CN107527354B - 一种基于合成图的区域生长方法 - Google Patents
一种基于合成图的区域生长方法 Download PDFInfo
- Publication number
- CN107527354B CN107527354B CN201710547605.6A CN201710547605A CN107527354B CN 107527354 B CN107527354 B CN 107527354B CN 201710547605 A CN201710547605 A CN 201710547605A CN 107527354 B CN107527354 B CN 107527354B
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- composite diagram
- seeds
- pixel
- 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.)
- Expired - Fee Related
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 64
- 238000010586 diagram Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 18
- 239000012535 impurity Substances 0.000 claims abstract description 9
- 230000001154 acute effect Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 241001632422 Radiola linoides Species 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 241001632427 Radiola Species 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T5/70—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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
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
本发明公开了一种基于合成图的的区域生长方法：步骤1，对原始裂缝图像进行灰度处理、滤波处理和阈值化处理，得到合成图；步骤2，对合成图进行形态学处理和过滤处理，得到目标裂缝的种子图；步骤3，根据目标裂缝的种子图中所有连通区域的最小外接矩形，选择对目标裂缝的种子图中的生长区域后进行生长，得到生长后的裂缝图像。本发明依据种子图和合成图分离的方式进行生长，由种子图确定生长位置并作用于相应位置的合成图，由合成图判断是否生长进而回到种子图中进行生长，避免了在区域内的其他位置生长出杂质信息，使得生长之后的裂缝信息更加清晰完整，精确度高；由于判断生长是在合成图中而不是原图，遍历区域小复杂度低，处理效率高。
Description
技术领域
本发明属于道路工程领域，涉及一种图像处理技术，具体是一种基于合成图的区域生长方法。
背景技术
在对图像的处理应用中，科研人员在很多情况下仅对图像中的某个或某些部分感兴趣，这些部分被称为目标或前景，它们往往对应着图像中具有不同于其他背景性质的区域。为了更好的研究和分析目标，需要将它们从中分割出来，继而才有可能进一步进行有效的利用。
图像分割是一种重要的图像处理技术,它的应用范围十分的广泛，几乎涉及到了所有有关图像处理出现的领域，它不仅在实验室中出现，更与我们的日常生活息息相关。区域生长就是区域分割的一种方法，区域生长的方法一般需要被分割的区域具有某种特定的共同特征，通过不断比较种子点周围的点是否符合融合标准从而达到相关区域的生长。现有的生长方法通常是在原图中直接生长，这种方式下常常将许多不需要生长的点视为种子点，增加了生长的任务量，使得运行时间增加，效率变低。
发明内容
针对上述现有技术存在的缺陷或不足，本发明的目的在于，提供一种基于合成图的区域生长方法。
为了实现上述目的，本发明采用如下技术方案予以实现：
一种基于合成图的的区域生长方法，该方法的处理步骤如下：
步骤1，对原始裂缝图像依次进行灰度处理、滤波处理和阈值化处理，得到阈值化处理后的图像，阈值化后得到的图像非裂缝区域为白色(像素255)，将非裂缝区域的坐标对应到原始裂缝图像灰度图中的相应位置，并将该位置像素置255，得到的图像作为合成图；
步骤2，对合成图依次进行形态学处理和过滤处理，得到目标裂缝的种子图；
步骤3，根据目标裂缝的种子图中所有连通区域的最小外接矩形，选择对目标裂缝的种子图中的生长区域后进行生长，得到生长后的裂缝图像。
进一步的，所述步骤1具体包括如下子步骤：
步骤11，首先对裂缝图片的目标裂缝进行灰度化处理，得到灰度图像；
步骤12，将灰度图像分割成多个大小相同的像素块，对每个像素块分别进行滤波处理采用均值滤波或中值滤波方法，以去除无效的干扰杂质，从而得到滤波处理后的图像；
步骤13，对滤波处理后的图像进行阈值化处理，得到阈值化处理后的图像。
步骤14，将阈值化后的图像的非裂缝区域坐标对应到步骤11的灰度图像中，将相应位置坐标像素置255，得到合成图。
进一步的，所述步骤2具体包括如下子步骤：
步骤21，对合成图进行形态学处理，所述形态学处理具体是依次进行膨胀处理和腐蚀处理，得到形态学处理后的图像；
步骤22，对形态学处理后的图像中的裂缝进行过滤；过滤规则：过滤掉外接矩形的长宽比小于1/3的裂缝，同时，计算形态学处理后的图像中所有连通区域面积的均值，过滤掉面积小于该均值的裂缝，得到目标裂缝的种子图。
进一步的，所述步骤3具体包括如下子步骤：
步骤31，为了方便计算目标裂缝，首先获取裂缝的长度、宽度、位置信息，提取目标裂缝的种子图中的所有连通区域的最小外接矩形；
步骤32，由裂缝的角度方向，确定生长区域处于最小外接矩形的位置，具体是：如图1所示，如果是锐角，则生长区域在外接矩形的右上角的上方和左下角的下方；如果是钝角，则生长区域在外接矩形的左上角的左侧和右下角的右侧；；得到检测图；
步骤33，为了确保没有疏漏的裂缝，将步骤32得到的生长区域的起点作为种子点对应到步骤14中的合成图相应位置，判断以种子点为中心的n*n范围内是否有未检测到的裂缝，具体是：
根据种子点坐标，找到合成图中对应坐标的连通域，计算该连通区域内所有灰度值小于255灰度值像素点的平均值；遍历该n*n范围中不属于当前最小外接矩形的每个像素，如果某个像素值与平均值的差值绝对值不小于常量K，K取2～6，则认为该像素点不是裂缝信息；如果小于K，则认为该像素点是裂缝信息，从而得到新的裂缝；根据所有新的裂缝的长度、宽度、位置信息，提取每个连通域的最小外接矩形；(对于一个离散的像素点，不将其作为裂缝信息；)执行步骤32；如果没有检测到新的裂缝，进行步骤34；步骤34，为了避免生长出更多的杂质信息，将步骤33得到的所有种子点对应到步骤13得到的合成图中相应位置，计算是否生长，计算结果如果是生长，则在目标裂缝的种子图中进行生长；否则，不生长；则得到生长后的裂缝图像。
进一步的，所述步骤33中的搜索n*n范围，其中n的确定过程如下：
计算步骤22得到的目标裂缝的种子图中每个裂缝与其相邻裂缝的距离，统计所有两两裂缝间距离，计算所有距离值的平均值和中值之和的1/2，即是该检测图的卷积n。(如果结果为整数且为偶数，则n取与该偶数相邻的较大的奇数；如果n为小数且整数部分为奇数，则n取整数部分；如果整数部分为偶数，则n取与该偶数相邻的较大的奇数。)
进一步的，所述计算裂缝间的距离是指计算裂缝质心点间的距离。
进一步的，所述步骤34具体包括如下子步骤：
所述计算是否生长的具体步骤如下：由于步骤22得到的目标裂缝的种子图是由步骤14得到的合成图一步一步处理得到的，所以合成图中部分连通区域包含目标裂缝的种子图的种子点。根据目标裂缝的种子图的种子点坐标，找到合成图中对应坐标的连通域，计算该连通区域内所有小于255灰度值像素点的平均值，如果合成图中与种子点对应点的像素值与该平均值的差值绝对值不小于常量K，K取2～6,，则认为该生长区域不是裂缝区域，将目标裂缝的种子图中对应种子点的像素值置0，即不生长；如果小于K，则认为该生长区域是裂缝区域，将目标裂缝的种子图对应种子点的像素值置1，即以该种子点为起点进行生长。
与现有的生长方法相比，本发明的有益效果如下：
1、本发明的方法中，依据种子图和合成图分离的方式进行生长，由种子图确定生长位置并作用于相应位置的合成图，由合成图判断是否生长进而回到种子图中进行生长，这样避免了在区域内的其他位置生长出杂质信息，使得生长之后的裂缝信息更加清晰、完整，从而达到了更高的精确度。
2、由于判断生长是在合成图中而不是原图，就使得遍历图像的区域变小，复杂度低，处理图像的效率更高。
附图说明
图1是本发明的方法的流程图。其中，(a)、(b)表示裂缝与水平方向是钝角情况下的水平裂缝和竖直裂缝；(c)、(d)表示裂缝与水平方向是锐角情况下的水平裂缝和竖直裂缝。
图2是本发明的实施例中原始裂缝图片。
图3是本发明的实施例中阈值化处理后的合成图。
图4是本发明实施例中的种子图。
