CN114742849B - 一种基于图像增强的水准仪距离测量方法 - Google Patents
一种基于图像增强的水准仪距离测量方法 Download PDFInfo
- Publication number
- CN114742849B CN114742849B CN202210649112.4A CN202210649112A CN114742849B CN 114742849 B CN114742849 B CN 114742849B CN 202210649112 A CN202210649112 A CN 202210649112A CN 114742849 B CN114742849 B CN 114742849B
- Authority
- CN
- China
- Prior art keywords
- image
- grid
- processed
- bar code
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 230000004069 differentiation Effects 0.000 claims abstract description 41
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G06T5/94—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Abstract
本发明公开了一种基于图像增强的水准仪距离测量方法,涉及人工智能领域。包括:S1:利用水准仪采集条码标尺图像;S2:对条码标尺图像进行网格分割得到待处理网格图像;S3:根据每个待处理网格图像的灰度方差计算每个待处理网格图像的增强必要性;S4:对每个待处理网格图像进行聚类得到条码标尺区域,对条码标尺区域通过自适应分割对条码标尺图像进行增强;S5:对增强图像与模板图像中的条码标尺区域进行匹配和定位,获取水准仪测量结果。本发明根据条码标尺表面灰度值存在两极分化现象确定条码标尺区域,针对条码标尺区域进行图像增强,使条码标尺的特征更加明显,提高后续条码标尺图像的分割以及条码的识别准确度。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种基于图像增强的水准仪距离测量方法。
背景技术
水准仪是建立水平视线测定地面两点间高差的仪器,其工作原理为根据水准测量原理测量地面点间高差。其中,由于数字水准仪的精度高,读取数据客观以及效率高的特点,应用十分广泛。数字水准仪采用相关法读数原理,首先在数字水准仪内存中存入代表标尺的伪随机码,将其作为参考信号;条码标尺在 CCD 上的成像作为测量信号,将两信号比较进行读数,从而获得视线高和视距,完成定位读数过程。
由于数字水准仪是对 CCD采集到的图像进行数据处理,获取的图像质量直接影响最终测量精度。而在实际测量中,大多是野外作业,水准测量系统会受到测量环境以及测量距离的影响,比如标尺亮度分布不均匀、条码图像被部分遮挡、环境温度变化对条码标尺成像质量的影响或者大气扰动带来的不确定因素,导致CCD采集的图像质量较差,特别是在远距离测量时,CCD采集的图像中,条码成像小,且边缘模糊,使得数字水准仪的测量精度降低。
现有技术中主要是几何水准法、全站仪三角高程法以及激光跟踪仪高程测量这几种方法,虽这两种方法测量速度快、效率高但是无法达到高精密测量的要求。
因此为了提高图像质量,进而保证数字水准仪测量结果的准确性,本发明设计了一种基于图像增强的水准仪距离测量方法。
发明内容
针对上述技术问题,本发明提供了一种基于图像增强的水准仪距离测量方法,包括:
S1:利用水准仪CCD相机采集条码标尺图像;
S2:对条码标尺图像进行网格分割,包括:
所述每个网格图像的灰度方差的计算公式如下:
S2.2:根据每个网格图像的灰度方差筛选出目标网格图像和非目标网格图像,所述非目标网格图像为无需进行再次分割的网格图像;
对目标网格图像进行高斯拟合得到高斯模型,根据每个目标网格图像的高斯模型计算其两级分化程度;
所述目标网格图像的两级分化程度的计算方法如下:
获取目标网格图像的子高斯模型中的均值和方差,利用两个子高斯模型的均值和方差计算该目标网格图像的两级分化程度,具体计算公式如下:
利用目标网格图像的灰度方差以及两级分化程度得到目标网格图像的二次网格分割概率;
所述目标网格图像的二次网格分割概率的计算方法为:
根据每个目标网格图像的灰度方差确定每个目标网格图像的分割概率的计算公式,具体计算公式如下:
根据目标网格图像的二次网格分割概率确定出需要进行再次网格分割的目标网格图像,其他的目标网格图像为无需进行再次分割的网格图像;
S2.4:对新的网格图像重复S2.1-S2.3步骤,依次迭代至所有网格图像都不需要被分割,完成条码标尺图像的网格分割,得到所有的待处理网格图像;
S3:根据每个待处理网格图像的灰度方差确定出每个待处理网格图像的增强必要性;
根据每个待处理网格图像的灰度方差确定出每个待处理网格图像的增强必要性的过程如下:
当待处理网格图像的灰度方差大于分割阈值时,根据该待处理网格图像的两级分化程度计算该待处理网格图像的增强必要性,当待处理网格图像的灰度方差小于等于分割阈值时,根据该待处理网格图像的灰度均值以及灰度熵计算该待处理网格图像的增强必要性,具体计算公式如下:
式中:为第𝑘个待处理网格图像的增强必要性,为第个待处理网格图像两极分化程度,为第个待处理网格图像的灰度均值,为第个待处理网格图像的灰度熵,为第个待处理网格图像的灰度方差,为分割阈值,𝑘为条码标尺图像中网格图像的序号;
S4:根据每个待处理网格图像的增强必要性及每个待处理网格图像中心像素点的坐标对所有待处理网格图像进行聚类得到条码标尺的网格图像,对条码标尺的网格图像通过自适应分割对条码标尺图像进行增强得到条码标尺区域图像;
所述得到条码标尺的网格图像的方法为:
结合每个待处理网格图像的中心像素点的坐标与该待处理网格图像的增强必要性得到三维数据,利用该三维数据对所有待处理网格图像进行聚类得到多个聚类簇,对每个聚类簇中的待处理网格图像的增强必要性进行求和作为该聚类簇的聚类值,聚类值最大的聚类簇对应的待处理网格图像即为条码标尺区域;
S5:利用增强的条码标尺区域图像与模板图像中的条码标尺区域进行匹配和定位,根据匹配和定位的结果获得水准仪的测量结果。
利用增强的条码标尺区域图像与模板图像中的条码标尺区域进行匹配和定位的方法为:
利用双线性插值方法将增强的条码标尺区域图像转换为与模板图像相同尺寸的匹配图像,将自适应缩放的增强的条码标尺区域图像与模板图像进行移位相关运算完成条码的匹配与定位。
相比于现有技术,本发明实施例的有益效果在于:本发明根据条码标尺表面灰度值存在两极分化现象,确定条码标尺存在的疑似区域,并针对疑似区域进行图像增强,从而实现对采集图像的选择性局部图像增强,使条码标尺的特征更加明显,提高图像质量,提高后续条码标尺图像的分割以及条码的识别准确度。
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简单地介绍,显而易见地,下面描述中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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于图像增强的水准仪距离测量方法提供的结构示意图;
图2为本发明实施例1一种基于图像增强的水准仪距离测量方法提供的方法流程图;
图3为本发明实施例2一种基于图像增强的水准仪距离测量方法提供的方法流程图;
图4为本发明实施例2一种基于图像增强的水准仪距离测量方法提供的分离程度原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例1
本发明实施例提供了一种基于图像增强的水准仪距离测量方法,如图1与图2所示,包括:
S101、利用水准仪采集条码标尺图像
对数字水准仪的CCD相机采集的图像进行处理,根据图像中各个位置的特征信息进行图像的选择性图像增强,从而保证水准仪距离测量结果测准确性。因此需要先采集利用水准仪拍摄的包含条码标尺的图像作为条码标尺图像。
S102、对条码标尺图像进行网格分割
由于水准仪需要对图像中的条码标尺进行分析,为了保证图像分割的准确性,需要突出条码标尺的特征,便于后续的条码标尺分割与条码识别的过程,即本实施例期望仅对条码标尺区域进行图像增强,而不对环境背景区域进行图像增强,因此,对条码标尺图像进行网格分割,根据得到的网格图像确定条码标尺区域,以避免复杂环境对测量结果准确性的干扰。
S103、计算每个待处理网格图像的增强必要性
由于相机采集的图像中,包含环境背景,也包含条码标尺,而数字水准仪是根据图像中的条码标尺图像进行读数的,也就是说,在实际测量过程中,往往更关注条码标尺所在区域,因此在进行图像增强的过程中,只需要对条码标尺区域图像进行图像增强即可,对于环境等区域的增强反而会干扰实验结果的准确性,因此需要计算各个网格图像的增强必要性,判断网格图像需要增强的概率。
S104、对条码标尺网格图像进行局部增强
由于条码标尺区域在被网格化分割后得到的多个区域的位置是连续分布的,因此根据各个网格图像图像增强必要性进行条码标尺区域确定,结合灰度的两级分化程度进行图像增强,使黑的更黑,白的更白,实现图像局部增强。
S105、获取水准仪的测量结果
由于条码标尺只是数字水准仪采集图像的一部分,实现条码标尺的准确识别是后续条码精确定位的前提,对条码标尺进行图像增强后,使采集的图像中条码标尺的特征更加明显,以保证水准仪距离测量的准确性。
实施例2
本发明实施例提供了一种基于图像增强的水准仪距离测量方法,如图1与图3所示,具体内容包括:
