CN115661098A - 一种海底管线二维冲刷剖面图像识别与数据提取方法 - Google Patents
一种海底管线二维冲刷剖面图像识别与数据提取方法 Download PDFInfo
- Publication number
- CN115661098A CN115661098A CN202211365748.2A CN202211365748A CN115661098A CN 115661098 A CN115661098 A CN 115661098A CN 202211365748 A CN202211365748 A CN 202211365748A CN 115661098 A CN115661098 A CN 115661098A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- profile
- scour
- data extraction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013075 data extraction Methods 0.000 title claims abstract description 18
- 238000009991 scouring Methods 0.000 title claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000005260 corrosion Methods 0.000 claims abstract description 7
- 230000007797 corrosion Effects 0.000 claims abstract description 7
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 230000004907 flux Effects 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000011010 flushing procedure Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract 2
- 238000004891 communication Methods 0.000 description 5
- 230000010339 dilation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种海底管线二维冲刷剖面图像识别与数据提取方法，获取多张图像，形成图像集；对图像集进行灰度化处理，获取灰度图集一；对灰度图集一进行傅里叶变换、高斯低通滤波、反傅里叶变换，最终获得灰度图集二；对灰度图集二采用带阈值的canny算法进行边缘检测，获得二值化图集一；对二值化图集一采用膨胀、腐蚀算法进行处理，获得二值化图集二；对二值化图集二中连通分量进行标注，找出目标连通分量所对应的标注，提取后绘制在坐标轴内，形成的曲线即为待测量的海底管线下方冲刷剖面；本发明能够准确识别海底管线下方冲刷坑的剖面形态，且能够对大批量的图像同时进行识别提取。
Description
技术领域
本发明涉及一种海底管线二维冲刷剖面图像识别与数据提取方法，属于图像识别技术领域。
背景技术
海底管线悬空后，悬空管线可能会因涡激振动而被破坏，当悬跨达到一定长度时管线会在自身重力作用下弯曲。此外，若管线下方冲刷坑深度较深，船舶抛锚或者收锚时更有可能对管线造成破坏，因此关注海底管线下方冲刷坑的形态是重要的检测手段。
为了对海底管线下方冲刷坑剖面进行测量，需要准确获取其二维剖面图，现有技术中如CN 114529715 A的申请，公开了“一种基于边缘提取的图像识别方法及***”，其只能够识别所有边缘线条，而不能将图像中某些特定的线条提取出来；而常规实验室内实验测量二维剖面的方法一般有以下两种：
第一种：实验之后，将冲刷后的水槽排干水，使用探针进行逐点测量。此方法效率较低，测量过程中可能会出现较大的人工读数误差，且此种方法仅能对试验完成后的冲刷地形进行测量，无法实现试验过程中的冲刷地形逐时测量。
第二种：提前在玻璃水槽的壁面上贴上标尺，实验过程中逐时拍摄照片，然后通过人眼观察刻度进行读数和冲刷地形数据提取。此方法只能对各图像进行逐个人工操作，无法同时进行大批量图像的处理，据估算，平均一张图片处理时间约2分钟，则处理1000张图片则需要2000分钟，相对来说效率较为低下。
因此，亟需一种新的图像识别与数据提取方法，以精准识别海底管线下方冲刷坑的二维剖面图，以及高效处理数据。
发明内容
本发明提供一种海底管线二维冲刷剖面图像识别与数据提取方法，能够准确识别海底管线下方冲刷坑的剖面形态，且能够对大批量的图像同时进行识别提取。
本发明解决其技术问题所采用的技术方案是：
一种海底管线二维冲刷剖面图像识别与数据提取方法，具体包括以下步骤：
步骤S101：对待测量的海底管线下方冲刷坑剖面进行拍照，获取多张图像，形成图像集；
步骤S102：对图像集内的若干目标图像进行灰度化处理，获取灰度图集一；
步骤S103：对步骤S102中获取的灰度图集一进行傅里叶变换、高斯低通滤波、反傅里叶变换，最终获得灰度图集二；
步骤S104：对步骤S103中获取的灰度图集二采用带阈值的canny算法进行边缘检测，获得二值化图集一；
步骤S105：对二值化图集一采用膨胀、腐蚀算法进行处理，对二值化图集一中的二值图像存在的断点进行补全，获得二值化图集二；
步骤S106：对步骤S105中获取的二值化图集二中连通分量进行标注，找出目标连通分量所对应的标注，提取后绘制在坐标轴内，形成曲线，即为待测量的海底管线下方冲刷剖面；
作为本发明的进一步优选，步骤S101中，采用多个摄像机对待测量的海底管线下方冲刷坑剖面进行拍照后，将图像放入同一文件夹，读取存放在文件夹内的全部图像，获取全部图像的信息，记为图像集I0；
作为本发明的进一步优选，步骤S102中，对图像集I0内图像进行灰度化处理的过程即为将彩色图像转化为灰度图像的过程；
作为本发明的进一步优选，图像集I0中的图像为彩色图像，其中每个像素的颜色由R、G、B三个分量决定，灰度图像是R、G、B三个分量相同的特殊彩色图像；
在YUV的颜色空间中，Y分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应，以在YUV颜色空间内获取的亮度值表达图像的灰度值；
作为本发明的进一步优选，步骤S103中，傅里叶变换是将灰度图中的像素值由位于x,y坐标轴下的变换为u,v坐标轴下的，即将二维信号分解为三角平面波之和的形式；
具体为，设定一张图像可以表示为由m×n的矩阵X构成，将其通过傅里叶变换为Y：
其中，ωm和ωn是复单位根：
ωm＝e-2πi/m
ωn＝e-2πi/n
i为虚数单位，p和j为值范围从0到m–1的索引，q和k为值范围从0到n–1的索引；
高斯低通滤波是过滤经过傅里叶变换后的灰度图像中的高频成分，保留低频成分；具体公式为，
其中，G(x,y)为经过高斯低通滤波处理后的像素点，x为像素点所在行，y为像素点所在列，σ为提前设定好的阈值；
前述反傅里叶变换即为返回一个新矩阵Xp,q，具体公式为：
其中，ωm和ωn是复单位根：
ωm＝e-2πi/m
ωn＝e-2πi/n
i为虚数单位，p的范围从1到m，q的范围从1到n；
作为本发明的进一步优选，步骤S104中采用带阈值的canny算法进行边缘检测时，首先设定阈值，通过canny算法对步骤S103中处理后的图像中每一个像素点进行计算，若计算的像素值高于设定阈值，即给此像素点赋予一个新值，若计算的像素值未高于设定阈值，即给此像素点赋予另一个新值；
作为本发明的进一步优选，步骤S104中的canny算法采用一阶偏导的有限差分计算梯度的幅值和方向，求出目标矩阵后进入检测过程；
作为本发明的进一步优选，步骤S105中，对二值化图集一采用膨胀、腐蚀算法进行处理，膨胀算法具体为，若A和B是两个集合，则A被B膨胀定义为：
其中，
是集合B的反射，它是满足以下条件的像素位置z的集合：当反射的结构元素平移至位置z时与A中的前景像素存在重叠，z为设定的单位矩阵；
腐蚀算法具体为，若A和B是两个集合，则A被B腐蚀定义为：
它是满足以下条件的像素位置z的集合：平移至位置z的结构元素仅与A中的前景像素重叠；
作为本发明的进一步优选，步骤S106中，将获取的二值化图集二定义为多个0和1元素组成的矩阵，对其矩阵中的连通分量进行标注，找出目标连通分量所对应的标注，并提取后绘制在坐标轴上；
作为本发明的进一步优选，连通分量进行标注时，使用长度作为条件进行初步筛选，以排除部分连通量元素个数超出目标连通量，同时最大长度小于目标的连通量。
通过以上技术方案，相对于现有技术，本发明具有以下有益效果：
1、本发明提供的海底管线二维冲刷剖面图像识别与数据提取方法，在对实时拍摄的图像经过前序一系列处理工作后，使用膨胀和腐蚀算法，对图像中可能存在的断点进行补全形成连续图像，以此增加提取二维冲刷剖面的准确度；
2、本发明提供的海底管线二维冲刷剖面图像识别与数据提取方法，创造性的使用标记连通分量的方法，从而能够提取特定曲线以准确显示海底管线下方的二维冲刷剖面；
3、本发明提供的海底管线二维冲刷剖面图像识别与数据提取方法，增加了批处理模块，提高了对大量图像处理的速率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的海底管线二维冲刷剖面图像识别与数据提取方法流程示意图；
图2是本发明提供的实施例中初始图像集内图像；
图3是本发明提供的实施例中灰度图集一内图像；
图4是本发明提供的实施例中灰度图集二内图像；
图5是本发明提供的高斯低通滤波计算过程；
图6是本发明提供的实施例中二值化图集一内图像；
图7a-图7b是本发明提供的实施例中二值化图集二内图像，其中，图7a为经过膨胀算法处理后的图像，图7b为经过腐蚀算法处理后的图像；
图8是本发明提供的实施例中绘制到二维笛卡尔坐标系中形成的图像；
图9a-图9c是本发明给出的批处理结果的展示图。
