CN109543531B - 一种纤维提取和纤维视觉矫正的方法 - Google Patents
一种纤维提取和纤维视觉矫正的方法 Download PDFInfo
- Publication number
- CN109543531B CN109543531B CN201811223915.3A CN201811223915A CN109543531B CN 109543531 B CN109543531 B CN 109543531B CN 201811223915 A CN201811223915 A CN 201811223915A CN 109543531 B CN109543531 B CN 109543531B
- Authority
- CN
- China
- Prior art keywords
- fiber
- skeleton
- detected
- image
- vision correction
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种纤维提取和纤维视觉矫正的方法,包括:从若干焦点堆栈图像中选择出清晰图像;选取每一组清晰图像中的对应像素,并融合输出加权图像;得到加权图像的二值图像;识别二值图像中的待测纤维;为每一待测纤维建立掩膜;针对每一待测纤维,对掩膜执行腐蚀算法,直至保留1像素宽的骨架;从若干骨架中提取不具有短枝的骨架;收集不具有短枝的骨架的坐标并排序;建立一坐标集,将不具有短枝的骨架分别映射至坐标集以使骨架由曲线转变为直线,并将待测纤维的像素点重新定位到所述骨架上。本发明通过图像处理、骨架化、坐标映射等方法,将待测纤维从高分辨率图像中的纤维提取并拉直,以供计算机进行识别、分类。
Description
技术领域
本发明涉及纤维分类的技术领域,尤其涉及一种纤维提取和纤维视觉矫正的方法。
背景技术
目前的天然纤维分类工作流程受到ISO标准和扩展的中国标准的严格监管。为了区分一种天然纤维与另一种天然纤维的来源(例如来自羊毛的绒或来自牦牛的绒),其步骤的顺序通常由人类专家进行图像采集、测量纤维直径、并识别鳞片的全部排列来进行。这是一项耗时的任务,需要专家的专业知识和奉献精神。特别是对于纤维混合物,需要以更高的精度进行识别。
一些高质量的纤维仅通过光学显微镜难以区分,因此需要使用扫描电子显微镜(SEM),并咨询相应的专家以得出确定的答案,这需要更长的时间
实际上,目前已出现采用视觉进行天然纤维分类的方法,但是利用高分辨率的扫描电子显微图像对天然纤维进行分类的方法亟待开发。
发明内容
有鉴于此,本发明的目的在于提供一种纤维提取和纤维视觉矫正的方法。
为了实现上述目的,本发明采取的技术方案为:
一种纤维提取和纤维视觉矫正的方法,其中,包括:
步骤S1:提供待测纤维的若干焦点堆栈图像,并从若干所述焦点堆栈图像中选择出若干清晰图像,若干所述清晰图像中位置相同的像素为对应像素;
步骤S2:选取每一所述清晰图像中的对应像素,计算每一所述对应像素中的最大值和最小值的加权和,并融合输出加权图像;
步骤S3:对所述加权图像进行二值化,得到二值图像;
步骤S4;识别所述二值图像中的所述待测纤维;
步骤S5:为所述二值图像中的每一所述待测纤维建立掩膜;
步骤S6:针对每一所述待测纤维,对所述掩膜执行腐蚀算法,直至保留1像素宽的骨架;
步骤S7:从若干所述骨架中提取不具有短枝的骨架;
步骤S8:收集不具有所述短枝的所述骨架的坐标并排序;
步骤S9:建立一坐标集,将不具有短枝的所述骨架分别映射至所述坐标集以使所述骨架由曲线转变为直线,并根据所述待测纤维的像素点与所述骨架之间的坐标关系,将所述待测纤维的像素点重新定位到所述骨架上,形成拉直的纤维图像。
上述的纤维提取和纤维视觉矫正的方法,其中,在所述步骤S1中,计算若干所述焦点堆栈图像的二阶导数的总方差,并根据所述焦点堆栈图像的二阶导数的总方差中的最小值选择出所述清晰图像。
上述的纤维提取和纤维视觉矫正的方法,其中,在所述步骤S2中,采用OTSU算法对所述加权图像进行二值化。
上述的纤维提取和纤维视觉矫正的方法,其中,在所述步骤S4中,通过判断边界是否满足面积的标准、纵横比的标准和/或边界至骨架的距离的标准以识别所述待测纤维。
上述的纤维提取和纤维视觉矫正的方法,其中,在所述步骤S5中,反转所述二值图像并对反转的所述二值图像进行膨胀算法,以对提取的每一所述待测纤维建立所述掩膜。
上述的纤维提取和纤维视觉矫正的方法,其中,在所述步骤S7中,通过设定所述腐蚀算法的腐蚀距离的阈值去除所述短枝,以提取不具有所述短枝的所述骨架。
上述的纤维提取和纤维视觉矫正的方法,其中,在所述步骤S7中,通过仅选取长枝,以提取不具有所述短枝的骨架。
上述的纤维提取和纤维视觉矫正的方法,其中,在所述步骤S8中,根据所述骨架的图像的连通性收集所述骨架的坐标并排序。
上述的纤维提取和纤维视觉矫正的方法,其中,在所述步骤S9中,所述坐标集内的坐标为所述待测纤维的像素点和所述骨架之间的最小距离矢量。
本发明由于采用了上述技术,使之与现有技术相比具有的积极效果是:
(1)本发明通过图像处理、骨架化、坐标映射等方法,将待测纤维从高分辨率图像中的纤维提取并拉直,以供计算机进行识别、分类。
附图说明
图1是本发明的纤维提取和纤维视觉矫正的方法的流程图。
图2是本发明的纤维提取和纤维视觉矫正的方法的步骤S1的示意图。
图3是本发明的纤维提取和纤维视觉矫正的方法的步骤S1的示意图。
图4是本发明的纤维提取和纤维视觉矫正的方法的步骤S2的示意图。
图5是本发明的纤维提取和纤维视觉矫正的方法的步骤S2的示意图。
图6是本发明的纤维提取和纤维视觉矫正的方法的步骤S3的示意图。
图7是本发明的纤维提取和纤维视觉矫正的方法的步骤S4至步骤S7的示意图。
图8是本发明的纤维提取和纤维视觉矫正的方法的步骤S8至步骤S9的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
图1是本发明的纤维提取和纤维视觉矫正的方法的流程图,图2是本发明的纤维提取和纤维视觉矫正的方法的步骤S1的示意图,图3是本发明的纤维提取和纤维视觉矫正的方法的步骤S1的示意图,图4是本发明的纤维提取和纤维视觉矫正的方法的步骤S2的示意图,图5是本发明的纤维提取和纤维视觉矫正的方法的步骤S2的示意图,图6是本发明的纤维提取和纤维视觉矫正的方法的步骤S3的示意图,图7是本发明的纤维提取和纤维视觉矫正的方法的步骤S4至步骤S7的示意图,图8是本发明的纤维提取和纤维视觉矫正的方法的步骤S8至步骤S9的示意图,请参见图1至图8所示,示出了一种较佳实施例的纤维提取和纤维视觉矫正的方法,包括:
步骤S1:提供待测纤维的若干焦点堆栈图像,并从若干焦点堆栈图像中选择出清晰图像,若干清晰图像中位置相同的像素为对应像素。
步骤S2:选取每一清晰图像中的对应像素,计算每一对应像素中的最大值和最小值的加权和,并融合输出加权图像。
步骤S3:对加权图像进行二值化,得到二值图像。
步骤S4;识别二值图像中的待测纤维,提取待测纤维的边界,从二值图像中将白色的待测纤维从黑色区域中分离。
步骤S5:为二值图像中的每一待测纤维建立掩膜。
步骤S6:针对每一待测纤维,对掩膜执行腐蚀算法,直至保留1像素宽的骨架。
步骤S7:从若干骨架中提取不具有短枝的骨架。
步骤S8:收集不具有短枝的骨架的坐标并排序。
步骤S9:建立一坐标集,将不具有短枝的骨架分别映射至坐标集以使骨架由曲线转变为直线,并根据待测纤维的像素点与骨架之间的坐标关系,将待测纤维的像素点重新定位到骨架上,形成拉直的纤维图像。
此外,作为一种较佳的实施例,在步骤S1中,计算若干焦点堆栈图像的二阶导数的总方差,并根据焦点堆栈图像的二阶导数的总方差中的最小值选择出清晰图像。
进一步,作为一种较佳的实施例,在步骤S1中,每一清晰图像的第i行第j列的像素为对应像素,在步骤S2中,在第i行第j列的所有对应像素中选取最大值和最小值进行加权求和,并融合输出加权图像。
另外,作为一种较佳的实施例,在步骤S2中,采用OTSU算法对加权图像进行二值化。
进一步,作为一种较佳的实施例,在步骤S4中,通过判断边界是否满足面积的标准、纵横比的标准和/或边界至骨架的距离的标准以识别待测纤维,以区分单个待测纤维与图像的其余部分(包括直线、曲线、线段和重叠的部分)。其中,面积的标准、纵横比的标准、边界至骨架的距离的标准可根据待测纤维的实际情况具体定义,用于找到边界所包围的区域的面积和形状,从而找到待测纤维的边界。
具体地,可以使用不同的方式进行最佳的纤维提取,以总变差和拉普拉斯算子为例,在其中一个较佳的实施例中可以使用纵横比将二值图像中的图形分类为待测纤维,在另一个较佳的实施例中,可以使用边界的半径变化将二值图像中的图形分类为待测纤维,从而取出二值图像的背景中的干扰物(例如噪点)。
更进一步,作为一种较佳的实施例,在步骤S5中,反转二值图像并对反转的二值图像进行膨胀算法,以对提取的每一待测纤维建立掩膜。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围。
本发明在上述基础上还具有如下实施方式:
具体地,在待测纤维中断的情况下,在其中一个较佳的实施例中,可以将纤维分为两根,并跟踪两根纤维的连接,在另一个较佳的实施例中,可以将两根中断的纤维粘在一起。
本发明的进一步实施例中,可选择地,在步骤S7中,通过设定腐蚀算法的腐蚀距离的阈值去除短枝,以提取不具有短枝的骨架。
本发明的进一步实施例中,可选择地,在步骤S7中,通过仅选取长枝,以提取不具有短枝的骨架。
本发明的进一步实施例中,通过定义骨架的形状、长度等以将骨架区分为长枝或短枝。
本发明的进一步实施例中,在步骤S8中,根据骨架的图像的连通性收集骨架的坐标并排序。
本发明的进一步实施例中,在步骤S9中,坐标集内的坐标为待测纤维的像素点和骨架之间的最小距离矢量。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (9)
1.一种纤维提取和纤维视觉矫正的方法,其特征在于,包括:
步骤S1:提供待测纤维的若干焦点堆栈图像,并从若干所述焦点堆栈图像中选择出若干清晰图像,若干所述清晰图像中位置相同的像素为对应像素;步骤S2:选取若干所述清晰图像中的对应像素,计算每一所述对应像素中的最大值和最小值的加权和,并融合输出加权图像;
步骤S3:对所述加权图像进行二值化,得到二值图像;
步骤S4: 识别所述二值图像中的所述待测纤维;
步骤S5:为所述二值图像中的每一所述待测纤维建立掩膜;
步骤S6:针对每一所述待测纤维,对所述掩膜执行腐蚀算法,直至保留1像素宽的骨架;
步骤S7:从若干所述骨架中提取不具有短枝的骨架;
步骤S8:收集不具有所述短枝的所述骨架的坐标并排序;
步骤S9:建立一坐标集,将不具有短枝的所述骨架分别映射至所述坐标集以使所述骨架由曲线转变为直线,并根据所述待测纤维的像素点与所述骨架之间的坐标关系,将所述待测纤维的像素点重新定位到所述骨架上,形成拉直的纤维图像。
2.根据权利要求1所述的纤维提取和纤维视觉矫正的方法,其特征在于,在所述步骤S1中,计算若干所述焦点堆栈图像的二阶导数的总方差,并根据所述焦点堆栈图像的二阶导数的总方差中的最小值选择出所述清晰图像。
3.根据权利要求1所述的纤维提取和纤维视觉矫正的方法,其特征在于,在所述步骤S2中,采用OTSU算法对所述加权图像进行二值化。
4.根据权利要求1所述的纤维提取和纤维视觉矫正的方法,其特征在于,在所述步骤S4中,通过判断边界是否满足面积的标准、纵横比的标准和/或边界至骨架的距离的标准以识别所述待测纤维。
5.根据权利要求1所述的纤维提取和纤维视觉矫正的方法,其特征在于,在所述步骤S5中,反转所述二值图像并对反转的所述二值图像进行膨胀算法,以对提取的每一所述待测纤维建立所述掩膜。
6.根据权利要求1所述的纤维提取和纤维视觉矫正的方法,其特征在于,在所述步骤S7中,通过设定所述腐蚀算法的腐蚀距离的阈值去除所述短枝,以提取不具有所述短枝的所述骨架。
7.根据权利要求1所述的纤维提取和纤维视觉矫正的方法,其特征在于,在所述步骤S7中,通过仅选取长枝,以提取不具有所述短枝的骨架。
8.根据权利要求1所述的纤维提取和纤维视觉矫正的方法,其特征在于,在所述步骤S8中,根据所述骨架的图像的连通性收集所述骨架的坐标并排序。
9.根据权利要求1所述的纤维提取和纤维视觉矫正的方法,其特征在于,在所述步骤S9中,所述坐标集内的坐标为所述待测纤维的像素点和所述骨架之间的最小距离矢量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811223915.3A CN109543531B (zh) | 2018-10-19 | 2018-10-19 | 一种纤维提取和纤维视觉矫正的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811223915.3A CN109543531B (zh) | 2018-10-19 | 2018-10-19 | 一种纤维提取和纤维视觉矫正的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543531A CN109543531A (zh) | 2019-03-29 |
CN109543531B true CN109543531B (zh) | 2023-01-03 |
Family
ID=65844342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811223915.3A Active CN109543531B (zh) | 2018-10-19 | 2018-10-19 | 一种纤维提取和纤维视觉矫正的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543531B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112808730B (zh) * | 2021-01-26 | 2024-01-19 | 宁波方太厨具有限公司 | 摄像头的自清洗装置及其清洗方法、油烟机 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001174227A (ja) * | 1999-12-17 | 2001-06-29 | Kawasaki Heavy Ind Ltd | 繊維の径分布測定方法および装置 |
CN106780597A (zh) * | 2016-08-08 | 2017-05-31 | 大连工业大学 | 一种基于图像处理对纤维增强复合材料中纤维特征的提取方法 |
CN107240141A (zh) * | 2017-05-19 | 2017-10-10 | 华南理工大学 | 一种基于图像处理的纸张纤维素纤维二维结构重建方法 |
CN108230387A (zh) * | 2017-12-29 | 2018-06-29 | 杭州筹图科技有限公司 | 一种纤维间隔特征量化的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009043273A1 (de) * | 2008-09-29 | 2010-04-29 | Mann + Hummel Gmbh | Verfahren und System zur Feststellung der Faserdurchmesserverteilung eines faserigen Mediums |
-
2018
- 2018-10-19 CN CN201811223915.3A patent/CN109543531B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001174227A (ja) * | 1999-12-17 | 2001-06-29 | Kawasaki Heavy Ind Ltd | 繊維の径分布測定方法および装置 |
CN106780597A (zh) * | 2016-08-08 | 2017-05-31 | 大连工业大学 | 一种基于图像处理对纤维增强复合材料中纤维特征的提取方法 |
CN107240141A (zh) * | 2017-05-19 | 2017-10-10 | 华南理工大学 | 一种基于图像处理的纸张纤维素纤维二维结构重建方法 |
CN108230387A (zh) * | 2017-12-29 | 2018-06-29 | 杭州筹图科技有限公司 | 一种纤维间隔特征量化的方法及装置 |
Non-Patent Citations (2)
Title |
---|
Classification of Animal Fibers Based on Microscopic Images;石先军 等;《应用科学学报》;20090131;第27卷(第1期);第62-66页 * |
棉花异性纤维中羽毛与麻绳的分类特征研究;王蕊 等;《检测技术与应用》;20131231(第2期);第20-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109543531A (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110678901B (zh) | 信息处理设备、信息处理方法和计算机可读存储介质 | |
WO2023179122A1 (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
JP2005523530A (ja) | 取り込み画像データから文字列を識別して抜出するシステムおよび方法 | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
JP2008140270A (ja) | 眼部検出装置、眼部検出方法及びプログラム | |
CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其系统 | |
CN103308523B (zh) | 多尺度瓶口缺陷检测方法及装置 | |
CN111486797B (zh) | 一种地铁圆形盾构隧道横向直径的自动提取方法 | |
CN109492544B (zh) | 一种通过增强光学显微镜对动物纤维进行分类的方法 | |
CN111652208A (zh) | 用户界面组件的识别方法、装置、电子设备及存储介质 | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN109543531B (zh) | 一种纤维提取和纤维视觉矫正的方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN110807416A (zh) | 适用于移动检测装置的数字式仪表智能识别装置及方法 | |
KR101849933B1 (ko) | 공분산 기술자와 퍼지 모델을 이용한 심볼 인식장치 | |
CN113807364A (zh) | 一种基于三光融合成像的电力设备缺陷检测方法及系统 | |
CN111753725A (zh) | 一种指纹修复方法及装置 | |
CN105718929A (zh) | 全天候未知环境下高精度快速圆形目标定位方法和系统 | |
Deng et al. | A new measuring method of wool fiber diameter based on image processing | |
JP4991278B2 (ja) | 画像処理装置 | |
JP2008084109A (ja) | 目開閉判定装置及び目開閉判定方法 | |
CN114841917A (zh) | 一种航空铝合金表面疲劳裂纹尖端动态检测方法及系统 | |
CN114550149A (zh) | 基于深度学习的指针仪表读数方法及系统 |
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 |