CN108256522B - 一种spr与波导混合吸收谱特征位置的二维识别方法 - Google Patents
一种spr与波导混合吸收谱特征位置的二维识别方法 Download PDFInfo
- Publication number
- CN108256522B CN108256522B CN201810017382.7A CN201810017382A CN108256522B CN 108256522 B CN108256522 B CN 108256522B CN 201810017382 A CN201810017382 A CN 201810017382A CN 108256522 B CN108256522 B CN 108256522B
- Authority
- CN
- China
- Prior art keywords
- circle
- image
- absorption spectrum
- clear aperture
- absorption
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/431—Frequency domain transformation; Autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- 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
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
该发明公开了一种SPR与波导混合吸收谱特征位置的二维识别方法。其特点在于对二维表面等离子体(Surface plasmon resonance,SPR)多模式吸收谱对应的各激发角进行高精度自动提取。所述方法包括:通过互相关方法粗略定位出通光孔径所在圆位置,并将物镜后焦面共轭面上的图像传感器采集到的图像裁剪为包含通光孔径所在圆的矩形图像;通过局部二值化提高通光孔径和通光孔径外部分的对比度并通过互相关方法精确定位通光孔径位置,将通光孔径所在圆外图像信息移除,得到只包含多模式吸收谱对应的各激发角所在圆信息的图像;之后通过互相关方法确定多模式吸收谱对应的各激发角所在圆的圆心,通过分区域的灰度统计方法确定多模式吸收谱对应的各激发角的位置。
Description
技术领域
本发明涉及纳米光学检测技术领域,尤其涉及SPR多模式吸收谱各激发角特征提取的方法。
背景技术
二维表面等离子体(Surface plasmon resonance,SPR)是金属表面的自由电子流在外部电场如电子流或入射光场等的作用下进行规则的振荡运动而形成的一种表面电磁波,在生物医学、材料、化学等领域有广泛的应用。目前常用高数值孔径的显微物镜来激发SPR。当所采用的样品为Kretschmann三明治结构时,其对应的特征是在物镜的后焦面上有一对SPR吸收弧。这种结构对显微物镜的数值孔径要求较高。如果在Kretschmann样品结构上方再放置一层金属,即可形成一种波导与SPR相混合的一种多模式吸收谱,其在后焦面上对应的特征是包含在系统通光孔径内的多个共心且正交的二维圆环(径向偏振入射)或圆弧(线性偏振入射)吸收带。本发明针对这种多模式吸收谱,提出了一种对各模式的位置进行识别的方法,通过该方法,能对后焦面上多模式吸收谱的各激发角对应的位置信息进行直接的提取,该方法具有精度高、可以完成对后焦面信息进行二维提取以及实现SPR多模式吸收谱各激发角对应位置的识别等优点。
发明内容
(一)要解决的技术问题
解决波导模式与SPR相混合形成的多模式吸收谱的高精密识别方法。
(二)技术方案
为了达成上述目的,本发明提供如下的方案:
步骤1:读取图像传感器采集到的后焦面上的SPR多模式吸收谱并将其转换为灰度图像;
步骤2:对步骤1所得图像进行全局阈值与局部阈值相结合的二值化处理以提高通光孔径区域与背景的对比度,将二值化后图像进行翻转,对翻转前与翻转后图像使用互相关方法对通光孔径所在圆进行粗定位,基于定位结果,取合适裕量将步骤1中所得图像进行裁剪以去除大部分通光孔径所在圆的圆外区域,得到N×N大小的矩形图像,建立以裁剪后图像左上角为原点,x、y轴正方向分别为向右、向下方向的直角坐标系;
步骤3:对步骤2所得图像进行全局阈值与局部阈值相结合的二值化处理,在获取局部阈值时需要将图像进行分块,为了使得通光孔径边缘清晰,此处选择较小的分块来进行二值化的处理,随后对通光孔径所在圆使用互相关方法进行精定位,将二值化后的图像进行反色,根据通光孔径所在圆精定位结果,将通光孔径所在圆的圆外部分及圆周附近像素灰度置零,以突出显示多模式吸收谱各激发角所在圆的信息,而后将所得图像进行中值滤波以滤除与多模式吸收谱各激发角所在圆无关的离散点噪声,得到只包含多模式吸收谱各激发角所在圆信息的图像;
步骤4:对步骤3所得图像使用互相关方法,获取多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心位置;
步骤5:以步骤4中得到的多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心为中心,统计在通光孔径所在圆区域内,不同方向上的像素灰度分布,在统计结果中,多模式吸收谱各激发角对应的多对正交吸收圆弧的部分会有数个灰度极小值点,以此来确定多模式吸收谱各激发角上多对正交吸收圆弧的半径,进一步的,所述多模式吸收谱各激发角对应的多对正交吸收圆弧半径的提取方法是:
步骤5.1:以步骤4中得到的多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心结果为中心,在裁剪后的图像中相同位置上确定两条过此中心的沿x轴正方向和沿y轴负方向的射线,在射线两侧±α°范围内确定两片包含在通光孔径所在圆内的张角为2α°的扇形区域;
步骤5.2:建立以半径为横轴、平均灰度为纵轴的直角坐标系,在步骤5.1确定的扇形区域内,以步骤4中所得结果为圆心,沿扇形径向统计半径从圆心到通光孔径所在圆边界的圆弧上像素灰度的和,得到圆弧上像素灰度的平均值以避免离散的噪声点对统计结果产生干扰,将统计结果标注在建立的坐标系内;
步骤5.3:根据步骤5.2的扇形区域内径向平均灰度统计结果,找到多模式吸收谱各激发角对应的多对正交吸收圆弧所对应的极小值点,这些极小值点所对应的横坐标即为多模式吸收谱各激发角上多对正交吸收圆弧各自对应的半径。
以上显示和描述了本发明的基本原理和主要特征。本方法能对后焦面的信息进行全面的提取,对比传统的对通光孔径半径方向的一维提取,该方法具有精度高、能够自动识别等优点,且能实现SPR多模式吸收谱各激发角的识别,解决了二维表面等离子体技术在超显微分辨领域的产业化的技术瓶颈问题。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
附图说明
图1是SPR多模式吸收谱各激发角对应的位置识别方法的操作流程图。
图2是与透镜后焦面共轭的位置上图像传感器采集的通光孔径原始图像。
图3是图2所示图像经全局阈值与局部阈值结合的二值化后所得图像。
图4是利用互相关方法粗定位得到的通光孔径所在圆位置。
图5是图2所示原始图像经裁剪后得到的图像。
图6是将图5所示图像进行全局阈值与局部阈值结合的二值化后所得图像。
图7是利用互相关方法精定位的通光孔径所在圆的圆心的精确位置。
图8是将图6所示图像反色,然后将通光孔径外部分及圆周附近区域像素灰度置零所得图像。
图9是将图8所示图像进行中值滤波降噪所得结果图像。
图10是利用互相关方法获取的多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心。
图11是根据图10中所得结果,统计图5中通光孔径所在圆内灰度分布的结果。
图12是根据统计结果得到的多模式吸收谱各激发角所在圆位置。
其中图11中:横轴为半径,纵轴为灰度平均值,点划线为沿x轴正向上的扇形区域灰度统计结果,实线为沿y轴负向上的扇形区域灰度统计结果,圆圈标注部分为吸收圆弧位置的极小值点。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
具体实施方式:使用线性偏振模态的入射光激发SPR时,在与显微物镜后焦面共轭的图像传感器上得到的SPR多模式吸收谱各激发角,其特征为在通光孔径内产生多对共心且正交的对称的SPR吸收圆弧。通光孔径边界和SPR多模式吸收谱各激发角的精确拟合按以下步骤进行:
步骤1:输入一张包含SPR多模式吸收谱的矩形图像,将其转换为灰度图像,得到如附图2所示图像,可以看到通光孔径内的多个共心且正交的二维圆弧吸收带。
步骤2:对于附图2所示输入的原始数据图像,为了使得图像中通光孔径边缘部分能够与通光孔径外部分良好的区分开,采用全局阈值与局部阈值相结合的图像二值化方法。其中全局阈值采用最小误差阈值分割方法,获取局部阈值时要先将附图2所示原始图像进行分块,再对各个分块内的图像采用最小误差阈值分割方法,选取合适的比例系数将全局阈值与局部阈值结合,完成原始图像的二值化,二值化后灰度为0或GB,所得结果如附图3所示。
步骤3:利用互相关方法对通光孔径所在圆位置进行提取主要包含以下步骤:
(1)将附图3中所示图像分别进行上下、左右的翻转,得到两幅新的图像,为了减少直接进行互相关运算时的计算量,根据互相关的性质F(a*b)=F(a)×F*(b),先将翻转前的图像与翻转后的两幅图像进行傅里叶变换,之后使翻转后图像的傅里叶变换结果分别与翻转前图像的傅里叶变换结果点乘,对两个点乘结果分别进行傅里叶逆变换来计算互相关程度,得到两个相关矩阵,分别找到两个矩阵中模最大值在矩阵中的位置,得到翻转前图像与上下、左右翻转后图像的通光孔径所在圆的圆心的垂直、水平相对位置ud、lr;
(2)根据得到的翻转前图像与翻转后图像通光孔径所在圆的圆心的垂直、水平相对位置ud、lr,结合翻转前图像的长L、宽W,就可以得到翻转前图像中通光孔径所在圆的圆心的位置(X0,Y0),圆心位置的计算方法与通光孔径所在圆的圆心在图像中的位置有关,具体如下表1所示,对附图3所示图像的通光孔径所在圆的圆心识别结果如附图4所示,在通光孔径所在圆的圆心位置进行了标注;
表1圆心坐标与圆心位置关系
圆心在原图中位置 | 横坐标 | 纵坐标 |
偏左偏上 | (L-lr+1)/2 | (W-ud+1)/2 |
偏左偏下 | (L-lr+1)/2 | (W+ud+1)/2 |
偏右偏上 | (L+lr+1)/2 | (W-ud+1)/2 |
偏右偏下 | (L+lr+1)/2 | (W+ud+1)/2 |
(3)以得到的通光孔径所在圆的圆心为中心,统计附图3所示图像中过此中心沿x轴方向上的灰度分布,根据统计结果中灰度值为GB第一次和最后一次出现的位置,获得通光孔径所在圆直径。
步骤4:根据通光孔径所在圆粗定位结果,取裕量ΔR0,并以N=2×(R0+ΔR0)为边长,以圆心为正方形中心,对附图2所示图像进行裁剪,以尽量去掉通光孔径外部无关的区域,减少后续处理工作的计算量,裁剪后得到N×N大小的正方形图像如附图5所示,建立以裁剪后图像矩阵左上角为原点,x、y轴正方向分别为向右、向下方向的直角坐标系。
步骤5:对附图5所示图像进行全局阈值与局部阈值相结合的二值化处理,在二值化时需要将图像进行分块,为了使得通光孔径边缘清晰,此处选择合适的分块来进行二值化的处理,二值化后结果如附图6所示;随后对通光孔径所在圆使用互相关方法进行精定位,得到通光孔径所在圆半径R1、圆心(X1,Y1),将精定位确定的圆心和圆周绘制得到如附图7所示图像;将二值化后的图像进行反色,基于得到的通光孔径所在圆的圆心及半径精确结果,取裕量,将反色后图像中以(X1,Y1)为圆心,R1-ΔR1为半径的圆外部分像素灰度置零,以突出显示多模式吸收谱各激发角对应的多对正交吸收圆弧的信息,所得结果如附图8所示;对附图8所示图像进行中值滤波以滤除无关的离散点噪声,得到只包含多模式吸收谱各激发角对应的多对正交吸收圆弧的图像如附图9所示。
步骤6:对步骤5所得图像使用互相关方法,获取多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心位置(X2,Y2),结果如附图10所示。
步骤7:SPR多模式吸收谱各激发角对应的多对正交圆弧所在圆的半径提取涉及平均灰度统计,主要包含以下步骤:
(1)根据步骤6中得到的多模式吸收谱各激发角所在圆圆心结果(X2,Y2),在附图5中以此为中心,确定两条过此中心的沿x轴正方向和沿y轴负方向的射线,在射线两侧±α°范围内确定两片包含在通光孔径所在圆内的张角为2α°的扇形区域,结合本实例,此处α可取15,选择统计x轴正向和y轴负向两个扇形区域而非整圆的理由如下:观察附图5所示原始图像可以看到,本例中通光孔径内多模式吸收谱的特征为多对上下方向或者左右方向对称的SPR吸收圆弧,为了避免直接统计整圆时将非吸收弧部分灰度加入求灰度平均值的过程中,导致吸收弧部分平均值与非吸收弧部分平均值差距过小不便于区分,所以采用划分扇形区域的统计方式;
(2)建立以半径为横轴、平均灰度为纵轴的直角坐标系,在确定的两片扇形区域内,以步骤6中所得结果为圆心,沿扇形区域径向分别统计半径大小从圆心到通光孔径所在圆边界的圆弧上像素灰度和的平均值以避免离散的噪声点对统计结果产生干扰,统计结果如附图11所示;
(3)观察附图5所示图像可以看到SPR吸收圆弧部分的灰度值明显低于通光孔径内部非吸收弧部分,因此选择平均灰度的极小值点来确定吸收弧半径,根据附图11中对两个扇形区域内灰度分布的统计得到的两条平均灰度曲线上共有3处被圆圈标注的突出的极小值点,这些极小值点对应的横坐标即为多模式吸收谱各激发角对应的多对正交吸收圆弧所在圆半径R21、R22、R23。
基于上述论述,通过互相关方法和灰度统计的方法综合得到的SPR多模式吸收谱各激发角所在圆的圆心(X2,Y2),半径R21、R22、R23,并在附图5中将这些圆进行了绘制,得到结果如附图12所示,对比原始图像中的SPR多模式吸收谱各激发角定位精确。
Claims (2)
1.一种SPR与波导混合吸收谱特征位置的二维识别方法,其特征包括:
步骤1:读取图像传感器采集到的物镜后焦面上的SPR多模式吸收谱并将其保存为灰度图像;
步骤2:对步骤1得到的灰度图像进行二值化处理,对通光孔径所在圆进行粗定位,基于定位结果对步骤1中所得图像进行裁剪,得到矩形图像,建立以裁剪后图像左上角为原点,x、y轴正方向分别为向右、向下方向的坐标系;
步骤3:对步骤2所得图像进行二值化处理,根据二值化后图像对通光孔径所在圆进行精定位,将二值化后的图像进行反色,根据通光孔径所在圆精定位结果,保留下通光孔径区域内多模式吸收谱的各激发角对应的吸收弧,其特征表现为多对共心且正交的吸收圆弧,将其余区域灰度置零;
步骤4:使用互相关的方法获取步骤3所得图像中多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心位置;
步骤5:基于步骤4得到的多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心位置,以此为中心,统计在通光孔径所在圆区域内不同方向上的像素灰度分布,确定多模式吸收谱各激发角对应的多对正交吸收圆弧的半径,完成SPR多模式吸收谱各激发角对应位置的识别;
其特征还包括:步骤4中所述的使用互相关获取多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心位置的方法为:
将步骤3所得图像分别进行上下、左右的翻转,得到两幅新的图像,为了减少直接进行互相关运算的计算量,根据互相关的性质F(a*b)=F(a)×F*(b),先将翻转前的图像与翻转后的两幅图像进行傅里叶变换,之后使翻转后图像的傅里叶变换结果分别与翻转前图像的傅里叶变换结果点乘,对两个点乘结果分别进行傅里叶逆变换来计算互相关程度,得到两个相关矩阵,分别找到两个矩阵中模最大值在矩阵中的位置,得到翻转前图像与上下、左右翻转后图像的通光孔径所在圆的圆心的垂直、水平相对位置ud、lr;
根据得到的翻转前图像与翻转后多模式吸收谱各激发角对应的多对正交吸收圆弧所在圆的圆心的垂直、水平相对位置ud、lr,结合翻转前图像的长L、宽W,就可以得到翻转前图像中多模式吸收谱各激发角对应的多对正交吸收圆弧所在圆的圆心的位置(X0,Y0),圆心位置的计算有如下几种情况:
当翻转前圆心在原图中位置为左上方时,圆心坐标为((L-lr+1)/2,(W-ud+1)/2);
当翻转前圆心在原图中位置为左下方时,圆心坐标为((L-lr+1)/2,(W+ud+1)/2);
当翻转前圆心在原图中位置为右上方时,圆心坐标为((L+lr+1)/2,(W-ud+1)/2);
当翻转前圆心在原图中位置为右下方时,圆心坐标为((L+lr+1)/2,(W+ud+1)/2)。
2.如权利要求1所述的一种SPR与波导混合吸收谱特征位置的二维识别方法,其特征在于步骤5中对通光孔径所在圆内不同方向上的灰度分布的统计及多模式吸收谱各激发角对应的多对正交吸收圆弧各自半径的确定,具体方法是:
步骤5.1:以步骤4中得到的多模式吸收谱各激发角对应的多对正交吸收圆弧的圆心为中心,在裁剪后的图像中相同位置上确定两条过此中心的沿x轴正方向和沿y轴负方向的射线,在射线两侧±α°范围内确定两片包含在通光孔径所在圆内的张角为2α°的扇形区域;
步骤5.2:建立以半径为横轴、平均灰度为纵轴的直角坐标系,在步骤5.1确定的扇形区域内,以步骤4中结果为圆心,统计两个扇形区域内径向半径大小从圆心到通光孔径所在圆边界的圆弧上像素灰度的平均值,将统计结果标注在建立的坐标系内;
步骤5.3:根据步骤5.2的扇形区域内径向平均灰度统计结果,根据相邻极小值点的差值,得到多模式吸收谱各激发角对应的多对正交吸收圆弧所对应的极小值点,这些极小值点的横坐标即为多模式吸收谱各激发角对应的多对正交吸收圆弧各自的半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017382.7A CN108256522B (zh) | 2018-01-09 | 2018-01-09 | 一种spr与波导混合吸收谱特征位置的二维识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017382.7A CN108256522B (zh) | 2018-01-09 | 2018-01-09 | 一种spr与波导混合吸收谱特征位置的二维识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256522A CN108256522A (zh) | 2018-07-06 |
CN108256522B true CN108256522B (zh) | 2020-05-19 |
Family
ID=62726047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810017382.7A Expired - Fee Related CN108256522B (zh) | 2018-01-09 | 2018-01-09 | 一种spr与波导混合吸收谱特征位置的二维识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256522B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885312A (zh) * | 2006-07-11 | 2006-12-27 | 电子科技大学 | 基于数学形态学和概率统计的虹膜定位方法 |
CN103136758A (zh) * | 2013-03-25 | 2013-06-05 | 长春工业大学 | 基于正交多项式拟合的快速边缘检测方法 |
CN103134546A (zh) * | 2012-12-14 | 2013-06-05 | 中国人民解放军63963部队 | 一种针对特种车辆指针式仪表的半自动校验方法 |
CN105260709A (zh) * | 2015-09-28 | 2016-01-20 | 北京石油化工学院 | 基于图像处理的水表检定方法、装置及系统 |
CN106408555A (zh) * | 2015-12-27 | 2017-02-15 | 华南理工大学 | 一种基于图像视觉的轴承表面瑕疵检测方法 |
CN107064106A (zh) * | 2017-04-11 | 2017-08-18 | 北京航空航天大学 | 一种二维表面等离子体最佳激发角位置的高精度识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2711866A1 (en) * | 2012-09-21 | 2014-03-26 | Biomerieux | Method and system for detecting a 2D barcode in a circular label |
CN104636722B (zh) * | 2015-01-26 | 2018-02-27 | 江苏大学 | 一种采摘机器人的重叠果实快速跟踪识别方法 |
-
2018
- 2018-01-09 CN CN201810017382.7A patent/CN108256522B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885312A (zh) * | 2006-07-11 | 2006-12-27 | 电子科技大学 | 基于数学形态学和概率统计的虹膜定位方法 |
CN103134546A (zh) * | 2012-12-14 | 2013-06-05 | 中国人民解放军63963部队 | 一种针对特种车辆指针式仪表的半自动校验方法 |
CN103136758A (zh) * | 2013-03-25 | 2013-06-05 | 长春工业大学 | 基于正交多项式拟合的快速边缘检测方法 |
CN105260709A (zh) * | 2015-09-28 | 2016-01-20 | 北京石油化工学院 | 基于图像处理的水表检定方法、装置及系统 |
CN106408555A (zh) * | 2015-12-27 | 2017-02-15 | 华南理工大学 | 一种基于图像视觉的轴承表面瑕疵检测方法 |
CN107064106A (zh) * | 2017-04-11 | 2017-08-18 | 北京航空航天大学 | 一种二维表面等离子体最佳激发角位置的高精度识别方法 |
Non-Patent Citations (3)
Title |
---|
《A New Method of Circle’s Center and Radius Detection in Image Processing》;Zhang Mingzhu等;《Proceedings of the IEEE International Conference on Automation and Logistics》;20080930;第2239-2242页 * |
《一种新的快速Hough变换圆检测方法》;黄永林等;《电子测量与仪器学报》;20100930;第24卷(第9期);第837-841页 * |
《基于有序Hough变换的快速圆检测算法》;叶峰等;《光学 精密工程》;20140430;第22卷(第4期);第1105-1111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108256522A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
CN101256156B (zh) | 平板裂缝天线裂缝精密测量方法 | |
CN107255641A (zh) | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 | |
CN103292701A (zh) | 基于机器视觉的精密器件在线尺寸测量方法 | |
CN107392849B (zh) | 基于图像细分的靶标识别与定位方法 | |
CN107358628B (zh) | 基于靶标的线阵图像处理方法 | |
CN104880389A (zh) | 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统 | |
CN107230212B (zh) | 一种基于视觉的手机尺寸的测量方法及系统 | |
US6507675B1 (en) | Structure-guided automatic learning for image feature enhancement | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN107064106B (zh) | 一种二维表面等离子体最佳激发角位置的高精度识别方法 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN111382658A (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN109658428A (zh) | 基于Hough变换实现圆的快速检测方法 | |
CN113888456B (zh) | 一种基于轮廓的角点检测方法 | |
CN114485433A (zh) | 基于伪随机散斑的三维测量系统、方法及装置 | |
CN113793309A (zh) | 一种基于形态学特征的亚像素级椭圆检测方法 | |
CN108256522B (zh) | 一种spr与波导混合吸收谱特征位置的二维识别方法 | |
CN1776743A (zh) | 基于相位一致的纹理分类方法 | |
CN112289381B (zh) | 基于图像构建测序模板的方法、装置和计算机产品 | |
CN115880228A (zh) | 多缺陷合并方法、装置、计算机设备及存储介质 | |
CN108062771B (zh) | 一种基于互相关的二维spr吸收谱最佳激发角位置识别方法 | |
Xing et al. | Research on crack extraction based on the improved tensor voting algorithm |
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 |
Granted publication date: 20200519 Termination date: 20210109 |
|
CF01 | Termination of patent right due to non-payment of annual fee |