CN115205317A - 一种桥梁监测光电标靶图像光斑中心点提取方法 - Google Patents
一种桥梁监测光电标靶图像光斑中心点提取方法 Download PDFInfo
- Publication number
- CN115205317A CN115205317A CN202211120524.5A CN202211120524A CN115205317A CN 115205317 A CN115205317 A CN 115205317A CN 202211120524 A CN202211120524 A CN 202211120524A CN 115205317 A CN115205317 A CN 115205317A
- Authority
- CN
- China
- Prior art keywords
- pixels
- data group
- value
- gray
- pixel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—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
- G06T7/12—Edge-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种桥梁监测光电标靶图像光斑中心点提取方法,属于图像识别技术领域,能同时识别图像中多个图斑的中心点位置。包括如下步骤:步骤1:采集桥梁监测光电标靶图像,并存储在初始数据组P中;步骤2:通过图像中每个像素点的灰度值与图斑阈值的对比,从初始数据组P中找到灰度值大于图斑阈值的像素点,存储在多图斑数据组A中;步骤3:通过位置信息的距离远近将多图斑数据组A划分成一个或多个单图斑数据组B;步骤4:通过相邻像素点灰度值的梯度变化阈值,剔除图斑的边缘区域,形成剔除边缘区域的单图斑数据组C;步骤5:对于剔除边缘区域的单图斑数据组C,以灰度值为权重,计算中心位置坐标。
Description
技术领域
本发明具体涉及一种桥梁监测光电标靶图像光斑中心点提取方法,属于图像识别技术领域。
背景技术
随着信息技术的发展,基于图像的远程智能监测技术已经被广泛应用到工程领域。如通过基于图像传感器的成像***对安装在桥梁上的光电标靶进行实时拍摄,分析标靶在灰度图像中生成的图斑中心点的位置变化,从而测量桥梁的动态变形和位移,因此,识别图斑中心点对基于图像的测量精度至关重要。
目前,图斑中心点的识别方法要么直接选取灰度值最大的点要么直接采用光斑的几何中心,忽略了图像光斑的灰度值特征,同时现有的方法多适用于图像中只有一个光斑的情形,然而在基于图像的桥梁变形测量中,往往安装多个标靶,通过拍摄多个标靶生成在一张像片,像片中就会存在多个光斑,需针对每个光斑都要识别其中心点,因此,如何精准的识别图像中多个光斑的中心点,是该领域亟需解决的一个问题。
发明内容
本发明的目的在于针对现有技术不足,提出一种桥梁监测光电标靶图像光斑中心点提取方法,属于图像识别技术领域,基于图像的灰度值进行遍历,粗略识别出图像中的多个光斑区域,基于灰度值梯度变化剔除光斑边缘区域,最后基于灰度值特征识别中心点的位置,本发明能同时识别图像中多个图斑的中心点位置。
为解决上述技术问题,本发明采用的技术方案为:
一种桥梁监测光电标靶图像光斑中心点提取方法,包括如下步骤:
步骤1:采集桥梁监测光电标靶图像,并将图像中每个像素点的灰度值及其位置信息存储在初始数据组P中;
步骤2:通过图像中每个像素点的灰度值与图斑阈值的对比,从初始数据组P中找到灰度值大于图斑阈值的像素点,存储在多图斑数据组A中;
步骤3:通过位置信息的距离远近将多图斑数据组A划分成一个或多个单图斑数据组B;
步骤4:对于单图斑数据组B,通过相邻像素点灰度值的梯度变化阈值,剔除图斑的边缘区域,形成剔除边缘区域的单图斑数据组C;
步骤5:对于剔除边缘区域的单图斑数据组C,以灰度值为权重,计算中心位置坐标。
进一步的,图斑阈值为经验值或图像中所有像素点灰度值的平均值。
作为替换的,初始数据组P的所有像素点按照灰度值从小到大的顺序排列,图斑阈值为:
(1)当D(TOP50%)/n(TOP50%)≥&时,
(2)当D(TOP50%)/n(TOP50%)<&时,
其中,D(TOP50%)表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的方差;n(TOP50%)表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点的个数,&为离散偏离值,为常数;
S0是图斑阈值,n1和n2是数量常数,且n1≤n(TOP50%),n2≤n(TOP50%);Smax表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值;Smax-i表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值前第i个像素的灰度值;Smin表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值,Smin+j表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值向后第j个像素的灰度值。
作为替换的,初始数据组P的所有像素点按照灰度值从小到大的顺序排列,取前50%的像素点,图斑阈值为:
(1)当(Smax-Smin)/Savg≥k时,
(2)当(Smax-Smin)/Savg<k时,
其中,Smax表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的最大值,Smin表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的最小值,Savg表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的平均值;k表示误差接受百分比;
S0是图斑阈值,n1和n2是数量常数,且n1≤n(TOP50%),n2≤n(TOP50%);Smax表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值;Smax-i表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值前第i个像素的灰度值;Smin表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值,Smin+j表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值向后第j个像素的灰度值。
进一步的,步骤3包括如下步骤:
步骤3.1:首先,在多图斑数据组A中任意找出一像素点,位置记为(X,Y),并将该像素点从多图斑数据组A移除,并存储在单图斑数据组B1中;
步骤3.2:以(X,Y)为起点,遍历其相邻四个位置的像素(X+1,Y),(X-1,Y),(X,Y-1)和(X,Y+1),如果相邻位置的像素在多图斑数据组A中,则将该相邻位置的像素从多图斑数据组A移除,并存储在单图斑数据组B1中;
步骤3.3:以单图斑数据组B1中未作为起点进行相邻遍历的像素依次作为起点,依据步骤3.2分别遍历相邻四个位置的像素,重复该操作,直至多图斑数据组A的任一像素与单图斑数据组B1中任一像素均不相邻;
步骤3.4:如果多图斑数据组A中没有像素,则单图斑数据组个数为1个,步骤结束;否则,继续重复步骤3.1-3.2,形成单图斑数据组B2-Bd,d≥2,d为单图斑数据组的个数。
进一步的,步骤4计算两个像素的梯度变化绝对值,如果梯度变化绝对值大于梯度变化阈值,则从单图斑数据组B中删除灰度值较低的那个像素,该步骤主要为了剔除图斑边缘区域,以免其影响中心点位置坐标的计算。
优选的,梯度变化阈值通过自适应方式进行设定,通过相邻像素梯度变化量的均值来进行阈值分割,具体公式如下:
其中,△Si为相邻两个像素灰度梯度变化量,m为梯度的个数,利用梯度变化量均值避免主观设定阈值给图斑中心识别带来的误差。
进一步的,步骤5的计算公式为:
本发明与现有技术相比,具有如下有益效果:
本发明的目的在于针对现有技术不足,提出一种桥梁监测光电标靶图像光斑中心点提取方法,属于图像识别技术领域,基于图像的灰度值进行遍历,粗略识别出图像中的多个光斑区域,基于灰度值梯度变化剔除光斑边缘区域,最后基于灰度值特征识别中心点的位置,本发明能同时识别图像中多个图斑的中心点位置。
1、本发明通过位置信息的距离远近将多图斑数据组A划分成一个或多个单图斑数据组B,能同时识别图像中多个图斑的中心点位置,进而能同时测量多个标靶的位移变化。
2、本发明在计算图斑中心点位置时,采用灰度的梯度变化过滤掉图斑边缘区域,去除光晕干扰,提高图斑中心点位置识别精度。
3、本发明给出了多种图斑阈值的方式,工程师根据实际情况选择最适用的方式。
4、本发明以灰度值为权重,计算中心位置坐标,结果更加准确。
附图说明
图1为本发明的一种桥梁监测光电标靶图像光斑中心点提取方法的流程图;
图2为本发明的光电标靶在图像中生成的亮光图斑真实图;
图3为本发明的单个亮光图斑放大后示意图;
图4为本发明的剔除边缘区域的单个亮光;
图5为本发明的识别出的单个亮光光斑的中心位置。
具体实施方式
下面将结合本发明中的附图,对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1-图5所示,本发明提供一种桥梁监测光电标靶图像光斑中心点提取方法,包括如下步骤:
步骤1:采集桥梁监测光电标靶图像,并将图像中每个像素点的灰度值及其位置信息存储在初始数据组P中;
步骤2:通过图像中每个像素点的灰度值与图斑阈值的对比,从初始数据组P中找到灰度值大于图斑阈值的像素点,存储在多图斑数据组A中;
步骤3:通过位置信息的距离远近将多图斑数据组A划分成一个或多个单图斑数据组B;
步骤4:对于单图斑数据组B,通过相邻像素点灰度值的梯度变化阈值,剔除图斑的边缘区域,形成剔除边缘区域的单图斑数据组C;
步骤5:对于剔除边缘区域的单图斑数据组C,以灰度值为权重,计算中心位置坐标。
其中图斑阈值为经验值,由于桥梁监测光电标靶图像背景色黑色为主,图斑阈值设置为5,既可满足多数情况。
实施例2
实施例2与实施例1的区别在于,将图斑阈值设定调整为图像中所有像素点灰度值的平均值,由于通常情况下,光斑亮度和背景色差异很大,而光斑是小的部分,通过平均值设置,可以不需要手动调整阈值,自动出结果,较为方便的同时,准确度也相对较高。
实施例3
实施例3与实施例2的区别在于,将全部像素求平均的计算阈值的方式,调整为背景色部分取极大极小值计算,进一步的极大极小的值的计算也采取了求平均的方式,这样做的好处是:简化计算量的同时,又保证了较高的精度。
具体的,初始数据组P的所有像素点按照灰度值从小到大的顺序排列,图斑阈值为:
(1)当D(TOP50%)/n(TOP50%)≥&时,
(2)当D(TOP50%)/n(TOP50%)<&时,
其中,D(TOP50%)表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的方差;n(TOP50%)表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点的个数,&为离散偏离值,为常数,这里可取0.67-0.93,这里取50%灰度较小值主要取得的背景色,由于光斑是较小范围,不到50%,取灰度较小的50%像素点涵盖了主要的背景范围段。
S0是图斑阈值,n1和n2是数量常数,且n1≤n(TOP50%),n2≤n(TOP50%);Smax表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值;Smax-i表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值前第i个像素的灰度值;Smin表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值,Smin+j表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值向后第j个像素的灰度值。
实施例4
实施例4与实施例3的区别在于:通过背景区域灰度变化差异率判别,变化差异大采取极值求平均法,变化差异小采取平均值法。
初始数据组P的所有像素点按照灰度值从小到大的顺序排列,取前50%的像素点,图斑阈值为:
(1)当(Smax-Smin)/Savg≥k时,
(2)当(Smax-Smin)/Savg<k时,
其中,Smax表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的最大值,Smin表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的最小值,Savg表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的平均值;k表示误差接受百分比;
S0是图斑阈值,n1和n2是数量常数,且n1≤n(TOP50%),n2≤n(TOP50%);Smax表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值;Smax-i表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值前第i个像素的灰度值;Smin表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值,Smin+j表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值向后第j个像素的灰度值。
实施例5
实施例5在实施例1的基础上,给出了将多图斑数据组A划分成一个或多个单图斑数据组B的具体方式。每一个单图斑数据组B对应一个光斑。
具体的,步骤3包括如下步骤:
步骤3.1:首先,在多图斑数据组A中任意找出一像素点,位置记为(X,Y),并将该像素点从多图斑数据组A移除,并存储在单图斑数据组B1中;
步骤3.2:以(X,Y)为起点,遍历其相邻四个位置的像素(X+1,Y),(X-1,Y),(X,Y-1)和(X,Y+1),如果相邻位置的像素在多图斑数据组A中,则将该相邻位置的像素从多图斑数据组A移除,并存储在单图斑数据组B1中;
步骤3.3:以单图斑数据组B1中未作为起点进行相邻遍历的像素依次作为起点,依据步骤3.2分别遍历相邻四个位置的像素,重复该操作,直至多图斑数据组A的任一像素与单图斑数据组B1中任一像素均不相邻;
步骤3.4:如果多图斑数据组A中没有像素,则单图斑数据组个数为1个,步骤结束;否则,继续重复步骤3.1-3.2,形成单图斑数据组B2-Bd,d≥2,d为单图斑数据组的个数。
实施例6
实施例6在实施例1的基础上,给出了通过梯度变化绝对值剔除图斑边缘区域,以免影响中心点位置坐标的计算。
具体的,步骤4计算两个像素的梯度变化绝对值,如果梯度变化绝对值大于梯度变化阈值,则从单图斑数据组B中删除灰度值较低的那个像素,该步骤主要为了剔除图斑边缘区域,以免其影响中心点位置坐标的计算。
优选的,梯度变化阈值通过自适应方式进行设定,通过相邻像素梯度变化量的均值来进行阈值分割,具体公式如下:
其中,△Si为相邻两个像素灰度梯度变化量,m为梯度的个数,利用梯度变化量均值避免主观设定阈值给图斑中心识别带来的误差。
进一步的,步骤5的计算公式为:
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
Claims (8)
1.一种桥梁监测光电标靶图像光斑中心点提取方法,其特征在于,包括如下步骤:
步骤1:采集桥梁监测光电标靶图像,并将图像中每个像素点的灰度值及其位置信息存储在初始数据组P中;
步骤2:通过图像中每个像素点的灰度值与图斑阈值的对比,从初始数据组P中找到灰度值大于图斑阈值的像素点,存储在多图斑数据组A中;
步骤3:通过位置信息的距离远近将多图斑数据组A划分成一个或多个单图斑数据组B;
步骤4:对于单图斑数据组B,通过相邻像素点灰度值的梯度变化阈值,剔除图斑的边缘区域,形成剔除边缘区域的单图斑数据组C;
步骤5:对于剔除边缘区域的单图斑数据组C,以灰度值为权重,计算中心位置坐标。
2.根据权利要求1所述一种桥梁监测光电标靶图像光斑中心点提取方法,其特征在于:图斑阈值为经验值或图像中所有像素点灰度值的平均值。
3.根据权利要求1所述一种桥梁监测光电标靶图像光斑中心点提取方法,其特征在于:
初始数据组P的所有像素点按照灰度值从小到大的顺序排列,图斑阈值为:
(1)当D(TOP50%)/n(TOP50%)≥&时,
(2)当D(TOP50%)/n(TOP50%)<&时,
其中,D(TOP50%)表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的方差;n(TOP50%)表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点的个数,&为离散偏离值,为常数;
S0是图斑阈值,n1和n2是数量常数,且n1≤n(TOP50%),n2≤n(TOP50%);Smax表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值;Smax-i表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值前第i个像素的灰度值;Smin表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值,Smin+j表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值向后第j个像素的灰度值。
4.根据权利要求2所述一种桥梁监测光电标靶图像光斑中心点提取方法,其特征在于:
初始数据组P的所有像素点按照灰度值从小到大的顺序排列,取前50%的像素点,图斑阈值为:
(1)当(Smax-Smin)/Savg≥k时,
(2)当(Smax-Smin)/Savg<k时,
其中,Smax表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的最大值,Smin表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的最小值,Savg表示初始数据组P的所有像素点按照灰度值从小到大的顺序排列时,前50%像素点灰度值的平均值;k表示误差接受百分比;
S0是图斑阈值,n1和n2是数量常数,且n1≤n(TOP50%),n2≤n(TOP50%);Smax表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值;Smax-i表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最大值前第i个像素的灰度值;Smin表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值,Smin+j表示所有像素点按照灰度值从小到大的顺序排列时,前50%像素点中灰度值的最小值向后第j个像素的灰度值。
5.根据权利要求1所述一种桥梁监测光电标靶图像光斑中心点提取方法,其特征在于,步骤3包括如下步骤:
步骤3.1:首先,在多图斑数据组A中任意找出一像素点,位置记为(X,Y),并将该像素点从多图斑数据组A移除,并存储在单图斑数据组B1中;
步骤3.2:以(X,Y)为起点,遍历其相邻四个位置的像素(X+1,Y),(X-1,Y),(X,Y-1)和(X,Y+1),如果相邻位置的像素在多图斑数据组A中,则将该相邻位置的像素从多图斑数据组A移除,并存储在单图斑数据组B1中;
步骤3.3:以单图斑数据组B1中未作为起点进行相邻遍历的像素依次作为起点,依据步骤3.2分别遍历相邻四个位置的像素,重复该操作,直至多图斑数据组A的任一像素与单图斑数据组B1中任一像素均不相邻;
步骤3.4:如果多图斑数据组A中没有像素,则单图斑数据组个数为1个,步骤结束;否则,继续重复步骤3.1-3.2,形成单图斑数据组B2-Bd,d≥2,d为单图斑数据组的个数。
6.根据权利要求1所述一种桥梁监测光电标靶图像光斑中心点提取方法,其特征在于:
步骤4计算两个像素的梯度变化绝对值,如果梯度变化绝对值大于梯度变化阈值,则从单图斑数据组B中删除灰度值较低的那个像素,该步骤主要为了剔除图斑边缘区域,以免其影响中心点位置坐标的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211120524.5A CN115205317B (zh) | 2022-09-15 | 2022-09-15 | 一种桥梁监测光电标靶图像光斑中心点提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211120524.5A CN115205317B (zh) | 2022-09-15 | 2022-09-15 | 一种桥梁监测光电标靶图像光斑中心点提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115205317A true CN115205317A (zh) | 2022-10-18 |
CN115205317B CN115205317B (zh) | 2022-12-09 |
Family
ID=83573484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211120524.5A Active CN115205317B (zh) | 2022-09-15 | 2022-09-15 | 一种桥梁监测光电标靶图像光斑中心点提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205317B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309672A (zh) * | 2023-05-23 | 2023-06-23 | 武汉地震工程研究院有限公司 | 一种基于led标靶的夜间桥梁动挠度测量方法与装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595058A (zh) * | 2004-07-08 | 2005-03-16 | 武汉理工大学 | 图像处理提高激光测量精度的方法 |
CN103839250A (zh) * | 2012-11-23 | 2014-06-04 | 诺基亚公司 | 用于面部图像处理的方法和设备 |
CN104504674A (zh) * | 2014-10-15 | 2015-04-08 | 西北工业大学 | 空间碎片星点提取与定位方法 |
CN105469084A (zh) * | 2015-11-20 | 2016-04-06 | 中国科学院苏州生物医学工程技术研究所 | 一种靶标中心点快速提取方法及*** |
CN106097317A (zh) * | 2016-06-02 | 2016-11-09 | 南京康尼机电股份有限公司 | 一种基于离散余弦相位信息的多光斑检测和定位方法 |
CN107133627A (zh) * | 2017-04-01 | 2017-09-05 | 深圳市欢创科技有限公司 | 红外光斑中心点提取方法及装置 |
CN110738700A (zh) * | 2019-10-16 | 2020-01-31 | 中航华东光电(上海)有限公司 | 激光光斑中心检测方法、装置、计算机设备及存储介质 |
CN111462225A (zh) * | 2020-03-31 | 2020-07-28 | 电子科技大学 | 一种红外光斑图像的质心识别定位方法 |
CN112270703A (zh) * | 2020-09-29 | 2021-01-26 | 广东工业大学 | 一种用于定位***的光斑图像亚像素级别重心提取方法 |
CN113421296A (zh) * | 2021-08-24 | 2021-09-21 | 之江实验室 | 一种基于灰度阈值的激光光斑质心提取方法 |
CN113808193A (zh) * | 2021-08-30 | 2021-12-17 | 西安理工大学 | 一种基于分块阈值的光斑质心定位方法 |
CN114565565A (zh) * | 2022-02-11 | 2022-05-31 | 山西支点科技有限公司 | 一种视觉测量目标中心亚像素定位方法 |
-
2022
- 2022-09-15 CN CN202211120524.5A patent/CN115205317B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595058A (zh) * | 2004-07-08 | 2005-03-16 | 武汉理工大学 | 图像处理提高激光测量精度的方法 |
CN103839250A (zh) * | 2012-11-23 | 2014-06-04 | 诺基亚公司 | 用于面部图像处理的方法和设备 |
CN104504674A (zh) * | 2014-10-15 | 2015-04-08 | 西北工业大学 | 空间碎片星点提取与定位方法 |
CN105469084A (zh) * | 2015-11-20 | 2016-04-06 | 中国科学院苏州生物医学工程技术研究所 | 一种靶标中心点快速提取方法及*** |
CN106097317A (zh) * | 2016-06-02 | 2016-11-09 | 南京康尼机电股份有限公司 | 一种基于离散余弦相位信息的多光斑检测和定位方法 |
CN107133627A (zh) * | 2017-04-01 | 2017-09-05 | 深圳市欢创科技有限公司 | 红外光斑中心点提取方法及装置 |
CN110738700A (zh) * | 2019-10-16 | 2020-01-31 | 中航华东光电(上海)有限公司 | 激光光斑中心检测方法、装置、计算机设备及存储介质 |
CN111462225A (zh) * | 2020-03-31 | 2020-07-28 | 电子科技大学 | 一种红外光斑图像的质心识别定位方法 |
CN112270703A (zh) * | 2020-09-29 | 2021-01-26 | 广东工业大学 | 一种用于定位***的光斑图像亚像素级别重心提取方法 |
CN113421296A (zh) * | 2021-08-24 | 2021-09-21 | 之江实验室 | 一种基于灰度阈值的激光光斑质心提取方法 |
CN113808193A (zh) * | 2021-08-30 | 2021-12-17 | 西安理工大学 | 一种基于分块阈值的光斑质心定位方法 |
CN114565565A (zh) * | 2022-02-11 | 2022-05-31 | 山西支点科技有限公司 | 一种视觉测量目标中心亚像素定位方法 |
Non-Patent Citations (1)
Title |
---|
钟华勇等: "《基于OpenCV的圆心坐标定位的优化设计》", 《制造技术与制造》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309672A (zh) * | 2023-05-23 | 2023-06-23 | 武汉地震工程研究院有限公司 | 一种基于led标靶的夜间桥梁动挠度测量方法与装置 |
CN116309672B (zh) * | 2023-05-23 | 2023-08-01 | 武汉地震工程研究院有限公司 | 一种基于led标靶的夜间桥梁动挠度测量方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115205317B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及*** | |
CN107014294B (zh) | 一种基于红外图像的接触网几何参数检测方法及*** | |
CN104282020B (zh) | 一种基于目标运动轨迹的车辆速度检测方法 | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
CN110211185B (zh) | 在一组候选点内识别校准图案的特征点的方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN111811784A (zh) | 激光光斑中心坐标确定方法、装置及设备 | |
CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
CN112650298A (zh) | 一种无人机追踪降落方法及*** | |
CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
CN115205317B (zh) | 一种桥梁监测光电标靶图像光斑中心点提取方法 | |
CN112284260A (zh) | 一种视觉位移监测方法、设备和*** | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN107610174B (zh) | 一种鲁棒的基于深度信息的平面检测方法及*** | |
CN110717900A (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
CN117911408B (zh) | 一种道路路面施工质量检测方法及*** | |
CN115639248A (zh) | 一种用于建筑外墙质量检测的***及方法 | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN111126371B (zh) | 一种基于图像处理的粗指针表盘示数读取方法 | |
CN110322508B (zh) | 一种基于计算机视觉的辅助定位方法 | |
CN111473944B (zh) | 观测流场中存在复杂壁面的piv数据修正方法、装置 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
JP2000003436A (ja) | Isar画像識別装置およびisar画像識別方法 | |
CN114596437A (zh) | 一种图像背景分割方法及*** |
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 |