CN109447968A - 图像区域生长算法的蜕变测试*** - Google Patents
图像区域生长算法的蜕变测试*** Download PDFInfo
- Publication number
- CN109447968A CN109447968A CN201811265800.0A CN201811265800A CN109447968A CN 109447968 A CN109447968 A CN 109447968A CN 201811265800 A CN201811265800 A CN 201811265800A CN 109447968 A CN109447968 A CN 109447968A
- Authority
- CN
- China
- Prior art keywords
- image
- growth
- case
- region
- test
- 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
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像区域生长算法测试技术领域,具体涉及一种图像区域生长算法的蜕变测试***。图像区域生长是实时图像处理的重要功能之一。然而,由于操作不确定性的因素,实际测试中很难获取图像区域生长算法的测试判定。基于此,本发明将蜕变测试***应用于图像区域生长算法的测试中,通过分析算法的几何属性、数值属性以及算法特性提取出一系列蜕变关系,基于这些蜕变关系形成图像区域生长算法的蜕变测试方法,可以有效地解决图像区域生长算法的测试判定难题。
Description
技术领域
本发明属于图像区域生长算法测试技术领域,具体涉及一种图像区域生长算法的蜕变测试***。
背景技术
近年来,随着虚拟现实、大数据、人工智能、航空航天等技术的飞速发展,实时图像处理已经普遍应用到军事战场环境、智能生活、航空航天等各个领域,并且在不同的领域呈现出专业化、细致化、精确化、实时化的特点。图像区域生长是实时图像处理的基本功能,它是指将图像中成组的像素或区域发展成更大区域的过程。从种子点的集合开始,区域生长是通过将与每个种子点具有相似属性如强度、灰度级、纹理颜色等的相邻像素合并到此区域的过程。
目前,对于图像区域生长程序的测试工作通过人工重构图像区域生长算法的标准模型比对的方法进行,包括步骤:
步骤1:依据图像区域生长算法的描述重构标准模型。
步骤2:构造图像区域生长算法测试用例的输入。
步骤3:将测试用例输入数据用于被测程序,输出实测结果。
步骤4:将测试用例输入数据用于标准模型,输出期望结果。
步骤5:测试判定,即比对实测结果和标准结果,若结果一致,则判定被测程序正确,若结果不一致,则判定被测程序错误。
在软件测试领域,测试判定通常是指一种能够检测测试结果是否正确的机制(上述第5步即属于测试判定)。上述方法的核心在于人工依据图像区域生长算法的描述重构标准模型,并执行测试用例获取输出作为被测软件测试判定使用的期望结果,用于被测程序的测试判定,该方法最大的缺陷在于,由于重构标准模型由人工编码实现,故重构标准模型本身的正确性引入了测试判定的不确定性,或者说难以获得绝对正确的预期结果,依赖于非算法内部属性、而是外来标准模型产生的数据。若重构标准模型出现错误,则可能会对图像区域生长程序的测试工作带来以下两类问题:
一、被测程序正确,但由于标准模型错误,导致测试判定不通过,误判程序错误,即错检。
二、被测程序错误,但由于标准模型错误,导致测试判定通过,误判程序正确,即漏检。
上述分析可知,图像区域生长算法因使用重构标准模型的输出作为期望结果进行测试判定,引入了错检和漏检问题,是否获得绝对正确的预期结果难以界定。因此只能对测试判定是否有其他可行方式开展研究
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何解决图像区域生长算法传统测试方法中测试判定难以获取的问题。
(二)技术方案
为解决上述技术问题,本发明提供一种图像区域生长算法的蜕变测试***,其包括:蜕变关系提取模块、附加测试用例构造模块、测试判定模块;
所述蜕变关系提取模块用于依据图像区域生长算法的几何属性、数值属性、算法特性提取图像区域生长算法的蜕变关系;
所述附加测试用例构造模块用于依据原始测试用例,结合蜕变关系构造附加测试用例;
所述测试判定模块用于将原始测试用例和附加测试用例输入被测的图像区域生长程序,判断蜕变关系是否满足。
其中,所述蜕变关系提取模块根据图像区域生长算法的几何属性提取蜕变关系的过程中:
由图像区域生长算法处理灰度图像,根据图像几何旋转特点构造蜕变关系;根据灰度图像的数据组织格式,以图像中心为原点,构建横纵坐标;在给定起始种子点S(j,k)、生长阈值和生长个数阈值的情况下,原始图像I绕x轴旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系;原始图像I绕y轴旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系;原始图像I绕主对角线旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系。
其中,所述蜕变关系提取模块根据图像生长算法的数值属性提取蜕变关系的过程中:
图像区域生长算法的判断准则是相邻两个像素点的灰度差值是否在生长阈值内,因此若对整个图像的灰度值做整体增减和缩放,那么区域生长后的结果应当保持不变。
其中,所述蜕变关系提取模块根据根据图像生长算法的算法特性提取蜕变关系的过程中:
选定某一种子点,以此点为中心将图像分割为四块,对分割后的四块图像分别做区域生长,生长后的结果再次拼接后应当与原图像区域生长后的结果一致;针对图像区域生长的原理特性,若图像存在两块不连通的生长域,分别表示为A、B,若输入种子点在A内部,那么区域生长不能生长到B区域;
更改种子点的选择,其他参数不做调整;
若种子点仍在阈值生长范围内,那么生长结果应当保持一致;若种子点不在给定阈值生长范围内,那么生长结果与原始生长结果必无重合区域;改变生长阈值,其他参数不做调整,若增大生长阈值,生长范围也应当相应的扩大,若减少生长个数,那么生长范围应当相应的减小或保持不变。
其中,所述附加测试用例构造模块依据原始测试用例,结合蜕变关系构造附加测试用例的过程中:
对于蜕变测试,如果原始用例和附加用例之间的距离越大,则它们的执行差异就越大;因此,在蜕变测试过程中,认为可以优先选择原始用例和附加用例距离较大的测试用例;基于此先验知识,将自适应随机测试策略引入原始测试用例和附加测试用例的生成过程中,称之为基于自适应随机测试策略的蜕变测试用例生成算法;分别计算多个候选原始测试用例到它们对应的附加测试用例之间的距离,选择距离最大的用例作为下一个测试用例;如果有多个候选用例的距离最大,再比较它们到已执行测试用例集合的距离,选择距离最大的作为下一个测试用例,即附加测试用例。
其中,所述测试判定模块将原始测试用例和附加测试用例输入被测的图像区域生长程序,判断蜕变关系是否满足的过程中:
针对每一对原始测试用例和附加测试用例,输入到图像区域生长程序中,查看原始测试输出和附加测试输出是否满足蜕变关系对于输出的要求,若蜕变关系满足则说明未发现被测图像区域生长程序错误,若蜕变关系不满足,则说明被测图像区域生长程序存在软件缺陷;记录当前用例现象后,继续执行其他用例,直至所有用例实施完毕。
(三)有益效果
与现有技术相比较,本发明将蜕变测试方法应用于图像区域生长算法程序的测试中,形成图像区域生长算法的蜕变测试方法,解决了图像区域生长算法传统测试方法测试判定难以获取的问题。
附图说明
图1为本发明的方案原理示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
蜕变测试是一种针对测试判定难题的测试方法,已经经过了近十年的发展,广泛应用于不同领域软件的测试中,例如,偏微分方程求解程序的测试,嵌入式程序的测试,机器学习软件的测试,计算机图形计算软件的测试,图论程序的测试,数值分析软件的测试,随机最优化程序的测试,分类和聚类算法实现程序的测试,规划算法实现程序的测试,仿真软件的测试以及生物医学模型实现程序的测试,不乏在算法类软件上的应用,目前已经比较成熟。蜕变测试基本思路是基于需求建立内在的蜕变关系(即当程序输入满足一定的关系时,其相应的输出也就必须满足某种关系),根据蜕变关系和原始测试用例生成附加测试用例,然后通过两种测试用例输出之间对蜕变关系的满足度来发现程序中是否存在缺陷,并对缺陷进行定位。简单的说,蜕变测试就是利用一些成功的测试用例来产生后续测试用例的一种技术,由于将后续的测试用例和前者之间的关系称作蜕变关系,因此这样的测试技术也被称作蜕变测试技术。
传统的重构标准模型测试方法,其模型为人工编码,不同的测试人员可以重构不同的标准模型,测试人员的主观因素会导致标准模型具有的极大的不确定性,由于其对非算法内部客观因素的依赖,导致无法得知用于测试用例期望结果的模型输出是否绝对准确,故而将其用于测试判定时会影响测试结果的可信性。而蜕变测试方法的基本思想是当程序输入满足一定的关系时其相应的输出必须满足某种蜕变关系,其来源于算法内部的几何属性、数值属性和算法特性,由于无需获取绝对准确的期望结果,可以很好地解决重构标准模型的测试判定不确定性的问题。
为解决上述技术问题,本发明提供一种图像区域生长算法的蜕变测试***,如图1所示,其包括:蜕变关系提取模块、附加测试用例构造模块、测试判定模块;
所述蜕变关系提取模块用于依据图像区域生长算法的几何属性、数值属性、算法特性提取图像区域生长算法的蜕变关系;
所述附加测试用例构造模块用于依据原始测试用例,结合蜕变关系构造附加测试用例;
所述测试判定模块用于将原始测试用例和附加测试用例输入被测的图像区域生长程序,判断蜕变关系是否满足。
其中,所述蜕变关系提取模块根据图像区域生长算法的几何属性提取蜕变关系的过程中:
由图像区域生长算法处理灰度图像,根据图像几何旋转特点构造蜕变关系;根据灰度图像的数据组织格式,以图像中心为原点,构建横纵坐标;在给定起始种子点S(j,k)、生长阈值和生长个数阈值的情况下,原始图像I绕x轴旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系;原始图像I绕y轴旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系;原始图像I绕主对角线旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系。
其中,所述蜕变关系提取模块根据图像生长算法的数值属性提取蜕变关系的过程中:
图像区域生长算法的判断准则是相邻两个像素点的灰度差值是否在生长阈值内,因此若对整个图像的灰度值做整体增减和缩放,那么区域生长后的结果应当保持不变。
其中,所述蜕变关系提取模块根据根据图像生长算法的算法特性提取蜕变关系的过程中:
选定某一种子点,以此点为中心将图像分割为四块,对分割后的四块图像分别做区域生长,生长后的结果再次拼接后应当与原图像区域生长后的结果一致;针对图像区域生长的原理特性,若图像存在两块不连通的生长域,分别表示为A、B,若输入种子点在A内部,那么区域生长不能生长到B区域;
更改种子点的选择,其他参数不做调整;
若种子点仍在阈值生长范围内,那么生长结果应当保持一致;若种子点不在给定阈值生长范围内,那么生长结果与原始生长结果必无重合区域;改变生长阈值,其他参数不做调整,若增大生长阈值,生长范围也应当相应的扩大,若减少生长个数,那么生长范围应当相应的减小或保持不变。
其中,所述附加测试用例构造模块依据原始测试用例,结合蜕变关系构造附加测试用例的过程中:
对于蜕变测试,如果原始用例和附加用例之间的距离越大,则它们的执行差异就越大;因此,在蜕变测试过程中,认为可以优先选择原始用例和附加用例距离较大的测试用例;基于此先验知识,将自适应随机测试策略引入原始测试用例和附加测试用例的生成过程中,称之为基于自适应随机测试策略的蜕变测试用例生成算法;分别计算多个候选原始测试用例到它们对应的附加测试用例之间的距离,选择距离最大的用例作为下一个测试用例;如果有多个候选用例的距离最大,再比较它们到已执行测试用例集合的距离,选择距离最大的作为下一个测试用例,即附加测试用例。
其中,所述测试判定模块将原始测试用例和附加测试用例输入被测的图像区域生长程序,判断蜕变关系是否满足的过程中:
针对每一对原始测试用例和附加测试用例,输入到图像区域生长程序中,查看原始测试输出和附加测试输出是否满足蜕变关系对于输出的要求,若蜕变关系满足则说明未发现被测图像区域生长程序错误,若蜕变关系不满足,则说明被测图像区域生长程序存在软件缺陷;记录当前用例现象后,继续执行其他用例,直至所有用例实施完毕。
此外,本发明还提供一种图像区域生长算法的蜕变测试方法,如图1所示,其包括如下步骤:
步骤1:依据图像区域生长算法的几何属性、数值属性、算法特性提取图像区域生长算法的蜕变关系;
步骤2:依据原始测试用例,结合蜕变关系构造附加测试用例;
步骤3:将原始测试用例和附加测试用例输入被测的图像区域生长程序,判断蜕变关系是否满足。
其中,所述步骤1中包括:根据图像区域生长算法的几何属性提取蜕变关系:
由图像区域生长算法处理灰度图像,根据图像几何旋转特点构造蜕变关系;根据灰度图像的数据组织格式,以图像中心为原点,构建横纵坐标;在给定起始种子点S(j,k)、生长阈值和生长个数阈值的情况下,原始图像I绕x轴旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系;原始图像I绕y轴旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系;原始图像I绕主对角线旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系。
其中,所述步骤1中包括:根据图像生长算法的数值属性提取蜕变关系;
图像区域生长算法的判断准则是相邻两个像素点的灰度差值是否在生长阈值内,因此若对整个图像的灰度值做整体增减和缩放,那么区域生长后的结果应当保持不变。
其中,所述步骤1中包括:根据图像生长算法的算法特性提取蜕变关系;
选定某一种子点,以此点为中心将图像分割为四块,对分割后的四块图像分别做区域生长,生长后的结果再次拼接后应当与原图像区域生长后的结果一致;针对图像区域生长的原理特性,若图像存在两块不连通的生长域,分别表示为A、B,若输入种子点在A内部,那么区域生长不能生长到B区域;
更改种子点的选择,其他参数不做调整;
若种子点仍在阈值生长范围内,那么生长结果应当保持一致;若种子点不在给定阈值生长范围内,那么生长结果与原始生长结果必无重合区域;改变生长阈值,其他参数不做调整,若增大生长阈值,生长范围也应当相应的扩大,若减少生长个数,那么生长范围应当相应的减小或保持不变。
其中,所述步骤2:依据原始测试用例,结合蜕变关系构造附加测试用例;
对于蜕变测试,如果原始用例和附加用例之间的距离越大,则它们的执行差异就越大;因此,在蜕变测试过程中,认为可以优先选择原始用例和附加用例距离较大的测试用例;基于此先验知识,将自适应随机测试策略引入原始测试用例和附加测试用例的生成过程中,称之为基于自适应随机测试策略的蜕变测试用例生成算法;分别计算多个候选原始测试用例到它们对应的附加测试用例之间的距离,选择距离最大的用例作为下一个测试用例;如果有多个候选用例的距离最大,再比较它们到已执行测试用例集合的距离,选择距离最大的作为下一个测试用例,即附加测试用例。
其中,所述步骤3:将原始测试用例和附加测试用例输入被测的图像区域生长程序,判断蜕变关系是否满足。
该步骤针对每一对原始测试用例和附加测试用例,输入到图像区域生长程序中,查看原始测试输出和附加测试输出是否满足蜕变关系对于输出的要求,若蜕变关系满足则说明未发现被测图像区域生长程序错误,若蜕变关系不满足,则说明被测图像区域生长程序存在软件缺陷;记录当前用例现象后,继续执行其他用例,直至所有用例实施完毕。
综上,本发明属于图像区域生长算法测试技术领域,具体涉及一种图像区域生长算法的蜕变测试方法。图像区域生长是实时图像处理的重要功能之一。然而,由于操作不确定性的因素,实际测试中很难获取图像区域生长算法的测试判定。基于此,本发明将蜕变测试方法应用于图像区域生长算法的测试中,通过分析算法的几何属性、数值属性以及算法特性提取出一系列蜕变关系,基于这些蜕变关系形成图像区域生长算法的蜕变测试方法,可以有效地解决图像区域生长算法的测试判定难题。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种图像区域生长算法的蜕变测试***,其特征在于,其包括:蜕变关系提取模块、附加测试用例构造模块、测试判定模块;
所述蜕变关系提取模块用于依据图像区域生长算法的几何属性、数值属性、算法特性提取图像区域生长算法的蜕变关系;
所述附加测试用例构造模块用于依据原始测试用例,结合蜕变关系构造附加测试用例;
所述测试判定模块用于将原始测试用例和附加测试用例输入被测的图像区域生长程序,判断蜕变关系是否满足。
2.如权利要求1所述的图像区域生长算法的蜕变测试***,其特征在于,所述蜕变关系提取模块根据图像区域生长算法的几何属性提取蜕变关系的过程中:
由图像区域生长算法处理灰度图像,根据图像几何旋转特点构造蜕变关系;根据灰度图像的数据组织格式,以图像中心为原点,构建横纵坐标;在给定起始种子点S(j,k)、生长阈值和生长个数阈值的情况下,原始图像I绕x轴旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系;原始图像I绕y轴旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系;原始图像I绕主对角线旋转得到新的图像I’,相应的种子点变为S’(j,k),I’的区域生长结果与I的生长结果保持相应的对称关系。
3.如权利要求1所述的图像区域生长算法的蜕变测试***,其特征在于,所述蜕变关系提取模块根据图像生长算法的数值属性提取蜕变关系的过程中:
图像区域生长算法的判断准则是相邻两个像素点的灰度差值是否在生长阈值内,因此若对整个图像的灰度值做整体增减和缩放,那么区域生长后的结果应当保持不变。
4.如权利要求1所述的图像区域生长算法的蜕变测试***,其特征在于,所述蜕变关系提取模块根据根据图像生长算法的算法特性提取蜕变关系的过程中:
选定某一种子点,以此点为中心将图像分割为四块,对分割后的四块图像分别做区域生长,生长后的结果再次拼接后应当与原图像区域生长后的结果一致;针对图像区域生长的原理特性,若图像存在两块不连通的生长域,分别表示为A、B,若输入种子点在A内部,那么区域生长不能生长到B区域;
更改种子点的选择,其他参数不做调整;
若种子点仍在阈值生长范围内,那么生长结果应当保持一致;若种子点不在给定阈值生长范围内,那么生长结果与原始生长结果必无重合区域;改变生长阈值,其他参数不做调整,若增大生长阈值,生长范围也应当相应的扩大,若减少生长个数,那么生长范围应当相应的减小或保持不变。
5.如权利要求1所述的图像区域生长算法的蜕变测试***,其特征在于,所述附加测试用例构造模块依据原始测试用例,结合蜕变关系构造附加测试用例的过程中:
对于蜕变测试,如果原始用例和附加用例之间的距离越大,则它们的执行差异就越大;因此,在蜕变测试过程中,认为可以优先选择原始用例和附加用例距离较大的测试用例;基于此先验知识,将自适应随机测试策略引入原始测试用例和附加测试用例的生成过程中,称之为基于自适应随机测试策略的蜕变测试用例生成算法;分别计算多个候选原始测试用例到它们对应的附加测试用例之间的距离,选择距离最大的用例作为下一个测试用例;如果有多个候选用例的距离最大,再比较它们到已执行测试用例集合的距离,选择距离最大的作为下一个测试用例,即附加测试用例。
6.如权利要求1所述的图像区域生长算法的蜕变测试***,其特征在于,所述测试判定模块将原始测试用例和附加测试用例输入被测的图像区域生长程序,判断蜕变关系是否满足的过程中:
针对每一对原始测试用例和附加测试用例,输入到图像区域生长程序中,查看原始测试输出和附加测试输出是否满足蜕变关系对于输出的要求,若蜕变关系满足则说明未发现被测图像区域生长程序错误,若蜕变关系不满足,则说明被测图像区域生长程序存在软件缺陷;记录当前用例现象后,继续执行其他用例,直至所有用例实施完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811265800.0A CN109447968A (zh) | 2018-10-29 | 2018-10-29 | 图像区域生长算法的蜕变测试*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811265800.0A CN109447968A (zh) | 2018-10-29 | 2018-10-29 | 图像区域生长算法的蜕变测试*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447968A true CN109447968A (zh) | 2019-03-08 |
Family
ID=65548766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811265800.0A Pending CN109447968A (zh) | 2018-10-29 | 2018-10-29 | 图像区域生长算法的蜕变测试*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447968A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110823226A (zh) * | 2019-10-30 | 2020-02-21 | 北京航空航天大学 | 一种基于蜕变测试技术的无人机智能航路规划测试方法 |
CN111124896A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 一种主次峰值比计算算法的蜕变测试*** |
CN111830935A (zh) * | 2020-07-23 | 2020-10-27 | 深圳慕智科技有限公司 | 一种面向自动驾驶***的蜕变测试方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572462A (zh) * | 2014-12-31 | 2015-04-29 | 中国人民解放军理工大学 | 一种基于自适应随机策略的蜕变测试用例生成方法 |
-
2018
- 2018-10-29 CN CN201811265800.0A patent/CN109447968A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572462A (zh) * | 2014-12-31 | 2015-04-29 | 中国人民解放军理工大学 | 一种基于自适应随机策略的蜕变测试用例生成方法 |
Non-Patent Citations (3)
Title |
---|
CHAO JIANG ET AL.: "Metamorphic Testing of Image Region Growth Programs in Image Processing Applications", 《2018 IEEE INTERNATIONAL CONFERENCE ON SOFTWARE QUALITY, RELIABILITY AND SECURITY COMPANION (QRS-C)》 * |
刘俊等: "一种改进的基于区域生长的彩色图像分割方法", 《计算机应用与软件》 * |
惠战伟等: "一种基于蜕变关系的测试与失效测试用例定位模型", 《计算机科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110823226A (zh) * | 2019-10-30 | 2020-02-21 | 北京航空航天大学 | 一种基于蜕变测试技术的无人机智能航路规划测试方法 |
CN110823226B (zh) * | 2019-10-30 | 2021-04-30 | 北京航空航天大学 | 一种基于蜕变测试技术的无人机智能航路规划测试方法 |
CN111124896A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 一种主次峰值比计算算法的蜕变测试*** |
CN111830935A (zh) * | 2020-07-23 | 2020-10-27 | 深圳慕智科技有限公司 | 一种面向自动驾驶***的蜕变测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410241A (zh) | 图像区域生长算法的蜕变测试方法 | |
CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN110310262A (zh) | 一种用于检测轮胎缺陷的方法、装置及*** | |
CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
WO2023050563A1 (zh) | 一种基于自编码器的彩色纹理织物缺陷区域的检测方法 | |
CN111932511B (zh) | 一种基于深度学习的电子元器件质量检测方法与*** | |
CN109447968A (zh) | 图像区域生长算法的蜕变测试*** | |
CN109949287A (zh) | 一种基于自适应分割与模板校正的织物瑕疵检测方法 | |
CN111178392B (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN111124895B (zh) | 一种主次峰值比计算算法的蜕变测试方法 | |
CN117152484B (zh) | 基于改进的YOLOv5s的小目标布匹瑕疵检测方法 | |
CN110660049A (zh) | 一种基于深度学习的轮胎缺陷检测方法 | |
CN109002792B (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
CN103839271A (zh) | 一种基于最佳匹配的图像纹理合成方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN110033434A (zh) | 一种基于纹理显著性的表面缺陷检测方法 | |
CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试*** | |
CN113554630A (zh) | 芯片表面缺陷检测方法、***、计算机设备和存储介质 | |
CN114881996A (zh) | 缺陷检测方法及装置 | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
CN117523363A (zh) | 基于特征金字塔融合的晶圆图缺陷模式识别方法 | |
CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、***及介质 | |
CN113971651A (zh) | 检测方法以及检测装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |