CN111047595A - 一种基于自适应阈值帧差法的实时海浪分割方法及装置 - Google Patents
一种基于自适应阈值帧差法的实时海浪分割方法及装置 Download PDFInfo
- Publication number
- CN111047595A CN111047595A CN201911151010.4A CN201911151010A CN111047595A CN 111047595 A CN111047595 A CN 111047595A CN 201911151010 A CN201911151010 A CN 201911151010A CN 111047595 A CN111047595 A CN 111047595A
- Authority
- CN
- China
- Prior art keywords
- image
- adaptive threshold
- difference
- threshold
- sea wave
- 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
Images
Classifications
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自适应阈值帧差法的实时海浪分割方法及装置,该方法包括:获取目标海域运动海浪视频序列图像;对所述运动海浪视频序列图像,进行灰度转化;将获得的灰度图像相邻两帧进行差分操作;根据差分后的图像,生成自适应阈值;根据所述自适应阈值,进行阈值操作输出最终的海浪分割图像。该方法适用于基于双目视觉海浪高度的测量以及三维重建的工作中,能够快速分割出运动的海浪,用时少,效果明显,自适应阈值的应用能够使该方法应用在不同场景中,减少了不同视频下需要重新设置阈值的工作,而且本方法简单,易于编程实现,算法耗时少,具有实时性。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种基于自适应阈值帧差法的实时海浪分割方法及装置。
背景技术
海啸作为一种极具危害性的自然灾害,自古以来就使人们深受其扰,与此相关的研究也一直未曾间断。海啸造成的巨大人员伤亡与财产损失将海啸的监测与预警这一问题推上了风口浪尖。由于地震波传播速度远远大于海啸,因此目前国际上通常基于地震信息来进行海啸预警。该方法的缺点是受海底地形及地震强度等因素的影响,即使发生了海底地震,也不一定产生海啸。由海啸误警所引起的人员疏散以及防灾准备,也会消耗大量的时间,金钱与人力,这也是人们所不希望的。当前海啸预警系统所依据的海啸判别较为直观的理解都是通过对浪高或者说海面的变化,更详细到手段可分为两大类,通过海面的压强变化以及通过电磁波反射。然而这样的方法很难获取海浪的形状等其他信息。近年来在测量领域中新兴的图像测量技术是一种以光学技术为基础,将计算机技术、光电子技术、激光技术、图像处理技术等多种现代科学技术融合在一起的一种高能测量技术,所谓的图像测量,就是把测量对象图像作为检测和传递信息的手段和载体,从中提取有用信息加以利用的精确测量技术。考虑海浪顶部的高低变化来记录海面的变化情况,可以基于有海面高度测量方法的不足和图像测量技术的优势,应用光学图像方法来测量海浪。在海浪测量以及三位重建工作中海浪的分割成为最重要的也是最基础的一部分。
计算机视觉是一门包含多种应用技术的综合性学科,其中融合了生物工程、计算机科学、信号处理等相关技术。同时计算机视觉也是扩展人工智能在图像相关领域的重要支撑。近几年来计算机视觉技术的研究取得了实质性的进展,并逐渐扩展到多个领域。其中的图像分割是计算机视觉中的一项关键技术,也是一经典难题,发展至今仍没有找到一个通用的方法。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
(Ⅰ)阈值分割方法
阈值分割方法现已提出了大量算法,对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值,然后将图像中各个象素的灰度值都与这个阈值相比较,并根据比较结果将对应的象素分为两类。这两类象素一般分属图像的两类区域,从而达到分割的目的。中该方法可以看出,确定一个最优阈值是分割的关键。
(Ⅱ)基于边缘的分割方法
图像最基本的特征是边缘,它是图像局部特性不连续(或突变)的结果。例如,灰度值的突变、颜色的突变、纹理的突变等。边缘检测方法是利用图像一阶导数的极值或二阶导数的过零点信息来提供判断边缘点的基本依据,经典的边缘检测方法是构造对图像灰度阶跃变化敏感的差分算子来进行图像分割,如Robert算子、Sobel算子、Prewitt算子、Laplacian算子等。
(Ⅲ)基于区域的分割方法
区域分割的实质就是把具有某种相似性质的像素连通起来,从而构成最终的分割区域。它利用了图像的局部空间信息,可有效的克服其它方法存在的图像分割空间不连续的缺点,但它通常会造成图像的过度分割。
(Ⅳ)结合特定理论工具的分割方法
图像分割至今为止尚无通用的自身理论近年来,随着各学科许多新理论和新方法的提出,人们也提出了许多与一些特定理论、方法和工具相结合的分割技术
(1)基于数学形态学的分割技术其基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。
(2)基于模糊技术的图像分割方法基于模糊集合和逻辑的分割方法是以模糊数学为基础,利用隶属决图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题,该方法在医学图像分析中有广泛的应用。
