CN109559325A - 基于棋谱rgb图像的围棋棋谱识别方法 - Google Patents

基于棋谱rgb图像的围棋棋谱识别方法 Download PDF

Info

Publication number
CN109559325A
CN109559325A CN201811467679.XA CN201811467679A CN109559325A CN 109559325 A CN109559325 A CN 109559325A CN 201811467679 A CN201811467679 A CN 201811467679A CN 109559325 A CN109559325 A CN 109559325A
Authority
CN
China
Prior art keywords
chessboard
line
chess manual
rgb image
channel
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
Application number
CN201811467679.XA
Other languages
English (en)
Other versions
CN109559325B (zh
Inventor
刘圣军
蔡荣辉
刘新儒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201811467679.XA priority Critical patent/CN109559325B/zh
Publication of CN109559325A publication Critical patent/CN109559325A/zh
Application granted granted Critical
Publication of CN109559325B publication Critical patent/CN109559325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/13—Edge detection
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于棋谱RGB图像的围棋棋谱识别方法，它包括以下步骤：步骤一、输入棋谱RGB图像；步骤二、对RGB图像进行预处理，去除颜色特性的影响、过滤低频信息；步骤三、粗定位棋盘位置，去除无关信息的干扰；步骤四、识别棋盘线，实现棋盘精确定位；步骤五、对棋盘线的交叉点进行搜索，将交叉点标记无子或黑子或白子；步骤六、输出识别结果。与现有技术相比，本发明能够做到不需要人为设定阈值，且能自动判别棋盘路数，对当前移动端主流网络围棋对弈平台棋谱进行跨平台快速准确识别。

Description

基于棋谱RGB图像的围棋棋谱识别方法
技术领域
本发明涉及一种棋谱识别方法，特别是涉及一种基于棋谱RGB图像的围棋棋谱识别方法。
背景技术
移动端网络围棋对弈平台棋谱识别的主要目的是，根据移动端网络围棋对弈图像，识别出围棋棋盘位置及棋子布局，为移动端上跨多对弈平台的围棋学习、落子推荐等提供基础。
现有的移动端网络围棋对弈平台棋谱识别技术，多采用RGB通道的阈值分割算法，只能针对特定的一部分棋盘纹理，无法做到跨多对弈平台识别，对于不同纹理则需要设置不同的阈值，无法做到完全自动化处理。
同时，现有技术只针对19路围棋进行处理，而移动端主流网络围棋对弈平台还提供9路围棋和13路围棋，现有技术无法对这两种路数的围棋棋谱进行正确识别。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种无需人为设定阈值，且能适用于不同路数的基于棋谱RGB图像的围棋棋谱识别方法。
本发明提供的这种基于棋谱RGB图像的围棋棋谱识别方法，它包括以下步骤：
步骤一、输入棋谱RGB图像；
步骤二、对RGB图像进行预处理，去除颜色特性的影响、过滤低频信息；
步骤三、粗定位棋盘位置，去除无关信息的干扰；
步骤四、识别棋盘线，实现棋盘精确定位；
步骤五、对棋盘线的交叉点进行搜索，将交叉点标记无子或黑子或白子；
步骤六、输出识别结果。
在一个具体实施方式方式中，在所述步骤二中：首先将RGB图像转换为HSV通道并提取V通道；然后进行边缘检测，过滤低频信息，突出棋盘线特征；最后对图像进行闭运算。
作为优选，在所述步骤三中：
Ι、提取面积最大的连通域作为初始化候选队列，计算该连通域的最小包围盒坐标；
Ⅱ、然后提取面积第二大的连通域，并计算该连通域的最小包围盒坐标，判断该最小包围盒与面积最大的连通域的最小包围盒是否相交，
如相交则将该连通域加入候选队列并将该连通域从图中剔除，重计算新候选队列的最小包围盒坐标，
如不相交则将该连通域加入预选队列；
Ⅲ、依次提取面积渐减的各连通域，按照Ⅱ中方法判定；
Ⅳ、计算最终候选队列所有连通域以及预选队列中所有连通域组合起来的最小包围盒坐标；输出该图像。
进一步的，在所述步骤三中：判定包围盒A和包围盒B是否相交时，首先选取包围盒A的左上角坐标(x01,y01)，右下角坐标(x02,y02)，再选取包围盒B的左上角和右下角坐标分别(x11,y11)和(x12,y12)；
两包围盒的中心距离为：
两包围盒边长为：
Sax＝|x01-x02|，
Say＝|y01-y02|，
Sbx＝|x11-x12|，
Sby＝|y11-y12|，
若满足关系
则表明两包围盒相交，否则两包围盒不相交。
在一个具体实施方式中，在所述步骤四中：
首先，组合所有连通域得到候选棋盘，将候选棋盘骨架化并将其上的临近线段共线连接，接着从中提取符合直线曲率的轮廓，再将选中的轮廓线延长至包围盒边界，删除重合直线；
其次，定义初始化棋盘路数、估算棋盘线间距、定义平行判别误差，保留满足平行判别误差的线段，并将保留的平行线进行升序排列；
然后，估计候选路数的棋盘线间距，统计最多线段满足的间距，其对应候选路数即为棋盘路数，并根据此路数重计算棋盘线间距，找出两两距离满足棋盘线间距的线段，取中间线段为基线，并定义棋盘间距允许的波动范围，自基线进行搜索，搜索时：
若相邻棋盘线间距高于此范围，则认定中间缺失棋盘线，根据棋盘线间距进行补充，直到下一组相邻棋盘线距离不超过此范围，
若相邻棋盘线间距低于此范围，则认为搜索到的线段为多余线段，将该多余线段剔除，
若相邻棋盘线间距处于此范围之内，则认为搜索到的线段为棋盘线，将其保留；
最后如果已保留的棋盘线个数路数，则在边界之外依棋盘线补充规则进行补充补全边界线，并修生直线毛边。
进一步的，在所述步骤四中：定义初始化棋盘路数为19路，使用候选棋盘包围盒边长计算棋盘线间距，定义平行判别误差为棋盘线间距的5％，设定棋盘间距允许的波动范围为棋盘线间距的0.85—1.15倍。
作为优选，在所述步骤五中：
首先，分别定义初始化黑子阈值、白子阈值和差异阈值；
其次，对每个棋盘线交叉点，统计以交叉点为圆心、棋盘线间隔为直径的圆形范围内的RGB三通道颜色直方图，对于每个通道的直方图，使用自适应阈值分割，得到其主峰颜色值区间，计算该区间颜色均值；
然后，计算通道差异值和通道均值，
如果通道差异值大于差异阈值则该交叉点处无子，
如果通道差异值小于差异阈值，通道均值小于初始化黑子阈值，则该交叉点处有黑子，
如果通道差异值小于差异阈值，通道均值大于初始化黑子阈值和初始化白子阈值，则该交叉点处有白子，
如果通道差异值小于差异阈值，通道均值大于初始化黑子阈值、小于初始化白子阈值，则该交叉点处无子。
进一步的，在所述步骤五中：定义黑子初始化阈值为100，白子初始化阈值为120，差异阈值为30。
进一步的，在所述步骤五中，通道差异值的计算公式为：
通道均值的计算公式为：
其中Rv,Gv,Bv分别为RGB通道的颜色均值。
本发明与现有技术相比，能够做到不需要人为设定阈值，且能自动判别棋盘路数，对当前移动端主流网络围棋对弈平台棋谱进行跨平台快速准确识别。
附图说明
图1为本发明一个优选实施例的整体步骤流程图。
图2为本优选实施例中步骤二的详细流程图。
图3为本优选实施例中步骤三的详细流程图。
图4为本优选实施例中步骤四的详细流程图。
图5为本优选实施例中步骤五的详细流程图。
具体实施方式
如图1所示，本优选实施例包括以下六个步骤：
步骤一、输入棋谱RGB图像；
步骤二、对RGB图像进行预处理，去除颜色特性的影响、过滤低频信息；
步骤三、粗定位棋盘位置，去除无关信息的干扰；
步骤四、识别棋盘线，实现棋盘精确定位；
步骤五、对棋盘线的交叉点进行搜索，将交叉点标记无子或黑子或白子；
步骤六、输出识别结果。
如图2所示，在步骤二中：首先将输入的RGB图像转换为HSV通道并提取V通道，可以排除棋盘颜色特性的影响；然后采用3*3大小的Sobel算子进行边缘检测，过滤低频信息，突出棋盘线特征；最后进行图像闭运算，闭运算能够增强连通性，提高识别准确度。
如图3所示，在步骤三中：
首先提取一个面积最大的连通域作为初始化候选队列，计算该连通域的最小包围盒坐标；
然后提取面积第二大的连通域，并计算该连通域的最小包围盒坐标，判断该最小包围盒与面积最大的连通域的最小包围盒是否相交，判定包围盒A和包围盒B是否相交时，首先选取包围盒A的左上角坐标(x01,y01)，右下角坐标(x02,y02)，再选取包围盒B的左上角和右下角坐标分别(x11,y11)和(x12,y12)；
两包围盒的中心距离为：
两包围盒边长为：
Sax＝|x01-x02|，
Say＝|y01-y02|，
Sbx＝|x11-x12|，
Sby＝|y11-y12|，
若满足关系
则表明两包围盒相交，否则两包围盒不相交；
如相交则将该连通域加入候选队列并将该连通域从图中剔除，重计算新候选队列的最小包围盒坐标，
如不相交则将该连通域加入预选队列；
再依次提取面积渐减的各连通域，按照该方法判定提取的连通域是否与候选队列中的连通域相交；
最后计算最终候选队列所有连通域以及预选队列中所有连通域组合起来的最小包围盒坐标。
本步骤能在保证效率的同时有效解决棋盘被棋子纹理所分割的情况。
如图4所示，在步骤四中：
首先，组合所有连通域得到候选棋盘，将候选棋盘骨架化，骨架化候选棋盘使线段厚度为1，方便使用首末坐标表示线段，并将其上的临近线段共线连接以降低计算量，接着从中提取符合直线曲率的轮廓，再将选中的轮廓线延长至包围盒边界，删除重合直线；
其次，定义初始化棋盘路数为19路，使用候选棋盘包围盒边长计算棋盘线间距，定义平行判别误差为棋盘线间距的5％，即认为首末列(行)坐标之差满足平行判别误差的行(列)线为平行线，否则认为不是平行线，仅保留平行线，并将保留的平行线进行升序排列，方便后续两两相邻比较；
然后，估计候选路数的棋盘线间距，统计最多线段满足的间距，其对应候选路数即为棋盘路数，并根据此路数重计算棋盘线间距，找出两两距离满足棋盘线间距的线段，取中间线段为基线，并定义棋盘间距允许的波动范围，设定棋盘间距允许的波动范围为棋盘线间距的0.85—1.15倍，自基线进行搜索，搜索时：
若相邻棋盘线间距高于此范围，则认定中间缺失棋盘线，根据棋盘线间距进行补充，直到下一组相邻棋盘线距离不超过此范围，
若相邻棋盘线间距低于此范围，则认为搜索到的线段为多余线段，将该多余线段剔除，
若相邻棋盘线间距处于此范围之内，则认为搜索到的线段为棋盘线，将其保留；
最后如果已保留的棋盘线个数路数，则在边界之外依棋盘线补充规则进行补充补全边界线，由于外边界花纹等情况，往往会出现棋盘线边界小于候选棋盘包围盒边界的结果，所以调整棋盘边界，将其缩小为棋盘线边界。
如图5所示，在步骤五中：
首先，分别定义黑子初始化阈值为100、白子初始化阈值120和差异阈值为30；
其次，对每个棋盘线交叉点，统计以交叉点为圆心、棋盘线间隔为直径的圆形范围内的RGB三通道颜色直方图，对于每个通道的直方图，使用自适应阈值分割，得到其主峰颜色值区间，计算该区间颜色均值，并计算通道差异值和通道均值，
通道差异值的计算公式为：
通道均值的计算公式为：
其中Rv,Gv,Bv分别为RGB通道的颜色均值；
再将通道差异值和通道均值与定义的阈值进行对比即可判定交叉点处状态，
如果通道差异值大于差异阈值则该交叉点处无子，
如果通道差异值小于差异阈值，通道均值小于初始化黑子阈值，则该交叉点处有黑子，
如果通道差异值小于差异阈值，通道均值大于初始化黑子阈值和初始化白子阈值，则该交叉点处有白子，
如果通道差异值小于差异阈值，通道均值大于初始化黑子阈值、小于初始化白子阈值，则该交叉点处无子。
至此棋谱识别完成。
相对于现有技术，能够在保证快速的前提下做到对移动端主流网络围棋对弈平台棋谱的有效识别。对于总共500个来自移动端主流网络围棋对弈平台的截图样本，15种不同的棋盘棋子纹理，均能在1.5秒内得出识别结果。本方案所使用的阈值极为宽松，对于上述不同平台、不同纹理、不同移动端分辨率的对弈截图，无需手动调整阈值，准确率高达100％。

Claims (9)

1.一种基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，它包括以下步骤：
步骤一、输入棋谱RGB图像；
步骤二、对RGB图像进行预处理，去除颜色特性的影响、过滤低频信息；
步骤三、粗定位棋盘位置，去除无关信息的干扰；
步骤四、识别棋盘线，实现棋盘精确定位；
步骤五、对棋盘线的交叉点进行搜索，将交叉点标记无子或黑子或白子；
步骤六、输出识别结果。
2.如权利要求1所述的基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，在所述步骤二中：首先将RGB图像转换为HSV通道并提取V通道；然后进行边缘检测，过滤低频信息，突出棋盘线特征；最后对图像进行闭运算。
3.如权利要求1所述的基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，在所述步骤三中：
Ι、提取面积最大的连通域作为初始化候选队列，计算该连通域的最小包围盒坐标；
Ⅱ、然后提取面积第二大的连通域，并计算该连通域的最小包围盒坐标，判断该最小包围盒与面积最大的连通域的最小包围盒是否相交，
如相交则将该连通域加入候选队列并将该连通域从图中剔除，重计算新候选队列的最小包围盒坐标，
如不相交则将该连通域加入预选队列；
Ⅲ、依次提取面积渐减的各连通域，按照Ⅱ中方法判定；
Ⅳ、计算最终候选队列所有连通域以及预选队列中所有连通域组合起来的最小包围盒坐标；输出该图像。
4.如权利要求3所述的基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，在所述步骤三中：判定包围盒A和包围盒B是否相交时，首先选取包围盒A的左上角坐标(x01,y01)，右下角坐标(x02,y02)，再选取包围盒B的左上角和右下角坐标分别(x11,y11)和(x12,y12)；
两包围盒的中心距离为：
两包围盒边长为：
Sax＝|x01-x02|，
Say＝|y01-y02|，
Sbx＝|x11-x12|，
Sby＝|y11-y12|，
若满足关系
则表明两包围盒相交，否则两包围盒不相交。
5.如权利要求1所述的基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，在所述步骤四中：
首先，组合所有连通域得到候选棋盘，将候选棋盘骨架化并将其上的临近线段共线连接，接着从中提取符合直线曲率的轮廓，再将选中的轮廓线延长至包围盒边界，删除重合直线；
其次，定义初始化棋盘路数、估算棋盘线间距、定义平行判别误差，保留满足平行判别误差的线段，并将保留的平行线进行升序排列；
然后，估计候选路数的棋盘线间距，统计最多线段满足的间距，其对应候选路数即为棋盘路数，并根据此路数重计算棋盘线间距，找出两两距离满足棋盘线间距的线段，取中间线段为基线，并定义棋盘间距允许的波动范围，自基线进行搜索，搜索时：
若相邻棋盘线间距高于此范围，则认定中间缺失棋盘线，根据棋盘线间距进行补充，直到下一组相邻棋盘线距离不超过此范围，
若相邻棋盘线间距低于此范围，则认为搜索到的线段为多余线段，将该多余线段剔除，
若相邻棋盘线间距处于此范围之内，则认为搜索到的线段为棋盘线，将其保留；
最后，如果已保留的棋盘线个数路数，则在边界之外依棋盘线补充规则进行补充补全边界线，并修生直线毛边。
6.如权利要求5所述的基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，在所述步骤四中：定义初始化棋盘路数为19路，使用候选棋盘包围盒边长计算棋盘线间距，定义平行判别误差为棋盘线间距的5％，设定棋盘间距允许的波动范围为棋盘线间距的0.85—1.15倍。
7.如权利要求1所述的基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，在所述步骤五中：
首先，分别定义初始化黑子阈值、白子阈值和差异阈值；
其次，对每个棋盘线交叉点，统计以交叉点为圆心、棋盘线间隔为直径的圆形范围内的RGB三通道颜色直方图，对于每个通道的直方图，使用自适应阈值分割，得到其主峰颜色值区间，计算该区间颜色均值；
然后，计算通道差异值和通道均值，
如果通道差异值大于差异阈值则该交叉点处无子，
如果通道差异值小于差异阈值，通道均值小于初始化黑子阈值，则该交叉点处有黑子，
如果通道差异值小于差异阈值，通道均值大于初始化黑子阈值和初始化白子阈值，则该交叉点处有白子，
如果通道差异值小于差异阈值，通道均值大于初始化黑子阈值、小于初始化白子阈值，则该交叉点处无子。
8.如权利要求7所述的基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，在所述步骤五中：定义黑子初始化阈值为100，白子初始化阈值为120，差异阈值为30。
9.如权利要求7所述的基于棋谱RGB图像的围棋棋谱识别方法，其特征在于，在所述步骤五中，通道差异值的计算公式为：
通道均值的计算公式为：
其中Rv,Gv,Bv分别为RGB通道的颜色均值。
CN201811467679.XA 2018-12-03 2018-12-03 基于棋谱rgb图像的围棋棋谱识别方法 Active CN109559325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811467679.XA CN109559325B (zh) 2018-12-03 2018-12-03 基于棋谱rgb图像的围棋棋谱识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811467679.XA CN109559325B (zh) 2018-12-03 2018-12-03 基于棋谱rgb图像的围棋棋谱识别方法

Publications (2)

Publication Number Publication Date
CN109559325A true CN109559325A (zh) 2019-04-02
CN109559325B CN109559325B (zh) 2021-02-02

Family

ID=65868528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811467679.XA Active CN109559325B (zh) 2018-12-03 2018-12-03 基于棋谱rgb图像的围棋棋谱识别方法

Country Status (1)

Country Link
CN (1) CN109559325B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765379A (zh) * 2020-08-01 2021-05-07 李瑞军 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750538A (zh) * 2012-05-16 2012-10-24 南京大学 一种基于图像处理技术的围棋比赛结果分析方法
CN104091324A (zh) * 2014-06-16 2014-10-08 华南理工大学 一种基于连通域分割的棋盘格图像快速特征匹配算法
CN105205447A (zh) * 2015-08-22 2015-12-30 周立人 基于围棋图像的围棋识别方法以及棋盘
CN105701496A (zh) * 2016-01-12 2016-06-22 北京万同科技有限公司 一种基于人工智能技术的围棋盘面识别方法
CN105844636A (zh) * 2016-03-21 2016-08-10 曾庆长 一种基于图像识别模式的围棋自动数目方法
CN107730522A (zh) * 2017-10-12 2018-02-23 中科视拓（北京）科技有限公司 一种基于图像的围棋棋谱识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750538A (zh) * 2012-05-16 2012-10-24 南京大学 一种基于图像处理技术的围棋比赛结果分析方法
CN104091324A (zh) * 2014-06-16 2014-10-08 华南理工大学 一种基于连通域分割的棋盘格图像快速特征匹配算法
CN105205447A (zh) * 2015-08-22 2015-12-30 周立人 基于围棋图像的围棋识别方法以及棋盘
CN105701496A (zh) * 2016-01-12 2016-06-22 北京万同科技有限公司 一种基于人工智能技术的围棋盘面识别方法
CN105844636A (zh) * 2016-03-21 2016-08-10 曾庆长 一种基于图像识别模式的围棋自动数目方法
CN107730522A (zh) * 2017-10-12 2018-02-23 中科视拓（北京）科技有限公司 一种基于图像的围棋棋谱识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765379A (zh) * 2020-08-01 2021-05-07 李瑞军 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备
CN112765379B (zh) * 2020-08-01 2023-09-22 李瑞军 中国象棋棋局解析和棋谱搜索的方法、装置和电子设备

Also Published As

Publication number Publication date
CN109559325B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN105844655B (zh) 一种激光线条纹边缘提取方法
CN108009591A (zh) 一种基于深度学习的接触网关键部件识别方法
CN107506701B (zh) 一种基于视频识别技术的围棋自动记谱方法
CN106875412B (zh) 一种两个重叠果实的分割定位方法
CN105956544B (zh) 一种基于结构指数特征的遥感影像道路交叉口提取的方法
CN106384117A (zh) 一种车辆颜色识别方法及装置
CN101114337A (zh) 一种地面建筑物识别定位方法
CN106097354A (zh) 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法
CN103440629A (zh) 激光标记自动跟踪的视频引伸计的数字图像处理方法
CN109872287B (zh) Sem图像轮廓线图的修正方法
CN115690012A (zh) 一种电能表接错线的检测方法
CN106504247A (zh) 一种基于可见光图像的绝缘子串爆片自动检测方法及装置
CN109559325A (zh) 基于棋谱rgb图像的围棋棋谱识别方法
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法
CN102938074B (zh) 体育直播虚拟广告系统中羽毛球或网球场地的自适应提取方法
CN106558044A (zh) 影像模组的解像力测量方法
CN107038401A (zh) 一种嘴唇轮廓的分割及特征提取方法
CN107657620A (zh) 一种带纹理的金属凝固区域识别的方法及系统
CN104299234B (zh) 视频数据中雨场去除的方法和系统
CN113362274B (zh) 一种雨量监测计算方法
CN105894501B (zh) 一种高分辨率遥感图像单木探测和树冠描绘方法
CN114241436A (zh) 一种改进色彩空间和搜索窗口的车道线检测方法及系统
CN106504279B (zh) 彩色图像自动聚焦方法
CN115601358B (zh) 一种自然光环境下的舌象图像分割方法
CN107871317A (zh) 一种基于图像处理技术的砂浆饱满度检测方法

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