CN108109138A - 一种针对类镜面物体的高光区域自适应匀光的方法 - Google Patents
一种针对类镜面物体的高光区域自适应匀光的方法 Download PDFInfo
- Publication number
- CN108109138A CN108109138A CN201711360310.4A CN201711360310A CN108109138A CN 108109138 A CN108109138 A CN 108109138A CN 201711360310 A CN201711360310 A CN 201711360310A CN 108109138 A CN108109138 A CN 108109138A
- Authority
- CN
- China
- Prior art keywords
- highlight area
- source images
- wavelet decomposition
- priority
- 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.)
- Granted
Links
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
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10024—Color image
-
- 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
-
- 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
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20224—Image 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明提供了一种针对类镜面物体的高光区域自适应匀光的方法,通过对采集的图像进行两层小波分解与重构,提取出图像的高光区域。然后再运用局部搜索图像修复算法实现高光区域的自适应匀光处理。这种方法可以消除检测过程中高光区域对缺陷检测的影响且无需人工干涉,自动根据源图像的信息进行均匀高光区域信息。相比于其他匀光算法,该方法可以得到更均匀的处理结果,且具有更好的适应性。
Description
技术领域
本发明涉及精密类镜面物体的生产和检测及相关环节,涉及特征区域提取,高光区域的自动匀光处理,特别涉及一种针对类镜面物体的高光区域自适应匀光的方法。
背景技术
制造业的飞速发展,对产品的检测任务提出了更高的要求,传统的人工手段已经无法满足大批量产品的高精度、快速甚至实时动态的检测要求。机器视觉技术以数字图像作为获取信息的手段,与计算机图形学、自动化技术等相关领域紧密结合,很适合对产品表面进行缺陷检测。
目前,大部分工业产品表面缺陷主要包括凹痕、条痕、裂纹、龟裂、色斑等。一般的视觉检测系统的光源会在产品表面产生强烈的反光,即高光部分,这个问题对后续的图像环节有较大影响,会使得缺陷的检测率大大降低。为了消除表面光滑的工业产品产生的高光,提高整个检测过程的工作效率与检测精度,从硬件角度可以通过光的漫反射和散射现象,将光源从固定方向发出的、具有高度方向性的光打散,使其均匀照射在产品表面,从而消除产品表面的高光,摄像机采集灰度较为均匀图像;从算法角度,对于硬件无法消除的高光问题,通过算法进行匀光处理,为后续的缺陷检测提供了便利,从而提高了检测的精度和效率。
本方法从小波分解与图像修复的角度对采集的图像分析处理,能实现图像高光区域的提取与高光区域自适应匀光处理。
发明内容
本发明的目的在一种针对类镜面物体的高光区域自适应匀光的方法,相于现有的缺陷检测方法具有准确性和鲁棒性的特点,具体技术方案如下。
一种针对类镜面物体的高光区域自适应匀光的方法,其包括以下步骤:
(1)获取待检测的源图像I:将类镜面物体放入一个暗室中,暗室内表面粗糙,光源产生的光线经由暗室内部粗糙的表面的第一次反射照在磨砂半球体表面,再经由磨砂半球体表面的二次透光照在待测物体上,由视觉系统采集而得到待测物体源图像I;经由两次光路变化来将能量集中的光分散来减少图像上高光的强度与区域;
(2)对待检测源图像进行小波分解:对待检测的源图像进行2层小波分解,提取出经过2层小波分解后的第一层、第二层的近似矩阵CA1、CA2,和第一、二层小波分解的细节系数,同时取出第二层小波分解近似矩阵的最大值MAX,和最小值MIN;所述细节系数包含水平分量、垂直分量、对角分量;
(3)对第二层小波分解近似矩阵进行自适应拉伸处理:取第二层小波分解近似矩阵CA2中的任意一个像素点x的灰度值依次与源图像的平均灰度值average进行比较,如果小于average,则如果大于average,则其中A(x)是x点经拉伸后的灰度值,G是拉伸系数,XMAX是源图像的最大灰度值,XMIN是源图像的最小灰度值,X是近似矩阵CA2上x点的灰度值;
(4)进行小波重构后得到高光区域标记图像I1:对第二层小波分解的细节系数置零处理后进行小波重构,得到新的第一层小波分解的近似矩阵,对第一层小波分解的细节系数置零处理,再次进行小波重构得到新图像;新图像与源图像进行对应相减,设定阈值T,提取出高光区域,并以绿色标记显示在源图像上,该新图像标记为I2;
(5)参数初始化:初始化等照线方向,置信度、数据项;
