CN108711149B - 基于图像处理的矿岩粒度检测方法 - Google Patents
基于图像处理的矿岩粒度检测方法 Download PDFInfo
- Publication number
- CN108711149B CN108711149B CN201810464568.7A CN201810464568A CN108711149B CN 108711149 B CN108711149 B CN 108711149B CN 201810464568 A CN201810464568 A CN 201810464568A CN 108711149 B CN108711149 B CN 108711149B
- Authority
- CN
- China
- Prior art keywords
- image
- ore
- ore rock
- computer
- rock
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 206
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims description 28
- 239000011707 mineral Substances 0.000 title claims description 28
- 239000002245 particle Substances 0.000 claims abstract description 167
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 230000000877 morphologic effect Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 4
- 238000003860 storage Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical group CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims 1
- 239000003550 marker Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 14
- 238000005260 corrosion Methods 0.000 description 10
- 230000007797 corrosion Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- NTSBMKIZRSBFTA-AIDOXSFESA-N Digoxigenin bisdigitoxoside Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2C[C@@H]3[C@]([C@@H]4[C@H]([C@]5(CC[C@@H]([C@@]5(C)[C@H](O)C4)C=4COC(=O)C=4)O)CC3)(C)CC2)C[C@@H]1O NTSBMKIZRSBFTA-AIDOXSFESA-N 0.000 description 2
- 241000023320 Luma <angiosperm> Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000008961 swelling Effects 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的矿岩粒度检测方法,第一步骤是建立矿岩粒度数据库;第二步骤是图像采集;第三步骤是图像合成;第四步骤是亮度变换;第五步骤是灰度变换;第六步骤是确定改进高斯滤波的高斯标准差;第七步骤是去除噪声;第八步骤是形态学重构;第九步骤是距离变换;第十步骤是强制最小;第十一步骤是分割图像;第十二步骤是图像标定;第十三步骤是信息输出。本发明检测效率较高,能够根据不同图像的个体性质对该图像进行滤波,矿岩图像经改进后的高斯滤波处理并去除噪声后,比原图像更加清晰,消除了矿岩图像中所产生的噪声,矿岩颗粒与背景之间有明显的灰度阶跃,保留了矿岩边界信息。从而提高粒度检测的准确程度。
Description
技术领域
本发明涉及矿岩粒度检测技术领域和图像处理技术领域。
背景技术
图像处理技术是改善传统工业,实现工业智能化的一个重要方面,发展图像处理技术也是“中国制造2025”的基本要求。矿岩粒度是矿岩破碎的主要技术指标,同时矿岩粒度的准确分布不但是选矿自动化的重要参数,而且是后续工序的依据。如果将图像处理技术应用到矿岩粒度的检测中,能够实时获得矿岩粒度的参数信息,可以提高矿岩破碎设备的生产能力,还可以实时检测工业生产线上矿岩粒度分布参数,为改善产品质量提供基本参数。因此,基于图像处理的矿岩粒度检测有重要的理论研究意义和实际应用价值。
现有的图像处理技术仍然有待于进一步发展,如传统的图像滤波有均值滤波、中值滤波和高斯滤波等滤波方法。这些滤波技术都采用固定的模板(如判断相邻像素点之间的灰度差是否发生阶跃的值为固定值),不能自动根据不同的图像情况进行调整,导致图像处理效果受到限制,用于矿岩粒度检测时,会导致检测准确度下降。
本发明的检测对象具有实际的产业意义,检测对象是选矿现场传动带(传送装置)上的矿岩颗粒。对传送装置上的矿岩颗粒进行粒度检测具有如下技术难点需要克服:
(1)现场环境。在矿岩破碎现场会出现高粉尘现象,对用摄像机进行图像采集有一定的干扰,使得矿岩图像的信噪比较低,同时对矿岩图像产生的噪音会影响后期图像处理,降低粒度信息的准确度;现场矿岩在传送过程中光照强度不均,从不同拍摄角度得到的矿岩图像清晰度不同,而且矿岩在运动中会发生震动,导致图像模糊,粒度检测首要解决的就是以上问题。
(2)矿岩自身。矿岩本身会有泥土、凹槽、斑点等,再加上矿岩本身不规则的纹理信息,会进一步缩小矿岩颗粒与背景的差异,在复杂的背景图像中找出矿岩颗粒已是难点,由于这些问题的存在,增加了处理难度;同时矿岩颗粒破碎后并不是颗粒分散,在图像处理时必须考虑堆积矿岩颗粒的处理问题。
(3)实效性。由于环境和矿岩本身所存在的问题,在图像处理时需要运用多种算法进行处理、分割和识别。但是精度和准确度越高,图像处理的算法越复杂,计算量越大,所消耗的时间越长,因此为了满足粒度检测的实效性,在达到所需要的精确度的情况下尽可能的使算法简单,提高图像处理的运算效率,满足工业生产对实效性的需求。
由于以上问题的存在,到目前还有没一套成熟的矿岩图像粒度检测体系,没有成熟的技术方案使得复杂的矿岩图像都得到较好的分割效果。
发明内容
本发明的目的在于提供一种基于图像处理的矿岩粒度检测方法,检测效率较高,能够根据不同图像的个体性质对该图像进行滤波,从而提高粒度检测的准确程度。
为实现上述目的,本发明的基于图像处理的矿岩粒度检测方法通过矿岩粒度检测系统进行,矿岩粒度检测系统用于矿岩生产系统,矿岩生产系统包括用于破碎矿岩的破碎机,破碎机出口处设有用于运送矿岩颗粒的传送装置,
矿岩粒度检测系统包括机架和计算机,机架包括左立柱、右立柱和连接在左右立柱之间的顶杆;左立柱位于矿岩传送装置的左侧,右立柱位于矿岩传送装置的右侧;
矿岩传送装置左上方的顶杆上设有左摄像机,矿岩传送装置右上方的顶杆上设有右摄像机,左摄像机倾斜向下朝向矿岩传送装置的左中部,右摄像机倾斜向下朝向矿岩传送装置的右中部;
计算机通过信号线路连接有图像采集卡,图像采集卡通过信号线路连接所述左摄像机和右摄像机;计算机内安装有MATLAB软件;在MATLAB软件中预置有改进高斯滤波算法;
本矿岩粒度检测方法依次按以下步骤进行:
第一步骤是建立矿岩粒度数据库;矿岩粒度数据库中的数据包括矿岩颗粒的像素数量和矿岩粒度,矿岩颗粒的像素数量与矿岩粒度一一对应;
第二步骤是图像采集;通过左摄像机和右摄像机采集矿岩颗粒的图像,左摄像机和右摄像机将采集的图像信息传递给图像采集卡;
第三步骤是图像合成;通过图像采集卡对左摄像机和右摄像机采集的图像进行合成,将左摄像机拍摄的矿岩颗粒图像的左半幅图像与右摄像机拍摄的矿岩颗粒图像的右半幅图像合成为矿岩颗粒的合成图像;图像采集卡将合成图像信息传递给计算机;
第四步骤是亮度变换;操作人员通过计算机中的MATLAB软件对合成图像进行亮度变换,形成亮度变换后的图像;
第五步骤是灰度变换;操作人员通过计算机中的MATLAB软件将亮度变换后的图像变换为灰度图像,成为灰度图像;
第六步骤是确定改进高斯滤波的高斯标准差;
灰度图像中两个相邻的像素点组成一对相邻像素点,相邻像素点的的灰度值的差值为相邻差值,相邻像素点的总对数为Z,Z为正整数;
计算机中的MATLAB软件计算Z对相邻像素点的相邻差值的总和SUM,SUM为正整数;并通过下述公式计算出平均相邻差值A,A为实数:
A=SUM/Z;
灰度图像中的像素点分为两类,第一类为孤立点噪声像素点,第二类为平滑/半平滑区域内像素点;
计算机中的MATLAB软件对于灰度图像中的每一个像素点进行分类,分类规则为:
S为待分类像素点,如果S与其相邻的所有像素点之间的相邻差值均大于A,则将S分类为孤立点噪声;如果S与其相邻的任一像素点之间的相邻差值小于等于A,则将S分类为平滑/半平滑区域内像素点;
计算机中的MATLAB软件中内置有确定改进高斯滤波的高斯标准差的算法:处理孤立点噪声像素点的高斯标准差为C1,处理平滑/半平滑区域内像素点的高斯标准差为C2,C1/C2=(140±5)%,操作人员在140±5的范围内选择具体的C1/C2的值以及具体的C1值和C2值;将C1/C2的值控制在140±5的范围内的高斯滤波算法形成改进高斯滤波算法;
第七步骤是去除噪声;操作人员通过计算机中的MATLAB软件,根据第六步骤中的改进高斯滤波的高斯标准差对灰度图像进行改进高斯滤波处理,去除噪声,形成去除噪声后的图像;
第八步骤是形态学重构,对去除噪声后的图像进行形态学重构,通过形态学开运算重构消除矿岩颗粒区域内的极小值区域,从而消除矿岩颗粒内部的亮细节;通过形态学闭运算重构消除矿岩颗粒背景的暗细节,形成形态学重构后的图像;
第九步骤是距离变换;操作人员通过计算机中的MATLAB软件对形态学重构后的图像进行距离变换,使用内部标记对图像上的各极小值区域进行标记;使用外部标记对图像上的各极大值区域进行标记;标记为外部标记的区域是矿岩颗粒的轮廓线,标记为内部标记的区域是矿岩颗粒部分;
第十步骤是强制最小,操作人员通过计算机中的MATLAB软件对形态学重构后的图像进行强制最小;图像中灰度值最小的像素点的灰度值为最小灰度值;强制最小是将各极小值区域内的所有像素点的灰度值调节为最小灰度值,形成强制最小后的图像;
第十一步骤是分割图像;操作人员通过计算机中的MATLAB软件对强制最小后的图像进行分割;具体是操作人员通过计算机中的MATLAB软件将强制最小后的图像中的各极值区域的内部像素的灰度值均调节为0,将强制最小后的图像中的各极值区域的轮廓线的灰度值均调节为255;灰度值调节为0的区域为矿岩颗粒区域,灰度值调节为255的区域为矿岩颗粒轮廓线;形成分割后的图像;
第十二步骤是图像标定;操作人员通过计算机中的MATLAB软件对分割后的图像中的矿岩颗粒区域进行图像标定,得出图像中的矿岩颗粒数量;提取各矿岩颗粒区域内的像素点个数,通过与矿岩颗粒粒度数据库进行比对,得出各矿岩颗粒区域所代表的矿岩颗粒的粒度;
第十三步骤是信息输出,操作人员通过计算机中的MATLAB软件,将图像中的矿岩颗粒数量信息以及粒度信息输出至计算机硬盘中或者通过与计算机相连接的打印机输出为硬拷贝。
所述第一步骤即建立矿岩粒度数据库的具体方法是:
将已知粒度的矿岩颗粒作为标尺颗粒,破碎机破碎后的最小矿岩颗粒经过测量后作为最小标尺颗粒,破碎机破碎后的最大矿岩颗粒经过测量后作为最大标尺颗粒;相邻粒度的标尺颗粒之间的粒度差值为5毫米;
将所有粒度的标尺颗粒放置在矿岩粒度检测系统的矿岩传送装置上,采用所述第二步骤至第五步骤中的方法获得各标尺颗粒的灰度图像;
操作人员通过计算机中的MATLAB软件提取灰度图像中各标尺颗粒的像素点个数,将各标尺颗粒的像素点个数与各标尺颗粒的粒度一一对应起来,建立矿岩粒度数据库。
合成图像在计算机中的存储文件为“矿石图像.jpg”;所述第四步骤中,在计算机中的MATLAB软件中通过下述指令实现亮度变换:
f=imread('矿石图像.jpg');%读取图像;
f=imadjust(f,[0 0.7],[0 1]);%亮度调节;
亮度变换后的图像在计算机中的存储文件为“亮度图像.jpg”;
所述第五步骤中,操作人员在计算机中的MATLAB软件中,通过下述指令实现灰度变换:
f=imread('亮度图像.jpg');%读取图像;
i=rgb2gray(f);%灰度变换;
灰度图像在计算机中的存储文件为“灰度图像.jpg”。
所述第七步骤中,在计算机中的MATLAB软件中通过以下指令实现滤波去除噪声,得到去除噪声后的图像:
去除噪声后的图像在计算机中的存储文件为“改进的滤波图像.jpg”。
第八步骤形态学重构的MATLAB软件的具体指令为:
f=imread('改进的滤波图像s.jpg');%读取图像
se=strel('disk',5);%结构元素的选择以及参数设置
Io=imopen(i,se);%图像开运算
Ie=imerode(i,se);
Iobr=imreconstruct(Ie,i);
Ioc=imclose(Io,se);
Ic=imclose(i,se);%图像闭运算
Iobrd=imdilate(Iobr,se);
Iobrcbr=imreconstruct(imcomplement(Iobrd),imcomplement(Iobr));%图像重构运算
Iobrcbr=imcomplement(Iobrcbr);%计算图像补集
形态学重构后的图像在计算机中的存储文件为“重构图像.jpg”。
第九步骤至第十一步骤的MATLAB软件中的具体指令为:
f=imread('重构图像.jpg');%读取图像
bw=im2bw(Iobrcbr,graythresh(Iobrcbr));%转化为二值图像
bw2=bwareaopen(~bw,10);%bwareaopen;%这个“开”运算,可以用来清除很小的点
D=-bwdist(bw2);%进行距离变换
mask=imextendedmin(D,2);%该函数计算图像中比周围点深一些的一组低点
D2=imimposemin(D,mask);
figure;imshow(D2);title('极小值与极大值梯度分布图');
L3=watershed(D2);%分水岭分割
em=L3==0;
i(em)=255;
imshow(i);title('分割图');
第十一步骤中分割后的图像在计算机中的存储文件为“分割图.jpg”。
第十二步骤和第十三步骤的MATLAB软件的具体指令为:
本发明具有如下的优点:
图像清晰度高是本发明的一个优点。左摄像机和右摄像机分别采集图像,然后将左摄像机拍摄的矿岩颗粒图像的左半幅图像与右摄像机拍摄的矿岩颗粒图像的右半幅图像合成为矿岩颗粒的合成图像,这种方式大大提高了图像的清晰度。众所周知,图像各处的清晰度并不均匀,靠近摄像机焦距中心处的清晰度高于远离摄像机焦距中心处的的清晰度。传送带上堆积的矿岩颗粒中间高两侧低,这造成了如果只采用一个摄像机,则图像两侧边缘处的图像的清晰度均较低。本发明采用两个摄像机,左摄像机倾斜向下朝向矿岩传送装置的左中部,拍摄的图像中矿岩传送装置右侧的矿岩颗粒较不清楚;同时右摄像机倾斜向下朝向矿岩传送装置的右中部,拍摄的图像中矿岩传送装置左侧的矿岩颗粒较不清楚;将两个摄像机拍摄的图像中的清晰部分组合成完整的合成图像,则大大提高了图像的清晰度以及清晰均匀度(图像边缘与图像中心的清晰度相差较小)。
检测效率高是本发明的一个优点。摄像机采集的图像是一个三值组组成的RGB图像,为了减少图像处理过程中的计算量,提高粒度检测效率,将原有RGB矿岩颗粒图像变换成灰度图像,使得每个三维像素点转化成二维,从而大大减少计算量;加上本发明整体算法较为简洁,因此整体上提高了检测效率。
滤波效果好是本发明的一个优点。采用本发明第六步骤和第七步骤中的处理方法,不使用固定模板来进行高斯滤波,而是根据不同的图像计算出不同的平均相邻差值A,进而据此对图像各像素点进行分类,处理孤立点噪声像素点的高斯标准差为C1,处理平滑/半平滑区域内像素点的高斯标准差为C2,C1/C2=(140±5)%,这样对孤立点噪声像素点去噪效果较好,同时减小对矿岩边缘的平滑效果,提高检测矿岩颗粒粒度的准确程度。直接效果是:矿岩图像经改进后的高斯滤波处理并去除噪声后,比原图像更加清晰,消除了矿岩图像中所产生的噪声,矿岩颗粒与背景之间有明显的灰度阶跃,保留了矿岩边界信息。改进的高斯滤波在消除噪声时,不但可以提高去噪效果,而且矿岩区域边界得到了有很好的保留。在平滑区域内,高斯滤波标准差趋近于零,图像原有信息基本不变;单个像素阶跃的孤立点噪声被清除;处于矿岩颗粒边缘的噪声,在尽量保持原貌的基础上进行了一定幅度消除。
