本文主要研究内容
作者李山山（2019）在《基于矿相分形特征的边缘检测改进算法研究》一文中研究指出：图像边缘轮廓特征是图像识别的重要依据,精准提取清晰的边缘轮廓表征参数是提高图像识别精度的关键环节。球团是高炉必备的入炉原料,其矿相微观结构决定球团冶金性能,搭建矿相微观结构特征与其冶金性能之间的数量关系是球团制备工艺亟需解决的难题。重点研究分形维数与多重分形理论,基于该理论对矿相的边缘特征进行检测,以算法对比实证的方式检验了该算法的优越性,并讨论了多重分形谱谱宽与球团矿冶金性能关键指标(碱度)、表面均匀度的关系。首先,通过实验选取具有代表性结构的球团矿相,采用RGB三色加权方法对其进行灰度化处理,并运用自适应直方图均衡化方法处理灰度化图像,增强矿相的对比效果,奠定后续的矿相处理基础。其次,在离散分形布朗随机场模型下,通过对现有矿相边缘检测方法的分析,设计了一种时间成本较低的改进算法。通过比较选取长度为5的移动窗口,该算法通过判断窗口范围内像素点的灰度值是否均为0,若均为0,则在该窗口范围内计算的三种距离下的灰度值之差的平均值均为0;否则,分别计算不同距离下的灰度值之差的平均值。该算法降低了算法的迭代次数,有效的降低了程序执行时间。将利用改进算法检测的矿相边缘与传统图像边缘检测方法中的Canny算子和Log算子对比,该算法提取的矿相边缘清晰完整,并验证了该算法具有抗噪性。最后,应用多重分形理论中配分函数与窗口大小间的关系,验证出矿相图具有分形结构,并运用多重分形理论的参量对其进行分析。采用多重分形理论计算矿相图的奇异指数与奇异谱,根据这两个重要参数提取矿相的边缘,并与基于分形维数的改进算法提取的矿相边缘进行了对比。研究结果表明:利用多重分形算法提取的矿相边缘更加清晰,提取的边缘信息更完整,可以作为球团矿相视觉特征的直观有效表达;多重分形谱宽与球团碱度、表面均匀度间存在规律性,为确立二者之间定量关系提供了基础。图48幅;表5个;参69篇。
Abstract
tu xiang bian yuan lun kuo te zheng shi tu xiang shi bie de chong yao yi ju ,jing zhun di qu qing xi de bian yuan lun kuo biao zheng can shu shi di gao tu xiang shi bie jing du de guan jian huan jie 。qiu tuan shi gao lu bi bei de ru lu yuan liao ,ji kuang xiang wei guan jie gou jue ding qiu tuan ye jin xing neng ,da jian kuang xiang wei guan jie gou te zheng yu ji ye jin xing neng zhi jian de shu liang guan ji shi qiu tuan zhi bei gong yi ji xu jie jue de nan ti 。chong dian yan jiu fen xing wei shu yu duo chong fen xing li lun ,ji yu gai li lun dui kuang xiang de bian yuan te zheng jin hang jian ce ,yi suan fa dui bi shi zheng de fang shi jian yan le gai suan fa de you yue xing ,bing tao lun le duo chong fen xing pu pu kuan yu qiu tuan kuang ye jin xing neng guan jian zhi biao (jian du )、biao mian jun yun du de guan ji 。shou xian ,tong guo shi yan shua qu ju you dai biao xing jie gou de qiu tuan kuang xiang ,cai yong RGBsan se jia quan fang fa dui ji jin hang hui du hua chu li ,bing yun yong zi kuo ying zhi fang tu jun heng hua fang fa chu li hui du hua tu xiang ,zeng jiang kuang xiang de dui bi xiao guo ,dian ding hou xu de kuang xiang chu li ji chu 。ji ci ,zai li san fen xing bu lang sui ji chang mo xing xia ,tong guo dui xian you kuang xiang bian yuan jian ce fang fa de fen xi ,she ji le yi chong shi jian cheng ben jiao di de gai jin suan fa 。tong guo bi jiao shua qu chang du wei 5de yi dong chuang kou ,gai suan fa tong guo pan duan chuang kou fan wei nei xiang su dian de hui du zhi shi fou jun wei 0,re jun wei 0,ze zai gai chuang kou fan wei nei ji suan de san chong ju li xia de hui du zhi zhi cha de ping jun zhi jun wei 0;fou ze ,fen bie ji suan bu tong ju li xia de hui du zhi zhi cha de ping jun zhi 。gai suan fa jiang di le suan fa de die dai ci shu ,you xiao de jiang di le cheng xu zhi hang shi jian 。jiang li yong gai jin suan fa jian ce de kuang xiang bian yuan yu chuan tong tu xiang bian yuan jian ce fang fa zhong de Cannysuan zi he Logsuan zi dui bi ,gai suan fa di qu de kuang xiang bian yuan qing xi wan zheng ,bing yan zheng le gai suan fa ju you kang zao xing 。zui hou ,ying yong duo chong fen xing li lun zhong pei fen han shu yu chuang kou da xiao jian de guan ji ,yan zheng chu kuang xiang tu ju you fen xing jie gou ,bing yun yong duo chong fen xing li lun de can liang dui ji jin hang fen xi 。cai yong duo chong fen xing li lun ji suan kuang xiang tu de ji yi zhi shu yu ji yi pu ,gen ju zhe liang ge chong yao can shu di qu kuang xiang de bian yuan ,bing yu ji yu fen xing wei shu de gai jin suan fa di qu de kuang xiang bian yuan jin hang le dui bi 。yan jiu jie guo biao ming :li yong duo chong fen xing suan fa di qu de kuang xiang bian yuan geng jia qing xi ,di qu de bian yuan xin xi geng wan zheng ,ke yi zuo wei qiu tuan kuang xiang shi jiao te zheng de zhi guan you xiao biao da ;duo chong fen xing pu kuan yu qiu tuan jian du 、biao mian jun yun du jian cun zai gui lv xing ,wei que li er zhe zhi jian ding liang guan ji di gong le ji chu 。tu 48fu ;biao 5ge ;can 69pian 。
论文参考文献
论文详细介绍
论文作者分别是来自华北理工大学的李山山，发表于刊物华北理工大学2019-10-21论文，是一篇关于球团矿相论文,分形维数论文,多重分形论文,特征提取论文,边缘检测论文,华北理工大学2019-10-21论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自华北理工大学2019-10-21论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：球团矿相论文; 分形维数论文; 多重分形论文; 特征提取论文; 边缘检测论文; 华北理工大学2019-10-21论文;