CN114331923B - 一种基于改进Canny算法的冰结构中气泡轮廓提取方法 - Google Patents
一种基于改进Canny算法的冰结构中气泡轮廓提取方法 Download PDFInfo
- Publication number
- CN114331923B CN114331923B CN202210235836.4A CN202210235836A CN114331923B CN 114331923 B CN114331923 B CN 114331923B CN 202210235836 A CN202210235836 A CN 202210235836A CN 114331923 B CN114331923 B CN 114331923B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- value
- enhanced
- gray
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明适用于风洞技术领域,提供了一种基于改进Canny算法的冰结构中气泡轮廓提取方法,包括如下步骤:步骤S10:获取积冰的图像,对图像进行灰度处理,获得灰度图像;步骤S20:对灰度图像进行降噪处理,获得降噪图像;步骤S30:对降噪图像进行对比度增强处理,获得增强图像;步骤S40:采用增强梯度法计算增强图像的梯度,获得梯度图像;步骤S50:采用非极大抑制和双阈值算法对梯度图像中的气泡轮廓进行提取。本申请中通过对降噪图像进行对比度增强和对增强图像采用增强梯度法,增加气泡轮廓与背景之间的对比度,进而可以更加准确的获取到气泡的轮廓。
Description
技术领域
本发明涉及风洞领域,尤其是涉及一种基于改进Canny算法的冰结构中气泡轮廓提取方法。
背景技术
飞行器在空中飞行的过程中会产生过冷水,过冷水撞击到飞行器的表面产生积冰现象,积冰现象会对飞行器的安全造成严重危害。过冷水在飞行器表面撞击所形成的积冰中通常包含大量的气泡,这些气泡的存在会对积冰的密度、积冰的导热系统、积冰的强度等参数有着较大的影响,但是为了能够定量的描述气泡对于积冰物理性质参数的影响,需要统计积冰中气泡的体积占比。现有技术中通常采集积冰的照片,然后提取照片中气泡的轮廓,进而来进一步计算气泡所占的比例,但是目前技术中对于气泡的轮廓提取效果不理想,不能准确获取积冰的参数信息,进而不能准确的得出积冰对于飞行器造成的危害大小。
发明内容
本发明的目的是提供一种基于改进Canny算法的冰结构中气泡轮廓提取方法,用来解决现有技术中存在的技术问题。包括如下步骤:
步骤S10:获取积冰的图像,对图像进行灰度处理,获得灰度图像;
步骤S20:对灰度图像进行降噪处理,获得降噪图像;
步骤S30:对降噪图像进行对比度增强处理,获得增强图像;
步骤S40:采用增强梯度法计算增强图像的梯度,获得梯度图像;
步骤S50:采用非极大抑制和双阈值算法对梯度图像中的气泡轮廓进行提取。
进一步地,步骤S30中还包括:
步骤S31:根据降噪图像中的灰度值,设置最大阈值和最小阈值;
步骤S32:设置增强最大值、增强最小值、增强中间值;
步骤S33:当灰度值大于最大阈值时,将该灰度值设置为增强最大值;
当灰度值小于最小阈值时,将该灰度值设置为增强最小值;
当灰度值位于最大阈值和最小阈值之间时,将该灰度值与位于增强最大值和增强最小值之间的值进行映射,获得映射值,映射值作为增强中间值。
进一步地,步骤S33中映射值的计算方法如下:
设置灰度值与增强值之间的映射函数;
通过映射函数,获取与之唯一匹配的增强值。
进一步地,步骤S40中还包括:
步骤S41:设置窗口宽度;
步骤S42:计算窗口宽度范围内增强图像中像素点沿横向方向和纵向方向的梯度。
进一步地,步骤S42还包括:
分别计算像素点的在上下左右四个方向的梯度;
计算像素点在横向方向的梯度,其中横向方向的梯度为左方向梯度和右方向梯度之和;
计算像素点在纵向方向的梯度,其中纵向方向的梯度为上方向梯度和下方向梯度之和。
进一步地,计算像素点的在上下左右四个方向的梯度的方法如下:
在窗口宽度范围内,分别计算每个方向的梯度;
计算获取每个方向在窗口宽度范围内的最大梯度。
进一步地,S50包括:
将增强图像中每一个像素点的梯度沿着梯度方向进行非极大值抑制,获得抑制图像;
采用双阈值算法对抑制图像中的像素点的梯度进行进一步抑制,将保留下来的像素点进行连接得到轮廓作为气泡的轮廓。
进一步地,步骤S20中采用中值滤波法对灰度图像进行降噪处理。
本发明相对于现有技术至少具有如下技术效果:
(1) 本申请提供的提供一种基于改进Canny算法的冰结构中气泡轮廓提取方法中通过对降噪图像进行对比度增强和对增强图像采用增强梯度法,增加气泡轮廓与背景之间的对比度,进而可以更加准确的获取到气泡的轮廓。
(2) 本申请通过对降噪图像中所有像素点的灰度值进行增强处理,使得图像中的气泡与背景之间的对比度增加,可以便于后续图像处理时快速准确识别到图像中的气泡。
(3) 本申请中通过左方向梯度和右方向梯度之和来获得像素点横向方向的梯度,通过上方向梯度和下方向梯度之和获得像素点纵向方向的梯度,即结合多个方向来获取像素点横纵方向的梯度,且取窗口宽度区间的最大梯度,这样可以进一步减小其他轮廓即边缘对提取边缘的影响,使得提取的气泡轮廓更加准确,更加明显。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明中的气泡轮廓提取方法的流程图;
图2是本发明中的灰度图像;
图3是本发明中对灰度图像采用高斯滤波进行降噪后的降噪图像;
图4是本发明中对灰度图像采用中值滤波法进行降噪后的降噪图像;
图5是本发明中的增强图像;
图6是采用原始Canny算法提取的气泡轮廓图像;
图7是本发明中提供的改进的Canny算法提取的气泡轮廓图像。
具体实施方式
以下的说明提供了许多不同的实施例、或是例子,用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式,仅用来精简的表达本发明,其仅作为例子,而并非用以限制本发明。
在下文中将参考附图对本发明的各方面进行更充分的描述。然而,本发明可以具体化成许多不同形式且不应解释为局限于贯穿本发明所呈现的任何特定结构或功能。相反地,提供这些方面将使得本发明周全且完整,并且本发明将给本领域技术人员充分地传达本发明的范围。基于本文所教导的内容,本领域的技术人员应意识到,无论是单独还是结合本发明的任何其它方面实现本文所公开的任何方面,本发明的范围旨在涵盖本文中所公开的任何方面。例如,可以使用本文所提出任意数量的相机或者执行方法来实现。另外,除了本文所提出本发明的多个方面之外,本发明的范围更旨在涵盖使用其它结构、功能或结构和功能来实现的相机或方法。应可理解,其可通过权利要求的一或多个元件具体化本文所公开的任何方面。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
如图1所示,本发明的目的是提供一种基于改进Canny算法的冰结构中气泡轮廓提取方法,用来解决现有技术中存在的技术问题。包括如下步骤:
步骤S10:获取积冰的图像,对图像进行灰度处理,获得灰度图像;
步骤S20:对灰度图像进行降噪处理,获得降噪图像;
步骤S30:对降噪图像进行对比度增强处理,获得增强图像;
步骤S40:采用增强梯度法计算增强图像的梯度,获得梯度图像;
步骤S50:采用非极大抑制和双阈值算法对梯度图像中的气泡轮廓进行提取。
现有技术中,针对图像轮廓提取的算法主要包括两大类:一类是基于图像梯度的提取算法,Rober算法、Prewitt算法、Soble算法、Canny算法等;另外一类是基于拉普拉斯算子的包括Marr-Hildreth算法、Zero-Cross算法等。在上述这些算法中Canny算法的总体轮廓提取效果最为优越。在此基础上,本发明针对Canny进行图像轮廓提取进行了一些改进,使得对图像中提取的轮廓更加准确。
上述方案中,在进行步骤S10前,先在风洞中布置相关设备,模拟飞行器在飞行过程中表面产生积冰现象,对具体产生积冰的过程不做具体限制,在风洞中取出结冰样本,对结冰样本进行切片取样,采用摄像装置拍摄积冰带有气泡的结构图片,获取到积冰图像,其中,摄像装置可选显微拍摄装置。
然后对获取的积冰图像进行灰度处理,变成一个灰度值的二维数组,此时获得的图像为灰度图像,如图2所示,由于灰度图像中存在大量的噪音,因此需要对灰度图像进行降噪处理,获得降噪图像,该图像中噪音大量减少,但是目标与背景之间的对比不是很明显,为了增大背景与目标之间的对比度,为后续更好地提取图像中的目标轮廓,本申请进一步对降噪图像进行对比度增强处理,如图所示,可以明显的看出,图像中气泡显示的比较明显,即气泡与背景之间的对比度明显增加,在此基础上,为了使得气泡的轮廓与背景之间的对比更加明显,采用增强梯度法计算增强图像的梯度,获得梯度图像,以及该图像中像素点的梯度大小及方向,然后根据计算得到的梯度,采用非极大抑制和双阈值算法进一步对梯度图像中的气泡轮廓进行提取。
因此,本申请中通过对降噪图像进行对比度增强和对增强图像采用增强梯度法,增加气泡轮廓与背景之间的对比度,进而可以更加准确的获取到气泡的轮廓。
进一步地,步骤S30中还包括:
步骤S31:根据降噪图像中的灰度值,设置最大阈值和最小阈值;
步骤S32:设置增强最大值、增强最小值、增强中间值;
步骤S33:当灰度值大于最大阈值时,将该灰度值设置为增强最大值;
当灰度值小于最小阈值时,将该灰度值设置为增强最小值;
当灰度值位于最大阈值和最小阈值之间时,将该灰度值与位于增强最大值和增强最小值之间的值进行映射,获得映射值,映射值作为增强中间值。
上述方案中,根据降噪图像中的灰度值,设置两个最大阈值和最小阈值,设置最大阈值和最小阈值的方法可以是技术人员根据经验而得,也可以是通过历史试验中的历史最大阈值和最小阈值采用加权等方法获得,使得设置的两个阈值更加贴近实际值,处理的效果更加好;除此之外,还设置了增强最大值、增强最小值、增强中间值,这三个值可以是技术人员根据经验而得,也可以是通过历史试验中的对三个值的取值获得,这样设置的值处理得到的图像更加符合目标效果。
然后根据降噪图像,对降噪图像中的所有像素点进行逐一判断,存在如下情况:当灰度值大于最大阈值时,则将该灰度值进行替换设置为增强最大值;当灰度值小于最小阈值时,则将该灰度值进行替换设置为增强最小值;当灰度值位于最大阈值和最小阈值之间时,则将该灰度值与位于增强最大值、增强最小值之间的值进行映射,获得映射值,然后将该映射值进行替换设置为增强中间值,通过对降噪图像的对比度增强处理,气泡与背景之间的对比度明显增强,可以快速识别到气泡,如图5所示。
进一步地,步骤S33中映射值的计算方法如下:
设置灰度值与增强值之间的映射函数;
通过映射函数,获取与之唯一匹配的增强中间值。
上述方案中,对映射函数不做具体限制,不同的情况下,可以根据要获得的气泡效果设置对应的映射函数,该映射函数可以是实函数、双曲函数、隐函数、多元函数等,采用映射函数,可以使得位于灰度值位于最大阈值和最小阈值之间的灰度值进行有唯一的、确定的、对应的增强中值。
通过上述方案,本申请通过对降噪图像中所有像素点的灰度值进行增强处理,使得图像中的气泡与背景之间的对比度增加,可以便于后续图像处理时快速准确识别到图像中的气泡。
进一步地,步骤S40中还包括:
步骤S41:设置窗口宽度;
步骤S42:计算窗口宽度范围内增强图像中像素点沿横向方向和纵向方向的梯度。
进一步地,步骤S42还包括:
分别计算像素点的在上下左右四个方向的梯度:
计算像素点在横向方向的梯度,其中横向方向的梯度为左方向梯度和右方向梯度之和:
计算像素点在纵向方向的梯度,其中纵向方向的梯度为上方向梯度和下方向梯度之和。
进一步地,计算像素点的在上下左右四个方向的梯度的方法如下:
在窗口宽度范围内,分别计算每个方向的梯度;
计算获取每个方向在窗口宽度范围内的最大梯度。
上述方案中,针对增强图像,本申请采用增强梯度法来获得梯度图像,具体方法如下:
首先,设置一个窗口宽度W,假设W=3,表示的是三个像素点之间的距离;
然后,计算图片中像素点在的横方向(x方向)梯度和纵方向(y方向)的梯度,计算方法如下:
当计算像素点左方向梯度时,i的取值范围为[-1,-W],计算右方向的梯度时,i的取值范围为[1,W];同理计算像素点上方向梯度时,j的取值范围为[-1,-W],计算下方向的梯度时,j的取值范围为[1,W]。
则x方向的梯度为:
则y方向的梯度为:
需要说明的是,本申请中上下左右四个方向指的是位于图像中像素点四周的四个方向,如上,可以理解为像素点的正上方、左上方、右上方,其他方向也可以这样理解,在此不做限制。
本申请中通过左方向梯度和右方向梯度之和来获得像素点横向方向的梯度,通过上方向梯度和下方向梯度之和获得像素点纵向方向的梯度,即结合多个方向来获取像素点横纵方向的梯度,且取窗口宽度区间的最大梯度,这样可以进一步减小其他轮廓即边缘对提取边缘的影响,使得提取的气泡轮廓更加准确,更加明显。
进一步地,S50包括:
将增强图像中每一个像素点的梯度沿着梯度方向进行非极大值抑制,获得抑制图像;
采用双阈值算法对抑制图像中的像素点的梯度进行进一步抑制,将保留下来的像素点进行连接得到轮廓作为气泡的轮廓。
上述方案中,根据计算获得的增强图像中所有像素点的梯度,进行非极大值抑制,具体做法为对图片中任意像素点的梯度与其沿着梯度方向上的点灰度梯度的值进行对比,如果不是最大值,则将其设置为0;减小噪音;然后采用双阈值算法对梯度进行追踪,提取边缘,具体为设定两个阈值T1和T2,其中T2>T1,从梯度大于T2的像素点开始追踪,向四周各个方向出发,直到梯度值小于T1停止,然后连接追踪所得到点便可以得到图片中气泡的边缘,如图7所示,和原始Canny算法提取的气泡轮廓图相比较,如图6所示,本申请中提取的气泡轮廓更加准确,噪音更加少。
进一步地,步骤S20中采用中值滤波法对灰度图像进行降噪处理。
上述方案中,图像降噪的方法很多,通常采用高斯滤波来对图像进行降噪,但是对于带有气泡的积冰图像处理效果不理想,图像背景中存在的噪音仍然较多,如图3所示,,因此,本申请中采用中值滤波代替高斯滤波对图像进行降噪处理,使得降噪更加适用于显微镜所拍摄的冰结构照片。如图4所示,可以看出中值滤波对灰度图像的降噪处理结果明显优于高斯滤波对灰度图像的降噪处理结果,即背景中的噪音明显较少。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于改进Canny算法的冰结构中气泡轮廓提取方法,其特征在于,包括如下步骤:
步骤S10:获取积冰的图像,对图像进行灰度处理,获得灰度图像;
步骤S20:对灰度图像进行降噪处理,获得降噪图像;
步骤S30:对降噪图像进行对比度增强处理,获得增强图像;
步骤S40:采用增强梯度法计算增强图像的梯度,获得梯度图像;
步骤S50:采用非极大抑制和双阈值算法对梯度图像中的气泡轮廓进行提取
步骤S41:设置窗口宽度;
步骤S42:计算窗口宽度范围内增强图像中像素点沿横向方向和纵向方向的梯度
步骤S42还包括:
分别计算像素点的在上下左右四个方向的梯度;
计算像素点在横向方向的梯度,其中横向方向的梯度为左方向梯度和右方向梯度之和;
计算像素点在纵向方向的梯度,其中纵向方向的梯度为上方向梯度和下方向梯度之和
计算像素点的在上下左右四个方向的梯度的方法如下:
在窗口宽度范围内,分别计算每个方向的梯度;
计算获取每个方向在窗口宽度范围内的最大梯度。
2.如权利要求1所述的一种基于改进Canny算法的冰结构中气泡轮廓提取方法,其特征在于,步骤S30中还包括:
步骤S31:根据降噪图像中的灰度值,设置最大阈值和最小阈值;
步骤S32:设置增强最大值、增强最小值、增强中间值;
步骤S33:当灰度值大于最大阈值时,将该灰度值设置为增强最大值;
当灰度值小于最小阈值时,将该灰度值设置为增强最小值;
当灰度值位于最大阈值和最小阈值之间时,将该灰度值与位于增强最大值和增强最小值之间的值进行映射,获得映射值,映射值作为增强中间值。
3.如权利要求2所述的一种基于改进Canny算法的冰结构中气泡轮廓提取方法,其特征在于,步骤S33中映射值的计算方法如下:
设置灰度值与增强值之间的映射函数;
通过映射函数,获取与之唯一匹配的增强中间值。
4.如权利要求1所述的一种基于改进Canny算法的冰结构中气泡轮廓提取方法,其特征在于,S50包括:
将增强图像中每一个像素点的梯度沿着梯度方向进行非极大值抑制,获得抑制图像;
采用双阈值算法对抑制图像中的像素点的梯度进行进一步抑制,将保留下来的像素点进行连接得到轮廓作为气泡的轮廓。
5.如权利要求1所述的一种基于改进Canny算法的冰结构中气泡轮廓提取方法,其特征在于,步骤S20中采用中值滤波法对灰度图像进行降噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210235836.4A CN114331923B (zh) | 2022-03-11 | 2022-03-11 | 一种基于改进Canny算法的冰结构中气泡轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210235836.4A CN114331923B (zh) | 2022-03-11 | 2022-03-11 | 一种基于改进Canny算法的冰结构中气泡轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114331923A CN114331923A (zh) | 2022-04-12 |
CN114331923B true CN114331923B (zh) | 2022-05-13 |
Family
ID=81033269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210235836.4A Active CN114331923B (zh) | 2022-03-11 | 2022-03-11 | 一种基于改进Canny算法的冰结构中气泡轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114331923B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446349A (zh) * | 2010-09-29 | 2012-05-09 | 奥林巴斯株式会社 | 图像处理装置和图像处理方法 |
CN102646278A (zh) * | 2012-03-16 | 2012-08-22 | 华南理工大学 | 一种基于x光图像的元器件封装气泡检测方法 |
CN107220988A (zh) * | 2017-04-30 | 2017-09-29 | 南京理工大学 | 基于改进canny算子的零部件图像边缘提取方法 |
CN111551568A (zh) * | 2020-06-04 | 2020-08-18 | 哈尔滨理工大学 | 一种基于机器视觉的镜片缺陷检测与分类方法 |
CN112801892A (zh) * | 2021-01-11 | 2021-05-14 | 中国民航大学 | 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200442B (zh) * | 2014-09-19 | 2017-11-21 | 西安电子科技大学 | 基于改进的canny边缘检测的非局部均值MRI图像去噪方法 |
CN106767564A (zh) * | 2016-11-03 | 2017-05-31 | 广东工业大学 | 一种应用于手机外壳表面粗糙度的检测方法 |
CN109816674A (zh) * | 2018-12-27 | 2019-05-28 | 北京航天福道高技术股份有限公司 | 基于Canny算子的配准图边缘提取方法 |
CN111696107B (zh) * | 2020-08-05 | 2024-01-23 | 南京知谱光电科技有限公司 | 一种实现闭合连通域的熔池轮廓图像提取方法 |
-
2022
- 2022-03-11 CN CN202210235836.4A patent/CN114331923B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446349A (zh) * | 2010-09-29 | 2012-05-09 | 奥林巴斯株式会社 | 图像处理装置和图像处理方法 |
CN102646278A (zh) * | 2012-03-16 | 2012-08-22 | 华南理工大学 | 一种基于x光图像的元器件封装气泡检测方法 |
CN107220988A (zh) * | 2017-04-30 | 2017-09-29 | 南京理工大学 | 基于改进canny算子的零部件图像边缘提取方法 |
CN111551568A (zh) * | 2020-06-04 | 2020-08-18 | 哈尔滨理工大学 | 一种基于机器视觉的镜片缺陷检测与分类方法 |
CN112801892A (zh) * | 2021-01-11 | 2021-05-14 | 中国民航大学 | 一种基于FFWA的自适应Canny飞机蒙皮红外图像边缘检测方法 |
Non-Patent Citations (4)
Title |
---|
A Multispectral Image Edge Detection Algorithm Based on Improved Canny Operator;Zhang B等;《International Conference in Communications, Signal Processing, and Systems. Springer, Singapore》;20191231;第1298-1307页 * |
Energy efficient canny edge detector for advanced mobile vision applications;Lee J等;《IEEE Transactions on Circuits and Systems for Video Technology》;20161231;第28卷(第4期);第1037-1046页 * |
一种改进的Canny边缘提取方法;徐辛超等;《遥感信息》;20161231;第31卷(第5期);第43-46页 * |
基于卷积神经网络快速区域标定的表面缺陷检测;李宜汀等;《计算机集成制造系统》;20191231;第25卷(第8期);第1897-1907页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114331923A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN110349207B (zh) | 一种复杂环境下的视觉定位方法 | |
WO2017054314A1 (zh) | 一种建筑物高度计算方法、装置和存储介质 | |
CN106778659B (zh) | 一种车牌识别方法及装置 | |
CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
CN107808383B (zh) | 一种强海杂波下sar图像目标快速检测方法 | |
CN109584204A (zh) | 一种图像噪声强度估计方法、存储介质、处理及识别装置 | |
CN109993797B (zh) | 门窗位置检测方法及装置 | |
Lo et al. | Joint trilateral filtering for depth map super-resolution | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN108694708A (zh) | 基于图像边缘提取的小波变换图像融合方法 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN113296095A (zh) | 一种用于脉冲探地雷达的目标双曲线边缘提取方法 | |
Zhu et al. | Fast single image dehazing through edge-guided interpolated filter | |
Choi et al. | Fog detection for de-fogging of road driving images | |
Haider et al. | A hybrid method for edge continuity based on Pixel Neighbors Pattern Analysis (PNPA) for remote sensing satellite images | |
CN106997583A (zh) | 一种水下机器人自适应图像增强和特征提取方法 | |
CN116740332B (zh) | 基于区域检测的星上空间目标部件中心定位和测角方法 | |
CN117853510A (zh) | 基于双边滤波和自适应阈值的Canny边缘检测方法 | |
CN114331923B (zh) | 一种基于改进Canny算法的冰结构中气泡轮廓提取方法 | |
Frommer et al. | Shape from Focus with Adaptive Focus Measure and High Order Derivatives. | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
Ahn et al. | Segmenting a noisy low-depth-of-field image using adaptive second-order statistics | |
CN115841632A (zh) | 输电线路提取方法、装置以及双目测距方法 |
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 |