CN110288618B - 一种光照不均图像的多目标分割方法 - Google Patents
一种光照不均图像的多目标分割方法 Download PDFInfo
- Publication number
- CN110288618B CN110288618B CN201910335512.6A CN201910335512A CN110288618B CN 110288618 B CN110288618 B CN 110288618B CN 201910335512 A CN201910335512 A CN 201910335512A CN 110288618 B CN110288618 B CN 110288618B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- image
- value
- pixel point
- gray
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理邻域,具体涉及一种光照不均匀图像的多目标分割方法,具体步骤如下:(1)输入图像,将图像转为灰度图;(2)在步骤(1)之后,设置图像像素点邻域,开始遍历图像像素点;(3)在步骤(2)之后,计算灰度均值和图像熵值,将图像像素邻域分为亮暗和特征强弱四种局部邻域;(4)在步骤(3)之后,针对不同的像素点,采用不同的邻域大小和阈值计算方法进行处理,直至完成遍历图像所有像素点。本发明能够充分考虑像素点邻域的灰度分布聚集程度和空间特征,在光照不均匀图像中,即使存在光晕效应,也能自动选取合适的邻域与阈值,更好地判断当前像素点是否处于目标区域,保证目标或缺陷的轮廓能够被准确划分出来。
Description
技术邻域
本发明涉及图像处理邻域,更具体地涉及一种光照不均匀图像的多目标分割方法。
背景技术
在图像处理中,采集的图像往往不能使得多个目标受到的光照均匀一致,甚至在某些光滑或者视场过大的情况,只能在光照不均匀的情况下采集包含目标的图像。光照不均匀导致在图像中不同位置目标不同的处理速度与精度,因此需要对光照不均匀图像进行分割,分离出各个目标轮廓,方便后续进行定位、检测、测量等处理。
光照不均匀图像的分割方法目前主要有基于直方图均衡化结合局部阈值分割和基于照明-反射模型的同态滤波减少光照影响等。基于直方图均衡化的方法对于背景和前景都太亮或者太暗的图像非常有效,并且在己知均衡化函数的情况下,可以恢复原始的直方图,计算量也不大,方法简单可逆,减少光照不均对图像的影响,但其缺点是对图像数据进行无条件的处理,不能充分考虑像素点邻域的灰度分布聚集特征,往往会增强背景无关信息量。基于照射-反射模型的同态滤波方法,通过建立图像的照射-反射模型,将图像分离成照射和反射两种分量,衰减、增强两种分量以调整图像灰度范围、增强对比度,一定程度上抑制图像中的光照影响,但该方法需要通过傅里叶变换将图像转换到频率域,因此不能考虑图像的灰度分布空间特征,而且该算法过程复杂、计算量大。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种光照不均图像的多目标分割方法,利用灰度均值和图像熵,将图像像素邻域分为亮暗和特征强弱四种局部邻域,针对不同的像素点,采用不同的邻域大小和阈值计算方法,能够充分考虑像素点邻域的灰度分布聚集程度和空间特征,在光照不均匀图像中,即使存在光晕效应,也能自动选取合适的邻域与阈值,更好地判断当前像素点是否处于目标区域,保证目标或缺陷的轮廓能够被准确划分出来。
为解决上述技术问题,本发明采用的技术方案是:
提供一种光照不均图像的多目标分割方法,具体步骤如下:
(1)输入图像,将图像转为灰度图;
(2)在步骤(1)之后,设置图像像素点邻域,开始遍历图像像素点;
(3)在步骤(2)之后,计算灰度均值和图像熵值,将图像像素邻域分为亮暗和特征强弱四种局部邻域;
(4)在步骤(3)之后,针对不同的像素点,采用不同的邻域大小和阈值计算方法进行处理,直至完成遍历图像所有像素点。
优选地,在步骤(3)中,根据灰度均值a划分亮暗邻域步骤如下:
(1)首先,按公式计算图像像素点邻域m×n的灰度均值a,公式如下:
其中,Ni是第i个邻域像素点的像素值,m、n为奇数;
(2)其次,将灰度值参考值设定为A,若图像像素点邻域中的灰度均值a高于设定灰度值A,则该像素点邻域属于亮邻域,反之属于暗邻域。
优选地,在步骤(3)中,根据图像熵值b划分强弱邻域步骤如下:
(1)首先,按公式计算图像像素点邻域m×n的灰度均值b,公式如下:
其中,Pi表示邻域中灰度值为i的像素所占的比例;
(2)其次,将邻域熵值参考值设定为B,若图像像素点邻域中的图像熵值b大于设定熵值B,属于弱邻域;反之属于强邻域。
优选地,在步骤(3)中,根据图像熵值b划分强弱邻域,若属于弱邻域,利用调整公式调整邻域大小;反之邻域保持不变。
优选地,对于特征弱邻域,缩小其邻域的大小,减少邻域对像素点后续运算的影响,利用调整公式将邻域缩小,调整公式为:
优选地,在步骤(4)中,在强弱领域利用调整公式调整后,根据亮暗邻域选定不同的阈值计算公式,具体步骤如下:
若图像像素点邻域为亮邻域,阈值计算公式如下:
其中,k是均值的加权值,m、n是经过步骤4调整的邻域大小,Ni是第i个邻域像素点的像素值,C是常数值;若像素点的灰度值N>Th,则将N置为1,反之,则N置为0,完成该像素点的处理;
若图像像素点邻域为暗邻域,阈值计算公式如下:
其中,N是当前像素点的灰度值,m、n是经过步骤4调整的邻域大小,Ni是第i个邻域像素点的像素值,Tl是一个比例值,Tl∈[0,1];若Tl大于设定比例值t,说明像素点与背景差异较大,将对应的像素点灰度值N置为1,反之,若Tl小于设定比例值t,则N置为0,完成该像素点的处理。
与现有技术相比,本发明的有益效果是:
本发明利用灰度均值和图像熵,将图像像素邻域分为亮暗和特征强弱四种局部邻域,针对不同的像素点,采用不同的邻域大小和阈值计算方法,能够充分考虑像素点邻域的灰度分布聚集程度和空间特征,在光照不均匀图像中,即使存在光晕效应,也能自动选取合适的邻域与阈值,更好地判断当前像素点是否处于目标区域,保证目标或缺陷的轮廓能够被准确划分出来;本发明根据像素点邻域的情况,调整邻域对像素点分割的影响,采用不同的阈值计算方式进行分割,能够对细微尺寸的轮廓进行划分,在光照不均、有光晕效应的图像中,不同位置相同目标的灰度差异过大,轮廓存在伪边缘,该方法仍能分割出多目标的轮廓、缺陷特征等,在定位、缺陷分割中非常适用,且不需要建立光照模型和图像频率域变换,速度更快,大小为640*480的图像处理时间少于7ms,能够对图像进行实时处理。
附图说明
图1是本发明的算法操作流程图;
图2是步骤1输入的光照不均的图像,图2a是一种LED芯片,图2b是一种有表面花纹的钢材料;
图3是图2a缺陷的放大表示;
图4是对图2使用多目标分割算法的处理结果;
图5是使用一组尺寸为640*480的图像测试算法耗时的统计折线图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本邻域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本邻域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例
如图1至5所示为本发明一种光照不均图像的多目标分割方法的实施例,具体步骤如下:
(1)输入图像,将图像转为灰度图;
(2)在步骤(1)之后,设置图像像素点邻域,开始遍历图像像素点;
(3)在步骤(2)之后,计算灰度均值和图像熵值,将图像像素邻域分为亮暗和特征强弱四种局部邻域;
(4)在步骤(3)之后,针对不同的像素点,采用不同的邻域大小和阈值计算方法进行处理,直至完成遍历图像所有像素点。
其中,在步骤(3)中,根据灰度均值a划分亮暗邻域步骤如下:
(1)首先,按公式计算图像像素点邻域m×n的灰度均值a,公式如下:
其中,Ni是第i个邻域像素点的像素值,m、n为奇数;
(2)其次,将灰度值参考值设定为A,若图像像素点邻域中的灰度均值a高于设定灰度值A,则该像素点邻域属于亮邻域,反之属于暗邻域。
另外,在步骤(3)中,根据图像熵值b划分强弱邻域步骤如下:
(1)首先,按公式计算图像像素点邻域m×n的灰度均值b,公式如下:
其中,Pi表示邻域中灰度值为i的像素所占的比例;
(2)其次,将邻域熵值参考值设定为B,若图像像素点邻域中的图像熵值b大于设定熵值B,属于弱邻域;反之属于强邻域。
其中,在步骤(3)中,根据图像熵值b划分强弱邻域,若属于弱邻域,利用调整公式调整邻域大小;反之邻域保持不变。
另外,对于特征弱邻域,缩小其邻域的大小,减少邻域对像素点后续运算的影响,利用调整公式将邻域缩小,调整公式为:
其中,在步骤(4)中,在强弱领域利用调整公式调整后,根据亮暗邻域选定不同的阈值计算公式,具体步骤如下:
若图像像素点邻域为亮邻域,阈值计算公式如下:
其中,k是均值的加权值,m、n是经过步骤4调整的邻域大小,Ni是第i个邻域像素点的像素值,C是常数值;若像素点的灰度值N>Th,则将N置为1,反之,则N置为0,完成该像素点的处理;
若图像像素点邻域为暗邻域,阈值计算公式如下:
其中,N是当前像素点的灰度值,m、n是经过步骤4调整的邻域大小,Ni是第i个邻域像素点的像素值,Tl是一个比例值,Tl∈[0,1];若Tl大于设定比例值t,说明像素点与背景差异较大,将对应的像素点灰度值N置为1,反之,若Tl小于设定比例值t,则N置为0,完成该像素点的处理。
具体地:
如图1所示是算法的流程图,一种光照不均图像的多目标分割方法,包括如下步骤:
步骤1、输入图像,将图像转为灰度图,如图2是输入的光照不均匀图像,图3划出了图2a中的缺陷位置;
步骤2、设置图像像素点邻域为11×11,开始遍历图像像素点;
步骤3、计算邻域灰度均值a,灰度均值代表图像亮度,将邻域分为亮邻域和暗邻域。计算像素点邻域11×11的灰度均值a,设置亮暗邻域的灰度阈值为40,若a高于设定值40,则该像素点邻域属于亮邻域,反之属于暗邻域,灰度均值a计算公式如式(1):
其中,m、n是邻域大小,Ni是第i个邻域像素点的像素值。
步骤4、计算邻域熵值b,将邻域分为特征强邻域和特征弱邻域,调整邻域大小。其包括:
步骤401,图像熵表示图像中灰度分布的聚集特征所包含的信息量,可以反映邻域所包含平均信息量的多少,设置判断特征强弱邻域的熵阈值为0.75,若邻域熵值b大于设定值0.75,说明邻域信息离散,属于特征弱邻域,通过步骤402调整邻域大小;反之,若邻域熵值b小于设定值0.75,说明邻域信息集中,包含较多特征,属于特征强邻域,则邻域保持11×11不变,不进行步骤402;邻域熵计算公式如式(2):
其中,Pi表示邻域中灰度值为i的像素所占的比例。
步骤402,调整领域的大小。对于特征弱邻域,将领域缩小为原本的一半,减少领域对像素点后续运算的影响,防止经过特征弱邻域的影响,经过步骤5的阈值分割,将属于目标的像素点划分为背景,邻域调整公式为式(3),经过调整,邻域变为5×5:
步骤5、计算阈值,用于二值化像素点。调整邻域大小后,根据邻域是亮邻域或者暗邻域选择不同的阈值计算公式,以保留邻域的重要特征。若步骤3中判断为亮邻域,则进行下述步骤501,不进行下述步骤502;若步骤3中判断为暗邻域,则进行下述步骤502,不进行下述步骤501。其包括:
步骤501,亮邻域阈值计算。对于邻域为亮的像素点,由于灰度值较高,因此将其与相邻像素直接作比较,保留对比明显的像素点,忽略平滑的过渡点。通过计算其邻域的加权均值,减去常量C,C设定为5,得到阈值Th,Th的计算公式为式(4):
其中,k是均值的加权值,取0.95,m、n是经过步骤4调整的邻域大小,Ni是第i个邻域像素点的像素值,C是常数值;若像素点的灰度值N>Th,则将N置为1,反之,则N置为0,完成该像素点的处理。
步骤502,暗邻域阈值计算。对于邻域为暗的像素点,由于其灰度值较低,如果按照亮邻域计算加权均值,减去常量C得到阈值的方法,很有可能因为常量C过大,导致本身是目标的低灰度值像素点置为背景。因此,计算像素点灰度值与邻域灰度均值的差值,以差值与本身灰度值的百分比作为区分依据,使得该阈值计算方法在灰度值偏低的暗邻域情况下更有区分性,暗邻域阈值计算公式Tl如式(5):
其中,N是当前像素点的灰度值,m、n是经过步骤4调整的邻域大小,Ni是第i个邻域像素点的像素值,Tl是一个比例值,Tl∈[0,1]。设定该比例值阈值t=0.2,若Tl大于设定比例值0.2,则像素点与背景差异较大,将对应的像素点灰度值N置为1,反之,若Tl小于设定比例值0.2,则N置为0,完成该像素点的处理。
步骤6、分析下一个像素点,重复上述步骤3到步骤5,直到完成遍历图像。如图4是经过本发明算法处理后得到的图像,在同一幅图像的不同光照位置下,目标边缘轮廓的分割效果基本一致,且对无用信号(如噪声点)抑制较好,稳定的分割效果有利于多目标定位、轮廓分割等处理;对于在图3中划出的缺陷,缺陷处于光照不一致的位置,且缺陷特征已经很弱,难以观察,但由图4可见大部分缺陷仍能准确分割出来,因此,算法也适用于光照不均图像的缺陷处理。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属邻域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种光照不均图像的多目标分割方法,其特征在于,具体步骤如下:
(1)输入图像,将图像转为灰度图;
(2)在步骤(1)之后,设置图像像素点邻域,开始遍历图像像素点;
(3)在步骤(2)之后,计算灰度均值和图像熵值,将图像像素邻域分为亮暗和特征强弱四种局部邻域;
(4)在步骤(3)之后,针对不同的像素点,采用不同的邻域大小和阈值计算方法进行处理,直至完成遍历图像所有像素点;
在步骤(3)中,根据灰度均值a划分亮暗邻域步骤如下:
(1)首先,按公式计算图像像素点邻域m×n的灰度均值a,公式如下:
其中,Ni是第i个邻域像素点的像素值,m、n为奇数;
(2)其次,将灰度值参考值设定为A,若图像像素点邻域中的灰度均值a高于设定灰度值A,则该像素点邻域属于亮邻域,反之属于暗邻域;
在步骤(3)中,根据图像熵值b划分强弱邻域步骤如下:
(1)首先,按公式计算图像像素点邻域m×n的图像熵值b,公式如下:
其中,Pi表示邻域中灰度值为i的像素所占的比例;
(2)其次,将邻域熵值参考值设定为B,若图像像素点邻域中的图像熵值b大于设定熵值B,属于弱邻域;反之属于强邻域。
2.根据权利要求1所述的光照不均图像的多目标分割方法,其特征在于,在步骤(3)中,根据图像熵值b划分强弱邻域,若属于弱邻域,利用调整公式调整邻域大小;反之邻域保持不变。
4.根据权利要求3所述的光照不均图像的多目标分割方法,其特征在于,在步骤(4)中,在强弱领域利用调整公式调整后,根据亮暗邻域选定不同的阈值计算公式,具体步骤如下:
若图像像素点邻域为亮邻域,阈值计算公式如下:
其中,k是均值的加权值,m、n是经过步骤4调整的邻域大小,Ni是第i个邻域像素点的像素值,C是常数值;若像素点的灰度值N>Th,则将N置为1,反之,则N置为0,完成该像素点的处理;
若图像像素点邻域为暗邻域,阈值计算公式如下:
其中,N是当前像素点的灰度值,m、n是经过步骤4调整的邻域大小,Ni是第i个邻域像素点的像素值,Tl是一个比例值,Tl∈[0,1];若Tl大于设定比例值t,说明像素点与背景差异较大,将对应的像素点灰度值N置为1,反之,若Tl小于设定比例值t,则N置为0,完成该像素点的处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910335512.6A CN110288618B (zh) | 2019-04-24 | 2019-04-24 | 一种光照不均图像的多目标分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910335512.6A CN110288618B (zh) | 2019-04-24 | 2019-04-24 | 一种光照不均图像的多目标分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288618A CN110288618A (zh) | 2019-09-27 |
CN110288618B true CN110288618B (zh) | 2022-09-23 |
Family
ID=68001712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910335512.6A Active CN110288618B (zh) | 2019-04-24 | 2019-04-24 | 一种光照不均图像的多目标分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288618B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114845042B (zh) * | 2022-03-14 | 2023-03-10 | 南京大学 | 一种基于图像信息熵的相机自动对焦方法 |
CN115100212B (zh) * | 2022-08-29 | 2022-11-18 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
CN115660789B (zh) * | 2022-11-23 | 2023-08-04 | 广州锐竞信息科技有限责任公司 | 基于智慧电商平台的产品图像管理系统 |
CN116609332B (zh) * | 2023-07-20 | 2023-10-13 | 佳木斯大学 | 新型组织胚胎病理切片全景扫描系统 |
CN117115128A (zh) * | 2023-09-11 | 2023-11-24 | 杭州深度视觉科技有限公司 | 图像的像素值计算方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1282076A2 (en) * | 2001-07-31 | 2003-02-05 | Canon Kabushiki Kaisha | Self-adaptive binarization of digital images |
CN101170641A (zh) * | 2007-12-05 | 2008-04-30 | 北京航空航天大学 | 一种基于阈值分割的图像边缘检测方法 |
CN102289668A (zh) * | 2011-09-07 | 2011-12-21 | 谭洪舟 | 基于像素邻域特征的自适应文字图像的二值化处理方法 |
CN104008528A (zh) * | 2014-05-21 | 2014-08-27 | 河海大学常州校区 | 基于阈值分割的非均匀光场水下目标探测图像增强方法 |
CN104268844A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学院武汉物理与数学研究所 | 一种基于加权局部图像熵的小目标红外图像处理方法 |
WO2015171355A1 (en) * | 2014-05-08 | 2015-11-12 | Tandent Vision Science, Inc. | A method for identifying color-based vectors for analysis of frames of a video |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CA2940393A1 (en) * | 2015-12-29 | 2017-06-29 | Veneree Rakotomalala Randrianarisoa | Method and system for performing bone multi-segmentation in imaging data |
CN108682004A (zh) * | 2018-04-16 | 2018-10-19 | 华中科技大学 | 一种基于局部信息的复杂背景下红外弱小目标检测方法 |
CN108961291A (zh) * | 2018-08-10 | 2018-12-07 | 广东工业大学 | 一种图像边缘检测的方法、系统及相关组件 |
-
2019
- 2019-04-24 CN CN201910335512.6A patent/CN110288618B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1282076A2 (en) * | 2001-07-31 | 2003-02-05 | Canon Kabushiki Kaisha | Self-adaptive binarization of digital images |
CN101170641A (zh) * | 2007-12-05 | 2008-04-30 | 北京航空航天大学 | 一种基于阈值分割的图像边缘检测方法 |
CN102289668A (zh) * | 2011-09-07 | 2011-12-21 | 谭洪舟 | 基于像素邻域特征的自适应文字图像的二值化处理方法 |
WO2015171355A1 (en) * | 2014-05-08 | 2015-11-12 | Tandent Vision Science, Inc. | A method for identifying color-based vectors for analysis of frames of a video |
CN104008528A (zh) * | 2014-05-21 | 2014-08-27 | 河海大学常州校区 | 基于阈值分割的非均匀光场水下目标探测图像增强方法 |
CN104268844A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学院武汉物理与数学研究所 | 一种基于加权局部图像熵的小目标红外图像处理方法 |
CA2940393A1 (en) * | 2015-12-29 | 2017-06-29 | Veneree Rakotomalala Randrianarisoa | Method and system for performing bone multi-segmentation in imaging data |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN108682004A (zh) * | 2018-04-16 | 2018-10-19 | 华中科技大学 | 一种基于局部信息的复杂背景下红外弱小目标检测方法 |
CN108961291A (zh) * | 2018-08-10 | 2018-12-07 | 广东工业大学 | 一种图像边缘检测的方法、系统及相关组件 |
Non-Patent Citations (5)
Title |
---|
An Improved Adaptive Level Set Method for Image Segmentation;Li Zhang et.al;《International Journal of Pattern Recognition and Artifcial Intelligence》;20171117;全文 * |
二维信息熵的红外图像分割算法;王莹莹等;《空军工程大学学报(自然科学版)》;20150225(第01期);全文 * |
基于邻域灰度差值的二维Otsu分割方法研究;肖刚等;《计算机应用研究》;20090415(第04期);全文 * |
复杂背景下多源多目标图像的分形分割算法;宿丁等;《红外与激光工程》;20070625(第03期);全文 * |
灰度图像最大熵分割方法的改进;郑丽萍等;《计算机工程与科学》;20101215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110288618A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
CN115601367B (zh) | 一种led灯芯缺陷检测方法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN115100212B (zh) | 一种润滑油污染程度检测方法 | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
CN108389175B (zh) | 融合变差函数和颜色衰减先验的图像去雾方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115439494B (zh) | 用于喷雾机质检的喷雾图像处理方法 | |
CN108389216B (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN115496760B (zh) | 一种阿胶品质鉴定方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
CN105812618B (zh) | 一种运动检测方法及运动检测装置 | |
CN113034452A (zh) | 一种焊件轮廓检测方法 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN116630321B (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111709964A (zh) | 一种pcba目标边缘检测方法 | |
CN117152135B (zh) | 一种道路施工裂缝缺陷评估检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 |
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 |