CN111369452A - 大区域图像局部破损点优化提取方法 - Google Patents
大区域图像局部破损点优化提取方法 Download PDFInfo
- Publication number
- CN111369452A CN111369452A CN202010119788.3A CN202010119788A CN111369452A CN 111369452 A CN111369452 A CN 111369452A CN 202010119788 A CN202010119788 A CN 202010119788A CN 111369452 A CN111369452 A CN 111369452A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- local
- damaged
- points
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000003705 background correction Methods 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 12
- 238000013139 quantization Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000013144 data compression Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种大区域图像局部破损点优化提取方法，其包括对大区域图像的图像局部背景进行校正；对进行局部背景校正后的图像进行平滑处理，对平滑图像中的破损点进行线性直方图转换；采用八个方向的索贝尔算子对转换后的线性直方图进行边缘检测，得到图像局部破损点的关键区域边缘幅度图像；对关键区域边缘幅度图像中的破损点进行提取，并对进行破损点提取后的图像进行重构；提取图像灰度共生矩阵高光点的正方形区域内图像轮廓波域特征的不变矩，并对进行不变矩提取后的图像灰度共生矩阵二阶距进行处理；对进行二阶距处理后的图像采用深度超像素的特征分割得到破损点的分量特征信息；计算图像局部破损点内向量量化区域中超像素级视觉特征。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种大区域图像局部破损点优化提取方法。
背景技术
随着计算机图形、图像技术的高速发展，图像处理手段被广泛应用于医学、军事、目标监测、深度识别等领域，而图像破损点修复也成为了重点关注的话题。为实现对大区域图像破损点的修复，要连续对图像破损点按照顺序进行检测，因此需要扫描的图像区域数量庞大。完成该目的前提条件是确保检测系统相对于被检测图像破损点的相位对姿。为了达到精准的姿态计算，大区域图像局部破损点提取就成为了关键的前提。
由于图像之间具有人为因素、环境以及差异性的干扰，所以图像破损点提取，成为了图像数字处理研究领域的重要研究热点话题。对此国内外学者提出了以下几种解决方案。
第一种提取方法为：首先对图像破损点层进行抽象表达，获得藏匿在图像内部的破损点本质信息，然后通过卷积神经网络生成大区域图像破损点特征图，进而得到输出层的特征图，且建立图像阶层，接着使用匹配算法来对最优质的图层级组合选取，利用信息熵描述底层级特征，最后凭借区域平均方法将上述得到的资源组合，并构建出图像局部破损点特征，从而完成对破损点的提取。但是该方法需要将多种图层进行组合，这就很容易产生图像噪声，导致最后提取出的局部破损点出现模糊等问题。
第二种提取方法为：首先通过二维Gabor小波提取图像局部破损点特征信息，同时利用AR-LGC算子对特征信息编码划分，然后对所有子块进行直方图统计，把其组成破损点特征向量，凭借PCA方法对向量数据压缩，最后依据C-SVM对压缩数据进行分类识别，进而完成对图像局部破损点的提取。但是该方法需要对特征向量进行数据压缩，而完成数据压缩的使用前提是需要进行反复转化操作，这就导致了提取效率较低。
第三种提取方法为：首先使用集合特征页数条件对破损区域进行滤波，进而得到高质量的多个候选破损点，并将其融入集合，然后通过中心聚类方法将划分成多份的破损点进行聚合，使其在集合里成为单个候选的破损点分量，并使用机器学习提取出正确的破损点信息。但是该方法需要将一处破损点划分成多份，这就有可能导致在最后提取出破损点后出现信息丢失的问题。
发明内容
针对现有技术中的上述不足，本发明提供了一种效率高和误差小的大区域图像局部破损点优化提取方法。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种大区域图像局部破损点优化提取方法，其包括：
S1、获取大区域图像，并采用优化基准背景方法对大区域图像的图像局部背景进行校正；
S2、采用高斯滤波器对进行局部背景校正后的图像进行平滑处理得到平滑图像，并采用分段式函数对平滑图像中的破损点进行线性直方图转换；
S3、采用八个方向的索贝尔算子对转换后的线性直方图进行边缘检测，得到图像局部破损点的关键区域边缘幅度图像；
S4、采用自适应破损点的密度量化计算方法对关键区域边缘幅度图像中的破损点进行提取，并对进行破损点提取后的图像进行重构，得到图像灰度共生矩阵；
S5、提取图像灰度共生矩阵高光点的正方形区域内图像轮廓波域特征的不变矩，并对进行不变矩提取后的图像灰度共生矩阵二阶距进行处理；
S6、对进行二阶距处理后的图像采用深度超像素的特征分割，得到破损点的分量特征信息；
S7、根据破损点的分量特征信息和二阶距处理结果，计算图像局部破损点内向量量化区域中超像素级视觉特征。
本发明的有益效果为：本方案首先对大区域图像局部背景进行校正，能够剔除背景不均衡产生的噪声，之后检测前对图像采用平滑去噪，利用高斯滤波器对随机噪声进行消除；通过八个方向的Sobel算子能够对图像灰度直方图进行关键区域边缘检测进行全方位的边缘检测，以此提升图像破损区域提取效果；
再采用密度量化计算方法对破损点进行精确提取，并在此基础上重构得到图像灰度共生矩阵，之后采用获得大区域图像局部破损点的分量信息特征，能够计算出图像破损点区域的向量量化区域的像素级视觉特征，从而达到对大区域图像局部破损点优化提取的目的，采用该种方式进行破损点提取具有精度、效率高，误差小等优点。
附图说明
图1为大区域图像局部破损点优化提取方法的流程图。
图2为图像局部平滑的前后直方图。
图3为采用分段式函数对平滑图像中的破损点进行线性直方图转换前后的对比图；其中(a)为转换前的直方图；(b)为换换后的直方图。
图4为仿真实验中本方案方法与传统方法进行背景校正后的效果对比图；其中(a)为传统方法背景校正效果；(b)为本方案方法背景校正效果。
图5为仿真实验中本方案方法与传统方法进行破损区域提取的对比图；其中(a)为原始图像破损区域；(b)为传统方法方法破损区域提取结果；(c)为本方案方法破损区域提取结果。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了大区域图像局部破损点优化提取方法的流程图，如图1所示，该方法包括步骤S1至步骤S7。
在步骤S1中，获取大区域图像，并采用优化基准背景方法对大区域图像的图像局部背景进行校正。
实施时，本方案优选所述步骤S1进一步包括：
S11、对大区域图像的局部灰度进行变异拟定：
I(p)＝Ib(p)+In(p)+Id(p)
其中，I(p)为像素灰度；Ib(p)为照明信号；In(p)为噪声信号；Id(p)为损坏信号，其具有真实破损点所产生的其余不规则痕迹。
S12、将大区域图像背景灰度转变为分布特征确定的基础灰度B＝Ib(p)；
S13、将大区域图像的局部矩阵分隔成子矩阵，并估算子矩阵的平均灰度，之后在灰度值降低时，采用相邻子矩阵平均灰度值表示子矩阵灰度值；
由于破损点与光照分布不均，致使子矩阵之间存在灰度差异，破损区域的子矩阵灰度平均值较低，而光强是连续变化且较为缓慢的，因此，本方案采用步骤S13的方式得到子矩阵灰度值。
S14、在均衡化的子矩阵灰度内，选择大区域图像的基础灰度估算子矩阵变换系数M(p)＝B/I(p)；
S15、采用插值得到全部像素变换系数，并采用逐格平移基础灰度将子矩阵的平均灰度平移至相同水平形成局部背景校正后的图像。
步骤S15采用逐格平移基础灰度可以避免插值得到的全部像素变换系数导致整体图像局部背景灰度值，都相对均衡地分布于B值周围。
采用步骤S11至步骤S15的方式进行图像局部背景校正，这样能够剔除不均衡产生的噪声，采用该种方式进行背景校正，不需要对特征向量进行数据压缩，不需要为了实现压缩反复转化操作，从而提高了破损点提取效率。
在步骤S2中，采用高斯滤波器对进行局部背景校正后的图像进行平滑处理得到平滑图像，并采用分段式函数对平滑图像中的破损点进行线性直方图转换；
本方案得到平滑图像的平滑处理过程为图像局部卷积运算，采用高斯模板操作完成；高斯模板经过训练样本二维高斯函数得到如下公式：
采用高斯滤波器进行图像的平滑处理，主要是高斯模板对邻域像素尺寸的干扰进行了考虑，将离中心像素的邻近位置给予相对较高的权重。因此，对边缘进行检测之前采用了高斯滤波，使其平滑效果更加理想，也是本方案提取的效果较好因素之一。
下面结合创建的图像局部平滑的前后直方图曲线对平滑处理的效果进行说明，创建的图像局部平滑的前后直方图曲线如图2所示，从图2可以看出图像局部背景在校正后的直方图内产生了规则性的单峰特性，使平滑后的曲线峰值呈现上升趋势，中间位置缩窄，底端位置保持不变。据此可以表明，消除随机噪声后，图像的局部灰度分布较为集中，置于开裂的灰度低值区域不受干扰，为后续边缘检测提供依据。
其中分段式函数为：
Inew＝255,I≥P，Inew＝I(255/P),I＜P
其中，I为转换前的图像灰度值，P为转换前的直方图曲线灰度峰值，Inew为转换后的灰度值。
转换前的破损图像及转换后的直方图对比图像如图3所示，从图3可以看出，直方图经过转换后，图像的亮度有所提升，其对比度增强，破损点显著，有利于检测图像边缘。由此可见采用分段式函数进行直方图转换完整保留了直方图分布的特征，且在整体的灰度显示范围内，扩展了效果较为明显的灰度区间。在灰度直方图转换后扩大的动态显示范围的同时，削减了灰度量化级别，因此，图(b)的实际直方图要比图(a)的系数明显。但此程度的系数未生成显著的伪边缘，因此不返回干扰后的边缘检测。
在步骤S3中，采用八个方向的索贝尔算子对转换后的线性直方图进行边缘检测，得到图像局部破损点的关键区域边缘幅度图像；八个方向的索贝尔算子为采用0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°8个方向的模板进行检测，得到线性直方图不同方向的边缘。
本方案通过八种不同的方向模板构成，能够计算图像内的像素，分别利用八个方向的模板进行逐点卷积运算，取值是八种模板上计算最大值结果，代替此像素点的边缘幅度值，其相应的模板方向则是此像素点上的边缘方向，以此便可获取一幅图像局部破损点的关键区域边缘幅度图像。
在步骤S4中，采用自适应破损点的密度量化计算方法对关键区域边缘幅度图像中的破损点进行提取，并对进行破损点提取后的图像进行重构，得到图像灰度共生矩阵。
在本发明的一个实施例中，所述自适应破损点的密度量化计算方法的计算公式为：
其中，L(a,bm)为灰度共生矩阵；Vm与Vn分别为点m与n的图像破损点像素加权方式；V为邻域中梯度变换的函数；Pt和Pr分别为点m与n的图像局部破损点的像素灰度相似值；|.|为绝对值符号；
对进行破损点提取后的图像进行重构的计算公式为：
其中，L'(a,bm)为重构灰度共生矩阵。
在步骤S5中，提取图像灰度共生矩阵高光点的正方形区域(正方形区域是基于自相关加权来获得图像高光点的正方形区域)内图像轮廓波域特征的不变矩，并对进行不变矩提取后的图像灰度共生矩阵的二阶距进行处理。
实施时，本方案优选提取图像轮廓波域特征的不变矩的计算公式为：
其中，θ(a,bm)为不变矩；B'为大区域图像f(x,y)的中心距；k0为f(x,y)的零阶几何矩；a和b分别为大区域图像关键区域灰度分别围绕大区域图像f(x,y)的中心距的垂直方向与水平方向的惯性矩。
对进行不变矩提取后的高分辨率图像的二阶距进行处理的计算公式为：
其中，ψ(a,bm)为二阶矩；|.|为绝对值符号。
在步骤S6中，当读入的待差分两组区域的图像均以同一像素点为中心点时，对进行二阶距处理后的图像采用深度超像素的特征分割，得到破损点的分量特征信息。
在步骤S7中，根据破损点的分量特征信息和二阶距处理结果，计算图像局部破损点内向量量化区域中超像素级视觉特征：
Aa(Ci)＝Ai(Ci)×(θ(k)×ψ(a,bm))
其中，Aa(Ci)为大区域图像局部破损点数据信息Ci的属性特征；θ(k)为图像中破损点的分量特征信息。
综上所述，通过步骤S4至步骤S7能够获得大区域图像局部破损点的分量信息特征，之后计算出图像破损点区域的向量量化区域的像素级视觉特征，从而达到对大区域图像局部破损点优化提取的目的。
下面结合仿真对本方案提供的提取方法的准确率及误差进行说明：
为了证明本方案方法在大区域图像局部破损点优化提取的效果，设计一次仿真实验，实验环境为Intel Celeron Tulatin1GHz CPU和384MB SD内存的硬件环境和MATLAB6.1的软件环境。
实验共分为3部分，第一部分验证本方案方法的背景校正效果，第二部分对比图像深度层次特征提取算法(传统方法)和本方案方法的图像破损准确度，最后用表格形式证明本方案方法在效率、准确度方面的优势。
背景校正效果对比
在图片库中随机找出一组图片，之后人为制造几处大区域图像的局部破损点，并将传统方法使用在模拟破损点图像局部背景内，如图4中(a)所示，起始图像明暗不均衡，并且含有线扫描图像的拼接缝；
本方案方法校正时把起始图像分解成14*16的像素子矩阵内，利用子矩阵的平均灰度中值，作为基准背景灰度B，其校正结果如图4中(b)所示，可以看出本方案方法进行背景校正后背景灰度均衡，拼接缝显著的弱化，即破损特征保存完整。
图像破损提取精度对比
为更直观给出本方案方法应用效果，将图像局部破损进行放大提取，原始图像如图5中(a)所示，(b)和(c)分别表示利用传统方法和本方案方法的处理结果。
通过上述提取结果对比图能够看出，本方案方法比传统方法提取出的破损点信息更为完成，特征更清晰、全面，其原因是本方案方法特别拟定一种平滑方法对图像进行平滑去噪处理，从而使图像内的噪声达到最小值。
效率、误差数据对比
为了进一步证明研究方法的性能，在不同方法下对图像破损进行50次提取，将50次实验得到的效率和误差结果求取平均值，将数据整理成表格进行数据对比，结果如表1所示。通过表1数据能够更直观的看出，本方案方法在两个项目指标上均优于传统方法。
表1不同方法的破损点提取效果对比
综上所述，本方案方法对图像局部破损点背景进行校正能够有效提升方法应用效率；利用Sobel算子对图像灰度直方图进行关键区域边缘检测，以此提升图像破损区域提取效果。仿真实验结果证明了本方案方法的可应用性和性能优越性，具有良好的应用前景。
Claims (8)
1.大区域图像局部破损点优化提取方法，其特征在于，包括：
S1、获取大区域图像，并采用优化基准背景方法对大区域图像的图像局部背景进行校正；
S2、采用高斯滤波器对进行局部背景校正后的图像进行平滑处理得到平滑图像，并采用分段式函数对平滑图像中的破损点进行线性直方图转换；
S3、采用八个方向的索贝尔算子对转换后的线性直方图进行边缘检测，得到图像局部破损点的关键区域边缘幅度图像；
S4、采用自适应破损点的密度量化计算方法对关键区域边缘幅度图像中的破损点进行提取，并对进行破损点提取后的图像进行重构，得到图像灰度共生矩阵；
S5、提取图像灰度共生矩阵中高光点的正方形区域内图像轮廓波域特征的不变矩，并对进行不变矩提取后的图像灰度共生矩阵的二阶距进行处理；
S6、对进行二阶距处理后的图像采用深度超像素的特征分割，得到破损点的分量特征信息；
S7、根据破损点的分量特征信息和二阶距处理结果，计算图像局部破损点内向量量化区域中超像素级视觉特征。
2.根据权利要求1所述的大区域图像局部破损点优化提取方法，其特征在于，所述步骤S1进一步包括：
对大区域图像的局部灰度进行变异拟定：
I(p)＝Ib(p)+In(p)+Id(p)
其中，I(p)为像素灰度；Ib(p)为照明信号；In(p)为噪声信号；Id(p)为损坏信号；
将大区域图像背景灰度转变为分布特征确定的基础灰度B＝Ib(p)；
将大区域图像的局部矩阵分隔成子矩阵，并估算子矩阵的平均灰度，之后在灰度值降低时，采用相邻子矩阵平均灰度值表示子矩阵灰度值；
在均衡化的子矩阵灰度内，选择大区域图像的基础灰度估算子矩阵变换系数M(p)＝B/I(p)；
采用插值得到全部像素变换系数，并采用逐格平移基础灰度将子矩阵的平均灰度平移至相同水平形成局部背景校正后的图像。
3.根据权利要求1所述的大区域图像局部破损点优化提取方法，其特征在于，得到平滑图像的平滑处理过程为图像局部卷积运算，采用高斯模板操作完成；高斯模板经过训练样本二维高斯函数得到如下公式：
4.根据权利要求1所述的大区域图像局部破损点优化提取方法，其特征在于，所述分段式函数为：
Inew＝255,I≥P，Inew＝I(255/P),I＜P
其中，I为转换前的图像灰度值，P为转换前的直方图曲线灰度峰值，Inew为转换后的灰度值。
5.根据权利要求1所述的大区域图像局部破损点优化提取方法，其特征在于，八个方向的索贝尔算子为采用0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°8个方向的模板进行检测，得到线性直方图不同方向的边缘。
6.根据权利要求1所述的大区域图像局部破损点优化提取方法，其特征在于，所述自适应破损点的密度量化计算方法的计算公式为：
其中，L(a,bm)为灰度共生矩阵；Vm与Vn分别为点m与n的图像破损点像素加权方式；V为邻域中梯度变换的函数；Pt和Pr分别为点m与n的图像局部破损点的像素灰度相似值；|.|为绝对值符号；
对进行破损点提取后的图像进行重构的计算公式为：
其中，L'(a,bm)为重构灰度共生矩阵。
7.根据权利要求6所述的大区域图像局部破损点优化提取方法，其特征在于，提取图像轮廓波域特征的不变矩的计算公式为：
其中，θ(a,bm)为不变矩；B'为大区域图像f(x,y)的中心距；k0为f(x,y)的零阶几何矩；a和b分别为大区域图像关键区域灰度分别围绕大区域图像f(x,y)的中心距的垂直方向与水平方向的惯性矩；
对进行不变矩提取后的图像灰度共生矩阵的二阶距进行处理的计算公式为：
其中，ψ(a,bm)为二阶矩；|.|为绝对值符号。
8.根据权利要求7所述的大区域图像局部破损点优化提取方法，其特征在于，计算图像局部破损点内向量量化区域中超像素级视觉特征的计算公式为：
Aa(Ci)＝Ai(Ci)×(θ(k)×ψ(a,bm))
其中，Aa(Ci)为大区域图像局部破损点数据信息Ci的属性特征；θ(k)为图像中破损点的分量特征信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010119788.3A CN111369452A (zh) | 2020-02-26 | 2020-02-26 | 大区域图像局部破损点优化提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010119788.3A CN111369452A (zh) | 2020-02-26 | 2020-02-26 | 大区域图像局部破损点优化提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111369452A true CN111369452A (zh) | 2020-07-03 |
Family
ID=71206562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010119788.3A Pending CN111369452A (zh) | 2020-02-26 | 2020-02-26 | 大区域图像局部破损点优化提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369452A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549525A (zh) * | 2022-04-25 | 2022-05-27 | 海门裕隆光电科技有限公司 | 一种基于改进canny算法的工业图像检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093579A (zh) * | 2006-08-24 | 2007-12-26 | 北京航空航天大学 | 破损图像数字化修复的新方法 |
| US20130136299A1 (en) * | 2011-11-30 | 2013-05-30 | Samsung Electronics Co., Ltd. | Method and apparatus for recovering depth information of image |
| US20140210951A1 (en) * | 2013-01-25 | 2014-07-31 | Electronics And Telecommunications Research Institute | Apparatus and method for reconstructing three-dimensional information |
| CN105957038A (zh) * | 2016-05-07 | 2016-09-21 | 安徽兆尹信息科技股份有限公司 | 一种基于连分式插值技术的银行破损票据图片正负向修补方法及其系统 |
| CN106846279A (zh) * | 2017-03-02 | 2017-06-13 | 合肥工业大学 | 一种基于连分式插值技术的自适应图像修补方法及其系统 |
-
2020
- 2020-02-26 CN CN202010119788.3A patent/CN111369452A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093579A (zh) * | 2006-08-24 | 2007-12-26 | 北京航空航天大学 | 破损图像数字化修复的新方法 |
| US20130136299A1 (en) * | 2011-11-30 | 2013-05-30 | Samsung Electronics Co., Ltd. | Method and apparatus for recovering depth information of image |
| US20140210951A1 (en) * | 2013-01-25 | 2014-07-31 | Electronics And Telecommunications Research Institute | Apparatus and method for reconstructing three-dimensional information |
| CN105957038A (zh) * | 2016-05-07 | 2016-09-21 | 安徽兆尹信息科技股份有限公司 | 一种基于连分式插值技术的银行破损票据图片正负向修补方法及其系统 |
| CN106846279A (zh) * | 2017-03-02 | 2017-06-13 | 合肥工业大学 | 一种基于连分式插值技术的自适应图像修补方法及其系统 |
Non-Patent Citations (5)
| Title |
|---|
| FENGMING ZHOU 等: "The Application of the median filter in image restoration", 《2017 5TH INTERNATIONAL CONFERENCE ON FRONTIERS OF MANUFACTURING SCIENCE AND MEASURING TECHNOLOGY(FMSMT)》, 30 April 2017 (2017-04-30), pages 1314 - 1321 * |
| 李凯勇: "大区域图像局部破损点优化提取仿真", 《计算机仿真》, vol. 37, no. 05, 15 May 2020 (2020-05-15), pages 439 - 457 * |
| 李莉 等: "适于路面破损图像处理的边缘检测方法", 《同济大学学报（自然科学版）》, vol. 39, no. 05, 15 May 2011 (2011-05-15), pages 688 - 692 * |
| 郑英娟 等: "基于八方向Sobel算子的边缘检测算法", 《计算机科学》, vol. 40, no. 11, 30 November 2013 (2013-11-30), pages 354 - 356 * |
| 高华: "关于古建筑图像中破损点优化提取仿真", 《计算机仿真》, vol. 34, no. 11, 15 November 2017 (2017-11-15), pages 377 - 380 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114549525A (zh) * | 2022-04-25 | 2022-05-27 | 海门裕隆光电科技有限公司 | 一种基于改进canny算法的工业图像检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102646269B (zh) | 一种拉普拉斯金字塔的图像处理方法及其装置 | |
| CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
| CN115471682A (zh) | 一种基于SIFT融合ResNet50的图像匹配方法 | |
| Arulkumar et al. | Super resolution and demosaicing based self learning adaptive dictionary image denoising framework | |
| CN112308872A (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
| WO2017041552A1 (zh) | 纹理特征提取方法及装置 | |
| CN111369452A (zh) | 大区域图像局部破损点优化提取方法 | |
| Jakhar et al. | Fractal feature based image resolution enhancement using wavelet–fractal transformation in gradient domain | |
| Shirai et al. | Character shape restoration of binarized historical documents by smoothing via geodesic morphology | |
| Zarif et al. | Image completion: Survey and comparative study | |
| US20140376822A1 (en) | Method for Computing the Similarity of Image Sequences | |
| Wang et al. | A unified framework of source camera identification based on features | |
| CN111340741A (zh) | 基于四元数与l1范数的粒子群优化灰度图像增强方法 | |
| CN110827309A (zh) | 一种基于超像素的偏光片外观缺陷分割方法 | |
| Mustaghfirin et al. | The comparison of iris detection using histogram equalization and adaptive histogram equalization methods | |
| CN116091357A (zh) | 深度卷积注意力和多尺度特征融合的低光图像增强方法 | |
| Tang et al. | Fuzzy medical computer vision image restoration and visual application | |
| Kang et al. | An adaptive fusion panoramic image mosaic algorithm based on circular LBP feature and HSV color system | |
| CN109934190B (zh) | 基于变形高斯核函数的自适应强光人脸图像纹理恢复方法 | |
| CN113781333A (zh) | 一种基于引导滤波的gan网络对水下图像进行处理的方法 | |
| Song et al. | Adaptive BM3D algorithm for image denoising using coefficient of variation | |
| Ndjiki-Nya et al. | Automatic structure-aware inpainting for complex image content | |
| Yue et al. | Sift-based image super-resolution | |
| Xu et al. | Quality-aware features-based noise level estimator for block matching and three-dimensional filtering algorithm | |
| CN104867149B (zh) | 基于局部平面线性点的翻拍图像鉴别方法 |
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 |