CN110838117A - 一种基于孔壁图像的岩石面孔隙度识别方法 - Google Patents
一种基于孔壁图像的岩石面孔隙度识别方法 Download PDFInfo
- Publication number
- CN110838117A CN110838117A CN201911112309.9A CN201911112309A CN110838117A CN 110838117 A CN110838117 A CN 110838117A CN 201911112309 A CN201911112309 A CN 201911112309A CN 110838117 A CN110838117 A CN 110838117A
- Authority
- CN
- China
- Prior art keywords
- hole wall
- pore
- image
- white
- binary image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于孔壁图像的岩石面孔隙度识别方法,步骤是:调整孔壁图像RGB分量值;转换颜色空间、合适阈值二值化、二值图像数学形态学操作、像素点统计计算。本发明通过对钻摄像技术获取的孔壁图像进行分析处理,能够快速、准确的识别出岩石的面孔隙度,为工程实践和科学研究提供一个有意义的参数。
Description
技术领域
本发明属于数字岩石工程领域,更具体涉及一种基于孔壁图像的岩石面孔隙度识别方法。
技术背景
孔隙度是评价岩体质量的重要因素之一,常见的测量方法是对钻孔岩芯进行室内物理实验,测得岩石总体积和岩石中孔隙体积,进而计算孔隙度大小。但是在深部岩石工程中,由于高地应力的存在,很难取出完整的钻孔岩芯,限制了通过物理实验的方法测定岩石的孔隙度。
有研究表明,岩石的面孔隙度与孔隙度之间存在一定的关系。据此,有学者借助数字图像处理技术开展了岩石面孔隙度识别研究。已公开的研究显示,面孔隙度的识别大多是对光学显微镜等设备拍摄到的岩石薄片图像进行分析处理。但是该方法实现起来较为复杂且不太可能对大范围内的岩石孔隙度进行测量。
随着钻孔摄像技术的出现,岩体内部结构的探测出现了新的方法,它能够通过钻孔深入岩体内部,获得高清的孔壁影像资料。钻孔摄像技术采集到的孔壁影像资料完整且无损的记录了岩石孔隙、裂隙等结构信息,通过对影像资料的分析处理就能得到诸如孔隙度、连通性、粗糙度等对工程和研究具有价值的指标数据。目前还未见有针对钻孔图像孔隙度识别的相关研究,因此,发明一种能够实现钻孔孔壁图像面孔隙度快速高效识别的方法,将对工程实践和科学研究产生一定的指导意义。
发明内容
本发明的目的在于避免现有技术中的不足之处,提供一种基于孔壁图像的岩石面孔隙度识别方法,通过调整孔壁图像RGB分量值、转换颜色空间、合适阈值二值化、二值图像数学形态学操作、像素点统计等步骤,能够快速准确的识别孔壁图像的面孔隙度,为工程实践和科学研究提供一个有意义的参数。
为解决上述技术问题,本发明采用如下的技术方案:
一种基于孔壁图像的岩石面孔隙度识别方法,包括以下步骤:
步骤1、遍历孔壁图像中每一个像素点的R、G、B分量值,并找出每个像素点的分量最大值max(R,G,B)和分量最小值min(R,G,B),当max(R,G,B)>T1,且max(R,G,B)-min(R,G,B)>T2时,将像素点的R、G、B分量值重新赋值为max(R,G,B),T1为第一阈值,T2为第二阈值,第一阈值和第二阈值均大于0且小于255,第一阈值大于第二阈值;
步骤2、将步骤1处理后的孔壁图像转换为饱和度分量图;
步骤3、对饱和度分量图进行二值化获得二值图像;
步骤4、去除二值图像中的白色孔隙杂点和黑色非孔隙杂点;
步骤5、统计经步骤4处理后的二值图像中白色孔隙区域的像素点数和二值图像的总像素点数,计算白色孔隙区域的像素点数与二值图像的总像素点数的比值,获得岩石的面孔隙度。
如上所述的步骤2的饱和度分量图的S分量通过以下步骤获得:
其中:Xmax=max(R,G,B),Xmin=min(R,G,B)。
如上所述的步骤3中,饱和度分量图的二值化阈值通过最大类间方差法获得。
如上所述的步骤4包括以下步骤:
步骤4.1、首先通过设定一个白色杂点滤除阈值滤去二值图像中像素小于该白色杂点滤除阈值的微小白色孔隙杂点;
步骤4.2、然后创建圆盘形对象,再利用圆盘形对象对已经滤除微小白色孔隙杂点的二值图像执行闭运算;
步骤4.3、最后在经过闭运算后的二值图像中,对白色孔隙区域内的黑色非孔隙杂点进行白色填充。
本发明与现有技术相比,具有以下优点和有益效果:
1、本发明通过设定阈值,调整图像的R、G、B分量值,可以有效地消除泥浆和岩石颜色在孔隙识别过程中造成的误差。
2、本发明通过修正的转换公式将孔壁图像由RGB颜色空间转换为饱和度分量图,提高了暗灰色底纹和孔隙间灰度值的差异,避免了将暗灰色底纹误认为是孔隙。
附图说明
图1为本发明的流程图。
图2为本发明适用的一段钻孔的孔壁图像。
其中:黑色为本发明需要提取的孔隙,浅灰色为钻井过程中孔壁残留的泥浆(泥浆在RGB格式图像中为黄色),白色和暗灰色区域为岩石本身底纹。
图3为本发明对孔壁图像处理的效果图。
其中,(a)为原始的孔壁图像,(b)为步骤1调整孔壁图像RGB分量处理后的效果图;(c)为原始的孔壁图像的直接二值化,(d)为步骤2获得的饱和度分量图,(e)为步骤3获得的二值图像,(f)为步骤4处理后的图像,白色为孔壁图像经本发明处理后的孔隙区域。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
一种基于孔壁图像的岩石面孔隙度识别方法,在已经获取到孔壁图像的前提下,具体步骤如图1所示,并结合实际孔壁图像进行详细说明。
步骤1、调整孔壁图像RGB分量:
孔壁图像是由钻孔摄像仪器深入岩体内部拍摄的高清孔壁影像资料处理而来,孔壁的洁净程度影响着孔壁图像的真实情况。尽管在孔壁成像之前会先对钻孔进行冲洗,但不排除仍有部分泥浆等物质粘附在孔壁上,如图2所示,图中黄色部分即为未冲洗干净的泥浆。泥浆在后续的处理过程中很容易被误认为是孔隙,从而使岩石的孔隙度偏大。另一方面,岩石本身可能存在的不同颜色也会影响到孔隙的识别。因此,本发明针对孔壁可能存在的泥浆及岩石本身颜色的干扰,首先对孔壁图像RGB分量值进行调整,去除对孔隙度识别存在干扰的颜色。在RGB颜色空间下,R、G、B分量值大小相近时图像显示为灰黑色,当R、G、B分量值大小相差较大时图像显示为其他不同颜色。基于这样的差异,本发明设定第一阈值和第二阈值,第一阈值和第二阈值均大于0且小于255,第一阈值大于第二阈值,在本实施例中,第一阈值T1=150、第二阈值T2=40,遍历孔壁图像中每一个像素点的R、G、B分量值,并找出每个像素点的分量最大值max(R,G,B)和分量最小值min(R,G,B)。当max(R,G,B)>T1,且max(R,G,B)-min(R,G,B)>T2时,将像素点的R、G、B分量值重新赋值为R=G=B=max(R,G,B)。调整后的孔壁图像再经后续处理过程就消除了泥浆及岩石颜色对孔隙识别带来的干扰,如图3所示。
步骤2、转换颜色空间
在RGB颜色空间下,孔壁图像经过步骤1之后已经区分了孔隙和泥浆及岩石本身颜色。但是将孔壁图像二值化时会发现,图像中存在的暗灰色底纹与孔隙二者灰度值重叠,无法进行区分。暗灰色底纹在RGB颜色空间下R、G、B三个分量值的大小相近,并且一般都在100以上。而孔隙区域的R、G、B分量值中分量最大值max(R,G,B)和分量最小值min(R,G,B)相差较大,并且一般都低于100。基于这一特点,本发明中通过转换颜色空间的方法来扩大暗灰色底纹灰度值与孔隙灰度值的差异,使得后续孔隙识别更加精准。
HSI颜色空间和HVS颜色空间中,S分量表示颜色的深浅程度,称为饱和度,它反映了图像中每个像素点R、G、B分量值间的大小差异。如上所述,孔壁图像中暗灰色底纹与孔隙R、G、B值间的大小差异非常显著,将孔壁图像转换成饱和度分量图可以有效地区分二者。常见的饱和度分量图中的S分量计算公式有:
其中:Xmin=min(R,G,B),eps是MATLAB中的浮点相对精度函数,表示浮点相对精度。对双精度数值来说eps表示从1.0到下一个最大双精度数的距离。对单精度数值来说eps表示从1.0到下一个最大单精度数的距离。
其中:Xmax=max(R,G,B),Xmin=min(R,G,B)。
孔壁图像经现有S分量计算公式转换后并不能完全区分暗灰色底纹和孔隙,因此本发明对现有公式进行了修正,使得暗灰色底纹和孔隙灰度值分布更加合理,经后续二值化以后能够更好地将二者进行区分。通过以下公式将步骤1处理后的孔壁图像转换为饱和度分量图,饱和度分量图中每个像素点的值为S:
其中:Xmax=max(R,G,B),Xmin=min(R,G,B)。
步骤3、选择合适阈值二值化
经过步骤2得到的饱和度分量图是一幅灰度图像,二值化的目的是将饱和度分量图划分为孔隙和非孔隙两部分,因此划分阈值的选择十分重要。本发明中使用最大类间方差法来找到饱和度分量图的一个合适阈值,最大类间方差法是一种自适应的阈值确定方法。它是按图像的灰度特性,将图像分成背景和目标两部分,背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景做分为目标都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。根据最大类间方差法获得饱和度分量图的二值化阈值,根据二值化阈值对饱和度分量图进行二值化获得二值图像,二值图像中,孔隙区域为白色,灰度值为1;非孔隙区域为黑色,灰度值为0。
步骤4、二值图像进行数学形态学处理
经上述步骤处理后的二值图像还存在瑕疵,如图3所示,在白色孔隙区域内存在少量微小的黑色非孔隙杂点,黑色非孔隙区域内存在少量微小的白色孔隙杂点。本发明通过数学形态学操作去除二值图像中的白色孔隙杂点和黑色非孔隙杂点,具体为:
步骤4.1、首先通过设定一个白色杂点滤除阈值滤去二值图像中像素小于该白色杂点滤除阈值的微小白色孔隙杂点,本发明中白色杂点滤除阈值设为80;
步骤4.2、然后创建像素大小为15的圆盘形对象,再利用圆盘形对象对已经滤除微小白色孔隙杂点的二值图像执行闭运算,使邻近的白色孔隙区域连接;
步骤4.3、最后在经过闭运算后的二值图像中,对白色孔隙区域内的黑色非孔隙杂点进行白色填充,消除白色孔隙区域中存在少量微小的黑色非孔隙杂点。
步骤5、像素点统计
分别统计经步骤4处理后的二值图像中白色孔隙区域的像素点数和二值图像的总像素点数,计算白色孔隙区域的像素点数与二值图像的总像素点数的比值,即为岩石的面孔隙度。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于孔壁图像的岩石面孔隙度识别方法,其特征在于,包括以下步骤:
步骤1、遍历孔壁图像中每一个像素点的R、G、B分量值,并找出每个像素点的分量最大值max(R,G,B)和分量最小值min(R,G,B),当max(R,G,B)>T1,且max(R,G,B)-min(R,G,B)>T2时,将像素点的R、G、B分量值重新赋值为max(R,G,B),T1为第一阈值,T2为第二阈值,第一阈值和第二阈值均大于0且小于255,第一阈值大于第二阈值;
步骤2、将步骤1处理后的孔壁图像转换为饱和度分量图;
步骤3、对饱和度分量图进行二值化获得二值图像;
步骤4、去除二值图像中的白色孔隙杂点和黑色非孔隙杂点;
步骤5、统计经步骤4处理后的二值图像中白色孔隙区域的像素点数和二值图像的总像素点数,计算白色孔隙区域的像素点数与二值图像的总像素点数的比值,获得岩石的面孔隙度。
3.根据权利要求2所述的一种基于孔壁图像的岩石面孔隙度识别方法,其特征在于,所述的步骤3中,饱和度分量图的二值化阈值通过最大类间方差法获得。
4.根据权利要求3所述的一种基于孔壁图像的岩石面孔隙度识别方法,其特征在于,所述的步骤4包括以下步骤:
步骤4.1、首先通过设定一个白色杂点滤除阈值滤去二值图像中像素小于该白色杂点滤除阈值的微小白色孔隙杂点;
步骤4.2、然后创建圆盘形对象,再利用圆盘形对象对已经滤除微小白色孔隙杂点的二值图像执行闭运算;
步骤4.3、最后在经过闭运算后的二值图像中,对白色孔隙区域内的黑色非孔隙杂点进行白色填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112309.9A CN110838117B (zh) | 2019-11-14 | 2019-11-14 | 一种基于孔壁图像的岩石面孔隙度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112309.9A CN110838117B (zh) | 2019-11-14 | 2019-11-14 | 一种基于孔壁图像的岩石面孔隙度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838117A true CN110838117A (zh) | 2020-02-25 |
CN110838117B CN110838117B (zh) | 2022-05-13 |
Family
ID=69574951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112309.9A Active CN110838117B (zh) | 2019-11-14 | 2019-11-14 | 一种基于孔壁图像的岩石面孔隙度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838117B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112050756A (zh) * | 2020-09-04 | 2020-12-08 | 南通大学 | 一种岩矿石切片与树脂靶表面平整度识别处理方法 |
CN113029911A (zh) * | 2021-03-31 | 2021-06-25 | 中国科学院武汉岩土力学研究所 | 一种岩石孔隙度计算方法 |
CN113188975A (zh) * | 2021-05-07 | 2021-07-30 | 中南大学 | 基于图像处理技术的岩体裂隙及飞石运动分析系统及方法 |
CN113592823A (zh) * | 2021-08-02 | 2021-11-02 | 中南大学 | 一种岩层孔隙率分布计算方法 |
CN113808052A (zh) * | 2021-09-28 | 2021-12-17 | 西南石油大学 | 一种基于机器视觉实时监测井眼清洁的方法 |
CN117994347A (zh) * | 2024-04-07 | 2024-05-07 | 宝鸡市鹏盛鑫有色金属有限责任公司 | 一种法兰加工钻孔高精度定位方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003065017A2 (en) * | 2002-01-31 | 2003-08-07 | Aberdeen University | A method and device to ascertain physical characteristics of porous media |
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN105136642A (zh) * | 2015-08-21 | 2015-12-09 | 中国石油天然气股份有限公司 | 致密基岩面孔率确定方法及装置 |
CN105160685A (zh) * | 2015-10-16 | 2015-12-16 | 南京大学(苏州)高新技术研究院 | 一种岩石孔隙和颗粒系统的计算机数字图像识别方法 |
CN106153854A (zh) * | 2015-03-30 | 2016-11-23 | 中国石油化工股份有限公司 | 密闭取心井饱和度校正方法 |
CN106296678A (zh) * | 2016-08-03 | 2017-01-04 | 黄河勘测规划设计有限公司 | 基于钻孔光学成像技术的rqd分析方法 |
CN107578370A (zh) * | 2017-09-20 | 2018-01-12 | 武汉鸿瑞达信息技术有限公司 | 一种rgb模式下快速不失真提高画面饱和度的方法与装置 |
CN108053661A (zh) * | 2017-12-19 | 2018-05-18 | 青岛海信网络科技股份有限公司 | 一种交通控制的方法及装置 |
CN108387495A (zh) * | 2018-01-22 | 2018-08-10 | 青岛理工大学 | 一种多孔混凝土孔隙率计算和孔隙参数表征方法 |
CN110275150A (zh) * | 2019-07-16 | 2019-09-24 | 北京航空航天大学 | 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 |
CN110360963A (zh) * | 2019-07-22 | 2019-10-22 | 中国科学院武汉岩土力学研究所 | 一种钻孔摄像技术的岩体结构面三维粗糙度描述方法 |
-
2019
- 2019-11-14 CN CN201911112309.9A patent/CN110838117B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003065017A2 (en) * | 2002-01-31 | 2003-08-07 | Aberdeen University | A method and device to ascertain physical characteristics of porous media |
CN106153854A (zh) * | 2015-03-30 | 2016-11-23 | 中国石油化工股份有限公司 | 密闭取心井饱和度校正方法 |
CN104794486A (zh) * | 2015-04-10 | 2015-07-22 | 电子科技大学 | 基于多特征融合的视频烟雾检测方法 |
CN105136642A (zh) * | 2015-08-21 | 2015-12-09 | 中国石油天然气股份有限公司 | 致密基岩面孔率确定方法及装置 |
CN105160685A (zh) * | 2015-10-16 | 2015-12-16 | 南京大学(苏州)高新技术研究院 | 一种岩石孔隙和颗粒系统的计算机数字图像识别方法 |
CN106296678A (zh) * | 2016-08-03 | 2017-01-04 | 黄河勘测规划设计有限公司 | 基于钻孔光学成像技术的rqd分析方法 |
CN107578370A (zh) * | 2017-09-20 | 2018-01-12 | 武汉鸿瑞达信息技术有限公司 | 一种rgb模式下快速不失真提高画面饱和度的方法与装置 |
CN108053661A (zh) * | 2017-12-19 | 2018-05-18 | 青岛海信网络科技股份有限公司 | 一种交通控制的方法及装置 |
CN108387495A (zh) * | 2018-01-22 | 2018-08-10 | 青岛理工大学 | 一种多孔混凝土孔隙率计算和孔隙参数表征方法 |
CN110275150A (zh) * | 2019-07-16 | 2019-09-24 | 北京航空航天大学 | 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 |
CN110360963A (zh) * | 2019-07-22 | 2019-10-22 | 中国科学院武汉岩土力学研究所 | 一种钻孔摄像技术的岩体结构面三维粗糙度描述方法 |
Non-Patent Citations (6)
Title |
---|
NAVARRE-SITCHLER A K等: ""Porosity and surface area evolution during weathering of two igneous rocks"", 《GEOCHIMICA ET COSMOCHIMICA ACTA》 * |
QIN H等: ""A method to calculate porosity and saturatuion in fractured reservoirs"", 《OIL GEOPHYSICAL PROSPECTING》 * |
吴海兵等: ""基于低照度三基色图像去噪及融合彩色图像增强方法研究"", 《应用光学》 * |
柯勇等: ""图像处理中间件在嵌入式系统中的设计与实现"", 《计算机应用研究》 * |
石美红等: ""从RGB到HSV色彩空间转换公式的修正"", 《纺织高校基础科学学报》 * |
黎粤华等: ""基于视频序列的火灾烟雾颜色检测算法"", 《光电技术应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112050756A (zh) * | 2020-09-04 | 2020-12-08 | 南通大学 | 一种岩矿石切片与树脂靶表面平整度识别处理方法 |
CN112050756B (zh) * | 2020-09-04 | 2022-05-06 | 南通大学 | 一种岩矿石切片与树脂靶表面平整度识别处理方法 |
CN113029911A (zh) * | 2021-03-31 | 2021-06-25 | 中国科学院武汉岩土力学研究所 | 一种岩石孔隙度计算方法 |
CN113188975A (zh) * | 2021-05-07 | 2021-07-30 | 中南大学 | 基于图像处理技术的岩体裂隙及飞石运动分析系统及方法 |
CN113188975B (zh) * | 2021-05-07 | 2022-07-15 | 中南大学 | 基于图像处理技术的岩体裂隙及飞石运动分析系统及方法 |
CN113592823A (zh) * | 2021-08-02 | 2021-11-02 | 中南大学 | 一种岩层孔隙率分布计算方法 |
CN113592823B (zh) * | 2021-08-02 | 2023-09-19 | 中南大学 | 一种岩层孔隙率分布计算方法 |
CN113808052A (zh) * | 2021-09-28 | 2021-12-17 | 西南石油大学 | 一种基于机器视觉实时监测井眼清洁的方法 |
CN113808052B (zh) * | 2021-09-28 | 2023-09-12 | 西南石油大学 | 一种基于机器视觉实时监测井眼清洁的方法 |
CN117994347A (zh) * | 2024-04-07 | 2024-05-07 | 宝鸡市鹏盛鑫有色金属有限责任公司 | 一种法兰加工钻孔高精度定位方法 |
CN117994347B (zh) * | 2024-04-07 | 2024-06-11 | 宝鸡市鹏盛鑫有色金属有限责任公司 | 一种法兰加工钻孔高精度定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110838117B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838117B (zh) | 一种基于孔壁图像的岩石面孔隙度识别方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN117078672B (zh) | 基于计算机视觉的手机屏幕缺陷智能检测方法 | |
CN108109157B (zh) | 一种基于数字式全景钻孔图像的岩体评估分析方法 | |
CN110223282B (zh) | 一种泥页岩有机孔隙与无机孔隙自动识别方法及系统 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN102426649A (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN109993797B (zh) | 门窗位置检测方法及装置 | |
CN109584240A (zh) | 滑坡后缘裂缝位移图像识别方法 | |
CN110136196B (zh) | 一种桥梁裂缝宽度自动测量方法 | |
CN103942816A (zh) | 一种基于图像处理的木材单板节子数量和大小的识别方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN116012316A (zh) | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN111709964A (zh) | 一种pcba目标边缘检测方法 | |
CN109766892A (zh) | 一种基于边缘检测的射线检测图像标记信息字符分割方法 | |
CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
CN111667509A (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 | |
CN105678795B (zh) | 一种现场鞋印图像检验方法 | |
CN111986802A (zh) | 一种肺腺癌病理分化等级的辅助判定系统及方法 | |
CN108765370A (zh) | 一种基于Python语言的定量不饱和土壤中裂纹数量的方法 | |
CN116188408A (zh) | 一种基于Canny的鞋面边缘检测识别方法 | |
CN112801112B (zh) | 一种图像二值化处理方法、装置、介质及设备 | |
CN110363783B (zh) | 基于Canny算子的岩体结构面迹线半自动检测方法 |
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 |