CN111598897B - 基于Otsu和改进Bernsen的红外图像分割方法 - Google Patents
基于Otsu和改进Bernsen的红外图像分割方法 Download PDFInfo
- Publication number
- CN111598897B CN111598897B CN202010402539.5A CN202010402539A CN111598897B CN 111598897 B CN111598897 B CN 111598897B CN 202010402539 A CN202010402539 A CN 202010402539A CN 111598897 B CN111598897 B CN 111598897B
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- formula
- window
- otsu
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003709 image segmentation Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001757 thermogravimetry curve Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/136—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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于Otsu和改进Bernsen的红外图像分割方法,具体为:首先,对输入原图像进行对比度扩展变换预处理,预处理后的图像满足直方图均衡化;在采用Otsu法计算出分割阈值GT,将图像分割为背景区域和目标区域两部分;之后对目标区域中的g(i,j)在(2w+1)×(2w+1)窗口内进行高斯平滑滤波;再采用改进的Bernsen法预判图像局部窗口内的对比度是否超出阈值范围,得到图像的阈值T(i,j);最后,利用T(i,j)对图像进行逐点二值化,得到二值化图像b(i,j);本发明解决了Otsu法在处理光照不均匀、背景复杂的图像时出现过分割的问题;改进了Bernsen法强制二值化导致分割后图像噪声严重、边缘缺失的问题,将两种方法相结合提高了图像分割的效率和准确率。
Description
技术领域
本发明属于图像分割技术领域,涉及一种基于Otsu和改进Bernsen的红外图像分割方法。
背景技术
在电气设备在线监测***中,红外图像分割效果的好坏直接影响着电气设备故障诊断的准确性,为了尽早发现电气设备存在的异常过热等故障状态,研究红外图像分割算法对于电气设备的故障分析和诊断都具有非常重要的意义。采用图像分割的方法对电气设备红外图像进行处理,能够将电气设备的图像与背景图像进行分离,将其从背景图像中提取出来,进行单独的分析判断。目前已经研究较为成熟并应用较多的分割方法有基于阈值的分割方法、基于区域的分割方法和基于边缘的分割方法等。其中阈值分割方法是一种诞生比较早的分割方法,因其计算量小、性能稳定、实现简单,而且总能用封闭且联通的边界定义不交叠的区域,成为应用于红外图像分割中最基本和最广泛的分割技术。常见基于阈值分割的方法有Otsu法、固定门限阈值法、Bernsen法、Niblack法和最大熵阈值法等。
根据阈值的选取不同将阈值分割方法分为全局阈值法和局部阈值法。对于目标和背景分离明显、灰度直方图呈明显双峰模式的图像,通常采用全局阈值法,如Otsu法,它具有操作简单和分割效率高等优点,但它难以处理光照不均匀、背景复杂的红外图像。对于灰度直方图呈非双峰型,目标与背景有多处混杂的图像,通常采用局部阈值法,如Bernsen法,其阈值由考察点邻域的灰度确定,能够有效处理光照不均的红外图像。Bernsen法虽然能处理更为复杂的问题,但是容易导致强制二值化产生大量噪声,造成目标区域边缘的缺失或者运算速度受到很大影响。
由于红外图像是通过“测量”物体向外辐射的热量而获得的热像温谱图,与可见光图像相比,具有分辨率差、对比度低、信噪比低等特点,容易导致视觉效果模糊。因此直接应用常用的图像分割算法进行红外图像分割,效果并不理想。
发明内容
本发明的目的是提供基于Otsu和改进Bernsen的红外图像分割方法,解决了现有技术分割图像时出现强制二值化导致边缘缺失、运算速度缓慢的问题。
本发明所采用的技术方案是,基于Otsu和改进Bernsen的红外图像分割方法,具体按照以下步骤实施:
步骤1,对输入图像进行对比度扩展变换预处理,预处理后的图像满足直方图均衡化;
步骤2,采用Otsu法计算出分割阈值GT,将图像分割为背景区域和目标区域两部分;
步骤3,对目标区域中的g(i,j)在(2w+1)×(2w+1)窗口内进行高斯平滑滤波;
步骤4,采用改进的Bernsen法预判图像局部窗口内的对比度是否超出阈值范围,得到图像的阈值T(i,j);
步骤5,利用T(i,j)对图像进行逐点二值化,得到二值化图像b(i,j)。
本发明的特点还在于
步骤1中,具体为:设输入图像I的大小为M×N,图像在点(i,j)的灰度值为f(i,j),预处理过程如公式(1)、(2)及(3)所示;
A=min[f(i,j)] (1);
B=max[f(i,j)] (2);
式中,A为图像的最小灰度值,B为图像最大的灰度值,g(i,j)是对比度扩展变换后的图像灰度,灰度动态范围为[0,255]。
步骤2中,采用一维Otsu法,计算出全局阈值GT对图像进行背景分割,具体计算过程如下:
对于图像I,将前景与背景的分割阈值设为GT,目标区域比例ω0的计算如公式(4)所示:
式(4)中,N0为图像中灰度值小于阈值g(i,j)的像素个数;
背景区域比例ω1的计算如公式(5)所示:
式(5)中,N1为图像中像素灰度值大于阈值g(i,j)的像素个数;
平均灰度值μ的计算如公式(6)所示:
μ=ω0×μ0+ω1×μ1 (6);
式(6)中,μ0为目标区域平均灰度值,μ1为背景区域平均灰度值。
类间方差s的计算如公式(7)所示:
s=ω0(μ0-μ)2+ω1(μ1-μ)2 (7);
步骤3中,采用高斯平滑滤波对目标区域像素点进行滤波处理,具体过程如下所示:
对目标区域内的像素点(i,j)在(2w+1)×(2w+1)窗口内进行高斯平滑滤波,如公式(8)所示:
步骤4中,采用改进的Bernsen法计算出目标区域的阈值T1(i,j),如公式(9)所示:
式(9)中,k、l为窗口内的位置参数;
预判目标区域中图像局部窗口内的对比度是否超出阈值范围,根据最终得到图像的阈值T(i,j)判断像素点是否满足目标区域的条件,如公式(10)所示:
式(10)中,Imax为g(i,j)在窗口内的灰度最大值,Imin为g(i,j)在窗口内的灰度最小值,GT为Otsu法得到的图像的全局阈值,S为窗口内灰度对比度阈值,S=15。
式(11)中,b(i,j)为记录二值化结果的矩阵。
本发明的有益效果是,
(1)本发明方法对图像进行对比度扩展变换预处理,可以加大图像中目标区域和背景区域的区分度,为后期的图像分割减少分割误差;
(2)本发明方法采用Otsu法获得图像全局阈值,其优点在于能有效去除大面积复杂背景的干扰,运算速度快,方便后续进一步处理;
(3)本发明方法采用改进的Bernsen法,能够有效减少原方法产生的噪声点,稳定性更强,得到的二值化结果具有清晰丰富、目标形状饱满完整的特点;
(4)本发明方法将传统的Otsu法和改进的Bernsen法相结合,解决了Otsu法在处理光照不均匀、背景复杂的图像时容易产生过分割的问题和Bernsen法分割图像时出现强制二值化导致图像噪声严重、边缘缺失的问题,提高了图像分割的效率和准确率。
附图说明
图1是本发明基于Otsu和改进Bernsen的红外图像分割方法的流程示意图;
图2是原始灰度图像;
图3是采用Otsu算法进行红外图像分割效果图;
图4是采用Bernsen算法进行红外图像分割效果图;
图5是采用本发明方法进行红外图像分割效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于Otsu和改进Bernsen的红外图像分割方法,如图1所示,具体按照以下步骤实施:
步骤1,对输入图像进行对比度扩展变换预处理,预处理后的图像满足直方图均衡化;
具体为:设输入图像I的大小为M×N,图像I在点(i,j)的灰度值为f(i,j),其中对原图像进行对比度扩展,灰度范围越广,图像的对比度就越高,对应的图像就越清晰,预处理过程如公式(1)、(2)及(3)所示;
A=min[f(i,j)] (1);
B=max[f(i,j)] (2);
式中,A为图像的最小灰度值,B为图像最大的灰度值,g(i,j)是对比度扩展变换后的图像灰度,灰度动态范围为[0,255];
步骤2,采用Otsu法计算出分割阈值GT,将图像分割为背景区域和目标区域两部分;
采用一维Otsu法,计算出全局阈值GT对图像进行背景分割,能够快速高效地分割背景,保留目标区域,具体计算过程如下:
对于图像I,将前景与背景的分割阈值设为GT,目标区域比例ω0的计算如公式(4)所示:
式(4)中,N0为图像中灰度值小于阈值g(i,j)的像素个数;
背景区域比例ω1的计算如公式(5)所示:
式(5)中,N1为图像中像素灰度值大于阈值g(i,j)的像素个数;
平均灰度值μ的计算如公式(6)所示:
μ=ω0×μ0+ω1×μ1 (6);
式(6)中,μ0为目标区域平均灰度值,μ1为背景区域平均灰度值。
类间方差s的计算如公式(7)所示:
s=ω0(μ0-μ)2+ω1(μ1-μ)2 (7);
步骤3,对目标区域中的g(i,j)在(2w+1)×(2w+1)窗口内进行高斯平滑滤波;
采用高斯平滑滤波首先对目标区域像素点进行滤波处理,避免分割图像后产生大量噪声点,具体过程如下所示:
对目标区域内的像素点(i,j)在(2w+1)×(2w+1)窗口内进行高斯平滑滤波,如公式(8)所示:
步骤4,采用改进的Bernsen法预判图像局部窗口内的对比度是否超出阈值范围,得到图像的阈值T(i,j);
在对像素点进行滤波处理后得到改进的Bernsen法,采用改进的Bernsen法计算出目标区域的阈值T1(i,j),如公式(9)所示:
式(9)中,k、l为窗口内的位置参数;
预判目标区域中图像局部窗口内的对比度是否超出阈值范围,根据最终得到图像的阈值T(i,j)判断像素点是否满足目标区域的条件,如公式(10)所示:
式(10)中,Imax为g(i,j)在窗口内的灰度最大值,Imin为g(i,j)在窗口内的灰度最小值,GT为Otsu法得到的图像的全局阈值,S为窗口内灰度对比度阈值,通常取15;
步骤5,利用T(i,j)对图像进行逐点二值化,得到二值化图像b(i,j);
利用阈值T(i,j)遍历目标区域图像中每个像素点,得到与原目标区域图像维数相同的二值化图像,对逐点二值化,能够过滤会被强制二值化的像素点,保证最终得到的目标图像边缘清晰,具体二值化计算如公式(11)所示:
式(11)中,b(i,j)为记录二值化结果的矩阵。
本发明的方法中,对Bernsen法进行改进,添加了高斯平滑滤波,能够有效避免传统Bernsen法分割图像后产生大量噪声点的问题,并且能够处理光照不均图像。利用改进的Bernsen法得到滤波后的阈值T(i,j),然后对像素点进行过滤和二值化处理,充分利用图像的局部和全局信息,在保证较好的二值化效果的同时,能够突出图形细节,避免强制二值化处理。
图2是原始灰度图像;图3是采用Otsu算法进行红外图像分割效果图;由图可知,该方法能基本能分割出故障区域,但是容易产生过分割的现象;图4是采用Bernsen算法进行红外图像分割效果图;采用该方法分割后的图像边缘完整,但是容易产生大量噪声,导致分割后的图像视觉效果差;图5是采用本发明方法进行红外图像分割效果图,该方法能够快速有效分割故障区域,并且目标区域边缘清晰完整,能够很好地实现对光照不均的红外图像的分割。采用各方法实验结果对比,如表1所示,由表1可知,本方法的实验结果与参考值相差1.1%,在以上几种方法中误差最小,表明该方法计算的准确度能够满足相关要求。
表1各方法实验结果对比
综上所述,采用本发明的方法去分割图像,图像分割的准确率较高,实现了对图像中目标区域的准确提取。
Claims (4)
1.基于Otsu和改进Bernsen的红外图像分割方法,其特征在于,具体按照以下步骤实施:
步骤1,对输入图像进行对比度扩展变换预处理,预处理后的图像满足直方图均衡化;
步骤2,采用Otsu法计算出分割阈值GT,将图像分割为背景区域和目标区域两部分;具体计算过程如下:
对于图像I,将前景与背景的分割阈值设为GT,目标区域比例ω0的计算如公式(4)所示:
式(4)中,N0为图像中灰度值小于阈值g(i,j)的像素个数;
背景区域比例ω1的计算如公式(5)所示:
式(5)中,N1为图像中像素灰度值大于阈值g(i,j)的像素个数;
平均灰度值μ的计算如公式(6)所示:
μ=ω0×μ0+ω1×μ1 (6);
式(6)中,μ0为目标区域平均灰度值,μ1为背景区域平均灰度值;
类间方差s的计算如公式(7)所示:
s=ω0(μ0-μ)2+ω1(μ1-μ)2 (7);
步骤3,对目标区域中的g(i,j)在(2w+1)×(2w+1)窗口内进行高斯平滑滤波;
步骤4,采用改进的Bernsen法预判图像局部窗口内的对比度是否超出阈值范围,得到图像的阈值T(i,j);
采用改进的Bernsen法计算出目标区域的阈值T1(i,j),如公式(9)所示:
式(9)中,k、l为窗口内的位置参数;
预判目标区域中图像局部窗口内的对比度是否超出阈值范围,根据最终得到图像的阈值T(i,j)判断像素点是否满足目标区域的条件,如公式(10)所示:
式(10)中,Imax为g(i,j)在窗口内的灰度最大值,Imin为g(i,j)在窗口内的灰度最小值,GT为Otsu法得到的图像的全局阈值,S为窗口内灰度对比度阈值,S=15;
步骤5,利用T(i,j)对图像进行逐点二值化,得到二值化图像b(i,j)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402539.5A CN111598897B (zh) | 2020-05-13 | 2020-05-13 | 基于Otsu和改进Bernsen的红外图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402539.5A CN111598897B (zh) | 2020-05-13 | 2020-05-13 | 基于Otsu和改进Bernsen的红外图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598897A CN111598897A (zh) | 2020-08-28 |
CN111598897B true CN111598897B (zh) | 2023-03-28 |
Family
ID=72187264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010402539.5A Active CN111598897B (zh) | 2020-05-13 | 2020-05-13 | 基于Otsu和改进Bernsen的红外图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598897B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287942A (zh) * | 2020-10-20 | 2021-01-29 | 哈尔滨理工大学 | 一种适用于非均匀光照条件的二值化方法 |
CN112287888B (zh) * | 2020-11-20 | 2024-06-18 | 中国铁建电气化局集团第二工程有限公司 | 一种基于预测权重的轨道转弯识别方法 |
CN113920028B (zh) * | 2021-10-15 | 2023-05-30 | 中国科学院光电技术研究所 | 一种基于变宽滤波的渐晕图像校正方法 |
CN114049369B (zh) * | 2021-10-29 | 2024-07-02 | 农业农村部南京农业机械化研究所 | 基于自适应阈值分割算法的农料均匀性检测方法及*** |
CN114549670B (zh) * | 2022-02-23 | 2023-04-07 | 京东方数字科技有限公司 | 图像处理方法及图像处理*** |
CN114926453B (zh) * | 2022-06-13 | 2023-03-10 | 四川大学 | 基于改进局部阈值的低对比度接插件针脚区域分离方法 |
CN117115035A (zh) * | 2023-09-04 | 2023-11-24 | 长春奥普光电技术股份有限公司 | 不均匀光照图像校正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2899671A1 (en) * | 2012-09-21 | 2015-07-29 | ZTE Corporation | Identification method and device for target object in image |
CN105374015A (zh) * | 2015-10-27 | 2016-03-02 | 湖北工业大学 | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 |
CN107808382A (zh) * | 2017-09-26 | 2018-03-16 | 广东工业大学 | 一种基于色彩饱和度信息的pcb条码分割方法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
-
2020
- 2020-05-13 CN CN202010402539.5A patent/CN111598897B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2899671A1 (en) * | 2012-09-21 | 2015-07-29 | ZTE Corporation | Identification method and device for target object in image |
CN105374015A (zh) * | 2015-10-27 | 2016-03-02 | 湖北工业大学 | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 |
CN107808382A (zh) * | 2017-09-26 | 2018-03-16 | 广东工业大学 | 一种基于色彩饱和度信息的pcb条码分割方法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN109816681A (zh) * | 2019-01-10 | 2019-05-28 | 中国药科大学 | 基于自适应局部阈值二值化的水体微生物图像分割方法 |
Non-Patent Citations (2)
Title |
---|
一种全局和局部相结合的二值化方法研究;孟立娜等;《计算机技术与发展》(第11期);全文 * |
基于模板算子边缘检测的图像二值化算法;田敬波;《信息技术与信息化》(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111598897A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598897B (zh) | 基于Otsu和改进Bernsen的红外图像分割方法 | |
Kavitha et al. | A novel hybrid segmentation method with particle swarm optimization and fuzzy c-mean based on partitioning the image for detecting lung cancer | |
CN109993736B (zh) | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN110544262B (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
CN107507215B (zh) | 一种基于自适应量化增强的电力设备红外热图分割方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN101710425A (zh) | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 | |
CN115131351B (zh) | 基于红外图像的机油散热器检测方法 | |
CN114494318B (zh) | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 | |
CN112435235B (zh) | 一种基于图像分析的籽棉含杂率检测方法 | |
Mubashshira et al. | An unsupervised approach for road surface crack detection | |
CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
CN112017109A (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN113850792A (zh) | 一种基于计算机视觉的细胞分类计数方法及*** | |
Lin et al. | Image segmentation based on edge detection and region growing for thinprep-cervical smear | |
CN116524269A (zh) | 一种视觉识别检测*** | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及*** | |
CN113822864B (zh) | 一种乳腺结节钙化检测装置 | |
CN112651936B (zh) | 基于图像局部熵的钢板表面缺陷图像分割方法及*** | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 | |
CN111489371B (zh) | 一种场景的直方图近似单峰分布时的图像分割方法 | |
CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 |
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 |