CN101710425A - 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 - Google Patents
基于图像灰度梯度和灰度统计直方图的自适应预分割方法 Download PDFInfo
- Publication number
- CN101710425A CN101710425A CN200910264886A CN200910264886A CN101710425A CN 101710425 A CN101710425 A CN 101710425A CN 200910264886 A CN200910264886 A CN 200910264886A CN 200910264886 A CN200910264886 A CN 200910264886A CN 101710425 A CN101710425 A CN 101710425A
- Authority
- CN
- China
- Prior art keywords
- gray
- image
- shade
- scale
- pixel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 title claims abstract description 22
- 238000003709 image segmentation Methods 0.000 claims abstract description 16
- 230000007423 decrease Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 210000000056 organ Anatomy 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Landscapes
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公布了一种基于图像灰度梯度和灰度统计直方图的自适应预分割方法。本发明利用图像的灰度梯度信息和图像本身的灰度统计直方图信息来自适应生成用于图像分割的阈值序列,将连续灰度图像转换为离散灰度图像,实现图像的预分割,以便于后续的图像分割。本发明约束条件少,适用范围广,算法复杂度低,实现简单,运算速度快。
Description
技术领域
本发明涉及一种基于图像灰度梯度和灰度统计直方图的自适应预分割方法,属于应用于通过机器视觉来实现目标识别的图像预处理,尤其涉及利用图像的灰度梯度信息和图像本身的灰度统计直方图信息来自适应生成用于图像分割的阈值序列,将连续灰度图像转换为离散灰度图像,实现图像的预分割,以便于后续的图像分割的图像处理的技术领域。
背景技术
图像分割是图像识别和图像理解的基础和关键,也是机器视觉的经典难题,就图像分割而言,到目前位置,提出的分割算法不下千种,并且每年还有不少新算法出现。
图像分割的基本目的是要将目标前景信息从原始采样图像中抽取出来,实现前景与背景的分割,同时过滤和屏蔽成像过程中引入的各种噪声和成像缺陷。
纵览各种图像分割算法,其中绝大部分都是基于图像在像素级别的不连续性和相似性。也就是说,属于同一目标的区域具有相似性,而不同区域在边界会表现出不连续性。这些方法大致可以分成以下几类:
边缘检测方法:基于图像边缘在像素级别上的某些方向存在边缘梯度,通过从某些方向求图像的一阶(如Roberts算子、Sobel算子、Prewitt算子等)或二阶导数(如高斯-拉普拉斯算子、LOG算子)等微分算子来寻找边缘。Canny算子是一种不采用微分算子的边缘检测算子。但边缘检测方法对成像噪声的抑制效果很一般、对成像缺陷的修复几乎无能为力,其检测效果反而因此而下降。
边缘跟踪方法:由于前述的边缘检测方法检测出的边缘点往往由于成像噪声、光照不均等原因而不连续,边缘跟踪方法就是对这些边缘点进行跟踪,形成连续的边缘。最著名的当属常用于直线、椭圆检测的Hough变换。
区域分割法:包括区域增长法和区域分裂合并法。其基本思想是基于同一区域像素的相似性。对输电线路部件识别这种先验知识很少、场景复杂、成像条件约束很少的应用进行图像确有一定的优势。但由于输电线路部件识别一般采用高分辨率成像设备,而这种算法在具体实现上一般采用递归方法,牵涉到较大的计算时间开销,因此对计算速度影响较大。
发明内容
本发明目的是针对现有技术存在的不足提供一种基于图像灰度梯度信息和图像本身的灰度统计直方图信息的自适应图像预分割算法,实现图像的预处理。本发明利用图像的平均灰度梯度值及图像本身的灰度统计直方图信息,生成用于图像分割的阈值序列,构造像素相似性区间,判断像素之间的相似性,对图像中具有相似性质的像素进行聚类,使得图像的信息层次分明,方便对图像进行分割等后续处理。
本发明为实现上述目的,采用如下技术方案:
本发明基于图像灰度梯度和灰度统计直方图的自适应预分割方法,其特征在于包括以下步骤:
(1)将输入的彩色图像转换为灰度图像IG;
