CN108364285A - 一种基于迭代相位一致性的裂缝提取方法和应用 - Google Patents
一种基于迭代相位一致性的裂缝提取方法和应用 Download PDFInfo
- Publication number
- CN108364285A CN108364285A CN201810068425.4A CN201810068425A CN108364285A CN 108364285 A CN108364285 A CN 108364285A CN 201810068425 A CN201810068425 A CN 201810068425A CN 108364285 A CN108364285 A CN 108364285A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- result
- denoted
- iterative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000000284 extract Substances 0.000 title claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000000877 morphologic effect Effects 0.000 claims description 14
- 230000007547 defect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 101100135790 Caenorhabditis elegans pcn-1 gene Proteins 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 9
- 230000011218 segmentation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000012447 hatching Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010061619 Deformity Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G06T5/70—
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明涉及一种基于迭代相位一致性的裂缝提取方法,具体步骤如下:⑴结合形态学操作和去噪算法对CT图像进行预处理;⑵对预处理后图像做极坐标变换,得到图像PolarImg;⑶在极坐标系下迭代计算图像PolarImg的相位一致性,增强图像;⑷对增强后图像做极坐标逆变换;⑸根据unimodal thresholding算法对增强后的图像自动选取阈值,进而由该阈值的1.5倍对增强后图像进行分割得到图像中的裂缝。本方法能够由工业部件的CT图像自动检测出高精度的裂缝,同时该方法不受CT图像灰度对比度差异的影响,另外,该方法计算量小,提取速度快,能够满足实时性的应用需求。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其是一种基于迭代相位一致性的裂缝提取方法和应用,该方法可应用于工业部件的缺陷检测。
背景技术
随着计算机断层成像技术的发展,无损检测技术在工业生产中的应用越来越广泛。对工件缺陷的检测与分析在质量安全控制中起着非常重要的作用。一方面,工件缺陷的形状与尺寸等信息直接反映了加工过程中相关因素的影响,对这些信息的定量分析与研究有助于改进和研发生产工艺;另一方面,对于正在服役的工件进行检测,分析其缺陷发现趋势,有助于预测该工件或设备的服役性能及使用寿命。裂缝是工业生产中常见的缺陷之一,在工件锻造或服役期间都可能产生裂缝。圆柱形工件是工业生产中常见的一种类型,这种类型的工件在工作状态下受应力分布影响,容易导致工件内部裂缝呈径向分布。裂缝提取是图像处理中一个经久不衰的问题,其难点在于裂缝自身的一些属性。比如,同一幅图像中裂缝的尺寸、灰度值和形状都有可能存在很大差异;另外,受成像设备或方法的影响,图像中裂缝可能比较模糊或者被噪声、伪影等覆盖。
最简单的裂缝提取方法是阈值分割,但是裂缝自身的属性使得对阈值的选取比较困难,不合适的阈值会导致较弱的裂缝不能被完整的提取,或者提取的结果中引进过多的错误结构。因此,有些情况下并不存在一个合适的阈值,能够直接对图像中裂缝进行有效地提取。解决这个问题的手段通常是先对图像做滤波,达到增强图像的目的,然后再进行阈值分割。常见的经典滤波方法有:Frangi算子、Krissian算子和GVF等。这类方法均基于图像的二阶导信息,比较依赖图像的灰度信息即对图像灰度信息敏感。因此,使用这类方法增强后的图像对阈值的选取依然困难。通过检索,发现一种较新的裂缝提取方法(RORPO),该方法是基于方向排序的路径开操作,该过程对图像的灰度差异相对不敏感,所以增强后图像对阈值选择较容易,但是唯一不足的是该方法计算速度比较慢,难以满足实时性的应用需求。
发明内容
本发明目的在于针对现有技术中裂缝提取方法的不足之处,提供一种基于迭代相位一致性的裂缝提取方法和应用,该方法能由工件的CT图像提取出高精度的裂缝,同时该方法不受CT图像灰度对比度差异的影响,另外,该方法计算量小,提取速度快;该方法能够由2D拓展到3D,使得对3D数据提取的结果更具整体性。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于迭代相位一致性的裂缝提取方法,具体步骤如下:
⑴结合形态学操作和去噪算法对CT图像进行预处理,降低背景及噪声对图像的影响;
⑵对预处理后图像做极坐标变换,得到图像PolarImg;
⑶在极坐标系下迭代计算图像PolarImg的相位一致性,增强图像;
⑷对增强后图像做极坐标逆变换;
⑸根据unimodal thresholding算法对增强后的图像自动选取阈值,进而由该阈值的1.5倍对增强后图像进行分割得到图像中的裂缝。
而且,所述步骤⑴的具体步骤如下:
使用非局部均值算法对CT图像原图进行去噪;
使用5x5的结构元对去噪后图像进行底帽变换,即得预处理后图像。
而且,所述步骤⑵中极坐标变换的中心坐标选取变换前图像的中心点,或距离中心点附近不超过50个像素的其他点;
极坐标网格中极径采样间隔为dr,取值0.25或0.5;角度采样间隔为dθ,取值0.25。
而且,所述步骤⑶的具体步骤如下:
以PolarImg表示极坐标变换之后的图像;
计算图像PolarImg的相位一致性,结果记为PC1,利用一维形态学操作对PC1进行滤波,结果记为PC1’;
去除图像PC1’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PC2,并利用一维形态学操作对PC2进行滤波,结果记为PC2’;
去除图像PC2’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PC3,并利用一维形态学操作对PC3进行滤波,结果记为PC6;
……
去除图像PCn-1’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PCn,并利用一维形态学操作对PCn进行滤波,结果记为PCn’;
对每一次迭代结果求和,结果记为PC,即PC=PC1’+PC2’+PC6+...+PCn’。其中,PC即为极坐标系下增强后的图像。
而且,所述步骤⑶中迭代计算图像的相位一致性,最后计算的结果对应原图中的强弱裂缝均被增强到近似相等的灰度值。
而且,所述裂缝提取方法拓展到3D情形,具体方法如下:
2D图像的相位一致性能够通过monogenic filters快速计算,其中频率域中滤波器的构造如下:
定义log-normal滤波器
其中,k表示倍频,ω表示带宽;结合滤波器H和B,因此,在相位一致性的计算中实际使用的滤波器是以下三个球面正交滤波器(SQF):(B,H1B,H2B);图像f对滤波器SQF的局部响应幅值为:
其中,表示图像f的傅里叶变换;
上述频率域滤波器H自然地拓展到3D情形:
定义Log-normal滤波器:
图像f对滤波器SQF:(B,H1B,H2B,H3B)的局部响应幅值为:
而且,所述ω取值为0.55或0.41。
如上所述的基于迭代相位一致性的裂缝提取方法在工业部件的缺陷检测中的应用。
而且,所述应用为圆柱形工件的CT图像中的裂缝的自动提取。
本发明取得的优点和积极效果为:
1、本发明方法能够由工件的CT图像自动提取出高精度的裂缝,同时该方法不受CT图像灰度对比度差异的影响,另外,该方法计算量小,提取速度快,能够满足某些实时性要求较高的应用需求。
2、本发明方法能够由2D拓展到3D,使得对3D数据的提取结果更具整体性。
3、本发明中阈值的选取不受原图灰度对比度不均的影响,该特征表现在两个方面:一方面,当原图中同时存在对比度差异较大的裂缝,尤其部分低对比度裂缝被图像伪影和噪声影响严重时,该方法也能够完整的提取所有裂缝;另一方面、对于同一类工件的不同图像来说,分割时的阈值几乎不变。
附图说明
图1、图2为本发明中某工件CT重建图像;其中,图1为3D可视化图像;图2为某一断层图像;
图3至图8为本发明中迭代计算极坐标下图像的相位一致性;其中,图3为预处理后极坐标系下的图像;图4为图3初始相位一致性的结果;图5为图3迭代相位一致性的结果;图6为图3中黄线位置的剖线图;图7为图4黄线位置的剖线图;图8为图5黄线位置的剖线图;
图9、图10为图1的提取结果;其中,图9为2D算法逐层提取结果;图10为3D算法整体提取结果。
具体实施方式
下面结合实施例,对本发明进一步说明;下述实施例是说明性的,不是限定性的,不能以下述实施例来限定本发明的保护范围。
