CN108230334B - 基于灰度阈值的高浓度风沙图像分割的方法 - Google Patents

基于灰度阈值的高浓度风沙图像分割的方法 Download PDF

Info

Publication number
CN108230334B
CN108230334B CN201711395910.4A CN201711395910A CN108230334B CN 108230334 B CN108230334 B CN 108230334B CN 201711395910 A CN201711395910 A CN 201711395910A CN 108230334 B CN108230334 B CN 108230334B
Authority
CN
China
Prior art keywords
gray
image
sand
wind
unit
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
CN201711395910.4A
Other languages
English (en)
Other versions
CN108230334A (zh
Inventor
梅凡民
雒遂
王杰
陈金广
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.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
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 Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201711395910.4A priority Critical patent/CN108230334B/zh
Publication of CN108230334A publication Critical patent/CN108230334A/zh
Application granted granted Critical
Publication of CN108230334B publication Critical patent/CN108230334B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Landscapes

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

Abstract

本发明公开了一种基于灰度阈值的高浓度风沙图像分割的方法，其步骤包括背景模板去噪、灰度化处理、图像微分、灰度方差阈值目标检测和最大类间方差灰度阈值分割。该方法既能提高目标识别和分割的精细化程度，也能有效去除了图像随机噪音和降低分割错误带来的噪音。本发明图像分割方法的沙粒有效识别个数、查全率和查准率显著地高于传统分割方法，其对高浓度风沙图像的分割效果良好。

Description

基于灰度阈值的高浓度风沙图像分割的方法
技术领域
本发明属于图像分割技术领域，具体涉及一种基于灰度阈值的高浓度风沙图像分割的方法。
背景技术
准确分析高浓度风沙粒子的运动图像是深入理解沙粒轨迹形成机制的关键技术，而图像分割方法的质量是获得细致、完整的沙粒轨迹的基础。
高浓度风沙图像具有4个影响图像分割效果的特征：(1)高浓度风沙流中沙粒亮度具有明显差异，部分暗粒子亮度和背景接近。沙粒的亮度差异与其矿物类型、形貌特征有关(沙粒形貌特征的千差万别，这使得被高速摄影所拍摄的沙粒对照明光源的反射和散射出现差异，进而造成高速摄影图像上沙粒的亮度会有明显的差异)；沙粒的亮度差异也与沙粒在平动过程中会伴随旋转和侧向运动有关(会造成同一颗沙粒时明时暗)；沙粒的亮度差异也与图像拍摄的方法有关。为了减小床面反光效应而清晰地拍摄到床面附近的沙粒运动，小光圈拍摄会使图像景深变宽厚从而导致景深之内沙粒增多，而这些沙粒的亮度也会低于焦平面沙粒的亮度。(2)拍摄过程中的环境干扰产生的稳定噪音和随机噪音(见后面讨论)也会影响图像分割的效果。(3)同一个沙粒不同部位上呈现明暗差异的特征，会出现单沙粒被分割成几个沙粒的错误，这里称为单粒子分割现象。(4)沙粒在二维图像上的表观重叠现象(几个沙粒同时到达了水平和垂直位置相同而侧向位置不同的位置时在二维图像上是重叠出现的假象)
在诸多图像分割方法中，灰度阈值分割是比较简洁和富有效率的传统算法，其原理是在灰度阶的数字序列中选择合适的灰度阈值来分割图像。最大类间方差灰度阈值分割法是灰度阈值分割法中的一种，根据灰度的一阶矩和二阶矩及最小二乘法拟合自动地获得图像分割阈值的，其原理是当目标和背景间灰度方差最大时则对应着最佳的分割阈值。该算法的优点是不依赖于先验知识，算法简洁，自提出后在图像处理领域得到了广泛地应用。
但是，最大类间方差灰度阈值法适合目标和背景对比明显且灰度分布较为均匀的图像，然而实际拍摄的图像往往都存在明暗不均、部分目标和背景灰度差异小的问题，这就影响了该方法的应用。对此问题，一个改进的做法是利用微分的思想把图像分割为不同的区域，再对每个微分单元利用灰度的最大类间方差进行分割就可能获得每个微分单元最合适的分割阈值，从而提高了图像分割的精细化程度。然而对微分单元进行分割时，如果该单元属于纯粹的背景，只不过由于背景内仍存在灰度阶差，会出现对背景继续分割而产生噪音信息的情形，同时也会造成暗粒子由于和背景接近而被分割为背景的情形，这些情形必然会影响整幅图像分割的效果。
已有的研究表明全局最大类间方差灰度阈值法分割法对低浓度风沙图像的分割效果良好，但对高浓度风沙图像而言，该方法的分割效果就很难满足研究的要求。
发明内容
本发明的目的是提供一种基于灰度阈值的高浓度风沙图像分割的方法，该方法通过改进传统的最大类间方差灰度阈值法，从而有效地改善高浓度风沙图像的分割效果。
本发明所采用的技术方案包括5个步骤：
步骤1，采用扣减背景模板去噪法对高浓度风沙图像进行去噪；
步骤2，对去噪后的风沙图像进行灰度化处理；
步骤3，对灰度化处理后的风沙图像进行微分处理；
步骤4，通过下式对微分后风沙图像中的灰度单元进行基于灰度标准方差阈值的目标检测，其中，
Figure BDA0001518510380000031
为第i个微分单元的灰度方差，T为阈值，n为微分单元的序号；
Figure BDA0001518510380000032
当
Figure BDA0001518510380000033
时，则设置为目标，当
Figure BDA0001518510380000034
时，则设置为背景；
步骤5，对步骤4检测为目标的灰度单元利用最大类间方差灰度阈值方法进行分割，即当目标单元灰度方差最大时对应的灰度为图像灰度分割的阈值i，当灰度单元的灰度值大于i时，将该灰度单元设置为目标，当灰度单元的灰度值小于i时，将该灰度单元设置为背景，由此完成了对高浓度风沙图像的分割。
本发明的特点还在于：
优选的，高浓度风沙图像为纯色激光图像时，步骤2的灰度化处理采用分量法中的相应颜色通道来对图像进行灰度化处理。
优选的，步骤3中微分处理的灰度单元不超过20×20像素。
优选的，步骤4中阈值T在3～3.5之间取值。
优选的，步骤5中灰度阈值i是用计算机对某个目标单元的灰度矩阵进行迭代计算方法来确定，其具体方法为：以每个目标灰度单元为图像分割的区域，设从图像中提取到灰度大于i的沙粒点数占图像比例为w0，平均灰度为u0，背景点数占图像比例为1-w0，背景平均灰度为u1，然后根据下式计算沙粒和背景图像 的方差δ：
Figure BDA0001518510380000041
当某个灰度目标单元δ为最大时对应的i为最佳灰度，即分割时的灰度阈值。
本发明最主要的进步在于两个方面：(1)针对高浓度风沙图像的特征噪音特点设计了背景模板去噪的方法，减小了图像中稳定噪音对目标提取的干扰；(2)增加了灰度方差阈值目标检测的步骤，这既能减小对微分单元的背景信息再分割所带来的噪音干扰，也能提高目标提取的查全率和查准率，较好地解决了沙粒明暗差异和噪音对图像分割的影响。
和传统的灰度阈值分割方法相比较，本发明方法的沙粒有效识别数、查全率和查准率分别为461，71％和86％，显著地高于传统算法对应的85，13％和82％(见表2)，本发明方法对高浓度风沙图像的分割效果良好。
附图说明
图1是本发明高浓度风沙图像分割方法的流程图；
图2是实施例风沙图像去噪前后效果图；A-含有条纹状噪音的原图，B- 背景模板去噪后的图像；
图3是实施例风沙图像去噪前后效果图；A-含有黑斑噪音的原图，B-背景模板去噪后的图像；
图4是实施例风沙图像灰度化效果的对比图；A-均值法，B-绿色通道灰度化；
图5是不同灰度标准方差阈值目标检测下风沙图像分割效果图；从A到 F，灰度标准方差阈值分别为2.0，2.5，3.0，3.5，4.0，4.5；
图6是本发明方法和传统的灰度阈值分割法分割的效果比较图；A-传统的分割法，B-传统分割法+图像微分，C-本发明分割法。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的详细说明，但本发明并不限于这些实施方式。
根据如图1所示的流程，以如图2(A)所示的高浓度风沙图像为例，采用本发明的方法进行图像分割，具体如下：
步骤1，扣减背景模板去噪
(1)挑选背景模板：从高浓度风沙视频图像中挑选没有沙粒的图像或者是仅有几个沙粒的图像作为背景模板；(2)用待处理的图像和背景模板图像相减来去除待处理图像的稳定噪音如本方法处理的风沙图像中的条纹状噪音、沙粒背后的暗斑等噪音。图2(A)和图3(A)为含有条纹状和黑斑噪音的原始图像，图2(B)和图3(B)表明扣减背景模板法剔除了原始图像中的齿轮样的横条纹、横条纹和沙粒背后的黑斑，风沙图像的整体背景呈均匀黑色，去噪效果良好。
扣减背景模板去噪不局限于本发明中所列举的稳定和随机噪音类型，类似噪音也可以借助于本发明方法去噪。
步骤2，绿光通道灰度化处理
RGB彩色图像的灰度化一般采用均值法来处理[具体见Oge Marques.实用MATLAB图像和视频处理.章毓晋译北京：清华大学出版社,2013： 260-300]，但考虑到高速摄影图像拍摄的照明光源大多为纯色激光，如本实施例采用的是绿色激光，因而采用分量法中的绿光通道来对图像进行灰度化处理。绿色通道灰度化的具体做法是从RGB图像中只提取绿色通道的信息并形成了只有绿色通道信息的新矩阵，然后在把其转化为二值图像。图4(B)表明绿光通道灰度化处理后，沙粒灰度分布均匀、饱满、清晰，其灰度化效果明显好于均值法(见图4(A))。这也意味着以纯色激光照明拍摄的高速摄影图像，其灰度化选用分量法处理更合适。
步骤3，图像微分
图像微分是指把一幅风沙图像分成微小的灰度单元并以此作为图像分割的基本单位的方法。灰度单元大小会影响到图像分割的效果，一方面，微小单元划分得越小，目标信息的提取可能越详细；另一方面，微小单元划分得越小，则会耗用更多的计算资源。因而选择合适的微小灰度单元的尺度很重要。对于高浓度风沙图像而言，灰度单元通常不超过20×20像素，具体尺度根据图像本身的具体特征而定。本实施例风沙图像中最大沙粒是10×10像素，因此选取5×5像素的灰度单元作为图像分割的基本尺度。
步骤4，灰度标准方差阈值的目标检测
基于灰度标准方差阈值的目标检测是指通过选择合适的灰度标准方差阈值来识别风沙图像中灰度单元的目标的方法，其是用风沙图像内的微分单元的灰度方差阈值来识别目标，可表示为公式(1)，其中
Figure BDA0001518510380000061
为第i个微分单元的灰度方差，T为阈值。
Figure BDA0001518510380000062
当
Figure BDA0001518510380000063
时，计算机将该微分单元设置为目标；当
Figure BDA0001518510380000064
时，计算机将该微分单元设置为背景。
合适阈值T采用人工实验来筛选，可分为3个步骤：
(1)图像微分单元分类及灰度方差的抽样分析。这里把图像信息分为亮粒子、暗粒子和背景等3类，然后抽样获得三类微分单元的灰度方差值(见表1)；
表1风沙图像中代表性灰度单元样本的灰度标准方差
Figure BDA0001518510380000071
(2)根据灰度单元中代表性样本的灰度标准方差来确定初步的用于目标检测的灰度标准方差的范围。表1显示背景类单元的灰度标准方差在0.8～1.6 之间，其明显低于暗粒子类的灰度标准方差(5.5～8.5)和亮粒子类的灰度标准方差(30.2～50.2)，这表明区分暗沙粒和背景的灰度标准方差的阈值应该介于1.6～5.5之间；
(3)在初步筛选的灰度标准方差阈值范围通过逐步试验内确定合适的阈值。图6是灰度方差阈值在2.0～4.5之间变化时所分割的风沙图像。当灰度标准方差阈值为2.0和2.5时，所提取沙粒数量很丰富，但沙粒周围会出现明显的噪音点(见图5(A)、(B))；当灰度标准方差阈值为4.0和4.5时，图像上的噪音点不明显了但丢失了一些沙粒的信息(见图5(E)、(F))；当该阈值为3.0和3.5时，是沙粒提取数量和噪音信息的折中(见图5(C)、(D))，这两个阈值既能尽可能完整提取沙粒的信息也可能避免噪音信息的干扰，是比较合适的阈值。因此，对于高浓度风沙图像而言，阈值T在3～3.5之间取值。本实施例选择3.5作为目标识别的阈值。
步骤5，最大类间方差灰度阈值分割
在步骤4的基础上，对检测为目标的灰度单元利用最大类间方差灰度阈值方法选择最佳的灰度阈值对待处理图像分割。
(1)确定最佳的灰度阈值。以每个目标灰度单元为图像分割的区域，设从图像中提取到灰度大于i的沙粒点数占图像比例为w0，平均灰度为u0，背景点数占图像比例为1-w0，背景平均灰度为u1，然后根据下式计算沙粒和背景图像 的方差δ：
Figure BDA0001518510380000081
当某个灰度目标单元δ为最大时对应的i为最佳灰度，即分割时的灰度阈值。最佳灰度的获得是用计算机算法通过迭代过程逼近获得，具体见文献 [Nobuyuki O.AThreshold Selection Method from Gray-Level Histograms.IEEE Trans.on System,Man,and Cybernetics,1979,9(1):62-66.]。
(2)对步骤4检测为目标的灰度单元进行分割，灰度单元的灰度值大于 i时，计算机将该微分单元设置为目标，当灰度单元的灰度值小于i时，该微分单元设置为背景，由此便完成了对该高浓度风沙图像的分割。
为了证实本发明的分割法的优点，将本发明的风沙图像的分割法的分割效果和传统的全局最大灰度方差阈值分割方法(简称传统图像分割方法，下同)进行比较，结果如图6所示。图6(A)表明传统方法虽然去除了图像中的噪音但提取的沙粒数量十分稀少，图6(B)表明在图像微分的基础上，直接利用传统的图像分割方法时，被分割的图像会出现大量的噪音和沙粒目标模糊不清的特征。图6(C)表明，灰度标准方差阈值的目标检测法既可以从整幅风沙图像中把大部分微分灰度单元中的沙粒从背景中识别出来，同时又尽可能地避免了分割误差产生的噪音；同时也有效地去除了原始图像中的随机噪音，具有‘一石二鸟’的效果。这表明在灰度方差阈值目标检测方法对提高图像分割的效果是十分必要的。
表2显示对高浓度风沙图像而言，本发明的图像分割方法所提取的有效沙粒数量、查全率和查准率分别为461,71％和86％均显著高于传统图像分割方法对应的85,13％和82％，这表明本发明的图像分割方法的目标提取的效率和精度得到显著提高。
表2本发明的图像分割方法效果评价
Figure BDA0001518510380000091
表中：(Nr-图像中实际沙粒的个数,Ni-被图像分割法检测出的沙粒个数， Nie-图像分割法准确检测出的沙粒个数，查全率:Rc＝Ni/Nr,查准率: Pr＝Nie/Ni)
由此可见，本发明的高浓度风沙图像分割方法显著地提高了图像分割的查全率和查准率，关键的原因有2个：(1)模板去噪法有效地去除了图像中的稳定噪音；(2)灰度方差阈值目标检测算法既提高了目标识别和分割的精细化程度，也有效地去除了图像随机噪音和降低了分割错误带来的噪音。

Claims (5)

1.基于灰度阈值的高浓度风沙图像分割的方法，其特征在于，包括以下步骤：
步骤1，采用扣减背景模板去噪法对高浓度风沙图像进行去噪；
步骤2，对去噪后的风沙图像进行灰度化处理；
步骤3，对灰度化处理后的风沙图像进行微分处理；
其中，图像进行微分处理是指把一幅风沙图像分成微小的灰度单元并以此作为图像分割的基本单位的方法；
步骤4，通过下式对微分后风沙图像中的灰度单元进行基于灰度标准方差阈值的目标检测，其中，
Figure FDA0003097301470000011
为第i个微分单元的灰度方差，T为阈值，n为微分单元的序号；
Figure FDA0003097301470000012
当
Figure FDA0003097301470000013
时，则设置为目标，当
Figure FDA0003097301470000014
时，则设置为背景；
步骤5，对步骤4检测为目标的灰度单元利用最大类间方差灰度阈值方法进行分割，即当目标单元灰度方差最大时对应的灰度为图像灰度分割的阈值i，当灰度单元的灰度值大于i时，将该灰度单元设置为目标，当灰度单元的灰度值小于i时，将该灰度单元设置为背景，由此完成了对高浓度风沙图像的分割。
2.根据权利要求1所述的基于灰度阈值的高浓度风沙图像分割的方法，其特征在于，所述高浓度风沙图像为纯色激光图像时，步骤2的灰度化处理采用分量法中的相应颜色通道来对图像进行灰度化处理。
3.根据权利要求1所述的基于灰度阈值的高浓度风沙图像分割的方法，其特征在于，步骤3所述微分处理的灰度单元不超过20×20像素。
4.根据权利要求1所述的基于灰度阈值的高浓度风沙图像分割的方法，其特征在于，步骤4的阈值T在3～3.5之间取值。
5.根据权利要求1所述的基于灰度阈值的高浓度风沙图像分割的方法，其特征在于，步骤5所述灰度阈值i通过对某个目标单元的灰度矩阵进行迭代计算方法来确定，具体确定方法为：以每个目标灰度单元为图像分割的区域，设从图像中提取到灰度大于i的沙粒点数占图像比例为w0，平均灰度为u0，背景点数占图像比例为1-w0，背景平均灰度为u1，然后根据下式计算沙粒和背景图像 的方差δ：
Figure FDA0003097301470000021
当某个灰度目标单元δ为最大时对应的i为最佳灰度，即分割时的灰度阈值。
CN201711395910.4A 2017-12-21 2017-12-21 基于灰度阈值的高浓度风沙图像分割的方法 Expired - Fee Related CN108230334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711395910.4A CN108230334B (zh) 2017-12-21 2017-12-21 基于灰度阈值的高浓度风沙图像分割的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711395910.4A CN108230334B (zh) 2017-12-21 2017-12-21 基于灰度阈值的高浓度风沙图像分割的方法

Publications (2)

Publication Number Publication Date
CN108230334A CN108230334A (zh) 2018-06-29
CN108230334B true CN108230334B (zh) 2021-07-27

Family

ID=62647558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711395910.4A Expired - Fee Related CN108230334B (zh) 2017-12-21 2017-12-21 基于灰度阈值的高浓度风沙图像分割的方法

Country Status (1)

Country Link
CN (1) CN108230334B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335286B (zh) * 2019-07-11 2021-03-02 京东方科技集团股份有限公司 灰度阈值的获取方法、计算机设备和计算机可读介质
CN114143474B (zh) * 2021-12-06 2023-10-10 广州尚臣电子有限公司 一种基于图像平均灰度的物感处理方法
CN115046966B (zh) * 2022-08-16 2022-11-04 山东国慈新型材料科技有限公司 一种环境污水可循环利用程度检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599278A (zh) * 2015-01-29 2015-05-06 国家海洋局第二海洋研究所 一种基于遥感图像的浅海沙波信息提取方法
CN106557758A (zh) * 2016-11-25 2017-04-05 南京大学 一种沙粒显微图像的多目标自动鉴别方法
CN107292903A (zh) * 2017-08-10 2017-10-24 四川长虹电器股份有限公司 图像多阈值分割方法
CN107339933A (zh) * 2017-02-09 2017-11-10 山西迪迈沃科光电工业有限公司 一种槽式太阳能聚光反射镜的安装检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9744800B2 (en) * 1999-06-11 2017-08-29 Sydney Hyman Compositions and image making mediums
US8948474B2 (en) * 2010-01-25 2015-02-03 Amcad Biomed Corporation Quantification method of the feature of a tumor and an imaging method of the same

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104599278A (zh) * 2015-01-29 2015-05-06 国家海洋局第二海洋研究所 一种基于遥感图像的浅海沙波信息提取方法
CN106557758A (zh) * 2016-11-25 2017-04-05 南京大学 一种沙粒显微图像的多目标自动鉴别方法
CN107339933A (zh) * 2017-02-09 2017-11-10 山西迪迈沃科光电工业有限公司 一种槽式太阳能聚光反射镜的安装检测方法
CN107292903A (zh) * 2017-08-10 2017-10-24 四川长虹电器股份有限公司 图像多阈值分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Cyclic Strength of Sand under Sustained Shear Stress;J. Yang, M.ASCE 等;《GEOTECHNICAL AND GEOENVIRONMENTAL ENGINEERING》;20111231;第137卷(第12期);第1275-1285页 *
基于阈值分割技术的图像分割法研究;吴掬鸥 等;《现代电子技术》;20160831;第39卷(第16期);第105-107页 *
风沙颗粒运动的数字高速摄影图像的分割算法;梅凡民 等;《力学学报》;20120131;第44卷(第1期);第82-87页 *

Also Published As

Publication number Publication date
CN108230334A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN110490914B (zh) 一种基于亮度自适应和显著性检测的图像融合方法
CN110349126B (zh) 一种基于卷积神经网络带标记的钢板表面缺陷检测方法
CN108765325B (zh) 一种小型无人机模糊图像复原方法
CN104834912B (zh) 一种基于图像信息检测的天气识别方法及装置
CN107784669A (zh) 一种光斑提取及其质心确定的方法
CN108876768B (zh) 导光板暗影缺陷检测方法
CN108230334B (zh) 基于灰度阈值的高浓度风沙图像分割的方法
CN115131359B (zh) 一种金属加工件表面麻点缺陷检测方法
CN107490582B (zh) 一种流水线工件检测系统
CN106096610A (zh) 一种基于支持向量机的文档图像二值化方法
CN115830033A (zh) 基于机器视觉的汽车轮毂表面缺陷检测方法
CN103679656B (zh) 一种图像自动锐化方法
CN116205919A (zh) 基于人工智能的五金零件生产质量检测方法及系统
CN109035274A (zh) 基于背景估计与u型卷积神经网络的文档图像二值化方法
Saddami et al. Improved thresholding method for enhancing Jawi binarization performance
CN115439494A (zh) 用于喷雾机质检的喷雾图像处理方法
CN110060221B (zh) 一种基于无人机航拍图像的桥梁车辆检测方法
CN108898132A (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN114004834B (zh) 一种图像处理中的雾天情况分析方法、设备及装置
CN116309553B (zh) 一种非平面电镀五金件电镀缺陷检测方法
CN108830857A (zh) 一种自适应的汉字碑帖图像二值化分割算法
CN111369570A (zh) 一种视频图像的多目标检测跟踪方法
CN109410205A (zh) 一种复杂路面背景下的裂缝提取方法

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

Granted publication date: 20210727

Termination date: 20211221