CN109447091A - 一种具有精准坐标的图像特征点提取方法 - Google Patents
一种具有精准坐标的图像特征点提取方法 Download PDFInfo
- Publication number
- CN109447091A CN109447091A CN201811223322.7A CN201811223322A CN109447091A CN 109447091 A CN109447091 A CN 109447091A CN 201811223322 A CN201811223322 A CN 201811223322A CN 109447091 A CN109447091 A CN 109447091A
- Authority
- CN
- China
- Prior art keywords
- point
- boundary curve
- endpoint
- curve
- corn
- 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.)
- Withdrawn
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种具有精准坐标的图像特征点提取方法。包括如下步骤:步骤1,输入灰度图像;步骤2,边缘检测;步骤3,合并边缘;步骤4,边缘长度筛选;步骤5,边缘参数化处理;步骤6,构造尺度空间;步骤7,计算绝对曲率;步骤8,搜索局部极值点;步骤9,提取特征点;步骤10,定位特征点坐标;步骤11,输出特征点。采用本发明所述的方法,能够检测图像特征点并准确定位坐标,可以应用于数字图像配准等领域。
Description
技术领域
本发明涉及一种数字图像处理领域,具体说是一种具有精准坐标的图像特征点提取方法。
背景技术
数字图像处理中,特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点(即两个边缘的交点)。图像特征点在基于特征点的图像匹配算法中有着十分重要的作用。图像特征点能够反映图像本质特征,能够标识图像中目标物体。通过特征点的匹配能够完成图像的匹配。目前常用的图像特征点提取算法有SIFT算法和SURF算法等,用高维特征向量描述特征点,然而,现有特征点提取方法仍存在以下两个问题:
(1)计算复杂度较大,难以达到实时处理;
(2)特征点坐标定位不准确,导致在配准等应用中产生较大的误差。
发明内容
本发明提供了一种具有精准坐标的图像特征点提取方法,运用参数化归一处理,并结合尺度空间,采用在大尺度上提取特征点,小尺度上准确定位坐标的流程,计算量小,特征点坐标准确可靠。
为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
步骤1:输入高为h,宽为w的灰度图像I;
步骤2:对图像I进行边缘检测,得到边缘集合SE;
步骤3:遍历边缘集合SE中的所有边缘曲线,进行合并处理,得到合并边缘集合SME,具体方法为:选取边缘集合SE中两条边缘曲线Ci和Cj,其中1≤i≤NSE,1≤j≤NSE,i≠j,NSE为边缘集合SE中边缘曲线的数量,当min(di1j1,di1j2,di2j1,di2j2)小于阈值Tgap时,则将两条边缘曲线Ci和Cj合并为一条曲线,记为边缘曲线Cij,用曲线Cij替换边缘曲线Ci和Cj,其中min()为求最小值函数,di1j1为边缘曲线Ci的端点i1到边缘曲线Cj的端点j1之间的距离,di1j2为边缘曲线Ci的端点i1到边缘曲线Cj的端点j2之间的距离,di2j1为边缘曲线Ci的端点i2到边缘曲线Cj的端点j1之间的距离,di2j2为边缘曲线Ci的端点i2到边缘曲线Cj的端点j2之间的距离;
步骤4:遍历合并边缘集合SME中的所有边缘曲线,当边缘曲线的长度大于阈值Tlength时,则保留,否则删除,得到长边缘集合SLE;
所述的阈值Tlength=(h+w)/β,β为长度调整因子,取值越小,保留的边缘曲线的长度越大;
步骤5:对长边缘集合SLE中的所有边缘曲线CP1P2分别进行参数化处理,得到参数化长边缘集合SPLE,对边缘曲线CP1P2的参数化处理方法为:
式(1)中,PCP1P2为边缘曲线CP1P2的参数化处理结果,P1和P2分别为边缘曲线CP1P2的两个端点,x(p)和y(p)分别为边缘曲线CP1P2上的点p的横坐标和纵坐标,x(p)′和x(p)″分别为x(p)的一阶导数和二阶导数,y(p)′和y(p)″分别为y(p)的一阶导数和二阶导数;
步骤6:基于步骤5中的参数化长边缘集合SPLE,构造包含SPLEσ1,SPLEσ2和SPLEσ3三个尺度分层的尺度空间ScaleSP={SPLEσ1,SPLEσ2,SPLEσ3},具体方法为:
式(2)中,为卷积运算符,G()为高斯卷积核,σ1,σ2和σ3为尺度空间因子,且σ1>σ2>σ3>1;
步骤7:分别计算尺度分层SPLEσ1,SPLEσ2和SPLEσ3中的所有参数化长边缘上所有点的绝对曲率,得到曲率集合SCσ1,SCσ2和SCσ3;
步骤8:搜索曲率集合SCσ1中的局部极值点,得到局部极值点集合SExtr;
步骤9:为了从局部极值点集合SExtr中剔除因噪声导致的高曲率点或圆弧突出点,遍历局部极值点集合SExtr中的所有局部极大值点Plmaxi,并与其相邻的两个局部极小值点Plmini-1和Plmini+1进行比较,当局部极大值点Plmaxi的取值小于局部极小值点Plmini-1的取值或局部极大值点Plmaxi的取值小于局部极小值点Plmini+1的取值时,从局部极值点集合SExtr中删除局部极大值点Plmaxi,得到特征点集合SCorn;
步骤10:由于步骤8中的局部极值点集合SExtr是在大尺度分层SPLEσ1上计算的,因此导致步骤9中得到的特征点集合SCorn中的特征点位置不准确,为了提高特征点位置的准确性,往小尺度方向对特征点集合SCorn中的特征点位置进行精确定位,具体精确定位方法为:Pkσ1为特征点集合SCorn中的一个特征点,搜索尺度分层SPLEσ2上以Pkσ1为中点的连续N1个点,N1为奇数,保留N1个点中具有最大绝对曲率的点,记为Pkσ2,继续搜索尺度分层SPLEσ3上以Pkσ2为中点的连续N2个点,N2为奇数,保留N2个点中具有最大绝对曲率的点,记为Pkσ3,最后搜索参数化长边缘集合SPLE上以Pkσ3为中点的连续N3个点,N3为奇数,保留N3个点中具有最大绝对曲率的点,记为Pfinal,用Pfinal替换Pkσ1,更新特征点集合SCorn;
迭代运行上述精确定位方法,直到遍历特征点集合SCorn中的所有特征点,得到具有精确位置坐标的特征点集合SCorn_AP;
为了防止准确特征点的漏检,需要在大尺度上扩大搜索范围,为了保证算法的运行效率,需要在小尺度上缩小搜索范围,所述的N1,N2和N3的关系为N1>N2>N3;
步骤11:将特征点集合SCorn_AP的特征点输出并显示在灰度图像I中。
所述的步骤2中的边缘检测方法采用双阈值的Canny边缘检测法。
所述的步骤3中的将两条边缘曲线Ci和Cj合并为一条曲线的方法为用直线连接两个距离最小的端点。
本发明的有益效果是:能够检测图像特征点并准确定位坐标,可以应用于数字图像配准等领域。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
图1中,101是输入灰度图像步骤,102是边缘检测步骤,103是边缘曲线合并处理步骤,104是边缘曲线长度筛选步骤,105是边缘曲线参数化处理步骤,106是构造尺度空间步骤,107是计算绝对曲率步骤,108是搜索局部极值点步骤,109是提取特征点步骤,110是精确定位特征点坐标步骤,111是输出特征点步骤。
下面结合附图详细描述本发明的具体实施方式。
在步骤101,输入高h=800,宽w=600的灰度图像I。
在步骤102,采用双阈值的Canny边缘检测法对图像I进行边缘检测,得到边缘集合SE,其中双阈值分别取0.2和0.7。
在步骤103,遍历边缘集合SE中的所有边缘曲线,进行合并处理,得到合并边缘集合SME,具体方法为:选取边缘集合SE中两条边缘曲线Ci和Cj,其中1≤i≤NSE,1≤j≤NSE,i≠j,NSE为边缘集合SE中边缘曲线的数量,当min(di1j1,di1j2,di2j1,di2j2)小于阈值Tgap时,则将两条边缘曲线Ci和Cj合并为一条曲线,记为边缘曲线Cij,用曲线Cij替换边缘曲线Ci和Cj,其中min()为求最小值函数,di1j1为边缘曲线Ci的端点i1到边缘曲线Cj的端点j1之间的距离,di1j2为边缘曲线Ci的端点i1到边缘曲线Cj的端点j2之间的距离,di2j1为边缘曲线Ci的端点i2到边缘曲线Cj的端点j1之间的距离,di2j2为边缘曲线Ci的端点i2到边缘曲线Cj的端点j2之间的距离。
所述的将两条边缘曲线Ci和Cj合并为一条曲线的方法为用直线连接两个距离最小的端点。
在步骤104,遍历合并边缘集合SME中的所有边缘曲线,当边缘曲线的长度大于阈值Tlength时,则保留,否则删除,得到长边缘集合SLE;
所述的阈值Tlength=(h+w)/β,β为长度调整因子,取值越小,保留的边缘曲线的长度越大;
设置β=14,即Tlength=(800+600)/β=100。
在步骤105,对长边缘集合SLE中的所有边缘曲线分别进行参数化处理,得到参数化长边缘集合SPLE,对边缘曲线CP1P2的参数化处理方法为:
式(3)中,PCP1P2为边缘曲线CP1P2的参数化处理结果,P1和P2分别为边缘曲线CP1P2的两个端点,x(p)和y(p)分别为边缘曲线CP1P2上的点p的横坐标和纵坐标,x(p)′和x(p)″分别为x(p)的一阶导数和二阶导数,y(p)′和y(p)″分别为y(p)的一阶导数和二阶导数。
在步骤106,基于步骤105中的参数化长边缘集合SPLE,构造包含SPLEσ1,SPLEσ2和SPLEσ3三个尺度分层的尺度空间ScaleSP={SPLEσ1,SPLEσ2,SPLEσ3},具体方法为:
式(4)中,为卷积运算符,G()为高斯卷积核,σ1,σ2和σ3为尺度空间因子,且σ1>σ2>σ3>1。
设置σ1=7,σ2=5和σ3=3。
在步骤107,分别计算尺度分层SPLEσ1,SPLEσ2和SPLEσ3中的所有参数化长边缘上所有点的绝对曲率,得到曲率集合SCσ1,SCσ2和SCσ3。
在步骤108,搜索曲率集合SCσ1中的局部极值点,得到局部极值点集合SExtr。
在步骤109,为了从局部极值点集合SExtr中剔除因噪声导致的高曲率点或圆弧突出点,遍历局部极值点集合SExtr中的所有局部极大值点Plmaxi,并与其相邻的两个局部极小值点Plmini-1和Plmini+1进行比较,当局部极大值点Plmaxi的取值小于局部极小值点Plmini-1的取值或局部极大值点Plmaxi的取值小于局部极小值点Plmini+1的取值时,从局部极值点集合SExtr中删除局部极大值点Plmaxi,得到特征点集合SCorn。
在步骤110,由于步骤108中的局部极值点集合SExtr是在大尺度分层SPLEσ1上计算的,因此导致步骤109中得到的特征点集合SCorn中的特征点位置不准确,为了提高特征点位置的准确性,往小尺度方向对特征点集合SCorn中的特征点位置进行精确定位,具体精确定位方法为:Pkσ1为特征点集合SCorn中的一个特征点,搜索尺度分层SPLEσ2上以Pkσ1为中点的连续N1个点,N1为奇数,保留N1个点中具有最大绝对曲率的点,记为Pkσ2,继续搜索尺度分层SPLEσ3上以Pkσ2为中点的连续N2个点,N2为奇数,保留N2个点中具有最大绝对曲率的点,记为Pkσ3,最后搜索参数化长边缘集合SPLE上以Pkσ3为中点的连续N3个点,N3为奇数,保留N3个点中具有最大绝对曲率的点,记为Pfinal,用Pfinal替换Pkσ1,更新特征点集合SCorn;
迭代运行上述精确定位方法,直到遍历特征点集合SCorn中的所有特征点,得到具有精确位置坐标的特征点集合SCorn_AP;
为了防止准确特征点的漏检,需要在大尺度上扩大搜索范围,为了保证算法的运行效率,需要在小尺度上缩小搜索范围,所述的N1,N2和N3的关系为N1>N2>N3。
设置N1=9,N2=7和N3=3。
在步骤111,将特征点集合SCorn_AP的特征点输出并显示在灰度图像I中。
Claims (8)
1.一种具有精准坐标的图像特征点提取方法,其特征在于包括以下步骤:
步骤1:输入高为h,宽为w的灰度图像I;
步骤2:对图像I进行边缘检测,得到边缘集合SE;
步骤3:遍历边缘集合SE中的所有边缘曲线,进行合并处理,得到合并边缘集合SME,;
步骤4:遍历合并边缘集合SME中的所有边缘曲线,当边缘曲线的长度大于阈值Tlength时,则保留,否则删除,得到长边缘集合SLE;
步骤5:对长边缘集合SLE中的所有边缘曲线CP1P2分别进行参数化处理,得到参数化长边缘集合SPLE;
步骤6:基于步骤5中的参数化长边缘集合SPLE,构造包含SPLEσ1,SPLEσ2和SPLEσ3三个尺度分层的尺度空间ScaleSP={SPLEσ1,SPLEσ2,SPLEσ3},具体方法为:
式(2)中,为卷积运算符,G()为高斯卷积核,σ1,σ2和σ3为尺度空间因子,且σ1>σ2>σ3>1;
步骤7:分别计算尺度分层SPLEσ1,SPLEσ2和SPLEσ3中的所有参数化长边缘上所有点的绝对曲率,得到曲率集合SCσ1,SCσ2和SCσ3;
步骤8:搜索曲率集合SCσ1中的局部极值点,得到局部极值点集合SExtr;
步骤9:遍历局部极值点集合SExtr中的所有局部极大值点Plmaxi,并与其相邻的两个局部极小值点Plmini-1和Plmini+1进行比较,得到特征点集合SCorn;
步骤10:往小尺度方向对特征点集合SCorn中的特征点位置进行精确定位,,更新特征点集合SCorn;
步骤11:将特征点集合SCorn_AP的特征点输出并显示在灰度图像I中。
2.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法,其特征在于步骤2中所述的边缘检测方法,是采用双阈值的Canny边缘检测法,具体方法为:选取边缘集合SE中两条边缘曲线Ci和Cj,其中1≤i≤NSE,1≤j≤NSE,i≠j,NSE为边缘集合SE中边缘曲线的数量,当min(di1j1,di1j2,di2j1,di2j2)小于阈值Tgap时,则将两条边缘曲线Ci和Cj合并为一条曲线,记为边缘曲线Cij,用曲线Cij替换边缘曲线Ci和Cj,其中min()为求最小值函数,di1j1为边缘曲线Ci的端点i1到边缘曲线Cj的端点j1之间的距离,di1j2为边缘曲线Ci的端点i1到边缘曲线Cj的端点j2之间的距离,di2j1为边缘曲线Ci的端点i2到边缘曲线Cj的端点j1之间的距离,di2j2为边缘曲线Ci的端点i2 到边缘曲线Cj的端点j2之间的距离。
3.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法,其特征在于步骤3中所述的合并处理,是将两条边缘曲线Ci和Cj合并为一条曲线的方法为用直线连接两个距离最小的端点。
4.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法,其特征在于步骤4中所述的阈值Tlength=(h+w)/β,β为长度调整因子,取值越小,保留的边缘曲线的长度越大;
5.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法,其特征在于步骤5中所述的参数化处理,其方法为:
式(1)中,PCP1P2为边缘曲线CP1P2的参数化处理结果,P1和P2分别为边缘曲线CP1P2的两个端点,x(p)和y(p)分别为边缘曲线CP1P2上的点p的横坐标和纵坐标,x(p)′和x(p)″分别为x(p)的一阶导数和二阶导数,y(p)′和y(p)″分别为y(p)的一阶导数和二阶导数。
6.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法,其特征在于步骤6中所述的尺度空间ScaleSP={SPLEσ1,SPLEσ2,SPLEσ3},具体方法为:
式(2)中,为卷积运算符,G()为高斯卷积核,σ1,σ2和σ3为尺度空间因子,且σ1>σ2>σ3>1;步骤7:分别计算尺度分层SPLEσ1,SPLEσ2和SPLEσ3中的所有参数化长边缘上所有点的绝对曲率,得到曲率集合SCσ1,SCσ2和SCσ3。
7.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法,其特征在于步骤9中所述的比较,具体过程为:当局部极大值点Plmaxi的取值小于局部极小值点Plmini-1的取值或局部极大值点Plmaxi的取值小于局部极小值点Plmini+1的取值时,从局部极值点集合SExtr中删除局部极大值点Plmaxi,得到特征点集合SCorn。
8.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法,其特征在于步骤10中所述的精确定位,具体精确定位方法为:Pkσ1为特征点集合SCorn中的一个特征点,搜索尺度分层SPLEσ2上以Pkσ1为中点的连续N1个点,N1为奇数,保留N1个点中具有最大绝对曲率的点,记为Pkσ2,继续搜索尺度分层SPLEσ3上以Pkσ2为中点的连续N2个点,N2为奇数,保留N2个点中具有最大绝对曲率的点,记为Pkσ3,最后搜索参数化长边缘集合SPLE上以Pkσ3为中点的连续N3个点,N3为奇数,保留N3个点中具有最大绝对曲率的点,记为Pfinal,用Pfinal替换Pkσ1,更新特征点集合SCorn。
迭代运行上述精确定位方法,直到遍历特征点集合SCorn中的所有特征点,得到具有精确位置坐标的特征点集合SCorn_AP;
所述的N1,N2和N3的关系为N1>N2>N3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811223322.7A CN109447091A (zh) | 2018-10-19 | 2018-10-19 | 一种具有精准坐标的图像特征点提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811223322.7A CN109447091A (zh) | 2018-10-19 | 2018-10-19 | 一种具有精准坐标的图像特征点提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447091A true CN109447091A (zh) | 2019-03-08 |
Family
ID=65547593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811223322.7A Withdrawn CN109447091A (zh) | 2018-10-19 | 2018-10-19 | 一种具有精准坐标的图像特征点提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447091A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705568A (zh) * | 2019-09-18 | 2020-01-17 | 芜湖职业技术学院 | 一种图像特征点提取的优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080059076A1 (en) * | 2006-09-06 | 2008-03-06 | Ajou University Industry- Academic Cooperation Foundation | Method for classifying leaves utilizing venation features |
CN103336964A (zh) * | 2013-07-12 | 2013-10-02 | 北京邮电大学 | 一种基于模值差镜像不变性的sift图像匹配方法 |
CN104376564A (zh) * | 2014-11-24 | 2015-02-25 | 西安工程大学 | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 |
CN106340010A (zh) * | 2016-08-22 | 2017-01-18 | 电子科技大学 | 一种基于二阶轮廓差分的角点检测方法 |
CN106709499A (zh) * | 2017-03-02 | 2017-05-24 | 西北工业大学 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
-
2018
- 2018-10-19 CN CN201811223322.7A patent/CN109447091A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080059076A1 (en) * | 2006-09-06 | 2008-03-06 | Ajou University Industry- Academic Cooperation Foundation | Method for classifying leaves utilizing venation features |
CN103336964A (zh) * | 2013-07-12 | 2013-10-02 | 北京邮电大学 | 一种基于模值差镜像不变性的sift图像匹配方法 |
CN104376564A (zh) * | 2014-11-24 | 2015-02-25 | 西安工程大学 | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 |
CN106340010A (zh) * | 2016-08-22 | 2017-01-18 | 电子科技大学 | 一种基于二阶轮廓差分的角点检测方法 |
CN106709499A (zh) * | 2017-03-02 | 2017-05-24 | 西北工业大学 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
Non-Patent Citations (2)
Title |
---|
张倩: "基于轮廓的角点检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵振刚: "图像角点检测算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705568A (zh) * | 2019-09-18 | 2020-01-17 | 芜湖职业技术学院 | 一种图像特征点提取的优化方法 |
CN110705568B (zh) * | 2019-09-18 | 2022-07-26 | 芜湖职业技术学院 | 一种图像特征点提取的优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107798326B (zh) | 一种轮廓视觉检测方法 | |
CN109060836B (zh) | 基于机器视觉的高压油管接头外螺纹检测方法 | |
CN112819845B (zh) | 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
AU2015283079A1 (en) | Detecting edges of a nucleus using image analysis | |
CN108022262A (zh) | 一种基于点的邻域重心向量特征的点云配准方法 | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
CN103337077A (zh) | 一种基于多尺度分割和sift的可见光与红外图像配准的方法 | |
Li et al. | Improved edge detection algorithm for canny operator | |
Daixian | SIFT algorithm analysis and optimization | |
CN103218809A (zh) | 一种珍珠长度参数的图像测量方法 | |
Zhu et al. | Integrating saliency and ResNet for airport detection in large-size remote sensing images | |
CN113096121A (zh) | 基于交叉断裂力学和图像处理的路面裂缝检测方法和*** | |
CN106537451B (zh) | 一种基于图像梯度矢量流场的血管脊点提取方法及装置 | |
CN109447091A (zh) | 一种具有精准坐标的图像特征点提取方法 | |
Xu et al. | Deep learning algorithm for real-time automatic crack detection, segmentation, qualification | |
TW201601119A (zh) | 物件辨識與定位方法 | |
Zhang et al. | Difference-deformable convolution with pseudo scale instance map for cell localization | |
Cheng et al. | Power pole detection based on graph cut | |
CN103489195B (zh) | 金属罐罐身图案方向检测方法 | |
CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 | |
CN115131374A (zh) | 基于三维点云的石油钻杆变径定位方法、***及电子设备 | |
Jingzhong et al. | Pattern recognition for counting of bounded bar steel | |
CN104103061A (zh) | 医学x线图像的分割方法及*** |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190308 |
|
WW01 | Invention patent application withdrawn after publication |