CN108537809A - 基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法 - Google Patents
基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法 Download PDFInfo
- Publication number
- CN108537809A CN108537809A CN201810336271.2A CN201810336271A CN108537809A CN 108537809 A CN108537809 A CN 108537809A CN 201810336271 A CN201810336271 A CN 201810336271A CN 108537809 A CN108537809 A CN 108537809A
- Authority
- CN
- China
- Prior art keywords
- value
- speck
- transient state
- dimensional array
- binaryzation
- 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.)
- Pending
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 67
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000694 effects Effects 0.000 title claims abstract description 41
- 238000003384 imaging method Methods 0.000 title claims abstract description 41
- 239000002245 particle Substances 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 5
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 8
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000191 radiation effect Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法。该方法通过对图像传感器单粒子效应试验中采集的二维图像建立像素灰度值的二维数组,设置灰度值阈值并在灰度值的二维数组中识别图像背景,将图像背景和瞬态亮斑按灰度值阈值进行二值化,并建立二值化的二维数组;在二值化后的二维数组中逐行查找瞬态亮斑中的亮像素,以首个亮像素为基础,采用递归算法查找瞬态亮斑覆盖的所有像素,准确获得瞬态亮斑覆盖的像素数量。该方法相比于现有的图像传感器单粒子效应瞬态亮斑分析方法,提出了快速准确识别瞬态亮斑数量和瞬态亮斑覆盖像素数量的新方法,可增加提取图像传感器单粒子效应规律特征参数的能力,其推广应用具有重要的应用价值。本发明使用方便,识别结果准确。
Description
技术领域
本发明属于图像传感器检测技术领域,涉及一种基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法,适用于各种类型的图像传感器单粒子效应瞬态亮斑检测。
背景技术
图像传感器是空间科学探测、天文观测、对地遥感等领域应用非常广泛的一种集成电路,其通过将光信号转换成电信号,获得各种环境下的实时图像信息。然而,应用于空间环境中的图像传感器受到高能粒子辐射,产生的辐射效应对图像传感器的成像性能产生影响。空间辐射产生的单粒子效应会在图像传感器的图像上产生瞬态亮斑,瞬态亮斑覆盖大量像素,使这些像素上原有的图像信息不能正常输出。为了分析图像传感器在空间辐射环境中受单粒子效应影响的规律,对图像传感器空间应用中受单粒子效应瞬态亮斑干扰的程度进行评估,需要对单粒子效应瞬态亮斑进行识别。
对图像传感器图像中的目标进行识别的典型方法是边缘检测方法,该方法通过对图像信号进行求导、噪声滤波和边缘增强处理,检测目标的边缘,获取目标的大小、亮度等信息。边缘检测方法需要进行复杂的计算和参数调整,在进行大量图像数据处理时占用计算机资源较多,且图像处理速度较慢。瞬态亮斑覆盖像素数量是图像传感器单粒子效应研究最重要的参数之一,对于在避光的暗场下进行的图像传感器单粒子效应试验,采集的图像具有简单的背景和亮度突出的瞬态亮斑,因此可以首先采用简单的去图像背景方法来凸显瞬态亮斑覆盖的像素,然后对瞬态亮斑覆盖的像素数量进行识别。由于瞬态亮斑覆盖的像素在二维坐标系中是连续的,因此采用递归算法进行依次连续的查找可以较方便的计算出瞬态亮斑覆盖的像素数量。
发明内容
本发明的目的在于,为了在分析图像传感器单粒子效应图像时获得瞬态亮斑覆盖的像素数量,提供一种基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法。该方法通过单粒子效应试验评估图像传感器单粒子效应瞬态亮斑对图像的影响时,在避光的暗场条件下采集了大量的二维图像,这些图像具有简单的背景和亮度突出的瞬态亮斑。本发明通过对图像传感器单粒子效应试验中采集的二维图像建立像素灰度值的二维数组,设置灰度值阈值并在灰度值的二维数组中识别图像背景,将图像背景和瞬态亮斑按灰度值阈值进行二值化,并建立二值化的二维数组;在二值化后的二维数组中逐行查找瞬态亮斑中的亮像素,以首个亮像素为基础,采用递归算法查找瞬态亮斑覆盖的所有像素。本发明针对图像传感器单粒子效应图像中瞬态亮斑覆盖的像素连续、高亮的特点,采用递归算法对瞬态亮斑覆盖的像素进行查找,可以准确获得瞬态亮斑覆盖的像素数量。作为一种图像传感器单粒子效应瞬态亮斑识别方法,其推广应用具有重要的应用价值。本发明算法简单,使用方便,识别结果准确。
本发明所述的基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法,具体操作按下列步骤进行:
a、对图像传感器单粒子效应试验中采集的二维图像建立像素灰度值的二维数组;
b、计算二维数组所有元素的算术平均值,将算术平均值的1.5倍设置为灰度值阈值;
c、对二维数组进行二值化:将二维数组中的每个元素与算术平均值的1.5倍进行比较,小于算术平均值的1.5倍的元素记为0,等于算术平均值的1.5倍的元素记为0,大于算术平均值的1.5倍的元素记为1,形成一个新的二维数组,称为二值化二维数组;
d、采用N标记瞬态亮斑覆盖的像素数量,N的初始值设置为0;在二值化二维数组中逐行查找值为1的元素,在首次查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0;
e、在二值化二维数组中,以步骤d中查找到的值为1的元素为第一层中心,在二值化二维数组中,有8个第一维及第二维上与该元素相邻的元素,依次查找这8个相邻的元素,在查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0;
f、在二值化二维数组中,以步骤e中查找到的值为1的元素为第二层中心,在二值化二维数组中,有8个第一维及第二维上与该元素相邻的元素,按步骤e的方法依次查找这8个相邻的元素,在查找到值为1的元素后,将N的值增加1,同时将将这个值为1的元素的值设置为0,此时以该元素为第三层中心,按步骤f的方法依次查找它的8个相邻的元素;
g、在二值化二维数组中,当作为中心的元素的8个相邻的元素的值都为0时,返回上一层中心,按步骤f的方法继续查找作为中心的元素的8个相邻的元素;
h、当返回到第一层中心,并且第一层中心的8个相邻的元素的值都为0时,输出N的值,即为瞬态亮斑覆盖的像素数量。
步骤c中对二维数组进行二值化,将图像背景对应的元素全部设置为0,瞬时亮斑对应的元素全部设置为1,使查找算法能适应任意灰度值的图像。
步骤g中当作为中心的元素的8个相邻的元素的值都为0时,返回上一层中心,采用递归算法查找瞬态亮斑覆盖的像素。
本发明所述的一种基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法,该方法包含以下步骤:
a、首先选定一种编程环境来编写程序,编写文件读入的代码并读入图像传感器单粒子效应试验中采集的二维图像,在程序中保存在一个代表图像的二维数组内;
b、对二维数组的所有元素求算术平均值,将算术平均值的1.5倍设置为灰度值阈值;
c、将二维数组的所有元素与算术平均值的1.5倍进行比较,并对二维数组进行二值化。小于算术平均值的1.5倍的元素记为0,等于算术平均值的1.5倍的元素记为0,大于算术平均值的1.5倍的元素记为1,形成一个新的二维数组,称为二值化二维数组;
d、接下来采用递归算法查找瞬态亮斑覆盖的像素,二值化二维数组中值为1的元素为瞬态亮斑覆盖的像素,也称为亮像素,值为0的元素为背景像素,也称为暗像素。采用递归算法进行查找的核心是将瞬态亮斑覆盖的连续分布的像素分为若干个3×3的小区域,每个小区域为算法的一层,将3×3区域的中心像素定义为层的中心,另外8个像素定义为中心的相邻像素。在执行算法之前,采用N标记瞬态亮斑覆盖的像素数量,并将N的初始值设置为0,在算法查找到亮像素时,N的值自动增加1,并且该亮像素的值设置为0,即将其变成暗像素,避免重复查找。该算法在查找亮像素时,首先进行逐行查找,找到的第一个亮像素为第一层中心,将N的值增加1,同时将这个值为1的元素的值设置为0;
e、然后依次查找第一层中心的8个相邻像素,将其中的亮像素依次定义为第二层中心,同时将N的值增加1,将值为1的元素的值设置为0;
f、再依次查找第二层中心的8个相邻像素,将其中的亮像素依次定义为第三层的中心,按照上述方法一直向下分层查找;
g、当某一层中心的8个相邻像素都是暗像素时,返回上一层中心并继续查找其8个相邻像素中其他的亮像素;
h、直至最终返回第一层中心并且其8个相邻像素都已经变成暗像素,此时,N的值为瞬态亮斑覆盖的像素数量。
本发明所述的一种基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法,与已有技术相比其优点为:
1.本发明提出的图像传感器单粒子效应瞬态亮斑识别方法与典型的进行图像目标识别的边缘检测方法相比,更加具备针对性,根据图像传感器瞬态亮斑与背景亮度对比强烈的特点,去除了对图像信号进行求导、噪声滤波和边缘增强的处理过程,不需要进行复杂的计算和参数调整,占用计算机资源少,图像处理速度快。
2.本发明提出的图像传感器单粒子效应瞬态亮斑识别方法根据图像传感器瞬态亮斑与背景亮度对比强烈的特点,设置背景阈值并对图像信号进行二值化处理,一次性去除图像背景,凸显瞬态亮斑的边界,相比边缘检测方法更具备针对性,使用方便快捷。
3.本发明提出的图像传感器单粒子效应瞬态亮斑识别方法根据图像传感器瞬态亮斑覆盖的像素连续分布的特点,采用递归算法查找瞬态亮斑覆盖的像素,将大范围的边缘检测分解为小区域的递归查找,使算法更简单,同时保证识别结果的准确可靠。
本发明适用于需要对图像传感器单粒子效应进行分析,提取单粒子效应瞬态亮斑特征的图像传感器研制单位、科研院所和航天载荷单位使用。
附图说明
图1为本发明方法的算法流程图;
图2为一幅CMOS图像传感器单粒子效应采集的图像;
图3为一幅去背景并二值化后的CMOS图像传感器单粒子效应图像;
图4为二值化二维数组的中心元素与8个相邻元素的示意图;
图5为一幅电荷耦合器件单粒子效应采集的图像;
图6为一幅去背景并二值化后的电荷耦合器件单粒子效应图像。
具体实施方式
实施例1
a、对一款CMOS图像传感器CMV4000进行单粒子效应试验,选取一幅试验中采集的二维图像,图像为2048×2048像素,选取图中有瞬态亮斑的一部分231×221像素,建立像素灰度值的二维数组,二维数组的第一维的长度为221,第二维的长度为231;
b、计算获得二维数组所有元素的算术平均值为139.1634,将139.1634的1.5倍设置为灰度值阈值,灰度值阈值为208.7451;
c、对二维数组进行二值化。将二维数组中的每个元素与208.7451进行比较,小于208.7451的元素记为0,等于208.7451的元素记为0,大于208.7451的元素记为1,形成一个新的二维数组,称为二值化二维数组,二值化二维数组第一维的长度为221,第二维的长度为231;
d、采用N标记瞬态亮斑覆盖的像素数量,N的初始值设置为0;在二值化二维数组中逐行查找值为1的元素,在首次查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0;
e、在二值化二维数组中,以步骤d中查找到的值为1的元素为第一层中心,在二值化二维数组中,有8个第一维及第二维上与该元素相邻的元素,见附图4。依次查找这8个相邻的元素,在查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0;
f、在二值化二维数组中,以步骤e中查找到的值为1的元素为第二层中心,在二值化二维数组中,有8个第一维及第二维上与该元素相邻的元素,按步骤e的方法依次查找这8个相邻的元素,在查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0,此时以该元素为第三层中心,按步骤f的方法依次查找它的8个相邻的元素;
g、在二值化二维数组中,当作为中心的元素的8个相邻的元素的值都为0时,返回上一层中心,按步骤f的方法继续查找作为中心的元素的8个相邻的元素;
h、当返回到第一层中心,并且第一层中心的8个相邻的元素的值都为0时,输出N的值,即为瞬态亮斑覆盖的像素数量,在图像中共有3个瞬态亮斑,按从上到下的顺序覆盖的像素数量N的值分别为43,44,45。
实施例2
a、对一款电荷耦合器件E2V 47-20进行单粒子效应试验,选取一幅试验中采集的二维图像,图像为1072×1028像素,选取图中有瞬态亮斑的一部分300×300像素,建立像素灰度值的二维数组,二维数组的第一维的长度为300,第二维的长度为300;
b、计算获得二维数组所有元素的算术平均值为134.0593,将134.0593的1.5倍设置为灰度值阈值,灰度值阈值为201.089;
c、对二维数组进行二值化。将二维数组中的每个元素与201.089进行比较,小于201.089的元素记为0,等于201.089的元素记为0,大于201.089的元素记为1,形成一个新的二维数组,称为二值化二维数组,二值化二维数组第一维的长度为300,第二维的长度为300;
d、采用N标记瞬态亮斑覆盖的像素数量,N的初始值设置为0;在二值化二维数组中逐行查找值为1的元素,在首次查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0;
e、在二值化二维数组中,以步骤d中查找到的值为1的元素为第一层中心,在二值化二维数组中,有8个第一维及第二维上与该元素相邻的元素,依次查找这8个相邻的元素,在查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0;
f、在二值化二维数组中,以步骤e中查找到的值为1的元素为第二层中心,在二值化二维数组中,有8个第一维及第二维上与该元素相邻的元素,按步骤e的方法依次查找这8个相邻的元素,在查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0,此时以该元素为第三层中心,按步骤f的方法依次查找它的8个相邻的元素;
g、在二值化二维数组中,当作为中心的元素的8个相邻的元素的值都为0时,返回上一层中心,按步骤f的方法继续查找作为中心的元素的8个相邻的元素;
h、当返回到第一层中心,并且第一层中心的8个相邻的元素的值都为0时,输出N的值,即为瞬态亮斑覆盖的像素数量,在图像中共有5个瞬态亮斑,按从上到下的顺序覆盖的像素数量N的值分别为44,44,44,43,44。
Claims (3)
1.一种基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法,其特征在于按下列步骤进行:
a、对图像传感器单粒子效应试验中采集的二维图像建立像素灰度值的二维数组;
b、计算二维数组所有元素的算术平均值,将算术平均值的1.5倍设置为灰度值阈值;
c、对二维数组进行二值化:将二维数组中的每个元素与算术平均值的1.5倍进行比较,小于算术平均值的1.5倍的元素记为0,等于算术平均值的1.5倍的元素记为0,大于算术平均值的1.5倍的元素记为1,形成一个新的二维数组,称为二值化二维数组;
d、采用N标记瞬态亮斑覆盖的像素数量,N的初始值设置为0;在二值化二维数组中逐行查找值为1的元素,在首次查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0;
e、在二值化二维数组中,以步骤d中查找到的值为1的元素为第一层中心,在二值化二维数组中,有8个第一维及第二维上与该元素相邻的元素,依次查找这8个相邻的元素,在查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0;
f、在二值化二维数组中,以步骤e中查找到的值为1的元素为第二层中心,在二值化二维数组中,有8个第一维及第二维上与该元素相邻的元素,按步骤e的方法依次查找这8个相邻的元素,在查找到值为1的元素后,将N的值增加1,同时将这个值为1的元素的值设置为0,此时以该元素为第三层中心,按步骤f的方法依次查找它的8个相邻的元素;
g、在二值化二维数组中,当作为中心的元素的8个相邻的元素的值都为0时,返回上一层中心,按步骤f的方法继续查找作为中心的元素的8个相邻的元素;
h、当返回到第一层中心,并且第一层中心的8个相邻的元素的值都为0时,输出N的值,即为瞬态亮斑覆盖的像素数量。
2.根据权利要求1中所述的一种基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法,其特征在于步骤c中对二维数组进行二值化,将图像背景对应的元素全部设置为0,瞬时亮斑对应的元素全部设置为1,使查找算法能适应任意灰度值的图像。
3.根据权利要求1所述的一种基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法,其特征在于步骤g中当作为中心的元素的8个相邻的元素的值都为0时,返回上一层中心,采用递归算法查找瞬态亮斑覆盖的像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810336271.2A CN108537809A (zh) | 2018-04-16 | 2018-04-16 | 基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810336271.2A CN108537809A (zh) | 2018-04-16 | 2018-04-16 | 基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108537809A true CN108537809A (zh) | 2018-09-14 |
Family
ID=63481193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810336271.2A Pending CN108537809A (zh) | 2018-04-16 | 2018-04-16 | 基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220867A (zh) * | 2020-01-15 | 2020-06-02 | 中国科学院新疆理化技术研究所 | 一种用于cmos图像传感器单粒子翻转效应的测试方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182759A (zh) * | 2014-08-20 | 2014-12-03 | 徐州坤泰电子科技有限公司 | 基于扫描电镜的颗粒物形态识别方法 |
-
2018
- 2018-04-16 CN CN201810336271.2A patent/CN108537809A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182759A (zh) * | 2014-08-20 | 2014-12-03 | 徐州坤泰电子科技有限公司 | 基于扫描电镜的颗粒物形态识别方法 |
Non-Patent Citations (3)
Title |
---|
MIRRORYUCHEN: "《"图像处理(五):八邻域边缘跟踪与区域生长算法"》", 《HTTPS://BLOG.CSDN.NET/SINAT_31425585/ARTICLE/DETAILS/78558849》 * |
吹泡泡的小猫: "《"算法系列之十二:多边形区域填充算法--递归种子填充算法"》", 《HTTPS://BLOG.CSDN.NET/ORBIT/ARTICLE/DETAILS/7323090》 * |
李悠,王暄: "《基于面阵CCD的聚乙烯薄膜缺陷检测方法研究》", 《李悠,王暄》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220867A (zh) * | 2020-01-15 | 2020-06-02 | 中国科学院新疆理化技术研究所 | 一种用于cmos图像传感器单粒子翻转效应的测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Study on modeling method of forest tree image recognition based on CCD and theodolite | |
Ma et al. | GANMcC: A generative adversarial network with multiclassification constraints for infrared and visible image fusion | |
Zhang et al. | GAN-FM: Infrared and visible image fusion using GAN with full-scale skip connection and dual Markovian discriminators | |
Li et al. | A hybrid thresholding algorithm for cloud detection on ground-based color images | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN106529602B (zh) | 一种毫米波图像自动目标识别方法及装置 | |
CN104299006A (zh) | 一种基于深度神经网络的车牌识别方法 | |
Liu et al. | Small unopened cotton boll counting by detection with MRF-YOLO in the wild | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
CN109461186A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
CN104143102A (zh) | 在线图像数据处理方法 | |
Ma et al. | Multiscale 2-D singular spectrum analysis and principal component analysis for spatial–spectral noise-robust feature extraction and classification of hyperspectral images | |
CN116630700A (zh) | 基于引入通道-空间注意力机制的遥感图像分类方法 | |
CN117994240A (zh) | 多尺度二级光学遥感图像条纹噪声智能检测方法及装置 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
CN118247301A (zh) | 一种基于红外热图像的人体温度区域识别方法及系统 | |
CN117994573A (zh) | 一种基于超像素和可形变卷积的红外弱小目标检测方法 | |
CN112330562B (zh) | 一种异构遥感图像变换方法及系统 | |
Qin et al. | Dense sampling and detail enhancement network: Improved small object detection based on dense sampling and detail enhancement | |
CN117975133A (zh) | 高光谱图像分类方法、系统、计算机程序产品 | |
CN108537809A (zh) | 基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法 | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) 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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180914 |