CN105956600A - 复杂背景下基于椭圆拟合和svm的螺栓识别方法 - Google Patents
复杂背景下基于椭圆拟合和svm的螺栓识别方法 Download PDFInfo
- Publication number
- CN105956600A CN105956600A CN201610235295.XA CN201610235295A CN105956600A CN 105956600 A CN105956600 A CN 105956600A CN 201610235295 A CN201610235295 A CN 201610235295A CN 105956600 A CN105956600 A CN 105956600A
- Authority
- CN
- China
- Prior art keywords
- image
- fitting
- bolt
- ellipse
- svm
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种复杂背景下基于椭圆拟合和SVM的螺栓识别方法,包括:步骤1,采集图像;步骤2,判断图像灰度是否低于灰度阈值,若是,采用对比度受限的自适应直方图均衡化方法对图像进行增强,然后执行步骤4,若否,执行步骤3;步骤3,判断图像是否有高光现象,若是,采用同态滤波方法对图像进行增强,然后执行步骤4,若否,直接执行步骤4;步骤4,采用自适应阈值选取的Canny算法提取图像边缘;步骤5,采用基于椭圆率的椭圆拟合方法对图像边缘信息进行拟合;步骤6,采用基于SVM目标识别方法对目标进行分类识别,正确识别螺栓。本发明在图像灰度较低或者高光情况下可以有效识别螺栓,识别准确。
Description
技术领域
本发明涉及目标识别领域,尤其涉及一种复杂背景下基于椭圆拟合和SVM的螺栓识别方法。
背景技术
基于视觉的目标识别技术主要研究如何将目标从图像的背景中识别出来。随着计算机视觉技术和图像并行处理技术的飞速发展,基于机器视觉的目标识别技术被广泛应用到许多领域,包括工业、农业和电力等领域,特别是在危险系数较高的或人类视觉无法感知的领域,基于机器视觉的目标识别技术能够表现出非常高的优越性。例如,在机器人装配作业过程中,经常需要利用机器视觉技术,对螺栓进行识别,为机器人自主拆卸安装设备奠定基础。
考虑到噪声的干扰、光照的不均、天气的变化、物体表面的反射等影响,摄像头可能难以采集到目标突出的高质量图像,从而造成目标识别的困难。而应用图像增强技术可有效改善图像质量,突出目标信息。目前,针对基于视觉的螺栓识别研究还不是很多,且针对螺栓识别的现有方法中,对环境的要求比较高,例如要求良好的光照条件等。
发明内容
本发明的目的在于提供一种复杂背景下基于椭圆拟合和SVM的螺栓识别方法。
实现本发明目的的技术方案为:一种复杂背景下基于椭圆拟合和SVM的螺栓识别方法,包括以下步骤:
步骤1,采集包括螺栓在内的图像,并转换为灰度图像;
步骤2,判断图像灰度是否低于灰度阈值,若是,采用对比度受限的自适应直方图均衡化方法对图像进行增强,然后执行步骤4;若否,执行步骤3;
步骤3,判断图像是否有高光现象,若是,采用同态滤波方法对图像进行增强,然后执行步骤4,若否,直接执行步骤4;
步骤4,采用自适应阈值选取的Canny算法提取图像边缘;
步骤5,采用基于椭圆率的椭圆拟合方法对图像边缘信息进行拟合;
步骤6,采用基于SVM目标识别方法对拟合结果进行分类识别,正确识别螺栓。
与现有技术相比,本发明的显著优点为:(1)本发明在图像灰度较低或者图像存在高光现象时可以增强图像,使得目标信息突出;(2)本发明采用基于椭圆率的椭圆拟合法和SVM目标识别方法,可以排除螺孔的影响,有效识别螺栓。
附图说明
图1为本发明复杂背景下基于椭圆拟合和SVM的螺栓识别方法流程图。
图2为实施例中螺栓识别的结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明的复杂背景下基于椭圆拟合和SVM的螺栓识别方法的具体实施方式进行说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
