CN111062887A - 基于改进的Retinex算法的图像清晰度判定方法 - Google Patents
基于改进的Retinex算法的图像清晰度判定方法 Download PDFInfo
- Publication number
- CN111062887A CN111062887A CN201911286616.9A CN201911286616A CN111062887A CN 111062887 A CN111062887 A CN 111062887A CN 201911286616 A CN201911286616 A CN 201911286616A CN 111062887 A CN111062887 A CN 111062887A
- Authority
- CN
- China
- Prior art keywords
- image
- computer
- definition
- value
- dimensional displacement
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000006073 displacement reaction Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005286 illumination Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000009194 climbing Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 3
- 241001156002 Anthonomus pomorum Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于改进的Retinex算法的图像清晰度判定方法，该方法采用工业摄像机作为待测物图片采集装置，三维位移台作为待测物载体，计算机作为图像数据处理以及待测物载体的控制装置，工业摄像机通过数据线与计算机连接，将采集的图片数据传送到计算机的存储器中，用于对图片进行分析和处理，计算机通过数据线连接三维位移台的驱动端口，计算机中安装好驱动三维位移台的驱动程序，由此控制三维位移台的位移，实现待测物在工业摄像机下方的移动。然后采用爬山法确定摄像机对焦清晰位置，依次通过生成融合图像、Retinex算法实现图像清晰度判定。
Description
技术领域
本发明属于图像处理技术领域，尤其是一种基于改进的Retinex算法的图像清晰度判定方法。
背景技术
搭载高分辨率图像采集设备的视觉检测技术已在医疗领域，工业领域等领域获得大量应用与不断发展。显微视觉检测中，CCD摄像机采集图像时受系统光源光强不稳定、外界环境光和外界振动噪声的影响，导致测量精度下降，稳定性不足。摄像机聚焦状态所决定的图像清晰度是视觉测量准确度的关键问题，利用图像清晰度评价函数实现的自动调焦技术可以反馈摄像机的聚焦状态，通过图像清晰度评价实现搜索摄像机成像达到最清晰位置。理想的图像清晰度评价方法应具有单峰性、无偏性、灵敏度高、鲁棒性好等特点。
常见的图像清晰度评价方法有Tenengrad算法，Brenner算法，Roberts算法，Absvar算法等。Tenengrad算法，Brenner算法适用于高斯噪声存在的情况下，Roberts算法适用于椒盐噪声存在的情况下。但光照不均隐藏了图像的细节信息，图像评价函数在光强过亮或过暗的区域单峰性与灵敏度下降，造成图像的清晰度判定误差。
经检索，发现4篇与本专利内容相关的专利文献，其中：
公开号为CN110473152A的中国专利，提供了一种基于改进Retinex的图像增强方法，使用引导滤波代替高斯滤波估算亮度图像，利用Sobel边缘检测器得出多尺度引导滤波图像的权重因子，对于彩色图像，将RGB色彩空间转换到YUV色彩空间进行增强处理，之后再转回RGB色彩空间显示。
公开号为CN110033415A的中国专利，提供了一种基于Retinex算法的图像去模糊方法，包括以下步骤：S1：利用Retinex算法对原始模糊图像进行处理，得到图像边缘被增强的模糊图像，将图像边缘被增强的模糊图像作为步骤S2的输入；S2：进行解卷积操作，以获得初始复原图像；S3：计算步骤S2中初始复原图像的梯度映射，消除初始复原图像中的噪声；S4：利用步骤S3中的梯度映射对原始模糊图像的模糊核进行估计；S5：判断步骤S3得到的消除噪声后的初始复原图像和步骤S4得到的模糊核是否为最佳结果：如果是，直接进行步骤S6；否则，将步骤S3得到的消除噪声后的初始复原图像作为步骤S2的输入，返回步骤S2；S6：利用步骤S5中得到的最佳模糊核，对原始模糊图像进行最终的解卷积，以获得最终的复原图像。
公开号为CN103839245A的中国专利，提供了基于统计规律的Retinex夜间彩色图像增强方法其特征在于，分析输入图像与基于双边滤波的Retinex算法处理得到的或者输入图像与基于多尺度的Retinex算法处理得到的光照估计图像像素值之间的变换关系，变换关系曲线用圆形曲线进行拟合。拟合过程中，按所述变换关系曲线均过点(255,255)以及用输入图像各点像素值的均值表示圆形曲线与Y正半轴的交点坐标的统计方法来求解圆半径值及圆心坐标值，从而得到输入图像与拟合后光照估计图像的圆形曲线表达式，进而得到基于统计规律的输入图像的反射图像。本发明与现有的Michael Elad提出的算法以及MSRCR算法相比，在图像的对比度、算法时间复杂度以及增强效果上均有所提高。
上述3篇专利文献所记载的技术方案的发明目的是对图像进行增强或补偿，而本专利是提供图像的清晰度判断，所以采用的技术手段有所不同。
发明内容
本发明的目的在于克服现有技术不足，提供一种对数据采集装置要求低、适用于显微视觉测量中光照不均环境条件下的基于改进的Retinex算法的图像清晰度判定方法。
本发明采用的技术方案是：
一种基于改进的Retinex算法的图像清晰度判定方法，该方法采用工业摄像机作为待测物图片采集装置，三维位移台作为待测物载体，计算机作为图像数据处理以及待测物载体的控制装置，工业摄像机通过数据线与计算机连接，将采集的图片数据传送到计算机的存储器中，用于对图片进行分析和处理，计算机通过数据线连接三维位移台的驱动端口，计算机中安装好驱动三维位移台的驱动程序，由此控制三维位移台的位移，实现待测物在工业摄像机下方的移动。
而且，在所述工业摄像机与待测物载体之间水平设置一环形光源。
而且，环形光源将被测物照亮，工业摄像机拍摄被照亮的被测物，图像数据通过数据线传输至计算机，计算机通过串口通信控制高精度电动三维位移台移动，对被测物垂直扫描，采集图像，图像清晰度判定步骤如下：
(1)计算机控制三维位移台垂直运动，以500um大步进垂直扫描被测物，确定图像由不清晰到清晰，再到不清晰的起点与终点；
(2)控制位移台回到测量起点，以100um大步进垂直扫描被测物至终点，计算每100um 步进采集到图像的清晰度值，找出清晰度值最大所在图像位置A；
(3)从位置A向两端以20um小步进垂直扫描被测物，分别走5个步进，计算每20um步进采集到图像的清晰度值，比较清晰度值，最大值所在位置是摄像机对焦清晰的位置；
(4)图像光照信息估计：采用均值滤波获取图像光照近似信息。
(5)图像边缘细节提取：采用canny算子提取图像集中每幅图像的边缘细节，每幅图像 canny算子中的参数k计算如下：
k＝1-(0.8*ε) 式1-1
公式1-1中ε为每幅图像归一化后的梯度值α，α由公式1-3求得。
采用Tenengrad算法求得图像梯度值，采用Sobel算子分别提取水平和垂直方向的梯度值：
清晰度计算公式定义如下：
D(x，y)＝∑y∑x|G(x，y)|(G(x，y)＞T) 式1-3
T是个设定好的边缘检测阈值，G(x，y)的形式如下：
Gx和Gy分别是点(x，y)基于Sobel算子水平和垂直方向的卷积，使用公式1-2的模板来检测边缘；
(6)生成融合图像：将边缘细节图中灰度值为255的像素点，找到原图光照近似图像中相应位置，将该像素点的灰度值设为150，生成融合了光照近似信息和边缘细节的融合图像，见图4a至图4e，为5张垂直位移间隔200um的融合图像；
(7)Retinex算法：该算法的中心思想就是从原始图像S(x,y)中，通过一种近似的估计方法降低或去除入射分量L(x,y)带给图像的影响，达到保留物体本身的信息，进而得到反射图像 R(x,y)，即增强图像。相机所采集到图像S(x,y)可以理解为是由被测物的反射分量R(x,y)与入射光分量L(x,y)相乘得到的。该过程可由公式1-1表示：
S(x，y)＝R(x，y)*L(x，y) 式1-5
将公式1-5两边取对数得到：
log(R(x，y))＝log(S(x，y))-log(L(x，y)) 式1-6
分别取图4a至图4e中的融合图像为L(x,y)，可分别得到图5a至图5e图像增强结果。
(8)清晰度值计算：采用式1-3计算每幅增强图像，求得清晰度值，由此完成图像清晰度判定。
本发明优点和积极效果为：
本发明提供的图像清晰度判定方法可有效弥补图像光照不均，恢复暗处图像细节信息，从而实现准确、可靠的图像清晰度判定。
附图说明
图1是本发明的视觉检测系统结构示意图；
图2是本发明中通过爬山法确定摄像机对焦清晰位置流程图；
图3a是本发明中图像清晰度判定时Z轴垂直位置1000um的摄像机采集图像；
图3b是本发明中图像清晰度判定时Z轴垂直位置1200um的摄像机采集图像；
图3c是本发明中图像清晰度判定时Z轴垂直位置1400um的摄像机采集图像；
图3d是本发明中图像清晰度判定时Z轴垂直位置1600um的摄像机采集图像；
图3e是本发明中图像清晰度判定时Z轴垂直位置1800um的摄像机采集图像；
图4a是图3a的融合图像；
图4b是图3b的融合图像；
图4c是图3c的融合图像；
图4d是图3d的融合图像；
图4e是图3e的融合图像；
图5a是图4a的增强结果图；
图5b是图4b的增强结果图；
图5c是图4c的增强结果图；
图5d是图4d的增强结果图；
图5e是图4e的增强结果图；
图6是本发明的图像清晰度判定方法流程图。
具体实施方式
下面通过附图结合具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
一种基于改进的Retinex算法的图像清晰度判定方法，该方法通过视觉采集系统实现待测物的图片数据采集、待测物移动以及图片数据处理。视觉采集系统采用工业摄像机作为待测物图片采集装置，三维位移台作为待测物载体，计算机作为图像数据处理以及待测物载体的控制装置。在三维位移台上放置待测物，在三维位移台上方架设工业摄像机，为了对待测物提供均匀的照明且不出现虚影，本实施例中，在工业摄像机与待测物载体之间通过支架(未示出)水平设置一环形光源。工业摄像机通过数据线与计算机连接，将采集的图片数据传送到计算机的存储器中，用于对图片进行分析和处理，计算机通过数据线连接三维位移台的驱动端口，计算机中安装好驱动三维位移台的驱动程序，由此控制三维位移台的位移，实现待测物在工业摄像机下方的移动。
环形光源将被测物照亮，工业摄像机拍摄被照亮的被测物，图像数据通过数据线传输至计算机，计算机通过串口通信控制高精度电动三维位移台移动，对被测物垂直扫描，采集图像，利用本发明提供的图像处理算法，判定垂直扫描过程中最清晰图像。
本发明提供的算法流程如下：
采用爬山法确定摄像机对焦清晰位置
(1)计算机控制三维位移台垂直运动，以500um大步进垂直扫描被测物，确定图像由不清晰到清晰，再到不清晰的起点与终点。
(2)控制位移台回到测量起点，以100um大步进垂直扫描被测物至终点，计算每100um 步进采集到图像的清晰度值，找出清晰度值最大所在图像位置A。
(3)从位置A向两端以20um小步进垂直扫描被测物，分别走5个步进，计算每20um步进采集到图像的清晰度值，比较清晰度值，最大值所在位置是摄像机对焦清晰的位置，即对图像清晰度判定方法被测物选用标准台阶，见图3a至图3e，为5张垂直位移间隔200um 摄像机采集图像。
(4)图像光照信息估计：采用均值滤波获取图像光照近似信息。
(5)图像边缘细节提取：采用canny算子提取图像集中每幅图像的边缘细节，每幅图像 canny算子中的参数k计算如下：
k＝1-(0.8*ε) 式1-1
公式1-1中ε为每幅图像归一化后的梯度值α，α由公式1-3求得。
采用Tenengrad算法求得图像梯度值，采用Sobel算子分别提取水平和垂直方向的梯度值：
清晰度计算公式定义如下：
D(x，y)＝∑y∑x|G(x，y)|(G(x，y)＞T) 式1-3
T是个设定好的边缘检测阈值，G(x，y)的形式如下：
Gx和Gy分别是点(x，y)基于Sobel算子水平和垂直方向的卷积，使用公式1-2的模板来检测边缘。
(6)生成融合图像：将边缘细节图中灰度值为255的像素点，找到原图光照近似图像中相应位置，将该像素点的灰度值设为150，生成融合了光照近似信息和边缘细节的融合图像，见图4a至图4e，为5张垂直位移间隔200um的融合图像。
(7)Retinex算法：该算法的中心思想就是从原始图像S(x，y)中，通过一种近似的估计方法降低或去除入射分量L(x，y)带给图像的影响，达到保留物体本身的信息，进而得到反射图像 R(x，y)，即增强图像。相机所采集到图像S(x，y)可以理解为是由被测物的反射分量R(x，y)与入射光分量L(x，y)相乘得到的。该过程可由公式1-1表示：
S(x，y)＝R(x，y)*L(x，y) 式1-5
将公式1-5两边取对数得到：
log(R(x，y))＝log(S(x，y))-log(L(x，y)) 式1-6
分别取图4a至图4e中的融合图像为L(x，y)，可分别得到图5a至图5e图像增强结果。
(8)清晰度值计算：采用式1-3计算每幅增强图像，求得清晰度值，由此完成图像清晰度判定。
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。
Claims (3)
1.一种基于改进的Retinex算法的图像清晰度判定方法，其特征在于：该方法采用工业摄像机作为待测物图片采集装置，三维位移台作为待测物载体，计算机作为图像数据处理以及待测物载体的控制装置，工业摄像机通过数据线与计算机连接，将采集的图片数据传送到计算机的存储器中，用于对图片进行分析和处理，计算机通过数据线连接三维位移台的驱动端口，计算机中安装好驱动三维位移台的驱动程序，由此控制三维位移台的位移，实现待测物在工业摄像机下方的移动。
2.根据权利要求1所述的基于改进的Retinex算法的图像清晰度判定方法，其特征在于：在所述工业摄像机与待测物载体之间水平设置一环形光源。
3.根据权利要求2所述的基于改进的Retinex算法的图像清晰度判定方法，其特征在于：环形光源将被测物照亮，工业摄像机拍摄被照亮的被测物，图像数据通过数据线传输至计算机，计算机通过串口通信控制高精度电动三维位移台移动，对被测物垂直扫描，采集图像，图像清晰度判定步骤如下：
(1)计算机控制三维位移台垂直运动，以500um大步进垂直扫描被测物，确定图像由不清晰到清晰，再到不清晰的起点与终点；
(2)控制位移台回到测量起点，以100um大步进垂直扫描被测物至终点，计算每100um步进采集到图像的清晰度值，找出清晰度值最大所在图像位置A；
(3)从位置A向两端以20um小步进垂直扫描被测物，分别走5个步进，计算每20um步进采集到图像的清晰度值，比较清晰度值，最大值所在位置是摄像机对焦清晰的位置；
(4)图像光照信息估计：采用均值滤波获取图像光照近似信息；
(5)图像边缘细节提取：采用canny算子提取图像集中每幅图像的边缘细节，每幅图像canny算子中的参数k计算如下：
k＝1-(0.8*ε) 式1-1
公式1-1中ε为每幅图像归一化后的梯度值α，α由公式1-3求得；
采用Tenengrad算法求得图像梯度值，采用Sobel算子分别提取水平和垂直方向的梯度值：
清晰度计算公式定义如下：
D(x，y)＝∑y∑x|G(x，y)| (G(x，y)＞T) 式1-3
T是个设定好的边缘检测阈值，G(x，y)的形式如下：
Gh和Gy分别是点(x，y)基于Sobel算子水平和垂直方向的卷积，使用公式1-2的模板来检测边缘；
(6)生成融合图像：将边缘细节图中灰度值为255的像素点，找到原图光照近似图像中相应位置，将该像素点的灰度值设为150，生成融合了光照近似信息和边缘细节的融合图像，见图4a至图4e，为5张垂直位移间隔200um的融合图像；
(7)Retinex算法：该算法的中心思想就是从原始图像S(x,y)中，通过一种近似的估计方法降低或去除入射分量L(x,y)带给图像的影响，达到保留物体本身的信息，进而得到反射图像R(x,y)，即增强图像，相机所采集到图像S(x,y)可以理解为是由被测物的反射分量R(x,y)与入射光分量L(x,y)相乘得到的，该过程可由公式1-1表示：
S(x，y)＝R(x，y)*L(x，y) 式1-5
将公式1-5两边取对数得到：
log(R(x，y))＝log(S(x，y))-log(L(x，y)) 式1-6
分别取图4a至图4e中的融合图像为L(x,y)，可分别得到图5a至图5e图像增强结果；
(8)清晰度值计算：采用式1-3计算每幅增强图像，求得清晰度值，由此完成图像清晰度判定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911286616.9A CN111062887B (zh) | 2019-12-14 | 2019-12-14 | 基于改进的Retinex算法的图像清晰度判定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911286616.9A CN111062887B (zh) | 2019-12-14 | 2019-12-14 | 基于改进的Retinex算法的图像清晰度判定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062887A true CN111062887A (zh) | 2020-04-24 |
| CN111062887B CN111062887B (zh) | 2023-11-03 |
Family
ID=70301647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911286616.9A Active CN111062887B (zh) | 2019-12-14 | 2019-12-14 | 基于改进的Retinex算法的图像清晰度判定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062887B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100084A (zh) * | 2022-08-26 | 2022-09-23 | 天津市联大通讯发展有限公司 | 港口复杂光照环境智能图像增强摄像方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR367558A (fr) * | 1905-10-10 | 1906-11-05 | Walther Thorner | Dispositif de mise au point pour appareils photographiques |
| JP2006061331A (ja) * | 2004-08-26 | 2006-03-09 | Plusmic:Kk | 着順判定用画像変換表示装置 |
| CN103217855A (zh) * | 2013-04-02 | 2013-07-24 | 金三立视频科技（深圳）有限公司 | 摄像机自动聚焦方法 |
| CN106534661A (zh) * | 2015-09-15 | 2017-03-22 | 中国科学院沈阳自动化研究所 | 一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法 |
| CN109141823A (zh) * | 2018-08-16 | 2019-01-04 | 南京理工大学 | 一种基于清晰度评价的显微镜系统景深测量装置和方法 |
| JP2019004230A (ja) * | 2017-06-12 | 2019-01-10 | キヤノン株式会社 | 画像処理装置及び方法、及び撮像装置 |
| CN109598704A (zh) * | 2018-11-19 | 2019-04-09 | 电子科技大学 | 一种基于bp神经网络的粪便显微图像清晰度评价方法 |
-
2019
- 2019-12-14 CN CN201911286616.9A patent/CN111062887B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR367558A (fr) * | 1905-10-10 | 1906-11-05 | Walther Thorner | Dispositif de mise au point pour appareils photographiques |
| JP2006061331A (ja) * | 2004-08-26 | 2006-03-09 | Plusmic:Kk | 着順判定用画像変換表示装置 |
| CN103217855A (zh) * | 2013-04-02 | 2013-07-24 | 金三立视频科技（深圳）有限公司 | 摄像机自动聚焦方法 |
| CN106534661A (zh) * | 2015-09-15 | 2017-03-22 | 中国科学院沈阳自动化研究所 | 一种基于最强边缘梯度拉普拉斯算子累加的自动聚焦算法 |
| JP2019004230A (ja) * | 2017-06-12 | 2019-01-10 | キヤノン株式会社 | 画像処理装置及び方法、及び撮像装置 |
| CN109141823A (zh) * | 2018-08-16 | 2019-01-04 | 南京理工大学 | 一种基于清晰度评价的显微镜系统景深测量装置和方法 |
| CN109598704A (zh) * | 2018-11-19 | 2019-04-09 | 电子科技大学 | 一种基于bp神经网络的粪便显微图像清晰度评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 蒋晓瑜，王超，宗艳桃，裴闯，朱琪: "激光成像自动对焦系统的散斑噪声滤波算法" * |
| 蒋晓瑜，王超，宗艳桃，裴闯，朱琪: "激光成像自动对焦系统的散斑噪声滤波算法", 装甲兵工程学院学报 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100084A (zh) * | 2022-08-26 | 2022-09-23 | 天津市联大通讯发展有限公司 | 港口复杂光照环境智能图像增强摄像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062887B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reynolds et al. | Capturing time-of-flight data with confidence | |
| CN107678192B (zh) | 一种基于机器视觉的Mura缺陷检测方法 | |
| CN115908269A (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
| WO2008022005A2 (en) | Detection and correction of flash artifacts from airborne particulates | |
| CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
| CN111340749B (zh) | 图像质量的检测方法、装置、设备及存储介质 | |
| JP2009259036A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム | |
| CN113155032A (zh) | 一种基于动态视觉传感器dvs的建筑物结构位移测量方法 | |
| EP3213504A1 (en) | Image data segmentation | |
| CN111738241A (zh) | 基于双摄像头的瞳孔检测方法及装置 | |
| WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
| CN112075876A (zh) | 基于机器视觉的产线智能吸尘机器人 | |
| CN114219758A (zh) | 缺陷检测方法、系统、电子设备和计算机可读存储介质 | |
| KR101677070B1 (ko) | 형태학적 영상 처리와 레이블링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
| CN115108466B (zh) | 一种集装箱吊具智能定位的方法 | |
| CN108648409B (zh) | 一种烟雾检测方法及装置 | |
| CN113409334B (zh) | 一种基于质心的结构光角点检测方法 | |
| US20190287272A1 (en) | Detection system and picturing filtering method thereof | |
| CN111062887B (zh) | 基于改进的Retinex算法的图像清晰度判定方法 | |
| CN107248151B (zh) | 一种基于机器视觉的液晶片智能检测方法及系统 | |
| CN116958058A (zh) | 镜头脏污检测方法、装置及图像检测设备 | |
| CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
| CN116563298A (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
| JP3860540B2 (ja) | エントロピーフィルタ及び該フィルタを用いた領域抽出法 | |
| CN114964032B (zh) | 基于机器视觉的盲孔深度测量方法及装置 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200424 Assignee: TIANDY TECHNOLOGIES Co.,Ltd. Assignor: TIANJIN University OF TECHNOLOGY Contract record no.: X2024980004443 Denomination of invention: Image Clarity Determination Method Based on Improved Retinex Algorithm Granted publication date: 20231103 License type: Common License Record date: 20240415 |
|
| EE01 | Entry into force of recordation of patent licensing contract |