CN108765305A - 一种离焦qr码图像盲复原方法 - Google Patents

一种离焦qr码图像盲复原方法 Download PDF

Info

Publication number
CN108765305A
CN108765305A CN201810335921.1A CN201810335921A CN108765305A CN 108765305 A CN108765305 A CN 108765305A CN 201810335921 A CN201810335921 A CN 201810335921A CN 108765305 A CN108765305 A CN 108765305A
Authority
CN
China
Prior art keywords
edge
image
defocus
code
code images
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
Application number
CN201810335921.1A
Other languages
English (en)
Other versions
CN108765305B (zh
Inventor
谭洪舟
谢志勇
陈荣军
谢舜道
林远鑫
朱雄泳
曾衍瀚
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
SYSU CMU Shunde International Joint Research Institute
Research Institute of Zhongshan University Shunde District Foshan
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 Sun Yat Sen University, SYSU CMU Shunde International Joint Research Institute, Research Institute of Zhongshan University Shunde District Foshan filed Critical Sun Yat Sen University
Priority to CN201810335921.1A priority Critical patent/CN108765305B/zh
Publication of CN108765305A publication Critical patent/CN108765305A/zh
Application granted granted Critical
Publication of CN108765305B publication Critical patent/CN108765305B/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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/06009—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking
    • G06K19/06037—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code with optically detectable marking multi-dimensional coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

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

Abstract

本发明公开了一种离焦QR码图像盲复原方法，先对QR码图像进行灰度化处理以及边缘检测处理后得到边缘图像，然后对边缘图像进行处理得到边缘直线以及导数值变化率最大的点，根据边缘直线和导数值变化率最大的点可以计算得到离焦半径，进而可以得到点扩散函数，最后根据点扩散函数对模糊的QR码图像进行复原，在尽可能恢复图像质量的同时，减少计算量，并且减少复原的时间。

Description

一种离焦QR码图像盲复原方法
技术领域
本发明涉及图像处理技术领域，特别是一种离焦QR码图像盲复原方法。
背景技术
随着物联网技术的迅速发展，QR码图像的应用越来越广泛。由于QR码图像在获取、压缩、存储、传输和重建的过程中容易受各种因素的影响变得模糊，不利于条码的广泛应用，所以研究模糊QR码图像恢复技术，增加条码图像清晰度具有十分重要的理论和实际应用价值。
离焦模糊图像是由清晰QR码图像与点扩散函数(或者被称为模糊核)进行卷积再加上噪声得到的，而图像复原过程则是图像反卷积过程或者被称作去卷积过程，根据点扩散函数是否已知，可以将图像复原分为两类：一类是模糊图像的非盲去卷积技术，假设模糊图像的点扩散函数已知，直接对模糊图像进行去卷积运算；另一类是模糊图像的盲去卷积技术，在模糊图像的点扩散函数未知的情况下，需要结合模糊图像本身的先验知识来复原出清晰图像，这是一个不定性问题。
在实际应用过程中，QR码采集***的点扩散函数是未知的，需要同时估计出点扩散函数和原始清晰条码图像，一种有效的盲复原方法是先估计出点扩散函数，将盲去卷积问题转化为非盲去卷积问题，从而降低图像复原难度，现有的传统图像盲复原方法中，一般是通过倒谱法，微分自相关法和频域法来估计点扩散函数参数，然后根据参数进行图像复原，这几种方法对于模糊程度较小的图像效果一般，若模糊程度较大或者图像中存在噪声时，估计效果不好，甚至不能使用，且需要将图像变换到频域进行分析，计算量大且复原时间长，不利于实际生产中的广泛应用。
发明内容
为解决上述问题，本发明的目的在于提供一种离焦QR码图像盲复原方法，在保证恢复图像质量的同时，能够有效地降低条码图像恢复过程中的计算量和恢复时间。
本发明解决其问题所采用的技术方案是：
一种离焦QR码图像盲复原方法，包括以下步骤：
A、对输入的QR码图像进行灰度化处理；
B、对灰度化处理后的QR码图像进行截取，得到边缘图像；
C、对边缘图像进行边缘检测，得到边缘矩阵；
D、对边缘矩阵进行逐列扫描，获取边缘直线的位置；
E、对边缘图像进行求导，并通过计算得到导数值变化率最大的点；
F、计算边缘直线和导数值变化率最大的点之间的距离，得到估计的离焦半径；
G、根据离焦半径计算得到点扩散函数，根据点扩散函数对散焦模糊的QR码图像进行复原。
进一步，所述步骤A对输入的QR码图像进行灰度化处理，其中，对QR码图像进行灰度化处理后，其像素矩阵表示为：
其中a(i,j)为QR码图像中位置为(i,j)的像素值，1<i<M，1<j<N，N为QR码图像的宽度，M为QR码图像的高度。
进一步，所述步骤B中对灰度化处理后的QR码图像进行截取，具体步骤为：对QR码图像进行预处理，并截取QR码图像左上角的1/4区域。由于QR码定位框的位置特性，以及不同数据量的QR码的定位框大小，通过截取左上角1/4区域作为检测对象，可以在减少计算量的同时不影响模糊半径的估计。
进一步，所述步骤C对边缘图像进行边缘检测中，采用Canny检测算子对边缘图像进行边缘检测。相较于多种边缘检测算子，Canny算子对边缘图像的检测效果较好。
进一步，所述步骤D对边缘矩阵进行逐列扫描中，采用查找算法对边缘矩阵进行查找，通过比较直至第一次获得连续数值为1的一列，即为边缘直线所在的位置。
进一步，所述步骤E对边缘图像进行求导的具体步骤为：对边缘图像进行二次求导，其中第一次求导的公式为：
dx(i,j)＝I(i+1,j)-I(i,j)；
dy(i,j)＝I(i,j+1)-I(i,j)；
其中I为边缘图像，I(i,j)为边缘图像I中位置为(i,j)处的值，在求得一阶导数后，根据以下公式对一阶导数进行再次求导：
G(x,y)＝dx(i,j)-dy(i,j)。
进一步，所述步骤E通过计算得到导数值变化率最大的点，根据边缘图像I的二阶导数以及边缘直线的法线方向得到导数值变化率最大的点。为了高效率的找到导数值变化率最大的点，就需要对边缘图像的一阶导数再进行求导。
进一步，所述步骤G根据离焦半径计算得到点扩散函数中，将离焦半径带入到离焦退化模型中，得到点扩散函数，其中离焦退化模型为：
其中h(x,y)为点扩散函数，R为离焦半径。
进一步，所述步骤G根据点扩散函数对散焦模糊的QR码图像进行复原中，根据点扩散函数结合RL算法对散焦模糊的QR码图像进行复原。
本发明的有益效果是：本发明采用的一种离焦QR码图像盲复原方法，对QR码图像进行灰度化处理以及边缘检测处理后得到边缘图像，然后在对边缘图像进行处理得到边缘直线以及导数值变化率最大的点，根据边缘直线和导数值变化率最大的点可以计算得到离焦半径，进而可以得到点扩散函数，最后根据点扩散函数对模糊的QR码图像进行复原，计算量小且恢复速度快。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种离焦QR码图像盲复原方法的流程框图；
图2是未复原前的QR码图像；
图3是边缘检测后的QR码图像；
图4是对边缘图像二次求导后的关系图；
图5是复原后的QR码图像。
具体实施方式
参照图1，本发明的一种离焦QR码图像盲复原方法，包括以下步骤：
A、对输入的QR码图像进行灰度化处理；
由于输入的QR码图像各不相同，在颜色、状态以及其他各方面都有一定的差异，为了使最后QR码图像的复原效果较好，就需要对QR码图像进行灰度化处理，在对QR码图像进行灰度化处理后，其像素矩阵表示为：
其中a(i,j)为QR码图像中位置为(i,j)的像素值，1<i<M，1<j<N，N为QR码图像的宽度，M为QR码图像的高度。
B、对灰度化处理后的QR码图像进行截取，得到边缘图像；
首先由于QR码图像的获取途径不同，一般由拍摄或者扫描得到，所以获取的QR码图像会存在一定的多余信息，所以就需要对灰度化后的QR码图像进行预处理，消除QR码图像中多余的无关信息，并恢复部分真实的有用信息，以保证复原的效果。
在对QR码图像进行预处理后，需要对QR码图像进行截取，由于QR码定位框的位置特性，以及不同数据量的QR码的定位框大小，通过截取左上角1/4区域作为检测对象，可以在减少计算量的同时不影响模糊半径的估计。
C、对边缘图像进行边缘检测，得到边缘矩阵；
通过对比不同边缘检测算子的效果之后，本发明选取效果较好的Canny检测算子对边缘图像进行边缘检测，Canny的目标是找到一个最优的边缘检测算法，包括了三个步骤：去噪声；寻找图像中的亮度梯度；在图像中追踪边缘。
Canny检测算子作为一种多级边缘检测算法，适用于不同的场合，他的参数允许根据不同实现的特定要求进行调整以识别不同的边缘特性，所以Canny检测算子相对于其他边缘检测算子而言，检测效果较好。
D、对边缘矩阵进行逐列扫描，获取边缘直线L的位置；
具体地，所述步骤D对边缘矩阵进行逐列扫描中，采用查找算法对边缘矩阵进行查找，通过比较直至第一次获得连续数值为1的一列，即为边缘直线L所在的位置。
E、对边缘图像进行求导，并通过计算得到导数值变化率最大的点Q；
具体地，所述步骤E对边缘图像进行求导的具体步骤为：对边缘图像进行二次求导，其中第一次求导的公式为：
dx(i,j)＝I(i+1,j)-I(i,j)；
dy(i,j)＝I(i,j+1)-I(i,j)；
其中I为边缘图像，I(i,j)为边缘图像I中位置为(i,j)处的值，在求得一阶导数后，为了高效率的找到导数值变化率最大的点Q，就需要对边缘图像的一阶导数再进行求导，根据以下公式对一阶导数进行再次求导：
G(x,y)＝dx(i,j)-dy(i,j)。
在求得边缘图像I的二阶导数后，根据边缘图像I的二阶导数以及边缘直线的法线方向得到导数值变化率最大的点Q。
F、计算边缘直线L和导数值变化率最大的点Q之间的距离，即对应列数之间的距离，得到估计的离焦半径R；
G、根据离焦半径R计算得到点扩散函数，根据点扩散函数对散焦模糊的QR码图像进行复原。
具体地，所述步骤G根据离焦半径计算得到点扩散函数中，将离焦半径带入到离焦退化模型中，得到点扩散函数，其中离焦退化模型为：
其中h(x,y)为点扩散函数。
在得到点扩散函数后，根据点扩散函数结合RL算法对散焦模糊的QR码图像进行复原。
为了验证本发明对于模糊的QR码图像的复原效果，首先输入一幅模糊的QR码图像，如图2所示，然后对其进行灰度化处理，以保证后续的复原效果，然后对输入的QR码图像进行边缘检测获得边缘矩阵，如图3所示为经边缘检测后的QR码图像，然后使用查找算法寻找到边缘直线，边缘矩阵中第一个数值全为1的列即为边缘直线所在的列，同时对经边缘图像的一阶导数进行再次求导，如图4所示的经二次求导后的关系图，纵坐标为梯度值(即二次求导后的结果)，横坐标为图像列的位置，其中纵坐标可以看作是边缘直线所处的位置，而横坐标即可以看作是边缘直线的法线，由边缘直线的原点开始向其法线方向寻找导数变化率最大的点，即可以确定Q点的位置，由图4中可以看出导数变化率最大的点的横坐标为10，即可以确定导数变化率最大的点Q的位置的坐标为10，而边缘直线由于设置为起点，故边缘直线的坐标为0，所以可以获得估计的离焦半径为10，然后将离焦半径带入到离焦退化模型中，计算得到点扩散函数最终利用RL算法结合点扩散函数对模糊的QR码图像进行复原，得到如图5所示的复原后的图像，对比图2以及图5，可以看出，本发明的复原方法的复原效果较好，在复原图像清晰度的同时保证图像的质量。
具体地，由于离焦半径的大小是由边缘直线和Q点之间的距离决定的，所以对于边缘直线所处的具体坐标不需要获取，只需要知道其位置，在得到边缘直线的位置后，以边缘直线所处的位置作为纵坐标，以边缘直线的法线方向作为横坐标建立坐标系，然后根据二次求导的结果去寻找导数变化率最大的点，由于边缘图像中的各个点之间的间隔是一致的，所以导数变化率最大的点到边缘直线的距离即可判定为离焦半径R的大小，也就是图4当中横坐标上的图像列位置并不是实际在边缘图像中的具***置，而是一个相对位置。
同时将本发明的复原方法和目前已知的其他几种方法进行比较，选择大小为512*512的图像作为输入，比较整个复原过程所花的时间，
方法 文献1 文献2 文献3 文献4 本发明方法
复原时间 21.58s 20.87s 24.77s 24.81s 0.45s
各个方法所花的时间如表1所示:
表1(本发明与其他方法的复原时间数据)
通过表1中的数据可以看出，本发明的方法所花费的复原时间相当短，比其他的复原方法要快50-60倍。
所以本发明的发明不仅复原效果好，整个复原过程的计算时间也相对较短，计算量也较小。
参考文献：
文献1：Pan J,Hu Z,Su Z,et al.Deblurring Text Images via L0-RegularizedIntensity and Gradient Prior[C]//Computer Vision and PatternRecognition.IEEE,2014:2901-2908.
文献2：Krishnan D,Tay T,Fergus R.Blind deconvolution using anormalized sparsity measure[C]//Computer Vision and Pattern Recognition.IEEE,2011:233-240.
文献3：Perrone D,Favaro P.A Clearer Picture of Total Variation BlindDeconvolution[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2016,38(6):1041-1055.
文献4：Gao K,Zhu Z,Dou Z,et al.Variable Exponent RegularizationApproach for Blur Kernel Estimation of Remote Sensing Image Blind Restoration[J].IEEE Access,2018,6(99):4352-4374.
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (9)

1.一种离焦QR码图像盲复原方法，其特征在于：包括以下步骤：
A、对输入的QR码图像进行灰度化处理；
B、对灰度化处理后的QR码图像进行截取，得到边缘图像；
C、对边缘图像进行边缘检测，得到边缘矩阵；
D、对边缘矩阵进行逐列扫描，获取边缘直线的位置；
E、对边缘图像进行求导，并通过计算得到导数值变化率最大的点；
F、计算边缘直线和导数值变化率最大的点之间的距离，得到估计的离焦半径；
G、根据离焦半径计算得到点扩散函数，根据点扩散函数对散焦模糊的QR码图像进行复原。
2.根据权利要求1所述的一种离焦QR码图像盲复原方法，其特征在于：所述步骤A对输入的QR码图像进行灰度化处理，其中，对QR码图像进行灰度化处理后，其像素矩阵表示为：
其中a(i,j)为QR码图像中位置为(i,j)的像素值，1<i<M，1<j<N，N为QR码图像的宽度，M为QR码图像的高度。
3.根据权利要求1所述的一种离焦QR码图像盲复原方法，其特征在于：所述步骤B中对灰度化处理后的QR码图像进行截取，具体步骤为：对QR码图像进行预处理，并截取QR码图像左上角的1/4区域。
4.根据权利要求1所述的一种离焦QR码图像盲复原方法，其特征在于：所述步骤C对边缘图像进行边缘检测中，采用Canny检测算子对边缘图像进行边缘检测。
5.根据权利要求1所述的一种离焦QR码图像盲复原方法，其特征在于：所述步骤D对边缘矩阵进行逐列扫描中，采用查找算法对边缘矩阵进行查找，通过比较直至第一次获得连续数值为1的一列，即为边缘直线所在的位置。
6.根据权利要求1所述的一种离焦QR码图像盲复原方法，其特征在于：所述步骤E对边缘图像进行求导的具体步骤为：对边缘图像进行二次求导，其中第一次求导的公式为：
dx(i,j)＝I(i+1,j)-I(i,j)；
dy(i,j)＝I(i,j+1)-I(i,j)；
其中I为边缘图像，I(i,j)为边缘图像I中位置为(i,j)处的值，在求得一阶导数后，根据以下公式对一阶导数进行再次求导：
G(x,y)＝dx(i,j)-dy(i,j)。
7.根据权利要求6所述的一种离焦QR码图像盲复原方法，其特征在于：所述步骤E通过计算得到导数值变化率最大的点，根据边缘图像I的二阶导数以及边缘直线的法线方向得到导数值变化率最大的点。
8.根据权利要求1所述的一种离焦QR码图像盲复原方法，其特征在于：所述步骤G根据离焦半径计算得到点扩散函数中，将离焦半径带入到离焦退化模型中，得到点扩散函数，其中离焦退化模型为：
其中h(x,y)为点扩散函数，R为离焦半径。
9.根据权利要求1所述的一种离焦QR码图像盲复原方法，其特征在于：所述步骤G根据点扩散函数对散焦模糊的QR码图像进行复原中，根据点扩散函数结合RL算法对散焦模糊的QR码图像进行复原。
CN201810335921.1A 2018-04-16 2018-04-16 一种离焦qr码图像盲复原方法 Active CN108765305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810335921.1A CN108765305B (zh) 2018-04-16 2018-04-16 一种离焦qr码图像盲复原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810335921.1A CN108765305B (zh) 2018-04-16 2018-04-16 一种离焦qr码图像盲复原方法

Publications (2)

Publication Number Publication Date
CN108765305A true CN108765305A (zh) 2018-11-06
CN108765305B CN108765305B (zh) 2021-04-06

Family

ID=64010878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810335921.1A Active CN108765305B (zh) 2018-04-16 2018-04-16 一种离焦qr码图像盲复原方法

Country Status (1)

Country Link
CN (1) CN108765305B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200741A (zh) * 2020-10-09 2021-01-08 广东技术师范大学 一种基于边缘先验的离焦二维码图像复原方法
CN113743147A (zh) * 2021-07-16 2021-12-03 广东技术师范大学 一种基于模糊成像机理的抗模糊二维码图像及其盲复原方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236650A (zh) * 2008-01-24 2008-08-06 上海交通大学 基于梯度加载优化的实时旋转模糊图像恢复方法
CN102194115A (zh) * 2010-03-18 2011-09-21 富士通株式会社 图像处理装置和图像处理方法
US20120278670A1 (en) * 2011-04-27 2012-11-01 Kyocera Document Solutions, Inc. Image Processing Apparatus
US20160328635A1 (en) * 2015-05-05 2016-11-10 Massachusetts Institute Of Technology Substrate Pre-Scanning for High Throughput Microscopy
CN107067373A (zh) * 2016-12-13 2017-08-18 南京航空航天大学 一种基于0范数的梯度最小化二值图像复原方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236650A (zh) * 2008-01-24 2008-08-06 上海交通大学 基于梯度加载优化的实时旋转模糊图像恢复方法
CN102194115A (zh) * 2010-03-18 2011-09-21 富士通株式会社 图像处理装置和图像处理方法
US20120278670A1 (en) * 2011-04-27 2012-11-01 Kyocera Document Solutions, Inc. Image Processing Apparatus
US20160328635A1 (en) * 2015-05-05 2016-11-10 Massachusetts Institute Of Technology Substrate Pre-Scanning for High Throughput Microscopy
CN107067373A (zh) * 2016-12-13 2017-08-18 南京航空航天大学 一种基于0范数的梯度最小化二值图像复原方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DAVID MUNOZ-MEJIAS、IVAN GONZALEZ-DIAZ、FERNANDO DIAZ-DE-MARIA: "A low-complexity pre-processing system for restoring low-quality QR code images", 《IEEE TRANSACTIONS ON CONSUMER ELECTRONICS》 *
孙韶杰、吴琼、李国辉: "离焦模糊图像的盲复原方法", 《计算机科学与探索》 *
张颖，曲博超，贾志芳: "散焦模糊图像点扩散函数参数估计", 《电子技术与软件工程》 *
明安龙、马华东、赵庆鹏: "散焦模糊的畸变QR barcode图像复原技术", 《计算机辅助设计与图形学学报》 *
赵艳: "带噪声离焦模糊图像复原", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200741A (zh) * 2020-10-09 2021-01-08 广东技术师范大学 一种基于边缘先验的离焦二维码图像复原方法
CN112200741B (zh) * 2020-10-09 2022-05-17 广东技术师范大学 一种基于边缘先验的离焦二维码图像复原方法
CN113743147A (zh) * 2021-07-16 2021-12-03 广东技术师范大学 一种基于模糊成像机理的抗模糊二维码图像及其盲复原方法
CN113743147B (zh) * 2021-07-16 2023-08-29 广东技术师范大学 一种基于模糊成像机理的抗模糊二维码图像及其盲复原方法

