CN112381084A - 断层图像的轮廓自动识别方法 - Google Patents
断层图像的轮廓自动识别方法 Download PDFInfo
- Publication number
- CN112381084A CN112381084A CN202011087107.6A CN202011087107A CN112381084A CN 112381084 A CN112381084 A CN 112381084A CN 202011087107 A CN202011087107 A CN 202011087107A CN 112381084 A CN112381084 A CN 112381084A
- Authority
- CN
- China
- Prior art keywords
- image
- foreground
- gray value
- background
- contour
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 101100295776 Drosophila melanogaster onecut gene Proteins 0.000 claims abstract description 10
- 238000001035 drying Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 11
- 241001465754 Metazoa Species 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 description 12
- 210000005013 brain tissue Anatomy 0.000 description 7
- 239000010410 layer Substances 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V10/20—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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种断层图像的轮廓自动识别方法。它是对获取的断层图像去燥后,确定单张图像中前景与背景的分界灰度值T,利用分界灰度值T,选定前景图像灰度值,选定背景图像灰度值分别对前景图像灰度值集合和背景图像灰度值集合进行修正,获得第一前景图像特征数据P2和背景图像特征数据P1,将前景图像特征数据P2和背景图像特征数据P1输入通过onecut算法,得到识别出的第二前景图像P3。本发明方法实现多张组织切片图像中每张图像轮廓的自动识别,特别用于具有上千层左右的动物组织切片图像数据的自动处理,实现对整套动物组织切片断层图像数据自动轮廓信息识别并提取,不需要人工修改任何识别参数。
Description
技术领域
本发明属于图像处理技术,具体涉及一种图像的轮廓的识别技术。
背景技术
轮廓检测指在包含目标和背景的数字图像中,忽略背景和目标内部的各种噪声干扰,采用一定的算法来实现目标轮廓提取的过程。
CN201710139018.3公开了一种基于图像轮廓特征的目标识别方法。该方法首先对模板图像和待测物体图像进行预处理生成二值图像。因此需要建立模板图像数据。不适于人体或动物组织切片图像处理。
CN109934813A公开一种目标对象的识别方法,该方法通过U形全卷积神经网络模型识别出目标对象的第一轮廓后,在拾取识别第一轮廓内目标对象图像中的第二轮廓的技术。
上述两种方法均只是针对一张图像进行快速处理。
在动物或人体组织切片的图像处理,如脑组织切片图像轮廓数据提取方面,一般使用灰度阈值法、grabcut、onecut等算法。采用灰度阈值法的图像轮廓处理方法,能够对脑组织切片图像轮廓数据,具有有比较好的识别效果。由于脑组织切片是有非常多的切片层,不同切片层图像轮廓数据的差异性,采用单层图片的轮廓识别方法,速度慢,工作量大,无法完成整套脑组织切片图像的快速识别。采用grabcut和onecut算法,则需要大量的人机交互工作。工作量大,无法满足大量脑组织切片图像轮廓数据提取。
发明内容
本发明的目的在于提供一种断层图像的轮廓自动识别方法,特别是具有多层切片的图像轮廓识别方法,以实现多层切片的每张图像轮廓的快速识别。
本发明的技术方案是:断层图像的轮廓自动识别方法是,对获取的断层图像去燥后,确定单张图像中前景与背景的分界灰度值T,利用分界灰度值T,选定前景图像灰度值,选定背景图像灰度值分别对前景图像灰度值集合和背景图像灰度值集合进行修正,获得第一前景图像特征数据P2和背景图像特征数据P1,将第一前景图像特征数据P2和背景图像特征数据P1输入通过onecut算法,得到识别出的第二前景图像P3。
上述前景指的是被摄目标对象。
上述选定前景图像灰度值,选定背景图像灰度值分别是从在多张图像中前景图像灰度值集合选取的,背景图像灰度值集合选取的。
本发明在通过第一次识别出前景与背景的分界灰度值T后,再对前景图像和背景图像的灰度值进行修正,将修正值直接作为onecut算法的输入,进而得到第二前景图像P3(第二前景图像数据)。
上述发明通过选定前景图像灰度值,选定背景图像灰度值的修正方法,可以实现多张组织切片图像数据自动完成对单张组织切片图像轮廓数据拾取,进而实现多张切片图像的目标对象轮廓的识别。
进一步的技术特征是:所述对前景图像灰度值集合的修正方法包括,选取前景图像灰度值与分界灰度值T第二加权值中较大者,作为前景阈值B2,选取图像中所有大于B2的点得到第一前景图像P2。
进一步的技术特征是:所述选取前景图像的灰度值是多张断层图像中一个前景图像灰度值,第二加权值为1.3T-1.8T。
进一步的技术特征是:所述对背景图像灰度值集合的修正方法包括,选取背景图像灰度值与分界灰度值T第一加权值中较小者,作为背景阈值B1,选取图像中所有小于B1的点得到背景图像特征P1。
进一步的技术特征是:所述选取背景图像的灰度值是多张断层图像中一个背景图像灰度值;第一加权值为0.2T-0.6T。
上述修正方法结合多张多张断层图像数据对其中一张进行修正,确保在自动完成多张切片图像轮廓的识别的准确度。
进一步的技术特征是:前景图像灰度值是多张断层图像中前景图像灰度值集合的中位数。
进一步的技术特征是:背景图像灰度值是多张断层图像中背景图像中灰度值集合的中位数。
采用中位数系充分考虑多张图像的共性,增加轮廓识别的精度。作为另一个可代替的方案是采用平均值。
进一步的技术特征是:在获得第二前景图像P3后,通过计算得到的第二前景图像的外轮廓,适配与外轮廓最小的外界矩形,获得目标ROI区域。
进一步的技术特征是:
S101读取一张断层图像
S102去燥;
S103确定图像中前景与背景的分界灰度值T;
S104生成背景图像特征数据P1:确定多张断层图像背景图像灰度值的中位值A1,选取中位值A1与0.2T-0.6T中较小者作为这张图片的背景阈值B1,选取图像中所有小于B1的点得到背景图像特征数据P1;
S105生成前景图像特征数据P2:确定多张断层图像前景图像灰度值的中位值A2,选取中位值A2与1.3T-1.8T中较大者作为这张图片的前景阈值B2,选取图像中所有大于2B1的点得到前景图像特征数据P2;
S106将前景图像特征数据P2和背景图像特征数据P1输入通过onecut算法,得到识别出的第二前景图像P3;
S107轮廓数据提取:通过计算得到的第二前景图像的外轮廓,适配与外轮廓最小的外接矩形,获得目标ROI区域。
在上述处理过程中,获取多张断层图像数据,获取断层图像数据的前景图像灰度值和背景图像灰度值;
本发明方法实现多张组织切片图像中每张图像轮廓的自动识别,特别用于具有上千层左右的动物组织切片图像数据的自动处理,实现对整套动物组织切片断层图像数据自动轮廓信息识别并提取,不需要人工修改任何识别参数,算法在大大提高了识别准确率的前提下,做到了轮廓数据提取过程中无需人为交互。
附图说明
图1本发明架构流程图。
图2本发明识别轮廓示意图。
具体实施方式
下列具体实施方式用于对本发明权利要求技术方案的解释,以便本领域的技术人员理解本权利要求书。本发明的保护范围不限于下列具体的实施结构。本领域的技术人员做出的包含有本发明权利要求书技术方案而不同于下列具体实施方式的也是本发明的保护范围。
本发明基于计算机系统实现图像自动处理,运行于常见Windows系统、Linux系统、Mac系统等常见计算机系统上。
实施例以鼠脑断层图像数据轮廓的识别与提取加以描述。
通常获取(拍摄)试验鼠脑组织断层图像(脑组织断层切片)具有上千层断层切片图像。本发明方法对千层断层切片图像逐一处理。在处理过程中,在去燥后,可以先对断层切片图像数据的前景灰度值,背景灰度值进行统计。
如图1所示,
S101读取一张断层切片图像,读取一张断层切片图像可以是设备在断层切片图像数据库中自动调用,也可以是人工加载。
S102去燥;由于待处理图像可能存在各种噪声杂点,在正式处理图片之前,我们需要对图像进行去噪处理。去燥的方法有多种,比如
中值滤波:中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。
高斯滤波:高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
均值滤波:均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度g(x,y),即g(x,y)=1/m∑f(x,y)m为该模板中包含当前像素在内的像素总个数。
S103确定图像中前景与背景的分界灰度值T;
实施例采用灰度阈值法进行分界灰度值T,具体的,输入图像后,采用OTSU算法分析图像,输出图像前景、背景分界灰度值T。OTSU算法由日本学者大津(Nobuyuki Otsu)于1979年提出,一种自适应的阈值确定方法;算法假设图像像素能够根据阈值,被分成背景[background]和目标[objects]两部分。然后,计算该最佳阈值来区分这两类像素,使得两类像素区分度最大。
S104生成背景图像特征数据P1:
对于荧光激发产生的脑切片断层图像数据,基于获得的断层切片图像数据的背景灰度值的统计数据,选定统计数据中背景图像灰度值的中位值A1,选取中位值A1与0.2T-0.6T中较小者作为这张图片的背景阈值B1,选取图像中所有小于B1的点得到背景图像特征数据P1;实施例中加权值为0.4T;
S105生成前景图像特征数据P2:
对于荧光激发产生的脑切片断层图像数据,基于获得的断层切片图像数据的前景灰度值的统计数据,选定统计数据中前景图像灰度值的中位值A2,选取中位值A2与1.3T-1.8T中较大者作为这张图片的前景阈值B2,选取图像中所有大于2B1的点得到前景图像特征数据P2;实施例中加权值为1.5T;
S106将前景图像特征数据P2和背景图像特征数据P1输入通过onecut算法,得到识别出的第二前景图像P3;
onecut算法是2013年iCCV上的这篇论文,提出了一种快速的基于简单交互的分割算法。(Tang M,Gorelick L,Veksler O,et al.GrabCut inOne Cut[C]//IEEEInternational Conference on Computer Vision.IEEE ComputerSociety,2013:1769-1776.)
S107轮廓数据提取:通过计算得到的第二前景图像的外轮廓,适配与外轮廓最小的外接矩形,获得目标ROI区域。
实施例中,利用opencv中轮廓检测算法findContours检测前景图像所有外轮廓,然后结果中最大轮廓就是我们要找的脑区域轮廓,最后找出这个轮廓的最小外接矩形数据。如图2所示的白色矩形框系为了解释标注上的,在实际的软件处理过程中,矩形框系矩形数据。
Claims (9)
1.一种断层图像的轮廓自动识别方法,其特征是,对获取的断层图像去燥后,确定单张图像中前景与背景的分界灰度值T,利用分界灰度值T,选定的前景图像灰度值,选定的背景图像灰度值分别对前景图像灰度值集合和背景图像灰度值集合进行修正,获得第一前景图像特征数据P2和背景图像特征数据P1,将第一前景图像特征数据P2和背景图像特征数据P1输入通过onecut算法,得到识别出的第二前景图像P3。
2.如权利要求1所述断层图像的轮廓自动识别方法,其特征是,所述对前景图像灰度值集合的修正方法包括,选取前景图像灰度值与分界灰度值T第二加权值中较大者,作为前景阈值B2,选取图像中所有大于B2的点得到第一前景图像P2。
3.如权利要求2所述断层图像的轮廓自动识别方法,其特征是,所述选取前景图像的灰度值是多张断层图像中一个前景图像灰度值,第二加权值为1.3T-1.8T。
4.如权利要求1所述断层图像的轮廓自动识别方法,其特征是,所述对背景图像灰度值集合的修正方法包括,选取背景图像灰度值与分界灰度值T第二加权值中较小者,作为背景阈值B1,选取图像中所有小于B1的点得到背景图像特征P1。
5.如权利要求4所述断层图像的轮廓自动识别方法,其特征是,所述选取背景图像的灰度值是多张断层图像中一个背景图像灰度值;第一加权值为0.2T-0.6T。
6.如权利要求1或2或3所述断层图像的轮廓自动识别方法,其特征是,前景图像灰度值是多张断层图像中前景图像灰度值集合的中位数。
7.如权利要求5或6所述断层图像的轮廓自动识别方法,其特征是,背景图像灰度值是多张断层图像中背景图像中灰度值集合的中位数。
8.如权利要求1所述断层图像的轮廓自动识别方法,其特征是,在获得第二前景图像P3后,通过计算得到的第二前景图像的外轮廓,适配与外轮廓最小的外界矩形,获得目标ROI区域。
9.如权利要求1所述断层图像的轮廓自动识别方法,其特征是,
S101读取一张断层图像;
S102去燥;
S103确定图像中前景与背景的分界灰度值T;
S104生成背景图像特征数据P1:确定多张断层图像背景图像灰度值的中位值A1,选取中位值A1与0.2T-0.6T中较小者作为这张图片的背景阈值B1,选取图像中所有小于B1的点得到背景图像特征数据P1;
S105生成前景图像特征数据P2:确定多张断层图像前景图像灰度值的中位值A2,选取中位值A2与1.3T-1.8T中较大者作为这张图片的前景阈值B2,选取图像中所有大于2B1的点得到前景图像特征数据P2;
S106将前景图像特征数据P2和背景图像特征数据P1输入通过onecut算法,得到识别出的第二前景图像P3;
S107轮廓数据提取:通过计算得到的第二前景图像的外轮廓,适配与外轮廓最小的外接矩形,获得目标ROI区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011087107.6A CN112381084B (zh) | 2020-10-12 | 2020-10-12 | 断层图像的轮廓自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011087107.6A CN112381084B (zh) | 2020-10-12 | 2020-10-12 | 断层图像的轮廓自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381084A true CN112381084A (zh) | 2021-02-19 |
CN112381084B CN112381084B (zh) | 2024-02-09 |
Family
ID=74581313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011087107.6A Active CN112381084B (zh) | 2020-10-12 | 2020-10-12 | 断层图像的轮廓自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381084B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139953A (zh) * | 2021-05-10 | 2021-07-20 | 宁波永新光学股份有限公司 | 检测识别图像中的颗粒污染物的方法及计算机可读存储介质 |
WO2023284313A1 (zh) * | 2021-07-16 | 2023-01-19 | 稿定(厦门)科技有限公司 | Psd图片的自动切片方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1320324A (zh) * | 1998-09-01 | 2001-10-31 | 迪维奥公司 | 数字图像轮廓增强方法和装置 |
JP2011154699A (ja) * | 2011-02-24 | 2011-08-11 | Nintendo Co Ltd | 画像認識プログラム、画像認識装置、画像認識システム、および画像認識方法 |
WO2016179830A1 (en) * | 2015-05-14 | 2016-11-17 | Intel Corporation | Fast mrf energy optimization for solving scene labeling problems |
CN106157273A (zh) * | 2015-03-30 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 生成合成图片的方法及装置 |
CN106407983A (zh) * | 2016-09-12 | 2017-02-15 | 南京理工大学 | 图像主体的识别、矫正与配准方法 |
CN106600625A (zh) * | 2016-12-13 | 2017-04-26 | 广东沅朋网络科技有限公司 | 检测小型生物的图像处理方法及装置 |
CN106682597A (zh) * | 2016-12-14 | 2017-05-17 | 四川长虹电器股份有限公司 | 一种交通信号灯识别方法 |
CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
CN110287884A (zh) * | 2019-06-26 | 2019-09-27 | 长安大学 | 一种辅助驾驶中压线检测方法 |
CN110335280A (zh) * | 2019-07-05 | 2019-10-15 | 湖南联信科技有限公司 | 一种基于移动端的金融单据图像分割与矫正方法 |
CN111292321A (zh) * | 2020-03-13 | 2020-06-16 | 广东工业大学 | 一种输电线路绝缘子缺陷图像识别方法 |
CN111709426A (zh) * | 2020-05-08 | 2020-09-25 | 广州博进信息技术有限公司 | 一种基于轮廓和纹理的硅藻识别方法 |
-
2020
- 2020-10-12 CN CN202011087107.6A patent/CN112381084B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1320324A (zh) * | 1998-09-01 | 2001-10-31 | 迪维奥公司 | 数字图像轮廓增强方法和装置 |
JP2011154699A (ja) * | 2011-02-24 | 2011-08-11 | Nintendo Co Ltd | 画像認識プログラム、画像認識装置、画像認識システム、および画像認識方法 |
CN106157273A (zh) * | 2015-03-30 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 生成合成图片的方法及装置 |
US20180137625A1 (en) * | 2015-05-14 | 2018-05-17 | Intel Corporation | Fast mrf energy optimization for solving scene labeling problems |
WO2016179830A1 (en) * | 2015-05-14 | 2016-11-17 | Intel Corporation | Fast mrf energy optimization for solving scene labeling problems |
CN106407983A (zh) * | 2016-09-12 | 2017-02-15 | 南京理工大学 | 图像主体的识别、矫正与配准方法 |
CN106600625A (zh) * | 2016-12-13 | 2017-04-26 | 广东沅朋网络科技有限公司 | 检测小型生物的图像处理方法及装置 |
CN106682597A (zh) * | 2016-12-14 | 2017-05-17 | 四川长虹电器股份有限公司 | 一种交通信号灯识别方法 |
CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
CN110287884A (zh) * | 2019-06-26 | 2019-09-27 | 长安大学 | 一种辅助驾驶中压线检测方法 |
CN110335280A (zh) * | 2019-07-05 | 2019-10-15 | 湖南联信科技有限公司 | 一种基于移动端的金融单据图像分割与矫正方法 |
CN111292321A (zh) * | 2020-03-13 | 2020-06-16 | 广东工业大学 | 一种输电线路绝缘子缺陷图像识别方法 |
CN111709426A (zh) * | 2020-05-08 | 2020-09-25 | 广州博进信息技术有限公司 | 一种基于轮廓和纹理的硅藻识别方法 |
Non-Patent Citations (2)
Title |
---|
能纪涛;徐士彪;葛水英;: "基于视觉显著性和图割优化的图像自动分割", 中国体视学与图像分析, no. 04, pages 367 - 373 * |
赵园;潘斌;邰建豪;: "基于Grab Cut和二维熵的SAR图像目标分割方法", 测绘工程, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139953A (zh) * | 2021-05-10 | 2021-07-20 | 宁波永新光学股份有限公司 | 检测识别图像中的颗粒污染物的方法及计算机可读存储介质 |
WO2023284313A1 (zh) * | 2021-07-16 | 2023-01-19 | 稿定(厦门)科技有限公司 | Psd图片的自动切片方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112381084B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN114240978B (zh) | 基于自适应形态学的细胞边缘分割方法和装置 | |
CN112381084B (zh) | 断层图像的轮廓自动识别方法 | |
CN110930321A (zh) | 一种能够自动选取目标区域的蓝/绿幕数字图像抠取方法 | |
EP3510526B1 (en) | Particle boundary identification | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN114863498A (zh) | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 | |
CN108205678B (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
Tabatabaei et al. | A novel method for binarization of badly illuminated document images | |
CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN115994921A (zh) | 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法 | |
CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN112270683B (zh) | 一种ihc数字预览图识别和组织前景分割方法及系统 | |
CN112528741B (zh) | 一种变电站压板的状态识别方法及装置 |
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 |