CN113888442A - 基于fpga的红外图像非均匀性校正方法及*** - Google Patents

基于fpga的红外图像非均匀性校正方法及*** Download PDF

Info

Publication number
CN113888442A
CN113888442A CN202111222399.4A CN202111222399A CN113888442A CN 113888442 A CN113888442 A CN 113888442A CN 202111222399 A CN202111222399 A CN 202111222399A CN 113888442 A CN113888442 A CN 113888442A
Authority
CN
China
Prior art keywords
value
image
cumulative histogram
fpga
original
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
Application number
CN202111222399.4A
Other languages
English (en)
Inventor
陈诚知
张磊
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.)
Shanghai Hot Core Vision Technology Co ltd
Original Assignee
Shanghai Hot Core Vision Technology Co ltd
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 Shanghai Hot Core Vision Technology Co ltd filed Critical Shanghai Hot Core Vision Technology Co ltd
Priority to CN202111222399.4A priority Critical patent/CN113888442A/zh
Publication of CN113888442A publication Critical patent/CN113888442A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明提供了一种基于fpga的红外图像非均匀性校正方法及***，包括如下步骤：步骤S1：获取原始图像的累积直方图值；步骤S2：根据累积直方图值计算出新值；步骤S3：根据新值结合原始图像进行映射，获取最终图像。本发明基于fpga的特殊结构和传统的中值直方图算法，提出基于fpga的红外图像非均匀性校正方法，可以有效地去除原始红外图像上的条纹噪声，并且方便在fpga上实现。

Description

基于fpga的红外图像非均匀性校正方法及***
技术领域
本发明涉及红外图像校正的技术领域，具体地，涉及一种基于fpga的红外图像非均匀性校正方法及***。
背景技术
随着焦平面阵列的发展和图像处理技术的不断成熟,红外热成像***的应用越来越广泛。但是，红外成像***中由于制造工艺的限制，使得焦平面阵列上各探测单元对于同一辐照的光电响应不完全一致，会产生噪声较大,对比度较低,视觉效果不好,分辨图像细节能力比较差等缺点，严重影响了红外***的成像质量。条纹为原始红外图像上一种比较明显的固有噪声。
公开号为CN110211056A的中国发明专利文献公开了基于局部中值直方图的自适应红外图像去条纹算法，通过计算滑动窗口内场景复杂度，找出原始红外图像中每一列与相邻列场景变化最小的窗口。计算该窗口所有列的累积直方图，得到窗口中心列的中值直方图，根据中值直方图计算出窗口中心列的各个像素校正后的灰度值，用原始灰度值均值减去校正后的灰度值均值就可以得到该列的条纹值。将整列都减去条纹值即为该列最终输出的灰度值。
针对上述中的相关技术，发明人认为传统的中值直方图去条纹方法，计算过程较复杂，不方便在fpga上实现。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于fpga的红外图像非均匀性校正方法及***。
根据本发明提供的一种基于fpga的红外图像非均匀性校正方法，包括如下步骤：
步骤S1：获取原始图像的累积直方图值；
步骤S2：根据所述累积直方图值计算出新值；
步骤S3：根据所述新值结合原始图像进行映射，获取最终图像。
优选的，所述步骤S1包括如下步骤：
步骤S1.1：获取每行原始图像或者每列原始图像的直方图值；
步骤S1.2：根据所述步骤S1.1的每行原始图像的直方图值计算每行原始图像的累积直方图值；或者，
根据所述步骤S1.1的每列原始图像的直方图值计算每列原始图像的累积直方图值。
优选的，所述步骤S2包括如下步骤：
步骤S2.1：确定参与计算的所述累积直方图值的行数或者列数；
步骤S2.2：通过确定行数或者列数的累积直方图值得到新值。
优选的，在所述步骤S2.2中，对确定行数或者列数的累积直方图值进行累积直方图值逆变换，将逆变换后的累积直方图值利用四分位数法求平均得到新值。
优选的，在所述步骤S2.2中，将逆变换的累积直方图值进行排序，得到排序数据；
通过Q1、Q2和Q3将排序数据等分，其中每部分包含等分的排序数据；获取Q1、Q2、Q3的计算公式：
Figure BDA0003313089890000021
Q3＝Q2-1+Q1；
其中n表示排序数据的个数；Q1表示对应的是四分位数P0.25的位置；Q2表示对应的是四分位数P0.5的位置；Q3表示对应的是四分位数P0.75的位置；P0.25表示排序数据第四分之一位置处的数据；P0.5表示排序数据第二分之一位置处的数据；P0.75表示排序数据第四分之三位置处的数据。
优选的，在所述步骤S2.2中，
s＝k*(P0.75-P0.25)；
其中，s表示排序数据的标准差；k表示标准正态四分位数间距的倒数；
所述排序数据的最小估计值min＝P0.75+1.5*s，排序数据的最大估计值为max＝P0.25-1.5*s，新值等于(max+min)/2。
优选的，在所述步骤S3中，结合所述新值、原始累积直方图和原始图像进行灰度映射，从而获取最终图像；
映射关系为：
final(i，j)＝result(Chist(image(i，j)+1，j)，j)；
其中，(i，j)表示第i行第j列，image表示原始图像，Chist表示原始累积直方图像；result表示前四步结果，final表示最终图像。
根据本发明提供的一种基于fpga的红外图像非均匀性校正***，包括如下模块：
模块M1：获取原始图像的累积直方图值；
模块M2：根据所述累积直方图值计算出新值；
模块M3：根据所述新值结合原始图像进行映射，获取最终图像。
优选的，所述模块M1包括如下模块：
模块M1.1：获取每行原始图像或者每列原始图像的直方图值；
模块M1.2：根据所述模块M1.1的每行原始图像的直方图值计算每行原始图像的累积直方图值；或者，
根据所述模块M1.1的每列原始图像的直方图值计算每列原始图像的累积直方图值。
优选的，所述模块M2包括如下模块：
模块M2.1：确定参与计算的所述累积直方图值的行数或者列数；
模块M2.2：通过确定行数或者列数的累积直方图值得到新值。
与现有技术相比，本发明具有如下的有益效果：
1、本发明基于fpga的特殊结构和传统的中值直方图算法，提出基于fpga的红外图像非均匀性校正算法，可以有效地去除原始红外图像上的条纹噪声，并且方便在fpga上实现；
2、本发明提高红外图像的质量为出发点，可以有效地去除原始红外图像上的条纹噪声，同时能够提高对比度，对红外图像进行了增强,取得了良好的效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明流程图；
图2为本发明映射关系图；
图3为原图像、原始算法效果图像和本发明算法效果图像对比图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例公开了一种基于fpga的红外图像非均匀性校正方法，如图1和图2所示，包括如下步骤：步骤S1：获取原始图像的累积直方图值，并得到原始累积直方图值。步骤S1包括如下步骤：步骤S1.1：获取每行原始图像或者每列原始图像的直方图值。如果原图是竖条纹就是用列处理，如果原图是横条纹就是用行处理。获取每一行或者列(条纹方向)的直方图值。fpga英文全称为Field Programmable Gate Array，中文译文为现场可编辑逻辑门阵列。
步骤S1.2：根据步骤S1.1的每行原始图像的直方图值计算每行原始图像的累积直方图值；或者，根据步骤S1.1的每列原始图像的直方图值计算每列原始图像的累积直方图值。计算每一行或者列(条纹方向)的累积直方图值。
步骤S2：根据累积直方图值计算出新值。步骤S2包括如下步骤：步骤S2.1：对累积直方图值进行分组，确定参与计算的累积直方图值的行数或者列数。确定参与计算的行数或者列数，这里举例取5列，即目标列(确定参与计算的累积直方图值的列数)窗口尺寸为5，中心列为第3列。
步骤S2.2：通过确定行数或者列数的累积直方图值得到新值。通过确定行数或者列数的累积直方图值求直方图的平均。
若采用原始中值直方图算法原理：
Figure BDA0003313089890000041
其中Hj为某列累积直方图，
Figure BDA0003313089890000042
代表直方图的逆过程，比如：Hj(222)＝10，表示灰度值为222的点个数为10，那么
Figure BDA0003313089890000043
表示点个数为10对应的灰度值为222；其中Φ(j)为加权求平均的权重。原始中值直方图算法中权重使用的是高斯权重公式：
Figure BDA0003313089890000044
其中，sqrt表示开二次方，exp为e的幂次方，e表示自然对数的底，d表示为当前列距离窗口中心列的距离，比如第1列距离中心列第3列的d为2。sigma为平滑系数，需要根据图像噪声情况人为确定，但是高斯函数计算过程在fpga上实现过程比较麻烦，因此这里换一种求平均的方法，用四分位数法。
对确定行数或者列数的累积直方图值进行累积直方图值逆变换，将逆变换后的累积直方图值利用四分位数法求平均得到新值。将逆变换的累积直方图值进行排序，得到排序数据。进行直方图逆变换，
Figure BDA0003313089890000045
其中，
Figure BDA0003313089890000046
表示逆变换的累积直方图值的平均值；aver表示平均值；Hj为第j列累积直方图值，
Figure BDA0003313089890000051
代表第j列累积直方图值的逆过程。(j可以替换为i，表示第i行)。
假如有
Figure BDA0003313089890000052
更新为
Figure BDA0003313089890000053
也就是指一组数据中间位置的数据要用平均值来替代。即使用平均值对这组数据的中间位置的值进行替代，使用一组数据的平均值对这组数据的中间位置的值进行修正。求平均的方法有很多种，原始算法使用的是加权平均，因为其中含有指数运算，比较复杂不适合fpga实现，此处改为四分法求平均，方便fpga实现。
四分位数法基本原理：将一组数据从小到大排序，通过3个位置点(Q1、Q2、Q3)将全部数据等分为4部分，其中每部分包含25％的数据。这3个位置点(Q1、Q2、Q3)对应的就是四分位数(P0.25、P0.5、P0.75)的位置。获取Q1、Q2、Q3计算方法有很多种，这里采用以下，其中n为数据个数(n为奇数和偶数计算不一样，因为图像窗口尺寸通常都是取奇数，因此这里只说明奇数计算)。
通过Q1、Q2和Q3将排序数据等分，其中每部分包含等分的排序数据；获取Q1、Q2、Q3的计算公式：
Figure BDA0003313089890000054
Q3＝Q2-1+Q1。
其中n表示排序数据的个数；Q1表示对应的是四分位数P0.25的位置；Q2表示对应的是四分位数P0.5的位置；Q3表示对应的是四分位数P0.75的位置；P0.25表示排序数据第四分之一位置处的数据；P0.5表示排序数据第二分之一位置处的数据；P0.75表示排序数据第四分之三位置处的数据。Q表示一组数据中的位置，P表示Q位置的数据，P0.25在Q1位置，Q1位置为这组数据的第四分之一位置处。
举例说明：假设一组数据【1 4 1 5 6 2 7】，从小到大排列为【1 1 2 4 5 6 7】，数据个数即为7，根据以上公式计算的Q1＝2.5，Q2＝4，Q3＝5.5，对应的P0.25＝(1+2)/2＝1.5(从小到大排列的第2个数是1，第3个数是2，因此第2.5个数为二者均值)，P0.5＝4，P0.75＝(5+6)/2＝5.5。
若n＝5，
Figure BDA0003313089890000055
总共5个数，使用四分法求这5个数的平均值。
Figure BDA0003313089890000056
Q3＝Q2-1+Q1＝4。
那么P0.25对应Q1位置的数，即P0.25为数据的第2个数，
Figure BDA0003313089890000057
同理：
Figure BDA0003313089890000058
接下来求取该组数据的平均值，首先求出该组数据的标准差s＝k*(P0.75-P0.25),其中k由标准正态分布得到，标准正态分布四分位数间距为-0.6745～0.6745，因此宽度为0.6745*2＝1.3490，k＝1/1.3490＝0.7513，因此某组数据的四分位间距(某组数据的四分位间距＝P0.75-P0.25)乘以0.7513相当于该组数据标准差。得到某组数据的最小估计值为min＝P0.75+1.5*s，最大估计值为max＝P0.25-1.5*s。因此，某组数据的平均值可以用(max+min)/2来近似替代。
s＝k*(P0.75-P0.25)，其中s表示排序数据的标准差；k表示标准正态四分位数间距的倒数。排序数据的最小估计值min＝P0.75+1.5*s，排序数据的最大估计值max＝P0.25-1.5*s；新值等于(max+min)/2。新值为平均处理后的值。
步骤S3：根据新值结合原始图像进行映射，获取最终图像。结合新值、原始累积直方图(初始累积直方图)和原始图像进行灰度映射，从而获取最终图像。结合前面结果、初始累积直方图和原始图像进行灰度映射，从而获取最终结果。
映射关系为：
final(i，j)＝result(Chist(image(i，j)+1，j)，j)。
其中，(i，j)表示第i行第j列，image表示原始图像，Chist表示原始累积直方图像；result表示前四步结果，final表示最终图像。
如图3所示，为原图像，原始算法效果图像和本发明算法效果图像的对比图，上方为原图像，中间为原始算法效果图像；下方为本发明效果算法图像。由结果图可见，改进的算法效果跟原始算法效果相比，略有降低，但是过程简化了很多。
本发明的目的在于对于传统的中值直方图去条纹算法过程进行了优化，方便在fpga实现，并能不影响原始效果。获取条纹方向的单行(或单列)图像的累积直方图值；利用窗口的多个临近累积直方图值(步骤S1就是求取所有列的累积直方图，每次计算会用到相邻的5列，这5列就称为邻近列，即临近累积直方图值)，根据直方图逆变换和平均算法计算出新值。
假设原始图像有100列，首先求出每一列的累积直方图。然后，每5列做一次直方图求平均运算。第一次：取第1列到第5列，求平均，作为第3列的新值；第二次：取第2列到第6列，求平均，作为第4列的新值；第三次：取第3列到第7列，求平均，作为第5列的新值；……，最后一次：取第96列到第100列，求平均，作为第98列的新值。每一次取的5列都是邻近的列。
利用窗口内的多个临近累积直方图值，根据直方图逆变换，再利用改进的平均算法，计算出新值；以上结果结合原始图像以及原始累积直方图，进行灰度映射，从而获取最后的图像。实验结果表明，应用本发明方法能保持原中值直方图算法的效果，并且过程更方便在fpga上实现。
本发明实施例公开了一种基于fpga的红外图像非均匀性校正***，如图1和图2所示，包括如下模块：模块M1：获取原始图像的累积直方图值，并得到原始累积直方图值。模块M1包括如下模块：模块M1.1：获取每行原始图像或者每列原始图像的直方图值。
模块M1.2：根据模块M1.1的每行原始图像的直方图值计算每行原始图像的累积直方图值；或者，根据模块M1.1的每列原始图像的直方图值计算每列原始图像的累积直方图值。
模块M2：根据累积直方图值计算出新值。模块M2包括如下模块：模块M2.1：对累积直方图值进行分组，确定参与计算的累积直方图值的行数或者列数。
模块M2.2：通过确定行数或者列数的累积直方图值得到新值。对确定行数或者列数的累积直方图值进行累积直方图值逆变换，将逆变换后的累积直方图值利用四分位数法求平均得到新值。将逆变换的累积直方图值进行排序，得到排序数据。
通过Q1、Q2和Q3将排序数据等分，其中每部分包含等分的排序数据；获取Q1、Q2、Q3的计算公式：
Figure BDA0003313089890000071
Q3＝Q2-1+Q1。
其中n表示排序数据的个数；Q1表示对应的是四分位数P0.25的位置；Q2表示对应的是四分位数P0.5的位置；Q3表示对应的是四分位数P0.75的位置；P0.25表示排序数据第四分之一位置处的数据；P0.5表示排序数据第二分之一位置处的数据；P0.75表示排序数据第四分之三位置处的数据。
s＝k*(P0.75-P0.25)，其中，s表示排序数据的标准差；k表示标准正态四分位数间距的倒数；排序数据的最小估计值min＝P0.75+1.5*s，排序数据的最大估计值为max＝P0.25-1.5*s；新值等于(max+min)/2。
步骤S3：根据新值结合原始图像进行映射，获取最终图像。结合新值、原始累积直方图和原始图像进行灰度映射，从而获取最终图像；
映射关系为：
final(i，j)＝result(Chist(image(i，j)+1，j)，j)。
其中，(i，j)表示第i行第j列，image表示原始图像，Chist表示原始累积直方图像；result表示前四步结果，final表示最终图像。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于fpga的红外图像非均匀性校正方法，其特征在于，包括如下步骤：
步骤S1：获取原始图像的累积直方图值；
步骤S2：根据所述累积直方图值计算出新值；
步骤S3：根据所述新值结合原始图像进行映射，获取最终图像。
2.根据权利要求1所述的基于fpga的红外图像非均匀性校正方法，其特征在于，所述步骤S1包括如下步骤：
步骤S1.1：获取每行原始图像或者每列原始图像的直方图值；
步骤S1.2：根据所述步骤S1.1的每行原始图像的直方图值计算每行原始图像的累积直方图值；或者，
根据所述步骤S1.1的每列原始图像的直方图值计算每列原始图像的累积直方图值。
3.根据权利要求1所述的基于fpga的红外图像非均匀性校正方法，其特征在于，所述步骤S2包括如下步骤：
步骤S2.1：确定参与计算的所述累积直方图值的行数或者列数；
步骤S2.2：通过确定行数或者列数的累积直方图值得到新值。
4.根据权利要求3所述的基于fpga的红外图像非均匀性校正方法，其特征在于，在所述步骤S2.2中，对确定行数或者列数的累积直方图值进行累积直方图值逆变换，将逆变换后的累积直方图值利用四分位数法求平均得到新值。
5.根据权利要求3所述的基于fpga的红外图像非均匀性校正方法，其特征在于，在所述步骤S2.2中，将逆变换的累积直方图值进行排序，得到排序数据；
通过Q1、Q2和Q3将排序数据等分，其中每部分包含等分的排序数据；获取Q1、Q2、Q3的计算公式：
Figure FDA0003313089880000011
Q3＝Q2-1+Q1；
其中n表示排序数据的个数；Q1表示对应的是四分位数P0.25的位置；Q2表示对应的是四分位数P0.5的位置；Q3表示对应的是四分位数P0.75的位置；P0.25表示排序数据第四分之一位置处的数据；P0.5表示排序数据第二分之一位置处的数据；P0.75表示排序数据第四分之三位置处的数据。
6.根据权利要求5所述的基于fpga的红外图像非均匀性校正方法，其特征在于，在所述步骤S2.2中，
s＝k*(PO.75-P0.25)；
其中，s表示排序数据的标准差；k表示标准正态四分位数间距的倒数；
所述排序数据的最小估计值min＝P0.75+1.5*s，排序数据的最大估计值为max＝P0.25-1.5*s，新值等于(max+min)/2。
7.根据权利要求1所述的基于fpga的红外图像非均匀性校正算法，其特征在于，在所述步骤S3中，结合所述新值、原始累积直方图和原始图像进行灰度映射，从而获取最终图像；
映射关系为：
final(i，j)＝result(Chist(image(i，j)+1，j)，j)；
其中，(i，j)表示第i行第j列，image表示原始图像，Chist表示原始累积直方图像；result表示前四步结果，final表示最终图像。
8.一种基于fpga的红外图像非均匀性校正***，其特征在于，包括如下模块：
模块M1：获取原始图像的累积直方图值；
模块M2：根据所述累积直方图值计算出新值；
模块M3：根据所述新值结合原始图像进行映射，获取最终图像。
9.根据权利要求8所述的基于fpga的红外图像非均匀性校正***，其特征在于，所述模块M1包括如下模块：
模块M1.1：获取每行原始图像或者每列原始图像的直方图值；
模块M1.2：根据所述模块M1.1的每行原始图像的直方图值计算每行原始图像的累积直方图值；或者，
根据所述模块M1.1的每列原始图像的直方图值计算每列原始图像的累积直方图值。
10.根据权利要求8所述的基于fpga的红外图像非均匀性校正***，其特征在于，所述模块M2包括如下模块：
模块M2.1：确定参与计算的所述累积直方图值的行数或者列数；
模块M2.2：通过确定行数或者列数的累积直方图值得到新值。
CN202111222399.4A 2021-10-20 2021-10-20 基于fpga的红外图像非均匀性校正方法及*** Pending CN113888442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111222399.4A CN113888442A (zh) 2021-10-20 2021-10-20 基于fpga的红外图像非均匀性校正方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111222399.4A CN113888442A (zh) 2021-10-20 2021-10-20 基于fpga的红外图像非均匀性校正方法及***

Publications (1)

Publication Number Publication Date
CN113888442A true CN113888442A (zh) 2022-01-04

Family

ID=79003806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111222399.4A Pending CN113888442A (zh) 2021-10-20 2021-10-20 基于fpga的红外图像非均匀性校正方法及***

Country Status (1)

Country Link
CN (1) CN113888442A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116026780A (zh) * 2023-03-28 2023-04-28 江西中医药大学 基于串联策略波长选择的包衣吸湿率在线检测方法及***
CN117239938A (zh) * 2023-11-13 2023-12-15 国网浙江省电力有限公司杭州供电公司 一种配电站的巡检控制方法、装置、***、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116026780A (zh) * 2023-03-28 2023-04-28 江西中医药大学 基于串联策略波长选择的包衣吸湿率在线检测方法及***
CN117239938A (zh) * 2023-11-13 2023-12-15 国网浙江省电力有限公司杭州供电公司 一种配电站的巡检控制方法、装置、***、设备及介质
CN117239938B (zh) * 2023-11-13 2024-02-23 国网浙江省电力有限公司杭州供电公司 一种配电站的巡检控制方法、装置、***、设备及介质

Similar Documents

Publication Publication Date Title
CN109543754B (zh) 基于端对端深度学习的目标检测与语义分割的并行方法
CN108876743B (zh) 一种图像快速去雾方法、***、终端及存储介质
CN113888442A (zh) 基于fpga的红外图像非均匀性校正方法及***
CN108564549B (zh) 一种基于多尺度稠密连接网络的图像去雾方法
CN111814867A (zh) 缺陷检测模型的训练方法、缺陷检测方法及相关装置
CN111311512B (zh) 随机噪点校正方法
CN101127908A (zh) 引入全局特征分类的视频图像运动处理方法及其实现装置
CN110996096B (zh) 一种基于结构相似性差异度的色调映射图像质量评价方法
CN115410030A (zh) 目标检测方法、装置、计算机设备及存储介质
CN111179184B (zh) 基于随机抽样一致性的鱼眼图像有效区域提取方法
CN111369449A (zh) 基于生成式对抗网络的红外盲元补偿方法
CN114418873A (zh) 一种暗光图像降噪方法及装置
CN114140416A (zh) 一种基于机器视觉的玻璃边缘检测方法和***
CN111047521B (zh) 一种基于图像熵的红外图像非均匀性参数化校正优选方法
CN115619678B (zh) 一种图像变形的矫正方法、装置、计算机设备及存储介质
CN106845550B (zh) 一种基于多模板的图像识别方法
CN110852966B (zh) 基于深度卷积神经网络的图像噪声估计方法
CN112561818B (zh) 一种图像增强方法、装置、电子设备及存储介质
CN107633493B (zh) 一种适用于工业检测的自适应背景扣除的方法
CN111080560B (zh) 一种图像的处理与识别方法
CN112766338A (zh) 一种计算距离图像的方法、***及计算机可读存储介质
CN111985324B (zh) 结合全卷积回归神经网络和条件随机场的道路检测方法
CN116824586B (zh) 图像处理方法及应用该方法的黑蒜生产质量在线检测***
CN110619609B (zh) 一种基于时空非局部相似性与hosvd投影的红外dtdi成像方法
CN114926659B (zh) 一种基于sift和cm的变形目标定位算法

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