下载文档原格式
图像处理方法在土地利用与覆盖分类中的应用研究随着科技的不断发展，图像处理技术在遥感领域得到了广泛的应用，其中之一就是在土地利用与覆盖分类中的研究。
图像处理方法在土地利用和覆盖分类中的应用可以帮助科学家们更准确、更高效地识别和分类不同的土地类型，并为环境和资源管理提供有价值的信息，有助于推动土地的可持续利用和保护。
本文将会论述图像处理方法在土地利用和覆盖分类中的应用与研究。
首先，图像处理方法在土地利用和覆盖分类中的应用具有广泛的应用场景。
比如，在城市管制中，我们需要对城市地区的土地进行分类分析，可以将城市区域与农村区域进行区分。
同时，在土地利用的分类中也有很重要的应用，例如，对不同的土地类型进行分类识别，如耕地、林地、草地、水域等。
在构建土地类型分类矢量数据时，图像处理方法可以帮助我们在大范围内获取分类数据，并通过对数据的分析和处理，准确识别每个数据的分类类型，从而为土地管理和环境保护提供科学的参考。
其次，图像处理方法可以被应用于遥感图像的特征提取，帮助我们更好地了解不同土地类型的特征。
这可以进一步加深我们对土地类型的识别和分析。
例如，基于分割图像的特征提取可以提取许多地物信息，例如物体形状、边界、纹理等，进而提高我们对土地类型的识别准确度和分类效率。
同时，将遥感图像与其他的数据结合起来进行多源数据的分析处理，还可以帮助我们获得更多的土地利用和覆盖信息。
例如，通过将气象数据、地形数据、土地利用变化数据等与遥感图像数据结合起来，可以更全面地挖掘土地的特征和变化，进一步完善我们对土地的分类和细致度分析。
除此之外，图像处理方法还可以通过建立相应的分析模型来进行有效地土地利用和覆盖分类。
例如，利用支持向量机模型和决策树模型等方法可以为土地利用和覆盖分类提供更可靠、更高效的分析模型。
这些模型可以据准确预测未来的土地利用情况，为土地利用规划和管理提供可靠的支持。
综上所述，图像处理方法在土地利用和覆盖分类中的应用研究具有很重要的意义。
图像处理中的物理学方法图像处理是将图像数据进行分析、处理、增强和重建的过程。
在图像处理中，物理学方法起着非常重要的作用。
物理学方法是指利用物理学原理和方法来解决图像处理中的问题。
本文将探讨图像处理中的几个常用的物理学方法。
第一部分：光学原理在图像处理中的应用光学原理是图像处理中常用的物理学方法之一。
光学原理研究光的传播和光与物质之间的相互作用。
在图像处理中，光学原理可以用于图像的采集和重建。
1. 光的传播和成像光的传播是指光在空间中的传播规律，通过对光的传播规律进行研究，可以解决图像采集过程中的一些问题。
比如，光的传播方程可以用来描述光线在介质中的传播过程，并通过解方程可以获得在给定条件下光的传播路径。
成像是光学原理的重要应用之一。
通过利用光的传播和折射规律，可以实现图像的成像。
例如，利用透镜对光进行聚焦，就可以实现对物体的成像。
在图像处理中，成像过程可以帮助我们理解图像的形成原理，从而通过调整成像参数实现图像的优化和增强。
2. 光谱分析光谱分析是光学原理在图像处理中的另一个重要应用。
光谱分析是通过分析物体反射或发射的光的波长、频率和强度，来获得物体的光谱信息。
在图像处理中，通过光谱分析，可以实现对图像的光谱增强、颜色修复和杂散光去除等操作。
例如，根据图像的光谱信息，可以将图像中的某一颜色分量进行增强，从而提高图像的质量和细节。
第二部分：量子力学在图像处理中的应用量子力学是描述微观世界行为的理论，它在图像处理中的应用越来越广泛。
量子力学主要应用于图像的压缩和加密。
1. 量子图像压缩量子图像压缩是将图像的信息以较低的存储和传输成本进行压缩的方法。
在传统的图像压缩方法中，通常会丢失一些图像的细节信息。
而量子图像压缩方法利用了量子力学中的一些性质，可以更有效地压缩图像，同时保留图像的细节信息。
2. 量子图像加密量子图像加密是利用量子力学的性质来保护图像的安全性。
量子力学中的不确定性原理和量子纠缠等性质，可以提供更高的图像加密安全性。
图像处理技术的研究与应用图像处理技术是一种数字信号处理技术，主要是利用计算机和数字信号处理器对所采集的图像进行处理，提取出它们的信息和特征。
随着计算机技术的发展，图像处理技术在医学诊断、航空航天、军事检测等领域得到了广泛应用。
一、图像处理技术的基础知识数字图像处理技术是指将连续的光学图像转换成离散的数字图像，然后采用一系列的数字信号处理技术将图像进行处理。
数字图像处理的第一步是图像的采集，一般采用数码相机、扫描仪等设备获得图像数据。
然后将这些图像数据输入计算机，通过算法进行图像处理。
图像处理技术主要包括图像增强、图像复原、图像分割、图像压缩和图像识别等方面。
二、图像处理技术在医学领域的应用在医学领域，图像处理技术的应用广泛，包括医学图像诊断、病灶分析和病人监测等方面。
其中，医学图像诊断是最重要的应用之一。
医学影像学图像处理技术主要是对医学超声、CT（计算机断层扫描）、MRI（磁共振成像）、PET（正电子发射断层扫描）等图像进行处理。
利用在体内探测到的成像设备采集到的信息，将其转化为图像，然后运用图像处理技术进行图像分析，提取出其中的重要信息，以便准确地诊断病情。
三、图像处理技术在遥感领域的应用遥感图像处理技术是指利用遥感数据提取和分析地理空间信息的技术。
遥感技术可以采集地球表面上几乎所有空间尺度的信息，包括高分辨率、中分辨率和低分辨率的图像。
遥感技术可以为城市规划、土地利用、资源调查和环境监测等领域提供必要的信息支持。
在遥感图像处理中，主要涉及图像分类、图像分割和图像融合等技术。
四、图像处理技术在安防领域的应用安防领域是图像处理技术的重要应用领域之一。
这里的图像处理技术主要是指视频图像处理技术。
视频图像处理技术广泛应用于智能安防监控、自动识别和追踪、安防预警等领域。
例如，视频监控系统可以将大量的监控图像转化为数字信号，通过图像处理算法对这些数字信号进行处理，提取出可能存在的危险因素，实现实时监控和预警。
图像处理在地学中的应用图像处理在地学的应用今天，几乎不存在与数字图像处理无关的技术领域。
小到广告设计，大到航天图片处理；从医学上的影像分析，到摄影上的效果加强，到地球遥感技术的应用……数字图像处理为我们的生活添色不少。
在地学上，数字图像处理技术的应用可谓让地学研究如虎添翼，给人们研究地质，认识地层带来了更多的方便。
下面简要介绍数字图像处理在地学上的一些应用。
一、数字图像处理在地质构造物理模拟实验中的应用：随着地质科学的发展，人们希望对各种类型的岩石、岩层构造类型及组合形式在应力作用下的形变规律有一个科学的认识，这就要求必须采用综合研究手段，以地质构造形变研究为基础，将人们不曾看到的若干万年的地质形变过程及其形变机制展现在而前。
因此，在地质构造物理模拟试验中能将模拟的地质构造变形过程记录下来，对构造变形的力学机制、发生过程变形特征进行深入的研究，对于分析地质构造成因，推定工业矿藏存在，模拟矿藏结构都是很有意义的。
把计算机图像处理技术应用于地质构造物理模拟试验中，配合所开发的计算机图像处理软件的应用，全过程记录模拟地质构造变形的过程，并对记录的图像进行分析处理，可实现上述目的。
通过计算机图像处理技术建立在特定的物理模型对应的数学模型基础上所确定的相应算法编制的程序，由计算机执行并完成的各种操作，使得图像得以保存和复原，改善图像的品质，提取和描述图像的特征信息。
计算机图像处理技术包括:图像信息的获取;图形信息的存储和转换;数字图像处理;数字图像通信;数字图像输出和显示。
数字图像处理内容有图像变换;图像增强;图像复原、图像压缩编码和图像分析。
因为数字图像处理技术是通过运行处理程序来完成的，所以可灵活、多变地实现各种处理。
这样既可对图像做线性变化，亦可作非线性变换处理，并且处理精度高，再现性好。
二、图像处理在煤矿工业电视图像报警中的应用：在种类繁多的监控系统中，电视监控报警的准确可靠是被公认的。
它可以避免一切干扰造成的误报，减少值班人员不必要的精神紧张，也可以防治犯罪分子破坏造成的损失。
基于图像处理的混凝土微观结构分析研究一、研究背景介绍混凝土是一种常见的建筑材料，其微观结构的研究对于混凝土的性能分析与改进具有重要意义。
图像处理技术可以帮助我们获取和分析混凝土的微观结构，从而更好地理解混凝土的性能和行为。
二、研究方法本文采用图像处理技术对混凝土微观结构进行分析。
具体步骤如下：1. 采集混凝土样本的数字图像。
2. 对图像进行预处理，包括去噪、增强对比度等。
3. 利用阈值分割技术将图像分割成背景和前景两部分。
4. 对前景部分进行形态学处理，如膨胀、腐蚀等，以去除噪点和连接不连通的区域。
5. 利用形态学处理后的图像进行粒度分析、孔隙率分析等微观结构分析。
6. 通过建立混凝土微观结构模型，进行数值模拟，预测混凝土的力学性能。
三、研究结果本文采用图像处理技术对混凝土微观结构进行分析，得到了以下结果：1. 成功地获取了混凝土样本的数字图像，并对图像进行了预处理。
2. 采用阈值分割技术将图像分割成背景和前景两部分，并对前景部分进行形态学处理，成功去除了噪点和连接不连通的区域。
3. 基于形态学处理后的图像，进行了粒度分析、孔隙率分析等微观结构分析。
4. 建立了混凝土微观结构模型，并进行了数值模拟，预测了混凝土的力学性能。
四、研究意义本文采用图像处理技术对混凝土微观结构进行分析，得到了混凝土的粒度分布、孔隙率等微观结构参数，并建立了混凝土微观结构模型，为混凝土的力学性能预测提供了基础。
此外，本文所采用的图像处理技术可以应用于其他材料的微观结构分析，具有广泛的应用前景。
五、研究不足之处及改进方向本文所采用的图像处理技术虽然能够获取混凝土的微观结构，但在实际应用中还需改进以下方面：1. 提高图像分割的准确性，避免漏分、误分现象。
2. 进一步改进形态学处理算法，使其更好地去除噪点和连接不连通的区域。
3. 加强混凝土力学性能预测的精度，提高模型的可靠性和适用性。
六、结论本文采用图像处理技术对混凝土微观结构进行分析，成功获取了混凝土的微观结构参数，并建立了混凝土微观结构模型，为混凝土的力学性能预测提供了基础。
图像处理技术的发展和应用随着科技的不断发展，图像处理技术逐渐成为了一个越来越重要的领域。
简单来说，图像处理就是对数字图像进行特定操作的技术，它可以用于图像增强、恢复、分割、识别和压缩等多个方面。
在本文中，我们将探讨图像处理技术的发展历程以及其在实际应用中的作用。
一、图像处理技术的发展历程早在20世纪50年代，图像处理技术就已经开始萌芽。
当时的研究主要集中在对有限空间内的图像进行处理，比如：X射线片。
到了60年代，计算机技术的发展使得数字图像处理技术得以广泛应用。
当时的研究主要集中在图像压缩、放大和旋转等简单变换。
随着计算机技术的不断进步，数字图像处理技术也不断发展。
在70年代和80年代，人们开始在图像处理中应用数字信号处理技术，包括离散余弦变换等。
在90年代，数字图像处理技术进一步发展，应用范围也越来越广泛。
目前，图像处理技术已经涵盖了计算机视觉、人工智能、模式识别等多个领域。
二、图像处理技术的应用1. 医学图像处理医学图像处理是数字图像处理技术应用的一个重要领域。
医学图像处理技术可以通过对人体扫描图像的分析和处理，实现利用计算机辅助医学诊断。
医学图像处理技术可以对影像进行增强、重建、分割等操作，为医生提供更准确的诊断结果，如CT、MRI 等影像技术以及医学影像分析和识别等技术。
2. 视频处理视频处理技术主要应用于视频制作、视频编辑和视频增强等诸多领域。
在电影等媒体制作中，视频处理可以提高视频画质，从而更好地满足观众的需求。
此外，视频处理技术也可以应用于视频监控、视频分析和视频实时处理等领域。
3. 化学分析化学分析中，图像处理也有着重要的应用。
比如，通过对光谱图像进行分析，可以得到材料的组成和性质等信息。
在化学分析领域中，基于成像分析的数字图像处理技术可以实现对样品的组分分配、颗粒分布分析等。
4. 模式识别模式识别是图像处理技术的一个重要应用领域。
通过对高维复杂数据的处理和分析，可以实现模式识别和数据挖掘等多个方面的应用。
图像处理技术在地质勘探中的精确度与解译效果的改进与应用实践验证摘要：地质勘探是一项重要的工作，通过对地球内部结构和地质构造的研究，可以为石油、矿产资源等的探测和评价提供重要依据。
随着科技的不断发展，图像处理技术在地质勘探中发挥着越来越重要的作用。
本文针对图像处理技术在地质勘探中的精确度和解译效果进行了改进和应用实践验证，并取得了一定的效果。
一、引言地质勘探是通过分析地球内部结构和地质构造，获取有关自然资源分布和性质的信息，为资源勘探和评价提供科学依据的一门学科。
传统的地质勘探依赖于人工解译和地面观测，存在费时费力、效果不稳定等问题。
而随着图像处理技术的日益成熟，其在地质勘探中的应用也越来越广泛。
本文旨在通过改进和验证图像处理技术在地质勘探中的精确度和解译效果，提高地质勘探的效率和准确性。
二、图像处理技术的改进与应用实践验证1. 图像增强技术的改进图像增强技术是图像处理的重要环节，通过对图像进行增强，可以提高图像质量和解译效果。
我们针对地质勘探中常见的图像特点和难点，对图像增强技术进行了一系列的改进。
首先，我们采用了多种滤波器和降噪算法，有效减少了图像中的噪声和干扰，提高了图像的清晰度和辨识度。
其次，我们结合了边缘检测和颜色增强算法，突出了地质构造和特征的边缘信息，使得图像的纹理特征更加清晰可见。
最后，我们采用了增强的对比度和亮度调整算法，使得图像的色彩饱和度更高，更符合地质勘探的需求。
2. 图像分割与识别的改进图像分割与识别是地质勘探中的关键步骤，其准确性和可靠性直接影响着地质勘探的效果。
我们在图像分割与识别的过程中，采用了先进的机器学习算法和深度学习技术，对地质构造和目标进行精确的提取和识别。
首先，我们采集了大量的地质数据和图像样本，构建了地质勘探的数据库和训练集。
然后，我们利用神经网络和卷积神经网络等技术，对图像进行了高效的特征提取和分类，实现了地质构造和目标的自动识别和分割。
通过与传统人工解译相比较，我们发现，改进后的图像处理技术在精确度和解译效果上都有了显著的提高。
Development and Innovation | 发展与创新 |·253·2019年第17期图像处理方法在微观土力学中的应用和发展李向杰，施子骏（东南大学土木工程学院，江苏 南京 211189）摘 要：图像方法作为一种重要的研究手段，已经在许多领域被广泛应用。
近三十年来，岩土力学的研究也开始应用这种方法，并通过不断发展完善的图像处理技术得到更细微和更直观的信息。
文章从微观土力学关注的侧重点切入，主要介绍了当今微观土力学研究中常用的利用图像处理识别颗粒和接触的算法，论述了量化表征颗粒形态与结构的一些物理量的测算方法等重要内容。
关键词：微观土力学；图像处理；空间排布；颗粒表征中图分类号：TU43 文献标志码：A 文章编号：2096-2789（2019）17-0253-02 作者简介：李向杰（1997—），男，本科，研究方向：土木工程；施子骏（1997—），男，本科，研究方向：土木工程。
基于光学和图像处理技术的岩土内部结构监测手段目前已经十分多样，包括光学显微镜成像、磁共振成像、激光辅助成像、X 射线摄影、X 射线断层扫描等[1]。
无论采用何种成像技术、何种维度的图像，研究者们的目的都是从图像数据中提取出有用的信息，量化和表征物体的内部结构，包括孔隙的变化、颗粒接触的演化、颗粒的位移和旋转、颗粒的破碎等。
1 颗粒与接触的识别因为数字图像是离散的，所以对于数字图像的处理本质上是对离散像素（体素）矩阵进行的操作。
微观土力学研究领域中对岩土材料图像进行处理的流程为对图像进行去噪，利用相关算法计算出临界像素（体素）值实现图像的二值化，利用特定的算法进行图像分割，对颗粒进行标号以及对接触的像素进行搜索和判定。
1.1 二值化二值化处理是指将原灰度图像的像素值通过某种方法变为0或1，即将图像变为黑白二色。
图像二值化的方法很多，普遍的做法是通过某种算法对一张图像找到其像素的阈值，高于这个阈值的像素值都变为1，低于这个阈值的像素值都变为0，这种方法也被称为阈值分割。
确定阈值的方法可以是基于图像（通常基于图像的灰度分布），比如Otsu ’s 算法、Isodata 聚类算法等[2]；也可以是基于一些物理测量，比如Vlahini ć[3]和Andò等[4]利用干砂试样密度测算试样中固体的体积，得到应该被归为固体的体素在整个体积内的占比，从而计算出阈值。
1.2 图像分割对图像的阈值分割可以实现固相与气相的分离，但是还需要另外的图像分割算法来实现岩土颗粒相互之间的分离，以便后续识别每个物体。
分水岭分割是目前在微观岩土力学研究中运用最广泛的图像分割方法，其在原理上是利用地理上的流域概念：以分水岭为界的一个河流、湖泊或海洋等的所有水系所覆盖的区域，以及由水系构成的集水区。
分水岭分割算法的基本的思想如下：首先把二维灰度图像设为高低起伏的地域地形图，坐标系中每个像素I （x ，y ）代表地形图上某一点，该像素的像素值或者灰度值代表地形图上该点的高程。
当往整个地域“灌水”的时候，水在重力的作用下会流到每个局部最低处（类似于山谷）。
随着“灌水”的不断进行，水会不断从局部最低处往上涨，如果水位线超过了某个局部最高处的话，两边的水就会在该局部最高处相遇，这时如果在局部最高处修建一座“分水坝”，就可以阻止两边的水相遇。
在此情况下，每个水可以相连的区域就是流域，流域之间被分水岭所分割，每个流域所包括的区域就是所分割出来的一个物体包含的像素点所在的区域。
分水岭分割的一维情形如图1所示。
上述是分水岭分割最基本的处理方法，在其基本思想的基础上，还可以设置不同的分割方程，只需要保证想要分割的物体在流域中。
对于二值化图像来说，无法用像素值地形图进行分水岭，目前较为常见的做法是将二值图像转化成欧式距离图，再进行分水岭分割。
不过在转化之前需要先将二值化图像中物体像素值赋为0，背景像素值赋为1。
以上所述的算法是最基本和最经典的分水岭算法。
Fonseca 和Andò在其工作中指出，经典的分水岭算法对于分割较为规则和圆润的颗粒比较有效，但是对于形状不规则的颗粒，经典算法容易导致过度分割，因此研究者们也开始尝试对算法进行改进。
Andò在其研究中使用了基于标记的分水岭算法；Ram 等[5]提出了随机漫步分水岭图像分割算法；Jaquet 和Andò等[6]随后提出了用于计算三维颗粒材料接触面的Power watershed 方法，并利用计算机模拟生成的接触球体间的枝向量作论证：传统的Topological watershed 和经典的Meyer algorithm 都表现出了很大的偏差，只有Power watershed 方法得到的接触向量方向分布和事实吻合较好。
除了分水岭算法及其各种改进版本，研究者们也在尝试利用更为先进的算法克服分水岭算法的一些缺陷。
Lai [7]等人对此方法进一步改进：利用基于机器学习随机森林算法的Trainable Weka Segmentation 方法对表图 1 分水岭分割的一维情形DOI:10.19537/ki.2096-2789.2019.17.118| 发展与创新| Development and Innovation·254·2019年第17期示固相的像素和表示气相的像素进行分类，得到概率图作为初始条件，再利用水平集的方法对于颗粒进行重构和量化。
其在工作中将这种基于TWS的水平集方法和基于分水岭分割的水平集方法进行了比较，发现前者识别错误的颗粒大多是小颗粒，后者识别错误的颗粒更多，且大多是粒径较大的颗粒，并推断这是分水岭分割容易过度分割的缺陷所导致的。
1.3 接触的定义上述利用图像分割技术对颗粒的分离实质上是去除了颗粒之间的接触，这样便可以很方便地给相邻的像素值为1的像素都赋给同一个值，从1到颗粒的总数，从而使得通过图像分割识别到的每个颗粒都拥有了一个不同的标号。
在分割到标号的这个过程中，颗粒的接触信息被去除了，而颗粒间力的传递又都是通过接触来完成的，颗粒间接触信息的重要性不言而喻，因此识别和表征颗粒的接触也同样十分关键。
Andò在其研究中指出，虽然图像分割方法破坏了颗粒间的接触，但是被“损失”的那一部分像素的位置正好就是接触的位置。
不过，由于实际状态下的接触是一个点、多个点或者一个面，而上述方法得到的接触却由于数字图像本身基于规则方形像素（体素）的特性而具有一个的面积（体积），因此与实际情形相不能很好符合。
Alshibli等[8]定义接触点采用的方法是，首先在表征单个颗粒的时候同时创建“包裹”每个颗粒外边界的一层像素集合，类似于每个颗粒的“外壳”；其次定义像素（体素）相邻的三种情况，既面相邻、边相邻和角相邻；最后在每个颗粒的“外壳”像素（体素）中搜索和其他颗粒的“外壳”相邻的像素（体素），标记为此两颗粒的接触。
2 基于图像处理的颗粒形态与结构表征颗粒的形态、质地、级配是影响岩土试样力学表现的关键因素。
颗粒的体积、表面积和中心点的信息只能通过三维的图像来获取。
颗粒的体积一般被定义为被标号的单个颗粒的体素总和，确定颗粒的表面积需要得到单个颗粒的边界体素，为此研究者们一般采用的方法搜索颗粒中的每个体素，如果该体素含有“自由面”，则体素属于该颗粒的边界。
颗粒的中心点一般在研究中指的是质心。
此外，对于颗粒的方向计算，用得比较多的方法对于构成一个颗粒的像素（体素）实施主成分分析，其原理主要是使用奇异值分解找出一条轴，使得该轴为最大惯性矩的轴，与其垂直的轴线便是最小惯性矩轴。
通过前者可以确定颗粒的最大长度，通过后者可以确定颗粒的最小长度，同时最大惯性矩轴便是颗粒的主轴，可以通过主轴来表征颗粒的方向。
对于颗粒的粒径，研究者们提出了许多不同的基于颗粒图像的投影或者体素分布的物理量和计算方法。
Andò等人使用的是费雷特直径，其定义是沿着一定方向测得的颗粒投影轮廓两边界平行线之间的距离。
对于一个颗粒，费雷特直径因所取方向而异。
Altuhafi[9]在其工作中，不仅考虑了费雷特直径，也将与颗粒拥有相同投影面积的等效圆的直径（EQPC）作为描述颗粒粒径的一个量，并将通过图像系统得到的Toyura Sand的费雷特直径，EQPC与通过筛分试验得到的粒径分布做了对比，结果表明最小砂颗粒的最小费雷特直径分布与通过筛分实验得到的粒径分布最为接近。
3 结束语图像处理技术在微观土力学领域中未来的发展呈现出以下几个趋势：（1）在准确性方面，在越来越多的更为先进的算法被研发出来的情况下，将会出现越来越多验证性的工作，这将涉及颗粒识别、颗粒接触识别的准确性等。
（2）传统的图像处理方法一般是基于数学模型或者统计规律，而近年来机器学习、深度学习等基于大量图像的数据驱动的方法使得计算机视觉领域有了极大的发展，其势必将开始越来越多地被运用到微观土力学领域。
由于光学传感器以及其他图像获取设备越来越廉价，图像数据的得到越来越方便，因此由数据驱动解决领域内的各种问题将是一个大趋势。
（3）图像处理技术在微观土力学试验探究方面的成果将越来越多地和DEM等数值模拟方法结合。
DEM往往假设岩土颗粒是理想的球体以简化接触条件，减小计算量，但是这样的表征和自然界真实颗粒的形态有些许出入，未来越来越多的相关的工作将使得人们对于自然界岩土的理解越来越深刻。
参考文献：[1]Cheng Zhuang,Wang Jian-feng.A mini-triaxial apparatusfor testing of micro-scale mechanical behavior of granular soils[J].Rock and Soil Mechanics,2018(3):43.[2]T-W Ridler,Calvard S.Picture thresholding using aniterative selection method[J].IEEE transactions on Systems,Man and Cybernetics,1978,8(8):630-632.[3]Ivan Vlahinić,Andò Edward,Viggiani Gioacchino,etal.Towards a more accurate characterization of granular media:extracting quantitative descriptors from tomographic images[J].Granular Matter,2014,16(1):9-21.[4]Edward Ando.Experimental investigation of microstructuralchanges in deforming granular media using x-ray tomography[D].France:Université de Grenoble,2013.[5]Sundaresh Ram,Rodríguez Jeffrey-J.Random walkerwatersheds:A new image segmentation approach[A].IEEE,2013.[6]Clara Jaquet,Andó Edward,Viggiani Gioacchino,et al.Estimation of separating planes between touching 3D objects using power watershed[J],2013(7883):452-463.[7]Lai Zhengshou,Chen Qiushi.Reconstructing granularparticles from X-ray computed tomography using the TWS machine learning tool and the level set method[J].Acta Geotechnica,2019,14(1):1-18.[8]Khalid-A Alshibli,Jarrar Maha-F, Druckrey Andrew-M,et al.Influence of particle morphology on 3D kinematic behavior and strain localization of sheared sand[J].Journal of Geotechnical and Geoenvironmental Engineering,2016,143(2):1-25.[9]F Altuhafi,O Sullivan C,Cavarretta I.Analysis of animage-based method to quantify the size and shape of sand particles[J].Journal of Geotechnical andGeoenvironmental Engineering,2012,139(8):1290-1307.。
