CN111462023A - 一种图像纹理线条矢量化系统和方法 - Google Patents
一种图像纹理线条矢量化系统和方法 Download PDFInfo
- Publication number
- CN111462023A CN111462023A CN202010247493.4A CN202010247493A CN111462023A CN 111462023 A CN111462023 A CN 111462023A CN 202010247493 A CN202010247493 A CN 202010247493A CN 111462023 A CN111462023 A CN 111462023A
- Authority
- CN
- China
- Prior art keywords
- line
- image
- vectorization
- texture
- skeleton
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Generation (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像纹理线条矢量化系统和方法:首先提取需要矢量化的纹理图像的单像素线条骨架;然后,把得到的线条骨架图输入预设神经网络模型,再通过神经网络后,线条骨架图将会被分解为多条光滑无相交路径;之后在根据这些路径,在原图中找到对应区域线条,若对应区域为等宽线条,则用Bezier曲线拟合,并直接根据线宽及色彩信息,扩充骨架,写入EPS格式文件;若对应区域为非等宽线条,则需将该区域的封闭轮廓路径进行提取,并用Bezier曲线拟合,再在封闭路径中填充相对应的颜色,写入EPS格式文件;最后,将所有区域的矢量化结果合并展示给用户,用户可以在这个矢量化结果上进行轮廓上的微调,并输出EPS格式矢量图。
Description
技术领域
本发明涉及图像处理领域,更具体地,涉及一种图像纹理线条矢量化系统和方法。
背景技术
数字图像形式上较为常见的有位图(光栅图像)与矢量图。位图有较好的色彩显示效果,但其显示效果依赖于图像的分辨率。矢量图是根据几何特性来绘制图形,放大后也不会有锯齿状效应出现。但矢量图的色彩显示相对没有那么丰富。目前,较为常见的图像矢量化算法有:基于多边形的位图轮廓矢量化算法,基于细分的图像矢量化算法。前者是将原图分解为多个封闭部分,将这些路径分别进行路径跟踪与色彩填充,完成矢量化。其优势在于计算量小,但是对于复杂纹理图像矢量化效果依赖于路径跟踪的结果,同时也不能很好地矢量化色彩复杂的图像。后者是由细分后的曲面片顶点来记录图形颜色,位置及颜色变化等信息进行矢量化,其优势在于可以矢量化渐变颜色等复杂色彩图像块,但是对于纹理线条矢量化效果一般。
发明内容
本发明的目的在于针对已有技术对于纹理线条矢量化存在的不足,提供一种图像纹理线条矢量化系统和方法,针对纹理线条有特殊的优化,充分发挥了矢量图中对于展示线条的优势,同时增加了人工调整色彩与轮廓的过程,最后以EPS格式输出矢量图,方便于postscript打印机直接进行打印,并获得较好的效果。
为达到上述目的,本发明的构想是:
(1)用户通过系统上传一张纹理线条图片。
(2)矢量化系统将这张图片中的线条一一进行分解,变成多条无分叉的路径。
(3)系统对每一条路径分别进行矢量化,并用Bezier曲线拟合。
(4)将所有路径的矢量化结果进行合并,并根据原图色彩进行着色,同时提供给用户预览图,让用户在这个基础上可以进行轮廓及色彩的微调。
(5)将矢量化结果输出为EPS格式的矢量图,提供给用户保存,完成整个矢量化流程。
根据上述发明构思,本发明采用下述技术方案:
一种图像纹理线条矢量化方法,该方法包括以下步骤:
(1)输入RGB纹理线条图像,提取图像线条骨架;
(2)线条分离:先根据输入图像色彩进行初步分离,在将分离后的每一部分传入预设的卷积神经网络中,由神经网络对每一部分进行线条的具体细分,每一条细分后的线条均为无分叉线条;
(3)细分后的每条无分叉线条判断原图中该线条是否等宽,对于等宽线条,则用Bezier曲线拟合该线条,并根据原图中的色彩信息及线宽,设定拟合后的线条,并写入EPS文件;对于非等宽线条,则提取其线条的封闭轮廓,并用Bezier曲线拟合,再根据原图中的线条颜色进行填充,写入EPS文件;
(4)合并所有写入EPS文件后的线条,完成图像矢量化设计,结果输出为EPS格式的矢量图。
所述步骤(1)中,所述图像线条骨架提取方法如下:
(1-1)将图像灰度化,得到一幅灰度图像;
(1-2)提取图像边缘轮廓,得到图像的二值边缘轮廓;
(1-3)利用图像腐蚀算法,将(1-2)中的二值边缘轮廓进行腐蚀,得到一幅单像素边缘图像,即图像骨架。
所述步骤(2)中,所述线条分离方法如下:
(2-1)利用相交线条数据集,预训练一个卷积神经网络,用于分离相交线条;根据所述模型训练集的标注图像和神经网络模型训练得到所述神经网络模型的参数。
(2-2)根据原画中的色彩信息进行初步线条分离,将色彩相同及相近的纹理线条部分分离出来;
(2-3)找到(2-2)中每个分离出来的部分所对应的图像骨架,输入预设的神经网络,将其分解为多条无分叉路径。
所述步骤(3)中,所述Bezier曲线拟合方法:
(3-1)利用边缘跟踪,追踪出一条线段或封闭路径;
(3-2)把追踪得到的每一个顺序点,作为基础点,利用Bezier插值技术将它们连成一段或多段三阶以下的光滑Bezier曲线。
一种图像纹理线条矢量化系统,应用于上述的一种图像纹理线条矢量化方法,该系统包括以下几个模块:
(1)图像骨架提取模块,用于进行提取单像素图像骨架,并将得到的骨架传入线条分离模块;
(2)线条分离模块,将图像纹理线条分解成多条无分叉路径,将分离后的骨架线条传入判断模块;
(3)判断模块,判断分离后的路径在原图中是否为等宽线条,将判断结果传入曲线拟合模块;
(4)曲线拟合模块,将得到的线条路径用Bezier曲线进行拟合,并根据原图中的效果写入EPS文件,传入矢量图文件存储模块;
(5)矢量图文件存储模块,用于合并所有写入EPS文件后的线条,并将预览图展示给用户,使用户能够进行轮廓和色彩上的调整,最终输出EPS格式矢量图完成矢量化。
本发明与现有技术比较,具有如下显而易见的突出实质性特点和显著进步:
在矢量化过程中,纹理线条图像的矢量化一直是一大难点,本发明利用神经网络技术对图像进行预处理,分离复杂的相交线条,提高了纹理线条矢量化的准确性;矢量图中曲线均使用了Bezier曲线进行拟合,保证了纹理线条在矢量化后看起来光滑及自然;输出结果表示为EPS格式,具有数据独立性,输出结果可用于不同软件系统,大大方便了postscript打印机的打印输出,保证了矢量图的打印效果;在输出矢量结果图后,可以人工对图像进行最后的调整,提高了矢量化输出的效果。
附图说明
图1为本发明方法具体实现方式。
图2为本发明系统整体框架。
图3为全卷积神经网络框架。
图4为用户输入的位图示例。
图5为从输入位图中提取的骨架。
图6为纹理线条分离结果。
图7为最终矢量化结果。
具体实施方式
本发明的具体实施结合附图作进一步说明:
EPS是Encapsulated PostScript的缩写,是跨平台的标准格式,专用的打印机描述语言,可以描述矢量信息和位图信息。EPS格式采用PostScript语言进行描述,并且可以保存其他一些类型信息,例如多色调曲线、Alpha通道、分色、剪辑路径、挂网信息和色调曲线等,因此EPS格式常用于印刷或打印输出,针对postscript打印机优势极为明显。因此本发明的矢量图输出格式设定为EPS格式。
如图1所示,一种图像纹理线条矢量化方法,采用了卷积神经网络提升了矢量化效果,具体操作步骤如下:
(1)将输入的线条纹理图像利用Canny算子进行边缘提取,得到二值边缘图像;
(2)利用图像腐蚀算法,将(1)中得到的二值边缘图像进行腐蚀,得到一幅单像素边缘图像,即图像骨架;
(3)利用相交线条数据集预训练一个卷积神经网络用于分离线条;
(4)根据原图中色彩信息进行初步线条分离,将色彩相同及相近的纹理线条部分分离出来;
(5)将(4)中每一段分离出来的纹理线条所对应的图像骨架,通过预设的神经网络,进行完整的线条分离,得到多条无分叉路径;
(6)判断由(5)得到的每条路径在原图中,是否为等宽线条;
(7)若路径在原图中对应线条为等宽线条,则对路径进行边缘跟踪,并用三阶以下Bezier曲线,如公式(1)、(2)、(3),拟合该条路径,使之可以写入EPS格式文件;
B(t)=(1-t)P0+tP1,t∈[0,1] (1)
B(t)=(1-t)2P0+2t(1-t)P1+t2P2,t∈[0,1] (2)
B(t)=(1-t)3P0+3t(1-t)2P1+3t2P2(1-t)+P3t3,t∈[0,1] (3)
(8)若路径在原图中对应线条为非等宽线条,则利用Canny算子将该路径在原图中对应线条的轮廓提取出来,并进行边缘跟踪,之后用三阶以下Bezier曲线拟合该条路径,使之可以写入EPS格式文件。
(9)将所有写入EPS文件的线条进行合并,完成矢量化操作。
如图2所示,一种图像纹理线条矢量化系统,包括了图像骨架提取模块,线条分离模块,判断模块,曲线拟合模块,矢量图文件存储模块。其具体设计如下:
(1)图像骨架提取模块:用于进行提取骨架;并将图像骨架传入线条分离模块。
(2)线条分离模块:用于进行线条分离;将图像纹理线条分解为多条无分叉路径。
(3)判断模块:判断由线条分离模块得到的每条路径在原图中,是否为等宽线条,并输入到曲线拟合模块。
(4)曲线拟合模块:将得到的路径用Bezier曲线拟合,并根据原图中效果写入EPS格式文件。
(5)矢量图文件存储模块:
(a)若转化为Bezier曲线的路径为封闭路径,则根据原图中该区域的色彩进行上色,并写入EPS格式文件。
(b)若转化为Bezier曲线的路径为一线段,则根据原图中线段粗细及色彩进行设定,并写入EPS格式文件。
(c)将所有得到的EPS格式文件进行合并。将最终展示合并结果展示给用户,使用户可以在细节上进行微调(如轮廓,色彩),完成矢量化操作,输出EPS格式矢量图。
实施例一:
一种图像纹理线条矢量化方法,该方法包括以下步骤:
(a)输入一张JPG或PNG格式的位图图像(以纹理线条为主),如图4所示。
(b)利用Canny算子将图像中的纹理线条进行提取,得到二值的图像轮廓边缘。
(c)利用图像腐蚀算法,腐蚀二值图像轮廓至单像素边缘,得到图像骨架,如图5所示。
(d)根据原图中的纹理线条色彩进行线条预分离,将不同色彩及不相交的纹理线条进行分离。
(e)将预分离后的纹理线条所对应的图像骨架,通过预设的卷积神经网络,进行最终的线条分离,得到多条无分叉路径,如图6所示(原输出应为同一幅图中,以不同色彩标记各无分叉线条,此处为便于理解展示,故将其分开展示)。
根据所述模型训练集的标注图像和神经网络模型训练得到所述神经网络模型的参数。本实施训练集为45000张复杂黑白相交线条图像,并对每幅图像中的每条无分叉线条做标注作为训练目标。例预设的卷积神经网络是受残差学习启发,如图3所示,该网络仅包含20个顺序滤波器块,每个都有64个3×3卷积核,然后是批处理归一化层和整流线性单位层(ReLU)。输入为一张二值图像,输出为一张彩色图像,用不同的色彩标注分离开的线条。
(f)根据每条路径在原图中对应区域线条是否等宽,分别使用不同的矢量化方式。
(g)若在原图中为等宽线条,进行边缘跟踪,顺序获取路径上的点,再利用Bezier插值方式拟合路径,将路径分为一段或多段三阶以下Bezier曲线(EPS格式文件最高只支持三阶Bezier曲线,不支持其余样条曲线),并根据原图中的线宽与色彩信息,扩充骨架路径,并上色,按EPS格式要求,将线条写入EPS格式文件。
边缘跟踪方法设计如下:设定一个空坐标数组,取轮廓图像最左端的点为起点坐标,作为初始像素p(i,j),将其坐标加入数组,在像素p的八邻域p(i,j+1),p(i+1,j+1),p(i+1,j),p(i+1,j-1),p(i,j-1),p(i-1,j-1),p(i-1,j),p(i-1,j+1)),按序搜索若以上某一点像素值等于p,则加入数组,并作为新的p点进行搜寻下一个点,最终获得的坐标数组即为跟踪结果。
(h)若在原图中为非等宽线条,则利用Canny算子将该路径在原图中对应线条的轮廓提取出来,并进行边缘跟踪,顺序获取路径上的点,最后用Bezier插值方法拟合路径,将路径分为一段或多段三阶以下Bezier曲线,最后根据原图中的色彩信息,对该封闭路径进行色彩填充,按EPS格式要求,将图形写入EPS格式文件。
Bezier曲线拟合过程如下:先将边缘跟踪得到的点作为原始点,通过计算得到相邻原始点的中点坐标,再将相邻中点连成线段的中点平移到对应的原始点,以平移后线段的两个端点作为控制点,相邻原始点为起始点画贝塞尔曲线,保证了连接处的光滑。而贝塞尔曲线本身是光滑的,所以可将原边缘以光滑Bezier曲线形式拟合出来。
(i)将所有写入EPS格式的线条进行合并后输出EPS格式矢量图,如图7所示,完成矢量化操作。
实施例二:
一种图像纹理线条矢量化系统,应用于上述的一种图像纹理线条矢量化方法,包括了图像骨架提取模块,线条分离模块,判断模块,曲线拟合模块,矢量图文件存储模块:
(a)用户输入一张JPG或PNG格式的位图图像(以纹理线条为主),如图4为所示。
(b)传入图像骨架提取模块,将图像中的纹理线条进行提取,得到二值的图像轮廓边,利用图像腐蚀算法,腐蚀二值图像轮廓至单像素边缘,得到图像骨架,如图5所示。
(c)将骨架及原图传入线条分离模块,根据原图中的纹理线条色彩进行线条预分离,将不同色彩及不相交的纹理线条进行分离。将预分离后的纹理线条所对应的图像骨架,通过预设的卷积神经网络,进行最终的线条分离,得到多条无分叉路径,如图6所示(原输出应为同一幅图中,以不同色彩标记各无分叉线条,此处为便于理解展示,故将其分开展示)。
(d)将每条无分叉路径分别传入判断模块,根据每条路径在原图中对应区域线条是否等宽,分别使用不同的矢量化方式。
(e)将判断结果传入Bezier曲线拟合模块,若在原图中为等宽线条,进行边缘跟踪,顺序获取路径上的点,再利用Bezier插值方式拟合路径,将路径分为一段或多段三阶以下Bezier曲线(EPS格式文件最高只支持三阶Bezier曲线,不支持其余样条曲线),并根据原图中的线宽与色彩信息,扩充骨架路径,并上色,按EPS格式要求,将线条写入EPS格式文件。若在原图中为非等宽线条,则利用Canny算子将该路径在原图中对应线条的轮廓提取出来,并进行边缘跟踪,顺序获取路径上的点,最后用Bezier插值方法拟合路径,将路径分为一段或多段三阶以下Bezier曲线,最后根据原图中的色彩信息,对该封闭路径进行色彩填充,按EPS格式要求,将图形写入EPS格式文件。
(f)矢量图文件存储模块将所有写入EPS格式的线条进行合并,并将结果展示给用户,使用户可以在这个基础上进行轮廓上及色彩上的微调。
(g)用户保存后输出EPS格式矢量图,如图7所示,完成矢量化操作。
Claims (6)
1.一种图像纹理线条矢量化方法,其特征在于,该方法包括以下步骤:
(1)输入RGB纹理线条图像,提取图像线条骨架;
(2)线条分离:先根据输入图像色彩进行初步分离,在将分离后的每一部分传入预设的卷积神经网络中,由神经网络对每一部分进行线条的具体细分,每一条细分后的线条均为无分叉线条;
(3)细分后的每条无分叉线条判断原图中该线条是否等宽,对于等宽线条,则用Bezier曲线拟合该线条,并根据原图中的色彩信息及线宽,设定拟合后的线条,并写入EPS文件;对于非等宽线条,则提取其线条的封闭轮廓,并用Bezier曲线拟合,再根据原图中的线条颜色进行填充,写入EPS文件;
(4)合并所有写入EPS文件后的线条,完成图像矢量化设计,结果输出为EPS格式的矢量图。
2.根据权利要求1所述的图像纹理线条矢量化方法,其特征在于,所述步骤(1)中,所述图像线条骨架提取方法如下:
(1-1)将图像灰度化,得到一幅灰度图像;
(1-2)提取图像边缘轮廓,得到图像的二值边缘轮廓;
(1-3)利用图像腐蚀算法,将(1-2)中的二值边缘轮廓进行腐蚀,得到一幅单像素边缘图像,即图像骨架。
3.根据权利要求1所述的图像纹理线条矢量化方法,其特征在于,所述步骤(2)中,所述线条分离方法如下:
(2-1)利用相交线条数据集,预训练一个卷积神经网络,用于分离相交线条;
(2-2)根据原画中的色彩信息进行初步线条分离,将色彩相同及相近的纹理线条部分分离出来;
(2-3)找到(2-2)中每个分离出来的部分所对应的图像骨架,输入预设的神经网络,将其分解为多条无分叉路径。
4.根据权利要求3所述的图像纹理线条矢量化方法,其特征在于,所述方法还包括:根据所述模型训练集的标注图像和神经网络模型训练得到所述神经网络模型的参数。
5.根据权利要求1所述的图像纹理线条矢量化方法,其特征在于,所述步骤(3)中,所述Bezier曲线拟合方法:
(3-1)利用边缘跟踪,追踪出一条线段或封闭路径;
(3-2)把追踪得到的每一个顺序点,作为基础点,利用Bezier插值技术将它们连成一段或多段三阶以下的光滑Bezier曲线。
6.一种图像纹理线条矢量化系统,应用于根据权利要求1所述的一种图像纹理线条矢量化方法,其特征在于,该系统包括以下几个模块:
(1)图像骨架提取模块,用于进行提取单像素图像骨架,并将得到的骨架传入线条分离模块;
(2)线条分离模块,将图像纹理线条分解成多条无分叉路径,将分离后的骨架线条传入判断模块;
(3)判断模块,判断分离后的路径在原图中是否为等宽线条,将判断结果传入曲线拟合模块;
(4)曲线拟合模块,将得到的线条路径用Bezier曲线进行拟合,并根据原图中的效果写入EPS文件,传入矢量图文件存储模块;
(5)矢量图文件存储模块,用于合并所有写入EPS文件后的线条,并将预览图展示给用户,使用户能够进行轮廓和色彩上的调整,最终输出EPS格式矢量图完成矢量化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247493.4A CN111462023B (zh) | 2020-03-31 | 2020-03-31 | 一种图像纹理线条矢量化系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247493.4A CN111462023B (zh) | 2020-03-31 | 2020-03-31 | 一种图像纹理线条矢量化系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462023A true CN111462023A (zh) | 2020-07-28 |
CN111462023B CN111462023B (zh) | 2023-05-23 |
Family
ID=71680977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010247493.4A Active CN111462023B (zh) | 2020-03-31 | 2020-03-31 | 一种图像纹理线条矢量化系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462023B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347288A (zh) * | 2020-11-10 | 2021-02-09 | 北京北大方正电子有限公司 | 一种字图的矢量化方法 |
CN113361368A (zh) * | 2021-06-01 | 2021-09-07 | 福建福昕软件开发股份有限公司 | 基于桌面软件通过函数拟合识别pdf内多类线条的方法 |
CN113392250A (zh) * | 2021-06-30 | 2021-09-14 | 合肥高维数据技术有限公司 | 一种基于深度学习的矢量图检索方法及系统 |
CN113724357A (zh) * | 2021-11-03 | 2021-11-30 | 深圳市华阳国际工程设计股份有限公司 | 一种图像处理方法、系统、终端及存储介质 |
WO2023207741A1 (zh) * | 2022-04-24 | 2023-11-02 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种元宇宙场景素材的建模方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020077154A (ko) * | 2001-03-30 | 2002-10-11 | 후지쯔 가부시끼가이샤 | 액정표시장치 |
US20050147312A1 (en) * | 2004-01-06 | 2005-07-07 | Chen Aubrey K. | Method and apparatus for creating vector representation |
CN103927727A (zh) * | 2014-04-22 | 2014-07-16 | 成都品果科技有限公司 | 一种标量图像转化为矢量图的方法 |
CN107980221A (zh) * | 2015-04-01 | 2018-05-01 | 猫头鹰实验室股份有限公司 | 合成并缩放角度分离的子场景 |
-
2020
- 2020-03-31 CN CN202010247493.4A patent/CN111462023B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020077154A (ko) * | 2001-03-30 | 2002-10-11 | 후지쯔 가부시끼가이샤 | 액정표시장치 |
US20050147312A1 (en) * | 2004-01-06 | 2005-07-07 | Chen Aubrey K. | Method and apparatus for creating vector representation |
CN103927727A (zh) * | 2014-04-22 | 2014-07-16 | 成都品果科技有限公司 | 一种标量图像转化为矢量图的方法 |
CN107980221A (zh) * | 2015-04-01 | 2018-05-01 | 猫头鹰实验室股份有限公司 | 合成并缩放角度分离的子场景 |
Non-Patent Citations (2)
Title |
---|
任慧;栗风永;张新鹏;余江;: "结合重排序和直方图平移的调色板图像可逆信息隐藏" * |
郦炜;: "平行光检查在数字车型设计中的应用" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347288A (zh) * | 2020-11-10 | 2021-02-09 | 北京北大方正电子有限公司 | 一种字图的矢量化方法 |
CN112347288B (zh) * | 2020-11-10 | 2024-02-20 | 北京北大方正电子有限公司 | 一种字图的矢量化方法 |
CN113361368A (zh) * | 2021-06-01 | 2021-09-07 | 福建福昕软件开发股份有限公司 | 基于桌面软件通过函数拟合识别pdf内多类线条的方法 |
CN113361368B (zh) * | 2021-06-01 | 2024-03-19 | 福建福昕软件开发股份有限公司 | 基于桌面软件通过函数拟合识别pdf内多类线条的方法 |
CN113392250A (zh) * | 2021-06-30 | 2021-09-14 | 合肥高维数据技术有限公司 | 一种基于深度学习的矢量图检索方法及系统 |
CN113392250B (zh) * | 2021-06-30 | 2024-01-12 | 合肥高维数据技术有限公司 | 一种基于深度学习的矢量图检索方法及系统 |
CN113724357A (zh) * | 2021-11-03 | 2021-11-30 | 深圳市华阳国际工程设计股份有限公司 | 一种图像处理方法、系统、终端及存储介质 |
WO2023207741A1 (zh) * | 2022-04-24 | 2023-11-02 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种元宇宙场景素材的建模方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111462023B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462023A (zh) | 一种图像纹理线条矢量化系统和方法 | |
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 | |
JP4216871B2 (ja) | フォントデータ記憶および検索方法および装置 | |
JP3258122B2 (ja) | 画像処理装置 | |
US6185341B1 (en) | Image processing using vector data to reduce noise | |
KR0124961B1 (ko) | 문자 생성 방법 및 그 장치 | |
CN111723585A (zh) | 一种风格可控的图像文本实时翻译与转换方法 | |
CN109948549B (zh) | Ocr数据生成方法、装置、计算机设备及存储介质 | |
CN112784531B (zh) | 一种基于深度学习和部件拼接的中文字形及字库生成方法 | |
CN111160341B (zh) | 一种基于双注意力机制的场景中文文本识别方法 | |
WO2006006666A1 (ja) | ディジタル画像の輪郭追跡による画像処理方法並びに画像処理装置 | |
Sýkora et al. | Sketching Cartoons by Example. | |
CN115170525A (zh) | 一种图像差异检测方法及装置 | |
CN113065404B (zh) | 基于等宽文字片段的火车票内容检测方法与系统 | |
CN113963232A (zh) | 一种基于注意力学习的网络图数据提取方法 | |
CN112364863B (zh) | 证照文档的文字定位方法及系统 | |
US11908216B2 (en) | Musical notation system | |
CN108241861A (zh) | 一种数据可视化方法及设备 | |
JP2005134601A (ja) | 地図画像の解析装置 | |
CN115965987A (zh) | 基于异构架构的表格文字结构化识别方法 | |
CN112419208A (zh) | 一种基于施工图审查矢量图纸编译方法及系统 | |
CN111462084B (zh) | 基于随机森林的图像矢量化印刷出血点预测系统和方法 | |
JP2005210650A (ja) | 画像処理装置 | |
US20120159292A1 (en) | Method of processing an object-based image file with content type dependent image processing algorithms | |
CN111462258B (zh) | 一种针对制作印刷菲林片的纹理线条图像矢量化方法与系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |