CN107273608B - 一种油藏地质剖面图矢量化方法 - Google Patents

一种油藏地质剖面图矢量化方法 Download PDF

Info

Publication number
CN107273608B
CN107273608B CN201710444737.6A CN201710444737A CN107273608B CN 107273608 B CN107273608 B CN 107273608B CN 201710444737 A CN201710444737 A CN 201710444737A CN 107273608 B CN107273608 B CN 107273608B
Authority
CN
China
Prior art keywords
image
gradient
oil reservoir
point
geological profile
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
CN201710444737.6A
Other languages
English (en)
Other versions
CN107273608A (zh
Inventor
孙歧峰
段友祥
李洪强
李宁宁
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201710444737.6A priority Critical patent/CN107273608B/zh
Publication of CN107273608A publication Critical patent/CN107273608A/zh
Application granted granted Critical
Publication of CN107273608B publication Critical patent/CN107273608B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公布了一种新的油藏地质剖面图矢量化方法，其特征在于包括以下步骤：步骤S1：将油藏地质剖面图作为输入；步骤S2：采用高斯滤波对图像进行平滑滤波，然后在平滑的基础上采用拉普拉斯锐化方法来增强图像；步骤S3：首先进行颜色空间模型转换，再进行颜色聚类分割；步骤S4：用改进的自适应Canny边缘检测算法对图像进行边缘检测，获取边缘轮廓；步骤S5：对获取的轮廓进行矢量化；步骤S6：矢量图输出：输出SVG格式的矢量图。使用该发明矢量化的油藏地质剖面图较好的保留了各层的层位信息，得到的矢量化图易于编辑和保存，并在随钻地质综合解释中得到了很好的实际应用。

Description

一种油藏地质剖面图矢量化方法
技术领域
本发明涉及一种油藏地质剖面图矢量化方法，属于计算机辅助设计技术领域，具体地说是一种基于改进的自适应Canny(Canny，John F.Canny于1986年开发出来的一个多级边缘检测算法)边缘检测的油藏地质剖面图矢量化方法。
背景技术
地质剖面图是用规定的符号、花纹和颜色按一定的比例，沿一定的方向，表示一定的距离内，地下一定深度内地质现象的图件。一般要表示出地层分层、断层、岩性等地层结构和岩体属性特征。它形象直观地表达了地层的结构构造和地层的沉积规律，是地层在垂向上最直观最有效的表达方式。油藏地质剖面图能为系统分析区域或局部的油藏地质条件、正确指导油藏资源开发利用和优化管理提供依据。
现在很多老油田已经进入了后期开发，小油藏、隐蔽油藏等复杂油藏成为主要的开发对象，运用的技术手段也越来越多样化，要求的基础地质数据资料也越来越多。但是，由于受早期条件的限制，这些老油田的很多地质资料不全或不符合现在开发技术手段的要求。例如，作为重要地质成果图件的地质剖面图，过去大多采用手工绘制很容易转化为位图图像或软件绘制位图图像又称为栅格图像。它们虽然能够逼真展现地层剖面，但是难以运用现代计算机技术进行处理，图像的数据量大，不能进行保真缩放，难以满足现代的钻井导向、油藏精确描述识别等先进技术的要求。因此，对过去的陈旧的地质资料进行深度加工和处理是老油田有效开发的重要基础，矢量化就是其中重要的内容之一。矢量化是将栅格图像转换为矢量图像的过程，其实质是将图像数据转换为矢量图形数据，从而更方便地对图形进行处理，并精确地表达空间对象的位置、长度等更多的信息。
随着计算机技术的发展，以及图像处理技术应用的深入，图像矢量化对象由早期的二值位图即黑白图片变为现在的彩色图像，矢量化算法也在不断地发展。图像矢量化的流程一般包括图像分割、图像轮廓提取、曲线特征点提取、曲线拟合等主要环节，为了更好地实现矢量化，针对各个环节存在的突出问题，人们研究和提出了各种不同的解决思路，从而出现了不同的矢量化算法，主要包括基于轮廓的矢量化算法，基于边缘的矢量化算法，基于细化的方法，基于梯度网格的矢量化算法等。
例如文献1：Selinger P.Potrace:a polygon-based tracing algorithm[J].2003.中提出了基于多边形的位图轮廓矢量化算法Potrace，该算法的思想是把位图分解为一些路径，将每条路径都近似为一个最优多边形，由多边形转化为光滑的轮廓，最后由贝塞尔曲线进行拟合产生矢量化图像。
文献2：石文莹.图像特征阈值分割及其矢量化的研究[D].合肥工业大学,2012.中提出了采用基于细化和自适应网格相结合的矢量化方法，解决了传统基于细化方法容易在交叉处产生畸变的情况。
文献3：王红岩,毛善君.煤矿地质剖面图的计算机矢量化方法探讨[J].计算机工程与科学,2005,(10):35-36+68.针对于煤矿地质剖面图提出了采用不同的算法删除各种岩性符号，只保留各个地层的边界线，最后自动矢量化的方法，该方法需要采用不同的算法删除不同的岩性符号，但是地层岩性符号众多，不可能处理每一种岩性符号，实用性差。
专利CN201610051086公布了一种基于色彩分割的控规图纸自动矢量化方法,该方法将图像转换为HSV空间进行匹配分割，将分割后的结果进行二值化，最后进行连通体抽取，得到矢量坐标。该方法可以快速分析图纸,完成整个矢量图纸的转换过程,但是对于噪声多的图像的轮廓信息存在丢失现象。上述方法在实际问题解决中都得到了应用，一些矢量化软件采用了其中的部分算法，但是对于地层剖面图的矢量化，这些算法还存在不足，不能满足地层剖面图矢量化的要求。
发明内容
本发明目的:针对油藏地质剖面图的特点，提出了颜色聚类结合改进的自适应Canny边缘检测算法的一种油藏地质剖面图矢量化方法，用于支持油藏地质剖面图的矢量化。
一种油藏地质剖面图矢量化方法，包括以下步骤：
步骤S1：运用MATLAB(MATLAB，美国MathWorks公司出品的商业数学软件)软件，通过将Direct(Direct，即“数字化油藏表征软件系统”，Direct为其英文全称“DigitalReservoir Characterization Tool”的缩写)数字化油藏表征软件系统输出的地质剖面图作为输入，将该油藏地质剖面图根据本文的矢量化方法获得矢量化结果；
步骤S2：对步骤S1中的输入进行预处理，采用高斯滤波对图像进行平滑滤波，然后在平滑的基础上采用拉普拉斯锐化方法来增强图像；
步骤S3：对预处理后的油藏地质剖面图由RGB(RGB，代表红、绿、蓝三个通道的颜色)颜色空间模型转为Lab(Lab，Lab色彩模型中明度L和有关色彩的三个要素)颜色空间模型，再进行颜色聚类分割，得出初始油藏地质剖面图；
步骤S4：采用改进的自适应Canny边缘检测算法对所述初始油藏地质剖面图进行边缘检测，获取所述初始油藏地质剖面图的边缘轮廓；
步骤S41：首先利用一维高斯函数，对图像进行低通平滑滤波；
步骤S42：用Sobel(Sobel，由Irwin Sobel提出的一种一阶梯度算子)算子对图像进行卷积求像素点的梯度，采用X轴、45°和135°方向上的一阶梯度模板，模板如下所示：
Figure BDA0001320939990000031
；三个方向上的一阶梯度分量分别为GX(i,j)、G45°(i,j)、G135°(i,j)，由三个对应的一阶梯度模板与图像进行卷积得到，其中(i,j)表示图像中i行j列的像素点，每个像素点的梯度幅值为：
Figure BDA0001320939990000032
梯度方向为：
Figure BDA0001320939990000033
GY(i,j)为Y轴方向的一阶梯度分量；
步骤S43：依据大小为n行m列的梯度图像M，计算以(i,j)为起点，大小为(i+a)行(j+a)列的窗口的梯度的累加和sum,avg为点(i,j)在该窗口的梯度累加和的平均值，则
Figure BDA0001320939990000034
其中i,j分别表示图像i行j列的像素点,i∈[0，n-1-a],j∈[0，m-1-a]，其中a为取某一像素点的邻域窗口的大小，邻域窗口的移动步长设为step；
步骤S44：矩阵Matrix为梯度图像M中每一点的梯度平均值累加和矩阵，其中每一点存放了该点所经过的窗口的梯度平均值的累加和，矩阵Matrix1为每一点的梯度平均值的累加次数，计算Matrix中每一点的平均值为矩阵Matrix2；
步骤S45：判断如果M中某一点的梯度值小于Matrix2中对应点梯度值的b倍，b为倍数因子，则该点为梯度值为0，否则该点的梯度值保持原值不变；
步骤S46：对梯度幅值进行非极大值抑制；
步骤S47：用双阈值算法检测和连接边缘，得到最终的边缘图像；
步骤S5：对所述始油藏地质剖面图的边缘轮廓进行矢量化，得到目标油藏地质剖面图；
步骤S51：对边缘检测的结果进行连通区域标记；
步骤S52：对标记的每个区域采用Douglas–Peucker(Douglas–Peucker，亦称为拉默-道格拉斯-普克算法、迭代适应点算法、分裂与合并算法)矢量数据压缩算法提取特征点；
步骤S53：由三次贝塞尔曲线对提取的特征点进行拟合，完成油藏地质剖面图的矢量化；
步骤S6：输出矢量化结果。
附图说明
附图1为本发明的处理流程示意图。
附图2为输入的油藏地质剖面图。
附图3为附图2颜色聚类的结果。
附图4为附图3经改进的自适应Canny检测的结果。
附图5为附图4矢量化的结果。
具体实施方式
下面结合附图1-5，运用MATLAB软件，对本发明作进一步的描述：一种采用改进的自适应Canny边缘检测算法矢量化油藏地质剖面图的矢量化方法，具体实施方案包括如下步骤，步骤如图1所示：
(1)位图图像输入。在MATLAB中读入图2作为初始的输入；
(2)图像预处理。输入的油藏地质剖面图图2中除了代表地层界线的线段外，还有大量充填于地层界线间的岩性符号，而且这些岩性符号形状多样(如充填区域、短线、圆、实心圆、小三角形等)且含有部分噪声，对图2进行预处理，首先采用高斯滤波对图像进行平滑操作，然后在平滑的基础上采用拉普拉斯锐化方法来增强图像，通过图像预处理可以去除图像中的部分噪声。
(3)图像分割。油藏地质剖面图的矢量化是针对于图中的水平层位轮廓信息的矢量化，而图中的各种图例不需要保留，首先对(2)中预处理后的图像进行颜色空间转换，由RGB颜色空间模型转为Lab颜色空间模型，Lab颜色空间模型有L、a和b三个坐标轴组成。L表示亮度，值域是从0到100逐渐由黑变白；a和b的取值范围都是-128到+127，a值从小到大的变化是指从绿色变为红色，b值从小到大的变化是从蓝色变为黄色。一般先将RGB空间转化到XYZ(XYZ，XYZ颜色模型中的三个分量)空间
Figure BDA0001320939990000041
然后再由XYZ空间转化到Lab色彩空间
Figure BDA0001320939990000051
然后输入图像聚类的初始聚类中心数k为7，假设油藏地质剖面图的图例库为Library，其中Library是由图例填充时的颜色值L、a、b组成，L、a、b分别为Lab颜色模型的三个分量，根据图例库Library分析油藏地质剖面图地层轮廓的填充颜色，从而确定k个初始聚类中心的颜色值。对于颜色空间转换后的油藏地质剖面图中的每一个像素点p,计算其与每种图例颜色Library(C)的欧式距离，其中C为图例库中的一种颜色，每个像素点取对应最小欧式距离的点的颜色值建立颜色量化图像Image2,即Image2＝Library(C)其中
Figure BDA0001320939990000054
满足ED(Library(C),Image(p))<ED(Library(C1),Image(p)),其中
Figure BDA0001320939990000052
设在Lab色彩空间模式下的两种颜色分别为C1，C2，则C1与C2的颜色色差定义为在L、a、b三个通道的欧式距离。统计Image2中各种颜色所占的比例，并按升序排列，得到Image2的颜色直方图Histogram。取出前N种颜色，N为满足
Figure BDA0001320939990000053
的最小N值，Histi表示直方图中的第i种颜色的占比，i取值1～N，即保证所有取出的颜色总占比不小于90％的同时，使取出的颜色最少。设聚类数为k,对得到的N种颜色采用层次聚类算法进行聚类，得到k类的中心色即为图像的k个初始的颜色聚类中心Color{1,…k}。
已知k个初始颜色聚类中心。重复以下步骤：1)每个像素点p，计算其与每个初始聚类中心的欧式距离，并将该像素划分到距离最近的聚类中心上；得到该像素的类别Colorp{1,2,…,k},即将像素点p划分到第Colorp类；2)重新计算聚类中心。新的聚类中心为图例库Library中与类别平均色最接近的颜色。对于每个类别,先计算该类所包含的所有像素的平均色，然后计算该平均色与Library中的每一种颜色的距离，将距离最小值设为新的聚类中心；直到聚类中心未发生变化或达到最大迭代次数时终止。得到如图3所示的聚类结果。
从图3的聚类结果中可以得出本文采用的图像分割方法较好地消除了地层之间的图例，得到了准确的地层层位轮廓信息。
(4)边缘检测。采用改进的自适应Canny边缘检测算法，对图3进行边缘检测，设图3为f(x,y)；首先利用一维高斯函数:
Figure BDA0001320939990000061
对图像进行低通平滑滤波处理
Figure BDA0001320939990000062
其中
Figure BDA0001320939990000063
表示卷积操作，卷积核大小为5行5列，σ取2，x，y表示x坐标和y坐标，得到处理后的图像g(x,y)；然后采用Sobel算子对图像g(x,y)根据步骤S42中一阶梯度模板进行卷积求像素点的梯度分量，然后将梯度分量带入步骤S42所述的梯度公式中计算梯度，得到梯度图像M(x,y),计算完梯度后，仍然会存在噪声，根据步骤S43、步骤S44和步骤S45所述的方法消除部分梯度噪声，其中a为20，step为5，b为2；然后对梯度幅值进行非极大值抑制，首先根据步骤S42中所述的梯度方向公式计算每个坐标点的梯度方向，以待判断像素点为中心分为四个区域，代表梯度方向近似的四个可能角度分别为0°，45°，90°，135°，对每一个像素点的梯度进行非极大值抑制，首先将待判断像素梯度值M(x,y)与沿着梯度方向的2个8邻域像素的梯度M(x±1,y±1)进行比较，如果该点像素点位置的梯度幅值没有沿梯度方向的两个相邻像素的梯度值大，则说明该点的梯度值不是局部最大值需被抑制，令M(x,y)＝0，即该点不是边缘点。用此方法进行抑制全局梯度幅值中的非极大值，这一步骤会排除非边缘点，保留候选的边缘；最后用双阈值算法检测和连接边缘，对非极大值抑制后的图像与高低阈值进行判断，如果某一像素位置的梯度幅值超过高阈值，则该像素被保留为边缘像素；如果某一像素位置的梯度幅值小于低阈值，则该像素被排除；如果某一像素位置的梯度幅值介于高、低阈值之间，则判断该像素8邻域空间的像素是否存在高于高阈值的像素，如果存在，则该像素将被保留。其中高低阈值通过Otsu(Otsu，一种使类间方差最大的自动确定阈值方法)算法计算，边缘检测的结果如图4所示，其中高阈值为144，低阈值为77；
从图4可以看出本文采用的图像边缘检测方法对分割后的图像进行检测的结果保留了所有的边缘轮廓，未出现边缘丢失和断裂的现象。
(5)层位线矢量化。首先采用Two-pass(Two-pass，一种连通域标记算法)算法对图4进行连通区域标记，得到8个连通区域；然后对标记的每个区域采用Douglas–Peucker矢量数据压缩算法提取特征点，其中阈值threshold为1；最后采用三次贝塞尔曲线对提取的特征点进行拟合；图5为矢量化结果，图5在保留了原有的层位轮廓变化趋势的同时，得到的边缘轮廓的特征点更少，便于矢量化数据的存储和编辑。
(6)矢量图输出。将拟合的结果保存并输出，从而完成了整个矢量化流程，结果如图5所示。
本发明的有益效果是：该发明较好的分割了地层剖面图，保留了原有的地层中各层的层位信息；改进的自适应Canny边缘检测算法提取的轮廓线准确，保留了原图中的层位趋势；得到的矢量化结果在保留了各层的层位信息的基础上，得到的层位曲线的特征点少，易于矢量化数据的存储和编辑。
本发明不局限于上述具体实施方式，根据上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的等效修改、替换或变更，均属于本发明的保护范围。

Claims (2)

1.一种油藏地质剖面图矢量化方法，其特征在于包括以下步骤：
步骤S1：运用MATLAB软件，通过将Direct数字化油藏表征软件系统输出的地质剖面图作为输入，将该油藏地质剖面图根据本文的矢量化方法获得矢量化结果；
步骤S2：对步骤S1中的输入进行预处理，采用高斯滤波对图像进行平滑滤波，然后在平滑的基础上采用拉普拉斯锐化方法来增强图像；
步骤S3：对预处理后的油藏地质剖面图由RGB颜色空间模型转为Lab颜色空间模型，再进行颜色聚类分割，得出初始油藏地质剖面图；
步骤S4：采用改进的自适应Canny边缘检测算法对所述初始油藏地质剖面图进行边缘检测，获取所述初始油藏地质剖面图的边缘轮廓；
步骤S5：对所述初始油藏地质剖面图的边缘轮廓进行矢量化，得到目标油藏地质剖面图；
步骤S6：输出矢量化结果；
其中，步骤S4包括以下步骤：
步骤S41：首先利用一维高斯函数，对图像进行低通平滑滤波；
步骤S42：用Sobel算子对图像进行卷积求像素点的梯度，采用X轴、45°和135°方向上的一阶梯度模板，模板如下所示：
Figure FDA0002493474960000011
；
三个方向上的一阶梯度分量分别为GX(i,j)、G45°(i,j)、G135°(i,j)，由三个对应的一阶梯度模板与图像进行卷积得到，其中(i,j)表示图像中i行j列的像素点，每个像素点的梯度幅值为：
Figure FDA0002493474960000012
梯度方向为：
Figure FDA0002493474960000013
Figure FDA0002493474960000014
GY(i,j)为Y轴方向的一阶梯度分量；
步骤S43：依据大小为n行m列的梯度图像M，计算以(i,j)为起点，大小为(i+a)行(j+a)列的窗口的梯度的累加和sum,avg为点(i,j)在该窗口的梯度累加和的平均值，则
Figure FDA0002493474960000021
其中i,j分别表示图像i行j列的像素点,i∈[0，n-1-a],j∈[0，m-1-a]，其中a为取某一像素点的邻域窗口的大小，邻域窗口的移动步长设为step；
步骤S44：矩阵Matrix为梯度图像M中每一点的梯度平均值累加和矩阵，其中每一点存放了该点所经过的窗口的梯度平均值的累加和，矩阵Matrix1为每一点的梯度平均值的累加次数，计算Matrix中每一点的平均值为矩阵Matrix2；
步骤S45：判断如果M中某一点的梯度值小于Matrix2中对应点梯度值的b倍，b为倍数因子，则该点为梯度值为0，否则该点的梯度值保持原值不变；
步骤S46：对梯度幅值进行非极大值抑制；
步骤S47：用双阈值算法检测和连接边缘，得到最终的边缘图像。
2.根据权利要求1所述的一种油藏地质剖面图矢量化方法，其特征在于步骤S5包括以下步骤：
步骤S51：对边缘检测的结果进行连通区域标记；
步骤S52：对标记的每个区域采用Douglas–Peucker矢量数据压缩算法提取特征点；
步骤S53：由三次贝塞尔曲线对提取的特征点进行拟合，完成油藏地质剖面图的矢量化。
CN201710444737.6A 2017-06-13 2017-06-13 一种油藏地质剖面图矢量化方法 Expired - Fee Related CN107273608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710444737.6A CN107273608B (zh) 2017-06-13 2017-06-13 一种油藏地质剖面图矢量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710444737.6A CN107273608B (zh) 2017-06-13 2017-06-13 一种油藏地质剖面图矢量化方法

Publications (2)

Publication Number Publication Date
CN107273608A CN107273608A (zh) 2017-10-20
CN107273608B true CN107273608B (zh) 2020-06-30

Family

ID=60066673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710444737.6A Expired - Fee Related CN107273608B (zh) 2017-06-13 2017-06-13 一种油藏地质剖面图矢量化方法

Country Status (1)

Country Link
CN (1) CN107273608B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550113A (zh) * 2018-04-17 2018-09-18 东莞市金翔光电科技有限公司 图像扫描输出方法、装置、计算机设备和存储介质
CN108805957B (zh) * 2018-06-07 2022-06-24 青岛九维华盾科技研究院有限公司 一种基于位图图像自适应分割的矢量图生成方法及系统
CN109064525B (zh) * 2018-08-20 2023-05-09 广州视源电子科技股份有限公司 一种图片格式转换方法、装置、设备和存储介质
CN110874846B (zh) * 2018-09-03 2022-05-10 中国石油天然气股份有限公司 一种彩色曲线位图矢量化方法、计算机设备及存储介质
CN109345454B (zh) * 2018-09-18 2023-01-06 徐庆 位图图像矢量化的方法、存储介质及系统
CN109538197B (zh) * 2018-11-01 2020-06-05 中国石油大学(北京) 油气储层钻井轨道确定方法、装置及存储介质
CN109801242B (zh) * 2019-01-23 2022-09-02 西南交通大学 一种基于改进漫水填充算法的栅格图像矢量化方法
CN110570440A (zh) * 2019-07-19 2019-12-13 武汉珈和科技有限公司 一种基于深度学习边缘检测的图像自动分割方法及装置
CN111402361A (zh) * 2020-03-13 2020-07-10 广州轨道交通建设监理有限公司 一种地质数据处理方法、系统、装置和存储介质
CN112435273A (zh) * 2020-12-10 2021-03-02 四川创智联恒科技有限公司 一种将位图转换为矢量图的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101126813A (zh) * 2007-09-29 2008-02-20 北京交通大学 一种高分辨率卫星遥感影像中构筑物轮廓提取方法
CN101853514A (zh) * 2009-04-02 2010-10-06 肖克炎 彩色地质图图像的交互式矢量化方法及其系统
CN103606163A (zh) * 2013-12-04 2014-02-26 南京汇川工业视觉技术开发有限公司 基于四元数理论和canny算法的彩色图像边缘检测方法
CN106446905A (zh) * 2016-07-25 2017-02-22 广东省自动化研究所 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4042780B2 (ja) * 2005-11-04 2008-02-06 オムロン株式会社 物体認識方法、物体認識用のプログラムならびにその記憶媒体、および物体認識装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101126813A (zh) * 2007-09-29 2008-02-20 北京交通大学 一种高分辨率卫星遥感影像中构筑物轮廓提取方法
CN101853514A (zh) * 2009-04-02 2010-10-06 肖克炎 彩色地质图图像的交互式矢量化方法及其系统
CN103606163A (zh) * 2013-12-04 2014-02-26 南京汇川工业视觉技术开发有限公司 基于四元数理论和canny算法的彩色图像边缘检测方法
CN106446905A (zh) * 2016-07-25 2017-02-22 广东省自动化研究所 渗透算法和自适应Canny算法相融合的表面裂纹纹理的提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于边缘检测的位图矢量化的实现;吴兴蛟、吴晟;《计算机与数字工程》;20160229;2-6页 *

Also Published As

Publication number Publication date
CN107273608A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN107273608B (zh) 一种油藏地质剖面图矢量化方法
CN105528614B (zh) 一种漫画图像版面的识别方法和自动识别系统
US8260048B2 (en) Segmentation-based image processing system
US8594428B2 (en) Interactive segmentation of images with single scribbles
US20100008576A1 (en) System and method for segmentation of an image into tuned multi-scaled regions
CN109934110B (zh) 一种河道附近违建房屋识别方法
Vasuki et al. An interactive image segmentation method for lithological boundary detection: A rapid mapping tool for geologists
Aytekın et al. Unsupervised building detection in complex urban environments from multispectral satellite imagery
WO2011013579A1 (ja) 画像処理装置および画像処理方法、並びにプログラム
CN109272467B (zh) 一种基于多尺度边缘线索的层次化图像分割方法
Zeng et al. Region-based bas-relief generation from a single image
Price et al. Object-based vectorization for interactive image editing
CN110544300B (zh) 一种基于二维手绘图像特征自动生成三维模型的方法
CN101840582B (zh) 一种地籍图地块的边界数字化方法
Mücke et al. Surface Reconstruction from Multi-resolution Sample Points.
CN109409211B (zh) 汉字骨架笔段的处理方法、处理装置及存储介质
CN110675463B (zh) 一种局部彩色铅笔画生成方法及装置
Oka et al. Vectorization of contour lines from scanned topographic maps
CN113538498B (zh) 一种基于局部二值化的印章图像分割方法、电子设备和可读存储介质
Qian et al. Spatial contextual noise removal for post classification smoothing of remotely sensed images
San et al. Extracting contour lines from scanned topographic maps
CN109325483B (zh) 内部短笔段的处理方法和装置
Kim et al. Automated hedcut illustration using isophotes
Pesaresi et al. Detection of urban features using morphological based segmentation and very high resolution remotely sensed data
Sintunata et al. Skeleton extraction in cluttered image based on Delaunay triangulation

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

Granted publication date: 20200630

Termination date: 20210613

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