CN102346913B - 一种图像的多边形模型的简化方法 - Google Patents
一种图像的多边形模型的简化方法 Download PDFInfo
- Publication number
- CN102346913B CN102346913B CN 201110279661 CN201110279661A CN102346913B CN 102346913 B CN102346913 B CN 102346913B CN 201110279661 CN201110279661 CN 201110279661 CN 201110279661 A CN201110279661 A CN 201110279661A CN 102346913 B CN102346913 B CN 102346913B
- Authority
- CN
- China
- Prior art keywords
- summit
- current
- pixel point
- polygon model
- binary image
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Generation (AREA)
Abstract
本发明公开了一种图像的多边形模型的简化方法，通过扫描已知的二值化图像得到左边界像素点集和右边界像素点集，然后搜索左边界像素点集和右边界像素点集获取图像的凸多边形模型的所有顶点，再用凸多边形模型中长度最短的边的两条相邻边的延长线的交点替代长度最短的边的两个顶点，达到删除长度最短的边的目的，经过多次最短边的删除后得到顶点数与图像校正所需的参考点数相等的多边形模型，该多边形模型的顶点为图像校正的参考点，这种多边形模型的简化方法不仅简便快速，而且能够准确地获取图像校正所需的参考点。
Description
技术领域
本发明涉及一种图像处理技术，尤其是涉及一种图像的多边形模型的简化方法。
背景技术
多边形模型是计算机图形中最流行、最重要，且得到最广泛支持的模型表示方法。但随着技术的快速发展，图像的多边形模型的复杂性常常超过了系统的处理能力，为此人们提出了很多简化图像的多边形模型的算法。图像的多边形模型的简化也是图像校正的关键环节之一(图像的多边形模型的简化为图像校正提供参考点)，高精度的图像是保障图像识别和图像匹配有效进行的根本条件之一，因此图像的多边形模型的简化结果的好坏将严重影响到后续图像处理的图像识别和图像匹配的结果。
目前，已有的几何简化算法大多应用于三角形网格模型的简化，无法直接应用于多边形模型的简化。因此迫切需要一种新的方法对二维平面的多边形模型进行简化，以保证最终图像处理的精度。
发明内容
本发明所要解决的技术问题是提供一种简便快速，且能够为图像校正提供准确的参考点的多边形模型的简化方法。
本发明解决上述技术问题所采用的技术方案为：一种图像的多边形模型的简化方法，其特征在于包括以下步骤：
①获取一幅待处理的二值化图像，然后以自上而下、从左到右的水平扫描方式搜索二值化图像中每一行的第一个黑色像素点，将二值化图像中每一行的第一个黑色像素点按扫描顺序构成的集合定义为左边界像素点集，记为VL(x，y)，再以自下而上、从右到左的水平扫描方式搜索二值化图像中每一行的最后一个黑色像素点，将二值化图像中每一行的最后一个黑色像素点按扫描顺序构成的集合定义为右边界像素点集，记为VR(x，y)，其中，(x，y)表示二值化图像中的像素点的坐标位置；
②根据左边界像素点集VL(x，y)和右边界像素点集VR(x，y)，构建凸多边形模型，具体过程如下：
②-1、将左边界像素点集VL(x，y)中的第一个像素点作为凸多边形模型的起点，并将该起点的坐标位置保存到顶点集合V(x，y)中，将该起点作为当前顶点；
②-2、将当前顶点与左边界像素点集VL(x，y)中在当前顶点之后的各个像素点连线，然后计算每条连线与当前顶点所在的右侧的水平直线之间的夹角；
②-3、选取最大夹角对应的像素点，并将该像素点的坐标位置保存到顶点集合V(x，y)中，再将该像素点作为当前顶点，返回步骤②-2继续执行，直至左边界像素点集VL(x，y)中的所有像素点处理完毕；
②-4、判断当前顶点与右边界像素点集VR(x，y)中的第一个像素点是否重合，如果是，则执行步骤②-5，否则，将右边界像素点集VR(x，y)中的第一个像素点作为当前顶点，并将该当前顶点的坐标位置保存到顶点集合V(x，y)中，然后执行步骤②-5；
②-5、将当前顶点与右边界像素点集VR(x，y)中在当前顶点之后的各个像素点连线，然后计算每条连线与当前顶点所在的右侧的水平直线之间的夹角；
②-6、选取最小夹角对应的像素点，并将该像素点的坐标位置保存到顶点集合V(x，y)中，再将该像素点作为当前顶点，返回步骤②-5继续执行，直至右边界像素点集VR(x，y)中的所有像素点处理完毕；
②-7、判断当前顶点与凸多边形模型的起点是否重合，如果是，则从顶点集合V(x，y)中删除当前顶点的坐标位置，然后执行步骤②-8，否则，直接执行步骤②-8；
②-8、顺序连接顶点集合V(x，y)中的各个顶点构成凸多边形模型，顶点之间的连线为凸多边形模型的边；
③重复寻找凸多边形模型中长度最短的边，再用该长度最短的边的两条相邻边的延长线的交点的坐标位置替换顶点集合V(x，y)中该长度最短的边对应的两个顶点的坐标位置，直至顶点集合V(x，y)中所包含的顶点的个数为图像校正所需的参考点的个数，获得简化后的多边形模型，该简化后的多边形模型的顶点为图像校正的参考点。
所述的步骤①中左边界像素点集VL(x，y)和右边界像素点集VR(x，y)的获取过程为：
①-1、自上而下、从左到右对二值化图像进行水平扫描，将二值化图像中当前待水平扫描的行作为当前行；
①-2、水平扫描当前行，在当前行中搜索到第一个黑色像素点时，结束当前行的水平扫描，并保存搜索到的第一个黑色像素点的坐标位置；
①-3、将二值化图像中待水平扫描的下一行作为当前行，返回步骤①-2继续执行，直至二值化图像中的最后一行处理完毕，结束二值化图像的水平扫描；
①-4、将二值化图像中每一行的第一个黑色像素点按扫描顺序构成的集合定义为左边界像素点集，记为VL(x，y)；
①-5、自下而上、从右到左对二值化图像进行水平扫描，将二值化图像中当前待水平扫描的行作为当前行；
①-6、水平扫描当前行，在当前行中搜索到第一个黑色像素点时，结束当前行的水平扫描，并保存搜索到的第一个黑色像素点的坐标位置；
①-7、将二值化图像中待水平扫描的下一行作为当前行，返回步骤①-6继续执行，直至二值化图像中的第一行处理完毕，结束二值化图像的水平扫描；
①-8、将二值化图像中每一行的最后一个黑色像素点按扫描顺序构成的集合定义为右边界像素点集，记为VR(x，y)。
所述的步骤③的具体过程为：
③-1、计算凸多边形模型中每条边的长度，寻找长度最短的边，将该长度最短的边作为当前边；
③-2、延长当前边的两条相邻边，使当前边的两条相邻边的延长线相交于一点；
③-3、从顶点集合V(x，y)中删除当前边对应的两个顶点的坐标位置，并在删除位置处加入当前边的两条相邻边的延长线的交点的坐标位置，构成新的顶点集合V(x，y)和新的凸多边形模型；
③-4、判断顶点集合中所包含的顶点的个数与图像校正所需的参考点的个数是否相等，如果是，则结束边的删除，获得简化后的多边形模型，该简化后的多边形模型的顶点为图像校正的参考点，否则，返回步骤③-1继续执行。
所述的简化后的多边形模型的顶点的个数为4。
与现有技术相比，本发明的优点在于通过扫描已知的二值化图像得到左边界像素点集和右边界像素点集，然后搜索左边界像素点集和右边界像素点集获取图像的凸多边形模型的所有顶点，再用凸多边形模型中长度最短的边的两条相邻边的延长线的交点替代长度最短的边的两个顶点，达到删除长度最短的边的目的，经过多次最短边的删除后得到顶点数与图像校正所需的参考点数相等的多边形模型，该多边形模型的顶点为图像校正的参考点，这种多边形模型的简化方法不仅简便快速，而且能够准确地获取图像校正所需的参考点。此外，本发明的简化方法可以应用于图像识别、图像匹配和图像跟踪等方面的准备工作中，以剔除环境偏移、照片偏差等因素带来的误差影响，为工程后续分析提供了有力的保障。
附图说明
图1为本发明的简化方法的流程图；
图2为一幅待处理的二值化图像，该二值化图像中“×”表示黑色像素点；
图3为从图2所示的二值化图像中获取的构成左边界像素点集VL(x，y)的像素点和构成右边界像素点集VR(x，y)的像素点的示意图；
图4为搜索凸多边形模型的顶点的过程示意图；
图5为从图3中搜索凸多边形模型的顶点的过程示意图；
图6为从图3中搜索凸多边形模型的顶点的结果示意图；
图7为图6所示的各个顶点构成的凸多边形模型的示意图；
图8为从图7所示的凸多边形模型中删除长度最短的边的过程示意图；
图9为简化后的四边形的示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种图像的多边形模型的简化方法，其流程图如图1所示，其包括以下步骤：
①获取一幅待处理的二值化图像，如图2所示，该二值化图像中“×”表示黑色像素点，然后以自上而下、从左到右的水平扫描方式搜索二值化图像中每一行的第一个黑色像素点，将二值化图像中每一行的第一个黑色像素点按扫描顺序构成的集合定义为左边界像素点集，记为VL(x，y)，再以自下而上、从右到左的水平扫描方式搜索二值化图像中每一行的最后一个黑色像素点，将二值化图像中每一行的最后一个黑色像素点按扫描顺序构成的集合定义为右边界像素点集，记为VR(x，y)，其中，(x，y)表示二值化图像中的像素点的坐标位置。在二值化图像中，像素值为1的像素点是黑色像素点，像素值为0的像素点是白色像素点。
在此具体实施例中，左边界像素点集VL(x，y)和右边界像素点集VR(x，y)的获取过程为：
①-1、自上而下、从左到右对二值化图像进行水平扫描，将二值化图像中当前待水平扫描的行作为当前行。
①-2、水平扫描当前行，在当前行中搜索到第一个黑色像素点时，结束当前行的水平扫描，并保存搜索到的第一个黑色像素点的坐标位置。
①-3、将二值化图像中待水平扫描的下一行作为当前行，返回步骤①-2继续执行，直至二值化图像中的最后一行处理完毕，结束二值化图像的水平扫描。
①-4、将二值化图像中每一行的第一个黑色像素点按扫描顺序构成的集合定义为左边界像素点集，记为VL(x，y)。
①-5、自下而上、从右到左对二值化图像进行水平扫描，将二值化图像中当前待水平扫描的行作为当前行。
①-6、水平扫描当前行，在当前行中搜索到第一个黑色像素点时，结束当前行的水平扫描，并保存搜索到的第一个黑色像素点的坐标位置。
①-7、将二值化图像中待水平扫描的下一行作为当前行，返回步骤①-6继续执行，直至二值化图像中的第一行处理完毕，结束二值化图像的水平扫描。
①-8、将二值化图像中每一行的最后一个黑色像素点按扫描顺序构成的集合定义为右边界像素点集，记为VR(x，y)。
图3给出了从图2所示的二值化图像中获取的构成左边界像素点集VL(x，y)的像素点和构成右边界像素点集VR(x，y)的像素点，图3中
表示构成左边界像素点集VL(x，y)的像素点，
表示构成右边界像素点集VR(x，y)的像素点，“○”表示既属于左边界像素点集VL(x，y)又属于右边界像素点集VR(x，y)的像素点，虚线表示水平扫描线。
②根据左边界像素点集VL(x，y)和右边界像素点集VR(x，y)，构建凸多边形模型，具体过程如下：
②-1、将左边界像素点集VL(x，y)中的第一个像素点作为凸多边形模型的起点，并将该起点的坐标位置保存到顶点集合V(x，y)中，将该起点作为当前顶点。
②-2、将当前顶点与左边界像素点集VL(x，y)中在当前顶点之后的各个像素点连线，然后计算每条连线与当前顶点所在的右侧的水平直线之间的夹角。
②-3、选取最大夹角对应的像素点，并将该像素点的坐标位置保存到顶点集合V(x，y)中，再将该像素点作为当前顶点，返回步骤②-2继续执行，直至左边界像素点集VL(x，y)中的所有像素点处理完毕。
②-4、判断当前顶点与右边界像素点集VR(x，y)中的第一个像素点是否重合，如果是，则执行步骤②-5，否则，将右边界像素点集VR(x，y)中的第一个像素点作为当前顶点，并将该当前顶点的坐标位置保存到顶点集合V(x，y)中，然后执行步骤②-5。
②-5、将当前顶点与右边界像素点集VR(x，y)中在当前顶点之后的各个像素点连线，然后计算每条连线与当前顶点所在的右侧的水平直线之间的夹角。
②-6、选取最小夹角对应的像素点，并将该像素点的坐标位置保存到顶点集合V(x，y)中，再将该像素点作为当前顶点，返回步骤②-5继续执行，直至右边界像素点集VR(x，y)中的所有像素点处理完毕。
②-7、判断当前顶点与凸多边形模型的起点是否重合，如果是，则从顶点集合V(x，y)中删除当前顶点的坐标位置，然后执行步骤②-8，否则，直接执行步骤②-8。
②-8、顺序连接顶点集合V(x，y)中的各个顶点构成凸多边形模型，顶点之间的连线为凸多边形模型的边。
图4给出了搜索凸多边形模型的顶点的过程，如图4所示，将左边界的第一个像素点VL1作为凸多边形模型的起点(当前顶点)，将当前顶点(VL1)与左边界所有像素点中在其之后的各个像素点连线，计算每条连线与当前顶点(VL1)所在的右侧的水平直线之间的夹角，然后选取最大夹角θL1对应的像素点VL2作为当前顶点(VL2)，再重复上述过程，即将当前顶点(VL2)与左边界所有像素点中在其之后的各个像素点连线，计算每条连线与当前顶点(VL2)所在的右侧的水平直线之间的夹角，然后选取最大夹角θL2对应的像素点VL3作为当前顶点(VL3)，依次类推，获得顶点VL4和VL5；由于当前顶点(VL5)与右边界的第一个像素点重合，因此将当前顶点(VL5)与右边界所有像素点中在当前顶点(VL5)之后的各个像素点连线，计算每条连线与当前顶点(VL5)所在的右侧的水平直线之间的夹角，然后选取最小夹角θR1对应的像素点VR2作为当前顶点(VR2)，再重复上述过程，即将当前顶点(VR2)与右边界所有像素点中在其之后的各个像素点连线，计算每条连线与当前顶点(VR2)所在的右侧的水平直线之间的夹角，然后选取最小夹角θR2对应的像素点VR3作为当前顶点(VR3)，依次类推，获得其他顶点。
图5给出了从图3中搜索凸多边形模型的顶点的过程，图6给出了从图3中搜索凸多边形模型的顶点的结果，图7给出了图6所示的各个顶点构成的凸多边形模型。
③重复寻找凸多边形模型中长度最短的边，再用该长度最短的边的两条相邻边的延长线的交点的坐标位置替换顶点集合V(x，y)中该长度最短的边对应的两个顶点的坐标位置，直至顶点集合V(x，y)中所包含的顶点的个数为图像校正所需的参考点的个数，获得简化后的多边形模型，该简化后的多边形模型的顶点为图像校正的参考点。
在此具体实施例中，步骤③的具体过程为：
③-1、计算凸多边形模型中每条边的长度，寻找长度最短的边，将该长度最短的边作为当前边。
③-2、延长当前边的两条相邻边，使当前边的两条相邻边的延长线相交于一点。
③-3、从顶点集合V(x，y)中删除当前边对应的两个顶点的坐标位置，并在删除位置处加入当前边的两条相邻边的延长线的交点的坐标位置，构成新的顶点集合V(x，y)和新的凸多边形模型。
③-4、判断顶点集合中所包含的顶点的个数与图像校正所需的参考点的个数是否相等，如果是，则结束边的删除，获得简化后的多边形模型，该简化后的多边形模型的顶点为图像校正的参考点，否则，返回步骤③-1继续执行。
图8给出了从图7所示的凸多边形模型中删除长度最短的边的过程，如图8所示，假设图7所示的凸多边形模型中长度最短的边为Em1，延长Em1的两条相邻边即EmL1和EmR1，使EmL1和EmR1的延长线相交于一点Rm1，从顶点集合V(x，y)中删除Em1对应的两个顶点即VmL1和VmR1的坐标位置，并在删除位置处加入EmL1和EmR1的延长线的交点Rm1的坐标位置，构成新的顶点集合V(x，y)和新的凸多边形模型，再重复上述过程，从新的凸多边形模型中删除长度最短的边Em2，依次类推，直到顶点集合中所包含的顶点的个数为图像校正所需的参考点的个数时，结束边的删除，获得简化后的多边形模型，该简化后的多边形模型的顶点为图像校正的参考点。图9给出了简化后的四边形的示意图，图9所示的四边形的四个顶点为图像校正的参考点。
Claims (4)
1.一种图像的多边形模型的简化方法，其特征在于包括以下步骤：
①获取一幅待处理的二值化图像，然后以自上而下、从左到右的水平扫描方式搜索二值化图像中每一行的第一个黑色像素点，将二值化图像中每一行的第一个黑色像素点按扫描顺序构成的集合定义为左边界像素点集，记为VL(x，y)，再以自下而上、从右到左的水平扫描方式搜索二值化图像中每一行的最后一个黑色像素点，将二值化图像中每一行的最后一个黑色像素点按扫描顺序构成的集合定义为右边界像素点集，记为VR(x，y)，其中，(x，y)表示二值化图像中的像素点的坐标位置；
②根据左边界像素点集VL(x，y)和右边界像素点集VR(x，y)，构建凸多边形模型，具体过程如下：
②-1、将左边界像素点集VL(x，y)中的第一个像素点作为凸多边形模型的起点，并将该起点的坐标位置保存到顶点集合V(x，y)中，将该起点作为当前顶点；
②-2、将当前顶点与左边界像素点集VL(x，y)中在当前顶点之后的各个像素点连线，然后计算每条连线与当前顶点所在的右侧的水平直线之间的夹角；
②-3、选取最大夹角对应的像素点，并将该像素点的坐标位置保存到顶点集合V(x，y)中，再将该像素点作为当前顶点，返回步骤②-2继续执行，直至左边界像素点集VL(x，y)中的所有像素点处理完毕；
②-4、判断当前顶点与右边界像素点集VR(x，y)中的第一个像素点是否重合，如果是，则执行步骤②-5，否则，将右边界像素点集VR(x，y)中的第一个像素点作为当前顶点，并将该当前顶点的坐标位置保存到顶点集合V(x，y)中，然后执行步骤②-5；
②-5、将当前顶点与右边界像素点集VR(x，y)中在当前顶点之后的各个像素点连线，然后计算每条连线与当前顶点所在的右侧的水平直线之间的夹角；
②-6、选取最小夹角对应的像素点，并将该像素点的坐标位置保存到顶点集合V(x，y)中，再将该像素点作为当前顶点，返回步骤②-5继续执行，直至右边界像素点集VR(x，y)中的所有像素点处理完毕；
②-7、判断当前顶点与凸多边形模型的起点是否重合，如果是，则从顶点集合V(x，y)中删除当前顶点的坐标位置，然后执行步骤②-8，否则，直接执行步骤②-8；
②-8、顺序连接顶点集合V(x，y)中的各个顶点构成凸多边形模型，顶点之间的连线为凸多边形模型的边；
③重复寻找凸多边形模型中长度最短的边，再用该长度最短的边的两条相邻边的延长线的交点的坐标位置替换顶点集合V(x，y)中该长度最短的边对应的两个顶点的坐标位置，直至顶点集合V(x，y)中所包含的顶点的个数为图像校正所需的参考点的个数，获得简化后的多边形模型，该简化后的多边形模型的顶点为图像校正的参考点。
2.根据权利要求1所述的一种图像的多边形模型的简化方法，其特征在于所述的步骤①中左边界像素点集VL(x，y)和右边界像素点集VR(x，y)的获取过程为：
①-1、自上而下、从左到右对二值化图像进行水平扫描，将二值化图像中当前待水平扫描的行作为当前行；
①-2、水平扫描当前行，在当前行中搜索到第一个黑色像素点时，结束当前行的水平扫描，并保存搜索到的第一个黑色像素点的坐标位置；
①-3、将二值化图像中待水平扫描的下一行作为当前行，返回步骤①-2继续执行，直至二值化图像中的最后一行处理完毕，结束二值化图像的水平扫描；
①-4、将二值化图像中每一行的第一个黑色像素点按扫描顺序构成的集合定义为左边界像素点集，记为VL(x，y)；
①-5、自下而上、从右到左对二值化图像进行水平扫描，将二值化图像中当前待水平扫描的行作为当前行；
①-6、水平扫描当前行，在当前行中搜索到第一个黑色像素点时，结束当前行的水平扫描，并保存搜索到的第一个黑色像素点的坐标位置；
①-7、将二值化图像中待水平扫描的下一行作为当前行，返回步骤①-6继续执行，直至二值化图像中的第一行处理完毕，结束二值化图像的水平扫描；
①-8、将二值化图像中每一行的最后一个黑色像素点按扫描顺序构成的集合定义为右边界像素点集，记为VR(x，y)。
3.根据权利要求1或2所述的一种图像的多边形模型的简化方法，其特征在于所述的步骤③的具体过程为：
③-1、计算凸多边形模型中每条边的长度，寻找长度最短的边，将该长度最短的边作为当前边；
③-2、延长当前边的两条相邻边，使当前边的两条相邻边的延长线相交于一点；
③-3、从顶点集合V(x，y)中删除当前边对应的两个顶点的坐标位置，并在删除位置处加入当前边的两条相邻边的延长线的交点的坐标位置，构成新的顶点集合V(x，y)和新的凸多边形模型；
③-4、判断顶点集合中所包含的顶点的个数与图像校正所需的参考点的个数是否相等，如果是，则结束边的删除，获得简化后的多边形模型，该简化后的多边形模型的顶点为图像校正的参考点，否则，返回步骤③-1继续执行。
4.根据权利要求3所述的一种图像的多边形模型的简化方法，其特征在于所述的简化后的多边形模型的顶点的个数为4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110279661 CN102346913B (zh) | 2011-09-20 | 2011-09-20 | 一种图像的多边形模型的简化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201110279661 CN102346913B (zh) | 2011-09-20 | 2011-09-20 | 一种图像的多边形模型的简化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102346913A CN102346913A (zh) | 2012-02-08 |
| CN102346913B true CN102346913B (zh) | 2013-05-15 |
Family
ID=45545561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201110279661 Expired - Fee Related CN102346913B (zh) | 2011-09-20 | 2011-09-20 | 一种图像的多边形模型的简化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102346913B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108768511A (zh) * | 2018-06-22 | 2018-11-06 | 武汉光迅科技股份有限公司 | 一种二维MEMS OSW光开关Hitless点的智能选择方法和装置 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663685B (zh) * | 2012-03-19 | 2014-08-13 | 宁波大学 | 一种基于非线性的几何校正方法 |
| US20140111510A1 (en) * | 2012-10-19 | 2014-04-24 | Donya Labs Ab | Method for optimized polygon reduction of computer graphics |
| CN103208099A (zh) * | 2013-03-18 | 2013-07-17 | 深圳市朵唯志远科技有限公司 | 用于互联网的人体识别方法及系统 |
| CN107240101B (zh) * | 2017-04-13 | 2021-01-29 | 桂林优利特医疗电子有限公司 | 目标区域检测方法和装置、图像分割方法和装置 |
| CN109685764B (zh) * | 2018-11-19 | 2020-10-30 | 深圳市维图视技术有限公司 | 产品定位方法、装置及终端设备 |
| CN109741394B (zh) * | 2018-12-10 | 2021-02-26 | 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 |
| CN109887052B (zh) * | 2019-01-29 | 2023-08-25 | 广联达科技股份有限公司 | 一种二维多边形偏移方法 |
| CN110598694B (zh) * | 2019-08-14 | 2023-03-21 | 广东奥普特科技股份有限公司 | 一种快速处理感兴趣区域图像的方法 |
-
2011
- 2011-09-20 CN CN 201110279661 patent/CN102346913B/zh not_active Expired - Fee Related
Non-Patent Citations (19)
| Title |
|---|
| A Developer’s Survey of Polygonal Simplification Algorithms;David P. Luebke et al;《IEEE Computer Graphics and Applications》;20010630;全文 * |
| An Efficiently Computable Metric for Comparing Polygonal Shapes;Esther M. Arkin et al;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;19910331;第13卷(第3期);全文 * |
| cation with Small Angle Constraints.《20th Canadian Conference on Computational Geometry》.2008,全文. |
| David P. Luebke et al.A Developer’s Survey of Polygonal Simplification Algorithms.《IEEE Computer Graphics and Applications》.2001,全文. |
| Ediz Saykol et al.KiMPA: A Kinematics-Based Method for Polygon Approximation.《ADVIS 2002》.2002,全文. |
| Esther M. Arkin et al.An Efficiently Computable Metric for Comparing Polygonal Shapes.《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》.1991,第13卷(第3期),全文. |
| KiMPA: A Kinematics-Based Method for Polygon Approximation;Ediz Saykol et al;《ADVIS 2002》;20021231;全文 * |
| Ovidiu Daescu et al.Polygonal Chain Simpli¯ |
| Polygonal Chain Simpli¯cation with Small Angle Constraints;Ovidiu Daescu et al;《20th Canadian Conference on Computational Geometry》;20080815;全文 * |
| 何磊 等.基于简化多边形类正切空间表示的图形渐变算法.《计算机辅助设计与图形学学报》.2007,第19卷(第3期),全文. |
| 刘亚姝 等.多边形简化算法及比较.《计算机工程》.2009,第35卷(第23期),全文. |
| 吴勃 等.基于点簇合并的多边形表面模型简化算法研究.《航空学报》.2003,第24卷(第6期),全文. |
| 基于向量夹角的三角网格模型简化算法;陆国栋 等;《工程设计学报》;20050430;第12卷(第2期);全文 * |
| 基于点簇合并的多边形表面模型简化算法研究;吴勃 等;《航空学报》;20031130;第24卷(第6期);全文 * |
| 基于简化多边形类正切空间表示的图形渐变算法;何磊 等;《计算机辅助设计与图形学学报》;20070331;第19卷(第3期);全文 * |
| 多边形模型简化算法综述;郭力真 等;《计算机应用研究》;20051231;全文 * |
| 多边形简化算法及比较;刘亚姝 等;《计算机工程》;20091231;第35卷(第23期);全文 * |
| 郭力真 等.多边形模型简化算法综述.《计算机应用研究》.2005,全文. |
| 陆国栋 等.基于向量夹角的三角网格模型简化算法.《工程设计学报》.2005,第12卷(第2期),全文. |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108768511A (zh) * | 2018-06-22 | 2018-11-06 | 武汉光迅科技股份有限公司 | 一种二维MEMS OSW光开关Hitless点的智能选择方法和装置 |
| CN108768511B (zh) * | 2018-06-22 | 2020-09-22 | 武汉光迅科技股份有限公司 | 一种二维MEMS OSW光开关Hitless点的智能选择方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102346913A (zh) | 2012-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102346913B (zh) | 一种图像的多边形模型的简化方法 | |
| CN103632359B (zh) | 一种视频超分辨率处理方法 | |
| JP5728080B2 (ja) | 瞼検出装置、瞼検出方法及びプログラム | |
| WO2020220182A1 (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
| CN104376573B (zh) | 一种图像污点检测方法及系统 | |
| CN107356213B (zh) | 滤光片同心度测量方法及终端设备 | |
| CN110378239A (zh) | 一种基于深度学习的实时交通标志检测方法 | |
| CN110276279B (zh) | 一种基于图像分割的任意形状场景文本探测方法 | |
| CN103743750B (zh) | 一种大口径光学元件表面损伤分布图的生成方法 | |
| CN109447117A (zh) | 双层车牌识别方法、装置、计算机设备及存储介质 | |
| CN113688688A (zh) | 图片中表格线条的补全方法与图片中表格的识别方法 | |
| CN105184294A (zh) | 一种基于像素追踪的倾斜文字判断识别方法 | |
| CN104197932B (zh) | 基于人类行为学的位置跟踪方法 | |
| CN103400130B (zh) | 基于能量最小化框架的文档图像倾斜度检测与纠正方法 | |
| CN105678791A (zh) | 一种基于参数不唯一的车道线检测与跟踪方法 | |
| CN104599267A (zh) | 切割轨迹生成方法及装置 | |
| CN109345551B (zh) | 图像外轮廓中凹包络的检测方法、系统及计算机存储介质 | |
| CN104680493A (zh) | 一种基于尺度优化的数字图像修复方法 | |
| CN103411562B (zh) | 一种基于动态规划和均值漂移的结构光光条中心提取方法 | |
| CN116542926B (zh) | 电池的二维码缺陷识别方法、装置、设备及存储介质 | |
| WO2018233318A1 (zh) | 一种基于线面空间关系的迷宫求解方法 | |
| US20150051724A1 (en) | Computing device and simulation method for generating a double contour of an object | |
| CN105740864B (zh) | 一种基于lbp的图像特征提取方法 | |
| Jiang et al. | Fusion of texture features and color information of the license plate location algorithm | |
| CN104199742A (zh) | 一种叶片截面特征点云的精确划分方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130515 Termination date: 20150920 |
|
| EXPY | Termination of patent right or utility model |