CN111415365A - 图像检测方法及装置 - Google Patents
图像检测方法及装置 Download PDFInfo
- Publication number
- CN111415365A CN111415365A CN201910006568.7A CN201910006568A CN111415365A CN 111415365 A CN111415365 A CN 111415365A CN 201910006568 A CN201910006568 A CN 201910006568A CN 111415365 A CN111415365 A CN 111415365A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- component
- reflection component
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 90
- 238000005286 illumination Methods 0.000 claims abstract description 44
- 238000003708 edge detection Methods 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 32
- 230000001629 suppression Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000003287 optical effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像检测方法，该方法包括：通过摄像模组采集待检测的图像，其中，图像包括照射分量和反射分量；去除图像中的照射分量，得到图像的反射分量；标识出图像的反射分量中的目标条纹的边缘，得到图像的反射分量的二值图像；以及获取二值图像中的目标条纹的信息并定位目标条纹的位置。通过本申请，能够通过去除图像中的照射分量来更准确地检测目标条纹，并且能够抑制图像中的噪声。此外，通过本申请可提高整体运算效率并减少运算时间。
Description
技术领域
本申请涉及图像处理领域，并且更具体地，涉及一种图像检测方法和装置。
背景技术
随着科技迅速发展，对手机市场的日益增长的出货量需求急剧增加，与此同时手机用户对拍照要求越来越高。因此为了保证模组品质，对生产过程中的瑕疵检测是非常重要的。目前，在手机摄像模组的生产过程中，需要测试可能由于芯片、镜头、马达等组件以及生产过程中的员工不当操作、环境不达标等因素引起的模组瑕疵缺陷。
本申请的目的就是为了检测由于芯片设计不当，在长时间的模组工作情况下出现的横、竖形状的条纹异常。基于此，本申请提出一种快速且稳定的基于霍夫变换条纹的检测算法，其满足了不同客户对模组高品质的要求。此外，该方法使得在测试过程中受图像噪声和环境亮度的影响较小，同时不影响测试效率，从而达到能够在生产线上批量使用的目的。
发明内容
本公开旨在提供一种能够克服现有技术中的至少一个缺陷的方法。
根据本公开的一个方面，提供了一种图像检测方法，该方法包括：通过摄像模组采集待检测的图像，其中，图像包括照射分量和反射分量；去除图像中的照射分量，得到图像的反射分量；标识出图像的反射分量中的目标条纹的边缘，得到图像的反射分量的二值图像；以及获取二值图像中的目标条纹的信息并定位目标条纹的位置。
在一个实施方式中，其中，去除图像中的照射分量包括：通过对图像进行滤波得到图像的照射分量；以及去除图像的照射分量以提取图像的反射分量。
在一个实施方式中，图像的滤波是均值滤波或高斯滤波。
在一个实施方式中，在去除图像中的照射分量之前，该方法还包括：对图像进行图像降维以降低图像中的像素数目。
在一个实施方式中，图像降维包括邻近像素取样降维或双三次插值降维。
在一个实施方式中，在去除图像中的照射分量后，该方法还包括：对图像的反射分量进行线性拉伸以增加图像的反射分量的可视化程度。
在一个实施方式中，其中，线性拉伸包括：将图像中的最小像素值减小为目标最小像素值；将图像中的最大像素值增大为目标最大像素值；通过下式对介于最小像素值和最大像素值之间的像素值进行调整以对图像进行线性拉伸：
拉伸像素值＝拉伸系数*(像素值-最小像素值)+目标最小像素值
其中，拉伸系数为目标最大像素值和目标最小像素值之差与最大像素值和最小像素值之差的比值，拉伸像素值表示调整后的像素值。
在一个实施方式中，其中，标识出图像的反射分量中的目标条纹的边缘的步骤包括：基于边缘检测标识出图像的反射分量中的目标条纹的边缘。
在一个实施方式中，其中，边缘检测包括：从图像的反射分量确定出反射分量的水平方向梯度和竖直方向梯度；基于水平方向梯度和竖直方向梯度得到边缘检测梯度图像；确定边缘检测梯度图像的分割阈值；以及使用分割阈值对图像的反射分量进行二值分割，以标识图像的反射分量中的目标条纹的边缘。
在一个实施方式中，其中，确定边缘检测梯度图像的分割阈值利用迭代计算阈值法、最大类间方差法和自适应计算阈值法中的至少一种方法进行。
在一个实施方式中，其中，边缘检测还包括：将图像的反射分量的边界向外扩展预定像素数目，其中，确定扩展区域中像素的像素值包括：确定图像的反射分量的光心；根据图像的反射分量中像素的像素值和距光心的距离以及光心的亮度值获得图像的反射分量的亮度递减关系；以及根据亮度递减关系和扩展区域中像素距光心的距离来确定扩展区域中像素的像素值。
在一个实施方式中，其中，边缘检测还包括：将图像的反射分量的边界向外扩展预定像素数目，其中，扩展区域中像素的像素值根据图像的反射分量边界处的像素或边界处预定范围内的像素确定。
在一个实施方式中，其中，在对图像的反射分量进行二值分割时，通过使用非极大值抑制以抑制噪声。
在一个实施方式中，其中，非极大值抑制步骤包括：根据边缘检测梯度图像确定抑制阈值；检测图像的反射分量中的每个像素点，如果像素点的像素值比在水平方向上与其相邻的两个像素点的像素值大抑制阈值且像素点的像素值比在竖直方向上与其相邻的两个像素点的像素值大抑制阈值，则将像素点设置为1，否则设置为0。
在一个实施方式中，其中，确定抑制阈值包括：计算边缘检测梯度图像中所有像素点的像素值的平均值；以预定倍数作为系数与平均值相乘以得到截止值；以及计算截止值的平方根以得到抑制阈值。
在一个实施方式中，预定倍数为4倍。
在一个实施方式中，其中，从二值图像中获取目标条纹的信息并定位目标条纹的位置包括：对二值图像进行霍夫直线变换以获取目标条纹的信息并定位目标条纹的位置
在一个实施方式中，其中，霍夫直线变换包括：将二值图像映射到霍夫空间，其中，二值图像中的每个像素点在霍夫空间中均具有与其对应的轨迹曲线；将霍夫空间中的与每个像素点对应的轨迹曲线重叠，其中，与轨迹曲线的相交最多处的点对应的参数表示目标条纹的参数信息；以及根据参数信息定位目标条纹。
根据本公开的一个方面，提供了一种图像检测装置，该装置包括图像获取模块，配置成通过摄像模组采集待检测的图像，其中，图像包括照射分量和反射分量；图像预处理模块，配置成去除图像中的照射分量以得到图像的反射分量；边缘检测模块，配置成标识出图像的反射分量中的目标条纹的边缘，以得到图像的反射分量的二值图像；以及霍夫变换模块，配置成获取目标条纹的信息并定位目标条纹的位置。
在一个实施方式中，该装置还包括图像降维模块，配置成对图像获取模块中获取的图像进行降维以降低图像中的像素数目。
根据本公开的一个方面，提供了一种用于图像检测的系统，图像通过摄像模组获取，其中，图像包括照射分量和反射分量，其特征在于，系统包括：处理器；以及存储器，联接至处理器并存储有机器可读指令，机器可读指令能够由处理器运行以执行以下操作：去除图像中的照射分量，得到图像的反射分量；标识出图像的反射分量中的目标条纹的边缘，得到图像的反射分量的二值图像；以及获取二值图像中的目标条纹的信息并定位目标条纹的位置。
根据本公开的一个方面，提供了一种非暂时性机器可读存储介质，非暂时性机器可读存储介质存储有机器可读指令，其特征在于，机器可读指令能够由处理器运行以执行以下操作：通过摄像模组采集待检测的图像，其中，图像包括照射分量和反射分量；去除图像中的照射分量，得到图像的反射分量；标识出图像的反射分量中的目标条纹的边缘，得到图像的反射分量的二值图像；以及获取二值图像中的目标条纹的信息并定位目标条纹的位置。
与现有技术相比，本申请具有下列至少一个技术效果：
1、本申请采用了高精度且插值效果平滑的图像降维技术，提高整体计算运行效率。
2、本申请通过具有滤波功能的图像预处理技术去除了图像的照射分量，消除了外界环境亮度的影响，提高了目标条纹和背景图像的对比度，从而提高算法的准确性
3、本申请采用了能够检测间断点条纹的霍夫直线检测技术，提高检测结果的准确性。
4、本申请采用线性拉伸方法，增加图像处理中间过程的可视化程度。
5、本申请通过非极大值抑制步骤可以在图像分割的同时抑制了图像噪声。
附图说明
附图中示出了根据本公开的示例性实施方式。本文中公开的实施方式和附图应被视作说明性的，而非限制性的。
图1示出了根据本公开的示例性实施方式的图像检测方法的流程图。
图2示出了根据本公开的实施方式的图像预处理方法的流程图。
图3中示出了根据本公开的实施方式的水平方向检验算子模板和竖直方向检验算子模块。
图4是示出根据本公开的另一实施方式的图像检测方法的流程图。
图5示出了根据本公开的实施方式的邻近像素取样降维。
图6示出了根据本公开的实施方式的双三次插值降维技术。
图7是示出根据本公开的实施方式的图像检测装置的示意性框图。
图8示出了适于用来实现本公开的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
为了更好地理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
还应理解的是，用语“包括”、“包括有”、“具有”、“包含”和/或“包含有”，当在本说明书中使用时表示存在所陈述的特征、整体、步骤、操作、元件和/或部件，但不排除存在或附加有一个或多个其它特征、整体、步骤、操作、元件、部件和/或它们的组合。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，修饰整个所列特征，而不是修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可以”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
如在本文中使用的，用语“基本上”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。
除非另外限定，否则本文中使用的所有用语(包括技术用语和科学用语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，用语(例如在常用词典中定义的用语)应被解释为具有与它们在相关技术的上下文中的含义一致的含义，并且将不被以理想化或过度正式意义解释，除非本文中明确如此限定。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本公开的示例性实施方式的图像检测方法的流程图。如图1中所示，图像检测方法100可包括以下步骤：
步骤S110：通过摄像模组采集待检测的图像
在本实施方式中，为了检测由于芯片设计不当，在长时间的模组工作情况下出现的横、竖形状的条纹异常现象，需要先开启摄像模组，并且在摄像模组工作一段时间后，采集摄像模组所产生的图像以作为后续步骤中待检测的图像，其中，所获取的图像包括将在下文描述的照射分量和反射分量。
步骤S120：去除图像中的照射分量以得到图像的反射分量
在模组的制造过程中，由于设备机台不稳定、光源亮度不均匀、模组呈现条纹的原因不同，致使条纹有横条纹、竖条纹、斜条纹、像素数目较少的段条纹以及共线条纹像素点不连续等，为了提高目标条纹和背景图像的对比度，提高检测算法抗噪能力以及检测算法的准确性，需要对图像进行预处理。因此，在本实施方式中，可例如通过使用Retinex增强方法以改善目标条纹与背景图像之间的对比度。但是本公开不限于此，本领域技术人员可采用能够提高目标条纹与背景图像之间的对比度的其他方法。以下将参考图2具体描述根据本公开的实施方式的图像预处理方法。
图2示出了根据本公开的实施方式的图像预处理方法的流程图。首先，用testImg表示待检测的图像，根据Retinex理论，人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，因此，待检测的图像可表示为：testImg(i,j)＝L(i,j)×R(i,j)，其中，i，j分别表示图像中某个点的横坐标和纵坐标，L(i,j)代表该点的环境光的照射分量，R(i,j)表示该点的携带图像细节信息的反射分量。在之后的检测中，为了消除环境亮度的影响，更好的反应目标对象的图像细节信息，需要去除图像中的环境光的照射分量L(i,j)。
因此，在S210中，需要首先对图像进行滤波。在本实施方式中，滤波函数为F(i,j)＝FilterFun(f(i,j))，其中f(i,j)为滤波前的图像，F(i,j)为滤波后的图像。
通过对待检测的图像testImg进行滤波，可以得到环境光的照射分量L(i,j)，即，L(i,j)＝FilterFun(testImg)。
在这里，根据设计需要，可以选择平均模板和高斯模板来实现对图像的滤波，在设计模板时，首先确定模板的大小，其中，将模板宽度记为tempW，将模板长度记为tempH，两者的取值为奇数，即，取值范围为(3,5,7,…)。下面给出了一种滤波函数的平均模板和高斯模板，但是本领域技术人员应理解，滤波函数的模板不限于平均模板和高斯模板，此外，可根据设计需要调整所使用的模板中的参数。
平均模板：
高斯模板：
高斯模板中，(i,j)为模板中的点的坐标，σ为高斯函数标准差，σ的取值范围为：0.1-20。
此后，按照以下公式计算滤波后的像素值：
其中，(i,j)为图像中特定点的横坐标和纵坐标，tempW是模板宽度，tempH是模板长度。
在滤波得到环境光的照射分量L(i,j)之后，在S220中，为了从testImg(i,j)中去除照射分量L(i,j)，对testImg(i,j)＝L(i,j)×R(i,j)两边取对数，得到：
log[R(i,j)]＝log[testImg]-log[L(i,j)]
之后，对log[R(i,j)]取指数，从而得到图像上的点(i，j)的携带图像细节信息的反射分量R(i,j)。
在本实施方式中，通过采用滤波方式，可以得到携带图像信息的目标对象的反射分量R，从而能够消除环境亮度对检测目标条纹的影响，并且可以得到能够更好反应图像细节信息的图像，以提高计算准确性。
进一步地，在本实施方式中，在步骤S230中，在得到反射分量R之后，可以对反射分量R进行线性拉伸，以得到增强的输出图像。以下是对图像进行线性拉伸的详细描述。
在线性拉伸的过程中，首先分别计算图像的最大像素值imgMaxValue和最小像素值imgMinValue。此后，设定所要拉伸后的目标图像的最大像素值dstImgMax和最小像素值dstImgMin，其中，dstImgMax和dstImgMin的取值范围为0-255，且dstImgMax＞dstImgMin。
然后，通过计算线性拉伸系数lineCoef。即，lineCoef＝(dstImgMax-dstImgMin)/(imgMaxValue-imgMinValue)。对于图像中某个点的像素k，提取该点的像素值，记为srcValue(k)，并计算与该点对应的拉伸后的像素值dstValue(k)，即，dstValue(k)＝lineCoef×(srcValue(k)-imgMinValue)+dstImgMin。通过上述公式，可以计算出与该图像中每个像素点对应的拉伸后的图像的每个像素点的像素值dstValue(k)，从而得到增强的输出图像。通过采用线性拉伸的方法，在便于将在下文描述的边缘检测的同时，也可提高图像处理的中间过程的可视化程度。
进一步地，由于条纹的形状特征大部分为直线形状，分析图像背景为低频信息，噪声为高频信息，待检测的条纹为中频信息，因此在使用模板对原图像进行滤波时，可以采用带通滤波函数以更好的提取反射分量R。
在本实施方式中，由于采用了图像预处理方法来去除图像的照射分量，因此，可以消除环境亮度的影响，进而提高目标条纹与图像背景之间的对比度。进一步，还可在得到该反射分量之后，对其进行线性拉伸以增加图像预处理过程中的可视化程度。
步骤S130：标识出图像的反射分量中的目标条纹的边缘以获取二值图像
在瑕疵条纹中，最常见的是水平条纹和垂直条纹。因此，可通过采用水平方向边缘算子模板和垂直方向边缘算子模板对图像进行卷积来使图像中的水平条纹和垂直条纹与图像背景分离。以下将详细描述根据本公开的实施方式的边缘检测方法。
首先，设计检验算子模板，图3中示出了根据本公开的实施方式的水平方向检验算子模板和竖直方向检验算子模块。其中，两个算子模板中的T可以根据实际需要改变。例如，通过神经网络训练出与各种条纹情况对应的T值。如此，在每次进行边缘检测时，可首先粗略地估计实际条纹情况，并在数据库或服务器中搜寻与该实际条纹最接近的条纹的T值，并在本次边缘检测中应用该T值进行计算。但是，本实施方式不限于此，根据设计需要，只要可能实现本公开的作用，本领域技术人员可选择其他的检验算子模块。
在根据实际需要设计出边缘检验算子模块之后，使用该模板算子与步骤S120中通过线性拉伸得到增强图像进行卷积，以分别计算增强图像的水平梯度和垂直梯度。此后，通过计算水平梯度的绝对值和垂直梯度的绝对值的和以得到边缘检测梯度图像。在这里，根据本公开的实施方式的计算边缘检测梯度图像是通过加和运算来实现的，与现有技术的使用两者的平方和的计算方法相比，简化了运算量并提升了运行效率。在得到边缘检测梯度图像之后，通过自适应方法计算边缘检测梯度图像的分割阈值。最后，根据分割阈值对边缘检测梯度图像进行二值分割，从而得到目标条纹与图像背景分离的二值图像。
根据本公开的实施方式，确定用于二值分割的阈值可利用迭代计算阈值法、最大类间方差法和自适应计算阈值法中的至少一种方法进行。以下对着三种方法简要地进行介绍。
在迭代计算阈值法中，可首先设定一个初始阈值T0。例如，可以选择梯度图像的像素的平均值作为初始阈值T0。利用初始阈值T0将梯度图像分为两个区域A1和A2。分别计算这两个区域A1和A2中的像素的平均值μ1和μ2。然后计算新的阈值T。新的阈值T的计算公式如下：T＝(μ1+μ2)/2。迭代执行上述过程直至μ1和μ2之间的差值小于预设标准。
在最大类间方差法中，计算范围在[0，L-1]中的每个灰度值的对应像素数目ni。然后计算每个灰度值出现的概率pi。使用阈值T将图像分为两类C1和C2，C1由灰度值在[0,T-1]的像素组成，C2由灰度值在[T,L-1]的像素值组成，计算区域C1和C2的概率：
计算区域C1和C2的像素平均值：
计算两个区域的总方差：
最后，在[0,L-1]范围内，循环T，找到总方差最大的T值就是最佳梯度图像的分割阈值。
在自适应计算阈值法中，首先计算梯度图像的最大值maxValue、最小值minValue和平均值aveValue。然后设置最大值、最小值和平均值的权重系数：Cmax，Cmin，Cave。在这种情况下，系数取值范围可以设置为1—10。
最后，按照下列表达式自适应计算分割阈值：
进一步地，可在对边缘检测梯度图像进行二值分割时添加非极大值抑制步骤，以抑制噪声的产生。在非极大值抑制步骤中，首先根据边缘检测梯度图像确定抑制阈值。以下将描述确定抑制阈值的方法，首先计算边缘检测梯度图像中所有像素点的像素值的平均值，然后以预定倍数作为系数与所述平均值相乘以得到截止值，其中，该预定倍数通常为4倍，但是本公开不限于此，本领域技术人员可根据实际需要调整该预定倍数的大小，最后计算截止值的平方根以得到抑制阈值。在确定抑制阈值之后，检测图像的反射分量中的每个像素点，如果该像素点的像素值比在水平方向上与其相邻的两个像素点的像素值大抑制阈值，并且该像素点的像素值比在竖直方向上与其相邻的两个像素点的像素值大抑制阈值，则将该像素点设置为1，否则设置为0，从而在对图像的反射分量进行二值分割的同时抑制噪声。以此方式，抑制了图像噪声，从而能够更好地检测到目标条纹。
在通过具有抑制噪声功效的边缘检测技术处理图2中得到的增强图像之后，所得到的二值图像的水平条纹和垂直条纹可以很明显地显现出来，这有利于下一步的直线检测。
在根据本公开的另一实施方式中，在进行边缘检验之前，可首先对经步骤S120处理的图像进行边界扩展，然后，再计算扩展之后的图像的水平梯度和垂直梯度，并在检验之后恢复扩展之后的图像。以此方式，可以防止边界条纹的漏判，增加检验的准确性。以下将简略描述集中边界扩展的方法。
在一些实施方式中，可通过固定值填充边界扩展方法来进行边界扩展。具体地，可分别使用固定像素值来填充扩展区域，其中，固定像素值的取值范围可为：0～255。
在一些实施方式中，可通过复制外边界值扩展方法来进行边界扩展。具体地，可使用位于图像的左边边缘处的一列像素的像素值来填充左侧扩展区域，可使用图像的右边边缘处的一列像素的像素值来填充右侧扩展区域，可使用图像的上边边缘处的一行像素的像素值来填充上部扩展区域，以及可使用图像的下边边缘处的一行像素的像素值来填充下部扩展区域。
在一些实施方式中，可通过镜像边界扩展方法来进行边界扩展。换言之，在镜像边界扩展方法中，分别以图像的四个边缘为对称轴，将图像中的像素值对称填充至关于对称轴对称的扩展区域中。
在一些实施方式中，可通过基于模组亮度特性的边界扩展方法来进行边界扩展。下面将详细说明基于模组亮度特性的边界扩展方法。
首先，可确定所述测试图像的光心。然后，根据测试图像中特定像素的像素值和光心的亮度值以及该像素与光心的距离来确定成像模组的亮度递减特性。然后，可根据扩展区域中的位置A距离光心的距离以及成像模组的亮度递减特性来确定位置A处需要填充的像素值。扩展区域中的其它位置处的像素值可使用与上述位置A的像素值确定方法相似的方法来确定。
在本公开的实施方式中，由于采用了具有抑制噪声的边缘检测技术，因此可以提高瑕疵目标条纹的检测稳定性，并且由于使用了边界扩展方法，可以防止边界条纹的漏判，从而增加检验的准确性。
步骤S140：获取目标条纹的参数并定位目标条纹的位置
在生产过程中，由于噪声和光照不均匀等因素，使得很多情况下获得的瑕疵条纹像素点不连续，针对这种情况，采用能够有效检测、定位直线和解析直线的霍夫变换直线检测技术。以下将详细描述霍夫直线检测技术。
在霍夫直线检测技术中，首先将二值图像转换到霍夫参数空间(极坐标空间)，假设二值图像中存在像素点(x0,y0)，则在直角坐标系中通过该像素点(x0,y0)的任意一条直线可表示为ρ＝x0cosθ+y0cosθ，其中，θ表示该直线到直角坐标系原点的矢量方向，ρ表示该直线到直角坐标系原点的矢量距离，该直线的参数(ρ,θ)可表示霍夫参数空间中的一个点，因此，如果在霍夫参数空间中绘制出通过该像素点(x0,y0)的所有直线，则将在霍夫参数空间中得到与该像素点(x0,y0)对应的一条轨迹曲线。同理，分别在霍夫参数空间中绘制处与二值图像中的全部像素点对应的霍夫参数空间中的轨迹曲线。在将上述所有轨迹曲线重叠在一起之后，与各个像素点对应的轨迹曲线将互相交叉并形成多个交叉点，找到多个交叉点中具有最多交叉数目的轨迹曲线的交叉点(ρ0,θ0)，则该交叉点(ρ0,θ0)表示二值图像中的目标条纹的参数，通过该交叉点(ρ0,θ0)可以有效地在二值图像中定位目标条纹。
在本公开的实施方式中，可以根据设计需要改变ρ和θ的分辨力参数，以根据条纹的情况(例如，条纹的连续程度，条纹的粗细等)获取不同精度的霍夫参数空间，使得根据本公开的实施方式的霍夫直线检测技术能够将两个间隙小于给定阈值的线段合并为一个线段的能力。
图4是示出根据本公开的另一实施方式的图像检测方法的流程图。与图1中示出的图像检测方法相比，除了在图像预处理之前进行图像降维之外，图4的图像检测方法与图1的图像检测方法基本上相同，因此，将省略相同部分的重复描述。
如图4中所示，为了降低整体运算量，在进行图像预处理之前，在步骤S410中，需要对采集的图像进行图像降维处理。在本公开的实施方式中，可采用邻近像素取样降维技术或双三次插值降维技术对图像进行降维处理。但是本公开不限于此，其他可用于图像降维的技术均可应用于本公开。下面将详细描述邻近像素取样降维技术或双三次插值降维技术。
图5示出了根据本公开的实施方式的邻近像素取样降维。如图5中所示，首先，根据图像缩小倍数将缩小图像中的像素位置逆推到原图像的像素位置P。确定原图像中与像素位置P最接近的像素位置Q，将像素位置Q处的像素点的像素值赋予缩小图像中的与原图像的像素位置P对应的像素点。重复上述操作，直到缩小图像中的全部像素点均具有像素值。
图6示出了根据本公开的实施方式的双三次插值降维技术。如图6中所示，首先，以与图5中逆推像素位置P相同的方式找到原图像中与缩小图像的像素点对应的像素位置P。然后，选取距离P点最近的16个像素点作为计算目标像素值的参数，即，选取P点附近的4*4邻域像素点A(m,n)，其中，m,n＝0,1,2,3…。设计权重模板，其中，宽度方向的权重函数如下：
其中，a＝-0.5，x为像素点A(m,n)到P点的水平方向距离。
高度方向的权重函数与宽度方向的权重函数类似，仅需将上述公式中的x更换为像素点A(m,n)到P点的垂直方向距离y即可。
在确定权重函数之后，计算缩小图像中的目标像素的像素值，即，目标像素的像素值f(x，y)：
最后，重复上述步骤直到计算出缩小图像中每个像素点的像素值。
进一步地，可以在根据本公开的实施方式的图像降维处理中应用CUDA并行计算方法。由于CUDA支持启动百万级、千万级个线程，其中，一个线程可以计算降维图像的一个像素点，从而提高运行效率，减小运算时间。
在本实施方式中，在图像降维处理之后，降低了像素点的数目，同时不影响条纹显示效果，从而可以提高算法的运行效率。
图7是示出根据本公开的实施方式的图像检测装置的示意性框图。如图7中所示，图像检测装置700包括图像获取模块710、图像预处理模块720、边缘检测模块730和霍夫变换模块740。在以下描述中将省略与上文描述的部分相同的部分的描述。
在图像检测装置700中，图像获取模块710配置成通过摄像模组采集待检测的图像，图像预处理模块720配置成去除所述图像中的照射分量以得到所述图像的反射分量，边缘检测模块730配置成标识出图像的反射分量中的目标条纹的边缘，以得到图像的反射分量的二值图像，霍夫变换模块740配置成通过霍夫变换获取目标条纹的信息并定位目标条纹的位置。
进一步地，在根据本公开的另一实施方式中，图像检测装置700还包括图像降维模块750，其中，图像降维模块750配置成使用邻近像素取样降维或双三次插值降维对图像获取模块710中获取的图像进行降维以降低像素点的数目，从而提高运行效率，减少运行时间。
本申请还提供了一种计算机系统，例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图8，其示出了适于用来实现本申请的终端设备或服务器的计算机系统400的结构示意图：如图8所示，计算机系统800包括一个或多个处理器、通信部等，所述一个或多个处理器例如：一个或多个中央处理单元(CPU)801，和/或一个或多个图像处理器(GPU)813等，处理器可以根据存储在只读存储器(ROM)802中的可执行指令或者从存储部分808加载到随机访问存储器(RAM)803中的可执行指令而执行各种适当的动作和处理。通信部812可包括但不限于网卡，所述网卡可包括但不限于IB(Infiniband)网卡。
处理器可与只读存储器802和/或随机访问存储器803中通信以执行可执行指令，通过总线804与通信部812相连、并经通信部812与其他目标设备通信，从而完成本申请实施例提供的任一项方法对应的操作，例如：通过摄像模组采集待检测的图像，其中，图像包括照射分量和反射分量；去除图像中的照射分量，得到图像的反射分量；标识出图像的反射分量中的目标条纹的边缘，得到图像的反射分量的二值图像；以及获取二值图像中的目标条纹的信息并定位目标条纹的位置。
此外，在RAM 803中，还可存储有装置操作所需的各种程序和数据。CPU 801、ROM802以及RAM 803通过总线804彼此相连。在有RAM 803的情况下，ROM 802为可选模块。RAM803存储可执行指令，或在运行时向ROM 802中写入可执行指令，可执行指令使处理器801执行上述通信方法对应的操作。输入/输出(I/O)接口805也连接至总线804。通信部812可以集成设置，也可以设置为具有多个子模块(例如多个IB网卡)，并在总线链接上。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
需要说明的，如图8所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图8的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如GPU和CPU可分离设置或者可将GPU集成在CPU上，通信部可分离设置，也可集成设置在CPU或GPU上，等等。这些可替换的实施方式均落入本申请公开的保护范围。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，例如：通过摄像模组采集待检测的图像，其中，图像包括照射分量和反射分量；去除图像中的照射分量，得到图像的反射分量；标识出图像的反射分量中的目标条纹的边缘，得到图像的反射分量的二值图像；以及获取二值图像中的目标条纹的信息并定位目标条纹的位置。
在这样的实施方式中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的方法中限定的上述功能。
本公开的实施方式中，通过采用高精度且插值效果平滑的图像降维技术，提高整体计算运行效率。此外，本申请通过采用图像预处理技术去除图像的照射分量以消除环境亮度对图像检测的影响，进而提高了目标条纹和背景图像的对比度，从而提高算法的准确性。进一步地，本申请通过采用能够检测间断点条纹的霍夫直线检测技术提高了检测结果的准确性。进一步地，本申请通过采用线性拉伸方法增加了图像处理中间过程的可视化程度。进一步地，本申请通过非极大值抑制步骤可以在图像分割的同时抑制图像噪声。进一步地，本申请通过边界扩展以防止边界条纹的漏检。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
本申请的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本申请限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本申请的原理和实际应用，并且使本领域的普通技术人员能够理解本申请从而设计适于特定用途的带有各种修改的各种实施例。
Claims (22)
1.一种图像检测方法，包括：
通过摄像模组采集待检测的图像，其中，所述图像包括照射分量和反射分量；
去除所述图像中的照射分量，得到所述图像的反射分量；
标识出所述图像的反射分量中的目标条纹的边缘，得到所述图像的反射分量的二值图像；以及
获取所述二值图像中的所述目标条纹的信息并定位所述目标条纹的位置。
2.根据权利要求1所述的方法，其中，去除所述图像中的照射分量包括：
通过对所述图像进行滤波得到所述图像的照射分量；以及
去除所述图像的照射分量以提取所述图像的反射分量。
3.根据权利要求2所述的方法，其中，所述图像的滤波是均值滤波或高斯滤波。
4.根据权利要求1所述的方法，其中，在去除所述图像中的照射分量之前，所述方法还包括：
对所述图像进行图像降维以降低所述图像中的像素数目。
5.根据权利要求4所述的方法，所述图像降维包括邻近像素取样降维或双三次插值降维。
6.根据权利要求2所述的方法，其中，在去除所述图像中的照射分量后，所述方法还包括：
对所述图像的反射分量进行线性拉伸以增加所述图像的反射分量的可视化程度。
7.根据权利要求6所述的方法，其中，所述线性拉伸包括：
将所述图像中的最小像素值减小为目标最小像素值；
将所述图像中的最大像素值增大为目标最大像素值；
通过下式对介于所述最小像素值和所述最大像素值之间的像素值进行调整以对所述图像进行线性拉伸：
拉伸像素值＝拉伸系数*(像素值-最小像素值)+目标最小像素值
其中，拉伸系数为所述目标最大像素值和所述目标最小像素值之差与所述最大像素值和所述最小像素值之差的比值，拉伸像素值表示调整后的像素值。
8.根据权利要求1所述的方法，其中，标识出所述图像的反射分量中的目标条纹的边缘的步骤包括：
基于边缘检测标识出所述图像的反射分量中的目标条纹的边缘。
9.根据权利要求8所述的方法，其中，所述边缘检测包括：
从所述图像的反射分量确定出所述反射分量的水平方向梯度和竖直方向梯度；
基于所述水平方向梯度和所述竖直方向梯度得到边缘检测梯度图像；
确定所述边缘检测梯度图像的分割阈值；以及
使用所述分割阈值对所述图像的反射分量进行二值分割，以标识所述图像的反射分量中的目标条纹的边缘。
10.根据权利要求9所述的方法，其中，确定所述边缘检测梯度图像的分割阈值利用迭代计算阈值法、最大类间方差法和自适应计算阈值法中的至少一种方法进行。
11.根据权利要求9所述的方法，其中，所述边缘检测还包括：将所述图像的反射分量的边界向外扩展预定像素数目，
其中，确定扩展区域中像素的像素值包括：
确定所述图像的反射分量的光心；
根据所述图像的反射分量中像素的像素值和距所述光心的距离以及所述光心的亮度值获得所述图像的反射分量的亮度递减关系；以及
根据所述亮度递减关系和所述扩展区域中像素距所述光心的距离来确定所述扩展区域中像素的像素值。
12.根据权利要求9所述的方法，其中，所述边缘检测还包括：
将所述图像的反射分量的边界向外扩展预定像素数目，
其中，扩展区域中像素的像素值根据所述图像的反射分量边界处的像素或边界处预定范围内的像素确定。
13.根据权利要求9所述的方法，其中，在对所述图像的反射分量进行二值分割时，通过使用非极大值抑制以抑制噪声。
14.根据权利要求13所述的方法，其中，所述非极大值抑制步骤包括：
根据所述边缘检测梯度图像确定抑制阈值；
检测所述图像的反射分量中的每个像素点，如果所述像素点的像素值比在水平方向上与其相邻的两个像素点的像素值大所述抑制阈值且所述像素点的像素值比在竖直方向上与其相邻的两个像素点的像素值大所述抑制阈值，则将所述像素点设置为1，否则设置为0。
15.根据权利要求14所述的方法，其中，确定所述抑制阈值包括：
计算所述边缘检测梯度图像中所有像素点的像素值的平均值；
以预定倍数作为系数与所述平均值相乘以得到截止值；以及
计算所述截止值的平方根以得到所述抑制阈值。
16.根据权利要求15所述的方法，其中，所述预定倍数为4倍。
17.根据权利要求1所述的方法，其中，从所述二值图像中获取所述目标条纹的信息并定位所述目标条纹的位置包括：
对所述二值图像进行霍夫直线变换以获取所述目标条纹的信息并定位所述目标条纹的位置。
18.根据权利要求17所述的方法，其中，所述霍夫直线变换包括：
将所述二值图像映射到霍夫空间，其中，所述二值图像中的每个像素点在所述霍夫空间中均具有与其对应的轨迹曲线；
将所述霍夫空间中的与所述每个像素点对应的所述轨迹曲线重叠，其中，与所述轨迹曲线的相交最多处的点对应的参数表示所述目标条纹的参数信息；以及
根据所述参数信息定位所述目标条纹。
19.一种图像检测装置，包括
图像获取模块，配置成通过摄像模组采集待检测的图像，其中，所述图像包括照射分量和反射分量；
图像预处理模块，配置成去除所述图像中的照射分量以得到所述图像的反射分量；
边缘检测模块，配置成标识出所述图像的反射分量中的目标条纹的边缘，以得到所述图像的反射分量的二值图像；以及
霍夫变换模块，配置成获取所述目标条纹的信息并定位所述目标条纹的位置。
20.根据权利要求19所述的图像检测装置，还包括：
图像降维模块，配置成对所述图像获取模块中获取的所述图像进行降维以降低所述图像中的像素数目。
21.一种用于图像检测的系统，所述图像通过摄像模组获取，其中，所述图像包括照射分量和反射分量，其特征在于，所述系统包括：
处理器；以及
存储器，联接至所述处理器并存储有机器可读指令，所述机器可读指令能够由所述处理器运行以执行以下操作：
去除所述图像中的照射分量，得到所述图像的反射分量；
标识出所述图像的反射分量中的目标条纹的边缘，得到所述图像的反射分量的二值图像；以及
获取所述二值图像中的所述目标条纹的信息并定位所述目标条纹的位置。
22.一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，其特征在于，所述机器可读指令能够由处理器运行以执行以下操作：
通过摄像模组采集待检测的图像，其中，所述图像包括照射分量和反射分量；
去除所述图像中的照射分量，得到所述图像的反射分量；
标识出所述图像的反射分量中的目标条纹的边缘，得到所述图像的反射分量的二值图像；以及
获取所述二值图像中的所述目标条纹的信息并定位所述目标条纹的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910006568.7A CN111415365B (zh) | 2019-01-04 | 2019-01-04 | 图像检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910006568.7A CN111415365B (zh) | 2019-01-04 | 2019-01-04 | 图像检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111415365A true CN111415365A (zh) | 2020-07-14 |
| CN111415365B CN111415365B (zh) | 2023-06-27 |
Family
ID=71492587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910006568.7A Active CN111415365B (zh) | 2019-01-04 | 2019-01-04 | 图像检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415365B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111833341A (zh) * | 2020-07-22 | 2020-10-27 | 浙江大华技术股份有限公司 | 确定图像中条纹噪声的方法及装置 |
| CN112184581A (zh) * | 2020-09-27 | 2021-01-05 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004191198A (ja) * | 2002-12-11 | 2004-07-08 | Fuji Xerox Co Ltd | ３次元形状計測装置および方法 |
| JP2009301495A (ja) * | 2008-06-17 | 2009-12-24 | Sumitomo Electric Ind Ltd | 画像処理装置及び画像処理方法 |
| US20120050552A1 (en) * | 2010-08-26 | 2012-03-01 | Honda Motor Co., Ltd. | Rotation Cancellation for Moving Obstacle Detection |
| CN104282011A (zh) * | 2013-07-04 | 2015-01-14 | 浙江大华技术股份有限公司 | 一种检测视频图像中干扰条纹的方法及装置 |
| CN104458764A (zh) * | 2014-12-14 | 2015-03-25 | 中国科学技术大学 | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 |
| CN105303532A (zh) * | 2015-10-21 | 2016-02-03 | 北京工业大学 | 一种小波域Retinex图像去雾方法 |
| CN105761231A (zh) * | 2016-03-21 | 2016-07-13 | 昆明理工大学 | 一种用于去除高分辨率天文图像中条纹噪声的方法 |
| US20160277613A1 (en) * | 2015-03-20 | 2016-09-22 | Pfu Limited | Image processing apparatus, region detection method and computer-readable, non-transitory medium |
| CN106296670A (zh) * | 2016-08-02 | 2017-01-04 | 黑龙江科技大学 | 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法 |
| WO2017064753A1 (ja) * | 2015-10-13 | 2017-04-20 | 三菱電機株式会社 | 前照灯用光源及び移動体用前照灯 |
| CN106875430A (zh) * | 2016-12-31 | 2017-06-20 | 歌尔科技有限公司 | 动态背景下基于固定形态的单一运动目标追踪方法和装置 |
| CN107194882A (zh) * | 2017-03-29 | 2017-09-22 | 南京工程学院 | 一种钢丝绳芯输送带x光图像矫正与增强的方法 |
| JP2017187348A (ja) * | 2016-04-04 | 2017-10-12 | 新日鐵住金株式会社 | 表面欠陥検査システム、方法及びプログラム |
| CN109087350A (zh) * | 2018-08-07 | 2018-12-25 | 西安电子科技大学 | 基于射影几何的流体光强三维重建方法 |
-
2019
- 2019-01-04 CN CN201910006568.7A patent/CN111415365B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004191198A (ja) * | 2002-12-11 | 2004-07-08 | Fuji Xerox Co Ltd | ３次元形状計測装置および方法 |
| JP2009301495A (ja) * | 2008-06-17 | 2009-12-24 | Sumitomo Electric Ind Ltd | 画像処理装置及び画像処理方法 |
| US20120050552A1 (en) * | 2010-08-26 | 2012-03-01 | Honda Motor Co., Ltd. | Rotation Cancellation for Moving Obstacle Detection |
| CN104282011A (zh) * | 2013-07-04 | 2015-01-14 | 浙江大华技术股份有限公司 | 一种检测视频图像中干扰条纹的方法及装置 |
| CN104458764A (zh) * | 2014-12-14 | 2015-03-25 | 中国科学技术大学 | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 |
| US20160277613A1 (en) * | 2015-03-20 | 2016-09-22 | Pfu Limited | Image processing apparatus, region detection method and computer-readable, non-transitory medium |
| WO2017064753A1 (ja) * | 2015-10-13 | 2017-04-20 | 三菱電機株式会社 | 前照灯用光源及び移動体用前照灯 |
| CN105303532A (zh) * | 2015-10-21 | 2016-02-03 | 北京工业大学 | 一种小波域Retinex图像去雾方法 |
| CN105761231A (zh) * | 2016-03-21 | 2016-07-13 | 昆明理工大学 | 一种用于去除高分辨率天文图像中条纹噪声的方法 |
| JP2017187348A (ja) * | 2016-04-04 | 2017-10-12 | 新日鐵住金株式会社 | 表面欠陥検査システム、方法及びプログラム |
| CN106296670A (zh) * | 2016-08-02 | 2017-01-04 | 黑龙江科技大学 | 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法 |
| CN106875430A (zh) * | 2016-12-31 | 2017-06-20 | 歌尔科技有限公司 | 动态背景下基于固定形态的单一运动目标追踪方法和装置 |
| CN107194882A (zh) * | 2017-03-29 | 2017-09-22 | 南京工程学院 | 一种钢丝绳芯输送带x光图像矫正与增强的方法 |
| CN109087350A (zh) * | 2018-08-07 | 2018-12-25 | 西安电子科技大学 | 基于射影几何的流体光强三维重建方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111833341A (zh) * | 2020-07-22 | 2020-10-27 | 浙江大华技术股份有限公司 | 确定图像中条纹噪声的方法及装置 |
| CN112184581A (zh) * | 2020-09-27 | 2021-01-05 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及介质 |
| CN112184581B (zh) * | 2020-09-27 | 2023-09-05 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111415365B (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
| CN106683075B (zh) | 一种输电线杆塔横担处螺栓缺陷检测方法 | |
| US20170069059A1 (en) | Non-Local Image Denoising | |
| CN116168026A (zh) | 基于计算机视觉的水质检测方法及系统 | |
| CN117764989B (zh) | 一种视觉辅助的显示屏缺陷检测方法 | |
| CN113344810B (zh) | 基于动态数据分布的图像增强方法 | |
| CN110189290A (zh) | 基于深度学习的金属表面细微缺陷检测方法及装置 | |
| CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN111476750B (zh) | 对成像模组进行污点检测的方法、装置、系统及存储介质 | |
| CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
| CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
| CN115471486A (zh) | 一种交换机接口完好性检测方法 | |
| CN117853510A (zh) | 基于双边滤波和自适应阈值的Canny边缘检测方法 | |
| CN111553927B (zh) | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 | |
| CN111415365B (zh) | 图像检测方法及装置 | |
| Chandrashekar et al. | Assessment of non-linear filters for MRI images | |
| KR20140109801A (ko) | 3d이미지 품질을 향상시키는 방법과 장치 | |
| CN114373086A (zh) | 集成模板匹配方法、装置、计算机设备及存储介质 | |
| CN118823481A (zh) | 一种基于人工智能的桥梁检测图像识别方法及系统 | |
| CN109376782A (zh) | 基于眼部影像特征的支持向量机白内障分级方法及装置 | |
| Prabha et al. | Defect detection of industrial products using image segmentation and saliency | |
| CN114529518B (zh) | 一种基于图像金字塔与nlm的冷冻电镜图像增强方法 | |
| CN116645288A (zh) | 基于改进同态滤波和clahe的光伏板红外图像增强方法 | |
| CN112200741B (zh) | 一种基于边缘先验的离焦二维码图像复原方法 | |
| Storozhilova et al. | 2.5 D extension of neighborhood filters for noise reduction in 3D medical CT images |
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 |