CN108647634A - 图像边框查找方法、装置、计算机设备及存储介质 - Google Patents
图像边框查找方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN108647634A CN108647634A CN201810437876.0A CN201810437876A CN108647634A CN 108647634 A CN108647634 A CN 108647634A CN 201810437876 A CN201810437876 A CN 201810437876A CN 108647634 A CN108647634 A CN 108647634A
- Authority
- CN
- China
- Prior art keywords
- image
- pending
- profile
- target
- binary
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
Abstract
本发明公开了一种图像边框查找方法、装置、计算机设备及存储介质。该图像边框查找方法包括:对待处理图像进行二值化处理,获取待处理二值化图像;对待处理二值化图像进行特征提取,获取待处理二值化图像特征;采用预先训练好的图像轮廓识别模型对待处理二值化图像特征进行识别,获取至少一个有效图像轮廓;对至少一个有效图像轮廓进行处理,获取目标图像边框。该方法通过采用预先训练好的图像轮廓识别模型获取至少一个有效图像轮廓,并基于至少一个有效图像轮廓获取目标图像边框,使得获取的目标图像边框更加准确,更加符合待处理图像对应的图像边框。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种图像边框查找方法、装置、计算机设备及存储介质。
背景技术
基于图像识别算法的常规图像边框查找方法仅在拍摄环境比较理想,即在拍摄的图像中不存在底纹且光照适宜的情况下,才能从图像中获取较为准确的图像表框。在实际环境中,图像中存在有底纹,或者拍摄过程中光照过强过弱等情况会经常出现,使得采用常规图像边框查找方法获取的图像边框不准确。因此,采用常规的图像边框查找方法在实际环境中获取图像边框时,会导致获取的图像边框出现效果差、不准确等问题的发生。
发明内容
本发明实施例提供一种图像边框查找方法、装置、计算机设备及存储介质,以解决获取待处理图像对应的图像边框不准确、效果差的问题。
第一方面,本发明实施例提供一种图像边框查找方法,包括:
对待处理图像进行二值化处理,获取待处理二值化图像;
对所述待处理二值化图像进行特征提取,获取待处理二值化图像特征;
采用预先训练好的图像轮廓识别模型对所述待处理二值化图像特征进行识别,获取至少一个有效图像轮廓;
对至少一个所述有效图像轮廓进行处理,获取目标图像边框。
第二方面,本发明实施例提供一种图像边框查找装置,包括:
待处理二值化图像获取模块,用于对待处理图像进行二值化处理,获取待处理二值化图像;
待处理二值化图像特征获取模块,用于对所述待处理二值化图像进行特征提取,获取待处理二值化图像特征;
有效图像轮廓获取模块,用于采用预先训练好的图像轮廓识别模型对所述待处理二值化图像特征进行识别,获取至少一个有效图像轮廓;
目标图像边框获取模块,用于对至少一个所述有效图像轮廓进行处理,获取目标图像边框。
第三方面,本发明实施例提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述图像边框查找方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述图像边框查找方法的步骤。
本发明实施例提供的图像边框查找方法、装置、计算机设备及存储介质,通过对待处理图像进行二值化处理,获取待处理二值化图像,有效减少在获取待处理图像的图像边框的计算量。采用预先训练好的图像轮廓识别模型对所述待处理二值化图像特征进行识别,获取至少一个有效图像轮廓,可以使图像轮廓识别模型基于神经网络自身的不断学习功能,使得获取有效图像轮廓更加符合待处理图像的要求。通过获取的至少一个有效图像轮廓获取目标图像边框,使得获取的图像边框更加准确,可以基于待处理图像的图像特征参数得到准确度更高的目标图像边框。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1中图像边框查找方法的一流程图。
图2是图1中步骤S10的一具体示意图。
图3是图1中步骤S30之前的一具体示意图。
图4是图1中步骤S30的一具体示意图。
图5是图4中步骤S31的一具体示意图。
图6是图1中步骤S40的一具体示意图。
图7是图6中步骤S42的一具体示意图。
图8是本发明实施例2中图像边框查找装置的一原理框图;
图9是本发明实施例4中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1示出本实施例中图像边框查找方法的流程图。该图像边框查找方法应用在对不同拍摄环境下拍摄得到的图像进行边框查找,以获取较准确且效果较好的图像边框。具体地,该图像边框查找方法可应用在电脑、智能手机和平板等计算机设备上,用于对该计算机设备上获取到的图像进行边框查找。如图1所示,该图像边框查找方法包括如下步骤:
S10:对待处理图像进行二值化处理,获取待处理二值化图像。
其中,待处理图像是指需要查找图像边框的的图像,包括但不限于银行卡、身份证和公交卡对应的待处理图像。二值化处理是指将图像上的像素点的灰度值设置为0或255,将整个图像呈现出明显的黑白效果的处理。待处理二值化图像是指待处理图像通过二值化处理得到的图像。
具体地,在对待处理图像进行二值化处理,获取二值化图像之前,还应对获取的待处理图像进行灰度化处理,对待处理图像进行灰度化处理是二值化处理的必需步骤,可以大大减少后续步骤中获取待处理二值化图像特征的计算量。在对待处理图像进行灰度化处理后,对获取的与待处理图像对应的灰度化图像进行二值化处理,获取待处理二值化图像。对待处理图像进行二值化处理是后续提取待处理二值化图像特征的基础,以方便采用图像轮廓识别模型对待处理二值化图像特征进行图像轮廓的识别。
S20:对待处理二值化图像进行特征提取,获取待处理二值化图像特征。
待处理二值化图像特征是指对待处理二值化图像进行特征提取后获得的二值化图像特征。本实施例中,二值化图像特征包括但不限于光照、块切片和图像直方图等特征参数。
为了减少光照的强弱对待处理二值化图像特征输入到图像轮廓识别模型进行识别的准确度的影响,本实施例中的光照是指预先设定的模拟光照。在获取待处理二值化图像后,采用预先设定的模拟光照对待处理二值化图像进行统一处理,保证获取到的待处理二值化图像特征是在模拟光照下输入到预先训练好的图像轮廓识别模型中进行识别的,避免由于光照不均匀(如存在暗光、阴影等)情况,导致待处理图像的图像边框的识别结果不准确。该模拟光照为用户根据实际情况自定义设置。
块切片是指对获取的待处理二值化图像进行切割,将像素相同的待处理二值化图像作为一个块区域,该块区域则为待处理二值化图像的块切片。每个块区域对应的待处理二值化图像则为待处理二值化图像的块切片。如将待处理二值化图像中像素为240的待处理图像作为一个块切片,即一待处理二值化图像特征。
图像直方图也称为色阶图,是用来表示待处理二值化图像中不同像素值的分布情况的图。图像直方图的横坐标表示待处理二值化图像中不同的像素值,纵坐标表示每一像素值在待处理图像中的分布情况,即表示待处理二值化图像中每一像素值对应的数量,通过图像直方图可以很明显地展示出待处理图像进行二值化处理后的待处理二值化图像中每一像素值的分布情况。
对待处理二值化图像进行特征提取,获取待处理二值化图像特征,以便将获取到的待处理二值化图像特征输入到预先训练好的图像轮廓识别模型中进行识别。
S30:采用预先训练好的图像轮廓识别模型对待处理二值化图像特征进行识别,获取至少一个有效图像轮廓。
其中,图像轮廓识别模型是指预先训练好的用于识别图像轮廓的神经网络模型。有效图像轮廓是指基于图像轮廓识别模型识别后,可以用于反映待处理图像形状和尺寸的图像轮廓,包括但不限于银行卡、身份证和公交卡对应的可以反映银行卡、身份证或公交卡形状和尺寸的图像轮廓。当形状或者大小中的任一方面不满足银行卡、身份证或公交卡的形状和尺寸的图像轮廓都为无效图像轮廓。无效图像轮廓是与有效图像轮廓相对的概念,是指基于图像轮廓识别模型识别后,其识别结果较差的图像轮廓。
具体地,获取待处理二值化图像特征后,将获取到的待处理二值化图像特征输入到预先训练好的图像轮廓识别模型中进行识别,图像轮廓识别模型在完成识别过程后,会得到至少一个待处理二值化图像特征对应的图像轮廓,每一图像轮廓都会携带一对应的识别结果值。然后,将每一图像轮廓对应的识别结果值与一识别阈值进行比较,若识别结果值大于或等于该识别阈值,则认定该识别结果值对应的图像轮廓为有效图像轮廓;相应地,若识别结果值小于该识别阈值,则认定该识别结果值对应的图像轮廓为无效图像轮廓。该识别阈值是预先设置的,用于评估图像轮廓是否有效的值,可根据实际需求自定义设置。
由于图像轮廓识别模型在对多个待处理二值化图像特征进行识别,会得出多个识别结果,一些识别结果较差的图像轮廓不能实现获取较准确且效果较好的目标图像边框,此时,这些识别结果较差的图像轮廓作为无效图像轮廓。因此,需要在图像轮廓识别模型对待处理二值化图像特征进行识别后,还可以对每一图像轮廓的识别结果值进行算法筛选,获取至少一个有效图像轮廓。如算法筛选的筛选标准为识别结果达到70%时,对应的图像轮廓为有效图像轮廓,未达到70%时,对应的图像轮廓不是有效图像轮廓(即为无效图像轮廓),则排除该图像轮廓,减少对图像轮廓的处理量。
采用预先训练好的图像轮廓识别模型对待处理二值化图像特征进行识别,识别过程简单方便,且准确率较高。而且,在图像轮廓识别模型预先训练过程中,可以通过神经网络自身的不断学习功能,调整图像轮廓识别模型的准确度。
S40:对至少一个有效图像轮廓进行处理,获取目标图像边框。
目标图像边框是指从至少一个有效图像轮廓对应的边框中选择一个与待处理图像的形状最为吻合的图像边框,该图像边框可具体显示对应的有效图像轮廓的形状。该目标图像边框即为待处理图像最终识别出的图像边框,其准确率较高且效果较好。
具体地,通过对图像轮廓识别模型识别出的至少一个有效图像轮廓进行轮廓拟合处理,获取每一有效图像轮廓对应的图像边框。然后对获取的至少一个有效图像轮廓对应的图像边框进行筛选,获取与待处理图像的形状和尺寸最为相符的目标图像边框。该目标图像边框则为与待处理图像对应的图像轮廓最为符合的图像边框,使得获取的待处理图像的图像边框更加准确,效果更好。
如通过图像轮廓识别模型识别出的身份证的至少一个有效图像轮廓,每一个有效图像轮廓上的线条可能包含曲线、直线或者断裂的直线,断裂的直线即就是不能形成有效图像轮廓的直线。通过轮廓拟合处理,去除掉曲线和断裂的直线,获取仅包含直线的有效图像轮廓对应的图像边框。然后根据待处理图像的形状和尺寸判断与待处理图像的形状和尺寸最为相符的图像边框,作为目标图像边框。
步骤S10-S40,先对待处理图像进行二值化处理,获取待处理二值化图像,可以有效减少在获取待处理图像的图像边框的计算量。再对待处理二值化图像进行特征提取,获取待处理二值化图像特征,便于执行将获取的待处理二值化图像特征输入到图像轮廓识别模型中识别,提高获取有效图像轮廓的效率。然后,将待处理二值化图像特征输入到预先训练好的图像轮廓识别模型中进行识别,获取识别结果达到算法筛选的筛选标准的至少一个有效图像轮廓,有效减少了对有效图像边框的处理量。在获取有效图像轮廓后,需要对有效图像轮廓进行轮廓拟合处理,选取与待处理图像的形状最为吻合的目标图像边框,使得获取的目标图像边框更加准确,效果更好。
在一具体实施方式中,如图2所示,步骤S10,对待处理图像进行二值化处理,获取待处理二值化图像,具体包括如下步骤:
S11:对待处理图像进行灰度化处理,获取待处理灰度化图像。
当待处理图像为彩色图像时,则需将待处理图像进行灰度化处理,变换为具有明显的黑白效果的黑白图像;当待处理图像为灰度化图像时,则不需要对待处理图像进行灰度化处理。其中,灰度化图像是指每个像素只有一个采样像素值的图像,包括黑色、白色和不同颜色深度的灰色。对待处理图像进行灰度化处理,可以排除颜色对待处理图像的图像轮廓识别的影响,减少图像的复杂度和信息处理量,方便后续步骤中采用图像轮廓识别模型识别待处理图像的图像轮廓。
具体地,彩色图像中每个像素的颜色都是通过R(红色)、G(绿色)和B(蓝色)三个分量决定的,每个分量都对应有256个亮度等级。其中,像素等级为0表示黑色,像素等级255表示白色,待处理灰度化图像是R、G、B三个分量相同的一种特殊的图像。
对待处理图像进行灰度化处理,可以采用对待处理图像中的每个像素点对应的R、G和B三个分量求平均值,获取每个像素点对应的采样像素值。或者采用加权平均算法对应的公式:Y=0.299R+0.587G+0.114B,获取每一个像素点的采样像素值。在获取每个像素点的采样像素值后,将待处理图像的每个像素点对应的像素值都替换为该像素点的采样像素值,获取待处理图像对应的待处理灰度化图像。其中,Y为像素点对应的采样像素值。
S12:对待处理灰度化图像进行二值化处理,获取待处理二值化图像。
二值化处理是指将待处理灰度化图像的采样像素值和预先选取的目标阈值进行比较,将采样像素值大于目标阈值的像素值设置为1,小于目标阈值的像素值设置为0的过程。
具体地,二值化处理过程具体包括:比较待处理灰度图像的采样图像值和目标阈值的大小,将采样像素值大于或等于目标阈值的像素值设置为1,将采样像素值小于目标阈值的像素值设置为0。其中,目标阈值是指用于对待处理灰度化图像进行二值化处理时进行比较判断的阈值。待处理二值化图像是指像素值仅为0和1的图像。
目标阈值的确定方法具体可以为将获取的待处理灰度化图像分成M×N个像素的图像,获取不同像素对应的图像直方图。然后选取一初始阈值t,该初始阈值t为假设的用于分割前景像素与背景像素的阈值。其中,前景像素是指大于或等于初始阈值t的像素,该前景像素用1表示,显示出来的内容是白色的;背景像素是指小于初始阈值t的像素,该背景像素用0表示,显示出来的内容是黑色的。
最后,对该大小为M×N个像素的图像,基于公式(1)、公式(2)、公式(3)、公式(4)、公式(5)、公式(6)、公式(7)和公式(8)获取类间方差G,并采用遍历的方法获取使类间方差G最大时对应的目标阈值T。
wb+wf=1 公式(7)
其中,i为像素的层级数,wb为背景像素在图像中对应的比重、wf为前景像素在图像中对应的比重,pi为不同层级像素对应的个数,ub为背景像素的平均值,uf为前景像素的平均值,ui为不同层级的像素,为背景像素的方差,为前景像素的方差。
获取待处理二值化图像,可以使待处理图像在输入图像轮廓识别模型中进行识别时,大大减少需要计算的数据量。
在一具体实施方式中,步骤S30,采用预先训练好的图像轮廓识别模型对待处理二值化图像特征进行识别的步骤之前,如图3所示,该图像边框查找方法还包括预先训练图像轮廓识别模型,用于在后续图像边框查找过程中,可直接调用预先训练的图像轮廓识别模型对待处理图像进行图像轮廓识别,提高图像轮廓识别的效率和准确度。其中,预先训练图像轮廓识别模型的具体步骤如下:
S301:对原始图像进行二值化处理和特征提取,获取原始二值化图像特征。
原始图像是指用于训练图像轮廓识别模型的图像。对原始图像进行二值化处理和特征提取的过程与对待处理图像进行二值化处理和特征提取的过程相同,即与步骤S10和S20相同,在此不进行一一赘述,以避免重复。在训练图像轮廓识别模型之前,对原始图像进行二值化处理和特征提取,可以有效减少图像轮廓识别模型对数据的处理量,便于图像轮廓识别模型的训练,提高训练效率。
S302:获取至少一个有效图像轮廓查找算法。
有效图像轮廓查找算法是指基于算法筛选的筛选标准对识别结果值进行筛选获取的图像轮廓查找算法。将至少一个原始图像轮廓查找算法和原始二值化图像特征输入到预先训练好的基于二值化图像特征中的光照、块切片和图像直方图不同特征参数对应的图像轮廓查找算法模型中进行识别,在识别后,每种特征参数对应的原始图像轮廓查找算法都会得到至少一个算法概率值,然后基于算法筛选的筛选标准,获取达到筛选标准的不同特征参数对应的至少一个有效图像轮廓查找算法。
其中,原始图像轮廓查找算法是指初次输入的没有经过图像轮廓查找算法模型训练的图像轮廓查找算法。本实施例中采用的原始图像轮廓查找算法可以为opencv视觉库中的Canny边缘检测算法,Canny边缘检测算法是一种常见的轮廓查找算法,可用于对二值化图像进行轮廓提取。
S303:对原始二值化图像特征和至少一个有效图像轮廓查找算法进行模型训练,获取图像轮廓识别模型。
在获取至少一个有效图像轮廓查找算法后,将获取的原始二值化图像特征和对应的标准轮廓输入到至少一个有效图像轮廓查找算法中进行训练,获取图像轮廓识别模型。其中,标准轮廓由开发人员根据实际情况自定义选择的形状和尺寸的轮廓。例如,获取的原始二值化图像是矩形形状的银行卡、身份证或者公交卡时,其对应的标准轮廓则为矩形,将原始二值化图像特征和对应的标准轮廓输入到至少一个有效图像轮廓算法中进行训练,获取原始二值化图像对应的图像轮廓识别模型。
在一具体实施方式中,图像轮廓识别模型包括至少一个有效图像轮廓查找算法和对应的权值,如图4所示,步骤S30,采用预先训练好的图像轮廓识别模型对待处理二值化图像特征进行识别,获取至少一个有效图像轮廓,具体包括如下步骤:
S31:采用至少一个有效图像轮廓查找算法分别对待处理二值化图像特征进行识别,获取与每一有效图像轮廓查找算法相对应的目标特征识别结果。
其中,目标特征识别结果是对采用至少一个有效图像轮廓查找算法分别对待处理二值化图像特征进行识别得到的第一特征识别结果,并对第一特征识别结果进行汇总后得到的特征识别结果。其中,第一特征识别结果是指用于表示待处理二值化图像可以形成闭合区域的形状和尺寸的特征识别结果。采用至少一个有效图像轮廓查找算法对获取的待处理二值化图像特征进行识别时,为了加快识别的速度,缩短识别时间,因此每一个有效图像轮廓查找算法会分配到对应的服务器中完成识别,得到每一个有效图像轮廓查找算法对应的至少一个第一特征识别结果。为了方便步骤S32获取有效图像轮廓,用于汇总第一特征识别结果的服务器会将至少一个第一特征识别结果进行汇总并存储,得到目标特征识别结果。
如待处理二值化图像为身份证对应的图像,为了加快识别速度,将至少一个有效图像轮廓查找算法分配到对应的服务器中进行对身份证的识别,获取基于至少一个有效图像轮廓查找算法对身份证识别的第一识别结果,由于身份证上可以形成闭合区域的包括但不限于人脸图像、国徽图像和身份证卡片图像,因此,身份证的第一识别结果包括但不限于身份证上的人脸图像、国徽图像和身份证卡片图像的形状和尺寸。在获取第一特征识别结果后,为了方便步骤S32基于特征识别结果获取身份证的有效图像轮廓,用于汇总第一特征识别结果的服务器会将不同服务器的第一特征识别结果进行汇总,获取目标特征识别结果并存储。
S32:基于目标特征识别结果和预设的标准轮廓,获取有效图像轮廓。
在获取与每一有效图像轮廓查找算法对待处理二值化图像特征进行识别的目标特征识别结果后,图像轮廓识别模型会将每一目标特征识别结果和开发人员预先选择或设置的标准轮廓进行比较,得到每一目标特征识别结果对应的相似度值。然后根据每一目标特征识别结果对应的相似度值获取相似度值较高的有效图像轮廓。具体地,若每一目标特征识别结果对应的相似度值大于或等于预设的阈值时,则根据该目标特征识别结果获取有效图像轮廓。其中,该阈值是预先设置的用于判定是否达到有效图像轮廓的标准值。
如身份证上的国徽图像和人脸图像对应的图像轮廓与开发人员选择的标准轮廓进行对比,国徽图像和人脸图像对应的图像轮廓的形状和尺寸与标准轮廓的形状和尺寸的相似度值极低,则排除国徽图像和人脸图像对应的图像轮廓,即不是有效图像轮廓。若获取的身份证的轮廓形状和尺寸与开发人员选择的标准轮廓的形状和尺寸的相似度值都很高,即相似度值大于或等于预设的阈值,则身份证的轮廓则为有效图像轮廓。
采用预先训练好的图像轮廓识别模型中的至少一个有效图像轮廓查找算法对待处理二值化图像特征进行识别,获取至少一个目标特征识别结果,然后将目标特征识别结果与预设的标准轮廓进行比较,获取与开发人员选择的标准轮廓的相似度值较高的有效图像轮廓,便于执行步骤S40基于有效图像轮廓获取目标图像边框,保证获取的目标图像边框的准确性。
在一具体实施方式中,如图5所示,步骤S31,采用至少一个有效图像轮廓查找算法分别对待处理二值化图像特征进行识别,获取与每一有效图像轮廓查找算法相对应的目标特征识别结果,具体包括如下步骤:
S311:采用算法选择器将至少一个有效图像轮廓查找算法分配到对应的服务器中进行计算处理,获取至少一个有效图像轮廓查找算法对应的第一特征识别结果。
为了加快至少一个有效图像轮廓查找算法对待处理二值化图像特征的识别过程,节约时间,本实施例采用算法选择器将至少一个有效图像轮廓查找算法分别分配到对应的服务器中进行并行处理。其中,算法选择器是指用于将至少一个有效图像轮廓查找算法分配到不同的算法进程中的路由器。每一个有效图像轮廓查找算法对应的服务器都携带有一服务器标识,以便于算法选择器基于服务器标识给至少一个有效图像轮廓分配相应的服务器。服务器标识是指用于识别服务器的唯一标识。
采用算法选择器将至少一个有效图像轮廓查找算法分配到不同服务器标识对应的服务器中进行计算处理,以保证一个有效图像轮廓查找算法对应一个服务器,一个服务器处理一个有效图像轮廓查找算法的计算过程,节约时间,同时也可以提高有效图像轮廓查找算法的计算处理效率。
S312:采用结果汇总器对至少一个第一特征识别结果进行汇总处理,获取目标特征识别结果。
结果汇总器是指对第一特征识别结果进行汇总的服务器。不同服务器标识对应的服务器对不同的有效图像轮廓查找算法进行计算处理后,第一特征识别结果会存储在相应的服务器中。由于步骤S32是基于特征识别结果获取有效图像轮廓的,若从不同的服务器中直接通过第一特征识别结果获取有效图像轮廓,会影响有效图像轮廓获取的速度,延长获取时间。因此,需要在步骤S311后执行步骤S312,采用结果汇总器会将至少一个的第一特征识别结果进行汇总,使得含有不同服务器标识的第一特征识别结果汇总为一个目标特征识别结果,同时去掉至少一个第一特征识别结果携带的服务器标识,使得所有的第一特征识别结果经过汇总称为一个目标特征识别结果,并存储在结果汇总器中,方便获取有效图像轮廓。
将第一特征识别结果汇总为目标特征识别结果,便于在执行步骤S32获取有效图像轮廓时,可以通过获取目标特征识别结果直接获取到至少一个有效图像轮廓查找算法对应的特征识别结果,节省了从不同服务器获取有效图像轮廓查找算法对应的特征识别结果的时间,同时减轻了服务器获取数据的负载。
在一具体实施方式中,如图6所示,步骤S40,对至少一个有效图像轮廓进行处理,获取目标图像边框,具体包括如下步骤:
S41:采用预先设置的轮廓筛选规则对至少一个有效图像轮廓进行筛选,获取目标图像轮廓。
轮廓筛选规则是指基于轮廓凹凸和轮廓断裂等情况,筛选出满足轮廓凹凸数量和轮廓断裂标准的图像轮廓的规则。目标图像轮廓是指满足筛选规则的有效图像轮廓。
具体地,采用预先设置的轮廓筛选规则对至少一个有效图像轮廓进行筛选,当有效图像轮廓满足轮廓筛选规则中的轮廓凹凸数量和轮廓断裂标准时,则将该有效图像轮廓确定为目标图像轮廓。
轮廓凹凸是指图像轮廓上不平滑的凹凸部分。轮廓断裂是指图像轮廓上轮廓不正常的缺失的情况。
如身份证对应的图像轮廓是一个规则的矩形轮廓,因此,身份证的图像轮廓上应该存在四处不平滑的凹凸部分,即就是判断身份证的目标图像轮廓的轮廓凹凸数量应该为4。当有效图像轮廓的轮廓凹凸数量为4时,则继续判断该有效图像轮廓中是否存在有轮廓断裂的情况,不存在轮廓断裂情况的有效图像轮廓为身份证对应的目标图像轮廓。
采用预先设置的轮廓筛选规则对至少一个有效图像轮廓进行筛选,获取的目标图像轮廓更加准确和完美。
S42:对目标图像轮廓进行直线查找处理,获取目标图像轮廓中每一条边对应的目标边线。
本实施例中的目标图像轮廓是指含有直线的图像轮廓,因此,可以采用霍夫变换直线检测方法对目标图像轮廓进行直线查找处理,获取目标图像轮廓中每一条边对应的目标边线。目标边线是指目标图像轮廓中每一条边上对应的直线,且该直线与相邻边上的直线可以相交于一点的直线。其中,霍夫变换是图像处理中的一种特征提取技术,可以识别图像中几何形状,如直线、圆和椭圆等。本实施例中采用经典的霍夫变换获取目标图像轮廓中的直线,排除目标图像轮廓中存在的曲线,从而获取目标图像轮廓中每一条边对应的目标边线,此时,每一目标边线都是一直线。
S43:基于目标图像轮廓的目标边线,获取目标图像轮廓中对应的至少三个交叉点。
由于只有不在同一条直线上的三个点才可以形成一个平面,本实施例中,以直线组成的目标图像轮廓需要在不属于一条直线上的至少三个顶点才可以组成一轮廓,若顶点的个数小于三时,则顶点之间不能形成图像轮廓。因此,基于目标图像轮廓的目标边线,获取目标图像轮廓中对应的至少三个交叉点,任意两条相邻的目标边线之间形成一交叉点,该交叉点也称为两条相邻的目标边线的顶点。获取目标图像轮廓中对应的至少三个交叉点便于步骤S44获取目标图像边框。
S44:基于至少三个交叉点,获取目标图像边框。
基于获取到的至少三个交叉点和每一条边上的目标边线,获取相邻交叉点两两之间的直线段,该直线段两端的交叉点则为该直线段的两个顶点,相邻顶点和直线段组成的几何形状则为目标图像边框。如身份证上的目标图像边框则为身份证上四个顶点中,相邻顶点间的直线段组成的矩形形状图像边框。
在一具体实施方式中,如图7所示,步骤S42,对目标图像轮廓进行轮廓拟合,获取目标图像轮廓中每一条边对应的目标边线,具体包括如下步骤:
S421:对目标图像轮廓进行直线查找处理,获取目标图像轮廓中每一条边上的至少一条直线。
由于在获取目标图像轮廓时,不能保证目标图像轮廓上都是直线,不存在曲线,因此,需要采用霍夫变换直线检测方法获取目标图像轮廓上的直线。图像轮廓上的每个边上所存在的直线包括至少一条,为了获取到最能准确描述每个边的直线,还需要执行步骤S422和S423获取。
S422:对目标图像轮廓中每一条边上的每一条直线与属于同一个边的其他直线进行距离计算并求和,获取每一条直线的距离和。
具体地,将每一条边上的至少一条直线做直线间的距离计算,然后将每一条边上的任一条直线与其他直线之间的所有距离相加得到该直线的距离和。如矩形的目标图像轮廓的四个边上的至少一条直线为a1、a2、a3...an,首先将a1、a2、a3...an中的每一条直线与其他的直线进行距离计算,将计算出的距离相加,得到a1这条直线与其他n-1条直线的距离和同理计算出其他直线与同一边上的其他直线的距离和。
S423:选取距离和最小的直线,作为每一条边上的目标边线。
对每一条边上获取的距离和进行比较,选取每一条边上距离和最小的直线作为每一条边上的目标边线。选取距离和最小的直线作为每一条边上的目标边线,该目标边线为该边上的直线聚集最密集的区域中的一条直线,该直线可以更加准确地反映该边的实际情况。
获取的目标图像轮廓的每一条边上会存在至少一条直线,而每一条边上仅有一条最合适的目标边线。因此,需要对目标图像轮廓中每一条边上的每一条直线与属于同一个边的其他直线进行距离计算并求和,获取每一条直线的距离和,将距离和最小的直线则为目标图像轮廓中每一条边上的目标边线,使得基于该目标边线进行图像边框查找时,提高图像边框查找的准确性。
通过对目标图像轮廓进行直线查找处理,获取目标图像轮廓中每一条边上的至少一条直线,然后对每一条边上的每一条直线和同一边上的其他直线作距离和计算,选取距离和最小的直线作为每个边上的目标边线,便于步骤S43获取交叉点,减少获取交叉点时的计算量。
本实施例所提供的图像边框查找方法中,通过对待处理图像进行二值化处理,获取待处理二值化图像,可以有效减少在获取待处理图像的图像边框的计算量。采用预先训练好的图像轮廓识别模型对所述待处理二值化图像特征进行识别,获取至少一个有效图像轮廓,可以使图像轮廓识别模型基于神经网络自身的不断学习功能,使得获取有效图像轮廓更加符合待处理图像的要求。通过获取的至少一个有效图像轮廓获取目标图像边框,使得获取的图像边框更加准确,可以基于待处理图像的图像特征参数得到准确度更高的目标图像边框。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例2
图8示出与实施例1中图像边框查找方法一一对应的图像边框查找装置的原理框图。如图8所示,该图像边框查找装置包括待处理二值化图像获取模块10、待处理二值化图像特征获取模块20、有效图像轮廓获取模块30和目标图像边框获取模块40。其中,待处理二值化图像获取模块10、待处理二值化图像特征获取模块20、有效图像轮廓获取模块30和目标图像边框获取模块40的实现功能与实施例中图像边框查找方法对应的步骤一一对应,为避免赘述,本实施例不一一详述。
待处理二值化图像获取模块10,用于对待处理图像进行二值化处理,获取待处理二值化图像。
待处理二值化图像特征获取模块20,用于对待处理二值化图像进行特征提取,获取待处理二值化图像特征。
有效图像轮廓获取模块30,用于采用预先训练好的图像轮廓识别模型对待处理二值化图像特征进行识别,获取至少一个有效图像轮廓。
目标图像边框获取模块40,用于对至少一个有效图像轮廓进行处理,获取目标图像边框。
优选地,待处理二值化图像获取模块10包括待处理灰度化图像获取单元11和待处理二值化图像获取单元12。
待处理灰度化图像获取单元11,用于对待处理图像进行灰度化处理,获取待处理灰度化图像。
待处理二值化图像获取单元12,用于对待处理灰度化图像进行二值化处理,获取待处理二值化图像。
优选地,图像边框查找装置还包括原始二值化图像特征获取单元301、有效图像轮廓查找算法获取单元302和图像轮廓识别模型获取单元303。
原始二值化图像特征获取单元301,用于对原始图像进行二值化处理和特征提取,获取原始二值化图像特征。
有效图像轮廓查找算法获取单元302,用于获取至少一个有效图像轮廓查找算法。
图像轮廓识别模型获取单元303,用于对原始二值化图像特征和至少一个有效图像轮廓查找算法进行模型训练,获取图像轮廓识别模型。
优选地,有效图像轮廓获取模块30包括目标特征识别结果获取单元31和有效图像轮廓获取单元32。
目标特征识别结果获取单元31,用于采用至少一个有效图像轮廓查找算法分别对待处理二值化图像特征进行识别,获取与每一有效图像轮廓查找算法相对应的目标特征识别结果。
有效图像轮廓获取单元32,用于基于目标特征识别结果和预设的标准轮廓,获取有效图像轮廓。
优选地,目标特征识别结果获取单元31包括第一特征识别结果获取单元311和目标特征识别结果获取单元312。
第一特征识别结果获取单元311,用于采用算法选择器将至少一个有效图像轮廓查找算法分配到对应的服务器中进行计算处理,获取至少一个有效图像轮廓查找算法对应的第一特征识别结果。
目标特征识别结果获取单元312,用于采用结果汇总器对至少一个第一特征识别结果进行汇总处理,获取目标特征识别结果。
优选地,目标图像边框获取模块40包括目标图像轮廓获取单元41、目标边线获取单元42、交叉点获取单元43和目标图像边框获取单元44。
目标图像轮廓获取单元41,用于采用预先设置的轮廓筛选规则对至少一个有效图像轮廓进行筛选,获取目标图像轮廓。
目标边线获取单元42,用于对目标图像轮廓进行直线查找处理,获取目标图像轮廓中每一条边对应的目标边线。
交叉点获取单元43,用于基于目标图像轮廓的目标边线,获取目标图像轮廓中对应的至少三个交叉点。
目标图像边框获取单元44,用于基于至少三个交叉点,获取目标图像边框。
优选地,目标边线获取单元42包括直线获取单元421、直线的距离和计算单元422和目标边线获取单元423。
直线获取单元421,用于对目标图像轮廓进行直线查找处理,获取目标图像轮廓中每一条边上的至少一条直线。
直线的距离和计算单元422,用于对目标图像轮廓中每一条边上的每一条直线与属于同一个边的其他直线进行距离计算并求和,获取每一条直线的距离和。
目标边线获取单元423,用于选取距离和最小的直线,作为每一条边上的目标边线。
实施例3
本实施例提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中图像边框查找方法,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现实施例2中图像边框查找装置中各模块/单元的功能,为避免重复,这里不再赘述。
可以理解地,所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号和电信信号等。
实施例4
图9是本发明一实施例提供的计算机设备的示意图。如图9所示,该实施例的计算机设备90包括:处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机程序93。处理器91执行计算机程序93时实现上述实施例1中图像边框查找方法的步骤,例如图1所示的步骤S10至S40。或者,处理器91执行计算机程序93时实现上述各装置实施例中各模块/单元的功能,例如图8所示待处理二值化图像获取模块10、待处理二值化图像特征获取模块20、有效图像轮廓获取模块30和目标图像边框获取模块40的功能。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像边框查找方法,其特征在于,包括:
对待处理图像进行二值化处理,获取待处理二值化图像;
对所述待处理二值化图像进行特征提取,获取待处理二值化图像特征;
采用预先训练好的图像轮廓识别模型对所述待处理二值化图像特征进行识别,获取至少一个有效图像轮廓;
对至少一个所述有效图像轮廓进行处理,获取目标图像边框。
2.如权利要求1所述的图像边框查找方法,其特征在于,所述对至少一个所述有效图像轮廓进行处理,获取目标图像边框,包括:
采用预先设置的轮廓筛选规则对至少一个所述有效图像轮廓进行筛选,获取目标图像轮廓;
对所述目标图像轮廓进行直线查找处理,获取目标图像轮廓中每一条边对应的目标边线;
基于所述目标图像轮廓的目标边线,获取目标图像轮廓中对应的至少三个交叉点;
基于至少三个所述交叉点,获取目标图像边框。
3.如权利要求2所述的图像边框查找方法,其特征在于,所述对所述目标图像轮廓进行直线查找处理,获取目标图像轮廓中每一条边对应的目标边线,包括:
对所述目标图像轮廓进行直线查找处理,获取所述目标图像轮廓中每一条边上的至少一条直线;
对所述目标图像轮廓中每一条边上的每一条直线与属于同一个边的其他直线进行距离计算并求和,获取每一条直线的距离和;
选取所述距离和最小的直线,作为每一条边上的目标边线。
4.如权利要求1所述的图像边框查找方法,其特征在于,所述图像轮廓识别模型包括至少一个有效图像轮廓查找算法和对应的相似度值;
所述采用预先训练好的图像轮廓识别模型对所述待处理二值化图像特征进行识别,获取至少一个有效图像轮廓,包括:
采用至少一个所述有效图像轮廓查找算法分别对所述待处理二值化图像特征进行识别,获取与每一所述有效图像轮廓查找算法相对应的目标特征识别结果;
基于所述目标特征识别结果和预设的标准轮廓,获取有效图像轮廓。
5.如权利要求4所述的图像边框查找方法,其特征在于,所述采用至少一个所述有效图像轮廓查找算法分别对所述待处理二值化图像特征进行识别,获取与每一所述有效图像轮廓查找算法相对应的目标特征识别结果,包括:
采用算法选择器将至少一个所述有效图像轮廓查找算法分配到对应的服务器中进行计算处理,获取至少一个所述有效图像轮廓查找算法对应的第一特征识别结果;
采用结果汇总器对至少一个所述第一特征识别结果进行汇总处理,获取目标特征识别结果。
6.如权利要求1所述的图像边框查找方法,其特征在于,在所述采用预先训练好的图像轮廓识别模型对所述待处理二值化图像特征进行识别的步骤之前,所述图像边框查找方法还包括:预先训练图像轮廓识别模型;
所述预先训练图像轮廓识别模型,包括:
对原始图像进行二值化处理和特征提取,获取原始二值化图像特征;
获取至少一个有效图像轮廓查找算法;
对所述原始二值化图像特征和至少一个所述有效图像轮廓查找算法进行模型训练,获取图像轮廓识别模型。
7.如权利要求1所述的图像边框查找方法,其特征在于,所述对待处理图像进行二值化处理,获取待处理二值化图像,包括:
对待处理图像进行灰度化处理,获取待处理灰度化图像;
对所述待处理灰度化图像进行二值化处理,获取待处理二值化图像。
8.一种图像边框查找装置,其特征在于,包括:
待处理二值化图像获取模块,用于对待处理图像进行二值化处理,获取待处理二值化图像;
待处理二值化图像特征获取模块,用于对所述待处理二值化图像进行特征提取,获取待处理二值化图像特征;
有效图像轮廓获取模块,用于采用预先训练好的图像轮廓识别模型对所述待处理二值化图像特征进行识别,获取至少一个有效图像轮廓;
目标图像边框获取模块,用于对至少一个所述有效图像轮廓进行处理,获取目标图像边框。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述图像边框查找方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图像边框查找方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437876.0A CN108647634A (zh) | 2018-05-09 | 2018-05-09 | 图像边框查找方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810437876.0A CN108647634A (zh) | 2018-05-09 | 2018-05-09 | 图像边框查找方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647634A true CN108647634A (zh) | 2018-10-12 |
Family
ID=63754091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810437876.0A Withdrawn CN108647634A (zh) | 2018-05-09 | 2018-05-09 | 图像边框查找方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647634A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858409A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 手工图转换方法、装置、设备及介质 |
CN110414333A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技(深圳)有限公司 | 一种图像边界的检测方法及装置 |
CN110443780A (zh) * | 2019-06-26 | 2019-11-12 | 深圳市容会科技有限公司 | 一种基于OpenCV算法的PPT边框提取方法及相关设备 |
CN111290582A (zh) * | 2020-02-29 | 2020-06-16 | 华南理工大学 | 一种基于改进型直线检测的投影交互区域定位方法 |
CN111310753A (zh) * | 2019-12-27 | 2020-06-19 | 广东电网有限责任公司电力科学研究院 | 一种表计对准方法及装置 |
WO2020228187A1 (zh) * | 2019-05-16 | 2020-11-19 | 杭州睿琪软件有限公司 | 边缘检测方法、装置、电子设备和计算机可读存储介质 |
CN112464948A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种基于仿生学的自然场景目标轮廓提取方法及系统 |
CN113255706A (zh) * | 2021-07-16 | 2021-08-13 | 南京奕荣芯科技有限公司 | 一种基于卷积神经网络算法的目标识别方法及系统 |
WO2021184718A1 (zh) * | 2020-03-16 | 2021-09-23 | 平安科技(深圳)有限公司 | 卡片边框识别方法、装置、设备和计算机存储介质 |
CN113505799A (zh) * | 2021-06-30 | 2021-10-15 | 深圳市慧鲤科技有限公司 | 显著性检测方法及其模型的训练方法和装置、设备、介质 |
CN113743421A (zh) * | 2021-09-02 | 2021-12-03 | 云南省农业科学院质量标准与检测技术研究所 | 一种水稻叶片花青素显色区域分割及定量分析的方法 |
-
2018
- 2018-05-09 CN CN201810437876.0A patent/CN108647634A/zh not_active Withdrawn
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858409A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 手工图转换方法、装置、设备及介质 |
US11636604B2 (en) | 2019-05-16 | 2023-04-25 | Hangzhou Glorify Software Limited | Edge detection method and device, electronic equipment, and computer-readable storage medium |
WO2020228187A1 (zh) * | 2019-05-16 | 2020-11-19 | 杭州睿琪软件有限公司 | 边缘检测方法、装置、电子设备和计算机可读存储介质 |
CN110414333A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技(深圳)有限公司 | 一种图像边界的检测方法及装置 |
WO2020253062A1 (zh) * | 2019-06-20 | 2020-12-24 | 平安科技(深圳)有限公司 | 一种图像边界的检测方法及装置 |
CN110443780A (zh) * | 2019-06-26 | 2019-11-12 | 深圳市容会科技有限公司 | 一种基于OpenCV算法的PPT边框提取方法及相关设备 |
CN111310753A (zh) * | 2019-12-27 | 2020-06-19 | 广东电网有限责任公司电力科学研究院 | 一种表计对准方法及装置 |
CN111310753B (zh) * | 2019-12-27 | 2023-07-14 | 广东电网有限责任公司电力科学研究院 | 一种表计对准方法及装置 |
CN111290582A (zh) * | 2020-02-29 | 2020-06-16 | 华南理工大学 | 一种基于改进型直线检测的投影交互区域定位方法 |
WO2021184718A1 (zh) * | 2020-03-16 | 2021-09-23 | 平安科技(深圳)有限公司 | 卡片边框识别方法、装置、设备和计算机存储介质 |
CN112464948A (zh) * | 2020-11-11 | 2021-03-09 | 常州码库数据科技有限公司 | 一种基于仿生学的自然场景目标轮廓提取方法及系统 |
CN113505799A (zh) * | 2021-06-30 | 2021-10-15 | 深圳市慧鲤科技有限公司 | 显著性检测方法及其模型的训练方法和装置、设备、介质 |
WO2023273069A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市慧鲤科技有限公司 | 显著性检测方法及其模型的训练方法和装置、设备、介质及程序 |
CN113255706A (zh) * | 2021-07-16 | 2021-08-13 | 南京奕荣芯科技有限公司 | 一种基于卷积神经网络算法的目标识别方法及系统 |
CN113255706B (zh) * | 2021-07-16 | 2021-09-24 | 南京奕荣芯科技有限公司 | 一种基于卷积神经网络算法的目标识别方法及系统 |
CN113743421A (zh) * | 2021-09-02 | 2021-12-03 | 云南省农业科学院质量标准与检测技术研究所 | 一种水稻叶片花青素显色区域分割及定量分析的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647634A (zh) | 图像边框查找方法、装置、计算机设备及存储介质 | |
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
Nestmeyer et al. | Reflectance adaptive filtering improves intrinsic image estimation | |
CN109325954A (zh) | 图像分割方法、装置及电子设备 | |
CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
CN106951869B (zh) | 一种活体验证方法及设备 | |
CN109871845B (zh) | 证件图像提取方法及终端设备 | |
CN105359162A (zh) | 用于图像中的与脸部有关的选择和处理的图像掩模 | |
Ajmal et al. | A comparison of RGB and HSV colour spaces for visual attention models | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN109472193A (zh) | 人脸检测方法及装置 | |
CN106446862A (zh) | 一种人脸检测方法及系统 | |
CN105868797A (zh) | 网络参数训练方法、景物类型识别方法及装置 | |
CN110390643B (zh) | 一种车牌增强方法、装置及电子设备 | |
CN109858487A (zh) | 基于分水岭算法和图像类别标签的弱监督语义分割方法 | |
CN113505768A (zh) | 模型训练、人脸识别方法、电子设备及存储介质 | |
CN105894491A (zh) | 图像高频信息的定位方法和装置 | |
CN105118027A (zh) | 一种图像的去雾方法 | |
CN104574358A (zh) | 从聚焦堆图像进行场景分割的方法和设备 | |
CN111860369A (zh) | 一种欺诈识别方法、装置以及存储介质 | |
Choi et al. | Deep learning-based computational color constancy with convoluted mixture of deep experts (CMoDE) fusion technique | |
CN111814862A (zh) | 果蔬识别方法及装置 | |
CN110321892A (zh) | 一种图片筛选方法、装置及电子设备 | |
Chidananda et al. | Entropy-cum-Hough-transform-based ear detection using ellipsoid particle swarm optimization | |
CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1256422 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181012 |