CN113128511B - 一种焦炭组织识别方法及装置 - Google Patents

一种焦炭组织识别方法及装置 Download PDF

Info

Publication number
CN113128511B
CN113128511B CN202110351891.5A CN202110351891A CN113128511B CN 113128511 B CN113128511 B CN 113128511B CN 202110351891 A CN202110351891 A CN 202110351891A CN 113128511 B CN113128511 B CN 113128511B
Authority
CN
China
Prior art keywords
image
tissue
initial image
coke
pixel
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
CN202110351891.5A
Other languages
English (en)
Other versions
CN113128511A (zh
Inventor
鲍俊芳
刘怀广
项茹
张立恒
宋子逵
冯强
任玉明
蒋俊
蔡毅
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.)
Wuhan Iron and Steel Co Ltd
Original Assignee
Wuhan Iron and Steel Co Ltd
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 Wuhan Iron and Steel Co Ltd filed Critical Wuhan Iron and Steel Co Ltd
Priority to CN202110351891.5A priority Critical patent/CN113128511B/zh
Publication of CN113128511A publication Critical patent/CN113128511A/zh
Application granted granted Critical
Publication of CN113128511B publication Critical patent/CN113128511B/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
    • 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
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明实施例提供了一种焦炭组织识别方法，通过获取待识别焦炭的初始图像，然后对初始图像进行分割处理，得到组织超像素图，再通过提取组织超像素图的多类特征，并利用多类特征进行聚类，得到一种或多种组织的特征分割图，最后将聚类得到的各个特征分割图进行融合处理，得到待识别焦炭的组织特征融合图，并对组织特征融合图进行分类识别，得到待识别焦炭的组织识别结果。通过上述图像处理的方式，能够对待识别焦炭组织中各部分组织进行准确的提取和识别，提高了对焦炭组织的结构和组成进行分类和统计的准确性，进而提高了通过研究焦炭组织对物体的使用性能进行评价的准确性。

Description

一种焦炭组织识别方法及装置
技术领域
本发明涉及图像识别技术领域，尤其涉及一种焦炭组织识别方法及装置。
背景技术
光学组织是物体结构的有序程度在微米尺度上体现出的光学特征，能够在一定程度上体现物体的结构和组分特征，能够比较客观的反映物体的使用性能。
由于物体的光学组织受到外界因素的影响，例如：氧化、温度、湿度以及压力的影响，光学组织的结构会十分复杂，表现出多种多样的类别。
而有的物体，例如焦炭，其使用性能与自身光学组织的结构有着较大的关系，在相关技术中，通过对光学组织的气孔率、孔容及孔径的研究，建立物体性能的评估模型，但是，正是由于物体的光学组织结构复杂、光学组织的组成会受到许多因素的影响，目前无法准确地对光学组织的结构和组成进行分类和统计，使得通过研究光学组织无法对物体的使用性能进行准确评价。
发明内容
本发明实施例通过提供一种焦炭组织识别方法及装置，解决了相关技术中无法准确地对焦炭组织的结构和组成进行分类和统计，导致通过研究焦炭组织无法对焦炭的使用性能进行准确评价的技术问题。
第一方面，本发明通过本发明的一实施例，提供了一种焦炭组织识别方法，包括：获取待识别焦炭的初始图像，其中，所述初始图像包括所述待识别焦炭的组织图像；对所述初始图像进行分割处理，得到组织超像素图；提取所述组织超像素图的多类特征，并利用所述多类特征进行聚类，得到一种或多种组织的特征分割图；将聚类得到的各个所述特征分割图进行融合处理，得到所述待识别焦炭的组织特征融合图，并对所述组织特征融合图进行分类识别，得到所述待识别焦炭的组织识别结果。
优选地，所述获取待识别焦炭的初始图像，包括：对所述待识别焦炭在取景区域内组织进行放大处理，得到所述初始图像；对所述初始图像进行图像增强处理。
优选地，所述对所述初始图像进行图像增强处理，包括：基于线性隶属度函数以及非线性转换，对所述初始图像进行图像增强处理。
优选地，所述对所述初始图像进行分割处理，得到组织超像素图，包括：对所述初始图像进行超像素分割处理以及二值化分割处理，得到所述初始图像的超像素图；基于预设置信度，对所述初始图像的超像素图中的非组织图像进行剔除，以得到所述组织超像素图。
优选地，所述超像素分割处理，包括：利用超像素颜色以及超像素形状，对所述初始图像进行超像素分割处理；所述二值化分割处理，包括：利用局部加权以及图像阈值，对所述初始图像进行二值化分割处理。
优选地，所述利用所述多类特征进行聚类，包括：针对所述多类特征，基于预设累计贡献率，对提取的所述多类特征进行特征降维处理；对所述特征降维处理后的各类特征进行聚类。
优选地，所述基于预设累计贡献率，对提取的所述多类特征进行特征降维处理，包括：基于预设累计贡献率，判断每类特征中的所有维度是否有效；对所述每类特征中有效的维度进行保留，对无效的维度进行删除。
优选地，所述多类特征包括如下三类：颜色特征、纹理特征以及Hog特征，其中，每类包含多个维度。
第二方面，本发明通过本发明的一实施例，提供了一种焦炭组织识别装置，包括：图像获取单元，用于获取待识别焦炭的初始图像，其中，所述初始图像包括所述待识别焦炭的组织图像；图像分割单元，用于对所述初始图像进行分割处理，得到组织超像素图；图像聚类单元，用于提取所述组织超像素图的多类特征，并利用所述多类特征进行聚类，得到一种或多种组织的特征分割图；图像识别单元，用于将聚类得到的各个所述特征分割图进行融合处理，得到所述待识别焦炭的组织特征融合图，并对所述组织特征融合图进行分类识别，得到所述待识别焦炭的组织识别结果。
第三方面，本发明通过本发明的一实施例，提供了一种电子设备，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的代码，所述处理器在执行所述代码时实现第一方面中任一实施方式。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明实施例公开的一种焦炭组织识别方法，首先获取待识别焦炭的初始图像，然后对初始图像进行分割处理，得到组织超像素图，再通过提取组织超像素图的多类特征，并利用多类特征进行聚类，得到一种或多种组织的特征分割图，最后将聚类得到的各个类别特征按照分割图进行融合处理，得到待识别焦炭的组织特征融合图，并对组织特征融合图进行分类识别，得到待识别焦炭的组织识别结果。通过上述图像处理的方式，先对待识别焦炭的初始图像进行超像素分割，然后提取各超像素的特征，并对提取到的特征进行聚类分割，获得各组织的特征分割图，根据聚类分割结果将超像素的特征融合在一张图，进而通过对这一张图片的识别，就能够对焦炭组织中各部分组织进行准确的提取和识别，提高了对焦炭组织的结构和组成进行分类和统计的准确性，进而提高了通过研究焦炭组织对物体的使用性能进行评价的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中焦炭组织识别方法的流程图；
图2为本发明实施例中焦炭组织识别方法在一种或者多种实施方式下的流程图；
图3为本发明实施例中焦炭组织识别装置结构的示意图；
图4为本发明实施例中焦炭组织识别设备结构的示意图。
具体实施方式
本发明实施例通过提供了一种焦炭组织识别方法及装置，用以解决相关技术中无法通过研究焦炭的组织对焦炭的使用性能进行准确评价的技术问题。
本发明实施例提供的技术方案为解决上述技术问题，总体思路如下：
首先获取待识别焦炭的初始图像，然后对初始图像进行分割处理，得到组织超像素图，再通过提取组织超像素图的多类特征，并利用多类特征进行聚类，得到一种或多种组织的特征分割图，最后将聚类得到的各个类别特征按照分割图进行融合处理，得到待识别焦炭的组织特征融合图，并对组织特征融合图进行分类识别，得到待识别焦炭的组织识别结果。通过上述图像处理的方式，先对待识别焦炭的初始图像进行超像素分割，然后提取各超像素的特征，并对提取到的特征进行聚类分割，获得各组织的特征分割图，根据聚类分割结果将超像素的特征融合在一张图，进而通过对这一张图片的识别，就能够对待识别焦炭组织中各部分组织进行准确的提取和识别，提高了对焦炭组织的结构和组成进行分类和统计的准确性，进而提高了通过研究焦炭组织对物体的使用性能进行评价的准确性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明，本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
第一方面，本发明通过本发明的一实施例，提供了一种焦炭组织识别方法，应用于对待识别焦炭组织的分类识别，请参照图1和图2所示，该方法包括以下步骤：
步骤S101：获取待识别焦炭的初始图像。
具体的，初始图像为待识别焦炭的光学组织图像。
在具体实施过程中，可以通过显微镜对待识别焦炭在显微镜的取景区域内的组织进行放大处理，得到初始图像。
具体的，可以通过将待识别焦炭进行切片，得到待识别焦炭的光片试件，然后将油浸在得到的光片试件上，以便观察待识别焦炭的光学组织，利用显微镜将光片试件进行放大成像，再通过高解析相机获取显微镜的取景区域，得到待识别焦炭的初始图像。其中，显微镜可以是偏光显微镜，显微镜的放大倍数可以是400～600倍，需要注意的是：初始图像包括待识别焦炭的组织图像。
另外，还可以通过高性能影像测量仪，直接对待识别焦炭截面进行放大，并直接截获影像测量仪的取景区域，得到待识别焦炭的初始图像。
在具体实施过程中，在获取初始图像过程中，为了降低光照不均带来的成像影响，提高后续步骤中对图像进行特征提取、聚类、分割以及融合时的准确性，在得到待识别焦炭的初始图像后，还可以对初始图像进行图像增强处理。
具体的，对初始图像进行图像增强处理，包括：基于线性隶属度函数以及非线性转换，对初始图像进行图像增强处理。
举例来讲，假如获取到一张初始图像F(i,j)，F(i,j)的横向分辨率是i，纵向分辨率是j，可以通过如下公式定义线性隶属度函数：
其中，Fmax为初始图像F(i,j)中各像素的最大值；
结合上述定义的线性隶属度函数，可以通过如下公式对初始图像进行非线性变换：
基于上述的线性隶属度函数以及非线性转换，通过如下公式对初始图像进行图像增强处理：
其中，Fmin为初始图像F(i,j)中各像素的最小值。
步骤S102：对初始图像进行分割处理，得到组织超像素图。
具体的，通过步骤A1：对初始图像进行超像素分割处理以及二值化分割处理，得到初始图像的超像素图，然后通过步骤A2：基于预设置信度，对初始图像的超像素图中的非组织图像进行剔除，以得到待识别焦炭的组织超像素图。
在步骤A1中，超像素分割处理包括：利用超像素颜色以及超像素形状，对初始图像进行超像素分割处理。
在具体实施过程中，可以基于预设迭代次数，利用如下公式对初始图像进行超像素分割处理：
E(s)＝H(s)+γG(s)
其中，H(s)是超像素颜色的表达分布项，G(s)是评估超像素形状的边界项，γ是权值；
γ用于平衡超像素颜色和超像素形状，预设迭代次数可以设置为十次。
在步骤A1中，针对二值化分割处理，具体的，二值化分割处理包括：利用局部加权以及图像阈值，对初始图像进行二值化分割处理。
在具体实施过程中，局部加权可以是基于高斯核的局部加权，可以利用如下公式对初始图像F(i,j)进行局部加权：
其中，Aij是初始图像F(i,j)中像素的邻域，σ是超参数；
σ用于控制局部加权的局部的范围，σ越小，表示拟合样本时使用的样本越少，并且权重变化越大，但是σ不应过小，则会出现过拟合，另外，初始图像F(i,j)中像素的邻域Aij可以是7×7的也可以是4×4或者是其他的值，这里不做限定。
在具体实施过程中，图像阈值包括初始图像F(i,j)中每个像素的阈值，可以利用如下公式得到每个像素的阈值：
其中，Q(i,j,M,N)为上述局部加权公式，(M,N)∈Aij；
进一步地，利用上述的局部加权以及图像阈值，基于如下公式对初始图像F(i,j)中的像素进行剔除：
其中，为像素(i,j)对应的阈值；
基于上述公式对初始图像F(i,j)中的像素进行剔除时，若该像素的值大于该像素的阈值，则对该像素进行保留，否则对该像素进行剔除，以得到初始图像的超像素图。
在步骤A2中：在得到初始图像的超像素图后，为了降低超像素图中，非待识别焦炭组织对后续图像处理的干扰，可以对初始图像的超像素图中的非组织图像进行形态学滤波，以得到组织超像素图。
对于步骤A2，具体的，可利用以通过设置合适的预设置信度，利用预设置信度对步骤A1得到的初始图像的超像素图进行分割处理，可以利用如下公式对超像素图中的超像素进行剔除：
其中，θi是第i个超像素sPi的有效率，SZ是第i个超像素sPi落入主成分区域的面积，SsPi是第i个超像素sPi的面积，ε是超像素的预设置信度；
基于上述公式对超像素图中非组织图像进行剔除时，若该超像素的有效率大于预设置信度，则对该超像素进行保留，否则对该超像素进行剔除，以得到组织超像素图。
步骤S103：提取组织超像素图的多类特征，并利用多类特征进行聚类，得到一种或多种组织的特征分割图。
提取组织超像素图的多类特征，具体可以是：提取组织超像素图中的如下三类特征：颜色特征、纹理特征以及Hog特征，其中，每一类特征包含多维。当然，在具体实施时，还可以包括更多类其他特征。
在具体实施过程中，针对组织超像素图的颜色特征，可以利用H S V L a b颜色模型，从六个维度对组织超像素图中的颜色特征进行提取，其中，H为色相(Hue)，S为饱和度(Saturation)，V为色明度(Value)，L为亮度(Lightness)，a是颜色从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值)的颜色通道；b是颜色从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值)的颜色通道。
在具体实施过程中，针对组织超像素图的纹理特征，可以利用四个方向、角二阶矩(ASM)、对比度(Contrast)、熵(Entropy)以及相关性(Correlation)，从十六个维度对组织超像素图中的纹路特征进行提取。
举例来讲，四个方向可以是θ＝{0°，45°，90°，135°}，角二阶矩可以利用如下公式得到：
其中，i,j为像素P的像素坐标，d为固定像素距离，N∈Aij，θ为上述四个方向。
举例来讲，对比度可以利用如下公式得到：
其中，i,j为像素P的像素坐标,N∈Aij。
举例来讲，熵可以利用如下公式得到：
其中，i,j为像素P的像素坐标。
举例来讲，相关性可以利用如下公式得到：
其中，i,j为像素P的像素坐标，N∈Aij，μi和μj为线性隶属度函数，σi和σj为超参数。
在具体实施过程中，针对组织超像素图的Hog特征，可以将4×4个超像素组成一个细胞元，然后将1×1的细胞元组成第一个block块，同时，将每个细胞元的梯度方向以360度分成9个方向块，即得到九个维度的Hog特征。
在完成上述三十一个维度的特征提取后，就获取到组织超像素图的多类特征，接下来就是利用提取到的多类特征进行聚类。
可以将提取的多类特征直接进行聚类。当然，为了降低数据处理的复杂程度，进而提高图像处理的效率，针对利用多类特征进行聚类的过程具体可以是：首先基于预设累计贡献率，对提取的多类特征进行特征降维处理，然后对特征降维处理后的各类特征进行聚类。
具体的，可以基于PCA(Principal Component Analysis，主成分分析算法)模型进行降维处理，具体实施可以是：先基于预设累计贡献率，判断每类特征中的所有维度是否有效，然后对每类特征中有效的维度进行保留，对无效的维度进行删除。
在具体实施过程中，可以设置一个预设累计贡献率，基于引入的PCA对上述多类特征对应的所有维度进行降维处理，包括以下步骤：
步骤B1：获取每一维度的贡献率之和，可以将这些贡献率之和按照从大到小的顺序排列，对于这些贡献率之和是否进行排列以及排列排列方式，这里不做限定。
步骤B2：将每一维度的贡献率之和与预设累计贡献率进行比较，将贡献率之和小于预设累计贡献率的维度剔除，保留贡献率之和大于或等于预设累计贡献率的维度。
具体的，预设累计贡献率可以设置为90％90％，或者其他相近的数值。
在执行完步骤B2之后，可以对特征降维处理后的各类特征进行聚类，以得到一种或多种组织的特征分割图。
在具体实施过程中，可以通过使用K-Means聚类模型对提取的各类特征进行聚类，来获得不同光学组织的的特征分割图。
步骤S104：将聚类得到的各个特征分割图进行融合处理，得到待识别焦炭的组织特征融合图。
在具体实施过程中，对各个特征分割图进行融合处理时，可以利用如下公式得到待识别焦炭组织特征融合图：
其中，n为分割出的第n个待识别焦炭组织；i代表第n个待识别焦炭组织的第i个特征；Mn为第n个待识别焦炭组织的超像素个数；feature(n,i,j)为第n个待识别焦炭组织中第j个超像素中的第i个特征；K(i)为第i个特征的权重，K(i)由PCA中的贡献率归一化得到。
步骤S105：对组织特征融合图进行分类识别，得到待识别焦炭的组织识别结果。
在具体实施过程中，可以利用SVM(Support Vector Machine，支持向量机)对组织特征融合图进行分类识别，从而获取到待识别焦炭的组织识别结果，其中组织识别结果包括待识别焦炭各部分组织的面积占比。
第二方面，本发明通过本发明的一实施例，提供了一种焦炭组织识别装置，包括：
图像获取单元301，用于获取待识别焦炭的初始图像，其中，初始图像包括待识别焦炭的组织图像。
图像分割单元302，用于对初始图像进行分割处理，得到组织超像素图。
图像聚类单元303，用于提取组织超像素图的多类特征，并利用多类特征进行聚类，得到一种或多种组织的特征分割图。
图像识别单元304，用于将聚类得到的各个特征分割图进行融合处理，得到待识别焦炭的组织特征融合图，并对组织特征融合图进行分类识别，得到待识别焦炭的组织识别结果。
在一可选的实施方式下，图像获取单元301，包括：
图像获取子单元，用于对待识别焦炭的取景区域进行放大处理，得到初始图像；
增强处理子单元，用于对初始图像进行图像增强处理。
在一可选的实施方式下，增强处理子单元具体用于：
基于线性隶属度函数以及非线性转换，对初始图像进行图像增强处理。
在一可选的实施方式下，图像分割单元302，包括：
图像分割子单元，用于对初始图像进行超像素分割处理以及二值化分割处理，得到初始图像的超像素图；
超像素剔除子单元，用于基于预设置信度，对初始图像的超像素图中的非组织图像进行剔除，以得到组织超像素图。
在一可选的实施方式下，图像分割子单元具体用于：
利用超像素颜色以及超像素形状，对初始图像进行超像素分割处理；
利用局部加权以及图像阈值，对初始图像进行二值化分割处理。
在一可选的实施方式下，图像聚类单元303，包括：
降维处理子单元，用于基于预设累计贡献率，对提取的多类特征进行特征降维处理；
聚类子单元，用于对特征降维处理后的各类特征进行聚类。
在一可选的实施方式下，降维处理子单元具体用于：
基于预设累计贡献率，判断每类特征中的所有维度是否有效；
对每类特征中有效的维度进行保留，对无效的维度进行删除。
在一可选的实施方式下，多类特征包括：颜色特征、纹理特征以及Hog特征。
第三方面，基于同一发明构思，本发明实施例提供了一种焦炭组织识别设备。
参考图4所示，本发明实施例提供的焦炭组织识别设备，包括：存储器401、处理器402及存储在存储器上并可在处理器402上运行的代码，处理器402在执行代码时实现前文焦炭组织识别方法第一方面中任一实施方式。
其中，在图4中，总线架构(用总线400来代表)，总线400可以包括任意数量的互联的总线和桥，总线400将包括由处理器402代表的一个或多个处理器和存储器401代表的存储器的各种电路链接在一起。总线400还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口406在总线400和接收器403和发送器404之间提供接口。接收器403和发送器404可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器402负责管理总线400和通常的处理，而存储器401可以被用于存储处理器402在执行操作时所使用的数据。
上述本发明实施例中的技术方案，至少具有如下的技术效果或优点：
1、本发明所公开的焦炭组织识别方法，通过先对待识别焦炭的初始图像进行超像素分割，然后提取各超像素的特征，并对提取到的特征进行聚类分割，获得各组织的特征分割图，再根据聚类分割结果，将超像素的特征融合在一张图，进而通过对这一张图片的识别，就能够对待识别焦炭组织中各部分组织进行准确的提取和识别，提高了对待识别焦炭组织的结构和组成进行分类和统计的准确性，进而提高了通过研究待识别焦炭组织对物体的使用性能进行评价的准确性。
2、本发明所公开的焦炭组织识别方法，在得到待识别焦炭的初始图像后，能够对初始图像进行图像增强处理，在获取初始图像过程中，降低了光照不均带来的成像影响，提高了后续步骤中对图像进行特征提取、聚类、分割以及融合时的准确性。
3、本发明所公开的焦炭组织识别方法，在得到初始图像的超像素图后，可以对初始图像的超像素图中的非组织图像进行形态学滤波，降低了超像素图中，非待识别焦炭组织对后续图像处理的干扰。
4、本发明所公开的焦炭组织识别方法，能够基于预设累计贡献率，对提取的多类特征进行特征降维处理，然后对特征降维处理后的各类特征进行聚类，降低了数据处理的复杂程度，提高了图像处理的效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机产品的流程图和/或方框图来描述的。应理解可由计算机指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种焦炭组织识别方法，其特征在于，包括：
获取待识别焦炭的初始图像，包括：对所述待识别焦炭在取景区域内的组织进行放大处理，得到所述初始图像；对所述初始图像进行图像增强处理；所述对所述初始图像进行图像增强处理，包括：基于线性隶属度函数以及非线性转换，对所述初始图像进行图像增强处理，其中，所述初始图像包括所述待识别焦炭的组织图像；
所述基于线性隶属度函数以及非线性转换，对所述初始图像进行图像增强处理，包括：利用如下公式对所述初始图像进行图像增强处理：
其中，Fmax为所述初始图像F(i,j)中各像素的最大值；Fmin为所述初始图像F(i,j)中各像素的最小值；F(i,j)为所述初始图像，F(i,j)的横向分辨率是i，纵向分辨率是j；
对所述初始图像进行分割处理，得到组织超像素图，包括：对所述初始图像进行超像素分割处理以及二值化分割处理，得到所述初始图像的超像素图；基于预设置信度，剔除所述初始图像的超像素图中的非组织图像，以得到所述组织超像素图；
其中，所述超像素分割处理，包括：利用超像素颜色以及超像素形状，对所述初始图像进行超像素分割处理；所述二值化分割处理，包括：利用局部加权以及图像阈值，对所述初始图像进行二值化分割处理；
提取所述组织超像素图的多类特征，并利用所述多类特征进行聚类，得到一种或多种组织的特征分割图；
将聚类得到的各个所述特征分割图进行融合处理，得到所述待识别焦炭的组织特征融合图，并对所述组织特征融合图进行分类识别，得到所述待识别焦炭的组织识别结果。
2.如权利要求1所述的方法，其特征在于，所述利用所述多类特征进行聚类，包括：
基于预设累计贡献率，对提取的所述多类特征进行特征降维处理；
对所述特征降维处理后的各类特征进行聚类。
3.如权利要求2所述的方法，其特征在于，所述基于预设累计贡献率，对提取的所述多类特征进行特征降维处理，包括：
针对所述多类特征，基于预设累计贡献率，判断每类特征中的所有维度是否有效；
对所述每类特征中有效的维度进行保留，对无效的维度进行删除。
4.如权利要求1或3所述的方法，其特征在于，所述多类特征包括如下三类：颜色特征、纹理特征以及Hog特征，其中，每类包含多个维度。
5.一种焦炭组织识别装置，其特征在于，包括：
图像获取单元，用于获取待识别焦炭的初始图像，包括：对所述待识别焦炭在取景区域内的组织进行放大处理，得到所述初始图像；对所述初始图像进行图像增强处理；所述对所述初始图像进行图像增强处理，包括：基于线性隶属度函数以及非线性转换，对所述初始图像进行图像增强处理，其中，所述初始图像包括所述待识别焦炭的组织图像；
所述基于线性隶属度函数以及非线性转换，对所述初始图像进行图像增强处理，包括：利用如下公式对所述初始图像进行图像增强处理：
其中，Fmax为所述初始图像F(i,j)中各像素的最大值；Fmin为所述初始图像F(i,j)中各像素的最小值；F(i,j)为所述初始图像，F(i,j)的横向分辨率是i，纵向分辨率是j；
图像分割单元，用于对所述初始图像进行分割处理，得到组织超像素图，包括：对所述初始图像进行超像素分割处理以及二值化分割处理，得到所述初始图像的超像素图；基于预设置信度，剔除所述初始图像的超像素图中的非组织图像，以得到所述组织超像素图；其中，所述超像素分割处理，包括：利用超像素颜色以及超像素形状，对所述初始图像进行超像素分割处理；所述二值化分割处理，包括：利用局部加权以及图像阈值，对所述初始图像进行二值化分割处理；
图像聚类单元，用于提取所述组织超像素图的多类特征，并利用所述多类特征进行聚类，得到一种或多种组织的特征分割图；
图像识别单元，用于将聚类得到的各个所述特征分割图进行融合处理，得到所述待识别焦炭的组织特征融合图，并对所述组织特征融合图进行分类识别，得到所述待识别焦炭的组织识别结果。
6.一种电子设备，包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的代码，其特征在于，所述处理器在执行所述代码时实现权利要求1-4中任一所述方法。
CN202110351891.5A 2021-03-31 2021-03-31 一种焦炭组织识别方法及装置 Active CN113128511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110351891.5A CN113128511B (zh) 2021-03-31 2021-03-31 一种焦炭组织识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110351891.5A CN113128511B (zh) 2021-03-31 2021-03-31 一种焦炭组织识别方法及装置

Publications (2)

Publication Number Publication Date
CN113128511A CN113128511A (zh) 2021-07-16
CN113128511B true CN113128511B (zh) 2023-07-25

Family

ID=76774442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110351891.5A Active CN113128511B (zh) 2021-03-31 2021-03-31 一种焦炭组织识别方法及装置

Country Status (1)

Country Link
CN (1) CN113128511B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102611828A (zh) * 2012-01-11 2012-07-25 四川大学 一种雾天连续视频图像实时性增强处理系统
CN103871029A (zh) * 2014-01-28 2014-06-18 西安科技大学 一种图像增强及分割方法
CN105654496A (zh) * 2016-01-08 2016-06-08 华北理工大学 基于视觉特性的仿生自适应模糊边缘检测方法
CN106204470A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于模糊理论的低照度成像方法
CN106446872A (zh) * 2016-11-07 2017-02-22 湖南源信光电科技有限公司 一种低照度下的视频人脸检测识别方法
CN107792008A (zh) * 2017-09-28 2018-03-13 韦彩霞 一种智能车载控制终端管理系统
CN108154490A (zh) * 2018-01-18 2018-06-12 长春工程学院 基于改进模糊集理论的高压输电线路绝缘子图像增强方法
CN108876741A (zh) * 2018-06-22 2018-11-23 中国矿业大学(北京) 一种复杂光照条件下的图像增强方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITVA20060079A1 (it) * 2006-12-19 2008-06-20 St Microelectronics Srl Metodo di classificazione cromatica di pixel e metodo di miglioramento adattativo di un'immagine a colori
CN105957091A (zh) * 2016-05-19 2016-09-21 武汉科技大学 一种基于显微级全景图的焦炭显微结构分析方法
US10650515B2 (en) * 2017-05-23 2020-05-12 Case Western Reserve University Characterizing intra-tumoral heterogeneity for response and outcome prediction using radiomic spatial textural descriptor (RADISTAT)
CN107341812B (zh) * 2017-07-04 2019-11-08 太原理工大学 一种基于超像素和密度聚类的序列肺结节图像分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102611828A (zh) * 2012-01-11 2012-07-25 四川大学 一种雾天连续视频图像实时性增强处理系统
CN103871029A (zh) * 2014-01-28 2014-06-18 西安科技大学 一种图像增强及分割方法
CN105654496A (zh) * 2016-01-08 2016-06-08 华北理工大学 基于视觉特性的仿生自适应模糊边缘检测方法
CN106204470A (zh) * 2016-07-01 2016-12-07 湖南源信光电科技有限公司 基于模糊理论的低照度成像方法
CN106446872A (zh) * 2016-11-07 2017-02-22 湖南源信光电科技有限公司 一种低照度下的视频人脸检测识别方法
CN107792008A (zh) * 2017-09-28 2018-03-13 韦彩霞 一种智能车载控制终端管理系统
CN108154490A (zh) * 2018-01-18 2018-06-12 长春工程学院 基于改进模糊集理论的高压输电线路绝缘子图像增强方法
CN108876741A (zh) * 2018-06-22 2018-11-23 中国矿业大学(北京) 一种复杂光照条件下的图像增强方法

Also Published As

Publication number Publication date
CN113128511A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN109154978B (zh) 用于检测植物疾病的系统和方法
CN110399929B (zh) 眼底图像分类方法、装置以及计算机可读存储介质
KR101640998B1 (ko) 화상 처리 장치 및 화상 처리 방법
CN107507173B (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN111145209B (zh) 一种医学图像分割方法、装置、设备及存储介质
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
Versari et al. Long-term tracking of budding yeast cells in brightfield microscopy: CellStar and the Evaluation Platform
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
Chang et al. Gold-standard and improved framework for sperm head segmentation
CN106340016B (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN113723573B (zh) 基于自适应比例学习的肿瘤组织病理分类系统及方法
CN111079620B (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
Sarrafzadeh et al. Circlet based framework for red blood cells segmentation and counting
CN110009050A (zh) 一种细胞的分类方法及装置
CN111931751B (zh) 深度学习训练方法、目标物识别方法、系统和存储介质
CN112215790A (zh) 基于深度学习的ki67指数分析方法
CN109583364A (zh) 图像识别方法及设备
CN111862040B (zh) 人像图片质量评价方法、装置、设备及存储介质
Florindo et al. Morphological classification of odontogenic keratocysts using Bouligand–Minkowski fractal descriptors
Rulaningtyas et al. Multi patch approach in K-means clustering method for color image segmentation in pulmonary tuberculosis identification
CN113781488A (zh) 舌象图像的分割方法、装置及介质
CN110021019B (zh) 一种aga临床图像的ai辅助毛发的粗细分布分析方法
Sun et al. Algorithm of adaptive fast clustering for fish swarm color image segmentation
CN107729863B (zh) 人体指静脉识别方法
Batule et al. Leaf disease detection using image processing and support vector machine (SVM)

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