CN101699511A - 彩色图像分割方法及系统 - Google Patents
彩色图像分割方法及系统 Download PDFInfo
- Publication number
- CN101699511A CN101699511A CN200910109911A CN200910109911A CN101699511A CN 101699511 A CN101699511 A CN 101699511A CN 200910109911 A CN200910109911 A CN 200910109911A CN 200910109911 A CN200910109911 A CN 200910109911A CN 101699511 A CN101699511 A CN 101699511A
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- segmentation
- segmentation method
- gray
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种彩色图像分割方法,其包括:将待分割图像处理成灰度图像;利用Otsu阈值分割法从灰度图像提取区域轮廓图,并确定最优阈值;以最优阈值作为Canny算子的高门限值,利用Canny算子从灰度图像提取边缘图;融合区域轮廓图和边缘图,输出彩色图像的分割结果。本发明使用自适应策略和经验值相结合的算子门限确定方案,克服了经验值选取方法具有应用局限性,同时使用通过边缘检测获得灰度值的局部变化强度,从而限制可避免区域的过度分割,且通过区域分割补充漏检的边缘使分割后的图像轮廓更加清晰和完整。
Description
技术领域
本发明涉及数字图像处理技术,尤其是涉及一种融合区域信息与边缘检测的图像分割方法及系统。
背景技术
图像分割是图像分析、识别和理解的基础,是从图像处理到图像分析的一个关键步骤。图像分割是将图像划分成若干个互不相交的小区域的过程,小区域是某种意义下具有共同属性的像素的连通集合。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言,连通有四连通和八连通之分。四连通指从区域内一点出发,可在区域中通过上、下、左、右4个方向的移动,到达区域内的任意像素位置;八连通指从区域中的一点出发,可通过上、下、左、右、左上、右上、左下、右下这8个方向的移动组合来到达区域内的任意像素。
图像分割是一种重要的图像技术,在理论研究和实际应用中都得到了人们的广泛重视。在图像分割最初发展的二十年里,人们主要对两种分割方法:边缘检测和区域提取进行了研究。进入八十年代以后,越来越多的学者开始将模糊理论、马尔科夫模型、遗传算法理论、分形理论和小波理论等研究成果运用于图像分割的研究,取得了很大进展。图像分割技术从兴起到现在,各种方法得到了不断的改进和创新,己经取得了很大的进步。
但由于图像种类的多样性,很难用一个精确的数学公式来表征图像分割的过程。一般来说,对图像分割方法的选择都应依据图像和目标而异。由于尚无通用的分割理论,因此目前还没有一种适合于所有图像的通用分割方法。总的来说,目前人们提出了许多种图像分割方法,这些方法可分两大类:基于边缘检测的分割法和基于区域的分割法。
边缘检测分割法的基本思想是先检测出图像中的边缘点,然后按照一定的策略把这些边缘点连接成轮廓,封闭边界所包围的像素就组成了相应的区域。边缘常常意味着一个区域的终止和另一个区域的开始,包含了物体形状的重要信息,通常以强度突变的形式出现,可以定义为图像局部的不连续性,如灰度突变、纹理结构突变等。根据执行方法的不同,这类方法通常又分为串行边缘检测技术和并行边缘检测技术。由于边缘检测主要着眼于保持图像的局部特征,得到的边缘点位置较准确,但是往往含有很多不规则细节或者对形状描述产生冗余的边缘信息,会影响图像分割的准确性。
而基于区域的分割方法是把图像中的各个像素依据一定的规则分到各个区域中,区域的外围像素自然构成了区域的边界。基于区域的分割方法的关键是如何确定像素分类的规则。区域分割法同样可以分为并行区域分割技术和串行区域分割技术两类。实际分割中应用的并行区域分割技术主要有两大类:阈值化算法和特征空间聚类。串行区域分割技术有两种基本形式:一种是从单个像素出发,逐渐合并以形成所需的分割区域;另一种是从全图出发,逐渐分裂切割至所需的分割区域;对应的两种典型算法分别是区域生长和分裂合并。由于基于区域的分割方法往往会造成过度分割,即将图像分割成过多的区域,从而增加图像处理的复杂度。
目前,已经有人提出了相关的边缘与区域组合的分割方法,但如何适当地选取选择算子门限参数构成了提取目标图像的清晰边缘的关键,而目前的方法主要是通过经验值来选择,这种经验值选取方法具有应用局限性,只能针对特定类型的图像。
发明内容
本发明提出一种融合区域信息与边缘检测的图像分割方法及系统,通过使用自适应策略和经验值相结合的算子门限确定方案,从而解决现有通过经验值选取算子门限参数具有应用局限性的技术问题,使分割得到的图像轮廓更加清晰和完整。
为解决本发明的技术问题,本发明公开一种彩色图像分割方法,其包括:
将待分割图像处理成灰度图像;
利用Otsu阈值分割法从灰度图像提取区域轮廓图,并确定最优阈值;
以最优阈值作为Canny算子的高门限值,利用Canny算子从灰度图像提取边缘图;
融合区域轮廓图和边缘图,输出彩色图像的分割结果。
其中,Canny算子的低门限值为高门限值的0.5倍。
其中,所述提取区域轮廓图包括:
利用阈值把灰度图像的像素分为两类;
通过准则函数求两类像素的类间方差最大值来确定最优阈值。
其中,所述提取边缘图的处理包括:
使用高斯滤波器平滑图像;
使用一阶偏导的有限差分来计算图像的梯度值以及方向,得到梯度直方图;
对梯度值进行非最大值抑制,得到可能的边缘点;
把灰度值小于高门限值的设为0,记为第一图像,并把图像中灰度值小于低门限值的设为0,记为图像第二图像;
对第二图像进行扫描,当遇到一个灰度级别不为0的像素时,跟踪以该像素起点的轮廓线,直到轮廓线的终点,当完成对包含该像素的轮廓线的连接之后,就将其标记为已访问,并寻找下一条轮廓线,直到在第二图像中找不到新的轮廓线为止。
其中,所述高斯滤波器的高斯平滑参数取值为2。
其中,所述融合区域轮廓图和边缘图的步骤包括:
将区域轮廓图和边缘图进行“与”运算,两者共有的边界点被保留;
寻找边缘图中与保留边界点连通的所有边缘点,并将保留的边界点与连通的边缘点进行“或”运算,过滤边缘图中对检索不必要的不规则细节边缘点,得到主要的轮廓图。
其中,所述灰度图像的灰度等级为256。
另外,本发明公开一种采用了前述彩色图像分割方法的彩色图像分割系统。
与现有技术相比,本发明具有如下有益效果:
本发明提供的融合区域信息与边缘检测的图像分割方法通过使用自适应策略和经验值相结合的算子门限确定方案,使分割得到的图像轮廓更加清晰和完整。与已有的单纯的基于边缘检测的分割法相比,本发明克服了边缘检测方法中不规则细节影响图像分割准确性的不足,有效提高了图像分割的准确度;与已有的单纯的基于区域的分割法相比,本发明解决了区域分割法中存在的过分割问题,使最后得到的图像轮廓更加清晰和完整;与已有的边缘与区域组合的分割方法相比,本发明使用自适应策略和经验值相结合的算子门限确定方案,克服了经验值选取方法的应用局限性。
附图说明
图1是本发明的流程示意图。
具体实施方式
本发明所采用的技术方案是:首先将彩色图像转换成灰度图像,利用Otsu阈值分割法对灰度图像进行区域分割,提取闭合连通的分割图像的轮廓及确定出一个最佳的阈值,该阈值作为下一步Canny算子的高门限值;利用Canny算子提取出原灰度图像的边缘图;将获得的区域轮廓图和边缘图按一定的准则进行融合,得到最终分割结果。
为便于理解,先对Otsu阈值分割法和Canny算子作简单介绍。
OTSU-最大类间方差是由日本学者大津(OTSU)于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
Canny算子是一种边缘检测算子,是John F.Canny于1986年开发出来的一个多级边缘检测算法。更为重要的是Canny创立了边缘检测计算理论(Computational theory of edgedetection)解释这项技术如何工作。
如图1所示,本发明包括如下步骤:
步骤S100:用户使用图像浏览软件打开或选择一副待分割图像,并使用图像浏览软件提供的矩形框在图像上选定需要检索的目标所在的矩形区域。
步骤S101:将彩色图像转换成灰度图像,每一个彩色像素点对应的灰度色阶的转换公式如下:Gray=0.299R+0.587G+0.114B,其中,Gray表示一个彩色像素点对应的灰度色阶,R、G、B分别代表该彩色像素点的红、绿和蓝三分量的值。
另外,灰度图像的亮度级别可根据计算处理能力设定,一般采用256级灰度级别的灰度图像。
步骤S102:利用Otsu阈值分割法提取区域轮廓图。
Otsu方法被认为是分割阈值自动选取的最优方法,其基本思想是用阈值把图像像素分为两类,通过划分后得到两类的类间方差最大值来确定最优阈值。本发明利用Otsu阈值分割法的作用在于:一方面提取出区域轮廓图,另一方面确定出一个最佳的阈值作为下一步Canny算子的高门限值。
利用Otsu阈值分割法提取区域轮廓图的过程如下:以步骤S100中选择的矩形区域的一个矩形角所在像素点为平面坐标原点,设(x,y)是矩形区域中每个像素点的平面坐标,其对应的图像灰度级别的取值范围为G=[0,L-1](当步骤S101为256级的灰度图像时,L=256),因此,坐标点(x,y)上的像素点的灰度级表示为f(x,y),设t∈G为分割所用的阈值,B={b0,b1}表示一个二值灰度组,并且b0,b1∈G。因此图像函数f在阈值t上的分割结果表示如下:
