CN104424475A - 图像中的条纹区域的识别方法及装置 - Google Patents
图像中的条纹区域的识别方法及装置 Download PDFInfo
- Publication number
- CN104424475A CN104424475A CN201310409431.9A CN201310409431A CN104424475A CN 104424475 A CN104424475 A CN 104424475A CN 201310409431 A CN201310409431 A CN 201310409431A CN 104424475 A CN104424475 A CN 104424475A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- neighboring
- distance
- edges
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种图像中的条纹区域的识别方法和装置,其中,该方法包括:针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行;聚合多条边缘中经分析而被确定为相对平行的所有边缘;基于聚合的所有边缘,识别出相应的条纹区域。本申请基于条纹的边缘之间具有相对平行的特点,提取图像中的边缘,并聚合相对平行的边缘,来得到条纹区域。以此提高了条纹区域提取和识别的准确度。
Description
技术领域
本申请涉及图像处理与识别领域,更具体地涉及图像中的条纹区域的识别方法及装置。
背景技术
在图像识别中,纹理是指图像中区域间像素点的关系,例如:n×n像素中的均值、方差、差分,以及其他更为复杂的关系。
条纹是一种常见的纹理图案,常出现在动物毛皮、岩石地质等自然图像中,也经常被应用在衣服、鞋、帽等生活用品图像中。如图1所示,图1是包含条纹的图像的示意图。条纹是自然图像和生活用品图像中的主要的纹理。对条纹区域进行提取和识别,可以帮助我们进行纹理分类,例如:通过条纹区域的提取和识别,区分出条纹,格子,豹纹等图案;同时,可以利用条纹区域的分布更准确地分割图像,从而可以从图片中提取和识别出图片中的物体。
在传统的条纹区域提取与识别方法中,首先,以多个尺度在图像中提取每个像素点的纹理特征。然后,将纹理特征相似且空间连续的像素点进行聚合;或者利用纹理特征差异较大的像素点将图像进行区域切割,形成多个纹理区域。最后,用事先学习好的纹理分类模型对纹理区域进行分类,其中,纹理类型包括液体纹理、印花纹理、条纹纹理等,这样可以通过纹理分类模型识别出多个纹理区域中的条纹区域;或者可以直接判定纹理区域是否是条纹区域。
然而,该方法将条纹当做纹理来处理,在很多情况下并不合适。
纹理只在指定尺度下衡量才有意义,才能正确的表示纹理特征,因此,在提取纹理特征之前需要确定一个尺度,例如,预先确定在n×n(如,3×3)的像素提取图像中的纹理特征,可以在图像的区域中以该尺度提取纹理特征,再基于提取的像素点的纹理特征对图像进行识别。但是,条纹的宽度、间距在不同尺度的图像中差别很大,而只有在合适的尺度下,提取的纹理特征才能准确地表征条纹,如果尺度选择错误,那么提取出结果就不能代表图像中这部分的纹理特征。例如:黑白条纹衣服被放置于杂乱的背景中,如果尺度选择的太小,区域中只包括一条白色条纹或黑色条纹,则提取结果就是纯色纹理;而如果尺度选择的太大,区域中包括了衣服和背景,则提取结果就是杂乱纹理了。因此,需要多尺度地提取纹理特征,并对不同尺度下提取出的纹理特征分别进行识别,这样才可能在其中一个尺度上正确地识别出条纹区域。但是如何选择合适的尺度,并且不同尺度间的纹理特征如何量化,还是一个难题。并且,单个像素点并不是描述条纹最好的基本单位,以像素点为单位对图像进行分割,对于条纹区域边缘的分割准确性不高。
另一种常见的条纹区域提取与识别方法,可以提取图像中的边缘,利用条纹具有统一方向的特性,来识别图像中的条纹区域。
边缘是指图像上亮度或者颜色变化强烈的像素点所组成的线。其中边缘可以是开放的,也可以是封闭的,如图2所示是图像中的边缘示意图,其中图2A是图像中的开放边缘,图2B是图像中的封闭边缘。
首先,提取图像中的边缘。然后,分析提取的边缘是否有显著的主方向,将没有主方向的边缘判定为非条纹区域。将具有主方向的边缘判定为条纹区域。最后,合并空间距离接近且有相同主方向的条纹区域,以得到面积更大的条纹区域。
但是,这种方法并不是所有的条纹都可以进行识别。例如,很多条纹包含有圆弧或者折角。即使是那些方向一致性很好的条纹,由于其附着的衣物、皮毛的弯曲、褶皱,也会形成圆弧、折角的情况,导致条纹失去方向性。该方法对于这些没有方向性的条纹都无法识别。
发明内容
为克服现有技术存在的条纹区域提取、识别不准确,或无法提取、识别的缺陷,本申请的主要目的在于提供一种图像中的条纹区域的识别方法及装置,以解决更准确地提取、识别图像条纹区域的技术问题。
本申请一方面提供的一种图像中的条纹区域的识别方法,包括:针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行;聚合所述多条边缘中经所述分析而被确定为相对平行的所有边缘;基于聚合的所有边缘,识别出相应的条纹区域。
进一步地,所述相对平行,包括:边缘与相邻边缘之间相互平行或近似平行。
进一步地,针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行,包括:若边缘与相邻边缘之间的距离处处相等或近似相等,或者,垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,则确定所述边缘与所述相邻边缘相对平行。
进一步地,边缘与相邻边缘之间的距离处处相等或近似相等,包括:边缘上的每一个像素点到相邻边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,并且,相邻边缘上的每一个像素点到边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,则边缘与相邻边缘之间的距离为处处相等或近似相等。
进一步地,垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,包括:所述边缘上的每一个像素点的方向角和所述相邻边缘上的每一个像素点的方向角都等于或近似等于零度;其中,方向角是指以像素点为基准点引出的法线和以与所述像素点对应的相对像素点为基准点引出的法线之间的夹角。
进一步地,基于聚合的所有边缘,识别出相应的条纹区域,包括:将聚合的所有边缘所包含的轮廓的内部,作为条纹区域而识别出。
进一步地,基于聚合的所有边缘,识别出相应的条纹区域,包括:在聚合的所有边缘中,将边缘上的像素点与所述边缘的相邻边缘上的像素点连线,以得到填充区域作为条纹区域而识别出。
本申请另一方面提供的一种图像中的条纹区域的识别装置,包括:分析模块,用于针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行;聚合模块,用于聚合所述多条边缘中经所述分析而被确定为相对平行的所有边缘;识别模块,用于基于聚合的所有边缘,识别出相应的条纹区域。
进一步地,所述相对平行,包括:边缘与相邻边缘之间相互平行或近似平行。
进一步地,所述分析模块进一步包括:若边缘与相邻边缘之间的距离处处相等或近似相等,或者,垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,则确定所述边缘与所述相邻边缘相对平行。
进一步地,所述分析模块,包括:所述边缘与相邻边缘之间的距离处处相等或近似相等,包括:边缘上的每一个像素点到相邻边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,并且,相邻边缘上的每一个像素点到边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,则边缘与相邻边缘之间的距离为处处相等或近似相等。
进一步地,所述分析模块,包括:所述垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,包括:所述边缘上的每一个像素点的方向角和所述相邻边缘上的每一个像素点的方向角都等于或近似等于零度;其中,方向角是指以像素点为基准点引出的法线和以与所述像素点对应的相对像素点为基准点引出的法线之间的夹角。
进一步地,所述识别模块进一步包括:将聚合的所有边缘所包含的轮廓的内部,作为条纹区域而识别出。
进一步地,所述识别模块进一步包括:在聚合的所有边缘中,将边缘上的像素点与所述边缘的相邻边缘上的像素点连线,以得到填充区域作为条纹区域而识别出。
与现有技术相比,根据本申请的技术方案具有以下有益效果:
本申请基于条纹的边缘之间具有相对平行的特点,提取图像中的边缘,并聚合相对平行的边缘,来得到条纹区域。以此提高了条纹区域提取和识别的准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是包含条纹的图像的示意图;
图2是图像中的边缘示意图;
图3是根据本申请一实施例的图像中的条纹区域的识别方法的流程图;
图4是根据本申请一实施例的图像中的条纹区域的识别方法中步骤S320的一具体实施流程图;
图5是根据本申请一实施例的像素点与相对像素点的方向角和距离的示意图;
图6是根据本申请一实施例的方向角直方图和距离直方图的示意图;
图7是根据本申请一实施例的图像中的条纹区域的识别方法的效果图;以及
图8是根据本申请一实施例的图像中的条纹区域的识别装置的结构图。
具体实施方式
本申请的主要思想在于,根据条纹具有方向性并且具有明显边缘的特性,提取出图像中的边缘,分析相邻的边缘之间是否相对平行,将相对平行的边缘聚合在一起,进而可以扩展到将多条相对平行的边缘进行聚合,得到(提取)以识别出这些边缘所组成的条纹区域。本申请通过该方法提高了条纹区域提取与识别的准确性。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
如图3所示,图3是根据本申请一实施例的图像中的条纹区域的识别方法的流程图。
在步骤S310处,提取图像中的多条边缘。
边缘可以是指图像上亮度或者颜色变化强烈的像素点所组成的宽度是一个像素点的线。例如:图像中的边缘可以是直线、曲线、折线等。在图像中可以包括多条边缘,图像中的边缘保留了原始图像中相当重要的信息。可以通过提取图像中的边缘识别出图像中的条纹区域。
在一个实施例中,提取图像中的边缘可以根据图像像素差分梯度的极值来获得。图像像素差分梯度表示图像中的像素点与相邻像素点之间的纹理特征的差,得到的差值可以被称作梯度值。其中,该纹理特征是表征像素点的特征值,如像素点的灰度值、色度值等。例如,像素点和相邻像素点的梯度值,可以是对像素点和相邻像素点的灰度值取一阶梯度或二阶梯度。图像像素差分梯度的极值,表示该像素点的梯度值大于(或小于)周围其他像素点的梯度值,也即是说,该像素点的梯度值是周围其他像素点梯度值中的峰值(最大值或最小值)。
可以将梯度值是最大值的像素点,认定为梯度值是周围其他像素点梯度值中的极值(峰值)的像素点,并将该梯度值是最大值的像素点,作为组成边缘的像素点。
一种图像边缘检测中的梯度值计算方法,可以采用Sobel算子,计算梯度矢量(图像像素差分梯度值),即得到一像素位置的梯度值。其可以包含两组3*3矩阵,即水平方向的梯度Gx和垂直方向的梯度Gy,将这两个矩阵分别与区域A进行平面卷积计算,可以得到区域A内每一个像素点的梯度值,计算公式是(其中,A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像):
则梯度的值(梯度的大小)
梯度的方向Θ=atan2(Gy,Gx)
进一步地,还可以采用Canny算法、高斯拉普拉斯零交叉点算法等方式,由像素的差分梯度的值,获得图像像素差分梯度的“极值”,进而确定由这些极值对应的像素点所组成的边缘,并提取出图像中的各条边缘。
在另一个实施例中,提取图像中的边缘可以通过提取图像中的区域来获得。该图像中的区域是指相邻的多个像素点组成的集合,其中,区域中的多个像素点具有相同或相似的纹理特征。例如,区域中的多个像素点灰度值相同或相近。将每一个区域的轮廓作为图像中的边缘,其中,区域的轮廓可以由区域边界的像素点组成,例如:提取图像中的区域可以采用二值化、分水岭等方式来获得。其中,二值化可以包括Otsu、Niblack等算法。
提取出区域后,确定该区域的轮廓或者说边界像素点,从而获得区域的边缘。该区域中的最外侧的像素点(轮廓),以及区域中包围孔洞的像素点(轮廓),这些像素点所组成区域的轮廓即是区域的边缘。提取出的边缘,可以包括开放边缘和封闭边缘,如图2所示。对于提取出的边缘是开放型边缘或是封闭型边缘,一种方式,可以根据组成边缘的像素点是否可以形成一个环形来进行判断。若组成边缘的像素点可以形成环形,则该边缘是封闭边缘;若组成边缘的像素点不可以形成环形,则该边缘是开放型边缘。
在步骤S320处,针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行。
相对平行,可以表示边缘与相邻边缘之间相互平行或近似平行(基本平行)。若边缘与相邻边缘之间的距离处处相等或近似相等,或者,垂直于边缘的直线也垂直或近似垂直于相邻边缘且垂直于相邻边缘的直线也垂直或近似垂直于边缘,则可以确定边缘与相邻边缘相对平行。满足相互近似垂直、或处处近似相等的边缘与相邻边缘可以看做近似平行。
对于条纹来说,每条条纹都具有明显的边缘,而且条纹之间具有方向性,该方向性例如,条纹之间的弯曲方向一致。所以这些边缘可以拥有相对平行的特征。例如:条纹的相邻边缘之间的距离处处相等,所以边缘之间互不相交(无交点),满足平行线特性。但是,当图像中条纹所附着的衣服、动物皮毛等存在弯曲或褶皱时,条纹之间产生形变,导致条纹的边缘不能严格的平行,然而,这些形变的边缘依旧保持着接近于平行线特性的条件。例如:条纹的形变处的相邻的边缘之间依旧保持距离处处相等,或者形变处的相邻的边缘之间的距离可以近似处处相等,可以将这样的边缘称作相对平行。又如:两边缘为曲线,并且两曲线之间距离处处相等(无交点),也可以将这两条曲线称作相对平行。对于分析边缘与相邻边缘是否相对平行,可以参照图4所示,图4是根据本申请一实施例的图像中的条纹区域的识别方法中步骤S320的一具体实施流程图。图4分析的具体实施流程仅为一例子,分析流程可以有多种具体实施方式,不限于本申请描述的该具体实施流程。
在步骤S410处,在边缘的每个面中,计算边缘上的像素点与相邻边缘上的相对像素点的方向角和距离。
图像中的每条边缘都有两个面,换言之,任一边缘及边缘的延长线都可以将图像分割为两个部分,每个部分为边缘的一个面。例如,边缘的两个面为左侧面和右侧面,或者内侧面和外侧面,等。
边缘的相邻边缘是指在边缘的每个面中,与该边缘在位置上最靠近的边缘。换言之,每条边缘有两个面,则每条边缘可以存在两条相邻边缘,即,在边缘的每个面中可以存在一条该边缘的相邻边缘。当边缘靠近图像最外侧时,该边缘的一个面中可以无相邻边缘。
每条边缘有两个面,每条边缘上的每个像素点在这两个面上都有一个法向方向。以边缘上的像素点为基准点,可以在边缘的每个面中引出法向量(法线)。相对像素点是在边缘的每一个面中,沿该法向量的法向方向,在相邻边缘上对应的像素点。也即是说,边缘上的像素点可以在每个面的相邻边缘上存在一个相对像素点。当边缘为封闭边缘时,如矩形边缘,则当从矩形的一边向另一边引出法线时,可以将矩形边缘的另一边作为相邻边缘。换言之,与像素点对应的相对像素点,可以是边缘或相邻边缘上的一个所述像素点为基准引法线,该法线与相邻边缘或边缘相交处的属于相邻边缘或边缘的一个像素点,则可以称为与引法线的该像素点对应的相对像素点
进一步地,在边缘的每个面中,当边缘上的像素点存在与其对应的相对像素点时,则将该像素点标记为有效像素点,因为在后续的计算中,只针对有效像素点进行,所以后续若不做特殊说明,将有效像素点简称为像素点。当边缘上的像素点不存在相对像素点时,或者像素点与相对像素点之间的距离d大于第一阈值时,则将该像素点标记为无效像素点。第一阈值用于限定像素点与相对像素点之间的距离,避免出现与边缘相邻的边缘相距甚远不能形成条纹的情况,或者,当边缘长度大于相邻边缘时,边缘长于相邻边缘的部分上的像素点,在相邻边缘上没有相对像素点,继而法向量指向相邻边缘之外的其他边缘的像素点,并将该像素点误作为相邻像素点。
像素点与相对像素点的方向角可以是以边缘上的像素点为基准点引出第一法线,并在相邻边缘上确定出该像素点的相对像素点,再以该相对像素点为基准点,向该像素点所在的边缘的方向引出第二法线,第一法线和第二法线之间的夹角θ可以被称作该像素点的方向角,也即是该像素点与其相对像素点的方向角。其中,0≤θ≤90°。
像素点与相对像素点的距离,可以是像素点与其相对像素点之间的直线距离。
例如图5:如图5是根据本申请一实施例的像素点与相对像素点的方向角和距离的示意图。边缘l上有一像素点A。边缘l可以通过像素点A向边缘l的两个面引出法向量,如,法向量α、法向量β(第一法线)。通过法向量β的法向方向,可以在边缘l的右侧面的相邻边缘l’上找到像素点B,该像素点B是像素点A的相对像素点。边缘l’可以通过像素点B向边缘l’的两个面引出法向量,如,法向量γ(第二法线)、法向量δ。这里,像素点A的方向角,即像素点A与其相对像素点B的方向角是法向量β与法向量γ之间的夹角θ,其中,0≤θ≤90°。像素点A与其相对像素点B的距离d是这两个像素点之间的直线距离。
进一步地,通过计算得到边缘上的每个像素点与相邻边缘上的相对像素点的方向角和距离的方式,将这些方向角和距离记录/保存,进而可以为每一条边缘的每一面,生成/建立对应的方向角直方图和对应的距离直方图。具体而言,在边缘的每个面中,可以计算边缘上的所有像素点的与其对应的相对像素点的方向角θ和距离d,或者可以在边缘上抽取一部分像素点,计算这部分像素点与对应的相对像素点之间的方向角θ和距离d。在边缘的每个面中,通过计算得到的每个像素点与其对应的相对像素点的方向角θ和距离d,可以绘制出边缘在每个面上的方向角直方图和距离直方图。
图6所示是根据本申请一实施例的方向角直方图和距离直方图的示意图,其中,图6A是方向角直方图的示意图,图6B是距离直方图的示意图。从边缘中抽取100个像素点,并且这100个像素点均为有效像素点,用于计算像素点与其相对像素点的方向角和距离。经过计算得到这100个像素点中,像素点与相对像素点的方向角为0°的像素点有60个,方向角为1°的像素点有30个,方向角为2°的像素点有5个,方向角为3°的像素点有4个,方向角为4°的像素点有1个。在这100个像素点中,像素点与相对像素点的距离为4的像素点有5个,距离为5的像素点有80个,距离为6的像素点有5个,距离为7的像素点有3个,距离为8的像素点有2个,距离为9的像素点有1个。
在步骤S420处,根据得到的像素点与其相对像素点的方向角θ和距离d,得到该边缘的相关参数。
相关参数可以包括:平均方向角、峰值距离、方向角小于预定值(a)的像素点占比、像素点距离与峰值距离接近的像素点的占比,等。
平均方向角(Eangle)是指在边缘的每个面中,计算得到的所有的像素点与相对像素点方向角的平均值。也即是说,在方向角直方图中,各个方向角θ的平均值即是平均方向角。
方向角小于预定值(a)的像素点占比(Fangle),是指在边缘的每个面中,方向角小于预定值(a)的像素点个数占计算了方向角的所有像素点个数的比例。由于平行线之间,一条线的垂线也垂直于另一条线,所以,平行线上的点之间的方向角为0,所以可以预先设置一个具有较小值的预定值(a),在计算过方向角的所有像素点中,筛选出方向角小于a的像素点,这些方向角小于a的像素点可能是组成相对平行的边缘的像素点。这里,边缘上的一个像素点的方向角及其相邻边缘上的一个像素点的方向角近似等于零度,而近似等于零度的情形可以是:方向角小于该预定值a。而预定值a也可以根据所属领域实际需求预先设置接近于零的数值范围。
峰值距离(D),是指在边缘的每个面中,多个像素点与相对像素点的距离中,所占比例最大的的距离。也即是说,在多个距离中,距离相等并且该距离在这多个距离中所占比例最大。例如:在图6B所示的距离直方图中,距离5占据所有距离的80%,是比例最大的一个,那么峰值距离即是占据80%(80个像素点)的距离5。
像素点距离d与峰值距离D接近的像素点的占比(Fdist),是指在边缘的一个面中,在每个像素点与其相对像素点的距离上,接近峰值距离D的像素点的个数占计算了距离的所有像素点个数的比例。在距离上接近峰值距离,可以是指峰值距离D与距离d的差值的绝对值或者峰值距离D与距离d之间的比值在预定范围k内。这里,距离d与峰值距离D的差值的绝对值在预定范围k内且不为零的,就可以看做距离d与峰值距离D是近似相等。或者,距离d与峰值距离D的比值在预定范围k内接近于1,可以将距离d与峰值距离D看做近似相等。预定范围k也可以根据所属领域的实际需求进行预先设置,一般选择接近于1的值。
由前面得到的方向角、距离、以及每条边缘的每个面建立的相应的直方图,如,方向角直方图、距离直方图,可以通过建立算法公式来计算相关参数,如平均方向角(Eangle),方向角小于预定值(a)的像素点占比(Fangle),峰值距离(D),像素点距离d与峰值距离D接近的像素点的占比(Fdist)。例如,在图6A的方向角直方图中,平均方向角为0.56°((0°×60+1°×30+2°×5+3°×4+4°×1)/100=0.56°)。将各个方向角与预定值(a)进行比较,若预定值(a)为2°,则方向角直方图中小于a=2°的方向角为0°和1°,那么方向角小于预定值(a)的像素点占比(Fangle)为90%,该占比中不包含方向角为2°的像素点。在图6B的距离直方图中,距离5占据所有距离的80%,是最大的一个,则峰值距离是5,预设差值的绝对值的预定范围是1,则可以判定该峰值距离5接近的距离是4、5和6,那么距离d与峰值距离D接近的像素点的占比为(5+80+5)/100*100%=90%(其中包含距离5所占的比例。
在一个实施例中,还可以通过公式计算出相关参数:平均方向角(Eangle),方向角小于预定值(a)的像素点的占比(Fangle),峰值距离(D),像素点距离与峰值距离接近的像素点的占比(Fdist),等。例如:
在公式(1.1)、(1.2)、(1.3)中,n是指有效像素点的个数,N是指像素点的个数。Hist(d)是用于绘制像素点与相对像素点距离d直方图的函数,argmax(Hist(d))是用于计算峰值距离D的函数,即在多个距离d中确定占比最大的距离(峰值距离D)的函数。
例如:在一个面中,边缘的像素点个数N为10,有效像素点个数n为5。通过这5个有效像素点得到方向角θ1=0,θ2=1,θ3=0,θ4=1,θ5=0。通过这5个有效像素点得到距离d1=10,d2=9,d3=10,d4=9,d5=10。根据公式(1.1)可以得到平均方向角(Eangle)=(0+1+0+1+0)/5=0.4(度)。根据公式(1.2)计算方向角小于预定值(a)的像素点的占比(Fangle),预定值a=1(度),那么h(θ,a)=5,Fangle=5/10=0.2。根据公式(1.3)计算像素点距离与峰值距离接近的像素点的占比(Fdist),预设k=0.8,通过比较得到峰值距离D=10,则,kD=8,D/k=12.5,H(d,D)=5。
在步骤S430处,基于得到的相关参数,判断该边缘是否为候选条纹边缘。
候选条纹边缘,是指符合一定条件,待确定(可能)是组成条纹区域的相对平行的边缘。候选条纹边缘可以包括条纹边缘和半条纹边缘。
其中,条纹边缘,可以是到每个面相邻边缘的直线距离都相等或都近似相等的边缘,并且,垂直于该边缘的直线也垂直或近似垂于该边缘每个面的相邻边缘。半条纹边缘,可以是到一个面相邻边缘直线距离相等或近似相等的边缘,并且垂直于该边缘的直线也垂直或近似垂于一个面的相邻边缘。
具体而言,条纹边缘,是指边缘的两个面均为条纹面。
半条纹边缘,是指边缘的两个面中,一个面是条纹面,另一个面是半条纹面或非条纹面。
在条纹边缘和半条纹边缘之外,还存在非条纹边缘,该非条纹边缘是指边缘的两个面均不是条纹面,即边缘的两面均为非条纹面,或两个面均为半条纹面,或在两个面中其中一个面为非条纹面,另一面为半条纹面。
进一步地,条纹面,可以是该面(条纹面)内所有像素点所组成的边缘相对于该面内的相邻边缘基本平行。
进一步地,半条纹面,可以是该面(半条纹面)内所有像素点中的部分像素点所拼接成的边缘相对于该面内的相邻边缘基本平行。
进一步地,非条纹面,可以是边缘的该面(非条纹面)内没有相邻边缘,或者该面的像素点所组成的边缘相对于该面内的相邻边缘不是相对平行的边缘。
可以利用平均方向角(Eangle),方向角小于预定值(a)的像素点的占比(Fangle),像素点距离与峰值距离接近的像素点的占比(Fdist)来判断边缘的每个面是否为条纹面、或半条纹面、或非条纹面,进而可以确定条纹边缘、半条纹边缘、非条纹边缘。
条纹面满足边缘的一个面,其相关参数中,平均方向角Eangle小于预设的第二阈值并且方向角小于预定值a的像素点的占比Fangle大于预设的第三阈值,或者,像素点距离与峰值距离接近的像素点的占比Fdist大于预设的第四阈值。
第二阈值可以是一个接近于0°的值,用于衡量边缘该面的所有像素点的方向角是否均接近于0°。例如,第二阈值为2°,当所有像素点的平均方向角小于2°时,则说明垂直于边缘的直线基本上也是垂直于该面内的相邻边缘的。根据图6A得到平均方向差为0.56°,则0.56°<2°,那么,图6A表示的边缘的一面,相对于该面内的相邻边缘基本平行。
第三阈值可以是一个接近于1的值,用于衡量边缘该面内的所有像素点的方向角小于预定值a的占比。例如,第三阈值为0.8,预定值a为2°,根据图6A可以得到该面的像素点的方向角小于2°的像素点占0.9,该比例0.9大于第三阈值0.8,则说明垂直于边缘的直线基本上垂直于该面内的相邻边缘的,所以边缘的该面相对于该面内的相邻边缘基本是平行的。
第四阈值可以是一个接近于1的值,用于衡量边缘该面内的所有像素点与其相对像素点的距离与峰值距离接近的像素点的占比。例如:第四阈值为0.8,根据图6B可以得到峰值距离为5,预设差值的绝对值的预定范围是1,那么,接近于峰值距离的像素点占比为0.9,可以说明该面有90%的像素点与其相对像素点的距离接近峰值距离,那么,边缘的该面与该面的相邻边缘处处相等或近似相等。
半条纹面满足边缘的一个面,其相关参数中,平均方向角Eangle小于预设的第五阈值并且方向角小于预定值a的点的占比Fangle大于预设的第六阈值,或者像素点距离与峰值距离接近的像素点的占比Fdist大于预设的第七阈值。其中,第五阈值大于第二阈值,第六阈值小于第三阈值,第七阈值小于第四阈值。
其中,第五阈值相对于第二阈值,第六阈值相对于第三阈值,第七阈值相对于第四阈值,在作用上是相同的,但是在数值上相对宽松。例如:若第二阈值为2°,那么第五阈值可以为5°;若第三阈值为0.8,那么第六阈值可以为0.5;若第四阈值为0.8,那么第七阈值可以为0.5。以此降低判断边缘的一面相对于该面内的相邻边缘是否相对平行的判断标准,扩大相对平行的边缘的比例。根据对边缘的两个面的判断,来确定该边缘的类型,当边缘为条纹边缘或半条纹边缘时,则确定该边缘为候选条纹边缘。当边缘为候选条纹边缘,并且该边缘的相邻边缘也是候选条纹边缘,并且边缘与其相邻边缘相对的面都是条纹面或半条纹面时,则可以表示边缘与其相邻边缘相对平行。记录与该边缘平行的边缘(相邻边缘)。
需要说明的是,当边缘为候选条纹边缘时,并不能表示该边缘的相邻边缘也是候选条纹边缘。例如:当两条边缘长度不等并且长边缘的长度远大于短边缘时,短边缘上的像素点均可以在长边缘上找到对应的相对像素点,而长边缘中长出来的部分的像素点则不能找到相对像素点,因为边缘之间是否相对平行,还需要分别对这两条边缘进行计算,然而该长出的部分没有与之进行比较的部分,影响到通过长边缘的像素点计算出来的相关参数,使长边缘不符合条纹面或半条纹面的条件,从而该长边缘不是候选条纹边缘。
通过对步骤S410-S430的处理,可以判断出边缘与相邻边缘是否符合相对平行的判断标准,即边缘与相邻边缘之间的直线距离处处相等或近似相等,或者垂直于边缘的直线也垂直或近似垂直于相邻边缘。概括而言,当边缘上的每一个像素点到相邻边缘的与该像素点对应的相对像素点之间的直线距离都相等或都近似相等,并且,相邻边缘上的每一个像素点到边缘上的与该像素点对应的相对像素点之间的直线距离都相等或都近似相等时,那么,边缘和相邻边缘相对的面可以被认定为条纹面,也即是,边缘和相邻边缘可以是条纹边缘或半条纹边缘(另一面不一定是条纹面),则说明边缘与相邻边缘平行,其中,所述与像素点对应的相对像素点是指以像素点为基准点引法线,所述法线在相邻边缘上所指向的像素点。或者,边缘上的每一个像素点的方向角和相邻边缘上的每一个像素点的方向角都等于或近似等于零度,那么,边缘和相邻边缘相对的面可以被认定为条纹面,也即是,边缘和相邻边缘可以是条纹边缘或半条纹边缘(另一面不一定是条纹面),则说明边缘与相邻边缘平行,其中,所述方向角是指以像素点为基准点引出的法线和以像素点对应的相对像素点为基准点引出的法线之间的夹角。
在步骤S330处,聚合相互平行的所有边缘,以识别出相应的条纹区域。从图像中提取的多条边缘,经分析、处理后确定哪些是相互平行的边缘,则将这些相互平行的边缘全部聚合起来。
若边缘与其相邻边缘相互相对平行,即,边缘与其相邻边缘都是候选条纹边缘,并且边缘和其相邻边缘相对的面均为条纹面,则将该边缘和相邻边缘聚合在一起,以形成边缘组。进一步地,可以将该聚合的边缘组进行扩展,只要两个边缘组之间存在相同(共有)的边缘,则可以将两个边缘组进行聚合,进而得到更大的边缘组。
例如:边缘n和边缘m相互相对平行,则将边缘n和边缘m聚合在一起,形成第一边缘组;边缘k和边缘l和边缘m相互相对平行,则将边缘k和边缘l和边缘m聚合在一起,形成第二边缘组;由于第一边缘组和第二边缘组都包含边缘m,则可以将边缘k、边缘l、边缘m、边缘n聚合,也即是聚合第一边缘组和第二边缘组,形成最终的边缘组。
在步骤S340处,基于聚合的所有边缘,识别出条纹区域。
条纹区域,是指由多条条纹边缘所组成的区域。可以通过最终获得的边缘组中的边缘来确定该最终获得的边缘组是否为条纹区域。
在最终获得的边缘组中,条纹边缘个数大于第八阈值,半条纹边缘占比小于第九阈值,条纹边缘的面积大于第十阈值时,则表示该边缘组中的多条边缘可以组成条纹区域。
将最终边缘组中所有条纹边缘的外接多边形作为条纹区域的轮廓,轮廓内部为条纹区域。即将聚合的所有边缘所包含的轮廓的内部,作为条纹区域而识别出。
在一个实施例中,若该最终边缘组可以组成条纹区域,可以将最终获得的边缘组中的每条边缘上的像素点与相对像素点进行连线,可以将边缘上的像素点与两个面中的相对像素点分别进行连线,将得到的填充区作为条纹区域。换言之,在聚合的所有边缘中,将边缘上的像素点与所述边缘的相邻边缘上的像素点连线,以得到填充区域作为条纹区域而识别出。
如图7所示,图7是根据本申请一实施例的图像中的条纹区域的提取与识别方法的效果图。
