CN115100068A - 一种红外图像校正方法 - Google Patents
一种红外图像校正方法 Download PDFInfo
- Publication number
- CN115100068A CN115100068A CN202210805353.3A CN202210805353A CN115100068A CN 115100068 A CN115100068 A CN 115100068A CN 202210805353 A CN202210805353 A CN 202210805353A CN 115100068 A CN115100068 A CN 115100068A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared image
- blind
- correction
- blind pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003702 image correction Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000012937 correction Methods 0.000 claims abstract description 58
- 230000001629 suppression Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G06T5/90—
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Abstract
本发明属于图像处理领域,具体涉及一种红外图像校正方法。该校正方法根据特征超平面划分非线性方程建立了盲元检测模型,通过对模型的训练获得了能够准确划分盲元像素和正常像素的盲元检测方法,避免盲元的错检和漏检,提高图像校正的可靠性。同时,还优化了盲元补偿过程,避免盲元邻域中存在的其他盲元对盲元补偿造成影响,增强了盲元补偿的准确性;在上述基础上,通过自适应非均匀校正,结合剪切波变化改进阈值方法以及非锐化掩膜方法分别对红外图像进行噪声抑制和图像增强,并且对弱小目标进行检测以验证红外图像的校正效果。本发明针对校正中的各个步骤,尤其是盲元检测与补偿步骤,对红外图像校正过程进行优化,从而得到更加准确的校正结果。
Description
技术领域
本发明属于图像处理领域,具体涉及一种红外图像校正方法。
背景技术
红外焦平面阵列受非均匀性影响,导致红外图像盲元像素的产生,红外焦平面阵列中盲元像素的数量会随着时间的推移逐渐增加,降低图像质量。盲元像素分为死像元和热像元,即图像上显示暗点或者亮点。
现有技术中,往往是通过像素与附近背景的均值进行比较,检测出盲元,再针对检测出的盲元补偿实现图像校正。如申请公布号为CN104330164A的中国发明专利申请文件公开了一种盲元检测方法,依次对每个像元为中心进行加窗,若像元与窗内灰度均值之差过大,则判断像元为盲元。
上述盲元检测方式虽然能够实现盲元检测,但是检测结果受红外图像质量的影响较大,若红外图像中盲元像素较多,则会影响窗内灰度均值,使得盲元像素的识别容易出现误检测的情况,导致最终校正结果的可靠性降低。
发明内容
本发明的目的在于提供一种红外图像校正方法,用于解决现有技术中针对包含盲元的红外图像的校正结果可靠性较低的问题。
为了实现上述目的,本发明提供了一种红外图像校正方法的技术方案,包括以下步骤:
1)获取红外图像,对获取的红外图像进行盲元检测,检测过程如下:;
根据特征超平面划分非线性方程,建立盲元检测模型:
h(x)=θTF≥0
其中F为红外图像的盲元特征,且其中X表示像素的灰度值,L表示盲元标记点,且l11=x11,...,lmn=xmn;对于任意一个像素xij,盲元特征其中,红外图像用矩阵表示为其中i,j表示像素xij在红外图像上的坐标位置,m*n表示红外图像的大小;设Y为盲元像素标识符,红外图像每一个像素对应唯一的标识符0或者1,表示为
将已知盲元位置的序列红外图像数据D={(xij,yij)},xij∈[0,255],i∈[1,m],j∈[1,n],yij∈{0,1}输入所述盲元检测模型中进行训练;
通过最小化目标函数求取θ,实现对盲元检测模型的训练;
将获取的红外图像输入到训练后的盲元检测模型中,输出盲元检测图像,实现对红外图像的盲元检测;
2)对步骤1)所述的盲元检测图像进行盲元补偿,得到盲元补偿图像;
3)将步骤2)所述的盲元补偿图像进行两点校正,得到两点校正图像;
4)将步骤3)所述的两点校正图像输入到自适应校正模型中,得到非均匀性自适应校正图像;
5)对步骤4)所述的非均匀性自适应校正图像先进行噪声抑制,再进行图像增强,得到校正红外图像;
6)对步骤5)所述的校正红外图像进行目标检测,以检验校正的效果。
该校正方法通过构造特征超平面划分非线性方程,对盲元和正常像素进行划分,相应训练盲元检测模型,对红外图像的盲元进行检测,因此能够充分提取盲元特征,减少误判和漏判,得到更准确的盲元检测结果,从而在后续对盲元进行针对性补充校正时,间接增加图像校正的可靠性,最后再针对校正的红外图像进行目标检测,以检验校正的效果。
进一步地,为避免盲元附近存在的其他盲元对盲元补偿造成的干扰,对盲元检测图像进行盲元补偿,进行盲元补偿的计算公式为:
P(i,j)=k1×P(i,j-a)+k2×P(i,j+b)+m1×P(i-c,j)+m2×P(i-c,j)
具体步骤如下:
根据盲元检测的结果,确定盲元检测图像中盲元点的位置坐标,记为P(i,j);
对于盲元点P(i,j),选取该点上下左右四个方向上的第一个非盲元点,分别确定a、b、c、d的大小;
如果a-b>5或者c-d>5,则重新选择盲元点斜对角线上四个方向的第一个非盲元点,再次确定a、b、c、d的大小;
如果斜对角线上得到的a、b、c、d的值满足a-b≤5并且c-d≤5,则采用这一组的a、b、c、d的值对P(i,j)进行盲元补偿;如果斜对角线上的a、b、c、d的值依然不满足上述关系式,则比较两组a、b、c、d中a-b和c-d的差值的大小,取差值较小的一组a、b、c、d对P(i,j)进行盲元补偿。
进一步地,根据权利要求1所述的红外图像校正方法,其特征在于,所述两点校正采用两点校正的非均匀性实时校正算法。
该算法首先是通过两点校正得到增益和偏移系数,然后对两个校正系数进行滤波以去除残留噪声,以达到实时校正的功能,同时可以提高信噪比。
进一步地,所述自适应校正模型采用基于UNet结构的残差编解码网络的自适应校正模型。
所述基于UNet结构的残差编解码网络能够通过多尺度采样提高网络的特征提取能力,加入残差映射生成残差图像减少非线性映射范围。该模型能够有效抑制噪声的同时去除“鬼影”。
进一步地,所述自适应校正模型使用均方误差作为损失函数,均方误差如下:
式中,W和H分别表示红外图像的宽度和高度;y表示待校正的图像;f代表自适应校正模型的校正过程;x代表输出的校正后不含非均匀性噪声的真实红外图像。
进一步地,采用剪切波变化改进阈值方法对不含非均匀性噪声的真实红外图像进行噪声抑制,得到真实红外图像的结构特征,具体如下:
将所述真实红外图像分解成至少一幅低频子带图和多幅不同尺度和方向的高频子带图;所述高频子带图的结构特征为获取所述高频子带图在同一尺度空间内不同方向高频子带系数的最大值;所述结构特征的数学表达式为:
其中,
σ1和σ2是输入的真实红外图像每个尺度下的高频子带系数的标准差;k为系数,没有实际意义。
进一步地,为防止过度增强边缘和放大噪声,采用特征属性图改进的非锐化掩膜方法,对真实红外图像的结构特征进行图像增强,得到校正红外图像。
进一步地,为提高红外图像中弱小目标分割检测的准确性,所述目标检测采用红外切片张量核范数部分和的神经网络模型方法,检测红外弱小目标,具体如下:
a)局部优先特征提取;输入校正红外图像,通过计算获得与目标和背景信息相关的先验权重图;
b)切片张量构造;通过从左上方到右下方滑动窗口,将原始红外噪声抑制图像和先验权重图分别变换为原始切片张量和先验权重切片张量;
c)目标背景分离;通过乘法器的交替方向法将输入切片张量分解为低秩切片张量和稀疏切片张量;
d)图像重构和目标检测;由低秩切片张量和稀疏切片张量重构目标图像和背景图像,重构过程与构造过程相反;同时,利用一维中值滤波来确定多个切片重叠位置的值;重构完成后,使用自适应阈值分割检出弱小目标。
针对校正红外图像进行红外弱小目标检测,从而检验红外图像校正的效果,弱小目标的检出率越高,说明红外图像的校正效果越好。
附图说明
图1为本发明方法实施例中红外图像校正方法的结构框图;
图2为本发明方法实施例中弱小目标检测的过程框图。
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了,以下结合附图及实施例,对本发明进行进一步详细说明。
红外图像校正方法实施例
本实施例提供了一种红外图像校正方法,参照图1,具体包括以下步骤:
1)从红外摄像机中获取红外图像序列,进行盲元处理;参照图2,盲元处理包括盲元检测和盲元补偿两部分。盲元检测通过对单帧红外图像通过盲元检测模型进行盲元检测,识别盲元像素,得到盲元检测图像;
其中,通过盲元检测模型进行盲元检测的具体过程为:
②当Y=1时,定义盲元检测模型方程为h(x)=θTF≥0,其中θ∈Rm×n,若像素满足该方程,则该像素为盲元像素;
③将序列红外图像数据D={(xij,yij)},xij∈[0,255],i∈[1,m],j∈[1,n],yij∈{0,1}输入所述盲元检测模型中进行训练,训练时的损失函数为目标函数为其中C为惩罚参数,C>0;
通过最小化目标函数求取θ,得到盲元检测模型。
2)对步骤1)中的盲元检测图像进行盲元补偿,得到盲元补偿图像;
进行盲元补偿的计算公式为:
P(i,j)=k1×P(i,j-a)+k2×P(i,j+b)+m1×P(i-c,j)+m2×P(i-c,j)
盲元补偿具体步骤如下:
根据步骤1)中的盲元检测的结果,确定盲元点的位置坐标,记为P(i,j);
根据步骤1)中盲元检测的结果,确定盲元检测图像中盲元点的位置坐标,记为P(i,j);
对于盲元点P(i,j),选取该点上下左右四个方向上的第一个非盲元点,分别确定a、b、c、d的大小;
如果a-b>5或者c-d>5,则重新选择盲元点斜对角线上四个方向的第一个非盲元点,再次确定a、b、c、d的大小;
如果斜对角线上得到的a、b、c、d的值满足a-b≤5并且c-d≤5,则采用这一组的a、b、c、d的值对P(i,j)进行盲元补偿;如果斜对角线上的a、b、c、d的值依然不满足上述关系式,则比较两组a、b、c、d中a-b和c-d的差值的大小,取差值较小的一组a、b、c、d对P(i,j)进行盲元补偿。
3)对步骤2)中的序列帧盲元补偿图像进行两点校正,得到两点校正图像;
其中,
两点校正采用基于两点校正的非均匀性实时校正算法,经过该算法修正后的响应值可通过以下公式表示:
Yi,j=Ki,jXi,j(Φ)+Bi.j
其中Φ是红外径向通量,Xi,j(Φ)是像素(i,j)的响应值;Ki,j为校正增益,Bi,j为失调系数;增益系数和失调系数的计算公式如下:
其中Xi,j(ΦL)是采用红外焦平面探测器采集标准黑体在低温时的的红外原始图像,Xi,j(ΦH)是采用红外焦平面探测器采集标准黑体在高温时的的红外原始图像,这里的高温和低温可以通过探测器采集图像的实际环境温度有关,通常情况下,低温范围为-80~230℃,高温范围为230~1600℃,Y(ΦL)和Y(ΦH)分别是标准黑体在高温和低温时的平均响应值。
4)将步骤3)中的两点校正图像输入到自适应校正模型中,得到非均匀性自适应校正图像;
自适应校正模型采用基于UNet结构的残差编解码网络的自适应校正模型,该模型具有以下优势:
使用左右对称的编解码网络,利用学习残差映射得到多尺度下非均匀性残差图像,利用全局跳跃连接将含非均匀性红外图像减去非均匀性残差图像,得到最后的校正结果;该模型能够有效抑制噪声的同时去除“鬼影”;
为了取得更好的校正效果,在卷积层之后加入批标准化;
使用PReLU激活函数解决部分神经元坏死的问题。
UNet结构能够很好地将图像浅层特征与深层特征相结合,获取全面的图像特征,增加图像校正的准确性。
该自适应校正模型使用均方误差作为损失函数,,均方误差如下:
式中,W和H分别表示红外图像的宽度和高度;y表示待校正的图像;f代表自适应校正模型的校正过程;x代表输出的校正后不含非均匀性噪声的真实红外图像。
5)将步骤4)中的非均匀性自适应校正图像先进行噪声抑制,再进行图像增强,得到红外噪声抑制图像;
首先采用剪切波变化改进阈值方法,对不含非均匀性噪声的真实红外图像进行噪声抑制,得到真实红外图像的结构特征,具体如下:
将真实红外图像分解成至少一幅低频子带图和多幅不同尺度和方向的高频子带图;高频子带图的结构特征为获取所述高频子带图在同一尺度空间内不同方向高频子带系数的最大值;结构特征的数学表达式为:
其中,
σ1和σ2是输入的真实红外图像每个尺度下的高频子带系数的标准差。
在获取真实红外图像的高频子带图结构特征后,再采用特征属性图改进的非锐化掩膜方法,对结构特征进行图像增强,得到校正后的红外图像作为校正红外图像。
计算相邻两尺度剪切波系数之间的相关性来衡量图像结构的属性。具体计算用数学公式描述如下:
其中scale_num为剪切波分解层数,为内积运算符号。这个操作具体分两步进行:首先,从两尺度特征图中选取以坐标(i,j)为中心的两个图像块,featl和featl+1;然后Attri_featl(i,j)由这两个图像块拉伸的两个向量之间的内积计算。
6)对步骤5)中的校正红外图像进行弱小目标检测,以检验校正的效果。
参照图2,目标检测采用红外切片张量核范数部分和的神经网络模型方法,具体如下:
a)局部优先特征提取;输入红外噪声抑制图像,通过计算获得与目标和背景信息相关的先验权重图;
b)切片张量构造;通过从左上方到右下方滑动窗口,将原始红外噪声抑制图像和先验权重图分别变换为原始切片张量和先验权重切片张量;
c)目标背景分离;通过乘法器的交替方向法将输入切片张量分解为低秩切片张量和稀疏切片张量;
d)图像重构和目标检测;由低秩切片张量和稀疏切片张量重构目标图像和背景图像;同时,利用一维中值滤波来确定多个切片重叠位置的值;重构完成后,使用自适应阈值分割检出目标。
本发明能够根据特征超平面划分非线性方程建立红外图像的盲元检测模型,通过对模型的训练获得了能够准确划分盲元像素和正常像素的盲元检测方法,因此能够避免盲元的错检和漏检,提高红外图像校正的可靠性。同时,还优化了盲元补偿过程,避免盲元邻域中存在的其他盲元对盲元补偿造成影响,增强了盲元补偿的准确性;在上述基础上,通过自适应非均匀校正,结合剪切波变化改进阈值方法以及特征属性图改进的非锐化掩膜方法分别对红外图像进行噪声抑制和图像增强,并且对红外弱小目标进行检测以检验校正的效果,最终输出更加准确的红外图像校正结果。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细地说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种红外图像校正方法,其特征在于,包括以下步骤:
1)获取红外图像,对获取的红外图像进行盲元检测,检测过程如下:;
建立盲元检测模型:
h(x)=θTF≥0
其中F为红外图像的盲元特征,且其中X表示像素的灰度值,L表示盲元标记点,且l11=x11,...,lmn=xmn;对于任意一个像素xij,盲元特征其中,红外图像用矩阵表示为其中i,j表示像素xij在红外图像上的坐标位置,m*n表示红外图像的大小;设Y为盲元像素标识符,红外图像每一个像素对应唯一的标识符0或者1,表示为
将已知盲元位置的序列红外图像数据D={(xij,yij)},xij∈[0,255],i∈[1,m],j∈[1,n],yij∈{0,1}输入所述盲元检测模型中进行训练;
通过最小化目标函数求取θ,实现对盲元检测模型的训练;
将获取的红外图像输入到训练后的盲元检测模型中,输出盲元检测图像,实现对红外图像的盲元检测;
2)对步骤1)所述的盲元检测图像进行盲元补偿,得到盲元补偿图像;
3)将步骤2)所述的盲元补偿图像进行两点校正,得到两点校正图像;
4)将步骤3)所述的两点校正图像输入到自适应校正模型中,得到非均匀性自适应校正图像;
5)对步骤4)所述的非均匀性自适应校正图像先进行噪声抑制,再进行图像增强,得到校正红外图像;
6)对步骤5)所述的校正红外图像进行目标检测,以检验校正的效果。
2.根据权利要求1所述的红外图像校正方法,其特征在于,对盲元检测图像进行盲元补偿,盲元补偿的计算公式为:
P(i,j)=k1×P(i,j-a)+k2×P(i,j+b)+mi×P(i-c,j)+m2×P(i+d,j)
具体步骤如下:
根据盲元检测的结果,确定盲元检测图像中盲元点的位置坐标,记为P(i,j);
对于盲元点P(i,j),选取该点上下左右四个方向上的第一个非盲元点,分别确定a、b、c、d的大小;
如果a-b>5或者c-d>5,则重新选择盲元点斜对角线上四个方向的第一个非盲元点,再次确定a、b、c、d的大小;
如果斜对角线上得到的a、b、c、d的值满足a-b≤5并且c-d≤5,则采用这一组的a、b、c、d的值对P(i,j)进行盲元补偿;如果斜对角线上的a、b、c、d的值依然不满足上述关系式,则比较两组a、b、c、d中a-b和c-d的差值的大小,取差值较小的一组a、b、c、d对P(i,j)进行盲元补偿。
3.根据权利要求1所述的红外图像校正方法,其特征在于,所述两点校正采用两点校正的非均匀性实时校正算法。
4.根据权利要求1所述的红外图像校正方法,其特征在于,所述自适应校正模型采用基于UNet结构的残差编解码网络的自适应校正模型。
6.根据权利要求1所述的红外图像校正方法,其特征在于,采用剪切波变化改进阈值方法对不含非均匀性噪声的真实红外图像进行噪声抑制,得到真实红外图像的结构特征,具体如下:
将所述真实红外图像分解成至少一幅低频子带图和多幅不同尺度和方向的高频子带图;所述高频子带图的结构特征为获取所述高频子带图在同一尺度空间内不同方向高频子带系数的最大值;所述结构特征的数学表达式为:
其中,
σ1和σ2是输入的真实红外图像每个尺度下的高频子带系数的标准差;k为系数,没有实际意义。
7.根据权利要求6所述的红外图像校正方法,其特征在于,采用特征属性图改进的非锐化掩膜方法,对真实红外图像的结构特征进行图像增强,得到校正红外图像。
8.根据权利要求1所述的红外图像校正方法,其特征在于,所述目标检测采用红外切片张量核范数部分和的神经网络模型方法,检测红外弱小目标,具体如下:
a)局部优先特征提取;输入校正红外图像,通过计算获得与目标和背景信息相关的先验权重图;
b)切片张量构造;通过从左上方到右下方滑动窗口,将原始红外噪声抑制图像和先验权重图分别变换为原始切片张量和先验权重切片张量;
c)目标背景分离;通过乘法器的交替方向法将输入切片张量分解为低秩切片张量和稀疏切片张量;
d)图像重构和目标检测;由低秩切片张量和稀疏切片张量重构目标图像和背景图像;同时,利用一维中值滤波来确定多个切片重叠位置的值;重构完成后,使用自适应阈值分割检出目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210805353.3A CN115100068A (zh) | 2022-07-08 | 2022-07-08 | 一种红外图像校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210805353.3A CN115100068A (zh) | 2022-07-08 | 2022-07-08 | 一种红外图像校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100068A true CN115100068A (zh) | 2022-09-23 |
Family
ID=83296854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210805353.3A Pending CN115100068A (zh) | 2022-07-08 | 2022-07-08 | 一种红外图像校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100068A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197682A (zh) * | 2023-09-01 | 2023-12-08 | 山东产研卫星信息技术产业研究院有限公司 | 一种长波红外遥感影像进行盲元检测与去除的方法 |
-
2022
- 2022-07-08 CN CN202210805353.3A patent/CN115100068A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197682A (zh) * | 2023-09-01 | 2023-12-08 | 山东产研卫星信息技术产业研究院有限公司 | 一种长波红外遥感影像进行盲元检测与去除的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
Pan et al. | No-reference assessment on haze for remote-sensing images | |
CN111369605A (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN109685772B (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
CN113850725A (zh) | 一种滤波增强深度学习的被动式太赫兹图像目标检测方法 | |
CN111047618B (zh) | 基于多尺度的无参考屏幕内容图像质量评估方法 | |
CN115100068A (zh) | 一种红外图像校正方法 | |
CN114998186B (zh) | 基于图像处理的铜始极片表面结疤缺陷检测方法及系统 | |
CN113298102B (zh) | 一种目标分类模型的训练方法及装置 | |
CN113538290A (zh) | 基于人工智能的农业航拍图像处理方法及系统 | |
CN113705672A (zh) | 图像目标检测的阈值选取方法、系统、装置及存储介质 | |
CN112329796A (zh) | 基于视觉显著性的红外成像卷云检测方法和装置 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
US20230386023A1 (en) | Method for detecting medical images, electronic device, and storage medium | |
Chen et al. | GADO-Net: an improved AOD-Net single image dehazing algorithm | |
Zhou et al. | Low‐light image enhancement for infrared and visible image fusion | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 |
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 |