CN113870240B - 一种基于图像显著性检测的安全阀阀门空化现象判别方法 - Google Patents
一种基于图像显著性检测的安全阀阀门空化现象判别方法 Download PDFInfo
- Publication number
- CN113870240B CN113870240B CN202111185038.7A CN202111185038A CN113870240B CN 113870240 B CN113870240 B CN 113870240B CN 202111185038 A CN202111185038 A CN 202111185038A CN 113870240 B CN113870240 B CN 113870240B
- Authority
- CN
- China
- Prior art keywords
- image
- formula
- dictionary
- safety valve
- block
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012938 design process Methods 0.000 abstract description 2
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明提供一种基于图像显著性检测的安全阀阀门空化现象判别方法,属于数字图像处理技术领域,该方法通过图像显著性检测的方法,对不同工况下的安全阀阀门仿真图像进行显著性检测。首先,对不同工况下的仿真图像进行采集,再对采集到的图像进行训练得到过完备字典,并且获取仿真图像不同通道的对应系数,然后对系数进行处理获取系数中的显著信息并恢复为显著图,最后,根据专家经验对显著性图像进行判断,安全阀阀门是否产生空化现象。本发明在安全阀仿真各种工况下时就识别出空化现象,可以在安全阀设计过程中避免空化状态,延长安全阀使用寿命。
Description
技术领域
本发明属于数字图像处理技术领域,涉及一种基于图像显著性检测的安全阀阀门空化现象判别方法。
背景技术
安全阀是锅炉、压力容器、压力管道等承压设备的重要安全附件,对超压保护有着重要意义。在安全阀内流动的液体,阀门时常会出现空化现象。空化现象不仅会影响阀门口径的计算,而且会产生严重的扰动,对阀门材质造成损坏,这些严重影响安全阀的寿命。因此,空化现象是安全阀阀门在计算和选择过程中不容小视的问题。当节流孔中产生气泡时,可视为空化现象。
现如今,随着多媒体技术的迅猛发展,图像作为信息的有效载体,得益于其简洁、直观、形象的特点,在生产生活中受到越来越多的关注。图像中只有部分信息能够引起视觉注意,而大部分信息是冗余的。图像显著性检测技术由此提出,其目的是从输入图像中找出显著区域并进行标记。当安全阀阀门发生空化现象时,节流孔产生的气泡是引起视觉注意的重要信息,而其它信息是冗余的。因此,可以通过图像显著性检测来判别安全阀阀门的空化现象。图像的显著性检测大致可分为两种模型:自底向上的数据驱动模型和自顶向下的任务驱动模型。目前,常用的方法大多是利用底层视觉特征生成显著图的自底向上的数据驱动模型,但这些方法没有考虑图像区块信息和空间分布关系。为此,可将区块作为显著性的计算的单位来进行检测,但是这样做并没考虑图像背景中干扰信息的影响。因此,本发明考虑多种因素来进行图像显著性检测。
发明内容
针对现有技术存在的问题,本发明提供了一种基于图像显著性检测的安全阀阀门空化现象判别方法,用以对不同工况下的安全阀仿真图像进行显著性检测,以此判别阀门是否产生空化现象。
为了达到上述目的,本发明采用的技术方案为:
一种基于图像显著性检测的安全阀阀门空化现象判别方法,通过图像显著性检测的方法,对不同工况下的安全阀阀门仿真图像进行显著性检测。首先,对不同工况下的仿真图像进行采集,再对采集到的图像进行训练得到过完备字典,并且获取仿真图像不同通道的对应系数,然后对系数进行处理获取系数中的显著信息并恢复为显著图,最后,根据显著性图像进行判断,安全阀阀门是否产生空化现象。包括以下步骤:
第一步,采集仿真图像,将采集后的仿真图像作为字典学习的训练样本。以滑动窗口方式对训练样本进行分块处理,将每个窗口(n×n)采集到的数据作为一个列向量(n2×1),后面统一称为原子,其中,n为滑动窗口的大小;这样所有采集到的训练数据最终作为一个n2维的矩阵Y,矩阵中的每列为yi(i=1,2,...,n),则训练数据表示为Y=[y1,y2,...,yn]。字典学习的目标函数如公式(1),字典的约束公式如公式(2),采用最优方向的方法得到过完备字典D。
所述的公式(1)和公式(2)表达式为:
其中,x∈Rk×n表示k行n列的稀疏表示系数,R表示输入空间,D∈A表示字典,D∈Rm ×k表示m行k列的字典,R表示输入空间,其中每一列为一个字典原子di,A为字典的约束。i表示训练数据的第i列,n为列的总个数。xi是原子di对应的稀疏表示系数。η是正则化权衡参数,用来平衡公式里的失真项约束和稀疏项约束||xi||1。
得到字典D后,将采集后的仿真图像在HSV颜色空间(H代表色调,S代表饱和度,V代表明度)中的每一个通道以滑动窗口方式进行分块处理,每个窗口(n×n)采集到的数据作为一个列向量(n2×1),采集后的仿真图像为一个n2维的矩阵Y,矩阵中的每列为yi(i=1,2,...,n),表示为Y=[y1,y2,...,yn]。公式(3)为求取稀疏表示系数xi,用稀疏表示系数来求每一个通道的对应系数Kch,其中ch∈{H,S,V},Kch由公式(3)中求取的稀疏表示系数xi组合表示,xi利用正交匹配追踪算法来求解。HSV颜色空间有三个通道,重复上述的操作三次,每次计算公式和计算方法相同。
所述的公式(3)的表达式为:
第二步,首先,采用公式对不同通道的对应系数Kch进行去中心化处理,其中xi为真实值,/>为平均值。其次,通过计算对应系数Kch对应的协方差矩阵(Kch对应的协方差矩阵为/>)中的特征值和特征向量,选取特征总数中前l个最大的特征值(实验中l取总特征数的30%),其中,l的数值为人为设定的数值,将前l个最大的特征值以及对应的特征向量进行投影处理,并将后l个特征值以及对应的特征向量视为没用的信息,并消除掉,得到最终的有效对应系数矩阵K′ch,K′ch为新的对应系数。最后,在每个通道,利用公式DK′ch将字典和有效对应系数相乘得到显著图,然后将每个通道的显著图利用公式(4)进行融合处理,公式(4)中SR表示融合后的显著图,称之为基于图像信息稀疏性的显著信息。
第三步,得到的显著性图像是黑白的,因此需要减少图像的颜色数量。彩色图像正常的颜色量化值是256,本发明将颜色量化值设为128。并采用基于图论的分割算法对仿真图像的显著图进行分割,得到图像区块ri。上述颜色量化方法和分割方法都是现有方法,并未进行改进。
第四步,将第三步分割得到的区块用公式(5)进行显著性检测,其称之为基于区域的显著信息。
所述的公式(5)表达式为:
其中,ri为区块,φ1(ri)和φ2(ri)为权重约束;D(di,dj)为两个区块ri和rj之间的欧氏距离;||ci-cj||为两个区块ri和rj之间的颜色差异;n为区块的总个数。
所述的φ1(ri)表达式为式(6):其中,Li是区块ri中的像素个数;H和W表示图像的高和宽;区块越小其相对显著性越小;Pi是区块ri中在图像边界的像素的比例,表达式为Pi=si/L;si为区块ri中在仿真图像边界上的像素个数;L是仿真图像边界像素的总和,值为2(H+W)。如果区块ri中在边界上的像素个数越多,其是背景区域的可能性越大,权值就越小。
所述的φ2(ri)表达式为式(7):
其中,为原图像I在颜色空间中c通道内的均值;/>是区块ri在c通道的均值,均值差异越大,图像显著值就越大;d(ri,I)是区域ri与图像中心的欧式距离;κr为权衡参数,区块越靠近图像中心其显著值就越大。
第五步,为了抑制噪声等干扰项的影响,通过式(8)融合上述第二步基于图像信息稀疏性的显著信息和第四步基于区域的显著信息。
S=(SS*SR)∩SR (8)
其中,SS为基于图像信息稀疏性的显著信息,SR为基于区域的显著信息。
第六步,观察显著性图上的显著性信息,来判别安全阀阀门是否产生空化现象,如果图像上有一块明显白色区域,说明产生空化现象。反之,没有产生空化现象。
本发明的有效增益效果为:本发明通过图像显著性检测的方法对安全阀阀门空化现象进行判别,而目前空化现象对安全阀会产生扰动,对阀门材质会造成损坏,会严重影响安全阀的使用寿命。本发明在安全阀仿真各种工况下时就识别出空化现象,可以在安全阀设计过程中避免空化状态,延长安全阀使用寿命。
附图说明
图1为本发明的流程图;
图2为本发明的显著性待检测的原始图像;
图3为本发明的融合后的显著图像;
具体实施方式
