CN105069793B - 一种异频架构下的李沙育图形翻转周期精确检测方法 - Google Patents
一种异频架构下的李沙育图形翻转周期精确检测方法 Download PDFInfo
- Publication number
- CN105069793B CN105069793B CN201510485838.9A CN201510485838A CN105069793B CN 105069793 B CN105069793 B CN 105069793B CN 201510485838 A CN201510485838 A CN 201510485838A CN 105069793 B CN105069793 B CN 105069793B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- mtr
- msub
- frame
- 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
- 238000001514 detection method Methods 0.000 title abstract description 5
- 239000004576 sand Substances 0.000 claims description 36
- 230000007306 turnover Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 241000287196 Asthenes Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 239000003550 marker Substances 0.000 abstract 3
- 230000001488 breeding effect Effects 0.000 description 6
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种频架构下的李沙育图形翻转周期精确检测方法，包括以下步骤：A：将被测信号和标准信号同时输入数字示波器产生动态李沙育图形；B：利用高分辨率摄像机对准动态李沙育图形进行摄像，实时采集李沙育图形的每一帧图像并记录李沙育图形视频；C：将李沙育图形视频中重合程度最大的帧设为翻转周期的标记帧，第i个标记帧与第i+2个标记帧之间的时间间隔即为李沙育图形的翻转周期，i为任意自然数；D：根据步骤C中得到的李沙育图形的翻转周期，利用最小二乘算法得到李沙育图形的精确翻转周期。本发明能够精确快速的确定异频架构下的李沙育图形翻转周期，具有计算量小、计算结果稳定可靠的优点。
Description
技术领域
本发明涉及一种李沙育图形翻转周期检测方法，尤其涉及一种异频架构下的李沙育图形翻转周期精确检测方法。
背景技术
李沙育图形，也称为李萨如图形，是将被测频率的信号和频率已知的标准信号分别加至示波器的Y轴输入端和x轴输入端，在示波器显示屏上将出现一个合成图形。示波器的李沙育图形，广泛应用于频率和相位测量领域。而针对异频架构下的李沙育图形翻转周期，目前并无合适的检测方法，而通过研究人员的主观判断则存在着检测精确度低，确定速度慢，计算量大的缺点。
发明内容
本发明的目的是提供一种异频架构下的李沙育图形翻转周期精确检测方法，能够精确快速的确定异频架构下的李沙育图形翻转周期，具有计算量小、计算结果稳定可靠的优点。
本发明采用下述技术方案：
一种频架构下的李沙育图形翻转周期精确检测方法，包括以下步骤：
A：将被测信号和标准信号同时输入数字示波器，利用数字示波器产生动态李沙育图形；
B：利用高分辨率摄像机对准动态李沙育图形进行摄像，实时采集李沙育图形的每一帧图像并记录李沙育图形视频；
C：将李沙育图形视频中重合程度最大的帧设为翻转周期的标记帧，第i个标记帧与第i+2个标记帧之间的时间间隔即为李沙育图形的翻转周期，i为任意自然数；
D：根据步骤C中得到的李沙育图形的翻转周期，利用最小二乘算法得到李沙育图形的精确翻转周期。
所述的步骤C包括以下步骤：
C1：对于李沙育图形视频中的第i帧Fi(m,n)，m和n分别表示第i帧图像的行和列；忽略第i帧Fi(m,n)中的色彩和饱和度信息，只保留亮度信息，并将亮度信息转变为具有256个灰度级的灰度图像I(m,n)；
C2：对灰度图像I(m,n)进行分割得到二值图像J(m,n)：
其中，Threshold为阈值，阈值依据图像采集质量进行设定；
C3：将二值图像J(m,n)中位于李沙育图形上的像素和背景上的像素分别用1和0表示，则二值图像J(m,n)的归一化面积为
其中，NAi表示第i帧图像的归一化面积，M×K表示李沙育图形视频的分辨率；
C4：对李沙育图形视频中所有的帧均进行步骤C1至步骤C3的处理，得到归一化面积实验曲线NA(i)，1≤i≤NOF，其中NOF表示李沙育图形视频中的帧数；
C5：将归一化面积实验曲线NA(i)所产生的重合程度最大的帧设为翻转周期的标记帧，第i个标记帧与第i+2个标记帧之间的时间间隔即为李沙育图形的翻转周期，i为任意自然数；
设某段李沙育图形视频中总共有N个标记帧，第l个标记帧为李沙育图形视频中的第kl帧，则可以得到N-2个周期值，那么第p个翻转周期值为：
其中，τp为第p个翻转周期值，kp+2为第p+2个标记帧，kp为第p个标记帧，FR为李沙育图形视频的帧率。
所述的步骤D包括以下步骤：
D1：设李沙育图形的精确翻转周期为则有
其中，vp表示是指第p个翻转周期的瞬时翻转周期偏差；
D2：将步骤D1中求得的vp改写成矩阵形式，得
其中，
D3：由于τp不相关且精度相同，因此按照最小二乘准则，使VTV最小化，其中VT表示翻转周期偏差矩阵转置，V表示是翻转周期偏差矩阵，T表示翻转周期偏差矩阵的转置；然后，将VTV中的取一阶导数，并令该一阶导数为0，得：
将式(4)带入式(6)可得：
最终得到李沙育图形的精确翻转周期为
所述的步骤A中，高分辨率摄像机是指分辨率大于1000万像素的摄像机。
本发明首先利用数字示波器将被测信号和标准信号生成动态李沙育图形，然后通过高分辨率摄像机实时采集李沙育图形的每一帧图像并记录李沙育图形视频，将李沙育图形视频中重合程度最大的帧设为翻转周期的标记帧，并确定第i个(i为任意自然数)标记帧与第i+2个标记帧之间的时间间隔即为李沙育图形的翻转周期，最终利用最小二乘算法得到李沙育图形的精确翻转周期。本发明中，通过提高视频帧率获得超高的检测精度，同时具有算法简单实用、阈值设置非常简单的优点，仅需利用简单的图像分割法即可将李沙育图形从背景噪声中分离出来。本发明抗干扰能力强，可靠性高，能够精确快速的确定异频架构下的李沙育图形翻转周期。
附图说明
图1为本发明的流程示意图。
具体实施方式
以下结合附图和实施例对本发明作以详细的描述：
如图1所示，本发明所述的异频架构下的李沙育图形翻转周期精确检测方法，包括以下步骤：
A：将被测信号和标准信号同时输入数字示波器，利用数字示波器产生动态李沙育图形；
B：利用高分辨率摄像机对准动态李沙育图形进行摄像，实时采集李沙育图形的每一帧图像并记录李沙育图形视频；
在利用高分辨率摄像机记录李沙育图形视频时，记录李沙育图形视频中的关键参数，如分辨率和帧率。所述的高分辨率摄像机是指分辨率大于1000万像素的摄像机。
C：将李沙育图形视频中重合程度最大的帧设为翻转周期的标记帧，第i个(i为任意自然数)标记帧与第i+2个标记帧之间的时间间隔即为李沙育图形的翻转周期。
所述的步骤C包括以下步骤：
C1：对于李沙育图形视频中的第i帧Fi(m,n)，m和n分别表示第i帧图像的行和列；忽略第i帧Fi(m,n)中的色彩和饱和度信息，只保留亮度信息，并将亮度信息转变为具有256个灰度级的灰度图像I(m,n)。
C2：对灰度图像I(m,n)进行分割得到二值图像J(m,n)：
其中，Threshold为阈值，阈值依据图像采集质量进行设定；
C3：将二值图像J(m,n)中位于李沙育图形上的像素和背景上的像素分别用1和0表示，则二值图像J(m,n)的归一化面积为
其中，NAi表示第i帧图像的归一化面积，M×K表示李沙育图形视频的分辨率；
C4：对李沙育图形视频中所有的帧均按照步骤C1至步骤C3进行处理，得到归一化面积实验曲线NA(i)，1≤i≤NOF，其中NOF表示李沙育图形视频中的帧数；
C5：将归一化面积实验曲线NA(i)所产生的重合程度最大的帧设为翻转周期的标记帧，第i个(i为任意自然数)标记帧与第i+2个标记帧之间的时间间隔即为李沙育图形的翻转周期。设某段李沙育图形视频中总共有N个标记帧，第l个标记帧为李沙育图形视频中的第kl帧，则可以得到N-2个周期值，那么第p个翻转周期值为：
其中，τp为第p个翻转周期值，kp+2为第p+2个标记帧，kp为第p个标记帧，FR为李沙育图形视频的帧率。
D：根据步骤C中得到的翻转周期，利用最小二乘算法得到李沙育图形的精确翻转周期；
所述的步骤D包括以下步骤：
D1：设李沙育图形的精确翻转周期为则有
其中，vp表示是指第p个翻转周期的瞬时翻转周期偏差；
D2：将步骤D1中求得的vp改写成矩阵形式，得
其中，
D3：由于τp不相关且精度相同，因此按照最小二乘准则，使VTV最小化，其中VT表示翻转周期偏差矩阵转置，V表示是翻转周期偏差矩阵，T表示翻转周期偏差矩阵的转置；然后，将VTV中的取一阶导数，并令该一阶导数为0，得：
将式(4)带入式(6)可得：
最终得到李沙育图形的精确翻转周期为
Claims (3)
1.一种异频架构下的李沙育图形翻转周期精确检测方法，其特征在于：包括以下步骤：
A：将被测信号和标准信号同时输入数字示波器，利用数字示波器产生动态李沙育图形；
B：利用高分辨率摄像机对准动态李沙育图形进行摄像，实时采集李沙育图形的每一帧图像并记录李沙育图形视频；
C：将李沙育图形视频中重合程度最大的帧设为翻转周期的标记帧，第i个标记帧与第i+2个标记帧之间的时间间隔即为李沙育图形的翻转周期，i为任意自然数；
所述的步骤C包括以下步骤：
C1：对于李沙育图形视频中的第i帧Fi(m,n)，m和n分别表示第i帧图像的行和列；忽略第i帧Fi(m,n)中的色彩和饱和度信息，只保留亮度信息，并将亮度信息转变为具有256个灰度级的灰度图像I(m,n)；
C2：对灰度图像I(m,n)进行分割得到二值图像J(m,n)：
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>d</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>s</mi>
<mo>.</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，Threshold为阈值，阈值依据图像采集质量进行设定；
C3：将二值图像J(m,n)中位于李沙育图形上的像素和背景上的像素分别用1和0表示，则二值图像J(m,n)的归一化面积为
<mrow>
<msub>
<mi>NA</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>K</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，NAi表示第i帧图像的归一化面积，M×K表示李沙育图形视频的分辨率；
C4：对李沙育图形视频中所有的帧均进行步骤C1至步骤C3的处理，得到归一化面积实验曲线NA(i)，1≤i≤NOF，其中NOF表示李沙育图形视频中的帧数；
C5：将归一化面积实验曲线NA(i)所产生的重合程度最大的帧设为翻转周期的标记帧，第i个标记帧与第i+2个标记帧之间的时间间隔即为李沙育图形的翻转周期，i为任意自然数；
设某段李沙育图形视频中总共有N个标记帧，第l个标记帧为李沙育图形视频中的第kl帧，则可以得到N-2个周期值，那么第p个翻转周期值为：
<mrow>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>p</mi>
<mo>+</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>p</mi>
