CN107543507A - 屏幕轮廓的确定方法及装置 - Google Patents
屏幕轮廓的确定方法及装置 Download PDFInfo
- Publication number
- CN107543507A CN107543507A CN201710835428.1A CN201710835428A CN107543507A CN 107543507 A CN107543507 A CN 107543507A CN 201710835428 A CN201710835428 A CN 201710835428A CN 107543507 A CN107543507 A CN 107543507A
- Authority
- CN
- China
- Prior art keywords
- mrow
- munderover
- msup
- screen
- detected
- 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
Abstract
本发明公开了一种屏幕轮廓的确定方法及装置，所述方法包括：对待检测屏幕进行拍摄，得到待检测屏幕图像；将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖所述待检测屏幕图像得到的多个子图像，其中，所述模板图像是从标准图像中截取得到的，且所述模板图像包括有标准图像呈现的屏幕的轮廓，所述标准图像是利用工业相机对无屏幕轮廓缺陷的待检测屏幕进行拍摄得到的图像；将所述多个子图像分别与对应的模板图像进行匹配运算，得到与所述各模板图像匹配程度最高的子图像；根据与所述各模板图像匹配程度最高的子图像，确定所述待检测屏幕的轮廓。根据本发明的一个实施例，能够快速、准确地定位出屏幕的轮廓。
Description
技术领域
本发明涉及屏幕检测技术领域，更具体地，涉及一种屏幕轮廓的确定方法及装置。
背景技术
智能穿戴类产品是新兴起的一个科技领域，它可以记录用户的日常活动。智能穿戴类产品主要是采用有机发光二极管(Organic Light-Emitting Diode，简称OLED)作为显示屏幕。
在智能穿戴类产品组装过程中，对OLED屏幕的缺陷检测是一个重要的操作步骤。在对OLED屏幕进行检测之前，需要定位出OLED屏幕的区域。
现有技术中，对采集的图像进行屏幕区域的检测，特别是圆形屏幕的检测，主要是运用轮廓检测算法。轮廓检测算法首先利用固定阈值分割对图像进行灰度变换，再通过边缘检测算法对图像进行目标提取。但是由于轮廓检测算法对不同图像亮度的变化要求比较严格，因为不同图像，其灰度分布变化差异有可能很大，在进行阈值分割时可能出现将需要定位到的目标漏掉，所以在图像预处理期间，难以确定出一个合适的亮度阈值。这样容易导致轮廓检测算法的不稳定性，进而导致屏幕边缘区域的定位出现较大的偏差。
发明内容
本发明的一个目的是提供一种屏幕轮廓的确定方法的新技术方案。
根据本发明的第一方面，提供了一种屏幕轮廓的确定方法，包括：
对待检测屏幕进行拍摄，得到待检测屏幕图像；
将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖所述待检测屏幕图像得到的多个子图像，其中，所述模板图像是从所述标准图像中截取得到的，且所述模板图像包括有标准图像呈现的屏幕的轮廓，所述标准图像是利用工业相机对无屏幕轮廓缺陷的待检测屏幕进行拍摄得到的图像；
将所述多个子图像分别与对应的模板图像进行匹配运算，得到与所述各模板图像匹配程度最高的子图像；
根据与所述各模板图像匹配程度最高的子图像，确定所述待检测屏幕的轮廓。
可选地，在将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖所述待检测屏幕图像得到的多个子图像之前，所述方法还包括：
对所述标准图像和所述待检测屏幕图像进行压缩操作。
可选地，对所述标准图像和所述待检测屏幕图像进行压缩操作，包括：
利用高斯滤波器对所述标准图像和所述待检测图像进行卷积，且通过去除所述标准图像和所述待检测图像中的偶数或奇数行和列对应的像素的方式向下采样，得到压缩后的标准图像和待检测图像。
可选地，将所述多个子图像分别与对应的模板图像进行匹配运算，得到与所述各模板图像匹配程度最高的子图像，包括：
利用以下NCC算法公式，将所述多个子图像分别与对应的模板图像进行相似性程度计算，得到多个相似性程度值，
其中，S(i,j)(m,n)代表在所述待检测屏幕图像(i,j)处M*N区域对应的子图像内(m,n)位置的像素点的灰度值，代表所述待检测屏幕图像(i,j)处M*N区域对应的子图像中所有像素点的平均灰度值，T(m,n)代表所述模板图像内(m,n)位置的像素点的灰度值，代表所述模板图像中所有像素点的平均灰度值；
根据所述多个相似性程度值，选取出与所述各模板图像相似性程度最高的子图像。
可选地，利用NCC算法公式，将所述多个子图像分别与对应的模板图像进行相似性程度计算，得到多个相似性程度值，包括：
将所述NCC算法公式简化为下述计算式，
其中，
将简化后的NCC算法公式转化为下述计算式，
其中，f(x)＝T′(m,n)，g(x)＝Si,j(m,n)；
将简化后的NCC算法公式，结合以下差分求和定理公式，分别计算多个子图像与对应的模板图像的相似性程度，
其中，F(x)＝f(x)-f(x+1)，G(x)＝G(x-1)+g(x)。
可选地，根据与所述各模板图像匹配程度最高的子图像，确定所述待检测屏幕的轮廓，包括：
确定出与所述各模板图像匹配程度最高的子图像的中心点；
利用所述中心点确定出所述待检测屏幕的轮廓。
根据本发明的第二方面，提供了一种屏幕轮廓的确定装置，包括：
拍摄模块，用于对待检测屏幕进行拍摄，得到待检测屏幕图像；
第一确定模块，用于将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖所述待检测屏幕图像得到的多个子图像，其中，所述模板图像是从所述标准图像中截取得到的，且所述模板图像包括有标准图像呈现的屏幕的轮廓，所述标准图像是利用工业相机对无屏幕轮廓缺陷的待检测屏幕进行拍摄得到的图像；
匹配模块，用于将所述多个子图像分别与对应的模板图像进行匹配运算，得到与所述各模板图像匹配程度最高的子图像；
第二确定模块，用于根据与所述各模板图像匹配程度最高的子图像，确定所述待检测屏幕的轮廓。
可选地，所述装置还包括：
压缩模块，用于对所述标准图像和所述待检测屏幕图像进行压缩操作。
可选地，所述匹配模块还用于：利用以下NCC算法公式，将所述多个子图像分别与对应的模板图像进行相似性程度计算，得到多个相似性程度值，
其中，S(i,j)(m,n)代表在所述待检测屏幕图像(i,j)处M*N区域对应的子图像内(m,n)位置的像素点的灰度值，代表所述待检测屏幕图像(i,j)处M*N区域对应的子图像中所有像素点的平均灰度值，T(m,n)代表所述模板图像内(m,n)位置的像素点的灰度值，代表所述模板图像中所有像素点的平均灰度值；
根据所述多个相似性程度值，选取出与所述各模板图像相似性程度最高的子图像。
根据本发明的第三方面，提供了一种屏幕轮廓的确定装置，其特征在于，所述装置包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据上述任一项所述的屏幕轮廓的确定方法。
本发明提供的屏幕轮廓的确定方法及装置，能够快速、准确地定位出屏幕的轮廓。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1示出了根据本发明一个实施例的屏幕轮廓的确定方法的处理流程图。
图2示出了根据本发明一个实施例的待检测屏幕图像的示意图。
图3a示出了根据本发明一个实施例的模板图像的示意图。
图3b示出了根据本发明一个实施例的另一个模板图像的示意图。
图3c示出了根据本发明一个实施例的另一个模板图像的示意图。
图4示出了根据本发明一个实施例的高斯金字塔的示意图。
图5示出了根据本发明一个实施例的从待检测屏幕图像中去除像素点的示意图。
图6示出了根据本发明一个实施例的屏幕轮廓的确定装置的结构示意图。
图7示出了根据本发明一个实施例的另一种屏幕轮廓的确定装置的结构示意图。
图8示出了根据本发明一个实施例的另一种屏幕轮廓的确定装置的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明的一个实施例提供了一种屏幕轮廓的确定方法。图1示出了根据本发明一个实施例的屏幕轮廓的确定方法的处理流程图。参见图1，该方法至少包括步骤S101至步骤S104。
步骤S101，对待检测屏幕进行拍摄，得到待检测屏幕图像；
步骤S102，将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖待检测屏幕图像得到的多个子图像，其中，模板图像是从标准图像中截取得到的，且模板图像包括有标准图像呈现的屏幕的轮廓；
步骤S103，将多个子图像分别与对应的模板图像进行匹配运算，得到与各模板图像匹配程度最高的子图像；
步骤S104，根据与各模板图像匹配程度最高的子图像，确定待检测屏幕的轮廓。
本发明实施例提供的屏幕轮廓的确定方法，能够快速、准确地定位出屏幕的轮廓。
本发明的一个实施例中，采用高像素工业相机对待检测屏幕进行拍摄，得到待检测屏幕图像。
图2示出了根据本发明一个实施例的待检测屏幕图像的示意图。参见图2，该待检测屏幕图像显示有圆形屏幕。需要说明地是，本发明实施例提供的屏幕轮廓的确定方法适用于圆形屏幕的轮廓的确定，还可适用于方形屏幕的轮廓的确定，对此，本发明并不做出任何限定。
以图2示出的待检测屏幕图像为例，对图2示出的圆形屏幕进行屏幕轮廓的确定。首先，从标准图像中截取至少三个模板图像。
本发明实施例涉及的标准图像是将一个待检测屏幕放置在拍摄区域，利用高像素工业相机对待检测屏幕拍摄得到的图像，其中，该待检测屏幕的轮廓没有任何缺陷。需要说明地是，拍摄得到的标准图像显示的待检测屏幕的轮廓是完整的、清晰的，以保证从标准图像中截取的模板图像中的待检测屏幕的轮廓是清晰的。针对不同形状的待检测屏幕，需要提供对应的标准图像。从标准图像中截取的模板图像包括有标准图像呈现的屏幕的轮廓。优选地，标准图像呈现的屏幕的轮廓位于模板图像的中心区域。
图3a示出了根据本发明一个实施例的模板图像的示意图。图3b示出了根据本发明一个实施例的另一个模板图像的示意图。图3c示出了根据本发明一个实施例的另一个模板图像的示意图。图3a、图3b和图3c示出的三个模板图像是从确定圆形屏幕的轮廓的标准图像中截取的。
本发明的一个实施例中，在从标准图像中截取模板图像之前，对标准图像进行压缩操作。在对标准图像进行压缩操作之后，从压缩后的标准图像中截取多个模板图像。在将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖待检测屏幕图像得到的多个子图像之前，对待检测屏幕图像进行压缩操作。
本发明实施例中，运用高斯金字塔分解对标准图像和待检测屏幕图像向下采样，进行压缩操作。具体地，利用高斯滤波器对标准图像和待检测屏幕图像进行卷积，且通过去除标准图像和待检测屏幕图像中的偶数或奇数行和列对应的像素的方式向下采样，得到压缩后的标准图像和待检测屏幕图像。图4示出了根据本发明一个实施例的高斯金字塔的示意图。参见图4，高斯金字塔每一层代表一个图像。高斯金字塔对应的图像是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一图像的图像集合。高斯金字塔包含有一系列低通滤波器，主要是通过高斯平滑和亚采样获得采样图像，即第K层高斯金字塔对应的图像通过高斯平滑和亚采样处理得到第K+1层高斯金字塔对应的图像。
图5示出了根据本发明一个实施例的从待检测屏幕图像中去除像素点的示意图。参见图5，白色方格代表待检测屏幕图像中奇数行和列对应的像素点，黑色方格代表待检测屏幕图像中偶数行和列对应的像素点。利用高斯滤波器对待检测屏幕图像进行卷积，且通过去除待检测屏幕图像中偶数行和偶数列对应的像素的方式向下采样，得到压缩后的待检测屏幕图像。图5是以待检测屏幕图像为例进行说明，相应地，对于标准图像同样适用。
通过对标准图像和待检测屏幕图像进行的压缩操作处理，使得标准图像和待检测屏幕图像相较于压缩前均相对变小，这样会增加子图像与模板图像的匹配速度。
本发明的一个实施例中，利用NCC(normalized cross correlation，归一化互相匹配)算法公式，将多个子图像分别与对应的模板图像进行相似性程度计算，得到多个相似性程度值，然后，根据计算得到的多个相似性程度值，选取出与各模板图像相似性程度最高的子图像。NCC算法的公式如下：
其中，S(i,j)(m,n)代表在待检测屏幕图像(i,j)处M*N区域对应的子图像内(m,n)位置的像素点的灰度值，代表待检测屏幕图像(i,j)处M*N区域对应的子图像中所有像素点的平均灰度值，T(m,n)代表模板图像内(m,n)位置的像素点的灰度值，代表模板图像中所有像素点的平均灰度值。其中，(i,j)处为子图像的左上角顶点位于待检测屏幕图像的坐标值。
本发明的一个实施例中，利用上述NCC算法公式，将从待检测屏幕图像中截取的多个子图像分别与对应的模板图像进行相似性程度运算，得到多个相似性程度值。其中，计算得到的NCC(i,j)值越大，表示子图像与模板图像越相似。具体地，将图3a示出的模板图像在图2示出的待检测屏幕图像上进行自上而下和自左而右的移动，得到多个子图像，然后，利用NCC算法，将该多个子图像分别与图3a示出的模板图像进行相似性程度运算，得到多个相似性程度值，最后，从该多个相似性程度值中选取出NCC(i,j)值最大时对应的子图像。相应地，将图3b和图3c示出的模板图像分别在图2示出的待检测屏幕图像上进行自上而下和自左而右的移动，分别得到多个子图像，然后，利用NCC算法，将该多个子图像分别与图3b和图3c示出的模板图像进行相似性程度运算，得到多个相似性程度值，最后，从该多个相似性程度值中选取出与图3b示出的模板图像相似性程度最高的子图像、以及与图3c示出的模板图像相似性程度最高的子图像。
预设上述计算式(1)的分子部分可转化为由于模板图像已确定，其模板图像中各像素点对应的灰度值相应地已确定，各像素点对应的T'(m,n)可以确定，且本发明的一个实施例中，在利用NCC算法，将多个子图像分别与对应的模板图像进行相似性程度运算，得到多个相似性程度值之前，首先，将计算式(1)对应的NCC算法公式简化为下述计算式，
接着，将计算式(2)转化为下述计算式，
其中，f(x)＝T′(m,n)，g(x)＝Si,j(m,n)。
接着，将转化后的NCC算法公式(计算式(3))，结合以下差分求和定理公式，分别计算多个子图像与对应的模板图像的相似性程度
差分求和定理是指两个函数数组的乘积等于将其中一个函数数组差分运算后和另一个函数数组累进求和运算后的乘积。即设有两个大小同为N的一维数组f(x)和g(x)，x＝1，2，……，K，则这两个数组的乘积等于将其中一个数组f(x)差分，另一个数组g(x)累进求和后的乘积。具体计算公式如下：
F(x)＝f(x)–f(x+1)—计算式(5)；
G(x)＝G(x-1)–g(x+1)—计算式(6)；
G(0)＝0—计算式(7)；
F(K+1)＝0—计算式(8)。
本发明实施例中，f(x)代表模板图像中各像素点的灰度值与模板图像中所有像素点的平均灰度值的差值组成的数组。g(x)代表子图像中各像素点的灰度值组成的数组。F(x)代表模板图像中各像素点的灰度值与模板图像中所有像素点的平均灰度值的差值降序排序后生成的差分数组。G(x)代表子图像中各像素点按照F(x)涉及的降序排序后累进求和得到的数组。利用上述计算式(4)，可将计算式(3)对应的NCC算法公式转化为：
由于在模板图像中大部分区域的像素点的灰度值变化平缓，使得利用上述计算式(5)，计算得到的数组F(x)中的数值多为0,1，-1，而对于0,1,-1的乘法运算可以忽略不计，这样大大地减少NCC算法中乘法的运算量，提高了子图像与模板图像的相似性程度的运算速度。本发明的一个实施例中，在确定出与各模板图像匹配程度最高的子图像后，确定出与各模板图像匹配程度最高的子图像的中心点，然后，利用确定出的中心点确定出待检测屏幕的轮廓。具体地，在确定出与图3a示出的模板图像匹配程度最高的子图像，与图3b示出的模板图像匹配程度最高的子图像，以及与图3c示出的模板图像匹配程度最高的子图像后，确定出与图3a示出的模板图像匹配程度最高的子图像的中心点，与图3a示出的模板图像匹配程度最高的子图像的中心点，以及图3c示出的模板图像匹配程度最高的子图像的中心点。然后，利用上述确定出的三个中心点确定出待检测屏幕的圆心和半径。最后，根据待检测屏幕的圆心和半径确定出待检测屏幕的轮廓。
例如，模板图像中各像素点的灰度值与模板图像中所有像素点的灰度值的平均值的差值分别为-35，-34，-33，9，8，1，1，0，0，-10，-10，13，14，24，25，-35，将该差值组成数组f(x)，即[35，-34，-33，9，8，1，1，0，0，-10，-10，13，14，24，25，-35]。相应地，该模板图像中对应的子图像的各像素点的灰度值分别为65，77，79，88，105，103，107，78，89，96，120，120，114，130，100，65，将该灰度值组成数组g(x)，即[65，77，79，88，105，103，107，78，89，96，120，120，114，130，100，65]。接着，对数组f(x)进行降序排序，得到数组[25，24，14，13，9，8，1，1，0，0，-10，-10，-33，-34，-35，-35]，相应地，按照数组f(x)的降序排序后对应的各像素点的位置，对数组g(x)中各元素的位置进行调整，得到数组[100，130，114，120，88，105，103，107，78，89，96，120，79，77，65，65]。相应地，利用降序排序后的数组f(x)生成数组F(x)，即[1，10，1，4，1，7，0，1，0，10，0，23，1，1，0，-35]。利用像素点位置调整后的数组g(x)，生成数组G(x)，即[100，230，344，464，552，657，760，867，945，1034，1130，1250，1329，1406，1471，1536]。由此得出，数组F(x)的数值包含有为0,1，-1，而对于0,1,-1的乘法运算可以忽略不计，这样大大地减少NCC算法中乘法的运算量。基于同一发明构思，提供了一种屏幕轮廓的确定装置。图6示出了根据本发明一个实施例的屏幕轮廓的确定装置的结构示意图。参见图6，该装置至少包括：拍摄模块610，用于对待检测屏幕进行拍摄，得到待检测屏幕图像；第一确定模块620，用于将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖待检测屏幕图像得到的多个子图像，其中，模板图像是从标准图像中截取得到的，且模板图像包括有标准图像呈现的屏幕的轮廓，标准图像是利用工业相机对无屏幕轮廓缺陷的待检测屏幕进行拍摄得到的图像；匹配模块630，用于将多个子图像分别与对应的模板图像进行匹配运算，得到与各模板图像匹配程度最高的子图像；第二确定模块640，用于根据与各模板图像匹配程度最高的子图像，确定待检测屏幕的轮廓。
参见图7，该装置还包括：压缩模块650，用于对标准图像和待检测屏幕图像进行压缩操作。具体地，运用高斯金字塔分解对标准图像和待检测屏幕图像向下采样，进行压缩操作。具体地，利用高斯滤波器对标准图像和待检测屏幕图像进行卷积，且通过去除标准图像和待检测屏幕图像中的偶数或奇数行和列对应的像素的方式向下采样，得到压缩后的标准图像和待检测屏幕图像。
本发明的一个实施例中，匹配模块630还用于：利用以下NCC算法公式，将多个子图像分别与对应的模板图像进行相似性程度计算，得到多个相似性程度值，
其中，S(i,j)(m,n)代表在待检测屏幕图像(i,j)处M*N区域对应的子图像内(m,n)位置的像素点的灰度值，代表待检测屏幕图像(i,j)处M*N区域对应的子图像中所有像素点的平均灰度值，T(m,n)代表模板图像内(m,n)位置的像素点的灰度值，代表模板图像中所有像素点的平均灰度值；
根据多个相似性程度值，选取出与各模板图像相似性程度最高的子图像。
基于同一发明构思，本发明提供了一种屏幕轮廓的确定装置。图8示出了根据本发明一个实施例的另一种屏幕轮廓的确定装置的结构示意图。参见图8，该装置至少包括存储器820和处理器810。存储器820用于存储指令，该指令用于控制处理器810进行操作以执行根据上述任一项的屏幕轮廓的确定方法。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种屏幕轮廓的确定方法，其特征在于，包括：
对待检测屏幕进行拍摄，得到待检测屏幕图像；
将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖所述待检测屏幕图像得到的多个子图像，其中，所述模板图像是从标准图像中截取得到的，且所述模板图像包括有所述标准图像呈现的屏幕的轮廓，所述标准图像是利用工业相机对无屏幕轮廓缺陷的待检测屏幕进行拍摄得到的图像；
将所述多个子图像分别与对应的模板图像进行匹配运算，得到与所述各模板图像匹配程度最高的子图像；
根据与所述各模板图像匹配程度最高的子图像，确定所述待检测屏幕的轮廓。
2.根据权利要求1所述的方法，其特征在于，在将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖所述待检测屏幕图像得到的多个子图像之前，所述方法还包括：
对所述标准图像和所述待检测屏幕图像进行压缩操作。
3.根据权利要求2所述的方法，其特征在于，对所述标准图像和所述待检测屏幕图像进行压缩操作，包括：
利用高斯滤波器对所述标准图像和所述待检测图像进行卷积，且通过去除所述标准图像和所述待检测图像中的偶数或奇数行和列对应的像素的方式向下采样，得到压缩后的标准图像和待检测图像。
4.根据权利要求1-3任一所述的方法，其特征在于，将所述多个子图像分别与对应的模板图像进行匹配运算，得到与所述各模板图像匹配程度最高的子图像，包括：
利用以下NCC算法公式，将所述多个子图像分别与对应的模板图像进行相似性程度计算，得到多个相似性程度值，
<mrow>
<mi>N</mi>
<mi>C</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>T</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>T</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，S(i,j)(m,n)代表在所述待检测屏幕图像(i,j)处M*N区域对应的子图像内(m,n)位置的像素点的灰度值，代表所述待检测屏幕图像(i,j)处M*N区域对应的子图像中所有像素点的平均灰度值，T(m,n)代表所述模板图像内(m,n)位置的像素点的灰度值，代表所述模板图像中所有像素点的平均灰度值；
根据所述多个相似性程度值，选取出与所述各模板图像相似性程度最高的子图像。
5.根据权利要求4所述的方法，其特征在于，利用NCC算法公式，将所述多个子图像分别与对应的模板图像进行相似性程度计算，得到多个相似性程度值，包括：
将所述NCC算法公式简化为下述计算式，
<mrow>
<mi>N</mi>
<mi>C</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>T</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mi>T</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，
将简化后的NCC算法公式转化为下述计算式，
<mrow>
<mi>N</mi>
<mi>C</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mi>T</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，f(x)＝T′(m,n)，g(x)＝Si,j(m,n)；
将简化后的NCC算法公式，结合以下差分求和定理公式，分别计算多个子图像与对应的模板图像的相似性程度，
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>&times;</mo>
<mi>N</mi>
</mrow>
</munderover>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，F(x)＝f(x)-f(x+1)，G(x)＝G(x-1)+g(x)。
6.根据权利要求1所述的方法，其特征在于，根据与所述各模板图像匹配程度最高的子图像，确定所述待检测屏幕的轮廓，包括：
确定出与所述各模板图像匹配程度最高的子图像的中心点；
利用所述中心点确定出所述待检测屏幕的轮廓。
7.一种屏幕轮廓的确定装置，其特征在于，包括：
拍摄模块，用于对待检测屏幕进行拍摄，得到待检测屏幕图像；
第一确定模块，用于将多个模板图像分别在待检测屏幕图像上移动，确定出各模板图像覆盖所述待检测屏幕图像得到的多个子图像，其中，所述模板图像是从标准图像中截取得到的，且所述模板图像包括有所述标准图像呈现的屏幕的轮廓，所述标准图像是利用工业相机对无屏幕轮廓缺陷的待检测屏幕进行拍摄得到的图像；
匹配模块，用于将所述多个子图像分别与对应的模板图像进行匹配运算，得到与所述各模板图像匹配程度最高的子图像；
第二确定模块，用于根据与所述各模板图像匹配程度最高的子图像，确定所述待检测屏幕的轮廓。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
压缩模块，用于对所述标准图像和所述待检测屏幕图像进行压缩操作。
9.根据权利要求7或8所述的装置，其特征在于，所述匹配模块还用于：利用以下NCC算法公式，将所述多个子图像分别与对应的模板图像进行相似性程度计算，得到多个相似性程度值，
<mrow>
<mi>N</mi>
<mi>C</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>T</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<msup>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>T</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，S(i,j)(m,n)代表在所述待检测屏幕图像(i,j)处M*N区域对应的子图像内(m,n)位置的像素点的灰度值，代表所述待检测屏幕图像(i,j)处M*N区域对应的子图像中所有像素点的平均灰度值，T(m,n)代表所述模板图像内(m,n)位置的像素点的灰度值，代表所述模板图像中所有像素点的平均灰度值；
根据所述多个相似性程度值，选取出与所述各模板图像相似性程度最高的子图像。
10.一种屏幕轮廓的确定装置，其特征在于，所述装置包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据权利要求1至6中任一项所述的屏幕轮廓的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710835428.1A CN107543507A (zh) | 2017-09-15 | 2017-09-15 | 屏幕轮廓的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710835428.1A CN107543507A (zh) | 2017-09-15 | 2017-09-15 | 屏幕轮廓的确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107543507A true CN107543507A (zh) | 2018-01-05 |
Family
ID=60963977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710835428.1A Pending CN107543507A (zh) | 2017-09-15 | 2017-09-15 | 屏幕轮廓的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107543507A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564082A (zh) * | 2018-04-28 | 2018-09-21 | 苏州赛腾精密电子股份有限公司 | 图像处理方法、装置、服务器和介质 |
| CN109829904A (zh) * | 2019-01-29 | 2019-05-31 | 京东方科技集团股份有限公司 | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 |
| CN110222703A (zh) * | 2019-06-12 | 2019-09-10 | 江苏通佑视觉科技有限公司 | 图像轮廓识别方法、装置、设备和介质 |
| WO2022252278A1 (zh) * | 2021-06-01 | 2022-12-08 | 中科晶源微电子技术（北京）有限公司 | 图像校准方法和装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484868A (zh) * | 2014-10-08 | 2015-04-01 | 浙江工业大学 | 一种结合模板匹配和图像轮廓的运动目标航拍跟踪方法 |
| CN105976354A (zh) * | 2016-04-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于颜色和梯度的元件定位方法和系统 |
| CN106803244A (zh) * | 2016-11-24 | 2017-06-06 | 深圳市华汉伟业科技有限公司 | 缺陷识别方法及系统 |
| CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
-
2017
- 2017-09-15 CN CN201710835428.1A patent/CN107543507A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484868A (zh) * | 2014-10-08 | 2015-04-01 | 浙江工业大学 | 一种结合模板匹配和图像轮廓的运动目标航拍跟踪方法 |
| CN105976354A (zh) * | 2016-04-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于颜色和梯度的元件定位方法和系统 |
| CN106803244A (zh) * | 2016-11-24 | 2017-06-06 | 深圳市华汉伟业科技有限公司 | 缺陷识别方法及系统 |
| CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 俞朝晖 等: "《Visual C++数字图像处理与工程应用实践》", 3 July 2012, 中国铁道出版社 * |
| 那彦 等: "《基于多分辨分析理论的图像融合方法》", 31 May 2007, 西安电子科技大学出版社 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564082A (zh) * | 2018-04-28 | 2018-09-21 | 苏州赛腾精密电子股份有限公司 | 图像处理方法、装置、服务器和介质 |
| CN108564082B (zh) * | 2018-04-28 | 2023-06-09 | 苏州赛腾精密电子股份有限公司 | 图像处理方法、装置、服务器和介质 |
| CN109829904A (zh) * | 2019-01-29 | 2019-05-31 | 京东方科技集团股份有限公司 | 检测屏幕上灰尘的方法、装置、电子设备、可读存储介质 |
| CN110222703A (zh) * | 2019-06-12 | 2019-09-10 | 江苏通佑视觉科技有限公司 | 图像轮廓识别方法、装置、设备和介质 |
| CN110222703B (zh) * | 2019-06-12 | 2023-07-11 | 江苏通佑视觉科技有限公司 | 图像轮廓识别方法、装置、设备和介质 |
| WO2022252278A1 (zh) * | 2021-06-01 | 2022-12-08 | 中科晶源微电子技术（北京）有限公司 | 图像校准方法和装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Douarre et al. | Novel data augmentation strategies to boost supervised segmentation of plant disease | |
| CN107543507A (zh) | 屏幕轮廓的确定方法及装置 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN109815865B (zh) | 一种基于虚拟水尺的水位识别方法及系统 | |
| CN108229490A (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
| CN108961235A (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| Yin et al. | FD-SSD: An improved SSD object detection algorithm based on feature fusion and dilated convolution | |
| CN109492638A (zh) | 文本检测方法、装置及电子设备 | |
| WO2018165753A1 (en) | Structure defect detection using machine learning algorithms | |
| CN109241871A (zh) | 一种基于视频数据的公共区域人流跟踪方法 | |
| CN109711416B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| CN111626176B (zh) | 一种基于动态注意力机制的遥感目标快速检测方法及系统 | |
| CN110991444B (zh) | 面向复杂场景的车牌识别方法及装置 | |
| WO2020102554A1 (en) | Deep neural network pose estimation system | |
| CN108304789A (zh) | 脸部识别方法及装置 | |
| CN107945181A (zh) | 用于乳腺癌淋巴转移病理图像的处理方法和装置 | |
| CN104463240B (zh) | 一种仪表定位方法及装置 | |
| CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN113962306A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
| CN109271848A (zh) | 一种人脸检测方法及人脸检测装置、存储介质 | |
| CN112560619A (zh) | 一种基于多聚焦图像融合的多距离鸟类精准识别方法 | |
| Zeng et al. | The equipment detection and localization of large-scale construction jobsite by far-field construction surveillance video based on improving YOLOv3 and grey wolf optimizer improving extreme learning machine | |
| CN114299036B (zh) | 电子元件的检测方法及装置、存储介质、电子设备 | |
| CN115359360A (zh) | 一种电力现场作业场景检测方法、系统、设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |
|
| RJ01 | Rejection of invention patent application after publication |