精华内容
下载资源
问答
  • 亚像素边缘检测

    2018-09-06 22:09:56
    亚像素边缘检测的matlab代码,实测后比较准确!
  • 一种新的基于 Zernike 正交矩亚像素边缘定位的直径测量方法 [J], 宋晋国; 党 宏社; 洪英; 梁勇 2.一种改进的正交 Fourier-Mellin 矩亚像素边缘检测算法 [C.......提出一种新的亚像素边缘检测方法,...2005 Laser 第 1...

    一种新的基于 Zernike 正交矩亚像素边缘定位的直径测量方法 [J], 宋晋国; 党 宏社; 洪英; 梁勇 2.一种改进的正交 Fourier-Mellin 矩亚像素边缘检测算法 [C......

    本文提出一种新的亚像素精度的边缘检测算法 . 该方法给出了一种可修正的贝塞尔点扩...

    一种亚像素边缘检测方法_IT/计算机_专业资料。提出一种新的亚像素边缘检测方法,...

    2005 Laser 第 16 卷第 8 期 2005 年 8 月 Journal of Optoelectronics 图像的快速亚像素边缘检测方法 * 刘力双 , 张 铫 , 卢慧卿 , 赵 琳 , 王宝光 ......

    因此利用文献[ 所检测的亚像素边缘点进 。 行跟踪及后续处理 亚像素边缘点不一定位于像点中心, 即其坐 , 标不一定为整数 因此直接利用亚像素边缘点确 定后续......

    在视觉检测 系统中,亚像素边缘的检测、定位精度是其测量的关键,国 内外很多学者对该问题进行了广泛研究,已提出很多边缘检 测方法,如灰度矩法、空间矩法 [1] 、......

    通用亚像素边缘检测算法_盛遵冰_物理_自然科学_专业资料。第 41 卷第 6 期...

    基于亚像素边缘检测的二维条码识别甘摘 岚 1, 刘宁钟 2 (1.华东交通大学信...

    基于Sigmoid函数拟合的亚像素边缘检测方法_数学_自然科学_专业资料。第 3...

    (2014)02—0290.04 基于三次样条插值的亚像素边缘检测方法 孙秋成1...

    Company LOGO 基于海森矩阵的亚像素图像边缘特征提取 班级:信研1403 姓名:杨明 1 亚像素边缘检测意义 亚像素边缘检测方法 2 3 4 5 海森矩阵检测方法原理程序流程......

    摘法 要: 针对传统边缘检测算法的定位精度低 、 对噪声敏感等缺 点, 提 出基于函数 曲线拟合 的亚像素边 缘检测算 梯度方向高斯曲线拟合亚像素定位算 法。该......

    基于反正切函数拟合的亚像素边缘检测方法_电子/电路_工程科技_专业资料。数字图像...

    亚像素边缘定位算法的稳定性分析_数学_自然科学_专业资料。亚像素精度边缘检测 第...

    实验结果表明,该方法的相对定位误差小于1%. 关键词:结构光;格雷码;边缘检测;亚像素定位;拟合 中图分类号:TH471 文献标识码:A ASub-PixelStripeEdgeDetectionBased......

    然而由于各种物理条件(如摄像 机,存储器等)的限制,所获取图像分析的关键步骤,边缘的定位精度直接影响 到尺寸检测的精度。 3.1 基于曲面拟合的亚像素边缘检测方法 ......

    edu. cn 。 一种改进的灰度矩亚像素边缘检测算法罗 ,侯 ,付 钧艳丽 (...

    本文提出了一种改进的基于正交傅里叶变换的新方法,提高了部分数字图像的亚像素边缘检测的准确性。首先,使用这些矩的低径向阶和旋转不变性描述图像中的小物体,其次,......

    【期刊名称】《计量技术》 【年(卷),期】2005(000)002 【总页数】3 页(P14-16) 【关键词】边缘检测;亚像素算法;垂直占空比;计算机视觉 【作者】廖常俊;......

    为目标函数 点数m,未知数n(m>=n),得到超定方程组 BC=Y 机器视觉测量技术 2、常用拟合亚像素边缘定位法 1) 边缘灰度拟合 三次多项式拟合边缘灰度值,拐点为......

    展开全文
  • Matlab实现基于Zerniek矩的亚像素边缘检测 Matlab实现基于Zerniek矩的亚像素边缘检测 Matlab实现基于Zerniek矩的亚像素边缘检测 Matlab实现基于Zerniek矩的亚像素边缘检测
  • 修改过的亚像素边缘检测修改过的亚像素边缘检测修改过的亚像素边缘检测
  • 本发明专利技术提供一种亚像素边缘检测方法,包括如下步骤:获取图像;图像预处理;亚像素计算;生成亚像素边缘。本发明专利技术采用了亚像素的像素处理策略,有效地摆脱了由于像素点过大造成的精度丢失问题,能找到...

    本发明专利技术提供一种亚像素边缘检测方法,包括如下步骤:获取图像;图像预处理;亚像素计算;生成亚像素边缘。本发明专利技术采用了亚像素的像素处理策略,有效地摆脱了由于像素点过大造成的精度丢失问题,能找到更为真实的图像边缘,提高了视觉测量的准确性,可作为高精度机器视觉测量的预处理步骤。

    Subpixel edge detection method

    The invention provides a sub-pixel edge detection method, which comprises the following steps of: acquiring an image; image preprocessing; sub-pixel calculation; generating sub-pixel edge. The invention adopts the pixel processing strategy of subpixel, effectively get rid of the pixels caused by excessive loss of precision, can find a real image edge, and improve the accuracy of vision measurement, can be used as a preprocessing step for high precision machine vision measurement.

    【技术实现步骤摘要】

    本专利技术涉及机器视觉

    ,具体涉及一种亚像素边缘检测方法。

    技术介绍

    边缘检测是图像处理和计算机视觉中的基本问题,其目的是标识数字图像中亮度变化明显的点,因为图像属性中的显著变化通常反映了属性的重要事件和变化。边缘检测也是高精度机器视觉测量领域对所获取的图像进行分析判别的必要预处理步骤,在边缘被提取的前提下,其他基于边缘的诸如轮廓检测、尺寸测算等步骤才能进一步展开,从而完成整个高精度机器视觉的流程。目前,流行的方法有Canny算子、Sobel算子等成熟的像素级别的边缘检测算法,但是在现今高精度视觉测量领域,像素级别的边缘检测在精度水平上已经越来越不能满足需求,因此,亚像素边缘检测应运而生。所谓亚像素,就是将原本获取的图像的基础上,将其每个像素点再度进行拆分,使之用比像素更小的“亚像素”单位来表征图像。由于亚像素的尺寸较像素尺寸小,意味着其可以表征的精度比像素要高,可以满足一些较苛刻的高精度机器视觉检测任务的需求。然而,现有的亚像素边缘检测方法,存在由于像素点过大而造成精度丢失的问题,导致图像边缘不太真实,视觉测量的准确性不太高等问题。

    技术实现思路

    本专利技术的目的是提供一种亚像素边缘检测方法,利用亚像素边缘检测的算法对获取图像进行边缘检测,能有效解决由于像素点过大而造成精度丢失的问题,并以此作为高精度机器视觉测量的预处理步骤。为了实现上述目的,本专利技术采用的技术方案如下:一种亚像素边缘检测方法,包括如下步骤:(1)、获取图像;(2)、图像预处理;(3)、亚像素计算;(4)、生成亚像素边缘。根据以上方案,所述步骤(1)包括如下具体步骤:(11)、将物体置于透明玻璃片上;(12)、用远心镜头垂直于玻璃片拍摄照片。根据以上方案,所述步骤(2)包括如下具体步骤:(21)、对获取的图像进行中值滤波;(22)、计算图像中各像素水平梯度;(23)、计算图像中各像素垂直梯度。根据以上方案,所述步骤(3)包括如下具体步骤:(31)、找出像素点中水平梯度大于a的点,该点集合记为A;(32)、找出像素点中垂直梯度大于b的点,该点集合记为B;(33)、将集合A中的水平梯度点最大值和最小值相减得到c;(34)、将集合B中的垂直梯度点最大值和最小值相减得到d。根据以上方案,所述步骤(4)包括如下具体步骤:(41)、将集合A中的水平梯度最大值与A中各个点的水平梯度相减,所得差值除以c,再将该点的横坐标与此结果相减,得到亚像素级别的横坐标;(42)、将集合B中的垂直梯度最大值与A中各个点的垂直梯度相减,所得差值除以d,再将该点的纵坐标与此结果相减,得到亚像素级别的纵坐标;(43)、将横、纵坐标合并得到最终亚像素级别边缘点的坐标。本专利技术的有益效果是:与其他亚像素边缘检测方法相比,本专利技术采用了亚像素的像素处理策略,有效地摆脱了由于像素点过大造成的精度丢失问题,能找到更为真实的图像边缘,提高了视觉测量的准确性。附图说明图1是本专利技术的总流程示意图。具体实施方式下面结合附图与实施例对本专利技术的技术方案进行说明。本专利技术提供一种亚像素边缘检测方法,包括如下具体步骤(见图1):(1)、获取图像:(11)、将物体置于透明玻璃片上;(12)、用远心镜头垂直于玻璃片拍摄照片;(2)、图像预处理:(21)、对获取的图像进行中值滤波;(22)、计算图像中各像素水平梯度;(23)、计算图像中各像素垂直梯度;(3)、亚像素计算:(31)、找出像素点中水平梯度大于a的点,该点集合记为A;(32)、找出像素点中垂直梯度大于b的点,该点集合记为B;(33)、将集合A中的水平梯度点最大值和最小值相减得到c;(34)、将集合B中的垂直梯度点最大值和最小值相减得到d;(4)、生成亚像素边缘:(41)、将集合A中的水平梯度最大值与A中各个点的水平梯度相减,所得差值除以c,再将该点的横坐标与此结果相减,得到亚像素级别的横坐标;(42)、将集合B中的垂直梯度最大值与A中各个点的垂直梯度相减,所得差值除以d,再将该点的纵坐标与此结果相减,得到亚像素级别的纵坐标;(43)、将横、纵坐标合并得到最终亚像素级别边缘点的坐标。本专利技术可应用于机器视觉

    ,作为高精度机器视觉测量的预处理步骤。以上实施例仅用以说明而非限制本专利技术的技术方案,尽管上述实施例对本专利技术进行了详细说明,本领域的相关技术人员应当理解:可以对本专利技术进行修改或者同等替换,但不脱离本专利技术精神和范围的任何修改和局部替换均应涵盖在本专利技术的权利要求范围内。本文档来自技高网...

    【技术保护点】

    一种亚像素边缘检测方法,其特征在于,包括如下步骤:(1)、获取图像;(2)、图像预处理;(3)、亚像素计算;(4)、生成亚像素边缘。

    【技术特征摘要】

    1.一种亚像素边缘检测方法,其特征在于,包括如下步骤:

    (1)、获取图像;

    (2)、图像预处理;

    (3)、亚像素计算;

    (4)、生成亚像素边缘。

    2.根据权利要求1所述的亚像素边缘检测方法,其特征在于,所述步骤

    (1)包括如下具体步骤:

    (11)、将物体置于透明玻璃片上;

    (12)、用远心镜头垂直于玻璃片拍摄照片。

    3.根据权利要求1所述的亚像素边缘检测方法,其特征在于,所述步骤

    (2)包括如下具体步骤:

    (21)、对获取的图像进行中值滤波;

    (22)、计算图像中各像素水平梯度;

    (23)、计算图像中各像素垂直梯度。

    4.根据权利要求1所述的亚像素边缘检测方法,其特征在于,所述步骤

    (3)包括如下具体步骤:

    (31)、...

    【专利技术属性】

    技术研发人员:傅之成,邵卿,李晓强,赵洋洋,

    申请(专利权)人:傅之成,

    类型:发明

    国别省市:浙江;33

    展开全文
  • 亚像素边缘检测算法

    2018-11-24 10:25:59
    在分析Tabatabai提出的灰度矩亚像素边缘检测算法的基础上,指出灰度矩算法存在 边缘判断条件不够完善和未能考虑模板效应的问题,提出了改进方法,考虑Tabatabai的灰度矩算 法产生很多虚假边缘,改进算法分析了各参数...
  • 执行快速准确的亚像素边缘检测,基于改进的zernike矩方法,有需要的可以下载~~
  • 图像亚像素边缘检测

    2013-07-12 21:56:49
    的精确亚像素边缘检测方法。用简单阈值法对待检零件图像进行二值化;用团块面积阈值法去除待检 零件图像中的噪声;用二值数学形态学方法进行像素级边缘检测获得单像素宽连通的像素级轮廓;用基 于三次样条插值的9 ×9...
  • 为了提高刀具预调测量仪的检测精度,提出了一种改进的图像快速亚像素边缘检测算法——基于正交多项式拟合的亚像素边缘检测算法。首先,利用传统的Sobel算子完成边缘点整像素级别的检测,确定边缘的主体区域;然后,...
  • 精确确定数字图像边缘的位置,对于图像测量非常重要。同时,图像获取过程中受到各种噪声的影响,...对几种代表性的亚像素边缘检测 技术进行了原理分析和性能比较。介绍了基于曲面拟合的和基于灰度矩的亚像素边缘检测算法。
  • 亚像素边缘检测源代码

    热门讨论 2010-07-29 19:08:31
    本压缩包包括一个亚像素边缘检测源代码,以及一个测试图片,从亚像素的角度去解决边缘检测问题,并且与Canny算子做比较,效果显著!
  • 本程序使用Zernike矩来进行边缘像素检测,并添加了一个例子,欢迎需要亚像素边缘检测的同学讨论。
  • 亚像素边缘检测的matlab代码,比一般的边缘检测代码精确
  • Zernik矩亚像素边缘检测 在网上看到有人写的Zernike矩亚像素边缘检测,发现存在很大的问题,赌气自己写了一个版本,力求精简,没有做过多优化。模板采用(7,7),借用Opencv的数据结构。如有问题欢迎指出。 关于...

    Zernik矩亚像素边缘检测

    在网上看到有人写的Zernike矩亚像素边缘检测,发现存在很大的问题,赌气自己写了一个版本,力求精简,没有做过多优化。模板采用(7,7),借用Opencv的数据结构。如有问题欢迎指出。
    关于Zernike矩求亚像素的原理,可以百度,有很多资源,下面是本人参考的文献:
    Zernike矩亚像素原理
    下面直接上代码:

    #include <string>
    #include <opencv2/opencv.hpp>
    #include <vector>
    using namespace cv;
    using namespace std;
    
    
    
    const double PI = 3.14159265358979323846;
    const int g_N = 7;
    const int h_N = 3;
    Mat M00 = (Mat_<float>(7, 7) <<
    	0, 0.0287, 0.0686, 0.0807, 0.0686, 0.0287, 0,
    	0.0287, 0.0815, 0.0816, 0.0816, 0.0816, 0.0815, 0.0287,
    	0.0686, 0.0816, 0.0816, 0.0816, 0.0816, 0.0816, 0.0686,
    	0.0807, 0.0816, 0.0816, 0.0816, 0.0816, 0.0816, 0.0807,
    	0.0686, 0.0816, 0.0816, 0.0816, 0.0816, 0.0816, 0.0686,
    	0.0287, 0.0815, 0.0816, 0.0816, 0.0816, 0.0815, 0.0287,
    	0, 0.0287, 0.0686, 0.0807, 0.0686, 0.0287, 0);
    
    Mat M11R = (Mat_<float>(7, 7) <<
    	0, -0.015, -0.019, 0, 0.019, 0.015, 0,
    	-0.0224, -0.0466, -0.0233, 0, 0.0233, 0.0466, 0.0224,
    	-0.0573, -0.0466, -0.0233, 0, 0.0233, 0.0466, 0.0573,
    	-0.069, -0.0466, -0.0233, 0, 0.0233, 0.0466, 0.069,
    	-0.0573, -0.0466, -0.0233, 0, 0.0233, 0.0466, 0.0573,
    	-0.0224, -0.0466, -0.0233, 0, 0.0233, 0.0466, 0.0224,
    	0, -0.015, -0.019, 0, 0.019, 0.015, 0);
    
    Mat M11I = (Mat_<float>(7, 7) <<
    	0, -0.0224, -0.0573, -0.069, -0.0573, -0.0224, 0,
    	-0.015, -0.0466, -0.0466, -0.0466, -0.0466, -0.0466, -0.015,
    	-0.019, -0.0233, -0.0233, -0.0233, -0.0233, -0.0233, -0.019,
    	0, 0, 0, 0, 0, 0, 0,
    	0.019, 0.0233, 0.0233, 0.0233, 0.0233, 0.0233, 0.019,
    	0.015, 0.0466, 0.0466, 0.0466, 0.0466, 0.0466, 0.015,
    	0, 0.0224, 0.0573, 0.069, 0.0573, 0.0224, 0);
    
    Mat M20 = (Mat_<float>(7, 7) <<
    	0, 0.0225, 0.0394, 0.0396, 0.0394, 0.0225, 0,
    	0.0225, 0.0271, -0.0128, -0.0261, -0.0128, 0.0271, 0.0225,
    	0.0394, -0.0128, -0.0528, -0.0661, -0.0528, -0.0128, 0.0394,
    	0.0396, -0.0261, -0.0661, -0.0794, -0.0661, -0.0261, 0.0396,
    	0.0394, -0.0128, -0.0528, -0.0661, -0.0528, -0.0128, 0.0394,
    	0.0225, 0.0271, -0.0128, -0.0261, -0.0128, 0.0271, 0.0225,
    	0, 0.0225, 0.0394, 0.0396, 0.0394, 0.0225, 0);
    
    Mat M31R = (Mat_<float>(7, 7) <<
    	0, -0.0103, -0.0073, 0, 0.0073, 0.0103, 0,
    	-0.0153, -0.0018, 0.0162, 0, -0.0162, 0.0018, 0.0153,
    	-0.0223, 0.0324, 0.0333, 0, -0.0333, -0.0324, 0.0223,
    	-0.0190, 0.0438, 0.0390, 0, -0.0390, -0.0438, 0.0190,
    	-0.0223, 0.0324, 0.0333, 0, -0.0333, -0.0324, 0.0223,
    	-0.0153, -0.0018, 0.0162, 0, -0.0162, 0.0018, 0.0153,
    	0, -0.0103, -0.0073, 0, 0.0073, 0.0103, 0);
    
    Mat M31I = (Mat_<float>(7, 7) <<
    	0, -0.0153, -0.0223, -0.019, -0.0223, -0.0153, 0,
    	-0.0103, -0.0018, 0.0324, 0.0438, 0.0324, -0.0018, -0.0103,
    	-0.0073, 0.0162, 0.0333, 0.039, 0.0333, 0.0162, -0.0073,
    	0, 0, 0, 0, 0, 0, 0,
    	0.0073, -0.0162, -0.0333, -0.039, -0.0333, -0.0162, 0.0073,
    	0.0103, 0.0018, -0.0324, -0.0438, -0.0324, 0.0018, 0.0103,
    	0, 0.0153, 0.0223, 0.0190, 0.0223, 0.0153, 0);
    
    Mat M40 = (Mat_<float>(7, 7) <<
    	0, 0.013, 0.0056, -0.0018, 0.0056, 0.013, 0,
    	0.0130, -0.0186, -0.0323, -0.0239, -0.0323, -0.0186, 0.0130,
    	0.0056, -0.0323, 0.0125, 0.0406, 0.0125, -0.0323, 0.0056,
    	-0.0018, -0.0239, 0.0406, 0.0751, 0.0406, -0.0239, -0.0018,
    	0.0056, -0.0323, 0.0125, 0.0406, 0.0125, -0.0323, 0.0056,
    	0.0130, -0.0186, -0.0323, -0.0239, -0.0323, -0.0186, 0.0130,
    	0, 0.013, 0.0056, -0.0018, 0.0056, 0.013, 0);
    
    
    int main()
    {
    	cv::Mat gray_img, med_img, canny_img, border_img, border_edge;
    	string image_path = "lena.jpg";
    	gray_img = cv::imread(image_path, 0);                                                         //以灰度图形式读取
    	cv::medianBlur(gray_img, med_img, 5);                                                         //中值滤波,不是必须,只为消除部分椒盐噪声
    	cv::Canny(med_img, canny_img, 80, 120);                                                       //canny边缘检测,进行初定位,获取初始边缘
    	//由于图像用到的模板为7*7的,所以先对图像进行边缘扩展
    	copyMakeBorder(med_img, border_img, h_N, h_N, h_N, h_N, cv::BORDER_REPLICATE);
    	copyMakeBorder(canny_img, border_edge, h_N, h_N, h_N, h_N, cv::BORDER_REPLICATE);
    	float Z00 = 0, Z11_I = 0, Z11_R = 0, Z20 = 0, Z31_I = 0, Z31_R = 0, Z40 = 0;                 //不同模板的卷积值
    	cv::Mat roi_img;
    	float theta1, theta3,Zz11, Zz31, Zz20, Zz40, l, r, t;
    	float x, y;
    	vector<cv::Point2f> sub_pixel_edge;
    	//对初始边缘进行亚像素边缘求取
    	for (int i = h_N; i < border_img.rows - h_N; i++)
    	{
    		for (int j = h_N; j < border_img.cols - h_N; j++)
    		{
    			if (border_edge.at<uchar>(i, j) == 255)
    			{	
    				//卷积
    				border_img(cv::Rect(j - h_N, i - h_N, g_N, g_N)).convertTo(roi_img, CV_32FC1);
    				Z00 = roi_img.dot(M00);
    				Z11_I = roi_img.dot(M11I);
    				Z11_R = roi_img.dot(M11R);
    				Z20 = roi_img.dot(M20);
    				/*Z31_I = roi_img.dot(M31I);
    				Z31_R = roi_img.dot(M31R);
    				Z40 = roi_img.dot(M40);	*/
    				theta1 = atan(Z11_I / Z11_R);                                                       //旋转角度计算          
    				Zz11 = Z11_R * cos(theta1) + Z11_I * sin(theta1);                                   //各阶Zernike矩旋转后结果
    
    				l = Z20 / Zz11;                                                                     //边缘距离圆心的距离
    				r = 1.5 * Zz11 / sqrt(pow(1 - pow(l, 2), 3));                                       //阶跃幅度
    				t = (Z00 - r * PI / 2 + r * asin(l) + r * l * sqrt(1 - pow(l, 2))) / PI;            //背景灰度值计算
    
    				//计算亚像素位置
    				x = j + g_N / 2.0 * l * cos(theta1) - h_N;                                          //根据公式计算即可,因扩充了边缘需要减去                
    				y = i + g_N / 2.0 * l * sin(theta1) - h_N;
    				cv::Point2f sub_pixel_point(x, y);
    				sub_pixel_edge.push_back(sub_pixel_point);                                          //存储亚像素边缘位置
    			}			
    		}
    	}
    
    	cv::Mat draw_image;
    	cv::cvtColor(canny_img, draw_image, cv::COLOR_GRAY2RGB);
    	//绘制亚像素边缘图
    	for (int i = 0; i < sub_pixel_edge.size(); i++)
    	{
    		circle(draw_image, sub_pixel_edge[i], 0, Scalar(255, 0, 255), 1, 0, 0);
    	}
    	imshow("sub pixel edge", draw_image);
    	cv::waitKey();
    	return 0;
    }
    

    原图如下:
    Canny结果如下
    在这里插入图片描述
    亚像素结果如下:
    在这里插入图片描述
    图中白色为Canny的像素位置,红色为亚像素的位置。因为图像像素只能画出整像素位置,所以仅供显示,看一下效果。若要准确对比相对位置,可以把亚像素坐标存储起来,用matlab画出来进行对比。

    展开全文
  • 基于Arimoto熵和Zernike矩的图像亚像素边缘检测
  • 一种快速亚像素边缘检测算法的实现的理论,可以快速实现亚像素的算法,在时间上有一定的优势,先看理论,然后自己通过理论用C++实现
  • 利用正交矩来进行亚像素边缘检测的算法,首先通过计算图像3个不同阶次的Zernike正交矩,把理想阶跃灰度模型的4个参数映射到3个Zernike正交矩中;然后计算边缘所在直线的参数,确定边缘的亚像素级坐标。
  • 基于小波变换的亚像素边缘检测论文
  • 灰度距亚像素边缘检测

    热门讨论 2013-06-15 22:39:22
    基于灰度矩的亚像素边缘检测,精确度可以达到0.1-0.2个像素,内附源代码及主要参考文献,仅供学习参考!
  • 亚像素边缘检测技术是采用图像处理软件算法来提高检测精度的有效途径, 文中对矩法、拟合法和插值法等常用的亚像素边缘检测算法的原理、优点和不足进行了分析 ,提出了Sigmoid函数拟合的亚像素边缘定位算法....
  • 基于Zernike矩的亚像素边缘检测算法,田春苗,钟志,针对传统算子定位精度较低、检测出的边缘较粗的缺点,本文提出了基于Zernike矩的亚像素边缘检测算子,并推导出 的模板系数。该算法�

空空如也

空空如也

1 2 3 4 5 ... 10
收藏数 200
精华内容 80
关键字:

亚像素边缘检测