CN109145913A - 一种非均匀背景离散相灰度图像二值化处理方法 - Google Patents
一种非均匀背景离散相灰度图像二值化处理方法 Download PDFInfo
- Publication number
- CN109145913A CN109145913A CN201810766989.5A CN201810766989A CN109145913A CN 109145913 A CN109145913 A CN 109145913A CN 201810766989 A CN201810766989 A CN 201810766989A CN 109145913 A CN109145913 A CN 109145913A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- pixel
- gradient
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 5
- 238000005429 filling process Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 235000012149 noodles Nutrition 0.000 claims 1
- 239000012071 phase Substances 0.000 description 34
- 238000005259 measurement Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003225 biodiesel Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/11—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/10004—Still image; Photographic image
Abstract
本发明提供一种非均匀背景离散相灰度图像二值化处理方法,主要包括以下步骤:求解图像梯度图;采用最大类间方差方法分别求解灰度图像和梯度图像阈值;确定离散相轮廓为同时满足灰度阈值和梯度阈值的像素点;求解轮廓像素点平均灰度值,以此为增长上限,以轮廓像素点为初始种子点进行区域增长;增长完成后以初始种子点和增长点为对象,对邻域内灰度值满足灰度阈值的点进行膨胀,膨胀后的像素点为目标图像;对图像背景进行填充,完成图像处理。本发明提出的图像处理方法可以在保证目标边缘精确提取的同时大幅降低图像噪点。
Description
技术领域
本发明属于图像处理研究领域,具体涉及一种非均匀背景离散相灰度图像二值化处理方法。
背景技术
气-液、液-液两相破碎以及气-固两相流等广泛存在于科研和生产当中,比如燃油喷雾、生物柴油制备、流化床等。精确监测液滴、气泡等离散相尺寸、分布等特征参数对科学研究和生产效率具有重要的实际意义。离散相测量途径主要分为三类:机械测量、电子测量和光学测量。其中光学测量的一个优势是非接触测量。光学测量途径中的高速摄影方法操作相对简便,能够实现流场可视化,在近些年应用比较广泛。
对高速摄影获得的灰度图像进行二值化处理,有利于特征信息的提取和计算。比如在灰度图像中,离散相边缘由一系列渐变灰度像素组成,给离散相尺寸等参数的精确测量带来困难。灰度图像经过二值化处理,可以在保证测量精度的同时大幅降低信息获取难度。对于科学研究,图像二值化处理的首要任务是保证离散相拾取的精确性,包括边缘检测和区域分割。传统边缘检测利用图像梯度与区域模板卷积运算锐化边缘。需要说明的是,这是一种近似运算,对由几十个像素构成的小离散相,可能造成较大的检测误差。最大类间方差和区域增长是两种经典的区域分割算法,至今仍然是图像处理的有力工具。
离散相灰度图像往往具有一些特征或缺点,给二值化处理带来很大挑战。典型地,实验室较小尺度多相流实验图像具有离散相多尺度、噪点、光斑以及背景不均匀等问题。噪点问题通常采用滤波算子或噪点算子进行处理,背景不均匀问题则采用分块、近似均匀、局部阈值等方法进行处理。噪点处理及非均匀背景处理极有可能抹去小尺寸离散相,造成图像信息丢失。本发明提出一种基于最大类间方差耦合区域增长的非均匀背景离散相灰度图像二值化处理方法,平衡离散相检测精度和噪点抑制问题。
发明内容
本发明的目的是针对上述问题提供一种非均匀背景离散相灰度图像二值化处理方法,在保证离散相精确拾取的同时有效解决光斑、非均匀背景及噪点抑制问题。
本发明的技术方案是:一种非均匀背景离散相灰度图像二值化处理方法,包含如下步骤:
步骤S1、求解灰度图像对应的灰度梯度图像;
步骤S2、求解灰度图像阈值Tgray和梯度图像阈值Tgradient;
步骤S3、确定同时在灰度图像阈值和梯度图像阈值内的像素点为目标轮廓;
步骤S4、计算轮廓像素点平均灰度值δ,以此为增长上限,以轮廓像素点为初始种子点进行区域增长,并对增长像素点进行标记;
步骤S5、增长完成后以初始种子点和已标记的增长像素点为对象,对每个像素点邻域内灰度值满足灰度阈值Tgray的点进行膨胀运算,膨胀后的已处理像素点为目标图像,即二值化图像。
上述方案中,所述步骤S1具体为:
读入拟处理灰度图像,根据公式一、公式二和公式三求解图像矩阵的梯度矩阵,获得灰度图像相应的灰度梯度图像,
其中,M为待求解矩阵,G为梯度矩阵,Gi,j为点Mi,j处的梯度,Gx为x方向的梯度分量,Gy为y方向的梯度分量。
上述方案中,所述步骤S2中采用最大类间方差方法分别求解灰度图像阈值Tgray和梯度图像阈值Tgradient。
上述方案中,所述步骤S3具体为:
判断灰度梯度图像内所有像素点灰度值Ii,j和梯度值Gi,j是否满足公式四,如果满足,则该像素点为目标轮廓像素点,对所有目标轮廓像素点进行标记,
Ii,j<Tgray&&Gi,j>Tgradient 公式四
其中,符号&&为逻辑运算“且”。
上述方案中,所述步骤S4具体为:
计算轮廓像素点平均灰度值δ,以此为增长上限,以轮廓像素点为初始种子点进行区域增长,即检查种子点8领域内的点灰度值是否小于δ,如果是,则进行增长,并对增长像素点进行标记,如果否,跳过该像素点搜索下一个符合条件的像素点。
上述方案中,所述步骤S4中,轮廓像素点平均灰度值δ通过乘以系数A的方式进行调整,以提高非均匀背景适应性和噪点抑制能力,但必须满足下面条件:0<Aδ<Tgray。
上述方案中,所述步骤S5中对每个像素点邻域内灰度值满足灰度阈值Tgray的点进行膨胀运算具体为:对初始种子点和已标记的增长像素点邻域内的象素点8邻域内的点灰度值是否小于Tgray,如果是,则进行标记,膨胀后的已处理像素点,即所有已标记点为目标图像。且膨胀过程不需要预设区域模板进行运算。
上述方案中,还包括步骤S6:采用区域增长法对图像背景进行填充。
上述方案中,所述步骤S6具体为:
种子点采用自动选择方法,首先逐点检查经步骤S5处理获得的二值化图像B,确定背景像素点Bi,j,以此为种子点,对与其灰度值一致的点进行区域增长,完成背景填充过程,背景填充完成以后,对背景中的离散相形成的孔洞进行反色填充,完成图像二值化处理过程。
上述方案中,所述步骤S6中背景像素点Bi,j需要满足公式五,
其中,Ni=1,2,3...20,Nj=1,2,3...20。
在步骤S6中,对图像背景进行填充主要针对离散相光斑问题,比如液滴或气泡表面光斑等。在没有明显光斑情况下可以不使用步骤S6。在气固多相流等需要保留孔隙的工况下不可使用步骤S6。
与现有技术相比,本发明的有益效果是:本发明通过求解图像梯度图;采用最大类间方差方法分别求解灰度图像和梯度图像阈值;确定离散相轮廓为同时满足灰度阈值和梯度阈值的像素点;求解轮廓像素点平均灰度值,以此为增长上限,以轮廓像素点为初始种子点进行区域增长;增长完成后以初始种子点和增长点为对象,对邻域内灰度值满足灰度阈值的点进行膨胀,膨胀后的像素点为目标图像;对图像背景进行填充,完成图像处理,在保证离散相精确拾取的同时有效解决光斑、非均匀背景及噪点抑制问题。
附图说明
图1为本发明实施流程图。
图2为示例离散相灰度图像。
图3为步骤S1求解的图2相应灰度梯度图像。
图4为步骤S2和步骤S3计算得到的离散相轮廓拾取图像。其中,(a)为以梯度图像最大类间方差阈值Tgradient为条件拾取的离散相轮廓;(b)为(a)中虚线框内容放大图;(c)为同时以灰度图像和梯度图像最大类间方差阈值Tgray和Tgradient为条件拾取的离散相轮廓;(d)为(c)中虚线框内容放大图。
图5为步骤S4区域增长计算完成后图像;其中,(a)为整体效果图;(b)为对应虚线框内容放大图;(c)为对应虚线框内容放大图。
图6为步骤S5膨胀计算完成后图像;其中,(a)为整体效果图;(b)为对应虚线框内容放大图;(c)为对应虚线框内容放大图。
图7为步骤S6背景填充计算完成后图像。
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详细说明,但本发明的保护范围并不限于此。
本发明处理对象为灰度图像,彩色图像需转换成灰度图像进行处理。
本发明具体实施方法以离散相前景为深色,背景为浅色的图像为例进行描述。离散相前景为浅色,背景为深色的图像处理方法与之类似。
一种非均匀背景离散相灰度图像二值化处理方法,包括六个步骤:如图1所示,图1中2、3属于步骤S1;4属于步骤S2;5、6属于步骤S3;7、8、9、10、11、12属于步骤S4;13、14属于步骤S5;15、16属于步骤S6。
步骤S1:读入拟处理灰度图像,如图2所示,求解图像矩阵的梯度矩阵,获得灰度图像相应的灰度梯度图像,如图3所示。本发明采用的矩阵梯度求解方法如公式一、公式二和公式三所示。其中,M为待求解矩阵,G为梯度矩阵,Gi,j为点Mi,j处的梯度,Gx和Gy分别为x方向(列)和y方向(行)的梯度分量。Gx和Gy的计算如公式二和公式三所示,对于边界元素(i=1,m或j=1,n),梯度分量为其自身和相邻元素差值;对于其他元素,梯度分量为两侧相邻元素差值。
Gi,j=(Gx 2+Gy 2)1/2 公式一
步骤S2:采用最大类间方差方法分别求解灰度图像阈值Tgray和梯度图像阈值Tgradient。最大类间方差求解图像阈值方法是图像处理学的经典方法,具体原理所属领域技术人员应当知晓,实施过程略有差异但无本质区别。本发明略过此方法原理和实施过程描述。
步骤S3:确定同时在灰度图像阈值和梯度图像阈值内的像素点为目标轮廓。判断灰度梯度图像内所有像素点灰度值Ii,j和梯度值Gi,j是否满足公式四。其中符号&&为逻辑运算“且”。如果满足,则该像素点为目标轮廓像素点。对所有目标轮廓像素点进行标记。计算结果如图4所示,其中图4(a)为仅满足条件Gi,j>Tgradient时轮廓拾取图像,图4(c)为满足条件公式四时轮廓拾取图像。对比图4(b),图4(d)中噪点显著降低。
Ii,j<Tgray&&Gi,j>Tgradient 公式四
步骤S4:计算轮廓像素点平均灰度值δ,以此为增长上限,以轮廓像素点为初始种子点进行区域增长。即检查种子点8领域内的点灰度值是否小于δ,如果是,则进行增长,并对增长像素点进行标记,如果否,跳过该像素点搜索下一个符合条件的像素点。区域增长过程的程序设计所属领域技术人员一般根据个人经验进行编写,不会对增长结果产生影响。本发明略过程序设计过程的描述。计算结果如图5(a)所示。其中,图5(b)和(c)所示面积较小的离散相轮廓未封闭。
步骤S5:增长完成后以初始种子点和增长点(即已标记点)为对象,对每个像素点邻域内灰度值满足灰度阈值Tgray的点进行膨胀运算。即,对象点8邻域内的点灰度值是否小于Tgray,如果是,则进行标记。膨胀后的已处理像素点(即所有已标记点)为目标(离散相)图像。需要强调的是,本步骤只进行单次运算,即只对初始种子点和增长点邻域内的点进行处理。且膨胀过程不需要预设区域模板进行运算。计算结果如图6(a)所示。其中,图6(b)和(c)所示面积较小的离散相轮廓已封闭,并完成填充。
步骤S6:采用区域增长法对图像背景进行填充。具体地,种子点采用自动选择方法,首先逐点检查经步骤S5处理获得的二值化图像B,当点Bi,j满足公式五,认为Bi,j为背景点,以此为种子点,对与其灰度值一致的点进行区域增长,完成背景填充过程。背景填充完成以后,对背景中的离散相形成的孔洞进行反色填充,完成图像二值化处理过程。计算结果如图7所示。
公式五的意义为,当像素点Bi,j满足以其为左上顶点,边长为Ni和Nj的矩形内灰度值与背景一致时判定其为背景像素点。公式五中选择的矩形区域大小为21*21像素。此矩形区域可根据实际情况进行调整。
所述步骤S6为处理图像离散相中有显著光斑问题所设计,比如液滴表面光斑。在图像离散相中无明显光斑情况下可不使用此步骤。在离散相孔隙需要保留情况下不能使用此步骤,比如处理固体颗粒分布图像。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种非均匀背景离散相灰度图像二值化处理方法,其特征在于,包含如下步骤:
步骤S1、求解灰度图像对应的灰度梯度图像;
步骤S2、求解灰度图像阈值Tgray和梯度图像阈值Tgradient;
步骤S3、确定同时在灰度图像阈值和梯度图像阈值内的像素点为目标轮廓;
步骤S4、计算轮廓像素点平均灰度值δ,以此为增长上限,以轮廓像素点为初始种子点进行区域增长,并对增长像素点进行标记;
步骤S5、增长完成后以初始种子点和已标记的增长像素点为对象,对每个像素点邻域内灰度值满足灰度阈值Tgray的点进行膨胀运算,膨胀后的已处理像素点为目标图像,即二值化图像。
2.根据权利要求1所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,所述步骤S1具体为:
读入拟处理灰度图像,根据公式一、公式二和公式三求解图像矩阵的梯度矩阵,获得灰度图像相应的灰度梯度图像,
Gi,j=(Gx 2+Gy 2)1/2 公式一
其中,M为待求解矩阵,G为梯度矩阵,Gi,j为点Mi,j处的梯度,Gx为x方向的梯度分量,Gy为y方向的梯度分量。
3.根据权利要求1所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,所述步骤S2中采用最大类间方差方法分别求解灰度图像阈值Tgray和梯度图像阈值Tgradient。
4.根据权利要求1所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,所述步骤S3具体为:
判断灰度梯度图像内所有像素点灰度值Ii,j和梯度值Gi,j是否满足公式四,如果满足,则该像素点为目标轮廓像素点,对所有目标轮廓像素点进行标记,
Ii,j<Tgray&&Gi,j>Tgradient 公式四
其中,符号&&为逻辑运算“且”。
5.根据权利要求1所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,所述步骤S4具体为:
计算轮廓像素点平均灰度值δ,以此为增长上限,以轮廓像素点为初始种子点进行区域增长,即检查种子点8领域内的点灰度值是否小于δ,如果是,则进行增长,并对增长像素点进行标记,如果否,跳过该像素点搜索下一个符合条件的像素点。
6.根据权利要求1或5所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,所述步骤S4中,轮廓像素点平均灰度值δ通过乘以系数A的方式进行调整,但必须满足下面条件:0<Aδ<Tgray。
7.根据权利要求1所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,所述步骤S5中对每个像素点邻域内灰度值满足灰度阈值Tgray的点进行膨胀运算具体为:对初始种子点和已标记的增长像素点邻域内的象素点8邻域内的点灰度值是否小于Tgray,如果是,则进行标记,膨胀后的已处理像素点,即所有已标记点为目标图像。
8.根据权利要求1所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,还包括步骤S6:采用区域增长法对图像背景进行填充。
9.根据权利要求8所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,所述步骤S6具体为:
种子点采用自动选择方法,首先逐点检查经步骤S5处理获得的二值化图像B,确定背景像素点Bi,j,以此为种子点,对与其灰度值一致的点进行区域增长,完成背景填充过程,背景填充完成以后,对背景中的离散相形成的孔洞进行反色填充,完成图像二值化处理过程。
10.根据权利要求9所述的非均匀背景离散相灰度图像二值化处理方法,其特征在于,所述步骤S6中背景像素点Bi,j需要满足公式五,
其中,Ni=1,2,3...20,Nj=1,2,3...20。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810766989.5A CN109145913A (zh) | 2018-07-13 | 2018-07-13 | 一种非均匀背景离散相灰度图像二值化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810766989.5A CN109145913A (zh) | 2018-07-13 | 2018-07-13 | 一种非均匀背景离散相灰度图像二值化处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145913A true CN109145913A (zh) | 2019-01-04 |
Family
ID=64800501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810766989.5A Pending CN109145913A (zh) | 2018-07-13 | 2018-07-13 | 一种非均匀背景离散相灰度图像二值化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145913A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242140A (zh) * | 2020-01-17 | 2020-06-05 | 厦门理工学院 | 一种非均匀光照下快速提取轮廓线的方法 |
CN111343339A (zh) * | 2020-03-03 | 2020-06-26 | 青岛海信移动通信技术股份有限公司 | 移动终端及其图像显示方法 |
CN112734654A (zh) * | 2020-12-23 | 2021-04-30 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种图像处理方法、装置、设备和存储介质 |
CN113298880A (zh) * | 2021-05-27 | 2021-08-24 | 武汉天远视科技有限责任公司 | 一种相机标定板、相机标定方法及装置 |
CN113610727A (zh) * | 2021-08-05 | 2021-11-05 | 上海交通大学 | 针对两相体积份额图像的边界重构锐化方法 |
CN113989167A (zh) * | 2021-12-27 | 2022-01-28 | 杭州爱科科技股份有限公司 | 基于种子点自生长的轮廓提取方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
-
2018
- 2018-07-13 CN CN201810766989.5A patent/CN109145913A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
Non-Patent Citations (2)
Title |
---|
李孟歆: "基于灰度-梯度二维最大熵阈值法的赤足迹轮廓提取", 《图像与多媒体技术》 * |
秦春芳: "牛胴体眼肌切面图像的分割研究", 《中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅰ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242140A (zh) * | 2020-01-17 | 2020-06-05 | 厦门理工学院 | 一种非均匀光照下快速提取轮廓线的方法 |
CN111242140B (zh) * | 2020-01-17 | 2023-04-18 | 厦门理工学院 | 一种非均匀光照下快速提取轮廓线的方法 |
CN111343339A (zh) * | 2020-03-03 | 2020-06-26 | 青岛海信移动通信技术股份有限公司 | 移动终端及其图像显示方法 |
CN112734654A (zh) * | 2020-12-23 | 2021-04-30 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种图像处理方法、装置、设备和存储介质 |
CN112734654B (zh) * | 2020-12-23 | 2024-02-02 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种图像处理方法、装置、设备和存储介质 |
CN113298880A (zh) * | 2021-05-27 | 2021-08-24 | 武汉天远视科技有限责任公司 | 一种相机标定板、相机标定方法及装置 |
CN113610727A (zh) * | 2021-08-05 | 2021-11-05 | 上海交通大学 | 针对两相体积份额图像的边界重构锐化方法 |
CN113610727B (zh) * | 2021-08-05 | 2022-06-21 | 上海交通大学 | 针对两相体积份额图像的边界重构锐化方法 |
CN113989167A (zh) * | 2021-12-27 | 2022-01-28 | 杭州爱科科技股份有限公司 | 基于种子点自生长的轮廓提取方法、装置、设备及介质 |
CN113989167B (zh) * | 2021-12-27 | 2022-03-29 | 杭州爱科科技股份有限公司 | 基于种子点自生长的轮廓提取方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145913A (zh) | 一种非均匀背景离散相灰度图像二值化处理方法 | |
CN109410256B (zh) | 基于互信息的点云与影像自动高精度配准方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN109615653B (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
CN108470338B (zh) | 一种水位监测方法 | |
CN112819845A (zh) | 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
CN109360144B (zh) | 一种基于手机平台的图像实时校正改进方法 | |
CN110533774B (zh) | 一种基于智能手机的三维模型重建方法 | |
CN111553949A (zh) | 基于单帧rgb-d图像深度学习对不规则工件的定位抓取方法 | |
CN103743750B (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
CN110197113A (zh) | 一种高精度锚点匹配策略的人脸检测方法 | |
CN110246079A (zh) | 基于b样条曲面拟合的摄像头畸变矫正方法、系统及介质 | |
CN110309843A (zh) | 一种电力设备图像中多类部件的自动识别方法 | |
CN104732534B (zh) | 一种图像中显著目标的抠取方法及系统 | |
CN116485885A (zh) | 基于深度学习去除视觉slam前端动态特征点的方法 | |
CN109272508B (zh) | 一种基于粗糙集和粗糙熵的Petri网络图像分割方法 | |
CN107123138A (zh) | 基于vanilla‑R点对剔除策略的点云配准算法 | |
CN111127613B (zh) | 基于扫描电子显微镜的图像序列三维重构方法及系统 | |
CN113240620A (zh) | 基于点标记的高度黏连和多尺寸脑神经元自动分割方法 | |
CN115790539B (zh) | 一种合作靶标水下摄影测量方法 | |
CN107563991A (zh) | 零件表面断裂激光光条的提取与匹配方法 | |
CN104200469B (zh) | 一种视觉智能数控系统的数据融合方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |