CN108810415B - 一种基于量子粒子群优化算法的对焦方法 - Google Patents
一种基于量子粒子群优化算法的对焦方法 Download PDFInfo
- Publication number
- CN108810415B CN108810415B CN201810678607.3A CN201810678607A CN108810415B CN 108810415 B CN108810415 B CN 108810415B CN 201810678607 A CN201810678607 A CN 201810678607A CN 108810415 B CN108810415 B CN 108810415B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- function
- gray value
- difference
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/67—Focus control based on electronic image sensor signals
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Automatic Focus Adjustment (AREA)
- Image Analysis (AREA)
Abstract
一种基于量子粒子群优化算法的对焦方法，用于在拍摄图像时进行图像的对焦，其特征在于，包括以下步骤：步骤1，采用多个位于三维空间中的粒子分别表示图像中像素点的灰度值，对粒子代表的灰度值进行随机设定；步骤2，将量子粒子群中粒子的初始位置按位置公式进行平均分布；步骤3，用图像的前景图像与背景图像的平均灰度值方差函数计算粒子的适应度值，利用量子粒子群优化算法结合领域搜索法获得最佳分割阀值；步骤4，根据最佳分割阀值将图像分割为前景图像和背景图像；步骤5，根据前景图像的灰度值重心选取聚焦区域；步骤6，使用灰度差分法作为图像清晰度评价函数，根据该图像清晰度评价函数计算出的函数值来确定镜头的位置从而完成对焦。
Description
技术领域
本发明涉及图像对焦技术领域，具体涉及一种基于量子粒子群优化算法的对焦方法。
背景技术
对焦主要包括三个基本部分，即聚焦区域选择，图像清晰度评价，以及搜索算法，传统的图像对焦技术有测距法，焦点检测法，相位对焦法，常用的聚焦区域选择算法有中心取窗，多点取窗，非均匀采样取窗，瞳孔跟踪法以及皮肤探测法，中心取窗对主体目标的成像位置不具备自适应能力；多点取窗引入了更多的背景，计算量更大，对焦速度变慢；非均匀采样取窗同样不具备自适应能力，并且大量的浮点数运算影响了对焦速度；瞳孔跟踪法则要求必须获取拍摄者的瞳孔信息，皮肤探测的使用范围则更小。为解决以上现有技术的不足，提出了一种基于量子粒子群优化算法的对焦方法。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于量子粒子群优化算法的对焦方法。
本发明提供了一种基于量子粒子群优化算法的对焦方法，用于在拍摄图像时进行图像的对焦，具有这样的特征，包括以下步骤：步骤1，采用多个位于三维空间中的粒子分别表示图像中像素点的灰度值，对每个粒子所代表的灰度值进行随机设定；
步骤2，将量子粒子群中粒子的初始位置按位置公式进行平均分布，得到位置初始化后的粒子；
步骤3，将图像的前景图像与背景图像的平均灰度值方差函数作为适应度函数，用于计算位置初始化后的粒子的适应度值，先利用量子粒子群优化算法根据适应度值进行初步寻优，得到次优值，再通过次优值结合邻域搜索法根据适应度值进一步寻优后找到适应度值的最优值，得到取得该最优值的粒子，并将该粒子所对应的灰度值作为最佳分割阀值；
步骤4，按照灰度值大于或等于最佳分割阈值的像素点作为前景图像、灰度值小于最佳分割阈值的像素点作为背景图像的规则对图像进行分割，得到分割后的前景图像和背景图像；
步骤5，计算出分割后的前景图像的灰度值重心并将该灰度值重心作为中心，选取长和宽均为图像长和宽的四分之一的区域作为聚焦区域；
