CN105787949A - 色织物经纬纱密度的测量方法 - Google Patents
色织物经纬纱密度的测量方法 Download PDFInfo
- Publication number
- CN105787949A CN105787949A CN201610172722.4A CN201610172722A CN105787949A CN 105787949 A CN105787949 A CN 105787949A CN 201610172722 A CN201610172722 A CN 201610172722A CN 105787949 A CN105787949 A CN 105787949A
- Authority
- CN
- China
- Prior art keywords
- yarn
- image
- weft
- dyed fabric
- measuring method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000002759 woven fabric Substances 0.000 title abstract description 10
- 238000001739 density measurement Methods 0.000 title abstract description 3
- 239000004744 fabric Substances 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 239000004753 textile Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000737 periodic effect Effects 0.000 abstract description 7
- 239000003086 colorant Substances 0.000 abstract description 6
- 238000011430 maximum method Methods 0.000 abstract 1
- 238000007500 overflow downdraw method Methods 0.000 abstract 1
- 125000004122 cyclic group Chemical group 0.000 description 12
- 238000005259 measurement Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明提供了一种色织物经纬纱密度的测量方法。现有的基于单面图像的傅里叶变换技术可用于单色织物经纬纱密度的测量,当织物的经纬纱颜色不同时,颜色循环的周期性成分可能会比纱线循环的周期性成分更占主导地位。针对该问题,发明提出三种图像融合方法将色织物的双面图像进行融合,通过两面灰度值取大法和两面灰度值取小法能够融合更多的纱线信息,将正反面的纱线浮长线融合在一起,使纱线循环的周期性成分得到增强,从而利用傅里叶变换技术提取到对应于纱线结构的特征频率点,重构纱线图像,计算得到色织物的经纬纱密度。
Description
技术领域
本发明涉及测量技术领域,特别涉及了一种经纬纱密度的测量方法。
背景技术
色织物的单面图像是由一系列的纱线浮长线构成,其纹理分布是片段式的,对应的频谱图中的频率分布是分散的,与经纬纱线对应的特征频率点的提取较为困难。在单面图像的频谱图中,关于原点对称的两个最亮峰点不一定对应于纱线循环的周期性成分,也可能与颜色循环的周期性成分相关。因此,对应于纱线循环周期性成分的特征频率点不一定能被准确的提取出来。
图像是一种灰度(亮度量化的离散值)在二维空间变化的信息,机织物的图像里面包含了许多周期性的结构,因此可以利用频谱分析的方法来提取图像中的空间频率信息。常用的频率域方法是二维快速傅里叶变换技术(FFT),该方法假设f(x,y)是一个二维函数,图像的大小是m×n,其中,x和y是空间域的坐标,u和v是频率域的坐标。则存在f(x,y)的二维离散傅里叶变换(DFT)和二维离散傅里叶反变换(IDFT)如下:
式中x=0,1,…,m-1;y=0,1,…,n-1;u=0,1,…,m-1;v=0,1,…,n-1。
然而,当图像所包含的数据量较大时,二维离散傅立叶变换算法的处理效率较低。因此,使用一个对数变换的算法可以将功率谱压缩到适当的灰度级:
P(u,v)=log(1+|F(u,v)|2)
