别方法,其特征在于,所述的步骤(2)的具体步骤如下:
在边缘检测中,对于经过小波变换进行去噪处理后得到的图像信号矩阵{f(i,j)}的每个像素点,
其中,sobel算子的定义如下:
sx={f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)}
-{f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)}
sy={f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)}
-{f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)}
sobel卷积算子如下:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>s</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>2</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>s</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>2</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
对{f(i,j)}中每一个像素点分别与sobel边缘检测算子sx、sy做卷积,sx对垂直边缘的影响最大,sy对水平边缘影响最大;两个卷积的最大值作为该像素点的输出,输出图像信号是矩阵{R(i,j)};选取合适的阈值TH,若R(i,j)≥TH,则(i,j)为边缘点,正常输出该点的对应值;若R(i,j)<TH,则(i,j)像素点置零,于是经过处理后的图像矩阵{R'(i,j)}为边缘图像。
5.如权利要求1所述的一种基于sobel算子的布里渊散射谱图像识别方法,其特征在于,步骤(2)所述的阈值设定采用自适应Stein无偏风险估计阈值方法,具体如下:
给定阈值λ定义为:
<mrow>
<mi>&lambda;</mi>
<mo>=</mo>
<mi>&sigma;</mi>
<msqrt>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>n</mi>
</mrow>
</msqrt>
<mo>,</mo>
<mi>&sigma;</mi>
<mo>=</mo>
<mi>M</mi>
<mi>A</mi>
<mi>D</mi>
<mo>/</mo>
<mn>0.6745</mn>
</mrow>
MAD为最佳尺度上小波系数估计的绝对均值,常数0.6745是高斯分布矫正选择的,σ代表噪声强度,n代表信号长度;
L2的似然无偏估计为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>ST</mi>
<mi>&lambda;</mi>
<mi>G</mi>
</msubsup>
<mo>&equiv;</mo>
<mn>1</mn>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>X</mi>
<mo>|</mo>
<mo>&le;</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msup>
<mi>&lambda;</mi>
<mn>4</mn>
</msup>
<mo>+</mo>
<mn>2</mn>
<msup>
<mi>&lambda;</mi>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mi>X</mi>
<mn>2</mn>
</msup>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>X</mi>
<mo>|</mo>
<mo>></mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
为引导函数,令λ~N(θ,1),
<mrow>
<mi>E</mi>
<mo>{</mo>
<msubsup>
<mi>ST</mi>
<mi>&lambda;</mi>
<mi>G</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<msubsup>
<mi>R</mi>
<mi>&lambda;</mi>
<mi>G</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
全局L2似然定义为:
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mover>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>f</mi>
</mrow>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
正交小波变换:
<mrow>
<mi>S</mi>
<mi>U</mi>
<mi>R</mi>
<mi>E</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>;</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<msup>
<mn>2</mn>
<mi>J</mi>
</msup>
</mfrac>
<mo>+</mo>
<mfrac>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>J</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msubsup>
<mi>ST</mi>
<mi>j</mi>
<mi>G</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>&sigma;</mi>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
为似然的无偏估计,λ=(λ1,...,λj)为噪声水平相关阈值,这样得到SURE阈值:
<mrow>
<mi>T</mi>
<mi>H</mi>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<mi>&lambda;</mi>
</munder>
<mo>{</mo>
<mi>S</mi>
<mi>U</mi>
<mi>R</mi>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>;</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710794371.5A CN107590785B (zh) | 2017-09-06 | 2017-09-06 | 一种基于sobel算子的布里渊散射谱图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710794371.5A CN107590785B (zh) | 2017-09-06 | 2017-09-06 | 一种基于sobel算子的布里渊散射谱图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590785A true CN107590785A (zh) | 2018-01-16 |
CN107590785B CN107590785B (zh) | 2020-06-16 |
Family
ID=61051081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710794371.5A Active CN107590785B (zh) | 2017-09-06 | 2017-09-06 | 一种基于sobel算子的布里渊散射谱图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590785B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101889A (zh) * | 2018-07-12 | 2018-12-28 | 苏海英 | 基于灰尘分析的指纹扫描机构 |
CN109490409A (zh) * | 2018-10-19 | 2019-03-19 | 国网浙江省电力有限公司电力科学研究院 | 一种基于小波变换的高压电缆铅封涡流检测方法 |
CN110274620A (zh) * | 2019-07-26 | 2019-09-24 | 南京航空航天大学 | 一种基于频谱中心对齐的布里渊散射信号去噪方法 |
CN113326722A (zh) * | 2020-02-29 | 2021-08-31 | 湖南超能机器人技术有限公司 | 基于序列模式的图像模糊检测方法及设备 |
CN113828892A (zh) * | 2021-10-29 | 2021-12-24 | 广东福维德焊接股份有限公司 | 基于hdr图像的熔池中心识别***及焊缝跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216117A1 (en) * | 2012-02-22 | 2013-08-22 | Zakrytoe Akcionernoe Obshchestvo Impul's | Method of noise reduction in digital x-rayograms |
CN103955894A (zh) * | 2014-04-14 | 2014-07-30 | 武汉科技大学 | 一种量子启发的医学超声图像去斑方法 |
CN106469438A (zh) * | 2015-11-09 | 2017-03-01 | 浙江师范大学 | 基于卡方无偏估计的邻域收缩mri去噪方法 |
-
2017
- 2017-09-06 CN CN201710794371.5A patent/CN107590785B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130216117A1 (en) * | 2012-02-22 | 2013-08-22 | Zakrytoe Akcionernoe Obshchestvo Impul's | Method of noise reduction in digital x-rayograms |
CN103955894A (zh) * | 2014-04-14 | 2014-07-30 | 武汉科技大学 | 一种量子启发的医学超声图像去斑方法 |
CN106469438A (zh) * | 2015-11-09 | 2017-03-01 | 浙江师范大学 | 基于卡方无偏估计的邻域收缩mri去噪方法 |
Non-Patent Citations (1)
Title |
---|
刘占: "基于局部期望阈值分割的图像边缘检测算法", 《计算机与现代化》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101889A (zh) * | 2018-07-12 | 2018-12-28 | 苏海英 | 基于灰尘分析的指纹扫描机构 |
CN109490409A (zh) * | 2018-10-19 | 2019-03-19 | 国网浙江省电力有限公司电力科学研究院 | 一种基于小波变换的高压电缆铅封涡流检测方法 |
CN110274620A (zh) * | 2019-07-26 | 2019-09-24 | 南京航空航天大学 | 一种基于频谱中心对齐的布里渊散射信号去噪方法 |
CN113326722A (zh) * | 2020-02-29 | 2021-08-31 | 湖南超能机器人技术有限公司 | 基于序列模式的图像模糊检测方法及设备 |
CN113828892A (zh) * | 2021-10-29 | 2021-12-24 | 广东福维德焊接股份有限公司 | 基于hdr图像的熔池中心识别***及焊缝跟踪方法 |
CN113828892B (zh) * | 2021-10-29 | 2022-05-10 | 广东福维德焊接股份有限公司 | 基于hdr图像的熔池中心识别***及焊缝跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107590785B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590785A (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
CN105069807B (zh) | 一种基于图像处理的冲压工件缺陷检测方法 | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN102324021B (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
CN101847257B (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
CN104616274B (zh) | 一种基于显著性区域提取的多聚焦图像融合方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN104091151A (zh) | 基于Gabor特征提取和稀疏表示的车辆识别方法 | |
CN110363763B (zh) | 图像质量评价方法、装置、电子设备及可读存储介质 | |
CN110516728B (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN104794440B (zh) | 一种基于多分块多尺度lbp的假指纹检测方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN103208097A (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN103679661A (zh) | 一种基于显著性分析的自适应遥感图像融合方法 | |
Denis et al. | From patches to deep learning: Combining self-similarity and neural networks for SAR image despeckling | |
CN103310414A (zh) | 基于方向波变换和模糊理论的图像增强方法 | |
CN106940904A (zh) | 基于人脸识别和语音识别的考勤*** | |
CN103778615B (zh) | 基于区域相似性的多聚焦图像融合方法 | |
CN105931235A (zh) | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 | |
Zhong et al. | Multiscale feature extraction based on convolutional sparse decomposition for hyperspectral image classification | |
CN102968779A (zh) | 基于FCM聚类的非下采样Contourlet域MRI图像增强方法 | |
CN116310452B (zh) | 一种多视图聚类方法及*** | |
CN102289800B (zh) | 基于Treelet的Contourlet域图像去噪方法 | |
CN109300097B (zh) | 基于自适应分块的多序列图像融合方法 |
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 |