CN110310223B - 一种紫外光与可见光图像的融合方法 - Google Patents

一种紫外光与可见光图像的融合方法 Download PDF

Info

Publication number
CN110310223B
CN110310223B CN201910594381.3A CN201910594381A CN110310223B CN 110310223 B CN110310223 B CN 110310223B CN 201910594381 A CN201910594381 A CN 201910594381A CN 110310223 B CN110310223 B CN 110310223B
Authority
CN
China
Prior art keywords
image
oil leakage
area
region
visible light
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
CN201910594381.3A
Other languages
English (en)
Other versions
CN110310223A (zh
Inventor
颜冰
陈宇民
文刚
钱国超
邹德旭
彭兆裕
马御棠
王山
代维菊
洪志湖
龚泽威一
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid 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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN201910594381.3A priority Critical patent/CN110310223B/zh
Publication of CN110310223A publication Critical patent/CN110310223A/zh
Application granted granted Critical
Publication of CN110310223B publication Critical patent/CN110310223B/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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment
    • Y02A20/204—Keeping clear the surface of open water from oil spills

Landscapes

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

Abstract

本发明涉及一种紫外光与可见光图像融合的方法，属于图像处理领域，方法主要包括：将可见光RGB图像转换为YUV图像，并提取Y通道图像，并保留UV通道图像；采用基于四叉树的划分对紫外光图像进行二值化处理，得到漏油区域和背景区域；将处理后的紫外光图像与Y通道图像的漏油区域进行融合；用融合后的Y通道数据与原始UV通道数据恢复RGB图像，即为融合后的图像。本发明针对变压器油漏检测中的紫外光图像和可见光图像的融合，只融合了需要的漏油区域，背景区域没有进行处理，减少了计算量增加了效率，并使用可见光图像的亮度分量与紫外光图像进行融合，使漏油区域更加明显，使变压器油漏区域的监测更加准确高效。

Description

一种紫外光与可见光图像的融合方法
技术领域
本申请涉及图像处理领域，尤其涉及一种紫外光与可见光图像的融合方法。
背景技术
变压器漏油不仅导致内部绝缘系统破坏，降低变压器绝缘强度，还可能导致变压器电力故障；对变压器进行多光谱拍摄以获取多光谱图像，能够及时、有效方便地发现变压器油液渗漏的问题，保障设备运维质量良好，是电气领域所关注的热点命题。
多光谱图像中的紫外光图像能够显示漏油部分，可见光图像能够显示更多的细节，若能将二者融合得到既能突出漏油区域又能保留细节的融合图像，则能使变压器漏油情况的检测更加准确与方便。
发明内容
针对变压器漏油检测中采集到的多光谱图像，本发明的目的在于提出一种针对多光谱图像中的紫外光和可见光图像的融合方法，实现对紫外光与可见光图像的融合。
一种紫外光与可见光图像的融合方法，主要包括：
获取同一漏油区域的原始可见光RGB图像和原始紫外光图像；
将原始可见光RGB图像转换为YUV图像；
基于四叉树划分法对原始紫外光图像进行二值化处理，得到漏油区域和背景区域；
提取YUV图像中的Y通道图像；将Y通道图像与二值化处理后的紫外光图像中的漏油区域进行融合，得到融合图像；
将融合图像与YUV图像中的UV通道图像生成最终可见光RGB图像。
可选的，所述提取YUV图像中的Y通道图像按以下方法进行；
可见光的每个像素包括RGB三个通道，对每个像素的三个通道的数据按照公式：
Figure BDA0002117143560000011
计算出每个像素YUV分量，提取每个像素的Y分量并按照相应位置组合得到可见光图像的Y通道图像，同理可依次得到可见光图像的U、V通道图像。
可选的，其中基于四叉树划分法对原始紫外光图像进行二值化处理，包括：
使用最大类间方差法得到区分漏油区域和背景区域的阈值；
对紫外光图像进行中值滤波处理，得到去噪后的紫外光图像；
使用阈值去噪后的紫外光图像的像素点进行区域判断，得到初始漏油区域；
对初始漏油区域采用深度为3的四叉树划分方式，得到最终的漏油区域。
可选的，其中初始漏油区域的确定按照以下方法进行：
对去噪后的紫外光图像的像素值进行判断，若像素值小于阈值则判断属于背景像素，若大于阈值则判断属于漏油像素，记录漏油像素点的坐标，找到最小横坐标Xmin和最大横坐标Xmax，以及最小纵坐标Ymin和最大纵坐标Ymax，则(Xmin,Ymin)到(Xmax,Ymax)的矩形范围为存在漏油区域。
可选的，其中对存在漏油区域采用深度为3的四叉树划分，包括：
根据存在漏油区域中漏油像素的占比确定区域的初始深度；
对初始区域进行四叉树划分得到四个子区域；
分别计算每个子区域的漏油占比，确定每个子区域的深度；
判断子区域的深度是否满足要求，若满足则划分结束，否则继续划分。
可选的，其中漏油区域的初始深度的确定，按照以下方法进行，统计漏油区域内漏油像素点的占比，若占比大于50％，则漏油区域的初始深度d＝1，否则初始深度d＝0。
可选的，其中子区域的深度的确定，按照以下方法进行：统计子区域的漏油区域占比，若大于50％，则该子区域深度等于母区域的深度加1，否则等于母区域的深度。
可选的，其中区域划分是否结束的确定，按照以下方法进行，针对当前区域，判断其深度是否等于3，若等于3，则划分结束该区域为漏油区域，若不等于3则判断该区域是否可分；若不可分则该区域为背景区域，若可分则继续划分，直到区域深度等于3或不可分为止；
其中区域是否可分的判断按照以下方法进行，若区域的总像素数小于16则为不可分，否则为可分。
可选的，将Y通道图像与二值化处理后的紫外光图像中的漏油区域进行融合，得到融合图像，包括：
对原始紫外光图像和Y通道图像对应的漏油区域块选择一种基小波进行单尺度小波变换；
对变换后的两幅图像的频率分量进行加权平均，得到融合后的变换图；
对融合后的变换图进行小波逆变换，得到最终融合后的Y通道区域，并使用融合后的Y通道区域替换Y通道图像中对应区域，得到融合图像。
可选的，其中将融合图像与YUV图像中的UV通道图像生成RGB图像，按照以下方法进行，使用融合图像与YUV图像中的U、V通道图像按照公式：
Figure BDA0002117143560000031
计算出每个像素的R、G、B分量，得到融合后的RGB图像。
本发明针对变压器油漏检测中的紫外光图像和可见光图像的融合，只融合了需要的漏油区域，背景区域没有进行处理，减少了计算量增加了效率，并使用可见光图像的亮度分量与紫外光图像进行融合，使漏油区域更加明显，使变压器油漏区域的监测更加准确高效。
附图说明
图1为具体实施方式的步骤图；
图2为本发明的整体方法流程图；
图3为本发明基于四叉树的深度为3的区域划分判断过程图。
具体实施方式
参照图1所示，本发明实施例提供一种紫外光和可见光图像的融合方法，步骤包括：
S10：获取同一漏油区域的原始可见光RGB图像和原始紫外光图像；
通过同一相机在同一位置拍摄漏油区域的原始可见光RGB图像和原始的紫外光图像。
S20：将原始可见光RGB图像转换为YUV图像；
参照图2所示，RGB与YUV图像的转换：可见光RGB图像每个像素包括RGB三个通道，用三个通道的数据按照公式：
Figure BDA0002117143560000032
计算每个像素的YUV分量，得到Y、U、V三个通道的独立图像。
S30：基于四叉树划分法对紫外光图像进行二值化处理，得到漏油区域和背景区域；
漏油区域与背景区域的划分。使用最大类间方差法得到区分漏油区域和背景区域的阈值T。输入待融合的紫外光图像，对紫外光图像进行中值滤波处理，得到去噪后的紫外光图像。使用去噪后的紫外光图像的像素值进行区域判断，若像素值大于阈值T则判断属于漏油区域像素，若低于阈值T则判断属于背景区域像素。记录漏油区域像素点的坐标，找到最小横坐标Xmin和最大横坐标Xmax，以及最小纵坐标Ymin和最大纵坐标Ymax，则(Xmin,Ymin)到(Xmax,Ymax)范围为存在漏油区域。参照图3所示，对存在漏油区域采用深度为3的四叉树划分法进行划分。设存在漏油区域深度为d，首先判断漏油区域内漏油区域像素点的占比，若占比大于50％，则存在漏油区域深度d＝1，否则为深度d＝0。再将存在漏油区域进行四叉树划分法划分，得到四个区域，分别判断每个区域的漏油区域占比，若大于50％，则该区域深度为d+1，否则为d。当某一区域的深度为3或不可再分时，将不再进行划分，这样得到不同大小的漏油区域块。
分别计算每个漏油区域块的漏油占比，确定每个漏油区域块的深度；
判断漏油区域块的深度是否满足要求，若满足则划分结束，否则继续划分。
其中区域是否可分的判断按照以下方法进行，若区域的总像素数小于16则为不可分，否则为可分。
S40：提取YUV图像中的Y通道图像；将Y通道图像与二值化处理后的紫外光图像中的漏油区域进行融合，得到融合图像；
Y通道图像与紫外光图像的融合。对各个漏油区域块采用基于边缘检测的小波变换进行融合。首先对原始紫外光图像和Y通道图像对应的漏油区域块选择一种基小波进行单尺度小波变换。对变换后的两幅图像的频率分量进行加权平均，得到融合后的变换图。对融合后的变换图使用上述的基小波进行小波逆变换，得到最终融合后的Y通道区域。使用融合后的区域替换原始Y通道图像的对应区域，得到融合后的Y通道图像。
S50：将融合图像与YUV图像中的UV通道图像生成最终可见光RGB图像；
可见光RGB图像的恢复。使用融合后的Y通道图像与之前计算的U、V通道图像按照公式：
Figure BDA0002117143560000041
计算出每个像素的R、G、B分量，恢复出融合后的可见光图像。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (8)

1.一种紫外光与可见光图像的融合方法，其特征在于，主要包括：
获取同一漏油区域的原始可见光RGB图像和原始紫外光图像；
将原始可见光RGB图像转换为YUV图像；
使用最大类间方差法得到用于区分原始紫外光图像中漏油区域和背景区域的阈值；
对原始紫外光图像进行中值滤波处理，得到去噪后的紫外光图像；
使用阈值去噪后的紫外光图像的像素点进行区域判断，得到初始漏油区域；
根据漏油区域中漏油像素的占比确定区域的初始深度；
对初始漏油区域进行四叉树划分得到四个子区域；
分别计算每个子区域的漏油占比，确定每个子区域的深度；
判断子区域的深度是否满足要求，若满足则划分结束，否则继续划分，直至得到原始紫外光图像中最终的漏油区域；
提取YUV图像中的Y通道图像；将Y通道图像与最终的漏油区域进行融合，得到融合图像；
将融合图像与YUV图像中的UV通道图像生成最终可见光RGB图像。
2.根据权利要求1所述的紫外光与可见光图像的融合方法，其特征在于，所述提取YUV图像中的Y通道图像按以下方法进行；
可见光的每个像素包括RGB三个通道，对每个像素的三个通道的数据按照公式：
Figure FDA0004021918760000011
计算出每个像素YUV分量，提取每个像素的Y分量并按照相应位置组合得到可见光图像的Y通道图像，同理可依次得到可见光图像的U、V通道图像。
3.根据权利要求1所述的一种紫外光与可见光图像的融合方法，其特征在于，其中初始漏油区域的确定按照以下方法进行：
对去噪后的紫外光图像的像素值进行判断，若像素值小于阈值则判断属于背景像素，若像素值大于阈值则判断属于漏油像素，记录漏油像素点的坐标，找到最小横坐标Xmin和最大横坐标Xmax，以及最小纵坐标Ymin和最大纵坐标Ymax，则(Xmin,Ymin)到(Xmax,Ymax)的矩形范围为初始漏油区域。
4.根据权利要求1所述的一种紫外光与可见光图像的融合方法，其特征在于，其中漏油区域的初始深度的确定，按照以下方法进行，统计漏油区域内漏油像素点的占比，若占比大于50％，则漏油区域的初始深度d＝1，否则初始深度d＝0。
5.根据权利要求1所述的一种紫外光与可见光图像的融合方法，其特征在于，其中子区域的深度的确定，按照以下方法进行：统计子区域的漏油区域占比，若大于50％，则该子区域深度等于母区域的深度加1，否则等于母区域的深度。
6.根据权利要求1所述的一种紫外光与可见光图像的融合方法，其特征在于，其中区域划分是否结束的确定，按照以下方法进行：针对当前区域，判断其深度是否等于3，若等于3，则划分结束该区域为漏油区域，若不等于3则判断该区域是否可分；若不可分则该区域为背景区域，若可分则继续划分，直到区域深度等于3或不可分为止；
其中区域是否可分的判断按照以下方法进行，若区域的总像素数小于16则为不可分，否则为可分。
7.根据权利要求1所述的一种紫外光与可见光图像的融合方法，其特征在于，将Y通道图像与二值化处理后的紫外光图像中的漏油区域进行融合，得到融合图像，包括：
对原始紫外光图像和Y通道图像对应的漏油区域块选择一种基小波进行单尺度小波变换；
对变换后的两幅图像的频率分量进行加权平均，得到融合后的变换图；
对融合后的变换图进行小波逆变换，得到最终融合后的Y通道区域，并使用融合后的Y通道区域替换Y通道图像中对应区域，得到融合图像。
8.根据权利要求1所述的一种紫外光与可见光图像的融合方法，其特征在于，其中将融合图像与YUV图像中的UV通道图像生成RGB图像，按照以下方法进行，使用融合图像与YUV图像中的U、V通道图像按照公式：
Figure FDA0004021918760000021
计算出每个像素的R、G、B分量，得到融合后的RGB图像。
CN201910594381.3A 2019-07-03 2019-07-03 一种紫外光与可见光图像的融合方法 Active CN110310223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910594381.3A CN110310223B (zh) 2019-07-03 2019-07-03 一种紫外光与可见光图像的融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910594381.3A CN110310223B (zh) 2019-07-03 2019-07-03 一种紫外光与可见光图像的融合方法

Publications (2)

Publication Number Publication Date
CN110310223A CN110310223A (zh) 2019-10-08
CN110310223B true CN110310223B (zh) 2023-04-07

Family

ID=68078917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910594381.3A Active CN110310223B (zh) 2019-07-03 2019-07-03 一种紫外光与可见光图像的融合方法

Country Status (1)

Country Link
CN (1) CN110310223B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114092437B (zh) * 2021-11-18 2023-04-25 国网四川省电力公司电力科学研究院 一种变压器渗漏油检测方法
CN118243295A (zh) * 2024-05-30 2024-06-25 国网江西省电力有限公司电力科学研究院 油浸式变压器渗漏油的紫外-红外联合检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6704448B1 (en) * 1999-05-27 2004-03-09 Minolta Co., Ltd. Device and method for extracting specific region from image and computer-readable recording medium storing region extraction program
CN1547162A (zh) * 2003-12-05 2004-11-17 浙江大学 一种基于金字塔四叉树的纹理映射方法
CN103218819A (zh) * 2013-04-20 2013-07-24 复旦大学 基于四叉树分解的超声图像最优同质区域自动选取方法
CN104809709A (zh) * 2015-05-13 2015-07-29 北京邮电大学 基于域变换与带权四叉树分解的单幅图像自适应去雾方法
CN105357537A (zh) * 2015-12-11 2016-02-24 辽宁工程技术大学 一种基于混沌的多级树集合分裂编码图像加密方法
CN108898569A (zh) * 2018-05-31 2018-11-27 安徽大学 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法
CN109283143A (zh) * 2018-11-23 2019-01-29 云南电网有限责任公司普洱供电局 一种红外、紫外、可见光的图像处理融合系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015158433A (ja) * 2014-02-25 2015-09-03 愛知電機株式会社 漏油確認方法および漏油確認用スコープ
CN105321153B (zh) * 2014-07-09 2019-11-19 三亚中兴软件有限责任公司 视频监控低照度图像色彩还原方法和装置
CN106447641A (zh) * 2016-08-29 2017-02-22 努比亚技术有限公司 图像生成装置及方法
CN109142935A (zh) * 2018-10-15 2019-01-04 广东电网有限责任公司 巡检机器人
CN109919843B (zh) * 2019-02-25 2022-05-13 北京工商大学 一种基于自适应四分法的皮肤图像纹理评估方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6704448B1 (en) * 1999-05-27 2004-03-09 Minolta Co., Ltd. Device and method for extracting specific region from image and computer-readable recording medium storing region extraction program
CN1547162A (zh) * 2003-12-05 2004-11-17 浙江大学 一种基于金字塔四叉树的纹理映射方法
CN103218819A (zh) * 2013-04-20 2013-07-24 复旦大学 基于四叉树分解的超声图像最优同质区域自动选取方法
CN104809709A (zh) * 2015-05-13 2015-07-29 北京邮电大学 基于域变换与带权四叉树分解的单幅图像自适应去雾方法
CN105357537A (zh) * 2015-12-11 2016-02-24 辽宁工程技术大学 一种基于混沌的多级树集合分裂编码图像加密方法
CN108898569A (zh) * 2018-05-31 2018-11-27 安徽大学 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法
CN109283143A (zh) * 2018-11-23 2019-01-29 云南电网有限责任公司普洱供电局 一种红外、紫外、可见光的图像处理融合系统及方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Global and Local Saliency Analysis for the Extraction of Residential Areas in High-Spatial-Resolution Remote Sensing Image;Libao Zhang等;《Geoscience and Remote Sensing》;20160301;第54卷(第7期);3750-3763 *
Multi-feature fusion for image segmentation based on granular theory;rong yin等;《Proceedings of the 2014 IEEE 18th International Conference on Computer Supported Cooperative Work in Design (CSCWD)》;20140108;186-190 *
基于同质区域自动选取的各向异性扩散超声图像去噪;吴俊等;《光学精密工程》;20140531;第22卷(第5期);1312-1321 *
基于四叉树算法优化检索效率的三维建模技术;卢鹏飞等;《地质灾害与环境保护》;20170625;第28卷(第02期);84-92 *
应用迭代四叉树的肝脏MR图像分割;迟冬祥等;《计算机工程与应用》;20100321;第46卷(第09期);142-145 *
融合暗通道和颜色衰减先验的图像去雾算法;戢凯等;《现代计算机(专业版)》;20180805(第22期);34-39 *

Also Published As

Publication number Publication date
CN110310223A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN111758024B (zh) 一种缺陷检测方法及装置
CN107578035B (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
CN111260616A (zh) 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN110163219B (zh) 基于图像边缘识别的目标检测方法
US20190340446A1 (en) Shadow removing method for color image and application
CN110648349A (zh) 基于背景减除和连通区域算法的焊缝缺陷分割方法
EP4071665A1 (en) Character segmentation method and apparatus, and computer-readable storage medium
CN103543394A (zh) 一种高压电气设备放电紫外成像量化参数提取方法
Feng et al. Measurement of ringing artifacts in JPEG images
KR20130016213A (ko) 광학 문자 인식되는 텍스트 영상의 텍스트 개선
CN108389215B (zh) 一种边缘检测方法、装置、计算机存储介质及终端
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
CN109214996B (zh) 一种图像处理方法及装置
CN102306307B (zh) 一种彩色显微图像序列中固点噪声的定位方法
CN111145105B (zh) 一种图像快速去雾方法、装置、终端及存储介质
CN110310223B (zh) 一种紫外光与可见光图像的融合方法
CN104361335B (zh) 一种基于扫描图像自动去除黑边的处理方法
CN105701491A (zh) 固定格式文档图像模版的制作方法及其应用
CN110866889A (zh) 一种监控系统中的多相机数据融合方法
JP2004265264A (ja) 画像処理装置
CN110263778A (zh) 一种基于图像识别的抄表方法及装置
CN111414877B (zh) 去除颜色边框的表格裁切方法、图像处理设备和存储介质
CN113569713A (zh) 视频图像的条纹检测方法及装置、计算机可读存储介质
CN106530292B (zh) 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法

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