CN109118511B - 一种倾斜传感器的图像处理方法 - Google Patents
一种倾斜传感器的图像处理方法 Download PDFInfo
- Publication number
- CN109118511B CN109118511B CN201810996791.6A CN201810996791A CN109118511B CN 109118511 B CN109118511 B CN 109118511B CN 201810996791 A CN201810996791 A CN 201810996791A CN 109118511 B CN109118511 B CN 109118511B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- point set
- fitting
- ellipse
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 9
- 239000000725 suspension Substances 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 4
- 238000012634 optical imaging Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种倾斜传感器的图像处理方法,包括以下步骤:对初始图像进行滤波处理,获得滤波后的图像;对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图;对所述二值化图进行连通区域的提取,获得感兴趣区域;采用椭圆拟合方法计算所述感兴趣区域的中心点坐标。其能够对图像进行滤波处理,方法简单,精度高,定位准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种倾斜传感器的图像处理方法。
背景技术
倾斜传感器又称作倾斜仪、测斜仪、水平仪、倾角计,经常用于测量倾斜偏差角度的一种传感器。作为一种检测工具,它已成为桥梁架设、铁路铺设、土木工程、石油钻井、航空航海、工业自动化、智能平台、机械加工等领域不可缺少的重要测量工具。
中国专利申请号201620008585.6公开了一种倾斜传感器,该传感器的机械结构包括一个圆筒,在圆筒内设置有保持自由悬垂的悬垂件,光学成像系统与其相对以使悬垂件在光学成像系统中成像。其中光学成像系统拍摄的图像需要经图像处理系统进行处理,需准确定位悬垂件的位置,根据悬垂件的位置变化反应倾斜传感器的倾斜角度变化。因此,识别采集图像中的悬垂件的位置至关重要。
目前,理想状态下悬垂件所成图像为圆形的亮点,可与图像的背景明显区分。在实际使用过程中,由于背景光的存在导致图像背景亮暗不均,而环境温度变化导致摄像机采集的图像存在一些图像噪点,特别是温度较高的情况下,摄像机采集的图像质量相对较差,而这些较差质量的图像会对图像处理造成影响,这就使得我们难以对悬垂件进行准确定位,引起最终计算错误,使得该传感器的使用精度受到影响。
发明内容
本发明要解决的技术问题是提供一种倾斜传感器的图像处理方法,其能够对图像进行滤波处理,方法简单,精度高,定位准确。
为了解决上述技术问题,本发明提供了一种倾斜传感器的图像处理方法,包括以下步骤:
S1、对初始图像进行滤波处理,获得滤波后的图像;
S2、对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图;
S3、对所述二值化图进行连通区域的提取,获得感兴趣区域;
S4、采用椭圆拟合方法计算所述感兴趣区域的中心点坐标。
作为本发明的进一步改进,所述采用椭圆拟合方法计算所述感兴趣区域的中心点坐标,具体包括:
S41、获得感兴趣区域的梯度图,对所述梯度图进行二值化操作,获得感兴趣区域的边缘点集合;
S42、选取感兴趣区域内的点作为原点,建立直角坐标系,所述直角坐标系将所述边缘点集合分割成第一轮廊点集、第二轮廊点集、第三轮廊点集和第四轮廊点集,其中,所述直角坐标系的第一象限内的点为第一轮廊点集,所述直角坐标系的第二象限内的点为第二轮廊点集,所述直角坐标系的第三象限内的点为第三轮廊点集,所述直角坐标系的第四象限内的点为第四轮廊点集;
S43、使用最小二乘法对第一轮廊点集进行椭圆拟合,获得第一拟合椭圆,所述第一拟合椭圆的中心点坐标为A(X1,Y1),
使用最小二乘法对第二轮廊点集进行椭圆拟合,获得第二拟合椭圆,所述第二拟合椭圆的中心点坐标为B(X2,Y2),
使用最小二乘法对第三轮廊点集进行椭圆拟合,获得第三拟合椭圆,所述第三拟合椭圆的中心点坐标为C(X3,Y3),
使用最小二乘法对第四轮廊点集进行椭圆拟合,获得第四拟合椭圆,所述第四拟合椭圆的中心点坐标为D(X4,Y4),
S44、计算感兴趣区域的中心点坐标P(x0,y0),其中,P(x0,y0)={(X1+X2+X3+X4)/4,(Y1+Y2+Y3+Y4)/4}。
作为本发明的进一步改进,所述对初始图像滤波处理,获得滤波后的图像,具体包括:
对初始图像进行中值滤波处理,滤除初始图像中的噪点,获得滤除噪点后的图像。
作为本发明的进一步改进,所述对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图,具体包括:
采用最大类间方差法对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图。
作为本发明的进一步改进,所述将去燥点后的图像转换成二值化图,转换后的二值化图的背景灰度值为0,转换后的二值化图的前景灰度值为255。
作为本发明的进一步改进,所述对所述二值化图进行连通区域的提取,获得感兴趣区域,具体包括:
S31、定义连通区域面积的最大阈值amax和连通区域面积的最小阈值amin,其中amax大于amin,amin大于0;
S32、计算所述二值化图的所有连通区域面积,获得多个连通区域的面积,对所获得的多个连通区域的面积进行筛选,使得连通区域的面积在最大阈值amax和最小阈值amin之间,获得初选连通区域;
S33、筛选初选连通区域,获得圆形的初选连通区域,圆形的初选连通区域即为感兴趣区域。
作为本发明的进一步改进,所述筛选初选连通区域,获得圆形的初选连通区域,圆形的初选连通区域即为感兴趣区域,具体包括:
计算初选连通区域的圆度,选取圆度大于0.95的初选连通区域作为目标连通区域,目标连通区域即为感兴趣区域,其中,初选连通区域的圆度=初选连通区域的面积/初选连通区域的最小外接圆。
与现有技术相比,本发明的有益效果是:
1、本发明能够对图像进行滤波处理,去除部分图像噪声,之后可通过对连通区域提取,获得感兴趣区域。
2、本发明通过椭圆拟合方法,计算椭圆中心,能够更为精确地定位感兴趣区域的中心点,对目标物悬垂件进行准确定位。
3、本发明方法简单,精度高,定位准确。
附图说明
为了更清楚的说明本发明实施例技术中的技术方案,下面将对实施例技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还能够根据这些附图获得其他的附图。
图1为本发明倾斜传感器的图像处理方法示意图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅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作出创造性劳动的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。
实施例
参照图1所示,本发明公开了一种倾斜传感器的图像处理方法,包括以下步骤:
S1、对初始图像进行滤波处理,获得滤波后的图像,由于传感器所采集的图像,会受环境的温度,光线影响,所采集的图像会存在许多图像噪声和噪点,此部对图像进行滤波处理,即可滤除图像噪声和噪点。
S2、对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图,转换成二值图方便将图像内的前景与背景分开,从而方便后续处理与定位。
S3、对所述二值化图进行连通区域的提取,获得感兴趣区域。鉴于步骤S1已对初始图像进行滤波处理,已经滤除一些杂散噪声,但是背景内可能还存在一些杂散图像和悬垂件的图像,而悬垂件的图像即为感兴趣区域,此时需要确定和获得感兴趣区域。连通区域提取可采用八连通的连通区域提取。
S4、采用椭圆拟合方法计算所述感兴趣区域的中心点坐标,由于感兴趣区域已经确定,此处通过将感兴趣区域拟合成椭圆,在计算椭圆中心,即可获得感兴趣区域的中心。而通过实时监测感兴趣区域中心点的变化,即可判断传感器的倾斜状态。
作为本发明的进一步改进,所述采用椭圆拟合方法计算所述感兴趣区域的中心点坐标,具体包括:
S41、获得感兴趣区域的梯度图,对所述梯度图进行二值化操作,获得感兴趣区域的边缘点集合,
S42、选取感兴趣区域内的点作为原点,建立直角坐标系,所述直角坐标系将所述边缘点集合分割成第一轮廊点集、第二轮廊点集、第三轮廊点集合第四轮廊点集,其中,所述直角坐标系的第一象限内的点为第一轮廊点集,所述直角坐标系的第二象限内的点为第二轮廊点集,所述直角坐标系的第三象限内的点为第三轮廊点集,所述直角坐标系的第四象限内的点为第四轮廊点集;
S43、使用最小二乘法对第一轮廊点集进行椭圆拟合,获得第一拟合椭圆,所述第一拟合椭圆的中心点坐标为A(X1,Y1),
使用最小二乘法对第二轮廊点集进行椭圆拟合,获得第二拟合椭圆,所述第二拟合椭圆的中心点坐标为B(X2,Y2),
使用最小二乘法对第三轮廊点集进行椭圆拟合,获得第三拟合椭圆,所述第三拟合椭圆的中心点坐标为C(X3,Y3),
使用最小二乘法对第四轮廊点集进行椭圆拟合,获得第四拟合椭圆,所述第四拟合椭圆的中心点坐标为D(X4,Y4),
S44、计算感兴趣区域的中心点坐标P(x0,y0),其中,P(x0,y0)={(X1+X2+X3+X4)/4,(Y1+Y2+Y3+Y4)/4}。此步骤通过将感兴趣区域分解到四个象限,而对每个象限的点集进行椭圆拟合并获得椭圆中心点。在求解四个拟合椭圆中心点坐标的平均值,相对于传统的感兴趣区域中心点的计算方式,更加精确。
作为本发明的而进一步改进,所述对初始图像滤波处理,获得滤波后的图像,具体包括:
对初始图像进行中值滤波处理,滤除初始图像中的噪点,获得滤除噪点后的图像。
作为本发明的而进一步改进,所述对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图,具体包括:
采用最大类间方差法(OST)对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图,转换后的二值化图的背景灰度值为0,转换后的二值化图的前景灰度值为255。
作为本发明的而进一步改进,所述对二值化图进行连通区域的提取,获得感兴趣区域,具体包括:
S31、定义连通区域面积的最大阈值amax和连通区域面积的最小阈值amin,其中amax大于amin,amin大于0;
S32、计算所述二值化图的所有连通区域面积,获得多个连通区域的面积,对所获得的多个连通区域的面积进行筛选,使得连通区域的面积在最大阈值amax和最小阈值amin之间,获得初选连通区域,即对连通区域的面积进行筛选,将面积过大或者过小的的连通区域皆排除掉,获得初选连通区域。
S33、筛选初选连通区域,获得圆形的初选连通区域,圆形的初选连通区域即为感兴趣区域,由于本发明中倾斜传感器所采集的图像为圆形,通过计算连通区域的圆度,定义圆度的范围,当一些连通区域的圆度过小,而并非为圆形的时候,即可排除。
作为本发明的而进一步改进,所述筛选初选连通区域,获得圆形的初选连通区域,圆形的初选连通区域即为感兴趣区域,具体包括:
计算初选连通区域的圆度,选取圆度大于0.95的初选连通区域作为目标连通区域,目标连通区域即为感兴趣区域,其中,初选连通区域的圆度=初选连通区域的面积/初选连通区域的最小外接圆。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理能够在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖点相一致的最宽的范围。
Claims (4)
1.一种倾斜传感器的图像处理方法,其特征在于,包括以下步骤:
S1、对初始图像进行滤波处理,获得滤波后的图像;
S2、对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图;
S3、对所述二值化图进行连通区域的提取,获得感兴趣区域,感兴趣区域为悬垂件的图像,具体包括;
S31、定义连通区域面积的最大阈值amax和连通区域面积的最小阈值amin,其中amax大于amin,amin大于0;
S32、计算所述二值化图的所有连通区域面积,获得多个连通区域的面积,对所获得的多个连通区域的面积进行筛选,使得连通区域的面积在最大阈值amax和最小阈值amin之间,获得初选连通区域;
S33、筛选初选连通区域,获得圆形的初选连通区域,圆形的初选连通区域即为感兴趣区域,即计算初选连通区域的圆度,选取圆度大于0.95的初选连通区域作为目标连通区域,目标连通区域即为感兴趣区域,其中,初选连通区域的圆度=初选连通区域的面积/初选连通区域的最小外接圆;
S4、采用椭圆拟合方法计算所述感兴趣区域的中心点坐标,具体包括:
S41、获得感兴趣区域的梯度图,对所述梯度图进行二值化操作,获得感兴趣区域的边缘点集合;
S42、选取感兴趣区域内的点作为原点,建立直角坐标系,所述直角坐标系将所述边缘点集合分割成第一轮廊点集、第二轮廊点集、第三轮廊点集和第四轮廊点集,其中,所述直角坐标系的第一象限内的点为第一轮廊点集,所述直角坐标系的第二象限内的点为第二轮廊点集,所述直角坐标系的第三象限内的点为第三轮廊点集,所述直角坐标系的第四象限内的点为第四轮廊点集;
S43、使用最小二乘法对第一轮廊点集进行椭圆拟合,获得第一拟合椭圆,所述第一拟合椭圆的中心点坐标为A(X1,Y1),
使用最小二乘法对第二轮廊点集进行椭圆拟合,获得第二拟合椭圆,所述第二拟合椭圆的中心点坐标为B(X2,Y2),
使用最小二乘法对第三轮廊点集进行椭圆拟合,获得第三拟合椭圆,所述第三拟合椭圆的中心点坐标为C(X3,Y3),
使用最小二乘法对第四轮廊点集进行椭圆拟合,获得第四拟合椭圆,所述第四拟合椭圆的中心点坐标为D(X4,Y4),
S44、计算感兴趣区域的中心点坐标P(x0,y0),其中,P(x0,y0)={(X1+X2+X3+X4)/4,(Y1+Y2+Y3+Y4)/4}。
2.如权利要求1所述的倾斜传感器的图像处理方法,其特征在于,所述对初始图像滤波处理,获得滤波后的图像,具体包括:
对初始图像进行中值滤波处理,滤除初始图像中的噪点,获得滤除噪点后的图像。
3.如权利要求1所述的倾斜传感器的图像处理方法,其特征在于,所述对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图,具体包括:
采用最大类间方差法对所述滤波后的图像进行阈值化操作,将滤波后的图像转换为二值化图。
4.如权利要求3所述的倾斜传感器的图像处理方法,其特征在于,将去燥点后的图像转换成二值化图,转换后的二值化图的背景灰度值为0,转换后的二值化图的前景灰度值为255。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810996791.6A CN109118511B (zh) | 2018-08-29 | 2018-08-29 | 一种倾斜传感器的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810996791.6A CN109118511B (zh) | 2018-08-29 | 2018-08-29 | 一种倾斜传感器的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118511A CN109118511A (zh) | 2019-01-01 |
CN109118511B true CN109118511B (zh) | 2022-06-28 |
Family
ID=64861472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810996791.6A Active CN109118511B (zh) | 2018-08-29 | 2018-08-29 | 一种倾斜传感器的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118511B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112414552B (zh) * | 2020-11-24 | 2022-04-15 | 西南交通大学 | 用于电梯上的体温检测装置及其体温计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359400A (zh) * | 2008-09-17 | 2009-02-04 | 湖南大学 | 一种基于视觉的管口空间位置定位方法 |
US20130083003A1 (en) * | 2011-09-30 | 2013-04-04 | Kathryn Stone Perez | Personal audio/visual system |
CN103199047A (zh) * | 2012-01-05 | 2013-07-10 | 沈阳新松机器人自动化股份有限公司 | 晶圆中心预对准方法 |
CN107369140A (zh) * | 2017-06-29 | 2017-11-21 | 大连理工大学 | 非结构化环境下的高精密靶球中心提取方法 |
-
2018
- 2018-08-29 CN CN201810996791.6A patent/CN109118511B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359400A (zh) * | 2008-09-17 | 2009-02-04 | 湖南大学 | 一种基于视觉的管口空间位置定位方法 |
US20130083003A1 (en) * | 2011-09-30 | 2013-04-04 | Kathryn Stone Perez | Personal audio/visual system |
CN103199047A (zh) * | 2012-01-05 | 2013-07-10 | 沈阳新松机器人自动化股份有限公司 | 晶圆中心预对准方法 |
CN107369140A (zh) * | 2017-06-29 | 2017-11-21 | 大连理工大学 | 非结构化环境下的高精密靶球中心提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109118511A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN107463918B (zh) | 基于激光点云与影像数据融合的车道线提取方法 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
JP6620477B2 (ja) | コンクリートのひび割れ検出方法及び検出プログラム | |
CN108288264B (zh) | 一种广角摄像头模组脏污测试方法 | |
CN108088799B (zh) | 机动车尾气林格曼黑度的测量方法及系统 | |
CN105865329B (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
CN110569857B (zh) | 一种基于质心距离计算的图像轮廓角点检测方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN109815822B (zh) | 基于广义Hough变换的巡检图零部件目标识别方法 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN107705294B (zh) | 一种十字激光的图像式路基表面沉降监测方法和监测系统 | |
JP2014517265A (ja) | タイヤの外面のディジタル画像の分析及び偽測定箇所の処理 | |
CN111272768B (zh) | 一种陶瓷管检测方法 | |
JP2016166853A (ja) | 位置推定装置および位置推定方法 | |
CN112284260A (zh) | 一种视觉位移监测方法、设备和系统 | |
JP7230507B2 (ja) | 付着物検出装置 | |
CN114897864A (zh) | 基于数模信息的工件检测及缺陷判断方法 | |
JP2009259036A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム | |
CN103226829A (zh) | 基于边缘增强算子的图像边缘检测方法 | |
CN109448059A (zh) | 一种快速x角点亚像素检测方法 | |
CN109118511B (zh) | 一种倾斜传感器的图像处理方法 | |
CN110223332B (zh) | 一种桥梁裂缝标定方法 | |
US20200210740A1 (en) | Attachable matter detection apparatus | |
CN114359149A (zh) | 基于实时图像边缘增强的坝岸险情视频检测方法及系统 |
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 |