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 PDFInfo
- 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- Withdrawn
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
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
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。
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)
| 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 |
-
2019
- 2019-05-15 CN CN201910401312.6A patent/CN110223362A/zh not_active Withdrawn
Cited By (1)
| 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 |
|---|---|---|
| US9087258B2 (en) | Method for counting objects and apparatus using a plurality of sensors | |
| CN105654097B (zh) | 图像中四边形标记物的检测方法 | |
| CN102980896B (zh) | 高铁接触网悬挂装置耳片断裂检测方法 | |
| CN110807429A (zh) | 基于tiny-YOLOv3的施工安全检测方法及系统 | |
| CN102999951B (zh) | 基于无线网络接收信号强度的人员智能考勤方法 | |
| CN104036516B (zh) | 基于对称性分析的摄像机标定棋盘图像角点检测方法 | |
| CN110400315A (zh) | 一种缺陷检测方法、装置及系统 | |
| CN103017676B (zh) | 三维扫描装置和三维扫描方法 | |
| CN105631390A (zh) | 空间定位的方法和空间定位的系统 | |
| CN103996239A (zh) | 一种基于多线索融合的票据定位识别方法及系统 | |
| CN103150558B (zh) | 一种基于机器视觉的显示终端操作响应匹配检测方法 | |
| CN102637116B (zh) | 3d场景交互方法、装置及碰撞检测方法、装置 | |
| CN104680145A (zh) | 一种门的开关状态变化检测方法及装置 | |
| CN110969604A (zh) | 一种基于深度学习的智能安防实时开窗检测报警系统及方法 | |
| CN104715250A (zh) | 十字激光检测方法和装置 | |
| 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 | |
| CN111860154A (zh) | 一种基于视觉的额头检测方法、装置和电子设备 | |
| CN105825682B (zh) | 地磁车辆检测装置 | |
| Zhao et al. | Design of real-time steel bars recognition system based on machine vision | |
| CN104766332B (zh) | 一种图像处理方法及电子设备 | |
| CN104966302A (zh) | 一种任意角度激光十字的检测定位方法 | |
| CN103034998A (zh) | 旋转对称图形的中心与旋转角检测方法及装置 | |
| CN101901339B (zh) | 人手运动检测方法 | |
| CN205786374U (zh) | 基于匹配的异形冲压件轮廓缺陷视觉检测系统 |
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 |