CN102034106A - 一种基于图像处理的火焰轮廓提取方法 - Google Patents

一种基于图像处理的火焰轮廓提取方法 Download PDF

Info

Publication number
CN102034106A
CN102034106A CN 201010595971 CN201010595971A CN102034106A CN 102034106 A CN102034106 A CN 102034106A CN 201010595971 CN201010595971 CN 201010595971 CN 201010595971 A CN201010595971 A CN 201010595971A CN 102034106 A CN102034106 A CN 102034106A
Authority
CN
China
Prior art keywords
image
flame
gray
value
component
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
CN 201010595971
Other languages
English (en)
Other versions
CN102034106B (zh
Inventor
李华
杨臧健
邓凯
钟英杰
吴敏
李伟
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN2010105959717A priority Critical patent/CN102034106B/zh
Publication of CN102034106A publication Critical patent/CN102034106A/zh
Application granted granted Critical
Publication of CN102034106B publication Critical patent/CN102034106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于图像处理的火焰轮廓提取方法，包括以下步骤：1)将彩色的火焰RGB图像分别转化为R值、G值和B值的灰度分量图像；2)根据火焰分量图像的特征，将需要关注的火焰特征区域定义为目标对象，将对轮廓提取过程产生显著影响的区域定义为干扰对象，分别对目标对象和干扰对象进行图像采样，对采样后的图像进行灰度分布分析，利用其灰度分布直方图的主峰值定义目标对象和干扰对象的初值；3)建立目标图像方程组，给出基于两个分量灰度图像的目标矩阵关系式，得到目标图像；4)通过灰度分布直方图获得图像分割的阈值，进行目标图像的二值化，采用图像腐蚀技术，获得被关注的火焰锋面轮廓线。本发明可靠性高、能够适用于复杂燃烧工况。