</msub>
</mrow>
<mrow>
<mi>F</mi>
<mi>R</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，τp为第p个翻转周期值，kp+2为第p+2个标记帧，kp为第p个标记帧，FR为李沙育图形视频的帧率；
D：根据步骤C中得到的李沙育图形的翻转周期，利用最小二乘算法得到李沙育图形的精确翻转周期。
2.根据权利要求1所述的异频架构下的李沙育图形翻转周期精确检测方法，其特征在于，所述的步骤D包括以下步骤：
D1：设李沙育图形的精确翻转周期为则有
<mrow>
<msub>
<mi>v</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mover>
<mi>&tau;</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，vp表示是指第p个翻转周期的瞬时翻转周期偏差；
D2：将步骤D1中求得的vp改写成矩阵形式，得
<mrow>
<munder>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
<mo>&times;</mo>
<mn>1</mn>
</mrow>
</munder>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mover>
<mi>&tau;</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&tau;</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&tau;</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&tau;</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<munder>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
<mo>&times;</mo>
<mn>1</mn>
</mrow>
</munder>
<mover>
<mi>&tau;</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<munder>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
<mo>&times;</mo>
<mn>1</mn>
</mrow>
</munder>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，
D3：由于τp不相关且精度相同，因此按照最小二乘准则，使VTV最小化，其中VT表示翻转周期偏差矩阵转置，V表示是翻转周期偏差矩阵，T表示翻转周期偏差矩阵的转置；
然后，将VTV中的取一阶导数，并令该一阶导数为0，得：
<mrow>
<mfrac>
<mrow>
<msup>
<mi>dV</mi>
<mi>T</mi>
</msup>
<mi>V</mi>
</mrow>
<mrow>
<mi>d</mi>
<mover>
<mi>&tau;</mi>
<mo>^</mo>
</mover>
</mrow>
</mfrac>
<mo>=</mo>
<mn>2</mn>
<msup>
<mi>V</mi>
<mi>T</mi>
</msup>
<mi>B</mi>
<mo>=</mo>
<mn>2</mn>
<msup>
<mi>V</mi>
<mi>T</mi>
</msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mn>2</mn>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>v</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
将式(4)带入式(6)可得：
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>v</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<mover>
<mi>&tau;</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mover>
<mi>&tau;</mi>
<mo>^</mo>
</mover>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
最终得到李沙育图形的精确翻转周期为
<mrow>
<mover>
<mi>&tau;</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的异频架构下的李沙育图形翻转周期精确检测方法，其特征在于，所述的步骤A中，高分辨率摄像机是指分辨率大于1000万像素的摄像机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510485838.9A CN105069793B (zh) | 2015-08-10 | 2015-08-10 | 一种异频架构下的李沙育图形翻转周期精确检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510485838.9A CN105069793B (zh) | 2015-08-10 | 2015-08-10 | 一种异频架构下的李沙育图形翻转周期精确检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105069793A CN105069793A (zh) | 2015-11-18 |
| CN105069793B true CN105069793B (zh) | 2017-09-15 |
Family
ID=54499150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510485838.9A Active CN105069793B (zh) | 2015-08-10 | 2015-08-10 | 一种异频架构下的李沙育图形翻转周期精确检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105069793B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010216961A (ja) * | 2009-03-16 | 2010-09-30 | Mitsutoyo Corp | エンコーダ出力信号補正装置及び方法 |
| CN203573545U (zh) * | 2013-05-23 | 2014-04-30 | 空军勤务学院 | 一种新型激光李萨如图形观测仪 |
| CN103956995A (zh) * | 2014-04-28 | 2014-07-30 | 杭州电子科技大学 | 一种李萨如波形的产生方法 |
| CN204406825U (zh) * | 2015-02-12 | 2015-06-17 | 济南大学 | 一种利用机械法合成李萨如图形的演示装置 |
-
2015
- 2015-08-10 CN CN201510485838.9A patent/CN105069793B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010216961A (ja) * | 2009-03-16 | 2010-09-30 | Mitsutoyo Corp | エンコーダ出力信号補正装置及び方法 |
| CN203573545U (zh) * | 2013-05-23 | 2014-04-30 | 空军勤务学院 | 一种新型激光李萨如图形观测仪 |
| CN103956995A (zh) * | 2014-04-28 | 2014-07-30 | 杭州电子科技大学 | 一种李萨如波形的产生方法 |
| CN204406825U (zh) * | 2015-02-12 | 2015-06-17 | 济南大学 | 一种利用机械法合成李萨如图形的演示装置 |
Non-Patent Citations (1)
| Title |
|---|
| 一种新型高精度频标比对系统;郑胜峰等;《宇航计测技术》;20100228;第30卷(第1期);第20-23页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105069793A (zh) | 2015-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104572971B (zh) | 图像检索的方法和装置 | |
| CN108550159B (zh) | 一种基于图像三色分割的烟气浓度标识方法 | |
| CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
| CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
| CN110046659B (zh) | 一种基于tld的长时间单目标跟踪方法 | |
| CN107462182B (zh) | 一种基于机器视觉和红线激光器的截面轮廓形变检测方法 | |
| CN103679677A (zh) | 一种基于模型互更新的双模图像决策级融合跟踪方法 | |
| CN109191444A (zh) | 基于深度残差网络的视频区域移除篡改检测方法及装置 | |
| CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
| CN105404869A (zh) | 一种基于计算机视觉的水果外形分级方法 | |
| CN102262778A (zh) | 基于改进的分数阶微分掩模的图像增强方法 | |
| CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
| CN112489055B (zh) | 融合亮度-时序特征的卫星视频动态车辆目标提取方法 | |
| CN108257125A (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
| CN107610092A (zh) | 基于视频流的路面裂缝动态检测方法 | |
| CN108986721B (zh) | 一种用于显示面板检测的检测图形生成方法 | |
| CN105069793B (zh) | 一种异频架构下的李沙育图形翻转周期精确检测方法 | |
| CN109697409A (zh) | 一种运动图像的特征提取方法及起立动作图像的识别方法 | |
| CN103996200A (zh) | 一种基于图像子块参数的快速图像配准方法 | |
| CN109978916A (zh) | 基于灰度图像特征匹配的Vibe运动目标检测方法 | |
| CN111932551B (zh) | 一种水稻插秧机的漏插率检测方法 | |
| CN102735340A (zh) | 一种基于压缩传感的水果颜色分级方法 | |
| CN104809711A (zh) | 固体推进剂羽流烟雾视频图像处理方法 | |
| CN103942792A (zh) | 医药检测机器人中基于序列图像时域特征的杂质检测方法 | |
| CN107239761A (zh) | 基于骨架角点检测的果树拉枝效果评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |