CN111951290A - 一种图像中物体的边缘检测方法及装置 - Google Patents
一种图像中物体的边缘检测方法及装置 Download PDFInfo
- Publication number
- CN111951290A CN111951290A CN201910407150.7A CN201910407150A CN111951290A CN 111951290 A CN111951290 A CN 111951290A CN 201910407150 A CN201910407150 A CN 201910407150A CN 111951290 A CN111951290 A CN 111951290A
- Authority
- CN
- China
- Prior art keywords
- line
- lines
- boundary
- image
- target
- 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 78
- 238000003708 edge detection Methods 0.000 title claims description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 180
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000002035 prolonged effect Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06T7/13—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/16—Image preprocessing
- G06V30/1607—Correcting image deformation, e.g. trapezoidal deformation caused by perspective
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像中物体的边缘检测方法及装置,方法包括:对图像进行处理,获得图像中灰度轮廓的线条图;将线条图中相似的线条进行合并,得到多条初始合并线条,并根据多条初始合并线条确定一边界矩阵;将多条初始合并线条中相似的线条进行合并得到目标线条,并且将未合并的初始合并线条也作为目标线条;根据边界矩阵,从多条目标线条中确定多条参考边界线;通过预先训练的边界线区域识别模型对图像进行处理,得到图像中物体的多个边界线区域;针对每一边界线区域,从多条参考边界线中确定与该边界线区域项对应的目标边界线;根据确定的多条目标边界线确定图像中物体的边缘。应用本发明提供的方案可以检测图像中物体的边缘。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像中物体的边缘检测方法、装置、电子设备和计算机可读存储介质。
背景技术
目前,人们经常对物体进行拍照,如对名片、试卷、化验单、文档等物体拍照,并希望对拍照得到的图像进行相应处理以获得图像中物体的信息。然而,拍照所得的图像中不仅包含物体,同时还不可避免地包含物体所在的外部环境。而外部环境区域对于识别图像中物体的信息而言是多余的,因此,在对图像进行处理以获得图像中物体的信息时,需要从图像中检测物体的边缘,以便根据物体的边缘将物体从图像中提取出来。而如何检测图像中物体的边缘是一件亟待解决的问题。
发明内容
本发明的目的在于提供一种图像中物体的边缘检测方法、装置、电子设备和计算机可读存储介质,以检测图像中物体的边缘。具体技术方案为:
第一方面,本发明提供了一种图像中物体的边缘检测方法,方法包括:
对图像进行处理,获得所述图像中灰度轮廓的线条图;
将所述线条图中相似的线条进行合并,得到多条初始合并线条,并根据多条所述初始合并线条确定一边界矩阵;
将多条所述初始合并线条中相似的线条进行合并得到目标线条,并且将未合并的所述初始合并线条也作为目标线条;
根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线;
通过预先训练的边界线区域识别模型对所述图像进行处理,得到所述图像中物体的多个边界线区域;其中,所述边界线区域识别模型是基于神经网络的模型;
针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域项对应的目标边界线;
根据确定的多条所述目标边界线确定所述图像中物体的边缘。
可选的,在所述图像中物体的边缘检测方法中,所述对图像进行处理,获得所述图像中灰度轮廓的线条图,包括:通过基于OpenCV的边缘检测算法对图像进行处理,获得所述图像中灰度轮廓的线条图。
可选的,在所述图像中物体的边缘检测方法中,将所述线条图中相似的线条进行合并,得到多条初始合并线条,包括:获取所述线条图中的长线条;其中,所述长线条为长度超过第一预设阈值的线条;从所述长线条中获取多组第一类线条;其中,所述第一类线条包括至少两个依次相邻的长线条,且任意相邻的两长线条之间的夹角均小于第二预设阈值;针对每一组第一类线条,将该组第一类线条中的各个长线条依次进行合并得到一条初始合并线条。
可选的,在所述图像中物体的边缘检测方法中,将多条所述初始合并线条中相似的线条进行合并得到目标线条,包括:从多条所述初始合并线条中获取多组第二类线条;其中,所述第二类线条包括至少两个依次相邻的初始合并线条,且任意相邻的两初始合并线条之间的夹角均小于第三预设阈值;针对每一组第二类线条,将该组第二类线条中的各个初始合并线条依次进行合并得到一条目标线条。
可选的,在所述图像中物体的边缘检测方法中,所述边界矩阵按照以下方式确定:对多条所述初始合并线条以及所述长线条中未合并的线条进行重新绘制,将重新绘制的所有线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中这些线条的像素点所在位置的值设置第一数值、这些线条以外的像素点所在位置的值设置为第二数值,从而形成边界矩阵。
可选的,在所述图像中物体的边缘检测方法中,根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线,包括:针对每一条所述目标线条,将该目标线条进行延长,根据延长后的该目标线条确定一线条矩阵,然后将该线条矩阵与所述边界矩阵进行对比,计算延长后的该目标线条上属于所述边界矩阵的像素点的个数,作为该目标线条的成绩;其中,所述线条矩阵与所述边界矩阵的大小相同;根据各个目标线条的成绩,从多条所述目标线条中确定多条参考边界线。
可选的,所述图像中物体的边缘检测方法中,针对每一所述边界线区域从多条所述参考边界线中确定与该边界线区域相对应的目标边界线包括:计算每一条所述参考边界线的斜率;针对每一个所述边界线区域,将该边界线区域转换为多条直线,并计算所述多条直线的平均斜率,再判断多条所述参考边界线中是否存在斜率与所述平均斜率相匹配的参考边界线,如果存在,将该参考边界线确定为与该边界线区域相对应的目标边界线。
可选的,在所述图像中物体的边缘检测方法中,所述方法还包括:
针对每一个所述边界线区域,如果判断出多条所述参考边界线中不存在斜率与所述平均斜率相匹配的参考边界线,则针对该边界线区域转换得到的每一条直线,将该直线形成的线条矩阵与所述边界矩阵进行对比,计算该直线上属于所述边界矩阵的像素点的个数,作为该直线的成绩;将成绩最好的直线确定为与该边界线区域相对应的目标边界线;其中,所述线条矩阵与所述边界矩阵的大小相同。
可选的,在所述图像中物体的边缘检测方法中,将该边界线区域转换为多条直线,包括:利用霍夫变换将该边界线区域转换为多条直线。
可选的,在所述图像中物体的边缘检测方法中,所述线条矩阵按照以下方式确定:对延长后的目标线条或直线进行重新绘制,将重新绘制的线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中线条的像素点所在位置的值设置为第一数值、线条以外的像素点所在位置的值设置为第二数值,从而形成线条矩阵。
可选的,在所述图像中物体的边缘检测方法中,所述边界线区域识别模型按照以下方式训练得到:对图像样本集中的每个图像样本进行标注处理,以标注出每个图像样本中物体的边界线区域、内部区域和外部区域;通过经过标注处理的图像样本集,对神经网络进行训练,以得到所述边界线区域识别模型。
可选的,在所述图像中物体的边缘检测方法中,所述方法还包括:获得多条所述目标边界线的多个交点,对多个所述交点和多条所述目标边界线确定的区域进行投影变换,得到所述图像中的所述物体的正视图。
第二方面,本发明提供了一种图像中物体的边缘检测装置,装置包括:
获得模块,用于对图像进行处理,获得所述图像中灰度轮廓的线条图;
第一合并模块,用于将所述线条图中相似的线条进行合并,得到多条初始合并线条,并根据多条所述初始合并线条确定一边界矩阵;
第二合并模块,用于将多条所述初始合并线条中相似的线条进行合并得到目标线条,并且将未合并的所述初始合并线条也作为目标线条;
第一确定模块,用于根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线;
识别模块,用于通过预先训练的边界线区域识别模型对所述图像进行处理,得到所述图像中物体的多个边界线区域;其中,所述边界线区域识别模型是基于神经网络的模型;
第二确定模块,用于针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域项对应的目标边界线;
第三确定模块,用于根据确定的多条所述目标边界线确定所述图像中物体的边缘。
可选的,在所述图像中物体的边缘检测装置中,所述获得模块,具体用于:通过基于OpenCV的边缘检测算法对图像进行处理,获得所述图像中灰度轮廓的线条图。
可选的,在所述图像中物体的边缘检测装置中,所述第一合并模块将所述线条图中相似的线条进行合并,得到多条初始合并线条,具体为:获取所述线条图中的长线条,其中,所述长线条为长度超过第一预设阈值的线条;从所述长线条中获取多组第一类线条,其中,所述第一类线条包括至少两个依次相邻的长线条,且任意相邻的两长线条之间的夹角均小于预设阈值;针对每一组第一类线条,将该组第一类线条中的各个长线条依次进行合并得到一条初始合并线条。
可选的,在所述图像中物体的边缘检测装置中,所述第二合并模块将多条所述初始合并线条中相似的线条进行合并得到目标线条,具体为:从多条所述初始合并线条中获取多组第二类线条;其中,所述第二类线条包括至少两个依次相邻的初始合并线条,且任意相邻的两初始合并线条之间的夹角均小于第三预设阈值;针对每一组第二类线条,将该组第二类线条中的各个初始合并线条依次进行合并得到一条目标线条。
可选的,在所述图像中物体的边缘检测装置中,所述边界矩阵通过以下方式确定:对多条所述初始合并线条以及所述长线条中未合并的线条进行重新绘制,将重新绘制的所有线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中这些线条的像素点所在位置的值设置第一数值、这些线条以外的像素点所在位置的值设置为第二数值,从而形成边界矩阵。
可选的,在所述图像中物体的边缘检测装置中,第一确定模块包括:
第一计算子模块,用于针对每一条所述目标线条,将该目标线条进行延长,根据延长后的该目标线条确定一线条矩阵,然后将该线条矩阵与所述边界矩阵进行对比,计算延长后的该目标线条上属于所述边界矩阵的像素点的个数,作为该目标线条的成绩;其中,所述线条矩阵与所述边界矩阵的大小相同;
第一确定子模块,用于根据各个目标线条的成绩,从多条所述目标线条中确定多条参考边界线。
可选的,在所述图像中物体的边缘检测装置中,第二确定模块,包括:
第二计算子模块,用于计算每一条所述参考边界线的斜率;
第二确定子模块,用于针对每一个所述边界线区域,将该边界线区域转换为多条直线,并计算所述多条直线的平均斜率,再判断多条所述参考边界线中是否存在斜率与所述平均斜率相匹配的参考边界线,如果存在,将该参考边界线确定为与该边界线区域相对应的目标边界线。
可选的,在所述图像中物体的边缘检测装置中,所述第二确定子模块,还用于:针对每一个所述边界线区域,如果判断出多条所述参考边界线中不存在斜率与所述平均斜率相匹配的参考边界线,则针对该边界线区域转换得到的每一条直线,将该直线形成的线条矩阵与所述边界矩阵进行对比,计算该直线上属于所述边界矩阵的像素点的个数,作为该直线的成绩;将成绩最好的直线确定为与该边界线区域相对应的目标边界线;其中,所述线条矩阵与所述边界矩阵的大小相同。
可选的,在所述图像中物体的边缘检测装置中,所述第二确定子模块将该边界线区域转换为多条直线,具体为:利用霍夫变换将该边界线区域转换为多条直线。
可选的,在所述图像中物体的边缘检测装置中,所述线条矩阵按照以下方式确定:对延长后的目标线条或直线进行重新绘制,将重新绘制的线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中线条的像素点所在位置的值设置为第一数值、线条以外的像素点所在位置的值设置为第二数值,从而形成线条矩阵。
可选的,在所述图像中物体的边缘检测装置中,所述装置还包括:模型训练模块,用于按照以下方式训练得到边界线区域识别模型;
对图像样本集中的每个图像样本进行标注处理,以标注出每个图像样本中物体的边界线区域、内部区域和外部区域;通过经过标注处理的图像样本集,对神经网络进行训练,以得到所述边界线区域识别模型。
可选的,在所述图像中物体的边缘检测装置中,所述装置还包括:变换模块,用于获得多条所述目标边界线的多个交点,对多个所述交点和多条所述目标边界线确定的区域进行投影变换,得到所述图像中的所述物体的正视图。
第三方面,本发明还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口,所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述第一方面所述的图像中物体的边缘检测方法的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面述所述的图像中物体的边缘检测方法的步骤。
与现有技术相比,本发明提供的一种图像中物体的边缘检测方法、装置、电子设备和计算机可读存储介质具有如下有益效果:
首先获得图像中灰度轮廓的线条图,将线条图中相似的线条进行合并得到多条初始合并线条,并根据多条初始合并线条确定一边界矩阵,并且继续将多条初始合并线条中相似的线条进行合并得到目标线条,同时将不能合并的初始合并线条也直接作为目标线条,然后根据边界矩阵从多条目标线条中确定多条参考边界线,同时还通过预先训练的边界线区域识别模型对图像进行处理,得到图像中物体的多个边界线区域,从而可以针对每一边界线区域,从多条参考边界线中确定与该边界线区域项对应的目标边界线,进而根据确定的多条目标边界线确定图像中物体的边缘。本发明通过根据图像获得参考边界线,结合机器学习识别边界线区域,从而共同确定图像中物体的目标边界线,实现了对图像中物体的边缘检测,能够快速定位图像中物体边缘的位置,并且提高边缘检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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附图。
图1是本发明一实施例提供的图像中物体的边缘检测方法的流程图;
图2A-图2C是本发明一具体实施例中图像的示例图;
图3A-图3C是本发明另一具体实施例中图像的示例图;
图4是线条合并过程的对照示意图;
图5是本发明一实施例提供的图像中物体的边缘检测装置的结构图;
图6是本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种图像中物体的边缘检测方法、装置、电子设备及计算机可读存储介质作进一步详细说明。根据权利要求书和下面说明,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。此外,需要说明的是,本文的框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机程序指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图1至6。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
为解决现有技术的问题,本发明实施例提供了一种图像中物体的边缘检测方法、装置、电子设备及计算机可读存储介质。
需要说明的是,本发明实施例的图像中物体的边缘检测方法可应用于本发明实施例的图像中物体的边缘检测装置,该图像中物体的边缘检测装置可被配置于电子设备上。其中,该电子设备可以是个人计算机、移动终端等,该移动终端可以是手机、平板电脑等具有各种操作***的硬件设备。
图1是本发明一实施例提供的一种图像中物体的边缘检测方法的流程示意图。请参考图1,一种图像中物体的边缘检测方法可以包括如下步骤:
步骤S101,对图像进行处理,获得所述图像中灰度轮廓的线条图。
其中,所述图像为用户对某一物体进行拍照所得的图像,物体例如可以是名片、试卷、化验单、文档等。如图2A、图3A所示的图像,其分别是对化验单和名片进行拍照所得的图像。
具体的,对图像进行处理,获得所述图像中灰度轮廓的线条图的方式,可以为:通过基于OpenCV的边缘检测算法对所述图像进行处理,获得所述图像中灰度轮廓的线条图。OpenCV为一种开源计算机视觉库,基于OpenCV的边缘检测算法包括Sobel、Scarry、Canny、Laplacian、Prewitt、Marr-Hildresh、scharr等多种算法。其中,本实施例中采用Canny边缘检测算法,Canny边缘检测算法是一个多阶段的算法,即由多个步骤构成,包括:1、图像降噪:用高斯滤波器平滑图像;2、计算图像梯度:用一阶偏导有限差分计算梯度幅值和方向;3、非极大值抑制:对梯度幅值进行非极大值抑制;4、阈值筛选:用双阈值算法检测和连接边缘。
通过上述算法处理后,可得到所述图像中灰度轮廓的线条图,例如对图2A、图3A所示的图像通过上述算法处理后,分别得到如图2B、图3B所示的线条图,在线条图中,各个线条实际上是一段一段很小的线段,其中,图像中物体的边界线线条实际上也被分为一段一段很小的线段,因此需要将相似的线条连接起来,并进行后续处理以得到物体的边界线线条。在实际应用中,线条图中各个小线段的表现形式是数组的形式,每个线段都是由起点和终点对应的像素点在整个线条图中的坐标值组成。
步骤S102,将所述线条图中相似的线条进行合并,得到多条初始合并线条,并根据多条所述初始合并线条确定一边界矩阵。
具体的,按照以下方式将所述线条图中相似的线条进行合并,得到多条初始合并线条:步骤A:获取所述线条图中的长线条;其中,所述长线条为长度超过第一预设阈值的线条;步骤B:从所述长线条中获取多组第一类线条;其中,所述第一类线条包括至少两个依次相邻的长线条,且任意相邻的两长线条之间的夹角均小于预设阈值;步骤C:针对每一组第一类线条,将该组第一类线条中的各个长线条依次进行合并得到一条初始合并线条。
在步骤A中,所述线条图中的长线条指的是所述线条图中长度超过一定阈值的线条,例如将长度超过2像素的线条定义为长线条。仅获取所述线条图中的长线条进行后续合并处理,而不考虑所述线条图中的一些较短的线条,这样可以在合并线条时避免物体内部和外部的线条干扰,例如内部的文字和图形、外部的其它物体等的对应的线条。
对于步骤B,可以通过以下方式获取第一类线条:首先选择一个长线条,然后从该长线条开始依次判断两条相邻线条之间的夹角是否小于第二预设阈值,若判断出某一长线条与相邻线条之间的夹角不小于第二预设阈值时,则可以将所选择的长线条以及到该某一长线条之间的所有依次相邻的长线条组成一组第一类线条,接着再重复上述过程,从该某一长线条的相邻线条开始依次判断两条相邻线条之间的夹角是否小于第二预设阈值,依次类推,直到遍历完所有长线条,从而得到多组第一类线条。
下面以图4为例,对上述过程进行说明。在一个实施例中,例如首先选择第一个长线条A,判断该长线条A与相邻线条B之间的夹角是否小于第二预设阈值,二者之间的夹角是小于第二预设阈值的,表示长线条A、B是属于同一组第一类线条的,再继续判断长线条B与相邻线条C的夹角,二者之间的夹角也是小于第二预设阈值的,表示长线条C与B、A也是属于同一组第一类线条的,继续判断长线条C与相邻线条D的夹角,二者之间的夹角也是小于第二预设阈值的,表示长线条D与C、B、A也是属于同一组第一类线条的,继续判断长线条D与相邻线条E的夹角,二者之间的夹角是大于第二预设阈值的,表示长线条E与D、C、B、A不属于同一组第一类线条,进而可以将长线条A、B、C、D作为一组第一类线条。然后,再从长线条E开始依次判断两条相邻线条之间的夹角是否小于第二预设阈值,同样的方式可以得到长线条G、H、I、J为一组第一类线条,长线条M、N、O也为一组第一类线条。
在另一个实施例中,也可以首先任意选择一个长线条,例如选择长线条D,与该长线条D相邻的线条有C和E,则分别判断长线条D、C之间的夹角以及线条D、E之间的夹角,由于D、C之间的夹角小于第二预设阈值,则D、C属于同一组第一类线条,由于D、E之间的夹角大于第二预设阈值,则D、E不属于同一组第一类线条,然后一方面可以继续从长线条C开始判断依次相邻的其它线条之间的夹角,从而确定与D属于同一组第一类线条的其它线条、以及其他组的第一类线条,另一方面可以从长线条E开始判断依次相邻的其它线条之间的夹角,从而确定其他组的第一类线条。以此类推,最终也可确定出长线条A、B、C、D为一组第一类线条,长线条G、H、I、J为一组第一类线条,长线条M、N、O也为一组第一类线条。
在步骤C中将两个线条合并,指的是将两个线条的斜率取平均值,此平均值为合并后线条的斜率。在实际应用中,两个线条合并是根据两个线条的数组形式进行计算,从而计算得到合并后线条的起点和终点对应的像素点在整个线条图中的坐标值,进而根据计算得到的坐标值形成合并后线条的数组并进行存储。将每一组第一类线条中的各个长线条依次进行合并,举例而言,将图4中第一组第一类线条A、B、C、D依次合并,可以是先将长线条A与B合并,合并后得到的新线条再与长线条C合并,与长线条C合并后的得到的新线条再与长线条D合并,从而得到初始合并线条1。同理,对第二组第一类线条经过合并后得到初始合并线条2,对第三组第一类线条经过合并后得到初始合并线条3。经过上述合并后,长线条中还有E、F、K、L没有被合并。
另外,所述边界矩阵通过以下方式确定:对多条所述初始合并线条以及所述长线条中未合并的线条进行重新绘制,将重新绘制的所有线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中这些线条的像素点所在位置的值设置第一数值、这些线条以外的像素点所在位置的值设置为第二数值,从而形成边界矩阵。具体而言,所述边界矩阵可以是一个与图像矩阵大小相同的矩阵,例如图像的大小为1024×1024像素,则图像矩阵为1024×1024的矩阵,那么边界矩阵也就是一个1024×1024的矩阵,将多条所述初始合并线条以及所述长线条中未合并的线条按照一定的线宽(如线宽为2)重新绘制,根据重新绘制的线条的像素点对应到矩阵中的位置来对边界矩阵进行值的填充,线条上像素点对应到矩阵中的位置都设定为第一数值例如255,没有线条的像素点对应到矩阵中的位置设定为第二数值例如0,从而形成整个图片的超大矩阵即边界矩阵。需要说明的是,由于多条所述初始合并线条以及所述长线条中未合并的线条均是以数组的形式存储的,因此在确定所述边界矩阵时需要将其形成为实际线条数据,因此将线条重新绘制例如按照线宽为2进行重新绘制,从而获得每个线条上各个点对应的像素点的坐标值,进而根据所获得的坐标值对所述边界矩阵中进行值的填充,例如将所述边界矩阵中与坐标值相对应的位置的值设为255,其余位置的值设为0。
下面示例性的提供一个边界矩阵,该边界矩阵为10×10矩阵,其中该边界矩阵中所有值为255的位置连接起来即为多条初始合并线条以及长线条中未合并的线条。
步骤S103,将多条所述初始合并线条中相似的线条进行合并得到目标线条,并且将未合并的所述初始合并线条也作为目标线条。
在步骤S102中,合并后的初始合并线条为多条较长的线条。步骤S103可以根据上述步骤S102中的合并规则,继续判断多条初始合并线条中是否存在相似的线条从而将相似线条再次进行合并得到多条目标线条,同时将不能进行合并的初始合并线条也作为目标线条。
其中,将多条所述初始合并线条中相似的线条进行合并得到目标线条的具体的合并步骤如下:步骤a:从多条所述初始合并线条中获取多组第二类线条;其中,所述第二类线条包括至少两个依次相邻的初始合并线条,且任意相邻的两初始合并线条之间的夹角均小于第三预设阈值;步骤b:针对每一组第二类线条,将该组第二类线条中的各个初始合并线条依次进行合并得到一条目标线条。
上述对初始合并线条进行合并的步骤的原理,与步骤S102中对线条图中线条进行合并的原理相同,可以参见步骤S102中的相关描述,在此不做赘述。其中,所述第三预设阈值可以和所述第二预设阈值相同,也可以不同,本实施例对此不做限定,例如将所述第三预设阈值设置为夹角10度。如图4所示的线条合并前后对照图,通过上述对初始合并线条1、2、3进行合并的步骤后,由于初始合并线条1和2的夹角小于第三预设阈值,而初始合并线条3与初始2的夹角大于第三预设阈值,因此,初始合并线条1、2可以进一步合并为目标线条12,初始合并线条3不能合并则将初始合并线条3直接作为一个目标线条。
至此获得了多条目标线条,在多条目标线条中不仅存在参考边界线,还存在一些较长的干扰线条,例如,内部的文字和图形、外部的其它物体等的对应的线条经过合并处理后得到的较长线条,这些干扰线条会根据后续的处理(具体通过步骤S104-步骤S105的处理)及规则进行去除。
步骤S104,根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线。
具体的,根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线,包括:首先,针对每一条所述目标线条,将该目标线条进行延长,根据延长后的该目标线条确定一线条矩阵,然后将该线条矩阵与所述边界矩阵进行对比,计算延长后的该目标线条上属于所述边界矩阵的像素点的个数,作为该目标线条的成绩,其中线条矩阵与边界矩阵的大小相同;然后,根据各个目标线条的成绩,从多条所述目标线条中确定多条参考边界线。
其中,所述线条矩阵可以按照以下方式确定:对延长后的目标线条进行重新绘制,将重新绘制的线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中线条的像素点所在位置的值设置为第一数值、线条以外的像素点所在位置的值设置为第二数值,从而形成线条矩阵。所述线条矩阵的形成方式与所述边界矩阵类似,在此不做赘述。需要说明的是,所述目标线条是以数组的形式存储的,即存储其起点和终点的坐标值,对目标线条进行延长后,延长后的目标线条在存储时是以延长后的目标线条的起点和终点的坐标值形成数组的,因此在对延长后的目标线条进行重新绘制时,也是按照相同的线宽例如线宽为2进行重新绘制,从而获得延长后的目标线条上各个点对应的像素点的坐标值,进而根据坐标值对线条矩阵进行值的填充,即将线条矩阵中与坐标值相对应的位置的值设为255,其余位置的值设为0。
将合并后的目标线条进行延长,判断其上的像素点落入步骤S102中初始合并线条和所述长线条中未合并的线条上最多的目标线条作为参考边界线。针对每一条目标线条,判断上有多少像素点是属于边界矩阵的,计算一个成绩,具体为:将该目标线条进行延长,该目标线条延长后所得的线条也按照边界矩阵的形成方式形成一线条矩阵,将该线条矩阵与边界矩阵进行对比来判断有多少像素点落入到边界矩阵里面,即判断两个矩阵中有多少相同位置的像素点具有相同的第一数值例如255,从而计算成绩。这时成绩最好的线条可能还是有较多条,因此,根据各个目标线条的成绩,从多条目标线条中确定成绩最好的多条目标线条作为参考边界线。
