基于羽毛图像纹理分割的毛杆提取方法

合集下载

图像纹理特征提取方法综述

万方数据　万方数据　万方数据　万方数据　万方数据　万方数据　万方数据　万方数据　万方数据　万方数据　万方数据　万方数据　万方数据　万方数据图像纹理特征提取方法综述作者：刘丽，匡纲要， LIU li， KUANG Gang-yao作者单位：国防科技大学电子科学与工程学院,长沙,410073刊名：中国图象图形学报A英文刊名：JOURNAL OF IMAGE AND GRAPHICS年，卷(期)：2009,14(4)被引用次数：64次1.Sklansky J Image segmentation and feature extraction 1978(05)2.Darling E M;Joseph R D Pattern recognition from satellite altitudes 1968(01)3.Haralick R M;Shanmugnm K;Dinstein I Textural features for image classification[外文期刊] 1973(06)4.Galloway M Texture analysis using gray level run lengths 19755.Weszka J S;Dyer C R;Rosenfeid A A comparative study of texture measures for terrain elassification 1976(04)6.MeCormick B H;Jayaremamurthy S N Time series model for texture synthesis 1974(04)7.Chellappa R;Cbetterjee S Classification of texture using ganssian Markov random fields 1985(04)8.Cben C C;Huang C L Markov random fields for texture classification 1993(11)9.Hseaner M;Sklansky J The use of markov random fields as models of texture 1980(03)10.Kaneko H;Yodognwa E A markov random field application to texture classification 198211.Pentland A P Fractel baaed description of natural Scenes 1984(06)12.Sarkar N;Chandhuri B B An efficicnt differential box-counting approach to compute fractal dimension of image 1994(01)13.Kapan L M;Kuo C-C Extending self-similarity for fractional hrownian motion[外文期刊] 1994(12)14.Mallat S G A theory for muhiresolution signal decomposition:the wavelet representation[外文期刊] 1989(07)15.Chang T;Kuo C-C Texture analysis and classification with treestructured wavelet transform[外文期刊] 1993(04)16.Unser M Texture classification and segmentation using wavelet frames[外文期刊] 1995(11)17.Ojala T;Pietikainen M;Maenpaa T Multiresolution gray-scale and rotation invariant texture classification with local binary patterns 2002(07)18.Haralick R M Statistical and structural approaches to texture[外文期刊] 1979(05)19.Tnceryan M;Jain A K Texture Analysis 199320.Richards W;Polit A Texture Matching 1974(03)21.王润生图像理解 199422.Hawkins J K Textural properties for pattern recognition 197023.Reed T R;du Bur J M H A review of recent texture segmentation and feature extraction techniques [外文期刊] 1993(03)24.Wang L;He D C Texture classification using texture spectrum 1990(08)25.AI-Janobi Abdulrahman Performance evaluation of cross-diagonal texture matrix method of textureanalysis[外文期刊] 2001(01)26.Sob K S;Tsatsoulis C Texture analysis of SAR sea ice imagery using gray level co-ocuurrence matrices[外文期刊] 1999(02)27.Ulaby F T;Kouyate F;Brisco B Textural information in SAR Images 1986(02)28.Baraldi A;Parmiggiani F An investigation of the textual characteristics associated with graylevel coocurrance matrix statistical parameters[外文期刊] 1995(02)29.薄华;马缚龙;焦李成图像纹理的灰度共生矩阵计算问题的分析[期刊论文]-电子学报 2006(01)30.Clausi D A;Jernigan M E A fast method to determine co-occurrence texture features[外文期刊]1998(01)31.Walker R F;Jackway P T;Longstaff I D Recent developments in the use of co-occurrence matrix for texture recognition 199732.Kandaswamy U;Adjeroh D A;Lee M C Efficient texture analysis of SAR imagery[外文期刊] 2005(09)33.Miranda F P;MacDonald J A;Cart J R Application of the semivariogram textural classifier(STC) for vegetation discrimination Using SIR-B data of borneo 1992(12)34.吴刚;杨敬安;王洪燕一种基于变差函数的纹理图像分割方法[期刊论文]-电子学报 2001(01)35.Cross G R;Jain A K Markov random field texture models 1983(01)36.German S;German D Stuchastie relaxation,gibbs distribution and bayesian restoration of images 1984(06)37.Derin H;Elliott H Modeling and segmentation of noisy-and textured images using Gibbs Random Fields 1987(01)38.Chen J L;Kundu A Automatic unsupervised texture segmentation using hidden markov model 199339.马晓川;侯朝焕;赵荣椿一种新的纹理图像的Gibbs模型[期刊论文]-计算机学报 1998(01)40.Cohen F S;Fan Z;Patel M A Classifcation of rotated and scaled textured images using ganssian markov random field models 1991(02)41.Chellappa R;Chatterjee S Classification of texture using Ganssian Markov Random Fields 1985(04)42.Krishnamachari S;Chcllappa R Muhirnsolution Gausa-markov random field models for texture segmentation[外文期刊] 1997(02)43.毛建昌;王成道;万嘉若多分辨率自回归纹理模型[期刊论文]-电子学报 1988(06)44.Man J;Jain A K Texture classification and segmentation using Multireaslution Simultaneous Autoregressive Models 1992(02)45.Chen S S;Keller J M;Crownover R M On the calculation of fractal features from images[外文期刊] 1993(10)46.Kaplan L M Extend fractal analysis for texture classification and segmentation[外文期刊] 1999(11)47.Randen T;Husoy J H Filtering for texture classification:A comparative study[外文期刊] 1999(04)48.Unser M;Eden M Nonlinear operators for improving texture segmentation based on features extracted by spatial filtering 1990(04)ws K I Rapid texture identification 198050.Strand J;Taxi T Local frequency features for texture classification 1994(10)51.Coggins J M;Jain A K A spatial filtering approach to texture analysis 1985(03)52.Ads F Characterization of texture by eigenfiher 1983(05)53.Bovik A C;Clark M;Geisler W S Muhichannel texture analysis using localized spatial filters1990(01)54.Randen T;Husoy J H Texture segmentation using filters with optimized energy separation[外文期刊] 1999(04)55.Che陈洋;王润生结合Gabor滤波器和ICA技术的纹理分类方法[期刊论文]-电子学报 2007(02)56.吴高洪;章毓晋;林行刚分割双纹理图像的最佳Gabor滤波器设计方法[期刊论文]-电子学报 2001(01)57.Clansi D A;Jernigan M E Designing Gabor filters for optimal texture separability[外文期刊]2000(11)58.Chitre Y;Dhawan A P M-band wavelet discrimination of natural textures[外文期刊] 1999(05)59.Ng I;Tan T;Kittler J On local linear transform and Gabor filter representation of texture 199260.Zhou F;Fang J;Shi Q Image segmentation based on local fourier transform 200161.张志龙;鲁新平;沈振康基于局部沃尔什变换的纹理特征提取方法研究[期刊论文]-信号处理 2005(06)62.Dunn D;Higgins W E;Wakeley J Texture segmentation using 2-D Cabot elementary functions[外文期刊] 1994(02)63.Jain A K;Farrukhnia F Unsupervised texture segmentation using Gabor filters 1991(12)64.Crignrescu S E;Petkov N;Kruizinga P Comparison of texture features based on Gabor filters2002(IO)65.Kruizinga P;Petkov N Grating cell operator features for oriented texture segmentation 199866.Acharyya M;Kundu M K An adaptive approach to unsupervised texture segmentation using M-band wavelet transform[外文期刊] 2001(07)67.李峰小波理论及其在纹理分析中的应用[学位论文] 200368.Pichler O;Teuner A;Hosticka B J A comparison of texture feature extraction using adaptive Cabor filtering,pyramidal and tree structured wavelet transforms[外文期刊] 1996(05)ine A;Fan J Texture classification by wavelet packet signatures[外文期刊] 1993(11)70.Hatipoglu S;Mitts S K;Kingsbury N Texture classification using dual-tree complex wavelet transform 199971.Mojsiiovie A;Popovic M V;Rackov D M On the selection of an optimal wavelet basis for texture characterization[外文期刊] 2000(12)72.Rajpoot N Local discriminant wavelet packet basis for texture classification 200373.Banden T;Hussy J H Muitiehannel filtering for image texture segmentation 199474.Pavlidis T Structural Descriptions and Graph Grammars 198075.Soille P Morphological Image Analysis:Principles and Applications 200376.Conners R W;Hadow C A A theoretical comparison of texture algorithms 1980(03)77.Carr J R;Miranda F P The semivaringrnm in comparison to the cooccurrence matrix forclassification of image texture[外文期刊] 1998(06)78.Bennett J;Khotanzad A Modeling textured images using Generalized Long Correlation Models[外文期刊] 1998(12)79.Ohanian P P;Duhes R C Performance evaluation for four classes of textural features 1992(08)80.Clansi D A;Yue B Comparing co-occurrence probabilities and markov random fields for texture analysis of SAR sea ice imagery[外文期刊] 2004(01)81.Clausi D A Comparison and fusion of co-occurrence,Cabor and MRF texture for classification of SAR sea ice imagery 2001(04)82.Solberg A H S;Jain A K Texture fusion and feature selection applied to SAR imagery[外文期刊] 1997(02)83.Bashar K M;Ohnishi N Fusing cortex transform and intensity based features for image texture classification 200284.Trianni G;Tosi M;Acqua F D Fusion of texture measures for urban area characterization 200485.Anne H;Schistad S;Anil K J Texture fusion and feature selection applied to SAR imagery[外文期刊] 1997(02)86.Clausi D A;Deng H Deslgn-based texture feature fusion using gsrbor filters and co-occurrence probabilities[外文期刊] 2005(07)87.Acqua F D;Gamba P;Trianni G Semi-automatic choice of scaledependent features for satellite SAR image classification[外文期刊] 2006(04)88.Nods H;Shirasi M;Kawaduchi E MRF-based texture segmentation using wavelet decomposed images[外文期刊] 2002(04)1.罗萱基于边缘方向和梯度的图像特征匹配算法[期刊论文]-西南师范大学学报（自然科学版） 2014(1)2.蒋君杰.马晓贤.彭力基于视觉传感器网络的飞机识别系统[期刊论文]-计算机应用研究 2013(10)3.姚娜.吕海芳.陈杰基于脉冲耦合神经网络的汉字纹理特征提取[期刊论文]-塔里木大学学报 2013(4)4.尚赵伟.王杰.李文龙.胡胜雄双密度双树复小波RH模型纹理图像检索双密度双树复小波RH模型纹理图像检索[期刊论文]-重庆大学学报：自然科学版 2012(10)5.张逵.朱大奇基于D-S证据理论的信息融合图像识别[期刊论文]-上海海事大学学报 2012(3)6.黄媛媛.张尤赛双树复小波域共生矩阵的纹理特征提取方法[期刊论文]-计算机应用与软件 2012(7)7.钟桦.杨晓鸣.焦李成基于多分辨共生矩阵的纹理图像分类[期刊论文]-计算机研究与发展 2011(11)8.张雯.葛玉荣基于形态学与不完全树形小波分解的图像纹理特征提取算法[期刊论文]-计算机应用 2011(6)9.李健.牛振山基于第2代Curvelet的非监督式纹理缺陷分割[期刊论文]-中国图象图形学报 2011(10)10.刘天阳.郭禾.王宇新.王秀坤纹理图像双特征识别方法[期刊论文]-计算机工程与应用 2011(15)11.贺锦鹏.孙枫.刘利强基于滤波器阵列与图割的彩色纹理分割[期刊论文]-计算机工程 2011(14)12.武维.李玉霞.童玲.顾行发基于共生矩阵的遥感图像面向对象分割[期刊论文]-计算机工程与设计 2011(2)13.单文盛.王玲华.杨家红加权Contourlet域隐Markov树纹理图像特征提取模型[期刊论文]-计算机工程与应用2010(35)14.刘洪江.汪仁煌基于羽毛图像纹理分割的毛杆提取方法[期刊论文]-广东工业大学学报 2010(4)15.刘洪江.汪仁煌基于羽毛图像纹理分割的毛杆提取方法[期刊论文]-广东工业大学学报 2010(4)16.侯群群.王飞.严丽基于灰度共生矩阵的彩色遥感图像纹理特征提取[期刊论文]-国土资源遥感 2013(4)17.郭晓欣.王震洲.白磊基于多特征自适应融合的目标跟踪[期刊论文]-华北科技学院学报 2012(3)18.王熊.张翔成像测井图像纹理特征提取的统计方法研究[期刊论文]-石油天然气学报 2012(4)19.龙士军.侯进在曲波域中应用统计模型的图像纹理特征提取[期刊论文]-沈阳理工大学学报 2012(2)20.郭晓欣.李颖.王震洲.李璞基于纹理分割的视频人体检测[期刊论文]-河北工业科技 2012(3)21.杨关.张向东.冯国灿.邹小林.刘志勇图模型在彩色纹理分类中的应用[期刊论文]-计算机科学 2011(10)22.杨关.冯国灿.陈伟福.邹小林纹理分析中的图模型[期刊论文]-中国图象图形学报 2011(10)23.杨关.张向东.冯国灿.邹小林.刘志勇图模型在彩色纹理分类中的应用[期刊论文]-计算机科学与探索 2011(10)24.朱英宏.李俊山.郭莉莎.余宁基于LBP的尺度不变特征的描述和匹配算法[期刊论文]-计算机辅助设计与图形学学报 2011(10)25.杨浩宇.吴子斌图像纹理特征的提取[期刊论文]-科技传播 2010(22)26.杨鸿波.侯霞基于局部谱能量自相似矩阵的纹理描述[期刊论文]-计算机应用 2014(3)27.艾玲梅.郭春基于组合特征提取与多级SVM的轮胎花纹识别[期刊论文]-计算机工程与应用 2013(20)28.高闪闪.陈仁喜辅以纹理特征的植被分类方法研究[期刊论文]-科学技术与工程 2013(29)29.周萧.杨风暴.安富.蔺素珍双色中波红外图像差异纹理特征分析方法研究[期刊论文]-红外技术 2012(6)30.殷亚秋遥感影像震害信息提取技术研究[期刊论文]-科技传播 2011(16)31.朱碧云.陈卉医学图像纹理分析的方法及应用[期刊论文]-中国医学装备 2013(8)32.徐登云.王龙秀基于灰度共生矩阵对纹理特征的分析[期刊论文]-西部资源 2012(2)33.赵源萌.王岭雪.金伟其.骆媛基于区域直方图统计的灰度图像色彩传递方法[期刊论文]-北京理工大学学报2012(3)34.龚家强.李晓宁基于共生矩阵纹理特征提取的改进算法[期刊论文]-计算机工程与设计 2011(6)35.王国德.张培林.任国全.寇玺改进局部二值模式在磨粒图像识别中的应用[期刊论文]-润滑与密封 2011(12)36.程琳基于小波变换的工具痕迹图像识别研究[期刊论文]-滁州学院学报 2010(2)37.刘厚鹏.苗长云.李现国基于PFT算法的输送带钢丝绳芯X线图像的缺陷检测[期刊论文]-矿山机械 2013(6)38.程琳多尺度小波纹理分析在笔迹鉴别中的应用研究[期刊论文]-湖北理工学院学报 2013(3)39.张文倩基于灰度共生矩阵和分形的人群密度估计[期刊论文]-电子测试 2012(5)40.杨静林.王成儒基于谱图理论的自适应纹理图像检索[期刊论文]-计算机工程与应用 2011(22)41.李鹏飞.杨宁.景军锋基于径向基函数神经网络的织物疵点分类[期刊论文]-计算机测量与控制 2012(10)42.卢军.李杨.赵康健.都思丹基于主色共生矩阵法的数码迷彩纹理特征提取[期刊论文]-计算机工程 2011(7)43.王健.马汉杰基于纹理方向的运动图像插值算法[期刊论文]-计算机工程 2011(1)44.章立.彭宏京基于WBCT的纹理分类算法[期刊论文]-计算机工程与设计 2010(23)45.曹红兵.陈蕴一种新的图像感兴趣区域的提取方法[期刊论文]-阜阳师范学院学报（自然科学版） 2010(2)46.王健.马汉杰基于纹理方向的运动图像插值算法[期刊论文]-计算机工程 2011(1)47.徐卓飞.张海燕.任玲辉基于GLCM与SVM的印刷机收纸故障诊断方法[期刊论文]-计算机工程与应用 2013(10)48.张航.颜永丰基于小波灰度共生矩阵的植物分类研究[期刊论文]-计算机工程与设计 2012(12)49.李秀秀.陈露.林怡茂基于Gabor小波的频域快速纹理特征提取[期刊论文]-现代电子技术 2012(10)50.刘文霞自然景物分类的特征提取[期刊论文]-赤峰学院学报：自然科学版 2011(8)51.章秀华.陈艳君.洪汉玉基于加权融合纹理的路面裂缝检测[期刊论文]-计算机与数字工程 2011(10)52.叶青.唐鹏举基于纹理的图像检索关键技术研究[期刊论文]-计算机与数字工程 2011(8)53.吴进文.赵晓翠.陈苗苗基于遗传算法的高维特征选择的研究[期刊论文]-郑州轻工业学院学报（自然科学版）2010(2)54.王长梅.管一晖.张文强.左传涛.华逢春图像纹理特征在肺结节18F-FDG PET/CT显像诊断中的应用[期刊论文]-中华核医学与分子影像杂志 2013(3)55.李宇翔.费世英.李端明采用几何特征的人造物体图像检索研究[期刊论文]-图书情报工作 2013(3)56.金理钻.屠珺.刘成良基于迭代式RELIEF和相关向量机的黄瓜图像识别方法[期刊论文]-上海交通大学学报2013(4)57.郭恒光.瞿军.汪兴海基于颜色特征和纹理特征的磨粒彩色图像分割[期刊论文]-润滑与密封 2013(6)58.田明锐.胡永彪.金守峰基于图像纹理的散料装车料位识别试验研究[期刊论文]-中国机械工程 2013(7)59.龚志红.谭海涛基于炉口火焰图像的炼钢终点研究与优化[期刊论文]-电脑知识与技术 2013(16)60.陈青.刘金平.唐朝晖.李建奇.吴敏基于分数阶微分的图像边缘细节检测与提取[期刊论文]-电子学报 2013(10)61.洪洲基于纹理特征的遥感影像监督分类[期刊论文]-测绘与空间地理信息 2013(4)62.张栩然.万圆.宫阿都.李京.陈云浩顾及纹理和形状特征的无人机影像中村宅基地提取研究——以重庆市丰都县为例[期刊论文]-遥感信息 2013(4)63.李健.牛振山基于Curvelet的彩色癌细胞分割新方法[期刊论文]-计算机工程与设计 2012(2)64.袁秀娟.黄添强.陈智文.吴铁浩.苏立超基于纹理特征的数字视频篡改检测[期刊论文]-计算机系统应用2012(6)65.张树恒.阳维.廖广姗.王莲芸.张素基于形状与纹理特征的显微图像识别[期刊论文]-计算机工程与设计2011(4)66.王伟蔚.张国鹏.邱顶.廖琪梅.陈武凡.卢虹冰基于DICOM文本与内容的医学图像检索系统研究[期刊论文]-计算机工程与设计 2011(3)67.王占领.张登福.王世强雷达辐射源信号双谱二次特征提取方法[期刊论文]-空军工程大学学报（自然科学版）2014(1)68.赵理君.唐家奎.于新菊.王春磊.张成雯综合视觉特征度量与SVM的遥感图像检索方法[期刊论文]-中国科学院研究生院学报 2013(3)69.彭燕.何国金.曹辉基于纹理的面向对象分类的稀土矿开采地信息提取[期刊论文]-科学技术与工程 2013(19)70.黄传波.金忠应用视觉注意多分辨率分析的图像检索[期刊论文]-中国图象图形学报 2011(9)71.孔月萍.曾平.张跃鹏一种半调图像分类识别算法[期刊论文]-西安电子科技大学学报（自然科学版） 2011(5)72.张烨.黄新波.周柯宏基于图像处理的输电线路线下树木检测算法研究[期刊论文]-广东电力 2013(9)73.刘健.程英蕾.孙纪达基于GLCM特征的改进FCM的SAR图像分割方法[期刊论文]-计算机工程与设计 2012(9)74.刘金平.桂卫华.牟学民.唐朝晖.李建奇基于Gabor小波的浮选泡沫图像纹理特征提取[期刊论文]-仪器仪表学报 2010(8)75.宋寅卯.刁智华.王云鹏.王欢棉花红螨病害叶部图像特征提取研究[期刊论文]-计算机应用与软件 2013(5)76.首照宇.王朝选.莫建文.张彤.袁华结合纹理特征改进的GBIS图像分割方法[期刊论文]-计算机应用研究2013(7)77.安富.杨风暴.蔺素珍.周萧特征差异驱动的红外偏振与光强图像融合[期刊论文]-中国科技论文 2014(1)78.邓晓飞.徐蔚鸿一种结合多特征的SVM图像分割方法[期刊论文]-计算机工程与科学 2013(2)79.金鼎坚.王晓青.窦爱霞.董彦芳雷达遥感建筑物震害信息提取方法综述[期刊论文]-遥感技术与应用 2012(3)80.胡孟晗.董庆利.刘阳泰.刘宝林.王芳芳基于计算机视觉鉴别肉松与肉粉松[期刊论文]-食品与发酵工业2013(4)81.Sun Jiping.Su Bo Coal-rock interface detection on the basis of image texture features[期刊论文]-矿业科学技术学报（英文版） 2013(5)82.杨勇.郑文娟.黄淑英.方志军.袁非牛人眼视觉感知特性的非下采样Contourlet变换域多聚焦图像融合[期刊论文]-中国图象图形学报 2014(3)83.刘涛.孙成明.仲晓春.高辉.梁秀梅计算机视觉在作物生产中的应用研究[期刊论文]-农业网络信息 2013(2)本文链接：/Periodical_zgtxtxxb-a200904010.aspx。

局部Radon变换技术及在毛杆折痕识别中的应用

Ａｂｓｔｒａｃｔ：Ｃｏｎｃｅｒｎｉｎｇｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆｆｅａｔｈｅｒｑｕｉｌｌｃｒｅａｓｅｆｅａｔｕｒｅ，ａｎｅｗｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｗａｓｐｒｏｐｏｓｅｄ．ＩｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｓｃａｌｉｎｇａｎｄｔｒａｎｓｌａｔｉｏｎｓｅｎｓｉｔｉｖｉｔｙｏｆＲａｄｏｎｔｒａｎｓｆｏｒｍ，ａｎｉｍｐｒｏｖｅｄＲａｄｏｎｔｒａｎｓｆｏｍｒｗａｓｕｓｅｄｔｏｅｘｔｒａｃｔ
ｍｏｍｅｎｔｉｎｖａｒｉａｎｔｓｏｆｔａｒｇｅｔｒｅｇｉｏｎａｎｄｌｏｃａｌｐｒｏｊｅｃｔｉｏｎｔｅｃｈｎｏｌｏｇｙｗａｓａｄｏｐｔｅｄｔｏｅｌｉｍｉｎａｔｅｉｎｔｅｒｆｅｒｅｎｃｅｐｈｙｓｉｏｌｏｉｇｃａｌｔｅｘｔｕｒｅｏｆｆｅａｔｈｅｒｑｕｉｌ１．Ｏｂｔａｉｎｉｎｇｉｎｖａｒｉａｎｔｓｍａｔｉｒｘｂｙｃｈａｎｇｉｎｇｔｈｅｓｃｌａｅｆａｃｔｏｒ，ＳｉｎｇｕｌａｒＶａｌｕｅＤｅｃｏｍｐｏｓｉｔｉｏｎ（ＳＶＤ）ｗａｓｐｒｏｖｉｄｅｄ

改进的基于模板去除骨架毛刺的方法

“＋．Ｄ４１．１６忤卒ｚ仇Ｏ．“
Ｄ２Ｏ．“ ，屁３．１２厶３．１２
丛！：竺
ＥＣＣ３．１３Ｐ，Ｕ１．７４
Ｐ，以１．７５Ｐ，ＩＯ．６９Ｐ，以１．％Ｐ如１．２４
易１．４５
Ｐｊ４１．２３
４结语
通过实验可以得到以下结论：１）各类相似性测度对于图像角度偏差的灵敏性和位移偏差的灵敏性基本上是一致的。都是互信息类测度和ＰＩｕ测度较优，ＰＩ类测度略次之，经典类测度最差。本文给出的改进公式Ｐ，２优于川公式。根据样本数据集结果的规律显示，该结论有较普遍的适用性。２）在时间性能方面，经典类测度最优，其次是ＰＩ类测度，再次是ｎｕ类测度，互信息类测度最差。本文给出的３个改进公式均优于ＰＩｕ类测度和互信息类测度，其中Ｐ，ｌ还优于Ｐ，公式。
类测度，再次是ＰＩｕ类测度，互信息类测度由于为统计型相似
性测度，存在着大量的对数运算，所以执行速度最慢。
表２各类测度的平均时间比较
ｓ
。件卒＋
经典类测度ｔ川２．３３
互信息类测度ｔ
Ｄ２ｌ。１２
Ｐ，ｃ，类测度ｔ
￡ｃｅ６．５７
Ｐ，类测度ｔ用“３．５８
样本·瓮鬣Ｚ：霉磁嚣篇篇
堡！：墅
Ｐ，１．１９
通过图６可以看到，本文改进后的方法将多余的毛刺按照长度进行了去除，并得到了较好的主体骨架信息，符合视党效果。
通过图７也可以看到，本文方法能够得到比较完整的骨架主体信息，并且长度阈值可通过人工依据实际需要确定，具有一定的灵活性和实用价值。
（下转第６３页）
增刊１
张倩等：几种相似性测度在小鼠序列图片中的应用对比
细化后得到了单像素宽度的骨架。在理想的无毛刺情况下，骨架点贝ｘ，ｙ）的８邻域范围内最多只能有２个像素和

用PS完美抠出复杂的羽毛头饰的简单教程

用PS完美抠出复杂的羽毛头饰的简单教程
打开如下图片，复制图层，将背景层锁定。

我们将在复制层进行抠图，隐藏背景层。

选择>> 色彩范围，打开色彩范围窗口，选择最左边的吸管工具并点击图像背景，这时在色彩范围窗口中你会发现被选择部分变成了白色，移动颜色容差滑杆，使得图像大部分区域变成黑色，并且背景易于选取。

提示：要添加颜色到选区时，应使用中间的吸管工具点击要添加的色彩
部分
2 获得选区，在通道面板中，按下“将选区存储为通道”按钮，得到一alpha通道，取消选择（Ctrl+D），点击“Alpha 1”层，这时图像变成黑白色。

提示：图像中的黑色区域是我们要保
留的部分，白色为要扣除的部
3 这时我们发现图像中还有部分灰色区域，这些将成为半透明区域，所以必须将他们调整为纯黑色或纯白色。

图像>> 调整>> 色阶，打开色阶窗口，由左向右拖动黑色滑杆直到灰色区域变为纯黑色为止。

由右向左移动白色滑杆将白色区域变的更清晰
4 选择黑色笔刷并提高笔刷边缘硬度，涂抹需要保留的区域，用白色笔刷涂抹羽毛边缘，根
据涂抹区域大小的不同使用不同粗细的笔刷
5 有时我们很难推测出什么地方需要保留什么地方需要扣去，这时点选RGB通道，原图像就显现出来，而蒙板区域有一层淡红色，继续清理蒙版范围。

6 按下Ctrl并点击“Alpha 1”通道，获得选区，返回图层面板，删除选区内容
按照以上办法，扣除其余部分的背景，这时再看看羽毛边缘，是不是扣的很干净呢。

基于Normalized cut的羽毛杆自动提取

ｆａｈｒｑｉ．Ｔｅｗｉｈｎｌｄｎｅｔｒｎｏａｉｎｅｈｎｅｓｏｉｔｎｏａｈｅｇｆｓｍｉｒｔｘｕｅａｄｒｄｃｄｅｔｅｕｌ１ｈｅｇｔｉｃｕｉｇｔｘｕｅｉｆｒｔｎａｃｄａｓｃａｉｎｅｃｄｅｏｉｌｅｔｒｎｅｕｅｍｏｏａｉｔｒｅｅｃｆｔｅｓｍｉｒｒｇｏ．Ｎａｒｗｕｉｉｃｉｎｌｅｐｎｉｎｍｅｈｄｗｔｅｉｎｓａａｌｔｎｅａｓｄｔｎｅｆｒｎｅｏｈｉｌｅｉｎａｒｎｄｒｔａｘａｓｏｔｏｉａｒｇｏ —ｃｌｂｅｆｔｇｔｒｗｓｕｅｏｏｅｏｈｉｉｍｏｔｚｈｎｔｌｏｎａｙｆｒｔｅｆａｒｓｌａｄｅｉｎｔｄｂｕｄｒａａｅｏｅｆａｈｒｑｉ．Ｔｅｅｐｒｎａｅｕｔｐｉｅｔｅｉｉａｕｄｒｏｎｌｅｕｔｎｌｍｉｉｂｈｉｍｉａｅｏｎａｙｌｋｇｆｔｅｔｅｕｌｅｈ１ｈｘｅｍｅｔｌｓｌｉｒｓｓｏｈｔｔｅｐｏｏｅｔｏａｅｌｅｂｕｄｒｘｒｃｉｎｏｅｔｅｕｌｅｆｉｎｌｎａｅｔｅｗｙｆｒｔｅｎｘｔｐｈｗｔａｈｒｐｓｄｍｅｈｄｃｎｒａｉｏｎａｙｅｔｔｆｆａｈｒｑｉｆｃｅｔａｄｐｖｈａｏｈｅｔｓｅｚａｏｌｉｙｒｓａｃｆｒａｅｄｔｃｉｎｅｅｒｈｏｅｓｅｅｔ．ｃｏ

制作细腻羽毛纹理 Photoshop中的纹理绘制技巧

制作细腻羽毛纹理：Photoshop中的纹理绘制技巧Photoshop中的纹理绘制技巧：制作细腻羽毛纹理Photoshop是一款功能强大的图像处理软件，它不仅可以对图片进行修饰和调整，还可以创造出各种细腻的纹理效果。

在这篇教程中，我们将学习如何使用Photoshop来制作细腻的羽毛纹理。

步骤一：准备工作首先，打开Photoshop软件，并新建一个文档。

可以根据自己的需要选择合适的尺寸和分辨率。

接下来，在菜单栏中选择“视图”，然后点击“显示”下拉菜单，确保选中了“标尺”和“辅助线”。

步骤二：绘制底色选中“画笔工具”，在工具栏中选择一支柔和的画笔，将画笔的硬度设为0%。

然后，选择一个合适的颜色作为底色，用画笔在文档中绘制一个稍微大一些的圆形。

此时，我们只需要关注形状和颜色，无需过多关注细节。

步骤三：绘制基本形状在新建图层上继续绘制基本形状。

使用“椭圆工具”绘制一个羽毛的基本形状，可以通过按住“Shift”键来绘制一个完美的圆形。

然后，使用“钢笔工具”来勾勒出羽毛的轮廓。

步骤四：添加羽毛纹理在绘制好的羽毛形状图层上，点击右键选择“样式”，然后选择“鼠标右键下菜单”中的“蒙版和减淡”，进入“图层样式”窗口。

在“内描边”下面的菜单中，选择“纹理”。

步骤五：选择合适的纹理在“纹理”选项卡中，点击“载入纹理”按钮，选择自己想要的纹理图像。

可以在电脑上的任何文件夹中找到合适的纹理图像。

一般来说，选择一张具有细腻纹理的图像效果会更好。

步骤六：调整纹理细节在“纹理”选项卡中，可以对纹理细节进行调整。

可以尝试不同的缩放比例和亮度对比度来获得不同的效果。

当调整到满意的效果后，点击“确定”按钮应用纹理。

步骤七：调整图层模式和透明度选择羽毛图层，在图层面板中选择“正片叠底”等不同的图层混合模式，以融合纹理和底色。

此外，可以根据需要调整图层的透明度，使纹理更加细腻自然。

步骤八：完善细节和效果如果需要进一步完善细节和效果，可以在原有的羽毛图层上再新建一个图层，使用“纹理笔刷”工具或其他绘画工具，对特定部分的细节进行增强或修饰。

基于动态轮廓模型的羽毛分割改进算法

基于动态轮廓模型的羽毛分割改进算法作者：刘洪江汪仁煌李学聪来源：《计算机应用》2011年第08期收稿日期:2011-03-04;修回日期:2011-04-23。

作者简介:刘洪江（1975-），男，江西九江人，博士研究生，主要研究方向：图像处理、模式识别; 汪仁煌（1945-），男，上海人，教授，博士生导师，主要研究方向：智能测控、信息处理、智能仪器、机器视觉；李学聪（1978-），男，广东信宜人，博士研究生，主要研究方向：机器视觉、智能测控。

文章编号:1001-9081（2011）08-02246-03doi:10.3724/SP.J.1087.2011.02246（广东工业大学自动化学院，广州510090）（spectator391@）摘要:从羽毛图像中分割毛杆适合采用动态轮廓模型，而原始原模型易受局部强边缘干扰产生偏差，且计算规模偏大。

根据毛杆的特性，提出用毛杆中心线和毛杆宽度来代替毛杆轮廓，把模型中二维轮廓曲线变化成两个相互独立的一维函数，并据此修改能量方程。

改进算法利用对称性避免强边缘干扰，减少了计算规模，能实现全自动分割。

实验表明该算法具有较强的抗噪性，使分割毛杆效果良好，能满足工业需要。

关键词:图像分割；动态轮廓模型；蛇形算法；羽毛中图分类号: TP391.413文献标志码:AImproved algorithm of feather image segmentation based on active contour modelLIU Hong-jiang, WANG Ren-huang, LI Xue-cong（Faculty of Automation, Guangdong University of Technology, Guangzhou Guangdong 510090, China）Abstract: Using active contour model to get the bone of feathers is affected by other strong edge, and the computation is too much. According to the characteristics of feathers, a method of describing the object contour using the centerline and width was proposed. Two-dimensional contour describedin the model was converted into two independent one-dimensional functions, and according to it, the energy function of the model was modified. The improved algorithm made use of symmetry to avoid the interference of strong edges, reduced the computation scale, and it could achieve fully automaticsegmentation. The experimental results show that the improved algorithm is robust to noise; it realizes good feather image segmentation and meets industry needs.Key words: image segmentation; active contour model; Snake algorithm; feather0 引言基于机器视觉的羽毛检测是羽毛球自动化生产的关键部分。

基于纹理滤波和颜色聚类的提花织物纹样自动提取方法

基于纹理滤波和颜色聚类的提花织物纹样自动提取方法
提花织物是一种复杂的纺织品，其纹样结构复杂，样式繁多，手工提取纹样需要大量的时间和人力成本。

因此，开发一种基于计算机视觉技术的自动提取方法，能够有效地提高工作效率和品质，具有很重要的实际意义。

本文提出了一种基于纹理滤波和颜色聚类的提花织物纹样自动提取方法。

首先，将待提取的提花织物图像进行灰度化处理，并进行高斯滤波和边缘检测，得到织物图像的纹理特征。

然后，运用基于小波变换的多尺度分析方法，对织物图像进行纹理滤波，提取出织物的主要纹理信息。

接着，利用聚类方法对织物图像进行颜色分割，得到颜色值相近的像素点集合。

最后，对滤波和聚类的结果进行汇总和处理，提取出织物图像的纹样信息。

实验结果表明，所提出的方法能够有效地提取出提花织物的纹样信息，与人工提取结果相比，具有较高的准确率和可靠性。

而且，该方法具有简单、快速的特点，能够广泛应用于纺织品行业中提花织物的设计和生产过程中，为提高产品的创新性和市场竞争力提供了有力的技术支持。

图像纹理特征提取方法

安徽大学本科毕业论文（设计、创作）题目：图像纹理特征提取方法研究学生姓名：朱邵成学号：Z01114175院（系）：电气工程与自动化学院专业：自动化入学时间：2011 年9 月导师姓名：寻丽娜职称/学位：讲师/博士导师所在单位：安徽大学电气工程与自动化学院完成时间：2015 年 5 月图像纹理特征提取方法研究摘要近年来，随着信息多媒体时代的到来，以及网络在世界范围内的日益流行、云计算的风行，人们在日常生活工作接触的信息量越来越大。

图像作为信息的一种载体，具有直观、信息量大、便于不同国家间交流的特点，是网络多媒体的重要组成部分。

基于文本的图像检索是基于内容图像检索的基础，用人工方式解释图像信息，其工作量我们难以想象，可行性也值得商榷。

因此CBIR方法有效解决了这一个难题。

基于内容的图像检索（CBIR）包括四个阶段，分别是：获取图像、提取特征、分类图像、检索图像。

图像检索主要是一个核心问题：选取何种算法提取哪一种图像特征，快速有效的进行图像的区分与检测。

纹理特征的提取是CBIR 的关键问题之一，本论文也是基于图像纹理特征的提取为基础。

首先，本文使用基于纹理基元的共生矩阵分析方法，用来提取纹理特征向量。

此方法中，采用局部二进制模式(Local Binary Pattern，LBP)来进行图像的基本纹理基元的提取，并用灰度共生矩阵(Gray Level Co．occurrence Matrix，GLCM)中共生矩阵的分析方法来对纹理基元图像进行分析。

其次文中深入研究了基于灰度共生矩阵( GLCM) 的纹理特征提取方法，给出了基于Matlab 的简便实现代码，分析了共生矩阵各个构造参数对构造共生矩阵的影响。

分析结果对优化灰度共生矩阵的构造、实现基于灰度共生矩阵( GLCM) 的特定图像的纹理特征提取等都具有重要参考意义。

关键词：纹理特征；灰度共生矩阵；基于内容的图像检索；MatlabStudy on the extraction method of image texture featureAbstractIn recent years, along with information multimedia time arrival, as well as network in worldwide scale day by day popular, cloud computation being in fashion, the people are more and more bigger in the daily life work contact information content. The image took the information one kind of carrier, has, the information content intuitively big, is advantageous for the characteristic which between the different country exchanges, is the network multimedia important constituent. Based on the text image retrieval is based on the content image retrieval foundation, with the artificial way explanation pictorial information, its work load we imagines with difficulty, the feasibility is also worth discussing. Therefore CBIR method effective addressing this difficult problem . Based on content image retrieval (CBIR) including four stages, respectively is: Gain image, extraction characteristic, classified image, retrieval image. The image retrieval mainly is a core question: Which one kind of image characteristic selects what algorithm to withdraw, fast effective carries on the image the discrimination and the examination. The texture characteristic extraction is one of CBIR key question, the present paper also is based on the image texture characteristic extraction is a foundation. First, this paper used the co-occurrence matrix based on texture primitive to extract texture feature of image．In this method，it extracted basic texture primitive of image by Local Binary Pattem(LBP), and used co-ccurrence matrix of gray level co-occurrence matrix(GLCM) to analyze the texture primitive image. The method of texture feature extraction based on gray level co-occurrence matrix ( GLCM) was studied. Analyzed the effect of each parameter on constructing the co-occurrence matrix and implemented the feature extraction using Matlab. The analytical results provide valuable reference for creating GLCM better and extracting texture features of specific kinds of images．Keywords: texture feature；gray level co－occurrence matrix；based on content image retrieval；Matlab目录第1章绪论 01.1 前言 01.2 研究背景和意义 01.3 国内外研究现状 01.4 研究方法 (1)第2章纹理的概念和表达方式 (2)2.1 纹理的概念和特征 (2)2.2 纹理特征的描述方法 (3)2.2.1 统计分析法 (3)2.2.1.1 自相关函数 (4)2.2.1.2 边界频率 (4)2.2.1.3 灰度共生矩阵法 (4)2.2.2 频谱法 (5)2.2.3 结构法 (5)第3章灰度共生距阵算法的具体分析与实现 (6)3.1 灰度共生矩阵基本原理和特征 (6)3.2 灰度共生矩阵的二次统计特征量 (6)3.3 灰度共生矩阵的Matlab实现 (7)3.3.1 图像的前期处理 (7)3.3.2 Matlab实验获取二次统计特征量 (8)3.4 试验结果分析 (8)第4章结束语 (10)主要参考文献 (11)致谢 (11)第1章绪论1.1 前言随着多媒体技术和互联网的迅速发展，数字图像的容量正以惊人的速度增长，无论是军用还是民用，无论是静态还是动态的，每天都会产生海量的图像信息。

基于数字图像处理的纱线毛羽检测

基于数字图像处理的纱线毛羽检测孙银银;潘如如;高卫东【摘要】为更准确地检测纱线毛羽长度及其根数,在结合视频显微镜和图像处理技术的基础上,提出一种新的毛羽检测方法.采用MOTIC SME-140视频显微镜采集纱线图像,经过灰度变换、图像分割、形态学开运算、图像细化处理,得到完整的纱线条干图像和细化后的毛羽图像,以纱线条干边缘为基准线,对毛羽分割点进行判断,最后得出不同长度的毛羽根数.图像法检测结果表明,纱线片段的毛羽根数值较为稳定,检测结果与目测图像计数的结果非常接近,因此,可认为所提出的毛羽检测方法较现有的光电检测方法更为准确、可靠.%In order to detect the length and root number of yarn hairiness more accurately,a new hairiness detection method was proposed based on video microscope in combination with image processing techniques.The yarn images were captured with a MOTIC SME-140 video microscope and then were processed with gray scale conversion,image segmentation,morphology opening and image thinning sequentially.The images of yarn core and hairiness thinning were obtained.And then with the yarn core edge as the measurement baseline to segment hairiness and the hairiness cut-point was judged,thus different lengths of hairiness root number were obtained directly.The result shows that the value of root number of every piece is more stable,and the results of this detection are very close to the visual counting values.Therefore,the present method for hairiness detection is more accurate and reliable than the photoelectric one.【期刊名称】《纺织学报》【年(卷),期】2013(034)006【总页数】5页(P102-106)【关键词】纱线;毛羽;图像处理;自动检测【作者】孙银银;潘如如;高卫东【作者单位】江南大学纺织服装学院,江苏无锡214122;江南大学纺织服装学院,江苏无锡214122;江南大学纺织服装学院,江苏无锡214122【正文语种】中文【中图分类】TS101.9毛羽是评定纱线质量的重要指标之一，不仅影响纱线质量，同时也对后续的织造加工产生不良影响［1］，甚至影响最终产品的质量。

基于参数核图割的纱线毛羽图像处理方法

基于参数核图割的纱线毛羽图像处理方法苏泽斌;黄梦莹;景军锋【摘要】为了准确计算纱线毛羽特征参数,克服图割法中人为随机选择阈值造成的消极影响,提出了一种基于参数核图割的图像处理纱线毛羽算法.首先,采用局部最大类间方差法获取纱线二值图像,并与纱芯二值图像作逻辑运算,提取毛羽进行特征分析.然后,选取两种不同支数的纱线,以USTER CLASSIMAT 5测试结果为标准,比较参数核图割法与区域生长法、线性近似纱芯边界法对纱芯分割图像处理方法的优劣.结果表明,参数核图割法耗时少、误分点少,毛羽检测算法准确率高达95.5%,远优于另两种算法,也证明了选取不同的纱芯分割方法将直接影响毛羽特征分析的准确性.%In order to calculate yarn hairiness characteristic parameter accurately,and overcome the negative impact from selecting threshold artificially in graph cut method,image processing algorithm of yarn hairiness based on parametric kernel graph cut method is proposed.Firstly, the yarn core binary image is acquired via the step of yarn core segmentation by parametric ker-nel graph cut method,and then the logical operation is carried out between the yarn binary im-age and the yarn core binary image to extract hairiness for characteristic analysis.Then,the method is compared with two image processing methods previously used for yarn core segmen-tation in terms of two kinds of yarn samples.The experimental results show that the method a-chieves the least time and minimum number of classification error,the proposed algorithm is more precise and accurate,and reaches up to 95.5%,compared with the other two methods in the standard of test results of USTER CLASSIMAT5 .Meanwhile,it is proved that the accu-racy of hairiness characteristic analysis is directly influenced by yarn core segmentation method.【期刊名称】《西安工程大学学报》【年(卷),期】2017(031)004【总页数】10页(P486-494,501)【关键词】图像处理;图像分割;纱线毛羽;参数核图割;纱芯分割;毛羽特征分析【作者】苏泽斌;黄梦莹;景军锋【作者单位】西安工程大学电子信息学院,陕西西安 710048;西安工程大学电子信息学院,陕西西安 710048;西安工程大学电子信息学院,陕西西安 710048【正文语种】中文【中图分类】TP391在纱线质量检测中,毛羽是衡量纱线质量好坏的重要指标.毛羽的基本形态分为两类[1-2]:一类是纤维头端(一端或两端)伸出纱芯的端毛羽;另一类是两端在纱芯内而中段成圈状浮在纱芯外的圈毛羽.毛羽越长,对纱线的性能、质量和后序加工过程的影响越大.行业认为2 mm以上的毛羽即会产生不良影响,并定义3 mm及以上的毛羽长度为临界长度及有害长度[3].因此,很有必要准确测量纱线毛羽的特征参数,从而为纱线生产过程提供参考信息.纱线毛羽由于细微、复杂,使其成为难以准确检测的指标.对此,国内外学者提出了不同的研究方法[2,4-5].纱线毛羽的检测最初是以手工方式实现的,通过显微镜将纱线图片放大,再使用曲线计进行手工测量[6].此法费时费力,会因个人对毛羽边界的定义存在差异造成误差.因此,人们一直致力于用自动检测系统替代传统的手工测量.目前,商业上使用最广泛且发展较成熟的毛羽检测方法是光电法,它通过投影计数法[7]或全毛羽光电法[8]自动检测纱线毛羽,其中以瑞士USTER公司的毛羽检测装置尤为出色.随着数字图像处理技术和机器视觉的快速发展,充分利用该技术克服其他检测方法的缺点,实现对纱线毛羽的客观评定,对提高纱线质量具有重要的意义[9-12]. 采用图像处理技术分析纱线毛羽时,图像分割起到了关键的作用.图像分割在研究纱线毛羽时主要用于纱线分割和纱芯分割,分别获取纱线二值图像和纱芯二值图像[11].由于纱芯粗细不匀,且与其附近的毛羽灰度值差异不大,提取完整的纱芯轮廓成为难点.对同一纱线图片而言,纱芯分割结果不同,毛羽区域指数、毛羽长度指数、毛羽标准差和毛羽变异系数的计算结果也不同,因此,选取合适的纱芯分割方法是准确计算毛羽特征参数的前提.基于此,本文采用参数核图割法获得纱芯,并将分割结果与区域生长法[13-14]和线性近似纱芯边界法[9]进行对比.实验结果表明,基于参数核图割的纱线毛羽图像处理算法与USTER CLASSIMAT 5装置测出的参考结果具有高度一致性.1.1 图像采集纱线毛羽图像采集系统,主要包括CCD面阵相机、带柔光箱的LED光源、PC机以及导纱装置.其中相机选取BASLER公司的acA1300-30 gm面阵相面，配备尺寸为4.86 mm×3.62 mm的SonyICX445 CCD感光工芯片，帧速率为30 fps,分辨率为130万像素.其水平/垂直分辨率为1 296像素×966像素，水平/垂直像素尺寸为3.75 μm×3.75 μm,接口类型为GigE.为了获取清晰的纱线毛羽图像,在图像采集前,需要对相机的曝光时间、图像分辨率,镜头焦距、光圈的大小,光源亮度以及待测纱线与相机镜头平面的空间距离等进行调试.设置曝光时间为800,图像分辨率为256×256,待测纱线与相机镜头平面的空间距离约为14.5 cm.根据检测对象的特殊性,该采集系统共设置2个柔光箱,一个柔光箱平面与黑色导纱台呈45°,另一个柔光箱平面与黑色导纱台呈90°.1.2 纱线毛羽算法流程算法流程主要包括4部分:(1)采用局部最大类间方差法(简称局部OTSU法)进行纱线分割,将灰度化的纱线图像转化为二值图像,使得整个纱线与背景分割;(2)采用参数核图割法进行纱芯分割,将纱芯从灰度纱线图像中单独提取;(3)将前两步获得的纱线二值图像与纱芯二值图像作逻辑运算,提取毛羽二值图像;(4)对毛羽二值图像进行特征分析.纱线毛羽图像处理算法主要流程如图1所示.2.1 纱线分割若纱线灰度图像的纱轴倾斜,则采用Hough变换[15]对图像进行倾斜校正.灰度图及倾斜校正后的结果如图2,3所示.鉴于纱线毛羽与黑色背景之间的灰度差异不明显,若采用全局最大类间方差法[16]对整幅图像进行纱线与背景的分离,则会将部分毛羽信息误归为背景一类.因此,本文采用局部OTSU法对纱线图像进行分割.首先将像素256×256的纱线图像分成像素16×16的区域,再分别对这些区域寻找灰度直方图上波谷横坐标对应的灰度值,将之作为所在区域的分割阈值,完成区域内部分割.由图4得出,局部OTSU法能很好地分割纱线与背景,保证了毛羽的完整性.2.2 纱芯分割图割算法是一种基于图的组合优化方法,它将一幅图像映射成一个无向带权图,并建立关于标签的目标函数,运用最小割/最大流原理对无向带权图进行切割,得到无向带权图的最小割,即目标函数的最小值.对于无监督图割法,主要缺点是分段模型未能广泛适用于各种图像,不同图像或同一图像的不同区域可能需要不同的分段模型.对此,用户交互是一种解决方式,它能在分割过程的任意一步学习区域参数,从而使模型更通用.但该参数的学习过程不是由目标函数优化得到,只是松散的耦合,且容易陷入局部最小值,不能获得最优的纱芯分割结果.因此,本文提出基于参数核图割的纱芯分割方法[17-18],该算法在不需要明确映射过程的前提下能将纱线图像数据通过隐式核函数映射到高维空间,同时解决了分段模型适用性的问题.此外,该算法既不需要先验知识,也不会出现人为随机选择阈值造成的消极影响,同时能达到全局最优.该算法可以很好地融合图像中局部与全局信息,同时对于没有进行滤波的图像,分割效果也较好,这是因为此方法不仅是把图像分割成目标和背景,更多的是分割出更多的子图像,作进一步分割处理,可以得到更多的分割区域,因此对于噪声干扰具有稳健性.同时该算法在分割合成图像时误分率更低,尤其在处理光学等类型图像时,可以保留更多的图像细节信息,分割结果轮廓完整,边缘清晰,准确率更高.2.2.1 图割法设I:p∈Ω⊂R2→Ip=I(p)∈Ι表示图像函数中位置为p的像素点从位置空间Ω到图像空间Ι的映射.图割法将图像分割问题视为标签分配问题,即为图像中每个像素分配一个有限标签集L中的标签l.定义标签函数λ,λ为Ω中的像素分配一个标签:定义具有相同标签l的像素集为Rl,则Rl在标签函数λ中表示为式中:Nseg表示将图像I分割成Nseg个区域.根据文献[19]可知,图割法的分割目标函数可表示为式中:D表示数据项,用于测量分割区域内图像数据相对于统计模型的一致性;Θ表示调整项,用于平滑区域边界;α≥0表示调整项相对于数据项的权重因子.采用高斯分布的分段常数模型[20-21]构造数据项,即式中:μl表示区域Rl的分段常数模型参数.采用的调整项为式中:N表示所有相邻像素对的集合;r(λ(p),λ(q))表示平滑正则函数,由文献[21-22]可知式中:C表示常数.2.2.2 参数核图割法令φ(·)表示从图像空间Ι到高维特征空间J的非线性映射.引入核函数K(y,z):K(y,z)=φ(y)T·φ(z), ∀(y,z)∈Ι2.若要实现图像分割,即寻找标签使得目标函数最小化,则目标函数可表示为式中: FK测量的是区域参数μl(1≤l≤Nseg)和图像数据之间的核诱导非欧式距离. 根据非欧式距离,定义JK(Ip,μ):将式(8)代入式(7)得由式(9)可知,区域参数{ 与标签函数λ共同决定目标函数FK.因此,本文对目标函数FK分两步迭代进行优化直至收敛,实现最小化:Step 1:固定标签函数λ,通过不动点计算优化目标函数FK以此更新区域参数{.给定一个图像的子区域Rk,k∈L,即式中:表示像素p的相邻像素集q,λ(q)≠λ(p), μλ(p)-μλ(q)<const;Ck表示每个区域Rk的边界.根据大量试验,采用高斯径向核函数(RBF)[17-23],即:K(y,z)=exp(-‖y-z‖2/σ2),因此,区域参数μk的不动点迭代公式为其中,式中:#表示集合的势.Step 2:由Step 1得出的区域参数μk,通过图割法优化进行标签的更新,寻找图像的最优标签.图割法中,图像被视为一个无向带权图,令G=〈V,E〉表示带权图中的节点集V和边集E,节点集V中包括像素节点和终端节点S(目标)、T(背景), 边界集E中包括连接两个像素节点的边n-links和连接像素节点和终端节点的边t-links.存在一个“割”C⊂E,将G分成分别包含终端节点S和T的两个子图,若此“割”使得边的所有权值之和最小(两个子图之间的联系最弱),即为最小割,此时目标函数最小化,图像分割完成,分割原理如图5所示[19-24].对于每对标签{θ,β},即包含终端节点θ和β的两个子图,通过最小割/最大流原理来寻找图Gθ,β=〈Vθ,β,Eθ,β〉的最小割.在寻找最小割的过程中,边的权值分配如表1所示.采用参数核图割法进行分割后的纱芯图如图6所示.2.3 毛羽提取与特征参数将纱线二值图像与纱芯二值图像作逻辑运算,提取毛羽二值图像,如图7所示.为了更好地定量分析纱线毛羽特征参数,需要进行单位标定,确定米制单位与像素之间的转换关系.根据乌斯特公报2013版[25],毛羽长度指数HL等于1 cm长度纱线上伸出纱芯的纤维长度总和LF(单位为mm)与传感器长度LC=1 cm的比值,因此,毛羽长度指数是无量纲的,即对于纱线,常出现大量毛羽紧贴在纱芯边缘的情况,由于光照等一些影响,此时可能会将这些毛羽视为纱芯的一部分,造成测得的毛羽长度指数比实际值要偏小.同时,毛羽长度指数忽略了纱芯粗细的影响,即使具有相同毛羽长度指数的两类纱线,也不能判断两者纱芯相同.因此,图像处理领域提出毛羽区域指数HA这一项特征参数,定义如式(14)所示,它与毛羽长度指数HL共同作用,使得对毛羽分布的描述更准确.式中:SF表示毛羽像素的数目,SC表示纱芯像素的数目.标准差S是考核毛羽分布的第二指标,是描述纱线卷装内部毛羽变异的数值.变异系数CVH描述整体毛羽的分布情况,是考核批量生产纱线的毛羽分布均匀状况的量化指标[3].式中:n表示选取的毛羽图片数目;HLi表示第i张图片的毛羽长度指数L表示平均毛羽长度指数.采用两种不同纱线对所提算法进行实验验证,第一种纱线为32英支,平均直径为0.874 9 mm的普梳环锭纺棉纱,记为样本1;第二种纱线为40英支,平均直径为0.794 4 mm的精梳环锭纺棉纱,记为样本2.通过BASLER公司的acA1300-30gm相机采集的大量像素为256×256的静态纱线图片奠定了实验的准确性,且采集纱线图片时有所间隔,消除了周期性纱线不规则的影响.采用参数核图割法进行纱芯分割时,α作为控制数据项与调整项之间的权重因子,起到了很重要的作用,能直接影响分割结果的好坏.α值越大,分割的区域一致性越好,对形状单一、区域集中的目标就越适合,而较小权重因子则适合局部细节可分性强、形状复杂且相对离散的目标.经过纱线图库的试验,图8展示出α不同取值时所对应的分割结果.由图8可知,当α<0.5时,部分毛羽像素仍残留,且纱芯轮廓过度细节化;当α=0.7时,虽已完全排除毛羽的干扰,但存在少数毛羽起始端被视为纱芯,从而被保留下来的现象;当α=0.9时,虽然获得很好的区域一致性,但是纱芯轮廓的细节部分未能很好的表示;因此,本文选取α=0.8的权重因子,既能分割出完整的纱芯,同时能保留轮廓的细节部分.本文将参数核图割法与区域生长法和线性近似纱芯边界法(简称线性法)进行纱芯分割比较,结果如图9所示.区域生长法,即以纱线图像中最大灰度值对应的像素作为种子,通过自定义门限,当种子像素与其八邻域之间的绝对灰度差小于门限时,进行合并,并以新合并的像素为中心,直至区域不能进一步扩张后停止.线性法,即对纱线分割后的纱线二值图像进行行扫描,定义x%(本文设置x%=55%),若一行中纱线像素占该行的比例大于等于x%,则这一行的纱线像素点被保留.为了定量检测算法,设置误分点来判断是否可以正确分割出纱芯.若一个属于纱芯的像素点被误分为背景或一个属于背景的像素点被误分为纱芯,都称该像素点被误分类,本文通过人工视觉统计误分类像素的数目,同时计算各个算法的处理时间,统计结果如图9所示.实验结果表明,区域生长法能分割出纱芯图像,但对于不同的图像需要设定不同的门限值,且受人为设定门限的限制有时并不能生长完全,导致纱芯分割不完整,误分点较多.线性法的误分点最多,分割出的纱芯近似矩形,对原始灰度图纱芯轮廓的拟合效果差,且该法需要在纱线分割的基础上进行,耗时最多.采用参数核图割法进行纱芯分割时效果更好,且耗时减少,误分点个数减少,算法效率有一定提高,该算法出现误分点的大部分原因在于平滑纱芯上的毛刺,对之后的毛羽提取步骤是有利的.实验平台为:Window7 Professional Edition, MATLAB R2014a, CPU: Intel i5-2400, RAM: 4GB.在纱线分割采用相同方法的前提下,首先对两类样本基于三种纱芯分割方法各随机取50个纱线片段,其中,每个纱线片段连续采集52帧图像,每帧采集的纱线长度为12.24 mm,则纱线片段的长度为1 003.68 mm,即每个片段的实际长度近似为1 m.最后进行毛羽提取,求取的毛羽区域指数结果如图10所示.对于同一图片,线性法由于分割出的纱芯最粗,导致毛羽区域指数HA最小;区域生长法受自定义门限的限制,生长不完全,导致分割的纱芯最细,毛羽区域指数HA最大;参数核图割算法进行纱芯分割后求得的毛羽区域指数HA处于两者之间,且与线性法的差距大,与区域生长法的差距小.图10展示的毛羽区域指数测试结果与前文讨论相一致.在纱线分割采用相同方法的前提下,求取的毛羽长度指数结果如图11所示.本文计算毛羽长度指数的步骤为:首先,确定纱芯横向轴线;然后,以横向轴线与纱芯上下边缘之间距离的平均值作为纱芯上下边缘基准线;最后,以基准线为基础绘制间隔为1 mm的统计线,计算毛羽与各统计线的交点.虽然纱芯粗细对计算毛羽长度指数没有直接影响,但是采用不同方法进行纱芯分割对边缘基准线的确定以及毛羽与统计线的交点影响很大.由图11可知,线性法的毛羽长度指数最小,这是由于分割的纱芯宽度比实际宽度大,导致单根毛羽的长度比实际短.对于区域生长法,在自定义门限最大限度地实现纱芯完整分割的前提下,纱芯宽度仍比实际宽度窄小导致单根毛羽的长度比实际长,获得的毛羽长度指数最大.采用USTER CLASSIMAT 5对两种样本测试,测试长度为10 000 m,获得毛羽长度指数范围分别为:5.6～6.6 (样本1)和4.7～5.6 (样本2),如图11中黑色横线所示.由于样本2经过精梳过程,毛羽长度指数相对样本1较小,由图11也可反映出来.由图11可知,根据本文算法所获得的毛羽长度指数绝大部分都落在了黑色横线范围内,证明了本文算法的可行性.同时,实验证明了毛羽长度指数测试结果与毛羽区域指数测试结果具有很高地一致性.对图11进行数据统计,得到表2.以USTER CLASSIMAT 5测得的毛羽长度指数范围作为标准,通过计算样本1和样本2中三种算法落入标准范围内的毛羽长度指数数目与总毛羽长度指数数目的比值求得准确率.由表2可知,对于样本1和样本2,线性法的平均毛羽长度指数L、毛羽标准差S和毛羽变异系数CVH与另两种算法差异明显且准确率最低,无法满足毛羽测试需求;区域生长法的平均毛羽长度指数L在标准范围内,效果较好,但自定义门限使得测试结果不稳定,准确率不高;本文算法的平均毛羽长度指数L处于标准范围的平均值附近,且准确率远远优于前两者,高达95.5%,定量地证明了此算法进行纱线毛羽研究是可行的.将表2中通过本文算法获得的平均毛羽长度指数L、毛羽标准差S和毛羽变异系数CVH与乌斯特公报2013版进行比较,判断样本1和样本2的各项毛羽特征参数处于何种水平,这对改善和调整纱线质量有很大的作用.其中,USPTM表示根据测试值得到的相应的乌斯特公报百分比水平值,百分比越低,水平越高.选取参数核图割法对不同类型的纱线进行纱芯分割,并与其他两种常用纱芯分割法进行比较.结果显示参数核图割法在时间上、准确率上都远优于另两种方法.图像处理领域提出的毛羽区域指数弥补了毛羽特征分析的不足,它与毛羽长度指数共同作用,使得毛羽分布描述更精准.同时,由图像处理法测出的毛羽特征参数与由电容式电清检测的USTER CLASSIMAT 5装置测出的毛羽特征参数在定性定量上都表现出高度一致性,说明基于参数核图割法的纱线毛羽研究是可行的.目前,采用图像处理法评估毛羽还处于起步阶段,市场上还没有基于图像处理的纱线毛羽分析装置,因此,对机器视觉来说最主要的挑战就是开发具有普适性的基于图像处理算法的纱线毛羽自动分析装置.E-mail:**************SU Zebin,HUANG Mengying,JING Junfeng.Image processing of yarn hairiness based on parametric kernel graph cut method[J].Journal of Xi′an Polytechnic University,2017，31(4)：486-494.【相关文献】[1] BARELLA A.Yarn hairiness:The influence of twist[J].Journal of the Textile Institute Proceedings,1957,48(4):268-280.[2] BARELLA A.Yarn hairiness[J].Textile Progress,1983,13(1):1-57.[3] 秦贞俊.关于纱线毛羽问题的讨论[J].棉纺织技术,2001,29(3):5-10.QIN Zhenjun.The discussion about the yarn hairiness[J].Cotton TextileTechnology,2001,29(3):5-10.[4] HALEEM N,WANG X.A comparative study on yarn hairiness results from manual test and two commercial hairiness metres[J].Journal of the Textile Institute,2013,104(5):494-501.[5] HALEEM N,WANG X.Recent research and developments on yarn hairiness[J].Textile Research Journal,2015,85(2):211-224.[6] PILLAY K P R.A study of yarn hairiness in cotton yarns:part I.Effect of fibre and yarn factors[J].Textile Research Journal,1964,34(9):663-674.[7] Zweigle Uster.Handbook of Uster Zweigle HL400[M].Uster:Uster Technologies AG,2014.[8] Uster.Handbook of Uster Tester 5[M].Uster:Uster Technologies AG,2005.[9] GUHA A,AMARNATH C,PATERIA S,et al.Measurement of yarn hairiness by digital image processing[J].The Journal of The Textile Institute,2010,101(3):214-222.[10] CARVALHO V,SOARES F,VASCONCELOS R,et al.Yarn hairiness determination using image processing techniques[C]//Emerging Technologies & Factory Automation (ETFA),2011 IEEE 16th Conference on.IEEE,2011:1-4.[11] FABIJANSKA A,JACKOWSKA-STRUMIII O L.Image processing and analysis algorithms for yarn hairiness determination[J].Machine Vision and Applications,2012,23(3):527-540. [12] 孙银银,潘如如,高卫东.基于数字图像处理的纱线毛羽检测[J].纺织学报,2013,34(6):102-106. SUN Yinyin,PAN Ruru,GAO Weidong.Detection of yarn hairiness base on digital image processing[J].Journal of Textile Science,2013,34(6):102-106.[13] 陈方昕.基于区域生长法的图像分割技术[J].科技信息,2008 (15):58-59.CHEN Fangxi.Image segmentation based on region growing method[J].Science and Technology Information,2008(15):58-59.[14] 兰瑜洁,钟舜聪.基于区域生长法的自适应图像分割的网眼织物瑕疵检测[J].机电工程,2015,32(11):1513-1518.LAN Yujie,ZHONG Shuncong.Defect detection of eyelet fabric using adaptive image segmentation based on region growing method[J].Mechanical and Electrical Engineering,2015,32(11):1513-1518.[15] MANJUNATH ARADHYA V N,HEMANTHA KUMAR G,SHIVAKUMARA P.Skew detection technique for binary document images based on Houghtransform[J].International Journal of Information Technology,2006,3(3):194.[16] OTSU N.A threshold selection method from gray-levelhistograms[J].Automatica,1975,11(285-296):23-27.[17] SALAH M B,MITICHE A,AYED I B.Multiregion image segmentation by parametric kernel graph cuts[J].IEEE Transactions on Image Processing,2011,20(2):545-557.[18] 崔威威,田铮,赵伟.图像分割的自适应交互核图割模型[J].计算机工程与应用,2013,49(5):190-194.CUI Weiwei,TIAN Zheng,ZHAO Wei.Self-adaptive interactive kernel graph cut model for image segmentation[J].Computer Engineering and Applications,2013,49(5):190-194. [19] BOYKOV Y Y,JOLLY M P.Interactive graph cuts for optimal boundary & region segmentation of objects in ND images[C]//Proceedings of Eighth IEEE International Conference on.IEEE,2001,1:105-112.[20] BOYKOV Y,VEKSLER O,ZABIH R.Fast approximate energy minimization via graph cuts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(11):1222-1239.[21] SALAH M B,MITICHE A,AYED I B.A continuous labeling for multiphase graph cut image partitioning[C]//International Symposium on Visual Computing.Springer Berlin Heidelberg,2008:268-277.[22] VEKSLER O.Efficient graph-based energy minimization methods in computervision[D].Cornell University,1999.[23] DHILLON I S,GUAN Y,KULIS B.Weighted graph cuts without eigenvectors a multilevel approach[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,2007,29(11):1944-1957.[24] BOYKOV Y,FUNKA-LEA G.Graph cuts and efficient ND imagesegmentation[J].International Journal of Computer Vision,2006,70(2):109-131.[25] ter Statistics Application Handbook[M].Uster:Uster Technologies AG,2013.。

基于图像技术的纱线毛羽检测分析_1

基于图像技术的纱线毛羽检测分析发布时间：2022-08-10T02:42:19.608Z 来源：《城镇建设》2022年第5卷第3月第6期作者：杨潺王小虎[导读] 在对纱线进行检测时，可以使用数字图像处理技术杨潺王小虎阿克苏地区纤维检验所,新疆阿克苏843000摘要：在对纱线进行检测时，可以使用数字图像处理技术，该技术属于新型的测试手段，在此过程中主要利用了计算机图像处理方法，能够对纱线外观进行测试，并且实现自动化。

该文章主要针对基于图像技术的纱线毛羽检测技术进行了分析，并且探讨了该方面的发展现状，与此同时与传统的测试手段进行了比较，通过比较可以看出基于图像处理技术的纱线检测方法，具备一定的优势是未来检测领域的主要发展方向。

关键词：图像技术；纱线毛羽；检测分析引言纱线的质量能够通过纱线毛羽得到很好的反应，纱线的外观和手感与毛羽的长度和数量有着直接的联系，与此同时还会影响到整个产品的质量和档次，后续加工工作在开展过程中也会受到相应的影响，在对纺织品进行生产时，纱线毛羽检测是非常重要的。

纱线毛羽检测在整个纺织行业起到了非常重要的作用，随着消费者而对纺织品性能要求的提升，纱线毛羽检测更能够发挥自身的特点和优势。

纱线本身质量能够通过数字化测试实现相应的表征，并且能够建立纱线的自动化和客观化。

1纱线图像采集装置的构成图1是沙像图像采集的装置示意图。

如图可以看出该装置包含了成像单元以及计算机等。

在光源和成像单元之间的水平线上存在着纱线，在此过程中光的强度是符合要求的。

在图像采集卡以及计算机的作用下光学信号能够转化为电信号，然后实现成像以及图像采集等各项工作。

1.1硬件组成纱线图像采集系统包含了成像单元以及工业镜头等，这些都属于整个系统的硬件部分。

如果成像单元具备差异性，那么采集的类型也不同，包含扫描仪采集以及视频显微镜采集等。

在采集纱线图像时，孙莹莹等采用的是MOTICsME一140视频显微镜，张继雷采用的是数码相机，除此之外，杨欣欣还提出了基于高速摄影技术的毛羽性能研究法。

【CN109902686A】一种森林单木参数提取方法【专利】

4
CN 109902686 A
说明书
2/5 页
K-均值聚类的方法从原始点云数据中提取单木，使用直接基于三维点云数据进行分割的方法避免了数据转换带来的误差，充分利用了三维点云数据的空间特征信息，能够在一定程度上提高下层林的识别率，有利于提取更多的森林结构参数，是目前单木分割研究的热点。但是基于三维点云数据的分割方法需要大量的操作和计算，速度偏慢，针对大数据量缺乏必要的解决方案，很难在大范围进行推广使用。
( 19 )中华人民共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910056834 .7
(22)申请日 2019 .01 .22
(71)申请人中国科学院植物研究所地址 100093 北京市海淀区香山南辛村20 号
(72)发明人徐光彩庞树鑫孙喜亮杨炳伟郭庆华
(74)专利代理机构北京纪凯知识产权代理有限公司 11245
代理人孙楠
(51)Int .Cl . G06K 9/34(2006 .01) G06K 9/00(2006 .01) G06K 9/36(2006 .01)
(10)申请公布号 CN 109902686 A (43)申请公布日 2019.06.18
( 54 )发明名称一种森林单木参数提取方法
( 57 )摘要本发明涉及一种森林单木参数提取方法，其
参数包括单木的树种、树种组的分类和冠层分布。
3
CN 109902686 A
说明书
1/5 页
一种森林单木参数提取方法
技术领域 [0001] 本发明是关于一种森林单木参数提取方法，属于激光雷达领域。
背景技术 [0002] 机载激光雷达测量方法(lidar)是当今测绘业界先进的遥感测量手段，是继GPS空间定位系统后又一项测绘方法新突破。自 20世纪60年代末世界第一部激光雷达诞生以来，机载激光雷达方法作为一种重要的航空遥感方法，与成像光谱、成像雷达共同被誉为对地观测三大核心方法。迄今为止，机载激光雷达的研究与应用均取得了相当大的进展，已成为航空遥感领域主流之一，在测绘、电力、水文、林业等领域得到了广泛的应用。与传统的摄影测量方法相比，激光雷达方法生成的三维信息更快、更准确，特别是具有穿透地表覆盖的森林植被快速获取森林冠层结构和地形信息的能力，具有其他方法无可比拟的优势，在森林生态的研究中具有重要意义。 [0003] 目前在林业应用上的机载激光雷达主要有两类：记录完整波形数据的激光雷达和记录离散点云数据的激光雷达。相对于传统的离散激光雷达波形数据，波形数据通过对发射脉冲与目标相互作用后的回波信号进行高密度数字采样，获取反射信号按时间先后的振幅信息记录，从而形成较为完整的波形剖面。对于林区而言，光斑内往往是由多个树冠层、下层灌木、植被、地表组成的复杂垂直结构，仅记录点云数据的激光雷达系统由于受到垂直分辨率的局限，会损失部分来自目标的后向散射信号，在一定程度上影响了利用激光雷达波形数据进行单木参数提取的效果。激光雷达波形数据的波形记录了包括较小能量信号在内的所有回波信号，通过对波形数据进行处理，能够检测到更多的目标物特征信息，波形数据转换后可以得到更高密度的点云数据，特别是在森林地区更多数量的点云数据可以更为准确地刻画林木的结构特征信息。而波形数据处理后获取的属性信息也在一定程度上反映了不同的立地类型和林木特征信息，这对进一步的分析如森林结构参数提取、树种分类等研究是十分重要的。 [0004] 自激光雷达方法在林业上开始应用，针对激光雷达波形数据的单木分割和参数提取就一直是其研究的热点，上世纪90年代就开始了基于激光雷达波形数据单木分割和参数估测的研究。目前，单木识别的方法主要是基于冠层高度模型的分割方法和基于三维点云数据的分割方法，其中，基于冠层高度模型(Canopy Height Model，CHM)图像的单木分割方法能够很好地利用数字图像处理中较为成熟的算法，同时图像处理中也积累了相对成熟的大数据处理和分析方法，只要根据CHM图像特点进行一定的改进，就可以进行单木识别，进而进行单木参数的提取，极大的降低数据量和计算量，具有处理速度快，能够快速准确识别大部分优势木的特点。但是CHM图像的产生是通过对点云数据的插值生成的，会引入一些空间上的不确定性误差源，降低单木识别和相关参数提取的精度，同时，基于CHM图像的单木分割方法不能充分利用激光雷达提供的三维空间信息，此外，CHM主要代表了上层林木的信息，基本上不能够识别被压木。基于三维点云数据的分割方法是直接利用三维点云数据，而不是将三维点云数据转换成栅格图像的处理方法，在CHM图像提取出的种子点基础上，采用