CN109272503B - 一种基于最大熵与dbscan相融合的毛羽检测方法 - Google Patents
一种基于最大熵与dbscan相融合的毛羽检测方法 Download PDFInfo
- Publication number
- CN109272503B CN109272503B CN201811149030.3A CN201811149030A CN109272503B CN 109272503 B CN109272503 B CN 109272503B CN 201811149030 A CN201811149030 A CN 201811149030A CN 109272503 B CN109272503 B CN 109272503B
- Authority
- CN
- China
- Prior art keywords
- pixel
- yarn
- filoplume
- image
- formula
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20028—Bilateral 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
- G06T2207/30124—Fabrics; Textile; Paper
Abstract
本发明公开了一种基于最大熵与DBSCAN相融合的毛羽检测算法,具体为:首先,将待检测的纱线图像缩放至256×256像素,并将其转换为单通道BMP格式,并对纱线图像进行双边滤波处理,之后采用最大熵阈值分割纱线图像,再利用开运算处理经过最优阈值处理后的纱线图像,对纱线毛羽进行细化,最后采用密度聚类算法对细化后的纱线图像的毛羽进行处理,得到毛羽根数及长度。本方法在提取毛羽时利用最大熵阈值处理纱线图像,能够最大限度的保留毛羽的完整信息,避免造成毛羽在阈值过程中被分割断开的情况。同时,结合DBSCAN聚类算法统计出毛羽的根数及其每根毛羽的长度,精确度高,误差小。
Description
技术领域
本发明属于纺织检测技术领域,具体涉及一种基于最大熵与DBSCAN相融合的毛羽检测方法。
背景技术
毛羽能够影响纱线和最终纺织品的外观和手感,如两根纬纱上的毛羽分布不同,会造成反光程度的差别,从而在布面上形成横档;毛羽不匀会导致染色不匀,毛羽多的地方颜色较深,少的地方颜色较浅,从而形成色差;毛羽多的纱线容易在加工过程中受摩擦而起球,从而降低纺织品的质量。若要形成高品质的纺织品,其根本在于生产出高质量的纱线,因此,关于纱线外观质量的检测和评估对提升纺织品质量起了决定性的作用。
目前,企业检测纱线毛羽主要依靠的是目测法和光电式毛羽检测仪,但这两种方法误差较大且成本较高。随着计算机技术及图像处理技术的迅速发展,图像处理技术被越来越多的研究人员应用在纱线毛羽方面检测。国内外有很多学者利用基于纱线条干画基准线的方法检测纱线毛羽长度,虽然针对纱线毛羽检测工作取得一些成绩,但这种方法在统计弯曲毛羽长度时无法计算出实际长度,普适性不足。孙银银等人采用视频显微镜与图像处理技术相结合的方法,选择条干上下边缘作为基准线,并将图像处理法的检测结果分别与目测法计数的结果和GY172A型光电分级统计法的结果相比较,得出基于图像处理的毛羽检测方法能够获得更准确和可靠的检测结果。但利用视频显微镜采集纱线图像,在工业生产中不适用。Fabijańska利用图像处理技术对毛羽图像进行处理实现毛羽的检测,虽然在处理过程中图像已经经过了锐化,但是在分割过程中部分毛羽仍然会被分类为背景。
基于以上研究发现,检测中仍存在两个问题:毛羽提取不完整和不能精确计算毛羽长度。最大熵阈值先将图像分为前景和背景,分别计算图像前景与背景的熵值,当两者之和达到最大的时候,此时对应的像素值为分割图像的阈值,能够完整的分割出前景,符合提取毛羽的要求。DBSCAN聚类算法是一种密度聚类算法,设定好领域大小以及领域内点的最小密度后则可得出类的个数以及每一类的大小,符合计算毛羽根数及长度的要求。
发明内容
本发明的目的在于提供一种基于最大熵与DBSCAN相融合的毛羽检测方法,解决了现有检测算法中毛羽提取不完整且不能精确计算毛羽长度的问题。
本发明所采用的技术方案是,一种基于最大熵与DBSCAN相融合的毛羽检测方法,具体按照以下步骤实施:
步骤1,将待检测的纱线图像缩放至256×256像素,并将其转换为单通道BMP格式;
步骤2,对经步骤1后得到的纱线图像进行双边滤波处理;
步骤3,采用最大熵阈值分割纱线图像;
步骤4,经步骤3后,利用开运算处理经过最优阈值处理后的纱线图像,提取纱线条干,再对纱线条干进行膨胀,利用最优阈值处理后的纱线减去膨胀后的纱线条干,得到纱线毛羽,最后,对纱线毛羽进行细化,得到细化后的纱线图像;
步骤5,采用密度聚类算法对细化后的纱线图像的毛羽进行处理,得到毛羽根数及长度。
本发明的特点还在于,
步骤2具体为:依次将纱线图像中的每一个像素点作为目标像素点,将每个目标像素点坐标记为(i,j),将每个目标像素点邻域内像素点坐标记为(k,l),根据每个目标像素点邻域内像素点的像素值f(k,l),得到滤波后每个目标像素点的像素值g(i,j),如式(1)所示:
式(1)中,ω(i,j,k,l)为加权系数,加权系数ω(i,j,k,l)的计算公式,如式(2)所示:
式(2)中,σd和σr均为平滑参数,f(i,j)为滤波前每个目标像素点的像素值。
步骤3中,采用最大熵阈值分割纱线图像,具体步骤如下:
步骤3.1,经步骤2后,设定阈值T(0≤T≤225),利用纱线图像中灰度级小于阈值T的所有像素点构成拟定背景区域,利用图像中灰度级大于或者等于阈值T的所有像素点构成拟定目标区域,计算拟定背景区域和拟定目标区域中每个像素点的概率密度p(i),如式(3)所示;
式(3)中,ni为像素值为i的像素点数目,N为图像中像素点的总数目;
步骤3.2,经步骤3.1后,计算拟定背景区域中所有像素点的累计概率密度P0(T),如式(4)所示:
步骤3.3,经步骤3.2后,计算拟定目标区域中所有像素点的累计概率密度P1(255-T),如式(5)所示:
步骤3.4,经步骤3.3后,分别计算阈值T下拟定背景区域中像素点的熵值之和H0和拟定目标区域中像素点的熵值之和H1,如式(6)及式(7)所示;
步骤3.5,经步骤3.4后,计算在阈值T下纱线图像的总熵值H,如式(8)所示:
H=H0+H1 (8);
步骤3.6,重复步骤3.1至3.5,计算每个阈值T(0≤T≤225),下图像的总熵值,将总熵值最大时的阈值T作为最优阈值,并将纱线图像中灰度级小于最优阈值的所有像素点归为背景区域,将图像中灰度级大于或者等于最优阈值的所有像素点归为目标区域,从而实现纱线图像的分割。
步骤5中,具体步骤如下:
步骤5.1,将纱线图像中的一个像素点作为待检测像素点xi,将待检测像素点xi的邻域半径Eps设为5,将待检测像素点在邻域半径内像素点密度阈值MinPts设为6,得到待检测像素点在邻域半径内像素值为255时的像素点的总个数N(xi);
步骤5.2,若|N(xi)|≥MinPts,则创建一个以待检测像素点xi为核心对象的类,并将待检测像素点xi在邻域半径内的像素点加入到该类中,并对该类中的每个像素点进行标记;若|N(xi)|<MinPts,则将待检测像素点xi标记为噪声,去除;
步骤5.3,重复步骤5.1和5.2,直至将纱线图像中未标记的像素点检测完毕,所得到的类的个数为纱线图像中毛羽的根数,每一类中像素点的总个数乘以每个像素点对应的实际长度为毛羽的长度。
本发明的有益效果是,
本方法在提取毛羽时利用最大熵阈值处理纱线图像,能够最大限度的保留毛羽的完整信息,避免造成毛羽在阈值过程中被分割断开的情况。同时,结合DBSCAN聚类算法统计出毛羽的根数及其每根毛羽的长度,精确度高,误差小。
附图说明
图1是本发明一种基于最大熵与DBSCAN相融合的毛羽检测方法的流程图;
图2是本实施例中待检测的纱线图像a;
图3是本实施例中待检测的纱线图像b;
图4是本实施例中待检测的纱线图像c;
图5是图2经本实施例算法处理后得到的纱线图像;
图6是图3经本实施例算法处理后得到的纱线图像;
图7是图4经本实施例算法处理后得到的纱线图像。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于最大熵与DBSCAN相融合的毛羽检测方法,如图1所示,具体按照以下步骤实施:
步骤1,将待检测的纱线图像缩放至256×256像素,并将其转换为单通道BMP格式;
步骤2,对经步骤1后得到的纱线图像进行双边滤波处理;
具体为:依次将纱线图像中的每一个像素点作为目标像素点,将每个目标像素点坐标记为(i,j),将每个目标像素点邻域内像素点坐标记为(k,l),根据每个目标像素点邻域内像素点的像素值f(k,l),得到滤波后每个目标像素点的像素值g(i,j),如式(1)所示:
式(1)中,ω(i,j,k,l)为加权系数,其计算公式如式(2)所示:
式(2)中,σd和σr均为平滑参数,f(i,j)为滤波前每个目标像素点的像素值;
步骤3,采用最大熵阈值分割纱线图像,具体为:
步骤3.1,经步骤2后,设定阈值T(0≤T≤225),利用纱线图像中灰度级小于阈值T的所有像素点构成拟定背景区域,利用图像中灰度级大于或者等于阈值T的所有像素点构成拟定目标区域,计算拟定背景区域和拟定目标区域中每个像素点的概率密度p(i),如式(3)所示;
式(3)中,ni为像素值为i的像素点数目,N为图像中像素点的总数目;
步骤3.2,经步骤3.1后,计算拟定背景区域中所有像素点的累计概率密度P0(T),如式(4)所示:
步骤3.3,经步骤3.2后,计算拟定目标区域中所有像素点的累计概率密度P1(255-T),如式(5)所示:
步骤3.4,经步骤3.3后,分别计算阈值T下拟定背景区域中像素点的熵值之和H0和拟定目标区域中像素点的熵值之和H1,如式(6)及式(7)所示;
步骤3.5,经步骤3.4后,计算在阈值T下纱线图像的总熵值H,如式(8)所示:
H=H0+H1 (8);
步骤3.6,重复步骤3.1至3.5,计算每个阈值T(0≤T≤225)(即所有阈值T)下图像的总熵值,将总熵值最大时的阈值T作为最优阈值,并将纱线图像中灰度级小于最优阈值的所有像素点归为背景区域(像素点的像素值均为0),将图像中灰度级大于或者等于最优阈值的所有像素点归为目标区域(像素点的像素值均为255),从而实现纱线图像的分割;
步骤4,经步骤3后,利用开运算(卷积核大小为5×5)处理经过最优阈值处理后的纱线图像,提取纱线条干,再对纱线条干进行膨胀,利用最优阈值处理后的纱线减去膨胀后的纱线条干,得到纱线毛羽,最后,对纱线毛羽进行细化,得到细化后的纱线图像;
其中,膨胀的目的是去除纱线条干周围无害细小毛羽对结果造成的影响;
步骤5,采用密度聚类算法(DBSCAN))对细化后的纱线图像的毛羽进行处理,得到毛羽根数及长度,具体步骤如下:
步骤5.1,将纱线图像中的一个像素点作为待检测像素点xi,将待检测像素点xi的邻域半径Eps设为5,将待检测像素点在邻域半径内像素点密度阈值MinPts设为6,得到待检测像素点在邻域半径内像素值为255时的像素点的总个数N(xi);
步骤5.2,若|N(xi)|≥MinPts,则创建一个以待检测像素点xi为核心对象的类,并将待检测像素点xi在邻域半径内的像素点加入到该类中,并对该类中的每个像素点进行标记;若|N(xi)|<MinPts,则将待检测像素点xi标记为噪声,去除;
步骤5.3,重复步骤5.1和5.2,直至将纱线图像中未标记的像素点检测完毕,所得到的类的个数为纱线图像中毛羽的根数,每一类中像素点的总个数乘以每个像素点对应的实际长度为毛羽的长度。
本方法在提取毛羽时利用最大熵阈值处理纱线图像,能够最大限度的保留毛羽的完整信息,避免造成毛羽在阈值过程中被分割断开的情况。同时,结合DBSCAN聚类算法统计出毛羽的根数及其每根毛羽的长度,精确度高,误差小。
实施例
一种基于最大熵与DBSCAN相融合的毛羽检测方法,具体按照以下步骤实施:
步骤1,将待检测的纱线图像缩放至256×256像素,并将其转换为单通道BMP格式;
步骤2,对经步骤1后得到的纱线图像进行双边滤波处理;
具体为:依次将纱线图像中的每一个像素点作为目标像素点,将每个目标像素点坐标记为(i,j),将每个目标像素点邻域内像素点坐标记为(k,l),根据每个目标像素点邻域内像素点的像素值f(k,l),得到滤波后每个目标像素点的像素值g(i,j),如式(1)所示:
式(1)中,ω(i,j,k,l)为加权系数,其计算公式如式(2)所示:
式(2)中,σd和σr均为平滑参数,f(i,j)为滤波前每个目标像素点的像素值;
步骤3,采用最大熵阈值分割纱线图像,具体为:
步骤3.1,经步骤2后,设定阈值T(0≤T≤225),利用纱线图像中灰度级小于阈值T的所有像素点构成拟定背景区域,利用图像中灰度级大于或者等于阈值T的所有像素点构成拟定目标区域,计算拟定背景区域和拟定目标区域中每个像素点的概率密度p(i),如式(3)所示;
式(3)中,ni为像素值为i的像素点数目,N为图像中像素点的总数目;
步骤3.2,经步骤3.1后,计算拟定背景区域中所有像素点的累计概率密度P0(T),如式(4)所示:
步骤3.3,经步骤3.2后,计算拟定目标区域中所有像素点的累计概率密度P1(255-T),如式(5)所示:
步骤3.4,经步骤3.3后,分别计算阈值T下拟定背景区域中像素点的熵值之和H0和拟定目标区域中像素点的熵值之和H1,如式(6)及式(7)所示;
步骤3.5,经步骤3.4后,计算在阈值T下纱线图像的总熵值H,如式(8)所示:
H=H0+H1 (8);
步骤3.6,重复步骤3.1至3.5,计算每个阈值T(0≤T≤225),下图像的总熵值,将总熵值最大时的阈值T作为最优阈值,并将纱线图像中灰度级小于最优阈值的所有像素点归为背景区域,将图像中灰度级大于或者等于最优阈值的所有像素点归为目标区域,从而实现纱线图像的分割;
步骤4,经步骤3后,利用开运算(卷积核大小为5×5)处理经过最优阈值处理后的纱线图像,提取纱线条干,再对纱线条干进行膨胀,利用最优阈值处理后的纱线减去膨胀后的纱线条干,得到纱线毛羽,最后,对纱线毛羽进行细化,得到细化后的纱线图像;
步骤5,采用密度聚类算法(DBSCAN))对细化后的纱线图像的毛羽进行处理,得到毛羽根数及长度,具体步骤如下:
步骤5.1,将纱线图像中的一个像素点作为待检测像素点xi,将待检测像素点xi的邻域半径Eps设为5,将待检测像素点在邻域半径内像素点密度阈值MinPts设为6,得到待检测像素点在邻域半径内像素值为255时的像素点的总个数N(xi);
步骤5.2,若|N(xi)|≥MinPts,则创建一个以待检测像素点xi为核心对象的类,并将待检测像素点xi在邻域半径内的像素点加入到该类中,并对该类中的每个像素点进行标记;若|N(xi)|<MinPts,则将待检测像素点xi标记为噪声,去除;
步骤5.3,重复步骤5.1和5.2,直至将纱线图像中未标记的像素点检测完毕,所得到的类的个数为纱线图像中毛羽的根数,每一类中像素点的总个数乘以每个像素点对应的实际长度为毛羽的长度。
采用本方法分别检测图1、图2及图3中的毛羽,其检测处理后的结果分别如图5、图6及图7所示,最终得到的毛羽检测结果如表1所示;
表1 本实施例中毛羽检测结果
由表1可知,本算法的检测精度高于传统的检测方法,不仅能够检测出毛羽根数(只检测大于1mm,小于1mm属无害毛羽,可忽略不计),而且也能够计算出每根毛羽的长度。检测的毛羽长度与目测法检测毛羽的长度进行了比较。两者误差很小,从而证明本算法具有可行性。
Claims (3)
1.一种基于最大熵与DBSCAN相融合的毛羽检测方法,其特征在于,具体按照以下步骤实施:
步骤1,将待检测的纱线图像缩放至256×256像素,并将其转换为单通道BMP格式;
步骤2,对经步骤1后得到的纱线图像进行双边滤波处理;
步骤3,采用最大熵阈值分割纱线图像;具体步骤如下:
步骤3.1,经步骤2后,设定阈值T(0≤T≤225),利用纱线图像中灰度级小于阈值T的所有像素点构成拟定背景区域,利用图像中灰度级大于或者等于阈值T的所有像素点构成拟定目标区域,计算拟定背景区域和拟定目标区域中每个像素点的概率密度p(i),如式(3)所示;
式(3)中,ni为像素值为i的像素点数目,N为图像中像素点的总数目;
步骤3.2,经步骤3.1后,计算拟定背景区域中所有像素点的累计概率密度P0(T),如式(4)所示:
步骤3.3,经步骤3.2后,计算拟定目标区域中所有像素点的累计概率密度P1(255-T),如式(5)所示:
步骤3.4,经步骤3.3后,分别计算阈值T下拟定背景区域中像素点的熵值之和H0和拟定目标区域中像素点的熵值之和H1,如式(6)及式(7)所示;
步骤3.5,经步骤3.4后,计算在阈值T下纱线图像的总熵值H,如式(8)所示:
H=H0+H1 (8);
步骤3.6,重复步骤3.1至3.5,计算每个阈值T(0≤T≤225),下图像的总熵值,将总熵值最大时的阈值T作为最优阈值,并将纱线图像中灰度级小于最优阈值的所有像素点归为背景区域,将图像中灰度级大于或者等于最优阈值的所有像素点归为目标区域,从而实现纱线图像的分割;
步骤4,经步骤3后,利用开运算处理经过最优阈值处理后的纱线图像,提取纱线条干,再对纱线条干进行膨胀,利用最优阈值处理后的纱线减去膨胀后的纱线条干,得到纱线毛羽,最后,对纱线毛羽进行细化,得到细化后的纱线图像;
步骤5,采用密度聚类算法对细化后的纱线图像的毛羽进行处理,得到毛羽根数及长度;具体步骤如下:
步骤5.1,将纱线图像中的一个像素点作为待检测像素点xi,将待检测像素点xi的邻域半径Eps设为5,将待检测像素点在邻域半径内像素点密度阈值MinPts设为6,得到待检测像素点在邻域半径内像素值为255时的像素点的总个数N(xi);
步骤5.2,若|N(xi)|≥MinPts,则创建一个以待检测像素点xi为核心对象的类,并将待检测像素点xi在邻域半径内的像素点加入到该类中,并对该类中的每个像素点进行标记;若|N(xi)|<MinPts,则将待检测像素点xi标记为噪声,去除;
步骤5.3,重复步骤5.1和5.2,直至将纱线图像中未标记的像素点检测完毕,所得到的类的个数为纱线图像中毛羽的根数,每一类中像素点的总个数乘以每个像素点对应的实际长度为毛羽的长度。
2.根据权利要求1所述一种基于最大熵与DBSCAN相融合的毛羽检测方法,其特征在于,所述步骤2具体为:依次将纱线图像中的每一个像素点作为目标像素点,将每个目标像素点坐标记为(i,j),将每个目标像素点邻域内像素点坐标记为(k,l),根据每个目标像素点邻域内像素点的像素值f(k,l),得到滤波后每个目标像素点的像素值g(i,j),如式(1)所示:
式(1)中,ω(i,j,k,l)为加权系数。
3.根据权利要求2所述一种基于最大熵与DBSCAN相融合的毛羽检测方法,其特征在于,所述加权系数ω(i,j,k,l)的计算公式,如式(2)所示:
式(2)中,σd和σr均为平滑参数,f(i,j)为滤波前每个目标像素点的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811149030.3A CN109272503B (zh) | 2018-09-29 | 2018-09-29 | 一种基于最大熵与dbscan相融合的毛羽检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811149030.3A CN109272503B (zh) | 2018-09-29 | 2018-09-29 | 一种基于最大熵与dbscan相融合的毛羽检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272503A CN109272503A (zh) | 2019-01-25 |
CN109272503B true CN109272503B (zh) | 2019-11-19 |
Family
ID=65194831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811149030.3A Active CN109272503B (zh) | 2018-09-29 | 2018-09-29 | 一种基于最大熵与dbscan相融合的毛羽检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272503B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340759B (zh) * | 2020-02-17 | 2024-04-05 | 江南大学 | 一种纱线三维模型的外观检测方法 |
CN112150445B (zh) * | 2020-09-27 | 2023-12-15 | 西安工程大学 | 基于贝叶斯阈值的纱线毛羽检测方法 |
CN113638104B (zh) * | 2021-10-14 | 2022-02-08 | 海门市恒昌织带有限公司 | 一种络筒机智能清纱控制方法及系统 |
CN115082656B (zh) * | 2022-08-23 | 2022-11-25 | 江苏万喜登家居科技有限公司 | 纺纱过程中纱线毛羽损伤识别方法及数据处理系统 |
CN115082489B (zh) * | 2022-08-23 | 2022-11-25 | 江苏永银化纤有限公司 | 一种有色丝评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102840835A (zh) * | 2012-07-06 | 2012-12-26 | 西安电子科技大学 | 基于欧氏距离和图像分块的羊毛直径检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103067741A (zh) * | 2013-01-24 | 2013-04-24 | 浙江理工大学 | 一种基于多特征融合的抖动检测算法 |
CN103226820B (zh) * | 2013-04-17 | 2016-01-20 | 南京理工大学 | 改进的二维最大熵分割夜视图像融合目标检测算法 |
CN103338336B (zh) * | 2013-07-03 | 2016-09-21 | 国家电网公司 | 一种架空输电线路通道烟火预警的视频检测方法 |
CN104036529A (zh) * | 2014-06-10 | 2014-09-10 | 浙江工业大学之江学院 | 一种刺绣织物意匠颜色的图像分析方法 |
CN107729907A (zh) * | 2016-08-12 | 2018-02-23 | 南京理工大学 | 一种基于红外热成像系统的故障识别方法 |
CN107515220B (zh) * | 2017-08-02 | 2020-11-03 | 江南大学 | 一种基于图像处理的纱线黑板毛羽量检测及评价方法 |
CN108038858A (zh) * | 2017-12-26 | 2018-05-15 | 青岛大学 | 用于纺织领域机器视觉系统中纱线管上纱线量的识别方法 |
CN108280823B (zh) * | 2017-12-29 | 2022-04-01 | 南京邮电大学 | 一种工业生产中光缆表面弱边缘瑕疵的检测方法及系统 |
-
2018
- 2018-09-29 CN CN201811149030.3A patent/CN109272503B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102840835A (zh) * | 2012-07-06 | 2012-12-26 | 西安电子科技大学 | 基于欧氏距离和图像分块的羊毛直径检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109272503A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272503B (zh) | 一种基于最大熵与dbscan相融合的毛羽检测方法 | |
CN104021561B (zh) | 基于小波变换及形态学运算的织物起毛起球图像分割方法 | |
CN105374015A (zh) | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 | |
CN105844278B (zh) | 一种多特征融合的织物扫描图案识别方法 | |
CN104463892B (zh) | 基于水平集及GVF Snake精确定位的菌落图像分割方法 | |
CN108921819A (zh) | 一种基于机器视觉的验布装置及方法 | |
CN106056046B (zh) | 从图像中提取特征的方法和装置 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN106296744A (zh) | 一种结合自适应模型和多阴影属性的运动目标检测方法 | |
CN106529543B (zh) | 一种动态计算多色级二值化自适应阈值的方法及其系统 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN109215010A (zh) | 一种图像质量判断的方法及机器人人脸识别系统 | |
Ying et al. | A study on the method of image pre-processing for recognition of crop diseases | |
CN102024156A (zh) | 彩色人脸图像中的唇部区域定位方法 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN103218833A (zh) | 边缘加强型的彩色空间最稳极值区域检测方法 | |
CN105976309B (zh) | 一种高效且易于并行实现的美颜移动终端 | |
CN103425985B (zh) | 一种人脸抬头纹检测方法 | |
Li et al. | A novel digital method for weave pattern recognition based on photometric differential analysis | |
CN106127763A (zh) | 一种具有广泛适应性的图像二值化方法 | |
CN106778499B (zh) | 一种虹膜采集过程中快速定位人眼虹膜的方法 | |
Zhang et al. | Hand gesture detection and segmentation based on difference background image with complex background | |
Chen et al. | An enhanced adaptive Sobel edge detector based on improved genetic algorithm and non-maximum suppression | |
CN107330864B (zh) | 一种基于改进局部纹理特征的红外图像处理方法 |
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 |