CN113034415A - 一种铁路机车小部件图像扩增的方法 - Google Patents
一种铁路机车小部件图像扩增的方法 Download PDFInfo
- Publication number
- CN113034415A CN113034415A CN202110307413.4A CN202110307413A CN113034415A CN 113034415 A CN113034415 A CN 113034415A CN 202110307413 A CN202110307413 A CN 202110307413A CN 113034415 A CN113034415 A CN 113034415A
- Authority
- CN
- China
- Prior art keywords
- image
- railway locomotive
- acquired
- randomly
- small part
- 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
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000003321 amplification Effects 0.000 claims abstract description 21
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 21
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 37
- 238000001914 filtration Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 14
- 229910052742 iron Inorganic materials 0.000 description 7
- 230000003416 augmentation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
一种铁路机车小部件图像扩增的方法,属于图像处理技术领域,本发明为解决现有技术中的两类小部件图像扩增方法存在不符合小部件本身的分布规律等问题。它包括:获取需要扩增的铁路机车小部件图像;采用图像处理算法对S1获取的铁路机车小部件图像进行随机处理,获取随机图像;对获取的随机图像进行随机增强,并将随机强增后的小部件图像粘贴到需要扩增的铁路机车小部件图像中,完成图像扩增;本发明用于对铁路机车的小部件进行扩增显示。
Description
技术领域
本发明涉及一种小部件图像扩增方法,属于图像处理技术领域。
背景技术
小物体图像扩增方法包括两类,一类是基于传统图像处理的小物体图像扩增方法,包括:灰度变换、图像翻转、图像旋转、图像缩放、图像滤波等;另一类是基于深度学习的小物体图像扩增方法,包括:基于对抗神经网络的图像扩增方法和基于编码器的图像扩增方法。
第一类的基于传统图像处理的小物体图像扩增方法,存在以下问题:
1、通过改变形状进行数据增强方法(例如:仿射变换、缩放、旋转等),在数据增强的同时极易发生小物体数据的失真或模糊;
2、通过改变灰度值进行数据增强方法(例如:直方图均衡化、伽马变换、灰度线性变换等),增强后的数据不具有分布规律的改变;
3、通过滤波进行数据增强方法(例如:添加噪声、模糊处理、去除噪声等),在数据增强的同时,有可能将小物体数据覆盖或者滤除。
第二类的基于深度学习的小物体图像扩增方法,不论是基于对抗神经网络的图像扩增方法还是基于编码器的图像扩增方法,在小物体数据增强方面存在以下问题:
1、通过整体图像进行数据增强,极易导致模型无法学习到小物体的信息分布,进而无法生成包含小物体的图像数据;
2、通过小物体图像进行数据增强,有可能导致模型学习到小物体的信息分布不符合小物体本身的分布规律,进而无法使用生成的图像数据。
综上,现有技术中的两类小部件图像扩增方法存在无法生成包含小部件图像的原图像,进而无法实现图像扩增的问题。
发明内容
本发明目的是为了解决现有技术中的两类小部件图像扩增方法存在无法生成包含小部件图像的原图像,进而无法实现图像扩增的问题,提供了一种铁路机车小部件图像扩增的方法。
本发明一种铁路机车小部件图像扩增的方法,它包括:
S1、获取需要扩增的铁路机车小部件图像;
S2、采用图像处理算法对S1获取的铁路机车小部件进行随机处理,获取随机图像;
S3、对S2获取的随机图像进行随机增强,并将随机强增后的小部件图像粘贴到S1获取的需要扩增的铁路机车小部件图像中,完成图像扩增;
S3所述对S2获取的随机图像进行随机增强,并将随机强增后的小部件图像粘贴到S1获取的需要扩增的铁路机车小部件图像中的具体方法包括:
设S2获取的随机图像的数据数量为N;
S3-1、在N中随机选取n个小部件图像,作为单张图像的增强样本;
S3-2、在n个小部件图像中随机选取一个小部件图像,作为初始数据A1;
初始数据A1的形状表征为w1*h1,其中,w1表示A1的宽,h1表示A1的高;
并在单张图像的增强样本上随机选取一个点P1(x1,y1),作为初始数据A1的中心;
初始数据A1的最小外接矩形半径R1为:R1=max(w1*h1)/2;
S3-3、在n个小部件图像中随机选取一个小部件图像Ai,形状为wi*hi;i=2,3,4,…,n;其中,wi表示Ai的宽,hi表示Ai的高;
并在单张图像的增强样本上随机选取一个点Pi(xi,yi),作为Ai的中心;
Ai的最小外接矩形半径Ri为:Ri=max(wi*hi)/2;
S3-4、判断Ai是否满足:
如果不满足则返回执行S3-3,如果满足则保留Ai,当i=n时执行S3-5;
S3-5、将保留的Ai进行边缘平滑处理,获得边缘平滑处理后的小部件图像Di;
S3-6、根据Pi(xi,yi)和Ri确定小部件图像的不同位置,将边缘平滑处理后的小部件图像Di粘贴到单张图像增强样本中的相应位置处。
优选的,S1获取需要扩增的铁路机车小部件图像的具体方法包括:
S1-1、在铁路机车运行时,通过铁轨底部和两侧设置的线阵相机采集完整的机车图像;
S1-2、根据铁路机车小部件的分布选取包含铁路机车小部件的图像,选取的图像即为需要增强的图像;
S1-3、将需要增强的图像的部件名称和位置信息进行标注,并将标记后的图像进行存储,获得需要扩增的铁路机车小部件图像。
优选的,S2采用图像处理算法对S1获取的铁路机车小部件图像进行随机处理的具体方法包括:随机缩放、随机旋转和随机非尺度变换;
采用随机缩放对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
对S1获取的铁路机车小部件图像进行随机缩放,使得目标尺寸在原图像的±20%范围内变化;
采用随机旋转对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
将S1获取的铁路机车小部件图像进行随机旋转,使得目标图像的旋转角度在S1获得的图像角度的±15°范围内变化;
采用随机非尺度变换对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
将S1获取的铁路机车小部件图像进行随机非尺度变换增强处理,获取随机图像。
优选的,随机非尺度变换增强处理包括:图像翻转、图像滤波和图像灰度变换。
优选的,将S1获取的铁路机车小部件图像进行随机非尺度变换增强处理的具体方法包括:
图像翻转的非尺度变换增强处理包括:图像水平翻转、图像竖直翻转和图像镜像翻转;
图像滤波的非尺度变换增强处理包括:图像均值滤波、图像中值滤波和图像高斯滤波;
图像灰度变换的非尺度变换增强处理包括:图像线性灰度变换、图像伽马灰度变换和图像自适应直方图均衡化。
优选的,S3-5将保留的Ai进行边缘平滑处理的具体方法包括:
S3-5-1、在保留的Ai中随机选取一个小部件图像,记为Bi;
S3-5-2、将Bi'的边缘信息通过形态学膨胀进行增强,获得扩宽的边缘信息小部件图像Bi”;
S3-5-5、将Ci与系数θ相乘,乘积与Ai相加,获得边缘平滑处理后的小部件图像Di:
Di=Ci×θ+Ai。
优选的,S3-5-3高斯滤波器采用3×3的高斯滤波器。
优选的,S3-5-5的系数θ根据先验知识选取,θ=0.18。
优选的,小部件包括紧固螺栓、防松铁丝和防松扎带。
本发明的优点:本发明提出了一种铁路机车小部件图像扩增的方法,在对铁路机车小部件进行强增的同时,改变铁路机车的小部件图像分布规律,并保留铁路机车小部件图像数据的特征信息;然后将多个铁路机车的小部件图像数据粘贴到同一张图像上,提高了铁路机车小部件图像数据使用率的同时,增加了数据的多样性和随机性。
附图说明
图1是本发明一种铁路机车小部件图像扩增的方法的流程框图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
具体实施方式一:下面结合图1说明本实施方式,本实施方式一种铁路机车小部件图像扩增的方法,它包括:
S1、获取需要扩增的铁路机车小部件图像;
S2、采用图像处理算法对S1获取的铁路机车小部件进行随机处理,获取随机图像;
S3、对S2获取的随机图像进行随机增强,并将随机强增后的小部件图像粘贴到S1获取的需要扩增的铁路机车小部件图像中,完成图像扩增;
S3所述对S2获取的随机图像进行随机增强,并将随机强增后的小部件图像粘贴到S1获取的需要扩增的铁路机车小部件图像中的具体方法包括:
设S2获取的随机图像的数据数量为N;
S3-1、在N中随机选取n个小部件图像,作为单张图像的增强样本;
S3-2、在n个小部件图像中随机选取一个小部件图像,作为初始数据A1;
初始数据A1的形状表征为w1*h1,其中,w1表示A1的宽,h1表示A1的高;
并在单张图像的增强样本上随机选取一个点P1(x1,y1),作为初始数据A1的中心;
初始数据A1的最小外接矩形半径R1为:R1=max(w1*h1)/2;
S3-3、在n个小部件图像中随机选取一个小部件图像Ai,形状为wi*hi;i=2,3,4,…,n;其中,wi表示Ai的宽,hi表示Ai的高;
并在单张图像的增强样本上随机选取一个点Pi(xi,yi),作为Ai的中心;
Ai的最小外接矩形半径Ri为:Ri=max(wi*hi)/2;
S3-4、判断Ai是否满足:
如果不满足则返回执行S3-3,如果满足则保留Ai,当i=n时执行S3-5;
S3-5、将保留的Ai进行边缘平滑处理,获得边缘平滑处理后的小部件图像Di;
S3-6、根据Pi(xi,yi)和Ri确定小部件图像的不同位置,将边缘平滑处理后的小部件图像Di粘贴到单张图像增强样本中的相应位置处。
进一步的,小部件包括紧固螺栓、防松铁丝和防松扎带。
本实施方式中,铁路机车小部件是紧固螺栓、防松铁丝和防松扎带等数量较多、面积较小的物体。
本实施方式中,S3-5将保留的Ai进行边缘平滑处理,能够使保留的小部件图像数据在单张图像的增强样本上具有真实性。
具体实施方式二:下面结合图1说明本实施方式,本实施方式对实施方式一作进一步说明,S1获取需要扩增的铁路机车小部件图像的具体方法包括:
S1-1、在铁路机车运行时,通过铁轨底部和两侧设置的线阵相机采集完整的机车图像;
S1-2、根据铁路机车小部件的分布选取包含铁路机车小部件的图像,选取的图像即为需要增强的图像;
S1-3、将需要增强的图像的部件名称和位置信息进行标注,并将标记后的图像进行存储,获得需要扩增的铁路机车小部件图像。
进一步的,小部件包括紧固螺栓、防松铁丝和防松扎带。
本实施方式中,采用Labelimg软件将需要增强的图像进行标注或存储。
具体实施方式三:下面结合图1说明本实施方式,本实施方式对实施方式二作进一步说明,S2采用图像处理算法对S1获取的铁路机车小部件图像进行随机处理的具体方法包括:随机缩放、随机旋转和随机非尺度变换;
采用随机缩放对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
对S1获取的铁路机车小部件图像进行随机缩放,使得目标尺寸在原图像的±20%范围内变化;
采用随机旋转对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
将S1获取的铁路机车小部件图像进行随机旋转,使得目标图像的旋转角度在S1获得的图像角度的±15°范围内变化;
采用随机非尺度变换对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
将S1获取的铁路机车小部件图像进行随机非尺度变换增强处理,获取随机图像。
进一步的,小部件包括紧固螺栓、防松铁丝和防松扎带。
具体实施方式四:下面结合图1说明本实施方式,本实施方式对实施方式三作进一步说明,随机非尺度变换增强处理包括:图像翻转、图像滤波和图像灰度变换。
进一步的,将S1获取的铁路机车小部件图像进行随机非尺度变换增强处理的具体方法包括:
图像翻转的非尺度变换增强处理包括:图像水平翻转、图像竖直翻转和图像镜像翻转;
图像滤波的非尺度变换增强处理包括:图像均值滤波、图像中值滤波和图像高斯滤波;
图像灰度变换的非尺度变换增强处理包括:图像线性灰度变换、图像伽马灰度变换和图像自适应直方图均衡化。
再进一步的,小部件包括紧固螺栓、防松铁丝和防松扎带。
具体实施方式五:下面结合图1说明本实施方式,本实施方式对实施方式一作进一步说明,S3-5将保留的Ai进行边缘平滑处理的具体方法包括:
S3-5-1、在保留的Ai中随机选取一个小部件图像,记为Bi;
S3-5-2、将Bi'的边缘信息通过形态学膨胀进行增强,获得扩宽的边缘信息小部件图像Bi”;
S3-5-5、将Ci与系数θ相乘,乘积与Ai相加,获得边缘平滑处理后的小部件图像Di:
Di=Ci×θ+Ai。
进一步的,3-5-3高斯滤波器采用3×3的高斯滤波器。
再进一步的,S3-5-5的系数θ根据先验知识选取,θ=0.18。
再进一步的,小部件包括紧固螺栓、防松铁丝和防松扎带。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其它实施例中。
Claims (9)
1.一种铁路机车小部件图像扩增的方法,其特征在于,它包括:
S1、获取需要扩增的铁路机车小部件图像;
S2、采用图像处理算法对S1获取的铁路机车小部件图像进行随机处理,获取随机图像;
S3、对S2获取的随机图像进行随机增强,并将随机强增后的小部件图像粘贴到S1获取的需要扩增的铁路机车小部件图像中,完成图像扩增;
S3所述对S2获取的随机图像进行随机增强,并将随机强增后的小部件图像粘贴到S1获取的需要扩增的铁路机车小部件图像中的具体方法包括:
设S2获取的随机图像的数据数量为N;
S3-1、在N中随机选取n个小部件图像,作为单张图像的增强样本;
S3-2、在n个小部件图像中随机选取一个小部件图像,作为初始数据A1;
初始数据A1的形状表征为w1*h1,其中,w1表示A1的宽,h1表示A1的高;
并在单张图像的增强样本上随机选取一个点P1(x1,y1),作为初始数据A1的中心;
初始数据A1的最小外接矩形半径R1为:R1=max(w1*h1)/2;
S3-3、在n个小部件图像中随机选取一个小部件图像Ai,形状为wi*hi;i=2,3,4,…,n;其中,wi表示Ai的宽,hi表示Ai的高;
并在单张图像的增强样本上随机选取一个点Pi(xi,yi),作为Ai的中心;
Ai的最小外接矩形半径Ri为:Ri=max(wi*hi)/2;
S3-4、判断Ai是否满足:
如果不满足则返回执行S3-3,如果满足则保留Ai,当i=n时执行S3-5;
S3-5、将保留的Ai进行边缘平滑处理,获得边缘平滑处理后的小部件图像Di;
S3-6、根据Pi(xi,yi)和Ri确定小部件图像的不同位置,将边缘平滑处理后的小部件图像Di粘贴到单张图像增强样本中的相应位置处。
2.根据权利要求1所述的一种铁路机车小部件图像扩增的方法,其特征在于,S1所述获取需要扩增的铁路机车小部件图像的具体方法包括:
S1-1、在铁路机车运行时,通过铁轨底部和两侧设置的线阵相机采集完整的机车图像;
S1-2、根据铁路机车小部件的分布选取包含铁路机车小部件的图像,选取的图像即为需要增强的图像;
S1-3、将需要增强的图像的部件名称和位置信息进行标注,并将标记后的图像进行存储,获得需要扩增的铁路机车小部件图像。
3.根据权利要求2所述的一种铁路机车小部件图像扩增的方法,其特征在于,S2所述采用图像处理算法对S1获取的铁路机车小部件图像进行随机处理的具体方法包括:随机缩放、随机旋转和随机非尺度变换;
所述采用随机缩放对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
对S1获取的铁路机车小部件图像进行随机缩放,使得目标尺寸在原图像的±20%范围内变化;
所述采用随机旋转对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
将S1获取的铁路机车小部件图像进行随机旋转,使得目标图像的旋转角度在S1获得的图像角度的±15°范围内变化;
所述采用随机非尺度变换对S1获取的铁路机车小部件图像进行随机处理的具体方法为:
将S1获取的铁路机车小部件图像进行随机非尺度变换增强处理。
4.根据权利要求3所述的一种铁路机车小部件图像扩增的方法,其特征在于,所述随机非尺度变换增强处理包括:图像翻转、图像滤波和图像灰度变换。
5.根据权利要求4所述的一种铁路机车小部件图像扩增的方法,其特征在于,所述将S1获取的铁路机车小部件图像进行随机非尺度变换增强处理的具体方法包括:
图像翻转的非尺度变换增强处理包括:图像水平翻转、图像竖直翻转和图像镜像翻转;
图像滤波的非尺度变换增强处理包括:图像均值滤波、图像中值滤波和图像高斯滤波;
图像灰度变换的非尺度变换增强处理包括:图像线性灰度变换、图像伽马灰度变换和图像自适应直方图均衡化。
6.根据权利要求1所述的一种铁路机车小部件图像扩增的方法,其特征在于,S3-5所述将保留的Ai进行边缘平滑处理的具体方法包括:
S3-5-1、在保留的Ai中随机选取一个小部件图像,记为Bi;
S3-5-2、将Bi'的边缘信息通过形态学膨胀进行增强,获得扩宽的边缘信息小部件图像Bi”;
S3-5-5、将Ci与系数θ相乘,乘积与Ai相加,获得边缘平滑处理后的小部件图像Di:
Di=Ci×θ+Ai。
7.根据权利要求6所述的一种铁路机车小部件图像扩增的方法,其特征在于,S3-5-3所述高斯滤波器采用3×3的高斯滤波器。
8.根据权利要求6所述的一种铁路机车小部件图像扩增的方法,其特征在于,S3-5-5所述的系数θ根据先验知识选取,θ=0.18。
9.根据1-8中任一项权利要求所述的一种铁路机车小部件图像扩增的方法,其特征在于,所述小部件包括紧固螺栓、防松铁丝和防松扎带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110307413.4A CN113034415B (zh) | 2021-03-23 | 2021-03-23 | 一种铁路机车小部件图像扩增的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110307413.4A CN113034415B (zh) | 2021-03-23 | 2021-03-23 | 一种铁路机车小部件图像扩增的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034415A true CN113034415A (zh) | 2021-06-25 |
CN113034415B CN113034415B (zh) | 2021-09-14 |
Family
ID=76472778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110307413.4A Active CN113034415B (zh) | 2021-03-23 | 2021-03-23 | 一种铁路机车小部件图像扩增的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034415B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713653A (zh) * | 2022-11-10 | 2023-02-24 | 中国铁塔股份有限公司黑龙江省分公司 | 塔桅结构破损位置图像识别方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064011A (zh) * | 2006-04-26 | 2007-10-31 | 电子科技大学 | 基于小波变换的复杂背景中的车牌提取方法 |
CN103544169A (zh) * | 2012-07-12 | 2014-01-29 | 百度在线网络技术(北京)有限公司 | 页面调整方法及装置 |
CN103606163A (zh) * | 2013-12-04 | 2014-02-26 | 南京汇川工业视觉技术开发有限公司 | 基于四元数理论和canny算法的彩色图像边缘检测方法 |
CN107122785A (zh) * | 2016-02-25 | 2017-09-01 | 中兴通讯股份有限公司 | 文本识别模型建立方法和装置 |
CN108665440A (zh) * | 2018-03-14 | 2018-10-16 | 重庆邮电大学 | 一种基于改进Sobel算子的不规则烟包图像融合边缘检测算法 |
CN108734716A (zh) * | 2018-04-21 | 2018-11-02 | 卞家福 | 一种基于改进Prewitt算子的火灾复杂环境图像检测方法 |
CN109101991A (zh) * | 2018-07-04 | 2018-12-28 | 中山大学中山眼科中心 | 一种婴幼儿视功能智能评估方法及装置 |
CN109118495A (zh) * | 2018-08-01 | 2019-01-01 | 沈阳东软医疗系统有限公司 | 一种视网膜血管分割方法和装置 |
CN109389594A (zh) * | 2018-10-09 | 2019-02-26 | 东北大学 | 一种基于图论的宫颈癌组织显微图像分析方法 |
CN109766879A (zh) * | 2019-01-11 | 2019-05-17 | 北京字节跳动网络技术有限公司 | 字符检测模型的生成、字符检测方法、装置、设备及介质 |
CN110147831A (zh) * | 2019-05-04 | 2019-08-20 | 鲁绪正 | 基于Capsule网络和迁移学习的甲骨文构件识别系统 |
CN110309687A (zh) * | 2019-07-05 | 2019-10-08 | 华中科技大学 | 一种二维码图像的校正方法及校正装置 |
CN110414519A (zh) * | 2019-06-27 | 2019-11-05 | 众安信息技术服务有限公司 | 一种图片文字的识别方法及其识别装置 |
CN110580480A (zh) * | 2019-07-21 | 2019-12-17 | 天津大学 | 基于图像处理的表计读数识别方法 |
CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械(集团)有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
CN110796041A (zh) * | 2019-10-16 | 2020-02-14 | Oppo广东移动通信有限公司 | 主体识别方法和装置、电子设备、计算机可读存储介质 |
CN110795995A (zh) * | 2019-09-16 | 2020-02-14 | 平安科技(深圳)有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN110969620A (zh) * | 2019-12-19 | 2020-04-07 | 中国农业大学 | 一种磁瓦波纹类缺陷的检测方法及装置 |
CN111274863A (zh) * | 2019-12-06 | 2020-06-12 | 创新奇智(成都)科技有限公司 | 一种基于文本山峰概率密度的文本预测方法 |
CN111553876A (zh) * | 2020-03-19 | 2020-08-18 | 中国航天空气动力技术研究院 | 一种气动光学视线误差图像处理方法及系统 |
CN111680755A (zh) * | 2020-06-11 | 2020-09-18 | 上海交通大学医学院附属第九人民医院 | 医学图像识别模型构建及医学图像识别方法、装置、介质及终端 |
CN112307991A (zh) * | 2020-11-04 | 2021-02-02 | 北京临近空间飞行器系统工程研究所 | 一种图像识别方法、装置及存储介质 |
-
2021
- 2021-03-23 CN CN202110307413.4A patent/CN113034415B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064011A (zh) * | 2006-04-26 | 2007-10-31 | 电子科技大学 | 基于小波变换的复杂背景中的车牌提取方法 |
CN103544169A (zh) * | 2012-07-12 | 2014-01-29 | 百度在线网络技术(北京)有限公司 | 页面调整方法及装置 |
CN103606163A (zh) * | 2013-12-04 | 2014-02-26 | 南京汇川工业视觉技术开发有限公司 | 基于四元数理论和canny算法的彩色图像边缘检测方法 |
CN107122785A (zh) * | 2016-02-25 | 2017-09-01 | 中兴通讯股份有限公司 | 文本识别模型建立方法和装置 |
CN108665440A (zh) * | 2018-03-14 | 2018-10-16 | 重庆邮电大学 | 一种基于改进Sobel算子的不规则烟包图像融合边缘检测算法 |
CN108734716A (zh) * | 2018-04-21 | 2018-11-02 | 卞家福 | 一种基于改进Prewitt算子的火灾复杂环境图像检测方法 |
CN109101991A (zh) * | 2018-07-04 | 2018-12-28 | 中山大学中山眼科中心 | 一种婴幼儿视功能智能评估方法及装置 |
CN109118495A (zh) * | 2018-08-01 | 2019-01-01 | 沈阳东软医疗系统有限公司 | 一种视网膜血管分割方法和装置 |
CN109389594A (zh) * | 2018-10-09 | 2019-02-26 | 东北大学 | 一种基于图论的宫颈癌组织显微图像分析方法 |
CN109766879A (zh) * | 2019-01-11 | 2019-05-17 | 北京字节跳动网络技术有限公司 | 字符检测模型的生成、字符检测方法、装置、设备及介质 |
CN110147831A (zh) * | 2019-05-04 | 2019-08-20 | 鲁绪正 | 基于Capsule网络和迁移学习的甲骨文构件识别系统 |
CN110414519A (zh) * | 2019-06-27 | 2019-11-05 | 众安信息技术服务有限公司 | 一种图片文字的识别方法及其识别装置 |
CN110309687A (zh) * | 2019-07-05 | 2019-10-08 | 华中科技大学 | 一种二维码图像的校正方法及校正装置 |
CN110580480A (zh) * | 2019-07-21 | 2019-12-17 | 天津大学 | 基于图像处理的表计读数识别方法 |
CN110795995A (zh) * | 2019-09-16 | 2020-02-14 | 平安科技(深圳)有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械(集团)有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
CN110796041A (zh) * | 2019-10-16 | 2020-02-14 | Oppo广东移动通信有限公司 | 主体识别方法和装置、电子设备、计算机可读存储介质 |
CN111274863A (zh) * | 2019-12-06 | 2020-06-12 | 创新奇智(成都)科技有限公司 | 一种基于文本山峰概率密度的文本预测方法 |
CN110969620A (zh) * | 2019-12-19 | 2020-04-07 | 中国农业大学 | 一种磁瓦波纹类缺陷的检测方法及装置 |
CN111553876A (zh) * | 2020-03-19 | 2020-08-18 | 中国航天空气动力技术研究院 | 一种气动光学视线误差图像处理方法及系统 |
CN111680755A (zh) * | 2020-06-11 | 2020-09-18 | 上海交通大学医学院附属第九人民医院 | 医学图像识别模型构建及医学图像识别方法、装置、介质及终端 |
CN112307991A (zh) * | 2020-11-04 | 2021-02-02 | 北京临近空间飞行器系统工程研究所 | 一种图像识别方法、装置及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713653A (zh) * | 2022-11-10 | 2023-02-24 | 中国铁塔股份有限公司黑龙江省分公司 | 塔桅结构破损位置图像识别方法 |
CN115713653B (zh) * | 2022-11-10 | 2023-10-10 | 中国铁塔股份有限公司黑龙江省分公司 | 塔桅结构破损位置图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113034415B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bilal et al. | Real-time lane detection and tracking for advanced driver assistance systems | |
Yu et al. | A novel license plate location method based on wavelet transform and EMD analysis | |
CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN103456003A (zh) | 对象跟踪装置及方法以及错误特征点剔除装置及方法 | |
CN105069754B (zh) | 基于在图像上无标记增强现实的系统和方法 | |
CN103996198A (zh) | 复杂自然环境下感兴趣区域的检测方法 | |
CN110533113B (zh) | 一种数字图像中树状结构的分支点检测方法 | |
CN110334709B (zh) | 基于端到端多任务深度学习的车牌检测方法 | |
JPH03174684A (ja) | ナンバープレート認識装置 | |
Maglad | A vehicle license plate detection and recognition system | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
Zhao et al. | License plate location based on Haar-like cascade classifiers and edges | |
CN113034415B (zh) | 一种铁路机车小部件图像扩增的方法 | |
Li et al. | A lane marking detection and tracking algorithm based on sub-regions | |
CN105761507B (zh) | 一种基于三维轨迹聚类的车辆计数方法 | |
CN111696072A (zh) | 彩色图像的直线检测方法、装置、电子设备及存储介质 | |
CN108509826A (zh) | 一种遥感影像的道路识别方法及其系统 | |
CN112308801A (zh) | 基于大数据图像采集的道路交通追踪管理方法及系统 | |
Kini | Real time moving vehicle congestion detection and tracking using OpenCV | |
Fadl et al. | Copy-rotate-move forgery detection based on spatial domain | |
CN107529658A (zh) | 高噪声显微图像下的自动检测微管方法 | |
CN106203529A (zh) | 一种基于先验信息的车辆轮胎安全检测方法 | |
CN102938156B (zh) | 一种基于积分图像的面状注记配置方法 | |
JPH08161508A (ja) | パターン検出方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |