CN104104945B - 星空图像坏点鲁棒检测方法 - Google Patents
星空图像坏点鲁棒检测方法 Download PDFInfo
- Publication number
- CN104104945B CN104104945B CN201410349227.7A CN201410349227A CN104104945B CN 104104945 B CN104104945 B CN 104104945B CN 201410349227 A CN201410349227 A CN 201410349227A CN 104104945 B CN104104945 B CN 104104945B
- Authority
- CN
- China
- Prior art keywords
- prime
- pixel
- image
- bad point
- statistics
- 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)
- Image Processing (AREA)
Abstract
本发明公开了一种星空图像坏点鲁棒检测方法,用于解决现有图像坏点检测方法局限性大的技术问题。技术方案是充分考虑星空图像的特性和坏点在图像像素统计中的特性,利用星空图像局部区域统计稳定的特性、中值统计量和平均绝对离差统计量等鲁棒统计量排除样本中的外点对统计量估计的干扰,并将外点位置的像素当做局部像素的统计外点,设计基于统计外点检测思想的统计方法,并利用连续序列图像中充分的样本对每个位置进行判断从而检测出图像中外点。该方法参数少且统计意义明确,易于根据具体应用调整,并且适用于不同程度坏点的检测。
Description
技术领域
本发明涉及一种图像坏点检测方法,特别是涉及一种星空图像坏点鲁棒检测方法。
背景技术
图像中的坏点通常由相机成像元件损坏造成,表现为对输入信号不敏感、响应高于或低于平均响应的像素点。对坏点的检测对于成像系统状态评估和图像处理有重要意义。
现有的图像坏点检测方法主要依赖于成像器件在特定条件下曝光的图像。
文献“授权公告号是CN101715050B的中国发明专利”公开了一种图像坏点检测方法。该方法提出一种利用图像传感器在黑暗环境下获得一张零曝光图像或者在绝对均匀光照下对不同颜色的单色板成像获取均匀曝光图像,并利用其中的零曝光区域得到一个阈值范围,然后将图像中像素值超出该范围的像素点判定为坏点,如。这类坏点检测的成果主要依赖于选取的成像环境,并且依赖于外界提供的专用的实验环境。这类方法依赖于外界器材辅助检测出由于成像传感器损坏造成的图像坏点。
但在实际应用中,尤其是天文观测中对星空背景进行成像时,随着成像传感器的使用并不断遭受外界环境的影响,图像中坏点数目不断增加,且由于传感器部件受损程度不同,图像中的不同坏点特性不同,并且随着时间的变化而变化。同时很多情况下,传感器的工作环境不允许直接对其进行检测,并且难以使用特殊成像实验条件对成像器件进行检测。对于星空图像,如果无法准确检测处于不同损坏状态的坏点像素,对于成像传感器状态便无法准确评估。
发明内容
为了克服现有图像坏点检测方法局限性大的不足,本发明提供一种星空图像坏点鲁棒检测方法。该方法充分考虑星空图像的特性和坏点在图像像素统计中的特性,利用星空图像局部区域统计稳定的特性、中值统计量和平均绝对离差统计量等鲁棒统计量排除样本中的外点对统计量估计的干扰,并将外点位置的像素当做局部像素的统计外点,设计基于统计外点检测思想的统计方法,并利用连续序列图像中充分的样本对每个位置进行判断从而检测出图像中外点。该方法参数少且统计意义明确,易于根据具体应用调整,并且适用于不同程度坏点的检测。
本发明解决其技术问题所采用的技术方案是:一种星空图像坏点鲁棒检测方法,其特点是包括以下步骤:
步骤一、首先在多帧图像序列SI={I1,I2,...,It,...IT}中随机选取一帧图像IR作为参考图像,其中t=1,...,T,T表示序列中图像帧数,It表示任一帧图像。对于该单帧参考星空图像IR,利用阈值对星空图像进行二值化分割,即根据像素值是否大于阈值εbw而进行分割,图像It中(i,j)处像素点灰度值为且有1≤i≤h,1≤j≤w,图像中像素灰度值满足的像素被分割为星点光斑区域,而满足的像素点分割为背景区域。通过对星图数据进行鲁棒统计得到分割阈值
εbw=μbw+δbwσbw(1)
其中,μbw为图像灰度中值,σbw为图像平均绝对偏差δbw为阈值参数,δbw=6。
利用二值化图像对星体区域进行剔除,得到星空图像背景像素点集合其中iB=1,...,NB,表示背景像素集合中的单个像素值,NB表示背景像素点集合中的像素个数,该数目与二值化分割结果相关;利用剩余的背景像素对星空图像背景噪声程度进行鲁棒估计,对B计算统计中值得到背景灰度统计中值μB,并计算B的平均绝对离差这两个值将作为后续坏点检测的参数。
步骤二、对星空图像中的坏点位置进行检测。该过程是一个滑动窗口的过程,以每个位置的多帧中像素点及其在多帧中的邻域内像素点进行鲁棒统计外点检测,通过判断该像素点是否为外点进而判断该点是否为图像中的坏点。首先人工设定一个局部选取尺寸参数值为d,以此参数对原图像序列SI={I1,I2,...,It,...IT}进行边缘扩展得到扩展图像集合其中t=1,...,T,T表示序列中图像帧数,为原图像It边缘扩展后得到扩展后图像,即若原图像It为
其中,h为图像高度,w为图像宽度,xi,j为图像中的像素,有1≤i≤h,1≤j≤w。扩展后的对应图像为
其中,扩展部分看作是对原图像以边缘进行镜面对称扩展的结果。扩展后图像的高度为h+2d,宽度为w+2d。用(i′,j′)表示扩展后图像的序号,有1≤i′≤(h+2d)与1≤j′≤(w+2d),中位于(i′,j′)处的像素为根据镜面对称扩展关系,中像素与It中像素对应关系表示为:
中对应于原图像的It中的像素为满足d+1≤i′≤h+d,d+1≤j′≤w+d范围内的像素。
通过对图像进行扫描检测坏点,具体过程为:
(a)对于对d+1≤i′≤h+d且1+d≤j′≤w+d范围内的像素进行检测,即对对应于原图像中像素的位置的像素进行扫描。对于任意位置(i′,j′)处的像素,在每帧中以相同位置为中心各选取一个长宽大小均为d′=2×d+1的正方形局部图像块,得到一个局部图像块序列 对序列中图像(i′,j′)处的像素是否为坏点的判断将依据中的数据。
(b)对中心位置(i′,j′)处像素统计特性进行鲁棒估计。 中的每个局部图像块中的中心像素值,即位于每个扩展图像中(i′,j′)处或每个原图像It中(i′-d,j′-d)位置处的像素值,组成的序列 其中为图像块中心像素值,即扩展后图像中(i′,j′)处的像素值。对像素集合计算统计中值得到中心点像素的统计中值μ(i′,j′),并计算的平均绝对离差这两个值作为通过多帧数据鲁棒统计得到的(i′,j′)处的像素统计特性。
(c)基于对中心位置(i′,j′邻域像素统计特性进行鲁棒估计。 中每个局部图像块包含d′×d′个像素,除去中心像素之后中所有像素个数为T′=d′×d′×T-T,这些像素组成像素集合 其中表示中序号为t′的像素值,序号t′满足1≤t′≤T′。对中样本计算统计中值得到邻域像素的统计中值并计算的平均绝对离差这两个值作为(i′,j′)处领域的像素统计特性。
(d)根据已经估计得到的(i′,j′)处与邻域的像素值统计特性,基于统计外点检测方法判定(i′,j′)像素是否为坏点。μ(i′,j′)与σ(i′,j′)表示(i′,j′)处像素的统计量,而与表示(i′,j′)处领域像素的统计量,表示局部与内容相关的像素值的鲁棒统计量。为了判断(i′,j′)处像素是否为坏点,首先通过经验阈值对该位置像素统计量进行判断,若满足:
μ(i′,j′)∈[α,β](5)
与
表示该位置处的多帧中的像素点亮度不满足坏点具有的——亮度过亮或过暗且相邻多帧中同一位置处像素值一致性好——的特性,该点不被判断为坏点,其中α表示过暗坏点的亮度上限,β分别过亮坏点的亮度下限,表示多帧稳定的坏点像素的平均绝对离差的上限。利用步骤(a)中计算得到背景像素的统计值对参数进行赋值,
α=μB+θ1σB,β=μB-θ2σB,θ1、θ2和θ3为根据经验给与的控制参数。
若以上条件不满足,基于公式(7)判断(i′,j′)处像素是否为不符合局部观测像素值分布的统计外点:
其中,λ为置信度控制参数。若该条件满足,则(i′,j′)处像素被判定为不符合局部像素分布特性的统计外点,被判定为坏点。
对中每个位置的像素重复以上的步骤(a)、步骤(b)和步骤(c),对每个位置处的像素进行判断。由于为SI的镜面对称边缘扩展版本,在中检测得到坏点的位置(i′,j′)转换到原始图像中,位置为(i′-d,j′-d),d为镜面扩展参数。
对图像序列SI进行坏点检测得到其中iD=1,...,ND,表示坏点集合中的单个坏点位置,ND表示坏点集合中的坏点个数。ND用来衡量图像传感器在当前情况下质量状态和工作情况。
本发明的有益效果是:该方法充分考虑星空图像的特性和坏点在图像像素统计中的特性,利用星空图像局部区域统计稳定的特性、中值统计量和平均绝对离差统计量等鲁棒统计量排除样本中的外点对统计量估计的干扰,并将外点位置的像素当做局部像素的统计外点,设计基于统计外点检测思想的统计方法,并利用连续序列图像中充分的样本对每个位置进行判断从而检测出图像中外点。该方法参数少且统计意义明确,易于根据具体应用调整,并且适用于不同程度坏点的检测。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明星空图像坏点鲁棒检测方法具体步骤如下:
1.星空图像背景噪声程度估计。
首先在多帧图像序列SI={I1,I2,...,It,...IT}中随机选取一帧图像IR作为参考图像,其中t=1,...,T,T表示序列中图像帧数,It表示任一帧图像,图像高度为h,图像宽度为w。对于该单帧参考星空图像IR,利用阈值对星空图像进行二值化分割,即根据像素值是否大于阈值εbw而进行分割,图像It中(i,j)处像素点灰度值为且有1≤i≤h,1≤j≤w,图像中像素灰度值满足的像素被分割为星点光斑区域,而满足的像素点分割为背景区域。通过对星图数据进行鲁棒统计得到分割阈值
εbw=μbw+δbwσbw(1)
其中μbw为图像灰度中值,σbw为图像平均绝对偏差δbw为阈值参数,本实施例取为δbw=6。
利用二值化图像对星体区域进行剔除,得到星空图像背景像素点集合其中iB=1,...,NB,表示背景像素集合中的单个像素值,NB表示背景像素点集合中的像素个数,该数目与二值化分割结果相关;利用剩余的背景像素对星空图像背景噪声程度进行鲁棒估计,对B计算统计中值得到背景灰度统计中值μB,并计算B的平均绝对离差这两个值将作为后续坏点检测的参数。
2.通过坏点检测技术对星空图像中的坏点位置进行检测。
该过程是一个滑动窗口的过程,以每个位置的多帧中像素点及其在多帧中的邻域内像素点进行鲁棒统计外点检测,通过判断该像素点是否为外点进而判断该点是否为图像中的坏点。首先人工设定一个局部选取尺寸参数值为d,本发明中设为d=1,以此参数对原图像序列SI={I1,I2,...,It,...IT}进行边缘扩展得到扩展图像集合其中t=1,...,T,T表示序列中图像帧数,为原图像It边缘扩展后得到扩展后图像,即若原图像It为:
其中h为图像高度,w为图像宽度,xi,j为图像中的像素,有1≤i≤h,1≤j≤w。扩展后的对应图像为
其中,扩展部分看作是对原图像以边缘进行镜面对称扩展的结果。扩展后图像的高度为h+2d,宽度为w+2d。用(i′,j′)表示扩展后图像的序号,有1≤i′≤(h+2d)与1≤j′≤(w+2d),中位于(i′,j′)处的像素为根据镜面对称扩展关系,中像素与It中像素对应关系可以表示为:
中对应于原图像的It中的像素为满足d+1≤i′≤h+d与d+1≤j′≤w+d范围内的像素。
通过对图像进行扫描检测坏点,具体过程为:
(a)对于对d+1≤i′≤h+d且1+d≤j′≤w+d范围内的像素进行检测,即对对应于原图像中像素的位置的像素进行扫描。对于任意位置(i′,j′)处的像素,在每帧中以相同位置为中心各选取一个长宽大小均为d′=2d+1的正方形局部图像块,得到一个局部图像块序列 对(i′,j′)的像素是否为坏点的判断将依据中的数据。
(b)对中心位置(i′,j′处像素统计特性进行鲁棒估计。 中的每个局部图像块中的中心像素值,即位于每个扩展图像中(i′,j′)处或每个原图像It中(i′-d,j′-d)位置处的像素值,组成的序列 其中为图像块中心像素值,即扩展后图像中(i′,j′)处的像素值。对像素集合计算统计中值得到中心点像素的统计中值μ(i′,j′),并计算的平均绝对离差这两个值作为通过多帧数据鲁棒统计得到的(i′,j′)处的像素统计特性。
(c)基于对中心位置(i′,j′)邻域像素统计特性进行鲁棒估计。 中每个局部图像块包含d′×d′个像素,除去中心像素之后中所有像素个数为T′=d′×d′×T-T,这些像素组成像素集合 其中表示中序号为t′的像素值,序号t′满足1≤t′≤T′。对中样本计算统计中值得到邻域像素的统计中值并计算的平均绝对离差这两个值作为(i′,j′)处领域的像素统计特性。
(d)根据已经估计得到的(i′,j′)处与邻域的像素值统计特性,基于统计外点检测方法判定(i′,j′)像素是否为坏点。μ(i′,j′)与σ(i′,j′)表示(i′,j′)处像素的统计量,而与表示(i′,j′)处领域像素的统计量,表示局部与内容相关的像素值的鲁棒统计量。为了判断(i′,j′)处像素是否为坏点,首先通过根据人工给予的经验阈值对该位置像素统计量进行判断,若满足:
μ(i′,j′)∈[α,β](5)
与
表示该位置处的多帧中的像素点亮度不满足坏点具有的——亮度过亮或过暗且相邻多帧中同一位置处像素值一致性好——的特性,该点不被判断为坏点,其中α表示过暗坏点的亮度上限,β分别过亮坏点的亮度下限,表示多帧稳定的坏点像素的平均绝对离差的上限,本发明中,利用步骤(a)中计算得到背景像素的统计值对参数进行赋值,α=μB+θ1σB,β=μB-θ2σB,θ1、θ2和θ3为根据经验给与的控制参数,本实施例中θ1=3.5,θ2=7,θ3=15。
若以上条件不满足,可以基于以下公式判断(i′,j′)处像素是否为不符合局部观测像素值的分布的统计外点:
其中,λ为置信度控制参数,本发明设置为λ=6。若该条件满足,则(i′,j′)处像素被判定为不符合局部像素分布特性的统计外点,被判定为坏点。
对中每个位置的像素重复以上的步骤(a)、步骤(b)和步骤(c),可以对每个位置处的像素进行判断。由于为SI的镜面对称边缘扩展版本,在中检测得到坏点的位置(i′,j′)转换到原始图像中,位置应为(i′-d,j′-d),其中d为镜面扩展参数。
对图像序列SI进行坏点检测得到其中iD=1,...,ND,表示坏点集合中的单个坏点位置,ND表示坏点集合中的坏点个数。ND可以用来衡量图像传感器在当前情况下质量状态和工作情况。
Claims (1)
1.一种星空图像坏点鲁棒检测方法,其特征在于包括以下步骤:
步骤一、首先在多帧图像序列SI={I1,I2,...,It,...IT}中随机选取一帧图像IR作为参考图像,其中t=1,...,T,T表示序列中图像帧数,It表示任一帧图像;对于该单帧参考星空图像IR,利用阈值对星空图像进行二值化分割,即根据像素值是否大于阈值εbw而进行分割,图像It中(i,j)处像素点灰度值为且有1≤i≤h,1≤j≤w,图像中像素灰度值满足的像素被分割为星点光斑区域,而满足的像素点分割为背景区域;通过对星图数据进行鲁棒统计得到分割阈值
εbw=μbw+δbwσbw(1)
其中,μbw为图像灰度中值,σbw为图像平均绝对偏差为阈值参数,δbw=6;
利用二值化图像对星体区域进行剔除,得到星空图像背景像素点集合其中表示背景像素集合中的单个像素值,NB表示背景像素点集合中的像素个数,该像素个数与二值化分割结果相关;利用剩余的背景像素对星空图像背景噪声程度进行鲁棒估计,对B计算统计中值得到背景灰度统计中值μB,并计算B的平均绝对离差这两个值将作为后续坏点检测的参数;
步骤二、对星空图像中的坏点位置进行检测;该检测过程是一个滑动窗口的过程,以每个位置的多帧中像素点及其在多帧中的邻域内像素点进行鲁棒统计外点检测,通过判断该像素点是否为外点进而判断该点是否为图像中的坏点;首先人工设定一个局部选取尺寸参数值为d,以此参数对原图像序列SI={I1,I2,...,It,...IT}进行边缘扩展得到扩展图像集合其中t=1,...,T,T表示序列中图像帧数,为原图像It边缘扩展后得到扩展后图像,即若原图像It为
其中,h为图像高度,w为图像宽度,xi,j为图像中的像素,有扩展后的对应图像为
其中,扩展部分看作是对原图像以边缘进行镜面对称扩展的结果;扩展后图像的高度为h+2d,宽度为w+2d;用(i′,j′)表示扩展后图像的序号,有1≤i′≤(h+2d)与1≤j′≤(w+2d),中位于(i′,j′)处的像素为根据镜面对称扩展关系,中像素与It中像素对应关系表示为:
中对应于原图像的It中的像素为满足d+1≤i′≤h+d,d+1≤j′≤w+d范围内的像素;
通过对图像进行扫描检测坏点,具体过程为:
(a)对于对d+1≤i′≤h+d且1+d≤j′≤w+d范围内的像素进行检测,即对对应于原图像中像素的位置的像素进行扫描;对于任意位置(i′,j′)处的像素,在每帧中以相同位置为中心各选取一个长宽大小均为d′=2×d+1的正方形局部图像块,得到一个局部图像块序列对序列中图像(i′,j′)处的像素是否为坏点的判断将依据中的数据;
(b)对中心位置(i′,j′)处像素统计特性进行鲁棒估计;中的每个局部图像块中的中心像素值,即位于每个扩展图像中(i′,j′)处或每个原图像It中(i′-d,j′-d)位置处的像素值,组成的序列 其中为图像块中心像素值,即扩展后图像中(i′,j′)处的像素值;对像素集合计算统计中值得到中心点像素的统计中值μ(i′,j′),并计算的平均绝对离差这两个值作为通过多帧数据鲁棒统计得到的(i′,j′)处的像素统计特性;
(c)基于对中心位置(i′,j′)邻域像素统计特性进行鲁棒估计;中每个局部图像块包含d′×d′个像素,除去中心像素之后中所有像素个数为T′=d′×d′×T-T,这些像素组成像素集合 其中表示中序号为t′的像素值,序号t′满足1≤t′≤T′;对中样本计算统计中值得到邻域像素的统计中值并计算的平均绝对离差这两个值作为(i′,j′)处邻域的像素统计特性;
(d)根据已经估计得到的(i′,j′)处与邻域的像素值统计特性,基于统计外点检测方法判定(i′,j′)像素是否为坏点;μ(i′,j′)与σ(i′,j′)表示(i′,j′)处像素的统计量,而与表示(i′,j′)处邻域像素的统计量,表示局部与内容相关的像素值的鲁棒统计量;为了判断(i′,j′)处像素是否为坏点,首先通过经验阈值对该位置像素统计量进行判断,若满足:
μ(i′,j′)∈[α,β](5)
与
表示该位置处的多帧中的像素点亮度不满足坏点具有的——亮度过亮或过暗且相邻多帧中同一位置处像素值一致性好——的特性,该点不被判断为坏点,其中α表示过暗坏点的亮度上限,β分别过亮坏点的亮度下限,表示多帧稳定的坏点像素的平均绝对离差的上限;利用步骤(a)中计算得到背景像素的统计值对参数进行赋值,α=μB+θ1σB,β=μB-θ2σB,θ1、θ2和θ3为根据经验给与的控制参数;
若以上条件不满足,基于公式(7)判断(i′,j′)处像素是否为不符合局部观测像素值分布的统计外点:
其中,λ为置信度控制参数;若该条件满足,则(i′,j′)处像素被判定为不符合局部像素分布特性的统计外点,被判定为坏点;
对中每个位置的像素重复以上的步骤(a)、步骤(b)和步骤(c),对每个位置处的像素进行判断;由于为SI的镜面对称边缘扩展版本,在中检测得到坏点的位置(i′,j′)转换到原始图像中,位置为(i′-d,j′-d),d为镜面扩展参数;
对图像序列SI进行坏点检测得到其中表示坏点集合中的单个坏点位置,ND表示坏点集合中的坏点个数;ND用来衡量图像传感器在当前情况下质量状态和工作情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410349227.7A CN104104945B (zh) | 2014-07-22 | 2014-07-22 | 星空图像坏点鲁棒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410349227.7A CN104104945B (zh) | 2014-07-22 | 2014-07-22 | 星空图像坏点鲁棒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104104945A CN104104945A (zh) | 2014-10-15 |
CN104104945B true CN104104945B (zh) | 2015-12-09 |
Family
ID=51672705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410349227.7A Active CN104104945B (zh) | 2014-07-22 | 2014-07-22 | 星空图像坏点鲁棒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104104945B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476750B (zh) * | 2019-01-04 | 2023-09-26 | 宁波舜宇光电信息有限公司 | 对成像模组进行污点检测的方法、装置、系统及存储介质 |
CN113532801A (zh) * | 2021-06-24 | 2021-10-22 | 四川九洲电器集团有限责任公司 | 基于分布分位数的高/多光谱相机坏点检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007075065A1 (en) * | 2005-12-29 | 2007-07-05 | Mtekvision Co., Ltd. | Device of processing dead pixel |
CN101212703A (zh) * | 2006-12-29 | 2008-07-02 | 华晶科技股份有限公司 | 影像坏点像素实时检测方法 |
CN101299799A (zh) * | 2008-06-13 | 2008-11-05 | 北京中星微电子有限公司 | 图像检测、修复方法和图像检测、修复装置 |
CN102957878A (zh) * | 2011-08-29 | 2013-03-06 | 深圳市蓝韵实业有限公司 | 医学图像坏点自动检测方法及系统 |
