CN113362323A - 基于滑窗分块的图像检测方法 - Google Patents
基于滑窗分块的图像检测方法 Download PDFInfo
- Publication number
- CN113362323A CN113362323A CN202110822108.9A CN202110822108A CN113362323A CN 113362323 A CN113362323 A CN 113362323A CN 202110822108 A CN202110822108 A CN 202110822108A CN 113362323 A CN113362323 A CN 113362323A
- Authority
- CN
- China
- Prior art keywords
- image
- recognized
- target
- screen window
- size
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- 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
Abstract
本公开提供了一种基于滑窗分块的图像检测方法,包括:以公开数据集提供的切片数据对网络进行训练得到训练模型;根据所述切片数据大小选取对应的屏幕信息;将用于测试的图像在屏幕窗口中进行显示;在图像中选取多个待识别目标,并使其出现在所述屏幕窗口中;缩小图像选取最优缩放比,根据所述最优缩放比计算实际分块大小;逐次平移图像以移动距离作为所述实际分块的重叠区域;根据所述实际分块大小和所述实际分块的重叠区域,对用于测试的所述图像进行检测。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于滑窗分块的图像检测方法。
背景技术
在超高分辨率图像的检测方法多采用滑窗分块方法对大图像进行切分得到一个个分块图像,而后对分块图像进行检测,对检测的目标坐标进行变换,输出目标在大图像上的位置。
其中滑窗分块中的分块大小则大多根据训练模型采用的数据集中的图片大小来确定。分块过大或过小都会影响边缘端检测的准确率以及检测速率,因此确定合适的分块大小是分块检测算法的核心。
发明内容
针对于现有的技术问题,本发明提供一种基于滑窗分块的图像检测方法,用于至少部分解决以上技术问题。
本发明实施例提供一种基于滑窗分块的图像检测方法,包括:以公开数据集提供的切片数据对网络进行训练得到训练模型;根据所述切片数据大小选取对应的屏幕信息;其中,所述的屏幕信息包括屏幕窗口的尺寸;将用于测试的图像以100%的分辨率在所述屏幕窗口中进行显示;在所述图像中选取至少一个目标,依据所述目标的像素点数量将每个目标划分为一个待识别目标,拖动所述图像直至所述待识别目标出现在所述屏幕窗口中;逐次缩小所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,记录所述无法被识别的状态之前各次累计缩小所述图像的缩放比,在至少一个缩放比中选取最优缩放比,根据所述最优缩放比计算实际分块大小;在所述最优缩放比的状态下,逐次平移所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,记录所述无法被识别状态之前各次平移所述图像的累计移动距离,以所述累计移动距离作为所述实际分块的重叠区域;以及根据所述实际分块大小和所述实际分块的重叠区域,对用于测试的所述图像进行检测。
根据本公开的实施例,根据所述切片数据大小所述选取对应的屏幕信息,包括:以选取的所述切片数据大小的1-2倍作为所述屏幕窗口的尺寸。
根据本公开的实施例,将用于测试的图像以100%的分辨率在屏幕窗口中进行显示,包括:采用图像处理软件将用于测试的所述图像打开,其中,所述图像处理软件包括:Photoshop。
根据本公开的实施例,其中,逐次缩小所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,包括:所述图像中的所述待识别目标在所述屏幕窗口中能被识别的状态下,以所述图像百分之一的比例作为定值,逐次缩小所述图像的比例。
根据本公开的实施例,其中,在至少一个缩放比中选取最优缩放比,包括:所述待识别目标的数量为一个时,则所述待识别目标的缩放比为最优缩放比。
根据本公开的实施例,其中,在至少一个缩放比中选取最优缩放比,包括:所述待识别目标的数量为N个时,其中N为大于1的自然数;依据每个待识别目标的像素点数量由多至少的顺次设置为第一待识别目标、第二待识别目标…第N-1待识别目标和第N待识别目标;以及在相同的所述屏幕窗口的情况下,对于第一待识别目标至第N待识别目标分别进行逐次缩小,并记录每个缩放比,在确保每个待识别目标均能被识别的状态下,选取所述缩放比中最小的一个作为最优缩放比。
根据本公开的实施例,其中,所述实际分块大小=所述屏幕窗口的尺寸/最优缩放比。
根据本公开的实施例,其中,逐次平移所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,包括:以所述待识别目标横向或纵向长度的一半作为第一滑窗步长,在所述图像平移方向同向以单个像素的边长为定值,逐次平移所述图像。
根据本公开的实施例,其中,所述待识别目标为在至少一个中人为选取的一个。
根据本公开的实施例,其中,对用于测试的所述图像进行检测,包括:采用所述实际分块大小和所述实际分块的重叠区域对所述用于测试的图像进行切分,对于切分得到的多个分块图像进行检测并输出目标坐标;以及根据所述目标坐标进行集成应用,使得所述分块图像输出至完整图像上。
根据本发明的上述实施例提供的一种基于滑窗分块的图像检测方法。本示意性的方法中对于图像进行缩放并得到最优缩放比,通过优化缩放比的手段来对实际分块的大小进行优化。在上述最优缩放比的基础上,通过平移图像的手段来调整重叠区域。进一步的,通过优化后的实际分块大小以及调整后的重叠区域来实现较优的分块推理策略。
附图说明
图1示意性示出了根据本公开实施例的图像检测方法的流程图;
图2A-2C是根据本公开实施例的在屏幕窗口中缩小图像的操作过程中的显示结果示意图,其中,图2A为原始图像,图2B为缩小图像,图2C为缩小屏幕窗口;以及
图3A-3B是根据本公开实施例的在屏幕窗口中平移图像的操作过程中的显示结果示意图,其中,图3A为能识别待识别目标状态,图3B为不能识别待识别目标状态。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在超高分辨率图像的检测方法多采用滑窗分块方法对大图像进行切分得到一个个分块图像,其中滑窗分块中的分块大小则大多根据训练模型采用的数据集中的图片大小来确定,分块过大或过小都会影响边缘端检测的准确率以及检测速率。
针对上述技术问题应提供一种新的基于滑窗分块的图像检测方法,基于上述图像检测方法来优化实际分块大小以及调整重叠区域,进而实现一种较优的分块推理策略。
具体的,本公开的实施例提供一种基于滑窗分块的图像检测方法,包括:以公开数据集提供的切片数据对网络进行训练得到训练模型;根据所述切片数据大小选取对应的屏幕信息;其中,所述的屏幕信息包括屏幕窗口的尺寸;将用于测试的图像以100%的分辨率在所述屏幕窗口中进行显示;在所述图像中选取多个目标,依据所述目标的像素点数量将每个目标划分为一个待识别目标,拖动所述图像直至所述待识别目标出现在所述屏幕窗口中;逐次缩小所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,记录所述无法被识别的状态之前各次累计缩小所述图像的缩放比,在多个缩放比中选取最优缩放比,根据所述最优缩放比计算实际分块大小;在所述最优缩放比的状态下,逐次平移所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,记录所述无法被识别状态之前各次平移所述图像的累计移动距离,以所述累计移动距离作为所述实际分块的重叠区域;以及根据所述实际分块大小和所述实际分块的重叠区域,对用于测试的所述图像进行检测。
图1示意性示出了根据本公开实施例的基于滑窗分块的图像检测方法的流程图。
根据本公开的实施例,根据切片数据大小所述选取对应的屏幕信息,包括:以选取的切片数据大小的1-2倍作为所述屏幕窗口的尺寸。
根据本公开的实施例,将用于测试的图像以100%的分辨率在屏幕窗口中进行显示,包括:采用图像处理软件将用于测试的所述图像打开,其中,所述图像处理软件包括:Photoshop。
根据本公开的实施例,其中,逐次缩小图像直至待识别目标在屏幕窗口中无法被识别(既判断输出结果的正确性),包括:
如图2A【图像比例为100%,屏幕窗口为切片数据大小2倍】所示,图像中的待识别目标在屏幕窗口中能被识别(判断结果正确)的状态下;如图2B【图像比例为80%,屏幕窗口为切片数据大小2倍】所示,以所述图像百分之一的比例作为定值,逐次缩小所述图像的比例。
图像中的待识别目标在屏幕窗口中不能被识别(判断结果错误)的状态下,如图2C【图像比例为100%,屏幕窗口和切片数据大小相同】所示,以设定的一个的比例作为定值,逐次缩小屏幕窗口直至待识别目标能够被识别。其中,上述的屏幕窗口不小于切片数据大小。
根据本公开的实施例,其中,在多个缩放比中选取最优缩放比。
包括:上述待识别目标的数量为一个时,则待识别目标的缩放比为最优缩放比。
还包括:上述待识别目标的数量为N个时,其中N为大于1的自然数;依据每个待识别目标的像素点数量由多至少的顺次设置为第一待识别目标、第二待识别目标…第N-1待识别目标和第N待识别目标;以及在相同的屏幕窗口的情况下,对于第一待识别目标至第N待识别目标分别进行逐次缩小,并记录每个缩放比,在确保每个待识别目标均能被识别的状态下,选取缩放比中最小的一个作为最优缩放比。
根据本公开的实施例,所述实际分块大小=所述屏幕窗口的尺寸/最优缩放比。
根据本公开的实施例,其中,逐次平移图像直至所述待识别目标在所述屏幕窗口中无法被识别,包括:如图3A所示,以待识别目标横向或纵向长度的一半作为第一滑窗步长,在图像平移方向同向以单个像素的边长为定值,逐次平移所述图像,如图3B所示,直至上述待识别目标无法被识别。
根据本公开的实施例,所述待识别目标为在多个中人为选取的一个。
根据本公开的实施例,对用于测试的所述图像进行检测,包括:
采用所述实际分块大小和所述实际分块的重叠区域对所述用于测试的图像进行切分,对于切分得到的多个分块图像进行检测并输出目标坐标;以及
根据所述目标坐标进行集成应用,使得所述分块图像输出至完整图像上。
根据本公开的实施例,还可应用于一种图像检测系统。
其中,上述图像检测系统,包括:电脑端和边缘端,上述点电脑端根据边缘端支持的方式进行数据传输,包括无线网络UDP传输、camera link接口连接传输。其中,电脑端通过对屏幕窗口的信息进行不间断的获取得到窗口截图,并以视频帧形式传输至边缘端。
上述电脑端用于训练和获取训练模型,对用于测试的图片进行显示以及选取屏幕窗口。上述电脑端还用于对图像进行缩放和拖动。上述边缘端用于对待识别目标进行识别(判断输出结果的正确性)。
采用上述的公开实施例,在电脑端对图像进行控制和操作,在边缘端对待识别目标进行识别,调试过程中无需像以往传统调试方式(中断边缘端的运行程序,在程序层面进行调参,再次运行程序),而是直接在电脑端对图像进行缩放平移以实现调试,无需多次中断程序,提高了调试效率。
采用上述的公开实施例,将选取的屏幕窗口不间断捕获以视频帧的形式进行传输,边缘端读取视频帧并进行检测,操作简单,也简化了传输流程。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种基于滑窗分块的图像检测方法,包括:
以公开数据集提供的切片数据对网络进行训练得到训练模型;
根据所述切片数据大小选取对应的屏幕信息;其中,所述的屏幕信息包括屏幕窗口的尺寸;
将用于测试的图像以100%的分辨率在所述屏幕窗口中进行显示;
在所述图像中选取至少一个目标,依据所述目标的像素点数量将每个目标划分为一个待识别目标,拖动所述图像直至所述待识别目标出现在所述屏幕窗口中;
逐次缩小所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,记录所述无法被识别的状态之前各次累计缩小所述图像的缩放比,在至少一个缩放比中选取最优缩放比,根据所述最优缩放比计算实际分块大小;
在所述最优缩放比的状态下,逐次平移所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,记录所述无法被识别状态之前各次平移所述图像的累计移动距离,以所述累计移动距离作为所述实际分块的重叠区域;以及
根据所述实际分块大小和所述实际分块的重叠区域,对用于测试的所述图像进行检测。
2.根据权利要求1所述的图像检测方法,根据所述切片数据大小所述选取对应的屏幕信息,包括:
以选取的所述切片数据大小的1-2倍作为所述屏幕窗口的尺寸。
3.根据权利要求1所述的图像检测方法,将用于测试的图像以100%的分辨率在屏幕窗口中进行显示,包括:
采用图像处理软件将用于测试的所述图像打开,其中,所述图像处理软件包括:Photoshop。
4.根据权利要求1所述的图像检测方法,其中,逐次缩小所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,包括:
所述图像中的所述待识别目标在所述屏幕窗口中能被识别的状态下,以所述图像百分之一的比例作为定值,逐次缩小所述图像的比例。
5.根据权利要求1所述的图像检测方法,其中,在至少一个缩放比中选取最优缩放比,包括:
所述待识别目标的数量为一个时,则所述待识别目标的缩放比为最优缩放比。
6.根据权利要求1所述的图像检测方法,其中,在至少一个缩放比中选取最优缩放比,包括:
所述待识别目标的数量为N个时,其中N为大于1的自然数;
依据每个待识别目标的像素点数量由多至少的顺次设置为第一待识别目标、第二待识别目标…第N-1待识别目标和第N待识别目标;以及
在相同的所述屏幕窗口的情况下,对于第一待识别目标至第N待识别目标分别进行逐次缩小,并记录每个缩放比,在确保每个待识别目标均能被识别的状态下,选取所述缩放比中最小的一个作为最优缩放比。
7.根据权利要求1或5或6所述的图像检测方法,其中,所述实际分块大小=所述屏幕窗口的尺寸/最优缩放比。
8.根据权利要求1所述的图像检测方法,其中,逐次平移所述图像直至所述待识别目标在所述屏幕窗口中无法被识别,包括:
以所述待识别目标横向或纵向长度的一半作为第一滑窗步长,在所述图像平移方向同向以单个像素的边长为定值,逐次平移所述图像。
9.根据权利要求8所述的图像检测方法,其中,所述待识别目标为在至少一个中人为选取的一个。
10.根据权利要求1所述的图像检测方法,其中,对用于测试的所述图像进行检测,包括:
采用所述实际分块大小和所述实际分块的重叠区域对所述用于测试的图像进行切分,对于切分得到的多个分块图像进行检测并输出目标坐标;以及
根据所述目标坐标进行集成应用,使得所述分块图像输出至完整图像上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822108.9A CN113362323B (zh) | 2021-07-21 | 2021-07-21 | 基于滑窗分块的图像检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822108.9A CN113362323B (zh) | 2021-07-21 | 2021-07-21 | 基于滑窗分块的图像检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362323A true CN113362323A (zh) | 2021-09-07 |
CN113362323B CN113362323B (zh) | 2022-09-16 |
Family
ID=77540039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110822108.9A Active CN113362323B (zh) | 2021-07-21 | 2021-07-21 | 基于滑窗分块的图像检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362323B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332078A (zh) * | 2022-03-02 | 2022-04-12 | 山东华硕汽车配件科技有限公司 | 一种汽车发动机金属磨损智能修复控制方法 |
CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090245755A1 (en) * | 2008-03-26 | 2009-10-01 | Sangkeun Lee | Method and system for image scaling detection |
CN108763265A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种基于分块检索的图像识别方法 |
CN109242032A (zh) * | 2018-09-21 | 2019-01-18 | 桂林电子科技大学 | 一种基于深度学习的目标检测方法 |
CN111274991A (zh) * | 2020-02-12 | 2020-06-12 | 清华大学 | 行人检测识别系统、方法、设备及计算机可读存储介质 |
CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
CN111985325A (zh) * | 2020-07-15 | 2020-11-24 | 国网河南省电力公司 | 特高压环境评价中的航拍小目标快速识别方法 |
CN112784828A (zh) * | 2021-01-21 | 2021-05-11 | 珠海市杰理科技股份有限公司 | 基于方向梯度直方图的图像检测方法、装置、计算机设备 |
-
2021
- 2021-07-21 CN CN202110822108.9A patent/CN113362323B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090245755A1 (en) * | 2008-03-26 | 2009-10-01 | Sangkeun Lee | Method and system for image scaling detection |
CN108763265A (zh) * | 2018-04-03 | 2018-11-06 | 南昌奇眸科技有限公司 | 一种基于分块检索的图像识别方法 |
CN109242032A (zh) * | 2018-09-21 | 2019-01-18 | 桂林电子科技大学 | 一种基于深度学习的目标检测方法 |
CN111274991A (zh) * | 2020-02-12 | 2020-06-12 | 清华大学 | 行人检测识别系统、方法、设备及计算机可读存储介质 |
CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
CN111985325A (zh) * | 2020-07-15 | 2020-11-24 | 国网河南省电力公司 | 特高压环境评价中的航拍小目标快速识别方法 |
CN112784828A (zh) * | 2021-01-21 | 2021-05-11 | 珠海市杰理科技股份有限公司 | 基于方向梯度直方图的图像检测方法、装置、计算机设备 |
Non-Patent Citations (6)
Title |
---|
XUEYUN CHEN 等: "Vehicle Detection in Satellite Images by Hybrid Deep Convolutional Neural Networks", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
YANG JI 等: "improved HOG Feature Vehicle Recognition Algorithm Based On Sliding Window", 《JOURNAL OF PHYSICS:CONFERENCE SERIES》 * |
熊伟等: "基于SVM的高分辨率SAR图像舰船目标检测算法", 《遥感技术与应用》 * |
甄勇等: "大场景SAR图像舰船目标快速检测", 《信息工程大学学报》 * |
肖枚: "基于高分三号卫星的实时船舶检测算法", 《科学技术与工程》 * |
邓志鹏: "基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测", 《测绘学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332078A (zh) * | 2022-03-02 | 2022-04-12 | 山东华硕汽车配件科技有限公司 | 一种汽车发动机金属磨损智能修复控制方法 |
CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113362323B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362323B (zh) | 基于滑窗分块的图像检测方法 | |
US8699818B2 (en) | Method, system, and program for determining image quality based on pixel changes between image frames | |
CN112085728B (zh) | 一种海底管道及泄漏点检测方法 | |
CN111738056B (zh) | 一种基于改进YOLO v3的重卡盲区目标检测方法 | |
KR102558704B1 (ko) | 목표 검출 방법 및 장치, 컴퓨터 시스템 및 판독 가능 저장 매체 | |
CN111309618A (zh) | 页面元素定位方法、页面测试方法及相关装置 | |
CN105869148A (zh) | 目标检测方法及装置 | |
CN111383204A (zh) | 视频图像融合方法、融合装置、全景监控系统及存储介质 | |
US6707943B2 (en) | Method of monitoring the quality of distributed digital images by detecting false contours | |
CN111193860B (zh) | 巡检机器人工作点位的一框标定方法 | |
CN102262733B (zh) | 激光点检测方法及装置 | |
JP7387261B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN111199567A (zh) | 车道线绘制方法、装置及终端设备 | |
CN116453029B (zh) | 基于图像数据的楼宇火灾环境检测方法 | |
CN109903308B (zh) | 用于获取信息的方法及装置 | |
CN112819694A (zh) | 一种视频图像拼接方法及装置 | |
JP2971724B2 (ja) | 動画像のカット点検出装置 | |
CN113079342A (zh) | 基于高分辨率影像装置的目标追踪方法及系统 | |
CN111210451A (zh) | 一种在全数字切片图像中提取幽门螺杆菌形态的方法 | |
JP3126961B2 (ja) | 動画像のカット画面グループ検出装置 | |
JP7377089B2 (ja) | 情報処理装置、情報処理方法 | |
WO2023176488A1 (ja) | 移動体計測方法 | |
CN112003995B (zh) | 一种基于ar技术配置电视墙的方法及装置 | |
CN104700396B (zh) | 从图像中确定用于估计交通量的参数的方法和系统 | |
CN113538366B (zh) | 一种基于孔内成像的基桩缺陷定量化评价方法及系统 |
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 |