CN111179289B - 一种适用于网页长图宽图的图像分割方法 - Google Patents

一种适用于网页长图宽图的图像分割方法 Download PDF

Info

Publication number
CN111179289B
CN111179289B CN201911423525.5A CN201911423525A CN111179289B CN 111179289 B CN111179289 B CN 111179289B CN 201911423525 A CN201911423525 A CN 201911423525A CN 111179289 B CN111179289 B CN 111179289B
Authority
CN
China
Prior art keywords
image
contour
carrying
processing
webpage
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
Application number
CN201911423525.5A
Other languages
English (en)
Other versions
CN111179289A (zh
Inventor
曾浩
高凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201911423525.5A priority Critical patent/CN111179289B/zh
Publication of CN111179289A publication Critical patent/CN111179289A/zh
Application granted granted Critical
Publication of CN111179289B publication Critical patent/CN111179289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种适用于网页长图宽图的图像分割方法，属于图像处理领域。该方法包括以下步骤：采用外插方式自动填充图像边界，并对图像进行灰度化处理，滤波处理后，基于Canny算子进行图像的梯度边缘提取与滞后阈值的二值化操作，通过闭、腐蚀与膨胀的形态学处理，最后进行轮廓提取与修正的，最后以一定尺度规则过滤与去重，进行分割后的图像输出；从算法复杂度来看，本发明没有复杂的模型前置训练过程，不需要与把海量的***资源分配给卷积网络模型的权重参数，在有限的CPU占用率下完成了网页长宽图场景的图像分割，不需要调用GPU资源，符合图像预处理的简单、快速、有效的三原则。

Description

一种适用于网页长图宽图的图像分割方法
技术领域
本发明属于图像处理领域，涉及一种适用于网页长图宽图的图像分割方法。
背景技术
图像分割是计算机视觉领域图像预处理技术中的一个重要分支，也是基于内容的大规模图像检索技术中不可缺少的图像预处理技术。优秀的图像分割效果对计算机视觉领域的项目工程的实现结果有着决定性的影响。
现有的图像分割技术主要分为传统的基于图像属性的图像分割(比如灰度阈值分割、边缘梯度分割、直方均方法分割等)与基于特定理论的图像分割(特征聚类分割、基于图论分割、小波变换分割等)，以及近年来在计算机视觉领域取得良好效果的的，利用神经网络强大的非线性能力，基于深度学习的图像语义分割。
尽管图像分割算法的研究已久，但以上相关技术均多为针对单一正常尺寸图像的语义级别的。针对网页长图宽图的超大尺寸与复杂密集的板块与文图，传统基于图像分割方法传统处理方法并不能取得高效、迅速与良好的图像分割效果，会导致重图、漏图、而基于深度学习的语义分割算法复杂度大大提升，从而使得项目***工程化的流程增加耗时、增大占用内存与GPU，违背了图像预处理的简单、快速、有效的三原则，加之现有的基于深度学习的图像语义分割算法目前并不能满足适用于长图宽图网页尺寸的图像分割，分割效果与鲁棒性均不足。
发明内容
有鉴于此，本发明的目的在于提供一种适用于网页长图宽图的图像分割方法。
为达到上述目的，本发明提供如下技术方案：
一种适用于网页长图宽图的图像分割方法，该方法包括以下步骤：采用外插方式自动填充图像边界，并对图像进行灰度化处理，滤波处理后，基于Canny算子进行图像的梯度边缘提取与滞后阈值的二值化操作，通过闭、腐蚀与膨胀的形态学处理，最后进行轮廓提取与修正的，最后以一定尺度规则过滤与去重，进行分割后的图像输出；
具体步骤为：
(1)对长宽网页图进行读入与转存；
(2)对原图进行边框填充；给定参数border数值，作为常量像素值以外插法方式自动填充图像的边界值，使得靠近网页边缘的图片能够被后续的轮廓检测中识别；
(3)对多通道图片进行灰度化处理，将图片的BGR三色颜色空间转为灰度空间，输出转换后的单通道的图片；
(4)对灰度图进行基于Canny算子进行图像的梯度边缘提取与滞后阈值的二值化操作；
(5)进行形态学处理，通过建立椭圆核函数kernel进行闭操作、腐蚀与膨胀处理，使得图像边界分明；
(6)进行首次轮廓生成，建立一个等级树结构的轮廓，对轮廓信息进行水平方向，垂直方向，对角线方向的压缩，只保留该方向的终点坐标，即一个矩形轮廓仅4个点来保存；依据首次轮廓信息，以特定尺寸对二值化图片的轮廓区域进行抑制处理，即在二值化图片中对特定轮廓的重复覆盖区域进行抑制置零操作；并再次进行轮廓生成；对轮廓高度、宽度过大、过小等非常常规尺寸轮廓进行剔除，完成轮廓的修正；
(7)对每个轮廓的求内接矩阵，确定原图中轮廓的内接矩阵的范围，并转存与输出每张轮廓区域图片，完成图像分割。
可选的，所述步骤(4)具体为：
首先，使用5x5高斯滤波器过滤图中噪声，并使用sobel算子计算水平与竖直方向上的一阶导数；其次，对图像的导数值进行非极大值抑制，在每个像素处检测是否为梯度方向上领域中的局部最大值，反之则进行置零抑制处理，以求解得出基于canny算子的图像梯度值；最后进行滞后阈值的二值化，给定滞后阈值上限maxVal、下限minVal参数，通过参数maxVal与minVal确定边缘：像素梯度>maxVal肯定为边缘，保留；像素梯度<minVal肯定为非边缘，舍去；若在两者之间，相连则保留，不相连则舍弃。
本发明的有益效果在于：
页长图宽图场景，网页排版密集、复杂内容的特性，输出的分割子图标准、没有重图、漏图，并且过滤与剔除了原网页中的文字信息与非目标不寻常轮廓图片。
从算法复杂度来看，本发明提出图像分割技术与基于深度学习的图像语义分割技术相比，没有复杂的模型前置训练过程，不需要与把海量的***资源分配给卷积网络模型(卷积层、池化层、全连接层)的权重参数，在有限的CPU占用率下完成了网页长宽图场景的图像分割，不需要调用GPU资源，符合图像预处理的简单、快速、有效的三原则。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为网页长宽图的图像分割流程；
图2为canny边缘检测与二值化流程图；
图3为滞后阈值的二值化边界举例图；
图4为轮廓提取与修正流程。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明的实现方式为：采用外插方式自动填充图像边界，并对图像进行灰度化处理，滤波处理后，基于Canny算子进行图像的梯度边缘提取与滞后阈值的二值化操作，通过闭、腐蚀与膨胀的形态学处理，最后进行轮廓提取与修正的，最后以一定尺度规则过滤与去重，进行分割后的图像输出。
主要步骤为：
1.对长宽网页图进行读入与转存。
2.对原图进行边框填充。给定参数border数值，作为常量像素值以外插法方式自动填充图像的边界值，使得靠近网页边缘的图片能够被后续的轮廓检测中识别。
3.对多通道图片进行灰度化处理，将图片的BGR三色颜色空间转为灰度空间，输出转换后的单通道的图片。
4.对灰度图进行基于Canny算子进行图像的梯度边缘提取与滞后阈值的二值化操作。首先，使用5x5高斯滤波器过滤图中噪声，并使用sobel算子计算水平与竖直方向上的一阶导数。其次，对图像的导数值进行非极大值抑制，在每个像素处检测是否为梯度方向上领域中的局部最大值，反之则进行置零抑制处理，以求解得出基于canny算子的图像梯度值；最后进行滞后阈值的二值化，给定滞后阈值上限maxVal、下限minVal参数，通过参数maxVal与minVal确定边缘：像素梯度>maxVal肯定为边缘，保留；像素梯度<minVal肯定为非边缘，舍去；若在两者之间，相连则保留，不相连则舍弃。
5.进行形态学处理，通过建立椭圆核函数kernel进行闭操作、腐蚀与膨胀处理，使得图像边界分明。
6.进行首次轮廓生成，建立一个等级树结构的轮廓，对轮廓信息进行水平方向，垂直方向，对角线方向的压缩，只保留该方向的终点坐标，即一个矩形轮廓仅4个点来保存；依据首次轮廓信息，以特定尺寸对二值化图片的轮廓区域进行抑制处理，即在二值化图片中对特定轮廓的重复覆盖区域进行抑制置零操作；并再次进行轮廓生成；对轮廓高度、宽度过大、过小等非常常规尺寸轮廓进行剔除，完成轮廓的修正。
7.对每个轮廓的求内接矩阵，确定原图中轮廓的内接矩阵的范围，并转存与输出每张轮廓区域图片，完成图像分割。
适用于网页长宽图的图像分割方法实施过程如图1所示：网页长宽图经过读入与转存、边框填充与灰度化、canny边缘检测与二值化、形态学处理、轮廓提取与修正后完成图像分割并输出图片。
具体过程主要为：
(1)读入与转存原图。
(2)对原图进行边框填充，输出给定像素宽度的白色边框填充图。
(3)对原图进行灰度化处理。将图片的BGR三色颜色空间转为灰度空间，输出为单通道的灰度图。
(4)对灰度图进行如图2所示基于canny算子的边缘梯度检测与滞后阈值的二值化，梯度边界的二值化方式如图3所示，最后输出梯度边界图。
(5)对梯度边界图进行图像形态学处理，使得边界更加明显，输出形态学处理图。
(6)对形态学处理图进行如图4所示的轮廓的提取与修正：首先进行第一次轮廓生成，并在边框填充图上绘制首次生成的轮廓，输出首次轮廓生成图；对轮廓信息进行压缩提取，进行特定轮廓尺寸规律的轮廓抑制，抑制后输出二值图；其次，对抑制修正后的二值图进行二次轮廓生成，并在边框填充图上绘制二次生成的轮廓，输出抑制后的轮廓生成图；最后，对非规格的轮廓进行剔除，保留特定尺寸的轮廓信息。
根据保留特定尺寸的轮廓信息，对边框填充图进行轮廓分割，输出进行输出子图集，完成网页长宽图的图像分割。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种适用于网页长图宽图的图像分割方法，其特征在于：该方法包括以下步骤：采用外插方式自动填充图像边界，并对图像进行灰度化处理，滤波处理后，基于Canny算子进行图像的梯度边缘提取与滞后阈值的二值化操作，通过闭、腐蚀与膨胀的形态学处理，最后进行轮廓提取与修正的，最后以尺度规则过滤与去重，进行分割后的图像输出；
具体步骤为：
(1)对长宽网页图进行读入与转存；
(2)对原图进行边框填充；给定参数border数值，作为常量像素值以外插法方式自动填充图像的边界值，使得靠近网页边缘的图片能够被后续的轮廓检测中识别；
(3)对多通道图片进行灰度化处理，将图片的BGR三色颜色空间转为灰度空间，输出转换后的单通道的图片；
(4)对灰度图进行基于Canny算子进行图像的梯度边缘提取与滞后阈值的二值化操作；
(5)进行形态学处理，通过建立椭圆核函数kernel进行闭操作、腐蚀与膨胀处理，使得图像边界分明；
(6)进行首次轮廓生成，建立一个等级树结构的轮廓，对轮廓信息进行水平方向，垂直方向，对角线方向的压缩，只保留对应方向的终点坐标，即一个矩形轮廓仅4个点来保存；依据首次轮廓信息，以特定尺寸对二值化图片的轮廓区域进行抑制处理，即在二值化图片中对特定轮廓的重复覆盖区域进行抑制置零操作；并再次进行轮廓生成；对轮廓高度、宽度过大、过小非常规尺寸轮廓进行剔除，完成轮廓的修正；
(7)对每个轮廓的求内接矩阵，确定原图中轮廓的内接矩阵的范围，并转存与输出每张轮廓区域图片，完成图像分割；
所述步骤(4)具体为：
首先，使用5x5高斯滤波器过滤图中噪声，并使用sobel算子计算水平与竖直方向上的一阶导数；其次，对图像的导数值进行非极大值抑制，在每个像素处检测是否为梯度方向上领域中的局部最大值，反之则进行置零抑制处理，以求解得出基于canny算子的图像梯度值；最后进行滞后阈值的二值化，给定滞后阈值上限maxVal、下限minVal参数，通过参数maxVal与minVal确定边缘：像素梯度>maxVal肯定为边缘，保留；像素梯度<minVal肯定为非边缘，舍去；若在两者之间，相连则保留，不相连则舍弃。
CN201911423525.5A 2019-12-31 2019-12-31 一种适用于网页长图宽图的图像分割方法 Active CN111179289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911423525.5A CN111179289B (zh) 2019-12-31 2019-12-31 一种适用于网页长图宽图的图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911423525.5A CN111179289B (zh) 2019-12-31 2019-12-31 一种适用于网页长图宽图的图像分割方法

Publications (2)

Publication Number Publication Date
CN111179289A CN111179289A (zh) 2020-05-19
CN111179289B true CN111179289B (zh) 2023-05-19

Family

ID=70652339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911423525.5A Active CN111179289B (zh) 2019-12-31 2019-12-31 一种适用于网页长图宽图的图像分割方法

Country Status (1)

Country Link
CN (1) CN111179289B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392819B (zh) * 2021-08-17 2022-03-08 北京航空航天大学 一种批量化学术图像自动分割标注装置和方法
CN116883255B (zh) * 2023-05-22 2024-05-24 北京拙河科技有限公司 一种高精度光场图像的边界修正方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631486A (zh) * 2014-10-27 2016-06-01 深圳Tcl数字技术有限公司 图像文字识别方法及装置
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN108022233A (zh) * 2016-10-28 2018-05-11 沈阳高精数控智能技术股份有限公司 一种基于改进型Canny算子的工件边缘提取方法
CN109671092A (zh) * 2018-11-10 2019-04-23 江苏网进科技股份有限公司 一种改进的Canny图像分割方法和***

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7127104B2 (en) * 2004-07-07 2006-10-24 The Regents Of The University Of California Vectorized image segmentation via trixel agglomeration
US20090252382A1 (en) * 2007-12-06 2009-10-08 University Of Notre Dame Du Lac Segmentation of iris images using active contour processing
CN101826209B (zh) * 2010-04-29 2011-12-21 电子科技大学 一种基于Canny模型的三维医学图像分割方法
JP5875637B2 (ja) * 2013-12-19 2016-03-02 キヤノン株式会社 画像処理装置、画像処理方法
CN106780438B (zh) * 2016-11-11 2020-09-25 广东电网有限责任公司清远供电局 基于图像处理的绝缘子缺陷检测方法及***
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法
US10818011B2 (en) * 2017-12-29 2020-10-27 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Carpal segmentation and recognition method and system, terminal and readable storage medium
CN108564124A (zh) * 2018-04-13 2018-09-21 山东农业大学 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法
CN108764186B (zh) * 2018-06-01 2021-10-26 合肥工业大学 基于旋转深度学习的人物遮挡轮廓检测方法
CN108898610B (zh) * 2018-07-20 2020-11-20 电子科技大学 一种基于mask-RCNN的物体轮廓提取方法
CN110008932B (zh) * 2019-04-17 2022-11-22 四川九洲视讯科技有限责任公司 一种基于计算机视觉的车辆违章压线检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631486A (zh) * 2014-10-27 2016-06-01 深圳Tcl数字技术有限公司 图像文字识别方法及装置
CN108022233A (zh) * 2016-10-28 2018-05-11 沈阳高精数控智能技术股份有限公司 一种基于改进型Canny算子的工件边缘提取方法
CN107895376A (zh) * 2017-12-11 2018-04-10 福州大学 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN109671092A (zh) * 2018-11-10 2019-04-23 江苏网进科技股份有限公司 一种改进的Canny图像分割方法和***

Also Published As

Publication number Publication date
CN111179289A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
Xu et al. Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
Parker et al. An approach to license plate recognition
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN111460927B (zh) 对房产证图像进行结构化信息提取的方法
CN110751154B (zh) 一种基于像素级分割的复杂环境多形状文本检测方法
CN111259878A (zh) 一种检测文本的方法和设备
CN109961416B (zh) 一种基于形态学梯度多尺度融合的营业执照信息提取方法
CN110544300B (zh) 一种基于二维手绘图像特征自动生成三维模型的方法
CN111680690A (zh) 一种文字识别方法及装置
CN111179289B (zh) 一种适用于网页长图宽图的图像分割方法
CN111915628B (zh) 一种基于预测目标密集边界点的单阶段实例分割方法
CN109766750A (zh) 一种财务报表的表格线定位检测方法
CN112418165B (zh) 基于改进型级联神经网络的小尺寸目标检测方法与装置
CN111833369A (zh) 一种矾花图像处理方法、***、介质及电子设备
CN107578011A (zh) 视频关键帧的判定方法及装置
CN111126248A (zh) 一种遮挡下的车辆识别方法及装置
CN110751156A (zh) 用于表格线大块干扰去除方法、***、设备及介质
Sun et al. Spot segmentation and verification based on improve marker controlled watershed transform
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
CN110930358A (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN113963369B (zh) 一种平面图空间轮廓骨架线提取方法
CN116205939A (zh) 线条提取方法、线条提取设备和计算机存储介质
CN114862889A (zh) 基于遥感图像的道路边缘提取方法和装置
CN114332890A (zh) 表格结构提取方法、装置、电子设备及存储介质

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