CN110175257A - 一种线稿图像匹配方法、电子设备、存储介质 - Google Patents
一种线稿图像匹配方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN110175257A CN110175257A CN201910299589.2A CN201910299589A CN110175257A CN 110175257 A CN110175257 A CN 110175257A CN 201910299589 A CN201910299589 A CN 201910299589A CN 110175257 A CN110175257 A CN 110175257A
- Authority
- CN
- China
- Prior art keywords
- pixel
- filling
- line
- manuscript base
- base picture
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010422 painting Methods 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000059 patterning Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种线稿图像匹配方法,包括步骤:对线稿图像进行灰度和二值化处理;将每张线稿图像中不连续的曲线拆分成曲线路径,将每条曲线路径的起点和终点进行闭合连接,对每个闭合曲线图形的闭合区域进行填充;将填充图形放入画布,将画布划分为若干方格区域;统计每个填充图形的方格区域的值,生成每张线稿图像的多组像素点分布数据;对每张线稿图像的每一组像素点分布数据进行相似度比较。本发明涉及电子设备与可读存储介质,用于执行上述方法。本发明通过对线稿图像进行路径分割、闭合、填充,统计填充图形像素点分布数据,根据像素点分布数据比较相似度,实现线稿图像的相似度比较,能更好的分析线稿图像的特征,提高相似度匹配的准确率。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种线稿图像匹配方法、电子设备、存储介质。
背景技术
图像相似度计算主要用于对于两幅图像之间内容的相似程度进行打分,根据分数的高低判断图像内容的相近程度。在商标注册、申报监测时,通常需要进行图形商标的相似度判断,即需要将待监测商标图形与商标图像库中的所有商标进行相似度比较,分析其中有无非常近似的商标,以便于品牌管理或品牌保护决策。但是,在对矢量线稿图像进行相似度判断匹配时,各类商标设计的线稿图形在对拐角、直线、弧线等的表现有的会比较尖锐,而有的比较圆滑,有的比较直,有的呈线不同的弧度,因此在比较矢量线稿图形的相似度时存在一定难度,常用的图像相似度判断方法的检测效果不太理想。例如:直方图匹配方法中,直方图反映的是图像像素灰度值的概率分布,对于判断像素的位置,也就是图像内部到底存在什么样的物体,形状是什么,效果并不理想;基于特征点的图像相似度计算方法,通过找到匹配点的个数来判断两幅图像是否一致,该算法更擅长对于一个物体不同角度下得到的图片进行匹配点查找来判断相似度,而对各种矢量图形的线条、拐点等的不同表现手法的相似度判断效果并不理想。因此,亟需一种对矢量线稿图形进行更理想的相似度判断方法。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种线稿图像匹配方法,解决了现有的图像相似度判断方法对矢量线稿图像的相似度检测效果不理想的问题。
本发明提供一种线稿图像匹配方法,包括以下步骤:
图像预处理,获取待匹配的线稿图像,对所述线稿图像进行灰度处理和二值化处理;
生成填充图形,将每张线稿图像中互相不连续的曲线拆分成若干条曲线路径,将每条曲线路径中的起点和终点进行闭合连接,得到若干闭合曲线图形,对每个闭合曲线图形的闭合区域进行填充,得到每张线稿图像对应的若干填充图形;
生成方格矩阵,将所述填充图形放入画布中,将画布划分为若干方格区域,得到每个填充图形对应的方格矩阵;
统计像素点分布数据,统计每个填充图形对应的方格矩阵中每个方格区域的值,得到每个填充图像的像素点分布情况,通过每个填充图像的像素点分布情况生成每张线稿图像的多组像素点分布数据;
图像匹配,对每张线稿图像的每一组像素点分布数据进行相似度比较,得到线稿图像的匹配结果。
进一步地,所述图像预处理步骤中,通过灰度处理加权平均法公式计算所述线稿图像每个像素点的灰度值,所述灰度处理加权平均法公式为:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在方格矩阵的位置,i表示第i行,j表示第j列。
进一步地,所述图像预处理步骤中,判断所述线稿图像每个像素点的灰度值是否大于像素点阈值,是则将像素点定义为255,否则将像素点定义为0,所述像素点阈值的计算公式为:
像素点阈值
=(像素点1的灰度值+像素点2的灰度值+…+像素点n的灰度值)/n
其中,n为线稿图像像素点总数。
进一步地,所述生成填充图形步骤中,对每个闭合曲线图形的闭合区域进行颜色填充。
进一步地,所述生成方格矩阵步骤中,将所述填充图形进行等比例缩放后放入N*N的画布中,将画布划分为N*N个方格区域,得到每个填充图形对应的N*N个方格矩阵。
进一步地,所述生成方格矩阵步骤中,对所述填充图形进行等比例缩放时,将填充图形的长或宽中最大尺寸的一边缩放贴合到画布的边缘,长或宽中尺寸相对较小的一边自适应缩放。
进一步地,所述统计像素点分布数据步骤中,采用二进制编码0和1标识每个方格区域中像素点的分布情况,其中,二进制编码1代表方格区域有像素点分布,二进制编码0代表方格区域无像素点分布,当每个方格区域中的像素点分布占比达到方格区域面积的百分比阈值时,判定方格区域的值为1。
进一步地,所述图像匹配步骤中,按照像素点分布数据组的相似度结果从高到低进行排序。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行上述一种线稿图像匹配方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行上述一种线稿图像匹配方法。
相比现有技术,本发明的有益效果在于:
本发明提供一种线稿图像匹配方法,包括以下步骤:图像预处理,获取待匹配的线稿图像,对线稿图像进行灰度处理和二值化处理;生成填充图形,将每张线稿图像中互相不连续的曲线拆分成若干条曲线路径,将每条曲线路径中的起点和终点进行闭合连接,得到若干闭合曲线图形,对每个闭合曲线图形的闭合区域进行填充,得到每张线稿图像对应的若干填充图形;生成方格矩阵,将填充图形放入画布中,将画布划分为若干方格区域,得到每个填充图形对应的方格矩阵;统计像素点分布数据,统计每个填充图形对应的方格矩阵中每个方格区域的值,得到每个填充图像的像素点分布情况,通过每个填充图像的像素点分布情况生成每张线稿图像的多组像素点分布数据;图像匹配,对每张线稿图像的每一组像素点分布数据进行相似度比较,得到线稿图像的匹配结果。本发明涉及电子设备与可读存储介质,用于执行一种线稿图像匹配方法。本发明通过对线稿图像进行路径分割、路径闭合、路径闭合区域填充等处理,统计填充图形像素点分布数据,根据像素点分布数据进行相似度比较,从而完成对线稿图像的相似度比较,能够更好的分析线稿图像的特征,提高相似度匹配的准确率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的一种线稿图像匹配方法流程图;
图2为本发明实施例的曲线路径示意图;
图3为本发明实施例的填充图形示意图;
图4为本发明实施例的方格矩阵示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
一种线稿图像匹配方法,如图1所示,包括以下步骤:
图像预处理,获取待匹配的线稿图像,对线稿图像进行灰度处理和二值化处理,提高服务器的图像处理效率;优选的,图像预处理步骤中,通过灰度处理加权平均法公式计算线稿图像每个像素点的灰度值,取值范围为0-255,使图像呈现黑白灰状态,灰度处理加权平均法公式为:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在方格矩阵的位置,i表示第i行,j表示第j列。
由于灰度化的图像是由256个亮度等级反映图像整体和局部特征。在数字图像处理中,为了使图像变得简单,减小数据量,凸显出感兴趣的目标轮廓,一般需要把灰度图像二值化处理,得到二值化图像,而图像每个像素点的取值范围是0或255。对于图像二值化处理,每个像素点取值是根据阀值定义的。优选的,图像预处理步骤中,判断线稿图像每个像素点的灰度值是否大于像素点阈值,是则将像素点定义为255(白色),否则将像素点定义为0(黑色),使图像呈现黑白状态,像素点阈值的计算公式为:
像素点阈值
=(像素点1的灰度值+像素点2的灰度值+…+像素点n的灰度值)/n
其中,n为线稿图像像素点总数。
生成填充图形,将每张线稿图像中互相不连续的曲线拆分成若干条曲线路径,将每条曲线路径中的起点和终点进行闭合连接,得到若干闭合曲线图形,对每个闭合曲线图形的闭合区域进行填充,优选的,生成填充图形步骤中,对每个闭合曲线图形的闭合区域进行颜色填充,得到每张线稿图像对应的若干填充图形。如图2所示,S形图像为一曲线路径,a、b点为路径的起点和终点,将a、b点进行闭合连接,并对闭合区域进行颜色填充,得到如图3所示的填充图形。
生成方格矩阵,将填充图形放入画布中,将画布划分为若干方格区域,得到每个填充图形对应的方格矩阵;优选的,生成方格矩阵步骤中,将填充图形进行等比例缩放后放入N*N的画布中,将画布划分为N*N个方格区域,得到每个填充图形对应的N*N个方格矩阵。优选的,生成方格矩阵步骤中,对填充图形进行等比例缩放时,将填充图形的长或宽中最大尺寸的一边缩放贴合到画布的边缘,长或宽中尺寸相对较小的一边自适应缩放。根据不同大小和图形内容的复杂程度选择合适的N值。如图4所示,对每个填充图形进行缩放时,采用缩放后放入长*宽为10*10大小尺寸的画布中,将画布划分为10*10的方格区域,得到100个方格矩阵。
统计像素点分布数据,统计每个填充图形对应的方格矩阵中每个方格区域的值,得到每个填充图像的像素点分布情况,通过每个填充图像的像素点分布情况生成每张线稿图像的多组像素点分布数据;优选的,统计像素点分布数据步骤中,采用二进制编码0和1标识每个方格区域中像素点的分布情况,其中,二进制编码1代表方格区域有像素点分布,二进制编码0代表方格区域无像素点分布,当每个方格区域中的像素点分布占比达到方格区域面积的百分比阈值如50%时,判定方格区域的值为1。对图4中的填充图形进行像素点分布数据分析时,统计填充图形的像素点在每个方格区域中的分布情况,得到像素点分布数组如下:
[0,1,1,1,1,1,0,0,0,0,
1,1,1,1,1,0,0,0,0,0,
1,1,1,1,0,0,0,0,0,0,
1,1,1,1,0,0,0,0,0,0
0,1,1,0,0,0,0,0,0,0,
0,1,1,1,1,1,1,0,0,0
1,1,1,1,1,1,1,0,0,0,
0,1,1,1,1,1,1,1,0,0,
0,0,1,1,1,1,1,1,0,0,
0,0,0,0,1,1,1,0,0,0]。
图像匹配,对每张线稿图像的每一组像素点分布数据进行相似度比较,得到线稿图像的匹配结果。优选的,图像匹配步骤中,按照像素点分布数据组的相似度结果从高到低进行排序。
一种电子设备,包括:处理器;
存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行上述一种线稿图像匹配方法。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行上述一种线稿图像匹配方法。
本发明提供一种线稿图像匹配方法,包括以下步骤:图像预处理,获取待匹配的线稿图像,对线稿图像进行灰度处理和二值化处理;生成填充图形,将每张线稿图像中互相不连续的曲线拆分成若干条曲线路径,将每条曲线路径中的起点和终点进行闭合连接,得到若干闭合曲线图形,对每个闭合曲线图形的闭合区域进行填充,得到每张线稿图像对应的若干填充图形;生成方格矩阵,将填充图形放入画布中,将画布划分为若干方格区域,得到每个填充图形对应的方格矩阵;统计像素点分布数据,统计每个填充图形对应的方格矩阵中每个方格区域的值,得到每个填充图像的像素点分布情况,通过每个填充图像的像素点分布情况生成每张线稿图像的多组像素点分布数据;图像匹配,对每张线稿图像的每一组像素点分布数据进行相似度比较,得到线稿图像的匹配结果。本发明涉及电子设备与可读存储介质,用于执行一种线稿图像匹配方法。本发明通过对线稿图像进行路径分割、路径闭合、路径闭合区域填充等处理,统计填充图形像素点分布数据,根据像素点分布数据进行相似度比较,从而完成对线稿图像的相似度比较,能够更好的分析线稿图像的特征,提高相似度匹配的准确率。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.一种线稿图像匹配方法,其特征在于包括以下步骤:
图像预处理,获取待匹配的线稿图像,对所述线稿图像进行灰度处理和二值化处理;
生成填充图形,将每张线稿图像中互相不连续的曲线拆分成若干条曲线路径,将每条曲线路径中的起点和终点进行闭合连接,得到若干闭合曲线图形,对每个闭合曲线图形的闭合区域进行填充,得到每张线稿图像对应的若干填充图形;
生成方格矩阵,将所述填充图形放入画布中,将画布划分为若干方格区域,得到每个填充图形对应的方格矩阵;
统计像素点分布数据,统计每个填充图形对应的方格矩阵中每个方格区域的值,得到每个填充图像的像素点分布情况,通过每个填充图像的像素点分布情况生成每张线稿图像的多组像素点分布数据;
图像匹配,对每张线稿图像的每一组像素点分布数据进行相似度比较,得到线稿图像的匹配结果。
2.如权利要求1所述的一种线稿图像匹配方法,其特征在于:所述图像预处理步骤中,通过灰度处理加权平均法公式计算所述线稿图像每个像素点的灰度值,所述灰度处理加权平均法公式为:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在方格矩阵的位置,i表示第i行,j表示第j列。
3.如权利要求2所述的一种线稿图像匹配方法,其特征在于:所述图像预处理步骤中,判断所述线稿图像每个像素点的灰度值是否大于像素点阈值,是则将像素点定义为255,否则将像素点定义为0,所述像素点阈值的计算公式为:
像素点阈值
=(像素点1的灰度值+像素点2的灰度值+…+像素点n的灰度值)/n
其中,n为线稿图像像素点总数。
4.如权利要求1所述的一种线稿图像匹配方法,其特征在于:所述生成填充图形步骤中,对每个闭合曲线图形的闭合区域进行颜色填充。
5.如权利要求1所述的一种线稿图像匹配方法,其特征在于:所述生成方格矩阵步骤中,将所述填充图形进行等比例缩放后放入N*N的画布中,将画布划分为N*N个方格区域,得到每个填充图形对应的N*N个方格矩阵。
6.如权利要求5所述的一种线稿图像匹配方法,其特征在于:所述生成方格矩阵步骤中,对所述填充图形进行等比例缩放时,将填充图形的长或宽中最大尺寸的一边缩放贴合到画布的边缘,长或宽中尺寸相对较小的一边自适应缩放。
7.如权利要求1所述的一种线稿图像匹配方法,其特征在于:所述统计像素点分布数据步骤中,采用二进制编码0和1标识每个方格区域中像素点的分布情况,其中,二进制编码1代表方格区域有像素点分布,二进制编码0代表方格区域无像素点分布,当每个方格区域中的像素点分布占比达到方格区域面积的百分比阈值时,判定方格区域的值为1。
8.如权利要求1所述的一种线稿图像匹配方法,其特征在于:所述图像匹配步骤中,按照像素点分布数据组的相似度结果从高到低进行排序。
9.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行权利要求1-8任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299589.2A CN110175257B (zh) | 2019-04-15 | 2019-04-15 | 一种线稿图像匹配方法、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299589.2A CN110175257B (zh) | 2019-04-15 | 2019-04-15 | 一种线稿图像匹配方法、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175257A true CN110175257A (zh) | 2019-08-27 |
CN110175257B CN110175257B (zh) | 2023-06-16 |
Family
ID=67689475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910299589.2A Active CN110175257B (zh) | 2019-04-15 | 2019-04-15 | 一种线稿图像匹配方法、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175257B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111904117A (zh) * | 2020-09-04 | 2020-11-10 | 深圳市七彩珐琅科技有限公司 | 一种画珐琅工艺在首饰上批量加工的方法 |
CN114339066A (zh) * | 2020-09-30 | 2022-04-12 | 上海中兴软件有限责任公司 | 一种图像处理方法、装置、终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06161419A (ja) * | 1992-11-16 | 1994-06-07 | Brother Ind Ltd | 文字出力装置 |
CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
CN108615253A (zh) * | 2018-04-12 | 2018-10-02 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
CN108898643A (zh) * | 2018-06-15 | 2018-11-27 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
CN109118528A (zh) * | 2018-07-24 | 2019-01-01 | 西安工程大学 | 基于区域分块的奇异值分解图像匹配算法 |
-
2019
