CN109416749B - 一种图像的灰阶分类方法、装置以及可读存储介质 - Google Patents

一种图像的灰阶分类方法、装置以及可读存储介质 Download PDF

Info

Publication number
CN109416749B
CN109416749B CN201780037500.4A CN201780037500A CN109416749B CN 109416749 B CN109416749 B CN 109416749B CN 201780037500 A CN201780037500 A CN 201780037500A CN 109416749 B CN109416749 B CN 109416749B
Authority
CN
China
Prior art keywords
pixels
class
gray
pixel
target
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
Application number
CN201780037500.4A
Other languages
English (en)
Other versions
CN109416749A (zh
Inventor
韩琨
阳光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen A&E Intelligent Technology Institute Co Ltd
Original Assignee
Shenzhen A&E Intelligent Technology Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen A&E Intelligent Technology Institute Co Ltd filed Critical Shenzhen A&E Intelligent Technology Institute Co Ltd
Publication of CN109416749A publication Critical patent/CN109416749A/zh
Application granted granted Critical
Publication of CN109416749B publication Critical patent/CN109416749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种图像的灰阶分类方法、装置以及可读存储介质，其中，所述方法包括：获取待分类的图像；根据所述图像的至少部分像素的灰阶值对所述像素进行预分类得到至少两个目标类和至少一个中间类，按照所述像素的灰阶值排序时，每个所述中间类位于两个所述目标类之间；根据所述中间类中的所述像素的灰阶值和/或位置信息将所述中间类中的所述像素划分至相邻的两个所述目标类中的一个。

Description

一种图像的灰阶分类方法、装置以及可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像的灰阶分类方法、装置以及可读存储介质。
背景技术
在图像处理过程中，通常采用对目标图像的进行分类以达到场景分割、识别等目的，而在实际应用过程中，对于较为复杂的场景，由于图像在实际拍摄过程中会受打光、模糊、噪声等系列问题的干扰而导致无法正确进行灰阶分类。
目前，对于场景中的目标灰阶差异较大的情况下，通常采用二值化方法，针对打光不均匀或其它干扰因素的情况下，可以适用局部动态分类等方法，例如最大类间方差法(OTSU)；对于场景需要多分类的情况下，通常采用聚类算法(例如kmeans)或改进的二值化方法。
本发明人在长期的研究中，发现对于目标灰阶接近分割阈值的像素，使用二值化方法则分类会不精确；而聚类算法具有一定的随机性，不适合精确分类，改进的二值化方法与二值化方法同样存在分类不精确的缺陷。
发明内容
本发明提供一种图像的灰阶分类方法、装置以及可读存储介质，以解决现有技术中对于较为复杂的场景，因受打光、模糊、噪声等系列问题的干扰而不能精确对灰阶进行分类的问题。
为解决现有技术问题，本发明采用的一个技术方案是：提供一种图像的灰阶分类方法，所述方法包括：
获取待分类的图像；
根据所述图像的像素至少部分的灰阶值对所述像素进行预分类得到至少两个目标类和至少一个中间类，按照所述像素的灰阶值排序时，每个所述中间类位于两个所述目标类之间；
根据所述中间类中的所述像素的灰阶值和/或位置信息将所述中间类中的所述像素划分至相邻的两个所述目标类中的一个。
根据本发明一具体实施例，所述根据所述图像的至少部分像素的灰阶值对所述像素进行预分类包括：
使用聚类算法根据所述图像的至少部分像素的灰阶值将所述像素分为m类，所述m类中包括n个所述目标类和m-n个所述中间类，m和n均为整数且n<m≤2n-1。
根据本发明一具体实施例，所述使用聚类算法根据所述图像的至少部分像素的灰阶值将所述像素分为m类之前，所述方法包括：
采用灰度直方图的方式确定所述聚类算法中的初始聚类中心。
根据本发明一具体实施例，所述采用灰度直方图的方式确定聚类算法中的初始聚类中心的步骤，包括：
采用灰度直方图的方式将待分类的所述图像的像素点分为m等份；
计算所有等份中的所有所述像素的平均灰阶值，以作为所述聚类算法中的初始聚类中心。
根据本发明一具体实施例，所述采用灰度直方图的方式确定所述聚类算法中的初始聚类中心的步骤之前，所述方法还包括：
对所述图像的所有像素进行平滑处理。
根据本发明一具体实施例，所述根据所述中间类中的所述像素的灰阶值将所述中间类中的所述像素划分至相邻的两个所述目标类中的一个包括：
将所述中间类的所述像素划分至相邻的两个所述目标类中聚类中心与所述中间类的所述像素的灰阶值差值更小的一个。
根据本发明一具体实施例，所述相邻的两个所述目标类包括第一目标类和第二目标类，所述根据所述中间类中的所述像素的灰阶值和位置信息将所述中间类中的所述像素划分至相邻的两个所述目标类中的一个包括：
若所述中间类中的所述像素的所述灰阶值与所述第一目标类的聚类中心的差值小于与所述第二目标类的聚类中心的差值，且所述中间类中的所述像素的邻域像素中属于所述第一目标类的数量大于属于所述第二目标类的数量，则将所述中间类中的所述像素划分至所述第一目标类；
若所述中间类中的所述像素的所述灰阶值与所述第二目标类的聚类中心的差值小于与所述第一目标类的聚类中心的差值，且所述中间类中的所述像素的邻域像素中属于所述第二目标类的数量大于属于所述第一目标类的数量，则将所述中间类中的所述像素划分至所述第二目标类；
否则判定所述中间类中的所述像素为孤立像素点。
根据本发明一具体实施例，所述判定所述中间类中的所述像素为孤立像素点之后进一步包括：
对所述孤立像素点进行平滑之后再划分至相邻的两个所述目标类中的一个。
根据本发明一具体实施例，所述像素的邻域像素包括所述像素的邻域中的除所述像素之外的其他像素。
根据本发明一具体实施例，所述像素的邻域为以所述像素为中心的M*N大小的窗口，其中M和N为预设值，且为大于1的整数。
根据本发明一具体实施例，所述像素的邻域是根据边缘信息划分的。
为解决现有技术问题，本发明采用的另一个技术方案是：提供一种图像的灰阶分类装置，包括至少一个处理器，单独或协同工作，所述处理器用于执行指令以实现上述所述的方法。
为解决现有技术问题，本发明采用的又一个技术方案是：提供一种可读存储介质，存储有指令，所述指令被执行时实现上述所述的方法。
区别于现有技术的情况，本发明提供的图像的灰阶分类方法先进行预分类，再根据预分类的结果将中间类的像素精确分类至目标类中，从而能够有效提高分类的精确度，且打光不均匀，噪声等问题将分类方法局部使用也可解决问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本发明图像的灰阶分类方法一实施方式的流程示意图；
图2是本发明图像的灰阶分类方法另一实施方式的流程示意图；
图3是本发明图像灰阶分类装置一实施方式的结构示意图；
图4是本发明可读存储介质实施方式的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施方式提供的图像灰阶分类方法的步骤流程示意图。本发明实施方式提供的图像的灰阶分类方法能用于较为复杂的场景，使得在进行灰阶分类时，不受打光、模糊、噪声等系列问题的干扰而正确进行灰阶分类。方法包括：
步骤S101，获取待分类的图像。
可以理解，该待分类的图像可以是一个完整图像，也可以是从完整的图像截取下来的局部图像，例如，将待处理的完整的图像划分为多个窗口，选取其中至少一个窗口的局部图像作为待分类的图像。
步骤S102，根据图像的至少部分像素的灰阶值对像素进行预分类得到至少两个目标类和至少一个中间类，按照像素的灰阶值排序时，每个中间类位于两个目标类之间。
在一实施方式中，根据图像的至少部分像素的灰阶值对像素进行预分类包括：
使用聚类算法根据图像的至少部分像素的灰阶值将像素分为m类，m类中包括n个目标类和m-n个中间类，m和n均为整数且n<m≤2n-1。例如m取值为5时，可以包括3个目标类和2个中间类，也可以包括4个目标类和1个中间类。
可以理解，目标类和中间类的数量可以根据需求进行相应的调整，可以每两个目标类中均设有一中间类，也可以在任意两个目标类中夹设一中间类，其中，中间类中的像素将划分至与其相邻的两个目标类中的一个，详细划分方法下文介绍。
本实施例中，聚类算法指的是k-means算法，当然，在其它实施方式中，聚类算法可以是其它算法，比如k-medoids算法等。
步骤S103，根据中间类中的像素的灰阶值和/或位置信息将中间类中的像素划分至相邻的两个目标类中的一个。
例如，m取值为3，n取值为2，即根据像素的灰阶值的大小将待分类的图像的像素点分为三类，分别为第一类、第二类、第三类，其中，第一类及第三类为目标类，而第二类为中间类，此时，则根据第二类中的像素的灰阶值或/和像素点的位置信息将第二类中的像素归类至第一类或第三类。
又如，m取值为5时，n取值为4，则根据像素的灰阶值的大小将待分类的图像的像素点分为五类，分别为第一类、第二类、第三类、第四类以及第五类，其中，第一类、第二类、第三类以及第五类为目标类，第四类为中间类时，则根据第四类中的像素的灰阶值或/和像素点的位置信息将第四类中的像素归类至第三类或第五类，而第一类及第二类则保持为原有的像素。
可以理解，中间类的选择可以根据相应的情况进行选择。
可以理解，先将图像的像素的灰阶值通过聚类算法进行预分类，使得同一类中的像素的灰阶值的大小相差较小，而不同类中的像素的灰阶值的大小相差较大，再通过将中间类的像素进行精确分类，从而使得像素的灰阶值分类的更为精确。
在本发明一实施方式中，根据中间类中的像素的灰阶值将中间类中的像素划分至相邻的两个目标类中的一个包括：将中间类的像素划分至相邻的两个目标类中聚类中心与中间类的像素的灰阶值差值更小的一个。
其中，聚类算法是将图像的所有像素划分为多个聚类，同一聚类中的像素的灰阶值相近度较高，而不同聚类中的像素的灰阶值的相近度较小。本实施方式中，聚类中心可以是聚类中的像素的灰阶值的平均值。
在本发明另一实施方式中，相邻的两个目标类包括第一目标类和第二目标类，根据中间类中的像素的灰阶值和位置信息将中间类中的像素划分至相邻的两个目标类中的一个包括：
若中间类中的像素的灰阶值与第一目标类的聚类中心的差值小于与第二目标类的聚类中心的差值，且中间类中的像素的邻域像素中属于第一目标类的数量大于属于第二目标类的数量，则将中间类中的像素划分至第一目标类；
若中间类中的像素的灰阶值与第二目标类的聚类中心的差值小于与第一目标类的聚类中心的差值，且中间类中的像素的邻域像素中属于第二目标类的数量大于属于第一目标类的数量，则将中间类中的像素划分至第二目标类；
否则判定中间类中的像素为孤立像素点。
其中，像素的邻域像素包括像素的邻域中的除像素之外的其他像素，像素的邻域为以像素为中心的M*N大小的窗口，其中M和N为预设值，且为大于1的整数。像素的邻域也可以是根据边缘信息划分的。
本实施方式中，位置信息具体是指邻域像素的分类信息，即邻域像素属于第一目标类的数量和属于第二目标类的数量。
可以理解，结合像素的灰阶值以及位置信息进行分类，可以确保待分类的像素周围所有方向上包含的边缘信息，从而进一步提高分类的精确度。
在本发明一实施方式中，判定中间类中的像素为孤立像素点之后进一步包括：
对孤立像素点进行平滑之后再划分至相邻的两个目标类中的一个。
其中，平滑处理可以是均值滤波、中值滤波、高斯滤波或者双边滤波中的一种。
可以理解，孤立像素点进行平滑后，可以根据孤立像素的灰阶值进行划分，也可以根据孤立像素的灰阶值和该孤立像素点的位置信息进行划分。
可以理解，对孤立像素点进行平滑处理，可以有效解决该待分类的像素打光不均匀、噪声等问题，从而该孤立像素点再次进行分类时更为精确。
在本发明一实施方式中，使用聚类算法根据图像的至少部分像素的灰阶值将像素分为m类之前，方法包括：
采用灰度直方图的方式确定聚类算法中的初始聚类中心。
请参阅图2，采用灰度直方图的方式确定聚类算法中的初始聚类中心的步骤，包括：
步骤S201，采用灰度直方图的方式将待分类的图像的像素点分为m等份；
步骤S202，计算所有等份中的所有像素的平均灰阶值，以作为聚类算法中的初始聚类中心。
可以理解，灰度直方图表示图象中具有每种灰阶值的像素的个数，反映图象中每种灰阶出现的频率，其横坐标表示图像中各个像素的灰阶值，纵坐标表示各个灰阶值上图像各个像素点出现的频率。通常在聚类算法中，初始聚类中心是任意选取的，而本实施方式通过采用灰度直方图的方式将像素分为m等份，且可以将每一等份中的平均灰阶值作为聚类算法中的初始聚类中心，与任意选择初始聚类中心相比，采用灰度直方图的方式确定聚类算法中的初始聚类中心能有效提高分类的精确度。
在本发明一实施方式中，采用灰度直方图的方式确定聚类算法中的初始聚类中心的步骤之前，方法还包括：
对图像的所有像素进行平滑处理。
可以理解，在对图像的像素进行预分类前，对所有像素进行平滑处理，在后续进行分类时，能够解决该图像中的所有像素打光不均匀、噪声等问题，从而有效提高分类的精确度。
请参阅图3，本发明图像的灰阶分类装置一实施方式包括：处理器110。图中只画出了一个处理器110，实际数量可以更多。处理器110可以单独或者协同工作。
处理器110控制对图像的灰阶分类的操作，处理器110还可以称为CPU(CentralProcessing Unit，中央处理单元)。处理器110可能是一种集成电路芯片，具有信号序列的处理能力。处理器110还可以是通用处理器、数字信号序列处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
处理器110用于执行指令以实现本发明图像的灰阶分类方法。
请参阅图4，本发明可读存储介质一实施方式包括存储器310，存储器310存储有指令，该指令被执行时实现本发明图像的灰阶分类方法。
存储器310可以包括只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、闪存(Flash Memory)、硬盘、光盘等。
区别于现有技术，本发明实施方式提供的灰阶分类方法先进行预分类，再根据预分类的结果将中间类的像素精确分类至目标类中，从而能够有效提高分类的精确度，且打光不均匀，噪声等问题将分类方法局部使用也可解决问题。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种图像的灰阶分类方法，其特征在于，所述方法包括：
获取待分类的图像；
根据所述图像的至少部分像素的灰阶值对所述像素进行预分类得到至少两个目标类和至少一个中间类，按照所述像素的灰阶值排序时，每个所述中间类位于两个所述目标类之间；
根据所述中间类中的所述像素的灰阶值和/或位置信息将所述中间类中的所述像素划分至相邻的两个所述目标类中的一个；
所述相邻的两个所述目标类包括第一目标类和第二目标类，所述根据所述中间类中的所述像素的灰阶值和位置信息将所述中间类中的所述像素划分至相邻的两个所述目标类中的一个包括：
若所述中间类中的所述像素的所述灰阶值与所述第一目标类的聚类中心的差值小于与所述第二目标类的聚类中心的差值，且所述中间类中的所述像素的邻域像素中属于所述第一目标类的数量大于属于所述第二目标类的数量，则将所述中间类中的所述像素划分至所述第一目标类；
若所述中间类中的所述像素的所述灰阶值与所述第二目标类的聚类中心的差值小于与所述第一目标类的聚类中心的差值，且所述中间类中的所述像素的邻域像素中属于所述第二目标类的数量大于属于所述第一目标类的数量，则将所述中间类中的所述像素划分至所述第二目标类；
否则判定所述中间类中的所述像素为孤立像素点。
2.根据权利要求1所述的方法，其特征在于，
所述根据所述图像的至少部分像素的灰阶值对所述像素进行预分类包括：
使用聚类算法根据所述图像的至少部分像素的灰阶值将所述像素分为m类，所述m类中包括n个所述目标类和m-n个所述中间类，m和n均为整数且n<m≤2n-1。
3.根据权利要求2所述的方法，其特征在于，所述使用聚类算法根据所述图像的至少部分像素的灰阶值将所述像素分为m类之前，所述方法包括：
采用灰度直方图的方式确定所述聚类算法中的初始聚类中心。
4.根据权利要求3所述的方法，其特征在于，所述采用灰度直方图的方式确定聚类算法中的初始聚类中心的步骤，包括：
采用灰度直方图的方式将待分类的所述图像的像素点分为m等份；
计算所有等份中的所有所述像素的平均灰阶值，以作为所述聚类算法中的初始聚类中心。
5.根据权利要求3所述的方法，其特征在于，所述采用灰度直方图的方式确定所述聚类算法中的初始聚类中心的步骤之前，所述方法还包括：
对所述图像的所有像素进行平滑处理。
6.根据权利要求1所述的方法，其特征在于，所述根据所述中间类中的所述像素的灰阶值将所述中间类中的所述像素划分至相邻的两个所述目标类中的一个包括：
将所述中间类的所述像素划分至相邻的两个所述目标类中聚类中心与所述中间类的所述像素的灰阶值差值更小的一个。
7.根据权利要求1所述的方法，其特征在于，所述判定所述中间类中的所述像素为孤立像素点之后进一步包括：
对所述孤立像素点进行平滑之后再划分至相邻的两个所述目标类中的一个。
8.根据权利要求1所述的方法，其特征在于，
所述像素的邻域像素包括所述像素的邻域中的除所述像素之外的其他像素。
9.根据权利要求8所述的方法，其特征在于，
所述像素的邻域为以所述像素为中心的M*N大小的窗口，其中M和N为预设值，且为大于1的整数。
10.根据权利要求8所述的方法，其特征在于，
所述像素的邻域是根据边缘信息划分的。
11.一种图像的灰阶分类装置，其特征在于，包括至少一个处理器，单独或协同工作，所述处理器用于执行指令以实现如权利要求1-10中任一项所述的方法。
12.一种可读存储介质，存储有指令，其特征在于，所述指令被执行时实现如权利要求1-10中任一项所述的方法。
CN201780037500.4A 2017-11-30 2017-11-30 一种图像的灰阶分类方法、装置以及可读存储介质 Active CN109416749B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/113901 WO2019104627A1 (zh) 2017-11-30 2017-11-30 一种图像的灰阶分类方法、装置以及可读存储介质

Publications (2)

Publication Number Publication Date
CN109416749A CN109416749A (zh) 2019-03-01
CN109416749B true CN109416749B (zh) 2022-04-15

Family

ID=65463036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780037500.4A Active CN109416749B (zh) 2017-11-30 2017-11-30 一种图像的灰阶分类方法、装置以及可读存储介质

Country Status (2)

Country Link
CN (1) CN109416749B (zh)
WO (1) WO2019104627A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI723460B (zh) * 2019-07-12 2021-04-01 環球晶圓股份有限公司 片材之數量計算方法
CN111161221B (zh) * 2019-12-13 2023-09-26 深圳市瑞沃德生命科技有限公司 一种聚焦评价方法、装置及系统
CN113382246B (zh) * 2021-04-20 2024-03-01 浙江大华技术股份有限公司 编码方法、装置、电子设备及计算机可读存储介质
CN115797472B (zh) * 2023-02-03 2023-05-12 山东百成新材料科技股份有限公司 一种改性沥青生产用智能筛分方法
CN115829883B (zh) * 2023-02-16 2023-06-16 汶上县恒安钢结构有限公司 一种异性金属结构件表面图像去噪方法
CN116385446B (zh) * 2023-06-06 2023-08-15 山东德圣源新材料有限公司 一种用于勃姆石生产的晶体杂质检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102903127A (zh) * 2012-09-05 2013-01-30 天津光电高斯通信工程技术有限公司 一种基于自适应种子选取的货运图像分割算法
CN103034858A (zh) * 2012-11-30 2013-04-10 宁波大学 一种卫星云图的二次聚类分割方法
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
WO2016075096A1 (en) * 2014-11-10 2016-05-19 Ventana Medical Systems, Inc. Classifying nuclei in histology images
CN105913040A (zh) * 2016-04-27 2016-08-31 重庆邮电大学 暗视觉条件下的双摄像头实时行人检测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473786B (zh) * 2013-10-13 2017-01-18 西安电子科技大学 基于多目标模糊聚类的灰度图像分割方法
US9430704B2 (en) * 2015-01-16 2016-08-30 Sony Corporation Image processing system with layout analysis and method of operation thereof
US9652829B2 (en) * 2015-01-22 2017-05-16 Samsung Electronics Co., Ltd. Video super-resolution by fast video segmentation for boundary accuracy control

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102903127A (zh) * 2012-09-05 2013-01-30 天津光电高斯通信工程技术有限公司 一种基于自适应种子选取的货运图像分割算法
CN103034858A (zh) * 2012-11-30 2013-04-10 宁波大学 一种卫星云图的二次聚类分割方法
WO2016075096A1 (en) * 2014-11-10 2016-05-19 Ventana Medical Systems, Inc. Classifying nuclei in histology images
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
CN105913040A (zh) * 2016-04-27 2016-08-31 重庆邮电大学 暗视觉条件下的双摄像头实时行人检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
结合k-means的自动FCM图像分割方法;刘万军等;《计算机工程与应用》;20150831;第51卷(第16期);摘要、第1-5节，图2 *

Also Published As

Publication number Publication date
WO2019104627A1 (zh) 2019-06-06
CN109416749A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109416749B (zh) 一种图像的灰阶分类方法、装置以及可读存储介质
US9600746B2 (en) Image processing apparatus and image processing method
CN110796154B (zh) 一种训练物体检测模型的方法、装置以及设备
CN109242853B (zh) 一种基于图像处理的pcb缺陷智能检测方法
JP5521164B2 (ja) 連続して存在する英数字を識別するための画像処理システムおよびその方法
US10043090B2 (en) Information processing device, information processing method, computer-readable recording medium, and inspection system
JP2016505186A (ja) エッジ保存・ノイズ抑制機能を有するイメージプロセッサ
US10169673B2 (en) Region-of-interest detection apparatus, region-of-interest detection method, and recording medium
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN111383191B (zh) 用于血管断裂修复的图像处理方法及装置
JP2017204276A (ja) 目標物体の検出装置及び方法
CN104657972A (zh) 一种图像块的模糊度判断方法及系统
US9916663B2 (en) Image processing method and process simulation apparatus
CN109871779B (zh) 掌纹识别的方法及电子设备
Chang et al. An efficient thresholding algorithm for degraded document images based on intelligent block detection
CN116051590A (zh) 一种图像的云天分割方法、终端设备及存储介质
CN105701807B (zh) 一种基于投票策略的图像分割方法
KR102263573B1 (ko) 하알 대조 특징을 이용한 카메라 영상의 대상물 검출 방법
CN114529570A (zh) 图像分割方法、图像识别方法、用户凭证补办方法及系统
US11055852B2 (en) Fast automatic trimap generation and optimization for segmentation refinement
CN109166080A (zh) 阴影的消除方法、装置和存储介质
CN104867152B (zh) 自适应文本图像的分割方法
CN110309728B (zh) 停车线检测方法和装置
CN114240988B (zh) 一种基于非线性尺度空间的图像分割方法
CN112347899B (zh) 一种运动目标图像提取方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information

Address after: 518063 23 Floor (Room 2303-2306) of Desai Science and Technology Building, Yuehai Street High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen AANDE Intelligent Technology Research Institute Co., Ltd.

Address before: 518104 Shajing Industrial Co., Ltd. No. 3 Industrial Zone, Hexiang Road, Shajing Street, Baoan District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen AANDE Intelligent Technology Research Institute Co., Ltd.

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant