基于行程长度纹理特征的焦炭显微图像分类算法

在分析焦炭显微图像各向异性光学组织中片状与纤维状显微图像特征的基础上,通过对纹理特征的差异性的研究,提出了一种基于行程长度纹理特征和支持向量机(Support Vector Machine)的焦炭显微图像分类方法。该方法首先计算焦炭显微图像中4个方向上的行程长度矩阵,利用行程长度矩阵求得对图像纹理具有不同表征能力的纹理特征量,通过对各个特征量的数据分析,选取有效特征量组合作为分类器的训练向量,然后用支持向量机对实验样本进行分类。实验结果表明,该方法能够有效地识别出焦炭各向异性组织中纤维状、片状等不同光学组分。     

焦炭显微图像的轮廓提取新方法研究

区域轮廓的提取是对焦炭显微图像中不同光学组分进行分类与识别的关键.由于焦炭的光学组分在不同偏光下呈现的多样性以及该图像本身的复杂性,现有的方法提取轮廓边缘存在较大的困难.文中采用一种边界加权的改进均值偏移算法对焦炭显微图像中不同组分进行聚类,准确聚类的同时较好地保留边缘信息;然后再采用双阈值法和多边形近似得到图像的连续轮廓.实验表明,该方法抗噪性强,能够有效地提取不同组分的轮廓.利用轮廓的特征信息为焦炭显微图像某些类别的分类提供了基础.