CN114677525A - 一种基于二值图像处理的边缘检测方法 - Google Patents
一种基于二值图像处理的边缘检测方法 Download PDFInfo
- Publication number
- CN114677525A CN114677525A CN202210408191.XA CN202210408191A CN114677525A CN 114677525 A CN114677525 A CN 114677525A CN 202210408191 A CN202210408191 A CN 202210408191A CN 114677525 A CN114677525 A CN 114677525A
- Authority
- CN
- China
- Prior art keywords
- image
- outline
- target
- processing
- connected domain
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003708 edge detection Methods 0.000 title claims abstract description 25
- 230000000877 morphologic effect Effects 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000006231 channel black Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 5
- 238000000926 separation method Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于二值图像处理的边缘检测方法，涉及基于计算机视觉的图像处理算法技术领域。该基于二值图像处理的边缘检测方法，包括以下步骤：步骤1：图像灰度化；步骤2：滤波去噪；步骤3：图像二值化；步骤4：构造目标连通域；步骤4.1：检测二值图像中所有的轮廓信息；步骤4.2：自定义去噪；步骤4.3：构造目标连通域；步骤5：提取边缘轮廓。通过将图像处理为二值化图像的基础上，采用形态学处理，通过卷积核在合适范围内的迭代增加，实现目标轮廓的连通，并将包含目标物的像素值填充为阈值上限，提高了目标选择的准确性，能够有效区分信噪，基本实现目标与背景的完全分离，同时又能够在误差允许的范围内保证轮廓的完整性。
Description
技术领域
本发明涉及基于计算机视觉的图像处理算法技术领域，具体为一种基于二值图像处理的边缘检测方法。
背景技术
计算机视觉(computer vision)是使用计算机代替大脑进行图像的处理与分析的一种技术，其研究目的是使计算机具备类似人眼的功能，对动态的环境能够自主感知、识别与分析，从而广泛地进入医学、交通、生物学研究等各领域，代替人工、解放人力，提高效率与准确性，实现自动化、智能化。
边缘检测(edge detection)是利用计算机视觉技术处理图像的一种具体方法，其原理是标识数字图像中亮度变化明显的像素点。图像中像素的显著变化通常反映了图像的重要特征，如检测目标的形态信息、纹理信息等，因此边缘检测被广泛应用于计算机视觉和图像处理方面的研究中，尤其是对检测目标特征提取的研究。通过边缘检测算法处理图像，能够大幅减少图像的数据量，剔除认为与研究不相关的信息，保留图像重要的结构属性。
传统的边缘检测算子中，Canny边缘检测算子是最常用的边缘检测方法。它是1986年John F.Canny开发出来的一种多级边缘检测算法，通过对图像进行灰度化、高斯滤波、计算梯度的幅值与方向、梯度幅值的非极大值抑制以及选择双阈值连接边缘五个步骤实现图像的边缘检测，具有低错误率、高定位性、最小响应的优点。相比普通的梯度算法，Canny算子能够有效抑制噪声引起的伪边缘，并实现边缘细化，被认为是边缘检测的一种标准算法，在众多领域中应用广泛。
由于Canny算子具有低错误率的特性，要求算法标识出尽可能多的边缘信息，因此在应用中，Canny算子往往无可避免会检测产生与研究不相关的冗余边缘信息，包括图像背景环境中的噪声、图像中检测目标的纹理信息等。因此对于阈值的把控要求很高，极易使提取到的目标轮廓产生缺损。这将导致基于Canny算子处理所得图像的研究产生误差，同时也限制了利用计算机视觉技术进行研究的范围。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于二值图像处理的边缘检测方法，解决了传统的角质颚等生物形态研究中，利用人工测量的耗时耗力并存在主观误差的问题。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于二值图像处理的边缘检测方法，包括以下步骤：
步骤1：图像灰度化
通过彩色图像提取像素点，像素点通过(x,y)表示，对彩色图像中每个像素点(x,y)的三个颜色分量R(x,y)、G(x,y)、B(x,y)分别按照0.2989、0.5870、0.1140的比例加权计算，得到该像素在灰度图像中的灰度值Gray(x,y)，Gray(x,y)＝0.1140×B(x,y)+0.5870×G(x,y)+0.2989×R(x,y)；
步骤2：滤波去噪
采用双边滤波对图像作去噪处理；
步骤3：图像二值化
采用全局性阈值的自适应阈值方法对灰度图像作二值化处理，为图像中每一个像素点根据其邻域内的亮度分布单独计算阈值；
步骤4：构造目标连通域
具体包括如下步骤：
步骤4.1：检测二值图像中所有的轮廓信息
使用轮廓检测函数采集二值图像中的轮廓信息，采用树形结构输出的检索模式，保存检测到的所有轮廓信息，而不能够只检测最外侧轮廓，避免目标轮廓存在不连通的情况；
步骤4.2：自定义去噪
根据样本在图像中占据的像素比例，设定一个值m，将包含少于m个像素点的轮廓作为噪音从轮廓集中删除，在删除了被认为是噪音的轮廓后，使用轮廓绘制函数，在新建的单通道的黑色幕布中绘制并填充经过筛查的轮廓集；
步骤4.3：构造目标连通域
结合形态学技术处理图像，构造目标连通域；对所得图像采用一个较小的结构元素作一次形态学闭运算处理，得到一次处理的样本图像后，再次通过轮廓检测函数检索图像中样本轮廓，如果得到的轮廓集中轮廓数量等于1，则表示已构造得到了目标连通域，直接执行步骤5；如果轮廓数量大于1，理论上说明样本轮廓图像仍然存在缺损，未形成连通域，对图像做进一步处理；
步骤5：提取边缘轮廓
得到目标连通域后，新建单通道黑色幕布，检测并使用轮廓绘制函数绘制出目标连通域的最长轮廓。
优选的，所述步骤4.3构造目标的连通域未形成，处理步骤为：
步骤4.3.1：按级迭代增加卷积核，对图像做形态学闭运算处理；
步骤4.3.2：检索图像中所有轮廓及轮廓数量；
步骤4.3.3：重复步骤4.3.1和步骤4.3.2直至轮廓数量为1。
优选的，为了避免图像中存在面积较大且距离目标较远的噪声连通域未被去除，也为了防止形态学处理过度造成图像变形严重，在执行步骤4.3.3时，应根据样本在图像中占据的像素比例，设定一个值n，确保该步骤的执行次数不超过n次。
(二)有益效果
本发明提供了一种基于二值图像处理的边缘检测方法。具备以下有益效果：
将图像处理为二值化图像的基础上，采用形态学处理，通过卷积核在合适范围内的迭代增加，实现目标轮廓的连通，并将包含目标物的像素值填充为阈值上限，提高了目标选择的准确性，能够有效区分信噪，基本实现目标与背景的完全分离，同时又能够在误差允许的范围内保证轮廓的完整性。方案在利用计算机视觉技术进行形态学研究等方面，可以得到广泛应用。
附图说明
图1为本发明的总流程图；
图2为本发明的构造目标连通域步骤的流程图；
图3为本发明的过程示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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1-3所示，本发明实施例提供一种基于二值图像处理的边缘检测方法，包括以下步骤：
步骤1：图像灰度化
通过彩色图像提取像素点，像素点通过Scr(x,y)表示，对彩色图像中每个像素点Src(x,y)的三个颜色分量R(x,y)、G(x,y)、B(x,y)分别按照0.2989、0.5870、0.1140的比例加权计算，得到该像素在灰度图像中的灰度值Gray(x,y)＝0.1140×B(x,y)+0.5870×G(x,y)+0.2989×R(x,y)，该步骤对图像矩阵进行了降维，既可以使后续滤波去噪等处理的运算速度得到大幅提高，又能够有效保留边缘检测所需要的梯度信息；
步骤2：滤波去噪
采用双边滤波对图像作去噪处理，双边滤波是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的，双边滤波器的好处是可以做边缘保存，一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显的模糊边缘，对于高频细节的保护效果并不明显，通过双边滤波对图像作去噪处理，既达到了过滤的目的，减少了图像噪音，增强了样本的可视特征；又结合其空间邻近度和像素值相似度作折中处理，同时考虑空域信息和灰度相似性两个因素，增强图像的高频波段、抑制低频波段，实现有效保存高频信息，过滤低频噪声，达到保边去噪的效果；
步骤3：图像二值化
实现图像的二值化处理有两种方法：固定阈值和自适应阈值。为了能够高效准确地实现图像的批量处理，使算法在形态研究方面具有普适性，本发明采用全局性阈值的自适应阈值方法对灰度图像作二值化处理，为图像中每一个像素点根据其邻域内的亮度分布单独计算阈值，实现了动态自适应调整属于每个像素点的阈值，使二值化结果更加精确。其中，自适应方法选择高斯加权均值，设置像素值上限maxValue为255，阈值类型选择黑白二值反转，将图像中的样本像素值处理为maxValue。当待处理的像素灰度值Scr(x,y)大于自适应阈值thresh时，将该像素值处理为0；当待处理的像素灰度值小于thresh时，将该像素值处理为maxValue，得到该像素的像素值dst(x,y)：
步骤4：构造目标连通域
基于二值化的图像效果，由于目标轮廓可能存在部分不连通的情况，且冗余轮廓信息主要出现在目标轮廓内部，由样本表面的纹理产生，还存在由拍摄环境造成的光斑等其他一些因素产生，因此，本发明设计算法，使图像中整个样本构成一个连通域，具体包括如下步骤：
步骤4.1：检测二值图像中所有的轮廓信息
使用轮廓检测函数采集二值图像中的轮廓信息，采用树形结构输出的检索模式，保存检测到的所有轮廓信息，而不能够只检测最外侧轮廓，避免目标轮廓存在不连通的情况，轮廓的近似方法选择CHAIN_APPROX_NONE，使连通的轮廓像素点保存在同一个列表且定义为一个轮廓；
步骤4.2：自定义去噪
根据样本在图像中占据的像素比例，选择一个值m，将包含少于m个像素点的轮廓作为噪音从轮廓集中删除，避免了目标轮廓附近的噪音对边缘连通产生负面影响，有效降低了后续形态学处理时轮廓的形变程度，在删除了被认为是噪音的轮廓后，使用轮廓绘制函数，在新建的单通道的黑色幕布中绘制并填充经过筛查的轮廓集；
步骤4.3：构造目标连通域
本发明结合形态学技术处理图像，构造目标连通域。对所得图像采用一个较小的结构元素作一次形态学闭运算处理，得到一次处理的样本图像后，再次通过轮廓检测函数检索图像中样本轮廓，如果得到的轮廓集中轮廓数量等于1，则表示已构造得到了目标连通域，直接执行步骤5；如果轮廓数量大于1，理论上说明样本轮廓图像仍然存在缺损，未形成连通域，对图像做进一步处理，包括如下步骤：
步骤4.3.1：按级迭代增加卷积核，对图像做形态学闭运算处理；
步骤4.3.2：检索图像中所有轮廓及轮廓数量；
步骤4.3.3：重复步骤4.3.1和步骤4.3.2直至轮廓数量为1。同时，为了避免图像中存在面积较大且距离目标较远的噪声连通域未被去除，也为了防止形态学处理过度造成图像变形严重，在执行该步骤时，应根据样本在图像中占据的像素比例，选择一个值n，确保该步骤的执行次数不超过n次。
步骤5：提取边缘轮廓
得到目标连通域后，新建单通道黑色幕布，检测并使用轮廓绘制函数绘制出目标连通域的最长轮廓。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于二值图像处理的边缘检测方法，其特征在于，包括以下步骤：
步骤1：图像灰度化
通过彩色图像提取像素点，像素点通过(x,y)表示，对彩色图像中每个像素点(x,y)的三个颜色分量R(x,y)、G(x,y)、B(x,y)分别按照0.2989、0.5870、0.1140的比例加权计算，得到该像素在灰度图像中的灰度值Gray(x,y)，Gray(x,y)＝0.1140×B(x,y)+0.5870×G(x,y)+0.2989×R(x,y)；
步骤2：滤波去噪
采用双边滤波对图像作去噪处理；
步骤3：图像二值化
采用全局性阈值的自适应阈值方法对灰度图像作二值化处理，为图像中每一个像素点根据其邻域内的亮度分布单独计算阈值；
步骤4：构造目标连通域
具体包括如下步骤：
步骤4.1：检测二值图像中所有的轮廓信息
使用轮廓检测函数采集二值图像中的轮廓信息，采用树形结构输出的检索模式，保存检测到的所有轮廓信息，而不能够只检测最外侧轮廓，避免目标轮廓存在不连通的情况；
步骤4.2：自定义去噪
根据样本在图像中占据的像素比例，设定一个值m，将包含少于m个像素点的轮廓作为噪音从轮廓集中删除，在删除了被认为是噪音的轮廓后，使用轮廓绘制函数，在新建的单通道的黑色幕布中绘制并填充经过筛查的轮廓集；
步骤4.3：构造目标连通域
结合形态学技术处理图像，构造目标连通域；对所得图像采用一个较小的结构元素作一次形态学闭运算处理，得到一次处理的样本图像后，再次通过轮廓检测函数检索图像中样本轮廓，如果得到的轮廓集中轮廓数量等于1，则表示已构造得到了目标连通域，直接执行步骤5；如果轮廓数量大于1，理论上说明样本轮廓图像仍然存在缺损，未形成连通域，对图像做进一步处理；
步骤5：提取边缘轮廓
得到目标连通域后，新建单通道黑色幕布，检测并使用轮廓绘制函数绘制出目标连通域的最长轮廓。
2.根据权利要求1所述的一种基于二值图像处理的边缘检测方法，其特征在于：所述步骤4.3构造目标的连通域未形成，处理步骤为：
步骤4.3.1：按级迭代增加卷积核，对图像做形态学闭运算处理；
步骤4.3.2：检索图像中所有轮廓及轮廓数量；
步骤4.3.3：重复步骤4.3.1和步骤4.3.2直至轮廓数量为1。
3.根据权利要求2所述的一种基于二值图像处理的边缘检测方法，其特征在于：为了避免图像中存在面积较大且距离目标较远的噪声连通域未被去除，也为了防止形态学处理过度造成图像变形严重，在执行步骤4.3.3时，应根据样本在图像中占据的像素比例，设定一个值n，确保该步骤的执行次数不超过n次。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210408191.XA CN114677525B (zh) | 2022-04-19 | 一种基于二值图像处理的边缘检测方法 | |
| ZA2022/05365A ZA202205365B (en) | 2022-04-19 | 2022-05-16 | An edge detection method based on binary image processing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210408191.XA CN114677525B (zh) | 2022-04-19 | 一种基于二值图像处理的边缘检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114677525A true CN114677525A (zh) | 2022-06-28 |
| CN114677525B CN114677525B (zh) | 2024-05-31 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542881A (zh) * | 2023-07-05 | 2023-08-04 | 电子科技大学成都学院 | 一种机器人视觉图像处理方法 |
| CN116563295A (zh) * | 2023-07-12 | 2023-08-08 | 无锡康贝电子设备有限公司 | 一种切削屑缠绕状态视觉检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090268973A1 (en) * | 2008-04-24 | 2009-10-29 | Peter Majewicz | Method And System Providing Edge Enhanced Image Binarization |
| US20140072219A1 (en) * | 2012-09-08 | 2014-03-13 | Konica Minolta Laboratory U.S.A., Inc. | Document image binarization and segmentation using image phase congruency |
| WO2015196616A1 (zh) * | 2014-06-23 | 2015-12-30 | 京东方科技集团股份有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
| CN107169977A (zh) * | 2017-04-24 | 2017-09-15 | 华南理工大学 | 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法 |
| CN111985329A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
| CN112132849A (zh) * | 2020-09-16 | 2020-12-25 | 天津大学 | 一种基于Canny边缘检测的空间非合作目标角点提取方法 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090268973A1 (en) * | 2008-04-24 | 2009-10-29 | Peter Majewicz | Method And System Providing Edge Enhanced Image Binarization |
| US20140072219A1 (en) * | 2012-09-08 | 2014-03-13 | Konica Minolta Laboratory U.S.A., Inc. | Document image binarization and segmentation using image phase congruency |
| WO2015196616A1 (zh) * | 2014-06-23 | 2015-12-30 | 京东方科技集团股份有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
| CN107169977A (zh) * | 2017-04-24 | 2017-09-15 | 华南理工大学 | 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法 |
| CN111985329A (zh) * | 2020-07-16 | 2020-11-24 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
| CN112132849A (zh) * | 2020-09-16 | 2020-12-25 | 天津大学 | 一种基于Canny边缘检测的空间非合作目标角点提取方法 |
Non-Patent Citations (6)
| Title |
|---|
| MANISHA: "Tumor region extraction using edge detection method in brain MRI images", 《2017 INTERNATIONAL CONFERENCE ON CIRCUIT , POWER AND COMPUTING TECHNOLOGIES (ICCPCT)》, 19 October 2017 (2017-10-19) * |
| 欧利国: "基于计算机视觉的3种金枪鱼属鱼类形态指标自动测量研究", 《海洋学报》, 15 November 2021 (2021-11-15) * |
| 王涛;徐娅萍;亢海龙;: "结合Canny算子的图像二值化方法", 微型电脑应用, no. 02, 20 February 2010 (2010-02-20) * |
| 赵芳;周旺辉;陈岳涛;彭红春;: "改进的Canny算子在裂缝检测中的应用", 电子测量技术, no. 20, 23 October 2018 (2018-10-23) * |
| 辛玉欣;王传洋;: "一种基于Canny算子的图像边缘检测方法", 信息与电脑(理论版), no. 18, 23 September 2017 (2017-09-23) * |
| 陈鑫元;李筠;杨海马;宋佳;邵璐先;: "自适应阈值图像二值化及形态学处理的FPGA实现", 电子测量技术, no. 07, 15 July 2016 (2016-07-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542881A (zh) * | 2023-07-05 | 2023-08-04 | 电子科技大学成都学院 | 一种机器人视觉图像处理方法 |
| CN116563295A (zh) * | 2023-07-12 | 2023-08-08 | 无锡康贝电子设备有限公司 | 一种切削屑缠绕状态视觉检测方法 |
| CN116563295B (zh) * | 2023-07-12 | 2023-09-01 | 无锡康贝电子设备有限公司 | 一种切削屑缠绕状态视觉检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202205365B (en) | 2022-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
| CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| CN102156996B (zh) | 一种图像边缘检测的方法 | |
| 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 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN113298777A (zh) | 一种基于颜色特征和超像素聚类的棉花叶枯病检测方法及系统 | |
| CN107146231B (zh) | 视网膜图像出血区域分割方法、装置和计算设备 | |
| CN116805316B (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
| Li et al. | A salt & pepper noise filter based on local and global image information | |
| CN115147710A (zh) | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 | |
| CN114972339B (zh) | 用于推土机结构件生产异常检测的数据增强系统 | |
| CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
| CN113192059A (zh) | 一种红外遥感图像在轨舰船检测方法 | |
| CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
| Liu et al. | Research on improved Canny edge detection algorithm | |
| CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
| CN110930330B (zh) | 一种基于图像分割和区域增长的椒盐噪声降噪算法 | |
| CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
| CN114677525A (zh) | 一种基于二值图像处理的边缘检测方法 | |
| CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
| CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
| CN113781515A (zh) | 细胞图像分割方法、装置和计算机可读存储介质 | |
| CN112541471A (zh) | 一种基于多特征融合的遮挡目标识别方法 | |
| Huang et al. | Single image dehazing via color balancing and quad-decomposition atmospheric light estimation | |
| Xiao et al. | Underwater image classification based on image enhancement and information quality evaluation |
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 |