CN108648199B - 基于分水岭和cv模型的超声相控阵ndt图像分割方法 - Google Patents
基于分水岭和cv模型的超声相控阵ndt图像分割方法 Download PDFInfo
- Publication number
- CN108648199B CN108648199B CN201810488999.7A CN201810488999A CN108648199B CN 108648199 B CN108648199 B CN 108648199B CN 201810488999 A CN201810488999 A CN 201810488999A CN 108648199 B CN108648199 B CN 108648199B
- Authority
- CN
- China
- Prior art keywords
- image
- watershed
- model
- weight
- phased array
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10132—Ultrasound 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
- G06T2207/20—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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于分水岭和CV模型的超声相控阵NDT图像分割方法,该方法包括:基于分水岭算法对待分割图像进行分水岭变换,获得分水岭图像,统计所述分水岭图像的像素信息,获得权重矩阵;对所述待分割图像进行滤波去噪处理,获得预处理图像,基于所述预处理图像设置CV模型初始参数;将所述权重矩阵引入CV模型中,建立权重CV模型;基于所述权重CV模型进行水平集函数迭代,获得最终分割结果。与现有技术相比,本发明具有分割效率高、超声相控阵NDT图像的分割精度高等优点。
Description
技术领域
本发明属于涉及无损检测和图像处理领域,涉及一种图像自动分割方法,尤其是涉及一种基于分水岭和CV模型的超声相控阵NDT图像分割方法。
背景技术
随着无损检测(NDT)技术的发展,超声相控阵无损检测凭借其穿透性强、无污染、对人体无害等优点,成为当前使用最广泛的无损检测方法之一。超声相控阵NDT技术的应用,对检测图像的处理技术提出了更高的要求。在超声相控阵NDT图像序列的三维重建中,对目标的分割精度、运算效率、边缘完整性有着很高的要求。
基于水平集算法的分割方法,适用于多目标的分割,且可以得到完整的边缘信息,这对超声相控阵NDT图像序列的三维重建具有重要意义。但基于水平集算法的分割方法往往效率不高,且以固定的迭代步长进行轮廓曲线的演化,这也进一步导致了其分割精度的降低。由于超声成像机制和检测环境的限制,超声相控阵NDT图像中往往含有大量噪声,且灰度不均匀,这给超声相控阵NDT图像的分割带来了较大困难。在采用分水岭变换对超声相控阵NDT图像进行分割时,由于噪声的存在,无法得到准确的边缘信息。图像序列中含有大量图像,手动分割虽然可以保证精度但效率过低,为满足超声相控阵NDT图像的三维重建,需要提出一种精度高且效率快的自动分割方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于分水岭和CV模型的超声相控阵NDT图像分割方法。
本发明的目的可以通过以下技术方案来实现:
一种基于分水岭和CV模型的超声相控阵NDT图像分割方法,该方法包括:
基于分水岭算法对待分割图像进行分水岭变换,获得分水岭图像,统计所述分水岭图像的像素信息,获得权重矩阵;
对所述待分割图像进行滤波去噪处理,获得预处理图像,基于所述预处理图像设置CV模型初始参数;
将所述权重矩阵引入CV模型中,建立权重CV模型;
基于所述权重CV模型进行水平集函数迭代,获得最终分割结果。
所述分水岭变换为基于4连接的分水岭变换。
所述权重矩阵通过以下步骤获得:
101)对所述分水岭图像进行边界消除,所述分水岭图像具有N个区域;
102)基于步骤101)获得的图像获得一标记矩阵Mt1,该标记矩阵Mt1具有N个区域,每个区域的标签等于该区域的区域标号;
103)以行为主遍历所述标记矩阵Mt1,统计各区域的像素个数和各区域灰度累加值,建立矩阵Mt2;
104)计算获得权重矩阵W:
其中,M为一常数;
105)对所述权重矩阵W进行滤波处理。
步骤101)中,采用二维顺序滤波方式对所述分水岭图像进行边界消除。
步骤105)中,对所述权重矩阵W进行中值滤波。
所述中值滤波的滤波窗口尺寸为5×5。
所述初始参数包括模型初始轮廓、图像内外能量项系数和平滑度系数。
所述权重CV模型表示为:
其中,C表示曲线,c1和c2为常数,s是Euclidean弧长,W为权重矩阵,λ1、λ2和μ均是正参数。
与现有技术相比,本发明具有以下有益效果:
1)本发明利用分水岭算法获得权重矩阵,基于该权重矩阵建立权重CV模型,能够实现迭代步长的自适应调整。在水平集函数迭代演化过程中,处于灰度较为均匀的图像区域的像素点拥有较大的权重,可以快速收敛到目标边缘附近;而在灰度值分布不均匀得区域,像素点拥有较小的权重,因此迭代步长较小,可以实现更加精细的分割。实验数据表明,权重CV模型既提高了分割的效率,也提高了超声相控阵NDT图像的分割精度,对超声相控阵NDT图像的三维重建与缺陷识别具有重要意义。
2)本发明方法适用于超声相控阵NDT图像序列的自动分割,可实现多目标分割且可以得到完整边缘,效率高且精度达到一定要求。
3)本发明采用4邻接的方式进行分水岭变换,可以形成更多的小区域,从而提高权重矩阵的适应性。
4)本发明采用二维顺序滤波的方式消除图像中的边界,进一步提高了精确度。
5)本发明对权重矩阵进行中值滤波,进一步提高权重矩阵的使用性。
附图说明
图1为本发明的流程示意图;
图2为实施例中的原始图像;
图3为实施例中经分水岭变换后的图像;
图4为实施例中获得的最终分割结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本发明提供一种基于分水岭和CV模型的超声相控阵NDT图像分割方法,该方法包括:
基于分水岭算法对待分割图像进行分水岭变换,获得分水岭图像,统计所述分水岭图像的像素信息,获得权重矩阵;
对所述待分割图像进行滤波去噪处理,获得预处理图像,基于所述预处理图像设置CV模型初始参数,包括模型初始轮廓、图像内外能量项系数和平滑度系数等;
将所述权重矩阵引入CV模型中,建立权重CV模型;
基于所述权重CV模型进行水平集函数迭代,获得最终分割结果。
上述方法结合水平集算法和分水岭算法,利用分水岭算法过分割的特性,对图像进行分水岭变换得到新图像,对新图像进行滤波、标记等操作,通过统计新图像的像素信息从而得到一个权重矩阵,将该矩阵引入到CV模型中,得到一种自适应权重CV模型。然后将原始图像作为输入图像,使用新的权重CV模型对其进行分割,在水平集函数迭代演化过程中,处于灰度较为均匀的图像区域的像素点拥有较大的权重,可以快速收敛到目标边缘附近;而在灰度值分布不均匀得区域,像素点拥有较小的权重,因此迭代步长较小,可以实现更加精细的分割。
基于分水岭算法对待分割图像进行分水岭变换具体为:将待分割图像转换为灰度图像,使用基于4连接的分水岭变换,获得具有N个细小区域的分水岭图像。
所述权重矩阵通过以下步骤获得:
101)对所述分水岭图像进行边界消除。边界消除可以采用二维顺序滤波方式,即将分水岭图像中灰度值为0的像素点赋值为该像素点8邻域中的最大灰度值,以去除变换后图像中的黑色边界。
102)基于步骤101)获得的图像获得一标记矩阵Mt1,该标记矩阵Mt1具有N个区域,每个区域的标签等于该区域的区域标号。即将图像中第一个小区域像素值均标记为1,第二个小区域均标记为2,以此类推。
103)以行为主遍历所述标记矩阵Mt1,统计各区域的像素个数和各区域灰度累加值,建立矩阵Mt2,具体地:
建立与待分割图像同尺寸的零矩阵Mt2,以行为主遍历Mt1,统计每个小区域中的像素个数Pi,第一个小区域中的像素个数记为P1,第二个小区域中的像素个数记为P2,以此类推,第N个小区域中的像素个数记为PN。将Mt1中标签为1的像素点对应I0中像素的灰度值累加,记为Q1,将Mt1中标签为2的像素点对应I0中像素的灰度值累加,记为Q2,…,将Mt1中标签为N的像素点对应I0中像素的灰度值累加,记为QN,则I1中每个小区域的像素平均灰度值Ri为:
将Ri写入Mt2中。
104)取一常数M,计算获得权重矩阵W:
权重矩阵W、矩阵Mt2中的元素均与原始图像的像素点为一一对应的关系。
105)对所述权重矩阵W进行滤波处理,可采用中值滤波,滤波窗口尺寸为5×5,进一步提高权重矩阵的使用性。
建立权重CV模型的具体过程如下:
201)建立CV模型的能量泛函:
上式中,s是Euclidean弧长,I(x,y)是原始图像,λ1、λ2和μ均是正参数。第一项是C的全弧长,能够使得曲线C尽可能的光滑;第二项和第三项分别是内部区和外部区的灰度值与标量c1和c2的平方误差,也就是实际图像与拟合的分片常数图像之间的偏离。
202)通过变分法和最速下降法,可以求得CV模型的梯度下降流形式为:
其中,c1和c2是常数,其定义如下:
从上式可知,c1和c2分别是u(x,y)>0和u(x,y)<0两个区域的平均灰度值。比如,当选取零水平集所围的内部区域为u(x,y)<0,那么c2则为当前水平集函数u所分割的目标的平均。
203)将权重矩阵代入CV模型中,得到以下权重CV模型:
式中,W为权重矩阵,可实现自适应性调整迭代步长,在灰度较为均匀的区域,CV模型的能量项拥有较大的权重,而在灰度变化剧烈的区域,采用较小的能量权重。自适应动态能量权重矩阵的引入,可以节省CV模型在灰度相对均匀区域的迭代时间和迭代次数,提高分割效率,在边缘附近区域,可以进一步提高分割精度。
实施例
步骤1:输入待分割图像I0,并将其转换为灰度图像。
本实施例中原始图像如图2所示图像尺寸为290×105,像素总数为30450。
步骤2:对灰度图像进行分水岭变换生成图像I1,将图像分割为N个细小区域。
如图3所示,在使用分水岭变换时,本实施例中使用基于4连接的分水岭变换,N为1524,I1对应的矩阵如下:
步骤3:统计新图像中的像素信息,得到权重矩阵,包括如下步骤:
步骤3.1:对矩阵I1进行二维统计顺序滤波,即将I1中灰度值为0的像素点赋值为该像素点8邻域中的最大灰度值,以去除变换后图像中的黑色边界;
步骤3.2:标记图像I1,将I1中的第1个小区域像素值均标记为1,第2个小区域均标记为2,以此类推,第1524个小区域均标记为1524,将标记矩阵记为Mt1;
本实施例中,将零像素点的值赋为该点邻域中的最大值。
步骤3.3:以行为主遍历Mt1,统计每个小区域中的像素个数Pi,和每个区域灰度累加值Qi,建立与I0同尺寸的零矩阵Mt2,将Ri写入Mt2中;
建立与I0同尺寸的零矩阵Mt3,取常数M,本实施例中M取图像I0的像素总数,则可以得到每个像素点的权重Wi:
将Wi写入权重矩阵Mt3中,权重矩阵记为W。权重矩阵如下:
步骤3.4:为降低步骤3中二维统计顺序滤波的影响,对权重矩阵W进行滤波操作,文实施例采用中值滤波,滤波窗口尺寸为5×5。
步骤4:对I0进行预处理,滤波去噪。
本实施例中,采用3×3的高斯滤波器对原始图像进行滤波操作。
步骤5:设置权重CV模型初始轮廓,初始化各参数。
本实施例中,初始轮廓是以坐标为(80,55),半径为30的圆。在CV模型中,λ1和λ2分别是图像内、外能量项的系数,λ1和λ2分别取2.0和1.0,μ可以调节轮廓曲线的平滑度,μ=0.01×255×255。
步骤6:将步骤3.4中的权重矩阵引入CV模型中,得到权重CV模型,模型如方程(7)所示。
步骤7:开始水平集函数迭代,设置权重矩阵系数为0.01,将权重矩阵中的元素缩放到合适的大小;
步骤8:检查是否达到迭代停止条件,若达到停止条件,则进入步骤9,否则返回步骤7;
步骤9:输出分割结果,如图4所示。
在使用新的模型后,可以对分割结果进行进一步的处理,比如消除噪声点(孤立点),删除或合并小面积区域,后处理的意义在于,考虑到实际应用的需求,去除分割结果中的一些明显错误,使分割结果更加合理。
分割结果评价:
在本实施例中,以图像处理领域中的经典指标来对分割效果做定量分析。
1)迭代次数与算法运行时间的比较
表1权重CV模型与传统CV模型迭代次数与运行时间
模型 | CV模型 | 权重CV模型 |
时间(s) | 2.184372 | 1.174731 |
迭代次数 | 320 | 80 |
表1表明,权重CV模型较传统CV模型具有较高的运行效率,在运行时间和迭代次数上均有较大的提高,仅需80次迭代即可完成分割,同时运行时间也缩短了约1.1秒。
2)分割质量评价
在本实施例中,采用了图像分割评价体系中常用的四个指标来表现权重CV模型的分割效果。Hausdorff距离是度量空间中真实子集之间的距离,可以用来度量图像分割中边缘匹配的精度,该指标的值越小则表明边缘匹配程度越高;Jaccard相似系数是有限样本集间相似性或差异性的度量,该指标的值越大表示分割效果越好;精确度和召回率也被称为检准率和检全率,反映的是分割的精度和分割的完整性,所以精确度和召回率值越大时表明分割质量越好,反之分割质量则越差。本实施例中各评价指标如表2所示。
表2权重CV模型和传统CV模型分割评价
模型 | Hausdorff | jacaad | precision | recall |
CV | 9.8995 | 0.4858 | 0.9712 | 0.4927 |
权重CV | 9.8996 | 0.4866 | 0.9840 | 0.4937 |
上表数据表明,权重CV模型分割效果较传统的CV模型更佳。上述分析表明,与传统CV模型相比,权重CV模型在效率和分割效果上均有更好的表现。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (5)
1.一种基于分水岭和CV模型的超声相控阵NDT图像分割方法,其特征在于,该方法包括:
基于分水岭算法对待分割图像进行分水岭变换,获得分水岭图像,统计所述分水岭图像的像素信息,获得权重矩阵;
对所述待分割图像进行滤波去噪处理,获得预处理图像,基于所述预处理图像设置CV模型初始参数,所述初始参数包括模型初始轮廓、图像内外能量项系数和平滑度系数;
将所述权重矩阵引入CV模型中,建立权重CV模型,实现迭代步长的自适应调整;
基于所述权重CV模型进行水平集函数迭代,获得最终分割结果;
所述权重CV模型表示为:
ECV(C,c1,c2)=μ·∮Cds+λ1∫inside(C)W·|I-c1|2dxdy+λ2∫outside(C)W·|I-c2|2dxdy
其中,C表示曲线,c1和c2为常数,s是Euclidean弧长,W为权重矩阵,λ1、λ2和μ均是正参数,I是原始图像;
所述权重矩阵通过以下步骤获得:
101)对所述分水岭图像进行边界消除,所述分水岭图像具有N个区域;
102)基于步骤101)获得的图像获得一标记矩阵Mt1,该标记矩阵Mt1具有N个区域,每个区域的标签等于该区域的区域标号;
103)以行为主遍历所述标记矩阵Mt1,统计各区域的像素个数和各区域灰度累加值,建立矩阵Mt2;
104)计算获得权重矩阵W:
其中,M为一常数;
105)对所述权重矩阵W进行滤波处理。
2.根据权利要求1所述的基于分水岭和CV模型的超声相控阵NDT图像分割方法,其特征在于,所述分水岭变换为基于4连接的分水岭变换。
3.根据权利要求1所述的基于分水岭和CV模型的超声相控阵NDT图像分割方法,其特征在于,步骤101)中,采用二维顺序滤波方式对所述分水岭图像进行边界消除。
4.根据权利要求1所述的基于分水岭和CV模型的超声相控阵NDT图像分割方法,其特征在于,步骤105)中,对所述权重矩阵W进行中值滤波。
5.根据权利要求4所述的基于分水岭和CV模型的超声相控阵NDT图像分割方法,其特征在于,所述中值滤波的滤波窗口尺寸为5×5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488999.7A CN108648199B (zh) | 2018-05-21 | 2018-05-21 | 基于分水岭和cv模型的超声相控阵ndt图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488999.7A CN108648199B (zh) | 2018-05-21 | 2018-05-21 | 基于分水岭和cv模型的超声相控阵ndt图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108648199A CN108648199A (zh) | 2018-10-12 |
CN108648199B true CN108648199B (zh) | 2022-07-19 |
Family
ID=63757198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810488999.7A Active CN108648199B (zh) | 2018-05-21 | 2018-05-21 | 基于分水岭和cv模型的超声相控阵ndt图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108648199B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727258B (zh) * | 2019-01-07 | 2020-10-27 | 南京大学 | 基于区域灰度异质能量的图像分割方法 |
CN110613480B (zh) * | 2019-01-14 | 2022-04-26 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
CN110276738B (zh) * | 2019-06-28 | 2023-07-28 | 上海工程技术大学 | 一种bmp图像的roi替换处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529284A (zh) * | 2003-09-29 | 2004-09-15 | 上海交通大学 | 基于分水岭算法的视频对象提取方法 |
CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
CN102509273A (zh) * | 2011-11-21 | 2012-06-20 | 电子科技大学 | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 |
WO2012096988A2 (en) * | 2011-01-10 | 2012-07-19 | Rutgers, The State University Of New Jersey | Method and apparatus for shape based deformable segmentation of multiple overlapping objects |
CN104616308A (zh) * | 2015-02-12 | 2015-05-13 | 大连民族学院 | 一种基于核模糊聚类的多尺度水平集图像分割方法 |
CN106204592A (zh) * | 2016-07-12 | 2016-12-07 | 东北大学 | 一种基于局部灰度聚类特征的图像水平集分割方法 |
CN107209934A (zh) * | 2014-12-03 | 2017-09-26 | 文塔纳医疗系统公司 | 用于定量分析异质生物标志物分布的方法、系统和装置 |
-
2018
- 2018-05-21 CN CN201810488999.7A patent/CN108648199B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529284A (zh) * | 2003-09-29 | 2004-09-15 | 上海交通大学 | 基于分水岭算法的视频对象提取方法 |
CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
WO2012096988A2 (en) * | 2011-01-10 | 2012-07-19 | Rutgers, The State University Of New Jersey | Method and apparatus for shape based deformable segmentation of multiple overlapping objects |
CN102509273A (zh) * | 2011-11-21 | 2012-06-20 | 电子科技大学 | 基于同质片和模糊测度的乳腺超声图像的肿瘤分割方法 |
CN107209934A (zh) * | 2014-12-03 | 2017-09-26 | 文塔纳医疗系统公司 | 用于定量分析异质生物标志物分布的方法、系统和装置 |
CN104616308A (zh) * | 2015-02-12 | 2015-05-13 | 大连民族学院 | 一种基于核模糊聚类的多尺度水平集图像分割方法 |
CN106204592A (zh) * | 2016-07-12 | 2016-12-07 | 东北大学 | 一种基于局部灰度聚类特征的图像水平集分割方法 |
Non-Patent Citations (1)
Title |
---|
自适应局部区域型水平集分割算法;刘帅 等;《计算机系统应用》;20171115;第26卷(第11期);第145-151页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108648199A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
Van Eycke et al. | Segmentation of glandular epithelium in colorectal tumours to automatically compartmentalise IHC biomarker quantification: A deep learning approach | |
CN108648199B (zh) | 基于分水岭和cv模型的超声相控阵ndt图像分割方法 | |
CN108335303B (zh) | 一种应用于手掌x光片的多尺度手掌骨骼分割方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN108629762B (zh) | 一种骨龄评测模型减少干扰特征的图像预处理方法及系统 | |
Ceccarelli et al. | Automatic detection and surface measurements of micronucleus by a computer vision approach | |
CN111047559A (zh) | 一种数字病理切片异常区域快速检测的方法 | |
CN114240961A (zh) | 一种U-Net++细胞分割网络系统、方法、设备及终端 | |
Bellens et al. | Evaluating conventional and deep learning segmentation for fast X-ray CT porosity measurements of polymer laser sintered AM parts | |
CN112581483A (zh) | 基于自学习的植物叶片叶脉分割方法和装置 | |
CN114494215A (zh) | 基于Transformer的甲状腺结节检测方法 | |
CN112258495A (zh) | 一种基于卷积神经网络的建筑木材裂缝识别方法 | |
CN114359671A (zh) | 基于多目标学习的超声影像甲状腺结节分类方法及系统 | |
CN107478656A (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
Ziabari et al. | Simurgh: A Framework for CAD-Driven Deep Learning Based X-Ray CT Reconstruction | |
CN117291913A (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN116433661A (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN107330869B (zh) | 重叠细胞分割后的异常像素点重构方法 | |
CN116203001A (zh) | 黄曲霉毒素b1无损检测方法及装置 | |
CN115165885A (zh) | 一种基于机器视觉识别和光谱测定的鉴别系统及方法 | |
CN111932578B (zh) | 融入类指数抑制因子的像素块聚类无损检测图像分割方法 | |
CN114299323A (zh) | 一种结合机器视觉与深度学习技术的印刷品缺陷检测方法 | |
CN113838001B (zh) | 基于核密度估计的超声波全聚焦图像缺陷处理方法及装置 | |
CN116958128B (zh) | 基于深度学习的医学图像自动定位方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Me Rao Inventor after: Liu Yongluo Inventor after: Ma Liwu Inventor after: Wang Wenqiang Inventor before: Liu Yongluo Inventor before: Me Rao Inventor before: Ma Liwu Inventor before: Wang Wenqiang |