CN108805957A - 一种基于位图图像自适应分割的矢量图生成方法及系统 - Google Patents
一种基于位图图像自适应分割的矢量图生成方法及系统 Download PDFInfo
- Publication number
- CN108805957A CN108805957A CN201810578639.6A CN201810578639A CN108805957A CN 108805957 A CN108805957 A CN 108805957A CN 201810578639 A CN201810578639 A CN 201810578639A CN 108805957 A CN108805957 A CN 108805957A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- area
- point
- value
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
Abstract
本发明提供一种基于位图图像自适应分割的矢量图生成方法及系统,本方法首先采用双边滤波算法对位图图像进行滤波操作。接下来,对位图图像进行区域分割处理,根据图像每个像素点的取值,将取值相近的像素点合并到同一类别中,经过多次迭代得到图像的区域分割图,并将面积过小的区域合并到邻近区域中。获得分割图的区域标记图,再采用优化的边缘模型及提取算法提取各区域边缘,并对边缘线段进行拟合,确定各区域的边缘曲线。最后计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为当前区域的颜色,形成区域对应的颜色列表。进而根据每个区域的边缘曲线数据和颜色列表信息生成对应的矢量图像文件。
Description
技术领域
本发明涉及图像处理与分析、数据处理、计算机图形学技术领域,具体涉及一种基于位图图像自适应分割的矢量图生成方法及系统,用于快速地实现位图转换为矢量图。
背景技术
矢量图,也称为面向对象的图像,使用点、线、矩形、多边形、原和弧线等基于数学公式的几何图像元素来表示,这些图像元素称为对象。每一个对象是一个自成一体的实体,它具有颜色、形状、轮廓、大小和位置等属性。
矢量图具有如下优势:占用存储空间小,和位图相比,矢量图只保留了线条和图块颜色信息;与分辨率无关,只与图像的复杂程度有关。图像在缩放,旋转和变形操作时不失真;常用于图案、标志和文字设计、可采用高分辨率印刷。
当前矢量图生成方法主要集中于如下两种方式。
一、利用商业绘图软件(如Corel Draw、Adobe Illustrator等)进行制作,从事制作的人员需要经过培训获取相关使用技能,同时制作过程漫长,生成的矢量图像效果往往低于制作人员的水平。
二、软件开发人员利用计算机图形学原理,通过编程实现某一图形的矢量化。这种生成方法具有生成图像的单一性,通常一种实现算法是针对一个或一类矢量图形。随着需求设计的矢量图形的数量和种类,开发人员所耗费的精力和时间将成倍增加,开发成本将越来越高。
如前所述,当前并未形成一种具有操作快捷、通用性强的矢量图生成方法。因此,需要提供一种基于位图图像自适应分割的矢量图生成方法及系统。
发明内容
本发明提供一种基于位图图像自适应分割的矢量图生成方法,包括步骤S1~S3。
步骤S1:采用双边滤波算法对位图图像进行滤波操作,去除图像中的随机噪声干扰。
步骤S2:将位图图像的所有像素点初始设置为一个类别,根据每个像素点的特征将取值相近的像素点合并到一类,从而使得图像形成不同的区域,再依据区域面积将面积过小的区域进行合并,形成区域分割图像,最后将分割图像中不同区域的像素点赋予相应的类别编号,获得初始区域标记图像。
步骤S3:采用优化的边缘模型及提取算法提取区域标记图像中各区域的边缘点的坐标数据,并对边缘线段的坐标点数据采用三次贝塞尔曲线进行拟合,确定各个区域的边缘曲线。
步骤S4:计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为当前区域的颜色。
优选的,在步骤S1中,双边滤波算法是在高斯滤波器的基础上增加色差权重,保留图像的边缘信息。
优选的,步骤S2还包括步骤S21~S23。
步骤S21:将图像的每个像素点设为一个类别,并设置所有类的初始类内差异,遍历所有类,计算其与邻近类的类间差异。
步骤S22:遍历所有相邻类,当相邻两类的类间差异小于两类的类内差异时,将两个类合并为一类,并重复此遍历过程,直到所有类都无法合并;
步骤S23:计算所有类的面积值,即类别所包含的像素数。遍历所有类别,当某类的面积值小于预设值时,将该类合并到相邻且类间差异最小的类中,直到所有类的面积值均大于或等于预设值。
步骤S24:将图像中每个类别区域通过赋予不同类别编号的方式加以区分,从而获得用于矢量图生成的区域标记图像,每个标记区域代表矢量图的一个图元。
优选的,在步骤S3中,采用优化的边缘模型及提取算法,在提取边缘时,将区域的上边缘点和左边缘点以内边缘跟踪的方式进行提取,将区域的下边缘点和右边缘点以外边缘跟踪的方式进行提取,从而保证相邻区域的共有边缘是一致的。
优选的,步骤S3中,提取各区域边缘点的坐标数据包括步骤S311~S312。
步骤S311:获取区域边缘线与其他区域边缘线的交点列表,从区域的第一交点出发,跟踪该区域边缘,直到达到所述区域的第二交点,此为该区域的第一条边缘线段;
步骤S312:从第二个交点为起始点,重复上步中从前一交点到后一交点的跟踪过程,不断的获取该区域的边缘线段,直到满足跟踪结束条件。跟踪结束条件为当再次跟踪到该区域的第一个交点时,获取以此点为起始的边缘线段,如果此线段与第一条边缘线段的相同,跟踪算法结束,否则继续执行跟踪过程。
优选的,在数据结构中对邻近区域的共有边缘进行合并标记处理,从而对共有边缘只需进行一次拟合处理,加速处理过程。
优选的,在步骤S3中,对边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线,包括步骤S321~S323。
步骤S321:设定拟合结果与输入数据的各点的离差最大阈值,并确定曲线的两端点,使用最小二乘法对数据点进行拟合,获得中间控制点,并以此获得拟合结果曲线;
步骤S322:计算所述拟合结果与输入数据间的各点的离差值,找到最大离差值。若超过预设阈值,则将当前的最大离差值对应的数据点作为断点,将输入数据分为两段曲线,再分别对所述两段曲线做拟合处理;
步骤S323:分别对所述两段曲线的拟合结果重复步骤S322操作,通过不断的插入端点和分段拟合方法,使得拟合结果不断地逼近输入数据,直到拟合结果曲线与输入数据的所有点的离差值均在预设阈值内,拟合结束。
优选的,步骤S4还包括,分别获取了每个标记区域的边缘曲线线段和颜色值后,生成对应的矢量图像文件保存。
本发明还提供一种基于位图图像自适应分割的矢量图生成系统,包括消噪模块、分割模块、拟合模块及赋色模块,消噪模块连接分割模块,分割模块连接拟合模块,拟合模块连接赋色模块,其中,
消噪模块,用于对位图图像进行滤波操作,去除图像中的随机噪声干扰;
分割模块,用于将位图图像每个像素点设置为一个类别,再根据像素点特征依次合并形成不同的类别区域,最后依据类别的区域面积将面积过小的类别进行合并,再将位图图像中每个类别区域的像素点赋予类别编号,获得区域标记图像;
拟合模块,用于采用优化的边缘模型及提取算法提取各区域边缘,并对区域边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线;
赋色模块,用于计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为此类别区域的颜色取值。
通过本发明提供的基于位图图像自适应分割的矢量图生成方法及系统,首先采用双边滤波算法对位图图像进行滤波操作,去除图像中的随机噪声干扰。接下来,设置位图图像所有像素点为一个类别,并依次合并各类形成不同区域,再依据区域面积将各区域进行合并,再将位图图像中每个像素点赋予类别编号,获得区域标记图像。然后再采用优化的边缘模型及提取算法提取各区域边缘,并对边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线。最后计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为当前区域的颜色,并生成对应的矢量图像文件保存。如此,实现了位图到矢量图的自动快速转换。
结合附图阅读本申请实施方式的详细描述后,本申请的其他特点和优点将变得更加清楚。
附图说明
图1a为本发明较佳实施例提供的用于转换的初始位图样例;
图1b为本发明较佳实施例提供的使用基于位图图像自适应分割的矢量图生成方法将初始位图分割后的图像;
图1c为本发明较佳实施例提供的使用基于位图图像自适应分割的矢量图生成方法将将分割后图像提取边缘的图像;
图1d为本发明较佳实施例提供的使用基于位图图像自适应分割的矢量图生成方法转换后的矢量图;
图2a为本发明又一较佳实施例提供的初始位图示例;
图2b为使用基于位图图像自适应分割的矢量图生成方法转换的对应于图2a的矢量图;
图3a为本发明又一较佳实施例提供的初始位图示例;
图3b为使用基于位图图像自适应分割的矢量图生成方法转换的对应于图3a的矢量图;
图4a为本发明又一较佳实施例提供的初始位图示例;
图4b为使用基于位图图像自适应分割的矢量图生成方法转换的对应于图4a的矢量图;
图5a为本发明又一较佳实施例提供的初始位图示例;
图5b为使用基于位图图像自适应分割的矢量图生成方法转换的对应于图5a的矢量图;
图6为本发明较佳实施例提供的基于位图图像自适应分割的矢量图生成系统结构示意图。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。
本发明提供一种基于位图图像自适应分割的矢量图生成方法,包括步骤S1~S3。
步骤S1:采用双边滤波算法对位图图像进行滤波操作,去除图像中的随机噪声干扰。
具体而言,本步骤操作是便于更好的应用于图像聚类、图像分割等处理算法。双边滤波算法是在高斯滤波器的基础上增加色差权重,从而较好的保留了图像的边缘信息。
步骤S2:初始设置位图图像每个像素点为一个类别,根据每个像素点的特征将取值相近的像素点合并到一类,从而使得图像形成不同类别的区域,再依据区域面积将面积过小的区域进行合并,形成区域分割图像。最后将分割图像中不同区域的像素点赋予此区域的类别编号,获得初始区域标记图像;
具体地,本步骤涉及图论分割算法,是一种基于图论的贪心聚类算法,常用于图像的超像素分割处理。
本步骤分解为S21~S24。
步骤S21:将图像中每一个像素点初始为一个类别,设置所有类的初始类内差异。遍历所有类,计算其与邻近类的类间差异。
具体地,将类别的集合称为顶点集V,设置V中的每个类(即顶点)的初始类内差异Ci为10。遍历V中的所有类(即顶点),计算其与邻近类(即顶点)的类间差异Dij。类内差异为类中所有点取值的均方根值,类间差异为相邻两类的正差值。
步骤S22:遍历所有类,当此类与相邻类的类间差异小于两类的类内差异时,将两个类合并为一类,并重复此遍历过程,直到所有类都无法合并,分类结束;
具体到参数,当Dij同时小于Ci和Cj时,两个类(即顶点)合并为一类。
步骤S23:计算所有类的面积值,即类别所包含的像素数。遍历所有类别,当某类的面积值小于预设阈值时,将该类合并到邻近类间差异最小的类中,直到所有类的面积值均大于或等于预设值,图像区域分割算法执行结束。
具体而言,设面积最大阈值为T,T决定了生成矢量图的精细程度,根据不同的精细度要求,一般设置为20到100之间。
步骤S24:将图像中每个类别区域通过赋予不同类别编号的方式加以区分,从而获得用于矢量图生成的区域标记图像,每个标记区域代表矢量图的一个图元。
步骤S3:采用优化的边缘模型及提取算法提取各区域边缘,并对边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线。
具体地,是采用优化的边缘模型及提取算法提取标记图像中每个类别区域的边缘信息,并对边缘线段采用三次贝塞尔曲线进行拟合,获取每个类别区域的边缘曲线,即矢量图每个图元的边缘信息数据。
如前所述,分割算法是一种位图分割算法,其提取的区域标记图像中的每个区域是由像素点构成,所以区域边缘是不规则的。需要通过曲线拟合算法,使用数学上闭合的曲线线段来表示区域的形状特征,即对每个图元的边缘线使用多条三次贝塞尔曲线进行拟合。
传统的边缘提取算法均是提取某一区域的外边缘或内边缘,但无论是内边缘或外边缘都会造成相邻区域的共有边缘在提取过程中产生不同的边缘点数据,造成相邻区域的共有边缘线段产生不同的拟合结果,使得相邻区域间产生重叠区或空白区。本实施例采用优化的边缘模型及提取算法,在提取边缘时,将区域的上边缘点和左边缘点以内边缘的方式提取,将区域的下边缘点和右边缘点以外边缘的方式提取,以便与邻近区域的边缘相重合,从而保证相邻区域的共有边缘的一致性。
具体过程如下:
步骤S311:获取每个区域边缘线与其他区域边缘线的交点列表,从区域的第一交点出发,跟踪该区域边缘,直到达到所述区域的第二交点,此为该区域的第一条边缘线段;
步骤S312:从第二个交点为起始点,重复上步中从前一交点到后一交点的跟踪过程,不断的获取该区域的边缘线段,直到满足跟踪结束条件。跟踪结束条件为当再次跟踪到该区域的第一个交点时,获取以此点为起始的边缘线段,如果此线段与第一条边缘线段的相同,跟踪算法结束,否则继续执行跟踪过程。
在步骤S312中,为了减少拟合时间,在数据结构中对邻近区域的共有边缘进行合并标记处理,从而对共有边缘只需进行一次拟合处理,加速处理过程。
边缘曲线线段的拟合算法中一般采用三次或四次贝塞尔曲线。m级贝塞尔曲线公式如下:
(1)式中:ti的取值往往是是离散的,ti的每个取值对应于曲线上的一个点q(ti),因此的取值个数直接影响到曲线的精细程度;m是贝塞尔曲线的级数;Pk是曲线的第k个控制点。
这里我们采用三次贝塞尔曲线:
q(ti)=P0(1-ti)3+3P1(1-ti)2ti+3P2(1-ti)ti 2+P3ti 3 (2)式
(2)式中:P0、P3为贝塞尔曲线的端点(首尾控制点),决定了曲线的首尾位置;P1、P2为贝塞尔曲线的控制点,决定了曲线的走势。
三次贝塞尔曲线拟合主要目的是找到贝塞尔曲线的控制点P1、P2,首尾端点P0、P3可从输入数据点中直接获取。采用最小二乘法来寻找曲线控制点P1、P2,使拟合结果与输入数据点间的差异达到最小。
最小二乘法公式为:
式中:S为误差的平方和,pi为输入数据点。
将(2)式代入到(3)式中:
S对P1、P2求导,其偏导数为0:
求解(5)式,可获得P1、P2的值:
P1=(A2C1-A12C2)/(A1A2-A12A12) (6)式
P2=(A1C2-A12C1)/(A1A2-A12A12) (7)式
式中:
拟合过程描述如下。
步骤S323:
优选的,步骤S4还包括,分别获取了每个标记区域的边缘曲线线段和颜色值后,生成对应的矢量图像文件保存。
步骤S321:设定拟合结果与输入数据的各点的离差最大阈值,并确定曲线的两端点,使用最小二乘法对数据点进行拟合,获得中间控制点,并以此获得拟合结果曲线;
具体地,先确定拟合算法的离差最大阈值(相似度阈值),即拟合结果曲线与输入数据曲线间距离的最大阈值。并确定两端点,即输入点的第一个点P0和最后一个点P3。使用最小二乘法对数据点进行拟合,获得控制点P1和P2的值。
步骤S322:计算所述拟合结果与输入数据间的各点的离差值,找到最大离差值。若超过预设阈值,则将当前的最大离差值对应的数据点作为断点,将输入数据分为两段曲线,再分别对所述两段曲线执行拟合处理。
步骤S323:分别对所述两段曲线的拟合结果重复步骤S322操作,通过不断的插入端点和分段拟合的方法,使得拟合结果不断地逼近输入数据,直到拟合结果曲线与输入数据的所有点的离差值均在预设阈值内,拟合结束。
步骤S4:计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为当前区域的颜色。
步骤S3中获取了区域分割图像中每个区域的边缘信息,即对应矢量图中的所有图元的边界曲线。接下来需要获取每个区域的颜色特征,即对应每个图元的颜色取值。使用本步骤产生的区域标记图像,计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为当前区域的颜色,从而确定对应的图元的颜色值。
在分别获取了每个图元的边界曲线和颜色值后,生成对应的矢量图像文件。具体可按照SVG的格式规范要求,生成位图对应的矢量图像文件,以SVG的格式进行存储。
依照本发明较佳实施例提供的基于位图图像自适应分割的矢量图生成方法,发明人作出部分样图转换示例。
如图1(a)至图1(d),显示了初始位图从预处理、图像分割、边缘拟合至图元赋色生成矢量图的过程。
接下来,还以不同像素的位图转换,将试验数据记录在表1中。数据表明,当图像像素越高时,转换图片消耗时间越长,得到的矢量图清晰度也越高。
初始位图 | 生成矢量图 | 图像尺寸(像素) | 分割区域数 | 消耗时间(毫秒) |
图2(a) | 图2(b) | 369*470 | 2413 | 13796ms |
图3(a) | 图3(b) | 560*408 | 1808 | 12132ms |
图4(a) | 图4(b) | 682*682 | 2081 | 11301ms |
图5(a) | 图5(b) | 1024*768 | 4805 | 46787ms |
表1
图6为本发明较佳实施例提供的基于位图图像自适应分割的矢量图生成系统结构示意图。如图6所示,本实施例提供的基于位图图像自适应分割的矢量图生成系统包括消噪模块101、分割模块102、拟合模块103及赋色模块104,消噪模块101连接分割模块102,分割模块102连接拟合模块103,拟合模块103连接赋色模块104。消噪模块101用于对位图图像进行滤波操作,去除图像中的随机噪声干扰。分割模块102用于将位图图像每个像素点设置为一个类别,再根据像素点特征依次合并形成不同区域,最后依据区域面积将面积过小的区域进行合并,再将位图图像中每个区域的像素点赋予类别编号,获得区域标记图像。拟合模块103用于采用优化的边缘模型及提取算法提取各区域边缘,并对边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线。赋色模块104用于计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为此类别区域的颜色。
综上所述,通过本发明较佳实施例提供的基于位图图像自适应分割的矢量图生成方法及系统,本方法首先采用双边滤波算法对位图图像进行滤波操作,去除图像中的随机噪声干扰。接下来,将位图图像每个像素点设置为一个类别,再根据像素点特征依次合并形成不同的类别区域,最后依据类别的区域面积将面积过小的类别进行合并,再将位图图像中每个类别区域的像素点赋予类别编号,获得区域标记图像。然后再采用优化的边缘模型及提取算法提取各区域边缘,并对边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线。最后计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为当前区域的颜色,并生成对应的矢量图像文件。如此,只需要输入待转换的位图图像,不需要人为操作,即实现矢量图形的快速生成。
以上所述仅是本发明的优选实施例,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 (9)
1.一种基于位图图像自适应分割的矢量图生成方法,其特征在于,包括以下步骤:
S1、采用双边滤波算法对位图图像进行滤波操作,去除图像中的随机噪声干扰;
S2、将位图图像每个像素点设置为一个类别,根据每个像素点的特征将取值相近的像素点合并到一类,从而使得图像形成不同类别的区域,再将面积过小的类别区域进行合并,形成区域分割图像,最后将分割图像中不同区域的像素点赋予此区域的类别编号,获得区域标记图像;
S3、采用优化的边缘模型及提取算法提取各区域边缘,并对边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线;
S4、计算所述区域标记图像中每一个类别编号对应的源图像在此区域内的颜色平均值,将此平均值作为当前区域的颜色。
2.根据权利要求1所述的基于位图图像自适应分割的矢量图生成方法,其特征在于,在步骤S1中,双边滤波算法是在高斯滤波器的基础上增加色差权重,保留图像中的边缘信息。
3.根据权利要求1所述的基于位图图像自适应分割的矢量图生成方法,其特征在于,步骤S2还包括:
S21、将图像的每个像素点设为一个类别,并设置所有类的初始类内差异,遍历所有类,计算其与邻近类的类间差异;
S22、遍历所有相邻类,当相邻两类的类间差异小于两类的类内差异时,将两个类合并为一类,并重复此遍历过程,直到所有类都无法合并;
S23、计算所有类的面积值,即类别所包含的像素数。遍历所有类别,当某类的面积值小于预设值时,将该类合并到邻近类间差异最小的类中,直到所有类的面积值均大于或等于预设值;
步骤S24:将图像中每个类别区域通过赋予不同类别编号的方式加以区分,从而获得用于矢量图生成的区域标记图像,每个标记区域代表矢量图的一个图元。
4.根据权利要求1所述的基于位图图像自适应分割的矢量图生成方法,其特征在于,在步骤S3中,采用优化的边缘模型及提取算法,在提取边缘时,将区域的上边缘点和左边缘点以内边缘跟踪的方式进行提取,将区域的下边缘点和右边缘点以外边缘跟踪的方式进行提取,从而保证相邻区域的共有边缘是一致的。
5.根据权利要求1所述的基于位图图像自适应分割的矢量图生成方法,其特征在于,步骤S3中,提取区域边缘包括:
S311、获取每个区域边缘线与其他区域边缘线的交点列表,从区域的第一交点出发,跟踪该区域边缘,直到达到所述区域的第二交点,此为该区域的第一条边缘线段;
S312、从第二个交点为起始点,重复上步中从前一交点到后一交点的跟踪过程,不断的获取该区域的边缘线段,直到满足跟踪结束条件,跟踪结束条件为当再次跟踪到该区域的第一个交点时,获取以此点为起始的边缘线段,如果此线段与第一条边缘线段的相同,跟踪算法结束,否则继续执行跟踪过程。
6.根据权利要求5所述的基于位图图像自适应分割的矢量图生成方法,其特征在于,在数据结构中对邻近区域的共有边缘进行合并标记处理,从而对共有边缘只需进行一次拟合处理,加速处理过程。
7.根据权利要求1所述的基于位图图像自适应分割的矢量图生成方法,其特征在于,在步骤S3中,对边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线,包括:
S321、设定拟合结果与输入数据的各点的离差最大阈值,并确定曲线的两端点,使用最小二乘法对数据点进行拟合,获得中间控制点,并以此获得拟合结果曲线;
S322、计算所述拟合结果与输入数据间的各点的离差值,找到最大离差值。若超过预设阈值,则将当前的最大离差值对应的数据点作为断点,将输入数据分为两段曲线,再分别对所述两段曲线做拟合处理;
S323、分别对所述两段曲线的拟合结果重复步骤S322操作,通过不断的插入端点和分段拟合方法,使得拟合结果不断地逼近输入数据,直到拟合结果曲线与输入数据的所有点的离差值均在预设阈值内,拟合结束。
8.根据权利要求1所述的基于位图图像自适应分割的矢量图生成方法,其特征在于,步骤S4还包括,分别获取了每个标记区域的边缘曲线线段和颜色值后,生成对应的矢量图像文件。
9.一种基于位图图像自适应分割的矢量图生成系统,其特征在于,包括消噪模块、分割模块、拟合模块及赋色模块,消噪模块连接分割模块,分割模块连接拟合模块,拟合模块连接赋色模块,其中,
消噪模块,用于对位图图像进行滤波操作,去除图像中的随机噪声干扰;
分割模块,用于将位图图像每个像素点设置为一个类别,再根据像素点特征依次合并形成不同的类别区域,最后依据类别的区域面积将面积过小的类别进行合并,再将位图图像中每个类别区域的像素点赋予类别编号,获得区域标记图像;
拟合模块,用于采用优化的边缘模型及提取算法提取各区域边缘,并对区域边缘线段采用三次贝塞尔曲线进行拟合,确定各区域的边缘曲线;
赋色模块,用于计算所述区域标记图像中每一个类别区域对应的源图像在此区域内的颜色平均值,将此平均值作为此类别区域的颜色取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810578639.6A CN108805957B (zh) | 2018-06-07 | 2018-06-07 | 一种基于位图图像自适应分割的矢量图生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810578639.6A CN108805957B (zh) | 2018-06-07 | 2018-06-07 | 一种基于位图图像自适应分割的矢量图生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805957A true CN108805957A (zh) | 2018-11-13 |
CN108805957B CN108805957B (zh) | 2022-06-24 |
Family
ID=64087574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810578639.6A Active CN108805957B (zh) | 2018-06-07 | 2018-06-07 | 一种基于位图图像自适应分割的矢量图生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805957B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021054A (zh) * | 2019-04-12 | 2019-07-16 | 青岛九维华盾科技研究院有限公司 | 一种用于斑点迷彩图案设计的斑块赋色方法 |
CN110120080A (zh) * | 2019-04-12 | 2019-08-13 | 青岛九维华盾科技研究院有限公司 | 一种快速生成标准伪装迷彩主色的方法 |
CN111127592A (zh) * | 2019-12-25 | 2020-05-08 | 北京金山安全软件有限公司 | 一种图片填色方法、装置、电子设备及可读存储介质 |
CN111179370A (zh) * | 2019-12-30 | 2020-05-19 | 北京猎豹网络科技有限公司 | 一种图片生成方法、装置、电子设备及存储介质 |
CN111210485A (zh) * | 2020-01-06 | 2020-05-29 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
CN111242859A (zh) * | 2020-01-07 | 2020-06-05 | 成都费恩格尔微电子技术有限公司 | 一种改进的图像处理方法 |
CN111353957A (zh) * | 2020-02-28 | 2020-06-30 | 北京三快在线科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111462136A (zh) * | 2020-03-31 | 2020-07-28 | 上海大学 | 一种基于边界分割算法的图像矢量化系统和方法 |
CN112181923A (zh) * | 2020-09-23 | 2021-01-05 | 广东溢达纺织有限公司 | 位图获取方法、装置、计算机设备和存储介质 |
CN112215272A (zh) * | 2020-09-29 | 2021-01-12 | 重庆大学 | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 |
CN113706648A (zh) * | 2021-08-04 | 2021-11-26 | 武汉理工大学 | 基于扩散曲线的唐卡元素矢量化方法 |
WO2021238979A1 (zh) * | 2020-05-27 | 2021-12-02 | 京东方科技集团股份有限公司 | 矢量图生成方法及装置、存储介质 |
CN114022483A (zh) * | 2022-01-08 | 2022-02-08 | 南通欣斯特机械制造有限公司 | 一种基于边缘特性的注塑飞边区域识别方法 |
CN114661930A (zh) * | 2022-05-24 | 2022-06-24 | 深圳顶匠科技有限公司 | 基于可拓展标记语言的位图处理方法、装置及设备 |
CN114820873A (zh) * | 2022-05-13 | 2022-07-29 | 南京大学 | 基于涂色的草图规整化方法、装置及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091151A1 (en) * | 2001-04-12 | 2004-05-13 | Hui Jin | Method for segmenting and recognizing an image in industry radiation imaging |
US20040090437A1 (en) * | 2002-11-12 | 2004-05-13 | Akira Uesaki | Curved surface image processing apparatus and curved surface image processing method |
JP2007241878A (ja) * | 2006-03-10 | 2007-09-20 | Toshiba Corp | 描画装置、描画方法及び描画プログラム |
CN103927727A (zh) * | 2014-04-22 | 2014-07-16 | 成都品果科技有限公司 | 一种标量图像转化为矢量图的方法 |
CN104268330A (zh) * | 2014-09-19 | 2015-01-07 | 华南理工大学 | 一种复杂曲线的Bezier拟合方法 |
CN105809699A (zh) * | 2016-03-18 | 2016-07-27 | 中山大学 | 一种基于图分割的车窗提取方法及系统 |
CN107273608A (zh) * | 2017-06-13 | 2017-10-20 | 中国石油大学(华东) | 一种油藏地质剖面图矢量化方法 |
CN107704801A (zh) * | 2017-08-18 | 2018-02-16 | 电子科技大学 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
-
2018
- 2018-06-07 CN CN201810578639.6A patent/CN108805957B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091151A1 (en) * | 2001-04-12 | 2004-05-13 | Hui Jin | Method for segmenting and recognizing an image in industry radiation imaging |
US20040090437A1 (en) * | 2002-11-12 | 2004-05-13 | Akira Uesaki | Curved surface image processing apparatus and curved surface image processing method |
JP2007241878A (ja) * | 2006-03-10 | 2007-09-20 | Toshiba Corp | 描画装置、描画方法及び描画プログラム |
CN103927727A (zh) * | 2014-04-22 | 2014-07-16 | 成都品果科技有限公司 | 一种标量图像转化为矢量图的方法 |
CN104268330A (zh) * | 2014-09-19 | 2015-01-07 | 华南理工大学 | 一种复杂曲线的Bezier拟合方法 |
CN105809699A (zh) * | 2016-03-18 | 2016-07-27 | 中山大学 | 一种基于图分割的车窗提取方法及系统 |
CN107273608A (zh) * | 2017-06-13 | 2017-10-20 | 中国石油大学(华东) | 一种油藏地质剖面图矢量化方法 |
CN107704801A (zh) * | 2017-08-18 | 2018-02-16 | 电子科技大学 | 基于分段直线加分段贝塞尔曲线的曲线车道线检测方法 |
Non-Patent Citations (1)
Title |
---|
蔡山: "基于最小二乘法的分段三次曲线拟合方法研究", 《科学技术与工程》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110021054B (zh) * | 2019-04-12 | 2023-07-28 | 青岛九维华盾科技研究院有限公司 | 一种用于斑点迷彩图案设计的斑块赋色方法 |
CN110120080A (zh) * | 2019-04-12 | 2019-08-13 | 青岛九维华盾科技研究院有限公司 | 一种快速生成标准伪装迷彩主色的方法 |
CN110021054A (zh) * | 2019-04-12 | 2019-07-16 | 青岛九维华盾科技研究院有限公司 | 一种用于斑点迷彩图案设计的斑块赋色方法 |
CN110120080B (zh) * | 2019-04-12 | 2024-01-05 | 青岛九维华盾科技研究院有限公司 | 一种快速生成标准伪装迷彩主色的方法 |
CN111127592A (zh) * | 2019-12-25 | 2020-05-08 | 北京金山安全软件有限公司 | 一种图片填色方法、装置、电子设备及可读存储介质 |
CN111127592B (zh) * | 2019-12-25 | 2023-11-28 | 超级魔方(北京)科技有限公司 | 一种图片填色方法、装置、电子设备及可读存储介质 |
CN111179370A (zh) * | 2019-12-30 | 2020-05-19 | 北京猎豹网络科技有限公司 | 一种图片生成方法、装置、电子设备及存储介质 |
CN111179370B (zh) * | 2019-12-30 | 2023-06-20 | 北京猎豹网络科技有限公司 | 一种图片生成方法、装置、电子设备及存储介质 |
CN111210485A (zh) * | 2020-01-06 | 2020-05-29 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
CN111210485B (zh) * | 2020-01-06 | 2023-03-28 | 北京字节跳动网络技术有限公司 | 图像的处理方法、装置、可读介质和电子设备 |
CN111242859B (zh) * | 2020-01-07 | 2023-09-08 | 上海菲戈恩微电子科技有限公司 | 一种改进的图像处理方法 |
CN111242859A (zh) * | 2020-01-07 | 2020-06-05 | 成都费恩格尔微电子技术有限公司 | 一种改进的图像处理方法 |
CN111353957A (zh) * | 2020-02-28 | 2020-06-30 | 北京三快在线科技有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN111462136B (zh) * | 2020-03-31 | 2023-05-16 | 上海大学 | 一种基于边界分割算法的图像矢量化系统和方法 |
CN111462136A (zh) * | 2020-03-31 | 2020-07-28 | 上海大学 | 一种基于边界分割算法的图像矢量化系统和方法 |
WO2021238979A1 (zh) * | 2020-05-27 | 2021-12-02 | 京东方科技集团股份有限公司 | 矢量图生成方法及装置、存储介质 |
CN112181923A (zh) * | 2020-09-23 | 2021-01-05 | 广东溢达纺织有限公司 | 位图获取方法、装置、计算机设备和存储介质 |
CN112215272A (zh) * | 2020-09-29 | 2021-01-12 | 重庆大学 | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 |
CN113706648A (zh) * | 2021-08-04 | 2021-11-26 | 武汉理工大学 | 基于扩散曲线的唐卡元素矢量化方法 |
CN113706648B (zh) * | 2021-08-04 | 2024-03-19 | 武汉理工大学 | 基于扩散曲线的唐卡元素矢量化方法 |
CN114022483B (zh) * | 2022-01-08 | 2022-03-25 | 南通欣斯特机械制造有限公司 | 一种基于边缘特性的注塑飞边区域识别方法 |
CN114022483A (zh) * | 2022-01-08 | 2022-02-08 | 南通欣斯特机械制造有限公司 | 一种基于边缘特性的注塑飞边区域识别方法 |
CN114820873A (zh) * | 2022-05-13 | 2022-07-29 | 南京大学 | 基于涂色的草图规整化方法、装置及介质 |
CN114820873B (zh) * | 2022-05-13 | 2023-04-07 | 南京大学 | 基于涂色的草图规整化方法、装置及介质 |
CN114661930A (zh) * | 2022-05-24 | 2022-06-24 | 深圳顶匠科技有限公司 | 基于可拓展标记语言的位图处理方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108805957B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805957A (zh) | 一种基于位图图像自适应分割的矢量图生成方法及系统 | |
CN109903301B (zh) | 一种基于多级特征信道优化编码的图像轮廓检测方法 | |
CN111310760B (zh) | 结合局部先验特征和深度卷积特征的甲骨刻辞文字检测方法 | |
CN108053417A (zh) | 一种基于混合粗分割特征的3DU-Net网络的肺分割装置 | |
CN105528589A (zh) | 基于多列卷积神经网络的单张图像人群计数算法 | |
CN103955913B (zh) | 一种基于线段共生矩阵特征和区域图的sar图像分割方法 | |
CN105678813A (zh) | 一种肤色检测方法及装置 | |
CN105931295A (zh) | 一种地质图专题信息提取方法 | |
CN103530882B (zh) | 一种改进的基于图和色彩纹理特征的图像分割方法 | |
CN107563312A (zh) | 人脸表情识别方法 | |
Guedri et al. | Indexing and images retrieval by content | |
JP6929322B2 (ja) | データ拡張システム、データ拡張方法、及びプログラム | |
Monteiro et al. | Watershed framework to region-based image segmentation | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN108182436A (zh) | 一种高分辨率遥感图像分割方法 | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
CN106056627B (zh) | 一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法 | |
CN108230297B (zh) | 一种基于服装替换的色彩搭配评估方法 | |
Yao et al. | Manga vectorization and manipulation with procedural simple screentone | |
CN108805022A (zh) | 一种基于多尺度centrist特征的遥感场景分类方法 | |
Vu et al. | Graph cut segmentation of neuronal structures from transmission electron micrographs | |
CN101578632B (zh) | 模糊边缘平滑度先验及其在阿尔法通道超分辨率上的应用 | |
Senyukova et al. | Automated atlas-based segmentation of NISSL-stained mouse brain sections using supervised learning | |
CN110955809B (zh) | 一种支持拓扑结构保持的高维数据可视化方法 | |
CN108111868A (zh) | 一种基于mmda的表情不变的隐私保护方法 |
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 |