RU2718429C1 - Устройство обнаружения локально-стационарных областей на изображении - Google Patents

Устройство обнаружения локально-стационарных областей на изображении Download PDF

Info

Publication number
RU2718429C1
RU2718429C1 RU2019141304A RU2019141304A RU2718429C1 RU 2718429 C1 RU2718429 C1 RU 2718429C1 RU 2019141304 A RU2019141304 A RU 2019141304A RU 2019141304 A RU2019141304 A RU 2019141304A RU 2718429 C1 RU2718429 C1 RU 2718429C1
Authority
RU
Russia
Prior art keywords
input
output
block
image
inputs
Prior art date
Application number
RU2019141304A
Other languages
English (en)
Inventor
Евгений Александрович Семенищев
Вячеслав Владимирович Воронин
Николай Валерьевич Гапон
Роман Алексеевич Сизякин
Марина Михайловна Жданова
Ирина Владимировна Толстова
Original Assignee
федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ)
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ) filed Critical федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ)
Priority to RU2019141304A priority Critical patent/RU2718429C1/ru
Application granted granted Critical
Publication of RU2718429C1 publication Critical patent/RU2718429C1/ru

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
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

Изобретение относится к области вычислительной техники и может быть использовано в системах анализа и обработки изображений. Техническим результатом является повышение качества получаемого результата. Устройство обнаружения локально-стационарных областей на изображении содержит блок хранения входной реализации, блок выбора произвольной точки, восемь блоков выбора значений в направлении обработки, восемь блоков формирования строки, восемь блоков расчета с параметром альфа один, восемь блоков расчета с параметром альфа два, восемь блоков проверки превышения порога, восемь блоков сохранения данных длины строки, блок построения маски, блок условия анализа всего изображения, блок хранения выходной реализации. 2 ил.

Description

Изобретение относится к области вычислительной техники и может быть использовано в цифровых системах, автоматизированных системах, глобальных систем позиционирования и наблюдения.
При автоматизации информационных, радиоэлектронных и других систем, работающих с изображениями, а также для более точного анализа и принятия решений, важным аспектом является прием качественного двумерного сигнала, однако в случае невозможности получения, появляется необходимость в его улучшении, то есть в проведении предварительной обработки.
К предобработке относятся: разбиение изображения на локальные участки, отделение объекта от фона, повышение четкости контуров, фильтрация с различными параметрами. Однако ограниченный объем используемых вычислительных ресурсов ведет к повышению времени обработки сигнала, либо к применению менее требовательных к вычислительным затратам методов, но в большинстве случаев не обеспечивающих достаточного качества фильтрации изображения.
Решение задачи разделения объектов на локальные участки дает возможность применения различных методов улучшения качества, для схожих групп, производить отдельную обработку областей с высокой детализацией объектов. Поэтому задача поиска и выделения объекта или интересующих участков объекта на изображении сцены является сложной комплексной задачей, решение которой позволит:
1 . Производить анализ и выделенных локальных областей на изображении, методами, требующими высоких вычислительных затрат, но являющимися точными и качественными.
2. Локализовать области обработки и повысить быстродействие последующей обработки и раелизовать комплексный подход к расспараллеливанию вычислительных систем.
Известен способ и система выделения данных об изображении объекта переднего плана на основе данных о цвете и глубине [Патент № 2426172, МПК G 06 K 9/34, опубл. G06K 9/34, G06T 7/00]. Изобретение относится к области распознавания и сегментации изображений, в частности к способу для выделения целевого объекта из фонового изображения с использованием маски. Техническим результатом является создание усовершенствованного способа выделения данных об изображении объекта, используя данные о глубине изображения. Указанный технический результат достигается тем, что создают скалярное изображение на основе разделения объекта и фона. Различие определяется по разности освещенности. В области, где разность освещенности ниже заранее установленного порогового значения, на основе разности цвета по результатам, полученным из предыдущего видеокадра, инициализируют маску. Там где скалярное изображение разности меньше заранее установленного порога маску заполняют единицами, где соответствующий пиксель принадлежит объекту, и нулями в ином случае. Затем кластеризуют скалярное изображение разности и на основе нескольких кластеров и создают маску для каждого положения пикселя видеокадра. Используя центры тяжести кластеров скалярной разности и данные по глубине для текущего положения пикселя компенсируют изменения фона сцены во времени путем обновления изображения фона на основе использования созданной маски и изображения разности. Полученный отделённый объект сохраняется для последующей обработки.
Недостатками известного способа и системы являются:
– Требуется обязательное использование видеокамер. Исследование видеопотока требует больших вычислительных затрат.
– обработка производится всего изображения, без возможности изменения параметров в зависимости от детализации объектов.
Известен способ выделения объекта на изображении на основе решения уравнений Пуассона (Poisson matting for images) [Patent USA №7636128]. Способ основан на решении системы уравнений Пуассона с граничными условиями для изображения, сегментированного на три области: передний план, фон, неизвестная область, разделяющая передний план и фон. Для разделения объектов решают уравнение Пуассона вида:
Figure 00000001
с граничным условием Дирихле:
Figure 00000002
,
Figure 00000003
.
Найденное решение системы уравнений Пуассона позволяет разделение объектов, т.е. альфа-каналом изображения, для уточнения которого применяют локальные фильтры, позволяющие вручную исправить окончательный результат с помощью решения локальных уравнений Пуассона.
Недостатками известного способа являются:
– Применение локальных фильтров, исправляющие вручную окончательный результат с помощью решения локальных уравнений Пуассона, что не позволяет получить эффективной автоматизированной системы обработки.
Известно устройство выделения контуров объектов на изображении [Патент № 2362210 МПК G06K 9/36 G06K 9/62 A61B 5/04, опубл. 20.07.2009]. Устройство содержит датчик изображения, блок выделения кадрового и строчного импульсов, аналого-цифровой преобразователь, генератор, цифровой сигнальный процессор, оперативное запоминающее устройство, селектор, блок фильтрации, блок пространственного дифференцирования, буферная память блока фильтрации, буферная память блока пространственного дифференцирования.
Недостатками известного устройства являются:
– Поиск контуров производится по анализу данных получаемых из анализа видеопотока и требует больших вычислительных затрат.
– обработка производится всего изображения, без возможности изменения параметров в зависимости от детализации объектов.
Наиболее близким к изобретению является устройство выделения высокодетализированных объектов на изображении сцены: [Патент RU № 2542876, МПК G06T 7/40, опубл. 27.02.2015]. Рассматриваемое устройство - прототип предполагает: выделять высокодетализированный объект на произвольном низкодетализированном фоне. Устройство реализует следующий алгоритм:
- Первый шаг осуществляется поиском на исходном изображении I границ, применяя детектор Канни. Данный метод детектирования границ основан на последовательном выполнении операции сглаживания изображения с целью увеличения отношения сигнал/шум путем нахождения градиента изображения с целью подсветки области с высоким пространственным разрешением, подавления всех пикселей, которые не в максимуме (немаксимальное подавление) и уменьшения градиентного массива путем использования гистерезиса с целью отслеживания оставшихся пикселей, которые не были подавлены. Результатом фильтрации является определение пространственной функции изображения объекта с использованием оптимального по Канни оператора – гауссиана
f (x ) =- x * exp (-x2 / k2s2) ,
где x – переменная; s – стандартное отклонение оператора Гаусса; *- «оптимальный» линейный оператор для свертки с изображением; k2 = 2
- На втором шаге, используя полученные границы, подсчитывается общий коэффициент детализации, который определяется по формуле 1:
Figure 00000004
, (1)
где
Figure 00000005
- значение пикселя с координатами x и y; i – количество строк; j – количество столбцов; P- коэффициент детализации.
- На третьем шаге подобным выражению (1) вычисляется коэффициент детализации в каждом скользящем окне:
Figure 00000006
 (2)
где 0,1- коэффициент усреднения, связанный с автоматическим выбором размера окна, равного 10% от общего изображения.
- На четвертом шаге коэффициенты детализации
Figure 00000007
 и
Figure 00000008
 сравниваются, после чего принимается решение о детализированности в данном окне и окно сдвигается.
Устройство выделения высокодетализированных объектов на изображении сцены содержит блок хранения входной реализации, блок управления, блок детектора границ Канни, блок определения общего коэффициента детализации, блок выбора скользящего окна, блок определения коэффициента детализации в скользящем окне, блок сравнения, блок хранения выходной реализации, генератор тактовых импульсов.
Недостатками известного устройства-прототипа являются:
– анализ изображения производится на основании детектора Канни, который не позволяет локализовать локальные области на изображении, а предназначен для выявления границ объектов на изображении;
– полученный результат позволяет локализовать объекты или области с высокой детализацией, но не позволяет разделить объекты на локально-стационарные участки интенсивностей, которые можно использовать для последующей обработки.
Техническим результатом изобретения является повышение качества получаемого результата, за счет выделение локально-стационарных областей на изображении, позволяющей выполнение последующих операций обработки с использованием различных параметров. В качестве методов последующей обработки могут быть применены алгоритмы фильтрации, восстановления размытия, идентификации и выявления информационных параметров и др.
Поиск локальных стационарных участков на изображениях позволяет произвести комбинированную обработку, при которой стационарные области и участки с высокой детализацией или с тонкими границами переходов, могут обрабатываться различными методами или с разными параметрами
Технический результат достигается за счет того, что устройство содержит блок хранения входной реализации, блок выбора произвольной точки, восемь блоков выбора значений в направлении обработки, восемь блоков формирования строки, восемь блоков расчета с параметром альфа один, восемь блоков расчета с параметром альфа два, восемь блоков проверки превышения порога, восемь блоков сохранения данных длины строки, блок построения маски, блок условия анализа всего изображения, блок хранения выходной реализации.
На Фиг. 1 представлен пример построения лучей, для обработки каждого из направлений.
На Фиг. 2 представлена схема устройства.
Устройство обнаружения локально-стационарных областей на изображении (фиг. 2) содержит восемь областей обработки направления С1-С8, в каждой из которых включены: блок выбора значений в направлении обработки 3.1–3.8, блок формирования строки 4.1–4.8, блок расчета с параметром альфа один 5.1–5.8, блок расчета с параметром альфа два 6.1–6.8, блок проверки превышения порога 7.1–7.8, блок сохранения данных длины строки 8.1–8.8. Блок хранения входной реализации 1, вход которого является информационным входом устройства, первый выход которого подключен к первому входу блока выбора произвольной точки 2, первый выход которого подключен к входу блока выбора значений в направлении обработки 3.1, выход которого подключен к первому входу блока формирования строки 4.1, первый выход которого подключен к входу блока расчета с параметром альфа один 5.1, выход которого подключён к первому входу блока проверки превышения порога 7.1, первый выход которого подключен ко второму входу блока формирования строки 4.1, второй выход которого подключен к входу блока расчета с параметром альфа два 6.1, второй выход которого подключен ко второму входу блока проверки превышения порога 7.1, второй выход которого подключен к входу блока сохранения данных длины строки 8.1, выход которого подключен к первому входу блока построения маски 9; второй выход блока выбора произвольной точки 2 подключен к входу блока выбора значений в направлении обработки 3.2, выход которого подключен к первому входу блока формирования строки 4.2, первый выход которого подключен к входу блока расчета с параметром альфа один 5.2, выход которого подключён к первому входу блока проверки превышения порога 7.2, первый выход которого подключен ко второму входу блока формирования строки 4.2, второй выход которого подключен к входу блока расчета с параметром альфа два 6.2, второй выход которого подключен ко второму входу блока проверки превышения порога 7.2, второй выход которого подключен к входу блока сохранения данных длины строки 8.2, выход которого подключен ко второму входу блока построения маски 9; третий выход блока выбора произвольной точки 2 подключен к входу блока выбора значений в направлении обработки 3.3, выход которого подключен к первому входу блока формирования строки 4.3, первый выход которого подключен к входу блока расчета с параметром альфа один 5.3, выход которого подключён к первому входу блока проверки превышения порога 7.3, первый выход которого подключен ко второму входу блока формирования строки 4.3, второй выход которого подключен к входу блока расчета с параметром альфа два 6.3, второй выход которого подключен ко второму входу блока проверки превышения порога 7.3, второй выход которого подключен к входу блока сохранения данных длины строки 8.3, выход которого подключен к третьему входу блока построения маски 9; четвертый выход блока выбора произвольной точки 2 подключен к входу блока выбора значений в направлении обработки 3.4, выход которого подключен к первому входу блока формирования строки 4.4, первый выход которого подключен к входу блока расчета с параметром альфа один 5.4, выход которого подключён к первому входу блока проверки превышения порога 7.4, первый выход которого подключен ко второму входу блока формирования строки 4.4, второй выход которого подключен к входу блока расчета с параметром альфа два 6.4, второй выход которого подключен ко второму входу блока проверки превышения порога 7.4, второй выход которого подключен к входу блока сохранения данных длины строки 8.4, выход которого подключен к четвертому входу блока построения маски 9; пятый выход блока выбора произвольной точки 2 подключен к входу блока выбора значений в направлении обработки 3.5, выход которого подключен к первому входу блока формирования строки 4.5, первый выход которого подключен к входу блока расчета с параметром альфа один 5.5, выход которого подключён к первому входу блока проверки превышения порога 7.5, первый выход которого подключен ко второму входу блока формирования строки 4.5, второй выход которого подключен к входу блока расчета с параметром альфа два 6.5, второй выход которого подключен ко второму входу блока проверки превышения порога 7.5, второй выход которого подключен к входу блока сохранения данных длины строки 8.5, выход которого подключен к пятому входу блока построения маски 9; шестой выход блока выбора произвольной точки 2 подключен к входу блока выбора значений в направлении обработки 3.6, выход которого подключен к первому входу блока формирования строки 4.6, первый выход которого подключен к входу блока расчета с параметром альфа один 5.6, выход которого подключён к первому входу блока проверки превышения порога 7.6, первый выход которого подключен ко второму входу блока формирования строки 4.6, второй выход которого подключен к входу блока расчета с параметром альфа два 6.6, второй выход которого подключен ко второму входу блока проверки превышения порога 7.6, второй выход которого подключен к входу блока сохранения данных длины строки 8.6, выход которого подключен к шестому входу блока построения маски 9; седьмой выход блока выбора произвольной точки 2 подключен к входу блока выбора значений в направлении обработки 3.7, выход которого подключен к первому входу блока формирования строки 4.7, первый выход которого подключен к входу блока расчета с параметром альфа один 5.7, выход которого подключён к первому входу блока проверки превышения порога 7.7, первый выход которого подключен ко второму входу блока формирования строки 4.7, второй выход которого подключен к входу блока расчета с параметром альфа два 6.7, второй выход которого подключен ко второму входу блока проверки превышения порога 7.7, второй выход которого подключен к входу блока сохранения данных длины строки 8.7, выход которого подключен к седьмому входу блока построения маски 9; восьмой выход блока выбора произвольной точки 2 подключен к входу блока выбора значений в направлении обработки 3.8, выход которого подключен к первому входу блока формирования строки 4.8, первый выход которого подключен к входу блока расчета с параметром альфа один 5.8, выход которого подключён к первому входу блока проверки превышения порога 7.8, первый выход которого подключен ко второму входу блока формирования строки 4.8, второй выход которого подключен к входу блока расчета с параметром альфа два 6.8, второй выход которого подключен ко второму входу блока проверки превышения порога 7.8, второй выход которого подключен к входу блока сохранения данных длины строки 8.8, выход которого подключен к восьмому входу блока построения маски 9, второй выход которого подключен ко второму входу блока выбора произвольной точки 2; второй выход блока хранения входной реализации 1 подключен к девятому входу блока построения маски 9, первый выход которого подключен к входу блока условия анализа всего изображения 10, выход которого подключен к входу блока хранения выходной реализации 11, выход которого является информационным выходом устройства.
Предлагаемое устройство обнаружения локально-стационарных областей на изображении позволяет производить локализацию участков с малым разбросом интенсивностей, за счёт применения детектора, основанного на обнаружении изменения степенной функции сигнала, на локальном участке, с использованием многокритериального метода анализа данных. Устройство реализуют следующий алгоритм.
1. Загрузка изображения
Figure 00000009
.
2. Выбор одно любого пикселя на изображении
3. Построение лучей, как показано на Фиг 1, для обработки каждого из направлений. Производится выбор значений строки от выбранной точки. Далее происходит пошаговое увеличение значений строки начиная с 2х значений и до тех пор пока условие проверки превышения порога не будет выполнено.
4. Расчёт элементов изменённой строки ряда
Figure 00000010
 для параметра
Figure 00000011
 по формуле (1):
Figure 00000012
, (1)
где
Figure 00000013
,
Figure 00000014
,
Figure 00000015
,
Figure 00000016
5. Происходит расчёт элементов изменённой строки ряда
Figure 00000017
 для параметра
Figure 00000018
 по формуле (1). Осуществляется проверка превышения порога
Figure 00000019
 по выражению:
Figure 00000020
. В случае превышения порога, производится сохранение данных о длине строки и положении точек.
6. Происходит формирование фигуры стационарной области в диапазоне выделенных направлений. Формирование фигуры производится путём соединения точек окончания строки определённой в пункте 5, прямыми линиями.
7. Вся область, замкнутая полученной фигурой, помечается как маска объекта локально-стационарной области, в координатах входного изображения.
8. Результат сохраняется и исключается из последующего рассмотрения.
9. Осуществляется проверка условия исследования всех пикселей в изображении.
10. Производится сохранение полученного результата формирования маски объектов.
Устройство обнаружения локально-стационарных областей на изображении работает следующим образом. Изображение
Figure 00000021
 поступает в блок хранения входной реализации 1, В блоке выбора произвольной точки 2 происходит выбор одного любого пикселя на изображении, не помеченного блоке построение маски 9. Далее происходит построение лучей как показано на фиг 1, обработка каждого из направлений производится в восьми областях обработки направления С1-С8. В блоках выбора значений в направлении обработки 3.1–3.8 производится выбор значений строки от выбранной точки. Блоки формирования строки 4.1–4.8 производят пошаговое увеличение значений строки начиная с двух значений и до тех пор пока условие в блоках проверки превышения порога 7.1–7.8 не будет выполнено. В блоках расчета с параметром альфа один 5.1–5.8 происходит расчёт элементов изменённой строки ряда
Figure 00000022
 для параметра
Figure 00000023
=0.04 по формуле (1):
Figure 00000024
, (1)
где
Figure 00000025
,
Figure 00000026
,
Figure 00000027
,
Figure 00000028
В блоках расчета с параметром альфа два 6.1–6.2 происходит расчёт элементов изменённой строки ряда
Figure 00000029
 для параметра
Figure 00000030
=4.45 по формуле (1). В блоках проверки превышения порога 7.1–7.8 осуществляем проверку превышения порога
Figure 00000031
 по выражению:
Figure 00000032
. В случае превышения порога условия, в блоках сохранения данных длины строки 8.1–8.8, производится сохранение данных о длине строки и положении точек. В блоке построения маски 9 происходит формирование фигуры стационарной области в диапазоне выделенных направлений. Формирование фигуры производится путём соединения точек окончания строки определённой блоками сохранения данных длины строки 8.1–8.8, прямыми линиями. Вся область замкнутая полученной фигурой помечается как маска объекта локально–стационарной области, в координатах входного изображения. Результат сохраняется и исключается из последующего рассмотрения. Блоком условия анализа всего изображения 10 осуществляется проверка условия исследования всех пикселей в изображении, хранящемся в блоке хранения входной реализации 1. В блоке хранения выходной реализации 11 производится сохранение полученного результата формирования маски объектов в блок памяти.

Claims (1)

  1. Устройство обнаружения локально-стационарных областей на изображении содержит блок хранения входной реализации (1), вход которого является информационным входом устройства, первый выход которого подключен к первому входу блока выбора произвольной точки (2), первый – восьмой выходы которого подключены к входам блоков выбора значений в направлении обработки (3.1–3.8), выходы которых подключены к первым входам блоков формирования строки (4.1–4.8) соответственно, первые выходы которых подключены к входам блоков расчета с параметром альфа один (5.1-5.8) соответственно, выходы которых подключены к первым входам блоков проверки превышения порога (7.1-7.8) соответственно, первые выходы которых подключены ко вторым входам блоков формирования строки (4.1–4.8) соответственно, вторые выходы которых подключены к входам блоков расчета с параметром альфа два (6.1–6.8) соответственно, вторые выходы которых подключены ко вторым входам блоков проверки превышения порога (7.1–7.8) соответственно, вторые выходы которых подключены к входам блоков сохранения данных длины строки (8.1–8.8) соответственно, выходы которых подключены к первому – восьмому входам блока построения маски (9), второй выход которого подключен ко второму входу блока выбора произвольной точки (2); второй выход блока хранения входной реализации (1) подключен к девятому входу блока построения маски (9), первый выход которого подключен к входу блока условия анализа всего изображения (10), выход которого подключен к входу блока хранения выходной реализации (11), выход которого является информационным выходом устройства.
RU2019141304A 2019-12-13 2019-12-13 Устройство обнаружения локально-стационарных областей на изображении RU2718429C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2019141304A RU2718429C1 (ru) 2019-12-13 2019-12-13 Устройство обнаружения локально-стационарных областей на изображении

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2019141304A RU2718429C1 (ru) 2019-12-13 2019-12-13 Устройство обнаружения локально-стационарных областей на изображении

Publications (1)

Publication Number Publication Date
RU2718429C1 true RU2718429C1 (ru) 2020-04-02

Family

ID=70156388

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019141304A RU2718429C1 (ru) 2019-12-13 2019-12-13 Устройство обнаружения локально-стационарных областей на изображении

Country Status (1)

Country Link
RU (1) RU2718429C1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2759965C1 (ru) * 2020-10-21 2021-11-19 Публичное акционерное общество "Сбербанк России" (ПАО Сбарбанк) Способ и устройство создания панорамного изображения

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070291288A1 (en) * 2006-06-15 2007-12-20 Richard John Campbell Methods and Systems for Segmenting a Digital Image into Regions
RU2362210C1 (ru) * 2007-11-29 2009-07-20 Государственное образовательное учреждение высшего профессионального образования Курский государственный технический университет Устройство выделения контуров объектов на изображении
US7636128B2 (en) * 2005-07-15 2009-12-22 Microsoft Corporation Poisson matting for images
RU2522044C1 (ru) * 2013-01-09 2014-07-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Южно-Российский государственный университет экономики и сервиса" (ФГБОУ ВПО "ЮРГУЭС") Устройство выделения контуров объектов на текстурированном фоне при обработке цифровых изображений
RU2542876C2 (ru) * 2013-05-27 2015-02-27 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Южно-Российский государственный университет экономики и сервиса" (ФГБОУ ВПО "ЮРГУЭС") Устройство выделения высокодетализированных объектов на изображении сцены
RU2622877C1 (ru) * 2016-01-20 2017-06-20 федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ) Устройство поиска средней линии границ объектов на размытых изображениях

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7636128B2 (en) * 2005-07-15 2009-12-22 Microsoft Corporation Poisson matting for images
US20070291288A1 (en) * 2006-06-15 2007-12-20 Richard John Campbell Methods and Systems for Segmenting a Digital Image into Regions
RU2362210C1 (ru) * 2007-11-29 2009-07-20 Государственное образовательное учреждение высшего профессионального образования Курский государственный технический университет Устройство выделения контуров объектов на изображении
RU2522044C1 (ru) * 2013-01-09 2014-07-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Южно-Российский государственный университет экономики и сервиса" (ФГБОУ ВПО "ЮРГУЭС") Устройство выделения контуров объектов на текстурированном фоне при обработке цифровых изображений
RU2542876C2 (ru) * 2013-05-27 2015-02-27 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Южно-Российский государственный университет экономики и сервиса" (ФГБОУ ВПО "ЮРГУЭС") Устройство выделения высокодетализированных объектов на изображении сцены
RU2622877C1 (ru) * 2016-01-20 2017-06-20 федеральное государственное бюджетное образовательное учреждение высшего образования "Донской государственный технический университет" (ДГТУ) Устройство поиска средней линии границ объектов на размытых изображениях

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2759965C1 (ru) * 2020-10-21 2021-11-19 Публичное акционерное общество "Сбербанк России" (ПАО Сбарбанк) Способ и устройство создания панорамного изображения
WO2022086360A1 (ru) * 2020-10-21 2022-04-28 Публичное Акционерное Общество "Сбербанк России" Способ и устройство создания панорамного изображения

Similar Documents

Publication Publication Date Title
Ma et al. SwinFusion: Cross-domain long-range learning for general image fusion via swin transformer
JP7206386B2 (ja) 画像処理モデルの訓練方法、画像処理方法、ネットワーク機器、及び記憶媒体
CN110176024B (zh) 在视频中对目标进行检测的方法、装置、设备和存储介质
Le et al. Deeply Supervised 3D Recurrent FCN for Salient Object Detection in Videos.
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
WO2019071976A1 (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
US10692235B2 (en) Image processing apparatus and method for determining a depth of a pixel of a reference image
KR20130112311A (ko) 고밀도 삼차원 영상 재구성 장치 및 방법
JP2014215926A (ja) 画像処理装置、画像処理方法、プログラムおよび記録媒体
Qian et al. Effective super-resolution methods for paired electron microscopic images
RU2718429C1 (ru) Устройство обнаружения локально-стационарных областей на изображении
Semenishchev Algorithm combination of deblurring and denoising on video frames using the method search of local features on image
Yetiş et al. Adaptive vision based condition monitoring and fault detection method for multi robots at production lines in industrial systems
CN111881925A (zh) 一种基于相机阵列选择性光场重聚焦的显著性检测方法
RU2542876C2 (ru) Устройство выделения высокодетализированных объектов на изображении сцены
CN106934344B (zh) 一种基于神经网络的快速行人检测方法
CN115311680A (zh) 人体图像质量检测方法、装置、电子设备及存储介质
RU2767281C1 (ru) Способ интеллектуальной обработки массива неоднородных изображений
CN107316313B (zh) 场景分割方法及设备
CN114998358A (zh) 多聚焦图像融合方法、装置、计算机设备和存储介质
CN114820718A (zh) 一种视觉动态定位跟踪算法
Kalboussi et al. A spatiotemporal model for video saliency detection
RU2522044C1 (ru) Устройство выделения контуров объектов на текстурированном фоне при обработке цифровых изображений
CN116612390B (zh) 一种建筑工程用的信息管理系统
CN115294375B (zh) 一种散斑深度估算方法、系统、电子设备及存储介质