CN117011243A - 矶花图像对比分析方法 - Google Patents
矶花图像对比分析方法 Download PDFInfo
- Publication number
- CN117011243A CN117011243A CN202310846044.5A CN202310846044A CN117011243A CN 117011243 A CN117011243 A CN 117011243A CN 202310846044 A CN202310846044 A CN 202310846044A CN 117011243 A CN117011243 A CN 117011243A
- Authority
- CN
- China
- Prior art keywords
- image
- alum
- flower
- contour
- blossom
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 241001105098 Angelica keiskei Species 0.000 title claims abstract description 9
- 229940037003 alum Drugs 0.000 claims abstract description 111
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000005054 agglomeration Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000005056 compaction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 17
- 238000013139 quantization Methods 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 abstract description 2
- 238000011282 treatment Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005189 flocculation Methods 0.000 description 4
- 230000016615 flocculation Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 241001091560 Crossosoma Species 0.000 description 2
- 241001417524 Pomacanthidae Species 0.000 description 2
- 239000008394 flocculating agent Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001112 coagulating effect Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06T7/13—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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了矶花图像对比分析方法,包括以下步骤,首先图像对比度调整:通过自动色彩均衡化处理算法实现图像的对比度调整并对像素点的明暗程度及其关系来对最终的像素值进行校正,实现图像的对比度调整,然后矾花图像分割通过阈值自适应二值化分割算法,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图,之后通过对单体矾花的计算特征有轮廓边界面积,周长,最小外接圆,圆度,紧实度,偏心率,统计特征量对应的均值和标准差,从而得到图像的特征量化标准,解决了水厂明矾投加量主要依靠主观经验,误差较大的问题,实现可量化的判别指标。
Description
技术领域
本发明涉及矶花图像特征量化方法技术领域,具体为矶花图像对比分析方法。
背景技术
为保障供水安全,水厂从江河引入的原水,需经一系列的工艺处理以去杂消毒来保障供水安全,输送符合标准的饮用水,其中混凝沉淀处理是最耗时、占地最大、最重要且最难掌控的环节,适时、适量投加絮凝剂,可以使其与水中杂质和有害物质反应生成适当形态的絮体而可沉淀分离,提高水源的处理效果。
目前的自来水厂在进行水净化处理过程的絮凝沉淀反应环节中,需要通过反应过程产生的絮凝沉淀物(俗称矾花)判定前期的明矾投加量是否合适,还是过投或者欠投。但是判断的过程主要依靠主观经验,缺乏可量化的判别指标,误差较大,因此,如何有效地解决明矾投加量是过投或者欠投的问题,和更为精确地控制明矾的投放量,达到供水水质标准和降低制水成本,至今任是水处理研究的一个难题;
为此提出矶花图像对比分析方法,来解决此问题。
发明内容
本发明的目的在于提供矶花图像对比分析方法,解决了自来水厂在进行水净化处理过程的絮凝沉淀反应环节中,明矾投加量主要依靠主观经验,误差较大的问题。
为实现上述目的,本发明提供如下技术方案:矶花图像对比分析方法,包括以下步骤:
步骤1:图像对比度调整:通过自动色彩均衡化处理算法(简称ACE)计算像素点和周围像素点的明暗程度及其关系来对图像进行校正,实现图像的对比度调整;
步骤2:矾花图像分割:通过使用阈值自适应的图像二值化分割算法识别出图像中的矾花区域,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图;
步骤3:矾花图像轮廓检测:通过轮廓检索和轮廓逼近方法,得到轮廓的点集;
步骤4:矾花轮廓特征计算:通过步骤三获取的轮廓点集,计算单体轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率,然后统计整幅图像中所用矾花轮廓所对应上述特征的均值和标准差。
优选的,所述在步骤1中,自动色彩均衡化处理算法包括两个步骤,首先是对图像进行色彩和空域调整,完成图像的色差校正,得到空域重构图像;其次是对校正后的图像进行动态扩展。
优选的,所述在步骤1中,自动色彩均衡化处理算法的计算方式可描述为:
其中,w是权重参数,离中心点像素越远的w值越小;g(x)是相对对比度调节参数,计算方式可描述为:
g(x)=max(min(a*x,1.0)-1.0)
其中,a表示控制参数,值越大细节增强越明显。
优选的,所述在步骤2中,矾花图像分割算法的基本思想就是将图像分成较小的块,然后分别计算每块的直方图。根据每个直方图的峰值,为每个块计算其阈值。每个像素点的阈值根据相邻的块的阈值进行插值获得。
优选的,所述在步骤2中,矾花图像分割算法可以假设Pn为图像中位于点n处的像素,此刻假设图像是由所有行按顺序连接起来的一个单行,在每行开始的时候会产生一些异常,但这个异常要比每行都从零开始要小。
pn-s | … | pn-3 | pn-2 | pn-1 | pn |
假设fs(n)是点n处最后s个像素的总和:
最后的图像T(n)是1(黑色)或0(白色)则由其前s个像素的平均值和t的百分比决定。
由此得到原始图像所对应的分割图。
优选的,所述在步骤3中,矾花图像轮廓检测可量化的特征包括但不限于单体矾花的面积,周长,最小外接圆,圆度,紧实度,偏心率等,以及其在整幅图像中的分布统计值。
优选的,所述在步骤3中,矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中面积:用于量化所成形矾花是否聚凝成团,以及聚凝的程度,其计算方式可描述为:
其中,[(x1,y1),(x2,y2),…,(xn,yn)]表示矾花边界点数组。
优选的,所述在步骤3中,矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中圆度:用于量化所成型矾花其形态学特征与圆的相似程度,其计算方式可描述为:
优选的,所述在步骤3中,矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中紧实度:用于量化所形成矾花的紧凑程度,其计算方式可描述为:
与现有技术相比,本发明的有益效果是:
1、本发明专利针对矾花图像的预处理,通过应用自动色彩均衡化算法计算图像目标像素点和周围像素点的明暗程度及其关系来对最终的像素值进行校正,实现图像的对比度调整,产生类似人体视网膜的色彩恒常性和亮度恒常性的均衡,然后矾花图像分割通过阈值自适应二值化分割算法,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图,之后通过对单体矾花的计算特征有轮廓边界面积,周长,最小外接圆,圆度,紧实度,偏心率,在单体矾花特征基础上,统计整体像上的特征量对应的均值和标准差,从而得到图像的特征量化标准,解决了自来水厂在进行水净化处理过程的絮凝沉淀反应环节中,明矾投加量主要依靠主观经验,误差较大的问题,实现可量化的判别指标。
附图说明
图1为本发明矶花对比度调整后示意图;
图2为本发明矶花图像分割后示意图;
图3为本发明矶花特征量化计算示意图。
具体实施方式
下面将通过实施例的方式对本发明作更详细的描述,这些实施例仅是举例说明性的而没有任何对本发明范围的限制。
本发明提供一种技术方案:矶花图像对比分析方法,包括以下步骤:
步骤1:图像对比度调整:通过自动色彩均衡化处理算法(简称ACE)计算像素点和周围像素点的明暗程度及其关系来对图像进行校正,实现图像的对比度调整;
步骤2:矾花图像分割:通过使用阈值自适应的图像二值化分割算法识别出图像中的矾花区域,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图;
步骤3:矾花图像轮廓检测:通过轮廓检索和轮廓逼近方法,得到轮廓的点集;
步骤4:矾花轮廓特征计算:通过步骤三获取的轮廓点集,计算单体轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率,然后统计整幅图像中所用矾花轮廓所对应上述特征的均值和标准差。
实施例一:
首先进行图像对比度调整:通过自动色彩均衡化处理算法(简称ACE)计算像素点和周围像素点的明暗程度及其关系来对图像进行校正,实现图像的对比度调整;然后进行矾花图像分割:通过使用阈值自适应的图像二值化分割算法识别出图像中的矾花区域,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图;之后进行矾花图像轮廓检测:通过轮廓检索和轮廓逼近方法,得到轮廓的点集;最后进行矾花轮廓特征计算:通过步骤三获取的轮廓点集,计算单体轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率,然后统计整幅图像中所用矾花轮廓所对应上述特征的均值和标准差。
实施例二:
在实施例一中,再加上下述工序:
在步骤1中,自动色彩均衡化处理算法包括两个步骤,首先是对图像进行色彩和空域调整,完成图像的色差校正,得到空域重构图像;其次是对校正后的图像进行动态扩展;自动色彩均衡化处理算法的计算方式可描述为:
其中,w是权重参数,离中心点像素越远的w值越小;g(x)是相对对比度调节参数,计算方式可描述为:
g(x)=max(min(a*x,1.0)-1.0)
其中,a表示控制参数,值越大细节增强越明显。
首先进行图像对比度调整:通过自动色彩均衡化处理算法(简称ACE)计算像素点和周围像素点的明暗程度及其关系来对图像进行校正,实现图像的对比度调整;自动色彩均衡化处理算法包括两个步骤,首先是对图像进行色彩和空域调整,完成图像的色差校正,得到空域重构图像;其次是对校正后的图像进行动态扩展;自动色彩均衡化处理算法的计算方式可描述为:
其中,w是权重参数,离中心点像素越远的w值越小;g(x)是相对对比度调节参数,计算方式可描述为:
g(x)=max(min(a*x,1.0)-1.0)
其中,a表示控制参数,值越大细节增强越明显;然后进行矾花图像分割:通过使用阈值自适应的图像二值化分割算法识别出图像中的矾花区域,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图;之后进行矾花图像轮廓检测:通过轮廓检索和轮廓逼近方法,得到轮廓的点集;最后进行矾花轮廓特征计算:通过步骤三获取的轮廓点集,计算单体轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率,然后统计整幅图像中所用矾花轮廓所对应上述特征的均值和标准差。
实施例三:
在实施例二中,再加上下述工序:
在步骤2中,矾花图像分割算法的基本思想就是将图像分成较小的块,然后分别计算每块的直方图。根据每个直方图的峰值,为每个块计算其阈值。每个像素点的阈值根据相邻的块的阈值进行插值获得;矾花图像分割算法可以假设Pn为图像中位于点n处的像素,此刻假设图像是由所有行按顺序连接起来的一个单行,在每行开始的时候会产生一些异常,但这个异常要比每行都从零开始要小。
pn-s | … | pn-3 | pn-2 | pn-1 | pn |
假设fs(n)是点n处最后s个像素的总和:
最后的图像T(n)是1(黑色)或0(白色)则由其前s个像素的平均值和t的百分比决定。
由此得到原始图像所对应的分割图。
首先进行图像对比度调整:通过自动色彩均衡化处理算法(简称ACE)计算像素点和周围像素点的明暗程度及其关系来对图像进行校正,实现图像的对比度调整;自动色彩均衡化处理算法包括两个步骤,首先是对图像进行色彩和空域调整,完成图像的色差校正,得到空域重构图像;其次是对校正后的图像进行动态扩展;自动色彩均衡化处理算法的计算方式可描述为:
其中,w是权重参数,离中心点像素越远的w值越小;g(x)是相对对比度调节参数,计算方式可描述为:
g(x)=max(min(a*x,1.0)-1.0)
其中,a表示控制参数,值越大细节增强越明显;然后进行矾花图像分割:通过使用阈值自适应的图像二值化分割算法识别出图像中的矾花区域,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图;矾花图像分割算法的基本思想就是将图像分成较小的块,然后分别计算每块的直方图。根据每个直方图的峰值,为每个块计算其阈值。每个像素点的阈值根据相邻的块的阈值进行插值获得;矾花图像分割算法可以假设Pn为图像中位于点n处的像素,此刻假设图像是由所有行按顺序连接起来的一个单行,在每行开始的时候会产生一些异常,但这个异常要比每行都从零开始要小。
pn-s | … | pn-3 | pn-2 | pn-1 | pn |
假设fs(n)是点n处最后s个像素的总和:
最后的图像T(n)是1(黑色)或0(白色)则由其前s个像素的平均值和t的百分比决定。
由此得到原始图像所对应的分割图;之后进行矾花图像轮廓检测:通过轮廓检索和轮廓逼近方法,得到轮廓的点集;最后进行矾花轮廓特征计算:通过步骤三获取的轮廓点集,计算单体轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率,然后统计整幅图像中所用矾花轮廓所对应上述特征的均值和标准差。
实施例四:
在实施例三中,再加上下述工序:
在步骤3中,矾花图像轮廓检测可量化的特征包括但不限于单体矾花的面积,周长,最小外接圆,圆度,紧实度,偏心率等,以及其在整幅图像中的分布统计值;
矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中面积:用于量化所成形矾花是否聚凝成团,以及聚凝的程度,其计算方式可描述为:
其中,[(x1,y1),(x2,y2),…,(xn,yn)]表示矾花边界点数组;
矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中圆度:用于量化所成型矾花其形态学特征与圆的相似程度,其计算方式可描述为:
矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中紧实度:用于量化所形成矾花的紧凑程度,其计算方式可描述为:
首先进行图像对比度调整:通过自动色彩均衡化处理算法(简称ACE)计算像素点和周围像素点的明暗程度及其关系来对图像进行校正,实现图像的对比度调整;自动色彩均衡化处理算法包括两个步骤,首先是对图像进行色彩和空域调整,完成图像的色差校正,得到空域重构图像;其次是对校正后的图像进行动态扩展;自动色彩均衡化处理算法的计算方式可描述为:
其中,w是权重参数,离中心点像素越远的w值越小;g(x)是相对对比度调节参数,计算方式可描述为:
g(x)=max(min(a*x,1.0)-1.0)
其中,a表示控制参数,值越大细节增强越明显;然后进行矾花图像分割:通过使用阈值自适应的图像二值化分割算法识别出图像中的矾花区域,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图;矾花图像分割算法的基本思想就是将图像分成较小的块,然后分别计算每块的直方图。根据每个直方图的峰值,为每个块计算其阈值。每个像素点的阈值根据相邻的块的阈值进行插值获得;矾花图像分割算法可以假设Pn为图像中位于点n处的像素,此刻假设图像是由所有行按顺序连接起来的一个单行,在每行开始的时候会产生一些异常,但这个异常要比每行都从零开始要小。
pn-s | … | pn-3 | pn-2 | pn-1 | pn |
假设fs(n)是点n处最后s个像素的总和:
最后的图像T(n)是1(黑色)或0(白色)则由其前s个像素的平均值和t的百分比决定。
由此得到原始图像所对应的分割图;之后进行矾花图像轮廓检测:通过轮廓检索和轮廓逼近方法,得到轮廓的点集;在步骤3中,矾花图像轮廓检测可量化的特征包括但不限于单体矾花的面积,周长,最小外接圆,圆度,紧实度,偏心率等,以及其在整幅图像中的分布统计值;
矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中面积:用于量化所成形矾花是否聚凝成团,以及聚凝的程度,其计算方式可描述为:
其中,[(x1,y1),(x2,y2),…,(xn,yn)]表示矾花边界点数组;
矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中圆度:用于量化所成型矾花其形态学特征与圆的相似程度,其计算方式可描述为:
矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中紧实度:用于量化所形成矾花的紧凑程度,其计算方式可描述为:
最后进行矾花轮廓特征计算:通过步骤三获取的轮廓点集,计算单体轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率,然后统计整幅图像中所用矾花轮廓所对应上述特征的均值和标准差。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.矶花图像对比分析方法,其特征在于:包括以下步骤:
步骤1:图像对比度调整:通过自动色彩均衡化处理算法(简称ACE)计算像素点和周围像素点的明暗程度及其关系来对图像进行校正,实现图像的对比度调整;
步骤2:矾花图像分割:通过使用阈值自适应的图像二值化分割算法识别出图像中的矾花区域,将图像中矾花的区域像素赋值为白色,将背景区域像素赋值为黑色,由此得到原始图像的矾花二值分割图;
步骤3:矾花图像轮廓检测:通过轮廓检索和轮廓逼近方法,得到轮廓的点集;
步骤4:矾花轮廓特征计算:通过步骤三获取的轮廓点集,计算单体轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率,然后统计整幅图像中所用矾花轮廓所对应上述特征的均值和标准差。
2.根据权利要求1所述的矶花图像对比分析方法,其特征在于:所述在步骤1中,自动色彩均衡化处理算法包括两个步骤,首先是对图像进行色彩和空域调整,完成图像的色差校正,得到空域重构图像;其次是对校正后的图像进行动态扩展。
3.根据权利要求1所述的矶花图像对比分析方法,其特征在于:所述在步骤1中,自动色彩均衡化处理算法的计算方式可描述为:
其中,w是权重参数,离中心点像素越远的w值越小;g(x)是相对对比度调节参数,计算方式可描述为:
g(x)=max(min(a*x,1.0)-1.0)
其中,a表示控制参数,值越大细节增强越明显。
4.根据权利要求1所述的矶花图像对比分析方法,其特征在于:所述在步骤2中,矾花图像分割算法的基本思想就是将图像分成较小的块,然后分别计算每块的直方图。根据每个直方图的峰值,为每个块计算其阈值。每个像素点的阈值根据相邻的块的阈值进行插值获得。
5.根据权利要求1所述的矶花图像对比分析方法,其特征在于:所述在步骤2中,矾花图像分割算法可以假设Pn为图像中位于点n处的像素,此刻假设图像是由所有行按顺序连接起来的一个单行,在每行开始的时候会产生一些异常,但这个异常要比每行都从零开始要小。
假设fs(n)是点n处最后s个像素的总和:
最后的图像T(n)是1(黑色)或0(白色)则由其前s个像素的平均值和t的百分比决定。
由此得到原始图像所对应的分割图。
6.根据权利要求1所述的矶花图像对比分析方法,其特征在于:所述在步骤3中,矾花图像轮廓检测可量化的特征包括但不限于单体矾花的面积,周长,最小外接圆,圆度,紧实度,偏心率等,以及其在整幅图像中的分布统计值。
7.根据权利要求1所述的矶花图像对比分析方法,其特征在于:所述在步骤3中,矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中面积:用于量化所成形矾花是否聚凝成团,以及聚凝的程度,其计算方式可描述为:
其中,[(x1,y1),(x2,y2),…,(xn,yn)]表示矾花边界点数组。
8.根据权利要求1所述的矶花图像对比分析方法,其特征在于:所述在步骤3中,矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中圆度:用于量化所成型矾花其形态学特征与圆的相似程度,其计算方式可描述为:
9.根据权利要求1所述的矶花图像对比分析方法,其特征在于:所述在步骤3中,矾花图像轮廓检测可量化部份特征量的计算原理和物理意义描述:其中紧实度:用于量化所形成矾花的紧凑程度,其计算方式可描述为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846044.5A CN117011243A (zh) | 2023-07-11 | 2023-07-11 | 矶花图像对比分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846044.5A CN117011243A (zh) | 2023-07-11 | 2023-07-11 | 矶花图像对比分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117011243A true CN117011243A (zh) | 2023-11-07 |
Family
ID=88575438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310846044.5A Pending CN117011243A (zh) | 2023-07-11 | 2023-07-11 | 矶花图像对比分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011243A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237356A (zh) * | 2023-11-15 | 2023-12-15 | 山东泗水丰田农药有限公司 | 用于农药生产的废水处理控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609558A (zh) * | 2017-09-13 | 2018-01-19 | 北京元心科技有限公司 | 文字图像处理方法及装置 |
CN108389216A (zh) * | 2018-02-06 | 2018-08-10 | 西安交通大学 | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 |
CN110913102A (zh) * | 2019-11-21 | 2020-03-24 | 中冶赛迪工程技术股份有限公司 | 用于矾花采集及识别的图像处理装置 |
CN111294516A (zh) * | 2020-02-27 | 2020-06-16 | 中冶赛迪重庆信息技术有限公司 | 一种矾花图像处理方法、系统、电子设备及介质 |
CN113963013A (zh) * | 2021-10-22 | 2022-01-21 | 石家庄铁道大学 | 一种基于计算机视觉的无标靶输电塔位移振动识别方法 |
-
2023
- 2023-07-11 CN CN202310846044.5A patent/CN117011243A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609558A (zh) * | 2017-09-13 | 2018-01-19 | 北京元心科技有限公司 | 文字图像处理方法及装置 |
CN108389216A (zh) * | 2018-02-06 | 2018-08-10 | 西安交通大学 | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 |
CN110913102A (zh) * | 2019-11-21 | 2020-03-24 | 中冶赛迪工程技术股份有限公司 | 用于矾花采集及识别的图像处理装置 |
CN111294516A (zh) * | 2020-02-27 | 2020-06-16 | 中冶赛迪重庆信息技术有限公司 | 一种矾花图像处理方法、系统、电子设备及介质 |
CN113963013A (zh) * | 2021-10-22 | 2022-01-21 | 石家庄铁道大学 | 一种基于计算机视觉的无标靶输电塔位移振动识别方法 |
Non-Patent Citations (1)
Title |
---|
查炜;汪荣贵;傅剑峰;王晶;: "基于人眼侧抑制机制的自动色彩均衡化算法", 计算机工程, no. 01, 15 January 2013 (2013-01-15), pages 7 - 8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237356A (zh) * | 2023-11-15 | 2023-12-15 | 山东泗水丰田农药有限公司 | 用于农药生产的废水处理控制方法 |
CN117237356B (zh) * | 2023-11-15 | 2024-02-23 | 山东泗水丰田农药有限公司 | 用于农药生产的废水处理控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443807A (zh) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 | |
CN117011243A (zh) | 矶花图像对比分析方法 | |
CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
CN115049674B (zh) | 基于大数据的工业污水处理方法及系统 | |
CN110956183B (zh) | 一种沥青路面裂缝形态提取方法 | |
CN115147617B (zh) | 基于计算机视觉的污水处理智能监控方法 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN107067375A (zh) | 一种基于暗通道先验和边缘信息的图像去雾方法 | |
CN116110053A (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN115760852B (zh) | 一种海洋污水排放处理方法 | |
CN114708325A (zh) | 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法 | |
CN110874825B (zh) | 一种复合绝缘子表面水迹二值图像提取方法 | |
CN116703784B (zh) | 一种心脏超声图像视觉增强方法 | |
CN110930330B (zh) | 一种基于图像分割和区域增长的椒盐噪声降噪算法 | |
CN115797234B (zh) | 一种增强低对比度二维码图像识别效果的方法 | |
CN108171705A (zh) | 一种透明玻璃瓶内液体的异物检测算法 | |
CN112364871A (zh) | 基于改进投影算法的零件喷码字符分割方法 | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN114758159A (zh) | 一种液压制动器切削工艺的切削控制方法 | |
CN114863313A (zh) | 一种基于图像识别的水处理过程监控方法 | |
CN110647843B (zh) | 一种人脸面部图像处理方法 | |
CN111738927A (zh) | 基于直方图均衡化的人脸识别特征增强与去噪方法及系统 | |
CN117934455B (zh) | 一种基于河道水流净化效果的检测方法及系统 | |
CN116883270B (zh) | 一种碎石手术软镜清晰化成像系统 | |
CN117830300B (zh) | 一种基于视觉的燃气管道外观质量检测方法 |
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 |