CN110991259B - 一种红外图像目标检测方法及系统 - Google Patents
一种红外图像目标检测方法及系统 Download PDFInfo
- Publication number
- CN110991259B CN110991259B CN201911096672.6A CN201911096672A CN110991259B CN 110991259 B CN110991259 B CN 110991259B CN 201911096672 A CN201911096672 A CN 201911096672A CN 110991259 B CN110991259 B CN 110991259B
- Authority
- CN
- China
- Prior art keywords
- point
- region
- suspected target
- neighborhood
- infrared 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种红外图像目标检测方法及系统,该方法包括:对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点;将所述正向奇异点作为种子点进行带约束和标记的双阈值区域扩张,得到疑似目标区域;对所述疑似目标区域进行筛选,去除所述疑似目标区域中的噪声和坏元;统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果。通过该方案解决了现有目标检测方法难以在保证检测结果准确的同时降低计算量、保障实时性的问题,实现在复杂背景下弱小目标的准确检测,减小计算量,提高目标检测的实时性。
Description
技术领域
本发明涉及图像检测领域,尤其涉及一种红外图像目标检测方法及系统。
背景技术
相比于普通红外成像,多波段红外成像将红外谱段细分为多个谱段,能够增加从图像中获取的信息,具有较强的适应性,能够显现普通红外图像中无法分辩的细节,对伪装目标具有较强识别能力。在对远距离目标进行成像时,弱小目标会在图像中呈现为占几个像素的点状目标,而通常点目标并非呈现于均匀背景,由于背景如云层与地面景物等的干扰,点目标难以被检测出。现代的军用与民用红外场景中,随着对观察设备的智能化程度要求越来越高,对弱小目标检测就产生了很强的现实需求。
目前,在常见弱小目标检测方法中,可以分为基于空域的目标检测与基于频域的目标检测。基于空域的目标检测有如阈值分割、动态规划法、序贯假设检验法、Hough变换法、形态滤波和最优投影法等;基于频域的目标检测有匹配滤波器法与小波变换等方法。近年来,还出现了基于机器学习的方法,如神经网络的方法。在这些现有的弱小目标检测方法中,基于阈值分割的方法极易虽然容易实现,但难以处理背景较为复杂,干扰较多的场景,会存在误检测与漏检;而其他复杂的方法,虽然检测结果较好,但计算量较大、计算过程复杂,难以实现实时处理。
因此,有必要提出一种计算量小、在复杂场景下可保证检测结果准确的目标检测方法。
发明内容
有鉴于此,本发明实施例提供了一种红外图像目标检测方法,以解决的现有目标检测方法难以在保证检测结果准确的同时降低计算量、保障实时性的问题。
在本发明实施例的第一方面,提供了一种红外图像目标检测方法,包括:
对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点;
将所述正向奇异点作为种子点进行带约束和标记的双阈值区域扩张,得到疑似目标区域;
对所述疑似目标区域进行筛选,去除所述疑似目标区域中的噪声和坏元;
统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果。
在本发明实施例的第二方面,提供了一种红外图像目标检测系统,包括:
检测模块,用于对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点;
扩张模块,用于将所述正向奇异点作为种子点进行带约束与标记的双阈值区域扩张,得到疑似目标区域;
滤除模块,用于对所述疑似目标区域进行筛选,去除所述疑似目标区域中的噪声和坏元;
获取模块,用于统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果。
本发明实施例中,在对各波段红外图像卷积处理后,找出红外图像中的正向奇异点,将正向奇异点作为种子点进行双阈值区域扩张,得到疑似目标区域,对疑似目标区域进行筛选后,再根据各波段红外图像中疑似目标区域的分布,确定目标检测结果,可以实现对复杂场景下弱小目标的准确检测,同时计算量小、过程简单,从而解决了现有目标检测方法难以在保证检测结果准确的同时降低计算量、保障实时性的问题,可以增强复杂背景下的抗干扰能力,有效避免误检漏检,提高目标检测的实时性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的红外图像目标检测方法的流程示意图;
图2为本发明的一个实施例提供的红外图像目标检测方法的原理示意图;
图3为本发明的一个实施例提供的红外图像目标检测系统的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1,本发明实施例提供的一种红外图像目标检测方法的流程示意图,包括:
S101、对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点;
所述卷积处理即通过活动模板与红外图像像元进行卷积运算,使图像中不同目标间差距增大,方便边缘检测。所述正向奇异点指的是图像中像素灰度超过一定阈值的位置,一般可以是一个像素点或多个像素点组成的单元。通过对某一波段红外图像卷积处理后,可以遍历查找局部区域中的正向奇异点。
具体的,创建一个均匀模板,设定均匀模板大小T×T,在所述预定波段红外图像中逐像素移动所述均匀模板;
通过所述均匀模板对红外图像进行卷积,获取所述预定波段红外图像局部区域的正向奇异点,正向奇异点计算公式为:
其中,fL(x,y)表示正向奇异点,f(x,y)表示图像中位置为(x,y)的图像灰度,i、j为系数,Th1为衡量小目标强弱的阈值。
S102、将所述正向奇异点作为种子点进行带约束和标记的双阈值区域扩张,得到疑似目标区域;
所述双阈值区域扩张即通过双阈值法对种子点区域进行扩张,通过对种子点邻域进行检测判断,根据邻域的约束及标记,可以将种子点和邻域划定为同一区域。所述疑似目标区域一般在同一波段的红外图像中可以有多个。
可选的,遍历所述预定波段红外图像,当获取到一个正向奇异点后,将所述正向奇异点标记为一个区域R的种子点,并记录所述正向奇异点的灰度值v1;
搜索与种子点区域相邻的邻域,根据邻域是否为局部正向奇异点以及邻域的灰度值,判断是否将邻域添加到种子点所在区域R中;
遍历所有邻域,将得到的区域R作为疑似目标区域。
所述邻域即为种子点区域周围的8个邻域,一般的,种子点区域为表示一个像素点,种子点区域周围的8个像素点即为邻域。
优选的,所述根据邻域是否为局部正向奇异点以及邻域的灰度值,判断是否将邻域添加到种子点所在区域R中具体为:
若邻域对应的点p为非局部正向奇异点,且点p的灰度值满足|vp-v1|<Th2,则将点p对应区域添加至种子点所在区域R,并根据区域R的平均灰度值更新种子点灰度值v1;
若邻域对应的点p为局部正向奇异点,且点p的灰度值满足|vp-v1|<Th3,则将点p对应区域添加至种子点所在区域R,并根据区域R的平均灰度值更新种子点灰度值v1;
若邻域内不存在可添加至种子点所在区域R的点p,则将种子点所在区域R作为噪声滤除,Th2和Th3表示不同的灰度阈值。
S103、对所述疑似目标区域进行筛选,去除所述疑似目标区域中的噪声和坏元;
在所述疑似目标区域中,存在的目标区域对应像素单元较小的,在复杂红外背景中可以作为背景噪声进行滤除。对于与周围区域对比度相差过大的像素区域,可以作为坏元进行滤除。
优选的,获取所述疑似目标区域的边界,并依据所述边界组成目标矩形框,将所述目标矩形框的长和宽作为所述疑似目标区域的长和宽;
滤除所述疑似目标区域中,长和宽数值大于预设阈值的疑似目标区域;
滤除所述疑似目标区域中,长宽比例大于预设阈值的疑似目标区域;
滤除疑似目标区域中与所述目标矩形框面积比小于预设阈值的疑似目标区域;
对于两个像素区域,若与周围区域对比度差距超过预设值,则将做为坏元滤除。
如图2所示,在本发明另一实施例中,示出了疑似目标区域的不同形式的组成示意图,在图中,每一方格的黑色区域表示一个像素点,若干方格形成的黑色区域为疑似目标的像素组成,虚线表示区域表示非目标区域,由黑色区域与虚线区域形成的矩形为疑似目标的最小外接矩形,也即目标矩形框。
通过对疑似目标区域的长、宽及面积计算判断,可以减少噪声干扰。
S104、统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果。
对于多波段红外图像,可以根据谱段进行划分检测,在各个谱段的图像中,疑似目标区域在红外图像中位置分布具有一定差异,根据疑似目标区域分布特征确定目标区域,可以减小噪声等因素影响,保障结果的准确可靠。
优选的,当在多个波段的红外图像中,同一位置均检测到目标,则标记对应位置并认定所述位置存在检测目标。这样可以避免某一谱段检测导致的虚警。
通过本实施例提供的方法,可以提高了检测的准确率,降低了虚警;与神经网络等复杂方法相比,降低了计算复杂度,简化了运算,易于工程实现并能达到应用的实时性要求。同时更好地适应背景复杂的背景,增强了对云层地面等景物的抗干扰能力,扩大了该方法的应用范围。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3为本发明实施例提供的一种红外图像目标检测系统的结构示意图,该系统包括:
检测模块310,用于对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点;
可选的,所述检测模块310包括:
创建单元,用于创建一个均匀模板,设定均匀模板大小T×T,在所述预定波段红外图像中逐像素移动所述均匀模板;
获取单元,用于通过所述均匀模板,获取所述预定波段红外图像局部区域的正向奇异点,正向奇异点计算公式为:
其中,fL(x,y)表示正向奇异点,f(x,y)表示图像中位置为(x,y)的图像灰度,i、j为系数,Th1为衡量小目标强弱的阈值。
扩张模块320,用于将所述正向奇异点作为种子点进行带约束与标记的双阈值扩张,得到疑似目标区域;
可选的,所述扩张模块320包括:
标记单元,用于当遍历所述预定波段红外图像获取到一个正向奇异点后,将所述正向奇异点标记为一个区域R的种子点,并记录所述种子点的灰度值v1;
优选的,所述根据邻域是否为局部正向奇异点以及邻域的灰度值,判断是否将邻域添加到种子点所在区域R中具体为:
若邻域对应的点p为非局部正向奇异点,且点p的灰度值满足|vp-v1|<Th2,则将点p对应区域添加至种子点所在区域R,并根据区域R的平均灰度值更新种子点灰度值v1;
若邻域对应的点p为局部正向奇异点,且点p的灰度值满足|vp-v1|<Th3,则将点p对应区域添加至种子点所在区域R,并根据区域R的平均灰度值更新种子点灰度值v1;
若邻域内不存在可添加至种子点所在区域R的点p,则将种子点所在区域R作为噪声滤除;
其中,Th2和Th3表示不同的灰度阈值。
判断单元,用于搜索与种子点区域相邻的邻域,根据邻域是否为局部正向奇异点以及邻域的灰度值,判断是否将邻域添加到种子点所在区域R中。
滤除模块330,用于对所述疑似目标区域进行筛选,去除所述疑似目标区域中的噪声和坏元;
可选的,所述滤除模块330包括:
获取所述疑似目标区域的边界,并依据所述边界组成目标矩形框,将所述目标矩形框的长和宽作为所述疑似目标区域的长和宽;
滤除所述疑似目标区域中,长和宽数值大于预设阈值的疑似目标区域;
滤除所述疑似目标区域中,长宽比例大于预设阈值的疑似目标区域;
滤除疑似目标区域中与所述目标矩形框比小于预设阈值的疑似目标区域;
对于两个像素区域,若与周围区域对比度差距超过预设值,则将做为坏元滤除。
获取模块340,用于统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果。
优选的,所述统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果具体为:
当在多个波段的红外图像中,同一位置均检测到目标,则标记对应位置并认定所述位置存在检测目标。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101至S104,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种红外图像目标检测方法,其特征在于,包括:
对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点;
其中,所述对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点包括:
创建一个均匀模板,设定均匀模板大小T×T,在所述预定波段红外图像中逐像素移动所述均匀模板;
通过所述均匀模板,获取所述预定波段红外图像局部区域的正向奇异点,正向奇异点计算公式为:
其中,fL(x,y)表示正向奇异点的像素灰度,所述正向奇异点为所述像素灰度超过一定阈值的位置,f(x,y)表示图像中位置为(x,y)的图像灰度,i、j为系数,Th1为衡量小目标强弱的阈值;
将所述正向奇异点作为种子点进行带约束和标记的双阈值区域扩张,得到疑似目标区域;
其中,所述将所述正向奇异点作为种子点进行带约束与标记的双阈值扩张,得到疑似目标区域包括:
当遍历所述预定波段红外图像获取到一个正向奇异点后,将所述正向奇异点标记为一个区域R的种子点,并记录所述种子点的灰度值v1;
搜索与种子点区域相邻的邻域,根据邻域是否为局部正向奇异点以及邻域的灰度值,判断是否将邻域添加到种子点所在区域R中;
所述根据邻域是否为局部正向奇异点以及邻域的灰度值,判断是否将邻域添加到种子点所在区域R中具体为:
若邻域对应的点p为非局部正向奇异点,且点p的灰度值满足|vp-v1|<Th2,则将点p对应区域添加至种子点所在区域R,并根据区域R的平均灰度值更新种子点灰度值v1;
若邻域对应的点p为局部正向奇异点,且点p的灰度值满足|vp-v1|<Th3,则将点p对应区域添加至种子点所在区域R,并根据区域R的平均灰度值更新种子点灰度值v1;
若邻域内不存在可添加至种子点所在区域R的点p,则将种子点所在区域R作为噪声滤除;
其中,Th2和Th3表示不同的灰度阈值;
对所述疑似目标区域进行筛选,去除所述疑似目标区域中的噪声和坏元;
统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述疑似目标区域进行筛选,去除所述疑似目标区域中的噪声和坏元包括:
获取所述疑似目标区域的边界,并依据所述边界组成目标矩形框,将所述目标矩形框的长和宽作为所述疑似目标区域的长和宽;
滤除所述疑似目标区域中,长和宽数值大于预设阈值的疑似目标区域;
滤除所述疑似目标区域中,长宽比例大于预设阈值的疑似目标区域;
滤除疑似目标区域与所述目标矩形框面积比小于预设阈值的疑似目标区域。
3.根据权利要求1所述的方法,其特征在于,所述统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果具体为:
当在多个波段的红外图像中,同一位置均检测到目标,则标记对应位置并认定所述位置存在检测目标。
4.一种红外图像目标检测系统,其特征在于,包括:
检测模块,用于对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点;
其中,所述对预定波段红外图像进行卷积处理后,查找所述红外图像中每个局部区域的正向奇异点包括:
创建一个均匀模板,设定均匀模板大小T×T,在所述预定波段红外图像中逐像素移动所述均匀模板;
通过所述均匀模板,获取所述预定波段红外图像局部区域的正向奇异点,正向奇异点计算公式为:
其中,fL(x,y)表示正向奇异点的像素灰度,所述正向奇异点为所述像素灰度超过一定阈值的位置,f(x,y)表示图像中位置为(x,y)的图像灰度,i、j为系数,Th1为衡量小目标强弱的阈值;
扩张模块,用于将所述正向奇异点作为种子点进行带约束与标记的双阈值扩张,得到疑似目标区域;
其中,所述扩张模块包括:
标记单元,用于当遍历所述预定波段红外图像获取到一个正向奇异点后,将所述正向奇异点标记为一个区域R的种子点,并记录所述种子点的灰度值v1;
判断单元,用于搜索与种子点区域相邻的邻域,根据邻域是否为局部正向奇异点以及邻域的灰度值,判断是否将邻域添加到种子点所在区域R中;
所述根据邻域是否为局部正向奇异点以及邻域的灰度值,判断是否将邻域添加到种子点所在区域R中具体为:
若邻域对应的点p为非局部正向奇异点,且点p的灰度值满足|vp-v1|<Th2,则将点p对应区域添加至种子点所在区域R,并根据区域R的平均灰度值更新种子点灰度值v1;
若邻域对应的点p为局部正向奇异点,且点p的灰度值满足|vp-v1|<Th3,则将点p对应区域添加至种子点所在区域R,并根据区域R的平均灰度值更新种子点灰度值v1;
若邻域内不存在可添加至种子点所在区域R的点p,则将种子点所在区域R作为噪声滤除;
其中,Th2和Th3表示不同的灰度阈值;
滤除模块,用于对所述疑似目标区域进行筛选,去除所述疑似目标区域中的噪声和坏元;
获取模块,用于统计所有波段红外图像中的疑似目标区域,根据各波段红外图像中疑似目标区域的分布,获取目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096672.6A CN110991259B (zh) | 2019-11-11 | 2019-11-11 | 一种红外图像目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096672.6A CN110991259B (zh) | 2019-11-11 | 2019-11-11 | 一种红外图像目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991259A CN110991259A (zh) | 2020-04-10 |
CN110991259B true CN110991259B (zh) | 2023-05-12 |
Family
ID=70083744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911096672.6A Active CN110991259B (zh) | 2019-11-11 | 2019-11-11 | 一种红外图像目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991259B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286199A (zh) * | 2007-09-14 | 2008-10-15 | 西北工业大学 | 一种基于区域生长和蚁群聚类的图像分割方法 |
CN106056084A (zh) * | 2016-06-01 | 2016-10-26 | 北方工业大学 | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 |
CN110111283A (zh) * | 2019-05-14 | 2019-08-09 | 武汉高德红外股份有限公司 | 一种复杂背景下红外疑似目标的提示方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2415563B (en) * | 2004-06-23 | 2009-11-25 | Medicsight Plc | Lesion boundary detection |
JP2007034733A (ja) * | 2005-07-27 | 2007-02-08 | Toshiba Corp | 対象物領域検出装置、方法およびプログラム |
US9990712B2 (en) * | 2015-04-08 | 2018-06-05 | Algotec Systems Ltd. | Organ detection and segmentation |
-
2019
- 2019-11-11 CN CN201911096672.6A patent/CN110991259B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286199A (zh) * | 2007-09-14 | 2008-10-15 | 西北工业大学 | 一种基于区域生长和蚁群聚类的图像分割方法 |
CN106056084A (zh) * | 2016-06-01 | 2016-10-26 | 北方工业大学 | 一种多分辨层次化筛选的遥感图像港口船舶检测方法 |
CN110111283A (zh) * | 2019-05-14 | 2019-08-09 | 武汉高德红外股份有限公司 | 一种复杂背景下红外疑似目标的提示方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110991259A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yao et al. | Detecting image splicing based on noise level inconsistency | |
CN111083365B (zh) | 一种最佳焦平面位置快速检测方法及装置 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN108682039B (zh) | 一种双目立体视觉测量方法 | |
CN110378902B (zh) | 一种高噪声背景下的划痕检测方法 | |
EP1958158A2 (en) | Method for detecting streaks in digital images | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
Serir et al. | No-reference blur image quality measure based on multiplicative multiresolution decomposition | |
Tang et al. | Research on infrared ship detection method in sea-sky background | |
CN115205223A (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
Algailani et al. | Detection of sickle cell disease based on an improved Watershed segmentation | |
CN113111883B (zh) | 车牌检测方法、电子设备及存储介质 | |
Tsomko et al. | Linear Gaussian blur evolution for detection of blurry images | |
CN112419228B (zh) | 盖板立体边缘缺陷的检测方法及装置 | |
CN110991259B (zh) | 一种红外图像目标检测方法及系统 | |
CN116342656B (zh) | 一种基于自适应边缘检测的时空图像测速方法和装置 | |
CN111445435B (zh) | 一种基于多区块小波变换的无参考图像质量评价方法 | |
CN112613456A (zh) | 一种基于多帧差分图像累积的小目标检测方法 | |
CN113516608A (zh) | 轮胎的缺陷检测方法和检测装置、轮胎检测设备 | |
WO2022247684A1 (zh) | 基站馈线检测方法、系统及相关装置 | |
CN112435226B (zh) | 一种细粒度图像拼接区域检测方法 | |
Yuhan et al. | Detection of road surface crack based on PYNQ | |
CN109272498B (zh) | 一种枯叶图图卡视频的实时细节自动分析方法 | |
CN111027560B (zh) | 文本检测方法以及相关装置 | |
Nasonov et al. | Edge width estimation for defocus map from a single image |
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 |