CN103914687A - 一种基于多通道和多阈值的矩形目标识别方法 - Google Patents
一种基于多通道和多阈值的矩形目标识别方法 Download PDFInfo
- Publication number
- CN103914687A CN103914687A CN201410096259.0A CN201410096259A CN103914687A CN 103914687 A CN103914687 A CN 103914687A CN 201410096259 A CN201410096259 A CN 201410096259A CN 103914687 A CN103914687 A CN 103914687A
- Authority
- CN
- China
- Prior art keywords
- image
- threshold values
- region
- method based
- hyperchannel
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多通道和多阈值的矩形目标识别方法。该识别方法包括以下步骤:对原始图像先通过金字塔下采样,后通过金字塔上采样方法去除图像噪声;提取原始图像中的每个通道图像;设置N个灰度等级,以阈值大小为Tg=255/n对每个通道图像分别进行二值化;对二值化图像进行区域标记,并提取每个区域的轮廓;用多边形对每个外围轮廓进行近似,记录每个多边形的顶点坐标;选出顶点个数等于4的多边形,并计算该四边形的每个内角;若四边形的每个内角的角度接近90度,则该四边形所包围的区域是一个矩形目标。本发明能够解决一幅图像中有多种颜色的矩形目标的检测问题,同时采用了多个阈值进行二值化图像,大大增强了矩形目标检测的准确率。
Description
技术领域
本发明涉及数字图像处理和模式识别领域,尤其是一种基于多通道和多阈值的矩形目标识别方法。
背景技术
矩形目标识别是数字图像处理和模式识别领域重要内容之一,其在印刷品在线质量检测、印刷电路板质量检测、车牌识别系统、汽车辅助驾驶系统设计以及产品零件智能分拣系统中起着非常重要的作用。
矩形目标识别方法,基本上可以分为两类:一类是从图像中直接检测线条,然后判断线条之间是否平行,最后判断这些平行线是否能构成矩形;另一类是对图像进行区域分析,判断每个区域是否满足矩形。属于第一类方法的相关文献报道有:一种提取遥感图像中矩形建筑的方法(Wen-bing Tao,Jin-wen Tian,LiuJian.A new approach of extract rectangle building from aerial urban images.6th International Conference onSignal Processing Proceedings,2002,1,143-146)首先用分割数学的方法提取图像中的边缘像素,然后利用每条线段的起始点、终点以及方向来检测平行线,再用找出的平行线对合成矩形结构,最后这些结构被拟合成矩形。这种方法效率不高,而且易受到噪音干扰。基于窗口Hough变换的矩形检测方法(Jung,C.R.,Schramm,R..Rectangle detection based on a windowed Hough transform.Proceedings of the27th BrazilianSymposium on Computer Graphics and Image Processing,2004,113-120),该方法能够精确检测出未知大小和方向的矩形,但因涉及到Hough变换,所以计算量非常大。第一类的方法通常涉及到的计算量都很大,尤其是采集到的图像是高分辨率的彩色图像,这不能满足工业生产中实时性的要求。第二类方法基本上都经过图像灰度化、图像二值化、图像区域分析、特征提取和分类这四步,已经有相关的公开文献,例如,一种基于图像处理技术的椭圆与矩形目标识别方法(授权公告号:101246552B),该方法对二值化图像进行标记,然后提取各个区域的几何特征,并进行分类,但该方法仅仅针对的是灰度图像,没有充分利用彩色图像中每个通道的信息,不利于一幅彩色图像中有多种颜色的矩形目标的检测,而且该方法中二值化图像步骤用的单个阈值,而不是多个阈值,限制了该方法的普适性。贴片机片式芯片检测系统的研究(孙昊,2013),该硕士论文采用了矩形度、区域致密性和不变矩三个评价指标检测芯片,但正如其作者在文末描述的一样,这些方法具有对芯片尺寸的经验信息依赖性很强、没有利用图像的彩色信息、采用单个阈值进行图像二值化的缺点。