结合图1,一种复杂背景下基于椭圆拟合和SVM的螺栓识别方法,包括以下步骤:
步骤1,采集包括螺栓在内的图像,并转换为灰度图像;
步骤2,判断图像灰度是否低于灰度阈值,若是,采用对比度受限的自适应直方图均衡化方法对图像进行增强,然后执行步骤4;若否,执行步骤3;所述对比度受限的自适应直方图均衡化方法步骤为:
步骤2-1,分区域:将原图像f(x,y)分成M×N个大小相等的连续不重叠子区域,设每个子区域的像素总数为Sum_subpix;
步骤2-2,计算子区域直方图:计算各个子区域的直方图,设第(i,j)个子区域的直方图为Hi,j(rk),其中rk为各子区域的灰度级,1≤i≤M,1≤j≤N;
步骤2-3,计算裁剪值:
其中,Clip_value是裁剪值,L为每个子区域中的灰度级数,α为裁剪系数,取值范围为[0 100],smax为每个子区域映射函数的最大斜率,通过限制α,可以限制对比度;
步骤2-4,像素点重新分配:对每个子区域直方图中大于裁剪值Clip_value部分进行裁剪,将裁剪下来的像素平均分配到直方图的各个灰度级中,得到每个子区域的对比度受限直方图;
步骤2-5,均衡化:对每个子区域的对比度受限直方图进行均衡化处理;
步骤2-6,重构图像:采用插值运算进行重构图像;
步骤3,判断图像是否是高光图像,若是,采用同态滤波方法对图像进行增强,然后执行步骤4,若否,直接执行步骤4;
所述判断是否有高光现象的过程为:若灰度图像中大于高光灰度阈值的像素个数所占比例超过设定的比例,则有高光现象;否则没有高光现象;
所述的采用同态滤波方法对图像进行增强的具体过程为:
步骤3-1,图像f(x,y)通过照射分量i(x,y)和反射分量r(x,y)的乘积表示,即
f(x,y)=i(x,y)r(x,y),0<i(x,y)<∞,0<r(x,y)<1
其中照射分量为低频分量,反射分量为高频分量,(x,y)表示图像像素点坐标;
对上式两边取对数,将两个相乘分量转换为两个相加分量:
z(x,y)=ln f(x,y)=lni(x,y)+lnr(x,y)
其中,z(x,y)是f(x,y)的对数变换结果;
步骤3-2,对步骤3-1中等式进行傅里叶变换得:
Z(u,v)=I(u,v)+R(u,v)
其中,Z(u,v)、I(u,v)、R(u,v)分别表示z(x,y)、lni(x,y)、lnr(x,y)的傅里叶变换;
步骤3-3,通过滤波函数H(u,v)对图像的照射分量和反射分量进行滤波处理:
S(u,v)=H(u,v)Z(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v)
步骤3-4,对滤波后的频谱函数进行傅里叶逆变换得:
s(x,y)=i′(x,y)+r′(x,y)
其中,s(x,y)、i′(x,y)和r′(x,y)分别是S(u,v)、H(u,v)I(u,v)和H(u,v)R(u,v)的傅里叶逆变换;
步骤3-5,对步骤3-4结果进行取指数运算即获得同态滤波增强后的图像g(x,y)。
g(x,y)=es(x,y)=ei′(x,y)er′(x,y)=i0(x,y)r0(x,y)
其中,i0(x,y)和r0(x,y)分别为i′(x,y)和r′(x,y)取指数运算后的结果;
步骤4,采用自适应阈值选取的Canny算法提取图像边缘;具体步骤为:
步骤4-1,计算图像的梯度幅值;
步骤4-2,计算图像的梯度直方图;
步骤4-3,对图像梯度直方图累加,当累加数目达到总像素数目的Hr时,对应的图像梯度值为H_thresh,下限阈值L_thresh通过L_thresh=Lr×H_thresh计算得到,从而确定上限阈值H_thresh和下限阈值L_thresh,其中,Hr为上限阈值比例系数,Lr为下限阈值比例系数,且0<Hr<1,0<Lr<1;
步骤4-4,使用Canny算法进行边缘检测;
步骤5,采用基于椭圆率的椭圆拟合方法对图像边缘信息进行拟合;具体过程如下:
步骤5-1,在一组边缘轮廓像素点中,随机的选择6个边缘点,设该边缘轮廓像素点的总个数为Pm;
步骤5-2,利用椭圆方程x2+Axy+By2+Cx+Dy+E=0以及最小二乘法,得到椭圆的5个参数A、B、C、D、E的值;
步骤5-3,遍历该边缘轮廓上的所有像素点,并求出每个像素点到已拟合椭圆之间的代数距离,如果距离小于设定的距离阈值,则该像素点为匹配点;遍历完轮廓上的所有像素点后,得到该拟合椭圆的匹配点总个数,设为P,则椭圆的拟合率
步骤5-4,比较当前拟合率与最大拟合率ηmax,如果当前拟合率大于最大拟合率,则更新存储在数组best_array中的椭圆参数A、B、C、D、E,并将当前拟合率赋值给ηmax;
步骤5-5,重复执行步骤5-1到步骤5-4m次,m表示给定循环次数;
步骤5-6,利用数组best_array中存储的椭圆参数,根据下两式
计算得到椭圆长半轴a和椭圆短半轴b,并计算椭圆率:
步骤5-7,判断椭圆率是否大于椭圆率阈值,若是,则该椭圆是所要查找的椭圆;若否,则不是。
步骤6,采用基于支持向量机(SVM)目标识别方法对目标进行分类识别,正确识别螺栓。
所述基于SVM目标识别方法为:寻找一个能够满足分类要求并且具有最大分类间隔的最佳分类超平面,利用寻找到的最佳分类超平面,对目标进行分类,从而识别目标;其中最佳分类超平面通过大量包含识别目标在内的正样本和不包含识别目标的负样本训练得到。
下面结合具体实施例和附图对本发明作进一步说明。
实施例
一种复杂背景下基于椭圆拟合和SVM的螺栓识别方法,包括以下步骤:
步骤1,采集包括螺栓在内的图像,并转换为灰度图像;
步骤2,判断图像灰度是否低于灰度阈值,若是,采用对比度受限的自适应直方图均衡化方法对图像进行增强,然后执行步骤4;若否,执行步骤3;其中,采用自适应阈值法获取图像灰度,灰度阈值取90;
步骤3,判断图像是否是高光图像,若是,采用同态滤波方法对图像进行增强,然后执行步骤4,若否,直接执行步骤4;
其中,同态滤波中的滤波函数为巴特沃斯型带阻滤波器,其传递函数为
式中,表示任意(u,v)点距离滤波器中心(u0,v0)的距离,D0表示截止频率,w、h为图像的宽和高。Rh、Rl分别为高、低频增益系数,常数c满足Rl<c<Rh;该实施例中,参数Rh为3.9,Rl为0.45,c为0.6;
步骤4,采用自适应阈值选取的Canny算法提取图像边缘;
步骤5,采用基于椭圆率的椭圆拟合方法对图像边缘信息进行拟合;其中,基于椭圆率的椭圆拟合法中,椭圆率阈值设置为0.85;
步骤6,采用基于SVM目标识别方法对拟合结果进行分类识别,正确识别螺栓。
图2(a)、图2(b)、图2(c)和图2(d)中螺栓识别结果用圆圈出,其中图2(a)和图2(b)是简单背景下的识别结果,图2(c)和图2(d)是较复杂背景下的识别结果。
本实施例中采用基于椭圆率的椭圆拟合法和SVM目标识别方法对螺栓进行识别,在简单背景和较复杂背景下都能够准确识别螺栓,且不会将螺孔误认为螺栓,识别效果好。
Claims (7)
1.一种复杂背景下基于椭圆拟合和SVM的螺栓识别方法,其特征在于,包括以下步骤:
步骤1,采集包括螺栓在内的图像,并转换为灰度图像;
步骤2,判断图像灰度是否低于灰度阈值,若是,采用对比度受限的自适应直方图均衡化方法对图像进行增强,然后执行步骤4;若否,执行步骤3;
步骤3,判断图像是否有高光现象,若是,采用同态滤波方法对图像进行增强,然后执行步骤4,若否,直接执行步骤4;
步骤4,采用自适应阈值选取的Canny算法提取图像边缘;
步骤5,采用基于椭圆率的椭圆拟合方法对图像边缘信息进行拟合;
步骤6,采用基于SVM目标识别方法对拟合结果进行分类识别,正确识别螺栓。
2.根据权利要求1所述的复杂背景下基于椭圆拟合和SVM的螺栓识别方法,其特征在于,步骤2中所述对比度受限的自适应直方图均衡化方法是通过计算图像的局部直方图,然后重新分布直方图来改变图像的对比度,该方法具体为:
步骤2-1,分区域:将原图像f(x,y)分成M×N个大小相等的连续不重叠子区域,设每个子区域的像素总数为Sum_subpix;
步骤2-2,计算子区域直方图:计算各个子区域的直方图,设第(i,j)个子区域的直方图为Hi,j(rk),其中rk为各子区域的灰度级,1≤i≤M,1≤j≤N;
步骤2-3,计算裁剪值:
其中,Clip_value是裁剪值,L为每个子区域中的灰度级数,α为裁剪系数,取值范围为[0 100],smax为每个子区域映射函数的最大斜率;