(3)基于人工神经网络技术的图像分割方法基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对象素进行分类来达到分割的目。
(4)遗传算法在图像分割中的应用遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化搜索方法。
(5)基于小波分析和变换的分割技术该方法是借助新出现的数学工具小波变换来分割图像的一种方法。小波变换是一种多尺度多通道分析工具,比较适合对图像进行多尺度的边缘检测。
但上述几种方法,耗时较长,且分割的准确性还有待提高。
发明内容
鉴于上述问题,本发明提供的一种基于自适应阈值帧差法的实时海浪分割方法及装置,本发明将自适应阈值帧差法的概念,应用到动态海浪的实时分割中,为海浪测量以及三维重建工作打下坚实基础。
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于自适应阈值帧差法的实时海浪分割方法,包括:
获取目标海域运动海浪视频序列图像;
对所述运动海浪视频序列图像,进行灰度转化;
将获得的灰度图像相邻两帧进行差分操作;
根据差分后的图像,生成自适应阈值;
根据所述自适应阈值,进行阈值操作输出最终的海浪分割图像。
在一个实施例中,将获得的灰度图像相邻两帧进行差分操作,包括:
读取连续两帧视频图像fn和fn-1,并计算出相邻两帧的差分图像Dn。
在一个实施例中,读取连续两帧视频图像fn和fn-1,并计算出相邻两帧的差分图像Dn,包括:
两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y),将两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn:Dn(x,y)=|fn(x,y)-fn-1(x,y)|。
在一个实施例中,根据差分后的图像,生成自适应阈值,包括:
根据相邻两帧的差分图像Dn,计算整幅差分图像Dn的均值;
生成自适应阈值T,T=n*mean(Dn(x,y));自适应阈值T为图像Dn均值的预设倍数。
在一个实施例中,根据所述自适应阈值,进行阈值操作输出最终的海浪分割图像,包括:
将得到的差分图像Dn按照算出的自适应阈值T进行阈值处理,根据公式(1)将大于所述自适应阈值T部分的灰度值保留原值,小于所述自适应阈值T部分取0,处理后得到的图像为分割出的海浪Rn;
第二方面,本发明还提供一种基于自适应阈值帧差法的实时海浪分割装置,包括:
获取模块,用于获取目标海域运动海浪视频序列图像;
灰度转化模块,用于对所述运动海浪视频序列图像,进行灰度转化;
差分操作模块,用于将获得的灰度图像相邻两帧进行差分操作;
生成模块,用于根据差分后的图像,生成自适应阈值;
输出模块,用于根据所述自适应阈值,进行阈值操作输出最终的海浪分割图像。
在一个实施例中,所述差分操作模块,具体用于读取连续两帧视频图像fn和fn-1,并计算出相邻两帧的差分图像Dn。
在一个实施例中,所述差分操作模块,具体用于两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y),将两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn:Dn(x,y)=|fn(x,y)-fn-1(x,y)|。
在一个实施例中,所述生成模块,包括:
计算子模块,用于根据相邻两帧的差分图像Dn,计算整幅差分图像Dn的均值;
生成子模块,用于生成自适应阈值T,T=n*mean(Dn(x,y));自适应阈值T为图像Dn均值的预设倍数。
在一个实施例中,所述输出模块具体用于,
将得到的差分图像Dn按照算出的自适应阈值T进行阈值处理,根据公式(1)将大于所述自适应阈值T部分的灰度值保留原值,小于所述自适应阈值T部分取0,处理后得到的图像为分割出的海浪Rn;
本发明实施例提供的上述技术方案的有益效果至少包括:
一种基于自适应阈值帧差法的实时海浪分割方法,适用于基于双目视觉海浪高度的测量以及三维重建的工作中;通过对视频图像序列进行灰度转化,将获得的灰度图像相邻两帧进行差分操作,接着根据差分后的图像自动算出阈值进行阈值操作,实现自适应阈值操作;在确定了阈值之后采用当图像阈值大于阈值的保留原灰度值的阈值操作,而不是将图像变成二值图像。该方法能够快速分割出运动的海浪,用时少,效果明显,自适应阈值的应用能够使该方法应用在不同场景中,减少了不同视频下需要重新设置阈值的工作,而且本方法简单,易于编程实现,算法耗时少,具有实时性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为现有技术的帧差法原理框图;
图2为本发明实施例提供的基于自适应阈值帧差法的实时海浪分割方法流程图;
图3为本发明实施例提供的基于自适应阈值帧差法的实时海浪分割方法简要流程图;
图4a~4c为本发明实施例提供的多张不同场景下初始海浪图;
图5a~5c为与图4a~4c提供原始海浪图像相对应的实时分割海浪图;
图6为本发明实施例提供的基于自适应阈值帧差法的实时海浪分割装置框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供的一种基于自适应阈值帧差法的实时海浪分割方法,并设定自适应阈值分割出运动的海浪。在传统帧差法的基础上,通过对帧差法得到的感兴趣区域进行阈值处理,帧差法原理如图1所示。
本实施例提供的基于自适应阈值帧差法的实时海浪分割方法,参照图2所示,包括:
S101、获取目标海域运动海浪视频序列图像;
S102、对所述运动海浪视频序列图像,进行灰度转化;
S103、将获得的灰度图像相邻两帧进行差分操作;
S104、根据差分后的图像,生成自适应阈值;
S105、根据所述自适应阈值,进行阈值操作输出最终的海浪分割图像。
本实施例中,通过对视频图像序列进行灰度转化,将获得的灰度图像相邻两帧进行差分操作,接着根据差分后的图像自动算出阈值进行阈值操作,实现自适应阈值操作;在确定了阈值之后采用当图像阈值大于阈值的保留原灰度值的阈值操作,而不是将图像变成二值图像。该方法能够快速分割出运动的海浪,用时少,效果明显,自适应阈值的应用能够使该方法应用在不同场景中,减少了不同视频下需要重新设置阈值的工作,而且本方法简单,易于编程实现,算法耗时少,具有实时性。
基于自适应帧差法理论,在传统帧差法的基础上,通过对帧差法得到的感兴趣区域进行阈值处理,并设定自适应阈值分割出运动的海浪。如图3所示,为基于自适应阈值帧差法的实时海浪分割方法的简要流程图;比如通过双目视频捕捉器捕捉运动海浪视频,如图4a~4c,首先对视频图像序列进行灰度转化,对视频图像序列中第n帧和第n-1帧图像为fn和fn-1,两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y),将两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn:Dn(x,y)=|fn(x,y)-fn-1(x,y)|,计算自适应阈值T,T=n*mean(Dn(x,y))。
按照公式(1)逐个对像素点进行阈值操作得到最终结果图像Rn。其中灰度值为0的点是前后帧图像未发生变化的区域,灰度值保留原值的点则对应产生了变化的区域,即分割出的海浪,如图5a~5c所示。具体过程如下:
(1)读取海浪视频文件,将海浪视频序列进行灰度转化,读取连续两帧视频图像fn和fn-1,并计算出相邻两帧的差分图像Dn。
(2)通过上一步得到的差分图像Dn来计算自适应阈值,首先计算图像Dn的均值,接着将阈值T设置为图像Dn均值的倍数。经过大量实验测试,可得Dn范围在5到8之间效果较佳,另外可根据实际场景针对该值进行修改。进而通过T=n*mean(Dn(x,y))即可计算自适应阈值T。本公开实施例对此不作限定。
(3)进行阈值操作。将得到的差分图像Dn按照算出的自适应阈值T进行处阈值理,处理后得到的图像就是分割出的海浪。
该方法用于动态海浪实时分割,能够快速准确分割出动态海浪,本方法的算法简单且耗时少,用时自适应阈值的应用能够保证该算法在应用于不同场景视频时无需重复设定阈值。
其中,该方法不需要其他复杂的分割操作,主要考虑海浪是运动的直接应用帧差法,方法简单而且实时性高。根据差分后图像均值的倍数来确定自适应阈值,采用自适应阈值的阈值操作,无需要根据不同视频反复设置阈值,增加了方法的普遍适用性。当进行阈值操作时,将大于阈值部分的灰度值保留原值,这样可以将分割后的结果应用在关于与海浪的相关工作中,加大了分割后结果的应用范围。
基于同一发明构思,本发明实施例还提供了一种基于自适应阈值帧差法的实时海浪分割装置,由于该装置所解决问题的原理与前述方法相似,因此该装置的实施可以参见前述方法的实施,重复之处不再赘述。
本发明还提供了一种基于自适应阈值帧差法的实时海浪分割装置,参照图6所示,包括:
获取模块61,用于获取目标海域运动海浪视频序列图像;
灰度转化模块62,用于对所述运动海浪视频序列图像,进行灰度转化;
差分操作模块63,用于将获得的灰度图像相邻两帧进行差分操作;
生成模块64,用于根据差分后的图像,生成自适应阈值;
输出模块65,用于根据所述自适应阈值,进行阈值操作输出最终的海浪分割图像。
在一个实施例中,所述差分操作模块63,具体用于读取连续两帧视频图像fn和fn-1,并计算出相邻两帧的差分图像Dn。
在一个实施例中,所述差分操作模块63,具体用于两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y),将两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn:Dn(x,y)=|fn(x,y)-fn-1(x,y)|。
在一个实施例中,所述生成模块64,包括:
计算子模块641,用于根据相邻两帧的差分图像Dn,计算整幅差分图像Dn的均值;
生成子模块642,用于生成自适应阈值T,T=n*mean(Dn(x,y));自适应阈值T为图像Dn均值的预设倍数。
在一个实施例中,所述输出模块65具体用于,
将得到的差分图像Dn按照算出的自适应阈值T进行阈值处理,根据公式(1)将大于所述自适应阈值T部分的灰度值保留原值,小于所述自适应阈值T部分取0,处理后得到的图像为分割出的海浪Rn;
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于自适应阈值帧差法的实时海浪分割方法,其特征在于,包括:
获取目标海域运动海浪视频序列图像;
对所述运动海浪视频序列图像,进行灰度转化;
将获得的灰度图像相邻两帧进行差分操作;
根据差分后的图像,生成自适应阈值;
根据所述自适应阈值,进行阈值操作输出最终的海浪分割图像。
2.如权利要求1所述的方法,其特征在于,将获得的灰度图像相邻两帧进行差分操作,包括:
读取连续两帧视频图像fn和fn-1,并计算出相邻两帧的差分图像Dn。
3.如权利要求2所述的方法,其特征在于,读取连续两帧视频图像fn和fn-1,并计算出相邻两帧的差分图像Dn,包括:
两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y),将两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn:Dn(x,y)=|fn(x,y)-fn-1(x,y)|。
4.如权利要求3所述的方法,其特征在于,根据差分后的图像,生成自适应阈值,包括:
根据相邻两帧的差分图像Dn,计算整幅差分图像Dn的均值;
生成自适应阈值T,T=n*mean(Dn(x,y));自适应阈值T为图像Dn均值的预设倍数。
6.一种基于自适应阈值帧差法的实时海浪分割装置,其特征在于,包括:
获取模块,用于获取目标海域运动海浪视频序列图像;
灰度转化模块,用于对所述运动海浪视频序列图像,进行灰度转化;
差分操作模块,用于将获得的灰度图像相邻两帧进行差分操作;
生成模块,用于根据差分后的图像,生成自适应阈值;
输出模块,用于根据所述自适应阈值,进行阈值操作输出最终的海浪分割图像。
7.如权利要求6所述装置,其特征在于,所述差分操作模块,具体用于读取连续两帧视频图像fn和fn-1,并计算出相邻两帧的差分图像Dn。
8.如权利要求7所述的装置,其特征在于,所述差分操作模块,具体用于两帧对应像素点的灰度值记为fn(x,y)和fn-1(x,y),将两帧图像对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dn:Dn(x,y)=|fn(x,y)-fn-1(x,y)|。
9.如权利要求8所述的装置,其特征在于,所述生成模块,包括:
计算子模块,用于根据相邻两帧的差分图像Dn,计算整幅差分图像Dn的均值;
生成子模块,用于生成自适应阈值T,T=n*mean(Dn(x,y));自适应阈值T为图像Dn均值的预设倍数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911151010.4A CN111047595A (zh) | 2019-11-21 | 2019-11-21 | 一种基于自适应阈值帧差法的实时海浪分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911151010.4A CN111047595A (zh) | 2019-11-21 | 2019-11-21 | 一种基于自适应阈值帧差法的实时海浪分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111047595A true CN111047595A (zh) | 2020-04-21 |
Family
ID=70232970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911151010.4A Pending CN111047595A (zh) | 2019-11-21 | 2019-11-21 | 一种基于自适应阈值帧差法的实时海浪分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047595A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365469A (zh) * | 2020-11-11 | 2021-02-12 | 中国船舶科学研究中心 | 一种基于Otsu阈值的二维波浪谱分割方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101626512A (zh) * | 2009-08-11 | 2010-01-13 | 北京交通大学 | 一种基于相关性优化准则的多描述视频编码方法及装置 |
CN103335721A (zh) * | 2013-06-21 | 2013-10-02 | 中国科学院西安光学精密机械研究所 | 基于场景匹配的红外焦平面阵列动态盲元检测方法 |
CN103700116A (zh) * | 2012-09-27 | 2014-04-02 | 中国航天科工集团第二研究院二O七所 | 一种用于运动目标检测的背景建模方法 |
CN107067416A (zh) * | 2017-05-11 | 2017-08-18 | 南宁市正祥科技有限公司 | 一种运动目标的检测方法 |
CN107578045A (zh) * | 2017-09-19 | 2018-01-12 | 北京工业大学 | 一种基于机器视觉的水下目标识别方法 |
CN108921868A (zh) * | 2018-07-02 | 2018-11-30 | 中央民族大学 | 一种改进的Otsu阈值分割方法 |
CN109166137A (zh) * | 2018-08-01 | 2019-01-08 | 上海电力学院 | 针对抖动视频序列中运动目标检测算法 |
KR101940183B1 (ko) * | 2017-06-26 | 2019-01-18 | 서경대학교 산학협력단 | 영상분할방법 |
CN110415268A (zh) * | 2019-06-24 | 2019-11-05 | 台州宏达电力建设有限公司 | 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法 |
-
2019
- 2019-11-21 CN CN201911151010.4A patent/CN111047595A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101626512A (zh) * | 2009-08-11 | 2010-01-13 | 北京交通大学 | 一种基于相关性优化准则的多描述视频编码方法及装置 |
CN103700116A (zh) * | 2012-09-27 | 2014-04-02 | 中国航天科工集团第二研究院二O七所 | 一种用于运动目标检测的背景建模方法 |
CN103335721A (zh) * | 2013-06-21 | 2013-10-02 | 中国科学院西安光学精密机械研究所 | 基于场景匹配的红外焦平面阵列动态盲元检测方法 |
CN107067416A (zh) * | 2017-05-11 | 2017-08-18 | 南宁市正祥科技有限公司 | 一种运动目标的检测方法 |
KR101940183B1 (ko) * | 2017-06-26 | 2019-01-18 | 서경대학교 산학협력단 | 영상분할방법 |
CN107578045A (zh) * | 2017-09-19 | 2018-01-12 | 北京工业大学 | 一种基于机器视觉的水下目标识别方法 |
CN108921868A (zh) * | 2018-07-02 | 2018-11-30 | 中央民族大学 | 一种改进的Otsu阈值分割方法 |
CN109166137A (zh) * | 2018-08-01 | 2019-01-08 | 上海电力学院 | 针对抖动视频序列中运动目标检测算法 |
CN110415268A (zh) * | 2019-06-24 | 2019-11-05 | 台州宏达电力建设有限公司 | 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法 |
Non-Patent Citations (2)
Title |
---|
李自勤等: "激光雷达跟踪算法研究", 《红外与激光工程》 * |
杨雪等: "基于自回归模型的自适应阈值算法", 《航空动力学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365469A (zh) * | 2020-11-11 | 2021-02-12 | 中国船舶科学研究中心 | 一种基于Otsu阈值的二维波浪谱分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN110175603B (zh) | 一种雕刻文字识别方法、系统及存储介质 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
AlAzawee et al. | Using morphological operations—Erosion based algorithm for edge detection | |
Chen et al. | Multi-scale attention networks for pavement defect detection | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
CN111047595A (zh) | 一种基于自适应阈值帧差法的实时海浪分割方法及装置 | |
Qi et al. | A review of traditional image segmentation methods | |
CN115965613A (zh) | 基于空洞卷积的跨层连接的施工场景人群计数方法 | |
CN115861226A (zh) | 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法 | |
Tomasila | Sand Soil Image Processing Using the Watershed Transform and Otsu Thresholding Based on Gaussian Noise | |
Wang et al. | Sonar Objective Detection Based on Dilated Separable Densely Connected CNNs and Quantum‐Behaved PSO Algorithm | |
Ullah et al. | Experimental and numerical research of paved microcrack using histogram equalization for detection and segmentation | |
CN111597973A (zh) | 利用机器视觉检测盐渍海参合格品掺假情况的方法 | |
Mathiyalagan et al. | Image fusion using convolutional neural network with bilateral filtering | |
Li-Yong et al. | Defect detection of the irregular turbine blades based on edge pixel direction information | |
CN114842309B (zh) | 一种熟悉场景下熟悉目标的优化识别方法 | |
Huang et al. | Research on Detection Method of Sheet Surface Defects Based on Machine Vision | |
Bhavani et al. | Abnormality Detection Of Fetus Using Ultrasound Images | |
CN113592829B (zh) | 基于分割重组的深度学习泥沙颗粒识别方法及装置 | |
Marković et al. | Improving sub-pixel estimation of laser stripe reflection center by autoconvolution on FPGA |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |