CN117274288B - 基于改进lsd算法的轴类零件亚像素边缘检测方法 - Google Patents
基于改进lsd算法的轴类零件亚像素边缘检测方法 Download PDFInfo
- Publication number
- CN117274288B CN117274288B CN202311257223.1A CN202311257223A CN117274288B CN 117274288 B CN117274288 B CN 117274288B CN 202311257223 A CN202311257223 A CN 202311257223A CN 117274288 B CN117274288 B CN 117274288B
- Authority
- CN
- China
- Prior art keywords
- gradient
- edge
- point
- points
- minimum circumscribed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003708 edge detection Methods 0.000 title abstract description 6
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明的基于改进LSD算法的轴类零件亚像素边缘检测方法,属于图像处理领域,包括以下步骤:S1:轴类零件的实际图像与模板图像进行图像匹配;S2:计算实际图像中像素点的梯度值和梯度方向角;S3:将梯度值进行排序;S4:S3中梯度值小于ρ的像素点舍弃;S5:进行区域生长;S6:构建生长区域的最小外接矩形,相邻的最小外接矩形进行连接;S7:判断相交部分;S8:构建出矩形的窗口;S9:求出窗口边的高斯曲面,将该边的梯度方向构建梯度平面,让梯度平面与高斯曲面相交获得局部极值点,局部极值点即为该边的边缘点。该方法能提高轴类零件的边缘精度。
Description
技术领域
本发明属于图像处理技术领域,具体涉及基于改进LSD算法的轴类零件亚像素边缘检测方法。
背景技术
轴类零件是机械工业的典型零件之一,它主要用于支承传动零部件,传递扭矩和承受载荷。在轴类零件出厂前要对轴的各项特征进行检测。对于一些精度要求高的轴类零件,主要使用图像检测法测量。
申请公告号CN107273903A公开了基于LSD改进的UUV近海面可见光图像海天线提取方法,在该方法中存在以下问题:(1)需要对图片缩放,破坏了图片的精度,且该方法只能达到像素级精度检测,不能满足日益增长的轴类零件高精度测量需求;(2)直线检测中,在图像由明转暗和由暗转明的区域检测出的梯度方向相反,且梯度方向间角度范围较大,导致计算量变大,不利于后续检测。
发明内容
本发明的基于改进LSD算法的轴类零件亚像素边缘检测方法,其能提高边缘检测的精度,且能降低计算量。
为了实现上述目的,本发明的基于改进LSD算法的轴类零件亚像素边缘检测方法,包括以下步骤:S1:拍摄轴类零件的实际图像,让实际图像与模板图像进行图像匹配;S2:计算S1中图像匹配后的实际图像中像素点的梯度值和梯度方向角;S3:将S2中像素点的梯度值进行排序;S4:设定梯度值阈值ρ,S3中梯度值小于ρ的像素点舍弃;S5:选取种子点,根据S2中梯度方向角,进行区域生长,形成多个生长区域;S6:构建S5中所有的生长区域的最小外接矩形,相邻的最小外接矩形进行连接;S7:判断S6中连接后的最小外接矩形是否存在相交部分;S8:将相交部分作为角,将S6中连接后最小外接矩形对应的生长区域作为边,构建出矩形的窗口;S9:对S8中窗口内的每条边进行高斯曲面拟合,求出该边的高斯曲面,将该边的梯度方向构建梯度平面,让梯度平面与高斯曲面相交获得局部极值点,局部极值点即为该边的边缘点。
进一步地,步骤S3中,设定梯度方向,将S2中不符合指定方向的梯度方向进行颠倒。
进一步地,步骤S6中,包括以下步骤:
S61:以所有的最小外接矩形的短边中垂线,短边的中垂线与对应的最小外接矩形的交点分别记为锚点和驻点;
S62:计算该最小外接矩形的锚点与驻点间距离D;
S63:以锚点或者驻点为圆心,圆心角为15度,15像素为半径作扇形,扇形沿最小外接矩形的短边中垂线对称设置,圆的区域即为G;
S64:若G区域中存在其他最小外接矩形的驻点或者锚点,则计算其他最小外接矩形的矩形方向,与该最小外接矩形的矩形方向差z;
S65:判断方向差z的值,若z<15D,则连接当前锚点与对应驻点所在的两块最小外接矩形区域;连接两块最小外接矩形区域的方式为:作两块最小外接矩形对应的生长区域的最小外接矩形。