CN103218779A (zh) * | 2013-03-26 | 2013-07-24 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
-
2014
- 2014-07-22 CN CN201410349227.7A patent/CN104104945B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007075065A1 (en) * | 2005-12-29 | 2007-07-05 | Mtekvision Co., Ltd. | Device of processing dead pixel |
CN101212703A (zh) * | 2006-12-29 | 2008-07-02 | 华晶科技股份有限公司 | 影像坏点像素实时检测方法 |
CN101299799A (zh) * | 2008-06-13 | 2008-11-05 | 北京中星微电子有限公司 | 图像检测、修复方法和图像检测、修复装置 |
CN102957878A (zh) * | 2011-08-29 | 2013-03-06 | 深圳市蓝韵实业有限公司 | 医学图像坏点自动检测方法及系统 |
CN103218779A (zh) * | 2013-03-26 | 2013-07-24 | 华东师范大学 | 一种干涉成像光谱仪的高光谱数据坏点检测与修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104104945A (zh) | 2014-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105931220B (zh) | 基于暗通道先验与最小图像熵的交通雾霾能见度检测方法 | |
CN109345528B (zh) | 一种基于人眼视觉特性的显示屏缺陷检测方法及装置 | |
CN103994724B (zh) | 基于数字图像处理技术的结构二维位移及应变监测方法 | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN106851264B (zh) | 摄像模组镜头表面检测方法及装置 | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
WO2017063299A1 (zh) | 一种对比度调整方法及装置 | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN107240079A (zh) | 一种基于图像处理的路面裂缝检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN105868745B (zh) | 基于动态场景感知的天气识别方法 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
KR101913876B1 (ko) | 이미지처리방법과 장치 | |
CN101408985A (zh) | 一种圆形光斑亚像素中心提取方法及装置 | |
CN101980293A (zh) | 一种基于刃边图像的高光谱遥感系统mtf检测方法 | |
CN102819850A (zh) | 基于局部自适应色差阈值的彩色图像边缘检测的方法 | |
CN101615241B (zh) | 一种证件照片的筛选方法 | |
CN101561932A (zh) | 一种动态复杂背景下的实时运动目标检测方法和装置 | |
CN105828065A (zh) | 一种视频画面过曝检测方法及装置 | |
CN111145120A (zh) | 能见度检测方法、装置、计算机设备和存储介质 | |
Jing et al. | Pavement crack distress detection based on image analysis | |
CN104732525A (zh) | 结合像素间距法视觉显著性的显微图像清晰度评价方法 | |
CN101739549A (zh) | 人脸检测方法及系统 | |
CN106709952B (zh) | 一种显示屏幕的自动标定方法 | |
Kropp et al. | Drywall state detection in image data for automatic indoor progress monitoring |
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 |