CN115760883A - 基于随机森林算法的颗粒材料ct图像分割方法及装置 - Google Patents
基于随机森林算法的颗粒材料ct图像分割方法及装置 Download PDFInfo
- Publication number
- CN115760883A CN115760883A CN202211651042.2A CN202211651042A CN115760883A CN 115760883 A CN115760883 A CN 115760883A CN 202211651042 A CN202211651042 A CN 202211651042A CN 115760883 A CN115760883 A CN 115760883A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- images
- random forest
- gini coefficient
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于随机森林算法的颗粒材料CT图像分割方法及装置。方法如下:S1:输入颗粒材料CT图像,设置待使用的图像特征;S2:通过Gini系数评估待使用的图像特征的重要性,挑选出重要性高的图像特征;S3:基于选定的图像特征采用随机森林机器学习方法训练颗粒材料CT图像的像素分类模型;S4:对所有CT图像应用训练好的像素分类模型,完成颗粒材料的三维分割。本发明通过Gini系数对每个图像特征的重要性进行评估,筛选出对模型训练起关键作用的少量特征,有效提升了训练效率;在模型训练过程中手动标记颗粒和颗粒之间的孔隙,提升了模型的鲁棒性和分类效果。该方法能够对形态不规则和组成成分复杂的颗粒的CT图像进行精确、高效的分割。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于随机森林算法的颗粒材料CT图像分割方法及装置。
背景技术
颗粒材料作为一种在自然界与工业界广泛存在的物质,其物理性质一直受到研究人员的广泛关注。随机排布的内部颗粒导致颗粒材料存在结构非均匀性和动力学非均匀性,难以采用常规力学、数学分析方法进行研究。数值模拟能够在一定程度上探究颗粒材料的宏细观力学性质,但由于计算公式多为理论公式,与实际情况存在差异,因此需要借助物理实验对研究结果加以验证并进一步补充发展。
随着科技的进步,X射线电子计算机断层扫描技术(X-ray CT)逐步成熟,并被用于研究颗粒材料的内部结构。现阶段,获得颗粒材料的高分辨率CT图像方便快捷,但使用的图像处理技术依旧是传统方法,这类方法大多基于像素值进行图像处理,仅能够对均匀材质的颗粒材料进行分割,且处理不规则形状颗粒时容易出现过分割和欠分割,分离单颗粒形貌的正确率低,严重限制了能够研究的颗粒材料种类。因此,开发一种基于随机森林算法的颗粒材料CT图像分割方法及装置,实现对形态不规则且组成成分复杂的颗粒的准确分割,成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题,本发明提供了一种基于随机森林算法的颗粒材料CT图像分割方法及装置,用于形态不规则和组成成分复杂的颗粒的分割。
为实现上述目的,本发明提供的技术方案如下:
第一方面,本发明提供一种基于随机森林算法的颗粒材料CT图像分割方法,步骤如下:
S1:输入颗粒材料CT图像,设置待使用的图像特征;
S2:通过Gini系数评估待使用的图像特征的重要性,挑选出重要性高的图像特征;
S3:基于S2选定的图像特征采用随机森林机器学习方法训练颗粒材料CT图像的像素分类模型,以使其具备对颗粒和颗粒间的孔隙进行分类的能力;
S4:对所有CT图像应用训练好的像素分类模型,确保颗粒形态正确且颗粒之间相互独立,完成颗粒材料的三维分割。
进一步,所述颗粒材料为自然界存在的或人工制造的离散的固体物质的集合体。
进一步,所述颗粒材料CT图像为通过X射线电子计算机断层扫描技术对颗粒材料进行扫描后获得的一系列二维图像。
进一步,所述步骤S1中,待使用的图像特征种类包括高斯平滑、高斯拉普拉斯算子、高斯差分、Hessian矩阵特征值、张量特征值。
更进一步,所述步骤S1中,各图像特征具体如下:
高斯平滑:执行二维卷积操作,用于模糊图像以消除噪声,卷积核公式为:
其中,(x,y)为图像中像素的位置,σ为需要设置的标准差参数;
高斯拉普拉斯算子:使用高斯拉普拉斯算子过滤图像,卷积核的公式为:
其中,(x,y)为图像中像素的位置,σ为需要设置的标准差参数;
高斯差分:对两张高斯滤波后的图像相减得到高斯差分图像,公式为:
其中,(x,y)为图像中像素的位置,σ1和σ2为两个不同的标准差参数;
Hessian矩阵特征值:通过高斯二阶导数对图像进行滤波后对每个像素点构建Hessian矩阵,求解特征值后形成特征图像;
Hessian矩阵计算式:
其中,I(x,y)为图像(x,y)位置的像素值,*为卷积符号;
张量特征值:将图像中局部信息突出的部分和局部信息弱的部分进行区分,计算式为:
再进一步,不同的图像特征通过图像特征的类别和不同的σ值进行区别,如σ=0.3的高斯平滑与σ=1的高斯平滑为两个图像特征。
进一步,所述步骤S2中,Gini系数的评估基于随机森林机器学习方法的结构,随机森林机器学习方法包括多个决策树,每个决策树内包括多个节点,通过计算Gini系数在每个节点前后的下降程度评估图像特征的重要性,具体步骤为:
S2.1:从输入的CT图像中随机选择少量图像,在其中随机手动标记少量颗粒和孔隙像素;
S2.2:计算Gini系数的下降程度:对于一个图像特征,首先计算该特征在一个节点上的Gini系数,之后计算该节点与子节点之间的Gini系数差值,最后将所有决策树内的Gini系数差值进行汇总,汇总结果代表该图像特征的重要性;
计算公式为:
式中,Q为第d棵树内包含图像特征x的所有节点,D为决策树数量,X为图像特征的总数目;
S2.3:对所有图像特征的重要性由高到低进行排序,挑选出重要程度高的少量图像特征。
进一步,所述步骤S3中,使用随机森林机器学习方法训练像素分类模型的具体步骤为:
S3.1:从输入的CT图像中随机选择少量图像,在其中随机手动标记少量颗粒和孔隙像素,带有标记的像素将用于训练像素分类器;
S3.2:根据S2挑选出的图像特征,对带有标记的图像生成对应的特征图像,组成像素矩阵输入随机森林算法;
S3.3:随机森林算法将像素矩阵随机切分为与决策树数目相同的多个子矩阵,每个决策树使用CART方法对一个子矩阵进行颗粒像素和孔隙像素的划分,划分完成后汇总所有决策树的分类结果,以多数投票确定像素的最终类别;
S3.4:评估模型的袋外错误率,当小于设定的阈值时完成模型训练。
袋外错误率:决策树并没有使用子矩阵内的所有像素,没有使用的像素称为袋外数据,当决策树模型完成后,再对袋外数据进行分类,划分错误的个数占总袋外数据的个数称为袋外错误率。
进一步,所述步骤S3.3中,CART方法的步骤如下:在所有图像特征以及所有可能的阈值中选择Gini系数最小的图像特征及其对应阈值作为最优特征和最优阈值;以最优特征和最优阈值为节点对像素数据进行分类,依次类推直至使用所有图像特征创建出多个分类节点,决策树的构造完成;阈值指1至254中的某个整数,通过遍历1至254计算Gini系数挑选出阈值。
第二方面,本发明提供第一方面所述方法的应用装置,包括:输入模块,用于导入所有通过CT扫描获得的二维图像,预选图像特征,手动标记颗粒和孔隙像素;核心处理模块,用于确定最终使用的图像特征,完成像素分类器的训练;应用模块,对所有二维图像应用训练好的像素分类器,并组成三维图像。
本发明的有益效果如下:
(1)本发明提供的基于随机森林算法的颗粒材料CT图像分割方法及装置,充分利用了图像中的像素信息,训练像素分类器的过程高效,同时具备对错误分割区域进行修正的能力,摆脱了传统颗粒图像分割方法限制多、错误率高的缺陷,能够对形状不规则和组成成分复杂的颗粒准确分割,具备效率高、精度高、适用性强的特点。
(2)本发明在模型训练过程中手动标记颗粒和颗粒之间的孔隙,从像素值大小和颗粒轮廓两个方面识别颗粒,提升了模型的鲁棒性和分类效果。该方法能够对形态不规则和组成成分复杂的颗粒的CT图像进行精确、高效的分割。
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做一简单的介绍,显而易见地,下面描述中的附图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为本发明实施例提供的基于随机森林算法的颗粒材料CT图像分割方法流程图;
图2为本发明实施例提供的输入的1张河砂颗粒材料CT图像;
