基于数学规划条件的粘连颗粒图像鞍点搜寻

鞍点在图像粘连对象分割的过程中起着非常关键的作用,目前已有若干以分割为目的的鞍点搜索算法,但在其简捷性、鲁棒性等方面仍有改善的余地。提出一种基于数学规划条件的颗粒图像鞍点搜寻新方法。该方法首先根据颗粒图像3维地貌化后得到的像素空间分布信息,利用数学规划原理提出颗粒图像的鞍点规划条件,然后根据其条件进行鞍点检测。将提出的算法应用在真实粘连颗粒图像上,实验结果表明,该算法具有较高的准判率,为颗粒图像的分割以及相关后续处理奠定了理论分析基础。     

基于鞍点搜索的粘连对象图像分割方法

针对图像中不规则形状物体接触的分割问题,提出一种采用Hessian矩阵来判断分割点（即鞍点）进行粘连对象分割的方法。根据对图像进行腐蚀操作得到的三维地貌图,结合鞍点的数学特性,运用Hessian矩阵的特征值对鞍点进行搜索定位,沿经过鞍点的最大梯度路径分割粘连对象。与目前已有的几种分割算法相比,该方法具有算法简捷、分割效果好以及易于实现的特点。     

基于主元分析与BP网络的颗粒体积模型

在颗粒加工工业中,获取颗粒尺寸和形状参数是一道常见的工序。体积是一个重要的颗粒三维参数,采用传统的手工测量方法获取体积耗时长,人工投入较多,很难实现过程控制中的实时反馈。应用计算机视觉技术,提出了一种基于颗粒单视二维图像信息（周长、投影面积、长宽比等）的BP神经网络体积估算方法。为了避免传统BP神经网络收敛速度慢,容易陷入局部极小值的缺陷,采用BP神经网络的改进算法-有动量的梯度下降算法。同时应用主成分分析法来进行体积影响参数的降维处理,减小了网络结构复杂度并提高了网络的整体性能。使用真实颗粒图像及实测数据对神经网络进行训练和精度测试,结果表明,将主元分析法与BP神经网络相结合来进行体积估算无论在预测精度还是在网络运算速度上比全要素传统BP神经网络模型具有更大的优越性。     

基于图像参数的BP网络之岩石颗粒体积估算

在颗粒加工工业,颗粒尺寸和形状参数的获取是一道常见的工序;体积是一个重要的颗粒三维参数,采用传统的手工测量方法获取体积耗时长,人工投入较多,很难实现过程控制中的实时反馈;应用计算机视觉技术,提出一种基于颗粒单视二维图像信息(周长、投影面积、长宽比等)的BP神经网络体积估算方法;实验结果表明,BP神经网络体积估算模型的非线性映射能力能够很好地反应多个影响参数和体积之间的复杂关系,具有较好的精确性、可行性、适应性。