CN111738256B - 基于改进分水岭算法的复合材料ct图像分割方法 - Google Patents
基于改进分水岭算法的复合材料ct图像分割方法 Download PDFInfo
- Publication number
- CN111738256B CN111738256B CN202010487023.5A CN202010487023A CN111738256B CN 111738256 B CN111738256 B CN 111738256B CN 202010487023 A CN202010487023 A CN 202010487023A CN 111738256 B CN111738256 B CN 111738256B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- region
- value
- algorithm
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 32
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 69
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000003672 processing method Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 230000001629 suppression Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000003708 edge detection Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 239000000835 fiber Substances 0.000 description 6
- 239000003365 glass fiber Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
一种基于改进分水岭算法和形态学评估的复合材料CT图像分割处理方法，对原始图像进行预处理强化其局部特征，通过形态学处理、距离变换得到初始标记点，进而对全局采用自适应h值选取算法和分水岭算法进行预分割；再通过区域有效性指标对已分割标记中每个连通区域进行有效性评估，针对有效性在设定标准以下的区域进行局部h值的自适应选取和分水岭算法分割，进行迭代直至几乎所有连通区域达到有效性指标要求，即得到算法最终分割结果。本发明针对局部对比度低的特点，通过h值的局部自适应迭代分割策略，提高了边缘检测和实例分割的准确度；针对研究对象固有的形态学特征建立有效性指标，从而准确识别欠分割区域并判定是否继续实施局部分割算法。
Description
技术领域
本发明涉及的是一种图像处理领域的技术，具体是一种基于改进分水岭算法的复合材料CT图像分割方法。
背景技术
图像分割处理是指将待处理图像中的感兴趣区域或不同类别的个体区域进行有效分离，使图像的基本组成部分得到有效的划分，从而有效提高后续图像特征提取过程的针对性和准确度。
复合材料通过XCT扫描可以得到其CT断面图像，从而对其内部纤维空间分布进行直观描述，而由于扫描精度和图像分辨率的限制，简单的图像形态学处理不能对图像中的纤维丝进行有效划分，从而产生不同个体间粘连的现象，导致后续的特征提取精度大幅降低。目前已图像分割的算法有：阈值分割算法、边缘分割算法、区域生长算法、分水岭算法、基于图论的图像分割算法、基于聚类的分割算法和基于深度学习的图像分割算法等。而针对复合材料CT图像所存在的低分辨率、个体间对比度低等特点，现有方法难以分离不同个体而缺乏针对复合材料CT图像的适用性，导致图像欠分割。分水岭算法具有检测个体间微弱边界的特性，对复合材料CT图像的精确分割具有较好的适应性。如何利用分水岭算法的边界敏感性，同时有效抑制其过分割的缺陷，是保证图像分割精度和效率的关键。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于改进分水岭算法的复合材料CT图像分割方法，针对局部对比度低的特点，通过h值的局部自适应迭代分割策略，提高了边缘检测和实例分割的准确度；针对研究对象固有的形态学特征建立有效性指标，从而准确识别欠分割区域并判定是否继续实施局部分割算法。
本发明是通过以下技术方案实现的：
本发明涉及一种基于改进分水岭算法和形态学评估的复合材料CT图像分割处理方法，对原始图像进行预处理强化其局部特征，通过形态学处理、距离变换得到初始标记点，进而对全局采用自适应h值选取算法和分水岭算法进行预分割；再通过区域有效性指标对已分割标记中每个连通区域进行有效性评估，针对有效性在设定标准以下的区域进行局部h值的自适应选取和分水岭算法分割，进行迭代直至几乎所有连通区域达到有效性指标要求，即得到算法最终分割结果。
所述的预处理是指：首先对图像灰度化，将三通道的图像转换为单通道的灰度图像，其次进行中值滤波以有效抑制噪声，对非线性图像信号进行平滑处理，从而使有效信息更加突出，剔除无关像素特征。
所述的中值滤波是指：对原图像中由于XCT扫描设备的精度限制产生的噪声冗余信息进行抑制的方式，该过程将每个像素点的灰度值设定为该点预定大小的邻域窗口内所有像素点的中值，从而降低干扰、提高图像质量。
所述的形态学处理是指：用于消除孤立点、消除图像中个体间的细微连接、平滑较大个体的图像开、闭运算，其中：开运算是指：先对图像进行腐蚀后进行膨胀的过程，腐蚀操作能够达到去除图像边缘点的效果，膨胀操作能够达到扩展图像边缘点的效果。
所述的距离变换是指：将形态学处理后的图像进行二值化后映射为反映像素点与最邻近边缘距离的灰度图像，即将图像中所有像素点的灰度值设定为它与它所在个体最近边缘点的欧氏距离。
所述的二值化是指：即阈值分割过程，针对图像中的所有像素点，对高于设定阈值的像素值取1，低于设定阈值的像素值取零值而得到的只有两类灰度值的灰度图像。
所述的分水岭算法分割是指：将图像中像素的灰度值或其相对值的高低用于表示地貌特征中的海拔高低，每个极小值对应区域为一个集水盆，初始标记点代表图像中不同的连通区域的种子点，通过从初始标记点不断扩大集水盆区域面积，直至在局部峰值与另外的标记位置的区域进行接触，就在其接触边缘设立区域边缘标记，最终分割出所有标记点所对应的区域。
所述的扩大的方式为：以初始标记点为种子点向集水盆注水，不断提高集水盆中水面的海拔，水面区域也相应扩大，即代表标记点对应区域的扩大过程。
所述的自适应h值选取算法是指：首先以初始h值得到初始标记点并计算连通区域标记点数量，进而对h值不断进行增加，并在每次增加后重新评估标记个数，当标记个数不再上升或前景面积开始大幅减小时，此时h值即对应最佳抑制过分割效果，得到对应最佳的区域标记。
所述的h值是指：在分水岭算法中，对距离变换图像区域灰度峰值高于h值的区域作为区域标记，对低于h值的区域灰度峰值不进行标记，即对可能由噪声引起的微小峰值进行分割抑制以避免过分割现象。在全局h值选取中，先得到大致的标记点，为初始全局h值；在局部h值选取中为针对每个局部区域的精确值选取，即不同局部区域对应不同的h值。
所述的区域有效性指标Valind＝0.5*Convind+0.5*CI，其中：似圆度凸指标/>图像中连通区域面积Ai，对应该连通区域的凸包(Convex Hull)面积Ai,conv，其通过分水岭算法得到的图像掩膜对图像中某一连通区域进行抽取并计算得到，该区域有效性指标反映了连通区域i对最近似凸图像以及圆形的近似程度，考虑到复合材料中纤维截面图像必为凸图像且正截面为正圆或类圆形，故利用该指标度量分割个体的有效性。
所述的凸包是指：图形学中对实数向量空间V中特定集合X，求取所有包含X的凸集的交集S即为X的凸包。
本发明进一步采用针对复合材料CT图像特点的分割性能指标进行分割结果评估，由于复合材料图像分割更关注不同实例的准确区分，故采用区域分割准确率来进行算法评估，即分割准确区域数目占真实所有区域数目的比例，其中分割准确是指分割掩膜对应区域的分割均交并比MIoU>90％。
所述的均交并比(MIoU,Mean Intersection over Union)是指：图像分割的标准度量，其计算正确分割与实际分割两个集合的交集与并集之比。
本发明涉及一种实现上述方法的系统，包括：预处理模块、区域标记模块、过分割抑制模块、分水岭分割模块和有效性评估模块，其中：预处理模块与区域标记模块相连并输出预处理后的图像，区域标记模块与过分割抑制模块相连并传输初始标记点信息，过分割抑制模块与分水岭分割模块相连并传输优化标记点信息，分水岭分割模块与有效性评估模块相连并传输图像分割标记信息，有效性评估模块与过分割抑制模块相连并逐个传输无效区域图像，即在原图基础上对某一无效区域进行背景剔除的图像。
技术效果
本发明整体解决了问题区域的针对性处理而非全局处理、避免了不必要的计算和噪声干扰的技术问题。本发明通过区域有效性指标实现了复合材料CT图像分割任务中对图像不同截面区域形态的评估，有效实现了对截面粘连区域的检测；通过图像局部迭代分割策略，实现了对局部粘连区域自适应h值的选取，从而在有效提高标记准确性的同时抑制了噪声引起的过分割现象，最终针对复合材料CT图像得到了更高精度的分割结果。
与现有技术相比，本发明通过迭代分割策略精准分割了局部区域可能存在的多个(两个及两个以上)截面个体，相比传统算法结果更为准确有效。
附图说明
图1为本发明流程示意图；
图2为实施例的原始图片样例；
图3为实施例的本发明方法分割效果；
图4为实施例的迭代分割前区域有效性指标分布情况；
图5为实施例的迭代分割后区域有效性指标分布情况。
具体实施方式
如图1所示，为本实施例涉及一种基于改进分水岭算法的复合材料CT图像分割方法，以玻璃纤维复合材料XCT扫描图像为例，具体包括以下步骤：
步骤1、读取图像：本实施例所采用的图像数据集来自玻璃纤维复合材料XCT断面扫描样张，图像样例如图2所示，本实施例采用纤维截面个体密集区域以验证本方法的有效性。
步骤2、进行图像预处理：首先转化原始图像为灰度图，通过中值滤波对图像进行平滑，抑制原图噪声以突出欲进行分割的纤维截面区域，并选定合适阈值80进行阈值处理得到二值化图像，进行图像开运算使连通区域间的连接被消除或被抑制，得到个体边界更为清晰的二值图像。
步骤3、距离变换：将图像中每个像素点与所在图像区域最近边缘点的欧氏距离设置为该像素点的灰度值，即越靠近个体中心的像素点灰度值越高，越接近边缘越暗。
步骤4、标记连通区域：对距离变换图像实施阈值分割，其中阈值即为h值，高于h值对应像素点为不同个体对应的初始区域标记点。
本实施例中初始h值选取为1。
步骤5、自适应h值选取：从初始化h值起循环递增并重新生成区域标记，在每步重新统计有效区域数量并于上一次的结果数量对比，直至区域数量不再增加转为下降时，选取有效区域数量极大值对应的h为优化值并相应得到优化后的区域标记。
所述的循环递增过程中设定h值递增步长为0.5。
步骤6、分水岭算法分割：在原始灰度图像上以步骤5得到的优化区域标记点作为种子点，以输入的原图或局部图像为处理图像进行分水岭分割，得到图像分割标记。
所述的图像分割标记是指：与原图大小相等的矩阵向量，其中不同连通区域对应的位置在该矩阵中被标记为不同整数，即图像分割标记中区域i对应位置上的所有值都为i。
步骤7、对有效个体进行形态学评估：针对全局分水岭算法得到的图像分割标记，对所有存在的连通区域分别进行背景剔除，逐一计算非背景区域的区域有效性指标，并将低于有效性标准的区域重新按步骤5～步骤7进行处理，直至指标高于有效性标准的区域数量趋于稳定，即得到最终分割结果。
所述的背景剔除是指：对标记值为i的区域利用分水岭算法得到的图像分割标记，对原始图像中的背景，即除该区域之外的所有像素进行剔除，方法为将图像分割标记中数值不等于i的位置对应的原图像素点都置为0。
所述的区域有效性指标是指：Valind＝0.5*Convind+0.5*CI，其中：凸指标似圆度/>Ai为图像中连通区域i的面积，Pi为其周长，Ai,conv为连通区域i对应凸包(Convex Hull)的面积。
所述的有效性标准是指：判定区域评估指标为合格的标准值，即当区域有效性指标高于该标准时就认为该区域不存在粘连现象，停止算法对该区域的进一步迭代分割；反之继续进行迭代分割。为保证最终结果的有效性选取有效性标准为0.7。
步骤8、分割结果评估
表1测试用图信息
样图选用玻璃纤维复合材料CT图像中纤维截面排布紧凑密集区域，以充分体现本算法对微弱边界的敏感性以及对不同截面区域的有效区分。
本实施例使用现有的无改进的分水岭方法作为对比，分别计算各自的分割准确率，以评价各方法的预测性能。本方法所得结果与现有分水岭方法比较如表2所示。
表2本方法与现有分水岭分割方法的结果对比
根据表2可见，本方法很好实现了预期的发明目的，区域分割准确率都可以达到75％以上，相比现有的分水岭算法均提高一倍以上，大幅提高了算法对复合材料图像的适用性和对不同截面区域的分割准确率。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (10)
1.一种基于改进分水岭算法和形态学评估的复合材料CT图像分割处理方法，其特征在于，对原始图像进行预处理强化其局部特征，通过形态学处理、距离变换得到初始标记点，进而对全局采用自适应h值选取算法和分水岭算法进行预分割；再通过区域有效性指标对已分割标记中每个连通区域进行有效性评估，针对有效性在设定标准以下的区域进行局部h值的自适应选取和分水岭算法分割，进行迭代直至几乎所有连通区域达到有效性指标要求，即得到算法最终分割结果；
所述的区域有效性指标Valind＝0.5*Convind+0.5*CI，其中：似圆度凸指标图像中连通区域面积Ai，对应该连通区域的凸包面积Ai,conv，其通过分水岭算法得到的图像掩膜对图像中某一连通区域进行抽取并计算得到，该区域有效性指标反映了连通区域i对最近似凸图像以及圆形的近似程度；
所述的h值是指：在分水岭算法中，对距离变换图像区域灰度峰值高于h值的区域作为区域标记，对低于h值的区域灰度峰值不进行标记，即对可能由噪声引起的微小峰值进行分割抑制以避免过分割现象，在全局h值选取中，先得到大致的标记点，为初始全局h值；在局部h值选取中为针对每个局部区域的精确值选取，即不同局部区域对应不同的h值。
2.根据权利要求1所述的复合材料CT图像分割处理方法，其特征是，所述的预处理是指：首先对图像灰度化，将三通道的图像转换为单通道的灰度图像，其次进行中值滤波以有效抑制噪声，对非线性图像信号进行平滑处理，从而使有效信息更加突出，剔除无关像素特征。
3.根据权利要求2所述的复合材料CT图像分割处理方法，其特征是，所述的中值滤波是指：对原图像中由于XCT扫描设备的精度限制产生的噪声冗余信息进行抑制的方式，该过程将每个像素点的灰度值设定为该点预定大小的邻域窗口内所有像素点的中值，从而降低干扰、提高图像质量。
4.根据权利要求1所述的复合材料CT图像分割处理方法，其特征是，所述的形态学处理是指：用于消除孤立点、消除图像中个体间的细微连接、平滑较大个体的图像开、闭运算，其中：开运算是指：先对图像进行腐蚀后进行膨胀的过程，腐蚀操作能够达到去除图像边缘点的效果，膨胀操作能够达到扩展图像边缘点的效果。
5.根据权利要求1所述的复合材料CT图像分割处理方法，其特征是，所述的距离变换是指：将形态学处理后的图像进行二值化后映射为反映像素点与最邻近边缘距离的灰度图像，即将图像中所有像素点的灰度值设定为它与它所在个体最近边缘点的欧氏距离。
6.根据权利要求5所述的复合材料CT图像分割处理方法，其特征是，所述的二值化是指：即阈值分割过程，针对图像中的所有像素点，对高于设定阈值的像素值取1，低于设定阈值的像素值取零值而得到的只有两类灰度值的灰度图像。
7.根据权利要求1所述的复合材料CT图像分割处理方法，其特征是，所述的分水岭算法分割是指：将图像中像素的灰度值或其相对值的高低用于表示地貌特征中的海拔高低，每个极小值对应区域为一个集水盆，初始标记点代表图像中不同的连通区域的种子点，通过从初始标记点不断扩大集水盆区域面积，直至在局部峰值与另外的标记位置的区域进行接触，就在其接触边缘设立区域边缘标记，最终分割出所有标记点所对应的区域；
所述的扩大的方式为：以初始标记点为种子点向集水盆注水，不断提高集水盆中水面的海拔，水面区域也相应扩大，即代表标记点对应区域的扩大过程。
8.根据权利要求1所述的复合材料CT图像分割处理方法，其特征是，所述的自适应h值选取算法是指：首先以初始h值得到初始标记点并计算连通区域标记点数量，进而对h值不断进行增加，并在每次增加后重新评估标记个数，当标记个数不再上升或前景面积开始大幅减小时，此时h值即对应最佳抑制过分割效果，得到对应最佳的区域标记。
9.根据权利要求1所述的复合材料CT图像分割处理方法，其特征是，采用针对复合材料CT图像特点的分割性能指标进行分割结果评估，由于复合材料图像分割更关注不同实例的准确区分，故采用区域分割准确率来进行算法评估，即分割准确区域数目占真实所有区域数目的比例，其中分割准确是指分割掩膜对应区域的分割均交并比MIoU>90％；
所述的均交并比是指：图像分割的标准度量，其计算正确分割与实际分割两个集合的交集与并集之比。
10.一种实现上述任一权利要求所述方法的系统，其特征在于，包括：预处理模块、区域标记模块、过分割抑制模块、分水岭分割模块和有效性评估模块，其中：预处理模块与区域标记模块相连并输出预处理后的图像，区域标记模块与过分割抑制模块相连并传输初始标记点信息，过分割抑制模块与分水岭分割模块相连并传输优化标记点信息，分水岭分割模块与有效性评估模块相连并传输图像分割标记信息，有效性评估模块与过分割抑制模块相连并逐个传输无效区域图像，即在原图基础上对某一无效区域进行背景剔除的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010487023.5A CN111738256B (zh) | 2020-06-02 | 2020-06-02 | 基于改进分水岭算法的复合材料ct图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010487023.5A CN111738256B (zh) | 2020-06-02 | 2020-06-02 | 基于改进分水岭算法的复合材料ct图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738256A CN111738256A (zh) | 2020-10-02 |
| CN111738256B true CN111738256B (zh) | 2023-11-17 |
Family
ID=72648077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010487023.5A Active CN111738256B (zh) | 2020-06-02 | 2020-06-02 | 基于改进分水岭算法的复合材料ct图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738256B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365494B (zh) * | 2020-11-30 | 2022-12-13 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
| CN112614062B (zh) * | 2020-12-17 | 2024-04-26 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
| CN113658117B (zh) * | 2021-08-02 | 2023-09-15 | 安徽省交通控股集团有限公司 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
| CN113837168A (zh) * | 2021-09-22 | 2021-12-24 | 易联众智鼎(厦门)科技有限公司 | 一种图像文本检测与ocr识别方法、装置及存储介质 |
| CN115049610A (zh) * | 2022-06-14 | 2022-09-13 | 沈阳大学 | 一种基于单演信号和标记分水岭分割的SR-μCT图像三维血管提取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
| CN107808384A (zh) * | 2017-11-21 | 2018-03-16 | 江南大学 | 基于网格化局部分水岭的模糊聚类方法 |
-
2020
- 2020-06-02 CN CN202010487023.5A patent/CN111738256B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510309A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 |
| CN107808384A (zh) * | 2017-11-21 | 2018-03-16 | 江南大学 | 基于网格化局部分水岭的模糊聚类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738256A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
| CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
| CN117173184B (zh) | 基于人工智能的道路施工质量检测方法及系统 | |
| CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
| CN115457041B (zh) | 一种道路质量识别检测方法 | |
| CN109584240B (zh) | 滑坡后缘裂缝位移图像识别方法 | |
| CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| CN115147414A (zh) | 一种双极型功率晶体管表面击穿缺陷检测方法 | |
| CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
| CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
| CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
| CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
| CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
| CN116758045B (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
| CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
| CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
| CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
| CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
| CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
| CN111429361A (zh) | 一种基于机器视觉的菌落计数方法 | |
| CN114821158A (zh) | 一种基于图像处理的干枣质量分类方法及系统 | |
| CN114155493A (zh) | 基于视频分析技术的大坝流量预警系统及方法 |
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 |