CN107037050A - 一种织物图像纹理周期的自动测量方法 - Google Patents
一种织物图像纹理周期的自动测量方法 Download PDFInfo
- Publication number
- CN107037050A CN107037050A CN201710216317.2A CN201710216317A CN107037050A CN 107037050 A CN107037050 A CN 107037050A CN 201710216317 A CN201710216317 A CN 201710216317A CN 107037050 A CN107037050 A CN 107037050A
- Authority
- CN
- China
- Prior art keywords
- cycle
- dimensional
- textile image
- period
- automatic measurement
- 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.)
- Granted
Links
- 239000004753 textile Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 title claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 230000006978 adaptation Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims 1
- 239000004744 fabric Substances 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001580935 Aglossa pinguinalis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8444—Fibrous material
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种织物图像纹理周期的自动测量方法，将一个二维的灰度织物图像按行和列方式分别展开为一维行向量和一维列向量，分别对一维行向量和一维列向量进行一维快速傅立叶变换得到对应的连续频谱，提取连续频谱最大峰值点和次大峰值点对应的主周期d1和次周期d2，分别计算d1和d2的距离匹配函数值DMF1和DMF2，令峰值比K＝d2/d1，当K小于阈值时最终周期为d1，当K不小于阈值时，最终周期为min(DMF1,DMF2)。本发明在一维傅立叶变换基础上结合距离匹配函数自动测量织物纹理周期，具有更好的稳定性和更高的计算效率，对多数测量方法难以识别的小周期纹理具有较好的测量效果，可应用于织物经纬向纹理周期自动测量领域。
Description
技术领域
本发明属于图像分析处理领域，涉及一种基于频域分析和距离匹配函数相结合的织物图像纹理周期的自动测量方法。
背景技术
在纺织品加工及检测过程中，有大量的问题都涉及织物表面纹理及表面形态，而周期是纹理图像重要的视觉特征之一，目前已有的测量纹理图像周期的方法主要有：基于频域的傅立叶方法、自相关函数法、灰度共生矩阵法及Renyi广义熵法。
辛斌杰等人在1999年提出通过定位傅立叶频域的主频率来确定纹理周期，该方法虽能很精确获取图像所包含的频率成分，但受主频率点定位影响较大。Lin等人在1997年用自相关函数法直接在空间域上通过对图像函数的自相似性进行匹配实现纹理周期提取，然而该方法的提取精度受峰值提取影响较大，未能实现峰值自动提取。Parkkinen等人在1990年通过计算纹理图像灰度共生矩阵的和统计量实现纹理周期测量，Lin等人在2002年根据织物图像的灰度共生矩阵特征提取织物周期，并在此基础上实现了织物经纬密度的测量，然而这两种方法由于灰度共生矩阵设计多方向步长的计算，计算量较大且对纹理适应性较差。Gyuhwan等人在1999年提出一种基于距离匹配函数(DMF)的纹理周期测量方法，大大减小了计算量。Asha等人在2012年提出了累加DMF纹理周期提取方法，结合对其的前二次差分，较好实现了纹理行和列周期的全自动提取，但该方法对有噪声或存在次周期的纹理稳定性较差。Grigorescu等人在2003年提出一种基于Renyi广义熵的纹理周期提取方法，该方法通过统计不同尺寸的子窗口之间纹理结构的Renyi熵，当其达到最小值时即为纹理的周期或其整数倍，但该方法受纹理随机不规则性影响较大且需要人工选取局部最小值点。
发明内容
本发明的目的是克服现有技术测量纹理图像周期的方法存在的缺陷，提高算法对难以识别的小周期纹理的识别效率和稳定性，提供一种基于频域分析和距离匹配函数相结合的织物图像纹理周期自动测量方法。
为达到上述目的，本发明采用的技术方案为：
一种织物图像纹理周期的自动测量方法，步骤如下：
(1)织物图像可看作一个二维的离散数字信号，为能应用一维快速傅立叶变换对其进行分析，需将织物图像的所有行和列分别组成一个行向量和一个列向量，提取织物图像的一维行向量和一维列向量，所述一维行向量由织物图像所有行与行之间首尾相连组成，所述一维列向量由织物图像所有列与列之间首尾相连组成；
(2)分别对一维行向量和一维列向量进行一维快速傅立叶变换得到对应的连续频谱，连续频谱的横坐标为频率，纵坐标为振幅；
(3)提取连续频谱最大峰值点和次大峰值点对应的主周期d1和次周期d2，分别计算d1和d2的距离匹配函数值DMF1和DMF2，距离匹配函数可以表征该周期为织物图像真实纹理周期的概率，其值越小，表明该周期为真实纹理周期的概率越大，计算公式如下：
式中，W为织物图像的宽度，单位为像素，H为织物图像的高度，单位为像素，d为周期，单位为像素，X表示一维行向量或一维列向量，X(i)表示一维行向量或一维列向量中的第i个元素，X(i+d)表示一维行向量或一维列向量中的第i+d个元素；
(4)令峰值比K＝d2/d1，当K小于阈值时，表明只存在一个主峰值，最终周期为d1；当K不小于阈值时，说明存在次周期或主周期倍数干扰，根据距离匹配函数的定义，其值越小，表明该周期为真实纹理周期的概率就越大，因此最终周期为min(DMF1,DMF2)。
作为优选的技术方案：
如上所述的一种织物图像纹理周期的自动测量方法，所述织物图像为位深度为8位以上的灰度图像。
如上所述的一种织物图像纹理周期的自动测量方法，所述一维快速傅立叶变换的采样频率为1Hz，采样点个数为256。
如上所述的一种织物图像纹理周期的自动测量方法，所述一维快速傅立叶变换的公式为u＝1,2,…,W×H，式中，N代表采样点个数，e代表自然对数函数的底数，j代表虚数单位，u代表傅立叶变换结果的频率，F(u)代表该频率处的振幅。
如上所述的一种织物图像纹理周期的自动测量方法，所述提取连续频谱最大峰值点和次大峰值点对应的主周期d1和次周期d2是指将连续频谱的横坐标频率转换为周期，连续频谱被转换为傅立叶频域振幅曲线，提取傅立叶频域振幅曲线最大峰值点和次大峰值点对应的主周期d1和次周期d2。
如上所述的一种织物图像纹理周期的自动测量方法，所述提取连续频谱最大峰值点和次大峰值点对应的主周期d1和次周期d2是指分别找到连续频谱最大峰值点和次大峰值点对应的频率，将其转换为主周期d1和次周期d2。
如上所述的一种织物图像纹理周期的自动测量方法，所述将频率转换为周期的公式为d＝N/f，N代表采样点个数，f代表频率，其单位为Hz。
如上所述的一种织物图像纹理周期的自动测量方法，所述对象的纹理周期一般在2～30像素，因此周期的取值范围为2～30像素，采样点个数为256。
如上所述的一种织物图像纹理周期的自动测量方法，所述阈值取0.6。
发明原理：
本发明首先将一个二维的灰度织物图像按行和列方式分别展开为一维行向量和一维列向量，然后应用一维快速傅立叶变换算法分别将提取的行向量和列向量变换到频率域进行分析，并在此基础上提取两个最大峰值所对应的周期，最后通过计算潜在周期的累加DMF实现织物纹理周期的准确测量。
利用织物纹理经纬取向及周期较小的特点，本发明首先应用一维傅立叶变换计算织物图像的行和列周期，再通过计算距离匹配函数值进一步对织物真实周期进行判断。本发明在传统测量方法的基础上引入了二次判断机制，可以更加准确地识别出织物纹理周期。
有益效果
1)本发明在传统频域分析方法的基础上结合距离匹配函数对潜在的主周期和次周期进行优选，可以更加精确地识别织物图像的纹理周期，具有更高的精度和更好的稳定性；
2)本发明的方法可以同时识别出织物的经向和纬向周期；
3)本发明实现了对织物图像纹理周期的全自动测量。
附图说明
图1为本发明方法流程图；
图2为平纹织物纹理周期自动识别效果图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种织物图像纹理周期的自动测量方法，其测量方法的流程图如图1所示，测量的具体步骤如下：
(1)提取一种位置位深度为8位的平纹织物图像的一维行向量和一维列向量，一维行向量由织物图像所有行与行之间首尾相连组成，一维列向量由织物图像所有列与列之间首尾相连组成，该平纹织物纹理周期自动识别效果如图2所示，从图中可以看出该平纹织物的纹理周期较小，经向一倍周期和二倍周期为4.129个像素和8.258个像素，纬向一倍周期和二倍周期为5.224个像素和10.448个像素
经向和纬向的一倍周期和二倍周期分别为4.129个像素和5.224个像素；
(2)分别对一维行向量和一维列向量进行一维快速傅立叶变换得到对应的连续频谱，采样频率为1Hz，采样点个数为256，连续频谱的横坐标为频率，纵坐标为振幅，振幅的计算公式为u＝1,2,…,W×H，式中，W为织物图像的宽度，单位为像素，H为织物图像的高度，单位为像素，N代表采样点个数，e代表自然对数函数的底数，j代表虚数单位，u代表傅立叶变换结果的频率；
(3)提取连续频谱最大峰值点和次大峰值点的频率，根据公式d＝N/f将频率转换为主周期d1和次周期d2，式中，N代表采样点个数，N＝256，f代表频率，其单位为Hz，分别计算d1和d2的距离匹配函数值DMF1和DMF2，计算公式如下：
式中，W为织物图像的宽度，单位为像素，H为织物图像的高度，单位为像素，d为周期，单位为像素，取值范围为2～30像素，X表示一维行向量或一维列向量，X(i)表示一维行向量或一维列向量中的第i个元素，X(i+d)表示一维行向量或一维列向量中的第i+d个元素；
(4)令峰值比K＝d2/d1，K小于阈值0.6，则只存在一个主峰值，最终周期为d1；当K不小于0.6时，最终周期为min(DMF1,DMF2)。
最终测得的该平纹织物的经向一倍周期和二倍周期为4个像素和8个像素，纬向一倍周期和二倍周期为5个像素和10个像素，与平纹织物实际经向和纬向的一倍周期和二倍周期相差较小，说明应用本发明方法可以准确识别出织物经向和纬向的一倍周期和二倍周期，本发明的测量方法具有较高的精度和稳定性。
Claims (9)
1.一种织物图像纹理周期的自动测量方法，其特征是，织物图像纹理周期的测量步骤如下：
(1)提取织物图像的一维行向量和一维列向量，所述一维行向量由织物图像所有行与行之间首尾相连组成，所述一维列向量由织物图像所有列与列之间首尾相连组成；
(2)分别对一维行向量和一维列向量进行一维快速傅立叶变换得到对应的连续频谱，连续频谱的横坐标为频率，纵坐标为振幅；
(3)提取连续频谱最大峰值点和次大峰值点对应的主周期d1和次周期d2，分别计算d1和d2的距离匹配函数值DMF1和DMF2，计算公式如下：
式中，W为织物图像的宽度，单位为像素，H为织物图像的高度，单位为像素，d为周期，单位为像素，X表示一维行向量或一维列向量，X(i)表示一维行向量或一维列向量中的第i个元素，X(i+d)表示一维行向量或一维列向量中的第i+d个元素；
(4)令峰值比K＝d2/d1，当K小于阈值时最终周期为d1；当K不小于阈值时，最终周期为min(DMF1,DMF2)。
2.根据权利要求1所述的一种织物图像纹理周期的自动测量方法，其特征在于，所述织物图像为位深度为8位以上的灰度图像。
3.根据权利要求1所述的一种织物图像纹理周期的自动测量方法，其特征在于，所述一维快速傅立叶变换的采样频率为1Hz，采样点个数为256。
4.根据权利要求3所述的一种织物图像纹理周期的自动测量方法，其特征在于，所述一维快速傅立叶变换的公式为u＝1,2,…,W×H，式中，N代表采样点个数，e代表自然对数函数的底数，j代表虚数单位，u代表傅立叶变换结果的频率，F(u)代表该频率处的振幅。
5.根据权利要求1所述的一种织物图像纹理周期的自动测量方法，其特征在于，所述提取连续频谱最大峰值点和次大峰值点对应的主周期d1和次周期d2是指将连续频谱的横坐标频率转换为周期，连续频谱被转换为傅立叶频域振幅曲线，提取傅立叶频域振幅曲线最大峰值点和次大峰值点对应的主周期d1和次周期d2。
6.根据权利要求1所述的一种织物图像纹理周期的自动测量方法，其特征在于，所述提取连续频谱最大峰值点和次大峰值点对应的主周期d1和次周期d2是指分别找到连续频谱最大峰值点和次大峰值点对应的频率，将其转换为主周期d1和次周期d2。
7.根据权利要求5或6所述的一种织物图像纹理周期的自动测量方法，其特征在于，将频率转换为周期的公式为d＝N/f，N代表采样点个数，f代表频率，其单位为Hz。
8.根据权利要求7所述的一种织物图像纹理周期的自动测量方法，其特征在于，周期的取值范围为2～30像素，采样点个数为256。
9.根据权利要求1所述的一种织物图像纹理周期的自动测量方法，其特征在于，所述阈值取0.6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710216317.2A CN107037050B (zh) | 2017-04-05 | 2017-04-05 | 一种织物图像纹理周期的自动测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710216317.2A CN107037050B (zh) | 2017-04-05 | 2017-04-05 | 一种织物图像纹理周期的自动测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107037050A true CN107037050A (zh) | 2017-08-11 |
| CN107037050B CN107037050B (zh) | 2019-08-09 |
Family
ID=59534239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710216317.2A Expired - Fee Related CN107037050B (zh) | 2017-04-05 | 2017-04-05 | 一种织物图像纹理周期的自动测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107037050B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109781736A (zh) * | 2019-01-09 | 2019-05-21 | 中导光电设备股份有限公司 | 一种晶元纹理图像周期的自动测量方法和系统 |
