CN115115645A - 一种舌像腐腻特征数据识别检测方法及系统 - Google Patents
一种舌像腐腻特征数据识别检测方法及系统 Download PDFInfo
- Publication number
- CN115115645A CN115115645A CN202211050651.2A CN202211050651A CN115115645A CN 115115645 A CN115115645 A CN 115115645A CN 202211050651 A CN202211050651 A CN 202211050651A CN 115115645 A CN115115645 A CN 115115645A
- Authority
- CN
- China
- Prior art keywords
- degree
- color
- value
- image
- greasy
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明涉及一种舌像腐腻特征数据识别检测方法及系统。该方法包括:获取舌体的HSV图像,根据HSV图像中像素点的通道分量值计算颜色异常程度;根据颜色异常程度及预设的颜色异常程度的阈值确定像素点的邻域范围,计算邻域范围内的中心点与其他像素点之间的异常程度方差;根据异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的数量及颜色连续程度;计算灰度相同的像素点的数量占邻域范围内所有像素点的占比值,根据占比值和颜色连续程度计算密集程度,根据颜色异常程度和密集程度计算腐腻值,根据腐腻值和舌体颜色变化构建舌像腐腻热图。本发明方法精确确定了舌体颜色与舌体的腐腻状态的关系,方便了舌体的观察。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种舌像腐腻特征数据识别检测方法及系统。
背景技术
中医讲究望闻问切,其中,舌诊属于望诊,舌体的变化往往与身体健康变化有紧密地联系,对于中医诊断病情和分析身体健康状况有很重要的作用。
根据舌体特征的变化对应着人体的不同症状,目前主要是中医通过观察舌体颜色,从而做出相关的健康分析,对于舌体来说,其颜色主要有白、黄、红三色构成,舌苔与舌体的区别特征主要是颜色,舌质偏红,而舌苔主要有黄、白两种颜色,但是也有部分苔体颜色和舌体颜色十分相似,因此在对舌体进行颜色观察时,舌苔和舌体颜色相近的部分不能准确的区分,从而影响对舌苔的判断。
因此,需要一种舌像腐腻特征数据识别检测方法及系统。
发明内容
本发明提供一种舌像腐腻特征数据识别检测方法及系统,以解决现有的问题。
本发明的一种舌像腐腻特征数据识别检测方法及系统采用如下技术方案:该方法包括:
获取舌体图像,并将舌体图像转化为HSV图像;
根据HSV图像中每个像素点的各个通道的分量值计算对应像素点的颜色异常程度;
根据每个像素点的颜色异常程度及预设的颜色异常程度的阈值确定每个像素点作为中心点的邻域范围,计算邻域范围内的中心点与该邻域内其他像素点之间的异常程度方差;
根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的数量及灰度相同的像素点的颜色连续程度,计算灰度相同的像素点的数量占邻域范围内所有像素点的占比值;
根据占比值和颜色连续程度计算中心点对应的邻域范围的密集程度;
根据每个像素点的颜色异常程度和密集程度计算腐腻值;
根据每个像素点的腐腻值与对应的舌体颜色变化构建舌像腐腻热图。
进一步的,根据HSV图像中每个像素点的各个通道的分量值计算对应像素点的颜色异常程度的步骤包括:
根据下式(1)计算像素点的颜色异常程度:
进一步的,根据每个像素点的颜色异常程度及预设的颜色异常程度的阈值确定每个像素点作为中心点的邻域范围的步骤包括:
设定颜色异常程度的第一阈值和第二阈值,且第一阈值大于第二阈值;
当像素点的异常程度小于预设的第二阈值时,获取以该像素点为中心点的周围n*n大小的范围作为邻域范围;
当像素点的颜色异常程度大于第二阈值,且小于第一阈值时,获取以该像素点为中心点的周围(n+2)*(n+2)大小的范围作为邻域范围;
当像素点的异常程度大于预设的第一阈值时,获取以该像素点为中心点的周围为(2n+2)*(2n+2)大小的范围作为邻域范围。
进一步的,计算邻域范围内的中心点与该邻域内其他像素点之间的异常程度方差的步骤包括:
根据下式(2)计算异常程度方差:
进一步的,根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的颜色连续程度的步骤包括:
将异常程度方差大于预设阈值的中心点对应的像素点的灰度值记为0;
将异常程度方差小于预设阈值的中心点对应的像素点的灰度值记为1;
按照异常程度方差的计算顺序将邻域范围的其他像素点的灰度值展开得到一串二进制的灰度值串;
搜索灰度值串中灰度值为1且位置相邻的像素点得到连续串;
获取灰度值串中灰度值的跳变次数及灰度值为1的连续串的数目,并获得每个连续串中像素点的数量;
根据连续串的数目、连续串中像素点的数量、灰度值串中灰度值的跳变次数及灰度值串中所有像素点的数量计算颜色连续程度。
进一步的,计算灰度相同的像素点的数量占邻域范围内所有像素点的占比值的步骤包括:
根据下式(3)计算占比值:
其中,m为邻域范围内异常程度方差小于方差阈值的像素点数量,n为邻域范围内像素点的总体数量。
进一步的,根据占比值和均匀程度计算中心点对应的邻域范围的密集程度的步骤包括:
根据下式(4)计算密集程度:
其中,W为邻域范围内灰度值为1的像素点的数量占邻域范围内所有像素点的数量的占比值;Y为邻域范围内像素点的颜色连续程度。
进一步的,根据每个像素点的颜色异常程度和密集程度计算腐腻值的步骤包括:
根据下式(5)计算腐腻值:
本发明还公开一种舌像腐腻特征数据识别检测系统,包括:
图像采集模块,用于获取舌体图像,并将舌体图像转化为HSV图像;
图像处理模块,用于根据HSV图像中每个像素点的各个通道的分量值计算对应像素点的颜色异常程度;
第一参数计算模块,用于根据每个像素点的颜色异常程度及预设的颜色异常程度的阈值确定每个像素点作为中心点的邻域范围,计算邻域范围内的中心点与该邻域内其他像素点之间的异常程度方差;
第二参数计算模块,根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的数量及灰度相同的像素点的颜色连续程度,计算灰度相同的像素点的数量占邻域范围内所有像素点的占比值;
第三参数计算模块,根据占比值和颜色连续程度计算中心点对应的邻域范围的密集程度;
第四参数计算模块,根据每个像素点的颜色异常程度和密集程度计算腐腻值;
图像生成模块,根据每个像素点的腐腻值与对应的舌体颜色变化构建舌像腐腻热图。
本发明的有益效果是:本发明的一种舌像腐腻特征数据识别检测方法及系统,通过舌体图像中像素点颜色信息及每个像素点作为中心像素点其周围像素点的颜色连续程度特征来综合判断像素点的腐腻值,然后通过腐腻值与舌体颜色变化来构建舌像腐腻热图,通过舌像腐腻热图能直接获取舌体的腐腻值及舌体对应颜色的关系,从而准确确定舌体的腐腻状态,方便了舌体的观察。
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为本发明的一种舌像腐腻特征数据识别检测方法及系统的实施例总体步骤的流程图;
图2为图1中确定邻域范围的流程图;
图3为图1中计算颜色连续程度的流程图。
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。
本发明的一种舌像腐腻特征数据识别检测方法及系统的实施例,如图1所示,该方法包括:
S1、采集舌体图像,并将舌体图像转化为HSV图像。
具体的,通过相机采集图像,由于相机采集到的是人体整个舌头及其周围区域的所有图像,因此我们需要先将图像中非舌体区域分割出去,留下舌体部分的舌体图像,具体的,先对相机采集的图像进行高斯滤波降噪处理,在降噪处理后的图像语义分割处理,语义分割使用CNN网络,对舌体进行语义分割,获得舌体对应的MASK值图像,二值图像中将舌体部分的值设为1,其余部分都设置为0,通过将二值图像与滤波降噪后的图像各个通道相乘得到各通道上的舌体图像,再将三个通道的舌体图像相加最终得到舌体图像。
S2、根据HSV图像中每个像素点的各个通道的分量值计算对应像素点的颜色异常程度。
具体的,由于舌体颜色主要有白、黄、红三色构成,苔体区别于舌体的特征主要是颜色,舌质偏红,而舌苔主要有黄、白两种颜色,但是也有部分苔体颜色和舌体颜色十分相似,故获取舌体图像的HSV图像中每个像素点各个通道的分量值h、s、v,根据hsv颜色对照表,得到红色、黄色、白色的hsv值对应的取值范围,然后根据下式(1)计算像素点的颜色异常程度:
其中,h、s为HSV图像中像素点对应的h通道、s通道的分量值,其中,h,s(0,255),由于hsv颜色对照表中,白色在s通道的分量值的范围为s(0,30),黄色和红色在s通道的分量值的范围均为s(43,255),为了将在s通道的黄色和红色区分开,设定为s通道的分量值系数,其中,为红色通道分量值时取-1,为黄色通道分量值内时取1,且在s通道上舌体的颜色是由红色向白色然后向黄色变化,故在红色向白色变化过程中,为白色通道分量值时取-1,在白色向黄色变化过程中,为白色通道分量值时取1;其中,当h的值越趋近于0时,表明该像素点的颜色越趋近于红色,当h的值越趋近于时,表明该像素点的颜色越趋近于黄色,对h、s的乘积大小进行归一化后可以将像素点的P值缩小到(-1,1),当P值越小说明该点的异常程度越低,越趋近于红色,当P值越大说明该点的异常程度越大,越趋近于黄色,P值靠近中间时,说明该点越趋近于白色,异常程度中等。
S3、根据每个像素点的颜色异常程度及预设的颜色异常程度的阈值确定每个像素点作为中心点的邻域范围,计算邻域范围内的中心点与该邻域内其他像素点之间的异常程度方差。具体的,如图2所示,S31、设定颜色异常程度的第一阈值和第二阈值,且第一阈值大于第二阈值;S32、当像素点的异常程度小于预设的第二阈值时,获取以该像素点为中心点的周围n*n大小的范围作为邻域范围;S33、当像素点的颜色异常程度大于第二阈值,且小于第一阈值时,获取以该像素点为中心点的周围(n+2)*(n+2)大小的范围作为邻域范围;S34、当像素点的异常程度大于预设的第一阈值时,获取以该像素点为中心点的周围为(2n+2)*(2n+2)大小的范围作为邻域范围。其中,第一阈值取0.7,第二阈值取0.4,进一步的,最佳的邻域范围的n取值为3。
具体的,根据下式(2)计算异常程度方差:
S4、根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的数量及灰度相同的像素点的颜色连续程度,计算灰度相同的像素点的数量占邻域范围内所有像素点的占比值。
具体的,S41、根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的颜色连续程度的步骤包括:如图3所示,S411、将异常程度方差大于预设阈值的中心点对应的像素点的灰度值记为0;将异常程度方差小于预设阈值的中心点对应的像素点的灰度值记为1;S412、按照异常程度方差的计算顺序将邻域范围的其他像素点的灰度值展开得到一串二进制的灰度值串;S413、搜索灰度值串中灰度值为1且位置相邻的像素点得到连续串;S414、获取灰度值串中灰度值的跳变次数及灰度值为1的连续串的数目,并获得每个连续串中像素点的数量;S415、根据连续串的数目、连续串中像素点的数量、灰度值串中灰度值的跳变次数及灰度值串中所有像素点的数量计算颜色连续程度,其中,根据下式(A)计算颜色连续程度:
S42、根据下式(3)计算占比值:
其中,m为邻域范围内异常程度方差小于方差阈值的像素点数量,n为邻域范围内像素点的总体数量。
S5、根据占比值和颜色连续程度计算中心点对应的邻域范围的密集程度。
具体的,根据下式(4)计算密集程度:
其中,W为邻域范围内灰度值为1的像素点的数量占邻域范围内所有像素点的数量的占比值;Y为邻域范围内像素点的颜色连续程度,当颜色连续程度与占比值均越大时,说明该像素点的密集程度越大,其邻域范围内与中心点颜色异常程度相近的像素点越多且越密集。
S6、根据每个像素点的颜色异常程度和密集程度计算腐腻值,其中,对于一个像素点,当该像素点的颜色异常程度越大时对应其位置应该是趋于舌体的中心,因此,根据该像素点邻域范围内像素点的颜色异常程度与位置分布信息计算出该点的邻域的密集程度。
具体的,根据下式(5)计算腐腻值:
其中,表示颜色异常程度的权重;表示密集程度的权重,且;表示密集程度;表示颜色异常程度;当P值越大且Q值越大时,说明该像素点的腐腻程度也越大,更趋向于腻苔,同理,如果该像素点的P值趋于中间水平,说明该像素点更趋近于白色,当该像素点的邻域范围内的Q值越小时,说明该像素点的腐腻程度越小其颜色更趋近于黄色,更趋向于腐苔;
当该像素点的颜色异常程度越大时,说明该像素点的颜色越趋近于黄色,根据大量舌象分析,舌苔的颜色分布从边缘到中心的颜色变化是由红到白再到黄色,并且越靠近中心位置腐腻程度也会相应增加,所以该像素点越趋近于黄色时,说明该点越靠近舌体中心位置,且对应的邻域范围内的分布像素点越多且越密集,进而反映出其腐腻值越大。
S7、根据每个像素点的腐腻值与对应的舌体颜色变化构建舌像腐腻热图。
具体的,舌体颜色从红色到白色在到黄色的颜色变化反映了舌体的腐腻程度由弱到强,舌体的腐腻值取值范围为(-1,1),因此,预先设置变色尺,变色尺从红到白再到黄色的尺度范围为(-1,1),具体的,变色尺上(-1,-0.66)对应为红色区间,变色尺上(-0.66,0.66)对应为白色区间、变色尺上(0.66,1)对应为黄色区间,将白色到红色变化过程中的HSV三通道值均匀划分到变色尺上0-0.3这个区间,同理白色和黄色也进行划分,可以得到红白黄三色在变色尺上的区间以及对应颜色,从而形成腐腻值对应变色尺上的颜色区间,当腐腻值为(-1,-0.66)时对应红色,腐腻值为(-0.66,0.66)时对应白色,腐腻值为(0.66,1)对应黄色,由此,可以得到腐腻值与舌体颜色变化的舌像腐腻热图。
本发明还公开一种舌像腐腻特征数据识别检测系统,包括:图像采集模块、图像处理模块、第一参数计算模块、第二参数计算模块、第三参数计算模块、第四参数计算模块及图像生成模块。图像采集模块,用于获取舌体图像,并将舌体图像转化为HSV图像;图像处理模块,用于根据HSV图像中每个像素点的各个通道的分量值计算对应像素点的颜色异常程度;第一参数计算模块,用于根据每个像素点的颜色异常程度及预设的颜色异常程度的阈值确定每个像素点作为中心点的邻域范围,计算邻域范围内的中心点与该邻域内其他像素点之间的异常程度方差;第二参数计算模块,根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的数量及灰度相同的像素点的颜色连续程度,计算灰度相同的像素点的数量占邻域范围内所有像素点的占比值;第三参数计算模块,根据占比值和颜色连续程度计算中心点对应的邻域范围的密集程度;第四参数计算模块,根据每个像素点的颜色异常程度和密集程度计算腐腻值;图像生成模块,根据每个像素点的腐腻值与对应的舌体颜色变化构建舌像腐腻热图。
综上所述,本发明提供一种舌像腐腻特征数据识别检测方法及系统,通过舌体图像中像素点颜色信息及每个像素点作为中心像素点其周围像素点的颜色连续程度特征来综合判断像素点的腐腻值,然后通过腐腻值与舌体颜色变化来构建舌像腐腻热图,通过舌像腐腻热图能直接获取舌体的腐腻值及舌体对应颜色的关系,从而准确确定舌体的腐腻状态,方便了舌体的观察。
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 (9)
1.一种舌像腐腻特征数据识别检测方法,其特征在于,该方法包括:
获取舌体图像,并将舌体图像转化为HSV图像;
根据HSV图像中每个像素点的各个通道的分量值计算对应像素点的颜色异常程度;
根据每个像素点的颜色异常程度及预设的颜色异常程度的阈值确定每个像素点作为中心点的邻域范围,计算邻域范围内的中心点与该邻域内其他像素点之间的异常程度方差;
根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的数量及灰度相同的像素点的颜色连续程度,计算灰度相同的像素点的数量占邻域范围内所有像素点的占比值;
根据占比值和颜色连续程度计算中心点对应的邻域范围的密集程度;
根据每个像素点的颜色异常程度和密集程度计算腐腻值;
根据每个像素点的腐腻值与对应的舌体颜色变化构建舌像腐腻热图。
3.根据权利要求1所述的一种舌像腐腻特征数据识别检测方法,其特征在于,根据每个像素点的颜色异常程度及预设的颜色异常程度的阈值确定每个像素点作为中心点的邻域范围的步骤包括:
设定颜色异常程度的第一阈值和第二阈值,且第一阈值大于第二阈值;
当像素点的异常程度小于预设的第二阈值时,获取以该像素点为中心点的周围n*n大小的范围作为邻域范围;
当像素点的颜色异常程度大于第二阈值,且小于第一阈值时,获取以该像素点为中心点的周围(n+2)*(n+2)大小的范围作为邻域范围;
当像素点的异常程度大于预设的第一阈值时,获取以该像素点为中心点的周围为(2n+2)*(2n+2)大小的范围作为邻域范围。
5.根据权利要求1所述的一种舌像腐腻特征数据识别检测方法,其特征在于,根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的颜色连续程度的步骤包括:
将异常程度方差大于预设阈值的中心点对应的像素点的灰度值记为0;
将异常程度方差小于预设阈值的中心点对应的像素点的灰度值记为1;
按照异常程度方差的计算顺序将邻域范围的其他像素点的灰度值展开得到一串二进制的灰度值串;
搜索灰度值串中灰度值为1且位置相邻的像素点得到连续串;
获取灰度值串中灰度值的跳变次数及灰度值为1的连续串的数目,并获得每个连续串中像素点的数量;
根据连续串的数目、连续串中像素点的数量、灰度值串中灰度值的跳变次数及灰度值串中所有像素点的数量计算颜色连续程度。
9.根据权利要求1-9任一项所述的一种舌像腐腻特征数据识别检测系统,其特征在于,包括:
图像采集模块,用于获取舌体图像,并将舌体图像转化为HSV图像;
图像处理模块,用于根据HSV图像中每个像素点的各个通道的分量值计算对应像素点的颜色异常程度;
第一参数计算模块,用于根据每个像素点的颜色异常程度及预设的颜色异常程度的阈值确定每个像素点作为中心点的邻域范围,计算邻域范围内的中心点与该邻域内其他像素点之间的异常程度方差;
第二参数计算模块,根据每个异常程度方差与预设的方差阈值确定邻域范围内与中心点灰度相同的像素点的数量及灰度相同的像素点的颜色连续程度,计算灰度相同的像素点的数量占邻域范围内所有像素点的占比值;
第三参数计算模块,根据占比值和颜色连续程度计算中心点对应的邻域范围的密集程度;
第四参数计算模块,根据每个像素点的颜色异常程度和密集程度计算腐腻值;
图像生成模块,根据每个像素点的腐腻值与对应的舌体颜色变化构建舌像腐腻热图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050651.2A CN115115645A (zh) | 2022-08-30 | 2022-08-30 | 一种舌像腐腻特征数据识别检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050651.2A CN115115645A (zh) | 2022-08-30 | 2022-08-30 | 一种舌像腐腻特征数据识别检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115645A true CN115115645A (zh) | 2022-09-27 |
Family
ID=83336309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050651.2A Pending CN115115645A (zh) | 2022-08-30 | 2022-08-30 | 一种舌像腐腻特征数据识别检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115645A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115266736A (zh) * | 2022-09-29 | 2022-11-01 | 江苏宸洋食品有限公司 | 一种茂谷柑霉变的快速识别方法 |
CN115375588A (zh) * | 2022-10-25 | 2022-11-22 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115578382A (zh) * | 2022-11-23 | 2023-01-06 | 季华实验室 | 图像异常检测方法、装置、设备及计算机可读存储介质 |
CN116258968A (zh) * | 2023-05-10 | 2023-06-13 | 蒙阴县国有林场总场(蒙阴县国有岱崮林场) | 一种林果病虫管理方法及系统 |
-
2022
- 2022-08-30 CN CN202211050651.2A patent/CN115115645A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115266736A (zh) * | 2022-09-29 | 2022-11-01 | 江苏宸洋食品有限公司 | 一种茂谷柑霉变的快速识别方法 |
CN115375588A (zh) * | 2022-10-25 | 2022-11-22 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115375588B (zh) * | 2022-10-25 | 2023-02-07 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115578382A (zh) * | 2022-11-23 | 2023-01-06 | 季华实验室 | 图像异常检测方法、装置、设备及计算机可读存储介质 |
CN115578382B (zh) * | 2022-11-23 | 2023-03-07 | 季华实验室 | 图像异常检测方法、装置、设备及计算机可读存储介质 |
CN116258968A (zh) * | 2023-05-10 | 2023-06-13 | 蒙阴县国有林场总场(蒙阴县国有岱崮林场) | 一种林果病虫管理方法及系统 |
CN116258968B (zh) * | 2023-05-10 | 2023-07-18 | 蒙阴县国有林场总场(蒙阴县国有岱崮林场) | 一种林果病虫管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115645A (zh) | 一种舌像腐腻特征数据识别检测方法及系统 | |
CN105631880B (zh) | 车道线分割方法和装置 | |
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
US8768017B2 (en) | Image processing apparatus, computer readable recording medium storing therein image processing program, and image processing method | |
CN101650783B (zh) | 图像识别方法以及摄像装置 | |
CN108010024B (zh) | 一种盲参考色调映射图像质量评价方法 | |
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 | |
US8594411B2 (en) | Pathologic tissue image analyzing apparatus, pathologic tissue image analyzing method, and pathologic tissue image analyzing program | |
CN109635871B (zh) | 一种基于多特征融合的胶囊内窥镜图像分类方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
US8655060B2 (en) | Night-scene light source detecting device and night-scene light source detecting method | |
CN115797352B (zh) | 一种用于中医保健体质检测的舌象图像处理系统 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN110782442B (zh) | 一种基于多域耦合的图像人工模糊检测方法 | |
US20180307024A1 (en) | Method for generating a reflection-reduced contrast image and corresponding device | |
CN107392904A (zh) | 一种基于数学形态学的医学图像的分割算法 | |
CN107622280A (zh) | 基于场景分类的模块化处方式图像显著性检测方法 | |
Ghosh et al. | A feature extraction scheme from region of interest of wireless capsule endoscopy images for automatic bleeding detection | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
CN107704864A (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
CN113610940B (zh) | 基于海洋矢量文件和影像通道阈值的临海区域匀色方法 | |
CN111402189B (zh) | 一种视频图像偏色检测装置及方法 | |
Zhou et al. | Wireless capsule endoscopy video automatic segmentation | |
CN106340037B (zh) | 基于色度中心比色度离心距的图像偏色检测方法 |
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 |