CN114627127B - 一种干涉图像的骨架提取后去毛刺优化方法 - Google Patents
一种干涉图像的骨架提取后去毛刺优化方法 Download PDFInfo
- Publication number
- CN114627127B CN114627127B CN202210533012.5A CN202210533012A CN114627127B CN 114627127 B CN114627127 B CN 114627127B CN 202210533012 A CN202210533012 A CN 202210533012A CN 114627127 B CN114627127 B CN 114627127B
- Authority
- CN
- China
- Prior art keywords
- skeleton
- pixel
- image
- bright
- burr
- 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 42
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims description 10
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 17
- 230000003287 optical effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 101100379081 Emericella variicolor andC gene Proteins 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种干涉图像的骨架提取后去毛刺优化方法,步骤包括:对经二值化处理的单像素干涉图像骨架进行处理得到由明暗区分出单像素轮廓和单像素干涉图像骨架;再进一步处理了得到骨架差异化外轮廓;最后对骨架差异化外轮廓进行消除毛刺处理。本方法基于在衍射图像的单像素骨架中,存在两类骨架,分别是明纹骨架和需要去除的毛刺骨架;对于明纹骨架,它的两侧轮廓来源于不同的条纹,而毛刺骨架的轮廓则来源于同一条纹。若能将两侧轮廓差异化,则可以根据这一特性将明纹骨架和毛刺区分开,得以去除毛刺,保留明纹骨架。本方法采用矩阵整体操作,在效率上比传统算法使用的遍历图像优化操作有极大提升。
Description
技术领域
本发明创造属于计算机视觉技术领域,具体是一种干涉图像的骨架提取后去毛刺优化方法。
背景技术
波在穿过小孔,缝隙等障碍物后,会偏离传统认知中光的直线传播定律,发生或多或少程度的弯散传播,在物理学上称为衍射(或干涉)。衍射是光的波动性的重要特征之一,通常表现为光场的强度在空间内呈现出较为稳定的明暗相间条纹分布状况。
在光学测量中,衍射图测量是一种常用的测量方法。可以利用该方法,通过观察衍射图像来了解光学试样上下表面情况,从而判定所测光学试样表面平整度等质量要求。
对衍射图像的判读,传统做法是按照美国材料与实验协会(American Society ofTesting Materials,ASTM)的标准,人工利用一把尺子和一支铅笔测量,该方法便捷有效,但是在工业产能逐步增大的今天,却需要耗费巨大的人力资源,并且精准度难以得到保障。在计算机技术高速发展的背景下,应用计算机视觉技术进行光学检测已经成为更好的选择。通过对干涉图像进行一系列图像处理,在高精度要求下,快速从干涉条纹中获取条纹圆心,条纹直径等信息对于光学测量行业有重大意义。
目前传统计算机视觉理论发展已经趋于平缓,对于图像处理的研究已经较为成熟,在应用层面也较为广阔。
现有技术对于干涉图像的处理有很多种方案,但是它们的中心思想大致相同,即从已有的单幅干涉图像中确定每一条干涉明条纹或暗条纹的中心位置。目前最为普遍的是相移法和中心线法。其中相移法抗噪声性能较弱,需要多幅图片进行处理,但是算法效率较高。中心线法计算耗时略长,而精准度较高。
干涉图像处理过程大致为:先读取图片,再对图片进行预处理,然后对预处理图像进行二值化处理,接着进行骨架提取,再优化条纹(即为去毛刺),然后拟合圆心及半径。
图像的预处理部分是针对图像光照不均,辨识度不高,对比度低等问题做出的前期处理工作。通常采用的方法是直方图均衡化,直方图规定化,对比度动态调整线性展宽,去相关拉伸等。在调整后对比度后,分析图像噪点,选取合适的滤波模板进行初步滤波。
图像二值化通常是确定一个阈值来进行图像分割。阈值的选取有状态法、可变阈值法、判断分析法、最大方差阈值法(OTSU)等。
获得二值化图像后提取条纹骨架,即对条纹进行细化、去毛刺。细化最基本、最主要的任务是将二值化的黑白条纹变细,把原来较宽的条纹线剥离成条纹中心的单像素点的连线。目前条纹细化算法有很多, 比较常用的是Hilditch算法、模板匹配算法、稀疏算法等。
通常来说,条纹优化采取端点删除算法即可实现,半径拟合则采取最小二乘法拟合。
以上干涉图像处理过程中,条纹细化后的优化操作(即骨架去毛刺)算法的遍历操作效果差,造成时间较长。
发明内容
针对现有技术中存在的上述问题,本发明提出一种干涉图像的骨架提取后去毛刺优化方法。采用本方法对二值化处理后的单像素骨架进行优化去毛刺。
本方法的设计思路为:在衍射图像的单像素骨架中,存在两类骨架,分别是明纹骨架和需要去除的毛刺骨架。对于明纹骨架,它的两侧轮廓来源于不同的条纹,而毛刺骨架的轮廓则来源于同一条纹。若能将两侧轮廓差异化,则可以根据这一特性将明纹骨架和毛刺区分开,得以去除毛刺,保留明纹骨架。
一种干涉图像的骨架提取后去毛刺优化方法,对于经二值化处理的单像素干涉图像骨架,采用如下步骤进行处理:
1)二值化处理后的单像素干涉图像骨架(如图2)进行向上、向下、向左、向右移动一个像素最终得到四幅图像;
将四个移动后得到的图像相加得到二值化处理的单像素干涉图像骨架的单像素扩展轮廓,如图3;如图4所示,其中灰色部分为单像素轮廓,中心亮白处为二值化处理的单像素干涉图像骨架;
2)对步骤1)得到骨架轮廓图像中的完整明环骨架,将骨架外侧单像素轮廓和内侧单像素轮廓分别赋以不同的值;
对图像中的不完整弧形骨架,以骨架的两端为边界,边界上侧像素与下侧像素分别赋以不同的值区分骨架的上、下轮廓;
通过上述方法,完整明环骨架与不完整弧形骨架实现骨架轮廓差异化,得到骨架差异化外轮廓;
3)对于步骤2)中的由骨架差异化外轮廓,进行消除毛刺处理:
设差异化之后的骨架的上、下轮廓像素值分别为a和b,a与b均为正整数;
将骨架差异化外轮廓向上、向下、向左、向右分别移动一个像素和两个像素,一共得到8幅移动后的图像;
然后将8幅图像叠加,分析所得图像的二值化处理的单像素干涉图像骨架的毛刺和明纹骨架位置上的像素值,其中:
毛刺像素值有10种情况:
明纹骨架像素值有11种情况:
通过如下算法,使得毛刺和明纹骨架像素值出现差异并通过差异实现毛刺消除:
设毛刺像素值为X i (i=1,2,3…10),明纹骨架像素值为Y i (i=1,2,3…11)。使X i 与Y i 中的所有元素对正整数C取余,使满足Y i 中的每个元素均不等于0,X i 中的所有元素均等于0,从而差异化毛刺像素值与明纹骨架像素值。
经过检验,不存在合适的正整数a、b、C可以差异化毛刺像素值与明纹骨架像素值。因此本方案,采用两次取余法进行差异化毛刺像素值与明纹骨架像素值。
如上述,使X i 与Y i 中的所有元素对正整数C 1 取余,使满足Y i 中的每个元素均不等于0,X i 中的部分元素M i 元素均等于0,使得部分毛刺像素值与明纹骨架像素值差异化。将处理结果的图像与原二值化处理的单像素干涉图像骨架图像点乘,由X i 中的部分元素M i 元素均等于0,即可消除部分毛刺。
然后,使X i 与Y i 中的所有元素对正整数C 2 取余,使满足Y i 中的每个元素均不等于0,X i 中的剩余部分元素N i 元素均等于0。使得剩余部分毛刺像素值与明纹骨架像素值差异化。最后,将两部分差异化明纹做后续处理即可实现对全体毛刺像素的消除。将处理结果的图像与原二值化处理的单像素干涉图像骨架图像点乘,由X i 中的部分元素M i 元素均等于0,即可消除剩余部分毛刺。
选择合适的a、b和C的值,以对毛刺的快速去除:
经过计算机程序实验,采用如下a、b和C(第一次筛选时候,C为C 1 ;第二次筛选时候,C为C 2 );值最小,且能满足要求1中的条件,达到去毛刺效果。
采用两次筛选:
当a=7,b=12,C 1 =6时,筛选的如图17所示,图中白色部分为取值为0 的部分毛刺位置;
当a=7,b=12,C 2 =7时,筛选的如图18所示,图中白色部分为取值为0 的剩余全部毛刺;
将原图像分别与两次筛选得到的毛刺图像做点乘操作,即可消除毛刺图像。
所述步骤1)中,单像素骨架扩展为三个像素宽度的骨架;然后使用OpenCV的findContours函数提取轮廓。
相较于传统方法,本方法采用矩阵整体操作,在效率上比传统算法使用的遍历图像优化操作有极大提升。
附图说明
图1是采用本方法的干涉图像处理过程示意图;
图2是二值化处理后的单像素干涉图像骨架;
图3是四个移动后得到的图像相加得到单像素干涉图像骨架的单像素扩展轮廓;
图4是骨架轮廓图像;
图5是移动后毛刺像素值为2a或2b的毛刺和异化外轮廓分布;
图6是移动后毛刺像素值为3a或3b的毛刺和异化外轮廓分布;
图7是移动后毛刺像素值为4a或4b的毛刺和异化外轮廓分布;
图8是移动后毛刺像素值为5a或5b的毛刺和异化外轮廓分布;
图9是移动后毛刺像素值为6a或6b的毛刺和异化外轮廓分布;
图10是移动后明纹骨架像素值为a+b的明纹和异化外轮廓分布;
图11是移动后明纹骨架像素值为a+2b的明纹和异化外轮廓分布;
图12是移动后明纹骨架像素值为a+3b的明纹和异化外轮廓分布;
图13是移动后明纹骨架像素值为2a+2b的明纹和异化外轮廓分布;
图14是移动后明纹骨架像素值为2a+3b的明纹和异化外轮廓分布;
图15是移动后明纹骨架像素值为2a+4b的明纹和异化外轮廓分布;
图16是移动后明纹骨架像素值为3a+3b的明纹和异化外轮廓分布;
图17是实施例的第一次筛选所得图像;
图18是实施例的第二次筛选所得图像;
图19是原图像;
图20是去毛刺得到的最终图像。
具体实施方式
下面结合附图与具体实施方式对本发明进一步说明。
参考图1,在干涉图形处理过程中,先读取图片,再对图像依次进行预处理和二值化处理,然后对获得得的二值化图像提取条纹骨架,最后采用本发明的去毛刺优化方法进行去毛刺处理。
本方法对经骨架提取得到衍射圆环的单像素轮廓,基于衍射圆环与毛刺的轮廓特点,进行以下步骤处理来消除图像毛刺:
1)单像素骨架扩展
由于OpenCV中的轮廓提取findContours函数会将图像最外圈像素覆盖住,无法直接应用于单像素骨架的提取,所以需要先将单像素骨架扩展为三个像素宽度的骨架,接着使用findContours函数提取轮廓,如图2~图4所示。
扩展方法为:
将单像素骨架原图(如图2)分别向左、向右、向上、向下移动一个单位像素,而后将四个图像移动图像的上限相加。将四个移动后得到的图像相加得到二值化处理的单像素干涉图像骨架的单像素扩展轮廓,如图3;如图4所示,其中灰色部分为单像素轮廓,中心亮白处为二值化处理的单像素干涉图像骨架。
该方法相较于直观的膨胀算法而言,膨胀算法在分叉根部位置会出现过度扩展的现象,而使用本方法,则可以获得严格的三像素宽度的骨架图像,经轮廓提取覆盖外圈像素后,中心骨架仍然是单像素,有助于后续处理。
2)差异化骨架轮廓
对于图像中的完整明环骨架,则直接将外侧轮廓和内侧轮廓分别赋以不同的值。
对于图像中的不完整明环骨架,则以骨架的两端为边界,边界上侧像素与下侧像素分别赋以不同的值,实现骨架的差异化。
3)图像抖动消除毛刺
消除毛刺的重点在于通过轮廓区分明纹骨架和毛刺。
设骨架差异化之后,上下轮廓像素值分别为a和b,将无骨架、纯轮廓图像分别向上、下、左、右移动一格和两格,一共得到8幅移动图像,然后将8幅图像相加,分析所得图像的毛刺和明纹骨架的像素值,其中:
毛刺像素值总结为10种情况:
图像演示如图5~图9。
图5~图9是为了说明移动前毛刺两侧的差异化轮廓值是相同的,故输出其分布情况。因为不同位置的毛刺,在移动后叠加其位置上的像素有不同的情况(10种)。图中列出五种分布情况,另外五种相同仅外轮廓数值不同。
明纹骨架像素值总结为11种情况:
图像演示如图10~图16(这里仅展示7种情况,另外4种情况将a+2b、a+3b、2a+3b、2a+4b中的像素值a与b互换即可得到)。图10~图16用来说明像素扩展后明纹两侧不同像素值分布情况:
将相加后的图像对C取余,使明纹骨架和毛刺取余后的像素值不相同,根据像素值单独将毛刺去除,最后与原单像素骨架图像做点乘操作,得到无毛刺图像。
则选择合适的a、b和C的值,即可实现对毛刺的快速去除。
经过计算发现,不存在500以内a、b、C的取值可以满足要求,而经过计算机程序实验,采用如下a,b,C(C 1 、C 2 )值最小,且能满足要求1中的条件,达到去毛刺效果。
于是本方法选择两次筛选:
①当a=7,b=12,C 1 =6时,筛选的如图17所示,图中白色部分为取值为0 的部分毛刺位置;
②当a=7,b=12,C 2 =7时,筛选的如图18所示,图中白色部分为取值为0 的剩余全部毛刺;
将如图19的原图像利用上述步骤消除图17和图18的两个毛刺图像即可得到图20的最终去毛刺图像。
Claims (4)
1.一种干涉图像的骨架提取后去毛刺优化方法,其特征是对于经二值化处理的单像素干涉图像骨架,采用如下步骤进行处理:
1)二值化处理后的单像素干涉图像骨架分别进行向上、向下、向左、向右移动一个像素,得到四幅图像;将四幅图像叠加扩展得到所述单像素干涉图像骨架的单像素轮廓;
最终得到的骨架轮廓图像中,由明暗区分出单像素轮廓和单像素干涉图像骨架;
2)对步骤1)得到骨架轮廓图像中的完整明环骨架,将骨架外侧单像素轮廓和内侧单像素轮廓分别赋以不同的值;
对图像中的不完整弧形骨架,以骨架的两端为边界,边界上侧像素与下侧像素分别赋以不同的值区分骨架的上、下轮廓,
最终,实现完整明环骨架与不完整弧形骨架的骨架轮廓差异化,得到骨架差异化外轮廓;
3)对步骤2)得到的骨架差异化外轮廓,进行消除毛刺处理:
设差异化之后的骨架的上、下轮廓像素值分别为a和b,a与b均为正整数;
将无骨架的纯轮廓图像分别向上、下、左、右分别移动一个像素和两个像素,一共得到8幅移动后的图像;
然后将8幅图像叠加,分析所得图像的二值化处理的单像素干涉图像骨架的毛刺和明纹骨架位置上的像素值,其中:
毛刺像素值有10种情况:
明纹骨架像素值有11种情况:
通过如下算法,使得毛刺和明纹骨架像素值出现差异,并通过差异实现毛刺消除:
设毛刺像素值为X i ,i是自然数1~10;明纹骨架像素值为Y i ,i是自然数1~11;使X i 与Y i 中的所有元素对正整数C取余,使满足Y i 中的每个元素均不等于0,X i 中的所有元素均等于0,从而差异化毛刺像素值与明纹骨架像素值。
2.根据权利要求1所述的干涉图像的骨架提取后去毛刺优化方法,其特征是所述步骤3)中,采用两次取余法进行差异化毛刺像素值与明纹骨架像素值:
3.1)第一次筛选:
使X i 与Y i 中的所有元素对正整数C 1 取余,使满足Y i 中的每个元素均不等于0,X i 中的部分元素M i 元素均等于0,使得部分毛刺像素值与明纹骨架像素值差异化;
将处理结果的图像与原二值化处理的单像素干涉图像骨架图像点乘,由X i 中的部分元素M i 元素均等于0,即消除部分毛刺;
3.2)第二次筛选:
使X i 与Y i 中的所有元素对正整数C 2 取余,使满足Y i 中的每个元素均不等于0,X i 中的剩余部分元素N i 元素均等于0;使得剩余部分毛刺像素值与明纹骨架像素值差异化;
3.3)步骤3.1)和3.2)得到的差异化明纹做后续处理即对全体毛刺像素的消除:
将处理得到的图像与原二值化处理的单像素干涉图像骨架图像点乘,由X i 中的部分元素M i 元素均等于0,即消除剩余部分毛刺。
3.根据权利要求2所述的干涉图像的骨架提取后去毛刺优化方法,其特征是所述步骤3)中,选择合适的a、b和C的值,以对毛刺的快速去除:
步骤3.1)中,a=7,b=12,C 1 =6;
步骤3.2)中,a=7,b=12,C 2 =7;
将原图像分别与两次筛选得到的毛刺图像做点乘操作,即消除毛刺图像,得到最终去毛刺图像。
4.根据权利要求1所述的干涉图像的骨架提取后去毛刺优化方法,其特征是所述步骤1)中,单像素骨架扩展为三个像素宽度的骨架;然后使用OpenCV的findContours函数提取轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533012.5A CN114627127B (zh) | 2022-05-17 | 2022-05-17 | 一种干涉图像的骨架提取后去毛刺优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533012.5A CN114627127B (zh) | 2022-05-17 | 2022-05-17 | 一种干涉图像的骨架提取后去毛刺优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627127A CN114627127A (zh) | 2022-06-14 |
CN114627127B true CN114627127B (zh) | 2022-07-15 |
Family
ID=81907122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210533012.5A Active CN114627127B (zh) | 2022-05-17 | 2022-05-17 | 一种干涉图像的骨架提取后去毛刺优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627127B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862017A (zh) * | 2020-07-09 | 2020-10-30 | 昆明理工大学 | 一种基于骨架提取的人体非线性变换算法 |
CN112712273A (zh) * | 2020-12-30 | 2021-04-27 | 首都师范大学 | 一种基于骨架相似度的手写体汉字美观度评判方法 |
CN113838045A (zh) * | 2021-09-30 | 2021-12-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种改进骨刺去除算法的pcb覆铜线路骨架轮廓提取方法 |
-
2022
- 2022-05-17 CN CN202210533012.5A patent/CN114627127B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862017A (zh) * | 2020-07-09 | 2020-10-30 | 昆明理工大学 | 一种基于骨架提取的人体非线性变换算法 |
CN112712273A (zh) * | 2020-12-30 | 2021-04-27 | 首都师范大学 | 一种基于骨架相似度的手写体汉字美观度评判方法 |
CN113838045A (zh) * | 2021-09-30 | 2021-12-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种改进骨刺去除算法的pcb覆铜线路骨架轮廓提取方法 |
Non-Patent Citations (2)
Title |
---|
基于OpenCV的迈克尔逊干涉圆环衍射图像处理系统;孙克璇 等;《信息与电脑(理论版)》;20220315;全文 * |
基于干涉条纹骨架的毛刺去除算法;梅启升等;《应用光学》;20200315(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114627127A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650770B (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN114972357B (zh) | 一种基于图像处理的轧辊表面缺陷检测方法及系统 | |
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
Shafarenko et al. | Histogram-based segmentation in a perceptually uniform color space | |
CN105096259B (zh) | 深度图像的深度值恢复方法和系统 | |
US6983065B1 (en) | Method for extracting features from an image using oriented filters | |
CN115294158A (zh) | 一种基于机器视觉的热连轧带钢图像分割方法 | |
US7925073B2 (en) | Multiple optical input inspection system | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN112330628A (zh) | 一种金属工件表面缺陷图像检测方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN116030055B (zh) | 一种电梯相关配件质量检测方法 | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN115619793A (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN113658154A (zh) | 一种基于频域周期性纹理去除的图像检测方法及装置 | |
CN109166092A (zh) | 一种图像缺陷检测方法及系统 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN113643271A (zh) | 一种基于频域滤波的图像瑕疵检测方法及装置 | |
CN113989542A (zh) | 一种基于多分辨率特征融合的纹理图像疵点分类系统及方法 |
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 |