用于颗粒尺寸与形状表征的机器学习阴影成像法
图像与视频处理
2020-12-02 v1 数据分析、统计与概率
摘要
传统的颗粒阴影图像处理方法通常耗时，且在处理由形状复杂、聚集且背景多变的颗粒构成的图像时，图像分割性能会下降。本文引入一种基于学习的鲁棒方法，使用单个卷积神经网络（CNN）来分析颗粒阴影图像。我们的方法采用双通道输出 U-net 模型生成二值颗粒图像与颗粒质心图像。随后以颗粒质心图像作为标记图像，通过标记控制分水岭方法对二值颗粒图像进行分割。在合成与实验气泡图像上的评估表明，该方法相较于当前最优的非机器学习方法具有更优性能。所提出的机器学习阴影图像处理方法为实时颗粒图像分析提供了一种有前景的工具。
引用
@article{arxiv.2003.14373,
title = {Machine learning shadowgraph for particle size and shape characterization},
author = {Jiaqi Li and Siyao Shao and Jiarong Hong},
journal= {arXiv preprint arXiv:2003.14373},
year = {2020}
}
备注
11 pages, 6 figures