CN113298725A - 一种轮船图标图像叠加误差的纠正方法 - Google Patents
一种轮船图标图像叠加误差的纠正方法 Download PDFInfo
- Publication number
- CN113298725A CN113298725A CN202110439499.6A CN202110439499A CN113298725A CN 113298725 A CN113298725 A CN 113298725A CN 202110439499 A CN202110439499 A CN 202110439499A CN 113298725 A CN113298725 A CN 113298725A
- Authority
- CN
- China
- Prior art keywords
- image
- representing
- ship
- formula
- pixel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012937 correction Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003702 image correction Methods 0.000 abstract description 2
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T5/73—Deblurring; Sharpening
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种轮船图标图像叠加误差的纠正方法，包括步骤一、获取目标轮船同一时刻下的多帧图标图像，并进行降噪处理得到去模糊图像；步骤二、将去模糊图像叠加，并进行二值化输出图像数据；步骤三、利用神经网络方法将图像数据进行聚类划分为多个类区域数据；步骤四、采用二维高斯滤波去除类区域的离散噪声得到纠正图像，将纠正图像进行拼接得到完整轮船图标图像。本发明通过降噪去模糊、图像修正叠加、聚类降噪去除重叠部分的离散噪点的过程将轮船图标图像的叠加误差进行纠正，得到的轮船图标图像分辨率和精度高。
Description
技术领域
本发明涉及轮船图标图像识别技术领域，特别涉及一种轮船图标图像叠加误差的纠正方法。
背景技术
在海警、海事、船舶管理系统等军民用领域中，图像监控成为一种重要的信息来源，从实时监控中快速有效的提取船舶目标，对船舶身份进行自动判别，对船舶异常行为进行告警，成为一个重要的应用领域。
在目标检测技术中常常采取多角度拍摄后图像融合技术，对图标图像进行识别，由于受环境、测量误差、不同视场的影响，不同角度获取的图像也存在差异，将多图像直接叠加至相同的区域后，图像存在较大误差，图像质量、分辨率和灵敏度均会受到影响。因此有必要提出一种轮船图标图像叠加误差的纠正方法。
发明内容
本发明提供了一种轮船图标图像叠加误差的纠正方法，通过获取同一时刻下的多帧图像，对图像进行去噪处理提高图像的分辨率，再将图像叠加，对于叠加产生的误差采用二维高斯滤波法去除离散噪声，得到完整的轮船图标图像。
本发明的技术方案为：
一种轮船图标图像叠加误差的纠正方法，包括：
步骤一、获取目标轮船同一时刻下的多帧图标图像，并进行降噪处理得到去模糊图像；
步骤二、将去模糊图像叠加，并进行二值化输出图像数据；
步骤三、利用神经网络方法将图像数据进行聚类，划分为多个类区域数据；
步骤四、采用二维高斯滤波去除类区域的离散噪声得到纠正图像，并将纠正图像进行拼接得到完整轮船图标图像。
优选的是，步骤一中降噪处理包括：
利用边缘检测算法对图标图像进行梯度化，以梯度图为引导图进行预滤波；
式中，Di表示滤波后的图像，i表示像素点，wj表示以i点为中心的局部区块，I表示梯度图，aj，bj表示线性转换参数，μj表示梯度图像素均值，σj表示梯度图像素方差，Fi表示图标图像，
表示图标图像像素均值；
计算预滤波后图像相邻区块的相似性系数，并对非局部均值滤波器的权值函数进行改进；
式中，w(i,j)表示权值系数，Z(i)表示加权因子，S表示相似性系数，q表示平滑系数，dist表示欧式距离。
优选的是，相似性系数的计算公式为：
式中，m,n表示相邻区块，μm表示m区块的像素均值，μn表示n区块的像素均值，σm 2表示m区块的像素方差，σn 2表示n区块的像素方差，σmn 2表示m,n区块的像素协方差，表示m区块的像素方差，C1,C2,C3表示极小参数。
优选的是，步骤二中图像叠加包括：
根据图像拍摄位置和角度将去模糊图像坐标进行标定，再生成灰度图；
采用梯度算子对灰度图进行边界提取；
分析去模糊图像边界与环境图像之间存在的几何偏差；
通过几何变换修正去模糊图像偏差得到修正图像；
将修正图像按照对应坐标叠加。
优选的是，边界提取包括：
遍历灰度图，计算像素点的梯度模长；
将梯度模长大于模长阈值的点作为边界点；
式中，f(x,y)表示当前点灰度值，g表示梯度模长。
优选的是，修正去模糊图像偏差公式为：
式中，(XD,XD)表示误差点实际坐标，
为误差点对应的图像坐标，θ为偏差角度，dx为偏差水平增量，dy为偏差垂直增量。
优选的是，二值化包括：
对灰度图的每一行进行归一化处理，再整体进行二值化；
归一化公式为
二值化公式为
其中，E表示归一化后的数值，e表示归一化前的数值，Vmin表示最小灰度值，Vmax表示最大灰度值，f表示二值化输出值，g表示像素点灰度值，thres表示灰度阈值。
优选的是，步骤三包括：
采用神经网络将图像数据划分为2-20个类；
计算每个分类数下聚类结果的评价指数；
式中，DB表示评价指数，N表示分类数，Mi表示第i类数据的类间距离，Mj表示第j类数据的类间距离，MAX表示取最大值，
表示第i类数据的类内相似度，
表示第j类数据的类内相似度；
将评价指数最小的聚类方案作为最优聚类方案。
优选的是，步骤四中，去除离散噪声包括：
计算二维高斯模板的一阶偏导数和二阶偏导数；
用一阶偏导数和二阶偏导数对类区域数据进行滤波得到类区域图偏导数；
根据类区域图偏导数，计算类区域图曲线曲率值；
其中，二维高斯模板为
式中，h(t,z)表示高斯函数，t,z表示自变量，ν表示标准差。
优选的是，曲率值的计算公式为：
式中，K表示曲率值，
表示方向角度，
Hx′,H′y表示一阶偏导，H″xx,H″yy表示二阶偏导，H″xy,H″yx表示混合偏导，
表示一阶方向导数，
表示二阶方向导数。
本发明的有益效果是：
1.本发明提供的一种轮船图标图像叠加误差的纠正方法，通过获取同一时刻下的多帧图像，对图像进行去噪处理提高图像的分辨率，再将图像进行叠加，对于叠加产生的误差采用二维高斯滤波法去除离散噪声，得到完整的轮船图标图像，图像分辨率和精度高。
2.本发明提供的一种轮船图标图像叠加误差的纠正方法，采用非局部均值滤波器对权值函数进行改进，对图像进行滤波重构，有效滤除了图像的噪声，提高了图像的视觉质量。
3.本发明提供的一种轮船图标图像叠加误差的纠正方法，利用环境图像与采集的轮船图像的边界误差，对图像进行修正后再叠加，可以有效降低图像叠加产生的误差，减少误差纠正的难度。
4.本发明提供的一种轮船图标图像叠加误差的纠正方法，通过神经网络聚类后再进行二位高斯高斯滤波，对离散噪声的去除精度高。
附图说明
图1为本发明提供的一种轮船图标图像叠加误差的纠正方法流程图。
图2为本发明的一个实施例中降噪处理的流程图。
图3为本发明的一个实施例中获取的一帧轮船图标图像；
图4为本发明的一个实施例中降噪处理后的轮船图标图像；
图5为本发明的一个实施例中图像叠加的方法流程图。
图6为本发明的一个实施例中神经网络法聚类的流程图。
图7为本发明的一个实施例中去除离散噪声的方法流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明的描述中，术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，一种轮船图标图像叠加误差的纠正方法包括：
S110、获取目标轮船同一时刻下的多帧图标图像，并进行降噪处理得到去模糊图像；
S120、将去模糊图像叠加，并进行二值化输出图像数据；
其中，二值化包括：
对灰度图的每一行进行归一化处理，再整体进行二值化；
归一化公式为
二值化公式为
其中，E表示归一化后的数值，e表示归一化前的数值，Vmin表示最小灰度值，Vmax表示最大灰度值，f表示二值化输出值，g表示像素点灰度值，thres表示灰度阈值。
归一化处理，可以有效避免因图像对比度不足而对后续处理带来干扰。
S130、利用神经网络方法将图像数据进行聚类，划分为多个类区域数据；
S140、采用二维高斯滤波去除类区域的离散噪声得到纠正图像，并将纠正图像进行拼接得到完整轮船图标图像。
通过获取同一时刻下的多帧图像，对图像进行去噪处理提高图像的分辨率，再将图像进行叠加，对于叠加产生的误差采用二维高斯滤波法去除离散噪声，得到完整的轮船图标图像，图像分辨率和精度高。
进一步的，如图2所示降噪处理包括：
S111、利用边缘检测算法对图标图像进行梯度化，以梯度图为引导图进行预滤波；
式中，Di表示滤波后的图像，i表示像素点，wj表示以i点为中心的局部区块，I表示梯度图，aj，bj表示线性转换参数，μj表示梯度图像素均值，σj表示梯度图像素方差，Fi表示图标图像，
表示图标图像像素均值；
以梯度图为引导图，使用引导滤波器进行预滤波，能够在减少噪声的同时保留图像边缘细节，同时保留了场景的纹理信息。
S112、计算预滤波后图像相邻区块的相似性系数，相似性系数的计算公式为：
式中，m,n表示相邻区块，μm表示m区块的像素均值，μn表示n区块的像素均值，σm 2表示m区块的像素方差，σn 2表示n区块的像素方差，σmn 2表示m,n区块的像素协方差，表示m区块的像素方差，C1,C2,C3表示极小参数。
S113、利用相似性系数对非局部均值滤波器的权值函数进行改进；
式中，w(i,j)表示权值系数，Z(i)表示加权因子，S表示相似性系数，q表示平滑系数，dist表示欧式距离。
获取不同拍摄位置和拍摄角度的轮船图像，由于不同拍摄设备之间存在着一定的误差，将多帧图像直接叠加到相同区域后，图像质量受像质最差的拍摄设备限制，最终图像的分辨率和目标识别灵敏度都会受到影响，因为对采集到的图像进行降噪处理，可以有效提高图片质量，进而提高叠加效果。
在一个具体实施例中获取的轮船图标图像如图3所示，降噪处理后的图像如图4所示，可以看出，通过降噪处理，图像的分辨率有较大水平的提高。
进一步的，如图5所示，图像叠加包括：
S121、根据图像拍摄位置和角度将去模糊图像坐标进行标定，再生成灰度图；
由于各采集设备的数据均归属于自身独立的单体坐标系下，在进行图像叠加前，进行个各单体坐标系之间的相对空间位置和方向关系的转换必不可少，坐标系标定测量方法包括依托以高精度全站仪极坐标测量、三坐标测量机、数字工业摄影测量、经纬仪工业测量等工业测量标定方式，以及采用专用检校场的检校标定方式。
S122、采用梯度算子对灰度图进行边界提取；
遍历去模糊图像，计算像素点的梯度模长；
将梯度模长大于模长阈值的点作为边界点；
式中，f(x,y)表示当前点灰度值，g表示梯度模长。
S123、分析去模糊图像边界与环境图像之间存在的几何偏差；
S124、通过几何变换修正去模糊图像偏差得到修正图像；
修正去模糊图像偏差公式为：
式中，(XD,XD)表示误差点实际坐标，
为误差点对应的图像坐标，θ为偏差角度，dx为偏差水平增量，dy为偏差垂直增量。
由于轮船图标图像的数据通过机器视觉技术获得，必然存在误差，几何形状的移位通常包括平移偏差和旋转偏差，在图像叠加前通过几何修正可以有效降低叠加后图像的误差，降低叠加后误差纠正的难度。
S125、将修正图像按照对应坐标叠加。
进一步的，如图6所示，步骤S130具体包括：
S131、采用神经网络将所述图像数据划分为2-20个类；
S132、计算每个分类数下聚类结果的评价指数；
式中，DB表示评价指数，N表示分类数，Mi表示第i类数据的类间距离，Mj表示第j类数据的类间距离，MAX表示取最大值，
表示第i类数据的类内相似度，
表示第j类数据的类内相似度；
DB值越小表示聚类结果的类内距离就越小，类间距越大，聚类方案越合理。
S133、将所述评价指数最小的聚类方案作为最优聚类方案。
进一步的，如图7所示，去除离散噪声包括：
S141、计算二维高斯模板的一阶偏导数和二阶偏导数；
其中，二维高斯模板为
式中，h(t,z)表示高斯函数，t,z表示自变量，ν表示标准差。
S142、用一阶偏导数和所述二阶偏导数对所述类区域数据进行滤波得到类区域图偏导数；
S143、根据类区域图偏导数，计算类区域图曲线曲率值；
曲率值的计算公式为：
式中，K表示曲率值，
表示方向角度，
H′x,H′y表示一阶偏导，H″xx,H″yy表示二阶偏导，H″xy,H″yx表示混合偏导，
表示一阶方向导数，
表示二阶方向导数。
采用多尺度多方向的二位高斯率波模板，同时考虑到轮船图标图像的曲线走向具有多方向性和不确定的随机分布性，选取0°,45°，90°,135°四个方向计算曲线曲率，进行图像纠正，离散噪声得到很好的控制和去除。
本发明提供的一种轮船图标图像叠加误差的纠正方法，通过获取同一时刻下的多帧图像，对图像进行去噪处理提高图像的分辨率，再将图像进行叠加，对于叠加产生的误差采用二维高斯滤波法去除离散噪声，得到完整的轮船图标图像，图像分辨率高、误差纠正精度高。
以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。
Claims (10)
1.一种轮船图标图像叠加误差的纠正方法，其特征在于，包括：
步骤一、获取目标轮船同一时刻下的多帧图标图像，并进行降噪处理得到去模糊图像；
步骤二、将所述去模糊图像叠加，并进行二值化输出图像数据；
步骤三、利用神经网络方法将所述图像数据进行聚类，划分为多个类区域数据；
步骤四、采用二维高斯滤波去除所述类区域的离散噪声得到纠正图像，并将所述纠正图像进行拼接得到完整轮船图标图像。
2.如权利要求1所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述步骤一中降噪处理包括：
利用边缘检测算法对所述图标图像进行梯度化，以梯度图为引导图进行预滤波；
式中，Di表示滤波后的图像，i表示像素点，wj表示以i点为中心的局部区块，I表示梯度图，aj，bj表示线性转换参数，μj表示梯度图像素均值，σj表示梯度图像素方差，Fi表示图标图像，
表示图标图像像素均值；
计算预滤波后图像相邻区块的相似性系数，并对非局部均值滤波器的权值函数进行改进；
式中，w(i,j)表示权值系数，Z(i)表示加权因子，S表示相似性系数，q表示平滑系数，dist表示欧式距离。
3.如权利要求2所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述相似性系数的计算公式为：
式中，m,n表示相邻区块，μm表示m区块的像素均值，μn表示n区块的像素均值，σm 2表示m区块的像素方差，σn 2表示n区块的像素方差，σmn 2表示m,n区块的像素协方差，表示m区块的像素方差，C1,C2,C3表示极小参数。
4.如权利要求3所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述步骤二中图像叠加包括：
根据图像拍摄位置和角度将所述去模糊图像坐标进行标定，再生成灰度图；
采用梯度算子对所述灰度图进行边界提取；
分析所述去模糊图像边界与环境图像之间存在的几何偏差；
通过几何变换修正去模糊图像偏差得到修正图像；
将所述修正图像按照对应坐标叠加。
5.如权利要求4所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述边界提取包括：
遍历所述灰度图，计算像素点的梯度模长；
将所述梯度模长大于模长阈值的点作为边界点；
式中，f(x,y)表示当前点灰度值，g表示梯度模长。
6.如权利要求5所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述修正去模糊图像偏差公式为：
式中，(XD,XD)表示误差点实际坐标，
为误差点对应的图像坐标，θ为偏差角度，dx为偏差水平增量，dy为偏差垂直增量。
7.如权利要求6所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述二值化包括：
对所述灰度图的每一行进行归一化处理，再整体进行二值化；
所述归一化公式为
所述二值化公式为
其中，E表示归一化后的数值，e表示归一化前的数值，Vmin表示最小灰度值，Vmax表示最大灰度值，f表示二值化输出值，g表示像素点灰度值，thres表示灰度阈值。
8.如权利要求7所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述步骤三包括：
采用神经网络将所述图像数据划分为2-20个类；
计算每个分类数下聚类结果的评价指数；
式中，DB表示评价指数，N表示分类数，Mi表示第i类数据的类间距离，Mj表示第j类数据的类间距离，MAX表示取最大值，
表示第i类数据的类内相似度，
表示第j类数据的类内相似度；
将所述评价指数最小的聚类方案作为最优聚类方案。
9.如权利要求8所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述步骤四中，去除离散噪声包括：
计算二维高斯模板的一阶偏导数和二阶偏导数；
用所述一阶偏导数和所述二阶偏导数对所述类区域数据进行滤波得到类区域图偏导数；
根据所述类区域图偏导数，计算所述类区域图曲线曲率值；
其中，所述二维高斯模板为
式中，h(t,z)表示高斯函数，t,z表示自变量，ν表示标准差。
10.如权利要求9所述的轮船图标图像叠加误差的纠正方法，其特征在于，所述曲率值的计算公式为：
式中，K表示曲率值，
表示方向角度，
H′x,H′y表示一阶偏导，H″xx,H″yy表示二阶偏导，H″xy,H″yx表示混合偏导，
表示一阶方向导数，
表示二阶方向导数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110439499.6A CN113298725A (zh) | 2021-04-23 | 2021-04-23 | 一种轮船图标图像叠加误差的纠正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110439499.6A CN113298725A (zh) | 2021-04-23 | 2021-04-23 | 一种轮船图标图像叠加误差的纠正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113298725A true CN113298725A (zh) | 2021-08-24 |
Family
ID=77320132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110439499.6A Pending CN113298725A (zh) | 2021-04-23 | 2021-04-23 | 一种轮船图标图像叠加误差的纠正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298725A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219820A (zh) * | 2021-12-08 | 2022-03-22 | 苏州工业园区智在天下科技有限公司 | 神经网络的生成方法、去噪方法及其装置 |
| CN114816169A (zh) * | 2022-06-29 | 2022-07-29 | 荣耀终端有限公司 | 桌面图标的显示方法、设备及存储介质 |
-
2021
- 2021-04-23 CN CN202110439499.6A patent/CN113298725A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219820A (zh) * | 2021-12-08 | 2022-03-22 | 苏州工业园区智在天下科技有限公司 | 神经网络的生成方法、去噪方法及其装置 |
| CN114816169A (zh) * | 2022-06-29 | 2022-07-29 | 荣耀终端有限公司 | 桌面图标的显示方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107230218B (zh) | 用于生成对从安装在运载工具上的摄像机捕捉的图像导出的估计的置信度测量的方法和设备 | |
| CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
| CN101609504B (zh) | 一种红外图像海面目标检测识别定位方法 | |
| CN109858479B (zh) | 基于图像配准的机动车违法鸣笛抓拍系统 | |
| CN106960449B (zh) | 基于多特征约束的异源配准方法 | |
| CN112486207A (zh) | 一种基于视觉识别的无人机自主降落方法 | |
| CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
| CN110569861B (zh) | 一种基于点特征和轮廓特征融合的图像匹配定位方法 | |
| CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
| CN113077392B (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
| CN113298725A (zh) | 一种轮船图标图像叠加误差的纠正方法 | |
| CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
| CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
| CN112017223A (zh) | 基于改进SIFT-Delaunay的异源图像配准方法 | |
| CN111145198A (zh) | 一种基于快速角点检测的非合作目标运动估计方法 | |
| CN110929598A (zh) | 基于轮廓特征的无人机载sar图像匹配方法 | |
| CN113012181B (zh) | 一种基于Hough变换的新型类圆形检测方法 | |
| CN113610041A (zh) | 一种用于指针式仪表的读数识别方法及设备 | |
| CN107767366B (zh) | 一种输电线路拟合方法及装置 | |
| CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
| CN116883945B (zh) | 一种融合目标边缘检测和尺度不变特征变换的人员识别定位方法 | |
| CN112926516A (zh) | 一种鲁棒的手指静脉图像感兴趣区域提取方法 | |
| CN117197700A (zh) | 智能化无人巡检接触网缺陷识别系统 | |
| CN115205564B (zh) | 基于无人机的船体维护巡检方法 | |
| CN114565653B (zh) | 一种存在旋转变化和尺度差异的异源遥感图像匹配方法 |
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 |