CN107133963A - 图像处理方法以及装置、渣片分布分析的方法及装置 - Google Patents

图像处理方法以及装置、渣片分布分析的方法及装置 Download PDF

Info

Publication number
CN107133963A
CN107133963A CN201710222227.4A CN201710222227A CN107133963A CN 107133963 A CN107133963 A CN 107133963A CN 201710222227 A CN201710222227 A CN 201710222227A CN 107133963 A CN107133963 A CN 107133963A
Authority
CN
China
Prior art keywords
determinand
image
pixel
segmentation
principal component
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
CN201710222227.4A
Other languages
English (en)
Inventor
彭正阳
罗建利
刘永强
刘宏涛
龚秋明
殷丽君
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.)
Beijing Jiu Rui Technology Co Ltd
Beijing University of Technology
China Railway Construction Heavy Industry Group Co Ltd
Original Assignee
Beijing Jiu Rui Technology Co Ltd
Beijing University of Technology
China Railway Construction Heavy Industry Group Co Ltd
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 Beijing Jiu Rui Technology Co Ltd, Beijing University of Technology, China Railway Construction Heavy Industry Group Co Ltd filed Critical Beijing Jiu Rui Technology Co Ltd
Priority to CN201710222227.4A priority Critical patent/CN107133963A/zh
Publication of CN107133963A publication Critical patent/CN107133963A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/30132—Masonry; Concrete

Landscapes

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

Abstract

本发明公开了一种图像处理方法以及装置、渣片分布分析的方法及装置。该方法包括：基于待测物图像中每个像素点的灰度值计算每个像素点邻域的灰度均值，根据每个像素点和所述每个像素点邻域的灰度均值构建图像的二维直方图；依据图像的二维直方图计算最优分割阈值；基于最优分割阈值对图像中的待测物进行分割，得到初始分割二值图像；通过分水岭方法精确分割初始分割二值图像中的待测物；对精确分割得到的待测物像素区域进行主成分分析获得待测物的特征参数。本发明公开的图像处理方法以及装置、渣片分布分析的方法及装置，能够对待测物的分布进行精确分析。