具体实施方式
在背景技术中有明确指出，现有技术无法做到准确获取海底管线下方冲刷坑的二维剖面图，最主要的原因是目前的技术不能将图像中某些特定的线条提取出来，那么本申请基于此提供了一种海底管线二维冲刷剖面图像识别与数据提取方法，能够将图像中特定的线条识别并提取出来，最终形成清晰的二维剖面图，便于识别。
如图1所示，本申请的方法具体包括以下步骤：
步骤S101：对待测量的海底管线下方冲刷坑剖面进行拍照，获取多张图像，形成图像集；采用多个摄像机对待测量的海底管线下方冲刷坑剖面进行拍照后，将图像放入同一文件夹，读取存放在文件夹内的全部图像，获取全部图像的信息，记为图像集I0。
步骤S102：对图像集内的若干目标图像进行灰度化处理，获取灰度图集一；这里，对图像集I0内图像进行灰度化处理的过程即为将彩色图像转化为灰度图像的过程。图像集I0中的图像为彩色图像，其中每个像素的颜色由R、G、B三个分量决定，灰度图像是R、G、B三个分量相同的特殊彩色图像；图像的灰度化处理可以用以下方法来实现：在YUV的颜色空间中，Y分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应，以在YUV颜色空间内获取的亮度值表达图像的灰度值。
步骤S103：对步骤S102中获取的灰度图集一进行傅里叶变换、高斯低通滤波、反傅里叶变换，最终获得灰度图集二；
傅里叶变换是将灰度图中的像素值由位于x,y坐标轴下(空间域)的变换为u,v坐标轴下(频域)的，即将二维信号分解为三角平面波之和的形式；
具体为，设定一张图像可以表示为由m×n的矩阵X构成，将其通过傅里叶变换为Y：
其中，ωm和ωn是复单位根：
ωm＝e-2πi/m
ωn＝e-2πi/n
i为虚数单位，p和j为值范围从0到m–1的索引，q和k为值范围从0到n–1的索引；
高斯低通滤波是过滤经过傅里叶变换后的灰度图像中的高频成分(图像细节部分)，保留低频成分(图像平滑区域)，所以对图像进行“高斯模糊”后，图像会变得模糊；要模糊一张图像，对于每个像素点，以它为中心，取其3x3区域内所有像素灰度值的平均作为中心点的灰度值，使用公式进行处理，公式具体为，
其中，G(x,y)为经过高斯低通滤波处理后的像素点，x为像素点所在行，y为像素点所在列，σ为提前设定好的阈值；
前述反傅里叶变换即为返回一个新矩阵Xp,q，具体公式为：
其中，ωm和ωn是复单位根：
ωm＝e-2πi/m
ωn＝e-2πi/n
i为虚数单位，p的范围从1到m，q的范围从1到n。
步骤S104：对步骤S103中获取的灰度图集二采用带阈值的canny算法进行边缘检测，获得二值化图集一；
采用带阈值的canny算法进行边缘检测时，首先设定阈值，通过canny算法对步骤S103中处理后的图像中每一个像素点进行计算，若计算的像素值高于设定阈值，即给此像素点赋予一个新值(可能是白色)，若计算的像素值未高于设定阈值，即给此像素点赋予另一个新值(也许是黑色)。
canny算法进行边缘检测，其实是先平滑后求导数的方法，即采用一阶偏导的有限差分计算梯度的幅值和方向，求出目标矩阵后进入检测过程。
步骤S105：对二值化图集一采用膨胀、腐蚀算法进行处理，对二值化图集一中的二值图像存在的断点进行补全，获得二值化图集二；
膨胀算法具体为，若A和B是两个集合，则A被B膨胀定义为：
其中，
是集合B的反射，它是满足以下条件的像素位置z的集合：当反射的结构元素平移至位置z时与A中的前景像素存在重叠，z为设定的单位矩阵；
腐蚀算法具体为，若A和B是两个集合，则A被B腐蚀定义为：
它是满足以下条件的像素位置z的集合：平移至位置z的结构元素仅与A中的前景像素重叠。
步骤S106：对步骤S105中获取的二值化图集二定义为多个0和1元素组成的矩阵，对其矩阵中的连通分量进行标注，找出目标连通分量所对应的标注，并提取后绘制在坐标轴上，形成曲线，即为待测量的海底管线下方冲刷剖面。
接下来本申请提供了一个优选实施例，结合相关附图更好展现本申请提供的识别与提取方法，经过步骤S101后，获得如图2所示的图像集I0；接着对图像集I0进行灰度化处理，得到图3所示的灰度图集一，在进行灰度处理时，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y＝0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值；步骤S103，对灰度图集一进行傅里叶变换、高斯低通滤波以及反傅里叶变换，在进行高斯低通滤波处理时，要模糊一张图像，以每个像素点为中心，假定中心点坐标为(0,0)，取其3x3区域内所有像素灰度值的平均作为中心点的灰度值，即取距离它最近的8个点坐标，设定σ＝1.5，经过相关公式处理后得到模糊半径为1的示例，即如图5所示；接着，步骤S104设定canny算法阈值为40，对灰度图集二进行边缘检测，获得二值化图集一，见附图6；对二值化图集一首先进行膨胀算法计算，其中设定使用的z为3×3的单位矩阵：
获得的效果如图7a所示，继续采用腐蚀算法处理，在腐蚀算法中使用的z为以下矩阵：
后获得图7b所示的效果图；到此为止，得到了二值化图集二，在进行连通分量时，如下述所示矩阵，
其中所有的元素“1”可看成是3个连通分量，分别是前三列的1，第五、六列以及第二、三行的1，还有剩下的1，三者分别构成连通分量1、连通分量2、连通分量3；
对上述连通量分别标记，得到如下矩阵：
随后，对上述矩阵各个连通量所含元素个数进行统计，找出目标连通量后，将对应元素所在的位置进行统计，绘制到二维笛卡尔坐标系中，效果见附图8。
这里需要强调的是，本申请根据海底管线二维冲刷剖面特点，选择元素最多的连通量作为目标连通量，同时为了排除某些连通量元素个数超过目标连通量，但是最大长度却小于目标的连通量，可使用长度作为条件进行初步筛选。
最后如图9a-图9c所示，给出了采用本申请具体实施方式得到的三种不同床面的识别结果。也就是说，基于本申请提供的海底管线二维冲刷剖面图像识别与数据提取方法，在经过测试后发现，能够通过电脑在460秒时间处理1000张图片，因此避免了现有技术需要先从图片读取数据，再将测得的数据输入电脑进行绘图的繁琐过程，如果按照这个过程需要处理1000张图片，按照一张图片2分钟算，不停休全部处理完需要约33小时，显然本申请在提高剖视图精准度的同时提高了对大量图像进行处理的速率。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：具体包括以下步骤：
步骤S101：对待测量的海底管线下方冲刷坑剖面进行拍照，获取多张图像，形成图像集；
步骤S102：对图像集内的若干目标图像进行灰度化处理，获取灰度图集一；
步骤S103：对步骤S102中获取的灰度图集一进行傅里叶变换、高斯低通滤波、反傅里叶变换，最终获得灰度图集二；
步骤S104：对步骤S103中获取的灰度图集二采用带阈值的canny算法进行边缘检测，获得二值化图集一；
步骤S105：对二值化图集一采用膨胀、腐蚀算法进行处理，对二值化图集一中的二值图像存在的断点进行补全，获得二值化图集二；
步骤S106：对步骤S105中获取的二值化图集二中连通分量进行标注，找出目标连通分量所对应的标注，提取后绘制在坐标轴内，形成曲线，即为待测量的海底管线下方冲刷剖面。
2.根据权利要求1所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：步骤S101中，采用多个摄像机对待测量的海底管线下方冲刷坑剖面进行拍照后，将图像放入同一文件夹，读取存放在文件夹内的全部图像，获取全部图像的信息，记为图像集I0。
3.根据权利要求2所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：步骤S102中，对图像集I0内图像进行灰度化处理的过程即为将彩色图像转化为灰度图像的过程。
4.根据权利要求3所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：图像集I0中的图像为彩色图像，其中每个像素的颜色由R、G、B三个分量决定，灰度图像是R、G、B三个分量相同的特殊彩色图像；
在YUV的颜色空间中，Y分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应，以在YUV颜色空间内获取的亮度值表达图像的灰度值。
5.根据权利要求4所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：步骤S103中，傅里叶变换是将灰度图中的像素值由位于x,y坐标轴下的变换为u,v坐标轴下的，即将二维信号分解为三角平面波之和的形式；
具体为，设定一张图像可以表示为由m×n的矩阵X构成，将其通过傅里叶变换为Y：
其中，ωm和ωn是复单位根：
ωm＝e-2πi/m
ωn＝e-2πi/n
i为虚数单位，p和j为值范围从0到m–1的索引，q和k为值范围从0到n–1的索引；
高斯低通滤波是过滤经过傅里叶变换后的灰度图像中的高频成分，保留低频成分；具体公式为，
其中，G(x,y)为经过高斯低通滤波处理后的像素点，x为像素点所在行，y为像素点所在列，σ为提前设定好的阈值；
前述反傅里叶变换即为返回一个新矩阵Xp,q，具体公式为：
其中，ωm和ωn是复单位根：
ωm＝e-2πi/m
ωn＝e-2πi/n
i为虚数单位，p的范围从1到m，q的范围从1到n。
6.根据权利要求5所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：步骤S104中采用带阈值的canny算法进行边缘检测时，首先设定阈值，通过canny算法对步骤S103中处理后的图像中每一个像素点进行计算，若计算的像素值高于设定阈值，即给此像素点赋予一个新值，若计算的像素值未高于设定阈值，即给此像素点赋予另一个新值。
7.根据权利要求6所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：步骤S104中的canny算法采用一阶偏导的有限差分计算梯度的幅值和方向，求出目标矩阵后进入检测过程。
8.根据权利要求7所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：步骤S105中，对二值化图集一采用膨胀、腐蚀算法进行处理，膨胀算法具体为，若A和B是两个集合，则A被B膨胀定义为：
其中，
是集合B的反射，它是满足以下条件的像素位置z的集合：当反射的结构元素平移至位置z时与A中的前景像素存在重叠，z为设定的单位矩阵；
腐蚀算法具体为，若A和B是两个集合，则A被B腐蚀定义为：
它是满足以下条件的像素位置z的集合：平移至位置z的结构元素仅与A中的前景像素重叠。
9.根据权利要求8所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：步骤S106中，将获取的二值化图集二定义为多个0和1元素组成的矩阵，对其矩阵中的连通分量进行标注，找出目标连通分量所对应的标注，并提取后绘制在坐标轴上。
10.根据权利要求9所述的海底管线二维冲刷剖面图像识别与数据提取方法，其特征在于：连通分量进行标注时，使用长度作为条件进行初步筛选，以排除部分连通量元素个数超出目标连通量，同时最大长度小于目标的连通量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365748.2A CN115661098B (zh) | 2022-10-31 | 2022-10-31 | 一种海底管线二维冲刷剖面图像识别与数据提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365748.2A CN115661098B (zh) | 2022-10-31 | 2022-10-31 | 一种海底管线二维冲刷剖面图像识别与数据提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115661098A true CN115661098A (zh) | 2023-01-31 |
| CN115661098B CN115661098B (zh) | 2024-02-06 |
Family
ID=84996129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211365748.2A Active CN115661098B (zh) | 2022-10-31 | 2022-10-31 | 一种海底管线二维冲刷剖面图像识别与数据提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115661098B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2005209704A1 (en) * | 2005-09-13 | 2007-03-29 | Canon Kabushiki Kaisha | Method and Apparatus for Analysing Connected Components |
| WO2007105107A2 (en) * | 2006-03-14 | 2007-09-20 | Agency For Science, Technology And Research | Methods, apparatus and computer-readable media for image segmentation |
| CN101499169A (zh) * | 2009-02-13 | 2009-08-05 | 北京中星微电子有限公司 | 一种扫描合并图像中的连通区域的方法和装置 |
| WO2011119935A2 (en) * | 2010-03-25 | 2011-09-29 | The General Hospital Corporation | Systems and methods for improved tractographic processing |
| CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
| CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
| WO2016106960A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种对地建筑群遥感图像频谱特性约束的去噪方法 |
| CN106355185A (zh) * | 2016-08-30 | 2017-01-25 | 兰州交通大学 | 一种振动条件下快速提取钢轨表面区域的方法 |
| CN107067012A (zh) * | 2017-04-25 | 2017-08-18 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
| CN109784344A (zh) * | 2019-01-24 | 2019-05-21 | 中南大学 | 一种用于地平面标识识别的图像非目标滤除方法 |
| CN110033471A (zh) * | 2019-04-19 | 2019-07-19 | 福州大学 | 一种基于连通域分析和形态学操作的框线检测方法 |
| WO2019182520A1 (en) * | 2018-03-22 | 2019-09-26 | Agency For Science, Technology And Research | Method and system of segmenting image of abdomen of human into image segments corresponding to fat compartments |
| WO2019205727A1 (zh) * | 2018-04-28 | 2019-10-31 | 京东方科技集团股份有限公司 | 对象识别方法和对象识别设备 |
| WO2020048152A1 (zh) * | 2018-09-05 | 2020-03-12 | 武汉中海庭数据技术有限公司 | 高精度地图制作中地下车库停车位提取方法及*** |
| CN111415363A (zh) * | 2020-04-20 | 2020-07-14 | 电子科技大学中山学院 | 一种图像边缘识别方法 |
| CN111679275A (zh) * | 2020-08-06 | 2020-09-18 | 中南大学 | 基于探地雷达的地下管线识别方法 |
| CN115018858A (zh) * | 2022-01-13 | 2022-09-06 | 昆明理工大学 | 一种无侧限渗透土样湿润锋深度及湿润区面积图像识别与处理方法 |
| CN115082776A (zh) * | 2022-08-18 | 2022-09-20 | 无锡市恒通电器有限公司 | 一种基于图像识别的电能表自动检测***及方法 |
-
2022
- 2022-10-31 CN CN202211365748.2A patent/CN115661098B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2005209704A1 (en) * | 2005-09-13 | 2007-03-29 | Canon Kabushiki Kaisha | Method and Apparatus for Analysing Connected Components |
| WO2007105107A2 (en) * | 2006-03-14 | 2007-09-20 | Agency For Science, Technology And Research | Methods, apparatus and computer-readable media for image segmentation |
| CN101499169A (zh) * | 2009-02-13 | 2009-08-05 | 北京中星微电子有限公司 | 一种扫描合并图像中的连通区域的方法和装置 |
| WO2011119935A2 (en) * | 2010-03-25 | 2011-09-29 | The General Hospital Corporation | Systems and methods for improved tractographic processing |
| CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
| WO2016106960A1 (zh) * | 2014-12-30 | 2016-07-07 | 华中科技大学 | 一种对地建筑群遥感图像频谱特性约束的去噪方法 |
| CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
| CN106355185A (zh) * | 2016-08-30 | 2017-01-25 | 兰州交通大学 | 一种振动条件下快速提取钢轨表面区域的方法 |
| CN107067012A (zh) * | 2017-04-25 | 2017-08-18 | 中国科学院深海科学与工程研究所 | 基于图像处理的海底地貌单元边缘智能识别方法 |
| WO2019182520A1 (en) * | 2018-03-22 | 2019-09-26 | Agency For Science, Technology And Research | Method and system of segmenting image of abdomen of human into image segments corresponding to fat compartments |
| WO2019205727A1 (zh) * | 2018-04-28 | 2019-10-31 | 京东方科技集团股份有限公司 | 对象识别方法和对象识别设备 |
| WO2020048152A1 (zh) * | 2018-09-05 | 2020-03-12 | 武汉中海庭数据技术有限公司 | 高精度地图制作中地下车库停车位提取方法及*** |
| CN109784344A (zh) * | 2019-01-24 | 2019-05-21 | 中南大学 | 一种用于地平面标识识别的图像非目标滤除方法 |
| CN110033471A (zh) * | 2019-04-19 | 2019-07-19 | 福州大学 | 一种基于连通域分析和形态学操作的框线检测方法 |
| CN111415363A (zh) * | 2020-04-20 | 2020-07-14 | 电子科技大学中山学院 | 一种图像边缘识别方法 |
| CN111679275A (zh) * | 2020-08-06 | 2020-09-18 | 中南大学 | 基于探地雷达的地下管线识别方法 |
| CN115018858A (zh) * | 2022-01-13 | 2022-09-06 | 昆明理工大学 | 一种无侧限渗透土样湿润锋深度及湿润区面积图像识别与处理方法 |
| CN115082776A (zh) * | 2022-08-18 | 2022-09-20 | 无锡市恒通电器有限公司 | 一种基于图像识别的电能表自动检测***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨泽伟等: "一种应用于法兰盘装配的定位方法", 《天津职业技术师范大学学报》, vol. 32, no. 03 * |
| 隋倜倜等: "海底管道三维冲刷悬跨拓展速度新理论", 《第十九届中国海洋（岸）工程学术讨论会论文集（下）》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115661098B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
| CN112308832B (zh) | 一种基于机器视觉的轴承质量检测方法 | |
| CN103957771B (zh) | 图像处理装置和图像处理方法 | |
| WO2021030952A1 (zh) | 碱基识别方法、***、计算机程序产品和测序*** | |
| CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
| JP2014228357A (ja) | ひび割れ検出方法 | |
| CN112561940B (zh) | 密集多目标参数提取的方法、装置及终端设备 | |
| CN107644417B (zh) | 应变片外观缺损检测方法 | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
| CN111310671B (zh) | 基于深度学习的加热炉底部积水坑异常识别方法、***及设备 | |
| CN111444964A (zh) | 一种基于自适应roi划分的多目标快速图像匹配方法 | |
| CN114757913A (zh) | 一种显示屏缺陷检测方法 | |
| CN113989233A (zh) | 基于图像的零件表面粗糙度支持向量机检测方法及*** | |
| CN116883408A (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN104268550A (zh) | 特征提取方法及装置 | |
| CN115661098B (zh) | 一种海底管线二维冲刷剖面图像识别与数据提取方法 | |
| CN112950594A (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
| Wang et al. | Improved Morphological Band‐Pass Filtering Algorithm and Its Application in Circle Detection | |
| CN117934487B (zh) | 一种扫描噪点和误差的检测方法、装置、电子设备和介质 | |
| CN118037610B (zh) | 一种针对复杂环境的水尺图像畸变校正方法和*** | |
| CN117197048B (zh) | 一种船舶水尺读数检测方法、装置及设备 | |
| CN117975254B (zh) | 一种基于双目图像的着生藻类监测方法及*** | |
| CN116152253A (zh) | 心脏磁共振mapping量化方法、***和存储介质 | |
| CN117053906A (zh) | 非接触式鱼类体重测量方法、装置、电子设备及存储介质 | |
| CN117522953A (zh) | 一种咖啡粒径自动评估方法及相关设备 |
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 |