CN114596437A - 一种图像背景分割方法及系统 - Google Patents
一种图像背景分割方法及系统 Download PDFInfo
- Publication number
- CN114596437A CN114596437A CN202210182792.3A CN202210182792A CN114596437A CN 114596437 A CN114596437 A CN 114596437A CN 202210182792 A CN202210182792 A CN 202210182792A CN 114596437 A CN114596437 A CN 114596437A
- Authority
- CN
- China
- Prior art keywords
- image
- correlation coefficient
- light spot
- sequence
- template
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理领域,特别涉及一种图像背景分割方法及系统。所述分割方法包括以下步骤:步骤S1:读取图像队列,并将图像队列中第一帧图像作为模板图像进行存储;步骤S2:依次将模板图像与目标图像进行匹配,计算相关系数,其中,模板图像为目标图像的前一帧图像;步骤S3:根据相关系数确定光斑图像序列和非光斑图像序列的位置;步骤S4:以非光斑图像序列为背景分割光斑图像序列的前景部分和背景部分。通过本发明可以快速且精准的实现背景信息的分割,提高激光强度时空分布的精准度。
Description
技术领域
本发明属于图像处理领域,特别涉及一种图像背景分割方法及系统。
背景技术
激光强度时空分布的精确测量是计算激光参数的基础。通过强度的时空分布获取光斑的质心抖动、光斑总能量、光斑尺寸大小、光斑的环围功率以及光斑质心位置坐标等参数。现有的方法主要有:烧蚀法、感光法、扫描法、阵列探测法、相机成像法以及其他一些方法。
准确的测量激光光斑远场强度时空分布情况是评价激光发射系统和研究激光大气传输特性最直接有效的手段,目前测量激光远场参数主要采用相机成像法和阵列探测法。采用相机成像法和阵列探测法获取激光大气传输后光斑图像时,采集的图像序列中会包含实际光斑图像信息和测试系统的背景信息,在数据处理的过程中首先需要对图像序列进行分割以剔除图像背景信息。因此现在亟需一种方法将图像序列中不含光斑的图像序列筛选出来,并去除含光斑的图像序列中的背景内容。
发明内容
针对上述问题,本发明公开了一种图像背景分割方法,所述分割方法包括以下步骤:
步骤S1:读取图像队列,并将图像队列中第一帧图像作为模板图像进行存储;
步骤S2:依次将模板图像与目标图像进行匹配,计算相关系数,其中,模板图像为目标图像的前一帧图像;
步骤S3:根据相关系数确定光斑图像序列和非光斑图像序列的位置;
步骤S4:以非光斑图像序列为背景分割光斑图像序列的前景部分和背景部分。
进一步的,步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21A:分别获取模板图像和目标图像的分布直方图;
步骤S22A:根据所述分布直方图采用巴氏距离的计算方法计算模板图像和目标图像之间的相关系数。
进一步的,步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21B:计算模板图像和目标图像的均方误差;
步骤S22B:通过均方误差值的大小来确定目标图像和模板图像之间的相关系数。
进一步的,步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21C:分别计算模板图像和目标图像的均值、标准差和协方差;
步骤S22C:根据模板图像和目标图像的均值、标准差和协方差获取模板图像和目标图像之间的相关系数。
进一步的,所述相关系数计算方式如下:
其中,上式x表征模板图像、y为目标图像,μx、μy分别为两幅图像的均值,σx、σy为图像的标准差,σxy为两幅图像的协方差,C1和C2为常量参数。
进一步的,步骤S3具体包括以下步骤:
步骤S31:将每一个相关系数与预定阈值进行比较;
步骤S32:记录每一次达到预定阈值时模板图像的帧号;
步骤S33:根据记录的帧号确定光斑图像序列和非光斑图像序列的位置。
本发明另一实施例中还公开了一种图像背景分割系统,所述系统包括
读取单元,用于读取图像队列,并将图像队列中第一帧图像作为模板进行存储;
匹配单元,用于依次将模板图像与目标图像进行匹配,计算相关系数,其中,模板图像为目标图像的前一帧图像;
第一计算单元,用于根据相关系数确定光斑图像序列和非光斑图像序列;
第二计算单元,以非光斑图像序列为背景分割光斑图像序列的前景部分和背景部分。
本发明的另一实施例中还公开了一种计算机可读存储介质,介质上存有计算机程序,计算机程序运行后执行上述实施例中任一项所述的图像背景分割方法。
本发明的另一实施例中还公开了一种计算机设备,包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行上述实施例中任一项所述的图像背景分割方法。
有益效果
(1)本发明采用图像相关系数的方法对图像序列进行背景信息的分割。采用动态模板与光斑序列进行相似度计算,设定相似度阈值最终完成图像背景信息的分割剔除工作。通过试验证明,基于结构相似度的图像序列背景分割方法能快速且精确地实现背景信息的分割,该研究成果可为建立完善的激光参数测量系统中数据处理方法提供一定的理论依据和方法积累。
(2)打破传统手动定位的方式,大大提高了数据处理时间,极大地提高了工作效率。
(3)对整个测量系统而言,充分提高了数据处理的准确性,为分析激光大气传输特性和评估激光发射系统性能做出贡献。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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示出了根据本发明中实施例中图像背景分割方法的流程图;
图2示出了根据本发明实施例中目标图像与模板图像之间相关系数计算的流程图;
图3示出了根据本发明另一实施例中目标图像与模板图像之间相关系数计算的流程图;
图4示出了根据本发明另一实施例中目标图像与模板图像之间相关系数计算的流程图;
图5示出了本发明实施例中计算目标图像与模板图像之间相关系数示意图;
图6示出了根据本发明实施例中根据相关系数确定图像队列中光斑图像系列与非光斑图像序列跃变位置的流程图;
图7-1至图7-5示出了根据本发明实施例中采用图像直方图匹配算法计算图像相关系数时,帧数与图像相关系数之间的关系;
图8示出了根据本发明实施例中采用采用图像均方误差算法计算图像相关系数时,帧数与图像相关系数之间的关系;
图9示出了根据本发明实施例中采用图像结构相似度计算图像相关系数时,帧数与图像相关系数之间的关系。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
如图1所示,在本发明的一实施例中公开了一种图像背景分割方法,所述分割方法包括以下步骤:
步骤S1:读取图像队列,并将图像队列中第一帧图像作为模板图像进行存储;
步骤S2:依次将模板图像与目标图像进行匹配,计算相关系数,其中,模板图像为目标图像的前一帧图像;
步骤S3:根据相关系数确定光斑图像序列和非光斑图像序列的位置;
步骤S4:以非光斑图像序列为背景分割光斑图像序列的前景部分和背景部分。
具体的,靶标端的光斑图像采集系统将采集的图形以帧为单位按时间顺序进行排列,形成图像队列。在实际应用中,靶标端的光斑图像采集系统和激光发射系统互为独立的系统,光斑图像采集系统的采集和激光发射系统无法保持操作的一致性。激光参数测量系统进行激光参数测量时,激光参数测量系统通常会选择在激光发射系统发射激光束前开启测量设备进行光斑图像的采集,在出光结束时关闭测量设备停止光斑图像的采集工作。使得图像队列中既包含含有光斑的图像,也包括不含有光斑的图像。这将导致光斑图像采集系统所采集的图像序列中会包含系统的背景信息图像,对图像序列的背景分割是影响测量系统进度的重要因素。同时为了对光斑的参数做出准确判定,需要对含有光斑的图形队列进行背景分割。在进行图像背景切割时首先识别出光斑图像序列和非光斑图像序列,其中光斑图像序列指的是图像队列中含有光斑的所有图像按照时间顺序排列的图像队列,而非光斑图像序列指的是图像队列中不含有光斑的所有图像按照时间顺序排列的图像队列。正常情况下,非光斑图像序列位于图像队列的开头和结尾,特别是第一帧,正常情况下都为非光斑图像序列。所以首先将图像队列中第一帧图像作为模板图像进行存储。将第一帧图像与第二帧图像进行相关系数匹配,若第一帧图像与第二帧图像的相关系数较高,则表示第二帧图像也为非光斑图像;然后以第二帧图像为模板图像,第三帧图像为目标图像进行相关系数的匹配,计算相关系数,并且根据相关系数判断第三帧图像是否为非光斑图像。具体的判断标准如下:默认第一帧图像为非光斑图像,相关系数表征第一帧图像与第二帧图像之间的差异大小,若相关系数越高则表示第一帧图像与第二帧图像相关性越高,表示第二帧图像也为非光斑图像。相反若相关系数较低,且低于设定的阈值,则表示第一帧图像与第二帧图像的相关性较低,当低于设定的阈值时可以判断第二帧图像为光斑图像。则将第二帧图像定义为模板图像,重新计算第二帧图像与第三帧图像之间的相关系数。依次判断,直到在图像队列中找到非光斑图像和光斑图像的跃变位置。相反的,同理可以判断出图像队列中其他位置的光斑序列和非光斑序列的跃变位置。
由于测量系统中非光斑图像是在激光发射系统发射激光束前开启测量设备进行光斑图像的采集,或者在出光结束时关闭测量设备停止光斑图像的采集工作前所采集的图像队列,所以非光斑图像为光斑图像的背景内容。对光斑图像序列进行分割时,以非光斑图像序列为背景,光斑图像内的图像其他内容为前景内容,分割后得到清晰的光斑,在后续的光斑特性计算过程中能够排除绝大部分的系统误差,提高测量系统的精度。
如图2所示,在本发明的另一实施例中步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21A:分别获取模板图像和目标图像的分布直方图;
步骤S22A:根据所述分布直方图采用巴氏距离的计算方法计算模板图像和目标图像之间的相关系数。
具体的,图像的亮度分布直方图反映的是数字图像中亮度分布的指标,通过直方图可实现图像亮度分布的变化,以此检测序列图像中场景的变化。示例性的,在亮度分布直方图的相似度计算中,采用巴氏距离的计算方式来计算模板图像和目标图像之间的相关系数,具体计算如下公式1:
其中,H1表示模板图像直方图,H2表示目标图像直方图,N表示直方图中bin,I表示灰度值,d(H1,H2)表示采用巴氏距离计算得到的相关系数。
当模板图像和目标图像完全匹配时计算结果为1,完全不匹配时计算结果为0。当计算结果低于预设阈值时,则表示目标图像和模板图像之间存在场景转换,即从非光斑图像序列转换至光斑图像序列,或者从光斑图像序列转换成非光斑图像序列。当计算结果高于预设阈值时,则表示目标图像和模板图像之间没有产生场景转换,依次计算,最后得到非光斑图像序列和光斑图像序列之间的跃变位置。
如图3所示,在本发明的另一实施例中步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21B:计算模板图像和目标图像的均方误差;
步骤S22B:通过均方误差值的大小来确定目标图像和模板图像之间的相关系数。
具体的,均方误差反映的是估计量与被估计量之间差异,将模板图像定义为原始图像,将目标图像定义为失真图像。分别计算模板图像和目标图像的均方值,根据均方值误差的大小确定模板图像和目标图像之间的相关系数。当均方值误差较大则表示相关系数较低,当均方值误差较小时表示目标图像与模板图像之间相关系数较高。
示例性的,模板图像以g(x,y)表示,目标图像以f(x,y)表示,则两幅图像的均方误差可有公式2计算得到:
其中MSE表示原始图像与失真图像的均方值误差,N表示图像像素尺寸i、j表示像素坐标。
从单一维度来判断模板图像和目标图像之间的相关系数有时不能准确的判断相关系数,到处出现一定的系统误差,判断光斑图像序列和非光斑图像序列的跃变位置时可能会出现误判。为了进一步提高识别的准确性,降低系统误差,如图4和图5所示,在本发明的另一实施例中,步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21C:分别计算模板图像和目标图像的均值、标准差和协方差
步骤S22C:根据模板图像和目标图像的均值、标准差和协方差获取模板图像和目标图像之间的相关系数。
具体的,本实施例中充分考虑了图像间的亮度、对比度和结构度三个特征信息,首先计算模板图像和目标图像之间的均值差,各参量的计算分别由公式3、公式4和公式5计算得来。
上式中,x表征模板图像、y为对比图像,μx、μy分别为两幅图像的均值,σx、σy为图像的标准差,σxy为两幅图像的协方差;
l(x,y)表示亮度特征系数,c(x,y)表示对比度特征系数,δ(x,y)表示结构度特征系数。
通过亮度、对比度和结构度三个特征信息计算得到模板图像和目标图像的图像结构相似度,示例性的,在简化的模式下C3=C2/2,所述图像结构相似度的计算方式如公式6所示:
得出所述图像结构相似度后,将其转换成模板图像和目标图像之间的相关系数。图像结构相似度越高则两者的相关系数越大,反之则越小。
为了验证上述实施例中相关系数的精准性,图7-图9分别示出了采用图像直方图匹配算法、采用图像均方误差算法和采用图像结构相似度来计算图像相关系数时,帧数与图像相关系数之间的关系,由图7-图9可以看出,采用上述三种方式计算图像间的相关系数,就可以对非光斑系数和光斑系数进行分割。另外,采用结构相似度的方法对图像序列进行计算得到的相关系数曲线有明显的分界,相关系数为接近0时为图像序列中含光斑图像的部分,而相关系数接近1时为不含光斑的背景信息部分,采用结构相似度的方法最为适用。其中图7为图7-1至图7-5的总称。
优选的,如图6所示,上述步骤S3具体包括以下步骤:
步骤S31:将每一个相关系数与预定阈值进行比较;
步骤S32:记录每一次达到预定阈值时模板图像的帧号;
步骤S33:根据记录的帧号确定光斑图像序列和非光斑图像序列的位置。
本发明的另一实施例中还公开了一种图像背景分割系统,所述系统包括
读取单元,用于读取图像队列,并将图像队列中第一帧图像作为模板进行存储;
匹配单元,用于依次将模板图像与目标图像进行匹配,计算相关系数,其中,模板图像为目标图像的前一帧图像;
第一计算单元,用于根据相关系数确定光斑图像序列和非光斑图像序列;
第二计算单元,以非光斑图像序列为背景分割光斑图像序列的前景部分和背景部分。
本发明的另一实施例中还公开了一种计算机可读存储介质,介质上存有计算机程序,计算机程序运行后执行上述任一实施例中所述的图像背景分割方法。
本发明的另一实施例中还公开了一种计算机设备,包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行上述任一实施例中所述的图像背景分割方法。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种图像背景分割方法,其特征在于,
所述分割方法包括以下步骤:
步骤S1:读取图像队列,并将图像队列中第一帧图像作为模板图像进行存储;
步骤S2:依次将模板图像与目标图像进行匹配,计算相关系数,其中,模板图像为目标图像的前一帧图像;
步骤S3:根据相关系数确定光斑图像序列和非光斑图像序列的位置;
步骤S4:以非光斑图像序列为背景分割光斑图像序列的前景部分和背景部分。
2.根据权利要求1所述的图像背景分割方法,其特征在于,
步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21A:分别获取模板图像和目标图像的分布直方图;
步骤S22A:根据所述分布直方图采用巴氏距离的计算方法计算模板图像和目标图像之间的相关系数。
3.根据权利要求1所述的图像背景分割方法,其特征在于,
步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21B:计算模板图像和目标图像的均方误差;
步骤S22B:通过均方误差值的大小来确定目标图像和模板图像之间的相关系数。
4.根据权利要求1所述的图像背景分割方法,其特征在于,
步骤S2中所述计算相关系数具体包括以下步骤:
步骤S21C:分别计算模板图像和目标图像的均值、标准差和协方差;
步骤S22C:根据模板图像和目标图像的均值、标准差和协方差获取模板图像和目标图像之间的相关系数。
6.根据权利要求1所述的图像背景分割方法,其特征在于,
步骤S3具体包括以下步骤:
步骤S31:将每一个相关系数与预定阈值进行比较;
步骤S32:记录每一次达到预定阈值时模板图像的帧号;
步骤S33:根据记录的帧号确定光斑图像序列和非光斑图像序列的位置。
7.一种图像背景分割系统,其特征在于,
所述系统包括
读取单元,用于读取图像队列,并将图像队列中第一帧图像作为模板进行存储;
匹配单元,用于依次将模板图像与目标图像进行匹配,计算相关系数,其中,模板图像为目标图像的前一帧图像;
第一计算单元,用于根据相关系数确定光斑图像序列和非光斑图像序列;
第二计算单元,以非光斑图像序列为背景分割光斑图像序列的前景部分和背景部分。
8.一种计算机可读存储介质,其特征在于,介质上存有计算机程序,计算机程序运行后执行如权利要求1至6中任一项所述的图像背景分割方法。
9.一种计算机设备,其特征在于,包括处理器、存储介质,存储介质上存有计算机程序,处理器从存储介质上读取并运行计算机程序以执行如权利要求1至6中任一项所述的图像背景分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182792.3A CN114596437A (zh) | 2022-02-25 | 2022-02-25 | 一种图像背景分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210182792.3A CN114596437A (zh) | 2022-02-25 | 2022-02-25 | 一种图像背景分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596437A true CN114596437A (zh) | 2022-06-07 |
Family
ID=81815413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210182792.3A Pending CN114596437A (zh) | 2022-02-25 | 2022-02-25 | 一种图像背景分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596437A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704015A (zh) * | 2023-08-07 | 2023-09-05 | 中国科学院合肥物质科学研究院 | 一种噪声光斑图像自适应窗口预处理质心算法及系统 |
-
2022
- 2022-02-25 CN CN202210182792.3A patent/CN114596437A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116704015A (zh) * | 2023-08-07 | 2023-09-05 | 中国科学院合肥物质科学研究院 | 一种噪声光斑图像自适应窗口预处理质心算法及系统 |
CN116704015B (zh) * | 2023-08-07 | 2023-11-14 | 中国科学院合肥物质科学研究院 | 一种实现噪声光斑图像自适应窗口预处理质心方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2479726B9 (en) | Image comparison system and image comparison method | |
US20130155235A1 (en) | Image processing method | |
CN108229475B (zh) | 车辆跟踪方法、系统、计算机设备及可读存储介质 | |
CN108470356B (zh) | 一种基于双目视觉的目标对象快速测距方法 | |
US20070269080A1 (en) | Object Pose Estimation and Comparison System, Object Pose Estimation and Comparison Method, and Program Therefor | |
CN111811784A (zh) | 激光光斑中心坐标确定方法、装置及设备 | |
CN108197604A (zh) | 基于嵌入式设备的快速人脸定位跟踪方法 | |
CN114677554A (zh) | 一种基于YOLOv5与Deepsort的统计滤波红外小目标检测跟踪方法 | |
CN112361990B (zh) | 激光图案提取方法、装置、激光测量设备和系统 | |
CN111612846A (zh) | 基于U-net CNN图像识别和像素标定的混凝土裂缝宽度测定方法 | |
CN113176270B (zh) | 一种调光方法、装置及设备 | |
CN112598655A (zh) | 一种能见度检测方法及设备 | |
CN111401387A (zh) | 异常样本构建方法、装置、计算机设备和存储介质 | |
CN114596437A (zh) | 一种图像背景分割方法及系统 | |
CN117911408B (zh) | 一种道路路面施工质量检测方法及系统 | |
JP2011165170A (ja) | 対象物検出装置及びプログラム | |
CN111723656A (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN111476314B (zh) | 一种融合光流算法与深度学习的模糊视频检测方法 | |
CN110310239B (zh) | 一种基于特性值拟合消除光照影响的图像处理方法 | |
CN115205317B (zh) | 一种桥梁监测光电标靶图像光斑中心点提取方法 | |
CN113834447B (zh) | 一种户外复杂环境下高动态激光光条自适应成像处理方法 | |
CN114820707A (zh) | 一种用于摄像头目标自动追踪的计算方法 | |
CN111473944B (zh) | 观测流场中存在复杂壁面的piv数据修正方法、装置 | |
CN114140428A (zh) | 基于YOLOv5的落叶松毛虫虫害检测识别方法及系统 | |
CN112132767A (zh) | 一种基于计算机视觉的太阳能电池板阴影处理方法 |
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 |