CN109993755B - 一种提花织物图像组织结构分割方法 - Google Patents

一种提花织物图像组织结构分割方法 Download PDF

Info

Publication number
CN109993755B
CN109993755B CN201910261841.0A CN201910261841A CN109993755B CN 109993755 B CN109993755 B CN 109993755B CN 201910261841 A CN201910261841 A CN 201910261841A CN 109993755 B CN109993755 B CN 109993755B
Authority
CN
China
Prior art keywords
clustering
image
pixel
jacquard fabric
super
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
CN201910261841.0A
Other languages
English (en)
Other versions
CN109993755A (zh
Inventor
张森林
陈仕创
刘妹琴
樊臻
何衍
郑荣豪
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910261841.0A priority Critical patent/CN109993755B/zh
Publication of CN109993755A publication Critical patent/CN109993755A/zh
Application granted granted Critical
Publication of CN109993755B publication Critical patent/CN109993755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30124Fabrics; Textile; Paper

Landscapes

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

Abstract

本发明公开了一种提花织物图像组织结构分割方法。采用图像直方图均衡化提高图像对比度,使用超像素分割算法将提花织物图像分离成超像素;并且采用改进LBP方法提取织物图像的局部纹理特征,再计算超像素内的颜色重心作为颜色特征,聚类颜色特征和纹理特征实现提花织物图像中组织结构的分割。本发明的织物组织结构分割方法充分结合了提花织物的颜色特征和局部纹理特征,能够准确地完成组织结构分割。

Description

一种提花织物图像组织结构分割方法
技术领域
本发明涉及了应用于织物设计领域的一种织物图像分割处理方法,具体是涉及到一种提花织物图像组织结构分割方法。
背景技术
提花织物的自动化设计需要大量已经分割完成的设计图,然而人工分割提花织物图像往往耗时耗力,自动化效率较低。随着各种特征提取,聚类等算法理论研究与应用研究的不断深入和发展,人们逐渐将这些方法应用到各个工程领域,取得了显著的成效。
传统的提花织物图像主要的分割算法可以分为:基于聚类的图像分割和基于图优化的图像分割。基于聚类的分割方法往往会得到比较理想的结果,但是这一类算法对噪声比较敏感,容易出现过分割的结果。而且,以往的织物图像分割算法大多只对颜色特征进行聚类,并没有考虑图像的纹理特征,结果受颜色,光照等影响较大;基于图优化的织物图像分割方法对织物图像的边缘保持得较差,分割的效果并不十分理想。
发明内容
为了克服现有技术的不足和解决背景技术中存在的问题,本发明特别提供了一种提花织物图像组织结构分割方法。
本发明在织物设计领域用超像素来对提花织物图像做预处理,方便后续的特征提取;并且采用改进LBP方法提取织物图像的局部纹理特征,再计算超像素内的颜色重心作为颜色特征,最后通过聚类算法快速实现织物的组织结构分割。
本发明的具体技术方案如下:
1)采用图像直方图均衡化提高图像对比度,使用超像素分割算法将提花织物图像分离成超像素;
2)提取超像素的颜色特征和改进LBP(Local Binary Pattern,局部二值模式)纹理特征;
3)根据步骤2)的结果,聚类颜色特征和纹理特征实现提花织物图像中组织结构的分割。
所述的提花织物图像为正对提花织物表面拍摄的彩色图像。
所述步骤1)具体为:
1.1)对提花织物图像进行平滑滤波,进行直方图均衡化处理;
1.2)采用简单线性迭代聚类方法(SLIC,Simple linear iterative cluster)对织物组织图像进行预处理,得到固定数量大小且均匀、边界保持完好的超像素。
所述步骤1.2)具体为:
1.2.1)对于步骤1.1)处理获得的提花织物图像,将图像初始采用方形网格进行区域划分,一个网络作为一个聚类区域,每个网格的像素点数目为N/k,k是聚类的类别总数,N是图像的像素点总数,每块网格的边长为
Figure BDA0002015536570000021
1.2.2)每个网格中初始化建立一个聚类中心Ci=[li ai bi xi yi],其中li、ai、bi分别为聚类中心的像素点在lab颜色空间的各个分量,xi,yi分别聚类中心的像素点图像坐标,i表示聚类中心的序数;
1.2.3)对于每个像素点,在以该像素点为中心的2S*2S局部图像区域范围内,计算像素点分别和2S*2S局部图像区域范围内的各个聚类中心之间的综合欧式距离,具体计算公式如下:
Figure BDA0002015536570000022
Figure BDA0002015536570000023
Figure BDA0002015536570000024
其中,dc为颜色空间距离,ds为位置空间距离,D为像素点与聚类中心的距离,m表示颜色空间和位置空间距离之间的权值;m值越大也就是位置空间的权重越大,超像素区块越规整,但是随着m的增大,超像素保持边缘的能力会下降。一般m的取值在[0.5,5]之间;
然后,将像素点聚类到综合欧式距离最小的聚类中心;
1.2.4)重复步骤1.2.3)遍历图像中的每个像素点完成一次迭代聚类处理,然后按照聚类结果重新进行区域划分获得新的各个聚类区域,以新的聚类区域中的所有像素点计算平均图像坐标,以平均图像坐标处的像素点作为新的聚类区域的聚类中心,即新聚类中心,然后回到步骤1.2.3);
1.2.4)不断迭代重复步骤1.2.3)和1.2.4)直到所有的像素点收敛到稳定的聚类中心,最后进行增强区域连通性处理,具体是将包含少于预设像素数的聚类区域合并到其邻近的聚类区域中,得到最终超像素分割结果,以最终的一个聚类区域作为一个超像素。
所述步骤2)中,提取超像素的改进LBP纹理特征,具体是:将提花织物图像进行灰度化处理,根据织物的纹理特征,特别是织物在水平方向和垂直方向的特征,计算超像素内十字交叉的LBP纹理特征。
所述步骤2)具体为:
2.1)根据步骤1)得到的提花织物图像的超像素分割结果,计算超像素内的聚类中心的LAB颜色(li、ai、bi)作为超像素的颜色特征;
2.2)根据提花织物图像的改进LBP纹理特征:
在超像素内,针对每个像素点采用十字交叉特征模板进行遍历,十字交叉特征模板是由九个像素点构成,是由一个五像素组成的水平像素条和一个五像素组成的竖直像素条在中间交叉构成,当前像素点处于十字交叉特征模板的中心位置,将十字交叉特征模板的周围位置的像素点进行判断赋值:十字交叉特征模板周围位置的像素点比中心位置的像素点的灰度值大,则置1,否则置0;然后,计算十字交叉特征模板的局部二值特征进行8位编码,编码方式由内到外顺时针编码,每个像素点生成一个局部二值特征作为改进LBP纹理特征。
所述的局部二值特征为一个8位二进制数,对应取值范围在0-255之间。
所述步骤3)具体为:以超像素为聚类的基本单位,通过K均值聚类的方法聚类每个超像素的颜色特征和纹理特征得到提花织物的分割结果。
本发明的有益效果是:
本发明提出的方法采用基于超像素的预处理方法,通过改进LBP特征提取方法实现超像素内的颜色和纹理特征提取,实现了图像中织物组织结构的分割。
本发明能够较好的实现以下功能:较好地避免了不同程度的噪声干扰,对于颜色相近的纺织图像区域仍然具备良好的分割效果,提高了纺织工业自动化设计效率。
附图说明
图1是扫描仪采集到的提花织物原图;
图2是经过超像素处理后的提花织物原图;
图3是改进LBP纹理特征的计算模板图;
图4(a)和(b)分别是经过本发明方法处理后的提花织物原图和分割结果图;
图5(a)和(b)分别是经过本发明方法处理后的提花织物原图和分割结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
虽然结合这里的具体实施例来描述本发明,但一些改变和修改对于本领域的技术人员而言是显而易见的,其不脱离本发明的真实精神。因此,本发明并非是通过这里的具体描述来进行理解,而是通过所附权利要求来进行理解。
本发明的实施例及其实施过程如下:
本发明实施例所处理的提花织物图像由扫描仪扫描获得如图1所示,包括了不同组织结构,而在同一种织物组织循环中,经纱和纬纱都存在不同程度的局部亮斑,不同的组织结构之间存在一定程度的相似性。
1)采用图像直方图均衡化提高图像对比度,使用超像素分割算法将提花织物图像分离成超像素;
1.1)对提花织物图像进行平滑滤波,进行直方图均衡化处理;
1.2)采用简单线性迭代聚类方法对织物组织图像进行预处理,得到固定数量大小且均匀、边界保持完好的超像素。
1.2.1)对于步骤1.1)处理获得的提花织物图像,将图像初始采用方形网格进行区域划分,一个网络作为一个聚类区域,每个网格的像素点数目为N/k,k是聚类的类别总数,N是图像的像素点总数,每块网格的边长为
Figure BDA0002015536570000041
1.2.2)每个网格中初始化建立一个聚类中心Ci=[li ai bi xi yi],k个网格具有k个聚类中心,其中li、ai、bi分别为聚类中心的像素点在lab颜色空间的各个分量,xi,yi分别聚类中心的像素点图像坐标,i表示聚类中心的序数;具体实施中以取网格中心位置的像素点作为初始化的聚类中心。
1.2.3)对于每个像素点,在以该像素点为中心的2S*2S局部图像区域范围内,计算像素点分别和2S*2S局部图像区域范围内的各个聚类中心之间的综合欧式距离,具体计算公式如下:
Figure BDA0002015536570000042
Figure BDA0002015536570000043
Figure BDA0002015536570000044
其中dc为颜色空间距离,ds为位置空间距离,D为像素点与聚类中心的距离,m用于衡量颜色空间和位置空间距离的权值。在图2中m的取值为1。
然后,将像素点聚类到综合欧式距离最小的聚类中心。
1.2.4)重复步骤1.2.3)遍历图像中的每个像素点完成一次迭代聚类处理,然后按照聚类结果重新进行区域划分获得新的各个聚类区域,以新的各个聚类区域更新计算新聚类中心,以新的聚类区域中的所有像素点计算平均图像坐标,以平均图像坐标处的像素点作为新的聚类区域的聚类中心,即新聚类中心,然后回到步骤1.2.3);
1.2.4)不断迭代重复步骤1.2.3)和1.2.4)直到所有的像素点收敛到稳定的聚类中心,最后进行增强区域连通性处理,具体是将包含少于预设像素数的聚类区域合并到其邻近的聚类区域中,邻近的聚类区域是指综合欧式距离最近的附近聚类区域,最终得到最终超像素分割结果,以最终的一个聚类区域作为一个超像素。
经过超像素方法预处理可以将织物图像分割成数百个大小均匀,且边界保持得较为完好的超像素,而图像超像素内所包含的织物组织结构都只有一种。具体实施中,采集512*512的提花织物图像,处理获得k=500个超像素,结果如图2所示。
2)提取超像素的颜色特征和改进LBP(Local Binary Pattern,局部二值模式)纹理特征;
2.1)根据步骤1)得到的提花织物图像的超像素分割结果,计算超像素内的聚类中心的LAB颜色(li、ai、bi)作为超像素的颜色特征;
2.2)如图3所示,根据提花织物图像的改进LBP纹理特征:
在超像素内,针对每个像素点采用十字交叉特征模板进行遍历,十字交叉特征模板是由九个像素点构成,是由一个五像素组成的水平像素条和一个五像素组成的竖直像素条在中间交叉构成,十字交叉特征模板的大小为“4+4”,即水平方向长度为4,垂直方向长度为4,当前像素点处于十字交叉特征模板的中心位置,将十字交叉特征模板的周围位置的像素点进行判断赋值:十字交叉特征模板周围位置的像素点比中心位置的像素点的灰度值大,则置1,否则置0。
然后,计算十字交叉特征模板的局部二值特征进行8位编码,编码方式由内到外顺时针编码,即先从内圈的四个像素点其中任意一个开始顺时针编码,然后再从内圈的四个像素点其中任意一个开始顺时针编码,内到外两圈的顺时针编码的起始位置相同,每个像素点生成一个局部二值特征作为改进LBP纹理特征。局部二值特征为一个8位二进制数,对应取值范围在0-255之间。
3)根据步骤2)的结果,聚类颜色特征和纹理特征实现提花织物图像中组织结构的分割。具体是以超像素为聚类的基本单位,通过K均值聚类的方法聚类每个超像素的颜色特征和纹理特征得到提花织物的分割结果。
多种特征聚类的方法具体为:
假设n为特征向量数目,k为聚类数目。
3.1)首先重新初始化k个聚类中心,初始以超像素中所有像素点的坐标重心作为聚类重心。
3.2)计算每个特征到聚类中心的相同特征之间的欧式距离,并将每个特征归类到距离最小的所属类别当中。
3.3)对于每一个类ci,计算每个类的重心作为新聚类中心。如果新聚类中心的偏移变化小于预设的收敛极小值,则结束,否则重复计算3.2)和3.3)。
图4和图5分别是经过本发明方法处理后的提花织物原图和分割结果图。
由此可见,本发明组织结构图像分割方法充分结合了提花织物的颜色特征和局部纹理特征,能够准确地完成组织结构分割。
通过上述实例阐述了本发明,同时也可以采用其它实例实现本发明,本发明不局限于上述具体实例,因此本发明由所附权利要求范围限定。

Claims (5)

1.一种提花织物图像组织结构分割方法,其特征在于方法包括如下步骤:
1)采用图像直方图均衡化提高图像对比度,使用超像素分割算法将提花织物图像分离成超像素;
2)提取超像素的颜色特征和改进LBP纹理特征;
所述步骤2)中,提取超像素的改进LBP纹理特征,具体是:将提花织物图像进行灰度化处理,根据织物的纹理特征,特别是织物在水平方向和垂直方向的特征,计算超像素内十字交叉的LBP纹理特征;
所述步骤2)具体为:
2.1)根据步骤1)得到的提花织物图像的超像素分割结果,计算超像素内的聚类中心的LAB颜色(li、ai、bi)作为超像素的颜色特征;
2.2)根据提花织物图像的改进LBP纹理特征:
在超像素内,针对每个像素点采用十字交叉特征模板进行遍历,十字交叉特征模板是由九个像素点构成,是由一个五像素组成的水平像素条和一个五像素组成的竖直像素条在中间交叉构成,当前像素点处于十字交叉特征模板的中心位置,将十字交叉特征模板的周围位置的像素点进行判断赋值:十字交叉特征模板周围位置的像素点比中心位置的像素点的灰度值大,则置1,否则置0;然后,计算十字交叉特征模板的局部二值特征进行8位编码,编码方式由内到外顺时针编码,每个像素点生成一个局部二值特征作为改进LBP纹理特征;
3)根据步骤2)的结果,聚类颜色特征和纹理特征实现提花织物图像中组织结构的分割。
2.如权利要求1所述的一种提花织物图像组织结构分割方法,其特征在于:
所述步骤1)具体为:
1.1)对提花织物图像进行平滑滤波,进行直方图均衡化处理;
1.2)采用简单线性迭代聚类方法(SLIC,Simple linear iterative cluster)对织物组织图像进行预处理,得到固定数量大小且均匀、边界保持完好的超像素。
3.如权利要求2所述的一种提花织物图像组织结构分割方法,其特征在于:
所述步骤1.2)具体为:
1.2.1)对于步骤1.1)处理获得的提花织物图像,将图像初始采用方形网格进行区域划分,一个网络作为一个聚类区域,每个网格的像素点数目为N/k,k是聚类的类别总数,N是图像的像素点总数,每块网格的边长为
Figure FDA0002775798570000011
1.2.2)每个网格中初始化建立一个聚类中心Ci=[li ai bi xi yi],其中li、ai、bi分别为第i个聚类中心的像素点在lab颜色空间的各个分量,xi,yi分别为第i个聚类中心的像素点图像坐标,i表示聚类中心的序数;
1.2.3)对于每个像素点,在以该像素点为中心的2S*2S局部图像区域范围内,计算像素点分别和2S*2S局部图像区域范围内的各个聚类中心之间的综合欧式距离,具体计算公式如下:
Figure FDA0002775798570000021
Figure FDA0002775798570000022
Figure FDA0002775798570000023
其中,dc为颜色空间距离,ds为位置空间距离,D为像素点与聚类中心的距离,m表示颜色空间和位置空间距离之间的权值;
然后,将像素点聚类到综合欧式距离最小的聚类中心;
1.2.4)重复步骤1.2.3)遍历图像中的每个像素点完成一次迭代聚类处理,然后按照聚类结果重新进行区域划分获得新的各个聚类区域,以新的聚类区域中的所有像素点计算平均图像坐标,以平均图像坐标处的像素点作为新的聚类区域的聚类中心,即新聚类中心,然后回到步骤1.2.3);
1.2.4)不断迭代重复步骤1.2.3)和1.2.4)直到所有的像素点收敛到稳定的聚类中心,最后进行增强区域连通性处理,具体是将包含少于预设像素数的聚类区域合并到其邻近的聚类区域中,得到最终超像素分割结果,以最终的一个聚类区域作为一个超像素。
4.如权利要求1所述的一种提花织物图像组织结构分割方法,其特征在于:
所述的局部二值特征为一个8位二进制数,对应取值范围在0-255之间。
5.如权利要求1所述的一种提花织物图像组织结构分割方法,其特征在于:
所述步骤3)具体为:以超像素为聚类的基本单位,通过K均值聚类的方法聚类每个超像素的颜色特征和纹理特征得到提花织物的分割结果。
CN201910261841.0A 2019-04-02 2019-04-02 一种提花织物图像组织结构分割方法 Active CN109993755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910261841.0A CN109993755B (zh) 2019-04-02 2019-04-02 一种提花织物图像组织结构分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910261841.0A CN109993755B (zh) 2019-04-02 2019-04-02 一种提花织物图像组织结构分割方法

Publications (2)

Publication Number Publication Date
CN109993755A CN109993755A (zh) 2019-07-09
CN109993755B true CN109993755B (zh) 2021-01-08

Family

ID=67131368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910261841.0A Active CN109993755B (zh) 2019-04-02 2019-04-02 一种提花织物图像组织结构分割方法

Country Status (1)

Country Link
CN (1) CN109993755B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539910B (zh) * 2020-03-13 2024-03-19 石家庄铁道大学 锈蚀区域检测方法及终端设备
CN111640144A (zh) * 2020-05-21 2020-09-08 上海工程技术大学 一种多视角提花织物图案分割算法
CN112365485B (zh) * 2020-11-19 2022-08-16 同济大学 一种基于Circular LBP和颜色空间转换算法的黑色素瘤识别方法
CN117670872A (zh) * 2024-01-29 2024-03-08 江苏恒力化纤股份有限公司 一种筒纱纸管花纹快速识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105701477A (zh) * 2016-02-19 2016-06-22 中原工学院 一种基于平稳小波变换视觉显著性的织物疵点检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102523366B (zh) * 2011-12-13 2014-07-09 上海工程技术大学 一种织物编织样式自动分析系统及方法
CN102592286A (zh) * 2012-03-14 2012-07-18 江南大学 一种基于图像处理的色织物配色模纹图自动识别方法
CN103106645B (zh) * 2013-03-15 2015-08-12 天津工业大学 一种机织物组织结构识别方法
CN103530644A (zh) * 2013-10-25 2014-01-22 天津工业大学 条纹织物组织结构自动识别方法
CN104573719B (zh) * 2014-12-31 2017-10-24 国家电网公司 基于图像智能分析的山火检测方法
CN104778703A (zh) * 2015-04-15 2015-07-15 天津大学 织物图案创意要素自动提取方法
CN106780582B (zh) * 2016-12-16 2019-08-13 西安电子科技大学 基于纹理特征和颜色特征融合的图像显著性检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105701477A (zh) * 2016-02-19 2016-06-22 中原工学院 一种基于平稳小波变换视觉显著性的织物疵点检测方法

Also Published As

Publication number Publication date
CN109993755A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109993755B (zh) 一种提花织物图像组织结构分割方法
CN106815842B (zh) 一种改进的基于超像素的图像显著性检测方法
CN108961271B (zh) 一种彩色3d点云超体素凹凸分割算法
Mushrif et al. Color image segmentation: Rough-set theoretic approach
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN110866896B (zh) 基于k-means与水平集超像素分割的图像显著性目标检测方法
CN111583279A (zh) 一种基于pcba的超像素图像分割方法
CN115311310B (zh) 通过图割实现纺织品印花图案提取的方法
CN106127735B (zh) 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置
CN107507215B (zh) 一种基于自适应量化增强的电力设备红外热图分割方法
CN109754440A (zh) 一种基于全卷积网络和均值漂移的阴影区域检测方法
CN115330795B (zh) 布匹毛刺缺陷检测方法
CN111598918B (zh) 一种基于参考帧优选和前后景分离的视频稳像运动估计方法
CN102915541A (zh) 多尺度的图像分割方法
CN106373131B (zh) 基于边缘的图像显著性区域检测方法
CN116721121A (zh) 一种植物表型彩色图像特征提取方法
CN109272503A (zh) 一种基于最大熵与dbscan相融合的毛羽检测算法
CN109191482B (zh) 一种基于区域自适应光谱角阈值的图像合并分割方法
CN109308709B (zh) 基于图像分割的Vibe运动目标检测算法
Neupane et al. A new image edge detection method using quality-based clustering
CN116993947B (zh) 一种三维场景可视化展示方法及系统
CN112365517A (zh) 一种基于图像颜色和密度特征的超像素分割方法
CN109741358A (zh) 基于自适应超图学习的超像素分割方法
Pojala et al. Detection of moving objects using fuzzy correlogram based background subtraction
CN112435272A (zh) 一种基于图像轮廓分析的高压输电线连通域去除方法

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