CN106529552A - 一种扇贝贝壳生长纹路的分割与识别方法 - Google Patents
一种扇贝贝壳生长纹路的分割与识别方法 Download PDFInfo
- Publication number
- CN106529552A CN106529552A CN201610958374.3A CN201610958374A CN106529552A CN 106529552 A CN106529552 A CN 106529552A CN 201610958374 A CN201610958374 A CN 201610958374A CN 106529552 A CN106529552 A CN 106529552A
- Authority
- CN
- China
- Prior art keywords
- image
- bifurcation
- shell
- lines
- scallop
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种扇贝贝壳生长纹路的分割与识别方法,是在获得扇贝贝壳CT图像后,采用高斯核匹配滤波对其管状纹路匹配增强,再对增强后的图像进行迭代处理,通过每次迭代保留纹路的特性信息,获得的精细纹路被分割出来。本发明利用虾夷扇贝CT图像作为输入图像,采用高斯核匹配滤波对图像中管状纹路匹配增强,进行全变分模型图像二值化的图像分割,进而实现图像纹路网络中交叉点的识别,得到了大量扇贝生长点的信息,是进一步精确计算扇贝生长率的前提。相对传统定时测量的方法,本方法利用计算机分析可以实现简单快速测定和计算,具有精确度高、通量较大等优势,为今后开展贝类育种工作获得精确育种表型信息提供了基础。
Description
技术领域
本发明属于贝类遗传育种技术领域,具体涉及一种扇贝贝壳生长纹路的分割与识别方法。
背景技术
贝壳是由贝类外套膜分泌的保护软体部分的钙化物。由于受到自身及季节性环境变化因素的影响,贝类在分泌钙化物形成贝壳的过程中会形成生长纹路。纹路在表观上显示为不同的细微沟壑,在内部结构上表现为不同的密度,在成分上体现为元素的变化。研究贝壳纹路不仅可以客观快速地获得扇贝生长信息(生长性状),而且能够准确揭示贝类生活史的具体生长过程,更重要的是提供贝类育种的基础数据。
虾夷扇贝(Patinopectenyessoensis)原产于俄罗斯千岛群岛南部、日本北海道及本州北部,自1982年引进我国来,已成为我国北方最重要的海水养殖贝类之一。虾夷扇贝贝壳平滑,左壳具有放射肋15~12条,右壳粗壮放射肋15~20条,贝壳上每年形成一道明显的年轮。
在贝类生长研究方面有许多报道,陆彤霞等通过对浙江海域墨西哥湾扇贝的生长规律进行研究,得出了浮游期、中间暂养期和养成期间形态性状间的回归关系;Peharda等开展了对亚得里亚海方形蚶(Arcanoae L.)的生长与年龄关系的研究;Lee等通过对淡水珍珠蚌(Margaritiferamargaritifera L.)的生长规律进行研究,建立了其生长模型并详细描述了其生长特征;金启增等对华贵栉孔扇贝综合生长模型进行了研究。这些研究仅停留在通过对扇贝生长过程中定期测量贝壳数据的函数拟合,需要对扇贝进行长期跟踪测量,同时也受测量误差及人工读数不准的限制。因此,如何将计算机图像处理技术处理与贝壳分析结合的更完善一直是研究的难点。
发明内容
本发明的目的在于提供一种扇贝贝壳生长纹路的分割与识别方法,从而弥补现有技术的不足。
本发明的方法,包括如下的步骤:
1)贝壳CT图像获取;
将要分析的贝壳材料去除软体部分后,清洗贝壳内外表面;再采用数字医用诊断X射线透视摄影系统(Uni-Vision)进行图像获取;
2)利用二维高斯核匹配滤波对贝壳纹路进行特征增强
利用二维高斯核匹配滤波对步骤1)获得的贝壳CT图像进行进行特征增强,二维高斯核函数可以表示为:
k(||x-xc||)=exp{-||x-xc||2/(2*σ)2)} (1)
其中x为图像像素,xc为核函数中心,σ为函数的宽度参数,控制了高斯核函数的径向作用范围;
3)利用全变分模型图像二值化对增强后的贝壳纹路进行图像分割;
通过迭代把高斯核匹配增强图像分为两部分,分别为精细轮廓管状纹路图像和背景图像;
其中全变分模型的运算步骤见如下公式(2),
其中是一个对称光滑滤波核的Laplacian算子,通常取LOG滤波器,在去噪的同时保持边界不断裂;是图像u的梯度算子;α,β是方程的平衡参数;
根据变分法得到(2)的PDE方程如下
通过数值迭代法解方程(2)稳定的数值解u,保留纹路边界图像灰度值变化大的值;
二值图像分割方程如下
4)纹路交叉点的识别
对贝壳纹路多尺度图像分割结果进行环结构特征检测:二值化纹理骨架(单像素宽度),根据每个像素的八邻域像素值确定这个像素是否是分叉点(八邻域有3个值为1则说明是三分叉点);分叉点确定后,每个分叉点将作为一个种子,从这个种子开始,不断沿骨架的方向往外扩散,直到找到其相邻的分叉点;直至每个分叉点都找到了与之相邻的分叉点,分叉点之间的连接关系即可确定;如果几个分叉点可以组成环结构,则每个分叉点至少有两个相邻的分叉点,根据这个性质,一些孤立的不能组成环结构的分叉点首先被滤除;连接关系转化为一个分叉点树,树由一个分叉点开始,不断搜索其相邻分叉点,直到搜索回到这个原始分叉点,环结构特征就被检索到。
本发明在计算机图像处理方法的基础上,利用虾夷扇贝CT图像作为输入图像,采用高斯核匹配滤波对图像中管状纹路匹配增强,进行全变分模型图像二值化的图像分割,进而实现图像纹路网络中交叉点的识别,得到了大量扇贝生长点的信息,是进一步精确计算扇贝生长率的前提。相对传统定时测量的方法,本方法利用计算机分析可以实现简单快速测定和计算,具有精确度高、通量较大等优势,为今后开展贝类育种工作获得精确育种表型信息提供了基础。
附图说明
图1:基于PDE方法的贝壳生长纹路多尺度分割和识别方法实验流程图,
图2:高斯核匹配滤波增强图像图,其中a,扇贝CT图像;b,横截面Gaussian型曲线的高斯核;c,高斯核匹配增强后图像;
图3:贝壳纹路多尺度图像分割结果图,其中a,虾夷扇贝贝壳CT图像;b-f,不同分割尺度下的虾夷扇贝生长特征图;
图4:贝壳CT图像和普通光学图像的多尺度分割结果图,其中a,原始CT图像;b,大尺度分割结果;c,大尺度分割识别结果;d,小尺度分割结果;e,小尺度分割识别结果;
图5不同分割方法比较结果图,其中a,本发明方法;b,形态学方法;c,直方图阈值方法;d,凯尼算法;
具体实施方式
扇贝育种目的是选育出高产、抗逆的品种。在选育过程中,需根据表型信息挑选性状优良的扇贝作为备选亲本。在育种过程中,表型性状的记录需准确、详实,因此找到客观快速准确得到扇贝生长信息的方法一直是研究人员关注的热点。通过传统方法费时费力且测量精度不高,随着扇贝育种技术的发展,迫切的要求能够快速、准确获得表型性状信息的方法。
本发明在获得扇贝贝壳CT图像后,采用高斯核匹配滤波对其管状纹路匹配增强,再对增强后的图像进行迭代处理,通过每次迭代保留纹路的特性信息,获得的精细纹路被分割出来。本发明的方法可更精确获得完整的贝壳生长纹路信息,对今后开展虾夷扇贝的生长过程研究提供更简便快速的方法学基础。
本发明方法的具体流程如图1所示。
1、贝壳材料及CT图像获取。
将要分析的贝壳材料去除软体部分后用三蒸水清洗贝壳内外表面。采用数字医用诊断X射线透视摄影系统(Uni-Vision)进行图像获取。
2、利用二维高斯核匹配滤波对贝壳纹路进行特征增强。
二维高斯函数具有旋转对称性,即滤波器在各个方向上的平滑程度是相同的。一般来说,一幅图像纹路的方向是未知的,因此在滤波前无法确定一个方向是否比另一方向需要更多的平滑。旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向。二维高斯核函数可以表示为:
k(||x-xc||)=exp{-||x-xc||2/(2*σ)2)} (1)
其中x为图像像素,xc为核函数中心,σ为函数的宽度参数,控制了高斯核函数的径向作用范围。高斯核匹配滤波增强图像结果如图2所示。
3、利用全变分模型图像二值化增强后的贝壳纹路进行图像分割。全变分模型的基本思想是通过迭代把高斯核匹配增强图像分为两部分:精细轮廓管状纹路和背景。
全变分模型的运算步骤见如下公式(2),
其中是一个对称光滑滤波核的Laplacian算子,通常取LOG滤波器[15],在去噪的同时保持边界不断裂;是图像u的梯度算子;α,β是方程的平衡参数。
根据变分法得到(2)的PDE方程如下
通过数值迭代法解方程(2)稳定的数值解保留纹路边界图像灰度值变化大的值。
二值图像分割方程如下
贝壳纹路多尺度图像分割结果如图3所示。
4、纹路交叉点的识别。
对贝壳纹路多尺度图像分割结果(图3)进行环结构特征检测:二值化纹理骨架(单像素宽度),根据每个像素的八邻域像素值确定这个像素是否是分叉点(八邻域有3个值为1则说明是三分叉点)。分叉点确定后,每个分叉点将作为一个种子,从这个种子开始,不断沿骨架的方向往外扩散,直到找到其相邻的分叉点。由此一来,每个分叉点都找到了与之相邻的分叉点,分叉点之间的连接关系即可确定。如果几个分叉点可以组成环结构,则每个分叉点至少有两个相邻的分叉点,根据这个性质,一些孤立的不能组成环结构的分叉点首先被滤除。连接关系可以转化为一个分叉点树,树由一个分叉点开始,不断搜索其相邻分叉点,直到搜索回到这个原始分叉点,由此一来,环结构特征就被检索到。不同特征点贝壳CT图像的多尺度分割结果,如图4所示。
下面以虾夷扇贝为例通过实施例详细叙述本发明。
实施例1
1、贝壳材料及CT图像获取。
24月龄虾夷扇贝(壳高125.28±2.85mm)于2013年1月取自大连市长海县獐子岛海区,去除软体部分后用三蒸水清洗贝壳内外表面3遍。采用数字医用诊断X射线透视摄影系统(Uni-Vision)进行图像获取。
2、利用二维高斯核匹配滤波对贝壳纹路进行特征增强。
二维高斯函数具有旋转对称性,即滤波器在各个方向上的平滑程度是相同的。在步骤1获得的扇贝CT图像中,管状纹路的曲率小且管宽度的改变是渐进的(见图2a),管状纹路的横截面灰度轮廓可以用Gaussian型曲线近似(见图2b),因此将贝壳纹路定为分段等宽的直线段,利用二维匹配过滤器来增强图像中管状纹路。由于管状纹路的方向是任意的,因此Gaussian型曲线通过旋转以匹配不同方向的纹路将12个Gaussian型二维线性检测模板图像进行卷积,选择其中最大的卷积值作为增强图像的像素值。此处利用高斯函数增强CT图像是使用MATLAB软件中的高斯滤波来实现的,具体代码如下所示:
gaussianFilter=fspecial('gaussian',[55],2);
enhancedImg=imfilter(scollopImg,gausianFilter,'replicate');
图2c所示为增强后的扇贝图像。
3、利用全变分模型图像二值化增强后的贝壳纹路进行图像分割。
高斯滤波器对加强后的虾夷扇贝贝壳CT图像,通过多尺度分割获得不同分割尺度下的结果。如对于经过二维高斯卷积核公式(1)k(||x-xc||)=exp{-||x-xc||2/(2*σ)2)}增强后的图像u来说,将其代入多尺度变分PDE,选取不同的尺度λ=α/β进行处理,λ越大,尺度越大,如图3所示,原始CT图像(图3a)经二维卷积核增强后代入PDE公式(3)选取λ分别为0.02、0.04、0.08、0.16、0.32,处理后的结果如图b-f。高尺度分割到较低尺度分割,放射肋和生长纹路等生长特征的识别和分割逐渐明显,实现了以下两点:1)图像连接区域像素点的去噪;2)填补了传统方法识别生长纹路的像素缺陷点。
4、纹路交叉点的识别。
对贝壳纹路多尺度图像分割结果进行环结构特征检测:本发明应用SDFS(Space-based Depth-First Search)方法,能够识别环结构的分叉点、生长纹路的交叉点及与其连接的生长特征点。图4显示的是对于不同生长密度特征的虾夷扇贝CT图像多尺度分割和识别的结果。结果显示,虾夷扇贝贝壳上的环结构包括生长点的可以用于后续分析,比如生长率的计算。此外,生长纹路分割的越精细,可识别的纹路环结构越多、越准确。因此,生长纹路的分割对纹路环结构的鉴定和识别尤其重要。
本发明采用基于偏微分方程的多尺度分割方法,实现了不同密度生长特征的虾夷扇贝CT图像生长纹路的提取和加强。实验结果显示,放射肋、生长年轮等生长特征纹路的加强和分割效果良好。本发明方法(图5a)与传统的形态学方法(图5b)和直方图阈值方法(图5c)、凯尼算法(Canny algorithm)(图5d)进行比较。结果显示,传统方法对虾夷扇贝贝壳图像的分割和识别效果,往往仅限于扇贝贝壳的轮廓(形态学方法和直方图阈值方法)和较为抽象的纵向放射肋以及与放射肋垂直的生长纹路(凯尼算法)的勾勒和加强。相比而言,本发明的方法不仅能够加强和分割扇贝贝壳的放射肋和生长纹路,而且能够识别和区分贝壳纹路网络及其关键生长点,并且在此基础上建立各关键生长点之间的网状联系。本发明在识别贝壳纹路和重要生长点的效率和优势方面较传统方法具有较大幅度的提升。
本发明利用扇贝CT图像,在图像处理方法的基础上,通过贝壳生长纹路管状特征增强,全变分模型图像二值化的图像分割,利用图像纹路网络中交叉点的识别,得到了大量扇贝生长点的信息。相对传统的测量方法,本方法有以下优势:(1)利用计算机分析图像,具有简单快速,精确度高的特点;(2)在较高通量的扇贝性状测量工作中节省了人工成本并消除了人工误差,使机械化、自动化测量成为可能;(3)测定性状过程中可一次性获得大量的生长点信息,可以用来描述扇贝生长过程,进行精确计算生长率;(4)获得的大量生长位点信息为功能基因组学和全基因选择育种提供了大量详实可靠的连续生长信息,可用来进行QTL定位及选种评价。综上,针对扇贝纹路独有的特性,本发明开发了一种快速高效的扇贝贝壳生长纹路的分割与识别方法,为今后开展贝类育种获得精确育种表型信息提供了一定的理论基础。
本发明在虾夷扇贝CT图像的基础上,通过贝壳管状特征增强,全变分模型图像二值化的图像分割,实现图像纹路网络中交叉点的识别,得到了大量扇贝生长点的信息,是进一步进行精确计算生长率的前提。相对传统定时测量的方法,本方法利用计算机分析具有简单快速、精确度高等优势,显示了该方法的可行性和有效性,为今后开展贝类育种获得精确的表型信息提供了一定的理论基础。此外,双壳贝类贝壳纹路特征提取的方法,作为一个全新的理论模型,可应用于大尺度的生态学研究。双壳贝类的年龄可通过其贝壳上特定时间形成的生长年轮纹路来确定,这使得生物和非生物的环境因子(温度、盐度、捕食者和物理分布等)对双壳贝类在自然群体中的适应性和衰老的研究,及内外因素对双壳贝类年龄的影响的研究成为可能。因此,随着图像处理技术的快速发展,运用多基因杂合度研究双壳贝类耐受性、适应性和生长寿命的技术方法,使双壳贝类成为自然生长和衰老研究的新模型。
Claims (5)
1.一种扇贝贝壳生长纹路的分割与识别方法,其特征在于,所述的方法包括如下的步骤:
1)贝壳CT图像获取;
将要分析的贝壳材料去除软体部分后,清洗贝壳内外表面;再采用数字医用诊断X射线透视摄影系统进行图像获取;
2)利用二维高斯核匹配滤波对贝壳纹路进行特征增强
利用二维高斯核匹配滤波对步骤1)获得的贝壳CT图像进行进行特征增强,二维高斯核函数如下:
k(||x-xc||)=exp{-||x-xc||2/(2*σ)2)} (1)
其中x为图像像素,xc为核函数中心,σ为函数的宽度参数,控制了高斯核函数的径向作用范围;
3)利用全变分模型图像二值化对增强后的贝壳纹路进行图像分割;
通过迭代把高斯核匹配增强图像分为两部分,分别为精细轮廓管状纹路图像和背景图像;
其中全变分模型的运算步骤见如下公式(2),
其中是一个对称光滑滤波核的Laplacian算子,通常取LOG滤波器,在去噪的同时保持边界不断裂;▽u是图像u的梯度算子;α,β是方程的平衡参数;
根据变分法得到(2)的PDE方程如下
通过数值迭代法解方程(2)稳定的数值解保留纹路边界图像灰度值变化大的值;
二值图像分割方程如下
4)纹路交叉点的识别
对贝壳纹路多尺度图像分割结果进行环结构特征检测,将二值化纹理骨架,根据每个像素的八邻域像素值确定像素是否是分叉点;分叉点确定后,每个分叉点将作为一个种子,从这个种子开始,不断沿骨架的方向往外扩散,直到找到其相邻的分叉点;直至每个分叉点都找到了与之相邻的分叉点,分叉点之间的连接关系即可确定;如果几个分叉点可以组成环结构,则每个分叉点至少有两个相邻的分叉点,根据这个性质,一些孤立的不能组成环结构的分叉点首先被滤除;连接关系转化为一个分叉点树,树由一个分叉点开始,不断搜索其相邻分叉点,直到搜索回到这个原始分叉点,环结构特征就被检索到;从而完成扇贝贝壳生长纹路的分割与识别。
2.如权利要求1所述的方法,其特征在于,所述的步骤4)中的二值化纹理骨架是单像素宽度。
3.如权利要求1所述的方法,其特征在于,所述的步骤4)中的是否是分叉点,是八邻域有3个值为1则是三分叉点。
4.权利要求1所述的方法在贝类遗传育种中的应用。
5.如权利要求4所述的应用,其特征在于,所述的贝类为扇贝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610958374.3A CN106529552B (zh) | 2016-11-03 | 2016-11-03 | 一种扇贝贝壳生长纹路的分割与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610958374.3A CN106529552B (zh) | 2016-11-03 | 2016-11-03 | 一种扇贝贝壳生长纹路的分割与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529552A true CN106529552A (zh) | 2017-03-22 |
CN106529552B CN106529552B (zh) | 2019-11-08 |
Family
ID=58325705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610958374.3A Active CN106529552B (zh) | 2016-11-03 | 2016-11-03 | 一种扇贝贝壳生长纹路的分割与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529552B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671095A (zh) * | 2018-12-19 | 2019-04-23 | 吉林大学 | 一种x光照片中金属物分离方法和相关装置 |
CN109784361A (zh) * | 2018-12-05 | 2019-05-21 | 鲁东大学 | 贝类产品分类识别方法及装置 |
CN110720937A (zh) * | 2019-10-15 | 2020-01-24 | 中国海洋大学 | 一种快速的活体无损检测和评价贝类肌肉量的方法 |
CN112308892A (zh) * | 2020-11-16 | 2021-02-02 | 中国海洋大学 | 一种基于libs技术的贝壳纹理分析系统和方法 |
CN117409030A (zh) * | 2023-12-14 | 2024-01-16 | 齐鲁工业大学(山东省科学院) | 基于动态管状卷积的octa图像血管分割方法及其系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0572335A2 (en) * | 1992-05-29 | 1993-12-01 | Eastman Kodak Company | Feature classification using supervised statistical pattern recognition |
CN102622756A (zh) * | 2012-03-14 | 2012-08-01 | 西安电子科技大学 | 基于全变分谱聚类的sar图像分割方法 |
CN104091333A (zh) * | 2014-07-01 | 2014-10-08 | 黄河科技学院 | 基于区域可信融合的多类无监督彩色纹理图像分割方法 |
CN104574416A (zh) * | 2015-01-27 | 2015-04-29 | 南方医科大学 | 一种低剂量能谱ct图像去噪方法 |
CN105607122A (zh) * | 2015-12-23 | 2016-05-25 | 西南科技大学 | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 |
CN105635743A (zh) * | 2015-12-30 | 2016-06-01 | 福建师范大学 | 基于显著性检测和全变分的最小可察觉失真方法及系统 |
-
2016
- 2016-11-03 CN CN201610958374.3A patent/CN106529552B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0572335A2 (en) * | 1992-05-29 | 1993-12-01 | Eastman Kodak Company | Feature classification using supervised statistical pattern recognition |
CN102622756A (zh) * | 2012-03-14 | 2012-08-01 | 西安电子科技大学 | 基于全变分谱聚类的sar图像分割方法 |
CN104091333A (zh) * | 2014-07-01 | 2014-10-08 | 黄河科技学院 | 基于区域可信融合的多类无监督彩色纹理图像分割方法 |
CN104574416A (zh) * | 2015-01-27 | 2015-04-29 | 南方医科大学 | 一种低剂量能谱ct图像去噪方法 |
CN105607122A (zh) * | 2015-12-23 | 2016-05-25 | 西南科技大学 | 一种基于全变分地震数据分解模型的地震纹理提取与增强方法 |
CN105635743A (zh) * | 2015-12-30 | 2016-06-01 | 福建师范大学 | 基于显著性检测和全变分的最小可察觉失真方法及系统 |
Non-Patent Citations (3)
Title |
---|
李亚涛: "基于全变分模型的图像分割方法及其算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邹立颖 等: "基于快速高斯核函数模糊聚类算法的图像分割", 《化工自动化及仪表》 * |
陈丽: "纹理图像的结构提取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784361A (zh) * | 2018-12-05 | 2019-05-21 | 鲁东大学 | 贝类产品分类识别方法及装置 |
CN109671095A (zh) * | 2018-12-19 | 2019-04-23 | 吉林大学 | 一种x光照片中金属物分离方法和相关装置 |
CN110720937A (zh) * | 2019-10-15 | 2020-01-24 | 中国海洋大学 | 一种快速的活体无损检测和评价贝类肌肉量的方法 |
WO2021073388A1 (zh) * | 2019-10-15 | 2021-04-22 | 中国海洋大学 | 一种快速的活体无损检测和评价贝类肌肉量的方法 |
CN112308892A (zh) * | 2020-11-16 | 2021-02-02 | 中国海洋大学 | 一种基于libs技术的贝壳纹理分析系统和方法 |
CN117409030A (zh) * | 2023-12-14 | 2024-01-16 | 齐鲁工业大学(山东省科学院) | 基于动态管状卷积的octa图像血管分割方法及其系统 |
CN117409030B (zh) * | 2023-12-14 | 2024-03-22 | 齐鲁工业大学(山东省科学院) | 基于动态管状卷积的octa图像血管分割方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106529552B (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529552A (zh) | 一种扇贝贝壳生长纹路的分割与识别方法 | |
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
Malambo et al. | Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data | |
CN109448016A (zh) | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 | |
CN109670060A (zh) | 一种基于深度学习的遥感影像半自动化标注方法 | |
CN102110294B (zh) | 病鱼的鱼体图像处理方法及系统 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
CN113096121B (zh) | 基于交叉断裂力学和图像处理的路面裂缝检测方法和系统 | |
JP2009515533A (ja) | 非染色核の微速度細胞周期解析 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
Fricker et al. | Automated analysis of Physarum network structure and dynamics | |
Bouvet et al. | Evaluation of large-scale unsupervised classification of New Caledonia reef ecosystems using Landsat 7 ETM+ imagery | |
Fabijańska et al. | DeepVarveNet: Automatic detection of glacial varves with deep neural networks | |
CN112966657B (zh) | 一种大尺度水体覆盖的遥感自动分类方法 | |
CN111144487A (zh) | 一种遥感影像样本库的建立与更新方法 | |
Ye et al. | Multitask classification of breast cancer pathological images using SE-DenseNet | |
Jiang et al. | Dynamics of coastal land-based aquaculture pond in China and Southeast Asia from 1990 to 2020 | |
Brophy | Analysis of growth marks in calcified structures: insights into stock structure and migration pathways | |
CN112464742B (zh) | 赤潮图像自动识别的方法及装置 | |
Chen et al. | CNN for image-based sediment detection applied to a large terrestrial and airborne dataset | |
Jones et al. | Aquatic ecosystem classification for Ontario's rivers and streams: Version 2 | |
Srinivas et al. | A novel satellite image segmentation using vggnet | |
CN116091927B (zh) | 一种快速的池塘养殖面源污染源遥感识别方法 | |
CN116630811B (zh) | 一种河流提取方法、装置、终端设备和可读存储介质 | |
CN117830823B (zh) | 一种城市水生态保护的水面率值域测算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |