CN109558557A - 一种基于图像识别的移动建模方法、装置及存储介质 - Google Patents
一种基于图像识别的移动建模方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109558557A CN109558557A CN201811414855.3A CN201811414855A CN109558557A CN 109558557 A CN109558557 A CN 109558557A CN 201811414855 A CN201811414855 A CN 201811414855A CN 109558557 A CN109558557 A CN 109558557A
- Authority
- CN
- China
- Prior art keywords
- component
- image
- picture
- module
- image recognition
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的移动建模方法、装置及存储介质，所述方法包括：输入表单设计效果图；对所述表单设计效果图进行预处理和图像分割；对分割处理后的图像进行特征提取，得到表单页面组件的特征模型；通过分类器和分类决策，对所述特征模型进行识别，得到所有相关的组件；将所有相关的组件匹配组件模型库中的组件，形成表单页面组件集；根据所述表单页面组件集，生成Web页面。本发明能够通过将表单初始设计效果图，一键转化生成最终可运行的表单页面，从而简单、便捷的实现Web页面的快速开发，减少开发环节，提高开发效率。
Description
技术领域
本发明涉及Web开发技术领域，尤其涉及一种基于图像识别的移动建模方法、装置及存储介质。
背景技术
Web页面，是基于HTML技术的一种交互页面，在各个领域中广泛使用。随着移动互联网的深入发展，跨平台移动应用是一种趋势，而基于HTML，Javascript，CSS技术的Web页面开发需求也日益增多，需要有一种可以快速开发Web页面的方式或工具来支撑这种需求。
目前市场上的Web页面开发方式，主要有两种：
一种是纯编码的开发方式，通过使用一些文本编辑器，编写HTML代码进行表单开发，生成表单页面，使用这种方式需要能熟练使用HTML、JavaScript，CSS等技术，开发难度较大；
另一种方式是借助一些可视化的第三方表单开发工具，这些工具封装好基本功能和表单组件，提供可视化的操作界面，通过拖拽操作的方式来进行表单的设计和开发，最终保存生成表单页面，大大简化了代码的编写量，但一个页面需要由较多的表单组件组成，需要熟悉每一个封装好的表单组件，增加了工具使用的学习成本，对表单的开发也还是由一定的难度。
本发明的发明人在对现有技术的研究和实践过程中发现，上述两种Web页面开发方式，从最初UI设计的表单效果图，需要经过比较繁琐复杂的开发过程，才能得到最终可运行的表单页面。其中，方式一需要具有非常专业的基础知识才能进行代码编写，方式二虽然简化了代码量的开发，但也需要做大量的操作才能生成最终的表单页面，这两种方式都无法快速的从最初设计的表单效果图直接转化成最终表单页面，不利于表单的快速开发和成本控制。
发明内容
本发明所要解决的技术问题在于，提供一种基于图像识别的移动建模方法、装置及存储介质，能够通过将表单初始设计效果图，一键转化生成最终可运行的表单页面，从而简单、便捷的实现Web页面的快速开发，减少开发环节，提高开发效率。
为解决上述问题，本发明的一个实施例提供一种基于图像识别的移动建模方法，包括：
输入表单设计效果图；
对所述表单设计效果图进行预处理和图像分割；
对分割处理后的图像进行特征提取，得到表单页面组件的特征模型；
通过分类器和分类决策，对所述特征模型进行识别，得到所有相关的组件；
将所有相关的组件匹配组件模型库中的组件，形成表单页面组件集；
根据所述表单页面组件集，生成Web页面。
进一步地，在所述输入表单设计效果图之前，还包括对表单组件进行训练，具体步骤为：
输入组件图片；
对所述组件图片进行预处理；
对预处理后的组件图片进行特征提取，形成组件的样本特征模型；
对所述样本特征模型和组件库中相关的组件进行关联，形成组件模型库。
进一步地，所述预处理，是指将原始图像转化为适于计算设备进行特征提取的形式，包括灰度化、二值化、增强和复原。
进一步地，所述图像分割，是指将预处理后的图像分割成互不重叠的、具有各自特征的子区域，每个子区域为像素的一个连续集；其中，所述各自特征包括颜色、形状、灰度和纹理。
进一步地，所述分类器，是指通过预先训练得到一种识别规则，进而得到一种特征分类；所述分类决策，是指在特征空间中对被识别对象进行分类。
本发明的另一个实施例提还供一种基于图像识别的移动建模装置，包括：
输入模块，用于输入表单设计效果图；
预处理模块，用于对所述表单设计效果图进行预处理和图像分割；
特征提取模块，用于对分割处理后的图像进行特征提取，得到表单页面组件的特征模型；
分类模块，用于通过分类器和分类决策，对所述特征模型进行识别，得到所有相关的组件；
匹配模块，用于将所有相关的组件匹配组件模型库中的组件，形成表单页面组件集；
Web页面生成模块，用于根据所述表单页面组件集，生成Web页面。
进一步地，所述的基于图像识别的移动建模装置，还包括：
输入模块，还用于输入组件图片；
预处理模块，还用于对所述组件图片进行预处理；
特征提取模块，还用于对预处理后的组件图片进行特征提取，形成组件的样本特征模型；
关联模块，还用于对所述样本特征模型和组件库中相关的组件进行关联，形成组件模型库。
本发明的又一个实施例提还供一种基于图像识别的移动建模装置，包括：
组件库模块，封装有基于HTML代码的Web组件；
组件训练模块，用于对组件进行训练学习，形成组件模型库；
组件识别模块，用于利用图像识别技术对输入的图片进行图片处理，与组件模型库中的组件进行匹配，识别出表单组件；
Web页面生成模块，用于根据识别出来的组件，通过HTML模板技术把表单设计效果图转化成Web页面。
本发明的又一个实施例提还供一种基于图像识别的移动建模装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，且所述处理器执行所述计算机程序时实现上述的基于图像识别的移动建模方法。
本发明的又一个实施例提还供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的基于图像识别的移动建模方法。
实施本发明的实施例能够通过输入Web页面设计效果图进行图像识别快速生成Web页面。
附图说明
图1是本发明的一个实施例提供的一种基于图像识别的移动建模方法的流程示意图；
图2是本发明的一个实施例提供的对表单组件进行训练的流程示意图；
图3是本发明的另一个实施例提供的一种基于图像识别的移动建模装置的结构示意图；
图4是本发明的又一个实施例提供的一种基于图像识别的移动建模装置的结构示意图。
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，所描述的实施例仅仅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做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。
第一方面，请参阅图1-2。本发明的一个实施例提供一种基于图像识别的移动建模方法，如图1所示，包括：
S11、输入表单设计效果图。即，上传按规范设计好的表单设计效果图。
S12、对所述表单设计效果图进行预处理和图像分割。
其中，所述预处理，是指将原始图像转化为适于计算设备进行特征提取的形式，包括灰度化、二值化、增强和复原。
在具体实施例当中，调用OpenCV相关api对输入的图片进行预处理，预处理目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括灰度化，二值化，增强，复原等。
1)灰度化：在一个24位彩色图像中，每个像素由三个字节表示，通常表示为RGB。通常，许多24位彩色图像存储为32位图像，每个像素多余的字节存储为一个alpha值，表现有特殊影响的信息。在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。这样就得到一幅图片的灰度图。OpenCV的Java实现中采用的是加权法来实现图片的灰度化，根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。
F(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j))
代码示例：
2)二值化：图像的二值化处理就是将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于在对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阈值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上(比如纹理不同)，可以将这个差别特征转换为灰度的差别，然后利用阈值选取技术来分割该图像。动态调节阈值实现图像的二值化可动态观察其分割图像的具体结果。
3)增强：图像在成像、采集、传输、复制等过程中图像的质量或多或少会造成一定的退化,数字化后的图像视觉效果不是十分满意。为了突出图像中感兴趣的部分,使图像的主体结构更加明确,必须对图像进行改善,即图像增强。通过图像增强,以减少图像中的图像的噪声,改变原来图像的亮度、色彩分布、对比度等参数。图像增强提高了图像的清晰度、图像的质量,使图像中的物体的轮廓更加清晰,细节更加明显。图像增强不考虑图像降质的原因,增强后的图像更加赏欣悦目,为后期的图像分析和图像理解奠定基础。
4)复原：由于在获取图像时环境噪声的影响、运动造成的图像模糊、光线的强弱等原因使得图像模糊,为了提取比较清晰的图像需要对图像进行恢复,图像恢复主要采用滤波方法,从降质的图像恢复原始图。图像复原的另一种特殊技术是图像重建,该技术是从物体横剖面的一组投影数据建立图像。
其中，所述图像分割，是指将预处理后的图像分割成互不重叠的、具有各自特征的子区域，每个子区域为像素的一个连续集；其中，所述各自特征包括颜色、形状、灰度和纹理。
在具体实施例当中，图像分割，根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位,然后把目标从背景中分离出来。目前,图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰,使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。此处主要是对预处理之后的图片进行分割。
S13、对分割处理后的图像进行特征提取，得到表单页面组件的特征模型。
可以理解的是，我们所研究的图像是各式各样的，如果要利用某种方法将它们区分开，就要通过这些图像所具有的本身特征来识别，而获取这些特征的过程就是特征抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的，这个时候就要提取有用的特征，这就是特征的选择。特征抽取和选择在图像识别过程中是非常关键的技术之一。此处主要是调用OpenCV相关api对组件图片的特征进行提取和选择，形成组件的特征模型。
S14、通过分类器和分类决策，对所述特征模型进行识别，得到所有相关的组件。
其中，所述分类器，是指通过预先训练得到一种识别规则，进而得到一种特征分类；所述分类决策，是指在特征空间中对被识别对象进行分类。
此处的目的就是根据识别规对特征模型则进行识别，调用OpenCV相关api，识别出表单对应的组件模型。
S15、将所有相关的组件匹配组件模型库中的组件，形成表单页面组件集。
S16、根据所述表单页面组件集，生成Web页面。即，利用HTML模板技术，生成最终可运行的Web页面。
在一优选实施例当中，在所述输入表单设计效果图之前，还包括对表单组件进行训练。如图2所示，具体步骤为：
S21、输入组件图片。
其中，组件库的组件是均是已经封装好的HTML组件，需要切图上传到系统进行训练学习，形成组件模型库。
S22、对所述组件图片进行预处理。
即，调用OpenCV相关api对输入的图片进行预处理，预处理目的是去除干扰、噪声，主要包括灰度化，二值化，增强，复原等。
S23、对预处理后的组件图片进行特征提取，形成组件的样本特征模型。
即，调用OpenCV相关api对组件图片的特征进行提取和选择，形成组件的样本特征模型。
S24、对所述样本特征模型和组件库中相关的组件进行关联，形成组件模型库。
实施本实施例能够过输入表单设计效果图进行图像识别快速生成Web页面。
第二方面，如图3所示，本发明的另一个实施例提还供一种基于图像识别的移动建模装置，包括：
输入模块31，用于输入表单设计效果图。即，上传按规范设计好的表单设计效果图。
预处理模块32，用于对所述表单设计效果图进行预处理和图像分割。
其中，所述预处理，是指将原始图像转化为适于计算设备进行特征提取的形式，包括灰度化、二值化、增强和复原。
在具体实施例当中，调用OpenCV相关api对输入的图片进行预处理，预处理目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括灰度化，二值化，增强，复原等。
其中，所述图像分割，是指将预处理后的图像分割成互不重叠的、具有各自特征的子区域，每个子区域为像素的一个连续集；其中，所述各自特征包括颜色、形状、灰度和纹理。
在具体实施例当中，图像分割，根据目标与背景的先验知识将图像表示为物理上有意义的连通区域的集合。即对图像中的目标、背景进行标记、定位,然后把目标从背景中分离出来。目前,图像分割的方法主要有基于区域特征的分割方法、基于相关匹配的分割方法和基于边界特征的分割方法。由于采集图像时会受到各种条件的影响会是图像变的模糊、噪声干扰,使得图像分割是会遇到困难。在实际的图像中需根据景物条件的不同选择适合的图像分割方法。图像分割为进一步的图像识别、分析和理解奠定了基础。此处主要是对预处理之后的图片进行分割。
特征提取模块33，用于对分割处理后的图像进行特征提取，得到表单页面组件的特征模型。
可以理解的是，我们所研究的图像是各式各样的，如果要利用某种方法将它们区分开，就要通过这些图像所具有的本身特征来识别，而获取这些特征的过程就是特征抽取。在特征抽取中所得到的特征也许对此次识别并不都是有用的，这个时候就要提取有用的特征，这就是特征的选择。特征抽取和选择在图像识别过程中是非常关键的技术之一。此处主要是调用OpenCV相关api对组件图片的特征进行提取和选择，形成组件的特征模型。
分类模块34，用于通过分类器和分类决策，对所述特征模型进行识别，得到所有相关的组件。
其中，所述分类器，是指通过预先训练得到一种识别规则，进而得到一种特征分类；所述分类决策，是指在特征空间中对被识别对象进行分类。
此处的目的就是根据识别规对特征模型则进行识别，调用OpenCV相关api，识别出表单对应的组件模型。
匹配模块35，用于将所有相关的组件匹配组件模型库中的组件，形成表单页面组件集。
Web页面生成模块36，用于根据所述表单页面组件集，生成Web页面。
优选地，所述的基于图像识别的移动建模装置，还包括：
输入模块31，还用于输入组件图片。
其中，组件库的组件是均是已经封装好的HTML组件，需要切图上传到系统进行训练学习，形成组件模型库。
预处理模块32，还用于对所述组件图片进行预处理。
即，调用OpenCV相关api对输入的图片进行预处理，预处理目的是去除干扰、噪声，主要包括灰度化，二值化，增强，复原等。
特征提取模块33，还用于对预处理后的组件图片进行特征提取，形成组件的样本特征模型。
即，调用OpenCV相关api对组件图片的特征进行提取和选择，形成组件的样本特征模型。
关联模块37，还用于对所述样本特征模型和组件库中相关的组件进行关联，形成组件模型库。
实施本实施例能够过输入表单设计效果图进行图像识别快速生成Web页面
第三方面，如图4所示，本发明的又一个实施例提还供一种基于图像识别的移动建模装置，包括：
组件库模块41，封装有基于HTML代码的Web组件；
组件训练模块42，用于对组件进行训练学习，形成组件模型库；
组件识别模块43，用于利用图像识别技术对输入的图片进行图片处理，与组件模型库中的组件进行匹配，识别出表单组件；
Web页面生成模块44，用于根据识别出来的组件，通过HTML模板技术把表单设计效果图转化成Web页面。
本发明的又一个实施例提还供一种基于图像识别的移动建模装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，且所述处理器执行所述计算机程序时实现上述的基于图像识别的移动建模方法。
本发明的又一个实施例提还供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的基于图像识别的移动建模方法。
以上所述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变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (10)
1.一种基于图像识别的移动建模方法，其特征在于，包括：
输入表单设计效果图；
对所述表单设计效果图进行预处理和图像分割；
对分割处理后的图像进行特征提取，得到表单页面组件的特征模型；
通过分类器和分类决策，对所述特征模型进行识别，得到所有相关的组件；
将所有相关的组件匹配组件模型库中的组件，形成表单页面组件集；
根据所述表单页面组件集，生成Web页面。
2.根据权利要求1所述的基于图像识别的移动建模方法，其特征在于，在所述输入表单设计效果图之前，还包括对表单组件进行训练，具体步骤为：
输入组件图片；
对所述组件图片进行预处理；
对预处理后的组件图片进行特征提取，形成组件的样本特征模型；
对所述样本特征模型和组件库中相关的组件进行关联，形成组件模型库。
3.根据权利要求1或2所述的基于图像识别的移动建模方法，其特征在于，所述预处理，是指将原始图像转化为适于计算设备进行特征提取的形式，包括灰度化、二值化、增强和复原。
4.根据权利要求1所述的基于图像识别的移动建模方法，其特征在于，所述图像分割，是指将预处理后的图像分割成互不重叠的、具有各自特征的子区域，每个子区域为像素的一个连续集；其中，所述各自特征包括颜色、形状、灰度和纹理。
5.根据权利要求1所述的基于图像识别的移动建模方法，其特征在于，所述分类器，是指通过预先训练得到一种识别规则，进而得到一种特征分类；所述分类决策，是指在特征空间中对被识别对象进行分类。
6.一种基于图像识别的移动建模装置，其特征在于，包括：
输入模块，用于输入表单设计效果图；
预处理模块，用于对所述表单设计效果图进行预处理和图像分割；
特征提取模块，用于对分割处理后的图像进行特征提取，得到表单页面组件的特征模型；
分类模块，用于通过分类器和分类决策，对所述特征模型进行识别，得到所有相关的组件；
匹配模块，用于将所有相关的组件匹配组件模型库中的组件，形成表单页面组件集；
Web页面生成模块，用于根据所述表单页面组件集，生成Web页面。
7.根据权利要求6所述的基于图像识别的移动建模装置，其特征在于，还包括：
输入模块，还用于输入组件图片；
预处理模块，还用于对所述组件图片进行预处理；
特征提取模块，还用于对预处理后的组件图片进行特征提取，形成组件的样本特征模型；
关联模块，还用于对所述样本特征模型和组件库中相关的组件进行关联，形成组件模型库。
8.一种基于图像识别的移动建模装置，其特征在于，包括：
组件库模块，封装有基于HTML代码的Web组件；
组件训练模块，用于对组件进行训练学习，形成组件模型库；
组件识别模块，用于利用图像识别技术对输入的图片进行图片处理，与组件模型库中的组件进行匹配，识别出表单组件；
Web页面生成模块，用于根据识别出来的组件，通过HTML模板技术把表单设计效果图转化成Web页面。
9.一种基于图像识别的移动建模装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，且所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于图像识别的移动建模方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5任一项所述的基于图像识别的移动建模方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811414855.3A CN109558557A (zh) | 2018-11-23 | 2018-11-23 | 一种基于图像识别的移动建模方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811414855.3A CN109558557A (zh) | 2018-11-23 | 2018-11-23 | 一种基于图像识别的移动建模方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109558557A true CN109558557A (zh) | 2019-04-02 |
Family
ID=65867330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811414855.3A Pending CN109558557A (zh) | 2018-11-23 | 2018-11-23 | 一种基于图像识别的移动建模方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109558557A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442342A (zh) * | 2019-07-25 | 2019-11-12 | 北京金堤科技有限公司 | 界面生成方法、装置、存储介质及计算机设备 |
| CN112328234A (zh) * | 2020-11-02 | 2021-02-05 | 广州博冠信息科技有限公司 | 图像处理方法及装置 |
| CN113298072A (zh) * | 2020-02-21 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 识别设计稿的方法、装置及电子设备 |
| CN116610304A (zh) * | 2023-07-18 | 2023-08-18 | 腾讯科技（深圳）有限公司 | 页面代码生成方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030061228A1 (en) * | 2001-06-08 | 2003-03-27 | The Regents Of The University Of California | Parallel object-oriented decision tree system |
| CN101661512A (zh) * | 2009-09-25 | 2010-03-03 | 万斌 | 一种识别传统表单信息并创建对应Web表单的系统及方法 |
| CN105447616A (zh) * | 2015-05-22 | 2016-03-30 | 京华信息科技股份有限公司 | 基于多维分类和全文检索的知识管理系统 |
| CN105930159A (zh) * | 2016-04-20 | 2016-09-07 | 中山大学 | 一种基于图像的界面代码生成的方法及系统 |
| CN108256588A (zh) * | 2018-02-12 | 2018-07-06 | 兰州工业学院 | 一种几何图像识别特征提取方法及系统 |
-
2018
- 2018-11-23 CN CN201811414855.3A patent/CN109558557A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030061228A1 (en) * | 2001-06-08 | 2003-03-27 | The Regents Of The University Of California | Parallel object-oriented decision tree system |
| CN101661512A (zh) * | 2009-09-25 | 2010-03-03 | 万斌 | 一种识别传统表单信息并创建对应Web表单的系统及方法 |
| CN105447616A (zh) * | 2015-05-22 | 2016-03-30 | 京华信息科技股份有限公司 | 基于多维分类和全文检索的知识管理系统 |
| CN105930159A (zh) * | 2016-04-20 | 2016-09-07 | 中山大学 | 一种基于图像的界面代码生成的方法及系统 |
| CN108256588A (zh) * | 2018-02-12 | 2018-07-06 | 兰州工业学院 | 一种几何图像识别特征提取方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王育坚 等: "《图像处理与三维可视化》", 31 July 2011, 北京邮电大学出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442342A (zh) * | 2019-07-25 | 2019-11-12 | 北京金堤科技有限公司 | 界面生成方法、装置、存储介质及计算机设备 |
| CN110442342B (zh) * | 2019-07-25 | 2020-07-31 | 北京金堤科技有限公司 | 界面生成方法、装置、存储介质及计算机设备 |
| CN113298072A (zh) * | 2020-02-21 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 识别设计稿的方法、装置及电子设备 |
| CN112328234A (zh) * | 2020-11-02 | 2021-02-05 | 广州博冠信息科技有限公司 | 图像处理方法及装置 |
| CN112328234B (zh) * | 2020-11-02 | 2023-12-08 | 广州博冠信息科技有限公司 | 图像处理方法及装置 |
| CN116610304A (zh) * | 2023-07-18 | 2023-08-18 | 腾讯科技（深圳）有限公司 | 页面代码生成方法、装置、设备和存储介质 |
| CN116610304B (zh) * | 2023-07-18 | 2024-01-02 | 腾讯科技（深圳）有限公司 | 页面代码生成方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109558557A (zh) | 一种基于图像识别的移动建模方法、装置及存储介质 | |
| Zhao et al. | Pixelated semantic colorization | |
| Marques | Practical image and video processing using MATLAB | |
| US20230080693A1 (en) | Image processing method, electronic device and readable storage medium | |
| Kim et al. | Bigcolor: Colorization using a generative color prior for natural images | |
| KR102289045B1 (ko) | 멀티 스케일 객체 이미지 복원 방법 및 장치 | |
| Wang et al. | Deep learning-based visual detection of marine organisms: A survey | |
| CN112084859B (zh) | 一种基于稠密边界块和注意力机制的建筑物分割方法 | |
| US11961203B2 (en) | Image processing device and operation method therefor | |
| CN111126115A (zh) | 暴力分拣行为识别方法和装置 | |
| CN108765425A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| CN110046617A (zh) | 一种基于深度学习的数字电表读数自适应识别方法 | |
| CN111583201B (zh) | 一种用于构建超分辨率病理显微镜的迁移学习方法 | |
| CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
| CN113553954A (zh) | 行为识别模型的训练方法及装置、设备、介质和程序产品 | |
| CN114387190A (zh) | 一种基于复杂环境下的自适应图像增强方法及系统 | |
| JP2011170890A (ja) | 顔検出方法および装置並びにプログラム | |
| CN112330562A (zh) | 一种异构遥感图像变换方法及系统 | |
| CN113065407B (zh) | 基于注意力机制和生成对抗网络的财务票据印章擦除方法 | |
| Dherse et al. | Scene relighting with illumination estimation in the latent space on an encoder-decoder scheme | |
| JP2007025766A (ja) | 顔検出方法および装置並びにプログラム | |
| Deng et al. | Colour Variation Minimization Retinex Decomposition and Enhancement with a Multi-Branch Decomposition Network | |
| Stival et al. | Survey on video colorization: Concepts, methods and applications | |
| Salman et al. | Image Enhancement using Convolution Neural Networks | |
| CN112819724B (zh) | 一种基于cnn的扫描文档图像增强方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |