CN1540576A - 用于找出图像分割的最佳阈值的方法 - Google Patents
用于找出图像分割的最佳阈值的方法 Download PDFInfo
- Publication number
- CN1540576A CN1540576A CNA2004100310803A CN200410031080A CN1540576A CN 1540576 A CN1540576 A CN 1540576A CN A2004100310803 A CNA2004100310803 A CN A2004100310803A CN 200410031080 A CN200410031080 A CN 200410031080A CN 1540576 A CN1540576 A CN 1540576A
- Authority
- CN
- China
- Prior art keywords
- value
- entropy
- max
- gray level
- threshold
- 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
Images
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明披露了一种在图像识别过程中找出用于图像分割的最佳阈值的方法。该方法包括以下步骤:a)获得图像的直方图分布;b)计算对应于直方图中灰度级的熵值;以及c)根据计算得到的熵值,利用定点迭代FPI,获得对应于该灰度级的作为阈值的最小熵值。本发明能够根据图像分割完成条件及定点迭代方法,通过分析图像的熵特性迅速找出最佳阈值。
Description
技术领域
本发明涉及一种找出用于图像分割的最佳阈值的方法,尤其涉及一种在图像识别过程中找出用于图像分割的最佳阈值的方法。
背景技术
一般来说,在图像识别技术中,找出用于图像分割的最佳阈值的过程是基础和重要的过程。为了从图像的背景中辨别出一个对象,识别过程是必要的。
根据双峰类型的直方图分布区线,很容易将最佳阈值找出来,在上述情况下,最佳阈值位于直方图分布曲线的最低点。还可以用很多方法找出最佳阈值。
第一种方法是用于找出最佳阈值的随机法。也就是假定图像的直方图分布是双峰类型的,并且具有最小方差和的灰度级被选择为最佳阈值。第二种用于找出所述的最佳阈值的方法基于香农熵(Shannon entropy)。在这种方法中,将具有最小熵的灰度级选择为最佳阈值。还有另一种方法是在图像熵的计算过程中使用模糊度。在这种方法中,选择具有最小模糊度的灰度级作为最佳阈值。
图1是说明用于找出最佳阈值的传统方法的流程图。参照图1,在步骤S101,计算图像的直方图分布。在步骤S102,计算分布于直方图中的所有灰度级的熵。在步骤103,将所有计算得到的熵相互进行比较,并且选出一个具有最小熵值的灰度级。但是,传统方法的整个处理过程的时间是随着图像的分辨率以及需要计算的熵值的数量而成比例增加的。而且,在图像有多个阈值的情况下,不能通过传统的方法计算出图像分割完成的条件。
发明内容
因此,本发明一个目的在于提供一种当图像具有多个阈值时基于定点迭代及模糊熵通过分析图像的熵特性来有效地找出用于图像分割的最佳阈值的方法。
根据本发明的一个方面,本发明还提供了一种用于在图像分割中找出一个阈值的方法,该方法包括以下步骤:a)得到图像的直方图分布;b)计算直方图中的对应于各灰度级的熵值;以及c)根据计算所得的熵值,通过利用定点迭代(FPI),得到对应于灰度级的最小熵值作为所述阈值。
附图说明
本发明的上述和其它目的及特点通过对下面给出的优选实施例并结合相关附图的描述将变得清楚起来,在附图中:
图1是说明用于找出最佳阈值的传统方法的流程图;
图2是用于说明根据本发明的优选实施例的找出用于图像分割的最佳阈值的方法的流程图;
图3是示出根据本发明的优选实施例的对应于常数k的模糊度的曲线图;
图4是示出根据本发明的优选实施例的用于获得最小熵的灰度级的灰度级分布曲线图;
图5是用于解释根据本发明的优选实施例的图2中的步骤S203的流程图,该步骤用于通过使用FPI获得对应于最小熵值的灰度级;以及
图6是用于详细解释图5中步骤501的流程图。
具体实施方式
本发明的其他目的和方面通过对以下文中参考附图所描述的实施例的进一步解释将变得清楚起来。
图2是用于解释根据本发明中的优选实施例的找出用于图像分割的最佳阈值的方法的流程图。
参考图2,在步骤201中得到图像的直方图分布。在步骤S202中计算出灰度级的熵。在步骤S202中计算出熵值以后,在步骤S203中根据计算出的熵值通过使用所述的定点迭代(fixed pointiteration;FPI)得到一个最小熵的灰度级。
在步骤S202中,通过测量相应的灰度级的模糊熵来计算灰度级的熵。在下文中,对模糊熵的计算进行了详细的解释。
如果一幅尺寸为M×N的图像I具有L个灰度级,一个灰度级的像素(x,y)被定义为I(x,y),并且μI(Ii,j)代表像素(x,y)的灰度级的模糊度。因此,图像I能用下面的等式来表示。
I={(Iij,μI(Iij))} 等式1
其中0≤μI(Ii,j)≤1;i=0,1,...,M-1;j=0,1,...,N-1
如果在整幅图像I中灰度级g具有生成频率h(g),那么背景的平均灰度级μ0可以用下面的等式2来表示,并且一个物体的平均灰度级μI可以用下面的等式3来表示。
平均灰度级μI和μ0可以被考虑作为阈值T的靶值(targetvalue)。那就是说,模糊度可以被表示为像素(x,y)的灰度级与包含相应灰度级的区域的灰度级之间的差。因此,随着模糊度的增大,灰度级差变小。在图像中,所有像素的灰度级对于阈值T来说不管是相对于一个客体或者相对于背景都必须具有特定的模糊度。所述像素的模糊度可以用下面的等式表示。
等式4
同时,当某一特定像素的灰度级包括在特定的区域中时,相对于相同集合的模糊度值必须大于0.5。因此,常数K被定义为Gmax-Gmin,并且所述的模糊度值在0.5至1之间选择。图3示出了依据所述的常数K的模糊度。
模糊度通常也被认为是模糊集合的模糊度,并且公开了很多用于计算模糊熵的熵方程。如果所述的一个独立变量的熵方程是在二维图像区域扩展的,那么图像I的熵值可以用表1表示。
表1
尤其是,所述熵的绝对值在[0,0.5]范围内是递增的,而且所述熵值在[0.5,1]区域内是递减的。同时,如果包括在该图像中的所有灰度级的模糊度约为0.5,则熵E(I)具有最大值1。
在步骤S202得到熵值以后,在步骤S203中通过使用定点迭代(FPI)法获得最小熵的灰度级。
图4是示出根据本发明的优选实施例的用于得到最小熵的灰度级的灰度级分布曲线图。
参考图4,将在下文中解释最小熵的灰度级。
图5是用于说明根据本发明的实施例的图2中步骤203的流程图,在该步骤,用FPI获得对应于最小熵值的灰度级。
在步骤501中,根据图4中的曲线图得到用于获得最小熵的灰度级的可能的最佳阈值Pi。
在得到所述Pi后,将顺序地获得从左到右的Pi的灰度级。
在步骤503中,通过比较Pi的灰度级的熵值来得到具有最小熵的灰度级的最佳阈值。
图6是用于详细说明图5中步骤501的流程图。
参照图6,并且,在步骤601中,gmin,gmax,Gmin,Gmax,Pi及gcal的初始值设定如下。通过选择图4中灰度级分布曲线的最小值,将gmin设定为可能最小灰度级,通过选择图4中灰度级分布曲线的最大值,将gmax设定为可能最大灰度级。并且将Gmax设定为等于gmax,将Gmin设定为等于gmin。同样,将Pi设定为gmax和gmin的中间值即(gmax+gmin)/2。
并且,将gcal设定为等于Pi。初值初始化后,在步骤602,计算出gmin、gmax及gcal的熵值E(gmin)、E(gmax)及E(gcal)。
在计算出熵值E(gmin)、E(gmax)及E(gcal)后,在步骤603中将E(gmin)和E(gcal)进行比较。
如果E(gmin)高于E(gcal),则在步骤604中,将gtemp的值改变为gmin的值,并且将gfix的值设定为Gmax。通过改变这些值而不影响Gmax及Gmin的值,新的临时值gtemp及gfix在步骤604中被设定如下。
如果E(gmin)等于或小于E(gcal),则将gtemp的值改变为gmax的值,并且在步骤605中将gfix值设定为Gmin。通过改变这些值而不影响Gmax及Gmin的值,新的临时值gtemp和gfix在步骤605中被设定如下。
根据比较结果改变gtemp或gfix值后,在步骤606,将Pi设定为gmid,gmid是由(gfix+gtemp)/2计算得出的,并通过(E(gtemp)+E(gfix))/2计算得出Emid。
在步骤607,通过利用对(gtemp,0)和(gmid,E(gmid))的线性方程f的计算出Pi+1,且Ei+1被设定为E(pi+1)。所述线性方程f为f(g)=ag+b。
计算出Pi+1之后,在步骤608,比较上述任意两个Pi值。
在步骤608中,如果有两个相同的pis,则程序结束,如果有两个不相同的pis,则在步骤609中将gtemp值设定为pi+1,并且通过(gtemp+gfix)/2重新确定gcal,将E(gmin)设定为Ei+1,并且将gtemp设定为Pi+1。在将gcal设定为新值之后,重复执行步骤602到608。为了帮助理解图6中用于得到最佳阈值的各步骤,在下表中示出伪代码(pseudo code)。
表2
Set flag=True;Set gmin=存在的灰度级的可能最小值;Set gmax=存在的灰度级的可能最大值;Set Gmin=gmin;Set Gmax=gmax;Set pi=int[(gmax+gmin)/2];set gcal=pi;Compute E(gmin);Compute E(gmax);Compute E(gcal);While (flage==True)if (E(gcal)<E(gmin))thenset gtemp=gmin;set gfix=Gmax;Elseset gtemp=gmax;set gfix=Gmin;Set gmid=(gfix+gtemp)/2 ;Set pi=gmid;Set Emid=(E(gtemp)+E(gfix))/2; |
使用(gtemp,0)和(gmid,Emid)生成线性方程f;Set pi+1=f-1(E(pi));Set Ei+1=E(pi+1);If(pi+1=任意两个上述的pi)thenset flag=false;Elseset E(gmin)=Ei+1;set gtemp=Pi+1,gcal=(gtemp+gfix)/2;END IFEnd While. |
如上所述,本发明能够根据图像分割完成条件及定点迭代方法,通过分析图像的熵特性迅速找出最佳阈值。
虽然本发明已经就特定的优选实施例进行了描述,但是对于本领域技术人员来说显而易见的是,可以对本发明做出很多改变和修改,而不会脱离权利要求书所限定的本发明的保护范围。
Claims (5)
1.一种在图像分割中找出阈值的方法,所述方法包括以下步骤:
a)获得图像的直方图分布;
b)计算对应于所述直方图中的灰度级的熵值;以及
c)根据所计算出的熵值,通过使用定点迭代FPI,获得
对应于所述灰度级的最小熵值作为所述阈值。
2.根据权利要求1所述的方法,其中,所述步骤c)包括以下步骤:
c-1)获得多个可能最佳阈值;
c-2)获得对应于所获得的可能最佳阈值的灰度级的熵值;
以及
c-3)通过比较这些熵值并选择最小的熵值,从而获得所述的阈值。
3.根据权利要求2所述的方法,其中,通过以下过程获得每个所述可能最佳阈值:获得具有最大熵值的可能最大灰度级的值以及具有最小熵值的可能最小灰度级的值;通过将所述可能最大灰度级的值和所述可能最小灰度级的值相加并将相加后的和减半后获得可能最佳阈值。
4.根据权利要求3所述的方法,其中,通过以下过程获得所述可能最佳阈值:根据所述可能最大灰度级的熵值、所述可能最小灰度级的熵值和所获得的最佳阈值的比较,改变所述可能最大灰度级的值和所述可能最小灰度级的值中的一个;根据所述可能最大灰度级和所述可能最小灰度级的改变过的值,重新获得可能最佳阈值。
5.根据权利要求2所述的方法,其中,所述步骤c-1)包括以下步骤:
c-i)通过以下过程获得初始可能最佳阈值、具有最大熵值的初始可能最大灰度级及具有最小熵值的初始可能最小灰度级:将Gmin设定为具有所述初始可能最小灰度级;将Gmax设定为具有所述初始可能最大灰度级;将gmin及gmax分别设定为具有与Gmin及Gmax相同的数值,而不影响Gmin及Gmax值的改变;将Pi设定为具有通过计算等式Pi=((gmin+gmax)/2)而获得的所述初始可能最佳阈值;以及将gcal设定为具有与Pi相同的值;
c-ii)获得gmin、gmax、及gcal的熵值E(gmin)、E(gmax)、及E(gcal);
c-iii)比较E(gmin)与E(gcal);
c-iv)如果步骤c-iii)中的比较结果是E(gmin)大于E(gcal),则通过将gtemp的值设定为具有gmin的值,将gfix的值设定为具有Gmax的值,从而将gmin的值改变为具有gcal的值,而不改变gmax的值;
c-v)如果步骤c-iii)中的比较结果是E(gmin)小于或等于E(gcal),则通过将gtemp的值设定为具有gmax的值,将gfix的值设定为具有Gmin的值,从而将gmax的值改变为具有gcal的值,而不改变gmin的值;
c-vi)通过等式Pi=(gfix+gtemp)/2,根据gmin及gmax的改变后的值,获得新的可能最佳阈值Pi;
c-vii)通过利用对(gtemp,0)的线性方程f和方程pi+1=f-1(E(pi))得到pi+1,其中所述线性方程f为f(g)=ag+b,a=gtemp且b为0;
c-viii)将pi+1与前面得到的pis进行比较;
c-ix)如果两个pis不同,则通过将gtemp设定为具有pi+1的值,并将gcal设定为具有(gtemp+gfix)/2的值,从而求出下一个可能最佳阈值,并且重复进行步骤c-ii)到c-viii);以及
c-x)如果有任意两个pis相同,则通过比较相应的pis的熵值并选择具有最小熵值的Pi作为所述阈值,从而选择所述阈值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020030025048A KR100553431B1 (ko) | 2003-04-21 | 2003-04-21 | 영상 분할을 위한 임계치 결정 방법 |
KR10-2003-0025048 | 2003-04-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1540576A true CN1540576A (zh) | 2004-10-27 |
Family
ID=32960246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2004100310803A Pending CN1540576A (zh) | 2003-04-21 | 2004-04-20 | 用于找出图像分割的最佳阈值的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US7336826B2 (zh) |
EP (1) | EP1471456A3 (zh) |
KR (1) | KR100553431B1 (zh) |
CN (1) | CN1540576A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100372361C (zh) * | 2005-03-16 | 2008-02-27 | 中国科学院沈阳自动化研究所 | 实时浮动阈值提取方法 |
CN101029824B (zh) * | 2006-02-28 | 2011-10-26 | 东软集团股份有限公司 | 基于车辆特征的车辆定位方法和装置 |
CN101727656B (zh) * | 2008-10-31 | 2012-03-28 | 李德毅 | 一种基于数据场的图像分割方法 |
CN102608162A (zh) * | 2012-02-20 | 2012-07-25 | 首都师范大学 | 超声红外热图阈值分割方法 |
CN104700416A (zh) * | 2015-03-23 | 2015-06-10 | 河海大学常州校区 | 基于视觉理解的图像分割阈值确定方法 |
CN106611417A (zh) * | 2015-10-20 | 2017-05-03 | 佳能株式会社 | 将视觉元素分类为前景或背景的方法及装置 |
CN107025651A (zh) * | 2017-04-25 | 2017-08-08 | 苏州德威尔卡光电技术有限公司 | 激光清洗能量的确定方法及装置 |
CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与系统 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7512574B2 (en) * | 2005-09-30 | 2009-03-31 | International Business Machines Corporation | Consistent histogram maintenance using query feedback |
WO2008024081A1 (en) * | 2006-08-24 | 2008-02-28 | Agency For Science, Technology And Research | Methods, apparatus and computer-readable media for image segmentation |
TWI405145B (zh) * | 2008-11-20 | 2013-08-11 | Ind Tech Res Inst | 以圖素之區域特徵為基礎的影像分割標記方法與系統,及其電腦可記錄媒體 |
KR101029217B1 (ko) * | 2009-10-01 | 2011-04-12 | 영남대학교 산학협력단 | 표적의 회전 이동을 보상하는 역합성 개구면 레이더 영상을 생성하는 방법 및 장치 |
CN103578095A (zh) * | 2012-07-24 | 2014-02-12 | 南京理工大学 | 基于灰度直方图的多阈值分割法 |
CN103065304B (zh) * | 2012-12-25 | 2015-02-11 | 北京农业信息技术研究中心 | 一种基于二维模糊熵的粘连物分割方法 |
CN109657682B (zh) * | 2018-11-29 | 2022-02-11 | 国网河北省电力有限公司电力科学研究院 | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 |
CN110827299B (zh) * | 2019-11-07 | 2022-12-09 | 陕西师范大学 | 一种基于哈里斯鹰优化算法的图像分割方法 |
CN113888450A (zh) | 2020-07-02 | 2022-01-04 | 中强光电股份有限公司 | 影像分割方法以及电子装置 |
KR102638903B1 (ko) * | 2021-12-21 | 2024-02-22 | 공주대학교 산학협력단 | 연마 공구의 표면 미세 연마 입자 비전 분석 장치 및 방법 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5481620A (en) * | 1991-09-27 | 1996-01-02 | E. I. Du Pont De Nemours And Company | Adaptive vision system |
JPH08505892A (ja) * | 1993-01-19 | 1996-06-25 | ユニケマ・ケミー・ベー・ヴェー | 洗浄組成物 |
JPH07230549A (ja) | 1994-02-21 | 1995-08-29 | Nec Corp | 画像処理装置およびその方法 |
JPH08235355A (ja) | 1995-02-28 | 1996-09-13 | Minolta Co Ltd | 画像処理装置 |
KR100505510B1 (ko) | 2000-04-19 | 2005-08-04 | 주식회사 디지트리얼테크놀로지 | 영역 적응성 대역 분할 영상압축방법 |
-
2003
- 2003-04-21 KR KR1020030025048A patent/KR100553431B1/ko not_active IP Right Cessation
-
2004
- 2004-04-02 US US10/817,551 patent/US7336826B2/en not_active Expired - Fee Related
- 2004-04-07 EP EP04252083A patent/EP1471456A3/en not_active Ceased
- 2004-04-20 CN CNA2004100310803A patent/CN1540576A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100372361C (zh) * | 2005-03-16 | 2008-02-27 | 中国科学院沈阳自动化研究所 | 实时浮动阈值提取方法 |
CN101029824B (zh) * | 2006-02-28 | 2011-10-26 | 东软集团股份有限公司 | 基于车辆特征的车辆定位方法和装置 |
CN101727656B (zh) * | 2008-10-31 | 2012-03-28 | 李德毅 | 一种基于数据场的图像分割方法 |
CN102608162A (zh) * | 2012-02-20 | 2012-07-25 | 首都师范大学 | 超声红外热图阈值分割方法 |
CN104700416A (zh) * | 2015-03-23 | 2015-06-10 | 河海大学常州校区 | 基于视觉理解的图像分割阈值确定方法 |
CN104700416B (zh) * | 2015-03-23 | 2017-08-29 | 河海大学常州校区 | 基于视觉理解的图像分割阈值确定方法 |
CN106611417A (zh) * | 2015-10-20 | 2017-05-03 | 佳能株式会社 | 将视觉元素分类为前景或背景的方法及装置 |
CN106611417B (zh) * | 2015-10-20 | 2020-03-31 | 佳能株式会社 | 将视觉元素分类为前景或背景的方法及装置 |
CN107025651A (zh) * | 2017-04-25 | 2017-08-08 | 苏州德威尔卡光电技术有限公司 | 激光清洗能量的确定方法及装置 |
CN114937055A (zh) * | 2022-03-31 | 2022-08-23 | 江苏益捷思信息科技有限公司 | 基于人工智能的图像自适应分割方法与系统 |
CN114937055B (zh) * | 2022-03-31 | 2024-05-03 | 厦门市虹约产品设计有限公司 | 基于人工智能的图像自适应分割方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
US7336826B2 (en) | 2008-02-26 |
EP1471456A3 (en) | 2006-05-17 |
KR100553431B1 (ko) | 2006-02-20 |
KR20040091271A (ko) | 2004-10-28 |
EP1471456A2 (en) | 2004-10-27 |
US20040208367A1 (en) | 2004-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1540576A (zh) | 用于找出图像分割的最佳阈值的方法 | |
CN1075917C (zh) | 利用平均值分离直方图均衡的图像增强方法及其电路 | |
CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
KR0170932B1 (ko) | 영상의 시각적, 기하학적 특성에 따른 고속 움직임 추정장치 | |
CN1206867C (zh) | 估计视频序列中的噪声量的方法 | |
CN1135500C (zh) | 用于分析图象结构的方法和装置 | |
JP4709961B2 (ja) | 情報信号中の補助データ検知 | |
CN1114889C (zh) | 利用图案的粗糙度和方向性的纹理分类装置 | |
US20020090133A1 (en) | Method and apparatus for measuring color-texture distance, and method and apparatus for sectioning image into plurality of regions using measured color-texture distance | |
CN1162005C (zh) | 检测及修细目标的轮廓图象的方法与装置 | |
CN115908154B (zh) | 基于图像处理的视频后期颗粒噪声去除方法 | |
CN1198059A (zh) | 用于修正成像设备中灰度的系统和方法 | |
CN1094209A (zh) | 数字图象数据的插值法及其电路 | |
CN1720550A (zh) | 从分割图像中去除伪边缘的方法和设备 | |
Mare et al. | Decreasing change impact using smart LSB Pixel mapping and data rearrangement | |
CN107545259A (zh) | 一种基于大津法的二维码重构方法 | |
CN114943754A (zh) | 一种基于sift的图像配准方法、系统及存储介质 | |
CN1750044A (zh) | 截断直方图均衡方法 | |
CN1293783A (zh) | 多级图象栅格数据结构和使用该数据结构的图象搜索方法 | |
CN1542684A (zh) | 三面滚动指纹的采集和拼接方法 | |
KR20040069869A (ko) | 영상신호의 블러링 판단장치 및 방법 | |
CN1167272C (zh) | 利用顶点插入技术编码目标的轮廓的方法与装置 | |
CN106611173B (zh) | 晶体中心位置图生成方法 | |
CN1279491C (zh) | 图像分析 | |
CN114998186A (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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1070166 Country of ref document: HK |
|
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1070166 Country of ref document: HK |