CN114155223A - 基于有向距离的图像清晰度筛选方法及系统 - Google Patents

基于有向距离的图像清晰度筛选方法及系统 Download PDF

Info

Publication number
CN114155223A
CN114155223A CN202111479305.1A CN202111479305A CN114155223A CN 114155223 A CN114155223 A CN 114155223A CN 202111479305 A CN202111479305 A CN 202111479305A CN 114155223 A CN114155223 A CN 114155223A
Authority
CN
China
Prior art keywords
image
matrix
directed
sum
screening
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.)
Pending
Application number
CN202111479305.1A
Other languages
English (en)
Inventor
房斌
聂天宇
周明亮
胥斌
陈咏涛
钱基业
程晓
陈涛
周庆
吴琛
李汶江
刘军
周双勇
程昆
文承家
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.)
Chongqing University
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Maintenance Branch of State Grid Chongqing Electric Power Co Ltd
Original Assignee
Chongqing University
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
Maintenance Branch of State Grid Chongqing Electric Power Co Ltd
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 Chongqing University, Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, Maintenance Branch of State Grid Chongqing Electric Power Co Ltd filed Critical Chongqing University
Publication of CN114155223A publication Critical patent/CN114155223A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • 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
    • 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

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)

Abstract

本发明属于数字图像处理技术领域，具体公开了一种基于有向距离的图像清晰度筛选方法及系统，该方法通过待筛选的原始图像，获取待筛选图像的灰度矩阵，计算原始图像各像素点的八邻域有向距离之和的和矩阵，计算原始图像各像素点的八邻域有向距离之和的权重矩阵，将原始图像各像素点的八邻域有向距离之和矩阵与权重矩阵相乘，得到清晰度矩阵，计算清晰度矩阵中数值的标准差作为图像清晰度筛选指标，判断图像清晰度筛选指标是否在筛选条件内，若满足筛选条件，则标记图像完成图像筛选；若不满足条件，则删除图像，对下一张图像进行清晰度筛选。采用本技术方案，利用有向距离和矩阵和权重矩阵，对无人机巡检拍摄的图片快速有效的筛选。

Description

基于有向距离的图像清晰度筛选方法及系统
技术领域
本发明属于数字图像处理技术领域，涉及一种基于有向距离的图像清晰度筛选方法及系统。
背景技术
电力巡线是无人机在工业领域应用的成功典范，无人机巡检得到的图片能够辅助工作人员提前发现输电线路的缺陷和破损，及时避免输电线路的故障，保障电力系统的平稳运行。由于无人机在空中快速飞行，拍摄的无人机图片往往会伴随着运动模糊的问题，同时受季节和天气情况的影响，图像会出现不同程度的模糊，模糊的图像无法辨别输电线路和相关设备的缺陷和破损。因此，筛选出清晰度良好的图像在无人机巡线领域具有重要意义。
现有的图像清晰度筛选方法可以分为主观和客观两种类型，第一类是主观评价方法，通过观察者对图像的打分进行归一化作为图像评价的依据；第二类是客观评价，客观评价以人主观的视觉系统建立数学模型，通过具体的公式对图像清晰度进行定量的评价。主观评价受观察者自身知识储备、观测环境等因素的影响，当需评价图像数量较多时，主观评价方法耗时耗力且难以实现对图像清晰度实时评价。因此近年来，人们力求一种合适的客观图像清晰度评价方法，通过具体的量化指标代替主观人眼的感受对图像清晰度进行快速评价。
发明内容
本发明的目的在于提供一种基于有向距离的图像清晰度筛选方法及系统，对无人机巡检拍摄的图片快速有效的筛选。
为了达到上述目的，本发明的基础方案为：一种基于有向距离的图像清晰度筛选方法，包括如下步骤：
输入待筛选的原始图像，获取待筛选图像的灰度矩阵；
根据灰度矩阵，计算原始图像各像素点的八邻域有向距离之和的和矩阵；
计算原始图像各像素点的八邻域有向距离之和的权重矩阵；
计算原始图像各像素点的八邻域有向距离之和矩阵与权重矩阵的乘积，得到清晰度矩阵；
计算清晰度矩阵中数值的标准差，并将其作为图像清晰度筛选指标；
判断图像清晰度筛选指标是否在筛选条件内，若满足筛选条件，则标记图像完成图像筛选；若不满足条件，则删除图像，对下一张图像进行清晰度筛选。
本基础方案的工作原理和有益效果在于：将有向距离和矩阵和权重矩阵二者应用到图像筛选过程，无需人工参与，自动完成更客观快速的图像清晰度评价，帮助用户从大量无人机拍摄的图像数据集中筛选出符合要求的图片。
进一步，计算原始图像各像素点的八邻域有向距离之和矩阵的方法如下：
根据灰度矩阵，计算原始图像的一阶导数矩阵和二阶导数矩阵；
根据一阶导数矩阵和二阶导数矩阵，计算图像的有向距离矩阵；
根据图像的有向距离矩阵，计算原始图像各像素点的八邻域有向距离之和的和矩阵。
操作简单，利于使用。
进一步，计算原始图像各像素点的八邻域有向距离之和矩阵的公式为：
Figure BDA0003394787160000031
其中，x0表示像素点的横坐标，y0表示像素点的纵坐标，fOD(x0,y0)表示当前图像第x0行第y0列的有向距离和，k表示像素点(x0，y0)八邻域像素点的编号，i控制像素点的横坐标，j控制像素点的纵坐标；
OD((x0,y0),(xk,yk))为点(x0,y0)至(xk,yk)的有向距离,L(x0,y0)为当前图像第x0行第y0列的有向距离和的水平方向因子，N(x0,y0)为当前图像第x0行第y0列的有向距离和的垂直方向因子。
运算简单，获取相应矩阵，便于后续使用。
进一步，所述有向距离为：
Figure BDA0003394787160000032
其中，OD表示有向距离，Δx表示横坐标之间的距离差，Δy表示纵坐标之间的距离差，L(x,y),M(x,y),N(x,y)计算公式：
Figure BDA0003394787160000033
Figure BDA0003394787160000034
Figure BDA0003394787160000035
其中，zy(x,y),zx(x,y),zxx(x,y),zxy(x,y),zyy(x,y),分别表示表示光滑图像曲面及曲面上的点(x,y)的一阶与二阶导数，L(x，y)表示当前图像第x行第y列的有向距离和的水平方向因子,N(x，y)表示当前图像第x行第y列的有向距离和的垂直方向因子，M(x，y)表示当前图像第x行第y列的有向距离和的联合方向因子。
提出有向距离，便于后续计算。
进一步，原始图像各像素点的八邻域有向距离之和的权重矩阵的计算方法为：
w(xi,yj)＝exp(η(xi,yi))
其中w(xi,yj)为第xi行第yi列的权重，η(xi,yi)表示第xi行第yi列有向距离归一化后的值；
η(xi,yi)计算公式为：
Figure BDA0003394787160000041
其中fOD(xi,yj)表示当前图像第xi行第yj列的有向距离之和，min(fOD(x,y))表示有向距离和矩阵的最小值，max(fOD(x,y))表示有向距离和矩阵的最大值。
运算简单，利于使用。
进一步，清晰度矩阵的计算方法为：
Q(x,y)＝fOD(x,y)×w(x,y)
其中fOD(x,y)表示有向距离之和的矩阵，w(x,y)表示有向距离和权重矩阵，Q(x,y)表示清晰度矩阵，×为矩阵相乘。
利用有向距离和矩阵和权重矩阵，计算清晰度矩阵，运算简单，利于使用。
进一步，所述清晰度矩阵中数值的标准差的计算公式为：
Figure BDA0003394787160000051
其中，avg为图像清晰度矩阵数值的均值，Q表示清晰度矩阵的标准差，标准差越大则图像越清晰，反之越模糊。
获取标准差，利用标准差判断图像清晰程度，便于操作使用。
本发明还提供一种基于有向距离的图像清晰度筛选系统，包括图像采集模块和处理模块，所述图像采集模块用于采集原始图像，图像采集模块的输出端与处理模块的输入端连接，所述处理模块执行本发明所述方法，进行图像清晰度筛选。
利用该系统，无需人工参与，自动完成更客观快速的图像清晰度评价，操作简便，利于使用。
附图说明
图1是本发明基于有向距离的图像清晰度筛选方法的流程示意图；
图2是本发明基于有向距离的图像清晰度筛选方法的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1和2所示，本发明公开了一种基于有向距离的图像清晰度筛选方法，对无人机巡检拍摄的图片快速有效的筛选。该方法包括如下步骤：
S1，输入待筛选的原始图像(所选的原始图像大小为4864×3648)，获取待筛选图像的灰度矩阵z(x,y)，采用现有图像处理技术中的基本操作将图像转为灰度矩阵。灰度矩阵一般指灰度共生矩阵，灰度共生矩阵指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法；输入原始图像，将图像转化为灰度图像并计算各像素点的灰度值，各像素点的灰度值记为z(x,y)。
S2，根据灰度矩阵，计算原始图像各像素点的八邻域(八个方向的邻域，邻域就是某点附近的一切点构成的集合,通常可以取以该点为中心的一个区间(或圆或球)作为其邻域)有向距离(有向距离是指点与其邻近点之间的定向距离，可以用于测量表面在给定方向上的弯曲程度，如果有向距离越大，弯曲程度越大。对应到图像中就是图像的表面越陡峭)之和的和矩阵；
S3，计算原始图像各像素点的八邻域有向距离之和的权重矩阵；
S4，计算原始图像各像素点的八邻域有向距离之和矩阵与权重矩阵的乘积，得到清晰度矩阵；
S5，计算清晰度矩阵中数值的标准差(是离均差平方的算术平均数(即：方差)的算术平方根)，并将其作为图像清晰度筛选指标；
S6，判断图像清晰度筛选指标是否在筛选条件(可以人工设定满足条件的标准差数值，例如设定为160以上)内，若满足筛选条件，则标记图像完成图像筛选；若不满足条件，则删除图像，对下一张图像进行清晰度筛选。
本发明的一种优选方案中，计算原始图像各像素点的八邻域有向距离之和矩阵的方法如下：
S21，根据灰度矩阵，计算原始图像的一阶导数矩阵和二阶导数矩阵；利用Prewitt梯度算子计算一阶导数矩阵，使用拉普拉斯二阶微分算子计算二阶导数矩阵。
S22，根据一阶导数矩阵和二阶导数矩阵，计算图像的有向距离矩阵；
S23，根据图像的有向距离矩阵，计算原始图像各像素点的八邻域有向距离之和的和矩阵。
有向距离为：
Figure BDA0003394787160000071
其中，OD表示有向距离，Δx表示横坐标之间的距离差，Δy表示纵坐标之间的距离差，L(x,y),M(x,y),N(x,y)计算公式：
Figure BDA0003394787160000081
Figure BDA0003394787160000082
Figure BDA0003394787160000083
其中，zy(x,y),zx(x,y),zxx(x,y),zxy(x,y),zyy(x,y),分别表示表示光滑图像曲面及曲面上的点(x,y)的一阶与二阶导数，L(x，y)表示当前图像第x行第y列的有向距离和的水平方向因子,N(x，y)表示当前图像第x行第y列的有向距离和的垂直方向因子，M(x，y)表示当前图像第x行第y列的有向距离和的联合方向因子。
计算原始图像各像素点的八邻域有向距离之和矩阵的公式为：
Figure BDA0003394787160000084
其中，x0表示像素点的横坐标，y0表示像素点的纵坐标，fOD(x0,y0)表示当前图像第x0行第y0列的有向距离和，k表示像素点(x0，y0)八邻域像素点的编号，i控制像素点的横坐标，j控制像素点的纵坐标；
OD((x0,y0),(xk,yk))为点(x0,y0)至(xk,yk)的有向距离,L(x0,y0)为当前图像第x0行第y0列的有向距离和的水平方向因子，N(x0,y0)为当前图像第x0行第y0列的有向距离和的垂直方向因子。
原始图像各像素点的八邻域有向距离之和的权重矩阵的计算方法为：
S31，将图像有向距离和矩阵进行归一化处理；
S32，根据归一化处理后的图像有向距离和矩阵，计算每一个像素点的权重。
权重计算方法为：
w(xi,yj)＝exp(η(xi,yi))
其中w(xi,yj)为第xi行第yi列的权重，η(xi,yi)表示第xi行第yi列有向距离归一化后的值；
η(xi,yi)计算公式为：
Figure BDA0003394787160000091
其中fOD(xi,yj)表示当前图像第xi行第yj列的有向距离之和，min(fOD(x,y))表示有向距离和矩阵的最小值，max(fOD(x,y))表示有向距离和矩阵的最大值。
清晰度矩阵的计算方法为：
Q(x,y)＝fOD(x,y)×w(x,y)
其中fOD(x,y)表示有向距离之和的矩阵，w(x,y)表示有向距离和权重矩阵，Q(x,y)表示清晰度矩阵，×为矩阵相乘，用fOD(x,y)和w(x,y)表示矩阵，不再用下标来表示矩阵中的元素。
清晰度矩阵中数值的标准差的计算公式为：
Figure BDA0003394787160000092
其中，avg为图像清晰度矩阵数值的均值，Q表示清晰度矩阵的标准差，标准差越大则图像越清晰，反之越模糊。
本发明还提供一种基于有向距离的图像清晰度筛选系统，包括图像采集模块和处理模块，图像采集模块用于采集原始图像，图像采集模块可采用摄像头等，图像采集模块的输出端与处理模块的输入端电性连接，处理模块执行本发明所述方法，进行图像清晰度筛选。
本方案提出一个新的图像清晰度评价方法，将有向距离和矩阵和权重矩阵应用到图像筛选过程，无需人工参与，自动完成更客观快速的图像清晰度评价，帮助用户从大量无人机拍摄的图像数据集中筛选出符合要求的图片。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种基于有向距离的图像清晰度筛选方法，其特征在于，包括如下步骤：
输入待筛选的原始图像，获取待筛选图像的灰度矩阵；
根据灰度矩阵，计算原始图像各像素点的八邻域有向距离之和的和矩阵；
计算原始图像各像素点的八邻域有向距离之和的权重矩阵；
计算原始图像各像素点的八邻域有向距离之和矩阵与权重矩阵的乘积，得到清晰度矩阵；
计算清晰度矩阵中数值的标准差，并将其作为图像清晰度筛选指标；
判断图像清晰度筛选指标是否在筛选条件内，若满足筛选条件，则标记图像完成图像筛选；若不满足条件，则删除图像，对下一张图像进行清晰度筛选。
2.如权利要求1所述的基于有向距离的图像清晰度筛选方法，其特征在于，计算原始图像各像素点的八邻域有向距离之和矩阵的方法如下：
根据灰度矩阵，计算原始图像的一阶导数矩阵和二阶导数矩阵；
根据一阶导数矩阵和二阶导数矩阵，计算图像的有向距离矩阵；
根据图像的有向距离矩阵，计算原始图像各像素点的八邻域有向距离之和的和矩阵。
3.如权利要求1或2所述的基于有向距离的图像清晰度筛选方法，其特征在于，计算原始图像各像素点的八邻域有向距离之和矩阵的公式为：
Figure FDA0003394787150000011
其中，x0表示像素点的横坐标，y0表示像素点的纵坐标，fOD(x0,y0)表示当前图像第x0行第y0列的有向距离和，k表示像素点(x0，y0)八邻域像素点的编号，i控制像素点的横坐标，j控制像素点的纵坐标；
OD((x0,y0),(xk,yk))为点(x0,y0)至(xk,yk)的有向距离,L(x0,y0)为当前图像第x0行第y0列的有向距离和的水平方向因子，N(x0,y0)为当前图像第x0行第y0列的有向距离和的垂直方向因子。
4.如权利要求3所述的基于有向距离的图像清晰度筛选方法，其特征在于，所述有向距离为：
Figure FDA0003394787150000021
其中，OD表示有向距离，Δx表示横坐标之间的距离差，Δy表示纵坐标之间的距离差，L(x,y),M(x,y),N(x,y)计算公式：
Figure FDA0003394787150000022
Figure FDA0003394787150000023
Figure FDA0003394787150000024
其中，zy(x,y),zx(x,y),zxx(x,y),zxy(x,y),zyy(x,y),分别表示表示光滑图像曲面及曲面上的点(x,y)的一阶与二阶导数，L(x，y)表示当前图像第x行第y列的有向距离和的水平方向因子,N(x，y)表示当前图像第x行第y列的有向距离和的垂直方向因子，M(x，y)表示当前图像第x行第y列的有向距离和的联合方向因子。
5.如权利要求1所述的基于有向距离的图像清晰度筛选方法，其特征在于，原始图像各像素点的八邻域有向距离之和的权重矩阵的计算方法为：
w(xi,yj)＝exp(η(xi,yi))
其中w(xi,yj)为第xi行第yi列的权重，η(xi,yi)表示第xi行第yi列有向距离归一化后的值；
η(xi,yi)计算公式为：
Figure FDA0003394787150000031
其中fOD(xi,yj)表示当前图像第xi行第yj列的有向距离之和，min(fOD(x,y))表示有向距离和矩阵的最小值，max(fOD(x,y))表示有向距离和矩阵的最大值。
6.如权利要求1所述的基于有向距离的图像清晰度筛选方法，其特征在于，清晰度矩阵的计算方法为：
Q(x,y)＝fOD(x,y)×w(x,y)
其中fOD(x,y)表示有向距离之和的矩阵，w(x,y)表示有向距离和权重矩阵，Q(x,y)表示清晰度矩阵，×为矩阵相乘。
7.如权利要求1所述的基于有向距离的图像清晰度筛选方法，其特征在于，所述清晰度矩阵中数值的标准差的计算公式为：
Figure FDA0003394787150000032
其中，avg为图像清晰度矩阵数值的均值，Q表示清晰度矩阵的标准差，标准差越大则图像越清晰，反之越模糊。
8.一种基于有向距离的图像清晰度筛选系统，其特征在于，包括图像采集模块和处理模块，所述图像采集模块用于采集原始图像，图像采集模块的输出端与处理模块的输入端连接，所述处理模块执行权利要求1-7之一所述方法，进行图像清晰度筛选。
CN202111479305.1A 2021-11-18 2021-12-06 基于有向距离的图像清晰度筛选方法及系统 Pending CN114155223A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021113662043 2021-11-18
CN202111366204 2021-11-18

Publications (1)

Publication Number Publication Date
CN114155223A true CN114155223A (zh) 2022-03-08

Family

ID=80452878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111479305.1A Pending CN114155223A (zh) 2021-11-18 2021-12-06 基于有向距离的图像清晰度筛选方法及系统

Country Status (1)

Country Link
CN (1) CN114155223A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116578763A (zh) * 2023-07-11 2023-08-11 卓谨信息科技（常州）有限公司 基于生成式ai认知模型的多源信息展览系统
CN116659448A (zh) * 2023-05-31 2023-08-29 重庆大学 一种橡胶支座变形智能监控系统及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040101170A1 (en) * 2002-11-20 2004-05-27 Christel-Loic Tisse Evaluation of the definition of an eye iris image
CN104616278A (zh) * 2013-11-05 2015-05-13 北京三星通信技术研究有限公司 三维点云兴趣点检测方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040101170A1 (en) * 2002-11-20 2004-05-27 Christel-Loic Tisse Evaluation of the definition of an eye iris image
CN104616278A (zh) * 2013-11-05 2015-05-13 北京三星通信技术研究有限公司 三维点云兴趣点检测方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIYE QIAN 等: "No-reference image sharpness metric based on directional derivatives", 《2017 INTERNATIONAL CONFERENCE ON SECURITY, PATTERN ANALYSIS, AND CYBERNETICS (SPAC)》, 1 March 2018 (2018-03-01), pages 340 - 344 *
KHOSRO BAHRAMI 等: "A Fast Approach for No-Reference Image Sharpness Assessment Based on Maximum Local Variation", 《IEEE SIGNAL PROCESSING LETTERS 》, vol. 21, no. 6, 31 March 2014 (2014-03-31), pages 751 - 755, XP011545295, DOI: 10.1109/LSP.2014.2314487 *
KHOSRO BAHRAMI等: "A Fast Approach for No-Reference Image Sharpness Assessment Based on Maximum Local Variation", 《IEEE SIGNAL PROCESSING LETTERS》, vol. 21, no. 6, 31 March 2014 (2014-03-31), pages 751 - 755, XP011545295, DOI: 10.1109/LSP.2014.2314487 *
赵恒军: "图像多尺度邻域距离分解及其应用", 《中国博士学位论文全文数据库 信息科技辑》, no. 02, 15 February 2014 (2014-02-15), pages 138 - 24 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116659448A (zh) * 2023-05-31 2023-08-29 重庆大学 一种橡胶支座变形智能监控系统及设备
CN116578763A (zh) * 2023-07-11 2023-08-11 卓谨信息科技（常州）有限公司 基于生成式ai认知模型的多源信息展览系统
CN116578763B (zh) * 2023-07-11 2023-09-15 卓谨信息科技（常州）有限公司 基于生成式ai认知模型的多源信息展览系统

Similar Documents

Publication Publication Date Title
CN109559310B (zh) 基于显著性检测的输变电巡检图像质量评价方法及系统
CN111679291B (zh) 基于三维激光雷达的巡检机器人目标定位配置方法
CN114155223A (zh) 基于有向距离的图像清晰度筛选方法及系统
CN111028155B (zh) 一种基于多对双目相机的视差图像拼接方法
CN111178121B (zh) 基于空间特征和深度特征强化技术的害虫图像定位识别方法
CN112396635B (zh) 一种基于多设备的复杂环境下多目标检测方法
CN108665468B (zh) 一种提取直线塔绝缘子串的装置及方法
CN113205507B (zh) 一种视觉问答方法、系统及服务器
CN111027415A (zh) 一种基于偏振图像的车辆检测方法
CN112395961A (zh) 一种洒水车的视觉主动行人避让及水压自适应控制方法
CN112164010A (zh) 一种多尺度融合卷积神经网络图像去雾方法
CN112686120A (zh) 一种基于无人机航拍图像的输电线异常检测方法
CN116681742A (zh) 基于图神经网络的可见光与红外热成像图像配准方法
CN111539888A (zh) 一种基于金字塔通道特征注意力的神经网络图像去雾方法
CN109671044B (zh) 一种基于可变图像分解的多曝光图像融合方法
CN113723389B (zh) 一种支柱式绝缘子定位方法及装置
CN117095133B (zh) 一种建筑三维信息采集方法及系统
CN106846254A (zh) 一种基于云端自主学习的图像缩放方法及系统
CN104614372B (zh) 一种太阳能硅片检测方法
CN116721019B (zh) 基于深度学习的多摄像头视频图像拼接方法
CN111062924B (zh) 图像处理方法、装置、终端和存储介质
CN104751455A (zh) 一种作物图像稠密匹配方法及系统
CN109614976B (zh) 一种基于Gabor特征的异源图像融合方法
CN108830834B (zh) 一种爬索机器人视频缺陷信息自动提取方法
CN116071323A (zh) 一种基于相机参数归一化的雨强测量方法

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