CN107909138B - 一种基于安卓平台的类圆颗粒物计数方法 - Google Patents
一种基于安卓平台的类圆颗粒物计数方法 Download PDFInfo
- Publication number
- CN107909138B CN107909138B CN201711122842.4A CN201711122842A CN107909138B CN 107909138 B CN107909138 B CN 107909138B CN 201711122842 A CN201711122842 A CN 201711122842A CN 107909138 B CN107909138 B CN 107909138B
- Authority
- CN
- China
- Prior art keywords
- particle
- image
- particles
- segmentation
- counting
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M11/00—Counting of objects distributed at random, e.g. on a surface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于安卓平台的类圆颗粒物计数方法,属于图像处理技术领域。首先基于颜色色差特征从背景中提取只包含类圆颗粒的二值图像;提取图像中粘连重叠颗粒块区域并用基于距离变换和H‑minima的分割方法对颗粒块区域进行第一次分割;提出准确提取颗粒物表面孔洞的方法,并对孔洞填补后的颗粒块区域进行第二次分水岭分割,经连通域分析去除噪点及少量阴影区域,求取每个颗粒最外层轮廓的最小外接圆并画于原图,圆的个数即为颗粒个数。本发明的计数***降低硬件使用成本;本发明极大程度抑制传统分割方法带来的过度分割和错误分割,能够准确检测大量紧密粘连的单层颗粒物和简单两层的类圆颗粒物,可以获得较高的计数精度和计数效率。
Description
技术领域
本发明涉及一种基于安卓平台的类圆颗粒物计数***和计数方法,属于图像处理技术领域。
背景技术
在农业、工业和医疗卫生等各种应用领域,经常需要统计类圆颗粒(如农作物种子、钢筋棒材、细胞等)的数目。传统方法是通过人的判断来确定颗粒数量,由于人眼长时间的高强度工作后容易疲劳,计数的准确性难以保证,并且很多作业场合难以实现人工计数(如工业流水线上药丸、河中游弋的鸭子计数)。伴随计算机技术和图像处理技术的提高,基于数字图像处理的类圆形颗粒自动分析***研究较多,其主要任务是通过预处理对采集图像进行类圆颗粒物分割,分割出单个颗粒物并统计颗粒物的个数。其中粘连重叠颗粒物分割是最为关键的问题,它影响着颗粒物统计分析的结果。此类***一般通过摄像机采集图像,并传送至电脑端进行处理分析,因此进行简单、便携、快速、准确的检测更具实际意义。
随着智能终端技术的发展和应用,有拍照功能的智能手机或平板电脑成为人们生活中不可或缺的一部分,其中基于安卓***的智能手机在我国的占有率远高于其他***。在此背景下,设计一个便携式类圆颗粒物计数移动终端,且通过特定图像算法运算得出颗粒物的数量,尤其针对深度粘连和部分重叠的颗粒物对象,这对提高计数效率及其自动化水平具有学术意义和实际应用价值。
发明内容
本发明的目的是对不同光照下深度粘连、部分重叠的类圆颗粒物便携式计数,为此提出一种基于安卓平台的类圆颗粒物计数***和计数方法。
本发明计数***采用的技术方案是:基于安卓平台的类圆颗粒物计数***包括图像获取模块、图像处理及计数模块。图像获取模块,采用Android***中hardware.camera连接手机摄像头拍摄图像或直接使用Intent.ACTION_PICK从本地相册中加载一张图像,然后将图像存储在手机内存中的图像采集数据存储区中;图像处理及计数模块,通过点击分割、计数等按键采用本文提出的图像算法对采集图像进行处理,完成颗粒计数并显示计数结果。
本发明计数方法采用的技术方案是:基于安卓平台的类圆颗粒物计数方法包括以下步骤:
步骤1,对获取的彩色颗粒物图像进行预处理,主要是颗粒物前景检测;步骤2,标记连通区域并计算每个区域的面积和似圆度,设定面积和似圆度阈值提取孤立颗粒区域和粘连重叠颗粒块区域;步骤3,用本文算法初次分割粘连重叠颗粒块区域(颗粒表面有孔洞);步骤4,提取步骤3结果中的孔洞,作膨胀操作后填补步骤2中粘连重叠颗粒块区域,并对其进行第二次分割;步骤5,对步骤4的结果进行连通域分析并显示检测到的颗粒及其数量。
所述步骤1具体包括:首先用手机摄像头获取彩色颗粒图像,分别提取其红色和蓝色通道图像并作相减操作求取红蓝色差图像,同时对彩色图像做直方图均衡化并提取HSV颜色空间的H色度图,分别对红蓝色差图像和色度图用最大类间方差法作阈值分割得到两幅二值图像,并对二值图像作形态学处理,最后对两幅二值图像作逻辑与操作得到只包含颗粒区域的二值图像。
进一步,所述对二值图像作形态学处理的具体方法是:利用半径固定的圆盘结构元素对二值图做腐蚀运算和开运算,去除图中孤立的噪点,断开目标间及目标与背景间的轻度粘连并平滑边缘;
所述步骤3的具体过程为:
步骤3.1,对粘连重叠颗粒块区域做反距离变换,图中每个点的灰度值为其与其最近背景像素点的距离(中心点处的距离最大),对反距离变化图利用H-minima变换抑制深度小于或等于h值的伪局部极小值点,得到所有优化后的局部极小值点,并赋值为像素1,即得到颗粒中心的标记图;
步骤3.2,对步骤3.1的颗粒中心标记图做分水岭变换,得到基于颗粒中心的分水岭分割线,其取反后与重叠粘连颗粒块作逻辑与操作,可以得到颗粒块初次分割的结果。
所述步骤4的具体过程为:
步骤4.1,对步骤3初次分割的结果进行填充(给连通域边界内部所有像素点赋值为1像素)并与其作相减操作,即可提取出步骤3颗粒表面的孔洞;
步骤4.2,由于步骤2中部分颗粒表面有紧挨的多个孔洞且其中一些孔洞正好处于分割线上导致其被漏提取,故对提取出来的孔洞进行一定程度膨胀,可以填补邻近的孔洞;
步骤4.3,再用膨胀后的孔洞去填补步骤2的颗粒表面的孔洞,最后继续步骤3操作,得到颗粒块正确分离的第二次分割结果。
所述步骤5的具体过程为:对第二次分割后的结果进行标记,根据面积和似圆度阈值去除图像中分割出来的噪点和边缘阴影处等小面积区域,剩下只包含颗粒目标的二值图,对二值图做轻度的形态学腐蚀操作,求取每个颗粒轮廓最外层轮廓的最小外接圆的圆心和半径,画在原图上,即为最终颗粒检测的结果,圆的个数即为颗粒总数,对其输出显示。
本发明所达到的有益效果:
1.本发明提供的计数***降低硬件使用成本,其便于携带、操作简单、便于移植的特点提高计数效率并且扩大了使用范围。
2.本发明提供的计数方法能准确统计大量紧密粘连和简单重叠的类圆颗粒。
3.提出将颜色色差特征与直方图均衡化后的色度图相结合的预处理方法,极大程度消除了光照阴影的干扰,增强图像对比度,准确提取颗粒物前景,***无需特殊的光照设备,抗光干扰性强。
4.使用基于距离变换和H-minima变换的分割方法,分离粘连重叠的颗粒物块区域,很大程度减少了过度分割问题。
5.提出填充颗粒物表面孔洞而不影响颗粒间隙的方法,进行两次分水岭分割,进一步减少了错误分割和过度分割,提高计数的准确性。
6.提出计算颗粒物最外层轮廓最小外接圆的方法,可以大致恢复下层和上层颗粒的轮廓形状,便于结果观察分析。
附图说明:
图1为类圆颗粒物计数***的设计框图
图2为类圆颗粒物分割计数算法的流程图
图3为与背景像素相近的粘连重叠黄豆颗粒图像
图4为从背景中提取的黄豆颗粒的二值图
图5为筛选后的颗粒中心标记图
图6为分水岭脊线
图7为粘连重叠颗粒块区域第一次分割结果图
图8为膨胀的孔洞
图9为粘连重叠颗粒块区域孔洞填补后的第二次分割结果图
图10部分噪点区域二值图和全局连通域分析后的二值图
图11为颗粒图3的检测结果图
图12为采集的单层黄豆颗粒图的检测结果
图13为采集的两层黄豆颗粒图
图14为图13的检测结果
具体实施方案:
以下结合附图和具体实施例的方式对本发明作进一步详细说明。
实施例1:
图1为基于安卓平台的类圆颗粒物计数***的流程图,其中图像获取模块包括连接手机相机摄取图片或本地相册调用图片;图像处理及计数模块包括通过点击分割、计数等按键对图像进行处理,完成颗粒检测计数并显示颗粒总数。
图2为基于安卓平台的类圆颗粒物计数方法的流程图,其中图像预处理(直方图均衡化的H色度图提取、计算红蓝色差)目的是前景检测,准确提取出颗粒物目标;对图像作反距离变换和强制极小值变换目的是标记颗粒物中心点,通过标记能更准确找到分水岭分割线,减少错误分割和过度分割;孔洞的提取及其膨胀填补目的是去除因孔洞造成的过度分割;连通域分析是为了去除噪点和边缘处阴影等小面积区域。以下以图3做具体说明:
步骤1:对获取的彩色颗粒物图像进行预处理,主要是颗粒物前景检测。
(1)图像的直方图均衡化与H色度图提取。
为了增强图像对比度,对原始图像进行直方图均衡化后提取H色度图(HSV颜色空间,H(Hue)代表色调,S(Sateration)代表饱和度,V(Value代表明亮度),对其用最大类间方差法二值化,用半径固定的圆形结构元素对二值图进行腐蚀操作和形态学开运算去除孤立噪点并平滑边缘,得到二值图IHEH;
(2)图像的颜色色差提取及其二值化。
由于IHEH边缘处存在少量阴影使二值图中颗粒形状不够规则造成过度分割,需进行色差分量的提取,对原始图像I提取红色(R)通道和蓝色(B)通道图像,I=(IR(x,y),IG(x,y),IB(x,y)),红蓝色差图像CAM可以用式1计算,其中α(0≤α≤1)为蓝色通道的权重值,再对CAM用最大类间方差法二值化,用半径固定的圆形结构元素对二值图做形态学腐蚀和开运算,去除图中孤立的噪点,断开目标间及目标与背景间的轻度粘连并平滑边缘得到二值图ICAM。
(3)求IHEH&ICAM的结果,最终得到只包含颗粒物的二值图像I,如图4。
步骤2:提取颗粒物目标中的粘连重叠颗粒块区域和孤立颗粒区域。
标记二值图像I中的连通区域,计算区域内的总像素个数area,并用公式2计算各个连通区域的似圆度metric,其中perimeter为区域外轮廓的周长(八连接计算边界时,周长为水平、垂直方向上像素个数与对角线上像素个数的和),取区域内像素点总数area小于一定面积且metric大于阈值0.6的区域为孤立颗粒区域W0,剩余区域为粘连重叠颗粒块区域W1。
步骤3:初次分割粘连重叠颗粒块区域(颗粒表面有孔洞)。
(1)得到每个颗粒的中心点标记图
对W1做反距离变换(给当前像素赋值为当前像素点与其最近背景像素点的距离,得到灰度分布均匀且颗粒中心像素为极值的灰度图像),利用H-minima变换(如式3,g为颗粒物的反距离变换图,h为被选择的深度值,其中R和ε为腐蚀重建有效抑制深度值小于或等于1伪局部极小值点)抑制伪局部极小值,得到所有优化后的局部极小值点并赋值为像素1,即为颗粒中心的标记图im,如图5;
(2)基于颗粒中心点得到分水岭分割线,并初次分离颗粒块区域。
对图im进行分水岭变换得到基于颗粒中心点标记的分水岭脊线(外部标记符em),如图6所示。对图W1和em做I1=W1&(~em)操作,得到颗粒块区域初次分割的结果图I1,如图7。
步骤4:准确提取颗粒表面的孔洞,填补初次分割前的粘连重叠颗粒块区域的孔洞(填补后颗粒表面没有孔洞),并对其进行第二次分割。
观察可知图7中红色标识的区域是因孔洞而造成不同程度的过分割,绿色标志符为简单重叠区域。
(1)提取初次分割后颗粒表面的孔洞。
直接对粘连重叠颗粒块W1进行填充(对每个连通域的内部赋值为1像素)会错误消除颗粒之间的间隙,故本发明对分离后的颗粒图像I1进行填充再与其做相减操作得到孔洞L;
(2)对孔洞L作形态学膨胀操作。
由于W1中有少量颗粒表面存在紧邻的多个孔洞,造成初次分割的分割线经过孔洞点,导致分割线上的孔洞被漏提取,故需要对紧邻的孔洞进行一定程度膨胀直至覆盖遗漏的孔洞,用半径固定的圆形结构元素对L做膨胀操作得到膨胀的孔洞L',如图8;
(2)填补W1颗粒表面的孔洞并作第二次分割。
对L'与W1作逻辑或操作填补W1上的孔洞得到W1',对W1'再次进行所述步骤3的操作得到第二次分割结果图I2,如图9。观察红色标识圆圈区域可知相对于第一次分割结果,第二次分割结果避免了由孔洞造成的过度分割。
步骤5:对步骤4的结果进行连通域分析并在原图显示检测到的颗粒,并计算颗粒总数。
对上述步骤分割的结果图I2进行标记,其中包括少量小面积的背景及噪点部分,如图10左边红色填充区域(区域内像素小于一定阈值或似圆度小于0.4的区域),对这些像素赋值为背景像素0可得到筛选后的区域;再与单独颗粒区域W0合并,得到最终的分割效果图,如图10所示。最后用求取每个颗粒最外层轮廓的最小外接圆并将圆心及圆周画于原图,如图11,连通域的个数即为颗粒总数。
实例验证
类圆颗粒物计数终端的测试平台,智能手机为HTC T329d型,其操作***为Android OS 4.0硬件配置为Snapdragon MSM8625,1GHz CPU,768MB RAM。
安卓上主界面包含两个按键:拍照和图库;计数界面包含两个按键:分割和计数。点击拍照进入相机拍摄预览界面,调整手机至适当的角度获取图像可以选择确定进入计数界面;点击图库选择手机相册中的图片进入计数界面;计数界面显示采集的图像,点击分割显示最终分割后的二值结果图;点击计数显示最终在原图上的检测结果图,同时输出颗粒总数。
步骤为:打开***的界面,点击拍照或图库采集颗粒物图像,图像传到计数界面,点击分割按键显示最终分割后的结果图,点击计数按键显示最终在原图上的检测结果并输出颗粒总数,可点击保存将分割后的图像计数结果保存至本地。本例主要对黄豆颗粒进行了采集,如图11,大部分单层少量两层黄豆颗粒数目实际为313个,本应用方法计数为315个;如图12,单层连紧密粘连的黄豆实际为370个,本应用方法计数为370个,且正确分离并检测黄豆颗粒;如图13,两层粘连黄豆颗粒实际为201个,由图14结果知本应用方法计数为201个,上下层颗粒均能被准确检测到,而上层颗粒被检测的位置相对下层存在轻微偏移但不影响计数。
综上,本发明的一种基于安卓平台的类圆颗粒物计数***和计数方法,属于图像处理技术领域。计数***包括图像采集模块和图像处理及计数模块,可直接调用手机自带摄像头采集颗粒图像,点击分割、计数等按钮实现颗粒物自动分割计数。计数方法的具体步骤为,首先基于颜色色差特征从背景中提取只包含类圆颗粒的二值图像;提取图像中粘连重叠颗粒块区域并用基于距离变换和H-minima的分割方法对颗粒块区域进行第一次分割;提出准确提取颗粒物表面孔洞的方法,并对孔洞填补后的颗粒块区域进行第二次分水岭分割,经连通域分析去除噪点及少量阴影区域,求取每个颗粒最外层轮廓的最小外接圆并画于原图,圆的个数即为颗粒个数。本发明的计数***降低硬件使用成本,其便携性特点扩大了使用范围;本发明的计数方法可以极大程度抑制传统分割方法带来的过度分割和错误分割,能够准确检测大量紧密粘连的单层颗粒物和简单两层的类圆颗粒物,可以获得较高的计数精度和计数效率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨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,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于安卓平台的类圆颗粒物计数方法,其特征在于,包括下列步骤:用类圆颗粒计数***连接手机摄像头拍摄颗粒物图像,采用本文提出的分割计数算法对图像进行处理并显示颗粒总数,所述采用本文提出的分割计数算法对图像进行处理并显示颗粒总数的过程包括如下步骤:
步骤1,对获取的彩色颗粒物图像进行预处理,主要是颗粒物前景检测;步骤2,标记连通区域并设定面积和似圆度阈值提取颗粒物目标中的粘连重叠颗粒块区域和孤立颗粒区域;步骤3,初次分割粘连重叠颗粒块区域;步骤4,提取步骤3结果中的孔洞,作膨胀操作后填补步骤2中粘连重叠颗粒块区域,并对其进行第二次分割;步骤5,对步骤4的结果进行连通域分析并在原图显示检测到的颗粒,并计算颗粒总数;
所述类圆颗粒计数***包括图像获取模块和图像处理及计数模块;图像获取模块,通过连接手机相机摄取图片或本地相册调用图片;图像处理及计算模块,通过点击分割、计数按键对图像进行处理,完成颗粒检测计数并显示颗粒总数;
所述步骤1具体方法:
1.1,对原始图像进行直方图均衡化后提取H色度图,对其用最大类间方差法二值化,用半径固定的圆形结构元素对二值图进行腐蚀操作和形态学开运算去除孤立噪点平滑边缘,得到二值图IHEH;
1.2,计算原始图像的红色和蓝色通道的差值,再对色差图像用最大类间方差法二值化,用半径固定的圆盘结构元素对二值图做形态学腐蚀运算和开运算,去除图中孤立的噪点,断开目标间及目标与背景间的轻度粘连并平滑边缘,得到二值图ICAM;
1.3,求IHEH&ICAM的结果,最终得到只包含颗粒物的二值图像I。
2.根据权利要求1所述的基于安卓平台的类圆颗粒物计数方法,其特征在于,所述步骤3初次分割粘连重叠颗粒块区域具体方法为:
3.1,对粘连重叠颗粒块区域做反距离变换,对反距离变换图设定阈值抑制伪局部极小值点,得到所有优化后的局部极小值点,并赋值为像素1,即得到颗粒中心的标记图;
3.2,对步骤3.1的颗粒中心标记图做分水岭变换,得到基于颗粒中心标记的分水岭分割线,其取反后与重叠粘连颗粒块作逻辑与操作,得到颗粒块初次分割的结果。
3.根据权利要求1所述的基于安卓平台的类圆颗粒物计数方法,其特征在于,所述步骤4具体包括:
4.1,对步骤3初次分割的结果进行填充并与其作相减操作,即可提取出步骤3颗粒表面的孔洞;
4.2,对提取出的孔洞进行一定程度的形态学膨胀操作;
4.3,用膨胀后的孔洞去填补步骤2的颗粒表面的孔洞,即对两者作逻辑或操作,最后作步骤3的分割操作,得到颗粒块正确分离的第二次分割结果。
4.根据权利要求3所述的基于安卓平台的类圆颗粒物计数方法,其特征在于,步骤4.1中,连通域边界内部所有像素点赋值为1。
5.根据权利要求1所述的基于安卓平台的类圆颗粒物计数方法,其特征在于,所述步骤5具体包括:对第二次分割后的结果进行标记,根据面积和似圆度阈值去除图像中非颗粒目标区域,剩下只包含颗粒物的二值图并与步骤2的孤立颗粒块区域相加,对二值图进行轻度腐蚀并求取每个颗粒最外层轮廓的最小外接圆并将圆心及圆周画于原图,即为最终颗粒检测的结果,连通域的个数即为颗粒总数。
6.根据权利要求1所述的基于安卓平台的类圆颗粒物计数方法,其特征在于,所述手机为HTC T329d型,其操作***为Android OS 4.0硬件配置为Snapdragon MSM8625,1GHzCPU,768MB RAM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711122842.4A CN107909138B (zh) | 2017-11-14 | 2017-11-14 | 一种基于安卓平台的类圆颗粒物计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711122842.4A CN107909138B (zh) | 2017-11-14 | 2017-11-14 | 一种基于安卓平台的类圆颗粒物计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107909138A CN107909138A (zh) | 2018-04-13 |
CN107909138B true CN107909138B (zh) | 2021-06-18 |
Family
ID=61845389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711122842.4A Active CN107909138B (zh) | 2017-11-14 | 2017-11-14 | 一种基于安卓平台的类圆颗粒物计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909138B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830780B (zh) * | 2018-05-09 | 2020-09-01 | 京东数字科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN108647685A (zh) * | 2018-05-11 | 2018-10-12 | 电子科技大学 | 一种基于图像处理的环形物体计数方法 |
CN108734731B (zh) * | 2018-05-29 | 2021-09-28 | 中科院广州电子技术有限公司 | 一种基于机器视觉的类圆颗粒目标计数方法 |
CN109242845B (zh) * | 2018-09-05 | 2021-07-02 | 北京市商汤科技开发有限公司 | 医疗影像处理方法及装置、电子设备及存储介质 |
CN109829944A (zh) * | 2019-03-21 | 2019-05-31 | 北京理工大学 | 基于图像处理的堆积颗粒物粒径统计方法 |
CN110084791B (zh) * | 2019-04-18 | 2021-01-26 | 天津大学 | 一种基于图像处理的番茄早疫病与晚疫病自动检测方法 |
CN110595959B (zh) * | 2019-04-19 | 2023-03-21 | 齐鲁工业大学 | 一种糖膏颗粒粒度分析***及分析方法 |
CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、***和设备 |
CN110264463A (zh) * | 2019-06-25 | 2019-09-20 | 北京实验工厂有限责任公司 | 一种基于matlab图像处理的物料清点方法 |
CN110473174B (zh) * | 2019-07-26 | 2022-02-11 | 东南大学 | 一种基于图像计算铅笔精确数目的方法 |
CN112529830B (zh) * | 2019-08-30 | 2023-11-14 | 北京四维图新科技股份有限公司 | 图像标注方法、装置、电子设备和存储介质 |
CN110930447A (zh) * | 2019-12-09 | 2020-03-27 | 成都信息工程大学 | 基于Android的无人值守雪深测量方法 |
CN113516611B (zh) * | 2020-04-09 | 2024-01-30 | 合肥美亚光电技术股份有限公司 | 异常物料剔除区域的确定方法及装置、物料分选方法及设备 |
CN112504947A (zh) * | 2020-12-03 | 2021-03-16 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学分析计数方法 |
CN112668565B (zh) * | 2020-12-10 | 2023-02-14 | 中国科学院西安光学精密机械研究所 | 一种针对具有遮挡形变的圆形目标判读方法 |
CN113706638B (zh) * | 2021-10-28 | 2022-02-25 | 迈步医疗科技(江苏)有限公司 | 基于智能物联网制药搅拌机智能控制方法及*** |
CN115294106B (zh) * | 2022-09-28 | 2022-12-20 | 加乐新材料(南通)有限公司 | 一种乳胶溶液中颗粒的均匀度检测方法 |
CN116183471A (zh) * | 2022-12-23 | 2023-05-30 | 中国矿业大学 | 一种含煤泥矿井水中颗粒物图像自动识别方法及装置 |
CN115937549B (zh) * | 2023-01-09 | 2023-08-04 | 肇庆学院 | 一种基于颜色和形状特征的木材数量计数方法 |
CN117274221A (zh) * | 2023-10-10 | 2023-12-22 | 安徽省康宁实业(集团)有限公司 | 一种在线检测固体药物颗粒粒度的方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120089519A1 (en) * | 2010-10-06 | 2012-04-12 | Prasad Peddada | System and method for single use transaction signatures |
CN105095958B (zh) * | 2014-05-12 | 2018-01-23 | 浙江理工大学 | 一种蚕茧计数方法 |
CN106295789B (zh) * | 2015-06-10 | 2021-07-09 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
CN105160675A (zh) * | 2015-08-31 | 2015-12-16 | 北京工业大学 | 白粉病菌孢子图像的自动分割方法 |
-
2017
- 2017-11-14 CN CN201711122842.4A patent/CN107909138B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107909138A (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909138B (zh) | 一种基于安卓平台的类圆颗粒物计数方法 | |
Liu et al. | Ore image segmentation method using U-Net and Res_Unet convolutional networks | |
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
US20200250840A1 (en) | Shadow detection method and system for surveillance video image, and shadow removing method | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
CN110503637B (zh) | 一种基于卷积神经网络的道路裂缝自动检测方法 | |
CN104951765B (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 | |
CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
CN105678737B (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
CN111222511B (zh) | 一种红外无人机目标检测方法及*** | |
CN103530638A (zh) | 多摄像头下的行人匹配方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
KR20170127269A (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
CN111695374B (zh) | 监控视角中斑马线区域的分割方法、***、介质及设备 | |
Garg et al. | Color based segmentation using K-mean clustering and watershed segmentation | |
Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
Luo et al. | Foreground segmentation and location of coal and gangue under complex similar background |
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 |