CN110826571B - 一种用于图像快速识别及特征匹配的图像遍历算法 - Google Patents
一种用于图像快速识别及特征匹配的图像遍历算法 Download PDFInfo
- Publication number
- CN110826571B CN110826571B CN201911059631.XA CN201911059631A CN110826571B CN 110826571 B CN110826571 B CN 110826571B CN 201911059631 A CN201911059631 A CN 201911059631A CN 110826571 B CN110826571 B CN 110826571B
- Authority
- CN
- China
- Prior art keywords
- image
- rgb
- traversing
- coordinate
- correspond
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种用于图像快速识别及特征匹配的图像遍历算法,包括:计算机获取所述图像上各像素点的坐标及对应颜色RGB值,将彩色图像灰度化转为二值灰度图像,从所述图像的左上角开始进行识别,寻找到与特征图形的某一像素点相对应的像素点作为识别点。选取所述识别点为遍历坐标原点,将图像分区域分层设计;将所述图像以所述遍历坐标原点为中心划分为多个区域,从某一区域开始按照顺时针方向进行遍历,所述图像每一层遍历的坐标点是每个区域同层级的坐标点集合,寻找所述特征图形的其他像素点。本申请从临近上一次识别点的坐标处开始出发寻找新的识别点,极大的提高图像识别及特征匹配的效率。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种用于图像快速识别及特征匹配的图像遍历算法。
背景技术
传统的图像遍历算法与矩阵的遍历相似是以最左上角第一个像素点为坐标原点开始进行各像素点的遍历,直到最右下角的像素点结束,这虽是一种可行的蛮力算法,也可以解决问题,但是我们在实验中发现,每次都是从左上角开始的遍历,需要对各像素点进行逐一遍历才能找到特征点,效率非常低。
发明内容
本申请提供了一种用于图像快速识别及特征匹配的图像遍历算法,以提高图像识别及特征匹配的效率。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
本申请实施例公开了一种用于图像快速识别及特征匹配的图像遍历算法,包括:计算机获取所述图像上各像素点的坐标及对应颜色RGB值;
将彩色图像灰度化转为二值灰度图像;
从所述图像的左上角开始进行识别,寻找到与特征图形的某一像素点相对应的像素点作为识别点;
选取所述识别点为遍历坐标原点,将图像分区域分层设计;
将所述图像以所述遍历坐标原点为中心划分为多个区域,从某一区域开始按照顺时针方向进行遍历,所述图像每一层遍历的坐标点是每个区域同层级的坐标点集合,寻找所述特征图形的其他像素点。
可选的,所述将所述图像以所述遍历坐标原点为中心划分为多个区域,从某一区域开始顺时针方向遍历,包括:所述将所述图像以所述遍历坐标原点为中心划分为四个区域,所述四个区域包括右上区域、右下区域、左下区域和左上区域,从右上区域开始按照顺时针方向进行遍历。
可选的,所述的图像遍历算法还包括:使用摄像头采集图像,并将图像传送至计算机。
可选的,所述的图像遍历算法还包括:所述摄像头与计算机屏幕进行比例缩放,使用分辨率为640*480。
可选的,所述图像为8乘6像素大小的图像。
可选的,所述将彩色图像灰度化转为二值灰度图像,使用公式为:(color->red()*77+color->green()*151+color->blue()*28)>>8。
与现有技术相比,本申请的有益效果为:
本申请提供了一种用于图像快速识别及特征匹配的图像遍历算法,包括:计算机获取所述图像上各像素点的坐标及对应颜色RGB值,将彩色图像灰度化转为二值灰度图像,从所述图像的左上角开始进行识别,寻找到与特征图形的某一像素点相对应的像素点作为识别点。选取所述识别点为遍历坐标原点,将图像分区域分层设计;将所述图像以所述遍历坐标原点为中心划分为多个区域,从某一区域开始按照顺时针方向进行遍历,所述图像每一层遍历的坐标点是每个区域同层级的坐标点集合,寻找所述特征图形的其他像素点。本发明基于图像识别、贝叶斯决策理论、C++程序设计语言、线性判别函数、矩阵遍历、灰度计算等方法技术设计并实现了一种图像快速识别及特征匹配的图像遍历算法,从临近上一次的坐标处开始出发寻找新的识别点,极大的提高图像识别及特征匹配的效率,具有图像遍历速度快、图像识别效率高、特征匹配精准、可靠性高等显著优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的图像各像素点坐标排列示意图;
图2为本申请实施例提供的右上区域算法演示示意图;
图3为本申请实施例提供的右下区域算法演示示意图;
图4为本申请实施例提供的左下区域算法演示示意图;
图5为本申请实施例提供的左上区域算法演示示意图;
图6为本申请实施例提供的图像各像素点颜色排列图;
图7为本申请实施例提供的图像遍历算法测试图;
图8为本申请实施例提供的测试用特征图形。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
使用摄像头采集图像,并将图像传送至计算机;计算机获取所述图像上各像素点的坐标及对应颜色RGB值;从所述图像的左上角开始进行识别,寻找到与特征图形的某一像素点相对应的像素点作为识别点;选取所述识别点为遍历坐标原点,将图像分区域分层设计;将所述图像以所述遍历坐标原点为中心划分为多个区域,从某一区域开始按照顺时针方向进行遍历,所述图像每一层遍历的坐标点是每个区域同层级的坐标点集合,寻找所述特征图形的其他像素点。
进一步的,所述将所述图像以所述遍历坐标原点为中心划分为四个区域,所述四个区域包括右上区域、右下区域、左下区域和左上区域,从右上区域开始按照顺时针方向进行遍历。
进一步的,所述摄像头与计算机屏幕进行比例缩放,使用分辨率为640*480。
进一步的,还包括:将彩色图像灰度化转为二值灰度图像,使用公式:
(color->red()*77+color->green()*151+color->blue()*28)>>8,将彩色图片灰度化转为二值灰度图像,以便进行图像识别和图像分析
(一)对本申请提供的图像遍历算法测试如下:图像的各像素点坐标排列如图1所示。
使用摄像头采集图像,并将图像传送至计算机;计算机获取所述图像上各像素点的坐标及对应颜色RGB值。摄像头处理线程及坐标映射:坐标映射时将摄像头与电脑屏幕进行比例缩放,所使用分辨率为640*480。在特征图形识别时使用摄像头采集图片信息,传送到计算机。在这里对摄像头线程的处理方式是将摄像头处理成打开时自动进行640*480的分辨率适配,便于图像的坐标映射,拍摄到的图像也处理成相应倍数分辨率的图像。
获取所述图像上各像素点的坐标及对应颜色RGB值。图像取材基于8乘6像素大小的图片,图片上各像素点坐标排列及对应颜色即RGB值(由红、绿、蓝三原色组成)来源于Windows自带画图工具里编辑颜色里的内容,之所以这样选择是因为RGU的本质与RGB相同,在画图工具取材可以方便对照后面算法测试时输出值是否正确。
为了方便算法编写过程中的调试和测试特将图转换为各像素点紧密排列的大小为8乘6像素大小的图片。
假设所选图像中间某像素点坐标位置为(i,j)则它左上方区域的第一层像素点坐标为(i,j-1),然后第二层为(i,j-2),(i-1,j-2),(i-1,j-1),等等之后有第三层,第四层。同理有右上方,右下方,左下方。按照这样分块分层的办法,即可有序高效的遍历完所有方块,把寻找到的点的坐标和颜色值显示出来。
即以某个像素点坐标为原点进行遍历,最多有四个区域需要遍历,顺时针遍历顺序为右上方区域,右下方区域,左下方区域,左上方区域。
假设图像为image,image.getWidth()-1为图像最大宽,image.getHeigh()-1为图像最大高度,number为层数,maxRect为当前区域的最大正方形的边长。
①右上方区域算法推导过程如图2粗线框内区域所示:
横排:纵坐标大于图片宽度减横坐标(即:j>image.width()-i),最大正方形边长等于图片宽度减横坐标的值的大小(即:maxRect=image.width()-i),层数等于纵坐标大小的值的大小(即:number=j);
竖排:纵坐标小于图片宽度减横坐标(即:j<image.width()-i),最大正方形边长等于纵坐标的值的大小(即:maxRect=j),层数等于图片宽度减横坐标的值的大小(即:number=image.width()-i)。
②右下方区域算法推导过程如图3粗线框内区域所示:
横排:图片宽度减横坐标减1小于等于图片高度减纵坐标(即:image.width()-i-1<=image.height()-j),最大正方形边长等于图片宽度减横坐标减1的值的大小(即:maxRect=image.width()-i-1),层数等于图片高度减纵坐标的值的大小(即:number=image.height()-j);
竖排:图片宽度减横坐标大于图片高度减纵坐标(即:image.width()-i-1>image.height()-j),最大正方形长度等于图片高度减纵坐标的值的大小(即:maxRect=image.height()-j),层数等于图片宽度减横坐标减1的值的大小(即:number=image.width()-i-1)。
③左下方区域算法推导过程如图4粗线框内区域所示:
横排:横坐标小于图片高度减纵坐标减1(即:i<image.height()-j-1),最大正方形长度等于横坐标加1的值的大小(即:maxRect=i+1),层数等于图片高度减纵坐标减1的值的大小(即:number=image.height()-j-1);
竖排:横坐标大于等于图片高度减纵坐标减1(即:i>=image.height()-j-1),最大正方形长度等于图片高度减纵坐标减1的值的大小(即:maxRect=image.height()-j-1),层数等于横坐标加1的值的大小(即:number=i+1)。
左上方区域算法推导过程如图5粗线框内区域所示:
横排:图片宽度减横坐标减1大于等于图片高度减纵坐标(即:image.width()-i-1>=image.height()-j),最大正方形长度等于横坐标的值的大小(即:maxRect=i),层数等于纵坐标加1的值的大小(即:number=j+1);
竖排:图片宽度减横坐标减1小于图片高度减纵坐标(即:image.width()-i-1<image.height()-j),最大正方形长度等于纵坐标加1的值的大小(即:maxRect=j+1),层数等于横坐标的值的大小(即:number=i)。
即本申请提供的图像遍历算法如下:
右上方区域:横排:j>image.width()-i,maxRect=image.width()-i,number=j;竖排:j<image.width()-i,maxRect=j,number=image.width()-i。
右下方区域:横排:image.width()-i-1<=image.height()-j,maxRect=image.width()-i-1,number=image.height()-j;竖排:image.width()-i-1>image.height()-j,maxRect=image.height()-j,number=image.width()-i-1。
左下方区域:横排:i<image.height()-j-1,maxRect=i+1,number=image.height()-j-1;竖排:i>=image.height()-j-1,maxRect=image.height()-j-1,number=i+1。
左上方区域:横排:image.width()-i-1>=image.height()-j,maxRect=i,number=j+1;竖排:image.width()-i-1<image.height()-j,maxRect=j+1,number=i。
如图6:从左到右从上到下的像素点颜色值依次为:
第一排:RGB(255,128,128),RGB(255,255,128),RGB(128,255,128),RGB(0,255,128),RGB(128,255,255),RGB(0,128,255),RGB(255,128,192),RGB(255,128,255)。
第二排:RGB(255,0,0),RGB(255,255,0),RGB(128,255,0),RGB(0,255,64),RGB(0,255,255),RGB(0,128,192),RGB(128,128,192),RGB(255,0,128)。
第三排:RGB(128,64,64),RGB(255,128,64),RGB(0,255,0),RGB(0,128,128),RGB(0,64,128),RGB(128,128,255),RGB(128,0,64),RGB(255,0,128)。
第四排:RGB(128,0,0),RGB(255,128,0),RGB(0,128,0),RGB(0,0,255),RGB(0,0,255),RGB(0,0,160),RGB(128,0,128),RGB(128,0,255)。
第五排:RGB(64,0,0),RGB(128,64,0),RGB(0,64,0),RGB(0,64,64),RGB(0,0,128),RGB(0,0,64),RGB(64,0,64),RGB(64,0,128)。
第六排:RGB(0,0,0),RGB(128,128,0),RGB(128,128,64),RGB(128,128,128),RGB(64,128,128),RGB(192,192,192),RGB(64,0,64),RGB(255,255,255)。
如图7所示,选取(3,3)为遍历坐标原点,则使用算法进行遍历,遍历结果如下:
整体图像遍历从所选取的坐标点(3,3)为遍历原点开始遍历,将整体图片划分为四个区域,从右上角开始顺时针方向遍历到左上方区域完,整体图像每一层遍历的坐标点是每个区域同层级的坐标点集合,具体如下:
①右上区域:
第一层:坐标点(3,2)对应颜色值RGB(0,128,128);
第二层:坐标点(3,1)对应颜色值RGB(0,255,64);坐标点(4,1)对应颜色值RGB(0,255,255);坐标点(4,2)对应颜色值RGB(0,64,128);
第三层:坐标点(3,0)对应颜色值RGB(0,255,128);坐标点(4,0)对应颜色值RGB(128,255,255);坐标点(5,0)对应颜色值RGB(0,128,255);
坐标点(5,1)对应颜色值RGB(0,128,192);坐标点(5,2)对应颜色值RGB(128,128,255);
第四层:坐标点(6,0)对应颜色值RGB(255,128,192);坐标点(6,1)对应颜色值RGB(128,128,192);坐标点(6,2)对应颜色值RGB(128,0,64);
第五层:坐标点(7,0)对应颜色值RGB(255,128,255);坐标点(7,1)对应颜色值RGB(255,0,255);坐标点(7,2)对应颜色值RGB(255,0,128);
②右下区域:
第一层:坐标点(4,3)对应颜色值RGB(0,0,255);
第二层:坐标点(5,3)对应颜色值RGB(0,0,160);坐标点(5,4)对应颜色值RGB(0,0,64);坐标点(4,4)对应颜色值RGB(0,0,128);
第三层:坐标点(6,4)对应颜色值RGB(64,0,64);坐标点(6,5)对应颜色值RGB(64,0,64);坐标点(5,5)对应颜色值RGB(192,192,192);坐标点(4,5)对应颜色值RGB(64,128,128);
第四层:坐标点(7,3)对应颜色值RGB(128,0,255);坐标点(7,4)对应颜色值RGB(64,0,128);坐标点(7,5)对应颜色值RGB(255,255,255);
③左下区域:
第一层:坐标点(3,4)对应颜色值RGB(0,64,64);
第二层:坐标点(3,5)对应颜色值RGB(128,128,128);坐标点(2,5)对应颜色值RGB(128,128,64);坐标点(2,4)对应颜色值RGB(0,64,0);
第三层:坐标点(1,5)对应颜色值RGB(128,128,0);坐标点(1,4)对应颜色值RGB(128,64,0);
第四层:坐标点(0,5)对应颜色值RGB(0,0,0);坐标点(0,4)对应颜色值RGB(64,0,0);
④左上区域:
第一层:坐标点(2,3)对应颜色值RGB(0,128,0);
第二层:坐标点(1,3)对应颜色值RGB(255,128,0);坐标点(1,2)对应颜色值RGB(255,128,64);坐标点(2,2)对应颜色值RGB(0,255,0);
第三层:坐标点(0,3)对应颜色值RGB(128,0,0);坐标点(0,2)对应颜色值RGB(128,64,64);坐标点(0,1)对应颜色值RGB(255,0,0)坐标点(1,1)对应颜色值RGB(255,255,0);坐标点(2,1)对应颜色值RGB(128,255,0);
第四层:坐标点(0,0)对应颜色值RGB(255,128,128);坐标点(1,0)对应颜色值RGB(255,255,128);坐标点(2,0)对应颜色值RGB(128,255,128)。
根据本申请提供的遍历方法,整体按层级遍历为把每个区域相应层级按顺时针方向有序集合在一起结果如下:
第一层:右上第一层+右下第一层+左下第一层+左上第一层
坐标点(3,2)对应颜色值RGB(0,128,128);坐标点(4,3)对应颜色值RGB(0,0,255);坐标点(3,4)对应颜色值RGB(0,64,64);坐标点(2,3)对应颜色值RGB(0,128,0);
第二层:右上第二层+右下第二层+左下第二层+左上第二层
坐标点(3,1)对应颜色值RGB(0,255,64);坐标点(4,1)对应颜色值RGB(0,255,255);坐标点(4,2)对应颜色值RGB(0,64,128);坐标点(5,3)对应颜色值RGB(0,0,160);坐标点(5,4)对应颜色值RGB(0,0,64);坐标点(4,4)对应颜色值RGB(0,0,128);坐标点(3,5)对应颜色值RGB(128,128,128);坐标点(2,5)对应颜色值RGB(128,128,64);坐标点(2,4)对应颜色值RGB(0,64,0);坐标点(1,3)对应颜色值RGB(255,128,0);坐标点(1,2)对应颜色值RGB(255,128,64);坐标点(2,2)对应颜色值RGB(0,255,0);
第三层:右上第三层+右下第三层+左下第三层+左上第三层
坐标点(3,0)对应颜色值RGB(0,255,128);坐标点(4,0)对应颜色值RGB(128,255,255);坐标点(5,0)对应颜色值RGB(0,128,255);坐标点(5,1)对应颜色值RGB(0,128,192);坐标点(5,2)对应颜色值RGB(128,128,255);坐标点(6,3)对应颜色值RGB(128,0,128);坐标点(6,4)对应颜色值RGB(64,0,64);坐标点(6,5)对应颜色值RGB(64,0,64);坐标点(5,5)对应颜色值RGB(192,192,192);坐标点(4,5)对应颜色值RGB(64,128,128);坐标点(1,5)对应颜色值RGB(128,128,0);坐标点(1,4)对应颜色值RGB(128,64,0);坐标点(0,3)对应颜色值RGB(128,0,0);坐标点(0,2)对应颜色值RGB(128,64,64);坐标点(0,1)对应颜色值RGB(255,0,0);坐标点(1,1)对应颜色值RGB(255,255,0);坐标点(2,1)对应颜色值RGB(128,255,0);
第四层:右上第四层+右下第四层+左下第四层+左上第四层
坐标点(6,0)对应颜色值RGB(255,128,192);坐标点(6,1)对应颜色值RGB(128,128,192);坐标点(6,2)对应颜色值RGB(128,0,64);坐标点(7,3)对应颜色值RGB(128,0,255);坐标点(7,4)对应颜色值RGB(64,0,128);坐标点(7,5)对应颜色值RGB(255,255,255);坐标点(0,5)对应颜色值RGB(0,0,0);坐标点(0,4)对应颜色值RGB(64,0,0);坐标点(0,0)对应颜色值RGB(255,128,128);坐标点(1,0)对应颜色值RGB(255,255,128);坐标点(2,0)对应颜色值RGB(128,255,128)。
第五层:右上第五层
坐标点(7,0)对应颜色值RGB(255,128,255);坐标点(7,1)对应颜色值RGB(255,0,255);坐标点(7,2)对应颜色值RGB(255,0,128)。
(二)对本申请提供的图像遍历算法测试如下:
特征图形设计如图8所示:由黑白相间的三个同心圆组成,半径最小的同心圆为白色,中间的同心圆为黑色,半径最大的同心圆为白色。同心圆遍历规则与原图像一致,选取同心圆作为特征图形形状以及设计其颜色为白黑白一个原因是黑白是图像二值化的结果,这样做直接省去图像二值化这个步骤,简化了识别步骤,另外一个原因是要用之前设计的遍历算法如果颜色一致没有遍历的必要也不存在说识别图形的形状,还有就是圆的形状相较于其他形状比较好遍历以及识别。
将彩色图像灰度化转为二值灰度图像的使用公式为:(color->red()*77+color->green()*151+color->blue()*28)>>8。
特征图形的遍历识别及匹配:摄像头初次寻找识别点成功后,以此为原点逐层遍历屏幕上每个区域,进行下一次循环,直到找到所有识别点。摄像头捕捉识别点从左上角开始,寻找到半径最小的同心圆(白色)时初次寻找识别点成功,以此为原点逐层遍历屏幕上每个区域,继续寻找白点附近是否存在半径较大的同心圆(黑色),直到找到第二个同心圆,然后用同样的方法寻找最大同心圆(白色),若三个同心圆都匹配成功则返回最小同心圆的半径,此时识别点寻找成功。在识别过程中还需要进行如下两个操作,以此提高图像识别及匹配效率。
在识别过程中还需要进行如下两个操作,以此提高图像识别及匹配效率。
(1)对所选图像的数据进行区间估计,估计出最大概率命中区域,以节省资源,计划使用最大似然估计和点估计。
(2)对图像中的每个点进行统计模式识别(有相似性的样本在模式空间中互相接近,并形成“集团”,即“物以类聚”。其分析方法是根据模式所测得的特征向量Xi=(xi1,xi2,…,xid)T(i=1,2,…,N),将一个给定的模式归入各类ω1,ω2,…,ωc中,然后根据模式之间的距离函数来判别分类。其中,T表示转置;N为样本点数;d为样本特征数。
综上所述,本申请提供了一种用于图像快速识别及特征匹配的图像遍历算法,包括:使用摄像头采集图像,并将图像传送至计算机;计算机获取所述图像上各像素点的坐标及对应颜色RGB值,将彩色图像灰度化转为二值灰度图像,从所述图像的左上角开始进行识别,寻找到与特征图形的某一像素点相对应的像素点作为识别点。选取所述识别点为遍历坐标原点,将图像分区域分层设计;将所述图像以所述遍历坐标原点为中心划分为多个区域,从某一区域开始按照顺时针方向进行遍历,所述图像每一层遍历的坐标点是每个区域同层级的坐标点集合,寻找所述特征图形的其他像素点。本发明基于图像识别、贝叶斯决策理论、C++程序设计语言、线性判别函数、矩阵遍历、灰度计算等方法技术设计并实现了一种图像快速识别及特征匹配的图像遍历算法,从临近上一次的坐标处开始出发寻找新的识别点,极大的提高图像识别及特征匹配的效率,具有图像遍历速度快、图像识别效率高、特征匹配精准、可靠性高等显著优点。
由于以上实施方式均是在其他方式之上引用结合进行说明,不同实施例之间均具有相同的部分,本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种电路结构、物品或者设备所固有的要素。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (6)
1.一种用于图像快速识别及特征匹配的图像遍历算法,其特征在于,包括:
计算机获取所述图像上各像素点的坐标及对应颜色RGB值;
从所述图像的左上角开始进行识别,寻找到与特征图形的某一像素点相对应的像素点作为识别点;
选取所述识别点为遍历坐标原点,将图像分区域分层设计;
将所述图像以所述遍历坐标原点为中心划分为多个区域,从某一区域开始按照顺时针方向进行遍历,所述图像每一层遍历的坐标点是每个区域同层级的坐标点集合,寻找所述特征图形的其他像素点。
2.根据权利要求1所述的图像遍历算法,其特征在于,所述将所述图像以所述遍历坐标原点为中心划分为多个区域,从某一区域开始顺时针方向遍历,包括:所述将所述图像以所述遍历坐标原点为中心划分为四个区域,所述四个区域包括右上区域、右下区域、左下区域和左上区域,从右上区域开始按照顺时针方向进行遍历。
3.根据权利要求1所述的图像遍历算法,其特征在于,还包括:使用摄像头采集图像,并将图像传送至计算机。
4.根据权利要求3所述的图像遍历算法,其特征在于,还包括:所述摄像头与计算机屏幕进行比例缩放,使用分辨率为640*480。
5.根据权利要求1所述的图像遍历算法,其特征在于,还包括:所述图像为8乘6像素大小的图像。
6.根据权利要求1所述的图像遍历算法,其特征在于,还包括:彩色图像灰度化公式为:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911059631.XA CN110826571B (zh) | 2019-11-01 | 2019-11-01 | 一种用于图像快速识别及特征匹配的图像遍历算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911059631.XA CN110826571B (zh) | 2019-11-01 | 2019-11-01 | 一种用于图像快速识别及特征匹配的图像遍历算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826571A CN110826571A (zh) | 2020-02-21 |
CN110826571B true CN110826571B (zh) | 2023-10-20 |
Family
ID=69551935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911059631.XA Active CN110826571B (zh) | 2019-11-01 | 2019-11-01 | 一种用于图像快速识别及特征匹配的图像遍历算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826571B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582290B (zh) * | 2020-05-13 | 2023-04-07 | 郑州轻工业大学 | 一种计算机图像识别方法 |
CN112085030A (zh) * | 2020-09-09 | 2020-12-15 | 重庆广播电视大学重庆工商职业学院 | 相似图像确定方法及装置 |
CN113533158B (zh) * | 2021-07-06 | 2022-07-19 | 中国地质大学(北京) | 一种基于sem图像的煤储层孔隙结构参数定量分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499171A (zh) * | 2009-02-13 | 2009-08-05 | 上海海事大学 | 面向视频处理的快速目标分割与标识方法 |
CN102867181A (zh) * | 2012-07-27 | 2013-01-09 | 华南理工大学 | 一种用于数字图像处理的特征提取模块及遍历方法 |
CN103345743A (zh) * | 2013-06-18 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种用于电池尾端智能探伤的图像分割算法 |
CN104484659A (zh) * | 2014-12-30 | 2015-04-01 | 南京巨鲨显示科技有限公司 | 一种对医学彩色和灰阶图像自动识别及校准的方法 |
CN106875405A (zh) * | 2017-01-19 | 2017-06-20 | 浙江大学 | 基于广度优先搜索的ct图像肺实质模板气管消除方法 |
CN108564056A (zh) * | 2018-04-25 | 2018-09-21 | 中国水利水电科学研究院 | 一种遥感影像水体识别提取的方法 |
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 |
CN109741394A (zh) * | 2018-12-10 | 2019-05-10 | 北京拓尔思信息技术股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN109918974A (zh) * | 2017-12-13 | 2019-06-21 | 南京机器人研究院有限公司 | 一种机器人目标识别方法 |
CN110348263A (zh) * | 2019-06-24 | 2019-10-18 | 西安理工大学 | 一种基于图像识别的二维随机码图像识别与提取方法 |
-
2019
- 2019-11-01 CN CN201911059631.XA patent/CN110826571B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101499171A (zh) * | 2009-02-13 | 2009-08-05 | 上海海事大学 | 面向视频处理的快速目标分割与标识方法 |
CN102867181A (zh) * | 2012-07-27 | 2013-01-09 | 华南理工大学 | 一种用于数字图像处理的特征提取模块及遍历方法 |
CN103345743A (zh) * | 2013-06-18 | 2013-10-09 | 宁波成电泰克电子信息技术发展有限公司 | 一种用于电池尾端智能探伤的图像分割算法 |
CN104484659A (zh) * | 2014-12-30 | 2015-04-01 | 南京巨鲨显示科技有限公司 | 一种对医学彩色和灰阶图像自动识别及校准的方法 |
CN106875405A (zh) * | 2017-01-19 | 2017-06-20 | 浙江大学 | 基于广度优先搜索的ct图像肺实质模板气管消除方法 |
CN109918974A (zh) * | 2017-12-13 | 2019-06-21 | 南京机器人研究院有限公司 | 一种机器人目标识别方法 |
CN108564056A (zh) * | 2018-04-25 | 2018-09-21 | 中国水利水电科学研究院 | 一种遥感影像水体识别提取的方法 |
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 |
CN109741394A (zh) * | 2018-12-10 | 2019-05-10 | 北京拓尔思信息技术股份有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN110348263A (zh) * | 2019-06-24 | 2019-10-18 | 西安理工大学 | 一种基于图像识别的二维随机码图像识别与提取方法 |
Non-Patent Citations (2)
Title |
---|
刘遵仁.图的遍历.《数据结构》.2018, * |
遍历式九宫格图像搜索法及其应用;董莹莹;《数据理论与应用》;107-113 * |
Also Published As
Publication number | Publication date |
---|---|
CN110826571A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN110826571B (zh) | 一种用于图像快速识别及特征匹配的图像遍历算法 | |
CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
US7046842B2 (en) | System and method for color characterization using fuzzy pixel classification with application in color matching and color match location | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN108921160B (zh) | 一种图书识别方法、电子设备及存储介质 | |
JP2004295879A (ja) | 欠陥分類方法 | |
CN114910480A (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN110462634A (zh) | 标志检测视频分析法 | |
CN115151952A (zh) | 一种变电设备高精度识别方法及*** | |
CN116630301A (zh) | 基于超分辨率和YOLOv8的带钢表面小目标缺陷检测方法及*** | |
Tian et al. | Corrosion identification of fittings based on computer vision | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
WO2021228194A1 (zh) | 线缆检测方法、机器人和存储装置 | |
Bremananth et al. | Wood species recognition using GLCM and correlation | |
JP4909479B2 (ja) | ターゲット画像中で色およびパターンが一致する領域を突き止めるためのシステムおよび方法 | |
CN108734706B (zh) | 一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 | |
CN116311391A (zh) | 一种高低精度混合的多维度特征融合指纹检索方法 | |
CN110728316A (zh) | 一种课堂行为检测方法、***、装置和存储介质 | |
Putri et al. | Color and texture features extraction on content-based image retrieval | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
Mishne et al. | Multi-channel wafer defect detection using diffusion maps | |
CN113434463A (zh) | 一种根据二维码进行文件分类的方法 |
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 |