CN111862007B - 基于方差区域分割的货车制动缸倾斜检测方法 - Google Patents
基于方差区域分割的货车制动缸倾斜检测方法 Download PDFInfo
- Publication number
- CN111862007B CN111862007B CN202010628567.9A CN202010628567A CN111862007B CN 111862007 B CN111862007 B CN 111862007B CN 202010628567 A CN202010628567 A CN 202010628567A CN 111862007 B CN111862007 B CN 111862007B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- pixel
- brake cylinder
- pixel 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.)
- Active
Links
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
- B60T17/228—Devices for monitoring or checking brake systems; Signal devices for railway vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
基于方差区域分割的货车制动缸倾斜检测方法,它属于制动缸倾斜检测技术领域。本发明解决了现有制动缸倾斜检测方法容易出现漏检、错检的问题的问题。本发明针对拍摄图像光照不均问题,针对不同的局部区域图像单独选取阈值,避免了光照不均带来的影响,因而能够保证分割效果,进而根据分割结果进行制动缸倾斜检测,提高了检测的准确率。采用本发明的自动检测方式,可以最大限度地避免漏检、错检情况的发生。本发明可以应用于制动缸倾斜检测。
Description
技术领域
本发明属于制动缸倾斜检测技术领域,具体涉及一种基于方差区域分割的货车制动缸倾斜检测方法。
背景技术
制动缸是列车制动装置的一部分。它的作用是产生制动压力,控制各个闸瓦,使之压紧车轮而产生制动作用。
但是当制动缸发生倾斜时,就会对列车的行车安全产生威胁。目前的制动缸倾斜检测方法,主要是采用人工观察含有制动缸的2D图像的方式进行制动缸是否存在倾斜的检查。由于检车人员在工作过程中极易出现疲劳、遗漏等情况,因此容易导致漏检、错检情况的出现,进而影响到列车行车安全。
发明内容
本发明的目的是为解决现有制动缸倾斜检测方法容易出现漏检、错检的问题,而提出了一种基于方差区域分割的货车制动缸倾斜检测方法。
本发明为解决上述技术问题所采取的技术方案是:一种基于方差区域分割的货车制动缸倾斜检测方法,所述方法具体包括以下步骤:
步骤一、获取包含制动缸的图像;
步骤二、采用高斯模糊方法对步骤一获取的图像进行处理,获得处理后图像;
步骤三、设置局部区域阈值为M×N,将步骤二获得的处理后图像分割为若干个大小为M×N的局部区域图像;
步骤四、分别对步骤三获得的每个局部区域图像进行分割,将每个局部区域图像中包含的像素点分成背景和目标两部分,并分别获取每个局部区域图像的最佳分割阈值T,最佳分割阈值T使得对应局部区域图像的背景和目标之间的类间方差最大;
步骤五、采用T+ΔT作为新的分割阈值,使对应的局部区域图像进行重新分割,获得新的分割图像IMG1,采用T-ΔT作为新的分割阈值,使对应的局部区域图像进行重新分割,获得新的分割图像IMG2;
步骤六、提取出图像IMG1与图像IMG2的重叠区域和非重叠区域,再对非重叠区域内的像素点进行二次提取,若非重叠区域内的像素点满足二次提取条件,则将非重叠区域内的像素点作为目标,非重叠区域内的像素点和重叠区域内的像素点共同组成像素区域Q,否则,像素区域Q仅包括重叠区域内的像素点;
步骤七、将像素区域Q的图像与在最佳分割阈值T下的分割结果图像进行融合,各局部区域图像对应的融合结果共同组成最终的分割图像;
步骤八、根据最终的分割图像计算制动缸的外接最小矩形,再计算制动缸的倾斜角度。
本发明的有益效果是:本发明提出了一种基于方差区域分割的货车制动缸倾斜检测方法,本发明针对拍摄图像光照不均问题,针对不同的局部区域图像单独选取阈值,避免了光照不均带来的影响,因而能够保证分割效果,进而根据分割结果进行制动缸倾斜检测,提高了检测的准确率。采用本发明的自动检测方式,可以最大限度地避免漏检、错检情况的发生。
附图说明
图1是列车的中间部图像;
图2是制动缸所在列车相对位置的子图;
图3是采用固定阈值分割方法获得的分割结果图;
图4是采用自适应阈值分割方法获得的分割结果图;
图5是在最佳分割阈值下获得的分割结果图;
图6是在增加阈值情况下获得的分割结果图;
图7是在减小阈值情况下获得的分割结果图;
图8是得到的最终分割结果图。
具体实施方式
具体实施方式一:本实施方式所述的一种基于方差区域分割的货车制动缸倾斜检测方法,所述方法具体包括以下步骤:
步骤一、获取包含制动缸的图像;
步骤二、采用高斯模糊方法对步骤一获取的图像进行处理,获得处理后图像;
步骤三、设置局部区域阈值为M×N,将步骤二获得的处理后图像分割为若干个大小为M×N的局部区域图像;
步骤四、分别对步骤三获得的每个局部区域图像进行分割,将每个局部区域图像中包含的像素点分成背景和目标两部分,并分别获取每个局部区域图像的最佳分割阈值T,最佳分割阈值T使得对应局部区域图像的背景和目标之间的类间方差最大;
步骤五、采用T+ΔT作为新的分割阈值,使对应的局部区域图像进行重新分割,获得新的分割图像IMG1,采用T-ΔT作为新的分割阈值,使对应的局部区域图像进行重新分割,获得新的分割图像IMG2;
步骤六、提取出图像IMG1与图像IMG2的重叠区域和非重叠区域,再对非重叠区域内的像素点进行二次提取,若非重叠区域内的像素点满足二次提取条件,则将非重叠区域内的像素点作为目标,非重叠区域内的像素点和重叠区域内的像素点共同组成像素区域Q,否则,像素区域Q仅包括重叠区域内的像素点;
步骤七、将像素区域Q的图像与在最佳分割阈值T下的分割结果图像进行融合,各局部区域图像对应的融合结果共同组成最终的分割图像;
例如:对于某个局部区域图像A,获得局部区域图像A对应的像素区域Q后,将仅包含像素区域Q的图像与局部区域图像A在最佳分割阈值T下的分割结果图像进行融合,获得局部区域图像A对应的融合结果,同理,分别获得各个局部区域图像所对应的融合结果后,将各融合结果按照原局部区域图像的位置信息进行拼接,即可获得最终的分割图像。
步骤八、根据最终的分割图像计算制动缸的外接最小矩形,再计算制动缸的倾斜角度。
本发明方法的优势具体体现在以下几个方面:
1、利用图像自动识别的方式代替人工检测,提高检测效率、准确率。
2、针对制动缸部件分割,效果优于固定阈值分割和自适应阈值分割,分割效果更好。
3、针对拍摄图像光照不均问题,针对不同的局部区域,单独选取阈值,避免了对整幅图片求均值,光照不均带来的影响。
4、提出了阈值分割保留均值区域的检测方法,避免了待检测像素与均值相差不大分割效果不好的影响。
5.采用局部方差阈值,进一步减少了背景的干扰。
6、针对不同站点,相机与列车距离不一致,导致拍摄图片中制动缸所占大小不一的问题,采用不同站点分别设置局部区域阈值的方法,提高了分割效果。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中获取的包含制动缸的图像是根据先验知识从货车全车图像中截取出来的,并需要将截取出来的图像调整成固定尺寸。
具体实施方式三:本实施方式与具体实施方式二不同的是:所述货车全车图像是采用固定设备搭载照相机或摄像机对运行的货车进行拍摄获得的。
具体实施方式四:本实施方式与具体实施方式二不同的是:所述将截取出来的图像调整成固定尺寸,尺寸具体为640*1024像素大小。
具体实施方式五:本实施方式与具体实施方式一不同的是:所述步骤二中,采用高斯模糊方法对步骤一获取的图像进行处理,获得处理后图像,高斯模糊公式为:
其中,G(x,y)代表经过高斯模糊处理后像素点(x,y)的灰度值,(x,y)代表图像中的像素点坐标,e为自然对数的底数,σ为在步骤一获取的图像中各像素点灰度值的标准差。
以图像左上角为坐标原点,以图像宽度方向为x轴,以图像高度方向为y轴。
具体实施方式六:本实施方式与具体实施方式一不同的是:所述步骤五中,ΔT的取值范围在5~15之间。
本发明中设计为10。
具体实施方式七:本实施方式与具体实施方式一不同的是:所述步骤四的具体过程为:
选取分割阈值(分割阈值在0-255之间取值),将局部区域图像中灰度值小于等于分割阈值的像素点的个数记为N0,则局部区域图像中属于目标(前景)的像素点数所占的比例为ω0:
将局部区域图像中灰度值大于分割阈值的像素点的个数记为N1,则局部区域图像中属于背景的像素点数所占的比例为ω1:
ω0+ω1=1
记属于目标的像素点的平均灰度为μ0,属于背景的像素点的平均灰度为μ1,则局部区域图像中包含的全部像素点的平均灰度μ为:
μ=ω0*μ0+ω1*μ1
式中,*代表相乘;
则背景和目标之间的类间方差g为:
g=ω0(μ0-μ)2+ω1(μ1-μ)2
进一步整理得
g=ω0ω1(μ0-μ1)2
采用遍历的方法,求出使得类间方差最大的分割阈值,将使得类间方差最大的分割阈值作为最佳分割阈值T。
分别采用本实施方式的方法对各局部区域图像进行处理,即可分别获得每个局部区域图像的最佳分割阈值T。
自适应阈值分割方法存在的不足:
1.由于列车在行进过程中,相机拍摄图片受光照影响较大,在全局范围内,遍历不同阈值,求类内方差极值点,会带来更多的干扰信息,影响分割效果。
2.待检测物体像素分布与图像均值相差不大时,自适应阈值分割效果不佳。
针对自适应阈值分割方法的两点不足之处,本发明方法提出了基于方差的区域分割方法,来对自适应阈值分割方法进行优化改进。针对列车行进过程中,相机拍摄图片受故障影响较大的问题,本发明采用局部区域分割的方法。通过对局部区域的大小进行设置,对每一个局部区域单独进行阈值求取,降低了光照对算法的影响。针对待检测物体像素分布与图像均值相差不大时,分割效果不佳这个问题。本发明采用了阈值分割保留均值区域的检测方法,避免了待检测像素与均值相差不大,分割效果不好的影响。
具体实施方式八:本实施方式与具体实施方式一不同的是:所述步骤六的具体过程为:
对于某个局部区域图像,若该局部区域图像内的某像素点在图像IMG1和图像IMG2中的分割结果均为背景或者均为目标,则该像素点为重叠区域内的像素点;
若某像素点在图像IMG1中的分割结果为背景,在图像IMG2中的分割结果为目标,则该像素点为非重叠区域内的像素点;若某像素点在图像IMG1中的分割结果为目标,在图像IMG2中的分割结果为背景,则该像素点也为非重叠区域内的像素点;
将非重叠区域内的像素点映射到步骤三中对应的局部区域图像上,获得非重叠区域内的像素点在局部区域图像中对应的像素点,计算出获得的像素点的灰度值的方差D0;
在步骤二获得的图像中计算出制动缸的外接最小矩形,计算出矩形内包含的全部像素点灰度值的方差D1;
若D0的值大于等于D1,则非重叠区域内的像素点满足二次提取条件,将非重叠区域内的像素点作为目标,非重叠区域内的像素点与重叠区域内的像素点共同组成像素区域Q,否则,舍弃非重叠区域内的像素点,像素区域Q仅包括重叠区域内的像素点;
同理,对各局部区域图像依次进行上述的操作。
具体实施方式九:本实施方式与具体实施方式一不同的是:所述步骤三中设置局部区域阈值,其中,根据步骤一中获取图像的站点不同,局部区域阈值也需要取不同的值。
局部区域大小的选取:由于不同站点,相机与火车之间的距离不一致,导致拍摄出的制动缸所占图片的大小有所差异。针对不同站点的图像,若采用统一的局部区域大小,会带来多余的背景干扰,影响分割效果。在本发明中,首先采集了不同站点的图片。观察分析了制动缸的大小尺寸,以及在图片中的比例信息。比如在长春北站,制动缸高度为200个像素,占图像总高度的十分之一。在哈尔滨车辆段,制动缸高度为370个像素,占图像总高度的五分之一左右。以及其他站点制动缸高度的比例信息,如灯塔,叶柏寿,安康……并在算法内部,自动识别传入图像属于哪个站点,选取该站点相应的局部区域大小。如长北站,局部区域高度选择为200,哈尔滨车辆段,局部区域高度选择为370等。优点在于:避免了由于不同站点,制动缸所占比例不一样,若采用相同的局部阈值区域,有可能发生在其他站点,制动缸分割不全,或者制动缸在分割图中所占比例过小的情况,影响分割效果。
实施例
1、线阵图像获取
利用固定设备搭载照相机或摄像机,对高速运动的货车进行拍摄,拍摄货车的上部、两侧及底部的全车图像。每次只扫描列车的一条线,可实现无缝拼接,生成视野大,精度高的二维图象。
2、根据先验知识确定部件所在位置
制动缸位于列车的中间部,中间部图像如图1所示,根据经验,得到制动缸所在列车相对位置的子图,如图2所示。
3、将制动缸所在列车相对位置的子图调整成固定尺寸,针对相机拍摄过程中可能出现的椒盐噪声等干扰,采用高斯模糊对图片进行处理,过滤掉椒盐噪声。
4、求解局部区域阈值:设置局部区域大小,按照该局部区域图片的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。采用遍历的方法得到使类间方差最大的阈值T,即为所求,得到分割图像如图5所示。
5、保留图片均值附近像素。针对待检测物体像素分布与图像均值相差不大时,自适应阈值分割效果不佳这个问题。对步骤三中求得的阈值T进行增加、减少调整,在其值附近选取一定大小的数值,以该值作为新阈值,重新确立分割,得到如图6所示的图像IMG1和如图7所示的图像IMG2。
从图6和图7的分割效果图不难发现,当前这个图片对我们所求得的阈值较敏感。在阈值附近增加、减少调整都会影响制动缸的分割效果。说明该分割效果十分依赖于所求得的阈值,每次阈值的变化,都会影响最后的分割效果,分割不稳定。但不难发现,图6和图7有重叠区域,这部分重叠区域不影响我们的分割。只需针对非重叠区域,进行判断分析,完善算法。
针对这一情况,我们逐像素比较IMG1和IMG2,将像素不同区域提取出来。采集制动缸体附近的像素区域,计算该区域的方差,得到方差阈值。针对提取出的像素区域,通过设置方差阈值,对提取出的像素区域进行二次提取。像素区域高于方差阈值则该区域保留,低于该方差阈值则舍弃。得到更加精细的像素区域Q。将Q与阈值T得到的二值图片进行融合,得到最终我们所需要的分割图片如图8所示。与采用固定阈值分割方法获得的分割结果图3和采用自适应阈值分割方法获得的分割结果图4相比较,本发明方法获得的分割效果更好。
6、根据缸体分割结果,计算缸体的外接最小矩形,求得缸体的倾斜角度。在这个过程中,我们借助了OPENCV图像开发工具,调用函数findContours,提取缸体的轮廓曲线contours,此外,在opencv中只需要将保存的轮廓曲线,输入到minAreaRect函数,即可求得输入轮廓曲线的最小外接矩形,并输出缸体的倾斜角度。完成缸体倾斜的检测。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.基于方差区域分割的货车制动缸倾斜检测方法,其特征在于,所述方法具体包括以下步骤:
步骤一、获取包含制动缸的图像;
步骤二、采用高斯模糊方法对步骤一获取的图像进行处理,获得处理后图像;
步骤三、设置局部区域大小为M×N,将步骤二获得的处理后图像分割为若干个大小为M×N的局部区域图像;
步骤四、分别对步骤三获得的每个局部区域图像进行分割,将每个局部区域图像中包含的像素点分成背景和目标两部分,并分别获取每个局部区域图像的最佳分割阈值T,其中,最佳分割阈值T是灰度值,最佳分割阈值T使得对应局部区域图像的背景和目标之间的类间方差最大;
步骤五、采用T+ΔT作为新的分割阈值,使对应的局部区域图像进行重新分割,获得新的分割图像IMG1,采用T-ΔT作为新的分割阈值,使对应的局部区域图像进行重新分割,获得新的分割图像IMG2;
步骤六、提取出图像IMG1与图像IMG2的重叠区域和非重叠区域,再对非重叠区域内的像素点进行二次提取,若非重叠区域内的像素点满足二次提取条件,则将非重叠区域内的像素点作为目标,非重叠区域内的像素点和重叠区域内的像素点共同组成像素区域Q,否则,像素区域Q仅包括重叠区域内的像素点;
步骤七、将像素区域Q的图像与在最佳分割阈值T下的分割结果图像进行融合,各局部区域图像对应的融合结果共同组成最终的分割图像;
步骤八、根据最终的分割图像计算制动缸的外接最小矩形,再计算制动缸的倾斜角度。
2.根据权利要求1所述的基于方差区域分割的货车制动缸倾斜检测方法,其特征在于,所述步骤一中获取的包含制动缸的图像是根据先验知识从货车全车图像中截取出来的,并需要将截取出来的图像调整成固定尺寸。
3.根据权利要求2所述的基于方差区域分割的货车制动缸倾斜检测方法,其特征在于,所述货车全车图像是采用固定设备搭载照相机或摄像机对运行的货车进行拍摄获得的。
4.根据权利要求2所述的基于方差区域分割的货车制动缸倾斜检测方法,其特征在于,所述将截取出来的图像调整成固定尺寸,尺寸具体为640*1024像素大小。
6.根据权利要求1所述的基于方差区域分割的货车制动缸倾斜检测方法,其特征在于,所述步骤五中,ΔT的取值范围在5~15之间。
7.根据权利要求1所述的基于方差区域分割的货车制动缸倾斜检测方法,其特征在于,所述步骤四的具体过程为:
选取分割阈值,将局部区域图像中灰度值小于等于分割阈值的像素点的个数记为N0,则局部区域图像中属于目标的像素点数所占的比例为ω0:
将局部区域图像中灰度值大于分割阈值的像素点的个数记为N1,则局部区域图像中属于背景的像素点数所占的比例为ω1:
ω0+ω1=1
记属于目标的像素点的平均灰度为μ0,属于背景的像素点的平均灰度为μ1,则局部区域图像中包含的全部像素点的平均灰度μ为:
μ=ω0*μ0+ω1*μ1
式中,*代表相乘;
则背景和目标之间的类间方差g为:
g=ω0(μ0-μ)2+ω1(μ1-μ)2
进一步整理得
g=ω0ω1(μ0-μ1)2
采用遍历的方法,求出使得类间方差最大的分割阈值,将使得类间方差最大的分割阈值作为最佳分割阈值T。
8.根据权利要求1所述的基于方差区域分割的货车制动缸倾斜检测方法,其特征在于,所述步骤六的具体过程为:
对于某个局部区域图像,若该局部区域图像内的某像素点在图像IMG1和图像IMG2中的分割结果均为背景或者均为目标,则该像素点为重叠区域内的像素点;
若某像素点在图像IMG1中的分割结果为背景,在图像IMG2中的分割结果为目标,则该像素点为非重叠区域内的像素点;若某像素点在图像IMG1中的分割结果为目标,在图像IMG2中的分割结果为背景,则该像素点也为非重叠区域内的像素点;
将非重叠区域内的像素点映射到步骤三中对应的局部区域图像上,获得非重叠区域内的像素点在局部区域图像中对应的像素点,计算出获得的像素点的灰度值的方差D0;
在步骤二获得的图像中计算出制动缸的外接最小矩形,计算出矩形内包含的全部像素点灰度值的方差D1;
若D0的值大于等于D1,则非重叠区域内的像素点满足二次提取条件,将非重叠区域内的像素点作为目标,非重叠区域内的像素点与重叠区域内的像素点共同组成像素区域Q,否则,舍弃非重叠区域内的像素点,像素区域Q仅包括重叠区域内的像素点;
同理,对各局部区域图像依次进行上述的操作。
9.根据权利要求1所述的基于方差区域分割的货车制动缸倾斜检测方法,其特征在于,所述步骤三中设置局部区域大小,其中,根据步骤一中获取图像的站点不同,局部区域大小也需要取不同的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010628567.9A CN111862007B (zh) | 2020-07-02 | 2020-07-02 | 基于方差区域分割的货车制动缸倾斜检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010628567.9A CN111862007B (zh) | 2020-07-02 | 2020-07-02 | 基于方差区域分割的货车制动缸倾斜检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862007A CN111862007A (zh) | 2020-10-30 |
CN111862007B true CN111862007B (zh) | 2021-01-08 |
Family
ID=73151815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010628567.9A Active CN111862007B (zh) | 2020-07-02 | 2020-07-02 | 基于方差区域分割的货车制动缸倾斜检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862007B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436080A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 印章图像的处理方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318560A (zh) * | 2014-10-21 | 2015-01-28 | 华南理工大学 | 一种基于非对称逆布局模型的图像分割方法 |
CN105654501A (zh) * | 2016-02-22 | 2016-06-08 | 北方工业大学 | 基于模糊阈值的自适应图像分割方法 |
CN106228551A (zh) * | 2016-07-19 | 2016-12-14 | 清华大学 | 基于图像分割技术产生滤波器的自适应分解方法 |
CN106447668A (zh) * | 2016-08-25 | 2017-02-22 | 南京理工大学 | 红外场景下基于随机取样和稀疏矩阵恢复的小目标检测方法 |
CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
CN109615600A (zh) * | 2018-12-12 | 2019-04-12 | 南昌工程学院 | 一种自适应层次直方图的彩色图像分割方法 |
CN109801267A (zh) * | 2018-12-27 | 2019-05-24 | 北京航天福道高技术股份有限公司 | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 |
CN111080610A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车侧部摇枕倾斜故障图像识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9953436B2 (en) * | 2012-06-26 | 2018-04-24 | BTS Software Solutions, LLC | Low delay low complexity lossless compression system |
US9390508B2 (en) * | 2014-03-03 | 2016-07-12 | Nokia Technologies Oy | Method, apparatus and computer program product for disparity map estimation of stereo images |
US20170123636A1 (en) * | 2015-11-03 | 2017-05-04 | Motorola Solutions, Inc | Method and apparatus for morphing and positioning objects on a touch-screen device to aide in one-handed use of the device |
CN106846374B (zh) * | 2016-12-21 | 2020-10-09 | 大连海事大学 | 多摄像头场景下车辆的轨迹计算方法 |
JP6548312B2 (ja) * | 2017-09-19 | 2019-07-24 | 株式会社Subaru | 画像処理装置 |
CN111223098B (zh) * | 2020-03-13 | 2024-03-12 | 中冶长天国际工程有限责任公司 | 一种烧结机的台车箅条倾斜角检测方法及系统 |
-
2020
- 2020-07-02 CN CN202010628567.9A patent/CN111862007B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318560A (zh) * | 2014-10-21 | 2015-01-28 | 华南理工大学 | 一种基于非对称逆布局模型的图像分割方法 |
CN105654501A (zh) * | 2016-02-22 | 2016-06-08 | 北方工业大学 | 基于模糊阈值的自适应图像分割方法 |
CN106228551A (zh) * | 2016-07-19 | 2016-12-14 | 清华大学 | 基于图像分割技术产生滤波器的自适应分解方法 |
CN106447668A (zh) * | 2016-08-25 | 2017-02-22 | 南京理工大学 | 红外场景下基于随机取样和稀疏矩阵恢复的小目标检测方法 |
CN108510499A (zh) * | 2018-02-08 | 2018-09-07 | 河南师范大学 | 一种基于模糊集和Otsu的图像阈值分割方法及装置 |
CN109615600A (zh) * | 2018-12-12 | 2019-04-12 | 南昌工程学院 | 一种自适应层次直方图的彩色图像分割方法 |
CN109801267A (zh) * | 2018-12-27 | 2019-05-24 | 北京航天福道高技术股份有限公司 | 基于特征点检测与svm分类器的巡检目标缺陷检测方法 |
CN111080610A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车侧部摇枕倾斜故障图像识别方法 |
Non-Patent Citations (3)
Title |
---|
Panoptic Segmentation;Alexander Kirillov等;《2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20190620;第19-32页 * |
Performance Evaluation of Optic Disc Segmentation Algorithms in Retinal Fundus Images: an Empirical Investigation;Medha V. Wyawahare等;《International Journal of Advanced Science and Technology》;20141231;第9404-9413页 * |
一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法;孟月波等;《西安交通大学学报》;20181009;第56-65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111862007A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN101853333B (zh) | 医疗机器人导航定位图像中的标记拾取方法 | |
CN107844750A (zh) | 一种水面全景图像目标检测识别方法 | |
CN107424144A (zh) | 基于激光视觉的焊缝跟踪图像处理算法 | |
CN113781402A (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
CN107832674B (zh) | 一种车道线检测方法 | |
CN110674812B (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
CN109815822B (zh) | 基于广义Hough变换的巡检图零部件目标识别方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN109035287B (zh) | 前景图像提取方法和装置、运动车辆识别方法和装置 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN114127784A (zh) | 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质 | |
CN115830018B (zh) | 基于深度学习与双目视觉的碳素块检测方法及系统 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN115861320A (zh) | 一种汽车零件加工信息智能检测方法 | |
CN111476712B (zh) | 一种烧结机的台车箅条图像的摄取及检测方法、系统 | |
CN111862007B (zh) | 基于方差区域分割的货车制动缸倾斜检测方法 | |
CN113781523B (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
CN114241438B (zh) | 一种基于先验信息的交通信号灯快速精确的识别方法 | |
KR20230091906A (ko) | 양안시와 대칭성을 기반으로 한 오프셋 검출 방법 | |
CN115631116A (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN114820474A (zh) | 一种基于三维信息的列车车轮缺陷检测方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |