CN113421296A - 一种基于灰度阈值的激光光斑质心提取方法 - Google Patents

一种基于灰度阈值的激光光斑质心提取方法 Download PDF

Info

Publication number
CN113421296A
CN113421296A CN202110971316.5A CN202110971316A CN113421296A CN 113421296 A CN113421296 A CN 113421296A CN 202110971316 A CN202110971316 A CN 202110971316A CN 113421296 A CN113421296 A CN 113421296A
Authority
CN
China
Prior art keywords
gray
centroid
pixel point
calculating
spot
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
CN202110971316.5A
Other languages
English (en)
Other versions
CN113421296B (zh
Inventor
赵旋
汪逸群
余辉龙
侯月
黄雅莉
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202110971316.5A priority Critical patent/CN113421296B/zh
Publication of CN113421296A publication Critical patent/CN113421296A/zh
Application granted granted Critical
Publication of CN113421296B publication Critical patent/CN113421296B/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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于灰度阈值的激光光斑质心提取方法，包括以下步骤：S1：统计激光光斑灰度图的灰度分布特征，并根据分布特征计算区分背景和光斑区域的灰度区间；S2：计算区分背景和光斑区域的灰度阈值；S3：根据区分背景和光斑区域的灰度阈值，计算光斑质心的有效像素点坐标集合，并将有效像素点坐标集合分别使用灰度重心法和高斯拟合法计算，得到两个质心坐标；S4：通过分析灰度重心法和高斯拟合法质心坐标的特征，融合两部分质心坐标，得到的光斑质心坐标。本发明光斑质心提取精度更高，使用灰度阈值和质心融合方法，能有效提高光斑质心的提取精度，应用于星间激光通信和一般的激光通信领域中，具有方法精简，精度高，易于实现。

Description

一种基于灰度阈值的激光光斑质心提取方法
技术领域
本发明涉及一种激光通信和激光信息技术领域，尤其涉及一种基于灰度阈值的激光光斑质心提取方法。
背景技术
随着我国激光测高技术的发展，在卫星上搭载的激光测高载荷均配备足印相机,能对激光光斑的能量分布进行有效成像,辅助确定激光的指向。因此研究激光光斑质心位置的方法，对星间激光设备及技术的发展有着重要意义。其中灰度重心法方法简单,但是该方法在光斑形状不规则、强度不对称时存在很大的局限性；曲线拟合也是比较常用的方法之一,但是边缘和阈值的选取都会对质心提取的精度产生很大影响；而近几年提出的高斯拟合法精度高,但是计算较为复杂。
发明内容
本发明的目的在于提供一种基于灰度阈值的激光光斑质心提取方法，解决了现有技术中确定激光光斑质心位置的方法时对于光斑形状不规则、强度不对称时难以确认激光光斑质心位置，提取质心精确度不高的问题。
本发明采用的技术方案如下：
一种基于灰度阈值的激光光斑质心提取方法，包括以下步骤：
S1：统计激光光斑灰度图的灰度分布特征，并根据分布特征计算区分背景和光斑区域的灰度区间；
S2：计算区分背景和光斑区域的灰度阈值；
S3：根据区分背景和光斑区域的灰度阈值，计算光斑质心的有效像素点坐标集合，并将有效像素点坐标集合分别使用灰度重心法和高斯拟合法计算，得到两个质心坐标；
S4：通过分析灰度重心法和高斯拟合法质心坐标的特征，融合两部分质心坐标，得到的光斑质心坐标。
进一步地，所述S1中包括以下子步骤：
S11：计算区分背景的灰度区间：
Figure 117852DEST_PATH_IMAGE001
其中：N 1为激光光斑灰度图像素点最大值，V 1为N 1对应的灰度值，V 0为比V 1小1的灰度值，V 2为比V 1大1的灰度值，N 0为V 0对应的像素点值，N 2为V 2对应的像素点值；
S12：计算光斑区域的灰度区间：
Figure 230165DEST_PATH_IMAGE002
其中：V max1 ~ V max10为激光光斑灰度图灰度值最大的前10个像素点的灰度值。
进一步地，所述S2中通过以下公式，计算区分背景和光斑区域的灰度阈值：
Figure 34173DEST_PATH_IMAGE003
其中，V B 为区分背景的灰度区间，V 0 为光斑区域的灰度区间。
进一步地，所述S3包括以下子步骤：
S31：将灰度值大于灰度阈值T的像素点计入有效像素点坐标集合V 1 ={(x i , y j )|Y i,j > T}，其中Y i,j 表示像素点(x i , y j )处的灰度值；
S32：对剩余像素点进行判断，若该像素点的灰度值大于αT且其四邻域存在属于集合V 1 的像素点，则该像素点计入有效像素点坐标集合V 2 ，即V 2={(x i , y j )| Y i,j > αT且(x i ,y j )四邻域存在像素点属于V 1 }，其中α表示阈值系数，取值为0.5-0.9；
S33：对有效像素点坐标集合合并得到V=V 1 ∪V 2 ；
S34：对得到的有效像素点坐标集合V分别使用灰度重心法和高斯拟合法进行计算，分别得到质心坐标（x 1, y 1）和（x 2, y 2）。
进一步地，所述S4包括以下子步骤：
S41：将质心坐标（x 1, y 1）和（x 2, y 2）分别取整数部分和小数部分，整数部分作为起始像素点坐标，即原点O'，小数部分作为质心与原点O'的距离；
S42：使用小数部分分别计算与原点O'四周四个相邻像素点的距离，并根据距离加权平均法原理更新质心坐标（x 1, y 1）和（x 2, y 2）的小数部分，得到新的质心坐标（x 1 `, y 1 `）和（x 2 `, y 2 `）；
S43：将新的质心坐标（x 1 `, y 1 `）和（x 2 `, y 2 `）求均值，得到光斑质心坐标（x 0, y 0）。
本发明的有益效果是：在本发明中，对于光斑形状不规则、强度不对称时能精确确认激光光斑质心位置，使用灰度阈值和质心融合方法，能有效提高光斑质心的提取精度，在不同硬件平台实现激光光斑的质心提取功能，应用于星间激光通信和一般的激光通信领域中，具有方法精简，精度高，易于实现，硬件资源简单等有益效果。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例3的激光光斑灰度图；
图3为本发明实施例3的直方图统计；
图4为本发明实施例3的有效像素合集示意图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
一种基于灰度阈值的激光光斑质心提取方法，包括以下步骤：
S1：统计激光光斑灰度图的灰度分布特征，并根据分布特征计算区分背景和光斑区域的灰度区间；
S11：计算区分背景的灰度区间：
Figure 817141DEST_PATH_IMAGE001
其中：N 1为激光光斑灰度图像素点最大值，V 1为N 1对应的灰度值，V 0为比V 1小1的灰度值，V 2为比V 1大1的灰度值，N 0为V 0对应的像素点值，N 2为V 2对应的像素点值；
S12：计算光斑区域的灰度区间：
Figure 364797DEST_PATH_IMAGE002
其中：V max1 ~ V max10为激光光斑灰度图灰度值最大的前10个像素点的灰度值。
S2：计算区分背景和光斑区域的灰度阈值；
计算区分背景和光斑区域的灰度阈值：
Figure 597195DEST_PATH_IMAGE003
其中，V B 为区分背景的灰度区间，V 0 为光斑区域的灰度区间。
S3：根据区分背景和光斑区域的灰度阈值，计算光斑质心的有效像素点坐标集合，并将有效像素点坐标集合分别使用灰度重心法和高斯拟合法计算，得到两个质心坐标；
S31：将灰度值大于灰度阈值T的像素点计入有效像素点坐标集合V 1 ={(x i , y j )|Y i,j > T}，其中Y i,j 表示像素点(x i , y j )处的灰度值；
S32：对剩余像素点进行判断，若该像素点的灰度值大于αT且其四邻域存在属于集合V 1 的像素点，则该像素点计入有效像素点坐标集合V 2 ，即V 2={(x i , y j )| Y i,j > αT且(x i ,y j )四邻域存在像素点属于V 1 }，其中α表示阈值系数，取值为0.5-0.9；
S33：对有效像素点坐标集合合并得到V=V 1 ∪V 2 ；
S34：对得到的有效像素点坐标集合V分别使用灰度重心法和高斯拟合法进行计算，分别得到质心坐标（x 1, y 1）和（x 2, y 2）。
S4：通过分析灰度重心法和高斯拟合法质心坐标的特征，融合两部分质心坐标，得到的光斑质心坐标。
S41：将质心坐标（x 1, y 1）和（x 2, y 2）分别取整数部分和小数部分，整数部分作为起始像素点坐标，即原点O'，小数部分作为质心与原点O'的距离；
S42：使用小数部分分别计算与原点O'四周四个相邻像素点的距离，并根据距离加权平均法原理更新质心坐标（x 1, y 1）和（x 2, y 2）的小数部分，得到新的质心坐标（x 1 `, y 1 `）和（x 2 `, y 2 `）；
S43：将新的质心坐标（x 1 `, y 1 `）和（x 2 `, y 2 `）求均值，得到光斑质心坐标（x 0, y 0）。
实施例说明
对激光发生器进行固定数值的偏移，则每两个光斑质心坐标的差值即为固定值，水平方向为1.33333，竖直方向为0。
实施例1
使用灰度重心法计算光斑质心坐标
表1为使用灰度重心法计算的光斑质心坐标
序号 水平坐标 竖直坐标 水平坐标差 竖直坐标差
1 239.5222 279.2959 -1.0996 -0.3304
2 238.4226 278.9654 -1.5845 0.1121
3 236.8381 278.8775 -1.3193 -0.2199
4 235.5188 278.6576 -1.1202 -0.0034
5 234.3985 278.654 \ \
与真值最大差值 \ \ 0.2512 0.2199
实施例2
使用高斯拟合法计算光斑质心坐标
表2位使用高斯拟合法计算的光斑质心坐标
序号 水平坐标 竖直坐标 水平坐标差 竖直坐标差
1 239.553 279.0744 -1.22979 -0.1241
2 238.3233 278.9503 -1.49112 0.0211
3 236.8321 278.9713 -1.28695 -0.1221
4 235.5452 278.8493 -1.26643 -0.0016
5 234.2788 278.8477 \ \
与真值最大差值 \ \ 0.15779 0.1221
实施例3
使用本发明计算光斑质心坐标
S1：得到激光光斑灰度图，如图2所示；对激光光斑灰度图做直方图统计，如图3所示，并统计直方图信息，得到区分背景的灰度区间值16.22959，光斑区域灰度区间值128.1；
S2：计算得到灰度阈值72.16；
S3：根据灰度阈值得到有效像素合集示意图，如图4所示；根据区分背景和光斑区域的灰度阈值，计算光斑质心的有效像素点坐标集合，并将有效像素点坐标集合分别使用灰度重心法和高斯拟合法计算，得到质心坐标（x 1, y 1）和（x 2, y 2）；
S4：对质心坐标（x 1, y 1）和（x 2, y 2）分别使用灰度重心法和高斯拟合法进行计算经过距离加权平均法原理得到新的质心坐标（x 1 `, y 1 `）和（x 2 `, y 2 `）；对新的质心坐标（x 1 `,y 1 `）和（x 2 `, y 2 `）求均值得到光斑质心坐标（x 0, y 0）；
表3为使用本发明计算的光斑质心坐标：
序号 水平坐标 竖直坐标 水平坐标差 竖直坐标差
1 239.55906 279.01411 -1.28213 -0.03733
2 238.27693 278.97678 -1.36658 0.01331
3 236.91035 278.99009 -1.36926 -0.02336
4 235.54109 278.96673 -1.30963 -0.01030
5 234.23146 278.95643 \ \
与真值最大差值 \ \ 0.05120 0.03733
根据表1、表2和表3可以看出，原始灰度重心法精度在0.25像素级别，原始高斯拟合法精度在0.15像素级别，而本发明的精度在0.05像素级别。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于灰度阈值的激光光斑质心提取方法，其特征在于，包括以下步骤：
S1：统计激光光斑灰度图的灰度分布特征，并根据分布特征计算区分背景和光斑区域的灰度区间；
S2：计算区分背景和光斑区域的灰度阈值；
S3：根据区分背景和光斑区域的灰度阈值，计算光斑质心的有效像素点坐标集合，并将有效像素点坐标集合分别使用灰度重心法和高斯拟合法计算，得到两个质心坐标；
S4：通过分析灰度重心法和高斯拟合法质心坐标的特征，融合两部分质心坐标，得到光斑质心坐标。
2.如权利要求1所述的一种基于灰度阈值的激光光斑质心提取方法，其特征在于，所述S1中包括以下子步骤：
S11：计算区分背景的灰度区间：
Figure 719387DEST_PATH_IMAGE001
其中：N 1为激光光斑灰度图像素点最大值，V 1为N 1对应的灰度值，V 0为比V 1小1的灰度值，V 2为比V 1大1的灰度值，N 0为V 0对应的像素点值，N 2为V 2对应的像素点值；
S12：计算光斑区域的灰度区间：
Figure 839790DEST_PATH_IMAGE002
其中：V max1 ~ V max10为激光光斑灰度图灰度值最大的前10个像素点的灰度值。
3.如权利要求1所述的一种基于灰度阈值的激光光斑质心提取方法，其特征在于，所述S2中通过以下公式，计算区分背景和光斑区域的灰度阈值：
Figure 88369DEST_PATH_IMAGE003
其中，V B 为区分背景的灰度区间，V 0 为光斑区域的灰度区间。
4.如权利要求3所述的一种基于灰度阈值的激光光斑质心提取方法，其特征在于，所述S3包括以下子步骤：
S31：将灰度值大于灰度阈值T的像素点计入有效像素点坐标集合V 1 ={(x i , y j )| Y i,j > T}，其中Y i,j 表示像素点(x i , y j )处的灰度值；
S32：对剩余像素点进行判断，若该像素点的灰度值大于αT且其四邻域存在属于集合V 1 的像素点，则该像素点计入有效像素点坐标集合V 2 ，即V 2={(x i , y j )| Y i,j > αT且(x i , y j )四邻域存在像素点属于V 1 }，其中α表示阈值系数，取值为0.5-0.9；
S33：对有效像素点坐标集合合并得到V=V 1 ∪V 2 ；
S34：对得到的有效像素点坐标集合V分别使用灰度重心法和高斯拟合法进行计算，分别得到质心坐标（x 1, y 1）和（x 2, y 2）。
5.如权利要求4所述的一种基于灰度阈值的激光光斑质心提取方法，其特征在于，所述S4包括以下子步骤：
S41：将质心坐标（x 1, y 1）和（x 2, y 2）分别取整数部分和小数部分，整数部分作为起始像素点坐标，即原点O'，小数部分作为质心与原点O'的距离；
S42：使用小数部分分别计算与原点O'四周四个相邻像素点的距离，并根据距离加权平均法原理更新质心坐标（x 1, y 1）和（x 2, y 2）的小数部分，得到新的质心坐标（x 1 `, y 1 `）和（x 2 `, y 2 `）；
S43：将新的质心坐标（x 1 `, y 1 `）和（x 2 `, y 2 `）求均值，得到光斑质心坐标（x 0, y 0）。
CN202110971316.5A 2021-08-24 2021-08-24 一种基于灰度阈值的激光光斑质心提取方法 Active CN113421296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110971316.5A CN113421296B (zh) 2021-08-24 2021-08-24 一种基于灰度阈值的激光光斑质心提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110971316.5A CN113421296B (zh) 2021-08-24 2021-08-24 一种基于灰度阈值的激光光斑质心提取方法

Publications (2)

Publication Number Publication Date
CN113421296A true CN113421296A (zh) 2021-09-21
CN113421296B CN113421296B (zh) 2021-11-26

Family

ID=77719500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110971316.5A Active CN113421296B (zh) 2021-08-24 2021-08-24 一种基于灰度阈值的激光光斑质心提取方法

Country Status (1)

Country Link
CN (1) CN113421296B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283170A (zh) * 2021-12-24 2022-04-05 凌云光技术股份有限公司 一种光斑提取方法
CN114399434A (zh) * 2021-12-17 2022-04-26 国科大杭州高等研究院 一种用于空间超远距星间激光链路建立的高精度光斑质心定位算法及其识别方法
CN114659627A (zh) * 2022-05-16 2022-06-24 广东工业大学 一种基于环形滤波的激光光斑监测方法、系统和设备
CN115205317A (zh) * 2022-09-15 2022-10-18 山东高速集团有限公司创新研究院 一种桥梁监测光电标靶图像光斑中心点提取方法
CN115656978A (zh) * 2022-10-31 2023-01-31 哈尔滨工业大学 目标条纹图像中光斑位置的获得方法和装置
CN117788269A (zh) * 2024-02-27 2024-03-29 季华实验室 一种基于fpga的光斑质心快速定位方法及其相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496015A (zh) * 2011-11-22 2012-06-13 南京航空航天大学 二维高斯分布光斑图像中心快速高精度定位方法
US20130267829A1 (en) * 2010-12-16 2013-10-10 Koninklijke Philips Electronics N.V. Apparatus for ct-mri and nuclear hybrid imaging, cross calibration, and performance assessment
CN105300316A (zh) * 2015-09-22 2016-02-03 大连理工大学 基于灰度重心法的光条中心快速提取方法
CN108053441A (zh) * 2017-09-18 2018-05-18 沈阳工业大学 一种激光三角法高精度测量方法
CN108168541A (zh) * 2017-12-20 2018-06-15 北京遥感设备研究所 一种改进的亚像元星点质心定位方法
CN108981585A (zh) * 2017-06-01 2018-12-11 上海砺晟光电技术有限公司 可精确测量曲面目标位移的激光位移传感器
CN111462225A (zh) * 2020-03-31 2020-07-28 电子科技大学 一种红外光斑图像的质心识别定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130267829A1 (en) * 2010-12-16 2013-10-10 Koninklijke Philips Electronics N.V. Apparatus for ct-mri and nuclear hybrid imaging, cross calibration, and performance assessment
CN102496015A (zh) * 2011-11-22 2012-06-13 南京航空航天大学 二维高斯分布光斑图像中心快速高精度定位方法
CN105300316A (zh) * 2015-09-22 2016-02-03 大连理工大学 基于灰度重心法的光条中心快速提取方法
CN108981585A (zh) * 2017-06-01 2018-12-11 上海砺晟光电技术有限公司 可精确测量曲面目标位移的激光位移传感器
CN108053441A (zh) * 2017-09-18 2018-05-18 沈阳工业大学 一种激光三角法高精度测量方法
CN108168541A (zh) * 2017-12-20 2018-06-15 北京遥感设备研究所 一种改进的亚像元星点质心定位方法
CN111462225A (zh) * 2020-03-31 2020-07-28 电子科技大学 一种红外光斑图像的质心识别定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任守峰等: "《一种高分七号卫星激光足印光斑质心的高精度提取算法》", 《光学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399434A (zh) * 2021-12-17 2022-04-26 国科大杭州高等研究院 一种用于空间超远距星间激光链路建立的高精度光斑质心定位算法及其识别方法
CN114399434B (zh) * 2021-12-17 2024-05-28 国科大杭州高等研究院 一种用于空间超远距星间激光链路建立的高精度光斑质心定位算法及其识别方法
CN114283170A (zh) * 2021-12-24 2022-04-05 凌云光技术股份有限公司 一种光斑提取方法
CN114283170B (zh) * 2021-12-24 2024-05-03 北京元客视界科技有限公司 一种光斑提取方法
CN114659627A (zh) * 2022-05-16 2022-06-24 广东工业大学 一种基于环形滤波的激光光斑监测方法、系统和设备
CN115205317A (zh) * 2022-09-15 2022-10-18 山东高速集团有限公司创新研究院 一种桥梁监测光电标靶图像光斑中心点提取方法
CN115656978A (zh) * 2022-10-31 2023-01-31 哈尔滨工业大学 目标条纹图像中光斑位置的获得方法和装置
CN117788269A (zh) * 2024-02-27 2024-03-29 季华实验室 一种基于fpga的光斑质心快速定位方法及其相关设备
CN117788269B (zh) * 2024-02-27 2024-05-07 季华实验室 一种基于fpga的光斑质心快速定位方法及其相关设备

Also Published As

Publication number Publication date
CN113421296B (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN113421296B (zh) 一种基于灰度阈值的激光光斑质心提取方法
CN106682629B (zh) 一种复杂背景下身份证号识别算法
CN102629322B (zh) 一种基于边界点笔画形状的字符特征提取方法及应用
CN106529550B (zh) 基于连通域分析的多维特征量提取方法及装置
CN103530590B (zh) Dpm二维码识别系统
CN106991686B (zh) 一种基于超像素光流场的水平集轮廓跟踪方法
CN107341802A (zh) 一种基于曲率与灰度复合的角点亚像素定位方法
CN105205488A (zh) 基于Harris角点和笔画宽度的文字区域检测方法
CN115147414A (zh) 一种双极型功率晶体管表面击穿缺陷检测方法
CN109409356B (zh) 一种基于swt的多方向中文印刷体文字检测方法
CN110969656B (zh) 一种基于机载设备激光光束光斑大小的检测方法
CN102938150A (zh) 基于自适应海杂波统计的sar图像舰船检测方法
CN110322428B (zh) 检测隧道病害的方法、装置及电子设备
CN111881801B (zh) 基于不变检测策略的新增建设用地遥感监测方法及设备
CN112446437A (zh) 一种基于机器视觉的货架商品规格识别方法
CN106408526A (zh) 一种基于多层矢量图的能见度检测方法
CN110763306A (zh) 一种基于单目视觉的液位测量系统及方法
CN105389793A (zh) 一种自动识别物体表面裂缝走向及宽度的方法
CN114943833A (zh) 一种气液反应器中气泡流的气泡识别图像处理方法
CN112016566B (zh) 一种金融票据大写金额处手写汉字的分割方法
CN114266899A (zh) 一种基于多核dsp的图像目标并行检测方法
CN103093241B (zh) 基于同质化处理的光学遥感图像非匀质云层判别方法
CN112734779A (zh) 一种圆点标定板边缘亚像素检测方法
CN109978859B (zh) 一种基于可见失真池化的图像显示适应质量评估方法
CN108280842A (zh) 一种克服光照突变的前景分割方法

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
GR01 Patent grant
GR01 Patent grant