CN111445495B - 一种光照不均图像边缘检测方法 - Google Patents

一种光照不均图像边缘检测方法 Download PDF

Info

Publication number
CN111445495B
CN111445495B CN202010296711.3A CN202010296711A CN111445495B CN 111445495 B CN111445495 B CN 111445495B CN 202010296711 A CN202010296711 A CN 202010296711A CN 111445495 B CN111445495 B CN 111445495B
Authority
CN
China
Prior art keywords
image
pixel
image signal
support vector
vector machine
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
Application number
CN202010296711.3A
Other languages
English (en)
Other versions
CN111445495A (zh
Inventor
李凯勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qinghai Nationalities University
Original Assignee
Qinghai Nationalities University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qinghai Nationalities University filed Critical Qinghai Nationalities University
Priority to CN202010296711.3A priority Critical patent/CN111445495B/zh
Publication of CN111445495A publication Critical patent/CN111445495A/zh
Application granted granted Critical
Publication of CN111445495B publication Critical patent/CN111445495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/13—Edge detection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10152—Varying illumination
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种光照不均图像边缘检测系统及方法，通过DSP数字信号处理器协同FPGA现场可编程逻辑门阵列的设计，将图像处理分区分块分步，充分利用DSP和FPGA各自的有点，系统硬件处理执行速度较快、且适应性良好；设计了支持向量机和高斯平滑滤波的零交叉检测相结合的图像处理模型，在DSP协同FPGA的系统上，对图像边缘进行检测，与传统系统对比，其边缘细节明显，不存在丢失现象。

Description

一种光照不均图像边缘检测方法
技术领域
本发明涉及图像信号处理领域，具体涉及一种光照不均图像边缘检测系统及方法。
背景技术
现有图像处理手段越来越便利，利用计算机对图像进行分析与处理，便可以轻松达到所需要的结果，因此图像处理技术被应用于各行各业，例如：电子证件、身份证的识别、人脸识别、住宅管理等，不过由于很多图像的来源不确定，所以在对这些图像进行处理时，很容易出现一些错误，造成不必要的损失，这时就需要通过边缘检测来凸显目标个体。
目前常用的图像检测系统主要有基于紫外成像仪的紫外可见光图像叠加精确度测试系统和基于DSP的两帧差分和改进半因果弱小目标检测研究，前者通过测量紫外光图像和可见光图像的十字像中心点坐标产生的偏移量，实现了对图像叠加精确度的测试，该系统可以提供可靠的检测依据。后者运用半因果支持域模型对原始图像进行背景预测，并利用两帧差分处理原始图像得到二值图像，在此基础上基于形态学原理获得真实的弱小目标。分析实验结果可知，该方法能够快速有效地检测到弱小目标。但上述系统在对图像模糊、光照不均甚至是有损伤的图像进行检测时，会出现边缘细节丢失等情况，检测质量不高。
发明内容
针对现有技术中的上述不足，本发明提供的一种光照不均图像边缘检测系统及方法解决了在光照不均的情况下，传统边缘检测系统存在的图像边缘检测结果细节模糊的问题。
为了达到上述发明目的，本发明采用的技术方案为：
一种光照不均图像边缘检测系统，包括：电荷耦合器件图像传感器、视频解码芯片和图像信号处理子系统；
所述电荷耦合器件图像传感器用于采集图像，将视频图像光学信号转换为视频图像电学模拟信号，其电学输出端与视频解码芯片的输入端通信连接；
所述视频解码芯片用于将视频图像电学模拟信号转换为数字图像信号，其输出端与图像信号处理子系统的输入端通信连接；
所述图像信号处理子系统用于图像边缘检测。
进一步地，所述图像信号处理子系统包括第一现场可编程逻辑门阵列芯片、第二现场可编程逻辑门阵列芯片和数字信号处理器芯片；
所述第一现场可编程逻辑门阵列芯片用于图像预处理，第一现场可编程逻辑门阵列芯片的一端作为图像信号处理子系统的输入端与视频解码芯片的输出端通信连接，第一现场可编程逻辑门阵列芯片的另一端与数字信号处理器芯片通信连接；
所述第二现场可编程逻辑门阵列芯片用于图像边缘检测初步处理，与数字信号处理器芯片通信连接；
所述数字信号处理器芯片用于图像深入处理及对第一现场可编程逻辑门阵列芯片和第二现场可编程逻辑门阵列芯片的协同控制。
上述进一步方案的有益效果为：数字信号处理器芯片，即DSP芯片，作为图像的高级处理单元，能够完成对图像低级处理的硬件化转变，使图像的底层算法能够并行执行，极大的削减传输数据量，降低DSP部分的负荷，使图像检测系统的测量效率提升；现场可编程逻辑门阵列芯片，即FPGA芯片，比较灵活，且其流水线的结构模式容易进行并行运算，具有执行速度较快、能够随时编程和适应性较好的优点。
进一步地，所述视频解码芯片的型号为SAA7113。
一种基于上述的光照不均图像边缘检测系统的光照不均图像边缘检测方法，包括以下步骤：
S1、通过电荷耦合器件图像传感器采集图像，得到视频图像电学模拟信号；
S2、通过视频解码芯片将视频图像电学模拟信号转化为数字图像信号；
S3、通过图像信号处理子系统对数字图像信号进行光照不均图像边缘检测，得到检测图。
进一步地，所述步骤S3包括以下分步骤：
S31、通过第一现场可编程逻辑门阵列芯片对数字图像信号进行预处理，得到增强降噪图像信号；
S32、通过第二现场可编程逻辑门阵列芯片，采用零交叉检测支持向量机回归模型对增强降噪图像信号进行边缘检测，得到边缘检测初处理结果图；
S33、通过数字信号处理器芯片对边缘检测结果图进行加深处理，得到边缘检测结果图。
进一步地，所述步骤S31包括以下分步骤：
S311、通过第一现场可编程逻辑门阵列芯片对数字图像信号进行增强处理，得到增强图像信号；
S312、通过第一现场可编程逻辑门阵列芯片对增强图像信号进行降噪处理，得到增强降噪图像信号。
进一步地，所述步骤S32中的零交叉检测支持向量机回归模型的表达式为：
Figure BDA0002452456690000031
Figure BDA0002452456690000032
其中，N为零交叉检测支持向量机回归模型在模型训练时的样本总数；xi为零交叉检测支持向量机回归模型在模型训练时的训练集 {X,y}＝{{x1,y1},{x2,y2},…,{xi,yi},…,{xN,yN}}中的第i个像素样本的像素坐标向量，该向量为2维向量，第一个维度元素代表像素横坐标，第二个维度元素代表像素纵坐标；yi为零交叉检测支持向量机回归模型在模型训练时的训练集 {X,y}中的第i个像素样本的像素值；x为当前输入的像素的坐标向量，该向量为 2维向量，第一个维度元素代表像素横坐标，第二个维度元素代表像素纵坐标； y为当前输入的像素的像素值；ai为第i个拉格朗日因子，其值在零交叉检测支持向量机回归模型的模型训练过程中训练得出；b为偏置系数，其值在零交叉检测支持向量机回归模型的模型训练过程中训练得出；K(xi,x)为径向基核函数；σ2为径向基和函数的核函数因子；σ1为零交叉检测高斯平滑的高斯方差；y’为当前输入的像素经过零交叉检测支持向量机回归模型运算得到的输出值。
进一步地，所述步骤S32中包括以下分步骤：
S321、将增强降噪图像信号的每一个像素输入零交叉检测支持向量机回归模型，得到相应的输出值；
S322、判断步骤S321的每一个像素的输出值是否在上阈值T1和下阈值T2之间，若是，则跳转至步骤S323，若否，则跳转至步骤S324；
S323、标记该像素为图像边缘点，跳转至步骤S325；
S324、标记该像素不为图像边缘点，跳转至步骤S325；
S325、根据标记，组合得到边缘检测初处理结果图。
本发明的有益效果为：通过DSP数字信号处理器协同FPGA现场可编程逻辑门阵列的设计，将图像处理分区分块分步，充分利用DSP和FPGA各自的有点，系统硬件处理执行速度较快、且适应性良好；设计了支持向量机和高斯平滑滤波的零交叉检测相结合的图像处理模型，在DSP协同FPGA的系统上，对图像边缘进行检测，与传统系统对比，其边缘细节明显，不存在丢失现象。
附图说明
图1为一种光照不均图像边缘检测系统示意图；
图2为一种光照不均图像边缘检测方法流程示意图；
图3为被用于边缘检测的初始图像；
图4为传统基于紫外成像仪的紫外可见光图像叠加精确度测试系统进行边缘检测的结果图像；
图5为基于DSP的两帧差分和改进半因果弱小目标检测系统进行边缘检测的结果图像；
图6为本发明图像信号处理子系统进行边缘检测的结果图像。
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。
如图1所示，在本发明的一个实施例中，一种光照不均图像边缘检测系统，包括：电荷耦合器件图像传感器、视频解码芯片和图像信号处理子系统；
电荷耦合器件图像传感器用于采集图像，将视频图像光学信号转换为视频图像电学模拟信号，其电学输出端与视频解码芯片的输入端通信连接；
视频解码芯片的型号为SAA7113，用于将视频图像电学模拟信号转换为数字图像信号，其输出端与图像信号处理子系统的输入端通信连接；
图像信号处理子系统用于图像边缘检测，包括第一现场可编程逻辑门阵列芯片、第二现场可编程逻辑门阵列芯片和数字信号处理器芯片；
第一现场可编程逻辑门阵列芯片用于图像预处理，第一现场可编程逻辑门阵列芯片的一端作为图像信号处理子系统的输入端与视频解码芯片的输出端通信连接，第一现场可编程逻辑门阵列芯片的另一端与数字信号处理器芯片通信连接；
第二现场可编程逻辑门阵列芯片用于图像边缘检测初步处理，与数字信号处理器芯片通信连接；
数字信号处理器芯片用于图像深入处理及对第一现场可编程逻辑门阵列芯片和第二现场可编程逻辑门阵列芯片的协同控制。
数字信号处理器芯片，即DSP芯片，作为图像的高级处理单元，能够完成对图像低级处理的硬件化转变，使图像的底层算法能够并行执行，极大的削减传输数据量，降低DSP部分的负荷，使图像检测系统的测量效率提升；现场可编程逻辑门阵列芯片，即FPGA芯片，比较灵活，且其流水线的结构模式容易进行并行运算，具有执行速度较快、能够随时编程和适应性较好的优点。
如图2所示，一种基于上述的光照不均图像边缘检测系统的光照不均图像边缘检测方法，包括以下步骤：
S1、通过电荷耦合器件图像传感器采集图像，得到视频图像电学模拟信号。
S2、通过视频解码芯片将视频图像电学模拟信号转化为数字图像信号。
S3、通过图像信号处理子系统对数字图像信号进行光照不均图像边缘检测，得到检测图，包括以下分步骤：
S31、通过第一现场可编程逻辑门阵列芯片对数字图像信号进行预处理，得到增强降噪图像信号，包括以下分步骤：
S311、通过第一现场可编程逻辑门阵列芯片对数字图像信号进行增强处理，得到增强图像信号；
S312、通过第一现场可编程逻辑门阵列芯片对增强图像信号进行降噪处理，得到增强降噪图像信号。
S32、通过第二现场可编程逻辑门阵列芯片，采用零交叉检测支持向量机回归模型对增强降噪图像信号进行边缘检测，得到边缘检测初处理结果图。
其中的零交叉检测支持向量机回归模型的表达式为：
Figure BDA0002452456690000071
Figure BDA0002452456690000072
上述两式中，N为零交叉检测支持向量机回归模型在模型训练时的样本总数； xi为零交叉检测支持向量机回归模型在模型训练时的训练集 {X,y}＝{{x1,y1},{x2,y2},…,{xi,yi},…,{xN,yN}}中的第i个像素样本的像素坐标向量，该向量为2维向量，第一个维度元素代表像素横坐标，第二个维度元素代表像素纵坐标；yi为零交叉检测支持向量机回归模型在模型训练时的训练集 {X,y}中的第i个像素样本的像素值；x为当前输入的像素的坐标向量，该向量为 2维向量，第一个维度元素代表像素横坐标，第二个维度元素代表像素纵坐标； y为当前输入的像素的像素值；ai为第i个拉格朗日因子，其值在零交叉检测支持向量机回归模型的模型训练过程中训练得出；b为偏置系数，其值在零交叉检测支持向量机回归模型的模型训练过程中训练得出；K(xi,x)为径向基核函数；σ2为径向基和函数的核函数因子；σ1为零交叉检测高斯平滑的高斯方差；y’为当前输入的像素经过零交叉检测支持向量机回归模型运算得到的输出值。
步骤S32中包括以下分步骤：
S321、将增强降噪图像信号的每一个像素输入零交叉检测支持向量机回归模型，得到相应的输出值；
S322、判断步骤S321的每一个像素的输出值是否在上阈值T1和下阈值T2之间，若是，则跳转至步骤S323，若否，则跳转至步骤S324，在本实施例中，设置T1为0.8，T2为0.6；
S323、标记该像素为图像边缘点，跳转至步骤S325；
S324、标记该像素不为图像边缘点，跳转至步骤S325；
S325、根据标记，组合得到边缘检测初处理结果图。
S33、通过数字信号处理器芯片对边缘检测结果图进行加深处理，得到边缘检测结果图。
为验证本发明的有效性，将本发明与传统基于紫外成像仪的紫外可见光图像叠加精确度测试系统和基于DSP的两帧差分和改进半因果弱小目标检测研究对光照不均的图像边缘进行提取(如图3所示)，对比不同系统的检测效果，具体结果如图4、图5、图6所示。由以上三图可以看出，本发明提取的边缘比传统系统定位的更加准确，具体的边缘并没有较为明显的波动现象，虚假边缘较少，而传统系统的图像边缘细节模糊。
通过以上实验，能够看出本发明，能够很好对图像边缘进行检测，边缘清晰，检测效果良好。
综上，本发明通过DSP数字信号处理器协同FPGA现场可编程逻辑门阵列的设计，将图像处理分区分块分步，充分利用DSP和FPGA各自的有点，系统硬件处理执行速度较快、且适应性良好；设计了支持向量机和高斯平滑滤波的零交叉检测相结合的图像处理模型，在DSP协同FPGA的系统上，对图像边缘进行检测，与传统系统对比，其边缘细节明显，不存在丢失现象。

Claims (2)

1.一种光照不均图像边缘检测方法，其特征在于，包括以下步骤：
S1、通过电荷耦合器件图像传感器采集图像，得到视频图像电学模拟信号；
S2、通过视频解码芯片将视频图像电学模拟信号转化为数字图像信号；
S3、通过图像信号处理子系统对数字图像信号进行光照不均图像边缘检测，得到检测图；
所述步骤S3包括以下分步骤：
S31、通过第一现场可编程逻辑门阵列芯片对数字图像信号进行预处理，得到增强降噪图像信号；
S32、通过第二现场可编程逻辑门阵列芯片，采用零交叉检测支持向量机回归模型对增强降噪图像信号进行边缘检测，得到边缘检测初处理结果图；
S33、通过数字信号处理器芯片对边缘检测结果图进行加深处理，得到边缘检测结果图；
所述步骤S31包括以下分步骤：
S311、通过第一现场可编程逻辑门阵列芯片对数字图像信号进行增强处理，得到增强图像信号；
S312、通过第一现场可编程逻辑门阵列芯片对增强图像信号进行降噪处理，得到增强降噪图像信号；
所述步骤S32中的零交叉检测支持向量机回归模型的表达式为：
Figure FDA0003671256380000011
Figure FDA0003671256380000012
其中，N为零交叉检测支持向量机回归模型在模型训练时的样本总数；xi为零交叉检测支持向量机回归模型在模型训练时的训练集{X，y}＝{{x1，y1}，{x2，y2}，…，{xi，yi}，…，{xN，yN}}中的第i个像素样本的像素坐标向量，该向量为2维向量，第一个维度元素代表像素横坐标，第二个维度元素代表像素纵坐标；yi为零交叉检测支持向量机回归模型在模型训练时的训练集{X，y}中的第i个像素样本的像素值；x为当前输入的像素的坐标向量，该向量为2维向量，第一个维度元素代表像素横坐标，第二个维度元素代表像素纵坐标；y为当前输入的像素的像素值；ai为第i个拉格朗日因子，其值在零交叉检测支持向量机回归模型的模型训练过程中训练得出；b为偏置系数，其值在零交叉检测支持向量机回归模型的模型训练过程中训练得出；K(xi，x)为径向基核函数；σ2为径向基和函数的核函数因子；σ1为零交叉检测高斯平滑的高斯方差；y’为当前输入的像素经过零交叉检测支持向量机回归模型运算得到的输出值。
2.根据权利要求1所述的光照不均图像边缘检测方法，其特征在于，所述步骤S32中包括以下分步骤：
S321、将增强降噪图像信号的每一个像素输入零交叉检测支持向量机回归模型，得到相应的输出值；
S322、判断步骤S321的每一个像素的输出值是否在上阈值T1和下阈值T2之间，若是，则跳转至步骤S323，若否，则跳转至步骤S324；
S323、标记该像素为图像边缘点，跳转至步骤S325；
S324、标记该像素不为图像边缘点，跳转至步骤S325；
S325、根据标记，组合得到边缘检测初处理结果图。
CN202010296711.3A 2020-04-15 2020-04-15 一种光照不均图像边缘检测方法 Active CN111445495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010296711.3A CN111445495B (zh) 2020-04-15 2020-04-15 一种光照不均图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010296711.3A CN111445495B (zh) 2020-04-15 2020-04-15 一种光照不均图像边缘检测方法

Publications (2)

Publication Number Publication Date
CN111445495A CN111445495A (zh) 2020-07-24
CN111445495B true CN111445495B (zh) 2022-09-13

Family

ID=71653101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010296711.3A Active CN111445495B (zh) 2020-04-15 2020-04-15 一种光照不均图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN111445495B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158876A (zh) * 2007-09-28 2008-04-09 武汉科技大学 一种基于dsp和fpga的双排钢坯视觉定位装置
CN202630915U (zh) * 2012-05-14 2012-12-26 山东轻工业学院 基于fpga+dsp的嵌入式纸浆纤维形态参数快速测量系统
CN103955944A (zh) * 2014-05-22 2014-07-30 苏州大学 一种图像边缘检测方法及装置
CN105631799A (zh) * 2015-12-18 2016-06-01 华中科技大学 一种动平台激光红外融合检测识别系统
CN108072668A (zh) * 2016-11-18 2018-05-25 中国科学院沈阳自动化研究所 基于光电检测的枪弹外观缺陷自动识别系统
CN109613536A (zh) * 2019-01-11 2019-04-12 中国电子科技集团公司第三十八研究所 一种星载sar实时处理装置及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8108324B2 (en) * 2008-05-15 2012-01-31 Intel Corporation Forward feature selection for support vector machines
US10878556B2 (en) * 2018-01-19 2020-12-29 United Technologies Corporation Interactive semi-automated borescope video analysis and damage assessment system and method of use

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101158876A (zh) * 2007-09-28 2008-04-09 武汉科技大学 一种基于dsp和fpga的双排钢坯视觉定位装置
CN202630915U (zh) * 2012-05-14 2012-12-26 山东轻工业学院 基于fpga+dsp的嵌入式纸浆纤维形态参数快速测量系统
CN103955944A (zh) * 2014-05-22 2014-07-30 苏州大学 一种图像边缘检测方法及装置
CN105631799A (zh) * 2015-12-18 2016-06-01 华中科技大学 一种动平台激光红外融合检测识别系统
CN108072668A (zh) * 2016-11-18 2018-05-25 中国科学院沈阳自动化研究所 基于光电检测的枪弹外观缺陷自动识别系统
CN109613536A (zh) * 2019-01-11 2019-04-12 中国电子科技集团公司第三十八研究所 一种星载sar实时处理装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《支持向量机理论在植物根系图像边缘检测中的应用》;吴鹏 等;《东北林业大学学报》;20120831;第153-156页 *

Also Published As

Publication number Publication date
CN111445495A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN109409315B (zh) 一种atm机面板区域遗留物检测方法及系统
CN111462068B (zh) 一种基于迁移学习的螺钉螺母检测方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
Liu et al. FFEDN: Feature fusion encoder decoder network for crack detection
CN114882040B (zh) 一种基于模板匹配的污水处理检测方法
CN108416780A (zh) 一种基于孪生-感兴趣区域池化模型的物体检测与匹配方法
CN112862744B (zh) 一种基于超声图像的电容内部缺陷智能检测方法
Han et al. An improved corner detection algorithm based on harris
CN111508006A (zh) 一种基于深度学习的运动目标同步检测、识别与跟踪方法
Zuo et al. Classifying cracks at sub-class level in closed circuit television sewer inspection videos
Meng et al. Woven fabric density measurement by using multi-scale convolutional neural networks
CN112686122B (zh) 人体及影子的检测方法、装置、电子设备、存储介质
Shire et al. A review paper on: agricultural plant leaf disease detection using image processing
CN111626104B (zh) 一种基于无人机红外热像的电缆隐患点检测方法和装置
CN111445495B (zh) 一种光照不均图像边缘检测方法
Gong et al. An improved Canny algorithm based on adaptive 2D-Otsu and Newton Iterative
Akther et al. Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
Si-ming et al. Moving shadow detection based on Susan algorithm
Qu et al. Method of feature pyramid and attention enhancement network for pavement crack detection
CN111768436B (zh) 一种基于Faster-RCNN改进的图像特征块配准方法
Lopez-Molina et al. Gradient extraction operators for discrete interval-valued data
CN113743351B (zh) 一种基于边缘方向语义信息的遥感影像场景识别的方法
Zhang et al. Research on image segmentation method based on improved Snake model

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