CN108257140A - 一种双最佳Otsu阈值最简图像构造方法 - Google Patents
一种双最佳Otsu阈值最简图像构造方法 Download PDFInfo
- Publication number
- CN108257140A CN108257140A CN201810084122.1A CN201810084122A CN108257140A CN 108257140 A CN108257140 A CN 108257140A CN 201810084122 A CN201810084122 A CN 201810084122A CN 108257140 A CN108257140 A CN 108257140A
- Authority
- CN
- China
- Prior art keywords
- gray level
- calculate
- pixel
- probability
- image
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
Abstract
本发明一种双最佳Otsu阈值最简图像构造方法属于图像处理技术领域;该方法包括以下步骤:构建一幅只有三个灰度级的图像;计算图像总的像素数量;计算每个灰度级出现的概率;通过选取不同阈值,按照Otsu算法得到两个类间方差;以两个类间方差相等为原则,得到三个灰度级和三个像素之间的关系,最后根据上述灰度级和像素之间的关系构建图像;本发明双最佳Otsu阈值最简图像构造方法,能够构建出一幅按照Otsu算法得到两个解的图像,该图像不仅构建容易,画面简单,而且能够明确不适用于Otsu算法进行阈值分割,有利于对Otsu算法进行测试,挖掘Otsu算法的适用条件,完善Otsu算法的应用范围。
Description
技术领域
本发明一种双最佳Otsu阈值最简图像构造方法属于图像处理技术领域。
背景技术
Otsu算法是一种确定图像二值化分割阈值的算法,按照Otsu算法求得的阈值进行图像二值化分割后,背景图像与目标图像的类间方差最大,因此又称作最大类间方差法。
如果能够存在一种图像,按照Otsu算法得到两个甚至更多解,这样的图像就不适用于 Otsu算法进行阈值分割。然而,是否存在这样的图像,还没有发现有学者对此问题进行过讨论。
发明内容
为了探索是否存在一种按照Otsu算法得到两个解的图像,本发明公开了一种双最佳Otsu 阈值最简图像构造方法,按照该方法得到的图像,不仅画面简单,而且能够明确不适用于Otsu 算法进行阈值分割,有利于对Otsu算法进行测试,挖掘Otsu算法的适用条件,完善Otsu算法的应用范围。
本发明的目的是这样实现的:
一种双最佳Otsu阈值最简图像构造方法,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1、L2和L3,灰度级为L1的像素数量为n1,灰度级为L2的像素数量为n2,灰度级为L3的像素数量为n3;
步骤b、按照N=n1+n2+n3计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1的像素作为背景,灰度级为L2和L3的像素作为目标;计算背景部分出现的概率ωb1:
ωb1=P1
计算背景部分的灰度级均值μb1:
μb1=L1
计算目标部分出现的概率ωo1:
ωo1=P2+P3
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1和L2的像素作为背景,灰度级为L3的像素作为目标;计算背景部分出现的概率ωb2:
ωb2=P1+P2
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
ωo2=P3
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L1、L2和L3,三个像素数量n1、n2和n3之间的关系:
步骤g、构建满足步骤f中关系的图像。
上述双最佳Otsu阈值最简图像构造方法,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1、L2和L3,灰度级为L1的像素数量为n,灰度级为L2的像素数量为n,灰度级为L3的像素数量为n;
步骤b、按照N=3n计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1的像素作为背景,灰度级为L2和L3的像素作为目标;
计算背景部分出现的概率ωb1:
计算背景部分的灰度级均值μb1:
μb1=L1
计算目标部分出现的概率ωo1:
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1和L2的像素作为背景,灰度级为L3的像素作为目标;计算背景部分出现的概率ωb2:
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L1、L2和L3之间的关系:
步骤g、构建灰度级为L1、灰度级为L2和灰度级为L3的像素数量均为n且满足步骤f中关系的图像。
上述双最佳Otsu阈值最简图像构造方法,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1=0、L2和L3,灰度级为L1的像素数量为n,灰度级为L2的像素数量为n,灰度级为L3的像素数量为n;
步骤b、按照N=3n计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1=0的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1=0的像素作为背景,灰度级为L2和L3的像素作为目标;
计算背景部分出现的概率ωb1:
计算背景部分的灰度级均值μb1:
μb1=L1=0
计算目标部分出现的概率ωo1:
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1=0和L2的像素作为背景,灰度级为L3的像素作为目标;计算背景部分出现的概率ωb2:
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L2和L3之间的关系:
进一步化简,有:
L3=2L2
步骤g、构建灰度级为L1、灰度级为L2和灰度级为L3的像素数量均为n,灰度级L1=0且满足步骤f中关系的图像。
有益效果:
