CN113763380B - 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 PDF

Info

Publication number
CN113763380B
CN113763380B CN202111149510.1A CN202111149510A CN113763380B CN 113763380 B CN113763380 B CN 113763380B CN 202111149510 A CN202111149510 A CN 202111149510A CN 113763380 B CN113763380 B CN 113763380B
Authority
CN
China
Prior art keywords
matrix
gradient
vector
image
horizontal
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.)
Active
Application number
CN202111149510.1A
Other languages
English (en)
Other versions
CN113763380A (zh
Inventor
李阳
季云峰
张蓉
朱爱玺
张晓宇
张先玉
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.)
Jiangsu Botu Electrical Engineering Co ltd
Original Assignee
Jiangsu Vocational College of Information 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 Jiangsu Vocational College of Information Technology filed Critical Jiangsu Vocational College of Information Technology
Priority to CN202111149510.1A priority Critical patent/CN113763380B/zh
Publication of CN113763380A publication Critical patent/CN113763380A/zh
Application granted granted Critical
Publication of CN113763380B publication Critical patent/CN113763380B/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
    • 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

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

基于矢量梯度的无参考图像清晰度评价方法
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
Figure BDA0003286714380000021
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
Figure BDA0003286714380000022
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。
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
Figure BDA0003286714380000023
步骤4中，矢量梯度Vxy为：
Figure BDA0003286714380000024
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
Figure BDA0003286714380000031
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
Figure BDA0003286714380000041
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
Figure BDA0003286714380000042
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：
Figure BDA0003286714380000051
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：
Figure BDA0003286714380000052
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 (7)

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；
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。
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。
3.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
Figure FDA0004138587080000011
4.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
Figure FDA0004138587080000021
5.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：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
Figure FDA0004138587080000022
6.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4中，矢量梯度Vxy为：
Figure FDA0004138587080000023
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。
7.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。
CN202111149510.1A 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 Active CN113763380B (zh)

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 CN113763380A (zh) 2021-12-07
CN113763380B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093419B (zh) * 2011-10-28 2016-03-02 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
CN111476808B (zh) * 2020-03-19 2023-12-26 北京万里红科技有限公司 虹膜图像的清晰度评价方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (2)

* Cited by examiner, † Cited by third party
Title
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.光学精密工程.2013,(第10期), *
王素丽 ; .多媒体人机交互界面视觉显著度评估方法仿真.计算机仿真.2020,(第03期), *

Also Published As

Publication number Publication date
CN113763380A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
JP3472596B2 (ja) ノイズ低減フィルター
CN102156996B (zh) 一种图像边缘检测的方法
JP2002503840A (ja) 勾配ベースの局部輪郭線検出のための新しい知覚的しきい値決定
CN107292828B (zh) 图像边缘的处理方法和装置
KR20160006852A (ko) 비전 검사 장치 및 이의 얼룩 검출 방법
CN113781406B (zh) 电子元器件的划痕检测方法、装置及计算机设备
CN111489337A (zh) 一种自动光学检测伪缺陷去除方法及系统
CN113506246B (zh) 基于机器视觉的混凝土3d打印构件精细检测方法
CN112183325B (zh) 基于图像对比的公路车辆检测方法
CN113781424A (zh) 一种表面缺陷检测方法、装置及设备
CN113763380B (zh) 基于矢量梯度的无参考图像清晰度评价方法
JP5812705B2 (ja) ひび割れ検出方法
CN108629741B (zh) 一种基于l0和l1正则项的模糊核估计方法
CN109118434A (zh) 一种图像预处理方法
CN112581904A (zh) 一种oled屏亮度灰阶图像的摩尔纹补偿方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN113744142B (zh) 图像修复方法、电子设备及存储介质
CN114677340A (zh) 一种基于图像边缘的混凝土表面粗糙度的检测方法
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
CN113971669A (zh) 应用于管道损伤识别的三维检测系统
CN112365516A (zh) 一种增强现实中虚实遮挡处理方法
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
CN107610218B (zh) 一种面向立体结构网点三维图像重建的层面数据获取方法

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
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