假设x(n)为N项的复数序列,由DFT变换求出N项复数序列的x(m),其N点DFT变换需要N2次运算,而借助于对数变换的算法可以把一个N项序列分为两个N/2项的子序列,每个N/2点DFT变换需要(N/2)2次运算,再用N次运算把两个N/2点的DFT变换组合成一个N点的DFT变换,总的运算次数就变成N+2*(N/2)2=N+N2/2,以上的方法被定义为二维快速傅立叶变换(FFT)算法。使用二维的快速傅里叶变化算法可以将织物图像的二维灰度分布变换为对应的二维空间频率域中的频谱,而在一幅机织物的功率谱图像中,峰点代表周期性的频率成分,随机点代表非周期性的成分,可以通过峰点滤波的方法将代表非周期性结构的随机点滤除,仅保留代表周期性结构的峰点。
理想情况下,在一幅机织物的功率谱图中,经过原点的水平线上的峰点对应着经纱,而经过原点的垂直线上的峰点对应着纬纱。当分别选定了水平和垂直方向上关于原点对称的两个最亮峰点以后,通过快速傅里叶反变换(IFFT)算法可以重构出经纬纱线的原始图像,从而计算出经纬纱线的密度。图1表达了空间域和频率域的对应关系,(u1,v1)和(u2,v2)是经纬纱对应的空间频率,d1和d2是理想状态下的经纬纱线间的间距,即经纬纱的周期。
在实际应用中,机织物中存在经纬纱线倾斜的情况,这会导致经纱和纬纱不能够处于恰好垂直相交的状态,影响其图像功率谱中的峰点分布,此时,最亮的峰点位置不在水平或垂直方向,但是主要的峰点出现在关于原点中心对称的区域。因此,可以通过在沿原点中心对称的区域内寻找最亮的峰点,利用二维傅里叶反变换重构出经纱和纬纱的图像(图2),计算经纬纱线的密度。
对单色织物而言,利用二维快速傅里叶变换技术(FFT)将其空间域的图像转换到频率域的图像,借助于峰点滤波将代表周期性结构的峰点保留下来,将代表非周期性成分的随机点去除,选取关于原点对称的两个最亮峰点进行二维快速傅里叶反变换(IFFT),重构出经纱和纬纱的图像。
基于单面图像的傅里叶变换技术对单色织物特征频率点的提取较为方便,能够据此重构出经纱和纬纱的图像,但是该方法对于经纱和纬纱呈现不同颜色的色织物效果不佳,很难提取出特征频率点。
发明内容
本发明的目的在于提供一种能够提取出呈现不同颜色的色织物特征频率点的色织物经纬纱密度的测量方法。
为实现以上目的,本发明提供了一种色织物经纬纱密度的测量方法,包括以下步骤:
S1、采集色织物的双面图像;
S2、将采集到的色织物的双面图像分别转化为灰度图像;
S3、融合双面的灰度图像;
S4、去除融合图像的噪声;
S5、对去噪声后的融合图像进行傅里叶变换,得到功率谱图;
S6、提取水平方向和/或垂直方向上关于原点对称的特征亮点;
S7、根据步骤S6中提取的特征亮点,重构经纬纱线的图像;
S8、根据步骤S7中重构的图像,计算经纱和纬纱的密度。
作为优选的,在步骤S3中,融合双面的灰度图像的方法为两面灰度值取大法。
作为优选的,在步骤S3中,融合双面的灰度图像的方法为两面灰度值取小法。
作为优选的,在步骤S3中,融合双面的灰度图像的方法为两面灰度值求平均法。
作为优选的,在步骤S4中,通过巴特沃斯低通滤波器去除融合图像的噪声。
作为优选的,巴特沃斯低通滤波器的产生公式为
其中,D(u,v)是频率点(u,v)与频率中心的距离,D0是巴特沃斯低通滤波器的截止频率,n是巴特沃斯低通滤波器的阶数。
作为优选的,在步骤S6中,所提取的特征亮点为最亮峰点。
作为优选的,在步骤S7中,通过傅里叶反变换得到经纬纱线的重构图。
作为优选的,经纬纱线密度的计算公式为
其中,R为织物图像的分辨率,M为经向像素数,N为纬向像素数,(u1,v1)为经纱对应的空间频率,(u2,v2)为纬纱对应的空间频率,d1为理想状态下的经纱线间的间距,d2为理想状态下的纬纱线间的间距,dj为经纱线间的实际间距;dw为纬纱线间的实际间距,Yj为经纱的实际密度;Yw为纬纱的实际密度。
通过本发明提供的色织物经纬纱密度的测量方法,通过了三种图像融合方法将色织物的双面图像进行融合,即两面灰度值取大法和两面灰度值取小法以及两面灰度取均值法能够融合更多的纱线信息,将正反面的纱线浮长线融合在一起,使纱线循环的周期性成分得到增强,从而利用傅里叶变换技术提取到对应于纱线结构的特征频率点,重构纱线图像,计算得到色织物的经纬纱密度。
附图说明
图1为理想状态下空间域和频率域的对应关系模型。
图2为经纬纱线倾斜状态下空间域和频率域的对应关系模型。
图3为本发明中色织物经纬纱密度的测量方法的流程框图。
图4为本发明中基于两面灰度值取大法得到的融合图像和纱线重构图。
图5为本发明中基于两面灰度值取小法得到的融合图像和纱线重构图。
图6为本发明中基于两面灰度值求平均法得到的融合图像和纱线重构图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。
为解决上述技术问题,本发明的第一实施方式提供了一种色织物经纬纱密度的测量方法,该方法基于单面图像傅里叶变换技术进行织物经纬纱线密度自动测量的基础上,采用一种双面图像融合技术,结合傅里叶变换技术对色织物密度进行自动测量。该方法主要包括七个步骤,如图3所示,具体为:
1)灰度变换。首先,去除纱线的颜色,将RGB图像转化为灰度图像;
2)双面图像融合。将双面图像依据一定的算法进行融合,使其成为一幅融合图像;
3)巴特沃斯低通滤波。通过此步骤去除融合图像的噪声,使图像得到平滑增强;
4)傅里叶变换。得到双面融合图像的功率谱图;
5)特征点提取。寻找水平和垂直方向上关于原点对称的最亮峰点;
6)傅里叶反变换。利用提取出的特征频率点重构经纬纱线的图像;
7)计算。根据经纬纱重构图上的纱线信息,计算经纱和纬纱的密度。
在进行双面图像融合之前,首先要对色织物图像进行灰度变换处理。匹配完成的色织物双面图像是RGB图像,组成图像的每个像素点是由R(红)、G(绿)、B(蓝)三个分量共同决定,它是一个三维的矩阵,而灰度图像是一个二维的矩阵,傅里叶变换处理的对象是一维或二维数据,故利用灰度变换将色织物图像转化为灰度图像。
图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度地提取各自信道中的有利信息,最后综合成高质量的图像。在获取了色织物正反面的灰度图像后,在本实施例中,提出三种基于像素级别的图像融合算法,将织物的双面信息进行融合。假设h(x,y)和g(x,y)分别表示正面灰度图像和反面灰度图像,其尺寸大小均为M×N,融合的图像以m(x,y)表示。第一种融合算法是两面灰度值取大法,即同一位置保留正反面灰度图像中灰度较大的值;第二种融合算法是两面灰度值取小法,即同一位置保留正反面图像中灰度较小的值;第三种融合算法是两面灰度值求平均法,即同一位置保留正反面图像灰度的平均值。以上三种融合算法可以用公式表达为:
为了去除双面融合后图像的噪声,在本实施例中采用巴特沃斯低通滤波对图像进行平滑增强处理。巴特沃斯低通滤波器的产生公式为:
其中,D(u,v)是频率点(u,v)与频率中心的距离,D0是巴特沃斯低通滤波器的截止频率,参数n是巴特沃斯低通滤波器的阶数。
在单色织物中,对应于纱线循环的周期性成分是主要的结构特征,但是当织物中的经纱和纬纱颜色不同时,颜色循环的周期性成分和纱线循环的周期性成分同时出现在织物的单面图像中,甚至颜色循环的周期性成分比纱线循环的周期性成分更占主导地位。在本实施例中,提出三种图像融合方法将色织物的正反面图像进行融合,将单面图像中的纱线浮长线融合形成完整的纱线结构,使纱线循环的周期性成分得到增强。在融合图像中,从而使纱线循环的周期性成分比颜色循环的周期性成分更占主导地位(图4,图5,图6)。利用傅里叶变换得到融合图像的功率谱图,其水平和垂直方向上关于原点对称的最亮峰点可以被提取出来作为特征频率点,通过傅里叶反变换得到经纬纱线的重构图,从而计算出色织物的密度。此外,还可以提取融合图像功率谱图中,经过原点的水平方向和垂直方向的一行或一列频率点,利用傅里叶反变换对其进行重构,从而分析织物的组织结构。
由于图像是由离散的像素点组成,假设织物图像的分辨率是R(每英寸上像素点的个数),图像的大小是M×N(经向像素数×纬向像素数),(u1,v1)和(u2,v2)是经纬纱对应的空间频率,d1d2是理想状态下的经纬纱线间的间距,即经纬纱的周期,dj和dw分别表示经纱和纬纱间的实际间距,Yj和Yw分别表示经纱和纬纱的实际密度,经纬纱线密度的计算公式为:
在每一块色织物上选取五个不同区域,通过密度镜测量色织物经纬纱密度,将五次测量的平均值作为人工测量的结果。通过图像融合方法测量色织物经纬纱密度,发现使用两面灰度值取大法和两面灰度值取小法测得结果比两面灰度值求平均法更为准确,故通过以上两种方法对色织物经纬纱密度进行测量,将五次测量的平均值作为自动测量的结果,下表列出了20块色织物样品的具体结构参数和经纬纱线密度。
由上表可知,色织物经纬纱密度的自动测量结果与人工测量结果存在一定的误差,这是因为色织物中每根纱线的直径大小不同,选取不同区域的子图像进行密度测量时,每个子图像中的纱线根数不一致,测出的结果和人工测量的结果存在细小的偏差。
根据上述计算结果可知,利用关于原点对称的两个最亮峰点进行重构,可以较为准确地测量色织物经纬纱密度,两面灰度值取大法和两面灰度值取小法能够融合更多的纱线信息,比两面灰度值求平均法更为准确;利用经过原点的水平或垂直方向上的一行或一列频率点进行重构,不仅可以观察到纱线的周期性结构,还可以观察到不同纱线的颜色浓度变化以及潜在的组织结构。
上述各实施方式是实现本发明的具体实施例,本领域的普通技术人员可以理解,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (9)
1.一种色织物经纬纱密度的测量方法,其特征在于,包括以下步骤:
S1、采集色织物的双面图像;
S2、将采集到的色织物的双面图像分别转化为灰度图像;
S3、融合双面的灰度图像;
S4、去除融合图像的噪声;
S5、对去噪声后的融合图像进行傅里叶变换,得到功率谱图;
S6、提取水平方向和/或垂直方向上关于原点对称的特征亮点;
S7、根据所述步骤S6中提取的特征亮点,重构经纬纱线的图像;
S8、根据所述步骤S7中重构的图像,计算经纱和纬纱的密度。
