CN115631208B - 基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法 - Google Patents

基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法 Download PDF

Info

Publication number
CN115631208B
CN115631208B CN202211252785.2A CN202211252785A CN115631208B CN 115631208 B CN115631208 B CN 115631208B CN 202211252785 A CN202211252785 A CN 202211252785A CN 115631208 B CN115631208 B CN 115631208B
Authority
CN
China
Prior art keywords
active contour
contour model
ground
aerial vehicle
unmanned aerial
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
Application number
CN202211252785.2A
Other languages
English (en)
Other versions
CN115631208A (zh
Inventor
郝明
林惠晶
高彦彦
王立艳
秦东富
孟庆俊
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.)
China University of Mining and Technology CUMT
Dalai Nur Coal Industry Co Ltd
Original Assignee
China University of Mining and Technology CUMT
Dalai Nur Coal Industry 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 China University of Mining and Technology CUMT, Dalai Nur Coal Industry Co Ltd filed Critical China University of Mining and Technology CUMT
Priority to CN202211252785.2A priority Critical patent/CN115631208B/zh
Publication of CN115631208A publication Critical patent/CN115631208A/zh
Application granted granted Critical
Publication of CN115631208B publication Critical patent/CN115631208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038Image mosaicing, e.g. composing plane images from plane sub-images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/80Geometric correction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法,首先,采用最大类间方差算法计算背景和地裂缝初值作为先验知识,在此基础上构建背景和地裂缝初值的提取能量函数,并引入到传统CV主动轮廓模型中得到改进主动轮廓模型,以增强地裂缝提取的针对性,最终通过轮廓的不断演化实现地裂缝的提取。与其它算法相比,本发明经验证可有效提高地裂缝提取的精度和稳定性,准确识别地表裂缝,及时采取修复措施,对于避免灾害发生、减少经济损失、保护生态环境等方面具有重要的现实意义。

Description

基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法
技术领域
本发明涉及遥感技术领域,尤其涉及一种基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法。
背景技术
矿区地裂缝的精准认识对防灾、减灾和生态环境修复具有重要意义。目前,针对大型地裂缝通常采用物探技术进行人工探测,但费时费力、成本高,并且无法大范围监测细小裂缝。
随着无人机(UAV)技术的发展,无人机数据具有获取方便、成本低、精度高等优势,其分辨率可以达到厘米级,利用无人机影像可以实现地表裂缝的精细探测。无人机影像具有超高分辨率、地物细节丰富的特性,但用于矿区地裂缝提取时,容易受矿区地物复杂因素影响,导致地裂缝提取结果存在噪声较多的问题,Canny边缘检测算法虽然易提取边缘特征明显的地物,但无法区分非地裂缝信息;支持向量机(SVM)算法和最大似然(MLM)算法虽能完整提取地裂缝,但噪声较多,无法满足精度要求;基于深度学习模型对无人机影像进行地裂缝提取效果较好,但需要大量不同类型的地裂缝样本数据。
发明内容
本发明的目的在于提出基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法,与其它算法相比,其可以有效增强矿区地裂缝提取的准确度,地裂缝提取效果好。
为解决上述技术问题,本发明提出的基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法包括如下步骤:
步骤S1:获取无人机影像并进行预处理;
步骤S2:采用最大类间方差算法自动计算无人机影像的最佳高、低阈值,分别作为背景初值和地裂缝初值;
步骤S3:将背景初值和地裂缝初值作为先验知识引入到改进主动轮廓模型,进而提取矿区地裂缝。
进一步地,在步骤S1中,所述预处理包括辐射校正、几何校正、配准、拼接、裁剪。
进一步地,在步骤S2中,最佳高阈值为最佳低阈值的两倍。
进一步地,在步骤S2中,采用最大类间方差算法计算无人机影像的背景和地裂缝最佳阈值的方法为:假设一幅灰度图像I的大小为M×N,背景和目标的分割阈值为T,图像I中像素灰度值小于阈值T的目标像素个数为N0,平均灰度为μ0;图像I中像素灰度值大于阈值T的背景像素个数为N1,平均灰度为μ1,则目标像素和背景像素点数占整幅图像的比例分别为ω0和ω1,其计算公式如下:
ω0=N0/M×N (式1)
ω1=N1/M×N (式2)
图像的总平均灰度μ的计算公式如下:
μ=ω0011 (式3)
则类间方差g的计算公式如下:
g=ω00-μ)∧2+ω11-μ)∧2 (式4)
将(式3)代入(式4),得到等价公式(式5):
g=ω0ω10-μ)∧2 (式5)
进一步地,在步骤S3中,所述改进主动轮廓模型是通过对传统CV主动轮廓模型进行改进,通过最大类间方差算法计算背景区和裂缝区的初值,并将这两部分的区分能量引入到传统CV主动轮廓模型中,其中,传统CV主动轮廓模型如(式6)所示,
E(C)=μLength(C)+vArea(In(C))+λ1in(C)|I(x,y)-c1|2dxdy+λ2out(C)|I(x,y)-c2|2dxdy (式6)
改进主动轮廓模型如(式7)所示:
Figure BDA0003888500010000021
式中,Length(C)表示曲线C的长度,μ表示长度参数,Area(In(C))表示曲线C内部的面积,v表示面积参数,I(x,y)表示图像中任意像素的灰度,c1表示曲线C内部的平均灰度,c2表示曲线C外部的平均灰度,c3表示背景区的平均灰度,c4表示裂缝区的平均灰度;λ1和λ2是常数,λ1>0,λ2>0。
进一步地,采用水平集算法求解改进主动轮廓模型,用水平集函数
Figure BDA0003888500010000035
代替(式7)中的曲线C,则被重写为:
Figure BDA0003888500010000031
Figure BDA0003888500010000032
式中,Ω表示整个图像,
Figure BDA0003888500010000033
和/>
Figure BDA0003888500010000034
分别表示规整化的Heaviside函数和Dirac函数,ε表示一个很小的正整数。
本发明的有益效果是:
(1)将最大类间方差算法计算的初值引入到传统CV主动轮廓模型中,可有效消除噪声,排除枯草、陷坑和管道等因素的干扰,使主动轮廓模型更好地应用于地裂缝提取领域;
(2)在地物类型较为单一的小范围内探测地裂缝时,改进主动轮廓模型方法提取相对于其它提取方法精度更高,其Kappa系数最高,漏检率、误检率和总错误率均较低;
(3)在地物类型相对复杂的大范围区域探测地裂缝时,传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型方法存在较多的漏提和误提,Kappa系数较低,总错误率较高,而改进主动轮廓方法依然可以取得较好的效果,其Kappa系数达到0.9左右;
(4)本发明应用范围广泛,不仅可对矿区的地裂缝进行提取,还可应用于道路、桥梁、建筑物等裂缝检测中。
附图说明
图1是本发明无人机影像矿区地裂缝提取的方法流程图;
图2是无人机拍摄的实验区域图;
图3是地裂缝提取结果比较图:图3(a)是采用改进主动轮廓模型提取的结果图;图3(b)是Canny算法提取的结果图;(c)是采用SVM算法提取的结果图;(d)是采用MLM算法提取的结果图;(e)是采用传统CV主动轮廓模型算法提取的结果图;
图4是精度评价实验区域图:图4(a)是实验区域1;图4(b)是实验区域2;
图5是实验区域1地裂缝提取结果图:图5(a)是参考地裂缝;图5(b)是采用改进主动轮廓模型提取的结果图;图5(c)是采用Canny算法提取的结果图;
图5(d)是采用SVM算法提取的结果图;图5(e)是采用MLM算法提取的结果图;
图5(f)是采用传统CV主动轮廓模型提取的结果图;
图6是实验区域2地裂缝提取结果图:图6(a)是参考地裂缝;图6(b)是采用改进主动轮廓模型提取的结果图;图6(c)是采用Canny算法提取的结果图;
图6(d)是采用SVM算法提取的结果图;图6(e)是采用MLM算法提取的结果图;
图6(f)是采用传统CV主动轮廓模型提取的结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
图1为无人机影像矿区地裂缝提取的方法流程图,首先,采用最大类间方差(Otsu)算法计算背景和地裂缝初值作为先验知识,在此基础上构建背景和地裂缝初值的提取能量函数,并引入到传统CV(Chan-Vese)主动轮廓模型,增强地裂缝提取的针对性,最终通过轮廓的不断演化实现地裂缝的提取。基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法的具体步骤如下:步骤S1:获取无人机影像并进行预处理,预处理包括辐射校正、几何校正、配准、拼接、裁剪等。步骤S2:采用最大类间方差算法自动计算无人机影像的最佳高、低阈值,分别作为背景初值和地裂缝初值,本实施例中选取最佳高阈值为最佳低阈值的两倍。步骤3:将背景初值和地裂缝初值作为先验知识引入到改进主动轮廓模型,进而提取矿区地裂缝。采用最大类间方差算法计算无人机影像的背景和地裂缝最佳阈值的具体方法为:假设一幅灰度图像I的大小为M×N,背景和目标的分割阈值为T,图像I中像素灰度值小于阈值T的目标像素个数为N0,平均灰度为μ0;图像I中像素灰度值大于阈值T的背景像素个数为N1,平均灰度为μ1,则目标像素和背景像素点数占整幅图像的比例分别为ω0和ω1,其计算公式如下:
ω0=N0/M×N (式1)
ω1=N1/M×N (式2)
图像的总平均灰度μ的计算公式如下:
==ω0011 (式3)
则类间方差g的计算公式如下:
g=ω00-μ)∧2+ω11-μ)∧2 (式4)
将(式3)代入(式4),得到等价公式(式5):
g=ω0ω10-μ)∧2 (式5)
本发明采取遍历的方法得到类间方差最大时的阈值T,即为所求高阈值(背景区),然后按照二倍关系计算低阈值(裂缝区),将其作为初值添加到主动轮廓模型中,通过连续迭代的方式提取地裂缝。
改进主动轮廓模型是通过对传统CV主动轮廓模型进行改进,通过最大类间方差算法计算背景区和裂缝区的初值,并将这两部分的区分能量引入到传统CV主动轮廓模型中,其中,传统CV主动轮廓模型为:
E(C)=μLength(C)+vArea(In(C))+λ1in(C)|I(x,y)-c1|2dxdy+λ2out(C)|I(x,y)-c2|2dxdy (式6)
改进主动轮廓模型为:
Figure BDA0003888500010000051
式中,Length(C)表示曲线C的长度,μ表示长度参数,Area(In(C))表示曲线C内部的面积,v表示面积参数,I(x,y)表示图像中任意像素的灰度,c1表示曲线C内部的平均灰度,c2表示曲线C外部的平均灰度,c3表示背景区的平均灰度,c4表示裂缝区的平均灰度;λ1和λ2是常数,λ1>0,λ2>0。
采用水平集算法求解改进主动轮廓模型,用水平集函数
Figure BDA0003888500010000065
代替(式7)中的曲线C,则被重写为:
Figure BDA0003888500010000061
Figure BDA0003888500010000062
式中,Ω表示整个图像,
Figure BDA0003888500010000063
和/>
Figure BDA0003888500010000064
分别表示规整化的Heaviside函数和Dirac函数,ε表示一个很小的正整数。
本发明可根据实际需求生成不同分辨率的裂缝提取影像。通过主动轮廓模型不断迭代提取地裂缝,其迭代终止条件包括两个方面:一是根据不同的图像和研究目的,手动将迭代次数设置为不同的迭代次数;另一个是当水平集函数收敛时迭代停止。本发明将最大迭代次数设置为500次,算法不断迭代直到水平集函数收敛。改进后的主动轮廓模型可以在没有明确边界的情况下提取地裂缝,并自动改变拓扑结构,并且可以在没有初始轮廓的情况下实现更好的分割。
本发明选取的实例研究区域位于中国内蒙古自治区扎满洲里市赉诺尔矿区,数据源为2021年5月16日利用大疆精灵4RTK无人机所采集的数据,相机的分辨率为4864×3648,视场角为84°。然后采用PIX4D mapper 4.5.2版本的无人机数据处理软件对采集的多幅单张可见光影像进行拼接处理,得到实验区域为空间分辨率2.9cm的可见光正射影像以及用于精度评价的两个实验区域,如图2所示。实验区域主要为塌陷型和拉伸型地裂缝,塌陷型地裂缝宽度和落差较大,拉伸型地裂缝宽度和长度较小。从无人机影像上看,地裂缝呈暗黑色,内部色调差异小,一般成线状。实验区域经计算可得最佳阈值背景值为146,则地裂缝阈值设置为73。
采用改进主动轮廓模型方法和传统的Canny边缘检测算法、SVM算法、MLM、传统CV主动轮廓模型五种算法提取地裂缝的结果,如图3所示,图中的A、B、C、D、E区域为几个典型地物,这几个典型地物容易被错误提取为地裂缝,A区域中的为白色管道,B区域中的为枯草,C区域中为陷坑,D区域中的为黑色管道,传统的Canny边缘检测算法只对边缘信息比较敏感,提取的地裂缝不完整,存在大量的漏提和误提,比如图3(b)A区域中的白色管道被错误识别为地裂缝,效果较差。SVM、MLM和传统CV主动轮廓模型三种方法都可以提取较为明显的地裂缝,但与改进主动轮廓模型方法提取结果相比,SVM和MLM两种方法存在许多错误提取,比如图3(c)、图3(d)中的B和C区域,将部分枯草和陷坑识别为了地裂缝,MLM方法更为明显,对于图3中的黑色管道D区域,MLM方法同样错误提取为地裂缝,SVM方法也提取了部分管道,而改进主动轮廓模型方法并没有错误提取。传统CV主动轮廓模型提取的结果中除了B、C、D三个区域的错误提取外,区域内的枯草几乎被提取为地裂缝,效果最差。而本发明所提出的改进主动轮廓模型方法通过引入最大类间方差(Otsu)算法计算的区分能量初值,大量减少了错误提取,可以很好地应用到地裂缝提取的领域中。
如图4所示,选取实验区域1和实验区域2进行实验结果的定量评价。实验区域1的范围较小、地物类型单一,只包含裸地和少量地裂缝。实验区域2的范围相对较大,地物类型稍复杂,包含裸地、地裂缝、部分枯草和陷坑。采用目视解译的方法绘制两个实验区域的参考地裂缝,然后分别采用改进主动轮廓模型、传统的Canny边缘检测算法、SVM、MLM和传统CV主动轮廓模型五种方法提取两个区域的地裂缝,实验区域1和实验区域2的提取结果分别如图5和图6所示。由于实验区域1范围较小、地物类型单一,总体来看这三种方法提取的结果和参考地裂缝的结果较为相似,所有地裂缝均能够被检测出来,只是存在不同程度的误提。而针对地物类型相对复杂的实验区域2来说,较为明显的大地裂缝均被三种方法成功提取,但区域内的枯草和陷坑也不同程度的被错误提取为地裂缝。与SVM和MLM两种方法相比,改进的主动轮廓模型方法提取的地裂缝结果与参考地裂缝结果更为接近,错误的噪声点相对较少。
传统的Canny边缘检测算法和传统CV主动轮廓模型方法提取地裂缝的效果较差,在进行精度评价过程中将不再考虑,只比较改进主动轮廓模型、SVM和MLM三种方法提取地裂缝的精度大小。为定量评价三种算法的精度大小,利用Kappa系数、漏检率(PMA)、误检率(PFA)和总错误率(PTE)四个指标来评价两个实验区域提取的地裂缝结果,分别如表1和表2所示。在地物类型较为单一的小范围探测地裂缝时,改进主动轮廓方法和传统方法均可以取得较好的效果,但改进主动轮廓模型方法提取精度更高。在地物类型相对复杂的大范围区域探测地裂缝时,本文提出的改进主动轮廓方法与传统方法相比可以取得更好的效果,Kappa系数任能达到0.9左右。
表1实验区域1精度评价结果
Figure BDA0003888500010000081
表2实验区域2精度评价结果
Figure BDA0003888500010000082
当然,基于本发明的无人机影像裂缝提取方法,不仅适用于矿区地裂缝的提取,也可以适应于其它工业场合的无人机影像裂缝提取,如道路、桥梁、建筑物等。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于此,在所属技术领域的技术人员所具备的知识范围内,在不脱离本发明宗旨的前提下可以作出的各种变化,都处于本发明权利要求的保护范围之内。

Claims (5)

1.一种基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法,其特征在于,包括如下步骤:
步骤S1:获取无人机影像并进行预处理;
步骤S2:采用最大类间方差算法自动计算无人机影像的最佳高、低阈值,分别作为背景初值和地裂缝初值;
步骤3:将背景初值和地裂缝初值作为先验知识引入到改进主动轮廓模型,进而提取矿区地裂缝;所述改进主动轮廓模型是通过对传统CV主动轮廓模型进行改进,通过最大类间方差算法计算背景区和裂缝区的初值,并将这两部分的区分能量引入到传统CV主动轮廓模型中,其中,传统CV主动轮廓模型如式6所示,
E(C)=μLength(C)+vArea(In(C))+λ1in(C)|I(x,y)-c1|2dxdy+λ2out(C)|I(x,y)-c2|2dxdy (式6)
改进主动轮廓模型如式7所示:
Figure QLYQS_1
式中,Length(C)表示曲线C的长度,μ表示长度参数,Area(In(C))表示曲线C内部的面积,v表示面积参数,I(x,y)表示图像中任意像素的灰度,c1表示曲线C内部的平均灰度,c2表示曲线C外部的平均灰度,c3表示背景区的平均灰度,c4表示裂缝区的平均灰度;λ1和λ2是常数,λ1>0,λ2>0。
2.根据权利要求1所述的基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法,其特征在于,在步骤S1中,所述预处理包括辐射校正、几何校正、配准、拼接、裁剪。
3.根据权利要求1所述的基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法,其特征在于,在步骤S2中,最佳高阈值为最佳低阈值的两倍。
4.根据权利要求1所述的基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法,其特征在于,在步骤S2中,采用最大类间方差算法计算无人机影像的背景和地裂缝最佳阈值的方法为:假设一幅灰度图像I的大小为M×N,背景和目标的分割阈值为T,图像I中像素灰度值小于阈值T的目标像素个数为N0,平均灰度为μ0;图像I中像素灰度值大于阈值T的背景像素个数为N1,平均灰度为μ1,则目标像素和背景像素点数占整幅图像的比例分别为ω0和ω1,其计算公式如下:
ω0=N0/(M×N) (式1)
ω1=N1/(M×N) (式2)
图像的总平均灰度μ的计算公式如下:
μ=ω0011 (式3)
则类间方差g的计算公式如下:
g=ω00-μ)∧2+ω11-μ)∧2 (式4)
将式3代入式4,得到等价公式5:
g=ω0ω10-μ)∧2 (式5)。
5.根据权利要求1所述的基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法,其特征在于,采用水平集算法求解改进主动轮廓模型,用水平集函数
Figure QLYQS_2
代替式7中的曲线C,则被重写为:
Figure QLYQS_3
Figure QLYQS_4
和/>
Figure QLYQS_5
经过光滑化后得到/>
Figure QLYQS_6
和/>
Figure QLYQS_7
Figure QLYQS_8
式中,Ω表示整个图像,
Figure QLYQS_9
和/>
Figure QLYQS_10
分别表示规整化的Heaviside函数和Dirac函数,ε表示一个正整数。
CN202211252785.2A 2022-10-13 2022-10-13 基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法 Active CN115631208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211252785.2A CN115631208B (zh) 2022-10-13 2022-10-13 基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211252785.2A CN115631208B (zh) 2022-10-13 2022-10-13 基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法

Publications (2)

Publication Number Publication Date
CN115631208A CN115631208A (zh) 2023-01-20
CN115631208B true CN115631208B (zh) 2023-06-16

Family

ID=84904074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211252785.2A Active CN115631208B (zh) 2022-10-13 2022-10-13 基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法

Country Status (1)

Country Link
CN (1) CN115631208B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093473A (zh) * 2013-01-25 2013-05-08 北京理工大学 一种基于水平集的多目标图像分割方法
CN105243666A (zh) * 2015-10-09 2016-01-13 南宁博创信息技术开发有限公司 基于Hough变换与几何主动轮廓的医学MR图像分割方法
US10115197B1 (en) * 2017-06-06 2018-10-30 Imam Abdulrahman Bin Faisal University Apparatus and method for lesions segmentation

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018118914A2 (en) * 2016-12-20 2018-06-28 Kodak Alaris Inc. An iterative method for salient foreground detection and multi-object segmentation
FR3073068B1 (fr) * 2017-10-27 2021-01-08 Safran Electronics & Defense Procede de restauration d'images
CN109559328B (zh) * 2018-11-13 2022-08-26 河海大学 一种基于贝叶斯估计与水平集的快速图像分割方法及装置
CN111028254B (zh) * 2019-12-09 2023-03-24 上海交通大学医学院附属上海儿童医学中心 一种基于心脏电影磁共振图像的左心肌分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093473A (zh) * 2013-01-25 2013-05-08 北京理工大学 一种基于水平集的多目标图像分割方法
CN105243666A (zh) * 2015-10-09 2016-01-13 南宁博创信息技术开发有限公司 基于Hough变换与几何主动轮廓的医学MR图像分割方法
US10115197B1 (en) * 2017-06-06 2018-10-30 Imam Abdulrahman Bin Faisal University Apparatus and method for lesions segmentation

Also Published As

Publication number Publication date
CN115631208A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
Li et al. Extracting man-made objects from high spatial resolution remote sensing images via fast level set evolutions
CN107610164B (zh) 一种基于多特征混合的高分四号影像配准方法
Xu et al. Automatic soil crack recognition under uneven illumination condition with the application of artificial intelligence
CN112200143A (zh) 一种基于候选区域网络和机器视觉的道路病害检测方法
CN109540925B (zh) 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法
CN112308872B (zh) 基于多尺度Gabor一阶导数的图像边缘检测方法
CN110176005B (zh) 基于归一化指数和多尺度模型的遥感图像分割方法
CN113313107B (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
Sovetkin et al. Automatic processing and solar cell detection in photovoltaic electroluminescence images
Wang et al. Noise-robust line detection using normalized and adaptive second-order anisotropic Gaussian kernels
CN112288726B (zh) 一种井下带式输送机带面异物检测方法
Wang et al. Rock fracture centerline extraction based on Hessian matrix and Steger algorithm
Dillabaugh et al. Semi-automated extraction of rivers from digital imagery
CN111754538A (zh) Usb表面缺陷检测的阈值分割方法
Mu et al. McGET: A rapid image-based method to determine the morphological characteristics of gravels on the Gobi desert surface
CN112652020A (zh) 一种基于AdaLAM算法的视觉SLAM方法
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
CN105913425A (zh) 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法
Liu et al. Building extraction from high resolution satellite imagery based on multi-scale image segmentation and model matching
CN115631208B (zh) 基于改进主动轮廓模型的无人机影像矿区地裂缝提取方法
Tang et al. Real-time crop row image reconstruction for automatic emerged corn plant spacing measurement
Sidike et al. Automatic building change detection through adaptive local textural features and sequential background removal
CN108491826B (zh) 一种遥感影像建筑物的自动提取方法
Yu et al. A novel algorithm in buildings/shadow detection based on Harris detector

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