CN112330611A - 一种面向fpga的高并行性光斑分割方法 - Google Patents

一种面向fpga的高并行性光斑分割方法 Download PDF

Info

Publication number
CN112330611A
CN112330611A CN202011137224.9A CN202011137224A CN112330611A CN 112330611 A CN112330611 A CN 112330611A CN 202011137224 A CN202011137224 A CN 202011137224A CN 112330611 A CN112330611 A CN 112330611A
Authority
CN
China
Prior art keywords
pixel
label
spot
light spot
tuple
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
CN202011137224.9A
Other languages
English (en)
Other versions
CN112330611B (zh
Inventor
柏利志
张丽艳
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202011137224.9A priority Critical patent/CN112330611B/zh
Publication of CN112330611A publication Critical patent/CN112330611A/zh
Application granted granted Critical
Publication of CN112330611B publication Critical patent/CN112330611B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00Indexing scheme for image data processing or generation, in general
    • G06T2200/28Indexing scheme for image data processing or generation, in general involving image processing hardware

Landscapes

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

Abstract

本发明涉及一种面向FPGA的高并行性光斑分割方法,属于图像处理领域,本发明为按照从左到右、从上到下依次读入2×2的像素区域,将这2×2的像素区域记为一个元组,当前元组记为c,上方元组记为t,右上方元组记为tr,左方元组记为l,每个元组包含1、2、3、4共4个像素,基于FPGA并行性的特点,该方法每次并行处理当前元组中的4个像素,主要步骤为:根据连通区域确定各元组像素的光斑编号、根据编号关联性整合数据;本发明具备灵活性、并行性、集成性的特点,可以实现图像边采集边处理,极大地提高了图像处理的速度。

Description

一种面向FPGA的高并行性光斑分割方法
技术领域
本发明涉及图像处理领域,具体为一种面向FPGA的高并行性光斑分割方法。
背景技术
光斑是图像处理中常见的图像信息,光斑质心是光斑图像的重要特征,常用于视觉测量领域目标靶点的定位,高精度定位光斑质心的前提是准确地分割出光斑。
光斑分割方法有基于软件的方法和基于硬件的方法,基于软件的方法大多是图像采集完成后对整体图像进行分割操作,但是当图像分辨率较高或图像中光斑较多时,该类方法的实时性很难保证。此外,这类方法一般需要较大的数据存储空间来保存待处理的图像,尤其是在存储空间本身就有限的嵌入式***中,更不适合该类方法。现有的基于硬件的方法能够实现对低分辨率图像边采集边处理,并且所需存储空间较小,但是该类方法一次只处理一个像素,因此当图像分辨率较高时,该类方法的高效性也很难保证。
发明内容
本发明针对现有技术中存在的问题,公开了一种面向FPGA的高并行性光斑分割方法,该方法每次同时处理4个像素,并将当前4个像素作为一个区域,通过分析该区域上方,右上方以及左方区域的属性,判断当前区域所有像素的光斑属性,最后分割出图像中的所有光斑,该方法解决了现有技术中的缺陷。
本发明是这样实现的:
一种面向FPGA的高并行性光斑分割方法,其特征在于,按照从左到右、从上到下依次读入2×2的像素区域,将这2×2的像素区域记为一个元组,当前元组记为c,上方元组记为t,右上方元组记为tr,左方元组记为l,每个元组包含1、2、3、4共4个像素,并且每次并行处理当前元组中的4个像素,通过分析当前元组上方,右上方以及左方元组的属性,判断当前元组中所有像素的光斑属性,最后分割出图像中的所有光斑;具体步骤包括:根据连通区域确定各元组像素的光斑编号、根据编号关联性整合数据、图像中所有元组处理完成后像素编号相同的属于同一光斑。
进一步,所述的确定各元组像素的光斑编号的具体步骤为:
步骤1:判断当前元组中c1像素是否为光斑像素:若c1像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤2:若当前元组中c1像素为光斑像素,则根据连通区域确定c1像素的光斑编号label_c1;依次根据c1像素上方、右上方、右右上方、左方、左下方像素编号(label_t3,label_t4,label_tr3,label_l2,label_l4)确定c1像素的光斑编号label_c1;
步骤3:判断当前元组中c2像素是否为光斑像素:若c2像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤4:若当前元组中c2像素为光斑像素,则根据连通区域确定c2像素的光斑编号label_c2。依次根据c2像素上方、右上方、左方、左左下方像素编号(label_t4,label_tr3,label_c1,label_l4)确定c2像素的光斑编号label_c2;
步骤5:判断当前元组中c3像素是否为光斑像素:若c3像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤6:若当前元组中c3像素为光斑像素,则根据连通区域确定c3像素的光斑编号label_c3;依次根据c3像素上方、右上方、左方像素编号(label_c1,label_c2,label_l4)确定c3像素的光斑编号label_c3;
步骤7:判断当前元组中c4像素是否为光斑像素:若c4像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤8:若当前元组中c4像素为光斑像素,则根据连通区域确定c4像素的光斑编号label_c4;依次根据c4像素上方、左方像素编号(label_c2,label_c3)确定c4像素的光斑编号label_c4;
进一步,所述的步骤1~步骤8中,步骤1、2,步骤3、4,步骤5、6,步骤7、8是并行的,其中:
确定c1像素的光斑编号label_c1的具体步骤为:若上方像素为光斑像素,则label_c1=label_t3;否则,若右上方像素为光斑像素,则label_c1=label_t4;否则,若c2像素和tr3像素灰度均大于阈值T,则label_c1=label_tr3;否则,若左方像素为光斑像素,则label_c1=label_l2;否则,若左下方像素为光斑像素,则label_c1=label_l4;否则,c1像素为新的光斑像素,使用新的标签对其编号;
确定c2像素的光斑编号label_c2的步骤具体为:若上方像素为光斑像素,则label_c2=label_t4;否则,若右上方像素为光斑像素,则label_c2=label_tr3;否则,若左方像素为光斑像素,则label_c2=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若c3像素和l4像素灰度均大于阈值T,则label_c2=label_l4;否则,c2像素为新的光斑像素,使用新的标签对其编号;
确定c3像素的光斑编号label_c3的具体步骤为:若上方像素为光斑像素,则label_c3=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若右上方像素为光斑像素,则label_c3=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c3=label_l4;否则,c3像素为新的光斑像素,使用新的标签对其编号;
确定c4像素的光斑编号label_c4的具体步骤为:若上方像素为光斑像素,则label_c4=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c4=label_c3,在这一过程中需要通过步骤5、6判断c3像素是否为光斑像素,并确定c3像素的编号;否则,c4像素为新的光斑像素,使用新的标签对其编号。
进一步,所述的根据编号关联性整合数据过程如下:当前元组中所有像素编号完成后,从该元组开始向左取3个连续的元组,比较3个元组中的编号,若不同,则将较大的编号更改为3个元组中最小的编号。
本发明与现有技术相比其有益效果在于:本发明中的方法能够实现高分辨率图像的边采集边处理,该方法利用FPGA高并行性的特点,每次并行处理同一区域中的4个像素,极大地提高了图像处理速度。同时,基于该方法在线处理的特点,使用较小内存便能满足需求。
附图说明
图1为本发明一种面向FPGA的高并行性光斑分割方法中的光斑元组划分示意图;
图2为本发明一种面向FPGA的高并行性光斑分割方法中确定c1像素编号流程图;
图3为本发明一种面向FPGA的高并行性光斑分割方法中确定c2像素编号流程图;
图4为本发明一种面向FPGA的高并行性光斑分割方法中确定c3像素编号流程图;
图5为本发明一种面向FPGA的高并行性光斑分割方法中确定c4像素编号流程图;
图6为本发明实施例中数据整合前编号示意图;
图7为本发明实施例中数据整合后编号示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚,明确,以下列举实例对本发明进一步详细说明。应当指出此处所描述的具体实施仅用以解释本发明,并不用于限定本发明。
本发明一种面向FPGA的高并行性光斑分割方法为:按照从左到右、从上到下依次读入2×2的像素区域,将这2×2的像素区域记为一个元组,当前元组记为c,上方元组记为t,右上方元组记为tr,左方元组记为l,每个元组包含1、2、3、4共4个像素,具体如图1所示。基于FPGA并行性的特点,该方法在每次并行处理当前元组中的4个像素,主要包括以下步骤:根据连通区域确定各元组像素的光斑编号、根据编号关联性整合数据。
确定各元组像素的光斑编号步骤如下:
步骤1:判断当前元组中c1像素是否为光斑像素。若c1像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤2:若当前元组中c1像素为光斑像素,则根据连通区域确定c1像素的光斑编号label_c1。依次根据c1像素上方、右上方、右右上方、左方、左下方像素编号(label_t3,label_t4,label_tr3,label_l2,label_l4)确定c1像素的光斑编号label_c1。具体为:若上方像素为光斑像素,则label_c1=label_t3;否则,若右上方像素为光斑像素,则label_c1=label_t4;否则,若c2像素和tr3像素灰度均大于阈值T,则label_c1=label_tr3;否则,若左方像素为光斑像素,则label_c1=label_l2;否则,若左下方像素为光斑像素,则label_c1=label_l4;否则,c1像素为新的光斑像素,使用新的标签对其编号。该过程流程图如图2所示。
步骤3:判断当前元组中c2像素是否为光斑像素。若c2像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤4:若当前元组中c2像素为光斑像素,则根据连通区域确定c2像素的光斑编号label_c2。依次根据c2像素上方、右上方、左方、左左下方像素编号(label_t4,label_tr3,label_c1,label_l4)确定c2像素的光斑编号label_c2。具体为:若上方像素为光斑像素,则label_c2=label_t4;否则,若右上方像素为光斑像素,则label_c2=label_tr3;否则,若左方像素为光斑像素,则label_c2=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若c3像素和l4像素灰度均大于阈值T,则label_c2=label_l4;否则,c2像素为新的光斑像素,使用新的标签对其编号。该过程流程图如图3所示。
步骤5:判断当前元组中c3像素是否为光斑像素。若c3像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤6:若当前元组中c3像素为光斑像素,则根据连通区域确定c3像素的光斑编号label_c3。依次根据c3像素上方、右上方、左方像素编号(label_c1,label_c2,label_l4)确定c3像素的光斑编号label_c3。具体为:若上方像素为光斑像素,则label_c3=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若右上方像素为光斑像素,则label_c3=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c3=label_l4;否则,c3像素为新的光斑像素,使用新的标签对其编号。该过程流程图如图4所示。
步骤7:判断当前元组中c4像素是否为光斑像素。若c4像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤8:若当前元组中c4像素为光斑像素,则根据连通区域确定c4像素的光斑编号label_c4。依次根据c4像素上方、左方像素编号(label_c2,label_c3)确定c4像素的光斑编号label_c4。具体为:若上方像素为光斑像素,则label_c4=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c4=label_c3,在这一过程中需要通过步骤5、6判断c3像素是否为光斑像素,并确定c3像素的编号;否则,c4像素为新的光斑像素,使用新的标签对其编号。该过程流程图如图5所示。根据编号关联性整合数据过程如下:如图6所示,当前元组中所有像素编号完成后,从该元组开始向左取3个连续的元组,比较3个元组中的编号,若不同,则将较大的编号更改为3个元组中最小的编号,如图7所示。图像中所有元组处理完成后像素编号相同的属于同一光斑。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。

Claims (4)

1.一种面向FPGA的高并行性光斑分割方法,其特征在于,按照从左到右、从上到下依次读入2×2的像素区域,将这2×2的像素区域记为一个元组,当前元组记为c,上方元组记为t,右上方元组记为tr,左方元组记为l,每个元组包含1、2、3、4共4个像素,并且每次并行处理当前元组中的4个像素,通过分析当前元组上方,右上方以及左方元组的属性,判断当前元组中所有像素的光斑属性,最后分割出图像中的所有光斑;具体步骤包括:根据连通区域确定各元组中像素的光斑编号、根据编号关联性整合数据、图像中所有元组处理完成后像素编号相同的属于同一光斑。
2.根据权利要求1所述的一种面向FPGA的高并行性光斑分割方法,其特征在于,所述的确定各元组中像素的光斑编号的具体步骤为:
步骤1:判断当前元组中c1像素是否为光斑像素:若c1像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤2:若当前元组中c1像素为光斑像素,则根据连通区域确定c1像素的光斑编号label_c1;依次根据c1像素上方、右上方、右右上方、左方、左下方像素编号(label_t3,label_t4,label_tr3,label_l2,label_l4)确定c1像素的光斑编号label_c1;
步骤3:判断当前元组中c2像素是否为光斑像素:若c2像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤4:若当前元组中c2像素为光斑像素,则根据连通区域确定c2像素的光斑编号label_c2;依次根据c2像素上方、右上方、左方、左左下方像素编号(label_t4,label_tr3,label_c1,label_l4)确定c2像素的光斑编号label_c2;
步骤5:判断当前元组中c3像素是否为光斑像素:若c3像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤6:若当前元组中c3像素为光斑像素,则根据连通区域确定c3像素的光斑编号label_c3;依次根据c3像素上方、右上方、左方像素编号(label_c1,label_c2,label_l4)确定c3像素的光斑编号label_c3;
步骤7:判断当前元组中c4像素是否为光斑像素:若c4像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤8:若当前元组中c4像素为光斑像素,则根据连通区域确定c4像素的光斑编号label_c4;依次根据c4像素上方、左方像素编号(label_c2,label_c3)确定c4像素的光斑编号label_c4。
3.根据权利要求2所述的一种面向FPGA的高并行性光斑分割方法,其特征在于,所述的步骤1~步骤8中,步骤1、2,步骤3、4,步骤5、6,步骤7、8是并行的,其中:
确定c1像素的光斑编号label_c1的具体步骤为:若上方像素为光斑像素,则label_c1=label_t3;否则,若右上方像素为光斑像素,则label_c1=label_t4;否则,若c2像素和tr3像素灰度均大于阈值T,则label_c1=label_tr3;否则,若左方像素为光斑像素,则label_c1=label_l2;否则,若左下方像素为光斑像素,则label_c1=label_l4;否则,c1像素为新的光斑像素,使用新的标签对其编号;
确定c2像素的光斑编号label_c2的步骤具体为:若上方像素为光斑像素,则label_c2=label_t4;否则,若右上方像素为光斑像素,则label_c2=label_tr3;否则,若左方像素为光斑像素,则label_c2=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若c3像素和l4像素灰度均大于阈值T,则label_c2=label_l4;否则,c2像素为新的光斑像素,使用新的标签对其编号;
确定c3像素的光斑编号label_c3的具体步骤为:若上方像素为光斑像素,则label_c3=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若右上方像素为光斑像素,则label_c3=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c3=label_l4;否则,c3像素为新的光斑像素,使用新的标签对其编号;
确定c4像素的光斑编号label_c4的具体步骤为:若上方像素为光斑像素,则label_c4=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c4=label_c3,在这一过程中需要通过步骤5、6判断c3像素是否为光斑像素,并确定c3像素的编号;否则,c4像素为新的光斑像素,使用新的标签对其编号。
4.根据权利要求1所述的一种面向FPGA的高并行性光斑分割方法,其特征在于,所述的根据编号关联性整合数据过程如下:当前元组中所有像素编号完成后,从该元组开始向左取3个连续的元组,比较3个元组中的编号,若不同,则将较大的编号更改为3个元组中最小的编号。
CN202011137224.9A 2020-10-22 2020-10-22 一种面向fpga的高并行性光斑分割方法 Active CN112330611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011137224.9A CN112330611B (zh) 2020-10-22 2020-10-22 一种面向fpga的高并行性光斑分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011137224.9A CN112330611B (zh) 2020-10-22 2020-10-22 一种面向fpga的高并行性光斑分割方法

Publications (2)

Publication Number Publication Date
CN112330611A true CN112330611A (zh) 2021-02-05
CN112330611B CN112330611B (zh) 2024-07-05

Family

ID=74311251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011137224.9A Active CN112330611B (zh) 2020-10-22 2020-10-22 一种面向fpga的高并行性光斑分割方法

Country Status (1)

Country Link
CN (1) CN112330611B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685247A (zh) * 2022-10-31 2023-02-03 哈尔滨工业大学 单行条纹图像中光斑质心位置的获得方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101363718A (zh) * 2008-09-17 2009-02-11 北京航空航天大学 一种双路质心跟随成像方法及装置
CN102193819A (zh) * 2010-08-03 2011-09-21 北京航空航天大学 一种抗单点噪声的光斑中心定位方法及装置
CN103017654A (zh) * 2012-11-29 2013-04-03 北京航空航天大学 一种光斑图像多路质心定位方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101363718A (zh) * 2008-09-17 2009-02-11 北京航空航天大学 一种双路质心跟随成像方法及装置
CN102193819A (zh) * 2010-08-03 2011-09-21 北京航空航天大学 一种抗单点噪声的光斑中心定位方法及装置
CN103017654A (zh) * 2012-11-29 2013-04-03 北京航空航天大学 一种光斑图像多路质心定位方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115685247A (zh) * 2022-10-31 2023-02-03 哈尔滨工业大学 单行条纹图像中光斑质心位置的获得方法
CN115685247B (zh) * 2022-10-31 2024-05-31 哈尔滨工业大学 单行条纹图像中光斑质心位置的获得方法

Also Published As

Publication number Publication date
CN112330611B (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
CN110210409B (zh) 表格单据中表格框线检测方法及***
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN112395957B (zh) 一种针对视频目标检测的在线学习方法
CN111967313B (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
CN111027539B (zh) 一种基于空间位置信息的车牌字符分割方法
CN112633277A (zh) 基于深度学习的航道船牌检测、定位及识别方法
CN110334760B (zh) 一种基于resUnet的光学元器件损伤检测方法及***
CN111444964B (zh) 一种基于自适应roi划分的多目标快速图像匹配方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN112085022A (zh) 一种用于识别文字的方法、***及设备
CN111626145B (zh) 一种简捷有效的残缺表格识别及跨页拼接方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN111724354A (zh) 一种基于图像处理的多株小麦穗长与小穗数的测量方法
CN111159150A (zh) 一种数据扩充方法及装置
CN110288612A (zh) 铭牌定位与校正方法及设备
CN110909772B (zh) 一种高精度实时多尺度表盘指针检测方法和***
CN106845458A (zh) 一种基于核超限学习机的快速交通标识检测方法
CN112330611B (zh) 一种面向fpga的高并行性光斑分割方法
CN113657339A (zh) 一种基于机器视觉的仪表指针计数读取方法及介质
CN114627461A (zh) 一种基于人工智能高精度识别水尺数据的方法及***
CN111832497B (zh) 一种基于几何特征的文本检测后处理方法
CN112926694A (zh) 基于改进的神经网络对图像中的猪只进行自动识别的方法
CN115717887B (zh) 基于灰度分布直方图的星点快速提取方法
CN111126286A (zh) 车辆动态检测方法、装置、计算机设备及存储介质

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
GR01 Patent grant