S201、利用水准仪采集条码标尺图像
对数字水准仪的CCD相机采集的图像进行处理,根据图像中各个位置的特征信息进行图像的选择性图像增强,从而保证水准仪距离测量结果测准确性。因此需要先采集利用水准仪拍摄的图像作为条码标尺图像。
利用数字水准仪的CCD相机采集环境图像,对采集的图像进行去噪处理得到条码标尺图像,用于后续的图像处理及分析。
S202、计算每个网格图像的灰度方差
传统的网格化分割规则是基于网格内的灰度方差,根据灰度方差与设定阈值的大小关系确定是否需要进行进一步网格分割,由于本实施例需要对条码标尺进行检测,而条码标尺表面具有不同宽度的黑白条码交替出现的特征,计算每个网格图像的灰度方差,根据网格图像的灰度方差判断是否需要对该网格图像进行二次网格分割。
1.对水准仪采集的条码标尺图像进行灰度化处理并将其初步分割为大小相等的4份;
S203、计算每个目标网格图像的两级分化程度
条码标尺区域与环境区域的不同之处在于,条码标尺所在区域会形成明显的两极分化,而环境的复杂性难以满足灰度值的两极分化,因此,当一个网格图像内的灰度方差较大时,需要进一步判断网格内部的两级分化程度。
本实施例对图像网格化的分割规则为:当灰度方差较大,但是两极分化程度较小时,仍需要对其进行分割,而当方差较大,且两级分化程度也较大时,认为其为条码标尺的可能性较大。此外不排除网格图像内只存在一种颜色,对应灰度方差较小的情况,此时同样没有再次分割的必要。
1.对目标网格图像进行高斯拟合
以灰度直方图中所有灰度值和灰度值对应的概率为样本数据,根据这些样本数据利用EM算法拟合一维高斯混合模型,所属高斯混合模型中的子高斯模型个数为K,由于本实施例需要判断灰度直方图中灰度的两级分化程度,因此设置K=2;由此得到两个子高斯模型的均值和方差,分别记为,,其中。
2. 计算每个目标网格图像的两级分化程度
由于条码标尺表面黑白相间,即条码标尺区域图像从灰度上表现为只存在两种颜色,且两种颜色之间的差异较大(即两个子高斯模型的分化程度较大),但是由于环境较为复杂,图像中可能存在网格图像中也是两种颜色,然而这种区域并不是条码标尺区域,如天空与树木的分界处,由于两种颜色的差异较大,同样满足子高斯模型的分化程度较大,即所得两个子高斯模型在满足分化程度较大的同时,还需要满足两级倾向性,即值趋于0,值趋于255,故第个目标网格图像的两级分化程度可表示为:
S204、计算目标网格图像的二次分割概率
当一个区域中灰度方差较大时,无法区分是由于环境因素导致还是条码标尺导致,而我们期望当条码标尺处于一个网格图像中时,不需要再对其进行网格分割,从而避免对目标图像的过度分割,因此,结合网格图像的灰度方差和两级分化程度对网格图像的分割概率进行分析。
S205、获取条码标尺图像中所有待处理网格图像
对S202-S204的步骤进行迭代,直至所有的网格图像都不需要进行分割为止,得到所有的网格图像,通过对细分后的每一个网格图像进行分析处理确定出条码标尺所在的区域进行增强,不仅能得到精确的条码标尺区域,还能够有效降低环境及其他干扰因素的影响,从而提高水准仪的精度。
对每一次网格分割后的可能需要进行进一步网格分割的网格图像重复S202-S204的步骤,直至分割的每一个网格图像都不需要再进行分割为止,至此,得到条码标尺图像中所有的待处理网格图像。
S206、计算每个待处理网格图像的增强必要性
由于相机采集的条码标尺图像中,包含环境背景,也包含条码标尺,而数字水准仪是根据图像中的条码标尺图像进行读数的,也就是说,在实际测量过程中,往往更关注条码标尺所在区域,因此在进行图像增强的过程中,只需要对条码标尺区域图像进行图像增强即可,对于环境等区域的增强反而会干扰实验结果的准确性,因此需要计算各个待处理网格图像的增强必要性,判断待处理网格图像需要增强的概率。
当条码标尺图像网格化分割结束后,各个网格图像内的区域类型包含两种:灰度方差较小以及灰度方差大但两极分化程度较大,这两种区域类型中,存在灰度两极分化情况的网格图像属于条码标尺的概率较大,对应其增强必要性也较大;而对于灰度较为一致的情况中,除环境背景形成,不排除有由于网格划分较小,导致网格图像内存在单一灰度的条码标尺图像,其与环境形成的单一灰度区域的区别在于,由条码标尺形成的单一灰度区域纹理复杂度较低。
当时,获取该网格图像中所有像素的归一化后的灰度共生矩阵,该矩阵为的矩阵,为第个待处理网格图像所有灰度值的数量,矩阵中的各个元素用于表征不同灰度级的像素对出现的概率。根据灰度共生矩阵计算该待处理网格图像的灰度熵,结合该待处理网格图像的灰度值,此时该待处理网格图像的增强必要性可表示为:
其中灰度熵的值越大,表示该待处理网格图像中的纹理复杂度越高,此时该区域属于条码标尺的可能性越低,对该待处理网格图像增强的必要性越低;此时由于自然环境中也存在纹理复杂度低的区域,如天空。此时本实施例以表示灰度均值的偏向性,该值越小,灰度均值偏向性越大,该待处理网格图像的增强必要性越大。
也可以表示为:
式中:为第𝑘个待处理网格图像的增强必要性,为第个待处理网格图像两极分化程度,为第个待处理网格图像的灰度均值,为第个待处理网格图像的灰度熵,为第个待处理网格图像的灰度方差,为分割阈值,𝑘为条码标尺图像中待处理网格图像的序号。
S207、对条码标尺图像进行局部增强
由于条码标尺区域在被网格化分割后得到的多个区域的位置是连续分布的,因此根据各个待处理网格图像的增强必要性进行条码标尺区域的确定,结合灰度的两级分化程度进行图像增强,使黑的更黑,白的更白,实现图像局部增强。
对每个待处理网格图像的中心像素点的坐标结合该待处理网格图像的增强必要性得到三维数据,利用该三维数据对所有待处理网格图像进行聚类得到多个聚类簇,对每个聚类簇中的待处理网格图像的增强必要性进行求和作为该聚类簇的聚类值,聚类值最大的聚类簇对应的待处理网格图像即为条码标尺区域。
S208、获取水准仪的测量结果
由于条码标尺只是数字水准仪采集图像的一部分,实现条码标尺的准确识别是后续条码精确定位的前提,对条码标尺进行图像增强后,使采集的图像中条码标尺的特征更加明显,以保证水准仪距离测量的准确性。
对条码标尺图像进行准确识别,通过对条码标尺图像进行裁剪、滤波等预处理来获取待匹配条码图像,根据待匹配条码图像与模板图像条码个数相同且等宽假设获取每次匹配时匹配图像缩放比例系数,并运用双线性插值方法将待匹配图像转换为与模板图像等宽的匹配图像,将自适应缩放实测图像与模板图像进行移位相关运算来实现条码的匹配与定位,通过几何位置关系结合匹配和定位的结果获得测量的结果。
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、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于图像增强的水准仪距离测量方法,其特征在于,包括:
S1:利用水准仪CCD相机采集条码标尺图像;
S2:对条码标尺图像进行网格分割,包括:
所述每个网格图像的灰度方差的计算公式如下:
S2.2:根据每个网格图像的灰度方差筛选出目标网格图像和非目标网格图像,所述非目标网格图像为无需进行再次分割的网格图像;
对目标网格图像进行高斯拟合得到高斯模型,根据每个目标网格图像的高斯模型计算其两级分化程度;
所述目标网格图像的两级分化程度的计算方法如下:
获取目标网格图像的子高斯模型中的均值和方差,利用两个子高斯模型的均值和方差计算该目标网格图像的两级分化程度,具体计算公式如下:
利用目标网格图像的灰度方差以及两级分化程度得到目标网格图像的二次网格分割概率;
所述目标网格图像的二次网格分割概率的计算方法为:
根据每个目标网格图像的灰度方差确定每个目标网格图像的分割概率的计算公式,具体计算公式如下:
根据目标网格图像的二次网格分割概率确定出需要进行再次网格分割的目标网格图像,其他的目标网格图像为无需进行再次分割的网格图像;
S2.4:对新的网格图像重复S2.1-S2.3步骤,依次迭代至所有网格图像都不需要被分割,完成条码标尺图像的网格分割,得到所有的待处理网格图像;
S3:根据每个待处理网格图像的灰度方差确定出每个待处理网格图像的增强必要性;
根据每个待处理网格图像的灰度方差确定出每个待处理网格图像的增强必要性的过程如下:
当待处理网格图像的灰度方差大于分割阈值时,根据该待处理网格图像的两级分化程度计算该待处理网格图像的增强必要性,当待处理网格图像的灰度方差小于等于分割阈值时,根据该待处理网格图像的灰度均值以及灰度熵计算该待处理网格图像的增强必要性,具体计算公式如下:
式中:为第𝑘个待处理网格图像的增强必要性,为第个待处理网格图像两极分化程度,为第个待处理网格图像的灰度均值,为第个待处理网格图像的灰度熵,为第个待处理网格图像的灰度方差,为分割阈值,𝑘为条码标尺图像中网格图像的序号;
S4:根据每个待处理网格图像的增强必要性及每个待处理网格图像中心像素点的坐标对所有待处理网格图像进行聚类得到条码标尺的网格图像,对条码标尺的网格图像通过自适应分割对条码标尺图像进行增强得到条码标尺区域图像;
所述得到条码标尺的网格图像的方法为:
结合每个待处理网格图像的中心像素点的坐标与该待处理网格图像的增强必要性得到三维数据,利用该三维数据对所有待处理网格图像进行聚类得到多个聚类簇,对每个聚类簇中的待处理网格图像的增强必要性进行求和作为该聚类簇的聚类值,聚类值最大的聚类簇对应的待处理网格图像即为条码标尺区域;
S5:利用增强的条码标尺区域图像与模板图像中的条码标尺区域进行匹配和定位,根据匹配和定位的结果获得水准仪的测量结果。
2.根据权利要求1所述的一种基于图像增强的水准仪距离测量方法,其特征在于,所述利用增强的条码标尺区域图像与模板图像中的条码标尺区域进行匹配和定位的方法为:
利用双线性插值方法将增强的条码标尺区域图像转换为与模板图像相同尺寸的匹配图像,将自适应缩放的增强的条码标尺区域图像与模板图像进行移位相关运算完成条码的匹配与定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210649112.4A CN114742849B (zh) | 2022-06-10 | 2022-06-10 | 一种基于图像增强的水准仪距离测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210649112.4A CN114742849B (zh) | 2022-06-10 | 2022-06-10 | 一种基于图像增强的水准仪距离测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742849A CN114742849A (zh) | 2022-07-12 |
CN114742849B true CN114742849B (zh) | 2022-08-26 |
Family
ID=82287777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210649112.4A Active CN114742849B (zh) | 2022-06-10 | 2022-06-10 | 一种基于图像增强的水准仪距离测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742849B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035137B (zh) * | 2022-08-10 | 2022-12-06 | 启东通奕自动化设备有限公司 | 基于边缘精准定位的铸件飞边自动去除方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5410618A (en) * | 1993-02-03 | 1995-04-25 | E-Systems, Inc. | Method for lofargram image enhancement |
CN101093547B (zh) * | 2007-05-18 | 2010-06-09 | 上海邮政科学研究院 | 基于高度参数的条码和数字协同识别物品的方法 |
CN104751187B (zh) * | 2015-04-14 | 2019-04-16 | 山西科达自控股份有限公司 | 抄表图像自动识别方法 |
CN107808384A (zh) * | 2017-11-21 | 2018-03-16 | 江南大学 | 基于网格化局部分水岭的模糊聚类方法 |
CN108053371B (zh) * | 2017-11-30 | 2022-04-19 | 努比亚技术有限公司 | 一种图像处理方法、终端及计算机可读存储介质 |
CN112990192B (zh) * | 2021-02-04 | 2024-02-02 | 西安理工大学 | 一种数字水准仪的条码标尺图像定位和识别检测方法 |
-
2022
- 2022-06-10 CN CN202210649112.4A patent/CN114742849B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114742849A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN111626190A (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN107220962B (zh) | 一种隧道裂纹的图像检测方法和装置 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
CN114627052A (zh) | 一种基于深度学习的红外图像漏气漏液检测方法及系统 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN114596551A (zh) | 一种车载前视图像裂缝检测的方法 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN116137036A (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN113159027A (zh) | 基于最小外接矩形变体的七段式数显仪表识别方法 | |
CN116403204B (zh) | 一种圆形指针表智能读数的方法 |
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 |