CN116823678B - 图像缺陷点智能修复系统 - Google Patents
图像缺陷点智能修复系统 Download PDFInfo
- Publication number
- CN116823678B CN116823678B CN202311094295.9A CN202311094295A CN116823678B CN 116823678 B CN116823678 B CN 116823678B CN 202311094295 A CN202311094295 A CN 202311094295A CN 116823678 B CN116823678 B CN 116823678B
- Authority
- CN
- China
- Prior art keywords
- image
- node
- pixel
- color
- target
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 70
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 27
- 108091026890 Coding region Proteins 0.000 claims description 3
- 239000003086 colorant Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了图像缺陷点智能修复系统,涉及人图像处理技术领域;包括监控中心,所述监控中心通信连接有图像数据采集模块、图像数据处理模块、图像数据分析模块以及图像修复模块;所述图像数据采集模块用于采集图像的图像信息数据;所述图像数据处理模块用于对图像信息数据进行处理,根据处理结果,获得目标节点位置数量,进而获得缺陷概率值;所述图像数据分析模块用于根据缺陷概率值对图像信息数据进行分析,根据分析结果,获得图像像素修复位置,进而获得图像像素修复位置对应的节点色彩数值;所述图像修复模块用于根据图像像素修复位置对图像缺陷点进行修复;本发明实现了图像像素缺陷的智能修复。
Description
技术领域
本发明涉及图像处理技术领域,具体是图像缺陷点智能修复系统。
背景技术
在现有技术中,摄像机拍摄的图像存在很多缺陷点,例如,像素过低、色彩失真、噪点过多以及照片四周产生镜头畸变图像轻度扭曲等;造成图像清晰度过低,导致无法清晰的查看摄像机拍摄的图像,无法对图像的像素进行修复,无法提高像素的修复速度,因此,提供了图像缺陷点智能修复系统。
发明内容
为了解决上述技术问题,本发明提供图像缺陷点智能修复系统;
本发明的目的可以通过以下技术方案实现:图像缺陷点智能修复系统,包括监控中心,所述监控中心通信连接有图像数据采集模块、图像数据处理模块、图像数据分析模块以及图像修复模块;
所述图像数据采集模块用于采集图像的图像信息数据;
所述图像数据处理模块用于对图像信息数据进行处理,根据处理结果,获得目标节点位置数量,进而获得缺陷概率值;
所述图像数据分析模块用于根据缺陷概率值对图像信息数据进行分析,根据分析结果,获得图像像素修复位置,进而获得图像像素修复位置对应的节点色彩数值;
所述图像修复模块用于根据图像像素修复位置对图像缺陷点进行修复。
进一步的,所述图像数据采集模块采集图像的图像信息数据的过程包括:
将摄像机拍摄的图像标记为目标图像,并将目标图像发送至计算机,计算机接收到目标图像,将目标图像生成目标位图,进而获得目标位图的原始像素;
所述原始像素由若干个小正方块、小正方块对应的位置以及小正方块对应的色彩数值组成;将若干个小正方块生成若干个像素节点,并进行编号,获得对应的序列号,进而将小正方块对应的位置生成节点位置,将小正方块对应的色彩数值生成节点色彩数值;
所述序列号为i,其中i=1,2,3,...,n,且n为正整数;
所述图像信息数据包括像素节点、节点位置以及节点色彩数值。
进一步的,所述目标节点位置数量的获得过程包括:
采集目标位图的中心点,并以目标位图的中心点为原点建立二维直角坐标系,将第i个像素节点的节点位置标记为(xi,yi),xi为第i个像素节点的横坐标,yi为第i个像素节点的纵坐标,将第i个像素节点对应的节点色彩数值标记为wi;
进而将像素节点、节点位置以及节点色彩数值生成原始像素数据集,并将若干个原始像素数据集根据像素节点的进行存储,生成原始像素数据集库发送至云端数据库;
获取目标位图所有像素节点对应的节点色彩数值,将节点色彩数值相同的节点位置按照像素节点的编码顺序进行依次连接成线,并生成节点色彩数值线,进而获得节点色彩数值线上所有像素节点的数量,生成线上像素节点数量;
将目标位图生成的若干个节点色彩数值线按照节点色彩数值从大到小的顺序进行编码,编码为k=1,2,3,4,...,m,且m为正整数。