步骤6，使用通过计算当前像素点与相邻像素点之间灰度值差值的绝对值之和从而评价清晰度的灰度差分法作为图像清晰度评价函数，根据该图像清晰度评价函数计算出的函数值来确定镜头的位置从而完成对焦，
其中，步骤6中包括以下子步骤：
步骤6-1，控制镜头从左至右以规定步长和规定速度遍历聚焦区域，每移动一步均获取当前位置的图像并计算当前位置的图像清晰度评价函数的函数值；
步骤6-2，设定I＝1，选取图像清晰度评价函数的函数值的最大处的前一步和后一步之间作为区域I，缩小规定步长并减慢规定速度后再次遍历区域I，每移动一步均获取当前位置的图像并计算当前位置函数值，求出当前位置与前一个位置的图像清晰度评价函数的函数值的差值并记录为差值集合I；
步骤6-3，设定I的数值加1，将差值集合I中差值最小的当前位置与前一个位置之间作为新的区域I，进一步缩小规定步长后遍历新的区域I，计算函数值，求出当前位置和前一个位置的差值并记录为新的差值集合I；
步骤6-4，重复步骤6-3，直至当前位置与前一个位置的差值小于预设值，将当前位置和前一个位置中函数值大的位置确定为镜头对焦的位置。
在本发明提供的一种基于量子粒子群优化算法的对焦方法中，还可以具有这样的特征：其中，步骤1中的位置公式为：
Imax表示图像中的最大灰度值，Imin表示图像中的最小灰度值，N表示量子粒子群的规模，i表示粒子的数量。
在本发明提供的一种基于量子粒子群优化算法的对焦方法中，还可以具有这样的特征：其中，步骤2中的适应度函数公式为：
σ2(t)＝ω0(u0-u)2+ω1(u1-u)2
ω0表示前景图像的像素点数占整幅图像的比例；u0表示前景图像的平均灰度；ω1表示背景图像的像素点数占整幅图像的比例；u1表示背景图像的平均灰度；u表示图像的平均总灰度；t表示前景图像和背景图像的分割阀值。
在本发明提供的一种基于量子粒子群优化算法的对焦方法中，还可以具有这样的特征：其中，步骤4中的灰度值重心的计算公式为：
(xc，yc)表示灰度值重心的坐标；M、N分别为图像的长和宽；i、j表示像素点(i，j)的横、纵坐标值；g(i，j)表示像素点(i，j)当前的灰度值。
在本发明提供的一种基于量子粒子群优化算法的对焦方法中，还可以具有这样的特征：其中，步骤5中的图像清晰度评价函数的公式为：
Δxfk(x，y)＝fk(x，y)-fk(x-1，y)，
Δxfk(x，y)＝fk(x，y)-fk(x，y-1)，
x、y表示像素点(x，y)的横、纵坐标值；fk(x，y)表示像素点(x，y)当前的灰度值。
发明的作用与效果
根据本发明所涉及的一种基于量子粒子群优化算法的对焦方法，因为使用了量子粒子群优化算法，所以在选取聚焦窗口的过程中能够使得边缘信息丰富的区域作为聚焦区域，具有自适应能力，提高了对焦的实时性和准确性，并且有效减少了背景噪声的干扰。因为采用的爬山算法利用了极值附近变化率更加缓慢的特点，所以提高了对焦的准确性。因此本发明的一种基于量子粒子群优化算法的对焦方法具有自适应能力，实时性强，准确度高，能够更精确的完成对焦。
附图说明
图1是本发明的实施例中的基于量子粒子群优化算法的对焦方法的对焦流程示意图；
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
实施例：
图1是本发明的实施例中的基于量子粒子群优化算法的对焦方法的对焦流程示意图。
如图1所示，基于量子粒子群优化算法的对焦方法包括以下步骤：
步骤1，采用多个位于三维空间中的粒子分别表示图像中像素点的灰度值，对每个粒子所代表的灰度值进行随机设定；
步骤2，将量子粒子群中粒子的初始位置按位置公式进行平均分布，得到位置初始化后的粒子；
位置公式为：
Imax表示图像中的最大灰度值，Imin表示图像中的最小灰度值，N表示量子粒子群的规模，i表示粒子的数量。
步骤3，将图像的前景图像与背景图像的平均灰度值方差函数作为适应度函数，用于计算位置初始化后的粒子的适应度值，先利用量子粒子群优化算法根据适应度值进行初步寻优得到次优值，再通过次优值结合邻域搜索法根据适应度值进一步寻优后找到适应度值的最优值，得到取得该最优值的粒子，并将该粒子所对应的灰度值作为最佳分割阀值；
领域搜索法包括以下步骤：
