CN113554613B - 一种基于分形理论的图像处理方法及装置 - Google Patents
一种基于分形理论的图像处理方法及装置 Download PDFInfo
- Publication number
- CN113554613B CN113554613B CN202110824003.7A CN202110824003A CN113554613B CN 113554613 B CN113554613 B CN 113554613B CN 202110824003 A CN202110824003 A CN 202110824003A CN 113554613 B CN113554613 B CN 113554613B
- Authority
- CN
- China
- Prior art keywords
- extracting
- fractal dimension
- fractal
- adopting
- bragg grating
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 86
- 239000000835 fiber Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 13
- 238000002310 reflectometry Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011155 quantitative monitoring Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于分形理论的图像处理方法及装置,方法包括:根据光纤光栅反射光谱的中心波长的位置,确定所述光纤光栅反射光谱的中心波长;基于所述光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定所述光纤光栅反射光谱的阈值范围;在所述阈值范围内,采用分形理论提取次峰的数量。本发明基于分形理论分析光谱形变信号,建立光谱形变奇异信号与裂纹损伤之间的关系,相比于基于统计建模或者BP神经网络等优化方法,实现了物理可解释性,且不需要大量数据的积累。
Description
技术领域
本发明属于图像处理技术领域,具体而言,涉及一种基于分形理论的图像处理方法及装置。
背景技术
近年来,由于光学信号具有不容易受电磁干扰的优点,基于光学传感器的结构健康监测越来越受到工业界的青睐。这是因为,结构损伤导致的非均匀应变会导致光纤光栅光谱图像形变,光谱的形变能够表征结构是否有损伤以及损伤的程度(包括单一裂纹损伤、分层损伤等多种损伤类型)。
现有基于桥梁裂纹的信号处理方法包括模型以及深度神经网络算法等方法。然而,现有模型仅处于统计模型。深度神经网络算法可解释性差,无法从机理层面解释不可解释现象,并且其数据是归一化处理数据表证,需要从原始数据出发,分析光谱信号与裂纹损伤的关联。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于分形理论的图像处理方法及装置。
本发明提供一种基于分形理论的图像处理方法,所述方法包括:
根据光纤光栅反射光谱的中心波长的位置,确定所述光纤光栅反射光谱的中心波长;
基于所述光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定所述光纤光栅反射光谱的阈值范围;
在所述阈值范围内,采用分形理论提取次峰的数量。
在一些实施方式中,所述在所述阈值范围内,采用分形理论提取次峰的数量,包括:
将所述分形理论中的FD值设置为第一预设值,对所述阈值范围内的波长进行归一化处理;
在波长进行归一化处理后的阈值范围内,提取反射率平均值不小于第二预设值的第二光谱区域;
在所述第二光谱区域内,采用分形维数的方法提取所述次峰的数量。
在一些实施方式中,所述采用分形维数的方法提取所述次峰的数量,包括:
采用盒子计数法提取分形维数;
利用所述分形维数提取所述次峰的数量。
在一些实施方式中,所述采用盒子计数法提取分形维数,包括:
采用网格为边长∈的正方形覆盖所述第二光谱区域,所述网格的个数为N(∈),所述分形维数包括第一分形维数和第二分形维数,其中,
所述第一分形维数为:
所述第二分形维数为:
在一些实施方式中,所述次峰的峰值为其所在局部区间内的最大值,即:
且/>
Δk为局部区间,为反射率平均值。
在一些实施方式中,所述第一预设值为2.5。
在一些实施方式中,所述第二预设值为0.25。
本发明的另一个方面,提供一种基于分形理论的图像处理装置,所述装置包括:
第一确定模块,用于根据光纤光栅反射光谱的中心波长的位置,确定所述光纤光栅反射光谱的中心波长;
第二确定模块,用于基于所述光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定所述光纤光栅反射光谱的阈值范围;
提取模块,用于在所述阈值范围内,采用分形理论提取次峰的数量。
在一些实施方式中,提取模块,用于在所述阈值范围内,采用分形理论提取次峰的数量,包括:所述提取模块用于:
将所述分形理论中的FD值设置为第一预设值,对所述阈值范围内的波长进行归一化处理;
在波长进行归一化处理后的阈值范围内,提取反射率平均值不小于第二预设值的第二光谱区域;
在所述第二光谱区域内,采用分形维数的方法提取所述次峰的数量。
在一些实施方式中,所述提取模块用于采用分形维数的方法提取所述次峰的数量,包括:所述提取模块用于:
采用盒子计数法提取分形维数;
利用所述分形维数提取所述次峰的数量。
在一些实施方式中,所述提取模块用于采用盒子计数法提取分形维数,包括:所述提取模块用于:
采用网格为边长∈的正方形覆盖所述第二光谱区域,所述网格的个数为N(∈),所述分形维数包括第一分形维数和第二分形维数,其中,
所述第一分形维数为:
所述第二分形维数为:
在一些实施方式中,所述次峰的峰值为其所在局部区间内的最大值,即:
且/>
Δk为局部区间,为反射率平均值。
在一些实施方式中,所述第一预设值为2.5。
在一些实施方式中,所述第二预设值为0.25。
本发明的另一个方面,提供一种电子设备,所述电子设备包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现前文记载的所述的方法。
本发明的另一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
本发明的基于分形理论的图像处理方法及装置,根据光纤光栅反射光谱的中心波长的位置,确定该光纤光栅反射光谱的中心波长,并基于该光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定该光纤光栅反射光谱的阈值范围,在该阈值范围内,采用分形理论提取次峰的数量,从而基于分形理论分析光谱形变信号,建立光谱形变奇异信号与裂纹损伤之间的关系,相比于基于统计建模或者BP神经网络等优化方法,实现了物理可解释性,且不需要大量数据的积累。
附图说明
图1为本发明一实施例的电子设备的组成示意框图;
图2为本发明另一实施例的一种基于分形理论的图像处理方法的流程图;
图3为本发明另一实施例的盒子计数法的流程示意图;
图4为本发明另一实施例的一种基于分形理论的图像处理装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
首先,参照图1来描述用于实现本发明实施例的装置及方法的示例电子设备。
如图1所示,电子设备200包括一个或多个处理器210、一个或多个存储装置220、一个或多个输入装置230、一个或多个输出装置240等,这些组件通过总线系统250和/或其他形式的连接机构互连。应当注意,图1所示的电子设备的组件和结构只是示例性的,而非限制性的,根据需要,电子设备也可以具有其他组件和结构。
处理器210可以是由多(众)核架构的芯片组成的神经网络处理器,也可以是单独的中央处理单元(CPU),或者,也可以是中央处理单元+多核神经网络处理器阵列或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备200中的其他组件以执行期望的功能。
存储装置220可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如,所述应用程序使用和/或产生的各种数据等。
输入装置230可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
输出装置240可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
下面,将参考图2描述根据本发明一实施例的一种基于分形理论的图像处理方法。
示例性的,如图2所示,本实施例提供一种基于分形理论的图像处理方法S100,方法S100包括:
S110、根据光纤光栅反射光谱的中心波长的位置,确定所述光纤光栅反射光谱的中心波长。
具体地,一并结合图3,在本步骤中,可以采用质心算法来确定光纤光栅反射光谱的中心波长的位置,从而确定出光纤光栅反射光谱的中心波长。
S120、基于所述光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定所述光纤光栅反射光谱的阈值范围。
具体地,在本步骤中,由于光纤光栅反射光谱可以是利用光学传感器对桥梁的梁结构等进行健康监测产生的,因此,光纤光栅反射光谱可以反映结构的健康状况以及损伤状况。同时,结构损伤导致的非均匀应变会导致正常的光纤光栅反射光谱图像发生形变,因此,对光纤光栅反射光谱的形变区域进行分析判断,即可确定损伤状况。
S130、在所述阈值范围内,采用分形理论提取次峰的数量。
具体地,在本步骤中,由于分形理论能够用于图像的奇异值信号处理,因此,可以采用分形理论来提取次峰的数量,从而判断结构的损伤程度并对损伤状况进行预测。
本实施例的基于分形理论的图像处理方法,根据光纤光栅反射光谱的中心波长的位置,确定该光纤光栅反射光谱的中心波长,并基于该光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定该光纤光栅反射光谱的阈值范围,在该阈值范围内,采用分形理论提取次峰的数量,从而基于分形理论分析光谱形变信号,建立光谱形变奇异信号与裂纹损伤之间的关系,相比于基于统计建模或者BP神经网络等优化方法,实现了物理可解释性,且不需要大量数据的积累。
示例性的,所述在所述阈值范围内,采用分形理论提取次峰的数量,包括:
将所述分形理论中的FD值设置为第一预设值,对所述阈值范围内的波长进行归一化处理。
在本步骤中,由于前述步骤中提取的阈值范围内的光纤光栅反射光谱为真实的波长以及波长相对应的具体位置,而分形分析只适用于在尺度盒位移不变的物体,因此,通过对阈值范围内的波长进行归一化处理,可以消除因外界损伤造成的能量损耗和波长移动带来的影响,从而使本实施例的处理结果更加精确。
一并结合图3,在波长进行归一化处理后的阈值范围内,提取反射率平均值不小于第二预设值的第二光谱区域。
在本步骤中,第二光谱区域可以反映光栅感知的该区域应变变化产生共振的结果,以及光谱次峰数量提取算法中的反射光谱归一化与带宽选择过程。
在所述第二光谱区域内,采用分形维数的方法提取所述次峰的数量。
分形理论中,一个形体(整体或局部)的分形维数取决于它的(整体或局部)的光滑程度。近年来,分形理论已被应用于梁结构的损伤定量监测,通过建立梁结构不同位置点处动态模型的分形维数,可以对桥梁的裂纹等损伤进行监测。
示例性的,所述采用分形维数的方法提取所述次峰的数量,包括:
采用盒子计数法提取分形维数;利用所述分形维数提取所述次峰的数量。在盒子计数法中,饱和计算值可以为FD=2.5。
通过研究发现,光纤反射光谱的分形维数与光栅感知区域内的应变梯度之间为近似线性关系,因此,通过结合光谱谱峰提取算法,可以实现对裂纹损伤的定量监测。
示例性的,所述采用盒子计数法提取分形维数,包括:
一并结合图3,采用网格为边长∈的正方形覆盖所述第二光谱区域,所述网格的个数为N(∈),所述分形维数包括第一分形维数和第二分形维数,其中,
所述第一分形维数为:
所述第二分形维数为:
本实施例的基于分形理论的图像处理方法,采用分形理论建立健康状态下的规则、光滑的反射光谱与裂纹损伤扩展、结构力学属性改变情况下啁啾及形变的反射光谱之间的联系,将光纤光栅反射光谱的分形维数作为定量描述手段,通过构建光纤光栅反射光谱的分形维数来进行裂纹损伤程度的表征,从而实现了对有效区间内光纤光栅反射光谱次峰数量的精确提取。
示例性的,所述次峰的峰值为其所在局部区间内的最大值,即:
且/>Δk为局部区间,/>为反射率平均值。通过对局部区间Δk的研究,当Δk=20时,波长变化Δλ=0.2nm。
在本步骤中,通过对光谱分形维数的变化来提取光谱的次峰,进一步实现了对有效区间内光纤光栅反射光谱次峰数量的精确提取。
示例性的,所述第一预设值为2.5。
示例性的,所述第二预设值为0.25。
本发明的另一个方面,提供一种基于分形理论的图像处理装置。
示例性的,如图4所示,本实施例提供一种基于分形理论的图像处理装置100,装置100包括第一确定模块110、第二确定模块120和提取模块130。该装置100可以应用于前文记载的方法,下述装置中未提及的具体内容可以参考前文相关记载,在此不作赘述。
第一确定模块110,用于根据光纤光栅反射光谱的中心波长的位置,确定所述光纤光栅反射光谱的中心波长。第二确定模块120,用于基于所述光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定所述光纤光栅反射光谱的阈值范围。提取模块130,用于在所述阈值范围内,采用分形理论提取次峰的数量。
本实施例的基于分形理论的图像处理装置,第一确定模块根据光纤光栅反射光谱的中心波长的位置,确定该光纤光栅反射光谱的中心波长,第二确定模块基于该光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定该光纤光栅反射光谱的阈值范围,提取模块在该阈值范围内,采用分形理论提取次峰的数量,从而基于分形理论分析光谱形变信号,建立光谱形变奇异信号与裂纹损伤之间的关系,相比于基于统计建模或者BP神经网络等优化方法,实现了物理可解释性,且不需要大量数据的积累。
示例性的,提取模块130,用于在所述阈值范围内,采用分形理论提取次峰的数量,包括:提取模块130用于:
将所述分形理论中的FD值设置为第一预设值,对所述阈值范围内的波长进行归一化处理;
在波长进行归一化处理后的阈值范围内,提取反射率平均值不小于第二预设值的第二光谱区域;
在所述第二光谱区域内,采用分形维数的方法提取所述次峰的数量。
示例性的,提取模块130用于采用分形维数的方法提取所述次峰的数量,包括:提取模块130用于:
采用盒子计数法提取分形维数;利用所述分形维数提取所述次峰的数量。
示例性的,提取模块130用于采用盒子计数法提取分形维数,包括:提取模块130用于:
采用网格为边长∈的正方形覆盖所述第二光谱区域,所述网格的个数为N(∈),所述分形维数包括第一分形维数和第二分形维数,其中,
所述第一分形维数为:
所述第二分形维数为:
示例性的,所述次峰的峰值为其所在局部区间内的最大值,即:
且/>
Δk为局部区间,为反射率平均值。
示例性的,所述第一预设值为2.5。
示例性的,所述第二预设值为0.25。
本发明的另一个方面,提供一种电子设备,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本发明的另一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
其中,计算机可读存储介质可以是本发明的装置、设备中所包含的,也可以是单独存在。
其中,计算机可读存储介质可以是任何包含或存储程序的有形介质,其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备,更具体的例子包括但不限于:具有一个或多个导线的相连、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件,或它们任意合适的组合。
其中,计算机可读存储介质也可以包括在基带中或作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,其具体的例子包括但不限于电磁信号、光信号,或它们任意合适的组合。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (6)
1.一种基于分形理论的图像处理方法,其特征在于,所述方法包括:
根据光纤光栅反射光谱的中心波长的位置,确定所述光纤光栅反射光谱的中心波长;
基于所述光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定所述光纤光栅反射光谱的阈值范围;
在所述阈值范围内,采用分形理论提取次峰的数量;
所述在所述阈值范围内,采用分形理论提取次峰的数量,包括:
将所述分形理论中的FD值设置为第一预设值,对所述阈值范围内的波长进行归一化处理;
在波长进行归一化处理后的阈值范围内,提取反射率平均值不小于第二预设值的第二光谱区域;
在所述第二光谱区域内,采用分形维数的方法提取所述次峰的数量;
所述采用分形维数的方法提取所述次峰的数量,包括:
采用盒子计数法提取分形维数;
利用所述分形维数提取所述次峰的数量;
所述采用盒子计数法提取分形维数,包括:
采用网格为边长∈的正方形覆盖所述第二光谱区域,所述网格的个数为N(∈),所述分形维数包括第一分形维数和第二分形维数,其中,
所述第一分形维数为:
所述第二分形维数为:
所述次峰的峰值为其所在局部区间内的最大值,即:
且/>
Δk为局部区间,为反射率平均值。
2.根据权利要求1所述的方法,其特征在于,所述第一预设值为2.5。
3.根据权利要求1所述的方法,其特征在于,所述第二预设值为0.25。
4.一种基于分形理论的图像处理装置,其特征在于,所述装置包括:
第一确定模块,用于根据光纤光栅反射光谱的中心波长的位置,确定所述光纤光栅反射光谱的中心波长;
第二确定模块,用于基于所述光纤光栅反射光谱因非均匀应变导致的第一光谱区域,确定所述光纤光栅反射光谱的阈值范围;
提取模块,用于在所述阈值范围内,采用分形理论提取次峰的数量;
所述在所述阈值范围内,采用分形理论提取次峰的数量,包括:
将所述分形理论中的FD值设置为第一预设值,对所述阈值范围内的波长进行归一化处理;
在波长进行归一化处理后的阈值范围内,提取反射率平均值不小于第二预设值的第二光谱区域;
在所述第二光谱区域内,采用分形维数的方法提取所述次峰的数量;
所述采用分形维数的方法提取所述次峰的数量,包括:
采用盒子计数法提取分形维数;
利用所述分形维数提取所述次峰的数量;
所述采用盒子计数法提取分形维数,包括:
采用网格为边长∈的正方形覆盖所述第二光谱区域,所述网格的个数为N(∈),所述分形维数包括第一分形维数和第二分形维数,其中,
所述第一分形维数为:
所述第二分形维数为:
所述次峰的峰值为其所在局部区间内的最大值,即:
且/>
Δk为局部区间,为反射率平均值。
5.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据权利要求1至3中任一项所述的方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能实现根据权利要求1至3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110824003.7A CN113554613B (zh) | 2021-07-21 | 2021-07-21 | 一种基于分形理论的图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110824003.7A CN113554613B (zh) | 2021-07-21 | 2021-07-21 | 一种基于分形理论的图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554613A CN113554613A (zh) | 2021-10-26 |
CN113554613B true CN113554613B (zh) | 2024-03-01 |
Family
ID=78103791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110824003.7A Active CN113554613B (zh) | 2021-07-21 | 2021-07-21 | 一种基于分形理论的图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554613B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2011096A1 (en) * | 1989-02-28 | 1990-08-31 | Arun Prakash | Thresholding of gray level images using fractal dimensions |
WO2001022275A1 (en) * | 1999-09-20 | 2001-03-29 | Ut-Battelle, Llc | Fractal analysis of time varying data |
CN1619319A (zh) * | 2003-11-17 | 2005-05-25 | 西安交通大学 | 基于分形维数的纳秒级放电数值定量指纹分析方法 |
WO2008037260A2 (en) * | 2006-09-26 | 2008-04-03 | Morpheus Medical | Methods for a movement and vibration analyzer (mva) |
CN105139441A (zh) * | 2015-07-10 | 2015-12-09 | 中国人民解放军装甲兵工程学院 | 一种涂层表面形貌的分形维数获取方法 |
CN106596255A (zh) * | 2016-11-18 | 2017-04-26 | 北京航空航天大学 | 一种基于光纤光谱图像分析的孔边裂纹诊断方法 |
CN106840869A (zh) * | 2016-12-15 | 2017-06-13 | 北京航空航天大学 | 一种基于两种布贴方式下光纤光栅光谱图像分析的孔边裂纹诊断方法 |
CN108613870A (zh) * | 2018-03-23 | 2018-10-02 | 北京航空航天大学 | 一种基于轴向布贴光纤光栅光谱特征参数的裂纹诊断方法 |
CN108956680A (zh) * | 2018-05-31 | 2018-12-07 | 陈俊华 | 一种基于云平台的集成非破坏性检测装置及方法 |
CN111044471A (zh) * | 2019-12-31 | 2020-04-21 | 中国电子科技集团公司信息科学研究院 | 一种基于损伤特征参数提取算法的裂纹损伤监测方法 |
CN111274528A (zh) * | 2020-03-02 | 2020-06-12 | 中国石油大学(北京) | 储层裂缝渗吸质量预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933844A (zh) * | 2019-01-28 | 2019-06-25 | 西南石油大学 | 一种基于分形维数的岩石破裂复杂程度表征方法 |
-
2021
- 2021-07-21 CN CN202110824003.7A patent/CN113554613B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2011096A1 (en) * | 1989-02-28 | 1990-08-31 | Arun Prakash | Thresholding of gray level images using fractal dimensions |
WO2001022275A1 (en) * | 1999-09-20 | 2001-03-29 | Ut-Battelle, Llc | Fractal analysis of time varying data |
CN1619319A (zh) * | 2003-11-17 | 2005-05-25 | 西安交通大学 | 基于分形维数的纳秒级放电数值定量指纹分析方法 |
WO2008037260A2 (en) * | 2006-09-26 | 2008-04-03 | Morpheus Medical | Methods for a movement and vibration analyzer (mva) |
CN105139441A (zh) * | 2015-07-10 | 2015-12-09 | 中国人民解放军装甲兵工程学院 | 一种涂层表面形貌的分形维数获取方法 |
CN106596255A (zh) * | 2016-11-18 | 2017-04-26 | 北京航空航天大学 | 一种基于光纤光谱图像分析的孔边裂纹诊断方法 |
CN106840869A (zh) * | 2016-12-15 | 2017-06-13 | 北京航空航天大学 | 一种基于两种布贴方式下光纤光栅光谱图像分析的孔边裂纹诊断方法 |
CN108613870A (zh) * | 2018-03-23 | 2018-10-02 | 北京航空航天大学 | 一种基于轴向布贴光纤光栅光谱特征参数的裂纹诊断方法 |
CN108956680A (zh) * | 2018-05-31 | 2018-12-07 | 陈俊华 | 一种基于云平台的集成非破坏性检测装置及方法 |
CN111044471A (zh) * | 2019-12-31 | 2020-04-21 | 中国电子科技集团公司信息科学研究院 | 一种基于损伤特征参数提取算法的裂纹损伤监测方法 |
CN111274528A (zh) * | 2020-03-02 | 2020-06-12 | 中国石油大学(北京) | 储层裂缝渗吸质量预测方法及系统 |
Non-Patent Citations (7)
Title |
---|
Cátia Pinho等.Automatic Crackle Detection Algorithm Based on Fractal Dimension and Box Filtering.《Procedia Computer Science》.2015,第64卷 705-712. * |
Chun Park et al..Comparison of damage measures based on fiber Bragg grating spectra.《Measurement Science and Technology》.2012,第23卷(第2期),1-14. * |
Gexiang Zhang等.Complexity feature extraction of radar emitter signals.《Asia-Pacific Conference on Environmental Electromagnetics, 2003. CEEM 2003. Proceedings.》.2004,495-498. * |
L.J. Hadjileontiadis et al..Crack detection in plates using fractal dimension.《Engineering Structures》.2007,第29卷(第7期),1612-1625. * |
Zhi-xiang Liu 等.Fractal evolution mechanism of rock fracture in undersea metal mining.《 Journal of Central South University 》.2020,第27卷1320–1333. * |
张红梅等.无人机遥感技术国内松材线虫病监测研究综述.《华东森林经理》.2017,第31卷(第03期),29-32. * |
王磊.吸附损伤影响的煤岩力学性质演化规律研究.《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》.2020,(第7期),B021-71. * |
Also Published As
Publication number | Publication date |
---|---|
CN113554613A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017012392A1 (zh) | 一种磁盘检测的方法和装置 | |
JP2977032B2 (ja) | 距離及び方向に鑑みたパターン整合装置及びその方法 | |
RU2720586C2 (ru) | Система определения допустимого предела корреляции с использованием итеративной перекрестной валидации и способ ее выполнения | |
Mikhailiuk et al. | Real-time pothole detection on TMS320C6678 DSP | |
CN116560895A (zh) | 用于机械装备的故障诊断方法 | |
CN111444926B (zh) | 基于雷达的区域人数统计方法、装置、设备和存储介质 | |
US20110055301A1 (en) | Alignment of multiple liquid chromatography-mass spectrometry runs | |
CN109754077B (zh) | 深度神经网络的网络模型压缩方法、装置及计算机设备 | |
CN113554613B (zh) | 一种基于分形理论的图像处理方法及装置 | |
EP2999557A2 (en) | Detecting edge cracks | |
JP4952950B2 (ja) | 非日常音検出システム | |
CN111026603A (zh) | 片上网络温度预测方法及装置、设备、存储介质 | |
US7865322B2 (en) | Relative noise | |
CN113886821A (zh) | 基于孪生网络的恶意进程识别方法、装置、电子设备及存储介质 | |
JP2022082277A (ja) | 検知プログラム、検知装置、および検知方法 | |
Sadeqi et al. | Automated operational modal analysis based on long‐term records: A case study of Milad Tower structural health monitoring | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
CN111340349B (zh) | 产品可靠性评估方法、装置、计算机设备和存储介质 | |
JP2023508075A (ja) | データ同化フレームワーク内の物理センサの統合 | |
JP6142878B2 (ja) | 情報システムの性能評価装置、方法およびプログラム | |
CN112802003A (zh) | 基于光弹性的缺陷检测方法、装置、设备及存储介质 | |
CN107025462B (zh) | 一种无人机遥测数据实时并行压缩处理方法 | |
CN117911735B (zh) | 一种印刷电路板质量检测方法及系统 | |
JP7202260B2 (ja) | ハイパーパラメータ管理装置、ハイパーパラメータ管理システム及びハイパーパラメータ管理方法 | |
KR102490446B1 (ko) | 피부 탄력 측정 방법 및 장치 |
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 |