CN115866155B - 一种使用融合算法处理高铁检修数据的方法及装置 - Google Patents
一种使用融合算法处理高铁检修数据的方法及装置 Download PDFInfo
- Publication number
- CN115866155B CN115866155B CN202310169536.5A CN202310169536A CN115866155B CN 115866155 B CN115866155 B CN 115866155B CN 202310169536 A CN202310169536 A CN 202310169536A CN 115866155 B CN115866155 B CN 115866155B
- Authority
- CN
- China
- Prior art keywords
- visible light
- detection image
- infrared
- image
- image data
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims description 87
- 238000001914 filtration Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000007689 inspection Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000003491 array Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000706 filtrate Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本申请说明书公开了一种使用融合算法处理高铁检修数据的方法及装置,该方法包括对高铁检修过程中所获取的红外检测图像数据和可见光检测图像数据进行帧同步,当两种图像数据匹配之后,使用融合算法对分解为多层的图像数据进行图像融合。上述方案在有效避免图像融合错位的情况下,更多地保存源图像中的纹理特征信息与边缘及结构信息,提高了图像融合的效果。
Description
技术领域
本发明属于多源图像处理技术领域,具体涉及一种使用融合算法处理高铁检修数据的方法及装置。
背景技术
由于不同的图像传感器均有不同的使用条件和适用范围,因此在不同环境条件下,不同的图像传感器有着不同的检测效果。为了能够获得更强的适应能力,在不同的环境条件下保证检测效果,使用不同种类的传感器同时进行检测就是一种很容易想到的解决办法。而对于不同种类传感器所获取的图像信息,就需要使用图像融合技术进行处理。
图像融合是一种图像增强技术,旨在整合来自多个传感器的互补和冗余信息,从而生成更可靠、鲁棒和信息丰富的图像。红外与可见光图像融合是图像融合中的一个重要领域。红外图像捕捉场景中发出的热辐射,可以有效区分场景中的目标和背景,不受遮挡和极端天气的影响。然而,红外图像存在细节不明显等缺点。可见光图像主要是捕捉反射光,具有相当高的空间分辨率和对比度。可见图像虽然可以有效保留场景细节,但容易受到光照强度和极端天气等因素的影响。同时使用红外和可见光图像进行检测,不仅可以突出红外图像中的热辐射信息,还可以得到可见光图像中的丰富细节。
现有的图像融合框架主要包括多尺度变换、稀疏表示、深度学习等。目前红外与可见光图像融合应用最广泛的方法是多尺度变换,可以将源图像分解为多个不同尺度的子图像,并有效保留不同尺度的细节特征,从而使融合后的图像获得良好的视觉效果。传统的基于多尺度变换的图像融合包括金字塔变换、离散小波变换、曲波变换等。这些多尺度变换方法可以融合不同尺度的源图像,但仍存在一些缺陷。例如,金字塔变换不具有平移不变性,这可能导致融合图像出现假吉布斯现象。小波和曲波变换没有充分考虑空间一致性,可能导致融合结果的颜色亮度失真。为了改善这些问题,提出了边缘保留滤波器,例如引导滤波器和双边滤波器,它们在解决空间一致性问题方面非常有效,并且可以减少边缘周围的伪影。
同时,对于高铁检修数据,最为常用的是使用机器视觉设备获取检测图像信息,而且,很多时候是使用高铁检修巡检车采集大量的图像数据。如果同时使用红外摄像头和可见光摄像头进行图像采集,很可能出现采集得到的图像帧在时间上出现错位的情况,导致进行图像融合的红外图像数据与可见光图像数据实质上是不匹配的,进而影响后续的图像融合处理过程。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本说明书提供一种使用融合算法处理高铁检修数据的方法及装置,能够在同时使用红外摄像头和可见光摄像头采集高铁检修图像数据时,对两种采集的图像数据进行帧同步,并使用融合算法优化图像融合效果。
本说明书实施例的第一方面,提供一种使用融合算法处理高铁检修数据的方法,其特征在于,所述方法包括:
获取红外检测图像数据,其中,所述红外检测图像数据为高铁巡检车上的红外摄像头获取的检测图像数据,所述红外检测图像数据表示为红外图像结果集;
获取可见光检测图像数据,其中,所述可见光检测图像数据为高铁巡检车上的可见光摄像头获取的检测图像数据,所述可见光检测图像数据表示为可见光图像结果集;
对高铁巡检车上的所述红外摄像头与所述可见光摄像头获取检测图像数据进行帧同步;
将所述红外图像结果集和所述可见光图像结果集进行数据匹配;
将匹配后的红外图像结果集和可见光图像结果集中的图像数据使用融合算法进行融合,得到融合后的高铁检修数据。
在一种可选的实施方式中,
获取所述红外检测图像数据与获取所述可见光检测图像数据的时间间隔相同。
在一种可选的实施方式中,
所述帧同步的过程为:步骤1,对所述红外图像结果集和所述可见光图像结果集,选取同一时间段内的多帧红外检测图像与可见光检测图像,分别组成红外检测图像序列集合和可见光检测图像序列集合 ,其中m和n分别为第m帧红外检测图像与第n帧可见光检测图像(101);
步骤2,对选取的多帧红外检测图像与可见光检测图像进行灰度化处理(102);
步骤3,对灰度化处理后的每帧图像取像素点灰度总值,将连续的多个图像的灰度总值绘制成直方图(103);
步骤4,使用窗口移动算法,对所述红外检测图像序列集合H和所述可见光检测图像序列集合K进行图像匹配计算,得到2个图像序列集合的匹配关系(104);窗口移动算法的具体实现方式是,以 为固定数列(201),为移动数列(202),将2个数列进行匹配计算,计算窗口(203)为2个数列均有数值的重合部分,匹配计算是计算2个数列重合部分的差异C,初始状态2个数列重合,窗口移动步数,当所述移动数列(202)向所述固定数列(201)后端移动时,所述窗口移动步数t为正值,当t为正数或0时,具体计算公式为,当所述移动数列(202) 向所述固定数列(201) 前端移动时,所述窗口移动步数t为负值,,其中t为窗口移动步数,t的取值范围是,对所有步数的C值进行计算,取C值最小的时候的t值,作为帧校正步数,校正所述红外检测图像序列集合 和所述可见光检测图像序列集合的对应关系。
在一种可选的实施方式中,
在一种可选的实施方式中,
所述函数f的具体计算过程为:
本说明书实施例的第二方面,提供一种图像数据获取装置,其特征在于,所述装置包括:
相对位置与相对角度固定的第一图像获取部件和第二图像获取部件;
计时装置,对所述第一图像获取部件和所述第二图像获取部件采集图像数据的时间进行记录,使采集的图像数据均带有时间标签。
在一种可选的实施方式中,
所述第一图像获取部件为红外摄像头和/或可见光摄像头,所述第二图像获取部件为可见光摄像头和/或红外摄像头。
在一种可选的实施方式中,
所述第一图像获取部件、所述第二图像获取部件采集图像数据的时间间隔相同。
本说明书实施例的第三方面,提供一种使用融合算法处理高铁检修数据的装置,其特征在于,所述装置包括:
使用如上述的图像数据获取装置获取图像数据;数据处理装置。
在一种可选的实施方式中,
所述数据处理装置为终端或者服务器,或者同时使用终端与服务器。
通过上述方案,将红外摄像头得到的红外图像数据和可见光摄像头得到的可见光图像数据进行帧同步,可以有效避免图像融合错位,使用多层不同的融合策略更多保存了源图像中的纹理特征信息,与边缘及结构信息,有效提高图像融合的效果。
附图说明
图1是本申请实施例提供的帧同步流程示意图;
图2是红外检测图像数据灰度总值图像序列;
图3是可见光检测图像数据灰度总值图像序列;
图4是窗口移动算法中计算窗口的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应当理解,在本申请中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
下面以具体实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例1
一种使用融合算法处理高铁检修数据的方法。
首先,获取红外检测图像数据,其中,所述红外检测图像数据为高铁巡检车上的红外摄像头获取的检测图像数据,所述红外检测图像数据表示为红外图像结果集(即基于所述红外检测图像数据构建红外图像结果集)。同时,获取可见光检测图像数据,其中,所述可见光检测图像数据为高铁巡检车上的可见光摄像头获取的检测图像数据,所述可见光检测图像数据表示为可见光图像结果集。由于高铁检修用的巡检车通常获取的是视频数据,所以,使用本方法对数据进行处理,对于采集的视频数据来说,就是对视频逐帧进行图像处理。正是因为采集视频图像时,视频图像帧可能存在时移或帧错位,所以更加适合使用本方法处理视频图像数据。进行处理后的图像数据也更加便于检修人员进行观察。
获取红外检测图像数据与获取可见光检测图像数据的时间间隔相同。
然后如图1所示,对高铁巡检车上的所述红外摄像头与可见光摄像头获取检测图像数据进行帧同步;帧同步的过程为:
步骤1,对红外图像结果集和可见光图像结果集,选取同一时间段内的多帧红外检测图像与可见光检测图像,分别组成红外检测图像序列集合 和可见光检测图像序列集合 ,其中m和n分别为第m帧红外检测图像与第n帧可见光检测图像(101);和是单帧图像的数据,可以是单通道数据,也可以是多通道数据,例如RGB数据;
步骤2,对所述选取的多帧红外检测图像与可见光检测图像进行灰度化处理(102);选取图像的数量并没有严格限定,为了减少计算时间,通常选取20-30帧连续图像进行分析。
步骤3,对灰度化处理后的每帧图像取像素点灰度总值,得到红外检测图像灰度总值序列 和可见光检测图像灰度总值序列,其中为第m帧红外检测图像的灰度总值,为第n帧可见光检测图像的灰度总值,并将连续的多帧图像的灰度总值绘制成直方图(103);图2是红外检测图像数据灰度总值图像序列;图3是可见光检测图像数据灰度总值图像序列。从图中可以看出,二者虽然灰度总值不同,但是灰度总值的图像序列十分详尽。
步骤4,使用窗口移动算法,对所述红外检测图像灰度总值序列和所述可见光检测图像灰度总值序列进行匹配计算,得到2个序列集合的匹配关系(104)。窗口移动算法的具体实现方式是,以 为固定数列(201),为移动数列(202),将所述2个数列进行匹配计算,计算窗口(203)为2个数列均有数值的重合部分,如图4所示。匹配计算是计算2个数列重合部分的差异C,初始状态2个数列重合,窗口移动步数 ,当所述移动数列(202) 向所述固定数列(201)后端移动时,所述窗口移动步数t为正值,当t为正数或0时,具体计算公式为 ,当所述移动数列(202)向所述固定数列(201)前端移动时,所述窗口移动步数t为负值, ,其中t为窗口移动步数,t的取值范围是,对所有步数的C值进行计算,取C值最小的时候的t值,作为帧校正步数,校正红外检测图像序列集合 和可见光检测图像序列集合 的对应关系,即将第n+t帧可见光检测图像与第n帧红外检测图像相对应。
根据得到的匹配关系将所述红外图像结果集和可见光图像结果集进行数据匹配,从图2和图3中的灰度总值图像序列可以判断出,红外检测图像数据与可见光检测图像数据相差1帧。
如图2所示,将匹配后的所述红外图像结果集和可见光图像结果集数据使用融合算法进行融合,所述融合公式表示为: ,其中 和 为帧同步后的红外图像结果集和可见光图像结果集,y为融合后的高铁检修数据,函数f为融合算法,其具体计算过程为:
得到融合后的高铁检修数据y,所述高铁检修数据通过有效保存了源图像中的纹理特征信息,通过 有效保存了源图像中的边缘及结构信息。最终重构出的融合图像比使用单一融合算法效果提升明显。这样的图像可以提高后续故障自动识别的准确率,有效提升检修效率。
实施例2
本示例实施方式中,具体来说,提供一种图像数据获取装置,包括:相对位置与相对角度固定的红外摄像头和可见光摄像头,这样可以保证二者取景范围大致相同,便于进行图像融合;计时装置,对所述红外摄像头和所述可见光摄像头采集的红外图像数据和可见光图像数据的时间进行记录,使所述采集的红外图像数据和可见光图像数据的每一幅图像均带有时间标签,这个时间标签是图像对应的时间标签,由于不同传感器采集数据的效果存在差异,所以虽然时间标签相同,但还是存在获取图像的真正曝光时间具有差别的可能,所以,后续的图像处理过程中,帧同步过程必不可少。获取红外检测图像数据与获取可见光检测图像数据的时间间隔相同,这样可以在帧同步的过程中不用考虑二者图像间隔时间统一的问题。
实施例3
本示例实施方式中,具体来说,提供一种使用融合算法处理高铁检修数据的装置,该装置使用具有相对位置与相对角度固定的红外摄像头和可见光摄像头的图像数据获取装置获取图像数据;数据处理装置。在检测图像间隔时间较长、图像梳理数据量能够承受的情况下直接在终端进行数据处理,如果终端处理能力不足,采用上传数据到服务器的方式进行后续数据处理。或者根据实际设备情况同时使用终端与服务器。
根据检测图像的数据量,可以对图像融合算法进行替换,当图像帧间隔时间较长,或者数据上传服务器得到更大算力的情况下,第二滤波层图像融合可采用支持向量机、神经网络等算法。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (4)
1.一种使用融合算法处理高铁检修数据的方法,其特征在于,所述方法包括:
获取红外检测图像数据,其中,所述红外检测图像数据为高铁巡检车上的红外摄像头获取的检测图像数据,所述红外检测图像数据进行表示为红外图像结果集;
获取可见光检测图像数据,其中,所述可见光检测图像数据为高铁巡检车上的可见光摄像头获取的检测图像数据,所述可见光检测图像数据表示为可见光图像结果集;
对高铁巡检车上的所述红外摄像头与可见光摄像头获取检测图像数据进行帧同步;
所述帧同步的过程为:
步骤1,对红外图像结果集和可见光图像结果集,选取同一时间段内的多帧红外检测图像与可见光检测图像,分别组成红外检测图像序列集合和可见光检测图像序列集合,其中m和n分别为第m帧红外检测图像与第n帧可见光检测图像(101);
步骤2,对所述选取的多帧红外检测图像与可见光检测图像进行灰度化处理(102);
步骤3,对灰度化处理后的每帧图像取像素点灰度总值,将连续的多个图像的灰度总值绘制成直方图(103);
步骤4,使用窗口移动算法,对所述红外检测图像序列集合H和所述可见光检测图像序列集合K进行图像匹配计算,得到2个图像序列集合的匹配关系(104),窗口移动算法的具体实现方式是,以为固定数列(201),为移动数列(202),将所述2个数列进行匹配计算,计算窗口(203)为2个数列均有数值的重合部分,匹配计算是计算2个数列重合部分的差异C,初始状态2个数列重合,窗口移动步数,当所述移动数列(202)向所述固定数列(201)后端移动时,所述窗口移动步数t为正值,当t为正数或0时,具体计算公式为,当所述移动数列(202)向所述固定数列(201)前端移动时,所述窗口移动步数t为负值,,其中t为窗口移动步数,t的取值范围是,对所有步数的C值进行计算,取C值最小的时候的t值,作为帧校正步数,校正红外检测图像序列集合和可见光检测图像序列集合的对应关系;
将所述红外图像结果集和可见光图像结果集进行数据匹配;
将匹配后的所述红外图像结果集和可见光图像结果集数据使用融合算法进行融合,得到融合后的高铁检修数据。
2.据权利要求1所述的方法,其特征在于,
获取红外检测图像数据与获取可见光检测图像数据的时间间隔相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310169536.5A CN115866155B (zh) | 2023-02-27 | 2023-02-27 | 一种使用融合算法处理高铁检修数据的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310169536.5A CN115866155B (zh) | 2023-02-27 | 2023-02-27 | 一种使用融合算法处理高铁检修数据的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115866155A CN115866155A (zh) | 2023-03-28 |
CN115866155B true CN115866155B (zh) | 2023-05-16 |
Family
ID=85659117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310169536.5A Active CN115866155B (zh) | 2023-02-27 | 2023-02-27 | 一种使用融合算法处理高铁检修数据的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115866155B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971385A (zh) * | 2017-03-30 | 2017-07-21 | 西安微电子技术研究所 | 一种飞行器态势感知用多源图像实时融合方法及其装置 |
CN112017139A (zh) * | 2020-09-14 | 2020-12-01 | 南昌航空大学 | 一种红外与可见光图像感知融合方法 |
CN114612359A (zh) * | 2022-03-09 | 2022-06-10 | 南京理工大学 | 基于特征提取的可见光与红外图像融合方法 |
WO2023015980A1 (zh) * | 2021-08-11 | 2023-02-16 | 荣耀终端有限公司 | 拍摄方法及其相关设备 |
-
2023
- 2023-02-27 CN CN202310169536.5A patent/CN115866155B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971385A (zh) * | 2017-03-30 | 2017-07-21 | 西安微电子技术研究所 | 一种飞行器态势感知用多源图像实时融合方法及其装置 |
CN112017139A (zh) * | 2020-09-14 | 2020-12-01 | 南昌航空大学 | 一种红外与可见光图像感知融合方法 |
WO2023015980A1 (zh) * | 2021-08-11 | 2023-02-16 | 荣耀终端有限公司 | 拍摄方法及其相关设备 |
CN114612359A (zh) * | 2022-03-09 | 2022-06-10 | 南京理工大学 | 基于特征提取的可见光与红外图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115866155A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN111462128B (zh) | 一种基于多模态光谱图像的像素级图像分割系统及方法 | |
JP5443435B2 (ja) | タイヤの欠陥検出方法 | |
CN111972700B (zh) | 烟支外观检测方法及其装置、设备、系统和介质 | |
CN111965636A (zh) | 一种基于毫米波雷达和视觉融合的夜间目标检测方法 | |
CN106442556A (zh) | 一种板状带孔工件表面缺陷检测装置和方法 | |
CN104766319B (zh) | 提升夜间拍照图像配准精度的方法 | |
US11275947B2 (en) | Image processing system, image processing method, and image processing program | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN109489724A (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN110675335A (zh) | 基于多分辨率残差融合网络的浅表静脉增强方法 | |
CN113139900B (zh) | 一种棒材完整表面图像获取方法 | |
CN108198198A (zh) | 基于小波变换和导向滤波的单帧红外小目标检测方法 | |
CN112419261B (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
CN106228541A (zh) | 视觉检测中屏幕定位的方法及装置 | |
CN112330613A (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
CN112801927A (zh) | 一种基于三尺度分解的红外和可见光图像融合方法 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN110827375B (zh) | 一种基于微光图像的红外图像真彩着色方法及系统 | |
CN115375991A (zh) | 一种强/弱光照和雾环境自适应目标检测方法 | |
CN105608674B (zh) | 一种基于图像配准、插值和去噪的图像增强方法 | |
CN115866155B (zh) | 一种使用融合算法处理高铁检修数据的方法及装置 | |
CN111089586B (zh) | 一种基于多帧累加算法的全天时星敏感器星点提取方法 | |
Chen et al. | Night-time pedestrian detection by visual-infrared video fusion | |
Tribak et al. | Remote solar panels identification based on patterns localization |
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 |