| CN109874335A (zh) * | 2017-10-02 | 2019-06-11 | 特励达数字成像有限公司 | 对线扫描相机进行同步的方法 |
| CN109961432A (zh) * | 2019-03-27 | 2019-07-02 | 广东工业大学 | 一种滤布破损的检测方法和系统 |
| CN111275111A (zh) * | 2020-01-20 | 2020-06-12 | 陕西科技大学 | 一种同种动物同色毛皮的分类方法 |
| 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 |
| CN114419039A (zh) * | 2022-03-28 | 2022-04-29 | 武汉市融科优品装饰材料有限公司 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
| CN115393303A (zh) * | 2022-08-17 | 2022-11-25 | 上海精积微半导体技术有限公司 | 周期性结构的周期提取方法及晶圆缺陷检测方法 |
| CN117437270A (zh) * | 2023-12-21 | 2024-01-23 | 江苏恒力化纤股份有限公司 | 一种基于傅里叶变换的织物纹理规则度计算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005043A (zh) * | 2010-11-09 | 2011-04-06 | 东华大学 | 一种用于表征织物纹理的索贝尔算子滤波细节特征提取方法 |
| CN105261003A (zh) * | 2015-09-10 | 2016-01-20 | 西安工程大学 | 一种基于织物自身结构进行疵点检测的方法 |
-
2017
- 2017-04-05 CN CN201710216317.2A patent/CN107037050B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005043A (zh) * | 2010-11-09 | 2011-04-06 | 东华大学 | 一种用于表征织物纹理的索贝尔算子滤波细节特征提取方法 |
| CN105261003A (zh) * | 2015-09-10 | 2016-01-20 | 西安工程大学 | 一种基于织物自身结构进行疵点检测的方法 |
Non-Patent Citations (6)
| Title |
|---|
| GYUHWAN OH ET AL: "Fast determination of textural periodicity using distance matching function", 《PATTERN RECOGNITION LETTERS》 * |
| V.ASHA ET AL: "Automatic extraction of texture-periodicity using superposition of distance matching functions and their forward differences", 《PATTERN RECOGNITION LETTERS》 * |
| YIMENG MAO ET. AL.: "Automatic extraction of texture periodicity using superposition of distance matching functions and first forward difference", 《2016 INTERNATIONAL CONFERENCE ON ROBOTS & INTELLIGENT SYSTEM》 * |
| 卜佳仙等: "基于Ｒadon 变换的织物倾斜和纹理方向检测", 《纺织学报》 * |
| 景军锋等: "采用距离匹配函数的印花织物图案周期测定", 《纺织学报》 * |
| 蒋圣等: "基于改进归一化距离匹配函数的纹理周期自动提取方法", 《模式识别与人工智能》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109874335B (zh) * | 2017-10-02 | 2022-06-10 | 特励达数字成像有限公司 | 对线扫描相机进行同步的方法 |
| CN109874335A (zh) * | 2017-10-02 | 2019-06-11 | 特励达数字成像有限公司 | 对线扫描相机进行同步的方法 |
| US11262316B2 (en) | 2017-10-02 | 2022-03-01 | Teledyne Digital Imaging, Inc. | Method of synchronizing a line scan camera |
| 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 |
| CN109781736A (zh) * | 2019-01-09 | 2019-05-21 | 中导光电设备股份有限公司 | 一种晶元纹理图像周期的自动测量方法和系统 |
| CN109781736B (zh) * | 2019-01-09 | 2021-07-06 | 中导光电设备股份有限公司 | 一种晶元纹理图像周期的自动测量方法和系统 |
| CN109961432A (zh) * | 2019-03-27 | 2019-07-02 | 广东工业大学 | 一种滤布破损的检测方法和系统 |
| CN111275111A (zh) * | 2020-01-20 | 2020-06-12 | 陕西科技大学 | 一种同种动物同色毛皮的分类方法 |
| CN111275111B (zh) * | 2020-01-20 | 2023-10-31 | 陕西科技大学 | 一种同种动物同色毛皮的分类方法 |
| CN114419039A (zh) * | 2022-03-28 | 2022-04-29 | 武汉市融科优品装饰材料有限公司 | 一种基于模板匹配的装饰墙纸缺陷检测方法 |
| CN115393303A (zh) * | 2022-08-17 | 2022-11-25 | 上海精积微半导体技术有限公司 | 周期性结构的周期提取方法及晶圆缺陷检测方法 |
| CN115393303B (zh) * | 2022-08-17 | 2023-11-17 | 上海精积微半导体技术有限公司 | 周期性结构的周期提取方法及晶圆缺陷检测方法 |
| CN117437270A (zh) * | 2023-12-21 | 2024-01-23 | 江苏恒力化纤股份有限公司 | 一种基于傅里叶变换的织物纹理规则度计算方法 |
| CN117437270B (zh) * | 2023-12-21 | 2024-03-19 | 江苏恒力化纤股份有限公司 | 一种基于傅里叶变换的织物纹理规则度计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107037050B (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107037050B (zh) | 一种织物图像纹理周期的自动测量方法 | |
| CN105809693B (zh) | 基于深度神经网络的sar图像配准方法 | |
| CN105787937B (zh) | 一种基于osm的高分辨遥感影像道路变化检测方法 | |
| CN109145830B (zh) | 一种智能水尺识别方法 | |
| CN105528619B (zh) | 基于小波变换和svm的sar遥感影像变化检测方法 | |
| CN107507208A (zh) | 一种基于轮廓上曲率估计的图像特征点提取方法 | |
| CN108090894B (zh) | 基于距离匹配函数和感知哈希算法的织物疵点检测方法 | |
| JP2021531450A (ja) | オプティカルフロー映像処理を利用する河川流速測定装置および方法 | |
| CN109522889A (zh) | 一种基于图像分析的水文尺水位识别估算方法 | |
| CN105277567B (zh) | 一种织物瑕疵检测方法 | |
| CN104198498B (zh) | 基于自适应正交小波变换的布匹疵点检测方法及装置 | |
| CN107631782B (zh) | 一种基于Harris角点检测的水位检测方法 | |
| CN108470338B (zh) | 一种水位监测方法 | |
| 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 | |
| CN105547602A (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
| CN103234969A (zh) | 一种基于机器视觉的织物纬密度测量新方法 | |
| CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN110046659A (zh) | 一种基于tld的长时间单目标跟踪方法 | |
| CN109766838A (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
| CN109840497A (zh) | 一种基于深度学习的指针式水表读数检测方法 | |
| CN111415349A (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法 | |
| CN107561736A (zh) | 基于傅里叶及Hough变换的LCD缺陷检测方法 | |
| CN110334727A (zh) | 一种隧道裂缝智能匹配检测方法 | |
| CN102289677A (zh) | 一种基于主元分析的图像分析方法及应用于织物瑕疵检测的方法 | |
| CN104820992B (zh) | 一种基于超图模型的遥感图像语义相似性度量方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190809 |