CN109238182A - 一种基于傅里叶频谱特征的织物平整度客观评级方法 - Google Patents
一种基于傅里叶频谱特征的织物平整度客观评级方法 Download PDFInfo
- Publication number
- CN109238182A CN109238182A CN201811165240.1A CN201811165240A CN109238182A CN 109238182 A CN109238182 A CN 109238182A CN 201811165240 A CN201811165240 A CN 201811165240A CN 109238182 A CN109238182 A CN 109238182A
- Authority
- CN
- China
- Prior art keywords
- image
- objective
- filter
- flatness
- fabric
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001228 spectrum Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 6
- 239000004753 textile Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 238000002796 luminescence method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于织物外观平整度评级技术领域,具体涉及到一种基于傅里叶频谱特征的织物平整度客观评级方法。所述的方法,步骤如下:第一步,通过标准图像采集装置采集标准模板和已知等级布样图像;第二步,对采集所得图像进行预处理;第三步,对预处理所得图像进行选择性滤波;第四步,将滤波得到的N个图像进行傅里叶逆变换,通过视觉观测与第二步所得图像进行对比,评价其褶皱信息损失率;采用训练所得模型对测试样本的特征向量进行织物平整度的客观评级,获得平整度客观评级结果。本发明提供的方法能够定位到人眼识别到的褶皱频率范围,过滤掉人眼不能识别的信息,更加契合人眼视觉评估系统,因此得到的结果更加客观、稳定、精准。
Description
技术领域
本发明属于织物外观平整度评级技术领域,具体涉及到一种基于傅里叶频谱特征的织物平整度客观评级方法。
背景技术
织物在水洗及使用的过程中会受到外力的作用产生形变,当外力被移除后,织物往往不能够完全恢复到原来形态而产生残余形变,这种残余形变就形成了织物的褶皱。织物的褶皱严重影响了纺织品的外观性能,降低了纺织品的价值。因此,建立一个客观、稳定、高效的织物平整度评定系统,帮助人们改善纺织品的保形性能是非常有必要的。
目前对织物褶皱的评定方法主要包括两种。一种是主观的评定方法,即采用AATCC124标准或GB/13769-2009标准的标样对照法,这种评定方法将待测样品与标准模板置于标准评定环境下,由经过专业培训的人类观察者进行视觉评定。它是目前生产实践中沿用最多的一种方法,但是也存在一定的弊端,主要表现在评定结果容易受个体心理、生理以及环境因素的影响,精度低,再现性差。此外,人工评级的效率低下,难以适应工业化的要求。因此,人们期待一种客观、稳定、高效的织物平整度评级系统出现。
随着计算机技术的飞速发展,人们开始从数字图像领域解决这一难题,并且取得了一定的进展。目前使用最多的方法是从标准模板图像提取出某些特征值,如熵值,功率谱密度等,用来反映图像的褶皱信息。这些特征在一定程度上能够对织物的褶皱信息作出正确的表征,但是准确率仍然有待提高。主要原因是基于某一特征值对织物平整度进行评价,它往往包含的是织物全局的褶皱信息,而有些褶皱信息已经超出了人眼的识别范围,评价结果自然会出现偏差。而人类视觉评估系统能够快速精确、高效的处理各种视觉信息,可以过滤掉干扰信息而专注于织物的褶皱信息。此外,人眼对织物平整度的评估是建立在全局的、综合的、对照的基础上进行的,这也是机器评估难以精确匹配人眼评估之处。
发明内容
本发明的目的是为了克服人工评定易受主观因素干扰的缺点,提出了一种基于傅里叶频谱特征的织物平整度客观评级方法。
本发明的技术方案如下:
一种基于傅里叶频谱特征的织物平整度客观评级方法,步骤如下:
第一步,通过标准图像采集装置采集标准模板和已知等级布样图像;
优选地,所述通过标准图像采集装置采集标准模板和已知等级布样图像,方法如下:
调节暗箱条形光源和载样台,调节相机参数,将标准模板和已知等级布样放置于载样台上,操作相机采集标准模板和已知等级布样的图像。
第二步,对采集所得图像进行预处理;
优选地,所述图像预处理,方法如下:
对采集所得图像进行灰度变换,根据模板或布样在图像中所处位置,对灰度图像进行裁剪,剔除非模板或布样的图像区域,对裁剪后的图像进行降噪处理。
第三步,对预处理所得图像进行选择性滤波;
优选地,所述图像选择性滤波,方法如下:
对预处理后的图像进行傅里叶变换,得到频谱图;以特定步长及带宽,在频谱图上构建N个带通滤波器,N>1,滤波器由下式给出:
其中,其中w是带宽,D(u,v)是距滤波器中点的距离,D0是带宽中心的半径;以上述N个带通频率器依次对经过傅里叶变换的图像进行滤波。
第四步,将滤波得到的N个图像进行傅里叶逆变换,通过视觉观测与第二步所得图像进行对比,评价其褶皱信息损失率;将褶皱信息损失率最少的频率范围确定为褶皱贡献频率区间,记为有效区间;
第五步,采用特定步长对有效区间进行细化分区,以划分结果产生特征区间;统计各特征区间内傅里叶频谱幅值之和作为评价织物褶皱等级的特征值,并将特征值构成特征向量,以所有训练样本的特征向量构成特征向量集;
第六步,对每一测试样本分别进行步骤一至步骤五的操作,得到测试样本的特征向量;
第七步,以第五步得到标准模板和已知等级布样的特征向量集训练支持向量机模型,采用训练所得模型对测试样本的特征向量进行织物平整度的客观评级,获得平整度客观评级结果。
本发明的有益效果:
本发明提供的方法能够定位到人眼识别到的褶皱频率范围,过滤掉人眼不能识别的信息,更加契合人眼视觉评估系统,因此得到的结果更加客观、稳定、精准,与专家评定相关性系数更高。
附图说明
图1是本发明方法技术路线示意图。
图2是验证褶皱信息分布频率示意图。
图3是各等级标准模板傅里叶频谱幅值总和统计图。
图4是褶皱信息所处频率范围内各特征区间频谱幅值之和统计图。
具体实施方式
以下结合具体实施例,并参照附图,对本发明进一步详细说明。
图1是本发明实施例的基于傅里叶频谱特征的织物平整度客观评级技术路线示意图,如图1所示,该方法包括:
步骤一:标准图像采集
首先,调节暗箱条形光源和载样台,调节相机参数,将样品放置于载样台上,计算机操作相机采集样品图像。采用侧面光照法采集样品图像时,条形光源相对载样台的角度、距离,以及光强的变化都会对最终数据造成影响,因此必须规范化操作,统一采集环境。
步骤二:图像预处理
对采集所得图像进行灰度变换,将灰度图像裁剪成600×600像素大小,提取中心褶皱区域;对图像进行降噪处理。
通过步骤一采集到的图像,除了中心褶皱区域外,还包含背景信息,以及样本边缘易出现卷边现象,对特征数据造成很大影响,因此本实施例将图像裁剪成600×600像素大小,去除干扰信息,保留中心褶皱区域。
步骤三:在傅里叶频谱空间内对图像进行选择性滤波
对预处理所得图像进行傅里叶变换,再通过log变换得到增强后的频谱图;
以特定步长及带宽,在频谱图上构建一理想带通滤波器组,滤波器由下式给出:
其中w是带宽,D(u,v)是距滤波器中点的距离,D0是带宽中心的半径;
以上述带通频率器组依次对经过傅里叶变换的图像进行滤波。
步骤四:对图像进行傅里叶逆变换,确定褶皱信息所处的频率区间
将步骤三所得图像进行傅里叶逆变换,采用视觉观测法将逆变换所得图像与步骤二所得图像进行对比,评价其褶皱信息损失率,将褶皱信息损失率最少的频率范围确定为褶皱贡献频率区间。
如图2所示为各个带通滤波器及其逆变换图像。选择0<=D(u,v)<=60,W=60范围内的中低频进行滤波就几乎可以还原出图像的全部信息。这一结果说明图像的褶皱信息并不是分布在全局频率范围,而是主要分布在中低频范围内,高频范围几乎没有褶皱信息,或者说高频范围内不包含人眼能够辨别的褶皱信息。本实施例中,有效褶皱信息在傅里叶频谱空间的分布处于0<=D(u,v)<=60,W=60带宽范围内。
步骤五:统计各区间内傅里叶频谱幅值之和作为评价织物平整度等级的特征值,构成特征向量
采用一系列特定步长对褶皱贡献频率区间进行进一步划分,以划分结果产生特征区间;
本实施例中,统计每一训练样本[30 40]、[30 50]、[30 60]、[40 50]、[40 60]、[50 60],6个区间内的频谱幅值之和,构造特征向量集。
在数字图像领域,频谱图是人们从频域分析一幅图像特性的重要工具。频谱图各点像素代表图像上某一点与邻域各点灰度差异的强弱,理论上,随着模板由SA-1到SA-5褶皱等级的降低,频谱幅值之和是逐渐递减的,因此可以根据这一特征来对样本的褶皱等级进行评定。但是实际计算出来的频谱幅值之和并不完全符合这一规律,如图3所示。对于这一问题,步骤三中已经做出了解释,并通过图4验证了这一解释的正确性。由图4可知,在织物褶皱信息所处的有效频率范围内,有效褶皱区间内的频谱幅值之和随着褶皱等级的降低而逐渐减小,这说明通过滤波筛选出来的褶皱频率范围与人眼可识别范围相匹配。
步骤六:用训练样本的特征向量集训练支持向量机模型,并用训练所得模型对测试样本进行织物平整度的客观评级
用所有训练样本的特征向量构造特征向量集,训练样本为标准模板以及若干已知等级布样;用所得特征向量集训练支持向量机模型;
采用训练所得模型,对测试样本进行织物平整度的客观评级,测试样本为未知等级布样;对待测样本执行相同的图像采集、图像预处理、傅里叶频谱特征提取等操作;将所得特征向量输入经训练后的支持向量机模型,获得本发明所得的织物平整度客观评级结果。在本实施例的300组试验样本中,获得评级准确率达97.7%。
本发明提供的方法能够定位到人眼可识别的褶皱频率范围,过滤掉人眼不能识别的信息,更加契合人眼视觉评估系统,因此得到的结果更加客观、稳定、精准,与专家评定相关性系数更高。
Claims (5)
1.一种基于傅里叶频谱特征的织物平整度客观评级方法,其特征在于,步骤如下:
第一步,通过标准图像采集装置采集标准模板和已知等级布样图像;
第二步,对采集所得图像进行预处理;
第三步,对预处理所得图像进行选择性滤波;
第四步,将滤波得到的N个图像进行傅里叶逆变换,通过视觉观测与第二步所得图像进行对比,评价其褶皱信息损失率;将褶皱信息损失率最少的频率范围确定为褶皱贡献频率区间,记为有效区间;
第五步,采用特定步长对有效区间进行细化分区,以划分结果产生特征区间;统计各特征区间内傅里叶频谱幅值之和作为评价织物褶皱等级的特征值,并将特征值构成特征向量,进而构成特征向量集;
第六步,对每一测试样本分别进行步骤一至步骤五的操作,得到测试样本的特征向量;
第七步,以第五步得到标准模板和已知等级布样的特征向量集训练支持向量机模型,采用训练所得模型对测试样本的特征向量进行织物平整度的客观评级,获得平整度客观评级结果。
2.如权利要求1所述的客观评级方法,其特征在于,第一步中,所述通过标准图像采集装置采集标准模板和已知等级布样图像,方法如下:
调节暗箱条形光源和载样台,调节相机参数,将标准模板和已知等级布样放置于载样台上,操作相机采集标准模板和已知等级布样的图像。
3.如权利要求1或2所述的客观评级方法,其特征在于,第二步中,所述图像预处理,方法如下:
对采集所得图像进行灰度变换,根据模板或布样在图像中所处位置,对灰度图像进行裁剪,剔除非模板或布样的图像区域,对裁剪后的图像进行降噪处理。
4.如权利要求1或2所述的客观评级方法,其特征在于,第三步中,所述图像选择性滤波,方法如下:
对预处理后的图像进行傅里叶变换,得到频谱图;以特定步长及带宽,在频谱图上构建N个带通滤波器,N>1,滤波器由下式给出:
其中,其中w是带宽,D(u,v)是距滤波器中点的距离,D0是带宽中心的半径。
5.如权利要求3所述的客观评级方法,其特征在于,第三步中,所述图像选择性滤波,方法如下:
对预处理后的图像进行傅里叶变换,得到频谱图;以特定步长及带宽,在频谱图上构建N个带通滤波器,N>1,滤波器由下式给出:
其中,其中w是带宽,D(u,v)是距滤波器中点的距离,D0是带宽中心的半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811165240.1A CN109238182B (zh) | 2018-10-08 | 2018-10-08 | 一种基于傅里叶频谱特征的织物平整度客观评级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811165240.1A CN109238182B (zh) | 2018-10-08 | 2018-10-08 | 一种基于傅里叶频谱特征的织物平整度客观评级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109238182A true CN109238182A (zh) | 2019-01-18 |
CN109238182B CN109238182B (zh) | 2020-05-12 |
Family
ID=65055126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811165240.1A Active CN109238182B (zh) | 2018-10-08 | 2018-10-08 | 一种基于傅里叶频谱特征的织物平整度客观评级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109238182B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070532A (zh) * | 2019-04-23 | 2019-07-30 | 江南大学 | 基于三维图像与二维图像特征结合的织物平整度评价方法 |
CN110906887A (zh) * | 2019-11-08 | 2020-03-24 | 浙江理工大学 | 一种服装缝纫平整度检测方法 |
CN111044517A (zh) * | 2019-12-31 | 2020-04-21 | 宁波高新区意融科技有限公司 | 一种基于三维特征的织物褶皱等级的评定方法 |
CN111397547A (zh) * | 2020-03-24 | 2020-07-10 | 杭州新汉杰科技有限公司 | 一种用于纺织面料熨烫后平整程度和方位的检测装置 |
CN114808326A (zh) * | 2022-07-01 | 2022-07-29 | 南通永安纺织有限公司 | 基于计算机辅助设计的浆纱机上浆质量调控方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6320932B2 (zh) * | 1983-04-23 | 1988-05-02 | Hyogoken | |
CN1987893A (zh) * | 2006-10-27 | 2007-06-27 | 东华大学 | 一种面向摄像整纬器的织物纹理图像识别方法 |
CN102288608A (zh) * | 2011-06-20 | 2011-12-21 | 江南大学 | 一种新的机织物密度自动检测方法 |
CN102967290A (zh) * | 2012-11-15 | 2013-03-13 | 东华大学 | 一种纹理触觉评价过程的模拟测量方法 |
CN103163138A (zh) * | 2011-12-14 | 2013-06-19 | 江南大学 | 基于快速傅里叶变换的机织物中纱线均匀性检测方法 |
CN106529544A (zh) * | 2016-10-31 | 2017-03-22 | 中山大学 | 一种基于无监督机器学习的织物平整度客评定方法及装置 |
CN108519066A (zh) * | 2018-06-14 | 2018-09-11 | 江南大学 | 一种基于四侧光源图像的织物平整度的客观评定方法 |
-
2018
- 2018-10-08 CN CN201811165240.1A patent/CN109238182B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6320932B2 (zh) * | 1983-04-23 | 1988-05-02 | Hyogoken | |
CN1987893A (zh) * | 2006-10-27 | 2007-06-27 | 东华大学 | 一种面向摄像整纬器的织物纹理图像识别方法 |
CN102288608A (zh) * | 2011-06-20 | 2011-12-21 | 江南大学 | 一种新的机织物密度自动检测方法 |
CN103163138A (zh) * | 2011-12-14 | 2013-06-19 | 江南大学 | 基于快速傅里叶变换的机织物中纱线均匀性检测方法 |
CN102967290A (zh) * | 2012-11-15 | 2013-03-13 | 东华大学 | 一种纹理触觉评价过程的模拟测量方法 |
CN106529544A (zh) * | 2016-10-31 | 2017-03-22 | 中山大学 | 一种基于无监督机器学习的织物平整度客评定方法及装置 |
CN108519066A (zh) * | 2018-06-14 | 2018-09-11 | 江南大学 | 一种基于四侧光源图像的织物平整度的客观评定方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070532A (zh) * | 2019-04-23 | 2019-07-30 | 江南大学 | 基于三维图像与二维图像特征结合的织物平整度评价方法 |
CN110070532B (zh) * | 2019-04-23 | 2023-06-27 | 江南大学 | 基于三维图像与二维图像特征结合的织物平整度评价方法 |
CN110906887A (zh) * | 2019-11-08 | 2020-03-24 | 浙江理工大学 | 一种服装缝纫平整度检测方法 |
CN110906887B (zh) * | 2019-11-08 | 2021-03-19 | 浙江理工大学 | 一种服装缝纫平整度检测方法 |
CN111044517A (zh) * | 2019-12-31 | 2020-04-21 | 宁波高新区意融科技有限公司 | 一种基于三维特征的织物褶皱等级的评定方法 |
CN111397547A (zh) * | 2020-03-24 | 2020-07-10 | 杭州新汉杰科技有限公司 | 一种用于纺织面料熨烫后平整程度和方位的检测装置 |
CN114808326A (zh) * | 2022-07-01 | 2022-07-29 | 南通永安纺织有限公司 | 基于计算机辅助设计的浆纱机上浆质量调控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109238182B (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109238182A (zh) | 一种基于傅里叶频谱特征的织物平整度客观评级方法 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
Balanov et al. | Image quality assessment based on DCT subband similarity | |
CN101551853A (zh) | 复杂静态彩色背景下的人耳检测方法 | |
CN109255358B (zh) | 一种基于视觉显著性和深度图的3d图像质量评价方法 | |
CN103729842A (zh) | 基于局部统计特征与整体显著性分析的织物疵点检测方法 | |
CN109993797A (zh) | 门窗位置检测方法及装置 | |
US10621722B2 (en) | Iterative analyzing method for a medical image | |
CN105654142A (zh) | 基于自然场景统计的无参考立体图像质量评价方法 | |
CN103841410B (zh) | 基于图像特征信息的半参考视频QoE客观评估方法 | |
Dixit et al. | Image texture analysis-survey | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN110400293A (zh) | 一种基于深度森林分类的无参考图像质量评价方法 | |
CN110120032A (zh) | 基于相对总变差模型与mser的织物毛球等级评价方法 | |
CN104778710A (zh) | 一种基于量子理论的形态学图像边缘检测方法 | |
CN108550146A (zh) | 一种基于roi的图像质量评价方法 | |
CN101976440B (zh) | 一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法 | |
CN109740592A (zh) | 基于记忆的图像质量无参评估方法 | |
CN112802074A (zh) | 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法 | |
CN111681181A (zh) | 一种织物表面起球程度的评价方法 | |
CN107194926A (zh) | 互补色小波域图像质量盲评价方法 | |
Ma et al. | A finger vein image quality assessment method using object and human visual system index | |
CN115100077A (zh) | 一种新型图像增强方法与装置 | |
WO2010015190A1 (zh) | 编织纹样式的图像分析方法 |
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 |