进一步地,步骤S7中,步骤S7中,若两个最小外接矩形共用的像素点大于等于阈值10个,则表明两个外接矩形区域是存在相交部分的。
进一步地,步骤S8中,忽略窗口中不与窗口边缘重合的其他生长区域。
有益效果
1、步骤S3中,设定梯度方向,将S2中不符合指定方向的梯度方向进行颠倒,使所有线段方向差在180°范围内。S5中AngleDiff是由种子点八邻域中八个点的梯度方向角分别与区域的初始角度θregion相减取绝对值求和得到,变换梯度方向使所有线段方向差在180°范围内可以提供更多小于τ的AngleDiff,θregion得到更多次数的更新,计算值更为准确。
2、步骤S8中,忽略窗口中不与窗口边缘重合的其他生长区域。避免了可能将无效线段误识别为有效图像边缘特征导致的测量误差;减少S9中的窗口数量,降低计算量,提高运行速度。
3、步骤S9中,窗口边缘在梯度方向上的梯度值近似为高斯曲线分布,梯度最大的极值点即为边缘点。依据这种特性,对窗口内,其中一个边缘的梯度值进行高斯曲面拟合,可求解出高斯曲面上的极值点坐标,但此时求出的极值点是此窗口中拟合所得的整片曲面中的最值点,而需要的边缘点位于梯度方向上,因此再以梯度方向构建出一个梯度平面,梯度平面与拟合得到的高斯曲面相交得到一曲线,此曲线上的梯度值极值点称为高斯曲面的局部极值点,即为该边缘的边缘点。
4、本方法不需要对图片进行缩放,有利于保证边缘的精度。
附图说明
图1是将梯度颠倒的示意图;
图2是轴类零件的实拍图;
图3是轴类零件在步骤S6中的示意图;
图4是轴类零件在步骤S8中的示意图;
图5是高斯曲面与梯度平面相交的示意图;
图6是现有方法对轴类零件边缘处理后的示意图;
图7是本方法对轴类零件边缘处理后的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
基于改进LSD算法的轴类零件亚像素边缘检测方法,包括以下步骤,
S1:拍摄轴类零件的实际图像(图2),让实际图像与模板图像进行图像匹配;
具体过程参照:周东新. 基于显著性检测的ORB特征提取算法优化[D].中国矿业大学,2022.DOI:10.27623/d.cnki.gzkyu.2022. 24-33页.记载的,首先通过FAST角点检测算法在整张拍摄图像和模板图像中提取FAST角点,接着计算角点邻域的灰度质心给角点赋予方向,其次计算FAST角点的二进制描述子BRIEF,并使得描述子具有旋转不变性,最后使用基于汉明距离的暴力匹配算法进行匹配操作。
S2:计算S1中图像匹配后的实际图像中像素点的梯度值和梯度方向角;;
利用2*2的模板,求像素点A点的梯度值,就是通过A点右下角的4个像素点的灰度值计算A点梯度值;如表1,
表1 灰度值分布
梯度计算公式如下:
其中g x 是A点X方向梯度,g y 是A点Y方向的梯度;梯度方向就是为把g x 和g y 这两个向量相加求和。
梯度方向角(梯度方向和水平线的夹角)为:
梯度值为:
。
如果像素点A点位于图片最下侧或者最右侧,A点的右下角没有四个像素点可以提供上述表1中的灰度值,则忽略此时A点的梯度值计算。
S3:将S2中像素点的梯度值进行排序,设定梯度方向;将S2中不符合指定方向的梯度方向进行颠倒;
见图1,图是一个轴类零件的一个轴段(轴段是轴类零件的一部分,它是轴类零件的一段特定长度的部分,图2中从左往右具有多个轴段),梯度方向由灰度值大的地方(也就是亮的地方)指向灰度值小的地方(也就是暗的地方),因为零件通常颜色较深,轴段边缘处像素点的梯度方向都指向零件内部(图中黑色箭头),也就是边缘处像素点的梯度方向指向轴段。我们现在规定指向左和指向上是指定方向,指向右和指向下的点的梯度方向就要颠倒,在图1中也就是上侧和左侧的像素点的梯度方向颠倒(黑的改变成蓝的),这样整个轴段的边缘像素点的梯度方向全部指向左和上。
S4:设定梯度值阈值ρ,S3中梯度值小于ρ的像素点舍弃;
S5:选取S3中最大梯度值的像素点作为种子点,选取种子点的梯度方向角作为区域的初始角度θregion。接着计算种子点八邻域中八个点的梯度方向角,分别与区域的初始角度θregion相减取绝对值得到总角度偏度AngleDiff,如果总角度偏度AngleDiff小于设定的容忍值τ ,则将该点加入到区域中并更新θregion,更新方式为:
上式中j遍历区域中的所有点。当区域中所有点的八邻域中都不满足与θregion的偏差小于容忍值τ 时,此时停止生长。
当上一个区域停止生长后,从S2中伪排序得到的排序列表中,重新选择另一个最大梯度值,该最大梯度值的像素点不是已经生成区域的像素点,利用该最大梯度值作为新的种子点再次进行区域生长,重复上述S5的操作,最终形成多个生长区域。
S6:构建S5中所有的生长区域的最小外接矩形,相邻的最小外接矩形进行连接;