本发明中所使用的设备,如无特殊规定,均为本领域内常用的设备;本发明中所使用的方法,如无特殊规定,均为本领域内常用的方法。
实施例1
一种基于迭代相位一致性的裂缝提取方法,具体步骤如下:
⑴结合形态学操作和去噪算法对CT图像进行预处理,降低背景及噪声对图像的影响;
⑵对预处理后图像做极坐标变换,得到图像PolarImg;
⑶在极坐标系下迭代计算图像PolarImg的相位一致性,增强图像;
⑷对增强后图像做极坐标逆变换;
⑸根据unimodal thresholding算法对增强后的图像自动选取阈值,进而由该阈值的1.5倍对增强后图像进行分割得到图像中的裂缝。
较优地,所述步骤⑴的具体步骤如下:
使用非局部均值算法对CT图像原图进行去噪;
使用5x5的结构元对去噪后图像进行底帽变换,即得预处理后图像。
较优地,所述步骤⑵中极坐标变换的中心坐标选取变换前图像的中心点,或距离中心点附近不超过50个像素的其他点;
极坐标网格中极径采样间隔为dr,取值0.25或0.5;角度采样间隔为dθ,取值0.25。
较优地,所述步骤⑶的具体步骤如下:
以PolarImg表示极坐标变换之后的图像;
计算图像PolarImg的相位一致性,结果记为PC1,利用一维形态学操作对PC1进行滤波,结果记为PC1’;
去除图像PC1’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PC2,并利用一维形态学操作对PC2进行滤波,结果记为PC2’;
去除图像PC2’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PC3,并利用一维形态学操作对PC3进行滤波,结果记为PC6;
……
去除图像PCn-1’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PCn,并利用一维形态学操作对PCn进行滤波,结果记为PCn’;
对每一次迭代结果求和,结果记为PC,即PC=PC1’+PC2’+PC6+...+PCn’。其中,PC即为极坐标系下增强后的图像。
较优地,所述步骤⑶中迭代计算图像的相位一致性,最后计算的结果对应原图中的强弱裂缝均被增强到近似相等的灰度值。
较优地,所述裂缝提取方法拓展到3D情形,具体方法如下:
2D图像的相位一致性能够通过monogenic filters快速计算,其中频率域中滤波器的构造如下:
定义log-normal滤波器
其中,k表示倍频,ω表示带宽;结合滤波器H和B,因此,在相位一致性的计算中实际使用的滤波器是以下三个球面正交滤波器(SQF):(B,H1B,H2B);图像f对滤波器SQF的局部响应幅值为:
其中,表示图像f的傅里叶变换;
上述频率域滤波器H自然地拓展到3D情形:
定义Log-normal滤波器:
图像f对滤波器SQF:(B,H1B,H2B,H3B)的局部响应幅值为:
较优地,所述ω取值为0.55或0.41。
如上所述的基于迭代相位一致性的裂缝提取方法在工业部件的缺陷检测中的应用。
较优地,所述应用为圆柱形工件的CT图像中的裂缝的自动提取。
实施例2
一种基于迭代相位一致性的裂缝提取方法,该方法对圆柱形工件的CT图像如图1、图2所示自动提取裂缝。
步骤如下:
S0结合底帽变换和去噪算法对CT图像进行预处理,降低背景及噪声对图像的影响;
S1对预处理后图像做极坐标变换,得到图像PolarImg;
S2在极坐标系下迭代计算图像PolarImg的相位一致性,增强图像;
S3对增强后图像做极坐标逆变换;
S4对增强后图像选取合适阈值,进而由阈值分割提取图像中裂缝如图9、图10所示。
其中S2更为具体的步骤如下:
以PolarImg表示极坐标变换之后的图像如图3所示;
计算图像PolarImg的相位一致性,结果记为PC1如图4所示,利用一维形态学操作对PC1进行滤波,结果记为PC1’;
去除图像PC1’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PC2,并利用一维形态学操作对PC2进行滤波,结果记为PC2’,
结合PC1’和PC2’,即得到极坐标系下增强后的图像如图5所示。
较优地,上述步骤S0中去噪算法使用保边界效果较好的非局部均值算法。
较优地,上述步骤S1中极坐标变换的中心坐标选择对图像的提取结果影响不大;
极坐标网格的采样间隔对图像的提取结果影响不大。
较优地,上述步骤S2中迭代计算图像的相位一致性,最后计算的结果对应原图中的强弱裂缝均被增强到近似相等的灰度值如图3至图8所示。
较优地,上述步骤S4中阈值的选取不受原图灰度对比度不均的影响。该特征表现在两个方面:一方面,当原图中同时存在对比度差异较大的裂缝,尤其部分低对比度裂缝被图像伪影和噪声影响严重时,该方法也能够完整的提取所有裂缝;另一方面、对于同一类工件的不同图像来说,分割时的阈值几乎不变。
较优地,上述步骤S0-S4都可以拓展到3D情形进行计算。已有文献表明,2D图像的相位一致性可通过monogenic filters快速计算,其中频率域中滤波器的构造如下:
定义log-normal滤波器
其中,k表示倍频,ω表示带宽(通常取值为0.55或0.41)。结合滤波器H和B,因此,我们在相位一致性的计算中实际使用的滤波器是以下三个球面正交滤波器(SQF):(B,H1B,H2B)。图像f对滤波器SQF的局部响应幅值为:
其中,表示图像f的傅里叶变换。
上述频率域滤波器H可以自然的拓展到3D情形:
类似地定义Log-normal滤波器:
图像f对滤波器SQF:(B,H1B,H2B,H3B)的局部响应幅值为:
注1:本实施例采用两次迭代计算相位一致性,但是本发明保护范围并不限于两次迭代。
注2:本发明的迭代相位一致性可以针对任意形状的裂缝。
对比图7和图8发现,普通相位一致性对图像的增强效果不如迭代相位一致性对图像的增强效果好。
本发明基于迭代相位一致性的裂缝提取方法能够应用在工业部件的缺陷检测中,例如对圆柱形工件的CT图像中的裂缝的自动提取。
Claims (9)
1.一种基于迭代相位一致性的裂缝提取方法,其特征在于:具体步骤如下:
⑴结合形态学操作和去噪算法对CT图像进行预处理,降低背景及噪声对图像的影响;
⑵对预处理后图像做极坐标变换,得到图像PolarImg;
⑶在极坐标系下迭代计算图像PolarImg的相位一致性,增强图像;
⑷对增强后图像做极坐标逆变换;
⑸根据unimodal thresholding算法对增强后的图像自动选取阈值,进而由该阈值的1.5倍对增强后图像进行分割得到图像中的裂缝。
2.根据权利要求1所述的基于迭代相位一致性的裂缝提取方法,其特征在于:所述步骤⑴的具体步骤如下:
使用非局部均值算法对CT图像原图进行去噪;
使用5x5的结构元对去噪后图像进行底帽变换,即得预处理后图像。
3.根据权利要求1所述的基于迭代相位一致性的裂缝提取方法,其特征在于:所述步骤⑵中极坐标变换的中心坐标选取变换前图像的中心点,或距离中心点附近不超过50个像素的其他点;
极坐标网格中极径采样间隔为dr,取值0.25或0.5;角度采样间隔为dθ,取值0.25。
4.根据权利要求1所述的基于迭代相位一致性的裂缝提取方法,其特征在于:所述步骤⑶的具体步骤如下:
以PolarImg表示极坐标变换之后的图像;
计算图像PolarImg的相位一致性,结果记为PC1,利用一维形态学操作对PC1进行滤波,结果记为PC1’;
去除图像PC1’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PC2,并利用一维形态学操作对PC2进行滤波,结果记为PC2’;
去除图像PC2’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PC3,并利用一维形态学操作对PC3进行滤波,结果记为PC3’;
……
去除图像PCn-1’中的强裂缝得到残差图像,然后计算残差图像的相位一致性,结果记为PCn,并利用一维形态学操作对PCn进行滤波,结果记为PCn’;
对每一次迭代结果求和,结果记为PC,即PC=PC1’+PC2’+PC3’+...+PCn’。其中,PC即为极坐标系下增强后的图像。
5.根据权利要求1所述的基于迭代相位一致性的裂缝提取方法,其特征在于:所述步骤⑶中迭代计算图像的相位一致性,最后计算的结果对应原图中的强弱裂缝均被增强到近似相等的灰度值。
6.根据权利要求1所述的基于迭代相位一致性的裂缝提取方法,其特征在于:所述裂缝提取方法拓展到3D情形,具体方法如下:
2D图像的相位一致性能够通过monogenic filters快速计算,其中频率域中滤波器的构造如下:
定义log-normal滤波器
其中,k表示倍频,ω表示带宽;结合滤波器H和B,因此,在相位一致性的计算中实际使用的滤波器是以下三个球面正交滤波器(SQF):(B,H1,B,H2B);图像f对滤波器SQF的局部响应幅值为:
其中,表示图像f的傅里叶变换;
上述频率域滤波器H自然地拓展到3D情形:
定义Log-normal滤波器:
图像f对滤波器SQF:(B,H1B,H2B,H3B)的局部响应幅值为:
7.根据权利要求6所述的基于迭代相位一致性的裂缝提取方法,其特征在于:所述ω取值为0.55或0.41。
8.如权利要求1至7任一项所述的基于迭代相位一致性的裂缝提取方法在工业部件的缺陷检测中的应用。
9.根据权利要求8所述的基于迭代相位一致性的裂缝提取方法在工业部件的缺陷检测中的应用,其特征在于:所述应用为圆柱形工件的CT图像中的裂缝的自动提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810068425.4A CN108364285B (zh) | 2018-01-24 | 2018-01-24 | 一种基于迭代相位一致性的裂缝提取方法和应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810068425.4A CN108364285B (zh) | 2018-01-24 | 2018-01-24 | 一种基于迭代相位一致性的裂缝提取方法和应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108364285A true CN108364285A (zh) | 2018-08-03 |
CN108364285B CN108364285B (zh) | 2021-06-18 |
Family
ID=63006743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810068425.4A Active CN108364285B (zh) | 2018-01-24 | 2018-01-24 | 一种基于迭代相位一致性的裂缝提取方法和应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364285B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100369A (zh) * | 2018-08-20 | 2018-12-28 | 首都师范大学 | 一种圆柱形组合工件的缺陷检测定位表征方法 |
CN112116557A (zh) * | 2020-08-12 | 2020-12-22 | 西安交通大学 | 一种射线图像焊缝区域缺陷探测方法、存储介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006175A (zh) * | 2012-11-14 | 2013-04-03 | 天津工业大学 | 一种基于相位一致性的眼底图像视盘定位方法 |
CN103544686A (zh) * | 2013-10-25 | 2014-01-29 | 天津工业大学 | 基于相位一致性的眼底图像微动脉瘤检测方法 |
CN105427323A (zh) * | 2015-12-07 | 2016-03-23 | 湖南大学 | 一种基于相位一致性的激光熔覆熔池边缘提取方法 |
US20160131773A1 (en) * | 2014-11-07 | 2016-05-12 | Kabushiki Kaisha Toshiba | Polar effect model, system, and method for photon counting detector in medical imaging systems including computed tomography |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN106296763A (zh) * | 2016-07-20 | 2017-01-04 | 中国兵器科学研究院宁波分院 | 一种金属材料工业ct图像质量快速校正方法 |
-
2018
- 2018-01-24 CN CN201810068425.4A patent/CN108364285B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006175A (zh) * | 2012-11-14 | 2013-04-03 | 天津工业大学 | 一种基于相位一致性的眼底图像视盘定位方法 |
CN103544686A (zh) * | 2013-10-25 | 2014-01-29 | 天津工业大学 | 基于相位一致性的眼底图像微动脉瘤检测方法 |
US20160131773A1 (en) * | 2014-11-07 | 2016-05-12 | Kabushiki Kaisha Toshiba | Polar effect model, system, and method for photon counting detector in medical imaging systems including computed tomography |
CN105427323A (zh) * | 2015-12-07 | 2016-03-23 | 湖南大学 | 一种基于相位一致性的激光熔覆熔池边缘提取方法 |
CN106296763A (zh) * | 2016-07-20 | 2017-01-04 | 中国兵器科学研究院宁波分院 | 一种金属材料工业ct图像质量快速校正方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
H. HANZOULI,AND ETC: "PET/CT image denoising and segmentation based on a multi observation and a multi scale Markov tree model", 《2013 IEEE NUCLEAR SCIENCE SYMPOSIUM AND MEDICAL IMAGING CONFERENCE (2013 NSS/MIC)》 * |
肖志涛等: "基于相位一致性和自适应极坐标变换的图像匹配方法", 《河北工业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100369A (zh) * | 2018-08-20 | 2018-12-28 | 首都师范大学 | 一种圆柱形组合工件的缺陷检测定位表征方法 |
CN112116557A (zh) * | 2020-08-12 | 2020-12-22 | 西安交通大学 | 一种射线图像焊缝区域缺陷探测方法、存储介质及设备 |
CN112116557B (zh) * | 2020-08-12 | 2022-02-22 | 西安交通大学 | 一种射线图像焊缝区域缺陷探测方法、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108364285B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ansari et al. | A comprehensive analysis of image edge detection techniques | |
CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
Yu et al. | A new edge detection approach based on image context analysis | |
CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
Lu et al. | Deep texture and structure aware filtering network for image smoothing | |
CN111833366A (zh) | 一种基于Canny算法的边缘检测方法 | |
Guiming et al. | Remote sensing image edge-detection based on improved Canny operator | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
CN112308872A (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN111260694B (zh) | 卫星遥感视频目标跟踪方法及装置 | |
CN108364285A (zh) | 一种基于迭代相位一致性的裂缝提取方法和应用 | |
Mehena | Medical image edge detection using modified morphological edge detection approach | |
CN110660048B (zh) | 一种基于形状特征的皮革表面缺陷检测方法 | |
CN106651981B (zh) | 一种环形伪影修正的方法及装置 | |
Chen et al. | Root gap correction with a deep inpainting model | |
CN106910166B (zh) | 一种图像处理方法和装置 | |
CN115984246B (zh) | 基于机器视觉的缺陷快速检测方法及装置、设备、存储介质 | |
Fu et al. | Line-drawing enhanced interactive mural restoration for Dunhuang Mogao Grottoes | |
CN107610056A (zh) | 基于全变分的混合加权维纳滤波图像去噪方法 | |
CN113436216B (zh) | 基于Canny算子的电气设备红外图像边缘检测方法 | |
Masaoka et al. | Edge-enhanced GAN with vanishing points for image inpainting | |
Turakhia et al. | Automatic crack detection in heritage site images for image inpainting | |
CN114332079A (zh) | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 | |
CN109064425B (zh) | 一种自适应非局部总变分的图像去噪方法 | |
Ou et al. | Color edge detection based on data fusion technology in presence of Gaussian noise |
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 |