CN109559324A - 一种线阵图像中的目标轮廓检测方法 - Google Patents
一种线阵图像中的目标轮廓检测方法 Download PDFInfo
- Publication number
- CN109559324A CN109559324A CN201811399769.XA CN201811399769A CN109559324A CN 109559324 A CN109559324 A CN 109559324A CN 201811399769 A CN201811399769 A CN 201811399769A CN 109559324 A CN109559324 A CN 109559324A
- Authority
- CN
- China
- Prior art keywords
- image
- linear array
- contour detection
- target
- objective contour
- 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
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Abstract
本发明提供了一种线阵图像中的目标轮廓检测方法,能够有效提高图像处理效率和精度。本发明提出了一种线阵图像中的目标轮廓检测方法,采用基于压缩的图像预处理方法,利用图像块的对比度进行压缩,提高了图像数据效率。在获得潜在目标位置后,进行图像局部分析,利用相机的高分辨率特性,有效提高图像处理精度。本发明方法在压缩中充分利用原始图像像素的灰度信息,计算得到图像对比度,有效提高图像处理效率和精度。本发明在目标轮廓检测中,还利用基于形状聚类的多目标毗连分割方法以及假目标剔除策略,以最大化识别全部目标,降低后续的多靶面多目标信息匹配难度,实现对线阵图像中弱小多目标的轮廓分割处理。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种线阵图像中的目标轮廓检测方法。
背景技术
当前,在图像处理中因为线阵相机曝光时间短,灵敏度高,帧率大,单方向分辨率高等特点,广泛的应用于对高速目标进行飞越检测和双目视觉定位中。目前对弱小多目标检测的方式有:Top-Hat变换、空间匹配滤波、帧间差分法和Max-mean滤波方法等。其中,空间匹配滤波和Max-mean滤波方法针对帧频大数据量的图像处理效率较低;Top-Hat变换和帧间差分由于运算量小速度最快,但是当目标与背景灰度差较小,即目标信噪比较低时,由于空气抖动,列像素之间相互影响,Top-Hat变换和帧间差分法会引入较多的噪音。并且现有的图像压缩多采用稀疏编码做压缩,容易丢失小目标。
因此,现有的对于线阵图像的处理算法对于大数据量的图像流目标处理能力有限,尤其在帧率较大的情况下,处理效率较低,目标识别准确度差并且可能造成系统虚警。当虚警概率增大时,不能有效排除假目标,测量数据的可信度下降,同时也给后续的图像信息融合带来困难。
发明内容
有鉴于此,本发明提出了一种线阵图像中的目标轮廓检测方法,能够有效提高图像处理效率和精度。
为实现上述目的,本发明提供了一种线阵图像中的目标轮廓检测方法,包括如下步骤:
步骤1,采用滑窗对原始图像进行压缩处理,得到压缩后的图像;
其中压缩方式为:以滑窗内的图像为中心图像块,计算该中心图像块与周围邻域图像块的图像对比度,得到中心图像块的对比度;遍历整幅图像,得到各中心图像块的对比度,用各对比度代替对应中心图像块的图像灰度值,完成原始图像压缩;其中周围邻域图像块尺寸与滑窗尺寸一致,滑窗步长为窗口长度的一半;
步骤2,首先基于压缩后的图像计算潜在目标位置;
然后在计算出的潜在目标位置范围内,采用“视觉放大器”原理对压缩后的图像进行目标轮廓检测。
其中,所述步骤1中,基于图像灰度值计算图像对比度。
其中,所述图像对比度计算方式为:
首先进行滑窗操作,获得滑窗下图像块的图像灰度均值,遍历整幅图像,得到各个图像块的图像灰度均值;
再次进行滑窗操作,根据滑窗下图像块的图像灰度最大值与其邻域图像块的图像灰度均值进行图像对比度计算,得到该中心图像块的对比度。
其中,所述步骤2中,将步骤1生成的压缩后的图像进行二值化处理,求出潜在目标位置。
其中,基于自适应阈值进行二值化处理,所述自适应阈值为:
T(x,y)=m(x,y)+k·σ(x,y) (6)
式中,(x,y)为图像像素点坐标,m(x,y)为点(x,y)邻域范围内图像灰度平均值,σ(x,y)为点(x,y)邻域范围内图像灰度标准差,k选取范围为10~15。
其中,所述步骤2中的目标轮廓检测中,若存在多目标毗连,则采用以下方式进行毗连分割:
判断有无相邻完整边缘线:
(a),有就根据该相邻完整边缘线补全平行四边形,完成目标分割;
(b),没有就把不完整边缘线延长至第一个相交的轮廓线或延长线,将在补全后的边缘线中判断有无相邻完整边缘线,有就根据该相邻完整边缘线补全平行四边形,完成目标分割,没有就重复执行步骤(b),直至完成所有目标分割;
其中所述完整边缘线为其两条邻边朝向同一方向延伸;不完整边缘线为其两条邻边朝向不同方向延伸。
其中,完成所有目标分割后,对分割后的图像进行亚像素边缘提取、亚像素目标质心提取以及假目标甄别,实现识别定位。
其中,所述边缘提取方式为:系统性地扫描图像直到遇到连通区域的一个点,以该点为起始点,跟踪该连通区域的轮廓,标记边界上的像素,当轮廓完整闭合,完成一次轮廓提取,扫描回到上一个位置,直到再次发现新的连通区域。
其中,在对原始图像压缩处理前将图像灰度反转,然后再进行压缩处理。
有益效果:
本发明提出了一种线阵图像中的目标轮廓检测方法,采用基于压缩的图像预处理方法,利用图像块的对比度进行压缩,提高了图像数据效率。在获得潜在目标位置后,进行图像局部分析,利用相机的高分辨率特性,有效提高图像处理精度。
本发明方法在压缩中充分利用原始图像像素的灰度信息,计算得到图像对比度,有效提高图像处理效率和精度。
本发明在目标轮廓检测中,还利用基于形状聚类的多目标毗连分割方法以及假目标剔除策略,以最大化识别全部目标,降低后续的多靶面多目标信息匹配难度,实现对线阵图像中弱小多目标的轮廓分割处理。
附图说明
图1是本发明压缩图像第二次滑窗的对比度处理。
图2是本发明完整边缘和不完整边缘定义示意图。
图3是本发明目标毗连分割示意图。
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。
本发明的一种线阵图像中的目标轮廓检测方法,包括如下步骤:
步骤1,采用滑窗对原始图像进行压缩处理,得到压缩后的图像;
由于目标从有效靶面的不同位置越过靶面,其成像大小(行方向)和成像帧数(列方向)不一致,但是采集的线阵图像拼接后,单个目标的总成像像素个数满足下式:
式中f为光学系统主距,l为目标越靶位置离相机距离,M为相机的积分级数,Δμ为像元尺寸,lt、k、v分别为目标的长度、口径以及飞行速度,F为相机采集帧频。因此,靶面尺寸等参数确定后,目标成像总像素个数在一定的区间范围内。TDI-CCD相机的数据输出量非常大,并且有随机高频噪声点,为此将原始图像分块压缩处理。采用滑窗对原始图像进行处理,处理结果要求不丢失真实目标信息,窗口大小为n×n,其中式中pmean为目标成像像素个数统计的平均值,even(*)为某个数最接近的偶数,滑窗的步长为n/2。
其中压缩方式为:以滑窗内的图像为中心图像块,计算该中心图像块与周围邻域图像块的图像对比度,将计算得到的对比度存放在缓存区相应的位置上,得到中心图像块的对比度;遍历整幅图像,得到各中心图像块的对比度,用各对比度代替对应中心图像块的图像灰度值,完成原始图像压缩;其中周围邻域图像块尺寸与滑窗尺寸一致。在图像压缩化过程中,图像的高频噪声点将被湮灭掉。
可以采用以下方式实现压缩:
首先进行滑窗操作,获得滑窗下图像块的图像灰度均值,遍历整幅图像,得到各个图像块的图像灰度均值;再次进行滑窗操作,根据滑窗下图像块的图像灰度最大值与其邻域图像块的图像灰度均值进行图像对比度计算,将计算得到的对比度代替该滑窗下图像块的图像灰度值,遍历整幅图像,完成原始线阵图像压缩。具体步骤为:
在滑窗经过的每一个位置,将滑窗内图像块所包含的像素的平均值作为新图像的像素值,得到新生成的图像;
其中第i个滑窗内图像块所包含的像素平均值的计算公式为:
式中,表示第i个滑窗内图像块所包含的第j个像素灰度值,j的取值为1至n2,i的取值为1至[(2H-n+1)/(n+1)]×[(2W-n+1)/(n+1)],其中H为图像高度,W为图像宽度;
对新生成的图像再进行一次滑窗处理,并用对比度值代替中心像素,得到压缩图像的对比度图。其中,第i个滑窗内图像块的图像对比度为:
式中Li为第i个滑窗内图像块所包含的最大像素灰度值,为第i个滑窗内图像块的8邻域图像块分别所包含的像素平均值,即有8个取值,Ci为取最大值时得到。
可以在图像预处理前将图像灰度反转,使得目标比图像背景亮。
原始图像经压缩后,目标得到增强和背景得到抑制,原因如下:当滑窗内图像块所包含的最大像素灰度值Li位于目标处以及背景处,设为目标图像灰度,为背景图像灰度,由于所以对比度对比度可见,目标得到了增强,背景得到了抑制。
步骤2,首先基于压缩后的图像选出潜在目标位置;
具体可以将步骤1生成的压缩后的图像进行二值化处理,求出潜在目标位置,其中本实施例基于自适应阈值进行二值化处理,所述自适应阈值为:
T(x,y)=m(x,y)+k·σ(x,y) (6)
式中,(x,y)为图像像素点坐标,m(x,y)为点(x,y)邻域范围内图像灰度平均值,σ(x,y)为点(x,y)邻域范围内图像灰度标准差,由于是线阵拼接图像,一般统计若干行即可,k一般选取10~15。如此,图像数据将大幅压缩。
然后在潜在目标位置范围内,采用“视觉放大器”原理对压缩后的图像进行目标轮廓检测。
具体为:将图像预处理出的目标位置用于原始图像进行形态学操作,将毗连目标、缺陷目标分离和修复,即图像经过阈值(设定阈值或自适应阈值)处理二值化后,系统性地扫描图像直到遇到连通区域的一个点,以该点为起始点,跟踪该连通区域的轮廓,标记边界上的像素,当轮廓完整闭合,完成一次轮廓提取,扫描回到上一个位置,直到再次发现新的连通区域。当目标尺寸较小,形态学操作的结构元不能无限制大,若存在多目标毗连紧密时,检测精度会降低,为了更好地对多目标进行检测,可以将多目标毗连图像进行分割,对每个连通区域进行单独分析。
首先,定义两种目标边缘:完整边缘为其两条邻边朝向同一方向延伸;不完整边缘定义为其两条邻边朝向不同方向延伸,说明此边缘被遮挡或阻断。而后根据不同的边缘类型对不同毗连情况加以区分,并分别进行毗连目标分割。采用以下方式进行毗连分割:
判断有无相邻完整边缘线:
(a),有就根据该相邻完整边缘线补全平行四边形,完成目标分割;
(b),没有就把不完整边缘线延长至第一个相交的轮廓线或延长线,将在补全后的边缘线中判断有无相邻完整边缘线,有就根据该相邻完整边缘线补全平行四边形,完成目标分割,没有就重复执行步骤(b),直至完成所有目标分割;
目标毗连的分割过程如图3所示:其中图3(a)为单目标图像示意,其四个边缘均为完整边缘,因此不作分割处理;图3(b)为两个目标毗连图像示意,其连通区域有四条边l1~l4为完整边缘,且l1和l2为邻边,l3和l4为邻边,分别以l1和l2,l3和l4为邻边做平行四边形进行目标边缘分割;图3(c)为两个目标毗连图像示意,其连通区域有四条边l1~l8为完整边缘,且l1和l2为邻边,l3和l4为邻边,分别以l1和l2,l3和l4为邻边做平行四边形进行目标边缘分割;图3(d)为三个目标毗连图像示意,其连通区域有四条边l1~l4为完整边缘,且l3和l4为邻边,以l3和l4为邻边做平行四边形进行目标边缘分割,而l1和l2无完整邻边,将其不完整邻边延伸到连通区域的边界,然后完整边缘和不完整邻边的最短延伸边作为邻边做平行四边形进行目标边缘分割,这样操作会带来一定的误差,但至少目标被分割开;图3(e)仍为三个目标毗连图像示意,其连通区域有四条边l1~l4为完整边缘,且l1和l4、l2和l3为邻边,做平行四边形进行目标边缘分割,剩余不完成边缘进行延伸,并用最短的延伸边进行目标分割,直到所有不完整边缘聚类分析结束。需要说明的是,若出现遮挡现象或三个以上目标毗连时,则需要利用多相机目标匹配可以进行补偿。
最后对分割后的图像进行亚像素边缘提取、亚像素目标质心提取以及假目标甄别等,达到识别定位的目的。
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 (9)
1.一种线阵图像中的目标轮廓检测方法,其特征在于,包括如下步骤:
步骤1,采用滑窗对原始图像进行压缩处理,得到压缩后的图像;
其中压缩方式为:以滑窗内的图像为中心图像块,计算该中心图像块与周围邻域图像块的图像对比度,得到中心图像块的对比度;遍历整幅图像,得到各中心图像块的对比度,用各对比度代替对应中心图像块的图像灰度值,完成原始图像压缩;其中周围邻域图像块尺寸与滑窗尺寸一致,滑窗步长为窗口长度的一半;
步骤2,首先基于压缩后的图像计算潜在目标位置;
然后在计算出的潜在目标位置范围内,采用“视觉放大器”原理对压缩后的图像进行目标轮廓检测。
2.如权利要求1所述的一种线阵图像中的目标轮廓检测方法,其特征在于,所述步骤1中,基于图像灰度值计算图像对比度。
3.如权利要求2所述的一种线阵图像中的目标轮廓检测方法,其特征在于,所述图像对比度计算方式为:
首先进行滑窗操作,获得滑窗下图像块的图像灰度均值,遍历整幅图像,得到各个图像块的图像灰度均值;
再次进行滑窗操作,根据滑窗下图像块的图像灰度最大值与其邻域图像块的图像灰度均值进行图像对比度计算,得到该中心图像块的对比度。
4.如权利要求1所述的一种线阵图像中的目标轮廓检测方法,其特征在于,所述步骤2中,将步骤1生成的压缩后的图像进行二值化处理,求出潜在目标位置。
5.如权利要求4所述的一种线阵图像中的目标轮廓检测方法,其特征在于,基于自适应阈值进行二值化处理,所述自适应阈值为:
T(x,y)=m(x,y)+k·σ(x,y) (6)
式中,(x,y)为图像像素点坐标,m(x,y)为点(x,y)邻域范围内图像灰度平均值,σ(x,y)为点(x,y)邻域范围内图像灰度标准差,k选取范围为10~15。
6.如权利要求1所述的一种线阵图像中的目标轮廓检测方法,其特征在于,所述步骤2中的目标轮廓检测中,若存在多目标毗连,则采用以下方式进行毗连分割:
判断有无相邻完整边缘线:
(a),有就根据该相邻完整边缘线补全平行四边形,完成目标分割;
(b),没有就把不完整边缘线延长至第一个相交的轮廓线或延长线,将在补全后的边缘线中判断有无相邻完整边缘线,有就根据该相邻完整边缘线补全平行四边形,完成目标分割,没有就重复执行步骤(b),直至完成所有目标分割;
其中所述完整边缘线为其两条邻边朝向同一方向延伸;不完整边缘线为其两条邻边朝向不同方向延伸。
7.如权利要求4所述的一种线阵图像中的目标轮廓检测方法,其特征在于,完成所有目标分割后,对分割后的图像进行亚像素边缘提取、亚像素目标质心提取以及假目标甄别,实现识别定位。
8.如权利要求7所述的一种线阵图像中的目标轮廓检测方法,其特征在于,所述边缘提取方式为:系统性地扫描图像直到遇到连通区域的一个点,以该点为起始点,跟踪该连通区域的轮廓,标记边界上的像素,当轮廓完整闭合,完成一次轮廓提取,扫描回到上一个位置,直到再次发现新的连通区域。
9.如权利要求1所述的一种线阵图像中的目标轮廓检测方法,其特征在于,在对原始图像压缩处理前将图像灰度反转,然后再进行压缩处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811399769.XA CN109559324B (zh) | 2018-11-22 | 2018-11-22 | 一种线阵图像中的目标轮廓检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811399769.XA CN109559324B (zh) | 2018-11-22 | 2018-11-22 | 一种线阵图像中的目标轮廓检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559324A true CN109559324A (zh) | 2019-04-02 |
CN109559324B CN109559324B (zh) | 2020-06-05 |
Family
ID=65866952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811399769.XA Active CN109559324B (zh) | 2018-11-22 | 2018-11-22 | 一种线阵图像中的目标轮廓检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559324B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264492A (zh) * | 2019-06-03 | 2019-09-20 | 浙江大学 | 一种高效的卫星图像自纠正多目标跟踪方法 |
CN110599513A (zh) * | 2019-09-04 | 2019-12-20 | 南京邮电大学 | 一种双目视觉图像边缘检测与目标跟踪方法 |
CN111783529A (zh) * | 2019-07-26 | 2020-10-16 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
CN111862131A (zh) * | 2020-07-31 | 2020-10-30 | 易思维(杭州)科技有限公司 | 胶条边缘检测方法及其应用 |
CN111968030A (zh) * | 2020-08-19 | 2020-11-20 | 北京字节跳动网络技术有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
CN112184723A (zh) * | 2020-09-16 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN114332078A (zh) * | 2022-03-02 | 2022-04-12 | 山东华硕汽车配件科技有限公司 | 一种汽车发动机金属磨损智能修复控制方法 |
US11389965B2 (en) | 2019-07-26 | 2022-07-19 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
CN117647295A (zh) * | 2024-01-30 | 2024-03-05 | 合肥金星智控科技股份有限公司 | 基于机器视觉的熔池液位测量方法、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103115631A (zh) * | 2013-01-25 | 2013-05-22 | 西安电子科技大学 | 遥感相机成像参数误差校正系统及方法 |
CN103712604A (zh) * | 2013-12-20 | 2014-04-09 | 清华大学深圳研究生院 | 一种光学多目标三维空间定位方法及系统 |
CN103873846A (zh) * | 2014-03-24 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 基于滑窗的众视点真三维显示系统视频同步播放方法 |
CN104166975A (zh) * | 2013-05-17 | 2014-11-26 | 中国航天科工集团第二研究院二〇七所 | 一种复杂环境下低空红外目标检测算法 |
CN105353356A (zh) * | 2015-11-16 | 2016-02-24 | 中国电子科技集团公司第十研究所 | 基于阵列滑窗的保形数字波束形成系统 |
US20160267669A1 (en) * | 2015-03-12 | 2016-09-15 | James W. Justice | 3D Active Warning and Recognition Environment (3D AWARE): A low Size, Weight, and Power (SWaP) LIDAR with Integrated Image Exploitation Processing for Diverse Applications |
CN107203973A (zh) * | 2016-09-18 | 2017-09-26 | 江苏科技大学 | 一种三维激光扫描系统中线激光中心的亚像素定位方法 |
-
2018
- 2018-11-22 CN CN201811399769.XA patent/CN109559324B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103115631A (zh) * | 2013-01-25 | 2013-05-22 | 西安电子科技大学 | 遥感相机成像参数误差校正系统及方法 |
CN104166975A (zh) * | 2013-05-17 | 2014-11-26 | 中国航天科工集团第二研究院二〇七所 | 一种复杂环境下低空红外目标检测算法 |
CN103712604A (zh) * | 2013-12-20 | 2014-04-09 | 清华大学深圳研究生院 | 一种光学多目标三维空间定位方法及系统 |
CN103873846A (zh) * | 2014-03-24 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 基于滑窗的众视点真三维显示系统视频同步播放方法 |
US20160267669A1 (en) * | 2015-03-12 | 2016-09-15 | James W. Justice | 3D Active Warning and Recognition Environment (3D AWARE): A low Size, Weight, and Power (SWaP) LIDAR with Integrated Image Exploitation Processing for Diverse Applications |
CN105353356A (zh) * | 2015-11-16 | 2016-02-24 | 中国电子科技集团公司第十研究所 | 基于阵列滑窗的保形数字波束形成系统 |
CN107203973A (zh) * | 2016-09-18 | 2017-09-26 | 江苏科技大学 | 一种三维激光扫描系统中线激光中心的亚像素定位方法 |
Non-Patent Citations (2)
Title |
---|
LIQUN ZHANG ET.AL: "Research on Image Processing Technipue for Small Targets in Large Field of View Based on Linear CCD", 《4TH INTERNATIONAL CONFERENCE ON MACHINERY, MATERIALS AND INFORMATION TECHNOLOGY APPLICATIONS (ICMMITA 2016)》 * |
李雅婧等: "线阵CCD图像的弱小目标检测算法", 《西安工业大学学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264492A (zh) * | 2019-06-03 | 2019-09-20 | 浙江大学 | 一种高效的卫星图像自纠正多目标跟踪方法 |
CN111783529B (zh) * | 2019-07-26 | 2021-07-09 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
CN111783529A (zh) * | 2019-07-26 | 2020-10-16 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
US11850760B2 (en) | 2019-07-26 | 2023-12-26 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
US11389965B2 (en) | 2019-07-26 | 2022-07-19 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
CN110599513A (zh) * | 2019-09-04 | 2019-12-20 | 南京邮电大学 | 一种双目视觉图像边缘检测与目标跟踪方法 |
CN110599513B (zh) * | 2019-09-04 | 2022-02-11 | 南京邮电大学 | 一种双目视觉图像边缘检测与目标跟踪方法 |
CN111862131B (zh) * | 2020-07-31 | 2021-03-19 | 易思维(杭州)科技有限公司 | 胶条边缘检测方法及其应用 |
CN111862131A (zh) * | 2020-07-31 | 2020-10-30 | 易思维(杭州)科技有限公司 | 胶条边缘检测方法及其应用 |
CN111968030A (zh) * | 2020-08-19 | 2020-11-20 | 北京字节跳动网络技术有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
CN111968030B (zh) * | 2020-08-19 | 2024-02-20 | 抖音视界有限公司 | 信息生成方法、装置、电子设备和计算机可读介质 |
CN112184723A (zh) * | 2020-09-16 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN112184723B (zh) * | 2020-09-16 | 2024-03-26 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN114332078A (zh) * | 2022-03-02 | 2022-04-12 | 山东华硕汽车配件科技有限公司 | 一种汽车发动机金属磨损智能修复控制方法 |
CN117647295A (zh) * | 2024-01-30 | 2024-03-05 | 合肥金星智控科技股份有限公司 | 基于机器视觉的熔池液位测量方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109559324B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN106910186B (zh) | 一种基于cnn深度学习的桥梁裂缝检测定位方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN107369159B (zh) | 基于多因素二维灰度直方图的阈值分割方法 | |
CN109580630B (zh) | 一种机械零部件缺陷的视觉检测方法 | |
WO2016106955A1 (zh) | 一种激光红外复合的地面建筑物识别及导航方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN104048969A (zh) | 一种隧道病害的识别方法 | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN108510544B (zh) | 一种基于特征聚类的光条定位方法 | |
CN113744191A (zh) | 一种卫星遥感影像自动云检测方法 | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN115953550A (zh) | 针对线结构光扫描的点云离群点剔除系统及方法 | |
CN114820474A (zh) | 一种基于三维信息的列车车轮缺陷检测方法 | |
CN107145820B (zh) | 基于hog特征和fast算法的双眼定位方法 | |
Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
CN117078726A (zh) | 一种基于边缘提取的异谱图像配准方法 | |
Ali et al. | Robust window detection from 3d laser scanner data | |
Cheng et al. | Power pole detection based on graph cut | |
CN116718599A (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
CN113409334B (zh) | 一种基于质心的结构光角点检测方法 |
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 |