排序方式: 共有29条查询结果,搜索用时 15 毫秒
21.
夜间环境下的车道线检测是汽车智能辅助安全驾驶系统在夜间正常工作的前提和基础。由于夜间环境下存在图像整体较暗、光照不均匀、车道线不易检测的特点,使当前在日间环境下应用良好的算法难以适用。针对此问题,该文提出一种夜间车道线检测的方法。通过从摄像机获取的图像中提取感兴趣区域,采用双边滤波去除感兴趣区域中的噪点,并使用暗光增强算法提高对比度,最后通过边缘检测算法提取出边缘并应用霍夫变换得出直线。应用该文算法对夜间环境下的车道图像进行测试,实验结果表明,该文算法较常规的车道检测算法更能准确地检测出车道线。 相似文献
22.
为了解决低照度图像在图像增强过程中图像质量不佳、对比度不高等问题,本文提出改进Retinex与多图像融合算法用于低照度图像增强。首先将待处理图像转换到HSV色彩空间,并设定阈值对其V通道分量进行亮度调节,然后转换到RGB色彩空间,将其拷贝3份,对第一份进行直方图均衡化,中值滤波处理;对第2份进行自动亮度调节,双边滤波处理;对第3份进行改进的Retinex算法处理,采用高斯滤波、双边滤波作为其环绕函数,估计图像照明分量,最后输出反射图。将处理后的3份图像转到HSV色彩空间,对其V分量进行多图像融合,H、S分量沿用第2份图像分量值,最后将融合后的图像由HSV转为RGB色彩空间,输出处理后的图像。实验结果表明,本文提出的算法在增强低照度图像的同时,还可抑制图像噪声,同时具有良好的保边性,且细节明显。 相似文献
23.
24.
在零件检测时由于背景复杂、零件表面光照不均匀且存在油污及废屑等问题,导致特征选取与模板制作困难,因此现有图像匹配算法容易出现漏识别与误识别,从而给实际应用带来困难。针对上述问题,提出了一种结合彩色图像分割的图像匹配算法。首先,将HSV颜色空间中各通道的直方图分布曲线方波化;其次,根据方波分布确定阈值,实现自适应阈值分割与目标提取;最后,利用边缘特征进行模板匹配。实验结果表明,该算法能够消除光照和背景噪声的影响,快速准确地分割出目标对象,降低特征选取与模板制作的难度,且算法消除了误识别,耗时短,准确率高,成功应用于工业生产中。 相似文献
25.
针对现场可编程门阵列(FPGA)实现图像中值滤波处理时,面临着提高FPGA运行时钟频率和优化硬件资源相冲突的问题,提出一种时序优化中值滤波算法。该算法先通过二输入比较器级联模块代替三输入比较器模块,实现数据多拍处理,减少算法的硬件时序迟滞,提高算法在FPGA上的运行时钟频率。接着使用极值比较器模块对算法的并行运算流程进行优化,节省硬件资源,缩短算法耗时。仿真结果表明:对3?3滤波器,算法8个时钟周期后输出首个中值,后续每个时钟周期输出1 个中值,理论稳定运行的最高时钟频率为231.2MHz。 相似文献
26.
针对自主跟随机器人在自由空间中对移动目标进行跟随时,由于信号源发射角度小,自主跟随机器人很容易进入信号盲区,并且难以对移动目标进行精确定位、移动姿态确定等问题,提出了一种基于多传感器信息融合的自主跟随定位及避障方法,该方法通过在移动目标上增加多信号源,使自主跟随机器人与移动目标之间建立冗余信道,并通过多传感器信息融合方法,计算出移动目标中心位置及实时移动姿态;设置测距模块,使自主跟随机器人能避开障碍,保持跟随。根据此方法建立了多信号源定位模型和算法,并对该算法进行了实验验证。实验结果表明,该方法能够准确的对移动目标进行定位和移动姿态确定,并且信号盲区小,能有效的避开障碍,保持对移动目标的跟随,具有一定的工程应用价值。 相似文献
27.
针对低照度图像增强处理后存在图像细节差、色彩失真和“光晕伪影”等问题,在HSV颜色空间中处理图像,将V通道分量进行小波变换分解,对低频系数采用改进加权引导滤波替代高斯滤波作为环绕函数的多尺度Retinex算法处理,对高频系数采用改进的阈值函数降噪处理,小波逆变换重构V通道分量,对重构的V通道分量进行Gamma校正处理并转换回RGB颜色空间。实验结果表明,该算法增强后图像亮度提升明显,同时抑制了“光晕伪影”,颜色失真较少且细节丰富。 相似文献
28.
针对当前锂锰软包电池表面在生产过程中容易出现凸点、凹点等缺陷的问题,提出了一种基于光度立体法与频域Gabor滤波相结合的电池表面缺陷检测方法。首先,采用3个光源采集图片,然后进行图像融合,生成电池样本的反照率图片,可以使缺陷更加明显;然后对反照率图片进行快速傅里叶变换,在频域状态下使用Gabor滤波器进行处理,处理的结果再用逆傅里叶变换转换到时域,对于去除拍摄反光引起的图片噪声,采用中值滤波去除,将缺陷部分根据灰度值的大小用一个矩形掩膜进行增强;然后采用全局自适应阈值分割提取缺陷区域;最后利用形态学操作细化缺陷,凹坑准确率在98%,凸点准确率在96.7%,能够达到实际工业应用要求。 相似文献
29.
基于现有去雾算法存在去雾效果不佳和去雾效率低等问题,提出了一种改进AOD-Net网络模型。首先对输入图像进行随机噪声添加,提高图像模型去雾鲁棒性。接着对不同尺度的卷积核进行多线程处理,同时将图像中的特征信息提取,然后利用注意力机制进行权重分配,采集图像中的纹理信息和细腻化特征信息,提升图像的质量。最后对提取的特征信息利用AOD-Net模型的前两层卷积进行二次特征提取,估计出联合参数,输出去雾后的图像。实验结果表明,采用本算法得到的第一组和第二组图像峰值信噪比分别为20.05和16.92,结构相似性分别为0.85和0.83,IE熵值分别为7.48和7.75,各项数值均有提升,图像去雾效果更好,证明了本算法的有效性。 相似文献