CN112752093B - 视频条纹检测方法、装置、存储介质及电子装置 - Google Patents
视频条纹检测方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN112752093B CN112752093B CN202011569021.7A CN202011569021A CN112752093B CN 112752093 B CN112752093 B CN 112752093B CN 202011569021 A CN202011569021 A CN 202011569021A CN 112752093 B CN112752093 B CN 112752093B
- Authority
- CN
- China
- Prior art keywords
- line segment
- longest average
- straight lines
- determining
- average line
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Abstract
本发明提供了一种视频条纹检测方法、装置、存储介质及电子装置,该方法包括:获取目标视频图像的X梯度图与Y梯度图;分别对该X梯度图与该Y梯度图进行霍夫直线检测,得到霍夫空间中该X梯度图对应的所有直线、该霍夫空间中该Y梯度图对应的所有直线;确定该霍夫空间中该X梯度图对应的所有直线的第一最长平均线段,并确定该霍夫空间中该Y梯度图对应的所有直线的第二最长平均线段;根据该第一最长平均线段与该第二最长平均线段对该目标视频图像的条纹进行检测,可以解决相关技术中通过异常亮点判断是否存在条纹,算法易受到其他噪声干扰,鲁棒性低,且不适合监控复杂场景的问题,具有高灵敏度,强鲁棒性且适用于复杂场景。
Description
技术领域
本发明涉及视频处理领域,具体而言,涉及一种视频条纹检测方法、装置、存储介质及电子装置。
背景技术
随着全国平安城市建设的推广,一个中等城市监控系统摄像机的数量多达数万台,如何对这些监控系统的质量进行评估已经成为亟待解决的问题,目前大部分视频监控系统面临着高效实时性智能分析与低效滞后的人工故障排查的矛盾,监控视频条纹检测可以为此提供有效的解决方案。
在视频图像中由于电磁干扰、传输故障等会造成视频画面出线条带、网状、雪花等噪声,从而导致视频图像中出线条状的干扰信息,而这种条纹会遮挡画面内容,导致无法看清画面。因此,通过视频条纹检测系统对监控条纹进行检测,可及时避免画面出现条纹,导致画面内容缺失的情况。
相关技术中提出对灰度图傅里叶变换,通过统计频谱图中异常亮点数目和分布,判断是否存在条纹。通过异常亮点判断是否存在条纹,算法易受到其他噪声干扰,鲁棒性低,不适合监控复杂场景。
针对相关技术中通过异常亮点判断是否存在条纹,算法易受到其他噪声干扰,鲁棒性低,且不适合监控复杂场景的问题,尚未提出解决方案。
发明内容
本发明实施例提供了一种视频条纹检测方法、装置、存储介质及电子装置,以至少解决相关技术中通过异常亮点判断是否存在条纹,算法易受到其他噪声干扰,鲁棒性低,且不适合监控复杂场景的问题。
根据本发明的一个实施例,提供了一种视频条纹检测方法,包括:
获取目标视频图像的X梯度图与Y梯度图;
分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线;
确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段;
根据所述第一最长平均线段与所述第二最长平均线段对所述目标视频图像的条纹进行检测。
可选地,根据所述第一最长平均线段与所述第二最长平均线段对所述目标视频图像的条纹进行检测包括:
确定所述第一最长平均线段的长度与所述第二最长平均线段的长度;
根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果,其中,所述检测结果为存在条纹或不存在条纹。
可选地,根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果包括:
判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;
在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第二预设值;
在所述长度差值大于或等于所述第二预设值的情况下,确定检测结果为存在条纹;
在所述第一最长平均线段的长度或所述第二最长平均线段的长度小于所述第一预设值,或者所述长度差值小于所述第二预设值的情况下,确定所述检测结果为不存在条纹。
可选地,根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果包括:
确定所述第一最长平均线段对应的第一角度,并确定所述第二最长平均线段对应的第二角度;
根据所述第一最长平均线段的长度、所述第二最长平均线段的长度、所述第一角度以及所述第二角度确定所述目标视频图像的检测结果。
可选地,根据所述第一最长平均线段的长度、所述第二最长平均线段的长度、所述第一角度以及所述第二角度确定所述目标视频图像的检测结果包括:
判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;
在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第三预设值;
在所述第一角度与所述第二角度的角度差值大于或等于预设角度的情况下,若所述第一最长平均线段或所述第二最长平均线段对应的线条数量大于或等于第四预设值,确定所述检测结果为存在条纹;若所述第一最长平均线段或所述第二最长平均线段对应的线条数量小于所述第四预设值,确定所述检测结果为不存在条纹;
在所述第一角度与所述第二角度的差值小于所述预设角度的情况下,确定所述检测结果为不存在条纹。
