CN112183556B - 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法 - Google Patents

一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法 Download PDF

Info

Publication number
CN112183556B
CN112183556B CN202011032906.3A CN202011032906A CN112183556B CN 112183556 B CN112183556 B CN 112183556B CN 202011032906 A CN202011032906 A CN 202011032906A CN 112183556 B CN112183556 B CN 112183556B
Authority
CN
China
Prior art keywords
image
area
marking
ore heap
seed
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
CN202011032906.3A
Other languages
English (en)
Other versions
CN112183556A (zh
Inventor
张贺峰
特日根
韩宇
罗霄
刘欣悦
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.)
Chang Guang Satellite Technology Co Ltd
Original Assignee
Chang Guang Satellite Technology Co Ltd
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 Chang Guang Satellite Technology Co Ltd filed Critical Chang Guang Satellite Technology Co Ltd
Priority to CN202011032906.3A priority Critical patent/CN112183556B/zh
Publication of CN112183556A publication Critical patent/CN112183556A/zh
Application granted granted Critical
Publication of CN112183556B publication Critical patent/CN112183556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed

Abstract

本发明提出了一种基于空间聚类与分水岭变换的矿堆轮廓提取方法，属于图像处理与分析技术领域，解决了传统图像轮廓提取方法无法获得矿堆轮廓的问题。包括以下步骤：步骤一、读入图像数据，增强图像对比度，利用KMeans算法对图像聚类，标记出背景区域和目标区域；步骤二、使用形态学开运算去除孤立点，使用形态学膨胀运算确定背景区域的种子区域，根据距离图像确定目标区域的种子区域，标记未知区域；步骤三、使用分水岭算法计算目标区域的边缘并进行合并识别的边缘。本发明能够实现矿堆轮廓的识别和提取，为计算矿堆面积和体积提供支持。

Description

一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法
技术领域
本发明属于图像处理与分析技术领域，特别是涉及一种基于空间聚类与分水岭变换的矿堆轮廓提取方法。
背景技术
矿产资源作为战略储备资源的一种，对国家的经济发展、安全、战略决策具有重要意义。港口是矿物的主要集散地，监测港口矿物储量是预测矿物储量变化，推测矿产资源价格指数趋势的重要手段之一。随着遥感卫星相关技术的发展与进步，卫星图像的分辨率、拍摄频率越来越高，为图像解译工作提供了更多、更可靠的数据支持。利用卫星影像对港口矿堆重复性观测，识别并提取矿堆轮廓，根据港口在不同时间维度下的轮廓变化趋势实现对港口矿石储量变化的实时监测。
矿堆储量估算的主要难点在于矿堆轮廓的识别。目前常用的图像轮廓提取方法有阈值法、边缘检测法以及其他方法。阈值法是利用图像不同区域的像素灰度相似性将图像像素点分为不同类型，从而实现图像不同区域的分割。例如局部阈值法、动态阈值法，这类方法考虑了像元的邻域特征，能够根据图像的不同背景情况自适应地改变阈值，可较精确地提取出二值图像，但它过渡地夸大了像元的邻域灰度的变化，会把不均匀灰度分布的背景分割到目标中去，带来许多不应出现的假目标。
边缘检测法是通过比较每个像素点的梯度值在邻域内的大小，判断该点是否是边缘，再利用边缘检测结果对图像进行分割。常用的有基于Canny算子的图像分割方法、基于Sobel算子的图像分割方法。边缘检测法利用相邻像素的灰度差异，可以较好的识别图像边缘，但识别结果不连续，对于复杂图像，边缘检测法除了可以检测出目标区域的边缘，还会识别出很多次要边缘，对于边缘模糊的图像、噪声多的图像边缘识别的准确度不高。
近年来，除了上述传统方法外，有学者提出主动轮廓模型，如Chan-Vese(C-V)模型和LRCV(Local Region-based ChanVese)模型。这类模型以图像梯度和区域信息(如均值、方差等)进行轮廓演化，实现图像分割，并且能够获得光滑闭合曲线。但这类模型对初始轮廓比较敏感，所以限制了这些方法的实际应用。
发明内容
本发明目的是针对现有技术存在的问题，以及需要解决的技术问题：图像中各个矿堆的形状差异较大，包括矩形、圆形、不规则多边形，所以很难根据形状提取矿堆轮廓；矿堆颜色与矿物种类、氧化程度、保存方式有关，由于太阳照射角度不同，同一矿堆会呈现明显的亮暗变化，无法利用统一的颜色阈值对矿堆区域进行识别；矿堆周围常有洒落的同种矿物，使得地面颜色和矿堆颜色较为接近，给边缘提取增加了难度。针对解决的技术问题本发明提出一种基于空间聚类与分水岭变换的矿堆轮廓提取方法，实现矿堆轮廓的识别和提取，为计算矿堆面积和体积提供支持。
为实现上述目的，本发明采用以下技术方案：一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法，所述方法包括以下步骤：
步骤一：读入图像数据；
步骤二：增强图像对比度；
步骤三：对图像进行聚类，并标记每个像素点所属类别；
步骤四：标记出图像中的背景区域和目标区域；
步骤五：使用形态学开运算去除孤立点；
步骤六：利用形态学膨胀运算确定背景区域的种子区域；
步骤七：获取目标区域的种子区域；
步骤八：标记未知区域图像；
步骤九：使用步骤八得到的标记图像，利用分水岭算法，计算每个目标区域的边缘；
步骤十：对步骤九得到的各个目标区域的边缘进行整合，得到最终目标轮廓。
进一步地，所述图像数据为RGB三通道彩色图像；
所述步骤二具体为：将包含矿堆的RGB三通道彩色图像转化为YUV图像，对V分量进行直方图均衡化，并替换原来的V分量，得到新的YUV图像，将新的YUV图像还原成包含矿堆的RGB三通道彩色图像。
进一步地，所述步骤三具体为：使用KMeans算法对步骤二的包含矿堆的RGB三通道彩色图像进行聚类，设置聚类中心个数为3，然后根据聚类结果，标记每个像素点所属类别。
进一步地，所述步骤四具体为：使用步骤三得到的标记图像，提取图像边界像素点，按标记类别进行划分，将包含像素点个数最多的类别记为bg，然后将图像中类别为bg的像素点标记为0，表示背景区域，其他标记为1，表示目标区域。
进一步地，所述步骤五具体为：定义
Figure BDA0002704312630000021
使用步骤四得到的标记图像，利用核为kernel1的形态学开运算去除孤立点。
进一步地，所述步骤六具体为：定义
Figure BDA0002704312630000031
使用步骤五得到的图像，利用核为kernel2的形态学膨胀运算对图像中目标区域进行处理，得到背景区域的种子区域。
进一步地，所述步骤七具体为：使用步骤五得到的图像，计算目标区域每个像素点到背景区域的最小距离，生成距离图像，令距离图像中的最大值为distTransformMax，然后设定阈值为thresh＝0.1*distTransformMax，将距离图像中大于thresh的点，标记为目标区域的种子区域。
进一步地，所述步骤八具体为：新建和原图像尺寸相同的空白图像，对照步骤六得到的背景区域的种子区域，将空白图像对应区域标记为1，对照步骤七得到的目标区域的种子区域，将空白图像对应区域标记为2，若存在多个目标区域的种子区域，则将空白图像对应区域依次标记为2,3,4......n，其中n∈N*且n≠1，N*为正整数，最后将空白图像中未标记的点设置为0，表示未知区域。
本发明有益效果：本发明在矿堆轮廓识别准确度和精度上有明显的优势。主要针对矿区和港口的矿堆图像，解决了因图像中各个矿堆的形状差异较大，包括矩形、圆形、不规则多边形，所以很难根据形状提取矿堆轮廓；矿堆颜色与矿物种类、氧化程度、保存方式有关，而且由于太阳照射角度不同，同一个矿堆会呈现明显的亮暗变化，无法利用统一的颜色阈值对矿堆区域进行识别；矿堆周围常有洒落的同种矿物，使得地面颜色和矿堆颜色较为接近，给边缘提取增加了难度等三个技术问题。实现矿堆轮廓的识别和提取，为计算矿堆面积和体积提供支持。
附图说明
图1为本发明所述的一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法流程框图；
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1说明本实施方式，一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法，所述方法包括以下步骤：
步骤一：读入图像数据；
步骤二：增强图像对比度；
步骤三：对图像进行聚类，并标记每个像素点所属类别；
步骤四：标记出图像中的背景区域和目标区域；
步骤五：使用形态学开运算去除孤立点；
步骤六：利用形态学膨胀运算确定背景区域的种子区域；
步骤七：获取目标区域的种子区域；
步骤八：标记未知区域图像；
步骤九：使用步骤八得到的标记图像，利用分水岭算法，计算每个目标区域的边缘；
步骤十：对步骤九得到的各个目标区域的边缘进行整合，得到最终目标轮廓。
所述图像数据为RGB三通道彩色图像。
所述步骤二具体为：将包含矿堆的RGB三通道彩色图像转化为YUV图像，对V分量进行直方图均衡化，并替换原来的V分量，得到新的YUV图像，将新的YUV图像还原成包含矿堆的RGB三通道彩色图像。
所述步骤三具体为：使用KMeans算法对步骤二的包含矿堆的RGB三通道彩色图像进行聚类，设置聚类中心个数为3，然后根据聚类结果，标记每个像素点所属类别。
所述步骤四具体为：使用步骤三得到的标记图像，提取图像边界像素点，按标记类别进行划分，将包含像素点个数最多的类别记为bg，然后将图像中类别为bg的像素点标记为0，表示背景区域，其他标记为1，表示目标区域。
所述步骤五具体为：定义
Figure BDA0002704312630000041
使用步骤四得到的标记图像，利用核为kernel1的形态学开运算去除孤立点。
所述步骤六具体为：定义
Figure BDA0002704312630000051
使用步骤五得到的图像，利用核为kernel2的形态学膨胀运算对图像中目标区域进行处理，得到背景区域的种子区域。
所述步骤七具体为：使用步骤五得到的图像，计算目标区域每个像素点到背景区域的最小距离，生成距离图像，令距离图像中的最大值为distTransformMax，然后设定阈值为thresh＝0.1*distTransformMax，将距离图像中大于thresh的点，标记为目标区域的种子区域。
所述步骤八具体为：新建和原图像尺寸相同的空白图像，对照步骤六得到的背景区域的种子区域，将空白图像对应区域标记为1，对照步骤七得到的目标区域的种子区域，将空白图像对应区域标记为2，若存在多个目标区域的种子区域，则将空白图像对应区域依次标记为2,3,4......n，其中n∈N*且n≠1，N*为正整数，最后将空白图像中未标记的点设置为0，表示未知区域。
以上对本发明所提出的一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法，其特征在于：所述方法包括以下步骤：
步骤一：读入图像数据；
步骤二：增强图像对比度；
步骤三：对图像进行聚类，并标记每个像素点所属类别；
步骤四：标记出图像中的背景区域和目标区域；
步骤五：使用形态学开运算去除孤立点；
步骤六：利用形态学膨胀运算确定背景区域的种子区域；
步骤七：获取目标区域的种子区域；
步骤八：标记未知区域图像；
步骤九：使用步骤八得到的标记图像，利用分水岭算法，计算每个目标区域的边缘；
步骤十：对步骤九得到的各个目标区域的边缘进行整合，得到最终目标轮廓；
所述步骤八具体为：新建和原图像尺寸相同的空白图像，对照步骤六得到的背景区域的种子区域，将空白图像对应区域标记为1，对照步骤七得到的目标区域的种子区域，将空白图像对应区域标记为2，若存在多个目标区域的种子区域，则将空白图像对应区域依次标记为2,3,4......n，其中n∈N*且n≠1，N*为正整数，最后将空白图像中未标记的点设置为0，表示未知区域。
2.根据权利要求1所述的方法，其特征在于：所述图像数据为RGB三通道彩色图像；
所述步骤二具体为：将包含矿堆的RGB三通道彩色图像转化为YUV图像，对V分量进行直方图均衡化，并替换原来的V分量，得到新的YUV图像，将新的YUV图像还原成包含矿堆的RGB三通道彩色图像。
3.根据权利要求2所述的方法，其特征在于：
所述步骤三具体为：使用KMeans算法对步骤二的包含矿堆的RGB三通道彩色图像进行聚类，设置聚类中心个数为3，然后根据聚类结果，标记每个像素点所属类别。
4.根据权利要求3所述的方法，其特征在于：
所述步骤四具体为：使用步骤三得到的标记图像，提取图像边界像素点，按标记类别进行划分，将包含像素点个数最多的类别记为bg，然后将图像中类别为bg的像素点标记为0，表示背景区域，其他标记为1，表示目标区域。
5.根据权利要求4所述的方法，其特征在于：
所述步骤五具体为：定义
Figure FDA0003598705400000021
使用步骤四得到的标记图像，利用核为kernel1的形态学开运算去除孤立点。
6.根据权利要求5所述的方法，其特征在于：
所述步骤六具体为：定义
Figure FDA0003598705400000022
使用步骤五得到的图像，利用核为kernel2的形态学膨胀运算对图像中目标区域进行处理，得到背景区域的种子区域。
7.根据权利要求6所述的方法，其特征在于：
所述步骤七具体为：使用步骤五得到的图像，计算目标区域每个像素点到背景区域的最小距离，生成距离图像，令距离图像中的最大值为distTransformMax，然后设定阈值为thresh＝0.1*distTransformMax，将距离图像中大于thresh的点，标记为目标区域的种子区域。
CN202011032906.3A 2020-09-27 2020-09-27 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法 Active CN112183556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011032906.3A CN112183556B (zh) 2020-09-27 2020-09-27 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011032906.3A CN112183556B (zh) 2020-09-27 2020-09-27 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法

Publications (2)

Publication Number Publication Date
CN112183556A CN112183556A (zh) 2021-01-05
CN112183556B true CN112183556B (zh) 2022-08-30

Family

ID=73944244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011032906.3A Active CN112183556B (zh) 2020-09-27 2020-09-27 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法

Country Status (1)

Country Link
CN (1) CN112183556B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030034B (zh) * 2023-02-21 2023-06-20 青岛精锐机械制造有限公司 阀门表面缺陷的视觉识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885312A (zh) * 2006-07-11 2006-12-27 电子科技大学 基于数学形态学和概率统计的虹膜定位方法
CN103473785A (zh) * 2013-09-29 2013-12-25 哈尔滨工业大学 一种基于三值化图像聚类的快速多目标分割方法
CN104200213A (zh) * 2014-08-12 2014-12-10 合肥工业大学 一种基于多部件的车辆检测方法
CN105761238A (zh) * 2015-12-30 2016-07-13 河南科技大学 一种通过灰度统计数据深度信息提取显著目标的方法
CN105844644A (zh) * 2016-03-31 2016-08-10 西安电子科技大学 基于形态学中值导数的海陆杂波场景分割方法
CN106327507A (zh) * 2016-08-10 2017-01-11 南京航空航天大学 一种基于背景和前景信息的彩色图像显著性检测方法
CN108154087A (zh) * 2017-12-08 2018-06-12 北京航天计量测试技术研究所 一种基于特征匹配的红外人体目标检测跟踪方法
CN108596920A (zh) * 2018-05-02 2018-09-28 北京环境特性研究所 一种基于彩色图像的目标分割方法及装置
CN108596923A (zh) * 2018-05-14 2018-09-28 江苏哈工智能机器人股份有限公司 三维数据的获取方法、装置以及电子设备
CN110334956A (zh) * 2019-07-08 2019-10-15 重庆大学 一种应用于钢铁企业供应链的管理系统
CN111145209A (zh) * 2019-12-26 2020-05-12 北京推想科技有限公司 一种医学图像分割方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060045346A1 (en) * 2004-08-26 2006-03-02 Hui Zhou Method and apparatus for locating and extracting captions in a digital image
US20090196524A1 (en) * 2008-02-05 2009-08-06 Dts Digital Images, Inc. System and method for sharpening of digital images
CN101499136B (zh) * 2009-03-05 2011-06-01 西安电子科技大学 基于多目标进化聚类和空间信息的图像过分割优化方法
CN101551863B (zh) * 2009-05-22 2011-09-21 西安电子科技大学 基于非下采样轮廓波变换的遥感图像道路提取方法
CN109584253B (zh) * 2018-12-20 2022-08-30 重庆切克威科技有限公司 油液磨粒图像分割方法
CN111047555B (zh) * 2019-11-13 2023-10-17 鞍钢集团矿业有限公司 基于图像处理技术的矿石图像粒度检测算法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885312A (zh) * 2006-07-11 2006-12-27 电子科技大学 基于数学形态学和概率统计的虹膜定位方法
CN103473785A (zh) * 2013-09-29 2013-12-25 哈尔滨工业大学 一种基于三值化图像聚类的快速多目标分割方法
CN104200213A (zh) * 2014-08-12 2014-12-10 合肥工业大学 一种基于多部件的车辆检测方法
CN105761238A (zh) * 2015-12-30 2016-07-13 河南科技大学 一种通过灰度统计数据深度信息提取显著目标的方法
CN105844644A (zh) * 2016-03-31 2016-08-10 西安电子科技大学 基于形态学中值导数的海陆杂波场景分割方法
CN106327507A (zh) * 2016-08-10 2017-01-11 南京航空航天大学 一种基于背景和前景信息的彩色图像显著性检测方法
CN108154087A (zh) * 2017-12-08 2018-06-12 北京航天计量测试技术研究所 一种基于特征匹配的红外人体目标检测跟踪方法
CN108596920A (zh) * 2018-05-02 2018-09-28 北京环境特性研究所 一种基于彩色图像的目标分割方法及装置
CN108596923A (zh) * 2018-05-14 2018-09-28 江苏哈工智能机器人股份有限公司 三维数据的获取方法、装置以及电子设备
CN110334956A (zh) * 2019-07-08 2019-10-15 重庆大学 一种应用于钢铁企业供应链的管理系统
CN111145209A (zh) * 2019-12-26 2020-05-12 北京推想科技有限公司 一种医学图像分割方法、装置、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Edge detection based on multi-structure elements morphology;Zhao Yuqian;《Proceedings of the 6thWorld Congress on Intelligent Control and Automation》;20061231;全文 *
不同形状植物成熟果实的识别提取方法;姜林等;《科学技术与工程》;20120728(第21期);第7-10+15页 *
基于HESSIAN增强和形态学尺度空间的视网膜血管分割;于挥等;《计算机应用与软件》;20160815(第08期);第206-211页 *
基于SVM的棉田冠层图像分割方法研究;程晓龙等;《农业科学研究》;20170925(第03期);第13-16页 *
基于多尺度图谱和局部谱的目标提取算法;王永国等;《计算机应用研究》;20130515(第05期);第303-307+311页 *

Also Published As

Publication number Publication date
CN112183556A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
Xu et al. Smart data driven traffic sign detection method based on adaptive color threshold and shape symmetry
CN110838126B (zh) 细胞图像分割方法、装置、计算机设备和存储介质
CN104751187A (zh) 抄表图像自动识别方法
CN104700092A (zh) 一种基于模板和特征匹配相结合的小字符数字识别方法
US11144799B2 (en) Image classification method, computer device and medium
Wang et al. A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN112749673A (zh) 一种基于遥感影像智能提取储油罐库存的方法及装置
Yang et al. An efficient method for vehicle model identification via logo recognition
CN111539980B (zh) 一种基于可见光的多目标追踪方法
CN116128849A (zh) 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质
CN112183556B (zh) 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法
CN111860531A (zh) 一种基于图像处理的扬尘污染识别方法
CN109271882B (zh) 一种区分颜色的手写体汉字提取方法
CN114581658A (zh) 一种基于计算机视觉的目标检测方法及装置
Chen et al. Image segmentation based on mathematical morphological operator
Akbar et al. Tumor localization in tissue microarrays using rotation invariant superpixel pyramids
Jiang et al. An improved text localization method for natural scene images
CN113344047A (zh) 基于改进K-means算法的压板状态识别方法
CN107862701A (zh) 基于马尔科夫随机场和混合核函数的遥感图像分割方法
CN113378837A (zh) 车牌遮挡识别方法、装置、电子设备和存储介质
CN111062309B (zh) 一种雨天交通标志检测方法、存储介质及系统
Aung et al. Study for license plate detection

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
CB02 Change of applicant information

Address after: No. 1299, Mingxi Road, Beihu science and Technology Development Zone, Changchun City, Jilin Province

Applicant after: Changguang Satellite Technology Co.,Ltd.

Address before: No. 1299, Mingxi Road, Beihu science and Technology Development Zone, Changchun City, Jilin Province

Applicant before: CHANG GUANG SATELLITE TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Extracting Port Mine Pile Contour Based on Spatial Clustering and Watershed Transform

Effective date of registration: 20230724

Granted publication date: 20220830

Pledgee: Industrial and Commercial Bank of China Limited Changchun Southern Urban Economic Development Zone Branch

Pledgor: Changguang Satellite Technology Co.,Ltd.

Registration number: Y2023220000056

PE01 Entry into force of the registration of the contract for pledge of patent right