CN116912338A - 一种用于纺织品的像素图片矢量化方法 - Google Patents
一种用于纺织品的像素图片矢量化方法 Download PDFInfo
- Publication number
- CN116912338A CN116912338A CN202310776282.3A CN202310776282A CN116912338A CN 116912338 A CN116912338 A CN 116912338A CN 202310776282 A CN202310776282 A CN 202310776282A CN 116912338 A CN116912338 A CN 116912338A
- Authority
- CN
- China
- Prior art keywords
- picture
- textile
- pixel
- segmentation
- channel
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 description 11
- 238000000605 extraction Methods 0.000 description 5
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 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
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain 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
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于纺织品的像素图片矢量化方法,包括以下步骤:S1.纺织品图片获取:利用图片采集设备对纺织品进行拍摄,获取纺织品的图片,并对获取的纺织品图片进行预处理,得处理后的纺织品图片;S2.图片转换:输入处理后的纺织品图片,将图片每个像素的RGB值转换为8位灰度值,实现图片转换为灰度图;S3.分割:根据灰度图,对图片进行降噪处理后,完成图片区域的分割,获得不同的分割区域;S4.计算分割区域的亚像素精度公共边界,然后确定边界上的节点。本发明通过在纺织品图片获取时,对获取的纺织品图片进行预处理,从而能够得到更清晰的纺织品图片,有利于后续的矢量化处理。
Description
技术领域
本发明属于纺织品技术领域,具体涉及一种用于纺织品的像素图片矢量化方法。
背景技术
图片矢量化就是一种图像的转变,当前的矢量化方法中,最常用的框架是首先对图像、视频进行分割,然后对分割后的内容进行矢量化。
如授权公告号为CN109741380A所公开的纺织品图片快速匹配方法和装置,其中方法包括:获取待匹配的纺织品图片;获取纺织品图片中像素的灰度值、HSV颜色空间值和坐标值;根据灰度值、HSV颜色空间值和坐标值,计算纺织品图片的颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量;根据纺织品图片的颜色全局特征向量与纺织品图片特征库中的各个类簇质心特征向量的颜色全局特征向量之间的第一欧式距离,确定纺织品图片所属的类簇质心特征向量的分组;根据颜色全局特征向量、颜色局部特征向量和灰度纹理局部特征向量,确定纺织品图片在类簇质心特征向量的分组中匹配的样本图像。采用本方法能够提升纺织品图片匹配的准确性和效率。
但是并未解决现有的用于纺织品的像素图片矢量化还存在一些的问题:获取的纺织品的像素图片的清晰度不高,导致后续的矢量化处理后的矢量化图片的清晰度也不高,另外再图片分割时,会受到噪声干扰,导致特征提取不准确,且会导致图片分割不准确,为此我们提出一种用于纺织品的像素图片矢量化方法。
发明内容
本发明的目的在于提供一种用于纺织品的像素图片矢量化方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种用于纺织品的像素图片矢量化方法,包括以下步骤:
S1.纺织品图片获取:利用图片采集设备对纺织品进行拍摄,获取纺织品的图片,并对获取的纺织品图片进行预处理,得处理后的纺织品图片;
S2.图片转换:输入处理后的纺织品图片,将图片每个像素的RGB值转换为8位灰度值,实现图片转换为灰度图;
S3.分割:根据灰度图,对图片进行降噪处理后,完成图片区域的分割,获得不同的分割区域;
S4.计算分割区域的亚像素精度公共边界,然后确定边界上的节点,包括两个以上区域的公共边界点和边界上的局部曲率极值点;
S5.对节点之间点序列做样条曲线和直线拟合,用得到的曲线和直线表示矢量化区域的边界;
S6.用颜色模型表示矢量化区域的颜色,得到矢量化的图片。
优选的,所述S1中所述预处理包括预设特征度,所述预设特征度用于对参考数据进行数据异常分析与筛选,得到异常图片,将非异常图片数据进行纺织品图片特征分析,筛选出图片特征度大于预设特征度的图片数据,得到高特征对比图片数据。
优选的,所述预处理还包括将所述纺织品图片进行灰度化处理,所述灰度化处理根据YUV的颜色空间,建立亮度Y与R、G、B三个颜色分量的对应:
Y=0.299R+0.578G+0.114B;
其中,Y表示点的亮度反映亮度等级,R表示红色,G表示绿色,B表示蓝色。
优选的,所述S3中分割的具体步骤包括:
S301.对图片进行降噪预处理,得到去噪后的图片;
S302.对去噪声后的图片分别进行灰度处理和超像素分割;
S303.基于超像素分割结果分别提取纹理特征和颜色特征,具体包括:基于超像素分割结果,利用基于总变差模型的滤波方法去除纹理,得到颜色特征,利用Gabor滤波器进行滤波,得到纹理特征;
S304.对经过灰度处理的图片进行几何特征提取,将纹理特征、颜色特征和几何特征进行融合,得到图片分割特征;
S305.基于图片分割特征,采用均值漂移进行图片滤波,得到初步分割结果,对初步分割结果进行区域合并,得到最终的分割结果。
优选的,所述S301中对图片进行降噪预处理具体包括以下步骤:
S3011.对需要降噪的图片进行三通道分离以得到R通道图片、G通道图片以及B通道图片;
S3012.对R通道图片、G通道图片以及B通道图片分别进行卷积滤波处理,卷积滤波处理前,先判断对应卷积的图片块的中心像素点是否为噪声,若为噪声则对该图片块的中心像素点进行卷积滤波处理;
S3013.将卷积滤波处理后的R通道图片、G通道图片以及B通道图片合并以生成去噪图片。
优选的,所述卷积滤波处理具体为:采用奇数维度大小的卷积核,遍历通道图像中每一个图像片,对中心像素点判断为噪声的图片块做卷积。
优选的,所述卷积滤波处理所采用的滤波算法为中值滤波算法、均值滤波算法或者高斯滤波算法中的任意一种。
优选的,所述S304中采用线性融合技术对纹理特征、颜色特征和几何特征进行贝叶斯融合。
优选的,所述S4中确定边界上的节点步骤为:找到两个以上区域的公共边界点和边界上的局部曲率极值点,以此作为点序列的节点。
优选的,所述S4中的亚像素精度通过在像素点之间插入空白像素点,再将其按一定规律填满,即得到区域公共边界点。
与现有技术相比,本发明的有益效果是:
(1)本发明通过在纺织品图片获取时,对获取的纺织品图片进行预处理,从而能够得到更清晰的纺织品图片,有利于后续的矢量化处理。
(2)本发明通过图片转换,将图片转换为灰度图,从而有利于后续的图片降噪处理,且通过图片进行降噪处理,完成图片区域的分割,从而防止噪声对后续特征提取的干扰,造成特征提取的不准确的情况,使得图片分割结果更加准确。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。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。
实施例1
请参阅图1,本发明提供一种技术方案:一种用于纺织品的像素图片矢量化方法,包括以下步骤:
S1.纺织品图片获取:利用图片采集设备对纺织品进行拍摄,获取纺织品的图片,并对获取的纺织品图片进行预处理,得处理后的纺织品图片;
S2.图片转换:输入处理后的纺织品图片,将图片每个像素的RGB值转换为8位灰度值,实现图片转换为灰度图;
S3.分割:根据灰度图,对图片进行降噪处理后,完成图片区域的分割,获得不同的分割区域;
S4.计算分割区域的亚像素精度公共边界,然后确定边界上的节点,包括两个以上区域的公共边界点和边界上的局部曲率极值点;
S5.对节点之间点序列做样条曲线和直线拟合,用得到的曲线和直线表示矢量化区域的边界;
S6.用颜色模型表示矢量化区域的颜色,得到矢量化的图片。
本实施例中,优选的,所述S1中所述预处理包括预设特征度,所述预设特征度用于对参考数据进行数据异常分析与筛选,得到异常图片,将非异常图片数据进行纺织品图片特征分析,筛选出图片特征度大于预设特征度的图片数据,得到高特征对比图片数据。
本实施例中,优选的,所述预处理还包括将所述纺织品图片进行灰度化处理,所述灰度化处理根据YUV的颜色空间,建立亮度Y与R、G、B三个颜色分量的对应:
Y=0.299R+0.578G+0.114B;
其中,Y表示点的亮度反映亮度等级,R表示红色,G表示绿色,B表示蓝色。
本实施例中,优选的,所述S3中分割的具体步骤包括:
S301.对图片进行降噪预处理,得到去噪后的图片;
S302.对去噪声后的图片分别进行灰度处理和超像素分割;
S303.基于超像素分割结果分别提取纹理特征和颜色特征,具体包括:基于超像素分割结果,利用基于总变差模型的滤波方法去除纹理,得到颜色特征,利用Gabor滤波器进行滤波,得到纹理特征;
S304.对经过灰度处理的图片进行几何特征提取,将纹理特征、颜色特征和几何特征进行融合,得到图片分割特征;
S305.基于图片分割特征,采用均值漂移进行图片滤波,得到初步分割结果,对初步分割结果进行区域合并,得到最终的分割结果。
本实施例中,优选的,所述S301中对图片进行降噪预处理具体包括以下步骤:
S3011.对需要降噪的图片进行三通道分离以得到R通道图片、G通道图片以及B通道图片;
S3012.对R通道图片、G通道图片以及B通道图片分别进行卷积滤波处理,卷积滤波处理前,先判断对应卷积的图片块的中心像素点是否为噪声,若为噪声则对该图片块的中心像素点进行卷积滤波处理;
S3013.将卷积滤波处理后的R通道图片、G通道图片以及B通道图片合并以生成去噪图片。
本实施例中,优选的,所述卷积滤波处理具体为:采用奇数维度大小的卷积核,遍历通道图像中每一个图像片,对中心像素点判断为噪声的图片块做卷积。
本实施例中,优选的,所述卷积滤波处理所采用的滤波算法为中值滤波算法、均值滤波算法或者高斯滤波算法中的任意一种。
本实施例中,优选的,所述S304中采用线性融合技术对纹理特征、颜色特征和几何特征进行贝叶斯融合。
本实施例中,优选的,所述S4中确定边界上的节点步骤为:找到两个以上区域的公共边界点和边界上的局部曲率极值点,以此作为点序列的节点。
本实施例中,优选的,所述S4中的亚像素精度通过在像素点之间插入空白像素点,再将其按一定规律填满,即得到区域公共边界点。
实施例2
请参阅图1,本发明提供一种技术方案:一种用于纺织品的像素图片矢量化方法,包括以下步骤:
S1.纺织品图片获取:利用图片采集设备对纺织品进行拍摄,获取纺织品的图片,并对获取的纺织品图片进行预处理,得处理后的纺织品图片;
S2.图片转换:输入处理后的纺织品图片,将图片每个像素的RGB值转换为8位灰度值,实现图片转换为灰度图;
S3.分割:根据灰度图,对图片进行降噪处理后,完成图片区域的分割,获得不同的分割区域;
S4.计算分割区域的亚像素精度公共边界,然后确定边界上的节点,包括两个以上区域的公共边界点和边界上的局部曲率极值点;
S5.对节点之间点序列做样条曲线和直线拟合,用得到的曲线和直线表示矢量化区域的边界;
S6.用颜色模型表示矢量化区域的颜色,得到矢量化的图片。
本实施例中,优选的,所述S1中所述预处理包括预设特征度,所述预设特征度用于对参考数据进行数据异常分析与筛选,得到异常图片,将非异常图片数据进行纺织品图片特征分析,筛选出图片特征度大于预设特征度的图片数据,得到高特征对比图片数据。
本实施例中,优选的,所述预处理还包括将所述纺织品图片进行灰度化处理,所述灰度化处理根据YUV的颜色空间,建立亮度Y与R、G、B三个颜色分量的对应:
Y=0.299R+0.578G+0.114B;
其中,Y表示点的亮度反映亮度等级,R表示红色,G表示绿色,B表示蓝色。
本实施例中,优选的,所述S3中分割的具体步骤包括:
S301.对图片进行降噪预处理,得到去噪后的图片;
S302.对去噪声后的图片分别进行灰度处理和超像素分割;
S303.基于超像素分割结果分别提取纹理特征和颜色特征,具体包括:基于超像素分割结果,利用基于总变差模型的滤波方法去除纹理,得到颜色特征,利用Gabor滤波器进行滤波,得到纹理特征;
S304.对经过灰度处理的图片进行几何特征提取,将纹理特征、颜色特征和几何特征进行融合,得到图片分割特征;
S305.基于图片分割特征,采用均值漂移进行图片滤波,得到初步分割结果,对初步分割结果进行区域合并,得到最终的分割结果。
本实施例中,优选的,所述S301中对图片进行降噪预处理具体包括以下步骤:
S3011.对需要降噪的图片进行三通道分离以得到R通道图片、G通道图片以及B通道图片;
S3012.对R通道图片、G通道图片以及B通道图片分别进行卷积滤波处理,卷积滤波处理前,先判断对应卷积的图片块的中心像素点是否为噪声,若为噪声则对该图片块的中心像素点进行卷积滤波处理;
S3013.将卷积滤波处理后的R通道图片、G通道图片以及B通道图片合并以生成去噪图片。
本发明的原理及优点:
本发明通过在纺织品图片获取时,对获取的纺织品图片进行预处理,从而能够得到更清晰的纺织品图片,有利于后续的矢量化处理;通过图片转换,将图片转换为灰度图,从而有利于后续的图片降噪处理,且通过图片进行降噪处理,完成图片区域的分割,从而防止噪声对后续特征提取的干扰,造成特征提取的不准确的情况,使得图片分割结果更加准确。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种用于纺织品的像素图片矢量化方法,其特征在于:包括以下步骤:
S1.纺织品图片获取:利用图片采集设备对纺织品进行拍摄,获取纺织品的图片,并对获取的纺织品图片进行预处理,得处理后的纺织品图片;
S2.图片转换:输入处理后的纺织品图片,将图片每个像素的RGB值转换为8位灰度值,实现图片转换为灰度图;
S3.分割:根据灰度图,对图片进行降噪处理后,完成图片区域的分割,获得不同的分割区域;
S4.计算分割区域的亚像素精度公共边界,然后确定边界上的节点,包括两个以上区域的公共边界点和边界上的局部曲率极值点;
S5.对节点之间点序列做样条曲线和直线拟合,用得到的曲线和直线表示矢量化区域的边界;
S6.用颜色模型表示矢量化区域的颜色,得到矢量化的图片。
2.根据权利要求1所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述S1中所述预处理包括预设特征度,所述预设特征度用于对参考数据进行数据异常分析与筛选,得到异常图片,将非异常图片数据进行纺织品图片特征分析,筛选出图片特征度大于预设特征度的图片数据,得到高特征对比图片数据。
3.根据权利要求1所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述预处理还包括将所述纺织品图片进行灰度化处理,所述灰度化处理根据YUV的颜色空间,建立亮度Y与R、G、B三个颜色分量的对应:
Y=0.299R+0.578G+0.114B;
其中,Y表示点的亮度反映亮度等级,R表示红色,G表示绿色,B表示蓝色。
4.根据权利要求1所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述S3中分割的具体步骤包括:
S301.对图片进行降噪预处理,得到去噪后的图片;
S302.对去噪声后的图片分别进行灰度处理和超像素分割;
S303.基于超像素分割结果分别提取纹理特征和颜色特征,具体包括:基于超像素分割结果,利用基于总变差模型的滤波方法去除纹理,得到颜色特征,利用Gabor滤波器进行滤波,得到纹理特征;
S304.对经过灰度处理的图片进行几何特征提取,将纹理特征、颜色特征和几何特征进行融合,得到图片分割特征;
S305.基于图片分割特征,采用均值漂移进行图片滤波,得到初步分割结果,对初步分割结果进行区域合并,得到最终的分割结果。
5.根据权利要求4所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述S301中对图片进行降噪预处理具体包括以下步骤:
S3011.对需要降噪的图片进行三通道分离以得到R通道图片、G通道图片以及B通道图片;
S3012.对R通道图片、G通道图片以及B通道图片分别进行卷积滤波处理,卷积滤波处理前,先判断对应卷积的图片块的中心像素点是否为噪声,若为噪声则对该图片块的中心像素点进行卷积滤波处理;
S3013.将卷积滤波处理后的R通道图片、G通道图片以及B通道图片合并以生成去噪图片。
6.根据权利要求5所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述卷积滤波处理具体为:采用奇数维度大小的卷积核,遍历通道图像中每一个图像片,对中心像素点判断为噪声的图片块做卷积。
7.根据权利要求6所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述卷积滤波处理所采用的滤波算法为中值滤波算法、均值滤波算法或者高斯滤波算法中的任意一种。
8.根据权利要求4所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述S304中采用线性融合技术对纹理特征、颜色特征和几何特征进行贝叶斯融合。
9.根据权利要求1所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述S4中确定边界上的节点步骤为:找到两个以上区域的公共边界点和边界上的局部曲率极值点,以此作为点序列的节点。
10.根据权利要求1所述的一种用于纺织品的像素图片矢量化方法,其特征在于:所述S4中的亚像素精度通过在像素点之间插入空白像素点,再将其按一定规律填满,即得到区域公共边界点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776282.3A CN116912338A (zh) | 2023-06-28 | 2023-06-28 | 一种用于纺织品的像素图片矢量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776282.3A CN116912338A (zh) | 2023-06-28 | 2023-06-28 | 一种用于纺织品的像素图片矢量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912338A true CN116912338A (zh) | 2023-10-20 |
Family
ID=88355512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310776282.3A Pending CN116912338A (zh) | 2023-06-28 | 2023-06-28 | 一种用于纺织品的像素图片矢量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912338A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670843A (zh) * | 2023-12-07 | 2024-03-08 | 常州市宏发纵横新材料科技股份有限公司 | 一种彩色纱线断纱检测方法、装置、设备及存储介质 |
-
2023
- 2023-06-28 CN CN202310776282.3A patent/CN116912338A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670843A (zh) * | 2023-12-07 | 2024-03-08 | 常州市宏发纵横新材料科技股份有限公司 | 一种彩色纱线断纱检测方法、装置、设备及存储介质 |
CN117670843B (zh) * | 2023-12-07 | 2024-05-24 | 常州市宏发纵横新材料科技股份有限公司 | 一种彩色纱线断纱检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021129569A1 (zh) | 一种人体动作识别方法 | |
CN109035253A (zh) | 一种语义分割信息指导的深度学习自动图像抠图方法 | |
CN109035172B (zh) | 一种基于深度学习的非局部均值超声图像去噪方法 | |
CN104966285B (zh) | 一种显著性区域的检测方法 | |
CN111415363A (zh) | 一种图像边缘识别方法 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN109215053A (zh) | 一种无人机航拍视频中含暂停状态的运动车辆检测方法 | |
CN116912338A (zh) | 一种用于纺织品的像素图片矢量化方法 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN114757913A (zh) | 一种显示屏缺陷检测方法 | |
CN116152261B (zh) | 一种印刷制品质量的视觉检测系统 | |
CN111754433B (zh) | 一种航拍图像去雾方法 | |
CN118334322B (zh) | 伪装目标检测方法、装置、计算机设备和存储介质 | |
CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN111160362A (zh) | 一种fast特征均匀化提取与基于imu的帧间特征误匹配去除方法 | |
CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
CN113450275A (zh) | 基于元学习的画质增强系统及方法、存储介质 | |
CN111462084B (zh) | 基于随机森林的图像矢量化印刷出血点预测系统和方法 | |
JPH10149449A (ja) | 画像分割方法、画像識別方法、画像分割装置および画像識別装置 | |
CN110705568B (zh) | 一种图像特征点提取的优化方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN115187790A (zh) | 一种基于参考区域二值化结果的图像轮廓提取方法 | |
CN112069923B (zh) | 3d人脸点云重建方法及系统 | |
CN108122233A (zh) | 基于局部像素综合特征的彩色图像分割方法 |
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 |