CN110033434A - 一种基于纹理显著性的表面缺陷检测方法 - Google Patents
一种基于纹理显著性的表面缺陷检测方法 Download PDFInfo
- Publication number
- CN110033434A CN110033434A CN201910159799.1A CN201910159799A CN110033434A CN 110033434 A CN110033434 A CN 110033434A CN 201910159799 A CN201910159799 A CN 201910159799A CN 110033434 A CN110033434 A CN 110033434A
- Authority
- CN
- China
- Prior art keywords
- texture
- image
- textural characteristics
- conspicuousness
- detection method
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于纹理显著性的表面缺陷检测方法,通过对表面缺陷图像分别求取图像灰度共生矩阵GLCM纹理特征以及表面缺陷图像灰度梯度共生矩阵GGCM纹理特征;得到的各个纹理特征值分别减去其均值后,再经归一化处理得到不同纹理特征表示的图像纹理显著图;对不同纹理特征表示的图像纹理显著图进行加权融合,得出表面缺陷图像最终的显著图像。本发明得到的显著性检测结果能够同时检测出强缺陷和弱缺陷,有效抑制背景噪声的干扰,是一种更精准、鲁棒性好的表面缺陷检测方法。
Description
技术领域
本发明涉及多传感器融合和行人导航领域,尤其是一种基于纹理显著性的表面缺陷检测方法。
背景技术
由于生产加工过程的精细不足,某些产品表面可能会产生一些缺陷,而目前对于表面缺陷的检测主要依靠人工方式。人工检测存在效率低、成本高等缺点,同时人工检测的主观性容易造成缺陷的误检、漏检。因此进行产品表面缺陷的自动化检测具有非常重要的意义。
针对产品表面缺陷的检测,目前的算法主要从图像的灰度特征和信号特征进行研究。对于灰度特征主要从缺陷的梯度、边缘特征进行分析,但对不均匀、对比度低的图像检测鲁棒性较低。对于信号特征主要从图像的高低频信号方面研究,目前较多的是基于傅立叶频谱特征和小波变换的缺陷检测,但运算量较大,且有些缺陷的表现特征不明显,不适合微弱缺陷的检测。
图像显著性即图像中视觉关注的焦点,有效的视觉显著性方法能够在大量的图像信息中准确地找到感兴趣物体。现有的视觉显著性计算模型分为自底向上的任务无关的显著性提取和自顶向下的任务驱动的显著性提取。大多图像显著性算法采用自底向上的视觉注意机制展开,如谱残差(SR)、内外窗口对比度(AC)、频率调谐(FT)、灰度直方图统计对比(LC)等。这些算法基于图像的全局或局部对比度,从不同角度主要对自然场景中的显著区域进行检测,取得较好效果,但是直接用于表面缺陷检测自适应性较差。以上研究在各自特定的条件下具有一定的检测效果,但对背景噪声的干扰敏感以及不能同时检测出强缺陷与弱缺陷。观察到均匀图像中缺陷处的纹理特征较背景处的纹理特征有较大变化,因此结合纹理特征和视觉注意机制,提出了基于纹理显著性的表面缺陷检测算法,并以车身表面缺陷图像为对象进行特征分析和检测算法的研究。
发明内容
本发明所要解决的技术问题在于,提供一种基于纹理显著性的表面缺陷检测方法,结合了图像中像素点及其领域的灰度空间(GLCM)和梯度空间(GGCM)的相互关系,更全面地反映纹理图像的信息。
为解决上述技术问题,本发明提供一种基于纹理显著性的表面缺陷检测方法,包括如下步骤:
(1)对含有表面缺陷的图像进行线性插值,宽和高都扩大h-1个像素;
(2)对于步骤(1)得到的表面缺陷图像,求取其灰度共生矩阵GLCM纹理特征及灰度梯度共生矩阵GGCM纹理特征;
(3)利用步骤(2)得到的各个纹理特征值分别减去其均值后,再经归一化处理得到不同纹理特征表示的图像纹理显著图,即Sm_CON、Sm_MEAN、Sm_VAR、Sm_T6、Sm_T8、Sm_T14、Sm_T15;
(4)利用步骤(3)得到的不同纹理特征表示的图像纹理显著图进行加权融合,得出表面缺陷图像最终的显著图像。
优选的,步骤(2)中,灰度共生矩阵GLCM纹理特征包括对比度特征值CON、均值特征值MEAN和方差特征值VAR。
优选的,步骤(2)中,灰度梯度共生矩阵GGCM纹理特征包括平均灰度T6、灰度均方差T8、惯性T14和逆差矩T15。
优选的,步骤(2)中,对于步骤(1)得到的表面缺陷图像,求取其灰度共生矩阵GLCM纹理特征及灰度梯度共生矩阵GGCM纹理特征具体包括如下步骤:
(21)首先建立一个h*h的小图像块滑动窗口;
(22)计算该滑动窗口所对应子图的灰度共生矩阵、灰度-梯度共生矩阵以及相应的纹理特征值;
(23)然后将代表该窗口的纹理特征值赋值给该窗口的中心点,完成对第一个小窗口的纹理特征计算;
(24)将窗口移动一个像素,形成另一个小窗口子图,得到新的纹理特征值;
(25)遍历整个图像,得到由纹理特征值构成的纹理特征矩阵。
优选的,步骤(2)中,计算图像块内每个像素点的4个方向即0°、45°、90°、135°对应的特征值,并取其均值作为该像素点的特征值。
本发明的有益效果为:(1)本发明具有更高的表面缺陷检测精度,且鲁棒性好;(2)本发明针对表面缺陷多样复杂、检测难度较大等问题,观察到缺陷存在于均匀分布的图像中局部变化较明显的区域,纹理信息变化较大,符合人眼视觉注意机制,因此结合纹理特征和视觉注意机制,提出基于纹理显著性的表面缺陷检测算法;(3)本发明结合了图像中像素点及其领域的灰度空间(GLCM)和梯度空间(GGCM)的相互关系,更全面地反映纹理图像的信息;(4)本发明以车身表面缺陷图像为对象进行特征分析和检测算法的研究,将4种经典的显著性检测模型FT、LC、AC、SR与本发明所提出的显著性缺陷检测算法进行对比,经验证本发明的算法检测效果更优越。
附图说明
图1为本发明的GLCM各特征Gmean值对比折线图。
图2为本发明的GGCM各特征Gmean值对比折线图。
图3(a)为本发明的划痕缺陷图像示意图。
图3(b)为本发明的大擦伤图像示意图。
图3(c)为本发明的大面积微弱擦伤图像示意图。
图3(d)为本发明的爆孔缺陷图像示意图。
图4(a)为显著性检测模型FT检测结果示意图。
图4(b)为显著性检测模型LC检测结果示意图。
图4(c)为显著性检测模型AC检测结果示意图。
图4(d)为显著性检测模型SR检测结果示意图。
图4(e)为本发明的检测结果示意图。
图5为本发明精确率、召回率和综合值对比示意图。
图6为本发明的缺陷分割结果示意图。
具体实施方式
如图1所示,一种基于纹理显著性的表面缺陷检测方法,包括如下步骤:
(1)对含有表面缺陷的图像进行线性插值,宽和高都扩大h-1个像素(后面步骤中在求取表面缺陷图像的灰度共生矩阵GLCM和灰度梯度共生矩阵GGCM时用到的图像滑动块大小为h*h个像素);
(2)对于步骤(1)得到的表面缺陷图像,求取其灰度共生矩阵GLCM纹理特征(即对比度特征值CON、均值特征值MEAN、方差特征值VAR)及灰度梯度共生矩阵GGCM纹理特征(即平均灰度T6、灰度均方差T8、惯性T14、逆差矩T15),具体步骤如下:
(21)首先建立一个h*h的小图像块滑动窗口;
(22)计算该滑动窗口所对应子图的灰度共生矩阵、灰度-梯度共生矩阵以及相应的纹理特征值;
(23)然后将代表该窗口的纹理特征值赋值给该窗口的中心点,完成对第一个小窗口的纹理特征计算;
(24)将窗口移动一个像素,形成另一个小窗口子图,得到新的纹理特征值;
(25)遍历整个图像,得到由纹理特征值构成的纹理特征矩阵。
(3)利用步骤(2)得到的各个纹理特征值分别减去其均值后,再经归一化处理得到不同纹理特征表示的图像纹理显著图,即Sm_CON、Sm_MEAN、Sm_VAR、Sm_T6、Sm_T8、Sm_T14、Sm_T15;
(4)利用步骤(3)得到的不同纹理特征表示的图像纹理显著图进行加权融合,得出表面缺陷图像最终的显著图像。
由于GLCM纹理特征和GGCM纹理特征的求取存在方向性,所以要计算图像块内每个像素点的4个方向即0°、45°、90°、135°对应的特征值,并取其均值作为该像素点的特征值,例如对比度CON_0°、CON_45°、CON_90°、CON_135°,以4个方向的特征值的均值作为该像素点对比度的特征值:
CON=(CON_0°+CON_45°+CON_90°+CON_135°)/4
从而得到最终的GLCM纹理特征和GGCM纹理特征。
对于GLCM和GGCM特征参数的选取,首先采用GLCM中分类精度较高的6个特征参数:熵、能量、对比度、一致性、均值、方差,以及GGCM中特征参数:小梯度优势T1、大梯度优势T2、灰度不均匀性T3、梯度不均匀性T4、能量T5、平均灰度T6、平均梯度T7、灰度均方差T8、梯度均方差T9、相关性T10、灰度熵T11、梯度熵T12、混合熵T13、惯性T14、逆差距T15。常用的数据分析参数有灵敏度TPr、特异性TNr、精确率Precision、召回率Recall等,为了综合考虑各项参数,采用Gmean参数作为性能评价指标判断不同纹理特征对图像显著性贡献率的大小,从而实现特征参数的筛选,采用F-measure参数评价显著性区域检测效果,以实现对本发明所提出的算法的效果评判。
对特征参数的筛选具体步骤为:首先对表面缺陷进行手动分割,再分别计算各特征值的显著性,最后通过K均值对显著值进行分类,分类结果结合手动分割的缺陷计算数据分析参数灵敏度TPr、特异性TNr、Gmean。Gmean的值介于0到1之间,且其值越大,证明TPr和TNr的值越大,说明该特征值的显著性越强。如图1、2所示分别为本实例的GLCM和GGCM各特征Gmean值对比折线图,由上图分析本发明最终选取的GLCM显著性特征有均值、方差、对比度,GGCM显著性特征有灰度平均T6、灰度均方差T8、惯性T14、逆差矩T15。
实施例:
为了验证本发明提出的算法对车身表面图像缺陷检测的效果,选用3种典型缺陷图像进行实验分析,如图3所示,缺陷包括:划痕、擦伤、爆孔。图3(a)为划痕缺陷图像,背景噪声较大;图3(b)为大擦伤图像,强缺陷和弱缺陷同时存在;图3(c)为大面积微弱擦伤图像;图3(d)为爆孔缺陷图像,缺陷较小。图像大小为256*256像素,本发明提出的算法是在含缺陷的原始图像中进行的,实际运用时还需对车身图像进行分割,预处理等一系列操作。
将4种经典的显著性检测模型FT、LC、AC、SR作用于车身表面缺陷图像,与本发明提出的显著性缺陷检测算法进行对比。对比结果如图4所示,图4(a)-(d)分别为以上4种经典显著性检测模型的检测结果,图4(e)为本发明提出的算法的检测结果。
对各模型计算出的显著图进行主观视觉效果的比较,从图4中可以看到本发明提出的算法产生的显著图能够客观地反映出图像中的缺陷,结果与人眼的主观感受相一致。FT检测结果背景噪声的显著值较高,且检测不出弱缺陷;LC检测结果虽然可以检测出弱缺陷,但是背景噪声干扰严重;AC检测结果虽然有效地抑制了背景噪声,但是检测不出弱缺陷,针对大面积擦伤图只检测出缺陷较严重的区域;SR检测结果缺陷的显著图完全淹没在背景噪声中。以上4种显著模型结果存在背景噪声显著值较大、弱缺陷难以检出等问题,不利于分割同时会对缺陷造成漏检。
采用F-measure参数在综合精确率Precision和召回率Recall的基础上客观分析显著性检测效果,计算结果如图5所示。
图5的柱状数据表明,本发明提出的算法的平均召回率0.856最高,平均精确率0.751明显高于其他显著性模型,仅次于AC算法。基于精确率和召回率的综合指标F-measure值达0.796,是这几种模型中最高的。因此本发明所提出的基于纹理特征的图像显著性检测算法性能良好,能有效的检测出表面图像中的缺陷。
最后对本发明提出的方法检测出的缺陷显著图进行分割,如图6所示。可以看出本发明提出的算法对多种缺陷的检测具有较强的鲁棒性,可以有效的检测出强缺陷和弱缺陷,有效消除背景噪声的干扰。
本发明针对表面缺陷多样复杂、检测难度较大等问题,观察到缺陷存在于均匀分布的图像中局部变化较明显的区域,纹理信息变化较大,符合人眼视觉注意机制,于是结合图像处理和视觉显著度模型,提出了一种基于纹理显著性的表面缺陷检测算法,以期达到更加精确地检测出表面缺陷的目的。
Claims (5)
1.一种基于纹理显著性的表面缺陷检测方法,其特征在于,包括如下步骤:
(1)对含有表面缺陷的图像进行线性插值,宽和高都扩大h-1个像素;
(2)对于步骤(1)得到的表面缺陷图像,求取其灰度共生矩阵GLCM纹理特征及灰度梯度共生矩阵GGCM纹理特征;
(3)利用步骤(2)得到的各个纹理特征值分别减去其均值后,再经归一化处理得到不同纹理特征表示的图像纹理显著图,即Sm_CON、Sm_MEAN、Sm_VAR、Sm_T6、Sm_T8、Sm_T14、Sm_T15;
(4)利用步骤(3)得到的不同纹理特征表示的图像纹理显著图进行加权融合,得出表面缺陷图像最终的显著图像。
2.如权利要求1所述的基于纹理显著性的表面缺陷检测方法,其特征在于,步骤(2)中,灰度共生矩阵GLCM纹理特征包括对比度特征值CON、均值特征值MEAN和方差特征值VAR。
3.如权利要求1所述的基于纹理显著性的表面缺陷检测方法,其特征在于,步骤(2)中,灰度梯度共生矩阵GGCM纹理特征包括平均灰度T6、灰度均方差T8、惯性T14和逆差矩T15。
4.如权利要求1所述的基于纹理显著性的表面缺陷检测方法,其特征在于,步骤(2)中,对于步骤(1)得到的表面缺陷图像,求取其灰度共生矩阵GLCM纹理特征及灰度梯度共生矩阵GGCM纹理特征具体包括如下步骤:
(21)首先建立一个h*h的小图像块滑动窗口;
(22)计算该滑动窗口所对应子图的灰度共生矩阵、灰度-梯度共生矩阵以及相应的纹理特征值;
(23)然后将代表该窗口的纹理特征值赋值给该窗口的中心点,完成对第一个小窗口的纹理特征计算;
(24)将窗口移动一个像素,形成另一个小窗口子图,得到新的纹理特征值;
(25)遍历整个图像,得到由纹理特征值构成的纹理特征矩阵。
5.如权利要求1所述的基于纹理显著性的表面缺陷检测方法,其特征在于,步骤(2)中,计算图像块内每个像素点的4个方向即0°、45°、90°、135°对应的特征值,并取其均值作为该像素点的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159799.1A CN110033434A (zh) | 2019-03-04 | 2019-03-04 | 一种基于纹理显著性的表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159799.1A CN110033434A (zh) | 2019-03-04 | 2019-03-04 | 一种基于纹理显著性的表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110033434A true CN110033434A (zh) | 2019-07-19 |
Family
ID=67235775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910159799.1A Pending CN110033434A (zh) | 2019-03-04 | 2019-03-04 | 一种基于纹理显著性的表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033434A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200826A (zh) * | 2020-10-15 | 2021-01-08 | 北京科技大学 | 一种工业弱缺陷分割方法 |
CN114663682A (zh) * | 2022-03-18 | 2022-06-24 | 北京理工大学 | 一种提高抗干扰性能的目标显著性检测方法 |
CN114820461A (zh) * | 2022-03-25 | 2022-07-29 | 广州市华懋科技发展有限公司 | 基于图像识别算法的表面瑕疵质检平台及方法 |
CN114894823A (zh) * | 2022-07-14 | 2022-08-12 | 江西理工大学南昌校区 | 一种x射线单点成像系统 |
CN115100203A (zh) * | 2022-08-25 | 2022-09-23 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN106651856A (zh) * | 2016-12-31 | 2017-05-10 | 湖南文理学院 | 一种泡沫镍表面缺陷的检测方法 |
-
2019
- 2019-03-04 CN CN201910159799.1A patent/CN110033434A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
CN106651856A (zh) * | 2016-12-31 | 2017-05-10 | 湖南文理学院 | 一种泡沫镍表面缺陷的检测方法 |
Non-Patent Citations (1)
Title |
---|
黄平: "低成本视觉检测平台及视觉检测关键技术研究", 《中国优秀硕士论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200826A (zh) * | 2020-10-15 | 2021-01-08 | 北京科技大学 | 一种工业弱缺陷分割方法 |
CN112200826B (zh) * | 2020-10-15 | 2023-11-28 | 北京科技大学 | 一种工业弱缺陷分割方法 |
CN114663682A (zh) * | 2022-03-18 | 2022-06-24 | 北京理工大学 | 一种提高抗干扰性能的目标显著性检测方法 |
CN114820461A (zh) * | 2022-03-25 | 2022-07-29 | 广州市华懋科技发展有限公司 | 基于图像识别算法的表面瑕疵质检平台及方法 |
CN114894823A (zh) * | 2022-07-14 | 2022-08-12 | 江西理工大学南昌校区 | 一种x射线单点成像系统 |
CN114894823B (zh) * | 2022-07-14 | 2022-12-02 | 江西理工大学南昌校区 | 一种x射线单点成像系统 |
CN115100203A (zh) * | 2022-08-25 | 2022-09-23 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
CN115100203B (zh) * | 2022-08-25 | 2022-11-18 | 山东振鹏建筑钢品科技有限公司 | 一种钢筋打磨除锈质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110033434A (zh) | 一种基于纹理显著性的表面缺陷检测方法 | |
CN103810699B (zh) | 基于无监督深度神经网络的sar图像变化检测方法 | |
CN102096921B (zh) | 基于邻域对数比值及各向异性扩散的sar图像变化检测方法 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN101872425B (zh) | 基于经验模态分解获取图像特征并测量相应物理参数方法 | |
CN109598287A (zh) | 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法 | |
CN106443802A (zh) | 一种基于形态学滤波的电成像储层缝洞体的定量表征方法及系统 | |
CN108830331A (zh) | 一种基于全卷积网络的探地雷达目标检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN116843678A (zh) | 一种硬碳电极生产质量检测方法 | |
CN103279744B (zh) | 基于多尺度三模式纹理特征的仿造指纹检测方法和系统 | |
CN108876756A (zh) | 图像相似性的度量方法和装置 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN108345898A (zh) | 一种新型的线路绝缘子绝缘状态评估方法 | |
CN117197092A (zh) | 一种煤矿井下图像质量评估方法 | |
Chabrier et al. | Comparative study of contour detection evaluation criteria based on dissimilarity measures | |
CN109410241A (zh) | 图像区域生长算法的蜕变测试方法 | |
CN104574417A (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN104198998B (zh) | 非均匀背景下基于聚类处理的恒虚警检测方法 | |
Kumar et al. | Comparative analysis for edge detection techniques | |
CN106600615A (zh) | 一种图像边缘检测算法评价系统及方法 | |
CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 |
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 |