Description

一种基于图像处理的火焰轮廓提取方法
技术领域
本发明涉及燃烧过程中的火焰轮廓提取技术，尤其是一种基于图像处理的火焰轮廓提取方法。
背景技术
火焰图像是燃烧过程的有效反映。图像中，亮度信息反映了燃烧过程中的辐射强度和燃烧效果；颜色信息反映了燃烧过程的配风情况和燃烧状态（贫燃、富燃、扩散燃烧）；几何信息，特别是锋面的轮廓特征，有效地反映了燃烧过程中火焰的稳定性和燃烧反应发生区域的形貌，对于诊断燃烧室运行状态和燃烧稳定性具有重要的意义。应用图像处理技术，提取火焰图像中的有效信息，将使上述燃烧特征获得更进一步的体现和反映。因此，关于火焰图像的相关处理技术具有重要的工程价值和意义。
通过火焰图像获得的火焰轮廓线具有重要的工程价值。由于火焰图像反映了燃烧过程中化学反应存在的空间区域，火焰图像中的轮廓线有效地给出了这一空间区域的几何形状、空间分布及面积，对于分析燃烧过程中的相关属性具有重要意义。具体包括：给出燃烧过程存在的区域，辅助诊断燃烧室的运行状态（是否发生熄火、燃烧不稳定等），反映燃烧室内燃料和氧化剂的分布情况，估算简单预混火焰的火焰传播速度，给出燃烧过程的火焰温度场有效区域，辅助分析燃烧反应的有效放热空间和传热过程等。总之，应用图像处理技术提取火焰图像中的轮廓特征，具有较大的工程意义。
传统的火焰轮廓特征提取技术，是基于灰度图像的阈值分割法实现的。具体做法是，对燃烧过程中的火焰进行图像记录，获得其灰度图像，设置一定的阈值，对图像进行二值化，即图像分割，将阈值满足一定灰度强度要求的位置视为火焰区域，其余为背景区域，进而进行轮廓特征提取。从实质上讲，这种方法是基于火焰的发光属性实现的，认为火焰具有发光属性，背景区域不具有发光属性。即大于等于一定亮度要求的图像区域为火焰位置，其余为背景位置。尽管这种做法在很多情况下可以获得火焰锋面的轮廓特征，但由于图像处理过程仅针对亮度信息，而实际燃烧过程中火焰对燃烧室内壁、锋面附近的空气等存在较大的作用，阈值分割法的处理过程极易出现火焰区域误识别的情况。对于燃烧工况和状态较为复杂的情况而言，这种问题尤为严重。事实上，工程实际中众多燃烧装置的燃烧过程都是十分复杂的，需要采用更为有效的图像处理技术来提取火焰的轮廓特征。
发明内容
为了克服现有的火焰轮廓提取（图像处理）方法的可靠性低、不能适用于复杂燃烧工况的不足，本发明提供一种可靠性高、能够适用于复杂燃烧工况的基于图像处理的火焰轮廓提取方法。
本发明解决其技术问题所采用的技术方案是： 
一种基于图像处理的火焰轮廓提取方法，所述火焰轮廓提取方法包括以下步骤：
1）前处理：对原始的火焰彩色图像进行前处理，将彩色的火焰RGB图像分别转化为R值、G值和B值的灰度分量图像；
2）分量矩阵特征提取：根据火焰分量图像的特征，将需要关注的火焰特征区域定义为目标对象，将对轮廓提取过程产生显著影响的区域定义为干扰对象，分别对目标对象和干扰对象进行图像采样；对采样后的图像进行灰度分布分析，将目标对象采样后得到的灰度分布直方图的主峰值定义为目标对象的初值，将干扰对象采样后得到的灰度分布直方图的主峰值定义为干扰对象的初值，所述两组初值为下一步的图像处理工作提供已知条件；
3）目标图像求解：选择R值、G值和B值三个分量灰度图像中的两个为运算基础，根据步骤2）分量矩阵特征提取过程中获得的已知条件，建立目标图像方程组，建模的依据主要包括目标对象灰度最大化及干扰对象灰度最小化；通过求解目标图像方程组，给出基于两个分量灰度图像的目标矩阵关系式，根据关系式和两个分量灰度图像对应的矩阵信息得到目标图像；
4）后处理：对于目标图像，通过灰度分布直方图获得图像分割的阈值，进行目标图像的二值化，采用图像腐蚀技术，获得被关注的火焰锋面轮廓线。
进一步，在所述步骤4）中，对获得的目标图像先进行评价，观察噪点和分析图像信噪比，对于满足设定质量标准的图像，通过灰度分布直方图获得图像分割的阈值；没有满足设定质量标准的图像，返回步骤2）重新进行分量矩阵特征提取环节，重新确定目标对象和干扰对象的初值。
再进一步，所述步骤1）中，前处理还包括裁减和滤波；裁减处理的目的为剔除无效背景信息，滤波处理的目的为降低图像中的噪声信号。
更进一步，所述步骤3）中，记矩阵C为目标图像对应的矩阵，将绿色和蓝色分量对应的灰度矩阵做线性运算，以获得目标函数C，目标函数与绿色和蓝色分量的灰度矩阵关系如下：
                                                                  
Figure 2010105959717100002DEST_PATH_IMAGE001
                          （1）
其中，m和n为图像矩阵线性运算采用的系数，Ag和Ab分别为绿色和蓝色分量的灰度矩阵；
将目标对象和干扰对象在目标矩阵C中的灰度值分别为
Figure 450207DEST_PATH_IMAGE002
和，依照目标对象灰度最大化及干扰对象灰度最小化，
Figure 177467DEST_PATH_IMAGE002
和
Figure 832570DEST_PATH_IMAGE003
的数值分别为255和0，设绿色分量图像的灰度值为
Figure 165463DEST_PATH_IMAGE004
，蓝色分量图像的灰度值为
Figure 2010105959717100002DEST_PATH_IMAGE005
，绿蓝两分量矩阵进行线性运算后，目标对象和干扰对象的灰度分别为：
                            
Figure 792884DEST_PATH_IMAGE006
                        （2）。
其中， 是绿色分量图像中目标对象的灰度值，
Figure 431326DEST_PATH_IMAGE008
是蓝色分量图像中目标对象的灰度值，
Figure 2010105959717100002DEST_PATH_IMAGE009
是绿色分量图像中干扰对象的灰度值，
Figure 573725DEST_PATH_IMAGE010
是蓝色分量图像中干扰对象的灰度值。
本发明的有益效果主要表现在：可靠性高、能够适用于复杂燃烧工况。
附图说明
图1是基于图像处理的火焰轮廓提取方法的流程图。
图2是分量矩阵特征提取的主要过程的示意图。
图3是目标图像求解的主要过程的示意图。
图4是稳态条件下的双火焰（部分预混火焰）图像。
图5是火焰彩色图像及颜色分量灰度图像，其中，（a）彩色图像；（b）R（红）分量灰度图；（c）G（绿）分量灰度图；（d）B（蓝）分量灰度图。
图6是绿色分量和蓝色分量取样区域的灰度分布直方图。
图7是火焰轮廓（双火焰预混锋面）的提取效果。
图8是传统火焰轮廓提取方法下的图像处理效果，其中，（a）直接阈值分割；（b）边缘检测技术；（c）Laplacian锐化滤波；（d）多重灰度调整。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图8，一种基于图像处理的火焰轮廓提取方法，具体的处理流程如下：
1）前处理。对原始的火焰彩色图像进行前处理，主要内容包括裁减、滤波和分量图像转化。其中，裁减主要目的是剔除无效背景信息，使火焰为彩色图像的主体，提高图像处理的运算效率；滤波主要是为了降低图像中的噪声信号，提高火焰轮廓提取的效果；分量图像转化，是将彩色的火焰RGB图像分别转化为R值、G值和B值的灰度分量图像，为正式应用本发明的核心图像处理环节奠定基础。
2）分量矩阵特征提取。主要的处理流程如图2所示，根据火焰分量图像的特征，将需要关注的火焰特征区域定义为目标对象，将对轮廓提取过程产生显著影响的区域定义为干扰对象，分别对目标对象和干扰对象进行图像采样。对采样后的图像进行灰度分布分析，将目标对象采样后得到的灰度分布直方图的主峰值定义为目标对象的初值，将干扰对象采样后得到的灰度分布直方图的主峰值定义为干扰对象的初值。两组初值为下一步的图像处理工作提供已知条件。
3）目标图像求解。主要的处理流程如图3所示，选择R值、G值和B值三个分量灰度图像中的两个为运算基础，根据步骤2）分量矩阵特征提取过程中获得的已知条件，建立目标图像方程组，建模的依据主要包括目标对象灰度最大化及干扰对象灰度最小化。通过求解目标图像方程组，给出基于两个分量灰度图像的目标矩阵（图像）关系式。根据关系式和两个分量灰度图像对应的矩阵信息给出目标图像（灰度图），完成目标图像的求解。
4）图像质量评价。对获得的目标图像进行评价，主要依据是观察噪点和分析图像信噪比。对于满足要求的图像，进入后处理环节；没有满足要求的图像，返回步骤2）分量矩阵特征提取环节，重新确定目标对象和干扰对象的初值，将初值在原有灰度直方图主峰值的基础上进行一定的偏移。
5）后处理。对于满足图像质量评价标准的目标图像，通过灰度分布直方图获得图像分割的阈值，进行目标图像的二值化，进而采用图像腐蚀技术即可获得被关注的火焰锋面轮廓线。
下面通过具体的实例和做法对上述流程进行说明。
以声场作用下的部分预混火焰为轮廓提取对象，目标对象是部分预混火焰（双火焰）内部的预混锋面。采用这一对象的原因是，部分预混火焰内部同时存在着多种燃烧方式，没有施加声场激励时（稳态条件），火焰图像如图4所示，燃烧过程中同时存在着预混和扩散两种燃烧方式。施加声激励后，锋面上出现了众多褶皱结构，火焰内部预混锋面的轮廓提取是十分困难的。以此为轮廓提取对象，能够较好地反映本发明在复杂燃烧工况下提取火焰锋面轮廓线的技术优势。
图5（a）为火焰的彩色图像，经过简单的前处理后，获得其对应的RGB颜色分量的灰度图像，如图5（b）、（c）和（d）所示。其中，火焰区域内部的亮线位置为轮廓提取过程需要关注的目标对象，定义此区域为目标对象，编号为1；预混锋面和黑色背景之间的扩散锋面区域是对轮廓提取过程构成较大影响的区域，定义其为干扰对象，编号为2。选择绿色分量和蓝色分量的火焰图像为运算基础，分别取目标对象和干扰对象中的一小部分进行灰度分布分析，如图6所示，分别以各个灰度分布直方图中的主峰值为目标对象和干扰对象的初值。
    接下来进行目标图像的求解。此处，采用线性运算形式建立目标图像方程组，主要是从图像矩阵的运算效率方面考虑。在条件允许的情况下，也可以建立非线性的目标图像方程组，这对于一些燃烧工况更为复杂的火焰轮廓提取而言，效果更佳，但需要消耗更多的图像和计算机硬件资源。
记矩阵C为目标图像对应的矩阵，将绿色和蓝色分量对应的灰度矩阵做线性运算，以获得目标函数C，目标函数与绿色和蓝色分量的灰度矩阵关系如下：
                   
Figure 647992DEST_PATH_IMAGE001
                          （1）
其中，m和n为图像矩阵线性运算采用的系数，Ag和Ab分别为绿色和蓝色分量的灰度矩阵。将目标对象和干扰对象在目标矩阵C中的灰度值分别定义为
Figure 192237DEST_PATH_IMAGE002
和
Figure 120354DEST_PATH_IMAGE003
，并设绿色分量图像的灰度值为
Figure 750049DEST_PATH_IMAGE004
，蓝色分量图像的灰度值为
Figure 362427DEST_PATH_IMAGE005
，绿蓝两分量矩阵进行线性运算后，目标对象和干扰对象的灰度分别为：
                    
Figure 823496DEST_PATH_IMAGE006
                        （2）
其中， 
Figure 128706DEST_PATH_IMAGE007
是绿色分量图像中目标对象的灰度值，
Figure 198030DEST_PATH_IMAGE008
是蓝色分量图像中目标对象的灰度值，
Figure 410836DEST_PATH_IMAGE009
是绿色分量图像中干扰对象的灰度值，
Figure 929673DEST_PATH_IMAGE010
是蓝色分量图像中干扰对象的灰度值。
根据建模的依据，使目标对象灰度的信息最大化，同时，使干扰对象的灰度信息最小化。也就是，矩阵C所对应的图像中，预混锋面上的内锥亮线效果明显，同时，应将扩散锋面到预混锋面间的过渡部分对亮线的影响降低到最小。具体地，为了使预混锋面（亮线）效果明显，令
Figure 2010105959717100002DEST_PATH_IMAGE011
，同时，使过渡部分对预混锋面的影响降低到最小，令
Figure 74959DEST_PATH_IMAGE012
。方程（2）中x和y的数值，根据图6反映的信息获得。根据上文的匹配关系，分别有：x1=125；x2=45；y1=155；y2=70。将上述已知条件代入式（2），得到：
               
Figure 2010105959717100002DEST_PATH_IMAGE013
                             （3）
求解方程组（3）得到：
             
Figure 616930DEST_PATH_IMAGE014
                                       （4）
将式（4）代入式（1）后，目标函数C的图像如图7（a）所示，效果上，实现了预期目标，即预混锋面明显且干扰对象的影响效果最小。
随后，进行图像质量评价，对于不满足信噪比要求的目标图像，重新进行目标对象和干扰对象已知条件（即x和y值）的选取。具体实现方式是，减小x1与y1的差或增加x2与y2的差。
最后，进行后处理，根据图7（a）所示的目标图像的灰度分布直方图确定适当的阈值，进行火焰图像的二值化，如图7（b）所示。进而，应用图像腐蚀技术，提取预混锋面的轮廓线，如图7（c）所示。由于图7（a）有效地给出了预混锋面的主体轮廓，因此后处理过程是较为容易实现的。
本发明提出的基于颜色特征提取火焰锋面轮廓的图像处理技术，是基于火焰自身属性（颜色特征）实现的。为说明其技术优势所在，将其与几种常见的火焰轮廓提取技术进行了比较。
图8为采用常规的轮廓提取技术对图5所示对象的轮廓提取效果。由图8（a）的结果可知，内锥附近的灰度分布对预混锋面轮廓的提取构成较大影响，在一部分内锥轮廓（预混锋面）已经不完整时，另一部分内锥轮廓（预混锋面）还没有被完全分割出来。采用边缘检测（b）、滤波（c）、图像增强（灰度调整）（d）等方法均是基于图像自身的灰度特征，很难实现图7所示的效果。因此，本发明对于提取复杂燃烧工况下的火焰轮廓而言，具有较为明显的技术优势。

Claims (4)

1.一种基于图像处理的火焰轮廓提取方法，其特征在于：所述火焰轮廓提取方法包括以下步骤：
1）前处理：对原始的火焰彩色图像进行前处理，将彩色的火焰RGB图像分别转化为R值、G值和B值的灰度分量图像；
2）分量矩阵特征提取：根据火焰分量图像的特征，将需要关注的火焰特征区域定义为目标对象，将对轮廓提取过程产生显著影响的区域定义为干扰对象，分别对目标对象和干扰对象进行图像采样；对采样后的图像进行灰度分布分析，将目标对象采样后得到的灰度分布直方图的主峰值定义为目标对象的初值，将干扰对象采样后得到的灰度分布直方图的主峰值定义为干扰对象的初值，所述两组初值为下一步的图像处理工作提供已知条件；
3）目标图像求解：选择R值、G值和B值三个分量灰度图像中的两个为运算基础，根据步骤2）分量矩阵特征提取过程中获得的已知条件，建立目标图像方程组，建模的依据主要包括目标对象灰度最大化及干扰对象灰度最小化；通过求解目标图像方程组，给出基于两个分量灰度图像的目标矩阵关系式，根据关系式和两个分量灰度图像对应的矩阵信息得到目标图像；
4）后处理：对于目标图像，通过灰度分布直方图获得图像分割的阈值，进行目标图像的二值化，采用图像腐蚀技术，获得被关注的火焰锋面轮廓线。
2.如权利要求1所述的一种基于图像处理的火焰轮廓提取方法，其特征在于：在所述步骤4）中，对获得的目标图像先进行评价，观察噪点和分析图像信噪比，对于满足设定质量标准的图像，通过灰度分布直方图获得图像分割的阈值；没有满足设定质量标准的图像，返回步骤2）重新进行分量矩阵特征提取环节，重新确定目标对象和干扰对象的初值。
3.如权利要求1或2所述的一种基于图像处理的火焰轮廓提取方法，其特征在于：所述步骤1）中，前处理还包括裁减和滤波。
4.如权利要求1或2所述的一种基于图像处理的火焰轮廓提取方法，其特征在于：所述步骤3）中，记矩阵C为目标图像对应的矩阵，将绿色和蓝色分量对应的灰度矩阵做线性运算，以获得目标函数C，目标函数与绿色和蓝色分量的灰度矩阵关系如下：
                                                                  
Figure 2010105959717100001DEST_PATH_IMAGE001
                          （1）
其中，m和n为图像矩阵线性运算采用的系数，Ag和Ab分别为绿色和蓝色分量的灰度矩阵；
将目标对象和干扰对象在目标矩阵C中的灰度值分别设置为
Figure 866704DEST_PATH_IMAGE002
和
Figure 2010105959717100001DEST_PATH_IMAGE003
，依照目标对象灰度最大化及干扰对象灰度最小化，
Figure 174801DEST_PATH_IMAGE002
和
Figure 821814DEST_PATH_IMAGE003
的数值分别为255和0，设绿色分量图像的灰度值为
Figure 710136DEST_PATH_IMAGE004
，蓝色分量图像的灰度值为
Figure 2010105959717100001DEST_PATH_IMAGE005
，绿蓝两分量矩阵进行线性运算后，目标对象和干扰对象的灰度分别为：
                    
Figure 358022DEST_PATH_IMAGE006
                        （2）
其中， 
Figure 2010105959717100001DEST_PATH_IMAGE007
是绿色分量图像中目标对象的灰度值，
Figure 523555DEST_PATH_IMAGE008
是蓝色分量图像中目标对象的灰度值，
Figure 2010105959717100001DEST_PATH_IMAGE009
是绿色分量图像中干扰对象的灰度值，
Figure 279153DEST_PATH_IMAGE010
是蓝色分量图像中干扰对象的灰度值。
CN2010105959717A 2010-12-20 2010-12-20 一种基于图像处理的火焰轮廓提取方法 Active CN102034106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2010105959717A CN102034106B (zh) 2010-12-20 2010-12-20 一种基于图像处理的火焰轮廓提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2010105959717A CN102034106B (zh) 2010-12-20 2010-12-20 一种基于图像处理的火焰轮廓提取方法

Publications (2)

Publication Number Publication Date
CN102034106A true CN102034106A (zh) 2011-04-27
CN102034106B CN102034106B (zh) 2012-08-08

Family

ID=43886969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2010105959717A Active CN102034106B (zh) 2010-12-20 2010-12-20 一种基于图像处理的火焰轮廓提取方法

Country Status (1)

Country Link
CN (1) CN102034106B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112134A (zh) * 2014-07-09 2014-10-22 宁波摩视光电科技有限公司 一种基于aoi的子弹表观缺陷检测系统的图像二值化分割方法
CN104122271A (zh) * 2014-07-09 2014-10-29 宁波摩视光电科技有限公司 一种基于aoi的子弹表观缺陷检测方法
CN105678310A (zh) * 2016-02-03 2016-06-15 北京京东方多媒体科技有限公司 红外热图像轮廓提取方法及装置
CN108805895A (zh) * 2018-08-17 2018-11-13 西安近代化学研究所 一种发射装药炮口闪光强度视频图像处理方法
CN109544577A (zh) * 2018-11-27 2019-03-29 辽宁工程技术大学 一种基于边缘点编组的改进直线提取方法
CN109829928A (zh) * 2018-12-29 2019-05-31 芜湖哈特机器人产业技术研究院有限公司 一种目标图像提取方法及图像位置特征的提取方法
CN110536108A (zh) * 2018-05-26 2019-12-03 包仁妹 基于书桌主体的现场监控系统
CN112163476A (zh) * 2020-09-16 2021-01-01 汕头市同行网络科技有限公司 一种基于图像识别的电竞比赛赛况数据获取方法
CN112164068A (zh) * 2020-07-17 2021-01-01 中国人民解放军63892部队 一种警戒雷达ppi图像目标/干扰区域自适应提取方法
CN114418942A (zh) * 2021-12-12 2022-04-29 西安昆仑工业（集团）有限责任公司 一种基于canny算法的火焰轮廓解算方法
CN115797372B (zh) * 2022-11-11 2023-09-22 中国消防救援学院 一种基于组合型图像分割的火焰目标提取方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850852B (zh) * 2015-04-27 2018-06-12 小米科技有限责任公司 特征向量计算方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《中南林业科技大学学报》 20090215 李杰等 火焰目标提取方法的研究 140-143 1-4 第29卷, 第01期 *
《中国航海》 20011230 郑道昌等 火焰图像的数字化探讨 65-68 1-4 , 第02期 *
《工程热物理学报》 20070915 穆克进等 预混火焰前锋的观测及提取 891-893 1-4 第28卷, 第05期 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104122271A (zh) * 2014-07-09 2014-10-29 宁波摩视光电科技有限公司 一种基于aoi的子弹表观缺陷检测方法
CN104112134A (zh) * 2014-07-09 2014-10-22 宁波摩视光电科技有限公司 一种基于aoi的子弹表观缺陷检测系统的图像二值化分割方法
CN105678310B (zh) * 2016-02-03 2019-08-06 北京京东方多媒体科技有限公司 红外热图像轮廓提取方法及装置
CN105678310A (zh) * 2016-02-03 2016-06-15 北京京东方多媒体科技有限公司 红外热图像轮廓提取方法及装置
WO2017133217A1 (en) * 2016-02-03 2017-08-10 Boe Technology Group Co., Ltd. Method and apparatus for infrared thermal image contour extraction
US10509981B2 (en) 2016-02-03 2019-12-17 Boe Technology Group Co., Ltd. Method and apparatus for infrared thermal image contour extraction
CN110536108B (zh) * 2018-05-26 2021-02-19 黄河水利职业技术学院 基于书桌主体的现场监控系统
CN110536108A (zh) * 2018-05-26 2019-12-03 包仁妹 基于书桌主体的现场监控系统
CN108805895A (zh) * 2018-08-17 2018-11-13 西安近代化学研究所 一种发射装药炮口闪光强度视频图像处理方法
CN108805895B (zh) * 2018-08-17 2021-10-01 西安近代化学研究所 一种发射装药炮口闪光强度视频图像处理方法
CN109544577A (zh) * 2018-11-27 2019-03-29 辽宁工程技术大学 一种基于边缘点编组的改进直线提取方法
CN109829928A (zh) * 2018-12-29 2019-05-31 芜湖哈特机器人产业技术研究院有限公司 一种目标图像提取方法及图像位置特征的提取方法
CN112164068A (zh) * 2020-07-17 2021-01-01 中国人民解放军63892部队 一种警戒雷达ppi图像目标/干扰区域自适应提取方法
CN112164068B (zh) * 2020-07-17 2023-07-28 中国人民解放军63892部队 一种警戒雷达ppi图像目标和干扰区域自适应提取方法
CN112163476A (zh) * 2020-09-16 2021-01-01 汕头市同行网络科技有限公司 一种基于图像识别的电竞比赛赛况数据获取方法
CN112163476B (zh) * 2020-09-16 2023-12-19 汕头市同行网络科技有限公司 一种基于图像识别的电竞比赛赛况数据获取方法
CN114418942A (zh) * 2021-12-12 2022-04-29 西安昆仑工业（集团）有限责任公司 一种基于canny算法的火焰轮廓解算方法
CN114418942B (zh) * 2021-12-12 2024-05-14 西安昆仑工业（集团）有限责任公司 一种基于canny算法的火焰轮廓解算方法
CN115797372B (zh) * 2022-11-11 2023-09-22 中国消防救援学院 一种基于组合型图像分割的火焰目标提取方法

Also Published As

Publication number Publication date
CN102034106B (zh) 2012-08-08

Similar Documents

Publication Publication Date Title
CN102034106B (zh) 一种基于图像处理的火焰轮廓提取方法
CN102043950B (zh) 基于canny算子和边缘点统计的车辆轮廓识别方法
CN105787929B (zh) 基于斑点检测的皮肤疹点提取方法
CN106096601B (zh) 一种自动检测票据中字符类型的方法和系统
CN103246883B (zh) 一种煤矿井下热红外图像人脸识别方法
CN102184534B (zh) 一种利用多尺度高帽选择变换的图像融合方法
CN102737221B (zh) 车辆颜色的识别方法及装置
CN102637301B (zh) 航空摄影过程中实时自动评定影像色彩质量的方法
CN104504686A (zh) 一种采用局部自适应阈值分割的高光谱图像异常探测方法
CN109753949A (zh) 一种基于深度学习的多视窗交通标志检测方法
CN108287350A (zh) 基于多信息综合的天基空中目标探测关键参数确定方法
CN109598200B (zh) 一种铁水罐罐号的图像智能识别系统及方法
CN111105398A (zh) 一种基于可见光图像数据的输电线路部件裂纹检测方法
CN104647893A (zh) 一种基于十字线的印刷套印误差检测方法
CN103413131A (zh) 基于光谱及几何特征的塔吊识别方法
CN103971367A (zh) 水文资料图像分割方法
CN104199009B (zh) 一种基于时域特性的雷达图像杂波抑制方法
CN103743750A (zh) 一种大口径光学元件表面损伤分布图的生成方法
Jia et al. Design of Traffic Sign Detection and Recognition Algorithm Based on Template Matching
CN103093241B (zh) 基于同质化处理的光学遥感图像非匀质云层判别方法
Wang et al. Study of the pseudo-color processing for infrared forest-fire image
CN202350737U (zh) 一种基于matlab的发动机喷雾图像优化处理装置
CN103870827A (zh) 一种结合颜色与纹理的车牌检测方法
CN110288570A (zh) 一种基于视觉注意机制的转子绕线弱反光图像检测方法
CN107818292B (zh) 一种基于背散射扫描电镜的矿物颗粒识别方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant