CN111881929A - 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 - Google Patents
基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 Download PDFInfo
- Publication number
- CN111881929A CN111881929A CN202010515638.4A CN202010515638A CN111881929A CN 111881929 A CN111881929 A CN 111881929A CN 202010515638 A CN202010515638 A CN 202010515638A CN 111881929 A CN111881929 A CN 111881929A
- Authority
- CN
- China
- Prior art keywords
- frame
- boundary
- pixel
- image
- minimum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 72
- 238000010586 diagram Methods 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 230000000737 periodic effect Effects 0.000 claims abstract description 35
- 238000013519 translation Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000010587 phase diagram Methods 0.000 claims description 7
- 238000013016 damping Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000005553 drilling Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置，所述方法包括：构建Duffing振子弱信号检测系统模型；选取参数值，使所述Duffing振子弱信号检测系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，获取此时系统的相空间状态图；对所述相空间状态图进行预处理，去除坐标框，通过双矩形平移判定法获得完全包裹住相空间状态图的最小矩形框；将最小矩形框进行切分，得到左右两个部分，统计左右两个部分像素点分布，根据所述像素点分布判定Duffing系统处于混沌状态还是大周期状态。本发明对混沌图像的处理，操作方法简单，且具有更强的实用性。
Description
技术领域
本发明属于随钻技术在弱声信号检测领域，涉及信号检测、数字图像处理。具体涉及一种基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置。
背景技术
随钻声波测量工具的应用为超压检测与评价提供了重要手段。钻井过程中,利用井下数据采集和传输系统,将井下所测得的声波时差数据发送至地面, 经实时处理后,可实现对地层的实时检测与评价。与此同时钻井噪声一直是影响随钻声波测井的一个重要问题，利用混沌系统的噪声强免疫性及初值敏感性等主要特点来处理弱声信号，其中通过Duffing振子系统对弱信号检测，是弱声信号检测技术的一个热点。Duffing振子系统的相态跃变作为判断待测信号的根据。首先使系统处入混沌运动与大尺度周期运动间的临界状态，加入待测信号改变系统总驱动力，系统会从临界状态过渡到大尺度周期状态。判断混沌系统大尺度周期状态的方法有：Lyapunov指数法、相空间法、时序图法等。
Duffing振子系统的Lyapunov指数代表系统在相空间相邻轨道间收敛或发散的平均指数率，通过Lyapunov指数的正，负可识别混沌运动，负的 Lyapunov指数，对应于系统相空间大周期运动状态。然而，计算Lyapunov 指数的过程复杂，以wolf算法计算Lyapunov指数为例，需重构相空间，通过自相关函数法求出相空间的时间延迟τ，再利用G-P算法求出重构相空间嵌入维数m，经过多次迭代才可将Lyapunov指数算出，步骤繁多，计算量大，在实际运用中并不适合。Duffing振子系统相空间法，即通过Duffing振子系统相空间状态仿真结果来判断混沌系统状态。由于系统在混沌和大尺度周期状态时对应的相空间状态图有明显差别，可简洁直观的分辨出Duffing振子系统的状态，但这种判断方式只是主观理论却并无可靠的数据理论依据。在实际操作中，随钻声波测量工具测量到信号后，将信号输入后转化为相空间状态图，再通过人为判断，这种可取性不高且误差较大。Duffing振子系统的时序图法，是根据混沌和大尺度周期状态时对应的时序波形不同，比较即可区分，但由于混沌临界状态下时序波形多样，难以分辨。
以上这些运用在实际测量中缺少实用性，故此需要一种运算简单且可通过计算机或电路实现对Duffing振子系统大周期状态自动判断的方法。
发明内容
为了克服现有的技术不足，本发明提供了一种基于混沌图像像素识别的 Duffing系统相空间大周期状态检测的方法，该方法不仅运算简单，还能实现通过计算机或电路实现对Duffing振子系统大周期状态自动判断，从而实现对微弱信号检测的目的。
本发明第一方面，提出一种基于混沌图像像素识别的Duffing系统大周期状态检测方法，所述方法包括：
S1、构建Duffing振子弱信号检测系统模型；
S2、选取参数值，使所述Duffing振子弱信号检测系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，获取此时系统的相空间状态图；
S3、对所述相空间状态图进行预处理，去除坐标框，通过双矩形平移判定法获得完全包裹住相空间状态图的最小矩形框，统计所述最小矩形框中的像素点总和S，在所述最小矩形框内部取其中心点；
S4、以所述中心点为依据，将最小矩形框进行切分，得到左右两个部分，设置一个与所述最小矩形框成特定比例的矩形滑框，通过平移法分别在左右两个部分中找到使所述矩形滑框内像素点总和最小的框，此时所述矩形滑框中像素点总和分别记为S1、S2，计算
S5、设定临界比例为u，当
则判定Duffing系统处于混沌状态；当
则判定Duffing系统处于大周期状态。
优选的，所述步骤S1中，所述Duffing振子弱信号检测系统的模型为：
其中k为阻尼系数、-ωx+ωx3为非线性恢复力、f(cos(ωt))为驱动力幅值、 s+t为输入信号。
优选的，所述步骤S3具体为：
S31、通过相空间状态图的分辨率，将相空间状态图的原始图像记为长为 a、宽为b的图像，对所述图像进行二值化处理，在原始图像的左上角设置一个矩形像素条，采用双矩形平移判定法确定坐标框的边界，取所述坐标框的边界值作为新图像的大小，得到去除坐标框的新图像；
S32、在所述新图像左右两侧分别设置一个宽度为新图像上边界和下边界的差值、指定长度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的左边界和右边界；同理，在新图像的上侧和下侧分别设置一个长度为新图像左边界和右边界差值，指定宽度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的上边界和下边界，通过边界的确定得到能完全包裹住相位图的最小矩形框；
S32、将最小矩形框左边界到原始图像左边界的差值记为N1，最小矩形框右边界到原始图像右边界的差值记为n1，最小矩形框上边界到原始图像上边界的差值记为M1，最小矩形框下边界到原始图像下边界的差值记为m1，同时该最小矩形框内的像素点的总和，记为S，在最小矩形框内部取其中心点C，此时C坐标为(X,Y)，其中
优选的，所述步骤S31中，所述采用双矩形平移判定法确定坐标框的边界具体为：
原始图像左上角设置的矩形像素条大小根据图像分辨率调整，分别设置第一像素条和第二像素条，所述第一像素条的参数设定为待测图形的最大宽，所述第二像素条参数设定为要检测图形的最小平滑判定像素长度，即能区分出直线与曲线的最小像素长度；
将第一像素条向右平移一个单位后，将第二像素条从上到下的平移，判断第二像素条是否全为1，如果是，则跳出循环，判定为是平滑的，反之则继续进行循环，该方法为双矩形平移判定法，通过所述双矩形平移判定法将像素条向右逼近，得到坐标框的上边界，同样用双矩阵判定法，检测出坐标框的下边界；
在图像外右侧处，设置宽度为上边界和下边界的差值，长度适当的单个像素条，逐步向左平移，直到检测到像素点的存在为止，确定坐标框的右边界，同理确定坐标框的左边界；取各边界值作为新图像的大小，得到一个去除坐标框的新图像，相空间仍在其中。
优选的，所述步骤S4具体为：
S41、以最小矩形框长度的
处和宽度的
处和
处将最小矩形框进行切分，取图像宽度的
处和
处之间的部分为截取图像；
S42、在截取图像的左半部分内设置一个与所述最小矩形框成特定比例的矩形滑框，将所述矩形滑框在左半部分图像中从左上顶角处向右平移，直到移至该部分的边界处，此时将原顶角处的矩形滑框下移一个单位，向右平移，直到移至该部分的边界处，重复上述步骤，直至矩形滑框从左下顶角处向右平移至该部分边界处；取在平移的过程中，使所述矩形滑框内像素点总和最小的框，将框内像素点的总和记为S1；在截取图像的右半部分，同理找到一个使矩形滑框内所含像素点总和最小的框，将框内像素点的总和记为S2；
S43、统计像素分布
本发明第二方面，提出一种基于混沌图像像素识别的Duffing系统大周期状态检测装置，所述装置包括：
模型构建模块：用于构建Duffing振子弱信号检测系统模型；
参数调节模块：用于选取参数值，使所述Duffing振子弱信号检测系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，获取此时系统的相空间状态图；
预处理模块：用于对所述相空间状态图进行预处理，去除坐标框，通过双矩形平移判定法获得完全包裹住相空间状态图的最小矩形框，统计所述最小矩形框中的像素点总和S，在所述最小矩形框内部取其中心点；
像素统计模块：用于以所述中心点为依据，将最小矩形框进行切分，得到左右两个部分，设置一个与所述最小矩形框成特定比例的矩形滑框，通过平移法分别在左右两个部分中找到使所述矩形滑框内像素点总和最小的框，此时所述矩形滑框中像素点总和分别记为S1、S2，计算
状态判定模块：用于设定临界比例u，当
则判定Duffing系统处于混沌状态；当
则判定Duffing系统处于大周期状态。
优选的，所述模型构建模块中，Duffing振子弱信号检测系统模型为：
其中k为阻尼系数、-ωx+ωx3为非线性恢复力、f(cos(ωt))为驱动力幅值、 s+t为输入信号。
优选的，所述预处理模块具体包括：
去除坐标框单元：通过相空间状态图的分辨率，将相空间状态图的原始图像记为长为a、宽为b的图像，对所述图像进行二值化处理，在原始图像的左上角设置一个矩形像素条，采用双矩形平移判定法确定坐标框的边界，取所述坐标框的边界值作为新图像的大小，得到去除坐标框的新图像；
确定最小矩形框单元：在所述新图像左右两侧分别设置一个宽度为新图像上边界和下边界的差值、指定长度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的左边界和右边界；同理，在新图像的上侧和下侧分别设置一个长度为新图像左边界和右边界差值，指定宽度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的上边界和下边界，通过各边界的确定得到能完全包裹住相位图的最小矩形框；
统计计算单元：将最小矩形框左边界到原始图像左边界的差值记为N1，最小矩形框右边界到原始图像右边界的差值记为n1，最小矩形框上边界到原始图像上边界的差值记为M1，最小矩形框下边界到原始图像下边界的差值记为 m1，同时该最小矩形框内的像素点的总和，记为S，在最小矩形框内部取其中心点C，此时C坐标为(X,Y)，其中
优选的，所述像素统计模块具体包括：
切分截取单元：以最小矩形框长度的
处和宽度的
处和
处将最小矩形框进行切分，取图像宽度的
处和
处之间的部分为截取图像；
分布统计单元：在截取图像的左半部分内设置一个与所述最小矩形框成特定比例的矩形滑框，将所述矩形滑框在左半部分图像中从左上顶角处向右平移，直到移至该部分的边界处，此时将原顶角处的矩形滑框下移一个单位，向右平移，直到移至该部分的边界处，重复上述步骤，直至矩形滑框从左下顶角处向右平移至该部分边界处；取在平移的过程中，使所述矩形滑框内像素点总和最小的框，将框内像素点的总和记为S1；在截取图像的右半部分，同理找到一个使矩形滑框内所含像素点总和最小的框，将框内像素点的总和记为S2；统计像素分布
本发明提出的一种基于混沌图像像素识别的Duffing系统相空间大周期状态检测的方法及装置，有益效果在于：
1)本发明通过对混沌图像的处理，对Duffing系统相空间进行分析，无需通过传统的直观观察法，可以通过计算机或电路实现对Duffing系统相空间状态的自动判断，因此该方法操作简单，且具有更强的实用性。
2)本发明通过图像分割的方法，无需调用库函数，因此该方法在普遍的语言环境中都可以实现，具有较强的兼容性，因此该方法相比只能使用在特定语言环境的图像处理方法更优越。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于混沌图像像素识别的Duffing系统相空间大周期状态检测的方法流程示意图；
图2为双矩形平移判定法的示意图；
图3为对最小矩形框切分的示意图，其中阴影部分为所需要截取出的部分；
图4为Duffing系统处于混沌态的相空间状态图；
图5为Duffing系统处于大周期态的相空间状态图；
图6为Duffing系统处于混沌状态到大尺度周期状态的临界状态时的相空间状态图；
图7为Duffing系统通过调整系统内策动力，使系统处于混沌状态，且远未到混沌状态到大尺度周期状态的临界状态时的内策动力，此时输入纯信号时，系统仍处于混沌状态时的检测结果；
图8为Duffing系统通过调整系统内策动力，使系统处于混沌状态到大尺度周期状态的临界状态，输入纯信号时，输出的系统相空间状态图；
图9为通过二值图像检测法，系统处于混沌状态到大尺度周期状态的临界状态，输入纯信号时，对相空间状态图的检测结果；
图10为通过二值图像检测法，系统处于混沌状态到大尺度周期状态的临界状态，输入y＝10-5cos(2000πt)的纯信号时，各参数数值图表，检测结果如图 9所示；
图11为Duffing系统通过调整系统内策动力，使系统处于混沌状态到大尺度周期状态的临界状态，输入纯噪声时，由于噪声能够对系统相轨迹产生干扰，但不会使系统相空间状态发生改变，输出的相空间状态图；
图12为通过二值图像检测法，系统处于混沌状态到大尺度周期状态的临界状态，输入纯噪声时，由于噪声能够对系统相轨迹产生干扰，但不会使系统相空间状态发生改变，对相空间状态图的检测结果；
图13为通过二值图像检测法，系统处于混沌状态到大尺度周期状态的临界状态，输入纯噪声为幅值10-5V的高斯白噪声时，各参数数值图表，检测结果如图12所示；
图14为Duffing系统通过调整系统内策动力，使系统处于大尺度周期状态时，输入纯噪声时，由于噪声能够对系统相轨迹产生干扰，但不会使系统相空间状态发生改变，此时系统仍处于大周期状态时的检测结果；
图15为Duffing系统通过调整系统内策动力，使系统处于混沌状态到大尺度周期状态的临界状态，系统同时含有信号和噪声，当超过噪声容限-75dB 时，系统退回混沌状态，无法进行信号的有效监测，系统此时信噪比为-100dB，输出的相空间状态图；
图16为通过二值图像检测法，系统处于混沌状态到大尺度周期状态的临界状态，系统同时含有信号和噪声，此时信噪比为-100dB，对相空间状态图的检测结果；
图17为通过二值图像检测法，系统处于混沌状态到大尺度周期状态的临界状态，系统同时含有信号和噪声，此时信噪比为-100dB，其中信号为 y＝10-5cos(2000πt)时，各参数数值图表，检测结果如图16所示；
图18为Duffing系统通过调整系统内策动力，使系统处于混沌状态到大尺度周期状态的临界状态，系统同时含有信号和噪声，系统此时信噪比为 -70dB时，可以进行信号的有效监测，系统处于大周期状态时的检测结果。
具体实施方式
针对Duffing振子系统在混沌和大尺度周期状态时对应的相空间状态图有明显差别，提出了一种基于混沌图像像素识别的系统状态判定方法。通过大尺度周期状态的相位图可知，该状态下的像素点集中分布在环状轨道上，而混沌状态下的像素点分散在环状轨道上和环状轨道内部，根据其相空间性质，可以通过像素点的分布对相空间图像进行分析，进而判断相空间的状态。
首先在环状轨道外取一个最小矩形框，并使矩形框能包含相空间图像上所有的像素点。其次，在环状轨道内设置一个中心点，以中心点为依据，将最小矩形框进行切分，得到两个部分。在左半部分设置一个与最小矩形框成特定比例的矩形框，将设置的矩形框在左半部分平移，找到使其该矩形框内像素点总和最小的那个，同理在最小矩形框的右半部分，通过平移，找到一个使其中所取的特定比例的小矩形框内像素点总和最小的那个，将左半部分和右半部分的特定比例的小矩形框内的像素点总和相加，计算出该数值与最小矩形框内像素点总和的比值，将该比值与设定的参数值比较，若该比值大于或等于参数值，即可判定Duffing系统状态为混沌状态，若该比值小于参数值，即可判定Duffing系统状态为大周期状态。
针对检测Duffing系统大周期状态方法，基于像素识别对Duffing系统状态进行有效检测，从而实现计算机对Duffing振子系统大周期状态的自动判断是本发明的出发点。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提出的一种基于混沌图像像素识别的Duffing系统大周期状态检测方法流程示意图，所述方法包括：
S1、构建Duffing振子弱信号检测系统模型；
所述Duffing振子弱信号检测系统模型为：
其中k为阻尼系数、-ωx+ωx3为非线性恢复力、f(cos(ωt))为驱动力幅值、 s+t为输入信号。
S2、选取参数值，使所述Duffing振子弱信号检测系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，获取此时系统的相空间状态图；
具体的，取k＝0.5，ω＝1000rad/s且s(t)+n(t)＝0时，随着内策动力幅值f变化历经五个不同运动状态，其中系统从混沌状态进入大尺度周期状态变化最为明显，经测量系统内策动力幅值混沌临界阈值Fd＝0.8276～0.8277之间。输入待测信号后，得到对应的相空间状态图。
S3、对所述相空间状态图进行预处理，去除坐标框，通过双矩形平移判定法获得完全包裹住相空间状态图的最小矩形框，统计所述最小矩形框中的像素点总和S，在所述最小矩形框内部取其中心点；
进一步的，所述步骤S3具体为：
S31、通过相空间状态图的分辨率，将相空间状态图的原始图像记为长为a、宽为b的图像，对所述图像进行二值化处理，通过二值图像检测法，在原始图像的左上角设置一个矩形像素条，采用双矩形平移判定法确定坐标框的边界，取所述坐标框的边界值作为新图像的大小，得到去除坐标框的新图像；
具体的，所述采用双矩形平移判定法确定坐标框的边界具体为：
请参阅图2，原始图像左上角设置的矩形像素条大小根据图像分辨率调整，分别设置第一像素条①和第二像素条②，所述第一像素条①的参数设定为待测图形的最大宽，所述第二像素条②参数设定为要检测图形的最小平滑判定像素长度，即能区分出直线与曲线的最小像素长度；
将第一像素条①向右平移一个单位后，将第二像素条②从上到下的平移，判断第二像素条②内是否全为1，如果是，则跳出循环，判定为是平滑的，反之则继续进行循环，该方法为双矩形平移判定法，通过所述双矩形平移判定法将像素条向右逼近，同时第二像素条②从上到下的平移，得到坐标框的上边界；同样用双矩阵判定法，将第一像素条①向右平移一个单位后，将第二像素条②从下到上的平移，以此循环检测出坐标框的下边界；
在图像外右侧处，设置宽度为上边界和下边界的差值、长度适当的单个像素条，逐步向左平移，直到检测到像素点的存在为止，确定坐标框的右边界，同理，在图像外左侧处，设置宽度为上边界和下边界的差值、长度适当的单个像素条，逐步向右平移，直到检测到像素点的存在为止，确定坐标框的左边界；取各边界值作为新图像的大小，得到一个去除坐标框的新图像，相空间仍在其中。
S32、在所述新图像左右两侧分别设置一个宽度为新图像上边界和下边界的差值、长度适当的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的左边界和右边界；同理，在新图像的上侧和下侧分别设置一个长度为新图像左边界和右边界差值，宽度适当的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的上边界和下边界，通过各边界的确定即可得到能完全包裹住相位图的最小矩形框；
S32、将最小矩形框左边界到原始图像左边界的差值记为N1，最小矩形框右边界到原始图像右边界的差值记为n1，最小矩形框上边界到原始图像上边界的差值记为M1，最小矩形框下边界到原始图像下边界的差值记为m1，同时该最小矩形框内的像素点的总和，记为S，在最小矩形框内部取其中心点C，此时C坐标为(X,Y)，其中
S4、以所述中心点为依据，将最小矩形框进行切分，得到左右两个部分，设置一个与所述最小矩形框成特定比例的矩形滑框，通过平移法分别在左右两个部分中找到使所述矩形滑框内像素点总和最小的框，此时所述矩形滑框中像素点总和分别记为S1、S2，计算
进一步的，所述步骤S4具体包括：
S41、以最小矩形框长度的
处和宽度的
处和
处将最小矩形框进行切分，取图像宽度的
处和
处之间的部分为截取图像；
S42、在截取图像的左半部分内设置一个与所述最小矩形框成特定比例的矩形滑框，将所述矩形滑框在左半部分图像中从左上顶角处向右平移，直到移至该部分的边界处，此时将原顶角处的矩形滑框下移一个单位，向右平移，直到移至该部分的边界处，重复上述步骤，直至矩形滑框从左下顶角处向右平移至该部分边界处；取在平移的过程中，使所述矩形滑框内像素点总和最小的框，将框内像素点的总和记为S1；在截取图像的右半部分，同理找到一个使矩形滑框内所含像素点总和最小的框，将框内像素点的总和记为S2；
S43、统计像素分布
S5、设定临界比例为u，当
则判定Duffing系统处于混沌状态；当
则判定Duffing系统处于大周期状态。
具体的，可取u＝0.001。
与所述方法实施例相对应，本发明还提出一种基于混沌图像像素识别的Duffing系统大周期状态检测装置，所述装置包括：
模型构建模块：用于构建Duffing振子弱信号检测系统模型；
进一步的，所述模型构建模块中，Duffing振子弱信号检测系统模型为：
其中k为阻尼系数、-ωx+ωx3为非线性恢复力、f(cos(ωt))为驱动力幅值、 s+t为输入信号。
参数调节模块100：用于选取参数值，使所述Duffing振子弱信号检测系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，获取此时系统的相空间状态图；
预处理模块200：用于对所述相空间状态图进行预处理，去除坐标框，通过双矩形平移判定法获得完全包裹住相空间状态图的最小矩形框，统计所述最小矩形框中的像素点总和S，在所述最小矩形框内部取其中心点；
进一步的，所述预处理模块具体包括：
去除坐标框单元：通过相空间状态图的分辨率，将相空间状态图的原始图像记为长为a、宽为b的图像，对所述图像进行二值化处理，在原始图像的左上角设置一个矩形像素条，采用双矩形平移判定法确定坐标框的边界，取所述坐标框的边界值作为新图像的大小，得到去除坐标框的新图像；
确定最小矩形框单元：在所述新图像左右两侧分别设置一个宽度为新图像上边界和下边界的差值、指定长度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的左边界和右边界；同理，在新图像的上侧和下侧分别设置一个长度为新图像左边界和右边界差值，指定宽度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的上边界和下边界，通过各边界的确定得到能完全包裹住相位图的最小矩形框；
统计计算单元：将最小矩形框左边界到原始图像左边界的差值记为N1，最小矩形框右边界到原始图像右边界的差值记为n1，最小矩形框上边界到原始图像上边界的差值记为M1，最小矩形框下边界到原始图像下边界的差值记为 m1，同时该最小矩形框内的像素点的总和，记为S，在最小矩形框内部取其中心点C，此时C坐标为(X,Y)，其中
像素统计模块300：用于以所述中心点为依据，将最小矩形框进行切分，得到左右两个部分，设置一个与所述最小矩形框成特定比例的矩形滑框，通过平移法分别在左右两个部分中找到使所述矩形滑框内像素点总和最小的框，此时所述矩形滑框中像素点总和分别记为S1、S2，计算
进一步的，所述像素统计模块具体包括：
切分截取单元：以最小矩形框长度的
处和宽度的
处和
处将最小矩形框进行切分，取图像宽度的
处和
处之间的部分为截取图像；
分布统计单元：在截取图像的左半部分内设置一个与所述最小矩形框成特定比例的矩形滑框，将所述矩形滑框在左半部分图像中从左上顶角处向右平移，直到移至该部分的边界处，此时将原顶角处的矩形滑框下移一个单位，向右平移，直到移至该部分的边界处，重复上述步骤，直至矩形滑框从左下顶角处向右平移至该部分边界处；取在平移的过程中，使所述矩形滑框内像素点总和最小的框，将框内像素点的总和记为S1；在截取图像的右半部分，同理找到一个使矩形滑框内所含像素点总和最小的框，将框内像素点的总和记为S2；统计像素分布
状态判定模块400：用于设定临界比例u，当
则判定Duffing 系统处于混沌状态；当
则判定Duffing系统处于大周期状态。
下面结合具体实验数据对本发明做进一步说明。
取k＝0.5，ω＝1000rad/s，将内策动力幅值设置为混沌临界阈
Fd＝0.8276，此时系统处于混沌状态到大尺度周期状态的临界状态。
若输入待测信号为y＝10-5cos(2000πt)的纯信号，此时系统从临界状态进入到大尺度周期状态，得到此时的相空间状态图如图8所示，此时该空间状态图长a＝420，宽b＝560，对输出的相空间状态图进行二值化处理，再通过二值图像检测法，按照上述步骤S3的具体步骤，得到该情况下最小矩形框内的像素点的总和S＝11670，中心点C(290,200)，对最小矩形框进行切分后，如图3 所示，在图像的左半部分，有使其特定矩形框内像素点总和最小的框，框内像素点的总和S1＝0，在图像的右半部分，有使其特定矩形框内像素点总和最小的框，框内像素点的总和S2＝0，此时
为0，小于其临界比例u，其中u＝0.001，各参数如图10所示，故可判定输入信号后，此时Duffing系统处于大周期状态，判定结果如图9所示。
当待测信号为幅值10-5V的高斯白噪声时，由于噪声能够对系统相轨迹产生干扰，但不会使系统相空间状态发生改变，此时系统仍处于混沌状态，得到此时的相空间状态图如图11所示，此时该空间状态图长a＝420，宽b＝560，对输出的相空间状态图进行二值化处理，再通过二值图像检测法，按照上述步骤S3的具体步骤，得到该情况下最小矩形框内的像素点的总和S＝55231，中心点C(290,188)，对最小矩形框进行切分后，如图3所示，在图像的左半部分，有使其特定矩形框内像素点总和最小的框，框内像素点的总和S1＝0，在图像的右半部分，有使其特定矩形框内像素点总和最小的框，框内像素点的总和S2＝120，此时
大于其临界比例u，其中u＝0.001，各参数如图13所示，故可判定输入信号后，此时Duffing系统处于混沌状态，判定结果如图12所示。
当待测信号同时含有信号和噪声时，将不同强度高斯白噪声加入信号 y＝10-5cos(2000πt)中，考虑极限信噪比条件下Duffing振子系统检测弱信号的有效性，当信噪比下降为-75dB时系统几乎处于临界或混沌状态，信噪比愈小 Duffing振子系统敏感度愈低，且最低检测信噪比约为-75dB。当输入系统信噪比为-100dB时，此时系统仍处于混沌状态，得到此时的相空间状态图如图 15所示，此时该空间状态图长a＝420，宽b＝560，对输出的相空间状态图进行二值化处理，再通过二值图像检测法，按照上述具体步骤，得到该情况下最小矩形框内的像素点的总和S＝55231，中心点C(290,202)，对最小矩形框进行切分后，如图3所示，在图像的左半部分，有使其特定矩形框内像素点总和最小的框，框内像素点的总和S1＝195，在图像的右半部分，有使其特定矩形框内像素点总和最小的框，框内像素点的总和S2＝298，此时
大于其临界比例u，其中u＝0.001，各参数如图17所示，故可判定输入信号后，此时Duffing系统处于混沌状态，判定结果如图16所示。
以上装置实施例与方法实施例是一一对应的，装置实施例简略之处，参见方法实施例即可。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可，说明书中未阐述的部分均为现有技术或公知常识。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于混沌图像像素识别的Duffing系统大周期状态检测方法，其特征在于，所述方法包括：
S1、构建Duffing振子弱信号检测系统模型；
S2、选取参数值，使所述Duffing振子弱信号检测系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，获取此时系统的相空间状态图；
S3、对所述相空间状态图进行预处理，去除坐标框，通过双矩形平移判定法获得完全包裹住相空间状态图的最小矩形框，统计所述最小矩形框中的像素点总和S，在所述最小矩形框内部取其中心点；
S4、以所述中心点为依据，将最小矩形框进行切分，得到左右两个部分，设置一个与所述最小矩形框成特定比例的矩形滑框，通过平移法分别在左右两个部分中找到使所述矩形滑框内像素点总和最小的框，此时所述矩形滑框中像素点总和分别记为S1、S2，计算
S5、设定临界比例为u，当
则判定Duffing系统处于混沌状态；当
则判定Duffing系统处于大周期状态。
2.根据权利要求1所述基于混沌图像像素识别的Duffing系统大周期状态检测方法，其特征在于，所述步骤S1中，所述Duffing振子弱信号检测系统的模型为：
其中k为阻尼系数、-ωx+ωx3为非线性恢复力、f(cos(ωt))为驱动力幅值、s+t为输入信号。
3.根据权利要求1所述基于混沌图像像素识别的Duffing系统大周期状态检测方法，其特征在于，所述步骤S3具体为：
S31、通过相空间状态图的分辨率，将相空间状态图的原始图像记为长为a、宽为b的图像，对所述图像进行二值化处理，在原始图像的左上角设置一个矩形像素条，采用双矩形平移判定法确定坐标框的边界，取所述坐标框的边界值作为新图像的大小，得到去除坐标框的新图像；
S32、在所述新图像左右两侧分别设置一个宽度为新图像上边界和下边界的差值、指定长度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的左边界和右边界；同理，在新图像的上侧和下侧分别设置一个长度为新图像左边界和右边界差值，指定宽度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的上边界和下边界，通过边界的确定得到能完全包裹住相位图的最小矩形框；
S32、将最小矩形框左边界到原始图像左边界的差值记为N1，最小矩形框右边界到原始图像右边界的差值记为n1，最小矩形框上边界到原始图像上边界的差值记为M1，最小矩形框下边界到原始图像下边界的差值记为m1，同时该最小矩形框内的像素点的总和，记为S，在最小矩形框内部取其中心点C，此时C坐标为(X,Y)，其中
4.根据权利要求3所述基于混沌图像像素识别的Duffing系统大周期状态检测方法，其特征在于，所述步骤S31中，所述采用双矩形平移判定法确定坐标框的边界具体为：
原始图像左上角设置的矩形像素条大小根据图像分辨率调整，分别设置第一像素条和第二像素条，所述第一像素条的参数设定为待测图形的最大宽，所述第二像素条参数设定为要检测图形的最小平滑判定像素长度，即能区分出直线与曲线的最小像素长度；
将第一像素条向右平移一个单位后，将第二像素条从上到下的平移，判断第二像素条是否全为1，如果是，则跳出循环，判定为是平滑的，反之则继续进行循环，该方法为双矩形平移判定法，通过所述双矩形平移判定法将像素条向右逼近，得到坐标框的上边界，同样用双矩阵判定法，检测出坐标框的下边界；
在图像外右侧处，设置宽度为上边界和下边界的差值，长度适当的单个像素条，逐步向左平移，直到检测到像素点的存在为止，确定坐标框的右边界，同理确定坐标框的左边界；取各边界值作为新图像的大小，得到一个去除坐标框的新图像，相空间仍在其中。
5.根据权利要求1所述基于混沌图像像素识别的Duffing系统大周期状态检测方法，其特征在于，所述步骤S4具体为：
S41、以最小矩形框长度的
处和宽度的
处和
处将最小矩形框进行切分，取图像宽度的
处和
处之间的部分为截取图像；
S42、在截取图像的左半部分内设置一个与所述最小矩形框成特定比例的矩形滑框，将所述矩形滑框在左半部分图像中从左上顶角处向右平移，直到移至该部分的边界处，此时将原顶角处的矩形滑框下移一个单位，向右平移，直到移至该部分的边界处，重复上述步骤，直至矩形滑框从左下顶角处向右平移至该部分边界处；取在平移的过程中，使所述矩形滑框内像素点总和最小的框，将框内像素点的总和记为S1；在截取图像的右半部分，同理找到一个使矩形滑框内所含像素点总和最小的框，将框内像素点的总和记为S2；
S43、统计像素分布
6.一种基于混沌图像像素识别的Duffing系统大周期状态检测装置，其特征在于，所述装置包括：
模型构建模块：用于构建Duffing振子弱信号检测系统模型；
参数调节模块：用于选取参数值，使所述Duffing振子弱信号检测系统处于混沌状态到大尺度周期状态的临界状态，输入待测信号后，获取此时系统的相空间状态图；
预处理模块：用于对所述相空间状态图进行预处理，去除坐标框，通过双矩形平移判定法获得完全包裹住相空间状态图的最小矩形框，统计所述最小矩形框中的像素点总和S，在所述最小矩形框内部取其中心点；
像素统计模块：用于以所述中心点为依据，将最小矩形框进行切分，得到左右两个部分，设置一个与所述最小矩形框成特定比例的矩形滑框，通过平移法分别在左右两个部分中找到使所述矩形滑框内像素点总和最小的框，此时所述矩形滑框中像素点总和分别记为S1、S2，计算
状态判定模块：用于设定临界比例u，当
则判定Duffing系统处于混沌状态；当
则判定Duffing系统处于大周期状态。
7.根据权利要求6所述基于混沌图像像素识别的Duffing系统大周期状态检测装置，其特征在于，所述模型构建模块中，Duffing振子弱信号检测系统模型为：
其中k为阻尼系数、-ωx+ωx3为非线性恢复力、f(cos(ωt))为驱动力幅值、s+t为输入信号。
8.根据权利要求6所述基于混沌图像像素识别的Duffing系统大周期状态检测装置，其特征在于，所述预处理模块具体包括：
去除坐标框单元：通过相空间状态图的分辨率，将相空间状态图的原始图像记为长为a、宽为b的图像，对所述图像进行二值化处理，在原始图像的左上角设置一个矩形像素条，采用双矩形平移判定法确定坐标框的边界，取所述坐标框的边界值作为新图像的大小，得到去除坐标框的新图像；
确定最小矩形框单元：在所述新图像左右两侧分别设置一个宽度为新图像上边界和下边界的差值、指定长度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的左边界和右边界；同理，在新图像的上侧和下侧分别设置一个长度为新图像左边界和右边界差值，指定宽度的单个像素条，逐步向相空间所处之处平移，直到检测到像素点的存在为止，确定最小矩形框的上边界和下边界，通过各边界的确定得到能完全包裹住相位图的最小矩形框；
统计计算单元：将最小矩形框左边界到原始图像左边界的差值记为N1，最小矩形框右边界到原始图像右边界的差值记为n1，最小矩形框上边界到原始图像上边界的差值记为M1，最小矩形框下边界到原始图像下边界的差值记为m1，同时该最小矩形框内的像素点的总和，记为S，在最小矩形框内部取其中心点C，此时C坐标为(X,Y)，其中
9.根据权利要求6所述基于混沌图像像素识别的Duffing系统大周期状态检测装置，其特征在于，所述像素统计模块具体包括：
切分截取单元：以最小矩形框长度的
处和宽度的
处和
处将最小矩形框进行切分，取图像宽度的
处和
处之间的部分为截取图像；
分布统计单元：在截取图像的左半部分内设置一个与所述最小矩形框成特定比例的矩形滑框，将所述矩形滑框在左半部分图像中从左上顶角处向右平移，直到移至该部分的边界处，此时将原顶角处的矩形滑框下移一个单位，向右平移，直到移至该部分的边界处，重复上述步骤，直至矩形滑框从左下顶角处向右平移至该部分边界处；取在平移的过程中，使所述矩形滑框内像素点总和最小的框，将框内像素点的总和记为S1；在截取图像的右半部分，同理找到一个使矩形滑框内所含像素点总和最小的框，将框内像素点的总和记为S2；统计像素分布
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515638.4A CN111881929B (zh) | 2020-06-09 | 2020-06-09 | 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010515638.4A CN111881929B (zh) | 2020-06-09 | 2020-06-09 | 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881929A true CN111881929A (zh) | 2020-11-03 |
| CN111881929B CN111881929B (zh) | 2023-12-08 |
Family
ID=73156489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010515638.4A Active CN111881929B (zh) | 2020-06-09 | 2020-06-09 | 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881929B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469974A (zh) * | 2021-07-05 | 2021-10-01 | 天津市三特电子有限公司 | 球团链篦机蓖板状态监测方法及其监测系统 |
| CN115294143A (zh) * | 2022-10-10 | 2022-11-04 | 雷锘家具(南通)有限公司 | 一种用于家具制造的板材平面自动打磨方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101004830A (zh) * | 2006-12-20 | 2007-07-25 | 北京理工大学 | 一种空域图像选择的鲁棒数字图像水印技术 |
| CN101692284A (zh) * | 2009-07-24 | 2010-04-07 | 西安电子科技大学 | 基于量子免疫克隆算法的三维人体运动跟踪方法 |
| CN101902560A (zh) * | 2010-04-28 | 2010-12-01 | 蒲亦非 | 数字图像的0～1阶黎曼-刘维尔分数阶微分增强电路 |
| CN108959689A (zh) * | 2018-04-26 | 2018-12-07 | 国网江苏省电力有限公司淮安供电分公司 | 基于改进型Duffing振子混沌模型的电动汽车充电桩谐波检测算法 |
| CN111125613A (zh) * | 2019-12-06 | 2020-05-08 | 江苏大学 | 一种提高Duffing混沌振子检测微弱谐振信号抗噪声能力的方法 |
| CN111190049A (zh) * | 2020-01-14 | 2020-05-22 | 洛阳师范学院 | 主分量分析的混沌系统检测纳伏级微弱正弦信号的方法 |
-
2020
- 2020-06-09 CN CN202010515638.4A patent/CN111881929B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101004830A (zh) * | 2006-12-20 | 2007-07-25 | 北京理工大学 | 一种空域图像选择的鲁棒数字图像水印技术 |
| CN101692284A (zh) * | 2009-07-24 | 2010-04-07 | 西安电子科技大学 | 基于量子免疫克隆算法的三维人体运动跟踪方法 |
| CN101902560A (zh) * | 2010-04-28 | 2010-12-01 | 蒲亦非 | 数字图像的0～1阶黎曼-刘维尔分数阶微分增强电路 |
| CN108959689A (zh) * | 2018-04-26 | 2018-12-07 | 国网江苏省电力有限公司淮安供电分公司 | 基于改进型Duffing振子混沌模型的电动汽车充电桩谐波检测算法 |
| CN111125613A (zh) * | 2019-12-06 | 2020-05-08 | 江苏大学 | 一种提高Duffing混沌振子检测微弱谐振信号抗噪声能力的方法 |
| CN111190049A (zh) * | 2020-01-14 | 2020-05-22 | 洛阳师范学院 | 主分量分析的混沌系统检测纳伏级微弱正弦信号的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469974A (zh) * | 2021-07-05 | 2021-10-01 | 天津市三特电子有限公司 | 球团链篦机蓖板状态监测方法及其监测系统 |
| CN115294143A (zh) * | 2022-10-10 | 2022-11-04 | 雷锘家具(南通)有限公司 | 一种用于家具制造的板材平面自动打磨方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881929B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109076198B (zh) | 基于视频的对象跟踪遮挡检测系统、方法和设备 | |
| KR100224752B1 (ko) | 표적 추적 방법 및 장치 | |
| Wang et al. | An efficient switching median filter based on local outlier factor | |
| CN108872997B (zh) | 一种基于侧扫声呐数据融合与精密处理的海底线检测方法 | |
| CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
| CN111222526B (zh) | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 | |
| CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
| CN111881929A (zh) | 基于混沌图像像素识别的Duffing系统大周期状态检测方法及装置 | |
| KR20080103311A (ko) | 감시 카메라 시스템에서 움직임을 검출하기 위한 실시간움직임 영역 분할 방법 및 장치 | |
| CN110263595B (zh) | 一种二维码检测方法及装置 | |
| CN108154516B (zh) | 面向封闭空间的点云拓扑分割方法及装置 | |
| US20220128358A1 (en) | Smart Sensor Based System and Method for Automatic Measurement of Water Level and Water Flow Velocity and Prediction | |
| CN110375736B (zh) | 智能设备的路径规划方法、系统、设备及可读存储介质 | |
| CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
| Nair et al. | Predictive-based adaptive switching median filter for impulse noise removal using neural network-based noise detector | |
| López | Improving the elevation accuracy of digital elevation models: a comparison of some error detection procedures | |
| CN110687548A (zh) | 一种基于无人船的雷达数据处理系统 | |
| CN113592914B (zh) | 红外弱小飞行目标自适应检测跟踪方法、装置 | |
| CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及系统 | |
| Hou et al. | Automatic detection of outliers in multibeam echo sounding data | |
| JPH07121703A (ja) | 画像処理方法 | |
| Lu et al. | Automatic outlier detection in multibeam bathymetric data using robust LTS estimation | |
| KR102556350B1 (ko) | 병변 면적비율 산출 방법 및 그를 위한 장치 | |
| Jia et al. | Fractional‐integral‐operator‐based improved SVM for filtering salt‐and‐pepper noise | |
| CN113570575A (zh) | 一种基于目标检测的钻探深度统计方法及系统 |
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 |