CN110310279A - 矩形及曲边矩形边角图像识别方法 - Google Patents
矩形及曲边矩形边角图像识别方法 Download PDFInfo
- Publication number
- CN110310279A CN110310279A CN201910615267.4A CN201910615267A CN110310279A CN 110310279 A CN110310279 A CN 110310279A CN 201910615267 A CN201910615267 A CN 201910615267A CN 110310279 A CN110310279 A CN 110310279A
- Authority
- CN
- China
- Prior art keywords
- image
- rectangle
- profile
- curl
- corner
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 238000005192 partition Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G06T3/02—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/12—Edge-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
- G06T7/13—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Abstract
本发明揭示了一种矩形及曲边矩形边角图像识别方法,该方法至少包括:获取图像;对图像进行预处理,将其转换为灰度图像;对预处理后的灰度图像进行边缘检测,获取包含各个轮廓的初始图像;对各个轮廓进行筛选处理,剔除不符合基本要求的轮廓对筛选后的剩余轮廓,采用基于边缘的图像分割方法获取矩形的边角点;根据边角点对原图像进行分割,并转换得到最终的矩形显示图。采用本发明技术方案,可以获取矩形及曲边矩形有效的边角点,以达到提升识别质量和稳定性的功能,针对矩形及曲边矩形图片的识别能有效提升识别效率,并加强图片追踪的稳定性。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种矩形及曲边矩形边角图像识别方法。
背景技术
矩形作为一种常见的图形,对其进行目标检测和提取在计算机视觉检测和图像识别领域有着广泛的应用,例如车牌检测、定位标识识别、身份证识别、文件轮廓识别等。现有技术中矩形识别或矩形提取方法主要包括基于边缘的直线检测方法,通过对图像进行边缘检测获得直线线段,通过对直线的平行、垂直等特征进行判断,对满足矩形特征的直线段,通过分析和合并构造出矩形图形,从而识别和提取到可能的目标矩形。然而该类方法对于常规矩形可以获得较为准确的识别效果,对于一些非标准矩形的识别,例如曲边矩形,则检测的效率和识别效果表现不佳。
发明内容
本发明的目的在于提升矩形及曲边图像识别的效率和稳定性,提供一种矩形及曲边矩形边角图像识别方法。
为实现上述目的,本发明提出如下技术方案:一种矩形及曲边矩形边角图像识别方法,该方法至少包括以下步骤:
S1,获取图像;
S2,对图像进行预处理,将其转换为灰度图像;
S3,对预处理后的灰度图像进行边缘检测,获取包含各个轮廓的初始图像;
S4,对各个轮廓进行筛选处理,剔除不符合预设要求的轮廓;
S5,对筛选后的剩余轮廓,采用基于边缘的图像分割方法获取矩形的边角点;
S6,根据所述边角点对原图像进行分割,并转换得到最终的矩形显示图。
优选地,所述获取图像包括:通过图像数据地址传输获取摄像设备采集到的图像。
优选地,所述对图像进行预处理包括:对图像进行滤波处理,去除噪点。
优选地,步骤S3中采用Canny算法进行边缘检测,包括:通过不断调整图像的阈值数据,选取具有通用性的双边阈值以得到合适的外部轮廓。
优选地,步骤S4具体包括:
对初始图像的各个轮廓进行初步筛选,剔除不符合基本要求的轮廓;
对于剩余轮廓再次进行处理,简化轮廓点数量,删除冗余和/或共线的点;
对简化处理后的轮廓进行二次筛选,剔除不符合基本要求的轮廓。
优选地,步骤S5中所述采用基于边缘的图像分割方法获取矩形的边角点至少包括:
S51,当轮廓点数量等于4时识别出为四边形,根据该四边形的基本信息与预设值进行比较,判断当前四边形是否符合要求,若符合则将当前轮廓点认定为矩形的四角位置;否则,放弃该轮廓;
S52,当轮廓点数量大于4时,计算各个轮廓点所处位置的内侧角度,根据角度筛选出符合预设角度区间的四个端点,并返回执行步骤S51所述操作。
优选地,步骤S6中所述转换得到最终的矩形显示图包括:
根据步骤S5获取的边角点计算出由轮廓点到矩阵的仿射变换矩阵,通过仿射变换矩阵转换得到最终的矩形显示图。
优选地,所述对图像进行滤波处理包括:采用高斯滤波和/或阈值化方法对图像进行处理。
优选地,所述不符合基本要求的轮廓包括:面积小于预设值或角点数量小于4的轮廓。
优选地,所述四边形的基本信息包括:四边形的面积、周长、四角角度、各边内侧像素值、是否为凸边形。
本发明的有益效果是:本发明通过图像边缘检测以及基于边缘的分割方法获取矩形及曲边矩形有效的边角点,能够更有效设定识别区域,以利于区域界定以达到提升识别质量和稳定性的目的,针对矩形及曲边矩形图片的识别能有效提升识别效率,并加强图片追踪的稳定性。
附图说明
图1是本发明一典型实施例提供的对图像进行滤波处理后的示意图;
图2是对图1所示图像进行灰度处理后的图像示意图;
图3a~3c分别是将图2所示图像转换至HSV空间后的三个通道图像示意图;
图4是对图3c所示图像进行边缘检测后获得的图像示意图;
图5是本发明一典型实施例提供的根据四边形的基本信息与预设值进行比较判断的流程示意图;
图6是对图4所示图像中各轮廓进行筛选后得到矩形四角位置的图像示意图;
图7是对图6所示图像进行图像分割的示意图。
具体实施方式
鉴于现有技术中的不足,本案发明人经长期研究和大量实践,得以提出本发明的技术方案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
本发明提出了一种矩形及曲边矩形边角图像识别方法,该方法至少包括以下步骤:
步骤1,获取图像;
通过终端设备的图像接口,使用图像地址传输将摄像设备采集到的图像传输至识别终端。
步骤2,对图像进行预处理;
采用高斯滤波、阈值化等方法,将其转换为灰度图像并移除噪点,以便易于识别。
步骤3,对预处理后的灰度图像进行边缘检测,以获取包含各个轮廓的初始图像;
边缘检测是图像处理中的重要环节,通过边缘检测刻画出图像的基础轮廓,更有利于对图像进行深入的分析。本发明实施例可采用Canny算法进行边缘检测,包括:通过不断调整图像的阈值数据,选取具有通用性的双边阈值以得到合适的外部轮廓,最终获取包含各个轮廓的初始图像;
步骤4,对上述获取的各个轮廓进行筛选处理,剔除不符合基本要求的轮廓;
步骤5,对筛选后的剩余轮廓,采用基于边缘的图像分割方法获取矩形的边角点;
步骤6,根据边角点对原图像进行分割,并转换得到最终的矩形显示图。
为使本发明技术方案更加清楚,以下将结合实施例及附图,对本发明的核心思想进行进一步阐述。请参阅附图,图1~图7是本发明一典型实施例提供的对图像进行矩形检测、识别、分割等处理过程的示意图,所采用的图像为通过摄像设备采集的图像,目的是识别出图像中的图书部分,图像处理的具体实施过程至少包括:
步骤101,对输入图像进行滤波处理,以平滑图像,去除斑点和椒盐噪声,处理后的图像如图1所示;
步骤102,对初步处理后的图像进行灰度处理,以更易于识别,处理后的图像如图2所示;
步骤103,将处理后的灰度图像转换至HSV空间作进一步处理,分割出更加易于识别的灰度图像。图像转换至HSV空间后,可以从图像的色调(H),饱和度(S),亮度(V)分别进行处理,以更好的对图像进行匹配。通过调整H值、S值、V值的阈值将图像分离成三张图片,分别如图3a~3c所示,选取分离后更为清晰的图像以进行进一步检测处理,如图3c所示通道中的图片;
步骤104,采用Canny算法对图3c所示图像进行边缘检测,检测出图像中所有灰度值变化比较大的点,且这些点连接起来就构成若干线条,这些线就可以称为图像的边缘。通过对图像不断调整阈值数据,选取通用性的双边阈值以得到合适的外部轮廓,对各个边缘图像进行与或非操作,得到后续步骤所需的初始图像,如图4所示。
步骤105,对得到的各个轮廓进行初步筛选,剔除明显不符合要求的轮廓,例如面积小于预设值,或角点数量小于4的轮廓。
步骤106,经初步筛选后,对剩余的轮廓继续进行简化处理,至少包括:删除冗余或共线的点,以简化轮廓点数量。对简化后的轮廓进行二次筛选,再次剔除不符合要求的轮廓。
步骤107,对筛选后的剩余轮廓,采用基于边缘的图像分割方法获取矩形的边角点。对二次筛选后的剩余轮廓,逐个判断其是否符合矩形要求,其过程至少包括:
步骤1071,当轮廓点位数量等于4时,识别出图像为四边形,根据该四边形的基本信息与预设值进行比较判断,若通过,则确定为该四个轮廓点位为矩形四角位置;否则,放弃该轮廓;
所述根据该四边形的基本信息与预设值进行比较判断是指根据四边形的面积、周长、夹角角度、内侧像素值等基本信息,通过计算或直接比较的方式与预设的相应阈值进行比较,从而判断是否符合目标要求,判断过程可包括以下步骤,请参阅图5:
S7101,首先判断四边形面积是否在设定值区间内,若是,执行下一步骤;否则,执行步骤S7107;
S7102,计算四边形的面积与周长之比,判断该比值是否符合设定的相应阈值区间,若符合,执行下一步骤;否则,执行步骤S7107;
S7103,检测四边形各边与水平线的夹角角度,四个夹角是否可分为角边两两平行的两组对角,且每组两个夹角间角度差值不大于设定的角度差值,若符合条件,则执行下一步骤;否则,执行步骤S7107;
S7104,计算四条边内侧像素均值,分别计算并判断内侧像素均值之差是否不大于设定的像素差值,若是,执行下一步骤;否则,执行步骤S7107;
S7105,判断四边形是否为凸边形,若是,执行下一步骤;否则,执行步骤S7107;
S7106,选取该四个轮廓点位为矩形四角位置,执行步骤S7108;
S7107,放弃该轮廓,执行步骤S7108。
S7108,判断结束。
步骤1072,当轮廓点数量大于4时,计算各个轮廓点所处位置的内侧角度,根据角度筛选出符合预设角度区间要求的四个端点,返回执行步骤1071对该四个端点进行判断;
最后得到四角位置,如图6中白色虚线圈出所示四个轮廓点P51、P52、P53、P54。
步骤108,当获取矩形的四个轮廓点后,计算出由轮廓点到完美矩形的仿射变换矩阵,根据上步骤中所选取的轮廓点对原图像进行图像分割,分割示意图如图7中虚线矩形框P60所示,最后通过仿射变换矩阵转换得到最终的矩阵显示图。
进一步地,作为另一种较佳的轮廓筛选方式,对于辨识出3个角的状态,一般情况下四边形可视为平行四边形,据此可计算出第四角点位置;对于辨识出2个角的状态,分别以角作为端点,延长以角点出发的矩形边缘线,得到其与图像边缘的交点作为替补角点,从而补全图像四角。当角点数量大于或等于4的轮廓不足,或符合预设要求的轮廓较少时,此方法可以补偿还原未识别出的矩形或曲边矩形的边角位置,增加待检测轮廓数量,提升识别质量。
本发明提供一种矩形及曲边矩形边角图像识别方法,通过图片识别计算出图片的边与角,补偿还原未识别出的矩形及曲边矩形的边角位置,以达到提升识别质量和稳定性的功能;针对矩形及曲边矩形图片的识别能有效提升识别效率,并加强图片追踪的稳定性。通过对矩形及曲边矩形图像识别做了预处理,能有效增强图书等矩形类图片的追踪效果。
本发明的技术内容及技术特征已揭示如上,然而熟悉本领域的技术人员仍可能基于本发明的揭示而作种种不背离本发明精神的替换及修饰,因此,本发明保护范围应不限于实施例所揭示的内容,而应包括各种不背离本发明的替换及修饰,并为本专利申请权利要求所涵盖。
Claims (10)
1.一种矩形及曲边矩形边角图像识别方法,其特征在于,该方法至少包括以下步骤:
S1,获取图像;
S2,对图像进行预处理,将其转换为灰度图像;
S3,对预处理后的灰度图像进行边缘检测,获取包含各个轮廓的初始图像;
S4,对各个轮廓进行筛选处理,剔除不符合预设要求的轮廓;
S5,对筛选后的剩余轮廓,采用基于边缘的图像分割方法获取矩形的边角点;
S6,根据所述边角点对原图像进行分割,并转换得到最终的矩形显示图。
2.根据权利要求1所述的矩形及曲边矩形边角图像识别方法,其特征在于,所述获取图像包括:通过图像数据地址传输获取摄像设备采集到的图像。
3.根据权利要求1所述的矩形及曲边矩形边角图像识别方法,其特征在于,所述对图像进行预处理包括:对图像进行滤波处理,去除噪点。
4.根据权利要求1所述的矩形及曲边矩形边角图像识别方法,其特征在于,步骤S3中采用Canny算法进行边缘检测,包括:通过不断调整图像的阈值数据,选取具有通用性的双边阈值以得到合适的外部轮廓。
5.根据权利要求1所述的矩形及曲边矩形边角图像识别方法,其特征在于,步骤S4具体包括:
对初始图像的各个轮廓进行初步筛选,剔除不符合基本要求的轮廓;
对于剩余轮廓再次进行处理,简化轮廓点数量,删除冗余和/或共线的点;
对简化处理后的轮廓进行二次筛选,剔除不符合基本要求的轮廓。
6.根据权利要求1所述的矩形及曲边矩形边角图像识别方法,其特征在于,步骤S5中所述采用基于边缘的图像分割方法获取矩形的边角点至少包括:
S51,当轮廓点数量等于4时识别出为四边形,根据当前四边形的基本信息与预设值进行比较,判断当前四边形是否符合要求,若符合则将当前轮廓点认定为矩形的四角位置;否则,放弃该轮廓;
S52,当轮廓点数量大于4时,计算各个轮廓点所处位置的内侧角度,根据角度筛选出符合预设角度区间的四个端点,并返回执行步骤S51所述操作。
7.根据权利要求1所述的矩形及曲边矩形边角图像识别方法,其特征在于,步骤S6中所述转换得到最终的矩形显示图包括:
根据步骤S5获取的所述边角点计算出由轮廓点到矩阵的仿射变换矩阵,通过仿射变换矩阵转换得到最终的矩形显示图。
8.根据权利要求3所述的矩形及曲边矩形边角图像识别方法,其特征在于,所述对图像进行滤波处理包括:采用高斯滤波和/或阈值化方法对图像进行处理。
9.根据权利要求5所述的矩形及曲边矩形边角图像识别方法,其特征在于,所述不符合基本要求的轮廓包括:面积小于预设值或角点数量小于4的轮廓。
10.根据权利要求6所述的矩形及曲边矩形边角图像识别方法,其特征在于,所述四边形的基本信息包括:四边形的面积、周长、四角角度、各边内侧像素值、是否为凸边形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615267.4A CN110310279A (zh) | 2019-07-09 | 2019-07-09 | 矩形及曲边矩形边角图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615267.4A CN110310279A (zh) | 2019-07-09 | 2019-07-09 | 矩形及曲边矩形边角图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110310279A true CN110310279A (zh) | 2019-10-08 |
Family
ID=68079392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910615267.4A Pending CN110310279A (zh) | 2019-07-09 | 2019-07-09 | 矩形及曲边矩形边角图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310279A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652225A (zh) * | 2020-04-29 | 2020-09-11 | 浙江省北大信息技术高等研究院 | 基于深度学习的非侵入式摄像读取方法及系统 |
CN112613523A (zh) * | 2020-12-15 | 2021-04-06 | 中冶赛迪重庆信息技术有限公司 | 一种转炉出钢口钢流识别方法、系统、介质及电子终端 |
CN112926392A (zh) * | 2021-01-26 | 2021-06-08 | 杭州聚秀科技有限公司 | 一种基于轮廓筛选的建筑平面图纸房间识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034254A (zh) * | 2010-09-29 | 2011-04-27 | 广东威创视讯科技股份有限公司 | 一种识别几何图形的方法 |
WO2014063837A1 (en) * | 2012-10-23 | 2014-05-01 | Sicpa Holding Sa | Method and device for identifying a two-dimensional barcode |
CN103914687A (zh) * | 2014-03-14 | 2014-07-09 | 常州大学 | 一种基于多通道和多阈值的矩形目标识别方法 |
CN104866859A (zh) * | 2015-05-29 | 2015-08-26 | 南京信息工程大学 | 一种高鲁棒性的视觉图形标志及其识别方法 |
CN105740818A (zh) * | 2016-01-29 | 2016-07-06 | 山东大学 | 一种应用于增强现实的人工标志检测方法 |
CN106504225A (zh) * | 2016-09-27 | 2017-03-15 | 深圳增强现实技术有限公司 | 一种规则多边形的识别方法和装置 |
CN109409366A (zh) * | 2018-10-30 | 2019-03-01 | 四川长虹电器股份有限公司 | 基于角点检测的畸变图像校正方法及装置 |
-
2019
- 2019-07-09 CN CN201910615267.4A patent/CN110310279A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034254A (zh) * | 2010-09-29 | 2011-04-27 | 广东威创视讯科技股份有限公司 | 一种识别几何图形的方法 |
WO2014063837A1 (en) * | 2012-10-23 | 2014-05-01 | Sicpa Holding Sa | Method and device for identifying a two-dimensional barcode |
CN103914687A (zh) * | 2014-03-14 | 2014-07-09 | 常州大学 | 一种基于多通道和多阈值的矩形目标识别方法 |
CN104866859A (zh) * | 2015-05-29 | 2015-08-26 | 南京信息工程大学 | 一种高鲁棒性的视觉图形标志及其识别方法 |
CN105740818A (zh) * | 2016-01-29 | 2016-07-06 | 山东大学 | 一种应用于增强现实的人工标志检测方法 |
CN106504225A (zh) * | 2016-09-27 | 2017-03-15 | 深圳增强现实技术有限公司 | 一种规则多边形的识别方法和装置 |
CN109409366A (zh) * | 2018-10-30 | 2019-03-01 | 四川长虹电器股份有限公司 | 基于角点检测的畸变图像校正方法及装置 |
Non-Patent Citations (2)
Title |
---|
奔跑的大大蜗牛: "OpenCV Java 实现票据、纸张的四边形边缘检测与提取、摆正", 《 HTTPS://BLOG.CSDN.NET/QQ_41377914/ARTICLE/DETAILS/89669630》 * |
陈建促等: "一种动态文稿边缘自适应检测与纠偏方法", 《重庆理工大学学报(自然科学)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652225A (zh) * | 2020-04-29 | 2020-09-11 | 浙江省北大信息技术高等研究院 | 基于深度学习的非侵入式摄像读取方法及系统 |
CN111652225B (zh) * | 2020-04-29 | 2024-02-27 | 杭州未名信科科技有限公司 | 基于深度学习的非侵入式摄像读取方法及系统 |
CN112613523A (zh) * | 2020-12-15 | 2021-04-06 | 中冶赛迪重庆信息技术有限公司 | 一种转炉出钢口钢流识别方法、系统、介质及电子终端 |
CN112926392A (zh) * | 2021-01-26 | 2021-06-08 | 杭州聚秀科技有限公司 | 一种基于轮廓筛选的建筑平面图纸房间识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310279A (zh) | 矩形及曲边矩形边角图像识别方法 | |
Singh et al. | A new local adaptive thresholding technique in binarization | |
US8009928B1 (en) | Method and system for detecting and recognizing text in images | |
KR101182173B1 (ko) | 차량 번호판 인식 방법 및 시스템 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
KR20130105952A (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN106650728B (zh) | 一种阴影车牌图像二值化方法 | |
JP2007235951A (ja) | 車両画像認識装置およびその方法 | |
JP2003525560A (ja) | イメージ2値化の改良された方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN102663760A (zh) | 一种对图像中的车辆挡风镜区域进行定位分割的方法 | |
CN109815762B (zh) | 远距离识别二维码的方法、存储介质 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN112115948A (zh) | 一种基于深度学习的芯片表面字符识别方法 | |
CN107977648B (zh) | 一种基于人脸识别的身份证清晰度的判别方法和系统 | |
CN106504225A (zh) | 一种规则多边形的识别方法和装置 | |
CN107256633A (zh) | 一种基于单目摄像头三维估计的车型分类方法 | |
CN102901735A (zh) | 利用计算机对工件缺损、裂变、变形进行自动检测的系统 | |
CN114820594A (zh) | 基于图像检测板材封边缺陷的方法、相关设备及存储介质 | |
CN111754525A (zh) | 一种基于非精确切分的工业字符检测流程 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN111401364A (zh) | 一种基于颜色特征和模板匹配相结合的车牌定位算法 | |
CN109559323A (zh) | 一种基于改进后的prewitt算子增强图像边缘特征的方法 | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 |
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 |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |