CN110533605A - 一种精确噪点标定方法 - Google Patents
一种精确噪点标定方法 Download PDFInfo
- Publication number
- CN110533605A CN110533605A CN201910684069.3A CN201910684069A CN110533605A CN 110533605 A CN110533605 A CN 110533605A CN 201910684069 A CN201910684069 A CN 201910684069A CN 110533605 A CN110533605 A CN 110533605A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- pixel
- grayscale
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000000694 effects Effects 0.000 description 6
- 150000003839 salts Chemical class 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000006002 Pepper Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 206010021703 Indifference Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000722363 Piper Species 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明提供了一种精确噪点标定方法，包括如下步骤：A.获取噪声图像：从输入获取需要标定噪声的图像；B.获取窗口像素灰阶：统计图像中极值点的个数，并根据极值点个数和图像像素总数计算得到分水岭值N2；C.计算灰阶差：扫描图像中每一像素单元，基于每一像素单元及其8个相邻像素单元的灰阶值，计算对应的灰阶差值；D.统计像素个数；E.标记噪声点；F.输出标记图像。本发明适用于所有噪声浓度的图像，取出以扫描点为中心的3x3窗口，统计窗口内与中心点灰阶接近的像素数量，根据对比该数量与噪点分水岭数量，排除正常极黑、极白点和边界点，实现对噪点的精确标定并输出二值图像。
Description
技术领域
本发明涉及一种精确噪点标定方法，属于图像处理技术领域。
背景技术
在图像的获取和传递过程中，由于图像传感器性能不稳定、存储器故障以及传输信道破坏等原因，图像不可避免地受到不同程度的脉冲噪声污染，严重影响了图像的视觉效果和后续处理。椒盐噪声是脉冲噪声中最常见的一种噪声，它是随机分布在一幅图像中的黑白噪点，对于8bit数字图像，其灰阶为0或255。
椒盐去噪的步骤分为噪点标定的噪点去除，先标定出噪点，随后针对噪点进行去噪处理。一直以来，业界极为重视噪点去除步骤，提出了中值滤波算法，中值滤波是椒盐去噪中较为简单的算法，其原理是取出像素点周边的8个像素单元灰阶并排序，用中值代替原像素点。该方法无像素标定步骤，对所有像素单元进行无差别处理，导致信息损失严重。为了提升去噪效果，业界研究了中值滤波衍生算法、概率滤波、权重因子算法、以及基于数学形态学的滤波方法。上述方法通过不断改善去噪步骤性能提升了椒盐去噪效果。然而，噪点标定相关的研究尚欠缺。实际上，噪点标定步骤对去噪性能的影响极大。试想，如果将正常像素点误判为噪点，则在去噪步骤中将对正常点进行处理，从而改变其灰阶。因此，噪点误判将导致图像信息的严重丢失。为了减小信息损失，业界提出了将灰阶为0的像素单元标定为椒噪点，将灰阶为255的像素单元标定为盐噪点，本文将这种标定方法称为极点标定法(Lu C T,Chen Y Y,Wang L L,et al.Removal of salt-and-pepper noise in corruptedimage using three-values-weighted approach with variable-size window☆[J].Pattern Recognition Letters,2016,80(C):188-199.)。相比于无差别处理法，极点标定法在大大减小了误判像素点，实现了更高性能的椒盐去噪。然而，该方法仍然会产生大量的误判像素。例如，如果原图像中存在大量极黑、极白图像块，这些正常图像细节的像素灰阶为0或255。然而，极点标定法会将这些正常的像素单元误判为噪点，导致图像信息的丢失。为了提升噪点标定性能，业界提出了极值图像块标定法(Jiayi C,Yinwei Z,Huiying C,etal.Adaptive probability filter for removing salt and pepper noises[J].IETImage Processing,2018,12(6):863-871.)。该方法依次扫描图像中极值像素单元，取出以扫描点为中心的5x5窗口中25个像素灰阶，通过比较窗口中极值点和非极值点的数量确定扫描点是否为噪点。