图5是生长后的效果图。
以下结合附图和具体实施方式对本发明进一步解释说明。
具体实施方式
本发明提供了一种基于合成图的的区域生长方法，该方法的处理步骤如下：
步骤1，对原始裂缝图像依次进行灰度处理、滤波处理和阈值化处理，得到阈值化处理后的图像，阈值化后非裂缝区域为白色(像素255)，将非裂缝区域的坐标对应到原始裂缝图像灰度图中相应位置，并将该位置像素置255，得到的图像作为合成图。具体分为如下子步骤：
步骤11，首先对裂缝图片的目标裂缝进行灰度化处理，得到灰度图像；
步骤12，将灰度图像分割成多个大小相同的像素块，对每个像素块分别进行滤波处理采用均值滤波或中值滤波方法，以去除无效的干扰杂质，从而得到滤波处理后的图像；
步骤13，对滤波处理后的图像进行阈值化处理，得到阈值化处理后的图；
步骤14，将阈值化后的图的非裂缝区域(像素255)坐标对应到步骤11的灰度图像中，将相应位置坐标像素置255，得到合成图。
步骤2，对合成图依次进行形态学处理和过滤处理，得到目标裂缝的种子图。具体分为如下子步骤：
步骤21，对合成图进行形态学处理，所述形态学处理具体是依次进行膨胀处理和腐蚀处理，得到形态学处理后的图像；
步骤22，对形态学处理后的图像中的裂缝进行过滤；过滤规则：过滤掉外接矩形的长宽比小于1/3的裂缝，同时，计算形态学处理后的图像中所有连通区域面积的均值，过滤掉面积小于该均值的裂缝，得到目标裂缝的种子图。
步骤3，根据目标裂缝的种子图中所有连通区域的最小外接矩形，选择对目标裂缝的种子图中的生长区域后进行生长，得到生长后的裂缝图像。具体包括如下子步骤：
步骤31，为了方便计算目标裂缝，首先获取裂缝的长度、宽度、位置信息，提取目标裂缝的种子图中的所有连通区域的最小外接矩形；
步骤32，由裂缝的角度方向(即裂缝与水平方向是锐角还是钝角)，确定生长区域处于外接矩形的位置，具体是：如图1(c)、(d)所示，如果是锐角，则生长区域在外接矩形的右上角的上方和左下角的下方；如图1(a)、(b)，如果是钝角，则生长区域在外接矩形的左上角的左侧和右下角的右侧；(图1中，矩形对角线两端的小框代表区域生长的位置，线条代表裂缝的位置方向信息；生长区域的宽度一般为两个裂缝长度，长度为100个像素)；得到检测图；
步骤33，为了确保没有疏漏的裂缝，将步骤32得到的生长区域的起点(极值点)作为种子点对应到步骤14中的合成图相应位置，判断以种子点为中心的n*n范围内是否有未检测到的裂缝，具体是：根据种子点坐标，找到合成图中对应坐标的连通域，计算该连通域内所有灰度值小于255的像素点的平均值；遍历该n*n范围中不属于当前最小外接矩形的每个像素，如果某个像素值与平均值的差值绝对值不小于常量K，K取2～6，则认为该像素点不是裂缝信息；如果小于K，则认为该像素点是裂缝信息，从而得到新的裂缝；根据所有新的裂缝的长度、宽度、位置信息，提取每个连通域的最小外接矩形；(对于一个离散的像素点，不将其作为裂缝信息；)执行步骤32；如果没有检测到新的裂缝，进行步骤34；
其中，n的确定：计算步骤22得到的目标裂缝的种子图中每个裂缝与其相邻裂缝的距离，(这里计算裂缝间的距离方法是求裂缝质心点间的距离)，统计所有两两裂缝间距离，计算所有距离值的平均值和中值之和的1/2，即是该检测图的卷积n。(如果n为偶数n＝n+1；如果n为小数，则采用四舍五入原则。)
步骤34，为了避免生长出更多的杂质信息，将步骤33得到的所有种子点对应到步骤14得到的合成图中相应位置，计算是否生长，计算结果如果是生长，则在目标裂缝的种子图中进行生长；否则，不生长；则得到生长后的裂缝图像。
上述计算是否生长的具体步骤如下：由于步骤22得到的目标裂缝的种子图是由步骤14得到的合成图一步一步处理得到的，所以合成图中部分连通区域包含目标裂缝的种子图的种子点。根据目标裂缝的种子图的种子点坐标，找到合成图中对应坐标的连通域，计算该连通区域内所有小于255灰度值像素点的平均值，如果合成图中与种子点对应点的像素值与该平均值的差值绝对值不小于常量K(K取2～6)，则认为该生长区域不是裂缝区域，将目标裂缝的种子图中对应种子点的像素值置0，即不生长；如果小于K，则认为该生长区域是裂缝区域，将目标裂缝的种子图对应种子点的像素值置1，即以该种子点为起点进行生长；最终得到生长后的裂缝图像。
实施例：
本实施例提供的基于连通区域的区域生长方法，包括如下步骤：
步骤1，对图2所示的原始裂缝图像依次进行灰度处理、滤波处理和阈值化处理，得到阈值化处理后的图像，阈值化后非裂缝区域为白色(像素255)，将非裂缝区域的坐标对应到原始裂缝图像灰度图中相应位置，并将该位置像素置255，得到的图像作为合成图。。具体分为如下子步骤：
步骤11，首先对裂缝图片的目标裂缝进行灰度化处理，得到灰度图像；
步骤12，将灰度图像分割成10×10的像素块，对每个像素块进行均值滤波处理，得到滤波处理后的图像；
步骤13，对滤波处理后的图像进行阈值化处理，得到阈值化处理后图。
步骤14，将阈值化后的图的非裂缝区域(像素255)坐标对应到步骤11的灰度图像中，将相应位置坐标像素置255，得到合成图。(参见图3)；
步骤2，对合成图依次进行形态学处理和过滤处理，得到目标裂缝的种子图。具体分为如下子步骤：
步骤21，对阈值化处理后的合成图依次进行膨胀处理和腐蚀处理，得到形态学处理后的图像；
步骤22，对形态学处理后的图像中的裂缝进行过滤，过滤规则是过滤掉外接矩形的长宽比小于1/3的裂缝，同时，计算所有连通区域面积的均值，过滤掉均值以下面积的裂缝，得到目标裂缝的种子图。
步骤3，根据目标裂缝的种子图中所有连通区域的最小外接矩形，选择对目标裂缝的种子图中的生长区域后进行生长，得到生长后的裂缝图像。具体包括如下子步骤：
步骤31，提取目标裂缝的种子图中的所有连通区域的最小外接矩形；
步骤32，由裂缝的角度方向(即裂缝与水平方向处于锐角还是钝角)，确定生长区域处于外接矩形的位置，从而找出适合生长的两个方位，即两个极值点(如图1所示)。
步骤33，为了确保没有疏漏的裂缝，将步骤32得到的生长区域的起点(极值点)作为种子点对应到步骤14中的合成图相应位置，判断以种子点为中心的n*n范围内是否有未检测到的裂缝；根据所有新的裂缝的长度、宽度、位置信息，提取每个连通域的最小外接矩形；(对于一个离散的像素点，不将其作为裂缝信息；)执行步骤32；如果没有检测到新的裂缝，进行步骤34；
步骤34，为了避免生长出更多的杂质信息，将步骤33得到的所有种子点对应到步骤13得到的合成图中相应位置，计算是否生长，计算结果如果是生长，则在目标裂缝的种子图中进行生长；否则，不生长；则得到生长后的裂缝图像。
遍历所有的极值点位置，确定相应于合成图中的位置，由连通区域判断是否生长，然后对应到种子图相应位置进行生长，从而得到如图4所示的生长后的裂缝图像。
从实施例可以看出，本发明的优点在于：
1、依据种子图和合成图分离的方式进行生长，由种子图确定生长位置并作用于相应位置的合成图，由合成图判断是否生长进而回到种子图中进行生长，从而避免了在区域内的其他位置生长出杂质信息，使得生长之后的裂缝信息更加清晰、完整(如图4)，从而达到了更高的精确度。
2、由于判断生长是在合成图中而不是原图，就使得遍历图像的区域变小，复杂度低，使得处理图像的效率更高。
Claims (6)
1.一种基于合成图的区域生长方法，其特征在于，该方法的处理步骤如下：
步骤1，对原始裂缝图像依次进行灰度处理、滤波处理和阈值化处理，得到阈值化处理后的图像，阈值化处理后得到的图像的非裂缝区域为白色，将非裂缝区域的坐标对应到原始裂缝图像灰度图中的相应位置，并将灰度图中相应位置的像素置255，得到的图像作为合成图；
步骤2，对合成图依次进行形态学处理和过滤处理，得到目标裂缝的种子图；
步骤3，根据目标裂缝的种子图中所有连通区域的最小外接矩形，选择对目标裂缝的种子图中的生长区域后进行生长，得到生长后的裂缝图像；具体包括如下子步骤：
步骤31，首先获取裂缝的长度、宽度、位置信息，提取目标裂缝的种子图中的所有连通区域的最小外接矩形；
步骤32，由裂缝的角度方向，确定生长区域处于最小外接矩形的位置，具体是：如果是锐角，则生长区域在外接矩形的右上角的上方和左下角的下方；如果是钝角，则生长区域在外接矩形的左上角的左侧和右下角的右侧；得到检测图；
步骤33，为了确保没有疏漏的裂缝，将步骤32得到的生长区域的起点作为种子点对应到步骤14的合成图相应位置，判断以种子点为中心的n*n范围内是否有未检测到的裂缝，具体如下：
根据种子点坐标，找到合成图中对应坐标的连通域，计算该连通域内所有灰度值小于255的像素点的平均值；遍历该n*n范围中不属于当前最小外接矩形的每个像素，如果某个像素值与平均值的差值绝对值不小于常量K，K取[2，6]，则认为该像素点不是裂缝信息；如果小于K，则认为该像素点是裂缝信息，从而得到新的裂缝；根据所有新的裂缝的长度、宽度、位置信息，提取每个连通域的最小外接矩形；执行步骤32；如果没有检测到新的裂缝，进行步骤34；
步骤34，将步骤33得到的所有种子点对应到步骤13得到的合成图中相应位置，计算是否生长，计算结果如果是生长，则在目标裂缝的种子图中进行生长；否则，不生长；则得到生长后的裂缝图像。
2.如权利要求1所述的基于合成图的区域生长方法，其特征在于，所述步骤1具体包括如下子步骤：
步骤11，首先对裂缝图片的目标裂缝进行灰度化处理，得到灰度图像；
步骤12，将灰度图像分割成多个大小相同的像素块，对每个像素块分别进行滤波处理采用均值滤波或中值滤波方法，以去除无效的干扰杂质，从而得到滤波处理后的图像；
步骤13，对滤波处理后的图像进行阈值化处理，得到阈值化处理后的图；
步骤14，将阈值化后的图的非裂缝区域坐标对应到步骤11的灰度图像中，将相应位置坐标像素置255，得到合成图。
3.如权利要求1所述的基于合成图的区域生长方法，其特征在于，所述步骤2具体包括如下子步骤：
步骤21，对合成图进行形态学处理，所述形态学处理具体是依次进行膨胀处理和腐蚀处理，得到形态学处理后的图像；
步骤22，对形态学处理后的图像中的裂缝进行过滤；过滤规则：过滤掉外接矩形的长宽比小于1/3的裂缝，同时，计算形态学处理后的图像中所有连通区域面积的均值，过滤掉面积小于该均值的裂缝，得到目标裂缝的种子图。
4.如权利要求3所述的基于合成图的区域生长方法，其特征在于，所述步骤33中的n*n范围，其中n的确定过程如下：
计算步骤22得到的目标裂缝的种子图中每个裂缝与其相邻裂缝的距离，统计所有两两裂缝间距离，计算所有距离值的平均值和中值之和的1/2，即n的取值。
5.如权利要求4所述的基于合成图的区域生长方法，其特征在于，所述计算裂缝间的距离是指计算裂缝质心点间的距离。
6.如权利要求1所述的基于合成图的区域生长方法，其特征在于，所述步骤34具体包括如下子步骤：
所述计算是否生长的具体步骤如下：根据目标裂缝的种子图的种子点坐标，找到合成图中对应坐标的连通域，计算该连通域内所有小于255灰度值像素点的平均值，如果合成图中与种子点对应点的像素值与该平均值的差值绝对值不小于常量K，K取[2，6]，则认为该生长区域不是裂缝区域，将目标裂缝的种子图中对应种子点的像素值置0，即不生长；如果小于K，则认为该生长区域是裂缝区域，将目标裂缝的种子图对应种子点的像素值置1，即以该种子点为起点进行区域生长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710547605.6A CN107527354B (zh) | 2017-07-06 | 2017-07-06 | 一种基于合成图的区域生长方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710547605.6A CN107527354B (zh) | 2017-07-06 | 2017-07-06 | 一种基于合成图的区域生长方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107527354A CN107527354A (zh) | 2017-12-29 |
| CN107527354B true CN107527354B (zh) | 2019-10-22 |
Family
ID=60748873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710547605.6A Expired - Fee Related CN107527354B (zh) | 2017-07-06 | 2017-07-06 | 一种基于合成图的区域生长方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107527354B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163842B (zh) * | 2019-04-15 | 2021-06-25 | 深圳高速工程检测有限公司 | 建筑裂缝检测方法、装置、计算机设备和存储介质 |
| CN114418921A (zh) * | 2020-10-13 | 2022-04-29 | 南京鑫鼎云科技有限公司 | 一种工业影像裂纹检测方法 |
| CN114332079A (zh) * | 2022-03-04 | 2022-04-12 | 宁波昌亚新材料科技股份有限公司 | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 |
| CN115880248B (zh) * | 2022-12-13 | 2024-02-09 | 哈尔滨耐是智能科技有限公司 | 一种表面划痕缺陷识别方法及视觉检测设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及*** |
| CN104573689A (zh) * | 2013-10-11 | 2015-04-29 | 江南大学 | 基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2015392660B2 (en) * | 2015-04-27 | 2019-05-16 | Wuhan Optics Valley Zoyon Science And Technology Co., Ltd. | Stepwise-refinement pavement crack detection method |
-
2017
- 2017-07-06 CN CN201710547605.6A patent/CN107527354B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573689A (zh) * | 2013-10-11 | 2015-04-29 | 江南大学 | 基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法 |
| CN104504388A (zh) * | 2014-12-17 | 2015-04-08 | 长安大学 | 一种路面裂缝识别和特征提取算法及*** |
Non-Patent Citations (1)
| Title |
|---|
| "基于图像识别处理的桥梁底面裂缝检测方法的研究";王聪雅;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170115(第01期);论文第2.2.1-2.2.3，3.3.2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107527354A (zh) | 2017-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107527354B (zh) | 一种基于合成图的区域生长方法 | |
| CN111753577B (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
| CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
| CN108875621B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
| CN103914848B (zh) | 一种基于小波变换及最大类间方差的农田图像分割方法 | |
| CN111784597B (zh) | 一种植保机器人自主导航路径检测方法及服务器、存储介质 | |
| CN103426164B (zh) | 基于Opencv图像分析的扇贝尺寸计算方法和扇贝分拣*** | |
| CN103577828B (zh) | 一种基于边缘特征的道路检测方法 | |
| CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和*** | |
| CN112395984B (zh) | 一种用于无人驾驶农业机械的苗列导航线检测方法 | |
| CN103177257A (zh) | 一种鸡腿菇图像识别方法与分级方法 | |
| CN102982511B (zh) | 一种图像智能优化处理方法 | |
| CN113450402B (zh) | 用于蔬菜大棚巡检机器人的导航中心线提取方法 | |
| CN106157266A (zh) | 一种果园果实图像获取方法 | |
| Wang et al. | Vision-based judgment of tomato maturity under growth conditions | |
| CN110111283A (zh) | 一种复杂背景下红外疑似目标的提示方法及*** | |
| Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
| CN106683098B (zh) | 一种重叠叶片图像的分割方法 | |
| CN103729621B (zh) | 基于叶片骨架模型的植物叶片图像自动识别方法 | |
| CN109684941A (zh) | 一种基于matlab图像处理荔枝果实采摘区域划分方法 | |
| CN109615598A (zh) | 一种基于边缘绘图参数自由算法的输电线识别方法 | |
| CN111882549B (zh) | 一种灰绿色细小异纤自动检测识别方法及检测识别*** | |
| CN104899553B (zh) | 一种抗密集杂草干扰的田间作物行提取方法 | |
| CN106023223A (zh) | 柑橘果实大小描述及分级方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191022 |