CN109544581A - 一种早孕子宫图像的自动分割处理方法 - Google Patents
一种早孕子宫图像的自动分割处理方法 Download PDFInfo
- Publication number
- CN109544581A CN109544581A CN201811360206.XA CN201811360206A CN109544581A CN 109544581 A CN109544581 A CN 109544581A CN 201811360206 A CN201811360206 A CN 201811360206A CN 109544581 A CN109544581 A CN 109544581A
- Authority
- CN
- China
- Prior art keywords
- image
- uterus
- result
- gray
- denoising
- 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
Classifications
-
- 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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种早孕子宫图像的自动分割处理方法,本发明首先采用一种光照补偿的算法对B超图像进行特征增强;再结合对输入图像的灰度图进行阈值分割和对图像进行特征增强的图像进行主动轮廓分割两种算法对图像进行分割,然后根据子宫的特征对图像进行去噪。由于子宫形状的不规则性以及B超子宫图像的边界不清晰,本次研究对采用了两种方法对分割结果图进行去噪处理;最后根据方法一去噪结果图的连通域的个数来选择最终分割结果图,使得子宫分割的准确率达到77.14%。
Description
技术领域
本发明涉及一种去除B超图像噪声并分割出子宫的方法,属于图像处理领域。
背景技术
正常成人子宫纵切呈倒置梨形,长7~8cm,宽4~5cm,厚2~3cm,重量40~50g;而子宫的纵切图呈现椭圆形。一般子宫边界有条较亮的细线将子宫部分包围起来,但是大部分的子宫边界线不完整,且子宫边界线会由于怀孕变淡,怀孕天数越多子宫边界线会越浅。因此我们单纯根据子宫边界的特征是很难分割出子宫,在对子宫进行分割之前我们需要对子宫进行预处理对子宫进行特征增强。
当前图像分割方法涉及到的经典算法已经是相当成熟,然而在解决实际问题中任何一种算法都无法独立胜任。在分割算法当中,阈值分割以及主动轮廓分割技术分割算法已经相当成熟,但是由于由于子宫形状的不规则性以及B超子宫图像的边界不清晰,使得B超图像的过于复杂问题,现有的图片处理方法,无法有效对子宫B超图像进行有效的处理。
名词解释
或运算:是计算机中一种基本的逻辑运算方式;
findContours:寻找图像轮廓;
Floodfill函数:用给定的颜色填充一个连通区域;
函数imfill(src,dst):填充分割出的二值图的空洞;
contourArea函数:计算轮廓面积;
双立方差值法:采用的就是埃尔米特插值。取一阶导数值为二阶差分值的情况,满足插值函数一阶导函数连续。
二值图:即是把灰度图转化为黑白图。
发明内容
为解决上述问题,本发明提供了一种早孕子宫图像的自动分割处理方法。本发明首先采用一种光照补偿的算法对B超图像进行特征增强;再结合对输入图像的灰度图进行阈值分割和对图像进行特征增强的图像进行主动轮廓分割两种算法对图像进行分割,然后根据子宫的特征对图像进行去噪。由于子宫形状的不规则性以及B超子宫图像的边界不清晰,本次研究对采用了两种方法对分割结果图进行去噪处理;最后根据方法一去噪结果图的连通域的个数来选择最终分割结果图,使得子宫分割的准确率达到77.14%。
为达到上述技术效果,本发明的技术方案是:
一种早孕子宫图像的自动分割处理方法,包括如下步骤:
步骤一、输入B超图像;
步骤二、使用光照补偿算法进行B超图像的特征增强处理;
步骤三、对B超图像进行分割及去噪处理;
步骤四、输出结果图;
步骤二中,所述B超图像特征增强的处理步骤如下:
2.1)、读入原始B超图像Src_img,并求出原始B超图像Src_imgde 的灰度图像Gray_img;
2.2)求出Gray_img的平均灰度并记录图像的行和列,按照设定的窗口大小把Gray_img分为N*M个方块,N表示每个方块的每一行的像素个数,M表示每个方块的每一列像素个数;并求出每个方块的平均灰度得到方块的亮度矩阵A;
2.3)根据矩阵A的每个元素与Gray_img的平均灰度的差值,得到子块的亮度差值矩阵B;
2.4)然后采用双立方差值法,将矩阵B差值成与原图一样大小的亮度分布矩阵C;
2.5)得到特征增强后的图像feature_img=1-C;C表示亮度分布矩阵。
进一步的改进,所述步骤三中,图像feature_img分割以及去噪处理的的步骤如下:
3.1)对输入的B超图像的灰度图进行阈值处理,阈值设置值为 100;灰度值大于100的为黑色,小于100的为白色并输出二值图;
3.2)去除二值图边缘凸出的非子宫部分:根据阈值分割的二值图的宫颈区域的横向和纵向像素点的个数来去除主动轮廓分割的二值图像边缘的凸出部分,即去除分割出的宫颈区域的水平方向像素个数和垂直方向像素个数<30的突出部分进;
3.3)填充分割出的子宫区域中出现的空洞,将空洞的子宫区域变成纯白色得到结果图一;
3.4):对特征增强的B超图像feature_img采用CV水平集算法分割并输出二值图得到结果图二;
3.5):采用逻辑“或”对步骤3.3)的结果图一与步骤3.4)的结果图二做“或运算”:结果图一与结果图二中对应的切割区域中有一个图为白色,则所述对应的切割区域设定为白色;得到结合算法结合的二值图addImg;
对二值图addImg进行去噪处理,去噪处理的方法包括去噪方法一和去噪方法一;
如果去噪方法一的结果图的没有子宫区域的则输出去噪方法二的结果图否则输出去噪方法一的结果图;
去噪方法一:
4.1)去除非子宫灰度值大于144的部分:根据计算分割出二值图的轮廓的面积大小去除像素和小于20000的部分,填充空洞,二值图像灰度化,阈值处理:灰度值高于144的为黑色,其他部分为白色; m=20000
4.2):去除非子宫部分:去除轮廓面积小于20000的部分并对剩余的子宫部分中出现的空洞进行填充,去除黑色和白色部分中水平方向和垂直方向像素和小于90的部分,再采用轮廓法去除黑色和白色区域中总像素<20000的部分;
4.3):采用凸包检测对子宫边缘缺失部分进行填充,再采用均值滤波对图像进行光滑处理;
4.4):去除非子宫较亮部分:对光滑处理的二值图像灰度化,对灰度图进行阈值处理,阈值选择为220;二值图像的灰度值高于220 的部分为黑色,其余部分为白色,去除面积小于20000像素的区域,去除二值图像边缘的突出部分即水平方向像素个数小于30和垂直方向像素个数小于5的边缘部分,填充空洞;
去噪方法二:
5.1):对二值图addImg采用轮廓法去除轮廓面积小于20000的部分得到suppimg图;
5.2):去除突出的非子宫部分:去除二值图addImg边缘的突出部分;所述突出部分为suppimg图中水平方向像素个数小于40的区域和垂直方向像素个数小于10的区域;
5.3):去除非子宫部分:先采用均值滤波器对suppimg图进行光滑处理,滤波器的大小为90;再使用凸包检测补充子宫部分;然后去除suppimg图像中水平方向像素个数小于200的部分和垂直方向像素个数小于180的部分,从而去除子宫突出部分;
5.4):结果图边缘光滑处理,采用均值滤波器对suppimg图进行光滑处理,滤波器的大小为30。
进一步的改进,所述CV水平集算法的能量函数如式(1)所示:能量泛函的第一项是长度约束,用于规整演化曲线C,保证获得的是足够短的曲线;而第二项和第三项合称为保真项,负责将演化曲线 C吸引到目标轮廓上来;第四项称为惩罚项,为了解决出现的一些小孤岛现象:
最小能量泛函入(2)式所示:
其中,ECV表示能量函数;即的简写;表示水平集函数:用水平集函数来代替将演化曲线C,且设定如果点(x,y)在C的内部,则水平集函数如果点(x,y)在C 的外部时,则水平集函数而如果点(x,y)恰好在C上面时,则c1和c2分别是演化曲线C内部和外部的图像灰度均值;μ表示长度项参数,δε表示狄克拉函数;x表示像素横坐标, y表示像素纵坐标,λ1、λ2是取值为正的常数为保真项的系数;u0 (x,y)表示输入的灰度图;Hε()表示海氏函数;β表示长度项的系数;表示水平集函数对时间上求偏导;div[]表示散度。
注:
1、轮廓法:轮廓法主要用findContours找到分割的二值图的感兴趣区域部分再使用contourArea函数判断轮廓面积最后使用drawContours函数对于轮廓面积小于20000部分填充为背景颜色;背景颜色指的是非子宫部分的区域。
2、填充空洞:使用Floodfill函数进行对二值图像的空洞进行填充,建立函数imfill(src,dst)第一个参数是输入图片,第二个参数为输出图片。
3、去除二值图像边缘的突出部分:建立函数delete_jut(src,dst, uthreshold,vthreshold,int type)第一个参数为输入图片,第二个参数为输出图片,第三个参数为突出部的宽度阈值,第四个参数为突出部的高度阈值,第五参数为二值图像的为白色还是黑色(1为白色,0为黑色)),具体算法是根据感兴趣区域的横向或纵向区域的长大于阈值时则感兴趣区域的颜色为非子宫部分的颜色。
由于子宫边界特征不够清晰、形状和大小不规则等原因,在做子宫分割的时候我们首先要解决B超图像存在边界不清晰的问题,若只是用传统的分割算法是很难分出子宫的,因此本次研究对传统的分割算法进行了改进,本次研究主要对采用了基于一种光照补偿的特征增强的结合分割(主动轮廓和阈值分割相结合)的分割算法和基于一种光照补偿的特征增强的改进主动轮廓算法的结果图进行比较输出最佳结果图来解决B超图像子宫分割的难点。
附图说明:
图1为早孕子宫的图像原图;
图2(a):一幅B超子宫图像(结合主动轮廓和阈值分割分割子宫);
图2(b):主动轮廓分割的二值图;
图2(c):阈值分割图;
图2(d):结合阈值与主动轮廓分割的分割图1;
图2(e):分割图进行去噪的结果图1;
图2(f):结合阈值与主动轮廓分割的的去噪结果图2;
图2(g):判断过后输出的结果图;
图2(h):二值图灰度化;
图2(i)输出结果图
图3(a):一幅B超子宫图像(采用主动轮廓分割出子宫);
图3(b):主动轮廓分割的二值图;
图3(c):阈值分割图;
图3(d):结合阈值与主动轮廓分割的分割图1;
图3(e):分割图进行去噪的结果图1;
图3(f):结合阈值与主动轮廓分割的的去噪结果图2;
图3(g):判断过后输出的结果图;
图3(h):二值图灰度化图;
图3(i):输出结果图;
图4:分割子宫算法流程图;
具体实施方式
下面通过具体实施例及附图对本发明的自动分割子宫做进一步的详述。
先结合具体实施例及附图,来进一步阐述本发明。
实施例一:如图4所示采用结合分割算法去噪方法一的情况
(1)图像说明;
(2)读入一副原始B超灰度图像m_imgSrc,如附图2(a);
(3)对m_imgSrc采用一种选择窗口大小为80的光照补偿算法进行特征增强,得到增强灰度图m_imgGray,如附图2(b);
(4)对m_imgSrc图像进行阈值处理,阈值设置值为100并输出二值图,如附图2(c);
(5)对阈值分割的图进行去噪处理,得到去噪二值图m_imgBW,如附图2(d);
(6)对m_imgGray进行主动轮廓分割,输出主动轮廓分割的二值结果图m_imgCV,如附图2(e);
(7)对二值图m_imgBW和m_imgCV做逻辑或运算得到结合算法图addImg,如附图2(f);
(8)对addImg用去噪方法一去噪得到结果图fist_resultingimg,如附图2(g);
(9)对addImg用去噪方法二去噪得到结果图second_resultingimg,如附图2(h);
(10)判读输出结果图m_resultimg,如附图2(i);
实施例二:采用结合分割算法去噪方法二的情况
(1)读入一副原始B超灰度图像m_imgSrc,如附图3(a);
(2)对m_imgSrc采用一种选择窗口大小为80的光照补偿算法进行特征增强,得到增强灰度图m_imgGray,如附图3(b);
(3)对m_imgSrc图像进行阈值处理,阈值设置值为100并输出二值图,如附图3(c);
(4)对阈值分割的图进行去噪处理,得到去噪二值图 m_imgBW,如附图3(d);
(5)对m_imgGray进行主动轮廓分割,输出主动轮廓分割的二值结果图m_imgCV,如附图3(e);
(6)对二值图m_imgBW和m_imgCV做逻辑或运算得到结合算法图addImg,如附图3(f);
(7)对addImg用去噪方法一去噪得到结果图fist_resultingimg,如附图3(g);
(8)对addImg用去噪方法二去噪得到结果图 second_resultingimg,如附图3(h);
(9)判读输出结果图m_resultimg,如附图3(i)。
上述仅为本发明的一个具体导向实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明的保护范围的行为。
Claims (3)
1.一种早孕子宫图像的自动分割处理方法,其特征在于,包括如下步骤:
步骤一、输入B超图像;
步骤二、使用光照补偿算法进行B超图像的特征增强处理;
步骤三、对B超图像进行分割及去噪处理;
步骤四、输出结果图;
步骤二中,所述B超图像特征增强的处理步骤如下:
2.1)、读入原始B超图像Src_img,并求出原始B超图像Src_imgde的灰度图像Gray_img;
2.2)求出Gray_img的平均灰度并记录图像的行和列,按照设定的窗口大小把Gray_img分为N*M个方块,N表示每个方块的每一行的像素个数,M表示每个方块的每一列像素个数;并求出每个方块的平均灰度得到方块的亮度矩阵A;
2.3)根据矩阵A的每个元素与Gray_img的平均灰度的差值,得到子块的亮度差值矩阵B;
2.4)然后采用双立方差值法,将矩阵B差值成与原图一样大小的亮度分布矩阵C;
2.5)得到特征增强后的图像feature_img=1-C;C表示亮度分布矩阵。
2.如权利要求1所述的早孕子宫图像的自动分割处理方法,其特征在于,所述步骤三中,图像feature_img分割以及去噪处理的的步骤如下:
3.1)对输入的B超图像的灰度图进行阈值处理,阈值设置值为100;灰度值大于100的为黑色,小于100的为白色并输出二值图;
3.2)去除二值图边缘凸出的非子宫部分:根据阈值分割的二值图的宫颈区域的横向和纵向像素点的个数来去除主动轮廓分割的二值图像边缘的凸出部分,即去除分割出的宫颈区域的水平方向像素个数和垂直方向像素个数<30的突出部分进;
3.3)填充分割出的子宫区域中出现的空洞,将空洞的子宫区域变成纯白色得到结果图一;
3.4):对特征增强的B超图像feature_img采用CV水平集算法分割并输出二值图得到结果图二;
3.5):采用逻辑“或”对步骤3.3)的结果图一与步骤3.4)的结果图二做“或运算”:结果图一与结果图二中对应的切割区域中有一个图为白色,则所述对应的切割区域设定为白色;得到结合算法结合的二值图addImg;
对二值图addImg进行去噪处理,去噪处理的方法包括去噪方法一和去噪方法一;
如果去噪方法一的结果图的没有子宫区域的则输出去噪方法二的结果图否则输出去噪方法一的结果图;
去噪方法一:
4.1)去除非子宫灰度值大于144的部分:根据计算分割出二值图的轮廓的面积大小去除像素和小于20000的部分,填充空洞,二值图像灰度化,阈值处理:灰度值高于144的为黑色,其他部分为白色;m=20000
4.2):去除非子宫部分:去除轮廓面积小于20000的部分并对剩余的子宫部分中出现的空洞进行填充,去除黑色和白色部分中水平方向和垂直方向像素和小于90的部分,再采用轮廓法去除黑色和白色区域中总像素<20000的部分;
4.3):采用凸包检测对子宫边缘缺失部分进行填充,再采用均值滤波对图像进行光滑处理;
4.4):去除非子宫较亮部分:对光滑处理的二值图像灰度化,对灰度图进行阈值处理,阈值选择为220;二值图像的灰度值高于220的部分为黑色,其余部分为白色,去除面积小于20000像素的区域,去除二值图像边缘的突出部分即水平方向像素个数小于30和垂直方向像素个数小于5的边缘部分,填充空洞;
去噪方法二:
5.1):对二值图addImg采用轮廓法去除轮廓面积小于20000的部分得到suppimg图;
5.2):去除突出的非子宫部分:去除二值图addImg边缘的突出部分;所述突出部分为suppimg图中水平方向像素个数小于40的区域和垂直方向像素个数小于10的区域;
5.3):去除非子宫部分:先采用均值滤波器对suppimg图进行光滑处理,滤波器的大小为90;再使用凸包检测补充子宫部分;然后去除suppimg图像中水平方向像素个数小于200的部分和垂直方向像素个数小于180的部分,从而去除子宫突出部分;
5.4):结果图边缘光滑处理,采用均值滤波器对suppimg图进行光滑处理,滤波器的大小为30。
3.如权利要求2所述的早孕子宫图像的自动分割处理方法,其特征在于,所述CV水平集算法的能量函数如式(1)所示:能量泛函的第一项是长度约束,用于规整演化曲线C,保证获得的是足够短的曲线;而第二项和第三项合称为保真项,负责将演化曲线C吸引到目标轮廓上来;第四项称为惩罚项,为了解决出现的一些小孤岛现象:
最小能量泛函入(2)式所示:
其中,ECV表示能量函数;即的简写;表示水平集函数:用水平集函数来代替将演化曲线C,且设定如果点(x,y)在C的内部,则水平集函数如果点(x,y)在C的外部时,则水平集函数而如果点(x,y)恰好在C上面时,则c1和c2分别是演化曲线C内部和外部的图像灰度均值;μ表示长度项参数,δε表示狄克拉函数;x表示像素横坐标,y表示像素纵坐标λ1、λ2是取值为正的常数为保真项的系数;u0(x,y)表示输入的灰度图;Hε()表示海氏函数;β表示长度项的系数;表示水平集函数对时间上求偏导;div[]表示散度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811360206.XA CN109544581A (zh) | 2018-11-15 | 2018-11-15 | 一种早孕子宫图像的自动分割处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811360206.XA CN109544581A (zh) | 2018-11-15 | 2018-11-15 | 一种早孕子宫图像的自动分割处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109544581A true CN109544581A (zh) | 2019-03-29 |
Family
ID=65847527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811360206.XA Pending CN109544581A (zh) | 2018-11-15 | 2018-11-15 | 一种早孕子宫图像的自动分割处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544581A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886966A (zh) * | 2019-05-09 | 2019-06-14 | 湖南自兴智慧医疗科技有限公司 | 一种从超声波图像中提取目标特征的图像处理方法 |
CN110060223A (zh) * | 2019-06-11 | 2019-07-26 | 湖南自兴智慧医疗科技有限公司 | 一种基于特征提取及去噪的图像分割方法 |
CN110064602A (zh) * | 2019-05-14 | 2019-07-30 | 河南大学 | 一种有膜和无膜废弃纸箱自动分拣系统及分拣方法 |
CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学(武汉) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
CN111915527A (zh) * | 2020-08-05 | 2020-11-10 | 成都圭目机器人有限公司 | 基于多模板的自适应光照补偿方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1919144A (zh) * | 2005-08-26 | 2007-02-28 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与斑点抑制方法 |
CN101599172A (zh) * | 2008-06-06 | 2009-12-09 | 上海吉量软件科技有限公司 | 非均匀光照的文本图像的亮度补偿分割方法 |
CN105433980A (zh) * | 2015-11-20 | 2016-03-30 | 深圳开立生物医疗科技股份有限公司 | 一种超声成像方法、装置及其超声设备 |
CN108734168A (zh) * | 2018-05-18 | 2018-11-02 | 天津科技大学 | 一种手写数字的识别方法 |
-
2018
- 2018-11-15 CN CN201811360206.XA patent/CN109544581A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1919144A (zh) * | 2005-08-26 | 2007-02-28 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与斑点抑制方法 |
CN101599172A (zh) * | 2008-06-06 | 2009-12-09 | 上海吉量软件科技有限公司 | 非均匀光照的文本图像的亮度补偿分割方法 |
CN105433980A (zh) * | 2015-11-20 | 2016-03-30 | 深圳开立生物医疗科技股份有限公司 | 一种超声成像方法、装置及其超声设备 |
CN108734168A (zh) * | 2018-05-18 | 2018-11-02 | 天津科技大学 | 一种手写数字的识别方法 |
Non-Patent Citations (1)
Title |
---|
EIN027: "《水平集(CV模型)》", 《HTTPS://BLOG,CSDN.NET/U011460059/ARTICLE/DETAILS/59538983/》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886966A (zh) * | 2019-05-09 | 2019-06-14 | 湖南自兴智慧医疗科技有限公司 | 一种从超声波图像中提取目标特征的图像处理方法 |
CN110064602A (zh) * | 2019-05-14 | 2019-07-30 | 河南大学 | 一种有膜和无膜废弃纸箱自动分拣系统及分拣方法 |
CN110060223A (zh) * | 2019-06-11 | 2019-07-26 | 湖南自兴智慧医疗科技有限公司 | 一种基于特征提取及去噪的图像分割方法 |
CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学(武汉) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
CN111915527A (zh) * | 2020-08-05 | 2020-11-10 | 成都圭目机器人有限公司 | 基于多模板的自适应光照补偿方法 |
CN111915527B (zh) * | 2020-08-05 | 2023-04-07 | 成都圭目机器人有限公司 | 基于多模板的自适应光照补偿方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544581A (zh) | 一种早孕子宫图像的自动分割处理方法 | |
CN103578084B (zh) | 基于亮通道滤波的彩色图像增强方法 | |
CN102663702B (zh) | 基于区域划分的自然图像去噪方法 | |
CN101783012A (zh) | 一种基于暗原色的自动图像去雾方法 | |
CN105335967A (zh) | 基于局部最大类间方差和数学形态学的手背静脉纹路提取方法 | |
CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
CN105701434A (zh) | 二维码扭曲图像的图像校正方法 | |
CN110956183B (zh) | 一种沥青路面裂缝形态提取方法 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN109671092A (zh) | 一种改进的Canny图像分割方法和系统 | |
CN104134219A (zh) | 基于直方图的彩色图像分割算法 | |
CN107154026A (zh) | 一种基于自适应亮度高程模型的消除路面阴影的方法 | |
CN109410147A (zh) | 一种超空泡图像增强方法 | |
CN105427262A (zh) | 基于双向增强扩散滤波的图像去噪方法 | |
CN110309830A (zh) | 基于数学形态学和区域连通性的甲骨文字自动分割方法 | |
CN111145105A (zh) | 一种图像快速去雾方法、装置、终端及存储介质 | |
Mahmoud et al. | Segmentation of skin cancer images based on gradient vector flow (GVF) snake | |
CN114494306B (zh) | 边缘梯度协方差引导的甲骨卜辞文字轮廓修复方法 | |
CN113506246A (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN110060223A (zh) | 一种基于特征提取及去噪的图像分割方法 | |
CN103700071A (zh) | 一种深度图上采样边缘增强方法 | |
CN113538498B (zh) | 一种基于局部二值化的印章图像分割方法、电子设备和可读存储介质 | |
CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
CN104517266A (zh) | 基于边缘检测算子的混合自适应图像去噪方法 | |
Das et al. | Histogram equalization techniques for contrast enhancement: a review |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190329 |