图7A是原图,在原始图像的基础上进行条纹区域的提取与识别。基于图7A的原图,可以得到图7B提取出的图像中的边缘,其中提取出的边缘均为封闭边缘。通过对提取出的边缘进行分析和处理,可以获得相对平行的边缘。可以在相对平行的边缘之间,将边缘上的像素点和相邻边缘上的相对像素点进行连线,如图7C所示的连衣裙中部,是对像素点和相对像素点的连线,其中,灰色连线是封闭边缘与封闭边缘之间的连线,白色连线是封闭边缘内部的连线。通过对像素点与相对像素点的连线,可以得到图7D所示的填充区,该填充区即是条纹区域。
本申请还提供了一种图像中的条纹区域的提取与识别装置。如图8所示,图8是根据本申请一实施例的图像中的条纹区域的提取与识别装置800的结构图。
根据本申请所述的装置800,包括:提取模块810、分析模块820、聚合模块830、识别模块840。
提取模块810,可以用于提取图像中的多条边缘。该提取模块810的具体实现过程可以参照步骤S310。
分析模块820,可以用于针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行。根据本申请的一个实施例,相对平行,包括:边缘与相邻边缘之间相互平行或近似平行。
根据本申请的一个实施例,分析模块820进一步包括:若边缘与相邻边缘之间的距离处处相等或近似相等,或者,垂直于边缘的直线也垂直或近似垂直于相邻边缘并且垂直于相邻边缘的直线也垂直或近似垂直于所述边缘,则确定边缘与相邻边缘相对平行。
根据本申请的一个实施例,所述分析模块820,包括:所述边缘与相邻边缘之间的距离处处相等或近似相等,包括:边缘上的每一个像素点到相邻边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,并且,相邻边缘上的每一个像素点到边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,则边缘与相邻边缘之间的距离为处处相等或近似相等。
根据本申请的一个实施例,所述分析模块820,包括:所述垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,包括:所述边缘上的每一个像素点的方向角和所述相邻边缘上的每一个像素点的方向角都等于或近似等于零度;其中,方向角是指以像素点为基准点引出的法线和以与所述像素点对应的相对像素点为基准点引出的法线之间的夹角。
该分析模块820的具体实现过程,可以参照步骤S320。
聚合模块830,可以用于聚合所述多条边缘中经所述分析而被确定为相对平行的所有边缘。该聚合模块830的具体具体实现过程,可以参照步骤S330。
识别模块840,可以用于基于聚合的所有边缘,识别出相应的条纹区域。
根据本申请的一个实施例,识别模块840进一步包括:将聚合的所有边缘所包含的轮廓的内部,作为条纹区域而识别出。
根据本申请的一个实施例,识别模块840进一步包括:在聚合的所有边缘中,将边缘上的像素点与所述边缘的相邻边缘上的像素点连线,以得到填充区域作为条纹区域而识别出。
该识别模块840所实现的操作可以参照步骤S340。
由于图8所描述的本申请的装置所包括的各个模块的具体实施方式与本申请的方法中的步骤的具体实施方式是相对应的,由于已经对图3-图7进行了详细的描述,所以为了不模糊本申请,在此不再对各个模块的具体细节进行描述。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种图像中的条纹区域的识别方法,其特征在于,包括:
针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行;
聚合所述多条边缘中经所述分析而被确定为相对平行的所有边缘;
基于聚合的所有边缘,识别出相应的条纹区域。
2.根据权利要求1所述的方法,其特征在于,所述相对平行,包括:边缘与相邻边缘之间相互平行或近似平行。
3.根据权利要求1所述的方法,其特征在于,针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行,包括:
若边缘与相邻边缘之间的距离处处相等或近似相等,或者,垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,则确定所述边缘与所述相邻边缘相对平行。
4.根据权利要求3所述的方法,其特征在于,边缘与相邻边缘之间的距离处处相等或近似相等,包括:
边缘上的每一个像素点到相邻边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,并且,相邻边缘上的每一个像素点到边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,则边缘与相邻边缘之间的距离为处处相等或近似相等。
5.根据权利要求3或4所述的方法,其特征在于,垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,包括:
所述边缘上的每一个像素点的方向角和所述相邻边缘上的每一个像素点的方向角都等于或近似等于零度;其中,
方向角是指以像素点为基准点引出的法线和以与所述像素点对应的相对像素点为基准点引出的法线之间的夹角。
6.根据权利要求1所述的方法,其特征在于,基于聚合的所有边缘,识别出相应的条纹区域,包括:将聚合的所有边缘所包含的轮廓的内部,作为条纹区域而识别出。
7.根据权利要求1所述的方法,其特征在于,基于聚合的所有边缘,识别出相应的条纹区域,包括:在聚合的所有边缘中,将边缘上的像素点与所述边缘的相邻边缘上的像素点连线,以得到填充区域作为条纹区域而识别出。
8.一种图像中的条纹区域的识别装置,其特征在于,包括:
分析模块,用于针对从图像中提取的多条边缘,分析每一条边缘与其相邻边缘是否相对平行;
聚合模块,用于聚合所述多条边缘中经所述分析而被确定为相对平行的所有边缘;
识别模块,用于基于聚合的所有边缘,识别出相应的条纹区域。
9.根据权利要求8所述的装置,其特征在于,所述相对平行,包括:边缘与相邻边缘之间相互平行或近似平行。
10.根据权利要求8所述的装置,其特征在于,所述分析模块进一步包括:
若边缘与相邻边缘之间的距离处处相等或近似相等,或者,垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,则确定所述边缘与所述相邻边缘相对平行。
11.根据权利要求10所述的装置,其特征在于,所述分析模块,包括:所述边缘与相邻边缘之间的距离处处相等或近似相等,包括:
边缘上的每一个像素点到相邻边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,并且,相邻边缘上的每一个像素点到边缘上的与所述像素点对应的相对像素点之间的直线距离都相等或都近似相等,则边缘与相邻边缘之间的距离为处处相等或近似相等。
12.根据权利要求10或11所述的装置,其特征在于,所述分析模块,包括:
所述垂直于所述边缘的直线也垂直或近似垂直于所述相邻边缘并且垂直于所述相邻边缘的直线也垂直或近似垂直于所述边缘,包括:
所述边缘上的每一个像素点的方向角和所述相邻边缘上的每一个像素点的方向角都等于或近似等于零度;其中,
方向角是指以像素点为基准点引出的法线和以与所述像素点对应的相对像素点为基准点引出的法线之间的夹角。
13.根据权利要求8所述的装置,其特征在于,所述识别模块进一步包括:将聚合的所有边缘所包含的轮廓的内部,作为条纹区域而识别出。
14.根据权利要求8所述的装置,其特征在于,所述识别模块进一步包括:在聚合的所有边缘中,将边缘上的像素点与所述边缘的相邻边缘上的像素点连线,以得到填充区域作为条纹区域而识别出。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310409431.9A CN104424475B (zh) | 2013-09-10 | 2013-09-10 | 图像中的条纹区域的识别方法及装置 |
HK15105199.1A HK1204701A1 (zh) | 2013-09-10 | 2015-06-01 | 圖像中的條紋區域的識別方法及裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310409431.9A CN104424475B (zh) | 2013-09-10 | 2013-09-10 | 图像中的条纹区域的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104424475A true CN104424475A (zh) | 2015-03-18 |
CN104424475B CN104424475B (zh) | 2018-05-01 |
Family
ID=52973393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310409431.9A Active CN104424475B (zh) | 2013-09-10 | 2013-09-10 | 图像中的条纹区域的识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN104424475B (zh) |
HK (1) | HK1204701A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147765A (zh) * | 2019-05-21 | 2019-08-20 | 新华三信息安全技术有限公司 | 一种图像处理方法及装置 |
CN111141208A (zh) * | 2019-01-09 | 2020-05-12 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
CN111246051A (zh) * | 2018-11-09 | 2020-06-05 | 浙江宇视科技有限公司 | 自动检测条纹并抑制的方法、装置、设备及存储介质 |
CN111783529A (zh) * | 2019-07-26 | 2020-10-16 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
US11389965B2 (en) | 2019-07-26 | 2022-07-19 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10272856A (ja) * | 1997-03-28 | 1998-10-13 | Sato:Kk | 熱転写インクリボン |
CN101246549A (zh) * | 2007-02-16 | 2008-08-20 | 富士通株式会社 | 用于识别图像信息中的边界线的方法和装置 |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
-
2013
- 2013-09-10 CN CN201310409431.9A patent/CN104424475B/zh active Active
-
2015
- 2015-06-01 HK HK15105199.1A patent/HK1204701A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10272856A (ja) * | 1997-03-28 | 1998-10-13 | Sato:Kk | 熱転写インクリボン |
CN101246549A (zh) * | 2007-02-16 | 2008-08-20 | 富士通株式会社 | 用于识别图像信息中的边界线的方法和装置 |
CN101944233A (zh) * | 2010-09-25 | 2011-01-12 | 西北工业大学 | 高分辨遥感图像中快速提取机场目标的方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
Non-Patent Citations (2)
Title |
---|
季虎等: "图像边缘提取方法及展望", 《计算机工程与应用》 * |
王文锋等: "基于局部方向编码的遥感影像平行边缘识别", 《光学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246051A (zh) * | 2018-11-09 | 2020-06-05 | 浙江宇视科技有限公司 | 自动检测条纹并抑制的方法、装置、设备及存储介质 |
US11689817B2 (en) | 2018-11-09 | 2023-06-27 | Zhejiang Uniview Technologies Co., Ltd. | Method and apparatus for automatically detecting and suppressing fringes, electronic device and computer-readable storage medium |
CN111141208A (zh) * | 2019-01-09 | 2020-05-12 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
CN111141208B (zh) * | 2019-01-09 | 2021-08-27 | 银河水滴科技(北京)有限公司 | 一种平行线检测方法及装置 |
CN110147765A (zh) * | 2019-05-21 | 2019-08-20 | 新华三信息安全技术有限公司 | 一种图像处理方法及装置 |
CN111783529A (zh) * | 2019-07-26 | 2020-10-16 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
CN111783529B (zh) * | 2019-07-26 | 2021-07-09 | 牧今科技 | 基于边缘和多维拐角的检测后改善 |
US11389965B2 (en) | 2019-07-26 | 2022-07-19 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
US11850760B2 (en) | 2019-07-26 | 2023-12-26 | Mujin, Inc. | Post-detection refinement based on edges and multi-dimensional corners |
Also Published As
Publication number | Publication date |
---|---|
CN104424475B (zh) | 2018-05-01 |
HK1204701A1 (zh) | 2015-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Toward automatic building footprint delineation from aerial images using CNN and regularization | |
US9619691B2 (en) | Multi-view 3D object recognition from a point cloud and change detection | |
EP2356614B1 (en) | A constraint generator for use in image segregation | |
CN104835175B (zh) | 一种基于视觉注意机制的核环境中目标检测方法 | |
CN102930268B (zh) | 一种用于污染及多视角情况下DataMatrix码的精确定位方法 | |
CN107092871B (zh) | 基于多尺度多特征融合的遥感影像建筑物检测方法 | |
CN104424475A (zh) | 图像中的条纹区域的识别方法及装置 | |
CN104408429A (zh) | 一种视频代表帧提取方法及装置 | |
CN105068918B (zh) | 一种页面测试方法及装置 | |
CN111680704B (zh) | 海洋红线新增人类活动斑块自动化快速提取方法和装置 | |
CN110188495A (zh) | 一种基于深度学习的二维户型图生成三维户型图的方法 | |
CN110490839A (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
CN103927758A (zh) | 一种基于对比度与角点最小凸包的显著性检测方法 | |
CN108830828A (zh) | 一种遥感图像变化检测方法及装置 | |
Hong et al. | The scale of a texture and its application to segmentation | |
CN109165553A (zh) | 基于深度学习的石油设施遥感自动识别方法及装置 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN105184252B (zh) | 一种基于高空间分辨率图像的水华识别方法及装置 | |
CN104143191A (zh) | 一种基于纹理元的遥感图像变化检测方法 | |
Dai et al. | Robust and accurate moving shadow detection based on multiple features fusion | |
CN106056575A (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
Moughal et al. | An automatic unsupervised method based on context-sensitive spectral angle mapper for change detection of remote sensing images | |
De Souza et al. | Hierarchical video segmentation using an observation scale | |
CN102750718B (zh) | 一种背景蒙版生成方法 | |
CN114118127B (zh) | 一种视觉场景标志检测与识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1204701 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |