CN112927257A - 一种基于改进mrf的冲压件缺陷图像分割方法 - Google Patents
一种基于改进mrf的冲压件缺陷图像分割方法 Download PDFInfo
- Publication number
- CN112927257A CN112927257A CN202110305370.6A CN202110305370A CN112927257A CN 112927257 A CN112927257 A CN 112927257A CN 202110305370 A CN202110305370 A CN 202110305370A CN 112927257 A CN112927257 A CN 112927257A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- pixel
- edge
- mrf
- 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
Images
Classifications
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
针对冲压件在生产过程中产生的表面缺陷视觉检测问题,提出一种改进的马尔可夫随机场(Markov Random Field,MRF)图像分割算法。应用基于像素的马尔可夫随机场算法,获取像素特征,提取基于像素的似然函数;采用随机区域合并(stochastic region merging,SRM)算法获得区域特征,提取基于随机区域合并的似然函数;利用最大梯度算法获得图像的边缘特征,提取基于边缘的似然函数,用以恢复区域合并过程丢失的缘信息。融合三种似然函数,根据能量最小准则,实现图像分割。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于改进MRF的冲压件缺陷图像分割方法。
背景技术
冲压技术是一种重要的机械加工制造技术,冲压方法能够很好的实现生产和制造其他方法难于制造的带有加强筋、起伏或翻边的工件。冲压件在生产过程中由于模具问题,或未进行表面处理易产生表面缺陷,将影响工件的使用寿命。并且在实际工业环境中,存在污染物,如灰尘和纤维,也可能出现在被检查的表面。此外,先进的缺陷评估标准不仅需要判断表面是否存在缺陷,还需要获得缺陷的确切尺寸和类型。这些场景广泛存在于实际的工业环境中,对金属表面缺陷的检测提出了巨大挑战。常见的冲压件表面缺陷有锈迹、划痕、脏污和缺料等。人工目检是传统检测冲压件缺陷的常用方法,通过目测的方法,人工的主观性和疲劳程度将可能影响检测效率和检出率。
近年来,机器视觉成为分析和监控工业生产中产品质量常见方式,被广泛应用于表面缺陷检测,其具有快速、简单和费用低廉的优点。图像分割是机器视觉的重要步骤之一,最早应用在医学影像领域,以满足病情诊断,治疗方案制定等需求。图像分割是将图像划分为具有各自不同相似特征区域的过程,是计算机视觉中阶、高阶处理的前提和基础。
在无监督分割方法中,基于阈值的图像分割易于丢失图像的细微纹理,基于区域的图像分割对噪声较为敏感,且分割区域较大时,计算量大。同时图像分割具有不适定性,往往需要具体问题具体分析,这使得先验信息在分割问题中成为一个强有力的工具。马尔可夫随机场是一种概率图模型,马尔科夫随机场与其他的模型相比一个很大的优势就是可以很方便地引入先验知识。将空间信息作为先验信息,减少噪声对分割结果的影响,依赖大量的变量独立关系,构建一种基于联合概率分布的结构模型。对工业上的金属元件缺陷进行图像分割,为缺陷检测和分拣提供了良好基础。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于改进MRF的冲压件缺陷图像分割方法,在MRF的基础上进行改进,并应用于冲压件缺陷图像的分割。
本发明提供以下技术方案:
一种基于改进MRF的冲压件缺陷图像分割方法,应用基于像素的MRF算法,获取像素特征,提取基于像素的似然函数;采用SRM算法获得区域特征,提取基于随机区域合并的似然函数;利用最大梯度算法获得图像的边缘特征,提取基于边缘的似然函数,用以恢复区域合并过程丢失的边缘信息。融合三种似然函数,根据能量最小准则,实现图像分割。
具体的,包括以下步骤:
设有待分割图像S={si|i=1,2,3,···,N×M},N×M表示图像大小,si表示图像中的每一个像素。X={Xs|s∈S}为图像S的标记场,Xs是像素s所属分类,分类集合用Λ={1,2,3,···,n}表示,n为分类数。Y={Ys|s∈S}代表待分割图像S的观测场,图像分割转化为在已知观测场的条件下,求从观测场Y估计最佳标记的问题,具体如下:
最大后验概率MAP计算如下:
观测场Y,常量P(Y),分割准计算如下:
将图像Y划分为像素特征YP,区域特征YR,边缘特征YE,利用三种特征优点,进行图像分割,具体如下:
像素特征提取利用像素似然函数P(YR|x)对微观纹理和细节信息进行建模,像素特征服从高斯分布,计算如下:
采用随机区域合并算法提取图像的区域特征。应用随机区域合并算法(SRM)。
首先构建区域邻接图RAG,当这些区域具有充分的相似特征分布,区域邻接图可以用来进行区域合并,它用每一个节点代表一个区域R,图像边缘E连接每一个节点和与该节点相邻的节点。使用SRM算法合并区域Ra和其相邻接区域Rb,引入一个新的随机区域合并似然函数α(Ra,Rb),计算如下:
其中,E[·]表示在一个区域内的元素期望值,Λ表示统计区域合并系数,计算如下:
其中,Q表示正则项,Df表示的给定图像f动态范围,Φ(·)表示在自变量中的像素数量。在彩色图像中,对区域邻接图中一条边进行分析时,需要对每个色彩通道(RGB)的合并参数α进行计算,只有当每个参数α都大于随机产生阈值μ时才进行合并。μ的取值为0到1之间,如果α(Ra,Rb)大于μ,则将两个区域进行合并,否则不合并,合并后的区域颜色为Ra或Rb的平均颜色。
利用最大梯度法对彩色图像进行处理,恢复MRF标准方法对图像处理而丢失的图像信息。具体包括:
利用最大梯度法实现边缘特征提取。利用最大梯度法恢复基于彩色图像恢复MRF标准方法对图像处理而丢失的图像信息。
将RGB图像的每一个像素作为一个三维向量,图像的边缘就是色彩最大梯度的大小,利用雅克比矩阵的特征值公式计算梯度的大小,计算如下:
利用Sobel算子进行偏导数平滑,获得图像的边缘特征YE,具体如下:
计算高斯分布定义的边缘似然函数如下:
获取三种特征之后,融合三种似然函数,根据能量最小准则,实现图像分割。具体步骤如下:
输入一个待分割图像Y和分类数n;
利用基于像素的MRF方法获得像素特征YP;
利用SRM算法提取区域特征YR;利用最大梯度法提取边缘特征YE。
使用K-means算法将像素特征和边缘特征分别聚类为n类用以获取初始化标签场X0;
开始迭代,设定最大迭代次数Iteration,iter=0;
如果Xiter+1=Xiter,停止迭代,否则继续循环。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于改进MRF的冲压件缺陷图像分割方法融合了像素特征、区域特征和边缘特征,将似然函数分解为像素似然函数、区域似然函数和边缘似然函数,更能获得各种缺陷类型的重要特征,分割结果更接近原图像,同时由于采用了随机区域合并算法(SRM)使分割后产生的噪声较少,最大梯度法也获得了更好的边缘信息。增强了算法对较难分割区域的分割准确率,最后输出分割结果。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的总流程图
图2为分割示意图,其中,(a)为原图,(b)为本发明分割后的效果图。
具体实施方式
本发明提供了一种基于改进MRF的冲压件缺陷图像分割方法,可用来作为冲压件生产企业用来检测缺陷和分拣的基础。其实现过程是:应用基于像素的MRF算法,获取像素特征,提取基于像素的似然函数;采用SRM算法获得区域特征,提取基于随机区域合并的似然函数;利用最大梯度算法获得图像的边缘特征,提取基于边缘的似然函数,用以恢复区域合并过程丢失的边缘信息。融合三种似然函数,根据能量最小准则,实现图像分割,应用效果较好。
设有待分割冲压件图像S={si|i=1,2,3,···,N×M},N×M表示图像大小,si表示图像中的每一个像素。X={Xs|s∈S}为图像S的标记场,Xs是像素s所属分类,分类集合用Λ={1,2,3,···,n}表示,n为分类数。Y={Ys|s∈S}代表待分割图像S的观测场,图像分割转化为在已知观测场的条件下,求从观测场Y估计最佳标记的问题,具体如下:
最大后验概率MAP计算如下:
观测场Y,常量P(Y),分割准计算如下:
将图像Y划分为像素特征YP,区域特征YR,边缘特征YE,利用三种特征优点,进行图像分割,具体如下:
像素特征提取利用像素似然函数P(YR|x)对微观纹理和细节信息进行建模,像素特征服从高斯分布,计算如下:
采用随机区域合并算法提取图像的区域特征。应用随机区域合并算法(SRM)。
首先构建区域邻接图RAG,当这些区域具有充分的相似特征分布,区域邻接图可以用来进行区域合并,它用每一个节点代表一个区域R,图像边缘E连接每一个节点和与该节点相邻的节点。使用SRM算法合并区域Ra和其相邻接区域Rb,引入一个新的随机区域合并似然函数α(Ra,Rb),计算如下:
其中,E[·]表示在一个区域内的元素期望值,Λ表示统计区域合并系数,计算如下:
其中,Q表示正则项,Df表示的给定图像f动态范围,Φ(·)表示在自变量中的像素数量。在彩色图像中,对区域邻接图中一条边进行分析时,需要对每个色彩通道(RGB)的合并参数α进行计算,只有当每个参数α都大于随机产生阈值μ时才进行合并。μ的取值为0到1之间,如果α(Ra,Rb)大于μ,则将两个区域进行合并,否则不合并,合并后的区域颜色为Ra或Rb的平均颜色。
利用最大梯度法对彩色图像进行处理,恢复MRF标准方法对图像处理而丢失的图像信息。具体包括:
利用最大梯度法实现边缘特征提取。利用最大梯度法恢复基于彩色图像恢复MRF标准方法对图像处理而丢失的图像信息。
将RGB图像的每一个像素作为一个三维向量,图像的边缘就是色彩最大梯度的大小,利用雅克比矩阵的特征值公式计算梯度的大小,计算如下:
利用Sobel算子进行偏导数平滑,获得图像的边缘特征YE,具体如下:
计算高斯分布定义的边缘似然函数如下:
获取三种特征之后,融合三种似然函数,根据能量最小准则,实现图像分割。具体步骤如下:
输入一个待分割图像Y和分类数n;
利用基于像素的MRF方法获得像素特征YP;
利用SRM算法提取区域特征YR;利用最大梯度法提取边缘特征YE;
使用K-means算法将像素特征和边缘特征分别聚类为n类用以获取初始化标签场X0;
开始迭代,设定最大迭代次数Iteration,iter=0;
如果Xiter+1=Xiter,停止迭代,否则继续循环。
本发明一种基于改进MRF的冲压件缺陷图像分割方法融合了像素特征、区域特征和边缘特征,将似然函数分解为像素似然函数、区域似然函数和边缘似然函数,更能获得各种缺陷类型的重要特征,分割结果更接近原图像,同时由于采用了随机区域合并算法(SRM)使分割后产生的噪声较少,最大梯度法也获得了更好的边缘信息。增强了算法对较难分割区域的分割准确率,最后输出分割结果。
在本发明的设计思路下,不同的实例也均可实现,任意顺序的步骤实现实例,并存在如上所述的本发明在不同的实例上的不同变化,为了简明它们没有在细节中提供。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (6)
1.一种基于改进MRF的冲压件缺陷图像分割方法,其特征在于,包括以下步骤:
(1)应用基于像素的马尔可夫随机场((Markov Random Field,MRF))算法,获取像素特征,提取基于像素的似然函数;
(2)采用随机区域合并(stochastic region merging,SRM)算法获得区域特征,提取基于随机区域合并的似然函数;
(3)利用最大梯度算法获得图像的边缘特征,提取基于边缘的似然函数,用以恢复区域合并过程丢失的边缘信息。融合三种似然函数,根据能量最小准则,实现图像分割。
2.如权利要求1所述的一种基于改进MRF的冲压件缺陷图像分割方法,其特征在于,具体包括:
设有待分割图像S={si|i=1,2,3,···,N×M},N×M表示图像大小,si表示图像中的每一个像素,X={Xs|s∈S}为图像S的标记场,Xs是像素s所属分类,分类集合用Λ={1,2,3,···,n}表示,n为分类数,Y={Ys|s∈S}代表待分割图像S的观测场,图像分割转化为在已知观测场的条件下,求从观测场Y估计最佳标记的问题,具体如下:
最大后验概率MAP计算如下:
Y观测场,P(Y)为常量,分割准计算如下:
将图像Y划分为像素特征YP,区域特征YR,边缘特征YE,利用三种特征优点,进行图像分割,具体如下:
4.如权利要求1所述的一种基于改进MRF的冲压件缺陷图像分割方法,其特征在于,基于区域的MRF模型,采用随机区域合并算法提取图像的区域特征,应用随机区域合并算法(SRM),首先构建区域邻接图RAG,当这些区域具有充分的相似特征分布,区域邻接图可以用来进行区域合并,它用每一个节点代表一个区域R,图像边缘E连接每一个节点和与该节点相邻的节点,使用SRM算法合并区域Ra和其相邻接区域Rb,引入一个新的随机区域合并似然函数α(Ra,Rb),计算如下:
其中,E[·]表示在一个区域内的元素期望值,Λ表示统计区域合并系数,计算如下:
其中,Q表示正则项,Df表示的给定图像f动态范围,Φ(·)表示在自变量中的像素数量,在彩色图像中,对区域邻接图中一条边进行分析时,需要对每个色彩通道(RGB)的合并参数α进行计算,只有当每个参数α都大于随机产生阈值μ时才进行合并,μ的取值为0到1之间,如果α(Ra,Rb)大于μ,则将两个区域进行合并,否则不合并,合并后的区域颜色为Ra或Rb的平均颜色。
5.如权利要求1所述的一种基于改进MRF的冲压件缺陷图像分割方法,其特征在于,利用最大梯度法对彩色图像进行处理,恢复MRF标准方法对图像处理而丢失的图像信息。具体包括:
利用最大梯度法提取边缘特征,最大梯度法恢复基于彩色图像MRF标准方法对图像处理而丢失的图像信息,将RGB图像的每一个像素作为一个三维向量,图像的边缘就是色彩最大梯度的大小,利用雅克比矩阵的特征值公式计算梯度的大小,计算如下:
利用Sobel算子进行偏导数平滑,获得图像的边缘特征YE,具体如下:
计算高斯分布定义的边缘似然函数如下:
6.如权利要求1所述的一种基于改进MRF的冲压件缺陷图像分割方法,其特征在于,获取三种特征之后,融合三种似然函数,根据能量最小准则,实现图像分割,具体步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110305370.6A CN112927257A (zh) | 2021-03-22 | 2021-03-22 | 一种基于改进mrf的冲压件缺陷图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110305370.6A CN112927257A (zh) | 2021-03-22 | 2021-03-22 | 一种基于改进mrf的冲压件缺陷图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112927257A true CN112927257A (zh) | 2021-06-08 |
Family
ID=76175473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110305370.6A Pending CN112927257A (zh) | 2021-03-22 | 2021-03-22 | 一种基于改进mrf的冲压件缺陷图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927257A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821195A (zh) * | 2022-06-01 | 2022-07-29 | 南阳师范学院 | 计算机图像智能化识别方法 |
CN115239746A (zh) * | 2022-09-23 | 2022-10-25 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080301077A1 (en) * | 2007-06-04 | 2008-12-04 | Siemens Medical Solutions Usa, Inc. | System and Method for Medical Predictive Models Using Likelihood Gamble Pricing |
CN101425184A (zh) * | 2008-10-30 | 2009-05-06 | 西安电子科技大学 | 基于第二代Bandelet域隐马尔科夫树模型的图像分割方法 |
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
CN102103744A (zh) * | 2011-01-28 | 2011-06-22 | 武汉大学 | 基于最小生成树与统计学习理论的图像分割方法 |
CN107247257A (zh) * | 2017-07-03 | 2017-10-13 | 电子科技大学 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
EP3343504A1 (en) * | 2016-12-30 | 2018-07-04 | Dassault Systèmes | Producing a segmented image using markov random field optimization |
CN109242876A (zh) * | 2018-09-10 | 2019-01-18 | 电子科技大学 | 一种基于马尔科夫随机场的图像分割算法 |
CN111047603A (zh) * | 2019-11-27 | 2020-04-21 | 南京师范大学 | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 |
-
2021
- 2021-03-22 CN CN202110305370.6A patent/CN112927257A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080301077A1 (en) * | 2007-06-04 | 2008-12-04 | Siemens Medical Solutions Usa, Inc. | System and Method for Medical Predictive Models Using Likelihood Gamble Pricing |
CN101425184A (zh) * | 2008-10-30 | 2009-05-06 | 西安电子科技大学 | 基于第二代Bandelet域隐马尔科夫树模型的图像分割方法 |
CN101587587A (zh) * | 2009-07-14 | 2009-11-25 | 武汉大学 | 顾及多尺度马尔科夫场的合成孔径雷达图像分割方法 |
CN102103744A (zh) * | 2011-01-28 | 2011-06-22 | 武汉大学 | 基于最小生成树与统计学习理论的图像分割方法 |
EP3343504A1 (en) * | 2016-12-30 | 2018-07-04 | Dassault Systèmes | Producing a segmented image using markov random field optimization |
CN107247257A (zh) * | 2017-07-03 | 2017-10-13 | 电子科技大学 | 一种基于似然函数近似的分布式多传感器检测前跟踪方法 |
CN109242876A (zh) * | 2018-09-10 | 2019-01-18 | 电子科技大学 | 一种基于马尔科夫随机场的图像分割算法 |
CN111047603A (zh) * | 2019-11-27 | 2020-04-21 | 南京师范大学 | 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法 |
Non-Patent Citations (3)
Title |
---|
XIAOHUI CHEN 等: "Image segmentation using unified Markov random field model", 《IET IMAGE PROCESSING》 * |
冯峰: "基于高阶MRF模型的图像分割算法研究与应用", 《中国优秀硕士学位论文全文数据库》 * |
徐胜军等: "基于马尔可夫随机场的图像分割方法综述", 《计算机应用研究》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821195A (zh) * | 2022-06-01 | 2022-07-29 | 南阳师范学院 | 计算机图像智能化识别方法 |
CN114821195B (zh) * | 2022-06-01 | 2022-12-16 | 南阳师范学院 | 计算机图像智能化识别方法 |
CN115239746A (zh) * | 2022-09-23 | 2022-10-25 | 成都国星宇航科技股份有限公司 | 一种面向对象的遥感图像分割方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN110648342B (zh) | 基于nsst显著性检测及图割的泡沫红外图像分割方法 | |
CN107622277B (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN109934224B (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
Naresh et al. | Early detection of lung cancer using neural network techniques | |
CN112927257A (zh) | 一种基于改进mrf的冲压件缺陷图像分割方法 | |
CN105760877A (zh) | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
Shahid et al. | A hybrid vision-based surface coverage measurement method for robotic inspection | |
Li et al. | Automatic infrared ship target segmentation based on structure tensor and maximum histogram entropy | |
CN114494318A (zh) | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 | |
CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割系统 | |
Ayyalasomayajula et al. | Document binarization using topological clustering guided laplacian energy segmentation | |
Schupp et al. | Image segmentation via multiple active contour models and fuzzy clustering with biomedical applications | |
CN115423816A (zh) | 一种金属表面磨削质量检测方法 | |
CN110929757B (zh) | 一种沥青路面裂缝类型快速分类方法 | |
CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 | |
Kalsoom et al. | An efficient liver tumor detection using machine learning | |
Rippel et al. | Automated Segmentation of Profiled Fibers in cross-sectional Micrographs for Quality Control | |
Zhang et al. | Zipper classification and defect detection based on computer vision | |
Satgunalingam et al. | Automatic Paddy Leaf Disease Detection Based on GLCM Using Multiclass Support Vector Machine | |
Pemula et al. | Generation of optimal random fields for image segmentation using fuzzy multi-region technique | |
Ismail et al. | Estimation of Nano-Pore Size Using Image Processing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210608 |