目标提取——背景均匀、目标与背景相似

最新推荐文章于 2025-08-13 19:16:32 发布
转载 最新推荐文章于 2025-08-13 19:16:32 发布 · 3.5k 阅读 · 17 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/xixixing/p/10732752.html
文章标签：

#人工智能 #matlab #python

本文介绍了针对目标提取的问题，特别是当目标与背景相似且背景均匀的情况。通过滤波和模糊化预处理，结合动态阈值分割技术，可以有效地分离目标。文中引用了halcon的两个案例，包括surface_scratch.hdev用于处理划痕检测，以及particle.hdev用于在液体中分析低亮度颗粒。这些方法对于剔除亮色物也有一定效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

套路：滤波模糊化——动态阈值分割

halcon中案例：surface_scratch.hdev，划痕与背景相似，背景均匀

read_image (Image, 'surface_scratch')
get_image_size (Image, Width, Height)

mean_image (Image, ImageMean, 7, 7) //用7×7的窗口对图像进行均值滤波，获得参考图像
//动态阈值分割
dyn_threshold (Image, ImageMean, DarkPixels, 5, '
最低0.47元/天 解锁文章

200万优质内容无限畅学
目标检测YOLO实战应用案例100讲-复杂背景下的红外弱小目标检测方法研究
qq_36130719的博客
05-21 1876
弱小红外目标检测中的“弱”指的是在背景较为复杂时，目标与背景特征相似，易被淹没在背景中，一般对比度小于15%，且在远距离成像中耗散了较多能量以致其信杂比(Signal-to-Clutter Ratio, SCR)不大于3；“小”是指远距离的成像造成了成像大小在2×2−9×9 像素之间[2]，目标缺乏可区分的形状和纹理信息，因此，由远距离红外成像系统所得图像中的目标呈现“弱”和“小”的特点；另一方面，小目标所处的背景多变且复杂，通常是无人机所拍摄的空对地场景，包。
PyTorch深度学习实战（20）——从零开始实现Fast R-CNN目标检测
盼小辉丶的博客
10-13 6192
Fast R-CNN 改进了 R-CNN，引入 RoI (Region of Interest) 池化层极大地提高了检测速度和准确性。Fast R-CNN 极大地推动了目标检测领域的发展，为后续的一系列算法奠定了基础，在准确性和速度之间取得了良好的平衡，成为了目标检测算法的重要里程碑。在本节中，我们将介绍 Fast R-CNN 的工作原理，然后在自定义数据集上训练 Fast R-CNN 目标检测模型。
halcon检测划痕
08-31
halcon检测划痕实例，机器视觉图像处理检验表面划痕。
缺陷检测——Halcon表面划痕检测
热门推荐
weixin_44901043的博客
08-30 1万+
项目场景： 提取表面划痕缺陷 解决方案： 1.先对原始图像做中值滤波处理： 2.局部阈值处理 3.blob分析提取特征
halcon表面划痕检测
05-04
halcon表面划痕检测，修改别人的代码以后，针对不同图片请适当调整参数
Halcon 图像预处理案例（检测表面划痕、毛刺边缘提取）
一个不掉头发的资深小白
03-21 1949
【代码】Halcon 图像预处理案例（检测表面划痕、毛刺边缘提取）
Halcon表面划痕检测方法
perfect-顾（coder）的博客
09-09 1875
Halcon表面划痕检测方法
关于OpenCV 从基础到深入的详解——九、目标检测与识别
weixin_43084893的博客
11-19 2008
基于模板匹配的目标检测原理和步骤基于特征的目标检测方法（如利用 Haar 特征、HOG 特征）介绍传统目标检测方法在简单场景和特定目标检测中的应用效果和局限性基于卷积神经网络（CNN）的目标检测架构（如 R - CNN、Fast R - CNN、Faster R - CNN）介绍基于深度学习的目标检测方法在复杂场景、多目标检测中的优势和挑战基于神经网络的分类器（如多层感知机、卷积神经网络）在目标识别中的原理和应用支持向量机（SVM）在目标识别中的原理、优势和局限性不同分类方法在不同类型目标识别任务中的比较和
论文阅读笔记 | 三维目标检测——PartA2算法
Clichong
11-25 1858
PointRCNN中发现了基于点云的3d目标中相比2d检测有一个与生俱来的优势，就是3d的标注框不仅提供了检测的目标框，同时还提供语义分割的前景点（也就是目标框中的点）。**在PartA2中，作者进一步发现了我们不仅可以获得需要检测的标注框及其包括的前景点，我们还可以获得每个前景点在标注框中的空间分布信息，或者说是每个前景点在标注框内的相对位置信息**。在现有的研究下，其实并没有完全的将3d标注框的信息完全利用上，这种前景点在标注框的分布信息是有利于提高3d检测网络的性能的。
Halcon提取和分析图像中的表面划痕
zhangyy57的博客
05-31 1435
Halcon通过图像分割、形态学处理和形状选择等技术，实现了从图像中提取和分类表面划痕的功能
halcon划痕检测
05-16
halcon划痕检测，halcon 8.0版本
【dyn_threshold_划痕检测】
2d3d图像算法 halcon\opencv\c++\pcl\vtk\coluldcompare工具 程序员 学习者
09-20 1321
灰度低通滤波可以突出信号。dyn_threshold可以对两幅孪生图的信号进行阈值分割。灰度低通滤波可以突出信号。dyn_threshold可以对两幅孪生图的信号进行阈值分割。
Halcon 表面划痕检测
liuxiaohuidegushi的博客
09-23 5431
Halcon表面划伤检测实例 图片：1.png  关闭活动图形窗口  dev_close_window () 在程序执行中指定输出行为为 off。  dev_update...
halcon机器视觉实例2--表面划痕检测fft
OHRadiance的专栏
12-20 2765
前言 此文针对《halcon机器视觉实例2》中遗留问题的进阶。 照例不喜欢贴代码，而是阐述见解。 本文还是以官方例程为例--find_scratches_bandpass_fft。 其实就是通过快速傅里叶变换来检测划痕。 正文 先前是通过均值滤波+动态阈值分割提取的特征。 其实就是通过灰度值平均后，与原图的比较来凸显特征。 这种方式其实对噪声的去除效果有限。对比如下： 第一张图是非fft的，第二张是fft。可以清楚的看到–fft对噪声的去除效果提升显著。 对于快速傅里叶变换–fft，本文不做展开。本文仅
HALCON机器视觉之基于频域分析的木板划痕检测：解析+实战（C# + HALCON）
专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域，希望和大家共同进步！
12-06 254
在工业生产和民用领域中，木板的质量检测是一个重要环节。木板表面的划痕会影响其美观度、使用性能甚至结构强度。传统的人工检测方法不仅效率低下，而且容易受到主观因素的影响，难以保证检测的准确性和一致性。随着机器视觉技术的发展，基于频域分析的检测方法为木板划痕检测提供了一种高效、准确的解决方案。本文将详细介绍基于频域分析的木板划痕检测的概念、原理、算法、实例以及相关注意事项，旨在帮助读者，尤其是初学者，能够快速掌握并应用这一技术解决实际问题。
halcon机器视觉实例1--表面划痕检测
OHRadiance的专栏
12-18 5208
前言 这个是开始halcon机器视觉的第一篇。 为什么要用halcon呢，因为有很多现成的算子，方便快速应用。 后续的计划是一边熟悉halcon，一边刷刚萨雷斯的《数字图像处理》。 正文 以官方例程xxx为例 1，根本不可能仅以灰度值作为判断划痕的依据。 因为，划痕像素点的灰度值与非划痕处像素点的灰度值，不可能正好是一个二值分割的关系。简单点说，就是–不可能划痕区域的每个点都比所有的非划痕区域亮或者暗。 且灰度值易受各种因素影响而变化。因此，鉴别划痕的思路应该是检测相对变化。 2，官方例程的思路。 先均
halcon机器视觉实例3--木板划痕检测
OHRadiance的专栏
12-21 2039
前言 先前的两个实例都是官方例程，不能老拿官方实例说事。 因此，本次例程是从网上下找的图片素材。 正文 待检测图片。 网上找的素材，水印都还在。 其实，整个检测过程都可以视为是一种套路。通过傅里叶变换，用一个带通滤波器在频域滤除了高频噪声，再凸显下特征部分。接着就是通过灰度值、面积、朝向（phi）去提取特征，过程并不复杂。代码实现在文末。 需要说明的是本例中图片上有大量垂直方向的噪声，所以通过phi去过滤噪声很重要。另外，有一条划痕没有检测出来。因为，经过尝试那条划痕特征不明显，如果要检测出来会引入太
【15】Transformers快速入门：添加自定义 Token
最新发布
叫好与叫座虽然不是对立面，但想在同一个作品中达到双重效果很难。
08-13 1518
预训练模型的词表是固定的。它不认识你自定义的特殊标记（如实体标记、领域术语、新表情符号等）。掌握如何向预训练模型的分词器和词表中添加新的 Token（包括普通 Token 和特殊 Token），理解其对模型的影响，并学会正确调整模型权重。新 Token 的 ID（30523, 30524）在模型的 Embedding 矩阵里。想象一下，你给模型一个任务：“找出文本里的汽车和隧道实体”。增加了词表大小（比如从 30522 增加到 30524），模型的 Embedding 矩阵（这里标记了一个实体！
ORBslam2特征提取与匹配
02-28
### ORB-SLAM2 中的特征提取与匹配 ORB-SLAM2 使用了一种高效且鲁棒的方式来进行特征提取和匹配。具体来说，该系统依赖于 FAST 角点检测器来识别图像中的显著位置，并利用 BRIEF 描述符对这些角点进行编码。 #### 1. FAST 角点检测 FAST (Features from Accelerated Segment Test) 是一种高效的角点检测算法，在 ORB-SLAM2 中用于定位潜在的兴趣点。FAST 的工作原理基于像素强度的变化情况：如果一个圆周上的连续多个像素都明显亮于或暗于中心像素，则认为此处存在角点[^1]。 为了提高效率并减少冗余，FAST 还会通过非极大值抑制（Non-Maximum Suppression, NMS）去除那些响应较弱的候选点。最终得到一组具有代表性的、分布均匀的关键点集合。 ```cpp // C++ 示例代码片段展示如何调用 OpenCV 库执行 FAST 检测 cv::Ptr<cv::FastFeatureDetector> detector = cv::FastFeatureDetector::create(); std::vector<cv::KeyPoint> keypoints; detector->detect(image, keypoints); ``` #### 2. BRIEF 描述符构建 一旦获得了足够的关键点之后，下一步就是为每一个关键点创建描述符以便后续匹配操作。ORB-SLAM2 选择了 BRIEF (Binary Robust Independent Elementary Features)，这是一种二进制字符串形式的局部外观表示法[^2]。 BRIEF 不同于 SIFT 或 SURF 那样复杂的梯度直方图结构；相反，它简单地比较一对随机选定的位置处灰度值大小关系，并记录下布尔结果。整个过程可以看作是对原始数据进行了降维处理，从而使得存储空间需求大大降低的同时保持了良好的区分能力。 ```python import numpy as np def brief_descriptor(keypoint_image_patch): # 假设输入是一个围绕着某个 keypoint 裁剪出来的固定尺寸的小区域 num_pairs = 512 # 可配置参数 descriptor_length = int(np.log2(num_pairs)) bit_string = '' for _ in range(descriptor_length): p1_x, p1_y = get_random_point_within_patch() p2_x, p2_y = get_random_point_within_patch() intensity_p1 = keypoint_image_patch[p1_y][p1_x] intensity_p2 = keypoint_image_patch[p2_y][p2_x] if intensity_p1 < intensity_p2: bit_string += '0' else: bit_string += '1' return bit_string ``` #### 3. 特征匹配流程 当两个不同视角下的场景被捕捉成图片后，就可以尝试寻找它们之间存在的对应关系——即哪些点在两张照片里指的是同一个物理对象。对于每一对来自源图像和目标图像的关键点及其对应的 BRIEF 描述符： - 计算汉明距离（Hamming Distance），衡量两者之间的相似程度； - 设置阈值筛选出最接近的一组配对作为初步估计； - 利用 RANSAC 算法进一步剔除误匹配项，确保变换矩阵求解时所依据的数据集尽可能纯净可靠。 ```matlab % MATLAB 示例代码演示 Hamming distance 和 RANSAC 流程 function matches = match_features(source_descriptors, target_descriptors) % ...省略部分初始化逻辑... distances = pdist2(double(source_descriptors), double(target_descriptors), @hamming_distance); [~, indices] = min(distances); %#ok<ASGLU> initial_matches = [repmat((1:size(source_descriptors, 1))', 1, 2), indices]; model = fitgeotrans(initial_matches(:, [1, 3]), 'affine'); valid_matches = find(inlierPoints(model)); matches = initial_matches(valid_matches, :); end ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值