CN102945545A - 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法 - Google Patents

一种鲁棒的骨龄评定图像预处理及骨关键点定位方法 Download PDF

Info

Publication number
CN102945545A
CN102945545A CN 201210396816 CN201210396816A CN102945545A CN 102945545 A CN102945545 A CN 102945545A CN 201210396816 CN201210396816 CN 201210396816 CN 201210396816 A CN201210396816 A CN 201210396816A CN 102945545 A CN102945545 A CN 102945545A
Authority
CN
China
Prior art keywords
point
image
age
plain film
skeletal
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
Application number
CN 201210396816
Other languages
English (en)
Inventor
冉隆科
宋方洲
金晶
陈龙聪
向天宇
谭鹏程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Medical University
Original Assignee
Chongqing Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Medical University filed Critical Chongqing Medical University
Priority to CN 201210396816 priority Critical patent/CN102945545A/zh
Publication of CN102945545A publication Critical patent/CN102945545A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种鲁棒的骨龄评定图像预处理及骨关键点定位方法，包括如下步骤：步骤一，对骨龄X光平片图像进行预处理：选取子采样点，采用线性回归方法拟合背景图像，从而移除骨龄X光平片图像的背景，提取出目标部分，即手掌轮廓图像；步骤二，对步骤一获得的手掌轮廓图像进行去除噪声处理；步骤三，对经步骤二处理后的手掌轮廓图像，采用K余弦方法定位骨关键点。传统主要依靠人工评判骨龄的方法，评判者的主观因素过多，且压力负荷过重，不利于客观公正的测定骨龄。本方法使骨龄X光平片图像的预处理效果最佳，具有极大的鲁棒性，降低了拍摄骨龄片工作人员对被拍片者的要求，对骨龄图像具有极大的适应性。

Description

一种鲁棒的骨龄评定图像预处理及骨关键点定位方法
技术领域
本发明涉及一种图像预处理方法，具体是一种鲁棒的骨龄评定图像预处理及骨关键点定位方法。
背景技术
骨龄评定是运用国际上通用的TW2（Tanner and Whitehouse）方法和国内的CHN（中国人手腕骨发育标准CHN法）标准，通过计算机对骨龄X光平片进行自动识别，以确定2-18岁儿童的骨发育成熟度年龄，即骨龄。骨龄是儿童青少年身体发育检测、内分泌疾病的检查、体育选材等方面的重要指标之一，因而有着广泛的应用。目前，骨龄的评定方法有人工方法、计算机辅助方法、计算机自动评定等。由于骨龄评定的复杂性和人的主观因素过大，前两种方法都不能准确的评定骨龄；而采用计算机自动评定骨龄又跟骨龄X光平片的图像预处理效果关系密切。在一般的图像预处理过程中，骨龄X光平片的噪声、位置等都直接影响到预处理的结果。因此，本发明主要针对骨龄X光图像预处理过程中，图像噪声和位置变换对图像预处理效果的影响，提出一种鲁棒方法来预处理骨龄X光平片图像，为自动骨龄评定的后续过程提供准确的评定依据。
目前对骨龄X光平片图像的预处理阶段的处理流程如图1所示。首先对输入的骨龄X光平片图像的背景噪声（包括小对象和物理方法所留下的噪声）移除，然后对背景图像进行估计，采用数字图像处理的基本方法，比如滤波、形态学操作、轮廓跟踪等一系列方法提取出手掌轮廓。对于骨龄X光平片骨关键点的定位，通常的方法是根据手指的物理特性，即中指的顶点位置最高，小指的顶点最低，从而按照从上到下扫描各指骨关键点进行定位。
上述X光平片图像的预处理阶段中图像预处理主要按照传统方法进行滤波，且假设骨龄X光平片图像噪声是均匀分布的，在实际临床应用中，每个图像噪声是千变万化的。这样按照固定方法考虑去除噪声，没有针对性，使部分图像达不到最佳效果，给后续定位等带来困难。
按照传统方法定位出的骨关键点准确度不高，因为该方法主要通过物理因素进行定位，实际拍摄到的骨龄X光平片图像往往由于位置和方位的变换会发生一定的偏差，因而按照标准图像的位置和方位去定位骨关键点就不够准确，且不具有鲁棒性。
上述预处理阶段需要输入的骨龄X光平片图像必须比较标准和效果较好。这在临床应用中这很难保障。
发明内容
本发明的目的是解决在骨龄X光平片图像预处理阶段噪声处理效果不好，预处理效果不佳的问题；在骨龄X光平片图像骨关键点定位过程中，骨图像位置和方位改变情况下，定位过程的鲁棒性问题；在临床拍摄的骨龄X光平片图像效果不佳的条件下，仍能很好的对图像进行预处理，达到比较准确定位骨关键点的问题。
为了解决上述问题本发明采用的技术方案如下：
一种鲁棒的骨龄评定图像预处理及骨关键点定位方法，包括如下步骤：
步骤一，对骨龄X光平片图像进行预处理：选取子采样点，采用线性回归方法拟合背景图像，从而移除骨龄X光平片图像的背景，提取出目标部分，即手掌轮廓图像。
步骤二，对步骤一获得的手掌轮廓图像进行去除噪声处理。
步骤三，对经步骤二处理后的手掌轮廓图像，采用K余弦方法定位骨关键点。
步骤一中所述子采样点，是从骨龄X光平片图像的上、下、左、右四个方向，按照预定间隔进行采样的，并且避免采样点经过骨龄X光平片图像的中间和骨龄X光平片图像的白色和黑色矩形框区域。
步骤一中所述线性回归为二元三次线性回归，其表达式为
Figure 2012103968161100002DEST_PATH_IMAGE001
其中：
Figure 120179DEST_PATH_IMAGE002
为多项式的系数，x和y为图像上某一点的横坐标和纵坐标。
步骤二中去除噪声的具体步骤是：a）输入手掌轮廓图像和子采样点，若手掌轮廓图像中的输入点减子采样点的均值大于或等于1.8倍子采样点的标准差，则将该输入点移出；b）通过二元三次非线性回归求出残差的置信区间，通过置信区间的过0点寻找经步骤a）处理后的图像中的异常点，并移出异常点。
步骤三中所述K余弦方法如下：
设已知道在点
Figure 2012103968161100002DEST_PATH_IMAGE003
处有k维向量，
Figure 894494DEST_PATH_IMAGE004
Figure 2012103968161100002DEST_PATH_IMAGE005
                       
则在点
Figure 498782DEST_PATH_IMAGE003
处的k余弦定义为：
Figure 577596DEST_PATH_IMAGE006
Figure 2012103968161100002DEST_PATH_IMAGE007
                 
计算k值的主要步骤如下：
1）计算每个
Figure 13256DEST_PATH_IMAGE008
,
Figure 2012103968161100002DEST_PATH_IMAGE009
,
Figure 221122DEST_PATH_IMAGE010
,…, 
Figure 2012103968161100002DEST_PATH_IMAGE011
（m=N/20,N为边界点的个数）；
2）找出满足不等式
Figure 109443DEST_PATH_IMAGE012
≮
Figure 2012103968161100002DEST_PATH_IMAGE013
的h，
为了确保
Figure 929632DEST_PATH_IMAGE014
,定义
Figure 2012103968161100002DEST_PATH_IMAGE015
，并称
Figure 219799DEST_PATH_IMAGE016
为
Figure 162347DEST_PATH_IMAGE003
点处的余弦值，计为；
3）用步骤2）求出的m对每个点的
Figure 51148DEST_PATH_IMAGE018
进行均值滤波，滤波规则如下：
    
Figure 2012103968161100002DEST_PATH_IMAGE019
   从而用
Figure 409448DEST_PATH_IMAGE020
代替
Figure 819701DEST_PATH_IMAGE018
，计为
Figure 2012103968161100002DEST_PATH_IMAGE021
；
4）如果对于所有的j都满足
Figure 2012103968161100002DEST_PATH_IMAGE023
，则称
Figure 232283DEST_PATH_IMAGE017
为每个点
Figure 456591DEST_PATH_IMAGE003
处的曲率最大值，此点即为骨关键点。
由于本发明是自动化骨龄评定的重要组成部分，因此它也具有骨龄自动化评定的有益效果。同时还有如下的有益效果：
⑴ 为儿童内分泌等方面的疾病诊断提供切实可靠的科学指标依据。骨龄指标在儿童内分泌和生长发育中，有着及其重要的价值，它是及时诊断儿童内分泌方面的疾病和衡量儿童生长发育状况的重要指标。
⑵ 传统主要依靠人工评判骨龄的方法，评判者的主观因素过多，且压力负荷过重，不利于客观公正的测定骨龄。
⑶ 骨龄预处理效果达到最佳。由于采用二元三次线性回归和针对众多的骨龄图像数据设计出一套子采样点方案，加之有效的对噪声处理方法，因而使骨龄X光平片图像的预处理效果最佳。
⑷ 骨龄X光平片图像预处理具有极大的鲁棒性，这降低了拍摄骨龄片工作人员对被拍片者的要求，在位置和方位不标准的情况下拍摄出的骨龄图像也可以满足要求。对骨龄图像具有极大的适应性。
⑸ 对骨龄X光平片图像关键点的准确定位，为后续骨龄分割和识别带有极大的好处，从而为自动化评判骨龄奠定坚实基础。
附图说明
图1为传统骨龄X光平片图像的预处理阶段的处理流程图；
图2为本发明骨龄X光平片图像的预处理及骨关键点定位过程图；
图3为本发明子采样点选取方案图；
图4为本发明去除噪声处理部分流程图；
图5为本发明k余弦方法示意图；
图6为本发明骨关键点定位图。
具体实施方式
本发明是基于机器视觉理论，按照图像处理的基本过程即图像预处理、图像分割、图像识别等过程进行。由于图像预处理效果直接关系到骨龄评定的后续过程，因而该阶段是至关重要的。本发明主要针对的是就是图像预处理阶段和定位过程中长期存在的问题而提出的。
首先对骨龄X光平片图像进行预处理，提取骨龄X光平片图像的目标部分，即骨龄图像的手掌轮廓图像。由于输入骨龄X光平片图像的背景不呈线性分布，因而不能采用简单的线性回归方法来估计背景图像。本发明针对搜集到的众多骨龄图像数据，经过统计模型的方法分析图像数据，确定用二元三次线性回归，通过设计的子采样点方案来拟合背景图像，从而提取手掌轮廓图像，达到预处理目标图像。二元三次线性回归表述如下：
Figure 455771DEST_PATH_IMAGE001
      （1）
其中：
Figure 740121DEST_PATH_IMAGE002
为多项式的系数，该参数可以通过最小二乘方求解，x和y为图像上某一点的横坐标和纵坐标。
Figure 90331DEST_PATH_IMAGE024
                                         （2）
分别对上式的多项式系数
Figure 118330DEST_PATH_IMAGE002
求导有：
Figure DEST_PATH_IMAGE025
                                     （3）
Z为子采样点在(x,y)坐标下的像素值。通过式（1）～（3），求出
Figure DEST_PATH_IMAGE027
的系数
Figure 866417DEST_PATH_IMAGE002
，从而拟合出背景的近似曲线表达式，设为整个图像的像素值，为背景，手掌的目标区域为
Figure DEST_PATH_IMAGE029
，则
Figure 509385DEST_PATH_IMAGE030
  （4）
其中，子采样点选取140点，采样从图像的上、下、左、右四个方向，按照一定的间隔进行采样的，并且避免采点经过骨龄X光平片图像的中间和骨龄X光平片图像的白色和黑色矩形框区域，这样才能比较真实的模拟出骨龄X光平片图像的背景，其子采样点的方案如图3所示。
通过选取阈值，对提取出的目标区域二值化，即为手掌轮廓。阈值可选用10～20之间的数值，最优选17。然而由于图像还存在噪声和白色矩形框，因此必须对其进行移出，其方法是采用二进制标记。标记采用8领域进行，由于标记是对除了背景的部分进行，因而通过搜索面积最大的部分，即为手掌轮廓，这样就去除了白色矩形框。如图2所示的过程。
对图像噪声的处理。由于骨龄X光图像拍摄时受到人为或物理因素影响，因而留下许多噪声（也就是异常点）。这些噪声对预处理果关系很大。因此设计一套可行的去除噪声算法至关重要。本发明采用图4所示的去除噪声方法，对图像预处理效果很少，通过临床随机抽取的骨龄X光平片图像数据表明，预处理效果在97%以上，完全达到骨龄后续评定的要求。步骤为：a）输入手掌轮廓图像和子采样点，若手掌轮廓图像中的输入点减子采样点的均值大于或等于1.8倍子采样点的标准差，则将该输入点移出；b）通过二元三次非线性回归求出残差的置信区间，通过置信区间的过0点寻找经步骤a）处理后的图像中的异常点，并移出异常点。
对骨龄X光平片图像骨关键点的定位。由于在骨龄评定中，骨关键点是TW2和CHN方法都要评判的关键部位点。因而在自动骨龄评定中，必须准确定位在这些关键点，才能正确提出关键骨骺部分，对后续评定关系重大。本发明提出用K余弦方法（如图5所示）来定位骨关键点，该方法不受骨龄X光平片图像的位置和方位的影响，因而具有极大的鲁棒性。K余弦方法如下：
已知道在点
Figure 869959DEST_PATH_IMAGE003
处有k维向量，
Figure 194761DEST_PATH_IMAGE004
Figure 564563DEST_PATH_IMAGE005
                       
则在点
Figure 891376DEST_PATH_IMAGE003
处的k余弦定义为：
Figure 688431DEST_PATH_IMAGE006
Figure 234950DEST_PATH_IMAGE007
                 
计算k值的主要步骤如下：
计算每个
Figure 408442DEST_PATH_IMAGE008
,
Figure 356807DEST_PATH_IMAGE009
,
Figure 262446DEST_PATH_IMAGE010
,…, （m=N/20,N为边界点的个数）；
找出满足不等式
Figure 509330DEST_PATH_IMAGE012
≮的h，
为了确保,定义
Figure 34486DEST_PATH_IMAGE015
，并称
Figure 221885DEST_PATH_IMAGE016
为
Figure 207159DEST_PATH_IMAGE003
点处的余弦值，计为；
用步骤2）求出的m对每个点的
Figure 525325DEST_PATH_IMAGE018
进行均值滤波。滤波规则如下：
    
Figure DEST_PATH_IMAGE031
   从而用
Figure 952633DEST_PATH_IMAGE020
代替，计为
Figure 148439DEST_PATH_IMAGE021
。
如果
Figure 440880DEST_PATH_IMAGE022
对于所有的j都满足
Figure 737125DEST_PATH_IMAGE032
，则称
Figure 431412DEST_PATH_IMAGE017
为每个点
Figure 20656DEST_PATH_IMAGE003
处的曲率最大值，此点即选为骨关键点。
通过以上步骤定位的骨龄X光平片图像的骨关键点如图6所示。

Claims (5)

1.一种鲁棒的骨龄评定图像预处理及骨关键点定位方法，包括如下步骤：
步骤一，对骨龄X光平片图像进行预处理：选取子采样点，采用线性回归方法拟合背景图像，从而移除骨龄X光平片图像的背景，提取出目标部分，即手掌轮廓图像；
步骤二，对步骤一获得的手掌轮廓图像进行去除噪声处理；
步骤三，对经步骤二处理后的手掌轮廓图像，采用K余弦方法定位骨关键点。
2.根据权利要求1所述一种鲁棒的骨龄评定图像预处理及骨关键点定位方法，其特征在于：步骤一中所述子采样点，是从骨龄X光平片图像的上、下、左、右四个方向，按照预定间隔进行采样的，并且避免采样点经过骨龄X光平片图像的中间和骨龄X光平片图像的白色和黑色矩形框区域。
3.根据权利要求1所述一种鲁棒的骨龄评定图像预处理及骨关键点定位方法，其特征在于：步骤一中所述线性回归为二元三次线性回归，其表达式为
其中：
Figure 368557DEST_PATH_IMAGE002
为多项式的系数，x和y为图像上某一点的横坐标和纵坐标。
4.根据权利要求1所述一种鲁棒的骨龄评定图像预处理及骨关键点定位方法，其特征在于：步骤二中去除噪声的具体步骤是：a）输入手掌轮廓图像和子采样点，若手掌轮廓图像中的输入点减子采样点的均值大于或等于1.8倍子采样点的标准差，则将该输入点移出；b）通过二元三次非线性回归求出残差的置信区间，通过置信区间的过0点寻找经步骤a）处理后的图像中的异常点，并移出异常点。
5.根据权利要求1所述一种鲁棒的骨龄评定图像预处理及骨关键点定位方法，其特征在于：步骤三中所述K余弦方法如下：
设已知道在点
Figure 2012103968161100001DEST_PATH_IMAGE003
处有k维向量，
Figure 223381DEST_PATH_IMAGE004
Figure 2012103968161100001DEST_PATH_IMAGE005
                       
则在点
Figure 3118DEST_PATH_IMAGE003
处的k余弦定义为：
Figure 825756DEST_PATH_IMAGE006
Figure 2012103968161100001DEST_PATH_IMAGE007
                 
计算k值的主要步骤如下：
1）计算每个
Figure 577812DEST_PATH_IMAGE008
,
Figure DEST_PATH_IMAGE009
,,…, 
Figure DEST_PATH_IMAGE011
（m=N/20,N为边界点的个数）；
2）找出满足不等式
Figure 542674DEST_PATH_IMAGE012
≮
Figure DEST_PATH_IMAGE013
的h，
为了确保
Figure 177792DEST_PATH_IMAGE014
,定义
Figure DEST_PATH_IMAGE015
，并称
Figure 784354DEST_PATH_IMAGE016
为点处的余弦值，计为
Figure DEST_PATH_IMAGE017
；
3）用步骤2）求出的m对每个点的
Figure 407413DEST_PATH_IMAGE018
进行均值滤波，滤波规则如下：
    
Figure DEST_PATH_IMAGE019
   从而用
Figure 583573DEST_PATH_IMAGE020
代替
Figure 106958DEST_PATH_IMAGE018
，计为
Figure DEST_PATH_IMAGE021
；
4）如果
Figure 474486DEST_PATH_IMAGE022
对于所有的j都满足
Figure DEST_PATH_IMAGE023
，则称为每个点
Figure 928918DEST_PATH_IMAGE003
处的曲率最大值，此点即为骨关键点。
CN 201210396816 2012-10-18 2012-10-18 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法 Pending CN102945545A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201210396816 CN102945545A (zh) 2012-10-18 2012-10-18 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201210396816 CN102945545A (zh) 2012-10-18 2012-10-18 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法

Publications (1)

Publication Number Publication Date
CN102945545A true CN102945545A (zh) 2013-02-27

Family

ID=47728483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201210396816 Pending CN102945545A (zh) 2012-10-18 2012-10-18 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法

Country Status (1)

Country Link
CN (1) CN102945545A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN108056786A (zh) * 2017-12-08 2018-05-22 浙江大学医学院附属儿童医院 一种基于深度学习的骨龄检测方法和装置
CN108629762A (zh) * 2018-03-28 2018-10-09 浙江工业大学 一种骨龄评测模型减少干扰特征的图像预处理方法及系统
CN109272002A (zh) * 2018-09-30 2019-01-25 杭州依图医疗技术有限公司 一种骨龄片的分类方法及装置
CN109741309A (zh) * 2018-12-27 2019-05-10 北京深睿博联科技有限责任公司 一种基于深度回归网络的骨龄预测方法及装置
CN109886226A (zh) * 2019-02-27 2019-06-14 北京达佳互联信息技术有限公司 确定图像的特征数据的方法、装置、电子设备及存储介质
WO2020062839A1 (zh) * 2018-09-30 2020-04-02 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN111210424A (zh) * 2020-01-14 2020-05-29 杭州电子科技大学 一种骨龄x光片rus骨块近轮廓点定位方法
CN111563874A (zh) * 2020-03-05 2020-08-21 北京深睿博联科技有限责任公司 骨龄评测方法和装置
CN114601483A (zh) * 2022-05-11 2022-06-10 山东第一医科大学第一附属医院(山东省千佛山医院) 一种基于图像处理的骨龄分析方法及系统

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN107767376B (zh) * 2017-11-02 2021-03-26 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN111671448A (zh) * 2017-12-08 2020-09-18 浙江大学 一种基于深度学习的骨龄检测方法和装置
CN108056786A (zh) * 2017-12-08 2018-05-22 浙江大学医学院附属儿童医院 一种基于深度学习的骨龄检测方法和装置
CN108629762A (zh) * 2018-03-28 2018-10-09 浙江工业大学 一种骨龄评测模型减少干扰特征的图像预处理方法及系统
CN108629762B (zh) * 2018-03-28 2021-08-03 浙江工业大学 一种骨龄评测模型减少干扰特征的图像预处理方法及系统
CN109272002A (zh) * 2018-09-30 2019-01-25 杭州依图医疗技术有限公司 一种骨龄片的分类方法及装置
WO2020062839A1 (zh) * 2018-09-30 2020-04-02 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN109272002B (zh) * 2018-09-30 2020-11-24 杭州依图医疗技术有限公司 一种骨龄片的分类方法及装置
CN109741309B (zh) * 2018-12-27 2021-04-02 北京深睿博联科技有限责任公司 一种基于深度回归网络的骨龄预测方法及装置
CN109741309A (zh) * 2018-12-27 2019-05-10 北京深睿博联科技有限责任公司 一种基于深度回归网络的骨龄预测方法及装置
CN109886226A (zh) * 2019-02-27 2019-06-14 北京达佳互联信息技术有限公司 确定图像的特征数据的方法、装置、电子设备及存储介质
CN111210424A (zh) * 2020-01-14 2020-05-29 杭州电子科技大学 一种骨龄x光片rus骨块近轮廓点定位方法
CN111210424B (zh) * 2020-01-14 2023-06-30 杭州电子科技大学 一种骨龄x光片rus骨块近轮廓点定位方法
CN111563874A (zh) * 2020-03-05 2020-08-21 北京深睿博联科技有限责任公司 骨龄评测方法和装置
CN111563874B (zh) * 2020-03-05 2023-04-28 北京深睿博联科技有限责任公司 骨龄评测方法和装置
CN114601483A (zh) * 2022-05-11 2022-06-10 山东第一医科大学第一附属医院(山东省千佛山医院) 一种基于图像处理的骨龄分析方法及系统

Similar Documents

Publication Publication Date Title
CN102945545A (zh) 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法
CN106296613B (zh) 一种基于dr机器的双能量减影方法
CN104123554B (zh) 基于mmtd的sift图像特征提取方法
CN107230203A (zh) 基于人眼视觉注意机制的铸件缺陷识别方法
CN107437068B (zh) 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法
WO2017206914A1 (zh) 指纹识别方法、指纹识别系统、及电子设备
JP2012053756A5 (zh)
CN105389581A (zh) 一种胚芽米胚芽完整度智能识别系统及其识别方法
CN103984929B (zh) 扭曲指纹的校正方法及系统
CN110334727B (zh) 一种隧道裂缝智能匹配检测方法
CN104616002A (zh) 用于年龄段判断的面部识别设备
JP2011002919A (ja) 物体検出方法、物体検出装置
Ji et al. The corroded defect rating system of coating material based on computer vision
CN114049325A (zh) 轻量化人脸口罩佩戴检测模型的构建方法及应用
CN113229807A (zh) 人体康复评估装置、方法、电子设备及存储介质
Moreno et al. A new methodology for evaluation of edge detectors
CN102201060A (zh) 一种基于形状语义的非参数轮廓跟踪评价方法
CN104655041A (zh) 一种附加约束条件的工业零件轮廓线多特征提取方法
CN102148919A (zh) 一种球类检测的方法及系统
Zhang et al. Measurement method for human body anteflexion angle based on image processing
CN105740869A (zh) 一种基于多尺度多分辨率的方形算子边缘提取方法及系统
CN104764402A (zh) 柑橘体积的视觉检测方法
CN106504251B (zh) 一种基于图片处理的电子铝箔立方织构含量检测方法
JP2004258931A (ja) 画像処理方法、画像処理装置、画像処理プログラム
Rasmussen et al. R-FCN object detection ensemble based on object resolution and image quality

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130227