CN105139409A - 基于蚁群算法的二维图像分割方法 - Google Patents
基于蚁群算法的二维图像分割方法 Download PDFInfo
- Publication number
- CN105139409A CN105139409A CN201510577365.5A CN201510577365A CN105139409A CN 105139409 A CN105139409 A CN 105139409A CN 201510577365 A CN201510577365 A CN 201510577365A CN 105139409 A CN105139409 A CN 105139409A
- Authority
- CN
- China
- Prior art keywords
- gray level
- level image
- current
- image
- block
- 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
Classifications
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Image Analysis (AREA)
Abstract
本发明一种基于蚁群算法的二维图像分割方法,首先获取待分割二维图像的灰度图像,用蚁群算法边缘定位,得到感兴趣区域;然后对感兴趣区域的方形领域进行分不重叠子块处理;接着采用区域生长法对灰度图像进行分割,得到多个初步目标区域;再将每个初步目标区域对应的每个子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,得到对应的最终目标区域。本发明首先运用蚁群算法对图像进行第一级的初步分割,然后利用非线性图像优化模型,对图像进行处理,验证初步分割的准确性,并对图像分割进行不断优化,因此只需一次分割再结合优化就能得到准确的目标区域,分割过程简单,分割准确度高,能够辅助医生做出更准确的判断。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于蚁群算法的二维图像分割方法。
背景技术
图像分割是图像处理领域的一个重要问题,是许多图像处理问题的基础。图像分割技术已经广泛应用在图像融合、模式识别、工业检测、医学图像分析等领域。由于背景的复杂性,目标特征的多样性以及噪声等影响,使图像分割成为图像处理技术的难点。
蚁群算法是一种仿生进化算法,是具有离散性、并行性、鲁棒性、正反馈性等特点的一种随机搜索方法。已成功应用于组合优化问题,如图像分割、旅行商问题、车间任务调度、图着色、管线敷设等。用蚁群算法可以进行模糊规则的自动学习。蚁群算法的离散性和并行性特点对于离散的数字图像非常适用,基于概率的路径选择方法,在模糊聚类问题中有广阔的应用前景。
但是由于蚁群算法具有一定的不确定发散性,因此在各个方向的取值限定比较繁琐,导致分割图像精准度较低,影响分割的准确性。在医学领域,图像分割不准确会增加医师对目标判断的难度,降低医师对患者疾病诊断的准确度,延误疾病治疗,并产生医患矛盾。
发明内容
为了解决上述现有技术中存在的不足,本发明提供一种基于蚁群算法的二维图像分割方法,能够提高图像分割的准确性。
本发明解决上述技术问题所采用的技术方案为:基于蚁群算法的二维图像分割方法,包括以下步骤:
①通过高清摄像头或CCD相机获取一幅待分割的二维图像,然后将该待分割的二维图像转换成灰度图像,再采用蚁群算法对该灰度图像进行分析,实现边缘定位,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点。
②根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,那么如果W×H能够被u×u整除,则将该方形区域定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该方形区域使其尺寸大小能够被u×u整除,将扩展后的方形区域定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的方形区域的宽度和高度,W'==W且H'>H或W'>W且H'==H或W'>W且H'>H。
③采用区域生长法对当前灰度图像进行分割,得到当前灰度图像中的多个初步目标区域。
④将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域。
⑤从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块,按序对当前初步目标区域对应的每个尺寸大小为u×u的子块进行处理,将当前待处理的尺寸大小为u×u的子块定义为当前子块。
⑥将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声。
将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的二维图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功,其中,事先存储于数据库中的二维图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同。
⑦将下一个待处理的尺寸大小为u×u的子块作为当前子块,然后返回步骤⑥继续执行,直至当前初步目标区域对应的所有尺寸大小为u×u的子块处理完毕,得到对应的最终目标区域。
⑧将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域,然后返回步骤⑤继续执行,直至当前灰度图像中的所有初步目标区域处理完毕,得到当前灰度图像中的多个最终目标区域,至此完成二维图像的自动分割。
所述步骤②中的u×u取5×5。
所述步骤⑥中事先存储于数据库中的二维图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
⑥-1、选取一幅具有代表性的二维图像,然后将该二维图像转换为灰度图像。
⑥-2、假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'==W且H'>H或W'>W且H'==H或W'>W且H'>H。
⑥-3、手动圈定待处理灰度图像中的每个目标区域。
⑥-4、计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。
所述步骤⑥-2中,u×u取5×5。
所述的二维图像包括:DR图像、CT图像、非多层的MRI图像。
与现有技术相比,本发明一种基于蚁群算法的二维图像分割方法的优点在于:首先运用蚁群算法对图像进行第一级的分割,然后利用非线性图像优化模型,对图像进行处理,确证第一级分割的准确度,验证第一级分割的正确性,并对图像分割进行不断优化,最终提高图像分割的准确性,辅助医生对患者疾病做出更准确的判断,降低临床影像设备输出结果的人为误判概率。
附图说明
图1为本发明一实施例的基于蚁群算法的二维图像分割方法的主要流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细说明,但不作为对本发明的限定。
本发明的基于蚁群算法的二维图像分割方法,其主要流程图如图1所示,包括以下步骤:
①通过高清摄像头或CCD相机获取一幅待分割的二维图像,然后将该待分割的二维图像转换成灰度图像,再采用蚁群算法对该灰度图像进行分析,实现边缘定位,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点。
在本实施例中,二维图像包括:DR(DigitalRadiography,数字射线摄影)图像、CT(ComputedTomography,X线计算机断层摄影)图像、非多层的MRI(MagneticResonanceImaging,磁共振成像)图像等。
②根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,那么如果W×H能够被u×u整除,则将该方形区域定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该方形区域使其尺寸大小能够被u×u整除,将扩展后的方形区域定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的方形区域的宽度和高度,W'==W且H'>H或W'>W且H'==H或W'>W且H'>H。
在本实施例中,u×u取5×5。
在本实施例中,扩展方形区域直接采用现有技术,一般在原始的方形区域的最右侧补充若干列像素点(原始的方形区域的宽度不能被u整除,而高度能够被u整除的情况)或在原始的方形区域的最下侧补充若干行像素点(原始的方形区域的宽度能够被u整除,而高度不能被u整除的情况)或在原始的方形区域的最右侧补充若干列像素点且在原始的方形区域的最下侧补充若干行像素点(原始的方形区域的宽度不能被u整除且高度也不能被u整除的情况),且补充的所有像素点的像素值为0或255。
③采用区域生长法对当前灰度图像进行分割,得到当前灰度图像中的多个初步目标区域。
④将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域。
⑤从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块,按序对当前初步目标区域对应的每个尺寸大小为u×u的子块进行处理,将当前待处理的尺寸大小为u×u的子块定义为当前子块。
⑥将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声。
将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的二维图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功。其中,数据库中存储有多种不同类型的二维图像(如DR图像、CT图像、非多层的MRI图像等)的灰度图像中的所有像素点各自的信噪比,事先存储于数据库中的二维图像与待分割的二维图像属于同一类型,即若待分割的二维图像为DR图像,则信噪比比较时的对象为事先存储于数据库中的二维DR图像,事先存储于数据库中的二维图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同,同一品牌的高清摄像头或CCD相机等成像设备获取的二维图像的尺寸大小一般情况下都是相同的,因此在实际实施过程中,可采用同一台成像设备获取需存储于数据库中的二维图像及待分割的二维图像。
本实施例中,步骤⑥中事先存储于数据库中的二维图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
⑥-1、选取一幅具有代表性的二维图像,然后将该二维图像转换为灰度图像。
⑥-2、假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'==W且H'>H或W'>W且H'==H或W'>W且H'>H。
在本实施例中,u×u取5×5。
⑥-3、手动圈定待处理灰度图像中的每个目标区域。
⑥-4、计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。
⑦将下一个待处理的尺寸大小为u×u的子块作为当前子块,然后返回步骤⑥继续执行,直至当前初步目标区域对应的所有尺寸大小为u×u的子块处理完毕,得到对应的最终目标区域。
⑧将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域,然后返回步骤⑤继续执行,直至当前灰度图像中的所有初步目标区域处理完毕,得到当前灰度图像中的多个最终目标区域,至此完成二维图像的自动分割。
本实施例中,蚁群算法参考名称为“一种基于蚁群算法的TSP问题分段求解算法”,吴斌等人发表在计算机学报2001年12月第24卷第12期的文章,以及名称为“一种自适应蚁群算法及其仿真研究”,王颖等人发表在系统仿真学报2002年1月第14卷第1期的文章。
为进一步验证本发明方法的可行性和有效性,对本发明方法进行试验。
假设固定周期信号的幅度A=4,固定周期信号的频率f0=1Hz,固定周期信号的初相位ψ=0不变,并使得噪声强度α取值区间为[0,400],此时令双稳态势垒参数n=1,并使双稳态势垒实参数m在区间[1,10]内以步长为0.1进行变化,同时监控非线性优化模型输出的信噪比。当非线性优化模型输出的信噪比曲线产生特征峰并且峰值为最大值时,可以确定m=6.5,此时各项参数为最优化选择。
Claims (5)
1.基于蚁群算法的二维图像分割方法,其特征在于,包括以下步骤:
①通过高清摄像头或CCD相机获取一幅待分割的二维图像,然后将该待分割的二维图像转换成灰度图像,再采用蚁群算法对该灰度图像进行分析,实现边缘定位,得到初始感兴趣的轮廓{A1,A2,A3,…,An},其中A1,A2,A3,…,An定义为构成初始感兴趣的轮廓的所有轮廓点;
②根据初始感兴趣的轮廓{A1,A2,A3,…,An}经包络得到灰度图像中的感兴趣区域,根据该感兴趣区域的外形选取一个能够将该感兴趣区域包含在内的方形区域,定义该方形区域的宽度为W、高度为H,那么如果W×H能够被u×u整除,则将该方形区域定义为当前灰度图像,然后直接将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该方形区域使其尺寸大小能够被u×u整除,将扩展后的方形区域定义为当前灰度图像,然后将当前灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的方形区域的宽度和高度,W'==W且H'>H或W'>W且H'==H或W'>W且H'>H;
③采用区域生长法对当前灰度图像进行分割,得到当前灰度图像中的多个初步目标区域;
④将当前灰度图像中当前待处理的初步目标区域定义为当前初步目标区域;
⑤从当前灰度图像中提取出与当前初步目标区域对应的所有尺寸大小为u×u的子块,按序对当前初步目标区域对应的每个尺寸大小为u×u的子块进行处理,将当前待处理的尺寸大小为u×u的子块定义为当前子块;
⑥将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化,该非线性优化模型为:
其中:表示非线性优化模型输出的信噪比,A为固定周期信号的幅度,f0为固定周期信号的频率,t为布朗粒子的运动时间,ψ为固定周期信号的初相位,m、n均为双稳态势垒实参数,g(t)表示非线性优化模型的输入参数,s为布朗粒子的运动坐标,α为噪声强度,ξ(t)为均值为0的高斯白噪声;
将当前子块中的所有像素点各自的像素值作为输入参数输入非线性优化模型中进行优化后,非线性优化模型输出当前子块中的所有像素点各自的信噪比,如果当前子块中的每个像素点的信噪比与事先存储于数据库中的二维图像的灰度图像中对应像素点的信噪比的误差小于10%,则确定当前子块优化成功,其中,事先存储于数据库中的二维图像的灰度图像的尺寸大小与当前灰度图像的尺寸大小相同;
⑦将下一个待处理的尺寸大小为u×u的子块作为当前子块,然后返回步骤⑥继续执行,直至当前初步目标区域对应的所有尺寸大小为u×u的子块处理完毕,得到对应的最终目标区域;
⑧将当前灰度图像中下一个待处理的初步目标区域作为当前初步目标区域,然后返回步骤⑤继续执行,直至当前灰度图像中的所有初步目标区域处理完毕,得到当前灰度图像中的多个最终目标区域,至此完成二维图像的自动分割。
2.如权利要求1所述的基于蚁群算法的二维图像分割方法,其特征在于,所述步骤②中的u×u取5×5。
3.如权利要求1或2所述的基于蚁群算法的二维图像分割方法,其特征在于,所述步骤⑥中事先存储于数据库中的二维图像的灰度图像中的每个像素点的信噪比的具体获取过程为:
⑥-1、选取一幅具有代表性的二维图像,然后将该二维图像转换为灰度图像;
⑥-2、假设该灰度图像的宽度和高度对应为W×H,那么如果W×H能够被u×u整除,则将该灰度图像作为待处理灰度图像,然后直接将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块;如果W×H不能够被u×u整除,则扩展该灰度图像使其尺寸大小能够被u×u整除,将扩展后的灰度图像作为待处理灰度图像,然后将待处理灰度图像划分成个互不重叠的尺寸大小为u×u的子块,其中,W'和H'对应表示扩展后的灰度图像的宽度和高度,W'==W且H'>H或W'>W且H'==H或W'>W且H'>H;
⑥-3、手动圈定待处理灰度图像中的每个目标区域;
⑥-4、计算待处理灰度图像中的每个目标区域对应的每个尺寸大小为u×u的子块中的每个像素点的信噪比。
4.根据权利要求3所述的基于蚁群算法的二维图像分割方法,其特征在于:所述步骤⑥-2中,u×u取5×5。
5.根据权利要求1所述的基于蚁群算法的二维图像分割方法,其特征在于,所述的二维图像包括:DR图像、CT图像、非多层的MRI图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577365.5A CN105139409B (zh) | 2015-09-11 | 2015-09-11 | 基于蚁群算法的二维图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577365.5A CN105139409B (zh) | 2015-09-11 | 2015-09-11 | 基于蚁群算法的二维图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139409A true CN105139409A (zh) | 2015-12-09 |
CN105139409B CN105139409B (zh) | 2017-11-10 |
Family
ID=54724741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510577365.5A Active CN105139409B (zh) | 2015-09-11 | 2015-09-11 | 基于蚁群算法的二维图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139409B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650916A (zh) * | 2016-12-29 | 2017-05-10 | 西安思源学院 | 一种基于蚁群优化的网格分割方法 |
CN109102514A (zh) * | 2018-08-16 | 2018-12-28 | 广东工业大学 | 一种图像分割方法、装置、设备及计算机可读存储介质 |
CN109117837A (zh) * | 2018-07-26 | 2019-01-01 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN109191478A (zh) * | 2018-07-19 | 2019-01-11 | 广东工业大学 | 一种基于区域生长与蚁群优化算法相结合的边缘检测方法 |
CN109309871A (zh) * | 2018-08-07 | 2019-02-05 | 任阿毛 | 关键帧动作幅度检测系统 |
CN113221737A (zh) * | 2021-05-11 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 一种物料信息的确定方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
CN102651124A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于冗余字典稀疏表示和评价指标的图像融合方法 |
CN103544682A (zh) * | 2013-09-17 | 2014-01-29 | 华中科技大学 | 一种三维超声图像非局部均值滤波方法 |
-
2015
- 2015-09-11 CN CN201510577365.5A patent/CN105139409B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5757953A (en) * | 1996-02-29 | 1998-05-26 | Eastman Kodak Company | Automated method and system for region decomposition in digital radiographic images |
CN101719272A (zh) * | 2009-11-26 | 2010-06-02 | 上海大学 | 基于三维改进型脉冲耦合神经网络的三维图像分割方法 |
CN102651124A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于冗余字典稀疏表示和评价指标的图像融合方法 |
CN103544682A (zh) * | 2013-09-17 | 2014-01-29 | 华中科技大学 | 一种三维超声图像非局部均值滤波方法 |
Non-Patent Citations (3)
Title |
---|
B. SPAGNOLO等: ""Lifetime of metastable states and suppression of noise in Interdisciplinary Physical Models"", 《ARXIV PREPRINT》 * |
XUXIANG TANG等: ""A novel benzene quantitative analysis method using miniaturized metal ionization gas sensor and non-linear bistable dynamic system"", 《BIOENGINEERED》 * |
王燕妮等: ""基于感兴趣区域轮廓的图像分割方法"", 《现代电子技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650916A (zh) * | 2016-12-29 | 2017-05-10 | 西安思源学院 | 一种基于蚁群优化的网格分割方法 |
CN106650916B (zh) * | 2016-12-29 | 2019-02-01 | 西安思源学院 | 一种基于蚁群优化的网格分割方法 |
CN109191478A (zh) * | 2018-07-19 | 2019-01-11 | 广东工业大学 | 一种基于区域生长与蚁群优化算法相结合的边缘检测方法 |
CN109117837A (zh) * | 2018-07-26 | 2019-01-01 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN109117837B (zh) * | 2018-07-26 | 2021-12-07 | 上海鹰瞳医疗科技有限公司 | 感兴趣区域确定方法和设备 |
CN109309871A (zh) * | 2018-08-07 | 2019-02-05 | 任阿毛 | 关键帧动作幅度检测系统 |
CN109309871B (zh) * | 2018-08-07 | 2019-05-28 | 贵州点点云数字技术有限公司 | 关键帧动作幅度检测系统 |
CN109102514A (zh) * | 2018-08-16 | 2018-12-28 | 广东工业大学 | 一种图像分割方法、装置、设备及计算机可读存储介质 |
CN113221737A (zh) * | 2021-05-11 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 一种物料信息的确定方法、装置、设备及存储介质 |
CN113221737B (zh) * | 2021-05-11 | 2023-09-05 | 杭州海康威视数字技术股份有限公司 | 一种物料信息的确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105139409B (zh) | 2017-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139409A (zh) | 基于蚁群算法的二维图像分割方法 | |
Munawar et al. | Image-based crack detection methods: A review | |
CN111275714B (zh) | 一种基于注意力机制的3d卷积神经网络的前列腺mr图像分割方法 | |
Tran et al. | A two-step sequential automated crack detection and severity classification process for asphalt pavements | |
Han et al. | Automated pathogenesis-based diagnosis of lumbar neural foraminal stenosis via deep multiscale multitask learning | |
CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
US9626761B2 (en) | Sampling method and image processing apparatus of CS-RANSAC for estimating homography | |
CN110021425A (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
CN112001218A (zh) | 一种基于卷积神经网络的三维颗粒类别检测方法及系统 | |
Ebrahimkhanlou et al. | Multifractal analysis of two-dimensional images for damage assessment of reinforced concrete structures | |
Quqa et al. | Two-step approach for fatigue crack detection in steel bridges using convolutional neural networks | |
CN105261006B (zh) | 基于傅里叶变换的医学图像分割算法 | |
CN105046641A (zh) | 从3d计算机断层扫描图像中自动骨盆展开的方法和系统 | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN103824302A (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN109410139A (zh) | 一种文物内部和表面病害数字化分析评估方法 | |
Feng et al. | Automatic detection and extraction algorithm of inter-granular bright points | |
Wong et al. | Segmentation of additive manufacturing defects using U-Net | |
CN109214388B (zh) | 一种基于个性化融合网络的肿瘤分割方法及装置 | |
Kim et al. | Multivariate analysis of concrete image using thermography and edge detection | |
Fang et al. | Images crack detection technology based on improved K-means algorithm | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN102722718A (zh) | 一种细胞分类方法 | |
Zhu et al. | Automated crack propagation measurement on asphalt concrete specimens using an optical flow-based deep neural network | |
CN115909086A (zh) | 基于多级增强网络的sar目标检测识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |