CN105608708A - 基于分块平面拟合的图像二值化方法及装置 - Google Patents
基于分块平面拟合的图像二值化方法及装置 Download PDFInfo
- Publication number
- CN105608708A CN105608708A CN201610118800.2A CN201610118800A CN105608708A CN 105608708 A CN105608708 A CN 105608708A CN 201610118800 A CN201610118800 A CN 201610118800A CN 105608708 A CN105608708 A CN 105608708A
- Authority
- CN
- China
- Prior art keywords
- image
- piecemeal
- binary
- matrix
- threshold
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10152—Varying illumination
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于分块平面拟合的图像二值化方法,包括:将图像划分为多个分块;计算各分块的二值化阈值;通过拟合各分块的二值化阈值获取整体图像的二值化阈值与图像中各像素点位置之间的关系式;利用关系式将图像二值化。本发明还公开了对应方法的一种装置。本发明的突出优点在于,兼顾局部与全局二值化信息,对光照均匀和不均匀图像都有较好的鲁棒性,即使分块较少的情况下也能较准确地获得阈值,兼顾了准确性和效率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及基于分块平面拟合的快速二值化方法及装置。
背景技术
二值化方法是最常见,运用最频繁的图像处理基本方法,许多上层算法都依赖于二值化的效果,比如目标检测,目标识别等。以车牌识别举例,在进行车牌检测时需要对图像进行二值化,而对车牌字符分割时需要二值化车牌,在字符识别时需要做字符的二值化。
现有技术中最常用的二值化方法为OTSU(即大津法或最大类间方差法)二值化,利用阈值将原图像分成前景和背景两个图象,当取最佳阈值时,背景应该与前景差别最大,关键在于如何选择衡量差别的标准,而在otsu算法中这个衡量差别的标准就是最大类间方差。
对于光照均匀的图像,二值化效果较好,而对于光照不均匀,光源从侧面打过来的情况,二值化效果很差。
为了解决这一问题,也有存在对图像进行分块的二值化方法,这类方法对每个部分单独采用大津法或其他的方法进行二值化。这种局部进行二值化的方法问题在于,如果分块较小,相邻两个分块之间阈值变化可能很大,导致在接缝位置存在较大的误差,使得二值化效果无法得到改善;而如果要降低这种误差,则需要划分成数目较多的分块,以保证分块与分块之间的阈值差异较小,但这样就存在二值化效率低下的问题。
因此如何在保证有较好的二值化效果的同时保证二值化的计算效率,是当前需要解决的问题。
发明内容
为解决现有技术存在的问题,本发明提供了一种二值化的方法,能够快速地进行图像的二值化,并得到较好的二值化效果。
一种基于分块平面拟合的图像二值化方法,包括:
将图像划分为多个分块,计算各分块的二值化阈值;
通过拟合各分块的二值化阈值获取整体图像的二值化阈值与图像中各像素点位置之间的关系式;
利用关系式将图像二值化。
本发明通过分块并对各分块的二值化阈值进行拟合得到阈值与图像中像素点位置关系式的方式,使得图像的阈值既能够表现各分块的局部二值化阈值又能够反映全局各分块之间二值化的关系,使得图像中各位置处的阈值进行连续的变化,兼顾了局部和全局的信息,即使分块数目较少也能够快速且效果良好地进行二值化。
通过二元一次关系式的建立,获取分块之间的阈值与分块中心坐标之间的关系,二元一次关系式的系数可以通过将多个分块的阈值以及分块的中心坐标作为已知变量来求解。其中,中心坐标能体现该点为中心的分块的阈值属性,具有较好的拟合效果。
进一步而言,整体图像的二值化阈值与图像中像素点位置之间的关系式获取方法包括:
将分块的二值化阈值与分块的中心坐标作为同一平面上的点建立平面方程,通过将各分块的二值化阈值和中心坐标作为已知量代入平面方程拟合出平面方程的系数,得到二值化阈值与图像中像素点位置之间的关系式。
图像的二值化阈值与图像像素坐标位置之间的关系可以通过采用其他模型来求取得到,例如将二值化阈值与分块中心坐标视为椭球面上的点或球面上的点,通过建立椭球面方程或球面方程并拟合出方程系数来得到两者之间的关系式。出于计算简单且适用性高的考虑,采用平面方程能够较好地反映二值化阈值与像素点位置的关系。
进一步而言,获取平面方程系数的方法为:将所有分块的二值化阈值形成阈值矩阵T,将所有分块的中心坐标形成中心坐标矩阵A,将待求解系数形成系数矩阵x,得到矩阵关系式T=Ax,通过最小二乘法求解矩阵关系式得到系数矩阵。
由于系数矩阵中的拟合矩阵B=(ATA)-1AT仅与图像的中心坐标有关,即如果确定了划分方式,就能够确定拟合矩阵,因此可以通过预先计算出多种划分方式所对应的拟合矩阵并进行保存,一旦确定了划分方式,即可确定拟合矩阵,在关系式时因此只需求出各分块的二值化阈值,将二值化阈值与拟合矩阵相乘,即可得到关系式的各系数,从而节约了线上处理的时间。
进一步而言,在图像划分前预先计算多种划分方式所对应的拟合矩阵B并进行保存,其中B=(ATA)-1AT,在获取平面方程的系数时,通过所确定的图像划分方式获取对应的拟合矩阵B,将拟合矩阵B与阈值矩阵T相乘得到系数矩阵x。
进一步而言,获取各分块二值化阈值的方法包括大津法和均值计算方法。
为了实施本发明的方法,本发明还提供了相应的装置,以对图像进行快速且准确的二值化。
一种基于分块平面拟合的图像二值化装置,包括:
分块阈值获取单元,将图像划分为多个分块,计算各分块的二值化阈值;
关系式获取单元,通过拟合各分块的二值化阈值获取整体图像的二值化阈值与图像中各像素点位置之间的关系式;
图像二值化单元,利用关系式将图像二值化。
进一步而言,关系式获取单元获取整体图像的二值化阈值与图像中的位置之间关系式的方法包括:
关系式获取单元进行整体图像的二值化阈值与图像中像素点位置之间的关系式获取方法包括:
将分块的二值化阈值与分块中心坐标作为同一平面上的点建立平面方程,通过将各分块的二值化阈值和中心坐标作为已知量代入平面方程拟合出平面方程的系数,得到二值化阈值与图像中像素点位置之间的关系式。
进一步而言,关系式获取单元获取平面方程系数的方法为:将所有分块的二值化阈值形成阈值矩阵T,将所有分块的中心坐标形成中心坐标矩阵A,将待求解系数形成系数矩阵x,得到矩阵关系式T=Ax,通过最小二乘法求解矩阵关系式得到系数矩阵。
进一步而言,还包括拟合矩阵计算单元,在分块阈值获取单元进行图像划分前预先计算多种划分方式所对应的拟合矩阵B并进行保存,其中B=(ATA)-1AT,关系式获取单元在获取二元一次关系式的系数时,通过分块阈值获取单元所确定的图像划分方式从拟合矩阵计算单元获取对应的拟合矩阵B,将拟合矩阵B与阈值矩阵T相乘得到系数矩阵x。
进一步而言,分块阈值获取单元获取各分块二值化阈值的方法包括大津法和均值计算方法。
本发明的突出优点在于,兼顾局部与全局二值化信息,对光照均匀和不均匀图像都有较好的鲁棒性,即使分块较少的情况下也能较准确地获得阈值,兼顾了准确性和效率;提出分块方式与对应的拟合矩阵的概念,可以通过预先计算拟合矩阵的方式,减少离线计算的时间,从而提升阈值计算速度。
附图说明
图1是本发明一个实施例的算法整体流程图;
图2是当前实施例中关系式的获取方法流程图;
图3A为当前实施例中所采用的划分方式示意图;
图3B为图3所示划分方式对应的中心坐标矩阵示意图;
图3C为图3所示划分方式对应的拟合矩阵示意图;
图4A为2*2的分块划分方式示意图;
图4B为图4所示划分方式对应的中心坐标矩阵示意图;
图4C为图4所示划分方式对应的拟合矩阵示意图;
图5A为本发明当前实施例所输入图像的剖面图;
图5B为图5A所示图像采用大津法得到的阈值剖面图;
图5C为图5A所示图像采用九宫格进行局部阈值计算得到的阈值剖面图;
图5D为图5A所示图像采用当前实施例得到的阈值平面图;
图6A为当前实施例所输入的一张原始图像示意图;
图6B为利用大津法对图6A进行二值化后的效果图;
图6C为利用各分块局部二值化方法对图6A进行二值化后的效果图;
图6D为利用本发明当前实施例对图6A进行二值化后的效果图;
图7A为当前实施例所输入的一组原始图像示意图;
图7B为利用大津法对图7A所示的图像进行二值化后的效果图;
图7C为利用各分块局部二值化方法对图7A所示的图像进行二值化后的效果图;
图7D为利用本发明当前实施例对图7A所示的图像进行二值化后的效果图。
具体实施方式
为使本发明更加清楚明了,现结合附图和实施例加以详细的解释说明。
本发明一个实施例的方法利用图像二值化装置进行,图像二值化装置包括:分块阈值获取单元、关系式获取单元、图像二值化单元以及拟合矩阵计算单元。其中方法的整体流程图参考图1,包括如下步骤:
步骤1,分块阈值获取单元将输入的图像src(i,j)平均划分为多个分块,计算各分块的二值化阈值。
其中,分块的个数(即划分方式)可以由用户根据实际的条件和需求进行选择,例如可以是2*2,3*3,2*3,3*4等等,划分的行数与列数可以不同,且各个分块的大小也可以根据需要而发生变化,为了使各分块的中心坐标便于计算,当前实施例采用均匀划分的方式,且划分的行数和列数相同。
各分块的阈值计算方法不限,可采用已知的otsu法或是将均值作为阈值等等。
步骤2,关系式获取单元通过拟合各分块的二值化阈值,获取整体图像的二值化阈值与图像中各像素点位置之间的关系式。
其中,关系式的获取如图2所示,包括如下步骤:
步骤S201,将分块的二值化阈值与分块中心坐标作为同一平面上的点建立平面方程。
其中,各分块的中心坐标根据图像分块的划分方式确定,记第i个分块的中心坐标为(xi,,yi)。参考图3A~图4C,其中图3A为当前实施例所采用的分块划分方式,图3B是根据图3A的划分方式计算得到的中心坐标矩阵。如果划分为2*2的形式,则中心坐标矩阵参考图4B。中心坐标能体现该点为中心的分块的阈值属性,具有较好的拟合效果。
步骤S202,将各分块的二值化阈值和中心坐标作为已知量代入平面方程,并通过拟合方法进行求解得到平面方程的系数。
在得到各分块的中心坐标之后,需要计算所选择的分块方式对应的拟合矩阵,拟合矩阵的推导如下:
首先,设定阈值平面公式为:
a′x+b′y+c′z+d=0;(公式1)
在公式1中a’、b’、c’及d为阈值平面方程的系数,将图像的横坐标x,纵坐标y和二值化阈值t,满足阈值平面方程,代入公式1中得到阈值平面方程为:
a′x+b′y+c′t+d=0;(公式2)
接着,将公式2所示的阈值平面方程进行变换,得到整个图像的二值化阈值t关于图像上的坐标位置(x,y)的二元一次关系式:
t=ax+by+c;(公式3)
其中,这里有三个系数a、b和c待求解,需要至少3个点才能拟合出平面,以九宫格分块方式为例:
t1~t9为分块的二值化阈值,(xi,,yi)为各分块的中心坐标, 即为需要求解的系数。
记 得到:
T=Ax;(公式5)
采用最小二乘法求解拟合系数形成的系数矩阵x:
(ATA)-1ATT=(ATA)-1ATAx=x;(公式6)
得到系数矩阵x:
x=(ATA)-1ATT;(公式7)
这里(ATA)-1AT即为拟合矩阵B,T即为分块阈值向量。
当前实施例的拟合矩阵B的示意图如图3C所示。如果是2*2的划分方式,拟合矩阵参考图4C。
根据公式7可以看到,步骤3中求出关系式的系数需要得知拟合矩阵和分块的二值化阈值,而拟合矩阵只和分块方式相关,与输入的图像、分块的二值化阈值无关,由于输入的图像大小确定,因此一旦分块的方式确定,就可以确定分块的中心坐标,进而可以确定矩阵A,也就可以计算出拟合矩阵。因此可以预先设定多种分块方式,和对应的拟合矩阵,便于图像阈值计算,而无需在线求解变换矩阵。当前实施例中,由图像二值化装置中的拟合矩阵计算单元针对多种分块方式分别计算拟合矩阵并进行保存。当需要进行图像二值化时,一旦选择分块方式就确定了其对应的拟合矩阵,只需要得到各分块的二值化阈值,再进行一次矩阵乘法即可得到阈值平面(即得到了整体图像的二值化阈值与图像中像素点位置的关系式),从而减少了在线计算的耗时。
图像的二值化阈值与图像像素坐标位置之间的关系可以通过采用其他模型来求取得到,例如将二值化阈值与分块中心坐标视为椭球面上的点或球面上的点,通过建立椭球面方程或球面方程并拟合出方程系数来得到两者之间的关系式。出于计算简单且适用性高的考虑,采用平面方程能够较好地反映二值化阈值与像素点位置的关系。
步骤3,利用关系式将图像二值化,输出二值化图像。
参考公式7,将拟合矩阵A与分块阈值T相乘,求出拟合系数x。
根据拟合系数,求出阈值平面TH(i,j),计算方法见公式3。
当src(i,j)>TH(i,j)时src(i,j)=1,否则src(i,j)=0。
利用本发明当前实施例的方法,得到的整体阈值可以参考图5A到5D。其中图5A是原始图像的剖面图,图5B为现有技术大津法得到的阈值剖面图,图5C为局部分块求阈值的阈值剖面图,图5D为本发明当前实施例得到的阈值平面图。其中灰色表示被划分为背景的部分,白色表示被划分为前景的部分。可以看出大津法在图像整体上阈值是统一的,参照图6A~图7D,可以看到采用现有的大津法和分块求局部二值化阈值方法与本发明当前实施例的方法所带来的效果差异。其中图6A及图7A所示均为原始图像,图6B及图7B分别为对原始图像进行大津法二值化的效果图,图6C和图7C分别为对原始图像进行分块并分别二值化的效果图,图6D和图7D为采用本发明的实施例进行二值化的效果图。可以看到,采用大津法进行二值化时,对于光照不均匀的图像存在很大的误差,而采用局部分块方法虽然相较于大津法有所改善,但如图6C中出现的大块黑色以及图7C中倒数第二张车牌所示,在分块与分块之间接缝处存在阈值不一导致的二值化分割的较大误差,而在图6D和图7D中可以看到,本发明实施例所进行的二值化即使在光照不均匀的情况下也能很好地区分背景和前景,误差比现有的方法都要小。
本发明的突出优点在于,兼顾局部与全局二值化信息,对光照均匀和不均匀图像都有较好的鲁棒性,即使分块较少的情况下也能较准确地获得阈值,兼顾了准确性和效率;提出分块方式与对应的拟合矩阵的概念,可以通过预先计算拟合矩阵的方式,减少离线计算的时间,从而提升阈值计算速度。
Claims (10)
1.一种基于分块平面拟合的图像二值化方法,其特征在于,包括:
将图像划分为多个分块,计算各分块的二值化阈值;
通过拟合各分块的二值化阈值获取整体图像的二值化阈值与图像中各像素点位置之间的关系式;
利用关系式将图像二值化。
2.如权利要求1所述基于分块平面拟合的图像二值化方法,其特征在于,整体图像的二值化阈值与图像中像素点位置之间的关系式获取方法包括:
将分块的二值化阈值与分块中心坐标作为同一平面上的点建立平面方程,通过将各分块的二值化阈值和中心坐标作为已知量代入平面方程拟合出平面方程的系数,得到二值化阈值与图像中像素点位置之间的关系式。
3.如权利要求2所述基于分块平面拟合的图像二值化方法,其特征在于,获取平面方程系数的方法为:将所有分块的二值化阈值形成阈值矩阵T,将所有分块的中心坐标形成中心坐标矩阵A,将待求解系数形成系数矩阵x,得到矩阵关系式T=Ax,通过最小二乘法求解矩阵关系式得到系数矩阵。
4.如权利要求3所述基于分块平面拟合的图像二值化方法,其特征在于,在图像划分前预先计算多种划分方式所对应的拟合矩阵B并进行保存,其中B=(ATA)-1AT,在获取平面方程的系数时,通过所确定的图像划分方式获取对应的拟合矩阵B,将拟合矩阵B与阈值矩阵T相乘得到系数矩阵x。
5.如权利要求1所述基于分块平面拟合的图像二值化方法,其特征在于,获取各分块二值化阈值的方法包括大津法和均值计算方法。
6.一种基于分块平面拟合的图像二值化装置,其特征在于,包括:
分块阈值获取单元,将图像划分为多个分块,计算各分块的二值化阈值;
关系式获取单元,通过拟合各分块的二值化阈值获取整体图像的二值化阈值与图像中各像素点位置之间的关系式;
图像二值化单元,利用关系式将图像二值化。
7.如权利要求6所述基于分块平面拟合的图像二值化装置,其特征在于,关系式获取单元进行整体图像的二值化阈值与图像中像素点位置之间的关系式获取方法包括:
将分块的二值化阈值与分块中心坐标作为同一平面上的点建立平面方程,通过将各分块的二值化阈值和中心坐标作为已知量代入平面方程拟合出平面方程的系数,得到二值化阈值与图像中像素点位置之间的关系式。
8.如权利要求7所述基于分块平面拟合的图像二值化装置,其特征在于,关系式获取单元获取平面方程系数的方法为:将所有分块的二值化阈值形成阈值矩阵T,将所有分块的中心坐标形成中心坐标矩阵A,将待求解系数形成系数矩阵x,得到矩阵关系式T=Ax,通过最小二乘法求解矩阵关系式得到系数矩阵。
9.如权利要求8所述基于分块平面拟合的图像二值化装置,其特征在于,还包括拟合矩阵计算单元,在分块阈值获取单元进行图像划分前预先计算多种划分方式所对应的拟合矩阵B并进行保存,其中B=(ATA)-1AT,关系式获取单元在获取二元一次关系式的系数时,通过分块阈值获取单元所确定的图像划分方式从拟合矩阵计算单元获取对应的拟合矩阵B,将拟合矩阵B与阈值矩阵T相乘得到系数矩阵x。
10.如权利要求6所述基于分块平面拟合的图像二值化装置,其特征在于,分块阈值获取单元获取各分块二值化阈值的方法包括大津法和均值计算方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610118800.2A CN105608708A (zh) | 2016-03-02 | 2016-03-02 | 基于分块平面拟合的图像二值化方法及装置 |
EP17150444.2A EP3214603A3 (en) | 2016-03-02 | 2017-01-05 | Image processing |
US15/408,229 US20170256061A1 (en) | 2016-03-02 | 2017-01-17 | Image processing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610118800.2A CN105608708A (zh) | 2016-03-02 | 2016-03-02 | 基于分块平面拟合的图像二值化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105608708A true CN105608708A (zh) | 2016-05-25 |
Family
ID=55988624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610118800.2A Pending CN105608708A (zh) | 2016-03-02 | 2016-03-02 | 基于分块平面拟合的图像二值化方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170256061A1 (zh) |
EP (1) | EP3214603A3 (zh) |
CN (1) | CN105608708A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097255A (zh) * | 2016-05-26 | 2016-11-09 | 中国科学院光电技术研究所 | 用于点源哈特曼波前探测器的背景噪声特征估计方法 |
CN106530279A (zh) * | 2016-10-15 | 2017-03-22 | 扬州奥泰光电生物技术有限公司 | 一种图像处理方法及系统 |
CN106952281A (zh) * | 2017-05-15 | 2017-07-14 | 上海交通大学 | 一种焊缝轮廓特征识别及其焊道实时规划的方法 |
CN108509819A (zh) * | 2018-03-07 | 2018-09-07 | 中山大学 | 一种用于光照不均匀的二维码二值化方法 |
CN110110356A (zh) * | 2019-03-26 | 2019-08-09 | 江西理工大学 | 泰奥杨森机构足式运动机器人的制作方法及系统 |
CN110426400A (zh) * | 2019-07-18 | 2019-11-08 | 成都新西旺自动化科技有限公司 | 针对触摸屏可操作区的自动打光装置及其自动打光方法 |
CN110473194A (zh) * | 2019-08-12 | 2019-11-19 | 西南大学 | 基于多图像块阈值分割算法的水果表面缺陷检测方法 |
CN110533040A (zh) * | 2019-09-05 | 2019-12-03 | 哈尔滨理工大学 | 一种环形区域二值化图像处理方法及装置 |
CN110853094A (zh) * | 2019-10-11 | 2020-02-28 | 北京文香信息技术有限公司 | 一种目标位置的阈值确定方法、装置、设备及存储介质 |
CN110992387A (zh) * | 2019-11-08 | 2020-04-10 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置及电子设备和存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10540532B2 (en) * | 2017-09-29 | 2020-01-21 | Datalogic Ip Tech S.R.L. | System and method for detecting optical codes with damaged or incomplete finder patterns |
CN110503605B (zh) * | 2019-08-27 | 2023-03-24 | Oppo广东移动通信有限公司 | 一种图像处理方法、装置及存储介质 |
CN112750136B (zh) * | 2020-12-30 | 2023-12-05 | 深圳英集芯科技股份有限公司 | 一种图像处理方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663738A (zh) * | 2012-03-20 | 2012-09-12 | 苏州生物医学工程技术研究所 | 三维图像配准方法及系统 |
CN104063874A (zh) * | 2014-07-09 | 2014-09-24 | 武汉科技大学 | 基于权值模型的灰度图像二值化算法定量评估方法 |
-
2016
- 2016-03-02 CN CN201610118800.2A patent/CN105608708A/zh active Pending
-
2017
- 2017-01-05 EP EP17150444.2A patent/EP3214603A3/en active Pending
- 2017-01-17 US US15/408,229 patent/US20170256061A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663738A (zh) * | 2012-03-20 | 2012-09-12 | 苏州生物医学工程技术研究所 | 三维图像配准方法及系统 |
CN104063874A (zh) * | 2014-07-09 | 2014-09-24 | 武汉科技大学 | 基于权值模型的灰度图像二值化算法定量评估方法 |
Non-Patent Citations (1)
Title |
---|
彭丽: "基于边缘信息的阈值图像分割", 《中国优秀硕士学位论文全文书库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097255B (zh) * | 2016-05-26 | 2019-02-26 | 中国科学院光电技术研究所 | 用于点源哈特曼波前探测器的背景噪声特征估计方法 |
CN106097255A (zh) * | 2016-05-26 | 2016-11-09 | 中国科学院光电技术研究所 | 用于点源哈特曼波前探测器的背景噪声特征估计方法 |
CN106530279A (zh) * | 2016-10-15 | 2017-03-22 | 扬州奥泰光电生物技术有限公司 | 一种图像处理方法及系统 |
CN106530279B (zh) * | 2016-10-15 | 2019-04-16 | 扬州奥泰光电生物技术有限公司 | 一种图像处理方法及系统 |
CN106952281B (zh) * | 2017-05-15 | 2019-09-27 | 上海交通大学 | 一种焊缝轮廓特征识别及其焊道实时规划的方法 |
CN106952281A (zh) * | 2017-05-15 | 2017-07-14 | 上海交通大学 | 一种焊缝轮廓特征识别及其焊道实时规划的方法 |
CN108509819A (zh) * | 2018-03-07 | 2018-09-07 | 中山大学 | 一种用于光照不均匀的二维码二值化方法 |
CN110110356A (zh) * | 2019-03-26 | 2019-08-09 | 江西理工大学 | 泰奥杨森机构足式运动机器人的制作方法及系统 |
CN110426400A (zh) * | 2019-07-18 | 2019-11-08 | 成都新西旺自动化科技有限公司 | 针对触摸屏可操作区的自动打光装置及其自动打光方法 |
CN110473194A (zh) * | 2019-08-12 | 2019-11-19 | 西南大学 | 基于多图像块阈值分割算法的水果表面缺陷检测方法 |
CN110533040A (zh) * | 2019-09-05 | 2019-12-03 | 哈尔滨理工大学 | 一种环形区域二值化图像处理方法及装置 |
CN110853094A (zh) * | 2019-10-11 | 2020-02-28 | 北京文香信息技术有限公司 | 一种目标位置的阈值确定方法、装置、设备及存储介质 |
CN110853094B (zh) * | 2019-10-11 | 2020-12-29 | 北京文香信息技术有限公司 | 一种目标位置的阈值确定方法、装置、设备及存储介质 |
CN110992387A (zh) * | 2019-11-08 | 2020-04-10 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置及电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3214603A3 (en) | 2017-09-13 |
EP3214603A2 (en) | 2017-09-06 |
US20170256061A1 (en) | 2017-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608708A (zh) | 基于分块平面拟合的图像二值化方法及装置 | |
CN111681162B (zh) | 一种缺陷样本生成方法、装置、电子设备及存储介质 | |
US11182644B2 (en) | Method and apparatus for pose planar constraining on the basis of planar feature extraction | |
CN110309842B (zh) | 基于卷积神经网络的物体检测方法及装置 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
CN107784321B (zh) | 数字绘本快速识别方法、系统及计算机可读存储介质 | |
WO2022227770A1 (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN114638784A (zh) | 一种基于fe-yolo的铜管表面缺陷检测方法及装置 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN111709387B (zh) | 一种高分辨率遥感影像的建筑物分割方法及系统 | |
CN106340010A (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN109409388B (zh) | 一种基于图形基元的双模深度学习描述子构造方法 | |
CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
CN109766752B (zh) | 一种基于深度学习的目标匹配和定位方法及系统、计算机 | |
CN103903275A (zh) | 利用小波融合算法改进图像分割效果的方法 | |
CN110909615A (zh) | 基于多尺度输入混合感知神经网络的目标检测方法 | |
CN107301643A (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
CN104751463A (zh) | 一种基于草图轮廓特征的三维模型最佳视角选取方法 | |
Shamir et al. | Mesh analysis using geodesic mean-shift | |
CN113673413A (zh) | 建筑图纸的审图方法、装置、计算机可读介质及电子设备 | |
Choi et al. | Comparative analysis of generalized intersection over union | |
CN116385660A (zh) | 室内单视图场景语义重建方法及系统 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN101976349A (zh) | 基于哈夫变换的遥感图像中交通枢纽目标识别方法 | |
CN104463825A (zh) | 用于在三维体积图像中检测对象的设备和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160525 |
|
RJ01 | Rejection of invention patent application after publication |