CN108764171A - 一种拼接图像的识别方法及系统 - Google Patents
一种拼接图像的识别方法及系统 Download PDFInfo
- Publication number
- CN108764171A CN108764171A CN201810547787.1A CN201810547787A CN108764171A CN 108764171 A CN108764171 A CN 108764171A CN 201810547787 A CN201810547787 A CN 201810547787A CN 108764171 A CN108764171 A CN 108764171A
- Authority
- CN
- China
- Prior art keywords
- recognized
- images
- pixel value
- straight line
- stitching image
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种拼接图像的识别方法及系统,方法包括以下步骤:在待识别图像中得到目标直线;当所述目标直线中包含满足预设水平范围的水平直线,且所述水平直线的起始点在所述待识别图像中的纵坐标处于预设纵坐标范围内时,判定所述待识别图像为拼接图像;或当所述目标直线中包含满足预设竖直范围的竖直直线,且所述竖直直线的起始点在所述待识别图像中的横坐标处于预设横坐标范围内时,判定所述待识别图像为拼接图像。本发明从规则拼接图像与普通图像的差异出发,通过得到待识别图像中的目标直线,然后根据目标直线的斜率和位置来判断待识别图像是否为拼接图像,可不需要在有监督学习的情况下,完成对规则拼接图像的识别,提高识别速率。
Description
技术领域
本发明属于图像识别技术领域,特别涉及一种拼接图像的识别方法及系统。
背景技术
随着PS软件在手机端的普及,越来越多的经过软件拼接后的图像出现在互联网上,这些拼接图像对图像分析任务中的模型训练以及预测带来了干扰,增加了分析任务的难度,进而对模型的泛化能力带来影响,降低了模型的准确率。为了保证图像分析中的模型的泛化能力,需要将这种规则拼接的图像(异常点)从训练集或测试集中挑选出来,以便对其进行单独的分析与处理。对于规则拼接图像的识别其本质上是一个典型的图像分类识别中的分类问题了。对于解决一个图像分类问题来说,特征表达是一个永恒的话题,其基本上决定了最终分类性能的好坏。
现有的基于手工设计的特征以及通过迁移在大规模图像分类任务上基于深度CNN模型学习到的特征,均可以被应用于完成图像分类任务。在早期的图像分类识别方案中,手工设计的特征提取一直是主流的方法,这一时期比较有名的特征提取方法有与人脸相关的Harr和LBP(local binary pattern)特征、与行人相关的HoG(histogram of orientedgradient) 特征,以及基于局部关键点特征描述(local feature descriptor)等特征。例如有的方法采用Harr提取图像区域的特征,进一步基于Boosting分类器的Cascade模型对人脸和非人脸进行分类,最后完成对图像中的人脸检测。但是,手工设计特征耗时比较长而且需要多年的行业经验才能够提出一个比较好的方案。
再如有的方法基于HoG特征对图像区域进行描述,采用SVM分类器对行人和非行人HoG特征进行学习分类,最后实现对图像中的行人进行检测。此外,一些方法基于局部关键点的特征描述,采用VBoW模型构造视觉词库,而后基于视觉词库对图像进行特征描述,最后利用机器学习算法对特征描述进行学习进而完成对图像的分类。近年来,在大数据和计算资源的推动下,采用多层神经网络尤其是卷积神经网络(CNN, convolutional neuralnetwork),将特征提取以及分类器构建到了一个神经网络中,通过在大量数据上进行端到端的训练,能够学习到更具区分能力的特征,同时学习到的特征也可用于迁移学习,大幅度的推动了图像分类相关的问题的进展。但是,尽管迁移基于深度CNN模型在大规模图像分类任务上学习到的特征能够大幅度的提高特定的分类精度,但是用于分类器训练的特征维度一般都比较高,在一定程度上对计算资源有所要求,这便限制其在某些移动手机端或移动机器人平台上的应用的部署。并且,基于特征表达的图像分类任务的一个比较重要的需要人力完成的任务,先对数据进行标注,而后选用分类模型进行有监督训练,这也是一个比较耗时的过程。
发明内容
本发明的目的是提供一种拼接图像的识别方法及系统,可在不需要数据标注与有监督学习的情况下,完成对规则拼接图像的识别,提高识别速率。
本发明提供的技术方案如下:
一种拼接图像的识别方法,包括以下步骤:
在待识别图像中得到目标直线;
当所述目标直线中包含满足预设水平范围的水平直线,且所述水平直线的起始点在所述待识别图像中的纵坐标处于预设纵坐标范围内时,判定所述待识别图像为拼接图像;
或当所述目标直线中包含满足预设竖直范围的竖直直线,且所述竖直直线的起始点在所述待识别图像中的横坐标处于预设横坐标范围内时,判定所述待识别图像为拼接图像。
进一步地,所述在待识别图像中得到目标直线具体包括:
获取所述待识别图像中的所有点;
将所述所有点采用霍夫变换方法在霍夫空间中得到若干条直线;
在霍夫空间中统计相交于每个交点的直线的个数;
当相交于交点的直线的个数大于预设阈值时,根据所述交点在霍夫空间中的坐标计算得到所述交点在所述待识别图像中对应的直线,所述直线为所述目标直线。
进一步地,所述预设阈值的计算方法为:
获取所述待识别图像的图像宽度像素值和图像高度像素值;
当所述图像宽度像素值小于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的n倍,0<n<1;
当所述图像宽度像素值大于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的m倍,0<m<1。
进一步地,所述预设纵坐标范围的计算方法为:
获取所述待识别图像的图像高度像素值h;
根据所述图像高度像素值h,计算得到的所述预设纵坐标范围为(α1h,β1h), 1>β1>α1>0。
进一步地,所述预设横坐标范围的计算方法为:
获取所述待识别图像的图像宽度像素值w;
根据所述图像宽度像素值w,计算得到的所述预设横坐标范围为(α2w,β2w),1>β2>α2>0。
本发明还提供一种拼接图像的识别系统,包括:
获取模块,用于在待识别图像中得到目标直线;
处理模块,用于当所述目标直线中包含满足预设水平范围的水平直线,且所述水平直线的起始点在所述待识别图像中的纵坐标处于预设纵坐标范围内时,判定所述待识别图像为拼接图像;
所述处理模块还用于当所述目标直线中包含满足预设竖直范围的竖直直线,且所述竖直直线的起始点在所述待识别图像中的横坐标处于预设横坐标范围内时,判定所述待识别图像为拼接图像。
进一步地,所述获取模块包括:
获取单元,用于获取所述待识别图像中的所有点;
转换单元,用于将所述所有点采用霍夫变换方法在霍夫空间中得到若干条直线;
统计单元,用于在霍夫空间中统计相交于每个交点的直线的个数;
计算单元,用于当相交于交点的直线的个数大于预设阈值时,根据所述交点在霍夫空间中的坐标计算得到所述交点在所述待识别图像中对应的直线,所述直线为所述目标直线。
进一步地,还包括设置模块,所述设置模块用于获取所述待识别图像的图像宽度像素值和图像高度像素值;当所述图像宽度像素值小于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的n倍,0<n<1;当所述图像宽度像素值大于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的m倍,0<m<1。
进一步地,还包括计算模块,所述计算模块用于获取所述待识别图像的图像高度像素值h;根据所述图像高度像素值h,计算得到的所述预设纵坐标范围为(α1h,β1h),1>β1>α1>0。
进一步地,还包括计算模块,所述计算模块用于获取所述待识别图像的图像宽度像素值w;根据所述图像宽度像素值w,计算得到的所述预设横坐标范围为(α2w,β2w),1>β2>α2>0。
通过本发明提供的一种拼接图像的识别方法及系统,能够带来以下至少一种有益效果:
1、本发明从规则拼接图像与普通图像的差异出发,通过得到待识别图像中的目标直线,然后根据目标直线的斜率和位置来判断待识别图像是否为拼接图像,可不需要在有监督学习的情况下,完成对规则拼接图像的识别,提高识别速率。
2、本发明通过对待识别图像中的所有直线进行筛选,得到满足预设条件的目标直线,可去除一部分干扰直线,提高后续的分析处理速率。
3、本发明在筛选目标直线时,设置的预设阈值与待识别图像的尺寸相关,与设置固定阈值相比,本发明能过更容易且更有效的对干扰直线进行剔除同时又能保留对识别分析有帮助的直线,有利于进行后续的分析任务。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种拼接图像的识别方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种拼接图像的识别方法的实施例一的流程示意图;
图2是本发明一种拼接图像的识别方法的实施例二的流程示意图;
图3是本发明一种拼接图像的识别系统的实施例五或六的结构示意框图;
图4是本发明一种拼接图像的识别系统的实施例六的结构示意框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
根据本发明提供的第一实施例,如图1所示,
一种拼接图像的识别方法,包括以下步骤:
在待识别图像中得到目标直线;
当所述目标直线中包含满足预设水平范围的水平直线,且所述水平直线的起始点在所述待识别图像中的纵坐标处于预设纵坐标范围内时,判定所述待识别图像为拼接图像;
或当所述目标直线中包含满足预设竖直范围的竖直直线,且所述竖直直线的起始点在所述待识别图像中的横坐标处于预设横坐标范围内时,判定所述待识别图像为拼接图像。
具体地,本实施例的拼接图像的识别方法可应用于移动终端和服务器等,移动终端可以是智能手机、平板电脑、笔记本电脑和PC机等。同时,本发明的拼接图像的识别方法用于规则拼接图像的识别,将规则拼接图像与普通未拼接图像进行对比可知,由于规则拼接图像中的子图像间通常存在间隙,因此在这些存在间隙的地方通常容易检测到直线,并且这些地方的直线也一般是水平或竖直的。基于此,本发明通过在待识别图像中获取到一条或若干条目标直线,然后检测目标直线中是否包含满足预设水平范围的水平直线或满足预设竖直范围的竖直直线,当包含时进一步检测该水平直线或竖直直线的起始点的位置,如起始点的位置也满足预设条件则判定待识别图像为规则拼接图像,由于图像在拼接的过程中,可能存在一定的角度偏差,因此,在实际检测时,目标直线只要满足预设水平范围即可认定为是水平直线,同理,目标直线只要满足预设竖直范围即可认定为竖直直线。
对于如何判断目标直线中是否包含满足预设水平范围的水平直线或预设竖直范围的竖直直线,本实施例可通过检测目标直线的倾斜角来进行判断,当直线水平时,直线的倾斜角为0度,当直线竖直时,直线的倾斜角为90度,实际检测时,直线的倾斜角在0度或90度附近具有较小角度的偏差时,例如偏差角度小于5度时,则可认定为是水平直线或竖直直线。而直线的起始点的位置可通过检测起始点的坐标值来进行判断,当目标直线中包含水平直线,且水平直线的起始点的纵坐标在待识别图像的预设纵坐标范围内时,则判定待识别图像为拼接图像,同理当竖直直线的起始点的横坐标处于预设横坐标范围内时,则判定待识别图像为拼接图像。在目标直线中只要有一条直线的倾斜角满足预设条件,且该直线的起始点位置也满足预设条件,则认为待识别图像为拼接图像。本发明从规则拼接图像与普通图像的差异出发,通过得到待识别图像中的目标直线,然后根据目标直线的斜率和位置来判断待识别图像是否为拼接图像,可不需要在有监督学习的情况下,完成对规则拼接图像的识别,提高识别速率。
根据本发明提供的第二实施例,如图2所示,所述在待识别图像中得到目标直线具体包括:
获取所述待识别图像中的所有点;
将所述所有点采用霍夫变换方法在霍夫空间中得到若干条直线;
在霍夫空间中统计相交于每个交点的直线的个数;
当相交于交点的直线的个数大于预设阈值时,根据所述交点在霍夫空间中的坐标计算得到所述交点在所述待识别图像中对应的直线,所述直线为所述目标直线。
具体地,本实施例是上述第一实施例的优选实施例。本实施例通过霍夫线检测方法来获得目标直线。在直角坐标系下,一条直线的定义为y=kx+b,其中, k为斜率,b为直线与y轴的截距,只要确定了k和b,一条直线就可以被唯一的确定。如果用ρ表示原点到该直线的代数距离,θ表示该直线的正交线与x轴的夹角那么这条直线又可以表示为ρ=xcosθ+ysinθ,容易看出(ρ,θ)是极坐标的形式。如果把(ρ,θ)也用直角坐标的形式表示,即把ρ和θ做正交处理,则 (ρ,θ)就被称为霍夫空间。通过公式ρ=xcosθ+ysinθ可知,直角坐标系中的一点,对应于霍夫空间中的一条直线。在直角坐标系中的一条直线由无数个点构成,在霍夫空间则是无数条直线,且这些直线会相交于一点(ρ0,θ0),由点 (ρ0,θ0)即可在直角坐标系中得到一条直线。
在霍夫直线检测过程中,对待识别图像的图像空间(直角坐标系)中的每一个点(x,y)通过式ρ=xcosθ+ysinθ可计算出该点在霍夫空间中的直线,然后在霍夫空间中统计相交于每个交点的直线的个数,通过交点的直线个数,变换到图像空间则为图像中该交点确定的直线上的点的个数。通过对图像空间中直线上的点的个数设置阈值,当点的个数大于预设阈值时,才认定为是目标直线,可去除一部分干扰直线,提高后续的分析处理速率。
根据本发明提供的第三实施例,
所述预设阈值的计算方法为:
获取所述待识别图像的图像宽度像素值和图像高度像素值;
当所述图像宽度像素值小于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的n倍,0<n<1;
当所述图像宽度像素值大于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的m倍,0<m<1。
具体地,本实施例是上述第二实施例的优选实施例。由于不同的待识别图像,其图像的尺寸是不同的,如果对所有待识别图像的预设阈值都设置一个固定的阈值,因为寻找最优的固定阈值一般是比较困难的,当设置的阈值太小时,会导致检测到的干扰直线太多,为后续分析带来更多的时间开销,而当阈值设置的太大时,又会造成一些后续对识别有用的直线被过滤掉了,不利于图像的识别,因此,本实施例通过采用自适应阈值的设置方法,使得在获取目标直线时能够更容易且更有效的对干扰直线进行剔除同时又保留对识别有帮助的目标直线,以利于进行后续的分析任务。
由于在规则拼接图像中,我们希望检测到的最短直线具有待识别图像的宽度和高度尺度中较小的尺度,因此,当图像宽度像素值小于图像高度像素值时,设置的预设阈值为图像高度像素值的n倍,0<n<1,当图像宽度像素值大于所述图像高度像素值时,设置的预设阈值为图像宽度像素值的m倍,0<m<1,其中,m与n的取值可相同,也可不同,且m和n的取值可根据实际检测过程进行设定。本实施例通过将预设阈值与待识别图像的尺寸进行关联,使得检测过程更能满足实际需求,提高图像识别效果。
根据本发明提供的第四实施例,
所述预设纵坐标范围的计算方法为:
获取所述待识别图像的图像高度像素值h;
根据所述图像高度像素值h,计算得到的所述预设纵坐标范围为(α1h,β1h), 1>β1>α1>0。
所述预设横坐标范围的计算方法为:
获取所述待识别图像的图像宽度像素值w;
根据所述图像宽度像素值w,计算得到的所述预设横坐标范围为(α2w,β2w),1>β2>α2>0。
具体地,本实施例是上述第一、第二和第三实施例的优选实施例。在规则拼接图像中,子图像间的间隙一般位于图像宽度或高度的二分之一或三分之一处或四分之一等,而在获取目标直线时,可能会获取到待识别图像的边缘处的水平直线和竖直直线,在识别过程中,需要剔除待识别图像边缘处的水平直线和竖直直线,以免对识别结果造成干扰。因此,设置的预设纵坐标范围为(α1h,β1h),1>β1>α1>0,设置的预设横坐标范围为(α2w,β2w),1>β2>α2>0。即当水平直线的起始点的纵坐标位于图像高度范围内的某一区间时,认定待识别图像中具有间隙,即认定待识别图像为规则拼接图像;当竖直直线的起始点的横坐标位于图像宽度范围内的某一区间时,认定待识别图像中具有间隙,即认定待识别图像为规则拼接图像。
在实际的识别过程中,对于α1、β1、α2、β2的设置需考虑到规则拼接图像的子图像间的间隙可能存在的位置,使得预设纵坐标和预设横坐标范围包括待识别图像可能存在间隙的所有位置。如果我们需要识别的规则拼接图像大部分为1*2、2*2、2*3和3*3等子图像较少的规则拼接图像,为了将上述规则拼接图像的间隙都考虑进来,我们可以选择一个较大的规则拼接图像来设置α1、β1、α2、β2值,如可选择4*4的规则拼接图像,4*4的规则拼接图像出现间隙的位置为和处,此时,我们设定的α1和α2分别为设定的β1和β2分别为即预设纵坐标范围为预设横坐标范围为对于1*2的规则拼接图像,间隙位于处,而位于上述的预设纵坐标范围内;对于2*2的规则拼接图像,间隙位于和处,而位于上述的预设纵坐标范围内,也位于上述的预设横坐标范围内;对于2*3的规则拼接图像,间隙位于和处,而都位于预设纵坐标范围内;同理3*3的规则拼接图像,其间隙位置也位于上述预设横坐标范围和预设纵坐标范围内。因此,我们设置的预设横坐标范围和预设纵坐标范围都包含了上述1*2、2*2、2*3和3*3的规则拼接图像中的所有间隙的位置,满足实际需求。所以,在设置过程中,我们可以根据待识别图像的拼接子图像的个数来设定α1、β1、α2、β2值,如待识别图像都为4*4、4*5等较大的规则拼接图像,此时我们可以将预设纵坐标范围和预设横坐标范围都设置的大点,使其能包含4*4和4*5的规则拼接图像的所有间隙位置。
根据本发明提供的第五实施例,如图3所示,
一种拼接图像的识别系统,包括:
获取模块100,用于在待识别图像中得到目标直线;
处理模块200,用于当所述目标直线中包含满足预设水平范围的水平直线,且所述水平直线的起始点在所述待识别图像中的纵坐标处于预设纵坐标范围内时,判定所述待识别图像为拼接图像;
所述处理模块200还用于当所述目标直线中包含满足预设竖直范围的竖直直线,且所述竖直直线的起始点在所述待识别图像中的横坐标处于预设横坐标范围内时,判定所述待识别图像为拼接图像。
本实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据本发明提供的第六实施例,如图3和图4所示,
一种拼接图像的识别系统,包括:
获取模块100,用于在待识别图像中得到目标直线;
处理模块200,用于当所述目标直线中包含满足预设水平范围的水平直线,且所述水平直线的起始点在所述待识别图像中的纵坐标处于预设纵坐标范围内时,判定所述待识别图像为拼接图像;
所述处理模块200还用于当所述目标直线中包含满足预设竖直范围的竖直直线,且所述竖直直线的起始点在所述待识别图像中的横坐标处于预设横坐标范围内时,判定所述待识别图像为拼接图像。
优选地,所述获取模块100包括:
获取单元110,用于获取所述待识别图像中的所有点;
转换单元120,用于将所述所有点采用霍夫变换方法在霍夫空间中得到若干条直线;
统计单元130,用于在霍夫空间中统计相交于每个交点的直线的个数;
计算单元140,用于当相交于交点的直线的个数大于预设阈值时,根据所述交点在霍夫空间中的坐标计算得到所述交点在所述待识别图像中对应的直线,所述直线为所述目标直线。
优选地,还包括设置模块,所述设置模块用于获取所述待识别图像的图像宽度像素值和图像高度像素值;当所述图像宽度像素值小于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的n倍,0<n<1;当所述图像宽度像素值大于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的 m倍,0<m<1。
优选地,还包括计算模块,所述计算模块用于获取所述待识别图像的图像高度像素值h;根据所述图像高度像素值h,计算得到的所述预设纵坐标范围为(α1h,β1h),1>β1>α1>0。
优选地,计算模块还用于获取所述待识别图像的图像宽度像素值w;根据所述图像宽度像素值w,计算得到的所述预设横坐标范围为(α2w,β2w),1 >β2>α2>0。
本实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种拼接图像的识别方法,其特征在于,包括以下步骤:
在待识别图像中得到目标直线;
当所述目标直线中包含满足预设水平范围的水平直线,且所述水平直线的起始点在所述待识别图像中的纵坐标处于预设纵坐标范围内时,判定所述待识别图像为拼接图像;
或当所述目标直线中包含满足预设竖直范围的竖直直线,且所述竖直直线的起始点在所述待识别图像中的横坐标处于预设横坐标范围内时,判定所述待识别图像为拼接图像。
2.根据权利要求1所述的一种拼接图像的识别方法,其特征在于,所述在待识别图像中得到目标直线具体包括:
获取所述待识别图像中的所有点;
将所述所有点采用霍夫变换方法在霍夫空间中得到若干条直线;
在霍夫空间中统计相交于每个交点的直线的个数;
当相交于交点的直线的个数大于预设阈值时,根据所述交点在霍夫空间中的坐标计算得到所述交点在所述待识别图像中对应的直线,所述直线为所述目标直线。
3.根据权利要求2所述的一种拼接图像的识别方法,其特征在于,所述预设阈值的计算方法为:
获取所述待识别图像的图像宽度像素值和图像高度像素值;
当所述图像宽度像素值小于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的n倍,0<n<1;
当所述图像宽度像素值大于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的m倍,0<m<1。
4.根据权利要求1所述的一种拼接图像的识别方法,其特征在于,所述预设纵坐标范围的计算方法为:
获取所述待识别图像的图像高度像素值h;
根据所述图像高度像素值h,计算得到的所述预设纵坐标范围为(α1h,β1h),1>β1>α1>0。
5.根据权利要求1所述的一种拼接图像的识别方法,其特征在于,所述预设横坐标范围的计算方法为:
获取所述待识别图像的图像宽度像素值w;
根据所述图像宽度像素值w,计算得到的所述预设横坐标范围为(α2w,β2w),1>β2>α2>0。
6.一种拼接图像的识别系统,其特征在于,包括:
获取模块,用于在待识别图像中得到目标直线;
处理模块,用于当所述目标直线中包含满足预设水平范围的水平直线,且所述水平直线的起始点在所述待识别图像中的纵坐标处于预设纵坐标范围内时,判定所述待识别图像为拼接图像;
所述处理模块还用于当所述目标直线中包含满足预设竖直范围的竖直直线,且所述竖直直线的起始点在所述待识别图像中的横坐标处于预设横坐标范围内时,判定所述待识别图像为拼接图像。
7.根据权利要求6所述的一种拼接图像的识别系统,其特征在于,所述获取模块包括:
获取单元,用于获取所述待识别图像中的所有点;
转换单元,用于将所述所有点采用霍夫变换方法在霍夫空间中得到若干条直线;
统计单元,用于在霍夫空间中统计相交于每个交点的直线的个数;
计算单元,用于当相交于交点的直线的个数大于预设阈值时,根据所述交点在霍夫空间中的坐标计算得到所述交点在所述待识别图像中对应的直线,所述直线为所述目标直线。
8.根据权利要求7所述的一种拼接图像的识别系统,其特征在于,还包括设置模块,所述设置模块用于获取所述待识别图像的图像宽度像素值和图像高度像素值;当所述图像宽度像素值小于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的n倍,0<n<1;当所述图像宽度像素值大于所述图像高度像素值时,所述预设阈值为所述图像宽度像素值的m倍,0<m<1。
9.根据权利要求6所述的一种拼接图像的识别系统,其特征在于,还包括计算模块,所述计算模块用于获取所述待识别图像的图像高度像素值h;根据所述图像高度像素值h,计算得到的所述预设纵坐标范围为(α1h,β1h),1>β1>α1>0。
10.根据权利要求6所述的一种拼接图像的识别系统,其特征在于,还包括计算模块,所述计算模块用于获取所述待识别图像的图像宽度像素值w;根据所述图像宽度像素值w,计算得到的所述预设横坐标范围为(α2w,β2w),1>β2>α2>0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810547787.1A CN108764171A (zh) | 2018-05-31 | 2018-05-31 | 一种拼接图像的识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810547787.1A CN108764171A (zh) | 2018-05-31 | 2018-05-31 | 一种拼接图像的识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764171A true CN108764171A (zh) | 2018-11-06 |
Family
ID=64000947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810547787.1A Pending CN108764171A (zh) | 2018-05-31 | 2018-05-31 | 一种拼接图像的识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764171A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651983A (zh) * | 2020-12-15 | 2021-04-13 | 北京百度网讯科技有限公司 | 拼接图识别方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090129660A1 (en) * | 2007-10-22 | 2009-05-21 | Applied Imaging Corp. | Automated Detection of Cell Colonies and Coverslip Detection Using Hough Transforms |
CN103530861A (zh) * | 2013-10-22 | 2014-01-22 | 天津普达软件技术有限公司 | 一种岩心图像拼接融合方法 |
CN103544703A (zh) * | 2013-10-19 | 2014-01-29 | 侯俊 | 数字图像拼接检测方法 |
CN105528614A (zh) * | 2015-12-02 | 2016-04-27 | 北京大学 | 一种漫画图像版面的识别方法和自动识别系统 |
CN105719241A (zh) * | 2016-01-27 | 2016-06-29 | 浙江工业大学 | 一种基于视觉扫描的船槽定位方法 |
CN106056523A (zh) * | 2016-05-20 | 2016-10-26 | 南京航空航天大学 | 数字图像拼接篡改盲检测方法 |
CN107481393A (zh) * | 2017-06-26 | 2017-12-15 | 广州广电运通金融电子股份有限公司 | 一种拼接票据的检测方法及拼接票据的检测装置 |
-
2018
- 2018-05-31 CN CN201810547787.1A patent/CN108764171A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090129660A1 (en) * | 2007-10-22 | 2009-05-21 | Applied Imaging Corp. | Automated Detection of Cell Colonies and Coverslip Detection Using Hough Transforms |
CN103544703A (zh) * | 2013-10-19 | 2014-01-29 | 侯俊 | 数字图像拼接检测方法 |
CN103530861A (zh) * | 2013-10-22 | 2014-01-22 | 天津普达软件技术有限公司 | 一种岩心图像拼接融合方法 |
CN105528614A (zh) * | 2015-12-02 | 2016-04-27 | 北京大学 | 一种漫画图像版面的识别方法和自动识别系统 |
CN105719241A (zh) * | 2016-01-27 | 2016-06-29 | 浙江工业大学 | 一种基于视觉扫描的船槽定位方法 |
CN106056523A (zh) * | 2016-05-20 | 2016-10-26 | 南京航空航天大学 | 数字图像拼接篡改盲检测方法 |
CN107481393A (zh) * | 2017-06-26 | 2017-12-15 | 广州广电运通金融电子股份有限公司 | 一种拼接票据的检测方法及拼接票据的检测装置 |
Non-Patent Citations (4)
Title |
---|
ZHONGLONG XIONG等: "Research of Bird"s-Eye Panoramic View for Vehicle Parking", 《2011 INTERNATIONAL CONFERENCE ON MULTIMEDIA TECHNOLOGY》 * |
张德新等: "利用目标直线边缘交点的某型航侦CCD相机图像拼接", 《红外与激光工程》 * |
彭琪等: "基于版面理解的选票图像检测定位方法", 《计算机应用》 * |
甄小刚: "面向叠层薄纸计数的图像拼接与线检测算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651983A (zh) * | 2020-12-15 | 2021-04-13 | 北京百度网讯科技有限公司 | 拼接图识别方法、装置、电子设备和存储介质 |
CN112651983B (zh) * | 2020-12-15 | 2023-08-01 | 北京百度网讯科技有限公司 | 拼接图识别方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444921A (zh) | 划痕缺陷检测方法、装置、计算设备和存储介质 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN106650740B (zh) | 一种车牌识别方法及终端 | |
CN107609541A (zh) | 一种基于可变形卷积神经网络的人体姿态估计方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN112419297A (zh) | 一种螺栓松动检测方法、装置、设备及存储介质 | |
CN110751043A (zh) | 基于人脸可见性的人脸识别方法、装置及存储介质 | |
CN105095829A (zh) | 一种人脸识别方法及系统 | |
CN109389105B (zh) | 一种基于多任务的虹膜检测和视角分类方法 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
CN110889437B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN108537286A (zh) | 一种基于关键区域检测的复杂目标精准识别方法 | |
JP2021527256A (ja) | ビジョンシステムで画像内のパターンを検出及び分類するためのシステム及び方法 | |
CN109816051B (zh) | 一种危化品货物特征点匹配方法及系统 | |
CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
CN111325069A (zh) | 产线数据处理方法、装置、计算机设备和存储介质 | |
CN111461010B (zh) | 一种基于模板跟踪的电力设备识别效率优化方法 | |
CN111382638B (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN108764171A (zh) | 一种拼接图像的识别方法及系统 | |
CN113947714A (zh) | 一种视频监控和遥感的多模态协同优化方法及系统 | |
CN117557784A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN113435289A (zh) | 空间分割方法、装置、设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181106 |
|
WD01 | Invention patent application deemed withdrawn after publication |