CN107730510A - 一种结合LTCD和Hu不变矩的COG中bump的分割方法 - Google Patents
一种结合LTCD和Hu不变矩的COG中bump的分割方法 Download PDFInfo
- Publication number
- CN107730510A CN107730510A CN201710820004.8A CN201710820004A CN107730510A CN 107730510 A CN107730510 A CN 107730510A CN 201710820004 A CN201710820004 A CN 201710820004A CN 107730510 A CN107730510 A CN 107730510A
- Authority
- CN
- China
- Prior art keywords
- image
- ltcd
- matched
- mrow
- similarity
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种结合LTCD和Hu不变矩的COG中bump的分割方法,属于数字图像处理领域,应用于COG制作过程中的ACF粒子自动光学检测。本方法结合了改进LTCD方法的特征和Hu不变矩适合描述图像的形状特征的特点,能自动提取不规则形状bump,避免了ACF粒子自动光学检测过程中bump区域的人工框选,从而避免了人工框选的误差,提高了检测速度和精度,可以广泛的应用于COG制造中的自动光学检测。
Description
技术领域
本发明属于数字图像处理领域,具体涉及一种COG检测方法。
背景技术
随着智能手机的普及,液晶面板的需求量越来越大。液晶面板COG(Chip OnGlass,玻璃衬底芯片)的制备是将驱动IC(Integrated Circuit,集成电路)接合在覆盖有各向异性导电胶膜(Anisotropic Conductive Film,简称ACF)的玻璃基板的ITO(IndiumTin Oxide,氧化铟锡)线路上。驱动IC与玻璃基板上的ITO线路之间的机械和电气互联是由芯片凸块和玻璃上相应基底衬垫bump(衬垫上的含粒子凸起区域)之间捕获的导电粒子实现的。为了检测COG绑定的性能,需要对每个bump之上的导电粒子进行识别计数。随着计算机数字图像处理技术的发展,基于机器视觉技术的自动化检测设备逐渐发展,通过图像采集系统采集到COG绑定区域的图像,利用计算机快速匹配出bump,避免了人工框选的低精度和低效率等缺点。
发明内容
本发明的目的是针对COG中的不规则形状bump的分布的类型的不同和特征不明显的复杂性,提出了一种能自动分割出COG绑定区域中的不规则形状bump的方法,从而达到准确快速的分割出不同类型的不规则形状bump的目的。
为了实现上述目的,本发明采用的技术方案如下:一种改进LTCD和Hu不变矩的COG中bump的分割方法,该方法包括以下步骤:
步骤1:采集COG绑定区域灰度图像;
步骤2:从COG绑定区域图像中裁剪含有不规则形状bump的图像作为待匹配图像;
步骤3:从待匹配图像中裁剪出一种不规则形状bump作为模板图像;
步骤4:采用LTCD(Local Ternary Contrast Descriptor,局部三值对比描述符)方法计算模板图像和待匹配图像的LTCD特征相似度矩阵,矩阵大小为两者的高度和宽度的差值;
步骤5:计算模板图像和待匹配图像的Hu不变矩特征相似度矩阵,矩阵大小为两者的高度和宽度的差值;
步骤6:寻找LTCD特征相似度矩阵中的最大值坐标,在Hu不变矩特征相似度矩阵中寻找相应坐标处的相似度值,检验该最大值坐标是否识别有错误;若有错误则将LTCD特征相似度矩阵中该点相似度置为最小值,并重新在该矩阵中寻找最大值坐标;若无错误,以其为顶点,以bump模板图像的宽度和高度为宽度和高度,从待匹配图像中定位并分割出一个不规则形状bump图像,同时将该点存储在最大值坐标集合中;
步骤7:将LTCD特征相似度矩阵中属于步骤6提取的不规则形状bump图像区域内的相似度置为最小值,获得新的LTCD特征相似度矩阵;
步骤8:重复步骤6、步骤7,从待匹配图像中定位并分割下一个不规则形状bump图像,直到获得的LTCD特征相似度矩阵中的最大值小于阈值,从而实现待匹配图像中该类型不规则形状bump的全部分割;
步骤9:从待匹配图像中裁剪出另一种类型的不规则形状bump作为模板图像,重复步骤4~步骤8,直到所有类型的不规则形状bump全部分割完成。
步骤4的具体方法为:
步骤4-1:对模板图像采用LTCD方法对其进行编码,对模板图像每个像素点,以其为中心,逐个计算其与8邻域像素点的像素值差平方Di和8邻域像素点方差的平均值Davg;
按顺时针,逐个比较Di与Davg的大小;若Di>Davg,且差值绝对值小于设定阈值,则将该像素点标记为1;若Di<Davg,且差值绝对值小于设定阈值,则将该点标记为0;剩下的情况将该像素点标记为-1;完成后获取该中心像素点的8位LTCD码,计算每个像素点LTCD码的重复概率,获得模板图像LTCD码直方图;
步骤4-2:对于待匹配图像,以模板图像为窗口在其上滑动,采用步骤4-1的方法计算重合区域的LTCD码直方图;
步骤4-3:采用卡方计算模板图像和待匹配图像相应重合区域LTCD码直方图相似度,相应的计算方法为:
其中χ2(x,y)表示相似度矩阵在(x,y)处的相似度值,H1表示模板图像LTCD直方图,H2表示待检测图像中相应重合区域的LTCD直方图,I表示直方图的维度;
步骤4-4:随着模板图像在待检测图像上滑动,逐点计算相似度值,获得模板图像和待匹配图像LTCD特征相似度矩阵,矩阵大小为两者的高度和宽度的差值。
步骤5的具体方法为:
步骤5-1:计算模板图像的7个Hu不变矩M1~M7,分别为:
M1=η20+η02
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]其中ηpq代表图像的p+q阶归一化中心矩;这7个不变矩构成一组特征向量,由此模板图像的形状特征就可由Hu不变矩特征向量表示;
步骤5-2:对于待匹配图像,以模板图像为窗口在其上滑动,采用步骤5-1的方法计算重合区域的Hu不变矩特征向量;
步骤5-3:计算模板图像Hu不变矩特征向量和与待匹配图像相应重合区域Hu不变矩特征向量的欧式距离,作为相似度Sim的度量,计算方法为:
其中,Hu1i表示模板图像Hu不变矩特征向量的第i维分量;Hu2i表示待匹配图像相应重合区域Hu不变矩特征向量的第i维分量;
步骤5-4:随着模板图像在待检测图像上滑动,逐点计算Hu不变矩特征向量相似度值,获得模板图像和待匹配图像Hu不变矩特征向量相似度矩阵,矩阵大小为两者的高度和宽度的差值。
步骤6中检验LTCD特征相似度矩阵中最大值坐标是否识别有错误的具体方法为:
步骤6-1:若该点不是匹配出的第一个最大值坐标,将其坐标与已存储的最大值坐标集合中的坐标进行比较,剔除错误点;判断的标准为:
其中:xnew、ynew分别表示新匹配出的最大值点的横、纵坐标;xi、yi表示已存储的最大值坐标集合中的第i个最大值点的横、纵坐标;templ_width表示模板图像的宽度;th表示纵向的高度差阈值;若该点为错误点,将该坐标下的LTCD特征相似度矩阵中的值置为最小值;同时重新在LTCD特征相似度矩阵中选取最大值;若该点位正确点,进行下一步操作;
步骤6-2:若该点为正确点,提取该处坐标在Hu不变矩特征向量相似度矩阵中的相应值,若该值大于阈值,则为正确点,将该坐标存储在最大值坐标集合中,否则为错误点。
本发明一种结合改进LTCD和Hu不变矩的COG中bump的分割方法与现有技术相比,具有以下优点和有益效果:
(1)采用改进LTCD方法计算模板图像和待匹配图像LTCD特征相似度矩阵。新方法融合了局部方差,能更加精确的描述图像的局部特征。
(2)采用LTCD特征相似度和Hu不变矩相似度相结合的方法,结合了LTCD特征体现图像局部特征和细节,对局部光照问题具有不变性和Hu不变矩适合描述图像整体的形状特征,具有缩放、旋转不变性的特征,能精确的实现待匹配图像中模板图像的识别。
(3)采用(1)和(2)的方法,实现了准确高效的识别分割COG绑定区域中的不规则形状bump。本发明具有检测精度高,适用bump类型多等优点,能取代不规则形状bump分割的人工框选,可以广泛应用于COG制备中的自动光学检测中,避免了人工框选的低精度、低效率、易受主观因素影响等缺点。
附图说明
图1是本发明一种结合改进LTCD和Hu不变矩的COG中bump的分割方法的流程图。
具体实施方式
下面结合实例及附图对本发明提出的一种结合改进LTCD和Hu不变矩的COG中bump的分割方法进行详细说明。具体包括以下步骤:
步骤1:采集COG绑定区域灰度图像;
步骤2:从COG绑定区域图像中裁剪含有不规则形状bump的图像作为待匹配图像Image_1;
步骤3:从Image_1中裁剪出一个不规则形状bump作为模板图像Image_2;
步骤4:采用改进LTCD方法计算Image_2和Image_1的LTCD特征相似度矩阵Matrix_LTCD1,矩阵大小为两者的高度和宽度的差值;
步骤4-1:对Image_2,采用改进LTCD方法对其进行编码;对模板图像每个像素点,以其为中心,逐个计算8邻域中像素的灰度值的平均值与8邻域像素点的像素值差平方Di和8邻域像素点方差的平均值Davg,计算方式为:
Di=(xavg-xi)2,
其中xavg表示中心点的8邻域中像素的灰度值的平均值,xi表示中心点8邻域中像素点灰度值;
按顺时针方向,逐个比较Di与Dvar的大小。若Di>Davg,且差值绝对值小于设定阈值,则将该像素点标记为1;若Di<Davg,且差值绝对值小于设定阈值;则将该点标记为0;剩下的情况将该像素点标记为-1。相应计算方式为:
其中S(xo,xi)表示中心像素点在8邻域第i个像素点的标记,计算完8邻域后,可获取该中心像素点的8位LTCD码,计算每个LTCD码的重复概率,可获得Image_2的LTCD码直方图H1;
步骤4-2:对于Image_1,以Image_2为窗口在其上滑动,采用步骤4-1方法计算重合区域的LTCD码直方图H2;
步骤4-3:采用卡方计算H1和H2相似度,相应的计算方法为:
其中χ2(x,y)表示相似度矩阵在(x,y)处的相似度值,I表示直方图的维度。
步骤4-4:随着Image_2在Image_1上滑动,逐点计算相似度值,获得Image_2和Image_1的LTCD特征相似度矩阵Matrix_LTCD1,矩阵大小为两者的高度和宽度的差值,
步骤5:计算Image_2和Image_1的Hu不变矩特征相似度矩阵Matrix_Hu,矩阵大小为两者的高度和宽度的差值;
步骤5-1:计算Image_2的7个Hu不变矩M1~M7,分别为:
M1=η20+η02
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]其中ηpq代表图像的p+q阶归一化中心矩。这7个不变矩构成一组特征向量,由此Image_2的形状特征就可由Hu不变矩特征向量表示为Hu1。
步骤5-2:对于Image_1,以Image_2为窗口在其上滑动,采用如步骤5-1方法计算重合区域的Hu不变矩特征向量Hu2。
步骤5-3:计算Hu2和Hu1的欧式距离,作为相似度Sim的度量,计算方法为:
其中,Hu1i表示Hu1i的第i维分量;Hu2i表示Hu2i的第i维分量;
步骤5-4:随着Image_2在Image_1上滑动,逐点计算相似度Sim,获得Image_2和Image_1的Hu不变矩特征相似度矩阵Matrix_Hu,矩阵大小为两者的高度和宽度的差值。
步骤6:寻找Matrix_LTCD1中的最大值坐标,在Matrix_Hu中寻找相应位置的相似度值,检验该最大值坐标是否识别有错误。若有错误则将Matrix_LTCD1中该点相似度置为最小值,并重新在该矩阵中寻找最大值坐标;若无错误,以其为顶点,以bump模板图像的宽度和高度为宽度和高度,从Image_1中定位并分割出一个不规则形状bump图像,同时将该点存储在最大值坐标集合中;操作Matrix_LTCD1之后获得的新矩阵记为Matrix_LTCD2;
步骤6-1:对寻找出的Matrix_LTCD1中最大值坐标,若该点不是匹配出的第一个最大值坐标,将其坐标与已存储的最大值坐标集合中的坐标进行比较,剔除错误点。判断的标准为:
其中:xnew、ynew分别表示新匹配出的最大值点的横、纵坐标;xi、yi表示已存储的最大值坐标集合中的第i个最大值点的横、纵坐标;templ_width表示模板图像的宽度;th表示纵向的高度差阈值。若该点为错误点,将该坐标下的Matrix_LTCD1的值置为最小值,获得Matrix_LTCD2,重新进行步骤6操作;若该点为正确点,进行下一步操作;
步骤6-2:若该点满足步骤6-2中正确点,提取该处坐标在Matrix_Hu中的相应值,若该值大于阈值,则为正确点,将该坐标存储在最大值坐标集合中,否则为错误点。然后将该坐标下Matrix_LTCD1的值置为最小值,获得Matrix_LTCD2。接着进行步骤6中后续操作。
步骤7:将Matrix_LTCD2中以步骤(6)中提取的不规则形状bump图像区域内坐标的相似度置为最小值,获得新的LTCD特征相似度矩阵Matrix_LTCD3;
步骤8:重复步骤(6)、(7),从Image_1中定位并分割下一个Image_2,直到获得的LTCD特征相似度矩阵中的最大值小于阈值,从而实现Image_1中Image_2的全部分割。
步骤9:从Image_1中裁剪出另一种类型的不规则形状bump作为模板图像Image_2,重复步骤(4)、(5)、(6)、(7)、(8),直到所有类型的不规则形状bump全部分割完成。
Claims (4)
1.一种改进LTCD和Hu不变矩的COG中bump的分割方法,该方法包括以下步骤:
步骤1:采集COG绑定区域灰度图像;
步骤2:从COG绑定区域图像中裁剪含有不规则形状bump的图像作为待匹配图像;
步骤3:从待匹配图像中裁剪出一种不规则形状bump作为模板图像;
步骤4:采用LTCD(Local Ternary Contrast Descriptor,局部三值对比描述符)方法计算模板图像和待匹配图像的LTCD特征相似度矩阵,矩阵大小为两者的高度和宽度的差值;
步骤5:计算模板图像和待匹配图像的Hu不变矩特征相似度矩阵,矩阵大小为两者的高度和宽度的差值;
步骤6:寻找LTCD特征相似度矩阵中的最大值坐标,在Hu不变矩特征相似度矩阵中寻找相应坐标处的相似度值,检验该最大值坐标是否识别有错误;若有错误则将LTCD特征相似度矩阵中该点相似度置为最小值,并重新在该矩阵中寻找最大值坐标;若无错误,以其为顶点,以bump模板图像的宽度和高度为宽度和高度,从待匹配图像中定位并分割出一个不规则形状bump图像,同时将该点存储在最大值坐标集合中;
步骤7:将LTCD特征相似度矩阵中属于步骤6提取的不规则形状bump图像区域内的相似度置为最小值,获得新的LTCD特征相似度矩阵;
步骤8:重复步骤6、步骤7,从待匹配图像中定位并分割下一个不规则形状bump图像,直到获得的LTCD特征相似度矩阵中的最大值小于阈值,从而实现待匹配图像中该类型不规则形状bump的全部分割;
步骤9:从待匹配图像中裁剪出另一种类型的不规则形状bump作为模板图像,重复步骤4~步骤8,直到所有类型的不规则形状bump全部分割完成。
2.如权利要求1所述的一种改进LTCD和Hu不变矩的COG中bump的分割方法,其特征在于所述步骤4的具体方法为:
步骤4-1:对模板图像采用LTCD方法对其进行编码,对模板图像每个像素点,以其为中心,逐个计算其与8邻域像素点的像素值差平方Di和8邻域像素点方差的平均值Davg;
按顺时针,逐个比较Di与Davg的大小;若Di>Davg,且差值绝对值小于设定阈值,则将该像素点标记为1;若Di<Davg,且差值绝对值小于设定阈值,则将该点标记为0;剩下的情况将该像素点标记为-1;完成后获取该中心像素点的8位LTCD码,计算每个像素点LTCD码的重复概率,获得模板图像LTCD码直方图;
步骤4-2:对于待匹配图像,以模板图像为窗口在其上滑动,采用步骤4-1的方法计算重合区域的LTCD码直方图;
步骤4-3:采用卡方计算模板图像和待匹配图像相应重合区域LTCD码直方图相似度,相应的计算方法为:
<mrow>
<msup>
<mi>&chi;</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>I</mi>
</munder>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>H</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>H</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
其中χ2(x,y)表示相似度矩阵在(x,y)处的相似度值,H1表示模板图像LTCD直方图,H2表示待检测图像中相应重合区域的LTCD直方图,I表示直方图的维度;
步骤4-4:随着模板图像在待检测图像上滑动,逐点计算相似度值,获得模板图像和待匹配图像LTCD特征相似度矩阵,矩阵大小为两者的高度和宽度的差值。
3.如权利要求1或2所述的一种改进LTCD和Hu不变矩的COG中bump的分割方法,其特征在于所述步骤5的具体方法为:
步骤5-1:计算模板图像的7个Hu不变矩M1~M7,分别为:
M1=η20+η02
<mrow>
<mi>M</mi>
<mn>2</mn>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&eta;</mi>
<mn>20</mn>
</msub>
<mo>-</mo>
<msub>
<mi>&eta;</mi>
<mn>02</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>4</mn>
<msubsup>
<mi>&eta;</mi>
<mn>11</mn>
<mn>2</mn>
</msubsup>
</mrow>
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
M6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]其中ηpq代表图像的p+q阶归一化中心矩;这7个不变矩构成一组特征向量,由此模板图像的形状特征就可由Hu不变矩特征向量表示;
步骤5-2:对于待匹配图像,以模板图像为窗口在其上滑动,采用步骤5-1的方法计算重合区域的Hu不变矩特征向量;
步骤5-3:计算模板图像Hu不变矩特征向量和与待匹配图像相应重合区域Hu不变矩特征向量的欧式距离,作为相似度Sim的度量,计算方法为:
<mrow>
<mi>S</mi>
<mi>i</mi>
<mi>m</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>H</mi>
<mi>u</mi>
<msub>
<mn>1</mn>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>H</mi>
<mi>u</mi>
<msub>
<mn>2</mn>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中,Hu1i表示模板图像Hu不变矩特征向量的第i维分量;Hu2i表示待匹配图像相应重合区域Hu不变矩特征向量的第i维分量;
步骤5-4:随着模板图像在待检测图像上滑动,逐点计算Hu不变矩特征向量相似度值,获得模板图像和待匹配图像Hu不变矩特征向量相似度矩阵,矩阵大小为两者的高度和宽度的差值。
4.如权利要求1或2所述的一种改进LTCD和Hu不变矩的COG中bump的分割方法,其特征在于所述步骤6中检验LTCD特征相似度矩阵中最大值坐标是否识别有错误的具体方法为:
步骤6-1:若该点不是匹配出的第一个最大值坐标,将其坐标与已存储的最大值坐标集合中的坐标进行比较,剔除错误点;判断的标准为:
其中:xnew、ynew分别表示新匹配出的最大值点的横、纵坐标;xi、yi表示已存储的最大值坐标集合中的第i个最大值点的横、纵坐标;templ_width表示模板图像的宽度;th表示纵向的高度差阈值;若该点为错误点,将该坐标下的LTCD特征相似度矩阵中的值置为最小值;同时重新在LTCD特征相似度矩阵中选取最大值;若该点位正确点,进行下一步操作;
步骤6-2:若该点为正确点,提取该处坐标在Hu不变矩特征向量相似度矩阵中的相应值,若该值大于阈值,则为正确点,将该坐标存储在最大值坐标集合中,否则为错误点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710820004.8A CN107730510B (zh) | 2017-09-13 | 2017-09-13 | 一种结合LTCD和Hu不变矩的COG中bump的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710820004.8A CN107730510B (zh) | 2017-09-13 | 2017-09-13 | 一种结合LTCD和Hu不变矩的COG中bump的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730510A true CN107730510A (zh) | 2018-02-23 |
CN107730510B CN107730510B (zh) | 2020-02-18 |
Family
ID=61206126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710820004.8A Active CN107730510B (zh) | 2017-09-13 | 2017-09-13 | 一种结合LTCD和Hu不变矩的COG中bump的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730510B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647706A (zh) * | 2018-04-24 | 2018-10-12 | 广州大学 | 基于机器视觉的物品识别分类与瑕疵检测方法 |
CN108979624A (zh) * | 2018-08-07 | 2018-12-11 | 东北大学 | 一种基于示功图矩特征的有杆抽油系统摩擦因数辨识方法 |
CN109086738A (zh) * | 2018-08-23 | 2018-12-25 | 深圳市深晓科技有限公司 | 一种基于模板匹配的字符识别方法及装置 |
CN109711457A (zh) * | 2018-12-20 | 2019-05-03 | 江南大学 | 一种基于改进hu不变矩的快速图像匹配方法及其应用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1523409A (zh) * | 2003-02-20 | 2004-08-25 | ���ǵ�����ʽ���� | 电路装置及显示装置 |
CN101216880A (zh) * | 2007-12-28 | 2008-07-09 | 中国人民解放军海军航空工程学院 | 一种火工品缺陷识别方法 |
CN104729961A (zh) * | 2015-03-27 | 2015-06-24 | 电子科技大学 | 一种各向异性导电膜中粒子的检测方法 |
CN106022375A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
-
2017
- 2017-09-13 CN CN201710820004.8A patent/CN107730510B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1523409A (zh) * | 2003-02-20 | 2004-08-25 | ���ǵ�����ʽ���� | 电路装置及显示装置 |
CN101216880A (zh) * | 2007-12-28 | 2008-07-09 | 中国人民解放军海军航空工程学院 | 一种火工品缺陷识别方法 |
CN104729961A (zh) * | 2015-03-27 | 2015-06-24 | 电子科技大学 | 一种各向异性导电膜中粒子的检测方法 |
CN106022375A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
Non-Patent Citations (2)
Title |
---|
HE, JP等: "Texture analysis using local region contrast", 《JOURNAL OF ELECTRONIC IMAGING》 * |
刘三亚: "触摸屏ACF粒子自动光学检测的关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647706A (zh) * | 2018-04-24 | 2018-10-12 | 广州大学 | 基于机器视觉的物品识别分类与瑕疵检测方法 |
CN108647706B (zh) * | 2018-04-24 | 2022-03-22 | 广州大学 | 基于机器视觉的物品识别分类与瑕疵检测方法 |
CN108979624A (zh) * | 2018-08-07 | 2018-12-11 | 东北大学 | 一种基于示功图矩特征的有杆抽油系统摩擦因数辨识方法 |
CN109086738A (zh) * | 2018-08-23 | 2018-12-25 | 深圳市深晓科技有限公司 | 一种基于模板匹配的字符识别方法及装置 |
CN109086738B (zh) * | 2018-08-23 | 2021-05-11 | 深圳市同维通信技术有限公司 | 一种基于模板匹配的字符识别方法及装置 |
CN109711457A (zh) * | 2018-12-20 | 2019-05-03 | 江南大学 | 一种基于改进hu不变矩的快速图像匹配方法及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN107730510B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730510A (zh) | 一种结合LTCD和Hu不变矩的COG中bump的分割方法 | |
CN108960211B (zh) | 一种多目标人体姿态检测方法以及系统 | |
Shah et al. | Leaf classification using marginalized shape context and shape+ texture dual-path deep convolutional neural network | |
CN107766809A (zh) | 电子装置、票据信息识别方法和计算机可读存储介质 | |
CN110119680A (zh) | 一种基于图像识别的电气柜接线自动查错系统 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN112200143A (zh) | 一种基于候选区域网络和机器视觉的道路病害检测方法 | |
CN101807257A (zh) | 图像标签信息识别方法 | |
CN104200461A (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN106339707A (zh) | 一种基于对称性特征的仪表指针图像识别方法 | |
CN110738216A (zh) | 基于改进surf算法的药品识别方法 | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN103632142A (zh) | 基于局部坐标系特征描述的图像匹配方法 | |
CN106874913A (zh) | 一种菜品检测方法 | |
CN104537367A (zh) | 一种vin码的校验方法 | |
CN112132812B (zh) | 证件校验方法、装置、电子设备及介质 | |
CN106127258A (zh) | 一种目标匹配方法 | |
CN115661072A (zh) | 一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法 | |
Mei et al. | Deep learning based automated inspection of weak microscratches in optical fiber connector end-face | |
CN110009019A (zh) | 磁性材料裂纹智能检测系统及方法 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
Shi et al. | License plate localization in complex environments based on improved GrabCut algorithm | |
CN107016414A (zh) | 一种脚印的识别方法 | |
CN114494373A (zh) | 基于目标检测与图像配准的轨道高精度对齐方法及系统 | |
CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |