CN110223362A - 一种基于深度学习的闭合曲线检测方法 - Google Patents

一种基于深度学习的闭合曲线检测方法 Download PDF

Info

Publication number
CN110223362A
CN110223362A CN201910401312.6A CN201910401312A CN110223362A CN 110223362 A CN110223362 A CN 110223362A CN 201910401312 A CN201910401312 A CN 201910401312A CN 110223362 A CN110223362 A CN 110223362A
Authority
CN
China
Prior art keywords
closed curve
curved path
curve
outline border
location point
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.)
Withdrawn
Application number
CN201910401312.6A
Other languages
English (en)
Inventor
池前程
李鑫
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.)
Wuhan Obesavi Digital Technology Co Ltd
Original Assignee
Wuhan Obesavi Digital Technology Co Ltd
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 Wuhan Obesavi Digital Technology Co Ltd filed Critical Wuhan Obesavi Digital Technology Co Ltd
Priority to CN201910401312.6A priority Critical patent/CN110223362A/zh
Publication of CN110223362A publication Critical patent/CN110223362A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/20Drawing from basic elements, e.g. lines or circles
    • G06T11/203Drawing of straight lines or curves

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明公开了一种基于深度学习的闭合曲线检测方法,包括以下步骤:包括:一、获取用户在图像上标记的闭合曲线的位置信息;二、根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径;三、实时获取光标在屏幕上移动的位置点;四、接收用户通过在所述位置点的点击操作而发出检测指令,并根据所述检测指令对所述闭合曲线进行检测能够根据用户标记的闭合曲线构造出外框曲线路径和内嵌曲线路径,进而在检测到光标移动的位置点位于外框曲线路径和内嵌曲线路径之间的区域时,即可接收用户发出的检测指令以对闭合曲线进行检测,适用于任意形状的闭合曲线,且无需消耗较大性能,提高位置点的判定效率,进而提高闭合曲线的检测效率。

Description

一种基于深度学习的闭合曲线检测方法
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于深度学习的闭合曲线检测方法。
背景技术
使用Mac OS(MAC操作系统)制作屏幕截图工具时,采用小型检测器可以在已截取的图像上加上矩形、椭圆、箭头、任意的线条等进行标记,标记的线条会有不同尺寸的粗细,而且,用户可以选中标记的线条进行二次检测。因此,在对标记的线条进行二次检测之前需判定光标在屏幕上移动的位置点是否落在线条上。
在现有技术中,对于位置点是否位于标记的闭合曲线上的判断方法为使用图形曲线的生成公式,生成标记的闭合曲线的公式,再判断位置点是否符合该公式。另外,还可通过记录构成闭合曲线的所有点的坐标,并将位置点与闭合曲线上的所有点进行比较来判断进而进行检测。
发明内容
本发明的主要目的在于提供一种基于深度学习的闭合曲线检测方法,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:一种基于深度学习的闭合曲线检测方法,包括:
获取用户在图像上标记的闭合曲线的位置信息;
根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径;
实时获取光标在屏幕上移动的位置点;
在检测到所述位置点位于所述外框曲线路径与所述内嵌曲线路径之间围成的区域时,
接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测;
进一步地,所述闭合曲线的位置信息包括用户标记的起始点坐标和预设的所述闭合曲线的线宽;
根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径,具体包括:
根据所述起始点坐标和预设的所述闭合曲线的线宽,计算获得所述闭合曲线的外框曲线位置信息和内嵌曲线位置信息;
根据所述外框曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的外框曲线路径;
根据所述内嵌曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的内嵌曲线路径。
进一步地,还包括位置信息获取模块,用于获取用户在图像上标记的闭合曲线的位置信息;
曲线路径构造模块,用于根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径;
位置点获取模块,用于实时获取光标在屏幕上移动的位置点;
检测模块,用于在检测到所述位置点位于所述外框曲线路径与所述内嵌曲线路径之间围成的区域时,接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测。
进一步地,所述闭合曲线的位置信息包括用户标记的起始点坐标和预设的所述闭合曲线的线宽;
所述曲线路径构造模块具体包括:
计算单元,用于根据所述起始点坐标和预设的所述闭合曲线的线宽,计算获得所述闭合曲线的外框曲线位置信息和内嵌曲线位置信息;
外框曲线路径获取单元,用于根据所述外框曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的外框曲线路径;以及,
内嵌曲线路径获取单元,用于根据所述内嵌曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的内嵌曲线路径。
进一步地,所述检测模块具体包括:
位置点判断单元,用于调用位置点判断函数,判断所述位置点是否位于所述外框曲线路径所围成的区域内,且所述位置点是否位于所述内嵌曲线路径所围成的区域外;
判定单元,用于在判定所述位置点位于所述外框曲线路径所围成的区域内,且所述位置点位于所述内嵌曲线路径所围成的区域外时,判定所述位置点位于所述闭合曲线上;以及,
检测单元,用于接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测。
与现有技术相比,本发明具有如下有益效果:本发明能够根据用户标记的闭合曲线构造出外框曲线路径和内嵌曲线路径,进而在检测到光标移动的位置点位于外框曲线路径和内嵌曲线路径之间的区域时,即可接收用户发出的检测指令以对闭合曲线进行检测,适用于任意形状的闭合曲线,且无需消耗较大性能,提高位置点的判定效率,进而提高闭合曲线的检测效率。
附图说明
图1为本发明一个实施例的原理图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明提出的一种基于深度学习的闭合曲线检测方法,包括包括:
获取用户在图像上标记的闭合曲线的位置信息;
根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径;
实时获取光标在屏幕上移动的位置点;
在检测到所述位置点位于所述外框曲线路径与所述内嵌曲线路径之间围成的区域时,
接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测;
进一步地,所述闭合曲线的位置信息包括用户标记的起始点坐标和预设的所述闭合曲线的线宽;
根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径,具体包括:
根据所述起始点坐标和预设的所述闭合曲线的线宽,计算获得所述闭合曲线的外框曲线位置信息和内嵌曲线位置信息;
根据所述外框曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的外框曲线路径;
根据所述内嵌曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的内嵌曲线路径。
进一步地,还包括位置信息获取模块,用于获取用户在图像上标记的闭合曲线的位置信息;
曲线路径构造模块,用于根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径;
位置点获取模块,用于实时获取光标在屏幕上移动的位置点;
检测模块,用于在检测到所述位置点位于所述外框曲线路径与所述内嵌曲线路径之间围成的区域时,接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测。
进一步地,所述闭合曲线的位置信息包括用户标记的起始点坐标和预设的所述闭合曲线的线宽;
所述曲线路径构造模块具体包括:
计算单元,用于根据所述起始点坐标和预设的所述闭合曲线的线宽,计算获得所述闭合曲线的外框曲线位置信息和内嵌曲线位置信息;
外框曲线路径获取单元,用于根据所述外框曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的外框曲线路径;以及,
内嵌曲线路径获取单元,用于根据所述内嵌曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的内嵌曲线路径。
进一步地,所述检测模块具体包括:
位置点判断单元,用于调用位置点判断函数,判断所述位置点是否位于所述外框曲线路径所围成的区域内,且所述位置点是否位于所述内嵌曲线路径所围成的区域外;
判定单元,用于在判定所述位置点位于所述外框曲线路径所围成的区域内,且所述位置点位于所述内嵌曲线路径所围成的区域外时,判定所述位置点位于所述闭合曲线上;以及,
检测单元,用于接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测。
本发明提出的一种基于深度学习的闭合曲线检测方法,本发明能够根据用户标记的闭合曲线构造出外框曲线路径和内嵌曲线路径,进而在检测到光标移动的位置点位于外框曲线路径和内嵌曲线路径之间的区域时,即可接收用户发出的检测指令以对闭合曲线进行检测,适用于任意形状的闭合曲线,且无需消耗较大性能,提高位置点的判定效率,进而提高闭合曲线的检测效率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于深度学习的闭合曲线检测方法,其特征在于,包括:
获取用户在图像上标记的闭合曲线的位置信息;
根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径;
实时获取光标在屏幕上移动的位置点;
在检测到所述位置点位于所述外框曲线路径与所述内嵌曲线路径之间围成的区域时,
接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测。
2.根据权利要求1所述的一种基于深度学习的闭合曲线检测方法,其特征在于:所述闭合曲线的位置信息包括用户标记的起始点坐标和预设的所述闭合曲线的线宽;
根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径,具体包括:
根据所述起始点坐标和预设的所述闭合曲线的线宽,计算获得所述闭合曲线的外框曲线位置信息和内嵌曲线位置信息;
根据所述外框曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的外框曲线路径;
根据所述内嵌曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的内嵌曲线路径。
3.根据权利要求2所述的一种基于深度学习的闭合曲线检测方法,其特征在于:在检测到所述位置点位于所述外框曲线路径与所述内嵌曲线路径之间围成的区域时,接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测,具体包括:
调用位置点判断函数,判断所述位置点是否位于所述外框曲线路径所围成的区域内,且所述位置点是否位于所述内嵌曲线路径所围成的区域外;
若所述位置点位于所述外框曲线路径所围成的区域内,且所述位置点位于所述内嵌曲线路径所围成的区域外,则判定所述位置点位于所述闭合曲线上;
接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测。
4.根据权利要求1所述的一种基于深度学习的闭合曲线检测方法,其特征在于:还包括位置信息获取模块,用于获取用户在图像上标记的闭合曲线的位置信息;
曲线路径构造模块,用于根据所述位置信息构造出所述闭合曲线的外框曲线路径和内嵌曲线路径;
位置点获取模块,用于实时获取光标在屏幕上移动的位置点;
检测模块,用于在检测到所述位置点位于所述外框曲线路径与所述内嵌曲线路径之间围成的区域时,接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测。
5.根据权利要求4所述的一种基于深度学习的闭合曲线检测方法,其特征在于:所述闭合曲线的位置信息包括用户标记的起始点坐标和预设的所述闭合曲线的线宽;
所述曲线路径构造模块具体包括:
计算单元,用于根据所述起始点坐标和预设的所述闭合曲线的线宽,计算获得所述闭合曲线的外框曲线位置信息和内嵌曲线位置信息;
外框曲线路径获取单元,用于根据所述外框曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的外框曲线路径;以及,
内嵌曲线路径获取单元,用于根据所述内嵌曲线位置信息,调用贝塞尔曲线构造函数,获得所述闭合曲线的内嵌曲线路径。
6.根据权利要求1所述的一种基于深度学习的闭合曲线检测方法,其特征在于:所述检测模块具体包括:
位置点判断单元,用于调用位置点判断函数,判断所述位置点是否位于所述外框曲线路径所围成的区域内,且所述位置点是否位于所述内嵌曲线路径所围成的区域外;
判定单元,用于在判定所述位置点位于所述外框曲线路径所围成的区域内,且所述位置点位于所述内嵌曲线路径所围成的区域外时,判定所述位置点位于所述闭合曲线上;以及,
检测单元,用于接收用户通过在所述位置点的点击操作而发出的检测指令,并根据所述检测指令对所述闭合曲线进行检测。
CN201910401312.6A 2019-05-15 2019-05-15 一种基于深度学习的闭合曲线检测方法 Withdrawn CN110223362A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910401312.6A CN110223362A (zh) 2019-05-15 2019-05-15 一种基于深度学习的闭合曲线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910401312.6A CN110223362A (zh) 2019-05-15 2019-05-15 一种基于深度学习的闭合曲线检测方法

Publications (1)

Publication Number Publication Date
CN110223362A true CN110223362A (zh) 2019-09-10

Family

ID=67821234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910401312.6A Withdrawn CN110223362A (zh) 2019-05-15 2019-05-15 一种基于深度学习的闭合曲线检测方法

Country Status (1)

Country Link
CN (1) CN110223362A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393518A (zh) * 2021-07-15 2021-09-14 北京京仪光电技术研究所有限公司 一种图片曲线相对数值坐标自动提取方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393518A (zh) * 2021-07-15 2021-09-14 北京京仪光电技术研究所有限公司 一种图片曲线相对数值坐标自动提取方法

Similar Documents

Publication Publication Date Title
CN105654097B (zh) 图像中四边形标记物的检测方法
US9087258B2 (en) Method for counting objects and apparatus using a plurality of sensors
CN105631390B (zh) 空间手指定位的方法和空间手指定位的系统
CN112149512A (zh) 一种基于两阶段深度学习的安全帽佩戴识别方法
CN108090423A (zh) 一种基于热力图和关键点回归的深度车牌检测方法
CN109753949B (zh) 一种基于深度学习的多视窗交通标志检测方法
CN103017676B (zh) 三维扫描装置和三维扫描方法
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN103996239A (zh) 一种基于多线索融合的票据定位识别方法及系统
CN105589801A (zh) 手机集群测试方法和系统
CN107993224A (zh) 一种基于圆形标志物的物体检测定位方法
CN103247032B (zh) 一种基于姿态补偿的微弱扩展目标定位方法
CN106961669A (zh) 一种基于WiFi探针的位置信息获取方法和系统
CN112967221A (zh) 一种盾构管片生产与拼装信息管理系统
CN117037162A (zh) 一种基于深度学习的指针式仪表的检测方法和系统
CN114219073A (zh) 属性信息的确定方法、装置、存储介质及电子装置
CN110223362A (zh) 一种基于深度学习的闭合曲线检测方法
CN106483583A (zh) 电子标签的定位系统、方法及电子标签探测仪
Liu et al. An Edge-computing flow meter reading recognition algorithm optimized for agricultural IoT network
CN102833671A (zh) 一种机器人视觉定位的方法及系统
CN109934151A (zh) 一种基于movidius计算芯片和Yolo face的人脸检测方法
CN105825682A (zh) 地磁车辆检测装置
CN114387663A (zh) 施工作业行为检测系统和方法
Yu et al. Surface defect detection of hight-speed railway hub based on improved YOLOv3 algorithm
CN111127542B (zh) 一种基于图像的非合作目标对接环提取方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190910

WW01 Invention patent application withdrawn after publication