CN111462084A - 基于随机森林的图像矢量化印刷出血点预测系统和方法 - Google Patents
基于随机森林的图像矢量化印刷出血点预测系统和方法 Download PDFInfo
- Publication number
- CN111462084A CN111462084A CN202010246240.5A CN202010246240A CN111462084A CN 111462084 A CN111462084 A CN 111462084A CN 202010246240 A CN202010246240 A CN 202010246240A CN 111462084 A CN111462084 A CN 111462084A
- Authority
- CN
- China
- Prior art keywords
- image
- bleeding
- prediction
- curve
- color
- 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
- 230000000740 bleeding effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007639 printing Methods 0.000 title claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000003709 image segmentation Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000013139 quantization Methods 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于随机森林的图像矢量化印刷出血点预测系统和方法。本系统包含图像分割模块、轮廓提取模块、出血预测模块、插值填充模块。本方法为:整个方法分为图像矢量化和出血点预测两个部分,先对位图进行相应的预处理来提升图像质量,之后进行颜色量化以及相应的聚类算法得到不同色块的闭合区域,采用轮廓检测算法和曲线拟合提取算法得到最终的曲线和颜色信息。在得到对应的矢量图信息之后,提取图像边界相应像素点的属性,并采用相应的机器学习算法对于目标出血点的回归预测。在得到目标出血点之后,采用相应的插值法进行曲线和色块的填充得到最终的矢量图的延伸。
Description
技术领域
本发明涉及一种基于随机森林的图像矢量化印刷出血点预测系统和方法,将随机森林算法和位图矢量化技术相结合实现了对于矢量图印刷出血点的有效预测。
背景技术
随着数字媒体技术的快速发展,人们对于图像的高效存储、传输、显示的需求也在日益增加。矢量图具有与分辨率无关、可编辑及存储简单等特点,解决传统像素位图不能够自由缩放、显示模糊、存储冗余等缺点。矢量图正在广泛的应用于广告设计、游戏动画、UI设计、图像印刷等领域。出血点是在印刷过程中为了保证原有图像尺寸的稳定性,在原有设计的基础上将图像扩展一定的比例来避免在印刷裁剪过程中出现的白边和内容缺失问题。
当前对于出血点的设置都是通过人工借助PhotoShop、Adobe illustrator等软件对于待印刷的图像进行矢量化之后,根据要打印的尺寸手动的选择向外扩展一定的比例。这种方法可以处理一些图像纹理简单、色彩单一的图像,但对于纹理复杂、色彩丰富的图像,只是简单的对图像扩展相应的比例,并不能够解决图像印刷裁剪后的内容缺失问题。而且由于每个人对于经验程度不同,使得最终印刷裁剪后的效果图也是有着极大的区别。
发明内容
本发明的目的是要解决人工对位图矢量化后印刷出血点设置不准确的问题,提出了一种基于随机森林的图像矢量化印刷出血点预测系统和方法。
为了解决上述问题,本发明的构想是:
首先将整个技术方案分为图像矢量化和出血点预测两个部分,第一部分是对于位图进行矢量化处理,先对位图进行相应的预处理来提升图像质量,之后进行颜色量化以及相应的聚类算法得到不同色块的闭合区域,采用轮廓检测算法和曲线拟合提取算法得到最终的曲线和颜色信息。第二部分是在得到对应的矢量图信息之后,提取图像边界相应像素点的属性,并采用相应的随机森林算法对于目标出血点的回归预测。在得到目标出血点之后,采用相应的插值法进行曲线和色块的填充得到最终的矢量图的延伸。
根据上述的发明构想,本发明采用了如下技术方案:
一种基于随机森林的图像矢量化印刷出血点预测系统,包括依次连接的图像分割模块、轮廓提取模块、出血预测模块、插值填充模块;所述图像分割模块采用机器学习中的聚类算法,按照位图中的颜色种类进行图像分割,最终形成不同色块的封闭区域;所述轮廓提取模块是对图像中的不同色块的边缘轮廓检测之后,采用设计的曲线拟合方法去拟合图像中的边缘轮廓;之后,在提取图像边界处的曲线信息以及相应像素点的属性;所述出血预测模块对于提取到的曲线信息,划分为相应比例的训练集、测试集和训练集;选取对应的机器学习算法进行回归预测,迭代完成之后对于出血点进行回归预测;所述插值填充模块在得到对应的出血点的属性信息之后,采用插值法实现对应像素点的填充,之后在对出血点和边界曲线的属性的提取实现出血区域的扩展。
一种基于随机森林的图像矢量化印刷出血点预测方法,使用上述的基于随机森林的图像矢量化印刷出血点预测系统,包括以下具体步骤:
1)图像预处理过程,消除图像中的噪声,并且采用了直方图变换和高通滤波器对于图像的空域和频域进行增强处理,使得局部的颜色分布更加均匀;
2)对预处理后的图像采用聚类算法实现基于颜色特征的封闭区域;随机选取与颜色类别相等的聚类中心,迭代计算聚类中心和周围像素点的相似度来分类所有的样本实现图像分割;
3)对于轮廓提取,先采用Sobel算法进行梯度信息的计算,在对图像的梯度幅值进行非极大值抑制;对得到的二值图像,通过阈值法将图像边缘信息连接,形成边缘轮廓曲线;
4)采用三阶贝塞尔方程,通过改变曲线的曲率以及样条插值,实现曲线的平滑拟合;曲线拟合之后,提取靠近图像边界的处的曲线信息,包含对应像素点的位置信息和颜色属性,实现轮廓提取;
5)出血点预测,首先对于提取的轮廓进行特征点的选取并划分为训练集、验证集和测试集;选定图像中需要扩展的出血点的位置信息,采用随机森林算法对于出血点的位置和颜色信息进行回归预测,注意避免迭代过程中出现的过拟合现象;
6)经过回归预测得到图像边界中每条曲线对应的出血点的属性,采用插值法实现相应的像素点的填充;对于出血点和边界曲线周围像素点属性的提取实现对于边界图案的预测以及出血位区域的颜色填充。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著技术进步:
当前对于出血点的设置都是通过人工采用第三方软件对于位图进行矢量化处理之后,手动扩展相应的比例去得到图像中的印刷出血位,使得印刷出血点的预测不够准确。在本发明中所描述的系统和方法中对于位图进行矢量化处理之后,获取到分辨率无关、可编辑及存储简单的矢量图。在通过提取到的矢量图中的信息实现对于出血点的预测,再对位图中的颜色和图案信息进行只能获取实现对于相应像素点的插值填充,生成匹配度较高的印刷出血点,提高了图像在印刷裁剪后的质量。
附图说明
图1为系统整体框架。
图2为图像分割模块流程图。
图3为轮廓提取模块流程图。
图4为出血预测模块流程图。
具体实施方式
本发明的优选实施例子结合附图详述如下:
如图1所示,一种基于随机森林的图像矢量化印刷出血点预测系统,包括依次连接的图像分割模块、轮廓提取模块、出血预测模块、插值填充模块;所述图像分割模块采用机器学习中的聚类算法,按照位图中的颜色种类进行图像分割,最终形成不同色块的封闭区域;所述轮廓提取模块是对图像中的不同色块的边缘轮廓检测之后,采用设计的曲线拟合方法去拟合图像中的边缘轮廓;之后,在提取图像边界处的曲线信息以及相应像素点的属性;所述出血预测模块对于提取到的曲线信息,划分为相应比例的训练集、测试集和训练集;选取对应的机器学习算法进行回归预测,迭代完成之后对于出血点进行回归预测;所述插值填充模块在得到对应的出血点的属性信息之后,采用插值法实现对应像素点的填充,之后在对出血点和边界曲线的属性的提取实现出血区域的扩展。
本实施例一种基于随机森林的图像矢量化印刷出血点预测方法,包括以下步骤:
1)图像预处理过程,消除图像中的噪声,并且采用了直方图变换和高通滤波器对于图像的空域和频域进行增强处理,使得局部的颜色分布更加均匀;
2)图像增强之后的颜色层次分明,可以采用聚类算法将彩色图像分割成基于颜色特征的封闭区域。首先需要量化彩色图像中的所有颜色,获取到颜色种类数之后,即为聚类算法所需要的类别数。在所有的像素点中随机选取聚类中心,度量聚类中心和周围像素点的相似度来分类所有的样本。计算当前每一类样本点的均值作为下一次迭代的聚类中心,直到最终聚类中心不在变化,迭代结束。
如图2所示,对于预处理模块输出的图像进行图像分割处理,其具体步骤为:
步骤1:首先输入预处理之后位图,获取到图中的颜色种类数为N,设定需要保留的颜色数为K;
步骤2:将图像的颜色值从R*G*B空间换算到L*a*b中并对图像中出现的各种颜色进行均值处理;
步骤3:在对整个图像中的像素进行搜索并统计每个颜色的出现频率之后进行均值统计;
步骤4:获取到需要优化后的颜色K之后,随机选取K个像素点作为聚类中心;
步骤5:在获取到K个聚类中心之后将其与周围的像素点进行相似度计算并判断聚类中心是否发生变换;
步骤6:迭代完成之后,对于获取到的K个聚类中心即可进行对应的色块分割处理。
3)在对图像进行聚类分割之后,将原图分割成不同色块的封闭区域。此时需要借助相应的边缘检测算法去提取图像的边缘轮廓,根据人眼的实际特点选取的灰度处理算法为:
Gray=0.299R+0.587G+0.144B (1)
采用Sobel算法进行梯度信息的计算,在对图像的梯度幅值进行非极大值抑制。在对得到的二值图像,通过阈值法将图像的边缘信息连接,形成边缘轮廓曲线。
如图3所示,对于图像分割模块得到的色块图进行轮廓提取处理,其具体步骤为:
步骤1:输入图像分割后得到的色块图;
步骤2:对于色块图在像素8领域内进行差分计算得到图像在水平方向、垂直方向、45°方向和135°方向上的梯度幅值;
步骤3:在对获取都的梯度赋值进行非极大值抑制处理,并且通过最大熵原理自适应获取阈值并对轮廓进行检测;
步骤4:对于图像中存在的不连续边缘和虚假边缘,可以通过哈夫变换检测连接的边缘点并对非边缘点进行抑制;
步骤5:在获取图像的边缘轮廓后,采用相应阶数的拟合方程对其进行拟合;
步骤6:通过移动四边形算法设定的网格区域,在整个图像滑动并提取边界区域的属性值。
4)图像的边缘轮廓信息检测出来之后,需要进行曲线拟合。采用的是贝塞尔曲线去拟合图像中的轮廓线,采用的是三阶贝塞尔曲线公式:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3,t∈[0,1] (2)
标记需要拟合曲线的起始点P0和终点P3,通过改变三界贝塞尔曲线的控制点P1和P2的值,即可改变曲线的曲率,而曲线中间的其他点可以通过样条插值t进行控制,实现曲线的平滑拟合。在对图像进行曲线拟合之后,需要提取靠近图像边界的处的曲线信息,包含对应像素点的位置信息和颜色属性,实现轮廓提取。
5)出血点预测,在获取到对应曲线中像素点的属性之后,划分为训练集、验证集和测试集。选定图像中需要扩展的出血点的位置信息,采用相应的随机森林算法对于出血点的位置和颜色信息进行回归预测,注意避免迭代过程中出现的过拟合现象。
如图4所示,对于轮廓提取模块获取的属性值输入到出血预测模块,其具体步骤如下:
步骤1:首先是获取到轮廓的属性值,进行数据清洗,消除数据中的冗余数据对于预测结果的干扰;
步骤2:在训练之前需要将数据集按照一定的比例划分为:训练集、验证集、测试集;
步骤3:设计相应的机器学习算法对于训练集进行训练预测,并且及时关注预测的准确度和相对应的loss是否能继续优化,避免出现过拟合情况;
步骤4:迭代训练结束之后,可以借助算法模型对于出血点进行回归预测。
6)经过回归预测得到图像边界中每条曲线对应的出血点的属性,采用的插值法实现相应的像素点的填充。对于出血点和边界曲线周围像素点属性的提取实现对于边界图案的预测以及出血位区域的颜色填充。
Claims (2)
1.一种基于随机森林的图像矢量化印刷出血点预测系统,其特征在于,包括依次连接的图像分割模块、轮廓提取模块、出血预测模块、插值填充模块;所述图像分割模块采用机器学习中的聚类算法,按照位图中的颜色种类进行图像分割,最终形成不同色块的封闭区域;所述轮廓提取模块是对图像中的不同色块的边缘轮廓检测之后,采用设计的曲线拟合方法去拟合图像中的边缘轮廓;之后,在提取图像边界处的曲线信息以及相应像素点的属性;所述出血预测模块对于提取到的曲线信息,划分为相应比例的训练集、测试集和训练集;选取对应的机器学习算法进行回归预测,迭代完成之后对于出血点进行回归预测;所述插值填充模块在得到对应的出血点的属性信息之后,采用插值法实现对应像素点的填充,之后在对出血点和边界曲线的属性的提取实现出血区域的扩展。
2.一种基于随机森林的图像矢量化印刷出血点预测方法,使用权利要求1所述的基于随机森林的图像矢量化印刷出血点预测系统,其特征在于,包括以下具体步骤:
1)图像预处理过程,消除图像中的噪声,并且采用了直方图变换和高通滤波器对于图像的空域和频域进行增强处理,使得局部的颜色分布更加均匀;
2)对预处理后的图像采用聚类算法实现基于颜色特征的封闭区域;随机选取与颜色类别相等的聚类中心,迭代计算聚类中心和周围像素点的相似度来分类所有的样本实现图像分割;
3)对于轮廓提取,先采用Sobel算法进行梯度信息的计算,在对图像的梯度幅值进行非极大值抑制;对得到的二值图像,通过阈值法将图像边缘信息连接,形成边缘轮廓曲线;
4)采用三阶贝塞尔方程,通过改变曲线的曲率以及样条插值,实现曲线的平滑拟合;曲线拟合之后,提取靠近图像边界的处的曲线信息,包含对应像素点的位置信息和颜色属性,实现轮廓提取;
5)出血点预测,首先对于提取的轮廓进行特征点的选取并划分为训练集、验证集和测试集;选定图像中需要扩展的出血点的位置信息,采用随机森林算法对于出血点的位置和颜色信息进行回归预测,注意避免迭代过程中出现的过拟合现象;
6)经过回归预测得到图像边界中每条曲线对应的出血点的属性,采用插值法实现相应的像素点的填充;对于出血点和边界曲线周围像素点属性的提取实现对于边界图案的预测以及出血位区域的颜色填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246240.5A CN111462084B (zh) | 2020-03-31 | 2020-03-31 | 基于随机森林的图像矢量化印刷出血点预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010246240.5A CN111462084B (zh) | 2020-03-31 | 2020-03-31 | 基于随机森林的图像矢量化印刷出血点预测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462084A true CN111462084A (zh) | 2020-07-28 |
CN111462084B CN111462084B (zh) | 2023-05-23 |
Family
ID=71685235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010246240.5A Active CN111462084B (zh) | 2020-03-31 | 2020-03-31 | 基于随机森林的图像矢量化印刷出血点预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462084B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508903A (zh) * | 2020-12-01 | 2021-03-16 | 电子科技大学 | 一种卫星望远镜镜片表面疵病轮廓检测方法 |
CN114331875A (zh) * | 2021-12-09 | 2022-04-12 | 上海大学 | 一种基于对抗边缘学习的印刷工艺中图像出血位预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2965739A1 (en) * | 2014-11-18 | 2016-06-02 | Harry Friedbert PADUBRIN | Learning contour identification system using portable contour metrics derived from contour mappings |
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN110120056A (zh) * | 2019-05-21 | 2019-08-13 | 闽江学院 | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 |
-
2020
- 2020-03-31 CN CN202010246240.5A patent/CN111462084B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2965739A1 (en) * | 2014-11-18 | 2016-06-02 | Harry Friedbert PADUBRIN | Learning contour identification system using portable contour metrics derived from contour mappings |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN110120056A (zh) * | 2019-05-21 | 2019-08-13 | 闽江学院 | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 |
Non-Patent Citations (1)
Title |
---|
冯国瑞;戴宁街;: "基于采样预测的安全可逆水印算法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508903A (zh) * | 2020-12-01 | 2021-03-16 | 电子科技大学 | 一种卫星望远镜镜片表面疵病轮廓检测方法 |
CN112508903B (zh) * | 2020-12-01 | 2022-04-19 | 电子科技大学 | 一种卫星望远镜镜片表面疵病轮廓检测方法 |
CN114331875A (zh) * | 2021-12-09 | 2022-04-12 | 上海大学 | 一种基于对抗边缘学习的印刷工艺中图像出血位预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111462084B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833220B (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
CN108460764B (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
CN107194872B (zh) | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 | |
CN108932493B (zh) | 一种面部皮肤质量评价方法 | |
CN103632361B (zh) | 一种图像分割方法和系统 | |
CN106875395B (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN108470350B (zh) | 折线图中的折线分割方法及装置 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN109978854B (zh) | 一种基于边缘与结构特征的屏幕内容图像质量评估方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN109961416B (zh) | 一种基于形态学梯度多尺度融合的营业执照信息提取方法 | |
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 | |
CN114170088A (zh) | 一种基于图结构数据的关系型强化学习系统及方法 | |
CN103971340A (zh) | 一种高位宽数字图像动态范围压缩和细节增强方法 | |
CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
Estrada et al. | Stochastic Image Denoising. | |
CN113177456A (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
CN116012316A (zh) | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 | |
CN111080754B (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
CN116091312A (zh) | 一种低对比度图像联合增强和超分辨率重建方法 | |
CN112949378A (zh) | 一种基于深度学习网络的细菌显微图像分割方法 | |
CN105791635A (zh) | 基于gpu的视频增强去噪方法及装置 |
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 |