CN105844593B - 一种单幅干涉圆条纹预处理的自动化处理方法 - Google Patents

一种单幅干涉圆条纹预处理的自动化处理方法 Download PDF

Info

Publication number
CN105844593B
CN105844593B CN201610047496.7A CN201610047496A CN105844593B CN 105844593 B CN105844593 B CN 105844593B CN 201610047496 A CN201610047496 A CN 201610047496A CN 105844593 B CN105844593 B CN 105844593B
Authority
CN
China
Prior art keywords
round bar
image
single width
interference
model
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
Application number
CN201610047496.7A
Other languages
English (en)
Other versions
CN105844593A (zh
Inventor
于雪莲
马文书
赵文彬
王伟佳
周坤
张嘉成
唐晓慧
滕飞
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201610047496.7A priority Critical patent/CN105844593B/zh
Publication of CN105844593A publication Critical patent/CN105844593A/zh
Application granted granted Critical
Publication of CN105844593B publication Critical patent/CN105844593B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明针对干涉图像的预处理，通过改进的去噪方法、二值化算法、细化及修补算法，提出一种单幅干涉圆条纹图像预处理的自动化处理方法。本发明利用在P‑M模型上引入扩散系数，修改中值滤波窗口，然后采用加权方式将两者结合形成去噪方法，该方法对图像边缘和细节保护明显。本发明采用的细化修补算法不但可以去除图像中的毛刺，而且在保证图像连通性的前提下去除多余二像素，从而使图像细化成单像素图像。本发明对单幅干涉圆条纹进行特征信息提取具有重要意义，可为基于单幅干涉圆条纹分析的光学测量技术的应用提供可靠地分析方法。

Description

一种单幅干涉圆条纹预处理的自动化处理方法
技术领域
本发明涉及光学干涉精密检测技术领域，特别涉及在基于单幅干涉圆条纹进行干涉测量时图像预处理的自动化处理方法。
背景技术
光学干涉检测技术在光学表面检测、振动分析、天文光学中的空间干涉检测、薄膜的厚度和折射率测量等方面都有着较为广泛地应用。在所有光学干涉检测中最重要的部分是条纹数据的分析。目前，条纹分析技术主要包括三类：基于强度的分析、基于变换的分析、基于相位的分析。其中基于变换的分析技术是通过傅里叶变换或者小波变换把干涉图变换到其他域进行分析。而基于强度的分析技术是直接对灰度图像进行处理，这种方法处理速度快，但是易于受噪声影响。在相位分析的方法中，通过干涉图的相位包裹被抽取和分析。近年来国内外的研究学者主要研究具有高测量精度的相位法，但在某一些特定的场合，例如通过已往实验重现的干涉图像进行分析处理、实验装置不便引入相移装置等。因此，基于强度的条纹分析法的研究工作一直还很活跃，研究问题的关键在于寻找合适的条纹处理算法，以提高干涉条纹处理的自动化程度和精度。
单幅干涉圆条纹图像的预处理技术是基于强度的条纹分析法的重要组成部分，单幅干涉圆条纹图像预处理的工作过程如下：干涉圆条纹图像去噪处理、去噪后的图像二值化处理、二值图像进行细化处理、以及对细化图像进行修补处理。目前常用图像预处理的过程存在需要人为控制且易于受噪声干扰、测量时间长等问题。本发明专利通过深入研究单幅干涉圆条纹预处理过程中的各种算法，提出了在干涉圆条纹预处理过程中采用改进的Perona和Malik提出的各向异性扩散方程(即，P-M模型)与复合型中值滤波组合形成加权去噪方法，改进的Merriman-Bence-Osher(即，MBO)二值算法，以及改进的Lu-Wang(即，LW)细化算法和修补算法，使得通过本发明的单幅干涉圆条纹处理方法在提取特征信息时具有自动化，处理速度快和精度高等优点。
发明内容
本发明的目的在于解决现有光学干涉测量技术中，通过对干涉条纹特征信息提取时的测量时间长、测量精度不高、不能自动化处理等问题，提出了一种单幅干涉圆条纹预处理的自动化处理方法。
一种单幅干涉圆条纹预处理的自动化处理方法，它包括以下步骤：
步骤一、对单幅干涉圆条纹图像进行去噪处理；
对单幅干涉圆条纹进行去噪处理，它是由以下步骤实现的：
步骤一一、改进现有的偏微分方程中的P-M模型；
步骤一二、通过步骤一一得到的改进的P-M模型与复合型中值滤波组合形成加权模型；
步骤二、根据步骤一中得到的干涉圆条纹去噪后的图像进行二值化处理；
步骤三、根据步骤二中得到的干涉圆条纹二值化后的图像进行LW细化算法细化处理；
步骤四、根据步骤三得到的干涉圆条纹细化图像进行修补处理；
对单幅干涉圆条纹细化图像修补处理，它是由以下步骤实现的：
步骤四一、针对步骤四中得到的干涉条纹细化图像通过增加去除摸板，进行去毛刺修补处理；
步骤四二、针对步骤四一中得到的去除毛刺后的圆干涉条纹修补图像增加去除模板进行去二像素修补处理。
有益效果：提出了单幅干涉圆条纹预处理时采用基于P-M模型与复合型中值滤波的去噪算法、改进的MBO二值算法以及LW细化算法的修补算法，使得通过本发明的单幅干涉圆条纹的预处理可以实现自动化，从而使图像信息提取更加快速和方便，提高干涉测量结果精度。
附图说明
图1是一种单幅干涉圆条纹预处理的自动化处理方法的流程图；
图2是单幅干涉圆条纹图像进行去噪处理的流程图；
图3是单幅干涉圆条纹细化图像进行修补处理的流程图；
图4是干涉测量技术中采集的单幅干涉条纹图；
图5是通过改进的P-M模型与复合型中值滤波组合形成加权模型去噪处理后的单幅干涉条纹图；
图6是通过二值化算法处理后的单幅干涉条纹图；
图7是通过LW细化算法得到的单幅干涉条纹图；
图8是通过修补算法得到的单幅干涉条纹，预处理的自动化处理结果图；
图9是通过LW细化算法得到的单幅干涉条纹局部放大图；
图10是通过修补算法得到的单幅干涉条纹局部放大图。
具体实施方式
具体实施方式一、结合图1说明本具体实施方式，一种单幅干涉圆条纹预处理的自动化处理方法，它包括以下步骤：
步骤一、对单幅干涉圆条纹图像进行去噪处理；
步骤二、根据步骤一中得到的干涉圆条纹去噪后的图像进行二值化处理；
步骤三、根据步骤二中得到的干涉圆条纹二值化后的图像进行LW细化算法细化处理；
步骤四、根据步骤三得到的干涉圆条纹细化图像进行修补处理。
具体实施方式二、结合图2说明本具体实施方式，本具体实施方式与具体实施方式一所述的一种单幅干涉圆条纹预处理的自动化处理方法的区别在于，步骤一中所述的对单幅干涉圆条纹图像进行去噪处理由以下步骤实现：
步骤一一、改进现有的偏微分方程中的P-M模型；
Perona和Malik在1990年提出了在达到去噪效果的同时，更好地保护边缘细节的各向异性扩散模型即P-M模型：
其中，u0(x，y)为初始图像，div为散度函数，为图像梯度，为图像梯度模，t为尺度参数。理想的扩散系数应当在图像边缘实行较弱扩散，以保持图像边缘细节信息，而在变化平缓的区域实现快速平滑。Perona和Malik给出了该公式的扩散系数的两种形式：
c(s)＝exp(-(s/K)2)
其中，c(s)为控制扩散程度的扩散系数，s为梯度，K为常数。P-M模型能根据图像梯度信息具有选择性的进行扩散平滑，能够较好地同时兼顾去除噪声和保护特征这两方面，但该模型也存在以下不足：当干涉图像受到强烈的噪声干扰时，图像中孤立的噪声点梯度变化可能会比边缘的梯度变化程度大，因此不能很好地区分干涉图像中噪声和边缘细节信息两者之间的差别，可能会对去除噪声产生不利的一些影响。为了达到对裂缝图像较好的去噪效果并保持和增强裂缝的目的，提出了一种利用自适应算子fix构造了新的扩散系数c改进现有P-M模型：
c(s)＝exp[-fix(s/K)2]
初始，令fix的初始值为1.0。在迭代过程中会自适应更新fix的值:
fix(n+1)＝fix(n)·s(n)
在判定是特征信息区域内，自调节算子fix迅速增加，使扩散系数更加快速趋于0，能更好的保持图像的特征，而在非特征信息区域内，梯度s趋近于0，于是fix急剧减小，使扩散系数增大，速率加快，能够更好地去除噪声，便构成了新的图像平滑P-M模型。
步骤一二、通过步骤一一得到的改进的P-M模型与复合型中值滤波组合形成加权模型；
中值滤波是一种非线性滤波方式，是以设计窗口中所有像素点的中值来代替中心像素点的值，中值滤波对干涉图边缘具有较强的保护能力，但是随着设计窗口的逐步增大，其计算量会迅速增大，同时降低噪声的抑制效果。在复合型中值滤波中，利用圆环扩散法与中值滤波相结合，充分利用干涉图的图像结构，在每一个圆圈圆环中，利用中值滤波，以圆环扩散的方式，使这一圈的图像进行中值滤波，滤波窗口随着迭代次数的增加逐步变化，以便达到去除噪声的目的。复合型中值滤波的模型表示如下：
其中，A为圆圈形的滤波窗口，r1和r2为到中心点距离，Med(u)为中值滤波，在对单幅干涉圆条纹处理时利用以下公式进行替代处理：
rn+1-rn＝Δr
再利用如下公式进行近似处理:
rn+1/2＝c·t
Δr＝c
最后得到A的公式
A＝2πc2t
通过利用偏微分方程中改进的P-M模型与复合型中值滤波加权相结合，得到了一种针对单幅干涉圆条纹的新型混合噪声滤波模型，可表示为：
其中，为改进的P-M模型，A为圆圈形的滤波窗口，div(Med(u))为中值滤波模型，f1(x，y)和f2(x，y)为加权函数模型的加权因子：
改进的P-M模型与复合型中值滤波加权相结合不仅可以有效地去除图像噪声，而且对图像边缘细节信息进行更好的保护。
具体实施方式三、本具体实施方式与具体实施方式一所述的一种单幅干涉圆条纹预处理的自动化处理方法的区别在于，步骤二中所述的干涉圆条纹去噪后的图像进行二值化处理是由以下步骤实现：
设定参数T0，选择一个T的初始阈值估计值T1，将图像分成两组像素区域G1和G2。G1由所有灰度值大于T1的像素组成，而G2由所有灰度值小于或等于T2的像素组成。对区域G1和G2中的所有像素计算平均灰度值，得到新的阈值：T2＝(u1+u2)/2，如果|T2-T1|＜T0，则推出T2为所求的全局阈值；否则，将T2赋给T1，重复以上步骤。
具体实施方式四、本具体实施方式与具体实施方式一所述的一种单幅干涉圆条纹预处理的自动化处理方法的区别在于，步骤三中所述的干涉圆条纹二值化后的图像进行LW细化算法细化处理由以下公式实现：
现有的LW细化算法原理为：设任意像素点为P1，以P1为中心的3×3像素邻域中包括P2到P9共八个邻域点，假设目标点的像素为1，背景点的像素为0。在整个干涉条纹二值图像内，所有满足一定条件的像素点可以并行处理。LW算法采用迭代的方式把每次迭代分为两个迭子代；第一次迭子代消除图像东和南的边缘点，以及西北角的点；第二次迭子代消去图像西边和北边的边缘点及东南角的点。由两次迭代过程可以看出，LW算法是从4个方向不断删除不属于图像骨架的像素，且保持原图像的拓扑连接属性，从而达到对图像细化目的。
迭代次数n的初始值设为0，当n为偶数时，执行子过程1。过程1是扫描当前图像中所有的像素点为1的点即像素点P1，如果像素点P1满足条件公式2≤A(P1)≤6、B(P1)＝1、P2×P4×P6＝0、P4×P6×P8＝0，则标记该像素为需要删除点。当n为奇数时执行子过程2，过程2是扫描当前图像中所有的像素点为1的点即像素点P1，如果像素点P1满足条件公式B(P1)＝1、3≤A(P1)≤6、P2×P4×P8＝0、P2×P6×P8＝0四个条件，则标记该像素点为需要删除点。其中，A(P1)是P1的非零邻点的个数，B(P1)是P2、P3、P4、P5、P6、P7、P8、P9为序时这些点从0到1变化次数。同样当对所有边界点都检查完毕后，将所有标记的点去除，当没有点再满足条件时，剩下的点便组成了图像的骨架。
具体实施方式五、结合图3说明本具体实施方式，本具体实施方式与具体实施方式一所述的一种单幅干涉圆条纹预处理的自动化处理方法的区别在于，步骤四中所述的根据步骤三中得到的干涉圆条纹细化图像进行修补处理，它是由以下步骤实现的：
步骤四一、针对步骤四中得到的干涉条纹细化图像增加去除摸板对毛刺进行修补处理；
对步骤三中得到的干涉条纹细化图像，通过增加去除公式进行去毛刺修补处理，去除公式具体如下：
A(P1)＝3
P2×P4×P6×P8+P5+P3+P7＝2
步骤四二、针对步骤四一得到的去除毛刺后的圆干涉条纹细化图像增加去除模板进行去二像素修补处理；
对步骤四一中得到的干涉条纹细化图像，通过增加去除公式进行去二像素修补处理，去除公式具体如下：
2≤A(P1)≤4
B(P1)＝0
P2+P4+P6+P8＝2
P6×P8+P2×P8+P2×P4+P4×P6＝1
如果像素点P1满足以上四个公式，则令像素点P1的3×3邻域内的像素点P2＝0、P4＝0、P6＝0、P8＝0就可以去掉单幅干涉圆条纹细化后的图像中存在多余的二像素，得到了完全细化的单像素干涉圆条纹细化图像，以待后续干涉信息的提取之用。

Claims (5)

1.一种单幅干涉圆条纹预处理的自动化处理方法，其特征在于，它包括以下步骤：
步骤一、对单幅干涉圆条纹图像进行去噪处理；
所述的对单幅干涉圆条纹图像进行去噪处理由以下步骤实现：
步骤一一、改进现有的偏微分方程中的P-M模型；
步骤一二、通过步骤一一得到的改进的P-M模型与复合型中值滤波组合形成加权模型；
步骤一一中所述的对单幅干涉圆条纹图像进行改进的P-M模型由以下公式实现：
一种利用自适应算子fix构造了新的扩散系数c改进现有P-M模型：
c(s)＝exp[-fix(s/K)2]
其中，S为梯度，K为常数；
初始，令fix的初始值为1.0；在迭代过程中会自适应更新fix的值：
fix(n+1)＝fix(n)·s(n)
在判定是特征信息区域内，自调节算子fix迅速增加，使扩散系数更加快速趋于0，更好地保持图像的特征，而在非特征信息区域内，梯度S趋近于0，于是fix急剧减小，使扩散系数增大，速率加快，能够更好地去除噪声，便构成了新的图像平滑P-M模型；
步骤二、根据步骤一中得到的干涉圆条纹去噪后的图像进行二值化处理；
步骤三、根据步骤二中得到的干涉圆条纹二值化后的图像进行LW细化算法细化处理；
步骤四、根据步骤三得到的干涉圆条纹细化图像进行修补处理。
2.根据权利要求1所述的一种单幅干涉圆条纹预处理的自动化处理方法，其特征在于，步骤一二中所述的对单幅干涉圆条纹图像进行改进的P-M模型与复合型中值滤波组合形成加权模型去噪处理由以下公式实现：
复合型中值滤波的模型表示如下：
其中，A为圆圈形的滤波窗口，r1和r2为到中心点距离，Med(u)为中值滤波，在对单幅干涉圆条纹处理时利用以下公式进行替代处理：
rn+1-rn＝Δr
在利用如下公式进行近似处理：
rn+1/2＝c·t
Δr＝c
最后得到A的公式
A＝2πc2t
通过利用偏微分方程中改进的P-M模型与复合型中值滤波加权相结合，得到了一种针对单幅干涉圆条纹的新型混合噪声滤波模型，可表示为：
其中，为改进的P-M模型，div(Med(u))为中值滤波模型，f1(x，y)和f2(x，y)为加权函数模型的加权因子：
。
3.根据权利要求1所述的一种单幅干涉圆条纹预处理的自动化处理方法，其特征在于，步骤四中所述的对单幅干涉圆条纹图像进行修补处理由以下步骤实现：
步骤四一、针对步骤四中得到的干涉条纹细化图像增加去除摸板进行去毛刺修补处理；
步骤四二、针对步骤四一得到的去除毛刺后的圆干涉条纹细化图像增加去除模板进行去二像素修补处理。
4.根据权利要求3所述的一种单幅干涉圆条纹预处理的自动化处理方法，其特征在于，步骤四一中所述的对单幅干涉圆条纹细化图像进行去毛刺修补处理由以下公式实现：
对步骤四中得到的干涉条纹细化图像，通过增加去除公式进行去毛刺修补处理，去除公式具体如下：
A(P1)＝3
P2×P4×P6×P8+P5+P3+P7＝2
其中，P1为像素为1的像素点，P2～P9为以像素点P1中心的3×3像素邻域中的八个邻域点，A(P1)是P1的非零邻点的个数，B(P1)是P2、P3、P4、P5、P6、P7、P8、P9为序时这些点从0到1变化次数。
5.根据权利要求3所述的一种单幅干涉圆条纹预处理的自动化处理方法，其特征在于，步骤四二中所述的对单幅干涉圆条纹细化图像进行去二像素修补处理由以下公式实现：
对步骤四一中得到的去毛刺修补处理的干涉条纹细化图像，通过增加去除公式进行去二像素修补处理，去除公式具体如下：
2≤A(P1)≤4
B(P1)＝2
P2+P4+P6+P8＝2
P6×P8+P2×P8+P2×P4+P4×P6＝1
如果像素点P1满足以上四个公式，则令像素点P1的3×3邻域内的像素点P2＝0、P4＝0、P6＝0、P8＝0就可以去掉单幅干涉圆条纹细化后的图像中存在多余的二像素，得到了完全细化的单像素干涉圆条纹图像。
CN201610047496.7A 2016-01-25 2016-01-25 一种单幅干涉圆条纹预处理的自动化处理方法 Expired - Fee Related CN105844593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610047496.7A CN105844593B (zh) 2016-01-25 2016-01-25 一种单幅干涉圆条纹预处理的自动化处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610047496.7A CN105844593B (zh) 2016-01-25 2016-01-25 一种单幅干涉圆条纹预处理的自动化处理方法

Publications (2)

Publication Number Publication Date
CN105844593A CN105844593A (zh) 2016-08-10
CN105844593B true CN105844593B (zh) 2019-01-18

Family

ID=56580513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610047496.7A Expired - Fee Related CN105844593B (zh) 2016-01-25 2016-01-25 一种单幅干涉圆条纹预处理的自动化处理方法

Country Status (1)

Country Link
CN (1) CN105844593B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580685B (zh) * 2019-06-19 2022-07-29 南京邮电大学 光的等厚干涉图像数据处理系统
CN110580479A (zh) * 2019-08-27 2019-12-17 天津大学 基于熵和聚类算法的电子散斑干涉条纹图二值化方法
CN113610733B (zh) * 2021-08-10 2024-04-05 国网浙江省电力有限公司电力科学研究院 图像处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020051134A1 (en) * 2000-09-13 2002-05-02 Fuji Photo Optical Co., Ltd. Fringe analysis error detection method and fringe analysis error correction method
CN102999886A (zh) * 2012-10-31 2013-03-27 长春光机数显技术有限责任公司 图像边缘检测器及标尺光栅栅线精度检测系统
CN104268837A (zh) * 2014-09-26 2015-01-07 天津工业大学 电子散斑干涉条纹图相位信息提取的方法
CN104504710A (zh) * 2014-12-30 2015-04-08 中国科学技术大学 X射线光栅相位衬度成像中摩尔条纹的识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020051134A1 (en) * 2000-09-13 2002-05-02 Fuji Photo Optical Co., Ltd. Fringe analysis error detection method and fringe analysis error correction method
CN102999886A (zh) * 2012-10-31 2013-03-27 长春光机数显技术有限责任公司 图像边缘检测器及标尺光栅栅线精度检测系统
CN104268837A (zh) * 2014-09-26 2015-01-07 天津工业大学 电子散斑干涉条纹图相位信息提取的方法
CN104504710A (zh) * 2014-12-30 2015-04-08 中国科学技术大学 X射线光栅相位衬度成像中摩尔条纹的识别方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A PDE-based Adaptive Median Filter to Process UV Detection Image Generated by ICCD;Lu Zhenzhen 等;《2014 International Conference on Audio,Language and Image Processing(ICALIP)》;20140709;543-546 *
中值滤波与各向异性扩散相结合的医学图像滤波方法;付丽娟 等;《计算机应用》;20140110;第34卷(第1期);145-148 *
图像并行细化算法改进研究;陈梅 等;《中国印刷与包装研究》;20140228;第6卷(第1期);摘要，第2.1，2.2节 *
基于偏微分方程的图像恢复研究;徐雷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20080115(第01期);正文第24-25页第2.5.2节 *
电子散斑干涉条纹的计算机自动处理;金雪峰 等;《光学与光电技术》;20070228;第5卷(第1期);正文第2.1，2.2，2.4节 *

Also Published As

Publication number Publication date
CN105844593A (zh) 2016-08-10

Similar Documents

Publication Publication Date Title
CN105844593B (zh) 一种单幅干涉圆条纹预处理的自动化处理方法
Jiang et al. Mathematical-morphology-based edge detectors for detection of thin edges in low-contrast regions
Khiyal et al. Modified Watershed Algorithm for Segmentation of 2D Images.
CN105261006B (zh) 基于傅里叶变换的医学图像分割算法
CN110378924A (zh) 基于局部熵的水平集图像分割方法
Bhagwat et al. Image segmentation by improved watershed transformation in programming environment MATLAB
CN104463811B (zh) 基于能量泛函的图像平滑与锐化方法
CN107133964B (zh) 一种基于Kinect的抠像方法
CN113592782A (zh) 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统
CN102521811B (zh) 基于各向异性扩散和互信息匀质性测度的sar图像降斑方法
Vyavahare et al. Segmentation using region growing algorithm based on CLAHE for medical images
CN111047559A (zh) 一种数字病理切片异常区域快速检测的方法
CN112070684A (zh) 基于形态先验特征的甲骨刻辞文字修复方法
CN104574295A (zh) 自适应阈值图像去噪算法
Li et al. Cell image segmentation based on an improved watershed transformation
Kumar et al. A novel approach of tumor detection in brain using MRI scan images
Sun et al. A multi-scale TVQI-based illumination normalization model
Cui et al. An improved image segmentation algorithm based on the watershed transform
CN112053355B (zh) 细胞图像的分割方法
Javed et al. Background and punch-hole noise removal from handwritten urdu text
Peng-Di et al. An associated extraction method of palmprint principal lines
Zhou et al. Microbial contour extraction based on edge detection
Cao et al. Scale-Aware Guided and Structure-Preserved Texture Filter
Tang et al. Denoising Method for Microscopic Image of Caenorhabditis Elegans Based on Skeleton-pruning
Si et al. LBF: learnable bilateral filter for point cloud denoising

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190118

Termination date: 20190125