CN113763380A - 基于矢量梯度的无参考图像清晰度评价方法 - Google Patents
基于矢量梯度的无参考图像清晰度评价方法 Download PDFInfo
- Publication number
- CN113763380A CN113763380A CN202111149510.1A CN202111149510A CN113763380A CN 113763380 A CN113763380 A CN 113763380A CN 202111149510 A CN202111149510 A CN 202111149510A CN 113763380 A CN113763380 A CN 113763380A
- Authority
- CN
- China
- Prior art keywords
- matrix
- gradient
- vector
- image
- vertical
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 161
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012216 screening 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于矢量梯度的无参考图像清晰度评价方法,其包括如下步骤:步骤1、确定所述图像的灰度图像矩阵;步骤2、计算水平方向梯度矩阵Ix1以及垂直方向梯度矩阵Iy1;步骤3、计算所述灰度图像矩阵的水平方向矢量梯度矩阵Ix2以及垂直方向矢量梯度矩阵Iy2;步骤4、根据水平方向矢量梯度矩阵Ix2以及垂直方向矢量梯度矩阵Iy2,计算得到灰度图像矩阵内任一像素的矢量梯度Vxy;步骤5、根据上述得到灰度图像矩阵内每个像素的矢量梯度Vxy,确定灰度图像矩阵的矢量梯度总值;将所述矢量梯度总值与灰度图像矩阵内的像素总数Pixels的比值作为图像的清晰度值D。本发明能有效确定图像的清晰度值,时间复杂度小,抗噪的能力强,运算速度快且鲁棒性强。
Description
技术领域
本发明涉及一种图像清晰度评价方法,尤其是一种基于矢量梯度的无参考图像清晰度评价方法。
背景技术
图像无参考清晰度评价可用于被动自动成像系统、图像筛选、图像增强算法评价等应用中。目前,现有的图像无参考清晰度评价方法,主要包括基于空域、变换域、机器学习方法等,具体地:基于空域的方法,如Brenner函数、拉普拉斯函数法和Roberts函数等,这些方法在图像噪声较小的情况下,准确率高,如果噪声过大则鲁棒性较差;基于变换域的方法,如小波变换、傅里叶变换等,相对于空域的方法,它们的鲁棒性较高,但是时间复杂度也相对较高;基于机器学习的方法,如支持向量机、深度学习的方法等,虽然进一步提高了鲁棒性,但是时间复杂度也相对较高,且由于是基于先验学习,所以基于机器学习的方法泛化能力有待进一步加强。
综上,现有的图像无参考清晰度评价方法,均难以同时满足运算速度快以及鲁棒性强的需求。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种基于矢量梯度的无参考图像清晰度评价方法,其能有效确定图像的清晰度值,时间复杂度小,抗噪的能力强,运算速度快且鲁棒性强。
按照本发明提供的技术方案,一种基于矢量梯度的无参考图像清晰度评价方法,所述无参考图像清晰度评价方法包括如下步骤:
步骤1、提供待清晰度评价的图像,并确定所述图像的灰度图像矩阵;
步骤2、计算所述灰度图像矩阵相应的水平方向梯度矩阵Ix1以及垂直方向梯度矩阵Iy1;
步骤3、根据水平方向梯度矩阵Ix1计算所述灰度图像矩阵的水平方向矢量梯度矩阵Ix2,且根据垂直方向梯度矩阵Iy1计算所述灰度图像矩阵的垂直方向矢量梯度矩阵Iy2;
步骤4、根据水平方向矢量梯度矩阵Ix2以及垂直方向矢量梯度矩阵Iy2,计算得到灰度图像矩阵内任一像素的矢量梯度Vxy;
步骤5、根据上述得到灰度图像矩阵内每个像素的矢量梯度Vxy,确定灰度图像矩阵的矢量梯度总值;将所述矢量梯度总值与灰度图像矩阵内的像素总数Pixels的比值作为图像的清晰度值D。
步骤1中,当待清晰度评价的图像为彩色图像时,则将所述彩色图像灰度化,并在灰度化后确定灰度图像矩阵。
步骤2中,利用水平方向滤波器对灰度图像矩阵卷积计算,以能得到灰度图像矩阵内任一像素的水平方向梯度;利用计算得到灰度图像矩阵内所有像素的水平方向梯度,能得到水平方向梯度矩阵Ix1;其中,水平方向滤波器Fx为
步骤2中,利用垂直方向滤波器对灰度图像矩阵卷积计算,以能得到灰度图像矩阵内任一像素的垂直方向梯度;利用计算得到灰度图像矩阵内所有像素的垂直方向梯度,能得到垂直方向梯度矩阵Iy1;其中,垂直方向滤波器Fy为
步骤3中,利用水平方向矢量滤波器对水平方向梯度矩阵Ix1卷积计算,以能得到水平方向梯度矩阵Ix1内任一像素的水平方向矢量梯度;利用计算得到水平方向梯度矩阵Ix1内所有像素的水平方向矢量梯度,以能得到水平方向矢量梯度矩阵Ix2。
利用垂直方向矢量滤波器对垂直方向梯度矩阵Iy1卷积计算,以能得到垂直方向梯度矩阵Iy1内任一像素的垂直方向矢量梯度;利用计算得到垂直方向梯度矩阵Iy1内所有像素的垂直方向矢量梯度,以能得到垂直方向矢量梯度矩阵Iy2。
步骤4中,矢量梯度Vxy为:
其中,(Ix2).2为水平方向矢量梯度矩阵Ix2中一像素水平方向矢量梯度的平方值,(Iy2).2为垂直方向矢量梯度矩阵Iy2中相应像素垂直方向矢量梯度的平方值。
所述灰度图像矩阵、水平方向梯度矩阵Ix1、垂直方向梯度矩阵Iy1、水平方向矢量梯度矩阵Ix2以及垂直方向矢量梯度矩阵Iy2均为m×n大小的矩阵。
本发明的优点:根据上述得到灰度图像矩阵内每个像素的矢量梯度Vxy,确定灰度图像矩阵的矢量梯度总值;将所述矢量梯度总值与灰度图像矩阵内的像素总数Pixels的比值作为图像的清晰度值D;通过图像像素的矢量梯度来评价图像的清晰度,由于只计算图像像素的梯度和矢量梯度,可以达到计算量小、抗噪的能力强且鲁棒性强的效果。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
如图1所示:为了能有效确定图像的清晰度值,时间复杂度小,抗噪的能力强,运算速度快且鲁棒性强,本发明基于矢量梯度的无参考图像清晰度评价方法,所述无参考图像清晰度评价方法包括如下步骤:
步骤1、提供待清晰度评价的图像,并确定所述图像的灰度图像矩阵;
具体地,对于待清晰度评价的图像,具体可以为现有方式生成或获取的图像,待清晰度评价的图像可以为灰度图像或彩色图像。当待清晰度评价的图像为灰度图像时,则能直接确定所述图像的灰度图像矩阵;而当待清晰度评价的图像为彩色图像时,则需将所述彩色图像先灰度化,并在灰度化后确定得到相应的灰度图像矩阵。对于彩色图像,即为RGB图像,彩色图像灰度化时,可以通过将彩色图像的相应的RGB值平均方式进行灰度化,具体对彩色图像灰度化的方式以及过程均可以根据实际需要选择,具体为本技术领域人员所熟知,此处不再赘述。
一般地,灰度图像矩阵为m×n大小的矩阵,m、n的大小具体与待清晰度评价图像直接相关,具体为本技术领域人员所熟知,此处不再赘述。
步骤2、计算所述灰度图像矩阵相应的水平方向梯度矩阵Ix1以及垂直方向梯度矩阵Iy1;
具体地,利用水平方向滤波器对灰度图像矩阵卷积计算,以能得到灰度图像矩阵内任一像素的水平方向梯度;利用计算得到灰度图像矩阵内所有像素的水平方向梯度,能得到水平方向梯度矩阵Ix1;其中,水平方向滤波器Fx为
本发明实施例中,利用水平方向滤波器对灰度图像矩阵卷积计算,以能得到灰度图像矩阵内任一像素的水平方向梯度,具体利用水平方向滤波器对灰度图像矩阵卷积计算的方式以及计算得到一像素水平方向梯度的过程,均与现有相一致,具体为本技术领域人员所熟知,此处不再赘述。
对灰度图像矩阵内每个像素均通过上述卷积计算得到相应的水平方向梯度后,则将所有像素的水平方向梯度综合后能得到水平方向梯度矩阵Ix1;水平方向梯度矩阵Ix1也为m×n大小的矩阵。因此,水平方向梯度矩阵Ix1内一水平方向梯度值即为灰度图像矩阵内同一位置像素的水平方向梯度值。
进一步地,利用垂直方向滤波器对灰度图像矩阵卷积计算,以能得到灰度图像矩阵内任一像素的垂直方向梯度;利用计算得到灰度图像矩阵内所有像素的垂直方向梯度,能得到垂直方向梯度矩阵Iy1;其中,垂直方向滤波器Fy为
具体实施时,利用垂直方向滤波器对灰度图像矩阵卷积计算,得到垂直方向梯度以及垂直方向梯度矩阵Iy1的具体过程均可以参考上述说明,此处不再赘述。具体地,垂直方向梯度矩阵Iy1也为m×n大小的矩阵,垂直方向梯度矩阵Iy1内一垂直方向梯度值即为灰度图像矩阵内同一位置像素的垂直方向梯度值。
步骤3、根据水平方向梯度矩阵Ix1计算所述灰度图像矩阵的水平方向矢量梯度矩阵Ix2,且根据垂直方向梯度矩阵Iy1计算所述灰度图像矩阵的垂直方向矢量梯度矩阵Iy2;
具体实施时,利用水平方向矢量滤波器对水平方向梯度矩阵Ix1卷积计算,以能得到水平方向梯度矩阵Ix1内任一像素的水平方向矢量梯度;利用计算得到水平方向梯度矩阵Ix1内所有像素的水平方向矢量梯度,以能得到水平方向矢量梯度矩阵Ix2。
同时,利用垂直方向矢量滤波器对垂直方向梯度矩阵Iy1卷积计算,以能得到垂直方向梯度矩阵Iy1内任一像素的垂直方向矢量梯度;利用计算得到垂直方向梯度矩阵Iy1内所有像素的垂直方向矢量梯度,以能得到垂直方向矢量梯度矩阵Iy2。
本发明实施例中,所述垂直方向矢量滤波器与水平方向矢量滤波器相同,垂直方向矢量滤波器Fxy为水平方向矢量梯度矩阵Ix2、垂直方向矢量梯度矩阵Iy2均为m×n大小的矩阵。具体地,计算得到水平方向矢量梯度矩阵Ix2、垂直方向矢量梯度矩阵Iy2相应的过程均可以参考上述说明,此处不再赘述。
具体实施时,水平方向矢量梯度矩阵Ix2内一水平方向矢量梯度即为灰度图像矩阵内同一位置像素的水平方向矢量梯度;垂直方向矢量梯度矩阵Iy2内一垂直方向矢量梯度即为灰度图像矩阵内同一位置像素的垂直方向矢量梯度。
步骤4、根据水平方向矢量梯度矩阵Ix2以及垂直方向矢量梯度矩阵Iy2,计算得到灰度图像矩阵内任一像素相应的矢量梯度Vxy;
具体地,矢量梯度Vxy为:
其中,(Ix2).2为水平方向矢量梯度矩阵Ix2中一像素水平方向矢量梯度的平方值,(Iy2).2为垂直方向矢量梯度矩阵Iy2中同一位置像素垂直方向矢量梯度的平方值。
步骤5、根据上述得到灰度图像矩阵内每个像素的矢量梯度Vxy,确定灰度图像矩阵的矢量梯度总值;将所述矢量梯度总值与灰度图像矩阵内的像素总数Pixels的比值作为图像的清晰度值D。
具体地,由上述步骤4说明可知,通过水平方向矢量梯度矩阵Ix2以及垂直方向矢量梯度矩阵Iy2能计算灰度图像矩阵内任一像素的矢量梯度Vxy,当重复上述步骤过程时,能计算得到灰度图像矩阵内所有像素对应的矢量梯度Vxy,将所有计算得到的矢量梯度Vxy算术累加后能得到灰度图像矩阵的矢量梯度总值。
本发明实施例中,将所述矢量梯度总值与灰度图像矩阵内的像素总数Pixels的比值作为图像的清晰度值D。具体地,对于m×n大小的灰度图像矩阵,像素总数Pixels为Pixels=m×n。因此,图像的清晰度值D具体的表达式为:
其中,sum(Vxy(:))为矢量梯度总值。具体实施时,图像的清晰度值D越大时,则图像也越清晰。
由于图像的清晰度体现在图像的边缘信息,若图像的边缘显著,那么图像则清晰,若图像的边缘不显著,那么图像则不清晰。图像边缘像素与相邻像素的梯度方向一致,矢量梯度较大;而噪声像素与相邻像素的梯度方向不一致、方向随机,矢量梯度较小,接近0。因此,本发明通过图像像素的矢量梯度来评价图像的清晰度,由于只计算图像像素的梯度和矢量梯度,可以达到计算量小、抗噪的能力强且鲁棒性强的效果。
Claims (9)
1.一种基于矢量梯度的无参考图像清晰度评价方法,其特征是,所述无参考图像清晰度评价方法包括如下步骤:
步骤1、提供待清晰度评价的图像,并确定所述图像的灰度图像矩阵;
步骤2、计算所述灰度图像矩阵相应的水平方向梯度矩阵Ix1以及垂直方向梯度矩阵Iy1;
步骤3、根据水平方向梯度矩阵Ix1计算所述灰度图像矩阵的水平方向矢量梯度矩阵Ix2,且根据垂直方向梯度矩阵Iy1计算所述灰度图像矩阵的垂直方向矢量梯度矩阵Iy2;
步骤4、根据水平方向矢量梯度矩阵Ix2以及垂直方向矢量梯度矩阵Iy2,计算得到灰度图像矩阵内任一像素的矢量梯度Vxy;
步骤5、根据上述得到灰度图像矩阵内每个像素的矢量梯度Vxy,确定灰度图像矩阵的矢量梯度总值;将所述矢量梯度总值与灰度图像矩阵内的像素总数Pixels的比值作为图像的清晰度值D。
2.根据权利要求1所述的基于矢量梯度的无参考图像清晰度评价方法,其特征是:步骤1中,当待清晰度评价的图像为彩色图像时,则将所述彩色图像灰度化,并在灰度化后确定灰度图像矩阵。
5.根据权利要求1至3任一项所述的基于矢量梯度的无参考图像清晰度评价方法,其特征是:步骤3中,利用水平方向矢量滤波器对水平方向梯度矩阵Ix1卷积计算,以能得到水平方向梯度矩阵Ix1内任一像素的水平方向矢量梯度;利用计算得到水平方向梯度矩阵Ix1内所有像素的水平方向矢量梯度,以能得到水平方向矢量梯度矩阵Ix2。
6.根据权利要5所述的基于矢量梯度的无参考图像清晰度评价方法,其特征是:利用垂直方向矢量滤波器对垂直方向梯度矩阵Iy1卷积计算,以能得到垂直方向梯度矩阵Iy1内任一像素的垂直方向矢量梯度;利用计算得到垂直方向梯度矩阵Iy1内所有像素的垂直方向矢量梯度,以能得到垂直方向矢量梯度矩阵Iy2。
9.根据权利要求1至3任一项所述的基于矢量梯度的无参考图像清晰度评价方法,其特征是:所述灰度图像矩阵、水平方向梯度矩阵Ix1、垂直方向梯度矩阵Iy1、水平方向矢量梯度矩阵Ix2以及垂直方向矢量梯度矩阵Iy2均为m×n大小的矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111149510.1A CN113763380B (zh) | 2021-09-29 | 2021-09-29 | 基于矢量梯度的无参考图像清晰度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111149510.1A CN113763380B (zh) | 2021-09-29 | 2021-09-29 | 基于矢量梯度的无参考图像清晰度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763380A true CN113763380A (zh) | 2021-12-07 |
CN113763380B CN113763380B (zh) | 2023-05-02 |
Family
ID=78798190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111149510.1A Active CN113763380B (zh) | 2021-09-29 | 2021-09-29 | 基于矢量梯度的无参考图像清晰度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763380B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116421126A (zh) * | 2023-06-07 | 2023-07-14 | 南京诺源医疗器械有限公司 | 一种用于腹腔内镜除雾预处理的回传图像深度分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093419A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 一种检测图像清晰度的方法及装置 |
WO2016114684A1 (ru) * | 2015-01-16 | 2016-07-21 | федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО) | Способ повышения резкости цифрового изображения |
CN111476808A (zh) * | 2020-03-19 | 2020-07-31 | 北京万里红科技股份有限公司 | 虹膜图像的清晰度评价方法及装置 |
CN113256590A (zh) * | 2021-06-02 | 2021-08-13 | 嘉兴学院 | 一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法 |
-
2021
- 2021-09-29 CN CN202111149510.1A patent/CN113763380B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093419A (zh) * | 2011-10-28 | 2013-05-08 | 浙江大华技术股份有限公司 | 一种检测图像清晰度的方法及装置 |
WO2016114684A1 (ru) * | 2015-01-16 | 2016-07-21 | федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики" (Университет ИТМО) | Способ повышения резкости цифрового изображения |
CN111476808A (zh) * | 2020-03-19 | 2020-07-31 | 北京万里红科技股份有限公司 | 虹膜图像的清晰度评价方法及装置 |
CN113256590A (zh) * | 2021-06-02 | 2021-08-13 | 嘉兴学院 | 一种基于Gabor自相似度特征的无参考3D合成图像质量评价方法 |
Non-Patent Citations (3)
Title |
---|
ZHAO DUAN: "DCKN: Multi-focus image fusion via dynamic convolutional kernel network" * |
任文琦;王元全;: "基于梯度矢量卷积场的四阶各向异性扩散及图像去噪" * |
王素丽;: "多媒体人机交互界面视觉显著度评估方法仿真" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116421126A (zh) * | 2023-06-07 | 2023-07-14 | 南京诺源医疗器械有限公司 | 一种用于腹腔内镜除雾预处理的回传图像深度分析方法及系统 |
CN116421126B (zh) * | 2023-06-07 | 2023-08-25 | 南京诺源医疗器械有限公司 | 一种用于腹腔内镜除雾预处理的回传图像深度分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113763380B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3472596B2 (ja) | ノイズ低減フィルター | |
CN110264459A (zh) | 一种土壤裂缝特征信息提取方法 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
US10026154B2 (en) | System and method for supporting image denoising based on neighborhood block dimensionality reduction | |
CN112862753B (zh) | 噪声强度估计方法、装置及电子设备 | |
KR20160006852A (ko) | 비전 검사 장치 및 이의 얼룩 검출 방법 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN115760820A (zh) | 一种塑料件缺陷图像识别方法及应用 | |
CN113592776A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN114926387A (zh) | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 | |
CN112581904A (zh) | 一种oled屏亮度灰阶图像的摩尔纹补偿方法 | |
CN113763380B (zh) | 基于矢量梯度的无参考图像清晰度评价方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111476750A (zh) | 对成像模组进行污点检测的方法、装置、系统及存储介质 | |
CN113744142B (zh) | 图像修复方法、电子设备及存储介质 | |
CN109858484B (zh) | 一种基于偏斜评价的多类别变换车牌校正方法 | |
CN110211105B (zh) | 一种模糊图像检测方法、装置及系统 | |
CN109175718B (zh) | 一种基于半色调技术的图片激光雕刻方法 | |
CN111275687A (zh) | 一种基于连通区域标记的细粒度图像拼接检测方法 | |
CN112819823B (zh) | 一种面向家具板材的圆孔检测方法、系统及装置 | |
Boiangiu et al. | Methods of bitonal image conversion for modern and classic documents | |
CN114998186A (zh) | 基于图像处理的铜始极片表面结疤缺陷检测方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231102 Address after: Room 7 # 211 and 213, No. 200 Shenhu Road, Suzhou Industrial Park, Suzhou Area, China (Jiangsu) Pilot Free Trade Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: Jiangsu botu Electrical Engineering Co.,Ltd. Address before: 214153 Qianlotus Road No. 1, Wuxi City, Jiangsu Province Patentee before: JIANGSU VOCATIONAL College OF INFORMATION TECHNOLOGY |