CN109461123B - 一种针对图像质量客观评测点图的几何畸变自动分析方法 - Google Patents
一种针对图像质量客观评测点图的几何畸变自动分析方法 Download PDFInfo
- Publication number
- CN109461123B CN109461123B CN201811000043.4A CN201811000043A CN109461123B CN 109461123 B CN109461123 B CN 109461123B CN 201811000043 A CN201811000043 A CN 201811000043A CN 109461123 B CN109461123 B CN 109461123B
- Authority
- CN
- China
- Prior art keywords
- point
- boundary
- circle
- center
- region
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000005484 gravity Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 3
- 239000000047 product Substances 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000005498 polishing Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种针对图像质量客观评测点图的几何畸变自动分析方法,本方法支持内部残缺点的自动补齐与查找,使整体目标分割过程与点图排序过程形成闭环,达到排序的最优化,增加了畸变分析过程对点图分割结果变化的鲁棒性;考虑到点图图像在拍摄过程中可能会存在边界点残缺的情况,导致排序过程中边界点的位置不准确,本方法采用区域增长的方法,对整体残缺的边界点做统一调整,增加了畸变分析过程对点图边界点残缺程度的鲁棒性。
Description
【技术领域】
本发明涉及客观图像质量评价领域,可用于自动提取分析图像客观评估体系中基于点图图卡的几何畸变相关参数的分析方法。
【背景技术】
对于现在客观图像质量评价体系中,用于几何畸变评测的主要图卡有2种,分别是Checkerboard与点图,本方法仅针对点图图卡中容易出现的检测失误问题做技术修改,因此,不考虑基于Checkerboard的几何畸变分析。点图顾名思义,图卡中除了单色的背景以外,其余的均为半径一致、空间上均匀分布的圆,根据图卡的背景是否为深色,分为黑底白点和白底黑点两种点图图卡。
目前本领域现阶段进行点图畸变参数提取的流程包括:
1)手动或者自动标定待评估区域;
2)基于霍夫变换的点分割;
3)基于栅格模型或者区域增长法的点排序;
4)统计分析光学几何畸变、色彩几何畸变以及SMIA TV几何畸变等不同畸变模型的畸变参数。
以上方式做点图分析除了人工提取区域以外,整体操作流程上方便简单,且只要点位置与排序过程没有问题,得到的结果非常稳定,但缺点是:
1)在点图点数、大小等属性发生较大变化时,基于霍夫变换的点分割结果可能不理想,这与霍夫变换方法的设定参数有关,假如点图过于密集或者分散,则分割结果中很容易出现漏点、噪点(一个点被识别为多个点);
2)当出现残缺、噪点时,做点排序会有明显的排序错误,导致统计分析得到的结果不准确。
【发明内容】
本发明的目的在于克服现有技术的缺陷,提供一种针对图像质量客观评测点图的几何畸变自动分析方法。
一种针对图像质量客观评测点图的几何畸变自动分析方法,包括以下四个步骤:步骤一、自动判别点图图卡类型,确认点图中前景目标的灰度属性
1)、图像做灰度化转换;
2)、对灰度图做基于大津法的二值化处理;
3)、统计非0数值与整体图像像素数的比,若比值大于0.5,则图卡为白底黑点,进行步骤二;
4)、若比值小于等于0.5则为白底黑点,对图像做灰度取反,即每个像素位置的灰度均变为255减去原灰度值,然后进行步骤二;
步骤二、基于条件限制与凸包算法的点图区域自动提取
1)、图像灰度化后做大津法二值化处理,得到含有点图圆区域的蒙板;
2)、对蒙板图做形态学开运算,去除二值化噪声;
3)、计算蒙板图的每个闭合区域的凸包,并计算凸包的有效面积、外接矩形的顶点坐标、重心位置;
4)、统计每个凸包的有效面积大小分布,取面积分布的中值作为正常圆区域的参考面积;
5)、剔除凸包中比参考面积过大或过小的区域,留下的认为均是正常的圆区域;
步骤三、基于中心增长方法的圆重心排序
1)、通过计算每个圆重心与其他圆重心的欧式距离,保留欧式距离的最小值作为当前圆心的实际相邻距离,计算所有圆的相邻距离均值作为理想距离的参考值;
2)、然后评估点在行方向与列方向的个数:取点中心行方向、列方向的最大、最小值ymax,ymin,xmax,xmin,然后计算行、列方向的长度Ly=ymax-ymin,Lx=xmax-xmin,则整体点图在行方向上含有的点数在列方向的点数该点图的真实点数至少为Ny×Nx个,整个点图的中心圆位于第行,第列;
3)、基于中心圆,开始进行先验知识于区域增长结合的迭代:
i.假定待分配的圆重心横坐标xu={x1,x2,x3,...,xNx×Ny},纵坐标yu={y1,y2,y3,...,yNx×Ny},初始化排序后的点矩阵M,M为Ny行Nx的坐标矩阵,初始化坐标为(-1,-1),初始化相邻距离阈值为
ii.将中心圆的位置存放于M矩阵的中心位置,并从xu,yu中剔除中心圆对应坐标;
iii.查找M中坐标非-1的边界点位置,然后依次计算边界点与xu,yu距离最小的点作为新边界的候选点;
iv.依次判断候选点距离是否远高于若是则剔除该点,若否,则判断该点在边界点的位置,然后依据该点与边界点的位置关系,将该点放置于M,并从xu,yu中剔除对应坐标;
v.提取填补后M的有效边界点,分别取最上侧两点与最左侧两点(仅有一点单边界点则通过固定横坐标与纵坐标的方式构建出两点即可),求边界直线交点,然后计算交点与xu,yu的最小距离,然后分类讨论:若距离比大(λ为比例调整阈值,在0~1之间),认为缺失交点,在图像中,计算以交点位置为中心,为半径的圆所在图像的重心,代替该位置的点,放于M中;若距离比小,则将最小距离的重心点放于M中,并从xu,yu中剔除对应坐标,得到左上角的边界点;然后右下角、右上角、左下角的边界点均可以通过该方式做计算,仅需要根据边界点描述调整边界直线即可;
vi.判断xu,yu是否为空集,若是则结束;否则对计算M边界点间的距离,更新继续执行iii。
步骤四、基于区域增长的边界残缺中心调整
1)、遍历M,发现坐标值为(-1,-1)的点即为缺失点,若不存在,则认为结果可信,不进行边界残缺调整,若存在:
vii.该点若在第1行或者第Ny行,则其所在的行中所有有效点均有可能是残缺点计算所得,所在M中相对应行的有效点均需要进一步调整;
viii.该点若在第1列或者第Nx列,则其所在的行中所有有效点均有可能是残缺点计算所得,所在M中相对应列的有效点均需要进一步调整。
2)、通过计算所有检测出的圆区域,可以计算每个区域的半径,以所有半径的中值作为理想区域的半径真实参考值;
3)、提取需要调整的每行或者每列重心坐标,以重心坐标为中心,以半径参考值为半径计算圆的范围,若整体范围超过图像的边界,则以对该区域的蒙板进行补充,直至蒙板大小与参考半径下的面积几乎一致为止,然后计算补充区域的中心作为更新后的值存放到M的相应位置中。
与现有技术相比,本发明取得的有益效果为:
本方法目的是改善现有的图像畸变分析过程,从而提高客观图像质量评价体系中的基于点图图卡的图像畸变分析鲁棒性与准确性。
本方法在点图分析过程中添加了点图类型的自动判定方法,提高了点图畸变分析的自动化程度;
本方法利用固定模式目标分割的方法,代替了现有的基于霍夫变换的圆提取方法,结合形态学处理与图卡属性的先验知识,增加了畸变分析过程对点图属性变化的鲁棒性;
本方法支持内部残缺点的自动补齐与查找,使整体目标分割过程与点图排序过程形成闭环,达到排序的最优化,增加了畸变分析过程对点图分割结果变化的鲁棒性;
考虑到点图图像在拍摄过程中可能会存在边界点残缺的情况,导致排序过程中边界点的位置不准确,本方法采用区域增长的方法,对整体残缺的边界点做统一调整,增加了畸变分析过程对点图边界点残缺程度的鲁棒性。
【附图说明】
附图1为本发明的整体流程框图;
附图2为本发明的基于中心增长方法的圆重心排序方法流程图。
【具体实施方式】
下面将结合实施例对本发明进行进一步详细的说明。
图像的几何畸变大多是由于拍摄镜头固有特性产生的,用镜头拍摄照片时,光学透镜存在固有的透视失真,会降低摄影过程的场景再现程度。几何畸变程度越低,认为该镜头拍摄的图像失真程度越低,图像质量也就越好。由于该种畸变是固定的,与镜头有关的,所以可以采用排列固定模式的图卡来对畸变做量化评估。例如规则点图,在行与列方向上均匀分布的点图经过相机拍摄后,由于存在几何畸变,其均匀性会发生变化,一般从图像中心到边界变化程度逐渐升高,几何畸变参数估计的对象就是固定模式的变化程度,典型的模型有光学畸变模型(Optical Distortion)、Standard Mobile Imaging ArchitectureTV(SMIA TV)Distortion等。
实施例1:
由于本方法第一步是对图片类型的判断,实际运用实施例时图片的格式已知,因此省去步骤一对图片的格式判断,直接从步骤二开始。
假定点图图卡是5行7列共35个点,图卡大小为20cm高,35cm宽,每个点的面积是1cm2。
步骤二、基于条件限制与凸包算法的点图区域自动提取;
1)、对图像做灰度化处理,然后参考文献《Nobuyuki Otsu(1979)."A thresholdselection method from gray-level histograms".IEEE Trans.Sys.,Man.,Cyber.9(1):62–66》做大津法二值化处理,得到含有点图圆区域的蒙板;
2)、对蒙板图做形态学开运算,结构算子可以是Disk类型,大小在5*5以上;
3)、利用经典的区域增长法(Region Growing)计算蒙板图的每个闭合区域的凸包,并计算凸包的有效面积、外接矩形的顶点坐标、重心位置;
4)、将每个凸包的有效面积按照从小到大排序,取面积分布的中值作为正常圆区域的参考面积;
5)、认为大于参考面积一定比例的与小于参考面积一定比例的为干扰区域,剔除凸包中比参考面积过大或过小的区域,留下的认为均是正常的圆区域。步骤三、基于中心增长方法的圆中心排序
1)、首先通过计算每个圆重心与其他圆重心的欧式距离,保留欧式距离的最小值作为当前圆心的实际相邻距离,计算所有圆的相邻距离均值作为理想距离的参考值
2)、然后评估点在行方向与列方向的个数:取点中心行方向、列方向的最大、最小值ymax,ymin,xmax,xmin,然后计算行、列方向的长度Ly=ymax-ymin,Lx=xmax-xmin,则整体点图在行方向上含有的点数在列方向的点数该点图的真实点数至少为Ny×Nx个,整个点图的中心圆位于第行,第列;
3)、基于中心圆,开始进行先验知识于区域增长结合的迭代:
i.假定待分配的圆重心横坐标xu={x1,x2,x3,...,xNx×Ny},纵坐标yu={y1,y2,y3,...,yNx×Ny},初始化排序后的点矩阵M,M为Ny行Nx的坐标矩阵,初始化坐标为(-1,-1),初始化相邻距离阈值为
ii.将中心圆的位置存放于M矩阵的中心位置,并从xu,yu中剔除中心圆对应坐标;
iii.查找M中坐标非-1的边界点位置,然后依次计算边界点与xu,yu距离最小的点作为新边界的候选点;
iv.依次判断候选点距离是否远高于若是则剔除该点,若否,则判断该点在边界点的位置,然后依据该点与边界点的位置关系,将该点放置于M,并从xu,yu中剔除对应坐标;
v.提取填补后M的有效边界点,分别取最上侧两点与最左侧两点(仅有一点单边界点则通过固定横坐标与纵坐标的方式构建出两点即可),求边界直线交点,然后计算交点与xu,yu的最小距离,然后分类讨论:若距离比λr大(λ为比例调整阈值,在0~1之间,比如1.5),认为缺失交点,在图像中,计算以交点位置为中心,为半径的圆所在图像的重心,代替该位置的点,放于M中;若距离比小,则将最小距离的重心点放于M中,并从xu,yu中剔除对应坐标,得到左上角的边界点;然后右下角、右上角、左下角的边界点均可以通过该方式做计算,仅需要根据边界点描述调整边界直线即可;
vi.判断xu,yu是否为空集,若是则结束;否则对计算M边界点间的距离,更新继续执行iii。
步骤四、基于区域增长的边界残缺中心调整
1)、遍历M,发现坐标值为(-1,-1)的点即为缺失点,若不存在,则认为结果可信,不进行边界残缺调整,若存在:
vii.该点若在第1行或者第Ny行,则其所在的行中所有有效点均有可能是残缺点计算所得,所在M中相对应行的有效点均需要进一步调整;
viii.该点若在第1列或者第Nx列,则其所在的行中所有有效点均有可能是残缺点计算所得,所在M中相对应列的有效点均需要进一步调整。
2)、通过计算所有检测出的圆区域,可以计算每个区域的半径,以所有半径的中值作为理想区域的半径真实参考值;
3)、提取需要调整的每行或者每列重心坐标,以重心坐标为中心,以半径参考值为半径计算圆的范围,若整体范围超过图像的边界,则以对该区域的蒙板进行补充,比如原始蒙版的区域有效面积为30,但以参考值为半径计算的面积为100,则将中心位置处的蒙版像素向边界以外方向,做周期延拓2次,然后计算补充区域的中心作为更新后的值存放到M的相应位置中。
本处理方法是在软件中自行完成,处理结果会产生一张图片和对原始图片和处理过程的数据,整个过程有程序完成,实施例中里面没有将参数实体化,这样的描述并不影响本领域技术人员的实施。
以上所述实施方式仅为本发明的优选实施例,而并非本发明可行实施的穷举。对于本领域一般技术人员而言,在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动,都应当被认为包含在本发明的权利要求保护范围之内。
Claims (1)
1.一种针对图像质量客观评测点图的几何畸变自动分析方法,其特征在于:包括以下四个步骤:
步骤一、自动判别点图图卡类型,确认点图中前景目标的灰度属性
1)、图像做灰度化转换;
2)、对灰度图做基于大津法的二值化处理;
3)、统计非0数值与整体图像像素数的比,若比值大于0.5,则图卡为白底黑点,进行步骤二;
4)、若比值小于等于0.5则为黑底白点,对图像做灰度取反,即每个像素位置的灰度均变为255减去原灰度值,然后进行步骤二;
步骤二、基于条件限制与凸包算法的点图区域自动提取
1)、图像灰度化后做大津法二值化处理,得到含有点图圆区域的蒙板;
2)、对蒙板图做形态学开运算,去除二值化噪声;
3)、计算蒙板图的每个闭合区域的凸包,并计算凸包的有效面积、外接矩形的顶点坐标、重心位置;
4)、统计每个凸包的有效面积大小分布,取面积分布的中值作为正常圆区域的参考面积;
5)、剔除凸包中比参考面积过大或过小的区域,留下的认为均是正常的圆区域;
步骤三、基于中心增长方法的圆重心排序
1)、通过计算每个圆重心与其他圆重心的欧式距离,保留欧式距离的最小值作为当前圆心的实际相邻距离,计算所有圆的相邻距离均值作为理想距离的参考值
2)、然后评估点在行方向与列方向的个数:取点中心行方向、列方向的最大、最小值ymax,ymin,xmax,xmin,然后计算行、列方向的长度Ly=ymax-ymin,Lx=xmax-xmin,则整体点图在行方向上含有的点数在列方向的点数该点图的真实点数至少为Ny×Nx个,整个点图的中心圆位于第行,第列;
3)、基于中心圆,开始进行先验知识于区域增长结合的迭代:
i.假定待分配的圆重心横坐标xu={x1,x2,x3,...,xNx×Ny},纵坐标yu={y1,y2,y3,...,yNx×Ny},初始化排序后的点矩阵M,M为Ny行Nx列的坐标矩阵,初始化坐标为(-1,-1),初始化相邻距离阈值为
ii.将中心圆的位置存放于M矩阵的中心位置,并从xu,yu中剔除中心圆对应坐标;
iii.查找M中坐标非-1的边界点位置,然后依次计算边界点与xu,yu距离最小的点作为新边界的候选点;
iv.依次判断候选点距离是否远高于若是则剔除该点,若否,则判断该点在边界点的位置,然后依据该点与边界点的位置关系,将该点放置于M,并从xu,yu中剔除对应坐标;
v.提取填补后M的有效边界点,分别取最上侧两点与最左侧两点,求边界直线交点,然后计算交点与xu,yu的最小距离,然后分类讨论:若距离比大,认为缺失交点,在图像中,计算以交点位置为中心,为半径的圆所在图像的重心,代替该位置的点,放于M中;若距离比小,则将最小距离的重心点放于M中,并从xu,yu中剔除对应坐标,得到左上角的边界点;然后右下角、右上角、左下角的边界点均可以通过该方式做计算,仅需要根据边界点描述调整边界直线即可;
vi.判断xu,yu是否为空集,若是则结束;否则对计算M边界点间的距离,更新继续执行iii;
步骤四、基于区域增长的边界残缺中心调整
1)、遍历M,发现坐标值为(-1,-1)的点即为缺失点,若不存在,
则认为结果可信,不进行边界残缺调整,若存在:
vii.该点若在第1行或者第Ny行,则其所在的行中所有有效点均有可能是残缺点计算所得,所在M中相对应行的有效点均需要进一步调整;
viii.该点若在第1列或者第Nx列,则其所在的列中所有有效点均有可能是残缺点计算所得,所在M中相对应列的有效点均需要进一步调整;
2)、通过计算所有检测出的圆区域,可以计算每个区域的半径,以所有半径的中值作为理想区域的半径真实参考值;
3)、提取需要调整的每行或者每列重心坐标,以重心坐标为中心,以半径参考值为半径计算圆的范围,若整体范围超过图像的边界,则以对该区域的蒙板进行补充,直至蒙板大小与参考半径下的面积几乎一致为止,然后计算补充区域的中心作为更新后的值存放到M的相应位置中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000043.4A CN109461123B (zh) | 2018-08-30 | 2018-08-30 | 一种针对图像质量客观评测点图的几何畸变自动分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000043.4A CN109461123B (zh) | 2018-08-30 | 2018-08-30 | 一种针对图像质量客观评测点图的几何畸变自动分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109461123A CN109461123A (zh) | 2019-03-12 |
CN109461123B true CN109461123B (zh) | 2019-06-14 |
Family
ID=65606435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811000043.4A Active CN109461123B (zh) | 2018-08-30 | 2018-08-30 | 一种针对图像质量客观评测点图的几何畸变自动分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461123B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202467B (zh) * | 2020-09-16 | 2023-01-31 | 中国船舶重工集团公司第七六0研究所 | 一种水中低信噪比图像中标准月牙形残缺气泡修补方法 |
CN113920065B (zh) * | 2021-09-18 | 2023-04-28 | 天津大学 | 用于工业现场的视觉检测系统成像质量评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127926A (zh) * | 2007-09-14 | 2008-02-20 | 西安电子科技大学 | 基于多尺度几何分析的图像质量评测方法 |
CN101370154A (zh) * | 2008-10-15 | 2009-02-18 | 北京中星微电子有限公司 | 一种图像质量的评测方法及装置 |
CN101389045A (zh) * | 2008-10-23 | 2009-03-18 | 北京中星微电子有限公司 | 一种图像质量的评测方法及装置 |
CN101562675A (zh) * | 2008-11-25 | 2009-10-21 | 西安电子科技大学 | 基于Contourlet变换的无参考型图像质量评测方法 |
CN101610425A (zh) * | 2009-07-29 | 2009-12-23 | 清华大学 | 一种评测立体图像质量的方法和装置 |
CN102208029A (zh) * | 2011-05-31 | 2011-10-05 | 中国资源卫星应用中心 | 遥感产品几何偏差评测的一种要素分解组合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5970907B2 (ja) * | 2012-03-28 | 2016-08-17 | セイコーエプソン株式会社 | 印刷装置および画像表示方法 |
-
2018
- 2018-08-30 CN CN201811000043.4A patent/CN109461123B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127926A (zh) * | 2007-09-14 | 2008-02-20 | 西安电子科技大学 | 基于多尺度几何分析的图像质量评测方法 |
CN101370154A (zh) * | 2008-10-15 | 2009-02-18 | 北京中星微电子有限公司 | 一种图像质量的评测方法及装置 |
CN101389045A (zh) * | 2008-10-23 | 2009-03-18 | 北京中星微电子有限公司 | 一种图像质量的评测方法及装置 |
CN101562675A (zh) * | 2008-11-25 | 2009-10-21 | 西安电子科技大学 | 基于Contourlet变换的无参考型图像质量评测方法 |
CN101610425A (zh) * | 2009-07-29 | 2009-12-23 | 清华大学 | 一种评测立体图像质量的方法和装置 |
CN102208029A (zh) * | 2011-05-31 | 2011-10-05 | 中国资源卫星应用中心 | 遥感产品几何偏差评测的一种要素分解组合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109461123A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
US6768509B1 (en) | Method and apparatus for determining points of interest on an image of a camera calibration object | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN106951870B (zh) | 主动视觉注意的监控视频显著事件智能检测预警方法 | |
CN113592911B (zh) | 表观增强深度目标跟踪方法 | |
CN109829906A (zh) | 一种基于方向场与纹理特征的工件缺陷检测与分类方法 | |
CN110263660A (zh) | 一种自适应场景变化的交通目标检测识别方法 | |
JP2010220197A (ja) | 画像におけるシャドーの検知装置および検知方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN109035254A (zh) | 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法 | |
CN113449606B (zh) | 一种目标对象识别方法、装置、计算机设备及存储介质 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
CN109461123B (zh) | 一种针对图像质量客观评测点图的几何畸变自动分析方法 | |
CN109711268A (zh) | 一种人脸图像筛选方法及设备 | |
CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
CN109035196A (zh) | 基于显著性的图像局部模糊检测方法 | |
CN112508857A (zh) | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 | |
CN116229205A (zh) | 基于小样本特征迁移的口红产品表面缺陷数据增广方法 | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN108537815A (zh) | 一种视频图像前景分割方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information | ||
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: Dong Bo Inventor before: Dong Bo Inventor before: Wang Daoning Inventor before: Zhang Yadong |