CN104657983B - 一种基于Gabor滤波的织物毛球密度检测方法 - Google Patents
一种基于Gabor滤波的织物毛球密度检测方法 Download PDFInfo
- Publication number
- CN104657983B CN104657983B CN201510027541.8A CN201510027541A CN104657983B CN 104657983 B CN104657983 B CN 104657983B CN 201510027541 A CN201510027541 A CN 201510027541A CN 104657983 B CN104657983 B CN 104657983B
- Authority
- CN
- China
- Prior art keywords
- fabric
- image
- ball top
- binary
- gabor
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 138
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000009940 knitting Methods 0.000 description 3
- 230000004224 protection Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004040 coloring Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Gabor滤波的织物毛球密度检测方法，包括以下步骤：取织物样本图像，去除图像的背景及边缘区域；对所述经预处理的图像进行二值分割，提取织物毛球阴影；采用偶对称二维Gabor滤波器对所述经预处理的图像进行滤波；对所述滤波后的图像进行二值分割，提取织物毛球和织物毛球阴影；根据第一二值化图像，将第二二值化图像中的织物毛球阴影去除，提取织物毛球；计算第三二值化图像中织物毛球与织物区域图像总面积相比的比值，得到织物毛球密度；本发明能实现有效、稳定去除织物纹理、毛球阴影影响，且对毛球大小、织物类型都不敏感的客观的织物起毛起球等级评定过程，提高了织物起毛起球等级评定过程的自动化程度。
Description
技术领域
本发明涉及图像处理以及识别技术，特别涉及一种基于Gabor滤波的织物毛球密度检测方法。
背景技术
织物在穿着、洗涤过程中，因摩擦会起毛起球，影响外观、降低织物服用性能，因此织物起毛起球等级评定在生产质量控制和外贸检验方面显得尤为重要。传统起毛起球等级评定方法主要依赖人工，具有很强的主观性，评定结果易受评定者生理、心理及社会环境影响。
随着计算机技术在纺织行业的广泛应用，国内外研究人员开始利用计算机数字图像处理技术对该方面做相关研究。其中一类采用傅里叶变换，将织物起毛起球图像变换至频域来分析、利用织物纹理的周期性去除织物纹理影响，但傅立叶变换不能表达局部信息，只有变化很强的全局周期信息才能体现在频谱图中，因此往往存在纹理去除不干净、非周期噪声不能滤除的弊端；还有一类方法是在空间域利用颜色信息实现织物毛球提取，完成评定过程，这类方法对织物纹理变化敏感、仅适用于某类特定织物。
目前，采用小波变换去噪进行织物起毛起球评定的方法，既能体现频率信息又能体现空间域信息，是所有织物起毛起球等级评定方法中效果最好的一种，公布号CN104021561 A公开了一种基于小波变换及形态学运算的织物起毛起球图像分割方法，首先将采集的织物起毛起球图像进行直方图均衡化，然后进行8级小波多分辨率分解；再将表达最高频信息的第一、第二级小波分解层及表达低频信息的小波近似分解层系数置零后重构图像；然后用最大类间方差法将重构后的图像二值化，再依次用水平、45度、垂直、135度方向的线形结构元对图像进行腐蚀操作；最后再对腐蚀后图像依次进行膨胀操作，膨胀操作和腐蚀操作应用结构元顺序相反，即依次为135度、垂直、45度、水平方向的线形结构元。
但在应用小波变换过程中，如果织物纹理或织物毛球所在小波分解层定位错误，或织物粗糙度判断错误、或因较粗糙织物纹理会在小波较高频率的各小波分解层上都留下信息而会导致纹理去除不净、毛球信息丢失等问题。
还有研究者采用本发明提出的Gabor滤波器进行织物起毛起球等级评定，但没有考虑不规则毛球成像时产生的阴影对毛球提取的影响，尤其由专业研究机构提供的织物起毛起球标准样照中的不规则形状毛球往往有明显的毛球阴影，在采用Gabor滤波器处理图像时，这些阴影会因朝向、变化周期和织物纹理不同，而被作为毛球的一部分保留下来，影响了起毛起球等级的准确评定。
发明内容
本发明提供了一种基于Gabor滤波的织物起毛起球等级检测方法，克服现有技术的基于Gabor滤波的织物起毛起球等级评定方法不能有效去除织物毛球阴影影响的缺点，提高等级评定精度。
一种基于Gabor滤波的织物毛球密度检测方法，包括以下步骤：
(1)取织物样本图像，去除图像的背景及边缘区域，获得经预处理的图像；
(2)对所述经预处理的图像进行二值分割，获得体现织物毛球阴影的第一二值化图像；
(3)采用偶对称二维Gabor滤波器对所述经预处理的图像进行滤波，获得滤波后的图像；
(4)对所述滤波后的图像进行二值分割，获得体现织物毛球和织物毛球阴影的第二二值化图像；
(5)根据第一二值化图像，将第二二值化图像中的织物毛球阴影去除，获得体现织物毛球的第三二值化图像；
(6)计算第三二值化图像中织物毛球面积与织物区域图像总面积的比值，得到织物毛球密度。
Gabor滤波器属于加窗傅立叶变换，和傅立叶变换相比，能很好的描述待处理信息对应的空间频率、空间位置及方向性等局部结构信息，能实现最优局部化，是很好的纹理表达、描述和去除方法。采用Gabor滤波器处理织物时，织物局部纹理频率和滤波器覆盖部分的频率越接近，产生的响应越大，反之就越小。而和纹理相比，毛球和毛球阴影的形状、朝向、变化周期都是不规则的，织物纹理与毛球和毛球阴影相比具有明显的周期性及方向性，而毛球和毛球阴影大小、朝向和Gabor滤波器覆盖区域吻合的概率几乎为零，因此采用Gabor滤波滤除纹理时，毛球、毛球阴影信息被完整地保留下来。
本发明方法在现有的基于Gabor滤波的织物起毛起球的检测方法上，对得到的二值图像进行去毛球阴影，克服基于Gabor滤波的织物起毛起球等级评定方法不能有效去除织物毛球阴影影响的缺点，实现能有效、稳定去除织物纹理、毛球阴影影响，且对毛球大小、织物类型都不敏感的、更为客观地织物起毛起球密度检测方法。
进一步优选的，步骤(1)中，所述去除背景及边缘区域包括以下步骤：
A、对织物样本图像进行二值分割，获得二值化图像；
B、对步骤A中所述二值化图像进行自适应中值滤波；
C、对滤波后的图像进行边缘检测，获得边缘图像；
D、在边缘图像中作一正方形，去除织物样本图像正方形外的部分。
由于图像在存储时都只能以矩阵的方式存放，因此圆形排列或者不规则排列的数据在存放时需在圆外补充数据变成方形矩阵后存储，而补充后的数据会对后续织物图像毛球的提取操作产生影响，因此，通过上述操作，可以有效去除背景及边缘区域，提高检测的准确性，并且使用自适应中值滤波去除团、块状噪声，同时将边缘等细节信息有效保留下来。
进一步优选的，步骤A中，所述二值分割采用最大类间方差法，简称为OTSU方法。
进一步优选的，步骤B中，自适应中值滤波的尺寸为7×7像素。
为了简化计算过程，优选的，步骤D中，所述矩形为正四边形。
为了便于获得所述的正四边形，优选的，步骤D中，边缘图像内作一正方形的方法为：对边缘图像进行检测圆形的Hough变换，在圆形图像内作最大内接正方形。
进一步优选的，步骤C中，所述边缘检测为Sobel边缘检测。
优选的，步骤(2)中，采用最大类间方差法进行二值分割，二值分割的阈值为a×T，T为步骤A二值分割的阈值，a＝0.65-0.8。
毛球阴影与毛球和织物纹理相比，亮度明显要暗，利用OTSU方法获得的阈值T，乘以a作为分割阈值，不仅能将毛球阴影部分分割成用像素值为0表示的背景，还能有效避免将毛球错分为背景，而造成毛球信息的丢失。
进一步优选的，a＝0.8。经过试验得到，当a＝0.8时，可以得到显示效果最好的毛球阴影图像。
进一步优选的，步骤(4)中，采用启发式全局阈值分割法。
本发明的有益效果：
本发明的基于Gabor滤波的织物毛球密度检测方法，不仅克服人工织物起毛起球评定方法主观性强，评定结果易受评定者生理、心理及社会环境影响的缺点，同时还克服目前基于小波变换方法进行的织物起毛起球评定方法一旦出现织物毛球层或织物粗糙度判定错误就会出现纹理去除不净、毛球信息丢失或基于Gabor滤波的织物起毛起球等级评定方法不能去除织物毛球阴影影响的缺点。
本发明还克服基于傅里叶变换、颜色信息分割等织物起毛起球评定方法存在的织物纹理去除不干净、仅适用于某类织物的缺点，能有效、稳定去除织物纹理、毛球阴影影响，且对毛球大小、织物类型都不敏感的客观的织物起毛起球评定过程，简化了织物区域提取过程并提高了织物起毛起球评定过程的自动化程度。
附图说明
图1为扫描获得的织物起毛起球灰度图像。
图2对图1进行OTSU(最大类间方差法)分割并中值滤波后获得的二值图像。
图3为对图2进行Sobel边缘检测，获得边缘图像，再对边缘图像进行Hough变换检测圆形织物区域后的图像，图上显示获得的圆上的点。
图4为依据Hough变换圆检测算法获得的圆心和半径裁剪图1所示图像得到的不包含非织物背景的织物起毛起球区域图像。
图5为先采用OTSU方法获得图4所示图像的分割阈值T，再用0.8×T作为阈值对图4所示图像进行分割，获得的二值图像。
图6为对图4所示图像进行Gabor滤波后得到的图像。
图7为对图6所示图像进行启发式全局阈值分割后得到的二值图像。
图8为将图7所示图像中和图5所示图像中像素值为零的坐标点相对应的像素值置0后，得到的去除毛球阴影后的毛球二值图像。
具体实施方式
下面结合实例，对本发明作进一步说明。
步骤1：依据全国纺织品标准化技术委员会发布的GB/T 4802.1-2008《织物起毛起球性能的测定第1部分圆轨迹法》进行织物起毛起球实验，并采用DCP-7010激光多功能一体机扫描获得织物起毛起球图像，本实施例所示的是精梳棉织物，如图1所示；
从图1可以看出，扫描过程获得的非织物背景噪声为白色，为了能看清背景噪声范围，在图1上按图像大小加了一个黑色边框线的文本框。
步骤2：提取织物起毛起球图像的织物区域，去除织物起毛起球采集过程引入的非织物背景影响；
提取织物起毛起球图像织物区域的具体步骤为：
步骤2.1：对织物起毛起球图像采用最大类间方差法(简称OTSU)进行二值分割获得二值图像；
步骤2.2：对步骤2.1获得的二值图像进行最大尺寸为7×7像素的自适应中值滤波获得滤波后的织物起毛起球图像，如图2所示；
自适应中值滤波用于去除团、块状噪声，同时将边缘等细节信息有效保留下来。
步骤2.3：对步骤2.2获得的滤波后的织物起毛起球图像进行Sobel边缘检测，获得边缘图像；
步骤2.4：再对步骤2.3获得的边缘图像进行检测圆形的Hough变换，检测出的圆上的点如图3所示，同时获得圆形织物区域的圆心(x0,y0)和半径R，按公式(1)计算圆形织物区域的最大内接正方形四个顶点坐标(xmin,ymin)、(xmin,ymax)、(xmax,ymin)、(xmax,ymax)；
xmin＝x0-R cos45°
xmax＝x0+R cos45°
ymin＝y0-R sin45°
ymax＝y0+R sin45° (1)
公式(1)中的xmin、xmax、ymin、ymax分别为构成圆形织物区域内接最大正方形四个顶点坐标的横坐标最小值、横坐标最大值及纵坐标最小值、纵坐标最大值。
步骤2.5：依据步骤2.4获得的圆形织物区域的最大内接正方形四个顶点坐标裁剪步骤1获得的织物起毛起球图像，获取去除了非织物背景噪声、仅含织物区域的织物起毛起球图像，如图4所示，可采用Matlab的imcrop命令实现。
因为图像在存储时都只能以矩阵的方式存放，圆形排列的数据在存放时需在圆外补充数据变成方形矩阵后存储，圆外补充数据即背景图像，而补充后的数据会对后续织物图像毛球的提取操作产生影响，因此图像需要剪切成正方形或者矩形，从而避免增加干扰的补充数据。
步骤3：织物毛球阴影提取以及织物噪声去除，具体为：
步骤3.1：利用OTSU方法获得步骤2.5处理后得到的仅含织物区域的织物起毛起球图像的分割阈值T，再以0.8*T作为阈值对仅含织物区域的织物起毛起球图像(图4)进行二值分割，获得体现织物毛球阴影的二值图，如图5所示；
毛球阴影与毛球和织物纹理相比，亮度明显要暗，利用OTSU方法获得的阈值T乘以0.8作为分割阈值，不仅能将毛球阴影部分分割成用像素值0表示的背景，还能有效避免将毛球错分为背景，而造成毛球信息的丢失。
步骤3.2：采用如公式(2)所示的偶对称二维Gabor滤波器对步骤2.5获得的仅含织物区域的织物起毛起球图像进行滤波，获得滤波后的图像，如图6所示；
织物纹理与毛球和毛球阴影相比具有明显的周期性及方向性。Gabor滤波器属于加窗傅立叶变换，和傅立叶变换相比，能很好的描述待处理信息对应的空间频率、空间位置及方向性等局部结构信息，能实现最优局部化，是很好的纹理表达、描述、去除方法。
式(2)中的θ为角度，表示滤波器的方向，δu、δv分别为高斯包络在u、v轴的标准差，其中u平行于θ，v轴垂直于θ，ω则表示频率。
u＝xcosθ+ysinθ
v＝-ysinθ+xcosθ (2)
采用公式(2)所示的Gabor滤波器处理织物时，织物局部纹理频率和滤波器覆盖部分的频率越接近产生的响应越大，反之就越小。和纹理相比，毛球、阴影形状、朝向、变化周期都是不规则的，导致毛球、毛球阴影大小、朝向和Gabor滤波器覆盖区域吻合的概率几乎为零，因此采用Gabor滤波滤除纹理时，毛球、毛球阴影信息被保留下来。
考虑到织物纹理的一般朝向，公式(2)中的θ分别依次取0、π/4、π/2、3π/4，针对本实施例所示的精梳棉织物，频率ω取0.4，δu、δv分别取2和4。
步骤4：织物毛球阴影去除及织物毛球提取，具体为：
步骤4.1：采用启发式全局阈值分割法分割步骤3.2获得的滤波图像，获得体现毛球及毛球阴影的二值图像，如图7所示；
从图7所示图像可以看出，因为毛球阴影的影响，二值图像中分割出的毛球要比实际毛球大。
步骤4.2：将步骤4.1获得的二值图像中和步骤3.1获得的二值图像中像素值为0的坐标点相对应的像素值置0，得到去除毛球阴影后的毛球二值图像如图8所示；
步骤5：根据图8所示的织物毛球面积与圆形织物区域的图像面积相比的比值，得到织物毛球密度。
得到检测结果后，将得到的织物毛球密度和各级织物起毛起球标准样照提取的织物毛球密度进行对比，评定织物起毛起球等级。
根据上述图像处理步骤，针对精梳棉织物5级标准样照，提取的毛球密度如表1所示。
表1精梳棉织物5级标准样照毛球密度
针对表1给出的数据，采用比值差法求评定织物起毛起球等级的毛球密度分界值，设两级之间的分界线为X，以2、3级为例，计算公式为解得X＝0.21。同理可求得其他等级之间的分界值，得到各等级的毛球比例范围，如表2所示。
表2依据毛球密度的精梳棉织物评级标准
对待评定织物起毛起球等级的织物起毛起球图像进行上述毛球密度提取操作，和表2对比，毛球密度落入哪个区间就将织物起毛起球等级评定为几级。
Claims (7)
1.一种基于Gabor滤波的织物毛球密度检测方法，其特征在于，包括以下步骤：
(1)取织物样本图像，去除图像的背景及边缘区域，获得经预处理的图像，包括以下步骤：
A、对织物样本图像进行二值分割，获得二值化图像；
B、对步骤A中所述二值化图像进行自适应中值滤波；
C、对滤波后的图像进行边缘检测，获得边缘图像；
D、在边缘图像中作一正方形，去除织物样本图像正方形外的部分；
(2)对所述经预处理的图像进行二值分割，获得体现织物毛球阴影的第一二值化图像，采用最大类间方差法进行二值分割，二值分割的阈值为a×T，T为步骤A二值分割的阈值，a＝0.65-0.8；
(3)采用偶对称二维Gabor滤波器对所述经预处理的图像进行滤波，获得滤波后的图像；
(4)对所述滤波后的图像进行二值分割，获得体现织物毛球和织物毛球阴影的第二二值化图像；
(5)根据第一二值化图像，将第二二值化图像中的织物毛球阴影去除，获得体现织物毛球的第三二值化图像；
(6)计算第三二值化图像中织物毛球面积与织物区域图像总面积的比值，得到织物毛球密度。
2.如权利要求1所述的基于Gabor滤波的织物毛球密度检测方法，其特征在于，步骤A中，所述二值分割采用最大类间方差法。
3.如权利要求1所述的基于Gabor滤波的织物毛球密度检测方法，其特征在于，步骤B中，自适应中值滤波的尺寸为7×7像素。
4.如权利要求1所述的基于Gabor滤波的织物毛球密度检测方法，其特征在于，步骤C中，所述边缘检测为Sobel边缘检测。
5.如权利要求1所述的基于Gabor滤波的织物毛球密度检测方法，其特征在于，步骤D中，边缘图像内作一正方形的方法为：对边缘图像进行检测圆形的Hough变换，在圆形图像内作最大内接正方形。
6.如权利要求1所述的基于Gabor滤波的织物毛球密度检测方法，其特征在于，a＝0.8。
7.如权利要求1所述的基于Gabor滤波的织物毛球密度检测方法，其特征在于，步骤(4)中，采用启发式全局阈值分割法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510027541.8A CN104657983B (zh) | 2015-01-20 | 2015-01-20 | 一种基于Gabor滤波的织物毛球密度检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510027541.8A CN104657983B (zh) | 2015-01-20 | 2015-01-20 | 一种基于Gabor滤波的织物毛球密度检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104657983A CN104657983A (zh) | 2015-05-27 |
| CN104657983B true CN104657983B (zh) | 2017-08-08 |
Family
ID=53249059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510027541.8A Expired - Fee Related CN104657983B (zh) | 2015-01-20 | 2015-01-20 | 一种基于Gabor滤波的织物毛球密度检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104657983B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105277560B (zh) * | 2015-10-23 | 2018-09-11 | 温州大学 | 一种织物起球等级评价分析方法及装置 |
| CN107274409A (zh) * | 2017-06-21 | 2017-10-20 | 江阴芗菲服饰有限公司 | 机织物疵点分割方法 |
| CN109727230B (zh) * | 2018-11-30 | 2023-04-28 | 西安工程大学 | 一种绒毛织物表面质量测量装置以及测量方法 |
| CN109635823B (zh) * | 2018-12-07 | 2021-12-21 | 湖南中联重科智能技术有限公司 | 用于识别卷扬乱绳的方法和装置及工程机械 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419706A (zh) * | 2008-12-11 | 2009-04-29 | 天津工业大学 | 基于图像分析的针织物起毛起球评级方法 |
-
2015
- 2015-01-20 CN CN201510027541.8A patent/CN104657983B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419706A (zh) * | 2008-12-11 | 2009-04-29 | 天津工业大学 | 基于图像分析的针织物起毛起球评级方法 |
Non-Patent Citations (2)
| Title |
|---|
| Fabric Pilling Segmentation Based on Edgeflow Algorithm;Zhi-Tao Xiao 等;《Machine Learning and Cybernetics, 2007 International Conference on》;20071029;1744-1748 * |
| 基于标准样照与图像分析的织物起毛起球评等方法;周圆圆等;《纺织学报》;20101031;第31卷(第10期);29-33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104657983A (zh) | 2015-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pixia et al. | Recognition of greenhouse cucumber disease based on image processing technology | |
| Zhang et al. | Defect detection for tire laser shearography image using curvelet transform based edge detector | |
| CN104657983B (zh) | 一种基于Gabor滤波的织物毛球密度检测方法 | |
| Rangayyan et al. | Detection of blood vessels in the retina with multiscale Gabor filters | |
| CN105844285A (zh) | 基于图像信息的黄瓜病害识别方法及装置 | |
| CN113554080A (zh) | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 | |
| Zhao et al. | Parameter optimal determination for canny edge detection | |
| CN106296670A (zh) | 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法 | |
| CN104392441B (zh) | 基于图像处理的高抗噪织物沾水等级检测评定方法 | |
| CN101984916A (zh) | 基于数字图像处理技术的血管管径测量方法 | |
| CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
| CN103310439A (zh) | 一种基于尺度空间的图像最稳极值区域检测方法 | |
| Tripathy | Detection of cotton leaf disease using image processing techniques | |
| Meng et al. | A framework for retinal vasculature segmentation based on matched filters | |
| Zhang et al. | Automatic localization and segmentation of optical disk based on faster R-CNN and level set in fundus image | |
| CN106447686A (zh) | 一种基于快速有限剪切波变换的图像边缘检测方法 | |
| CN110648312A (zh) | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 | |
| Guan et al. | Objective evaluation of fabric pilling based on data-driven visual attention model | |
| CN105930811A (zh) | 基于图像处理的手掌纹理特征检测方法 | |
| CN104809733A (zh) | 一种古建墙壁受污题记文字图像边缘提取方法 | |
| Sengar et al. | Analysis of 2D-gel images for detection of protein spots using a novel non-separable wavelet based method | |
| CN112150474A (zh) | 一种水下气泡图像特征分割提取方法 | |
| CN101719273A (zh) | 基于一维信息熵冶金板带表面缺陷在线自适应提取方法 | |
| Li et al. | Graph network refining for pavement crack detection based on multiscale curvilinear structure filter | |
| Chen et al. | Edge detection of remote sensing image based on Grünwald-Letnikov fractional difference and Otsu threshold |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200528 Address after: 221600 intersection of Zhoubo road and Hanxing Road, Peixian Economic Development Zone, Xuzhou City, Jiangsu Province Patentee after: Xuzhou Hanna Textile Co.,Ltd. Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 Street No. 5 Patentee before: ZHEJIANG SCI-TECH University |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170808 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |