CN113781314A - 一种基于边界约束的侧扫声呐图像统计增强算法 - Google Patents
一种基于边界约束的侧扫声呐图像统计增强算法 Download PDFInfo
- Publication number
- CN113781314A CN113781314A CN202110814177.5A CN202110814177A CN113781314A CN 113781314 A CN113781314 A CN 113781314A CN 202110814177 A CN202110814177 A CN 202110814177A CN 113781314 A CN113781314 A CN 113781314A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- function
- constraint
- correction
- 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.)
- Withdrawn
Links
- 238000012512 characterization method Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000004048 modification Effects 0.000 claims abstract description 5
- 238000012986 modification Methods 0.000 claims abstract description 5
- 238000007619 statistical method Methods 0.000 claims abstract description 3
- 238000012937 correction Methods 0.000 claims description 41
- 230000000694 effects Effects 0.000 abstract description 7
- 238000003709 image segmentation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 241000251729 Elasmobranchii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于边界约束的侧扫声呐图像统计增强算法。该算法主要适用于在统一区域内,背景场图像反射强度较为一致的侧扫图像,通过原始图像统计分析作出原始图像表征函数,通过构建特征修正函数获得修正后的图像,通过线性拉伸函数拉伸修正后图像的整体像素,并求取拉伸后图像的表征函数,通过边界条件约束对修正后的图像进行调整修正,最终获得高质量的图像。本算法利用侧扫声呐纵向统计规律作为约束条件,本方法可以对侧扫声呐图像进行灰度均衡,且可以消除传统增益方法对部分图像增益效果不佳的情况。
Description
技术领域
本发明涉及侧扫声呐图像增强算法的技术领域,尤其是涉及一种基于边界约束的侧扫声呐图像统计增强算法。
背景技术
侧扫声呐图像在水下地质地貌勘测、目标搜寻、障碍物探测和海三维模型反演等领域有着广泛的应用。尤其是由于近年来重要战略航道鱼雷、水雷等布设密度加大的原因,侧扫声呐图像分割与目标识别的需求也越来越旺盛。高质量的侧扫声呐图像对水下鱼雷探测、敌方水下侦查设备识别等国防活动具有非常重要的意义。
目前,侧扫声呐图像分割区域都是从整体图像中截取出来的部分图像,导致图像分别率极低,对图像分割与目标识别造成了一定的困难。从侧扫声呐图像直接截取的图像,图像整体像素范围较为集中,图像分辨率差,截取的图像即使经过增益改正,但是增益改正效果仍然不理想,图像分辨率仍然较差。
本文提出一种基于边界约束的侧扫声呐图像统计增强算法,本算法利用侧扫声呐纵向统计规律作为约束条件,可以在统一框架下解决该问题,为侧扫声呐图像分割提供高质量图像。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于边界约束的侧扫声呐图像统计增强算法,本方法可以对侧扫声呐图像进行灰度均衡,且可以消除传统增益方法对部分图像增益效果不佳的情况,提供高质量图像。
为实现上述目的,本发明提供如下技术方案:
一种基于边界约束的侧扫声呐图像统计增强算法,其特征在于:通过原始图像统计分析作出原始图像表征函数,通过构建特征修正函数获得修正后的图像,通过线性拉伸函数拉伸修正后图像的整体像素,并求取拉伸后图像的表征函数,通过边界条件约束对修正后的图像进行调整修正;
包括以下具体步骤:
S1:求取统计表征函数:统计侧扫图像垂直于航线方向的平均像素值,作为图像的表征函数f1(x),其中,x为该点的横坐标数值;
S2:修正补偿:构建特征修正函数V=a*logx+b*x2+c*x+d,对表征函数f1(x)进行均衡修正,对第i行的各像素值加上修正值v,获得增益修正图像;
S3:像素线性拉伸:统计增益修正图像中像素的I_max与最小值I_min,利用线性拉伸函数I(i,j)=255*(I(i,j)-I_min)/(I_max-I_min),将整体像素拉伸至0-255,得到二次增强图像,统计二次增强图像垂直于航线方向的平均像素值,作为图像的表征函数f2(x),其中,x为该点的横坐标数值;
S4:边缘条件约束修正:选取图像表征函数f2(x)边缘处的像素值作为背景的约束值,对(3)中拉伸后的图像像素进行线性调整修正,最终获得边界约束的增强图像。
进一步地,所述特征修正函数V=a*logx+b*x2+c*x+d中的a、b、c、d均为常数,且四者皆可为零。
进一步地,所述步骤(4)边缘条件约束修正时具体包括以下步骤:
(1)在目标图像左右两侧背景处的位置上的各选取一处,选取的两处位置沿目标图像的中心线对称,左侧选取的位置是横坐标为X1的位置,并求出此处像素的平均值T1,左侧选取的位置是横坐标为X2的位置,并求出此处像素的平均值T2;
(2)设T1<T2,若不满足,交换求取T1和T2的值,取T1和T2的平均值Tm作为背景的约束值,Tm=(T1+T2)/2;
(3)利用线性拉伸函数
,将整体像素拉伸至0-255,对二次增强图像进行线性修正,最终获得边界约束的增强图像,边界约束的增强图像即为最终的高质量图像。
综上所述,本发明的有益技术效果:该基于边界约束的侧扫声呐图像统计增强算法,通过图像表征函数f1(x)、特征修正函数、线性拉伸函数、图像表征函数f2(x)等函数进行像素处理,最终获得高质量的图像。本方法可以对侧扫声呐图像进行灰度均衡,且可以消除传统增益方法对部分图像增益效果不佳的情况,无论获取的图像是否经过增益改正,均可通过本发明进行处理,利用侧扫声呐纵向统计规律作为约束条件,在统一框架下解决图像分辨率差的问题。
附图说明
图1是实施例一侧扫声呐的原始分割图像;
图2是实施例一经算法统计增强后的侧扫声呐分割图像;
图3是图1中原始图像的表征函数;
图4是图2中处理后图像的表征函数;
图5是实施例二侧扫声呐的原始分割图像;
图6是实施例二经算法统计增强后的侧扫声呐分割图像;
图7是图5中原始图像的表征函数;
图8是图6中处理后图像的表征函数。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的施例,本领域普通技术人员在没有做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。
实施例一
侧扫声呐图像分割区域都是从整体图像中截取出来的部分图像,从侧扫声呐图像截取的图像会导致图像整体像素范围较为集中,图像分辨率差,获取的图像可能未经过增益改正,或者经过增益改正,但是增益改正效果都不理想,本算法利用侧扫声呐纵向统计规律作为约束条件,可以在统一框架下解决该问题。
图1是本实施例中从侧扫声呐图像中直接截取的图像,本实施例中的图1是未经过原始增益改正的,图3是图1的表征函数,结合图1和图3,可以看出,目标与背景差异小,辨识度不高,图像整体像素范围较为集中,背景像素不统一且有较大出入,目标物体涉及到的像素部分与背景像素差异不大,这些导致了图像质量差,图像分别率低,对图像分割与目标识别造成了一定的困难。
图2是经过本算法处理后的图片,图4是图2的表征函数,对比图1和图2,可以看出,图2的图片质量明显提高,增益效果明显,背景统一,目标凸出,具有良好的辨识度,对比图3和图4,可以看出,背景像素的数值统一且大都分布在同一水平位置,这也符合海底背景一致的真实状况,目标物体涉及到的像素部分与背景像素差异加大,函数上的曲线凸出明显,反映为图像上的目标凸出,便于识别,清晰度高且容易辨识。
本增强算法在对图片1进行处理具体包括如下步骤:
S1:求取统计表征函数:统计图片1垂直于航线方向的平均像素值,作为图1的表征函数f1(x),如图2所示,其中,x为该点的横坐标数值。此步骤是以侧扫声呐纵向统计规律作为约束条件,构建统一框架下,从而在统一框架下解决图像不清晰的问题;
S2:修正补偿:构建特征修正函数V=a*logx+b*x2+c*x+d,对表征函数f1(x)进行均衡修正,对第i行的各像素值加上修正值v,获得增益修正图像,本实施例中选择a = -20, b= c= 0, d= 2对表征函数进行均衡修正,此步骤对侧扫声呐图像像素按横向进行修正,调整背景像素,使背景像素统一分布在统一水平位置附近,最大限度还原真实背景情况;
S3:像素线性拉伸:统计增益修正图像中像素的I_max=229与最小值I_min=9,利用线性拉伸函数I(i,j)=255*(I(i,j)-I_min)/(I_max-I_min),将整体像素拉伸至0-255,得到二次增强图像,统计二次增强图像垂直于航线方向的平均像素值,作为图像的表征函数f2(x),其中,x为该点的横坐标数值。此步骤进行像素线性拉伸,增加像素值,进一步增加图片的清晰度;
S4:边缘条件约束修正:选取图像表征函数f2(x)边缘处的像素值作为背景的约束值,选取时尽量避免具有目标物的区域,对(3)中拉伸后的二次增强图像像素进行线性调整修正,具体包括以下步骤:
(1)在目标图像左右两侧背景处的位置上的各选取一处,选取的两处位置沿目标图像的中心线对称,左侧选取的位置是横坐标为X1的位置,并求出此处像素的平均值T1,左侧选取的位置是横坐标为X2的位置,并求出此处像素的平均值T2;
(2)设T1<T2,若不满足,交换求取T1和T2的值,取T1和T2的平均值Tm作为背景的约束值,Tm=(T1+T2)/2;
(3)利用线性拉伸函数
本实施例中选取的是x=0.2*n和x=0.8*n处(n为图像总列数)像素值的平均值,其中n=231,T1=114,T2=122,Tm=118,作为背景的约束值,对二次增强图像进行线性修正,最终获得边界约束的增强图像,边界约束的增强图像即为最终的高质量图像。此步骤是对背景像素值进行约束,依次为基准再一次地进行像素线性拉伸,进一步地提升图片质量
统计边界约束的增强图像像垂直于航线方向的平均像素值,作为图像的表征函数f3(x),如图4所示,对比图3和图4,可以看出,图3为原始图像的表征函数,图像整体像素较为集中,反映为图像的分辨率低,反映为图1中,图片模糊,背景和目标混淆,图4为处理后的图像的表征函数,图像的目标像素和背景像素具有较大的偏差,反映为图2中的为图像的的分辨率高,图片清楚,背景统一,目标凸出。
实施例二
图5是本实施例中从侧扫声呐图像中直接截取的图像,本实施例中的图5是未经过原始增益改正的,图7是图5的表征函数,结合图5和图7,可以看出,目标与背景差异小,辨识度不高,图像整体像素范围较为集中,背景像素不统一且有较大出入,目标物体涉及到的像素部分与背景像素差异不大,这些导致了图像质量差,图像分别率低,对图像分割与目标识别造成了一定的困难。
图6是经过本算法处理后的图片,图8是图6的表征函数,对比图5和图6,可以看出,图6的图片质量明显提高,增益效果明显,背景统一,目标凸出,具有良好的辨识度,对比图7和图8,可以看出,背景像素的数值统一且大都分布在同一水平位置,这也符合海底背景一致的真实状况,目标物体涉及到的像素部分与背景像素差异加大,函数上的曲线凸出明显,反映为图像上的目标凸出,便于识别,清晰度高且容易辨识。
本增强算法在对图片5进行处理具体包括如下步骤:
S1:求取统计表征函数:统计图片5垂直于航线方向的平均像素值,作为图5的表征函数f1(x),如图7所示,其中,x为该点的横坐标数值。此步骤是以侧扫声呐纵向统计规律作为约束条件,构建统一框架下,从而在统一框架下解决图像不清晰的问题;
S2:修正补偿:构建特征修正函数V=a*logx+b*x2+c*x+d,对表征函数f1(x)进行均衡修正,对第i行的各像素值加上修正值v,获得一次修正图像,本实施例中选择a = 10, b= c= d =0,对表征函数进行均衡修正,此步骤对侧扫声呐图像像素按横向进行修正,调整背景像素,使背景像素统一分布在统一水平位置附近,最大限度还原真实背景情况;
S3:像素线性拉伸:统计一次修正图像中像素的I_max与最小值I_min,I_max=38,I_min=171,利用线性拉伸函数I(i,j)=255*(I(i,j)-I_min)/(I_max-I_min),将整体像素拉伸至0-255,得到二次增强图像,统计二次增强图像垂直于航线方向的平均像素值,作为图像的表征函数f2(x),其中,x为该点的横坐标数值。此步骤进行像素线性拉伸,增加像素值,进一步增加图片的清晰度;
S4:边缘条件约束修正:选取图像表征函数f2(x)边缘处的像素值作为背景的约束值,选取时尽量避免具有目标物的区域,对(3)中拉伸后的二次增强图像像素进行线性调整修正,具体包括以下步骤:
(1)在目标图像左右两侧背景处的位置上的各选取一处,选取的两处位置沿目标图像的中心线对称,左侧选取的位置是横坐标为X1的位置,并求出此处像素的平均值T1,左侧选取的位置是横坐标为X2的位置,并求出此处像素的平均值T2;
(2)设T1<T2,若不满足,交换求取T1和T2的值,取T1和T2的平均值Tm作为背景的约束值,Tm=(T1+T2)/2;
(3)利用线性拉伸函数
本实施例中选取的是x=0.2*n和x=0.8*n处(n为图像总列数)像素值的平均值,n=386,T1= 185,T1= 187,Tm= 186作为背景的约束值,对二次增强图像的进行线性调整修正,最终获得边界约束的增强图像。此步骤是对背景像素值进行约束,依次为基准再一次地进行像素线性拉伸,进一步地提升图片质量
统计边界约束的增强图像垂直于航线方向的平均像素值,作为图像的表征函数f3(x),如图8所示,对比图7和图8,可以看出,图7为原始图像的表征函数,图像整体像素较为集中,反映为图像的分辨率低,反映为图5中,图片模糊,背景和目标混淆,图8为处理后的图像的表征函数,图像的目标像素和背景像素具有较大的偏差,反映为图6中的为图像的的分辨率高,图片清楚,背景统一,目标凸出。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于边界约束的侧扫声呐图像统计增强算法,其特征在于:通过原始图像统计分析作出原始图像表征函数,通过构建特征修正函数获得修正后的图像,通过线性拉伸函数拉伸修正后图像的整体像素,并求取拉伸后图像的表征函数,通过边界条件约束对修正后的图像进行调整修正;
包括以下具体步骤:
S1:求取统计表征函数:统计侧扫图像垂直于航线方向的平均像素值,作为图像的表征函数f1(x),其中,x为该点的横坐标数值;
S2:修正补偿:构建特征修正函数V=a*logx+b*x2+c*x+d,对表征函数f1(x)进行均衡修正,对第i行的各像素值加上修正值v,获得增益修正图像;
S3:像素线性拉伸:统计增益修正图像中像素的I_max与最小值I_min,利用线性拉伸函数I(i,j)=255*(I(i,j)-I_min)/(I_max-I_min),将整体像素拉伸至0-255,得到二次增强图像,统计二次增强图像垂直于航线方向的平均像素值,作为图像的表征函数f2(x),其中,x为该点的横坐标数值;
S4:边缘条件约束修正:选取图像表征函数f2(x)边缘处的像素值作为背景的约束值,对(3)中拉伸后的图像像素进行线性调整修正,最终获得边界约束的增强图像。
2.根据权利要求1所述的一种基于边界约束的侧扫声呐图像统计增强算法,其特征在于:所述特征修正函数V=a*logx+b*x2+c*x+d中的a、b、c、d均为常数,且四者皆可为零。
3.根据权利要求1所述的一种基于边界约束的侧扫声呐图像统计增强算法,其特征在于:所述步骤(4)边缘条件约束修正时具体包括以下步骤:
(1)在目标图像左右两侧背景处的位置上的各选取一处,选取的两处位置沿目标图像的中心线对称,左侧选取的位置是横坐标为X1的位置,并求出此处像素的平均值T1,左侧选取的位置是横坐标为X2的位置,并求出此处像素的平均值T2;
(2)设T1<T2,若不满足,交换求取T1和T2的值,取T1和T2的平均值Tm作为背景的约束值,Tm=(T1+T2)/2;
(3)利用线性拉伸函数
将整体像素拉伸至0-255,对二次增强图像进行线性修正,最终获得边界约束的增强图像,边界约束的增强图像即为最终的高质量图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814177.5A CN113781314A (zh) | 2021-07-19 | 2021-07-19 | 一种基于边界约束的侧扫声呐图像统计增强算法 |
CN202210617952.2A CN114723641B (zh) | 2021-07-19 | 2022-06-02 | 一种基于边界约束的侧扫声呐图像统计增强算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814177.5A CN113781314A (zh) | 2021-07-19 | 2021-07-19 | 一种基于边界约束的侧扫声呐图像统计增强算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781314A true CN113781314A (zh) | 2021-12-10 |
Family
ID=78836017
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110814177.5A Withdrawn CN113781314A (zh) | 2021-07-19 | 2021-07-19 | 一种基于边界约束的侧扫声呐图像统计增强算法 |
CN202210617952.2A Expired - Fee Related CN114723641B (zh) | 2021-07-19 | 2022-06-02 | 一种基于边界约束的侧扫声呐图像统计增强算法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210617952.2A Expired - Fee Related CN114723641B (zh) | 2021-07-19 | 2022-06-02 | 一种基于边界约束的侧扫声呐图像统计增强算法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113781314A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690567A (zh) * | 2022-10-25 | 2023-02-03 | 广州三海海洋工程勘察设计有限公司 | 机器学习水深反演方法、装置、计算机设备以及存储介质 |
CN117372827A (zh) * | 2023-10-17 | 2024-01-09 | 海底鹰深海科技股份有限公司 | 一种基于边界约束的声呐图像统计增强算法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7545965B2 (en) * | 2003-11-10 | 2009-06-09 | The University Of Chicago | Image modification and detection using massive training artificial neural networks (MTANN) |
GB2505966A (en) * | 2012-09-18 | 2014-03-19 | Seebyte Ltd | Target recognition in sonar imaging using test objects |
US20170262979A1 (en) * | 2016-03-14 | 2017-09-14 | Sensors Unlimited, Inc. | Image correction and metrology for object quantification |
CN109785260B (zh) * | 2019-01-11 | 2022-03-18 | 哈尔滨工程大学 | 一种针对侧扫声呐图像的非线性增强方法 |
CN110706177B (zh) * | 2019-09-30 | 2021-09-17 | 北京大学 | 一种侧扫声呐图像灰度均衡化方法及系统 |
CN111652149A (zh) * | 2020-06-04 | 2020-09-11 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
CN112862716A (zh) * | 2021-02-07 | 2021-05-28 | 江苏科技大学 | 基于双树复数小波和模糊理论的声呐图像目标增强方法 |
-
2021
- 2021-07-19 CN CN202110814177.5A patent/CN113781314A/zh not_active Withdrawn
-
2022
- 2022-06-02 CN CN202210617952.2A patent/CN114723641B/zh not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690567A (zh) * | 2022-10-25 | 2023-02-03 | 广州三海海洋工程勘察设计有限公司 | 机器学习水深反演方法、装置、计算机设备以及存储介质 |
CN115690567B (zh) * | 2022-10-25 | 2023-09-26 | 广州三海海洋工程勘察设计有限公司 | 机器学习水深反演方法、装置、计算机设备以及存储介质 |
CN117372827A (zh) * | 2023-10-17 | 2024-01-09 | 海底鹰深海科技股份有限公司 | 一种基于边界约束的声呐图像统计增强算法 |
Also Published As
Publication number | Publication date |
---|---|
CN114723641A (zh) | 2022-07-08 |
CN114723641B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723641B (zh) | 一种基于边界约束的侧扫声呐图像统计增强算法 | |
US11257194B2 (en) | Method for image dehazing based on adaptively improved linear global atmospheric light of dark channel | |
CN107767354B (zh) | 一种基于暗原色先验的图像去雾算法 | |
CN113298810B (zh) | 结合图像增强和深度卷积神经网络的道线检测方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
FarshbafDoustar et al. | A locally-adaptive approach for image gamma correction | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
Yu et al. | Image and video dehazing using view-based cluster segmentation | |
CN112348754B (zh) | 一种低照度彩色图像增强方法及装置 | |
Rani et al. | Contrast enhancement using improved adaptive gamma correction with weighting distribution technique | |
Singh et al. | Contrast and color improvement based haze removal of underwater images using fusion technique | |
CN111311525A (zh) | 一种基于直方图概率修正的图像梯度场双区间均衡化算法 | |
CN114757853B (zh) | 平场校正函数的获取方法及系统、平场校正方法及系统 | |
CN114463196B (zh) | 一种基于深度学习的图像校正方法 | |
CN116309844A (zh) | 一种基于无人机单张航空图片的三维测量方法 | |
Duong et al. | EBSD-Net: Enhancing brightness and suppressing degradation for low-light color image using deep networks | |
CN113658067A (zh) | 一种基于人工智能的气密性检测中水体图像增强方法及系统 | |
KR102277005B1 (ko) | 비지도 학습을 이용한 저조도 영상 처리 방법 및 장치 | |
US7164787B1 (en) | Enhancing two-dimensional contrast images rendered from three-dimensional streak tube imaging lidar (STIL) data | |
Zhang et al. | An underwater image enhancement method based on local white balance | |
CN104966271A (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
US6181437B1 (en) | Image processing apparatus capable of producing images without jaggies at edges | |
Thepade et al. | Visibility enhancement in low light images with weighted fusion of robust retinex model and dark channel prior | |
CN106952243A (zh) | Uuv近海面红外图像自适应归并直方图拉伸增强方法 | |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211210 |