CN109858409A - 手工图转换方法、装置、设备及介质 - Google Patents
手工图转换方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109858409A CN109858409A CN201910047035.3A CN201910047035A CN109858409A CN 109858409 A CN109858409 A CN 109858409A CN 201910047035 A CN201910047035 A CN 201910047035A CN 109858409 A CN109858409 A CN 109858409A
- Authority
- CN
- China
- Prior art keywords
- feature
- obtains
- station location
- location marker
- fundamental
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 79
- 239000003550 marker Substances 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Abstract
本发明公开一种手工图转换方法、装置、设备及介质,该方法包括获取客户端发送的规范手工图,规范手工图包含基本图形和基本图形中的文字数据,每一基本图形对应一位置标识;采用边缘检测算法对基本图形进行检测,获取与位置标识对应的轮廓边缘点;采用特征提取算法对轮廓边缘点进行特征提取,获取与位置标识对应的图像形状特征;将每一图像形状特征与图形库中每一标准图形特征进行匹配,将匹配成功的标准图形特征对应的标准图形作为与位置标识对应的目标图形;采用文字识别算法对基本图形中的文字数据进行识别,获取与位置标识对应的目标文字;基于每一位置标识对应的目标图形和目标文字,构建目标电子图,以解决手工图转换效率低下的问题。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种手工图转换方法、装置、设备及介质。
背景技术
目前,很多画图软件在不同设备上的使用体验并不友好,普通客户经常在熟悉画图软件上,需要花费很多时间学习,难以在较短时间内获得到自己满意的流程图。通过将手工画的流程图进行扫描,以获得相应的电子图,但是进行扫描后的电子图无法进行修改和调整,从而导致手工图转换成电子图的转换效率低下。
发明内容
本发明实施例提供一种手工图转换方法、装置、设备及介质,以解决手工图转换效率低下的问题。
一种手工图转换方法,包括:
获取客户端发送的规范手工图,所述规范手工图包含至少一个基本图形和所述基本图形中的文字数据,每一所述基本图形对应一位置标识;
采用边缘检测算法对至少一个所述基本图形进行检测,获取与每一所述位置标识对应的轮廓边缘点;
采用特征提取算法对所述轮廓边缘点进行特征提取,获取与每一所述位置标识对应的图像形状特征;
将每一所述图像形状特征与图形库中每一标准图形特征进行匹配,将匹配成功的标准图形特征对应的标准图形作为与所述位置标识对应的目标图形;
采用文字识别算法对所述基本图形中的文字数据进行识别,获取与所述位置标识对应的目标文字;
基于每一所述位置标识对应的目标图形和目标文字,构建目标电子图。
一种手工图转换装置,包括:
手工图获取模块,用于获取客户端发送的规范手工图,所述规范手工图包含至少一个基本图形和所述基本图形中的文字数据,每一所述基本图形对应一位置标识;
轮廓边缘点获取模块,用于采用边缘检测算法对至少一个所述基本图形进行检测,获取与每一所述位置标识对应的轮廓边缘点;
图像形状特征获取模块,用于采用特征提取算法对所述轮廓边缘点进行特征提取,获取与每一所述位置标识对应的图像形状特征;
目标图形获取模块,用于将每一所述图像形状特征与图形库中每一标准图形特征进行匹配,将匹配成功的标准图形特征对应的标准图形作为与所述位置标识对应的目标图形;
目标文字获取模块,用于采用文字识别算法对所述基本图形中的文字数据进行识别,获取与所述位置标识对应的目标文字;
目标电子图构建模块,用于基于每一所述位置标识对应的目标图形和目标文字,构建目标电子图。
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上述手工图转换方法的步骤。
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上述手工图转换方法的步骤。
上述提供一种手工图转换方法、装置、设备及介质,采用边缘检测算法对客户端发送的规范手工图中基本图形进行检测,获取与对应的轮廓边缘点,确定基本图形的灰度值变化最剧烈的点,便于后续特征提取。采用特征提取算法对轮廓边缘点进行特征提取,获取对应的图像形状特征,以实现通过图像形状特征描述基本图形的轮廓。将每一图像形状特征与图形库中每一标准图形特征进行匹配,以快速获取到对应的目标图形,减少转换时间。采用文字识别算法对基本图形中的文字数据进行识别,快速获取对应的目标文字,使得获取到的目标文字更加准确率。根据每一位置标识对应的目标图形和目标文字,构建目标电子图,提高转换精确度,进一步提高手工图转换效率。
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是本发明一实施例中手工图转换方法的应用环境示意图;
图2是本发明一实施例中手工图转换方法的流程图;
图3是本发明一实施例中手工图转换方法的流程图;
图4是本发明一实施例中手工图转换方法的流程图;
图5是本发明一实施例中手工图转换方法的流程图;
图6是本发明一实施例中手工图转换方法的流程图;
图7是本发明一实施例中手工图转换装置的原理框图;
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结和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。
本发明实施例提供的手工图转换方法,可应用在如图1的应用环境中,该手工图转换方法应用在流程图转换系统中,该流程图转换系统包括客户端和服务端,其中,客户端通过网络与服务端进行通信。服务端采用特征提取算法对客户端发送的规范手工图进行特征提取,获取图像形状特征,通过图像形状特征快速确定规范手工图中基本图形对应的目标图形,以提高流程图转换效率;采用文字识别算法对基本图形中的文字数据进行识别,以快速获取目标文字,以提高流程图转换效率,对目标图形和目标文字进行排版,以获取目标电子图,实现流程图的转换。其中,客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务端或者是多个服务端组成的服务端集群来实现。
在一实施例中,如图2所示,提供一种手工图转换方法,以该方法应用在图1中的服务端为例进行说明,具体包括如下步骤:
S10:获取客户端发送的规范手工图,规范手工图包含至少一个基本图形和基本图形中的文字数据,每一基本图形对应一位置标识。
其中,规范手工图是指客户根据符合转换规则手工画的图。其中,规范具体是指手工画的基本图为规定的形状。基本图形是指构成流程图或思维导图的基本形状,例如,矩形、圆形、菱形、直线和箭头等。文字数据是指客户填写在基本图形中的文字。位置标识是根据规范手工图中每一基本图形的相对位置对应的标识,根据位置标识可确定每一基本图形对应的相对位置。
具体地,客户根据预设的规范手工画出流程图,以获取到规范手工图,并将需要转换成电子流程图的规范手工图通过拍照等方式发送给服务端,以使服务端获取规范手工图。其中,规范手工图中包含至少一个基本图形和基本图形中的文字数据,并确定每一基本图形对应的位置标识。通过获取规范手工图,以便后续对规范手工图进行转换,提高流程图转换的准确率。
S20:采用边缘检测算法对至少一个基本图形进行检测,获取与每一位置标识对应的轮廓边缘点。
其中,边缘是基本图形与背景的分界线。轮廓边缘点是指图像灰度值变化最剧烈的点,即在分界线上的点。
具体地,服务端将获取到的至少一个基本图形,采用边缘检测算法进行检测,获取到每一位置标识对应的轮廓边缘点,即与每一基本图形对应的轮廓边缘点。其中,边缘检测算法可以是,但不局限于Robert、Sobel、Log和Canny等算法。本实施例中,具体采用Canny算法,Canny算法主要是找到一个最优的边缘检测算法,通过Canny算法尽可能准确地捕获基本图形中尽可能多的边缘,并将检测到的边缘精确定位于真实边缘的中心,以获取到轮廓边缘点,实现方法简单快速。通过获取基本图形对应轮廓边缘点,以便后续的特征提取。
S30:采用特征提取算法对轮廓边缘点进行特征提取,获取与每一位置标识对应的图像形状特征。
其中,图像形状特征是指表征基本图形的的特征。
具体地,服务端获取每一位置标识对应的轮廓边缘点,采用特征提取算法对每一轮廓边缘点进行特征提取,获取与每一位置标识对应的图像形状特征。其中,特征提取算法包含,但不局限于傅里叶描述子算法,傅里叶描述子算法是一种基于频域变换的形状表示算法,对于轨迹曲线特征有很强的描述和识别的能力。通过傅里叶描述子算法对每一轮廓边缘点进行特征提取,以获取基本图形对应的图像形状特征,使得获取到图像形状特征的更加精准。
S40:将每一图像形状特征与图形库中每一标准图形特征进行匹配,将匹配成功的标准图形特征对应的标准图形作为与位置标识对应的目标图形。
其中,标准图形是指预先配置在图形库中,可用于构建流程图的图形。标准图形特征是指采用特征提取算法提取的与标准图形对应的特征。
具体地,服务端通过网络与图形库连接,图形库中存储有标准图形和标准图形对应的标准图形特征。服务端将每一图像形状特征与图形库中每一标准图形特征进行匹配,具体可采用相似度计算算法计算每一图像形状特征与图形库中每一标准图形特征的相似度,若相似度大于预设阈值,则图像形状特征与标准图形特征匹配成功,将匹配成功的标准图形特征对应的标准图形作为与图像形状特征对应的目标图形,即作为与位置标识对应的目标图形。其中,规范手工图中所描述的图形为图形库中所包含的图形,将规范手工图对应的每一图像形状特征与图形库中每一标准图形特征进行匹配,获取匹配成功的标准图形特征,并根据标准图形特征查找图形库,获取与该标准图形特征对应的标准图形,并将该标准图形作为图像形状特征对应的图形,将标准图形与图像形状特征点对应的位置标识进行关联,以便后续根据标准图形和位置标识构建流程图。
进一步地,相似度计算算法包括但不局限于余弦相似度算法,具体可由以下公式进行判定:S为相似度,Ai为图像形状特征,Bi为标准图形特征,i为第i维特征,n为维度数量。由上式可知,相似度范围从-1到1,其中-1表示两个向量方向相反,1表示两个向量指向相同;0表示两个向量是独立的。在-1和1之间表示两个向量之间的相似性或相异性,可以理解地,相似度越接近1表示两个向量越接近。
S50:采用文字识别算法对基本图形中的文字数据进行识别,获取与位置标识对应的目标文字。
其中,文字识别算法是通过字典高速地识别数字、英文符号或汉字等内容的算法。文字识别算法实际上是解决文字的分类问题,通常通过特征提取及特征匹配的方法来获取到对应的文字。
具体地,采用文字识别算法对基本图形中的文字数据进行识别,具体包括如下步骤:(1)对基本图形进行二值化和去噪处理,获得目标图像,基本图形中包含文字数据。其中,对基本图形二值化处理,以减少目标图像的复杂度和信息处理量,以突出目标图像中的文字数据;对基本图形进行去噪处理,提高目标图像的质量和清晰度。(2)采用特征提取算法提取目标图像中的特征。本实施例中,特征提取算法为卷积神经网络(ConvolutionalNeural Network,简称CNN)算法,卷积神经网络算法以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性。(3)将特征输入至长短时记忆神经网络模型,对目标图像进行分类,获取目标分类结果。其中,目标分类结果是指目标图像在长短时记忆神经网络模型中进行分类后文字数据分类概率的结果,具体是将最大概率的分类结果作为目标分类结果。长短时记忆神经网络(Long Short-Term Memory,简称LSTM),LSTM模型是一种时间递归神经网络模型,具有时间记忆功能,适合于处理和预测具有时序状态的事件,且可以处理时间序列间隔和延迟相对较长的重要事件。采用LSTM模型对目标图像进行分类,依据LSTM模型长时记忆能力以及可识别时序状态的功能,可以减少系统学习时间上的差别。(4)由于文本中文字有先后顺序,根据目标分类结果确定目标图像对应的识别结果,基于识别结果查询预先配置的语义库,获取与文字数据相对应的目标文字。其中,识别结果是指根据目标分类结果确定的目标图像被识别的最大概率。预先配置的语义库是指预先设置好的基于词频描述中文词语间语义关系的词库。通过目标图像被识别的最大概率查询预先配置的语义库,根据语义库中常用的语义关系,确定与位置标识对应的目标文字,以提高目标文字的准确度。
S60:基于每一位置标识对应的目标图形和目标文字,构建目标电子图。
其中,目标电子图是指对规范手工图进行识别重建,所获取到的电子图。目标电子图与规范手工图相对应,例如,规范手工图为思维导图,那么对规范手工图进行识别重建后所获取到的目标电子图也为思维导图;规范手工图为流程图,那么对规范手工图进行识别重建后所获取到的目标电子图也为流程图。
具体地,基于每一与位置标识对应的目标图形和目标文字,并根据每一位置标识确定每一目标图形的相对位置,将目标文字填充至对应的目标图形中,以构建目标电子图。可以理解地,位置标识为每一目标图形中心坐标点的位置,根据中心坐标点确定每一目标图形对应的先后顺序和方向,根据每一目标图形的顺序和方向构建目标电子图,并将目标填充到目标图形中,以获取到目标流程图。
步骤S10-S60中,采用边缘检测算法对客户端发送的规范手工图中基本图形进行检测,获取与对应的轮廓边缘点,确定基本图形的灰度值变化最剧烈的点,便于后续特征提取。采用特征提取算法对轮廓边缘点进行特征提取,获取对应的图像形状特征,以实现通过图像形状特征描述基本图形的轮廓。将每一图像形状特征与图形库中每一标准图形特征进行匹配,以快速获取到对应的目标图形,减少转换时间。采用文字识别算法对基本图形中的文字数据进行识别,快速获取对应的目标文字,使得获取到的目标文字更加准确率。根据每一位置标识对应的目标图形和目标文字,构建目标电子图,提高转换精确度,进一步提高手工图转换效率。
在一实施例中,如图3所示,步骤S20,即采用边缘检测算法对至少一个基本图形进行检测,获取与每一位置标识对应的轮廓边缘点,具体包括如下步骤:
S21:对至少一个基本图形进行去噪处理,获取平滑图像。
其中,平滑图像是指对基本图形进行去噪处理后,便于轮廓边缘点提取的图像。
具体地,规范手工图是客户对手工图进行拍摄后,基于客户端发送给服务端的图。在拍摄过程中,由于拍摄角度和相机焦距等问题导致拍摄的规范手工图比较模糊,或者,拍摄的规范手工图可能会有折痕或污点等,使得服务端获取到每一基本图形中包含有噪声,其中,主要的噪声有高斯噪声、瑞利噪声、伽马噪声和椒盐噪声等。在本实施例中,将获取到的至少一个基本图形,采用滤波算法对基本图形进行去噪处理,滤波算法包括,但不局限于均值滤波算法、中值滤波、维纳滤波(wiener filtering)和高斯滤波(Gauss filter)等。本实施例中,具体采用高斯滤波算法对至少一个基本图形进行去噪处理,获取平滑图像。其中,高斯滤波是一种线性滤波器,能够有效的抑制噪声,获取平滑图像。
进一步地,对至少一个基本图形进行去噪处理之前,还包括,对规范手工图进行图像二值化处理,获取二值化图像,以便对后续进行滤波,减少图像的复杂度和信息处理量。其中,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,也就是将整个图像呈现出明显的黑白效果。二值化图像是指经过二值化处理之后的图像。
S22:采用一阶偏导的有限差分进行边缘化检测,获取与每一平滑图像中像素点对应的梯度值和梯度方向。
具体地,用一阶偏导的有效差分计算梯度的幅值和方向,首先采用高斯模板,例如2*2的大小的模板作为对x方向和y方向的上的一阶导数,从而求得平滑图像的全局梯度值和梯度方向。例如,由此获取梯度值为G为梯度强度,M是指x方向的梯度强度,N是指y方向的梯度强度,梯度方向为
S23:对每一梯度值进行非极大值抑制处理,获取初始边缘点。
具体地,服务端获取每一像素点对应的梯度值,对每一像素点对应的梯度值,进行非极大值抑制处理,获取初始边缘点。其中,非极大值抑制的基本思想是:像素点的梯度值和沿着梯度线的两个点(同方向的两个点)作比较,如果该点的梯度值不比这两个点的梯度值更大,则将这两点中的较大梯度值设为此像素点的梯度值,否则,此像素点的梯度值保持不变,这样实现此像素点的梯度值是其梯度方向上最大的梯度值。通过非极大值抑制处理,保留梯度值中的最大值,获取初始边缘点,获取方法简单。
S24:采用双阈值算法对初始边缘点进行处理,获取与初始边缘点对应的轮廓边缘点,作为与每一位置标识对应的轮廓边缘点。
具体地,初始边缘点会存在一些由于噪声和颜色变化引起的边缘像素点,通过双阈值算法对初始边缘点进行处理,去除由于噪声和颜色变化引起的边缘像素点等,获取与初始边缘点对应的轮廓边缘点,作为与每一位置标识对应的轮廓边缘点。可以理解地,预设高阈值和低阈值,将初始边缘点的梯度值与高阈值和低阈值进行比较,若初始边缘点的梯度值高于高阈值,则将其标记为强边缘点;若初始边缘点的梯度值小于高阈值且大于低阈值,则将其标记为弱边缘点;初始边缘点的梯度值小于低阈值,则会被抑制,即灰度值置0;根据强边缘点和弱边缘点,以获取到与初始边缘点对应的轮廓边缘点。通过高阈值使得需要提取的基本图形轮廓与背景区分开,获取到强边缘点形成的基本图形的轮廓边缘点,通过低阈值是用来平滑基本图形的轮廓边缘,获取到弱边缘点形成的平滑的基本图形的轮廓边缘点,作为每一位置标识对应的轮廓边缘点。通过设置低阈值,避免高阈值设置太大,导致边缘轮廓不连续或者不够平滑,通过低阈值来平滑轮廓线,使得不连续的部分连接起来。
步骤S21-S24中,对基本图形进行去噪处理,能够有效的抑制噪声,获取平滑图像。采用一阶偏导的有限差分进行边缘化检测,获取与每一平滑图像中像素点对应的梯度值和梯度方向,获取全局的梯度值;对每一梯度值进行非极大值抑制处理,获取初始边缘点,以寻找像素点局部最大值,初步确定基本图形的轮廓边缘点。采用双阈值算法对初始边缘点进行处理,获取与初始边缘点对应的轮廓边缘点,使得轮廓边缘点更加精准。
在一实施例中,如图4所示,步骤S30中,即采用特征提取算法对轮廓边缘点进行特征提取,获取与每一位置标识对应的图像形状特征,具体包括如下步骤:
S31:采用闭合曲线检测算法对轮廓边缘点进行检测,获取检测结果。
具体地,采用闭合曲线检测算法对轮廓边缘点进行检测,获取检测结果,其中,检测结果包括轮廓边缘点能够构成闭合曲线,轮廓边缘点构成非闭合曲线,轮廓边缘点构成干扰曲线,具体包括如下步骤:
(1)设定构成闭合曲线所包含的最少点数N,如果少于N则认定其为干扰曲线。在本实施例中,需要将干扰曲线进行过滤处理。
(2)对图像中的边缘点进行遍历,将首先遍历到的点假定为轮廓的起始点,建立轮廓点集合P,添加起始点到集合P中。
(3)确定轮廓搜索顺序,按照搜索顺序对当前点的八邻域像素点进行搜索,其中,八邻域,即八连通区域,是指对应位置的上、下、左、右、左上、右上、左下和右下,是紧邻的位置和斜向相邻的位置,共8个方向,所以称之为八连通区域或八邻域。
(4)如果该点非边缘点,则将该点添加其到集合P,然后将该点更新为新的起始点,并重复执行步骤(2),直至边缘点遍历完成,获取终点。
(5)若起止点的距离于终点的距离为1,且轮廓点数不小于N,获取检测结果,检测结果为通过集合P中的轮廓边缘点的点形成闭合曲线。
(6)若起止点的距离于终点的距离不为1,且轮廓点数不小于N,获取检测结果,检测结果为轮廓边缘点形成非闭合曲线。
通过步骤(1)至步骤(6)对每一位置标识对应的轮廓边缘点进行检测,以获取检测结果。其中,形成闭合曲线的基本图形为正方形、菱形和圆形等;形成非闭合曲线的基本图形为直线、曲线和箭头等。
S32:若检测结果为能形成闭合曲线,则获取形成闭合曲线的轮廓边缘点,根据闭合曲线上的每一轮廓边缘点,获取傅里叶描述子。
具体地,若检测结果为能形成闭合曲线,获取形成闭合曲线的每一边缘点,假设形成闭合曲线有N个坐标点,假设P0,P1,P2,...,PN-1封闭曲线上的点,以P0为起始点,PN-1为结束点(P0=PN-1),以顺时针方向经过P0(x(0),y(0)),P1(x(1),y(1)),...,PN-1((x(N-1),y(N-1))后可回到原始位置,并可反复循环。设x(k)=xk,y(k)=yk,所以一条封闭曲线的边界点可表示为Z(k)=(x(k),(k));k=0,1,...,N-1。每一个坐标又可以处理成复数的形式:Z(k)的傅里叶级数表达式为:其中,L为封闭曲线的周长,Z(k)为轮廓边缘点的傅里叶描述子。
S33:对傅里叶描述子进行逆变换,获取傅里叶系数。
具体地,对进行逆变换,获取傅里叶系数为
S34:选取一定数量的傅里叶系数,进行归一化处理,获取形成闭合曲线的轮廓边缘点对应的图像形状特征,作为与每一位置标识对应的图像形状特征。
具体地,傅里叶系数的各项系数Cn为复数,模向量C=(||c1||,||c2||,...,||ck||),研究表明,向量C与形状的旋转、尺寸、方向和选择的起始点有关。为了使其具有旋转、平移和缩放不变性,则获取一定数量的傅里叶系数,并对一定数量的傅里叶系数进行归一化处理,归一化后的傅里叶描述子d(i)具有旋转、平移和缩放不变性且与曲线的起点选择无关,归一化后的傅里叶描述子d(i)定义为:获取形成闭合曲线的轮廓边缘点对应的图像形状特征,即d(i),作为与每一位置标识对应的图像形状特征。
步骤S31-S34中,采用闭合曲线检测算法对轮廓边缘点进行检测,以实现是否能形成闭合曲线的判定。若能形成闭合曲线,则根据闭合曲线上的每一轮廓边缘点,获取傅里叶描述子,以实现将图像灰度分布函数转换成图像到的频率分布函数。对傅里叶描述子进行逆变换,获取傅里叶系数;选取一定数量的傅里叶系数,进行归一化处理,获取形成闭合曲线的轮廓边缘点对应的图像形状特征,以实现提取基本图形的图像形状特征,通过图像形状特征来表征该基本图形,便于后续处理。
在一实施例中,在步骤S31之后,即在采用闭合曲线检测算法对轮廓边缘点进行检测,获取检测结果的步骤之后,手工图转换方法还包括:
若检测结果为形成非闭合曲线,则对轮廓边缘点进行曲线拟合,以形成闭合曲线,执行获取形成闭合曲线的轮廓边缘点,根据闭合曲线上的每一轮廓边缘点,获取傅里叶描述子的步骤。
具体地,服务端获取到检测结果,当检测结果为轮廓边缘点形成非闭合曲线,则对形成非闭合曲线的轮廓边缘点进行曲线拟合,以形成闭合曲线,并执行获取形成闭合曲线的轮廓边缘点,根据闭合曲线上的每一轮廓边缘点,获取傅里叶描述子的步骤。具体可采用Matlab对形成非闭合曲线的轮廓边缘点进行曲线拟合,以形成闭合曲线。通过将非闭合曲线拟合成闭合曲线,以通过傅里叶描述子算法提取非闭合曲线的图像形状特征。
在一实施例中,如图5所示,在步骤S40之前,即在将每一图像形状特征与图形库中每一标准图形特征进行匹配的步骤之前,手工图转换方法还包括如下步骤:
S401:获取图形配置请求,图形配置请求包括标准图形。
其中,图形配置请求是指客户基于客户端发送的用于进行图形库配置的请求。
具体地,服务端获取客户端发送的图形配置请求,其中,图形配置请求中包括标准图形。其中,标准图形包含可形成电子流程图和思维导图的所有基本图形,还包括连接符等。
S402:采用特征提取算法对标准图形进行特征提取,获取对应的标准图形特征。
具体地,服务端将获取到的标准图形,采用特征提取算法进行特征提取,获取每一标准图形对应的标准图形特征。其中,采用特征提取算法进行特征提取的步骤与步骤S31-S34的步骤相同,在此不做赘述。
S403:将标准图形和标准图形特征进行关联,并存储至图形库。
具体地,将每一标准图形和对应的标准图形特征进行关联存储,以便后续将基本图形对应的图像形状特征与标准图形特征进行匹配,确定图像形状特征对应的标准图形,以提高转换准确率。
步骤S401-S403中,采用特征提取算法对标准图形进行特征提取,获取对应的标准图形特征,将标准图形和标准图形特征进行关联,并存储至图形库,以实现图形库的配置,便于图形转换,以提高转换效率。
在一实施例中,如图6所示,步骤S60中,即基于每一位置标识对应的目标图形和目标文字,构建目标电子图,具体包括如下步骤:
S61:根据每一位置标识,确定每一目标图形的相对位置。
具体地,预先将规范手工图划分为多个区域,具体可用opencv工具对规范手工图划分为多个矩形,并为每一区域配置一位置标识,其中,在分割规范手工图时,要确保相邻的矩形图像之间部分重叠,例如,连接的部分重叠,且分割到的每个矩形图像的尺寸小于规范手工图的尺寸。确定以定位位置作为参考位置,可以是规范手工图有效区域内中心的坐标,根据定位位置确定每个矩形的相对位置,即每个位置标识(标准图形)对应的相对位置。其中,相对位置信息可以为定位位置与每一矩形的距离,也可以为该距离除以单位长度所得的倍数值。
S62:根据相对位置,将每一目标图形根据默认图形格式进行排版,将目标文字根据默认文字格式填充到目标图形,获取初始流程图和与初始流程图相对应的初始边框尺寸。
其中,初始流程图是指未进行调整的流程图。初始边框尺寸是指初始流程图的长宽值。数据库中存储有预先配置的图形格式模块和文字格式模块。预先配置的图形格式模块包含填充属性、线条属性和大小属性;的填充属性包括颜色填充和图案填充;线条属性包括粗细、颜色、实线、虚线和箭头等,大小属性包括宽和高。预先配置的文字格式模块包含字体属性、段落属性、版式属性,的字体属性包括字体名称、字体大小、字体颜色、字体缩放和字符间距等;的段落属性包括对齐方式、行间距、段落缩进和段间距;的版式属性包括文本旋转、文本倾斜、文本分栏和分栏间距等;的文字装饰内容包含标题和文字的装饰花边和装饰框内容等。
具体地,服务端根据预先配置的图形格式模块和文字格式模块,确定默认图形格式和默认文字格式,其中,默认的图形格式可以是图形线条的粗细、线条的颜色、图形大小和是否填充等。例如,默认的图形格式为颜色为黑色。其中,默认的文字格式可以是字体的大小、字体的颜色和字体间距等,例如,默认的文字格式为字体为宋体,12pt,字体颜色为黑色,间距为1磅行距。根据相对位置,将每一目标图形根据默认图形格式进行排版,将目标文字根据默认文字格式填充到目标图形,获取初始流程图和与初始流程图相对应的初始边框尺寸。
S63:获取预先配置的有效区域的有效边框尺寸,计算初始边框尺寸和有效边框尺寸的尺寸比例。
其中,数据库中存储有预先配置的有效区域的有效边框尺寸。其中,有效区域是指在客户端显示页面可进行显示的有效区域。有效边框尺寸是指有效区域的长宽值。
具体地,服务端获取预先配置的有效区域的有效边框尺寸,并计算出初始边框尺寸与有效边框尺寸的尺寸比例。例如,初始边框的长为21厘米,宽为30厘米,有效边框框的长为25厘米,宽为40厘米,那么初始边框尺寸和有效边框尺寸的长的尺寸比例为21/25,初始边框尺寸和有效边框尺寸的宽的尺寸比例为30/40。
S64:基于尺寸比例对初始流程图进行缩放,获取填充在有效区域中的目标电子图。
具体地,根据尺寸比例,判断初始边框的长宽是否大于有效边框的长宽,若初始边框的长宽大于有效边框的长宽,则对初始流程图进行缩小,获取填充在有效区域中的目标电子图。若初始边框的长宽小于有效边框的长宽,则对初始流程图进行放大,获取填充在有效区域中的目标电子图。
进一步地,预设尺寸阈值,若尺寸比例在尺寸阈值范围内,则无需对初始流程图进行缩放,获取填充在有效区域中的目标电子图。若初始边框的长宽大于有效边框的长宽,且尺寸比例大于尺寸阈值,则对初始流程图进行缩小,获取填充在有效区域中的目标电子图。若初始边框的长宽小于有效边框的长宽,且尺寸比例小于尺寸阈值,则对初始流程图进行放大,获取填充在有效区域中的目标电子图。进一步地,尺寸阈值为0.9-1,即初始边框尺寸稍小于有效边框尺寸,则无需对初始流程图进行缩放。例如,初始边框尺寸和有效边框尺寸的长的尺寸比例为21/25=0.84,初始边框尺寸和有效边框尺寸的宽的尺寸比例为30/40=0.75,若初始边框的长宽小于有效边框的长宽,且尺寸比例0.84和0.75小于尺寸阈值0.9-1,则对初始流程图进行放大,获取填充在有效区域中的目标电子图。
步骤S61-S64中,根据相对位置,将每一目标图形根据默认图形格式进行排版,将目标文字根据默认文字格式填充到目标图形,获取初始流程图和与初始流程图相对应的初始边框尺寸,以实现初始流程图的确定。获取预先配置的有效区域的有效边框尺寸,计算初始边框尺寸和有效边框尺寸的尺寸比例,有效避免初始流程图溢出显示页面的有效区域。基于尺寸比例对初始流程图进行缩放,获取填充在有效区域中的目标电子图,实现目标电子图的确定,提高目标电子图的转换准确率。
在一实施例中,在步骤S60之后,即在基于每一位置标识对应的目标图形和目标文字,构建目标电子图的步骤之后,手工图转换方法还包括如下步骤:
(1)检测目标图形中目标文字是否溢出,若目标图形中目标文字溢出,则向客户端反馈溢出信息。
具体地,服务端获取到目标电子图后,获取目标图形的长度和宽度,并获取目标文字的大小和数量,通过目标文字的大小和数量,可确定目标文字需要占用的长度和宽度,将目标文字占用的长度和宽度与目标图形的长度和宽度进行对比,确定目标图形中目标文字是否溢出,若目标图形中目标文字溢出,即目标文字会溢出目标图形的长度和宽度的有效区域,则向客户端反馈溢出信息,其溢出信息可用于提高客户某一目标图形中目标文字溢出,并对该目标图形可进行高亮显示,使得对客户快速发现溢出部分的目标文字。
(2)基于溢出信息,获取客户端发送的调整请求,调整请求包括调整数据。
具体地,客户基于客户端向服务端发送调整请求,调整请求中包含调整我那个数据,其中,调整数据具体可为目标图像和对应的调整数据,还可以是目标文字和对应的调整数据。
(3)根据调整数据对目标图形进行调整。
具体地,服务端获取客户端发送的调整数据,根据调整数据对目标图形和/或目标文字进行调整,以实现根据客户端发送的调整数据进行调整。
进一步地,转换成目标电子图后,根据客户需求可对目标图形和目标文字进行修改、调整和替换等,以实现对目标电子图的修改和调整,解决目前扫描出的电子图不能修改和调整的问题。
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。
在一实施例中,提供一种手工图转换装置,该手工图转换装置与上述实施例中手工图转换方法一一对应。如图7所示,该手工图转换装置包括手工图获取模块10、轮廓边缘点获取模块20、图像形状特征获取模块30、目标图形获取模块40、目标文字获取模块50和目标电子图构建模块60。各功能模块详细说明如下:
手工图获取模块10,用于获取客户端发送的规范手工图,规范手工图包含至少一个基本图形和基本图形中的文字数据,每一基本图形对应一位置标识。
轮廓边缘点获取模块20,用于采用边缘检测算法对至少一个基本图形进行检测,获取与每一位置标识对应的轮廓边缘点。
图像形状特征获取模块30,用于采用特征提取算法对轮廓边缘点进行特征提取,获取与每一位置标识对应的图像形状特征。
目标图形获取模块40,用于将每一图像形状特征与图形库中每一标准图形特征进行匹配,将匹配成功的标准图形特征对应的标准图形作为与位置标识对应的目标图形。
目标文字获取模块50,用于采用文字识别算法对基本图形中的文字数据进行识别,获取与位置标识对应的目标文字。
目标电子图构建模块60,用于基于每一位置标识对应的目标图形和目标文字,构建目标电子图。
在一实施例中,轮廓边缘点获取模块20包括平滑图像获取单元、边缘化检测单元、初始边缘点获取单元和轮廓边缘点确定单元。
平滑图像获取单元,用于对至少一个基本图形进行去噪处理,获取平滑图像。
边缘化检测单元,用于采用一阶偏导的有限差分进行边缘化检测,获取与每一平滑图像中像素点对应的梯度值和梯度方向。
初始边缘点获取单元,用于对每一梯度值进行非极大值抑制处理,获取初始边缘点。
轮廓边缘点确定单元,用于采用双阈值算法对初始边缘点进行处理,获取与初始边缘点对应的轮廓边缘点,作为与每一位置标识对应的轮廓边缘点。
在一实施例中,图像形状特征获取模块30包括边缘检测单元、傅里叶描述子获取单元、傅里叶系数获取单元和图像形状特征确定单元。
边缘检测单元,用于采用闭合曲线检测算法对轮廓边缘点进行检测,获取检测结果。
傅里叶描述子获取单元,用于若检测结果为能形成闭合曲线,则获取形成闭合曲线的轮廓边缘点,根据闭合曲线上的每一轮廓边缘点,获取傅里叶描述子。
傅里叶系数获取单元,用于对傅里叶描述子进行逆变换,获取傅里叶系数。
图像形状特征确定单元,用于选取一定数量的傅里叶系数,进行归一化处理,获取形成闭合曲线的轮廓边缘点对应的图像形状特征,作为与每一位置标识对应的图像形状特征。
在一实施例中,在边缘检测单元之后,手工图转换装置还包括若检测结果为形成非闭合曲线,则对轮廓边缘点进行曲线拟合,以形成闭合曲线,执行获取形成闭合曲线的轮廓边缘点,根据闭合曲线上的每一轮廓边缘点,获取傅里叶描述子的步骤。
在一实施例中,在目标图形获取模块40之前,手工图转换装置还包括请求获取单元、特征提取单元和关联存储单元。
请求获取单元,用于获取图形配置请求,图形配置请求包括标准图形。
特征提取单元,用于采用特征提取算法对标准图形进行特征提取,获取对应的标准图形特征。
关联存储单元,用于将标准图形和标准图形特征进行关联,并存储至图形库。
在一实施例中,目标电子图构建模块60,包括相对位置确定单元、初始流程图获取单元、尺寸比例计算单元和目标电子图确定单元。
相对位置确定单元,用于根据每一位置标识,确定每一目标图形的相对位置。
初始流程图获取单元,用于根据相对位置,将每一目标图形根据默认图形格式进行排版,将目标文字根据默认文字格式填充到目标图形,获取初始流程图和与初始流程图相对应的初始边框尺寸。
尺寸比例计算单元,用于获取预先配置的有效区域的有效边框尺寸,计算初始边框尺寸和有效边框尺寸的尺寸比例。
目标电子图确定单元,用于基于尺寸比例对初始流程图进行缩放,获取填充在有效区域中的目标电子图。
在一实施例中,在目标电子图构建模块60之后,手工图转换装置还包括溢出信息反馈单元、调整请求获取单元和调整单元。
溢出信息反馈单元,用于若目标文字溢出目标图形,则向客户端反馈溢出信息。
调整请求获取单元,用于基于溢出信息,获取客户端发送的调整请求,调整请求包括调整数据。
调整单元,用于根据调整数据对目标图形进行调整。
关于手工图转换装置的具体限定可以参见上文中对于手工图转换方法的限定,在此不再赘述。上述手工图转换装置中的各个模块可全部或部分通过软件、硬件及其组和来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图形格式模块和文字格式模块等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种手工图转换方法。
在一实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中手工图转换方法的步骤,例如,图2所示的步骤S10至步骤S60,或者,图3至图6所示。处理器执行计算机程序时实现上述实施例中手工图转换装置中的各模块的功能,例如,图7所示模块10至模块60的功能。为避免重复,此处不再赘述。
在一实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中手工图转换方法,例如,图2所示的步骤S10至步骤S60,或者,图3至图6所示。该计算机程序被处理器执行时实现上述实施例中手工图转换装置中各模块的功能,例如,图7所示模块10至模块60的功能。为避免重复,此处不再赘述。
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,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(RambuS)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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)
1.一种手工图转换方法,其特征在于,包括:
获取客户端发送的规范手工图,所述规范手工图包含至少一个基本图形和所述基本图形中的文字数据,每一所述基本图形对应一位置标识;
采用边缘检测算法对至少一个所述基本图形进行检测,获取与每一所述位置标识对应的轮廓边缘点;
采用特征提取算法对所述轮廓边缘点进行特征提取,获取与每一所述位置标识对应的图像形状特征;
将每一所述图像形状特征与图形库中每一标准图形特征进行匹配,将匹配成功的标准图形特征对应的标准图形作为与所述位置标识对应的目标图形;
采用文字识别算法对所述基本图形中的文字数据进行识别,获取与所述位置标识对应的目标文字;
基于每一所述位置标识对应的目标图形和目标文字,构建目标电子图。
2.如权利要求1所述的手工图转换方法,其特征在于,所述采用边缘检测算法对至少一个所述基本图形进行检测,获取与每一所述位置标识对应的轮廓边缘点,包括:
对至少一个所述基本图形进行去噪处理,获取平滑图像;
采用一阶偏导的有限差分进行边缘化检测,获取与每一所述平滑图像中像素点对应的梯度值和梯度方向;
对每一所述梯度值进行非极大值抑制处理,获取初始边缘点;
采用双阈值算法对所述初始边缘点进行处理,获取与所述初始边缘点对应的轮廓边缘点,作为与每一所述位置标识对应的轮廓边缘点。
3.如权利要求1所述的手工图转换方法,其特征在于,所述采用特征提取算法对所述轮廓边缘点进行特征提取,获取与每一所述位置标识对应的图像形状特征,包括:
采用闭合曲线检测算法对所述轮廓边缘点进行检测,获取检测结果;
若检测结果为能形成闭合曲线,则获取形成闭合曲线的轮廓边缘点,根据所述闭合曲线上的每一轮廓边缘点,获取傅里叶描述子;
对所述傅里叶描述子进行逆变换,获取傅里叶系数;
选取一定数量的傅里叶系数,进行归一化处理,获取形成所述闭合曲线的轮廓边缘点对应的图像形状特征,作为与每一所述位置标识对应的图像形状特征。
4.如权利要求3所述的手工图转换方法,其特征在于,在所述采用闭合曲线检测算法对所述轮廓边缘点进行检测,获取检测结果的步骤之后,所述手工图转换方法还包括:
若检测结果为形成非闭合曲线,则对所述轮廓边缘点进行曲线拟合,以形成闭合曲线,执行所述获取形成闭合曲线的轮廓边缘点,根据所述闭合曲线上的每一轮廓边缘点,获取傅里叶描述子的步骤。
5.如权利要求1所述的手工图转换方法,其特征在于,在所述将每一所述图像形状特征与图形库中每一标准图形特征进行匹配的步骤之前,所述手工图转换方法还包括:
获取图形配置请求,所述图形配置请求包括标准图形;
采用特征提取算法对所述标准图形进行特征提取,获取对应的标准图形特征;
将所述标准图形和所述标准图形特征进行关联,并存储至图形库。
6.如权利要求1所述的手工图转换方法,其特征在于,所述基于每一所述位置标识对应的目标图形和目标文字,构建目标电子图,包括:
根据每一所述位置标识,确定每一所述目标图形的相对位置;
根据所述相对位置,将每一所述目标图形根据默认图形格式进行排版,将所述目标文字根据默认文字格式填充到所述目标图形,获取初始流程图和与所述初始流程图相对应的初始边框尺寸;
获取预先配置的有效区域的有效边框尺寸,计算所述初始边框尺寸和所述有效边框尺寸的尺寸比例;
基于所述尺寸比例对所述初始流程图进行缩放,获取填充在所述有效区域中的目标电子图。
7.如权利要求1所述的手工图转换方法,其特征在于,在所述基于每一所述位置标识对应的目标图形和目标文字,构建目标电子图的步骤之后,所述手工图转换方法还包括:
若所述目标文字溢出所述目标图形,则向所述客户端反馈溢出信息;
基于所述溢出信息,获取客户端发送的调整请求,所述调整请求包括调整数据;
根据所述调整数据对所述目标图形进行调整。
8.一种手工图转换装置,其特征在于,包括:
手工图获取模块,用于获取客户端发送的规范手工图,所述规范手工图包含至少一个基本图形和所述基本图形中的文字数据,每一所述基本图形对应一位置标识;
轮廓边缘点获取模块,用于采用边缘检测算法对至少一个所述基本图形进行检测,获取与每一所述位置标识对应的轮廓边缘点;
图像形状特征获取模块,用于采用特征提取算法对所述轮廓边缘点进行特征提取,获取与每一所述位置标识对应的图像形状特征;
目标图形获取模块,用于将每一所述图像形状特征与图形库中每一标准图形特征进行匹配,将匹配成功的标准图形特征对应的标准图形作为与所述位置标识对应的目标图形;
目标文字获取模块,用于采用文字识别算法对所述基本图形中的文字数据进行识别,获取与所述位置标识对应的目标文字;
目标电子图构建模块,用于基于每一所述位置标识对应的目标图形和目标文字,构建目标电子图。
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任一项所述手工图转换方法的步骤。
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任一项所述手工图转换方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910047035.3A CN109858409A (zh) | 2019-01-18 | 2019-01-18 | 手工图转换方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910047035.3A CN109858409A (zh) | 2019-01-18 | 2019-01-18 | 手工图转换方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858409A true CN109858409A (zh) | 2019-06-07 |
Family
ID=66895181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910047035.3A Pending CN109858409A (zh) | 2019-01-18 | 2019-01-18 | 手工图转换方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858409A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516734A (zh) * | 2019-08-23 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法、装置、设备及存储介质 |
CN110633649A (zh) * | 2019-08-22 | 2019-12-31 | 广东博智林机器人有限公司 | 机械图的审核方法及装置 |
CN111079766A (zh) * | 2019-12-19 | 2020-04-28 | 青岛科技大学 | 一种p&id图的智能化方法 |
CN111461066A (zh) * | 2020-04-24 | 2020-07-28 | 北京联合普肯工程技术股份有限公司 | 过程工业流程图的识别方法及装置、电子设备 |
CN114138165A (zh) * | 2021-10-22 | 2022-03-04 | 锐捷网络股份有限公司 | 图形识别方法、装置、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345880A (zh) * | 2018-01-26 | 2018-07-31 | 金蝶软件(中国)有限公司 | 发票识别方法、装置、计算机设备和存储介质 |
CN108520252A (zh) * | 2018-04-20 | 2018-09-11 | 武汉理工大学 | 基于广义霍夫变换和小波变换的路标识别方法 |
CN108647634A (zh) * | 2018-05-09 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 图像边框查找方法、装置、计算机设备及存储介质 |
CN108985324A (zh) * | 2018-06-04 | 2018-12-11 | 平安科技(深圳)有限公司 | 手写字训练样本获取方法、装置、设备及介质 |
WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN109102037A (zh) * | 2018-06-04 | 2018-12-28 | 平安科技(深圳)有限公司 | 中文模型训练、中文图像识别方法、装置、设备及介质 |
-
2019
- 2019-01-18 CN CN201910047035.3A patent/CN109858409A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN108345880A (zh) * | 2018-01-26 | 2018-07-31 | 金蝶软件(中国)有限公司 | 发票识别方法、装置、计算机设备和存储介质 |
CN108520252A (zh) * | 2018-04-20 | 2018-09-11 | 武汉理工大学 | 基于广义霍夫变换和小波变换的路标识别方法 |
CN108647634A (zh) * | 2018-05-09 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 图像边框查找方法、装置、计算机设备及存储介质 |
CN108985324A (zh) * | 2018-06-04 | 2018-12-11 | 平安科技(深圳)有限公司 | 手写字训练样本获取方法、装置、设备及介质 |
CN109102037A (zh) * | 2018-06-04 | 2018-12-28 | 平安科技(深圳)有限公司 | 中文模型训练、中文图像识别方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
梁佳楠;李丽丽;周磊;: "基于图像处理的位置坐标获取方法应用", 自动化与信息工程, no. 03 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633649A (zh) * | 2019-08-22 | 2019-12-31 | 广东博智林机器人有限公司 | 机械图的审核方法及装置 |
CN110516734A (zh) * | 2019-08-23 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法、装置、设备及存储介质 |
CN110516734B (zh) * | 2019-08-23 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种图像匹配方法、装置、设备及存储介质 |
CN111079766A (zh) * | 2019-12-19 | 2020-04-28 | 青岛科技大学 | 一种p&id图的智能化方法 |
CN111461066A (zh) * | 2020-04-24 | 2020-07-28 | 北京联合普肯工程技术股份有限公司 | 过程工业流程图的识别方法及装置、电子设备 |
CN114138165A (zh) * | 2021-10-22 | 2022-03-04 | 锐捷网络股份有限公司 | 图形识别方法、装置、设备和存储介质 |
CN114138165B (zh) * | 2021-10-22 | 2024-04-16 | 锐捷网络股份有限公司 | 图形识别方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858409A (zh) | 手工图转换方法、装置、设备及介质 | |
CN109635883B (zh) | 基于深度堆叠网络的结构信息指导的中文字库生成方法 | |
CN111723860B (zh) | 一种目标检测方法及装置 | |
CN109146892A (zh) | 一种基于美学的图像裁剪方法及装置 | |
US11475681B2 (en) | Image processing method, apparatus, electronic device and computer readable storage medium | |
CN102567300B (zh) | 图片文档的处理方法及装置 | |
WO2017020723A1 (zh) | 一种字符分割方法、装置及电子设备 | |
CN110956171A (zh) | 铭牌自动识别方法、装置、计算机设备和存储介质 | |
CN109241904A (zh) | 文字识别模型训练、文字识别方法、装置、设备及介质 | |
CN110135530B (zh) | 转换图像中汉字字体的方法及系统、计算机设备及介质 | |
CN109472249A (zh) | 一种确定书写体优劣等级的方法及装置 | |
RU2697649C1 (ru) | Способы и системы сегментации документа | |
CN104751093A (zh) | 用于获取宿主设备显示的图像识别码的方法和装置 | |
CN109492642A (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
JP7429307B2 (ja) | コンピュータビジョンに基づく文字列認識方法、装置、機器及び媒体 | |
CN112907569A (zh) | 头部图像区域的分割方法、装置、电子设备和存储介质 | |
CN111414913B (zh) | 一种文字识别方法以及识别装置、电子设备 | |
CN111709338B (zh) | 一种用于表格检测的方法、装置及检测模型的训练方法 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN110674811B (zh) | 图像识别的方法及装置 | |
CN113033559A (zh) | 一种基于目标检测的文本检测方法及装置、存储介质 | |
JP6517652B2 (ja) | 物体顕著性マップ算出装置、方法、及びプログラム | |
CN117115824A (zh) | 一种基于笔划区域分割策略的视觉文本检测方法 | |
CN113255667B (zh) | 文本图像相似度评估方法、装置、电子设备及存储介质 | |
Naz et al. | Challenges in baseline detection of cursive script languages |
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 |