【技术实现步骤摘要】
从多纤维样本中提取单纤维样本的图像分割方法及图像处理装置
[0001]本专利技术涉及图像识别
，特别涉及一种利用纺织原材料多纤维图像制备单纤维图像技术。
技术介绍
[0002]纺织品原料中各种纤维成分含量的测定，是决定该原料价值及应用范围的重要指标。根据中华人民共和国国家标准(GB/T 16988
‑
2013)《特种动物纤维与绵羊毛混合物含量的测定》，当前对纺织品中各种纤维成分含量的定性定量分析仍旧采用化学测定法以及人工筛选法，这些方法要求分析人员有较高的专业水准，并且需要较长时间(2
‑
3天)才能完成。
[0003]近年来，人工智能的发展，尤其是深度学习网络的日趋完善，使得AI已经在很多领域，如计算机科学，金融贸易，医药，诊断，重工业，运输，远程通讯等领域有了广泛的实际应用，其中由深度学习网络加持的计算机视觉技术，在人脸识别、医学图像处理等领域取得了媲美人类的水平。鉴于深度学习网络在图像识别上的良好表现，我们拟以该技术来为纺织原料成分含量检测提供新的解决方案。
[0...
【技术保护点】
【技术特征摘要】
1.从多纤维样本中提取单纤维样本的图像分割方法，包括以下步骤：1)制备多纤维样本图像；2)对步骤1)制得的多纤维样本图像进行矢量处理和二值化处理，灰度等级256阶，然后保持图像输出尺寸一致；3)对步骤2)得到的多纤维样本图像进行种类辨识和归类标记；其特征在于：4)将步骤3)处理得到的图像转换为矩阵：图像中的像素与矩阵中的元素一一对应，像素值为255的像素转换到矩阵中时被值赋为0，像素值为0的像素转换到矩阵中时被值赋为1；5)对步骤4)处理后的矩阵进行卷积操作；6)将步骤5)所得矩阵转换为图像：图像中的像素与矩阵中的元素一一对应，矩阵中值为1的元素转换到图像中时被赋值为0，矩阵中值为0的元素转换到图像中时被赋值为255；7)绘制步骤6)所得图像中纤维的轮廓；8)填充步骤7)所得图像中的小孔洞；9)计算出步骤8)所得图像中的纤维边缘；10)将上述步骤9)中得到的图像转换为矩阵：图像中的像素与矩阵中的元素一一对应，像素值为255的像素转换到矩阵中时被值赋为0，像素值为0的像素转换到矩阵中时被值赋为1；11)将步骤10)所得矩阵中的非0元素按连接顺序存储为边界列表；12)遍历上述边界列表，独立计算每组像素点之间的距离矩阵，将不在40
‑
110范围内的矩阵元素值删除；13)计算距离矩阵的梯度，并删除除了极小值以外的矩阵元值；14)沿距离矩阵的对称轴方向检测垂直于对称轴的极小值线，若同线上的极小值线有间断且间断在该极小值线所代表的距离值范围内，则将间断点赋值为组成该极小值线的距离均值；存储处理好的垂直于对称轴方向的极小值线；15)遍历极小值线，若极小值线的长度小于图像高度像素值的1/2，则舍去该极小值线；若极小值线的长度大于或等于图像高度像素值的1/2，则提取极小值线所代表的纤维两条平行轮廓线上像素点，并分别存储为列表，通过卷积计算延伸这两个列表，当达到终止条件时则用直线连接这两个列表端部对应的像素点，并将直线上像素点对应的坐标数据加入到列表中，即得到由边缘像素点集合构成的封闭的单纤维轮廓；16)取步骤15)得到的单纤维轮廓，将单纤维轮廓范围内的白色像素转换为黑色像素，并对整张图取反色；17)循环将单纤维轮廓与原图拟合，即得到每张单纤维样本图像。2.根据权利要求1所述的从多纤维样本中提取单纤维样本的图像分割方法，其特征在于：还包括步骤18)：人工对提取出的单纤维样本图像进行辨识，并去除残缺、模糊图像。3.根据权利要求1所述的从多纤维样本中提取单纤维样本的图像分割方法，其特征在于：所述步骤1)中制备多纤维样本图像又包括以下步骤：a)取纤维样品平铺在试验台上，用镊子在纤维样品不同的部位等量镊取部分纤维，然后将镊取的纤维混合，再整理使纤维基本上呈平行状态；
b)在所镊取的纤维中部切取纤维段，同一纤维只切一次；c)将纤维段全部置于容器上，向容器内滴入适量的液体介质，通过搅拌使纤维段均匀分布在液体介质内，然后取适量的纤维段样品放到载玻片上，盖上盖玻片。d)将载玻片放置于显微镜载物台，通过调焦使显微镜的视场中能够看到清晰的多纤维样本，并获取多纤维样本在显微镜下的扫描图。4.根据权利要求3所述的从多纤维样本中提取单纤维样本的图像分割方法，其特征在于：所述步骤2)中通过缩放多纤维样本图像保持图像输出尺寸为755*552，单位为像素，缩放时长宽均向下取整；采用Otsu算法对缩放后的图像进行二值化处理，其参数为160，255和cv.THRESH_BINARY。5....
【专利技术属性】
技术研发人员：黄瀚瑶，罗媛媛，蔡白雪，李涵，彭明伟，
申请(专利权)人：重庆市计量质量检测研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。