图3为本发明实施例提供的颗粒和孔隙手动标记示意图;
图4为本发明实时例提供的特征图像示意图;
图5为本发明实施例提供的输入随机森林算法的像素矩阵示意图;
图6为本发明实施例提供的河砂颗粒材料CT图像的二维分割结果;
图7为本发明实施例提供的河沙颗粒材料CT图像的三维分割结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图与实施例,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,这种结合不受步骤先后次序和/或结构组成模式的约束,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供了一种基于随机森林算法的颗粒材料CT图像分割方法,参见图1,该方法包括:
S1:输入颗粒材料CT图像,设置待使用的图像特征;
S2:通过Gini系数评估待使用的图像特征的重要性,挑选出重要性高的图像特征;
S3:基于选定的图像特征采用随机森林机器学习方法训练颗粒图像的像素分类模型,具备对颗粒和颗粒间的孔隙进行分类的能力;
S4:对所有图像应用训练好的像素分类模型,确保颗粒形态正确且颗粒之间相互独立,完成颗粒材料的三维分割。
实施例1
使用本发明提供的基于随机森林算法的颗粒材料CT图像分割方法对河砂的CT图像进行分割,具体步骤如下:
S1:输入颗粒材料CT图像,设置待使用的图像特征。图像特征种类包括高斯平滑、高斯拉普拉斯算子、高斯差分、Hessian矩阵特征值、张量特征值。
各图像特征具体如下:
高斯平滑:执行二维卷积操作,用于模糊图像以消除噪声,卷积核公式为:
其中,(x,y)为图像中像素的位置,σ为需要设置的标准差参数;
高斯拉普拉斯算子:使用高斯拉普拉斯算子过滤图像,卷积核的公式为:
其中,(x,y)为图像中像素的位置,σ为需要设置的标准差参数;
高斯差分:对两张高斯滤波后的图像相减得到高斯差分图像,公式为:
其中,(x,y)为图像中像素的位置,σ1和σ2为两个不同的标准差参数;
Hessian矩阵特征值:通过高斯二阶导数对图像进行滤波后对每个像素点构建Hessian矩阵,求解特征值后形成特征图像;
Hessian矩阵计算式:
其中,I(x,y)为图像(x,y)位置的像素值,*为卷积符号;
张量特征值:将图像中局部信息突出的部分和局部信息弱的部分进行区分,计算式为:
具体地,选择1000张河砂CT图像作为输入图像,尺寸统一为899×1003,图2展示了该实施例中使用的其中1张图像;待使用的图像特征如表1所示,共使用5种图像特征,每种设置6个σ,即共使用30个图像特征。
表1
图像特征种类 | 参数σ |
高斯平滑 | 0.7,1.0,1.5,3.5,5.0,10.0 |
高斯拉普拉斯算子 | 0.7,1.0,1.5,3.5,5.0,10.0 |
高斯差分 | σ<sub>1</sub>:0.7,1.0,1.5,3.5,5.0,10.0;σ<sub>2</sub>:0.3 |
Hessian矩阵特征值 | 0.7,1.0,1.5,3.5,5.0,10.0 |
张量特征值 | 0.7,1.0,1.5,3.5,5.0,10.0 |
S2:通过Gini系数评估待使用的图像特征的重要性,挑选出重要性高的图像特征,具体步骤为:
S2.1:从输入的CT图像中随机选择少量图像,在其中随机手动标记少量颗粒和孔隙像素;具体地,从1000张图像中随机选择2张标记颗粒和孔隙像素,标记如图3所示。
S2.2:计算Gini系数的下降程度。
Gini系数的计算基于随机森林算法的结构,随机森林算法包括多个决策树,每个决策树内包括多个节点。对于一个图像特征,首先计算该特征在一个节点上的Gini系数,之后计算该节点与子节点之间的Gini系数差值,最后将所有决策树内的Gini系数差值进行汇总,汇总结果代表该图像特征的重要性。计算公式为:
式中,Q为第d棵树内包含图像特征x的所有节点,D为决策树数量,X为图像特征的总数目。
S2.3:对所有图像特征的重要性由高到低进行排序,挑选出重要程度高的少量图像特征。
S2.4:对步骤S2.1至S2.3重复多次,挑选出共同的高重要性的图像特征。
具体地,完成2次S2.1至S2.3,每次图像特征的重要性排名如表2所示(仅展示最重要的前10个),挑选出的共同的高重要性图像特征可以为高斯平滑σ=1.5、高斯平滑σ=1.0、高斯平滑σ=0.7、结构张量σ=0.7和高斯差分σ1=3.5,共计5个。
