CN106558060A - 图片处理方法和装置 - Google Patents
图片处理方法和装置 Download PDFInfo
- Publication number
- CN106558060A CN106558060A CN201510617104.1A CN201510617104A CN106558060A CN 106558060 A CN106558060 A CN 106558060A CN 201510617104 A CN201510617104 A CN 201510617104A CN 106558060 A CN106558060 A CN 106558060A
- Authority
- CN
- China
- Prior art keywords
- picture
- straight line
- white
- pixel
- deep learning
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 230000001143 conditioned effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 7
- 239000008187 granular material Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本申请提出一种图片处理方法和装置,该图片处理方法包括:获取待处理的图片;采用霍夫变换检测所述图片是否是拼接图;如果所述图片不是拼接图,采用预先建立的深度学习模型检测所述图片是否是多主体图;如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行预设处理。该方法能够提高拼接图检测的效率和效果,并可以高效的检测出多主体图。
Description
技术领域
本申请涉及图片处理技术领域,尤其涉及一种图片处理方法和装置。
背景技术
拼接图是指人工将多张图片拼接为一张图片,多主体图是指一张图片中有多个明显的主体。在实际应用中需要检测出拼接图和多主体图,以便进一步处理。
现有技术中,有一些拼接图检测算法,但是检测效率低,效果差,现有技术中缺乏多主体图的高效的检测方案。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的一个目的在于提出一种图片处理方法,该方法可以提高拼接图检测的效率和效果,并可以高效的检测出多主体图。
本申请的另一个目的在于提出一种图片处理装置。
为达到上述目的,本申请第一方面实施例提出的图片处理方法,包括:获取待处理的图片;采用霍夫变换检测所述图片是否是拼接图;如果所述图片不是拼接图,采用预先建立的深度学习模型检测所述图片是否是多主体图;如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行预设处理。
本申请第一方面实施例提出的图片处理方法,通过霍夫变换检测图片是否是拼接图,可以提高拼接图检测的效率和效果,通过深度学习算法,可以高效的检测出多主体图,从而可以对拼接图和多主体图进行后续处理。
为达到上述目的,本申请第二方面实施例提出的图片处理装置,包括:获取模块,用于获取待处理的图片;第一检测模块,用于采用霍夫变换检测所述图片是否是拼接图;第二检测模块,用于如果所述图片不是拼接图,采用预先建立的深度学习模型检测所述图片是否是多主体图;处理模块,用于如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行预设处理。
本申请第二方面实施例提出的图片处理装置,通过霍夫变换检测图片是否是拼接图,可以提高拼接图检测的效率和效果,通过深度学习算法,可以高效的检测出多主体图,从而可以对拼接图和多主体图进行后续处理。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请一实施例提出的图片处理方法的流程示意图;
图2是本申请另一实施例提出的图片处理方法的流程示意图;
图3是本申请另一实施例提出的图片处理装置的结构示意图;
图4是本申请另一实施例提出的图片处理装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本申请一实施例提出的图片处理方法的流程示意图,该方法包括:
S11:获取待处理的图片。
例如,对于获取的每张图片,将每张图片分别作为待处理的图片进行后续处理,以检测出其是否是拼接图或多主体图,以及对拼接图和多主体图进行预设处理。
S12:采用霍夫变换检测所述图片是否是拼接图。
一些实施例中,参见图2,拼接图的检测流程可以包括:
S211:检测待处理的图片的边缘像素点。
本实施例中,可以采用canny算法检测图片的边缘像素点。
例如,先设置canny算子的下限阈值和上限阈值,如果一个像素点的梯度大于上限阈值,则被认为是边缘像素点,如果小于下限阈值,则被认为不是边缘像素点,如果介于上限阈值与下限阈值之间,则当这个像素点与高于上限阈值的像素点连接时被认为是边缘像素点,否则不是边缘像素点。下限阈值例如为50,上限阈值例如为200。
S212:根据所述边缘像素点进行霍夫变换,检测所述图片中的直线。
霍夫(hough)变换是图像处理中识别几何形状的一种方法,在图像处理中有着广泛应用。
在霍夫变换时,可以将边缘像素点变换为霍夫空间内的直线,再根据霍夫空间内直线的相交点可以检测出图片中的直线。
本实施例中,在霍夫变换时可以采用如下参数:霍夫空间的r的粒度大小设置为1,霍夫空间的θ的粒度大小设置为1度,直线上点的阈值设置为100。
经过上述霍夫变换,通常会检测出图片中上千条直线,检测出的直线可以用极坐标(r,θ)表示。
S213:在检测出的直线中过滤掉不满足预设条件的直线,得到剩余的直线。
不满足预设条件的直线例如指非竖直、非水平、非靠近图片中心的直线。
一些实施例中,所述在检测出的直线中过滤掉不满足预设条件的直线,得到剩余的直线,包括:
根据检测出的直线的角坐标过滤掉非竖直和非水平的直线;
根据检测出的直线的半径坐标和角坐标,计算直线距离图片中心的水平位置信息或垂直位置信息,根据水平位置信息或垂直位置信息过滤掉非靠近图片中心的直线。
例如,直线垂直时角坐标需要满足:-0.01<θ<0.01;直线水平时角坐标需要满足:直线垂直时,距离图片中心的水平位置信息:直线水平时,距离图片中心的垂直位置信息:可以设置0.3<posh<0.7,以及,0.3<posv<0.6,将不满足前述条件的直线过滤掉。
S214:检测剩余的直线是否是白色拼接线;
一些实施例中,检测剩余的直线是否是白色拼接线,包括:
对应每条剩余的直线,获取对应的直线周围的预设区域内的像素点;
计算获取的像素点的颜色均值;
计算颜色均值与白色的颜色值之间的均方差;
如果均方差小于预设阈值,则确定直线是白色拼接线。
例如,经过上一步骤的过滤,可以得到靠近中心的、垂直或水平的直线,对于水平直线,计算其上下c个像素区域内像素点的RGB颜色均值,对垂直直线计算其左右c个像素区域内像素点的RGB颜色均值,计算该颜色均值与白色的RGB颜色(255,255,255)的均方差,如果小于阈值γ,则标记为白色拼接线,实际中γ例如取值为500。
S215:检测所述图片的背景颜色是否是白色;
一些实施例中,检测所述图片的背景颜色是否是白色,包括:
获取图片的预设范围内的像素点;
计算获取的像素点的颜色值;
计算颜色值大于预设值的像素点在获取的像素点中的比例;
如果所述比例超过预设值,则确定所述图片的背景颜色是白色。
例如,获取图片中间1/2区域的像素点(对应水平直线获取上下各1/2,对应垂直直线获取左右各1/2),如果像素点的RGB值均大于240,则标记为近似白色点,当近似白色点占1/2像素区域超过30%时,该区域标记为图片的背景颜色是白色。
S216:判断图片是否是拼接图,若是,执行S231,否则执行S224。
其中,如果所述剩余的直线是白色拼接线,且所述图片的背景颜色不是白色,则确定所述图片是拼接图,否则不是拼接图。
S13:如果所述图片不是拼接图,采用预先建立的深度学习模型检测所述图片是否是多主体图。
一些实施例中,参见图2,建立深度学习模型的流程可以包括:
S221:获取训练集合。
例如,预先对收集的多张商品图片进行人工标注,其中所述多张商品图片包括非多主体图及多主体图。随机选择第一数量的商品图片作为训练集,并选择第二数量的商品图片作为验证集。
S222:采用预设的深度学习网络对训练集合进行训练,得到深度学习网络模型。
深度学习网络例如:Alexnet网络、VGG结构网络、GoogleNET结构网络等。本实施例以Alexnet网络为例。
采用Alexnet网络对训练集进行训练后,可以得到Alexnet模型。
S223:对深度学习网络模型进行调整训练,得到深度学习二分类模型。
例如,在获取的Alexnet模型的基础上进行调整(finetune)训练,在训练过程采用验证集进行验证,在十万轮时算法收敛,精度为97.5%,得到二分类模型。
S221-S223可以在离线预先完成。
在得到二分类模型后,可以在线采用二分类模型检测图片是否是多主体图(S224)。
S14:如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行预设处理。
例如,预设处理是指过滤处理,从而过滤掉拼接图(S231)或者过滤掉多主体图(S232),如果图片既不是拼接图也不是多主体图,可以按照正常图片的处理(S233),例如保存图片等。
本实施例中,通过霍夫变换检测图片是否是拼接图,可以提高拼接图检测的效率和效果,通过深度学习算法,可以高效的检测出多主体图,从而可以对拼接图和多主体图进行后续处理。
图3是本申请另一实施例提出的图片处理装置的结构示意图,该装置30包括:获取模块31、第一检测模块32、第二检测模块33和处理模块34。
获取模块31,用于获取待处理的图片;
例如,对于获取的每张图片,将每张图片分别作为待处理的图片进行后续处理,以检测出其是否是拼接图或多主体图,以及对拼接图和多主体图进行预设处理。
第一检测模块32,用于采用霍夫变换检测所述图片是否是拼接图;
一些实施例中,参见图4,所述第一检测模块32包括:
第一单元321,用于检测所述图片的边缘像素点;
本实施例中,可以采用canny算法检测图片的边缘像素点。
例如,先设置canny算子的下限阈值和上限阈值,如果一个像素点的梯度大于上限阈值,则被认为是边缘像素点,如果小于下限阈值,则被认为不是边缘像素点,如果介于上限阈值与下限阈值之间,则当这个像素点与高于上限阈值的像素点连接时被认为是边缘像素点,否则不是边缘像素点。下限阈值例如为50,上限阈值例如为200。
第二单元322,用于根据所述边缘像素点进行霍夫变换,检测所述图片中的直线;
霍夫(hough)变换是图像处理中识别几何形状的一种方法,在图像处理中有着广泛应用。
在霍夫变换时,可以将边缘像素点变换为霍夫空间内的直线,再根据霍夫空间内直线的相交点可以检测出图片中的直线。
本实施例中,在霍夫变换时可以采用如下参数:霍夫空间的r的粒度大小设置为1,霍夫空间的θ的粒度大小设置为1度,直线上点的阈值设置为100。
经过上述霍夫变换,通常会检测出图片中上千条直线,检测出的直线可以用极坐标(r,θ)表示。
第三单元323,用于在检测出的直线中过滤掉不满足预设条件的直线,得到剩余的直线;
不满足预设条件的直线例如指非竖直、非水平、非靠近图片中心的直线。
一些实施例中,所述第三单元323具体用于:
根据检测出的直线的角坐标过滤掉非竖直和非水平的直线;
根据检测出的直线的半径坐标和角坐标,计算直线距离图片中心的水平位置信息或垂直位置信息,根据水平位置信息或垂直位置信息过滤掉非靠近图片中心的直线。
例如,直线垂直时角坐标需要满足:-0.01<θ<0.01;直线水平时角坐标需要满足:直线垂直时,距离图片中心的水平位置信息:直线水平时,距离图片中心的垂直位置信息:可以设置0.3<posh<0.7,以及,0.3<posv<0.6,将不满足前述条件的直线过滤掉。
第四单元324,用于检测剩余的直线是否是白色拼接线;
一些实施例中,所述第四单元324具体用于:
对应每条剩余的直线,获取对应的直线周围的预设区域内的像素点;
计算获取的像素点的颜色均值;
计算颜色均值与白色的颜色值之间的均方差;
如果均方差小于预设阈值,则确定直线是白色拼接线。
例如,经过上一步骤的过滤,可以得到靠近中心的、垂直或水平的直线,对于水平直线,计算其上下c个像素区域内像素点的RGB颜色均值,对垂直直线计算其左右c个像素区域内像素点的RGB颜色均值,计算该颜色均值与白色的RGB颜色(255,255,255)的均方差,如果小于阈值γ,则标记为白色拼接线,实际中γ例如取值为500。
第五单元325,用于检测所述图片的背景颜色是否是白色;
一些实施例中,所述第五单元325具体用于:
获取图片的预设范围内的像素点;
计算获取的像素点的颜色值;
计算颜色值大于预设值的像素点在获取的像素点中的比例;
如果所述比例超过预设值,则确定所述图片的背景颜色是白色。
例如,获取图片中间1/2区域的像素点(对应水平直线获取上下各1/2,对应垂直直线获取左右各1/2),如果像素点的RGB值均大于240,则标记为近似白色点,当近似白色点占1/2像素区域超过30%时,该区域标记为图片的背景颜色是白色。
第六单元326,用于如果所述剩余的直线是白色拼接线,且所述图片的背景颜色不是白色,则确定所述图片是拼接图。
第二检测模块33,用于如果所述图片不是拼接图,采用预先建立的深度学习模型检测所述图片是否是多主体图;
一些实施例中,参见图4,所述深度学习模型是深度学习二分类模型,所述装置还包括:
训练模型35,用于获取训练集合;采用预设的深度学习网络对训练集合进行训练,得到深度学习网络模型;对深度学习网络模型进行调整训练,得到深度学习二分类模型。
例如,预先对收集的多张商品图片进行人工标注,其中所述多张商品图片包括非多主体图及多主体图。随机选择第一数量的商品图片作为训练集,并选择第二数量的商品图片作为验证集。
深度学习网络例如:Alexnet网络、VGG结构网络、GoogleNET结构网络等。本实施例以Alexnet网络为例。
采用Alexnet网络对训练集进行训练后,可以得到Alexnet模型。
例如,在获取的Alexnet模型的基础上进行调整(finetune)训练,在训练过程采用验证集进行验证,在十万轮时算法收敛,精度为97.5%,得到二分类模型。
在得到二分类模型后,可以在线采用二分类模型检测图片是否是多主体图。
处理模块34,用于如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行预设处理。
一些实施例中,所述处理模块34具体用于:如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行过滤处理。
本实施例中,通过霍夫变换检测图片是否是拼接图,可以提高拼接图检测的效率和效果,通过深度学习算法,可以高效的检测出多主体图,从而可以对拼接图和多主体图进行后续处理。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种图片处理方法,其特征在于,包括:
获取待处理的图片;
采用霍夫变换检测所述图片是否是拼接图;
如果所述图片不是拼接图,采用预先建立的深度学习模型检测所述图片是否是多主体图;
如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行预设处理。
2.根据权利要求1所述的方法,其特征在于,所述采用霍夫变换检测所述图片是否是拼接图,包括:
检测所述图片的边缘像素点;
根据所述边缘像素点进行霍夫变换,检测所述图片中的直线;
在检测出的直线中过滤掉不满足预设条件的直线,得到剩余的直线;
检测剩余的直线是否是白色拼接线;
检测所述图片的背景颜色是否是白色;
如果所述剩余的直线是白色拼接线,且所述图片的背景颜色不是白色,则确定所述图片是拼接图。
3.根据权利要求2所述的方法,其特征在于,所述在检测出的直线中过滤掉不满足预设条件的直线,得到剩余的直线,包括:
根据检测出的直线的角坐标过滤掉非竖直和非水平的直线;
根据检测出的直线的半径坐标和角坐标,计算直线距离图片中心的水平位置信息或垂直位置信息,根据水平位置信息或垂直位置信息过滤掉非靠近图片中心的直线。
4.根据权利要求2所述的方法,其特征在于,所述检测剩余的直线是否是白色拼接线,包括:
对应每条剩余的直线,获取对应的直线周围的预设区域内的像素点;
计算获取的像素点的颜色均值;
计算颜色均值与白色的颜色值之间的均方差;
如果均方差小于预设阈值,则确定直线是白色拼接线。
5.根据权利要求2所述的方法,其特征在于,所述检测所述图片的背景颜色是否是白色,包括:
获取图片的预设范围内的像素点;
计算获取的像素点的颜色值;
计算颜色值大于预设值的像素点在获取的像素点中的比例;
如果所述比例超过预设值,则确定所述图片的背景颜色是白色。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述深度学习模型是深度学习二分类模型,所述方法还包括:
获取训练集合;
采用预设的深度学习网络对训练集合进行训练,得到深度学习网络模型;
对深度学习网络模型进行调整训练,得到深度学习二分类模型。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述预设处理是过滤处理。
8.一种图片处理装置,其特征在于,包括:
获取模块,用于获取待处理的图片;
第一检测模块,用于采用霍夫变换检测所述图片是否是拼接图;
第二检测模块,用于如果所述图片不是拼接图,采用预先建立的深度学习模型检测所述图片是否是多主体图;
处理模块,用于如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行预设处理。
9.根据权利要求8所述的装置,其特征在于,所述第一检测模块包括:
第一单元,用于检测所述图片的边缘像素点;
第二单元,用于根据所述边缘像素点进行霍夫变换,检测所述图片中的直线;
第三单元,用于在检测出的直线中过滤掉不满足预设条件的直线,得到剩余的直线;
第四单元,用于检测剩余的直线是否是白色拼接线;
第五单元,用于检测所述图片的背景颜色是否是白色;
第六单元,用于如果所述剩余的直线是白色拼接线,且所述图片的背景颜色不是白色,则确定所述图片是拼接图。
10.根据权利要求9所述的装置,其特征在于,所述第三单元具体用于:
根据检测出的直线的角坐标过滤掉非竖直和非水平的直线;
根据检测出的直线的半径坐标和角坐标,计算直线距离图片中心的水平位置信息或垂直位置信息,根据水平位置信息或垂直位置信息过滤掉非靠近图片中心的直线。
11.根据权利要求9所述的装置,其特征在于,所述第四单元具体用于:
对应每条剩余的直线,获取对应的直线周围的预设区域内的像素点;
计算获取的像素点的颜色均值;
计算颜色均值与白色的颜色值之间的均方差;
如果均方差小于预设阈值,则确定直线是白色拼接线。
12.根据权利要求9所述的装置,其特征在于,所述第五单元具体用于:
获取图片的预设范围内的像素点;
计算获取的像素点的颜色值;
计算颜色值大于预设值的像素点在获取的像素点中的比例;
如果所述比例超过预设值,则确定所述图片的背景颜色是白色。
13.根据权利要求8-12任一项所述的装置,其特征在于,所述深度学习模型是深度学习二分类模型,所述装置还包括:
训练模块,用于获取训练集合;采用预设的深度学习网络对训练集合进行训练,得到深度学习网络模型;对深度学习网络模型进行调整训练,得到深度学习二分类模型。
14.根据权利要求8-12任一项所述的装置,其特征在于,所述处理模块具体用于:如果所述图片是拼接图,或者,所述图片是多主体图,对所述图片进行过滤处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510617104.1A CN106558060A (zh) | 2015-09-24 | 2015-09-24 | 图片处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510617104.1A CN106558060A (zh) | 2015-09-24 | 2015-09-24 | 图片处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106558060A true CN106558060A (zh) | 2017-04-05 |
Family
ID=58414179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510617104.1A Pending CN106558060A (zh) | 2015-09-24 | 2015-09-24 | 图片处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106558060A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221742A (zh) * | 2021-05-12 | 2021-08-06 | 北京百度网讯科技有限公司 | 视频分屏线确定方法、装置、电子设备、介质和程序产品 |
WO2021212977A1 (zh) * | 2020-04-24 | 2021-10-28 | 京东方科技集团股份有限公司 | 图像颜色过滤方法及装置、电子设备、存储介质 |
CN116724885A (zh) * | 2023-07-28 | 2023-09-12 | 中国农业大学 | 一种脉冲气流式分层对靶番茄智能授粉装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004350508A (ja) * | 2003-05-27 | 2004-12-16 | Japan Science & Technology Agency | 核領域認識における結合核領域の切断方法 |
CN102760286A (zh) * | 2012-06-07 | 2012-10-31 | 广东威创视讯科技股份有限公司 | 一种拼接墙的拼接缝识别方法及消除方法 |
CN103544703A (zh) * | 2013-10-19 | 2014-01-29 | 侯俊 | 数字图像拼接检测方法 |
CN104504802A (zh) * | 2014-10-23 | 2015-04-08 | 深圳怡化电脑股份有限公司 | 一种纸币拼接信号的检测方法 |
CN104537647A (zh) * | 2014-12-12 | 2015-04-22 | 中安消技术有限公司 | 一种目标检测方法及装置 |
-
2015
- 2015-09-24 CN CN201510617104.1A patent/CN106558060A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004350508A (ja) * | 2003-05-27 | 2004-12-16 | Japan Science & Technology Agency | 核領域認識における結合核領域の切断方法 |
CN102760286A (zh) * | 2012-06-07 | 2012-10-31 | 广东威创视讯科技股份有限公司 | 一种拼接墙的拼接缝识别方法及消除方法 |
CN103544703A (zh) * | 2013-10-19 | 2014-01-29 | 侯俊 | 数字图像拼接检测方法 |
CN104504802A (zh) * | 2014-10-23 | 2015-04-08 | 深圳怡化电脑股份有限公司 | 一种纸币拼接信号的检测方法 |
CN104537647A (zh) * | 2014-12-12 | 2015-04-22 | 中安消技术有限公司 | 一种目标检测方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021212977A1 (zh) * | 2020-04-24 | 2021-10-28 | 京东方科技集团股份有限公司 | 图像颜色过滤方法及装置、电子设备、存储介质 |
US11830107B2 (en) | 2020-04-24 | 2023-11-28 | Boe Technology Group Co., Ltd. | Method and apparatus for filtering image colors, electronic device and storage medium |
CN113221742A (zh) * | 2021-05-12 | 2021-08-06 | 北京百度网讯科技有限公司 | 视频分屏线确定方法、装置、电子设备、介质和程序产品 |
CN113221742B (zh) * | 2021-05-12 | 2023-07-18 | 北京百度网讯科技有限公司 | 视频分屏线确定方法、装置、电子设备、介质和程序产品 |
CN116724885A (zh) * | 2023-07-28 | 2023-09-12 | 中国农业大学 | 一种脉冲气流式分层对靶番茄智能授粉装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10133941B2 (en) | Method, apparatus and device for detecting lane boundary | |
CN106920219B (zh) | 物品缺陷检测方法、图像处理系统与计算机可读记录介质 | |
CN101916378B (zh) | 易混淆字符的识别方法及装置 | |
CN102750535B (zh) | 自动提取图像前景的方法和系统 | |
CN106407924A (zh) | 基于路面特征的双目道路识别检测方法 | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
CN101694472B (zh) | 缺陷孔图像识别方法 | |
CN107705283B (zh) | 基于Otsu图像分割的颗粒与气泡碰撞检测方法 | |
US20160148063A1 (en) | Traffic light detection | |
CN104867144B (zh) | 基于混合高斯模型的ic元件焊点缺陷检测方法 | |
CN106504580A (zh) | 一种车位检测方法及装置 | |
US20160162741A1 (en) | Method and apparatus for tunnel decision | |
CN106558060A (zh) | 图片处理方法和装置 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
CN111062285B (zh) | 一种基于深度学习算法的停车场智能监控识别系统 | |
CN103308523B (zh) | 多尺度瓶口缺陷检测方法及装置 | |
CN108090459B (zh) | 一种适用于车载视觉系统的交通标志检测识别方法 | |
CN101858768A (zh) | 一种饮料灌装后液位检测装置及方法 | |
CN103198705A (zh) | 车位状态自动检测方法 | |
CN107545254A (zh) | 路面洁净度的检测方法及装置 | |
CN105139397A (zh) | 一种pcb板检测方法及装置 | |
CN104063877A (zh) | 一种候选车道线混合判断识别方法 | |
CN103021179A (zh) | 基于实时监控视频中的安全带检测方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN110807765A (zh) | 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1235528 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170405 |
|
RJ01 | Rejection of invention patent application after publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1235528 Country of ref document: HK |