CN108229486B - 一种纤维识别分割方法 - Google Patents
一种纤维识别分割方法 Download PDFInfo
- Publication number
- CN108229486B CN108229486B CN201711453507.2A CN201711453507A CN108229486B CN 108229486 B CN108229486 B CN 108229486B CN 201711453507 A CN201711453507 A CN 201711453507A CN 108229486 B CN108229486 B CN 108229486B
- Authority
- CN
- China
- Prior art keywords
- curve
- head
- lines
- point
- pixel point
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000013306 transparent fiber Substances 0.000 description 1
Images
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种纤维识别分割方法。本发明的一种纤维识别分割方法能够自动分割出图片中的单一曲线,比起手动分割大大提高了效率,利用了曲线头斜率、尾斜率、长度、间距方差确定出纤维边缘的大致轮廓从而实现对纤维的单一分割。
Description
技术领域
本发明涉及图像识别分割领域,具体是一种通过边缘检测对纤维外部轮廓匹配聚类的纤维分割方法。
背景技术
随着数字图像处理技术和深度学习的不断发展,纤维种类的识别和检测技术突飞猛进,但是用计算机来实现对纤维图像的自动化分割一直都没有普遍适用的办法,现有的分割技术普遍都存在局限性,对于不同的形态纤维需要不同的分割方法来提取。
对于条状纤维的识别与检测而言,需要提供其大量的单一条状纤维样本,而获取这些样本就需要先从包含多根条状纤维的图像中截取到单根条状纤维的样本,但是显微镜下的条状纤维形态不一,多数存在交叉、重叠、扭曲等特征,这给纤维样本的提取造成了极大困难,这就需要对条状纤维图像的自动化分割方案,对显微镜下的纤维图像自动的从中分割出单根纤维,再对这些单根纤维分割成多组样本从而再进行纤维的识别研究。
为了解决纤维分割问题,国内外学术界提出了很多方案。其中与本发明较为接近的技术方案包括:孙硕磊(卷积神经网络在异型纤维识别中的研究[D].东华大学,2017)考虑到纤维由于挤压而出现不规则形变,因此通过水平集的图像分割方法对预处理后的显微图进行分割,虽然这种分割方式对于米粒状粘连纤维有着不错的分割效果,但对于显微镜下的条状的纤维,由于其形态为长条状,和颗粒状纤维有着不同的形变状态,多存在扭曲、交叉和重叠等现象,使用水平集的图像分割方法来分割条状纤维效果并不好。阚道宏,等(棉花异性纤维图像在线分割方法[J].农业工程学报,2010,26(Supp.2):11-15)采用阈值法来对纤维图像进行分割,而基于阈值的图像分割方法是将图像灰度信息分为两个部分,一部分为背景信息,另一部分为边缘信息,该方法适用于背景和目标具有较大灰度差的图像,对于显微镜下的条状纤维图像,考虑到许多纤维为透明状,其内部或边缘颜色与背景颜色差异较小,根据阈值来分割的方法并不适用。和英英(分水岭算法在异形粘连纤维分割中的研究与应用[D];东华大学;2011年)采用分水岭算法来分割纤维,其核心思想是将图像看做测地学上的拓扑地貌,而像素的灰度值则表示该点的海拔高度,每一个极小值及其影响区域称作集水盆,集水盆的边界则为分水岭。分水岭分割算法就是通过模拟降水的侵入过程来找到集水盆,进而来寻找目标物体的边缘信息,以达到图像分割的目的。虽然分水岭算法对图像的弱边缘具有很好的容忍性,但是分水岭算法对图像中的噪声、物体边缘细微的灰度变化极为敏感。由于条状纤维图像中往往存在重叠交叉等现象,重叠部分的边缘灰度值明显和原边缘存在较大差异,从而导致采用分水岭算法进行分割时会产生过度分割现象。夏心怡,苏真伟,李国辉(基于形状特征的棉花异性纤维图像分割方法[J].农机化研究,2010,32(7):13-16)基于对图像的骨架化处理,根据断开处的斜率对断开的单像素纤维线段进行拼接并提取出了这些单像素纤维轮廓,但仅仅是在含有噪点的纤维图像中提取出单像素纤维的所有轮廓,而对于较粗的条状纤维,其轮廓较单像素纤维而言一般呈闭合的长条形状而并不是一条扭曲的线段,由于不同纤维之间还存在重叠现象,所以不能直接的根据断开处的斜率特征对纤维轮廓进行匹配连接。
综上所述,对显微镜下的条状纤维图像进行单一纤维的分割方案中,主要的问题在于:(1)条状纤维图像中,对于纤维重叠的部分,灰度变化明显,而对于透明状纤维灰度变化并不明显,传统的阈值法和分水岭较难实现分割;(2)条状纤维轮廓为闭合长条状,并在图像中存在的弯曲、多根重叠和多根交叉等现象,用边缘检测进行分割的过程中干扰线较多,较难对同根纤维的轮廓进行匹配聚类;(3)现有的利用边缘检测技术用纤维的形状特征对纤维进行分割的方案中提取的仅为单像素纤维且没有考虑具体精确到对单根纤维的提取。考虑到这些不足,本方法基于Canny边缘检测,对图像中不同纤维的边缘轮廓根据其不同的特征进行匹配聚类,再根据得到的大致边缘对纤维进行分割。
发明内容
本发明的目的是更好的对图像中单根纤维的区域进行识别和分割,本发明提供一种基于边缘检测技术,通过对不同纤维的边缘进行处理并根据特征聚类匹配,最终实现对图像中的纤维进行单根分割和提取操作。
本发明包括如下步骤:
步骤1:读入图像,进行灰度化,用3*3的内核进行降噪,采用Canny算子检测边缘,得到边缘图;
步骤2:对边缘图进行遍历,并进行断开操作,把断开后每条曲线的坐标集合存入曲线集lines中,具体步骤为:
步骤2.1:查找边缘图中的白色像素点,若找不到,则结束;否则,将找到的白色像素点作为头结点p1(x1,y1),把p1存入曲线line中;
步骤2.2:通过p1点的八邻域找到下一个白色像素点p2(x2,y2),把p2加入line中,记录p2在p1八邻域中的位置,并根据公式(1)计算k12:
kij=(xj-xi)*(yj-yi) (1)
式中,kij表示像素点pi(xi,yi)和pj(xj,yj)之间的迭代系数;
步骤2.3:根据p2的八邻域查找下一个白色像素点,若未找到,则转步骤2.4;否则,记找到的白色像素点为p3(x3,y3),并根据公式(1)计算k23,若k12*k23<0,则不再继续寻找像素点,转步骤2.4;否则,令p1=p2,转步骤2.2;
步骤2.4:若line中的像素点数量大于30,则将line加入曲线集lines中;将line中的像素点在边缘图中的像素灰度值设置为零,即变为黑色像素点;清空line;转步骤2.1;
步骤3:对曲线集lines中的每条曲线按如下规则进行断开处理:从曲线的第5个点p5(x5,y5)开始依次计算,根据式(2)计算点p0(x0,y0)、p5(x5,y5)、p10(x10,y10)三点所成的夹角A,若A<135°,则在p5处进行断开操作,即将p0、p1、p2、p3和p4这五个点从该曲线中去除;重复这一断开处理步骤,直至无曲线可断开为止;
式中,a表示p0到p10的距离,b表示p0到p5的距离,c表示p5到p10的距离,cos表示余弦函数;
步骤4:设lines={ci|i=1,2,…,n},ci={ptij(xij,yij)|j=1,2,…,mi},ci表示lines中的第i条曲线,n表示曲线数量,ptij表示曲线ci中的第j个像素点,(xij,yij)表示ptij对应的坐标,mi表示ci中的像素点数量;去除lines中的干扰线,具体步骤为:
步骤4.1:计算ci的长度L(ci)、头斜率hk(ci)、尾斜率tk(ci)、头节点坐标和尾节点坐标,其中头斜率hk(ci)为像素点pti0和pti10所确定的直线的斜率,尾斜率tk(ci)为像素点和所确定的直线的斜率,头节点坐标为head(ci)=pti0,尾节点坐标为
步骤4.2:对每条曲线ci,寻找满足式(3)的曲线ck,若找到,则在曲线ci上取等距的vi个特征点,vi≥5,将这些特征点依次记为fpj,j=1,2,…,vi,对每个点fpj作其在曲线ci上的法线,该法线与曲线ck的交点记为dpj,然后计算出点fpj和点dpj之间的距离dj,若所有的dj均满足dj<10,则把曲线ci从集合lines中删去;
|hk(ck)-hk(ci)|<δ &&k≠i&& L(ci)<L(ck) (3)
其中,δ表示事先给定的头斜率差距的阈值;
步骤5:对lines中的曲线进行头尾匹配连接,具体步骤为:
步骤5.1:根据式(4)计算曲线ci的曲线类型T(ci);
式中,headx(ci)和heady(ci)分别表示曲线ci头结点head(ci)的x和y坐标值,tailx(ci)和taily(ci)分别表示曲线ci尾结点tail(ci)的x和y坐标值;
步骤5.2:对曲线ci,找到满足式(5)的候选连接曲线集CD={rlz|z=1,2,...,w},其中,rlz表示CD中第z条曲线,w表示候选连接曲线个数,作曲线ci在尾节点tail(ci)处的切线和曲线rlz在头节点head(rlz)处的切线,把两条切线所构成的夹角记为Bz,设对应于Bz最小的曲线为rlk,则将rlk与曲线ci进行连接,将连接后得到的新曲线加入曲线集lines中,同时将rlk和ci从曲线集lines中删除;重复步骤5.2,直到无曲线可连接;
步骤6:判断lines中的曲线是否属于同根纤维的边缘,把同根纤维轮廓进行轮廓闭合,最后根据闭合轮廓,提取出单根纤维保存,具体步骤为:
步骤6.1:对每条曲线ci,寻找满足式(6)的曲线ck,若找到,则在曲线ci上取等距的vi个特征点,vi≥5,将这些特征点依次记为fpj,j=1,2,…,vi,对每个点fpj作其在曲线ci上的法线,该法线与曲线ck的交点记为dpj,然后计算出点fpj和点dpj之间的距离dj,若所有的dj均满足式(7),则将把曲线ci和曲线ck对应的头节点和尾节点连接起来形成闭合轮廓;
步骤6.2:对闭合轮廓进行掩膜运算,即可提取出对应的单根纤维图像。
本发明的优点是:本发明能够自动分割出图片中的单一曲线,比起手动分割大大提高了效率,利用了曲线头斜率、尾斜率、长度、间距方差确定出纤维边缘的大致轮廓从而实现对纤维的单一分割。
附图说明
图1为一张准备进行识别分割的纤维图片。
图2为对纤维图片进行灰度化和边缘检测的结果。
图3为获取头结点后对后续白色像素点进行寻找时的走向样例图。
图4为对边缘检测图中的每条曲线进行遍历并初步断开的效果图。
图5为对图3中的曲线进行进一步断开后的效果图。
图6为去除图4中多余的边缘线后的效果图。
图7为对图5中断开曲线进行头部和尾部的匹配连接后的结果。
图8为对图6中的曲线进行最后的匹配并闭合曲线轮廓。
图9为部分分割出的单根纤维效果图。
具体实施方式
下面结合实例和图片来详细阐述本发明。
步骤1:如图1为显微镜下的纤维图像,读入该图像,进行灰度化,用3*3的内核进行降噪,采用Canny算子检测边缘,得到边缘图2;
步骤2:对图2进行遍历,并进行断开操作,把断开后每条曲线的坐标集合存入曲线集lines中,具体步骤为:
步骤2.1:查找图2中的白色像素点,若找不到,则结束;否则,将找到的白色像素点作为头结点p1(x1,y1),把p1存入曲线line中;
步骤2.2:通过p1点的八邻域找到下一个白色像素点p2(x2,y2),把p2加入line中,记录p2在p1八邻域中的位置,如图3,红色箭头表示获取白色像素点的方向,并根据公式(1)计算k12:
kij=(xj-xi)*(yj-yi) (1)
式中,kij表示像素点pi(xi,yi)和pj(xj,yj)之间的迭代系数;
步骤2.3:根据p2的八邻域查找下一个白色像素点,若未找到,则转步骤2.4;否则,记找到的白色像素点为p3(x3,y3),并根据公式(1)计算k23,若k12*k23<0,则不再继续寻找像素点,转步骤2.4;否则,令p1=p2,转步骤2.2;
步骤2.4:若line中的像素点数量大于30,则将line加入曲线集lines中;将line中的像素点在边缘图中的像素灰度值设置为零,即变为黑色像素点;清空line;转步骤2.1;最后line中曲线如图4;
步骤3:对曲线集lines中的每条曲线按如下规则进行断开处理:从曲线的第5个点p5(x5,y5)开始依次计算,根据式(2)计算点p0(x0,y0)、p5(x5,y5)、p10(x10,y10)三点所成的夹角A,若A<135°,则在p5处进行断开操作,即将p0、p1、p2、p3和p4这五个点从该曲线中去除;重复这一断开处理步骤,直至无曲线可断开为止;
式中,a表示p0到p10的距离,b表示p0到p5的距离,c表示p5到p10的距离,cos表示余弦函数;最后line中曲线如图5;
步骤4:设lines={ci|i=1,2,…,n},ci={ptij(xij,yij)|j=1,2,…,mi},ci表示lines中的第i条曲线,n表示曲线数量,ptij表示曲线ci中的第j个像素点,(xij,yij)表示ptij对应的坐标,mi表示ci中的像素点数量;去除lines中的干扰线,具体步骤为:
步骤4.1:计算ci的长度L(ci)、头斜率hk(ci)、尾斜率tk(ci)、头节点坐标和尾节点坐标,其中头斜率hk(ci)为像素点pti0和pti10所确定的直线的斜率,尾斜率tk(ci)为像素点和所确定的直线的斜率,头节点坐标为head(ci)=pti0,尾节点坐标为
步骤4.2:对每条曲线ci,寻找满足式(3)的曲线ck,若找到,则在曲线ci上取等距的vi个特征点,vi≥5,将这些特征点依次记为fpj,j=1,2,…,vi,对每个点fpj作其在曲线ci上的法线,该法线与曲线ck的交点记为dpj,然后计算出点fpj和点dpj之间的距离dj,若所有的dj均满足dj<10,则把曲线ci从集合lines中删去;
|hk(ck)-hk(ci)|<δ &&k≠i&& L(ci)<L(ck) (3)
其中,δ表示事先给定的头斜率差距的阈值;最后剔除完毕的效果如图6;
步骤5:对lines中的曲线进行头尾匹配连接,具体步骤为:
步骤5.1:根据式(4)计算曲线ci的曲线类型T(ci);
式中,headx(ci)和heady(ci)分别表示曲线ci头结点head(ci)的x和y坐标值,tailx(ci)和taily(ci)分别表示曲线ci尾结点tail(ci)的x和y坐标值;
步骤5.2:对曲线ci,找到满足式(5)的候选连接曲线集CD={rlz|z=1,2,...,w},其中,rlz表示CD中第z条曲线,w表示候选连接曲线个数,作曲线ci在尾节点tail(ci)处的切线和曲线rlz在头节点head(rlz)处的切线,把两条切线所构成的夹角记为Bz,设对应于Bz最小的曲线为rlk,则将rlk与曲线ci进行连接,将连接后得到的新曲线加入曲线集lines中,同时将rlk和ci从曲线集lines中删除;重复步骤5.2,直到无曲线可连接;最后lines中曲线如图7;
步骤6:判断lines中的曲线是否属于同根纤维的边缘,把同根纤维轮廓进行轮廓闭合,最后根据闭合轮廓,提取出单根纤维保存,具体步骤为:
步骤6.1:对每条曲线ci,寻找满足式(6)的曲线ck,若找到,则在曲线ci上取等距的vi个特征点,vi≥5,将这些特征点依次记为fpj,j=1,2,…,vi,对每个点fpj作其在曲线ci上的法线,该法线与曲线ck的交点记为dpj,然后计算出点fpj和点dpj之间的距离dj,若所有的dj均满足式(7),则将把曲线ci和曲线ck对应的头节点和尾节点连接起来形成闭合轮廓;轮廓图如图8;
步骤6.2:对闭合轮廓进行掩膜运算,即可提取出对应的单根纤维图像;图9为部分分割结果。
Claims (2)
1.一种纤维识别分割方法,包括如下步骤:
步骤1:读入图像,进行灰度化,用3*3的内核进行降噪,采用Canny算子检测边缘,得到边缘图;
步骤2:对边缘图进行遍历,并进行断开操作,把断开后每条曲线的坐标集合存入曲线集lines中;
步骤3:对曲线集lines中的每条曲线按如下规则进行断开处理:从曲线的第6个点p5(x5,y5)开始依次计算,根据式(2)计算点p0(x0,y0)、p5(x5,y5)、p10(x10,y10)三点所成的夹角A,若A<135°,则在p5处进行断开操作,即将p0、p1、p2、p3和p4这五个点从该曲线中去除;重复这一断开处理步骤,直至无曲线可断开为止;
式中,a表示p0到p10的距离,b表示p0到p5的距离,c表示p5到p10的距离,cos表示余弦函数;
步骤4:设lines={ci|i=1,2,…,n},ci={ptij(xij,yij)|j=1,2,…,mi},ci表示lines中的第i条曲线,n表示曲线数量,ptij表示曲线ci中的第j个像素点,(xij,yij)表示ptij对应的坐标,mi表示ci中的像素点数量;去除lines中的干扰线;
步骤5:对lines中的曲线进行头尾匹配连接,
步骤6:判断lines中的曲线是否属于同根纤维的边缘,把同根纤维轮廓进行轮廓闭合,最后根据闭合轮廓,提取出单根纤维保存;
步骤2具体步骤为:
步骤2.1:查找边缘图中的白色像素点,若找不到,则结束;否则,将找到的白色像素点作为头结点p1(x1,y1),把p1存入曲线line中;
步骤2.2:通过p1点的八邻域找到下一个白色像素点p2(x2,y2),把p2加入line中,记录p2在p1八邻域中的位置,并根据公式(1)计算k12:
kij=(xj-xi)*(yj-yi) (1)
式中,kij表示像素点pi(xi,yi)和pj(xj,yj)之间的迭代系数;
步骤2.3:根据p2的八邻域查找下一个白色像素点,若未找到,则转步骤2.4;否则,记找到的白色像素点为p3(x3,y3),并根据公式(1)计算k23,若k12*k23<0,则不再继续寻找像素点,转步骤2.4;否则,令p1=p2,转步骤2.2;
步骤2.4:若line中的像素点数量大于30,则将line加入曲线集lines中;将line中的像素点在边缘图中的像素灰度值设置为零,即变为黑色像素点;清空line;转步骤2.1;
步骤4中去除lines中的干扰线,具体步骤为:
步骤4.1:计算ci的长度L(ci)、头斜率hk(ci)、尾斜率tk(ci)、头节点坐标和尾节点坐标,其中头斜率hk(ci)为像素点pti0和pti10所确定的直线的斜率,尾斜率tk(ci)为像素点和所确定的直线的斜率,头节点坐标为head(ci)=pti0,尾节点坐标为
步骤4.2:对每条曲线ci,寻找满足式(3)的曲线ck,若找到,则在每条曲线ci上取等距的vi个特征点,vi≥5,将这些特征点依次记为fpj,j=1,2,…,vi,对每个点fpj作其在曲线ci上的法线,该法线与曲线ck的交点记为dpj,然后计算出点fpj和点dpj之间的距离dj,若所有的dj均满足dj<10,则把每条曲线ci从集合lines中删去;
|hk(ck)-hk(ci)|<δ&&k≠i&&L(ci)<L(ck) (3)
其中,δ表示事先给定的头斜率差距的阈值;
步骤5具体步骤为:
步骤5.1:根据式(4)计算曲线ci的曲线类型T(ci);
式中,headx(ci)和heady(ci)分别表示曲线ci头结点head(ci)的x和y坐标值,tailx(ci)和taily(ci)分别表示曲线ci尾结点tail(ci)的x和y坐标值;
步骤5.2:对曲线ci,找到满足式(5)的候选连接曲线集CD={rlz|z=1,2,...,w},其中,rlz表示CD中第z条曲线,w表示候选连接曲线个数,作曲线ci在尾节点tail(ci)处的切线和曲线rlz在头节点head(rlz)处的切线,把两条切线所构成的夹角记为Bz,设对应于Bz最小的曲线为rlk,则将rlk与曲线ci进行连接,将连接后得到的新曲线加入曲线集lines中,同时将rlk和ci从曲线集lines中删除;重复步骤5.2,直到无曲线可连接;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711453507.2A CN108229486B (zh) | 2017-12-27 | 2017-12-27 | 一种纤维识别分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711453507.2A CN108229486B (zh) | 2017-12-27 | 2017-12-27 | 一种纤维识别分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229486A CN108229486A (zh) | 2018-06-29 |
CN108229486B true CN108229486B (zh) | 2021-07-06 |
Family
ID=62648210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711453507.2A Active CN108229486B (zh) | 2017-12-27 | 2017-12-27 | 一种纤维识别分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229486B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313690B (zh) * | 2021-05-31 | 2022-08-09 | 齐鲁工业大学 | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096827A (zh) * | 2011-01-18 | 2011-06-15 | 东华大学 | 一种基于尺度不变和向量机分类的异形纤维自动识别方法 |
CN104697476A (zh) * | 2015-03-19 | 2015-06-10 | 北京时代之峰科技有限公司 | 粗糙度光切轮廓曲线的自动检测方法及装置 |
CN106250816A (zh) * | 2016-07-19 | 2016-12-21 | 武汉依迅电子信息技术有限公司 | 一种基于双摄像头的车道线识别方法及系统 |
CN106340014A (zh) * | 2016-08-29 | 2017-01-18 | 上海理工大学 | 二值化曲线处理方法 |
-
2017
- 2017-12-27 CN CN201711453507.2A patent/CN108229486B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096827A (zh) * | 2011-01-18 | 2011-06-15 | 东华大学 | 一种基于尺度不变和向量机分类的异形纤维自动识别方法 |
CN104697476A (zh) * | 2015-03-19 | 2015-06-10 | 北京时代之峰科技有限公司 | 粗糙度光切轮廓曲线的自动检测方法及装置 |
CN106250816A (zh) * | 2016-07-19 | 2016-12-21 | 武汉依迅电子信息技术有限公司 | 一种基于双摄像头的车道线识别方法及系统 |
CN106340014A (zh) * | 2016-08-29 | 2017-01-18 | 上海理工大学 | 二值化曲线处理方法 |
Non-Patent Citations (2)
Title |
---|
复杂纤维图像的识别研究;汪依帆;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100815;第I138-579页 * |
纸浆纤维的图像分割与识别方法研究;边建美;《中国优秀硕士学位论文全文数据库 信息科技辑》;20090115;第I138-986页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108229486A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Structural crack detection using deep convolutional neural networks | |
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN114627118B (zh) | 一种光纤电缆绝缘缺陷识别方法和系统 | |
CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN106991370B (zh) | 基于颜色和深度的行人检索方法 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN110399840B (zh) | 一种快速的草坪语义分割及边界检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN114067147B (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN112381830B (zh) | 基于YCbCr超像素和图割的鸟类关键部位提取方法和装置 | |
Wang et al. | An maize leaf segmentation algorithm based on image repairing technology | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
Mubashshira et al. | An unsupervised approach for road surface crack detection | |
CN113326846A (zh) | 一种基于机器视觉的桥梁表观病害快速检测方法 | |
CN115100615A (zh) | 一种基于深度学习的端到端车道线检测方法 | |
CN111868783B (zh) | 基于边界提取的区域合并图像分割算法 | |
CN108229486B (zh) | 一种纤维识别分割方法 | |
CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN116843626A (zh) | 一种基于多特征融合的机器视觉钢丝绳表面缺陷检测方法 | |
CN108985294B (zh) | 一种轮胎模具图片的定位方法、装置、设备及存储介质 | |
CN116310316A (zh) | 一种基于交叉校验的电力架空导线检测方法 |
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 |