CN105528485B - 一种从位图自动轮廓提取及路径生成的方法 - Google Patents
一种从位图自动轮廓提取及路径生成的方法 Download PDFInfo
- Publication number
- CN105528485B CN105528485B CN201510889453.9A CN201510889453A CN105528485B CN 105528485 B CN105528485 B CN 105528485B CN 201510889453 A CN201510889453 A CN 201510889453A CN 105528485 B CN105528485 B CN 105528485B
- Authority
- CN
- China
- Prior art keywords
- bitmap
- bitmap file
- conversion treatment
- cutting
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种从位图自动轮廓提取及路径生成的方法,包括以下步骤:(1)读取位图文件,并将读取到的数据进行存储;(2)将位图文件转化成灰度图;(3)选择二值化算法进行二值化处理;(4)轮廓提取预处理;(5)轮廓提取;(6)切割路径生成。本发明实现了在无需专业设计人员的参与或只需专业设计人员较少的参与下便能由位图文件生成切割路径,减小了切割路径生成的复杂度,而且能大大提高切割路径的生成效率及准确性,提高切割精度及其自动化程度,具有很好的推广应用的前景。
Description
技术领域
本发明属于数控切割领域,涉及一种从位图提取轮廓的技术,尤其涉及一种从位图自动轮廓提取及路径生成的方法。
背景技术
当前数控切割机已广泛应用于箱包、服装、皮革、卫浴、装潢、印刷以及广告等行业,从切割方式上来看主要可分为两种类型:一种是在切割前无需进行定位,设计人员直接在电脑上用CAD/CAM类软件设计各种图案并保存为矢量文件,切割机控制软件直接由相应的矢量文件产生切割路径并进行切割,这类切割适用于传统的服装、皮革、箱包、纸模、立体拼插等应用场景;另一种是为了实现定制化的需求,在切割物上预先喷绘了特殊的图案,因此切割前需先进行定位,另外还需要用矢量化软件,如Adobe Illustrator或CorelDraw等,在原始图片中将切割路径勾勒出来,并标定好定位符信息,再保存为DXF或PLT格式的矢量文件,之后从该矢量文件产生切割路径并进行切割,这类切割使用于印刷包装、广告牌制作等应用场景。
对于上述的第一种切割类型,原本就需要设计人员对切割的内容进行设计,所以专业设计人员的参与是必要的;对于第二种切割类型,其实切割内容已经由给定的位图信息确定,但是普通的切割设备都不能由位图文件直接产生切割矢量路径,仍需专业的设计人员人工参与矢量路径生成,费时费力,而且产生的矢量路径会随着设计人员的不同而有各式各样细微的差异,这些差异将直接反应到实际切割上,进而造成切割结果的不一致性。
发明内容
为了解决上述的问题,本发明的目的是a)提出一条简单实用的打印前位图文件预处理方法;b)对上述处理好的位图文件提供两种自动轮廓提取及路径生成的方法,这两种方法实现了无需专业设计人员参与或者只需要较少专业设计人员的参与下,由位图文件产生切割路径。
本发明采用如下技术方案:
A)一条简单实用的打印前位图文件预处理方法,包括以下步骤:
SA1:通过常用的设计软件(如Photoshop、Adobe Illustrator、Coreldraw等),对单独的位图文件进行合理的排版,并设定相应的打印尺寸;
SA2:如果需要精确定位切割,要在图片的边缘空隙处添加定位符,通常将定位符按大约相等的间距分布在整幅画面中,每幅画面中通常有4个(至少3个)或4个以上合理分布的定位符;如果不需要定位切割,则可以直接执行下一步;
SA3:将上述定稿的图片,按照标准的位图格式(如BMP,JPG,PNG,TIFF,PDF等)输出整幅位图文件;
B)从位图文件自动轮廓提取及路径生成的方法,包括以下两种状况:I)被切割图案的背景为白色或无色,II)被切割图案的背景有比较复杂的颜色。
对于状况I)的处理步骤如下:
SBI1:读取位图文件,将读取的数据存储到计算机内存;
SBI2:判断位图文件是否为彩色位图,若位图文件为彩色位图,将其转化为灰度图;
SBI3:对步骤SBI2中的结果进行二值化处理得到二值图,二值化处理的阈值可以人为设定,并通过实时观察图像边缘二值化的效果来判断最佳的阈值;
SBI4:对步骤SBI3中的二值图进行轮廓提取预处理;所述轮廓提取预处理包括:反色处理、填充前景孔洞处理、孤点消除处理、外边框消除处理;
SBI5:自动轮廓线提取;在二值图的轮廓中提取多个线段,多个线段组成多边形,得到多个多边形,按照惩罚策略确定最优多边形并将其作为轮廓线;
SBI6:人工轮廓选择;用户可以手动将步骤SBI5中所确定的轮廓线中不需要的线段直接删除,或者添加SBI5中所确定的轮廓线中缺少的某些线段,从而得到最终的轮廓线;
SBI7:结合最终轮廓线和切割机的相应机械参数,生成最终的切割路径。
进一步地,所述位图文件包括BMP、JPG、PNG、TIFF、PDF等格式的位图文件。
进一步地,所述步骤SBI3中的二值化处理为:对所需处理的切割位图文件进行统计,并对经典的二值化算法进行优先级排序,利用优先级高的二值化算法对位图文件进行二值化处理,对于当前二值化处理结果不能满足用户要求的,用户可直接调用指定阈值的二值化算法重新对位图文件进行二值化处理,直至产生最优结果。
进一步地,所述步骤SBI4中的填充前景孔洞为:当只需要切割外轮廓时,通过填充前景孔洞来消除内轮廓;所述孤点消除为:当图像的噪点较多时,通过孤点消除删除二 值图中无效的噪点,噪点的判断阈值根据实际需要进行设定。
进一步地,所述步骤SBI5中的惩罚策略为:利用惩罚把不同的多边形路径组成一个加权有向图,根据图中的最优路径算法确定最优多边形。
对于状况II)的处理步骤如下:
SBII1:读取位图文件,将读取的数据存储到计算机内存;
SBII2:判断位图文件是否为彩色位图,若位图文件为彩色位图时,将其转化为灰度图;
SBII3:对步骤SBII2中的结果进行边界提取,使用常用的边界提取算法,如Roberts,Sobel,Prewitt,Krisch,Laplacian和Guass-Laplacian算子,生成边界灰度图;
SBII4:将步骤SBII3中的边界灰度图做反色处理;
SBII5:对步骤SBII4中的结果进行局部(由用户选择的)和/或全图二值化处理得到二值图,二值化处理的阈值可以人为设定,并通过实时观察图像边缘二值化的效果来判断最佳的阈值;
SBII6:对步骤SBII5中的二值图进行轮廓提取预处理;所述轮廓提取预处理包括:反色处理、填充前景孔洞处理、孤点消除处理、外边框消除处理;
SBII7:自动轮廓线提取;在二值图的轮廓中提取多个线段,多个线段组成多边形,得到多个多边形,对得到的闭合多边形,按照惩罚策略确定最优多边形并将其作为轮廓线;
SBII8:人工轮廓选择;用户可以手动将步骤SBII7中的所确定的轮廓线中不需要的轮廓线直接删除,或者添加SBI7中所确定的轮廓线中缺少的某些线段,从而得到最终的轮廓线;
SBII9:结合最终轮廓线和切割机的相应机械参数,生成最终的切割路径。
进一步地,所述位图文件包括BMP、JPG、PNG、TIFF、PDF等格式的位图文件。
进一步地,所述步骤SBII5中的二值化处理为:对所需处理的切割位图文件进行统计,并对经典的二值化算法进行优先级排序,利用优先级高的二值化算法对位图文件进行二值化处理,对于当前二值化处理结果不能满足用户要求的,用户可直接调用指定阈值的二值化算法重新对位图文件进行二值化处理,直至产生最优结果。
进一步地,所述步骤SBII6中的填充前景孔洞为:当只需要切割外轮廓时,通过填充前景孔洞来消除内轮廓;所述孤点消除为:当图像的噪点较多时,通过孤点消除删除 二值图中无效的噪点,噪点的判断阈值根据实际需要进行设定。
进一步地,所述步骤SBII7中的惩罚策略为:利用惩罚把不同的多边形路径组成一个加权有向图,根据图中的最优路径算法确定最优多边形
本发明的有益效果:
与传统方法相比,本发明提出的自动轮廓提取及路径生成的方法,在无需专业设计人员的参与或只需专业技术人员较少的参与下便能由位图文件生成切割路径,从而减小了切割路径生成的复杂度,而且能大大提高切割路径的生成效率及准确性,提高切割精度及其自动化程度;
本发明在二值化处理前将彩色图转化为灰度图,减少了后续处理的数据量,在不影响最终处理结果的情况下,能有效减少实际切割应用中大分辨率的位图文件内存占用率,并能提高整个生成过程的处理速度;
本发明在对位图文件进行二值化处理时,在统计的基础上对二值化算法进行优先级排序,优先使用统计最优算法进行二值化处理,能尽可能的减少人工的参与,提高了整个处理过程的自动化程度;
本发明通过轮廓提取预处理,提供了多种方法为进一步的轮廓提取做准备,例如,当前只需要切割外轮廓时,可通过填充前景孔洞来消除内轮廓;如果图像的噪点比较多,可通过孤点消除删除二值图中无效的噪点,而且噪点的判断阈值可根据实际需要进行设定。
附图说明
图1是本发明的一种实施主要步骤的流程示意图;
图2~图4是本发明一种实施的外轮廓切割路径的生成过程示意图;
图5~图7是本发明一种实施的内外轮廓切割路径的生成过程示意图;
图8是本发明惩罚策略实例中的二值化处理示例图;
图9是本发明惩罚策略实例中的外轮廓多边形;
图10是本发明惩罚策略实例中的加权有向图。
具体实施方式
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的附图。
如图1所示,本发明的一种从位图自动轮廓提取及路径生成的方法,包括以下主要步骤:
S1:读取位图文件,将读取的数据存储到计算机内存;所述位图文件包括BMP、JPG、PNG、TIF、PDF格式的位图文件;
S2:判断位图文件是否为彩色位图,若位图文件为彩色位图,将其转化为灰度图;从而实现减少了后续处理的数据量,在不影响最终处理结果的情况下,能有效减少实际切割应用中大分辨率的位图文件内存占用率,并能提高整个生成过程的处理速度;
S3:对步骤S2中的结果进行二值化处理得到二值图,其中二值化处理为:对所需处理的切割位图文件进行统计,并对经典的二值化算法进行优先级排序,其中,经典的二值化算法包括自适应阈值法、灰度平均值法、谷底最小值法、黄氏模糊阈值法、双峰平均值法、百分比阈值法、迭代阈值法、大津阈值法、一维最大熵法、Kittle最小错误法;而所进行的优先级排序是在统计的结果上实施的,我们定义用户使用率越高的二值化算法优先级最高,这是一个长期统计并不断修正的过程;利用优先级高的二值化算法对位图文件进行二值化处理;一般来说,基于优先级高的二值化算法生成的切割路径会更优,但是由于切割文件的差异性,该规律并不一定适用于所有的切割位图文件,因此我们会把常见的经典二值化算法进行封装,并设有人工参与的手段,当前二值化处理结果不能满足用户要求时,用户可直接手动调用指定阈值的二值化算法重新对位图文件进行二值化处理,直至产生最优结果;在统计的基础上对二值化算法进行优先级排序,优先使用统计最优算法进行二值化处理,能尽可能的减少人工的参与,提高了整个处理过程的自动化程度;
S4:对步骤S3中的二值图进行轮廓提取预处理;所述轮廓提取预处理包括:反色处理、填充前景孔洞处理、孤点消除处理、外边框消除处理;填充前景孔洞为:当只需要切割外轮廓时,通过填充前景孔洞来消除内轮廓;所述孤点消除为:当图像的噪点较多时,通过孤点消除删除位图文件中无效的噪点,噪点的判断阈值根据实际需要进行设定;外边框消除为:有些图像会在最外边有一个外边框,如果该边框不是有效图像,可以直接删除该边框;
S5:自动轮廓提取;在二值图的轮廓中提取多个线段,多个线段组成多边形,得到多个多边形,按照惩罚策略确定最优多边形并将其作为轮廓线;其中惩罚策略是利用惩罚把不同的多边形路径组成一个加权有向图,根据图论中的最优路径算法确定最优多边形;为了说明惩罚策略,以图8所示二值图为例进行说明,图中示意了一个简单的9x9像素的二值图,黑色方格表示前景图案,白色方格表示背景,并对前景图案的外轮廓顶点进行了编号,则顶点可表示为vi,i∈{0,…,25}。
对图8中的前景图案进行外轮廓提取,则有图9中三个外轮廓多边形依次为p2、p1、p3,每个外轮廓都是由四条线段组成。
以下公式定义线段vivj的惩罚:
即线段vivj的惩罚等于它的欧几里得长度乘以路径上每个点到线段vivj的欧几里得距离的标准差,公式中dist(a,bc)表示点a距离线段bc的欧几里得距离。按照惩罚公式可以得出以下计算结果:
P0,10=2.6968
P10,14=1.2649
P10,15=2.2361
P10,16=1.9640
P14,19=1.5811
P15,19=1.6733
P16,19=0
P19,0=0
这样三个外轮廓多边形可组成图10所示的加权有向图,求最优外轮廓便可以利用图论求v0到v0最短路径的方法求出。
通过计算可以得出三个路径的惩罚和:
p1=P0,10+P10,14+P14,19+P19,0=5.5428
p2=P0,10+P10,15+P15,19+P19,0=6.6062
p3=P0,10+P10,16+P16,19+P19,0=4.6608
由此可以得知p3的惩罚最小,则确定它为最优外轮廓。
S6:人工轮廓选择;用户可以手动将步骤S5中所确定的轮廓线中不需要的轮廓线直接删除得到最终的轮廓线;
S7:结合最终轮廓线和切割机的相应机械参数,生成最终的切割路径。
图2~图4所示的是一个典型的只需要外轮廓切割路径的生成过程,图2为利用步骤S2对原始彩色位图文件进行灰度处理得到灰度图后,再根据步骤S3对所得到的灰度图进行二值化处理后所得到的二值图;由于该实例只需要外轮廓线,所以在图2中利用步骤S4实施了前景孔洞填充轮廓提取预处理,得到图3,最终利用步骤S5得到的轮廓线如图4所示,由于图4符合用户的要求,因此用户不需要删除有关轮廓线而得到最终的轮廓线,即无需采用步骤S6。
图5~图7所示的是一个典型的需要内外轮廓切割路径的生成过程,图5为利用步骤S2对原始彩色位图文件进行灰度处理得到灰度图后,再根据步骤S3对所得到的灰度图进行二值化处理后所得到的二值图;由于本实施例中需要提取内轮廓,所以利用步骤S4进行轮廓提取预处理过程中没有填充前景孔洞这步骤,这也导致了大象眼睛部分产生了部分不是实际需要的内轮廓线,图6是根据步骤S5得到的轮廓线,由于大象眼睛部分产生了部分不是实际需要的内轮廓线,因此在最终的切割路径前需根据步骤S6手动删除该部分轮廓,最终得到如图7的最终的轮廓线。
综上,可以看出,本发明提出的自动轮廓提取及路径生成的方法,在无需用户的参与或只需用户较少的参与下便能由位图文件生成切割路径,从而减小了切割路径生成的复杂度,而且能大大提高切割路径的生成效率及准确性,提高切割精度及其自动化程度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (2)
1.一种从位图自动轮廓提取及路径生成的方法,其特征是:包括以下步骤:
S1:读取位图文件,将读取的数据存储到计算机内存;
S2:判断位图文件是否为彩色位图,若位图文件为彩色位图,将其转化为灰度图;
S3:对步骤S2中的结果进行二值化处理得到二值图;
S4:对步骤S3中的二值图进行轮廓提取预处理;所述轮廓提取预处理包括:反色处理、填充前景孔洞处理、孤点消除处理、外边框消除处理;
S5:自动轮廓线提取;在二值图的轮廓中提取多个线段,多个线段组成多边形,得到多个多边形,按照惩罚策略确定最优多边形并将其作为轮廓线;
S6:人工轮廓选择;用户手动将步骤S5中所确定的轮廓线中不需要的线段直接删除,或者添加S5中所确定的轮廓线中缺少的某些线段,从而得到最终的轮廓线;
S7:结合最终轮廓线和切割机的相应机械参数,生成最终的切割路径;
所述步骤S3中的二值化处理为:对所需处理的切割位图文件进行统计,并对经典的二值化算法进行优先级排序,所述经典的二值化算法包括自适应阈值法、灰度平均值法、谷底最小值法、黄氏模糊阈值法、双峰平均值法、百分比阈值法、迭代阈值法、大津阈值法、一维最大熵法和Kittle最小错误法,利用优先级高的二值化算法对位图文件进行二值化处理,对于当前二值化处理结果不能满足用户要求的,用户直接调用指定阈值的二值化算法重新对位图文件进行二值化处理,直至产生最优结果;
所述步骤S4中的填充前景孔洞处理为:当只需要切割外轮廓时,通过填充前景孔洞来消除内轮廓;所述孤点消除处理为:当图像的噪点较多时,通过孤点消除删除二值图中无效的噪点,噪点的判断阈值根据实际需要进行设定;
所述步骤S5中的惩罚策略为:利用惩罚把不同的多边形路径组成一个加权有向图,根据图中的最优路径算法确定最优多边形。
2.根据权利要求1所述的一种从位图自动轮廓提取及路径生成的方法,其特征是:所述位图文件包括BMP、JPG、PNG、TIFF、PDF格式的位图文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510889453.9A CN105528485B (zh) | 2015-12-07 | 2015-12-07 | 一种从位图自动轮廓提取及路径生成的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510889453.9A CN105528485B (zh) | 2015-12-07 | 2015-12-07 | 一种从位图自动轮廓提取及路径生成的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105528485A CN105528485A (zh) | 2016-04-27 |
CN105528485B true CN105528485B (zh) | 2019-05-07 |
Family
ID=55770707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510889453.9A Active CN105528485B (zh) | 2015-12-07 | 2015-12-07 | 一种从位图自动轮廓提取及路径生成的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105528485B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108416732A (zh) * | 2018-02-02 | 2018-08-17 | 重庆邮电大学 | 一种基于图像配准与多分辨率融合的全景图像拼接方法 |
CN108875740B (zh) * | 2018-06-15 | 2021-06-08 | 浙江大学 | 一种应用于激光切割机的机器视觉切割方法 |
CN109255277B (zh) * | 2018-08-31 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 一种二维码解析方法及装置 |
CN110020657A (zh) * | 2019-01-15 | 2019-07-16 | 浙江工业大学 | 一种裁床的位图轮廓坐标提取方法 |
CN110111429B (zh) * | 2019-03-16 | 2022-11-18 | 哈尔滨理工大学 | 一种检测单像素血管的方法 |
CN112784842A (zh) * | 2019-11-07 | 2021-05-11 | 珠海金山办公软件有限公司 | 一种处理图像的方法、装置、计算机存储介质及终端 |
CN111055021A (zh) * | 2019-12-28 | 2020-04-24 | 深圳市诺亚云谷科技有限公司 | 一种激光打标软件的视觉定位方法 |
CN112200879B (zh) * | 2020-10-30 | 2022-06-14 | 浙江大学 | 一种地图轻量化压缩传输方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916381A (zh) * | 2010-07-13 | 2010-12-15 | 北京大学 | 基于稀疏表示的物体轮廓提取方法 |
-
2015
- 2015-12-07 CN CN201510889453.9A patent/CN105528485B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916381A (zh) * | 2010-07-13 | 2010-12-15 | 北京大学 | 基于稀疏表示的物体轮廓提取方法 |
Non-Patent Citations (2)
Title |
---|
基于矢量积的二维封闭图形轮廓信息提取方法;张淮声等;《计算机工程与应用》;20020831(第8期);第93-94、151页 |
实现数控万能水切割机自动编程的基础研究与应用;王峰;《中国知网新版网站》;20070501;第1-82页 |
Also Published As
Publication number | Publication date |
---|---|
CN105528485A (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105528485B (zh) | 一种从位图自动轮廓提取及路径生成的方法 | |
CN109190722B (zh) | 基于满文字符图片的字体风格迁移变换方法 | |
CN110930297B (zh) | 人脸图像的风格迁移方法、装置、电子设备及存储介质 | |
CN105528614B (zh) | 一种漫画图像版面的识别方法和自动识别系统 | |
JP4968882B2 (ja) | 画像検索装置、画像検索方法およびプログラム | |
US7961968B2 (en) | Image density conversion method, image enhancement processor, and program thereof | |
CN112949455B (zh) | 一种增值税发票识别系统及方法 | |
CN112069900A (zh) | 基于卷积神经网络的票据文字识别方法及系统 | |
CN110334719A (zh) | 一种提取遥感影像中建筑物图像的方法及系统 | |
CN109003287A (zh) | 基于改进遗传算法的图像分割方法 | |
CN110210347A (zh) | 一种基于深度学习的彩色套层剪纸智能设计方法 | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
CN101763510B (zh) | 交错线矢量化提取及图形识别方法 | |
CN110110829A (zh) | 一种二维码处理方法及装置 | |
CN107492082A (zh) | 一种利用边缘统计特征的mrf样本块图像修复方法 | |
CN109448093B (zh) | 一种风格图像生成方法及装置 | |
CN111462084B (zh) | 基于随机森林的图像矢量化印刷出血点预测系统和方法 | |
CN111444903B (zh) | 漫画气泡内文字定位方法、装置、设备及可读存储介质 | |
CN108062758A (zh) | 一种基于图像分割算法的人群生成仿真方法及系统 | |
CN109840924B (zh) | 一种基于串联对抗网络的产品图像快速生成方法 | |
JP2009134410A (ja) | 彩色処理装置、彩色処理方法およびプログラム | |
CN112884074B (zh) | 基于决策树的图像设计方法、设备、存储介质及装置 | |
CN115965987A (zh) | 基于异构架构的表格文字结构化识别方法 | |
CN110348452B (zh) | 一种图像二值化处理方法及其系统 | |
CN113516587A (zh) | 一种基于像素融合的袜子制版文件反求生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |