CN117197006B - 区域过滤方法、装置、电子设备及计算机可读存储介质 - Google Patents
区域过滤方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117197006B CN117197006B CN202311256341.0A CN202311256341A CN117197006B CN 117197006 B CN117197006 B CN 117197006B CN 202311256341 A CN202311256341 A CN 202311256341A CN 117197006 B CN117197006 B CN 117197006B
- Authority
- CN
- China
- Prior art keywords
- picture
- region
- convolution
- input picture
- pixel point
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 241001292396 Cirrhitidae Species 0.000 claims description 17
- 230000007547 defect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种区域过滤方法、装置、电子设备及计算机可读存储介质,其先对输入图片进行二值化处理,使二值化图片中位于输入图片的目标区域内部的像素点的灰度值为1,位于目标区域外部的像素点的灰度值为0,然后对二值化图片进行卷积处理,使卷积图片的每个像素点的灰度值代表与该像素点相邻且位于目标区域内部的像素点的数量,接着对卷积图片进行阈值分割,使阈值区域的每个像素点均具有至少三个与其相邻且位于目标区域内部的像素点,最后求阈值区域与输入图片的目标区域的交集,目标区域中不在该交集中的像素点可以理解为目标区域边缘的孤立点或者凹凸点,故将这些点去除,从而在不影响整个目标区域的同时,实现对目标区域边缘的有效滤波。
Description
技术领域
本发明属于机器视觉检测技术领域,尤其涉及一种区域过滤方法、装置、电子设备及计算机可读存储介质。
背景技术
机器视觉的发展和应用,带动了工业生产智能化发展。机器视觉在工业领域的应用避免了以往人工肉眼检测会遇到的很多问题,比如准确性太低,容易有误差,不能连续工作且易疲劳,而且费时费力。机器视觉的应用解决了这些问题并提升了检测的效率和产品的质量。
机器视觉的核心就是数字图片的处理,图片处理的好坏对机器视觉的检测或者定位起到关键作用。图片在采集或者传输过程中会遇到随机的噪声干扰,给后续的图片处理带来困难,比如图片定位、分割、特征提取等处理。因此,人们为了解决图片的噪声干扰,发明了动态均值滤波、高斯滤波、中值滤波等各种滤波器。
在实际的应用中,这些滤波器都是仅针对单独的噪声污染起到抑制作用。而如果噪声在目标区域的边缘,采用以往的滤波器会对整个目标区域造成影响,如果只关注目标区域的边缘地带的孤立点或者凹凸点,传统的滤波器无法很好地胜任。
发明内容
基于此,针对上述技术问题,提供一种区域过滤方法、装置、电子设备及计算机可读存储介质。
本发明采用的技术方案如下:
作为本发明的第一方面,提供一种区域过滤方法,包括:
对输入图片进行二值化处理,得到与所述输入图片尺寸相同的二值化图片,在所述二值化图片中,位于所述输入图片的目标区域内部的像素点的灰度值为1,位于所述目标区域外部的像素点的灰度值为0;
通过以下卷积核对所述二值化图片进行卷积处理,得到卷积图片,所述卷积图片的每个像素点的灰度值代表与该像素点相邻且位于所述目标区域内部的像素点的数量:
对所述卷积图片进行阈值分割,得到阈值区域,所述阈值区域的每个像素点均具有至少三个与其相邻且位于所述目标区域内部的像素点;
对所述阈值区域与所述输入图片的目标区域求交集,去除所述目标区域中不在所述交集中的像素点。
作为本发明的第二方面,提供一种区域过滤装置,包括:
二值化处理模块,用于对输入图片进行二值化处理,得到与所述输入图片尺寸相同的二值化图片,在所述二值化图片中,位于所述输入图片的目标区域内部的像素点的灰度值为1,位于所述目标区域外部的像素点的灰度值为0;
卷积处理模块,用于通过以下卷积核对所述二值化图片进行卷积处理,得到卷积图片,所述卷积图片的每个像素点的灰度值代表与该像素点相邻且位于所述目标区域内部的像素点的数量:
阈值分割模块,用于对所述卷积图片进行阈值分割,得到阈值区域,所述阈值区域的每个像素点均具有至少三个与其相邻且位于所述目标区域内部的像素点;
噪声过滤模块,用于对所述阈值区域与所述输入图片的目标区域求交集,去除所述目标区域中不在所述交集中的像素点。
作为本发明的第三方面,提供一种电子设备,包括存储模块,所述存储模块包括由处理器加载并执行的指令,所述指令在被执行时使所述处理器执行上述第一方面的一种区域过滤方法。
作为本发明的第四方面,提供一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现上述第一方面的一种区域过滤方法。
本发明先对输入图片进行二值化处理,使二值化图片中位于输入图片的目标区域内部的像素点的灰度值为1,位于目标区域外部的像素点的灰度值为0,然后对二值化图片进行卷积处理,使卷积图片的每个像素点的灰度值代表与该像素点相邻且位于目标区域内部的像素点的数量,接着对卷积图片进行阈值分割,使阈值区域的每个像素点均具有至少三个与其相邻且位于目标区域内部的像素点,最后求阈值区域与输入图片的目标区域的交集,目标区域中不在该交集中的像素点可以理解为目标区域边缘的孤立点或者凹凸点,故将这些点去除,从而在不影响整个目标区域的同时,实现对目标区域边缘的有效滤波。
附图说明
下面结合附图和具体实施方式对本发明进行详细说明:
图1为本发明实施例提供的一种区域过滤方法的流程图;
图2为本发明实施例提供的一种区域过滤装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图;
图4为本发明实施例的输入图片的示意图;
图5为本发明实施例的输入图片经合并和二值化处理后的示意图;
图6为本发明实施例的二值化图片经卷积处理后的示意图;
图7为本发明实施例的输入图片与阈值区域求交集后的局部细节示意图。
具体实施方式
以下将结合说明书附图对本发明的实施方式予以说明。需要说明的是,本说明书中所涉及的实施方式不是穷尽的,不代表本发明的唯一实施方式。以下相应的实施例只是为了清楚的说明本发明专利的发明内容,并非对其实施方式的限定。对于该领域的普通技术人员来说,在该实施例说明的基础上还可以做出不同形式的变化和改动,凡是属于本发明的技术构思和发明内容并且显而易见的变化或变动也在本发明的保护范围之内。
如图1所示,本申请实施例提供一种区域过滤方法,包括:
S101、将输入图片中的多个目标区域进行合并,得到合并后的目标区域。
在本实施例中,目标区域是输入图片中经视觉检测确定的缺陷区域RegionErr,在实际场景中,输入图片中往往具有多个缺陷区域RegionErr,一个缺陷区域RegionErr可能存在多个连通域,为了便于后续的二值化处理,需要通过步骤S101将多个缺陷区域RegionErr进行合并。当然,对于输入图片中仅有一个缺陷区域且该缺陷区域仅有一个连通域的场景,该缺陷区域就是目标区域,不需要进行合并,即步骤S101可以省略。
在本实施例中,采用Halcon的合并连通域算子union1(RegionErr,RegionUnion)将输入图片中的多个目标区域RegionErr进行合并,RegionUnion代表合并后的目标区域。
S102、对输入图片进行二值化处理,得到与输入图片尺寸相同的二值化图片,在二值化图片中,位于输入图片的目标区域内部的像素点的灰度值为1,位于目标区域外部的像素点的灰度值为0。
在本实施例中,采用Halcon的区域转二值化算子region_to_bin(RegionUnion,BinImage,FGray,BGray,W,L)对输入图片进行二值化处理,其中,BinImage代表二值化图片,位于输入图片的目标区域RegionUnion内部的像素点的灰度值FGray=1,位于目标区域RegionUnion外部的像素点的灰度值BGray=0,W和L代表图片的宽和长,与输入图片的尺寸一致。
S103、通过以下卷积核对二值化图片进行卷积处理,得到卷积图片,卷积图片的每个像素点的灰度值代表与该像素点相邻且位于目标区域内部的像素点的数量:
在本实施例中,采用Halcon的卷积算子convol_image(BinImage,ImageConvol,FilterMask,Margin)对二值化图片进行卷积处理,其中,ImageConvol代表卷积图片,FilterMask代表上述卷积核,Margin代表边缘处理方式,一般有'mirrored'、'cyclic'、'continued'、0等基本的处理方式,这里选取默认值0,即Margin=0。
S104、对卷积图片进行阈值分割,得到阈值区域,阈值区域的每个像素点均具有至少三个与其相邻且位于目标区域内部的像素点。
在本实施例中,采用Halcon的阈值分割算子threshold(ImageConvol,RegionResult,Min,Max)对卷积图片ImageConvol进行阈值分割,其中,RegionResult代表阈值区域,其是具有至少三个位于目标区域RegionUnion的相邻点的像素点的集合,Min和Max分别是选取的像素点灰度值的下限和上限,Min=3,Max=255,Min设为3的目的是筛选出具有至少三个位于目标区域RegionUnion的相邻点的像素点。
S105、对阈值区域与输入图片的目标区域求交集,去除目标区域中不在交集中的像素点。
在本实施例中,采用Halcon的求交集算子intersection(RegionResult,RegionErr,OutRegion)对阈值区域RegionResult与输入图片的目标区域RegionErr求交集。
图4示出了输入图片的示例,其中白色轮廓区域就是缺陷区域RegionErr,经步骤101和102合并和二值化处理后参见图5,再经步骤103进行卷积处理后见图6,图7示出了输入图片经步骤S105求交集后的局部细节图片,其中边缘的黑色小点代表不在交集中的像素点。
由上可知,本实施例提供的一种区域过滤方法,先对输入图片进行二值化处理,使二值化图片中位于输入图片的目标区域内部的像素点的灰度值为1,位于目标区域外部的像素点的灰度值为0,然后对二值化图片进行卷积处理,使卷积图片的每个像素点的灰度值代表与该像素点相邻且位于目标区域内部的像素点的数量,接着对卷积图片进行阈值分割,使阈值区域的每个像素点均具有至少三个与其相邻且位于目标区域内部的像素点,最后求阈值区域与输入图片的目标区域的交集,目标区域中不在该交集中的像素点可以理解为目标区域边缘的孤立点或者凹凸点,故将这些点去除,从而在不影响整个目标区域的同时,实现对目标区域边缘的有效滤波。
以下将详细描述本发明的一个或多个实施例的区域过滤装置。本领域技术人员可以理解,这些过滤装置均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。图2示出了本发明实施例提供的一种区域过滤装置,如图2所示,该过滤装置包括合并模块11、二值化处理模块12、卷积处理模块13、阈值分割模块14以及噪声过滤模块15。
合并模块11,用于将输入图片中的多个目标区域进行合并,得到合并后的目标区域。
在本实施例中,目标区域是输入图片中经视觉检测确定的缺陷区域RegionErr,在实际场景中,输入图片中往往具有多个缺陷区域RegionErr,一个缺陷区域RegionErr可能存在多个连通域,为了便于后续的二值化处理,需要通过步骤S101将多个缺陷区域RegionErr进行合并。当然,对于输入图片中仅有一个缺陷区域且该缺陷区域仅有一个连通域的场景,该缺陷区域就是目标区域,不需要进行合并,即合并模块11可以省略。
在本实施例中,采用Halcon的合并连通域算子union1(RegionErr,RegionUnion)将输入图片中的多个目标区域RegionErr进行合并,RegionUnion代表合并后的目标区域。
二值化处理模块12,用于对输入图片进行二值化处理,得到与输入图片尺寸相同的二值化图片,在二值化图片中,位于输入图片的目标区域内部的像素点的灰度值为1,位于目标区域外部的像素点的灰度值为0。
在本实施例中,采用Halcon的区域转二值化算子
region_to_bin(RegionUnion,BinImage,FGray,BGray,W,L)对输入图片进行二值化处理,其中,BinImage代表二值化图片,位于输入图片的目标区域RegionUnion内部的像素点的灰度值FGray=1,位于目标区域RegionUnion外部的像素点的灰度值BGray=0,W和L代表图片的宽和长,与输入图片的尺寸一致。
卷积处理模块13,用于通过以下卷积核对二值化图片进行卷积处理,得到卷积图片,卷积图片的每个像素点的灰度值代表与该像素点相邻且位于目标区域内部的像素点的数量:
在本实施例中,采用Halcon的卷积算子convol_image(BinImage,ImageConvol,FilterMask,Margin)对二值化图片进行卷积处理,其中,ImageConvol代表卷积图片,FilterMask代表上述卷积核,Margin代表边缘处理方式,一般有'mirrored'、'cyclic'、'continued'、0等基本的处理方式,这里选取默认值0,即Margin=0。
阈值分割模块14,用于对卷积图片进行阈值分割,得到阈值区域,阈值区域的每个像素点均具有至少三个与其相邻且位于目标区域内部的像素点。
在本实施例中,采用Halcon的阈值分割算子threshold(ImageConvol,RegionResult,Min,Max)对卷积图片ImageConvol进行阈值分割,其中,RegionResult代表阈值区域,其是具有至少三个位于目标区域RegionUnion的相邻点的像素点的集合,Min和Max分别是选取的像素点灰度值的下限和上限,Min=3,Max=255,Min设为3的目的是筛选出具有至少三个位于目标区域RegionUnion的相邻点的像素点。
噪声过滤模块15,用于对阈值区域与输入图片的目标区域求交集,去除目标区域中不在交集中的像素点。
在本实施例中,采用Halcon的求交集算子intersection(RegionResult,RegionErr,OutRegion)对阈值区域RegionResult与输入图片的目标区域RegionErr求交集。
图4示出了输入图片的示例,其中白色轮廓区域就是缺陷区域RegionErr,经步骤101和102合并和二值化处理后参见图5,再经步骤103进行卷积处理后见图6,图7示出了输入图片经步骤S105求交集后的局部细节图片,其中边缘的黑色小点代表不在交集中的像素点。
综上,上述实施例提供的区域过滤装置可以执行前述各实施例中提供的区域过滤方法。
与上述构思相同,上述图2所示的区域过滤装置的结构可实现为一电子设备,图3示出了本发明实施例提供的一种电子设备的结构示意性框图。
示例性的,电子设备包括存储模块21以及处理器22,存储模块21包括由处理器22加载并执行的指令,指令在被执行时使处理器22执行本说明书上述一种区域过滤方法部分中描述的根据本发明各种示例性实施方式的步骤。
应当理解的是,处理器22可以是中央处理单元(CentralProcessingUnit,CPU),该处理器22还可以是其它通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例中还提供一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,一个或多个程序当被处理器执行时,实现上述一种区域过滤方法部分中描述的根据本发明各种示例性实施方式的步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读存储介质上,计算机可读存储介质可以包括计算机可读存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
如本领域普通技术人员公知的,术语计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
示例性的,计算机可读存储介质可以是前述实施例的电子设备的内部存储单元,例如电子设备的硬盘或内存。计算机可读存储介质也可以是电子设备的外部存储设备,例如电子设备上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。
前述各实施例提供的电子设备和计算机可读存储介质,先对输入图片进行二值化处理,使二值化图片中位于输入图片的目标区域内部的像素点的灰度值为1,位于目标区域外部的像素点的灰度值为0,然后对二值化图片进行卷积处理,使卷积图片的每个像素点的灰度值代表与该像素点相邻且位于目标区域内部的像素点的数量,接着对卷积图片进行阈值分割,使阈值区域的每个像素点均具有至少三个与其相邻且位于目标区域内部的像素点,最后求阈值区域与输入图片的目标区域的交集,目标区域中不在该交集中的像素点可以理解为目标区域边缘的孤立点或者凹凸点,故将这些点去除,从而在不影响整个目标区域的同时,实现对目标区域边缘的有效滤波。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种区域过滤方法,其特征在于,包括:
将输入图片中的多个目标区域进行合并,得到合并后的目标区域;
对输入图片进行二值化处理,得到与所述输入图片尺寸相同的二值化图片,在所述二值化图片中,位于所述输入图片的目标区域内部的像素点的灰度值为1,位于所述目标区域外部的像素点的灰度值为0;
通过以下卷积核对所述二值化图片进行卷积处理,得到卷积图片,所述卷积图片的每个像素点的灰度值代表与该像素点相邻且位于所述目标区域内部的像素点的数量:
;
对所述卷积图片进行阈值分割,得到阈值区域,所述阈值区域的每个像素点均具有至少三个与其相邻且位于所述目标区域内部的像素点;
对所述阈值区域与所述输入图片的目标区域求交集,去除所述目标区域中不在所述交集中的像素点;
所述将输入图片中的多个目标区域进行合并,得到合并后的目标区域,具体包括:
采用Halcon的合并连通域算子将所述输入图片中的多个目标区域进行合并,得到合并后的目标区域;
所述对所述卷积图片进行阈值分割,具体包括:
采用Halcon的阈值分割算子threshold(ImageConvol,RegionResult,Min,Max)对卷积图片ImageConvol进行阈值分割,其中,RegionResult代表阈值区域,其是具有至少三个位于目标区域RegionUnion的相邻点的像素点的集合,Min和Max分别是选取的像素点灰度值的下限和上限,Min=3,Max=255。
2.根据权利要求1所述的一种区域过滤方法,其特征在于,所述对输入图片进行二值化处理,具体包括:
采用Halcon的区域转二值化算子对所述输入图片进行二值化处理。
3.根据权利要求1所述的一种区域过滤方法,其特征在于,所述通过以下卷积核对所述二值化图片进行卷积处理,具体包括:
采用Halcon的卷积算子对所述二值化图片进行卷积处理。
4.根据权利要求1所述的一种区域过滤方法,其特征在于,所述对所述阈值区域与所述输入图片的目标区域求交集,具体包括:
采用Halcon的求交集算子对所述阈值区域与所述输入图片的目标区域求交集。
5.一种区域过滤装置,其特征在于,包括:
合并模块,用于将输入图片中的多个目标区域进行合并,得到合并后的目标区域;
二值化处理模块,用于对输入图片进行二值化处理,得到与所述输入图片尺寸相同的二值化图片,在所述二值化图片中,位于所述输入图片的目标区域内部的像素点的灰度值为1,位于所述目标区域外部的像素点的灰度值为0;
卷积处理模块,用于通过以下卷积核对所述二值化图片进行卷积处理,得到卷积图片,所述卷积图片的每个像素点的灰度值代表与该像素点相邻且位于所述目标区域内部的像素点的数量:
;
阈值分割模块,用于对所述卷积图片进行阈值分割,得到阈值区域,所述阈值区域的每个像素点均具有至少三个与其相邻且位于所述目标区域内部的像素点;
噪声过滤模块,用于对所述阈值区域与所述输入图片的目标区域求交集,去除所述目标区域中不在所述交集中的像素点;
所述将输入图片中的多个目标区域进行合并,得到合并后的目标区域,具体包括:
采用Halcon的合并连通域算子将所述输入图片中的多个目标区域进行合并,得到合并后的目标区域;
所述对所述卷积图片进行阈值分割,具体包括:
采用Halcon的阈值分割算子threshold(ImageConvol,RegionResult,Min,Max)对卷积图片ImageConvol进行阈值分割,其中,RegionResult代表阈值区域,其是具有至少三个位于目标区域RegionUnion的相邻点的像素点的集合,Min和Max分别是选取的像素点灰度值的下限和上限,Min=3,Max=255。
6.一种电子设备,其特征在于,包括存储模块,所述存储模块包括由处理器加载并执行的指令,所述指令在被执行时使所述处理器执行根据权利要求1-4任一项所述的一种区域过滤方法。
7.一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,其特征在于,所述一个或多个程序当被处理器执行时,实现权利要求1-4任一项所述的一种区域过滤方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311256341.0A CN117197006B (zh) | 2023-09-27 | 2023-09-27 | 区域过滤方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311256341.0A CN117197006B (zh) | 2023-09-27 | 2023-09-27 | 区域过滤方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197006A CN117197006A (zh) | 2023-12-08 |
CN117197006B true CN117197006B (zh) | 2024-05-10 |
Family
ID=88992323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311256341.0A Active CN117197006B (zh) | 2023-09-27 | 2023-09-27 | 区域过滤方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197006B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
WO2019134298A1 (zh) * | 2018-01-02 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN110766736A (zh) * | 2019-10-29 | 2020-02-07 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN112330688A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、装置和计算机设备 |
CN112464731A (zh) * | 2020-11-03 | 2021-03-09 | 南京理工大学 | 一种基于图像处理的交通标志检测识别方法 |
CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
CN114119554A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的表面微缺陷检测方法及装置 |
CN114155241A (zh) * | 2022-01-28 | 2022-03-08 | 浙江华睿科技股份有限公司 | 一种异物检测方法、装置及电子设备 |
CN115082489A (zh) * | 2022-08-23 | 2022-09-20 | 江苏永银化纤有限公司 | 一种有色丝评估方法 |
-
2023
- 2023-09-27 CN CN202311256341.0A patent/CN117197006B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
WO2019134298A1 (zh) * | 2018-01-02 | 2019-07-11 | 武汉斗鱼网络科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN110766736A (zh) * | 2019-10-29 | 2020-02-07 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN112330688A (zh) * | 2020-11-02 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、装置和计算机设备 |
WO2022089236A1 (zh) * | 2020-11-02 | 2022-05-05 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像处理方法、装置、计算机设备和存储介质 |
CN112464731A (zh) * | 2020-11-03 | 2021-03-09 | 南京理工大学 | 一种基于图像处理的交通标志检测识别方法 |
CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
CN114119554A (zh) * | 2021-11-29 | 2022-03-01 | 哈尔滨工业大学 | 一种基于卷积神经网络的表面微缺陷检测方法及装置 |
CN114155241A (zh) * | 2022-01-28 | 2022-03-08 | 浙江华睿科技股份有限公司 | 一种异物检测方法、装置及电子设备 |
CN115082489A (zh) * | 2022-08-23 | 2022-09-20 | 江苏永银化纤有限公司 | 一种有色丝评估方法 |
Non-Patent Citations (5)
Title |
---|
Repeatability of binarization thresholding methods for optical coherence tomography angiography image quantification;Nihaal Mehta et al.;《Scientific Reports》;20200921;第1-11页 * |
The iterative convolution–thresholding method (ICTM) for image segmentation;Dong Wang et al.;《Pattern Recognition》;20221031;第130卷;第1-12页 * |
一种利用图像角点和边缘信息的阈值分割方法;杨曦等;《红外技术》;20080220(第02期);第95-98页 * |
结合最小均方差滤波和目标灰度的边缘检测;郭忠峰等;《机械工程与自动化》;20200815(第04期);第18-20页 * |
高密度柔性IC基板外观精密检测算法研究;程艳;《中国优秀硕士学位论文全文数据库信息科技辑》;20230115(第01期);I135-815 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197006A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766736B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
CN109670500B (zh) | 一种文字区域获取方法、装置、存储介质及终端设备 | |
CN108830873B (zh) | 深度图像物体边缘提取方法、装置、介质及计算机设备 | |
CN101464418B (zh) | 缺陷检测方法以及缺陷检测装置 | |
US20150086112A1 (en) | Color document image segmentation and binarization using automatic inpainting | |
CN107622501B (zh) | 一种医学图像的边界检测的方法 | |
CN103870790A (zh) | 一种二维条码的识别方法及其装置 | |
CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN111127498B (zh) | 一种基于边缘自生长的Canny边缘检测方法 | |
CN105096330A (zh) | 一种自动识别纯色边框的图像处理方法、***及拍摄终端 | |
CN112767326A (zh) | 钢轨表面缺陷检测方法、装置、设备及存储介质 | |
CN109934781B (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
KR20220028066A (ko) | 카메라 스트림용 마스크를 생성하기 위한 방법, 컴퓨터 프로그램 제품 및 컴퓨터 판독 가능 매체 | |
CN108074238B (zh) | 基于霍夫变换及高斯拟合的面内mura检测方法及检测*** | |
CN111860207A (zh) | 基于多尺度的遥感影像地物分类方法、***、装置及介质 | |
CN116912115A (zh) | 一种水下图像自适应增强方法、***、设备及存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN117197006B (zh) | 区域过滤方法、装置、电子设备及计算机可读存储介质 | |
CN116309583B (zh) | 一种显示屏凹痕缺陷检测的方法和*** | |
CN111353954A (zh) | 视频图像的处理方法、装置及电子设备 | |
CN113378847B (zh) | 字符分割方法、***、计算机设备和存储介质 | |
CN114638807A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN114596210A (zh) | 噪声估计方法、装置、终端设备及计算机可读存储介质 | |
CN111508017A (zh) | 一种弱对比度定位标记中心的方法和*** |
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 |