- 2019-04-15 CN CN201910299589.2A patent/CN110175257B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06161419A (ja) * | 1992-11-16 | 1994-06-07 | Brother Ind Ltd | 文字出力装置 |
CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
CN108615253A (zh) * | 2018-04-12 | 2018-10-02 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
CN108898643A (zh) * | 2018-06-15 | 2018-11-27 | 广东数相智能科技有限公司 | 图像生成方法、装置与计算机可读存储介质 |
CN109118528A (zh) * | 2018-07-24 | 2019-01-01 | 西安工程大学 | 基于区域分块的奇异值分解图像匹配算法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111904117A (zh) * | 2020-09-04 | 2020-11-10 | 深圳市七彩珐琅科技有限公司 | 一种画珐琅工艺在首饰上批量加工的方法 |
CN114339066A (zh) * | 2020-09-30 | 2022-04-12 | 上海中兴软件有限责任公司 | 一种图像处理方法、装置、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110175257B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN104217438B (zh) | 基于半监督的图像显著性检测方法 | |
CN106022232A (zh) | 基于深度学习的车牌检测方法 | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN104809481A (zh) | 一种基于自适应色彩聚类的自然场景文本检测的方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN105095892A (zh) | 基于图像处理的学生文档管理*** | |
CN103093240A (zh) | 书法字识别方法 | |
CN104408733B (zh) | 基于对象随机游走的遥感图像视觉显著性检测方法及*** | |
CN107832359B (zh) | 一种图片检索方法及*** | |
CN110378239A (zh) | 一种基于深度学习的实时交通标志检测方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测***及方法 | |
CN110175257A (zh) | 一种线稿图像匹配方法、电子设备、存储介质 | |
CN112232332A (zh) | 一种基于视频序列的非接触式手掌检测方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN109993202A (zh) | 一种线稿型图形相似度判断方法、电子设备及存储介质 | |
CN116110036A (zh) | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 | |
CN112101108A (zh) | 一种基于图形极点位置特征的左右转交通标志识别方法 | |
CN115588208A (zh) | 一种基于数字图像处理技术的全线表结构识别方法 | |
CN107273928A (zh) | 一种基于权重特征融合的遥感图像自动标注方法 | |
CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
CN108197637A (zh) | 一种基于深度学习的高压机柜开关检测方法 | |
Rotem et al. | Combining region and edge cues for image segmentation in a probabilistic gaussian mixture framework | |
Chowdhury et al. | Scene text detection using sparse stroke information and MLP |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |