CN102799887B - 结构变形检测图像传感器灵敏度自动标定方法 - Google Patents
结构变形检测图像传感器灵敏度自动标定方法 Download PDFInfo
- Publication number
- CN102799887B CN102799887B CN201210200868.7A CN201210200868A CN102799887B CN 102799887 B CN102799887 B CN 102799887B CN 201210200868 A CN201210200868 A CN 201210200868A CN 102799887 B CN102799887 B CN 102799887B
- Authority
- CN
- China
- Prior art keywords
- hot spot
- image
- pixel
- point
- value
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及用于图像分析的图像数据处理领域,具体为一种结构变形检测图像传感器灵敏度自动标定方法。一种结构变形检测图像传感器灵敏度自动标定方法,包括a. 设置标定光源、b. 拍摄标定图片、c. 图像预处理、d. 边界提取复杂背景、e. 边界识别和f. 计算标定值这六个依次进行的步骤,其特征是:a. 设置标定光源时,光源发出的光斑由至少4个光斑单元组成,光斑单元以围绕一个中心点呈中心对称分布的方式组合成光斑。本发明操作便利,自动化程度高,标定精度高。
Description
技术领域
本发明涉及用于图像分析的图像数据处理领域,具体为一种结构变形检测图像传感器灵敏度自动标定方法。
背景技术
图像的识别和跟踪技术目前正得到深入研究,在安全系统、门禁系统等众多领域有着广泛的应用前景。图像识别和图像跟踪利用图像传感器获得目标图像的信息,要得到精确的位移数据,图像的标定是一个重要环节,目前多通过拍摄准备好的固定长度的标的物实现摄像头的现场标定,比如,公开号为CN101763643A的中国发明专利申请于2010年6月30日公开了“一种结构光三维扫描仪系统自动标定方法”,这种方法包括以下步骤:1. 设置标定物;2. 用相机拍摄若干张标定物姿势不同的标定相片;拍摄标定图片;3. 对标定相片上的点进行初步识别,得到每一角点的候选区域;进行角点初步识别;4. 在候选区域内求解角点的亚像素坐;5. 确定角点顺序;6. 采用Zhengyou Zhang的算法标定相机参数;7. 处理投影仪标定相片;8. 利用6中得到的相机内部参数反解出其三维坐标,并与标定图案中的角点的坐标一一对应,采用Zhengyou Zhang的算法标定投影仪。但是这种标定方法不易操作,且每次微调镜头焦距或位置均需重新进行标定,费时费力。因此系统在工作时需要实时标定图像传感器。
发明内容
为了克服现有技术的缺陷,提供一种操作便利、自动化程度高、标定精度高的图像数据处理方法,本发明公开了一种结构变形检测图像传感器灵敏度自动标定方法。
本发明通过如下技术方案达到发明目的:
一种结构变形检测图像传感器灵敏度自动标定方法,包括a. 设置标定光源、b. 拍摄标定图片、c. 图像预处理、d. 边界提取复杂背景、e. 边界识别和f. 计算标定值这六个依次进行的步骤,其特征是:
a. 设置标定光源时,光源选用发光二极管,光源发出的光斑由至少4个光斑单元组成,光斑单元以围绕一个中心点呈中心对称分布的方式组合成光斑,为了方便图像处理流程的实现,光斑单元的形状尽量选择形状规则的标准几何基元,一般选用轴对称或中心对称的封闭图形,如圆形、矩形、等腰直角三角形、十字型等;
b. 拍摄标定图片时,调整好摄像头镜头的位置和焦距,连续拍摄N张标定光源的图片,N为正整数且N≥5;
c. 图像预处理时,先对所拍摄的光源图片实施平均滤波处理,步骤如下:对连续拍摄的N张照片上相同位置的像素点的N个像素值作算术平均值,以此算术平均值作为滤波所得图像上该位置的像素点的像素值;
再对滤波所得图像实施二值化操作,步骤如下:设初始阈值为tk,tk∈(0,255),分别计算滤波所得图像所有像素点中目标点的平均灰度tO和背景点的平均灰度tB,目标点指灰度值不小于阈值的像素点,背景点指灰度值小于阈值的像素点,计算tO和tB的平均值得到tk+1。由于是取整运算,随着迭代次数的增加,最终将得到一个唯一的阈值。将每次迭代得到的tk+1和tk进行比较判断,若tk+1=tk,则迭代结束,并取tk为最佳阈值;否则用tk+1替换tk,重新进行迭代运算,直至满足迭代结束条件为止,确定最佳阈值后,将所有灰度不小于最佳阈值的像素点的灰度置为255,其余像素点的灰度置为0,从而将灰度图像转化为全黑白图像;
d. 边界提取时,对二值化操作后的图像进行图像形态学的腐蚀操作,步骤如下:用3×3的结构元素扫描图像的每一个像素点,用结构元素和被结构元素覆盖的二值图像做与运算,如果都为1则图像的该像素为1,否则为0;然后再和原来的图像做减法,即将原图像每个像素点的像素值和经腐蚀后图像每个像素点的像素值进行异或运算,若灰度值相同,则置为0,若灰度值不同,则置为255,从而提取图像标的物的边界;
e. 边界识别时,设需要识别的几何边界数为n,创建一个数组head[n],数组存放的元素为识别出的边界的起始点信息,另创建一个数组leng[n],用来存放对应的边界周长,对整幅图像从下到上,从左至右逐行扫描,以扫描到的符合边界条件的目标点为边界起始点,利用深度优先搜索算法,沿该点进行识别搜索,若为满足长度的闭合边界,即长度为[8,20]区间内的正整数,则将起始点信息存入head[n]中,将周长信息存入leng[n]中,否则将其全部置为0并继续搜索下一个边界点,每搜索到一个闭合边界,首先确认数组head[n]是否已满,若未满,则将其插入数组中;若已满,则比较周长,若大于数组元素的周长,则插入数组,并删除数组中周长最小的元素,释放对应边界点数据信息,继续搜索下一个边界点,直至遍历整幅图像;
f. 计算标定值时,利用最小二乘法对识别出的各边界分别进行迭代拟合,剔除误差较大的点,误差也是随迭代次数的增加而趋于精确的,初始时误差点较多,选取的阈值也较大,随迭代次数增加,阈值自减,误差界限为各边界点到标准圆心的距离与标准半径之间的平方差的绝对值不超过标准半径的 倍,获得较精确的边界数据点,将计算出的各边界中心点数据及间距分别和标准值作对比,并进行平均,即得到传感器灵敏度的标定值。
所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a. 设置标定光源时,光斑单元为4个全等的圆形,4个光斑单元的圆心排列成正方形。
所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a. 设置标定光源时,光斑单元为7个圆形,其中1个光斑单元设于中心位置,其余6个光斑单元全等且围绕中心的光斑单元平均分布。
所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a. 设置标定光源时,光斑单元为12个全等的矩形,每3个光斑单元间距相等地互相平行设置构成1组光斑单元,各组光斑单元的形状全等,4组光斑单元的中心排列成正方形。
所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a. 设置标定光源时,光斑单元为8个全等的等腰直角三角形,每2个光斑单元以斜边平行相对设置构成1组光斑单元,各组光斑单元的形状全等,4组光斑单元的中心排列成正方形。
所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a. 设置标定光源时,光斑单元为4个全等的十字形,4个光斑单元的圆心排列成正方形。
所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:b. 拍摄标定图片时,N取10。
所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a. 设置标定光源时,光斑由在光源发光面上罩以开有通孔的灯罩形成,灯罩通孔边缘处的圆度精度在0.1mm之内。
所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a. 设置标定光源时,灯罩通孔边缘处的直线度公差为0.1mm,平行度为公差为0.1mm,垂直度公差为0.1mm。
本发明通过拍摄具有合理排布的几何背景图案的标的物,利用图像处理程序智能识别图像中各个几何图形,利用其固有的尺寸及间距来进行传感器灵敏度的标定。其中,各个几何图案通过精密机加工或特定有机玻璃来控制尺寸精度,图像处理程序利用深度优先搜索算法来智能识别各个几何图形,并运用迭代最小二乘法来拟合各图形的中心点。利用这些中心点的坐标信息来实现传感器灵敏度的自动标定,从而提供了一种结构变形检测图像传感器灵敏度自动标定方法,能完成自动、高精度、实时在线标定。本发明的有益效果是:通过改变所摄光源形状,利用图像识别技术,能一次性智能化识别多个图形,利用它们之间的位置关系,可实现图像传感器灵敏度的自动标定。
附图说明
图1是4个圆形光斑单元的排列示意图;
图2是本发明的处理效果图;
图3是7个圆形光斑单元的排列示意图;
图4是12个矩形光斑单元的排列示意图;
图5是8个等腰直角三角形光斑单元的排列示意图。
具体实施方式
以下通过具体实施例进一步说明本发明。
实施例1
一种结构变形检测图像传感器灵敏度自动标定方法,包括a. 设置标定光源、b. 拍摄标定图片、c. 图像预处理、d. 边界提取复杂背景、e. 边界识别和f. 计算标定值这六个依次进行的步骤,具体步骤如下所述:
a. 设置标定光源时,光源选用发光二极管,光源发出的光斑如图1所示,由四个全等的圆形光斑单元1组成,4个光斑单元1的圆心排列成正方形;光斑由在光源发光面上罩以开有通孔的灯罩形成,灯罩通孔边缘处的圆度精度在0.1mm之内;
b. 拍摄标定图片时,调整好摄像头镜头的位置和焦距,连续拍摄N张标定光源的图片,N为正整数且N≥5,本实施例N取10;
c. 图像预处理时,先对所拍摄的光源图片实施平均滤波处理,步骤如下:对连续拍摄的N张照片上相同位置的像素点的N个像素值作算术平均值,以此算术平均值作为滤波所得图像上该位置的像素点的像素值;
再对滤波所得图像实施二值化操作,步骤如下:设初始阈值为tk,tk∈(0,255),分别计算滤波所得图像所有像素点中目标点的平均灰度tO和背景点的平均灰度tB,目标点指灰度值不小于阈值的像素点,背景点指灰度值小于阈值的像素点,计算tO和tB的平均值得到tk+1,由于是取整运算,随着迭代次数的增加,最终将得到一个唯一的阈值。将每次迭代得到的tk+1和tk进行比较判断,若tk+1=tk,则迭代结束,并取tk为最佳阈值;否则用tk+1替换tk,重新进行迭代运算,直至满足迭代结束条件为止,确定最佳阈值后,将所有灰度不小于最佳阈值的像素点的灰度置为255,其余像素点的灰度置为0,从而将灰度图像转化为全黑白图像;
d. 边界提取时,对二值化操作后的图像进行图像形态学的腐蚀操作,步骤如下:用3×3的结构元素扫描图像的每一个像素点,用结构元素和被结构元素覆盖的二值图像做与运算,如果都为1则图像的该像素为1,否则为0;然后再和原来的图像做减法,即将原图像每个像素点的像素值和经腐蚀后图像每个像素点的像素值进行异或运算,若灰度值相同,则置为0,若灰度值不同,则置为255,从而提取图像标的物的边界;
e. 边界识别时,设需要识别的几何边界数为n,创建一个数组head[n],数组存放的元素为识别出的边界的起始点信息,另创建一个数组leng[n],用来存放对应的边界周长,对整幅图像从下到上,从左至右逐行扫描,以扫描到的符合边界条件的目标点为边界起始点,利用深度优先搜索算法,沿该点进行识别搜索,若为满足长度的闭合边界,即长度为[8,20]区间内的正整数,则将起始点信息存入head[n]中,将周长信息存入leng[n]中,否则将其全部置为0并继续搜索下一个边界点,每搜索到一个闭合边界,首先确认数组head[n]是否已满,若未满,则将其插入数组中;若已满,则比较周长,若大于数组元素的周长,则插入数组,并删除数组中周长最小的元素,释放对应边界点数据信息,继续搜索下一个边界点,直至遍历整幅图像;
f. 计算标定值时,利用最小二乘法对识别出的各边界分别进行迭代拟合,剔除误差较大的点,误差界限为各边界点到标准圆心的距离与标准半径之间的平方差的绝对值不超过标准半径的倍,获得较精确的边界数据点,将计算出的各边界中心点数据及间距分别和标准值作对比,并进行平均,即得到传感器灵敏度的标定值。
本实施例最终处理得到的效果图如图2所示。
实施例2
一种结构变形检测图像传感器灵敏度自动标定方法,包括a. 设置标定光源、b. 拍摄标定图片、c. 图像预处理、d. 边界提取复杂背景、e. 边界识别和f. 计算标定值这六个依次进行的步骤,其特征是:a. 设置标定光源时,光斑单元1如图3所示,为7个圆形,其中1个光斑单元1设于中心位置,其余6个光斑单元1全等且围绕中心的光斑单元1平均分布。其他步骤都和实施例1同。
实施例3
一种结构变形检测图像传感器灵敏度自动标定方法,包括a. 设置标定光源、b. 拍摄标定图片、c. 图像预处理、d. 边界提取复杂背景、e. 边界识别和f. 计算标定值这六个依次进行的步骤,其特征是:a. 设置标定光源时,光斑单元1如图4所示,为12个全等的矩形,每3个光斑单元1间距相等地互相平行设置构成1组光斑单元1,各组光斑单元1的形状全等,4组光斑单元1的中心排列成正方形;光斑由在光源发光面上罩以开有通孔的灯罩形成,灯罩通孔边缘处的直线度公差为0.1mm,平行度为公差为0.1mm,垂直度公差为0.1mm。
其他步骤都和实施例1同。
实施例4
一种结构变形检测图像传感器灵敏度自动标定方法,包括a. 设置标定光源、b. 拍摄标定图片、c. 图像预处理、d. 边界提取复杂背景、e. 边界识别和f. 计算标定值这六个依次进行的步骤,其特征是:a. 设置标定光源时,光斑单元1如图5所示,为8个全等的等腰直角三角形,每2个光斑单元1以斜边平行相对设置构成1组光斑单元1,各组光斑单元1的形状全等,4组光斑单元1的中心排列成正方形。其他步骤都和实施例3同。
Claims (6)
1.一种结构变形检测图像传感器灵敏度自动标定方法,包括a.设置标定光源、b.拍摄标定图片、c.图像预处理、d.边界提取复杂背景、e.边界识别和f.计算标定值这六个依次进行的步骤,其特征是:
a.设置标定光源时,光源选用发光二极管,光源发出的光斑由至少4个光斑单元组成,光斑单元以围绕一个中心点呈中心对称分布的方式组合成光斑,光斑单元的形状为轴对称或中心对称的封闭图形;
b.拍摄标定图片时,调整好摄像头镜头的位置和焦距,连续拍摄N张标定光源的图片,N为正整数且N≥5;
c.图像预处理时,先对所拍摄的光源图片实施平均滤波处理,步骤如下:对连续拍摄的N张照片上相同位置的像素点的N个像素值作算术平均值,以此算术平均值作为滤波所得图像上该位置的像素点的像素值;
再对滤波所得图像实施二值化操作,步骤如下:设初始阈值为tk,tk∈(0,255),分别计算滤波所得图像所有像素点中目标点的平均灰度tO和背景点的平均灰度tB,目标点指灰度值不小于阈值的像素点,背景点指灰度值小于阈值的像素点,计算tO和tB的平均值得到tk+1;将每次迭代得到的tk+1和tk进行比较判断,若tk+1=tk,则迭代结束;否则用tk+1替换tk,重新进行迭代运算,直至满足迭代结束条件为止;确定最佳阈值后,将所有灰度不小于最佳阈值的像素点的灰度置为255,其余像素点的灰度置为0,从而将灰度图像转化为全黑白图像;
d.边界提取时,对二值化操作后的图像进行图像形态学的腐蚀操作,步骤如下:用3×3的结构元素扫描图像的每一个像素点,用结构元素和被结构元素覆盖的二值图像做与运算,如果都为1则图像的该像素为1,否则为0;然后再和原来的图像做减法,即将原图像每个像素点的像素值和经腐蚀后图像每个像素点的像素值进行异或运算,若灰度值相同,则置为0,若灰度值不同,则置为255,从而提取图像标的物的边界;
e.边界识别时,设需要识别的几何边界数为n,创建一个数组head[n],数组存放的元素为识别出的边界的起始点信息,另创建一个数组leng[n],用来存放对应的边界周长,对整幅图像从下到上,从左至右逐行扫描,以扫描到的符合边界条件的目标点为边界起始点,利用深度优先搜索算法,沿该点进行识别搜索,若为满足长度的闭合边界,即长度为[8,20]区间内的正整数,则将起始点信息存入数组head[n]中,将周长信息存入数组leng[n]中,否则将该闭合边界所有像素点的灰度值全部置为0并继续搜索下一个边界点,每搜索到一个闭合边界,首先确认数组head[n]是否已满,若未满,则将搜索到的起始边界点插入数组head[n]中;若已满,则比较周长,若大于数组leng[n]中任意元素的周长,则将对应的周长信息插入数组leng[n],并删除数组leng[n]中周长最小的元素,释放对应边界点数据信息,继续搜索下一个边界点,直至遍历整幅图像;
f.计算标定值时,利用最小二乘法对识别出的各边界分别进行迭代拟合,剔除误差较大的点,误差界限为各边界点到标准圆心的距离与标准半径之间的平方差的绝对值不超过标准半径的倍,获得较精确的边界数据点,将计算出的各边界中心点数据及间距分别和标准值作对比,并进行平均,即得到传感器灵敏度的标定值。
2.如权利要求1所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a.设置标定光源时,光斑单元的形状为圆形、矩形、十字形和等腰直角三角形中的任意一种。
3.如权利要求1所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a.设置标定光源时,光斑单元为4个全等的圆形,4个光斑单元的圆心排列成正方形。
4.如权利要求1所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a.设置标定光源时,光斑单元为7个圆形,其中1个光斑单元设于中心位置,其余6个光斑单元全等且围绕中心的光斑单元平均分布。
5.如权利要求1至4中任意一项所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:b.拍摄标定图片时,N取10。
6.如权利要求3或4所述的结构变形检测图像传感器灵敏度自动标定方法,其特征是:a.设置标定光源时,光斑由在光源发光面上罩以开有通孔的灯罩形成,灯罩通孔边缘处的圆度精度在0.1mm之内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210200868.7A CN102799887B (zh) | 2012-06-19 | 2012-06-19 | 结构变形检测图像传感器灵敏度自动标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210200868.7A CN102799887B (zh) | 2012-06-19 | 2012-06-19 | 结构变形检测图像传感器灵敏度自动标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102799887A CN102799887A (zh) | 2012-11-28 |
CN102799887B true CN102799887B (zh) | 2015-09-02 |
Family
ID=47198986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210200868.7A Active CN102799887B (zh) | 2012-06-19 | 2012-06-19 | 结构变形检测图像传感器灵敏度自动标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102799887B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103676328B (zh) * | 2013-12-20 | 2016-08-17 | 深圳市华星光电技术有限公司 | 配向膜的边界获取方法及检测方法 |
US9305342B2 (en) | 2013-12-20 | 2016-04-05 | Shenzhen China Star Optoelectronics Technology Co., Ltd | Method for acquiring a boundary line of an alignment film and method for inspecting the alignment film |
CN104463888A (zh) * | 2014-12-19 | 2015-03-25 | 中国科学院武汉岩土力学研究所 | 裂缝宽度变化监测装置及其方法 |
WO2018027527A1 (zh) * | 2016-08-09 | 2018-02-15 | 深圳市瑞立视多媒体科技有限公司 | 一种光学系统成像质量的检测方法和装置 |
CN109960758A (zh) * | 2019-03-12 | 2019-07-02 | 北京三快在线科技有限公司 | 中奖信息推送方法、装置及电子设备 |
CN112288785B (zh) * | 2020-10-29 | 2022-07-15 | 中国科学院长春光学精密机械与物理研究所 | 子孔径扫描平场定标的数据处理方法、系统和存储介质 |
CN114001696B (zh) * | 2021-12-31 | 2022-04-12 | 杭州思看科技有限公司 | 三维扫描系统、工作精度监控方法及三维扫描平台 |
CN115096756B (zh) * | 2022-07-27 | 2022-11-22 | 浙江双元科技股份有限公司 | 一种自标定面密度检测仪及其标定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101015917A (zh) * | 2007-03-08 | 2007-08-15 | 上海交通大学 | 焊接机器人多功能双目视觉传感器及其标定方法 |
CN101291427A (zh) * | 2007-11-30 | 2008-10-22 | 汤一平 | 基于全方位视觉传感器的立体化智能摄像设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9066072B2 (en) * | 2010-07-20 | 2015-06-23 | Semiconductor Components Industries, Llc | Systems and methods for calibrating image sensors |
-
2012
- 2012-06-19 CN CN201210200868.7A patent/CN102799887B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101015917A (zh) * | 2007-03-08 | 2007-08-15 | 上海交通大学 | 焊接机器人多功能双目视觉传感器及其标定方法 |
CN101291427A (zh) * | 2007-11-30 | 2008-10-22 | 汤一平 | 基于全方位视觉传感器的立体化智能摄像设备 |
Non-Patent Citations (1)
Title |
---|
基于图像传感器的圆心定位技术实用化研究;赵炯等;《传感器与微系统》;20111031;第30卷(第10期);4-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102799887A (zh) | 2012-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102799887B (zh) | 结构变形检测图像传感器灵敏度自动标定方法 | |
CN109997170B (zh) | 用于从视图中获得距离信息的设备和方法 | |
CN106949848B (zh) | 一种高精度激光3d轮廓手机结构件检测方法 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN105279756B (zh) | 基于自适应区域分割的缺口圆弧零件尺寸视觉检测方法 | |
CN106683137B (zh) | 基于人工标志的单目多目标识别与定位方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
US10861173B2 (en) | Hole-based 3D point data alignment | |
CN107358628B (zh) | 基于靶标的线阵图像处理方法 | |
US11694433B2 (en) | Detection of projected infrared patterns using difference of Gaussian and blob identification | |
CN106651959A (zh) | 一种光场相机微透镜阵列几何参数的标定方法 | |
CN105701776B (zh) | 一种用于自动光学检测的镜头畸变矫正方法及系统 | |
CN116250017A (zh) | 用于使用结构化光直接恢复场景中的平面表面的系统、方法和介质 | |
US9204130B2 (en) | Method and system for creating a three dimensional representation of an object | |
CN109308714A (zh) | 基于分类惩罚的摄像头和激光雷达信息配准方法 | |
CN106530315B (zh) | 中小型物体全角度下目标提取系统及方法 | |
CN103743750A (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
CN117496401A (zh) | 一种用于视频测量影像序列椭圆形目标点全自动识别与跟踪方法 | |
CN115790539B (zh) | 一种合作靶标水下摄影测量方法 | |
KR101733028B1 (ko) | 영상대조에 따른 에지 변위량 예측 방법 | |
CN103955929B (zh) | 图像局部边缘模式与非边缘模式判断方法及判断装置 | |
CN105741268B (zh) | 一种基于彩色图块及其拓扑关系的视觉定位方法 | |
CN102799865B (zh) | 基于图像边界极坐标化离散序列的角度识别方法 |
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 |