CN107909567B - 数字图像的细长型连通区域提取方法 - Google Patents
数字图像的细长型连通区域提取方法 Download PDFInfo
- Publication number
- CN107909567B CN107909567B CN201711047952.9A CN201711047952A CN107909567B CN 107909567 B CN107909567 B CN 107909567B CN 201711047952 A CN201711047952 A CN 201711047952A CN 107909567 B CN107909567 B CN 107909567B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- connected region
- pixels
- slender
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract 4
- 238000004891 communication Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 244000144977 poultry Species 0.000 abstract description 43
- 210000001161 mammalian embryo Anatomy 0.000 abstract description 38
- 238000011161 development Methods 0.000 abstract description 8
- 230000018109 developmental process Effects 0.000 abstract description 8
- 238000009395 breeding Methods 0.000 abstract description 6
- 230000001488 breeding effect Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012216 screening Methods 0.000 abstract description 5
- 238000002224 dissection Methods 0.000 abstract description 3
- 230000013020 embryo development Effects 0.000 abstract description 3
- 210000002257 embryonic structure Anatomy 0.000 description 5
- 238000009966 trimming Methods 0.000 description 2
- 102000002322 Egg Proteins Human genes 0.000 description 1
- 108010000912 Egg Proteins Proteins 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003278 egg shell Anatomy 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000009374 poultry farming Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数字图像的细长型连通区域提取方法。属于数字图像处理领域。所述方法中,输入待检测图像,通过感兴趣区域检测与提取、图像增强、细长型连通区域检测、细长型连通区域检测结果后处理四个步骤,最终输出所检测到的连通区域信息。本发明运用了图像增强技术、数字图像形态学处理技术,可实现了不影响禽蛋胚胎正常发育条件下的自动化禽蛋胚胎血管检测。本发明克服了以人工解剖为代表的侵入式禽蛋血管测量方法耗时长、费用高、破坏禽蛋胚胎发育等缺陷,实现了不影响胚胎发育的快速准确的禽蛋胚胎血管检测,为家禽育种中的自动化禽蛋筛选提供了有效的解决方案。
Description
技术领域
本发明一般涉及计算机视觉领域,具体涉及数字图像的细长型连通区域提取方法。
背景技术
随着家禽养殖技术的发展,家禽已经成为人类重要的食物来源。确定禽蛋胚胎发育质量是家禽育种中的一个关键问题,对提高育种质量、降低育种成本起着重要作用。其中禽蛋胚胎血管长度及粗细确定禽蛋胚胎发育质量,进而进行禽蛋筛选的一个重要指标,传统禽蛋胚胎血管检测方法(如人工解剖)会破坏禽蛋胚胎结构,不仅检测耗时长,而且需人工对每个禽蛋进行操作,所需的人力资源成本高昂。此外,其侵入式检测的缺点使得禽蛋在检测完成后无法继续发育,决定了其只能以抽检的方式应用,无法对每个禽蛋发育质量进行检测。因此,探索一种不影响禽蛋胚胎发育的禽蛋胚胎血管检测方法成了当务之急。
数字图像的细长型连通区域提取方法克服了传统侵入式的禽蛋血管测量方法耗时长、费用高、破坏禽蛋胚胎等缺陷,实现了完全不影响胚胎发育的条件下快速准确的禽蛋胚胎血管检测,为家禽育种中的自动化禽蛋筛选提供了有效的解决方案。
发明内容
本发明针对现有侵入式的禽蛋胚胎血管检测方法的不足,提供了数字图像的细长型连通区域提取方法。本发明的目的在于使用图像处理技术解决禽蛋胚胎图像血管提取问题,克服现有的禽蛋胚胎血管检测方法的缺陷,提供一个可靠的、实时的自动化禽蛋筛选方案,具体技术方案如下。
数字图像的细长型连通区域提取方法,包括以下步骤:
(a)读取一幅背面具有灯光照射的禽蛋图像。
(b)根据步骤(a)读入的图像,检测胚胎区域,并对该区域进行旋转校正及裁切;
(c)对步骤(b)中得到的胚胎图像进行图像增强处理,扩大胚胎血管与非血管区域的区别;
(d)对步骤(c)得到的增强后的胚胎图像进行血管检测;
(e)根据步骤(d)的结果,对胚胎血管检测结果进行后处理;
(f)根据步骤(e)的结果,统计血管长度、直径等信息。
上述数字图像的细长型连通区域提取方法中,步骤(b)包括以下步骤:
(b-1)根据HSV模型,计算图像中每个像素的色相;
(b-2)对步骤(b-1)的色相图像进行二值化:色相值大于0.4的像素二值化为1,色相值小于等于0.4的像素二值化为0;
(b-3)根据步骤(b-2)得到的二值图像,计算每个二值连通域所包含的像素数量;
(b-4)根据步骤(b-3)得到的各二值连通域像素数量,取像素数量最大的连通域计算其最小外接椭圆及椭圆长轴与x轴的夹角θ;
(b-5)根据步骤(b-4)得到的最小外接椭圆的长轴与x轴的夹角θ,将图像顺时针旋转90+θ度,使禽蛋的卵黄系带方向与图像的y轴方向平行;
(b-6)根据步骤(b-5)得到的旋转后的图像,取像素数量最大的连通域计算其最小外接矩形,并以该矩形为边界对图像进行裁切;
上述数字图像的细长型连通区域提取方法中,步骤(c)包括以下步骤:
(c-1)根据HSV模型,计算步骤(b)所获得胚胎图像中每个像素的色相;
(c-2)将步骤(c-1)所得色相图像缩放成宽为600像素、高为800像素的图像;
(c-3)用对比度受限的自适应梯度直方图均衡化方法对步骤(c-2)所得图像进行处理。其特点在于:1)将图像分成3行3列共9个子图像,分别对每个子图像进行直方图均衡化;2)直方图均衡化对比度因子为0.4,即将图像直方图中像素数量超过最大值的0.6倍(通过1-0.4计算得到)的部分均匀映射到直方图的其余区域。
上述数字图像的细长型连通区域提取方法中,步骤(d)包括以下步骤:
(d-1)根据步骤(c)得到的增强后的禽蛋胚胎图像,对其进行中值滤波降噪,其特征在于:以每个像素为中心,取其25邻域中的像素强度的中值作为滤波后的像素强度值;
(d-2)使用局部自适应二值化的方法,对步骤4、(d-1)得到的图像h进行二值化处理,实现初步的胚胎血管检测,其特征在于将图像切分为宽高均为图像高度十分之一(即0.1Hx0.1H)的图像块,分别对每个像素块进行二值化,令第i个图像块中所有像素强度的中值为mi,则二值化操作可表示为如下公式所示形式,其中c为常数,取值为0.03;
(d-3)根据HSV模型,计算步骤(b)所获得胚胎图像中每个像素的亮度,将亮度大于0.15,且小于0.95的像素置1,其余像素置0,获得禽蛋二值图像;
(d-4)使用半径为图像高度八十分之一(即r=H/80)的圆形结构元素,对步骤4、(d-3)得到的二值图像进行形态学开操作,然后将各连通域内部值为0的像素置1;
(d-5)对步骤(d-4)得到的二值图像中的每个像素,计算其到值为1的像素的最近距离,将最小距离小于0.375xH的像素置1,其余像素置0,构成禽蛋中心的胚胎二值图像;
(d-6)将步骤4、(d-2)与步骤4、(d-5)得到的二值图像对应元素做逻辑与运算,去除非胚胎区域的噪声,得到胚胎血管区域的二值图像;
上述数字图像的细长型连通区域提取方法中,步骤(e)包括以下步骤:
(e-1)统计步骤(d)得到的胚胎血管区域的二值图像中各个连通区域的像素数量,将像素数量小于H/8的连通域所包含的像素置0;
(e-2)对步骤(e-1)得到的二值图像进行形态学骨架化处理;
(e-3)去除步骤(e-2)所获得骨架中不必要的分支,其特征在于包括如下步骤:1)计算骨架中的分支点与端点;2)对每个端点计算其最近的分支点,并将骨架图像中分支点与端点连线所经过的像素置0,获得精确的禽蛋胚胎血管二值图像,图像中像素值为1的位置对应胚胎血管的位置;
上述数字图像的细长型连通区域提取方法中,步骤(f)中血管长度计算方式为:统计步骤(e)所获得胚胎血管二值图像的非零像素的数量,血管粗细的计算方式为:步骤(e-1)中包含的非零像素数量除以血管长度;
与现有技术相比,本发明具有如下优点和技术效果:
相对于现有禽蛋胚胎血管检测技术本发明克服了以人工解剖为代表的侵入式禽蛋血管测量方法耗时长、费用高、破坏禽蛋胚胎发育等缺陷,具有不影响禽蛋胚胎发育、检测速度快、检测精度高、无需人工参与等特定,为家禽育种中的自动化禽蛋筛选提供了有效的解决方案。本发明综合运用图像增强、形态学处理等多项图像处理技术,使得本发明能对禽蛋图像中的噪声(如蛋壳不均匀)具有良好的鲁棒性。
附图说明
图1为实施方式中数字图像的细长型连通区域提取方法的流程图。
具体实施方式
以下结合附图对本发明的实施方式作进一步说明,但本发明的实施不限于此。
如图1,数字图像的细长型连通区域提取方法的主要流程包括以下步骤:
(a)读取一幅背面具有灯光照射的禽蛋图像。
(b)根据步骤(a)读入的图像,检测胚胎区域,并对该区域进行旋转校正及裁切;
(c)对步骤(b)中得到的胚胎图像进行图像增强处理,扩大胚胎血管与非血管区域的区别;
(d)对步骤(c)得到的增强后的胚胎图像进行血管检测;
(e)根据步骤(d)的结果,对胚胎血管检测结果进行后处理;
(f)根据步骤(e)的结果,统计血管长度、直径等信息。
上述数字图像的细长型连通区域提取方法中,步骤(b)包括以下步骤:
(b-1)根据HSV模型,计算图像中每个像素的色相;
(b-2)对步骤(b-1)的色相图像进行二值化:色相值大于0.4的像素二值化为1,色相值小于等于0.4的像素二值化为0;
(b-3)根据步骤(b-2)得到的二值图像,计算每个二值连通域所包含的像素数量;
(b-4)根据步骤(b-3)得到的各二值连通域像素数量,取像素数量最大的连通域计算其最小外接椭圆及椭圆长轴与x轴的夹角θ;
(b-5)根据步骤(b-4)得到的最小外接椭圆的长轴与x轴的夹角θ,将图像顺时针旋转90+θ度,使禽蛋的卵黄系带方向与图像的y轴方向平行;
(b-6)根据步骤(b-5)得到的旋转后的图像,取像素数量最大的连通域计算其最小外接矩形,并以该矩形为边界对图像进行裁切;上述数字图像的细长型连通区域提取方法中,步骤(c)包括以下步骤:
(c-1)根据HSV模型,计算步骤(b)所获得胚胎图像中每个像素的色相;
(c-2)将步骤(c-1)所得色相图像缩放成宽为600像素、高为800像素的图像;
(c-3)用对比度受限的自适应梯度直方图均衡化方法对步骤(c-2)所得图像进行处理。其特点在于:1)将图像分成3行3列共9个子图像,分别对每个子图像进行直方图均衡化;2)直方图均衡化对比度因子为0.4,即将图像直方图中像素数量超过最大值的0.6倍(通过1-0.4计算得到)的部分均匀映射到直方图的其余区域。
上述数字图像的细长型连通区域提取方法中,步骤(d)包括以下步骤:
(d-1)根据步骤(c)得到的增强后的禽蛋胚胎图像,对其进行中值滤波降噪,其特征在于:以每个像素为中心,取其25邻域中的像素强度的中值作为滤波后的像素强度值;
(d-2)使用局部自适应二值化的方法,对步骤4、(d-1)得到的图像h进行二值化处理,实现初步的胚胎血管检测,其特征在于将图像切分为80x80的图像块,分别对每个像素块进行二值化,令第i个图像块中640个像素强度的中值为mi,则二值化操作可表示为如下公式所示形式,其中c为常数,取值为0.03;
(d-3)根据HSV模型,计算步骤(b)所获得胚胎图像中每个像素的亮度,将亮度大于0.15,且小于0.95的像素置1,其余像素置0,获得禽蛋二值图像;
(d-4)使用半径为10的圆形结构元素,对步骤4、(d-3)得到的二值图像进行形态学开操作,然后将各连通域内部值为0的像素置1;
(d-5)对步骤(d-4)得到的二值图像中的每个像素,计算其到值为1的像素的最近距离,将最小距离小于30的像素置1,其余像素置0,构成禽蛋中心的胚胎二值图像;
(d-6)将步骤4、(d-2)与步骤4、(d-5)得到的二值图像对应元素做逻辑与运算,去除非胚胎区域的噪声,得到胚胎血管区域的二值图像;
上述数字图像的细长型连通区域提取方法中,步骤(e)包括以下步骤:
(e-1)统计步骤(d)得到的胚胎血管区域的二值图像中各个连通区域的像素数量,将像素数量小于100的连通域所包含的像素置0;
(e-2)对步骤(e-1)得到的二值图像进行形态学骨架化处理;
(e-3)去除步骤(e-2)所获得骨架中不必要的分支,其特征在于包括如下步骤:1)计算骨架中的分支点与端点;2)对每个端点计算其最近的分支点,并将骨架图像中分支点与端点连线所经过的像素置0,获得精确的禽蛋胚胎血管二值图像,图像中像素值为1的位置对应胚胎血管的位置;
上述数字图像的细长型连通区域提取方法中,步骤(f)中血管长度计算方式为:统计步骤(e)所获得胚胎血管二值图像的非零像素的数量,血管粗细的计算方式为:步骤(e-1)中包含的非零像素数量除以血管长度。
Claims (6)
1.数字图像的细长型连通区域提取方法,其特征在于,包括以下步骤:
(a)读取一幅待检测图像;
(b)根据步骤(a)读入的图像,检测包含细长型连通区域的外接矩形,并对该区域进行旋转校正及裁切;具体包括以下步骤:
(b-1)根据HSV模型,计算图像中每个像素的色相;
(b-2)对步骤(b-1)的色相图像进行二值化:色相值大于0.4的像素二值化为1,色相值小于等于0.4的像素二值化为0;
(b-3)根据步骤(b-2)得到的二值图像,计算每个二值连通域所包含的像素数量;
(b-4)根据步骤(b-3)得到的各二值连通域像素数量,取像素数量最大的连通域,计算其最小外接椭圆及椭圆长轴与x轴的夹角θ;
(b-5)根据步骤(b-4)得到的最小外接椭圆的长轴与x轴的夹角θ,将图像顺时针旋转90+θ度;
(b-6)根据步骤(b-5)得到的旋转后的图像,取像素数量最大的连通域计算其最小外接矩形,并以该矩形为边界对图像进行裁切;
(c)根据细长型连通区域的特点,对步骤(b)中得到的裁切后的图像进行图像增强处理,扩大细长型连通区域与非细长型连通区域的区别;
(d)对步骤(c)得到的增强后的图像进行细长型连通区域检测;
(e)根据步骤(d)的结果,对细长型连通区域检测结果进行后处理;
(f)根据步骤(e)的结果,统计细长型连通区域长度、直径信息。
2.根据权利要求1所述数字图像的细长型连通区域提取方法,其特征在于,步骤(c)包括以下步骤:
(c-1)根据HSV模型,计算步骤(b)所获得裁切后图像中每个像素的色相;(c-2)将步骤(c-1)所得色相图像缩放成固定大小的图像,图像大小根据步骤(a)所采集图像大小设置,设图像的宽为W像素、高为H像素;
(c-3)用对比度受限的自适应梯度直方图均衡化方法对步骤(c-2)所得图像进行处理。
3.根据权利要求2所述数字图像的细长型连通区域提取方法,其特征在于:步骤(c-3)具体包括:1)将图像分成3行3列共9个子图像,分别对每个子图像进行直方图均衡化;2)直方图均衡化对比度因子为0.4,即将图像直方图中像素数量超过最大值的0.6倍的部分均匀映射到直方图的其余区域。
4.根据权利要求1所述数字图像的细长型连通区域提取方法,其特征在于,步骤(d)包括以下步骤:
(d-1)根据步骤(c)得到的增强后的图像,对其进行中值滤波降噪,以每个像素为中心,取其25邻域中的像素强度的中值作为滤波后的像素强度值;
(d-2)使用局部自适应二值化的方法,对步骤(d-1)得到的图像h进行二值化处理,实现初步的细长型连通区域检测,将图像切分为宽高均为图像高度十分之一即0.1Hx0.1H的图像块,分别对每个像素块进行二值化,令第i个图像块中所有像素强度的中值为mi,则二值化操作可表示为如公式(4.1)所示形式,其中c为常数,取值为0.03;
(d-3)根据HSV模型,计算步骤(b)所获得图像中每个像素的亮度,将亮度大于0.15,且小于0.95的像素置1,其余像素置0,获得初步的感兴趣区域二值图像;
(d-4)使用半径为图像高度八十分之一即r=H/80的圆形结构元素,对步骤(d-3)得到的二值图像进行形态学开操作,然后将各连通域内部值为0的像素置1;
(d-5)对步骤(d-4)得到的二值图像中的每个像素,计算其到值为1的像素的最近距离,将最近距离小于0.375xH的像素置1,其余像素置0,构成最终的感兴趣区域的二值图像;
(d-6)将步骤(d-2)与步骤(d-5)得到的二值图像对应像素做逻辑与运算,去除非细长型连通区域的噪声,得到细长型连通区域的二值图像。
5.根据权利要求1所述数字图像的细长型连通区域提取方法,其特征在于,步骤(e)包括以下步骤:
(e-1)统计步骤(d)得到的细长型连通区域的二值图像中各个连通区域的像素数量,将像素数量小于H/8的连通域所包含的像素置0;
(e-2)对步骤(e-1)得到的二值图像进行形态学骨架化处理;
(e-3)去除步骤(e-2)所获得骨架中不必要的分支:1)计算骨架中的分支点与端点;2)对每个端点计算其最近的分支点,并将骨架图像中分支点与端点连线所经过的像素置0,获得精确的细长型连通区域二值图像,图像中像素值为1的位置对应细长型连通区域的位置。
6.根据权利要求1所述数字图像的细长型连通区域提取方法,其特征在于,步骤(f)中细长型连通区域长度计算方式为:统计步骤(e)所获得细长型连通区域二值图像的非零像素的数量,血管粗细的计算方式为:步骤(e-1)中包含的非零像素数量除以血管长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711047952.9A CN107909567B (zh) | 2017-10-31 | 2017-10-31 | 数字图像的细长型连通区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711047952.9A CN107909567B (zh) | 2017-10-31 | 2017-10-31 | 数字图像的细长型连通区域提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107909567A CN107909567A (zh) | 2018-04-13 |
CN107909567B true CN107909567B (zh) | 2022-02-15 |
Family
ID=61842179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711047952.9A Active CN107909567B (zh) | 2017-10-31 | 2017-10-31 | 数字图像的细长型连通区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909567B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991220B (zh) * | 2019-10-15 | 2023-11-07 | 京东科技信息技术有限公司 | 禽蛋检测、图像处理方法,装置、电子设备及存储介质 |
CN113925458A (zh) * | 2021-09-01 | 2022-01-14 | 西安邮电大学 | 一种鸟类胚胎血管综合分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102048550A (zh) * | 2009-11-02 | 2011-05-11 | 上海交通大学医学院附属仁济医院 | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 |
CN104915939A (zh) * | 2015-07-07 | 2015-09-16 | 杭州朗和科技有限公司 | 一种图像均衡化方法和设备 |
CN104992429A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
CN105825516A (zh) * | 2016-03-25 | 2016-08-03 | 上海慧达医疗器械有限公司 | 一种dicom影像血流分析系统 |
CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学(北京) | 一种地质图专题信息提取方法 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106469312A (zh) * | 2016-09-29 | 2017-03-01 | 江苏省特种设备安全监督检验研究院 | 基于区域生长标号的焊缝视觉识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015040657A1 (ja) * | 2013-09-20 | 2015-03-26 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
US9501681B1 (en) * | 2015-07-14 | 2016-11-22 | A9.Com, Inc. | Decoding visual codes |
-
2017
- 2017-10-31 CN CN201711047952.9A patent/CN107909567B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102048550A (zh) * | 2009-11-02 | 2011-05-11 | 上海交通大学医学院附属仁济医院 | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 |
CN104992429A (zh) * | 2015-04-23 | 2015-10-21 | 北京宇航时代科技发展有限公司 | 一种基于图像局部增强的山体裂缝检测方法 |
CN104915939A (zh) * | 2015-07-07 | 2015-09-16 | 杭州朗和科技有限公司 | 一种图像均衡化方法和设备 |
CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
CN105825516A (zh) * | 2016-03-25 | 2016-08-03 | 上海慧达医疗器械有限公司 | 一种dicom影像血流分析系统 |
CN105931295A (zh) * | 2016-07-13 | 2016-09-07 | 中国地质大学(北京) | 一种地质图专题信息提取方法 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106469312A (zh) * | 2016-09-29 | 2017-03-01 | 江苏省特种设备安全监督检验研究院 | 基于区域生长标号的焊缝视觉识别方法 |
Non-Patent Citations (4)
Title |
---|
Automatic Segmentation of Coronary Arteries and Detection of Stenosis;P. Mirunalini;《2013 IEEE International Conference of IEEE Region 10》;20140123;第1-4页 * |
Eye Closure and Open Detection Using Adaptive Thresholding Histogram Enhancement (ATHE) Technique and Connected Components Utilisation;Masrullizam Mat Ibrahim et al;《2014 5th International Conference on Intelligent and Advanced Systems》;20140804;第1-5页 * |
基于图像处理的铁路轨道板裂缝检测研究;薛峰等;《铁道建筑》;20151231(第12期);第123-126页 * |
路面裂缝图像识别算法研究进展;彭博等;《中外公路》;20131231;第33卷(第6期);第42-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107909567A (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN107316077B (zh) | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN112287871B (zh) | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 | |
CN106096563A (zh) | 植物自动识别系统和方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN108109133A (zh) | 一种基于数字图像处理技术的蚕卵自动计数方法 | |
CN107909567B (zh) | 数字图像的细长型连通区域提取方法 | |
WO2017120796A1 (zh) | 路面病害的检测方法及其装置、电子设备 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
Mubashshira et al. | An unsupervised approach for road surface crack detection | |
CN110473225B (zh) | 一种非均匀照度沥青混合料颗粒识别方法 | |
US10365207B2 (en) | Method of automatically modifying imaging range in biological sample microscopic imaging | |
CN114550167B (zh) | 一种基于人工智能的梨的品质分类方法及装置 | |
Kiratiratanapruk et al. | Worm egg segmentation based centroid detection in low contrast image | |
Jian et al. | Hyperchromatic nucleus segmentation on breast histopathological images for mitosis detection | |
CN108765370A (zh) | 一种基于Python语言的定量不饱和土壤中裂纹数量的方法 | |
CN115294440A (zh) | 输电线路识别方法、装置以及电子设备 | |
CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
CN114881984A (zh) | 一种大米加工精度的检测方法、装置、电子设备及介质 | |
Kotyk et al. | Detection of dead stained microscopic cells based on color intensity and contrast | |
CN113744184A (zh) | 一种基于图像处理的乌鳢卵子计数方法 | |
CN114898148B (zh) | 一种基于深度学习的鸡蛋污损检测方法及系统 | |
CN112529922A (zh) | 一种开放环境下多色叶片rgb图像背景精确分离的方法 | |
De Vitis et al. | A technique to reduce the processing time of defect detection in glass tubes |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231207 Address after: 510000 No. five mountain road, Tianhe District, Guangzhou, Guangdong 381 Patentee after: SOUTH CHINA University OF TECHNOLOGY Patentee after: GUANGDONG AIRACE TECHNOLOGY DEVELOPMENT CO.,LTD. Address before: 510006 South China University of Technology, Guangzhou University City, Panyu District, Guangzhou City, Guangdong Province Patentee before: SOUTH CHINA University OF TECHNOLOGY |