CN112862816A - 一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 - Google Patents
一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 Download PDFInfo
- Publication number
- CN112862816A CN112862816A CN202110275231.3A CN202110275231A CN112862816A CN 112862816 A CN112862816 A CN 112862816A CN 202110275231 A CN202110275231 A CN 202110275231A CN 112862816 A CN112862816 A CN 112862816A
- Authority
- CN
- China
- Prior art keywords
- image
- stripe
- stripes
- matrix
- size
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 14
- 238000000605 extraction Methods 0.000 title claims abstract description 13
- 238000000024 high-resolution transmission electron micrograph Methods 0.000 title claims abstract description 12
- 150000004945 aromatic hydrocarbons Chemical class 0.000 title claims abstract description 9
- 230000001413 cellular effect Effects 0.000 claims abstract description 24
- 230000000903 blocking effect Effects 0.000 claims abstract description 9
- 238000010008 shearing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 16
- 239000013078 crystal Substances 0.000 claims description 11
- 238000003491 array Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 125000003118 aryl group Chemical group 0.000 claims 4
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域，具体是一种HRTEM图像中煤芳香烃晶格条纹的智能提取方法。包括以下步骤。S100～对原始图像进行灰度处理、剪切、傅里叶‑反傅里叶变换以及分块；S200～对元胞数组进行分析，得到主要的条纹位置；S300～对主体部分图像的像素点进行判断，去除背景噪音，得到条纹；S400～对条纹图像进行骨骼化操作，同时确定X的值，骨骼化之后的图像，按照图像自带比例尺，同时根据图片大小，求出晶格条纹的长度以及角度；S500～根据步骤S400得到的数据，用户可自行建立相应的数据库，同时画出条纹大小柱状分布图和条纹角度柱状分布图。本发明提出的技术方案中使用了分块处理的方法，不仅能够找到条纹部位进行处理，同时也减少了二值化对图像失真影响。
Description
技术领域
本发明属于图像处理技术领域，具体是一种HRTEM图像中煤芳香烃晶格条纹的智能提取方法。
背景技术
目前，煤芳香烃晶格条纹提取主要的处理方法有两种。第一种是科研人员将在高分子透射电镜下观察到的样品图片，通过Photoshop或者其他软件将图像灰度化，在将图像二值化，之后运用ArcGIS或者其他软件，手动画出条纹，画出以后，再用软件手动测量出条纹的长度；另一种是科研人员利用程序的手段，自动的提取出条纹，例如康倩楠和张志强开发了VirtualFringe的程序，他们将图片导入程序，之后对图像进行降噪，傅里叶变换等操作，之后设定一个阈值，对图像进行二值化处理，处理完之后，在通过骨骼化将条纹提取出来，最后得到条纹的长度以及角度等信息。
在现有的两种处理方法中，对于第一种来说，一张图像里面包含巨大的条纹数量，手动画出条纹不说其准确程度，耗费时间和耗费体力是一定的，随后在手动测量条纹的长度以及角度，更是一件耗时耗力的事；对于第二种方法来说，虽然能快速地提取出条纹，但是在晶格条纹的原图中，图像中各个地方的明暗程度各不相同，最后阈值过滤的时候，会损失大量的信息，并且很多噪音部分的灰度分布范围很广，即使在阈值过滤完，依旧会有很多的噪音残留，之后的残留依旧需要手动过滤，这就会给后续的长度、角度等计算，带来不必要的麻烦。
发明内容
本发明为了解决上述问题，提供一种HRTEM图像中煤芳香烃晶格条纹的智能提取方法。
本发明采取以下技术方案：一种HRTEM图像中煤芳香烃晶格条纹的智能提取方法，包括以下步骤。
S100～对原始图像进行灰度处理、剪切、傅里叶-反傅里叶变换以及分块；
S200～对元胞数组进行分析，得到主要的条纹位置；
S300～对主体部分图像的像素点进行判断，去除背景噪音，得到条纹；
S400～对条纹图像进行骨骼化操作，同时确定X的值，骨骼化之后的图像，按照图像自带比例尺，同时根据图片大小，求出晶格条纹的长度以及角度；
S500～根据步骤S400得到的数据，用户可自行建立相应的数据库（用户可将同种关系的图片存入统一数据库，之后处理图像时，可选择快速处理，用户仅需输入想调用的数据库，即可处理），同时画出条纹大小柱状分布图和条纹角度柱状分布图。
步骤S100采取以下方法，
S101～判断原始图像是RGB图像还是灰度图像，若是RGB图像，则会将图像进行灰度化处理，同时将图像进行分块；若为灰度，直接开始分块，分块是64像素*64像素为基本单位，将图像进行切块；
S102～灰度图像分成元胞数组，其中元胞数组的大小是原始图像的长宽与64个像素大小的比值，结果取其整数部分，多余的部分裁剪掉，其中元胞数组里的各个矩阵大小为64像素*64像素，元胞数组里的数值与图像中的灰度值相对应；
S103～将元胞数组转化为矩阵，之后进行傅立叶变换、反变换，变换后再次进行分块，得到对应大小的元胞数组。将元胞数组转化为灰度矩阵，之后进行傅立叶变换、反变换，变换后再次进行分块，得到对应大小的元胞数组，因为元胞数组与图像相对应，可以将元胞数组直接转化为灰度矩阵，灰度矩阵可以直接显示成灰度图像，同时元胞数组的使用能准确的定位到主体位置，从而为之后的主体部分提取打下基础。
步骤S200采取以下方法，
S201～对元胞数组的每一部分进行灰度分布直方图分析，由于条纹位置和不是条纹位置的灰度分布有着很大差异，因此可以根据此点，确定大部分的条纹位置，同时创建一个和元胞数组大小一样的矩阵，若元胞数组中有条纹，则给矩阵对应处赋值为0，若没有条纹则赋值为1；
S202～对上述矩阵进行判断，大小为0处即为连通区域，保留连通区域中面积最大的部分；
S203～将其中的空洞区域填充，因为是按照64*64的像素来进行分块的，此时对矩阵中所有大小为1的进行判断，若其四领域内的数值都是0，则为空洞部分，进行填充；若果四领域内的数值不全为0，则不是空洞部分，则不进行填充；
S204～将图像扩大边界，由于此时的边界部分可能损失了条纹的一部分，所以我们对边界部分进行扩大，即判断上述矩阵的四领域内的大小，若有一个部分的大小为1，则向相应方向扩大一个细胞块，得到需要的主体部分条纹图像，由于矩阵和元胞数组相对应，若矩阵元素的大小为0，则显示对应的元胞数组部分，反之显示为全白色。
步骤S300采取以下方法，
S301～判断每个像素点的8领域，首先将矩阵进行扩大，先将矩阵大小为a*b的扩大成(a+4)*(b+4)，之后将原矩阵的第一行和第二行以及最后一行和倒数第二行赋予扩大矩阵的第一行第二行最后一行和倒数第二行，得到过度矩阵，最后将过度矩阵的第一列第二列最后一列和倒数第二列赋予扩大矩阵的第一列第二列最后一列倒数第二列，得到最终扩大后的矩阵；此时计算条纹所在的各个细胞块部分平均灰度值H，假定灰度小于H-X的是条纹，X的初始值为1，对于灰度大于H的是噪音；将图像扩大同时假设其属于条纹和噪音的隶属度Membership1和Membership2，在这个每个像素点的8领域内，若果有一个灰度值小于H-X，则Membership1=1，若有两个，则Membership1=2；若果有一个灰度值大于H，则Membership2=1，若有两个，则Membership2=2；以此类推；
S302～提取出属于（H-X，H）范围的像素点；对这其中的像素点进行判断，若Membership1> Membership2>=0，定义这个像素点的属于条纹；若0<= Membership1<Membership2，定义这个像素点属于噪音；若Membership1= Membership2>0，则让领域范围内灰度值小于H-X和灰度值大于H的像素点，依次与该像素点做差并求绝对值，之后相加，得到两个和S1和S2，判断S1和S2的大小，若S1小，则表示此点较为接近条纹，进而认为这点是条纹点，反之亦然；若Membership1=Membership2=0，说明其领域内都是模糊的点，我们人为操作的时候认为此点的不方便定义，所以判定这点不是条纹点。
步骤S400采取以下方法，
S401～由于晶格条纹具有长度属于(0.3nm-2.86nm)的特性，以此为判断依据，在通过步骤S300判断模糊部分的像素点属于条纹还是噪音后，除去噪音部分，然后将图像进行骨骼化处理，根据每个像素点所代表的长度进行求解（例如一个比例尺为1nm，一张图片为十个比例尺，则图片实际大小为10nm，若十个比列尺是2000个像素，则每个像素为10/2000nm），若大于2.86nm，则代表X的值不符合要求，将X的值加一，重复S300和S401的过程，直至最后没有超出2.86nm的晶格条纹。晶格条纹的角度即初始位置与终点位置的连线与水平方向的夹角，假设初始坐标是（x1,y1），终点坐标是(x2,y2)，则角度的大小为arctan(|y2-y1|/|x2-x1|)；
S402～在求出图中所有的晶格条纹长度之后，过滤掉当中长度小于0.3nm的，将条纹长度小于0.3nm的视为噪音。
与现有技术相比，本发明提出的技术方案中使用了分块处理的方法，不仅能够找到主要的条纹部位进行分析处理，同时也减少了二值化对图像失真的影响。其次将用户每次精确提取的信息记录下来，方便之后用户的快速提取。用户可以根据样品自行建立数据库，数据库中包含大量的可用信息，也方便了用户对实验数据的管理。
附图说明
图1是本发明流程图；
图2是本发明煤的电镜原始图像；
图3是本发明实施例中图像处理过程对图一的灰度变换、裁剪以及傅里叶变换之后的晶格条纹主体部分图像；
图4为本发明实施例最终得到的晶格条纹图像；
图5是本发明实施例最终得到的晶格条纹骨骼化图像；
图6是本发明实施例最终得到的条纹编码矩阵，每一个条纹都有着自己唯一的编码，编码对应的行数和列数就是条纹在图五中对应的位置；
图7是本发明实施例最终得到的条纹信息矩阵，第一列是结点数；第二列是条纹终点和起点的直线距离；第三列是长径比；第四列是角度；第五列是长度；第六列是分子量；第七列是对应条纹的编号；
图8为本发明实施例最终得到的条纹大小分布图和条纹角度分布图。
具体实施方式
一种HRTEM图像中煤芳香烃晶格条纹的智能提取方法，包括以下步骤。
S100～对原始图像进行灰度处理、剪切、傅里叶-反傅里叶变换以及分块。
步骤S100采取以下方法，
S101～判断原始图像是RGB图像还是灰度图像，若是RGB图像，则将图像进行灰度化处理，同时将图像进行分块；若为灰度图像，直接开始分块，分块是64像素*64像素为基本单位，将图像进行切块。
S102～灰度图像分成元胞数组，其中元胞数组的大小是原始图像的长宽与64个像素大小的比值，结果取其整数部分，多余的部分裁剪掉，其中元胞数组里的各个矩阵大小为64像素*64像素，元胞数组里的数值与灰度图像中对应。
S103～将元胞数组转化为矩阵，之后进行傅立叶变换、反变换，变换后再次进行分块，得到对应大小的元胞数组。由于元胞数组与图像相对应，可以将元胞数组直接转化为矩阵，进而得到主体部分的图像，同时元胞数组的使用能准确的定位到主体位置，从而为之后的主体部分提取打下基础。
S200～对S100中的元胞数组进行分析，得到主要的条纹位置。
步骤S200采取以下方法，
S201～～对元胞数组的每一部分进行灰度分布直方图分析，由于条纹位置和不是条纹位置的灰度分布有着很大差异，因此可以根据此点，确定大部分的条纹位置，同时创建一个和元胞数组大小一样的矩阵，若元胞数组中有条纹，则给矩阵对应处赋值为0，若没有条纹则复试为1；
S202～对上述矩阵进行判断，大小为0处即为连通区域，保留连通区域中面积最大的部分；
S203～将其中的空洞区域填充，因为是按照64*64的像素来进行分块的，此时对矩阵中所有大小为1的进行判断，若其四领域内的数值都是0，则为空洞部分，进行填充；若果四领域内的数值不全为0，则不是空洞部分，则不进行填充；
S204～将图像扩大边界，由于此时的边界部分可能损失了条纹的一部分，所以我们对边界部分进行扩大，即判断上述矩阵的四领域内的大小，若有一个部分的大小为1，则向相应方向扩大一个细胞块，得到需要的主体部分条纹图像，由于矩阵和元胞数组相对应，若矩阵元素的大小为0，则显示对应的元胞数组部分，反之显示为全白色。
S300～对主体部分图像的像素点进行判断，去除背景噪音，得到条纹。
步骤S300采取以下方法，
S301～判断每个像素点的8领域，首先将矩阵进行扩大，先将矩阵大小为a*b的扩大成(a+4)*(b+4)，之后将原矩阵的第一行和第二行以及最后一行和倒数第二行赋予扩大矩阵的第一行第二行最后一行和倒数第二行，得到过度矩阵，最后将过度矩阵的第一列第二列最后一列和倒数第二列赋予扩大矩阵的第一列第二列最后一列倒数第二列，得到最终扩大后的矩阵；此时计算条纹所在的各个细胞块部分平均灰度值H，假定灰度小于H-X的是条纹，X的初始值为1，对于灰度大于H的是噪音；将图像扩大同时假设其属于条纹和噪音的隶属度Membership1和Membership2，在这个每个像素点的8领域内，若果有一个灰度值小于H-X，则Membership1=1，若有两个，则Membership1=2；若果有一个灰度值大于H，则Membership2=1，若有两个，则Membership2=2；以此类推；
S302～提取出属于（H-X，H）范围的像素点；对这其中的像素点进行判断，若Membership1> Membership2>=0，定义这个像素点的属于条纹；若0<= Membership1<Membership2，定义这个像素点属于噪音；若Membership1= Membership2>0，则让领域范围内灰度值小于H-X和灰度值大于H的像素点，依次与该像素点做差并求绝对值，之后相加，得到两个和S1和S2，判断S1和S2的大小，若S1小，则表示此点较为接近条纹，进而认为这点是条纹点，反之亦然；若Membership1= Membership2=0，说明其领域内都是模糊的点，我们人为操作的时候认为此点的不方便定义，所以判定这点不是条纹点。
S400～对条纹图像进行骨骼化操作，同时确定X的值，骨骼化之后的图像，按照图像自带比例尺，同时根据图片大小，求出晶格条纹的长度以及角度。
步骤S400采取以下方法，
S401～由于晶格条纹具有长度属于(0.3nm-2.86nm)的特性，以此为判断依据，在通过步骤S300判断模糊部分的像素点属于条纹还是噪音后，除去噪音部分，然后将图像进行骨骼化处理，根据每个像素点所代表的长度进行求解（例如一个比例尺为1nm，一张图片为十个比例尺，则图片实际大小为10nm，若十个比列尺是2000个像素，则每个像素为10/2000nm），若大于2.86nm，则代表X的值不符合要求，将X的值加一，重复S300和S401的过程，直至最后没有超出2.86nm的晶格条纹。晶格条纹的角度即初始位置与终点位置的连线与水平方向的夹角，假设初始坐标是（x1,y1），终点坐标是(x2,y2)，则角度的大小为arctan(|y2-y1|/|x2-x1|)；
S402～在求出图中所有的晶格条纹长度之后，过滤掉当中长度小于0.3nm的，将条纹长度小于0.3nm的视为噪音。
S500～根据步骤S400得到的数据，用户可自行建立相应的数据库（用户可将同种关系的图片存入统一数据库，之后处理图像时，可选择快速处理，用户仅需输入想调用的数据库，即可处理），同时画出条纹大小柱状分布图和条纹角度柱状分布图。
Claims (5)
1.一种HRTEM图像中煤芳香烃晶格条纹的智能提取方法，其特征在于：包括以下步骤，
S100～对原始图像进行灰度处理、剪切、傅里叶-反傅里叶变换以及分块；
S200～对元胞数组进行分析，得到主要的条纹位置；
S300～对主体部分图像的像素点进行判断，去除背景噪音，得到条纹；
S400～对图像进行骨骼化处理，同时确定X的值，得到最终的晶格条纹图像，按照图像自带比例尺，同时根据图片大小，求出晶格条纹的长度以及角度；
S500～根据步骤S400得到的数据，用户可自行建立相应的数据库，同时画出条纹大小柱状分布图和条纹角度柱状分布图。
2.根据权利要求1所述的HRTEM图像中煤芳香烃晶格条纹的智能提取方法，其特征在于：所述的步骤S100采取以下方法，
S101～判断原始图像是RGB图像还是灰度图像，若是RGB图像，则会将图像进行灰度化处理，同时将图像进行分块；若为灰度，直接开始分块，分块是64像素*64像素为基本单位，将图像进行切块；
S102～灰度图像分成元胞数组，其中元胞数组的大小是原始图像的长宽与64个像素大小的比值，结果取其整数部分，多余的部分裁剪掉，其中元胞数组里的各个矩阵大小为64像素*64像素，元胞数组里的数值与图像中的灰度值相对应；
S103～将元胞数组转化为矩阵，之后进行傅立叶变换、反变换，变换后再次进行分块，得到对应大小的元胞数组。
3.根据权利要求2所述的HRTEM图像中煤芳香烃晶格条纹的智能提取方法，其特征在于：所述的步骤S200采取以下方法，
S201～对元胞数组的每一部分进行灰度分布直方图分析，由于条纹位置和不是条纹位置的灰度分布有着很大差异，根据此点确定大部分的条纹位置，同时创建一个和元胞数组大小一样的矩阵，若元胞数组中有条纹，则给矩阵对应处赋值为0，若没有条纹则赋值为1；
S202～对上述矩阵进行判断，大小为0处即为连通区域，保留连通区域中面积最大的部分；
S203～将其中的空洞区域填充，因为是按照64*64的像素来进行分块的，此时对矩阵中所有大小为1的进行判断，若其四领域内的数值都是0，则为空洞部分，进行填充；若果四领域内的数值不全为0，则不是空洞部分，则不进行填充；
S204～将图像扩大边界，由于此时的边界部分可能损失了条纹的一部分，所以我们对边界部分进行扩大，即判断上述矩阵的四领域内的大小，若有一个部分的大小为1，则向相应方向扩大一个细胞块，得到需要的主体部分条纹图像，由于矩阵和元胞数组相对应，若矩阵元素的大小为0，则显示对应的元胞数组部分，反之显示为全白色。
4.根据权利要求3所述的HRTEM图像中煤芳香烃晶格条纹的智能提取方法，其特征在于：所述的步骤S300采取以下方法，
S301～判断每个像素点的8领域，首先将矩阵进行扩大，先将矩阵大小为a*b的扩大成(a+4)*(b+4)，之后将原矩阵的第一行和第二行以及最后一行和倒数第二行赋予扩大矩阵的第一行第二行最后一行和倒数第二行，得到过度矩阵，最后将过度矩阵的第一列第二列最后一列和倒数第二列赋予扩大矩阵的第一列第二列最后一列倒数第二列，得到最终扩大后的矩阵；此时计算条纹所在的各个细胞块部分平均灰度值H，假定灰度小于H-X的是条纹，X的初始值为1，对于灰度大于H的是噪音；将图像扩大同时假设其属于条纹和噪音的隶属度Membership1和Membership2，在这个每个像素点的8领域内，若果有一个灰度值小于H-X，则Membership1=1，若有两个，则Membership1=2；若果有一个灰度值大于H，则Membership2=1，若有两个，则Membership2=2；以此类推；
S302～提取出属于（H-X，H）范围的像素点；对这其中的像素点进行判断，若Membership1> Membership2>=0，定义这个像素点的属于条纹；若0<= Membership1<Membership2，定义这个像素点属于噪音；若Membership1= Membership2>0，则让领域范围内灰度值小于H-X和灰度值大于H的像素点，依次与该像素点做差并求绝对值，之后相加，得到两个和S1和S2，判断S1和S2的大小，若S1小，则表示此点较为接近条纹，进而认为这点是条纹点，反之亦然；若Membership1= Membership2=0，说明其领域内都是模糊的点，我们人为操作的时候认为此点的不方便定义，所以判定这点不是条纹点。
5.根据权利要求4所述的HRTEM图像中煤芳香烃晶格条纹的智能提取方法，其特征在于：所述的步骤S400采取以下方法，
S401～由于晶格条纹具有长度属于(0.3nm-2.86nm)的特性，以此为判断依据，在通过步骤S300判断模糊部分的像素点属于条纹还是噪音后，除去噪音部分，然后将图像进行骨骼化处理，根据每个像素点所代表的长度进行求解（例如一个比例尺为1nm，一张图片为十个比例尺，则图片实际大小为10nm，若十个比列尺是2000个像素，则每个像素为10/2000nm），若大于2.86nm，则代表X的值不符合要求，将X的值加一，重复S300和S401的过程，直至最后没有超出2.86nm的晶格条纹；
晶格条纹的角度即初始位置与终点位置的连线与水平方向的夹角，假设初始坐标是（x1,y1），终点坐标是(x2,y2)，则角度的大小为arctan(|y2-y1|/|x2-x1|)；
S402～在求出图中所有的晶格条纹长度之后，过滤掉当中长度小于0.3nm的，将条纹长度小于0.3nm的视为噪音。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275231.3A CN112862816B (zh) | 2021-03-15 | 2021-03-15 | 一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110275231.3A CN112862816B (zh) | 2021-03-15 | 2021-03-15 | 一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862816A true CN112862816A (zh) | 2021-05-28 |
| CN112862816B CN112862816B (zh) | 2024-03-15 |
Family
ID=75994459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110275231.3A Active CN112862816B (zh) | 2021-03-15 | 2021-03-15 | 一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862816B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113888409A (zh) * | 2021-09-29 | 2022-01-04 | 太原理工大学 | 一种hrtem图像中芳香烃晶格条纹交叉的分离合并方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1931716A (zh) * | 2006-09-14 | 2007-03-21 | 太原理工大学 | 一种以液苯介质电弧放电制备洋葱状富勒烯的方法 |
| US20080275655A1 (en) * | 2007-05-03 | 2008-11-06 | State of Oregon acting by and through the State Board of Higher Education on behalf of Portland | Database supported nanocrystal structure identification by lattice-fringe fingerprinting with structure factor extraction |
| CN103679643A (zh) * | 2013-06-03 | 2014-03-26 | 哈尔滨工程大学 | 一种多条纹噪声定位滤除方法 |
| WO2017012418A1 (zh) * | 2015-07-21 | 2017-01-26 | 深圳Tcl数字技术有限公司 | 图像处理方法及装置 |
| WO2017197618A1 (zh) * | 2016-05-19 | 2017-11-23 | 深圳大学 | 一种红外图像中条纹噪声的去除方法及系统 |
| CN110363725A (zh) * | 2019-07-24 | 2019-10-22 | 安徽工业大学 | 一种碳氢燃料同轴扩散火焰碳烟微纳结构的分析方法 |
| CN110853088A (zh) * | 2019-09-04 | 2020-02-28 | 东南大学 | 一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法 |
| CN111058011A (zh) * | 2019-12-25 | 2020-04-24 | 浙江工业大学 | 一种纳米金刚石-石墨烯复合薄膜电极及其制备方法 |
| CN111415363A (zh) * | 2020-04-20 | 2020-07-14 | 电子科技大学中山学院 | 一种图像边缘识别方法 |
| CN111855537A (zh) * | 2020-08-21 | 2020-10-30 | 太原理工大学 | 一种基于hrtem的煤中微小孔径的测定方法 |
| CN112461870A (zh) * | 2020-12-09 | 2021-03-09 | 中国矿业大学(北京) | 一种基于hrtem量化煤晶格条纹长度的方法 |
-
2021
- 2021-03-15 CN CN202110275231.3A patent/CN112862816B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1931716A (zh) * | 2006-09-14 | 2007-03-21 | 太原理工大学 | 一种以液苯介质电弧放电制备洋葱状富勒烯的方法 |
| US20080275655A1 (en) * | 2007-05-03 | 2008-11-06 | State of Oregon acting by and through the State Board of Higher Education on behalf of Portland | Database supported nanocrystal structure identification by lattice-fringe fingerprinting with structure factor extraction |
| CN103679643A (zh) * | 2013-06-03 | 2014-03-26 | 哈尔滨工程大学 | 一种多条纹噪声定位滤除方法 |
| WO2017012418A1 (zh) * | 2015-07-21 | 2017-01-26 | 深圳Tcl数字技术有限公司 | 图像处理方法及装置 |
| WO2017197618A1 (zh) * | 2016-05-19 | 2017-11-23 | 深圳大学 | 一种红外图像中条纹噪声的去除方法及系统 |
| CN110363725A (zh) * | 2019-07-24 | 2019-10-22 | 安徽工业大学 | 一种碳氢燃料同轴扩散火焰碳烟微纳结构的分析方法 |
| CN110853088A (zh) * | 2019-09-04 | 2020-02-28 | 东南大学 | 一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法 |
| CN111058011A (zh) * | 2019-12-25 | 2020-04-24 | 浙江工业大学 | 一种纳米金刚石-石墨烯复合薄膜电极及其制备方法 |
| CN111415363A (zh) * | 2020-04-20 | 2020-07-14 | 电子科技大学中山学院 | 一种图像边缘识别方法 |
| CN111855537A (zh) * | 2020-08-21 | 2020-10-30 | 太原理工大学 | 一种基于hrtem的煤中微小孔径的测定方法 |
| CN112461870A (zh) * | 2020-12-09 | 2021-03-09 | 中国矿业大学(北京) | 一种基于hrtem量化煤晶格条纹长度的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 康倩楠;张志强;: "基于HRTEM的煤分子芳香片层结构表征", 煤炭转化, no. 05 * |
| 王小令;李霞;曾凡桂;边洁晶;: "基于HRTEM的煤中不同聚集态结构表征", 煤炭学报, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113888409A (zh) * | 2021-09-29 | 2022-01-04 | 太原理工大学 | 一种hrtem图像中芳香烃晶格条纹交叉的分离合并方法 |
| CN113888409B (zh) * | 2021-09-29 | 2024-04-09 | 太原理工大学 | 一种hrtem图像中芳香烃晶格条纹交叉的分离合并方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862816B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348770B (zh) | 一种基于多分辨率卷积网络的桥梁裂缝检测方法 | |
| CN113222992B (zh) | 基于多重分形谱的裂纹特征表征方法及系统 | |
| CN113205051B (zh) | 基于高空间分辨率遥感影像的储油罐提取方法 | |
| CN109389553B (zh) | 基于t样条的气象传真图等值线插值方法 | |
| CN114897781B (zh) | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 | |
| CN106682366B (zh) | 一种基于图像处理的有限元节点坐标提取方法 | |
| CN101587189A (zh) | 用于合成孔径雷达图像的纹理基元特征提取方法 | |
| CN112862816A (zh) | 一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 | |
| CN117132546A (zh) | 一种用于无缺陷样本条件下的混凝土表面缺陷检测方法 | |
| CN105046632A (zh) | 时空高效的二值图像二元逻辑运算方法 | |
| CN115170479A (zh) | 一种沥青路面修补病害自动提取方法 | |
| CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及系统 | |
| CN116994721B (zh) | 一种数字病理切片图的快速处理系统 | |
| CN117011713B (zh) | 一种基于卷积神经网络的田块信息提取方法 | |
| GB2626244A (en) | Digital core reconstruction method for shale matrix based on random growth method | |
| CN113570651A (zh) | 基于sem图像的碳酸盐岩储层孔隙半径分布定量方法 | |
| CN116665070B (zh) | 融合跳跃网络与Mask R-CNN模型的梯田遥感识别方法 | |
| CN111429437A (zh) | 面向目标检测的图像无参考清晰度质量检测方法 | |
| CN114821067B (zh) | 基于点标注数据的病理图像分割方法 | |
| CN106909720B (zh) | 一种有限元节点坐标快速提取方法 | |
| CN113298714B (zh) | 一种基于深度学习的图像跨尺度超分辨率方法 | |
| CN115456973A (zh) | 渗漏水病害检测与识别模型的建立方法、装置及设备 | |
| CN105241886B (zh) | 一种基于hvs与引导滤波器的土遗址裂缝检测方法 | |
| CN110543854B (zh) | 一种基于图像处理的岩土结构检测方法 | |
| CN113901868A (zh) | 一种变电现场安全监控方法及系统 |
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 |