Description

图像处理方法以及装置、渣片分布分析的方法及装置
技术领域
本发明属于图像处理技术领域，尤其涉及一种图像处理方法以及装置、渣片分布分析的方法及装置。
背景技术
全断面隧道掘进机(英文：Tunnel Boring Machine；缩写：TBM)在隧道建设中的智能掘进，对渣片的尺寸、形状进行统计分析具有重要的意义。使用图像处理技术进行渣片的自动分析是一种成本低、效率高的处理方法。
目前，分析TBM渣片块度的方法是取样、筛分、称重，即从输送皮带上取一定量的渣片，然后用不同筛孔尺寸的筛子对取样的渣片进行筛分和称重，从而得到渣片的块度分布。由于输送皮带很长，从皮带终端的出渣口取样，时间上滞后太多，无法用于研究对比。如果从输送皮带上或皮带连接处取样，由于皮带移动速度很高，基本上在4米/秒左右，渣片中包含不同大小的岩片，皮带连接处有防止渣片飞出的料斗遮挡，加上空间限制，各种取样装置无法使用。目前只能在有条件(料斗与皮带高差较大的皮带连接处)的TBM掘进现场采用人工取样，难度很大、危险系数高，由于各种条件限制，不可能进行大量的连续的取样进行分析，不利于对TBM与岩体互作用的研究。
并且，为了实现基于图像的渣片自动分析，首先要完成渣片图像的自动分割，但是由于渣片之间的堆叠、相互遮挡和粉尘覆盖的影响，精确边界的渣片自动分割通常较为困难。
现有的基于图像的渣片分割方法主要有下述几种：
(1)基于边缘检测的方法：利用渣片之间的相互遮挡产生的灰度差异来提取渣片的边缘信息，再由边缘连接而成分割区域。但是通常由于提取得到的边缘不连续，对这些破碎边缘的处理往往比较困难，这就使得分割得到的渣片往往不够精确和完整。
(2)基于阈值分割的方法：利用渣片中心和边界部分的灰度差异，选取适当的阈值对图像进行分割得到渣片区域。这种分割方法通常分割得到的渣片区域比真实渣片区域要小，不能精确分割渣片的边界。
综上，现有的图像分布分析方法特别是用于渣片的分布分析方法多具有采样困难、容易对渣片等待测物误分割且分割精度低造成分布分析的误差较大的缺陷。
发明内容
本发明实施例提供了一种图像处理方法以及装置、渣片分布分析的方法及装置，能够对待测物的分布进行精确分析。
第一方面，提供了一种图像处理方法，包括：基于待测物图像中每个像素点的灰度值计算每个像素点邻域的灰度均值，根据每个像素点和所述每个像素点邻域的灰度均值构建图像的二维直方图；依据图像的二维直方图计算最优分割阈值；基于最优分割阈值对图像中的待测物进行分割，得到初始分割二值图像；通过分水岭方法精确分割初始分割二值图像中的待测物；对精确分割得到的待测物像素区域进行主成分分析获得待测物的特征参数。
第二方面，提供了一种渣片分布分析的方法，包括：通过上述图像处理方法获得图像中记录的每个渣片的特征参数；根据图像中记录的每个渣片的特征参数分析渣片的分布。
第三方面，提供了一种图像处理装置，包括：处理单元、计算单元、第一分割单元、第二分割单元和参数计算单元。该处理单元用于基于待测物图像中每个像素点的灰度值计算每个像素点邻域的灰度均值，根据每个像素点和每个像素点邻域的灰度均值构建图像的二维直方图。该计算单元用于依据图像的二维直方图计算最优分割阈值。该第一分割单元基于最优分割阈值对图像中的待测物进行分割，得到初始分割二值图像。该第二分割单元用于通过分水岭方法对初始分割二值图像中的待测物进行精确分割。该参数计算单元用于对精确分割得到的待测物像素区域进行主成分分析获得待测物的特征参数。
第四方面，提供了一种渣片分布分析的装置，包括：特征参数获取单元和分布获取单元。该特征参数获取单元用于通过上述图像处理方法获得图像中记录的每个渣片的特征参数。该分布获取单元用于根据图像中记录的每个渣片的特征参数分析所述渣片的分布。
根据本发明实施例提供的图像处理方法以及装置、渣片分布分析的方法及装置，通过每个像素点的灰度值以及每个像素点的邻域的灰度均值构建图像的二维直方图，并对待测物图像进行初始分割，以及通过分水岭方法对初始分割二值图像中的待测物进行精确分割，实现对待测物图像图像进行完整、精确的分割，从而获得图像中记录的每个待测物的特征参数，获得对待测物的分布的精确分析。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种实施例的图像处理方法的示意性流程图；
图2是本发明另一种实施例的图像处理方法的示意性流程图；
图3是本发明一种实施例的渣片分布分析的方法的示意性流程图；
图4是本发明一种实施例的渣片分布分析的方法中对渣片进行初始分割后的示意性效果图；
图5是本发明一种实施例的渣片分布分析的方法中对渣片进行精确分割后的示意性效果图；
图6是本发明一种实施例的渣片分布分析的方法中单个渣片图像的示意图；
图7是本发明一种实施例的渣片分布分析的方法中处理后的单个渣片图像的示意图；
图8是采用本发明一种实施例的渣片分布分析的方法获得的渣片面积累积分布示意图；
图9是采用本发明一种实施例的渣片分布分析的方法获得的渣片中轴累积分布示意图；
图10是采用本发明一种实施例的渣片分布分析的方法获得的渣片中、长轴比值分布示意图；
图11是本发明一种实施例的图像处理装置的示意性框图；
图12是本发明一种实施例的渣片分布分析的装置示意性框图；
图13是本发明一种实施例的图像处理装置的计算设备实现的示意性框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本发明的全面理解。但是，对于本领域技术人员来说很明显的是，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法，而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本发明造成不必要的模糊。
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明更全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中，为了清晰，可能夸大了区域和层的厚度。在图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1是本发明一种实施例的图像处理方法的示意性流程图。如图1所示，该图像处理方法100，包括：S110，基于待测物图像中每个像素点的灰度值计算每个像素点邻域的灰度均值，根据每个像素点和每个像素点邻域的灰度均值构建图像的二维直方图，在一些实例中，在S110之前还可以包括对所述图像进行预处理以消除图像的噪声。S120，依据图像的二维直方图计算最优分割阈值。S130，基于最优分割阈值对图像中的待测物进行分割，得到初始分割二值图像。S140，通过分水岭方法精确分割初始分割二值图像中的待测物。S150，对精确分割得到的待测物像素区域进行主成分分析获得待测物的特征参数。该图像处理方法100通过每个像素点的灰度值以及每个像素点的邻域的灰度均值构建图像的二维直方图，并对待测物图像进行初始分割，以及通过分水岭方法对初始分割二值图像中的待测物进行精确分割，实现对待测物图像进行完整、精确的分割，从而获得图像中记录的每个待测物的特征参数，获得对待测物的分布的精确分析。
在一些实施例中，S110可以包括：基于待测物的图像中的每个像素点的灰度值和邻域的邻域窗口宽度和邻域窗口高度计算每个像素点的邻域的灰度均值。例如，对于每个像素点(i，j)，计算邻域窗口宽度为M和邻域窗口高度为N的每个像素点的邻域的灰度均值m(i，j)，则有：
其中，I(i，j)表示像素(i，j)处的灰度值。
在一些实施例中，S110可以包括：根据计算得到的每个像素点的灰度值、每个像素点的邻域的灰度均值和、图像的宽度和图像的高度构建图像的二维直方图。例如，可以根据下式构建图像的二维直方图p(s，t)：
其中W、H分别为图像的宽度和高度。
在一些实施例中，该方法100还可以包括标记所述初始分割二值图像的连通区域。在一些示例中，在标记初始分割二值图像的连通区域之前，该方法100还可以包括：对初始分割二值图像进行形态学滤波。
根据一些实施例，S140可以包括以标记的连通区域作为分水岭方法的水盆底，通过分水岭方法对初始分割二值图像中的待测物进行精确分割。
S120可以包括采用最大熵方法依据图像的二维直方图计算最优分割阈值。例如：使用最大熵方法寻找二维直方图的最优分割阈值，采用如下控制
其中，Hf(u，v)表示以(u，v)为分割阈值的前景区域的二维熵
Hb(u，v)为背景区域的二维熵
然后，以(U，V)为分割阈值的渣片分割二值图像为
图2是本发明另一种实施例的图像处理方法的示意性流程图；如图2所示，该图像处理方法200还可以包括S210，对精确分割得到的待测物像素区域进行主成分分析获得待测物像的长轴方向和待测物像的中轴方向，其中，特征参数包括待测物像的长轴和待测物像的中轴，待测物像的长轴方向为主成分分析获得的第一主成分，待测物像的中轴方向为主成分分析获得的第二主成分。S220，将图像的像素点投影到获得的待测物像的长轴方向和待测物像的中轴方向得到待测物的长轴长度和待测物的中轴长度。在一个示例中，S220还可以包括对精确分割得到的所述待测物像素区域的外接凸多边形进行主成分分析获得所述待测物的长轴长度和所述待测物的中轴长度。该图像处理方法200还可以包括：根据精确分割得到的待测物像素区域中的像素点构建协方差矩阵；对构建的协方差矩阵进行主成分分析获得待测物的长轴长度和待测物的中轴长度。
在对渣片分布分析中，也可以采用图1或图2所示的图像处理方法，图3是本发明一种实施例的渣片分布分析的方法的示意性流程图。如图3所示，该渣片分布分析的方法300还可以包括S310，根据图像中记录的每个渣片的特征参数分析渣片的分布。在一个示例中，在渣片图像的获取中，可以在皮带上方架设高速工业相机，必要时加以补光光源，对移动皮带上的渣土进行拍照，将获取的图像传送到计算机，计算机的图像处理软件将图像中的渣片识别出来，通过每个像素点的灰度值以及每个像素点的邻域的灰度均值构建图像的二维直方图，并对渣片图像进行初始分割，以及通过分水岭方法对初始分割二值图像中的渣片进行精确分割，已经实现了对渣片图像进行完整、精确的分割。图4是本发明一种实施例的用于渣片的图像分割方法的对渣片进行分割的初始效果示意图。图5是本发明一种实施例的用于渣片的图像分割方法的对渣片进行精确分割后的效果示意图。可以看到图5中的渣片得到了较为精确、完整的分割。图6是本发明一种实施例的渣片分布分析的方法中单个渣片图像的示意图。如图6所示，假设下图代表从上面图像中识别出的一块渣片。渣片的面积可以用图像区域的像素数表示。渣片实际面积＝像素数×每个像素代表的实际面积。渣片的长轴可以表示为图像区域内直线距离最远的两个像素点(A、B)连接成的直线段，其代表的实际长度记为a。中轴可以表示为图形区域内与长轴垂直方向上直线距离最远的两个像素(C、D)连接成的直线段，其代表的实际长度记为b。中轴与长轴的比值r＝中轴b÷长轴a。那么，一帧图像的渣片特征数据可以包括：渣片总面积S，每一块渣片的面积Si、长轴ai、中轴bi。
图7是本发明一种实施例的渣片分布分析的方法中处理后的单个渣片图像的示意图。如图7所示，可以对精确分割得到的待测物像素区域的外接凸多边形进行主成分分析获得所述待测物的长轴长度和所述待测物的中轴长度。例如，如图7中的黑线框所包围的区域为渣片像素区域的外接凸多边形。然后计算此凸包区域内像素坐标(x，y)的协方差矩阵
在一些示例中，可以对得到的协方差矩阵进行主成分分析(PCA)得到的第一主成分是渣片的长轴方向，第二主成分方向是中轴方向。将像素坐标值分别投影到上述的长轴、中轴方向上，计算投影值的区间长度就得到渣片的长轴和中轴长度。
图8是采用本发明一种实施例的渣片分布分析的方法获得的渣片面积累积分布示意图。如图8所示，渣片面积累积分布图，横坐标表示面积，单位为平方厘米，纵坐标为百分比，可以统计一帧图像中渣片的面积分布数据得到的分布曲线，曲线上的点表示面积小于等于某个值的所有渣片(包括粉末状)的面积之和与渣片总面积S的比值。
图9是采用本发明一种实施例的渣片分布分析的方法获得的渣片中轴累积分布示意图。如图9所示，渣片中轴累积分布图，横坐标表示渣片中轴长度，单位为毫米，纵坐标为百分比，统计一帧图像中渣片的中轴相对于面积的分布数据得到的分布曲线，曲线上的点表示中轴小于等于某个值的所有渣片(包括粉末状)的面积之和与渣片总面积S的比值。统计时选取的默认中轴长度序列值：200.0mm，150.0mm，120.0mm，90.0mm、75.0mm、63.0mm、53.0mm、37.5mm、31.5mm、26.5mm、19.0mm、16.0mm、9.5mm、4.75mm、2.36mm。(与筛分试验的尺寸一样)。
图10是采用本发明一种实施例的渣片分布分析的方法获得的渣片中、长轴比值分布示意图。如图10所示，渣片中轴与长轴比值分布图，其中，横坐标表示渣片中轴长度与长轴长度的比值，纵坐标为渣片的中轴长度，可以统计一帧图像中渣片的中轴与长轴比值相对于中轴的分布数据得到的散点图。
星形标记代表每个中轴长度区间的平均，表示每一点的纵坐标表示渣片的中轴长度所在的区间，横坐标表示中轴长度在对应区间(纵坐标)的所有渣片的中轴与长轴的比值的算术平均值。纵坐标固定为七个值——对应七个区间：＜10，10-20，20-40，40-60，60-100，100-200，＞200(mm)。
方块标记代表中轴长度的总平均值，表示所有渣片的中轴长度的算术平均值为纵坐标，所有渣片的中轴长轴比值的算术平均值为横坐标。
三角标记代表中轴长度＞40的平均值，表示所有中轴长度＞40mm的渣片的中轴长度的算术平均值为纵坐标，所有中轴长度＞40mm的渣片的中轴与长轴比值的算术平均值为横坐标。
综上，通过上述渣片分布分析的方法可以获得对渣片分布的精确分析。
上文中结合图1至图10，详细描述了根据本发明实施例的图像处理方法和渣片分布分析的方法，下面将结合图11至图13，详细描述根据本发明实施例的图像处理装置和渣片分布分析的装置。
图11是本发明一种实施例的图像处理装置的示意性框图。如图11所示，该图像处理装置1100，包括：处理单元1110、计算单元1120、第一分割单元1130、第二分割单元1140和参数计算单元1150。该处理单元1110用于基于待测物图像中每个像素点的灰度值计算每个像素点邻域的灰度均值，根据每个像素点和每个像素点邻域的灰度均值构建图像的二维直方图。该计算单元1120用于依据图像的二维直方图计算最优分割阈值。该第一分割单元1130基于最优分割阈值对图像中的待测物进行分割，得到初始分割二值图像。该第二分割单元1140用于通过分水岭方法对初始分割二值图像中的待测物进行精确分割。该参数计算单元1150用于对精确分割得到的待测物像素区域进行主成分分析获得待测物的特征参数。根据本发明实施例的图像处理装置1100可对应于根据本发明实施例的图像处理方法100中的执行主体，并且图像处理装置1100中的各个单元的上述和其它操作和/或功能分别为了实现图1中的各个方法的相应流程，为了简洁，在此不再赘述。该图像处理装置1100通过每个像素点的灰度值以及每个像素点的邻域的灰度均值构建图像的二维直方图，并对待测物图像进行初始分割，以及通过分水岭方法对初始分割二值图像中的待测物进行精确分割，实现对待测物图像图像进行完整、精确的分割，从而获得图像中记录的每个待测物的特征参数，获得对待测物的分布的精确分析。
根据一些实施例，该参数计算单元1150还可以用于：对精确分割得到的待测物像素区域进行主成分分析获得待测物像的长轴方向和待测物像的中轴方向，其中，特征参数包括待测物像的长轴和待测物像的中轴，待测物像的长轴方向为主成分分析获得的第一主成分，待测物像的中轴方向为主成分分析获得的第二主成分；将图像的像素点投影到获得的待测物像的长轴方向和待测物像的中轴方向得到待测物的长轴长度和待测物的中轴长度。在一些示例中，该参数计算单元1150还可以用于：对精确分割得到的待测物像素区域的外接凸多边形进行主成分分析获得待测物的长轴长度和待测物的中轴长度。在一些示例中，该参数计算单元1150还可以用于：根据精确分割得到的待测物像素区域中的像素点构建协方差矩阵；对构建的协方差矩阵进行主成分分析获得待测物的长轴长度和待测物的中轴长度。
根据一些实施例，该第一分割单元1130还可以用于：采用最大熵方法依据图像的二维直方图计算最优分割阈值。
在一些示例中，该装置1100还可以包括标记单元，用于对所述初始分割二值图像的连通区域进行标记。在一些示例中，该装置1100还可以包括滤波单元，在所述标记所述初始分割二值图像的连通区域之前，对所述初始分割二值图像进行形态学滤波。
根据一些实施例，该第二分割单元1140还可以用于：以标记的连通区域作为分水岭方法的水盆底，通过分水岭方法对初始分割二值图像中的待测物进行精确分割。
在一些示例中，该装置1100还可以包括预处理单元，用于在基于记录有待测物的图像中的每个像素点的灰度值计算每个像素点的邻域的灰度均值图像的二维直方图之前对图像进行预处理以消除图像的噪声。
图12是本发明一种实施例的渣片分布分析的装置示意性框图。如图12所示，该渣片分布分析的装置1200可以包括特征参数获取单元和分布获取单元。该特征参数获取单元1210可以用于如图1或图2所示的图像处理方法获得图像中记录的每个渣片的特征参数。该分布获取单元1220用于根据图像中记录的每个渣片的特征参数分析所述渣片的分布。该渣片分布分析的装置1200，可以通过每个像素点的灰度值以及每个像素点的邻域的灰度均值构建图像的二维直方图，并对渣片图像进行初始分割，以及通过分水岭方法对初始分割二值图像中的待测物进行精确分割，实现对待测物图像进行完整、精确的分割，从而获得图像中记录的每个渣片的特征参数，获得对渣片的分布的精确分析。
图13是本发明一种实施例的图像处理装置的计算设备实现的示意性框图。如图13所示结合上述的图像处理方法和图像处理装置的至少一部分可以由计算设备1300包括输入设备1301、输入端口1302、处理器1303、存储器1304、输出端口1305、以及输出设备1306。其中，输入端口1302、处理器1303、存储器1304、以及输出端口1305通过总线610相互连接，输入设备1301和输出设备1306分别通过输入端口1302和输出端口1305与总线1310连接，进而与计算设备1300的其他组件连接。需要说明的是，这里的输出接口和输入接口也可以用I/O接口表示。具体地，输入设备1301接收来自外部的输入信息，并通过输入端口1302将输入信息传送到处理器1303；处理器1303基于存储器1304中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器1304中，然后通过输出端口1305将输出信息传送到输出设备1306；输出设备1306将输出信息输出到计算设备1300的外部。
上述存储器1304包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1304可包括HDD、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1304可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1304可在计算设备1300的内部或外部。在特定实施例中，存储器1304是非易失性固态存储器。在特定实施例中，存储器1304包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
总线1310包括硬件、软件或两者，将计算设备1300的部件彼此耦接在一起。举例来说而非限制，总线1310可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1310可包括一个或多个总线1310。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
当通过图13所示的计算设备1300实现结合图11描述的图像处理装置时，输入设备1301接收待测物图像中每个像素点的灰度值，在特定实施例中，与输出设备相连的I/O接口可以包括硬件、软件或两者，提供用于在计算设备1300与一个或多个I/O设备之间的通信的一个或多个接口。在合适的情况下，计算设备1300可包括一个或多个这些I/O设备。一个或多个这些I/O设备可允许人和计算机系统1300之间的通信。举例来说而非限制，I/O设备可包括键盘、小键盘、麦克风、监视器、鼠标、打印机、扫描仪、扬声器、静态照相机、触针、手写板、触摸屏、轨迹球、视频摄像机、另一合适的I/O设备或者两个或更多个以上这些的组合。I/O设备可包括一个或多个传感器。本发明实施例考虑用于它们的任何合适的I/O设备和任何合适的I/O接口。在合适的情况下，I/O接口可包括一个或多个装置或能够允许处理器1303驱动一个或多个这些I/O设备的软件驱动器。在合适的情况下，I/O接口可包括一个或多个I/O接口。尽管本发明实施例描述和示出了特定的I/O接口，但本发明实施例考虑任何合适的I/O接口。该处理器1303基于存储器1304中存储的计算机可执行指令，基于待测物图像中每个像素点的灰度值计算每个像素点邻域的灰度均值，根据每个像素点和所述每个像素点邻域的灰度均值构建图像的二维直方图；依据图像的二维直方图计算最优分割阈值；基于最优分割阈值对图像中的待测物进行分割，得到初始分割二值图像；通过分水岭方法精确分割初始分割二值图像中的待测物；对精确分割得到的待测物像素区域进行主成分分析获得待测物的特征参数。随后在需要时经由输出端口1305和输出设备1306将上述特征参数输出。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (20)

1.一种图像处理方法，其特征在于，包括：
基于待测物图像中每个像素点的灰度值计算所述每个像素点邻域的灰度均值，根据所述每个像素点和所述每个像素点邻域的灰度均值构建所述图像的二维直方图；
依据所述图像的二维直方图计算最优分割阈值；
基于所述最优分割阈值对所述图像中的待测物进行分割，得到初始分割二值图像；
通过分水岭方法精确分割所述初始分割二值图像中的待测物；
对精确分割得到的所述待测物像素区域进行主成分分析获得所述待测物的特征参数。
2.根据权利要求1所述的图像处理方法，其特征在于，所述对精确分割得到的所述待测物像素区域进行主成分分析获得所述待测物的特征参数，包括：
对精确分割得到的所述待测物像素区域进行主成分分析获得所述待测物像的长轴方向和所述待测物像的中轴方向，其中，所述特征参数包括所述待测物像的长轴和所述待测物像的中轴，所述待测物像的长轴方向为主成分分析获得的第一主成分，所述待测物像的中轴方向为主成分分析获得的第二主成分；
将所述图像的像素点投影到获得的所述待测物像的长轴方向和所述待测物像的中轴方向得到所述待测物的长轴长度和所述待测物的中轴长度。
3.根据权利要求2所述的图像处理方法，其特征在于，所述对精确分割得到的所述待测物像素区域进行主成分分析获得所述待测物的特征参数，包括：
对精确分割得到的所述待测物像素区域的外接凸多边形进行主成分分析获得所述待测物的长轴长度和所述待测物的中轴长度。
4.根据权利要求2所述的图像处理方法，其特征在于，所述对精确分割得到的所述待测物像素区域进行主成分分析获得所述待测物的特征参数，包括：
根据精确分割得到的所述待测物像素区域中的像素点构建协方差矩阵；
对构建的所述协方差矩阵进行主成分分析获得所述待测物的长轴长度和所述待测物的中轴长度。
5.根据权利要求1所述的图像处理方法，其特征在于，所述依据所述图像的二维直方图计算最优分割阈值，包括：
采用最大熵方法依据所述图像的二维直方图计算最优分割阈值。
6.根据权利要求1所述的图像分割方法，其特征在于，还包括：标记所述初始分割二值图像的连通区域。
7.根据权利要求6所述的图像处理方法，其特征在于，在所述标记所述初始分割二值图像的连通区域之前，还包括：对所述初始分割二值图像进行形态学滤波。
8.根据权利要求6或7所述的图像处理方法，其特征在于，所述通过分水岭方法对所述初始分割二值图像中的待测物进行精确分割，包括：
以所述标记的连通区域作为所述分水岭方法的水盆底，通过分水岭方法对所述初始分割二值图像中的待测物进行精确分割。
9.根据权利要求1所述的图像处理方法，其特征在于，在所述基于待测物的图像中的每个像素点的灰度值计算所述每个像素点的邻域的灰度均值图像的二维直方图之前，还包括：
对所述图像进行预处理以消除所述图像的噪声。
10.一种渣片分布分析的方法，其特征在于，包括：
通过权利要求1至权利要求8中的任一项图像处理方法获得所述图像中记录的每个渣片的特征参数；
根据所述图像中记录的每个渣片的特征参数分析所述渣片的分布。
11.一种图像处理装置，其特征在于，包括：
处理单元，用于基于待测物图像中每个像素点的灰度值计算所述每个像素点邻域的灰度均值，根据所述每个像素点和所述每个像素点邻域的灰度均值构建所述图像的二维直方图；
计算单元，用于依据所述图像的二维直方图计算最优分割阈值；
第一分割单元，基于所述最优分割阈值对所述图像中的待测物进行分割，得到初始分割二值图像；
第二分割单元，用于通过分水岭方法对所述初始分割二值图像中的待测物进行精确分割；
参数计算单元，用于对精确分割得到的所述待测物像素区域进行主成分分析获得所述待测物的特征参数。
12.根据权利要求11所述的图像处理装置，其特征在于，所述参数计算单元还用于：
对精确分割得到的所述待测物像素区域进行主成分分析获得所述待测物像的长轴方向和所述待测物像的中轴方向，其中，所述特征参数包括所述待测物像的长轴和所述待测物像的中轴，所述待测物像的长轴方向为主成分分析获得的第一主成分，所述待测物像的中轴方向为主成分分析获得的第二主成分；
将所述图像的像素点投影到获得的所述待测物像的长轴方向和所述待测物像的中轴方向得到所述待测物的长轴长度和所述待测物的中轴长度。
13.根据权利要求12所述的图像处理装置，其特征在于，所述参数计算单元还用于：对精确分割得到的所述待测物像素区域的外接凸多边形进行主成分分析获得所述待测物的长轴长度和所述待测物的中轴长度。
14.根据权利要求12所述的图像处理装置，其特征在于，所述参数计算单元还用于：
根据精确分割得到的所述待测物像素区域中的像素点构建协方差矩阵；
对构建的所述协方差矩阵进行主成分分析获得所述待测物的长轴长度和所述待测物的中轴长度。
15.根据权利要求11所述的图像处理装置，其特征在于，所述第一分割单元还用于：采用最大熵方法依据所述图像的二维直方图计算最优分割阈值。
16.根据权利要求11所述的图像分割装置，其特征在于，还包括标记单元，用于对所述初始分割二值图像的连通区域进行标记。
17.根据权利要求16所述的图像处理装置，其特征在于，还包括滤波单元，在所述标记所述初始分割二值图像的连通区域之前，对所述初始分割二值图像进行形态学滤波。
18.根据权利要求16或17所述的图像处理装置，其特征在于，所述第二分割单元还用于：以所述标记的连通区域作为所述分水岭方法的水盆底，通过分水岭方法对所述初始分割二值图像中的待测物进行精确分割。
19.根据权利要求11所述的图像处理装置，其特征在于，还包括预处理单元，用于在所述基于记录有待测物的图像中的每个像素点的灰度值计算所述每个像素点的邻域的灰度均值图像的二维直方图之前对所述图像进行预处理以消除所述图像的噪声。
20.一种渣片分布分析的装置，其特征在于，包括：
特征参数获取单元，用于通过权利要求1至权利要求8中的任一项图像处理方法获得所述图像中记录的每个渣片的特征参数；
分布获取单元，用于根据所述图像中记录的每个渣片的特征参数分析所述渣片的分布。
CN201710222227.4A 2017-04-07 2017-04-07 图像处理方法以及装置、渣片分布分析的方法及装置 Pending CN107133963A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710222227.4A CN107133963A (zh) 2017-04-07 2017-04-07 图像处理方法以及装置、渣片分布分析的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710222227.4A CN107133963A (zh) 2017-04-07 2017-04-07 图像处理方法以及装置、渣片分布分析的方法及装置

Publications (1)

Publication Number Publication Date
CN107133963A true CN107133963A (zh) 2017-09-05

Family

ID=59716625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710222227.4A Pending CN107133963A (zh) 2017-04-07 2017-04-07 图像处理方法以及装置、渣片分布分析的方法及装置

Country Status (1)

Country Link
CN (1) CN107133963A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550002A (zh) * 2018-01-17 2018-09-18 桂林电子科技大学 一种银行贵金属智能盘库系统及方法
CN108648190A (zh) * 2018-05-15 2018-10-12 中铁工程装备集团有限公司 一种基于分水岭的渣片彩色图像分析装置及方法
CN109410237A (zh) * 2018-09-14 2019-03-01 中铁工程装备集团有限公司 一种基于激光三维相机的渣片图像分割方法
CN110552705A (zh) * 2019-05-27 2019-12-10 中铁十八局集团第四工程有限公司 一种土压平衡盾构隧道掘进渣土自动改良方法
CN112138858A (zh) * 2020-08-17 2020-12-29 中铁南方投资集团有限公司 一种渣土资源化利用系统
CN112258525A (zh) * 2020-10-30 2021-01-22 西安费斯达自动化工程有限公司 一种基于鸟类高帧频序列图像丰度统计和种群识别算法
CN113052893A (zh) * 2021-03-24 2021-06-29 中南大学 基于连通图和凸包的散点图去重叠算法
CN113569943A (zh) * 2021-07-26 2021-10-29 中铁工程装备集团有限公司 一种基于深度神经网络的渣片大块预警方法、系统及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944231A (zh) * 2010-08-19 2011-01-12 北京农业智能装备技术研究中心 小麦穗部形态参数提取方法
CN104463199A (zh) * 2014-11-28 2015-03-25 福州大学 基于多特征及分割再校正的矿岩块度分类方法
CN105913425A (zh) * 2016-04-08 2016-08-31 江苏大学 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944231A (zh) * 2010-08-19 2011-01-12 北京农业智能装备技术研究中心 小麦穗部形态参数提取方法
CN104463199A (zh) * 2014-11-28 2015-03-25 福州大学 基于多特征及分割再校正的矿岩块度分类方法
CN105913425A (zh) * 2016-04-08 2016-08-31 江苏大学 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张艳: "基于数学形态学的医学图像分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王正珏: "基于字典学习的SAR图像目标识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
龚声蓉 等: "《数字图像处理与分析》", 31 May 2014, 清华大学出版社 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550002B (zh) * 2018-01-17 2021-06-08 桂林电子科技大学 一种银行贵金属智能盘库系统及方法
CN108550002A (zh) * 2018-01-17 2018-09-18 桂林电子科技大学 一种银行贵金属智能盘库系统及方法
CN108648190A (zh) * 2018-05-15 2018-10-12 中铁工程装备集团有限公司 一种基于分水岭的渣片彩色图像分析装置及方法
CN109410237A (zh) * 2018-09-14 2019-03-01 中铁工程装备集团有限公司 一种基于激光三维相机的渣片图像分割方法
CN110552705A (zh) * 2019-05-27 2019-12-10 中铁十八局集团第四工程有限公司 一种土压平衡盾构隧道掘进渣土自动改良方法
CN112138858A (zh) * 2020-08-17 2020-12-29 中铁南方投资集团有限公司 一种渣土资源化利用系统
CN112138858B (zh) * 2020-08-17 2021-07-27 中铁南方投资集团有限公司 一种渣土资源化利用系统
CN112258525A (zh) * 2020-10-30 2021-01-22 西安费斯达自动化工程有限公司 一种基于鸟类高帧频序列图像丰度统计和种群识别算法
CN112258525B (zh) * 2020-10-30 2023-12-19 西安费斯达自动化工程有限公司 一种基于鸟类高帧频序列图像丰度统计和种群识别算法
CN113052893A (zh) * 2021-03-24 2021-06-29 中南大学 基于连通图和凸包的散点图去重叠算法
CN113052893B (zh) * 2021-03-24 2022-05-06 中南大学 基于连通图和凸包的散点图去重叠算法
CN113569943A (zh) * 2021-07-26 2021-10-29 中铁工程装备集团有限公司 一种基于深度神经网络的渣片大块预警方法、系统及装置
CN113569943B (zh) * 2021-07-26 2023-10-24 中铁工程装备集团有限公司 一种基于深度神经网络的渣片大块预警方法、系统及装置

Similar Documents

Publication Publication Date Title
CN107133963A (zh) 图像处理方法以及装置、渣片分布分析的方法及装置
US10803326B2 (en) Obstacle detecting method and apparatus, device and storage medium
US10698106B2 (en) Obstacle detecting method and apparatus, device and storage medium
Bamford et al. A real-time analysis of post-blast rock fragmentation using UAV technology
CN103413444B (zh) 一种基于无人机高清视频的交通流调查处理方法
CN107194943A (zh) 图像分割方法及装置、用于渣片的图像分割方法及装置
CN108509820B (zh) 障碍物分割方法及装置、计算机设备及可读介质
CN108470174B (zh) 障碍物分割方法及装置、计算机设备及可读介质
CN101783024A (zh) 利用深度信息对深度噪声进行滤波的方法及设备
CN107424166B (zh) 点云分割方法及装置
CN111507278B (zh) 一种检测路障的方法、装置及计算机设备
CN111832492B (zh) 静态交通异常的判别方法、装置、计算机设备及存储介质
US9978184B2 (en) Methods and apparatuses for marking target in 3D image
US20160307050A1 (en) Method and system for ground truth determination in lane departure warning
EP4105885A1 (en) Image processing device, image processing system, image processing method, and image processing program
Malmir et al. Design and FPGA implementation of dual-stage lane detection, based on Hough transform and localized stripe features
CN110910415A (zh) 抛物检测方法、装置、服务器和计算机可读介质
Wu et al. Dpattack: Diffused patch attacks against universal object detection
Meshram et al. Traffic surveillance by counting and classification of vehicles from video using image processing
CN111597845A (zh) 一种二维码检测方法、装置、设备及可读存储介质
CN116071729A (zh) 可行驶区域和路沿的检测方法、装置及相关设备
Loncomilla et al. Detecting rocks in challenging mining environments using convolutional neural networks and ellipses as an alternative to bounding boxes
CN116879883A (zh) 激光雷达噪点数据采集处理方法、装置、介质及车辆
CN112990169B (zh) 煤岩界面的识别方法、割煤轨迹的确定方法及装置
CN113569943B (zh) 一种基于深度神经网络的渣片大块预警方法、系统及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170905