CN109636750B - 一种针对铁轨轮廓曲线图像的动态局域二值化方法 - Google Patents

一种针对铁轨轮廓曲线图像的动态局域二值化方法 Download PDF

Info

Publication number
CN109636750B
CN109636750B CN201811478934.0A CN201811478934A CN109636750B CN 109636750 B CN109636750 B CN 109636750B CN 201811478934 A CN201811478934 A CN 201811478934A CN 109636750 B CN109636750 B CN 109636750B
Authority
CN
China
Prior art keywords
area
gray
region
calculating
binarization processing
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
CN201811478934.0A
Other languages
English (en)
Other versions
CN109636750A (zh
Inventor
余学才
魏亚新
冯波
陈鹏
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.)
Wanyan Railway Equipment Chengdu Co ltd
Original Assignee
Wanyan Railway Equipment Chengdu 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 Wanyan Railway Equipment Chengdu Co ltd filed Critical Wanyan Railway Equipment Chengdu Co ltd
Priority to CN201811478934.0A priority Critical patent/CN109636750B/zh
Publication of CN109636750A publication Critical patent/CN109636750A/zh
Application granted granted Critical
Publication of CN109636750B publication Critical patent/CN109636750B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种针对铁轨轮廓曲线图像的动态局域二值化方法，属于图像处理领域。本发明针对铁轨轮廓曲线图像在不同的铁轨环境下，包括有轨头光亮轨道、油污的黑轨，锈蚀严重的轨道等，提出了一种针对铁轨轮廓曲线图像的动态局域二值化方法，在此应用环境下，通过轮廓线的局部灰度信息进行二值化，使得二值化同时适应于轨顶光亮、轨侧有铁锈的情况，避免了导轨轮廓线断裂的现象，也大大减少了计算时间成本，且具有较强的鲁棒性。

Description

一种针对铁轨轮廓曲线图像的动态局域二值化方法
技术领域
本发明属于图像处理领域，特别涉及一种针对铁轨轮廓曲线图像的动态局域二值化方法。
背景技术
二值化是图像处理中的常见方式,其作用是将灰度图像中满足条件的像素设定为0，其他像素的值同意设置为255。
二值化方法在计算机视觉领域有着广泛而重要的用途，无论是在目标检测，还是目标跟踪、图像分割图像增强等领域都有着很重要的作用，它利用了图像中要提取的目标与其背景在灰度上的差异。具体而言而二值化过程常常作为边缘检测，腐蚀膨胀等后续操作的前提或者是作为图像掩模，其重要性不言而喻。
在测量铁轨轮廓的时候由于所测量的环境比如铁轨轮廓表面油污(特别是内燃机车行驶的区段)，铁轨锈蚀出现漫反射现象等，使得摄像机接收到的反射强度场发生跳变，会使得利用大量经验数据确定的经验值下的二值化失效，常常会出现轮廓线出现断裂、伪轮廓、轮廓消失等现象。这就使得固定阈值的二值化方法在实际复杂场景中的应用鲁棒性较差。而自适应的二值化方法可以有效解决灰度图像在复杂场景中的二值化问题。二值化方法可分为全局二值化和局部二值化方法；全局二值化方法是在本图像范围内根据其直方图或者灰度分布确定阈值，此方法优点在于算法相对简单，对目标和背景图像明显分离，图像的直方图呈双峰的情况效果良好，由于对整个图像只都使用同一个阈值会导致对噪声或光照不均匀的情况抵抗力差。典型的方法有迭代法，Otsu等。局部阈值法通过定义考察点的领域比较考察点与其领域的灰度值来确定当前考察点的阈值；使得对非均匀光照抗噪声能力更强，典型的有Bernsen算法、Niblack算法，Chow和Kaneko算法等。
针对铁轨轮廓测量中产生的激光细线，二值化过程中所遇到的场景不仅存在可能的光照不均现象，且轮廓曲线相对背景部分所占比例较小，现有的二值化方法计算量过大，计算时间复杂度较慢且在有轨头光亮轨道、油污的黑轨、锈蚀严重的轨道的场景下，鲁棒性较低。
发明内容
本发明的目的在与于针对铁轨轮廓曲线图像在不同的铁轨环境下，包括有轨头光亮轨道、油污的黑轨，锈蚀严重的轨道等，提出了一种针对铁轨轮廓曲线图像的动态局域二值化方法，在此应用环境下，大大减少了计算时间成本，且具有较强的鲁棒性。
一种针对铁轨轮廓曲线图像的动态局域二值化方法，包括以下步骤：
步骤1，获取待处理图像，计算其背景灰度平均值；
步骤2，以顶部中心为矩形中心得到预设大小的第一区域，对所述第一区域进行二值化处理，并在二值化处理后计算该区域的灰度中心；
步骤3，将第一区域向右移动预设像素得到第二区域，对所述第二区域进行二值化处理，并在二值化处理后计算该区域的灰度中心；
步骤4，根据所述第一区域和第二区域的灰度中心的位置关系移动所述第二区域得到第三区域，对所述第三区域进行二值化处理，并在二值化处理后计算该区域的灰度中心；
步骤5，根据第(i-1)区域和第(i-2)区域的灰度中心的位置关系移动第(i-1)区域得到第i区域，对所述第i区域进行二值化处理，并在二值化处理后计算区域的灰度中心；
步骤6，当区域内灰度值不大于预设倍数的所述背景灰度平均值时，终止二值化处理，得到铁轨轮廓曲线图。
进一步地，所述步骤1包括以下流程：
获取待处理图像，在所述图像中央底部300×300的区域内计算其灰度平均值Gb
Figure BDA0001892900380000031
其中，i,j为像素点坐标，Gi,j为像素点灰度值。
进一步地，所述步骤2包括以下流程：
以顶部中心为矩形中心得到60×30的第一区域，统计所述第一区域内灰度值大于2倍平均灰度值的点数目M1:Gi,j＞2Gb，并计算平均值
Figure BDA0001892900380000032
对所述第一区域进行二值化处理
Figure BDA0001892900380000033
其中，Bi,j为二值化图像后的灰度值；
计算得到所述第一区域的灰度中心(X1,Y1)。
进一步地，所述步骤3包括以下流程：
将所述第一区域向右移动60像素得到第二区域，统计所述第二区域内灰度值大于2倍平均灰度值的点数目M2:Gi,j＞2Gb，并计算平均值
Figure BDA0001892900380000034
对所述第二区域进行二值化处理
Figure BDA0001892900380000041
计算得到所述第二区域的灰度中心(X2,Y2)。
进一步地，所述步骤4包括以下流程：
将所述第二区域向右移动60×(1-sinΔθ3)，并向下移动30×(1-cosΔθ3)得到第三区域，其中，
Figure BDA0001892900380000042
统计所述第三区域内灰度值大于2倍平均灰度值的点数目M3:Gi,j＞2Gb，并计算平均值
Figure BDA0001892900380000043
对所述第三区域进行二值化处理
Figure BDA0001892900380000044
计算得到所述第三区域的灰度中心(X3,Y3)。
进一步地，所述步骤5包括以下流程：
将所述第(i-1)区域向右移动60×(1-sinΔθi)，
并向下移动30×(1-cosΔθi)得到第三区域，其中，
Figure BDA0001892900380000045
统计所述第i区域内灰度值大于2倍平均灰度值的点数目Mi:Gi,j＞2Gb，并计算平均值
Figure BDA0001892900380000046
对所述第i区域进行二值化处理
Figure BDA0001892900380000051
计算得到所述第i区域的灰度中心(Xi,Yi)。
进一步地，所述步骤6包括以下流程：
当区域内灰度值Gi,j≤1.2Gb时，终止二值化处理，得到铁轨轮廓曲线图。
本发明的有益效果：本发明提供了一种针对铁轨轮廓曲线图像的动态局域二值化方法，本发明针对铁轨轮廓二值化应用场景，根据标准铁轨轮廓几何形状提出了一种有针对性的二值化方法，通过轮廓线的局部灰度信息进行二值化，使得二值化同时适应于轨顶光亮、轨侧有铁锈的情况，避免了导轨轮廓线断裂的现象。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中计算背景灰度平均值的框图。
图3为本发明实施例中第一区域图。
图4为本发明实施例中第一区域的灰度中心。
图5为本发明实施例中第二区域图。
图6为本发明实施例中第二区域的灰度中心。
图7为本发明实施例中第三区域图。
图8为本发明实施例中第i区域图。
图9为本发明实施例中最后一个区域图。
图10为OTSU方法得到的二值化铁轨曲线图。
图11为本发明实施例中本发明提出方法得到的二值化铁轨曲线图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1，本发明提供的一种针对铁轨轮廓曲线图像的动态局域二值化方法，通过以下步骤实现：
步骤1，获取待处理图像，计算其背景灰度平均值。
本实施例中，获取待处理图像，在所述图像中央底部300×300的区域内计算其灰度平均值Gb
Figure BDA0001892900380000061
其中，i,j为像素点坐标，Gi,j为像素点灰度值。
本实施例中，如图2所示，背景灰度是通过取灰度图像固定的区域的平均值，这里采用底部中央位置是因为拍摄的铁轨轮廓曲线还原后大体形状和在灰度图像中的位置是基本固定的，而底部中央处没有铁轨轮廓，故采用此处进行背景灰度的计算。
步骤2，以顶部中心为矩形中心得到预设大小的第一区域，对所述第一区域进行二值化处理，并在二值化处理后计算该区域的灰度中心。
本实施例中，以顶部中心为矩形中心得到60×30的第一区域，如图3所示，统计第一区域内灰度值大于2倍平均灰度值的点数目M1:Gi,j＞2Gb，并计算平均值
Figure BDA0001892900380000062
对第一区域进行二值化处理
Figure BDA0001892900380000063
其中，Bi,j为二值化图像后的灰度值；
如图4所示，计算得到第一区域的灰度中心(X1,Y1)。
本实施例中，由于铁轨轮廓的拍摄相机是通过标定的，每次还原的曲线位置基本是固定的，所以起始的第一区域为一个可设定的固定区域。
步骤3，将第一区域向右移动预设像素得到第二区域，对所述第二区域进行二值化处理，并在二值化处理后计算该区域的灰度中心。
本实施例中，将第一区域向右移动60像素得到第二区域，如图5所示，统计第二区域内灰度值大于2倍平均灰度值的点数目M2:Gi,j＞2Gb，并计算平均值
Figure BDA0001892900380000071
对第二区域进行二值化处理
Figure BDA0001892900380000072
如图6所示，计算得到第二区域的灰度中心(X2,Y2)。
本实施例中，由于第一区域为固定区域，第二区域相对于第一区域的移动也是可设定的固定像素，所以第一和第二区域都是可设定的固定区域，为起始区域。
步骤4，根据所述第一区域和第二区域的灰度中心的位置关系移动所述第二区域得到第三区域，对所述第三区域进行二值化处理，并在二值化处理后计算该区域的灰度中心。
本实施例中，将第二区域向右移动60×(1-sinΔθ3)；
并向下移动30×(1-cosΔθ3)；
得到第三区域，如图7所示，其中，
Figure BDA0001892900380000073
统计第三区域内灰度值大于2倍平均灰度值的点数目M3:Gi,j＞2Gb，并计算平均值
Figure BDA0001892900380000081
对第三区域进行二值化处理
Figure BDA0001892900380000082
计算得到第三区域的灰度中心(X3,Y3)。
本实施例中，从第三区域开始，后续区域的位置是通过该区域的前两个区域来决定。具体而言，当前区域相对于前一区域的移动，是根据当前区域的前两个区域的灰度中心的位置关系来决定的。
步骤5，根据第(i-1)区域和第(i-2)区域的灰度中心的位置关系移动第(i-1)区域得到第i区域，如图8所示，对所述第i区域进行二值化处理，并在二值化处理后计算区域的灰度中心。
本实施例中，将第(i-1)区域向右移动60×(1-sinΔθi)，并向下移动30×(1-cosΔθi)得到第三区域，其中，
Figure BDA0001892900380000083
统计第i区域内灰度值大于2倍平均灰度值的点数目Mi:Gi,j＞2Gb，并计算平均值
Figure BDA0001892900380000084
对第i区域进行二值化处理
Figure BDA0001892900380000085
计算得到第i区域的灰度中心(Xi,Yi)。
本实施例中，第i区域的位置是通过第(i-1)和第(i-2)区域的灰度中心及第(i-1)区域的位置来决定的。每个区域的二值化处理及灰度中心的计算原理相同。
步骤6，当区域内灰度值不大于预设倍数的所述背景灰度平均值时，终止二值化处理，得到铁轨轮廓曲线图。
本实施例中，对待处理进行二值化处理，直到某一区域内灰度值Gi,j≤1.2Gb时，终止二值化处理，如图9所示。
现有技术中得到铁轨轮廓曲线如图10所示，轨顶光亮造成的右边轮廓线断裂。本发明方法得到的铁轨轮廓图如图11所示，轮廓线不断裂。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种针对铁轨轮廓曲线图像的动态局域二值化方法，其特征在于，包括以下步骤：
步骤1，获取待处理图像，计算其背景灰度平均值；包括以下流程：
获取待处理图像，在所述图像中央底部300×300的区域内计算其灰度平均值Gb
Figure FDA0003668513160000011
其中，i,j为像素点坐标，Gi,j为像素点灰度值；
步骤2，以顶部中心为矩形中心得到预设大小的第一区域，对所述第一区域进行二值化处理，并在二值化处理后计算该区域的灰度中心；包括以下流程：
以顶部中心为矩形中心得到60×30的第一区域，统计所述第一区域内灰度值大于2倍平均灰度值的点数目M1:Gi,j＞2Gb，并计算平均值
Figure FDA0003668513160000012
对所述第一区域进行二值化处理
Figure FDA0003668513160000013
其中，Bi,j为二值化图像后的灰度值；
计算得到所述第一区域的灰度中心(X1，Y1)；
步骤3，将第一区域向右移动预设像素得到第二区域，对所述第二区域进行二值化处理，并在二值化处理后计算该区域的灰度中心；
步骤4，根据所述第一区域和第二区域的灰度中心的位置关系移动所述第二区域得到第三区域，对所述第三区域进行二值化处理，并在二值化处理后计算该区域的灰度中心；
步骤5，根据第(i-1)区域和第(i-2)区域的灰度中心的位置关系移动第(i-1)区域得到第i区域，对所述第i区域进行二值化处理，并在二值化处理后计算区域的灰度中心；
步骤6，当区域内灰度值不大于预设倍数的所述背景灰度平均值时，终止二值化处理，得到铁轨轮廓曲线图。
2.如权利要求1所述的针对铁轨轮廓曲线图像的动态局域二值化方法，其特征在于，所述步骤3包括以下流程：
将所述第一区域向右移动60像素得到第二区域，统计所述第二区域内灰度值大于2倍平均灰度值的点数目M2:Gi,j＞2Gb，并计算平均值
Figure FDA0003668513160000021
对所述第二区域进行二值化处理
Figure FDA0003668513160000022
计算得到所述第二区域的灰度中心(X2，Y2)。
3.如权利要求2所述的针对铁轨轮廓曲线图像的动态局域二值化方法，其特征在于，所述步骤4包括以下流程：
将所述第二区域向右移动60×(1-sinΔθ3)，并向下移动30×(1-cosΔθ3)得到第三区域，其中，
Figure FDA0003668513160000023
统计所述第三区域内灰度值大于2倍平均灰度值的点数目M3:Gi,j＞2Gb，并计算平均值
Figure FDA0003668513160000024
对所述第三区域进行二值化处理
Figure FDA0003668513160000025
计算得到所述第三区域的灰度中心(X3，Y3)。
4.如权利要求3所述的针对铁轨轮廓曲线图像的动态局域二值化方法，其特征在于，所述步骤5包括以下流程：
将所述第(i-1)区域向右移动60×(1-sinΔθi)，
并向下移动30×(1-cosΔθi)得到第三区域，其中，
Figure FDA0003668513160000026
统计所述第i区域内灰度值大于2倍平均灰度值的点数目Mi:Gi,j＞2Gb，并计算平均值
Figure FDA0003668513160000031
对所述第i区域进行二值化处理
Figure FDA0003668513160000032
计算得到所述第i区域的灰度中心(Xi，Yi)。
5.如权利要求4所述的针对铁轨轮廓曲线图像的动态局域二值化方法，其特征在于，所述步骤6包括以下流程：
当区域内灰度值Gi,j≤1.2Gb时，终止二值化处理，得到铁轨轮廓曲线图。
CN201811478934.0A 2018-12-05 2018-12-05 一种针对铁轨轮廓曲线图像的动态局域二值化方法 Active CN109636750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811478934.0A CN109636750B (zh) 2018-12-05 2018-12-05 一种针对铁轨轮廓曲线图像的动态局域二值化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811478934.0A CN109636750B (zh) 2018-12-05 2018-12-05 一种针对铁轨轮廓曲线图像的动态局域二值化方法

Publications (2)

Publication Number Publication Date
CN109636750A CN109636750A (zh) 2019-04-16
CN109636750B true CN109636750B (zh) 2022-08-23

Family

ID=66071312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811478934.0A Active CN109636750B (zh) 2018-12-05 2018-12-05 一种针对铁轨轮廓曲线图像的动态局域二值化方法

Country Status (1)

Country Link
CN (1) CN109636750B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115690430B (zh) * 2022-12-29 2023-03-28 尚特杰电力科技有限公司 光伏组件边缘特征图补齐方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN106127765A (zh) * 2016-06-23 2016-11-16 成都神州数码索贝科技有限公司 基于自适应窗口和平滑阈值法的图像二值化系统
CN108596194A (zh) * 2018-05-03 2018-09-28 武汉科技大学 一种高斯加权的局部二值模式的图像编码方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8351699B2 (en) * 2008-12-18 2013-01-08 Accusoft Corporation Methods and apparatus for auto image binarization

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854191A (zh) * 2012-07-18 2013-01-02 湖南大学 高速铁轨表面缺陷的实时视觉检测与识别方法
CN106127765A (zh) * 2016-06-23 2016-11-16 成都神州数码索贝科技有限公司 基于自适应窗口和平滑阈值法的图像二值化系统
CN108596194A (zh) * 2018-05-03 2018-09-28 武汉科技大学 一种高斯加权的局部二值模式的图像编码方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Handwriting Signature Identification based on Improved Adaptive Median;Mei Wang等;《2015 International Conference on Computer Science and Applications》;20170116;第55-59页 *
基于优化算法与多尺度差分的图像分割方法;高业文等;《计算机工程与应用》;20110804;第48卷(第27期);第169-174页 *
基于局部均值的绝缘子图像分割算法设计;徐俊良等;《计算机工程》;20160915;第42卷(第9期);第262-267页 *

Also Published As

Publication number Publication date
CN109636750A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN107784669A (zh) 一种光斑提取及其质心确定的方法
CN110569857B (zh) 一种基于质心距离计算的图像轮廓角点检测方法
JP6015257B2 (ja) 偏光画像による車両位置検知方法及びシステム
CN107392095A (zh) 一种基于掩码图像的红外弱小目标检测算法
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN115170669A (zh) 基于边缘特征点集配准的识别定位方法及系统、存储介质
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN112085651B (zh) 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法
CN110674812B (zh) 一种面向复杂背景的民用车牌定位与字符分割方法
CN110070523B (zh) 一种用于瓶底的异物检测方法
CN106875430B (zh) 动态背景下基于固定形态的单一运动目标追踪方法和装置
CN104331695A (zh) 一种鲁棒的圆形标志符形状质量检测方法
JP5812705B2 (ja) ひび割れ検出方法
CN109636750B (zh) 一种针对铁轨轮廓曲线图像的动态局域二值化方法
CN115439523A (zh) 一种半导体器件引脚尺寸检测方法、设备及存储介质
CN111968079A (zh) 基于断面局部极值及分段稀疏的三维路面裂缝提取方法
CN114170165A (zh) 一种芯片表面缺陷检测方法和装置
CN101666621B (zh) 一种与光照无关的标记点提取方法
Zhixin et al. Adaptive centre extraction method for structured light stripes
CN111178210B (zh) 一种十字标记的图像识别及对准方法
CN108428250B (zh) 一种应用于视觉定位和标定的x角点检测方法
JP2000048120A (ja) 濃淡画像の文字領域抽出方法及びそのプログラムを記録した記録媒体
CN113409334B (zh) 一种基于质心的结构光角点检测方法
CN110889415B (zh) 用于不同反光率表面的压印序列号字符分割方法
CN112923852B (zh) 基于动态角点定位的sd卡位姿检测方法

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