本发明双最佳Otsu阈值最简图像构造方法,只要按照三个灰度级L1、L2和L3,三个像素数量n1、n2和n3之间特定关系,就能够构建出一幅按照Otsu算法得到两个解的图像,该图像不仅构建容易,画面简单,而且能够明确不适用于Otsu算法进行阈值分割,有利于对Otsu 算法进行测试,挖掘Otsu算法的适用条件,完善Otsu算法的应用范围。
具体实施方式
下面对本发明具体实施例作进一步详细描述。
具体实施例一
本实施例为本发明双最佳Otsu阈值最简图像构造方法实施例。
本实施例的双最佳Otsu阈值最简图像构造方法,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1、L2和L3,灰度级为L1的像素数量为n1,灰度级为L2的像素数量为n2,灰度级为L3的像素数量为n3;
步骤b、按照N=n1+n2+n3计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1的像素作为背景,灰度级为L2和L3的像素作为目标;
计算背景部分出现的概率ωb1:
ωb1=P1
计算背景部分的灰度级均值μb1:
μb1=L1
计算目标部分出现的概率ωo1:
ωo1=P2+P3
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1和L2的像素作为背景,灰度级为L3的像素作为目标;计算背景部分出现的概率ωb2:
ωb2=P1+P2
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
ωo2=P3
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L1、L2和L3,三个像素数量n1、n2和n3之间的关系:
步骤g、构建满足步骤f中关系的图像。
具体实施例二
本实施例为本发明双最佳Otsu阈值最简图像构造方法实施例。
本实施例的双最佳Otsu阈值最简图像构造方法,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1、L2和L3,灰度级为L1的像素数量为n,灰度级为L2的像素数量为n,灰度级为L3的像素数量为n;
步骤b、按照N=3n计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1的像素作为背景,灰度级为L2和L3的像素作为目标;
计算背景部分出现的概率ωb1:
计算背景部分的灰度级均值μb1:
μb1=L1
计算目标部分出现的概率ωo1:
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1和L2的像素作为背景,灰度级为L3的像素作为目标;计算背景部分出现的概率ωb2:
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L1、L2和L3之间的关系:
步骤g、构建灰度级为L1、灰度级为L2和灰度级为L3的像素数量均为n且满足步骤f中关系的图像。
本实施例的双最佳Otsu阈值最简图像构造方法,由于限定了构建灰度级为L1、灰度级为 L2和灰度级为L3的像素数量均为n,因此简化了构建双最佳Otsu阈值最简图像的条件。
具体实施例三
本实施例为本发明双最佳Otsu阈值最简图像构造方法实施例。
本实施例的双最佳Otsu阈值最简图像构造方法,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1=0、L2和L3,灰度级为L1的像素数量为n,灰度级为L2的像素数量为n,灰度级为L3的像素数量为n;
步骤b、按照N=3n计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1=0的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1=0的像素作为背景,灰度级为L2和L3的像素作为目标;
计算背景部分出现的概率ωb1:
计算背景部分的灰度级均值μb1:
μb1=L1=0
计算目标部分出现的概率ωo1:
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1=0和L2的像素作为背景,灰度级为L3的像素作为目标;计算背景部分出现的概率ωb2:
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L2和L3之间的关系:
进一步化简,有:
L3=2L2
步骤g、构建灰度级为L1、灰度级为L2和灰度级为L3的像素数量均为n,灰度级L1=0且满足步骤f中关系的图像。
本实施例的双最佳Otsu阈值最简图像构造方法,由于限定了构建灰度级为L1、灰度级为 L2和灰度级为L3的像素数量均为n,灰度级L1=0,因此极大简化了构建双最佳Otsu阈值最简图像的条件。
在本实施例中,只要构建一幅图像,该图像有三个像素,一个灰度级为0,一个为L2,一个为2L2即可实现构建双最佳Otsu阈值最简图像。
具体实施例四
本实施例为本发明单最佳Otsu阈值最简图像构造方法实施例。
本实施例的单最佳Otsu阈值最简图像构造方法,在具体实施例一的基础上,还包括:
步骤g、按照得到三个灰度级L1、L2和L3,三个像素数量n1、n2和n3之间的关系:
调整方式是在满足步骤f的基础上,调整三个灰度级L1、L2和L3,三个像素数量n1、n2和n3中的任意参数即可;
按照步骤g得到的图像,不仅画面简单,而且能够明确适用于Otsu算法进行阈值分割,有利于对Otsu算法进行测试,挖掘Otsu算法的适用条件,完善Otsu算法的应用范围。
具体实施例五
本实施例为本发明单最佳Otsu阈值最简图像构造方法实施例。
本实施例的单最佳Otsu阈值最简图像构造方法,在具体实施例二的基础上,还包括:
步骤g、按照得到三个灰度级L1、L2和L3之间的关系:
调整方式是在满足步骤f的基础上,调整三个灰度级L1、L2和L3中的任意参数即可;
按照步骤g得到的图像,不仅画面简单,而且能够明确适用于Otsu算法进行阈值分割,有利于对Otsu算法进行测试,挖掘Otsu算法的适用条件,完善Otsu算法的应用范围。
具体实施例五
本实施例为本发明单最佳Otsu阈值最简图像构造方法实施例。
本实施例的单最佳Otsu阈值最简图像构造方法,在具体实施例二的基础上,还包括:
步骤g、按照得到两个灰度级L2和L3之间的关系:
L3≠2L2
调整方式是在满足步骤f的基础上,调整两个灰度级L2和L3中的任意参数即可;
按照步骤g得到的图像,不仅画面简单,而且能够明确适用于Otsu算法进行阈值分割,有利于对Otsu算法进行测试,挖掘Otsu算法的适用条件,完善Otsu算法的应用范围。
Claims (3)
1.一种双最佳Otsu阈值最简图像构造方法,其特征在于,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1、L2和L3,灰度级为L1的像素数量为n1,灰度级为L2的像素数量为n2,灰度级为L3的像素数量为n3;
步骤b、按照N=n1+n2+n3计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1的像素作为背景,灰度级为L2和L3的像素作为目标;
计算背景部分出现的概率ωb1:
ωb1=P1
计算背景部分的灰度级均值μb1:
μb1=L1
计算目标部分出现的概率ωo1:
ωo1=P2+P3
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1和L2的像素作为背景,灰度级为L3的像素作为目标;
计算背景部分出现的概率ωb2:
ωb2=P1+P2
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
ωo2=P3
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L1、L2和L3,三个像素数量n1、n2和n3之间的关系:
步骤g、构建满足步骤f中关系的图像。
2.根据权利要求1所述的一种双最佳Otsu阈值最简图像构造方法,其特征在于,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1、L2和L3,灰度级为L1的像素数量为n,灰度级为L2的像素数量为n,灰度级为L3的像素数量为n;
步骤b、按照N=3n计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1的像素作为背景,灰度级为L2和L3的像素作为目标;计算背景部分出现的概率ωb1:
计算背景部分的灰度级均值μb1:
μb1=L1
计算目标部分出现的概率ωo1:
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1和L2的像素作为背景,灰度级为L3的像素作为目标;计算背景部分出现的概率ωb2:
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L1、L2和L3之间的关系:
步骤g、构建灰度级为L1、灰度级为L2和灰度级为L3的像素数量均为n且满足步骤f中关系的图像。
3.根据权利要求2所述的一种双最佳Otsu阈值最简图像构造方法,其特征在于,包括以下步骤:
步骤a、构建一幅只有三个灰度级的图像,所述三个灰度级分别为L1=0、L2和L3,灰度级为L1的像素数量为n,灰度级为L2的像素数量为n,灰度级为L3的像素数量为n;
步骤b、按照N=3n计算图像总的像素数量N;
步骤c、计算每个灰度级出现的概率:
灰度级为L1=0的像素出现的概率P1为:
灰度级为L2的像素出现的概率P2为:
灰度级为L3的像素出现的概率P3为:
步骤d、将灰度级为L1=0的像素作为背景,灰度级为L2和L3的像素作为目标;计算背景部分出现的概率ωb1:
计算背景部分的灰度级均值μb1:
μb1=L1=0
计算目标部分出现的概率ωo1:
计算目标部分的灰度级均值μo1:
计算背景部分和目标部分的类间方差:
步骤e、将灰度级为L1=0和L2的像素作为背景,灰度级为L3的像素作为目标;计算背景部分出现的概率ωb2:
计算背景部分的灰度级均值μb2:
计算目标部分出现的概率ωo2:
计算目标部分的灰度级均值μo2:
μo2=L3
计算背景部分和目标部分的类间方差:
步骤d和步骤e的顺序能够交换或同步进行;
步骤f、按照得到三个灰度级L2和L3之间的关系:
进一步化简,有:
L3=2L2
步骤g、构建灰度级为L1、灰度级为L2和灰度级为L3的像素数量均为n,灰度级L1=0且满足步骤f中关系的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810084122.1A CN108257140B (zh) | 2018-01-29 | 2018-01-29 | 一种双最佳Otsu阈值最简图像构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810084122.1A CN108257140B (zh) | 2018-01-29 | 2018-01-29 | 一种双最佳Otsu阈值最简图像构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108257140A true CN108257140A (zh) | 2018-07-06 |
CN108257140B CN108257140B (zh) | 2020-03-24 |
Family
ID=62742121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810084122.1A Active CN108257140B (zh) | 2018-01-29 | 2018-01-29 | 一种双最佳Otsu阈值最简图像构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257140B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060126934A1 (en) * | 2004-12-15 | 2006-06-15 | Hitachi Global Storage Technologies Netherlands B.V. | Optimized lighting method for slider serial reading using class variance |
CN104732519A (zh) * | 2015-01-20 | 2015-06-24 | 中国科学院半导体研究所 | 鲁棒的全局阈值分割方法 |
CN106097351A (zh) * | 2016-06-13 | 2016-11-09 | 西安邮电大学 | 一种基于多目标的自适应阈值图像分割方法 |
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN107358619A (zh) * | 2017-09-07 | 2017-11-17 | 陕西师范大学 | 基于鸡群优化法的图像多阈值分割方法 |
CN107610144A (zh) * | 2017-07-21 | 2018-01-19 | 哈尔滨工程大学 | 一种改进的基于最大类间方差法的红外图像分割算法 |
-
2018
- 2018-01-29 CN CN201810084122.1A patent/CN108257140B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060126934A1 (en) * | 2004-12-15 | 2006-06-15 | Hitachi Global Storage Technologies Netherlands B.V. | Optimized lighting method for slider serial reading using class variance |
CN104732519A (zh) * | 2015-01-20 | 2015-06-24 | 中国科学院半导体研究所 | 鲁棒的全局阈值分割方法 |
CN106097351A (zh) * | 2016-06-13 | 2016-11-09 | 西安邮电大学 | 一种基于多目标的自适应阈值图像分割方法 |
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN107610144A (zh) * | 2017-07-21 | 2018-01-19 | 哈尔滨工程大学 | 一种改进的基于最大类间方差法的红外图像分割算法 |
CN107358619A (zh) * | 2017-09-07 | 2017-11-17 | 陕西师范大学 | 基于鸡群优化法的图像多阈值分割方法 |
Non-Patent Citations (2)
Title |
---|
CUNZHAO SHI ET AL.: "OTSU Guided Adaptive Binarization of CAPTCHA Image using Gamma Correction", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
王璇 等: "基于改进最大类间方差法的灰度图像分割", 《电子设计》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108257140B (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767354B (zh) | 一种基于暗原色先验的图像去雾算法 | |
US8953874B2 (en) | Conversion of monoscopic visual content using image-depth database | |
CN104732578B (zh) | 一种基于倾斜摄影技术的建筑物纹理优化方法 | |
TWI285047B (en) | Method of automatic exposure control and automatic exposure compensated apparatus | |
CN103295194B (zh) | 亮度可控与细节保持的色调映射方法 | |
CN109325922B (zh) | 一种图像自适应增强方法、装置及图像处理设备 | |
CN104574366B (zh) | 一种基于单目深度图的视觉显著性区域的提取方法 | |
Wang et al. | A fast single-image dehazing method based on a physical model and gray projection | |
US9769460B1 (en) | Conversion of monoscopic visual content to stereoscopic 3D | |
GB2556761A (en) | Image contrast enhancement method | |
CN105959510B (zh) | 一种视频快速去雾方法 | |
CN103996178A (zh) | 一种沙尘天气彩色图像增强方法 | |
CN110298792B (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
CN107527325A (zh) | 一种基于暗通道优先的单目水下视觉增强方法 | |
US20150187051A1 (en) | Method and apparatus for estimating image noise | |
TW201032180A (en) | Method and device for keeping image background by multiple gauss models | |
Xiong et al. | An efficient underwater image enhancement model with extensive Beer-Lambert law | |
CN105513029B (zh) | 一种两段式红外热像仪自动增益控制方法 | |
CN107977941A (zh) | 一种明亮区域色彩保真及对比度增强的图像去雾方法 | |
CN108550124B (zh) | 一种基于仿生螺线的光照补偿及图像增强方法 | |
CN108257140A (zh) | 一种双最佳Otsu阈值最简图像构造方法 | |
EP2989611A1 (en) | Moving object detection | |
Hu et al. | A low illumination video enhancement algorithm based on the atmospheric physical model | |
CN105608685A (zh) | 一种直方图修正的二次直方图均衡图像增强方法及系统 | |
CN110956616B (zh) | 一种基于立体视觉的目标检测方法及系统 |
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 |