CN109523537A - 一种基于图像处理的非定常空化流动结构精细化分析方法 - Google Patents
一种基于图像处理的非定常空化流动结构精细化分析方法 Download PDFInfo
- Publication number
- CN109523537A CN109523537A CN201811382993.8A CN201811382993A CN109523537A CN 109523537 A CN109523537 A CN 109523537A CN 201811382993 A CN201811382993 A CN 201811382993A CN 109523537 A CN109523537 A CN 109523537A
- Authority
- CN
- China
- Prior art keywords
- gray
- void
- vacuole
- unsteady
- space
- 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
- 238000003696 structure analysis method Methods 0.000 title claims abstract description 10
- 239000011800 void material Substances 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 39
- 210000003934 vacuole Anatomy 0.000 claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 5
- 230000010429 evolutionary process Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000035939 shock Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000011835 investigation Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012800 visualization 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
- 238000007405 data analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005501 phase interface Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的非定常空化流动结构精细化分析方法，该方法首先对原始彩色图片进行灰度化预处理，其次基于灰度化图像进行非定常空穴结构演化，然后进行特定空穴结构提取，再进行空泡参数提取；最后将先前的数据输入后处理软件分别得到灰度图、灰度平均时空演化图、灰度方差时空演化图、空穴结构形貌、尺寸及演化图和空泡尺寸分布图。本发明能够实现空穴结构的精细化分析，为空化流场结构的深入研究提供技术支持。
Description
技术领域
本发明涉及一种基于图像处理的非定常空化流动结构精细化分析方法，属于高速水动力学和图像处理技术领域。
背景技术
空化流动包含了空泡的发生、发展、断裂、脱落等非定常过程，空化流场中包含了不同尺度蒸汽空泡、空泡团、蒸汽空腔、空泡漩涡、空泡涡丝等流动结构，流场十分复杂。由于空化涉及到多相流、非定常、湍流、可压缩、相变等物理因素，流动十分复杂，其流场结构的精细化测量面临诸多挑战，目前，基于光学的空化流动可视化是深入复杂空化流场结构及其演化规律的重要手段之一。
在多模态非定常空化流动的试验研究中，快速、准确地提取空泡的轮廓、多相界面边界、空泡面积、空泡波动周期、空泡发展速度等多种流场特征参数的定量信息是空穴结构精细化分析的关键技术。高速全流场显示技术与图像处理技术相结合的技术是一种非接触式测量技术，能够有效获取空化区域的水汽边界面，为深入分析空穴内部的气相流动奠定基础。空化实验中往往产生大量的试验图片，数据分析过程中往往需要快速、有效地对所采集的图像进行分析，目前，在空化图像处理中，通常采用商业软件，如Matlab，Photoshop等提取一些定性信息，如空泡轮廓，空泡面积等，这些方法存在：1，没有针对空化流场的特点进行处理；2，无法提取精细化流场结构的问题，因此，亟需开发针对空化流场特点及其精细化流场结构提取的图像处理方法。
发明内容
有鉴于此，本发明提供了一种基于图像处理的非定常空化流动结构精细化分析方法，能够实现空穴结构的精细化分析，为空化流场结构的深入研究提供技术支持。
一种基于图像处理的非定常空化流动结构精细化分析方法，该方法的实现步骤如下：
步骤一：对原始彩色图片进行灰度化预处理；
步骤二：基于灰度化图像进行非定常空穴结构演化；
步骤三：进行特定空穴结构提取；
步骤四：进行空泡参数提取；
步骤五：将步骤一至四的数据输入后处理软件分别得到灰度图、灰度平均时空演化图、灰度方差时空演化图、空穴结构形貌、尺寸及演化图和空泡尺寸分布图。
进一步地，所述步骤一的灰度预处理过程是：在灰度处理环节，采用RGB/BW转化公式进行灰度化，VGray＝0.299Vred+0.587VGreen+0.114VBlue，得到灰度图片Igray，去噪环节包括采用滤波方法去除空穴区域以外背景噪声以及图片处理过程中产生的噪声；在灰度图像中，每一个像素点位置具有一个灰度值G(x,y)，其范围为0-255(0-黑色，255-白色)，每一个灰度图片可代表一个像素矩阵，存储像素信息供后续处理；最终，得到灰度矩阵，
进一步地，所述步骤二中非定常空穴结构演化的过程是：基于得到的灰度图像，对灰度图像进行沿高度方向的空间平均及空间方差处理，得到灰度平均线和灰度方差线，从而将二维数据降为一维数据；
灰度矩阵沿高度方向的平均值定义为
其中，Nypixel是沿高度方向像素点的个数；
灰度矩阵沿高度方向灰度方差定义为：
最终，将不同时刻灰度平均线叠加得到平均线的时空演化图，将不同时刻灰度方差线叠加得到方差线的时空演化图，基于时空演化图得到空穴结构演化过程；如附着型空穴生长，不同空泡云团脱落，回射流结构推进，激波结构推进等非定常空穴结构演化数据。
进一步地，所述步骤三中特定空穴结构尺寸信息提取的过程是：通过步骤二的时空演化图提取不同空穴结构的时空分布信息，为定量提取不同空穴结构的形貌、尺寸及演化信息，对步骤一的灰度图片进行填充处理；对填充处理后的图片基于连通方法进行空穴结构识别，得到空穴结构标记及其像素、位置数据并存储，通过边界检测，获得不同空穴结构边界，进一步采用边界拟合方法，得到空穴结构的特征几何尺寸。
进一步地，所述步骤四中空泡参数提取的过程是：根据步骤一的灰度图、步骤二的不同空穴结构的时空演化图以及步骤三中得到的不同空穴结构形貌、尺寸及演化信息，为进一步提取精细化空穴结构，进行空泡参数提取；由于高含气率区域空泡界面复杂，对空泡界面清晰的低含气率区域进行处理；为使空泡界面清晰，首先采用灰度拉伸方法增强步骤一的灰度图中汽泡与背景之间的对比度，然后利用步骤三中连通方法进行汽泡结构识别，并存储各汽泡像素信息；采用圆球假设，得到各汽泡有效半径，进而得到空泡尺寸分布数据并存储；基于得到的汽泡像素数据，通过相邻图片的相关分析，得到汽泡在相邻图片中运动距离(Δx)，由相邻图片的时间(Δt)得到汽泡运动速度u(u＝Δx/Δt)，基于空泡占据的时间比，估计气体体积分数α，假设蒸汽相和水相均为饱和状态，依据Wallis声速公式得到声速分布c，进而得到马赫数Ma＝u/c，获得空泡内部介质流动参数。
有益效果：
1、本发明的分析方法可实现从宏观整体演化到微观蒸汽空泡不同尺度空穴结构的定量化精细测量。
2、本发明的分析方法能够获得特定空穴结构形貌及尺寸，并可对其演化过程进行分析。基于对附着型空穴结构和脱落型空穴结构的定量分析，可以获得复杂空穴脱落过程中空化的生长速率和溃灭速率，为空化模型的建立提供参考。
3、本发明的分析方法相比现有技术不仅可以实现对宏观空穴面积、空泡轮廓等信息的提取，更重要的是可以对不同尺度空泡结构演化及其溃灭过程的定量分析，并且可以得到不同空穴结构内空泡尺寸分布及演化信息，为非定常空化流场结构演化的定量分析提供依据。
附图说明
图1为本发明实现的步骤流程图；
图2为非定常空穴结构演化的过程示意图；
图3为特定空穴结构尺寸信息提取过程示意图；
图4为空泡参数提取过程示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
如附图1所示，本发明提供了一种基于图像处理的非定常空化流动结构精细化分析方法，
步骤一：图片预处理
该图像处理方法基于灰度图像进行空穴结构分析，在图片预处理阶段，需要将原始彩色图像转换为灰度图像，即彩色图片-灰度图-去噪。为最大程度保存图片亮度信息并减少数据量，在灰度处理环节，采用RGB/BW转化公式进行灰度化，VGray＝0.299Vred+0.587VGreen+0.114VBlue，得到灰度图片Igray，去噪环节包括采用滤波方法去除空穴区域以外背景噪声以及图片处理过程中产生的噪声；在灰度图像中，每一个像素点位置具有一个灰度值G(x,y)，其范围为0-255(0-黑色，255-白色)，每一个灰度图片可代表一个像素矩阵，存储像素信息供后续处理；最终，得到灰度矩阵，
步骤二：非定常空穴结构演化
如附图2所示，考虑到高度方向的空化状态具有相似性，基于得到的灰度图像，对灰度图像进行沿高度方向的空间平均及空间方差处理，得到灰度平均线和灰度方差线，从而将二维数据降为一维数据。
灰度矩阵沿高度方向的平均值定义为
其中，Nypixel是沿高度方向像素点的个数，由于关注的是整体空穴演化特点，因此，沿高度方向灰度波动可以忽略。
灰度矩阵沿高度方向灰度方差定义为：
最终，将不同时刻灰度平均线叠加得到平均线的时空演化图，将不同时刻灰度方差线叠加可以得到方差线的时空演化图。基于时空演化图，可以得到空穴结构演化过程，如附着型空穴生长，不同空泡云团脱落，回射流结构推进，激波结构推进等非定常空穴结构演化数据。
步骤三：特定空穴结构提取
如附图3所示，通过步骤二的时空演化图提取该空穴结构的时空分布信息，为定量提取不同空穴结构的形貌、尺寸及演化信息，对步骤一的灰度图片进行填充处理；对填充处理后的图片基于连通方法进行空穴结构识别，得到空穴结构标记及其像素、位置数据并存储，通过边界检测，获得不同空穴结构边界，进一步采用边界拟合方法，得到空穴结构的特征几何尺寸。
步骤四：空泡参数提取
如附图4所示，根据步骤一的灰度图、步骤二的不同空穴结构的时空演化图以及步骤三中得到的不同空穴结构形貌、尺寸及演化信息，为进一步提取精细化空穴结构，进行空泡参数提取；由于高含气率区域空泡界面复杂，对空泡界面清晰的低含气率区域进行处理；为使空泡界面清晰，首先采用灰度拉伸方法增强步骤一的灰度图中汽泡与背景之间的对比度，然后利用步骤三中连通方法进行汽泡结构识别，并存储各汽泡像素信息；采用圆球假设，得到各汽泡有效半径，进而得到空泡尺寸分布数据并存储；基于得到的汽泡像素数据，通过相邻图片的相关分析，得到汽泡在相邻图片中运动距离(Δx)，由相邻图片的时间(Δt)得到汽泡运动速度u(u＝Δx/Δt)，基于空泡占据的时间比，估计气体体积分数α，假设蒸汽相和水相均为饱和状态，依据Wallis声速公式得到声速分布c，进而得到马赫数Ma＝u/c，获得空泡内部介质流动参数。
步骤五：后处理
将步骤一、二、三和四中的数据输入后处理软件分别得到灰度图、灰度平均时空演化图、灰度方差时空演化图、空穴结构形貌、尺寸及演化图、空泡尺寸分布图。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于图像处理的非定常空化流动结构精细化分析方法，其特征在于，该方法的实现步骤如下：
步骤一：对原始彩色图片进行灰度化预处理；
步骤二：基于灰度化图像进行非定常空穴结构演化；
步骤三：进行特定空穴结构提取；
步骤四：进行空泡参数提取；
步骤五：将步骤一至四的数据输入后处理软件分别得到灰度图、灰度平均时空演化图、灰度方差时空演化图、空穴结构形貌、尺寸及演化图和空泡尺寸分布图。
2.如权利要求1所述的非定常空化流动结构精细化分析方法，其特征在于，所述步骤一的灰度预处理过程是：在灰度处理环节，采用RGB/BW转化公式进行灰度化，VGray＝0.299Vred+0.587VGreen+0.114VBlue，得到灰度图片Igray，去噪环节包括采用滤波方法去除空穴区域以外背景噪声以及图片处理过程中产生的噪声；在灰度图像中，每一个像素点位置具有一个灰度值G(x,y)，其范围为0-255(0-黑色，255-白色)，每一个灰度图片可代表一个像素矩阵，存储像素信息供后续处理；最终，得到灰度矩阵，
。
3.如权利要求1或2所述的非定常空化流动结构精细化分析方法，其特征在于，所述步骤二中非定常空穴结构演化的过程是：基于得到的灰度图像，对灰度图像进行沿高度方向的空间平均及空间方差处理，得到灰度平均线和灰度方差线，从而将二维数据降为一维数据；
灰度矩阵沿高度方向的平均值定义为
其中，Nypixel是沿高度方向像素点的个数；
灰度矩阵沿高度方向灰度方差定义为：
最终，将不同时刻灰度平均线叠加得到平均线的时空演化图，将不同时刻灰度方差线叠加得到方差线的时空演化图，基于时空演化图得到空穴结构演化过程；如附着型空穴生长，不同空泡云团脱落，回射流结构推进，激波结构推进等非定常空穴结构演化数据。
4.如权利要求3所述的非定常空化流动结构精细化分析方法，其特征在于，所述步骤三中特定空穴结构提取的过程是：通过步骤二的时空演化图提取不同空穴结构的时空分布信息，为定量提取不同空穴结构的形貌、尺寸及演化信息，对步骤一的灰度图片进行填充处理；对填充处理后的图片基于连通方法进行空穴结构识别，得到空穴结构标记及其像素、位置数据并存储，通过边界检测，获得不同空穴结构边界，进一步采用边界拟合方法，得到空穴结构的特征几何尺寸。
5.如权利要求4所述的非定常空化流动结构精细化分析方法，其特征在于，所述步骤四中空泡参数提取的过程是：根据步骤一的灰度图、步骤二的不同空穴结构的时空演化图以及步骤三中得到的不同空穴结构形貌、尺寸及演化信息，为进一步提取精细化空穴结构，进行空泡参数提取；由于高含气率区域空泡界面复杂，对空泡界面清晰的低含气率区域进行处理；为使空泡界面清晰，首先采用灰度拉伸方法增强步骤一的灰度图中汽泡与背景之间的对比度，然后利用步骤三中连通方法进行汽泡结构识别，并存储各汽泡像素信息；采用圆球假设，得到各汽泡有效半径，进而得到空泡尺寸分布数据并存储；基于得到的汽泡像素数据，通过相邻图片的相关分析，得到汽泡在相邻图片中运动距离(Δx)，由相邻图片的时间(Δt)得到汽泡运动速度u(u＝Δx/Δt)，基于空泡占据的时间比，估计气体体积分数α，假设蒸汽相和水相均为饱和状态，依据Wallis声速公式得到声速分布c，进而得到马赫数Ma＝u/c，获得空泡内部介质流动参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811382993.8A CN109523537B (zh) | 2018-11-20 | 2018-11-20 | 一种基于图像处理的非定常空化流动结构精细化分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811382993.8A CN109523537B (zh) | 2018-11-20 | 2018-11-20 | 一种基于图像处理的非定常空化流动结构精细化分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109523537A true CN109523537A (zh) | 2019-03-26 |
| CN109523537B CN109523537B (zh) | 2022-12-09 |
Family
ID=65776697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811382993.8A Active CN109523537B (zh) | 2018-11-20 | 2018-11-20 | 一种基于图像处理的非定常空化流动结构精细化分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523537B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931431A (zh) * | 2020-07-23 | 2020-11-13 | 中国农业大学 | 一种激波波阵面位置的确定方法及装置 |
| CN111964869A (zh) * | 2020-07-28 | 2020-11-20 | 江苏大学 | 一种流体介质的射流三维形貌测试装置及其测试方法 |
| CN114813037A (zh) * | 2022-04-21 | 2022-07-29 | 中国船舶科学研究中心 | 一种空化流动结构频率分布特征分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170011508A1 (en) * | 2014-12-27 | 2017-01-12 | Xi'an Jiaotong University | Three-dimensional cavitation quantitative imaging method for microsecond-resolution cavitation spatial-temporal distribution |
| CN107367371A (zh) * | 2017-07-14 | 2017-11-21 | 北京机电工程研究所 | 非定常空化流场可视化试验数据处理方法 |
| CN107907296A (zh) * | 2017-10-27 | 2018-04-13 | 清华大学 | 水洞实验用非定常空化流激振动多场同步测量系统 |
-
2018
- 2018-11-20 CN CN201811382993.8A patent/CN109523537B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170011508A1 (en) * | 2014-12-27 | 2017-01-12 | Xi'an Jiaotong University | Three-dimensional cavitation quantitative imaging method for microsecond-resolution cavitation spatial-temporal distribution |
| CN107367371A (zh) * | 2017-07-14 | 2017-11-21 | 北京机电工程研究所 | 非定常空化流场可视化试验数据处理方法 |
| CN107907296A (zh) * | 2017-10-27 | 2018-04-13 | 清华大学 | 水洞实验用非定常空化流激振动多场同步测量系统 |
Non-Patent Citations (4)
| Title |
|---|
| GUANGHAOCHEN 等: "Combined experimental and computational investigation of cavitation evolution and excited pressure fluctuation in a convergent–divergent channel", 《INTERNATIONAL JOURNAL OF MULTIPHASE FLOW》 * |
| 王畅畅等: "空化可压缩流动空穴溃灭激波特性研究", 《力学学报》 * |
| 马林涛等: "基于Matlab程序的图像灰度均衡化及其边缘检测", 《广西师范学院学报(自然科学版)》 * |
| 黄彪等: "非定常空化流动研究现状与进展", 《排灌机械工程学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931431A (zh) * | 2020-07-23 | 2020-11-13 | 中国农业大学 | 一种激波波阵面位置的确定方法及装置 |
| CN111931431B (zh) * | 2020-07-23 | 2023-06-16 | 中国农业大学 | 一种激波波阵面位置的确定方法及装置 |
| CN111964869A (zh) * | 2020-07-28 | 2020-11-20 | 江苏大学 | 一种流体介质的射流三维形貌测试装置及其测试方法 |
| CN114813037A (zh) * | 2022-04-21 | 2022-07-29 | 中国船舶科学研究中心 | 一种空化流动结构频率分布特征分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109523537B (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
| CN110120020A (zh) | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 | |
| CN109800754A (zh) | 一种基于卷积神经网络的古字体分类方法 | |
| CN109523537A (zh) | 一种基于图像处理的非定常空化流动结构精细化分析方法 | |
| CN102117482B (zh) | 结合结构信息的非局部均值图像去噪方法 | |
| CN107742099A (zh) | 一种基于全卷积网络的人群密度估计、人数统计的方法 | |
| CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
| CN106780498A (zh) | 基于逐像素点深度卷积网络上皮和基质组织自动分割方法 | |
| CN108830877A (zh) | 岩心体视显微图像定量描述方法 | |
| CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
| CN110675411A (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
| CN101551853A (zh) | 复杂静态彩色背景下的人耳检测方法 | |
| CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
| CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
| CN108399430B (zh) | 一种基于超像素和随机森林的sar图像舰船目标检测方法 | |
| CN109671070A (zh) | 一种基于特征加权和特征相关性融合的目标检测方法 | |
| Peng et al. | PSMD-Net: A novel pan-sharpening method based on a multiscale dense network | |
| CN109034012A (zh) | 基于动态图像和视频子序列的第一人称视角手势识别方法 | |
| CN108399625A (zh) | 一种基于深度卷积生成对抗网络的sar图像定向生成方法 | |
| CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
| CN108596952A (zh) | 基于候选区域筛选的快速深度学习遥感图像目标检测方法 | |
| CN109544694A (zh) | 一种基于深度学习的增强现实系统虚实混合建模方法 | |
| CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
| CN109472790A (zh) | 一种机械零件缺陷检测方法及系统 | |
| Liu et al. | Image edge recognition of virtual reality scene based on multi-operator dynamic weight detection |
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 |