进一步的,采集节点色彩数值线上每个像素节点对应的颜色,将颜色相同的像素节点进行设置同类标签,采集同类标签的数量,标记为同类标签数量,对同一个节点色彩数值线上的若干个同类标签数量进行比较,将获得同类标签数量最少的像素节点对应的节点位置;并生成目标节点位置,若同类标签数量相同,则同时获得相同的同类标签的像素节点对应的节点位置;并生成目标节点位置;采集目标节点位置的数量,并生成目标节点位置数量;
进一步的,所述缺陷概率值的获得过程包括:
根据同类标签数量和目标节点位置数量,获得目标节点位置出现的缺陷概率值,即公式为:
;
其中,Pm表示编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值; d表示同类标签数量、n表示目标节点位置数量,R表示大于0的系数,表示对/>求导。
进一步的,所述图像像素修复位置的获得过程包括:
设置目标节点位置的缺陷概率值阈值范围[Pm1,Pm2],Pm1为编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值阈值下限,Pm2为编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值阈值上限,将目标节点位置的缺陷概率值与目标节点位置的缺陷概率值阈值进行比较;
若Pm1≤Pm≤Pm2,则目标节点位置不需要进行像素的修复;
若Pm1>Pm或Pm>Pm2,则目标节点位置需要进行像素的修复;并获得Pm对应编码为m的节点色彩数值线的所有目标节点位置,并生成图像像素修复位置;
进一步的,所述节点色彩数值的获得过程包括:
根据图像像素修复位置获得原始像素数据集库中的目标节点位置对应的节点色彩数值,并标记为wi。
进一步的,所述图像修复模块根据图像像素修复位置对图像缺陷点进行修复的过程包括:
根据图像像素修复位置对应的颜色,设置对应颜色的标准色彩数值W,将图像像素修复位置对应的节点色彩数值wi与对应颜色的标准色彩数值W进行比较;
若wi<W,则将图像像素修复位置对应的节点色彩数值进行升高到标准色彩数值W;
若wi>W,则将图像像素修复位置对应的节点色彩数值进行降低到标准色彩数值W;
若wi=W,则生成报警信号,并重新进行获得图像像素修复位置以及对应的节点色彩数值。
与现有技术相比,本发明的有益效果是:利用图像数据采集模块采集图像的图像信息数据;将采集的图像信息数据发送至图像数据处理模块进行处理,根据处理结果,获得目标节点位置数量,进而获得缺陷概率值;并将缺陷概率值发送至图像数据分析模块,根据缺陷概率值对图像信息数据进行分析,根据分析结果,获得图像像素修复位置,进而获得图像像素修复位置对应的节点色彩数值;图像修复模块接收到节点色彩数值,根据图像像素修复位置以及节点色彩数值对图像缺陷点进行修复;实现了图像像素缺陷的智能修复,提高了图像的清晰度和修复速度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的图像缺陷点智能修复系统结构框图。
具体实施方式
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
如图1所示,图像缺陷点智能修复系统,包括监控中心,所述监控中心通信连接有图像数据采集模块、图像数据处理模块、图像数据分析模块以及图像修复模块;
所述图像数据采集模块用于采集图像的图像信息数据,具体过程包括:
将摄像机拍摄的图像标记为目标图像,并将目标图像发送至计算机,计算机接收到目标图像,将目标图像生成目标位图,进而获得目标位图的原始像素;
所述原始像素由若干个小正方块、小正方块对应的位置以及小正方块对应的色彩数值组成;将若干个小正方块生成若干个像素节点,并进行编号,获得像素节点的序列号;进而将小正方块对应的位置生成节点位置,将小正方块对应的色彩数值生成节点色彩数值;
所述序列号为i,其中i=1,2,3,...,n,且n为正整数;
所述图像信息数据包括像素节点、节点位置以及节点色彩数值;
需要进一步说明的是,在具体实施过程中,图像的像素影响着图像的清晰度,当摄像机拍摄的图像的原始像素很低,无法对图像进行清楚的识别,原始像素低主要由于色彩数据值低而造成的。
所述图像数据处理模块用于对图像信息数据进行处理,根据处理结果,获得缺陷概率值,具体过程包括:
采集目标位图的中心点,并以目标位图的中心点为原点建立二维直角坐标系,将第i个像素节点的节点位置标记为(xi,yi),xi为第i个像素节点的横坐标,yi为第i个像素节点的纵坐标,将第i个像素节点对应的节点色彩数值标记为wi;
进而将像素节点、节点位置以及节点色彩数值生成原始像素数据集,所述原始像素数据集表示为{i,(xi,yi),wi},将若干个原始像素数据集根据像素节点的进行存储,生成原始像素数据集库发送至云端数据库;
获取目标位图所有像素节点对应的节点色彩数值,将节点色彩数值相同的节点位置按照像素节点的编码顺序进行依次连接成线,并生成节点色彩数值线,进而获得节点色彩数值线上所有像素节点的数量,生成线上像素节点数量;
将目标位图生成若干个节点色彩数值线,并将若干个节点色彩数值线按照节点色彩数值从大到小的顺序进行编码,所述编码为k=1,2,3,4,...,m,且m为正整数;进而获得总节点色彩数值线数量,并将其发送至云数据库进行存储;
采集每个节点色彩数值线上每个像素节点对应的颜色,将颜色相同的像素节点进行设置同类标签,采集同类标签的数量,标记为同类标签数量,对同一个节点色彩数值线上的若干个同类标签数量进行比较,若同类标签数量不同,则将获得同类标签数量最少的像素节点对应的节点位置;并生成目标节点位置,若同类标签数量相同,则同时获得相同的同类标签的像素节点对应的节点位置;并生成目标节点位置;采集目标节点位置的数量,并根据目标节点位置的数量生成目标节点位置数量;
需要进一步说明的是,在具体实施过程中,例如,若根据节点色彩数值线上3个像素节点对应的颜色获得的同类标签进行分别标记为H1,H2以及H3,进而获得对应同类标签数量分别标记为q1,q2以及q3,对同类标签数量进行比较获得比较结果为q2>q1>q3,则获得同类标签数量q3对应的像素节点对应的节点位置;若q2>q1=q3,则获得同类标签数量q1和同类标签数量q3两个同类标签数量相同的像素节点对应的节点位置;需要进一步说明的是,获取每条节点色彩数值线上每个像素节点对应的颜色,像素节点的节点色彩数值相同,但颜色不同,则获得颜色不同的像素节点,并对该像素节点进行处理,判断是否为缺陷像素节点;
根据同类标签数量和目标节点位置数量,获得目标节点位置出现的缺陷概率值,即公式为:
;
其中,Pm表示编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值; d表示同类标签数量、n表示目标节点位置数量,R表示大于0的系数,表示对/>求导。
需要进一步说明的是,在具体实施过程中,获得的目标节点位置并不能直接证明该目标节点位置就是需要图像修复的位置,需要进一步获得该目标节点位置的缺陷概率值;
将获得的缺陷概率值发送至图像数据分析模块进行分析。
所述图像数据分析模块用于根据缺陷概率值对图像信息数据进行分析,根据分析结果,获得图像像素修复位置,具体过程包括:
设置目标节点位置的缺陷概率值阈值范围[Pm1,Pm2],Pm1为编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值阈值下限,Pm2为编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值阈值上限,将目标节点位置的缺陷概率值与目标节点位置的缺陷概率值阈值进行比较;
若Pm1≤Pm≤Pm2,则目标节点位置不需要进行像素的修复;
若Pm1>Pm或Pm>Pm2,则目标节点位置需要进行像素的修复;并获得Pm对应编码为m的节点色彩数值线的所有目标节点位置(xi,yi),并生成图像像素修复位置;进而根据图像像素修复位置获得原始像素数据集库中的目标节点位置对应的节点色彩数值wi;
需要进一步说明的是,在具体实施过程中,例如, m=1时,P11为编码为1的节点色彩数值线的目标节点位置出现的缺陷概率值阈值下限,P12为编码为1的节点色彩数值线的目标节点位置出现的缺陷概率值阈值上限,P1编码为1的节点色彩数值线的目标节点位置出现的缺陷概率值,当P11>P1或P1>P12,则目标节点位置需要进行像素的修复;并获得P1对应编码为1的节点色彩数值线的所有目标节点位置,当获取的所有目标节点位置为(x1,y1)、(x4,y4)以及(x6,y6),则根据目标节点位置获得原始像素数据集中的目标节点位置对应的节点色彩数值w1、w4以及w6;其中,(x1,y1)为第1个像素节点的节点位置;(x4,y4)为第4个像素节点的节点位置;(x6,y6)为第6个像素节点的节点位置;w1为第1个像素节点对应的节点色彩数值;w4为第4个像素节点对应的节点色彩数值;w6为第6个像素节点对应的节点色彩数值。
需要进一步说明,获得的目标节点位置是在同一个节点色彩数值线上,因此,w1=w4=w6;但w1、w4以及w6对应的颜色是不相同的;
将图像像素修复位置发送至图像修复模块进行修复。
所述图像修复模块用于根据图像像素修复位置对图像缺陷点进行修复,具体过程包括:
根据图像像素修复位置对应的颜色,设置对应颜色的标准色彩数值W,将图像像素修复位置对应的节点色彩数值wi与对应颜色的标准色彩数值W进行比较;
若wi<W,则将图像像素修复位置对应的节点色彩数值进行升高到标准色彩数值W;
若wi>W,则将图像像素修复位置对应的节点色彩数值进行降低到标准色彩数值W;
若wi=W,则生成报警信号,并重新进行获得图像像素修复位置以及对应的节点色彩数值;
需要进一步说明的是,在具体实施过程中,将图像像素进行修复之后,图像的清晰度会提高,达到图像缺陷点智能修复效果。
工作原理:利用图像数据采集模块采集图像的图像信息数据;将采集的图像信息数据发送至图像数据处理模块进行处理,根据处理结果,获得目标节点位置数量,进而获得缺陷概率值;并将缺陷概率值发送至图像数据分析模块,根据缺陷概率值对图像信息数据进行分析,根据分析结果,获得图像像素修复位置,进而获得图像像素修复位置对应的节点色彩数值;图像修复模块接收到节点色彩数值,根据图像像素修复位置以及节点色彩数值对图像缺陷点进行修复;本发明实现了图像像素缺陷的智能修复,提高了图像的清晰度和修复速度。
上面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以上结合附图及具体实施例,对本申请进行进一步详细描述;应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请;对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施;上面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请的更好的理解。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (6)
1.图像缺陷点智能修复系统,包括监控中心,其特征在于,所述监控中心通信连接有图像数据采集模块、图像数据处理模块、图像数据分析模块以及图像修复模块;
所述图像数据采集模块用于采集图像的图像信息数据,所述图像信息数据包括像素节点、节点位置以及节点色彩数值;
所述图像数据处理模块用于对图像信息数据进行处理,根据处理结果,获得目标节点位置数量,进而获得缺陷概率值,即公式为:
;
其中,Pm表示编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值; d表示同类标签数量、n表示目标节点位置数量,R表示大于0的系数,表示对/>求导;
所述图像数据分析模块用于根据缺陷概率值对图像信息数据进行分析,根据分析结果,获得图像像素修复位置,进而获得图像像素修复位置对应的节点色彩数值;
所述图像修复模块用于根据图像像素修复位置对图像缺陷点进行修复;
所述目标节点位置数量的获得过程包括:
采集目标位图的中心点,并以中心点为原点建立二维直角坐标系,对节点位置进行编码,并将编码以及对应的节点色彩数值进行标记;
进而将像素节点、节点位置以及节点色彩数值生成原始像素数据集,根据像素节点的不同,生成若干个原始像素数据集并进行存储,生成原始像素数据集库;
获取目标位图所有像素节点对应的节点色彩数值,将节点色彩数值相同的节点位置按照像素节点的编码顺序进行依次连接成线,并生成节点色彩数值线,进而获得节点色彩数值线上所有像素节点的数量,生成线上像素节点数量;
将目标位图生成的若干个节点色彩数值线按照节点色彩数值从大到小的顺序进行编码;
采集节点色彩数值线上每个像素节点对应的颜色,将颜色相同的像素节点进行设置同类标签,采集同类标签的数量,标记为同类标签数量,对同一个节点色彩数值线上的若干个同类标签数量进行比较,若同类标签数量不同,则获得同类标签数量最少的像素节点对应的节点位置,并将其记为目标节点位置;若同类标签数量相同,则同时获得相同的同类标签的像素节点对应的节点位置,并将其记为目标节点位置,并获得目标节点位置数量。
2.根据权利要求1所述的图像缺陷点智能修复系统,其特征在于,所述图像数据采集模块采集图像的图像信息数据的过程包括:
将摄像机拍摄的图像标记为目标图像,并将目标图像发送至计算机,计算机接收到目标图像,将目标图像生成目标位图,进而获得目标位图的原始像素;
所述原始像素由若干个小正方块、小正方块对应的位置以及小正方块对应的色彩数值组成;将若干个小正方块生成若干个像素节点,并进行编号,根据编号获得像素节点的序列号,将小正方块对应的位置以及小正方块对应的色彩数值分别对应生成节点位置以及节点色彩数值。
3.根据权利要求1所述的图像缺陷点智能修复系统,其特征在于,所述缺陷概率值的获得过程包括:
根据同类标签数量和目标节点位置数量,获得目标节点位置的缺陷概率值,并标记为Pm。
4.根据权利要求3所述的图像缺陷点智能修复系统,其特征在于,所述图像像素修复位置的获得过程包括:
设置目标节点位置的缺陷概率值阈值范围[Pm1,Pm2],Pm1为编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值阈值下限,Pm2为编码为m的节点色彩数值线的目标节点位置出现的缺陷概率值阈值上限,将目标节点位置的缺陷概率值与目标节点位置的缺陷概率值阈值进行比较;
若Pm1≤Pm≤Pm2,则目标节点位置不需要进行像素的修复;
若Pm1>Pm或Pm>Pm2,则目标节点位置需要进行像素的修复;并获得Pm对应编码为m的节点色彩数值线的所有目标节点位置,并生成图像像素修复位置。
5.根据权利要求4所述的图像缺陷点智能修复系统,其特征在于,所述节点色彩数值的获得过程包括:
根据图像像素修复位置获得原始像素数据集库中的目标节点位置对应的节点色彩数值,并标记为wi。
6.根据权利要求5所述的图像缺陷点智能修复系统,其特征在于,所述图像修复模块根据图像像素修复位置对图像缺陷点进行修复的过程包括:
根据图像像素修复位置对应的颜色,设置对应颜色的标准色彩数值W,将图像像素修复位置对应的节点色彩数值wi与对应颜色的标准色彩数值W进行比较;
若wi<W,则将图像像素修复位置对应的节点色彩数值进行升高到标准色彩数值W;
若wi>W,则将图像像素修复位置对应的节点色彩数值进行降低到标准色彩数值W;
若wi=W,则生成报警信号,并重新进行获得图像像素修复位置以及对应的节点色彩数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094295.9A CN116823678B (zh) | 2023-08-29 | 2023-08-29 | 图像缺陷点智能修复系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094295.9A CN116823678B (zh) | 2023-08-29 | 2023-08-29 | 图像缺陷点智能修复系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823678A CN116823678A (zh) | 2023-09-29 |
CN116823678B true CN116823678B (zh) | 2023-11-17 |
Family
ID=88117045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311094295.9A Active CN116823678B (zh) | 2023-08-29 | 2023-08-29 | 图像缺陷点智能修复系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823678B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014132392A (ja) * | 2013-01-04 | 2014-07-17 | Fujitsu Ltd | 画像処理装置、画像処理方法及びプログラム |
CN106683263A (zh) * | 2017-01-10 | 2017-05-17 | 中国人民银行印制科学技术研究所 | 有价票据的缺陷管理、图像分析、质量检测的方法及系统 |
CN107507137A (zh) * | 2017-07-14 | 2017-12-22 | 深圳前海城市宠儿网络科技有限公司 | 一种图像修复方法及系统 |
CN112950485A (zh) * | 2020-11-27 | 2021-06-11 | 京东数字科技控股股份有限公司 | 色卡及图像色差处理方法、装置、电子设备和存储介质 |
JP2021117155A (ja) * | 2020-01-28 | 2021-08-10 | オムロン株式会社 | 検査装置、検査方法、及び検査プログラム |
CN115131228A (zh) * | 2022-04-01 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 一种图像复原方法、系统及存储介质和终端设备 |
CN116416161A (zh) * | 2023-04-13 | 2023-07-11 | 西南石油大学 | 一种改进生成对抗网络的图像修复方法 |
-
2023
- 2023-08-29 CN CN202311094295.9A patent/CN116823678B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014132392A (ja) * | 2013-01-04 | 2014-07-17 | Fujitsu Ltd | 画像処理装置、画像処理方法及びプログラム |
CN106683263A (zh) * | 2017-01-10 | 2017-05-17 | 中国人民银行印制科学技术研究所 | 有价票据的缺陷管理、图像分析、质量检测的方法及系统 |
CN107507137A (zh) * | 2017-07-14 | 2017-12-22 | 深圳前海城市宠儿网络科技有限公司 | 一种图像修复方法及系统 |
JP2021117155A (ja) * | 2020-01-28 | 2021-08-10 | オムロン株式会社 | 検査装置、検査方法、及び検査プログラム |
CN112950485A (zh) * | 2020-11-27 | 2021-06-11 | 京东数字科技控股股份有限公司 | 色卡及图像色差处理方法、装置、电子设备和存储介质 |
CN115131228A (zh) * | 2022-04-01 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 一种图像复原方法、系统及存储介质和终端设备 |
CN116416161A (zh) * | 2023-04-13 | 2023-07-11 | 西南石油大学 | 一种改进生成对抗网络的图像修复方法 |
Non-Patent Citations (7)
Title |
---|
A Derivative Augmented Lagrangian Method for Fast Total Variation Based Image Restoration;Dongwei Ren等;Intelligence Science and Big Data Engineering;全文 * |
Color image retrieval technique based on color features and image bitmap;Tzu-Chuen Lu;Information Processing & Management;全文 * |
Real-Time Photo Sensor Dead Pixel Detection for Embedded Devices;Chao-Yi Cho;2011 International Conference on Digital Image Computing: Techniques and Applications;全文 * |
一种图像缺损修复算法分析;王永飞;;激光与光电子学进展(第12期);全文 * |
公安视频图像中运动目标识别技术的研究与应用;王飞;;警察技术(第02期);全文 * |
基于图像处理技术的中国画色彩修复系统设计;赵男;;现代电子技术(第17期);全文 * |
基于深度残差网络的红外热波图像去模糊;刘西宁;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116823678A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN106875437B (zh) | 一种面向rgbd三维重建的关键帧提取方法 | |
CN114240939B (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
CN113379833B (zh) | 一种基于神经网络的图像可见水印的定位和分割方法 | |
CN112785578A (zh) | 一种基于u型编码解码器神经网络的道路裂缝检测方法及系统 | |
CN116309483A (zh) | 基于ddpm的半监督变电设备表征缺陷检测方法及系统 | |
CN116823678B (zh) | 图像缺陷点智能修复系统 | |
CN114187247A (zh) | 一种基于图像配准的安瓿瓶印刷字缺陷检测方法 | |
CN111161228B (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
CN112991396B (zh) | 一种基于监控摄像头下的目标跟踪方法及装置 | |
CN112070048B (zh) | 基于RDSNet的车辆属性识别方法 | |
CN114494931A (zh) | 一种针对视频图像故障的智能分类处理方法和系统 | |
CN111089865B (zh) | 一种基于f-rcnn的缺陷电缆检测方法 | |
CN114612460A (zh) | 一种输电故障类型自动识别判断方法 | |
CN114299307A (zh) | 一种输电线路图像标注方法及相关装置 | |
CN112347865A (zh) | 一种基于关键点检测的票据矫正方法 | |
CN113159158A (zh) | 一种基于生成对抗网络的车牌矫正与重构方法及系统 | |
CN111583130A (zh) | 一种用于lpr的恢复车牌图像的方法 | |
CN111783794B (zh) | 一种基于深度可分离卷积残差块和改进nms的多尺度目标检测方法 | |
CN109886276A (zh) | 一种表盘滚动数字字符的半字判断方法 | |
CN114299588B (zh) | 一种基于局部空间转换网络的实时目标编辑方法 | |
CN114565924B (zh) | 一种基于像素提取的矩形标志位的检测方法 | |
CN113947563B (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
CN113393518B (zh) | 一种图片曲线相对数值坐标自动提取方法 | |
CN115631156A (zh) | ADC系统通过灰阶图片辅助来判断Code信息的方法 |
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 |