CN106023171B - 一种基于转弯半径的图像角点检测方法 - Google Patents
一种基于转弯半径的图像角点检测方法 Download PDFInfo
- Publication number
- CN106023171B CN106023171B CN201610318708.0A CN201610318708A CN106023171B CN 106023171 B CN106023171 B CN 106023171B CN 201610318708 A CN201610318708 A CN 201610318708A CN 106023171 B CN106023171 B CN 106023171B
- Authority
- CN
- China
- Prior art keywords
- pixel
- turning radius
- image
- point
- threshold value
- 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 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于转弯半径的图像角点检测方法，包括以下步骤：S1.采用高斯滤波去除噪声并计算原始图像各像素点的梯度值；S2.在图像中的像素点的周围设定邻域内查找灰度最接近的邻接点；S3.计算各像素点和最接近邻接点的转弯半径；S4.计算转弯半径的阈值；S5.将转弯半径大于阈值且转弯半径在设定邻域内最大的像素点标记为角点。本发明采用以上技术方案，可以准确地定位图像的角点，能够有效抑制噪声和纹理导致的虚假角点，计算阈值简便、运算效率高，实现自动化检测、改善了角点检测效果，本发明可应用于3D重建、视觉的定位和测量等方面。
Description
技术领域
本发明涉及自动化领域中对图像角点的检测技术领域，具体涉及一种基于转弯半径的图像角点检测方法。
背景技术
二维图像的角点尚无明确的数学定义，但有一种普遍接受的观点是：二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点可称为角点。角点保留了图像图形中的重要特征，可以有效地减少信息的冗余,使其信息的含量很高，可以有效地提高图像计算的速度，有利于图像的分析和处理，使得实时处理成为可能。角点检测在三维场景重建、运动估计、目标跟踪、目标识别、图像配准与匹配等计算机视觉领域都起着非常重要的作用。
在对角点检测的逐步深入研究过程中，产生了很多角点检测算法。大致可将这些算法分为三类:(1)基于模板匹配的角点检测；(2)基于边缘特征的角点检测；(3)基于亮度变化的角点检测。
(1)基于模板匹配的角点检测
基于模板匹配的角点检测的原理是：设定具有角点特征的模板，将图像内与模板大小相同的所有区域与模板匹配其相关性和相似性。因为角点的特征数量多而且性质尚不明确，所以在复杂图像中很难设计出大量模板来匹配所有类型的角点。
(2)基于边缘特征的角点检测
基于边缘特征的角点检测算法比较典型的有Harris算法，该算法是由C.Harris和M.J.Stephens提出的一种基于信号的曲率特征提取算法，这种算法受信号处理中自相关函数的启发，通过求自相关函数相联系的矩阵的特征值的方法来求自相关函数的一阶曲率，如果某点两个特征值、曲率值都高，那么就认为该点是角点。
(3)基于亮度变化的角点检测
基于亮度变化的角点检测方法的特点是不依赖于目标的其它局部特征，利用角点本身的特点直接提取角点，实践证明这类算法速度快、实时性强。这类方法中比较经典的算法有Susan算法等。Susan算法是Smith和Brady提出的一种图像处理方法，该算法是基于像素领域包含若干元素的近似圆形模板，对每个像素基于该模板领域的图像灰度计算角点响应函数(CRF)的数值，如果大于某阈值且为局部极大值，则认为该点为角点。Susan角点检测的不足在于采用固定的阈值，不适合用于一般的情况，需要用自适应阈值来改进此算法。
发明内容
本发明涉及一种基于转弯半径的图像角点检测方法，用像素点间的转弯半径作为角点的判定特征，从而实现运算效率高、可抗噪声的发明目的。
本发明可以通过以下技术方案来实现：
本发明涉及一种基于转弯半径的图像角点检测方法，包括以下步骤：
S1.采用高斯滤波去除噪声并计算原始图像各像素点的梯度值；
S2.在图像中的像素点的周围设定邻域内查找灰度最接近的邻接点；
S3.计算各像素点和最接近邻接点的转弯半径；
S4.计算转弯半径的阈值；
S5.将转弯半径大于阈值且转弯半径在设定邻域内最大的像素点标记为角点。
进一步地，所述步骤S1包括：
Sa1、采用一维高斯算子对原始图像进行横向与纵向高斯平滑得到平滑后的图像a；
Sa2、采用二维高斯算子的偏导数对所述平滑后的图像进行横向与纵向滤波计算得到图像的梯度。
进一步地，在步骤S2中，在图像a中任一像素点的四个邻接点中取灰度最接近的点作为最接近邻接点，所述任一像素点为第一像素点(i,j)，所述最接近邻接点为第二像素点(r,c)。
进一步地，步骤S3包括：
Sc1、将第一像素点(i,j)和第二像素点(r,c)的灰度差值a(i,j)-a(r,c)除两像素点坐标距离计算两像素点间的转弯速度(v)：
Sc2、第一像素点(i,j)和第二像素点(r,c)的梯度向量的夹角为两像素点间的转弯角度，所述转弯角度的正弦值(sinQ)为：
其中，第一像素点(i,j)的梯度向量为[dx(i,j),dy(i,j)]，第二像素点(r,c)的梯度向量为[dx(r,c),dy(r,c)]；
Sc3、计算转弯半径(R)：
R＝v2×sinQ。
进一步地，步骤S4包括：
Sd1、计算所有像素点的转弯半径(R)的均值(M)和方差(D)；
Sd2、取阈值(T)为:T＝M+k×D，其中k取值一般为0～3。
进一步地，在步骤S5中：将转弯半径(R)大于阈值(T)且转弯半径(R)在周围四十八邻域内最大的像素点标记为角点。
本发明涉及的基于角点半径的图像角点检测方法具有如下有益效果：
本发明采用以上技术方案，可以准确地定位图像的角点，能够有效抑制噪声和纹理导致的虚假角点，计算阈值简便、运算效率高，实现自动化检测、改善了角点检测效果，本发明可应用于3D重建、视觉的定位和测量等方面。
附图说明
图1为本发明的基于角点半径的图像角点检测方法的流程图；
图2为本发明计算转弯半径的原理模型图；
图3是本发明中用于对比的无噪声原始图片；
图4是用Harris算法处理无噪声原始图片得到的角点信息图；
图5是用本发明的方法处理无噪声原始图片得到的角点信息图；
图6是本发明中用于对比的加入椒盐噪声后的图片；
图7是用Harris算法处理有噪声图片得到的角点信息图；
图8是用本发明的方法处理有噪声图片得到的角点信息图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，附图仅供参考和说明使用，不构成对本发明专利保护范围的限制。
如图1所示，本发明公开了一种基于角点半径的图像角点检测方法，设输入的图像保存为一个灰度矩阵A，矩阵A中的每个元素A(i,j)存储第i行第j列位置像素点的灰度值。
本发明的基于角点半径的角点检测方法包括以下步骤：
S1.采用高斯滤波去除噪声并计算原始图像各像素点的梯度值；具体包括：
Sa1、采用一维高斯算子对原始图像进行横向与纵向高斯平滑得到平滑后的图像a；一维高斯算子为
Sa2、采用二维高斯算子的偏导数对所述平滑后的图像进行横向与纵向滤波计算得到图像的梯度；二维高斯算子为横向滤波公式为纵向滤波公式为
S2.在图像a中的像素点的周围设定邻域内查找灰度最接近的邻接点；具体为：在图像a中任一像素点(i,j)的四个邻接点(i-1,j-1)(i-1,j)(i-1,j+1)(i,j-1)中取灰度最接近的点作为最接近邻接点(r,c)，所述任一像素点为第一像素点(i,j)，所述最接近邻接点为第二像素点(r,c)；
S3.计算各像素点(第一像素点)(i,j)和最接近邻接点(第二像素点)(r,c)的转弯半径R；具体包括：
Sc1、计算转弯速度(v)：将各像素点(i,j)和最接近邻接点(r,c)的灰度差值a(i,j)-a(r,c)除两像素点坐标距离，计算公式为：
Sc2、计算转弯角度的正弦值(sinQ)：如图2所示，各像素点(i,j)的梯度向量为[dx(i,j),dy(i,j)]，最接近邻接点(r,c)的梯度向量为[dx(r,c),dy(r,c)]，则两梯度向量的夹角为两像素点间的转弯角度，转弯角度的正弦值sinQ计算公式为：
Sc3、计算转弯半径(R)：根据转弯半径公式计算转弯半径R，其中g为重力加速度，θ为转弯坡度，在这里都可作为常数省略，故转弯半径计算公式为：R＝v2×sinQ。
S4.计算转弯半径的阈值：具体包括：
Sd1、计算所有像素点的转弯半径R的均值M和方差D；
Sd2、取阈值T为:T＝M+k×D，其中k取值一般为0～3。
S5.将转弯半径大于阈值T且转弯半径在周围四十八邻域内[i-3:i+3,j-3:j+3]最大的像素点标记为角点。
为了说明本发明所采用的图像角点检测方法的技术效果，以图3的无噪声的图片作为原始图片分别采用Harris算法和本发明的图像角点检测方法进行处理，分别得到如图4和图5所示的角点信息图。从图4和图5的对比可以看到，采用本发明的图像角点处理方法相对于只采用Harris算法可以显著提高图像的角点检测准确性。
为了更进一步说明本发明所采用的图像角点检测方法的技术效果，以图3的无噪声的图片加入椒盐噪声的图6作为原始图片，然后分别采用Harris算法和本发明的图像角点检测方法对图6进行处理，分别得到如图7和图8所示的角点信息图。从图7和图8的对比可以看到，即使在有噪声干扰的条件下，采用本发明的图像角点处理方法相对于只采用Harris算法可以显著提高图像的角点检测抗噪声能力。
以上所述，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明；但是，凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。
Claims (4)
1.一种基于转弯半径的图像角点检测方法，其特征在于，包括以下步骤：
S1.采用高斯滤波去除噪声并计算原始图像各像素点的梯度值；
S2.在图像中的像素点的周围设定邻域内查找灰度最接近的邻接点，计算步骤为：
在图像a中任一像素点的四个邻接点中取灰度最接近的点作为最接近邻接点，所述任一像素点为第一像素点(i,j)，所述最接近邻接点为第二像素点(r,c)；
S3.计算各像素点和最接近邻接点的转弯半径，计算步骤为：
Sc1、将第一像素点(i,j)和第二像素点(r,c)的灰度差值a(i,j)-a(r,c)除两像素点坐标距离计算两像素点间的转弯速度v：
Sc2、第一像素点(i,j)和第二像素点(r,c)的梯度向量的夹角为两像素点间的转弯角度，所述转弯角度的正弦值sinQ为：
其中，第一像素点(i,j)的梯度向量为[dx(i,j),dy(i,j)]，第二像素点(r,c)的梯度向量为[dx(r,c),dy(r,c)]；
Sc3、计算转弯半径R：
R＝v2×sin Q；
S4.计算转弯半径的阈值；
S5.将转弯半径大于阈值且转弯半径在设定邻域内最大的像素点标记为角点。
2.根据权利要求1所述的基于转弯半径的图像角点检测方法，其特征在于：所述步骤S1包括：
Sa1、采用一维高斯算子对原始图像进行横向与纵向高斯平滑得到平滑后的图像a；
Sa2、采用二维高斯算子的偏导数对所述平滑后的图像进行横向与纵向滤波计算得到图像的梯度。
3.根据权利要求1或2所述基于转弯半径的图像角点检测方法，其特征在于：步骤S4包括：
Sd1、计算所有像素点的转弯半径R的均值M和方差D；
Sd2、取阈值T为:T＝M+k×D，其中k取值为0～3。
4.根据权利要求3所述基于转弯半径的图像角点检测方法，其特征在于：在步骤S5中：将转弯半径R大于阈值T且转弯半径R在周围四十八邻域内最大的像素点标记为角点。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610318708.0A CN106023171B (zh) | 2016-05-12 | 2016-05-12 | 一种基于转弯半径的图像角点检测方法 |
| PCT/CN2016/082576 WO2017193414A1 (zh) | 2016-05-12 | 2016-05-19 | 一种基于转弯半径的图像角点检测方法 |
| US15/553,697 US20180174328A1 (en) | 2016-05-12 | 2016-05-19 | Turning radius-based corner detection algorithm |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610318708.0A CN106023171B (zh) | 2016-05-12 | 2016-05-12 | 一种基于转弯半径的图像角点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106023171A CN106023171A (zh) | 2016-10-12 |
| CN106023171B true CN106023171B (zh) | 2019-05-14 |
Family
ID=57099711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610318708.0A Active CN106023171B (zh) | 2016-05-12 | 2016-05-12 | 一种基于转弯半径的图像角点检测方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20180174328A1 (zh) |
| CN (1) | CN106023171B (zh) |
| WO (1) | WO2017193414A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2514397B (en) | 2013-05-23 | 2017-10-11 | Linear Algebra Tech Ltd | Corner detection |
| CN108313124B (zh) * | 2017-01-17 | 2024-04-26 | 北京行易道科技有限公司 | 探测车辆周边障碍物的方法和装置 |
| CN109509200B (zh) * | 2018-12-26 | 2023-09-29 | 深圳市繁维医疗科技有限公司 | 基于轮廓提取的棋盘格角点检测方法以及计算机可读存储介质 |
| CN110728285B (zh) * | 2019-08-23 | 2022-06-24 | 北京正安维视科技股份有限公司 | 一种基于动态变频的快速角点检测方法 |
| JP7259676B2 (ja) * | 2019-09-20 | 2023-04-18 | 株式会社デンソーテン | 付着物検出装置および付着物検出方法 |
| US11528297B1 (en) | 2019-12-12 | 2022-12-13 | Zimperium, Inc. | Mobile device security application for malicious website detection based on representative image |
| CN113888456B (zh) * | 2020-07-01 | 2024-05-24 | 长春工业大学 | 一种基于轮廓的角点检测方法 |
| CN115984271B (zh) * | 2023-03-20 | 2023-06-30 | 山东鑫科来信息技术有限公司 | 基于角点检测的金属毛刺识别方法 |
| CN116202874B (zh) * | 2023-05-05 | 2023-07-14 | 青岛宇通管业有限公司 | 一种排水管材柔韧性测试方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2514397A (en) * | 2013-05-23 | 2014-11-26 | Linear Algebra Technologies Ltd | Corner detection |
| CN104751458A (zh) * | 2015-03-23 | 2015-07-01 | 华南理工大学 | 一种基于180°旋转算子的标定角点检测方法 |
| CN105069799A (zh) * | 2015-08-13 | 2015-11-18 | 深圳市华汉伟业科技有限公司 | 一种角点定位方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887586B (zh) * | 2010-07-30 | 2012-11-21 | 上海交通大学 | 基于图像轮廓尖锐度的自适应角点检测方法 |
| CN103996015B (zh) * | 2013-09-26 | 2016-09-07 | 深圳市云立方信息科技有限公司 | 一种对3d图像识别的方法及装置 |
| CN104715470B (zh) * | 2013-12-13 | 2017-09-22 | 南京理工大学 | 一种klt角点检测装置及方法 |
| CN105513037B (zh) * | 2014-09-30 | 2018-06-22 | 展讯通信（上海）有限公司 | 角点检测方法及装置 |
| CN104463896B (zh) * | 2014-12-26 | 2017-04-12 | 武汉大学 | 基于核相似区分布特性的图像角点检测方法及系统 |
-
2016
- 2016-05-12 CN CN201610318708.0A patent/CN106023171B/zh active Active
- 2016-05-19 WO PCT/CN2016/082576 patent/WO2017193414A1/zh active Application Filing
- 2016-05-19 US US15/553,697 patent/US20180174328A1/en not_active Abandoned
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2514397A (en) * | 2013-05-23 | 2014-11-26 | Linear Algebra Technologies Ltd | Corner detection |
| CN104751458A (zh) * | 2015-03-23 | 2015-07-01 | 华南理工大学 | 一种基于180°旋转算子的标定角点检测方法 |
| CN105069799A (zh) * | 2015-08-13 | 2015-11-18 | 深圳市华汉伟业科技有限公司 | 一种角点定位方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| A Fast Corner Matching Algorithm Based on Circular Region Features;Zhang Huanghui等;《Chinese Control Conference》;20110724;第4052-4055页 |
| 基于曲率尺度空间角点检测的交通标志分离算法;李厚杰 等;《光学学报》;20150131;第35卷(第1期);第0115002-1至0115002-9页 |
| 曲率尺度空间与链码方向统计的角点检测;曾接贤 等;《中国图像图形学报》;20140228;第19卷(第2期);第234-242页 |
| 曲率统计角点检测方法;李明 等;《心智与计算》;20091230;第3卷(第3期);第209-214页 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20180174328A1 (en) | 2018-06-21 |
| WO2017193414A1 (zh) | 2017-11-16 |
| CN106023171A (zh) | 2016-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106023171B (zh) | 一种基于转弯半径的图像角点检测方法 | |
| CN107145905B (zh) | 电梯紧固螺帽松动的图像识别检测方法 | |
| CN112950508A (zh) | 一种基于计算机视觉的排水管道视频数据修复方法 | |
| CN102156996B (zh) | 一种图像边缘检测的方法 | |
| CN106920245B (zh) | 一种边界检测的方法及装置 | |
| CN104318559A (zh) | 用于视频图像匹配的特征点快速检测方法 | |
| CN111402330B (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
| CN104715487A (zh) | 一种基于伪Zernike矩的亚像素边缘检测方法 | |
| CN107909085A (zh) | 一种基于Harris算子的图像特征角点提取方法 | |
| CN104715491A (zh) | 一种基于一维灰度矩的亚像素边缘检测方法 | |
| CN108257153B (zh) | 一种基于方向梯度统计特征的目标跟踪方法 | |
| Sundani et al. | Identification of image edge using quantum canny edge detection algorithm | |
| CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
| CN106529548A (zh) | 亚像素级的多尺度Harris角点检测算法 | |
| CN101572820B (zh) | 一种运动目标检测过程中的视频信号预处理方法 | |
| CN105243661A (zh) | 一种基于susan算子的角点检测方法 | |
| CN113436216B (zh) | 基于Canny算子的电气设备红外图像边缘检测方法 | |
| Zhao et al. | Analysis of image edge checking algorithms for the estimation of pear size | |
| Lin et al. | A new prediction method for edge detection based on human visual feature | |
| CN113052794A (zh) | 一种基于边缘特征的图像清晰度识别方法 | |
| CN109146861A (zh) | 一种改进的orb特征匹配方法 | |
| CN111160362A (zh) | 一种fast特征均匀化提取与基于imu的帧间特征误匹配去除方法 | |
| Schug et al. | Three-dimensional shearlet edge analysis | |
| CN110705568B (zh) | 一种图像特征点提取的优化方法 | |
| Xu et al. | A positioning method for the feature points of a target board image adopting singular value decomposition |
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 |