CN109978878A - 基于lsd的彩色图像线段检测方法及其系统 - Google Patents
基于lsd的彩色图像线段检测方法及其系统 Download PDFInfo
- Publication number
- CN109978878A CN109978878A CN201910272013.7A CN201910272013A CN109978878A CN 109978878 A CN109978878 A CN 109978878A CN 201910272013 A CN201910272013 A CN 201910272013A CN 109978878 A CN109978878 A CN 109978878A
- Authority
- CN
- China
- Prior art keywords
- gradient
- pixel
- value
- region
- color image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000007688 edging Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- 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
- 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
- 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)
- Image Analysis (AREA)
Abstract
本发明涉及基于LSD的彩色图像线段检测方法及其系统,包括:对图片进行一次高斯降采样并缩小图片,对图片的RGB三通道进行梯度检测,确定三者中最大的梯度值作为基准梯度,区域增长,矩形估计,输出检测结果。本发明有益效果:采样图像为彩色图像时,无需经过灰度处理,通过对原图三通道进行梯度检测确定梯度值,快速精确地检测到彩色边缘线段。
Description
技术领域
本发明涉及基于LSD的彩色图像线段检测方法及其系统,属于图像识别领域。
背景技术
图像识读领域,线段检测是进行图像处理的基础步骤。Rafael Grompone、JeremieJackbowicz、Jean-Michel Morel于2010年在PAMI上的发表的文献《LSD:a Line SegmentDectctor》描述了一种LSD快速直线检测算法。该算法时间复杂度较霍夫变换低。LSD算法通过对图像局部分析,得出直线的像素点集,再通过假设参数进行验证求解,将像素点集合与误差控制集合合并,进而自适应控制误检的数量。一般来说,要检测图像中的直线,最基本的思想是检测图像中梯度变化较大的像素点集,LSD算法也正是利用梯度信息和行列线(level-line)来进行直线检测的。
现有技术的LSD算法设计用于处理灰度图像,在对彩色图像应用LSD之前,必须将其转换为灰度图像。然而,在这种转换中可能会丢失一些颜色边缘。例如,左边红色右边绿色的一幅图像中间显示一条清晰的边缘,但是在标准转换为灰度图像之后,发现边缘消失,原因是红色值和绿色值都转换为相同的灰色值。因此,现有技术的LSD算法无法检测彩色图像线段,尤其是两种颜色的边缘线段。
发明内容
为了解决上述技术问题,本发明提供基于LSD的彩色图像线段检测方法及其系统,其能够对彩色图像的线段进行检测,尤其适用于票据图像的识别。
本发明的技术方案一:
基于LSD的彩色图像线段检测方法,包括如下步骤:
S1:获取一帧彩色图像。
S2:对图像进行高斯降采样,缩小图像分辨率。
S3:对缩小分辨率的图像的每个像素点分别进行梯度计算,其中,像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算,取三个梯度的最大值作为当前像素的梯度值。
S4:根据S3步骤输出的梯度值对每个像素进行筛选,去除其中小于梯度阈值的像素,其中,所述梯度阈值为
S5:对筛选后的像素分别根据其梯度值进行区域增长运算,合并与当前像素梯度方向相同的像素,获得对应的规划区域。
S6:对所有的规划区域进行矩形近似计算,得到对应的直线段。
S7:输出带有所有直线段的图像。
S3步骤中,所述梯度算法为以下多项式;
其中,gx(x,y)和gy(x,y)分别为当前像素点的水平梯度和垂直梯度,G(x,y)为区域梯度的幅值,A(x,y)为区域梯度的角度,i(x,y),i(x+1,y),i(x,y+1),i(x+1,y+1),为2乘2模板上相邻的四个点的值,x和y分别为当前像素点的横纵坐标。
本发明的技术方案二:
基于LSD的彩色图像线段检测系统,包括存储器和处理器,所述存储器存储有指令,所述指令适于由处理器加载并执行以下步骤:
获取一帧彩色图像。
对图像进行高斯降采样,缩小图像分辨率。
对缩小分辨率的图像的每个像素点分别进行梯度计算,其中,像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算,取三个梯度的最大值作为当前像素的梯度值。
根据输出的梯度值对每个像素进行筛选,去除其中小于梯度阈值的像素,其中,所述梯度阈值为
对筛选后的像素分别根据其梯度值进行区域增长运算,合并与当前像素梯度方向相同的像素,获得对应的规划区域。
对所有的规划区域进行矩形近似计算,得到对应的直线段。
输出带有所有直线段的图像。
计算三通道梯度值使用的所述梯度算法为以下多项式;
其中,gx(x,y)和gy(x,y)分别为当前像素点的水平梯度和垂直梯度,G(x,y)为区域梯度的幅值,A(x,y)为区域梯度的角度,i(x,y),i(x+1,y),i(x,y+1),i(x+1,y+1),为2乘2模板上相邻的四个点的值,x和y分别为当前像素点的横纵坐标。
本发明的有益效果为,使用原图彩色图像直接进行三通道梯度检测,选取最大值作为梯度值,没有经过彩色转灰度的信息丢失,对于彩色边缘的线段,可以精准高效的检测出来。
附图说明
图1为现有技术的LSD直线线段检测流程图;
图2为本发明的基于LSD的彩色图像线段检测方法流程图;
图3为本发明的一个实施例的彩色原图;
图4为本发明的一个实施例的梯度计算模板示意图;
图5为本发明的一个实施例的区域增长运算示意图;
图6为本发明的一个实施例的矩形近似计算示意图;
图7为本发明的一个实施例的直线段计算结果示意图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一
请参阅图2,基于LSD的彩色图像线段检测方法,包括如下步骤:
S1:获取一帧彩色图像,如图3所示,(原图为左红右绿的图像)。
S2:对图像进行高斯降采样,缩小图像分辨率。
通过降采样可以减缓或解决图像中出现的混叠与量化伪像问题,特别是阶梯效应,混叠问题是使不同的信号成为不可区分的效果时采样。它也指失真或伪影,其导致当从样品中重建的信号是从原始连续信号不同。而另一个问题,阶梯效应实际上就是锯齿问题,图像在边缘处常常显示成锯齿状,所以需要通过降采样解决这个问题。
本方案算法中默认的降采样比例是0.8,X轴Y轴各降采样0.8,而总像素降采样0.64。通过使用高斯内核过滤图像以避免混叠然后进行次采样。公式求得的是高斯内核标准偏差,σ=∑/S,S是缩放因子。
S3:对缩小分辨率的图像的每个像素点分别进行梯度计算,其中,像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算,取三个梯度的最大值作为当前像素的梯度值。
LSD梯度的计算利用每像素点的右边下方的四个像素进行计算。这样做主要是尽可能少的使用其他像素,可以减少对梯度的依赖性,这样对有噪声的图像更具有鲁棒性。计算梯度是为了记录明暗变化,从而找到可能有线段边缘的地方。
传统LSD对图像进行灰度转换后进行单通道检测,会使得彩色图像边缘信息丢失。本方案不进行灰度转换,对三通道分别进行梯度计算,确保色彩信息不丢失。
S4:根据S3步骤输出的梯度值对每个像素进行筛选,去除其中小于梯度阈值的像素,其中,所述梯度阈值为
如果一张图像中有些小梯度区域表现非常均匀,由于值的量化,那里的像素就会表现出更高的误差,会影响到区域增长运算,误导直线方向,那么设定如果梯度小于某一个阈值ρ就被抛弃并将不再用于线段区域的构建。假设存在理想图像i和量化噪声n,当角度误差小于容忍值的时候,我们就接受这个像素,一般来说,阈值设定为
S5:对筛选后的像素分别根据其梯度值进行区域增长运算,合并与当前像素梯度方向相同的像素,获得对应的规划区域。
当前像素计算完梯度之后,会得到一个像素的方向,而由像素构成的line区域也会有一个方向,便可以通过这两个方向之间的差距,判断该像素是否可以被纳入到直线区域中,所有可纳入的像素连线最终得到一规划区域,遍历所有像素后,得到若干规划区域,即各个直线线段的范围区域。
这个区域增长运算的算法是现有技术,执行的结果是将代表当前方向的区域进行不断地扩大,吞并附近和当前方向大致相同的像素,直至断点,形成一个线段的雏形区域。
如图5所示,在一个实施例中,对原图三个主要线段方向的区域增长运算,获得三个规划区域。
S6:对所有的规划区域进行矩形近似计算,得到对应的直线段。
规划增长区域后,要将该区域进行矩形近似计算,以求得一个较为规整的直线区域。一个直线段对应一个矩形,评估line support region,直线对应的矩形被找出。检测拟合矩形内梯度角,根据对应NFA公式,计算出该拟合矩形精度误差,如果不满足,则丢弃;如果满足要求,则将该矩形记录存储,表示为一条检测到的直线段。如图6所示,在一个实施例中,对所有的规划区域进行近似计算,得到图中不断连接的直线线段。
S7:输出带有所有直线段的图像。如图7所示。
S3步骤中,所述梯度算法为以下多项式;
其中,gx(x,y)和gy(x,y)分别为当前像素点的水平梯度和垂直梯度,G(x,y)为区域梯度的幅值,A(x,y)为区域梯度的角度,i(x,y),i(x+1,y),i(x,y+1),i(x+1,y+1),为2乘2模板上相邻的四个点的值,x和y分别为当前像素点的横纵坐标。
LSD梯度的计算利用每像素点的右边下方的四个像素进行计算。这样做,主要是尽可能少的使用其他像素,可以减少对梯度的依赖性,这样对有噪声的图像更具有鲁棒性。计算梯度是为了记录明暗变化,从而找到可能有线段边缘的地方。图像中由明转暗和由暗转明处的线段方向是不同的,呈180度差距,那就意味着如果一张图片倒置其明暗,使用LSD算出的线段依旧是那些线段,但是头与尾是颠倒过来的。并且因为梯度计算只用到了右下方的像素,所以计算出来的梯度并不是(x,y)点的梯度,而是(x+0.5,y+0.5)的梯度。
S3步骤中,分别取i(x,y)为像素点三通道中的r、g、b值,使用梯度算法求出各通道幅值Gr(x,y),Gg(x,y),Gb(x,y),各通道角度值Ar(x,y),Ag(x,y),Ab(x,y),计算最大幅值Gmax(x,y)和最大角度值Amax(x,y):
Gmax(x,y)=MAX(Gr(x,y),Gg(x,y),Gb(x,y))
Amax(x,y)=MAX(Ar(x,y),Ag(x,y),Ab(x,y))
输出Gmax(x,y),Amax(x,y)作为下一步的运算要素。
本发明的有益效果为,使用原图彩色图像直接进行三通道梯度检测,选取最大值作为梯度值,没有经过彩色转灰度的信息丢失,对于彩色边缘的线段,可以精准高效的检测出来。
实施例二
基于LSD的彩色图像线段检测系统,包括存储器和处理器,所述存储器存储有指令,所述指令适于由处理器加载并执行以下步骤:
获取一帧彩色图像。
对图像进行高斯降采样,缩小图像。
对缩小的图像的每个像素点分别进行梯度计算,其中,像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算,取三个梯度的最大值作为当前像素的梯度值。
根据S3步骤输出的梯度值对每个像素进行筛选,去除其中小于梯度阈值的像素,其中,所述梯度阈值为
对筛选后的像素分别根据其梯度值进行区域增长运算,合并与当前像素梯度方向相同的像素,获得对应的规划区域。
对所有的规划区域进行矩形近似计算,得到对应的直线段。
输出带有所有直线段的图像。
计算三通道梯度值使用的所述梯度算法为以下多项式;
其中,gx(x,y)和gy(x,y)分别为当前像素点的水平梯度和垂直梯度,G(x,y)为区域梯度的幅值,A(x,y)为区域梯度的角度,i(x,y),i(x+1,y),i(x,y+1),i(x+1,y+1),为2乘2模板上相邻的四个点的值,x和y分别为当前像素点的横纵坐标。
计算三通道梯度值时,分别取i(x,y)为像素点三通道中的r、g、b值,使用梯度算法求出各通道幅值Gr(x,y),Gg(x,y),Gb(x,y),各通道角度值Ar(x,y),Ag(x,y),Ab(x,y),计算最大幅值Gmax(x,y)和最大角度值Amax(x,y):
Gmax(x,y)=MAX(Gr(x,y),Gg(x,y),Gb(x,y))
Amax(x,y)=MAX(Ar(x,y),Ag(x,y),Ab(x,y))
输出Gmax(x,y),Amax(x,y)作为区域增长运算的输入值。
本发明的有益效果为,使用原图彩色图像直接进行三通道梯度检测,选取最大值作为梯度值,没有经过彩色转灰度的信息丢失,对于彩色边缘的线段,可以精准高效的检测出来。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包含在本发明的专利保护范围内。
Claims (4)
1.基于LSD的彩色图像线段检测方法,其特征在于,包括如下步骤:
S1:获取一帧彩色图像;
S2:对图像进行高斯降采样,缩小图像分辨率;
S3:对缩小分辨率的图像的每个像素点分别进行梯度计算,其中,像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算,取三个梯度中的最大值作为当前像素的梯度值;
S4:根据S3步骤输出的梯度值对每个像素进行筛选,去除其中小于梯度阈值的像素,其中,所述梯度阈值为
S5:对筛选后的像素分别根据其梯度值进行区域增长运算,合并与当前像素梯度方向相同的像素,获得对应的规划区域;
S6:对所有的规划区域进行矩形近似计算,得到对应的直线段;
S7:输出带有所有直线段的图像。
2.根据权利要求1所述的基于LSD的彩色图像线段检测方法,其特征在于,S3步骤中,所述梯度算法为以下多项式;
其中,gx(x,y)和gy(x,y)分别为当前像素点的水平梯度和垂直梯度,G(x,y)为区域梯度的幅值,A(x,y)为区域梯度的角度,i(x,y),i(x+1,y),,i(x,y-1),i(x+1,y+1),为2乘2模板上相邻的四个点的值,x和y分别为当前像素点的横纵坐标。
3.基于LSD的彩色图像线段检测系统,其特征在于,包括存储器和处理器,所述存储器存储有指令,所述指令适于由处理器加载并执行以下步骤:
获取一帧彩色图像;
对图像进行高斯降采样,缩小图像分辨率;
对缩小分辨率的图像的每个像素点分别进行梯度计算,其中,像素的R、G、B三通道分别应用梯度算法进行对应通道的梯度计算,取三个梯度的最大值作为当前像素的梯度值;
根据输出的梯度值对每个像素进行筛选,去除其中小于梯度阈值的像素,其中,所述梯度阈值为
对筛选后的像素分别根据其梯度值进行区域增长运算,合并与当前像素梯度方向相同的像素,获得对应的规划区域;
对所有的规划区域进行矩形近似计算,得到对应的直线段;
输出带有所有直线段的图像。
4.根据权利要求3所述的基于LSD的彩色图像线段检测系统,其特征在于:计算三通道梯度值使用的所述梯度算法为以下多项式;
其中,gx(x,y)和gy(x,y)分别为当前像素点的水平梯度和垂直梯度,G(x,y)为区域梯度的幅值,A(x,y)为区域梯度的角度,i(x,y),i(x+1,y),i(x,y+1),i(x+1,y+1),为2乘2模板上相邻的四个点的值,x和y分别为当前像素点的横纵坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272013.7A CN109978878A (zh) | 2019-04-04 | 2019-04-04 | 基于lsd的彩色图像线段检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272013.7A CN109978878A (zh) | 2019-04-04 | 2019-04-04 | 基于lsd的彩色图像线段检测方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978878A true CN109978878A (zh) | 2019-07-05 |
Family
ID=67083049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910272013.7A Pending CN109978878A (zh) | 2019-04-04 | 2019-04-04 | 基于lsd的彩色图像线段检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978878A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652825A (zh) * | 2020-08-06 | 2020-09-11 | 上海海栎创微电子有限公司 | 基于梯度方向约束的边缘跟踪直线段快速检测装置及方法 |
CN112258471A (zh) * | 2020-10-20 | 2021-01-22 | 成都云盯科技有限公司 | 一种卷帘门状态检测方法和系统 |
CN113592801A (zh) * | 2021-07-23 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频图像的条纹干扰检测方法及其装置 |
CN117094996A (zh) * | 2023-10-18 | 2023-11-21 | 广州市大湾区虚拟现实研究院 | 基于fpga和lsd算法的直线检测系统及其控制方法 |
CN117274288A (zh) * | 2023-09-27 | 2023-12-22 | 河海大学 | 基于改进lsd算法的轴类零件亚像素边缘检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778695A (zh) * | 2015-04-10 | 2015-07-15 | 哈尔滨工程大学 | 一种基于梯度显著性的水天线检测方法 |
CN109431584A (zh) * | 2018-11-27 | 2019-03-08 | 深圳蓝韵医学影像有限公司 | 超声成像的方法及系统 |
-
2019
- 2019-04-04 CN CN201910272013.7A patent/CN109978878A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778695A (zh) * | 2015-04-10 | 2015-07-15 | 哈尔滨工程大学 | 一种基于梯度显著性的水天线检测方法 |
CN109431584A (zh) * | 2018-11-27 | 2019-03-08 | 深圳蓝韵医学影像有限公司 | 超声成像的方法及系统 |
Non-Patent Citations (5)
Title |
---|
RAFASEL,GROMPONE VON GIOI ET AL.: ""LSD:a fast line segement detector with a false detection control"", 《IEEE TRANSACTIONS ONPATTERNANALYSIS AND MACHINE INTELLIGENCE》 * |
吴娱: "《数字图像处理》", 31 October 2017, 北京邮电大学出版社 * |
李涛: ""面向安防监控视频异物遮挡检测的方法与应用研究"", 《万方数据知识服务平台》 * |
杨芸芸: ""基于拍照的银行卡卡号检测"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
黄攀峰 等: "《空间绳系机器人技术》", 30 August 2014, 中国宇航出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652825A (zh) * | 2020-08-06 | 2020-09-11 | 上海海栎创微电子有限公司 | 基于梯度方向约束的边缘跟踪直线段快速检测装置及方法 |
CN112258471A (zh) * | 2020-10-20 | 2021-01-22 | 成都云盯科技有限公司 | 一种卷帘门状态检测方法和系统 |
CN113592801A (zh) * | 2021-07-23 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频图像的条纹干扰检测方法及其装置 |
CN117274288A (zh) * | 2023-09-27 | 2023-12-22 | 河海大学 | 基于改进lsd算法的轴类零件亚像素边缘检测方法 |
CN117274288B (zh) * | 2023-09-27 | 2024-05-03 | 河海大学 | 基于改进lsd算法的轴类零件亚像素边缘检测方法 |
CN117094996A (zh) * | 2023-10-18 | 2023-11-21 | 广州市大湾区虚拟现实研究院 | 基于fpga和lsd算法的直线检测系统及其控制方法 |
CN117094996B (zh) * | 2023-10-18 | 2024-02-23 | 广州市大湾区虚拟现实研究院 | 基于fpga和lsd算法的直线检测系统及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978878A (zh) | 基于lsd的彩色图像线段检测方法及其系统 | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
US8391585B2 (en) | Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN105117726B (zh) | 基于多特征区域累积的车牌定位方法 | |
WO2018068300A1 (zh) | 图像处理方法和装置 | |
CN108389215B (zh) | 一种边缘检测方法、装置、计算机存储介质及终端 | |
CN111080661A (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN109544464A (zh) | 一种基于轮廓提取的火灾视频图像分析方法 | |
CN110619647B (zh) | 基于边缘点频域空域特征结合图像模糊区域定位方法 | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN108445009B (zh) | 一种太阳能电池板裂纹检测方法 | |
KR20100078623A (ko) | 컬러 보간 장치 및 컬러 보간 방법 | |
WO2019076326A1 (zh) | 监控视频图像的阴影检测方法及其系统、阴影去除方法 | |
CN103733608A (zh) | 图像处理设备及其控制方法 | |
US20120320433A1 (en) | Image processing method, image processing device and scanner | |
CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
US20160307062A1 (en) | Method and device for determining regions to be detected on display motherboard | |
EP2226763A2 (en) | Image processing method and apparatus for detecting an edge of an object within an image | |
CN114022503A (zh) | 检测方法及检测系统、设备和存储介质 | |
CN107292897B (zh) | 用于yuv域的图像边缘提取方法、装置及终端 | |
CN106530273B (zh) | 高精度fpc直线线路检测与缺陷定位方法 | |
CN110909772B (zh) | 一种高精度实时多尺度表盘指针检测方法和系统 | |
CN113785181A (zh) | Oled屏幕点缺陷判定方法、装置、存储介质及电子设备 |
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 |