CN107240141A - 一种基于图像处理的纸张纤维素纤维二维结构重建方法 - Google Patents
一种基于图像处理的纸张纤维素纤维二维结构重建方法 Download PDFInfo
- Publication number
- CN107240141A CN107240141A CN201710357131.9A CN201710357131A CN107240141A CN 107240141 A CN107240141 A CN 107240141A CN 201710357131 A CN201710357131 A CN 201710357131A CN 107240141 A CN107240141 A CN 107240141A
- Authority
- CN
- China
- Prior art keywords
- image
- node
- nodes
- skeletonizing
- cellulose fiber
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/30168—Image quality 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
- G06T2207/30172—Centreline of tubular or elongated structure
Abstract
本发明公开了一种基于图像处理的纸张纤维素纤维二维结构重建方法,涉及纤维结构形态重建技术领域,采用SEM图像,进行二值化、形态学改善、骨架与边缘线提取、结点提取和直线替代曲线的一系列处理,最终获取纸张纤维素纤维二维结构模型。其中,“二值化”采用双阈值与局部阈值相结合的更精准的二值化算法;“形态学改善”采用了膨胀、腐蚀、开闭运算等修复算法;“直线替代曲线”采取了通过判断结点是否连通识别出可进行直线替代的曲线结点对的算法。解决了现有纸张纤维素结构模型与实际纤维微观结构差异较大或者模型参数过于复杂的问题,重建的结构模型可应用于多个纤维素应用领域的结构有限元仿真模拟计算。
Description
技术领域
本发明涉及纤维结构形态学重建技术领域,具体涉及一种基于图像处理的纸张纤维素纤维二维结构重建方法。
背景技术
纤维素是自然界中分布最广、储量最大的天然高分子,每年植物通过光合作用产生纤维素数千亿吨,因此说纤维素是一种产量巨大的可再生资源。纤维素还具有可完全生物降解、无毒、无污染、易于改性、生物相容性好、可再生等优势,被认为是未来世界能源、化工的主要原料,可广泛用于造纸,纤维与纺织品以及纤维素衍生物等领域。
纸张作为一种相对“年长”的纤维素纤维结构,在近年的一些科研领域又得到了应用,例如纸基电池隔膜。针对纸张结构的研究已经是相对“老旧”的学术问题了,针对纤维素宏观、微观甚至分子尺度的研究已经开展多年,然而由于纸张纤维素纤维结构的紊乱性与无序性,至今还没有一种基于纸张纤维素纤维微观图像,能够完美提取纸张/纤维结构形态的结构模型。早起研究中,纤维很多时候被简化为单纤维或孤立纤维,国外科学家在单纤维的基础上,考虑周围纤维的干扰来建立纤维模型,利用计算机技术生成二维编织(纤维平行和交叉排列)纤维结构。也有研究者利用计算机技术随机产生二维或者三维的纤维结构,并考虑了纤维的直径、长度、方向等因素。然而,这两类方法建立所得的模型与纤维的实际结构依旧相差较大,并不能真实反映纤维的结构,只能应用于一些简单的定性模拟分析。
申请号为201310721647.9,公布号为CN 103673923A,发明名称为“基于数字图像处理的曲线纤维网络结构形貌特征测量方法”的发明专利涉及生物实验图像数据分析领域,是一种应用于亚细胞尺度的基于数字图像处理的曲线纤维网络结构形貌特征测量方法。该发明通过对纤维网络图像进行骨架化图案提取,进行单根纤维跟交叉点识别,删除短纤维保留主干纤维,最后进行纤维重组的方法获得曲线纤维网络结构形貌特征。该发明能够获取主干纤维的结构形貌特征,但是却不得已丢失了短纤维,与纤维实际结构还是差别较大。
现有的纤维素结构模型方法获得的结构模型要么与实际结构差异较大,要么模型过于复杂难以应用于模拟计算。
发明内容
本发明的目的是针对上述现有技术的不足,提供了一种基于图像处理的纸张纤维素纤维二维结构重建方法,该方法通过二值化处理、形态学处理、骨架化、边缘提取和直线简化替代,实现了纤维素结构的图像重建,从而获得可以表征纸张纤维素纤维微观形貌结构的二维模型,解决了现有纤维素结构模型建立方法中存在的形貌特征结构与纤维素实际结构差异较大或者模型参数过于复杂庞大的技术问题,使获取的结构模型可应用于例如纤维素基锂电池热力学、电化学性能仿真等各类纤维素应用领域的模拟仿真中。
本发明的目的可以通过如下技术方案实现:
一种基于图像处理的纸张纤维素纤维二维结构重建方法,所述方法包括以下步骤:
1)读取通过SEM(环境扫描电镜)拍摄所得的纸张纤维素纤维微观结构图像;
2)将纸张纤维素纤维微观结构图像从RGB格式转换为灰度图像,再将灰度图像进行二值化处理获得二值图像BW;
3)运用形态学方法对二值图像BW中的纤维结构进行改善处理,得到图像BW1;
4)运用卷积算法对图像BW1和原图像的灰度图像进行相关性计算,以此判定图像BW1的处理质量,当相关性达到设定的阈值时进行下一步处理,否则返回步骤3)进一步做形态学改善处理;
5)对图像BW1进行纤维结构的骨架化提取得到骨架化图像SI,对图像BW1进行边缘线提取得到边缘线图像EI;
6)分别对提取的骨架化图像SI和边缘线图像EI进行线段结合点,即结点的提取,得到结点矩阵J;
7)使用结点间连通判断识别算法,对两个结点间是否存在线段,即是否连通进行判断,获得所有相连通的结点对坐标数据;
8)将所有被判断为连通的结点对进行连线绘图,以此实现骨架化图像SI和边缘线图像EI的曲线-直线转换,即将原图像中连接的曲线全部用直线代替,获得结构更为规则、数据量更为简单的纤维网络二维结构图像;
9)通过绘制所得图像获得矢量数据,实现对图像的矢量化存储,并直接获得纸张纤维素纤维结构的骨架和边缘二维结构线体模型。
进一步地,步骤2)中,对灰度图像使用了双阈值和局部区域阈值相结合的图像二值化算法进行了精确的二值化处理,具体过程如下:
2.1)使用双阈值对灰度图像进行二值化处理,得到二值图像BWa;
2.2)对灰度图像的每个小区域分别使用局部区域阈值进行二值化处理,得到二值图像BWb;
2.3)将二值图像BWa和二值图像BWb叠加起来,获得二值图像BW。
进一步地,所述步骤3)的改善处理包括以下手段:开运算、闭运算、膨胀、腐蚀、小区域剔除、填充和重构,其目的分别为:通过开运算将一些需要断开的狭隘连接进行断开处理;通过闭运算将一些相对靠近的缝隙进行连接,并且使纤维边缘更加圆滑;运用膨胀、腐蚀处理来控制纤维的厚度大小,进行尺寸上的调节;使用重构算法将一些丢失的纤维从原图中进行再一次的获取,并进行补充;通过小区域剔除运算,将像素面积小于设定阈值的独立块剔除。
进一步地,步骤5)中,骨架化提取用的是中心线提取算法,为形态学函数bwmorph中的skull模块,进行多次提取后,最后得到单像素点的骨架化图像SI,并且连结处不会出现断开失真的情况;边缘线提取用的是canny边缘检测算子,使用edge函数进行处理,最后得到二值图像的边缘线图像EI,即纤维结构的真实轮廓。
进一步地,步骤6)中结点的提取采用的是形态学函数bwmorph中的branchpoints算法,提取出所有的结点进行保存,得到结点矩阵J。
进一步地,步骤7)的结点间连通判断识别算法具体过程为:
7.1)将骨架化图像SI和边缘线图像EI中所有结点对应的位置挖空,将所有纤维段进行隔离,即所有线段都被孤立;
7.2)在骨架化图像SI和边缘线图像EI中分别将单一结点Ni对应位置进行填补,经过填补,使结点Ni与其原先连接的线段得以重新连接;
7.3)以结点Ni为中心建立一个正方形区域,在该区域内搜索其他结点;
7.4)在骨架化图像SI和边缘线图像EI中分别对该区域内搜索到的其他结点Nj对应位置进行填补,使结点Nj与其原先连接的线段得以重新连接;
7.5)对此时的骨架化图像SI和边缘线图像EI进行区域标记操作,并判断结点Ni和结点Nj是否处在同一个区域内:
7.5.1)如果是,即表示结点Ni和结点Nj是相邻结点,并且两结点之间有曲线段存在,即它们是连通的结点对,将两结点坐标数据进行存储;
7.5.2)如果否,即表示结点Ni和结点Nj不是相邻结点,它们之间并不应该连线,不作为;
7.6)判断结点Ni正方形区域内的结点Nj是否已经判断完:
7.6.1)如果否,即令j=j+1,在结点Ni所在区域内继续搜寻下一个结点,回到步骤7.4);
7.6.2)如果是,即已完成结点Ni的区域搜索判断,将结点Ni从结点矩阵J中剔除;
7.7)判断是否已经将结点矩阵J中所有结点Ni进行了区域搜索判断:
7.7.1)如果是,即判断算法结束,所有结点对坐标已获取;
7.7.2)如果否,即令i=i+1,进行结点矩阵J中下一个结点的区域搜索,回到步骤7.2);
结点间连通判断识别算法结束后,获得所有相连通的结点对坐标数据。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明采用双阈值和局部阈值相结合的二值化算法,并且运用形态学处理对图像形貌进行改善,处理后最终获取的二值图像的纤维素在形貌上与原图像的相当接近,解决了现有纤维素结构模型建立方法中存在的形貌特征结构与纤维素实际结构差异较大的问题。
2、本发明对提取获得的骨架化图像和边缘线图像,都进行了结点识别、结点连通性判断,最后进行了结点间直线连线,将原图曲线全部用直线代替,最终可以获取到与纤维形貌接近并且结构相对简单、数据量相对较小的二维结构矢量模型,避免了结构模型过于复杂的问题,使得模型可以应用到后续的模拟仿真研究中。
附图说明
图1为本实施例一种基于图像处理的纸张纤维素纤维二维结构重建方法的流程图。
图2为本实施例的结点间连通判断识别算法的流程图。
图3(a)为本实施例的SEM图像OI,图3(b)为本实施例的二值图像BW,图3(c)为本实施例的图像BW1,图3(d)为本实施例的骨架化图像SI,图3(e)为本实施例的边缘线图像EI,图3(f)为本实施例的结点挖空、填补示意图,图3(g)为本实施例的骨架二维结构线体模型,图3(h)为本实施例的边缘二维结构线体模型。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于图像处理的纸张纤维素纤维二维结构重建方法,所述方法的流程图如图1所示,包括以下步骤:
1)读取通过SEM(环境扫描电镜)拍摄所得的纸张纤维素纤维微观结构图像OI,如图3(a)所示。
2)将纸张纤维素纤维微观结构图像从RGB格式转换为灰度图像,再将灰度图像进行二值化处理获得二值图像BW,如图3(b)所示;
本步骤中,对灰度图像使用了双阈值和局部区域阈值相结合的图像二值化算法进行了精确的二值化处理,具体过程如下:
2.1)使用双阈值对灰度图像进行二值化处理,得到二值图像BWa;
2.2)对灰度图像的每个小区域分别使用局部区域阈值进行二值化处理,得到二值图像BWb;
2.3)将二值图像BWa和二值图像BWb叠加起来,获得二值图像BW。
3)运用形态学方法对二值图像BW中的纤维结构进行改善处理,得到图像BW1,如图3(c)所示;本步骤的改善处理具体包括以下手段:开运算、闭运算、膨胀、腐蚀、小区域剔除、填充和重构,其目的分别为:通过开运算将一些需要断开的狭隘连接进行断开处理;通过闭运算将一些相对靠近的缝隙进行连接,并且使纤维边缘更加圆滑;运用膨胀、腐蚀处理来控制纤维的厚度大小,进行尺寸上的调节;使用重构算法将一些丢失的纤维从原图中进行再一次的获取,并进行补充;通过小区域剔除运算,将像素面积小于一定阈值的独立块剔除。
4)运用卷积算法对图像BW1和原图像的灰度图像进行相关性计算,以此判定图像BW1的处理质量,当相关性达到设定的阈值时进行下一步处理,否则返回步骤3)进一步做形态学改善处理;
5)对图像BW1进行纤维结构的骨架化提取得到骨架化图像SI,对图像BW1进行边缘线提取得到边缘线图像EI;
本步骤中,骨架化提取主要用的是中心线提取算法,为形态学函数bwmorph中的skull模块,进行多次提取后,最后得到单像素点的骨架化图像SI,并且连结处不会出现断开失真的情况,骨架化图像SI如图3(d)所示;边缘线提取主要用的是canny边缘检测算子,使用edge函数进行处理,便可以获取二值图像的边缘线图像EI,即纤维结构的真实轮廓,如图3(e)所示。
6)分别对提取的骨架化图像SI和边缘线图像EI进行线段结合点,即结点的提取,得到结点矩阵J;
本步骤中,结点的提取采用的是形态学函数bwmorph中的branchpoints算法,提取出所有的结点进行保存,得到结点矩阵J。
7)使用结点间连通判断识别算法(流程图如图2所示),对两个结点间是否存在线段,即是否连通进行判断,获得所有相连通的结点对坐标数据;具体步骤为:
7.1)将骨架化图像SI和边缘线图像EI中所有结点对应的位置进行3x3的小块挖空,挖空效果如图3(f)左下角图像所示,这样便将所有纤维段进行了隔离,即所有线段都被孤立;
7.2)在骨架化图像SI和边缘线图像EI中分别将单一结点Ni对应位置进行填补,填补效果如图3(f)右下角所示(图3(f)显示的是多结点填补),经过填补,使结点Ni与其原先连接的线段得以重新连接;
7.3)以结点Ni为中心建立一个正方形区域,在该区域内搜索其他结点;
7.4)对区域内搜索到的其他结点Nj在骨架化图像SI和边缘线图像EI中对应位置进行填补,使结点Nj与其原先连接的线段得以重新连接;
7.5)对此时的骨架化图像SI和边缘线图像EI进行区域标记操作,并判断结点Ni和结点Nj是否处在同一个区域内:
7.5.1)如果是,即表示结点Ni和结点Nj是相邻结点,并且两结点之间有曲线段存在,即它们是连通的结点对,将两结点坐标数据进行存储;
7.5.2)如果否,即表示结点Ni和结点Nj不是相邻结点,它们之间并不应该连线,不作为;
7.6)判断结点Ni正方形区域内的结点Nj是否已经判断完:
7.6.1)如果否,即令j=j+1,在结点Ni所在区域内继续搜寻下一个结点,回到步骤7.4);
7.6.2)如果是,即已完成结点Ni的区域搜索判断,将结点Ni从结点矩阵J中剔除;
7.7)判断是否已经将结点矩阵J中所有结点Ni进行了区域搜索判断:
7.7.1)如果是,即判断算法结束,所有结点对坐标已获取;
7.7.2)如果否,即令i=i+1,进行结点矩阵J中下一个结点的区域搜索,回到步骤7.2);
结点间连通判断识别算法结束后,获得所有相连通的结点对坐标数据。
8)将所有被判断为连通的结点对进行连线绘图,以此实现骨架化图像SI和边缘线图像EI的曲线-直线转换,即将原图像中连接的曲线全部用直线代替,获得结构更为规则、数据量更为简单的纤维二维结构图像;
9)通过绘制所得图像获得矢量数据,实现对图像的矢量化存储,并直接获得纸张纤维素纤维结构的骨架和边缘二维结构线体模型,所述骨架二维结构线体模型如图3(g)所示,边缘二维结构线体模型如图3(h)所示。
以上所述,仅为本发明专利较佳的实施例,但本发明专利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专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (6)
1.一种基于图像处理的纸张纤维素纤维二维结构重建方法,其特征在于,所述方法包括以下步骤:
1)读取通过SEM拍摄所得的纸张纤维素纤维微观结构图像OI;
2)将纸张纤维素纤维微观结构图像OI从RGB格式转换为灰度图像,再将灰度图像进行二值化处理获得二值图像BW;
3)运用形态学算法对二值图像BW中的纤维结构进行改善处理,得到图像BW1;
4)运用卷积算法对图像BW1和原图像的灰度图像进行相关性计算,以此判定图像BW1的处理质量,当相关性达到设定的阈值时进行下一步处理,否则返回步骤3)进一步做形态学改善处理;
5)对图像BW1进行纤维结构的骨架化提取得到骨架化图像SI,对图像BW1进行边缘线提取得到边缘线图像EI;
6)分别对提取的骨架化图像SI和边缘线图像EI进行线段结合点,即结点的提取,得到结点矩阵J;
7)使用结点间连通判断识别算法,对两个结点间是否存在线段,即是否连通进行判断,获得所有相连通的结点对坐标数据;
8)将所有被判断为连通的结点对进行连线绘图,以此实现骨架化图像SI和边缘线图像EI的曲线-直线转换,即将原图像中连接的曲线全部用直线代替,获得结构更为规则、数据量更为简单的纤维网络二维结构图像;
9)通过绘制所得图像获得矢量数据,实现对图像的矢量化存储,并直接获得纸张纤维素纤维结构的骨架和边缘二维结构线体模型。
2.根据权利要求1所述的一种基于图像处理的纸张纤维素纤维二维结构重建方法,其特征在于:步骤2)中,对灰度图像使用了双阈值和局部区域阈值相结合的图像二值化算法进行了精确的二值化处理,具体过程如下:
2.1)使用双阈值对灰度图像进行二值化处理,得到二值图像BWa;
2.2)对灰度图像的每个小区域分别使用局部区域阈值进行二值化处理,得到二值图像BWb;
2.3)将二值图像BWa和二值图像BWb叠加起来,获得二值图像BW。
3.根据权利要求1所述的一种基于图像处理的纸张纤维素纤维二维结构重建方法,其特征在于:所述步骤3)的改善处理包括以下手段:开运算、闭运算、膨胀、腐蚀、小区域剔除、填充和重构,其目的分别为:通过开运算将一些需要断开的狭隘连接进行断开处理;通过闭运算将一些相对靠近的缝隙进行连接,并且使纤维边缘更加圆滑;运用膨胀、腐蚀处理来控制纤维的厚度大小,进行尺寸上的调节;使用重构算法将一些丢失的纤维从原图中进行再一次的获取,并进行补充;通过小区域剔除运算,将像素面积小于设定阈值的独立块剔除。
4.根据权利要求1所述的一种基于图像处理的纸张纤维素纤维二维结构重建方法,其特征在于:步骤5)中,骨架化提取用的是中心线提取算法,为形态学函数bwmorph中的skull模块,进行多次提取后,最后得到单像素点的骨架化图像SI,并且连结处不会出现断开失真的情况;边缘线提取用的是canny边缘检测算子,使用edge函数进行处理,最后得到二值图像的边缘线图像EI,即纤维结构的真实轮廓。
5.根据权利要求1所述的一种基于图像处理的纸张纤维素纤维二维结构重建方法,其特征在于:步骤6)中结点的提取采用的是形态学函数bwmorph中的branchpoints算法,提取出所有的结点进行保存,得到结点矩阵J。
6.根据权利要求1所述的一种基于图像处理的纸张纤维素纤维二维结构重建方法,其特征在于,步骤7)的结点间连通判断识别算法具体过程为:
7.1)将骨架化图像SI和边缘线图像EI中所有结点对应的位置挖空,将所有纤维段进行隔离,即所有线段都被孤立;
7.2)在骨架化图像SI和边缘线图像EI中分别将单一结点Ni对应位置进行填补,经过填补,使结点Ni与其原先连接的线段得以重新连接;
7.3)以结点Ni为中心建立一个正方形区域,在该区域内搜索其他结点;
7.4)在骨架化图像SI和边缘线图像EI中分别对该区域内搜索到的其他结点Nj对应位置进行填补,使结点Nj与其原先连接的线段得以重新连接;
7.5)对此时的骨架化图像SI和边缘线图像EI进行区域标记操作,并判断结点Ni和结点Nj是否处在同一个区域内:
7.5.1)如果是,即表示结点Ni和结点Nj是相邻结点,并且两结点之间有曲线段存在,即它们是连通的结点对,将两结点坐标数据进行存储;
7.5.2)如果否,即表示结点Ni和结点Nj不是相邻结点,它们之间并不应该连线,不作为;
7.6)判断结点Ni正方形区域内的结点Nj是否已经判断完:
7.6.1)如果否,即令j=j+1,在结点Ni所在区域内继续搜寻下一个结点,回到步骤7.4);
7.6.2)如果是,即已完成结点Ni的区域搜索判断,将结点Ni从结点矩阵J中剔除;
7.7)判断是否已经将结点矩阵J中所有结点Ni进行了区域搜索判断:
7.7.1)如果是,即判断算法结束,所有结点对坐标已获取;
7.7.2)如果否,即令i=i+1,进行结点矩阵J中下一个结点的区域搜索,回到步骤7.2);
结点间连通判断识别算法结束后,获得所有相连通的结点对坐标数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710357131.9A CN107240141B (zh) | 2017-05-19 | 2017-05-19 | 一种基于图像处理的纸张纤维素纤维二维结构重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710357131.9A CN107240141B (zh) | 2017-05-19 | 2017-05-19 | 一种基于图像处理的纸张纤维素纤维二维结构重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107240141A true CN107240141A (zh) | 2017-10-10 |
CN107240141B CN107240141B (zh) | 2019-10-18 |
Family
ID=59985019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710357131.9A Active CN107240141B (zh) | 2017-05-19 | 2017-05-19 | 一种基于图像处理的纸张纤维素纤维二维结构重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107240141B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657621A (zh) * | 2017-10-20 | 2018-02-02 | 南京林业大学 | 基于线性区域生长的二维激光点云序列实时分割方法 |
CN108490005A (zh) * | 2018-03-09 | 2018-09-04 | 华南理工大学 | 锂离子电池纤维素隔膜多尺度结构模型的优化方法 |
CN108519314A (zh) * | 2018-03-19 | 2018-09-11 | 华南理工大学 | 一种基于数字图像处理的纸张孔隙率测量与孔径分析方法 |
CN109147031A (zh) * | 2018-07-10 | 2019-01-04 | 华南理工大学 | 一种基于s2层螺旋微纤的木材纤维同心椭圆模型建模方法 |
CN109308738A (zh) * | 2018-07-26 | 2019-02-05 | 华南理工大学 | 基于优化Delaunay三角剖分的植物微观组织重建方法 |
CN109492544A (zh) * | 2018-10-19 | 2019-03-19 | 兰波(苏州)智能科技有限公司 | 一种通过增强光学显微镜对动物纤维进行分类的方法 |
CN109543531A (zh) * | 2018-10-19 | 2019-03-29 | 兰波(苏州)智能科技有限公司 | 一种纤维提取和纤维视觉矫正的方法 |
CN109671042A (zh) * | 2018-12-19 | 2019-04-23 | 西安电子科技大学 | 基于fpga形态学算子的灰度图像处理系统及方法 |
CN112164085A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 一种基于图像处理的纤维图像分割及直径统计方法 |
CN112164134A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 一种基于图像处理的随机曲线建模方法 |
CN112380741A (zh) * | 2020-10-31 | 2021-02-19 | 华南理工大学 | 一种面向随机纤维网格的有限元模型建模方法 |
CN116797450A (zh) * | 2023-08-29 | 2023-09-22 | 中南大学 | 基于曲线的图像风格化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794707A (zh) * | 2015-04-08 | 2015-07-22 | 国家电网公司 | 一种绝缘子串红外图像盘面和钢帽区域的自动提取方法 |
CN105260559A (zh) * | 2015-10-31 | 2016-01-20 | 齐鲁工业大学 | 一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法 |
-
2017
- 2017-05-19 CN CN201710357131.9A patent/CN107240141B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794707A (zh) * | 2015-04-08 | 2015-07-22 | 国家电网公司 | 一种绝缘子串红外图像盘面和钢帽区域的自动提取方法 |
CN105260559A (zh) * | 2015-10-31 | 2016-01-20 | 齐鲁工业大学 | 一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法 |
Non-Patent Citations (3)
Title |
---|
J.VIGUIÉ: "Finding fibres and their contacts within 3D images of disordered fibrous media", 《COMPOSITES SCIENCE AND TECHNOLOGY》 * |
赵训明: "棉与苎麻纤维的计算机图像识别方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
高慧: "纸浆纤维图像分离算法的实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657621A (zh) * | 2017-10-20 | 2018-02-02 | 南京林业大学 | 基于线性区域生长的二维激光点云序列实时分割方法 |
CN107657621B (zh) * | 2017-10-20 | 2021-04-13 | 南京林业大学 | 基于线性区域生长的二维激光点云序列实时分割方法 |
CN108490005A (zh) * | 2018-03-09 | 2018-09-04 | 华南理工大学 | 锂离子电池纤维素隔膜多尺度结构模型的优化方法 |
CN108490005B (zh) * | 2018-03-09 | 2019-10-18 | 华南理工大学 | 锂离子电池纤维素隔膜多尺度结构模型的优化方法 |
CN108519314A (zh) * | 2018-03-19 | 2018-09-11 | 华南理工大学 | 一种基于数字图像处理的纸张孔隙率测量与孔径分析方法 |
CN109147031A (zh) * | 2018-07-10 | 2019-01-04 | 华南理工大学 | 一种基于s2层螺旋微纤的木材纤维同心椭圆模型建模方法 |
CN109147031B (zh) * | 2018-07-10 | 2023-05-23 | 华南理工大学 | 一种基于s2层螺旋微纤的木材纤维同心椭圆模型建模方法 |
CN109308738B (zh) * | 2018-07-26 | 2020-09-22 | 华南理工大学 | 基于优化Delaunay三角剖分的植物微观组织重建方法 |
CN109308738A (zh) * | 2018-07-26 | 2019-02-05 | 华南理工大学 | 基于优化Delaunay三角剖分的植物微观组织重建方法 |
CN109492544B (zh) * | 2018-10-19 | 2023-01-03 | 兰波(苏州)智能科技有限公司 | 一种通过增强光学显微镜对动物纤维进行分类的方法 |
CN109543531A (zh) * | 2018-10-19 | 2019-03-29 | 兰波(苏州)智能科技有限公司 | 一种纤维提取和纤维视觉矫正的方法 |
CN109543531B (zh) * | 2018-10-19 | 2023-01-03 | 兰波(苏州)智能科技有限公司 | 一种纤维提取和纤维视觉矫正的方法 |
CN109492544A (zh) * | 2018-10-19 | 2019-03-19 | 兰波(苏州)智能科技有限公司 | 一种通过增强光学显微镜对动物纤维进行分类的方法 |
CN109671042A (zh) * | 2018-12-19 | 2019-04-23 | 西安电子科技大学 | 基于fpga形态学算子的灰度图像处理系统及方法 |
CN109671042B (zh) * | 2018-12-19 | 2022-12-06 | 西安电子科技大学 | 基于fpga形态学算子的灰度图像处理系统及方法 |
CN112164085A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 一种基于图像处理的纤维图像分割及直径统计方法 |
CN112164134A (zh) * | 2020-09-28 | 2021-01-01 | 华南理工大学 | 一种基于图像处理的随机曲线建模方法 |
CN112164085B (zh) * | 2020-09-28 | 2023-08-18 | 华南理工大学 | 一种基于图像处理的纤维图像分割及直径统计方法 |
CN112164134B (zh) * | 2020-09-28 | 2024-03-22 | 华南理工大学 | 一种基于图像处理的随机曲线建模方法 |
CN112380741A (zh) * | 2020-10-31 | 2021-02-19 | 华南理工大学 | 一种面向随机纤维网格的有限元模型建模方法 |
CN116797450A (zh) * | 2023-08-29 | 2023-09-22 | 中南大学 | 基于曲线的图像风格化方法 |
CN116797450B (zh) * | 2023-08-29 | 2023-11-10 | 中南大学 | 基于曲线的图像风格化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107240141B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107240141B (zh) | 一种基于图像处理的纸张纤维素纤维二维结构重建方法 | |
CN107066934A (zh) | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 | |
CN106202728B (zh) | 基于Micro-CT三维编织复合材料非均匀Voxel网格离散方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN105894045A (zh) | 一种基于空间金字塔池化的深度网络模型的车型识别方法 | |
CN108734138A (zh) | 一种基于集成学习的黑色素瘤皮肤病图像分类方法 | |
CN108304357A (zh) | 一种基于字体流形的中文字库自动生成方法 | |
CN109087396A (zh) | 一种基于混凝土ct图像像素特征的细观结构重构方法 | |
CN111931814B (zh) | 一种基于类内结构紧致约束的无监督对抗域适应方法 | |
CN108053478A (zh) | 一种基于像素理论的颗粒增强复合材料有限元建模方法 | |
CN111723764A (zh) | 改进Faster RCNN水培蔬菜幼苗状态检测方法 | |
CN109711411B (zh) | 一种基于胶囊神经元的图像分割识别方法 | |
CN109871892A (zh) | 一种基于小样本度量学习的机器人视觉认知系统 | |
CN110909762A (zh) | 基于多传感器融合的机器人姿态识别方法及装置 | |
CN112164085B (zh) | 一种基于图像处理的纤维图像分割及直径统计方法 | |
CN107046534A (zh) | 一种网络安全态势模型训练方法、识别方法及识别装置 | |
CN111858997B (zh) | 一种基于跨领域匹配的服装样板生成方法 | |
CN107633272A (zh) | 一种基于小样本下压缩感知的dcnn纹理疵点识别方法 | |
CN111627505B (zh) | 一种团簇结构类型识别方法 | |
Rajasekar et al. | Detection of Cotton Plant Diseases Using Deep Transfer Learning. | |
CN114898472B (zh) | 基于孪生视觉Transformer网络的签名鉴定方法和系统 | |
CN104331892B (zh) | 一种基于形态学的神经元识别与分析方法 | |
CN112488963A (zh) | 一种用于农作物病害数据的增强方法 | |
CN109389170B (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
CN106503345B (zh) | 一种蓝印花布纹样设计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |