CN108460778A - 面向有雾图像的类天空区域检测与定位方法 - Google Patents

面向有雾图像的类天空区域检测与定位方法 Download PDF

Info

Publication number
CN108460778A
CN108460778A CN201711424698.XA CN201711424698A CN108460778A CN 108460778 A CN108460778 A CN 108460778A CN 201711424698 A CN201711424698 A CN 201711424698A CN 108460778 A CN108460778 A CN 108460778A
Authority
CN
China
Prior art keywords
pixel
value
binary map
sky areas
color
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
Application number
CN201711424698.XA
Other languages
English (en)
Other versions
CN108460778B (zh
Inventor
陈奕宸
刘春晓
徐行
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN201711424698.XA priority Critical patent/CN108460778B/zh
Publication of CN108460778A publication Critical patent/CN108460778A/zh
Application granted granted Critical
Publication of CN108460778B publication Critical patent/CN108460778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • 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

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

本发明涉及有雾图像增强和复原的多媒体技术领域，特别是涉及一种面向有雾图像的类天空区域检测与定位方法。一种面向有雾图像的类天空区域检测与定位方法，包括如下步骤：1)亮度明暗二值图LD的生成。2)梯度幅值图G的生成。3)判断是否存在类天空区域并获得粗略的类天空区域二值图s。4)获得精确的类天空区域二值图S。本发明其主要功能是利用输入有雾图像的亮度、颜色、梯度信息，先通过连通区域检测进行粗略定位，再根据亮度和梯度信息判断是否是真正的类天空区域，最后利用颜色信息对类天空区域实现精确定位，通过这种方法，可以高效且准确的定位类天空区域，增强去雾算法的去雾效果。

Description

面向有雾图像的类天空区域检测与定位方法
技术领域
本发明涉及有雾图像增强和复原的多媒体技术领域，特别是涉及一种面向有雾图像的类天空区域检测与定位方法。
背景技术
在雾天环境下，机场关闭、船舶停运、道路封锁、测绘卫星拍摄的图像质量低下、视频监控系统不能正常工作，给人们的生产生活和科学研究带来了重大的损失。近年来，自动驾驶、智能交通技术的研发成为一大热门方向，摄像监控设备和传感器所获得的图像的清晰度是决定此类技术稳定性和可靠性的重要因素。因此，得到清晰无雾图像具有重要的应用价值，截至目前图像去雾已成为计算机视觉和数字图像处理的一个研究热点。
目前图像去雾的主流是基于大气散射模型的图像去雾方法，绝大多数基于大气散射模型的去雾算法对类天空区域，也就是包含了天空区域和与天空类似的梯度小、亮度高、三个颜色通道差异小的区域都是失效的，所以需要进行类天空区域的检测与定位，单独调整类天空区域以达到更好的去雾效果。
然而，已有的类天空区域检测方法大部分都面向无雾图像，并且存在误判率高、运行效率差、类天空区域检测不全等问题，严重影响了去雾算法的效率与去雾效果，难以满足高效的有雾图像复原的要求。因此高效且准确的类天空区域检测与定位的方法在有雾图像复原领域是不可缺少的，具有极其重要的应用价值。
发明内容
本发明的目的在于提供一种面向有雾图像的类天空区域检测与定位方法。
本发明解决其技术问题采用的技术方案如下：
一种面向有雾图像的类天空区域检测与定位方法，包括如下步骤：
1)亮度明暗二值图LD的生成
先根据输入有雾彩色图像I计算对应的亮度图像L
其中：x代表图像中的一个像素，IC(x)代表输入图像I中像素x在颜色通道C上的颜色值，r,g,b分别代表红、绿、蓝三个颜色通道，L(x)代表亮度图像L中像素x的值；
再根据亮度图像L得到全局亮度二值图LA和局部亮度二值图LL
(1)全局亮度二值图LA的生成
其中：x代表图像中的一个像素，m,n分别代表亮度图像L的长和宽，L(x)代表亮度图像L中像素x的值，TA代表输入图像I的全局平均亮度，LA(x)代表全局亮度二值图LA中像素x的值。
(2)局部亮度二值图LL的生成
其中：x代表图像中的一个像素，L(x)代表亮度图像L中像素x的值，TL(x)代表像素x的局部平均亮度，LL(x)代表局部亮度二值图LL中像素x的值，Φ(x)代表以像素x为中心并且大小为19×19的图像块内所有像素的集合。
最终得到亮度明暗二值图LD
其中：x代表图像中的一个像素，LL(x)代表局部亮度二值图LL中像素x的值，LA(x)代表全局亮度二值图LA中像素x的值，LD(x)代表亮度明暗二值图LD中像素x的值；
2)梯度幅值图G的生成
利用Sobel算子计算输入有雾彩色图像I三个通道的梯度幅值，整合得到中间梯度图G'：
其中：x代表图像中的一个像素，代表输入图像I中像素x在颜色通道C上X方向的Sobel梯度值，代表输入图像I中像素x在颜色通道C上Y方向的Sobel梯度值，GC(x)代表代表输入图像I中像素x在颜色通道C上的梯度幅值，r,g,b分别代表红、绿、蓝三个颜色通道，G'(x)代表中间梯度图G'中像素x的值；
所有像素按中间梯度图G'上的值大小进行降序排序后，取第μ个值作为阈值GT，μ为输入图像I像素总量的10％，利用阈值GT，截断中间梯度图并归一化后得到梯度幅值图G：
其中：x代表图像中的一个像素，GT代表归一化的阈值，G'(x)代表中间梯度图G'中像素x的值，G(x)代表梯度幅值图G中像素x的值。
3)判断是否存在类天空区域并获得粗略的类天空区域二值图s
第一步：检测亮度明暗二值图LD中，取值为1的部分的最大连通区域，即在LD中，取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通，据此获得最大的连通区域，最大的连通区域标记为0，其余部分为1，得到二值图T；
第二步：检测第一步得到的二值图T中取值为1的部分的最大连通区域，即在T中，取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通，据此获得最大的连通区域，最大的连通区域标记为0，其余部分为1，得到二值图A；
第三步：判断输入图像I是否存在类天空区域，第二步得到的二值图A中取值为1的区域为区域Ω，二值图A中取值为0的像素个数与取值为1的像素个数的比值在[0.4,0.6]之间，且梯度幅值图的区域Ω内的平均梯度小于0.2，则输入图像I存在类天空区域，若不存在类天空区域则返回所有值为0的二值图；
第四步：第二步得到的二值图A中取值为1的区域为区域Ω，根据梯度幅值图G，计算梯度幅值图中区域Ω的平均值，将梯度幅值图G中小于平均值的部分标记为1，其余部分标记为0，再将取值为1的且连通区域大小小于25×25个像素的部分用0代替，取值为0的且连通区域大小小于75×75个像素的部分用1代替，最终得到粗略的类天空区域二值图s；
4)获得精确的类天空区域二值图S
根据输入图像I的粗略的类天空区域得到平均颜色值计算输入图像每个像素的颜色值与平均颜色值的颜色差异系数σ(x)：
其中：x代表图像中的一个像素，r,g,b分别代表红、绿、蓝三个颜色通道，Ir(x)，Ig(x)，Ib(x)分别代表输入图像I中像素x在r,g,b三个通道上的颜色值，s(x)代表粗略的类天空区域二值图s中像素x的值，分别代表输入图像I的粗略的类天空区域中所有像素在r,g,b各个通道上的平均值，σ(x)代表像素x的颜色值与平均颜色值的颜色差异系数；
中间类天空区域二值图S'的生成：
其中：x代表图像中的一个像素，σ(x)代表像素x的颜色值与平均颜色值的颜色差异系数，S'(x)表示中间类天空区域二值图S'中像素x的颜色值；
最后将中间类天空区域二值图S'中取值为1的且连通区域大小小于5×5个像素的部分用0代替，得到精确的类天空区域二值图S。
本发明与背景技术相比，具有有益的效果是：
本发明其主要功能是利用输入有雾图像的亮度、颜色、梯度信息，先通过连通区域检测进行粗略定位，再根据亮度和梯度信息判断是否是真正的类天空区域，最后利用颜色信息对类天空区域实现精确定位，通过这种方法，可以高效且准确的定位类天空区域，增强去雾算法的去雾效果。
(1)高效性：本发明所有计算简单且高效，所有计算的时间复杂度都较低，且与其他类天空检测的方法相比不需要额外的信息，一幅输入图像就能得到准确的类天空检测结果。
(2)准确性：类天空区域的定位分两步，先保守的得到保证是类天空区域的部分，避免了错检，再利用颜色信息得到精确的类天空区域，避免了漏检，保证了准确性，经过反复试验证明此方法高效准确。
附图说明
图1为本发明实施例的处理图像过程示意图，其中，1a原始输入图像、1b亮度明暗二值图LD、1c二值图T、1d二值图A、1e合并梯度幅值图、1f连通区域检测覆盖之前、1g粗略的类天空区域二值图s、1h中间类天空区域二值图S'、1i精确的类天空区域二值图S。
具体实施方式
在实施基于暗通道先验的图像去雾技术时，将利用图像本身的信息实现有雾图像类天空区域检测。
实现有雾图像类天空区域检测和定位的具体过程包括如下步骤：
1)亮度明暗二值图LD的生成
先根据输入有雾彩色图像I计算对应的亮度图像L
其中：x代表图像中的一个像素，IC(x)代表输入图像I中像素x在颜色通道C上的颜色值，r,g,b分别代表红、绿、蓝三个颜色通道，L(x)代表亮度图像L中像素x的值；
再根据亮度图像L得到全局亮度二值图LA和局部亮度二值图LL
(1)全局亮度二值图LA的生成
其中：x代表图像中的一个像素，m,n分别代表亮度图像L的长和宽，L(x)代表亮度图像L中像素x的值，TA代表输入图像I的全局平均亮度，LA(x)代表全局亮度二值图LA中像素x的值。
(2)局部亮度二值图LL的生成
其中：x代表图像中的一个像素，L(x)代表亮度图像L中像素x的值，TL(x)代表像素x的局部平均亮度，LL(x)代表局部亮度二值图LL中像素x的值，Φ(x)代表以像素x为中心并且大小为19×19的图像块内所有像素的集合。
最终得到亮度明暗二值图LD
其中：x代表图像中的一个像素，LL(x)代表局部亮度二值图LL中像素x的值，LA(x)代表全局亮度二值图LA中像素x的值，LD(x)代表亮度明暗二值图LD中像素x的值；
2)梯度幅值图G的生成
利用Sobel算子计算输入有雾彩色图像I三个通道的梯度幅值，整合得到中间梯度图G'：
其中：x代表图像中的一个像素，代表输入图像I中像素x在颜色通道C上X方向的Sobel梯度值，代表输入图像I中像素x在颜色通道C上Y方向的Sobel梯度值，GC(x)代表代表输入图像I中像素x在颜色通道C上的梯度幅值，r,g,b分别代表红、绿、蓝三个颜色通道，G'(x)代表中间梯度图G'中像素x的值；
所有像素按中间梯度图G'上的值大小进行降序排序后，取第μ个值作为阈值GT，μ为输入图像I像素总量的10％，利用阈值GT，截断中间梯度图并归一化后得到梯度幅值图G：
其中：x代表图像中的一个像素，GT代表归一化的阈值，G'(x)代表中间梯度图G'中像素x的值，G(x)代表梯度幅值图G中像素x的值。
3)判断是否存在类天空区域并获得粗略的类天空区域二值图s
第一步：检测亮度明暗二值图LD中，取值为1的部分的最大连通区域，即在LD中，取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通，据此获得最大的连通区域，最大的连通区域标记为0，其余部分为1，得到二值图T；
第二步：检测第一步得到的二值图T中取值为1的部分的最大连通区域，即在T中，取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通，据此获得最大的连通区域，最大的连通区域标记为0，其余部分为1，得到二值图A；
第三步：判断输入图像I是否存在类天空区域，第二步得到的二值图A中取值为1的区域为区域Ω，二值图A中取值为0的像素个数与取值为1的像素个数的比值在[0.4,0.6]之间，且梯度幅值图的区域Ω内的平均梯度小于0.2，则输入图像I存在类天空区域，若不存在类天空区域则返回所有值为0的二值图；
第四步：第二步得到的二值图A中取值为1的区域为区域Ω，根据梯度幅值图G，计算梯度幅值图中区域Ω的平均值，将梯度幅值图G中小于平均值的部分标记为1，其余部分标记为0，再将取值为1的且连通区域大小小于25×25个像素的部分用0代替，取值为0的且连通区域大小小于75×75个像素的部分用1代替，最终得到粗略的类天空区域二值图s；
4)获得精确的类天空区域二值图S
根据输入图像I的粗略的类天空区域得到平均颜色值计算输入图像每个像素的颜色值与平均颜色值的颜色差异系数σ(x)：
其中：x代表图像中的一个像素，r,g,b分别代表红、绿、蓝三个颜色通道，Ir(x)，Ig(x)，Ib(x)分别代表输入图像I中像素x在r,g,b三个通道上的颜色值，s(x)代表粗略的类天空区域二值图s中像素x的值，分别代表输入图像I的粗略的类天空区域中所有像素在r,g,b各个通道上的平均值，σ(x)代表像素x的颜色值与平均颜色值的颜色差异系数；
中间类天空区域二值图S'的生成：
其中：x代表图像中的一个像素，σ(x)代表像素x的颜色值与平均颜色值的颜色差异系数，S'(x)表示中间类天空区域二值图S'中像素x的颜色值；
最后将中间类天空区域二值图S'中取值为1的且连通区域大小小于5×5个像素的部分用0代替，得到精确的类天空区域二值图S。

Claims (1)

1.一种面向有雾图像的类天空区域检测与定位方法，其特征在于：包括如下步骤：
1)亮度明暗二值图LD的生成
先根据输入有雾彩色图像I计算对应的亮度图像L
其中：x代表图像中的一个像素，IC(x)代表输入图像I中像素x在颜色通道C上的颜色值，r,g,b分别代表红、绿、蓝三个颜色通道，L(x)代表亮度图像L中像素x的值；
再根据亮度图像L得到全局亮度二值图LA和局部亮度二值图LL
(1)全局亮度二值图LA的生成
其中：x代表图像中的一个像素，m,n分别代表亮度图像L的长和宽，L(x)代表亮度图像L中像素x的值，TA代表输入图像I的全局平均亮度，LA(x)代表全局亮度二值图LA中像素x的值。
(2)局部亮度二值图LL的生成
其中：x代表图像中的一个像素，L(x)代表亮度图像L中像素x的值，TL(x)代表像素x的局部平均亮度，LL(x)代表局部亮度二值图LL中像素x的值，Φ(x)代表以像素x为中心并且大小为19×19的图像块内所有像素的集合。
最终得到亮度明暗二值图LD
其中：x代表图像中的一个像素，LL(x)代表局部亮度二值图LL中像素x的值，LA(x)代表全局亮度二值图LA中像素x的值，LD(x)代表亮度明暗二值图LD中像素x的值；
2)梯度幅值图G的生成
利用Sobel算子计算输入有雾彩色图像I三个通道的梯度幅值，整合得到中间梯度图G'：
其中：x代表图像中的一个像素，代表输入图像I中像素x在颜色通道C上X方向的Sobel梯度值，代表输入图像I中像素x在颜色通道C上Y方向的Sobel梯度值，GC(x)代表代表输入图像I中像素x在颜色通道C上的梯度幅值，r,g,b分别代表红、绿、蓝三个颜色通道，G'(x)代表中间梯度图G'中像素x的值；
所有像素按中间梯度图G'上的值大小进行降序排序后，取第μ个值作为阈值GT，μ为输入图像I像素总量的10％，利用阈值GT，截断中间梯度图并归一化后得到梯度幅值图G：
其中：x代表图像中的一个像素，GT代表归一化的阈值，G'(x)代表中间梯度图G'中像素x的值，G(x)代表梯度幅值图G中像素x的值。
3)判断是否存在类天空区域并获得粗略的类天空区域二值图s
第一步：检测亮度明暗二值图LD中，取值为1的部分的最大连通区域，即在LD中，取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通，据此获得最大的连通区域，最大的连通区域标记为0，其余部分为1，得到二值图T；
第二步：检测第一步得到的二值图T中取值为1的部分的最大连通区域，即在T中，取值为1的像素八邻域内有同样的取值为1的像素则判断两者连通，据此获得最大的连通区域，最大的连通区域标记为0，其余部分为1，得到二值图A；
第三步：判断输入图像I是否存在类天空区域，第二步得到的二值图A中取值为1的区域为区域Ω，二值图A中取值为0的像素个数与取值为1的像素个数的比值在[0.4,0.6]之间，且梯度幅值图的区域Ω内的平均梯度小于0.2，则输入图像I存在类天空区域，若不存在类天空区域则返回所有值为0的二值图；
第四步：第二步得到的二值图A中取值为1的区域为区域Ω，根据梯度幅值图G，计算梯度幅值图中区域Ω的平均值，将梯度幅值图G中小于平均值的部分标记为1，其余部分标记为0，再将取值为1的且连通区域大小小于25×25个像素的部分用0代替，取值为0的且连通区域大小小于75×75个像素的部分用1代替，最终得到粗略的类天空区域二值图s；
4)获得精确的类天空区域二值图S
根据输入图像I的粗略的类天空区域得到平均颜色值计算输入图像每个像素的颜色值与平均颜色值的颜色差异系数σ(x)：
其中：x代表图像中的一个像素，r,g,b分别代表红、绿、蓝三个颜色通道，Ir(x)，Ig(x)，Ib(x)分别代表输入图像I中像素x在r,g,b三个通道上的颜色值，s(x)代表粗略的类天空区域二值图s中像素x的值，分别代表输入图像I的粗略的类天空区域中所有像素在r,g,b各个通道上的平均值，σ(x)代表像素x的颜色值与平均颜色值的颜色差异系数；
中间类天空区域二值图S'的生成：
其中：x代表图像中的一个像素，σ(x)代表像素x的颜色值与平均颜色值的颜色差异系数，S'(x)表示中间类天空区域二值图S'中像素x的颜色值；
最后将中间类天空区域二值图S'中取值为1的且连通区域大小小于5×5个像素的部分用0代替，得到精确的类天空区域二值图S。
CN201711424698.XA 2017-12-26 2017-12-26 面向有雾图像的类天空区域检测与定位方法 Active CN108460778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711424698.XA CN108460778B (zh) 2017-12-26 2017-12-26 面向有雾图像的类天空区域检测与定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711424698.XA CN108460778B (zh) 2017-12-26 2017-12-26 面向有雾图像的类天空区域检测与定位方法

Publications (2)

Publication Number Publication Date
CN108460778A true CN108460778A (zh) 2018-08-28
CN108460778B CN108460778B (zh) 2021-07-30

Family

ID=63220915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711424698.XA Active CN108460778B (zh) 2017-12-26 2017-12-26 面向有雾图像的类天空区域检测与定位方法

Country Status (1)

Country Link
CN (1) CN108460778B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150708A (zh) * 2013-01-18 2013-06-12 上海交通大学 基于黑色通道的图像快速去雾优化方法
CN104574325A (zh) * 2014-12-18 2015-04-29 华中科技大学 一种天空光估计方法与系统及其图像去雾方法
CN105374015A (zh) * 2015-10-27 2016-03-02 湖北工业大学 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法
CN106127715A (zh) * 2016-08-29 2016-11-16 程建 一种图像去雾方法及系统
CN106251301A (zh) * 2016-07-26 2016-12-21 北京工业大学 一种基于暗原色先验的单幅图像去雾方法
CN106780380A (zh) * 2016-12-09 2017-05-31 电子科技大学 一种图像去雾方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150708A (zh) * 2013-01-18 2013-06-12 上海交通大学 基于黑色通道的图像快速去雾优化方法
CN104574325A (zh) * 2014-12-18 2015-04-29 华中科技大学 一种天空光估计方法与系统及其图像去雾方法
CN105374015A (zh) * 2015-10-27 2016-03-02 湖北工业大学 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法
CN106251301A (zh) * 2016-07-26 2016-12-21 北京工业大学 一种基于暗原色先验的单幅图像去雾方法
CN106127715A (zh) * 2016-08-29 2016-11-16 程建 一种图像去雾方法及系统
CN106780380A (zh) * 2016-12-09 2017-05-31 电子科技大学 一种图像去雾方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
E. ULLAH 等: "Single image haze removal using improved dark channel prior", 《2013 5TH INTERNATIONAL CONFERENCE ON MODELLING, IDENTIFICATION AND CONTROL (ICMIC)》 *
刘春晓 等: "暗通道先验图像去雾的大气光校验和光晕消除", 《中国图象图形学报》 *
刘春晓 等: "结合天空检测与纹理平滑的图像去雾", 《中国图象图形学报》 *

Also Published As

Publication number Publication date
CN108460778B (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN103425967B (zh) 一种基于行人检测和跟踪的人流监控方法
CN107507172A (zh) 融合红外可见光的特高压线路绝缘子串深度学习识别方法
CN102915433B (zh) 基于字符组合的车牌定位和识别方法
CN109191255B (zh) 一种基于无监督特征点检测的商品对齐方法
CN104036490A (zh) 适用于移动通信网络传输中的前景分割方法
CN106096603A (zh) 一种融合多特征的动态火焰检测方法及装置
CN105678318B (zh) 交通标牌的匹配方法及装置
CN103544484A (zh) 一种基于surf的交通标志识别方法及系统
CN105741324A (zh) 移动平台上的运动目标检测识别与跟踪方法
Rojas et al. Vehicle detection in color images
CN102169585A (zh) 图像偏色的检测方法及装置
CN104021527B (zh) 一种图像中雨雪的去除方法
CN107316278A (zh) 一种水下图像清晰化处理方法
CN105976338A (zh) 一种基于天空识别与分割的暗通道先验去雾方法
CN105335949A (zh) 一种视频图像去雨方法及系统
CN108332927A (zh) 一种桥梁表面裂缝检测装置
CN105184308B (zh) 一种基于全局优化决策的遥感图像建筑物检测分类方法
CN107194333A (zh) 输电线路的检测方法及装置
CN106355180A (zh) 一种基于颜色与边缘特征相结合的车牌定位方法
CN103927759A (zh) 一种航空图像自动云检测方法
CN106600580A (zh) 一种基于霍夫变换的电力线异常识别方法及其系统
CN109726669A (zh) 基于对抗网络的不同光照条件下行人再识别数据生成方法
CN107264570A (zh) 钢轨光带分布检测装置与方法
CN105223208A (zh) 一种电路板检测模板及其制作方法、电路板检测方法
CN102915543A (zh) 基于提取函数和三通道分离的人物运动变化检测方法

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