CN101866491A - 一种自动纸浆纤维检测中分离交叉纤维的方法 - Google Patents
一种自动纸浆纤维检测中分离交叉纤维的方法 Download PDFInfo
- Publication number
- CN101866491A CN101866491A CN 201010217174 CN201010217174A CN101866491A CN 101866491 A CN101866491 A CN 101866491A CN 201010217174 CN201010217174 CN 201010217174 CN 201010217174 A CN201010217174 A CN 201010217174A CN 101866491 A CN101866491 A CN 101866491A
- Authority
- CN
- China
- Prior art keywords
- point
- fiber
- value
- connected domain
- crossing
- 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
Images
Landscapes
- Paper (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种自动纸浆纤维检测中分离交叉纤维的方法。它解决了在测量单根纤维长度等参数时无法对两根交叉纤维进行精确测量,产生严重误差的问题,在存在小分枝等干扰因素下,该方法能成功地将交叉在一起的纤维准确分离开,并分别对分离后的纤维进行特征参数测量等操作。(1)采集纸浆纤维的图像到计算机;(2)对采集的图像进行预处理;(3)对预处理后的图像的各连通区域lpone判断纤维种类;(4)若连通域lpone为两根纤维交叉,则分离交叉在一起的两根纤维;(5)若连通域lpone非两根纤维交叉,则此lpone是单根纤维,直接进行去除小分枝,进行参数测量;(6)若连通域lpone为絮聚纤维区域,则认为是噪声,不再对其进行参数测量。
Description
技术领域
本发明涉及一种自动纸浆纤维检测中分离交叉纤维的方法。
背景技术
在对纸浆纤维进行检测和识别时,纤维样品中经常存在纤维交叉重叠的现象,为了对交叉纤维进行更好的识别,首先必须对其进行分离。而分离交叉纤维的关键在用于交叉点的检测。传统的检测算法之一是通过判断图像非零像素8邻域内值的变化次数来判断该像素点是否为交叉点,但通过对已有算法的实验、研究和分析,发现该方法并不能获得完整的交叉点的集合,而且会出现直观认识中的一个点对应目标集合中多个相邻点的情况,而且纤维交叉重叠的随机性比较大,重叠情况复杂,已有算法并不能涵盖大部分情况,准确性不够,需要改进。另外一种传统的检测方法是首先按照8邻域中拥有一个相邻点即为顶点的原则找到纤维中的第一个顶点a,再找到纤维中的一个交叉点o,接下来通过判断其他顶点和交叉点o的斜率与a和o的斜率的比较确定它们的配对关系,已达到分离的目的。但是实验证明,通过判断顶点和交叉点的斜率决定配对关系的方法也具有不稳定性,因为纤维存在各种形态的弯曲程度,一旦弯曲程度过大就会导致判断失误,如图3所示,直观判断X1X2应该是一根纤维,而经过判断后却是X1Y2是一根纤维,因此该方法具有严重的局限性。同时纸浆纤维都具有一定的宽度,一旦纤维交叉在一起,其细化骨架的交叉点及其邻域情况比较复杂,直接利用8邻域的个数判断是不是交叉点会漏掉许多交叉纤维,而认为是一根纤维,如图4所示,虚线圆所圈区域为交叉段,但往往会被漏掉,而实线圆所圈区域不是交叉点或段,却会被判断为交叉点。所以现有的方法在准确判断交叉点或交叉段位置及并成功分离纤维都存在很大的误差。
发明内容
本发明的目的就是为了解决目前不能准确的分离交叉目标物体,影响对单一目标物体的测量等操作,误差较大等问题,提供了一种在噪声干扰情况下,准确分离交叉纤维的自动纸浆纤维检测中分离交叉纤维的方法。
为实现上述目的,本发明采用了如下技术方案:
一种自动纸浆纤维检测中分离交叉纤维的方法,它通过分析交叉点或交叉段的几何特征,对交叉点或交叉段进行查找并标记,然后利用纤维边缘及骨架在交叉点或交叉段附近的连续性和可微性,通过计算平均斜率,从而实现纤维的准确分离,它的具体步骤为,
(1)采集纤维图像,利用自动图像采集设备采集纸浆纤维的图像到计算机上,图像标准是256位bmp格式;每采集一副图像就对其进行预处理并将测量得到的数据存入数据库;
(2)图像预处理,用阈值的方法对当前图像lpInput进行二值化,使背景变为白色,纤维和噪声成为黑色;再二值化后的图像lpInput进行闭运算;然后进行骨骼化,使目标物成为单一像素宽度;然后去除非纤维目标;
(3)判断纤维种类,当图像存在N个连通域时,其中N??1,分别对每个连通域lpone进行判断是否是交叉纤维,若是则执行第(4)步,若不是则进行第(5)步;若交叉点或交叉段太多(交叉点大于2个,交叉段大于6个)则进行第(6)步。
(4)此连通域lpone是交叉纤维,则将交叉部分及其每个点的邻域是目标点的像素值改为中间值,剩下的是黑像素的点就被分离为四个子连通域lp1,lp2,lp3,lp4;对这四个子连通域内的点分别与交叉部分中的一个确定的点计算平均斜率,斜率最相近的就是属于同一根纤维;将配对好的纤维存放在两个图像空间lpout1和lpout2中,被设成中间值的交叉部分同属于两根纤维,将其同时分配给lpout1和lpout2,并且将中间值改为黑像素;对lpout1中的纤维去除小分枝然后测量小分枝即黑像素点的个数是五个以内的纤维;再对lpout2中的纤维也去除小分枝后完成测量;
(5)此连通域lpone是单根纤维,直接进行去除小分枝,进行测量;
(6)此连通域lpone的交叉点多于所设定的阈值时,则说明是噪声,直接舍弃,不再对其进行任何操作。
所述步骤(3)中,对一个连通域中交叉点进行判断时,先判断当前点的8邻域,如果有大于等于3个目标点即n8>=3,则继续判断16邻域内目标点的个数n16,若除去8邻域中的目标点仍有4个以上的目标点即n16-n18>=4,则继续判断24邻域内目标点的个数n24,若除去16邻域中的目标点仍有4个以上的目标点即n24-n16>=4,并且这4个以上的目标点记个数为ncross,若ncross个目标点中有位置相连的,则只留一个,之后若剩下的目标点有四个即代表四个不同的方向,则记录当前像素点位置,并统计这种交叉点的个数n,判断完这一连通域后,将数组里的点和其8邻域的像素值都改为中间值,以使剩下的黑像素点成为独立的四部分,即步骤(4)中的四个子连通域lp1,lp2,lp3,lp4;对这四个子连通域进行标记,标记值为lp1,lp2,lp3,lp4;
由于交叉点存入数组的顺序是从上到下从左到右的,取中间点为参考点m,在对上述四个独立部分,它们的标记值分别为lp1,lp2,lp3,lp4,进行配对;配对原则具体为:在标记为lp1的子连通域中从离m点最近的目标点开始依次取五个连续目标点,分别与m点计算斜率;若目标点横坐标的值与m点的横坐标的值相同时,会导致所计算的斜率无穷大,这时则将斜率自动赋予一个很大的数q(q=65535),并将斜率的值依次按顺序存入数组1中,同理标记为lp2,lp3,lp4的子连通域也分别依照上述方法计算斜率并存放到数组2,数组3,数组4中;之后再对每个数组求平均斜率,比较这四个平均斜率,斜率值最相近的则为一根纤维,将属于一根纤维的目标点存入空间lpout1,另一部分存入lpout2,而标记为中间灰度值gray(128)的交叉部分像素作为两根纤维的公共部分存入以上两个纤维空间的相应位置中,并将中间值改回黑像素值。
因为交叉点存入数组的顺序是从上到下从左到右的,取中间点为参考点m,在对(1)中四个独立部分(标记值为lp1,lp2,lp3,lp4)进行配对,配对原则具体为:在标记为lp1的子连通域中从离m点最近的目标点开始依次取五个连续目标点,分别与m点计算斜率(若目标点横坐标的值与m点的横坐标的值相同时,会导致所计算的斜率无穷大,这时则将斜率自动赋予一个很大的数q(q=65535)),并将斜率的值依次按顺序存入数组1中,同理标记为lp2,lp3,lp4的子连通域也分别依照上述方法计算斜率并存放到数组2,数组3,数组4中;之后再对每个数组求平均斜率,比较这四个平均斜率,值最相近的则为一根纤维,将属于一根纤维的目标点存入空间lpout1,另一部分存入lpout2,而标记为中间灰度值gray(128)的交叉部分像素作为两根纤维的公共部分存入以上两个纤维空间lpout1和lpout2的相应位置中,并将中间值改回黑像素值。
本发明的有益效果是:本发明通过精确判断交叉点,得到交叉纤维的公共部分,以达到分离的目的的方法,并采用平均斜率变化最小的方法,提高了配对的准确性。通过VC++实现的交叉纤维分离的结果和大量数据显示了这一方法的准确性和鲁棒性。分离后的纤维分别显示在两个图像空间中,结果显而易见。
附图说明
图1-a交叉纤维;
图1-b交叉点或段查找图;
图1-c交叉点或段标记图;
图1-d斜率最相近的两个纤维子段分配给一根纤维lpout1图;
图1-e两个纤维子段(lp2,lp4)属于另一根纤维lpout2图;
图1-f被标记为中间灰度值的交叉点或交叉段属于两根纤维的公共部分;
图1-g分离后的两根纤维;
图1-h分离后的两根纤维;
图1-m为lpout1中的纤维去除小分叉后的图;
图1-n为lpout2中的纤维去除小分叉后的图;
图2两根交叉纤维分离算法流程图;
图3为现有方法误判的图;
图4为现有方法漏判的图;
图5是采集到交叉纤维原图,格式是512??512大小256色位图图像;
图6是二值化后的结果;
图7是边界平滑和孔洞填充后的结果;
图8是骨骼化的结果;
图9是去除非纤维区域后的结果;
图10是分离后的结果;
图11小分叉去除后的结果。
具体实施方式
下面结合附图与实施实例对本发明作进一步说明。
一种自动纸浆纤维检测中分离交叉纤维的方法,它的步骤为,
(1)采集纤维图像。利用自动图像采集设备采集纸浆纤维的图像到计算机上,图像标准是标准灰度位图图像。每采集一幅图像lpInput就对其进行以下处理并将测量得到的数据存入数据库,同时单次测量结果及统计结果。
(2)图像预处理。预处理包括:图像增强、二值化、纤维边界平滑、孔洞填充、骨骼化、非纤维区域去除等。
(3)判断纤维种类。当图像存在N(其中N??1)个连通域时,分别对每个连通域lpone进行判断是否是交叉纤维,若是则执行第(4)步,若不是则进行第(5)步,若交叉点或交叉段太多则进行第(6)步。
(4)分离交叉在一起的两根纤维。连通域lpone是交叉纤维,示意图如图1-a;查找交叉点或交叉段,如图1-b所示;如图1-c所示,将交叉点或交叉段的像素值标记为中间灰度值(图1-c中视白色圆圈部分),剩下的黑像素点集合就成为了四个子连通域,即两根纤维的四个子段,标记为lp1、lp2、lp3和lp4;计算lp1、lp2、lp3和lp4在交叉区域附近的斜率k1,k2,k3,k4,如图1-c所示,分别在lp1,lp2,lp3,lp4上的虚线矩形框就代表参与斜率计算的五个连续目标点,根据配对原则将两个子连通域(lp1,lp3)存放到图像空间lpout1,如图1-d,另外两个子连通域(lp2,lp4)存放到图像空间lpout2,如图1-e;被标记为中间灰度值的交叉点或交叉段属于两根纤维的公共部分,如图1-f,同时分配给两个图像空间lpout1和lpout2,得到分离后的两根纤维,如图1-g,图1-h。对lpout1中的纤维去除小分枝(黑像素点的个数是五个以内),如图1-m,对lpout2中的纤维做同样的操作,如图1-n。至此实现了两根交叉纤维的准确分离。然后分别对两根分离后的纤维进行特征参数测量。
(5)此连通域lpone是单根纤维,直接进行去除小分枝,参数测量等。
(6)此连通域lpone的交叉点多于所设定的阈值时,则认为是絮聚纤维区域,说明是噪声,直接舍弃,不再对其进行任何操作。
所述步骤(4)中,
(1)对一个连通域中交叉点进行判断时,先判断当前点的8邻域,如果有大于等于3个目标点即n8>=3,则继续判断16邻域内目标点的个数n16,若除去8邻域中的目标点仍有4个以上的目标点即n16-n18>=4,则继续判断24邻域内目标点的个数n24,若除去16邻域中的目标点仍有4个以上的目标点即n24-n16>=4,并且这4个以上的目标点记个数为ncross,若ncross个目标点中有位置相连的,则只留一个,之后若剩下的目标点有四个即代表四个不同的方向,则记录当前像素点位置,并统计这种交叉点的个数n,判断完这一连通域后,将数组里的点和其8邻域的像素值都改为中间值,以使剩下的黑像素点成为独立的四个子连通域lp1、lp2、lp3和lp4。
(2)因为交叉点存入数组的顺序是从上到下从左到右的,取中间点为参考点m,在对(1)中四个子连通域(标记值为lp1,lp2,lp3,lp4)进行配对,配对原则具体为:在标记为lp1的子连通域中从离m点最近的目标点开始依次取五个连续目标点,分别与m点计算斜率(若目标点横坐标的值与m点的横坐标的值相同时,会导致所计算的斜率无穷大,这时则将斜率自动赋予一个很大的数q,q=65535),并将斜率的值依次按顺序存入数组1中,同理标记为lp2,lp3,lp4的子连通域也分别依照上述方法计算斜率并存放到数组2,数组3,数组4中;之后再对每个数组求平均斜率,比较这四个平均斜率,值最相近的则为一根纤维,将属于一根纤维的目标点存入空间lpout1,另一部分存入lpout2,而标记为中间灰度值gray(128)的交叉部分像素作为两根纤维的公共部分存入以上两个纤维空间lpout1和lpout2的相应位置中,并将中间值改回黑像素值。
两根交叉纤维分离算法流程图如图2所示。
实施例:
假定当前采集到的图像就是两根纤维交叉的图像如图5。用阈值的方法对当前图像lpInput进行二值化处理,使背景变为白色,纤维和一些噪声(干扰)成为黑色,结果如图6所示;二值化后的图像lpInput会因为光线的原因纤维的某个部分的像素值未达到阈值,从而变成背景色,需要进行闭运算进行纤维边界平滑和孔洞填充,如图7所示;然后进行骨骼化,使目标物成为单一像素宽度,得到的结果是图8;然后去除非纤维目标,从而得到图9;此连通域lpone是交叉纤维,则将交叉部分及其每个交叉点的邻域是目标点的像素值改为中间灰度值,剩下的是黑像素的点就被分离为四个子连通域,对这四个子连通域内的点分别与交叉部分中的一个确定的点计算平均斜率,斜率最相近的就是属于同一根纤维,将配对好的纤维存放在两个图像空间lpout1和lpout2中,被设成中间值的交叉部分属于两根纤维的公共部分,将交叉部分存入两个图像空间,并且将中间值改为黑像素。对lpout1中的纤维去除小分枝,测量等,再对lpout2中的纤维做同样的操作。
实验步骤
(1)采集纤维图像。利用自动图像采集设备采集纸浆纤维的图像到计算机上,图像标准是标准灰度位图图像。每采集一幅图像lpInput就对其进行以下处理并将测量得到的数据存入数据库,同时单次测量结果及统计结果。
(2)图像预处理。预处理包括:图像增强、二值化、纤维边界平滑、孔洞填充、细化、非纤维区域去除等。
(3)对预处理后的图像的各连通区域判断纤维种类。经过预处理后的纤维图像中包括单根纤维、交叉纤维或絮聚纤维等多种目标区域。设各连通域用lpone表示,分别判断每个连通域lpone是否为两根纤维交叉情况,若是则执行第(4)步,若不是则进行第(5)步,若为絮聚纤维区域则进行第(6)步。
(4)分离交叉在一起的两根纤维,如图9所示。连通域lpone是交叉纤维,查找交叉点或交叉段;将交叉点或交叉段的像素值标记为中间灰度值,剩下的黑像素点集合就成为了四个子连通域,即两根纤维的四个子段,标记为lp1、lp2、lp3和lp4;计算lp1、lp2、lp3和lp4在交叉区域附近的平均斜率k1,k2,k3,k4,将斜率最相近的两个子连通域分配给图像空间lpout1,如图10左所示,另外两个子连通域(lp2,lp4)属于另一图像空间lpout2,如图10右所示;被标记为中间灰度值的交叉点或交叉段属于两根纤维的公共部分,如图10虚线圆所圈部,同时分配给两个图像空间lpout1和lpout2,得到分离后的两根纤维,如图9所示。分别对纤维lpout1和lpout2去除小分枝(黑像素点的个数是五个以内),结果如图11。至此实现了两根交叉纤维的准确分离。然后分别对两根分离后的纤维进行特征参数测量。
(5)此连通域lpone是单根纤维,直接进行去除小分枝,参数测量等。
(6)此连通域lpone的交叉点多于所设定的阈值时,则认为是絮聚纤维区域,说明是噪声,直接舍弃,不再对其进行任何操作。
实验证明,此方法分离效果明显,提高了交叉点或交叉段的定位精度和分离纤维的准确度,具有很高的鲁棒性。此外,此方法还可以用来去除细化骨架上的小分枝。
Claims (2)
1.一种自动纸浆纤维检测中分离交叉纤维的方法,它通过分析交叉点或交叉段的几何特征,对交叉点或交叉段进行查找并标记,然后利用纤维边缘及骨架在交叉点或交叉段附近的连续性和可微性,通过计算平均斜率,从而实现纤维的准确分离,其特征是:它的具体步骤为,
(1)采集纤维图像,利用自动图像采集设备采集纸浆纤维的图像到计算机上,图像标准是256色bmp图像格式;
(2)图像预处理,用阈值的方法对当前图像lpInput进行二值化,使背景变为白色,纤维和噪声成为黑色;再二值化后的图像lpInput进行闭运算;然后进行骨骼化提取骨架,使目标物成为单一像素宽度;然后去除非纤维目标;
(3)判断纤维种类,当图像存在N个连通域时,其中N??1,分别对每个连通域lpone进行判断是否为交叉纤维,若是则执行第(4)步,若不是则进行第(5)步;若交叉点大于2个或交叉段大于6个则进行第(6)步;
(4)此连通域lpone是交叉纤维,则将交叉部分及其每个点的邻域是目标点的像素值改为中间值,剩下的是0值像素点就被分离为四个子连通域lp1,lp2,lp3,lp4;对这四个子连通域内的点分别与交叉部分中的一个确定的点计算平均斜率,斜率最相近的则认为属于同一根纤维;将配对好的纤维存放在两个图像空间lpout1和lpout2中,被设成中间值的交叉部分同属于两根纤维,将其同时分配给lpout1和lpout2,并且将中间值改为0值;对lpout1中的纤维去除小分枝然后测量,小分枝即黑像素点的个数是五个以内的纤维;再对lpout2中的纤维也去除小分枝后完成测量;
(5)此连通域lpone是单根纤维,直接进行去除小分枝,进行测量;
(6)此连通域lpone的交叉点多于所设定的阈值时,则说明是噪声,直接舍弃,不再对其进行任何操作。
2.根据权利要求1所述的自动纸浆纤维检测中分离交叉纤维的方法,其特征是:所述步骤(3)中,对一个连通域中交叉点进行判断时,先判断当前点的8邻域,如果有大于等于3个目标点即n8>=3,则继续判断16邻域内目标点的个数n16,若除去8邻域中的目标点仍有4个以上的目标点即n16-n18>=4,则继续判断24邻域内目标点的个数n24,若除去16邻域中的目标点仍有4个以上的目标点即n24-n16>=4,并且这4个以上的目标点记个数为ncross,若ncross个目标点中有位置相连的,则只留一个,之后若剩下的目标点有四个即代表四个不同的方向,则记录当前像素点位置,并统计这种交叉点的个数n,判断完这一连通域后,将数组里的点和其8邻域的像素值都改为中间值,以使剩下的黑像素点成为独立的四部分,即步骤(4)中的四个子连通域lp1,lp2,lp3,lp4;对这四个子连通域进行标记,标记值为lp1,lp2,lp3,lp4;
由于交叉点存入数组的顺序是从上到下从左到右的,取中间点为参考点m,在对上述四个独立部分,它们的标记值分别为lp1,lp2,lp3,lp4,进行配对;配对原则具体为:在标记为lp1的子连通域中从离m点最近的目标点开始依次取五个连续目标点,分别与m点计算斜率;若目标点横坐标的值与m点的横坐标的值相同时,会导致所计算的斜率无穷大,这时则将斜率自动赋予一个数q,并将斜率的值依次按顺序存入数组1中,同理标记为lp2,lp3,lp4的子连通域也分别依照上述方法计算斜率并存放到数组2,数组3,数组4中;之后再对每个数组求平均斜率,比较这四个平均斜率,斜率值最相近的则为一根纤维,将属于一根纤维的目标点存入空间lpout1,另一部分存入lpout2,而标记为中间灰度值gray的交叉部分像素作为两根纤维的公共部分存入以上两个纤维空间的相应位置中,并将中间值改回黑像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102171745A CN101866491B (zh) | 2010-07-05 | 2010-07-05 | 一种自动纸浆纤维检测中分离交叉纤维的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102171745A CN101866491B (zh) | 2010-07-05 | 2010-07-05 | 一种自动纸浆纤维检测中分离交叉纤维的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101866491A true CN101866491A (zh) | 2010-10-20 |
CN101866491B CN101866491B (zh) | 2012-05-02 |
Family
ID=42958205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102171745A Expired - Fee Related CN101866491B (zh) | 2010-07-05 | 2010-07-05 | 一种自动纸浆纤维检测中分离交叉纤维的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101866491B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692251A (zh) * | 2012-05-14 | 2012-09-26 | 山东轻工业学院 | 基于fpga+dsp的嵌入式纸浆纤维形态参数快速测量系统及方法 |
CN103593840A (zh) * | 2013-09-30 | 2014-02-19 | 北京林业大学 | 一种拟南芥表型检测方法 |
CN105447860A (zh) * | 2015-11-18 | 2016-03-30 | 扬州大学 | 一种麦苗计数方法 |
CN108303522A (zh) * | 2018-01-05 | 2018-07-20 | 华南理工大学 | 一种短纤维增强复合材料纤维长度分布定量评估方法 |
CN112164085A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 一种基于图像处理的纤维图像分割及直径统计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403703A (zh) * | 2008-11-07 | 2009-04-08 | 清华大学 | 一种皮棉中异性纤维实时检测方法 |
-
2010
- 2010-07-05 CN CN2010102171745A patent/CN101866491B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403703A (zh) * | 2008-11-07 | 2009-04-08 | 清华大学 | 一种皮棉中异性纤维实时检测方法 |
Non-Patent Citations (4)
Title |
---|
《2007 Second IEEE Conference on Industrial Electronics and Applications》 20071231 Jianmei Bian et al. Pulp Fibre Recognition Based on Curvelet Transform and Skeleton Tracing Algorithm 全文 1-2 , 2 * |
《Proceedings of the 2006 IEEE International Conference on Information Acquisition》 20060823 Shubo Qiu et al. Curvelet Transform and Its Application in the Analysis of Pulp Fibre Images 全文 1-2 , 2 * |
《Proceedings of the 27th Chinese Control Conference》 20080718 Gao Hui et al. Pulp Fiber Corner Detection Arithmetic Based on Local Curvature Function 全文 1-2 , 2 * |
《中国造纸学报》 20051231 侯北平等 基于计算机视觉的纸浆纤维特性检测与研究 全文 1-2 第20卷, 第1期 2 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692251A (zh) * | 2012-05-14 | 2012-09-26 | 山东轻工业学院 | 基于fpga+dsp的嵌入式纸浆纤维形态参数快速测量系统及方法 |
CN103593840A (zh) * | 2013-09-30 | 2014-02-19 | 北京林业大学 | 一种拟南芥表型检测方法 |
CN103593840B (zh) * | 2013-09-30 | 2017-01-11 | 北京林业大学 | 一种拟南芥表型检测方法 |
CN105447860A (zh) * | 2015-11-18 | 2016-03-30 | 扬州大学 | 一种麦苗计数方法 |
CN105447860B (zh) * | 2015-11-18 | 2018-03-13 | 扬州大学 | 一种麦苗计数方法 |
CN108303522A (zh) * | 2018-01-05 | 2018-07-20 | 华南理工大学 | 一种短纤维增强复合材料纤维长度分布定量评估方法 |
CN112164085A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 一种基于图像处理的纤维图像分割及直径统计方法 |
CN112164085B (zh) * | 2020-09-28 | 2023-08-18 | 华南理工大学 | 一种基于图像处理的纤维图像分割及直径统计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101866491B (zh) | 2012-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102508110B (zh) | 基于纹理的绝缘子缺陷诊断方法 | |
US8498449B2 (en) | Eye detecting device, eye detecting method, and program | |
CN101866491B (zh) | 一种自动纸浆纤维检测中分离交叉纤维的方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN105095957B (zh) | 一种基于图像分割的蚕茧计数方法 | |
Fabijańska et al. | Image processing and analysis algorithms for yarn hairiness determination | |
CN101806583B (zh) | 基于显微图像的纤维细度测量方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN108073918B (zh) | 眼底视网膜的血管动静脉交叉压迫特征提取方法 | |
CN104700112A (zh) | 一种基于形态特征的粪便中寄生虫虫卵检测方法 | |
CN106157323A (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN103471973A (zh) | 一种图像法测定织物孔隙特征的方法 | |
CN115131348B (zh) | 一种纺织品表面缺陷的检测方法及系统 | |
CN104182952A (zh) | 多聚焦序列图像融合方法 | |
CN107784652A (zh) | 一种基于无人机影像的杆塔快速检测方法 | |
CN116228764B (zh) | 一种新生儿疾病筛查血片采集质量检测方法及系统 | |
CN107704882A (zh) | 一种基于数字图像处理技术的衣物类型识别方法及系统 | |
Wang et al. | Single vision based identification of yarn hairiness using adaptive threshold and image enhancement method | |
JP2007048006A (ja) | 画像処理装置および画像処理プログラム | |
CN101650832B (zh) | 编织纹样式的图像分析方法 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN110163062A (zh) | 掌纹主线提取方法、装置、计算机设备及存储介质 | |
Das et al. | Rough set-based decision tool for classification of cotton yarn neps | |
CN109146871A (zh) | 裂纹的识别方法及装置 | |
CN110838113B (zh) | 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120502 Termination date: 20130705 |