CN114782432A - 一种基于纹理特征的改进canny算子的边缘检测方法 - Google Patents

一种基于纹理特征的改进canny算子的边缘检测方法 Download PDF

Info

Publication number
CN114782432A
CN114782432A CN202210694426.6A CN202210694426A CN114782432A CN 114782432 A CN114782432 A CN 114782432A CN 202210694426 A CN202210694426 A CN 202210694426A CN 114782432 A CN114782432 A CN 114782432A
Authority
CN
China
Prior art keywords
image
importance
texture
threshold
point
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
Application number
CN202210694426.6A
Other languages
English (en)
Other versions
CN114782432B (zh
Inventor
任劲松
陈于辉
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.)
Jiangsu Dianboshi Energy Equipment Co ltd
Original Assignee
Nantong Electric Doctor Automation Equipment 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 Nantong Electric Doctor Automation Equipment Co ltd filed Critical Nantong Electric Doctor Automation Equipment Co ltd
Priority to CN202210694426.6A priority Critical patent/CN114782432B/zh
Publication of CN114782432A publication Critical patent/CN114782432A/zh
Application granted granted Critical
Publication of CN114782432B publication Critical patent/CN114782432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
    • 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
    • G06T7/50—Depth or shape recovery
    • G06T7/529—Depth or shape recovery from texture
    • 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
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • 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

本发明涉及人工智能领域，具体涉及一种基于纹理特征的改进canny算子的边缘检测方法。包括对待测图像进行高斯金字塔下采样，再利用双线性插值法上采样复原图像尺寸；对像素点灰度值量化，根据量化后的灰度值计算图像的灰度共生矩阵，获取n+1维图像，计算纹理点对的保留率，根据保留率对纹理进行分类，计算纹理点对平均缩减率；利用保留率与平均缩减率计算纹理重要性进而计算各像素点的重要性，根据像素点重要性利用多阈值分割和空间密度聚类的结果，进行自适应阈值的设置；根据自适应阈值的结果进行滞后边界追踪，完成对待测图像的边缘检测。本发明利用纹理特征进行区域自适应阈值的调整，有效降低因人工自设阈值的误差造成的边缘检测不清晰或边缘误检的现象。

Description

一种基于纹理特征的改进canny算子的边缘检测方法
技术领域
本发明涉及人工智能领域，具体涉及一种基于纹理特征的改进canny算子的边缘检测方法。
背景技术
在工业生产场景中，由于机器或其他因素的干扰，生产的产品可能会存在缺陷，所以会对产品进行图像采集，因为存在缺陷的产品的图像大都存在较多的纹理干扰，所以利用对产品图像的边缘检测来判断产品是否存在缺陷。
在进行边缘检测时，虽然检测方法众多，但canny算法作为边缘检测的一种标准算法，仍被广泛使用；在检测过程中应用高斯滤波平滑图像去除噪声，利用非最大抑制技术消除边缘误检，采用双阈值的方法来决定可能的边界，利用滞后技术来跟踪边界。
但是现有技术中，基于canny算子的边缘检测方法中双阈值的设定一般都是人工预设的，人工预设双阈值可能对检测结果造成一定的误差，所以基于这种情况，需要设计一种自适应确定阈值的方法来解决因人工预设带来的检测误差。
发明内容
本发明提供一种基于纹理特征的改进canny算子的边缘检测方法，结合不同纹理重要性与各阈值范围区域的重要性均值对canny边缘检测过程中的区域自适应进行调整，而分区域分析能够使分析结果更精确，得到更好的边缘检测效果，能够有效解决现有的因人工预设双阈值带来边缘误检的问题。
本发明的基于纹理特征的canny算子的边缘检测方法改进采用如下技术方案：
包括以下步骤：
对待测图像进行高斯金字塔下采得到第一次采样图像，对第一次采样图像再进行高斯金字塔下采得到第二次采样图像，以此类推获取n次采样图像，再对n次采样图像利用双线性插值法进行图像尺寸复原；
获取n次采样图像尺寸复原后图像的灰度共生矩阵；
利用第n次采样图像的灰度共生矩阵中的纹理点对与待测图像灰度共生矩阵对应的纹理点对，计算第n次采样图像的纹理点对保留率，得到纹理点对保留率图像；
利用ostu阈值分割法对保留率图像的纹理点对进行分类，对分类后小于分割阈值的纹理点对计算其纹理点对的平均缩减率；
利用获得的大于分割阈值的纹理点对保留率与小于分割阈值的纹理点对平均缩减率计算纹理点对重要性；
根据得到的纹理点对重要性计算待测图像各像素点的重要性；
根据待测图像各像素点的重要性构建像素点重要性直方图，对像素点重要性直方图进行多阈值分割得到不同阈值范围的像素点聚类重要性；
对待测图像的像素点进行空间聚类得到不同团簇；
利用不同阈值范围的像素点聚类重要性对每个团簇的双阈值进行调节得到每个团簇在进行边缘检测时的自适应阈值；
利用得到的每个团簇的自适应阈值对待测图像进行边缘检测。
利用获得的大于分割阈值的纹理点对保留率与小于分割阈值的纹理点对平均缩减率计算纹理点对重要性的公式如下：
Figure 290371DEST_PATH_IMAGE002
式中：
Figure 100002_DEST_PATH_IMAGE003
为纹理点对重要性，
Figure 643730DEST_PATH_IMAGE004
为纹理变化剧烈C2类的权重，
Figure 100002_DEST_PATH_IMAGE005
为纹理变化剧烈C2类的权重。
所述纹理点对保留率的计算公式如下：
Figure 100002_DEST_PATH_IMAGE007
式中：
Figure 705358DEST_PATH_IMAGE008
为纹理点对保留率，
Figure 100002_DEST_PATH_IMAGE009
为待测图像的灰度共生矩阵中的元素值，
Figure 557293DEST_PATH_IMAGE010
为第n次采样图像的灰度共生矩阵的元素值。
纹理点对平均缩减率的计公式如下：
Figure 902824DEST_PATH_IMAGE012
式中：
Figure 100002_DEST_PATH_IMAGE013
为纹理变化细微的纹理点对平均缩减率；
Figure 662969DEST_PATH_IMAGE009
为待测图像的灰度共生矩阵中的元素值；为第
Figure 336527DEST_PATH_IMAGE014
次采样后图像的灰度共生矩阵中的元素值；
Figure 801007DEST_PATH_IMAGE014
为截断值；
其中截断值的确定方法为：
统计每次采样图像尺寸复原后图像的灰度共生矩阵中各纹理点对的元素值，按照采样次序对所有纹理点对的元素值分别进行排序得到采样序列，获取所有采样序列中最先出现0的序列，将该序列的最后一个非零数对应的采样次数作为所有采样序列的截断值。
计算不同阈值范围的像素点聚类重要性的方法为：
计算待测图像中各像素点的重要性，计算公式如下：
Figure 876410DEST_PATH_IMAGE016
式中：
Figure 100002_DEST_PATH_IMAGE017
为待测图像中像素点的重要性，
Figure 305992DEST_PATH_IMAGE018
为包含该像素点的纹理点对重要性，
Figure 100002_DEST_PATH_IMAGE019
为包含点P的纹理点对重要性的累加和；
统计待测图像中各像素点的重要性的频数，对各像素点的重要性进行升序排序，得到像素点重要性直方图；
利用多阈值分割的方法对像素点重要性直方图进行分割，划分出T个不同阈值范围的区域；
计算多阈值分割划分的不同阈值范围的区域的重要性均值，计算公式如下：
Figure DEST_PATH_IMAGE021
式中：
Figure 263584DEST_PATH_IMAGE022
为不同阈值范围的区域的重要性均值，
Figure 531754DEST_PATH_IMAGE017
为该阈值范围区域中各像素点的重要性，
Figure 100002_DEST_PATH_IMAGE023
为该阈值范围区域内的像素点数量。
所述获取每个团簇在进行边缘检测时的自适应阈值的方法为：
根据各团簇中不同重要性像素点的数量与各阈值范围区域的重要性均值对各团簇的双阈值进行设置；设置方法如下：
计算各阈值范围区域的重要性倒数
Figure 992823DEST_PATH_IMAGE024
作为数量标准；根据各阈值范围区域的重要性均值对应的升序顺序对各阈值范围区域的数量标准进行排序，得到数量标准序列{
Figure 100002_DEST_PATH_IMAGE025
，
Figure 360350DEST_PATH_IMAGE026
，……，
Figure 100002_DEST_PATH_IMAGE027
}。
最高阈值范围的点数量如果大于
Figure 41123DEST_PATH_IMAGE025
*
Figure 722772DEST_PATH_IMAGE023
，该团簇高阈值设置为该等级的阈值范围区域的重要性均值，否则对该等级的阈值范围区域的下一等级进行判断，直到该等级的点数量大于
Figure 897401DEST_PATH_IMAGE028
*
Figure 639092DEST_PATH_IMAGE023
，
Figure 899172DEST_PATH_IMAGE028
为该等级对应的数量标准；
最低阈值范围的点数量如果大于
Figure 118932DEST_PATH_IMAGE027
*
Figure 148068DEST_PATH_IMAGE023
，该团簇低阈值设置为该等级的阈值范围区域的重要性均值，否则对该等级的阈值范围区域的上一等级进行判断，直到该等级的点数量大于
Figure 824775DEST_PATH_IMAGE028
*
Figure 306572DEST_PATH_IMAGE023
，
Figure 595602DEST_PATH_IMAGE028
为该等级对应的数量标准。
利用得到的每个团簇的自适应阈值对待测图像进行边缘检测的过程为：
利用区域自适应阈值的调整对纹理进行检测，将灰度值大于高阈值的标记为边缘点，对灰度值位于高阈值与低阈值之间的像素点，若该像素点与已经被标记的边缘点连接，将该点也标记为边缘点，从而完成对待测图像的边缘检测。
对所述待测图像进行高斯金字塔下采样之前，对所述待测图像上像素点的灰度值按照64作为灰度量化级进行量化，得到量化后的待测图像。
本发明的有益效果是：本发明利用高斯金字塔采样对待测图像进行采样，根据不同层数的采样过程中纹理点对的保留率与平均缩减率得到纹理点对的重要性，结合像素点的空间分布情况，针对不同团簇的不同阈值范围区域的像素点重要性情况，分区域进行检测，对于不同区域的情况，设置不同双阈值，最大程度地保留边缘信息，从而使得边缘检测的效果更好进行区域自适应双阈值调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。
图1为本发明的系统流程框图；
图2为本发明中实施例的步骤流程图；
图3为本实施例中灰度共生矩阵点对示意图；
图4为本实施例中各方向的灰度共生矩阵示意图；
图5为本实施例中中心点点对示意图；
图6为本实施例的像素点重要性直方图；
图7为本实施例的空间聚类示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
实施例1
本发明的一种基于纹理特征的改进canny算子的边缘检测方法的实施例，如图1至图2所示，下面进行展开说明：
S101、对待测图像进行高斯金字塔下采样，再对下采样后的图像利用双线性插值法进行上采样复原图像尺寸：
高斯金字塔下采样即将同一信号或图片多次的进行高斯模糊，并且向下取样，藉以产生不同尺度下的多组信号或图片以进行后续的处理，然后利用双线性插值法对图像进行扩展，使图像恢复为原图像的尺寸大小，便于后续分析。
S102、计算n次采样图像的灰度共生矩阵：
灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法，由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。
S103、利用每次采样图像的灰度共生矩阵得到每次采样图像的灰度共生矩阵图像：
将原图像的灰度共生矩阵与每次采样图像的灰度共生矩阵进行组合，得到每次采样图像的灰度共生矩阵图像。
S104、根据灰度共生矩阵图像计算纹理点对保留率：
有纹理在采样过程中纹理线条会发生变化，经过多次采样后，纹理保留的越多，说明该纹理的重要性越大，通过计算纹理点对的保留率侧面反映出纹理的重要性。
S105、通过otsu阈值分割法对图像中的纹理进行分类：
对利用阈值分割后的纹理进行分类，根据分割阈值反映纹理变化程度。
S106、确定各纹理点对经过采样后的元素值序列的截断值：
截断值即判断标准，是判定试验阳性与阴性的界值，既确定某项指标的正常值，以区分正常与异常；本实施例中用于后续计算纹理点对平均缩减率。
S107、计算分类后小于分割阈值的纹理点对的平均缩减率：
小于分割阈值的纹理被认为是模糊或细节纹理，在经过采样后有一部分还会保留下来，这样的重要性相对较小，计算出小于分割阈值的纹理点对的平均缩减率，更精确的保留可能的边缘线条的纹理，同时也反映了纹理的重要性。
S108、根据得到的纹理点对保留率与纹理点对平均缩减率计算纹理点对重要性：
纹理的重要性是根据不同细节程度的纹理点对的保留率与平均缩减率反映的，纹理的重要性又反映了纹理是边缘线条的可能性，根据纹理点对保留率与纹理点对平均缩减率计算纹理点对重要性从而进行区域自适应阈值的调整，能够使边缘检测结果更精确。
S109、根据纹理点对重要性计算待测图像中各像素点的重要性：
根据包含纹理像素点的纹理点对重要性累加计算出的像素点重要性，像素点的重要性更明确的反映像素点属于边缘线条的可能性。
S110、根据待测图像中各像素点的重要性对像素点进行属性聚类：
通过像素点重要性利用多阈值分割对像素点进行聚类，分割出不同阈值范围区域，根据各阈值范围区域的重要性均值进行阈值的自适应调整，使边缘检测的结果更精确。
S111、对待测图像的像素点进行空间密度聚类：
通过密度聚类得到不同团簇中不同重要性像素点的空间分布。
S112、计算各团簇中不同与之区域范围的重要性均值，从而设置区域自适应阈值：
根据不同团簇中不同阈值范围区域的重要性均值与像素点数量对双阈值进行设置，能够精确地确定合适高阈值与低阈值，根据不同阈值范围区域的重要性均值对不同团簇设置阈值能够使检测结果更精确。
S113、根据设置的双阈值进行滞后边界追踪，得到边缘检测的结果：
若使用单阈值 ，假定轮廓的平均灰度等于Q ，由于噪声影响，轮廓上的有些点的灰度会小于Q ，同样，有些点的灰度会高于Q ，必然会造成轮廓的中断。为了避免这种情况出现，“滞后”处理使用一高一低两个阈值。图像中任意一点，只要其梯度大于Q1 ，都被假定为边缘点，并立即标记，和该点相连的任意点只要其梯度大于Q2 ，也被作为边缘点进行标记。从而完成图像的边缘检测。
本实施例的有益效果为：根据待测图像的纹理特征计算出纹理点对保留率与纹理点对平均缩减率，根据纹理点对保留率与纹理点对平均缩减率求出纹理点对的重要性，能够从纹理点对重要性反映出纹理的变化情况以及纹理是边缘线条的可能性，再利用待测图像像素点的分布情况及重要性进行区域自适应双阈值的设置，有效降低由于人工预设双阈值造成的影响；对于不同区域的情况，设置不同双阈值，最大程度地保留边缘信息，从而使得边缘检测的效果更好。
实施例2
本发明的一种基于纹理特征的改进canny算子的边缘检测方法的实施例，如图1至图2所示，下面进行展开说明：
S201、对待测图像进行高斯金字塔下采样，再对下采样后的图像利用双线性插值法进行上采样复原图像尺寸
在高斯金字塔下采样的过程中，图像尺寸会不断缩小，模糊信息与细节信息会不断丢失，保留下来的大部分都是边缘轮廓的有效信息；上采样的目的是通过插值得到与原待测图像尺寸大小相同的图像，便于后续步骤中图像的处理。
对待测图像进行高斯金字塔下采样，再对下采样后的图像利用双线性插值法进行上采样复原图像尺寸，至此完成一次采样过程，在下一次下采样时对上一次采样过程中的下采样图像继续进行下采样，然后对下采样后的图像进行上采样复原图像尺寸。
1.高斯金字塔下采样过程：
为了得到高斯金字塔下采样过程中更精细的纹理变化情况，采用滑窗的方式进行下采样，利用2*2的max pooling对图像进行滑窗计算；
为下采样图像设置尺寸阈值，当图像尺寸达到设定阈值时，停止下采样；
设置的阈值为长度大于等于原待测图像长度的一半的最小整数，宽度大于等于原待测图像宽度的一半的最小整数。
2.高斯金字塔上采样过程：
高斯金字塔上采样过程即上述的插值过程，本实施例利用双线性插值方法。根据待插点距离最近的四个像素点的坐标信息，来确定待插点的坐标信息，根据待插点的位置获取待插点的像素值；
循环上述步骤，直至图像尺寸恢复与原待测图像尺寸大小相同时，停止上采样。
S202、计算每次采样图像的灰度共生矩阵
1.将待测图像的灰度值进行量化处理
由于灰度共生矩阵的计算量过大，所以利用减少灰度级的方式减少计算量；一般一幅图像的灰度级为256,级，即0-255，本实施例选择64作为灰度级，对图像进行量化。量化计算公式如下：
Figure 479244DEST_PATH_IMAGE030
式中：
Figure DEST_PATH_IMAGE031
为量化后图像的灰度级，
Figure 359475DEST_PATH_IMAGE032
为图像未量化的原灰度级。
2.计算图像中各方向统计的灰度共生矩阵
分别计算四个方向的灰度共生矩阵，计算方式如以下示例结合图3所示：
以中心点像素值6作为研究对象，中心点像素的坐标记为（x，y）；灰度共生矩阵就是计算当（x，y）与偏离它的(x+a,y+b)构成点对时，计算点对的出现次数。a=1,b=0时，代表水平方向即0°方向，计算点对（6,8）的出现次数；a=0,b=1时，代表竖直方向即90°方向，计算（6,4）的出现次数，a=1,b=1时，代表45°方向， 计算点对（6,5）的出现次数；a=-1,b=-1时代表135°方向，计算点对（6,6）的出现次数。这个过程就是计算各方向灰度共生矩阵的过程。
3.计算整幅图像的灰度共生矩阵
将步骤2计算得到的四个方向的64*64的灰度共生矩阵，如图4所示，通过统计灰度共生矩阵中每个元素在四个方向的频数，进行加和计算得到一个64*64的灰度共生矩阵。
S203、利用每次采样图像的灰度共生矩阵得到（n+1）维灰度共生矩阵图像
将待测图像的灰度共生矩阵和采样图像的灰度共生矩阵进行组合，通道1的图像为待测图像的灰度共生矩阵，通道2的图像为采样一次图像的灰度共生矩阵，通道3的图像为采样两次图像的灰度公式共生矩阵……通道（n+1）的图像为采样n次图像的灰度共生矩阵。至此得到了（n+1）维的灰度共生矩阵图像。
S204、根据灰度共生矩阵图像计算纹理点对保留率
有纹理在采样过程中纹理线条会发生变化，经过多次采样后，纹理保留的越多，说明该纹理的重要性越大，通过计算纹理点对的保留率侧面反映出纹理的重要性。纹理点对保留率的计算公式如下：
Figure DEST_PATH_IMAGE033
式中：
Figure 469514DEST_PATH_IMAGE034
为纹理点对保留率，
Figure 421289DEST_PATH_IMAGE009
为待测图像的灰度共生矩阵中的元素值，
Figure 795989DEST_PATH_IMAGE010
为第n次采样后图像的灰度共生矩阵中的元素值。
S205、通过otsu阈值分割法对图像中的纹理进行分类
对利用阈值分割后的纹理进行分类，根据分割阈值反映纹理变化程度，与纹理点对保留率一样反映纹理的重要性。
otsu算法的假设是存在阈值th将图像所有像素值分为纹理变化细微C1（大于th）和纹理变化剧烈C2（小于th）两类。通过遍历灰度值找到使得类间方差最大的阈值作为分割阈值th。
大于分割阈值th的像素点对应的纹理在采样过程中的变化不大，认为是图像中的较为重要的纹理，即纹理变化细微C1；小于分割阈值th的认为是模糊或细节纹理，重要性较小，即纹理变化剧烈C2。
根据类间方差值计算公式确定分割阈值th，类间方差值的计算公式如下：
Figure 440597DEST_PATH_IMAGE036
式中：
Figure DEST_PATH_IMAGE037
为类间方差值，
Figure 303511DEST_PATH_IMAGE038
为纹理变化细微的纹理像素均值，
Figure DEST_PATH_IMAGE039
为纹理变化剧烈的纹理像素均值，
Figure 199923DEST_PATH_IMAGE040
为待测图像像素均值；
通过遍历灰度值确定使类间方差值最大的阈值作为分割阈值th，通过分割阈值th的分割，将待测图像的纹理分为纹理变化细微C1与纹理变化剧烈C2两类。
S206、确定各像素点经过采样后的像素值序列的截断值
统计每次采样图像尺寸复原后图像的灰度共生矩阵中各纹理点对的元素值，按照采样次序对所有纹理点对的元素值分别进行排序得到采样序列，获取所有采样序列中最先出现0的序列，将该序列的最后一个非零数对应的采样次数作为所有采样序列的截断值。
下面举例进行说明：
序列是指各像素点分别在n张采样图像上的像素点灰度级组成的序列。
例1：假设经过4次采样后得到了序列1[8 6 4 2 0]和序列2[7 4 1 0 0]，因为序列2最先出现采样值为0的情况，以序列2中最后一个非零值1对应的采样次数2作为该纹理对的截断值，则序列1的纹理点对的平均缩减率为：（8-4）/2=2，序列2的纹理点对的平均缩减率为（7-1）/2=3。
例2：假设经过4次采样后得到了序列1[10 8 6 4 2]和序列2[8 5 2 0 0]，因为序列2最先出现采样值为0的情况，以序列2中最后一个非零值2对应的采样次数2作为该纹理点对截断值，则序列1的纹理点对的平均缩减率为：（10-6）/2=2，序列2的纹理点对平均缩减率为：(8-2)/2 =3。
S207、计算分类后小于分割阈值的纹理点对的平均缩减率
小于分割阈值的纹理被认为是模糊或细节纹理，在经过采样后有一部分还会保留下来，这样的重要性相对较小，计算出小于分割阈值的纹理点对的平均缩减率，更精确的保留可能的边缘线条的纹理，同时也反映了纹理的重要性。C2类的纹理点对平均缩减率的计算公式如下：
Figure 667944DEST_PATH_IMAGE012
式中：
Figure 483453DEST_PATH_IMAGE013
为纹理变化细微的纹理点对平均缩减率；
Figure 801040DEST_PATH_IMAGE009
为待测图像的灰度共生矩阵中的元素值；
Figure DEST_PATH_IMAGE041
为第
Figure 625777DEST_PATH_IMAGE014
次采样后图像的灰度共生矩阵中的元素值；
Figure 213884DEST_PATH_IMAGE014
为截断值。
S208、根据得到的纹理点对保留率与纹理点对平均缩减率计算纹理点对的重要性
纹理的重要性是根据不同细节程度的纹理点对的保留率与平均缩减率反映的，纹理的重要性又反映了纹理是边缘线条的可能性，根据纹理点对保留率与纹理点对平均缩减率计算纹理点对重要性从而进行区域自适应阈值的调整，能够使边缘检测结果更精确。
对于C1计算纹理点对保留率，C1中纹理点对保留率越大，该纹理的重要性越大；对于C2计算纹理点对平均缩减率，C2中纹理点对平均缩减率越小，该纹理的重要性越大。通过对C1和C2赋予不同的重要性权重计算得到纹理点对重要性。纹理点对重要性的计算公式如下：
Figure 934715DEST_PATH_IMAGE002
式中：
Figure 241063DEST_PATH_IMAGE003
为纹理点对重要性，
Figure 338332DEST_PATH_IMAGE004
为纹理变化剧烈C2类的权重，默认为0.7；
Figure 46525DEST_PATH_IMAGE005
为纹理变化剧烈C2类的权重，默认为0.3。
S209、根据纹理点对重要性计算待测图像中各像素点的重要性
根据包含纹理像素点的纹理点对重要性累加计算出的像素点重要性，像素点的重要性更明确的反映像素点属于边缘线条的可能性。
根据各像素点不同组合方向的纹理点对重要性，计算得到待测图像中各像素点的重要性。各像素点的重要性计算公式如下：
Figure 938257DEST_PATH_IMAGE016
式中：
Figure 233366DEST_PATH_IMAGE017
为待测图像中像素点的重要性，
Figure 134326DEST_PATH_IMAGE018
为包含点P的纹理点对，
Figure 165867DEST_PATH_IMAGE019
为包含点P的纹理的重要性的累加和。
例如：如图5所示，以点6为中心，0°方向有（3,6）和（6，2），45°方向有（7，6）和（6，4），90°方向有（2，6）和（6，5），135°方向有（5，6）和（6，6），利用各像素点的重要性计算公式，根据各点对的出现次数对中心点的像素点重要性进行计算。
S210、根据待测图像中各像素点的重要性对待测图像中的像素点进行属性聚类
通过像素点重要性利用多阈值分割对像素点进行聚类，分割出不同阈值范围区域，根据不同阈值范围区域的重要性均值与像素点数量进行阈值的自适应调整，使边缘检测的结果更精确。
1.绘制像素点重要性直方图
对像素点重要性进行升序排序，统计不同重要性的频数，绘制直方图，横坐标代表像素点重要性，纵坐标为各重要性的频数，如图6所示。
2.利用费歇尔准则进行分割
使各分割段的段内离差平方和最小，段间离差总和最大，同时定量确定各级分割点。对于不同的分割段数，都有一个最佳分割，通过对段内离差平方总和分割段数变化的曲线分析，确定最佳分割。
3.计算经过分割后的不同阈值范围区域的重要性均值
将该阈值范围区域的重要性均值作为该阈值范围的重要性，即该阈值范围区域中像素点的重要性。计算公式如下：
Figure 494080DEST_PATH_IMAGE042
式中：
Figure 509440DEST_PATH_IMAGE022
为阈值范围区域的重要性均值，该值代表了该阈值范围区域中所有像素点的新重要性，
Figure 214091DEST_PATH_IMAGE017
为该阈值范围区域内各像素点的重要性，
Figure 631297DEST_PATH_IMAGE023
为该阈值范围区域内的像素点数量。
例如：经过属性聚类后分割的一个阈值范围为[0.2-0.5]，根据阈值范围区域的重要性均值计算公式计算的阈值范围区域的重要性均值为e，则待测图像中像素点重要性属于[0.2-0.5]范围的像素点，将e作为这些像素点的新重要性。
S211、对经过属性聚类得到的待测图像的像素点进行空间密度聚类
通过密度聚类得到待测图像中不同团簇的不同重要性像素点的空间分布。
密度聚类的过程如下：
1.首先对待测图像中的像素点进行标记，为每个点赋予一个从1到x的序号，x表示待测图像中像素点的数量。
2.在参数空间中按照次序选择点
Figure DEST_PATH_IMAGE043
，
Figure 395991DEST_PATH_IMAGE043
的范围为1到x。首先选择点1，检测以点1为圆心，r为半径（本实施例中r设置为10个像素点）的圆内点的数量是否大于等于预设的点数（本实施例中设置为20个像素点），如果满足条件，该点是核心点，寻找从该点出发可达的点（包括直接可达和间接可达点）形成一个团簇；如果该点不满足条件，查找下一个次序的点是否满足条件，直到最后一点。
通过密度聚类得到了不同团簇的不同重要性像素点的空间分布，如图7所示，图中箭头相连的区域为一个团簇。
S212、根据不同团簇中不同阈值范围区域的重要性均值，设置区域自适应阈值
根据不同团簇中不同阈值范围区域中像素点的新重要性与像素点数量对双阈值进行设置，能够精确地确定高阈值与低阈值，区分区域检测可以使检测结果更准确。
根据各团簇中不同重要性像素点的数量与各阈值范围区域的重要性均值对各团簇的双阈值进行设置。设置规则如下：
计算各阈值范围区域的重要性倒数
Figure 397183DEST_PATH_IMAGE024
作为数量标准；根据各阈值范围区域的重要性均值对应的升序顺序对各阈值范围区域的数量标准进行排序，得到数量标准序列{
Figure 639945DEST_PATH_IMAGE025
，
Figure 646079DEST_PATH_IMAGE026
，……，
Figure 581674DEST_PATH_IMAGE027
}
最高阈值范围的点数量如果大于
Figure 306047DEST_PATH_IMAGE025
*
Figure 86921DEST_PATH_IMAGE023
，该团簇高阈值设置为该等级的阈值范围区域的重要性均值，否则对该等级的阈值范围区域的下一等级进行判断，直到该等级的点数量大于
Figure 478719DEST_PATH_IMAGE028
*
Figure 319636DEST_PATH_IMAGE023
，
Figure 655940DEST_PATH_IMAGE028
为该等级对应的数量标准；
最低阈值范围的点数量如果大于
Figure 611477DEST_PATH_IMAGE027
*
Figure 982415DEST_PATH_IMAGE023
，该团簇低阈值设置为该等级的阈值范围区域的重要性均值，否则对该等级的阈值范围区域的上一等级进行判断，直到该等级的点数量大于
Figure 869600DEST_PATH_IMAGE028
*
Figure 693199DEST_PATH_IMAGE023
，
Figure 956821DEST_PATH_IMAGE028
为该等级对应的数量标准。
其中等级即为阈值范围区域的重要性均值排序的顺序。
举例说明：根据多阈值分割得到三个级别：0-10，10-20，20-30三个阈值范围区域的重要性均值分别为
Figure 182266DEST_PATH_IMAGE044
,和
Figure DEST_PATH_IMAGE045
,且
Figure 771511DEST_PATH_IMAGE045
>
Figure 721887DEST_PATH_IMAGE046
>
Figure 648255DEST_PATH_IMAGE044
，其中一个聚类团簇中同时包含了三个阈值范围区域，不同阈值范围区域的像素点数量分别为：20，10和5。
由于
Figure 603572DEST_PATH_IMAGE045
的重要性均值最大，但
Figure 222772DEST_PATH_IMAGE045
对应的阈值范围区域的像素点数量小于
Figure DEST_PATH_IMAGE047
*（20+10+5），则对下一等级（即重要性略大于
Figure 161910DEST_PATH_IMAGE045
的等级）
Figure 767334DEST_PATH_IMAGE046
对应的阈值区域范围进行计算；由于S1的重要性均值最低，且S1对应的阈值区域范围的像素点数量大于
Figure 701792DEST_PATH_IMAGE048
*（20+10+5），则低阈值设置为
Figure 226315DEST_PATH_IMAGE044
。
S213、根据设置的双阈值进行滞后边界追踪，得到边缘检测的结果
“滞后”处理使用一高一低两个阈值。图像中任意一点，只要其灰度大于高阈值，都被假定为边缘点，并立即标记，和该点相连的任意点只要其灰度大于低阈值 ，也被作为边缘点进行标记，从而完成图像的边缘检测。
利用滞后边界追踪的方法，根据以上步骤设定的区域自适应阈值进行边缘检测，处理灰度值位于高阈值与低阈值之间的像素点；由于边缘是连续的，因此可以认为弱边缘如果为真实边缘，则与强边缘是连通的，以此判断检测的边缘是否为真实边缘。从而完成图像的边缘检测。
本实施例的有益效果为：根据待测图像的纹理特征计算出不同类别的纹理点对保留率与纹理点对平均缩减率，根据纹理点对保留率与纹理点对平均缩减率求出纹理的重要性，能够从纹理重要性反映出纹理的变化情况以及纹理是边缘线条的可能性，再利用纹理像素点的分布情况及重要性进行区域自适应双阈值的设置，有效降低由于人工预设双阈值造成的影响，而分区域分析能够使分析结果更精确，从而使得边缘检测的效果更好。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于纹理特征的改进canny算子的边缘检测方法，其特征在于：包括以下步骤：
对待测图像进行高斯金字塔下采得到第一次采样图像，对第一次采样图像再进行高斯金字塔下采得到第二次采样图像，以此类推获取n次采样图像，再对n次采样图像利用双线性插值法进行图像尺寸复原；
获取n次采样图像尺寸复原后图像的灰度共生矩阵；
利用第n次采样图像的灰度共生矩阵中的纹理点对与待测图像灰度共生矩阵对应的纹理点对，计算第n次采样图像的纹理点对保留率，得到纹理点对保留率图像；
利用ostu阈值分割法对保留率图像的纹理点对进行分类，对分类后小于分割阈值的纹理点对计算其纹理点对的平均缩减率；
利用获得的大于分割阈值的纹理点对保留率与小于分割阈值的纹理点对平均缩减率计算纹理点对重要性；
根据得到的纹理点对重要性计算待测图像各像素点的重要性；
根据待测图像各像素点的重要性构建像素点重要性直方图，对像素点重要性直方图进行多阈值分割得到不同阈值范围的像素点聚类重要性；
对待测图像的像素点进行空间聚类得到不同团簇；
利用不同阈值范围的像素点聚类重要性对每个团簇的双阈值进行调节得到每个团簇在进行边缘检测时的自适应阈值；
利用得到的每个团簇的自适应阈值对待测图像进行边缘检测。
2.根据权利要求1所述的一种基于纹理特征的改进canny算子的边缘检测方法，其特征在于：利用获得的大于分割阈值的纹理点对保留率与小于分割阈值的纹理点对平均缩减率计算纹理点对重要性的公式如下：
Figure 389320DEST_PATH_IMAGE002
式中：
Figure DEST_PATH_IMAGE003
为纹理点对重要性，
Figure 519475DEST_PATH_IMAGE004
为纹理变化剧烈C2类的权重，
Figure DEST_PATH_IMAGE005
为纹理变化剧烈C2类的权重。
3.根据权利要求1所述的一种基于纹理特征的改进canny算子的边缘检测方法，其特征在于：所述纹理点对保留率的计算公式如下：
Figure DEST_PATH_IMAGE007
式中：
Figure 633406DEST_PATH_IMAGE008
为纹理点对保留率，
Figure DEST_PATH_IMAGE009
为待测图像的灰度共生矩阵中的元素值，
Figure 515780DEST_PATH_IMAGE010
为第n次采样图像的灰度共生矩阵的元素值。
4.根据权利要求1所述的一种基于纹理特征的改进canny算子的边缘检测方法，其特征在于：纹理点对平均缩减率的计公式如下：
Figure 82372DEST_PATH_IMAGE012
式中：
Figure DEST_PATH_IMAGE013
为纹理变化细微的纹理点对平均缩减率；
Figure 452435DEST_PATH_IMAGE009
为待测图像的灰度共生矩阵中的元素值；
Figure 966DEST_PATH_IMAGE014
为第
Figure DEST_PATH_IMAGE015
次采样后图像的灰度共生矩阵中的元素值；
Figure 684537DEST_PATH_IMAGE015
为截断值；
其中截断值的确定方法为：
统计每次采样图像尺寸复原后图像的灰度共生矩阵中各纹理点对的元素值，按照采样次序对所有纹理点对的元素值分别进行排序得到采样序列，获取所有采样序列中最先出现0的序列，将该序列的最后一个非零数对应的采样次数作为所有采样序列的截断值。
5.根据权利要求1所述的一种基于纹理特征的改进canny算子的边缘检测方法，其特征在于：计算不同阈值范围的像素点聚类重要性的方法为：
计算待测图像中各像素点的重要性，计算公式如下：
Figure DEST_PATH_IMAGE017
式中：
Figure 662726DEST_PATH_IMAGE018
为待测图像中像素点的重要性，
Figure DEST_PATH_IMAGE019
为包含该像素点的纹理点对重要性，
Figure 56054DEST_PATH_IMAGE020
为包含点P的纹理点对重要性的累加和；
统计待测图像中各像素点的重要性的频数，对各像素点的重要性进行升序排序，得到像素点重要性直方图；
利用多阈值分割的方法对像素点重要性直方图进行分割，划分出T个不同阈值范围的区域；
计算多阈值分割划分的不同阈值范围的区域的重要性均值，计算公式如下：
Figure 757294DEST_PATH_IMAGE022
式中：
Figure DEST_PATH_IMAGE023
为不同阈值范围的区域的重要性均值，
Figure 309367DEST_PATH_IMAGE018
为该阈值范围区域中各像素点的重要性，
Figure 56743DEST_PATH_IMAGE024
为该阈值范围区域内的像素点数量。
6.根据权利要求1所述的一种基于纹理特征的改进canny算子的边缘检测方法，其特征在于：所述获取每个团簇在进行边缘检测时的自适应阈值的方法为：
根据各团簇中不同重要性像素点的数量与各阈值范围区域的重要性均值对各团簇的双阈值进行设置；设置方法如下：
计算各阈值范围区域的重要性倒数
Figure DEST_PATH_IMAGE025
作为数量标准；根据各阈值范围区域的重要性均值对应的升序顺序对各阈值范围区域的数量标准进行排序，得到数量标准序列{
Figure 876932DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
，……，
Figure 167099DEST_PATH_IMAGE028
}；
最高阈值范围的点数量如果大于
Figure 11777DEST_PATH_IMAGE026
*
Figure 980870DEST_PATH_IMAGE024
，该团簇高阈值设置为该等级的阈值范围区域的重要性均值，否则对该等级的阈值范围区域的下一等级进行判断，直到该等级的点数量大于
Figure DEST_PATH_IMAGE029
*
Figure 339170DEST_PATH_IMAGE024
，
Figure 218265DEST_PATH_IMAGE029
为该等级对应的数量标准；
最低阈值范围的点数量如果大于
Figure 597293DEST_PATH_IMAGE028
*
Figure 929049DEST_PATH_IMAGE024
，该团簇低阈值设置为该等级的阈值范围区域的重要性均值，否则对该等级的阈值范围区域的上一等级进行判断，直到该等级的点数量大于
Figure 684515DEST_PATH_IMAGE029
*
Figure 916651DEST_PATH_IMAGE024
，
Figure 732160DEST_PATH_IMAGE029
为该等级对应的数量标准。
7.根据权利要求1所述的一种基于纹理特征的改进canny算子的边缘检测方法，其特征在于：利用得到的每个团簇的自适应阈值对待测图像进行边缘检测的过程为：
利用区域自适应阈值的调整对纹理进行检测，将灰度值大于高阈值的标记为边缘点，对灰度值位于高阈值与低阈值之间的像素点，若该像素点与已经被标记的边缘点连接，将该点也标记为边缘点，从而完成对待测图像的边缘检测。
8.根据权利要求1所述的一种基于纹理特征的改进canny算子的边缘检测方法，其特征在于：对所述待测图像进行高斯金字塔下采样之前，对该所述待测图像上像素点的灰度值进行按照64作为灰度量化级进行量化，得到量化后的待测图像。
CN202210694426.6A 2022-06-20 2022-06-20 一种基于纹理特征的改进canny算子的边缘检测方法 Active CN114782432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210694426.6A CN114782432B (zh) 2022-06-20 2022-06-20 一种基于纹理特征的改进canny算子的边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210694426.6A CN114782432B (zh) 2022-06-20 2022-06-20 一种基于纹理特征的改进canny算子的边缘检测方法

Publications (2)

Publication Number Publication Date
CN114782432A true CN114782432A (zh) 2022-07-22
CN114782432B CN114782432B (zh) 2022-09-02

Family

ID=82420387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210694426.6A Active CN114782432B (zh) 2022-06-20 2022-06-20 一种基于纹理特征的改进canny算子的边缘检测方法

Country Status (1)

Country Link
CN (1) CN114782432B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115138208A (zh) * 2022-09-06 2022-10-04 山东超华环保智能装备有限公司 数据处理器及包含该处理器的一种废气智能处理系统
CN115170992A (zh) * 2022-09-07 2022-10-11 山东水发达丰再生资源有限公司 一种废钢料场散落料的图像识别方法及系统
CN115307582A (zh) * 2022-10-11 2022-11-08 南通电博士自动化设备有限公司 一种电线电缆的截面积测量方法
CN115578476A (zh) * 2022-11-21 2023-01-06 山东省标筑建筑规划设计有限公司 一种用于城乡规划数据的高效存储方法
CN116309561A (zh) * 2023-05-17 2023-06-23 威海赛宝工业信息技术研究院有限公司 一种基于防漏电绝缘材料的表面缺陷识别方法
CN116681696A (zh) * 2023-07-27 2023-09-01 东莞雅达高精密塑胶模具有限公司 一种用于自动化生产设备的模具质量监测方法
CN117808811A (zh) * 2024-03-01 2024-04-02 陕西中盛天泽复合材料科技有限公司 一种数控机床刀具崩刃异常检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006004163A (ja) * 2004-06-17 2006-01-05 Toshiba Corp テクスチャ識別装置とテクスチャ識別方法
CN102354388A (zh) * 2011-09-22 2012-02-15 北京航空航天大学 一种自适应计算图像底层特征重要性权重的方法
CN104813343A (zh) * 2013-08-27 2015-07-29 Lsi公司 具有边缘选择功能的图像处理器
CN109785300A (zh) * 2018-12-27 2019-05-21 华南理工大学 一种癌症医学图像数据处理方法、系统、装置和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006004163A (ja) * 2004-06-17 2006-01-05 Toshiba Corp テクスチャ識別装置とテクスチャ識別方法
CN102354388A (zh) * 2011-09-22 2012-02-15 北京航空航天大学 一种自适应计算图像底层特征重要性权重的方法
CN104813343A (zh) * 2013-08-27 2015-07-29 Lsi公司 具有边缘选择功能的图像处理器
CN109785300A (zh) * 2018-12-27 2019-05-21 华南理工大学 一种癌症医学图像数据处理方法、系统、装置和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙智鹏等: "改进的自适应Canny边缘检测算法", 《电测与仪表》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115138208A (zh) * 2022-09-06 2022-10-04 山东超华环保智能装备有限公司 数据处理器及包含该处理器的一种废气智能处理系统
CN115170992A (zh) * 2022-09-07 2022-10-11 山东水发达丰再生资源有限公司 一种废钢料场散落料的图像识别方法及系统
CN115307582A (zh) * 2022-10-11 2022-11-08 南通电博士自动化设备有限公司 一种电线电缆的截面积测量方法
CN115578476A (zh) * 2022-11-21 2023-01-06 山东省标筑建筑规划设计有限公司 一种用于城乡规划数据的高效存储方法
CN115578476B (zh) * 2022-11-21 2023-03-10 山东省标筑建筑规划设计有限公司 一种用于城乡规划数据的高效存储方法
CN116309561A (zh) * 2023-05-17 2023-06-23 威海赛宝工业信息技术研究院有限公司 一种基于防漏电绝缘材料的表面缺陷识别方法
CN116681696A (zh) * 2023-07-27 2023-09-01 东莞雅达高精密塑胶模具有限公司 一种用于自动化生产设备的模具质量监测方法
CN116681696B (zh) * 2023-07-27 2023-10-20 东莞雅达高精密塑胶模具有限公司 一种用于自动化生产设备的模具质量监测方法
CN117808811A (zh) * 2024-03-01 2024-04-02 陕西中盛天泽复合材料科技有限公司 一种数控机床刀具崩刃异常检测方法

Also Published As

Publication number Publication date
CN114782432B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114782432B (zh) 一种基于纹理特征的改进canny算子的边缘检测方法
CN115457041B (zh) 一种道路质量识别检测方法
CN114862862B (zh) 一种基于图像处理的泵体冷隔缺陷识别方法与系统
CN114140462B (zh) 一种基于图像处理的轴承磨损程度评估方法
CN116168026B (zh) 基于计算机视觉的水质检测方法及系统
CN115049664B (zh) 基于视觉的船舶发动机配件缺陷检测方法
CN116310360A (zh) 一种电抗器表面缺陷检测方法
CN115829883A (zh) 一种异性金属结构件表面图像去噪方法
CN109064418B (zh) 一种基于非局部均值的非均匀噪声图像去噪方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN116385450B (zh) 基于图像处理的ps片材抗耐磨性检测方法
CN115496692B (zh) 一种润滑油磨粒图像增强方法
CN107657209B (zh) 一种基于手指静脉图像质量的模板图像注册机制
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN115775250A (zh) 基于数字图像分析的金手指电路板缺陷快速检测系统
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN117422712B (zh) 基于图像滤波处理的塑料母粒视觉检测方法及系统
CN108389216A (zh) 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法
CN115115637B (zh) 基于图像金字塔思想的布匹缺陷检测方法
CN115272335A (zh) 基于显著性检测的冶金金属表面缺陷检测方法
CN114529538A (zh) 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN116030396B (zh) 一种用于视频结构化提取的精确分割方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统

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
CP01 Change in the name or title of a patent holder

Address after: 226200 group 11, Chengbei Village, Huilong Town, Qidong City, Nantong City, Jiangsu Province

Patentee after: Jiangsu Dianboshi Energy Equipment Co.,Ltd.

Address before: 226200 group 11, Chengbei Village, Huilong Town, Qidong City, Nantong City, Jiangsu Province

Patentee before: Nantong Electric doctor automation equipment Co.,Ltd.

CP01 Change in the name or title of a patent holder