Otsu阈值分割法就是按相应准则函数求最优阈值t′的过程,具体过程描述如下:
设灰度级别为i(i=[0,L-1])的像素点个数为wi,图像像素点的总数目为M,则图像中灰度级i的出现概率pi=wi/W。阈值t将图像分为两类C0=[0,t]和C1=[t+1,L-1],对应的概率分别为:和δ1=1-δ0,且两类C0和C1的平均灰度为和其中 准则函数则定义为两类C0和C1的类间方差:
σ2(t)=δ0(μ0-μ)2+δ1(μ1-μ)2=δ0δ1(μ0-μ1)2
最优阈值t′通过如下求类间方差的最大值公式得到:
步骤S103:利用Canny算子提取边缘图。
在多种图像边缘检测的方法中,Canny是一种最优的线性边缘检测算子,其不丢失重要的边缘,没有虚假的边缘,且实际边缘与检测边缘位置之间的偏差最小;且Canny算子边缘提取法是通过对图像中灰度的变化进行检测,通过一阶导数极值点来检测边缘图。提取边缘图的处理过程如下:
(1)使用高斯滤波器平滑图像,即去除噪声点。其中,高斯平滑参数σ影响图像处理的效果,在本发明中,根据经验值,取σ=2。
(2)使用一阶偏导的有限差分来计算图像的梯度值以及方向,得到梯度直方图;
(3)对梯度值进行非最大值抑制,得到可能的边缘点。即在边缘方向上找梯度的局部最大值,也可描述为通过梯度方向得到细化边缘的过程。
(4)对梯度值取两次阈值T1和T2,其中T2>T1(T2为高门限值,T1为低门限值)。本发明把图像中灰度值小于T1的设为0,记为图像B;把灰度值小于T2的设为0,记为图像A。为了使Canny算子的高门限值T2有一个自适应的过程,即为了提高Canny算子的分割性能,本发明使用步骤S102中求出的最优阈值t′作为T2的值,低门限值T1按照经验值设置,即T1=0.5×T2。
(5)连接边缘。对图像B进行扫描,当遇到一个灰度级别不为0的像素θ时,跟踪以该像素θ起点的轮廓线,直到轮廓线的终点。当完成对包含像素θ的轮廓线的连接之后,就将其标记为已访问。寻找下一条轮廓线,并按照相同的方法进行处理,直到图像B找不到新的轮廓线为止。至此完成Canny算子已取得相应的边缘图。
步骤S104:融合区域轮廓图和边缘图。
本发明相应的融合准则设置如下:首先,将区域轮廓图和边缘图进行“与”运算,两者共有的边界点被保留;然后,寻找边缘图中与保留边界点连通的所有边缘点,并将保留的边界点与连通的边缘点进行“或”运算,过滤边缘图中对检索不必要的不规则细节边缘点,得到主要的轮廓图。
步骤S105:输出彩色图像的分割结果。
综上,本发明提供的融合区域信息与边缘检测的图像分割方法通过使用自适应策略和经验值相结合的算子门限确定方案,使分割得到的图像轮廓更加清晰和完整。与已有的单纯的基于边缘检测的分割法相比,本发明克服了边缘检测方法中不规则细节影响图像分割准确性的不足,有效提高了图像分割的准确度;与已有的单纯的基于区域的分割法相比,本发明解决了区域分割法中存在的过分割问题,使最后得到的图像轮廓更加清晰和完整;与已有的边缘与区域组合的分割方法相比,本发明使用自适应策略和经验值相结合的算子门限确定方案,克服了经验值选取方法的应用局限性。
Claims (8)
1.一种彩色图像分割方法,其特征在于,包括:
将待分割图像处理成灰度图像;
利用Otsu阈值分割法从灰度图像提取区域轮廓图,并确定最优阈值;
以最优阈值作为Canny算子的高门限值,利用Canny算子从灰度图像提取边缘图;
融合区域轮廓图和边缘图,输出彩色图像的分割结果。
2.根据权利要求1所述彩色图像分割方法,其特征在于,Canny算子的低门限值为高门限值的0.5倍。
3.根据权利要求1所述彩色图像分割方法,其特征在于,所述提取区域轮廓图包括:
利用阈值把灰度图像的像素分为两类;
通过准则函数求两类像素的类间方差最大值来确定最优阈值。
4.根据权利要求1所述彩色图像分割方法,其特征在于,所述提取边缘图的处理包括:
使用高斯滤波器平滑图像;
使用一阶偏导的有限差分来计算图像的梯度值以及方向,得到梯度直方图;
对梯度值进行非最大值抑制,得到可能的边缘点;
把灰度值小于高门限值的设为0,记为第一图像,并把图像中灰度值小于低门限值的设为0,记为图像第二图像;
对第二图像进行扫描,当遇到一个灰度级别不为0的像素时,跟踪以该像素起点的轮廓线,直到轮廓线的终点,当完成对包含该像素的轮廓线的连接之后,就将其标记为已访问,并寻找下一条轮廓线,直到在第二图像中找不到新的轮廓线为止。
5.根据权利要求4所述彩色图像分割方法,其特征在于,所述高斯滤波器的高斯平滑参数取值为2。
6.根据权利要求1所述彩色图像分割方法,其特征在于,所述融合区域轮廓图和边缘图的步骤包括:
将区域轮廓图和边缘图进行“与”运算,两者共有的边界点被保留;
寻找边缘图中与保留边界点连通的所有边缘点,并将保留的边界点与连通的边缘点进行“或”运算,过滤边缘图中对检索不必要的不规则细节边缘点,得到主要的轮廓图。
7.根据权利要求1所述彩色图像分割方法,其特征在于,所述灰度图像的灰度等级为256。
8.一种彩色图像分割系统,其特征在于,采用了如权利要求1-7任何一项所述的彩色图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910109911A CN101699511A (zh) | 2009-10-30 | 2009-10-30 | 彩色图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910109911A CN101699511A (zh) | 2009-10-30 | 2009-10-30 | 彩色图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101699511A true CN101699511A (zh) | 2010-04-28 |
Family
ID=42147969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910109911A Pending CN101699511A (zh) | 2009-10-30 | 2009-10-30 | 彩色图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101699511A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826209A (zh) * | 2010-04-29 | 2010-09-08 | 电子科技大学 | 一种基于Canny模型的三维医学图像分割方法 |
CN102147922A (zh) * | 2011-05-05 | 2011-08-10 | 河南工业大学 | 灰度图像二维Otsu折线阈值分割法 |
CN102999888A (zh) * | 2012-11-27 | 2013-03-27 | 西安交通大学 | 一种基于彩色图像分割的深度图去噪方法 |
CN103079028A (zh) * | 2011-10-25 | 2013-05-01 | 联咏科技股份有限公司 | 图像画面的黑边检测方法与图像处理装置 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN103679738A (zh) * | 2013-12-27 | 2014-03-26 | 江南大学 | 基于颜色半径邻近域像素分类的图像边缘检测方法 |
WO2014102428A1 (es) * | 2012-12-26 | 2014-07-03 | Universidad De Almeria | Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares |
CN103942756A (zh) * | 2014-03-13 | 2014-07-23 | 华中科技大学 | 一种深度图后处理滤波的方法 |
CN104700421A (zh) * | 2015-03-27 | 2015-06-10 | 中国科学院光电技术研究所 | 一种基于canny的自适应阈值的边缘检测算法 |
CN105139410A (zh) * | 2015-09-11 | 2015-12-09 | 浙江工商大学 | 使用空间截面投影的脑肿瘤mri图像分割算法 |
CN106017694A (zh) * | 2016-05-31 | 2016-10-12 | 成都德善能科技有限公司 | 一种基于图像传感器的温度测量系统 |
CN106846341A (zh) * | 2017-02-20 | 2017-06-13 | 广东工业大学 | 一种船体复杂外板点云区域生长阈值确定方法及装置 |
CN106951820A (zh) * | 2016-08-31 | 2017-07-14 | 江苏慧眼数据科技股份有限公司 | 基于环形模板和椭圆拟合的客流统计方法 |
CN107437245A (zh) * | 2017-06-26 | 2017-12-05 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
WO2018082332A1 (zh) * | 2016-11-07 | 2018-05-11 | 深圳光启合众科技有限公司 | 图像处理方法和装置、机器人 |
CN109035272A (zh) * | 2018-07-27 | 2018-12-18 | 广州大学 | 基于ct图像的肺分割方法、装置及计算机可读存储介质 |
CN109754423A (zh) * | 2018-11-28 | 2019-05-14 | 中国农业科学院农业信息研究所 | 一种叶片病斑覆盖区域的提取方法和设备 |
US20190206052A1 (en) * | 2017-12-29 | 2019-07-04 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Carpal segmentation and recognition method and system, terminal and readable storage medium |
WO2019127619A1 (zh) * | 2017-12-29 | 2019-07-04 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN111223116A (zh) * | 2020-01-17 | 2020-06-02 | 中国人民解放军国防科学技术大学 | 一种面向破碎边缘目标的两阶段边缘检测方法及装置 |
CN111260673A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军国防科学技术大学 | 一种适用边缘破碎脏器造影的脏器实质分割方法及装置 |
CN111402264A (zh) * | 2020-03-11 | 2020-07-10 | 南京三百云信息科技有限公司 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
CN111986783A (zh) * | 2020-08-05 | 2020-11-24 | 中南大学湘雅二医院 | 一种病理图片加载方法及装置 |
CN112820039A (zh) * | 2021-02-07 | 2021-05-18 | 南宁师范大学 | 一种基于区块链的智能物流快递存储柜 |
CN114299086A (zh) * | 2021-12-24 | 2022-04-08 | 深圳明锐理想科技有限公司 | 一种低对比度成像的图像分割处理方法、电子设备及系统 |
CN114708193A (zh) * | 2022-03-10 | 2022-07-05 | 北京建筑材料科学研究总院有限公司 | 软连接装置的漏粉检测方法、装置、电子设备及存储介质 |
CN111402264B (zh) * | 2020-03-11 | 2024-05-24 | 南京三百云信息科技有限公司 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
-
2009
- 2009-10-30 CN CN200910109911A patent/CN101699511A/zh active Pending
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826209A (zh) * | 2010-04-29 | 2010-09-08 | 电子科技大学 | 一种基于Canny模型的三维医学图像分割方法 |
CN102147922A (zh) * | 2011-05-05 | 2011-08-10 | 河南工业大学 | 灰度图像二维Otsu折线阈值分割法 |
CN103079028A (zh) * | 2011-10-25 | 2013-05-01 | 联咏科技股份有限公司 | 图像画面的黑边检测方法与图像处理装置 |
CN102999888A (zh) * | 2012-11-27 | 2013-03-27 | 西安交通大学 | 一种基于彩色图像分割的深度图去噪方法 |
CN102999888B (zh) * | 2012-11-27 | 2015-02-25 | 西安交通大学 | 一种基于彩色图像分割的深度图去噪方法 |
WO2014102428A1 (es) * | 2012-12-26 | 2014-07-03 | Universidad De Almeria | Procedimiento de interpretación automática de imágenes para la cuantificación de marcadores tumorales nucleares |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN103679738A (zh) * | 2013-12-27 | 2014-03-26 | 江南大学 | 基于颜色半径邻近域像素分类的图像边缘检测方法 |
CN103679738B (zh) * | 2013-12-27 | 2016-08-17 | 江南大学 | 基于颜色半径邻近域像素分类的图像边缘检测方法 |
CN103942756B (zh) * | 2014-03-13 | 2017-03-29 | 华中科技大学 | 一种深度图后处理滤波的方法 |
CN103942756A (zh) * | 2014-03-13 | 2014-07-23 | 华中科技大学 | 一种深度图后处理滤波的方法 |
CN104700421A (zh) * | 2015-03-27 | 2015-06-10 | 中国科学院光电技术研究所 | 一种基于canny的自适应阈值的边缘检测算法 |
CN105139410A (zh) * | 2015-09-11 | 2015-12-09 | 浙江工商大学 | 使用空间截面投影的脑肿瘤mri图像分割算法 |
CN105139410B (zh) * | 2015-09-11 | 2017-11-10 | 浙江工商大学 | 使用空间截面投影的脑肿瘤mri图像分割方法 |
CN106017694A (zh) * | 2016-05-31 | 2016-10-12 | 成都德善能科技有限公司 | 一种基于图像传感器的温度测量系统 |
CN106951820A (zh) * | 2016-08-31 | 2017-07-14 | 江苏慧眼数据科技股份有限公司 | 基于环形模板和椭圆拟合的客流统计方法 |
CN106951820B (zh) * | 2016-08-31 | 2019-12-13 | 江苏慧眼数据科技股份有限公司 | 基于环形模板和椭圆拟合的客流统计方法 |
CN108090924B (zh) * | 2016-11-07 | 2020-03-10 | 深圳光启合众科技有限公司 | 图像处理方法和装置、机器人 |
WO2018082332A1 (zh) * | 2016-11-07 | 2018-05-11 | 深圳光启合众科技有限公司 | 图像处理方法和装置、机器人 |
CN108090924A (zh) * | 2016-11-07 | 2018-05-29 | 深圳光启合众科技有限公司 | 图像处理方法和装置、机器人 |
CN106846341A (zh) * | 2017-02-20 | 2017-06-13 | 广东工业大学 | 一种船体复杂外板点云区域生长阈值确定方法及装置 |
CN107437245A (zh) * | 2017-06-26 | 2017-12-05 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
CN107437245B (zh) * | 2017-06-26 | 2020-10-20 | 西南交通大学 | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 |
CN109993750B (zh) * | 2017-12-29 | 2020-12-25 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
US20190206052A1 (en) * | 2017-12-29 | 2019-07-04 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Carpal segmentation and recognition method and system, terminal and readable storage medium |
WO2019127619A1 (zh) * | 2017-12-29 | 2019-07-04 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
CN109993750A (zh) * | 2017-12-29 | 2019-07-09 | 中国科学院深圳先进技术研究院 | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 |
US10818011B2 (en) | 2017-12-29 | 2020-10-27 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Carpal segmentation and recognition method and system, terminal and readable storage medium |
CN109035272A (zh) * | 2018-07-27 | 2018-12-18 | 广州大学 | 基于ct图像的肺分割方法、装置及计算机可读存储介质 |
CN109035272B (zh) * | 2018-07-27 | 2021-03-30 | 广州大学 | 基于ct图像的肺分割方法、装置及计算机可读存储介质 |
CN109754423B (zh) * | 2018-11-28 | 2020-09-15 | 中国农业科学院农业信息研究所 | 一种叶片病斑覆盖区域的提取方法和设备 |
CN109754423A (zh) * | 2018-11-28 | 2019-05-14 | 中国农业科学院农业信息研究所 | 一种叶片病斑覆盖区域的提取方法和设备 |
CN111260673A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军国防科学技术大学 | 一种适用边缘破碎脏器造影的脏器实质分割方法及装置 |
CN111223116A (zh) * | 2020-01-17 | 2020-06-02 | 中国人民解放军国防科学技术大学 | 一种面向破碎边缘目标的两阶段边缘检测方法及装置 |
CN111402264A (zh) * | 2020-03-11 | 2020-07-10 | 南京三百云信息科技有限公司 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
CN111402264B (zh) * | 2020-03-11 | 2024-05-24 | 南京三百云信息科技有限公司 | 图像区域分割方法、装置及其模型训练方法及计算机设备 |
CN111986783A (zh) * | 2020-08-05 | 2020-11-24 | 中南大学湘雅二医院 | 一种病理图片加载方法及装置 |
CN112820039A (zh) * | 2021-02-07 | 2021-05-18 | 南宁师范大学 | 一种基于区块链的智能物流快递存储柜 |
CN114299086A (zh) * | 2021-12-24 | 2022-04-08 | 深圳明锐理想科技有限公司 | 一种低对比度成像的图像分割处理方法、电子设备及系统 |
CN114299086B (zh) * | 2021-12-24 | 2023-05-26 | 深圳明锐理想科技有限公司 | 一种低对比度成像的图像分割处理方法、电子设备及系统 |
CN114708193A (zh) * | 2022-03-10 | 2022-07-05 | 北京建筑材料科学研究总院有限公司 | 软连接装置的漏粉检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101699511A (zh) | 彩色图像分割方法及系统 | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN107578035A (zh) | 基于超像素‑多色彩空间的人体轮廓提取方法 | |
CN102509319B (zh) | 结合破损块形状和邻域分类的唐卡图像修复方法 | |
CN105261017A (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN105894490A (zh) | 基于模糊积分多分类器融合的宫颈细胞图像识别方法及装置 | |
CN103810503A (zh) | 一种基于深度学习的自然图像中显著区域的检测方法 | |
CN102044069A (zh) | 一种白细胞图像分割方法 | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN104463138B (zh) | 基于视觉结构属性的文本定位方法及系统 | |
CN103679173A (zh) | 图像显著区域检测方法 | |
CN104867133A (zh) | 一种快速的分步立体匹配方法 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN101694720B (zh) | 基于空间关联条件概率融合的多时相sar图像变化检测方法 | |
CN102881017B (zh) | 一种细胞分离方法 | |
CN103208115A (zh) | 基于测地线距离的图像显著性区域检测方法 | |
CN103247049A (zh) | 一种smt焊点图像分割方法 | |
CN101976347A (zh) | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 | |
CN104966285A (zh) | 一种显著性区域的检测方法 | |
CN103020953A (zh) | 一种指纹图像的分割方法 | |
CN104658003A (zh) | 舌体图像的分割方法和装置 | |
CN102609917A (zh) | 一种基于聚类算法的图像边缘拟合b样条生成方法 | |
CN102324099A (zh) | 一种面向仿人机器人的台阶边缘检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100428 |