步骤1，将取得的次优值定义为Jgd，取得该次优值的粒子位置定义为Pgd，定义n为邻域搜索有效步数，N为邻域搜索最大有效步数，求Pgd的右邻位置Pgd+1对应的适应度值Jgd+1，求Pgd的左邻位置Pgd-1对应的适应度值Jgd-1，同时进行右邻搜索和左邻搜索；
步骤2，进行右邻搜索，若在右邻位置寻得更优值，即Jgd+1>Jgd，则终止左邻搜索，并令Jgd＝Jgd+1，Pgd＝Pgd+1，n＝0，然后继续右邻搜索，若Jgd+1<Jgd，则n＝n+1，然后将Pgd+2作为新的右邻，继续右邻搜索；
步骤3，进行左邻搜索，若在左邻位置寻得更优值，即Jgd-1>Jgd，则终止右邻搜索，并令Jgd＝Jgd-1，Pgd＝Pgd-1，n＝0，然后继续左邻搜索，若Jgd-1＜Jgd，则n＝n+1，然后将Pgd-2作为新的左邻，继续左邻搜索；
步骤4：当连续N次邻域搜索都无更优值时，即n≥N时，终止搜索，此时Jgd即为适应度值的最优值，Pgd为最优粒子位置。
适应度函数公式为：
σ2(t)＝ω0(u0-u)2+ω1(u1-u)2
ω0表示前景图像的像素点数占整幅图像的比例；u0表示前景图像的平均灰度；ω1表示背景图像的像素点数占整幅图像的比例；u1表示背景图像的平均灰度；u表示图像的平均总灰度；t表示前景图像和背景图像的分割阀值。
步骤4，按照灰度值大于或等于最佳分割阈值的像素点作为前景图像、灰度值小于最佳分割阈值的像素点作为背景图像的规则对图像进行分割，得到分割后的前景图像和背景图像；
步骤5，计算出分割后的前景图像的灰度值重心并将该灰度值重心作为中心，选取长和宽均为图像长和宽的四分之一的区域作为聚焦区域；
灰度值重心的计算公式为：
(xc，yc)表示灰度值重心的坐标；M、N分别为图像的长和宽；i、j表示像素点(i，j)的横、纵坐标值；g(i，j)表示像素点(i，j)当前的灰度值。
步骤6，使用通过计算当前像素点与相邻像素点之间灰度值差值的绝对值之和从而评价清晰度的灰度差分法作为图像清晰度评价函数，根据该图像清晰度评价函数计算出的函数值来确定镜头的位置从而完成对焦；
图像清晰度评价函数的公式为：
Δxfk(x，y)＝fk(x，y)-fk(x-1，y)，
Δxfk(x，y)＝fk(x，y)-fk(x，y-1)，
x、y表示像素点(x，y)的横、纵坐标值；fk(x，y)表示像素点(x，y)当前的灰度值。
其中，步骤6中包括以下子步骤：
步骤6-1，控制镜头从左至右以规定步长和规定速度遍历聚焦区域，每移动一步均获取当前位置的图像并计算当前位置的图像清晰度评价函数的函数值；
步骤6-2，设定I＝1，选取图像清晰度评价函数的函数值的最大处的前一步和后一步之间作为区域Ⅰ，缩小规定步长并减慢规定速度后再次遍历区域Ⅰ，每移动一步均获取当前位置的图像并计算当前位置函数值，求出当前位置与前一个位置的图像清晰度评价函数的函数值的差值并记录为差值集合Ⅰ；
步骤6-3，设定I的数值加1，将差值集合Ⅰ中差值最小的当前位置与前一个位置之间作为新的区域I，进一步缩小规定步长后遍历新的区域Ⅰ，计算函数值，求出当前位置和前一个位置的差值并记录为新的差值集合Ⅰ；
步骤6-4，重复步骤6-3，直至当前位置与前一个位置的差值小于预设值，将当前位置和前一个位置中函数值大的位置确定为镜头对焦的位置。
实施例的作用与效果
根据本实施例所涉及的一种基于量子粒子群优化算法的对焦方法，因为使用了量子粒子群优化算法，所以在选取聚焦窗口的过程中能够使得边缘信息丰富的区域作为聚焦区域，具有自适应能力，提高了对焦的实时性和准确性，并且有效减少了背景噪声的干扰。因为采用的爬山算法利用了极值附近变化率更加缓慢的特点，所以提高了对焦的准确性。因此本实施例的一种基于量子粒子群优化算法的对焦方法具有自适应能力，实时性强，准确度高，能够更精确的完成对焦。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。
Claims (3)
1.一种基于量子粒子群优化算法的对焦方法，用于在拍摄图像时进行图像的对焦，其特征在于，包括以下步骤：
步骤1，采用多个位于三维空间中的粒子分别表示所述图像中像素点的灰度值，对每个粒子所代表的灰度值进行随机设定；
步骤2，将量子粒子群中所述粒子的初始位置按位置公式进行平均分布，得到位置初始化后的所述粒子；
步骤3，将所述图像的前景图像与背景图像的平均灰度值方差函数作为适应度函数，用于计算位置初始化后的所述粒子的适应度值，先利用所述量子粒子群优化算法根据所述适应度值进行初步寻优，得到次优值，再通过所述次优值结合邻域搜索法根据所述适应度值进一步寻优后找到所述适应度值的最优值，得到取得该最优值的所述粒子，并将该粒子所对应的所述灰度值作为最佳分割阀值；
步骤4，按照所述灰度值大于或等于所述最佳分割阈值的像素点作为前景图像、所述灰度值小于所述最佳分割阈值的像素点作为背景图像的规则对所述图像进行分割，得到分割后的前景图像和背景图像；
步骤5，计算出分割后的所述前景图像的灰度值重心并将该灰度值重心作为中心，选取长和宽均为所述图像长和宽的四分之一的区域作为聚焦区域；
步骤6，使用通过计算当前像素点与相邻像素点之间灰度值差值的绝对值之和从而评价清晰度的灰度差分法作为图像清晰度评价函数，根据该图像清晰度评价函数计算出的函数值来确定镜头的位置从而完成对焦，
其中，所述步骤2中的位置公式为：
Imax表示所述图像中的最大灰度值，Imin表示所述图像中的最小灰度值，N表示所述量子粒子群的规模，i表示所述粒子的数量，
所述步骤5中的灰度值重心的计算公式为：
(xc，yc)表示所述灰度值重心的坐标；M、N分别为所述图像的长和宽；i、j表示像素点(i，j)的横、纵坐标值；g(i，j)表示所述像素点(i，j)当前的灰度值，
所述步骤6中包括以下子步骤：
步骤6-1，控制所述镜头从左至右以规定步长和规定速度遍历所述聚焦区域，每移动一步均获取当前位置的图像并计算当前位置的所述图像清晰度评价函数的函数值；
步骤6-2，设定I＝1，选取所述图像清晰度评价函数的函数值的最大处的前一步和后一步之间作为区域Ⅰ，缩小规定步长并减慢规定速度后再次遍历所述区域Ⅰ，每移动一步均获取当前位置的图像并计算当前位置所述函数值，求出当前位置与前一个位置的所述图像清晰度评价函数的函数值的差值并记录为差值集合Ⅰ；
步骤6-3，设定I的数值加1，将所述差值集合Ⅰ中差值最小的所述当前位置与前一个位置之间作为新的区域I，进一步缩小规定步长后遍历所述新的区域Ⅰ，计算所述函数值，求出所述当前位置和前一个位置的差值并记录为新的差值集合Ⅰ；
步骤6-4，重复所述步骤6-3，直至所述当前位置与前一个位置的差值小于预设值，将所述当前位置和前一个位置中所述函数值大的位置确定为所述镜头对焦的位置。
2.根据权利要求1所述的一种基于量子粒子群优化算法的对焦方法，其特征在于：
其中，所述步骤3中的适应度函数公式为：
σ2(t)＝ω0(u0-u)2+ω1(u1-u)2
ω0表示所述前景图像的像素点数占整幅所述图像的比例；u0表示所述前景图像的平均灰度；ω1表示所述背景图像的像素点数占整幅所述图像的比例；u1表示所述背景图像的平均灰度；u表示所述图像的平均总灰度；t表示所述前景图像和所述背景图像的分割阀值。
3.根据权利要求1所述的一种基于量子粒子群优化算法的对焦方法，其特征在于：
其中，所述步骤6中的图像清晰度评价函数的公式为：
Δxfk(x，y)＝fk(x，y)-fk(x-1，y)，
Δyfk(x，y)＝fk(x，y)-fk(x，y-1)，
x、y表示像素点(x，y)的横、纵坐标值；fk(x，y)表示所述像素点(x，y)当前的灰度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810678607.3A CN108810415B (zh) | 2018-06-27 | 2018-06-27 | 一种基于量子粒子群优化算法的对焦方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810678607.3A CN108810415B (zh) | 2018-06-27 | 2018-06-27 | 一种基于量子粒子群优化算法的对焦方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108810415A CN108810415A (zh) | 2018-11-13 |
| CN108810415B true CN108810415B (zh) | 2020-07-14 |
Family
ID=64071949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810678607.3A Expired - Fee Related CN108810415B (zh) | 2018-06-27 | 2018-06-27 | 一种基于量子粒子群优化算法的对焦方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108810415B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109782414B (zh) * | 2019-03-01 | 2021-05-18 | 广州医软智能科技有限公司 | 一种基于无参考结构清晰度的自动调焦方法 |
| CN111965783A (zh) * | 2020-08-28 | 2020-11-20 | 合肥众群光电科技有限公司 | 一种ldi曝光镜头焦面调节方法 |
| CN115131350B (zh) * | 2022-08-30 | 2022-12-16 | 南京木木西里科技有限公司 | 一种大景深观测与表面形貌分析系统 |
| CN115835016B (zh) * | 2022-11-16 | 2024-04-23 | 中国科学院新疆理化技术研究所 | 抗辐射摄像机开环式自动对焦方法、装置、设备及介质 |
| CN119845961A (zh) * | 2025-01-15 | 2025-04-18 | 合肥国轩高科动力能源有限公司 | 一种极片分切机多刀缺陷检测装置及方法 |
| CN120522854B (zh) * | 2025-07-24 | 2025-09-23 | 中国科学院长春光学精密机械与物理研究所 | 基于动态mtf反馈的高精度自动定焦方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887584A (zh) * | 2010-07-07 | 2010-11-17 | 清华大学 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
| CN102903113A (zh) * | 2012-10-08 | 2013-01-30 | 南京邮电大学 | 基于协作量子粒子群算法的多阈值图像分割方法 |
| CN103217855A (zh) * | 2013-04-02 | 2013-07-24 | 金三立视频科技（深圳）有限公司 | 摄像机自动聚焦方法 |
| CN103914831A (zh) * | 2014-03-10 | 2014-07-09 | 西安电子科技大学 | 一种基于量子粒子群优化的二维双阈值sar图像分割方法 |
| CN104021552A (zh) * | 2014-05-28 | 2014-09-03 | 华南理工大学 | 一种基于图论分割过程的多目标粒子群参数优化方法 |
| CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
| CN107730523A (zh) * | 2017-09-14 | 2018-02-23 | 上海斐讯数据通信技术有限公司 | 一种基于粒子群算法的图像分割方法及系统 |
-
2018
- 2018-06-27 CN CN201810678607.3A patent/CN108810415B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101887584A (zh) * | 2010-07-07 | 2010-11-17 | 清华大学 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
| CN102903113A (zh) * | 2012-10-08 | 2013-01-30 | 南京邮电大学 | 基于协作量子粒子群算法的多阈值图像分割方法 |
| CN103217855A (zh) * | 2013-04-02 | 2013-07-24 | 金三立视频科技（深圳）有限公司 | 摄像机自动聚焦方法 |
| CN103914831A (zh) * | 2014-03-10 | 2014-07-09 | 西安电子科技大学 | 一种基于量子粒子群优化的二维双阈值sar图像分割方法 |
| CN104021552A (zh) * | 2014-05-28 | 2014-09-03 | 华南理工大学 | 一种基于图论分割过程的多目标粒子群参数优化方法 |
| CN107492103A (zh) * | 2017-07-05 | 2017-12-19 | 上海斐讯数据通信技术有限公司 | 基于自适应粒子群算法的灰度阈值获取方法、图像分割方法 |
| CN107730523A (zh) * | 2017-09-14 | 2018-02-23 | 上海斐讯数据通信技术有限公司 | 一种基于粒子群算法的图像分割方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108810415A (zh) | 2018-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108810415B (zh) | 一种基于量子粒子群优化算法的对焦方法 | |
| KR101643607B1 (ko) | 영상 데이터 생성 방법 및 장치 | |
| CN112308095B (zh) | 图片预处理及模型训练方法、装置、服务器及存储介质 | |
| JP4756660B2 (ja) | 画像処理装置および画像処理方法 | |
| CN105631851B (zh) | 深度图生成 | |
| CN108537782B (zh) | 一种基于轮廓提取的建筑物图像匹配与融合的方法 | |
| CN102959586B (zh) | 深度推测装置以及深度推测方法 | |
| US9767568B2 (en) | Image processor, image processing method, and computer program | |
| KR100985805B1 (ko) | 적응적인 칼만필터를 이용한 영상 안정화 장치 및 방법 | |
| CN106157329B (zh) | 一种自适应目标跟踪方法及装置 | |
| KR102049080B1 (ko) | 영상 처리 장치 및 방법 | |
| KR20150037369A (ko) | 영상의 노이즈를 저감하는 방법 및 이를 이용한 영상 처리 장치 | |
| CN110796678A (zh) | 一种基于IoU的水下多目标跟踪方法 | |
| WO2014045026A1 (en) | Systems and methods for reducing noise in video streams | |
| CN109035170A (zh) | 基于单网格图分段映射的自适应广角图像校正方法及装置 | |
| CN113572958B (zh) | 一种自动触发摄像机聚焦的方法及设备 | |
| CN111145216B (zh) | 一种视频图像目标的跟踪方法 | |
| CN108898148A (zh) | 一种数字图像角点检测方法、系统及计算机可读存储介质 | |
| CN102074000B (zh) | 一种利用方差率最优解自适应调整窗宽的跟踪方法 | |
| WO2017101292A1 (zh) | 自动对焦的方法、装置和系统 | |
| CN108257153A (zh) | 一种基于方向梯度统计特征的目标跟踪方法 | |
| CN113344941B (zh) | 一种基于聚焦图像的深度估计方法及图像处理装置 | |
| CN113763432B (zh) | 基于图像清晰度与跟踪稳定性条件的目标检测跟踪方法 | |
| CN117292106B (zh) | 一种电镜图像的自动对焦方法、电子设备、存储介质及程序产品 | |
| WO2021114194A1 (zh) | 拍摄方法、拍摄设备及计算机可读存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |