CN112541444B - 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 - Google Patents

一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 Download PDF

Info

Publication number
CN112541444B
CN112541444B CN202011491297.8A CN202011491297A CN112541444B CN 112541444 B CN112541444 B CN 112541444B CN 202011491297 A CN202011491297 A CN 202011491297A CN 112541444 B CN112541444 B CN 112541444B
Authority
CN
China
Prior art keywords
image
fiber
value
solar
bilateral filtering
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
CN202011491297.8A
Other languages
English (en)
Other versions
CN112541444A (zh
Inventor
冯松
张娜娜
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202011491297.8A priority Critical patent/CN112541444B/zh
Publication of CN112541444A publication Critical patent/CN112541444A/zh
Application granted granted Critical
Publication of CN112541444B publication Critical patent/CN112541444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06V10/443—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 by matching or filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，本发明首先对原图像进行归一化处理，便于后续的函数变换，之后使用双边滤波技术对纤维图像进行去除噪声处理，实现保护边缘的效果；其次将Hessian矩阵特征值与高斯函数相互结合构建相应的多尺度滤波器对滤波后的图像进行纤维的识别；接着对识别的图像选择合适的阈值进行二值化处理；将二值化后的纤维识别图像进行去除小面积连通分量的操作去除小面积的干扰特征，最后进行形态学细化处理，最后得到纤维的精细结构，较精准地对太阳色球纤维图像中的纤维进行了识别，并且在数量上也能够明显的增加。

Description

一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识 别方法
技术领域
本发明涉及一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，属于天文技术和图像处理领域。
背景技术
太阳高分辨序列图像是指对于同一视场在一个连续时间段观测得到的多帧图；纤维是存在太阳色球层中的一种线性结构，与日冕物质抛射以及日冕加热、针状体的演变过程等太阳活动都有着紧密的联系,同时纤维的震荡波动对加热太阳色球层也起着重要作用。相关的研究表明，纤维中已经观测到的一系列波和震荡，被认为在太阳大气质量平衡中起着重要的作用；该方法有助于更好的研究和了解太阳活动。
通过已有对纤维结构的研究，现存在的对纤维结构的检测以及提取的方法主要是基于图像的强度以及边缘梯度的方法对图像进行操作，实现纤维的提取。色球纤维在Hα图像中是以暗斑的形式出现，通过对在Hα图像中纤维的成因以及图像的特征进行详细的分析，我们得出对纤维结构进行准确识别的困难在于：(1)纤维结构自身强度不够大，与背景的差异较小，将其与背景分开的难度较大；(2)纤维周围同时有其他太阳特征结构等，这些都会干扰对纤维结构的准确提取。为了克服当前在纤维识别中存在的不足之处，通过对纤维特性进行进一步的分析，我们发现：首先，纤维是在太阳色球层中呈线性结构，纤维的各处受到太阳磁场的影响不同而分布不均匀，造成纤维结构的强度变化较小，边缘模糊不清；其次，由于太阳磁场的复杂性，使得各纤维之间造成交叉；再次，在纤维图像中，某些相邻的纤维之间距离很近并且边缘差异很小，在进行检测时很难将他们区分开；最后，由于纤维出现的地方通常会伴随其他太阳活动的发生，当这些太阳活动的强度与纤维的强度相近时，人眼也很难将其区分开。基于这些因素，使得目前位置已有的纤维识别算法不能够很好的对纤维进行检测和提取。
发明内容
本发明提供了一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，以用于对太阳色球纤维图像中的纤维进行识别。
本发明的技术方案是：一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，所述方法的具体步骤如下：
步骤1：对太阳色球纤维图像进行归一化处理，得到归一化图像；
步骤2：使用双边滤波来对步骤1得到的归一化图像进行去噪操作，去除图像中的噪声点，得到保留边缘特征信息的太阳色球纤维图像；
步骤3：采用Hessian矩阵的差分运算与高斯函数结合，从而构建多尺度滤波器对步骤2滤波之后的太阳色球纤维图像进行不同尺度的识别，得到太阳色球纤维识别图；
步骤4：设置阈值对通过步骤3得到的太阳色球纤维识别图进行二值化，得到二值化图像；其中，二值化具体为：当图像中点的值大于等于阈值时，将其设为1，否则设置为0；
步骤5：对步骤4得到的二值化图像进行去除小面积连通分量操作，去除图像中的非目标特征，得到只含纤维特征的图像；
步骤6：对步骤5得到的图像进行形态学细化处理，最后得到细化后的只含纤维特征的图像。
所述步骤1中，使用图像的像素最大值和像素最小值来对图像进行操作，使得图像中的像素强度被归一化到[0,1]区间。
所述步骤2中，双边滤波中采用3*3、5*5、7*7或9*9的窗口，高斯函数距离标准差和灰度标准差取值为[1,10]。
所述双边滤波中采用3*3的窗口，高斯函数距离标准差和灰度标准差均取5。
所述步骤3中，采用的尺度因子取值为[1.5，2]，控制响应参数的取值为[0,1]，步长取值为[0,1]。
所述控制响应参数取值为0.5，步长取值为0.1。
所述步骤4中，采用的阈值取值为[0,1]。
所述阈值取值为0.6。
所述步骤5中，进行去除小面积连通域时，设其面积取值为[100，200]；当经过步骤4得到的二值图像中连通域的面积大于等于设定值时，将其保留，否则将其中的所有元素设置为0。
所述面积取值为150。
本发明的有益效果是：本发明首先对原图像进行归一化处理，便于后续的函数变换，之后使用双边滤波技术对纤维图像进行去除噪声处理，实现保护边缘的效果；其次将Hessian矩阵特征值与高斯函数相互结合构建相应的多尺度滤波器对滤波后的图像进行纤维的识别；接着对识别的图像选择合适的阈值进行二值化处理；将二值化后的纤维识别图像进行去除小面积连通分量的操作去除小面积的干扰特征，最后进行形态学细化处理，最后得到纤维的精细结构，较精准地对太阳色球纤维图像中的纤维进行了识别，并且在数量上也能够明显的增加，表明本发明较好地解决了之前已有纤维识别方法在进行纤维识别时识别纤维数量以及识别准确性上存在的问题，提高了纤维识别的准确性。
附图说明
图1是本发明的总体流程图
图2是本发明实施例中处理的纤维的Hα图像；
图3是本发明中对图2经过图像归一化以及双边滤波处理之后的图像；
图4是本发明中对图3经过多尺度滤波器进行识别之后的图像，多尺度滤波器是采用Hessian矩阵的差分运算与高斯函数结合构建的；
图5是本发明中对图4经过二值化之后的图像；
图6是本发明中对图5经过去除小面积连通域后的图像；
图7是本发明中对图6经过形态学细化后的只含纤维特征的图像。
具体实施方式
实施例1：如图1所示，一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，所述方法的具体步骤如下：
步骤1：对太阳色球纤维图像进行归一化处理，将原始图像转变为相应的标准形式，得到归一化图像；
步骤2：使用双边滤波来对步骤1得到的归一化图像进行去噪操作，去除图像中的噪声点，得到保留边缘特征信息的太阳色球纤维图像；
步骤3：采用Hessian矩阵的差分运算与高斯函数结合，从而构建多尺度滤波器对步骤2滤波之后的太阳色球纤维图像进行不同尺度的识别，得到太阳色球纤维识别图；
步骤4：设置阈值对通过步骤3得到的太阳色球纤维识别图进行二值化，得到二值化图像；其中，二值化具体为：当图像中点的值大于等于阈值时，将其设为1，否则设置为0；
步骤5：对步骤4得到的二值化图像进行去除小面积连通分量操作，去除图像中的非目标特征，得到只含纤维特征的图像；
步骤6：对步骤5得到的图像进行形态学细化处理，最后得到细化后的只含纤维特征的图像。
进一步地，可以设置所述步骤1中，使用图像的像素最大值和像素最小值来对图像进行操作，使得图像中的像素强度被归一化到[0,1]区间，将需要处理的原始图像转变为相应的标准形式。
进一步地，可以设置所述步骤2中，双边滤波中采用3*3、5*5、7*7或9*9的窗口，高斯函数距离标准差σd和灰度标准差σr取值为[1,10]。
进一步地，可以设置所述步骤3中，采用的尺度因子σ取值为[1.5，2]，控制响应参数τ的取值为[0,1]，步长step取值为[0,1]。
进一步地，可以设置所述步骤4中，采用的阈值thr取值为[0,1]。
进一步地，可以设置所述步骤5中，进行去除小面积连通域时，设其面积S取值为[100，200]；当经过步骤4得到的二值图像中连通域的面积大于等于设定值时，将其保留，否则将其中的所有元素设置为0。
再进一步地，可以设置所述双边滤波中采用3*3的窗口，高斯函数距离标准差和灰度标准差均取5。
再进一步地，可以设置所述控制响应参数取值为0.5，步长取值为0.1。
再进一步地，可以设置所述阈值取值为0.6。
再进一步地，可以设置所述面积取值为150。
再进一步地，除上述给定的具体取值外，还可在本申请给定的范围内任意取值。
实施例2：一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，本发明给出如下实验过程：
步骤1：对如图2所示的太阳色球纤维图像使用图像的像素最大值和像素最小值来对图像进行操作，使得图像中的像素强度被归一化到[0,1]区间，得到转变为相应的标准形式的归一化图像；
其中，归一化公式：式中，Iimg是输入的原始图像，Iout是输出的归一化后的图像。
步骤2：使用双边滤波来对步骤1归一化的图像进行滤波处理，去除图像中的噪声点，得到保留边缘特征信息的太阳色球纤维图像；通过该步骤可以避免所拍摄的原始图像对比度较低，并且其中伴随大量的随机噪声，会影响后期的特征提取的不足；而通过本申请给定的滤波窗口、高斯函数距离标准差和灰度标准差对产生本申请的实验效果至关重要，双边滤波通过考虑距离因素及考虑像素值差异的影响，使其在去噪的同时，能够很好的保留图像的特征信息，具体模板权值公式如下：
最终的滤波公式为：其中，(i,j)为目标像素周边的相关像素的位置，f(i,j)为相关像素的像素值；(k,l)为目标像素的位置，f(k,l)为目标像素的像素值，g(k,l)为滤波后的像素值。σd、σr分别为上述两个高斯函数的距离标准差和灰度标准差。本实施例中，所述双边滤波中采用3*3的窗口，高斯函数距离标准差和灰度标准差均取5，经过双边滤波处理后去除噪声的结果如图3所示；
步骤3：采用高斯函数与Hessian矩阵特征值相互结合所设计得多尺度滤波器，对图3所示的滤波之后的图像进行纤维结构的识别：
Hessian矩阵是由图像中每个像素点的二阶偏导数Ixx,Ixy,Iyx,Iyy所组成的，具体表达如下：
假设λ1，λ2为图像中某像素点Hessian矩阵的两个特征值大小，且|λ1|≤|λ2|，根据Hessian矩阵的两个特征值的大小关系，可以进行选择的检测出图像中的不同特征结构。
根据高斯函数的卷积性质，尺度空间导数Iab由输入图像与高斯滤波器的二阶导的卷积得到，具体表达如下：
其中，σ为高斯函数的标准差，也就是引入的空间尺度因子σ。因为识别的是在亮背景下暗的线性纤维，属于纤维结构的像素点的H特征值应该符合|λ1|≤|λ2|。
根据特征值λ1、λ2进行线性滤波器的设计，重新定义每个特征值为：
同时引入一个辅助特征值λ3，使λ3＝λ2，将其正则化为：
其中，τ为控制均匀性的参数，大小为[0,1]。
最终的识别滤波器设计为：
在识别纤维部分时，本实施例中尺度因子σ取值为[1.5，2]，控制响应参数取值为0.5，步长取值为0.1。根据步长step依次迭代σ，当滤波器的输出值最大时，纤维识别效果是最好的，表明所含的尺度因子σ与纤维的实际宽度最相符。最终的纤维识别图像如图4所示，其中图4中明亮的部分对应的就是原图中的纤维暗斑。
本申请通过采用高斯函数与Hessian矩阵特征值相互结合所设计的多尺度滤波器，通过改变高斯函数的标准偏移量来得到不同尺度下的滤波效果，可以避免纤维结构的直径存在大小不一的情况而无法有效检测的不足。
步骤4：通过步骤3，得到了纤维的结构，但其中仍存在噪声的影响，因此需要将识别后的图像选择合适的阈值进行二值化处理，方便后续的处理操作：当图像中点的值大于等于这个阈值时，将其设为1，否则设置为0；其中采用的阈值为thr＝0.6；其用公式表示为：
二值化后的图像如图5所示。
步骤5：通过步骤4，得到了纤维的二值图像，但其中仍然有非纤维特征的干扰，因此，在这里还需要对其进行非纤维结构的去除，采用去除小面积连通域的方法，设其面积S＝150；当经过步骤4得到二值图像中连通域的面积大于等于S时，不改变其值将其保留，否则将其中的所有元素设置为0，得到的结果如图6所示。
步骤6：去除小面积连通分量之后的图像之后，采用形态学细化操作得到纤维的精细结构，比较清晰的看到识别出35条独立的纤维，并且能够直观的观察纤维的线性结构。最终的结果如图7所示。
通过上述实验数据，纤维在Hα图像中是以暗斑的形式呈现的，在图4的识别图及之后的处理图中纤维结构以明亮的形式出现，但是本发明并不限于上述实施方式，可以在不同波段的纤维图中有效的进行纤维特征的识别。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (9)

1.一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述方法的具体步骤如下：
步骤1：对太阳色球纤维图像进行归一化处理，得到归一化图像；
步骤2：使用双边滤波来对步骤1得到的归一化图像进行去噪操作，去除图像中的噪声点，得到保留边缘特征信息的太阳色球纤维图像；
步骤3：采用Hessian矩阵的差分运算与高斯函数结合，从而构建多尺度滤波器对步骤2滤波之后的太阳色球纤维图像进行不同尺度的识别，得到太阳色球纤维识别图；
步骤4：设置阈值对通过步骤3得到的太阳色球纤维识别图进行二值化，得到二值化图像；其中，二值化具体为：当图像中点的值大于等于阈值时，将其设为1，否则设置为0；
步骤5：对步骤4得到的二值化图像进行去除小面积连通分量操作，去除图像中的非目标特征，得到只含纤维特征的图像；
步骤6：对步骤5得到的图像进行形态学细化处理，最后得到细化后的只含纤维特征的图像；
所述步骤2中，双边滤波中采用3*3、5*5、7*7或9*9的窗口，高斯函数距离标准差和灰度标准差取值为[1,10]；
权值公式如下：
最终的滤波公式为：其中，(i,j)为目标像素周边的相关像素的位置，f(i,j)为相关像素的像素值；(k,l)为目标像素的位置，f(k,l)为目标像素的像素值，g(k,l)为滤波后的像素值；σd、σr分别为上述两个高斯函数wd(i,j,k,l)*wr(i,j,k,l)的距离标准差和灰度标准差；
假设λ1，λ2为图像中某像素点Hessian矩阵的两个特征值大小，且|λ1|≤|λ2|；
根据特征值λ1、λ2进行线性滤波器的设计，重新定义每个特征值为：
其中，λi表示λ1、λ2；
同时引入一个辅助特征值λ3，使λ3＝λ2，将其正则化为：
其中，τ为控制均匀性的参数，大小为[0,1]；σ表示引入的空间尺度因子；
最终的识别滤波器VP(x,σ)设计为：
其中，λρ表示正则化表示。
2.根据权利要求1所述的基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述步骤1中，使用图像的像素最大值和像素最小值来对图像进行操作，使得图像中的像素强度被归一化到[0,1]区间。
3.根据权利要求1所述的基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述双边滤波中采用3*3的窗口，高斯函数距离标准差和灰度标准差均取5。
4.根据权利要求1所述的基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述步骤3中，采用的尺度因子取值为[1.5，2]，控制响应参数的取值为[0,1]，步长取值为[0,1]。
5.根据权利要求4所述的基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述控制响应参数取值为0.5，步长取值为0.1。
6.根据权利要求1所述的基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述步骤4中，采用的阈值取值为[0,1]。
7.根据权利要求6所述的基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述阈值取值为0.6。
8.根据权利要求1所述的基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述步骤5中，进行去除小面积连通域时，设其面积取值为[100，200]；当经过步骤4得到的二值图像中连通域的面积大于等于设定值时，将其保留，否则将其中的所有元素设置为0。
9.根据权利要求8所述的基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法，其特征在于：所述面积取值为150。
CN202011491297.8A 2020-12-17 2020-12-17 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 Active CN112541444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011491297.8A CN112541444B (zh) 2020-12-17 2020-12-17 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011491297.8A CN112541444B (zh) 2020-12-17 2020-12-17 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法

Publications (2)

Publication Number Publication Date
CN112541444A CN112541444A (zh) 2021-03-23
CN112541444B true CN112541444B (zh) 2023-08-22

Family

ID=75018856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011491297.8A Active CN112541444B (zh) 2020-12-17 2020-12-17 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法

Country Status (1)

Country Link
CN (1) CN112541444B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324109A (zh) * 2011-09-26 2012-01-18 上海理工大学 基于模糊隶属度模型的非实质性肺结节三维分割方法
CN103455985A (zh) * 2013-09-03 2013-12-18 武汉大学 基于Hessian结构分析的道路裂缝增强方法
CN105844613A (zh) * 2016-03-14 2016-08-10 昆明理工大学 一种识别天文图像太阳黑子中半影纤维亮点的方法
CN106780597A (zh) * 2016-08-08 2017-05-31 大连工业大学 一种基于图像处理对纤维增强复合材料中纤维特征的提取方法
CN106890009A (zh) * 2017-03-17 2017-06-27 深圳大学 一种骨骼肌体积变化的自动测量方法和装置
CN107392900A (zh) * 2017-07-24 2017-11-24 太原理工大学 一种用多尺度增强滤波器和3d特征的肺结节检测方法
CN107491100A (zh) * 2017-09-04 2017-12-19 上海理工大学 基于图像灰度分析追日的菲涅尔镜聚光装置
CN108985304A (zh) * 2017-05-31 2018-12-11 中国科学院声学研究所 一种基于浅剖数据的沉积层结构自动提取方法
CN109063619A (zh) * 2018-07-25 2018-12-21 东北大学 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统
CN111179260A (zh) * 2019-12-31 2020-05-19 三峡大学 基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测方法
CN111310688A (zh) * 2020-02-25 2020-06-19 重庆大学 一种基于多角度成像的手指静脉识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8538077B2 (en) * 2011-05-03 2013-09-17 Microsoft Corporation Detecting an interest point in an image using edges
US9911208B2 (en) * 2016-04-11 2018-03-06 Toshiba Medical Systems Corporation Apparatus and method of iterative image reconstruction using regularization-parameter control
CN106023200B (zh) * 2016-05-19 2019-06-28 四川大学 一种基于泊松模型的x光胸片图像肋骨抑制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324109A (zh) * 2011-09-26 2012-01-18 上海理工大学 基于模糊隶属度模型的非实质性肺结节三维分割方法
CN103455985A (zh) * 2013-09-03 2013-12-18 武汉大学 基于Hessian结构分析的道路裂缝增强方法
CN105844613A (zh) * 2016-03-14 2016-08-10 昆明理工大学 一种识别天文图像太阳黑子中半影纤维亮点的方法
CN106780597A (zh) * 2016-08-08 2017-05-31 大连工业大学 一种基于图像处理对纤维增强复合材料中纤维特征的提取方法
CN106890009A (zh) * 2017-03-17 2017-06-27 深圳大学 一种骨骼肌体积变化的自动测量方法和装置
CN108985304A (zh) * 2017-05-31 2018-12-11 中国科学院声学研究所 一种基于浅剖数据的沉积层结构自动提取方法
CN107392900A (zh) * 2017-07-24 2017-11-24 太原理工大学 一种用多尺度增强滤波器和3d特征的肺结节检测方法
CN107491100A (zh) * 2017-09-04 2017-12-19 上海理工大学 基于图像灰度分析追日的菲涅尔镜聚光装置
CN109063619A (zh) * 2018-07-25 2018-12-21 东北大学 一种基于自适应背景抑制滤波器和组合方向梯度直方图的交通信号灯检测方法和系统
CN111179260A (zh) * 2019-12-31 2020-05-19 三峡大学 基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测方法
CN111310688A (zh) * 2020-02-25 2020-06-19 重庆大学 一种基于多角度成像的手指静脉识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林剑等.基于Hessian矩阵的手指静脉图像分割.《机电工程》.2016,第33卷(第12期),第1517-1522页. *

Also Published As

Publication number Publication date
CN112541444A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
Ansari et al. Skin cancer detection using image processing
Hazra et al. Brain tumor detection based on segmentation using MATLAB
Ningsih Improving retinal image quality using the contrast stretching, histogram equalization, and CLAHE methods with median filters
CN110188614A (zh) 一种基于皮裂纹分割的nlm滤波指静脉去噪方法
Wang et al. Low-light image enhancement based on nonsubsampled shearlet transform
Kaur et al. Neural network technique for diabetic retinopathy detection
CN109949294A (zh) 一种基于OpenCV的断口形貌图裂纹缺陷提取方法
Djerouni et al. Dorsal hand vein image contrast enhancement techniques
Puniani et al. Performance evaluation of image enhancement techniques
CN112541444B (zh) 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法
Rahman et al. Skin lesions classification based on color plane-histogram-image quality analysis features extracted from digital images
Díaz-Huerta et al. Analysis and comparison of image processing and artificial intelligence algorithms to detect AFB in pulmonary tuberculosis images
Yu et al. Research on CNN Algorithm for Monochromatic Fabric Defect Detection
Yusoff et al. Enhancement and Segmentation of Ziehl Neelson Sputum Slide Images using Contrast Enhancement and Otsu Threshold Technique
Hemalatha et al. A comparison of filtering and enhancement methods in malignant melanoma images
PL A study on various image processing techniques
Kavitha et al. Classification of skin cancer segmentation using hybrid partial differential equation with fuzzy clustering based on machine learning techniques
CN114818766A (zh) 一种基于opencv的自适应的条码对比度增强方法
Salamah et al. Enhancement of low quality thick blood smear microscopic images of malaria patients using contrast and edge corrections
Zia et al. A healthcare model to predict skin cancer using deep extreme machine learning
Müller et al. Application of trainable segmentation to microstructural images using low-alloy steels as an example
Kim et al. The development of evaluation algorithm for blood infection degree
Ravindraiah Qualitative evaluation of enhancement methods for analysis of acute leukemia images
Thakur et al. Skin cancer recognition using SVM image processing technique
Riasat Research on various image processing techniques

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