在现实生活和工业自动化生产过程中,随着智能化程度越来越高,硬件图像采集设备价格的不断降低,采集到的原始图像是彩色图像越来越多。
发明内容
为了克服现有的矩形目标识别仅仅利用了图像的灰度信息而没有充分利用彩色信息,和单一阈值进行图像二值化所带来的识别不精确问题,本发明提供了一种基于多通道和多阈值的矩形目标识别方法。
本发明解决上述问题所采用的技术方案为:一种基于多通道和多阈值的矩形目标识别方法,该识别方法包括以下步骤:
(1)对原始图像先通过金字塔下采样,后通过金字塔上采样方法去除图像噪声;
(2)提取原始图像中的每个通道图像;
(3)设置N个灰度等级,以阈值大小为Tg=255/n,(n=1,2,L,N)对每个通道图像分别进行二值化;
(4)对二值化图像进行区域标记,并提取每个区域的轮廓;
(5)用多边形对每个外围轮廓进行近似,记录每个多边形的顶点坐标;
(6)选出顶点个数等于4的多边形,并计算该四边形的每个内角;
(7)若四边形的每个内角的角度接近90度,则该四边形所包围的区域是一个矩形目标。
其中,步骤(1)中的金字塔下采样是指:选取高斯核与原始图像进行卷积,去掉偶数行和列,得到一幅宽高均为原始图像宽高一半的缩小图像;金字塔上采样是指将缩小的图像宽和高放大2倍,把新的偶数行和列置零,用同样的高斯核与该图像进行卷积,结果再乘以4,得到新的图像即为去除噪声之后的图像;
其中,步骤(2)是指在提取去除噪声之后的图像基础上,分别提取R(红色),G(绿色),B(蓝色)三个通道的图像,即形成三幅灰度图;
其中,步骤(3)是指若某个通道图像的灰度值大于或等于设定的阈值Tg,则将该灰度值更改为255,即白色,否则更改为0,即黑色;
其中,步骤(4)是指:先对每个二值化后的图像采用8邻域的序贯标记算法进行连通区域分析,然后采用8邻域的轮廓跟踪算法提取每个连通区域的外围轮廓;
其中,步骤(5)是指:给定容许的误差参数ε,将区域的外围轮廓首、末两点连线,依次计算首尾两点之间的所有中间点到该线段的距离d,找出d中最大的值dmax对应的点,并判断dmax是否小于给定的误差参数ε,若是,则舍去所有中间点;否则,则保留该点,并以该点为界,将外围轮廓分为两部分,然后对这两部分的轮廓重复以上操作,直到外围轮廓中的每一部分的中间点到该段首、末两点连线的距离都小于ε为止,记录保留下来的轮廓点的个数;
其中,步骤(6)是指:若区域经过多边形近似后,保留下来的轮廓点个数不等于4,则该多边形对应的区域不是矩形目标区域,若等于4,计算该四边形的内角θi(i=1,2,3,4)θi的计算方法是以第i个顶点为角的顶点,以连接第i个顶点和第i+1个顶点所形成的直线,和以连接第i个顶点和第i-1个顶点所形成的直线所构成的角的角度θi,该角度按照两个向量之间的夹角角度来计算;
其中,步骤(7)是指:设置阈值Tθ,如果四个内角均满足|θi-90|≤Tθ,那么该多边形对应的区域就被视为一个矩形目标区域。
本发明充分利用了原始图像中的彩色信息,能够解决一幅图像中有多种颜色的矩形目标的检测问题,同时采用了多个阈值进行二值化图像,减少了对先验知识的依赖,大大增强了矩形目标检测的准确率,采用多边形去近似轮廓,执行速度上得到了提高,在工业自动化生产中具有一定的实用价值;而且该方法对于采集到的原始图像不是彩色图像,而是灰度图像的情况同样合适,所以该方法具有很好的普适性。
附图说明
图1为本发明的流程图;
图2为不同形状和不同颜色物体的原始图像;
图3为对原始图像去除噪声后的结果:(a)对原始图像进行金字塔下采样的图像,(b)对(a)图像进行金字塔上采样的图像;
图4为提取的R、G、B三通道图像;(a)R通道图像;(b)G通道图像;(c)B通道图像,
图5为二值化图像;
图6为连通区域分析结果图像;
图7为轮廓图像;
图8为用多边形来近似轮廓的图像;
图9检测到矩形的结果。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明流程图如图1所示。
实施例:利用本发明对如图2所示的图像进行矩形目标识别。详细步骤如下:
1、读入原始图像I0,先通过金字塔下采样,后通过上采样方法去除图像噪声:假设I0图像的高为H,宽为W,K是高斯核矩阵,K的选取满足可分离性、对称性、归一化性和奇偶项贡献相等性四个条件(见孙玉秋,田金文,柳健.基于图像金字塔的分维融合算法.计算机应用,2005,25(5):1064-1065)。通常该矩阵的大小选择5×5,根据K满足的四个条件推得出K矩阵为:
通过高斯核矩阵首先对I0先进行金字塔下采样得到I'0,I'0图像第i行,第j行的像素值I'0(i,j)计算公式是:根据该公式能推出I'0图像宽高分别为和所以
然后对I'0进行金字塔上采样得到图像I1,I1图像第i行,第j行的像素值I1(i,j)计算公式是:根据该公式能推出I1图像宽高与I0图像宽高相等,所以0≤i<H,0≤j<W。
图2是受随机噪声污染的原始彩色图像,图3(a)是对图2进行金字塔下采样的结果,该图像是原始图像宽高的一半。图3(b)是对图3(a)进行金字塔上采样的结果,该图像与原始图像宽高一样,噪音明显减少。
2、提取原始图像中的每个通道图像:若I0是彩色图像,以I2c(c=1,2,3)表示第c个通道图像,c=1,2,3分别表示R(红色)、G(绿色)、B(蓝色)三个通道图像。因为以单个通道形成一幅图像,所以第c个通道图像I2c是一幅灰度图。当然如果采集到的原始图像是灰度图像,那么I1本身就是单个通道图像,所以c=1。以图3(b)为例,提取之后的三个通道图像分别是:图4(a)是R(红色)通道图像,即I21;图4(b)是G(绿色)通道图像,即I22;图4(c)是B(蓝色)通道图像,即I23;
3、设置N个灰度等级,以阈值大小为T=255/n,(n=1,2,L,N)对每个通道图像I2c分别进行二值化得到Ib:如果第c个通道图像的第i行,第j行的像素值I2c(i,j)大于阈值Tg,则将Ib的第i行,第j行的像素值Ib(i,j)设置成255,即白色,否则设置为0,即黑色。
图5是图4(b)在N=11,n=8,即阈值时二值化图像的结果。
4、对二值化图像进行区域标记:对二值化后的图像Ib采用8邻域的序贯标记算法(见宋培华,高敦岳.边界跟踪与序贯算法在二值连通区域标记中的应用.计算机科学,2002,29(3):108-110)分析图像像素间的相邻关系,用Ir表示二值图像区域标记的结果的图像。
图6是对图5进行8邻域二值连通区域标记的结果,每个连通的区域用不同的颜色表示,每种颜色表示图5中的某个黑色目标区域。
5、提取每个区域的轮廓:采用8邻域的轮廓跟踪算法提取每个连通区域的外围轮廓:从上到下,从左到右的顺序扫描图像,若当前图像像素值为0,查找其8邻域内的所有像素点,如果8邻域像素值之和为0,表明该像素点不属于该区域轮廓中的点,否则属于该轮廓中的点。
图7为图6中每个区域,包括背景区域的轮廓图像;
6、用多边形对每个外围轮廓进行近似,记录每个多边形的顶点坐标:该步骤采用Douglas–Peucker改进算法(见张胜,朱才连,钟世明.Douglas-Peucker算法的改进及应用.武汉理工大学学报(交通科学与工程版),2005,5:671-674)实现,通过设置该算法中的误差参数ε的值用多边形来逼近区域轮廓曲线。对图7所示的轮廓图像,取ε为轮廓长度的100分之一,得到如图8所示的效果图。
7、统计多边形的顶点个数,如果等于4,即把4边形挑选出来进入下一步,其它的多边形舍弃;
8、若四边形的每个内角的角度接近90度,则该多边形对应的区域是一个矩形目标:设四边形的四个顶点坐标为(x1,y1),(x2,y2),(x3,y3),(x4,y4),求以第i个顶点为角的顶点,以连接第i个顶点和第i+1个顶点所形成的直线,和以连接第i个顶点和第i-1个顶点所形成的直线所构成的角的角度θi,该角度按照两个向量之间的夹角角度,具体公式为:
9、若四边形的每个内角的角度接近90度,则该多边形对应的区域是一个矩形目标:设置阈值T,如果四个内角均满足|θi-90|≤T,那么该多边形就视为一个矩形。以检测图2为例,T设置为2度,检测的结果如图9所示,为了更好地显示检测结果,每个矩形的周围用红色表示。
综上所述,本发明提出的一种基于多通道和多阈值的矩形目标识别方法,充分利用图像的色彩信息,将彩色图像转换成R、G、B通道的三幅灰度图像,然后采用多个阈值对图像进行二值化,大大减少了单阈值二值化可能不能提取目标的可能性,最后采用多边形近似的方法来检测识别矩形目标,在执行速度上得到了提升。
以上内容是结合最佳实施方案对本发明所做的进一步详细说明,不能认定本发明的具体实施只限于这些说明。本领域的技术人员应该理解,在不脱离由所附权利要求书限定的情况下,可以在细节上进行各种修改,都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于多通道和多阈值的矩形目标识别方法,其特征在于该检测方法包括以下步骤:
(1)对原始图像先通过金字塔下采样,后通过金字塔上采样方法去除图像噪声;
(2)提取原始图像中的每个通道图像;
(3)设置N个灰度等级,以阈值大小为Tg=255/n,其中n=1,2,L,N,对每个通道图像分别进行二值化;
(4)对二值化图像进行区域标记,并提取每个区域的轮廓;
(5)用多边形对每个外围轮廓进行近似,记录每个多边形的顶点坐标;
(6)选出顶点个数等于4的多边形,并计算该四边形的每个内角;