由于矿岩本身的特性,其纹理信息使得图像中的矿岩区域中含有众多极小区域,虽然已经对矿岩图像进行了较好的滤波处理,但是直接分割会使这些区域被分割出来,严重影响矿岩粒度信息的准确性,为了避免此现象的发生,用形态学相关运算改善矿岩图像。经过形态学重构,通过形态学开运算重构消除矿岩颗粒区域内的极小值区域,从而消除矿岩颗粒内部的亮细节;通过形态学闭运算重构消除矿岩颗粒背景的暗细节,两者相互结合,最大程度上消除了矿岩颗粒图像的极小值区域,提高了后续分割的准确程度。
附图说明
图1是矿岩粒度检测系统的结构示意图;
图2是本发明的流程图;
图3是对矿岩图像(局部)进行高斯滤波后的图像;
图4是对同一矿岩图像(局部)进行改进高斯滤波后的图像。
图3和图4用于直观地表达本发明中改进高斯滤波相对现有高斯滤波在处理图像上的优点,图4的去噪效果明显优于图3,而且矿岩区域边界得到了有很好的保留。本发明技术方案的实现并不依赖于图3和图4。
具体实施方式
如图1至图4所示,本发明提供了一种基于图像处理的矿岩粒度检测方法,矿岩粒度检测系统用于矿岩生产系统,矿岩生产系统包括用于破碎矿岩的破碎机(破碎机为现有设备,图未示),破碎机出口处设有用于运送矿岩颗粒的传送装置1(如传送带),
矿岩粒度检测系统包括机架和计算机7,机架包括左立柱2、右立柱3和连接在左右立柱3之间的顶杆4;左立柱2位于矿岩传送装置1的左侧,右立柱3位于矿岩传送装置1的右侧;
矿岩传送装置1左上方的顶杆4上设有左摄像机5,矿岩传送装置1右上方的顶杆4上设有右摄像机6,左摄像机5倾斜向下朝向矿岩传送装置1的左中部,右摄像机6倾斜向下朝向矿岩传送装置1的右中部;
计算机7通过信号线路连接有图像采集卡8,图像采集卡8通过信号线路连接所述左摄像机5和右摄像机6;计算机7内安装有MATLAB软件(具体版本为MATLAB2014a);在MATLAB软件中预置有改进高斯滤波算法;
本矿岩粒度检测方法依次按以下步骤进行:
第一步骤是建立矿岩粒度数据库;矿岩粒度数据库中的数据包括矿岩颗粒的像素数量和矿岩粒度,矿岩颗粒的像素数量与矿岩粒度一一对应;
第二步骤是图像采集;通过左摄像机5和右摄像机6采集矿岩颗粒的图像,左摄像机5和右摄像机6将采集的图像信息传递给图像采集卡8;
第三步骤是图像合成;通过图像采集卡8对左摄像机5和右摄像机6采集的图像进行合成,将左摄像机5拍摄的矿岩颗粒图像的左半幅图像与右摄像机6拍摄的矿岩颗粒图像的右半幅图像合成为矿岩颗粒的合成图像;图像采集卡8将合成图像信息传递给计算机7;
第四步骤是亮度变换;操作人员通过计算机7中的MATLAB软件对合成图像进行亮度变换(将较暗的图像调亮,将较亮的图像调暗),形成亮度变换后的图像;
第五步骤是灰度变换;操作人员通过计算机7中的MATLAB软件将亮度变换后的图像变换为灰度图像,成为灰度图像;灰度图像在计算机7中的存储文件为“灰度图像.jpg”。
第六步骤是确定改进高斯滤波的高斯标准差;(本发明中所谓“改进高斯滤波”是指在高斯滤波方法的基础上根据确定改进高斯滤波的高斯标准差的算法确定高斯标准差后得到滤波方法;)
灰度图像中两个相邻的像素点组成一对相邻像素点,相邻像素点的的灰度值的差值为相邻差值,相邻像素点的总对数为Z,Z为正整数;
计算机7中的MATLAB软件计算Z对相邻像素点的相邻差值的总和SUM,SUM为正整数;并通过下述公式计算出平均相邻差值A,A为实数:
A=SUM/Z;
灰度图像中的像素点分为两类,第一类为孤立点噪声像素点,第二类为平滑/半平滑区域内像素点;
计算机7中的MATLAB软件对于灰度图像中的每一个像素点进行分类,分类规则为:
S为待分类像素点,如果S与其相邻的所有像素点之间的相邻差值均大于A,则将S分类为孤立点噪声;如果S与其相邻的任一像素点之间的相邻差值小于等于A,则将S分类为平滑/半平滑区域内像素点;
处理孤立点噪声像素点的高斯标准差为C1,处理平滑/半平滑区域内像素点的高斯标准差为C2,计算机7中的MATLAB软件将C1/C2的值控制在(140±5)%,操作人员在140±5的范围内选择具体的C1/C2的值以及具体的C1值和C2值;将C1/C2的值控制在140±5的范围内的高斯滤波算法形成改进高斯滤波算法;
这样,对孤立点噪声像素点去噪效果较好,同时减小对矿岩边缘的平滑效果,提高检测矿岩颗粒粒度的准确程度。直接效果是:矿岩图像经改进后的高斯滤波处理并去除噪声后,比原图像更加清晰,消除了矿岩图像中所产生的噪声,矿岩颗粒与背景之间有明显的灰度阶跃,保留了矿岩边界信息。
第七步骤是去除噪声;操作人员通过计算机7中的MATLAB软件,根据第六步骤中的改进高斯滤波的高斯标准差对灰度图像进行改进高斯滤波处理,去除噪声,形成去除噪声后的图像;
第八步骤是形态学重构,对去除噪声后的图像进行形态学重构,通过形态学开运算重构消除矿岩颗粒区域内的极小值区域,从而消除矿岩颗粒内部的亮细节;通过形态学闭运算重构消除矿岩颗粒背景的暗细节,两者相互结合,最大程度上消除了矿岩颗粒图像的极小值区域,提高了后续分割的准确程度。形态学重构后形成形态学重构后的图像;
第九步骤是距离变换;操作人员通过计算机7中的MATLAB软件对形态学重构后的图像进行距离变换,使用内部标记对图像上的各极小值区域进行标记;使用外部标记对图像上的各极大值区域进行标记;标记为外部标记的区域是矿岩颗粒的轮廓线,标记为内部标记的区域是矿岩颗粒部分;
第十步骤是强制最小,操作人员通过计算机7中的MATLAB软件对形态学重构后的图像进行强制最小;图像中灰度值最小的像素点的灰度值为最小灰度值;强制最小是将各极小值区域内的所有像素点的灰度值调节为最小灰度值,形成强制最小后的图像;
第十一步骤是分割图像;操作人员通过计算机7中的MATLAB软件对强制最小后的图像进行分割;具体是操作人员通过计算机7中的MATLAB软件将强制最小后的图像中的各极值区域的内部像素的灰度值均调节为0,将强制最小后的图像中的各极值区域的轮廓线的灰度值均调节为255;灰度值调节为0的区域为矿岩颗粒区域,灰度值调节为255的区域为矿岩颗粒轮廓线;形成分割后的图像;
第十二步骤是图像标定;操作人员通过计算机7中的MATLAB软件对分割后的图像中的矿岩颗粒区域进行图像标定,得出图像中的矿岩颗粒数量;提取各矿岩颗粒区域内的像素点个数,通过与矿岩颗粒粒度数据库进行比对,得出各矿岩颗粒区域所代表的矿岩颗粒的粒度;
第十三步骤是信息输出,操作人员通过计算机7中的MATLAB软件,将图像中的矿岩颗粒数量信息以及粒度信息输出至计算机7硬盘中或者通过与计算机7相连接的打印机输出为硬拷贝。
所述第一步骤即建立矿岩粒度数据库的具体方法是:
将已知粒度的矿岩颗粒作为标尺颗粒,破碎机破碎后的最小矿岩颗粒经过测量后作为最小标尺颗粒,破碎机破碎后的最大矿岩颗粒经过测量后作为最大标尺颗粒;相邻粒度的标尺颗粒之间的粒度差值为5毫米;
将所有粒度的标尺颗粒放置在矿岩粒度检测系统的矿岩传送装置1上,采用所述第二步骤至第五步骤中的方法获得各标尺颗粒的灰度图像;
操作人员通过计算机7中的MATLAB软件提取灰度图像中各标尺颗粒的像素点个数,将各标尺颗粒的像素点个数与各标尺颗粒的粒度一一对应起来,建立矿岩粒度数据库。
在第十二步骤中,将一个矿岩颗粒区域内的像素点个数与矿岩颗粒粒度数据库进行比对时,如果该矿岩颗粒区域内的像素点个数落在两个相邻的标尺颗粒的像素点个数之间,则可以使用以下算法计算该矿岩颗粒区域内的像素点个数所对应的粒度:
所求粒度=(相邻较小标尺颗粒的粒度+相邻较大标尺颗粒的粒度)×该矿岩颗粒区域内的像素点个数/(相邻较小标尺颗粒的像素点个数+相邻较大标尺颗粒的像素点个数)。
合成图像在计算机7中的存储文件为“矿石图像.jpg”;所述第四步骤中,操作人员在计算机7中的MATLAB软件中,通过下述指令实现亮度变换:
f=imread('矿石图像.jpg');%读取图像;
f=imadjust(f,[0 0.7],[0 1]);%亮度调节(其中“%****”为程序解释语言);
亮度变换后的图像在计算机7中的存储文件为“亮度图像.jpg”;
所述第五步骤中,操作人员在计算机7中的MATLAB软件中,通过下述指令实现灰度变换:
f=imread('亮度图像.jpg');%读取图像;
i=rgb2gray(f);%灰度变换(其中“%灰度变换”为程序解释语言);
灰度图像在计算机7中的存储文件为“灰度图像.jpg”。
所述第七步骤中,通过以下指令实现滤波去除噪声,得到去除噪声后的图像:
去除噪声后的图像在计算机7中的存储文件为“改进的滤波图像.jpg”。
第八步骤形态学重构的具体指令为:
f=imread('改进的滤波图像s.jpg');%读取图像
se=strel('disk',5);%结构元素的选择以及参数设置
Io=imopen(i,se);%图像开运算
Ie=imerode(i,se);
Iobr=imreconstruct(Ie,i);
Ioc=imclose(Io,se);
Ic=imclose(i,se);%图像闭运算
Iobrd=imdilate(Iobr,se);
Iobrcbr=imreconstruct(imcomplement(Iobrd),imcomplement(Iobr));%图像重构运算
Iobrcbr=imcomplement(Iobrcbr);%计算图像补集
形态学重构后的图像在计算机7中的存储文件为“重构图像.jpg”。
第九步骤至第十一步骤的具体指令为:
f=imread('重构图像.jpg');%读取图像
bw=im2bw(Iobrcbr,graythresh(Iobrcbr));%转化为二值图像
bw2=bwareaopen(~bw,10);%bwareaopen;%这个“开”运算,可以用来清除很小的点
D=-bwdist(bw2);%进行距离变换
mask=imextendedmin(D,2);%该函数计算图像中比周围点深一些的一组低点
D2=imimposemin(D,mask);
figure;imshow(D2);title('极小值与极大值梯度分布图');
L3=watershed(D2);%分水岭分割
em=L3==0;
i(em)=255;
imshow(i);title('分割图');
第十一步骤中分割后的图像在计算机7中的存储文件为“分割图.jpg”。
第十二步骤和第十三步骤的具体指令为:
矿岩灰度图像的形态学运算为现有技术,其原理如下:
腐蚀与膨胀运算是形态学基本运算,同时这两种运算相互组合又可以产生许多其他的运算方法。
膨胀和腐蚀
若原图像为f(x,y),结果图像为g(x,y),b(x',y')表示结构元素,则膨胀和腐蚀有以下定义。
腐蚀就是将结构元素b(x',y')放入图像进行运算,计算出以某个像素点为中心,结构元素范围内各图像像素点与相应的结构元素中像素灰度差,并取其较小值来代替原有的灰度值。腐蚀运算表示为:
g(x,y)=min{f(x+x',y+y')-b(x',y')|(x,y)∈Df,(x',y')∈Db};
式中:g(x,y)为腐蚀后的图像;
Df是图像f(x,y)定义域;
Db是结构元素b(x',y')的定义域。
腐蚀运算的目是减小矿岩区域边界像素的灰度值,让矿岩区域边界向高灰度值的方向收缩,腐蚀掉无意义的边界点。当所有像素灰度值都大于零的结构元素处理图像时,腐蚀后的图像亮度降低,当结构元素的面积大于图像中局部亮度区域时,此区域的亮度效果降低,降低程度由图像亮度区域的灰度值和结构元素共同决定。
膨胀就是通过结构元素在图像中移动,计算出以某个像素点为中心,结构元素范围内各个像素点与对应结构元素中点的灰度值之和的最大值,并将其代替原有的灰度值。膨胀运算表示为:
g=min{f(x+x',y+y')+b(x',y')|(x,y)∈Df,(x',y')∈Db};
式中:g(x,y)为膨胀后的图像;
Df是图像f(x,y)定义域;
Db是结构元素b(x',y')的定义域。
膨胀运算的作用是增大图像边缘像素的灰度值,让图像边缘向外部延伸,达到增大边界范围的目的。当所有像素灰度值都大于零的结构元素处理图像时,膨胀后的图像亮度增加,当结构元素的面积大于图像中局部暗区域时,此区域的亮度效果增加,增加程度由图像暗区域的灰度值和结构元素共同决定。
开运算和闭运算
(1)开运算是在膨胀和腐蚀运算的基础上,先由结构元素对图像进行腐蚀运算,腐蚀运算的结果再由结构元素进行膨胀运算。开运算的函数表达式为:
式中:○表示开运算;
Θ表示腐蚀运算;
开运算的目的是消除那些小于结构元素的极小区域,平滑矿岩颗粒区域边界,同时又能较好的保持较大区域的图像信息。
Claims (3)
1.基于图像处理的矿岩粒度检测方法,通过矿岩粒度检测系统进行,矿岩粒度检测系统用于矿岩生产系统,矿岩生产系统包括用于破碎矿岩的破碎机,破碎机出口处设有用于运送矿岩颗粒的传送装置,
其特征在于:矿岩粒度检测系统包括机架和计算机,机架包括左立柱、右立柱和连接在左右立柱之间的顶杆;左立柱位于矿岩传送装置的左侧,右立柱位于矿岩传送装置的右侧;
矿岩传送装置左上方的顶杆上设有左摄像机,矿岩传送装置右上方的顶杆上设有右摄像机,左摄像机倾斜向下朝向矿岩传送装置的左中部,右摄像机倾斜向下朝向矿岩传送装置的右中部;
计算机通过信号线路连接有图像采集卡,图像采集卡通过信号线路连接所述左摄像机和右摄像机;计算机内安装有MATLAB软件;在MATLAB软件中预置有改进高斯滤波算法;
本矿岩粒度检测方法依次按以下步骤进行:
第一步骤是建立矿岩粒度数据库;矿岩粒度数据库中的数据包括矿岩颗粒的像素数量和矿岩粒度,矿岩颗粒的像素数量与矿岩粒度一一对应;
第二步骤是图像采集;通过左摄像机和右摄像机采集矿岩颗粒的图像,左摄像机和右摄像机将采集的图像信息传递给图像采集卡;
第三步骤是图像合成;通过图像采集卡对左摄像机和右摄像机采集的图像进行合成,将左摄像机拍摄的矿岩颗粒图像的左半幅图像与右摄像机拍摄的矿岩颗粒图像的右半幅图像合成为矿岩颗粒的合成图像;图像采集卡将合成图像信息传递给计算机;
第四步骤是亮度变换;操作人员通过计算机中的MATLAB软件对合成图像进行亮度变换,形成亮度变换后的图像;
第五步骤是灰度变换;操作人员通过计算机中的MATLAB软件将亮度变换后的图像变换为灰度图像,成为灰度图像;
第六步骤是确定改进高斯滤波的高斯标准差;
灰度图像中两个相邻的像素点组成一对相邻像素点,相邻像素点的灰度值的差值为相邻差值,相邻像素点的总对数为Z,Z为正整数;
计算机中的MATLAB软件计算Z对相邻像素点的相邻差值的总和SUM,SUM为正整数;并通过下述公式计算出平均相邻差值A,A为实数:
A=SUM/Z;
灰度图像中的像素点分为两类,第一类为孤立点噪声像素点,第二类为平滑/半平滑区域内像素点;
计算机中的MATLAB软件对于灰度图像中的每一个像素点进行分类,分类规则为:
S为待分类像素点,如果S与其相邻的所有像素点之间的相邻差值均大于A,则将S分类为孤立点噪声;如果S与其相邻的任一像素点之间的相邻差值小于等于A,则将S分类为平滑/半平滑区域内像素点;
计算机中的MATLAB软件中内置有确定改进高斯滤波的高斯标准差的算法:处理孤立点噪声像素点的高斯标准差为C1,处理平滑/半平滑区域内像素点的高斯标准差为C2,C1/C2=(140±5)%,操作人员在(140±5)%的范围内选择具体的C1/C2的值以及具体的C1值和C2值;将C1/C2的值控制在(140±5)%的范围内的高斯滤波算法形成改进高斯滤波算法;
第七步骤是去除噪声;操作人员通过计算机中的MATLAB软件,根据第六步骤中的改进高斯滤波的高斯标准差对灰度图像进行改进高斯滤波处理,去除噪声,形成去除噪声后的图像;
第八步骤是形态学重构,对去除噪声后的图像进行形态学重构,通过形态学开运算重构消除矿岩颗粒区域内的极小值区域,从而消除矿岩颗粒内部的亮细节;通过形态学闭运算重构消除矿岩颗粒背景的暗细节,形成形态学重构后的图像;
第九步骤是距离变换;操作人员通过计算机中的MATLAB软件对形态学重构后的图像进行距离变换,使用内部标记对图像上的各极小值区域进行标记;使用外部标记对图像上的各极大值区域进行标记;标记为外部标记的区域是矿岩颗粒的轮廓线,标记为内部标记的区域是矿岩颗粒部分;
第十步骤是强制最小,操作人员通过计算机中的MATLAB软件对形态学重构后的图像进行强制最小;图像中灰度值最小的像素点的灰度值为最小灰度值;强制最小是将各极小值区域内的所有像素点的灰度值调节为最小灰度值,形成强制最小后的图像;
第十一步骤是分割图像;操作人员通过计算机中的MATLAB软件对强制最小后的图像进行分割;具体是操作人员通过计算机中的MATLAB软件将强制最小后的图像中的各极值区域的内部像素的灰度值均调节为0,将强制最小后的图像中的各极值区域的轮廓线的灰度值均调节为255;灰度值调节为0的区域为矿岩颗粒区域,灰度值调节为255的区域为矿岩颗粒轮廓线;形成分割后的图像;
第十二步骤是图像标定;操作人员通过计算机中的MATLAB软件对分割后的图像中的矿岩颗粒区域进行图像标定,得出图像中的矿岩颗粒数量;提取各矿岩颗粒区域内的像素点个数,通过与矿岩颗粒粒度数据库进行比对,得出各矿岩颗粒区域所代表的矿岩颗粒的粒度;
第十三步骤是信息输出,操作人员通过计算机中的MATLAB软件,将图像中的矿岩颗粒数量信息以及粒度信息输出至计算机硬盘中或者通过与计算机相连接的打印机输出为硬拷贝。
2.根据权利要求1所述的基于图像处理的矿岩粒度检测方法,其特征在于:所述第一步骤即建立矿岩粒度数据库的具体方法是:
将已知粒度的矿岩颗粒作为标尺颗粒,破碎机破碎后的最小矿岩颗粒经过测量后作为最小标尺颗粒,破碎机破碎后的最大矿岩颗粒经过测量后作为最大标尺颗粒;相邻粒度的标尺颗粒之间的粒度差值为5毫米;
将所有粒度的标尺颗粒放置在矿岩粒度检测系统的矿岩传送装置上,采用所述第二步骤至第五步骤中的方法获得各标尺颗粒的灰度图像;
操作人员通过计算机中的MATLAB软件提取灰度图像中各标尺颗粒的像素点个数,将各标尺颗粒的像素点个数与各标尺颗粒的粒度一一对应起来,建立矿岩粒度数据库。
3.根据权利要求1或2所述的基于图像处理的矿岩粒度检测方法,其特征在于:
合成图像在计算机中的存储文件为“矿石图像.jpg”;所述第四步骤中,在计算机中的MATLAB软件中通过下述指令实现亮度变换:
f=imread('矿石图像.jpg');%读取图像;
f=imadjust(f,[0 0.7],[0 1]);%亮度调节;
亮度变换后的图像在计算机中的存储文件为“亮度图像.jpg”;
所述第五步骤中,操作人员在计算机中的MATLAB软件中,通过下述指令实现灰度变换:
f=imread('亮度图像.jpg');%读取图像;
i=rgb2gray(f);%灰度变换;
灰度图像在计算机中的存储文件为“灰度图像.jpg”;
所述第七步骤中,在计算机中的MATLAB软件中通过以下指令实现滤波去除噪声,得到去除噪声后的图像:
f=imread('灰度图像.jpg');%读取图像;
[high,width] = size(f);% 获得图像的高度和宽度;
F2 = double(f);
U = double(f);
uSobel =f;
for i = 2:high - 1 %sobel边缘检测;
for j = 2:width - 1;
Gx = (U(i+1,j-1) + 2*U(i+1,j) + F2(i+1,j+1)) - (U(i-1,j-1) + 2*U(i-1,j) + F2(i-1,j+1));
Gy = (U(i-1,j+1) + 2*U(i,j+1) + F2(i+1,j+1)) - (U(i-1,j-1) + 2*U(i,j-1) + F2(i+1,j-1));
uSobel(i,j) = sqrt(Gx^2 + Gy^2);
end
end
hy = fspecial('sobel');%设置空间滤波器;
hx = hy';
Iy = imfilter(double(f, hy, 'replicate');%滤波求y方向边缘;
Ix = imfilter(double(f), hx, 'replicate');%滤波求x方向边缘;
gradmag= sqrt(Ix.^2 + Iy.^2);
去除噪声后的图像在计算机中的存储文件为“改进的滤波图像.jpg”;
第八步骤形态学重构的MATLAB软件的具体指令为:
f=imread('改进的滤波图像s.jpg');%读取图像;
se = strel('disk', 5);%结构元素的选择以及参数设置;
Io = imopen(i, se);%图像开运算;
Ie = imerode(i, se);
Iobr = imreconstruct(Ie, i);
Ioc = imclose(Io, se);
Ic = imclose(i, se);%图像闭运算;
Iobrd = imdilate(Iobr, se);
Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));%图像重构运算;
Iobrcbr = imcomplement(Iobrcbr);%计算图像补集;
形态学重构后的图像在计算机中的存储文件为“重构图像.jpg”;
第九步骤至第十一步骤的MATLAB软件中的具体指令为:
f=imread('重构图像.jpg');%读取图像;
bw=im2bw(Iobrcbr ,graythresh(Iobrcbr));%转化为二值图像;
bw2 = bwareaopen(~bw, 10);%bwareaopen;%这个“开”运算,可以用来清除很小的点;
D =-bwdist(bw2);%进行距离变换;
mask = imextendedmin(D,2);%该函数计算图像中比周围点深一些的一组低点;
D2 = imimposemin(D,mask);
figure; imshow(D2);title('极小值与极大值梯度分布图');
L3= watershed(D2);%分水岭分割;
em=L3==0 ;
i(em)=255;
imshow(i);title('分割图');
第十一步骤中分割后的图像在计算机中的存储文件为“分割图.jpg”;
第十二步骤和第十三步骤的MATLAB软件的具体指令为:
f=imread('分割图.jpg');%读取图像;
I =im2uint8(em);%改变图像类型为uint8;
I3=imadjust(I,[0 1],[1 0]);%图像明暗反转;
figure,imshow(I3) ;
level = graythresh(I3);%最大类间方差法找到合适的阈值;
BW = im2bw(I3,level);%灰度图像二值化;
[L,N] = bwlabel(BW);%L表示连通区域的标注,N表示区域的个数;
hold on
for k = 1:N %星号标记目标物;
[r,c] = find(L == k);
rbar = mean(r);
cbar = mean(c);
plot(cbar,rbar,'marker','*','markeredgecolor','b','markersize',10);
end%;
h = dialog('Name','目标个数','position',[500 500 200 70]);%显示目标物个数;
uicontrol('Style','text','units','pixels','position',[45 40 120 20],...
'fontsize',12,'parent',h,'string',num2str(N));%设置数字的大小位置格式等;
labeled=L;
numObjects=N;
RGB_label=label2rgb(labeled,@spring,'c','shuffle');%显示为彩色索引图;
imshow(RGB_label);
graindata=regionprops(labeled,'basic');%测量图像对象或区域的属性;
allgrains=[graindata.Area]%显示测量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810464568.7A CN108711149B (zh) | 2018-05-16 | 2018-05-16 | 基于图像处理的矿岩粒度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810464568.7A CN108711149B (zh) | 2018-05-16 | 2018-05-16 | 基于图像处理的矿岩粒度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108711149A CN108711149A (zh) | 2018-10-26 |
CN108711149B true CN108711149B (zh) | 2022-01-28 |
Family
ID=63868956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810464568.7A Expired - Fee Related CN108711149B (zh) | 2018-05-16 | 2018-05-16 | 基于图像处理的矿岩粒度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108711149B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672478A (zh) * | 2019-10-10 | 2020-01-10 | 东南大学 | 基于图像处理技术分析机制砂颗粒形状的测试方法及装置 |
CN111047555B (zh) * | 2019-11-13 | 2023-10-17 | 鞍钢集团矿业有限公司 | 基于图像处理技术的矿石图像粒度检测算法 |
CN112191355B (zh) * | 2020-10-09 | 2022-03-25 | 矿冶科技集团有限公司 | 矿石处理方法、装置、电子设备及计算机可读存储介质 |
CN112634248B (zh) * | 2020-12-29 | 2024-04-12 | 清华大学 | 颗粒状原料粒度测量系统及方法、电子设备及存储介质 |
CN112906639B (zh) * | 2021-03-19 | 2024-02-20 | 北京科技大学 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
CN113674201A (zh) * | 2021-07-09 | 2021-11-19 | 福建南方路面机械股份有限公司 | 一种骨料粒径抽样监测方法 |
CN115690132A (zh) * | 2022-10-20 | 2023-02-03 | 北京霍里思特科技有限公司 | 一种图像处理方法和系统 |
CN115683962A (zh) * | 2023-01-03 | 2023-02-03 | 天津德通电气有限公司 | 一种用于选煤厂矿浆跑粗监测的矿浆粒度分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995028630A1 (en) * | 1994-04-15 | 1995-10-26 | Micromeritics Instrument Corporation | Apparatus and method for determining particle size distributions |
CN103839257A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 一种广义高斯k&i的sar图像变化检测方法 |
CN103942780A (zh) * | 2014-03-27 | 2014-07-23 | 北京工业大学 | 基于改进模糊连接度算法的丘脑及其子结构分割方法 |
CN104063866A (zh) * | 2014-06-26 | 2014-09-24 | 中国矿业大学(北京) | 一种矿石传送过程中的粒度检测方法 |
CN105913396A (zh) * | 2016-04-11 | 2016-08-31 | 湖南源信光电科技有限公司 | 一种噪声估计的图像边缘保持混合去噪方法 |
-
2018
- 2018-05-16 CN CN201810464568.7A patent/CN108711149B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1995028630A1 (en) * | 1994-04-15 | 1995-10-26 | Micromeritics Instrument Corporation | Apparatus and method for determining particle size distributions |
CN103839257A (zh) * | 2013-12-24 | 2014-06-04 | 西安电子科技大学 | 一种广义高斯k&i的sar图像变化检测方法 |
CN103942780A (zh) * | 2014-03-27 | 2014-07-23 | 北京工业大学 | 基于改进模糊连接度算法的丘脑及其子结构分割方法 |
CN104063866A (zh) * | 2014-06-26 | 2014-09-24 | 中国矿业大学(北京) | 一种矿石传送过程中的粒度检测方法 |
CN105913396A (zh) * | 2016-04-11 | 2016-08-31 | 湖南源信光电科技有限公司 | 一种噪声估计的图像边缘保持混合去噪方法 |
Non-Patent Citations (5)
Title |
---|
A New Fuzzy Gaussian Noise Removal Method for Gray-Scale Images;K.Ratna Babu等;《(IJCSIT) International Journal of Computer Science and Information Technologies》;20111231;第2卷(第1期);全文 * |
一种基于图像区域分割的小波去噪方法;龚劬等;《计算机工程与应用》;20101201(第34期);全文 * |
基于噪声点多级检测的自适应中值滤波算法;朱威等;《光电工程》;20131015(第10期);全文 * |
基于邻域阈值分类的小波域图像去噪算法;侯建华等;《光电工程》;20060828(第08期);全文 * |
碎屑岩粒度分析方法对比初探;单秀琴等;《第五届全国颗粒测试学术会议》;20030308;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108711149A (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711149B (zh) | 基于图像处理的矿岩粒度检测方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
Liu et al. | Ore image segmentation method using U-Net and Res_Unet convolutional networks | |
CN111047555B (zh) | 基于图像处理技术的矿石图像粒度检测算法 | |
Jahedsaravani et al. | An image segmentation algorithm for measurement of flotation froth bubble size distributions | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN111145161A (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN109086687A (zh) | 基于pca降维的hog-mblbp融合特征的交通标志识别方法 | |
CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN108629776B (zh) | 矿岩粒度检测系统 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
Williams et al. | Particle shape characterisation and its application to discrete element modelling | |
CN108694349B (zh) | 一种基于线阵相机的受电弓图像提取方法及装置 | |
CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
CN105809673A (zh) | 基于surf算法和合并最大相似区域的视频前景分割方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
CN104899559A (zh) | 一种基于视频监控的快速行人检测方法 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN112686872B (zh) | 基于深度学习的木材计数方法 | |
Ju et al. | A novel fully convolutional network based on marker-controlled watershed segmentation algorithm for industrial soot robot target segmentation | |
Dai et al. | Recognition of tunnel lining cracks based on digital image processing |
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 |
Granted publication date: 20220128 |