CN109272498B - 一种枯叶图图卡视频的实时细节自动分析方法 - Google Patents

一种枯叶图图卡视频的实时细节自动分析方法 Download PDF

Info

Publication number
CN109272498B
CN109272498B CN201811103456.5A CN201811103456A CN109272498B CN 109272498 B CN109272498 B CN 109272498B CN 201811103456 A CN201811103456 A CN 201811103456A CN 109272498 B CN109272498 B CN 109272498B
Authority
CN
China
Prior art keywords
image
dead
frame
leaf
area
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
Application number
CN201811103456.5A
Other languages
English (en)
Other versions
CN109272498A (zh
Inventor
廖志梁
陶亮
王道宁
张亚东
郭宝珠
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.)
Yicheng Gaoke Dalian Technology Co ltd
Original Assignee
Yicheng Gaoke Dalian Technology Co ltd
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 Yicheng Gaoke Dalian Technology Co ltd filed Critical Yicheng Gaoke Dalian Technology Co ltd
Priority to CN201811103456.5A priority Critical patent/CN109272498B/zh
Publication of CN109272498A publication Critical patent/CN109272498A/zh
Application granted granted Critical
Publication of CN109272498B publication Critical patent/CN109272498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/67—Focus control based on electronic image sensor signals
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种枯叶图图卡视频的实时细节自动分析方法，对固定类型的枯叶图图卡，构建实时自动分析枯叶图的算法体系。首先人为调焦保证最佳焦距，其次采用关键帧检测的方式，增加计算效率，同时采用自动分割枯叶图区域的方式，保证视频拍摄过程中能够实时地自动地进行枯叶图图卡的细节分析，能使视频拍摄过程中对枯叶图的细节评估的流程更加流畅准确。

Description

一种枯叶图图卡视频的实时细节自动分析方法
技术领域
本发明涉及一种客观图像质量评价方法，更具体地，涉及一种枯叶图图卡视频的实时细节自动分析方法。
背景技术
枯叶图图卡是客观图像质量评价时，常采用的测试对象。用于做枯叶图的图卡有3种，分别是TE276v2,TE276v3,TE265。
现有的枯叶图细节提取方法，首先需要在有标志物的情况下，在视频拍摄过程中对每帧自动标定枯叶图图卡待评估区域，其次才能提取枯叶图图卡区域，最后计算枯叶图图卡的图像细节保留与损失相关参数。
现有方法做图卡分析，整体操作流程上方便简单，且只要评估区域选取准确，得到的结果很理想。但缺点是
1)视频拍摄过程中每帧都进行枯叶图图卡的提取与分析，由于计算速度的影响会造成延迟，导致拍摄过程中丢帧错帧，卡顿等情况出现；
2)在对每帧枯叶图图卡进行细节分析并计算相关参数时，自动标定待评估区域需要图像中包含标志物。当视频拍摄画面中没有标志物出现时，将导致枯叶图实时细节分析无法进行或者分析错误。
3)视频拍摄过程中由于手机位置的改变或设置不合适导致焦距不合适，拍摄画面模糊，极大地影响了枯叶图图卡的细节分析，致使得到的分析参数不客观。
发明内容
本发明的目的在于克服现有技术存在的上述缺陷，提供一种枯叶图视频的实时细节自动分析方法，通过人为调焦保证最佳焦距，采用关键帧检测的方式，与帧间差分法相结合，并通过自动分割枯叶图区域的方式，使视频拍摄过程中对枯叶图的细节评估的流程更加流畅准确。
为实现上述目的，本发明的技术方案如下：
一种枯叶图图卡视频的实时细节自动分析方法，其特征在于，包括以下步骤：
S1：开启待测试设备，并进行调焦；
S2：在完成调焦后，固定待测试设备与枯叶图图卡位置，进行定焦拍摄与关键帧检测，具体包括以下步骤：
S21：在定焦拍摄后的一定时间后，待测试设备进入稳定期，提取该时间点的当前帧作为初始关键帧和当前关键帧；
S22：提取待测试设备的视频帧缓存区中的当前帧和当前帧的下一帧，将二者变换为灰度图并将变换后的两个灰度图相减，得到帧间差分结果灰度图，统计此帧间差分结果灰度图中非零像素点总数；若总数大于当前帧像素点总数的1/N，则认为当前帧的下一帧出现跳变，作为下一个关键帧进行后续分析，并更新当前帧的下一帧为当前帧；若帧间差分结果灰度图中非零像素点总数小于当前帧像素点总数的1/N，则直接更新当前帧的下一帧为当前帧；
S23：重复执行步骤S22，直至完成全部帧的分析，并记录所有关键帧和关键帧对应的时刻，稳定期后全部帧中不是关键帧的帧称为普通帧，并进入步骤S3；
S3：对所有关键帧逐个地进行枯叶图图卡自动分析，具体步骤包括步骤S4～S6，每一个被分析的关键帧称为当前关键帧；
S4：基于频域模板，对枯叶图区域进行自动分割；
S5：基于高亮灰度的图卡类别识别；
S6：基于多区域的噪声PSD计算；
S7：进行细节参数估计。
优选地，所述步骤S1，具体的包括以下步骤：
S11：手动调节待测试设备与枯叶图图卡之间的距离，调节完成后，进行拍摄；
S12：提取待测试设备中当前帧，进行直方图统计，计算当前帧对比度；
S13：重复进行步骤S11～S12，选择对比度最大时的待测试设备与枯叶图图卡之间的距离，这一距离是待测试设备的焦距，完成调焦。
优选地，所述步骤S22中所述的N的取值范围为10～200。
优选地，所述步骤S4，具体包括以下步骤：
S41：任取一段枯叶图图卡视频，手动批量提取不同帧图像中的枯叶图区域，对该区域的枯叶图做傅里叶变换，取归一化幅度谱做平均，得到用于参考的枯叶图参考幅度谱与枯叶图参考相位谱；
S42：对枯叶图参考幅度谱进行带通滤波，去除高频量的噪声以及直流量的影响；
S43：对当前关键帧进行做有重叠的分块，然后每块做傅里叶变换，计算每块的归一化幅度谱；
S44：将每块的归一化幅度谱与枯叶图参考幅度谱做互相关比较，取出相关性最高的M个图像块作为分割候选区域；
S45：采用相位相关法计算每个图像块幅度谱与参考相位谱的平移位置；
S46：通过所有图像块的平移位置，定位出枯叶图区域的四个顶点坐标，完成分割过程。
优选地，所述步骤S44中所述的M的取值范围为有重叠分块的分块总数的5％～10％。
优选地，所述步骤S5，具体包括以下步骤：
S51：对图卡图像做灰度化处理，然后计算图像的灰度直方图，计算直方图的累积灰度直方图，以累积直方图频率大于99％的最小灰度阶作为阈值，对图像做二值化；
S52：对二值化后的图像做形态学开操作；
S53：基于凸包算法将剔除噪声的二值图中所有的闭包区域提取出来，并计算相关的有效面积、外接矩形大小、中心位置；
S54：将有效面积最大的闭包作为参考区域，其他区域为判断区域，若其他区域的中心坐标比参考区域的中心坐标更接近图像边界，则该图卡为TE265，否则图卡类型为TE276v2或者TE276v3。
优选地，所述步骤S6，具体包括以下步骤：
S61：在完成步骤S4中的枯叶图区域自动分割及步骤S5中的图卡类别识别，根据枯叶图区域坐标以及枯叶图区域与最接近黑色的灰阶区域的相对位置关系，确定最接近黑色的灰阶区域的坐标；
S62：计算最接近黑色灰阶区域的均值，将当前关键帧各区域的灰度值减去该区域的灰度均值，移除固定偏置；
S63：统计所有移除固偏置区域的差值分布，做高斯拟合，从而得到高斯白噪声的PSD，假设拟合高斯噪声的标准差为σ；
S64：对所有区域做窗口大小为
Figure BDA0001807275760000041
或者
Figure BDA0001807275760000042
的均值滤波，若
Figure BDA0001807275760000043
为偶数则需要加1，然后对所有移除固定偏置、消除固定模型噪声的区域块做傅里叶变换，计算噪声PSD，在该噪声模型的基础上，叠加拟合高斯噪声的PSD作为最终比较的噪声PSD。
从上述技术方案可以看出，本发明首先人为调焦保证最佳焦距，其次采用关键帧检测的方式，增加计算效率，同时采用自动分割枯叶图区域的方式，保证视频拍摄过程中能够实时地自动地进行枯叶图图卡的细节分析，能使视频拍摄过程中对枯叶图的细节评估的流程更加流畅准确。因此，本发明具有在极大提高了计算效率的情况下同时缩减了计算量的显著特点。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步的详细说明。
需要说明的是，在下述的具体实施方式中，在详述本发明的实施方式时，为了清楚地表示本发明的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本发明的限定来加以理解。
对于现在客观图像质量评价体系中，用于做枯叶图的图卡有3种，分别是TE276v2,TE276v3,TE265，本发明针对以上3种图卡进行拍摄过程中，首先进行调焦，确定合适焦距后寻找关键帧进行自动细节分析，其它帧采用上一个最近关键帧的细节分析结果。实时进行枯叶图图卡细节自动分析，同时提高细节分析结果的准确性并减少计算量。
参考图1，一种枯叶图图卡视频的实时细节自动分析方法，其特征在于，包括以下步骤：
S1：开启待测试设备，并进行调焦，具体的包括以下步骤：
S11：手动调节待测试设备与枯叶图图卡视频之间的距离，调节完成后，进行拍摄；
S12：提取待测试设备中当前帧，进行直方图统计，计算当前帧对比度；
S13：重复进行步骤S11～S12，选择对比度最大时的待测试设备与枯叶图图卡之间的距离，这一距离是待测试设备的焦距，完成调焦，并进入步骤S2；
S2：在完成调焦后，固定待测试设备与枯叶图图卡位置，进行定焦拍摄与关键帧检测，具体包括以下步骤：
S21：在定焦拍摄后的一定时间后，待测试设备进入稳定期，提取该时间点的当前帧作为初始关键帧和当前关键帧；
S22：提取待测试设备的视频帧缓存区中的当前帧和当前帧的下一帧，将二者变换为灰度图并将变换后的两个灰度图相减，得到帧间差分结果灰度图，统计此帧间差分结果灰度图中非零像素点总数；若总数大于当前帧像素点总数的1/N，则认为当前帧的下一帧出现跳变，作为下一个关键帧进行后续分析，并更新当前帧的下一帧为当前帧；若帧间差分结果灰度图中非零像素点总数小于当前帧像素点总数的1/N，则直接更新当前帧的下一帧为当前帧；
N的取值范围为10～200。
S23：重复执行步骤S22，直至完成全部帧的分析，并记录所有关键帧和关键帧对应的时刻，稳定期后全部帧中不是关键帧的帧称为普通帧，并进入步骤S3；
S3：对所有关键帧逐个地进行枯叶图图卡自动分析，具体步骤包括步骤S4～S6，每一个被分析的关键帧称为当前关键帧；
S4：基于频域模板，对枯叶图区域进行自动分割；
S41：任取一段枯叶图图卡视频，手动批量提取不同帧图像中的枯叶图区域，对该区域的枯叶图做傅里叶变换，取归一化幅度谱做平均，得到用于参考的枯叶图参考幅度谱与枯叶图参考相位谱；
S42：对枯叶图参考幅度谱进行带通滤波，去除高频量的噪声以及直流量的影响；
S43：对当前关键帧进行做有重叠的分块，然后每块做傅里叶变换，计算每块的归一化幅度谱；
S44：将每块的归一化幅度谱与枯叶图参考幅度谱做互相关比较，取出相关性最高的M个图像块作为分割候选区域；
M的取值范围为有重叠分块的分块总数的5％～10％。
S45：采用相位相关法计算每个图像块幅度谱与参考相位谱的平移位置；
S46：通过所有图像块的平移位置，定位出枯叶图区域的四个顶点坐标，完成分割过程；
S5：基于高亮灰度的图卡类别识别；
S51：对图卡图像做灰度化处理，然后计算图像的灰度直方图，计算直方图的累积灰度直方图，以累积直方图频率大于99％的最小灰度阶作为阈值，对图像做二值化；
S52：对二值化后的图像做形态学开操作；
S53：基于凸包算法将剔除噪声的二值图中所有的闭包区域提取出来，并计算相关的有效面积、外接矩形大小、中心位置；
S54：将有效面积最大的闭包作为参考区域，其他区域为判断区域，若其他区域的中心坐标比参考区域的中心坐标更接近图像边界，则该图卡为TE265，否则图卡类型为TE276v2或者TE276v3；
S6：基于多区域的噪声PSD计算；
S61：在完成步骤S4中的枯叶图区域自动分割及步骤S5中的图卡类别识别，根据枯叶图区域坐标以及枯叶图区域与最接近黑色的灰阶区域的相对位置关系，确定最接近黑色的灰阶区域的坐标；
S62：计算最接近黑色灰阶区域的均值，将当前关键帧各区域的灰度值减去该区域的灰度均值，移除固定偏置；
S63：统计所有移除固偏置区域的差值分布，做高斯拟合，从而得到高斯白噪声的PSD，假设拟合高斯噪声的标准差为σ；
S64：对所有区域做窗口大小为
Figure BDA0001807275760000061
或者
Figure BDA0001807275760000062
的均值滤波，若
Figure BDA0001807275760000063
为偶数则需要加1，然后对所有移除固定偏置、消除固定模型噪声的区域块做傅里叶变换，计算噪声PSD，在该噪声模型的基础上，叠加拟合高斯噪声的PSD作为最终比较的噪声PSD；
S7：进行细节参数估计。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种枯叶图图卡视频的实时细节自动分析方法，其特征在于，包括以下步骤：
S1：开启待测试设备，并进行调焦；
S2：在完成调焦后，固定待测试设备与枯叶图图卡位置，进行定焦拍摄与关键帧检测，具体包括以下步骤：
S21：在定焦拍摄后的一定时间后，待测试设备进入稳定期，提取该时间点的当前帧作为初始关键帧和当前关键帧；
S22：提取待测试设备的视频帧缓存区中的当前帧和当前帧的下一帧，将二者变换为灰度图并将变换后的两个灰度图相减，得到帧间差分结果灰度图，统计此帧间差分结果灰度图中非零像素点总数；若总数大于当前帧像素点总数的1/N，则认为当前帧的下一帧出现跳变，作为下一个关键帧进行后续分析，并更新当前帧的下一帧为当前帧；若帧间差分结果灰度图中非零像素点总数小于当前帧像素点总数的1/N，则直接更新当前帧的下一帧为当前帧；
S23：重复执行步骤S22，直至完成全部帧的分析，并记录所有关键帧和关键帧对应的时刻，稳定期后全部帧中不是关键帧的帧称为普通帧，并进入步骤S3；
S3：对所有关键帧逐个地进行枯叶图图卡自动分析，具体步骤包括步骤S4～S6，每一个被分析的关键帧称为当前关键帧；
S4：基于频域模板，对枯叶图区域进行自动分割；
S5：基于高亮灰度的图卡类别识别；
S6：基于多区域的噪声PSD计算；
S7：进行细节参数估计。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1，具体的包括以下步骤：
S11：手动调节待测试设备与枯叶图图卡之间的距离，调节完成后，进行拍摄；
S12：提取待测试设备中当前帧，进行直方图统计，计算当前帧对比度；
S13：重复进行步骤S11～S12，选择对比度最大时的待测试设备与枯叶图图卡之间的距离，这一距离是待测试设备的焦距，完成调焦。
3.根据权利要求1所述的方法，其特征在于，所述步骤S22中所述的N的取值范围为10～200。
4.根据权利要求1所述的方法，其特征在于，所述步骤S4，具体包括以下步骤：
S41：任取一段枯叶图图卡视频，手动批量提取不同帧图像中的枯叶图区域，对该区域的枯叶图做傅里叶变换，取归一化幅度谱做平均，得到用于参考的枯叶图参考幅度谱与枯叶图参考相位谱；
S42：对枯叶图参考幅度谱进行带通滤波，去除高频量的噪声以及直流量的影响；
S43：对当前关键帧进行做有重叠的分块，然后每块做傅里叶变换，计算每块的归一化幅度谱；
S44：将每块的归一化幅度谱与枯叶图参考幅度谱做互相关比较，取出相关性最高的M个图像块作为分割候选区域；
S45：采用相位相关法计算每个图像块幅度谱与参考相位谱的平移位置；
S46：通过所有图像块的平移位置，定位出枯叶图区域的四个顶点坐标，完成分割过程。
5.根据权利要求4所述的方法，其特征在于，所述步骤S44中所述的M的取值范围为有重叠分块的分块总数的5％～10％。
6.根据权利要求1所述的方法，其特征在于，所述步骤S5，具体包括以下步骤：
S51：对图卡图像做灰度化处理，然后计算图像的灰度直方图，计算直方图的累积灰度直方图，以累积直方图频率大于99％的最小灰度阶作为阈值，对图像做二值化；
S52：对二值化后的图像做形态学开操作；
S53：基于凸包算法将剔除噪声的二值图中所有的闭包区域提取出来，并计算相关的有效面积、外接矩形大小、中心位置；
S54：将有效面积最大的闭包作为参考区域，其他区域为判断区域，若其他区域的中心坐标比参考区域的中心坐标更接近图像边界，则该图卡为TE265，否则图卡类型为TE276v2或者TE276v3。
7.根据权利要求1所述的方法，其特征在于，所述步骤S6，具体包括以下步骤：
S61：在完成步骤S4中的枯叶图区域自动分割及步骤S5中的图卡类别识别，根据枯叶图区域坐标以及枯叶图区域与最接近黑色的灰阶区域的相对位置关系，确定最接近黑色的灰阶区域的坐标；
S62：计算最接近黑色灰阶区域的均值，将当前关键帧各区域的灰度值减去该区域的灰度均值，移除固定偏置；
S63：统计所有移除固偏置区域的差值分布，做高斯拟合，从而得到高斯白噪声的PSD，假设拟合高斯噪声的标准差为σ；
S64：对所有区域做窗口大小为
Figure FDA0001807275750000031
或者
Figure FDA0001807275750000032
的均值滤波，若
Figure FDA0001807275750000033
为偶数则需要加1，然后对所有移除固定偏置、消除固定模型噪声的区域块做傅里叶变换，计算噪声PSD，在噪声模型的基础上，叠加拟合高斯噪声的PSD作为最终比较的噪声PSD。
CN201811103456.5A 2018-09-20 2018-09-20 一种枯叶图图卡视频的实时细节自动分析方法 Active CN109272498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811103456.5A CN109272498B (zh) 2018-09-20 2018-09-20 一种枯叶图图卡视频的实时细节自动分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811103456.5A CN109272498B (zh) 2018-09-20 2018-09-20 一种枯叶图图卡视频的实时细节自动分析方法

Publications (2)

Publication Number Publication Date
CN109272498A CN109272498A (zh) 2019-01-25
CN109272498B true CN109272498B (zh) 2021-11-23

Family

ID=65197854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811103456.5A Active CN109272498B (zh) 2018-09-20 2018-09-20 一种枯叶图图卡视频的实时细节自动分析方法

Country Status (1)

Country Link
CN (1) CN109272498B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661135B (zh) * 2022-12-09 2023-05-05 山东第一医科大学附属省立医院(山东省立医院) 一种心脑血管造影的病灶区域分割方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108475430A (zh) * 2017-04-10 2018-08-31 深圳市柔宇科技有限公司 图片质量评估方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7512286B2 (en) * 2003-10-27 2009-03-31 Hewlett-Packard Development Company, L.P. Assessing image quality

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108475430A (zh) * 2017-04-10 2018-08-31 深圳市柔宇科技有限公司 图片质量评估方法及装置

Also Published As

Publication number Publication date
CN109272498A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN107808378B (zh) 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN109741356B (zh) 一种亚像素边缘检测方法及系统
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN107742307A (zh) 基于改进帧差法的输电线路舞动特征提取及参数分析方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
Dixit et al. Image texture analysis-survey
CN110717900B (zh) 基于改进Canny边缘检测算法的受电弓磨耗检测方法
CN109492647A (zh) 一种电网机器人障碍物识别方法
CN110427979A (zh) 基于K-Means聚类算法的道路水坑识别方法
CN110913210A (zh) 一种基于标准数据采集的自动化主观像质评测方法
CN112668725A (zh) 一种基于改进特征的金属洗手盆缺陷目标训练方法
Lee et al. Real-time automatic vehicle management system using vehicle tracking and car plate number identification
CN109377475B (zh) 24色卡视频关键帧自动定位与色差时序变化分析方法
CN105389820A (zh) 一种基于倒谱的红外图像清晰度评价方法
CN114972333A (zh) 基于人工智能的道路裂缝检测方法及系统
CN109272498B (zh) 一种枯叶图图卡视频的实时细节自动分析方法
CN109509168B (zh) 一种针对图像质量客观评测枯叶图的细节自动分析方法
CN108764343B (zh) 一种跟踪算法中的跟踪目标框的定位方法
CN109063774B (zh) 图像追踪效果评价方法、装置、设备及可读存储介质
CN104517127A (zh) 一种基于Bag-of-features模型的自学习行人计数方法及装置
CN113408519A (zh) 一种基于模板旋转匹配的指针仪表读数的方法及系统
WO2022061922A1 (zh) 材料微结构的分析方法和装置
CN112468721A (zh) 一种具有自动调焦功能的视觉采集方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Liao Zhiliang

Inventor after: Tao Liang

Inventor after: Wang Daoning

Inventor after: Zhang Yadong

Inventor after: Guo Baozhu

Inventor before: Guo Baozhu

Inventor before: Wang Daoning

Inventor before: Zhang Yadong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A real-time detail automatic analysis method for withered leaf image card videos

Effective date of registration: 20230726

Granted publication date: 20211123

Pledgee: Dalian Branch of Shanghai Pudong Development Bank Co.,Ltd.

Pledgor: YICHENG GAOKE (DALIAN) TECHNOLOGY Co.,Ltd.

Registration number: Y2023980049989

PE01 Entry into force of the registration of the contract for pledge of patent right