Also Published As

Publication number Publication date
CN108765305B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
US20180158177A1 (en) System for processing images
CN104408707B (zh) 一种快速数字成像模糊鉴别与复原图像质量评估方法
Yan et al. Improved nonlocal means based on pre-classification and invariant block matching
US20140355901A1 (en) Algorithm for minimizing latent sharp image cost function and point spread function cost function with a spatial mask in a regularization term
CN109377450B (zh) 一种边缘保护的去噪方法
CN107507215B (zh) 一种基于自适应量化增强的电力设备红外热图分割方法
CN109447117B (zh) 双层车牌识别方法、装置、计算机设备及存储介质
CN109255792B (zh) 一种视频图像的分割方法、装置、终端设备及存储介质
CN106204617A (zh) 基于残差图像直方图循环移位的自适应图像二值化方法
CN114170103A (zh) 一种电气设备红外图像增强方法
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN108765305A (zh) 一种离焦qr码图像盲复原方法
Lu et al. A shadow removal method for tesseract text recognition
Jassim Semi-optimal edge detector based on simple standard deviation with adjusted thresholding
CN113743147B (zh) 一种基于模糊成像机理的抗模糊二维码图像及其盲复原方法
CN112200741B (zh) 一种基于边缘先验的离焦二维码图像复原方法
Wu et al. Image Edge Detection Based on Sobel with Morphology
CN109410227B (zh) 一种基于gvf模型的土地利用图斑轮廓提取算法
CN115035350B (zh) 一种基于边缘检测增强的对空地、地面背景小目标检测方法
CN110930358A (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN105825480A (zh) 一种基于蓝宝石表面缺损自动化检测的图像去模糊方法
Ramírez et al. Deceived bilateral filter for improving the classification of football players from tv broadcast
CN114998186A (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及***
CN108961290B (zh) 一种基于Otsu的Ratio算子自适应图像边缘检测方法
Krylov et al. Image enhancement by non-iterative grid warping

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240531

Address after: 510000 No. 135 West Xingang Road, Guangdong, Guangzhou

Patentee after: SUN YAT-SEN University

Country or region after: China

Address before: No.9, Nanguo East Road, Yunlu community residents committee, Daliang sub district office, Shunde District, Foshan City, Guangdong Province, 528399

Patentee before: FOSHAN SHUNDE SUN YAT-SEN UNIVERSITY Research Institute

Country or region before: China

Patentee before: SYSU-CMU SHUNDE INTERNATIONAL JOINT Research Institute

Patentee before: SUN YAT-SEN University