S61:作最小外接矩形的短边中垂线,让短边的中垂线,与对应的最小外接矩形短边的交点分别记为锚点和驻点。
S62:计算该最小外接矩形的锚点与驻点间距离D。
S63:以锚点或者驻点为圆心,圆心角为15度,15像素为半径作扇形,扇形沿最小外接矩形的短边中垂线对称设置,圆的区域即为G;
S64:若G区域中存在其他最小外接矩形的驻点或者锚点,则计算其他最小外接矩形的矩形方向,与该最小外接矩形的矩形方向的差。
如:S61中的矩形的锚点坐标为(m11,n11),驻点坐标为(m12,n12),则S61中矩形的方向记为:;
S64中另一个矩形的锚点坐标(m21,n21),驻点坐标(m22,n22),则S64中另一个矩形的方向记为:
;
则两矩形方向差z为:。
S65:判断方向差z的值,若z<15D,则连接当前锚点与对应驻点所在的两块最小外接矩形区域。
连接两块最小外接矩形区域的方式,就是作两块最小外接矩形对应的生长区域的最小外接矩形;原先的两块最小外接矩形成为了一个最小外接矩形。经过步骤S6处理后的轴类零件图片如图3所示。
S7:判断S6中连接后的最小外接矩形是否存在相交部分;
判断两个最小外接矩形中像素点,如果两个外接矩形之间共用的像素点大于等于设定的阈值10个,则表明两个外接矩形区域是存在相交部分的;否则两个最小外接矩形不存在相交部分。以图4为例,相交部分分别记为ABCD。
S8:将相交部分作为角,将S6中连接后最小外接矩形对应的生长区域作为边,依次连接各个角,构建出矩形的窗口;忽略窗口中不与窗口边缘重合的其他生长区域(如图3和图4);
S9:对S8中窗口内的每条边进行高斯曲面拟合,求出该边的高斯曲面,用该边的梯度方向构建梯度平面,让梯度平面与高斯曲面相交获得局部极值点,局部极值点即为该边的边缘点;重复步骤S9,直至所有的窗口的所有边都计算出局部极值点。
步骤S9中,轴类零件的边缘在梯度方向上的梯度值近似为高斯曲线分布,梯度最大的极值点即为边缘点。依据这种特性,下面对窗口内,其中一个边缘的梯度值进行高斯曲面拟合,二维高斯曲面方程可表示如下:
μ1为x坐标均值,μ2为y坐标均值,σ是高斯函数的标准差。
对两边取自然对数,并利用最小二乘拟合,可求解出高斯曲面上的极值点坐标。但此时求出的极值点是此窗口中拟合所得的整片曲面中的最值点,而需要的边缘点位于梯度方向上,因此再以梯度方向构建出一个梯度平面,梯度平面与拟合得到的高斯曲面相交得到一曲线,此曲线上的梯度值极值点称为高斯曲面的局部极值点,即为该边缘的边缘点。高斯曲面与梯度平面相交如图5所示:
以图4的ABCD窗口看,边缘AB没有生长区域,而其他的三个边缘,AC、CD和BD均有生长边缘,所以在取局部极值点时,AB边缘将不计算局部极值点。
获得局部极值点即图像特征边缘点的坐标后,将边缘点相连可得出直线轮廓,如图5示。
利用申请公告号CN107273903A公开的基于LSD改进的UUV近海面可见光图像海天线提取方法对轴类零件边缘进行检测,获得的轴类零件边AC的边缘图像,如图6所示。
利用本方法的高斯曲面拟合和梯度平面交点取局部极值点,获得的轴类零件边AC的边缘图像,如图7所示。
比较图6和图7,很容易看出来,本方法对轴类零件的边缘刻画的更加精确,只有一个像素宽度;而现有技术刻画的轴类零件的边缘宽度后,边界不清楚。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (3)
1.基于改进LSD算法的轴类零件亚像素边缘检测方法,其特征在于,包括以下步骤:
S1:拍摄轴类零件的实际图像,让实际图像与模板图像进行图像匹配;
S2:计算S1中图像匹配后的实际图像中像素点的梯度值和梯度方向角;
S3:将S2中像素点的梯度值进行排序;
S4:设定梯度值阈值ρ,S3中梯度值小于ρ的像素点舍弃;
S5:选取种子点,根据S2中梯度方向角,进行区域生长,形成多个生长区域;
S6:构建S5中所有的生长区域的最小外接矩形,相邻的最小外接矩形进行连接;
S7:判断S6中连接后的最小外接矩形是否存在相交部分;
S8:将相交部分作为角,将S6中连接后最小外接矩形对应的生长区域作为边,构建出矩形的窗口;
S9:对S8中窗口内的每条边进行高斯曲面拟合,求出该边的高斯曲面,将该边的梯度方向构建梯度平面,让梯度平面与高斯曲面相交获得局部极值点,局部极值点即为该边的边缘点;步骤S3中,设定梯度方向,将S2中不符合指定方向的梯度方向进行颠倒;步骤S6中,包括以下步骤:
S61:作所有的最小外接矩形的短边中垂线,短边的中垂线与对应的最小外接矩形的交点分别记为锚点和驻点;
S62:计算该最小外接矩形的锚点与驻点间距离D;
S63:以锚点或者驻点为圆心,圆心角为15度,15像素为半径作扇形,扇形沿最小外接矩形的短边中垂线对称设置,圆的区域即为G;
S64:若G区域中存在其他最小外接矩形的驻点或者锚点,则计算其他最小外接矩形的矩形方向,与该最小外接矩形的矩形方向差z;
S65:判断方向差z的值,若z < 15D,则连接当前锚点与对应驻点所在的两块最小外接矩形区域;连接两块最小外接矩形区域的方式为:作两块最小外接矩形对应的生长区域的最小外接矩形。
2.根据权利要求1所述的基于改进LSD算法的轴类零件亚像素边缘检测方法,其特征在于,步骤S7中,若两个最小外接矩形共用的像素点大于等于阈值10个,则表明两个外接矩形区域是存在相交部分的。
3.根据权利要求1所述的基于改进LSD算法的轴类零件亚像素边缘检测方法,其特征在于,步骤S8中,忽略窗口中不与窗口边缘重合的其他生长区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311257223.1A CN117274288B (zh) | 2023-09-27 | 2023-09-27 | 基于改进lsd算法的轴类零件亚像素边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311257223.1A CN117274288B (zh) | 2023-09-27 | 2023-09-27 | 基于改进lsd算法的轴类零件亚像素边缘检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274288A CN117274288A (zh) | 2023-12-22 |
CN117274288B true CN117274288B (zh) | 2024-05-03 |
Family
ID=89204113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311257223.1A Active CN117274288B (zh) | 2023-09-27 | 2023-09-27 | 基于改进lsd算法的轴类零件亚像素边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274288B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
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 |
CN108986126A (zh) * | 2018-06-15 | 2018-12-11 | 哈尔滨工业大学 | 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法 |
CN109978878A (zh) * | 2019-04-04 | 2019-07-05 | 厦门商集网络科技有限责任公司 | 基于lsd的彩色图像线段检测方法及其系统 |
CN110136159A (zh) * | 2019-04-29 | 2019-08-16 | 辽宁工程技术大学 | 面向高分辨率遥感影像的线段提取方法 |
CN111652825A (zh) * | 2020-08-06 | 2020-09-11 | 上海海栎创微电子有限公司 | 基于梯度方向约束的边缘跟踪直线段快速检测装置及方法 |
CN115096206A (zh) * | 2022-05-18 | 2022-09-23 | 西北工业大学 | 一种基于机器视觉的零件尺寸高精度测量方法 |
CN116012767A (zh) * | 2023-03-27 | 2023-04-25 | 苏州奥沃汽车配件有限公司 | 一种电控硅油风扇离合器壳体裂纹视觉检测方法 |
-
2023
- 2023-09-27 CN CN202311257223.1A patent/CN117274288B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
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 |
CN108986126A (zh) * | 2018-06-15 | 2018-12-11 | 哈尔滨工业大学 | 基于高斯拟合亚像素边缘检测及改进ransac算法的圆心检测法 |
CN109978878A (zh) * | 2019-04-04 | 2019-07-05 | 厦门商集网络科技有限责任公司 | 基于lsd的彩色图像线段检测方法及其系统 |
CN110136159A (zh) * | 2019-04-29 | 2019-08-16 | 辽宁工程技术大学 | 面向高分辨率遥感影像的线段提取方法 |
CN111652825A (zh) * | 2020-08-06 | 2020-09-11 | 上海海栎创微电子有限公司 | 基于梯度方向约束的边缘跟踪直线段快速检测装置及方法 |
CN115096206A (zh) * | 2022-05-18 | 2022-09-23 | 西北工业大学 | 一种基于机器视觉的零件尺寸高精度测量方法 |
CN116012767A (zh) * | 2023-03-27 | 2023-04-25 | 苏州奥沃汽车配件有限公司 | 一种电控硅油风扇离合器壳体裂纹视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
"基于改进LSD直线检测算法的钢轨表面边界提取";曹义亲 等;《华东交通大学学报》;20210630;第38卷(第3期);第95-101页 * |
"基于高斯曲面拟合的亚像素边缘检测算法";李帅 等;《工具技术》;20110731;第45卷(第7期);第79-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274288A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389121B (zh) | 一种基于深度学习的铭牌识别方法及系统 | |
CN112949564A (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN110096920B (zh) | 一种面向视觉伺服的高精度高速定位标签和定位方法 | |
CN114359190B (zh) | 一种基于图像处理的塑料制品成型控制方法 | |
CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
WO2019056346A1 (zh) | 一种利用膨胀法校正文本图像倾斜的方法及装置 | |
CN106446894A (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN112085651B (zh) | 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法 | |
CN109724988B (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
CN116433701B (zh) | 一种工件孔洞轮廓的提取方法、装置、设备及存储介质 | |
Liang et al. | Robust sea-sky-line detection for complex sea background | |
CN116958125B (zh) | 基于图像处理的电竞主机电源元件缺陷视觉检测方法 | |
CN114881965A (zh) | 一种基于人工智能和图像处理的木板节子检测方法 | |
Liang et al. | An extraction and classification algorithm for concrete cracks based on machine vision | |
CN113989308B (zh) | 一种基于霍夫变换与模板匹配的多边形目标分割方法 | |
Zou et al. | Design of a new coded target with large coding capacity for close—range photogrammetry and research on recognition algorithm | |
CN110163894B (zh) | 基于特征匹配的亚像素级目标跟踪方法 | |
CN117274288B (zh) | 基于改进lsd算法的轴类零件亚像素边缘检测方法 | |
CN112381844B (zh) | 基于图像分块的自适应orb特征提取方法 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及系统 | |
CN112419224B (zh) | 一种球形引脚芯片定位方法及系统 | |
CN105243661A (zh) | 一种基于susan算子的角点检测方法 | |
CN112446894B (zh) | 基于方向空间的图像分割方法 | |
CN117830336B (zh) | 一种基于线扫描相机成像的多边形轮廓检测方法及装置 | |
CN117611589B (zh) | 一种平板电脑质量检测方法及系统 |
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 |