CN109859145A - 一种基于多级权重相对总变差的图像去纹理方法 - Google Patents
一种基于多级权重相对总变差的图像去纹理方法 Download PDFInfo
- Publication number
- CN109859145A CN109859145A CN201910145687.0A CN201910145687A CN109859145A CN 109859145 A CN109859145 A CN 109859145A CN 201910145687 A CN201910145687 A CN 201910145687A CN 109859145 A CN109859145 A CN 109859145A
- Authority
- CN
- China
- Prior art keywords
- image
- respect
- total variance
- weight
- obtains
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多级权重相对总变差的图像去纹理方法,获取带有纹理的图像;对获得的图像进行第一级权重相对总变差处理,获得减少无用纹理信息的图像;对获得的图像进行第二级权重相对总变差处理,获得突出边界景深信息的图像;对获得的图像进行确定参数权重相对总变差处理,获得边界平滑的图像;对获得的图像取并集,获得输出图像。本发明采用多级权重相对总变差的图像去纹理方法,首先对输入图像分别进行两级权重相对总变差处理和确定参数相对总变差处理,然后将两个结果取并得到输出图像,改善了纹理边界和结构边界区分度的不足,同时可以更好地去除靠近结构边界附近的纹理信息,提高了图像去纹理的性能,使其获得的图像更好地将结构信息和纹理信息分开,具有良好的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于多级权重相对总变差的图像去纹理方法。
背景技术
在日常生活的许多场景中,都包含纹理信息。例如房子的地板和墙面,富有艺术色彩的街头涂鸦,沥青道路,精美的手工工艺品等。当我们用设备记录下这些场景时,会发现有一个共同的特点:图像由包含整体轮廓的结构信息和包含局部细节特征的纹理信息构成。从数字图像处理角度分析,图像的整体结构才是我们需要的数据,而不是局部纹理细节。因此图像去纹理是一项很有意义的工作。
图像纹理不同于颜色,它不是基于像素点的特征,而是通过像素及其周围空间邻域的灰度分布来体现的。我们的目的是在去除图像特定尺度的细节层的同时保持图像的结构边界不被弱化。在保持边界信息的同时,又要滤除纹理信息,是一项很重要的工作。
我们可以采用边界保持的滤波器算法去除纹理。例如加权最小二乘(WLS)滤波算法,它能够平滑任意尺度的图像的细节。但是对于一些具有高对比度的纹理区域,算法就会把纹理边界误认为是结构边界。我们也可以将精力集中在区分图像的结构边界和纹理区域。例如相对总变差(RTV),但是这类算法不能够很好的去除靠近结构边界附近的纹理信息,会在结构边界保留一些参差不齐的纹理信息或者会过分的平滑结构边界。所以图像的结构和纹理区域分离的操作依然存在很多的困难没有被很好的克服。
发明内容
本发明的目的在于一种基于多级权重相对总变差的图像去纹理方法,以克服上述现有技术存在的缺陷,本发明在原有相对总变差(RTV)模型的基础上,分析其对于平滑修正程度的局限性,对模型进行修正,在其基础上提出新的算法即:多级权重相对总变差(MWRTV)。多级权重相对总变差首先依据图像平均梯度分配不同平滑权重系数α,β,依据其对图像纹理及边界的不同影响,经过两级处理得到结果1。然后根据确定的平滑权重系数α,β,经过处理得到结果2,最后将结果1和结果2取并集,得到输出图像。
为达到上述目的,本发明采用如下技术方案:
一种基于多级权重相对总变差的图像去纹理方法,包括以下步骤:
步骤1:获取带有纹理的图像;
步骤2:对步骤1中获得的图像进行第一级权重相对总变差处理,获得减少无用纹理信息的图像;
步骤3:对步骤2中获得的图像进行第二级权重相对总变差处理,获得突出边界景深信息的图像;
步骤4:对步骤1中获得的图像进行确定参数权重相对总变差处理,获得边界平滑的图像;
步骤5:对步骤3和步骤4获得的图像取并集,获得输出图像。
进一步地,步骤2中进行第一级权重相对总变差处理的方法为:
步骤2.1:计算步骤1获得的图像的平均梯度,公式如下:
其中,m×n表示步骤1获得的图像f1的大小,i和j分别表示m和n的索引,表示水平方向上的梯度,表示垂直方向上的梯度;
步骤2.2:根据步骤2.1获得的平均梯度,选择第一级平滑权重系数α1,β1,当平均梯度S<5时,第一级平滑权重系数α1,β1分别为0.85和0.95;当平均梯度9>S≥5时,第一级平滑权重系数α1,β1分别为0.85和0.95;当平均梯度S≥9时,第一级平滑权重系数α1,β1分别为0.85和0.95;
步骤2.3:通过第一级平滑权重系数和步骤1得到的图像计算第一级权重相对总变差平滑项ax,p(i),1和ay,p(i),1;
步骤2.4:将ax,p(i),1和ay,p(i),1作为系数输入构造拉普拉斯矩阵,然后通过求解即获得最终输出图像。
进一步地,步骤2.3具体为:基于原相对总变差模型,提出新的多级权重相对总变差模型:
其中:
ax,p(i),1=wx·ux
ay,p(i),1=wy·uy
式中,p为某一局部区域,S1p和f1p分别为步骤1获得的图像分解出的结构图和原图在该区域的值,(S1p-f1p)2表示结构图和原图的相似度,λ为权重系数,ax,p(i),1和ay,p(i),1为第一级权重相对总变差平滑项,ε为用来防止分母为0的调整系数,gp为高斯核函数;即根据第一级权重相对总变差平滑项权重系数,即能够计算出ax,p(i),1和ay,p(i),1。
进一步地,步骤3中进行第二级权重相对总变差处理的方法为:
步骤3.1:计算步骤1获得的图像的平均梯度,公式如下:
其中,m×n表示步骤1获得的图像f1的大小,i和j分别表示m和n的索引,表示水平方向上的梯度,表示垂直方向上的梯度;
步骤3.2:根据步骤3.1获得的平均梯度,选择第二级平滑权重系数α2,β2,当平均梯度S<5时,第二级平滑权重系数α2,β2分别为0.2和0.2;当平均梯度9>S≥5时,第二级平滑权重系数α2,β2分别为0.85和0.85;当平均梯度S≥9时,第二级平滑权重系数α2,β2分别为0.98和0.98;
步骤3.3:通过第二级平滑权重系数和步骤2得到的图像计算第二级权重相对总变差平滑项ax,p(i),2和ay,p(i),2;
步骤3.4:将ax,p(i),2和ay,p(i),2作为系数输入构造拉普拉斯矩阵,然后通过求解即获得最终输出图像。
进一步地,步骤3.3具体为:基于原相对总变差模型,提出新的多级权重相对总变差模型:
其中:
ax,p(i),2=wx·ux
ay,p(i),2=wy·uy
式中,p为某一局部区域,S2p和f2p分别为步骤2获得的图像分解出的结构图和原图在该区域的值,(S2p-f2p)2表示结构图和原图的相似度,λ为权重系数,ax,p(i),2和ay,p(i),2为第二级权重相对总变差平滑项,ε为用来防止分母为0的调整系数,gp为高斯核函数;即根据第二级权重相对总变差平滑项权重系数,即能够计算出ax,p(i),2和ay,p(i),2。
进一步地,步骤4中进行确定参数权重相对总变差处理的方法为:
步骤4.1:计算确定参数权重相对总变差平滑项bx,p(i)和by,p(i);
确定参数权重相对总变差模型和多级权重相对总变差模型一致,但对平滑项的计算中引入新的参数wo;
其模型描述为:
其中:
bx,p(i)=wo·ux
by,p(i)=wo·uy
式中,p为某一局部区域,S1p和f1p分别为步骤1获得的图像分解出的结构图和原图在该区域的值,(S1p-f1p)2表示结构图和原图的相似度,λ为权重系数,bx,p(i)和by,p(i)为平滑项,ε为用来防止分母为0的调整系数,gp为高斯核函数;即根据确定参数权重相对总变差平滑项权重系数,即能够计算出bx,p(i),2和by,p(i),2;
步骤4.2:将bx,p(i)和by,p(i)作为系数输入构造拉普拉斯矩阵,然后通过求解即获得最终输出图像。
与现有技术相比,本发明具有以下有益的技术效果:
在对含有纹理的图像进行去除纹理时,传统的边界保持的滤波器算法,例如加权最小二乘(WLS)滤波算法,会把图像中具有高的对比度的区域看成图像的结构边界。考虑到了边界保持滤波算法的局限性,有人提出相对总变差(RTV)模型,它集中在区分图像的结构边界和纹理区域。但是这类算法不能够很好的去除靠近结构边界附近的纹理信息。本发明是在相对总变差模型基础上,对模型进行改进,提出基于多级权重相对总变差的图像去纹理方法,其在能够获得较为完整的图像边缘的前提下,还能够对获得的图像边缘进行细化处理。根据本发明方法提取到的输出图像,对比加权最小二乘(WLS)算法的输出图像,相对总变差(RTV)算法的输出图像,进行图像纹理特征总体评价,采用灰度共生矩阵的方法,统计了图像的能量,熵,惯性矩,相关度,结果显示本发明方法在获得比较明亮的图像边缘的同时,能够更好地去除了纹理信息,效果优于加权最小二乘(WLS)算法,相对总变差(RTV)算法得到的图像。
附图说明
图1是本发明的流程示意图;
图2是本发明与其它算法对图像去纹理的效果对比,其中,(a)为第一幅原始含有纹理的图像,(b)加权最小二乘(WLS)算法处理后的图像,(c)相对总变差(RTV)算法处理后的图像,(d)本发明处理后的图像,(e)第二幅原始含有纹理的图像,(f)加权最小二乘(WLS)算法处理后的图像,(g)相对总变差(RTV)算法处理后的图像,(h)本发明处理后的图像。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见图1,使用第一级平滑权重系数组合,以减少图像内无用的纹理信息;然后,对上述处理后的图像进行边界增强处理,以突出图像内的边界景深信息,即使用第二级平滑权重系数组合。然后再使用确定的平滑权重系数组合,之后对两者再取并集,得到输出图像。具体步骤如下:
步骤1:获取带有纹理的图像:利用图像采集设备,获得要处理的带有纹理的图像,等待下一步处理。
步骤2:对步骤1中获得的图像进行第一级权重相对总变差处理,获得减少无用纹理信息的图像;
计算步骤1获得的图像的平均梯度,平均梯度反映了图像的清晰度和纹理变化,平均梯度越大说明图像越清晰,
函数表达式:
其中,m×n表示步骤1获得的图像f1的大小,i和j分别表示m和n的索引,表示水平方向上的梯度,表示垂直方向上的梯度;
根据不同的平均梯度进行判断,经过大量的实验,最终确定有三个等级,如表1所示:
表1梯度—系数关系
根据不同等级的平均梯度,选择对应的平滑权重系数α1,β1和α2,β2
这一步将第一级、第二级的平滑权重系数组合α1,β1和α2,β2都选了出来。目的是为了处理好结构和纹理的关系。
计算第一级权重相对总变差平滑项,ax,p(i),1和ay,p(i),1。
基于原相对总变差模型,提出新的多级权重相对总变差(MWRTV)模型:
其中:
ax,p(i),1=wx·ux
ay,p(i),1=wy·uy
式中,p为某一局部区域,S1p和f1p分别为步骤1获得的图像分解出的结构图和原图在该区域的值,(S1p-f1p)2表示结构图和原图的相似度,λ为权重系数,ax,p(i),1和ay,p(i),1为平滑项,其目的是定义到x和y方向用来更好的区分纹理和结构信息的正则化系数,平滑权重系数α1,β1用于修正纹理和结构信息对最终结果的影响,ε为用来防止分母为0的调整系数,gp为高斯核函数。
然后根据第一级权重相对总变差平滑项权重系数,计算ax,p(i),1和ay,p(i),1。这里参考了利用WLS滤波器求解过程。其中ax,p(i),1和ay,p(i),1作为系数输入,接下来构造拉普拉斯矩阵,这里的拉普拉斯是一个对称,只有少数几个对角线有元素,其余为零的稀疏矩阵,可以获得减少无用纹理信息的图像。最后通过求解可以获得最终输出图像。
步骤3:对步骤2中获得的图像进行第二级权重相对总变差处理,获得突出边界景深信息的图像;
计算第二级权重相对总变差平滑项,ax,p(i),2和ay,p(i),2。
计算步骤1获得的图像的平均梯度,公式如下:
其中,m×n表示步骤1获得的图像f1的大小,i和j分别表示m和n的索引,表示水平方向上的梯度,表示垂直方向上的梯度;
根据步骤获得的平均梯度,选择第二级平滑权重系数α2,β2,当平均梯度S<5时,第二级平滑权重系数α2,β2分别为0.2和0.2;当平均梯度9>S≥5时,第二级平滑权重系数α2,β2分别为0.85和0.85;当平均梯度S≥9时,第二级平滑权重系数α2,β2分别为0.98和0.98;
然后根据第二级权重相对总变差平滑项权重系数和步骤2得到的图像,计算ax,p(i),2和ay,p(i),2。这里具体为:基于原相对总变差模型,提出新的多级权重相对总变差模型:
其中:
ax,p(i),2=wx·ux
ay,p(i),2=wy·uy
式中,p为某一局部区域,S2p和f2p分别为步骤2获得的图像分解出的结构图和原图在该区域的值,(S2p-f2p)2表示结构图和原图的相似度,λ为权重系数,ax,p(i),2和ay,p(i),2为第二级权重相对总变差平滑项,ε为用来防止分母为0的调整系数,gp为高斯核函数;即根据第二级权重相对总变差平滑项权重系数,即能够计算出ax,p(i),2和ay,p(i),2。
其中ax,p(i),2和ay,p(i),2作为系数输入,接下来构造拉普拉斯矩阵,可以获得突出边界景深信息的图像。最后通过求解可以获得最终输出图像。
步骤4:对步骤1中获得的图像进行确定参数权重相对总变差处理,获得边界平滑的图像;
确定参数权重相对总变差模型和多级权重相对总变差模型一致,对平滑项的计算有一点不同,引入新的参数wo。
其模型描述为:
其中:
bx,p(i)=wo·ux
by,p(i)=wo·uy
式中,p为某一局部区域,S1p和f1p分别为步骤1获得的图像分解出的结构图和原图在该区域的值,(S1p-f1p)2表示结构图和原图的相似度,λ为权重系数,bx,p(i)和by,p(i)为确定参数权重相对总变差平滑项,其目的是定义到x和y方向用来更好的区分纹理和结构信息的正则化系数,平滑权重系数α3,β3用于修正纹理和结构信息对最终结果的影响,ε为用来防止分母为0的调整系数,gp为高斯核函数。即根据确定参数权重相对总变差平滑项权重系数,即能够计算出bx,p(i)和by,p(i);
其中bx,p(i)和by,p(i)作为系数输入,接下来构造拉普拉斯矩阵,这里的拉普拉斯是一个对称,只有少数几个对角线有元素,其余为零的稀疏矩阵,可以获得边界平滑的图像。最后通过求解可以获得最终输出图像。
步骤5:对步骤3和步骤4获得的图像取并集,获得输出图像。
输出图像边界平滑性更好。
从图2可以看出,图2中(a)和(e)为原始含有纹理的图像,我们分别实用传统方法和本文中提出的方法对(a)和(e)进行边缘提取。首先我们使用加权最小二乘(WLS)算法处理(a)和(e),获得的图像如(b)和(f)所示,从图中我们可以看出获得的图像纹理和结构信息没有被区分。(c)和(g)是使用相对总变差(RTV)算法处理后的图像,可以看出获得的图像的结构信息比较明显,但是图像内部纹理信息还有所保留,而且边界细节比较粗糙。(d)和(h)是由本发明处理后的图像,对比前面几种算子获得的图像边缘,可以看到(d)和(h)在获得比较明显的结构信息的同时,图像的内部纹理信息去除的更好,效果优于传统的算法获得的图像。
表1是经过大量的实验,根据不同的平均梯度最终确定的三个等级,第一级权重相对总变差减少图像内无用的纹理信息,第二级权重相对总变差突出图像内的边界景深信息。
表2和表3是进行图像纹理特征总体评价,能量反应了图像灰度分布均匀程度和纹理粗细度。从(a)到(d)和(e)到(h)能量值越大表明当前纹理是一种规则变化更加稳定的纹理;熵表明了图像灰度分布的复杂程度,从(a)到(d)和(e)到(h)熵值越小,图像越简单;惯性矩反应了图像的清晰度和纹理的沟纹深浅,从(a)到(d)和(e)到(h)对比值越小,则沟纹越浅;相关度值的大小反应了局部灰度相关性,从(a)到(d)和(e)到(h)值越大,相关性也越大。表2(a)-(d)纹理特征总体评价
表3(e)-(h)纹理特征总体评价
能量 | 熵 | 惯性矩 | 相关度 | |
图(e) | 0.022139 | 4.713055 | 14.651677 | 0.025175 |
图(f) | 0.038479 | 4.026710 | 4.063456 | 0.047896 |
图(g) | 0.058171 | 3.430981 | 2.455637 | 0.042180 |
图(h) | 0.062681 | 3.329047 | 2.010508 | 0.054897 |
Claims (6)
1.一种基于多级权重相对总变差的图像去纹理方法,其特征在于,包括以下步骤:
步骤1:获取带有纹理的图像;
步骤2:对步骤1中获得的图像进行第一级权重相对总变差处理,获得减少无用纹理信息的图像;
步骤3:对步骤2中获得的图像进行第二级权重相对总变差处理,获得突出边界景深信息的图像;
步骤4:对步骤1中获得的图像进行确定参数权重相对总变差处理,获得边界平滑的图像;
步骤5:对步骤3和步骤4获得的图像取并集,获得输出图像。
2.根据权利要求1所述的一种基于多级权重相对总变差的图像去纹理方法,其特征在于,步骤2中进行第一级权重相对总变差处理的方法为:
步骤2.1:计算步骤1获得的图像的平均梯度,公式如下:
其中,m×n表示步骤1获得的图像f1的大小,i和j分别表示m和n的索引,表示水平方向上的梯度,表示垂直方向上的梯度;
步骤2.2:根据步骤2.1获得的平均梯度,选择第一级平滑权重系数α1,β1,当平均梯度S<5时,第一级平滑权重系数α1,β1分别为0.85和0.95;当平均梯度9>S≥5时,第一级平滑权重系数α1,β1分别为0.85和0.95;当平均梯度S≥9时,第一级平滑权重系数α1,β1分别为0.85和0.95;
步骤2.3:通过第一级平滑权重系数和步骤1得到的图像计算第一级权重相对总变差平滑项ax,p(i),1和ay,p(i),1;
步骤2.4:将ax,p(i),1和ay,p(i),1作为系数输入构造拉普拉斯矩阵,然后通过求解即获得最终输出图像。
3.根据权利要求2所述的一种基于多级权重相对总变差的图像去纹理方法,其特征在于,步骤2.3具体为:基于原相对总变差模型,提出新的多级权重相对总变差模型:
其中:
ax,p(i),1=wx·ux
ay,p(i),1=wy·uy
式中,p为某一局部区域,S1p和f1p分别为步骤1获得的图像分解出的结构图和原图在该区域的值,(S1p-f1p)2表示结构图和原图的相似度,λ为权重系数,ax,p(i),1和ay,p(i),1为第一级权重相对总变差平滑项,ε为用来防止分母为0的调整系数,gp为高斯核函数;即根据第一级权重相对总变差平滑项权重系数,即能够计算出ax,p(i),1和ay,p(i),1。
4.根据权利要求1所述的一种基于多级权重相对总变差的图像去纹理方法,其特征在于,步骤3中进行第二级权重相对总变差处理的方法为:
步骤3.1:计算步骤1获得的图像的平均梯度,公式如下:
其中,m×n表示步骤1获得的图像f1的大小,i和j分别表示m和n的索引,表示水平方向上的梯度,表示垂直方向上的梯度;
步骤3.2:根据步骤3.1获得的平均梯度,选择第二级平滑权重系数α2,β2,当平均梯度S<5时,第二级平滑权重系数α2,β2分别为0.2和0.2;当平均梯度9>S≥5时,第二级平滑权重系数α2,β2分别为0.85和0.85;当平均梯度S≥9时,第二级平滑权重系数α2,β2分别为0.98和0.98;
步骤3.3:通过第二级平滑权重系数和步骤2得到的图像计算第二级权重相对总变差平滑项ax,p(i),2和ay,p(i),2;
步骤3.4:将ax,p(i),2和ay,p(i),2作为系数输入构造拉普拉斯矩阵,然后通过求解即获得最终输出图像。
5.根据权利要求4所述的一种基于多级权重相对总变差的图像去纹理方法,其特征在于,步骤3.3具体为:基于原相对总变差模型,提出新的多级权重相对总变差模型:
其中:
ax,p(i),2=wx·ux
ay,p(i),2=wy·uy
式中,p为某一局部区域,S2p和f2p分别为步骤2获得的图像分解出的结构图和原图在该区域的值,(S2p-f2p)2表示结构图和原图的相似度,λ为权重系数,ax,p(i),2和ay,p(i),2为第二级权重相对总变差平滑项,ε为用来防止分母为0的调整系数,gp为高斯核函数;即根据第二级权重相对总变差平滑项权重系数,即能够计算出ax,p(i),2和ay,p(i),2。
6.根据权利要求1所述的一种基于多级权重相对总变差的图像去纹理方法,其特征在于,步骤4中进行确定参数权重相对总变差处理的方法为:
步骤4.1:计算确定参数权重相对总变差平滑项bx,p(i)和by,p(i);
确定参数权重相对总变差模型和多级权重相对总变差模型一致,但对平滑项的计算中引入新的参数wo;
其模型描述为:
其中:
bx,p(i)=wo·ux
by,p(i)=wo·uy
式中,p为某一局部区域,S1p和f1p分别为步骤1获得的图像分解出的结构图和原图在该区域的值,(S1p-f1p)2表示结构图和原图的相似度,λ为权重系数,bx,p(i)和by,p(i)为平滑项,ε为用来防止分母为0的调整系数,gp为高斯核函数;即根据确定参数权重相对总变差平滑项权重系数,即能够计算出bx,p(i),2和by,p(i),2;
步骤4.2:将bx,p(i)和by,p(i)作为系数输入构造拉普拉斯矩阵,然后通过求解即获得最终输出图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910145687.0A CN109859145B (zh) | 2019-02-27 | 2019-02-27 | 一种基于多级权重相对总变差的图像去纹理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910145687.0A CN109859145B (zh) | 2019-02-27 | 2019-02-27 | 一种基于多级权重相对总变差的图像去纹理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859145A true CN109859145A (zh) | 2019-06-07 |
CN109859145B CN109859145B (zh) | 2022-12-09 |
Family
ID=66899024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910145687.0A Active CN109859145B (zh) | 2019-02-27 | 2019-02-27 | 一种基于多级权重相对总变差的图像去纹理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859145B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246099A (zh) * | 2019-06-10 | 2019-09-17 | 浙江传媒学院 | 一种保持结构边缘的图像去纹理方法 |
CN110490859A (zh) * | 2019-08-21 | 2019-11-22 | 西安工程大学 | 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458766A (zh) * | 2014-12-31 | 2015-03-25 | 江南大学 | 一种基于结构纹理法的布匹表面瑕疵检测方法 |
CN106204447A (zh) * | 2016-06-30 | 2016-12-07 | 北京大学 | 基于总变差分和卷积神经网络的超分辨率重建方法 |
WO2019010932A1 (zh) * | 2017-07-14 | 2019-01-17 | 华中科技大学 | 一种利于模糊核估计的图像区域选择方法和系统 |
-
2019
- 2019-02-27 CN CN201910145687.0A patent/CN109859145B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104458766A (zh) * | 2014-12-31 | 2015-03-25 | 江南大学 | 一种基于结构纹理法的布匹表面瑕疵检测方法 |
CN106204447A (zh) * | 2016-06-30 | 2016-12-07 | 北京大学 | 基于总变差分和卷积神经网络的超分辨率重建方法 |
WO2019010932A1 (zh) * | 2017-07-14 | 2019-01-17 | 华中科技大学 | 一种利于模糊核估计的图像区域选择方法和系统 |
Non-Patent Citations (1)
Title |
---|
郭和炀等: "基于自适应中值滤波半径的纹理滤波算法", 《现代计算机(专业版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246099A (zh) * | 2019-06-10 | 2019-09-17 | 浙江传媒学院 | 一种保持结构边缘的图像去纹理方法 |
CN110246099B (zh) * | 2019-06-10 | 2021-09-07 | 浙江传媒学院 | 一种保持结构边缘的图像去纹理方法 |
CN110490859A (zh) * | 2019-08-21 | 2019-11-22 | 西安工程大学 | 一种纹理抑制与主动轮廓法结合的织物缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109859145B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972329B (zh) | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 | |
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN105512684B (zh) | 基于主成分分析卷积神经网络的车标自动识别方法 | |
Coburn et al. | A multiscale texture analysis procedure for improved forest stand classification | |
CN100550037C (zh) | 利用改进Hausdorff距离提取识别人耳特征的方法 | |
CN102117413B (zh) | 基于多层特征的不良图像自动过滤方法 | |
WO2020007307A1 (zh) | 全景图像的天空滤镜方法及便携式终端 | |
CN103853724B (zh) | 多媒体数据分类方法及装置 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN112001904B (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
CN105023027B (zh) | 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法 | |
CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
CN107886507B (zh) | 一种基于图像背景和空间位置的显著区域检测方法 | |
CN108563975B (zh) | 一种基于深度学习的高密度人群人数估计方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN104217221A (zh) | 基于纹理特征的书画作品检测方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN108510496B (zh) | 基于图像dct域的svd分解的模糊检测方法 | |
CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN109978848A (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN108765406A (zh) | 一种基于红外遥感图像的雪山检测方法 | |
CN102663723A (zh) | 一种基于颜色样本与电场模型的图像分割方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221118 Address after: Room 508, block a, Rongcheng cloud Valley, 57 Keji 3rd road, Zhangba Street office, high tech Zone, Xi'an City, Shaanxi Province, 710075 Applicant after: Xi'an Huizhi Information Technology Co.,Ltd. Address before: 710064 middle section of South Second Ring Road, Beilin District, Xi'an City, Shaanxi Province Applicant before: CHANG'AN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |