CN112580642A - 一种结合边缘特征和纹理特征的图像混合分割方法及设备 - Google Patents
一种结合边缘特征和纹理特征的图像混合分割方法及设备 Download PDFInfo
- Publication number
- CN112580642A CN112580642A CN202011364946.8A CN202011364946A CN112580642A CN 112580642 A CN112580642 A CN 112580642A CN 202011364946 A CN202011364946 A CN 202011364946A CN 112580642 A CN112580642 A CN 112580642A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- gradient
- features
- texture
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 title claims abstract description 42
- 230000000877 morphologic effect Effects 0.000 claims abstract description 18
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 15
- 239000003550 marker Substances 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization 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
- G06V10/26—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种结合边缘特征和纹理特征的图像混合分割方法及设备,包括以下步骤:获取待分割的高分辨率图像,对该高分辨率图像进行K‑L变换获取对应的主成分图像;采用多尺度多方向形态学梯度算子提取所述主成分图像的边缘特征,生成第一梯度图像;提取所述主成分图像中图像对象内部的局部方差纹理特征,获得图像对象标记;将所述图像对象标记作为第一梯度图像的局部极小值,形成第二梯度图像,对该第二梯度图像进行分水岭变换获得图像分割结果。与现有技术相比,本发明具有分割精度高等优点。
Description
技术领域
本发明涉及电力设备图像处理技术领域,尤其是涉及一种结合边缘特征和纹理特征的图像混合分割方法及设备。
背景技术
据统计,电力系统中的70%故障是由电气设备故障引起的,而超过半数以上的电气设备故障都与因泄露电流、漏磁、连接松动、接触不良等造成的发热有关。红外检测技术利用红外检测设备获得电力设备的温度值和温度空间分布特征,分析处理设备中潜伏的故障和隐患,可以防患于未然。
在进行电气设备缺陷识别时,由于电力设备种类繁多,不同设备的故障特征也有很大差别。通常设备缺陷区域、正常区域与背景环境相互交错,因此对电气设备热像图进行精准分割能够为电力设备缺陷识别提供有效的依据。而目前,针对电气设备热像图精准分割的研究还比较欠缺,无法保证电气设备监测准确度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种分割精度高的结合边缘特征和纹理特征的图像混合分割方法及设备。
本发明的目的可以通过以下技术方案来实现:
一种结合边缘特征和纹理特征的图像混合分割方法,包括以下步骤:
获取待分割的高分辨率图像,对该高分辨率图像进行K-L变换获取对应的主成分图像;
采用多尺度多方向形态学梯度算子提取所述主成分图像的边缘特征,生成第一梯度图像;
提取所述主成分图像中图像对象内部的局部方差纹理特征,获得图像对象标记;
将所述图像对象标记作为第一梯度图像的局部极小值,形成第二梯度图像,对该第二梯度图像进行分水岭变换获得图像分割结果。
进一步地,所述第一梯度图像的生成过程具体为:
将多尺度形态学梯度算子的提取结果和多方向形态学梯度算子的提取结果的加权和作为所述第一梯度图像。
进一步地,所述多尺度形态学梯度算子或多方向形态学梯度算子表示如下:
式中,符号⊕和Θ分别表示膨胀与腐蚀运算,A为待处理图像,Bi表示一组结构元素,0≤i≤n,n表示尺度数或方向数。
进一步地,所述图像对象标记的获取过程包括:
通过数学形态学滤波,估计图像对象间的差异,获取对象间差异图像;
从所述对象间差异图像提取局部方差纹理特征,基于设定阈值,获得图像对象标记。
进一步地,所述数学形态学滤波采用的滤波器为具有不同形状、尺寸、方向的结构元素的滤波器。
进一步地,所述对象间差异图像表示为:
C=(A∨φ1γ1φ2γ2(A))∧γ1φ1γ2φ2(A)
式中,∨和∧分别表示逐像元地取最大值和取最小值操作,φ1、γ1、φ2、γ2表示四种滤波器,A为待处理图像,C为对象间差异图像。
进一步地,基于所述局部方差纹理特征,将变异小于设定阈值th的相邻像素集合确定为图像对象标记。
进一步地,所述设定阈值th的取值范围为2~3。
进一步地,基于数学形态学强制最小过程将所述图像对象标记强制作为第一梯度图像的局部极小值。
本发明还提供一种电子设备,包括:
一个或多个处理器;
存储器;和
被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如上所述结合边缘特征和纹理特征的图像混合分割方法的指令。
与现有技术相比,本发明具有以下有益效果:
1、本发明采用K-L变换有效地降低电气设备热像图数据的维数,达到去相关、归并与分离信息的目的,进而提高分割精度。
2、本发明采用基于数学形态学的边缘特征提取方法,对噪声不敏感,能够提取圆滑的边缘,提高分割精度。
3、本发明对主成分图像进行分割,用比原图像少的信息就能获得满意的分割效果,运算效率也得到明显提高,具有良好的图像分割效果和广阔的应用范围。
4、本发明采用图像对象标记与梯度信息相结合的方式进行图像分割,有效避免了过分割问题。
5、本发明同时考虑图像边缘特征与区域特征,保证不丢失地物边缘信息的同时,又能获得完整的区域分割结果。
6、本发明采用标记控制的分水岭分割方法,不仅能较好地控制过分割与欠分割,而且还能获得连续的单像素宽度的边缘。
7、本发明在图像对象标记时对设定阈值取值范围进行控制,分割出的区域与图像对象的边界具有良好的对应关系,电气设备的边界比较完整,分割效果较好。
附图说明
图1为本发明的流程示意图;
图2为阈值th对分割效果的影响示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提供一种结合边缘特征和纹理特征的图像混合分割方法,对电气设备热像图进行分割,该方法在K-L变换的基础上,从主成分图像中分别提取边缘梯度特征以及图像对象内部的局部方差纹理特征,通过形态学强制最小技术,利用图像对象标记修改边缘梯度图像,完成标记控制的分水岭分割。该方法能够保证图像分割过程中不丢失地物边缘信息,又能获得完整的区域分割结果。如图1所示,该方法包括如下具体步骤:
步骤S1:K-L变换。
获取待分割的高分辨率图像,对该高分辨率图像进行K-L变换获取对应的主成分图像。
步骤S2:梯度信息的提取。
基于数学形态学梯度算子进行边缘特征提取,数学形态学梯度算子表示如下:
式(1)是单一尺度的形态学梯度算子。由于SE是数学形态学运算的核心,其形状和大小直接影响形态学运算的输出结果。采用小的SE,能检测到比较精细的边缘,但对噪声比较敏感;采用大的SE,能消除图像中的噪声,但最终生成的边缘比较粗。在图像边缘检测过程中,采用不同尺寸SE可以充分考虑图像对象的多尺度特性;采用不同方向SE,便于保留图像对象边缘的方向性信息。
梯度信息的提取过程如下:
首先,利用平坦的不同尺寸的SE提取图像的多尺度梯度,多尺度形态学梯度算子表示如下:
式中,Bi(0≤i≤n)表示大小为(2i+1)×(2i+1)的一组结构元素,n是尺度。
然后,利用不同方向的SE提取图像的多方向梯度。
考虑到多光谱图像对象边缘在不同方向上的异质性,本实施例采用一组由5×5像素构成的8个方向的平坦结构元素进行多方向边缘检测,多方向形态学梯度算子的形式如下:
最后,将多尺度梯度和多方向梯度的加权和作为结果梯度图像(第一梯度图像)Final Grad。
但是,在提取结果梯度图像的过程中,不论是对多尺度梯度和多方向梯度取极大值,还是在多方向梯度计算中取极大值,图像分割的结果会出现比较严重的过分割现象,主要原因在于取极大值会使结果梯度图像中产生更多的局部伪极小值,从而导致严重的过分割问题。
步骤S3:图像对象的标记。
本发明方法采用对图像对象的标记进行有效的过分割控制,通过数学形态学图像简化方法获取图像中对应每个对象(objects)的内部同质区域。
图像对象内部标记定义为:(1)被更高“海拔”点包围起来的区域;(2)区域中的点组成连通分量;(3)所有属于这个连通分量的点具有相同的灰度级值。可以通过图像特征检测手段获取图像的标记,所述图像特征包括图像的局部极值、平坦的区域和纹理一致的区域等。标记可以看作图像对象内部的局部同质极小值区域。
标记提取的具体过程为:先通过数学形态学滤波,估计图像对象间的差异,获取对象内部的同质区域;再从对象间差异图像提取局部方差统计特征,通过设定阈值,标记图像对象。
数学形态学滤波是一种非线性滤波。由于数学形态学运算对SE的尺寸和形状敏感,必须选择合适的SE。为了能有效地提取图像对象内部的标记,同时消除图像噪声,分别采用两种SE进行滤波。本实施例中,一种是大小为3×3的方形SE,另一种是一组20个方向的长度为5的线性SE,由此产生4种滤波器:γ3×3、φ3×3,γ5和φ5。开操作γ3×3用于消除面积小于3×3像元的亮细节,而闭操作φ3×3用于消除面积小于3×3像元的暗细节;相应的,开操作γ5,用于消除长度小于5个像元的亮细节,闭操作φ5用于消除长度小于5个像元的暗细节。
因此,估计对象间差异图像C的表示如下:
C=(A∨φ1γ1φ2γ2(A))∧γ1φ1γ2φ2(A) (4)
式中,∨和∧分别表示逐像元地取最大值和取最小值操作,γ1为γ3×3,φ1为φ3×3,γ2为γ5,φ2为φ5。
经过数学形态学滤波后,对象内部的变异更小,接近同质区域,而对象间的亮度差异更大。为了有效标记每个图像对象,需要进一步提取对象内部的极小值区域。将对象内部变异极小的区域作为对象的标记。采用一个3×3的滑动窗计算对象内部的局部变异信息,获得局部方差统计特征图像ILVAR。再采用数学形态学扩展最小变换,将变异小于阈值th的相邻像素集合确定为标记,具体算法为:
Marker=IME(ILVAR,th) (5)
步骤S4:标记控制的分水岭分割。
在一般的分水岭分割过程中,受图像噪声和量化误差的影响,图像中会存在大量的伪极小值,它们在图像中产生相应的伪集水盆地。因此,伪局部极小值将和那些真正的局部极小值一起被作为一个独立的区域通过分水岭算法分割出来,最终造成过分割问题。
标记控制的分水岭是一种典型的混合分割算法,它将基于边缘的梯度提取和种子区域生长算法有机地结合在一起,不仅能较好地控制过分割与欠分割,而且还能获得连续的单像素宽度的边缘,因而在图像分割领域得到了广泛应用。
在获得梯度图像并对图像对象进行标记之后,数学形态学强制最小过程被用来修改结果梯度图像(Final Grad),将提取的标记(Marker)强制作为梯度图像的局部极小值,而屏蔽梯度图像中的局部极小值。修改后的梯度图像中只有对应标记不为零的地方有局部极小值。修改后的梯度图像用Gradc表示,有:
Gradc= IMMIN( Final_Grad,Marker) (6)
对修改后梯度图像执行分水岭变换,获得最终的图像分割结果WS,用WST表示分水岭变换,则有:
WS=WST(Gradc) (7)
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。上述软件可存储于一电子设备中。
本实施例选用两幅多光谱图像进行仿真分析,验证方法的有效性和可行性。利用数学形态学方法,从PC1中提取边缘梯度,分别从PC1和PC2提取图像对象标记,进行图像分割实验。结果发现采用PC1提取的标记分割图像时,能获得更为理想的分割结果,标记控制的分水岭分割较好地解决了过分割与欠分割问题。
在分割过程中,阈值th是唯一需要调整的参数,进一步分析阈值th对图像分割效果的影响。研究发现,当阈值th=2.5时,区域数为2161个,分割出的区域与图像对象的边界具有良好的对应关系,电气设备的边界比较完整,分割效果较好;若th设置得太小,过分割问题较严重,欠分割尚不突出,分割出的区域较破碎,且数目较多;当th逐渐增大时,过分割问题明显好转,但欠分割问题更为严重,区域数明显减少。因此,在遥感图像的分割研究中,不仅应注意解决过分割,还应该尽可能避免欠分割。一个理想的遥感图像分割策略,应该很好地兼顾过分割与欠分割问题,并在这二者间寻找到一个最佳平衡点,获得有意义的分割。此外,直接应用结果梯度图像进行分水岭分割,结果如图2所示。仅采用结果梯度图像进行分割,过分割问题非常严重,获得的区域数达9594个之多,分割出的区域极为破碎。
本实施例选用两幅多光谱图像进行仿真分析,验证方法的有效性和可行性。采用K-L变换不仅能有效地降低多光谱数据的维数,达到去相关、归并与分离信息的目的,而且对主成分图像进行分割,用比原图像少的信息就能获得满意的分割效果,运算效率也得到明显提高。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种结合边缘特征和纹理特征的图像混合分割方法,其特征在于,包括以下步骤:
获取待分割的高分辨率图像,对该高分辨率图像进行K-L变换获取对应的主成分图像;
采用多尺度多方向形态学梯度算子提取所述主成分图像的边缘特征,生成第一梯度图像;
提取所述主成分图像中图像对象内部的局部方差纹理特征,获得图像对象标记;
将所述图像对象标记作为第一梯度图像的局部极小值,形成第二梯度图像,对该第二梯度图像进行分水岭变换获得图像分割结果。
2.根据权利要求1所述的结合边缘特征和纹理特征的图像混合分割方法,其特征在于,所述第一梯度图像的生成过程具体为:
将多尺度形态学梯度算子的提取结果和多方向形态学梯度算子的提取结果的加权和作为所述第一梯度图像。
4.根据权利要求1所述的结合边缘特征和纹理特征的图像混合分割方法,其特征在于,所述图像对象标记的获取过程包括:
通过数学形态学滤波,估计图像对象间的差异,获取对象间差异图像;
从所述对象间差异图像提取局部方差纹理特征,基于设定阈值,获得图像对象标记。
5.根据权利要求4所述的结合边缘特征和纹理特征的图像混合分割方法,其特征在于,所述数学形态学滤波采用的滤波器为具有不同形状、尺寸、方向的结构元素的滤波器。
6.根据权利要求4所述的结合边缘特征和纹理特征的图像混合分割方法,其特征在于,所述对象间差异图像表示为:
C=(A∨φ1γ1φ2γ2(A))∧γ1φ1γ2φ2(A)
式中,∨和∧分别表示逐像元地取最大值和取最小值操作,φ1、γ1、φ2、γ2表示四种滤波器,A为待处理图像,C为对象间差异图像。
7.根据权利要求4所述的结合边缘特征和纹理特征的图像混合分割方法,其特征在于,基于所述局部方差纹理特征,将变异小于设定阈值th的相邻像素集合确定为图像对象标记。
8.根据权利要求7所述的结合边缘特征和纹理特征的图像混合分割方法,其特征在于,所述设定阈值th的取值范围为2~3。
9.根据权利要求1所述的结合边缘特征和纹理特征的图像混合分割方法,其特征在于,基于数学形态学强制最小过程将所述图像对象标记强制作为第一梯度图像的局部极小值。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;和
被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-9任一所述结合边缘特征和纹理特征的图像混合分割方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364946.8A CN112580642A (zh) | 2020-11-27 | 2020-11-27 | 一种结合边缘特征和纹理特征的图像混合分割方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364946.8A CN112580642A (zh) | 2020-11-27 | 2020-11-27 | 一种结合边缘特征和纹理特征的图像混合分割方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580642A true CN112580642A (zh) | 2021-03-30 |
Family
ID=75124268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011364946.8A Pending CN112580642A (zh) | 2020-11-27 | 2020-11-27 | 一种结合边缘特征和纹理特征的图像混合分割方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192060A (zh) * | 2021-05-25 | 2021-07-30 | 上海商汤临港智能科技有限公司 | 一种图像分割的方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090123070A1 (en) * | 2007-11-14 | 2009-05-14 | Itt Manufacturing Enterprises Inc. | Segmentation-based image processing system |
CN101556693A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 阈值法标记提取的分水岭sar图像分割方法 |
KR20150059860A (ko) * | 2013-11-25 | 2015-06-03 | 조선대학교산학협력단 | 형태학적 연산을 이용한 이미지 분할 처리방법 |
CN104715474A (zh) * | 2015-01-20 | 2015-06-17 | 电子科技大学 | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 |
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN111402265A (zh) * | 2020-03-12 | 2020-07-10 | 广东电网有限责任公司广州供电局 | 一种基于形态学标记的电力设备红外热像分割方法 |
-
2020
- 2020-11-27 CN CN202011364946.8A patent/CN112580642A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090123070A1 (en) * | 2007-11-14 | 2009-05-14 | Itt Manufacturing Enterprises Inc. | Segmentation-based image processing system |
CN101556693A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 阈值法标记提取的分水岭sar图像分割方法 |
KR20150059860A (ko) * | 2013-11-25 | 2015-06-03 | 조선대학교산학협력단 | 형태학적 연산을 이용한 이미지 분할 처리방법 |
CN104715474A (zh) * | 2015-01-20 | 2015-06-17 | 电子科技大学 | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 |
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN111402265A (zh) * | 2020-03-12 | 2020-07-10 | 广东电网有限责任公司广州供电局 | 一种基于形态学标记的电力设备红外热像分割方法 |
Non-Patent Citations (3)
Title |
---|
何安良;程兴保;廖龙长;程朋根;: "耦合H-minima与数学形态学的分水岭遥感图像分割方法", 东华理工大学学报(自然科学版), no. 04 * |
徐春燕;冯学智;赵书河;肖鹏峰;: "基于数学形态学的IKONOS多光谱图像分割方法研究", 遥感学报, no. 06, pages 980 - 985 * |
江怡;梅小明;邓敏;陈杰;陈铁桥;: "一种结合形态滤波和标记分水岭变换的遥感图像分割方法", 地理与地理信息科学, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192060A (zh) * | 2021-05-25 | 2021-07-30 | 上海商汤临港智能科技有限公司 | 一种图像分割的方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
Chudasama et al. | Image segmentation using morphological operations | |
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
CN107273838B (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
Ma et al. | Region-of-interest detection via superpixel-to-pixel saliency analysis for remote sensing image | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN111680704B (zh) | 海洋红线新增人类活动斑块自动化快速提取方法和装置 | |
Wang et al. | Noise-robust color edge detector using gradient matrix and anisotropic Gaussian directional derivative matrix | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN111539238B (zh) | 二维码图像修复方法、装置、计算机设备和存储介质 | |
CN109255792B (zh) | 一种视频图像的分割方法、装置、终端设备及存储介质 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN107133964B (zh) | 一种基于Kinect的抠像方法 | |
CN104050674B (zh) | 一种显著性区域检测方法及装置 | |
Tan et al. | Image haze removal based on superpixels and Markov random field | |
Fu et al. | A noise-resistant superpixel segmentation algorithm for hyperspectral images | |
CN112580642A (zh) | 一种结合边缘特征和纹理特征的图像混合分割方法及设备 | |
CN112418226A (zh) | 一种鱼眼分合闸状态识别的方法及装置 | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
Zou et al. | Geodesic-based pavement shadow removal revisited | |
CN111445510A (zh) | 一种图像中直线的检测方法 | |
Jin et al. | A color image segmentation method based on improved K-means clustering algorithm | |
Kumar et al. | An efficient algorithm for text localization and extraction in complex video text images | |
Xing et al. | Multi-exposure image fusion quality assessment using contrast information |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210330 |