CN113436163A - 一种叶轮机械叶栅试验纹影图像流场特征识别处理方法 - Google Patents
一种叶轮机械叶栅试验纹影图像流场特征识别处理方法 Download PDFInfo
- Publication number
- CN113436163A CN113436163A CN202110697965.0A CN202110697965A CN113436163A CN 113436163 A CN113436163 A CN 113436163A CN 202110697965 A CN202110697965 A CN 202110697965A CN 113436163 A CN113436163 A CN 113436163A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- flow field
- schlieren
- cascade
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000003706 image smoothing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 239000012530 fluid Substances 0.000 abstract description 4
- 230000035939 shock Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 230000006835 compression Effects 0.000 abstract description 2
- 238000007906 compression Methods 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000003672 processing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10004—Still image; Photographic 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种叶轮机械叶栅试验纹影图像流场特征识别处理方法,步骤一:基于加权L0梯度最小化的图像平滑;步骤二:伪彩色转化增强;步骤三:叶栅位置提取。本发明针对叶栅纹影试验图像的特点,提出了一套通过图像处理提高叶栅试验流场特征识别度的方法。其中,采用L0梯度最小化算法能有效去除叶栅纹影图像中的背景噪声,并很好的保留了叶栅流场中的弱压缩波/膨胀波、边界层流体聚集等流场细节信息,显示出了良好的去噪效果;进一步经过伪彩色转化增强后,叶栅流场结构特征信息更为突出,可识别出激波的强弱,尾迹的耗散,以及激波与边界层流体的相互作用;叶栅位置的提取则有助于分辨叶栅所在的相对位置,提高流场结构特征的可判读性。
Description
技术领域
本发明属于叶轮机械研究技术领域,特别是涉及一种叶轮机械叶栅试验纹影图像流场特征识别处理方法。
背景技术
在航空发动机和燃气轮机等动力装置的叶轮机械研究设计中,通过叶栅试验可以对气动新设计理论的正确性进行验证,对设计叶型的性能校核和优化提供详实的试验数据参考。大量且成系列的叶栅试验数据为科研人员认识叶轮机械内部流动现象的本质和规律,进而建立和完善气动设计体系发挥了重要的作用。作为航空技术的延伸,叶栅试验也为民用燃气轮机、汽轮机、风机等设计提供了强有力的技术支持,现已成为叶轮机械气动设计和研究中必不可少的试验内容。
研究叶栅通道内的流场结构是揭示气动损失机理,掌握气动损失规律的重要手段。纹影法是一种表征流场结构特征的常用光学测量技术。但在实际应用中,由于光源强度不均、试验件光线反射、污渍沉积等原因,纹影法所获得的图像质量不高。光学器件的畸变误差、流场紊流干扰、相机相对试验件的抖动也会影响到图像对关键流场结构的显示精度。另一方面,由于纹影法所获得的图像为灰度图像,人的肉眼对其识别能力有限,难以获得流场中的准确定量信息。
发明内容
为了克服上述问题,本发明提供了一种叶轮机械叶栅试验纹影图像流场特征识别处理方法,采用该方法能提高对叶栅试验流场结构的识别精度。
本发明所采用的技术方案是:
一种叶轮机械叶栅试验纹影图像流场特征识别处理方法,包括以下步骤:
步骤一:基于加权L0梯度最小化的图像平滑:
水平方向的L0梯度定义为:
竖直方向的L0梯度定义为:
其中,“#{·}”表示对大括号内满足条件的像素p计数;假设I为原图像,S为满足约束的目标,建立目标函数为:
将其转化为非约束形式:
λ和γ是非负参数,分别控制I在水平和竖直方向被平滑的权重;由于Cx(S)和Cy(S)非凸非可导函数,直接求解(4)式困难,为此引入辅助变量hp和vp,以hp表示原图沿着水平方向的梯度估计值vp表示原图沿着竖直方向的梯度估计值使用交替最小化法求解,求解目标变换为:
步骤二:伪彩色转化增强:对纹影图像进行伪彩色转化增强,即将图像灰度信息转换为色彩信息,可获得更好的视觉效果和更为直观的图像信息;
图像上任意点p处的像素值记为Xp,对彩色图像而言,Xp是一个三元向量,伪彩色处理过程描述为Yp=f(Xp);伪彩色处理算法的核心是f(·)的设计;
通过将图像灰度级分为K个等级li(i=1,2,...,k),为每一个等级指定颜色Ci;本文采用灰度分割法设计f(·),取灰度级为256级,最大可获取256种颜色;为此需借助HSV颜色模型实现伪彩色处理,HSV颜色模型使用色调(H)、饱和度(S)、亮度(V)三个分量来表示彩色图像;其中H分量是一个在0~360的角度,表征颜色的种类;S分量表示颜色鲜艳程度,取值范围是0到1;V分量表示亮暗程度,取值为RGB三个分量中最大者与灰度最大值(255)的比值,取值范围也在0到1;由HSV图像计算RGB值的公式为:
C=V×S (6)
X=C×(1-|(H÷60°)mod2-1|) (7)
(R,G,B)=[(R',G',B')+(m,m,m)]×255 (9)
首先将图像三通道平均转换为灰度图,并将该灰度图的灰度值等比例调整至0~255,记原图为I=[R,G,B]T(T表示转置),max,min为灰度图Gray的最大值和最小值,Scaled为调整后的图像,则调整过程为:
Scaled=Gray÷(max-min)×255 (11)
然后将色调H设置为255-Scaled数值大小的角度,即色谱从蓝色到红色,像素值越大红色越深,饱和度S和亮度V均设置为1,最后按照(8)至(11)式变换回RGB颜色空间即可得到颜色连续渐变的彩色图像,最大颜色数量256色即灰度级分为256级;
步骤三:叶栅位置提取:叶栅纹影图像中,叶栅本身是识别流场结构的重要参照物;整体伪彩色处理会使叶栅也被着色,影响流场结构判读,需要单独将叶栅位置提取后置为黑色;本方法使用最大类间方差算法(OTSU)寻找阈值进行阈值分割,寻找阈值的方法如下:设使用阈值T将图像I分为前景I0和背景I1两部分,记I0的平均灰度为u0,像素点数占整张图像的比例为w0,I1平均灰度为u1,像素点数占整幅图的比例为w1,则图像总平均灰度值为uI=u0×w0+u1×w1,按照灰度值从小到大测试阈值T,使得类间方差σT 2=w0×(u0-uI)2+w1×(u1-uI)2最大的T即为全局最佳阈值;此方差越大,意味着构成图像的前景和背景差别越大,使用此种方法选取的阈值具有最小错误概率。
本发明的优点如下:
针对叶栅纹影试验图像的特点,提出了一套通过图像处理提高叶栅试验流场特征识别度的方法;其中,采用L0梯度最小化算法能有效去除叶栅纹影图像中的背景噪声,并很好的保留了叶栅流场中的弱压缩波/膨胀波、边界层流体聚集等流场细节信息,显示出了良好的去噪效果;进一步经过伪彩色转化增强后,叶栅流场结构特征信息更为突出,可识别出激波的强弱,尾迹的耗散,以及激波与边界层流体的相互作用。
采用上述方法,可有效提高纹影图像的对比度,改善图像视觉质量的效果,提高叶栅纹影图像中流场结构的识别率和准确度,为进一步获取纹影图像中的流场定量信息提供了基础。
附图说明
图1是本发明所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法的实施例1流场纹影原始图像;
图2是本发明所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法的实施例2流场纹影原始图像;
图3是本发明所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法的实施例3流场纹影原始图像;
图4是本发明所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法的实施例4流场纹影原始图像;
图5是本发明所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法的实施例1经图像平滑、伪彩色转化增强与叶栅位置提取的涡轮叶栅流场纹影图;
图6是本发明所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法的实施例2经图像平滑、伪彩色转化增强与叶栅位置提取的涡轮叶栅流场纹影图;
图7是本发明所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法的实施例3经图像平滑、伪彩色转化增强与叶栅位置提取的涡轮叶栅流场纹影图;
图8是本发明所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法的实施例4经图像平滑、伪彩色转化增强与叶栅位置提取的涡轮叶栅流场纹影图。
具体实施方式
下面对本发明作进一步的说明,但本发明并不局限于这些内容。
实施例1
如图1、图5所示,图1是实施例1流场纹影原始图像,图5是实施例1经图像平滑、伪彩色转化增强与叶栅位置提取的涡轮叶栅流场纹影图。
实施例1
如图2、图6所示,图2是实施例2流场纹影原始图像,图6是实施例2经图像平滑、伪彩色转化增强与叶栅位置提取的涡轮叶栅流场纹影图。
实施例1
如图3、图7所示,图3是实施例3流场纹影原始图像,图7是实施例3经图像平滑、伪彩色转化增强与叶栅位置提取的涡轮叶栅流场纹影图。
实施例1
如图4、图8所示,图4是实施例4流场纹影原始图像,图8是实施例4经图像平滑、伪彩色转化增强与叶栅位置提取的涡轮叶栅流场纹影图。
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。
Claims (2)
1.一种叶轮机械叶栅试验纹影图像流场特征识别处理方法,其特征在于:包括以下步骤:
步骤一:基于加权L0梯度最小化的图像平滑:
水平方向的L0梯度定义为:
竖直方向的L0梯度定义为:
其中,“#{·}”表示对大括号内满足条件的像素p计数;假设I为原图像,S为满足约束的目标,建立目标函数为:
将其转化为非约束形式:
λ和γ是非负参数,分别控制I在水平和竖直方向被平滑的权重;由于Cx(S)和Cy(S)非凸非可导函数,直接求解(4)式困难,为此引入辅助变量hp和vp,以hp表示原图沿着水平方向的梯度估计值表示原图沿着竖直方向的梯度估计值使用交替最小化法求解,求解目标变换为:
步骤二:伪彩色转化增强:对纹影图像进行伪彩色转化增强,即将图像灰度信息转换为色彩信息,可获得更好的视觉效果和更为直观的图像信息;
图像上任意点p处的像素值记为Xp,对彩色图像而言,Xp是一个三元向量,伪彩色处理过程描述为Yp=f(Xp);伪彩色处理算法的核心是f(·)的设计;
通过将图像灰度级分为K个等级li(i=1,2,...,k),为每一个等级指定颜色Ci;本文采用灰度分割法设计f(·),取灰度级为256级,最大可获取256种颜色;为此需借助HSV颜色模型实现伪彩色处理,HSV颜色模型使用色调(H)、饱和度(S)、亮度(V)三个分量来表示彩色图像;其中H分量是一个在0~360的角度,表征颜色的种类;S分量表示颜色鲜艳程度,取值范围是0到1;V分量表示亮暗程度,取值为RGB三个分量中最大者与灰度最大值(255)的比值,取值范围也在0到1;由HSV图像计算RGB值的公式为:
C=V×S (6)
X=C×(1-|(H÷60°)mod2-1|) (7)
(R,G,B)=[(R',G',B')+(m,m,m)]×255 (9)
首先将图像三通道平均转换为灰度图,并将该灰度图的灰度值等比例调整至0~255,记原图为I=[R,G,B]T(T表示转置),max,min为灰度图Gray的最大值和最小值,Scaled为调整后的图像,则调整过程为:
Scaled=Gray÷(max-min)×255 (11)
然后将色调H设置为255-Scaled数值大小的角度,即色谱从蓝色到红色,像素值越大红色越深,饱和度S和亮度V均设置为1,最后按照(8)至(11)式变换回RGB颜色空间即可得到颜色连续渐变的彩色图像,最大颜色数量256色即灰度级分为256级;
步骤三:叶栅位置提取:叶栅纹影图像中,叶栅本身是识别流场结构的重要参照物;整体伪彩色处理会使叶栅也被着色,影响流场结构判读,需要单独将叶栅位置提取后置为黑色;本方法使用最大类间方差算法(OTSU)寻找阈值进行阈值分割,寻找阈值的方法如下:设使用阈值T将图像I分为前景I0和背景I1两部分,记I0的平均灰度为u0,像素点数占整张图像的比例为w0,I1平均灰度为u1,像素点数占整幅图的比例为w1,则图像总平均灰度值为uI=u0×w0+u1×w1,按照灰度值从小到大测试阈值T,使得类间方差σT 2=w0×(u0-uI)2+w1×(u1-uI)2最大的T即为全局最佳阈值;此方差越大,意味着构成图像的前景和背景差别越大,使用此种方法选取的阈值具有最小错误概率。
2.根据权利要求1所述的一种叶轮机械叶栅试验纹影图像流场特征识别处理方法,其特征在于:
a.在基于加权L0梯度最小化的图像平滑过程中,分别沿着水平和竖直方向求图像灰度的的偏导数,并分别约束水平和竖直方向L0梯度来平滑图像。这种图像平滑方法,很适用于叶栅试验纹影图像中背景噪声的去除;
b.对叶栅纹影图像进行伪彩色转化增强,即将图像灰度信息转换为色彩信息,可获得更好的视觉效果和更为直观的图像信息,增强了纹影图像的可读性。
c.叶栅位置提取:叶栅是识别流场结构的重要参照物。整体伪彩色处理会使叶栅也被着色,影响流场结构判读,需要单独将叶栅位置提取后置为黑色。
d.图像平滑,伪彩色,叶栅位置提取三个图像处理过程的共同使用,提高叶栅试验纹影图像流场特征识别精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697965.0A CN113436163B (zh) | 2021-06-23 | 2021-06-23 | 一种叶轮机械叶栅试验纹影图像流场特征识别处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697965.0A CN113436163B (zh) | 2021-06-23 | 2021-06-23 | 一种叶轮机械叶栅试验纹影图像流场特征识别处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436163A true CN113436163A (zh) | 2021-09-24 |
CN113436163B CN113436163B (zh) | 2023-06-09 |
Family
ID=77753528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110697965.0A Active CN113436163B (zh) | 2021-06-23 | 2021-06-23 | 一种叶轮机械叶栅试验纹影图像流场特征识别处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436163B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222751A1 (en) * | 2010-03-11 | 2011-09-15 | Siemens Corporation | Method and System for Automatic Detection and Segmentation of Axillary Lymph Nodes |
CN103985088A (zh) * | 2014-03-31 | 2014-08-13 | 杭州电子科技大学 | 利用加权微分约束的红外条纹非均匀性校正方法 |
US20150327766A1 (en) * | 2014-05-19 | 2015-11-19 | Ricoh Co., Ltd. | Superpixel-based image segmentation using shading and albedo decomposition |
CN106920222A (zh) * | 2017-03-13 | 2017-07-04 | 苏州大学 | 一种图像平滑方法及装置 |
US20180188167A1 (en) * | 2017-01-03 | 2018-07-05 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | System and method for focusing color schlieren diagnostics |
CN109389565A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 一种保持边缘和平滑度可调节的图像平滑方法 |
US20190114518A1 (en) * | 2017-10-17 | 2019-04-18 | Canon Kabushiki Kaisha | Information processing apparatus that generates color conversion table to be set in image forming apparatus, information processing method, and storage medium |
CN109934924A (zh) * | 2019-02-21 | 2019-06-25 | 北京航空航天大学 | 一种高超声速飞行器红外辐射特性快速渲染方法 |
CN110246097A (zh) * | 2019-05-30 | 2019-09-17 | 电子科技大学 | 一种基于l0梯度最小化的彩色图像增强方法 |
CN110730336A (zh) * | 2019-07-02 | 2020-01-24 | 珠海全志科技股份有限公司 | 一种去马赛克方法及装置 |
-
2021
- 2021-06-23 CN CN202110697965.0A patent/CN113436163B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222751A1 (en) * | 2010-03-11 | 2011-09-15 | Siemens Corporation | Method and System for Automatic Detection and Segmentation of Axillary Lymph Nodes |
CN103985088A (zh) * | 2014-03-31 | 2014-08-13 | 杭州电子科技大学 | 利用加权微分约束的红外条纹非均匀性校正方法 |
US20150327766A1 (en) * | 2014-05-19 | 2015-11-19 | Ricoh Co., Ltd. | Superpixel-based image segmentation using shading and albedo decomposition |
US20180188167A1 (en) * | 2017-01-03 | 2018-07-05 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | System and method for focusing color schlieren diagnostics |
CN106920222A (zh) * | 2017-03-13 | 2017-07-04 | 苏州大学 | 一种图像平滑方法及装置 |
US20190114518A1 (en) * | 2017-10-17 | 2019-04-18 | Canon Kabushiki Kaisha | Information processing apparatus that generates color conversion table to be set in image forming apparatus, information processing method, and storage medium |
CN109389565A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 一种保持边缘和平滑度可调节的图像平滑方法 |
CN109934924A (zh) * | 2019-02-21 | 2019-06-25 | 北京航空航天大学 | 一种高超声速飞行器红外辐射特性快速渲染方法 |
CN110246097A (zh) * | 2019-05-30 | 2019-09-17 | 电子科技大学 | 一种基于l0梯度最小化的彩色图像增强方法 |
CN110730336A (zh) * | 2019-07-02 | 2020-01-24 | 珠海全志科技股份有限公司 | 一种去马赛克方法及装置 |
Non-Patent Citations (6)
Title |
---|
CHEOLKON JUNG 等: "Intensity-guided edge-preserving depth upsampling through weighted L0 gradient minimization,", 《VISUAL COMMUNICATION AND IMAGE REPRESENTATION 》 * |
J. JANG等: "Pseudo-color image fusion based on intensity-hue-saturation color space", 《COMPUTER SCIENCE 》 * |
LI XU 等: "Image smoothing via L0 gradient minimization", 《ACM TRANSACTIONS ON GRAPHICS 》 * |
凌代军 等: "叶栅试验技术综述", 《实验流体力学》 * |
吴嘉骅: "基于像素级图像分解的图像融合算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑) 》 * |
段瑞 等: "基于L0梯度最小化滤波和对比度受限直方图均衡的色调映射算法", 《中国传媒大学学报(自然科学版) 》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113436163B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021129569A1 (zh) | 一种人体动作识别方法 | |
CN106096547B (zh) | 一种面向识别的低分辨率人脸图像特征超分辨率重建方法 | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
CN111127360B (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN111489330B (zh) | 基于多源信息融合的弱小目标检测方法 | |
Thanikkal et al. | Advanced plant leaf classification through image enhancement and canny edge detection | |
Lim et al. | Text segmentation in color images using tensor voting | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN112801896A (zh) | 基于前景提取的逆光图像增强方法 | |
CN112215085A (zh) | 一种基于孪生网络的输电走廊异物检测方法及系统 | |
CN106875407A (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN115853173A (zh) | 一种用于施工安装的建筑幕墙 | |
CN116823725A (zh) | 一种基于支持向量机的航空发动机叶片表面缺陷检测方法 | |
Gui et al. | Adaptive single image dehazing method based on support vector machine | |
CN103106402B (zh) | 一种基于重建的车牌汉字识别方法 | |
CN113436163A (zh) | 一种叶轮机械叶栅试验纹影图像流场特征识别处理方法 | |
CN110569764B (zh) | 一种基于卷积神经网络的手机型号识别方法 | |
Zhang et al. | Digital instruments recognition based on PCA-BP neural network | |
CN112418241A (zh) | 一种基于红外成像技术的电力设备识别方法 | |
Zhang et al. | Recognition of Casting Embossed Convex and Concave Characters Based on YOLO v5 for Different Distribution Conditions | |
CN114708591A (zh) | 基于单字连接的文档图像中文字符检测方法 | |
Yin et al. | DEFormer: DCT-driven Enhancement Transformer for Low-light Image and Dark Vision | |
Zhu et al. | Application of Generative Adversarial Networks in Gesture Recognition | |
Fan et al. | Target face detection using pulse coupled neural network and skin color model |
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 |