CN115601385A - 气泡形态处理方法、设备、介质及程序产品 - Google Patents
气泡形态处理方法、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN115601385A CN115601385A CN202210379602.7A CN202210379602A CN115601385A CN 115601385 A CN115601385 A CN 115601385A CN 202210379602 A CN202210379602 A CN 202210379602A CN 115601385 A CN115601385 A CN 115601385A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- bubble
- threshold
- gray
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 51
- 238000003672 processing method Methods 0.000 title abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 230000035945 sensitivity Effects 0.000 claims description 97
- 230000009467 reduction Effects 0.000 claims description 25
- 230000003628 erosive effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 abstract description 30
- 238000005286 illumination Methods 0.000 abstract description 14
- 239000000700 radioactive tracer Substances 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000007788 liquid Substances 0.000 description 12
- 230000005514 two-phase flow Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 239000012071 phase Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 3
- 239000007791 liquid phase Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种气泡形态处理方法、设备、介质及程序产品。该方法包括：获取待处理图像的灰度图，对灰度图进行二值化处理，得到待处理图像的二值化图像；确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤；识别过滤后的二值化图像中的初始气泡轮廓；对初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓；根据目标气泡轮廓确定待处理图像中气泡的形态。本申请的方法，可以降低示踪粒子对气泡轮廓识别的干扰，避免非均匀光照造成的轮廓缺失，提高了气泡形态确定的准确性。
Description
技术领域
本申请涉及图像处理领域，尤其涉及一种气泡形态处理方法、设备、介质及程序产品。
背景技术
液体中通气形成的气泡流是一种液相连续、气相弥散的两相流动，气泡表面积是决定气泡掺混效率的重要因素。因此，准确测定气液两相流中的气泡的形态尤为重要。
现有技术中测定气液两相流中的气泡的形态时，首先，计算机会控制高速相机对气液两相流的流场区域进行拍照，获取气泡的原始图像。然后，计算机接收到该原始图像后，会基于气泡与图像背景的灰度差异对气泡形状和轮廓进行识别，从而确定图像中气泡的形态。但是，在进行气液两相同步测量时会加入示踪粒子，示踪粒子的存在会对气泡形态的测量产生干扰，导致气泡形态出现误差。此外，由于气泡的运动具有一定的三维特性，当气泡运动到光照平面外的时候会导致光照不足，使得识别到的气泡轮廓不连续，气泡形态不准确。
因此，需要一种抗干扰性更强、准确性更高的气泡形态处理方案。
发明内容
本申请提供一种气泡形态处理方法、设备、介质及程序产品，用以解决现有技术测量气泡形态时准确性低的问题。
第一方面，本申请提供一种气泡形态处理方法，包括：
获取待处理图像的灰度图，对所述灰度图进行二值化处理，得到所述待处理图像的二值化图像；
确定所述二值化图像中的连通区域，根据各连通区域中像素点的数目对所述二值化图像进行过滤；
识别过滤后的二值化图像中的初始气泡轮廓；
对所述初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓；
根据所述目标气泡轮廓确定所述待处理图像中气泡的形态。
在一种可能的实施方式中，所述确定所述二值化图像中的连通区域，根据各连通区域中像素点的数目对所述二值化图像进行过滤，具体包括：
依次对所述二值化图像进行图像腐蚀和图像膨胀，以得到分割后的图像；
确定所述分割后的图像中的连通区域；
判断每一所述连通区域中第一像素点的数目是否小于预设数目阈值；
当所述连通区域中第一像素点的数目小于预设数目阈值时，将所述连通区域中第一像素点的灰度值设置为0。
在一种可能的实施方式中，所述对所述灰度图进行二值化处理，得到所述待处理图像的二值化图像，具体包括：
对所述灰度图进行中值滤波处理，以得到降噪图像；
利用自适应灰度值阈值算法计算所述降噪图像各区域的灰度值阈值；
利用下列公式对所述降噪图像进行二值化处理，得到所述待处理图像的二值化图像：
其中，所述I(x，y)表示所述降噪图像中横坐标为x，纵坐标为y的像素点的灰度值，所述Tx，y表示横坐标为x，纵坐标为y的像素点对应的灰度值阈值。
在一种可能的实施方式中，所述利用自适应灰度值阈值算法计算所述降噪图像各区域的灰度值阈值，具体包括：
利用预设大小的滑动窗口提取所述降噪图像中各像素点的灰度值；
按照由小到大的顺序对所述灰度值进行排序，以生成灰度值序列；
确定所述灰度值序列中位置比例为目标敏感度值的灰度值，将所述灰度值作为所述滑动窗口区域的灰度值阈值，所述敏感度值为气泡轮廓上像素点的数目占所述降噪图像中像素点总数目的百分比；
利用所述滑动窗口对所述降噪图像进行遍历，以计算所述降噪图像各区域的灰度值阈值。
在一种可能的实施方式中，所述目标敏感度值是利用下列方式获得的：
根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度值；
利用所述初始敏感度值确定所述滑动窗口区域的第一灰度值阈值；
判断所述第一灰度值阈值是否大于或等于第一预设阈值并且小于或等于第二预设阈值，所述第一预设阈值小于所述第二预设阈值；
若所述第一灰度值阈值小于所述第一预设阈值，则将所述最小敏感度值和最大敏感度值的均值作为新的最小敏感度值，重新执行所述根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度的步骤；
若所述第一灰度值阈值大于所述第二预设阈值，则将所述最小敏感度值和最大敏感度值的均值作为新的最大敏感度值，重新执行所述根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度的步骤；
若所述第一灰度值阈值大于或等于第一预设阈值并且小于或等于第二预设阈值，则根据所述最小敏感度值和最大敏感度值的均值确定所述目标敏感度值。
在一种可能的实施方式中，所述对所述初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓，具体包括：
生成所述初始气泡轮廓的二维坐标系；
确定所述初始气泡轮廓上的非0像素点中纵坐标最小的第二像素点，与除第二像素点之外的第三像素点；
分别生成所述第二像素点与各第三像素点之间的向量；
确定每一向量与所述二维坐标系的水平轴之间的夹角，并且按照所述夹角由小到大的顺序对所述第三像素点进行排序，以生成第三像素点序列；
以所述第二像素点为起点生成所述第二像素点与最小夹角对应的第三像素点之间的连接线，并且按照所述第三像素点序列依次生成相邻的第三像素点之间的连接线；
判断各连接线的走向是否为逆时针方向；
若否，则去除走向不是逆时针方向的连接线中排序在前的第三像素点，并且更新所述第三像素点序列，直至以所述第二像素点为终点逆时针生成闭合的多边形。
在一种可能的实施方式中，所述识别过滤后的二值化图像中的初始气泡轮廓，具体包括：
利用高斯滤波对所述过滤后的二值化图像进行平滑，以生成第一图像；
计算所述第一图像中各像素点的梯度幅值以及梯度方向；
对所述梯度幅值进行非极大值抑制，确定各梯度方向的最大梯度幅值及其对应的第四像素点，删除各梯度方向除所述第四像素点之外的像素点；
确定所述第四像素点中梯度幅值大于第一梯度阈值的强边缘点，以及梯度幅值大于或等于第二梯度阈值并且小于或等于第一梯度阈值的弱边缘点，并且删除所述第四像素点中梯度幅值小于第二梯度阈值的像素点，所述第一梯度阈值大于所述第二梯度阈值；
判断所述弱边缘点是否与所述强边缘点连接，若是，则保留所述弱边缘点，若否，则删除所述弱边缘点，以生成第一气泡轮廓；
依次对所述第一气泡轮廓进行图像膨胀、图像填充以及图像腐蚀，以生成所述初始气泡轮廓。
第二方面，本申请提供一种气泡形态处理设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现上述的方法。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述的方法。
第四方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法。
本申请提供的气泡形态处理方法，可以获取待处理图像的灰度图，对灰度图进行二值化处理，得到待处理图像的二值化图像；确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤；识别过滤后的二值化图像中的初始气泡轮廓；对初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓；根据目标气泡轮廓确定待处理图像中气泡的形态。本申请的方法，可以在得到待处理图像的二值化图像后，通过确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤，从而去除示踪粒子所在的区域，避免示踪粒子对后续气泡轮廓识别的干扰，提高气泡形态确定的准确性。进一步，在识别过滤后的二值化图像中的初始气泡轮廓后，还可以对识别到的初始气泡轮廓进行多边形拟合，避免非均匀光照造成的轮廓缺失，提高了气泡形态的完整性，也进一步提高了气泡形态确定的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为现有技术中一气泡轮廓示意图；
图2为现有技术中另一气泡轮廓示意图；
图3为本申请一实施例的系统架构图；
图4为本申请一实施例的气泡形态处理方法的流程图；
图5为本申请一实施例的图像腐蚀和图像膨胀的过程示意图；
图6为本申请一实施例的连通区域示意图；
图7为本申请一实施例的多边形拟合示意图；
图8为本申请另一实施例的气泡形态处理方法的流程图；
图9为本申请一实施例的利用滑动窗口对降噪图像进行遍历的示意图；
图10为本申请一实施例的气泡形态处理示意图；
图11为本申请一实施例的气泡形态处理设备的结构示意图。
附图标记：1、激光器；2、高速相机；3、计算机；4、LED灯；5、气泡发生装置；6、出气孔口。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
液体中通气形成的气泡流是一种液相连续、气相弥散的两相流动，具有掺混强度大、换热效率高等优点，在医疗化工、能源动力等领域得到了广泛的应用。其中，气泡表面积是决定气泡掺混效率的重要因素，因此，准确测定气液两相流中的气泡的形态尤为重要。
现有技术中测定气液两相流中的气泡的形态时，首先，计算机会控制高速相机对气液两相流的流场区域进行拍照，获取气泡的原始图像。然后，计算机接收到该原始图像后，会对该原始图像进行灰度处理，以获取该原始图像的灰度图。之后，计算机会计算该灰度图中的灰度值梯度，根据灰度值梯度进行边界识别，从而得到气泡轮廓。接下来，计算机会对识别到的气泡轮廓依次进行图像膨胀、图像填充和图像腐蚀，对识别到的尚未闭合的气泡轮廓进行闭合和去噪，以生成最终的真实气泡轮廓。最后，计算机会根据生成的真实气泡轮廓确定原始图像中气泡的形态，以便于接下来气泡形态参数的测定。
但是，在进行气液两相同步测量时会加入示踪粒子，示踪粒子的存在会对气泡形态的测量产生干扰。图1为现有技术中一气泡轮廓示意图，如图1所示，图1中虚线框的位置处气泡形态被示踪粒子干扰，导致测量到的气泡形态出现误差。此外，由于气泡的运动具有一定的三维特性，当气泡运动到光照平面外的时候会导致光照不足，使得识别到的气泡轮廓不连续。图2为现有技术中另一气泡轮廓示意图，如图2所示，图2中虚线框的位置处气泡轮廓缺失，导致测量到的气泡形态不准确。
本申请提供的气泡形态处理方法，旨在解决现有技术的如上技术问题。该方法可以获取待处理图像的灰度图，对灰度图进行二值化处理，得到待处理图像的二值化图像；确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤；识别过滤后的二值化图像中的初始气泡轮廓；对初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓；根据目标气泡轮廓确定待处理图像中气泡的形态。本申请的方法，可以在得到待处理图像的二值化图像后，通过确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤，从而去除示踪粒子所在的区域，避免示踪粒子对后续气泡轮廓识别的干扰，提高气泡形态确定的准确性。进一步，在识别过滤后的二值化图像中的初始气泡轮廓后，还可以对识别到的初始气泡轮廓进行多边形拟合，避免非均匀光照造成的轮廓缺失，提高了气泡形态的完整性，也进一步提高了气泡形态确定的准确性。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图3是本申请一实施例的系统架构图，如图3所示，需要形成气泡流时，工作人员通过气泡发生装置5向液体中提供气泡，气泡通过与气泡发生装置5相连的出气孔口6流向流场区域A。之后工作人员利用计算机3控制激光器1照亮流场区域A，并且控制高速相机2拍摄流场区域A的气泡照片。在整个过程中，LED灯4提供拍摄气泡照片中阴影的光源。计算机3中集成有图形处理装置，可以在获取到高速相机2拍摄的气泡照片后，对照片进行灰度处理以得到灰度图，对灰度图进行二值化处理，得到二值化图像；确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤；识别过滤后的二值化图像中的初始气泡轮廓；对初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓；最后将目标气泡轮廓加载到气泡照片中，确定照片中气泡的形态。
实施例一
图4是本申请一实施例提供的气泡形态处理方法的流程图，本申请实施例提供的气泡形态处理方法的执行主体可以是图形处理装置，也可以是集成有图形处理装置的计算机，本实施例以执行主体为集成有图形处理装置的计算机对该气泡形态处理方法进行说明。如图4所示，该气泡形态处理方法可以包括以下步骤：
S101：获取待处理图像的灰度图，对灰度图进行二值化处理，得到待处理图像的二值化图像。
在本实施例中，为了减少计算量，便于后续气泡轮廓的识别，可以先将待处理图像经过灰度处理得到灰度图。可以利用现有的相关技术对待处理图像进行灰度处理，在此不做赘述。
在本实施例中，上述步骤S101中对灰度图进行二值化处理，得到待处理图像的二值化图像的具体实施方式请详见实施例二。
S102：确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤。
在一个可能的实施方式中，上述步骤S102确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤，可以包括：
S1021：依次对二值化图像进行图像腐蚀和图像膨胀，以得到分割后的图像。
在本实施方式中，图像腐蚀可以认为是在水平和竖直两个方向对图像进行缩小操作，相应的，图像膨胀可以认为是在水平和竖直两个方向对图像进行放大操作。二值化图像中示踪粒子可能会与气泡相连，使得气泡轮廓周围会有“毛刺”、“小桥”和“小点”等不属于气泡的像素点。这些像素点的存在会影响后续气泡轮廓的识别，因此，可以依次对二值化图像进行图像腐蚀和图像膨胀处理，去除气泡轮廓周围属于示踪粒子的像素点，对相连的气泡与示踪粒子、相连的气泡与气泡等进行分割，并且保持图像中气泡的原有位置和形态不变。通过对二值化图像进行图像腐蚀和图像膨胀，可以降低示踪粒子对后续气泡轮廓识别的干扰，提高气泡形态确定的准确性。
在本实施方式中，可以利用下列公式(1)-(4)对二值化图像进行图像腐蚀处理：
其中，Iero(x，y)表示进行图像腐蚀后横坐标为x，纵坐标为y的像素点的灰度值，Iero，x(x，y)表示在水平方向对图像进行腐蚀后横坐标为x，纵坐标为y的像素点的灰度值，Iero，y(x，y)表示在竖直方向对图像进行腐蚀后横坐标为x，纵坐标为y的像素点的灰度值，I(x-1，y)表示二值化图像中横坐标为x-1，纵坐标为y的像素点的灰度值。
在本实施方式中，还可以利用下列公式(5)-(8)对二值化图像进行图像膨胀处理：
其中，Idil(x，y)表示进行图像膨胀后横坐标为x，纵坐标为y的像素点的灰度值，Idil，x(x，y)表示在水平方向对图像进行膨胀后横坐标为x，纵坐标为的像素点的灰度值，Idil，y(x，y)表示在竖直方向对图像进行膨胀后横坐标为x，纵坐标为y的像素点的灰度值，I(x，y)表示二值化图像中横坐标为x，纵坐标为y的像素点的灰度值。
示例性的，图5为本申请一实施例的图像腐蚀和图像膨胀的过程示意图。如图5所示，图5中(a)表示原始的二值化图像，对图5中(a)进行图像腐蚀后可以得到(b)，对图5中(b)进行图像膨胀后可以得到(c)。由图5可知，对原始的二值化图像依次进行图像腐蚀和图像膨胀之后，不仅相连的区域分开了，也过滤了边缘的像素点，并且图形总的位置和形状不变，从而实现图像分割。
S1022：确定分割后的图像中的连通区域。
在本实施方式中，图6为本申请一实施例的连通区域示意图，如图6所示，可以利用4连通域准则确定分割后的图像中的连通区域。示例性的，图中标号为1的方格为待确定连通区域的方格，基于4连通域准则，方格1的连通区域为其上、下、左和右侧的方格，即方格2、方格3、方格4和方格5。也就是说，图6中连接线所在的区域为连通区域。可替代的，也可以利用其他方式确定分割后的图像中的连通区域，例如8连通域准则等，在此不做任何限制。
在本实施方式中，二值化图像中灰度值为0的像素点为黑色背景，灰度值为1的像素点为白色前景，也就是图形所在区域。灰度值为1的第一像素点各自连通形成对应的连通区域。
S1023：判断每一连通区域中第一像素点的数目是否小于预设数目阈值。
在本实施方式中，预设数目阈值可以是一般情况下示踪粒子的图形中像素点的数目。预设数目阈值的具体数值本领域技术人员可以根据经验灵活设置，在此不做任何限制。
S1024：当连通区域中第一像素点的数目小于预设数目阈值时，将连通区域中第一像素点的灰度值设置为0。
在本实施方式中，由于气泡的面积比示踪粒子的面积大(像素点的数目多)，因此，若某一连通区域中第一像素点的数目小于预设数目阈值，则可认为该区域为示踪粒子对应的图形，需要将该连通区域中第一像素点的灰度值设置为0，去除示踪粒子对应的图形。若某一连通区域中第一像素点的数目大于等于预设数目阈值，则可认为该区域为气泡对应的图形，可以保留。
在本实施方式中，首先通过对二值化图像进行图像腐蚀和图像膨胀，不仅使相连的图形分割，还可以过滤孤立的小点，减少气泡图形周围示踪粒子的干扰；然后对分割后的图像进行连通区域的确定，使各区域独立；之后对各连通区域中灰度值非0的第一像素点进行计数以对各连通区域进行筛选，去除第一像素点数目较少的示踪粒子图形，保留第一像素点数目较多的气泡图形。通过这样的设置，可以对示踪粒子的图形进行过滤，去除示踪粒子所在的区域，避免示踪粒子对后续气泡轮廓识别的干扰，提高气泡形态确定的准确性。通过上述步骤S1021-S1025对二值化图像进行过滤，以对图像进行降噪，避免示踪粒子的干扰，提高气泡形态确定的准确性。
S103：识别过滤后的二值化图像中的初始气泡轮廓。
在本实施例中，文中提到的删除像素点均指的是将像素点的灰度值设置为0。
在一个可能的实施方式中，上述步骤S103识别过滤后的二值化图像中的初始气泡轮廓，可以包括：
S1031：利用高斯滤波对过滤后的二值化图像进行平滑，以生成第一图像。
在本实施方式中，除高斯滤波之外，还可以采用多种滤波结合的方式对过滤后的二值化图像进行平滑，在此不做任何限制。
S1032：计算第一图像中各像素点的梯度幅值以及梯度方向。
在本实施方式中，可以利用相关技术中的Sobel算子、Rober算子、Prewitt算子等梯度算子计算第一图像中各像素点的梯度幅值以及梯度方向，在此不做赘述。具体的梯度算子本领域技术人员可以根据图像实际的信噪比以及气泡形态识别需求进行选择和更换。
S1033：对梯度幅值进行非极大值抑制，确定各梯度方向的最大梯度幅值及其对应的第四像素点，删除各梯度方向除第四像素点之外的像素点。
在本实施方式中，可以沿着梯度方向遍历各个像素点的梯度幅值，以确定最大梯度幅值对应的第四像素点，并且各梯度方向除第四像素点之外的像素点，从而实现边缘细化，使气泡轮廓清晰。
S1034：确定第四像素点中梯度幅值大于第一梯度阈值的强边缘点，以及梯度幅值大于或等于第二梯度阈值并且小于或等于第一梯度阈值的弱边缘点，并且删除第四像素点中梯度幅值小于第二梯度阈值的像素点，第一梯度阈值大于第二梯度阈值。
在本实施方式中，可以利用双阈值算法确定第四像素点中的强边缘点和弱边缘点。本领域技术人员可以凭借经验预先设置第一梯度阈值和第二梯度阈值，并且第一梯度阈值大于第二梯度阈值。若某第四像素点的梯度幅值大于第一梯度阈值，则该第四像素点为强边缘点；若某第四像素点的梯度幅值小于第二梯度阈值，则删除该第四像素点；若某第四像素点的梯度幅值位于第一梯度阈值和第二梯度阈值之间，则该第四像素点为弱边缘点。通过双阈值算法可以进一步实现边缘细化，使气泡轮廓更加清晰。
S1035：判断弱边缘点是否与强边缘点连接，若是，则保留弱边缘点，若否，则删除弱边缘点，以生成第一气泡轮廓。
在本实施方式中，若某弱边缘点只与弱边缘点连接，则删除该弱边缘点，从而进一步实现边缘细化，使气泡轮廓更加清晰。
S1036：依次对第一气泡轮廓进行图像膨胀、图像填充以及图像腐蚀，以生成初始气泡轮廓。
在本实施方式中，通过对第一气泡轮廓进行图像膨胀，使尚未闭合的第一气泡轮廓进行封闭；通过对封闭的轮廓进行图像填充，从而得到完整的气泡形态；通过对完整的气泡形态进行图像腐蚀，以避免图像膨胀引起的轮廓失真，使得生成的初始气泡轮廓更加符合真实气泡形态。
在本实施方式中，通过高斯滤波对图像进行平滑，去除图像中光照方面的噪声，降低光照带来的干扰；通过对梯度幅值进行非极大值抑制，从而实现边缘细化，使气泡轮廓清晰；通过双阈值算法确定弱边缘点和强边缘点，进一步实现边缘细化，使气泡轮廓更加清晰；通过对气泡轮廓进行图像膨胀、图像填充以及图像腐蚀，使得生成的初始气泡轮廓更加符合真实气泡形态。通过上述步骤S1031-S1036识别得到初始气泡轮廓，可以修复光照不足导致的轮廓缺失，降低光照带来的干扰，使得生成的初始气泡轮廓更加符合真实气泡形态。
S104：对初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓。
在本实施例中，非均匀光照可能造成气泡轮廓缺失较大，此时仅通过上述图像膨胀、图像填充以及图像腐蚀等形态学手段可能并不足以弥补轮廓缺失，或者造成锯齿边界，难以获得真实的气泡轮廓。因此，在获取到初始气泡轮廓之后，还可以对初始气泡轮廓进行多边形拟合，形成闭合的多边形，以补充缺失部分对气泡轮廓进行闭合，避免非均匀光照造成的轮廓缺失，提高了气泡形态的完整性，也进一步提高了气泡形态确定的准确性。
在本实施例中，对初始气泡轮廓进行多边形拟合时，可以是进行最小外接凸多边形拟合，通过生成最小外接凸多边形不仅可以对气泡轮廓进行闭合，还可以提高气泡形态确定的准确性。
在一个可能的实施方式中，上述步骤S104对初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓，可以包括：
S1041：生成初始气泡轮廓的二维坐标系。
S1042：确定初始气泡轮廓上的非0像素点中纵坐标最小的第二像素点，与除第二像素点之外的第三像素点。
S1043：分别生成第二像素点与各第三像素点之间的向量。
S1044：确定每一向量与二维坐标系的水平轴之间的夹角，并且按照夹角由小到大的顺序对第三像素点进行排序，以生成第三像素点序列。
S1045：以第二像素点为起点生成第二像素点与最小夹角对应的第三像素点之间的连接线，并且按照第三像素点序列依次生成相邻的第三像素点之间的连接线。
S1046：判断各连接线的走向是否为逆时针方向。
S1047：若否，则去除走向不是逆时针方向的连接线中排序在前的第三像素点，并且更新第三像素点序列，直至以第二像素点为终点逆时针生成闭合的多边形。
在本实施方式中，图7为本申请一实施例的多边形拟合示意图。如图7所示，p0为各像素点中纵坐标最小的第二像素点，其他均为第三像素点。按照夹角由小到大的顺序生成连接线时，第三像素点序列依次为p1、p2、p3、p4、p5……。首先以p0为起点形成p0p1之间的连接线，接着形成p1p2之间的连接线。p0p1与p1p2之间连接线的走向为逆时针方向，因此接着形成p2p3之间的连接线。由于p1p2与p2p3之间连接线的走向不是逆时针方向，因此去除p2p3中排序在前的像素点p2，生成p1p3之间的连接线。接着形成p3p4之间的连接线，由于p1p2与p3p4之间连接线的走向不是逆时针方向，因此去除p3p4中排序在前的像素点p3，生成p1p4之间的连接线。接着形成p4p5之间的连接线，以此类推，直至以p0为终点逆时针生成闭合的最小外接凸多边形p0p1p4p10p12，该最小外接凸多边形即为目标气泡轮廓。通过该方法生成的目标气泡轮廓完整并且准确性高。
S105：根据目标气泡轮廓确定待处理图像中气泡的形态。
在本实施例中，根据该目标气泡轮廓即可确定气泡的形态，工作人员可以根据该目标气泡轮廓测定各种形态参数。示例性的，还可以将该目标气泡轮廓加载到待处理图像中，从而明确标出各气泡形态以供工作人员参考。
在本实施例中，可以在得到待处理图像的二值化图像后，通过确定二值化图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤，从而去除示踪粒子所在的区域，避免示踪粒子对后续气泡轮廓识别的干扰，提高气泡形态确定的准确性。进一步，在识别过滤后的二值化图像中的初始气泡轮廓后，还可以对识别到的初始气泡轮廓进行多边形拟合，避免非均匀光照造成的轮廓缺失，提高了气泡形态的完整性，也进一步提高了气泡形态确定的准确性。
下面以实施例二对上述实施例一的步骤S101中对灰度图进行二值化处理，得到待处理图像的二值化图像的具体实施方式进行详细的阐述。
实施例二
图8是本申请一实施例提供的气泡形态处理方法的流程图，本申请实施例提供的气泡形态处理方法的执行主体可以是图形处理装置，也可以是集成有图形处理装置的计算机，本实施例以执行主体为集成有图形处理装置的计算机对该气泡形态处理方法进行说明。如图8所示，该气泡形态处理方法可以包括以下步骤：
S201：对灰度图进行中值滤波处理，以得到降噪图像。
在本实施例中，除中值滤波之外，还可以采用多种滤波结合的方式对灰度图进行处理，在此不做任何限制。
S202：利用自适应灰度值阈值算法计算降噪图像各区域的灰度值阈值。
在一个可能的实施方式中，上述步骤S202利用自适应灰度值阈值算法计算降噪图像各区域的灰度值阈值，可以包括：
S2021：利用预设大小的滑动窗口提取降噪图像中各像素点的灰度值。
S2022：按照由小到大的顺序对灰度值进行排序，以生成灰度值序列。
S2023：确定灰度值序列中位置比例为目标敏感度值的灰度值，将灰度值作为滑动窗口区域的灰度值阈值，敏感度值为气泡轮廓上像素点的数目占降噪图像中像素点总数目的百分比。
S2024：利用滑动窗口对降噪图像进行遍历，以计算降噪图像各区域的灰度值阈值。
在本实施方式中，利用滑动窗口对降噪图像进行遍历时，各滑动窗口之间不重复，以使每个滑动窗口中的像素点都对应唯一的灰度值阈值。
示例性的，图9为本申请一实施例的利用滑动窗口对降噪图像进行遍历的示意图。如图9所示，滑动窗口的大小为降噪图像面积的九分之一。首先滑动窗口提取编号为1的区域中各像素点的灰度值，并且按照由小到大的顺序对灰度值进行排序，以生成灰度值序列。若输入的目标敏感度值为40％，则编号为1的区域的灰度值阈值为灰度值序列中位置比例为40％的灰度值。之后滑动窗口滑动至编号为2的区域，继续计算编号为2的区域的灰度值阈值，直至遍历整个降噪图像，计算图像中编号为1-9的各区域的灰度值阈值。
在本实施方式中，降噪图像的灰度分布通常是不均匀的，以一个灰度值阈值表征整个降噪图像无疑是不准确的。因此可以利用一定大小的窗口对降噪图像进行遍历，分别计算降噪图像不同区域的灰度值阈值，使得灰度值阈值更加贴合降噪图像的实际灰度分布，准确性更高。每个窗口各自的灰度值阈值是基于目标敏感度值确定的，而敏感度值为气泡轮廓上像素点的数目占降噪图像中像素点总数目的百分比，因此利用敏感度值确定灰度值阈值可以进一步提高灰度值阈值的准确性。
在一个可能的实施方式中，上述步骤S2023中的目标敏感度值是利用下列方式获得的：
31：根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度值。
32：利用初始敏感度值确定滑动窗口区域的第一灰度值阈值。
33：判断第一灰度值阈值是否大于或等于第一预设阈值并且小于或等于第二预设阈值，第一预设阈值小于第二预设阈值。
34：若第一灰度值阈值小于第一预设阈值，则将最小敏感度值和最大敏感度值的均值作为新的最小敏感度值，重新执行根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度的步骤。
35：若第一灰度值阈值大于第二预设阈值，则将最小敏感度值和最大敏感度值的均值作为新的最大敏感度值，重新执行根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度的步骤。
36：若第一灰度值阈值大于或等于第一预设阈值并且小于或等于第二预设阈值，则根据最小敏感度值和最大敏感度值的均值确定目标敏感度值。
在本实施方式中，最小敏感度值和最大敏感度值本领域技术人员可以根据经验以及具体的图像灵活设置，在此不做任何限制。同样的，第一预设阈值和第二预设阈值本领域技术人员可以根据经验以及具体的图像灵活设置，在此不做任何限制。
在本实施方式中，若第一灰度值阈值小于第一预设阈值，说明第一灰度值阈值过低，此时示踪粒子造成的干扰较大，需要增大灰度值阈值以对示踪粒子进行过滤。可以将最小敏感度值和最大敏感度值的均值作为新的最小敏感度值，最大敏感度值不变，以新的敏感度范围再次迭代计算，直至得到目标敏感度值。
在本实施方式中，若第一灰度值阈值大于第二预设阈值，说明第一灰度值阈值过高，图像过滤强度过大导致气泡轮廓缺失，需要降低灰度值阈值以保留气泡的整体轮廓。可以将最小敏感度值和最大敏感度值的均值作为新的最大敏感度值，最小敏感度值不变，以新的敏感度范围再次迭代计算，直至得到目标敏感度值。
在本实施方式中，若第一灰度值阈值位于第一预设阈值与第二预设阈值之间，说明根据第一灰度值阈值可以较好地对图像进行过滤，该敏感度范围合适，因此可以将最小敏感度值和最大敏感度值的均值作为目标敏感度值。
在本实施方式中，在得到具体的降噪图像后，工作人员可以根据图像以及先验知识给出最小敏感度值和最大敏感度值，以及基于该敏感度范围的第一预设阈值和第二预设阈值。之后，可以根据最小敏感度值和最大敏感度值的均值作为敏感度值计算第一灰度值阈值，并且基于第一灰度值阈值与第一预设阈值和第二预设阈值之间的大小关系调整敏感度范围，如此迭代计算得到具体的目标敏感度值，使得最终得到的目标敏感度值更加准确，能够准确表征图像前景(图形轮廓)与背景的比例关系。
S203：利用下列公式对降噪图像进行二值化处理，得到待处理图像的二值化图像：
其中，I(x，y)表示降噪图像中横坐标为x，纵坐标为y的像素点的灰度值，Tx，y表示横坐标为x，纵坐标为y的像素点对应的灰度值阈值。
在本实施例中，通过中值滤波对灰度图进行处理，对灰度图进行降噪，以降低示踪粒子带来的干扰；利用自适应灰度值阈值算法计算降噪图像各区域的灰度值阈值，使得各区域的灰度值阈值更加贴合降噪图像的实际灰度分布，准确性更高；根据各区域的像素点的灰度值以及对应的灰度值阈值对降噪图像进行二值化处理，从而对降噪图像进行过滤。通过这样的设置，使得二值化图像可以最大限度的将气泡图性保留下来，并且尽可能的降低示踪粒子带来的干扰。
下面以一个具体的实施例对本申请的气泡形态处理方法进行阐述。
实施例三
在一个具体的实施例中，某研究所的研究员进行了一项涉及气液两相流的实验，实验过程中拍摄了气泡图像。该研究员需要计算该过程的气泡掺混效率，而计算时需要用到气泡形态参数。因此，该研究员首先需要确定该气泡图像中气泡的形态。图10为本申请一实施例的气泡形态处理示意图，如图10所示，具体的气泡形态处理过程如下：
第一步，将该气泡图像输入至集成有图形处理装置的计算机中，计算机对该气泡图像进行灰度处理，以得到该气泡图像的灰度图，即图10中(1)。
第二步，对灰度图进行中值滤波处理，以得到降噪图像，即图10中(2)。
第三步，利用自适应灰度值阈值算法计算降噪图像各区域的灰度值阈值，根据各区域的灰度值阈值对降噪图像进行二值化处理，得到待处理图像的二值化图像，即图10中(3)。
第五步，依次对二值化图像进行图像腐蚀和图像膨胀，以得到分割后的图像，即图10中(4)。
第六步，确定分割后的图像中的连通区域，根据各连通区域中像素点的数目对二值化图像进行过滤，以得到过滤后的二值化图像，即图10中(5)。
第七步，识别过滤后的二值化图像中的第一气泡轮廓，即图10中(6)。
第八步，对第一气泡轮廓进行图像膨胀，以生成图10中(7)。
第九步，对图10中(7)进行图像填充，以生成图10中(8)。
第十步，对图10中(8)进行图像腐蚀，以生成初始气泡轮廓，即图10中(9)。
第十一步，对初始气泡轮廓进行拟合，以生成目标气泡轮廓，即图10中(10)。
第十二步，根据目标气泡轮廓确定待处理图像中气泡的形态，即图10中(11)。
图11为本申请一实施例的气泡形态处理设备的结构示意图，如图11所示，该气泡形态处理设备包括：处理器101，以及与处理器101通信连接的存储器102；存储器102存储计算机执行指令；处理器101执行存储器102存储的计算机执行指令，实现上述各方法实施例中气泡形态处理方法的步骤。
该气泡形态处理设备可以是独立的，也可以是计算机的一部分，该处理器101和存储器102可以采用计算机现有的硬件。
在上述气泡形态处理设备中，存储器102和处理器101之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线连接。存储器102中存储有实现数据访问控制方法的计算机执行指令，包括至少一个可以软件或固件的形式存储于存储器102中的软件功能模块，处理器101通过运行存储在存储器102内的软件程序以及模块，从而执行各种功能应用以及数据处理。
存储器102可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称：EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，简称：EEPROM)等。其中，存储器102用于存储程序，处理器101在接收到执行指令后，执行程序。进一步地，上述存储器102内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。
处理器101可以是一种集成电路芯片，具有信号的处理能力。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(Network Processor，简称：NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请的一实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现本申请各方法实施例的步骤。
本申请的一实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本申请各方法实施例的步骤。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由所附的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种气泡形态处理方法，其特征在于，包括：
获取待处理图像的灰度图，对所述灰度图进行二值化处理，得到所述待处理图像的二值化图像；
确定所述二值化图像中的连通区域，根据各连通区域中像素点的数目对所述二值化图像进行过滤；
识别过滤后的二值化图像中的初始气泡轮廓；
对所述初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓；
根据所述目标气泡轮廓确定所述待处理图像中气泡的形态。
2.根据权利要求1所述的方法，其特征在于，所述确定所述二值化图像中的连通区域，根据各连通区域中像素点的数目对所述二值化图像进行过滤，具体包括：
依次对所述二值化图像进行图像腐蚀和图像膨胀，以得到分割后的图像；
确定所述分割后的图像中的连通区域；
判断每一所述连通区域中第一像素点的数目是否小于预设数目阈值；
当所述连通区域中第一像素点的数目小于预设数目阈值时，将所述连通区域中第一像素点的灰度值设置为0。
3.根据权利要求2所述的方法，其特征在于，所述对所述灰度图进行二值化处理，得到所述待处理图像的二值化图像，具体包括：
对所述灰度图进行中值滤波处理，以得到降噪图像；
利用自适应灰度值阈值算法计算所述降噪图像各区域的灰度值阈值；
利用下列公式对所述降噪图像进行二值化处理，得到所述待处理图像的二值化图像：
其中，所述I(x，y)表示所述降噪图像中横坐标为x，纵坐标为y的像素点的灰度值，所述Tx，y表示横坐标为x，纵坐标为y的像素点对应的灰度值阈值。
4.根据权利要求3所述的方法，其特征在于，所述利用自适应灰度值阈值算法计算所述降噪图像各区域的灰度值阈值，具体包括：
利用预设大小的滑动窗口提取所述降噪图像中各像素点的灰度值；
按照由小到大的顺序对所述灰度值进行排序，以生成灰度值序列；
确定所述灰度值序列中位置比例为目标敏感度值的灰度值，将所述灰度值作为所述滑动窗口区域的灰度值阈值，所述敏感度值为气泡轮廓上像素点的数目占所述降噪图像中像素点总数目的百分比；
利用所述滑动窗口对所述降噪图像进行遍历，以计算所述降噪图像各区域的灰度值阈值。
5.根据权利要求4所述的方法，其特征在于，所述目标敏感度值是利用下列方式获得的：
根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度值；
利用所述初始敏感度值确定所述滑动窗口区域的第一灰度值阈值；
判断所述第一灰度值阈值是否大于或等于第一预设阈值并且小于或等于第二预设阈值，所述第一预设阈值小于所述第二预设阈值；
若所述第一灰度值阈值小于所述第一预设阈值，则将所述最小敏感度值和最大敏感度值的均值作为新的最小敏感度值，重新执行所述根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度的步骤；
若所述第一灰度值阈值大于所述第二预设阈值，则将所述最小敏感度值和最大敏感度值的均值作为新的最大敏感度值，重新执行所述根据预设的最小敏感度值和最大敏感度值的均值确定初始敏感度的步骤；
若所述第一灰度值阈值大于或等于第一预设阈值并且小于或等于第二预设阈值，则根据所述最小敏感度值和最大敏感度值的均值确定所述目标敏感度值。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述对所述初始气泡轮廓进行多边形拟合，以生成目标气泡轮廓，具体包括：
生成所述初始气泡轮廓的二维坐标系；
确定所述初始气泡轮廓上的非0像素点中纵坐标最小的第二像素点，与除第二像素点之外的第三像素点；
分别生成所述第二像素点与各第三像素点之间的向量；
确定每一向量与所述二维坐标系的水平轴之间的夹角，并且按照所述夹角由小到大的顺序对所述第三像素点进行排序，以生成第三像素点序列；
以所述第二像素点为起点生成所述第二像素点与最小夹角对应的第三像素点之间的连接线，并且按照所述第三像素点序列依次生成相邻的第三像素点之间的连接线；
判断各连接线的走向是否为逆时针方向；
若否，则去除走向不是逆时针方向的连接线中排序在前的第三像素点，并且更新所述第三像素点序列，直至以所述第二像素点为终点逆时针生成闭合的多边形。
7.根据权利要求6所述的方法，其特征在于，所述识别过滤后的二值化图像中的初始气泡轮廓，具体包括：
利用高斯滤波对所述过滤后的二值化图像进行平滑，以生成第一图像；
计算所述第一图像中各像素点的梯度幅值以及梯度方向；
对所述梯度幅值进行非极大值抑制，确定各梯度方向的最大梯度幅值及其对应的第四像素点，删除各梯度方向除所述第四像素点之外的像素点；
确定所述第四像素点中梯度幅值大于第一梯度阈值的强边缘点，以及梯度幅值大于或等于第二梯度阈值并且小于或等于第一梯度阈值的弱边缘点，并且删除所述第四像素点中梯度幅值小于第二梯度阈值的像素点，所述第一梯度阈值大于所述第二梯度阈值；
判断所述弱边缘点是否与所述强边缘点连接，若是，则保留所述弱边缘点，若否，则删除所述弱边缘点，以生成第一气泡轮廓；
依次对所述第一气泡轮廓进行图像膨胀、图像填充以及图像腐蚀，以生成所述初始气泡轮廓。
8.一种气泡形态处理设备，包括处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至7中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210379602.7A CN115601385B (zh) | 2022-04-12 | 2022-04-12 | 气泡形态处理方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210379602.7A CN115601385B (zh) | 2022-04-12 | 2022-04-12 | 气泡形态处理方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115601385A true CN115601385A (zh) | 2023-01-13 |
| CN115601385B CN115601385B (zh) | 2023-05-05 |
Family
ID=84842081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210379602.7A Active CN115601385B (zh) | 2022-04-12 | 2022-04-12 | 气泡形态处理方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115601385B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
| CN117058335A (zh) * | 2023-07-21 | 2023-11-14 | 北京航空航天大学 | 气泡三维形态重构方法、装置、电子设备和存储介质 |
| CN117409007A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 一种电池加热膜贴合度的确定方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012198848A (ja) * | 2011-03-23 | 2012-10-18 | Burein:Kk | 物体識別装置 |
| CN107610111A (zh) * | 2017-09-12 | 2018-01-19 | 武汉大学 | 一种基于深度学习的焊点图像检测方法 |
| CN110097542A (zh) * | 2019-04-19 | 2019-08-06 | 中山大学 | 芯片气泡的检测方法、装置及存储介质 |
| CN110334706A (zh) * | 2017-06-30 | 2019-10-15 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
| CN110415257A (zh) * | 2019-07-23 | 2019-11-05 | 东南大学 | 一种气液两相流重叠气泡图像分割方法 |
| CN112750107A (zh) * | 2021-01-11 | 2021-05-04 | 齐鲁工业大学 | 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 |
| CN113160257A (zh) * | 2021-04-23 | 2021-07-23 | 深圳市优必选科技股份有限公司 | 图像数据标注方法、装置、电子设备及存储介质 |
| CN114170257A (zh) * | 2021-12-07 | 2022-03-11 | 深圳前海环融联易信息科技服务有限公司 | 一种拟合弯曲目标轮廓的、装置、计算机设备及存储介质 |
| CN114170261A (zh) * | 2021-10-27 | 2022-03-11 | 杭州爱科科技股份有限公司 | 图像轮廓生成方法、装置及电子设备 |
-
2022
- 2022-04-12 CN CN202210379602.7A patent/CN115601385B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012198848A (ja) * | 2011-03-23 | 2012-10-18 | Burein:Kk | 物体識別装置 |
| CN110334706A (zh) * | 2017-06-30 | 2019-10-15 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
| CN107610111A (zh) * | 2017-09-12 | 2018-01-19 | 武汉大学 | 一种基于深度学习的焊点图像检测方法 |
| CN110097542A (zh) * | 2019-04-19 | 2019-08-06 | 中山大学 | 芯片气泡的检测方法、装置及存储介质 |
| CN110415257A (zh) * | 2019-07-23 | 2019-11-05 | 东南大学 | 一种气液两相流重叠气泡图像分割方法 |
| CN112750107A (zh) * | 2021-01-11 | 2021-05-04 | 齐鲁工业大学 | 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 |
| CN113160257A (zh) * | 2021-04-23 | 2021-07-23 | 深圳市优必选科技股份有限公司 | 图像数据标注方法、装置、电子设备及存储介质 |
| CN114170261A (zh) * | 2021-10-27 | 2022-03-11 | 杭州爱科科技股份有限公司 | 图像轮廓生成方法、装置及电子设备 |
| CN114170257A (zh) * | 2021-12-07 | 2022-03-11 | 深圳前海环融联易信息科技服务有限公司 | 一种拟合弯曲目标轮廓的、装置、计算机设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116597392A (zh) * | 2023-07-19 | 2023-08-15 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
| CN116597392B (zh) * | 2023-07-19 | 2023-10-03 | 山东天力润滑油有限公司 | 基于机器视觉的液压油杂质识别方法 |
| CN117058335A (zh) * | 2023-07-21 | 2023-11-14 | 北京航空航天大学 | 气泡三维形态重构方法、装置、电子设备和存储介质 |
| CN117409007A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市什方智造科技有限公司 | 一种电池加热膜贴合度的确定方法、装置、设备及介质 |
| CN117409007B (zh) * | 2023-12-15 | 2024-04-12 | 深圳市什方智造科技有限公司 | 一种电池加热膜贴合度的确定方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115601385B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115601385B (zh) | 气泡形态处理方法、设备及介质 | |
| CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
| CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
| WO2023065792A1 (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| EP3176751A1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
| JP5852919B2 (ja) | ひび割れ検出方法 | |
| CN113592886B (zh) | 建筑图纸的审图方法、装置、电子设备及介质 | |
| CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
| WO2022099528A1 (zh) | 点云法向量计算方法、装置、计算机设备和存储介质 | |
| CN111833369A (zh) | 一种矾花图像处理方法、系统、介质及电子设备 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
| CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
| CN115439840A (zh) | 一种航空件槽区识别方法、装置、设备及介质 | |
| CN117037103A (zh) | 一种道路检测方法和装置 | |
| CN116128849A (zh) | 一种混凝土坝水下裂缝检测方法、装置、设备及存储介质 | |
| CN106934846B (zh) | 一种布料图像处理方法及系统 | |
| CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
| CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
| CN112614146B (zh) | 棋盘格标定角点的判别方法、装置及计算机可读存储介质 | |
| CN111639642B (zh) | 一种图像处理方法、设备及装置 | |
| CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
| CN113744200A (zh) | 一种摄像头脏污检测方法、装置及设备 |
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 |