CN107688812A - 一种基于机器视觉的食品生产日期喷墨字体修复方法 - Google Patents
一种基于机器视觉的食品生产日期喷墨字体修复方法 Download PDFInfo
- Publication number
- CN107688812A CN107688812A CN201710739774.XA CN201710739774A CN107688812A CN 107688812 A CN107688812 A CN 107688812A CN 201710739774 A CN201710739774 A CN 201710739774A CN 107688812 A CN107688812 A CN 107688812A
- Authority
- CN
- China
- Prior art keywords
- image
- binarization
- point
- font
- coordinate
- 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
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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于机器视觉的食品生产日期喷墨字体修复方法，读入含有所述生产日期的图像，包括以下步骤：对读入图像进行二值化处理；对二值化处理后的图像进行子图分割；寻找每一子图的外边界点数组，绘制最小包围矩阵；计算矩阵的最大内切圆，标记多个子图的圆心坐标点；对多个圆心坐标点分别按横、纵坐标分类，对圆心坐标修正形成新的圆心横、纵坐标；根据新的圆心横、纵坐标到图像坐标零点的距离设置搜索起点与终点，依次连接新的圆心，形成修复后的图像。解决了现有喷墨字体修复中存在的普遍适用性差、不能完全修复、错误识别、不能识别的问题。
Description
技术领域
本发明涉及食品生产技术领域，具体涉及一种基于机器视觉的食品生产日期喷墨字体修复方法。
背景技术
近年来，随着人们文化素质和健康意识的不断提升，饮食健康越来越引起人们的重视，因此对于食品安全提出了更高要求，不言而喻，食品生产日期和保质期是直接关系食品能否食用的重要条件。为实现生产在线和生产日期喷印同步进行的食品生产要求，企业采用喷码机进行食品生产日期喷印，但在食品生产日期喷印过程中，使用墨水喷码机进行喷印往往会出现生产日期漏印、缺字等问题，在仓储过程中对生产日期的正确识别是必不可少的选项。
墨水喷码机进行印制的喷墨字体是非连续的，加大了机器视觉智能字符识别难度。目前常用的方法只是把字符提取后采用闵可夫斯基加减法进行膨胀操作，此方法要求喷墨打印点密集程度高，相邻字符间距较大。而随着喷墨机的老化，不可避免的出现打印点稀疏不对称、字符变形等特点，简单的膨胀操作不能达到理想的效果，可能造成字体未完全修复，相邻字符粘连，使得识别过程中发生错误识别或未能识别字符。而且由于各个食品生产企业适用的墨水喷墨机型号不尽相同，因此，打印点密集程度及字符间距都不相同，普通的膨胀操作不能普遍适用。
发明内容
为解决现有喷墨字体修复中存在的普遍适用性差、不能完全修复、错误识别、不能识别的问题，本发明提出一种基于机器视觉的食品生产日期喷墨字体修复方法。
本发明提供的一种基于机器视觉的食品生产日期喷墨字体修复方法，读入含有所述生产日期的图像，其特征在于，该方法包括以下步骤：
S1：对所述图像进行二值化处理：将所述图像分成多个图像块，计算所述多个图像块的二值化平均阈值，根据所述二值化平均阈值对每一图像块进行二值化处理；
S2：对所述二值化处理后的图像进行子图分割；
S3：寻找每一子图的外边界点数组，绘制最小包围矩阵；计算矩阵的最大内切圆，标记所述多个子图的圆心坐标点；
S4：对所述多个圆心坐标点分别按横、纵坐标分类，对所述圆心坐标修正形成新的圆心横、纵坐标；
S5:根据所述新的圆心横、纵坐标到图像坐标零点的距离设置搜索起点与终点，依次连接所述新的圆心，形成修复后的图像。
进一步的，所述步骤S1采用局部自适应二值化方法进行二值化处理，针对每一图像块区域内的所有像素点的像素加权平均，得到所述二值化平均阈值，根据所述二值化平均阈值对每一图像块进行反二值化；当任一像素点的像素值大于所述二值化平均阈值设置为“0”，任一像素点的像素值小于所述二值化平均阈值设置为“1”，“0”代表黑点，“1”代表白点。
进一步的，计算所述多个图像块的二值化平均阈值，所述根据二值化平均阈值对每一图像块进行二值化处理，具体为：
设任一图像块的中心像素点处的灰度值为f(i,j)，图像块中像素点的二值化平均阈值T(i,j)；
对任一图像块的各个像素点(i,j)用k(i,j)进行反二值化；
进一步的，所述步骤S2具体为采用垂直积分投影算法和游程平衡算法对所述二值化处理后的图像进行子图分割。
进一步的，所述游程平衡算法的步骤为：找出所述二值化处理后的图像上任一垂直线上的所有像素点，当任何两个黑点之间连续出现像素为“1”的像素点的个数小于预设个数，将所述两个黑点之间的像素点全部设为“0”，否则不处理。
进一步的，所述步骤S3包括如下步骤：
S301：获得每一子图的最外层边界的坐标信息，根据曲线逼近算法连接坐标点获取每一子图对应的曲线长度；
S302：判断任一曲线长度是否大于长度阈值，若是，执行步骤S303；若否，执行步骤S305；
S303：根据任一曲线的坐标信息获取最小、最大横纵坐标，得到最小包围矩阵；
S304：计算所述最小包围矩阵的内部依次相切的最大内切圆圆心坐标，执行步骤S306；
S305：获取任一曲线的最大内切圆圆心坐标；
S306：根据数字构成规律，按照所述多个子图的圆心坐标像素点的8个邻域方向进行路径搜索。
进一步的，所述步骤S4中所述圆心横坐标的修正方式为：所述圆心横坐标设定为x，修正阈值设定为T，则修正后的横坐标为所述曲线内横坐标在x-T到x+T范围内的所有横坐标的平均值。
进一步的，所述步骤S4中所述圆心纵坐标的修正方式同横坐标的修正方式相同。
进一步的，所述步骤S5采用迪杰斯特拉算法，其中所述圆心坐标与所述图像坐标零点距离最大点为起点，所述距离最小点为终点。
本发明的有益效果是：通过采用局部自适应二值化方法每个像素是由其周围邻域像素的分布来决定，适应性好，不影响局部的图像性质。能够适应不同型号的喷墨打印机打印点密集程度及字符间距不同的现象，适应性强；当喷墨打印点漏印、字符变形等情况下避免了识别过程中错误识别及未识别的现象，修复效果好，实用性强。
附图说明
图1为本发明一种基于机器视觉的食品生产日期喷墨字体修复方法的流程图。
图2为本发明一种基于机器视觉的食品生产日期喷墨字体修复方法从食品外包装识别出的生产日期图。
图3为本发明一种基于机器视觉的食品生产日期喷墨字体修复方法局部自适应二值化后的的图像。
图4为本发明一种基于机器视觉的食品生产日期喷墨字体修复方法垂直积分投影分割后的子图。
图5为本发明一种基于机器视觉的食品生产日期喷墨字体修复方法轮廓查找并标定的圆心坐标图。
图6为本发明一种基于机器视觉的食品生产日期喷墨字体修复方法修复后的生产日期图。
具体实施方式
请参阅图1，为本发明一种基于机器视觉的食品生产日期喷墨字体修复方法一实施方式的流程图。本发明通过局部自适应二值化方法对生产日期图像进行二值化处理，采用垂直积分投影算法对二值化处理后的图像进行子图分割，并采用游程平衡算法对分割后的子图进行平滑修正；然后通过轮廓查找算法获得最外层边界的坐标信息，获取最大内切圆圆心坐标，矫正圆心坐标后依次连接圆心，获得修复后的生产日期图，具体步骤如下：
在步骤S1：读入含有所述生产日期的图像，采用局部自适应二值化方法对生产日期图像进行二值化处理：将图像分成多个图像块，计算多个图像块的二值化平均阈值，并根据二值平均化阈值对每一图像块进行二值化处理。
局部自适应二值化方法将图像分成多个图像块，针对每一个图像块分别进行二值化；针对每一图像块区域内的所有像素点的像素加权平均，得到二值化平均阈值，根据二值化平均阈值对每一图像块进行反二值化；当任一像素点的像素值大于二值化平均阈值设置为“0”，任一像素点的像素值小于二值化平均阈值设置为“1”，“0”代表黑点，“1”代表白点。
计算多个图像块的二值化平均阈值，二值化平均阈值对每一图像块进行二值化处理具体为：假设图像块的大小为(2w+1)×(2w+1)个像素，对区域的所有像素进行加权平均计算，得到图像块的最佳二值化阈值，根据二值化阈值对图像块进行反二值化，即，大于最佳二值化阈值的像素点的像素值设置为0，小于最佳二值化阈值的像素点的像素值设置为1。具体算法公式为：
设图像在图像块的中心像素点处的灰度值为f(i,j)，那么图像块中像素点的最佳二值化阈值T(i,j)；
对图像块中的各个像素点(i,j)用k(i,j)进行反二值化。
在步骤S2：采用垂直积分投影算法，对二值化处理后的图像进行子图分割。
遍历图像，并在垂直方向进行累加、统计白色像素的数量将数量为零的列作为图像分割线；
由于原始图像可能发生形变，导致二值化处理后的图像出现字符粘连，此时需要采用游程平衡算法进行分割。其原理是：找出所述二值化处理后的图像上任一垂直线上的所有像素点，当任何两个黑点之间连续出现像素为“1”的像素点的个数小于预设个数，将所述两个黑点之间的像素点全部设为“0”，否则不处理。这个预设值就是两个黑点像素之间的“游程”。
下图是假设门限T＝5时的平滑效果：
平滑前：
平滑后：
在步骤S3：采用轮廓查找算法，寻找每一子图的外边界点数组，绘制最小包围矩阵；计算矩阵的最大内切圆，并标记每个子图的圆心做报表；
其中包括步骤S301：采用轮廓查找算法，获得每一子图的最外层边界的坐标信息，根据曲线逼近算法连接坐标点并获取每一子图对应的曲线长度；
步骤S302：判断任一曲线长度是否大于阈值，若是，执行步骤S303；若否，执行步骤S305。
步骤S303：根据任一曲线的坐标点信息获取最小、最大横纵坐标，从而得到最小包围矩阵信息。
步骤S304：计算最小包围矩阵的内部依次相切的最大内切圆圆心坐标，之后执行步骤S306。
步骤S305：获取任一曲线坐标族的最大内切圆圆心坐标。
步骤S306：根据数字构成规律，按照多个子图的圆心坐标像素点的8个邻域方向进行路径搜索。
遍历二值图像，每次行扫描,遇到以下两种情况终止：
(1)f(i,j-1)＝0，f(i,j)＝1；//f(i,j)是外边界的起始点
(2)f(i,j)>＝1，f(i,j+1)＝0；//f(i,j)是孔边界的起始点
然后从起始点开始，标记边界上的像素。在这里分配一个唯一的标示符给新发现的边界，叫做NBD。初始时NBD＝1，每次发现一个新边界加1。在这个过程中，遇到f(p,q)＝1,f(p,q+1)＝0时，将f(p,q)置为-NBD。就是右边边界的终止点。
根据边界点的坐标值得到横纵坐标的最小最大值，从而得到边界轮廓的最小包围矩阵；以矩阵的较小边作为直径依次计算得到相切的最大内切圆圆心。
在步骤S4：把多个圆心坐标点分别按横、纵坐标分类，对圆心坐标修正形成新的圆心横、纵坐标；圆心横坐标的修正方式为：圆心横坐标设定为x，修正阈值设定为T，则修正后的横坐标为曲线内横坐标在x-T到x+T范围内的所有横坐标的平均值。圆心纵坐标的修正方式同横坐标的修正方式相同。
假设遍历坐标容器序列center，依次比较当前圆心坐标center[i].x与序列中其他圆心的横坐标值。把所有横坐标在center[i].x-T到center[i].x+T范围内的坐标放入center_temp容器中，统计center_temp中的所有横坐标的平均值，以此平均值替换它们的横坐标。纵坐标修正方法同上。
在步骤S5：根据数字的构成规律，按照每个圆心坐标的8个邻域方向制定搜索路径规则，采用迪杰斯特拉(Dijkstra)算法，根据圆心横、纵坐标到图像坐标零点的距离设置搜索起点与终点，依次连接新的圆心。其中圆心坐标与图像零点坐标距离最大点为起点，距离最小点为终点。形成修复后的图像。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于机器视觉的食品生产日期喷墨字体修复方法，读入含有所述生产日期的图像，其特征在于，该方法包括以下步骤：
S1：对所述图像进行二值化处理：将所述图像分成多个图像块，计算所述多个图像块的二值化平均阈值，根据所述二值化平均阈值对每一图像块进行二值化处理；
S2：对所述二值化处理后的图像进行子图分割；
S3：寻找每一子图的外边界点数组，绘制最小包围矩阵；计算矩阵的最大内切圆，标记所述多个子图的圆心坐标点；
S4：对所述多个圆心坐标点分别按横、纵坐标分类，对所述圆心坐标修正形成新的圆心横、纵坐标；
S5:根据所述新的圆心横、纵坐标到图像坐标零点的距离设置搜索起点与终点，依次连接所述新的圆心，形成修复后的图像。
2.如权利要求1所述一种基于机器视觉的食品生产日期喷墨字体修复方法，其特征在于：所述步骤S1采用局部自适应二值化方法进行二值化处理，针对每一图像块区域内的所有像素点的像素加权平均，得到所述二值化平均阈值，根据所述二值化平均阈值对每一图像块进行反二值化；当任一像素点的像素值大于所述二值化平均阈值设置为“0”，任一像素点的像素值小于所述二值化平均阈值设置为“1”，“0”代表黑点，“1”代表白点。
3.如权利要求2所述一种基于机器视觉的食品生产日期喷墨字体修复方法，其特征在于：计算所述多个图像块的二值化平均阈值，所述二值化平均阈值对每一图像块进行二值化处理具体为：
设任一图像块的中心像素点处的灰度值为f(i,j)，图像块中像素点的二值化平均阈值T(i,j)；
<mrow>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mrow>
<munder>
<munder>
<mi>max</mi>
<mrow>
<mo>-</mo>
<mi>w</mi>
<mo><</mo>
<mo><</mo>
<mi>m</mi>
<mo><</mo>
<mo><</mo>
<mi>w</mi>
</mrow>
</munder>
<mrow>
<mo>-</mo>
<mi>w</mi>
<mo><</mo>
<mo><</mo>
<mi>n</mi>
<mo><</mo>
<mo><</mo>
<mi>w</mi>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>m</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<munder>
<mi>min</mi>
<mrow>
<mo>-</mo>
<mi>w</mi>
<mo><</mo>
<mo><</mo>
<mi>m</mi>
<mo><</mo>
<mo><</mo>
<mi>w</mi>
</mrow>
</munder>
<mrow>
<mo>-</mo>
<mi>w</mi>
<mo><</mo>
<mo><</mo>
<mi>n</mi>
<mo><</mo>
<mo><</mo>
<mi>w</mi>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>m</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
对任一图像块的各个像素点(i,j)用k(i,j)进行反二值化；
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>></mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo><</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
4.如权利要求1所述一种基于机器视觉的食品生产日期喷墨字体修复方法，其特征在于：所述步骤S2具体为采用垂直积分投影算法和游程平衡算法对所述二值化处理后的图像进行子图分割。
5.如权利要求1所述一种基于机器视觉的食品生产日期喷墨字体修复方法，其特征在于：所述游程平衡算法的步骤为：找出所述二值化处理后的图像上任一垂直线上的所有像素点，当任何两个黑点之间连续出现像素为“1”的像素点的个数小于预设个数，将所述两个黑点之间的像素点全部设为“0”，否则不处理。
6.如权利要求1所述一种基于机器视觉的食品生产日期喷墨字体修复方法，其特征在于：所述步骤S3包括如下步骤：
S301：获得每一子图的最外层边界的坐标信息，根据曲线逼近算法连接坐标点获取每一子图对应的曲线长度；
S302：判断任一曲线长度是否大于长度阈值，若是，执行步骤S303；若否，执行步骤S305；
S303：根据任一曲线的坐标信息获取最小、最大横纵坐标，得到最小包围矩阵；
S304：计算所述最小包围矩阵的内部依次相切的最大内切圆圆心坐标，执行步骤S306；
S305：获取任一曲线的最大内切圆圆心坐标；
S306：根据数字构成规律，按照所述多个子图的圆心坐标像素点的8个邻域方向进行路径搜索。
7.如权利要求1所述一种基于机器视觉的食品生产日期喷墨字体修复方法，其特征在于：所述步骤S4中所述圆心横坐标的修正方式为：所述圆心横坐标设定为x，修正阈值设定为T，则修正后的横坐标为所述曲线内横坐标在x-T到x+T范围内的所有横坐标的平均值。
8.如权利要求7所述一种基于机器视觉的食品生产日期喷墨字体修复方法，其特征在于：所述步骤S4中所述圆心纵坐标的修正方式同横坐标的修正方式相同。
9.如权利要求1所述一种基于机器视觉的食品生产日期喷墨字体修复方法，其特征在于：所述步骤S5采用迪杰斯特拉算法，其中所述圆心坐标与所述图像坐标零点距离最大点为起点，所述距离最小点为终点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710739774.XA CN107688812B (zh) | 2017-08-25 | 2017-08-25 | 一种基于机器视觉的食品生产日期喷墨字体修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710739774.XA CN107688812B (zh) | 2017-08-25 | 2017-08-25 | 一种基于机器视觉的食品生产日期喷墨字体修复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107688812A true CN107688812A (zh) | 2018-02-13 |
| CN107688812B CN107688812B (zh) | 2020-04-21 |
Family
ID=61154954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710739774.XA Active CN107688812B (zh) | 2017-08-25 | 2017-08-25 | 一种基于机器视觉的食品生产日期喷墨字体修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107688812B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846399A (zh) * | 2018-04-10 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种图像处理的方法及装置 |
| CN112418002A (zh) * | 2020-11-05 | 2021-02-26 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种无人机识别己方机场的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1150269A (zh) * | 1995-11-15 | 1997-05-21 | 付子宁 | 字形信息表示方法和复原方法 |
| US20040141643A1 (en) * | 2002-11-22 | 2004-07-22 | Marquering Henricus A. | Segmenting an image via shortest cycles |
| CN102122348A (zh) * | 2011-02-26 | 2011-07-13 | 王枚 | 一种实用的模糊车牌图像复原方法 |
| CN102930277A (zh) * | 2012-09-19 | 2013-02-13 | 上海珍岛信息技术有限公司 | 一种基于识别反馈的字符图像验证码识别方法 |
| CN104504412A (zh) * | 2014-11-28 | 2015-04-08 | 苏州大学 | 一种手写体笔划特征提取和识别方法及系统 |
| CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
| CN105516540A (zh) * | 2015-12-14 | 2016-04-20 | 天津津芯微电子科技有限公司 | 二值图像的压缩方法及装置 |
| CN106650739A (zh) * | 2016-12-09 | 2017-05-10 | 浙江浩腾电子科技股份有限公司 | 一种车牌字符切割方法 |
-
2017
- 2017-08-25 CN CN201710739774.XA patent/CN107688812B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1150269A (zh) * | 1995-11-15 | 1997-05-21 | 付子宁 | 字形信息表示方法和复原方法 |
| US20040141643A1 (en) * | 2002-11-22 | 2004-07-22 | Marquering Henricus A. | Segmenting an image via shortest cycles |
| CN102122348A (zh) * | 2011-02-26 | 2011-07-13 | 王枚 | 一种实用的模糊车牌图像复原方法 |
| CN102930277A (zh) * | 2012-09-19 | 2013-02-13 | 上海珍岛信息技术有限公司 | 一种基于识别反馈的字符图像验证码识别方法 |
| CN104504412A (zh) * | 2014-11-28 | 2015-04-08 | 苏州大学 | 一种手写体笔划特征提取和识别方法及系统 |
| CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
| CN105516540A (zh) * | 2015-12-14 | 2016-04-20 | 天津津芯微电子科技有限公司 | 二值图像的压缩方法及装置 |
| CN106650739A (zh) * | 2016-12-09 | 2017-05-10 | 浙江浩腾电子科技股份有限公司 | 一种车牌字符切割方法 |
Non-Patent Citations (4)
| Title |
|---|
| SUZUKI S: "Topological structural analysis of digitized binary images by", 《COMPUTER VISION GRAPHICS & IMAGE PROCESSING》 * |
| 侯立斐: "一种改进的汉字骨架提取算法", 《微型机与应用》 * |
| 冯建强: "基于灰度积分投影的人眼定位", 《计算机仿真》 * |
| 张利 等: "基于游程平滑算法的英文版面分割", 《电子学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846399A (zh) * | 2018-04-10 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种图像处理的方法及装置 |
| WO2019196542A1 (zh) * | 2018-04-10 | 2019-10-17 | 阿里巴巴集团控股有限公司 | 一种图像处理的方法及装置 |
| CN112418002A (zh) * | 2020-11-05 | 2021-02-26 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种无人机识别己方机场的方法 |
| CN112418002B (zh) * | 2020-11-05 | 2023-10-24 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种无人机识别己方机场的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107688812B (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3309704B1 (en) | Two-dimensional code partitioning and decoding method and system | |
| CN107729899B (zh) | 一种车牌号码识别方法及装置 | |
| CN110647795B (zh) | 一种表格识别方法 | |
| CN109636815B (zh) | 一种基于计算机视觉的金属板带产品标签信息识别方法 | |
| US7783107B2 (en) | Characterization of a printed droplet | |
| CN111046872B (zh) | 一种光学字符识别方法 | |
| WO2018086233A1 (zh) | 一种字符分割方法和装置、及元件检测方法和装置 | |
| JP5852919B2 (ja) | ひび割れ検出方法 | |
| CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
| CN110473174B (zh) | 一种基于图像计算铅笔精确数目的方法 | |
| CN109190625A (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
| CN107688812B (zh) | 一种基于机器视觉的食品生产日期喷墨字体修复方法 | |
| CN105760869B (zh) | 一种基于图像灰度识别及处理的阅卷方法 | |
| JP2011248702A (ja) | 画像処理装置、画像処理方法、画像処理プログラム及びプログラム記憶媒体 | |
| CN107679479A (zh) | 一种基于图像形态学处理的客观填涂识别方法 | |
| CN108205678B (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
| CN114511704B (zh) | 一种基于高速产线的喷印码识别检测方法 | |
| CN111274863A (zh) | 一种基于文本山峰概率密度的文本预测方法 | |
| CN115761468A (zh) | 一种基于图像分割和目标检测技术的水位检测系统、方法 | |
| JP4492258B2 (ja) | 文字・図形の認識方法および検査方法 | |
| CN115063405A (zh) | 钢材表面缺陷检测的方法、系统、电子设备和存储介质 | |
| CN115410184A (zh) | 一种基于深度神经网络的目标检测车牌识别方法 | |
| CN115588208A (zh) | 一种基于数字图像处理技术的全线表结构识别方法 | |
| CN114549649A (zh) | 一种基于特征匹配的扫描地图点符号的快速识别方法 | |
| CN109766889B (zh) | 基于曲线拟合的轨道图像识别后处理方法 |
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 |