CN112580385A - 一种基于多帧图像融合和非局部均值滤波的条码解码方法 - Google Patents
一种基于多帧图像融合和非局部均值滤波的条码解码方法 Download PDFInfo
- Publication number
- CN112580385A CN112580385A CN202011621253.2A CN202011621253A CN112580385A CN 112580385 A CN112580385 A CN 112580385A CN 202011621253 A CN202011621253 A CN 202011621253A CN 112580385 A CN112580385 A CN 112580385A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- decoding
- bright spot
- blocks
- 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 30
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000001914 filtration Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000000654 additive Substances 0.000 claims abstract description 7
- 230000000996 additive effect Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 241000287196 Asthenes Species 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
- G06K7/1465—Methods for optical code recognition the method including quality enhancement steps using several successive scans of the optical code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
发明公开了一种基于多帧图像融合和非局部均值滤波的条码解码方法,属于图像处理技术领域,其解码流程为:每固定的一段时间处理一帧采集图像,当连续六帧解码均失败,且解码算法返回结果表示成功定位到二维码或条码,此时对这六帧采集图像分别进行过曝亮斑区域检测,根据像素点权值进行均值处理,获得融合图像Ι,以降低加性随机噪声,若融合图像Ι解码失败,且返回解码结果仍为解码失败,但定位成功,则进行NLM处理,然后再次解码,采用连续多帧图像融合进行解码,通过非局部均值去噪算法利用图像中任一像素点及其邻域组成的图像块在图像中存在许多与其相似或相同的图像块的特点,在较大区域内寻找相似图像块,用于噪声去除,避免丢失条码的细节。
Description
技术领域
发明涉及图像处理技术领域,特别涉及一种基于多帧图像融合和非局部均值滤波的条码解码方法。
背景技术
图像采集装置(相机)识别条码过程中,识别流程通常为上一帧识别结束后再识别下一帧(两帧不一定相连),在此过程中,图像采集装置获取的图像可能存在对焦模糊和噪声等现象,同时考虑扫码过程中还存在手动对焦的动作,影响图像的获取,中间仅有不到50%的图像可用,这种情况下可能仅采集到模糊图像和含噪声的图像,导致解码时间过长。此时为提高解码性能,可将连续多帧图像融合用于解码,考虑到图像采集时可能存在因过曝产生的亮斑情形,为避免图像融合丢失信息,需要先检测过曝区域。同时考虑到图像采集时可能存在大量噪声,因此联合后的图像需要进行非局部均值滤波。针对解码过程中采集图像可能存在的噪声和过曝情形,本发明提出一种基于连续多帧图像和非局部均值滤波的条码解码方法,可以有效抑制解码图像的噪声,消除因过曝产生的亮斑。
发明内容
为了克服现有技术存在的缺陷,解决在扫码过程中受对焦和噪音影响,仅采集到含噪声图像的问题,本发明提供一种基于多帧图像融合和非局部均值滤波(NLM)的条码解码(识别)方法。
发明解决其技术问题所采用的技术方案是:一种基于多帧图像融合和非局部均值滤波的条码解码方法,其解码流程为:每固定的一段时间处理一帧采集图像,当连续六帧解码均失败,且解码算法返回结果表示成功定位到二维码或条码,此时对这六帧采集图像分别进行过曝亮斑区域检测,根据像素点权值进行均值处理,获得融合图像Ι,以降低加性随机噪声,若融合图像Ι解码失败,且返回解码结果仍为解码失败,但定位成功,则进行NLM处理,然后再次解码。
作为优选,在扫码过程中,若条码所在区域若亮度较低,需打开闪光灯配合解码,若条码为反光介质,为避免反光在图像中产生亮斑导致解码失败,针对该此情形,采取以下措施:
S1、调整亮斑在采集图像上的位置,设置左右两闪光灯,解码时依次打开左闪光灯,右闪光灯以及同时打开左闪光灯和右闪光灯,此时即便因为反光介质产生亮斑,也可以连续确保连续三帧采集图像内亮斑所在位置不同,避免出现缺失;
S2、检测采集图像的亮斑区域;
a)亮斑像素点筛选标准
根据拉伊达准则,如果像素点的灰度值大于图像的平均灰度值,且偏差超过n倍标准差则认为该像素点为亮斑点,因此该筛选阈值的计算方法如下式所示:
G=μ+nσ (1)
其中μ为平均像素值,σ为标准差,n取值范围为2.6~3.2;
b)根据面积筛选亮斑区域
对亮斑像素点进行区域生长,生长准则为八邻域内连接,统计生长区域的像素数量,作为亮斑面积;若亮斑面积大于100,则认为该区域为亮斑区域,标记该区域内所有像素点。
作为优选,对于图像采集装置采集到的图像,可以表示为原始图像和加性噪声的叠加,如公式所示:
g(x,y)=f(x,y)+η(x,y) (2)
其中,g(x,y)为采集图像,f(x,y)为原始图像,η(x,y)为噪声,该噪声在空间域互不相关;
对于同一个场景下拍摄的多张图像,fi(x,y)相同,而ηi(x,y)是随机的且互不相关,故相同场景下连续k帧图像的均值如公式(3)所示:
由于噪声随机且互不相关,可求得均值图像的期望和标准差如下:
由公式知,多帧均值图像的期望为原始图像,故在这里取连续六帧图像的均值进行解码;
作为优选,给定像素i,图像块N(i)是像素i以为中心,大小为n×n的图像子块,N(j)是N(i)的邻域内以j为中心,n×n大小为的图像子块,考虑到存在旋转相似的图像子块,为更好度量图像子块相似性,对非局部均值滤波的相似性度量方法进行改进,以便发掘图像中的相似结构;
获取候选集,建立图像字典,将每个像素点的图像子块按灰度均值进行排序,并存入图像字典中,图像子块N(i)、N(j)按灰度值进行排序后分别为N′(i)、 N′(j),则如公式(6)所示,像素i,j为中心的图像子块间排序后的高斯加权欧式距离d1为:
其中,a为高斯核函数的标准差,使用高斯核对图像块进行卷积处理,能够降低噪声对距离计算的影响并突出图像块中心在像素块中的作用;d1(i,j)表示两图像块之间的高斯加权欧式距离;
计算像素i的所有邻域图像子块的距离后,将搜索窗口内所有d1进行排序,取前50%为候选集图像块;
图像子块旋转后表示如下:
其中,R(N(i),θ(k))为图像块的旋转算子,θ(k)为第k次旋转角度。
作为优选,N(i)与N(j)之间的距离越小,即像素i与像素j越相似,如公式(9) 所示,累加恢复时像素j赋予的权值也越大;
其中,h为控制平滑程度的滤波参数。
其中,I表示以像素i为中心的搜索邻域,w(i,j)为加权平均时,像素j对应的加权系数。
发明的有益效果是:传统的局部去噪和变换域去噪算法,在去除噪声的同时,能够恢复图像的主要集合结构信息,但对精细结构、细节信息表现出相同的特性,从而在去噪过程中容易丢失条码的细节,本发明通过采用连续多帧图像融合进行解码,以及通过调整亮斑在采集图像上的位置、多帧图像融合,消除亮斑对图像融合的影响,采用非局部均值去噪算法利用图像中任一像素点及其邻域组成的图像块在图像中存在许多与其相似或相同的图像块的特点,在较大区域内寻找相似图像块,用于噪声去除,避免丢失条码的细节。
附图说明
图1为发明实施例的结构示意图;
图2为发明实施例示例中打开左闪光灯的亮斑所处位置示意图;
图3为发明实施例示例中打开右闪光灯的亮斑所处位置示意图;
图4为发明实施例示例中同时打开左闪光灯和右闪光灯的亮斑所处位置示意图;
图5为发明实施例示例中的第一帧采集图像;
图6为发明实施例示例中的第二帧采集图像;
图7为发明实施例示例中的第三帧采集图像;
图8为发明实施例示例中的第四帧采集图像;
图9为发明实施例示例中的第五帧采集图像;
图10为发明实施例示例中的第六帧采集图像;
图11为发明实施例示例中连续六帧采集图像的均值图像;
图12为发明实施例的流程示意图。
具体实施方式
下面结合附图对发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解发明,但并不构成对发明的限定。此外,下面所描述的发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
如附图所示,发明提供的一种基于多帧图像融合和非局部均值滤波的条码解码方法,其解码流程为:每固定的一段时间处理一帧采集图像,即相机摄像头获取的图像,当连续六帧解码均失败,且解码算法返回结果表示成功定位到二维码或条码,此时对这六帧采集图像分别进行过曝亮斑区域检测,根据像素点权值进行均值处理,获得融合图像Ι,以降低加性随机噪声,若融合图像Ι解码失败,且返回解码结果仍为解码失败,但定位成功,则进行NLM处理,然后再次解码。
进一步的,在扫码过程中,若条码实际所在区域若亮度较低,有时需打开闪光灯配合解码,若条码为反光介质,为避免反光在图像中产生亮斑导致解码失败,针对该此情形,采取以下措施:
S1、调整亮斑在采集图像上的位置,设置左右两闪光灯,解码时依次打开左闪光灯,右闪光灯以及同时打开左闪光灯和右闪光灯,此时即便因为反光介质产生亮斑,也可以连续确保连续三帧采集图像内亮斑所在位置不同,避免出现缺失;
S2、检测采集图像的亮斑区域;
a)亮斑像素点筛选标准
根据拉伊达准则,如果像素点的灰度值大于图像的平均灰度值,且偏差超过n倍标准差则认为该像素点为亮斑点,因此该筛选阈值的计算方法如下式所示:
G=μ+nσ (1)
其中μ为平均像素值,σ为标准差,n取值范围为2.6~3.2,在本实施例中取值为3;
b)根据面积筛选亮斑区域
对亮斑像素点进行区域生长,生长准则为八邻域内连接,统计生长区域的像素数量,作为亮斑面积;若亮斑面积大于100,则认为该区域为亮斑区域,标记该区域内所有像素点。
进一步的,对于图像采集装置采集到的图像,可以表示为原始图像和加性噪声的叠加,如公式所示:
g(x,y)=f(x,y)+η(x,y) (2)
其中,g(x,y)为采集图像,f(x,y)为原始图像,η(x,y)为噪声,该噪声在空间域互不相关;
对于同一个场景下拍摄的多张图像,fi(x,y)相同,而ηi(x,y)是随机的且互不相关,故相同场景下连续k帧图像的均值如公式(3)所示:
由于噪声随机且互不相关,可求得均值图像(即多帧图像融合后获得的图像)的期望和标准差如下:
由公式知,多帧均值图像的期望为原始图像,故在这里取连续六帧图像的均值进行解码;
进一步的,给定像素i,图像块N(i)是像素i以为中心,大小为n×n的图像子块,N(j)是N(i)的邻域内以j为中心,n×n大小为的图像子块,考虑到存在旋转相似的图像子块,为更好度量图像子块相似性,对非局部均值滤波的相似性度量方法进行改进,以便发掘图像中的相似结构;
获取候选集,建立图像字典,将每个像素点的图像子块按灰度均值进行排序,并存入图像字典中,图像子块N(i)、N(j)按灰度值进行排序后分别为N′(i)、 N′(j),则如公式(6)所示,像素i,j为中心的图像子块间排序后的高斯加权欧式距离d1为:
其中,a为高斯核函数的标准差,使用高斯核对图像块进行卷积处理,能够降低噪声对距离计算的影响并突出图像块中心在像素块中的作用;d1(i,j)表示两图像块之间的高斯加权欧式距离;
计算像素i的所有邻域图像子块的距离后,将搜索窗口内所有d1进行排序,取前50%为候选集图像块;
图像子块旋转后表示如下:
其中,R(N(i),θ(k))为图像块的旋转算子,θ(k)为第k次旋转角度。
进一步的,N(i)与N(j)之间的距离越小,即像素i与像素j越相似,如公式(9) 所示,累加恢复时像素j赋予的权值也越大;
其中,h为控制平滑程度的滤波参数。
其中,I表示以像素i为中心的搜索邻域,w(i,j)为加权平均时,像素j对应的加权系数。
传统的局部去噪和变换域去噪算法,在去除噪声的同时,能够恢复图像的主要集合结构信息,但对精细结构、细节信息表现出相同的特性,从而在去噪过程中容易丢失条码的细节,本发明通过采用连续多帧图像融合进行解码,以及通过调整亮斑在采集图像上的位置、多帧图像融合,消除亮斑对图像融合的影响,采用非局部均值去噪算法利用图像中任一像素点及其邻域组成的图像块在图像中存在许多与其相似或相同的图像块的特点,在较大区域内寻找相似图像块,用于噪声去除,避免丢失条码的细节。
具体的以实际示例进行演示,参见图1-3,其依次为扫码过程中,打开左闪光灯、打开右闪光灯以及同时打开左闪光灯右闪光灯时,亮斑在图像中所处的位置;参见图4-9,其为连续的六帧采集图像(含噪音),参见图10,其为连续六帧采集图像的均值图像,取NLM算法的搜索窗口为11×11,邻域窗口大小为 5×5,高斯平滑参数h=10滤波结果如图11所示。
以上结合附图对发明的实施方式作了详细说明,但发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入发明的保护范围内。
Claims (6)
1.一种基于多帧图像融合和非局部均值滤波的条码解码方法,其特征在于,其解码流程为:
每固定的一段时间处理一帧采集图像,当连续六帧解码均失败,且解码算法返回结果表示成功定位到二维码或条码,此时对这六帧采集图像分别进行过曝亮斑区域检测,根据像素点权值进行均值处理,获得融合图像Ι,以降低加性随机噪声,若融合图像Ι解码失败,且返回解码结果仍为解码失败,但定位成功,则进行NLM处理,然后再次解码。
2.根据权利要求1所述的基于多帧图像融合和非局部均值滤波的条码解码方法,其特征在于,在扫码过程中,若条码所在区域若亮度较低,需打开闪光灯配合解码,若条码为反光介质,为避免反光在图像中产生亮斑导致解码失败,针对该此情形,采取以下措施:
S1、调整亮斑在采集图像上的位置,设置左右两闪光灯,解码时依次打开左闪光灯,右闪光灯以及同时打开左闪光灯和右闪光灯;
S2、检测采集图像的亮斑区域;
a)亮斑像素点筛选标准
根据拉伊达准则,如果像素点的灰度值大于图像的平均灰度值,且偏差超过n倍标准差则认为该像素点为亮斑点,因此该筛选阈值的计算方法如下式所示:
G=μ+nσ (1)
其中μ为平均像素值,σ为标准差,n的取值范围为2.6~3.2;
b)根据面积筛选亮斑区域
对亮斑像素点进行区域生长,生长准则为八邻域内连接,统计生长区域的像素数量,作为亮斑面积;若亮斑面积大于100,则认为该区域为亮斑区域,标记该区域内所有像素点。
3.根据权利要求2所述的基于多帧图像融合和非局部均值滤波的条码解码方法,其特征在于,对于图像采集装置采集到的图像,可以表示为原始图像和加性噪声的叠加,如公式所示:
g(x,y)=f(x,y)+η(x,y) (2)
其中,g(x,y)为采集图像,f(x,y)为原始图像,η(x,y)为噪声,该噪声在空间域互不相关;
对于同一个场景下拍摄的多张图像,fi(x,y)相同,而ηi(x,y)是随机的且互不相关,故相同场景下连续k帧图像的均值如公式(3)所示:
由于噪声随机且互不相关,可求得均值图像的期望和标准差如下:
由公式知,多帧均值图像的期望为原始图像,故在这里取连续六帧图像的均值进行解码;
4.根据权利要求3所述的基于多帧图像融合和非局部均值滤波的条码解码方法,其特征在于,给定像素i,图像块N(i)是像素i以为中心,大小为n×n的图像子块,N(j)是N(i)的邻域内以j为中心,n×n大小为的图像子块;
获取候选集,建立图像字典,将每个像素点的图像子块按灰度均值进行排序,并存入图像字典中,图像子块N(i)、N(j)按灰度值进行排序后分别为N′(i)、N′(j),则如公式(6)所示,像素i,j为中心的图像子块间排序后的高斯加权欧式距离d1为:
其中,a为高斯核函数的标准差,使用高斯核对图像块进行卷积处理,能够降低噪声对距离计算的影响并突出图像块中心在像素块中的作用;d1(i,j)表示两图像块之间的高斯加权欧式距离;
计算像素i的所有邻域图像子块的距离后,将搜索窗口内所有d1进行排序,取前50%为候选集图像块;
图像子块旋转后表示如下:
其中,R(N(i),θ(k))为图像块的旋转算子,θ(k)为第k次旋转角度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011621253.2A CN112580385B (zh) | 2020-12-31 | 2020-12-31 | 一种基于多帧图像融合和非局部均值滤波的条码解码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011621253.2A CN112580385B (zh) | 2020-12-31 | 2020-12-31 | 一种基于多帧图像融合和非局部均值滤波的条码解码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580385A true CN112580385A (zh) | 2021-03-30 |
CN112580385B CN112580385B (zh) | 2022-05-10 |
Family
ID=75144929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011621253.2A Active CN112580385B (zh) | 2020-12-31 | 2020-12-31 | 一种基于多帧图像融合和非局部均值滤波的条码解码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580385B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298764A (zh) * | 2021-05-11 | 2021-08-24 | 合肥富煌君达高科信息技术有限公司 | 基于图像噪声分析的高速相机成像质量分析方法 |
CN115150564A (zh) * | 2022-09-05 | 2022-10-04 | 珠海翔翼航空技术有限公司 | 图像成像方法及装置 |
CN117236859A (zh) * | 2023-11-10 | 2023-12-15 | 青岛冠成软件有限公司 | 一种冷链物流仓储监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100103194A1 (en) * | 2008-10-27 | 2010-04-29 | Huawei Technologies Co., Ltd. | Method and system for fusing images |
CN106204462A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 基于图像多特征融合的非局部均值去噪方法 |
CN109978808A (zh) * | 2019-04-25 | 2019-07-05 | 北京迈格威科技有限公司 | 一种用于图像融合的方法、装置和电子设备 |
WO2019183813A1 (zh) * | 2018-03-27 | 2019-10-03 | 华为技术有限公司 | 一种拍摄方法及设备 |
-
2020
- 2020-12-31 CN CN202011621253.2A patent/CN112580385B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100103194A1 (en) * | 2008-10-27 | 2010-04-29 | Huawei Technologies Co., Ltd. | Method and system for fusing images |
CN106204462A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 基于图像多特征融合的非局部均值去噪方法 |
WO2019183813A1 (zh) * | 2018-03-27 | 2019-10-03 | 华为技术有限公司 | 一种拍摄方法及设备 |
CN109978808A (zh) * | 2019-04-25 | 2019-07-05 | 北京迈格威科技有限公司 | 一种用于图像融合的方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
吴蕊: "基于卷积神经网络的多曝光HDR成像算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298764A (zh) * | 2021-05-11 | 2021-08-24 | 合肥富煌君达高科信息技术有限公司 | 基于图像噪声分析的高速相机成像质量分析方法 |
CN113298764B (zh) * | 2021-05-11 | 2022-06-14 | 合肥富煌君达高科信息技术有限公司 | 基于图像噪声分析的高速相机成像质量分析方法 |
CN115150564A (zh) * | 2022-09-05 | 2022-10-04 | 珠海翔翼航空技术有限公司 | 图像成像方法及装置 |
CN117236859A (zh) * | 2023-11-10 | 2023-12-15 | 青岛冠成软件有限公司 | 一种冷链物流仓储监测方法 |
CN117236859B (zh) * | 2023-11-10 | 2024-01-26 | 青岛冠成软件有限公司 | 一种冷链物流仓储监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112580385B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580385B (zh) | 一种基于多帧图像融合和非局部均值滤波的条码解码方法 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN113591967B (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
CN106815821B (zh) | 近红外图像的去噪方法和装置 | |
CN102479383B (zh) | 椒盐噪声去除方法及装置 | |
CN103337053B (zh) | 一种基于开关非局部全变分的椒盐噪声污染图像滤波方法 | |
CN110610150B (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
CN109064418B (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN110992288B (zh) | 一种用于矿山井筒环境下的视频图像盲去噪方法 | |
JP6811217B2 (ja) | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN109949227A (zh) | 图像拼接方法、系统及电子设备 | |
CN111091111A (zh) | 一种车底危险目标识别方法 | |
CN110324617B (zh) | 图像处理方法及装置 | |
CN117437219B (zh) | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 | |
CN113012157A (zh) | 一种设备缺陷视觉检测方法及系统 | |
CN108647550A (zh) | 一种基于机器学习的二维码模糊聚类识别方法及系统 | |
CN114022823A (zh) | 一种遮挡驱动的行人再识别方法、系统及可存储介质 | |
CN115526781A (zh) | 一种基于图像重叠区域的拼接方法、系统、设备及介质 | |
CN112581481B (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN112330618B (zh) | 图像偏移检测方法、设备及存储介质 | |
CN112785514A (zh) | 一种快速条码图像运动消减方法 | |
CN116912115A (zh) | 一种水下图像自适应增强方法、系统、设备及存储介质 | |
CN116563306A (zh) | 自适应火灾痕迹光谱图像分割方法及系统 | |
RU2405200C2 (ru) | Способ и устройство быстрого фильтрования шума цифровых изображений |
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 |