表2
S3:基于选定的图像特征采用随机森林方法训练颗粒图像的像素分类模型,使其具备对颗粒和颗粒间的孔隙进行分类的能力,具体步骤为:
S3.1:从输入的CT图像中随机选择少量图像,在其中随机手动标记少量颗粒和孔隙像素,带有标记的像素将用于训练像素分类器;
S3.2:根据S2挑选出的图像特征,对带有标记的图像生成对应的特征图像,组成像素矩阵输入随机森林算法;
具体地,特征图像的示意图如图4所示,像素矩阵的示意图如图5所示。
S3.3:随机森林算法将像素矩阵随机切分为与决策树数目相同的多个子矩阵,每个决策树使用CART方法对一个子矩阵进行颗粒像素和孔隙像素的划分,划分完成后汇总所有决策树的分类结果,以多数投票确定像素的最终类别;
CART方法:在所有图像特征以及所有可能的阈值中选择Gini系数最小的图像特征及其对应阈值作为最优特征和最优阈值。以最优特征和最优阈值为节点对像素数据进行分类,依次类推直至使用所有图像特征创建出多个分类节点,决策树的构造完成。阈值指1至254中的某个整数,通过遍历1至254计算Gini系数挑选出阈值。
S3.4:评估模型的袋外错误率,当小于设定的阈值时完成模型训练。
袋外错误率:决策树并没有使用子矩阵内的所有像素,没有使用的像素称为袋外数据,当决策树模型完成后,再对袋外数据进行分类,划分错误的个数占总袋外数据的个数称为袋外错误率。
具体地,实施过程中模型的袋外错误率为0.16%,表明模型精度很高,满足要求。
S4:对所有二维图像应用训练好的像素分类模型,完成颗粒材料的三维分割,该过程需保证颗粒形态正确且颗粒之间相互独立,若分割结果出现问题则增加手动标记并返回S3.2进一步训练模型至符合要求。
具体地,图6展示了一张河砂二维CT图像的分割结果,图7展示了河砂的部分三维分割结果。
实施例2
一种基于随机森林算法的颗粒材料CT图像分割方法的应用装置,包括输入模块,用于导入所有通过CT扫描获得的二维图像,预选图像特征,手动标记颗粒和孔隙像素;核心处理模块,用于确定最终使用的图像特征,完成像素分类器的训练;应用模块,对所有二维图像应用训练好的像素分类器,并组成三维图像。
本发明实施例提供的基于随机森林算法的颗粒材料CT图像分割方法,通过手动标记颗粒和孔隙像素将准确信息引入机器学习的训练过程,使用Gini系数评估图像特征的重要性可以保证训练效率和训练精度,该方法充分利用了图像的像素值信息和颗粒轮廓信息,不会出现颗粒的过度分割,颗粒间的接触能通过进一步手动标记进行解决,与传统图像分割方法仅依靠像素值进行颗粒分割相比,能够对形态不规则和组成成分复杂的颗粒材料进行精确、高效分割。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)执行各个实施例或者实施例的某些部分所述的方法。
在本专利中,术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句"包括……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于随机森林算法的颗粒材料CT图像分割方法,其特征在于,步骤包括:
S1:输入颗粒材料CT图像,设置待使用的图像特征;
S2:通过Gini系数评估待使用的图像特征的重要性,挑选出重要性高的图像特征;
S3:基于S2选定的图像特征采用随机森林机器学习方法训练颗粒材料CT图像的像素分类模型,以使其具备对颗粒和颗粒间的孔隙进行分类的能力;
S4:对所有CT图像应用训练好的像素分类模型,确保颗粒形态正确且颗粒之间相互独立,完成颗粒材料的三维分割。
2.根据权利要求1所述的方法,其特征在于:所述颗粒材料为自然界存在的或人工制造的离散的固体物质的集合体。
3.根据权利要求1所述的方法,其特征在于:所述颗粒材料CT图像为通过X射线电子计算机断层扫描技术对颗粒材料进行扫描后获得的一系列二维图像。
4.根据权利要求1所述的方法,其特征在于:所述步骤S1中,待使用的图像特征种类包括高斯平滑、高斯拉普拉斯算子、高斯差分、Hessian矩阵特征值、张量特征值。
5.根据权利要求4所述的方法,其特征在于,所述步骤S1中,各图像特征具体如下:
高斯平滑:执行二维卷积操作,用于模糊图像以消除噪声,卷积核公式为:
其中,(x,y)为图像中像素的位置,σ为需要设置的标准差参数;
高斯拉普拉斯算子:使用高斯拉普拉斯算子过滤图像,卷积核的公式为:
其中,(x,y)为图像中像素的位置,σ为需要设置的标准差参数;
高斯差分:对两张高斯滤波后的图像相减得到高斯差分图像,公式为:
其中,(x,y)为图像中像素的位置,σ1和σ2为两个不同的标准差参数;
Hessian矩阵特征值:通过高斯二阶导数对图像进行滤波后对每个像素点构建Hessian矩阵,求解特征值后形成特征图像;
Hessian矩阵计算式:
其中,I(x,y)为图像(x,y)位置的像素值,*为卷积符号;
6.根据权利要求5所述的方法,其特征在于:不同的图像特征通过图像特征的类别和不同的σ值进行区别。
7.根据权利要求1所述的方法,其特征在于:所述步骤S2中,Gini系数的评估基于随机森林机器学习方法的结构,随机森林机器学习方法包括多个决策树,每个决策树内包括多个节点,通过计算Gini系数在每个节点前后的下降程度评估图像特征的重要性,具体步骤为:
S2.1:从输入的CT图像中随机选择少量图像,在其中随机手动标记少量颗粒和孔隙像素;
S2.2:计算Gini系数的下降程度:对于一个图像特征,首先计算该特征在一个节点上的Gini系数,之后计算该节点与子节点之间的Gini系数差值,最后将所有决策树内的Gini系数差值进行汇总,汇总结果代表该图像特征的重要性;
计算公式为:
式中,Q为第d棵树内包含图像特征x的所有节点,D为决策树数量,X为图像特征的总数目;
S2.3:对所有图像特征的重要性由高到低进行排序,挑选出重要程度高的少量图像特征。
8.根据权利要求1所述的方法,其特征在于:所述步骤S3中,使用随机森林机器学习方法训练像素分类模型的具体步骤为:
S3.1:从输入的CT图像中随机选择少量图像,在其中随机手动标记少量颗粒和孔隙像素,带有标记的像素将用于训练像素分类器;
S3.2:根据S2挑选出的图像特征,对带有标记的图像生成对应的特征图像,组成像素矩阵输入随机森林算法;
S3.3:随机森林算法将像素矩阵随机切分为与决策树数目相同的多个子矩阵,每个决策树使用CART方法对一个子矩阵进行颗粒像素和孔隙像素的划分,划分完成后汇总所有决策树的分类结果,以多数投票确定像素的最终类别;
S3.4:评估模型的袋外错误率,当小于设定的阈值时完成模型训练。
9.根据权利要求8所述的方法,其特征在于:所述步骤S3.3中,CART方法的步骤如下:在所有图像特征以及所有可能的阈值中选择Gini系数最小的图像特征及其对应阈值作为最优特征和最优阈值;以最优特征和最优阈值为节点对像素数据进行分类,依次类推直至使用所有图像特征创建出多个分类节点,决策树的构造完成;阈值指1至254中的某个整数,通过遍历1至254计算Gini系数挑选出阈值。
10.一种权利要求1-9所述的颗粒材料CT图像分割方法的应用装置,其特征在于,包括:输入模块,用于导入所有通过CT扫描获得的二维图像,预选图像特征,手动标记颗粒和孔隙像素;核心处理模块,用于确定最终使用的图像特征,完成像素分类器的训练;应用模块,对所有二维图像应用训练好的像素分类器,并组成三维图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211651042.2A CN115760883A (zh) | 2022-12-21 | 2022-12-21 | 基于随机森林算法的颗粒材料ct图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211651042.2A CN115760883A (zh) | 2022-12-21 | 2022-12-21 | 基于随机森林算法的颗粒材料ct图像分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760883A true CN115760883A (zh) | 2023-03-07 |
Family
ID=85347085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211651042.2A Pending CN115760883A (zh) | 2022-12-21 | 2022-12-21 | 基于随机森林算法的颗粒材料ct图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760883A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218437A (zh) * | 2023-09-18 | 2023-12-12 | 中国科学院南京土壤研究所 | 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 |
-
2022
- 2022-12-21 CN CN202211651042.2A patent/CN115760883A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218437A (zh) * | 2023-09-18 | 2023-12-12 | 中国科学院南京土壤研究所 | 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 |
CN117218437B (zh) * | 2023-09-18 | 2024-03-01 | 中国科学院南京土壤研究所 | 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169956B (zh) | 基于卷积神经网络的色织物疵点检测方法 | |
CN109815223A (zh) | 一种针对工业监测数据缺失的补全方法及补全装置 | |
CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN108388917A (zh) | 一种基于改进深度学习模型的高光谱图像分类方法 | |
CN111681249B (zh) | 基于Grabcut的砂石颗粒的改进分割算法研究 | |
CN108765412A (zh) | 一种带钢表面缺陷分类方法 | |
CN105608459B (zh) | 商品图片的分割方法及其装置 | |
CN111275044A (zh) | 基于样本选择和自适应难例挖掘的弱监督目标检测方法 | |
CN110660046B (zh) | 基于轻量级深度神经网络的工业产品缺陷图像分类方法 | |
JP2015506026A (ja) | 画像分類 | |
CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
CN115760883A (zh) | 基于随机森林算法的颗粒材料ct图像分割方法及装置 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN105844278A (zh) | 一种多特征融合的织物扫描图案识别方法 | |
Cheng et al. | Fabric defect detection based on separate convolutional UNet | |
Liu et al. | A classification method of glass defect based on multiresolution and information fusion | |
CN110310277B (zh) | 基于深度特征和ntv-rpca的织物疵点检测方法 | |
CN116363127B (zh) | 基于图像处理的全降解塑料制品质量检测方法 | |
CN111161213B (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
CN111680615A (zh) | 基于集成间隔的多类不平衡遥感土地覆盖图像分类方法 | |
CN108765409A (zh) | 一种基于ct图像的候选结节的筛选方法 | |
CN107392155A (zh) | 基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法 | |
JP2021117625A (ja) | 土の粒度分布の推定方法 | |
CN112508849A (zh) | 数字图像拼接检测方法及装置 | |
CN104200438A (zh) | 红外图像多级细节增强处理方法及其处理装置 |
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 |