CN106407983A - 图像主体的识别、矫正与配准方法 - Google Patents
图像主体的识别、矫正与配准方法 Download PDFInfo
- Publication number
- CN106407983A CN106407983A CN201610818691.5A CN201610818691A CN106407983A CN 106407983 A CN106407983 A CN 106407983A CN 201610818691 A CN201610818691 A CN 201610818691A CN 106407983 A CN106407983 A CN 106407983A
- Authority
- CN
- China
- Prior art keywords
- image
- compartment
- identification
- background
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000001788 irregular Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 230000003190 augmentative effect Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 235000013350 formula milk Nutrition 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 239000000729 antidote Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像主体的识别、矫正与配准方法。首先进行目标检测,通过观察图像特征进行阈值分割,将前景和背景大致区分开;二值化,得到黑白的二值图像,通过膨胀处理去除噪点,保留原图中车厢部分;图像特征提取,利用梯形的数学性质定位出车厢四个角的位置;透视变换,将不规则的凸四边形经由变换矩阵拉伸至规则的矩形;配准拼接,将多张箱体图片进行组合,对于有公共图像特征的,采用Opencv开源库Stitcher类完成侧面多张箱体图的拼接配准拼接或利用矩阵性质将图片增广。图像主体的识别、矫正与配准方法有利于排除背景干扰,减小箱体识别的样本集,从而提高识别效率。
Description
技术领域
本发明属于图像处理技术,特别是一种基于图像特征和像素分布模式的图像主体的识别、矫正与配准方法。
背景技术
随着数学、物理学、地理学知识体系的不断完备和卫星技术、计算机技术、互联网技术等多重领域的进步,图像资料越来越多,涉及到图像的处理、存储与检索的技术是大数据时代的利器。图像主体的识别、矫正与配准方法被广泛应用于地理、航海等拥有大量零散图片数据的领域中。在交通运输领域,港口集装箱的箱体识别能有效提高运输效率,降低成本,具有极大的经济效益。而图像主体的识别、矫正与配准方法有利于排除背景干扰,减小箱体识别的样本集,从而提高识别效率。
图像主体的识别、矫正与配准方法是将图片中的主体内容与无关背景分离、矫正镜头畸变、将多张含有相同特征的图片配准拼接成一张图片。该方法主要涉及图像采集和分类、图像分割、图像特征值提取、图像变换、图像配准与拼接等步骤。其中关键问题是边缘检测和图像特征值提取部分。
目前在工业领域,模式识别基本基于原始图片进行直接增强、聚类、识别,但是对目标前景比例较小的图片,无法有效识别区分前景和背景,加大了处理运算过程中的误差,降低了图像分析的准确率和成功率。本文在此基础上提出先对原始图片进行目标前景的提取、矫正和投影,消除无关背景对图像处理构成的误差影响,有效提高分析识别的准确率,同时使得人机交互过程中的中间图像更加直观清晰,增强交互体验。
目前在图像识别方面有统计模式识别、结构模式识别、模糊模式识别。图像分割是图像处理中的一项关键技术。1979年日本学者大津提出了基于图像灰度特性,将图像分成目标和背景两部分的自适应阈值算法(Otsu N.A threshold selection method fromgray-level histograms[J].Automatica,1975,11(285-296):23-27.)。1986年加利福尼亚大学的Canny教授提出了一种多级边缘检测算法,在保留原有图像属性的情况下,显著减少图像的数据规模(Canny J.A computational approach to edge detection[J].IEEETransactions on pattern analysis and machine intelligence,1986(6):679-698.)。图像矫正方面主要运用到数值分析方法中的插值技术,赵庆鹏和马华东分析几何畸变产生的原因,结合数值分析方法提出了一种自适应几何畸变图像矫正方案,实验证明了其算法的有效性(赵庆鹏,马华东.自适应几何畸变图像矫正方法研究[C][C]//第三届和谐人机环境联合学术会议(HHME2007)论文集.2007年,2007.)。在图像配准方面,Flussr对畸变图像的配准问题提出了自适应映射方法,提高了配准的准确率(Flusser J.An adaptivemethod for image registration[J].Pattern Recognition,1992,25(1):45-54.)。
发明内容
本发明的目的在于提供一种图像主体的识别、矫正与配准方法,对集装箱的箱体进行识别、矩形矫正与配准拼接,为后期的箱体数字和残损识别排除无关背景干扰,减少样本集,提高识别效率。
实现本发明目的的技术解决方案为:一种图像主体的识别、矫正与配准方法,步骤如下:
第一步,目标检测,在原图中提取出车厢的区域。针对大部分车厢都是红色、蓝色、橙色,将图像转换到HSV空间,然后利用色调H特征将前景和背景大致区分开来。然后利用色调直方图、大津算法阈值分割将前景车厢和背景分开,得到二值图像,再通过膨胀处理去除一些噪点。最后根据二值图像保留原图中车厢部分;
第二步,图像特征提取,定位出车厢四个角的位置;对黑色背景部分和白色车厢部分赋值为0-1矩阵,然后根据白色车厢部分的分布特征对黑白边界作出定位,再确认出四个角的位置;
第三步,透视变换,将不规则的凸四边形拉伸至矩形。求解出变换矩阵,其功能是任意四边形和正方形的相互转换,则可以先将四边形转换成正方形,再从正方形转换为矩形;
第四步,配准拼接,将多张箱体图片进行组合。采用Opencv开源库Stitcher类完成侧面多张箱体图的拼接配准拼接。对于不同面的照片,即放缩至高度相同,再利用矩阵性质将图片增广。
本发明结合了现有的图像处理技术和算法,针对性地对集装箱箱体图片进行了预处理,优点有:(1)速度性能好。能迅速处理多张图片的矫正和拼接。(2)图片数量不限。理论上可以实现任意张图片的矫正拼接。(3)算法准确率高。在对交通领域中集装箱体图片的矫正拼接实验中,65%的样本可做到截取后的箱体侧边垂直于高和底,倾斜角约为90°,20%的样本截取后箱体侧边与底倾斜角约为85°,仅有5%的样本会截断原四边形,使效果图不完整。综上,本算法可以有效的恢复图片的线性和非线性失真,并能将图片进行有效的配准拼接。
附图说明
图1是本发明基于图像特征和像素分布模式的图像主体的识别、矫正与配准流程图
图2是原图以及原图经过利用色调直方图、大津算法阈值分割将前景车厢和背景分开,得到的二值图像。
图3是经过膨胀处理后的二值化图片,大量噪点被消除。
图4是四边形变换到正方形的变换矩阵原理示意图。
图5是集装箱图片经过矩阵变换后箱体的结果图。
图6是对两张具有公共特征的图片配准拼接得到的结果图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
结合图1,本发明基于图像特征和像素分布模式的图像主体的识别、矫正与配准方法,步骤如下:
第一步,目标检测,在原图中提取出车厢的区域。针对大部分车厢都是红色、蓝色、橙色,将图像转换到HSV空间,然后利用色调H特征将前景和背景大致区分开来;
(1)将图像RGB空间向量(r,g,b)转换到HSV空间向量(h,s,v),然后将HSV空间的色调H向量剥离出来,形成一维灰度向量,采用公式
(2)然后利用色调直方图、大津算法阈值分割将前景车厢和背景分开,得到二值图像;对于图像I(x,y),前景和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1;图像的总平均灰度记为μ,类间方差记为g;假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
N0+N1=M×N
ω0+ω1=1
μ=ω0×μ0+ω1×μ1
g=ω0(μ0-μ)2+ω1(μ1-μ)2
将倒数第二个式子代入最后一个式子,得到等价公式:g=ω0ω1(μ0-μ1)2;这就是类间方差;采用遍历的方法得到使类间方差g最大的阈值T,即为所求;得到的二值化图像如图2,可以看到白点充斥在黑色背景中,有大量噪点;
(3)再通过膨胀处理去除一些噪点,膨胀算法既是用3×3的结构元素,扫描二值图像的每一个像素,用结构元素与其覆盖的二值图像做“与”运算,如果都为0,结构图像的该像素为0;否则1,结果:使二值图像扩大一圈;膨胀后图片如图3,大量噪点被消除;
第二步,图像特征提取,定位出车厢四个角的位置;
车厢在图片中近似于梯形,但因为背景的不纯净、车道上黄线的干扰、边缘的不稳定性,使得图像中车厢出现冗余的边界;
(1)得到n行m列的0-1矩阵;由于大津算法得到的二值图像只能保证前景与后景相对取值不同,但不能保证绝对取值;故取图片中部区域进行判断,让车厢所在的区域内矩阵值为1,其他区域内矩阵值为0;车厢外延会出现杂质标为1,同时背景中有亮色的区域也被标记为1;
(2)确定车厢的上下界;车厢大致为上大下小的梯形,矩阵每行相加得到累加值s。根据实际拍摄到的图片,发现上界的s值占m的80~90%,但上界上面出现杂质,s值大约在m的10~30%;有些车厢会呈现倾斜。因此从上往下遍历半张图片,待s值增至m的1/3后出现跃变时,即认为到达上边界。下界由类似的方法得到;
(3)确定车厢的端点;矩阵每列相加得到累加值r,由梯形的性质可得,r值在理想情况下从左到右先从0增加至最大值,保持不变,后又减至0;在实际的图形中很难得到等差序列,但中间保持不变的部分可以取样得到平均值,再通过从中间往外得到突变的位置确定左右界,可以依次确定四个端点;
第三步,透视变换,是将图片投影到一个新的视平面,将不规则的凸四边形拉伸至矩形;求解出变换矩阵,其功能是任意四边形和矩形的相互转换,则可以先将四边形转换成矩形;
(1)换算公式
u,v是原始图片坐标,对应得到变换后的图片坐标x,y,同时投影缩放倍数为w.其中
x=x′/w′,y=y′/w′
变换矩阵
可以拆成4部分,
表示线性变换,比如按比例缩放,裁剪和旋转;
[a31 a32]
用于平移,
[a13 a23]T
产生透视变换。重写之前的变换公式可以得到:
所以,已知变换对应的几个点就可以求取变换公式。反之,特定的变换公式也能得到新的变换后的图片;简单地看一个正方形到四边形的变换:
变换的4组对应点可以表示成:
(0,0)→(x0,y0),(1,0)→(x1,y1),(1,1)→(x2,y2),(0,1)→(x3,y3)
根据变换公式得到:
a31=x0
a11+a31-a13x1=x1
a11+a21+a31-a13x2-a23x2=x2
a21+a31-a23x3=x3
a32=y0
a12+a32-a13y1=y1
a12+a22+a32-a13y2-a23y2=y2
a22+a32-a23y3=y3
定义几个辅助变量:
Δx1=x1-x2Δx2=x3-x2Δx3=x0-x1+x2-x3
Δy1=y1-y2 Δy2=y3-y2 Δy3=y0-y1+y2-y3
Δx3,Δy3都为0时变换平面与原来是平行的,可以得到:
a11=x1-x0
a21=x2-x1
a31=x0
a12=y1-y0
a22=y2-y1
a32=y0
a13=0
a12=0
Δx3,Δy3不为0时,得到:
a11=x1-x0+a12x1
a2l=x3-x0+a12x2
a31=x0
a12=y1-y0+a13y1
a22=y3-y0+a23y3
a32=y0
求解出的变换矩阵就可以将一个正方形变换到四边形;反之,四边形变换到正方形也是一样的;于是,我们通过两次变换:四边形变换到正方形,再从正方形变换到四边形就可以将任意一个四边形变换到另一个四边形,如图4;实验效果图如图5;
第四步,配准拼接,将多张箱体图片进行组合;采用Opencv开源库Stitcher类完成侧面多张箱体图的拼接配准拼接;对于不同面的照片,即放缩至高度相同,再利用矩阵性质将图片增广;Opencv开源库Stitcher类涉及到很多的算法,比如:特征点的提取、特征点匹配、图像融合等等;这些过程被封装在Stitcher类中;程序拼接效果如图6。
Claims (3)
1.一种图像主体的识别、矫正与配准方法,其特征在于步骤如下:
第一步,目标检测,在原图中提取出车厢的区域;针对车厢的色彩,将图像转换到HSV空间,然后利用色调H特征将前景和背景区分开来;然后利用色调直方图、大津算法阈值分割将前景车厢和背景分开,得到二值图像,再通过膨胀处理去除一些噪点,最后根据二值图像保留原图中车厢部分;
第二步,图像特征提取,定位出车厢四个角的位置;对黑色背景部分和白色车厢部分赋值为0-1矩阵,然后根据白色车厢部分的分布特征对黑白边界作出定位,再确认出四个角的位置;
第三步,透视变换,将不规则的凸四边形拉伸至矩形,求解出变换矩阵,通过矩阵运算,先将四边形转换成正方形,再从正方形转换为矩形;
第四步,配准拼接,将多张箱体图片进行组合。采用Opencv开源库Stitcher类完成侧面多张箱体图的拼接配准拼接。对于不同面的照片,即放缩至高度相同,再利用矩阵性质将图片增广。
2.根据权利要求1所述的图像主体的识别、矫正与配准方法,其特征在于目标检测步骤如下:
第一步,将图像RGB空间向量(r,g,b)转换到HSV空间向量(h,s,v),然后将HSV空间的色调H向量剥离出来,形成一维灰度向量,将前景和背景区分出来,采用公式
第二步,利用色调直方图、大津算法阈值分割将前景车厢和背景分开,得到二值图像,再通过膨胀处理去除一些噪点;膨胀算法即是用N×N的结构元素,扫描二值图像的每一个像素,用结构元素与其覆盖的二值图像做“与”运算,如果都为0,结构图像的该像素为0;否则1;使二值图像扩大一圈,最终形成箱面二值化图像。
3.根据权利要求1所述的图像主体的识别、矫正与配准方法,其特征在于:第一步后形成的箱体,车厢形成类梯形,即上下两边平行,左右两边倾斜的形状;根据该情况将每一行的像素值累加,再将相邻两行逐行做差,得到两个差值突变位置,即两条上下边的位置;将每一列的像素值累加,相邻两列逐列做差,得到一个差值由正变零和一个差值由零变正的位置,即下边的两个端点;对每一列的像素累加和,设定阈值T,小于T且离梯形最近的位置即上边的两个端点,最终得到梯形的四个端点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610818691.5A CN106407983A (zh) | 2016-09-12 | 2016-09-12 | 图像主体的识别、矫正与配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610818691.5A CN106407983A (zh) | 2016-09-12 | 2016-09-12 | 图像主体的识别、矫正与配准方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106407983A true CN106407983A (zh) | 2017-02-15 |
Family
ID=57999708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610818691.5A Pending CN106407983A (zh) | 2016-09-12 | 2016-09-12 | 图像主体的识别、矫正与配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106407983A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171669A (zh) * | 2017-12-29 | 2018-06-15 | 星阵(广州)基因科技有限公司 | 一种基于OpenCV算法的图像矫正方法 |
CN109377455A (zh) * | 2018-09-27 | 2019-02-22 | 浙江工业大学 | 改进的基于自相似性的多序列磁共振图像配准方法 |
CN109840939A (zh) * | 2019-01-08 | 2019-06-04 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、电子设备及存储介质 |
CN110717865A (zh) * | 2019-09-02 | 2020-01-21 | 苏宁云计算有限公司 | 图片检测方法及装置 |
CN111259177A (zh) * | 2020-01-10 | 2020-06-09 | 深圳盒子信息科技有限公司 | 一种黑白二值签名图片存储方法和*** |
CN111368889A (zh) * | 2020-02-26 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置 |
CN112183237A (zh) * | 2020-09-10 | 2021-01-05 | 天津大学 | 基于颜色空间自适应阈值分割的白细胞自动分类方法 |
CN112257607A (zh) * | 2020-10-23 | 2021-01-22 | 合肥工业大学 | 一种处理流水线上采集的手机图像畸变的矫正方法 |
CN112381084A (zh) * | 2020-10-12 | 2021-02-19 | 武汉沃亿生物有限公司 | 断层图像的轮廓自动识别方法 |
CN113377108A (zh) * | 2021-06-09 | 2021-09-10 | 乐聚(深圳)机器人技术有限公司 | 双足机器人的控制方法、装置、设备及存储介质 |
CN113421297A (zh) * | 2021-07-02 | 2021-09-21 | 浙江德菲洛智能机械制造有限公司 | 一种草莓的形状对称性分析方法 |
CN113580147A (zh) * | 2021-09-02 | 2021-11-02 | 乐聚(深圳)机器人技术有限公司 | 一种机器人控制方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040264806A1 (en) * | 2003-06-24 | 2004-12-30 | Microsoft Corporation | System and method for de-noising multiple copies of a signal |
CN101776952A (zh) * | 2010-01-29 | 2010-07-14 | 联动天下科技(大连)有限公司 | 一种新型互动投影*** |
CN102902945A (zh) * | 2012-09-28 | 2013-01-30 | 南京汇兴博业数字设备有限公司 | 基于快速响应矩阵码外轮廓的畸变校正方法 |
US20150379724A1 (en) * | 2014-06-26 | 2015-12-31 | The Governors Of The University Of Alberta | Cardiac segmentation with point correspondence |
-
2016
- 2016-09-12 CN CN201610818691.5A patent/CN106407983A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040264806A1 (en) * | 2003-06-24 | 2004-12-30 | Microsoft Corporation | System and method for de-noising multiple copies of a signal |
CN101776952A (zh) * | 2010-01-29 | 2010-07-14 | 联动天下科技(大连)有限公司 | 一种新型互动投影*** |
CN102902945A (zh) * | 2012-09-28 | 2013-01-30 | 南京汇兴博业数字设备有限公司 | 基于快速响应矩阵码外轮廓的畸变校正方法 |
US20150379724A1 (en) * | 2014-06-26 | 2015-12-31 | The Governors Of The University Of Alberta | Cardiac segmentation with point correspondence |
Non-Patent Citations (3)
Title |
---|
XIAOWEI_CQU: ""【图像处理】透视变换Perspective Transformation"", 《CSDN》 * |
贺志明: ""数码相机拍摄的透视文本图像的校正"", 《上海工程技术大学学报》 * |
黄大坤等: ""多图无缝拼接的配准算法"", 《微型电脑应用》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171669A (zh) * | 2017-12-29 | 2018-06-15 | 星阵(广州)基因科技有限公司 | 一种基于OpenCV算法的图像矫正方法 |
CN109377455A (zh) * | 2018-09-27 | 2019-02-22 | 浙江工业大学 | 改进的基于自相似性的多序列磁共振图像配准方法 |
CN109377455B (zh) * | 2018-09-27 | 2021-08-03 | 浙江工业大学 | 改进的基于自相似性的多序列磁共振图像配准方法 |
CN109840939A (zh) * | 2019-01-08 | 2019-06-04 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、电子设备及存储介质 |
CN109840939B (zh) * | 2019-01-08 | 2024-01-26 | 北京达佳互联信息技术有限公司 | 三维重建方法、装置、电子设备及存储介质 |
WO2021042823A1 (zh) * | 2019-09-02 | 2021-03-11 | 苏宁云计算有限公司 | 图片检测方法及装置 |
CN110717865A (zh) * | 2019-09-02 | 2020-01-21 | 苏宁云计算有限公司 | 图片检测方法及装置 |
CN110717865B (zh) * | 2019-09-02 | 2022-07-29 | 苏宁云计算有限公司 | 图片检测方法及装置 |
CN111259177A (zh) * | 2020-01-10 | 2020-06-09 | 深圳盒子信息科技有限公司 | 一种黑白二值签名图片存储方法和*** |
CN111368889A (zh) * | 2020-02-26 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置 |
CN111368889B (zh) * | 2020-02-26 | 2023-10-17 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置 |
CN112183237A (zh) * | 2020-09-10 | 2021-01-05 | 天津大学 | 基于颜色空间自适应阈值分割的白细胞自动分类方法 |
CN112381084A (zh) * | 2020-10-12 | 2021-02-19 | 武汉沃亿生物有限公司 | 断层图像的轮廓自动识别方法 |
CN112381084B (zh) * | 2020-10-12 | 2024-02-09 | 武汉沃亿生物有限公司 | 断层图像的轮廓自动识别方法 |
CN112257607A (zh) * | 2020-10-23 | 2021-01-22 | 合肥工业大学 | 一种处理流水线上采集的手机图像畸变的矫正方法 |
CN112257607B (zh) * | 2020-10-23 | 2022-08-26 | 合肥工业大学 | 一种处理流水线上采集的手机图像畸变的矫正方法 |
CN113377108A (zh) * | 2021-06-09 | 2021-09-10 | 乐聚(深圳)机器人技术有限公司 | 双足机器人的控制方法、装置、设备及存储介质 |
CN113377108B (zh) * | 2021-06-09 | 2024-05-28 | 乐聚(深圳)机器人技术有限公司 | 双足机器人的控制方法、装置、设备及存储介质 |
CN113421297A (zh) * | 2021-07-02 | 2021-09-21 | 浙江德菲洛智能机械制造有限公司 | 一种草莓的形状对称性分析方法 |
CN113580147A (zh) * | 2021-09-02 | 2021-11-02 | 乐聚(深圳)机器人技术有限公司 | 一种机器人控制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407983A (zh) | 图像主体的识别、矫正与配准方法 | |
US11238274B2 (en) | Image feature extraction method for person re-identification | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
Mishra et al. | Segmenting “simple” objects using RGB-D | |
US8355569B2 (en) | Object region extracting device | |
CN109784344A (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN111079545A (zh) | 一种基于图像修复的三维目标检测方法和*** | |
CN107818303B (zh) | 无人机油气管线影像自动对比分析方法、***及软件存储器 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
CN109409356B (zh) | 一种基于swt的多方向中文印刷体文字检测方法 | |
CN102521597B (zh) | 一种基于分级策略的影像直线特征匹配方法 | |
CN104200461A (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
Partovi et al. | Roof Type Selection based on patch-based classsification using deep learning for high Resolution Satellite Imagery | |
CN114529925A (zh) | 一种全线表表格结构识别方法 | |
Mei et al. | A novel framework for container code-character recognition based on deep learning and template matching | |
CN111161219B (zh) | 一种适用于阴影环境的鲁棒单目视觉slam方法 | |
Fang et al. | He-slam: A stereo slam system based on histogram equalization and orb features | |
CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
Chen | Superpixel segmentation based on Delaunay Triangulation | |
CN104036494A (zh) | 一种用于水果图像的快速匹配计算方法 | |
Samet et al. | An implementation of automatic contour line extraction from scanned digital topographic maps | |
Tong et al. | Warped document image mosaicing method based on inflection point detection and registration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
RJ01 | Rejection of invention patent application after publication |