CN110648312A - 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 - Google Patents
一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 Download PDFInfo
- Publication number
- CN110648312A CN110648312A CN201910826244.8A CN201910826244A CN110648312A CN 110648312 A CN110648312 A CN 110648312A CN 201910826244 A CN201910826244 A CN 201910826244A CN 110648312 A CN110648312 A CN 110648312A
- Authority
- CN
- China
- Prior art keywords
- scale
- fiber
- wool
- image
- cashmere
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 36
- 210000000085 cashmere Anatomy 0.000 title claims abstract description 31
- 210000002268 wool Anatomy 0.000 title claims abstract description 28
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000003086 colorant Substances 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000003491 array Methods 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000003287 optical effect Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/12—Edge-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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法，包括如下步骤：利用光学显微镜获取包含有羊毛和羊绒的纤维图像；对纤维图像进行预处理，以获得增强后的二值图像；预处理包括对比度拉伸、高斯平滑去噪、汉斯矩阵处理、Frangi滤波增强和图像二值化；利用连通域标记算法对二值图像所有连通域进行标记，并基于不同的颜色对单个鳞片连通域进行提取；基于质心法获取鳞片最终有效区域，并从中选取5个大小、形状相似的鳞片代表纤维；利用旋转取点法及两点距离算法计算鳞片的形态特征对纤维进行表述；重复上述步骤，得到多组多维特征向量数组，输入到贝叶斯分类模型进行训练，实现羊毛和羊绒纤维的鉴别。
Description
技术领域
本发明涉及图像处理与识别领域，具体地说，特别涉及到一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法。
背景技术
羊毛与羊绒纤维为纺织工业领域两种重要的材料，两者性能、价格相差巨大，但由于两者的外观、手感等性能较为相似，市场上经常会出现羊毛混杂甚至替代羊绒纤维进行服装生产制造的现象，扰乱了当下市场的秩序，同时，也侵犯了消费者的合法权益。随着我国羊绒纤维进出量的不断增加，准确、高效地实现两者的鉴别，已经变得十分重要。
当下纤维识别的主流方法主要是利用化学、物理、生物等方法，此类方法能够实现少量纤维的识别，但其对于现阶段大批量、多种类的纤维无法进行高效地处理，同时，此类方法对设备要求较高，且一般情况下需要专业人员进行操作，因此，不能满足当下背景的社会需求。
发明内容
本发明的目的在于针对现有技术中的不足，提供一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法，以解决现有技术中存在的问题。
本发明所解决的技术问题可以采用以下技术方案来实现：
一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法，包括如下步骤：
步骤1)利用光学显微镜获取包含有羊毛和羊绒的纤维图像；
步骤2)对纤维图像进行预处理，以获得增强后的二值图像；所述预处理包括对比度拉伸、高斯平滑去噪、汉斯矩阵处理、Frangi滤波增强和图像二值化；
步骤3)利用连通域标记算法对二值图像所有连通域进行标记，并基于不同的颜色对单个鳞片连通域进行提取；然后基于质心法获取鳞片最终有效区域，并从中选取5个大小、形状相似的鳞片代表纤维；
步骤4)利用旋转取点法及两点距离算法计算鳞片的形态特征以对纤维进行表述；所述的形态特征包括鳞片直径、鳞片高度、径高比；
步骤5)重复步骤2)至步骤4)，得到多组多维特征向量数组，然后输入到贝叶斯分类模型进行训练，实现羊毛与羊绒纤维的鉴别。
进一步的，所述步骤1)的具体方法如下：
将羊毛或羊绒纤维剪碎成1～2mm长的片段，并制成显微镜观察样本置于光学显微镜下，采用透射光、400倍放大倍数的透镜对样本进行观察，并利用数字相机将有效区域的纤维图像进行拍照并存储于计算机中。
进一步的，所述步骤2)的具体方法如下：
2.1)利用对比度拉伸算法对原始的纤维图像进行增强处理；
2.2)然后利用高斯平滑滤波去除增强后的纤维图像中的细节噪声，并将其汉斯矩阵输入到Frangi滤波器中，得到去除背景和噪声且边缘得到增强的纤维图像；
2.3)最后利用自适应阈值算法对其进行二值化处理，并基于骨架提取算法获得其最终的单像素纤维鳞片骨架图像。
进一步的，所述步骤3)和步骤4)为基于数字图像处理的纤维鳞片分割提取的方法，其具体如下：
步骤3)首先利用连通域标记算法对预处理后的纤维二值轮廓图像采用不同的颜色进行标记，然后基于不同颜色将每个鳞片进行单独提取，定位鳞片连通域区域的质心，并根据质心，用矩形方框对鳞片区域进行标记，从而分割得到最终纤维的所有鳞片图像，最后从所有鳞片图像中选择五个形状、结构相似的鳞片作为描述整个纤维的代表性鳞片。
步骤4)首先定位鳞片的质心O的位置，再以质心为起点，绘制水平射线OX，与鳞片边缘交于点A，OA线垂直于纤维边缘轮廓；接下来，射线OA依次旋转三次，每个旋转角度均为90度，该射线分别与鳞片其它三条边缘线交于点B、C和D；然后分别计算AC和BD之间的距离，作为描述鳞片的直径和高度特征，其比例作为描述鳞片的径高比特征。重复上述步骤，对选取的五个鳞片特征依次进行计算，取其平均值作为描述单根纤维的三维特征数组。
进一步的，所述三维数组包括纤维直径、鳞片高度、径高比。
与现有技术相比，本发明的有益效果在于：
1.能够通过图像处理相关的算法准确实现纤维鳞片的准确分割提取；
2.能够对纤维的纵向形态特征进行分析，并通过机器学习的算法实现纤维种类的自动鉴别，降低了人为等外界因素的干扰；
3.与传统的纤维识别算法及先前的基于形态特征分析的纤维识别算法相比，效率更高、准确率更好。
附图说明
图1为本发明所述的羊毛与羊绒纤维识别方法的流程图。
图2为本发明所述的纤维图像预处理算法流程图。
图3为本发明所述的纤维鳞片分割提取示意图。
图4为本发明所述的纤维鳞片连通域标记及提取示意图。
图5为本发明所述的纤维鳞片特征提取原理示意图。
图6为本发明所述的贝叶斯分类模型算法流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明所述的一种基于鳞片形态特征分析的羊毛羊绒纤维识别方法，其包括如下步骤：
步骤1：获取羊毛羊绒动物纤维图像。详细地，步骤1包括如下步骤：
首先将收集到的羊毛与羊绒纤维样本剪碎成1～2mm片断置于溶液中，并搅拌均匀，然后利用胶头滴管吸取含有羊毛羊绒纤维的溶液于载玻片上制成观察样本，放置于显微镜物镜下，利用40倍放大倍数进行观察，并将有效纤维区域图像进行采集储存于计算机中。
步骤2：对纤维图像进行预处理，以获得增强后的二值图像。请参阅图2，详细地，步骤2包括如下步骤：
(1)假设原始灰度图像为I(x,y),则利用对比度拉伸算法对输入图像在灰度空间范围内进行像素灰度值拉伸以增强纤维灰度图像I’(x,y)，其中Imin和Imax分别为图像中最小和最大灰度值，MIN和MAX为灰度空间的最小值和最大值。
(2)由于采集过程中可能会产生一定的噪声，而二阶偏导数对噪声较为敏感，因此需要利用高斯模糊滤波算法对增强后的图像进行去噪处理，以使得图像高频中的噪声进行去除。
(3)对处理后的纤维图像进行汉斯矩阵变换以获得用于构建滤波器的特征参数。由于图像仅包含横向和纵向两个方向，所以首先求取处理后图像g(x,y)的二阶偏导数，如下式所示，
然后将其与增强后图像进行卷积操作即可得到变换后图像的汉斯矩阵，如下式中H矩阵所示，令其等于0，即可得到该矩阵的两个特征值λ1和λ2。
Ixx＝Gxx*Im g Iyy＝Gyy*Im g Ixy＝Gxy*Im g
(4)根据汉斯矩阵的两个有效的特征值即可构造应用于边缘增强的Frangi滤波器v0，其中β是区分条带区域的敏感系数，c是全局平滑系数。
假设A和B构成了Frangi滤波器的传递函数，则纤维图像中背景、噪声、边缘三种区域的响应值分别如下表1所示。从表中可以看出背景中像素对A的响应值较小，孤立噪声像素对B的响应值较小，导致两者对传递函数的响应值较小。但是，纤维纹理的像素对A和B的响应都比较高，因此对传递函数的响应值也比较高。所以，通过基于汉斯矩阵的Frangi滤波器可以将背景和噪声点进行去除，从而获得增强后的纤维纹理边缘图像。
| 背景 | 噪声点 | 纹理 | |
| |A| | 小 | 小 | 大 |
| |B| | 小 | 大 | 大 |
表1
(5)利用自适应二值化(OTSU)算法对滤波器输出图像进行二值化处理，获得最终的纤维轮廓二值图像。
(6)利用细化算法对纤维轮廓二值图像进行骨架提取，以获得单像素的纤维二值轮廓图，从而能够更好地应用于后续纤维鳞片的检测与分割。
步骤3：利用连通域标记算法对二值图像所有连通域进行标记，并基于不同的颜色对单个鳞片连通域进行提取；然后基于质心法获取鳞片最终有效区域，并从中选取5个大小、形状相似的鳞片代表纤维。
请参阅图3和图4，详细地，步骤3包括如下步骤：
首先利用连通域标记算法对预处理后的纤维二值轮廓图像采用不同的颜色进行标记，然后基于不同颜色将每个鳞片进行单独提取，如图4所示，由于提取出的鳞片存在与整个纤维背景之中，因此，我们定位鳞片连通域区域的质心，然后根据质心，用矩形方框对鳞片区域进行标记，从而可以分割得到最终纤维的所有鳞片图像，一般情况下，实验中从所有鳞片图像中选择5个形状、结构相似的鳞片作为描述整个纤维的代表性鳞片。
步骤4：利用旋转取点法及两点距离算法计算纤维鳞片的形态特征。
请参阅图5，详细地，步骤4包括如下步骤：
从图5中可以看出，纤维直径和鳞片高度分别可以近似于左右边缘和上下边缘的距离，因此我们可以根据此描述计算这两个特征。首先定位鳞片的质心O的位置，再以质心为起点，绘制水平射线OX，与鳞片边缘交于点A，OA线大致垂直于纤维边缘轮廓。接下来，射线OA依次旋转三次，每个旋转角度均为90度，该射线分别与鳞片其它三条边缘线交于点B、C和D。因此，鳞片高度、纤维直径及径高比可分别用以下公式近似表示。然后重复上述步骤，对选取的五个鳞片特征依次进行计算，然后取其平均值作为描述单根纤维的三维特征数组。
Dh＝dOB+dOD
Dd＝dOA+dOC
R＝Dd/Dh
步骤5：将得到的多组多维特征向量数组输入到贝叶斯分类模型进行训练，并实现羊毛与羊绒纤维的鉴别。
请参阅图6，详细地，步骤5包括如下步骤：
当采用贝叶斯分类模型对这些特征数据集进行分类时，由于采用纤维直径、鳞片高度及径高比作为描述不同纤维的特征指标，可以用x1、x2、x3表示，因此一根纤维可以表示为x＝(x1、x2、x3)。如果将羊绒设定为f1，则羊毛设定为f2，不同种类的纤维的条件概率为P(fi|x)，识别规则如表2所示。
| 判别准则 | 鉴别结果 |
| P(f<sub>1</sub>|x)＞P(f<sub>2</sub>|x) | 羊毛 |
| P(f<sub>1</sub>|x)＜P(f<sub>2</sub>|x) | 羊绒 |
| P(f<sub>2</sub>|x)＝P(f<sub>1</sub>|x) | 都不是 |
表2
如果假设两者的先验概率P(f1)与P(f2)相同，并且特征指数彼此独立，服从高斯分布，则可以从贝叶斯定理中得到下式所示每类的条件概率，
因为P(x)对每一种类都是相同的，所以P(f1|x)和P(f2|x)的比较可以转化为P(x|f1)和P(x|f2)的比较。由于特征指数x是相互独立的，最终的贝叶斯准则可以用下列公式表示，从而根据判别规则准确地得到识别结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法，其特征在于，包括如下步骤：
步骤1)利用光学显微镜获取包含有羊毛和羊绒的纤维图像；
步骤2)对纤维图像进行预处理，以获得增强后的二值图像；所述预处理包括对比度拉伸、高斯平滑去噪、汉斯矩阵处理、Frangi滤波增强和图像二值化；
步骤3)利用连通域标记算法对二值图像所有连通域进行标记，并基于不同的颜色对单个鳞片连通域进行提取；然后基于质心法获取鳞片最终有效区域，并从中选取5个大小、形状相似的鳞片代表纤维；
步骤4)利用旋转取点法及两点距离算法计算鳞片代表纤维的形态特征；所述的形态特征包括鳞片直径、鳞片高度、径高比；
步骤5)重复步骤2)至步骤4)，得到多组多维特征向量数组，然后输入到贝叶斯分类模型进行训练，实现羊毛与羊绒纤维的鉴别。
2.根据权利要求1所述的基于鳞片形态特征分析的羊毛与羊绒纤维识别方法，其特征在于，所述步骤1)的具体方法如下：
将羊毛或羊绒纤维剪碎成1～2mm长的片段，并制成显微镜观察样本置于光学显微镜下，采用透射光、400倍放大倍数的透镜对样本进行观察，并利用数字相机将有效区域的纤维图像进行拍照并存储于计算机中。
3.根据权利要求1所述的基于鳞片形态特征分析的羊毛与羊绒纤维识别方法，其特征在于，所述步骤2)的具体方法如下：
2.1)利用对比度拉伸算法对原始的纤维图像进行增强处理；
2.2)然后利用高斯平滑滤波去除增强后的纤维图像中的细节噪声，并将其汉斯矩阵输入到Frangi滤波器中，得到去除背景和噪声且边缘得到增强的纤维图像；
2.3)最后利用自适应阈值算法对其进行二值化处理，并基于骨架提取算法获得其最终的单像素纤维鳞片骨架图像。
4.根据权利要求1所述的基于鳞片形态特征分析的羊毛与羊绒纤维识别方法，其特征在于，所述步骤3)和步骤4)为基于数字图像处理的纤维鳞片分割提取的方法，其具体如下：
步骤3)首先利用连通域标记算法对预处理后的纤维二值轮廓图像采用不同的颜色进行标记，然后基于不同颜色将每个鳞片进行单独提取，定位鳞片连通域区域的质心，并根据质心，用矩形方框对鳞片区域进行标记，从而分割得到最终纤维的所有鳞片图像，最后从所有鳞片图像中选择五个形状、结构相似的鳞片作为描述整个纤维的代表性鳞片。
步骤4)首先定位鳞片的质心O的位置，再以质心为起点，绘制水平射线OX，与鳞片边缘交于点A，OA线垂直于纤维边缘轮廓；接下来，射线OA依次旋转三次，每个旋转角度均为90度，该射线分别与鳞片其它三条边缘线交于点B、C和D；然后分别计算AC和BD之间的距离，作为描述鳞片的直径和高度特征，其比例作为描述鳞片的径高比特征。重复上述步骤，对选取的五个鳞片特征依次进行计算，取其平均值作为描述单根纤维的三维特征数组。
5.根据权利要求1所述的基于鳞片形态特征分析的羊毛与羊绒纤维识别方法，其特征在于，所述三维数组包括纤维直径、鳞片高度、径高比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910826244.8A CN110648312A (zh) | 2019-09-03 | 2019-09-03 | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910826244.8A CN110648312A (zh) | 2019-09-03 | 2019-09-03 | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110648312A true CN110648312A (zh) | 2020-01-03 |
Family
ID=69010173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910826244.8A Pending CN110648312A (zh) | 2019-09-03 | 2019-09-03 | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110648312A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986173A (zh) * | 2020-08-18 | 2020-11-24 | 创新奇智(合肥)科技有限公司 | 一种获取直段图的方法及装置 |
| CN112070789A (zh) * | 2020-08-27 | 2020-12-11 | 电子科技大学 | 一种密集纤维细胞的轮廓估算方法 |
| CN112927180A (zh) * | 2020-10-15 | 2021-06-08 | 内蒙古鄂尔多斯资源股份有限公司 | 一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法 |
| CN118195923A (zh) * | 2024-05-16 | 2024-06-14 | 苏州市纤维检验院 | 一种用于深色羊毛羊绒定性实验的显微镜图像增强方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120269420A1 (en) * | 2009-04-07 | 2012-10-25 | Kayvan Najarian | Image Processing and Machine Learning for Diagnostic Analysis of Microcirculation |
| CN106529550A (zh) * | 2016-10-25 | 2017-03-22 | 凌云光技术集团有限责任公司 | 基于连通域分析的多维特征量提取方法及装置 |
| CN108776785A (zh) * | 2018-06-01 | 2018-11-09 | 上海工程技术大学 | 一种基于多特征融合的羊毛羊绒识别方法 |
| CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
| CN109492544A (zh) * | 2018-10-19 | 2019-03-19 | 兰波(苏州)智能科技有限公司 | 一种通过增强光学显微镜对动物纤维进行分类的方法 |
-
2019
- 2019-09-03 CN CN201910826244.8A patent/CN110648312A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120269420A1 (en) * | 2009-04-07 | 2012-10-25 | Kayvan Najarian | Image Processing and Machine Learning for Diagnostic Analysis of Microcirculation |
| CN106529550A (zh) * | 2016-10-25 | 2017-03-22 | 凌云光技术集团有限责任公司 | 基于连通域分析的多维特征量提取方法及装置 |
| CN108776785A (zh) * | 2018-06-01 | 2018-11-09 | 上海工程技术大学 | 一种基于多特征融合的羊毛羊绒识别方法 |
| CN109003279A (zh) * | 2018-07-06 | 2018-12-14 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
| CN109492544A (zh) * | 2018-10-19 | 2019-03-19 | 兰波(苏州)智能科技有限公司 | 一种通过增强光学显微镜对动物纤维进行分类的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 石先军: "羊绒特征判析准则及快速识别算法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986173A (zh) * | 2020-08-18 | 2020-11-24 | 创新奇智(合肥)科技有限公司 | 一种获取直段图的方法及装置 |
| CN112070789A (zh) * | 2020-08-27 | 2020-12-11 | 电子科技大学 | 一种密集纤维细胞的轮廓估算方法 |
| CN112070789B (zh) * | 2020-08-27 | 2022-06-21 | 电子科技大学 | 一种密集纤维细胞的轮廓估算方法 |
| CN112927180A (zh) * | 2020-10-15 | 2021-06-08 | 内蒙古鄂尔多斯资源股份有限公司 | 一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法 |
| CN118195923A (zh) * | 2024-05-16 | 2024-06-14 | 苏州市纤维检验院 | 一种用于深色羊毛羊绒定性实验的显微镜图像增强方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kulwa et al. | A state-of-the-art survey for microorganism image segmentation methods and future potential | |
| JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN110648312A (zh) | 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法 | |
| CN106340016B (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
| CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN110736747B (zh) | 一种细胞液基涂片镜下定位的方法及*** | |
| CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
| CN108961301B (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
| JP2022506135A (ja) | ヒトの寄与を組み込む反復的深層学習フローを使用した顕微鏡画像内の３ｄ細胞間構造のセグメント化 | |
| CN101826209A (zh) | 一种基于Canny模型的三维医学图像分割方法 | |
| Pospiech et al. | Identification of pollen taxa by different microscopy techniques | |
| Khedaskar et al. | A survey of image processing and identification techniques | |
| CN103793709A (zh) | 细胞识别方法和装置、以及尿液分析仪 | |
| WO2019181072A1 (ja) | 画像処理方法、コンピュータプログラムおよび記録媒体 | |
| CN108596176B (zh) | 一种对提取的硅藻区域进行硅藻类型识别方法及装置 | |
| Rachna et al. | Detection of Tuberculosis bacilli using image processing techniques | |
| CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
| Zhang et al. | A novel concavity based method for automatic segmentation of touching cells in microfluidic chips | |
| Zheng et al. | Automatic setae segmentation from Chaetoceros microscopic images | |
| Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
| Kennel et al. | Automatic identification of cell files in light microscopic images of conifer wood | |
| CN115705748A (zh) | 一种面部特征的识别*** | |
| CN110954002A (zh) | 一种光纤直径测量方法 |
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 |