虽然该方法在一定程度上防止了将极黑、极白像素点误判为噪点，但是它尚未充分考虑噪点标定的各种复杂情况，使得实验效果不佳。此外，业界还提出了均值标定法(Faragallah O S,Ibrahem H M.Adaptive switching weighted median filterframework for suppressing salt-and-pepper noise[J].AEU-International Journalof Electronics and Communications,2016,70(8):1034-1040.)。该方法从极值像素点中挑选出噪点，通过窗口中所有像素灰阶的均值的大小判断中心像素单元是否为噪声点。从实验效果看，均值标定法的误判率仍然需要改进。
发明内容
为解决上述技术问题，本发明提供了一种精确噪点标定方法，该精确噪点标定方法适用于所有噪声浓度的图像，能排除正常极黑、极白点和边界点，实现对噪点的精确标定并输出二值图像。
本发明通过以下技术方案得以实现。
本发明提供的一种精确噪点标定方法，包括如下步骤：
A.获取噪声图像：从输入获取需要标定噪声的图像；
B.获取窗口像素灰阶：统计图像中极值点的个数，并根据极值点个数和图像像素总数计算得到分水岭值N2；
C.计算灰阶差：扫描图像中每一像素单元，基于每一像素单元及其8个相邻像素单元的灰阶值，计算对应的灰阶差值；
D.统计像素个数：计算每一像素单元对应的灰阶差值小于阈值的个数，得到每一像素单元对应的小于阈值像素个数N1；
E.标记噪声点：将小于阈值像素个数N1小于分水岭值N2的像素单元标记为噪声点；
F.输出标记图像：将标记了噪声点的图像作为标记图像输出。
所述分水岭值N2以如下公式得到：
其中，ρ为噪声浓度。
所述噪声浓度ρ采用以下公式计算得到：
其中，Nn为极值点个数，N为图像像素总数。
所述极值点为灰阶值为0或255的像素点。
所述灰阶差值采用以下公式计算得到：
其中，g(i，j)为第i列第j行的像素单元的灰阶值，nei(k)为以第i列第j行的像素为中心在3x3窗口中的8个相邻像素单元的灰阶值。
所述阈值以输入参数传递。
步骤C中，对位于图像边沿的像素单元，在计算灰阶差值时以阈值填充图像外的像素单元。
所述步骤A中获取的图像是灰度图，并在进入步骤B之前进行判断，如不是灰度图则返回错误。
本发明的有益效果在于：适用于所有噪声浓度的图像，取出以扫描点为中心的3x3窗口，统计窗口内与中心点灰阶接近的像素数量，根据对比该数量与噪点分水岭数量，排除正常极黑、极白点和边界点，实现对噪点的精确标定并输出二值图像。
附图说明
图1是本发明的流程示意图；
图2是图1的算法流程示意图；
图3是本发明和极点标定法、极值图像块标定法、均值标定法对同一图像进行二值图像标定的结果对比图；
图4是本发明和极点标定法、极值图像块标定法、均值标定法对同一图像进行二值图像标定的误判率对比图。
具体实施方式
下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
如图1、图2所示的一种精确噪点标定方法，包括如下步骤：
A.获取噪声图像：从输入获取需要标定噪声的图像，获取的图像应是灰度图，为确保图像是灰度图，可有两种方式进行处理，一种是将获取的图像强行转换为灰度图(如已是灰度图，再转换一次图像不变)，另一种是进行类型判断，如不是灰度图则返回错误；输入参数同时传递阈值。
B.获取窗口像素灰阶：统计图像中极值点的个数，极值点为灰阶值为0或255的像素点，采用以下公式计算噪声浓度ρ：
其中，Nn为极值点个数，N为图像像素总数。
再以如下公式计算分水岭值N2：
其中，ρ为噪声浓度。
C.计算灰阶差：扫描图像中每一像素单元，基于每一像素单元及其8个相邻像素单元的灰阶值，采用以下公式计算灰阶差值(对位于图像边沿的像素单元，在计算灰阶差值时以阈值填充图像外的像素单元)：
其中，g(i，j)为第i列第j行的像素单元的灰阶值，nei(k)为以第i列第j行的像素为中心在3x3窗口中的8个相邻像素单元的灰阶值。
D.统计像素个数：计算每一像素单元对应的灰阶差值小于阈值的个数，得到每一像素单元对应的小于阈值像素个数N1，即：
采用p(k)表征是否小于阈值：
其中，t为阈值。
计算出灰阶差小于阈值的像素个数：
由此得到每一像素单元对应的小于阈值像素个数N1。
E.标记噪声点：将小于阈值像素个数N1小于分水岭值N2的像素单元标记为噪声点，即采用如下公式：
其中，M(i，j)为标记二值图像中第i列第j行的像素。
如果N1＜N2，说明N1足够小，将扫描点标记为噪声点，M(i，j)＝0。反之，将扫描点标记为正常点，M(i，j)＝1。。
F.输出标记图像：将标记了噪声点的图像作为标记图像输出。
因此，本发明中M(i，j)表示标记二值图像中第i列第j行的像素，其值为1表示正常点，其值为0表示噪声点。依次扫描图像中的每一个像素单元，如果一个像素单元不是极值点(灰阶为0或255)，那么不可能是噪声点，相应的二值图像的值为1，M(i，j)＝1。反之，如果一个像素单元是极值点，它却不一定是噪声点，需要进一步的判断。N1为扫描点灰阶差小于阈值的像素个数，可以看出，N1越小，扫描点是噪声点的概率越大。与此同时，本方法需要考虑噪声浓度增加带来的影响。因此，本发明提出分水岭值的概念，用以区分噪声点和正常点。如果N1＜N2，说明N1足够小，将扫描点标记为噪声点，M(i，j)＝0。反之，将扫描点标记为正常点，M(i，j)＝1。
分水岭数值N2对噪点标定的影响极大，因为它是区分噪点与非噪点的标准。对于特定噪声浓度的图像，如果N2过小，则会产生残余噪声。反之，N2过大却会导致很多正常像素单元被误判为噪声点。为了寻找在各种浓度之下的最佳分水岭值，本发明选取了各种特征的图像样本做统计实验。统计结果表明，随着噪声浓度的增大N2值也会增大。确定最佳N2值的原则是确保无噪声残余。
实施例1
采用上述方法作为全密度精确噪点标定法，对比极点标定法、极值图像块标定法、均值标定法对同一图像进行二值图像标定。
标定结果如图3所示，其中a1、b1、c1和d1是被噪声污染的原图像，浓度分别为5％，15％，65％和85％。a2、b2、c2和d2是极点标定法产生的标定二值图像。a3、b3、c3和d3极值图像块标定法产生的标定二值图像。a4、b4、c4和d4是均值标定法产生的标定二值图像。a5、b5、c5和d5是全密度精确标定法产生的标定二值图像。
图像中的黑点代表噪声点，白点代表正常点。可见，极点标定法、极值图像块标定法、均值标定法三种方法产生的标定二值图像中原图的边界和轮廓依然清晰可见。这个现象意味着极点标定法、极值图像块标定法、均值标定法三种方法将原图的很多信息(包括极黑极白点和边界信息)误判为噪声点。相反，全密度精确噪点标定法产生的标定二值图像中，小黑点是均匀分布的，这与原图像中噪声分别的随机性和均匀性特征相一致。
作为对比手段，还可采用误判率评估标定质量的好坏，误判率是错误标定的像素单元数量与总的噪声点数量的比值，表示为：
其中，N3是总的噪声点数量，N4是标定出来的噪声点数量，MR为误判率，误判率越低标定效果越好。
通过对上述对比结果计算误判率，得到如图4所示的误判率对比图，可见，全密度精确噪点标定法的误判率最低。数据显示，极点标定法、极值图像块标定法、均值标定法和全密度精确噪点标定法的误判率分别是0.258276、0.389818、0.257625和0.059225。
Claims (8)
1.一种精确噪点标定方法，其特征在于：包括如下步骤：
A.获取噪声图像：从输入获取需要标定噪声的图像；
B.获取窗口像素灰阶：统计图像中极值点的个数，并根据极值点个数和图像像素总数计算得到分水岭值N2；
C.计算灰阶差：扫描图像中每一像素单元，基于每一像素单元及其8个相邻像素单元的灰阶值，计算对应的灰阶差值；
D.统计像素个数：计算每一像素单元对应的灰阶差值小于阈值的个数，得到每一像素单元对应的小于阈值像素个数N1；
E.标记噪声点：将小于阈值像素个数N1小于分水岭值N2的像素单元标记为噪声点；
F.输出标记图像：将标记了噪声点的图像作为标记图像输出。
2.如权利要求1所述的精确噪点标定方法，其特征在于：所述分水岭值N2以如下公式得到：
其中，ρ为噪声浓度。
3.如权利要求2所述的精确噪点标定方法，其特征在于：所述噪声浓度ρ采用以下公式计算得到：
其中，Nn为极值点个数，N为图像像素总数。
4.如权利要求1所述的精确噪点标定方法，其特征在于：所述极值点为灰阶值为0或255的像素点。
5.如权利要求1所述的精确噪点标定方法，其特征在于：所述灰阶差值采用以下公式计算得到：
其中，g(i，j)为第i列第j行的像素单元的灰阶值，nei(k)为以第i列第j行的像素为中心在3x3窗口中的8个相邻像素单元的灰阶值。
6.如权利要求1所述的精确噪点标定方法，其特征在于：所述阈值以输入参数传递。
7.如权利要求1所述的精确噪点标定方法，其特征在于：步骤C中，对位于图像边沿的像素单元，在计算灰阶差值时以阈值填充图像外的像素单元。
8.如权利要求1所述的精确噪点标定方法，其特征在于：所述步骤A中获取的图像是灰度图，并在进入步骤B之前进行判断，如不是灰度图则返回错误。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910684069.3A CN110533605B (zh) | 2019-07-26 | 2019-07-26 | 一种精确噪点标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910684069.3A CN110533605B (zh) | 2019-07-26 | 2019-07-26 | 一种精确噪点标定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110533605A true CN110533605A (zh) | 2019-12-03 |
| CN110533605B CN110533605B (zh) | 2023-06-02 |
Family
ID=68660869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910684069.3A Active CN110533605B (zh) | 2019-07-26 | 2019-07-26 | 一种精确噪点标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533605B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111199527A (zh) * | 2020-01-04 | 2020-05-26 | 圣点世纪科技股份有限公司 | 一种基于多方向自适应阈值的指静脉图像噪声检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201215093A (en) * | 2010-09-21 | 2012-04-01 | Huper Lab Co Ltd | Method for intensifying 3D objects identification |
| WO2012178069A1 (en) * | 2011-06-22 | 2012-12-27 | The Johns Hopkins University | System and device for characterizing cells |
| CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
| CN104282026A (zh) * | 2014-10-24 | 2015-01-14 | 上海交通大学 | 基于分水岭算法和最小生成树的分布均匀性评估方法 |
| WO2016134191A1 (en) * | 2015-02-18 | 2016-08-25 | Singular Bio, Inc. | Assays for single molecule detection and use thereof |
| CN106204531A (zh) * | 2016-06-24 | 2016-12-07 | 安徽理工大学 | 一种同步检测彩色图像中噪点与边缘点的方法 |
| CN106446908A (zh) * | 2016-08-31 | 2017-02-22 | 乐视控股（北京）有限公司 | 图像中目标检测方法及装置 |
| CN107808405A (zh) * | 2017-09-14 | 2018-03-16 | 遵义师范学院 | 一种像素结构转换方法 |
| CN107833192A (zh) * | 2017-11-08 | 2018-03-23 | 安徽理工大学 | 一种支持向量机融合分数阶积分算子的方法 |
| CN109102471A (zh) * | 2018-07-20 | 2018-12-28 | 遵义师范学院 | 一种基于直方图修正的低功耗图像显示驱动方法 |
| CN109784358A (zh) * | 2018-11-23 | 2019-05-21 | 南京航空航天大学 | 一种融合人工特征和深度特征的无参考图像质量评价方法 |
| CN110008912A (zh) * | 2019-04-10 | 2019-07-12 | 东北大学 | 一种基于植物识别的社交平台匹配方法和系统 |
-
2019
- 2019-07-26 CN CN201910684069.3A patent/CN110533605B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201215093A (en) * | 2010-09-21 | 2012-04-01 | Huper Lab Co Ltd | Method for intensifying 3D objects identification |
| WO2012178069A1 (en) * | 2011-06-22 | 2012-12-27 | The Johns Hopkins University | System and device for characterizing cells |
| CN103914843A (zh) * | 2014-04-04 | 2014-07-09 | 上海交通大学 | 基于分水岭算法和形态学标记的图像分割方法 |
| CN104282026A (zh) * | 2014-10-24 | 2015-01-14 | 上海交通大学 | 基于分水岭算法和最小生成树的分布均匀性评估方法 |
| WO2016134191A1 (en) * | 2015-02-18 | 2016-08-25 | Singular Bio, Inc. | Assays for single molecule detection and use thereof |
| CN106204531A (zh) * | 2016-06-24 | 2016-12-07 | 安徽理工大学 | 一种同步检测彩色图像中噪点与边缘点的方法 |
| CN106446908A (zh) * | 2016-08-31 | 2017-02-22 | 乐视控股（北京）有限公司 | 图像中目标检测方法及装置 |
| CN107808405A (zh) * | 2017-09-14 | 2018-03-16 | 遵义师范学院 | 一种像素结构转换方法 |
| CN107833192A (zh) * | 2017-11-08 | 2018-03-23 | 安徽理工大学 | 一种支持向量机融合分数阶积分算子的方法 |
| CN109102471A (zh) * | 2018-07-20 | 2018-12-28 | 遵义师范学院 | 一种基于直方图修正的低功耗图像显示驱动方法 |
| CN109784358A (zh) * | 2018-11-23 | 2019-05-21 | 南京航空航天大学 | 一种融合人工特征和深度特征的无参考图像质量评价方法 |
| CN110008912A (zh) * | 2019-04-10 | 2019-07-12 | 东北大学 | 一种基于植物识别的社交平台匹配方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王丽敏: ""基于阈值和聚类的彩色图像分割方法研究"", 《中国优秀博硕士学位论文全文数据库 信息科技辑》 * |
| 高星: ""基于标记分水岭和凹点的粘连大米图像分割技术研究"", 《中国优秀博硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111199527A (zh) * | 2020-01-04 | 2020-05-26 | 圣点世纪科技股份有限公司 | 一种基于多方向自适应阈值的指静脉图像噪声检测方法 |
| CN111199527B (zh) * | 2020-01-04 | 2021-02-02 | 圣点世纪科技股份有限公司 | 一种基于多方向自适应阈值的指静脉图像噪声检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110533605B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115082481B (zh) | 一种用于齿轮的图像增强方法 | |
| CN112424828A (zh) | 一种集成空间约束的核模糊c均值快速聚类算法 | |
| CN116486061B (zh) | 基于机器视觉的污水处理效果检测方法 | |
| CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
| CN103150733B (zh) | 一种应用于数字图像的自适应多级加权中值滤波方法 | |
| CN117058147B (zh) | 基于计算机视觉的环保塑料制品缺陷检测方法 | |
| CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| CN112907460B (zh) | 一种遥感图像增强方法 | |
| CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 | |
| CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
| WO2004075114A1 (en) | Context-based detection of structured defects in an image | |
| CN114612490B (zh) | 一种基于显微镜图像的栅藻类细胞统计方法 | |
| CN110533605A (zh) | 一种精确噪点标定方法 | |
| CN116883407B (zh) | 基于人工智能的瓶装水杂质检测方法 | |
| CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
| CN114511851B (zh) | 一种基于显微镜图像的游丝藻类细胞统计方法 | |
| CN112785513B (zh) | 一种用于过滤脉冲噪声的自适应中值滤波方法 | |
| CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
| CN113034403B (zh) | 医学影像数据通过高斯滤波进行降噪的工作方法 | |
| Prathiba et al. | Random valued impulse denoising using robust direction based detector | |
| CN117423113B (zh) | 一种档案ocr图像自适应去噪方法 | |
| CN116703930B (zh) | 一种汽车后视镜模具成型检测方法 | |
| CN116805314B (zh) | 一种建筑工程质量评估方法 | |
| CN116342638B (zh) | 一种图像元素提取方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240115 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 563000 No. 830 Shanghai Road, Huichuan District, Zunyi City, Guizhou Province Patentee before: ZUNYI NORMAL College |