CN113421229A - 一种图像小区域缺损检测与修复方法 - Google Patents

一种图像小区域缺损检测与修复方法 Download PDF

Info

Publication number
CN113421229A
CN113421229A CN202110625250.4A CN202110625250A CN113421229A CN 113421229 A CN113421229 A CN 113421229A CN 202110625250 A CN202110625250 A CN 202110625250A CN 113421229 A CN113421229 A CN 113421229A
Authority
CN
China
Prior art keywords
area
defect
repairing
region
picture
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
Application number
CN202110625250.4A
Other languages
English (en)
Other versions
CN113421229B (zh
Inventor
徐智
李友强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202110625250.4A priority Critical patent/CN113421229B/zh
Publication of CN113421229A publication Critical patent/CN113421229A/zh
Application granted granted Critical
Publication of CN113421229B publication Critical patent/CN113421229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G06T5/77—

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像小区域缺损检测与修复方法，通过对所述样品图片和所述模板子图片进行归一化互相关处理，筛选相关系数矩阵获得对应的区域种子坐标，再利用区域生长算法结合实际需要设定阈值得到完整的缺损区域，最后采用改进的快速行进算法进行图像缺损区域修复，加入等照度线方向，并引入自适应插值的置信度因子，对破损区域的像素点插值，即当缺失像素进行插值时，对其邻域的原始像素全部信任，而对经修复得到的像素部分信任，由此避免误差累积导致的修复后破损区域模糊现象，解决了现有技术中的摄像头图像小区域缺损人工检测与修复效果不佳的技术问题。

Description

一种图像小区域缺损检测与修复方法
技术领域
本发明涉及数字图像处理技术领域，尤其涉及一种图像小区域缺损检测与修复方法。
背景技术
移动端设备的摄像头是在真空环境下生产的，由于环境中可能混有细微灰尘，导致生产的样品有部分瑕疵，最明显的就是利用这部分样品拍摄出的照片会有部分细小区域缺损，考虑到成本问题，生产商会对于这些照片进行人工分析，定位区域坐标，然后再利用修复算法对该区域进行修复。目前针对此类瑕疵的处理还存在以下的问题，首先是人工分析需要耗费大量的人力和时间，其次是修复效果也不是十分理想。
发明内容
本发明的目的在于提供一种图像小区域缺损检测与修复方法，旨在解决现有技术中的摄像头图像小区域缺损人工检测与修复效果不佳的技术问题。
为实现上述目的，本发明采用的一种图像小区域缺损检测与修复方法，包括下列步骤：
取样获得多张样品图片；
处理所述样品图片获得包含缺损区域的模板子图片；
对所述样品图片和所述模板子图片进行归一化互相关运算，获得相关系数矩阵；
根据所述相关系数矩阵设定阈值获得若干区域坐标；
利用区域生长算法对所述区域坐标进行区域扩充获得候选缺损区域；
修复所述候选缺损区域。
其中，所述样品图片使用同一个缺陷摄像模组拍摄取样，所述样品图片的数量大于等于三张。
其中，所述模板子图片在多张所述样品图片中截取相同大小且包含缺损区域的子图，然后进行灰度化处理后求均值获得。
其中，所述样品图片在与所述模板子图片进行归一化互相关运算前需进行灰度化处理。在对所述样品图片和所述模板子图片进行归一化互相关运算，获得相关系数的过程中，所有的归一化互相关值构成归一化互相关矩阵，然后从所述归一化互相关矩阵中按相关值从大到小顺序筛选出前五大相关值作为相关系数。
其中，所述区域坐标为所述前五大相关值所在的坐标。
其中，在对所述区域坐标进行区域扩充获得候选缺损区域的过程中，选择所述区域坐标的像素作为种子像素，选择所述种子像素与周围相邻原始像素进行比较，符合灰度差阈值的像素被添加到区域，区域通过添加与区域中已存在的像素相似的新相邻像素来增长，获得所述候选缺损区域。
其中，在修复所述候选缺损区域的过程中，基于快速进行算法计算修复，引入自适应插值的置信度因子对所述候选缺损区域的像素点插值，每修复一个所述候选缺损区域的像素，都需要计算所述像素的置信度大小。
本发明的一种图像小区域缺损检测与修复方法，通过对所述样品图片和所述模板子图片进行归一化互相关处理，筛选相关系数矩阵获得对应的区域种子坐标，再利用区域生长算法结合实际需要设定阈值得到完整的缺损区域，最后采用改进的快速行进算法进行图像缺损区域修复，加入等照度线方向，并引入自适应插值的置信度因子，对破损区域的像素点插值，即当缺失像素进行插值时，对其邻域的原始像素全部信任，而对经修复得到的像素部分信任，由此避免误差累积导致的修复后破损区域模糊现象，解决了现有技术中的摄像头图像小区域缺损人工检测与修复效果不佳的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种图像小区域缺损检测与修复方法的流程示意图。
图2是本发明中M掩膜矩阵和R矩阵的构成示意图。
图3是本发明的快速行进伪代码步骤图。
图4是本发明的具体实施例的测试图片原图。
图5是本发明的具体实施例的模板子图片的处理过程图。
图6是本发明的具体实施例的mask(掩膜)图。
图7是本发明的具体实施例的修复结果图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1，本发明提出了一种图像小区域缺损检测与修复方法，包括下列步骤：
S1：取样获得多张样品图片；
S2：处理所述样品图片获得包含缺损区域的模板子图片；
S3：对所述样品图片和所述模板子图片进行归一化互相关运算，获得相关系数矩阵；
S4：根据所述相关系数矩阵设定阈值获得若干区域坐标；
S5：利用区域生长算法对所述区域坐标进行区域扩充获得候选缺损区域；
S6：修复所述候选缺损区域。
所述样品图片使用同一个缺陷摄像模组拍摄取样，所述样品图片的数量大于等于三张。
所述模板子图片在多张所述样品图片中截取相同大小且包含缺损区域的子图，然后进行灰度化处理后求均值获得。
所述样品图片在与所述模板子图片进行归一化互相关运算前需进行灰度化处理。在对所述样品图片和所述模板子图片进行归一化互相关运算，获得相关系数的过程中，所有的归一化互相关值构成归一化互相关矩阵，然后从所述归一化互相关矩阵中按相关值从大到小顺序筛选出前五大相关值作为相关系数。
所述区域坐标为所述前五大相关值所在的坐标。
在对所述区域坐标进行区域扩充获得候选缺损区域的过程中，选择所述区域坐标的像素作为种子像素，选择所述种子像素与周围相邻原始像素进行比较，符合灰度差阈值的像素被添加到区域，区域通过添加与区域中已存在的像素相似的新相邻像素来增长，获得所述候选缺损区域。
在修复所述候选缺损区域的过程中，基于快速进行算法计算修复，引入自适应插值的置信度因子对所述候选缺损区域的像素点插值，每修复一个所述候选缺损区域的像素，都需要计算所述像素的置信度大小。
首先截取同一样品摄像模组拍摄的同样大小且含有缺损区域的模板子图片若干(一般取3张)，对这些模板子图的R/G/B三通道分别累加取均值，然后进行灰度化处理同时对同一摄像模组拍摄的样品图进行灰度化处理。然后对样品图与模板子图进行归一化互相关运算，运算公式如下：
Figure BDA0003101923910000041
R(x,y)表示归一化互相关值，T(i,j)为该像素在模板中的坐标。
Figure BDA0003101923910000042
为样品图中同样大小区域的像素平均值。
Figure BDA0003101923910000043
为模板子图的像素平均值。
所有的归一化互相关值构成归一化互相关矩阵K，然后从K中根据相关值从大到小顺序筛选出前五大相关值所在的坐标，对应坐标的像素被定为种子像素。首先，选择一个种子像素，并将其与周围相邻原始像素进行比较。符合预定义增长标准(灰度差阈值)的像素被添加到区域。区域通过添加与区域中已存在的像素相似的新相邻像素来增长。当区域停止生长时，算法选择另一个不属于任何区域的种子像素又开始了。该算法强制执行以下标准来向区域添加像素：
1.该区域中至少有一个除该种子像素自身之外的符合增长标准的条件的邻居像素。
2.相邻两个像素之间的灰度值差不得超过设定的阈值。
通过以上方法就可以得到原图中的缺损区域位置，然后对原图进行图像二值化处理，缺损区域的灰度值为255，缺损区域以外的像素点灰度值为0，这样就得到了原图的Mask(图像掩膜)。
接下来进行修复操作，本发明在原快速行进算法(FMM算法)基础上进行了改进。FMM算法基于的思想是，先处理待修复区域边缘上的像素点，然后层层向内推进，直到修复完所有的像素点。以灰度图为例，只需要计算出像素新的灰度值即可。对于彩色图像，分别用同样的方法处理各个通道即可。用Ω表示缺损区域，δΩ表示缺损区域边界，要修复Ω中的像素，就需要计算出新的像素值来代替原值。现在假设p点是要修复的像素。以p为中心选取一个小邻域ε(p),该邻域中的像素点灰度值都是已知的。采用以下公式来计算p点的新灰度值：
Figure BDA0003101923910000051
ω(p,q)＝iso(p，q)·dst(p，q)·lev(p，q)
Figure BDA0003101923910000052
Figure BDA0003101923910000053
Figure BDA0003101923910000054
I(p)表示p点的灰度值，q属于p邻域内的一点，
Figure BDA0003101923910000055
表示q点的梯度，通过q像素点灰度值信息对待修复区域p像素点的贡献如以上表达式所示，p像素点最终的灰度值由其邻域内所有的像素点对其的贡献总和加权平均。ω(p，q)是权值函数，用来限定领域中各像素贡献大小的。方向因子iso(p，q)保证了越靠近等照度线方向N的像素点贡献越大，几何距离因子dst(p，q)保证了离p点越近的像素点对p点的贡献越大，水平集距离因子lev(p，q)保证了离经过点p的待修复区域的轮廓线越近的已知像素点对点p的贡献越大。d0和T0分别为距离参数和水平集参数，一般取为1。
每修复一个缺损区域像素，都需要计算该像素的置信度大小，根据图2所示，该像素周围5*5大小的区域中，1为已知区域像素点，0为待修复区域像素点，所以该像素p的置信度为：
Figure BDA0003101923910000056
M为Mask掩膜矩阵，R是一个除中心点为0外其余都为1的矩阵。则置信度矩阵P中元素表明图像中相应位置的像素点中周围已修复像素的相对个数。p(i，j)越大，表明缺损区域中该点所在的5*5邻域内的已知像素越多，该点修复后的灰度值越接近真实值。修复完该点后需要将该点的信息置为1，表示是该点是已知像素。修复其他像素点时需要按照置信度大小的顺序依次进行修复，如果利用该点灰度值需要乘上相应的置信度系数。
根据图3快速行进的伪代码，修复算法为待修复区域边缘构建了一个窄边，就是上面所说的δΩ。δΩ是通过先将mask(掩膜)通过图像形态学膨胀操作得到mask2(结构元素是长为2*ε+1的十字形，以中心点为原点)，再用mask2减去mask得到。膨胀操作是指将结构B在结构A上进行卷积操作，如果移动结构B的过程中，与结构A存在重叠区域，则记录该位置，所有移动结构B与结构A存在交集的位置的集合为结构A在结构B作用下的膨胀结果所有满足上述条件的a点组成的集合称做X被B膨胀的结果。然后将δΩ中像素点按照置信度从大到小的顺序进行排序，依次修复像素点，在修复该像素的同时，判断其周围4邻域的像素状态，如果是缺损区域内部的未修复的像素点，则计算其置信度，然后添加到δΩ中去，直到δΩ为空，代表修复过程已结束，缺损区域修复完毕。
本发明还根据上述算法实施了一个具体的实施例，测试图片如图4所示，请参阅图5，前3部分代表着从原样品图中取样的包含缺损区域的模板子图，第4部分代表经过灰度化和均值处理后的模板子图，根据算法得到的mask(掩膜)图请参阅图6，最终修复结果图请参阅图7。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (8)

1.一种图像小区域缺损检测与修复方法，其特征在于，包括下列步骤：
取样获得多张样品图片；
处理所述样品图片获得包含缺损区域的模板子图片；
对所述样品图片和所述模板子图片进行归一化互相关运算，获得相关系数矩阵；
根据所述相关系数矩阵设定阈值获得若干区域坐标；
利用区域生长算法对所述区域坐标进行区域扩充获得候选缺损区域；
修复所述候选缺损区域。
2.如权利要求1所述的图像小区域缺损检测与修复方法，其特征在于，所述样品图片使用同一个缺陷摄像模组拍摄取样，所述样品图片的数量大于等于三张。
3.如权利要求1所述的图像小区域缺损检测与修复方法，其特征在于，所述模板子图片在多张所述样品图片中截取相同大小且包含缺损区域的子图，然后进行灰度化处理后求均值获得。
4.如权利要求1所述的图像小区域缺损检测与修复方法，其特征在于，所述样品图片在与所述模板子图片进行归一化互相关运算前需进行灰度化处理。
5.如权利要求4所述的图像小区域缺损检测与修复方法，其特征在于，在对所述样品图片和所述模板子图片进行归一化互相关运算，获得相关系数的过程中，所有的归一化互相关值构成归一化互相关矩阵，然后从所述归一化互相关矩阵中按相关值从大到小顺序筛选出前五大相关值作为相关系数。
6.如权利要求5所述的图像小区域缺损检测与修复方法，其特征在于，所述区域坐标为所述前五大相关值所在的坐标。
7.如权利要求6所述的图像小区域缺损检测与修复方法，其特征在于，在对所述区域坐标进行区域扩充获得候选缺损区域的过程中，选择所述区域坐标的像素作为种子像素，选择所述种子像素与周围相邻原始像素进行比较，符合灰度差阈值的像素被添加到区域，区域通过添加与区域中已存在的像素相似的新相邻像素来增长，获得所述候选缺损区域。
8.如权利要求7所述的图像小区域缺损检测与修复方法，其特征在于，在修复所述候选缺损区域的过程中，基于快速进行算法计算修复，引入自适应插值的置信度因子对所述候选缺损区域的像素点插值，每修复一个所述候选缺损区域的像素，都需要计算所述像素的置信度大小。
CN202110625250.4A 2021-06-04 2021-06-04 一种图像小区域缺损检测与修复方法 Active CN113421229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110625250.4A CN113421229B (zh) 2021-06-04 2021-06-04 一种图像小区域缺损检测与修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110625250.4A CN113421229B (zh) 2021-06-04 2021-06-04 一种图像小区域缺损检测与修复方法

Publications (2)

Publication Number Publication Date
CN113421229A true CN113421229A (zh) 2021-09-21
CN113421229B CN113421229B (zh) 2023-05-30

Family

ID=77713854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110625250.4A Active CN113421229B (zh) 2021-06-04 2021-06-04 一种图像小区域缺损检测与修复方法

Country Status (1)

Country Link
CN (1) CN113421229B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999887A (zh) * 2012-11-12 2013-03-27 中国科学院研究生院 一种基于样本的图像修复方法
CN103310419A (zh) * 2013-06-18 2013-09-18 深圳大学 一种小目标图像处理装置
CN103578085A (zh) * 2013-10-18 2014-02-12 清华大学深圳研究生院 基于可变块的图像空洞区域修补方法
JP2017040612A (ja) * 2015-08-21 2017-02-23 キヤノン株式会社 検査方法、検査装置、画像処理装置、プログラム及び記録媒体
CN107507137A (zh) * 2017-07-14 2017-12-22 深圳前海城市宠儿网络科技有限公司 一种图像修复方法及系统
CN107967673A (zh) * 2017-12-03 2018-04-27 天津大学 一种自适应样本块图像修复方法
CN109034080A (zh) * 2018-08-01 2018-12-18 桂林电子科技大学 多源域自适应的人脸识别方法
CN109242791A (zh) * 2018-08-22 2019-01-18 东北农业大学 一种针对破损植物叶片的批量修复方法
CN109490316A (zh) * 2018-11-30 2019-03-19 熵智科技(深圳)有限公司 一种基于机器视觉的表面缺陷检测算法
CN110136080A (zh) * 2019-05-10 2019-08-16 厦门欢乐逛科技股份有限公司 图像修复方法及装置
CN110223383A (zh) * 2019-06-17 2019-09-10 重庆大学 一种基于深度图修补的植物三维重建方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999887A (zh) * 2012-11-12 2013-03-27 中国科学院研究生院 一种基于样本的图像修复方法
CN103310419A (zh) * 2013-06-18 2013-09-18 深圳大学 一种小目标图像处理装置
CN103578085A (zh) * 2013-10-18 2014-02-12 清华大学深圳研究生院 基于可变块的图像空洞区域修补方法
JP2017040612A (ja) * 2015-08-21 2017-02-23 キヤノン株式会社 検査方法、検査装置、画像処理装置、プログラム及び記録媒体
CN107507137A (zh) * 2017-07-14 2017-12-22 深圳前海城市宠儿网络科技有限公司 一种图像修复方法及系统
CN107967673A (zh) * 2017-12-03 2018-04-27 天津大学 一种自适应样本块图像修复方法
CN109034080A (zh) * 2018-08-01 2018-12-18 桂林电子科技大学 多源域自适应的人脸识别方法
CN109242791A (zh) * 2018-08-22 2019-01-18 东北农业大学 一种针对破损植物叶片的批量修复方法
CN109490316A (zh) * 2018-11-30 2019-03-19 熵智科技(深圳)有限公司 一种基于机器视觉的表面缺陷检测算法
CN110136080A (zh) * 2019-05-10 2019-08-16 厦门欢乐逛科技股份有限公司 图像修复方法及装置
CN110223383A (zh) * 2019-06-17 2019-09-10 重庆大学 一种基于深度图修补的植物三维重建方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DENGYONG ZHANG等: "A robust forgery detection algorithm for object removal by exemplar-based image inpainting", 《MULTIMEDIA TOOLS AND APPLICATIONS》 *
PHILIPP TIEFENBACHER等: "Subjective and objective evaluation of image inpainting quality", 《 2015 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
曹齐: "残损纺织物图像的修复算法研究与三维重建", 《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》 *
苟慧玲: "针对稳定填充的样本块图像修复算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN113421229B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
US6504947B1 (en) Method and apparatus for multi-level rounding and pattern inspection
US20120155740A1 (en) Method of detecting defect in pattern and apparatus for performing the same
US7945091B2 (en) Image processor correcting color misregistration, image processing program, image processing method, and electronic camera
JP6052902B2 (ja) ディジタル画像中のハイライト領域および飽和領域を処理するための方法
CN112085728B (zh) 一种海底管道及泄漏点检测方法
JP4908440B2 (ja) 画像処理装置及び方法
CN110648349A (zh) 基于背景减除和连通区域算法的焊缝缺陷分割方法
US20150206324A1 (en) Texture detection in image processing
US8086024B2 (en) Defect detection apparatus, defect detection method and computer program
JPH1173501A (ja) 参照画像作成方法およびパターン検査装置
JP3741672B2 (ja) 画像特徴学習型欠陥検出方法、欠陥検出装置及び欠陥検出プログラム
CN116385434B (zh) 一种用于预制梁裂缝的智能检测方法
JP2008051617A (ja) 画像検査装置、その方法、及びその記録媒体
CN116402729A (zh) 一种基于双直方图均衡化的图像增强方法及系统
JP4915166B2 (ja) ぼかしフィルタ設計方法
US20100040304A1 (en) Image quality improvement processing apparatus, image quality improvement processing method and computer-readable recording medium storing image quality improvement processing computer program
JP2021086616A (ja) ランダムサンプリング一貫性に基づく魚眼画像の有効領域抽出方法
CN111563867A (zh) 一种用于提升图像清晰度的图像融合方法
CN115294149A (zh) 一种天文图像背景提取方法及系统
CN114792310A (zh) 一种LCD屏幕中边缘模糊的Mura缺陷检测方法
CN113421229B (zh) 一种图像小区域缺损检测与修复方法
CN106971375B (zh) 一种图像放大的处理方法及装置
JP2006155579A (ja) 画像処理方法および画像処理装置
JP2007013231A (ja) 画像のシェーディング補正装置、方法及びプログラム
CN114155197A (zh) 一种元器件缺陷检测的方法及装置

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