例如,一条延长后的目标线条形成的线条矩阵如下,通过将该线条矩阵与上述的边界矩阵进行对比可知延长后的该目标线条上有7个像素点落入到边界矩阵里面,从而得到该目标线条的成绩。
步骤S105,通过预先训练的边界线区域识别模型对所述图像进行处理,得到所述图像中物体的多个边界线区域。其中,所述边界线区域识别模型是基于神经网络的模型。
首先,通过机器学习训练来建立所述边界线区域识别模型,此模型可以为基于神经网络的模型,所述边界线区域识别模型可以通过如下过程训练得到:对图像样本集中的每个图像样本进行标注处理,以标注出每个图像样本中物体的边界线区域、内部区域和外部区域;以及通过经过标注处理的图像样本集,对神经网络进行训练,以得到边界线区域识别模型。
通过机器学习训练建立的所述边界线区域识别模型识别所述图像(即原始图像),可以识别出所述图像中的边界线区域、内部区域(即物体所在区域)和外部区域(即物体的外部区域)3个部分,从而获取原始图像的多张(如4张)各个方向的边缘轮廓图(即图像中物体边界线区域),此时边缘轮廓较粗。
可以理解的是,通过机器学习训练建立的模型来识别出所述图像中物体的边界线区域,并在后续步骤S106中通过边界线区域从步骤S104所确定的多个参考边界线中确定目标边界线,可以去除步骤S102和S103中误识别的线条,例如落入名片或者文档中间的线条、表格中间的线条等。
步骤S106,针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域项对应的目标边界线。
具体的,针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域相对应的目标边界线,可以包括:首先,计算每一条所述参考边界线的斜率;然后,针对每一个所述边界线区域,将该边界线区域转换为多条直线,并计算所述多条直线的平均斜率,再判断多条所述参考边界线中是否存在斜率与所述平均斜率相匹配的参考边界线,如果存在,将该参考边界线确定为与该边界线区域相对应的目标边界线。其中,可以利用霍夫变换将该边界线区域转换为多条直线,当然也可以采用其它方式进行转换,本实施例对此不做限定。
本实施例中,所述边界线区域中的边缘轮廓较粗,针对每一边界线区域,可以利用霍夫变换将边界线区域转换为多条直线,这些线条具有近似的斜率,求得平均斜率,然后和每一条参考边界线的斜率进行比较,判断多条参考边界线中是否存在斜率与所述平均斜率相匹配的参考边界线,即从多条参考边界线中找到最为近似的参考边界线,作为与该边界线区域相对应的目标边界线。
由于所确定的目标边界线的斜率与平均斜率的差距不能太大,因此在将平均斜率与每一参考边界线的斜率进行比较时,会设定一个比较阈值,当某一参考边界线的斜率与平均斜率之差的绝对值小于此比较阈值时,判定该参考边界线的斜率是与平均斜率相匹配的参考边界线,进而判定该参考边界线是与边界线区域相对应的目标边界线。
进一步的,针对每一个所述边界线区域,如果判断出多条所述参考边界线中不存在斜率与所述平均斜率相匹配的参考边界线,则进行如下处理:针对该边界线区域转换得到的每一条直线,将该直线形成的线条矩阵与所述边界矩阵进行对比,计算该直线上属于所述边界矩阵的像素点的个数,作为该直线的成绩;将成绩最好的直线确定为与该边界线区域相对应的目标边界线。如果成绩最好的直线有多条,则根据排序算法将其中最先出现的一条直线作为最佳边界线。其中,所述线条矩阵按照以下方式确定:对直线进行重新绘制,将重新绘制的线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中线条的像素点所在位置的值设置为第一数值、线条以外的像素点所在位置的值设置为第二数值,从而形成线条矩阵。所述线条矩阵的形成方式与所述边界矩阵类似,在此不做赘述。
如果不能从参考边界线中找到与某一边界线区域相对应的目标边界线,则对霍夫变换获取的多条直线按照步骤S102和S104中所述的形成矩阵的方式形成对应的线条矩阵,判断哪条直线的像素点落入边界矩阵里面的成绩最好,则认为是该边界线区域相对应的目标边界线。将直线形成的线条矩阵与边界矩阵进行对比来计算直线的成绩的方式可以参照步骤S104中的相关描述,在此不做赘述。
如图2A所示的图像,通过上述处理后得到的目标边界线为图2B中所示的四个较长线条;如图3A所示的图像,通过上述处理后得到的目标边界线为图3B中所示的四个较长线条。
步骤S107,根据确定的多条所述目标边界线确定所述图像中物体的边缘。
在确定多条目标边界线后,由于每条目标边界线均对应图像中物体的一个边界线区域,因此多条目标边界线构成了图像中物体的边缘。如图2A所示的图像,图像中物体的边缘由图2B中的四个较长线条即目标边界线a1、a2、a3、a4构成;如图3A所示的图像,图像中物体的边缘由图3B中的四个较长线条即目标边界线b1、b2、b3、b4构成。
进一步的,还可以获得多条所述目标边界线的多个交点,对多个所述交点和多条所述目标边界线确定的区域进行投影变换,得到所述图像中的所述物体的正视图。每两条相邻的目标边界线相交得到一个交点,各个交点和各个目标边界线共同限定了图像中物体所在的区域。
投影变换(Perspective Transformation)是将图片投影到一个新的视平面(Viewing Plane),也称作投影映射(Projective Mapping)。由于拍照所得的图像中,物体的真实形状在图像中发生了变化,即产生了几何畸变。如图2A所示的图像,化验单的形状本来为矩形,但是图像中化验单的形状发生了变化,变为了平行四边形。因此,对图像中物体所在的区域进行投影变换,可以将图像中物体所在区域由平行四边形变换为正方形,即将图像中物体所在的区域转正,从而去除几何畸变的影响,得到图像中物体的正视图。其中,投影变换是根据空间投影换算坐标来将像素进行处理获取正视图的,在此不做赘述。如图2A所示的图像,最终获取的图像中物体化验单的正视图如图2C所示;如图3A所示的图像,最终获取的图像中物体名片的正视图如图3C所示。
综上所述,本实施例首先获得图像中灰度轮廓的线条图,将线条图中相似的线条进行合并得到多条初始合并线条,并根据多条初始合并线条确定一边界矩阵,并且继续将多条初始合并线条中相似的线条进行合并得到目标线条,同时将不能合并的初始合并线条也直接作为目标线条,然后根据边界矩阵从多条目标线条中确定多条参考边界线,同时还通过预先训练的边界线区域识别模型对图像进行处理,得到图像中物体的多个边界线区域,从而可以针对每一边界线区域,从多条参考边界线中确定与该边界线区域项对应的目标边界线,进而根据确定的多条目标边界线确定图像中物体的边缘。本实施例通过根据图像获得参考边界线,结合机器学习识别边界线区域,从而共同确定图像中物体的目标边界线,实现了对图像中物体的边缘检测,能够快速定位图像中物体边缘的位置,并且提高边缘检测的准确性。
相应于上述方法实施例,本发明一实施例还提供了一种图像中物体的边缘检测装置,图5是本发明一实施例提供的一种图像中物体的边缘检测装置的结构示意图。请参考图5,一种图像中物体的边缘检测装置包括:
获得模块201,用于对图像进行处理,获得图像中灰度轮廓的线条图;
第一合并模块202,用于将所述线条图中相似的线条进行合并,得到多条初始合并线条,并根据多条所述初始合并线条确定一边界矩阵;
第二合并模块203,用于将多条所述初始合并线条中相似的线条进行合并得到目标线条,并且将未合并的所述初始合并线条也作为目标线条;
第一确定模块204,用于根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线;
识别模块205,用于通过预先训练的边界线区域识别模型对所述图像进行处理,得到所述图像中物体的多个边界线区域;其中,所述边界线区域识别模型是基于神经网络的模型;
第二确定模块206,用于针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域项对应的目标边界线;
第三确定模块207,用于根据确定的多条所述目标边界线确定所述图像中物体的边缘。
可选的,所述获得模块201,具体用于:通过基于OpenCV的边缘检测算法对图像进行处理,获得所述图像中灰度轮廓的线条图。
可选的,所述第一合并模块202将所述线条图中相似的线条进行合并,得到多条初始合并线条,具体为:获取所述线条图中的长线条,其中,所述长线条为长度超过第一预设阈值的线条;从所述长线条中获取多组第一类线条,其中,所述第一类线条包括至少两个依次相邻的长线条,且任意相邻的两长线条之间的夹角均小于预设阈值;针对每一组第一类线条,将该组第一类线条中的各个长线条依次进行合并得到一条初始合并线条。
可选的,所述第二合并模块203将多条所述初始合并线条中相似的线条进行合并得到目标线条,具体为:从多条所述初始合并线条中获取多组第二类线条;其中,所述第二类线条包括至少两个依次相邻的初始合并线条,且任意相邻的两初始合并线条之间的夹角均小于第三预设阈值;针对每一组第二类线条,将该组第二类线条中的各个初始合并线条依次进行合并得到一条目标线条。
可选的,所述边界矩阵通过以下方式确定:对多条所述初始合并线条以及所述长线条中未合并的线条进行重新绘制,将重新绘制的所有线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中这些线条的像素点所在位置的值设置第一数值、这些线条以外的像素点所在位置的值设置为第二数值,从而形成边界矩阵。
可选的,所述第一确定模块204,包括:
第一计算子模块,用于针对每一条所述目标线条,将该目标线条进行延长,根据延长后的该目标线条确定一线条矩阵,然后将该线条矩阵与所述边界矩阵进行对比,计算延长后的该目标线条上属于所述边界矩阵的像素点的个数,作为该目标线条的成绩;其中,所述线条矩阵与所述边界矩阵的大小相同;
第一确定子模块,用于根据各个目标线条的成绩,从多条所述目标线条中确定多条参考边界线。
可选的,所述第二确定模块206,包括:
第二计算子模块,用于计算每一条所述参考边界线的斜率;
第二确定子模块,用于针对每一个所述边界线区域,将该边界线区域转换为多条直线,并计算所述多条直线的平均斜率,再判断多条所述参考边界线中是否存在斜率与所述平均斜率相匹配的参考边界线,如果存在,将该参考边界线确定为与该边界线区域相对应的目标边界线。
可选的,所述第二确定子模块,还用于:针对每一个所述边界线区域,如果判断出多条所述参考边界线中不存在斜率与所述平均斜率相匹配的参考边界线,则针对该边界线区域转换得到的每一条直线,将该直线形成的线条矩阵与所述边界矩阵进行对比,计算该直线上属于所述边界矩阵的像素点的个数,作为该直线的成绩;将成绩最好的直线确定为与该边界线区域相对应的目标边界线;其中,所述线条矩阵与所述边界矩阵的大小相同。
可选的,所述第二确定子模块将该边界线区域转换为多条直线,具体为:利用霍夫变换将该边界线区域转换为多条直线。
可选的,所述线条矩阵按照以下方式确定:对延长后的目标线条或直线进行重新绘制,将重新绘制的线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中线条的像素点所在位置的值设置为第一数值、线条以外的像素点所在位置的值设置为第二数值,从而形成线条矩阵。
可选的,所述装置还包括:模型训练模块,用于按照以下方式训练得到边界线区域识别模型;
对图像样本集中的每个图像样本进行标注处理,以标注出每个图像样本中物体的边界线区域、内部区域和外部区域;通过经过标注处理的图像样本集,对神经网络进行训练,以得到所述边界线区域识别模型。
可选的,所述装置还包括:变换模块,用于获得多条所述目标边界线的多个交点,对多个所述交点和多条所述目标边界线确定的区域进行投影变换,得到所述图像中的所述物体的正视图。
综上所述,本实施例首先获得图像中灰度轮廓的线条图,将线条图中相似的线条进行合并得到多条初始合并线条,并根据多条初始合并线条确定一边界矩阵,并且继续将多条初始合并线条中相似的线条进行合并得到目标线条,同时将不能合并的初始合并线条也直接作为目标线条,然后根据边界矩阵从多条目标线条中确定多条参考边界线,同时还通过预先训练的边界线区域识别模型对图像进行处理,得到图像中物体的多个边界线区域,从而可以针对每一边界线区域,从多条参考边界线中确定与该边界线区域项对应的目标边界线,进而根据确定的多条目标边界线确定图像中物体的边缘。本实施例通过根据图像获得参考边界线,结合机器学习识别边界线区域,从而共同确定图像中物体的目标边界线,实现了对图像中物体的边缘检测,能够快速定位图像中物体边缘的位置,并且提高边缘检测的准确性。
本发明一实施例还提供了一种电子设备,图6是本发明一实施例提供的一种电子设备的结构示意图。请参考图6,一种电子设备包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,存储器303用于存放计算机程序,处理器301用于执行存储器303上所存放的程序时,实现如下步骤:
对图像进行处理,获得所述图像中灰度轮廓的线条图;
获取所述线条图中的长线条,将所述长线条中相似的线条进行合并,得到多条初始合并线条,并根据多条所述初始合并线条以及所述长线条中未合并的线条确定一边界矩阵;
将多条所述初始合并线条中相似的线条进行合并,得到多条目标线条;
根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线;
通过预先训练的边界线区域识别模型对所述图像进行处理,得到所述图像中物体的多个边界线区域;其中,所述边界线区域识别模型是通过标注有边界线区域的图像样本对神经网络模型进行训练得到的;
针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域项对应的目标边界线;
根据确定的多条所述目标边界线确定所述图像中物体的边缘。
关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图1所示的方法实施例,在此不做赘述。另外,处理器301执行存储器303上所存放的程序而实现的人工客户端的标注准确率的确定方法的其他实现方式,与前述方法实施例部分所提及的实现方式相同,这里也不再赘述。
综上所述,本实施例首先获得图像中灰度轮廓的线条图,将线条图中相似的线条进行合并得到多条初始合并线条,并根据多条初始合并线条确定一边界矩阵,并且继续将多条初始合并线条中相似的线条进行合并得到目标线条,同时将不能合并的初始合并线条也直接作为目标线条,然后根据边界矩阵从多条目标线条中确定多条参考边界线,同时还通过预先训练的边界线区域识别模型对图像进行处理,得到图像中物体的多个边界线区域,从而可以针对每一边界线区域,从多条参考边界线中确定与该边界线区域项对应的目标边界线,进而根据确定的多条目标边界线确定图像中物体的边缘。本实施例通过根据图像获得参考边界线,结合机器学习识别边界线区域,从而共同确定图像中物体的目标边界线,实现了对图像中物体的边缘检测,能够快速定位图像中物体边缘的位置,并且提高边缘检测的准确性。
所述电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
本发明一实施例提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,该计算机程序被处理器执行时能实现如下步骤:
对图像进行处理,获得所述图像中灰度轮廓的线条图;
获取所述线条图中的长线条,将所述线条图中相似的线条进行合并,得到多条初始合并线条,并根据多条所述初始合并线条确定一边界矩阵;
将多条所述初始合并线条中相似的线条进行合并,得到多条目标线条;
根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线;
通过预先训练的边界线区域识别模型对所述图像进行处理,得到所述图像中物体的多个边界线区域;其中,所述边界线区域识别模型是基于神经网络的模型;
针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域项对应的目标边界线;
根据确定的多条所述目标边界线确定所述图像中物体的边缘。
需要说明的是,上述计算机程序被处理器执行时实现的人工客户端的标注准确率的确定方法的其他实施例,与前述方法部分提及的人工客户端的标注准确率的确定方法的实施例相同,在此不再赘述。
综上所述,本实施例首先获得图像中灰度轮廓的线条图,将线条图中相似的线条进行合并得到多条初始合并线条,并根据多条初始合并线条确定一边界矩阵,并且继续将多条初始合并线条中相似的线条进行合并得到目标线条,同时将不能合并的初始合并线条也直接作为目标线条,然后根据边界矩阵从多条目标线条中确定多条参考边界线,同时还通过预先训练的边界线区域识别模型对图像进行处理,得到图像中物体的多个边界线区域,从而可以针对每一边界线区域,从多条参考边界线中确定与该边界线区域项对应的目标边界线,进而根据确定的多条目标边界线确定图像中物体的边缘。本实施例通过根据图像获得参考边界线,结合机器学习识别边界线区域,从而共同确定图像中物体的目标边界线,实现了对图像中物体的边缘检测,能够快速定位图像中物体边缘的位置,并且提高边缘检测的准确性。
所述可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备,例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所描述的计算机程序可以从可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收所述计算机程序,并转发该计算机程序,以供存储在各个计算/处理设备中的可读存储介质中。用于执行本发明操作的计算机程序可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。所述计算机程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施方式中,通过利用计算机程序的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施方式的方法、***和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序实现。这些计算机程序可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些程序在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机程序存储在可读存储介质中,这些计算机程序使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有该计算机程序的可读存储介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。也可以把计算机程序加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的计算机程序实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
需要说明的是,本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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过程、方法、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过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。在本文中使用的术语仅用于描述特定实施方式的目的,并非旨在限制本发明。如本文中所使用的,单数形式“一(a)”、“一(an)”和“一(the)”旨在也包括复数形式,除非在上下文中清楚地另外指出。如本文中所使用的,术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。当例如“中的至少一个”的表述处于一列元件之后时修饰整列元件,而不是修饰该列中的个别元件。如本文中所使用的,术语“基本上”、“约”以及类似术语被用作近似术语,而不是程度术语,并且意在表示测量值或计算值中的固有偏差,所述偏差将被那些本领域普通技术人员识别。此外,在描述本发明的实施方式时,“可以”的使用指的是“本发明的一个或多个实施方式”。如本文中所使用的,术语“使用”、“正使用”和“使用了”可以被认为分别与术语“利用”、“正利用”和“利用了”是同义的。同样,术语“示例性”意在指出实例或示例。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (20)
1.一种图像中物体的边缘检测方法,其特征在于,所述方法包括:
对图像进行处理,获得所述图像中灰度轮廓的线条图;
将所述线条图中相似的线条进行合并,得到多条初始合并线条,并根据多条所述初始合并线条确定一边界矩阵;
将多条所述初始合并线条中相似的线条进行合并得到目标线条,并且将未合并的所述初始合并线条也作为目标线条;
根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线;
通过预先训练的边界线区域识别模型对所述图像进行处理,得到所述图像中物体的多个边界线区域;其中,所述边界线区域识别模型是基于神经网络的模型;
针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域项对应的目标边界线;
根据确定的多条所述目标边界线确定所述图像中物体的边缘。
2.如权利要求1所述的一种图像中物体的边缘检测方法,其特征在于,所述对图像进行处理,获得所述图像中灰度轮廓的线条图,包括:
通过基于OpenCV的边缘检测算法对图像进行处理,获得所述图像中灰度轮廓的线条图。
3.如权利要求1所述的一种图像中物体的边缘检测方法,其特征在于,将所述线条图中相似的线条进行合并,得到多条初始合并线条,包括:
获取所述线条图中的长线条;其中,所述长线条为长度超过第一预设阈值的线条;
从所述长线条中获取多组第一类线条;其中,所述第一类线条包括至少两个依次相邻的长线条,且任意相邻的两长线条之间的夹角均小于第二预设阈值;
针对每一组第一类线条,将该组第一类线条中的各个长线条依次进行合并得到一条初始合并线条。
4.如权利要求1所述的一种图像中物体的边缘检测方法,其特征在于,将多条所述初始合并线条中相似的线条进行合并得到目标线条,包括:
从多条所述初始合并线条中获取多组第二类线条;其中,所述第二类线条包括至少两个依次相邻的初始合并线条,且任意相邻的两初始合并线条之间的夹角均小于第三预设阈值;
针对每一组第二类线条,将该组第二类线条中的各个初始合并线条依次进行合并得到一条目标线条。
6.如权利要求3所述的一种图像中物体的边缘检测方法,其特征在于,所述边界矩阵按照以下方式确定:对多条所述初始合并线条以及所述长线条中未合并的线条进行重新绘制,将重新绘制的所有线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中这些线条的像素点所在位置的值设置第一数值、这些线条以外的像素点所在位置的值设置为第二数值,从而形成边界矩阵。
7.如权利要求1所述的一种图像中物体的边缘检测方法,其特征在于,根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线,包括:
针对每一条所述目标线条,将该目标线条进行延长,根据延长后的该目标线条确定一线条矩阵,然后将该线条矩阵与所述边界矩阵进行对比,计算延长后的该目标线条上属于所述边界矩阵的像素点的个数,作为该目标线条的成绩;其中,所述线条矩阵与所述边界矩阵的大小相同;
根据各个目标线条的成绩,从多条所述目标线条中确定多条参考边界线。
8.如权利要求1所述的一种图像中物体的边缘检测方法,其特征在于,针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域相对应的目标边界线,包括:
计算每一条所述参考边界线的斜率;
针对每一个所述边界线区域,将该边界线区域转换为多条直线,并计算所述多条直线的平均斜率,再判断多条所述参考边界线中是否存在斜率与所述平均斜率相匹配的参考边界线,如果存在,将该参考边界线确定为与该边界线区域相对应的目标边界线。
9.如权利要求8所述的一种图像中物体的边缘检测方法,其特征在于,所述方法还包括:
针对每一个所述边界线区域,如果判断出多条所述参考边界线中不存在斜率与所述平均斜率相匹配的参考边界线,则针对该边界线区域转换得到的每一条直线,将该直线形成的线条矩阵与所述边界矩阵进行对比,计算该直线上属于所述边界矩阵的像素点的个数,作为该直线的成绩;将成绩最好的直线确定为与该边界线区域相对应的目标边界线;其中,所述线条矩阵与所述边界矩阵的大小相同。
10.如权利要求8所述的一种图像中物体的边缘检测方法,其特征在于,将该边界线区域转换为多条直线,包括:
利用霍夫变换将该边界线区域转换为多条直线。
11.如权利要求7或9所述的一种图像中物体的边缘检测方法,其特征在于,所述线条矩阵按照以下方式确定:对延长后的目标线条或直线进行重新绘制,将重新绘制的线条中的像素点的位置信息对应到整个图像矩阵中,将图像矩阵中线条的像素点所在位置的值设置为第一数值、线条以外的像素点所在位置的值设置为第二数值,从而形成线条矩阵。
12.如权利要求1所述的一种图像中物体的边缘检测方法,其特征在于,所述边界线区域识别模型按照以下方式训练得到:
对图像样本集中的每个图像样本进行标注处理,以标注出每个图像样本中物体的边界线区域、内部区域和外部区域;
通过经过标注处理的图像样本集,对神经网络进行训练,以得到所述边界线区域识别模型。
13.如权利要求1所述的一种图像中物体的边缘检测方法,其特征在于,所述方法还包括:
获得多条所述目标边界线的多个交点,对多个所述交点和多条所述目标边界线确定的区域进行投影变换,得到所述图像中的所述物体的正视图。
14.一种图像中物体的边缘检测装置,其特征在于,所述装置包括:
获得模块,用于对图像进行处理,获得所述图像中灰度轮廓的线条图;
第一合并模块,用于将所述线条图中相似的线条进行合并,得到多条初始合并线条,并根据多条所述初始合并线条确定一边界矩阵;
第二合并模块,用于将多条所述初始合并线条中相似的线条进行合并得到目标线条,并且将未合并的所述初始合并线条也作为目标线条;
第一确定模块,用于根据所述边界矩阵,从多条所述目标线条中确定多条参考边界线;
识别模块,用于通过预先训练的边界线区域识别模型对所述图像进行处理,得到所述图像中物体的多个边界线区域;其中,所述边界线区域识别模型是基于神经网络的模型;
第二确定模块,用于针对每一所述边界线区域,从多条所述参考边界线中确定与该边界线区域项对应的目标边界线;
第三确定模块,用于根据确定的多条所述目标边界线确定所述图像中物体的边缘。
15.如权利要求14所述的一种图像中物体的边缘检测装置,其特征在于,所述第一合并模块将所述线条图中相似的线条进行合并,得到多条初始合并线条,具体为:
获取所述线条图中的长线条;其中,所述长线条为长度超过第一预设阈值的线条;
从所述长线条中获取多组第一类线条;其中,所述第一类线条包括至少两个依次相邻的长线条,且任意相邻的两长线条之间的夹角均小于预设阈值;
针对每一组第一类线条,将该组第一类线条中的各个长线条依次进行合并得到一条初始合并线条。
16.如权利要求14所述的一种图像中物体的边缘检测装置,其特征在于,所述第一确定模块,包括:
第一计算子模块,用于针对每一条所述目标线条,将该目标线条进行延长,根据延长后的该目标线条确定一线条矩阵,然后将该线条矩阵与所述边界矩阵进行对比,计算延长后的该目标线条上属于所述边界矩阵的像素点的个数,作为该目标线条的成绩;其中,所述线条矩阵与所述边界矩阵的大小相同;
第一确定子模块,用于根据各个目标线条的成绩,从多条所述目标线条中确定多条参考边界线。
17.如权利要求14所述的一种图像中物体的边缘检测装置,其特征在于,所述第二确定模块,包括:
第二计算子模块,用于计算每一条所述参考边界线的斜率;
第二确定子模块,用于针对每一个所述边界线区域,将该边界线区域转换为多条直线,并计算所述多条直线的平均斜率,再判断多条所述参考边界线中是否存在斜率与所述平均斜率相匹配的参考边界线,如果存在,将该参考边界线确定为与该边界线区域相对应的目标边界线。
18.如权利要求17所述的一种图像中物体的边缘检测装置,其特征在于,所述第二确定子模块,还用于:
针对每一个所述边界线区域,如果判断出多条所述参考边界线中不存在斜率与所述平均斜率相匹配的参考边界线,则针对该边界线区域转换得到的每一条直线,将该直线形成的线条矩阵与所述边界矩阵进行对比,计算该直线上属于所述边界矩阵的像素点的个数,作为该直线的成绩;将成绩最好的直线确定为与该边界线区域相对应的目标边界线;其中,所述线条矩阵与所述边界矩阵的大小相同。
19.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器,所述通信接口,所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-13任一所述的方法步骤。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-13任一项所述的方法步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910407150.7A CN111951290B (zh) | 2019-05-16 | 2019-05-16 | 一种图像中物体的边缘检测方法及装置 |
PCT/CN2019/103850 WO2020228187A1 (zh) | 2019-05-16 | 2019-08-30 | 边缘检测方法、装置、电子设备和计算机可读存储介质 |
US16/981,293 US11636604B2 (en) | 2019-05-16 | 2019-08-30 | Edge detection method and device, electronic equipment, and computer-readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910407150.7A CN111951290B (zh) | 2019-05-16 | 2019-05-16 | 一种图像中物体的边缘检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951290A true CN111951290A (zh) | 2020-11-17 |
CN111951290B CN111951290B (zh) | 2023-11-03 |
Family
ID=73290268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910407150.7A Active CN111951290B (zh) | 2019-05-16 | 2019-05-16 | 一种图像中物体的边缘检测方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11636604B2 (zh) |
CN (1) | CN111951290B (zh) |
WO (1) | WO2020228187A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418204A (zh) * | 2020-11-18 | 2021-02-26 | 杭州未名信科科技有限公司 | 基于纸质文档的文本识别方法、***及计算机介质 |
CN112542007A (zh) * | 2020-11-30 | 2021-03-23 | 福州外语外贸学院 | 一种金融取款间危险目标检测方法及*** |
CN112634235A (zh) * | 2020-12-24 | 2021-04-09 | 深圳艾灵网络有限公司 | 产品图像的边界检测方法和电子设备 |
CN113034527A (zh) * | 2021-03-30 | 2021-06-25 | 长江存储科技有限责任公司 | 边界检测方法及相关产品 |
CN113380394A (zh) * | 2021-06-18 | 2021-09-10 | 上海睿刀医疗科技有限公司 | 确定电极针消融边界的方法、装置、电子设备及存储介质 |
WO2021233266A1 (zh) * | 2020-05-21 | 2021-11-25 | 杭州睿琪软件有限公司 | 边缘检测方法和装置、电子设备和存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11798158B2 (en) * | 2021-11-16 | 2023-10-24 | GM Global Technology Operations LLC | Systems and methods for monitoring chain health |
CN114329715A (zh) * | 2021-12-29 | 2022-04-12 | 深圳须弥云图空间科技有限公司 | 面积边界线生成方法、装置、介质与电子设备 |
CN115170570B (zh) * | 2022-09-07 | 2022-11-18 | 南通睿谷纺织科技有限公司 | 基于灰度游程矩阵的织物起毛起球检测方法 |
CN116385446B (zh) * | 2023-06-06 | 2023-08-15 | 山东德圣源新材料有限公司 | 一种用于勃姆石生产的晶体杂质检测方法 |
CN116452586B (zh) * | 2023-06-15 | 2023-09-26 | 山东飞宏工程机械有限公司 | 一种隧道小导管余料自动对焊质量检测*** |
CN117152421B (zh) * | 2023-10-31 | 2024-03-22 | 南方电网数字电网研究院股份有限公司 | 输电线路异物检测方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110187721A1 (en) * | 2008-02-21 | 2011-08-04 | Itaru Furukawa | Line drawing processing apparatus, storage medium storing a computer-readable program, and line drawing processing method |
CN102930540A (zh) * | 2012-10-26 | 2013-02-13 | 中国地质大学(武汉) | 城市建筑物轮廓检测的方法及*** |
JP2018028713A (ja) * | 2016-08-15 | 2018-02-22 | Jfeスチール株式会社 | 二次元画像のエッジ抽出方法 |
CN108765456A (zh) * | 2018-04-02 | 2018-11-06 | 上海鹰觉科技有限公司 | 基于直线边缘特征的目标跟踪方法、*** |
CN109165653A (zh) * | 2018-08-15 | 2019-01-08 | 西安电子科技大学 | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
CN109325930A (zh) * | 2018-09-12 | 2019-02-12 | 苏州优纳科技有限公司 | 边界缺陷的检测方法、装置及检测设备 |
CN111598074A (zh) * | 2020-05-21 | 2020-08-28 | 杭州睿琪软件有限公司 | 边缘检测方法和装置、电子设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488791B (zh) | 2015-11-25 | 2018-02-13 | 北京奇虎科技有限公司 | 自然背景中图像边缘的定位方法及装置 |
US10127670B2 (en) * | 2016-09-27 | 2018-11-13 | Xactware Solutions, Inc. | Computer vision systems and methods for detecting and modeling features of structures in images |
CN107622499B (zh) | 2017-08-24 | 2020-11-13 | 中国东方电气集团有限公司 | 一种基于目标二维轮廓模型的识别与空间定位方法 |
CN108647634A (zh) | 2018-05-09 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 图像边框查找方法、装置、计算机设备及存储介质 |
CN108564557B (zh) * | 2018-05-31 | 2020-08-25 | 京东方科技集团股份有限公司 | 图像校正方法及装置 |
CN109523603B (zh) * | 2018-10-24 | 2022-12-02 | 广东智媒云图科技股份有限公司 | 一种基于皴法风格的绘画方法、装置、终端设备及存储介质 |
US10922860B2 (en) * | 2019-05-13 | 2021-02-16 | Adobe Inc. | Line drawing generation |
-
2019
- 2019-05-16 CN CN201910407150.7A patent/CN111951290B/zh active Active
- 2019-08-30 WO PCT/CN2019/103850 patent/WO2020228187A1/zh active Application Filing
- 2019-08-30 US US16/981,293 patent/US11636604B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110187721A1 (en) * | 2008-02-21 | 2011-08-04 | Itaru Furukawa | Line drawing processing apparatus, storage medium storing a computer-readable program, and line drawing processing method |
CN102930540A (zh) * | 2012-10-26 | 2013-02-13 | 中国地质大学(武汉) | 城市建筑物轮廓检测的方法及*** |
JP2018028713A (ja) * | 2016-08-15 | 2018-02-22 | Jfeスチール株式会社 | 二次元画像のエッジ抽出方法 |
CN108765456A (zh) * | 2018-04-02 | 2018-11-06 | 上海鹰觉科技有限公司 | 基于直线边缘特征的目标跟踪方法、*** |
CN109165653A (zh) * | 2018-08-15 | 2019-01-08 | 西安电子科技大学 | 一种基于语义线段近邻连接的sar图像聚集区域的提取方法 |
CN109325930A (zh) * | 2018-09-12 | 2019-02-12 | 苏州优纳科技有限公司 | 边界缺陷的检测方法、装置及检测设备 |
CN111598074A (zh) * | 2020-05-21 | 2020-08-28 | 杭州睿琪软件有限公司 | 边缘检测方法和装置、电子设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
JOAO MANUEL R. S. TAVARES等: "A New Approach for Merging Edge Line Segments", 《HTTPS://HDL.HANDLE.NET/10216/420》, pages 1 - 6 * |
MEHDI RAHNAMA等: "TecLines: A MATLAB-Based Toolbox for Tectonic Lineament Analysis from Satellite Images and DEMs, Part 2: Line Segments Linking and Merging", 《REMOTE SENS》, vol. 6, no. 11, pages 11468 - 11493 * |
曹姝清;刘宗明;牟金震;张翰墨;张宇;: "空间目标快速轮廓特征提取与跟踪技术", 飞控与探测, no. 02, pages 38 - 43 * |
谭琦等: "基于多特征的前方车辆实时检测方法", 《天津工业大学学报》, vol. 32, no. 03, pages 72 - 77 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021233266A1 (zh) * | 2020-05-21 | 2021-11-25 | 杭州睿琪软件有限公司 | 边缘检测方法和装置、电子设备和存储介质 |
CN112418204A (zh) * | 2020-11-18 | 2021-02-26 | 杭州未名信科科技有限公司 | 基于纸质文档的文本识别方法、***及计算机介质 |
CN112542007A (zh) * | 2020-11-30 | 2021-03-23 | 福州外语外贸学院 | 一种金融取款间危险目标检测方法及*** |
CN112634235A (zh) * | 2020-12-24 | 2021-04-09 | 深圳艾灵网络有限公司 | 产品图像的边界检测方法和电子设备 |
CN113034527A (zh) * | 2021-03-30 | 2021-06-25 | 长江存储科技有限责任公司 | 边界检测方法及相关产品 |
CN113380394A (zh) * | 2021-06-18 | 2021-09-10 | 上海睿刀医疗科技有限公司 | 确定电极针消融边界的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220215557A1 (en) | 2022-07-07 |
WO2020228187A1 (zh) | 2020-11-19 |
US11636604B2 (en) | 2023-04-25 |
CN111951290B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951290B (zh) | 一种图像中物体的边缘检测方法及装置 | |
CN110427932B (zh) | 一种识别图像中多个票据区域的方法及装置 | |
CN112348815B (zh) | 图像处理方法、图像处理装置以及非瞬时性存储介质 | |
CN111598074B (zh) | 边缘检测方法和装置、电子设备和存储介质 | |
US11120254B2 (en) | Methods and apparatuses for determining hand three-dimensional data | |
KR102016082B1 (ko) | 딥러닝 기반의 포즈 변화에 강인한 얼굴 인식 방법 및 장치 | |
CN108875723B (zh) | 对象检测方法、装置和***及存储介质 | |
WO2020252920A1 (zh) | 图片校正方法、装置、计算机设备及计算机可读存储介质 | |
CN108875731B (zh) | 目标识别方法、装置、***及存储介质 | |
US20170236258A1 (en) | System and method for finding lines in an image with a vision system | |
US20230267619A1 (en) | Method and system of recognizing object edges and computer-readable storage medium | |
CN109479082B (zh) | 图象处理方法及装置 | |
CN109919971B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN111860489A (zh) | 一种证件图像校正方法、装置、设备及存储介质 | |
CN108573471B (zh) | 图像处理装置、图像处理方法以及记录介质 | |
CN109948521B (zh) | 图像纠偏方法和装置、设备及存储介质 | |
EP2954457A1 (en) | System and method for identifying similarities in different images | |
US11687886B2 (en) | Method and device for identifying number of bills and multiple bill areas in image | |
CN110738204B (zh) | 一种证件区域定位的方法及装置 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN114037992A (zh) | 仪表示数识别方法、装置、电子设备及存储介质 | |
CN108229583B (zh) | 一种基于主方向差分特征的快速模板匹配的方法及装置 | |
CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
CN112861870A (zh) | 指针式仪表图像矫正方法、***及存储介质 | |
CN111950554A (zh) | 一种身份证识别方法、装置、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 |