CN113298738A - X射线焊缝图像自动增强装置及方法 - Google Patents
X射线焊缝图像自动增强装置及方法 Download PDFInfo
- Publication number
- CN113298738A CN113298738A CN202110791325.6A CN202110791325A CN113298738A CN 113298738 A CN113298738 A CN 113298738A CN 202110791325 A CN202110791325 A CN 202110791325A CN 113298738 A CN113298738 A CN 113298738A
- Authority
- CN
- China
- Prior art keywords
- image
- ray
- weld
- pixel
- value
- 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 53
- 238000003466 welding Methods 0.000 title claims description 39
- 238000003384 imaging method Methods 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010052143 Ocular discomfort Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G06T5/90—
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20021—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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral 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
- G06T2207/30108—Industrial image inspection
Abstract
本发明提供了一种X射线焊缝图像自动增强装置及方法,包括:X射线管、成像板、光路仿真与控制单元以及云平台服务器;所述光路仿真与控制单元与云平台服务器相连接;所述X射线管与光路仿真与控制单元相连接,且所述X射线管向成像板发射X射线;所述成像板与光路仿真与控制单元相连接。本发明公开的X射线焊缝图像增强装置及方法鲁棒性良好,而且能够应用在噪声多、对比度低、图像不同区域光照差异大的场合,应用广泛。
Description
技术领域
本发明涉及图像处理的技术领域,具体地,涉及X射线焊缝图像自动增强装置及方法。
背景技术
物体焊接后焊缝内存在裂纹、气孔、未焊透等缺陷,而可见光不能穿透物体内部,因此利用X射线成像方法进行缺陷检测成为一种重要检测手段。随着图像处理技术的发展,无损检测中物体的X射线成像检测技术应用越来越广泛。
但由于X射线的成像方式、焊接材质、焊接方法等客观因素的影响,图像存在噪声多、对比度低、焊缝区域与背景区域的灰度值分布较为相近、图像不同区域光照差异大等问题,这样的图像首先给人带来视觉上的不舒适,这使得技能工人需耗费大量的时间手动进行图像增强工作,以使图像质量最接近人眼判定程度。大量的图像增强工作易导致技能工人的疲劳,极易导致焊缝质量出现误判、漏判等情况出现。尽管焊缝的X射线图像捕获设备获得极大的改进,但仍然存在各种干扰因素,这导致X射线图像质量较差。因此,对于原始X射线图像的视觉效果和质量改进是图像预处理必不可少的部分。为了改善原始X射线图像的视觉效果,需要对原始X射线图像进行图像增强。
图像增强方法大致分为两类,其中一类是利用图像增强的方法,在不考虑图像降质的情况下,对图像进行处理,这种方法使用范围广,能有效的提高低照度图像的对比度,突出图像的细节,改善图像的视觉效果,但同样也会引入一定的噪声,主要的全局方法是直方图均衡化、同态滤波、梯度法融合等,主要的局部方法是局部对比度增强,局部直方图均衡以及局部方差法等。另一类则是利用图像复原的方法,通过研究图像的特点,结合雾天退化模型,反演退化过程,补偿退化过程造成的失真,以便获得未经干扰退化的复原图像或复原图像的最优估计值,从而改善图像质量。这种方法针对性强,得到的增强效果自然,一般不会有信息损失,但处理的关键点在于模型中有限个数的参数估计。
在公开号为CN112083017A的专利文献中公开了一种焊缝内部缺陷智能检测装置、方法及介质,X射线管发出的X射线透照焊缝在成像板上得到包含焊缝内部质量信息的数字图像,通过光路仿真与控制单元实现最佳成像,生成图像自动上传至云平台服务器后,通过采用数字图像处理技术、深度学习神经网络算法对图像进行智能预处理、判读缺陷存在与否、缺陷定位、缺陷类型识别、缺陷评级,实现图像表征质量的检测。
目前的图像增强算法很少有专门针对不同区域光照差异大的X射线原始图像的,且多数算法为单张图像处理,没有形成X射线图像自动增强设备。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种X射线焊缝图像自动增强装置及方法。
根据本发明提供的一种X射线焊缝图像自动增强装置,包括:X射线管、成像板、光路仿真与控制单元以及云平台服务器;
所述光路仿真与控制单元与云平台服务器相连接;所述X射线管与光路仿真与控制单元相连接,且所述X射线管向成像板发射X射线;所述成像板与光路仿真与控制单元相连接。
优选地,所述光路仿真与控制单元根据焊缝的形貌特征选择透照光路,并根据透照管路调整X射线管和成像板的位置;X射线透射焊缝后,在成像板上成像,得到X射线图像;将焊缝原始灰度图像推送至云平台服务器。
优选地,所述云平台服务器对X射线焊缝原始灰度图像进行自动增强处理。
优选地,所述成像板要位于X射线管辐射的焦点上。
本发明还提供一种X射线焊缝图像自动增强方法,所述方法应用上述中的X射线焊缝图像自动增强装置,所述方法包括如下步骤:
步骤S1:对获得的X射线原始图像进行去噪处理,获得去噪后的图像;
步骤S2:对去噪后的图像消除不同区域光照差异;
步骤S3:对消除不同区域光照差异后的图像进行图像增强。
优选地,所述步骤S1中的去噪处理方法为双边滤波,去除噪声时同时考虑像素点的空域信息和值域信息,即滤波器各权重系数大小由空间几何距离和像素差值共同决定。
优选地,所述滤波器的定义域核d,d为定义域模板权重值,计算公式如下:
其中,i和j分别是当前被卷积像素所在的行数和列数,k和l分别是邻域像素所在的行数和列数,σd是高斯函数的标准差;
滤波器的值域核r,r为值域模板权重值,计算公式如下:
其中,vi,j是原始图像第i行、第j列的像素值,vk,l是原始图像第k行、第l列的像素值,σr是双边滤波器的标准差。
定义域核与值域核相乘得到滤波器加权系数w如下:
优选地,所述步骤S2中消除X射线焊缝图像不同区域光照差异方法为像素值差异补偿法,且所述步骤S2包括如下步骤:
步骤S201:对步骤S1去噪处理后图像求取所有像素点大小的平均值m;
步骤S202:将步骤S1去噪处理后图像划分为g×h个方块,其中g为图像按行划分次数,h为图像按列划分次数,计算出每个方块内像素点大小的平均值,得到分块平均值矩阵D;
步骤S203:用步骤S202得到的分块平均值矩阵D的每个矩阵元素与步骤S201的平均值m做差,得到像素补偿分块矩阵D1;
步骤S204:将像素补偿分块矩阵D1中的元素进行双三次插值运算,使矩阵D1变为与步骤S1去噪后图像相同行列的像素补偿值矩阵D2;
步骤S205:用步骤S1去噪后图像中所有像素值大小与像素补偿值矩阵D2中相同位置元素做差,得到像素值差异补偿图像。
优选地,所述步骤S3中X射线焊缝图像增强方法为像素值范围拉伸法。
优选地,所述步骤S3对步骤S2像素值差异补偿后的图像采用像素值范围拉伸的方法,增强焊缝图像的对比度,则输出图像中焊缝区域某点的像素值oi,j大小如下:
其中,oi,j代表输出图像焊缝区域中第i行、第j列的像素值的大小,原图像中焊缝灰度级范围为[vmin,vmax],输出图像中焊缝区域灰度级范围设定为[omin,omax],vi,j是X射线原始图像第i行、第j列的像素值。
与现有技术相比,本发明具有如下的有益效果:
1、本发明能够显著抑制噪声的干扰,自动增强X射线焊缝图像质量,无需手动进行图像增强工作;
2、本发明可大批量应用在噪声多、对比度低、焊缝区域与背景区域的灰度值分布较为相近、图像不同区域光照差异大的X射线图像中,能够取得良好的鲁棒性;
3、本发明公开的X射线焊缝图像增强装置及方法鲁棒性良好,而且能够应用在噪声多、对比度低、图像不同区域光照差异大的场合,应用广泛。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一种X射线焊缝图像自动增强过程示意框图;
图2为本发明一种X射线焊缝图像自动增强系统示意图;
图3为本发明实施例中采用的焊缝的X射线原始图像图;
图4为本发明实施例中对图3进行双边滤波去噪处理后所得图像图;
图5为本发明实施例中对图4使用像素值差异补偿方法后所得图像图;
图6为本发明实施例中对图5进行像素值范围拉伸方法所得图像图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明主要应用于复杂结构件的X射线焊缝图像增强过程,有效提高待检测图像的对比度,最终增强X射线焊缝图像质量,同时焊缝图像数据实现云平台存储与推送,为生产流程的数字化与智能化应用提供基础,X射线焊缝图像自动增强过程示意框图如图1所示。
本发明提供的一种X射线焊缝图像自动增强装置,包括:X射线管、成像板、光路仿真与控制单元、云平台服务器,如图2所示。
光路仿真与控制单元,能够根据焊缝的形貌特征或三维模型,通过内置仿真模块优选最佳透照光路,即X射线从射线管发出,垂直于焊缝表面或其切面透射焊缝至成像板,或因焊缝特殊结构无法从垂直表面射入时,保证射线透射焊缝的路径最短;根据最佳透照管路控制X射线管和成像板,调整其位置,使焊缝位于X射线管与成像板之间的最佳位置,即成像板位于X射线管发出射线的焦点所在的焦平面;光路仿真与控制单元控制X射线管发出X射线,X射线透射焊缝后,在成像板上成像,光路仿真与控制单元控制成像板获取X射线图像,即焊缝原始灰度图像,如图3所示;光路仿真与控制单元,将焊缝原始灰度图像推送至云平台服务器。若焊缝热影响区像素平均值高于背景区域像素平均值,则对X射线原始图像进行取反操作,使得焊缝热影响区的像素平均值低于背景区域像素平均值。
云平台服务器,对X射线焊缝原始灰度图像进行自动增强处理,使得处理后的输出图像的对比度达到要求,X射线焊缝图像自动增强方法包括以下步骤:步骤S1:对获得的X射线原始图像进行去噪处理,获得去噪后的图像;去噪处理方法为双边滤波,去除噪声时同时考虑像素点的空域信息和值域信息,即滤波器各权重系数大小由空间几何距离和像素差值共同决定。
具体地,滤波器的定义域核计算公式如下:
其中,i、j是当前被卷积像素所在的行数和列数,k、l是邻域像素所在的行数和列数,σd是高斯函数的标准差。
滤波器的值域核计算公式如下:
其中,vi,j是原始图像第i行、第j列的像素值,vk,l是原始图像第k行、第l列的像素值,σr是双边滤波器的标准差。
定义域核与值域核相乘得到滤波器加权系数w如下:
使用双边滤波器去噪后的图像如图4所示。
步骤S2:对所述去噪后的图像使用像素值补偿方法消除不同区域光照差异;步骤S201:对S1步骤去噪处理后图像求取所有像素点大小的平均值m;步骤S202:将步骤S1去噪处理后图像划分为g×h个方块,其中g为图像按行划分次数,h为图像按列划分次数,计算出每个方块内像素点大小的平均值,得到分块平均值矩阵D;步骤S203:用步骤S202得到的分块平均值矩阵D的每个矩阵元素与步骤S201的平均值m做差,得到像素补偿分块矩阵D1;步骤S204:将像素补偿分块矩阵D1中的元素进行双三次插值运算,使矩阵D1变为与S1步骤去噪后图像相同行列的像素补偿值矩阵D2;步骤S205:用S1步骤去噪后图像中所有像素值大小与像素补偿值矩阵D2中相同位置元素做差,得到像素值差异补偿图像;使用像素值补偿方法消除不同区域光照差异后的图像如图5所示。
步骤S3:对所述的像素值补偿后的图像使用像素值范围拉伸增强图像;由于X射线图像中焊缝区域对比度低、焊缝区域与背景区域的灰度值分布较为相近,因此对步骤S2像素值补偿后的图像采用像素值范围拉伸的方法,增强焊缝图像的对比度,则输出图像中焊缝区域某点的像素值oi,j如下:
其中,原图像中焊缝灰度级范围为[vmin,vmax],输出图像中焊缝区域灰度级范围设定为[omin,omax],vi,j是X射线原始图像第i行、第j列的像素值,经像素值范围拉伸处理后的增强图像如图6所示。
本发明能够显著抑制噪声的干扰,自动增强X射线焊缝图像质量,无需手动进行图像增强工作;可大批量应用在噪声多、对比度低、焊缝区域与背景区域的灰度值分布较为相近、图像不同区域光照差异大的X射线图像中,能够取得良好的鲁棒性。本发明公开的X射线焊缝图像增强装置及方法鲁棒性良好,而且能够应用在噪声多、对比度低、图像不同区域光照差异大的场合,应用广泛。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种X射线焊缝图像自动增强装置,其特征在于,包括:X射线管、成像板、光路仿真与控制单元以及云平台服务器;
所述光路仿真与控制单元与云平台服务器相连接;所述X射线管与光路仿真与控制单元相连接,且所述X射线管向成像板发射X射线;所述成像板与光路仿真与控制单元相连接。
2.根据权利要求1所述的X射线焊缝图像自动增强装置,其特征在于,所述光路仿真与控制单元根据焊缝的形貌特征选择透照光路,并根据透照管路调整X射线管和成像板的位置;X射线透射焊缝后,在成像板上成像,得到X射线图像;将焊缝原始灰度图像推送至云平台服务器。
3.根据权利要求1所述的X射线焊缝图像自动增强装置,其特征在于,所述云平台服务器对X射线焊缝原始灰度图像进行自动增强处理。
4.根据权利要求1所述的X射线焊缝图像自动增强装置,其特征在于:所述成像板要位于X射线管辐射的焦点上。
5.一种X射线焊缝图像自动增强方法,其特征在于,所述方法应用如权利要求1-4任一项所述的X射线焊缝图像自动增强装置,所述方法包括如下步骤:
步骤S1:对获得的X射线原始图像进行去噪处理,获得去噪后的图像;
步骤S2:对去噪后的图像消除不同区域光照差异;
步骤S3:对消除不同区域光照差异后的图像进行图像增强。
6.根据权利要求5所述的X射线焊缝图像自动增强方法,其特征在于,所述步骤S1中的去噪处理方法为双边滤波,去除噪声时同时考虑像素点的空域信息和值域信息,即滤波器各权重系数大小由空间几何距离和像素差值共同决定。
8.根据权利要求5所述的X射线焊缝图像自动增强方法,其特征在于,所述步骤S2中消除X射线焊缝图像不同区域光照差异方法为像素值差异补偿法,且所述步骤S2包括如下步骤:
步骤S201:对步骤S1去噪处理后图像求取所有像素点大小的平均值m;
步骤S202:将步骤S1去噪处理后图像划分为g×h个方块,其中g为图像按行划分次数,h为图像按列划分次数,计算出每个方块内像素点大小的平均值,得到分块平均值矩阵D;
步骤S203:用步骤S202得到的分块平均值矩阵D的每个矩阵元素与步骤S201的平均值m做差,得到像素补偿分块矩阵D1;
步骤S204:将像素补偿分块矩阵D1中的元素进行双三次插值运算,使矩阵D1变为与步骤S1去噪后图像相同行列的像素补偿值矩阵D2;
步骤S205:用步骤S1去噪后图像中所有像素值大小与像素补偿值矩阵D2中相同位置元素做差,得到像素值差异补偿图像。
9.根据权利要求5所述的X射线焊缝图像自动增强方法,其特征在于,所述步骤S3中X射线焊缝图像增强方法为像素值范围拉伸法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791325.6A CN113298738A (zh) | 2021-07-13 | 2021-07-13 | X射线焊缝图像自动增强装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791325.6A CN113298738A (zh) | 2021-07-13 | 2021-07-13 | X射线焊缝图像自动增强装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298738A true CN113298738A (zh) | 2021-08-24 |
Family
ID=77330946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791325.6A Pending CN113298738A (zh) | 2021-07-13 | 2021-07-13 | X射线焊缝图像自动增强装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298738A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110141326A1 (en) * | 2009-12-14 | 2011-06-16 | Canon Kabushiki Kaisha | Image processing method and image processing apparatus |
CN108648152A (zh) * | 2018-04-11 | 2018-10-12 | 南京理工大学 | 基于亮度均衡的光照不均匀钢板表面缺陷图像校正方法 |
CN112085700A (zh) * | 2020-07-31 | 2020-12-15 | 上海航天精密机械研究所 | X射线图像中焊缝区域的自动化提取方法、系统及介质 |
CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
CN112308854A (zh) * | 2020-11-26 | 2021-02-02 | 武汉工程大学 | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 |
-
2021
- 2021-07-13 CN CN202110791325.6A patent/CN113298738A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110141326A1 (en) * | 2009-12-14 | 2011-06-16 | Canon Kabushiki Kaisha | Image processing method and image processing apparatus |
CN108648152A (zh) * | 2018-04-11 | 2018-10-12 | 南京理工大学 | 基于亮度均衡的光照不均匀钢板表面缺陷图像校正方法 |
CN112085700A (zh) * | 2020-07-31 | 2020-12-15 | 上海航天精密机械研究所 | X射线图像中焊缝区域的自动化提取方法、系统及介质 |
CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
CN112308854A (zh) * | 2020-11-26 | 2021-02-02 | 武汉工程大学 | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vasamsetti et al. | Wavelet based perspective on variational enhancement technique for underwater imagery | |
Chiang et al. | Underwater image enhancement: using wavelength compensation and image dehazing (WCID) | |
CN107680054A (zh) | 雾霾环境下多源图像融合方法 | |
CN107742291B (zh) | 一种光伏玻璃的缺陷检测方法及装置 | |
CN112184604B (zh) | 一种基于图像融合的彩色图像增强方法 | |
Zong et al. | Local-CycleGAN: a general end-to-end network for visual enhancement in complex deep-water environment | |
CN111462022B (zh) | 一种水下图像清晰化增强方法 | |
CN113160053B (zh) | 一种基于位姿信息的水下视频图像复原与拼接方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN107993219A (zh) | 一种基于机器视觉的船板表面缺陷检测方法 | |
CN109584181A (zh) | 一种改进的基于Retinex红外图像细节增强方法 | |
CN115587945A (zh) | 高动态红外图像细节增强方法、系统及计算机存储介质 | |
John et al. | Enhancement of weather degraded video sequences using wavelet fusion | |
Wang et al. | Review on underwater image restoration and enhancement algorithms | |
Miljković | Image pre-processing tool | |
CN113298738A (zh) | X射线焊缝图像自动增强装置及方法 | |
Wang et al. | Multiscale supervision-guided context aggregation network for single image dehazing | |
CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
CN111652809A (zh) | 一种增强细节的红外图像噪声抑制方法 | |
CN106327439B (zh) | 一种快速雾霾天图像清晰化方法 | |
Mi et al. | Multi-scale gradient domain underwater image enhancement | |
CN108830804B (zh) | 基于线扩展函数标准差的虚实融合模糊一致性处理方法 | |
CN116167945A (zh) | 一种图像修复方法、装置、电子设备及存储介质 | |
Zou et al. | Self-tuning underwater image fusion method based on dark channel prior | |
Kansal et al. | Effect of non uniform illumination compensation on dehazing/de-fogging techniques |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |
|
RJ01 | Rejection of invention patent application after publication |