2.根据权利要求1所述的色织物经纬纱密度的测量方法,其特征在于,在所述步骤S3中,融合双面的灰度图像的方法为两面灰度值取大法。
3.根据权利要求1所述的色织物经纬纱密度的测量方法,其特征在于,在所述步骤S3中,融合双面的灰度图像的方法为两面灰度值取小法。
4.根据权利要求1所述的色织物经纬纱密度的测量方法,其特征在于,在所述步骤S3中,融合双面的灰度图像的方法为两面灰度值求平均法。
5.根据权利要求1所述的色织物经纬纱密度的测量方法,其特征在于,在所述步骤S4中,通过巴特沃斯低通滤波器去除融合图像的噪声。
6.根据权利要求5所述的色织物经纬纱密度的测量方法,其特征在于,所述巴特沃斯低通滤波器的产生公式为
其中,所述D(u,v)是频率点(u,v)与频率中心的距离,所述D0是巴特沃斯低通滤波器的截止频率,所述n是所述巴特沃斯低通滤波器的阶数。
7.根据权利要求2所述的色织物经纬纱密度的测量方法,其特征在于,在所述步骤S6中,所提取的特征亮点为最亮峰点。
8.根据权利要求1所述的色织物经纬纱密度的测量方法,其特征在于,在所述步骤S7中,通过傅里叶反变换得到经纬纱线的重构图。
9.根据权利要求1所述的色织物经纬纱密度的测量方法,其特征在于,经纬纱线密度的计算公式为
其中,所述R为织物图像的分辨率,所述M为经向像素数,所述N为纬向像素数,(u1,v1)为经纱对应的空间频率,(u2,v2)为纬纱对应的空间频率,所述d1为理想状态下的经纱线间的间距,所述d2为理想状态下的纬纱线间的间距,所述dj为经纱线间的实际间距;所述dw为纬纱线间的实际间距,所述Yj为经纱的实际密度,所述Yw为纬纱的实际密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610172722.4A CN105787949A (zh) | 2016-03-24 | 2016-03-24 | 色织物经纬纱密度的测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610172722.4A CN105787949A (zh) | 2016-03-24 | 2016-03-24 | 色织物经纬纱密度的测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105787949A true CN105787949A (zh) | 2016-07-20 |
Family
ID=56391883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610172722.4A Pending CN105787949A (zh) | 2016-03-24 | 2016-03-24 | 色织物经纬纱密度的测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787949A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153064A (zh) * | 2017-05-22 | 2017-09-12 | 绍兴众舟科技有限公司 | 一种单丝根数的测定方法以及单丝根数的测定系统 |
CN107203996A (zh) * | 2017-06-21 | 2017-09-26 | 江南大学 | 机织物图像周期自动测量方法 |
CN109884284A (zh) * | 2019-03-29 | 2019-06-14 | 盐城工业职业技术学院 | 一种多指标机织物快速分析一体机及其分析方法 |
CN111325707A (zh) * | 2018-12-13 | 2020-06-23 | 深圳中科飞测科技有限公司 | 一种图像处理方法和系统、检测方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288608A (zh) * | 2011-06-20 | 2011-12-21 | 江南大学 | 一种新的机织物密度自动检测方法 |
CN104346818A (zh) * | 2014-10-27 | 2015-02-11 | 江南大学 | 一种机织物密度自动测量方法 |
-
2016
- 2016-03-24 CN CN201610172722.4A patent/CN105787949A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288608A (zh) * | 2011-06-20 | 2011-12-21 | 江南大学 | 一种新的机织物密度自动检测方法 |
CN104346818A (zh) * | 2014-10-27 | 2015-02-11 | 江南大学 | 一种机织物密度自动测量方法 |
Non-Patent Citations (5)
Title |
---|
JIE ZHANG 等: "A Review of Fabric Identification Based on Image Analysis Technology", 《TEXTILES AND LIGHT INDUSTRIAL SCIENCE AND TECHNOLOGY》 * |
JIE ZHANG 等: "density measurement of yarn dyed woven fabrics based on dual-side scanning and the fft technique", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 * |
MIQUEL RALLO 等: "Weave-repeat Identification by Structural Analysis of Fabric Images", 《APPLIED OPTICS》 * |
张杰 等: "基于双面成像的色织物密度自动测量技术", 《河北科技大学学报》 * |
张杰: "基于双面成像技术的织物纹理与颜色特征分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153064A (zh) * | 2017-05-22 | 2017-09-12 | 绍兴众舟科技有限公司 | 一种单丝根数的测定方法以及单丝根数的测定系统 |
CN107203996A (zh) * | 2017-06-21 | 2017-09-26 | 江南大学 | 机织物图像周期自动测量方法 |
CN111325707A (zh) * | 2018-12-13 | 2020-06-23 | 深圳中科飞测科技有限公司 | 一种图像处理方法和系统、检测方法和系统 |
CN109884284A (zh) * | 2019-03-29 | 2019-06-14 | 盐城工业职业技术学院 | 一种多指标机织物快速分析一体机及其分析方法 |
CN109884284B (zh) * | 2019-03-29 | 2022-03-18 | 盐城工业职业技术学院 | 一种多指标机织物快速分析一体机及其分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787949A (zh) | 色织物经纬纱密度的测量方法 | |
CN110163246A (zh) | 基于卷积神经网络的单目光场图像无监督深度估计方法 | |
CN104952102B (zh) | 面向延迟着色的统一反走样方法 | |
CN103914863B (zh) | 一种彩色图像抽象化绘制方法 | |
CN102750405B (zh) | 一种色纺夹花织物的计算机仿真方法 | |
CN103425984B (zh) | 一种检测票据中正多边形印章的方法和装置 | |
CN104346818B (zh) | 一种机织物密度自动测量方法 | |
CN101976442B (zh) | 一种用于表征织物纹理的分形概貌与Sobel算子滤波细节混合特征向量提取方法 | |
CN102779351A (zh) | 基于局部线性模型优化的交互式灰度图像彩色化方法 | |
CN106485288A (zh) | 一种色织物组织的自动识别方法 | |
CN105654123A (zh) | 一种机织物组织图的识别方法 | |
CN108765554A (zh) | 基于超维的非均质岩心三维重建方法 | |
CN101976440B (zh) | 一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法 | |
CN106937109B (zh) | 低成本判断摄像头分辨率水平的方法 | |
CN105550660A (zh) | 一种机织物组织结构种类的识别方法 | |
CN110490858A (zh) | 一种基于深度学习的织物缺陷像素级分类方法 | |
CN109949224A (zh) | 一种基于深度学习的联级超分辨率重建的方法及装置 | |
CN104966285A (zh) | 一种显著性区域的检测方法 | |
CN104735360B (zh) | 光场图像处理方法和装置 | |
CN104574391A (zh) | 一种基于自适应特征窗口的立体视觉匹配方法 | |
CN107993225A (zh) | 一种磁光涡流成像检测的缺陷识别方法 | |
CN105044128A (zh) | 基于光照背景差影法的水果表面缺陷检测方法 | |
CN106169174A (zh) | 一种图像放大方法 | |
CN102519395A (zh) | 彩色结构光三维测量中的彩色响应标定方法 | |
CN103514595B (zh) | 图像显著区域检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160720 |