可选地,在根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果之后,所述方法还包括:
在所述检测结果为存在条纹的情况下,分别确定所述第一角度对应的多条直线的两端坐标,分别根据所述第一角度对应的多条直线的两端坐标确定所述第一角度对应的多条直线的长度;分别确定所述第二角度对应的多条直线的两端坐标,分别根据所述第二角度对应的多条直线的两端坐标确定所述第二角度对应的多条直线的长度;
根据所述第一角度对应的多条直线的长度与所述第二角度对应的多条直线的长度确定条纹检测结果。
可选地,根据所述第一角度对应的多条直线的长度与所述第二角度对应的多条直线的长度确定条纹检测结果包括:
确定所述第一角度对应的多条直线的长度和,确定所述第二角度对应的多条直线的长度和;
确定所述第一角度对应的多条直线的长度和与所述第二角度对应的多条直线的长度和中的较大长度和;
将所述较大长度和与预设的缩放指数的比值确定为所述条纹检测结果,其中,若所述比值大于或等于预设阈值,确定所述条纹检测结果为第一条纹等级,若所述比值小于所述预设阈值,确定所述条纹检测结果为第二条纹等级。
可选地,确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段包括:
分别将所述霍夫空间中所述X梯度图、Y梯度图对应的所有直线进行分类,得到第一组多类直线、第二组多类直线,其中,每类直线包括一条直线或多条平行的直线;
分别确定所述第一组多类直线的平均长度,并分别确定所述第一组多类直线的平均长度中最长平均长度为所述第一最长平均长度;分别确定所述第二组多类直线的平均长度,并分别确定所述第二组多类直线的平均长度中最长平均长度为所述第二最长平均长度。
可选地,在分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线之前,所述方法还包括:
分别对所述X梯度图与所述Y梯度图进行二值化,得到二值化后的所述X梯度图与二值化后的所述Y梯度图。
根据本发明的另一个实施例,还提供了一种视频条纹检测装置,包括:
获取模块,用于获取目标视频图像的X梯度图与Y梯度图;
直线检测模块,用于分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线;
第一确定模块,用于确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段;
检测模块,用于根据所述第一最长平均线段与所述第二最长平均线段对所述目标视频图像的条纹进行检测。
可选地,所述检测模块包括:
第一确定子模块,用于确定所述第一最长平均线段的长度与所述第二最长平均线段的长度;
第二确定子模块,用于根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果,其中,所述检测结果为存在条纹或不存在条纹。
可选地,所述第二确定子模块,还用于
判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;
在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第二预设值;
在所述长度差值大于或等于所述第二预设值的情况下,确定检测结果为存在条纹;
在所述第一最长平均线段的长度或所述第二最长平均线段的长度小于所述第一预设值,或者所述长度差值小于所述第二预设值的情况下,确定所述检测结果为不存在条纹。
可选地,所述第二确定子模块包括:
第一确定单元,用于确定所述第一最长平均线段对应的第一角度,并确定所述第二最长平均线段对应的第二角度;
第二确定单元,用于根据所述第一最长平均线段的长度、所述第二最长平均线段的长度、所述第一角度以及所述第二角度确定所述目标视频图像的检测结果。
可选地,所述第二确定单元,还用于
判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;
在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第三预设值;
在所述第一角度与所述第二角度的角度差值大于或等于预设角度的情况下,若所述第一最长平均线段或所述第二最长平均线段对应的线条数量大于或等于第四预设值,确定所述检测结果为存在条纹;若所述第一最长平均线段或所述第二最长平均线段对应的线条数量小于所述第四预设值,确定所述检测结果为不存在条纹;
在所述第一角度与所述第二角度的差值小于所述预设角度的情况下,确定所述检测结果为不存在条纹。
可选地,所述装置还包括:
第二确定模块,用于在所述检测结果为存在条纹的情况下,分别确定所述第一角度对应的多条直线的两端坐标,分别根据所述第一角度对应的多条直线的两端坐标确定所述第一角度对应的多条直线的长度;分别确定所述第二角度对应的多条直线的两端坐标,分别根据所述第二角度对应的多条直线的两端坐标确定所述第二角度对应的多条直线的长度;
第三确定模块,用于根据所述第一角度对应的多条直线的长度与所述第二角度对应的多条直线的长度确定条纹检测结果。
可选地,所述第三确定模块,还用于
确定所述第一角度对应的多条直线的长度和,确定所述第二角度对应的多条直线的长度和;
确定所述第一角度对应的多条直线的长度和与所述第二角度对应的多条直线的长度和中的较大长度和;
将所述较大长度和与预设的缩放指数的比值确定为所述条纹检测结果,其中,若所述比值大于或等于预设阈值,确定所述条纹检测结果为第一条纹等级,若所述比值小于所述预设阈值,确定所述条纹检测结果为第二条纹等级。
可选地,所述第一确定模块,还用于
分别将所述霍夫空间中所述X梯度图、Y梯度图对应的所有直线进行分类,得到第一组多类直线、第二组多类直线,其中,每类直线包括一条直线或多条平行的直线;
分别确定所述第一组多类直线的平均长度,并分别确定所述第一组多类直线的平均长度中最长平均长度为所述第一最长平均长度;分别确定所述第二组多类直线的平均长度,并分别确定所述第二组多类直线的平均长度中最长平均长度为所述第二最长平均长度。
可选地,所述装置还包括:
二值化模块,用于分别对所述X梯度图与所述Y梯度图进行二值化,得到二值化后的所述X梯度图与二值化后的所述Y梯度图。
根据本发明的又一个实施例,还提供了一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,通过对目标视频图像的X梯度图与Y梯度图进行霍夫直线检测,得到霍夫空间中X梯度图对应的所有直线、霍夫空间中Y梯度图对应的所有直线,根据X梯度图、Y梯度图对应的所有直线的第一最长平均线段、第二最长平均线段,对目标视频图像的条纹进行检测,从而确定目标视频图像中是否存在条纹,可以解决相关技术中通过异常亮点判断是否存在条纹,算法易受到其他噪声干扰,鲁棒性低,且不适合监控复杂场景的问题,具有高灵敏度,强鲁棒性且适用于复杂场景。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的视频条纹检测方法的移动终端的硬件结构框图;
图2是根据本发明实施例的视频条纹检测方法的流程图;
图3是根据本发明优选实施例的视频条纹检测的流程图;
图4是根据本发明实施例的视频监控中视频条纹检测方法的流程图;
图5是根据本发明实施例的霍夫坐标变换的示意图;
图6是根据本发明实施例的最大平均线段的示意图;
图7是根据本发明实施例的视频条纹检测装置的框图;
图8是根据本发明优选实施例的视频条纹检测装置的框图一;
图9是根据本发明优选实施例的视频条纹检测装置的框图二。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的视频条纹检测方法的移动终端的硬件结构框图,如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的视频条纹检测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network I nterface Contro l l er,简称为N I C),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Rad i o Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端或网络架构的视频条纹检测方法,图2是根据本发明实施例的视频条纹检测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取目标视频图像的X梯度图与Y梯度图;
在一可选的实施例中,在上述步骤S202之后,分别对所述X梯度图与所述Y梯度图进行二值化,得到二值化后的所述X梯度图与二值化后的所述Y梯度图。
步骤S204,分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线;
步骤S206,确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段;
本发明实施例中,上述步骤S206具体可以包括:分别将所述霍夫空间中所述X梯度图、Y梯度图对应的所有直线进行分类,得到第一组多类直线、第二组多类直线,其中,每类直线包括一条直线或多条平行的直线;分别确定所述第一组多类直线的平均长度,并分别确定所述第一组多类直线的平均长度中最长平均长度为所述第一最长平均长度;分别确定所述第二组多类直线的平均长度,并分别确定所述第二组多类直线的平均长度中最长平均长度为所述第二最长平均长度。
步骤S208,根据所述第一最长平均线段与所述第二最长平均线段对所述目标视频图像的条纹进行检测。
本实施例中,上述步骤S208还可以包括:
S2081,确定所述第一最长平均线段的长度与所述第二最长平均线段的长度;
S2082,根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果,其中,所述检测结果为存在条纹或不存在条纹。
在一可选的实施例中,上述S2082具体可以包括:判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第二预设值;在所述长度差值大于或等于所述第二预设值的情况下,确定检测结果为存在条纹;在所述第一最长平均线段的长度或所述第二最长平均线段的长度小于所述第一预设值,或者所述长度差值小于所述第二预设值的情况下,确定所述检测结果为不存在条纹,其中,所述第一预设值可以取值为90、95、100等,所述第二预设值可以取值为80、85、90等,可以根据实际情况设置。
在另一可选的实施例中,上述S2082具体还可以包括:确定所述第一最长平均线段对应的第一角度,并确定所述第二最长平均线段对应的第二角度;根据所述第一最长平均线段的长度、所述第二最长平均线段的长度、所述第一角度以及所述第二角度确定所述目标视频图像的检测结果,具体的,判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第三预设值;在所述第一角度与所述第二角度的角度差值大于或等于预设角度的情况下,若所述第一最长平均线段或所述第二最长平均线段对应的线条数量大于或等于第四预设值,确定所述检测结果为存在条纹;若所述第一最长平均线段或所述第二最长平均线段对应的线条数量小于所述第四预设值,确定所述检测结果为不存在条纹;在所述第一角度与所述第二角度的差值小于所述预设角度的情况下,确定所述检测结果为不存在条纹,其中,所述第三预设值可以取值为25、30、35等,第四预设值可以取值为40、45、50、60等,所述预设角度可以取值为25、30、35等,可以根据实际情况设置。
通过上述步骤S202至S208,通过对目标视频图像的X梯度图与Y梯度图进行霍夫直线检测,得到霍夫空间中X梯度图对应的所有直线、霍夫空间中Y梯度图对应的所有直线,根据X梯度图、Y梯度图对应的所有直线的第一最长平均线段、第二最长平均线段,对目标视频图像的条纹进行检测,从而确定目标视频图像中是否存在条纹,可以解决相关技术中通过异常亮点判断是否存在条纹,算法易受到其他噪声干扰,鲁棒性低,且不适合监控复杂场景的问题,具有高灵敏度,强鲁棒性且适用于复杂场景。
在一可选的实施例中,在确定存在条纹之后,还可以进一步确定条纹的等级,图3是根据本发明优选实施例的视频条纹检测的流程图,如图3所示,包括:
步骤S302,在所述检测结果为存在条纹的情况下,分别确定所述第一角度对应的多条直线的两端坐标,分别根据所述第一角度对应的多条直线的两端坐标确定所述第一角度对应的多条直线的长度;
步骤S304,分别确定所述第二角度对应的多条直线的两端坐标,分别根据所述第二角度对应的多条直线的两端坐标确定所述第二角度对应的多条直线的长度;
步骤S306,根据所述第一角度对应的多条直线的长度与所述第二角度对应的多条直线的长度确定条纹检测结果。
在一可选的实施例中,上述步骤S306具体可以包括:确定所述第一角度对应的多条直线的长度和,确定所述第二角度对应的多条直线的长度和;确定所述第一角度对应的多条直线的长度和与所述第二角度对应的多条直线的长度和中的较大长度和;将所述较大长度和与预设的缩放指数的比值确定为所述条纹检测结果,其中,若所述比值大于或等于预设阈值,确定所述条纹检测结果为第一条纹等级,若所述比值小于所述预设阈值,确定所述条纹检测结果为第二条纹等级。
当视频出现条纹噪声时,图像的梯度图会出现明显的直线,一般正常图则只有较少的直线。条纹噪声出现的方向都是一致的,采用sobe l检测的X、Y两个方向的梯度图,如果出在X梯度图中该角度出现较多的直线,则在Y梯度图中的直线应该较少,并且两个梯度中的直线应该具有一定角度。因此可以通过sobe l的X、Y梯度图中直线检测结果的最大值和该最大值角度在另一个梯度图中的差值进行条纹判别,并且两个梯度最多直线所对应的角度应该具有一定差值。对输入图像计算出X、Y方向的梯度图,然后对梯度二值化。分别得到的二值化后的X、Y梯度图并进行hough直线检测,得到hough空间θ在0-180°之间所有直线,分别查找两张梯度图直线检测θ在0-180°内的平均最长线段。使用两张梯度图最大的平均线段为可能的条纹线段,然后根据与另一张梯度图在该角度的平均线段长度的差值,判断该角度的直线是否为条纹。如果是条纹,则通过角度θ反推对应该角度所有直线的两端坐标,并结算线段的长度,根据线段长度和阈值映射,得到最终的条纹检测结果。图4是根据本发明实施例的视频监控中视频条纹检测方法的流程图,如图4所示,包括:
步骤S401,对sobe l梯度图进行二值化处理。sobe l的X、Y梯度图有正值和负值,首先进行二值化处理。
其中,Bi,j为二值化后的sobel梯度图,Si,j为二值化前的sobel梯度图,i,j为梯度图坐标。
步骤S402,分别对二值化后的X、Y梯度图进行霍夫hough直线检测,图5是根据本发明实施例的霍夫坐标变换的示意图,如图5所示,将直角坐标空间的直线检测转换到hough空间(极坐标)的点检测,得到hough空间θ在0-180°内所有的直线。并且要求直线的长度大于阈值(1/4的图像宽度)、大于左右相邻角度直线的长度、大于与其平行的左右相邻直线的长度,其中,比较相邻角度直线的长度具体指的是某一角度所在直线的像素点和,不是单个连续直线的长度。
步骤S403,分别查找X,Y梯度图直线检测在0-180°里的平均最长线段。图6是根据本发明实施例的最大平均线段的示意图,如图6所示,将相同角度对应的多条线段的长度求和,在求平均,选取最大长度和的均值对应的线段为最大平均线段。
步骤S404,使用两张梯度图最长的平均线段为可能的条纹线段,根据与另一张梯度图在该角度的平均线段长度的差值(即上述第一最长平均线段与第二最长平均线段的差值),判断该角度的直线是否为条纹。判断依据如下:(1)如果最大平均线段大于100(上述第一预设值),其差值大于90(对应上述第二预设值),则为条纹;(2)如果最大平均线段大于100,其差值大于30(对应上述第三预设值),并且两个最长平均线段所对应的角度差值(即上述第一角度与第二角度的差值)大于30°(对应上述预设角度),其中一个的线条数量大于50(对应上述第四预设值),则为条纹;其中,差值为最大平均长度与另一张梯度图在该角度的平均线段长度的差值。
其中,ls表示是否存在条纹,1表示是条纹,0表示不是条纹,M为最大平均长度,d为线段长度差值,da为角度差值。
步骤S405,根据步骤S404的判断,如果存在条纹,则通过θ和r结合灰度图反推出对应该角度所有直线的两端坐标,并结算线段的长度。首先在图像中遍历x得到,再确定y,然后通过sobel(x,y)是否等于1判断点(x,y)是否在直线上,通过这种方式可以得到直线上所有的点(x,y),最后确定xmin,ymin,xmax,ymax,最终的出线段长度。
y=(r-x*cosθ)/sinθ;
xmin=min(x),sobel(x,y)=1,x=1,2,...,n;
ymin=min(y),sobel(x,y)=1,x=1,2,...,n;
xmax=max(x),sobel(x,y)=1,x=1,2,...,n;
ymax=max(y),sobel(x,y)=1,x=1,2,...,n;
Sobel为灰度图二值化Sobel梯度图,(xmin,ymin),(xmax,ymax)分别为线段点端点坐标,若线段长度为d:
步骤S406,根据线段长度和阈值映射,得到最终的条纹检测结果:
其中,di为最大平均长度角度下第i条线段长度,thre为缩放指数,最后通过line判断是否条纹指数,若f为1表示明显存在条纹,f为0无明显条纹或者不存在条纹,则:
实施例2
根据本发明的另一个实施例,还提供了一种视频条纹检测装置,图7是根据本发明实施例的视频条纹检测装置的框图,如图7所示,包括:
获取模块72,用于获取目标视频图像的X梯度图与Y梯度图;
直线检测模块74,用于分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线;
第一确定模块76,用于确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段;
检测模块78,用于根据所述第一最长平均线段与所述第二最长平均线段对所述目标视频图像的条纹进行检测。
图8是根据本发明优选实施例的视频条纹检测装置的框图一,如图8所示,所述检测模块78包括:
第一确定子模块82,用于确定所述第一最长平均线段的长度与所述第二最长平均线段的长度;
第二确定子模块84,用于根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果,其中,所述检测结果为存在条纹或不存在条纹。
可选地,所述第二确定子模块84,还用于
判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;
在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第二预设值;
在所述长度差值大于或等于所述第二预设值的情况下,确定检测结果为存在条纹;
在所述第一最长平均线段的长度或所述第二最长平均线段的长度小于所述第一预设值,或者所述长度差值小于所述第二预设值的情况下,确定所述检测结果为不存在条纹。
可选地,所述第二确定子模块84包括:
第一确定单元,用于确定所述第一最长平均线段对应的第一角度,并确定所述第二最长平均线段对应的第二角度;
第二确定单元,用于根据所述第一最长平均线段的长度、所述第二最长平均线段的长度、所述第一角度以及所述第二角度确定所述目标视频图像的检测结果。
可选地,所述第二确定单元,还用于
判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;
在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第三预设值;
在所述第一角度与所述第二角度的角度差值大于或等于预设角度的情况下,若所述第一最长平均线段或所述第二最长平均线段对应的线条数量大于或等于第四预设值,确定所述检测结果为存在条纹;若所述第一最长平均线段或所述第二最长平均线段对应的线条数量小于所述第四预设值,确定所述检测结果为不存在条纹;
在所述第一角度与所述第二角度的差值小于所述预设角度的情况下,确定所述检测结果为不存在条纹。
图9是根据本发明优选实施例的视频条纹检测装置的框图二,如图9所示,所述装置还包括:
第二确定模块92,用于在所述检测结果为存在条纹的情况下,分别确定所述第一角度对应的多条直线的两端坐标,分别根据所述第一角度对应的多条直线的两端坐标确定所述第一角度对应的多条直线的长度;分别确定所述第二角度对应的多条直线的两端坐标,分别根据所述第二角度对应的多条直线的两端坐标确定所述第二角度对应的多条直线的长度;
第三确定模块94,用于根据所述第一角度对应的多条直线的长度与所述第二角度对应的多条直线的长度确定条纹检测结果。
可选地,所述第三确定模块94,还用于
确定所述第一角度对应的多条直线的长度和,确定所述第二角度对应的多条直线的长度和;
确定所述第一角度对应的多条直线的长度和与所述第二角度对应的多条直线的长度和中的较大长度和;
将所述较大长度和与预设的缩放指数的比值确定为所述条纹检测结果,其中,若所述比值大于或等于预设阈值,确定所述条纹检测结果为第一条纹等级,若所述比值小于所述预设阈值,确定所述条纹检测结果为第二条纹等级。
可选地,所述第一确定模块74,还用于
分别将所述霍夫空间中所述X梯度图、Y梯度图对应的所有直线进行分类,得到第一组多类直线、第二组多类直线,其中,每类直线包括一条直线或多条平行的直线;
分别确定所述第一组多类直线的平均长度,并分别确定所述第一组多类直线的平均长度中最长平均长度为所述第一最长平均长度;分别确定所述第二组多类直线的平均长度,并分别确定所述第二组多类直线的平均长度中最长平均长度为所述第二最长平均长度。
可选地,所述装置还包括:
二值化模块,用于分别对所述X梯度图与所述Y梯度图进行二值化,得到二值化后的所述X梯度图与二值化后的所述Y梯度图。
实施例3
本发明的实施例还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标视频图像的X梯度图与Y梯度图;
S2,分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线;
S3,确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段;
S4,根据所述第一最长平均线段与所述第二最长平均线段对所述目标视频图像的条纹进行检测。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-On l y Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标视频图像的X梯度图与Y梯度图;
S2,分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线;
S3,确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段;
S4,根据所述第一最长平均线段与所述第二最长平均线段对所述目标视频图像的条纹进行检测。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种视频条纹检测方法,其特征在于,包括:
获取目标视频图像的X梯度图与Y梯度图;
分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线;
确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段,包括:分别将所述霍夫空间中所述X梯度图、Y梯度图对应的所有直线进行分类,得到第一组多类直线、第二组多类直线,其中,每类直线包括一条直线或多条平行的直线;分别确定所述第一组多类直线的平均长度,并分别确定所述第一组多类直线的平均长度中最长平均长度为所述第一最长平均长度;分别确定所述第二组多类直线的平均长度,并分别确定所述第二组多类直线的平均长度中最长平均长度为所述第二最长平均长度;
根据所述第一最长平均线段与所述第二最长平均线段的长度差值对所述目标视频图像的条纹进行检测。
2.根据权利要求1所述的方法,其特征在于,根据所述第一最长平均线段与所述第二最长平均线段对所述目标视频图像的条纹进行检测包括:
确定所述第一最长平均线段的长度与所述第二最长平均线段的长度;
根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果,其中,所述检测结果为存在条纹或不存在条纹。
3.根据权利要求2所述的方法,其特征在于,根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果包括:
判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;
在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第二预设值;
在所述差值大于或等于所述第二预设值的情况下,确定所述检测结果为存在条纹;
在所述第一最长平均线段的长度或所述第二最长平均线段的长度小于所述第一预设值,或者所述长度差值小于所述第二预设值的情况下,确定所述检测结果为不存在条纹。
4.根据权利要求2所述的方法,其特征在于,根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果包括:
确定所述第一最长平均线段对应的第一角度,并确定所述第二最长平均线段对应的第二角度;
根据所述第一最长平均线段的长度、所述第二最长平均线段的长度、所述第一角度以及所述第二角度确定所述目标视频图像的检测结果。
5.根据权利要求4所述的方法,其特征在于,根据所述第一最长平均线段的长度、所述第二最长平均线段的长度、所述第一角度以及所述第二角度确定所述目标视频图像的检测结果包括:
判断所述第一最长平均线段的长度与所述第二最长平均线段的长度是否均大于或等于第一预设值;
在所述第一最长平均线段的长度与所述第二最长平均线段的长度均大于或等于所述第一预设值的情况下,判断所述第一最长平均线段与所述第二最长平均线段的长度差值是否大于第三预设值;
在所述长度差值大于第三预设值的情况下,判断所述第一角度与所述第二角度的角度差值是否大于或等于预设角度;
在所述第一角度与所述第二角度的角度差值大于或等于预设角度的情况下,若所述第一最长平均线段或所述第二最长平均线段对应的线条数量大于或等于第四预设值,确定所述检测结果为存在条纹;若所述第一最长平均线段或所述第二最长平均线段对应的线条数量小于所述第四预设值,确定所述检测结果为不存在条纹;
在所述第一角度与所述第二角度的差值小于所述预设角度的情况下,确定所述检测结果为不存在条纹。
6.根据权利要求4所述的方法,其特征在于,在根据所述第一最长平均线段的长度与所述第二最长平均线段的长度确定所述目标视频图像的检测结果之后,所述方法还包括:
在所述检测结果为存在条纹的情况下,分别确定所述第一角度对应的多条直线的两端坐标,分别根据所述第一角度对应的多条直线的两端坐标确定所述第一角度对应的多条直线的长度;分别确定所述第二角度对应的多条直线的两端坐标,分别根据所述第二角度对应的多条直线的两端坐标确定所述第二角度对应的多条直线的长度;
根据所述第一角度对应的多条直线的长度与所述第二角度对应的多条直线的长度确定条纹检测结果。
7.根据权利要求6所述的方法,其特征在于,根据所述第一角度对应的多条直线的长度与所述第二角度对应的多条直线的长度确定条纹检测结果包括:
确定所述第一角度对应的多条直线的长度和,确定所述第二角度对应的多条直线的长度和;
确定所述第一角度对应的多条直线的长度和与所述第二角度对应的多条直线的长度和中的较大长度和;
将所述较大长度和与预设的缩放指数的比值确定为所述条纹检测结果,其中,若所述比值大于或等于预设阈值,确定所述条纹检测结果为第一条纹等级,若所述比值小于所述预设阈值,确定所述条纹检测结果为第二条纹等级。
8.根据权利要求1至7中任一项所述的方法,其特征在于,在分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线之前,所述方法还包括:
分别对所述X梯度图与所述Y梯度图进行二值化,得到二值化后的所述X梯度图与二值化后的所述Y梯度图。
9.一种视频条纹检测装置,其特征在于,包括:
获取模块,用于获取目标视频图像的X梯度图与Y梯度图;
直线检测模块,用于分别对所述X梯度图与所述Y梯度图进行霍夫直线检测,得到霍夫空间中所述X梯度图对应的所有直线、所述霍夫空间中所述Y梯度图对应的所有直线;
第一确定模块,用于确定所述霍夫空间中所述X梯度图对应的所有直线的第一最长平均线段,并确定所述霍夫空间中所述Y梯度图对应的所有直线的第二最长平均线段,包括:分别将所述霍夫空间中所述X梯度图、Y梯度图对应的所有直线进行分类,得到第一组多类直线、第二组多类直线,其中,每类直线包括一条直线或多条平行的直线;分别确定所述第一组多类直线的平均长度,并分别确定所述第一组多类直线的平均长度中最长平均长度为所述第一最长平均长度;分别确定所述第二组多类直线的平均长度,并分别确定所述第二组多类直线的平均长度中最长平均长度为所述第二最长平均长度;
检测模块,用于根据所述第一最长平均线段与所述第二最长平均线段的长度差值对所述目标视频图像的条纹进行检测。
10.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被处理器运行时执行所述权利要求1至8任一项中所述的方法。
11.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011569021.7A CN112752093B (zh) | 2020-12-25 | 2020-12-25 | 视频条纹检测方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011569021.7A CN112752093B (zh) | 2020-12-25 | 2020-12-25 | 视频条纹检测方法、装置、存储介质及电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112752093A CN112752093A (zh) | 2021-05-04 |
CN112752093B true CN112752093B (zh) | 2022-08-16 |
Family
ID=75646148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011569021.7A Active CN112752093B (zh) | 2020-12-25 | 2020-12-25 | 视频条纹检测方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112752093B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592801A (zh) * | 2021-07-23 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频图像的条纹干扰检测方法及其装置 |
CN113569713A (zh) * | 2021-07-23 | 2021-10-29 | 浙江大华技术股份有限公司 | 视频图像的条纹检测方法及装置、计算机可读存储介质 |
CN115908404B (zh) * | 2023-01-03 | 2023-05-12 | 合肥中科类脑智能技术有限公司 | 图像条纹干扰的检测方法、装置、电子设备及介质 |
CN117475359A (zh) * | 2023-12-27 | 2024-01-30 | 湖北经济学院 | 一种led灯的识别方法、装置、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385702A (zh) * | 2011-07-06 | 2012-03-21 | 中公高科(北京)养护科技有限公司 | 去除路面图像中刻槽的方法 |
EP2562717A1 (en) * | 2011-08-25 | 2013-02-27 | Samsung Electronics Co., Ltd. | Three-dimensional display system with depth map mechanism and method of operation thereof |
JP2013109657A (ja) * | 2011-11-22 | 2013-06-06 | Tottori Univ | 直線検出装置、直線検出方法、直線検出プログラム及び撮影システム |
CN104161531A (zh) * | 2014-05-04 | 2014-11-26 | 上海联影医疗科技有限公司 | 限束器边缘的获取方法及装置、x射线摄影设备 |
CN104751145A (zh) * | 2015-04-10 | 2015-07-01 | 西安电子科技大学 | 局部霍夫变换与形态学优化的sar图像电力线检测方法 |
CN105069786A (zh) * | 2015-07-31 | 2015-11-18 | 小米科技有限责任公司 | 直线检测方法及装置 |
CN105263018A (zh) * | 2015-10-12 | 2016-01-20 | 浙江宇视科技有限公司 | 一种视频图像中叠加条纹检测方法和装置 |
CN107748882A (zh) * | 2017-11-23 | 2018-03-02 | 海信集团有限公司 | 一种车道线检测方法及装置 |
CN109389644A (zh) * | 2017-08-10 | 2019-02-26 | 纵目科技(上海)股份有限公司 | 基于方向梯度增强的车位线检测方法 |
CN111161169A (zh) * | 2019-12-20 | 2020-05-15 | 五邑大学 | 基于霍夫变换的绝对相位噪声去除方法、装置和存储介质 |
CN111815578A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 图像条纹检测方法、视频监控系统及相关装置 |
CN111833341A (zh) * | 2020-07-22 | 2020-10-27 | 浙江大华技术股份有限公司 | 确定图像中条纹噪声的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4637618B2 (ja) * | 2005-03-18 | 2011-02-23 | 株式会社ホンダエレシス | 車線認識装置 |
US8395824B2 (en) * | 2008-07-17 | 2013-03-12 | Samsung Electronics Co., Ltd. | Method for determining ground line |
-
2020
- 2020-12-25 CN CN202011569021.7A patent/CN112752093B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385702A (zh) * | 2011-07-06 | 2012-03-21 | 中公高科(北京)养护科技有限公司 | 去除路面图像中刻槽的方法 |
EP2562717A1 (en) * | 2011-08-25 | 2013-02-27 | Samsung Electronics Co., Ltd. | Three-dimensional display system with depth map mechanism and method of operation thereof |
JP2013109657A (ja) * | 2011-11-22 | 2013-06-06 | Tottori Univ | 直線検出装置、直線検出方法、直線検出プログラム及び撮影システム |
CN104161531A (zh) * | 2014-05-04 | 2014-11-26 | 上海联影医疗科技有限公司 | 限束器边缘的获取方法及装置、x射线摄影设备 |
CN104751145A (zh) * | 2015-04-10 | 2015-07-01 | 西安电子科技大学 | 局部霍夫变换与形态学优化的sar图像电力线检测方法 |
CN105069786A (zh) * | 2015-07-31 | 2015-11-18 | 小米科技有限责任公司 | 直线检测方法及装置 |
CN105263018A (zh) * | 2015-10-12 | 2016-01-20 | 浙江宇视科技有限公司 | 一种视频图像中叠加条纹检测方法和装置 |
CN109389644A (zh) * | 2017-08-10 | 2019-02-26 | 纵目科技(上海)股份有限公司 | 基于方向梯度增强的车位线检测方法 |
CN107748882A (zh) * | 2017-11-23 | 2018-03-02 | 海信集团有限公司 | 一种车道线检测方法及装置 |
CN111161169A (zh) * | 2019-12-20 | 2020-05-15 | 五邑大学 | 基于霍夫变换的绝对相位噪声去除方法、装置和存储介质 |
CN111815578A (zh) * | 2020-06-23 | 2020-10-23 | 浙江大华技术股份有限公司 | 图像条纹检测方法、视频监控系统及相关装置 |
CN111833341A (zh) * | 2020-07-22 | 2020-10-27 | 浙江大华技术股份有限公司 | 确定图像中条纹噪声的方法及装置 |
Non-Patent Citations (3)
Title |
---|
基于单目视觉的非结构化道路检测与跟踪;王燕清等;《哈尔滨工程大学学报》;20110325(第03期);全文 * |
基于改进概率霍夫变换算法的车道检测方法研究;戴渊明等;《杭州电子科技大学学报》;20061025(第05期);全文 * |
基于改进随机Hough变换的直线检测算法;徐超等;《激光与光电子学进展》;20180925(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112752093A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112752093B (zh) | 视频条纹检测方法、装置、存储介质及电子装置 | |
CN110473242B (zh) | 一种纹理特征提取方法、纹理特征提取装置及终端设备 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
US7869667B1 (en) | Method for automatic alignment of raster data with vector data in a geographic information system | |
CN111047615B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN110874844A (zh) | 线段检测方法、装置和设备 | |
CN111027343A (zh) | 条形码区域定位方法和装置 | |
CN111402301B (zh) | 积水检测方法及装置、存储介质及电子装置 | |
CN116824516B (zh) | 一种涉路施工安全监测及管理系统 | |
CN111598913A (zh) | 一种基于机器人视觉的图像分割方法和系统 | |
CN116309518A (zh) | 一种基于计算机视觉的pcb电路板检测方法及系统 | |
CN111833341A (zh) | 确定图像中条纹噪声的方法及装置 | |
CN115409839B (zh) | 基于像素分析模型的道路声屏障隐患识别方法及装置 | |
CN111136655B (zh) | 一种获取巡检点的方法及装置 | |
CN112001357A (zh) | 目标识别检测方法及系统 | |
CN116228861A (zh) | 探针台标记物定位方法、装置、电子设备及存储介质 | |
CN116129102A (zh) | 一种基于改进型图像处理算法的水表识别方法及相关装置 | |
CN112562400B (zh) | 一种车位线获取方法、装置及停车管理系统 | |
CN114742142A (zh) | 液晶显示屏的检测方法及液晶显示屏检测设备 | |
CN111768357B (zh) | 一种图像检测的方法及装置 | |
CN115482477B (zh) | 道路识别方法、装置、无人机、设备及存储介质 | |
CN116229433B (zh) | 一种器件状态识别方法和装置 | |
CN115482478B (zh) | 道路识别方法、装置、无人机、设备及存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN111985497B (zh) | 架空输电线路下吊车作业识别方法及系统 |
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 |