CN114913440A - 一种无人机巡检图像边界特征精准定位方法 - Google Patents

一种无人机巡检图像边界特征精准定位方法 Download PDF

Info

Publication number
CN114913440A
CN114913440A CN202210655067.3A CN202210655067A CN114913440A CN 114913440 A CN114913440 A CN 114913440A CN 202210655067 A CN202210655067 A CN 202210655067A CN 114913440 A CN114913440 A CN 114913440A
Authority
CN
China
Prior art keywords
gradient
image
pixel
amplitude
boundary
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
Application number
CN202210655067.3A
Other languages
English (en)
Inventor
蒋中军
张静
周海忠
鞠玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202210655067.3A priority Critical patent/CN114913440A/zh
Publication of CN114913440A publication Critical patent/CN114913440A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/12—Indexing scheme for image data processing or generation, in general involving antialiasing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Nonlinear Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请属于无人机巡检数据应用方法技术领域，尤其涉及一种无人机巡检图像边界特征精准定位方法。包括如下步骤：获取待测目标原始图像并进行预处理；基于图像像素梯度幅值的分级平滑处理；基于图像像素梯度对原始图像进行滤波处理，包括图像像素梯度计算；基于幅值截取区间的边界生成；本申请的无人机巡检图像边界特征精准定位方法运算过程简短，无需额外的外部数据或者历史经验数据，主要通过原始图像中的梯度要素集合数据融合处理来实现图像内部边界要素的提取，该方法实现难度低，对硬件设备以及算力资源的需求小，便于在各类中低端设备上实施应用，有利于提高基层日常高频巡检作业的数据处理，实现大批量数据的快速边界识别处理。

Description

一种无人机巡检图像边界特征精准定位方法
技术领域
本申请属于无人机巡检数据应用方法技术领域，尤其涉及一种无人机巡检图像边界特征精准定位方法。
背景技术
无人机巡检作为一种适用性好，活动区域大的载体，近年来在电网巡检作业过程中得到广泛应用，在电网巡检作业、灾害评估、场地勘测等多方面都具有实际应用，但无人机一般只承担影像的获取任务，在实际应用过程中，如何从无人机巡检图像中有效获取待测目标的边界才是最核心的任务，由于数据量大，因此人工处理的效率较低，因此出现了各类自动分析以及机器识别技术，但绝大多数都需要通过海量的基础数据进行AI训练学习，并通过海量运算分析来提取特征要素，通过要素匹配筛选等方式来实现，实现成本高，对于电网日常的巡检维护作业而言，并不经济实用。
发明内容
本申请的目的在于，提供一种便于实时，数据处理量更小，适用于日常高频的无人机巡检图像的边界识别处理的无人机巡检图像边界特征精准定位方法。
为实现上述目的，本申请采用如下技术方案。
本申请的无人机巡检图像边界特征精准定位方法，包括如下步骤：
步骤一.用于获取待测目标原始图像并进行预处理的步骤
包括步骤1.1；
1.1原始图像获取和初步处理；具体是指，获取待分析的无人机巡检图像，剔除不清晰以及图像要素过渡模糊，识别难度过高的劣质图像；
步骤二.基于图像像素梯度对原始图像进行滤波处理的步骤，
包括步骤2.1～2.2；
2.1图像像素梯度计算；具体是指：根据原始图像的像素尺寸，建立a×a像素大小的像素梯度截取框以限制运算量；基于前述梯度框对原始图像进行像素梯度截取，分别计算每个梯度框在正交坐标系xoy内的像素梯度幅值Tx,y；
Figure BDA0003689100370000021
其中tx(x,y)为正交坐标系中坐标为(x,y)的梯度框的X向像素梯度值；ty(x,y)为正交坐标系中坐标为(x,y)的梯度框的y向像素梯度值；T(x,y)为正交坐标系中坐标为(x,y)的梯度框的像素梯度幅值；
Figure BDA0003689100370000022
为正交坐标系中坐标为(x,y)的梯度框的像素值，ia×a为梯度框内所有像素点的像素值之和；
2.2基于图像像素梯度幅值的分级平滑处理；具体是指：根据像素梯度幅值Tx,y计算结果，依次对所有梯度框的像素梯度幅值进行排序，根据最大像素梯度幅值确定像素梯度幅值截取区间，在每个像素梯度幅值截取区间内按照由高到低的顺序截取梯度框进行保留
步骤三.基于幅值截取区间的边界生成
包括步骤3.1～3.2；
3.1基于像素梯度幅值的中间幅值梯度框筛选；具体是指：基于幅值截取区间内所有梯度框的像素梯度幅值，确定每个幅值截取区间内梯度框的平均梯度幅值，从每个幅值截取区内定位对应的梯度框作为中心梯度框；
3.2基于中心梯度框的边界定位，
包括步骤①～⑤；
①定位图像中的所有梯度框，计算梯度框的水平角α；
Figure BDA0003689100370000031
②以中心梯度框为基础建立若干边界区，定义边界区的水平角为
Figure BDA0003689100370000032
αr为边界区内第r个梯度框的水平角；其中，初始边界区仅包含一个中心梯度框，初始边界区的水平角为该中心梯度框的水平角；
③定位与边界区j相邻且非中心梯度框的梯度框k，计算梯度框k的水平角αk与边界区j的水平角的方向差
Figure BDA0003689100370000033
根据待测对象的实际边界特点，指定方向差阈值Δαmax；
若Δαj,k≤Δαmax则将梯度框k划分至边界区j，否则不予处理；
若梯度框k具有多个相邻的边界区，则依据方向差
Figure BDA0003689100370000034
最小的进行划分；
④每更新一次边界区后，重新计算所有边界区的水平角，并重复步骤3)直至所有可划分的梯度框已经被划分，删除剩余未被划分至边界区的梯度框；
⑤整理所有边界区，清理边界区边缘明显脱离边界区核心范围的异常区域，得到最终边界。
对前述无人机巡检图像边界特征精准定位方法的进一步补充和完善，所述步骤一还包括用于对图像进行降噪处理以及尺度标准化操作的步骤1.2；
1.2原始图像的预处理；具体包括：
图像缩放去锯齿缩放：缩小原图像的尺寸以抑制图像中锯齿现象；
高斯滤波平滑处理：利用高斯函数对图像进行滤波处理，处理后执行高斯降采样；
图像尺度统一：获取所有的图像，在保持原有高宽比的同时将所有矩形供电区图像调节为统一的像素高度或者宽度。
对前述无人机巡检图像边界特征精准定位方法的进一步补充和完善，所述正交坐标系xoy是指以图像的高为纵坐标，图像的宽为横坐标，图像左下角为坐标原点建立的坐标系，坐标系中每单位尺寸为a像素。
对前述无人机巡检图像边界特征精准定位方法的进一步补充和完善，所述步骤2.2具体是指：
根据原始图像内所有梯度框的像素梯度幅值计算结果进行排序，确定最大像素梯度幅值Tmax，并基于最大像素梯度幅值Tmax确定n个幅值截取区间：
Figure BDA0003689100370000041
将所有梯度框按照排序顺序填入幅值截取区间内；在每个幅值截取区间内按照同样的比例按照从高到低的顺序选取梯度框予以保留，将剩余的梯度框予以删除，根据结果更新原始图像。
其有益效果在于：
本申请的无人机巡检图像边界特征精准定位方法运算过程简短，无需额外的外部数据或者历史经验数据，主要通过原始图像中的梯度要素集合数据融合处理来实现图像内部边界要素的提取，该方法实现难度低，对硬件设备以及算力资源的需求小，便于在各类中低端设备上实施应用，有利于提高基层日常高频巡检作业的数据处理，实现大批量数据的快速边界识别处理。
附图说明
图1是梯度框以及像素梯度幅值计算模板示意。
具体实施方式
以下结合具体实施例对本申请作详细说明。
本申请的人机巡检图像边界特征精准定位方法主要用于提供一种对算例需求以及硬件需求较低，能够在各类中低端以及便携或移动端进行应用的快速边界定位分析方法，以便于巡检作业过程中，能够通过实时分析定位帮助作业人员迅速分析获取边界要素信息。
其主要步骤包括：
步骤一.用于获取待测目标原始图像并进行预处理的步骤，包括步骤1.1～1.2；
1.3原始图像获取和初步处理；具体是指，获取待分析的无人机巡检图像，剔除不清晰以及图像要素过渡模糊，识别难度过高的劣质图像；
1.1原始图像的预处理：
图像缩放去锯齿缩放：缩小原图像的尺寸以抑制图像中锯齿现象；
高斯滤波平滑处理：利用高斯函数对图像进行滤波处理，处理后执行高斯降采样；
图像尺度统一：获取所有的图像，在保持原有高宽比的同时将所有矩形供电区图像调节为统一的像素高度或者宽度；
由于本申请主要基于图像中边界要素中像素的趋势和梯度差异来实现边界识别，因此，通过高斯滤波以及降采样能够降低图像中锯齿现象，使得边界更加完整，便于识别，通过筛除过渡模糊的区域，有利于减少识别效率低或者无法进行有效边界识别的图像，其筛除方法可以基于人工筛选或者现有的平均灰度差异比较法等方法来实现，具体根据相应待识别对象的特点来选去。
步骤二.基于图像像素梯度对原始图像进行滤波处理的步骤，包括2.1～2.2；
2.1图像像素梯度计算：
根据原始图像的像素尺寸，建立a×a像素大小的像素梯度截取框以限制运算量；基于前述梯度框对原始图像进行像素梯度截取，分别计算每个梯度框在正交坐标系xoy内的像素梯度幅值Tx,y；
建立梯度截取框用于根据原始图像的尺寸以及待识别对象在图像中的平均尺寸来进行运算简化，避免不必要的细节边界的识别，减小不必要的运算量，简化实现过程。
Figure BDA0003689100370000061
其中tx(x,y)为正交坐标系中坐标为(x,y)的梯度框的X向像素梯度值；ty(x,y)为正交坐标系中坐标为(x,y)的梯度框的y向像素梯度值；T(x,y)为正交坐标系中坐标为(x,y)的梯度框的像素梯度幅值；
Figure BDA0003689100370000062
为正交坐标系中坐标为(x,y)的梯度框的像素值，ia×a为梯度框内所有像素点的像素值之和；
实际实施时，为便于处理和计算，建立的正交坐标系xoy一般以图像的高为纵坐标，图像的宽为横坐标，图像左下角为坐标原点，因为梯度框长宽为a像素大小，因此对于像素框坐标的标定时，每单位尺寸为a像素。
通过梯度框的建立能够有效压缩数据量，并提供灵活的要素筛选方案，规避掉不必要的细小边界处理的工作量。
2.2基于图像像素梯度幅值的分级平滑处理
根据像素梯度幅值Tx,y计算结果，依次对所有梯度框的像素梯度幅值进行排序，根据最大像素梯度幅值确定像素梯度幅值截取区间，在每个像素梯度幅值截取区间内按照由高到低的顺序截取梯度框进行保留
具体实施时，根据原始图像内所有梯度框的像素梯度幅值计算结果进行排序，确定最大像素梯度幅值Tmax，并基于最大像素梯度幅值Tmax确定n个幅值截取区间：
Figure BDA0003689100370000063
将所有梯度框按照排序顺序填入幅值截取区间内；在每个幅值截取区间内按照同样的比例按照从高到低的顺序选取梯度框予以保留，将剩余的梯度框予以删除，根据结果更新原始图像；
步骤三.基于幅值截取区间的边界生成
3.1基于像素梯度幅值的中间幅值梯度框筛选
基于幅值截取区间内所有梯度框的像素梯度幅值，确定每个幅值截取区间内梯度框的平均梯度幅值，从每个幅值截取区内定位对应的梯度框作为中心梯度框；
3.2基于中心梯度框的边界定位，
①1)定位图像中的所有梯度框，计算梯度框的水平角α；
Figure BDA0003689100370000071
②以中心梯度框为基础建立若干边界区，定义边界区的水平角为
Figure BDA0003689100370000072
αr为边界区内第r个梯度框的水平角；其中，初始边界区仅包含一个中心梯度框，初始边界区的水平角为该中心梯度框的水平角；
③定位与边界区j相邻且非中心梯度框的梯度框k，计算梯度框k的水平角αk与边界区j的水平角的方向差
Figure BDA0003689100370000073
指定方向差阈值Δαmax；
若Δαj,k≤Δαmax则将梯度框k划分至边界区j，否则不予处理；
若梯度框k具有多个相邻的边界区，则依据方向差
Figure BDA0003689100370000074
最小的进行划分；
④每更新一次边界区后，重新计算所有边界区的水平角，并重复步骤3)直至所有可划分的梯度框已经被划分，删除剩余未被划分至边界区的梯度框；
⑤整理所有边界区，清理边界区边缘明显脱离边界区核心范围的异常区域，得到最终边界。
最后应当说明的是，以上实施例仅用以说明本申请的技术方案，而非对本申请保护范围的限制，尽管参照较佳实施例对本申请作了详细地说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的实质和范围。

Claims (4)

1.一种无人机巡检图像边界特征精准定位方法，其特征在于，包括如下步骤：
步骤一.用于获取待测目标原始图像并进行预处理的步骤包括步骤1.1；
1.1原始图像获取和初步处理；具体是指，获取待分析的无人机巡检图像，剔除不清晰以及图像要素过渡模糊，识别难度过高的劣质图像；
步骤二.基于图像像素梯度对原始图像进行滤波处理的步骤，
包括步骤2.1～2.2；
2.1图像像素梯度计算；具体是指：根据原始图像的像素尺寸，建立a×a像素大小的像素梯度截取框以限制运算量；基于前述梯度框对原始图像进行像素梯度截取，分别计算每个梯度框在正交坐标系xoy内的像素梯度幅值Tx,y；
Figure FDA0003689100360000011
其中tx(x,y)为正交坐标系中坐标为(x,y)的梯度框的X向像素梯度值；ty(x,y)为正交坐标系中坐标为(x,y)的梯度框的y向像素梯度值；T(x,y)为正交坐标系中坐标为(x,y)的梯度框的像素梯度幅值；
Figure FDA0003689100360000012
为正交坐标系中坐标为(x,y)的梯度框的像素值，ia×a为梯度框内所有像素点的像素值之和；
2.2基于图像像素梯度幅值的分级平滑处理；具体是指：根据像素梯度幅值Tx,y计算结果，依次对所有梯度框的像素梯度幅值进行排序，根据最大像素梯度幅值确定像素梯度幅值截取区间，在每个像素梯度幅值截取区间内按照由高到低的顺序截取梯度框进行保留
步骤三.基于幅值截取区间的边界生成
包括步骤3.1～3.2；
3.1基于像素梯度幅值的中间幅值梯度框筛选；具体是指：基于幅值截取区间内所有梯度框的像素梯度幅值，确定每个幅值截取区间内梯度框的平均梯度幅值，从每个幅值截取区内定位对应的梯度框作为中心梯度框；
3.2基于中心梯度框的边界定位，
包括步骤①～⑤；
①定位图像中的所有梯度框，计算梯度框的水平角α；
Figure FDA0003689100360000021
②以中心梯度框为基础建立若干边界区，定义边界区的水平角为
Figure FDA0003689100360000022
αr为边界区内第r个梯度框的水平角；其中，初始边界区仅包含一个中心梯度框，初始边界区的水平角为该中心梯度框的水平角；
③定位与边界区j相邻且非中心梯度框的梯度框k，计算梯度框k的水平角αk与边界区j的水平角的方向差
Figure FDA0003689100360000023
根据待测对象的实际边界特点，指定方向差阈值Δαmax；
若Δαj,k≤Δαmax则将梯度框k划分至边界区j，否则不予处理；
若梯度框k具有多个相邻的边界区，则依据方向差
Figure FDA0003689100360000024
最小的进行划分；
④每更新一次边界区后，重新计算所有边界区的水平角，并重复步骤3)直至所有可划分的梯度框已经被划分，删除剩余未被划分至边界区的梯度框；
⑤整理所有边界区，清理边界区边缘明显脱离边界区核心范围的异常区域，得到最终边界。
2.根据权利要求1所述的一种无人机巡检图像边界特征精准定位方法，其特征在于，所述步骤一还包括用于对图像进行降噪处理以及尺度标准化操作的步骤1.2；
1.2原始图像的预处理；具体包括：
图像缩放去锯齿缩放：缩小原图像的尺寸以抑制图像中锯齿现象；
高斯滤波平滑处理：利用高斯函数对图像进行滤波处理，处理后执行高斯降采样；
图像尺度统一：获取所有的图像，在保持原有高宽比的同时将所有矩形供电区图像调节为统一的像素高度或者宽度。
3.根据权利要求1所述的一种无人机巡检图像边界特征精准定位方法，其特征在于，所述正交坐标系xoy是指以图像的高为纵坐标，图像的宽为横坐标，图像左下角为坐标原点建立的坐标系，坐标系中每单位尺寸为a像素。
4.根据权利要求1所述的一种无人机巡检图像边界特征精准定位方法，其特征在于，所述步骤2.2具体是指：
根据原始图像内所有梯度框的像素梯度幅值计算结果进行排序，确定最大像素梯度幅值Tmax，并基于最大像素梯度幅值Tmax确定n个幅值截取区间：
Figure FDA0003689100360000031
将所有梯度框按照排序顺序填入幅值截取区间内；在每个幅值截取区间内按照同样的比例按照从高到低的顺序选取梯度框予以保留，将剩余的梯度框予以删除，根据结果更新原始图像。
CN202210655067.3A 2022-06-10 2022-06-10 一种无人机巡检图像边界特征精准定位方法 Pending CN114913440A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210655067.3A CN114913440A (zh) 2022-06-10 2022-06-10 一种无人机巡检图像边界特征精准定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210655067.3A CN114913440A (zh) 2022-06-10 2022-06-10 一种无人机巡检图像边界特征精准定位方法

Publications (1)

Publication Number Publication Date
CN114913440A true CN114913440A (zh) 2022-08-16

Family

ID=82770072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210655067.3A Pending CN114913440A (zh) 2022-06-10 2022-06-10 一种无人机巡检图像边界特征精准定位方法

Country Status (1)

Country Link
CN (1) CN114913440A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758106A (zh) * 2023-07-13 2023-09-15 江苏中天吉奥信息技术股份有限公司 基于无人机的水流登记单元界线核实方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218605A (zh) * 2013-04-09 2013-07-24 东南大学 一种基于积分投影与边缘检测的快速人眼定位方法
CN107273903A (zh) * 2017-05-22 2017-10-20 哈尔滨工程大学 基于lsd改进的uuv近海面可见光图像海天线提取方法
CN108257153A (zh) * 2017-12-29 2018-07-06 中国电子科技集团公司第二十七研究所 一种基于方向梯度统计特征的目标跟踪方法
CN111563556A (zh) * 2020-05-11 2020-08-21 国网陕西省电力公司电力科学研究院 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218605A (zh) * 2013-04-09 2013-07-24 东南大学 一种基于积分投影与边缘检测的快速人眼定位方法
CN107273903A (zh) * 2017-05-22 2017-10-20 哈尔滨工程大学 基于lsd改进的uuv近海面可见光图像海天线提取方法
CN108257153A (zh) * 2017-12-29 2018-07-06 中国电子科技集团公司第二十七研究所 一种基于方向梯度统计特征的目标跟踪方法
CN111563556A (zh) * 2020-05-11 2020-08-21 国网陕西省电力公司电力科学研究院 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王耀南 等: "旋翼飞行机器人多机视觉跟踪定位系统及方法", 《仪器仪表学报》, vol. 39, no. 2, 15 February 2018 (2018-02-15), pages 1 - 10 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758106A (zh) * 2023-07-13 2023-09-15 江苏中天吉奥信息技术股份有限公司 基于无人机的水流登记单元界线核实方法
CN116758106B (zh) * 2023-07-13 2024-02-27 江苏中天吉奥信息技术股份有限公司 基于无人机的水流登记单元界线核实方法

Similar Documents

Publication Publication Date Title
CN102999886B (zh) 图像边缘检测器及标尺光栅栅线精度检测系统
CN102930241B (zh) 指纹图像的处理方法和处理装置
US20180122083A1 (en) Method and device for straight line detection and image processing
CN107742291B (zh) 一种光伏玻璃的缺陷检测方法及装置
CN108537787B (zh) 一种人脸图像的质量判定方法
CN112465809A (zh) 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置
CN111582000B (zh) 一种条形码定位方法、装置及相关设备
CN113487563B (zh) 一种基于el图像的光伏组件隐裂自适应检测方法
CN111489389A (zh) 一种光斑中心检测方法
CN111783773B (zh) 一种面向角度倾斜电线杆标识牌的矫正方法
CN116152261B (zh) 一种印刷制品质量的视觉检测系统
CN114913440A (zh) 一种无人机巡检图像边界特征精准定位方法
CN113723399A (zh) 一种车牌图像矫正方法、车牌图像矫正装置和存储介质
CN116052152A (zh) 一种基于轮廓检测和深度神经网络的车牌识别系统
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN111539238A (zh) 二维码图像修复方法、装置、计算机设备和存储介质
CN109635729B (zh) 一种表格识别方法及终端
CN117911419A (zh) 中厚板转钢角度增强检测方法及装置、介质、设备
CN113177941A (zh) 一种钢卷边裂识别方法、系统、介质和终端
CN111476792B (zh) 一种板带钢图像轮廓的提取方法
CN112418210B (zh) 一种杆塔巡检信息智能分类方法
CN116385898A (zh) 一种卫星影像处理的方法和系统
CN112884694A (zh) 一种平面显示面板的缺陷检测方法、装置、设备及介质
CN116188826A (zh) 一种复杂光照条件下的模板匹配方法及装置
CN115330705A (zh) 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法

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