步骤2-4,像素点重新分配:对每个子区域直方图中大于裁剪值Clip_value部分进行裁剪,将裁剪下来的像素平均分配到直方图的各个灰度级中,得到每个子区域的对比度受限直方图;
步骤2-5,均衡化:对每个子区域的对比度受限直方图进行均衡化处理;
步骤2-6,重构图像:采用插值运算重构图像。
3.根据权利要求1所述的复杂背景下基于椭圆拟合和SVM的螺栓识别方法,其特征在于,步骤3中所述判断是否有高光现象的过程为:若灰度图像中大于高光灰度阈值的像素个数所占比例超过设定的比例,则有高光现象;否则没有高光现象。
4.根据权利要求1所述的复杂背景下基于椭圆拟合和SVM的螺栓识别方法,其特征在于,步骤3中所述采用同态滤波方法对图像进行增强的具体过程为:
步骤3-1,图像f(x,y)通过照射分量i(x,y)和反射分量r(x,y)的乘积表示,即
f(x,y)=i(x,y)r(x,y),0<i(x,y)<∞,0<r(x,y)<1
其中,(x,y)表示图像像素点坐标;
对上式两边取对数,将两个相乘分量转换为两个相加分量:
z(x,y)=lnf(x,y)=lni(x,y)+lnr(x,y)
其中,z(x,y)是f(x,y)的对数变换结果。
步骤3-2,对步骤3-1中等式进行傅里叶变换得:
Z(u,v)=I(u,v)+R(u,v)
其中,Z(u,v)、I(u,v)、R(u,v)分别表示z(x,y)、lni(x,y)、lnr(x,y)的傅里叶变换;
步骤3-3,通过滤波函数H(u,v)对图像的照射分量和反射分量进行滤波处理:
S(u,v)=H(u,v)Z(u,v)=H(u,v)I(u,v)+H(u,v)R(u,v)
步骤3-4,对滤波后的频谱函数进行傅里叶逆变换:
s(x,y)=i′(x,y)+r′(x,y)
其中,s(x,y)、i′(x,y)和r′(x,y)分别是S(u,v)、H(u,v)I(u,v)和H(u,v)R(u,v)的傅里叶逆变换;
步骤3-5,对步骤3-4结果进行取指数运算即获得同态滤波增强后的图像g(x,y):
g(x,y)=es(x,y)=ei′(x,y)er′(x,y)=i0(x,y)r0(x,y)
其中,i0(x,y)和r0(x,y)分别为i′(x,y)和r′(x,y)取指数运算后的结果。
5.根据权利要求1所述的复杂背景下基于椭圆拟合和SVM的螺栓识别方法,其特征在于,步骤4中所述采用自适应阈值选取的Canny算法提取图像边缘的具体步骤为:
步骤4-1,计算图像的梯度幅值;
步骤4-2,计算图像的梯度直方图;
步骤4-3,对图像梯度直方图累加,当累加数目达到总像素数目的Hr时,对应的图像梯度值为H_thresh,下限阈值L_thresh通过L_thresh=Lr×H_thresh计算得到,其中,Hr为上限阈值比例系数,Lr为下限阈值比例系数,且0<Hr<1,0<Lr<1;
步骤4-4,使用Canny算法进行边缘检测。
6.根据权利要求1所述的螺栓识别方法,其特征在于,步骤5中所述采用基于椭圆率的椭圆拟合方法对图像边缘信息进行拟合的具体步骤为:
步骤5-1,在一组边缘轮廓像素点中,随机的选择6个边缘点,设该边缘轮廓像素点的总个数为Pm;
步骤5-2,利用椭圆方程x2+Axy+By2+Cx+Dy+E=0以及最小二乘法,得到椭圆的5个参数A、B、C、D、E的值;
步骤5-3,遍历该边缘轮廓上的所有像素点,并求出每个像素点到已拟合椭圆之间的代数距离,如果距离小于设定的距离阈值,则该像素点为匹配点;遍历完轮廓上的所有像素点后,得到该拟合椭圆的匹配点总个数,设为P,则椭圆的拟合率
步骤5-4,比较当前拟合率与最大拟合率ηmax,如果当前拟合率大于最大拟合率,则更新存储在数组best_array中的椭圆参数A、B、C、D、E,并将当前拟合率赋值给ηmax;
步骤5-5,重复执行步骤5-1到步骤5-4m次,m表示给定循环次数;
步骤5-6,利用数组best_array中存储的椭圆参数,根据下两式
计算得到椭圆长半轴a和椭圆短半轴b,并计算椭圆率:
步骤5-7,判断椭圆率是否大于椭圆率阈值,若是,则该椭圆是所要查找的椭圆;若否,则不是。
7.根据权利要求1所述的复杂背景下基于椭圆拟合和SVM的螺栓识别方法,其特征在于,步骤6中所述基于SVM目标识别方法为:寻找一个能够满足分类要求并且具有最大分类间隔的最佳分类超平面,利用寻找到的最佳分类超平面,对目标进行分类,从而识别目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610235295.XA CN105956600A (zh) | 2016-04-15 | 2016-04-15 | 复杂背景下基于椭圆拟合和svm的螺栓识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610235295.XA CN105956600A (zh) | 2016-04-15 | 2016-04-15 | 复杂背景下基于椭圆拟合和svm的螺栓识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105956600A true CN105956600A (zh) | 2016-09-21 |
Family
ID=56917552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610235295.XA Pending CN105956600A (zh) | 2016-04-15 | 2016-04-15 | 复杂背景下基于椭圆拟合和svm的螺栓识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956600A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622269A (zh) * | 2017-09-24 | 2018-01-23 | 国网江苏省电力公司常州供电公司 | 复杂背景下基于几何约束的熔丝管管体识别方法 |
CN111242876A (zh) * | 2020-01-17 | 2020-06-05 | 北京联合大学 | 低对比度图像增强方法、装置及计算机可读存储介质 |
CN113469980A (zh) * | 2021-07-09 | 2021-10-01 | 连云港远洋流体装卸设备有限公司 | 一种基于图像处理的法兰识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150723A (zh) * | 2013-01-25 | 2013-06-12 | 西安电子科技大学 | 基于形状和椭圆拟合的胃部ct图像淋巴结检测系统及方法 |
CN103440637A (zh) * | 2013-09-22 | 2013-12-11 | 北京智诺英特科技有限公司 | 用于图像序列增强的方法和装置 |
CN104952069A (zh) * | 2015-05-29 | 2015-09-30 | 中国农业大学 | 基于限制对比度直方图均衡化的水下海参图像处理方法 |
CN104966272A (zh) * | 2015-05-29 | 2015-10-07 | 中国农业大学 | 一种水下海参图像处理方法及系统 |
-
2016
- 2016-04-15 CN CN201610235295.XA patent/CN105956600A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150723A (zh) * | 2013-01-25 | 2013-06-12 | 西安电子科技大学 | 基于形状和椭圆拟合的胃部ct图像淋巴结检测系统及方法 |
CN103440637A (zh) * | 2013-09-22 | 2013-12-11 | 北京智诺英特科技有限公司 | 用于图像序列增强的方法和装置 |
CN104952069A (zh) * | 2015-05-29 | 2015-09-30 | 中国农业大学 | 基于限制对比度直方图均衡化的水下海参图像处理方法 |
CN104966272A (zh) * | 2015-05-29 | 2015-10-07 | 中国农业大学 | 一种水下海参图像处理方法及系统 |
Non-Patent Citations (4)
Title |
---|
周小军 等: "一种红外图像对比度增强新方法", 《无线电工程》 * |
王红涛: "基于视觉的工业机器人目标识别定位方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
田小平 等: "基于同态滤波的彩色图像增强", 《西安邮电大学学报》 * |
闫蓓 等: "基于最小二乘法的椭圆拟合改进算法", 《北京航空航天大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622269A (zh) * | 2017-09-24 | 2018-01-23 | 国网江苏省电力公司常州供电公司 | 复杂背景下基于几何约束的熔丝管管体识别方法 |
CN111242876A (zh) * | 2020-01-17 | 2020-06-05 | 北京联合大学 | 低对比度图像增强方法、装置及计算机可读存储介质 |
CN111242876B (zh) * | 2020-01-17 | 2023-10-03 | 北京联合大学 | 低对比度图像增强方法、装置及计算机可读存储介质 |
CN113469980A (zh) * | 2021-07-09 | 2021-10-01 | 连云港远洋流体装卸设备有限公司 | 一种基于图像处理的法兰识别方法 |
CN113469980B (zh) * | 2021-07-09 | 2023-11-21 | 连云港远洋流体装卸设备有限公司 | 一种基于图像处理的法兰识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156921B (zh) | 一种低照度或亮度不均图像的自适应图像增强方法 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN102521813B (zh) | 基于双平台直方图的红外图像自适应增强方法 | |
CN103440644B (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN101706954B (zh) | 图像增强方法和装置以及图像低频分量计算方法和装置 | |
CN109919160A (zh) | 验证码识别方法、装置、终端及存储介质 | |
CN111340716A (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
CN107767387A (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN111091147B (zh) | 一种图像分类方法、装置及设备 | |
CN105956600A (zh) | 复杂背景下基于椭圆拟合和svm的螺栓识别方法 | |
CN103208097A (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN106097274A (zh) | 一种自适应分数阶微分图像增强算法 | |
CN103475897A (zh) | 一种基于失真类型判断的自适应图像质量评价方法 | |
CN105956570A (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN103778611A (zh) | 利用边缘检测的开关加权矢量中值滤波方法 | |
CN109978907A (zh) | 一种面向家居场景的学生坐姿检测方法 | |
CN114170103A (zh) | 一种电气设备红外图像增强方法 | |
CN104616252B (zh) | 基于nsct和pcnn的数字图像增强方法 | |
CN116012601A (zh) | 一种yolo_sr系统、用于扫地机器人的目标检测方法及装置 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN102789634A (zh) | 一种获取光照均一化图像的方法 | |
CN103854011A (zh) | 一种虹膜图像的质量评价方法 | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160921 |