CN113989299A - 一种基于k均值聚类的露天矿岩层图像分割方法 - Google Patents
一种基于k均值聚类的露天矿岩层图像分割方法 Download PDFInfo
- Publication number
- CN113989299A CN113989299A CN202111254211.4A CN202111254211A CN113989299A CN 113989299 A CN113989299 A CN 113989299A CN 202111254211 A CN202111254211 A CN 202111254211A CN 113989299 A CN113989299 A CN 113989299A
- Authority
- CN
- China
- Prior art keywords
- distance
- image
- segmentation
- threshold value
- color
- 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 53
- 239000011435 rock Substances 0.000 title claims abstract description 36
- 238000003064 k means clustering Methods 0.000 title claims abstract description 27
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000011946 reduction process Methods 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 2
- 239000002994 raw material Substances 0.000 claims 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于k均值聚类的露天矿岩层图像分割方法,包括,将露天矿岩层的RGB彩色图像归一化为灰度图像,并对灰度图像进行阈值分割,获得分割区域的中心像素点坐标;对中心像素点坐标进行聚类,获得空间距离;将RGB彩色图像转换为HSI彩色图像,并对HSI彩色图像进行聚类,获得颜色距离;通过设定的颜色距离阈值对HSI彩色图像进行优化分类;根据空间距离和颜色距离,获得像素点距离评价指标,并通过像素点距离评价指标对各层物体的像素点进行融合,完成分割;本发明可实现全自动、智能化露天矿各地质结构层次的分割与提取,且成本低、效率高、鲁棒性强。
Description
技术领域
本发明涉及露天矿岩层图像分割的技术领域,尤其涉及一种基于k均值聚类的露天矿岩层图像分割方法。
背景技术
露天矿开采过程中,随着开采面的不断推进,其采场内的煤层、岩层、土层、植被层等分布情况也在不断变化,若能精准获得采场内各层次的动态变化,这将对于整个矿区宏观的生产研究有着重要的意义。通过在固定位置获取高分辨率图像,对图像进行分割,进而分析其时序性变化,因此精确的图像分割方法就显得尤为重要。
目前国内外对于彩色图像的分割方法主要有基于区域的方法、直方图阀值化、特征空间聚类、模糊技术、边缘检测、神经网络和基于物理模型研究。现有的彩色图像分割技术并没有形成一个系统的体系结构,单一的方法在现有的研究成果中都是针对特定的图像进行特定的应用。且主要针对小目标、有一定结构特征的物体,对于弱纹理、大场景区域的分割分类研究较少。大场景区域中物体类别较多,噪声大,且由于光照变化的影响,使得部分区域会有阴影、视差、像素饱和度不一等现象。一般图像分割主要为提取目标感兴趣区域,对背景区域采用相同像素进行处理,对于采场图像分割主要是将图片划分为不同的类别,且每一类别都应是一个连通区域。针对上述问题,当前的算法不能够直接对其进行精确的分割分类。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于k均值聚类的露天矿岩层图像分割方法,能够解决目前算法无法直接对露天矿区彩色图片地质构造层次智能化、自动化提取,且传统手动分割存在数据量大、耗时长等问题。
为解决上述技术问题,本发明提供如下技术方案:包括,将露天矿岩层的RGB彩色图像归一化为灰度图像,并对所述灰度图像进行阈值分割,获得分割区域的中心像素点坐标;对所述中心像素点坐标进行聚类,获得空间距离;将所述RGB彩色图像转换为HSI彩色图像,并对HSI彩色图像进行聚类,获得颜色距离;通过设定的颜色距离阈值对HSI彩色图像进行优化分类;根据所述空间距离和颜色距离,获得像素点距离评价指标,并通过所述像素点距离评价指标对各层物体的像素点进行融合,完成分割。
作为本发明所述的基于k均值聚类的露天矿岩层图像分割方法的一种优选方案,其中:所述灰度图像包括,
Grey=0.299*R+0.587*G+0.114*B其中,Grey为所述灰度图像,R、G、B分别表示露天矿岩层的RGB彩色图像中红、绿、蓝三个通道的颜色。
作为本发明所述的基于k均值聚类的露天矿岩层图像分割方法的一种优选方案,其中:所述阈值分割包括,根据图片场景的需求,设定图像类别数目为n,根据直方图分别计算所述灰度图像的最小像素值Pmin、最大像素值Pmax;结合所述最小像素值Pmin、最大像素值Pmax计算原始分类阈值W,并据此统计各阈值区间内的参数;根据所述各阈值区间内的参数计算最终阈值Ps,并根据所述最终阈值进行分割,获得所述分割区域的中心像素点坐标;其中,所述原始分类阈值W为:
W={P1,P2,P3,……,Pn}
其中,Pn为类别n的原始分类阈值,P为像素差,P=Pmax-Pmin。
作为本发明所述的基于k均值聚类的露天矿岩层图像分割方法的一种优选方案,其中:所述计算最终阈值Ps包括,所述各阈值区间内的参数为:
其中,m(n+1)(n+2)max表示Pn+1~Pn+2区间内像素点数量最多的点,m(n+1)(n+2)min表示Pn+1~Pn+2区间内像素点数量最少的点,m(n+1)(n+2)mid表示Pn+1~Pn+2区间内像素点数量居中的点,表示原始分类阈值Pn+1对应的点;P(n+1)r为缩减r次获得的分类阈值。
作为本发明所述的基于k均值聚类的露天矿岩层图像分割方法的一种优选方案,其中:还包括,每次缩减/增大三个灰度值。
作为本发明所述的基于k均值聚类的露天矿岩层图像分割方法的一种优选方案,其中:所述空间距离包括,
其中,ds为所述空间距离,(xi,yi)为原始图像的中心像素点坐标,(xj,yj)为分割区域的中心像素点坐标。
作为本发明所述的基于k均值聚类的露天矿岩层图像分割方法的一种优选方案,其中:所述颜色距离包括,
其中,dc为所述颜色距离,H、S、I分别为HSI颜色空间中的色调、饱和度、亮度,d、t为像素编号。
作为本发明所述的基于k均值聚类的露天矿岩层图像分割方法的一种优选方案,其中:所述各层物体的像素点进行融合包括,根据所述空间距离和颜色距离,获得像素点距离评价指标D′:
设定像素点距离评价指标阈值为D,将大于像素点距离评价指标阈值D的像素点进行融合,完成分割;其中,Nc表示最大颜色距离,Ns表示类内最大空间距离,Ns=aqrt(N/K),N是图中像素点总数,K为分割类别。
本发明的有益效果:本发明可实现全自动、智能化露天矿各地质结构层次的分割与提取,且成本低、效率高、鲁棒性强。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的基于k均值聚类的露天矿岩层图像分割方法的灰度直方图;
图2为本发明第二个实施例所述的基于k均值聚类的露天矿岩层图像分割方法的岩层切片图;
图3为本发明第二个实施例所述的多尺度分割算法的分割结果示意图;
图4为本发明第二个实施例所述的基于k均值聚类的露天矿岩层图像分割方法的聚类结果示意图;
图5为本发明第二个实施例所述的基于k均值聚类的露天矿岩层图像分割方法的分割结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的第一个实施例,该实施例提供了一种基于k均值聚类的露天矿岩层图像分割方法,包括:
S1:将露天矿岩层的RGB彩色图像归一化为灰度图像,并对灰度图像进行阈值分割,获得分割区域的中心像素点坐标。
将露天矿岩层的RGB彩色图像归一化为灰度图像:
Grey=0.299*R+0.587*G+0.114*B
其中,Grey为灰度图像,R、G、B分别表示露天矿岩层的RGB彩色图像中红、绿、蓝三个通道的颜色。
进一步的,对灰度图像进行阈值分割:
(1)灰度图像中每个像素包含的信息为(Grey,xi,yi),其中i为像素数,x、y为像素的横纵坐标;如图1所示,根据图片场景的需求,设定图像类别数目为n,根据直方图分别计算灰度图像的最小像素值Pmin、最大像素值Pmax;
(2)结合最小像素值Pmin、最大像素值Pmax计算原始分类阈值W,并据此统计各阈值区间内的参数;
原始分类阈值W为:
W={P1,P2,P3,……,Pn}
其中,Pn为类别n的原始分类阈值,P为像素差,P=Pmax-Pmin。
各阈值区间(P1~P2,P2~P3,…,Pn-1~Pn)内的参数为:
其中,m(n+1)(n+2)max表示Pn+1~Pn+2区间内像素点数量最多的点,m(n+1)(n+2)min表示Pn+1~Pn+2区间内像素点数量最少的点,m(n+1)(n+2)mid表示Pn+1~Pn+2区间内像素点数量居中的点,表示原始分类阈值Pn+1对应的点;P(n+1)r为缩减r次获得的分类阈值。
(3)根据各阈值区间内的参数计算最终阈值Ps,并根据最终阈值进行分割,获得分割区域的中心像素点坐标;
①若则表示Pn未在直方图曲线的谷底或谷顶,需缩减Pn+1,定义缩减的次数为r,每次缩减三个灰度值;若在缩减过程中且则停止缩减,定义P(n+1)r为最终阈值Ps;若在缩减过程中且则停止缩减,定义为最终阈值Ps;
通过①②③确定P2~Pn灰度阈值点,通过所得阈值Ps进行分类,对类别中的像素坐标取均值得到类别像素中心坐标(C1、C2、C3、...、Cn),灰度值在一定灰度范围内的像素认为属于同一类并且有一定相似性;将得到的每一类像素中心坐标Cj(xj,yj),作为k均值聚类的初始输入聚类中心。
S2:对中心像素点坐标进行聚类,获得空间距离。
计算每个像素与各个种子聚类中心之间的距离,把每个像素分配给距离它最近的聚类中心,聚类中心以及分配给它的像素就代表一个类别,每分配一个像素,聚类的聚类中心会根据聚类中现有的像素重新计算,这个过程将不断重复直到满足误差平方和局部最小时终止条件。
获得空间距离:
其中,ds为空间距离,(xi,yi)为原始图像的中心像素点坐标,(xj,yj)为分割区域的中心像素点坐标。
S3:将RGB彩色图像转换为HSI彩色图像,并对HSI彩色图像进行聚类,获得颜色距离。
如下式所示,将RGB彩色图像转换为HSI彩色图像;
计算颜色距离:
其中,dc为颜色距离,H、S、I分别为HSI颜色空间中的色调、饱和度、亮度,d、t为像素编号。
S4:通过设定的颜色距离阈值对HSI彩色图像进行优化分类。
对于k均值聚类得到的类别,由于综合考虑颜色距离和空间距离会导致类别边界部分出现部分颜色差异较大,但距离较近的像素点分为同一类别;本实施例使用6×6滑窗检测对类别边界点进行计算,通过对颜色距离设置阈值dc来辨别其是否应属于原始类别,进而对类别边缘进行优化。
S5:根据空间距离和颜色距离,获得像素点距离评价指标,并通过像素点距离评价指标对各层物体的像素点进行融合,完成分割。
根据空间距离和颜色距离,获得像素点距离评价指标D′:
设定像素点距离评价指标阈值为D,将大于像素点距离评价指标阈值D的像素点进行融合,完成分割;
其中,Nc表示最大颜色距离,Ns表示类内最大空间距离,Ns=aqrt(N/K),N是图中像素点总数,K为分割类别。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择多尺度分割算法和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
为验证本方法相对多尺度分割算法具有较高分割精度,本实施例中将采用传统的技术方案和本方法分别对同一张岩层切片图像(图2)的进行分割,采用MATLAB进行仿真测试,通过多尺度分割算法获得的分割结果如图3所示,通过本方法获得的聚类结果和分割结果分别如图4、图5所示。
由图4可见,本方法获得聚类质量较好,对比图3和图5,可见本方法相较于多尺度分割算法能获得更好的分割结果。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于k均值聚类的露天矿岩层图像分割方法,其特征在于:包括,
将露天矿岩层的RGB彩色图像归一化为灰度图像,并对所述灰度图像进行阈值分割,获得分割区域的中心像素点坐标;
对所述中心像素点坐标进行聚类,获得空间距离;
将所述RGB彩色图像转换为HSI彩色图像,并对HSI彩色图像进行聚类,获得颜色距离;
通过设定的颜色距离阈值对HSI彩色图像进行优化分类;
根据所述空间距离和颜色距离,获得像素点距离评价指标,并通过所述像素点距离评价指标对各层物体的像素点进行融合,完成分割。
2.如权利要求1所述的基于k均值聚类的露天矿岩层图像分割方法,其特征在于:所述灰度图像包括,
Grey=0.299*R+0.587*G+0.114*B
其中,Grey为所述灰度图像,R、G、B分别表示露天矿岩层的RGB彩色图像中红、绿、蓝三个通道的颜色。
4.如权利要求3所述的基于k均值聚类的露天矿岩层图像分割方法,其特征在于:所述计算最终阈值Ps包括,
所述各阈值区间内的参数为:
5.如权利要求4所述的基于k均值聚类的露天矿岩层图像分割方法,其特征在于:还包括,
每次缩减/增大三个灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254211.4A CN113989299A (zh) | 2021-10-27 | 2021-10-27 | 一种基于k均值聚类的露天矿岩层图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254211.4A CN113989299A (zh) | 2021-10-27 | 2021-10-27 | 一种基于k均值聚类的露天矿岩层图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989299A true CN113989299A (zh) | 2022-01-28 |
Family
ID=79742389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111254211.4A Pending CN113989299A (zh) | 2021-10-27 | 2021-10-27 | 一种基于k均值聚类的露天矿岩层图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989299A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100196A (zh) * | 2022-08-24 | 2022-09-23 | 聊城市洛溪信息科技有限公司 | 一种基于图像分割的冲压件除锈效果评估方法 |
CN117409200A (zh) * | 2023-10-19 | 2024-01-16 | 重庆科技学院 | 基于聚类分析的岩石矿物组分及孔隙自动分割方法 |
CN117745622A (zh) * | 2024-02-21 | 2024-03-22 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液催化氧化装置 |
-
2021
- 2021-10-27 CN CN202111254211.4A patent/CN113989299A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100196A (zh) * | 2022-08-24 | 2022-09-23 | 聊城市洛溪信息科技有限公司 | 一种基于图像分割的冲压件除锈效果评估方法 |
CN117409200A (zh) * | 2023-10-19 | 2024-01-16 | 重庆科技学院 | 基于聚类分析的岩石矿物组分及孔隙自动分割方法 |
CN117745622A (zh) * | 2024-02-21 | 2024-03-22 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液催化氧化装置 |
CN117745622B (zh) * | 2024-02-21 | 2024-05-07 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液膜浓缩液催化氧化装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989299A (zh) | 一种基于k均值聚类的露天矿岩层图像分割方法 | |
CN106056155B (zh) | 基于边界信息融合的超像素分割方法 | |
Recky et al. | Windows detection using k-means in cie-lab color space | |
CN105335966B (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN109919944B (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
CN107066916B (zh) | 基于反卷积神经网络的场景语义分割方法 | |
CN109472259B (zh) | 基于能量优化的图像协同显著性检测方法 | |
CN111047603B (zh) | 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 | |
CN110569751B (zh) | 一种高分遥感影像建筑物提取方法 | |
CN106971397B (zh) | 基于改进jseg算法的城市高分辨率遥感影像分割方法 | |
CN107578430A (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
CN104573685A (zh) | 一种基于线性结构提取的自然场景文本检测方法 | |
CN107392968A (zh) | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 | |
CN112906550B (zh) | 一种基于分水岭变换的静态手势识别方法 | |
CN103198479A (zh) | 基于语义信息分类的sar图像分割方法 | |
CN105046701A (zh) | 一种基于构图线的多尺度显著目标检测方法 | |
CN112258525B (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN108829711A (zh) | 一种基于多特征融合的图像检索方法 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN109191482B (zh) | 一种基于区域自适应光谱角阈值的图像合并分割方法 | |
CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 | |
CN104077788B (zh) | 融合颜色和纹理信息进行块背景建模的运动目标检测方法 | |
CN106339995A (zh) | 一种基于时空多特征的车辆阴影消除方法 |
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 |