CN110009653A - 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 - Google Patents
基于灰度阈值分割法增加边缘识别点准确图像识别的方法 Download PDFInfo
- Publication number
- CN110009653A CN110009653A CN201910183480.2A CN201910183480A CN110009653A CN 110009653 A CN110009653 A CN 110009653A CN 201910183480 A CN201910183480 A CN 201910183480A CN 110009653 A CN110009653 A CN 110009653A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- threshold
- gray level
- boundary
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000011218 segmentation Effects 0.000 title claims abstract description 33
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 230000001965 increasing effect Effects 0.000 claims abstract description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 210000000746 body region Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种基于灰度阈值分割法增加边缘识别点提高图像识别准确率方法。首先对图像进行预处理去除噪音，采用频域方法，对数字图像中低频部分的有用信息进行处理来消除噪音，其次遍历图像的像素，将像素属于各个灰度级的个数进行汇总，在OpenCV中利用计算函数绘制灰度直方图，选取最佳阈值进行图像分割，然后在分割后的灰度图中添加标识点，最后输出阈值识别点分布图像。本发明通过灰度阈值分割法增加识别点的方法提高图像识别的准确率。
Description
技术领域
本发明属于图像识别领域，具体涉及一种基于灰度阈值分割法增加边缘识别点提高图像识别准确率方法，尤其是具有利用边缘算法增加识别点的方法。
背景技术
1.图像分割算法
图像分割算法是指根据图像的边缘、纹理、色彩、灰度值等特征将整幅图分割成若干个具有不同特征的区域，同一个区域的特征保持一致且不同区域间有明显的特征差别，图像分割算法主要用于图像识别和增强现实领域，有效的图像分割可以提高图像识别的速度，更迅速的把目标从图像中分离出来，有效的节约***时间，提升用户体验，差的分割效果非但不能实现***目标，而且会对用户体验造成很大的影响。
图像分割的算法分为很多类，根据不同的处理过程和使用方法，有以下几种分类：基于灰度阈值的方法、基于聚类和分类的方法、基于边缘算子的方法、基于图论的分割等方法。每个算法根据特点的不同都有它的适用场合，一般在针对不同的需求和目的选择不同的算法，有时候需要两种或多种算法的结合。为了达到准确的分割，部分算法需要进行预处理，先对图像进行简单的分割，从而在简单分割后的图像中提取有用的信息，再进一分割增加准确性。各种不同的景物或图像都可以作为待分割的图像数据，有些分割算法只适用于特定的分割对象，有些分割算法对所有的图像都有效果，因而只有全面的了解各个算法之间的差异，才能够使我们针对不同的情况做出最好的选择。
2.阈值分割法
阈值分割法分为全局分割阈值法和局部阈值分割法。全局阈值分割方法是用固定的阈值在整幅图像内分割图像，最常用的阈值选取方法是对图像进行灰度直方图处理，通过函数处理得到最佳阈值。所谓局部阈值分割法是将原始图像划分成一个个较小的图像，并对每个子图像选取其相应的最佳阈值。全局阈值根据阈值选择方法的不同，可以分为模态方法、迭代式阈值选择等方法。局部阈值法常用的方法有灰度差直方图法、微分直方图法。
3.边缘识别
图像中的大部分信息都存在于图像的边缘处，主要区分图像的局部特征不连续的特性，即图像中灰度阈值变化较明显的地方。因此，我们把边缘定义为图像中灰度发生变化的区域边界。根据边缘灰度的变化程度是否剧烈，可以将边缘识别的情况分为阶跃状和屋顶状两种类型。阶跃边缘两边的灰度值成阶跃变化，灰度反差明显，而屋顶边缘位于灰度值增加与减少的交界处。边缘识别是模仿人类视觉的一个过程。在检测物体边缘时,先对其轮廓进行粗略检测，大致得出主体处于图像的哪个部分,然后根据边缘点连接起来，区分强边缘点和虚假边缘点，最终确定图像边缘。
边缘检测的目的是检测出图像中形状特征信息，是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一。边缘识别的实质是采用某种算法来提取出图像的特征，将测出图像的主体和背景中间的边界线。图像灰度的变化情况可以用图像灰度分布的梯度来反映。
发明内容
1、发明目的。
本发明提出一种基于灰度阈值分割法增加边缘识别点准确图像识别的方法，在灰度分割法处理图像的基础上进行边缘识别点的增加，有效提高图像识别的准确性。
2、本发明所采用的技术方案。
本发明提出了一种基于灰度阈值分割法增加边缘识别点提高图像识别准确率的方法，按照如下步骤进行：
S101，对图像进行预处理去除噪音，对图像采用频域方法利用数字图像的有用信息大部分在低频部分进行噪声消除；
S102，对灰度图的阈值绘制图像的直方图，对灰度图的阈值绘制图像的直方图为选取最佳阈值进行图像分割，即围绕两种亮度的标准偏差出现的概率降到最小；
S103，选取最佳阈值进行图像分割；
由于双阈值标定滞后的边界是用高阈值得到的，因此它含有较多的真边缘点，但即使这样也损失了一些有用的边缘信息；而边缘阈值Min的阈值较低，可以保留较多的有用信息；S104，在分割后的灰度图中添加边缘标识点，在分割后的灰度图中添加边缘标识点的方法，通过双阈值标定灰度图的边界，得出两个边缘阈值Max和Min，当幅值大于Max时确定是边界点，小于Min时确定不是边界点，在值的中间表明可能是边界点也可能不是便边界点，分别对这三种类型的边界点判断结果进行标注；以边缘阵列为基础，主要用高阈值Max来得到边缘点，用边缘阈值Min进行补充点，最后得到边缘识别点图像；
S105，输出阈值识别点分布图。
更进一步，所述的S101中频域处理大部分采用二维低通滤波器来消除噪声；信号频谱角的低频部分信号的缓慢变化，高频部分信号快速变化；频率域的滤波就是通过空间域滤波器来刺激响应矩阵与输入图像的卷积来实现噪音预处理。
更进一步，所述的S101中采用的低通滤波器是指以截止频率的大小为半径绘制圆，在圆内的所有频率都能无损地通过，而在截止频率之外的频率被衰减或损坏。
更进一步，所述的S102中遍历图像的像素，将像素属于各个灰度级的个数进行汇总，通过除以图像的面积来归一化直方图，得到图像的概率密度函数，对面积函数进行同样的归一化处理可以得到图像的累计分布函数，在OpenCV中利用函数绘制灰度直方图。
更进一步，所述的S102，生成图像中像素灰度级的分布情况的直方图，默认的灰度范围是[0，255]，建立维度为255，初始值为0的数组s[255]，以像素灰度值i为数组下标，将数组元素加1运算s[i]++统计图像的灰度信息，建立灰度直方图。
更进一步，所述的S104滞后技术追踪边界点，对确定是边界点的点称为强边缘点，对不确定是否是边界点的点称为弱边缘点，一个弱边缘点周围存在强边缘点则确定该点为边界点，对该点保留，否则舍弃。
3、本发明所产生的技术效果。
(1)本发明图像阈值化分割法实现简单、性能较稳定，但分割效果不稳定，受环境的影响，在其基础上进行边缘识别点的添加，进一步增强了其分割的准确性。
(2)本发明本发明研究的方法虽然进行两次图像比对处理，但计算量小，不会占用太多存储空间，不会造成资源浪费。
(3)本发明基于灰度阈值增加识别点提高图像识别准确率的方法能满足一定的商业需求，高的准确率和高效的处理方法是图像识别技术的要素。
附图说明
图1为本发明实施例中基于灰度阈值分割法增加边缘识别点的流程图。
图2为本发明实施例中对图片进行灰度阈值处理的流程图。
图3为本发明实施例中对图片进行添加边缘点识别的示意图。
具体实施方式
本发明提出的一种基于灰度阈值分割法增加识别点提高图像识别准确率方法。包括对图像进行预处理去除噪音，绘制图像的灰度直方图，选取最佳阈值进行图像分割，分割后的灰度图中添加标识点，最后输出阈值识别点分布图像。其特征在于：首先对图像进行预处理去除噪音，对数字图像中低频部分的有用信息进行处理来消除噪音，其次再对灰度图的阈值绘制图像的直方图，选取最佳阈值进行图像分割，然后在分割后的灰度图中添加边缘标识点，最后输出阈值识别点分布图像。
在相关的技术中，图像的灰度阈值分割法就是选用门限值在背景灰度分布中心之间的中间值作为最佳阈值，根据最佳阈值来划分两个不同的亮度区域，通过灰度阈值分割得到的图像有明显的区域特征，背景区显示为白色区域，主体区显示为黑色区域。
目前，阈值分割算法的关键是确定阈值，如果能确定一个适合的阈值就可准确地将图像分割开来。阈值确定后，阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。由于图像灰度阈值分割法实现简单、计算量小，性能较稳定，被广泛的应用于显示热红外图像中不同的温度范围。
然而，在实际应用中，图像的形态***，彩色图像转换为灰度阈值后达到的效果根据环境的改变而改变，为了避免在识别的过程中将主体区域错识别为背景图，或者将背景图错识别为主体区域，我们需要通过计算将两个不同的亮度区域的标准差降到最小，如果想要更准确的识别图像，仅靠灰度阈值分割法是远远不够的。
有鉴于此，在本申请一种基于灰度阈值分割法增加识别点提高图像识别准确率的方法，使在像识别的过程中，有效提高图像标识匹配的准确性，在整个方案中，由于本发明进行两次图像比对处理，计算量小，没有浪费过多的资源，但大大的提高了图像的识别效率，为图像识别***提供了更好的方法，增强用户使用***时的体验。
实施例
步骤101，对图像进行预处理去除噪音，先将图像输出为信号频谱，低频部分是信号的缓慢变化部分在频率域，高频部分是信号快速变化部分在频率域。然后通过空间域滤波器来刺激响应矩阵与输入图像的卷积来实现频率域的滤波，从而去除图像中的噪音。
步骤102，绘制图像的灰度直方图，首先遍历图像的像素，统计每个灰度级的个数，通过除以图像的面积可以归一化直方图，得到图像的概率密度函数，对面积函数进行同样的归一化处理可以得到图像的累计分布函数，在OpenCV中利用函数绘制灰度直方图。
步骤103，选取最佳阈值进行图像分割，把围绕两种亮度的标准偏差出现的概率降到最小，得到最佳阈值，然后对每个区域进行灰度阈值的分割，输出灰度阈值图像。
步骤104，在分割后的灰度图中添加边缘标识点，对进行阈值分割后的图像进行边缘检测，用双阈值标定滞后的边界，得到两个边缘阈值Max和Min，当幅值大于Max时确定是强边界点，小于Min时确定不是边界点，在值的中间表明可能是边界点，分别对这三种类型的边界点判断结果进行标注。
步骤105，最后输出阈值识别点分布图像。
所述的在OpenCV中绘制灰度直方图的函数为CvHistogram*cvCreateHist(intcount,int*array,intflm,float**ranges＝NULL,intuniform＝1)；其中count是直方图维数的数目，array是直方图维数尺寸的数组，flm表示直方图的表示格式。
所述的选取最佳阈值的方法，就是把围绕两种亮度的标准偏差出现的概率降到最小。
所述的理想的低通滤波器是指以截止频率为半径画圆，在圆内的所有频率都能无损地通过，而在截止频率之外的频率被衰减或损坏。
所述的生成直方图的目的是更直观的看到图像中像素灰度级的分布情况，默认的灰度范围是[0,255]，方法为建立维度为255，初始值为0的数组s[255],以像素灰度值i为数组下标，将数组元素加1运算s[i]++统计图像的灰度信息，建立灰度直方图。
所述的采用双阈值标定滞后的边界时，由于双阈值标定滞后的边界是用高阈值得到的，因此它含有较多的边缘点，但即使这样也损失了一些有用的边缘信息。而边缘阈值Min的阈值较低，可以保留较多的有用信息。因此，可以以边缘阵列为基础，主要用高阈值Max来得到边缘点，用边缘阈值Min进行补充点，最后得到边缘识别点图像。
所述的滞后技术追踪边界点，对不确定是否是边界点的点称为弱边界点，一个弱边界点周围存在强边界点则确定该边界点为边界点，对该点保留，否则舍弃。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.基于灰度阈值分割法增加边缘识别点提高图像识别准确率的方法，其特征在于：
S101，对图像进行预处理去除噪音，对图像采用频域方法利用数字图像的有用信息大部分在低频部分进行噪声消除；
S102，对灰度图的阈值绘制图像的直方图，对灰度图的阈值绘制图像的直方图为选取最佳阈值进行图像分割，即围绕两种亮度的标准偏差出现的概率降到最小；
S103，选取最佳阈值进行图像分割；
S104，在分割后的灰度图中添加边缘标识点，在分割后的灰度图中添加边缘标识点的方法，通过双阈值标定灰度图的边界，得出两个边缘阈值Max和Min，当幅值大于Max时确定是边界点，小于Min时确定不是边界点，在值的中间表明可能是边界点也可能不是便边界点，分别对这三种类型的边界点判断结果进行标注；以边缘阵列为基础，主要用高阈值Max来得到边缘点，用边缘阈值Min进行补充点，最后得到边缘识别点图像；
S105，输出阈值识别点分布图。
2.根据权利要求1所述的基于灰度阈值分割法增加边缘识别点提高图像识别准确率的方法，其特征在于：
所述的S101中频域处理大部分采用二维低通滤波器来消除噪声；信号频谱角的低频部分信号的缓慢变化，高频部分信号快速变化；频率域的滤波就是通过空间域滤波器来刺激响应矩阵与输入图像的卷积来实现噪音预处理。
3.根据权利要求2所述的基于灰度阈值分割法增加边缘识别点提高图像识别准确率方法，其特征在于：所述的S101中采用的低通滤波器是指以截止频率的大小为半径绘制圆，在圆内的所有频率都能无损地通过，而在截止频率之外的频率被衰减或损坏。
4.根据权利要求1所述的基于灰度阈值分割法增加边缘识别点提高图像识别准确率方法，其特征在于：所述的S102中遍历图像的像素，将像素属于各个灰度级的个数进行汇总，通过除以图像的面积来归一化直方图，得到图像的概率密度函数，对面积函数进行同样的归一化处理可以得到图像的累计分布函数，在OpenCV中利用函数绘制灰度直方图。
5.根据权利要求4所述的基于灰度阈值分割法增加边缘识别点提高图像识别准确率方法，其特征在于：所述的S102，生成图像中像素灰度级的分布情况的直方图，默认的灰度范围是[0，255]，建立维度为255，初始值为0的数组s[255]，以像素灰度值i为数组下标，将数组元素加1运算s[i]++统计图像的灰度信息，建立灰度直方图。
6.根据权利要求1所述的基于灰度阈值分割法增加边缘识别点提高图像识别准确率方法，其特征在于：所述的S104滞后技术追踪边界点，对确定是边界点的点称为强边缘点，对不确定是否是边界点的点称为弱边缘点，一个弱边缘点周围存在强边缘点则确定该点为边界点，对该点保留，否则舍弃。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910183480.2A CN110009653A (zh) | 2019-03-12 | 2019-03-12 | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910183480.2A CN110009653A (zh) | 2019-03-12 | 2019-03-12 | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110009653A true CN110009653A (zh) | 2019-07-12 |
Family
ID=67166779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910183480.2A Pending CN110009653A (zh) | 2019-03-12 | 2019-03-12 | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009653A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882507A (zh) * | 2020-09-03 | 2020-11-03 | 浙江长芯光电科技有限公司 | 一种金属元件识别方法及装置 |
| CN113592867A (zh) * | 2021-09-29 | 2021-11-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种基于碳纤维布面残留捆绑纱的检测方法 |
| CN113724241A (zh) * | 2021-09-09 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳纤维经编织物的毛丝检测方法、装置和存储介质 |
| CN113837126A (zh) * | 2021-09-28 | 2021-12-24 | 常州市宏发纵横新材料科技股份有限公司 | 一种db类纬纱纱线检测方法 |
| CN113989313A (zh) * | 2021-12-23 | 2022-01-28 | 武汉智博通科技有限公司 | 基于图像多维分析的边缘检测方法及*** |
| CN114170228A (zh) * | 2022-02-14 | 2022-03-11 | 西南石油大学 | 一种计算机图像边缘检测方法 |
| CN114596281A (zh) * | 2022-03-08 | 2022-06-07 | 常州市新创智能科技有限公司 | 一种玻纤布面上纬纱纱线的间隙判断方法 |
| CN114627653A (zh) * | 2022-05-12 | 2022-06-14 | 浙江电马云车科技有限公司 | 基于双目识别的5g智能道闸管理*** |
| CN115239966A (zh) * | 2022-05-30 | 2022-10-25 | 中国地质大学（武汉） | 一种基于图像处理的隐伏基底古裂谷识别提取方法及*** |
| CN115937755A (zh) * | 2023-02-21 | 2023-04-07 | 山东双力现代农业装备有限公司 | 一种拖拉机变速箱立铣刀片视觉检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327497A (zh) * | 2016-08-29 | 2017-01-11 | 湖南文理学院 | 基于超广延熵的灰度图像阈值分割方法 |
| CN108765443A (zh) * | 2018-05-22 | 2018-11-06 | 杭州电子科技大学 | 一种自适应颜色阈值分割的标志增强处理方法 |
-
2019
- 2019-03-12 CN CN201910183480.2A patent/CN110009653A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106327497A (zh) * | 2016-08-29 | 2017-01-11 | 湖南文理学院 | 基于超广延熵的灰度图像阈值分割方法 |
| CN108765443A (zh) * | 2018-05-22 | 2018-11-06 | 杭州电子科技大学 | 一种自适应颜色阈值分割的标志增强处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| 何强: "基于图像序列的运动目标跟踪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 史晓希 等: "一种自适应二值化的毫米波图像边缘检测方法", 《光电工程》 * |
| 岳兵: "基于openCV的目标检测与跟踪算法的硏究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 赵小川 著: "《现代数字图像处理技术提高及应用案例详解MATLAB版》", 30 April 2012, 北京航空航天大学出版社 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882507A (zh) * | 2020-09-03 | 2020-11-03 | 浙江长芯光电科技有限公司 | 一种金属元件识别方法及装置 |
| CN113724241B (zh) * | 2021-09-09 | 2022-08-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳纤维经编织物的毛丝检测方法、装置和存储介质 |
| CN113724241A (zh) * | 2021-09-09 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳纤维经编织物的毛丝检测方法、装置和存储介质 |
| CN113837126A (zh) * | 2021-09-28 | 2021-12-24 | 常州市宏发纵横新材料科技股份有限公司 | 一种db类纬纱纱线检测方法 |
| CN113837126B (zh) * | 2021-09-28 | 2022-08-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种db类纬纱纱线检测方法 |
| CN113592867A (zh) * | 2021-09-29 | 2021-11-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种基于碳纤维布面残留捆绑纱的检测方法 |
| CN113592867B (zh) * | 2021-09-29 | 2022-08-05 | 常州市宏发纵横新材料科技股份有限公司 | 一种基于碳纤维布面残留捆绑纱的检测方法 |
| CN113989313A (zh) * | 2021-12-23 | 2022-01-28 | 武汉智博通科技有限公司 | 基于图像多维分析的边缘检测方法及*** |
| CN114170228B (zh) * | 2022-02-14 | 2022-04-19 | 西南石油大学 | 一种计算机图像边缘检测方法 |
| CN114170228A (zh) * | 2022-02-14 | 2022-03-11 | 西南石油大学 | 一种计算机图像边缘检测方法 |
| CN114596281A (zh) * | 2022-03-08 | 2022-06-07 | 常州市新创智能科技有限公司 | 一种玻纤布面上纬纱纱线的间隙判断方法 |
| CN114596281B (zh) * | 2022-03-08 | 2022-11-01 | 常州市新创智能科技有限公司 | 一种玻纤布面上纬纱纱线的间隙判断方法 |
| CN114627653A (zh) * | 2022-05-12 | 2022-06-14 | 浙江电马云车科技有限公司 | 基于双目识别的5g智能道闸管理*** |
| CN114627653B (zh) * | 2022-05-12 | 2022-08-02 | 浙江电马云车科技有限公司 | 基于双目识别的5g智能道闸管理*** |
| CN115239966A (zh) * | 2022-05-30 | 2022-10-25 | 中国地质大学（武汉） | 一种基于图像处理的隐伏基底古裂谷识别提取方法及*** |
| CN115239966B (zh) * | 2022-05-30 | 2024-04-09 | 中国地质大学（武汉） | 一种基于图像处理的隐伏基底古裂谷识别提取方法及*** |
| CN115937755A (zh) * | 2023-02-21 | 2023-04-07 | 山东双力现代农业装备有限公司 | 一种拖拉机变速箱立铣刀片视觉检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009653A (zh) | 基于灰度阈值分割法增加边缘识别点准确图像识别的方法 | |
| CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
| CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
| Liu et al. | Single image dehazing via large sky region segmentation and multiscale opening dark channel model | |
| CN107665324B (zh) | 一种图像识别方法及终端 | |
| CN109191432B (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
| CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
| CN104103082A (zh) | 一种基于区域描述和先验知识的图像显著性检测方法 | |
| CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
| CN109389163A (zh) | 一种基于地形图的无人机影像分类***及方法 | |
| CN112149476B (zh) | 目标检测方法、装置、设备和存储介质 | |
| CN110660065B (zh) | 一种红外故障检测识别算法 | |
| CN106096491B (zh) | 一种眼底彩色照相图像中微动脉瘤自动化识别方法 | |
| CN111915628B (zh) | 一种基于预测目标密集边界点的单阶段实例分割方法 | |
| CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
| CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
| CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及*** | |
| CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
| CN116402816B (zh) | 一种体检ct影像数据的管理方法及*** | |
| Wang et al. | An efficient method for image dehazing | |
| CN112465708A (zh) | 基于暗通道改进的图像去雾方法 | |
| CN101739667B (zh) | 基于非下采样轮廓波变换的遥感图像道路增强方法 | |
| CN116228804A (zh) | 一种基于图像分割的矿产资源识别方法 | |
| CN113674143A (zh) | 图像超分辨率处理方法、装置、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |
|
| RJ01 | Rejection of invention patent application after publication |