以下结合具体实施例对本发明做进一步说明。
实施例1:如图1所示,本发明提出了一种基于图像显著性检测的安全阀阀门空化现象判别方法,通过图像显著性检测的方法,对不同工况下的安全阀阀门仿真图像进行显著性检测。首先,本发明对不同工况下的仿真图像进行采集,再对采集到的图像进行训练得到过完备字典,并且获取仿真图像不同通道的对应系数,然后对系数进行处理获取系数中的显著信息并恢复为显著图,最后,根据显著性图像进行判断,安全阀阀门是否产生空化现象。
第一步,采集图2所示仿真图像,将采集后的仿真图像作为字典学习的训练样本。以滑动窗口方式对训练样本进行分块处理,将每个窗口(n×n)采集到的数据作为一个列向量(n2×1),后面统一称为原子,其中,n为滑动窗口的大小;这样所有采集到的训练数据最终作为一个n2维的矩阵Y,矩阵中的每列为yi(i=1,2,...,n),则训练数据表示为Y=[y1,y2,...,yn]。字典学习的目标函数如公式(1),字典的约束公式如公式(2),采用最优方向的方法得到过完备字典D。
所述的公式(1)和公式(2)表达式为:
其中,x∈Rk×n表示k行n列的稀疏表示系数,R表示输入空间,D∈A表示字典,D∈Rm ×k表示m行k列的字典,R表示输入空间,其中每一列为一个字典原子di,A为字典的约束。i表示训练数据的第i列,n为列的总个数。xi是原子di对应的稀疏表示系数。η是正则化权衡参数,用来平衡公式里的失真项约束和稀疏项约束||xi||1。
得到字典D后,将采集后的仿真图像图2在HSV颜色空间(H代表色调,S代表饱和度,V代表明度)中的每一个通道以滑动窗口方式进行分块处理,每个窗口(n×n)采集到的数据作为一个列向量(n2×1),采集后的仿真图像为一个n2维的矩阵Y,矩阵中的每列为yi(i=1,2,...,n),表示为Y=[y1,y2,...,yn]。公式(3)为求取稀疏表示系数xi,用稀疏表示系数来求每一个通道的对应系数Kch,其中ch∈{H,S,V},Kch由公式(3)中求取的稀疏表示系数xi组合表示,xi利用正交匹配追踪算法来求解。HSV颜色空间有三个通道,重复上述的操作三次,每次计算公式和计算方法相同。
所述的公式(3)的表达式为:
第二步,首先,采用公式对不同通道的对应系数Kch进行去中心化处理,其中xi为真实值,/>为平均值。其次,通过计算对应系数Kch对应的协方差矩阵(Kch对应的协方差矩阵为/>)中的特征值和特征向量,选取特征总数中前l个最大的特征值(实验中l取总特征数的30%),其中,l的数值为人为设定的数值,将前l个最大的特征值以及对应的特征向量进行投影处理,并将后l个特征值以及对应的特征向量视为没用的信息,并消除掉,得到最终的有效对应系数矩阵K′ch,K′ch为新的对应系数。最后,在每个通道,利用公式DK′ch将字典和有效对应系数相乘得到显著图,然后将每个通道的显著图利用公式(4)进行融合处理,公式(4)中SR表示融合后的显著图,称之为基于图像信息稀疏性的显著信息。
第三步,得到的显著性图像是黑白的,因此需要减少图像的颜色数量。彩色图像正常的颜色量化值是256,本发明将颜色量化值设为128。并采用基于图论的分割算法对仿真图像的显著图进行分割,得到图像区块ri。上述颜色量化方法和分割方法都是现有方法,并未进行改进。
第四步,将第三步分割得到的区块用公式(5)进行显著性检测,其称之为基于区域的显著信息。
所述的公式(5)表达式为:
其中,ri为区块,φ1(ri)和φ2(ri)为权重约束;D(di,dj)为两个区块ri和rj之间的欧氏距离;||ci-cj||为两个区块ri和rj之间的颜色差异;n为区块的总个数。
所述的φ1(ri)表达式为式(6):其中,Li是区块ri中的像素个数;H和W表示图像的高和宽;区块越小其相对显著性越小;Pi是区块ri中在图像边界的像素的比例,表达式为Pi=si/L;si为区块ri中在仿真图像边界上的像素个数;L是仿真图像边界像素的总和,值为2(H+W)。如果区块ri中在边界上的像素个数越多,其是背景区域的可能性越大,权值就越小。
所述的φ2(ri)表达式为式(7):
其中,为原图像I在颜色空间中c通道内的均值;/>是区块ri在c通道的均值,均值差异越大,图像显著值就越大;d(ri,I)是区域ri与图像中心的欧式距离;κr为权衡参数,区块越靠近图像中心其显著值就越大。
第五步,为了抑制噪声等干扰项的影响,通过式(8)融合上述第二步基于图像信息稀疏性的显著信息和第四步基于区域的显著信息。
S=(SS*SR)∩SR (8)
其中,SS为基于图像信息稀疏性的显著信息,SR为基于区域的显著信息。
第六步,观察图3所示显著性图上的显著性信息,图像上有一块明显白色区域,说明安全阀阀门产生了空化现象。
以上所述实施例仅表达本发明的实施方式,但并不能因此而理解为对本发明专利的范围的限制,应当指出,对于本领域的技术人员来说,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,这些均属于本发明的保护范围。
Claims (1)
1.一种基于图像显著性检测的安全阀阀门空化现象判别方法,通过图像显著性检测的方法,对不同工况下的安全阀阀门仿真图像进行显著性检测,其特征在于,所述安全阀阀门空化现象判别方法首先,对不同工况下的仿真图像进行采集,再对采集到的图像进行训练得到过完备字典,并且获取仿真图像不同通道的对应系数,然后,对系数进行处理获取系数中的显著信息并恢复为显著图,最后,根据显著性图像进行判断,安全阀阀门是否产生空化现象;包括以下步骤:
第一步,采集仿真图像,将采集后的仿真图像作为字典学习的训练样本;以滑动窗口方式对训练样本进行分块处理,将每个窗口(n×n)采集到的数据作为一个列向量(n2×1),后面统一称为原子,其中,n为滑动窗口的大小;最终将所有采集到的训练数据作为一个n2维的矩阵Y,矩阵中的每列为yi(i=1,2,...,n),则训练数据表示为Y=[y1,y2,...,yn];字典学习的目标函数如公式(1),字典的约束公式如公式(2),采用最优方向的方法得到过完备字典D;
所述的公式(1)和公式(2)表达式为:
其中,x∈Rk×n表示k行n列的稀疏表示系数,R表示输入空间,D∈A表示字典,D∈Rm×k表示m行k列的字典,R表示输入空间,其中每一列为一个字典原子di,A为字典的约束;i表示训练数据的第i列,n为列的总个数;xi是原子di对应的稀疏表示系数;η是正则化权衡参数,用来平衡公式里的失真项约束和稀疏项约束||xi||1;
得到字典D后,将采集后的仿真图像在HSV颜色空间中的每一个通道以滑动窗口方式进行分块处理,其中H代表色调,S代表饱和度,V代表明度,每个窗口(n×n)采集到的数据作为一个列向量(n2×1),采集后的仿真图像为一个n2维的矩阵Y,矩阵中的每列为yi(i=1,2,...,n),表示为Y=[y1,y2,...,yn];公式(3)为求取稀疏表示系数xi,用稀疏表示系数来求每一个通道的对应系数Kch,其中ch∈{H,S,V},Kch由公式(3)中求取的稀疏表示系数xi组合表示,xi利用正交匹配追踪算法来求解;HSV颜色空间有三个通道,重复上述过程三次,每次计算公式和计算方法相同;
所述的公式(3)的表达式为:
第二步,首先,采用公式对不同通道的对应系数Kch进行去中心化处理,其中xi为真实值,/>为平均值;其次,通过计算对应系数Kch对应的协方差矩阵中的特征值和特征向量,选取特征总数中前l个最大的特征值,其中l的数值为人为设定的数值,将前l个最大的特征值以及对应的特征向量进行投影处理,并将后l个特征值以及对应的特征向量视为没用的信息,并消除掉,得到最终的有效对应系数矩阵K′ch,K′ch为新的对应系数;最后,在每个通道,利用公式DK′ch将字典和有效对应系数相乘得到显著图,将每个通道的显著图利用公式(4)进行融合处理,公式(4)中SR表示融合后的显著图,称之为基于图像信息稀疏性的显著信息;
第三步,将颜色量化值设为128,并采用基于图论的分割算法对仿真图像的显著图进行分割,得到图像区块ri;
第四步,将第三步分割得到的区块用公式(5)进行显著性检测,所述的公式(5)表达式为:
其中,ri为区块,φ1(ri)和φ2(ri)为权重约束;D(di,dj)为两个区块ri和rj之间的欧氏距离;||ci-cj||为两个区块ri和rj之间的颜色差异;n为区块的总个数;
所述的φ1(ri)表达式为式(6):其中,Li是区块ri中的像素个数;H和W表示图像的高和宽;区块越小其相对显著性越小;Pi是区块ri中在图像边界的像素的比例,表达式为Pi=si/L;si为区块ri中在仿真图像边界上的像素个数;L是仿真图像边界像素的总和,值为2(H+W);如果区块ri中在边界上的像素个数越多,其是背景区域的可能性越大,权值就越小;
所述的φ2(ri)表达式为式(7):
其中,为原图像I在颜色空间中c通道内的均值;/>是区块ri在c通道的均值;d(ri,I)是区域ri与图像中心的欧式距离;κr为权衡参数;
第五步,通过式(8)融合上述第二步基于图像信息稀疏性的显著信息和第四步基于区域的显著信息;
S=(SS*SR)∩SR (8)
其中,SS为基于图像信息稀疏性的显著信息,SR为基于区域的显著信息;
第六步,观察显著性图上的显著性信息,来判别安全阀阀门是否产生空化现象,如果图像上有一块明显白色区域,说明产生空化现象;反之,没有产生空化现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111185038.7A CN113870240B (zh) | 2021-10-12 | 2021-10-12 | 一种基于图像显著性检测的安全阀阀门空化现象判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111185038.7A CN113870240B (zh) | 2021-10-12 | 2021-10-12 | 一种基于图像显著性检测的安全阀阀门空化现象判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870240A CN113870240A (zh) | 2021-12-31 |
CN113870240B true CN113870240B (zh) | 2024-04-16 |
Family
ID=78998607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111185038.7A Active CN113870240B (zh) | 2021-10-12 | 2021-10-12 | 一种基于图像显著性检测的安全阀阀门空化现象判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870240B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114526900A (zh) * | 2022-02-21 | 2022-05-24 | 重庆川仪调节阀有限公司 | 调节阀流量特性实验空化识别方法、实验方法及实验装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056592A (zh) * | 2016-05-26 | 2016-10-26 | 河海大学 | 一种基于稀疏表示的视觉显著性检测方法 |
CN111139623A (zh) * | 2018-11-05 | 2020-05-12 | 无锡小天鹅电器有限公司 | 微气泡发生器的水力空化件及衣物处理装置 |
CN111667453A (zh) * | 2020-04-21 | 2020-09-15 | 浙江工业大学 | 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法 |
CN112368633A (zh) * | 2018-07-03 | 2021-02-12 | 协和(香港)国际教育有限公司 | 用于基于tir的图像显示器的滤色器阵列 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4901613B2 (ja) * | 2007-07-10 | 2012-03-21 | 株式会社リコー | 画像処理装置、画像処理方法および画像処理プログラム |
US10268931B2 (en) * | 2016-03-30 | 2019-04-23 | The United States Of America As Represented By Secretary Of The Navy | Spatiotemporal method for anomaly detection in dictionary learning and sparse signal recognition |
-
2021
- 2021-10-12 CN CN202111185038.7A patent/CN113870240B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056592A (zh) * | 2016-05-26 | 2016-10-26 | 河海大学 | 一种基于稀疏表示的视觉显著性检测方法 |
CN112368633A (zh) * | 2018-07-03 | 2021-02-12 | 协和(香港)国际教育有限公司 | 用于基于tir的图像显示器的滤色器阵列 |
CN111139623A (zh) * | 2018-11-05 | 2020-05-12 | 无锡小天鹅电器有限公司 | 微气泡发生器的水力空化件及衣物处理装置 |
CN111667453A (zh) * | 2020-04-21 | 2020-09-15 | 浙江工业大学 | 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法 |
Non-Patent Citations (1)
Title |
---|
以MATLAB GUI为平台的代理模型优化设计工具箱;高玉琼等;《机械设计与制造》;20210808;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113870240A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
CN103996192B (zh) | 基于高质量自然图像统计量模型的无参考图像质量评价方法 | |
US6535632B1 (en) | Image processing in HSI color space using adaptive noise filtering | |
CN109242848B (zh) | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 | |
CN102663719B (zh) | 基于非局部均值的Bayer型CFA图像去马赛克方法 | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN105654436A (zh) | 一种基于前景背景分离的背光图像增强去噪方法 | |
JP5229575B2 (ja) | 画像処理装置および方法、並びにプログラム | |
US10509959B2 (en) | Method and device for segmenting lines in line chart | |
CN109919871A (zh) | 基于图像和模糊核混合约束的模糊核估计方法 | |
CN108627241B (zh) | 一种基于高斯混合模型的宽吻海豚click信号检测方法 | |
CN107203980B (zh) | 自适应多尺度暗通道先验的水下目标探测图像增强方法 | |
CN110503613A (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
CN113870240B (zh) | 一种基于图像显著性检测的安全阀阀门空化现象判别方法 | |
CN114782694B (zh) | 无监督异常检测方法、系统、设备及存储介质 | |
CN110991547A (zh) | 一种基于多特征最优融合的图像显著性检测方法 | |
CN111598837A (zh) | 适用于可视化二维码的全参考图像质量评价方法及系统 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN108010044B (zh) | 一种视频边界检测的方法 | |
CN112465852A (zh) | 一种用于电力设备红外图像分割的改进区域生长方法 | |
CN114723708A (zh) | 一种基于无监督图像分割的工艺品外观缺陷检测方法 | |
CN107067373A (zh) | 一种基于0范数的梯度最小化二值图像复原方法 | |
CN115035058A (zh) | 一种自编码网络医学图像异常检测方法 | |
Khanna et al. | Fractional derivative filter for image contrast enhancement with order prediction |
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 |