CN113298837B - 一种图像边缘提取方法、装置、存储介质及设备 - Google Patents
一种图像边缘提取方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN113298837B CN113298837B CN202110847510.2A CN202110847510A CN113298837B CN 113298837 B CN113298837 B CN 113298837B CN 202110847510 A CN202110847510 A CN 202110847510A CN 113298837 B CN113298837 B CN 113298837B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- edge extraction
- gray level
- region
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 88
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 47
- 230000002146 bilateral effect Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 12
- 238000003466 welding Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000000857 visual cortex Anatomy 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像边缘提取方法、装置、存储介质及设备,所述方法包括:获取含有目标物的原始彩色图像,并从原始彩色图像当中提取出目标物所在区域,得到感兴趣区域图像;对感兴趣区域图像进行灰度化处理;对灰度图像进行分段线性灰度变换处理;对变换后的灰度图像进行双边滤波处理;将所述滤波处理后的灰度图像输入到预先训练的图像边缘提取模型当中,以提取出所述目标物的边缘轮廓。本发明通过先对感兴趣区域图像依次进行灰度化、分段线性灰度变换和双边滤波处理,能够明显过滤与剔除掉图像噪声点,并采用训练模型来对图像进行边缘轮廓的提取,能够极大削弱残留噪声点对边缘提取的干扰影响,从而提升了图像边缘提取的精度和能力。
Description
技术领域
本发明涉及图像特征提取技术领域,特别涉及一种图像边缘提取方法、装置、存储介质及设备。
背景技术
图像边缘提取是一种常见的图像特征提取技术,通过图像边缘提取算法能够提取出图像当中的目标物的边缘轮廓信息,从而给后续基于边缘轮廓来识别图像当中目标物及其相关信息的技术提供了前提基础。
现有技术当中,传统的边缘提取算法,都是先利用微分算子求出每个像素的高通分量然后过滤得到图像边缘,经典的微分算子有Canny算子和Sobel算子,但这种方式存在的缺陷在于:在边缘提取过程中无法实现图像噪声点的过滤与剔除或在突出试件边缘内容上不够明显,导致图像边缘提取的精度不够。
发明内容
基于此,本发明的目的是提供一种图像边缘提取方法、装置、存储介质及设备,以解决现有图像边缘提取精度低的技术问题。
根据本发明实施例的一种图像边缘提取方法,所述方法包括:
获取含有目标物的原始彩色图像,并从所述原始彩色图像当中提取出所述目标物所在区域,得到感兴趣区域图像;
对所述感兴趣区域图像进行灰度化处理,得到对应的灰度图像;
对所述灰度图像进行分段线性灰度变换处理,得到变换后的灰度图像;
对所述变换后的灰度图像进行双边滤波处理,得到滤波后的灰度图像;
将所述滤波后的灰度图像输入到预先训练的图像边缘提取模型当中,以提取出所述目标物的边缘轮廓。
另外,根据本发明上述实施例的一种图像边缘提取方法,还可以具有如下附加的技术特征:
进一步地,对所述感兴趣区域图像进行灰度化处理的步骤包括:
按从左往右、从上往下的扫描顺序对所述感兴趣区域图像当中的每一像素点进行扫描,并采用预设的灰度转化公式对扫描的每一像素点进行灰度转化。
进一步地,所述预设的灰度转化公式为:
Gray(x i ,y i )= R(x i ,y i )*0.299+G(x i ,y i )*0.587+B(x i ,y i )*0.144
式中,R(x i ,y i )、G(x i ,y i )和B(x i ,y i )分别代表像素点(x i ,y i )的R分量、G分量及B分量的值,Gray(x i ,y i )代表像素点(x i ,y i ) 灰度转化后的灰度值。
进一步地,对所述灰度图像进行分段线性灰度变换处理的步骤包括:
根据所述灰度图像的各像素点的灰度值所处的范围,采用对应的预设的线性灰度变换函数对每个像素点进行灰度变换处理。
进一步地,所述线性灰度变换函数的表达式为:
式中,a为所述灰度图像的最大灰度值, c和d代表需要灰度变换的目标区域的灰度值范围的两个端点值,c<d,Gray(x i ,y i )代表像素点(x i ,y i ) 灰度转化后的灰度值。
进一步地,所述图像边缘提取模型的训练步骤包括:
将训练图像输入到卷积神经网络当中,所述卷积神经网络最初采用初始权重对所述训练图像当中的目标物进行边缘提取;
将边缘提取后的训练图像与包含所述目标物的实际边缘轮廓的模板图像进行对比,得到二者相似度;
判断所述相似度是否大于阈值;
若否,则按照预设调整规则对所述卷积神经网络的权重进行调整并更新,并返回执行所述将训练图像输入到卷积神经网络当中的步骤;
若是,则输出当前卷积神经网络,得到所述图像边缘提取模型;
所述卷积神经网络的loss函数为:
其中,k代表迭代次数,K代表迭代结束时的迭代次数,a(0)=0.5,a(k)代表迭代第k次时的学习率,λ为相关系数,λ=0.5。
进一步地,对所述变换后的灰度图像进行双边滤波处理的步骤包括:
按从左往右、从上往下的扫描顺序对所述变换后的灰度图像当中的每一像素点进行扫描,并采用预设的双边滤波公式对扫描的每一像素点进行双边滤波处理。
根据本发明实施例的一种图像边缘提取装置,所述装置包括:
图像提取模块,用于获取含有目标物的原始彩色图像,并从所述原始彩色图像当中提取出所述目标物所在区域,得到感兴趣区域图像;
灰度处理模块,用于对所述感兴趣区域图像进行灰度化处理,得到对应的灰度图像;
灰度变换模块,用于对所述灰度图像进行分段线性灰度变换处理,得到变换后的灰度图像;
双边滤波模块,用于对所述变换后的灰度图像进行双边滤波处理,得到滤波后的灰度图像;
边缘提取模块,用于将所述滤波后的灰度图像输入到预先训练的图像边缘提取模型当中,以提取出所述目标物的边缘轮廓。
本发明还提出一种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上述的图像边缘提取方法。
本发明还提出一种图像边缘提取设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述的图像边缘提取方法。
与现有技术相比:通过先对感兴趣区域图像依次进行灰度化、分段线性灰度变换和双边滤波处理,能够极大程度上过滤与剔除掉图像噪声点,并采用训练模型来对图像进行边缘轮廓的提取,能够极大程度上削弱残留噪声点对边缘提取的干扰影响,从而极大程度上提升了图像边缘提取的精度和能力。
附图说明
图1为本发明第一实施例中的图像边缘提取方法的流程图;
图2为本发明第二实施例中的图像边缘提取方法的流程图;
图3为本发明实施例提供的线性灰度变换及双边滤波前后的对比图;
图4为本发明实施例提供的整体嵌套卷积神经网络的结构图;
图5为本发明实施例提供的“补零”方式增加行列的示意图;
图6为本发明实施例提供的BP算法的说明图;
图7为本发明实施例提供的损失函数和学习速率曲线图;
图8为本发明实施例提供的整体嵌套神经网络框架的总流程图;
图9为本发明实施例提供的本发明当中的整体嵌套边缘提取模型与传统边缘提取算子的效果对比图;
图10为本发明第三实施例中的图像边缘提取装置的结构示意图;
图11为本发明第四实施例中的图像边缘提取设备的结构示意图。
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,所示为本发明第一实施例中的图像边缘提取方法,所述方法具体包括步骤S01-步骤S05。
步骤S01,获取含有目标物的原始彩色图像,并从所述原始彩色图像当中提取出所述目标物所在区域,得到感兴趣区域图像。
具体地,原始彩色图像为RGB三通道图像,可以通过照相机对目标物进行拍照得到。其中,目标物可以为固定形态物体,如水杯、铅笔等、也可以为变化状态的物体,如雨伞等、或者也可以为短暂存在的物体,如水泡、气泡等。例如,在本实施例一些可选实施例当中,原始彩色图像可以为水下焊接气泡图像,可以利用工业照相机对水下焊接进行高速拍摄得到,此时目标物则为水下焊接气泡。
此外,感兴趣区域(region of interest,简称ROI)是指在机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,也是目标物所在的区域。在具体实施时,感兴趣区域可以由人工用特定标识给圈出,如框选;也可以利用目标物的模板图像对原始彩色图像进行扫描匹配、以在原始彩色图像当中找到与目标物的模板图像相似度高于阈值的图像区域,该图像区域即为感兴趣区域,从而自动提取感兴趣区域;或者也可以基于训练的神经网络模型对原始彩色图像进行感兴趣区域的自动识别。
步骤S02,对所述感兴趣区域图像进行灰度化处理,得到对应的灰度图像。
在本步骤当中,采用上述统一的灰度化处理算法对感兴趣区域图像进行全面灰度化,以将感兴趣区域图像由RGB三通道图像转换为灰度图像,降低后续图像处理的工作量,同时也滤除了彩图像素噪点。
需要说明的是,RGB三通道图像的三个分量分别为Red、Green和Blue,即通过红、绿、蓝三原色来代表真彩色,且R分量,G分量,B分量的取值范围均为0~255,例如屏幕上一个白色的像素点3个通道的值分别是:255,255,255。
同时,对于处理一张彩色图片来说,数据量是比较大的,为了尽可能的减少数据量,一般需要将彩色图像进行灰度化处理。图像的灰度化处理就是让像素点矩阵中的每一个像素点都满足:R=G=B(即3个值相等,但这里的等于不是程序语言中的赋值,是数学中的相等),这个值就是图像处理常用的术语灰度值。图像的灰度化处理一般有分量法、最大值法、平均值法和加权平均法四种方法,本实施例优选采用的是加权平均法。根据重要性及其它指标,将三个分量以不同的权值进行加权平均,由于人眼对绿色的敏感最高,对蓝色敏感最低,因此,按上式对RGB三分量进行加权平均能得到比较合理的灰度图像,即每个像素点的RGB三分量都按上述公式进行加权平均运算,并将加权平均运算值赋值给对应像素点的RGB三分量,使该像素点的R分量、G分量及B分量的值均为该加权平均运算值,从而实现灰度化。
步骤S03,对所述灰度图像进行分段线性灰度变换处理,得到变换后的灰度图像。
在统一灰度化处理之后,还对步骤S02得到的灰度图像进行分段线性灰度变换处理。其中,分段线性灰度变换处理旨在强调兴趣区域中事件形态变换,即强化目标物在兴趣区域中的灰度影响,而对于非兴趣区域则有条件的减弱其在图像上的影响。
步骤S04,对所述变换后的灰度图像进行双边滤波处理,得到滤波后的灰度图像。
其中,双边滤波算法是一种基于高斯分布、加权平均的非线性滤波方法,通过计算中心点与目标点的平面距离与差值,得到相对应的权重关系以此达到降噪保留边缘信息的能力。
步骤S05,将所述滤波后的灰度图像输入到预先训练的图像边缘提取模型当中,以提取出所述目标物的边缘轮廓。
综上,本发明上述实施例当中的图像边缘提取方法,通过先对感兴趣区域图像依次进行灰度化、分段线性灰度变换和双边滤波处理,能够极大程度上过滤与剔除掉图像噪声点,并采用训练模型来对图像进行边缘轮廓的提取,能够极大程度上削弱残留噪声点对边缘提取的干扰影响,从而极大程度上提升了图像边缘提取的精度和能力。
实施例二
请参阅图2,所示为本发明第二实施例中的图像边缘提取方法,本实施例将以从水下焊接气泡图像当中提取出水下焊接气泡的边缘轮廓作为示例来详细阐述所述方法,所述方法具体包括步骤S11-步骤S16。
步骤S11,利用工业照相机对水下焊接水泡进行高速拍摄,得到水下焊接水泡的原始彩色图像。
步骤S12,从水下焊接水泡的原始彩色图像当中提取出水下焊接水泡所在区域,得到感兴趣区域图像。
步骤S13,按从左往右、从上往下的扫描顺序对所述感兴趣区域图像当中的每一像素点进行扫描,并采用预设的灰度转化公式对扫描的每一像素点进行灰度转化,得到对应的灰度图像。
其中,所述预设的灰度转化公式为:
Gray(x i ,y i )= R(x i ,y i )*0.299+G(x i ,y i )*0.587+B(x i ,y i )*0.144 公式(1)
式中,R(x i ,y i )、G(x i ,y i )和B(x i ,y i )分别代表像素点(x i ,y i )的R分量、G分量及B分量的值,Gray(x i ,y i )代表像素点(x i ,y i ) 灰度转化后的灰度值,0.299、0.587和0.144分别为R分量、G分量及B分量的权重值。
步骤S14,根据所述灰度图像的各像素点的灰度值所处的范围,采用对应的预设的线性灰度变换函数对每个像素点进行灰度变换处理,得到变换后的灰度图像。
所述线性灰度变换函数的表达式为:
式中,a为所述灰度图像的最大灰度值,c和d代表需要灰度变换的目标区域的灰度值范围的两个端点值,c<d,Gray(x i ,y i )代表像素点(x i ,y i ) 灰度转化后的灰度值,也即线性灰度变换前的灰度值,G (x i ,y i ) 代表像素点(x i ,y i ) 线性灰度变换后的灰度值。c、d的数值大小可以由工作人员自己选定,常采用等差数列的方式进行数值大小选定,最终选择适合于本图像的转换值。
其中,在步骤S13当中,在从左往右、从上往下的扫描顺序对感兴趣区域图像当中的每一像素点进行扫描的过程当中,会记录图像最大灰度值并赋值给变量a,同时还会标定需要进行灰度变换的目标区域范围c、d。
也即,在本实施例当中,灰度图像的像素点分三段进行变换。具体为,针对低灰度值(小于50)的像素点Gray(x i ,y i ),则对像素点进行c/a倍的像素缩放,以扩大亮度的影响;针对高灰度值(200-255)的像素点Gray(x i ,y i ),通过函数关系对像素点进行处理,达到保持灰度值以抑制噪声的目的;针对中间灰度值(50-200)的像素点Gray(x i ,y i ),通过函数关系进行连接过度。也即通过不同线性函数关系对图像灰度值特定数值大小的处理,其在一定程度上对图像中的噪声点进行的抑制同时突出了目标物部分,增加了图像的可读性。
步骤S15,按从左往右、从上往下的扫描顺序对所述变换后的灰度图像当中的每一像素点进行扫描,并采用预设的双边滤波公式对扫描的每一像素点进行双边滤波处理,得到滤波后的灰度图像。
其中,双边滤波对灰度图像处理是本实施例对图像灰度预处理的最后一步,双边滤波算法是一种基于高斯分布、加权平均的非线性滤波方法,通过计算中心点与目标点的平面距离与差值,得到相对应的权重关系以此达到降噪保留边缘信息的能力。
具体过程为,窗口从上到下、从左到右进行移动,并采用预设的双边滤波公式对每一个像素进行双边滤波处理。其中,预设的双边滤波公式如下:
上述双边滤波算法的原理如下:以一个像素为中心构建3*3大小的像素矩阵为例,分别计算该3*3大小的像素矩阵中各点到中心点的向量模,并取出数值大小最大的作为本组的影响因子σ c ;计算3*3像素矩阵中的标准差σ s 用以反应组内数据的离散程度。计算公式如下所示:
对3*3像素矩阵求解标准差和最大向量模后,再代入高斯滤波权函数W c 和特征保持权函数W s ,高斯滤波权函数W c 和特征保持权函数W s 都是标准的高斯滤波函数,如公式(6)、公式(7)所示:
其中σ c ,σ s 代表的分别是:最大向量模和标准差。
因此,双边滤波模板权值是特征保持权函数W s 与高斯滤波权函数W c 之间的乘积,如公式(8)所示:
以上是3*3像素矩阵非中心像素中的其中一个像素与中心像素的关系,其次求和双边滤波模板权值并与其灰度值之积作为分子、双边滤波模板权值求和作为分母得到中心点的像素灰度值,即得到上述的双边滤波公式(3)。
需要知道的是,本实施例对图像的以上三个方式进行处理,旨在对事件边缘其他噪声点进行预过滤,达到接下来下一步边缘检测的目的。
请参阅图3,所示为线性灰度变换及双边滤波前后的图像对比,其中,图3中a图代表原灰度图像(步骤S13得到),b图代表线性灰度变换后的灰度图像(步骤S14得到),c图代表双边滤波后的灰度图像(步骤S15得到),从图可以很明显的看到,在分段线性变换后的图像与原灰度图像在突出关键事件上有很大的改进。但也需要知道的是,气泡边缘仍存在局部噪声点干扰,故要进行下一步的图像双边滤波处理。经过图像滤波处理后得到的图像,通过对比图3c可以明显的看到图像背景气泡边缘细节更加明显,同时也过滤了相关噪点。
步骤S16,将所述滤波后的灰度图像输入到预先训练的图像边缘提取模型当中,以提取出所述水下焊接水泡的边缘轮廓。
其中,所述图像边缘提取模型的训练过程具体包括:
步骤S161、将训练图像输入到卷积神经网络当中;其中,所述卷积神经网络最初采用初始权重对所述训练图像当中的目标物进行边缘提取;
步骤S162、将边缘提取后的训练图像与包含所述目标物的实际边缘轮廓的模板图像进行对比,得到二者相似度;
步骤S163、判断所述相似度是否大于阈值;若判断到所述相似度大于阈值则执行步骤S165;若判断到所述相似度不大于阈值则执行步骤S164;
步骤S164、若否,则按照预设调整规则对所述卷积神经网络的权重进行调整并更新,并返回执行所述将训练图像输入到卷积神经网络当中的步骤(即步骤S161);
步骤S165、若是,则输出当前卷积神经网络,得到所述图像边缘提取模型。
具体来说,本实施例当中的图像边缘提取模型具体为整体嵌套边缘提取模型,是基于整体嵌套卷积神经网络训练得到。其中,整体嵌套卷积神经网络利用仿生学中生物视皮层中的神经元对视野图像拆分为一定数量、大小的“网格”下的小区域中的特定模式作为反映。在机器学习中则采用卷积神经网络模板(VGG16)中卷积模板、池化层等方式进行仿真。其中,如图4所示,本实施例采用的VGG16模型的相关结构为:2层卷积+reLU激活函数,池化,2层卷积+reLU激活函数,池化,2层卷积+reLU激活函数,池化,3层卷积+reLU激活函数,池化,2层卷积+reLU激活函数,池化,3层全连接+reLU激活函数,softmax输出。
对于卷积层中的特征图是利用对上一层输入的结果通过滤波器进行处理。其中卷积层中的特征图L由(A*B)个神经元组成,各个神经元的激活函数采用函数,同时各神经元是不会与上一层输入得到的每一像素进行连接,同时所有的神经元与上一层输入所连接的权重是相同的,即特征图中所有的神经元都满足于“权共享”策略,大大减少了模型中权重参数数量,提高了计算量。相关特征图所对应于的关系如公式(9)所示:
式总,S x 为垂直步幅,S y 为水平步幅,f h 为感受野高度,f w 为感受野宽度。Z i,j,l 代表卷积层中第l幅特征图中的(i,j)位置上的神经元数值大小。代表卷积层中第l-1幅特征图中的(i’,j’)区域内的神经元数值大小。代表卷积层中第l-1幅特征图到第l幅特征图中(u,v)卷积模板与输入项k’的权重,f n’ 代表输入项的数目。为保证上下特征图大小的一致性,采用对l-1幅特征图进行“补零”方式增加行列,如图5所示。同时以上只代表一个卷积层中只有一个卷积滤波的条件,由于每个滤波输出一个特征图故在滤波数量上如图4所示为本程序所采用的。
其中,池化层的具体操作是:构建f h 感受野高度为2,f w 感受野宽度为2的一套2*2的采样模板,在原先卷积层上以水平步幅、垂直步幅都为1进行数值处理后再特征映射(常用到的是Max Pooling方式和Average Pooling方式),池化层构建目的是为了对特征图在保持原有信息不变的情况下对特征图进行折叠以达到降维目的,从而降低在神经网络训练时的数据参数。
具体地,整体嵌套神经网络对图像的训练是有别于其他任何传统数字图像边缘提取的,其同时也是机器学习的核心要素。具体地,在本实施例当中,模型的训练采用反向传播法——误差逆传播法(Back Propagation, 简称BP算法)。其目的是通过预测值与实际值的差值,进行对神经网络中各数值权重改变,以此达到自主“学习”的目的。
下面将具体介绍BP算法各步骤实现:
根据最快梯度算法,权重大小的改变如公式(11)所示:
进行拆分数学处理,如公式(12)所示:
即得公式(13):
故代入上述拆分后各结果,得到最终权重改变公式(14)
其中Ƞ为学习率,取值范围在(0,1),优选为0.5。相关动态学习率loss函数是本程序采用的方法,其数学关系如公式(15)所示:
其中,k代表迭代次数,K代表迭代结束时的迭代次数,a(0)=0.5,a(k)代表迭代第k次时的学习率,λ为相关系数,λ=0.5。通过对数据集进行训练,得到的损失函数、学习速率数据如图7所示,共迭代了120次,前四十次训练损失下降较大,后面逐渐收敛。可以看到采用的动态学习率也是在第四十开始骤降。
本模型在最后输出层采用强化学习类型中的softmax算法概率化输出结果,相比于(-∞,+∞)范围内的分数输出,概率较易解释。其内在算法核心是利用热力学封闭系统中,当内部温度越高其相对应的混乱程度越大,该过程为熵增过程;同理在温度降低其内部混乱程度开始减少,当系统逐渐进入热力学平衡状态,与Softmax算法在相对应的是最优解的获得。该方式是跳出数值局部最优而走向全局最优的重要思想,softmax算法其利用Boltzmann分布,如公式(16)所示:
式中,Q(i)代表当前1至i处的平均值,τ为强化学习中的“变火”参数。
请参阅图8,所示为整体嵌套神经网络框架的总流程图,首先程序需要对提供的图像进行逐次训练(提供的图像中,每份共两张图像。一张是实际的图像A,另一张是包含该图像A中目标物的实际边缘轮廓B)。
在通过步骤一 (step1)导入初始权重对训练图像A进行处理并与相对应的结果图像B进行对比,通过计算确认两者“相似”度在低于某一阈值时进入步骤二(Step2)进行权重的“更新”并在步骤4(Step4)再次对训练图像A进行处理;反之,进入下一模块。需要注意的是此刻对训练图像A进行处理的模板是经过“更新”后所使用的。在处理结束训练图像A后并再一次与结果图像B进行对比,如果两者“相似”度依然小于特定阈值则继续上方的循环过程,反之,则进行下一份图像的训练。如果此时该份训练图像为全体训练图像的最后一组,则结束。
请参阅图9,所示为本实施例经过训练后得到的整体嵌套边缘提取模型与传统边缘提取算子Canny、Sobel的效果对比。可以明显的看到相比于Sobel算子,Canny算子在消除图像背景圆弧边缘上有很大的提升,但相比于整体嵌套处理的结果却还有很大的差别。在辨识水下焊接气泡边缘时Canny算子,Sobel算子只能大致对其轮廓进行边缘提取,并且Sobel算子在清晰度上对比Canny算子有很大的提升,但相比于整体嵌套处理的结果却还有很大的差别,整体嵌套在很大程度上对电弧区以及气泡区进行了可辨识区别,在很大程度上增大了图像识别的准确度。
综上,本实施例利用双边滤波改进后的整体嵌套神经网络进行数字图像边缘提取,以通过构建计算机自主学习方式对图像进行边缘提取操作,在很大程度上是对当前社会科学中提倡的智能化方式的印证。通过自主学习达到在不同程度、不同领域图像处理的完美运行。相比于传统的算子来说,本发明可以满足不同类型图像边缘提取要求,而前者只适用于特殊的某一类。这在很大程度上减少了人为选择合适图像边缘算子的操作、提高了效率,达到了图像边缘高精度提取的要求。
实施例三
本发明另一方面还提供一种图像边缘提取装置,请查阅图10,所示为本发明第三实施例中的图像边缘提取装置,所述装置包括:
图像提取模块11,用于获取含有目标物的原始彩色图像,并从所述原始彩色图像当中提取出所述目标物所在区域,得到感兴趣区域图像;
灰度处理模块12,用于对所述感兴趣区域图像进行灰度化处理,得到对应的灰度图像;
灰度变换模块13,用于对所述灰度图像进行分段线性灰度变换处理,得到变换后的灰度图像;
双边滤波模块14,用于对所述变换后的灰度图像进行双边滤波处理,得到滤波后的灰度图像;
边缘提取模块15,用于将所述滤波后的灰度图像输入到预先训练的图像边缘提取模型当中,以提取出所述目标物的边缘轮廓。
进一步地,在本发明一些可选实施例当中,所述灰度处理模块12还用于按从左往右、从上往下的扫描顺序对所述感兴趣区域图像当中的每一像素点进行扫描,并采用预设的灰度转化公式对扫描的每一像素点进行灰度转化。
其中,所述预设的灰度转化公式为:
Gray(x i ,y i )= R(x i ,y i )*0.299+G(x i ,y i )*0.587+B(x i ,y i )*0.144
式中,R(x i ,y i )、G(x i ,y i )和B(x i ,y i )分别代表像素点(x i ,y i )的R分量、G分量及B分量的值,Gray(x i ,y i )代表像素点(x i ,y i ) 灰度转化后的灰度值。
进一步地,在本发明一些可选实施例当中,所述灰度变换模块13还用于根据所述灰度图像的各像素点的灰度值所处的范围,采用对应的预设的线性灰度变换函数对每个像素点进行灰度变换处理。
其中,所述线性灰度变换函数的表达式为:
式中,a为所述灰度图像的最大灰度值,c和d代表需要灰度变换的目标区域的灰度值范围的两个端点值,c<d,Gray(x i ,y i )代表像素点(x i ,y i ) 灰度转化后的灰度值。
进一步地,在本发明一些可选实施例当中,所述图像边缘提取装置还包括:
模型训练模块,用于将训练图像输入到卷积神经网络当中,所述卷积神经网络最初采用初始权重对所述训练图像当中的目标物进行边缘提取;将边缘提取后的训练图像与包含所述目标物的实际边缘轮廓的模板图像进行对比,得到二者相似度;判断所述相似度是否大于阈值;若否,则按照预设调整规则对所述卷积神经网络的权重进行调整并更新,并返回执行所述将训练图像输入到卷积神经网络当中的步骤;若是,则输出当前卷积神经网络,得到所述图像边缘提取模型。
所述卷积神经网络的loss函数为:
其中,k代表迭代次数,K代表迭代结束时的迭代次数,a(0)=0.5,a(k)代表迭代第k次时的学习率,λ为相关系数,λ=0.5。
进一步地,在本发明一些可选实施例当中,所述双边滤波模块还用于按从左往右、从上往下的扫描顺序对所述变换后的灰度图像当中的每一像素点进行扫描,并采用预设的双边滤波公式对扫描的每一像素点进行双边滤波处理。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
综上,本发明上述实施例当中的图像边缘提取装置,通过先对感兴趣区域图像依次进行灰度化、分段线性灰度变换和双边滤波处理,能够极大程度上过滤与剔除掉图像噪声点,并采用训练模型来对图像进行边缘轮廓的提取,能够极大程度上削弱残留噪声点对边缘提取的干扰影响,从而极大程度上提升了图像边缘提取的精度。
实施例四
本发明另一方面还提出一种图像边缘提取设备,请参阅图11,所示为本发明第四实施例当中的图像边缘提取设备,包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30,所述处理器10执行所述计算机程序30时实现如上述的图像边缘提取方法。
其中,处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行访问限制程序等。
其中,存储器20至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是图像边缘提取设备的内部存储单元,例如该图像边缘提取设备的硬盘。存储器20在另一些实施例中也可以是图像边缘提取设备的外部存储装置,例如图像边缘提取设备上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括图像边缘提取设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于图像边缘提取设备的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是,图11示出的结构并不构成对图像边缘提取设备的限定,在其它实施例当中,该图像边缘提取设备可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
综上,本发明上述实施例当中的图像边缘提取设备,通过先对感兴趣区域图像依次进行灰度化、分段线性灰度变换和双边滤波处理,能够极大程度上过滤与剔除掉图像噪声点,并采用训练模型来对图像进行边缘轮廓的提取,能够极大程度上削弱残留噪声点对边缘提取的干扰影响,从而极大程度上提升了图像边缘提取的精度和能力。
本发明实施例还提出一种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如上述的图像边缘提取方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于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,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种图像边缘提取方法,其特征在于,所述方法包括:
获取含有目标物的原始彩色图像,并从所述原始彩色图像当中提取出所述目标物所在区域,得到感兴趣区域图像;
对所述感兴趣区域图像进行灰度化处理,得到对应的灰度图像;
对所述灰度图像进行分段线性灰度变换处理,得到变换后的灰度图像;
对所述变换后的灰度图像进行双边滤波处理,得到滤波后的灰度图像;
将所述滤波后的灰度图像输入到预先训练的图像边缘提取模型当中,以提取出所述目标物的边缘轮廓;
对所述灰度图像进行分段线性灰度变换处理的步骤包括:
根据所述灰度图像的各像素点的灰度值所处的范围,采用对应的预设的线性灰度变换函数对每个像素点进行灰度变换处理;
其中,线性灰度变换函数的表达式为:
式中,a为所述灰度图像的最大灰度值,c和d代表需要灰度变换的目标区域的灰度值范围的两个端点值,c<d,常采用等差数列的方式进行数值大小选定,以选择适合于本图像的转换值, Gray(x i ,y i )代表像素点(x i ,y i ) 灰度转化后的灰度值;
其中,所述图像边缘提取模型采用动态学习率进行训练;
并且,所述图像边缘提取模型在最后输出层采用强化学习类型中的softmax算法概率化输出结果,softmax算法的公式为:
式中,Q(i)代表当前1至i处的平均值,τ为强化学习中的“变火”参数;
其中,所述图像边缘提取模型的训练步骤包括:
将训练图像输入到卷积神经网络当中,所述卷积神经网络最初采用初始权重对所述训练图像当中的目标物进行边缘提取;
将边缘提取后的训练图像与包含所述目标物的实际边缘轮廓的模板图像进行对比,得到二者相似度;
判断所述相似度是否大于阈值;
若否,则按照预设调整规则对所述卷积神经网络的权重进行调整并更新,所述卷积神经网络采用更新后的权重对所述训练图像当中的目标物再次进行边缘提取,并再次进行相似度判断;
若是,则返回执行所述将训练图像输入到卷积神经网络当中的步骤,以将下一张训练图像输入到卷积神经网络当中进行训练,直到所有训练图像都训练完后,输出当前卷积神经网络,得到所述图像边缘提取模型;
其中,所述卷积神经网络的卷积层中的特征图的各神经元是不会与上一层输入得到的每一像素进行连接,同时所有的神经元与上一层输入所连接的权重是相同的;特征图所对应于的关系如下:
2.根据权利要求1所述的图像边缘提取方法,其特征在于,对所述感兴趣区域图像进行灰度化处理的步骤包括:
按从左往右、从上往下的扫描顺序对所述感兴趣区域图像当中的每一像素点进行扫描,并采用预设的灰度转化公式对扫描的每一像素点进行灰度转化。
3.根据权利要求2所述的图像边缘提取方法,其特征在于,所述预设的灰度转化公式为:
Gray(x i ,y i )= R(x i ,y i )*0.299+G(x i ,y i )*0.587+B(x i ,y i )*0.144
式中,R(x i ,y i )、G(x i ,y i )和B(x i ,y i )分别代表像素点(x i ,y i )的R分量、G分量及B分量的值,Gray(x i ,y i )代表像素点(x i ,y i ) 灰度转化后的灰度值。
4.根据权利要求1所述的图像边缘提取方法,其特征在于,对所述变换后的灰度图像进行双边滤波处理的步骤包括:
按从左往右、从上往下的扫描顺序对所述变换后的灰度图像当中的每一像素点进行扫描,并采用预设的双边滤波公式对扫描的每一像素点进行双边滤波处理。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4任一所述的图像边缘提取方法。
6.一种图像边缘提取设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-4任一所述的图像边缘提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847510.2A CN113298837B (zh) | 2021-07-27 | 2021-07-27 | 一种图像边缘提取方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110847510.2A CN113298837B (zh) | 2021-07-27 | 2021-07-27 | 一种图像边缘提取方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298837A CN113298837A (zh) | 2021-08-24 |
CN113298837B true CN113298837B (zh) | 2021-11-26 |
Family
ID=77331065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110847510.2A Active CN113298837B (zh) | 2021-07-27 | 2021-07-27 | 一种图像边缘提取方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298837B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902910B (zh) * | 2021-12-10 | 2022-04-08 | 中国科学院自动化研究所 | 一种视觉测量方法及系统 |
CN115457451B (zh) * | 2022-06-13 | 2023-06-16 | 广东众志检测仪器有限公司 | 基于物联网的恒温恒湿试验箱的监控方法及装置 |
CN115100228B (zh) * | 2022-07-25 | 2022-12-20 | 江西现代职业技术学院 | 图像处理方法、系统、可读存储介质及计算机设备 |
CN115063408B (zh) * | 2022-07-28 | 2022-12-02 | 广州粤芯半导体技术有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN115861462B (zh) * | 2022-10-17 | 2023-11-03 | 北京百度网讯科技有限公司 | 图像生成模型的训练方法、装置、电子设备及存储介质 |
CN116308748B (zh) * | 2023-03-19 | 2023-10-20 | 二十六度数字科技(广州)有限公司 | 一种基于知识图谱的用户欺诈行为判断系统 |
CN116486273B (zh) * | 2023-06-20 | 2023-09-01 | 南昌工程学院 | 一种小样本遥感图像水体信息提取方法 |
CN117274642B (zh) * | 2023-09-20 | 2024-03-26 | 肇庆医学高等专科学校 | 一种网络图像数据采集分析方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261017B (zh) * | 2015-10-14 | 2018-12-11 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
EP3171297A1 (en) * | 2015-11-18 | 2017-05-24 | CentraleSupélec | Joint boundary detection image segmentation and object recognition using deep learning |
CN105608429B (zh) * | 2015-12-21 | 2019-05-14 | 重庆大学 | 基于差分激励的鲁棒车道线检测方法 |
US10395362B2 (en) * | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
CN107403435B (zh) * | 2017-07-28 | 2020-06-26 | 江苏大学 | 一种基于rgb颜色空间的彩色图像边缘提取方法 |
US10229346B1 (en) * | 2018-09-04 | 2019-03-12 | StradVision, Inc. | Learning method, learning device for detecting object using edge image and testing method, testing device using the same |
CN110570440A (zh) * | 2019-07-19 | 2019-12-13 | 武汉珈和科技有限公司 | 一种基于深度学习边缘检测的图像自动分割方法及装置 |
WO2021092650A1 (en) * | 2019-11-11 | 2021-05-20 | Inkerz Pty Ltd | Computer-implemented method for extracting content from a physical writing surface |
CN112052907A (zh) * | 2020-09-15 | 2020-12-08 | 浙江智慧视频安防创新中心有限公司 | 基于图像边缘信息的目标检测方法、装置及存储介质 |
-
2021
- 2021-07-27 CN CN202110847510.2A patent/CN113298837B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113298837A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298837B (zh) | 一种图像边缘提取方法、装置、存储介质及设备 | |
CN111882040B (zh) | 基于通道数量搜索的卷积神经网络压缩方法 | |
CN104866868A (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN112464911A (zh) | 基于改进YOLOv3-tiny的交通标志检测与识别方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN113191489B (zh) | 二值神经网络模型的训练方法、图像处理方法和装置 | |
CN110866872B (zh) | 一种路面裂缝图片预处理智能选择方法、装置及电子设备 | |
CN114170418B (zh) | 一种以图搜图的汽车线束连接器多特征融合图像检索方法 | |
CN113065576A (zh) | 一种特征提取的方法以及装置 | |
CN112580662A (zh) | 一种基于图像特征识别鱼体方向的方法及系统 | |
CN106570503A (zh) | 识别车身颜色的方法和系统 | |
CN116279592A (zh) | 一种用于无人物流车的可行驶区域划分方法 | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
CN111882555A (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN114708615A (zh) | 基于图像增强的低照度环境下人体检测方法、电子设备及储存介质 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN109345497A (zh) | 基于模糊算子的图像融合处理方法及系统、计算机程序 | |
CN113223614A (zh) | 一种染色体核型分析方法、系统、终端设备和存储介质 | |
CN111079807B (zh) | 一种地物分类方法及装置 | |
CN112419278A (zh) | 一种基于深度学习的实木地板分类方法 | |
CN116597275A (zh) | 一种基于数据增强的高速移动目标识别方法 | |
CN113283429B (zh) | 基于深度卷积神经网络的液位式表计读数方法 | |
Alam et al. | Identification of empty land based on google earth using convolutional neural network algorithm | |
CN117765373B (zh) | 一种自适应裂缝尺寸的轻量化道路裂缝检测方法及系统 | |
CN117593890B (zh) | 一种道路遗撒物体的检测方法、装置、电子设备及存储介质 |
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 |