(2)在水平方向逐行扫描步骤(1)所述的灰度图像IG,得到灰度图像IG的每个像素在水平方向的灰度梯度,形成灰度图像IG的灰度梯度图Igrad;
(3)计算灰度梯度:对步骤(2)所述的灰度梯度图Igrad中属于[4,255]区间的灰度梯度值进行统计平均,得到灰度图像IG的统计平均灰度梯度Gs,其中4为视觉器官可感知的最小灰度梯度,255为灰度图像IG的最大灰度梯度;将统计平均梯度Gs与视觉器官能明显感知的灰度梯度区间Ge=[16,32]比较,得到灰度图像IG的灰度梯度Gg:如Gs<16,则Gg=16;如Gg>32,则Gg=32;否则Gg=Gs;
(4)采用灰度图像IG的所有灰度等级建立其灰度直方图HG,所述灰度直方图HG表示灰度图像IG的每个灰度等级k对应的像素数量nk,其中横轴为灰度级别k;竖轴为相应灰度级别k的像素个数nk,灰度等级k的取值范围为0至255;
(5)扫描步骤(4)所述的灰度直方图HG,得到灰度属性列表Ak,即针对每个灰度等级k,根据其像素数量nk与其前一个灰度等级(k-1)的像素数量nk-1的大小关系,将对应的灰度属性列表Ak标记为“上升”、“下降”或“不变”:当nk>nk-1,则标记灰度级k为“上升”;当nk<nk-1,则标记灰度级k为“下降”;当nk=nk-1,则标记灰度级k为“不变”;灰度级别0和255均标记为“不变”;
(6)扫描灰度属性列表Ak,并在灰度属性列表Ak中标记出“谷底”区域序列Bi,j(i,j∈0-255,j≥i),“谷底”区域Bi,j(i,j∈0-255,j≥i)是指灰度属性列表Ak中属性Ai为“下降”、Aj为“上升”的区间;
(7)找到步骤(4)所述的灰度直方图HG的峰值np=MAX(nk),确定灰度直方图HG的峰值np对应的灰度等级p所对应的图像分割灰度阈值区间Tp=[t0,t1],其中MAX()表示求最大值;t0=MAX(0,p-Gg),t1=MIN(255,p+Gg),其中MIN()表示求最小值;在灰度属性列表Ak上,从t0向峰值对应的灰度等级p方向即从小到大扫描,当在[t0,p]区间找到第一个“谷底”,则取该“谷底”对应的灰度等级为新的t0值,找不到“谷底”则t0不变;同样地,从t1向峰值对应的灰度等级p方向即从大到小扫描,当在[p,t1]区间找到第一个“谷底”,则取该“谷底”对应的灰度等级为新的t1值,找不到“谷底”则t1不变;
(8)扫描整个灰度图像IG,将灰度等级属于步骤(7)所述的图像分割灰度阈值区间Tp=[t0,t1]的像素的灰度等级设置为p;
(9)将灰度直方图HG中满足k∈Tp=[t0,t1]的nk设为0,即nk=0;
(10)重复步骤(7)、(8)、(9),直到灰度图像直方图的峰值为0,完成图像像素的聚类,实现图像的预分割。
所述的基于图像灰度梯度和灰度统计直方图的自适应预分割方法,其特征在于步骤(2)所述的灰度图像IG的每个像素在水平方向的灰度梯度的求取方法如下:每行中第m个像素的灰度梯度gm=ABS(Vm-Vm-1),其中Vm、Vm-1是一行中像素m及其前一个像素m-1的灰度值,ABS()表示取绝对值,每行的第一个像素的灰度梯度为0,其中m为自然数,m∈[1,N],N为灰度图像IG中每行像素的个数。
所述的基于图像灰度梯度和灰度统计直方图的自适应预分割方法,其特征在于步骤(3)所述的统计平均梯度Gs的方法如下:
建立步骤(2)所述的灰度梯度图Igrad的灰度直方图Hg,对所述灰度直方图Hg区域[4,255]内的灰度等级进行加权平均,求得灰度图像IG的统计平均梯度Gs:
其中λ、nλ分别为灰度梯度图Igard的每个灰度等级λ对应的像素数量nλ。
本发明的有益效果为:本发明采用基于图像的灰度梯度信息和图像本身的灰度统计直方图信息的自适应图像预分割算法,能够很好的对图像中相似的像素进行聚类,使得图像的信息层次分明,满足图像分割等后续处理的要求,本发明方法具有约束条件少,适用范围广,算法复杂度低,实现简单,运算速度快。
附图说明
图1为本发明原始彩色图像;
图2为本发明由原始彩色图像转换而来的灰度图像;
图3为本发明灰度图像的灰度梯度图;
图4为本发明灰度梯度图的梯度直方图;
图5为本发明灰度图像的灰度直方图;
图6本发明进行预分割后的灰度图像的灰度直方图;
图7为本发明进行预分割后的灰度图像。
具体实施方式
下面结合附图对发明的技术方案进行详细说明:
本实施例的一种基于图像的灰度梯度信息和图像本身的灰度统计直方图信息的自适应图像预分割算法。硬件平台为个人微型计算机,操作系统为Windows,图像开发平台为Intel OpenCV,开发工具为Microsoft Visual C++。具体步骤为:
首先将原始采集的分辨率为2560*1920的彩色图像(图1)通过cvCvtColor函数转换为灰度图像,如图2所示。
然后针对灰度图像,对其进行水平扫描,得到图像的灰度梯度图(图3),建立灰度梯度图的灰度直方图(图4),图中横轴为像素的灰度梯度k,取0-255,每个小格代表10;竖轴为图像中相应灰度梯度的像素个数nk(其中k表示灰度梯度)。
具体的灰度梯度图的灰度直方图数据如下表:
表1
灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk |
0 | 176066 | 64 | 727 | 128 | 2 | 192 | 0 |
灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk |
1 | 118413 | 65 | 714 | 129 | 2 | 193 | 0 |
2 | 106057 | 66 | 647 | 130 | 1 | 194 | 0 |
3 | 83239 | 67 | 636 | 131 | 0 | 195 | 0 |
4 | 59936 | 68 | 640 | 132 | 0 | 196 | 0 |
5 | 42947 | 69 | 584 | 133 | 0 | 197 | 0 |
6 | 30063 | 70 | 568 | 134 | 0 | 198 | 0 |
7 | 21361 | 71 | 571 | 135 | 0 | 199 | 0 |
8 | 15896 | 72 | 511 | 136 | 0 | 200 | 0 |
9 | 11785 | 73 | 522 | 137 | 0 | 201 | 0 |
10 | 9116 | 74 | 516 | 138 | 0 | 202 | 0 |
11 | 7319 | 75 | 526 | 139 | 0 | 203 | 0 |
12 | 5875 | 76 | 506 | 140 | 0 | 204 | 0 |
13 | 5064 | 77 | 442 | 141 | 0 | 205 | 0 |
14 | 4320 | 78 | 422 | 142 | 0 | 206 | 0 |
15 | 3787 | 79 | 439 | 143 | 0 | 207 | 0 |
16 | 3489 | 80 | 410 | 144 | 0 | 208 | 0 |
17 | 3100 | 81 | 412 | 145 | 0 | 209 | 0 |
18 | 2797 | 82 | 349 | 146 | 0 | 210 | 0 |
19 | 2735 | 83 | 346 | 147 | 0 | 211 | 0 |
20 | 2471 | 84 | 376 | 148 | 0 | 212 | 0 |
21 | 2362 | 85 | 314 | 149 | 0 | 213 | 0 |
灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk |
22 | 2275 | 86 | 295 | 150 | 0 | 214 | 0 |
23 | 2124 | 87 | 288 | 151 | 0 | 215 | 0 |
24 | 2034 | 88 | 272 | 152 | 0 | 216 | 0 |
25 | 2008 | 89 | 246 | 153 | 0 | 217 | 0 |
26 | 1894 | 90 | 222 | 154 | 0 | 218 | 0 |
27 | 1736 | 91 | 209 | 155 | 0 | 219 | 0 |
28 | 1699 | 92 | 184 | 156 | 0 | 220 | 0 |
29 | 1657 | 93 | 184 | 157 | 0 | 221 | 0 |
30 | 1609 | 94 | 154 | 158 | 0 | 222 | 0 |
31 | 1583 | 95 | 153 | 159 | 0 | 223 | 0 |
32 | 1544 | 96 | 119 | 160 | 0 | 224 | 0 |
33 | 1439 | 97 | 113 | 161 | 0 | 225 | 0 |
34 | 1411 | 98 | 101 | 162 | 0 | 226 | 0 |
35 | 1345 | 99 | 98 | 163 | 0 | 227 | 0 |
36 | 1363 | 100 | 95 | 164 | 0 | 228 | 0 |
37 | 1272 | 101 | 86 | 165 | 0 | 229 | 0 |
38 | 1296 | 102 | 74 | 166 | 0 | 230 | 0 |
39 | 1282 | 103 | 54 | 167 | 0 | 231 | 0 |
40 | 1276 | 104 | 59 | 168 | 0 | 232 | 0 |
41 | 1239 | 105 | 59 | 169 | 0 | 233 | 0 |
42 | 1195 | 106 | 51 | 170 | 0 | 234 | 0 |
灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk | 灰度梯度k | 像素数nk |
43 | 1153 | 107 | 36 | 171 | 0 | 235 | 0 |
44 | 1114 | 108 | 46 | 172 | 0 | 236 | 0 |
45 | 1121 | 109 | 34 | 173 | 0 | 237 | 0 |
46 | 1159 | 110 | 33 | 174 | 0 | 238 | 0 |
47 | 1088 | 111 | 26 | 175 | 0 | 239 | 0 |
48 | 1077 | 112 | 26 | 176 | 0 | 240 | 0 |
49 | 1049 | 113 | 26 | 177 | 0 | 241 | 0 |
50 | 1061 | 114 | 16 | 178 | 0 | 242 | 0 |
51 | 1051 | 115 | 19 | 179 | 0 | 243 | 0 |
52 | 1010 | 116 | 11 | 180 | 0 | 244 | 0 |
53 | 996 | 117 | 20 | 181 | 0 | 245 | 0 |
54 | 999 | 118 | 17 | 182 | 0 | 246 | 0 |
55 | 914 | 119 | 11 | 183 | 0 | 247 | 0 |
56 | 884 | 120 | 12 | 184 | 0 | 248 | 0 |
57 | 865 | 121 | 7 | 185 | 0 | 249 | 0 |
58 | 831 | 122 | 8 | 186 | 0 | 250 | 0 |
59 | 789 | 123 | 3 | 187 | 0 | 251 | 0 |
60 | 801 | 124 | 2 | 188 | 0 | 252 | 0 |
61 | 809 | 125 | 3 | 189 | 0 | 253 | 0 |
62 | 777 | 126 | 3 | 190 | 0 | 254 | 0 |
63 | 745 | 127 | 2 | 191 | 0 | 255 | 0 |
在直方图中,对区域[4,255]内的灰度梯度进行加权平均,求得图像的统计平均梯度值Gs,公式为:λ∈[4,255],其中λ、nλ分别为灰度梯度图Igrad的每个灰度等级λ对应的像素数量nλ。算得Gs=16。
将统计平均梯度Gs与视觉器官能明显感知的灰度梯度区间Ge=[16,32]比较,得到图像IG的平均灰度梯度Gg:如Gs<16,则Gg=16;如Gs>32,则Gg=32;否则Gg=Gs。最终确定Gg=16。
对图像的预分割过程如下:
a)得到原始灰度图像的灰度直方图HG(图5)。
b)找到灰度直方图HG的峰值np=MAX(nk)(k=0-255),确定该峰值对应的灰度等级p对应的图像分割灰度阈值区间Tp=[t0,t1]。默认情况下,t0=MAX(0,p-Gg),t1=MIN(255,p+Gg)。在灰度属性列表Ak(k=0-255)上,从t0向p方向(从小到大)扫描,如在[t0,p]区间找到第一个“谷底”,则取该“谷底”对应的灰度等级为新的t0值,找不到“谷底”则t0不变。同样地,从t1向p方向(从大到小)扫描,如在[p,t1]区间找到第一个“谷底”,则取该“谷底”对应的灰度等级为新的t1值,找不到“谷底”则t1不变。
计算得到第一轮像素聚类时,p=137,对应的图像分割灰度阈值区间Tp=[t0,t1]=[109,153],即与灰度级137相似的像素灰度区间为[109,153]。
遍历灰度图像,对于灰度值落在灰度阈值区间Tp([109,153])内的像素,即设置其灰度值为p(137)。完成第一轮像素聚类。
d)重复步骤b)、c),直到灰度图像直方图的峰值为0,则完成所有图像像素的聚类,实现整个灰度图像从连续灰度空间到离散灰度空间的变换,即预分割。得到进行预分割后的灰度图像的灰度直方图(图6)及进行聚类后的灰度图像(图7)。
Claims (3)
1.一种基于图像灰度梯度和灰度统计直方图的自适应预分割方法,其特征在于包括以下步骤:
(1)将输入的彩色图像转换为灰度图像IG;
(2)在水平方向逐行扫描步骤(1)所述的灰度图像IG,得到灰度图像IG的每个像素在水平方向的灰度梯度,形成灰度图像IG的灰度梯度图Igrad;
(3)计算灰度梯度:对步骤(2)所述的灰度梯度图Igrad中属于[4,255]区间的灰度梯度值进行统计平均,得到灰度图像IG的统计平均灰度梯度Gs,其中4为视觉器官可感知的最小灰度梯度,255为灰度图像IG的最大灰度梯度;将统计平均梯度Gs与视觉器官能明显感知的灰度梯度区间Ge=[16,32]比较,得到灰度图像IG的灰度梯度Gg:如Gs<16,则Gg=16;如Gs>32,则Gg=32;否则Gg=Gs;
(4)采用灰度图像IG的所有灰度等级建立其灰度直方图HG,所述灰度直方图HG表示灰度图像IG的每个灰度等级k对应的像素数量nk,其中横轴为灰度级别k;竖轴为相应灰度级别k的像素个数nk,灰度等级k的取值范围为0至255;
(5)扫描步骤(4)所述的灰度直方图HG,得到灰度属性列表Ak,即针对每个灰度等级k,根据其像素数量nk与其前一个灰度等级(k-1)的像素数量nk-1的大小关系,将对应的灰度属性列表Ak标记为“上升”、“下降”或“不变”:当nk>nk-1,则标记灰度级k为“上升”;当nk<nk-1,则标记灰度级k为“下降”;当nk=nk-1,则标记灰度级k为“不变”;灰度级别0和255均标记为“不变”;
(6)扫描灰度属性列表Ak,并在灰度属性列表Ak中标记出“谷底”区域序列Bi,j(i,j∈0-255,j≥i),“谷底”区域Bi,j(i,j∈0-255,j≥i)是指灰度属性列表Ak中属性Ai为“下降”、Aj为“上升”的区间;
(7)找到步骤(4)所述的灰度直方图HG的峰值np=MAX(nk),确定灰度直方图HG的峰值np对应的灰度等级p所对应的图像分割灰度阈值区间Tp=[t0,t1],其中MAX()表示求最大值;t0=MAX(0,p-Gg),t1=MIN(255,p+Gg),其中MIN()表示求最小值;在灰度属性列表Ak上,从t0向峰值对应的灰度等级p方向即从小到大扫描,当在[t0,p]区间找到第一个“谷底”,则取该“谷底”对应的灰度等级为新的t0值,找不到“谷底”则t0不变;同样地,从t1向峰值对应的灰度等级p方向即从大到小扫描,当在[p,t1]区间找到第一个“谷底”,则取该“谷底”对应的灰度等级为新的t1值,找不到“谷底”则t1不变;
(8)扫描整个灰度图像IG,将灰度等级属于步骤(7)所述的图像分割灰度阈值区间Tp=[t0,t1]的像素的灰度等级设置为p;
(9)将灰度直方图HG中满足k∈Tp=[t0,t1]的nk设为0,即nk=0;
(10)重复步骤(7)、(8)、(9),直到灰度图像直方图的峰值为0,完成图像像素的聚类,实现图像的预分割。
2.根据权利要求1所述的基于图像灰度梯度和灰度统计直方图的自适应预分割方法,其特征在于步骤(2)所述的灰度图像IG的每个像素在水平方向的灰度梯度的求取方法如下:每行中第m个像素的灰度梯度gm=ABS(Vm-Vm-1),其中Vm、Vm-1是一行中像素m及其前一个像素m-1的灰度值,ABS()表示取绝对值,每行的第一个像素的灰度梯度为0,其中m为自然数,m∈[1,N],N为灰度图像IG中每行像素的个数。
3.根据权利要求1所述的基于图像灰度梯度和灰度统计直方图的自适应预分割方法,其特征在于步骤(3)所述的统计平均梯度Gs的方法如下:
建立步骤(2)所述的灰度梯度图Igrad的灰度直方图Hg,对所述灰度直方图Hg区域[4,255]内的灰度等级进行加权平均,求得灰度图像IG的统计平均梯度Gs:
其中λ、nλ分别为灰度梯度图Igrad的每个灰度等级λ对应的像素数量nλ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910264886XA CN101710425B (zh) | 2009-12-25 | 2009-12-25 | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910264886XA CN101710425B (zh) | 2009-12-25 | 2009-12-25 | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101710425A true CN101710425A (zh) | 2010-05-19 |
CN101710425B CN101710425B (zh) | 2011-11-16 |
Family
ID=42403210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910264886XA Expired - Fee Related CN101710425B (zh) | 2009-12-25 | 2009-12-25 | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101710425B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096910A (zh) * | 2011-01-25 | 2011-06-15 | 南京大学 | 用于二维相位展开的加权梯度质量图获取方法 |
CN102915531A (zh) * | 2011-08-05 | 2013-02-06 | 中国科学院地理科学与资源研究所 | 一种面向遥感影像分割的影像对象合并方法 |
CN103426155A (zh) * | 2012-05-16 | 2013-12-04 | 深圳市蓝韵实业有限公司 | 基于求直方图变化率的直方图分界方法 |
CN104537673A (zh) * | 2015-01-09 | 2015-04-22 | 西安电子科技大学 | 基于多阈值和自适应模糊聚类的红外图像分割方法 |
CN104933700A (zh) * | 2015-05-08 | 2015-09-23 | 小米科技有限责任公司 | 一种进行图像内容识别的方法和装置 |
CN105608457A (zh) * | 2015-12-18 | 2016-05-25 | 湖南华南光电(集团)有限责任公司 | 直方图灰度矩阈值分割法 |
CN106327471A (zh) * | 2015-07-01 | 2017-01-11 | 南京普爱医疗设备股份有限公司 | 一种基于锥形束投影数据的感兴趣区域分割方法 |
CN106447909A (zh) * | 2016-09-23 | 2017-02-22 | 深圳怡化电脑股份有限公司 | 竖列冠字号识别方法及装置 |
CN108182729A (zh) * | 2018-01-31 | 2018-06-19 | 哈尔滨学院 | 一种三灰度因素三维阈值立体图形的形成方法 |
CN108846834A (zh) * | 2018-05-31 | 2018-11-20 | 清华大学 | 医用图像处理装置及医用图像处理方法 |
CN110021030A (zh) * | 2019-03-05 | 2019-07-16 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
CN110891142A (zh) * | 2019-10-15 | 2020-03-17 | 深圳酷派技术有限公司 | 一种夜景模式确定方法、装置、存储介质及终端 |
CN111062893A (zh) * | 2019-12-30 | 2020-04-24 | 合肥联宝信息技术有限公司 | 一种图像处理方法及电子设备 |
CN114926463A (zh) * | 2022-07-20 | 2022-08-19 | 深圳市尹泰明电子有限公司 | 一种适用于芯片电路板的生产质量检测方法 |
CN116721099A (zh) * | 2023-08-09 | 2023-09-08 | 山东奥洛瑞医疗科技有限公司 | 一种基于聚类的肝脏ct影像的图像分割方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999916B (zh) * | 2012-12-12 | 2015-07-29 | 清华大学深圳研究生院 | 一种彩色图像的边缘提取方法 |
-
2009
- 2009-12-25 CN CN200910264886XA patent/CN101710425B/zh not_active Expired - Fee Related
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096910A (zh) * | 2011-01-25 | 2011-06-15 | 南京大学 | 用于二维相位展开的加权梯度质量图获取方法 |
CN102915531A (zh) * | 2011-08-05 | 2013-02-06 | 中国科学院地理科学与资源研究所 | 一种面向遥感影像分割的影像对象合并方法 |
CN103426155A (zh) * | 2012-05-16 | 2013-12-04 | 深圳市蓝韵实业有限公司 | 基于求直方图变化率的直方图分界方法 |
CN104537673B (zh) * | 2015-01-09 | 2017-10-24 | 西安电子科技大学 | 基于多阈值和自适应模糊聚类的红外图像分割方法 |
CN104537673A (zh) * | 2015-01-09 | 2015-04-22 | 西安电子科技大学 | 基于多阈值和自适应模糊聚类的红外图像分割方法 |
CN104933700A (zh) * | 2015-05-08 | 2015-09-23 | 小米科技有限责任公司 | 一种进行图像内容识别的方法和装置 |
CN104933700B (zh) * | 2015-05-08 | 2019-02-22 | 小米科技有限责任公司 | 一种进行图像内容识别的方法和装置 |
CN106327471A (zh) * | 2015-07-01 | 2017-01-11 | 南京普爱医疗设备股份有限公司 | 一种基于锥形束投影数据的感兴趣区域分割方法 |
CN105608457B (zh) * | 2015-12-18 | 2018-12-28 | 湖南华南光电(集团)有限责任公司 | 直方图灰度矩阈值分割法 |
CN105608457A (zh) * | 2015-12-18 | 2016-05-25 | 湖南华南光电(集团)有限责任公司 | 直方图灰度矩阈值分割法 |
CN106447909A (zh) * | 2016-09-23 | 2017-02-22 | 深圳怡化电脑股份有限公司 | 竖列冠字号识别方法及装置 |
CN108182729A (zh) * | 2018-01-31 | 2018-06-19 | 哈尔滨学院 | 一种三灰度因素三维阈值立体图形的形成方法 |
CN108182729B (zh) * | 2018-01-31 | 2021-05-04 | 东华医为科技有限公司 | 一种三灰度因素三维阈值立体图形的形成方法 |
CN108846834A (zh) * | 2018-05-31 | 2018-11-20 | 清华大学 | 医用图像处理装置及医用图像处理方法 |
CN108846834B (zh) * | 2018-05-31 | 2020-11-20 | 清华大学 | 医用图像处理装置及医用图像处理方法 |
WO2020177215A1 (zh) * | 2019-03-05 | 2020-09-10 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
CN110021030A (zh) * | 2019-03-05 | 2019-07-16 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
CN110021030B (zh) * | 2019-03-05 | 2023-04-25 | 中国矿业大学 | 一种岩土体材料数字图像的分割阈值确定方法 |
CN110891142A (zh) * | 2019-10-15 | 2020-03-17 | 深圳酷派技术有限公司 | 一种夜景模式确定方法、装置、存储介质及终端 |
CN111062893A (zh) * | 2019-12-30 | 2020-04-24 | 合肥联宝信息技术有限公司 | 一种图像处理方法及电子设备 |
CN111062893B (zh) * | 2019-12-30 | 2022-02-08 | 合肥联宝信息技术有限公司 | 一种图像处理方法及电子设备 |
CN114926463A (zh) * | 2022-07-20 | 2022-08-19 | 深圳市尹泰明电子有限公司 | 一种适用于芯片电路板的生产质量检测方法 |
CN114926463B (zh) * | 2022-07-20 | 2022-09-27 | 深圳市尹泰明电子有限公司 | 一种适用于芯片电路板的生产质量检测方法 |
CN116721099A (zh) * | 2023-08-09 | 2023-09-08 | 山东奥洛瑞医疗科技有限公司 | 一种基于聚类的肝脏ct影像的图像分割方法 |
CN116721099B (zh) * | 2023-08-09 | 2023-11-21 | 山东奥洛瑞医疗科技有限公司 | 一种基于聚类的肝脏ct影像的图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101710425B (zh) | 2011-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101710425B (zh) | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 | |
CN105374015A (zh) | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN108022249B (zh) | 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法 | |
CN101630411B (zh) | 基于熵值的面向输电线路部件识别的自动阈值图象分割方法 | |
CN111046872A (zh) | 一种光学字符识别方法 | |
US8300937B2 (en) | Image segmentation method and system based on region features of pixels | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN110929562A (zh) | 一种基于改进Hough变换的答题卡识别方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN107247967B (zh) | 一种基于r-cnn的车窗年检标检测方法 | |
US7088857B2 (en) | Dynamic bilevel thresholding of digital images | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN116758421A (zh) | 一种基于弱监督学习的遥感图像有向目标检测方法 | |
CN116030346A (zh) | 基于马尔可夫判别器的非成对弱监督云检测方法及系统 | |
CN103065296A (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
CN110490885B (zh) | 改进的自适应阈值二值化方法及vin码字符分割方法 | |
CN115049628A (zh) | 一种自动生成户型结构的方法及系统 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN101807253B (zh) | 面向输电线路基于区域宽度信息的图像骨架提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111116 Termination date: 20151225 |
|
EXPY | Termination of patent right or utility model |