CN111932506B - 一种提取图像中非连续直线的方法 - Google Patents
一种提取图像中非连续直线的方法 Download PDFInfo
- Publication number
- CN111932506B CN111932506B CN202010713335.3A CN202010713335A CN111932506B CN 111932506 B CN111932506 B CN 111932506B CN 202010713335 A CN202010713335 A CN 202010713335A CN 111932506 B CN111932506 B CN 111932506B
- Authority
- CN
- China
- Prior art keywords
- point
- image
- points
- curve
- extraction
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明是一种提取图像中非连续直线的方法,涉及图像处理中非连续直线的提取,属于计算机视觉与图像处理领域。该方法针对图像中的非连续直线,利用了基于形态学处理的Steger中心线提取算法和结合曲线切割的RANSAC拟合算法的非连续直线提取方法。首先通过基于图像形态学处理的Steger算法实现非连续直线的连接及中心线提取,得到拟合直线所需的预备点集;再使用曲线切割算法将交叉曲线进行切割,去除交叉曲线对拟合结果的影响;最后利用RANSAC算法进行线性拟合得到最终提取结果。该方法解决了图像中非连续直线不能通过相邻像素点获取直线信息的问题;实现了非连续直线的连接及提取;可以应用于金属内部的缺陷检测,自然灾害影响判断,生物图像观察等方面。
Description
技术领域
本发明涉及计算机视觉与图像处理领域,具体涉及图像非连续直线提取技术。
背景技术
作为图像分割的基础任务,直线提取是图像处理中的一项重要内容,在多目标跟踪、人脸识别、道路提取和医学图像分析等方面都有着广泛的应用。对于具有连续性线条的结构学图像,如建筑,道路等中的直线信息提取已经有很多成熟的研究,常用的提取方法有Freeman链码法、梯度方向法、启发式搜索法、相位编组法和Hough变换等,这些提取算法的基本思路通常是:首先,使用合适的边缘检测算法检测图像边缘;然后,通过判断图像边缘相邻像素之间的关系来确定直线的成线点;最后,根据成线点进行进一步优化处理得到图像中的直线。传统的直线提取方法的关键步骤就是在对相邻像素之间关系的判定上,而在提取图像中非连续直线时,非连续直线的直线信息是断开的,所以相邻像素间信息并不能被直接利用,也就是非连续直线中的相邻像素在这些算法的判断下不会被判定为成线点,导致无法提取出其中的直线信息,所以传统的直线提取方法对于图像中的非连续直线提取并不适用。而许多物质的剖面结构,如金属、地震后的地块以及生物细胞等,存在大量非连续直线,其目标点离散但具有直线特征,这些信息的提取可以用于金属内部的缺陷检测,灾害影响判断,生物图像观察等方面,因此非连续直线的提取方法的研究是至关重要的。
发明内容
本发明为了解决图像中非连续直线因离散区域形状各异,相邻像素信息无关联而无法被识别提取的问题,提出了一种提取图像中非连续直线的方法。
本发明首先利用基于形态学处理的Steger中心线提取算法取出图像中线结构的中心线,得到直线提取的预备点集。其次,对待拟合曲线进行切割,根据对目标点是否为交叉点的判断结果,删除交叉点得到各不相交的曲线,去除相交曲线对拟合结果的影响。最后,利用RANSAC算法对预备点进行拟合,实现图像中非连续直线的提取。
本发明的图像非连续直线提取方法的步骤如下所示:
步骤一:图像预处理。对图像进行二值化处理,减少图像数据复杂性,利用滤波器去除多余信息,具体实现步骤为:
步骤A:对图像进行自适应性二值化,遍历图像像素点确定积分矩阵,并根据区域积分进行自适应性阈值设置,得到二值化图像,减少图像数据复杂性;
步骤B:判断目标像素点构成的连通域,将连通域中面积大小作为特征信息,利用滤波器去除多余信息,如单个的点及较小的目标图像;
步骤二:基于图像形态学的Steger中心线提取。利用膨胀图像的方法对目标像素点进行扩充,将离散直线连接起来形成不同连接域,再使用经典Steger算法提取图像中曲线中心线,具体实现步骤为:
步骤A:使用矩形结构元素对原始图像进行滑动卷积,将离散点进行边界轮廓扩充,使得离散直线可以相互连接;
步骤B:更新膨胀后图像的连通域,并用滤波器去除其中连接而成的大面积区域以及细小无用信息;
步骤C:遍历图像中目标像素点,使用Steger算法判断像素点是否为中线点,从而确定中心线点集,为后续步骤提供预备点;
步骤三:拟合预备点处理。滤波去除无用信息,细化曲线宽度至单像素,切割交叉曲线,具体实现步骤为:
步骤A:利用滤波去除其中较小的连通域,并对线连通域进行骨架提取形成单像素曲线,有效减少待处理数据;
步骤B:利用线切割算法在进行直线拟合前先对曲线进行切割,使相交曲线不能同时进行拟合,保证了最终拟合的准确性;
步骤四:在拟合预备点集中选取合适的连通域,使用RANSAC算法进行拟合得到直线方程,最后根据直线方程及预备点进行绘制得到图像中非连续直线的提取结果。
附图说明
图1是本发明方法的流程框图。
图2是本发明步骤一中的积分示意图。
图3是本发明步骤二中的中心线提取原理示意图。
图4是本发明的最终提取关键步骤结果示意图,从左到右分别为原始图像、二值化图像、膨胀图像、中心线提取、图像切割及最长线选择、提取结果。
具体实施方式
结合图1说明本实施方式,本实施方式的步骤如下:
步骤一:图像预处理。对图像进行二值化处理,减少图像数据复杂性,利用滤波器去除多余信息,具体实现步骤为:
步骤A:对图像进行自适应性二值化,遍历图像像素点确定积分矩阵(积分矩阵形式见图2),并根据区域积分进行自适应性阈值设置,得到二值化图像,减少图像数据复杂性;
步骤B:判断目标像素点构成的连通域,将连通域中面积大小作为特征信息,利用滤波器去除多余信息,如单个的点及较小的目标图像;
步骤二:基于图像形态学的Steger中心线提取。利用膨胀图像的方法对目标像素点进行扩充,将离散直线连接起来形成不同连接域,再使用经典Steger算法提取图像中曲线中心线,具体实现步骤为:
步骤A:使用矩形结构元素对原始图像进行滑动卷积,将离散点进行边界轮廓扩充,使得离散直线可以相互连接;
步骤B:更新膨胀后图像的连通域,并用滤波器去除其中连接而成的大面积区域以及细小无用信息;
步骤C:遍历图像中目标像素点,使用Steger算法判断像素点是否为中线点(中心点提取原理图见图3),从而确定中心线点集,为后续步骤提供预备点;
步骤三:拟合预备点处理。滤波去除无用信息,细化曲线宽度至单像素,切割交叉曲线,具体实现步骤为:
步骤A:利用滤波去除其中较小的连通域,并对线连通域进行骨架提取形成单像素曲线,有效减少待处理数据;
步骤B:利用线切割算法在进行直线拟合前先对曲线进行切割,使相交曲线不能同时进行拟合,保证了最终拟合的准确性;
步骤四:在拟合预备点集中选取合适的连通域,使用RANSAC算法进行拟合得到直线方程,最后根据直线方程及预备点进行绘制得到图像中非连续直线的提取结果(提取各步骤结果见图4)。
确定膨胀图像中每个连通域的大小及包含像素点并进行滤波处理:
解得:
通过上式可以得到上的极值点/>,该极值点就是曲线的中心亚像素位置,若/>,即中心亚像素位置与/>在同一像素内,即可判定/>为曲线的中心点,依次判断图像中的像素点是否为中心点,即可获得直线提取的预备点集。
步骤三的实现细节为:通过删除标记目标像素点完成线细化,像素标记过程如下:1、为每个目标像素点建立八邻接域/>和四邻接域/>;2、遍历目标像素点,并判断目标像素点是否为可删除点,若满足以下条件则可判定像素点/>为可删除点:a./>不全为目标像素点;b./>中至少有两个目标像素点;c./>连接数等于1;d.若像素点/>上邻接点被标记删除,则将其置为背景点后/>连接数等于1;e.若像素点/>左邻接点被标记删除,则将其置为背景点后/>连接数等于1;3、删除所有标记点;4、重复2,3步骤直到没有新的标记点;
切割预备点集中的交叉曲线,方法如下:
求解最小值可通过令一阶导为0求解:
所以:
拟合直线方程为:
Claims (1)
1.一种提取图像中非连续直线的方法,其特征在于,该方法首先利用基于形态学处理的Steger中心线提取算法取出图像中线结构的中心线,得到直线提取的预备点集;其次,对待拟合曲线进行切割,根据对目标点是否为交叉点的判断结果,删除交叉点得到各不相交的曲线,去除相交曲线对拟合结果的影响;最后,利用RANSAC算法对预备点进行拟合,实现图像中非连续直线的提取;具体步骤如下:
步骤一:图像预处理,对图像进行二值化处理,减少图像数据复杂性,利用滤波器去除多余信息,具体实现步骤为:
步骤A:对图像进行自适应性二值化,遍历图像像素点确定积分矩阵,并根据区域积分进行自适应性阈值设置,得到二值化图像,减少图像数据复杂性;自适应性二值化计算如下:
I为计算积分矩阵值,I(x,y)表示点(x,y)与原点(xc,yc)组成矩形的灰度值总和:
I(x,y)=A(x,y)+I(x-1,y)+I(x,y-1)-I(x-1,y-1) (1)
其中A(x,y)为像素点(x,y)的真实像素值,像素点(x,y)与其左上角像素点(x1,y1)构成一个矩形区域,根据积分矩阵计算阈值thf矩阵,公式如下:
当A(x,y)-thf(x,y)>thf(x,y)*k,像素点(x,y)为目标点,否则为背景点,其中k为阈值因子;
步骤B:判断目标像素点构成的连通域,将连通域中面积大小作为特征信息,利用滤波器去除多余信息,如单个的点及较小的目标图像;
步骤二:基于图像形态学的Steger中心线提取,利用膨胀图像的方法对目标像素点进行扩充,将离散直线连接起来形成不同连接域,再使用经典Steger算法提取图像中曲线中心线,具体实现步骤为:
步骤A:使用矩形结构元素对原始图像进行滑动卷积,将离散点进行边界轮廓扩充,使得离散直线可以相互连接;
步骤B:更新膨胀后图像的连通域,并用滤波器去除其中连接而成的大面积区域以及细小无用信息;
步骤C:遍历图像中目标像素点,使用Steger算法判断像素点是否为中线点,从而确定中心线点集,为后续步骤提供预备点;中心线提取方式如下:
对于曲线f(x,y)上的任意一点(x0,y0),Hessian矩阵可以表示为:
其中dxx,dxy,dyy表示f(x,y)在(x0,y0)处的二阶导数;求解Hessian矩阵最大特征值对应的特征向量(nx,ny),该向量方向为曲线的法线方向,在法线方向进行泰勒展开得到曲线横截线l的近似方程:
其中fl'(x0,y0)与fl”(x0,y0)表示像素点(x0,y0)在(nx,ny)上的方向导数,令曲线横截线方程一阶导等于0:
g′t(x0+tnx,y0+tny)=fl'(x0,y0)+fl”(x0,y0)t=0 (5)
解得:
通过上式可以得到l上的极值点(x0+tnx,y0+tny),该极值点就是曲线的中心亚像素位置,若(tnx,tny)∈[-0.5,0.5]*[-0.5,0.5],即中心亚像素位置与(x0,y0)在同一像素内即可判定(x0,y0)为曲线的中心点,依次判断图像中的像素点是否为中心点,即可获得直线提取的预备点集;
步骤三:首先,利用滤波去除其中较小的连通域,并对线连通域进行骨架提取形成单像素曲线,有效减少待处理数据;其次,利用线切割算法在进行直线拟合前先对曲线进行切割,使相交曲线不能同时进行拟合,保证了最终拟合的准确性;具体实现步骤为:
步骤A:通过删除标记目标像素点完成线细化,像素标记过程如下:a)为每个目标像素点p建立八邻接域Conp8和四邻接域Conp4;b)遍历目标像素点,并判断目标像素点是否为可删除点,若满足以下条件则可判定目标像素点p为可删除点:Conp4不全为目标像素点;Conp8中至少有两个目标像素点;Conp8连接数等于1;若目标像素点p上邻接点被标记删除,则将其置为背景点后Conp8连接数等于1;若目标像素点p左邻接点被标记删除,则将其置为背景点后Conp8连接数等于1;c)删除所有标记点;d)重复b、c步骤直到没有新的标记点;
其中Conp8连接数计算公式如下:
其中Xi表示p的四邻接域像素,Xi+1,Xi+2表示p的八邻接域中Xi的后续点;
步骤B:切割预备点集中的交叉曲线,方法如下:
首先计算删除矩阵s,像素点p(x,y)对应删除矩阵中s(x,y):
步骤四:在拟合预备点集中选取合适的连通域,使用RANSAC算法进行拟合得到直线方程,最后根据直线方程及预备点进行绘制得到图像中非连续直线的提取结果,具体实现步骤为:
在连接域Con中循环选择包含内点最多的初始点(x1',y1'),(x2',y2'),并根据两点式判定初始直线方程y=f0(x),由所有内点{(x1',y1'),(x2',y2'),...,(xn',yn')}通过最小二乘法拟合得到新的直线方程y=f1(x):
最小二乘的矩阵形式就是求解ω:
求解最小值可通过令一阶导为0求解:
所以:
ω=(XTX)-1XTY (12)
拟合直线方程为:
y=f1(x)=a1x+b1 (13)
根据直线方程y=f1(x)扩充内点集合并再次通过最小二乘法拟合得到最后结果y=f2(x),最后根据拟合模型y=f2(x)以及初始点(x1',y1'),(x2',y2'),在原始图像中绘制得到提取直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713335.3A CN111932506B (zh) | 2020-07-22 | 2020-07-22 | 一种提取图像中非连续直线的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713335.3A CN111932506B (zh) | 2020-07-22 | 2020-07-22 | 一种提取图像中非连续直线的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932506A CN111932506A (zh) | 2020-11-13 |
CN111932506B true CN111932506B (zh) | 2023-07-14 |
Family
ID=73314318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713335.3A Active CN111932506B (zh) | 2020-07-22 | 2020-07-22 | 一种提取图像中非连续直线的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932506B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950665B (zh) * | 2021-02-01 | 2022-09-02 | 武汉大学 | 一种曲线状目标半自动提取方法及系统 |
CN112884750B (zh) * | 2021-03-04 | 2022-03-25 | 湖州点彩智能科技有限公司 | 一种基于gpu的素色织物折痕提取方法 |
CN113804702B (zh) * | 2021-10-28 | 2024-07-09 | 江西电信信息产业有限公司 | 一种基于视觉智能分析的铜线排线检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692188A (zh) * | 2012-05-08 | 2012-09-26 | 浙江工业大学 | 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法 |
CN103673923A (zh) * | 2013-12-25 | 2014-03-26 | 裘钧 | 基于数字图像处理的曲线纤维网络结构形貌特征测量方法 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
CN105180890A (zh) * | 2015-07-28 | 2015-12-23 | 南京工业大学 | 融合激光点云和数字影像的岩体结构面产状测量方法 |
CN107330906A (zh) * | 2017-06-28 | 2017-11-07 | 江南大学 | 基于曲线拟合的改进细化算法 |
WO2019119752A1 (zh) * | 2017-12-21 | 2019-06-27 | 海信集团有限公司 | 一种障碍物识别方法和终端 |
WO2019137065A1 (zh) * | 2018-01-12 | 2019-07-18 | 京东方科技集团股份有限公司 | 图像处理方法、装置、车载抬头显示系统及车辆 |
CN110210409A (zh) * | 2019-06-04 | 2019-09-06 | 南昌市微轲联信息技术有限公司 | 表格单据中表格框线检测方法及系统 |
CN110544203A (zh) * | 2019-07-30 | 2019-12-06 | 华东师范大学 | 一种运动最小二乘法与线约束相结合的视差图像拼接方法 |
CN110866924A (zh) * | 2019-09-24 | 2020-03-06 | 重庆邮电大学 | 一种线结构光中心线提取方法及存储介质 |
CN111222418A (zh) * | 2019-12-24 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种车道线的多道路片段的众包数据快速融合优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407893B (zh) * | 2016-08-29 | 2019-11-22 | 东软集团股份有限公司 | 一种检测车道线的方法、装置和设备 |
CN106200047B (zh) * | 2016-08-29 | 2019-03-22 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
AU2017254859A1 (en) * | 2017-10-31 | 2019-05-16 | Canon Kabushiki Kaisha | Method, system and apparatus for stabilising frames of a captured video sequence |
CN108364280B (zh) * | 2018-01-03 | 2022-04-15 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
-
2020
- 2020-07-22 CN CN202010713335.3A patent/CN111932506B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692188A (zh) * | 2012-05-08 | 2012-09-26 | 浙江工业大学 | 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法 |
CN103673923A (zh) * | 2013-12-25 | 2014-03-26 | 裘钧 | 基于数字图像处理的曲线纤维网络结构形貌特征测量方法 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
CN105180890A (zh) * | 2015-07-28 | 2015-12-23 | 南京工业大学 | 融合激光点云和数字影像的岩体结构面产状测量方法 |
CN107330906A (zh) * | 2017-06-28 | 2017-11-07 | 江南大学 | 基于曲线拟合的改进细化算法 |
WO2019119752A1 (zh) * | 2017-12-21 | 2019-06-27 | 海信集团有限公司 | 一种障碍物识别方法和终端 |
WO2019137065A1 (zh) * | 2018-01-12 | 2019-07-18 | 京东方科技集团股份有限公司 | 图像处理方法、装置、车载抬头显示系统及车辆 |
CN110210409A (zh) * | 2019-06-04 | 2019-09-06 | 南昌市微轲联信息技术有限公司 | 表格单据中表格框线检测方法及系统 |
CN110544203A (zh) * | 2019-07-30 | 2019-12-06 | 华东师范大学 | 一种运动最小二乘法与线约束相结合的视差图像拼接方法 |
CN110866924A (zh) * | 2019-09-24 | 2020-03-06 | 重庆邮电大学 | 一种线结构光中心线提取方法及存储介质 |
CN111222418A (zh) * | 2019-12-24 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种车道线的多道路片段的众包数据快速融合优化方法 |
Non-Patent Citations (6)
Title |
---|
"Adaptive thresholding using the integral image";DEREK B等;《Journal of Graphics Tools》;第12卷(第2期);第13-21页 * |
"Astraight line detection method based on edge following and line segmentats integration";Li J Z等;《IEEE International Conference on Software Engineering and Service Science》;第297-300页 * |
"Fast straight line detection method based on directional coding";Luo S Y等;《International Conference on Computer Science》;第1-15页 * |
"基于帧间匹配去噪的角接焊缝识别";谢盛等;《电焊机》;第50卷(第6期);第48-53页 * |
"多种空间直线拟合方法应用分析";包建强等;《测绘科学》;第45卷(第5期);第132-139页及第151页 * |
刘滢滢等."基于交叉点域的直线矢量化算法".《科技信息》.2008,(第3期),第109-110页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111932506A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932506B (zh) | 一种提取图像中非连续直线的方法 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
CN106934795B (zh) | 一种混凝土桥梁裂缝的自动检测方法和预测方法 | |
Isikdogan et al. | Automatic channel network extraction from remotely sensed images by singularity analysis | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN110399840B (zh) | 一种快速的草坪语义分割及边界检测方法 | |
CN108564588B (zh) | 一种基于深度特征和图割法的建成区自动提取方法 | |
Han et al. | An advanced Otsu method integrated with edge detection and decision tree for crack detection in highway transportation infrastructure | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN114677601A (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
CN110097524B (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CN116718599B (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
Bhadoria et al. | Image segmentation techniques for remote sensing satellite images | |
CN115457277A (zh) | 一种智能化路面病害识别检测方法及系统 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
Zhao et al. | Analysis of image edge checking algorithms for the estimation of pear size | |
CN107564024B (zh) | 基于单侧聚集线段的sar图像聚集区域提取方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN116958837A (zh) | 基于无人机的市政设施故障检测系统 | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN116823940A (zh) | 一种三维场景移动物体检测方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Shi Xuelei Inventor after: Liu Yiguang Inventor after: Yang Yan Inventor after: Tang Zixin Inventor before: Liu Yiguang Inventor before: Yang Yan Inventor before: Tang Zixin |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |