CN114663434A - 一种侧扫声呐影像的阴影判别方法 - Google Patents
一种侧扫声呐影像的阴影判别方法 Download PDFInfo
- Publication number
- CN114663434A CN114663434A CN202210571596.5A CN202210571596A CN114663434A CN 114663434 A CN114663434 A CN 114663434A CN 202210571596 A CN202210571596 A CN 202210571596A CN 114663434 A CN114663434 A CN 114663434A
- Authority
- CN
- China
- Prior art keywords
- value
- gray
- peak
- effective
- shadow
- 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
Links
- 238000012850 discrimination method Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000013211 curve analysis Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000003672 processing method Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000251729 Elasmobranchii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及侧扫声呐的技术领域,具体是涉及一种侧扫声呐影像的阴影判别方法,使用了曲线分析与灰度峰值比相结合的方式进行筛选判读,其包括如下步骤:S1、读取侧扫声呐影像;S2、生成统计曲线;S3、灰度峰值点筛除;S4、选取灰度对比值;S5、定义阴影灰度峰值;S6、峰值比判断。本发明可以对侧扫声呐的侧扫影像是否有阴影进行判别,避免阴影部分影响进一步的影像分割过程。
Description
技术领域
本发明涉及侧扫声呐的技术领域,尤其是涉及一种侧扫声呐影像的阴影判别方法。
背景技术
侧扫声呐图像在水下目标搜寻和障碍物探测等领域有着广泛的应用。尤其是由于近年来重要战略航道鱼雷、水雷等布设密度加大的原因,侧扫声呐图像分割与目标识别的需求也越来越旺盛。
申请公布号为CN110675410A的发明专利公开了一种基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法,包括:对侧扫声呐条带瀑布图像进行预处理;根据侧扫声呐基本特征,基于先验知识将条带瀑布图像分为水柱区,目标区(阴影区)和纯海底背景区,并基于选择性搜索策略分割侧扫声呐瀑布图像为上述区域;定义若干相似性测度,计算各区域的相似性测度并取加权值作为最终测度值;输出沉船目标检测结果。
上述技术方案中涉及到了将图像分为水柱区、目标区(阴影区)和纯海底背景区,这样划分的目的是当侧扫声呐影像有阴影时,会对分割结果产生严重影响。因此有必要在影像分割前,对侧扫声呐影像是否含有阴影进行判别。但是目前并未专门针对侧扫声呐影像的阴影判别的算法,为提高批量判别效率,有必要研发侧扫声呐影像阴影自动判别算法。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种侧扫声呐影像的阴影判别方法。
为了实现上述目的,本发明采用了如下技术方案:
一种侧扫声呐影像的阴影判别方法,使用了曲线分析与灰度峰值比相结合的方式进行筛选判读,其包括如下步骤:
S1、读取侧扫影像:读取侧扫声呐影像,然后进行灰度统计;
S2、生成统计曲线:根据S1的灰度统计结果生成灰度统计曲线,并获得灰度曲线上的各个峰值点;
S3、峰值点筛除:对S2得到的峰值点进行筛选,剔除干扰峰值点,保留有效峰值点E,所述有效峰值点E包括有效横坐标X和有效纵坐标Y,其中X代表灰度值,Y代表灰度统计数的峰值;
S4、选取灰度对比值:从灰度值区间[35,75]中选取灰度对比值M;
S5、定义阴影灰度峰值:通过S4中的灰度对比值M与所有有效峰值E的有效横坐标X进行对比,存在以下几种情况:
若所有有效横坐标X≥灰度对比值M,则判别侧扫影像无阴影;
若一部分有效横坐标X≥灰度对比值M,其余有效横坐标X<灰度对比值M,则剔除前一部分有效横坐标X,选取后一部分有效横坐标X中的最大值,将此有效横坐标X对应的有效纵坐标Y定义为P1,选取统计曲线中所有峰值最大的有效纵坐标Y定义为P2;
S6、峰值比判断:将S4得到的峰值数值进行占比分析,所述占比分析依据的数学公式为:
R= P1÷P2
其中,R为阴影灰度峰值占比数,P1为S4中灰度小于灰度对比值M的最大峰值,P2为S4中得到的统计曲线中的最大峰值;
判断R的数值大小,存在以下几种情况:
若R>0.1,则判别侧扫影像有阴影;
若R≦0.1,则判别侧扫影像无阴影。
优选的,所述S2中,获得灰度峰值点采用信号处理法。
优选的,所述S3中,对灰度曲线上的各个峰值点的筛除采用显著性分析法,所述显著性分析法是读取每个峰值点的数据信息,所述数据信息包括横向坐标x i 和纵向坐标y i ,所述显著性分析法包括如下步骤:
S3.1、确定每个峰值点的左穿越区域以及左区低点;
S3.2、确定每个峰值点的右穿越区域以及右区低点;
S3.3、计算每个峰值点的显著值H;
S3.4、选取显著性对比值C;
S3.5、平峰剔除:将显著值H与显著性对比值C进行对比,存在以下几种情况:
若H≥C,则将该显著值H对应的峰值点保留;
若H<C,则将该显著值H对应的峰值点剔除。
优选的,所述显著性对比值C取值为40。
本发明的有益效果为:
1.解决了现有技术无法判别侧扫影像中的阴影的难题,可以对侧扫声呐的影像进行阴影的有无判断,从而方便进行进一步的分割,避免因为阴影而导致影像分割失败。
2.判别过程中通过显著性分析将无效的峰值点进行了剔除,避免了无用数据的干扰,进一步提高了容错率。
3.判别过程所需计算少,可以快速批量进行侧扫图像的判别。
附图说明
图1为本发明提出的侧扫声呐影像的阴影判别方法的整体步骤图;
图2为S3中显著性分析的整体步骤图;
图3为显著性分析的曲线图例;
图4为S5和S6的逻辑图;
图5为实施例一中的第一幅侧扫影像;
图6为第一幅侧扫影像的灰度统计曲线;
图7为第一幅侧扫影像的灰度统计曲线经过显著性分析后的统计曲线;
图8为实施例二中的第二幅侧扫影像;
图9为第二幅侧扫影像的灰度统计曲线;
图10为第二幅侧扫影像的灰度统计曲线经过显著性分析后的统计曲线;
图11为实施例三中的第三幅侧扫影像;
图12为第三幅侧扫影像的灰度统计曲线;
图13为第三幅侧扫影像的灰度统计曲线经过显著性分析后的统计曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例一
本发明公开了一种侧扫声呐影像的阴影判别方法,这种方法基于曲线分析和灰度峰值比相结合。通过对侧扫影像进行分析得出灰度-峰值统计曲线,然后进行综合分析,便可以判读出影像中是否存在阴影部分。
参照图1,本方法的整体步骤图,其包括如下的步骤:
S1、读取侧扫影像:读取侧扫声呐生成的影像,从而开始进行后续的灰度统计;
S2、生成统计曲线:根据S1的灰度统计结果生成灰度统计曲线,并获得灰度曲线上的各个峰值点。对于获得峰值点采用的是信号处理法,信号处理法是获取峰值点的有效方法,可以快速得到所有的峰值点,信号处理法为现有技术,再次不多赘述。生成出来的统计曲线,其X轴为灰度值,Y轴为灰度统计数峰值,这个峰值是当前灰度下像素点的个数;
S3、峰值点筛除:对S2得到的灰度峰值点进行筛选,剔除干扰峰值点,保留有效峰值点E,每一个有效峰值点E都包括有效横坐标X和有效纵坐标Y;
参照图2,需要注意的是,对于峰值点的筛除采用了显著性分析法,所谓显著性分析就是检验每个峰值点是否真正的代表了一个突出的峰值,而不是起伏不大,构成了一个平峰。显著性分析法具体包括以下几个步骤:
S3.1、确定每个峰值点的左穿越区域以及左区低点。所谓左穿越区域就是该峰值点向左延伸出一条水平线,直到与统计曲线产生交点或者超出统计曲线。参照图3,图中存在两个峰值点,分别为m点和n点,m点向左延伸出水平线,不产生任何交点,此时m点的左区低点就是m点左侧曲线上的数值最小点,也就是图中的a点。n点向左延伸出水平线,会与曲线产生交点d,此时n点的左区低点就是从n点到d点之间曲线上的数值最小点,也就是图中的b点。
S3.2、确定每个峰值点的右穿越区域以及右区低点。右穿越点和右区低点的定义可以类比左穿越区域和左区低点,不再次叙述。m点的右区低点为b点,n点的右区低点为c点。
S3.3、计算每个峰值点的显著值H。首先对比各个峰值点的左区低点和右区低点的大小,选取数值较大的作为基准点。所以对于m点来说,a点就是基准点;对于n点来说,c点就是基准点。然后基准点延伸出水平线,计算峰值点与水平线之间的垂直距离就是显著值H。
S3.4、选取显著性对比值C。显著性对比值C用于对峰值点的显著性进行判断,显著性对比值C的取值可以根据精度需要自行调整,本实施例以及后续的实施例中,显著性对比值的取值为40。
S3.5、平峰剔除:将显著值H与显著性对比值C进行对比,存在以下几种情况:
若H≥C,则将该显著值H对应的峰值点保留;
若H<C,则将该显著值H对应的峰值点剔除。
图3中,m点的显著值H大于显著性对比值C,所以将m点保留,n点的显著值H小于显著性对比值C,所以将n点剔除。
S4、选取灰度对比值:从灰度值区间[35,75]中选取灰度对比值M。实际在选取过程中,选取的灰度对比值M越小,其阴影判断的条件越苛刻,选取的灰度对比值M越大,其阴影判断的条件越宽松。可以根据判断标准自行决定灰度对比值M,在本实施例中,灰度对比值M选取65;
S5、定义阴影灰度峰值:通过S4中的灰度对比值M与所有有效峰值E的横坐标X进行对比,存在以下几种情况:
参照图4,若所有的有效横坐标X均大于等于灰度对比值M,则判别侧扫影像无阴影。因为有效横坐标X若是大于等于灰度对比值M,那么意味着这个有效横坐标X对应的像素点的颜色亮度较高,所以不属于阴影颜色,当侧扫影像的所有像素点都不属于阴影部分,那么可以判别出侧扫影像没有阴影;
若一部分有效横坐标X大于等于灰度对比值M,另一部分有效横坐标X小于灰度对比值M,那么意味着侧扫影像中存在亮度较高的部分和亮度较低的部分。其中有效横坐标X大于等于灰度对比值M的那部分像素为亮度较高的部分,所以进行剔除。剩下的有效横坐标X小于灰度对比值M的那部分,属于亮度较低的部分,可以进行阴影判读。
首先选取有效横坐标X小于灰度对比值M的那部分坐标点中最接近灰度对比值M的有效横坐标X,即这部分有效横坐标X中的最大值,将这个有效横坐标X对应的有效纵坐标Y定义为P1,之后选取统计曲线中峰值最大的有效纵坐标Y定义为P2;
S6、峰值比判断:将S4得到的峰值数值进行占比分析,占比分析依据的数学公式为:
R= P1÷P2
其中,R为阴影灰度峰值占比数,P1为S4中得到的最接近灰度对比值M的峰值,P2为S4中得到的统计曲线中的最大峰值。计算阴影灰度峰值占比数的目的是得出灰度最接近灰度对比值M的像素点的个数与影像中整个侧扫影像中的最大峰值之间的比例关系。
参照图4,若是R>0.1,即P1:P2>10%,那么说明亮度较低的区域占比还是比较大的,则判别侧扫影像有阴影;若是R≦0.1,即P1∶P2≦10%,那么说明亮度较低的区域占比很低,则判别侧扫影像无阴影。
下面结合实例对整个步骤进行诠释:
参照图5,为第一幅侧扫影像,用于进行阴影判别。
参照图6,为通过信号处理法处理后得到灰度统计曲线,其包括9个峰值点。
参照图7,对各个峰值点进行显著性分析,显著性分析的过程前面已经说明过,在此不进行详细说明,对于显著性小于40的峰值点不予采纳,经过剔除后剩余3个有效峰值E。其中1号点坐标(33,1254)、2号点坐标(117, 2317)、3号点坐标(228,173),也就代表着这三个点对应的灰度值分别为33、117和228。本实施例中,灰度对比值M取值为65,因为33<65,117>65,228>65,所以1号点的有效纵坐标Y即为P1,也就是P1为1254。2号点为整个侧扫影像灰度统计的最大峰值,所以2号点的有效纵坐标Y即为P2,也就是P2为2317。
计算阴影灰度占比数R=1254÷2317≈0.5412=54.12%,因为54.12%>10%,所以可以判别侧扫影像具有阴影。
实施例二
参照图8,为第二幅侧扫影像,用于进行阴影判别。
参照图9,为通过信号处理法处理后得到灰度统计曲线,其包括16个峰值点。
参照图10,对各个峰值点进行显著性分析,对各个峰值点进行显著性分析,显著性分析的过程前面已经说明过,在此不进行详细说明,对于显著性小于40的峰值点不予采纳,经过剔除后剩余2个有效峰值E。其中4号点坐标(148,4728)、5号点坐标(156, 4542),也就代表着这两个点对应的灰度值分别为148和156。本实施例中,灰度对比值M取值为75,因为148>75、156>75,所以认为侧扫影像中没有灰度值较小的区域,直接判别侧扫影像没有阴影。
实施例三
参照图11,为第三幅侧扫影像,用于进行阴影判别。
参照图12,为通过信号处理法处理后得到灰度统计曲线,其包括4个峰值点。
参照图13,对各个峰值点进行显著性分析,对于显著性小于40的峰值点不予采纳,经过剔除后剩余3个有效峰值E,其中6号点坐标(15,669)、7号点坐标(60, 183)、8号点坐标(135,2297),也就代表着这三个点对应的灰度值分别为15、60和135。本实施例中,灰度对比值M取值为35,因为15<35,60>35,135>35,所以6号点的有效纵坐标Y即为P1,也就是P1为669。8号点为整个侧扫影像灰度统计的最大峰值,所以8号点的有效纵坐标Y即为P2,也就是P2为2297。
计算阴影灰度占比数R=669÷2297≈0.2912=29.12%,因为29.12%>10%,所以可以判别侧扫影像具有阴影。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种侧扫声呐影像的阴影判别方法,其特征在于:使用了曲线分析与灰度峰值比相结合的方式进行筛选判读,其包括如下步骤:
S1、读取侧扫影像:读取侧扫声呐影像,然后进行灰度统计;
S2、生成统计曲线:根据S1的灰度统计结果生成灰度统计曲线,并获得灰度曲线上的各个峰值点;
S3、峰值点筛除:对S2得到的峰值点进行筛选,剔除干扰峰值点,保留有效峰值点E,所述有效峰值点E包括有效横坐标X和有效纵坐标Y,其中X代表灰度值,Y代表灰度统计数的峰值;
S4、选取灰度对比值:从灰度值区间[35,75]中选取灰度对比值M;
S5、定义阴影灰度峰值:通过S4中的灰度对比值M与所有有效峰值E的有效横坐标X进行对比,存在以下几种情况:
若所有有效横坐标X≥灰度对比值M,则判别侧扫影像无阴影;
若一部分有效横坐标X≥灰度对比值M,其余有效横坐标X<灰度对比值M,则剔除前一部分有效横坐标X,选取后一部分有效横坐标X中的最大值,将此有效横坐标X对应的有效纵坐标Y定义为P1,选取统计曲线中所有峰值最大的有效纵坐标Y定义为P2;
S6、峰值比判断:将S4得到的峰值数值进行占比分析,所述占比分析依据的数学公式为:
R= P1÷P2
其中,R为阴影灰度峰值占比数,P1为S4中灰度小于灰度对比值M的最大峰值,P2为S4中得到的统计曲线中的最大峰值;
判断R的数值大小,存在以下几种情况:
若R>0.1,则判别侧扫影像有阴影;
若R≦0.1,则判别侧扫影像无阴影。
2.根据权利要求1所述的一种侧扫声呐影像的阴影判别方法,其特征在于:所述S2中,获得灰度曲线上的各个峰值点采用信号处理法。
3.根据权利要求1所述的一种侧扫声呐影像的阴影判别方法,其特征在于:所述S3中,对灰度曲线上的各个峰值点的筛除采用显著性分析法,所述显著性分析法是读取每个峰值点的数据信息,所述数据信息包括横向坐标x i 和纵向坐标y i ,所述显著性分析法包括如下步骤:
S3.1、确定每个峰值点的左穿越区域以及左区低点;
S3.2、确定每个峰值点的右穿越区域以及右区低点;
S3.3、计算每个峰值点的显著值H;
S3.4、选取显著性对比值C;
S3.5、平峰剔除:将显著值H与显著性对比值C进行对比,存在以下几种情况:
若H≥C,则将该显著值H对应的峰值点保留;
若H<C,则将该显著值H对应的峰值点剔除。
4.根据权利要求3所述的一种侧扫声呐影像的阴影判别方法,其特征在于:所述显著性对比值C取值为40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571596.5A CN114663434B (zh) | 2022-05-25 | 2022-05-25 | 一种侧扫声呐影像的阴影判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571596.5A CN114663434B (zh) | 2022-05-25 | 2022-05-25 | 一种侧扫声呐影像的阴影判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663434A true CN114663434A (zh) | 2022-06-24 |
CN114663434B CN114663434B (zh) | 2022-08-23 |
Family
ID=82037580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210571596.5A Expired - Fee Related CN114663434B (zh) | 2022-05-25 | 2022-05-25 | 一种侧扫声呐影像的阴影判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663434B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101621607A (zh) * | 2009-07-24 | 2010-01-06 | 天津三星光电子有限公司 | 数码相机消除影像阴影的方法 |
CN102855627A (zh) * | 2012-08-09 | 2013-01-02 | 武汉大学 | 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法 |
CN103324936A (zh) * | 2013-05-24 | 2013-09-25 | 北京理工大学 | 一种基于多传感器融合的车辆下边界检测方法 |
CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN105574529A (zh) * | 2016-01-28 | 2016-05-11 | 中国船舶重工集团公司第七一〇研究所 | 一种侧扫声纳目标检测方法 |
CN105989611A (zh) * | 2015-02-05 | 2016-10-05 | 南京理工大学 | 带有阴影去除的分块感知哈希跟踪方法 |
CN106529592A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于混合特征与灰度投影的车牌识别方法 |
CN107341474A (zh) * | 2017-07-06 | 2017-11-10 | 淮海工学院 | 一种基于扩散映射的侧扫声呐图像目标非监督探测方法 |
CN109035273A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种免疫层析试纸卡的图像信号快速分割方法 |
CN109146806A (zh) * | 2018-07-29 | 2019-01-04 | 国网上海市电力公司 | 在电力远程监控中基于阴影消除优化的仪表指针位置检测识别方法 |
CN109559321A (zh) * | 2018-11-28 | 2019-04-02 | 清华大学 | 一种声呐图像分割方法和设备 |
CN109712212A (zh) * | 2018-12-20 | 2019-05-03 | 中国兵器科学研究院宁波分院 | 一种工业ct伪影校正方法 |
CN110675410A (zh) * | 2019-09-25 | 2020-01-10 | 江苏海洋大学 | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 |
CN110706177A (zh) * | 2019-09-30 | 2020-01-17 | 北京大学 | 一种侧扫声呐图像灰度均衡化方法及*** |
CN111738278A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 一种水下多源声学图像特征提取方法及*** |
CN111915625A (zh) * | 2020-08-13 | 2020-11-10 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和*** |
CN113052872A (zh) * | 2021-03-12 | 2021-06-29 | 浙江大学 | 一种基于声呐图像的水下运动目标跟踪方法 |
-
2022
- 2022-05-25 CN CN202210571596.5A patent/CN114663434B/zh not_active Expired - Fee Related
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101621607A (zh) * | 2009-07-24 | 2010-01-06 | 天津三星光电子有限公司 | 数码相机消除影像阴影的方法 |
CN102855627A (zh) * | 2012-08-09 | 2013-01-02 | 武汉大学 | 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法 |
CN103324936A (zh) * | 2013-05-24 | 2013-09-25 | 北京理工大学 | 一种基于多传感器融合的车辆下边界检测方法 |
CN105989611A (zh) * | 2015-02-05 | 2016-10-05 | 南京理工大学 | 带有阴影去除的分块感知哈希跟踪方法 |
CN105574529A (zh) * | 2016-01-28 | 2016-05-11 | 中国船舶重工集团公司第七一〇研究所 | 一种侧扫声纳目标检测方法 |
CN105574888A (zh) * | 2016-03-01 | 2016-05-11 | 浙江工业大学 | 基于灰度峰值的裂缝位置查找方法 |
CN106529592A (zh) * | 2016-11-07 | 2017-03-22 | 湖南源信光电科技有限公司 | 一种基于混合特征与灰度投影的车牌识别方法 |
CN107341474A (zh) * | 2017-07-06 | 2017-11-10 | 淮海工学院 | 一种基于扩散映射的侧扫声呐图像目标非监督探测方法 |
CN109146806A (zh) * | 2018-07-29 | 2019-01-04 | 国网上海市电力公司 | 在电力远程监控中基于阴影消除优化的仪表指针位置检测识别方法 |
CN109035273A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种免疫层析试纸卡的图像信号快速分割方法 |
CN109559321A (zh) * | 2018-11-28 | 2019-04-02 | 清华大学 | 一种声呐图像分割方法和设备 |
CN109712212A (zh) * | 2018-12-20 | 2019-05-03 | 中国兵器科学研究院宁波分院 | 一种工业ct伪影校正方法 |
CN110675410A (zh) * | 2019-09-25 | 2020-01-10 | 江苏海洋大学 | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 |
CN110706177A (zh) * | 2019-09-30 | 2020-01-17 | 北京大学 | 一种侧扫声呐图像灰度均衡化方法及*** |
CN111738278A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 一种水下多源声学图像特征提取方法及*** |
CN111915625A (zh) * | 2020-08-13 | 2020-11-10 | 湖南省有色地质勘查研究院 | 一种能量积分的遥感影像地形阴影自动检测方法和*** |
CN113052872A (zh) * | 2021-03-12 | 2021-06-29 | 浙江大学 | 一种基于声呐图像的水下运动目标跟踪方法 |
Non-Patent Citations (5)
Title |
---|
JASON RHINELANDER: "Feature extraction and target classification of side-scan sonar images", 《2016 IEEE SYMPOSIUM SERIES ON COMPUTATIONAL INTELLIGENCE (SSCI)》 * |
JUNWEI LI等: "A Local Region-Based Level Set Method With Markov Random Field for Side-Scan Sonar Image Multi-Level Segmentation", 《IEEE SENSORS JOURNAL》 * |
叶秀芬等: "基于马尔可夫随机场的非监督声呐图像分割方法", 《哈尔滨工程大学学报》 * |
李鹏: "侧扫声呐图像特征匹配方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
熊平波: "侧扫声呐中的伪彩色图像处理研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114663434B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN115439481B (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN112241699B (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN115511889B (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN111626190A (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及*** | |
CN114842027A (zh) | 基于灰度共生矩阵的织物疵点分割方法和*** | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
US6993187B2 (en) | Method and system for object recognition using fractal maps | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN115100174B (zh) | 一种船舶钣金件漆面缺陷检测方法 | |
CN114782329A (zh) | 一种基于图像处理的轴承缺陷损伤程度评估方法及*** | |
CN115170567B (zh) | 一种船舶用的防水钢板缺陷检测方法 | |
CN112598054B (zh) | 基于深度学习的输变电工程质量通病防治检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及*** | |
CN110210316A (zh) | 基于灰度图像的交通信号灯数字识别方法 | |
CN102509414B (zh) | 一种基于计算机视觉的烟雾检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114663434B (zh) | 一种侧扫声呐影像的阴影判别方法 | |
CN115984283B (zh) | 一种钢筋笼焊接质量智能检测方法 | |
CN116563786A (zh) | 一种teds跨接线故障识别检测方法、存储介质及设备 |
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 |
Granted publication date: 20220823 |
|
CF01 | Termination of patent right due to non-payment of annual fee |