(6)计算优先权:根据I2,寻找绿色标记的高光区域,即为待填充区域,并提取出其边缘,其他区域标记为已知区域;设定以边缘点为中心点的9*9的掩模,计算掩模的优先权P(p)=C(p)*D(p),C(p)是该掩模的置信度,D(p)是该掩模的数据项;
(7)最佳匹配块搜索:根据计算出的优先权取出优先权最大的块为填充目标块,在以该优先权最大的块的中心点为中心的600*800的区域块内进行搜索,找出与优先权最大的块的灰度差值最小的匹配块;
(8)填充与更新置信度:将搜索出的匹配快的值对优先权最大的块对应赋值,然后重新计算置信度。
进一步地,步骤(1)利用多次改变光路在暗场环境下进行图像的拍摄,获得反光弱的待检测源图像。
进一步地,步骤(3)中拉伸系数设为1.5。
进一步地,步骤(4)设置阈值T为150,将重构后的图像与源图像相减后的差值图像E(a,b)与阈值T进行比较,(a,b)指像素点的坐标,假定图像中最左上方的点为起始点,其中a表示像素点与起始点在行数上的距离,b表示像素点与起始点在列数上的距离,E(a,b)表示差值图像在第a行第b列的像素点的像素值;若E(a,b)≤T时,E(a,b)=0;若E(a,b)>T时,E(a,b)=255。
进一步地,步骤(6)设定9*9的掩模,以9*9大小的掩模为单位进行优先权的计算,选出优先权最大的块,并搜索得到最有的匹配快。
进一步地,步骤(7)根据不同的检测物体进行不同的设置,搜索区域中心点为优先权最大的块的中心点,在该搜索区域内进行搜索,找出最优匹配块。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明通过一种针对类镜面物体的高光区域自适应匀光的方法对光照不均的图像的灰度变化分析,提高了光照不均区域检测的准确度,过程简单,可操作性强。
(2)本发明具有较强的鲁棒性,对于不同的强度的不均匀光照都可达到很好的效果。
(3)本发明还具有较强的适用性,不仅可以运用在类镜面物体缺陷的检测,还能推广到其他灰度对比强烈的物体的检测。
附图说明
图1是本发明图像标记示意图;
图2是本发明自适应匀光方法的总流程图;
图3是本发明待修复区域标记流程图;
图4是最佳匹配搜索流程图。
图5是实例中针对类镜面物体的高光区域自适应匀光的方法实
施结果图。
具体实施方式
以下结合附图和实例对本发明的具体实施作进一步说明,但本发明的实施和保护不限于此。
本发明一种针对类镜面物体的高光区域自适应匀光的方法,包括以下步骤:
(1)获取待检测的源图像I:将类镜面物体放入一个暗室中,暗室内表面粗糙,光源产生的光线经由暗室内部粗糙的表面的第一次反射照在磨砂半球体表面,再经由磨砂半球体表面的二次透光照在待测物体上,由视觉系统采集而得到待测物体源图像I。经由两次光路变化来将能量集中的光分散来减少图像上高光的强度与区域。
(2)对待检测源图像进行小波分解:对待检测的源图像进行2层小波分解,小波函数可采用“db8”,提取出小波分解后第一层、第二层的近似矩阵CA1、CA2,和第一、二层小波分解的细节系数(包括水平分量、垂直分量、对角分量),并取出第二层小波分解近似矩阵的最大值MAX=1035.3227,和最小值MIN=421.4969。
(3)对第二层小波分解近似矩阵进行自适应拉伸处理:将第二层小波分解近似矩阵CA2中的任一点x的灰度值依次与源图像的平均灰度average=129.1114进行比较,如果小于average,则如果大于average,则其中A(x)是x点经拉伸后的灰度值,G是拉伸系数,为0.1,XMAX=255是最大值源图像的最大灰度值,XMIN=102是最大值源图像的最小灰度值,X是近似矩阵CA2上x点的灰度值。
(4)进行小波重构后得到高光区域标记图像I1:对第二层小波分解的细节系数置零处理后进行小波重构,得到新的第一层小波分解的近似矩阵,对第一层小波分解的细节系数置零处理,再次进行小波重构得到新图像。新图像与源图像进行对应相减,设定阈值T=143,提取出高光区域,并以绿色标记显示在源图像上,该新图像标记为I2。
(5)参数初始化:初始化等照线方向,置信度C=O、数据项D=-0.1000。
(6)计算优先权:根据I2,寻找绿色标记的高光区域,即为待填充区域,并提取出其边缘,其他区域标记为已知区域。设定以边缘点为中心点的9*9的掩模,计算掩模的优先权P(p)=C(p)*D(p),C(p)是该掩模的置信度,D(p)是该掩模的数据项。
(7)最佳匹配块搜索:根据计算出的优先权取出优先权最大的块为填充目标块,在以该优先权最大的块的中心点为中心的600*800的区域块内进行搜索,找出与优先权最大的块的灰度差值最小的匹配块。
(8)填充与更新置信度:将搜索出的匹配快的值对优先权最大的块对应赋值,然后重新计算置信度。
图5中(a)是源图像,图中亮度较高区域即为高光区域,其与周边邻域在颜色和像素值上存在明显的差异;对源图像进行2层小波分解、拉伸、和重建,检测提取出高光区域在源图像中的位置,如图5中(b)所示,绿色标记区域即为提取出的高光区域;再运行本文算法中的搜素和填充等步骤对提取出的高光区域实现自动填充,最终得到结果,如图5中(c)所示。从肉眼观察,图5中(c)中高光区域的亮度明显降低;从数值角度上而言,图5中(a)的所有像素点的灰度值中最大为180,最小为112,而进过本文算法处理过之后的图5中(c)的所有像素值点的灰度值最大为140,最小值为112,而图像的对比度(最大值与最小值的差值:最小值)也有60.7%降到了25%,效果显著。
Claims (6)
1.一种针对类镜面物体的高光区域自适应匀光的方法,其特征在于包括以下步骤:
(1)获取待检测的源图像I:将类镜面物体放入一个暗室中,暗室内表面粗糙,光源产生的光线经由暗室内部粗糙的表面的第一次反射照在磨砂半球体表面,再经由磨砂半球体表面的二次透光照在待测物体上,由视觉系统采集而得到待测物体源图像I;经由两次光路变化来将能量集中的光分散来减少图像上高光的强度与区域;
(2)对待检测源图像进行小波分解:对待检测的源图像进行2层小波分解,提取出经过2层小波分解后的第一层、第二层的近似矩阵CA1、CA2,和第一、二层小波分解的细节系数,同时取出第二层小波分解近似矩阵的最大值MAX,和最小值MIN;所述细节系数包含水平分量、垂直分量、对角分量;
(3)对第二层小波分解近似矩阵进行自适应拉伸处理:取第二层小波分解近似矩阵CA2中的任意一个像素点x的灰度值依次与源图像的平均灰度值average进行比较,如果小于average,则如果大于average,则其中A(x)是x点经拉伸后的灰度值,G是拉伸系数,XMAX是源图像的最大灰度值,XMIN是源图像的最小灰度值,X是近似矩阵CA2上x点的灰度值;
(4)进行小波重构后得到高光区域标记图像I1:对第二层小波分解的细节系数置零处理后进行小波重构,得到新的第一层小波分解的近似矩阵,对第一层小波分解的细节系数置零处理,再次进行小波重构得到新图像;新图像与源图像进行对应相减,设定阈值T,提取出高光区域,并以绿色标记显示在源图像上,该新图像标记为I2;
(5)参数初始化:初始化等照线方向,置信度、数据项;
(6)计算优先权:根据I2,寻找绿色标记的高光区域,即为待填充区域,并提取出其边缘,其他区域标记为已知区域;设定以边缘点为中心点的9*9的掩模,计算掩模的优先权P(p)=C(p)*D(p),C(p)是该掩模的置信度,D(p)是该掩模的数据项;
(7)最佳匹配块搜索:根据计算出的优先权取出优先权最大的块为填充目标块,在以该优先权最大的块的中心点为中心的600*800的区域块内进行搜索,找出与优先权最大的块的灰度差值最小的匹配块;
(8)填充与更新置信度:将搜索出的匹配快的值对优先权最大的块对应赋值,然后重新计算置信度。
2.根据权利要求1所述的一种针对类镜面物体的高光区域自适应匀光的方法,其特征在于步骤(1)利用多次改变光路在暗场环境下进行图像的拍摄,获得反光弱的待检测源图像。
3.根据权利要求1所述的一种针对类镜面物体的高光区域自适应匀光的方法,其特征在于步骤(3)中拉伸系数设为1.5。
4.根据权利要求1所述的一种针对类镜面物体的高光区域自适应匀光的方法,其特征在于步骤(4)设置阈值T为150,将重构后的图像与源图像相减后的差值图像E(a,b)与阈值T进行比较,(a,b)指像素点的坐标,假定图像中最左上方的点为起始点,其中a表示像素点与起始点在行数上的距离,b表示像素点与起始点在列数上的距离,E(a,b)表示差值图像在第a行第b列的像素点的像素值;若E(a,b)≤T时,E(a,b)=0;若E(a,b)>T时,E(a,b)=255。
5.根据权利要求1所述的一种针对类镜面物体的高光区域自适应匀光的方法,其特征在于步骤(6)设定9*9的掩模,以9*9大小的掩模为单位进行优先权的计算,选出优先权最大的块,并搜索得到最有的匹配快。
6.根据权利要求1所述的一种针对类镜面物体的高光区域自适应匀光的方法,其特征在于步骤(7)根据不同的检测物体进行不同的设置,搜索区域中心点为优先权最大的块的中心点,在该搜索区域内进行搜索,找出最优匹配块。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711360310.4A CN108109138B (zh) | 2017-12-15 | 2017-12-15 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
PCT/CN2018/113245 WO2019114453A1 (zh) | 2017-12-15 | 2018-10-31 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711360310.4A CN108109138B (zh) | 2017-12-15 | 2017-12-15 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108109138A true CN108109138A (zh) | 2018-06-01 |
CN108109138B CN108109138B (zh) | 2021-08-06 |
Family
ID=62217524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711360310.4A Active CN108109138B (zh) | 2017-12-15 | 2017-12-15 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108109138B (zh) |
WO (1) | WO2019114453A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829480A (zh) * | 2019-01-04 | 2019-05-31 | 广西大学 | 物体表面高光特征检测与材质分类的方法及系统 |
WO2019114453A1 (zh) * | 2017-12-15 | 2019-06-20 | 华南理工大学 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
CN110322409A (zh) * | 2019-06-14 | 2019-10-11 | 浙江大学 | 一种基于标记图的改进型小波变换图像融合方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067871A (zh) * | 2007-06-29 | 2007-11-07 | 北京大学 | 一种用于视觉凸壳绘制的高光区域选取方法及其装置 |
CN102393913A (zh) * | 2011-10-31 | 2012-03-28 | 北京航空航天大学 | 一种基于光谱指纹特征的弱小目标精确跟踪方法 |
CN102819735A (zh) * | 2012-08-17 | 2012-12-12 | 深圳辉锐天眼科技有限公司 | 基于视频帧图像的火焰检测方法 |
CN103164704A (zh) * | 2013-04-12 | 2013-06-19 | 山东师范大学 | 一种基于混合高斯模型的虹膜图像分割算法 |
CN103198483A (zh) * | 2013-04-07 | 2013-07-10 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN104200673A (zh) * | 2014-09-01 | 2014-12-10 | 西南交通大学 | 一种基于道路图像的路面湿滑检测方法 |
CN104299230A (zh) * | 2014-09-25 | 2015-01-21 | 北京理工大学 | 一种利用红黑小波变换的图像显著性检测方法 |
CN104732235A (zh) * | 2015-03-19 | 2015-06-24 | 杭州电子科技大学 | 一种消除夜间道路反光干扰的车辆检测方法 |
CN104751181A (zh) * | 2015-04-02 | 2015-07-01 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
CN105184806A (zh) * | 2015-10-15 | 2015-12-23 | 南京工程学院 | 一种度量图像模糊程度的方法 |
CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016176209A1 (en) * | 2015-04-28 | 2016-11-03 | Dolby Laboratories Licensing Corporation | Image highlight detection and rendering |
CN105354802A (zh) * | 2015-10-23 | 2016-02-24 | 哈尔滨工业大学 | 基于双向梯度预测的高光谱图像连续谱段恢复方法 |
CN106803240B (zh) * | 2016-12-30 | 2020-07-14 | 大连海事大学 | 一种工业图像均光处理方法 |
CN108109138B (zh) * | 2017-12-15 | 2021-08-06 | 华南理工大学 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
-
2017
- 2017-12-15 CN CN201711360310.4A patent/CN108109138B/zh active Active
-
2018
- 2018-10-31 WO PCT/CN2018/113245 patent/WO2019114453A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067871A (zh) * | 2007-06-29 | 2007-11-07 | 北京大学 | 一种用于视觉凸壳绘制的高光区域选取方法及其装置 |
CN102393913A (zh) * | 2011-10-31 | 2012-03-28 | 北京航空航天大学 | 一种基于光谱指纹特征的弱小目标精确跟踪方法 |
CN102819735A (zh) * | 2012-08-17 | 2012-12-12 | 深圳辉锐天眼科技有限公司 | 基于视频帧图像的火焰检测方法 |
CN103198483A (zh) * | 2013-04-07 | 2013-07-10 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN103164704A (zh) * | 2013-04-12 | 2013-06-19 | 山东师范大学 | 一种基于混合高斯模型的虹膜图像分割算法 |
CN104200673A (zh) * | 2014-09-01 | 2014-12-10 | 西南交通大学 | 一种基于道路图像的路面湿滑检测方法 |
CN104299230A (zh) * | 2014-09-25 | 2015-01-21 | 北京理工大学 | 一种利用红黑小波变换的图像显著性检测方法 |
CN104732235A (zh) * | 2015-03-19 | 2015-06-24 | 杭州电子科技大学 | 一种消除夜间道路反光干扰的车辆检测方法 |
CN104751181A (zh) * | 2015-04-02 | 2015-07-01 | 山东大学 | 一种基于相对丰度的高光谱图像解混方法 |
CN105184806A (zh) * | 2015-10-15 | 2015-12-23 | 南京工程学院 | 一种度量图像模糊程度的方法 |
CN105957042A (zh) * | 2016-06-07 | 2016-09-21 | 北京理工大学 | 内镜图像的高光区域消除方法 |
Non-Patent Citations (3)
Title |
---|
ANTONIO CRIMINISI ET AL: "Region Filling and Object Removal by", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
YUAN XIUXIAO ET AL: "Improved Mask dodging algorithm for aerial imagery", 《JOURNAL OF REMOTE SENSING ѧ》 * |
ZHANG ZHEN ET AL: "Improved MASK dodging method based on wavelet", 《JOURNAL OF REMOTE SENSING 》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019114453A1 (zh) * | 2017-12-15 | 2019-06-20 | 华南理工大学 | 一种针对类镜面物体的高光区域自适应匀光的方法 |
CN109829480A (zh) * | 2019-01-04 | 2019-05-31 | 广西大学 | 物体表面高光特征检测与材质分类的方法及系统 |
CN110322409A (zh) * | 2019-06-14 | 2019-10-11 | 浙江大学 | 一种基于标记图的改进型小波变换图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108109138B (zh) | 2021-08-06 |
WO2019114453A1 (zh) | 2019-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101415628B1 (ko) | 목재의 검사 방법, 장치 및 프로그램 | |
CN108445007B (zh) | 一种基于图像融合的检测方法及其检测装置 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
KR100954703B1 (ko) | 결함을 검출하는 방법 및 시스템 | |
JP5085860B2 (ja) | 木材の検査方法及び装置及びプログラム | |
US8699784B2 (en) | Inspection recipe generation and inspection based on an inspection recipe | |
JP2011020455A (ja) | 変形可能なキャリヤ上に印刷された画像の印刷品質を自動的に判断する方法 | |
CN108109138A (zh) | 一种针对类镜面物体的高光区域自适应匀光的方法 | |
CN105372259B (zh) | 测量装置、基板检查装置以及其控制方法、存储媒体 | |
JP6519265B2 (ja) | 画像処理方法 | |
CN108346141A (zh) | 单边侧入光式导光板缺陷提取方法 | |
JPWO2019151393A1 (ja) | 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法 | |
CN113608378B (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
CN103644852A (zh) | 一种镜片膜厚度自动检测系统 | |
CN109813725A (zh) | 一种大尺寸胶水缺陷检测方法 | |
CN116559183A (zh) | 一种提高缺陷判定效率的方法及系统 | |
WO2020079694A1 (en) | Optimizing defect detection in an automatic visual inspection process | |
US9204130B2 (en) | Method and system for creating a three dimensional representation of an object | |
CN109785290A (zh) | 基于局部光照归一化的钢板缺陷检测方法 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
CN108205210A (zh) | 基于傅里叶梅林及特征匹配的lcd缺陷检测系统及方法 | |
CN105005985B (zh) | 背光图像微米级边缘检测方法 | |
CN109387525A (zh) | 一种膜上膜内缺陷的判定方法 | |
CN116908185A (zh) | 物品的外观缺陷检测方法、装置、电子设备及存储介质 | |
Zhou et al. | Defect detection of printing images on cans based on SSIM and chromatism |
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 |