(7)若四边形的每个内角的角度接近90度,则该四边形所包围的区域是一个矩形目标。
2.根据权利要求1所述的一种基于多通道和多阈值的矩形目标识别方法,其特征在于,所述的步骤(1)按照下列步骤进行:
(a)金字塔下采样:选取高斯核与原始图像进行卷积,去掉偶数行和列,得到一幅宽高均为原始图像宽高一半的缩小图像;
(b)金字塔上采样:将缩小的图像宽和高放大2倍,把新的偶数行和列置零,用同样的高斯核与该图像进行卷积,结果再乘以4,得到新的图像即为去除噪声之后的图像。
3.根据权利要求1所述的一种基于多通道和多阈值的矩形目标识别方法,其特征在于,所述的步骤(2)按照下列方法进行:提取去除噪声之后图像中的红色,绿色,蓝色三个通道的图像,即形成三幅灰度图。
4.根据权利要求1所述的一种基于多通道和多阈值的矩形目标识别方法,其特征在于,所述的步骤(3)具体是指:若某个通道图像的灰度值大于或等于设定的阈值Tg,则将该灰度值更改为255,即白色,否则更改为0,即黑色。
5.根据权利要求1所述的一种基于多通道和多阈值的矩形目标识别方法,其特征在于,所述的步骤(4)按照下列步骤进行:
(a)对每个二值化后的图像采用8邻域的序贯标记算法进行连通区域分析;
(b)采用8邻域的轮廓跟踪算法提取每个连通区域的外围轮廓。
6.根据权利要求1所述的一种基于多通道和多阈值的矩形目标识别方法,其特征在于,所述的步骤(5)是指:给定容许的误差参数ε,将区域的外围轮廓首、末两点连线,依次计算首尾两点之间的所有中间点到该线段的距离d,找出d中最大的值dmax对应的点,并判断dmax是否小于给定的误差参数ε,若是,则舍去所有中间点;否则,则保留该点,并以该点为界,将外围轮廓分为两部分,然后对这两部分的轮廓重复以上操作,直到外围轮廓中的每一部分的中间点到该段首、末两点连线的距离都小于ε为止,记录保留下来的轮廓点的个数。
7.根据权利要求1所述的一种基于多通道和多阈值的矩形目标识别方法,其特征在于,所述的步骤(6)是指:若区域经过多边形近似后,保留下来的轮廓点个数不等于4,则该多边形对应的区域不是矩形目标区域,若等于4,计算该四边形的内角θi,其中i=1,2,3,4。
8.根据权利要求6所述的一种基于多通道和多阈值的矩形目标识别方法,其特征在于,所述的内角θi是指:以第i个顶点为角的顶点,以连接第i个顶点和第i+1个顶点所形成的直线,和以连接第i个顶点和第i-1个顶点所形成的直线所构成的角的角度θi,该角度按照两个向量之间的夹角角度来计算。
9.根据权利要求1所述的一种基于多通道和多阈值的矩形目标识别方法,其特征在于,所述的步骤(7)是指:设置阈值Tθ,如果四个内角均满足|θi-90|≤Tθ,那么该多边形对应的区域就被视为一个矩 形目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410096259.0A CN103914687A (zh) | 2014-03-14 | 2014-03-14 | 一种基于多通道和多阈值的矩形目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410096259.0A CN103914687A (zh) | 2014-03-14 | 2014-03-14 | 一种基于多通道和多阈值的矩形目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103914687A true CN103914687A (zh) | 2014-07-09 |
Family
ID=51040356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410096259.0A Pending CN103914687A (zh) | 2014-03-14 | 2014-03-14 | 一种基于多通道和多阈值的矩形目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914687A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408735A (zh) * | 2014-12-12 | 2015-03-11 | 电子科技大学 | 一种基于改进形状角计算的矩形区域识别方法 |
CN105898135A (zh) * | 2015-11-15 | 2016-08-24 | 乐视移动智能信息技术(北京)有限公司 | 相机成像方法及相机装置 |
CN105931239A (zh) * | 2016-04-20 | 2016-09-07 | 北京小米移动软件有限公司 | 图像处理的方法及装置 |
CN106289187A (zh) * | 2016-07-20 | 2017-01-04 | 广东大仓机器人科技有限公司 | 一种通过图像识别实现机器人室内定位的方法 |
CN106407902A (zh) * | 2016-08-31 | 2017-02-15 | 西北工业大学 | 一种基于几何差异的飞机目标识别方法 |
CN106504225A (zh) * | 2016-09-27 | 2017-03-15 | 深圳增强现实技术有限公司 | 一种规则多边形的识别方法和装置 |
CN106815602A (zh) * | 2017-01-10 | 2017-06-09 | 中国民用航空总局第二研究所 | 一种基于多层次特征描述的跑道fod图像探测方法及装置 |
CN107369150A (zh) * | 2016-05-12 | 2017-11-21 | 株式会社理光 | 一种检测矩形目标的方法及矩形目标检测装置 |
CN107464272A (zh) * | 2017-07-19 | 2017-12-12 | 南京理工大学 | 基于关键点的中心扩散式气象传真图等值线的插值方法 |
CN107730508A (zh) * | 2017-09-01 | 2018-02-23 | 上海微元计算机系统集成有限公司 | 彩色文本图像多通道二值化处理方法 |
CN108345891A (zh) * | 2017-01-23 | 2018-07-31 | 北京京东尚科信息技术有限公司 | 图书轮廓提取方法和装置 |
CN108509950A (zh) * | 2018-03-27 | 2018-09-07 | 吴泽彬 | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
CN108629378A (zh) * | 2018-05-10 | 2018-10-09 | 上海鹰瞳医疗科技有限公司 | 图像识别方法和设备 |
CN109087241A (zh) * | 2018-08-22 | 2018-12-25 | 东北农业大学 | 一种农业作物图像数据无损采集方法 |
CN109738450A (zh) * | 2019-01-09 | 2019-05-10 | 合肥联宝信息技术有限公司 | 笔记本键盘的检测方法和装置 |
CN109872304A (zh) * | 2019-01-17 | 2019-06-11 | 京东方科技集团股份有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
CN109949210A (zh) * | 2019-03-07 | 2019-06-28 | 北京麦哲科技有限公司 | 一种扫描图像背景的移除方法和装置 |
CN110288655A (zh) * | 2019-06-28 | 2019-09-27 | 深圳市同为数码科技股份有限公司 | 一种自动识别chart图片中测试图案位置的方法及装置 |
CN110310279A (zh) * | 2019-07-09 | 2019-10-08 | 苏州梦想人软件科技有限公司 | 矩形及曲边矩形边角图像识别方法 |
CN110717899A (zh) * | 2019-09-25 | 2020-01-21 | 武汉易视维科技有限公司 | 一种透明滤棒爆珠缺陷在线视觉检测方法 |
CN111178210A (zh) * | 2019-12-21 | 2020-05-19 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种十字标记的图像识别及对准方法 |
CN111768409A (zh) * | 2020-09-03 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN112150398A (zh) * | 2019-06-27 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 图像合成方法、装置及设备 |
CN112801096A (zh) * | 2021-03-29 | 2021-05-14 | 常州三点零智能制造有限公司 | 一种车牌自动检测算法 |
CN113160028A (zh) * | 2021-02-24 | 2021-07-23 | 陕西师范大学 | 基于彩色字符画的信息隐藏及恢复方法、设备及存储介质 |
TWI799265B (zh) * | 2022-05-12 | 2023-04-11 | 瑞昱半導體股份有限公司 | 超解析度裝置及方法 |
CN117474903A (zh) * | 2023-12-26 | 2024-01-30 | 浪潮电子信息产业股份有限公司 | 一种图像侵权检测方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477687A (zh) * | 2009-01-22 | 2009-07-08 | 上海交通大学 | 复杂背景下的棋盘格角点检测方法 |
CN101593277A (zh) * | 2008-05-30 | 2009-12-02 | 电子科技大学 | 一种复杂彩色图像中文本区域自动定位方法及装置 |
CN101246552B (zh) * | 2008-03-03 | 2010-08-04 | 哈尔滨工程大学 | 一种基于图像处理技术的椭圆与矩形目标识别方法 |
-
2014
- 2014-03-14 CN CN201410096259.0A patent/CN103914687A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246552B (zh) * | 2008-03-03 | 2010-08-04 | 哈尔滨工程大学 | 一种基于图像处理技术的椭圆与矩形目标识别方法 |
CN101593277A (zh) * | 2008-05-30 | 2009-12-02 | 电子科技大学 | 一种复杂彩色图像中文本区域自动定位方法及装置 |
CN101477687A (zh) * | 2009-01-22 | 2009-07-08 | 上海交通大学 | 复杂背景下的棋盘格角点检测方法 |
Non-Patent Citations (4)
Title |
---|
CL´AUDIO ROSITO JUNG EL AT.: "《Rectangle Detection based on a Windowed Hough Transform》", 《IEEE COMPUTER SOCIETY》 * |
沙莎等: "《一种多通道融合的交通标志检测方法》", 《计算机工程》 * |
潘道远等: "《基于多方法融合的文本定位算法的研究》", 《计算机应用与软件》 * |
高志伟等: "《基于彩色边缘的运动车辆检测》", 《福州大学学报(自然科学版)》 * |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408735B (zh) * | 2014-12-12 | 2017-07-14 | 电子科技大学 | 一种基于改进形状角计算的矩形区域识别方法 |
CN104408735A (zh) * | 2014-12-12 | 2015-03-11 | 电子科技大学 | 一种基于改进形状角计算的矩形区域识别方法 |
CN105898135A (zh) * | 2015-11-15 | 2016-08-24 | 乐视移动智能信息技术(北京)有限公司 | 相机成像方法及相机装置 |
CN105931239A (zh) * | 2016-04-20 | 2016-09-07 | 北京小米移动软件有限公司 | 图像处理的方法及装置 |
CN105931239B (zh) * | 2016-04-20 | 2019-06-18 | 北京小米移动软件有限公司 | 图像处理的方法及装置 |
CN107369150B (zh) * | 2016-05-12 | 2020-10-27 | 株式会社理光 | 一种检测矩形目标的方法及矩形目标检测装置 |
CN107369150A (zh) * | 2016-05-12 | 2017-11-21 | 株式会社理光 | 一种检测矩形目标的方法及矩形目标检测装置 |
CN106289187A (zh) * | 2016-07-20 | 2017-01-04 | 广东大仓机器人科技有限公司 | 一种通过图像识别实现机器人室内定位的方法 |
CN106407902A (zh) * | 2016-08-31 | 2017-02-15 | 西北工业大学 | 一种基于几何差异的飞机目标识别方法 |
CN106504225A (zh) * | 2016-09-27 | 2017-03-15 | 深圳增强现实技术有限公司 | 一种规则多边形的识别方法和装置 |
CN106815602A (zh) * | 2017-01-10 | 2017-06-09 | 中国民用航空总局第二研究所 | 一种基于多层次特征描述的跑道fod图像探测方法及装置 |
CN106815602B (zh) * | 2017-01-10 | 2019-12-10 | 中国民用航空总局第二研究所 | 一种基于多层次特征描述的跑道fod图像探测方法及装置 |
CN108345891A (zh) * | 2017-01-23 | 2018-07-31 | 北京京东尚科信息技术有限公司 | 图书轮廓提取方法和装置 |
CN107464272A (zh) * | 2017-07-19 | 2017-12-12 | 南京理工大学 | 基于关键点的中心扩散式气象传真图等值线的插值方法 |
CN107730508A (zh) * | 2017-09-01 | 2018-02-23 | 上海微元计算机系统集成有限公司 | 彩色文本图像多通道二值化处理方法 |
CN108509950B (zh) * | 2018-03-27 | 2021-07-27 | 南京智莲森信息技术有限公司 | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
CN108509950A (zh) * | 2018-03-27 | 2018-09-07 | 吴泽彬 | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 |
CN108629378A (zh) * | 2018-05-10 | 2018-10-09 | 上海鹰瞳医疗科技有限公司 | 图像识别方法和设备 |
CN109087241A (zh) * | 2018-08-22 | 2018-12-25 | 东北农业大学 | 一种农业作物图像数据无损采集方法 |
CN109738450A (zh) * | 2019-01-09 | 2019-05-10 | 合肥联宝信息技术有限公司 | 笔记本键盘的检测方法和装置 |
CN109738450B (zh) * | 2019-01-09 | 2021-06-29 | 合肥联宝信息技术有限公司 | 笔记本键盘的检测方法和装置 |
CN109872304A (zh) * | 2019-01-17 | 2019-06-11 | 京东方科技集团股份有限公司 | 图像缺陷检测方法及装置、电子设备、存储介质 |
US11151712B2 (en) | 2019-01-17 | 2021-10-19 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting image defects, computing device, and computer readable storage medium |
CN109949210A (zh) * | 2019-03-07 | 2019-06-28 | 北京麦哲科技有限公司 | 一种扫描图像背景的移除方法和装置 |
CN112150398B (zh) * | 2019-06-27 | 2024-03-22 | 杭州海康威视数字技术股份有限公司 | 图像合成方法、装置及设备 |
CN112150398A (zh) * | 2019-06-27 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 图像合成方法、装置及设备 |
CN110288655B (zh) * | 2019-06-28 | 2021-06-15 | 深圳市同为数码科技股份有限公司 | 一种自动识别chart图片中测试图案位置的方法及装置 |
CN110288655A (zh) * | 2019-06-28 | 2019-09-27 | 深圳市同为数码科技股份有限公司 | 一种自动识别chart图片中测试图案位置的方法及装置 |
CN110310279A (zh) * | 2019-07-09 | 2019-10-08 | 苏州梦想人软件科技有限公司 | 矩形及曲边矩形边角图像识别方法 |
CN110717899A (zh) * | 2019-09-25 | 2020-01-21 | 武汉易视维科技有限公司 | 一种透明滤棒爆珠缺陷在线视觉检测方法 |
CN111178210A (zh) * | 2019-12-21 | 2020-05-19 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种十字标记的图像识别及对准方法 |
CN111768409A (zh) * | 2020-09-03 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 基于人工智能的箱式结构检测方法及装置 |
CN113160028A (zh) * | 2021-02-24 | 2021-07-23 | 陕西师范大学 | 基于彩色字符画的信息隐藏及恢复方法、设备及存储介质 |
CN112801096A (zh) * | 2021-03-29 | 2021-05-14 | 常州三点零智能制造有限公司 | 一种车牌自动检测算法 |
TWI799265B (zh) * | 2022-05-12 | 2023-04-11 | 瑞昱半導體股份有限公司 | 超解析度裝置及方法 |
CN117474903A (zh) * | 2023-12-26 | 2024-01-30 | 浪潮电子信息产业股份有限公司 | 一种图像侵权检测方法、装置、设备及可读存储介质 |
CN117474903B (zh) * | 2023-12-26 | 2024-03-22 | 浪潮电子信息产业股份有限公司 | 一种图像侵权检测方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914687A (zh) | 一种基于多通道和多阈值的矩形目标识别方法 | |
Wei et al. | Multi-vehicle detection algorithm through combining Harr and HOG features | |
Bilal et al. | Real-time lane detection and tracking for advanced driver assistance systems | |
CN111145161B (zh) | 一种路面裂缝数字图像处理和识别的方法 | |
Yu et al. | A novel license plate location method based on wavelet transform and EMD analysis | |
CN106815583B (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
Deb et al. | Vehicle license plate detection method based on sliding concentric windows and histogram. | |
CN107705301B (zh) | 一种基于无人机航拍公路图像的公路标线破损检测方法 | |
CN110210451B (zh) | 一种斑马线检测方法 | |
Zhang et al. | Study on traffic sign recognition by optimized Lenet-5 algorithm | |
CN111444778B (zh) | 一种车道线检测方法 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN110619279A (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
CN107704833A (zh) | 一种基于机器学习的前方车辆检测与跟踪方法 | |
CN104966047A (zh) | 一种车牌识别的方法及装置 | |
CN102243705A (zh) | 基于边缘检测的车牌定位方法 | |
CN103699876B (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
CN113989308B (zh) | 一种基于霍夫变换与模板匹配的多边形目标分割方法 | |
CN111666811A (zh) | 一种提取交通场景图像中交通标志牌区域方法及系统 | |
CN104268509A (zh) | 泥头车车牌检测的方法及系统 | |
Khin et al. | License plate detection of Myanmar vehicle images captured from the dissimilar environmental conditions | |
CN105335704A (zh) | 一种基于双线性插值的车道线识别方法与装置 | |
Huang | Research on license plate image segmentation and intelligent character recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140709 |
|
WD01 | Invention patent application deemed withdrawn after publication |