CN111353968B - 一种基于盲元检测与分析的红外图像质量评价方法 - Google Patents
一种基于盲元检测与分析的红外图像质量评价方法 Download PDFInfo
- Publication number
- CN111353968B CN111353968B CN201811562396.3A CN201811562396A CN111353968B CN 111353968 B CN111353968 B CN 111353968B CN 201811562396 A CN201811562396 A CN 201811562396A CN 111353968 B CN111353968 B CN 111353968B
- Authority
- CN
- China
- Prior art keywords
- image
- blind
- blind pixel
- org
- area
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 14
- 238000003672 processing method Methods 0.000 abstract description 4
- 238000003384 imaging method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/11—Region-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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于盲元检测与分析的红外图像质量评价方法,获取红外探测器原始图像,检测出原始图像中的盲元像素,转换成二值化图像,进行盲元连通区域标识,得到所有盲元连通区域;计算每个连通区域的面积,对其分类统计,得到连通区域的面积分布;对二值化图像进行网格划分,统计每个网格内的盲元数量,得到盲元数量的网格分布;设定面积分布评价阈值和网格分布评价阈值,对原始图像进行评价。本发明采用图像处理的方法进行盲元检测,对图像的适应性强,可以有效检测不同型号探测器得到的红外图像;通过分析盲元数量和网格化的局部盲元分布,能准确、客观地评价红外图像质量。
Description
技术领域
本发明涉及图像质量评价的技术领域,具体地说是一种基于盲元检测与分析的红外图像质量评价方法。
背景技术
红外图像是由红外探测器经信号采集和数据处理成像得到,受材料、制造工艺、外部环境等各种因素的限制,红外探测器在制造和使用过程中不可避免地存在盲元:盲元是指探测器响应过高或过低的成像单元,在红外图像中具体表现为无法正常成像,形成过亮、过暗、闪烁或无效的像素单元。
盲元的存在严重影响了红外图像质量,甚至会妨碍***后续目标的探测与识别。因此,迫切需要一种红外图像质量的客观评价方法,准确检测出图像中的盲元并分析其分布情况,判断红外图像是否有效,以满足目标识别***的实际应用需求。
传统的红外图像质量评价方法是在选择理想图像作为参考图像的情况下,比较待评价图像与参考图像之间的差异,峰值信噪比和均方误差是比较常见的两种质量评价方法。但这类方法的局限性在于,它们是从图像像素值的全局统计出发,对于图像局部的质量无从把握。而对于理想图像无法获取的情况,一般基于图像统计特性的方法,采用图像像素均值、标准差、平均梯度等指标对图像质量进行评价,难以准确反映盲元对红外图像质量的影响程度。
发明内容
针对现有技术的不足,本发明提供一种基于盲元检测与分析的红外图像质量评价方法,解决采用图像像素均值、标准差、平均梯度等指标对图像质量进行评价,难以准确反映盲元对红外图像质量的影响程度的问题。
本发明为实现上述目的所采用的技术方案是:
一种基于盲元检测与分析的红外图像质量评价方法,包括以下步骤:
步骤1:获取红外探测器原始图像Iorg,检测出原始图像Iorg中的盲元像素,转换成二值化图像Ibin;
步骤2:对二值化图像Ibin进行盲元连通区域标识,并对整个图像进行扫描,得到所有盲元连通区域;
步骤3:计算每个连通区域的面积,对其分类统计,得到连通区域的面积分布;
步骤4:对二值化图像Ibin进行网格划分,统计每个网格内的盲元数量,得到盲元数量的网格分布;
步骤5:设定面积分布评价阈值和网格分布评价阈值,根据连通区域的面积分布和盲元数量的网格分布对原始图像Iorg进行评价。
所述检测出原始图像Iorg中的盲元像素,转换成二值化图像Ibin,包括:
步骤1.1:对原始图像Iorg进行5×5中值滤波,得到中值滤波图像Imed;将原始图像Iorg与中值滤波图像Imed进行对减操作,得到过滤图像Iflt,即Iflt=|Iorg-Imed|;
步骤1.2:对原始图像Iorg进行5×5均值滤波,得到均值滤波图像Imean;
步骤1.3:将原始图像Iorg与均值滤波图像Imean分别进行对加操作与对减操作,分别得到对加图像Iadd和对减图像Isub,即Iadd=Iorg+Imean,Isub=|Iorg-Imean|;
步骤1.4:将对减图像Isub与对加图像Iadd进行对除操作,得到对比度图像Icon,即Icon=Isub./Iadd,其中,若当分母为零时,结果为零;
步骤1.5:设置对比度阈值T1,若对比度图像Icon的值不小于阈值T1,则将对比度图像Icon的值置为1,否则置为0;更新对比度图像Icon;
步骤1.6:将过滤图像Iflt与对比度图像Icon进行对乘操作,得到二值化图像Ibin,即Ibin=Iflt.×Icon,若Ibin的值大于0,则置为1,否则为0;更新二值化图像Ibin。
所述对二值化图像Ibin进行盲元连通区域标识,包括:
选取二值化图像Ibin中某一盲元点,判断其周围像素点中是否有相邻盲元,如果是,则该盲元点与相邻盲元均为该盲元连通区域中的点;否则,该盲元的连通区域为该盲元点。
盲元点周围像素点包括上、下、左、右、左上、右上、左下、右下对应的像素点。
所述连通区域的面积为该连通区域的像素数量。
所述根据连通区域的面积分布和盲元数量的网格分布对原始图像Iorg进行评价,包括:
步骤5.1:判断每个连通区域的面积是否不大于面积分布评价阈值,如果是,则执行步骤5.2,否则当前原始图像Iorg无效;
步骤5.2:判断每个网格中的盲元数量是否不大于网格分布的评价阈值,如果是,则当前原始图像Iorg有效;否则当前原始图像Iorg无效。
本发明具有以下有益效果及优点:
1.本发明采用图像处理的方法进行盲元检测,对图像的适应性强,可以有效检测不同型号探测器得到的红外图像;
2.本发明通过分析盲元数量和网格化的局部盲元分布,能准确、客观地评价红外图像质量。
附图说明
图1为本发明的方法流程图;
图2为探测器得到的原始红外图像;
图3为自动检测出的盲元图像;
图4(a)为8连通算法图;
图4(b)为一个连通区域的示意图;
图5为盲元面积分类的分布情况图;
图6(a)为原始图像分成10×10的网格区域图;
图6(b)为检测出的盲元图像分成10×10的网格区域图;
图7为按照网格统计的局部盲元数量直方图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
如图1所示,本发明方法包括以下步骤:
(1)采用图像处理的方法自动检测所获取的红外探测器图像中的盲元像素,并转换生成二值化图像,用1来标识盲元像素,用0来标识非盲元的图像像素;
(2)对二值化图像进行盲元连通区域标识,并对整个图像进行扫描,得到所有盲元连通区域;
(3)统计每个连通区域的面积,得到图像总体的盲元数量分布情况;
(4)将图像网格化,统计每个网格内的盲元数量,得到图像各个局部的盲元数量分布情况;
(5)按照总体与局部盲元数量的分类及设定的阈值定量评价盲元对图像质量的影响。
自动检测红外图像中盲元像素的图像处理的具体方法为:
探测器得到的原始红外图像主要包含的信息有:均匀背景,盲元像素。盲元像素在图像中表现为类似于椒盐噪声的过亮或过暗的像素点,不规则地散落在图像中,如图2所示。对于本发明而言,盲元是待检测目标,相对于背景具有较强的对比度,利用背景抑制进行预处理,同时满足图像中较高对比度的位置来确定盲元。
对比度的计算公式如下:
其中,f(x,y)代表当前像素,b(x,y)代表当前点所在位置的背景估计值,获取方法为使用5×5大小的中值滤波:
对原始图像Iorg进行中值滤波,滤波器大小为5×5,得到中值滤波图像Imed作为背景估计,将原始图像Iorg与中值滤波图像Imed进行像素对减操作,得到背景抑制图像Iflt,对减操作过程取绝对值以保证结果为非负值,即:
Iflt=|Iorg-Imed|
对原始图像Iorg进行均值滤波,滤波器大小为5×5,得到均值滤波图像Imean;将原始图像Iorg与均值滤波图像Imean分别进行像素对加操作与像素对减操作,分别得到对加图像Iadd和对减图像Isub,对减操作过程取绝对值以保证结果为非负值,即:
Iadd=Iorg+Imean
Isub=|Iorg-Imean|
将得到的对减图像Isub与对加图像Iadd进行像素对除操作,得到对比度图像Icon,即:
Icon=Isub./Iadd
其中,不同于一般矩阵乘/除法的是,符号的./含义为两个图像矩阵相同行列位置的像素值与像素值进行相除,结果存储在输出图像矩阵的相对应位置,后文的.×符号同理。上式中的特殊情形为,当原始图像Iorg和均值滤波图像Imean在某同一位置p的像素值均为零时,会出现对加图像相对应位置p的像素值也为零的情况,此时Icon=Isub./Iadd的分母Iadd(p)的值为零,无法进行相除,则不进行除法操作,直接设定Icon(p)的值为零。因此,对比度图像Icon在点p的像素值的表达式可以写成:
设置一定的对比度阈值T1,若对比度图像Icon的对比度强度值不小于阈值T1,则认为是盲元点,将对比度图像Icon该点的值置为1,否则置为0;用上述策略更新对比度图像Icon,表达式可以写成:
在本实施例中,阈值T1的取值为0.1。
设置一定的过滤阈值T2,若过滤图像Iflt的值小于阈值T2,则将过滤图像Iflt的值置为0,否则值不变;用上述策略更新对比度图像Iflt,表达式可以写成:
在本实施例中,阈值T2的取值为3。
将上文得到的过滤图像Iflt与对比度图像Icon进行像素对乘操作,得到二值化图像Ibin,即:
Ibin=Iflt.×Icon
等价于:
Ibin(p)=Iflt(p)×Icon(p)
若Ibin的值大于0,则置为1,否则为0;以上述策略更新二值化图像Ibin,表达式可以写为:
则最终得到的二值化图像Ibin如图3所示。
接下来对二值化图像进行盲元连通区域标识。对于已检测出盲元的二值化图像,如图4(a)所示,这里选取某一盲元点P周围8个像素(上、下、左、右、左上、右上、左下、右下),若有相邻盲元,则该盲元点与相邻盲元都被认为是该盲元连通区域中的点。如图4(b)所示,可以看到标记为1的蓝色区域即为该绿色区域中的连通区域。对整个图像进行扫描,得到所有盲元连通区域。
以连通区域的像素数量作为该连通区域的面积值;遍历所有盲元连通区域,将连通区域面积值按照数值大小分为8个类别,其面积的范围分别为:1,2,3~4,5~7,8~10,11~20,21~50,51以上。这样即得到了盲元数量在图像整体上的分布情况,从8个面积范围的数量可以反映出盲元在图像中的整体数量和各个盲元连通区域的大小情况。对于该图像而言,其面积分布情况具体列于表1:
表1 盲元面积分布情况
面积范围 | 区域数量 |
1 | 26 |
2 | 21 |
3~4 | 37 |
5~7 | 40 |
8~10 | 18 |
11~20 | 11 |
21~50 | 3 |
51及以上 | 0 |
如图5所示,可以看出盲元面积范围的分布情况。
最后对图像进行网格化,如图6(a)和(b)所示,将整个图像分成10×10的网格区域;分别统计每个网格内包含的盲元数量,可以得到盲元在整个图像区域的散落情况。对于该图像而言,10×10的网格区域每个网格内的盲元数量列于表2,。将网格化图像的盲元数量分布做直方图,如图7所示,可以直观看到盲元在图像中的散落分布情况。
表2 10×10网格图像中每个网格的盲元数量
24 | 6 | 6 | 0 | 0 | 0 | 37 | 0 | 0 | 6 |
20 | 1 | 0 | 6 | 1 | 8 | 0 | 6 | 6 | 9 |
6 | 4 | 6 | 3 | 1 | 12 | 7 | 0 | 8 | 16 |
6 | 0 | 10 | 7 | 10 | 10 | 26 | 0 | 11 | 11 |
11 | 0 | 21 | 6 | 21 | 30 | 2 | 18 | 0 | 0 |
6 | 3 | 15 | 31 | 0 | 9 | 6 | 1 | 4 | 3 |
0 | 6 | 6 | 16 | 4 | 10 | 0 | 33 | 9 | 3 |
8 | 7 | 10 | 17 | 11 | 13 | 0 | 0 | 7 | 5 |
5 | 7 | 9 | 4 | 0 | 6 | 39 | 5 | 4 | 27 |
0 | 9 | 34 | 4 | 1 | 14 | 12 | 0 | 0 | 8 |
针对于不同应用需求,本发明中8类连通区域面积值和网格大小均可以按需调整。(1)对于连通区域面积值范围而言,每个类别的范围值都可以进行更改,例如对于成像质量较好、盲元较少的图像,可以在1~20的范围内分为8类,而对于成像质量较差,盲元较多的图像,则可以在1~100的范围内分为8类,这样即可对不同成像质量的探测器具有较强的适应能力;(2)对于10×10的网格大小而言,亦可根据对图像关注的细致程度,将网格大小粗化到5×5,或细化到20×20,这样即可重点关注图像感兴趣区域内的盲元数量。
综上,通过对图像中盲元的检测与对盲元数量的从整体到局部的分析,从盲元的角度定量、客观地给出图像的质量评价:(1)从面积分布可以看到,对于本例图像,图像中盲元区域面积在5~7范围内的数量最多,面积在3~4范围内的数量次之,面积为1也就是盲元单点的数量亦较为可观;但图像中面积大于20的盲元区域数量较少,且没有面积大于50的盲元区域,也就是说,图像中没有大面积连成一片的盲元区块;(2)从网格分布可以看到,盲元在图像的分布相对比较平均,数量最多的区域主要出现在图像上下两个底边,而数量相对较多的区域主要分布在图像中心区域;虽然整体上没有出现盲元区域面积特别大的情况,但由于盲元分布相对比较分散,即图像各个位置都有盲元存在,对于成像质量要求较高的使用场景会存在干扰,因此该图像质量不合格。
Claims (5)
1.一种基于盲元检测与分析的红外图像质量评价方法,其特征在于,包括以下步骤:
步骤1:获取红外探测器原始图像Iorg,检测出原始图像Iorg中的盲元像素,转换成二值化图像Ibin;
步骤2:对二值化图像Ibin进行盲元连通区域标识,并对整个图像进行扫描,得到所有盲元连通区域;
步骤3:计算每个连通区域的面积,对其分类统计,得到连通区域的面积分布;
步骤4:对二值化图像Ibin进行网格划分,统计每个网格内的盲元数量,得到盲元数量的网格分布;
步骤5:设定面积分布评价阈值和网格分布评价阈值,根据连通区域的面积分布和盲元数量的网格分布对原始图像Iorg进行评价;
所述检测出原始图像Iorg中的盲元像素,转换成二值化图像Ibin,包括:
步骤1.1:对原始图像Iorg进行5×5中值滤波,得到中值滤波图像Imed;将原始图像Iorg与中值滤波图像Imed进行对减操作,得到过滤图像Iflt,即Iflt=Iorg-Imed;
步骤1.2:对原始图像Iorg进行5×5均值滤波,得到均值滤波图像Imean;
步骤1.3:将原始图像Iorg与均值滤波图像Imean分别进行对加操作与对减操作,分别得到对加图像Iadd和对减图像Isub,即Iadd=Iorg+Imean,Isub=Iorg-Imean;
步骤1.4:将对减图像Isub与对加图像Iadd进行对除操作,得到对比度图像Icon,即Icon=Isub./Iadd,其中,若当分母为零时,结果为零;
步骤1.5:设置对比度阈值T1,若对比度图像Icon的值不小于阈值T1,则将对比度图像Icon的值置为1,否则置为0;更新对比度图像Icon;
步骤1.6:将过滤图像Iflt与对比度图像Icon进行对乘操作,得到二值化图像Ibin,即Ibin=Iflt.×Icon,若Ibin的值大于0,则置为1,否则为0;更新二值化图像Ibin。
2.根据权利要求1所述的基于盲元检测与分析的红外图像质量评价方法,其特征在于:所述对二值化图像Ibin进行盲元连通区域标识,包括:
选取二值化图像Ibin中某一盲元点,判断其周围像素点中是否有相邻盲元,如果是,则该盲元点与相邻盲元均为该盲元连通区域中的点;否则,该盲元的连通区域为该盲元点。
3.根据权利要求2所述的基于盲元检测与分析的红外图像质量评价方法,其特征在于:盲元点周围像素点包括上、下、左、右、左上、右上、左下、右下对应的像素点。
4.根据权利要求1所述的基于盲元检测与分析的红外图像质量评价方法,其特征在于:所述连通区域的面积为该连通区域的像素数量。
5.根据权利要求1所述的基于盲元检测与分析的红外图像质量评价方法,其特征在于:所述根据连通区域的面积分布和盲元数量的网格分布对原始图像Iorg进行评价,包括:
步骤5.1:判断每个连通区域的面积是否不大于面积分布评价阈值,如果是,则执行步骤5.2,否则当前原始图像Iorg无效;
步骤5.2:判断每个网格中的盲元数量是否不大于网格分布的评价阈值,如果是,则当前原始图像Iorg有效;否则当前原始图像Iorg无效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811562396.3A CN111353968B (zh) | 2018-12-20 | 2018-12-20 | 一种基于盲元检测与分析的红外图像质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811562396.3A CN111353968B (zh) | 2018-12-20 | 2018-12-20 | 一种基于盲元检测与分析的红外图像质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353968A CN111353968A (zh) | 2020-06-30 |
CN111353968B true CN111353968B (zh) | 2023-03-31 |
Family
ID=71196768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811562396.3A Active CN111353968B (zh) | 2018-12-20 | 2018-12-20 | 一种基于盲元检测与分析的红外图像质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353968B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037185B (zh) * | 2020-08-21 | 2023-09-05 | 湖南自兴智慧医疗科技有限公司 | 染色体***相图像筛选方法、装置及终端设备 |
CN112036375B (zh) * | 2020-10-01 | 2024-05-07 | 奥比中光科技集团股份有限公司 | 一种检测红外图像与深度图像的方法、装置及人脸识别*** |
CN113077468B (zh) * | 2021-06-08 | 2021-08-31 | 自然资源部国土卫星遥感应用中心 | 高光谱卫星影像的辐射异常的质量检测方法和装置 |
CN117197682B (zh) * | 2023-09-01 | 2024-06-25 | 山东产研卫星信息技术产业研究院有限公司 | 一种长波红外遥感影像进行盲元检测与去除的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1450304A1 (en) * | 2003-02-21 | 2004-08-25 | City University of Hong Kong | Image processing apparatus and method |
CN106327474A (zh) * | 2016-08-25 | 2017-01-11 | 上海航天控制技术研究所 | 一种自动在线盲元检测方法 |
CN108805853A (zh) * | 2017-04-28 | 2018-11-13 | 武汉多谱多勒科技有限公司 | 一种红外图像盲元检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10740898B2 (en) * | 2015-06-29 | 2020-08-11 | Quantum IR Technologies, LLC | Methods and systems for hotspot detection |
-
2018
- 2018-12-20 CN CN201811562396.3A patent/CN111353968B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1450304A1 (en) * | 2003-02-21 | 2004-08-25 | City University of Hong Kong | Image processing apparatus and method |
CN106327474A (zh) * | 2016-08-25 | 2017-01-11 | 上海航天控制技术研究所 | 一种自动在线盲元检测方法 |
CN108805853A (zh) * | 2017-04-28 | 2018-11-13 | 武汉多谱多勒科技有限公司 | 一种红外图像盲元检测方法 |
Non-Patent Citations (1)
Title |
---|
李成立等.红外探测器盲元检测及评价.中国期刊全文库.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111353968A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN102800082B (zh) | 一种无参考的图像清晰度检测方法 | |
CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及*** | |
CN103335721B (zh) | 基于场景匹配的红外焦平面阵列动态盲元检测方法 | |
CN103400357B (zh) | 一种去除图像椒盐噪声的方法 | |
Hwang et al. | Difference-based image noise modeling using skellam distribution | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN115063409A (zh) | 一种机械刀具表面材质检测方法及*** | |
van Zwanenberg et al. | Edge detection techniques for quantifying spatial imaging system performance and image quality | |
WO2020232710A1 (zh) | 雾霾图像质量评价方法、***、存储介质及电子设备 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN116883412B (zh) | 一种石墨烯远红外电热设备故障检测方法 | |
CN113155839A (zh) | 一种基于机器视觉的钢板外表面缺陷在线检测方法 | |
CN110751667B (zh) | 基于人类视觉***的复杂背景下红外弱小目标检测方法 | |
CN110544243B (zh) | 一种ct图像小缺陷自动检出、定量及可靠性评价方法 | |
CN117764983A (zh) | 一种用于智能制造产线的双目识别的视觉检测的方法 | |
US8004564B1 (en) | Automated systems and methods for testing infrared cameras | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116630332B (zh) | 一种基于图像处理的pvc塑料管口缺陷检测方法 | |
CN111353495B (zh) | 一种红外成像盲元的统计分析及评价方法 | |
CN113155247A (zh) | 物体称重方法、状态评估方法、称重***及状态评估*** | |
US20190197349A1 (en) | Image identification method and image identification device |
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 |