CN113077391B - 校正扫描图像的方法和装置以及图像扫描系统 - Google Patents
校正扫描图像的方法和装置以及图像扫描系统 Download PDFInfo
- Publication number
- CN113077391B CN113077391B CN202010711447.5A CN202010711447A CN113077391B CN 113077391 B CN113077391 B CN 113077391B CN 202010711447 A CN202010711447 A CN 202010711447A CN 113077391 B CN113077391 B CN 113077391B
- Authority
- CN
- China
- Prior art keywords
- image
- scanned image
- scanned
- correcting
- references
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 230000007704 transition Effects 0.000 claims description 50
- 238000012937 correction Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003702 image correction Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 16
- 230000009467 reduction Effects 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/40—Picture signal circuits
- H04N1/409—Edge or detail enhancement; Noise or error suppression
- H04N1/4092—Edge or detail enhancement
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
- H04N1/00005—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for relating to image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T3/18—Image warping, e.g. rearranging pixels individually
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
- H04N1/00026—Methods therefor
- H04N1/00037—Detecting, i.e. determining the occurrence of a predetermined state
-
- 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
- G06T2207/10008—Still image; Photographic image from scanner, fax or copier
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Geometry (AREA)
- Studio Devices (AREA)
- Facsimile Scanning Arrangements (AREA)
Abstract
本公开提出一种校正扫描图像的方法和装置以及图像扫描系统,涉及图像扫描领域。该方法包括:获取被扫描对象的扫描图像;从所述扫描图像中检测一个或多个参照物;根据预设的参照物的标准参数,确定每个参照物的变形参数;根据所述一个或多个参照物的变形参数,对所述扫描图像进行校正。通过从扫描图像中检测参照物,根据参照物的变形参数,对扫描图像进行校正,以改善扫描图像变形的问题,提高检测效果。
Description
技术领域
本公开涉及图像扫描领域,特别涉及一种校正扫描图像的方法和装置以及图像扫描系统。
背景技术
图像扫描系统向被扫描对象发射某种射线,形成辐射图像,以实现对被扫描对象的检测。
发明人发现,在图像扫描系统与被扫描对象之间的相对移动速度与图像扫描系统的扫描参数(如射线源的出束频率或飞轮转数等)不匹配的情况下,扫描图像会发生变形,影响检测效果。
发明内容
本公开实施例所要解决的一个技术问题是:由于图像扫描系统与被扫描对象之间的相对移动速度与图像扫描系统的扫描参数不匹配所造成的扫描图像变形的问题。
本公开实施例通过从扫描图像中检测参照物,根据参照物的变形参数,对扫描图像进行校正,以改善扫描图像变形的问题,提高检测效果。
本公开一些实施例提出一种校正扫描图像的方法,包括:
获取被扫描对象的扫描图像;
从所述扫描图像中检测一个或多个参照物;
根据预设的参照物的标准参数,确定每个参照物的变形参数;
根据所述一个或多个参照物的变形参数,对所述扫描图像进行校正。
在一些实施例中,对所述扫描图像进行校正包括:
在从所述扫描图像中检测到多个参照物且所述多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对所述扫描图像中的不同部分的图像分别进行校正;
或者,在从所述扫描图像中检测到多个参照物且所述多个参照物的变形参数相同的情况下,根据所述相同的变形参数对整个的所述扫描图像进行校正;
或者,在从所述扫描图像中检测到一个参照物的情况下,根据所述一个参照物的变形参数对整个的所述扫描图像进行校正。
在一些实施例中,在从所述扫描图像中检测到多个参照物且所述多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对所述扫描图像中的不同部分的图像分别进行校正,包括:
根据多个参照物的位置和数量,将所述扫描图像划分为相同数量的多个部分,不同的参照物被划分在所述扫描图像的不同的部分;
根据每个参照物的变形参数对所述扫描图像中的所述参照物所在部分的图像分别进行校正。
在一些实施例中,在从所述扫描图像中检测到多个参照物且所述多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对所述扫描图像中的不同部分的图像分别进行校正,包括:
在所述扫描图像中的相邻两个参照物之间设置一个或多个过渡区域,所述一个或多个过渡区域的变形参数根据所述相邻两个参照物的变形参数确定;
将所述扫描图像划分为每个参照物所在的部分以及相邻两个参照物之间的一个或多个过渡区域;
根据每个参照物的变形参数对所述扫描图像中的所述参照物所在部分的图像分别进行校正;
根据每个过渡区域的变形参数对相应过渡区域的图像分别进行校正。
在一些实施例中,将相邻两个参照物的变形参数按照相应的加权系数加权求和得到相邻两个参照物之间的每个过渡区域的变形参数,其中,越靠近过渡区域的参照物的加权系数越大。
在一些实施例中,从所述扫描图像中检测一个或多个参照物包括:利用目标检测模型,将参照物作为待检测的目标,从所述扫描图像中检测一个或多个参照物。
在一些实施例中,所述目标检测模型包括:区域卷积神经网络R-CNN模型,YOLO模型,单次多盒检测器SSD,弱监督目标检测模型WSOD,或者,方向梯度直方图HOG和支持向量机SVM的组合。
在一些实施例中,对所述扫描图像进行校正包括:
如果变形参数表示待校正的图像在垂直方向被拉伸,按照垂直方向的拉伸程度,对待校正的图像在水平方向进行相应校正程度的像素插值处理和在垂直方向进行相应校正程度的像素采样处理中的至少一项;
如果变形参数表示待校正的图像在水平方向被拉伸,按照水平方向的拉伸程度,对待校正的图像在水平方向进行相应校正程度的像素采样处理和在垂直方向进行相应校正程度的像素插值处理中的至少一项;
其中,待校正的图像为整个的所述扫描图像或者所述扫描图像的不同部分的图像。
在一些实施例中,所述参照物为所述被扫描对象的已知形状或已知尺寸比例的部分。
在一些实施例中,在所述被扫描对象为车辆的情况下,所述参照物为圆形的车轮;或者,在所述被扫描对象为集装箱的情况下,所述参照物为集装箱的已知长宽尺寸比例的检测面。
在一些实施例中,所述扫描图像包括背散射图像或透射图像。
本公开一些实施例提出一种校正扫描图像的装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行任一个实施例所述的校正扫描图像的方法。
本公开一些实施例提出一种校正扫描图像的装置,包括:
图像获取单元,被配置为获取被扫描对象的扫描图像;
目标检测单元,被配置为从所述扫描图像中检测一个或多个参照物;
参数确定单元,被配置为根据预设的参照物的标准参数,确定每个参照物的变形参数;
图像校正单元,被配置为根据所述一个或多个参照物的变形参数,对所述扫描图像进行校正。
本公开一些实施例提出一种图像扫描系统,包括:图像扫描装置,被配置为对被扫描对象进行扫描形成所述被扫描对象的扫描图像;以及前述实施例的校正扫描图像的装置。
在一些实施例中,所述图像扫描装置包括背散射图像扫描装置或透射图像扫描装置。
本公开一些实施例提出一种非瞬时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一个实施例所述的校正扫描图像的方法的步骤。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述,可以更加清楚地理解本公开。
显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开一些实施例的校正扫描图像的方法的流程示意图。
图2A-2C示出本公开一些实施例的根据一个变形参数对整个的扫描图像进行校正的示例的示意图。
图3A-3E示出本公开一些实施例的根据多个变形参数对扫描图像中的不同部分的图像分别进行校正的示例的示意图。
图4示出本公开一些实施例的校正扫描图像的装置的示意图。
图5示出本公开一些实施例的校正扫描图像的装置的示意图。
图6示出本公开一些实施例的图像扫描系统的示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。
图1示出本公开一些实施例的校正扫描图像的方法的流程示意图。该方法例如可以由校正扫描图像的装置执行。
如图1所示,该实施例的方法包括步骤110-140。
在步骤110,获取被扫描对象的扫描图像。
被扫描对象例如是车辆,集装箱,人等,但不限于所举示例。
校正扫描图像的装置例如可以从图像扫描装置获取被扫描对象的扫描图像。根据成像原理的不同,图像扫描装置分为背散射图像扫描装置和透射图像扫描装置,相应的,被扫描对象的扫描图像分为背散射图像或透射图像。背散射图像是背散射图像扫描装置利用康普顿散射效应,通过捕获被扫描对象散射返回的入射光子进行成像。透射图像是透射图像扫描装置是利用位于被扫描对象另一侧的探测器探测到的穿过被扫描对象衰减后的入射射线进行成像。
背散射图像扫描装置和透射图像扫描装置均有两种扫描模式,即主动扫描模式和被动扫描模式。在主动扫描模式下,被扫描对象不动,图像扫描装置移动。在被动扫描模式下,图像扫描装置不动,被扫描对象移动。被动扫描模式又称快速扫描模式。无论是主动扫描模式,还是被动扫描模式,在图像扫描装置与被扫描对象之间发生相对位移的过程中,图像扫描装置发出射线,如X射线或γ射线等,对被扫描对象进行成像。
在步骤110之后,在步骤120之前,还可以选择性地执行步骤112,即,对扫描图像进行图像预处理。
图像预处理例如包括有效区域裁剪、图像大小调整,图像亮度、对比度调整,图像增强和图像降噪等处理,但不限于所举示例。
通过图像预处理,可以得到相对标准化的待处理的扫描图像,进而提高从扫描图像中检测参照物的精度和速度。
在步骤120,从扫描图像中检测一个或多个参照物。
参照物为被扫描对象的已知形状或已知尺寸比例的部分。例如,在被扫描对象为车辆的情况下,参照物可以为圆形的车轮(如轮胎或轮毂)。又例如,在被扫描对象为集装箱的情况下,参照物为集装箱的已知长宽尺寸比例的检测面。通常情况下,车辆有多个车轮,因此,从车辆的扫描图像中可以检测出多个车轮参照物。从集装箱的扫描图像中可以检测出一个检测面参照物。
利用目标检测模型,将参照物作为待检测的目标,从扫描图像中检测一个或多个参照物。即,将扫描图像输入目标检测模型,目标检测模型输出扫描图像的一个或多个参照物。
目标检测模型例如包括:R-CNN(Region-based Convolutional NeuralNetworks,区域卷积神经网络)模型,YOLO(You only look once)模型,SSD(Single ShotMultiBox Detector,单次多盒检测器),WSOD(Weakly supervised object detection,弱监督目标检测)模型,或者,HOG(Histogram of Oriented Gradient,方向梯度直方图)和SVM(Support Vector Machine,支持向量机)的组合,以及其他能够实现目标检测的机器学习模型,但不限于所举示例。根据目标检测模型的不同,目标检测模型的参照物目标检测结果例如可以通过画矩形框,描绘参照物的边界,输出参照物的特征点的位置等方式输出,但不限于所举示例。
目标检测模型例如可以是无监督、弱监督或有监督的模型。例如,HOG和SVM的组合是无监督模型,WSOD模型是弱监督模型,R-CNN、YOLO模型、SSD等是有监督模型。
上述列举的目标检测模型均是比较成熟的技术,这里不再赘述其内容。下面以R-CNN、YOLO、SSD等基于深度学习的目标检测模型为例,来说明参照物的检测。利用标注有参照物的多张训练图像输入R-CNN、YOLO、SSD等深度学习模型,根据深度学习模型输出的参照物与标注的参照物之间的差距,迭代地更新深度学习模型的参数,直至达到训练终止条件,例如,深度学习模型输出的参照物与标注的参照物之间的差距小于预设差距,或者,达到预设的迭代次数等,训练后的深度学习模型即可作为该参照物的目标检测模型。在目标检测阶段,将扫描图像输入目标检测模型,目标检测模型输出扫描图像的一个或多个参照物。
在步骤130,根据预设的参照物的标准参数,确定每个参照物的变形参数。
在步骤140,根据一个或多个参照物的变形参数,对扫描图像进行校正。
通过从扫描图像中检测参照物,根据参照物的变形参数,对扫描图像进行校正,以改善扫描图像变形的问题,提高检测效果。
校正方法1:在从扫描图像中检测到一个参照物的情况下,根据一个参照物的变形参数对整个的扫描图像进行校正。
校正方法2:在从扫描图像中检测到多个参照物且多个参照物的变形参数相同的情况下,根据相同的变形参数对整个的扫描图像进行校正。
校正方法3:在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对扫描图像中的不同部分的图像分别进行校正。
上述校正方法1-3中所涉及的图像校正技术例如可以采用用来放大图像的像素插值处理或用来缩小图像的像素采样处理,但不限于所举示例。具体来说,如果变形参数表示待校正的图像在垂直方向被拉伸,按照垂直方向的拉伸程度,对待校正的图像在水平方向进行相应校正程度(如放大系数)的像素插值处理和在垂直方向进行相应校正程度(如缩小系数)的像素采样处理中的至少一项;如果变形参数表示待校正的图像在水平方向被拉伸,按照水平方向的拉伸程度,对待校正的图像在水平方向进行相应校正程度(如缩小系数)的像素采样处理和在垂直方向进行相应校正程度(如放大系数)的像素插值处理中的至少一项;其中,待校正的图像为校正方法1-3提及的整个的扫描图像或者扫描图像的不同部分的图像。
上述校正方法1-2是类似的,根据一个变形参数对整个的扫描图像进行校正,结合图2A-2C描述该校正方法。其中,该一个变形参数可以是一个参照物的变形参数(对应校正方法1),也可以是多个参照物的相同的变形参数(对应校正方法2)。
以车辆检测为例,圆形的车轮被设定为参照物。车轮参照物的标准参数是垂直方向半径与水平方向半径的比例为1:1。
如图2A,从车辆的扫描图像中检测出两个车轮参照物,与车轮参照物的圆形标准参数相比,检测出的两个车轮参照物均发生变形,且变形参数(能够表示变形程度)相同。假设检测出的两个车轮参照物的变形参数均为垂直方向半径与水平方向半径的比例为2:1,说明车辆的扫描图像在垂直方向被拉伸。(1)按照垂直方向的拉伸程度(2倍),对车辆的扫描图像在水平方向进行相应校正程度的像素插值处理,如进行放大系数为2的最邻近像素插值,即,在每两个水平像素之间插入一个像素,插入像素的特征值例如为插入像素左右两侧最邻近两个水平像素的特征值的均值。(2)按照垂直方向的拉伸程度(2倍),对车辆的扫描图像在垂直方向进行相应校正程度的像素采样处理,如进行缩小系数为1/2的等间隔像素采样,即,在每两个垂直像素中采样出一个垂直像素作为校正后的扫描图像的垂直像素。(3)按照垂直方向的拉伸程度(2倍),同时对车辆的扫描图像在水平方向进行相应校正程度的像素插值处理和在垂直方向进行相应校正程度的像素采样处理,例如,同时在水平方向进行放大系数为1.5的最邻近像素插值和在垂直方向进行缩小系数为3/4的等间隔像素采样,即,在水平方向上,基于每两个水平像素增加一个水平像素,例如,基于水平像素1和水平像素2增加水平像素12(水平像素12的特征值根据水平像素1的特征值和水平像素2的特征值的确定,如,将水平像素1的特征值和水平像素2的特征值的均值作为水平像素12的特征值),基于水平像素3和水平像素4增加水平像素34(水平像素34的特征值根据水平像素3的特征值和水平像素4的特征值的确定),依次类推,在垂直方向上,每4个垂直像素采样出3个垂直像素作为校正后的扫描图像的垂直像素。通过上述的(1)(2)或(3)的处理,均可以将图2A所示的变形的车辆的扫描图像校正为图2C所示的正常的车辆的扫描图像。在图2C中,车轮参照物的垂直方向半径与水平方向半径的比例为1:1,符合车轮参照物的标准参数的设定。
如图2B,从车辆的扫描图像中检测出两个车轮参照物,与车轮参照物的圆形标准参数相比,检测出的两个车轮参照物均发生变形,且变形参数(能够表示变形程度)相同。假设检测出的两个车轮参照物的变形参数均为垂直方向半径与水平方向半径的比例为1:2,说明车辆的扫描图像在水平方向被拉伸。(1)按水平方向的拉伸程度(2倍),对车辆的扫描图像在垂直方向进行相应校正程度的像素插值处理,如进行放大系数为2的最邻近像素插值,即,在每两个垂直像素之间插入一个像素,插入像素的特征值例如为插入像素上下两侧最邻近两个垂直像素的特征值的均值。(2)按照水平方向的拉伸程度(2倍),对车辆的扫描图像在水平方向进行相应校正程度的像素采样处理,如进行缩小系数为1/2的等间隔像素采样,即,在每两个水平像素中采样出一个水平像素作为校正后的扫描图像的水平像素。(3)按照水平方向的拉伸程度(2倍),同时对车辆的扫描图像在垂直方向进行相应校正程度的像素插值处理和在水平方向进行相应校正程度的像素采样处理,例如,同时在垂直方向进行放大系数为1.5的最邻近像素插值和在水平方向进行缩小系数为3/4的等间隔像素采样,即,在垂直方向上,基于每两个垂直像素增加一个垂直像素,例如,基于垂直像素1和垂直像素2增加垂直像素12(垂直像素12的特征值根据垂直像素1的特征值和垂直像素2的特征值的确定,如,将垂直像素1的特征值和垂直像素2的特征值的均值作为垂直像素12的特征值),基于垂直像素3和垂直像素4增加垂直像素34(垂直像素34的特征值根据垂直像素3的特征值和垂直像素4的特征值的确定),依次类推,在水平方向上,每4个水平像素采样出3个水平像素作为校正后的扫描图像的水平像素。通过上述的(1)(2)或(3)的处理,均可以将图2B所示的变形的车辆的扫描图像校正为图2C所示的正常的车辆的扫描图像。在图2C中,车轮参照物的垂直方向半径与水平方向半径的比例为1:1,符合车轮参照物的标准参数的设定。
校正方法3的第一种实现方法包括:在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,根据多个参照物的位置和数量,将扫描图像划分为相同数量的多个部分,不同的参照物被划分在扫描图像的不同的部分,根据每个参照物的变形参数对扫描图像中的参照物所在部分的图像分别进行校正。
以车辆检测为例,圆形的车轮被设定为参照物。车轮参照物的标准参数是垂直方向半径与水平方向半径的比例为1:1。
如图3A,从车辆的扫描图像中检测出两个车轮参照物,与车轮参照物的圆形标准参数相比,检测出的两个车轮参照物均发生变形,且变形参数(能够表示变形程度)不同,这种情况是由于车辆的速度不均匀导致的。例如,在扫描过程中,车辆速度先大后小,则容易出现图3A所示的变形。假设前车轮参照物的变形参数为垂直方向半径与水平方向半径的比例为2:1,后车轮参照物的变形参数为垂直方向半径与水平方向半径的比例为1:2。
如图3B,根据车轮参照物的位置和数量,将车辆的扫描图像划分为两个部分P1和P2,前车轮参照物被划分在部分P1,后车轮参照物被划分在部分P2。根据前车轮参照物的变形参数,对扫描图像的部分P1进行校正;同时,根据后车轮参照物的变形参数,对扫描图像的部分P2进行校正。扫描图像的每个部分基于该部分的变形参数的具体校正方法可以参考图2A-2C所示实施例的相关描述,这里不再赘述。
图3A所示的变形的车辆的扫描图像经过图3B所示的校正得到图3E所示的正常的车辆的扫描图像。在图3E中,车轮参照物的垂直方向半径与水平方向半径的比例为1:1,符合车轮参照物的标准参数的设定。
校正方法3的第二种实现方法包括:在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,在扫描图像中的相邻两个参照物之间设置一个或多个过渡区域,一个或多个过渡区域的变形参数根据相邻两个参照物的变形参数确定,将扫描图像划分为每个参照物所在的部分以及相邻两个参照物之间的一个或多个过渡区域,根据每个参照物的变形参数对扫描图像中的参照物所在部分的图像分别进行校正,根据每个过渡区域的变形参数对相应过渡区域的图像分别进行校正。其中,将相邻两个参照物的变形参数按照相应的加权系数加权求和得到相邻两个参照物之间的每个过渡区域的变形参数,其中,越靠近过渡区域的参照物的加权系数越大。
仍以图3A所示的变形的车辆的扫描图像为例,检测出的两个车轮参照物均发生变形,且变形参数(能够表示变形程度)不同。假设前车轮参照物的变形参数为垂直方向半径与水平方向半径的比例为2:1,后车轮参照物的变形参数为垂直方向半径与水平方向半径的比例为1:2。
如图3C,将车辆的扫描图像划分为前车轮参照物所在的部分P1、后车轮参照物所在的部分P2、以及前车轮参照物与后车轮参照物之间的一个过渡区域P3。根据前车轮参照物的变形参数,对扫描图像的部分P1进行校正;同时,根据后车轮参照物的变形参数,对扫描图像的部分P2进行校正;同时,根据过渡区域P3的变形参数对相应过渡区域P3的图像进行校正。其中,过渡区域P3的变形参数通过对前车轮参照物的变形参数和后车轮参照物的变形参数进行加权求和得到,由于过渡区域P3与前车轮参照物和后车轮参照物的距离相同,前车轮参照物和后车轮参照物的变形参数的加权系数相同,例如,均为1/2。扫描图像的每个部分基于该部分的变形参数的具体校正方法可以参考图2A-2C所示实施例的相关描述,这里不再赘述。
如图3D,将车辆的扫描图像划分为前车轮参照物所在的部分P1、后车轮参照物所在的部分P2、以及前车轮参照物与后车轮参照物之间的两个过渡区域P4和P5。根据前车轮参照物的变形参数,对扫描图像的部分P1进行校正;同时,根据后车轮参照物的变形参数,对扫描图像的部分P2进行校正;同时,根据过渡区域P4的变形参数对相应过渡区域P4的图像进行校正;同时,根据过渡区域P5的变形参数对相应过渡区域P5的图像进行校正。其中,过渡区域P4和P5的变形参数均可以通过对前车轮参照物的变形参数和后车轮参照物的变形参数进行加权求和得到。由于过渡区域P4更靠近部分P2,因此,在计算过渡区域P4的变形参数时,后车轮参照物比前车轮参照物的变形参数的加权系数大,例如,后车轮参照物的变形参数的加权系数为2/3,前车轮参照物的变形参数的加权系数为1/3。由于过渡区域P5更靠近部分P1,因此,在计算过渡区域P5的变形参数时,前车轮参照物比后车轮参照物的变形参数的加权系数大,例如,前车轮参照物的变形参数的加权系数为2/3,后车轮参照物的变形参数的加权系数为1/3。扫描图像的每个部分基于该部分的变形参数的具体校正方法可以参考图2A-2C所示实施例的相关描述,这里不再赘述。
通过在相邻的变形部分之间增设过渡区域,以及针对过渡区域的变形参数对过渡区域的扫描图像进行校正,可以使得校正后的扫描图像整体上更加平滑,进一步改善描图像变形的问题,进一步提高检测效果。过渡区域的数量越多,校正后的扫描图像整体上的平滑性更好。
图4示出本公开一些实施例的校正扫描图像的装置的示意图。
如图4所示,该实施例的校正扫描图像的装置400包括:存储器410以及耦接至存储器的处理器420,处理器被配置为基于存储在存储器中的指令,执行任一个实施例的校正扫描图像的方法。
校正扫描图像的方法例如包括:获取被扫描对象的扫描图像;从扫描图像中检测一个或多个参照物;根据预设的参照物的标准参数,确定每个参照物的变形参数;根据一个或多个参照物的变形参数,对扫描图像进行校正。
对扫描图像进行校正例如包括:在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对扫描图像中的不同部分的图像分别进行校正;或者,在从扫描图像中检测到多个参照物且多个参照物的变形参数相同的情况下,根据相同的变形参数对整个的扫描图像进行校正;或者,在从扫描图像中检测到一个参照物的情况下,根据一个参照物的变形参数对整个的扫描图像进行校正。
在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对扫描图像中的不同部分的图像分别进行校正,例如包括:根据多个参照物的位置和数量,将扫描图像划分为相同数量的多个部分,不同的参照物被划分在扫描图像的不同的部分;根据每个参照物的变形参数对扫描图像中的参照物所在部分的图像分别进行校正。
在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对扫描图像中的不同部分的图像分别进行校正,例如包括:在扫描图像中的相邻两个参照物之间设置一个或多个过渡区域,一个或多个过渡区域的变形参数根据相邻两个参照物的变形参数确定;将扫描图像划分为每个参照物所在的部分以及相邻两个参照物之间的一个或多个过渡区域;根据每个参照物的变形参数对扫描图像中的参照物所在部分的图像分别进行校正;根据每个过渡区域的变形参数对相应过渡区域的图像分别进行校正。
其中,存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
图5示出本公开一些实施例的校正扫描图像的装置的示意图。
如图5所示,该实施例的校正扫描图像的装置500包括:
图像获取单元510,被配置为获取被扫描对象的扫描图像。
目标检测单元520,被配置为从扫描图像中检测一个或多个参照物。
参数确定单元530,被配置为根据预设的参照物的标准参数,确定每个参照物的变形参数。
图像校正单元540,被配置为根据一个或多个参照物的变形参数,对扫描图像进行校正。
其中,目标检测单元520,被配置为利用目标检测模型,将参照物作为待检测的目标,从所述扫描图像中检测一个或多个参照物。
其中,图像校正单元540,被配置为在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对扫描图像中的不同部分的图像分别进行校正;或者,在从扫描图像中检测到多个参照物且多个参照物的变形参数相同的情况下,根据相同的变形参数对整个的扫描图像进行校正;或者,在从扫描图像中检测到一个参照物的情况下,根据一个参照物的变形参数对整个的扫描图像进行校正。
其中,图像校正单元540,被配置为在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,根据多个参照物的位置和数量,将扫描图像划分为相同数量的多个部分,不同的参照物被划分在扫描图像的不同的部分;根据每个参照物的变形参数对扫描图像中的参照物所在部分的图像分别进行校正。
其中,图像校正单元540,被配置为在从扫描图像中检测到多个参照物且多个参照物的变形参数不同的情况下,在扫描图像中的相邻两个参照物之间设置一个或多个过渡区域,一个或多个过渡区域的变形参数根据相邻两个参照物的变形参数确定;将扫描图像划分为每个参照物所在的部分以及相邻两个参照物之间的一个或多个过渡区域;根据每个参照物的变形参数对扫描图像中的参照物所在部分的图像分别进行校正;根据每个过渡区域的变形参数对相应过渡区域的图像分别进行校正。
图6示出本公开一些实施例的图像扫描系统的示意图。
如图6所示,该实施例的图像扫描系统包括:图像扫描装置600以及校正扫描图像的装置400,500。
图像扫描装置600,被配置为对被扫描对象进行扫描形成被扫描对象的扫描图像,传输到校正扫描图像的装置400,500,以便对扫描图像进行校正。
本公开实施例还提出一种非瞬时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一个实施例的校正扫描图像的方法的步骤。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (15)
1.一种校正扫描图像的方法,其特征在于,包括:
获取被扫描对象的扫描图像;
从所述扫描图像中检测多个参照物;
根据预设的参照物的标准参数,确定每个参照物的变形参数;
根据所述多个参照物的变形参数,对所述扫描图像进行校正,包括:根据多个参照物的位置和数量,将所述扫描图像划分为相同数量的多个部分,不同的参照物被划分在所述扫描图像的不同的部分;根据每个参照物的变形参数对所述扫描图像中的所述参照物所在部分的图像分别进行校正。
2.根据权利要求1所述的方法,其特征在于,对所述扫描图像进行校正包括:
在从所述扫描图像中检测到多个参照物且所述多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对所述扫描图像中的不同部分的图像分别进行校正。
3.根据权利要求2所述的方法,其特征在于,在从所述扫描图像中检测到多个参照物且所述多个参照物的变形参数不同的情况下,根据每个参照物的变形参数对所述扫描图像中的不同部分的图像分别进行校正,包括:
在所述扫描图像中的相邻两个参照物之间设置一个或多个过渡区域,所述一个或多个过渡区域的变形参数根据所述相邻两个参照物的变形参数确定;
将所述扫描图像划分为每个参照物所在的部分以及相邻两个参照物之间的一个或多个过渡区域;
根据每个参照物的变形参数对所述扫描图像中的所述参照物所在部分的图像分别进行校正;
根据每个过渡区域的变形参数对相应过渡区域的图像分别进行校正。
4.根据权利要求3所述的方法,其特征在于,
将相邻两个参照物的变形参数按照相应的加权系数加权求和得到相邻两个参照物之间的每个过渡区域的变形参数,其中,越靠近过渡区域的参照物的加权系数越大。
5.根据权利要求1所述的方法,其特征在于,从所述扫描图像中检测多个参照物包括:
利用目标检测模型,将参照物作为待检测的目标,从所述扫描图像中检测多个参照物。
6.根据权利要求5所述的方法,其特征在于,所述目标检测模型包括:
区域卷积神经网络R-CNN模型,YOLO模型,单次多盒检测器SSD,弱监督目标检测模型WSOD,或者,方向梯度直方图HOG和支持向量机SVM的组合。
7.根据权利要求2-4任一项所述的方法,其特征在于,对所述扫描图像进行校正包括:
如果变形参数表示待校正的图像在垂直方向被拉伸,按照垂直方向的拉伸程度,对待校正的图像在水平方向进行相应校正程度的像素插值处理和在垂直方向进行相应校正程度的像素采样处理中的至少一项;
如果变形参数表示待校正的图像在水平方向被拉伸,按照水平方向的拉伸程度,对待校正的图像在水平方向进行相应校正程度的像素采样处理和在垂直方向进行相应校正程度的像素插值处理中的至少一项;
其中,待校正的图像为整个的所述扫描图像或者所述扫描图像的不同部分的图像。
8.根据权利要求1-6任一项所述的方法,其特征在于,
所述参照物为所述被扫描对象的已知形状或已知尺寸比例的部分。
9.根据权利要求8所述的方法,其特征在于,
在所述被扫描对象为车辆的情况下,所述参照物为圆形的车轮;
或者,在所述被扫描对象为集装箱的情况下,所述参照物为集装箱的已知长宽尺寸比例的检测面。
10.根据权利要求1-6任一项所述的方法,其特征在于,
所述扫描图像包括背散射图像或透射图像。
11.一种校正扫描图像的装置,其特征在于,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行权利要求1-10中任一项所述的校正扫描图像的方法。
12.一种校正扫描图像的装置,其特征在于,包括:
图像获取单元,被配置为获取被扫描对象的扫描图像;
目标检测单元,被配置为从所述扫描图像中检测多个参照物;
参数确定单元,被配置为根据预设的参照物的标准参数,确定每个参照物的变形参数;
图像校正单元,被配置为根据所述多个参照物的变形参数,对所述扫描图像进行校正,包括:根据多个参照物的位置和数量,将所述扫描图像划分为相同数量的多个部分,不同的参照物被划分在所述扫描图像的不同的部分;根据每个参照物的变形参数对所述扫描图像中的所述参照物所在部分的图像分别进行校正。
13.一种图像扫描系统,包括:
图像扫描装置,被配置为对被扫描对象进行扫描形成所述被扫描对象的扫描图像;以及
权利要求12或11所述的校正扫描图像的装置。
14.根据权利要求13所述的图像扫描系统,其特征在于,所述图像扫描装置包括背散射图像扫描装置或透射图像扫描装置。
15.一种非瞬时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-10中任一项所述的校正扫描图像的方法的步骤。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711447.5A CN113077391B (zh) | 2020-07-22 | 2020-07-22 | 校正扫描图像的方法和装置以及图像扫描系统 |
GB2110468.2A GB2602181B (en) | 2020-07-22 | 2021-07-21 | Method and device for correcting a scanned image and image scanning system |
US17/382,236 US11812002B2 (en) | 2020-07-22 | 2021-07-21 | Method and device for correcting a scanned image and image scanning system |
PL438564A PL438564A1 (pl) | 2020-07-22 | 2021-07-22 | Sposób i urządzenie do korygowania zeskanowanego obrazu oraz układ do skanowania obrazu |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711447.5A CN113077391B (zh) | 2020-07-22 | 2020-07-22 | 校正扫描图像的方法和装置以及图像扫描系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077391A CN113077391A (zh) | 2021-07-06 |
CN113077391B true CN113077391B (zh) | 2024-01-26 |
Family
ID=76609158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010711447.5A Active CN113077391B (zh) | 2020-07-22 | 2020-07-22 | 校正扫描图像的方法和装置以及图像扫描系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11812002B2 (zh) |
CN (1) | CN113077391B (zh) |
GB (1) | GB2602181B (zh) |
PL (1) | PL438564A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936988B (zh) * | 2022-07-21 | 2022-11-01 | 杭州睿影科技有限公司 | 图像校正方法、装置及电子设备 |
CN116781824B (zh) * | 2023-08-24 | 2023-11-17 | 半糖去冰科技(北京)有限公司 | 一种安卓手机的文件扫描方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101170627A (zh) * | 2006-10-26 | 2008-04-30 | 三星电子株式会社 | 具有图像校正功能的扫描设备 |
CN102194215A (zh) * | 2010-03-19 | 2011-09-21 | 索尼公司 | 图像处理设备、方法以及程序 |
CN108492246A (zh) * | 2018-03-12 | 2018-09-04 | 维沃移动通信有限公司 | 一种图像处理方法、装置及移动终端 |
CN109145927A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6606421B1 (en) * | 2000-05-25 | 2003-08-12 | Hewlett-Packard Development Company, L.P. | Geometric deformation correction method and system for dot pattern images |
US8923650B2 (en) * | 2013-01-07 | 2014-12-30 | Wexenergy Innovations Llc | System and method of measuring distances related to an object |
WO2015029024A1 (en) * | 2013-08-26 | 2015-03-05 | Inuitive Ltd. | Method and system for correcting image distortion |
US11288789B1 (en) * | 2016-05-20 | 2022-03-29 | Ccc Intelligent Solutions Inc. | Systems and methods for repairing a damaged vehicle using image processing |
CN109215055A (zh) * | 2017-06-30 | 2019-01-15 | 杭州海康威视数字技术股份有限公司 | 一种目标特征提取方法、装置及应用系统 |
US10699410B2 (en) * | 2017-08-17 | 2020-06-30 | Siemes Healthcare GmbH | Automatic change detection in medical images |
JP6739411B2 (ja) * | 2017-08-17 | 2020-08-12 | 富士フイルム株式会社 | 磁場歪み算出装置、方法およびプログラム |
GB2559639B (en) * | 2017-09-08 | 2021-01-06 | Anthropics Tech Limited | Image manipulation |
EP3732439B1 (en) * | 2017-12-27 | 2023-04-05 | Bayerische Motoren Werke Aktiengesellschaft | Deformation correction of a digital map for a vehicle |
US10888296B2 (en) * | 2018-06-29 | 2021-01-12 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for modulating radiation dose |
US10809364B2 (en) | 2018-08-06 | 2020-10-20 | Luminar Technologies, Inc. | Determining relative velocity using co-located pixels |
US11195277B2 (en) * | 2019-04-25 | 2021-12-07 | GE Precision Healthcare LLC | Systems and methods for generating normative imaging data for medical image processing using deep learning |
JP2021012098A (ja) * | 2019-07-05 | 2021-02-04 | 株式会社イシダ | 検査装置 |
US20210322112A1 (en) * | 2020-04-21 | 2021-10-21 | Mazor Robotics Ltd. | System and method for aligning an imaging device |
-
2020
- 2020-07-22 CN CN202010711447.5A patent/CN113077391B/zh active Active
-
2021
- 2021-07-21 GB GB2110468.2A patent/GB2602181B/en active Active
- 2021-07-21 US US17/382,236 patent/US11812002B2/en active Active
- 2021-07-22 PL PL438564A patent/PL438564A1/pl unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101170627A (zh) * | 2006-10-26 | 2008-04-30 | 三星电子株式会社 | 具有图像校正功能的扫描设备 |
CN102194215A (zh) * | 2010-03-19 | 2011-09-21 | 索尼公司 | 图像处理设备、方法以及程序 |
CN109145927A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
CN108492246A (zh) * | 2018-03-12 | 2018-09-04 | 维沃移动通信有限公司 | 一种图像处理方法、装置及移动终端 |
Non-Patent Citations (1)
Title |
---|
邓磊.《ERDAS图像处理基础实验教程》.测绘出版社,2014,第39-40页. * |
Also Published As
Publication number | Publication date |
---|---|
US11812002B2 (en) | 2023-11-07 |
GB202110468D0 (en) | 2021-09-01 |
PL438564A1 (pl) | 2022-01-24 |
GB2602181B (en) | 2024-04-10 |
CN113077391A (zh) | 2021-07-06 |
US20220030132A1 (en) | 2022-01-27 |
GB2602181A (en) | 2022-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077391B (zh) | 校正扫描图像的方法和装置以及图像扫描系统 | |
JP5416377B2 (ja) | 画像処理装置及びそれを備えたx線異物検出装置並びに画像処理方法 | |
JP5975598B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
US10445868B2 (en) | Method for detecting a defect on a surface of a tire | |
Van Aarle et al. | Super-resolution for computed tomography based on discrete tomography | |
CN103918004B (zh) | 金属伪影校正算法的自适应应用 | |
JP2010223963A (ja) | コンテナを検査する方法及びシステム | |
CN109272562B (zh) | 一种迭代重建的系统和方法 | |
US11645736B2 (en) | Image processing methods, apparatuses and systems | |
CN104039233A (zh) | 使用迭代近似法的x射线计算机断层摄影装置(x射线ct装置) | |
Bleichrodt et al. | SDART: An algorithm for discrete tomography from noisy projections | |
US10176393B2 (en) | Method and system for crystal identification | |
CN111951215A (zh) | 一种图像检测方法、装置及计算机可读存储介质 | |
KR102473298B1 (ko) | 물체의 복수의 컴포넌트의 3차원 모델 데이터를 구하는 방법 | |
WO2021165053A1 (en) | Out-of-distribution detection of input instances to a model | |
CN114004909A (zh) | 一种基于x射线通量分布的ct重建方法及装置 | |
US20230385989A1 (en) | Image processing method and apparatus for reducing noise of image obtained by radiography | |
EP2693397B1 (en) | Method and apparatus for noise reduction in an imaging system | |
US20150034830A1 (en) | Method for Acquiring PET Image with Ultra-High Resolution Using Movement of PET Device | |
Kornilov et al. | Deep Neural Networks for Ring Artifacts Segmentation and Corrections in Fragments of CT Images | |
Malarvel et al. | An Improved Kernel Density Estimation with adaptive bandwidth selection for Edge detection | |
CN108564559B (zh) | 一种基于两尺度聚焦图的多聚焦图像融合方法 | |
JP2021182320A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN112288762A (zh) | 一种有限角度ct扫描的离散迭代重建方法 | |
JP2012230671A (ja) | シーンにおけるオブジェクトを分類する方法 |
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 |