CN110378354B - 一种基于组织滤波算法的提花织物图片颜色提取方法 - Google Patents

一种基于组织滤波算法的提花织物图片颜色提取方法 Download PDF

Info

Publication number
CN110378354B
CN110378354B CN201910521619.XA CN201910521619A CN110378354B CN 110378354 B CN110378354 B CN 110378354B CN 201910521619 A CN201910521619 A CN 201910521619A CN 110378354 B CN110378354 B CN 110378354B
Authority
CN
China
Prior art keywords
point
fabric
gradient
picture
jacquard fabric
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.)
Active
Application number
CN201910521619.XA
Other languages
English (en)
Other versions
CN110378354A (zh
Inventor
樊臻
傅艺扬
张森林
刘妹琴
郑容濠
何衍
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910521619.XA priority Critical patent/CN110378354B/zh
Publication of CN110378354A publication Critical patent/CN110378354A/zh
Application granted granted Critical
Publication of CN110378354B publication Critical patent/CN110378354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于组织滤波算法的提花织物图片颜色提取方法，本方法首先利用双边滤波算法平滑提花织物图片噪声得到预处理后图片；其次统计预处理后图片的区域梯度信息；再利用非极大值抑制算法得到织物图案边缘轮廓图；然后将织物边缘轮廓图作为组织滤波算法的引导图，通过多次迭代平滑织物组织结构；最后利用密度峰聚类算法对处理后的提花织物图片进行颜色聚类，得到颜色提取结果。通过上述方式，本发明能够消除提花织物表面组织结构对颜色提取结果的干扰，使得最终提取结果更加准确。

Description

一种基于组织滤波算法的提花织物图片颜色提取方法
技术领域
本发明涉及提花织物图片颜色提取领域，特别是涉及一种基于组织滤波算法的提花织物图片颜色提取方法。
背景技术
提花织物表面含有复杂的织物组织结构，织物组织是指织物中经、纬纱线按一定方法浮沉交织呈现出的编织规律，因此提花织物最终呈现的色彩效果不仅与织物经纬纱线颜色相关，也与不同位置采用的织物组织结构相关。目前常见的织物图片颜色提取方法大多为特征聚类方法，这些方法在进行颜色提取时只考虑了织物纱线对提取结果的影响，对于含有多种织物组织结构的提花织物往往不能准确地提取出颜色数目和颜色值。为了消除织物组织结构对提花织物颜色提取结果的影响，本发明提出了一种基于组织滤波算法的提花织物图片颜色提取方法，该方法可以更加准确地提取图片包含的颜色数目和颜色值，对织物图案分割、计算机辅助织物设计有着重要意义。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于组织滤波算法的提花织物图片颜色提取方法，以解决现有织物颜色提取方法受织物组织结构影响导致提取结果准确度不高的问题。
本发明采用的技术方案如下：
一种基于组织滤波算法的提花织物图片颜色提取方法，该方法利用双边滤波算法对提花织物图片进行预处理，以去除织物图片获取过程中扫描设备引入的噪声；通过统计图片区域梯度信息和非极大值抑制算法得到织物边缘轮廓图，之后将织物边缘轮廓图作为组织滤波算法的引导图，通过多次迭代平滑织物组织结构；最后利用聚类算法进行颜色聚类得到最终的颜色提取结果。
上述技术方案中，进一步的，所述的获得织物边缘轮廓图的具体过程为：
1)计算预处理后图片的水平和垂直梯度值；
2)对图片的每个像素点p，统计以p为中心k×k像素大小区域内梯度和，下列式中Fx(q)和Fy(q)分别为点q处x方向和y方向的梯度值；N(p)是以点p为中心大小为k×k的矩形窗口；q为该窗口中除p点以外的点；T(p)即为点p处区域梯度和矩阵，越大的T(p)值代表点p是轮廓边缘点的可能性越大；θp为p处区域梯度和的方向，θp∈[-90°,90°]；
Figure GDA0003000919870000021
Figure GDA0003000919870000022
Figure GDA0003000919870000023
Figure GDA0003000919870000024
3)对于区域梯度和矩阵T(p)内的每一个点p，进行非极大值抑制，得到最终的织物边缘轮廓图。
更进一步的，所述的非极大值抑制方法具体过程为：
1)对于区域梯度和矩阵T(p)内的每一个点p，沿其区域梯度和方向θp找到其邻近两点为pc1和pc2，得到对应的区域梯度和值T(pc1)、T(pc2)；
2)如果点p区域梯度方向上没有对应的相邻点，利用点p的8邻域点进行插值计算得到pc1和pc2处的区域梯度和值；
3)如果p是局部区域梯度和最大值点，即T(p)>T(pc1)且T(p)>T(pc2)，则T(p)＝T(p)，否则T(p)＝0。
更进一步的，所述的插值计算方法为：
1)点p坐标为(x,y)，p1在点p左上角坐标为(x-1,y+1)，以p为中心，p1为起点，顺时针方向将点p的8邻域点依次标记为p2、p3、p4、p5、p6、p7、p8；
2)当θp∈[0°,45°]时，pc1和pc2处的区域梯度和计算公式如下：
T(pc1)＝T(p3)*tanθp+T(p5)*(1-tanθp)
T(pc2)＝T(p6)*tanθp+T(p4)*(1-tanθp)
3)当θp∈[-45°,0°]时，pc1和pc2处的区域梯度和计算公式如下：
T(pc1)＝T(p8)*|tanθp|+T(p5)*(1-|tanθp|)
T(pc2)＝T(p1)*|tanθp|+T(p4)*(1-|tanθp|)
4)当θp∈[45°,90°]时，pc1和pc2处的区域梯度和计算公式如下：
T(pc1)＝T(p3)*tan(90°-θp)+T(p2)*[1-tan(90°-θp)]
T(pc2)＝T(p6)*tan(90°-θp)+T(p7)*[1-tan(90°-θp)]
5)当θp∈[-90°,-45°]时，pc1和pc2处的区域梯度和计算公式如下：
T(pc1)＝T(p8)*tan(90°+θp)+T(p7)*[1-tan(90°+θp)]
T(pc2)＝T(p1)*tan(90°+θp)+T(p2)*[1-tan(90°+θp)]
上述技术方案中，进一步的，所述的组织滤波算法的具体过程为：将织物边缘轮廓图作为初始引导图，利用联合双边滤波公式，经过多次迭代滤波得到提花织物组织滤波结果图；公式中Ibf(q)为预处理后提花织物图片点q的像素值；xp为点p横坐标、yp为点p纵坐标；Jt(p)为第t次迭代输出图点p的像素值；初始J0为织物边缘轮廓图；N(p)是以点p为中心大小为k×k的矩形窗口；q为该窗口中除p点以外的点；σs为高斯滤波空间带宽常数；σr为高斯滤波引导图带宽常数。
Figure GDA0003000919870000031
Figure GDA0003000919870000032
上述技术方案中，进一步的，聚类算法优选是密度峰聚类算法，该算法无需进行初始化，运行速度快，在各种类型数据分布上都能取得较高的准确度，适合处理图像这类数据量较大的情况。
更进一步的，图片的水平和垂直梯度值计算方法优选利用Sobel算子计算，通过实验对比其它梯度算子，Sobel算子提取梯度结果更好。
更进一步的，多次迭代滤波得到提花织物组织滤波结果优选采用5次迭代，可以在计算量较少的情况下获得较好的组织滤波效果。
更进一步的，高斯滤波空间带宽常数σs优选为5可以取得较好的组织滤波效果。
更进一步的，高斯滤波引导图带宽常数σr优选为0.1可以取得较好的组织滤波效果。
本发明的有益效果是：消除了织物组织结构对提花织物颜色提取的影响，提升了提花织物图片颜色提取的准确度。
附图说明
图1基于组织滤波算法的提花织物图片颜色提取方法流程图
图2提花织物原图
图3双边滤波预处理后图片
图4梯度提取结果
图5区域梯度和提取结果
图6点p的8领域
图7织物边缘轮廓图
图8组织滤波结果图
图9颜色提取结果图
图10不同方法提取提花织物颜色的准确性
具体实施方式
下面结合具体实施例和附图，进一步阐述本发明。图1是基于组织滤波算法的提花织物图片颜色提取方法的流程框架，如图1所示，该方法的实现一共分为以下几个步骤：首先利用双边滤波算法对提花织物图片进行预处理，消除织物图片获取过程中采集设备引入的噪声；然后利用Sobel算子计算全图每个像素点的梯度值；之后利用非极大值抑制算法得到织物边缘轮廓图；接着以织物边缘轮廓图为引导图，经过多次迭代去除织物组织结构；最后利用密度峰聚类算法进行颜色聚类得到最终颜色提取结果。
图2为一副提花织物扫描图，首先利用双边滤波算法可以去除在图片获取过程中扫描仪导致的一些光点噪声，双边滤波算法窗口大小为5×5滤波窗口，σs＝3，σr＝0.1。双边滤波过程如公式所示：
Figure GDA0003000919870000041
Figure GDA0003000919870000042
式中I(p)代表提花织物原图，即图2；N(p)是以点p为中心大小为5×5的矩形窗口；q为该窗口内除点p以外的点；xp为点p横坐标、yp为点p纵坐标；Ibf(p)代表点双边滤波输出结果，如图3所示；σs＝3，σr＝0.1。
之后通过Sobel算子计算全图梯度信息，具体计算过程如公式所示，式中Fx，Fy分别为水平和竖直方向梯度值；
Figure GDA0003000919870000051
为卷积运算符；F为梯度提取结果，如图4所示。
Figure GDA0003000919870000052
Figure GDA0003000919870000053
Figure GDA0003000919870000054
然后按照公式计算全图区域梯度信息，公式中N(p)是以点p为中心大小为5×5的矩形窗口；q为该窗口中除p点以外的点；Fx(q)和Fy(q)分别为点q处水平方向和垂直方向的梯度值；θp为p处区域梯度和方向，θp∈[-90°,90°]。
Figure GDA0003000919870000055
Figure GDA0003000919870000056
Figure GDA0003000919870000057
Figure GDA0003000919870000058
T(p)即为点p处区域梯度和大小，如图5所示，越大的T(p)值代表点p是轮廓边缘点的可能性越大。
接着对T(p)进行非极大值抑制，对于点p其8领域点分布如图6所示，沿其区域梯度和θp的方向，在其8领域内找到对应点pc1和pc2，如果T(p)>T(pc1)且T(p)>T(pc2)，则T(p)＝T(p)，否则T(p)＝0。因为点p的8领域点是离散分布的，在其θp的方向不一定有对应点，这时要利用离pc1和pc2最近的四个点进行插值计算，比如对于图6所示的pc1和pc2，对应的梯度区域和为：
T(pc1)＝T(p3)*tan(90°-θp)+T(p2)*[1-tan(90°-θp)]
T(pc2)＝T(p6)*tan(90°-θp)+T(p7)*[1-tan(90°-θp)]
对T(p)内每个点都进行非极大值抑制后得到织物边缘轮廓图如图7所示。
最后进行迭代滤波得到最终的织物组织滤波结果，迭代滤波公式如下：
Figure GDA0003000919870000061
Figure GDA0003000919870000062
其中，Ibf(q)双边滤波处理后提花织物图片；xp为点p横坐标、yp为点p纵坐标；N(p)是以点p为中心大小为5×5的矩形窗口；q为该窗口中除p点以外的点；σs为高斯滤波空间带宽常数，值为5；σr为高斯滤波引导图带宽常数，值为0.1。织物边缘轮廓图为初始引导图，记为J0代入公式，得到一次迭代滤波结果J1；J1作为第二次迭代的引导图代入公式得到第二次迭代滤波；如此反复，5次迭代后得到最终的织物组织滤波结果如图8所示。
去除织物组织对颜色聚类的干扰后，利用密度峰聚类算法对组织滤波后的提花织物图片进行颜色聚类，得到最终的颜色聚类结果，将每类聚类结果颜色平均值作为最终的颜色提取结果，颜色聚类结果和颜色提取结果如图9所示。
本发明将图2所示提花织物每个像素点进行人工分类作为标准颜色聚类样本，计算本发明方法和其它常见织物颜色提取方法提取图2提花织物颜色的准确性。准确性指标计算方法如下：
Figure GDA0003000919870000063
Figure GDA0003000919870000064
其中k为分割类数即为4；pii为人工标注属于i类，被方法分为第i类的像素点个数，即分类结果正确的像素点个数；pij表示人工标注属于i类，但被方法分为j类的像素点个数；pji表示人工标注属于j类，但被方法分为i类的像素点个数。两个指标数值越高则表示颜色聚类结果越精确。
对图2利用不同方法得到颜色提取结果的准确性如图10所示。其中方法一为本发明方法，即一种基于组织滤波算法的提花织物图片颜色提取方法；方法二和三为其它常见的织物纹理颜色提取方法，方法二为基于自组织映射神经网络算法的织物颜色提取方法，方法三为基于Mean-shift聚类算法的织物颜色提取方法。可以看出本发明方法准确度最高。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：该方法利用双边滤波算法对提花织物图片进行预处理，以去除织物图片获取过程中扫描设备引入的噪声；通过统计图片区域梯度信息和非极大值抑制算法得到织物边缘轮廓图，之后将织物边缘轮廓图作为组织滤波算法的引导图，通过多次迭代平滑织物组织结构；最后利用聚类算法进行颜色聚类得到最终的颜色提取结果；
所述的组织滤波算法的具体过程为：将织物边缘轮廓图作为初始引导图，利用联合双边滤波公式，经过多次迭代滤波得到提花织物组织滤波结果图；公式中Ibf(q)为预处理后提花织物图片点q的像素值；xp为点p横坐标、yp为点p纵坐标；Jt(p)为第t次迭代输出图点p的像素值；初始J0为织物边缘轮廓图；N(p)是以点p为中心大小为k×k的矩形窗口；q为该窗口中除p点以外的点；σs为高斯滤波空间带宽常数；σr为高斯滤波引导图带宽常数，
Figure FDA0003000919860000011
2.如权利要求1所述的基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：所述的通过统计图片区域梯度信息和非极大值抑制算法得到织物边缘轮廓图的具体过程为：
1)计算预处理后图片的水平和垂直梯度值；
2)对图片的每个像素点p，统计以p为中心k×k像素大小区域内梯度和，下列式中Fx(q)和Fy(q)分别为点q处水平方向和垂直方向的梯度值；N(p)是以点p为中心大小为k×k的矩形窗口；q为该窗口中除p点以外的点；T(p)即为点p处区域梯度和矩阵，越大的T(p)值代表点p是轮廓边缘点的可能性越大；θp为p处区域梯度和的方向，θp∈[-90°,90°]；
Figure FDA0003000919860000012
Figure FDA0003000919860000013
Figure FDA0003000919860000014
Figure FDA0003000919860000021
3)对于区域梯度和矩阵T(p)内的每一个点p，进行非极大值抑制，得到最终的织物边缘轮廓图。
3.如权利要求2所述的基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：所述的图片的水平和垂直梯度值计算方法利用Sobel算子计算。
4.如权利要求2所述的基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：所述的非极大值抑制方法具体过程为：
1)对于区域梯度和矩阵T(p)内的每一个点p，沿其区域梯度和方向θp找到其邻近两点为pc1和pc2，得到对应的区域梯度和值T(pc1)、T(pc2)；
2)如果点p区域梯度和方向上没有对应的相邻点，利用点p的8邻域点进行插值计算得到pc1和pc2处的区域梯度和值；
3)如果p是局部区域梯度和最大值点，即T(p)>T(pc1)且T(p)>T(pc2)，则T(p)＝T(p)，否则T(p)＝0。
5.如权利要求4所述的基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：所述的插值计算方法为：
1)点p坐标为(x,y)，p1在点p左上角坐标为(x-1,y-1)，以p为中心，p1为起点，顺时针方向将点p的8邻域点依次标记为p2、p3、p4、p5、p6、p7、p8；
2)当θp∈[0°,45°]时，pc1和pc2处的区域梯度和计算公式如下：
T(pc1)＝T(p3)*tanθp+T(p5)*(1-tanθp)
T(pc2)＝T(p6)*tanθp+T(p4)*(1-tanθp)
3)当θp∈[-45°,0°]时，pc1和pc2处的区域梯度和计算公式如下：
T(pc1)＝T(p8)*|tanθp|+T(p5)*(1-|tanθp|)
T(pc2)＝T(p1)*|tanθp|+T(p4)*(1-|tanθp|)
4)当θp∈[45°,90°]时，pc1和pc2处的区域梯度和计算公式如下：
T(pc1)＝T(p3)*tan(90°-θp)+T(p2)*[1-tan(90°-θp)]
T(pc2)＝T(p6)*tan(90°-θp)+T(p7)*[1-tan(90°-θp)]
5)当θp∈[-90°,-45°]时，pc1和pc2处的区域梯度和计算公式如下：
T(pc1)＝T(p8)*tan(90°+θp)+T(p7)*[1-tan(90°+θp)]
T(pc2)＝T(p1)*tan(90°+θp)+T(p2)*[1-tan(90°+θp)]。
6.如权利要求1所述的基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：多次迭代滤波得到提花织物组织滤波结果进行5次迭代。
7.如权利要求1所述的基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：所述的高斯滤波空间带宽常数σs为5。
8.如权利要求1所述的基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：所述的高斯滤波引导图带宽常数σr为0.1。
9.如权利要求1所述的基于组织滤波算法的提花织物图片颜色提取方法，其特征在于：所述的聚类算法是密度峰聚类算法。
CN201910521619.XA 2019-06-17 2019-06-17 一种基于组织滤波算法的提花织物图片颜色提取方法 Active CN110378354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910521619.XA CN110378354B (zh) 2019-06-17 2019-06-17 一种基于组织滤波算法的提花织物图片颜色提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910521619.XA CN110378354B (zh) 2019-06-17 2019-06-17 一种基于组织滤波算法的提花织物图片颜色提取方法

Publications (2)

Publication Number Publication Date
CN110378354A CN110378354A (zh) 2019-10-25
CN110378354B true CN110378354B (zh) 2021-06-04

Family

ID=68249207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910521619.XA Active CN110378354B (zh) 2019-06-17 2019-06-17 一种基于组织滤波算法的提花织物图片颜色提取方法

Country Status (1)

Country Link
CN (1) CN110378354B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325658B (zh) * 2020-02-19 2022-08-23 成都大学 一种彩色图像自适应去色方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592286A (zh) * 2012-03-14 2012-07-18 江南大学 一种基于图像处理的色织物配色模纹图自动识别方法
CN104778703A (zh) * 2015-04-15 2015-07-15 天津大学 织物图案创意要素自动提取方法
CN105844278A (zh) * 2016-04-15 2016-08-10 浙江理工大学 一种多特征融合的织物扫描图案识别方法
US10109051B1 (en) * 2016-06-29 2018-10-23 A9.Com, Inc. Item recommendation based on feature match

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7426302B2 (en) * 2003-11-28 2008-09-16 John Amico System and method for digitizing a pattern
US10424054B2 (en) * 2015-06-26 2019-09-24 Peking University Shenzhen Graduate School Low-illumination image processing method and device
CN106875459B (zh) * 2017-03-15 2020-07-28 苏州大学 一种基于图像分割的彩色提花组织结构自适应均衡方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592286A (zh) * 2012-03-14 2012-07-18 江南大学 一种基于图像处理的色织物配色模纹图自动识别方法
CN104778703A (zh) * 2015-04-15 2015-07-15 天津大学 织物图案创意要素自动提取方法
CN105844278A (zh) * 2016-04-15 2016-08-10 浙江理工大学 一种多特征融合的织物扫描图案识别方法
US10109051B1 (en) * 2016-06-29 2018-10-23 A9.Com, Inc. Item recommendation based on feature match

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Color pattern recognition for yarn‐dyed fabrics;Dejun Zheng,Peng Wang,Jian Zhou,Kai‐chiu Ho;《color research & application》;20190131;第44卷(第1期);第88-97页 *
基于Tamura纹理特征的织物组织识别算法;梅军，张森林，樊臻;《轻工机械》;20170430;第35卷(第4期);第52-55页 *
采用纹理平滑的印花织物图案轮廓提取;向军 等;《纺织学报》;20171130;第38卷(第11期);第162-167页 *

Also Published As

Publication number Publication date
CN110378354A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN110866924B (zh) 一种线结构光中心线提取方法及存储介质
CN107045634B (zh) 一种基于最大稳定极值区域与笔画宽度的文本定位方法
CN104751142B (zh) 一种基于笔划特征的自然场景文本检测方法
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
CN108596166A (zh) 一种基于卷积神经网络分类的集装箱箱号识别方法
CN110197153B (zh) 一种户型图中墙体自动识别方法
CN107301661A (zh) 基于边缘点特征的高分辨率遥感图像配准方法
CN102629322B (zh) 一种基于边界点笔画形状的字符特征提取方法及应用
EP4071665A1 (en) Character segmentation method and apparatus, and computer-readable storage medium
CN109242858B (zh) 基于自适应模板匹配的织物印花循环图案基元分割方法
CN109685766A (zh) 一种基于区域融合特征的布匹瑕疵检测方法
CN104021561A (zh) 基于小波变换及形态学运算的织物起毛起球图像分割方法
CN111445490B (zh) 一种显微操作系统目标前景提取方法及系统
CN110288571B (zh) 一种基于图像处理的高铁接触网绝缘子异常检测方法
CN106599891A (zh) 一种基于尺度相位谱显著性的遥感图像兴趣区快速提取方法
Jia et al. Fabric defect inspection based on lattice segmentation and lattice templates
CN114820631A (zh) 一种抗纹理干扰的面料缺陷检测方法
CN110378354B (zh) 一种基于组织滤波算法的提花织物图片颜色提取方法
CN116052152A (zh) 一种基于轮廓检测和深度神经网络的车牌识别系统
CN111784610A (zh) 一种基于聚类的边窗滤波器优化方法
CN109448010B (zh) 一种基于内容特征的四方连续纹样自动生成方法
CN110047041B (zh) 一种空—频域联合的交通监控视频去雨方法
CN107529658A (zh) 高噪声显微图像下的自动检测微管方法
CN104156696B (zh) 基于双方向图的快速局部不变特征描述子的构造方法

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