基于labview的锂锰钮扣电池视觉平台检测技术研究.pdfVIP

旦 窒拯壹旦 仪器仪表用户 其中，表示流，c表示容量。 4 实验结果及分析 顶点 的e()= “，)，表示流入顶点 的网络流；一 本文的算法可以应用到多种类型的灰度图像分割中，图1 个顶点对 (，)的rf(v，)=c(，埘)一 ，)，表示边 (，) ～ 图3给出了该算法进行脑灰度图像分割的结果。 上的残余容量；：rain{e()，rs(，W)}； =(，)表示 “预 流’的残量网，其中 是残余边的集合。 “预流”算法的基本思想是在原始网络中，设定所有与源 点s连接的边 (S，)都满足 s，)=C(s，)，其余的边都满足 ，(，)=0(≠s)。检验除终端节点(源点s和汇点t)外拥有 正e()的所有顶点 ，并将e()从 推向估计离汇点t更近(距 离更短)的顶点，从而使到达汇点的e()尽可能大。如果 与 汇点是不连通的，则将e()推向离源点s更近的顶点。如此循 图1原始的颅脑图像 圈2预分割图像 图3最大分流分帮图像 环迭代 ，算法将达到一个最终状态—— 除终端节点外，所有顶 图1给出了原始的颅脑图像 ，是无噪声图像；图2给出了采 点的e都为零 ，“预流”不复存在 ，变成了流，即为求解的网络最 用分水岭算法进行预分割的分割结果 ，若图像受到噪声干扰 ， 大流。算法实现的基本过程如下 ： 利用多结构元形态算子进行预分割可以抑制干扰 ；图3给出了 Push(U，v)．／／推动预流及重标号过程 本文算法分割的最终结果 ，描绘的目标更加精确。试验中，图像 Applicability：isactive，rAv，)0andd(v)=d(w)+1 的格式转换 、存储和显示在MATLAB中实现，最大流算法的编 Action：Send6=min(e()，rf(，W))unitsofflowfromto 辑 、编译、调试在 VC++6．0环境下完成。 asfo1lows： A ，)+ ，)+6．√W，口)+ W，)一6； 5 结束语 e()一e(口)一8；e(埘)一e(W)+a 本文提出一种新 的基于图论的交互式图像分割算法，结 Relabel()． 合像素的灰度和空间信息建立了新的权重模型。本文仅对灰 Applicability：isactiveandVW∈V，rf(口，)0 d(V) 度图像进行分割，如何综合颜色、纹理等信息建立模型进行彩 ≤d() 色图像分割 ，是未来研究的重点。口 Action：d()~--min{d(W)+1l(，)∈Er} 参考文献 [1]范立南，韩晓微，张广渊．图像处理与模式识别[M]．北京： (Ifthisminimumisoveranemptyset，a(v)．-_∞) 科学出版社，2007． Initialization．／／初始化过程 [2]RotherC，KolmogorovV，BlakeA．GrabCut--interactivefore— ① 初始化预流