CN107194402B - 一种并行细化骨架提取方法 - Google Patents
一种并行细化骨架提取方法 Download PDFInfo
- Publication number
- CN107194402B CN107194402B CN201710215122.6A CN201710215122A CN107194402B CN 107194402 B CN107194402 B CN 107194402B CN 201710215122 A CN201710215122 A CN 201710215122A CN 107194402 B CN107194402 B CN 107194402B
- Authority
- CN
- China
- Prior art keywords
- pixel
- point
- skeleton
- image
- deletable
- 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
Images
Classifications
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种并行细化骨架提取方法,对图像进行骨架提取的并行处理中,各个像素的新值是其相邻像素值的函数,每次迭代所有像素同时处理,并保留形成最终骨架的像素点。本发明提出的并行细化骨架提取方法对二值图像进行骨架提取,效率和精度都较高,本发明方法与传统使用腐蚀获得轮廓的骨架的细化方法相比,实验表明效率和准确度都有明显提升,准确度达到了使用距离变换获得图像骨架的方法,同时速度优于距离变换获得图像骨架的方法。
Description
技术领域
本发明属于计算机机器视觉技术领域,用于对二值图像进行骨架提取,为一种并行细化骨架提取方法。
背景技术
骨架提取即提取轮廓的骨架,用于提取图像中物体的轮廓特征,广泛应用于各种领域,包括模式识别、匹配、物体跟踪等。骨架提取主要包括两种方法,包括使用腐蚀获得轮廓的骨架的细化算法,和使用距离变换获得图像的骨架的算法(DT算法)。
使用腐蚀获得轮廓的骨架的细化算法分为完全并行细化算法,如Gabor Nemeth提出的FP-E0等算法,及分步骤的并行细化算法,如经典的Zhang并行细化算法(简称zhang算法)。DT算法包括DCE算法,和直接进行距离变化通过剪枝获得轮廓骨架。
细化算法和DT算法的结果,从已发表的论文可以看出细化算法提取的骨架比较粗糙,DT算法的结果比较精确。Wei Shen提出的通过距离变换和骨架剪枝提取的结果,骨架较为平滑,且提取的骨架点均在轮廓的中轴。Zhang并行细化算法提取的结果,骨架点较为波折,且zhang算法存在缺点,对斜骨架的提取并不能达到一个像素宽。FP-E1完全并行细化算法,所用时间比Zhang算法减少很多,但其质量较差。
本发明提出一种基于模板匹配的并行细化方法。现有方法均是把zhang并行细化算法拆解为各种具体的情况,针对各种具体情形进行分析,只要满足其中一种条件,就将测试点标记为待删除点,但现有方法未考虑方向问题,采用的模板对像素点的删除操作在各个方向的速率是不同的,导致提取的骨架点不是轮廓的中轴线,精度较低。在本发明中通过将待删除点分方向删除,采用的模板对像素点的在各个方向的删除速率是一致的,从而最终未删除的骨架点在轮廓的中轴,相比于之前的算法,极大提高了精度。
发明内容
本发明要解决的问题是:在骨架提取算法中,传统算法时间效率和精度不能同时满足,作为图像处理的基础算法,应用受到限制。
本发明的技术方案为:一种并行细化骨架提取方法,对图像进行骨架提取的并行处理中,各个像素点的取值更新根据其相邻像素值的函数进行,每次迭代所有像素同时处理,并保留形成最终骨架的像素点,具体包括以下步骤:
1)二值图像中,像素点的取值为0和1,一个像素点周围围绕八个像素点,对待处理的像素点P1:定义A(P1)表示绕像素点P1顺时针方向,像素点取值构成01模式的数量,定义B(P1)表示像素点P1周围非零点的像素点个数,定义C(P1)表示像素点P1周围像素点取值构成11模式的数量;
2)根据A(P1)、B(P1)、C(P1)的取值情况判断P1点是否可以删除:
2.1)如果P1点满足以下任意条件,P1标记为可删除点:
(a)A(P1)=1∪(B(P1)=2∩B(P1)=3∩B(P1)=4)
(b)A(P1)=1∪B(P1)=5∪C(P1)=1
(c)(A(P1)=2∪B(P1)=2)∩(B(P1)=3∪C(P1)=1)
(d)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P2*P4*P6=0)
2.2)将2.1)的(d)改为:
(e)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P4*P6*P8=0)
如果P1点满足(a)(b)(c)(e)中任意条件,P1标记为可删除点;
2.3)将2.1)的(d)改为:
(f)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P6*P8*P2=0)
如果P1点满足((a)(b)(c)(f)中任意条件,P1标记为可删除点;
2.4)将2.1)的(d)改为:
(g)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P8*P2*P4=0)
如果P1点满足(a)(b)(c)(g)中任意条件,P1标记为可删除点;
对图像的像素依次迭代进行上述2.1)-2.4)的判断条件,判断像素点是否满足删除条件,直到运行到某次迭代时图像中没有像素点被标记为可删除点,迭代终止;
3)对像素点是否可删除的条件进行限制,保证骨架的连续性:在标记P1可以删除后,在后续判断P1右侧像素点P4及下方像素点P6能否删除时,如果P1的左侧像素点和P4的右侧点都为0,则P4标记为不可删除点,如果P1的上侧像素点和P6的下侧点都为0,则P6标记为不可删除点;
4)通过以上步骤对待处理二值图像进行逐像素迭代判断,将标记为可删除的点删除,得到二值图像的骨架。
步骤1)中A(P1)、B(P1)、C(P1)的计算方法为:
A(P1)=(1-P2)*P3+(1-P3)*P4+(1-P4)*P5+(1-P5)*P6+(1-P6)*P7+(1-P7)*P8+(1-P8)*P9+(1-P9)*P2
B(P1)=P2+P3+P4+P5+P6+P7+P8+P9
C(P1)=P2*P4+P4*P6+P6*P8+P8*P2
其中,P1、P2、P3、P4、P5、P6、P7、P8、P9表示像素点,它们的空间位置为:以P1为中心,P2位于P1的上方,绕P1顺时针方向依次均匀分布P2-P9。
作为优选方式,步骤2)中各判断条件采用模板匹配法实现,预先将各个符合判断条件的像素点分布情况作为模板,在判断是否删除像素点时,通过计算像素点的A(P1)值、B(P1)值和C(P1)值,判断是否符合模板中的删除条件。
本发明提出的并行细化骨架提取方法对二值图像进行骨架提取,效率和精度都较高。传统的基于模板的并行细化算法,通常只考虑了是否符合模板的条件,而未对符合模板的点的删除方向进行分类,从而导致最终获得的骨架和轮廓的骨架有误差。本发明中使细化算法中的腐蚀待删除点的方向在各个方向上是等效的,在步骤2)中,2.1)-2.4)的(a)(b)(c)是共用的判断条件,而(d)(e)(f)(g)控制删除点的方向,从轮廓的右、下、左、上方向依次进行删除,判断条件一致,删除点的速率一致,使最终保留的骨架点在轮廓的中轴位置,从而获得了与通过距离变换提取轮廓中轴的骨架提取算法相媲美的结果,而通过距离变换提取轮廓中轴的骨架提取算法由于需要求取轮廓点的housdoff变换,计算量比较大,但本发明提出的方法,完全是像素级的简单运算,计算量小,因此速度上获得了极大的提高。本发明方法与传统使用腐蚀获得轮廓的骨架的细化方法相比,实验表明效率和准确度都有明显提升,准确度达到了使用距离变换获得图像骨架的方法,同时速度优于距离变换获得图像骨架的方法。
附图说明
图1为本发明中待处理的像素点P1与其周围像素点的空间位置关系示意图。
图2为本发明的判断条件A(P1)=1且B(P1)=2时,对应的像素点模板。
图3为本发明的判断条件B(P1)=3时,对应的像素点模板。
图4为本发明的判断条件B(P1)=4时,对应的像素点模板。
图5为本发明的判断条件B(P1)=5时,对应的像素点模板。
图6为本发明的判断条件B(P1)=6时,对应的像素点模板。
图7为本发明的判断条件A(P1)=2和B(P1)=3和C(P1)=1时,对应的像素点模板。
图8为本发明步骤2)的结果,显示了判断是否删除像素点后的执行结果。
图9为大象图像使用本发明方法的结果图。
图10为大象图像使用Wei Shen提出的通过距离变换提取轮廓骨架的方法的执行结果。
图11为大象图像使用zhang并行细化算法执行结果。
图12为字符图像使用本发明方法的结果图。
图13为字符图像使用zhang并行细化算法执行结果。
图14为字符图像使用Wei Shen提出的通过距离变换提取轮廓骨架的算法的执行结果。
具体实施方式
本发明提出一种新的细化方法,通过并行提升效率,减少运行时间,通过模板控制删除像素点的方向,使像素点的删除方向在各个方向是等速率的,使提取的骨架点在轮廓的中轴位置,通过增加匹配模板,解决了zhang算法的骨架并非单像素宽的问题,明显提高了结果的质量。下面具体说明本发明的实施。
1)本发明方法处理的是二值图像,针对二值图像通过条件判断边缘点是否需要删除,像素点的取值为0和1,0代表黑色背景像素,1代表白色物体像素点;对待处理的像素点P1:定义A(P1)表示绕像素点P1顺时针方向,像素点取值构成01模式的数量,定义B(P1)表示像素点P1周围非零点的像素点个数,定义C(P1)表示像素点P1周围像素点取值构成11模式的数量;
具体计算方法为:
A(P1)=(1-P2)*P3+(1-P3)*P4+(1-P4)*P5+(1-P5)*P6+(1-P6)*P7+(1-P7)*P8+(1-P8)*P9+(1-P9)*P2
B(P1)=P2+P3+P4+P5+P6+P7+P8+P9
C(P1)=P2*P4+P4*P6+P6*P8+P8*P2
其中,P1、P2、P3、P4、P5、P6、P7、P8、P9表示像素点,它们的空间位置为:以P1为中心,绕P1顺时针方向依次均匀分布P2-P9,如图1所示。
2)在检测中,本发明方法首先根据以下条件判断P1点是否标记为应该删除:
2.1)如果P1点满足以下任意条件,P1标记为可删除点:
(a)A(P1)=1∪(B(P1)=2∩B(P1)=3∩B(P1)=4)
(b)A(P1)=1∪B(P1)=5∪C(P1)=1
(c)(A(P1)=2∪B(P1)=2)∩(B(P1)=3∪C(P1)=1)
(d)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P2*P4*P6=0)
2.2)将2.1)的(d)改为:
(e)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P4*P6*P8=0)
如果P1点满足(a)(b)(c)(e)中任意条件,P1标记为可删除点;
2.3)将2.1)的(d)改为:
(f)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P6*P8*P2=0)
如果P1点满足((a)(b)(c)(f)中任意条件,P1标记为可删除点;
2.4)将2.1)的(d)改为:
(g)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P8*P2*P4=0)
如果P1点满足(a)(b)(c)(g)中任意条件,P1标记为可删除点;
对图像的像素依次迭代进行上述2.1)-2.4)的判断条件,判断像素点是否满足删除条件,直到运行到某次迭代时图像中没有像素点被标记为可删除点,迭代终止;即第一次循环先用2.1)条件判断图像中待删除像素点,第二次用2.2)判断待删除像素点,第三次用2.3)判断待删除像素点,第四次用2.4)判断待删除像素点,四个步骤循环进行,直到某次循环没有检测到像素点可以删除。
上述判断像素点是否可以删除时,优选采用模板匹配法实现,预先将各个符合判断条件的像素点分布情况作为模板,在判断是否为可删除像素点时,通过计算像素点的A(P1)值、B(P1)值和C(P1)值,判断是否符合模板中的删除条件,提高处理速度。A(P1)=1且B(P1)=2时,模板如图2所示,B(P1)=3时模板如图3所示,B(P1)=4时模板如图4所示,B(P1)=5时模板如图5所示,B(P1)=6时模板如图6所示,A(P1)=2和B(P1)=3和C(P1)=1时,模板如图7所示。
执行步骤2)的结果如图8所示,可以看到此时提取的骨架是不连续的,中间存在断点。
3)在步骤2)中每一次迭代的每一个步骤后,判断是否满足以下条件:在标记P1可以删除后,在后续判断P1右侧像素点P4及下方像素点P6能否删除时,如果P1的左侧像素点和P4的右侧点都为0,则P4标记为不可删除点,如果P1的上侧像素点和P6的下侧点都为0,则P6标记为不可删除点。步骤3)执行后的结果如图9所示,此时提取的骨架已经是连续的了。
表1显示zhang并行细化算法和本发明方法在大象图片上的运行效率对比,程序运行平台为ThinkPad T450(i5-6200U CPU,4GB RAM),两种方法均是使用Opencv软件库编写,在Windows7操作系统下运行。可以看到本发明方法运行时间比zhang算法减少47.43%。
表1 zhang算法和本发明方法结果对比
方法 | 运行时间 | 循环次数 | 图像大小 |
zhang算法 | 1008.71ms | 220 | 612*467 |
本发明方法 | 530.291ms | 166 | 612*467 |
本发明方法的提取的骨架准确度与图11的zhang算法运行结果相比大大提高,与图10的Wei Shen算法运行结果比较,达到Wei Shen提出的通过距离变换提取轮廓骨架的算法精度。
表2为对应于图12和图13的字符图像执行结果比较,将本发明方法和zhang算法在字符图像方面运行实验,通过两种方法的对比分析,本发明方法比zhang算法在运行时间和骨架精度上都有显著提高。
表2
方法 | 运行时间 | 循环次数 | 图像大小 |
本发明方法 | 12.6602ms | 19 | 400*130 |
zhang算法 | 54.4813ms | 24 | 400*130 |
表3所示为Wei Shen提出的通过距离变换提取轮廓骨架的算法,因为算法中需要进行距离变换并评价骨架段的有效性,图14的结果表明该算法仅支持单目标。而本发明则可以识别同样的图且时间更快,只需12.6602ms。
表3 Wei Shen算法运行结果
图片 | 运行时间 | 图像大小 |
单目标大象图片(图10) | 7.677692s | 612*467 |
多目标字符图像(图14) | 1.464675s | 400*130 |
Claims (3)
1.一种并行细化骨架提取方法,其特征是对图像进行骨架提取的并行处理中,各个像素点的取值更新根据其相邻像素值的函数进行,每次迭代所有像素同时处理,并保留形成最终骨架的像素点f,提取得到骨架,具体包括以下步骤:
1)二值图像中,每个像素点只有两种取值,白色和黑色像素点的取值分别用0和1表示,对于非图像边缘的像素点,每个像素点周围围绕八个像素点,对待处理的像素点P1:定义A(P1)表示绕像素点P1顺时针方向,像素点取值构成01模式的数量,定义B(P1)表示像素点P1周围非零点的像素点个数,定义C(P1)表示像素点P1周围像素点取值构成11模式的数量;
2)根据A(P1)、B(P1)、C(P1)的取值情况判断P1点是否可以删除:
2.1)如果P1点满足以下任意条件,P1标记为可删除点:
(a)A(P1)=1∪(B(P1)=2∩B(P1)=3∩B(P1)=4)
(b)A(P1)=1∪B(P1)=5∪C(P1)=1
(c)(A(P1)=2∪B(P1)=2)∩(B(P1)=3∪C(P1)=1)
(d)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P2*P4*P6=0)
2.2)将2.1)的(d)改为:
(e)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P4*P6*P8=0)
如果P1点满足(a)(b)(c)(e)中任意条件,P1标记为可删除点;
2.3)将2.1)的(d)改为:
(f)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P6*P8*P2=0)
如果P1点满足((a)(b)(c)(f)中任意条件,P1标记为可删除点;
2.4)将2.1)的(d)改为:
(g)(A(P1)=1∪B(P1)=5)∩(B(P1)=6∪P8*P2*P4=0)
如果P1点满足(a)(b)(c)(g)中任意条件,P1标记为可删除点;
对图像的像素依次迭代进行上述2.1)-2.4)的判断条件,判断像素点是否满足删除条件,直到运行到某次迭代时图像中没有像素点被标记为可删除点,迭代终止;
3)对像素点是否可删除的条件进行限制,保证骨架的连续性:在标记P1可以删除后,在后续判断P1右侧像素点P4及下侧像素点P6能否删除时,如果P1的左侧像素点和P4的右侧像素点都为0,则P4标记为不可删除点,如果P1的上侧像素点和P6的下侧像素点都为0,则P6标记为不可删除点;
4)通过以上步骤对待处理二值图像进行逐像素点迭代判断,将标记为可删除的点删除,得到二值图像的骨架。
2.根据权利要求1中所述的并行细化骨架提取方法,其特征是步骤1)中A(P1)、B(P1)、C(P1)的计算方法为:
A(P1)=(1-P2)*P3+(1-P3)*P4+(1-P4)*P5+(1-P5)*P6+(1-P6)*P7+(1-P7)*P8+(1-P8)*P9+(1-P9)*P2
B(P1)=P2+P3+P4+P5+P6+P7+P8+P9
C(P1)=P2*P4+P4*P6+P6*P8+P8*P2
其中,P1、P2、P3、P4、P5、P6、P7、P8、P9表示像素点,它们的空间位置为:以P1为中心,P2位于P1的上方,绕P1顺时针方向依次均匀分布P2-P9。
3.根据权利要求1中所述的并行细化骨架提取方法,其特征是步骤2)中各判断条件采用模板匹配法实现,预先将各个符合判断条件的像素点分布情况作为模板,在判断是否删除像素点时,通过计算像素点的A(P1)值、B(P1)值和C(P1)值,判断是否符合模板中的删除条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710215122.6A CN107194402B (zh) | 2017-04-02 | 2017-04-02 | 一种并行细化骨架提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710215122.6A CN107194402B (zh) | 2017-04-02 | 2017-04-02 | 一种并行细化骨架提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194402A CN107194402A (zh) | 2017-09-22 |
CN107194402B true CN107194402B (zh) | 2020-07-03 |
Family
ID=59871807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710215122.6A Active CN107194402B (zh) | 2017-04-02 | 2017-04-02 | 一种并行细化骨架提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194402B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956179A (zh) * | 2019-11-29 | 2020-04-03 | 河海大学 | 一种基于图像细化的机器人路径骨架提取方法 |
CN111507892B (zh) * | 2020-04-15 | 2022-03-15 | 广西科技大学 | 一种图像细化方法及系统 |
CN111738936A (zh) * | 2020-05-18 | 2020-10-02 | 浙江托普云农科技股份有限公司 | 基于图像处理的多株水稻穗长的测量方法 |
CN113284095B (zh) * | 2021-05-08 | 2023-08-25 | 北京印刷学院 | 一种基于机器视觉的药盒内药袋数量的检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1629888A (zh) * | 2003-12-17 | 2005-06-22 | 中国科学院自动化研究所 | 一种骨架化物体重建方法 |
CN101034438A (zh) * | 2006-11-17 | 2007-09-12 | 东华大学 | 一种面向微流控芯片的智能定位方法 |
CN102122350A (zh) * | 2011-02-24 | 2011-07-13 | 浙江工业大学 | 基于骨架化和模板匹配的交警手势识别方法 |
CN102799857A (zh) * | 2012-06-19 | 2012-11-28 | 东南大学 | 一种视频多车辆轮廓检测方法 |
CN104637066A (zh) * | 2015-03-12 | 2015-05-20 | 湖南大学 | 基于序贯细化的二值图像快速骨架提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10186041B2 (en) * | 2015-04-09 | 2019-01-22 | Electronics And Telecommunications Research Institute | Apparatus and method for analyzing golf motion |
-
2017
- 2017-04-02 CN CN201710215122.6A patent/CN107194402B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1629888A (zh) * | 2003-12-17 | 2005-06-22 | 中国科学院自动化研究所 | 一种骨架化物体重建方法 |
CN101034438A (zh) * | 2006-11-17 | 2007-09-12 | 东华大学 | 一种面向微流控芯片的智能定位方法 |
CN102122350A (zh) * | 2011-02-24 | 2011-07-13 | 浙江工业大学 | 基于骨架化和模板匹配的交警手势识别方法 |
CN102799857A (zh) * | 2012-06-19 | 2012-11-28 | 东南大学 | 一种视频多车辆轮廓检测方法 |
CN104637066A (zh) * | 2015-03-12 | 2015-05-20 | 湖南大学 | 基于序贯细化的二值图像快速骨架提取方法 |
Non-Patent Citations (2)
Title |
---|
A Fast Parallel Algorithm for Thinning Digital Patterns;T. Y. ZHANG 等;《Image Processing and Computer Vision》;19840301;全文 * |
图像并行细化算法改进研究;陈梅 等;《中国印刷与包装研究》;20140205;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107194402A (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10803338B2 (en) | Method and device for recognizing the character area in a image | |
CN107194402B (zh) | 一种并行细化骨架提取方法 | |
CN107516316B (zh) | 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法 | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN107316022B (zh) | 动态手势识别方法和装置 | |
CN104992454B (zh) | 一种区域化自动变类的图像分割方法 | |
CN110706234B (zh) | 一种图像的自动精细分割方法 | |
CN111401449B (zh) | 一种基于机器视觉的图像匹配方法 | |
CN107038432B (zh) | 基于频率信息的指纹图像方向场提取方法 | |
CN102360503B (zh) | 基于空间贴近度和像素相似性的sar图像变化检测方法 | |
US9852354B2 (en) | Method and apparatus for image scoring and analysis | |
CN111640128A (zh) | 一种基于U-Net网络的细胞图像分割方法 | |
CN113298809B (zh) | 基于深度学习和超像素分割的复材超声图像缺陷检测方法 | |
CN110889374A (zh) | 印章图像处理方法、装置、计算机及存储介质 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
US20210248729A1 (en) | Superpixel merging | |
CN102800051A (zh) | 基于分数阶微分的自适应浮选泡沫图像增强方法 | |
CN113159045A (zh) | 一种结合图像预处理与卷积神经网络的验证码识别方法 | |
CN104408721A (zh) | 基于背景密度估计的印章图像提取方法 | |
Dai et al. | An Improved ORB Feature Extraction Algorithm Based on Enhanced Image and Truncated Adaptive Threshold | |
CN113223098A (zh) | 图像颜色分类的预处理优化方法 | |
CN108898045B (zh) | 基于深度学习的手势识别的多标签图像预处理方法 | |
JP5051671B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN106603888A (zh) | 图像颜色提取处理结构 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |