CN110232709B - 一种变阈值分割的线结构光光条中心提取方法 - Google Patents
一种变阈值分割的线结构光光条中心提取方法 Download PDFInfo
- Publication number
- CN110232709B CN110232709B CN201910319766.9A CN201910319766A CN110232709B CN 110232709 B CN110232709 B CN 110232709B CN 201910319766 A CN201910319766 A CN 201910319766A CN 110232709 B CN110232709 B CN 110232709B
- Authority
- CN
- China
- Prior art keywords
- structured light
- image
- line
- gray
- light bar
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 title claims abstract description 39
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 9
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变阈值分割的线结构光光条中心提取方法,包括以下步骤:步骤1、在结构光视觉测量***中,通过开、关激光发生器,相机获取有、无线结构光光条的两幅目标影像,通过两幅影像相减,得到灰度差影像并对其进行去噪;步骤2、统计灰度差影像中每行像素的灰度直方图,用大津阈值法计算每一行的最佳分割阈值,对灰度差影像行进行分割,得到线结构光光条区域分割二值影像;步骤3、对变阈值分割后的二值影像去噪,得到无噪声点的线结构光光条区域,采用几何中心法提取线结构光光条中心点坐标。本发明能有效改善了光条强度分布不均对线结构光光条中线心提取精度的影响,为后续的线结构光光条特征点匹配及目标三维重建打下基础。
Description
技术领域
本发明涉及线结构光光条中心提取技术领域,尤其涉及一种变阈值分割的线结构光光条中心提取方法。
背景技术
同名像点匹配是由影像恢复物体表面三维模型的关键步骤,当影像中存在大面积弱纹理区域时,同名像点匹配的难度加大。视觉测量***通常会使用结构光为弱纹理区域赋予特征信息,从而实现同名像点匹配。结构光视觉测量***通常由激光发生器和相机组成,激光发生器投射一定形状的结构光到目标物体表面,相机获取带有结构光的目标物体影像,通过匹配算法获得同名结构光特征,从而实现目标物体的三维重建。其中,影像上结构光特征提取是同名特征匹配及目标三维重建的关键步骤,线状光条是视觉测量***常用的结构光形状,因此,线结构光光条中心提取是结构光视觉测量***实现目标三维重建的重要环节之一。
线结构光光条中心线提取方法主要有几何中心法、Steger法、细化法、极值法、方向模板法和灰度重心法等。上述这些算法的本质是根据影像上光条与背景灰度的变化定位线结构光光条边缘,进而确定线结构光光条中心。当影像上线结构光光条的强度分布不均或者出现断裂时,现有算法往往提取不到准确的线结构光光条中心线,严重影响了后续目标三维重建的精度。针对该问题,本发明提出一种变阈值分割的线结构光光条中心提取方法,该方法根据线结构光光条各段不同光强度改变阈值进行影像线结构光光条区域分割,再结合几何中心法提取线结构光光条中心,极大提高了线结构光光条中心提取的精度。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种变阈值分割的线结构光光条中心提取方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种变阈值分割的线结构光光条中心提取方法,采用结构光视觉测量***获取目标影像,结构光视觉测量***中设置有激光发生器和相机;该方法包括以下步骤:
步骤1、在结构光视觉测量***中,通过开、关激光发生器,相机获取有、无线结构光光条的两幅目标影像,通过两幅影像相减,得到灰度差影像并对其进行去噪;
步骤2、统计灰度差影像中每行像素的灰度直方图,用大津阈值法计算每一行的最佳分割阈值,对灰度差影像行进行分割,得到线结构光光条区域分割二值影像;
步骤3、对变阈值分割后的二值影像去噪,得到无噪声点的线结构光光条区域,采用几何中心法提取线结构光光条中心点坐标。
进一步地,本发明的步骤1的具体方法为:
步骤1.1、同一相机获取目标的两幅影像,其中一幅包含线结构光光条,两幅影像对应像素相减得到灰度差影像;激光发生器向目标投射光条的同时,也改变了目标背景的光亮度,因此灰度差影像包括两幅影像背景灰度差与线结构光光条的灰度差;
步骤1.2、灰度差影像去噪;背景灰度差值小于线结构光光条的灰度差值,因此将灰度差影像上小于阈值的像素赋值0,大于阈值的像素保留原有像素值,在灰度差影像上突出线结构光光条。
进一步地,本发明的步骤1.2中设置的阈值为:阈值为灰度差影像灰度直方图中,最接近原点的第一个峰值对应的像素值。
进一步地,本发明的步骤2的具体方法为:
步骤2.1、统计去噪后灰度差影像中每行像素的灰度直方图,用最大化类间差大津阈值Otsu算法计算每一行的最佳分割阈值;设灰度差影像高度为h,得到每行最佳分割阈值集合K={k1,k2,...,kh},对于有光条的影像行,阈值为分割光条和背景的分割值,对于无光条的影像行,阈值为分割背景和背景噪音的分割值;
步骤2.2、统计分割阈值集合K的灰度直方图,计算最佳阈值kopt,将K集合分为K0={k|k>kopt}、K1={k|k≤kopt}两类,分别代表有光条影像行、无光条或弱光条影像行的阈值集合;
步骤2.3、对无光条或弱光条影像行的阈值集合K1中所有元素重新赋值,以避免对无光条或弱光条区域进行分割,将K1集合中的阈值统一重新赋值为0.5*kopt;用集合K中的阈值逐行分割灰度差影像,得到的影像为二值化影像,灰度值0表示背景,灰度值1表示提取的线结构光光条区域。
进一步地,本发明的步骤3的具体方法为:
步骤3.1、线结构光光条区域分割影像去噪;噪声点包括两种,第一类是与周围不存在任何连通关系的非零像素孤点,第二类是目标表面反射线结构光产生的噪声;统计线结构光光条截面所在影像行的非零像素分布,若该影像行光条周围没有噪声,那么只有光条截面一段非零区域;若光条周围存在噪声,那么存在多段非零像素点区域;根据第二类噪声的特点,保留非零像素个数最多的一段,其余段像素赋灰度值0;
步骤3.2、采用几何中心法提取线结构光光条中心;变阈值分割得到的二值影像中,非零像素点即为线结构光光条区域,非零像素区域的边界即为线结构光光条边缘,提取非零像素区域的中心即为线结构光光条中心。
进一步地,本发明的步骤3.1中两类噪声的判断方法为:
对于第一类噪声点,采用邻域法计算二值影像中非零像素点的连通情况,如果与周围非零像素点不存在任何连通关系,则可认为该非零像素点是噪声;
对于第二类噪声点,在线结构光光条的两侧分布,且噪声点影像截面小于线结构光光条截面。
本发明产生的有益效果是:本发明的变阈值分割的线结构光光条中心提取方法,通过两幅同一目标的影像(其中一幅包含线结构光光条),获取灰度差影像,利用变阈值分割提取灰度差影像线结构光光条区域,在此基础上采用几何中心法提取线结构光光条中心。该方法不同于已有方法采用统一阈值进行影像分割提取线结构光光条区域的思路,而是根据每行像素灰度变化情况自适应确定分割阈值,有效改善了光条强度分布不均对线结构光光条中线心提取精度的影响,为后续的线结构光光条特征点匹配及目标三维重建打下基础。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明中变阈值分割算法流程图。
图2是本发明中实施例中两幅目标影像(其中一幅包含线结构光光条)。
图3是本发明中实施例中的线结构光光条灰度差影像。
图4是本发明中实施例中的线结构光光条区域分割图。
图5是本发明中实施例中的线结构光光条中心线提取图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例的变阈值分割的线结构光光条中心提取方法,包括以下步骤:
步骤1、在结构光视觉测量***中,通过开、关激光发生器,相机获取有、无线结构光光条的两幅目标影像,通过两幅影像相减,得到灰度差影像并对其进行去噪;
步骤2、统计灰度差影像中每行像素的灰度直方图,用大津阈值法计算每一行的最佳分割阈值,对灰度差影像行进行分割,得到线结构光光条区域分割二值影像;
步骤3、对变阈值分割后的二值影像去噪,得到无噪声点的线结构光光条区域,采用几何中心法提取线结构光光条中心点坐标。
步骤1中生成灰度差影像包括如下步骤:
步骤1.1,同一相机获取目标的两幅影像,其中一幅包含线结构光光条,两幅影像对应像素相减得到灰度差影像。激光发射器向目标投射光条的同时,也改变了目标背景的光亮度,因此灰度差影像包括两幅影像背景灰度差与线结构光光条的灰度差;
步骤1.2,灰度差影像去噪。生成灰度差影像的目的是检测两幅影像中变化的像素,即线结构光光条。与线结构光光条的灰度差值相比,背景灰度差数值为小值,因此将灰度差影像上小于阈值的像素赋值0,大于阈值的像素保留原有像素值,在灰度差影像上突出线结构光光条。阈值通常为灰度差影像灰度直方图最接近原点的第一个峰值对应的像素值。
在上述的一种变阈值分割的线结构光光条中心提取方法,所述步骤2中变阈值分割影像线结构光光条区域包括如下步骤:
步骤2.1,统计去噪后灰度差影像中每行像素的灰度直方图,用最大化类间差大津阈值Otsu算法计算每一行的最佳分割阈值。设灰度差影像高度为h,得到每行最佳分割阈值集合K={k1,k2,...,kh},对于有光条的影像行,阈值为分割光条和背景的分割值,对于无光条的影像行,阈值为分割背景和背景噪音的分割值;
步骤2.2,统计分割阈值集合K的灰度直方图,计算最佳阈值kopt,将K集合分为K0={k|k>kopt}、K1={k|k≤kopt}两类,分别代表有光条和无光条(或弱光条)影像行的阈值集合;
步骤2.3,对无光条(或弱光条)影像行的阈值集合K1中所有元素重新赋较大值,以避免对无光条(或弱光条)区域进行分割。本发明将K1集合中的阈值统一重新赋值为0.5*kopt。之后,用集合K中的阈值逐行分割灰度差影像,得到的影像为二值化影像,灰度值0表示背景,灰度值1表示提取的线结构光光条区域。
在上述的一种变阈值分割的线结构光光条中心提取方法,所述步骤3中线结构光光条区域中心线提取包括如下步骤:
步骤3.1,线结构光光条区域分割影像去噪。噪声点主要有两种,一种是与周围不存在任何连通关系的非零像素孤点,另一种是目标表面反射线结构光产生的噪声。第一种噪声点,采用邻域法计算二值影像中非零像素点的连通情况,如果与周围非零像素点不存在任何连通关系,则可认为该非零像素点是噪声。第二种影像噪声一般在线结构光光条的两侧分布,且与线结构光光条截面相比较小。统计线结构光光条截面所在影像行的非零像素分布,若该影像行光条周围没有噪声,那么只有光条截面一段非零区域;若光条周围存在噪声,那么存在多段非零像素点区域。根据第二类噪声的特点,保留非零像素个数最多的一段,其余段像素赋灰度值0。
步骤3.2,采用几何中心法提取线结构光光条中心。变阈值分割得到的二值影像中,非零像素点即为线结构光光条区域,非零像素区域的边界即为线结构光光条边缘,提取非零像素区域的中心即为线结构光光条中心。
因此,本发明具有如下优点:当影像上线结构光光条强度分布不均时,若全影像使用同一阈值进行分割,则线结构光光条提取不完整,特别是光条强度较弱的部分将会丢失。采用基于大津阈值(Otsu)的逐行变阈值分割算法,可以有效减少光强不均及噪声的干扰,线结构光光条提取完整,且精度高。
以下是采用本方法的具体实例采集设备和数据:
实验数据采集硬件由一台CMOS(Complementary Metal Oxide Semiconductor)相机、一台激光发生器和一支三脚架组成。相机和激光发射器通过云台固定在三脚架上,云台可以在水平面旋转。相机拍摄与激光发生器的开关由软件控制,三脚架可调节相机高度,相机分辨率均为2592×1944像素。
实验数据为CMOS相机拍摄的两幅目标(绝缘子)灰度影像,其中一幅包含线结构光光条,见附图2。
实验数据计算过程及结果输出
步骤1.灰度差影像生成。由于两幅影像由同一台相机,同一位置获取,因此两幅影像的几何坐标是对齐的。灰度差影像直接由两幅影像逐像素灰度值相减得到,该影像进行噪声滤波处理时,阈值取49,小于阈值的像素赋值0,否则像素保留原差值灰度值。
步骤2.变阈值分割影像线结构光光条区域,具体流程图见附图1。逐行统计像素直方图,利用Otsu得到分割阈值,区分有光条影像行和无光条(或弱光条)影像行的kopt值为180,无光条(或弱光条)影像行的阈值均赋值为90。分割后的影像为二值影像,0表示背景,255为线结构光光条区域。
步骤3.采用几何中心法提取线结构光光条中心。逐行搜索非0像素,当多段连续非0像素存在时,取宽度最大的区间段,取其中心为线结构光光条中心。
步骤1生成的灰度差影像见附图3,灰度值范围为0-255,线结构光光条像素值大,呈现为白色调,背景像素值小,呈现为黑色调。步骤2变阈值分割影像线结构光光条区域结果见附图4,白色为线结构光光条,黑色为背景。步骤3提取的线结构光光条中心结果见附图5,白色为线结构光光条,红(黑)色为该光条中心线。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种变阈值分割的线结构光光条中心提取方法,其特征在于,采用结构光视觉测量***获取目标影像,结构光视觉测量***中设置有激光发生器和相机;该方法包括以下步骤:
步骤1、在结构光视觉测量***中,通过开、关激光发生器,相机获取有、无线结构光光条的两幅目标影像,通过两幅影像相减,得到灰度差影像并对其进行去噪;
步骤2、统计灰度差影像中每行像素的灰度直方图,用大津阈值法计算每一行的最佳分割阈值,对灰度差影像行进行分割,得到线结构光光条区域分割二值影像;步骤2的具体方法为:
步骤2.1、统计去噪后灰度差影像中每行像素的灰度直方图,用最大化类间差大津阈值Otsu算法计算每一行的最佳分割阈值;设灰度差影像高度为h,得到每行最佳分割阈值集合K={k1,k2,...,kh},对于有光条的影像行,阈值为分割光条和背景的分割值,对于无光条的影像行,阈值为分割背景和背景噪音的分割值;
步骤2.2、统计分割阈值集合K的灰度直方图,计算最佳阈值kopt,将K集合分为K0={k|k>kopt}、K1={k|k≤kopt}两类,分别代表有光条影像行、无光条或弱光条影像行的阈值集合;
步骤2.3、对无光条或弱光条影像行的阈值集合K1中所有元素重新赋值,以避免对无光条或弱光条区域进行分割,将K1集合中的阈值统一重新赋值为0.5*kopt;用集合K中的阈值逐行分割灰度差影像,得到的影像为二值化影像,灰度值0表示背景,灰度值1表示提取的线结构光光条区域;
步骤3、对变阈值分割后的二值影像去噪,得到无噪声点的线结构光光条区域,采用几何中心法提取线结构光光条中心点坐标。
2.根据权利要求1所述的变阈值分割的线结构光光条中心提取方法,其特征在于,步骤1的具体方法为:
步骤1.1、同一相机获取目标的两幅影像,其中一幅包含线结构光光条,两幅影像对应像素相减得到灰度差影像;激光发生器向目标投射光条的同时,也改变了目标背景的光亮度,因此灰度差影像包括两幅影像背景灰度差与线结构光光条的灰度差;
步骤1.2、灰度差影像去噪;背景灰度差值小于线结构光光条的灰度差值,因此将灰度差影像上小于阈值的像素赋值0,大于阈值的像素保留原有像素值,在灰度差影像上突出线结构光光条。
3.根据权利要求2所述的变阈值分割的线结构光光条中心提取方法,其特征在于,步骤1.2中设置的阈值为:阈值为灰度差影像灰度直方图中,最接近原点的第一个峰值对应的像素值。
4.根据权利要求1所述的变阈值分割的线结构光光条中心提取方法,其特征在于,步骤3的具体方法为:
步骤3.1、线结构光光条区域分割影像去噪;噪声点包括两种,第一类是与周围不存在任何连通关系的非零像素孤点,第二类是目标表面反射线结构光产生的噪声;统计线结构光光条截面所在影像行的非零像素分布,若该影像行光条周围没有噪声,那么只有光条截面一段非零区域;若光条周围存在噪声,那么存在多段非零像素点区域;根据第二类噪声的特点,保留非零像素个数最多的一段,其余段像素赋灰度值0;
步骤3.2、采用几何中心法提取线结构光光条中心;变阈值分割得到的二值影像中,非零像素点即为线结构光光条区域,非零像素区域的边界即为线结构光光条边缘,提取非零像素区域的中心即为线结构光光条中心。
5.根据权利要求4所述的变阈值分割的线结构光光条中心提取方法,其特征在于,步骤3.1中两类噪声的判断方法为:
对于第一类噪声点,采用邻域法计算二值影像中非零像素点的连通情况,如果与周围非零像素点不存在任何连通关系,则可认为该非零像素点是噪声;
对于第二类噪声点,在线结构光光条的两侧分布,且噪声点影像截面小于线结构光光条截面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319766.9A CN110232709B (zh) | 2019-04-19 | 2019-04-19 | 一种变阈值分割的线结构光光条中心提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319766.9A CN110232709B (zh) | 2019-04-19 | 2019-04-19 | 一种变阈值分割的线结构光光条中心提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232709A CN110232709A (zh) | 2019-09-13 |
CN110232709B true CN110232709B (zh) | 2022-07-29 |
Family
ID=67860765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910319766.9A Expired - Fee Related CN110232709B (zh) | 2019-04-19 | 2019-04-19 | 一种变阈值分割的线结构光光条中心提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232709B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260631B (zh) * | 2020-01-16 | 2023-05-05 | 成都地铁运营有限公司 | 一种高效刚性接触线结构光光条提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976437A (zh) * | 2010-09-29 | 2011-02-16 | 中国资源卫星应用中心 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
CN107578420A (zh) * | 2017-08-21 | 2018-01-12 | 大连理工大学 | 一种自适应光条图像阈值分割方法 |
CN107876970A (zh) * | 2017-12-13 | 2018-04-06 | 浙江工业大学 | 一种机器人多层多道焊接焊缝三维检测及焊缝拐点识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2974218A1 (fr) * | 2011-04-18 | 2012-10-19 | Michelin Soc Tech | Analyse de l'image numerique de la surface d'un pneumatique - traitement des points de non mesure |
-
2019
- 2019-04-19 CN CN201910319766.9A patent/CN110232709B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976437A (zh) * | 2010-09-29 | 2011-02-16 | 中国资源卫星应用中心 | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 |
CN107578420A (zh) * | 2017-08-21 | 2018-01-12 | 大连理工大学 | 一种自适应光条图像阈值分割方法 |
CN107876970A (zh) * | 2017-12-13 | 2018-04-06 | 浙江工业大学 | 一种机器人多层多道焊接焊缝三维检测及焊缝拐点识别方法 |
Non-Patent Citations (2)
Title |
---|
A prototype MR insert PET detector with strip-line readout;Heejong Kim;《2017 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC)》;20181215;全文 * |
基于线结构光汽车侧位停车环境感知的研与实现;沈洁;《中国优秀硕士学位论文全文数据库》;20190115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110232709A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271937B (zh) | 基于图像处理的运动场地标志物识别方法及*** | |
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN107369159B (zh) | 基于多因素二维灰度直方图的阈值分割方法 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
US20200250840A1 (en) | Shadow detection method and system for surveillance video image, and shadow removing method | |
KR101932214B1 (ko) | 이미지 처리 기법을 이용하여 균열을 측정하기 위한 장치 및 그 방법 | |
CN111144213B (zh) | 一种对象检测方法和相关设备 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN111783773B (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
CN112085651B (zh) | 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN106875430B (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN111127384A (zh) | 基于偏振成像的强反射工件视觉测量方法 | |
CN110188640B (zh) | 人脸识别方法、装置、服务器和计算机可读介质 | |
CN111968079A (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
CN110232709B (zh) | 一种变阈值分割的线结构光光条中心提取方法 | |
CN111008967A (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
KR101733028B1 (ko) | 영상대조에 따른 에지 변위량 예측 방법 | |
CN105005985B (zh) | 背光图像微米级边缘检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220729 |