CN111462147B - 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 - Google Patents
一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 Download PDFInfo
- Publication number
- CN111462147B CN111462147B CN202010365486.4A CN202010365486A CN111462147B CN 111462147 B CN111462147 B CN 111462147B CN 202010365486 A CN202010365486 A CN 202010365486A CN 111462147 B CN111462147 B CN 111462147B
- Authority
- CN
- China
- Prior art keywords
- points
- contour
- image block
- point
- image
- 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
Links
Images
Classifications
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法,首先提取物体的外轮廓以及其上的角点,再区分角点的凹凸性,并对明显凸缺陷进行填补,最后定义轮廓紧凑度,对凹点进行匹配,切割物体图像块,采用凸缺陷生成物体图像块的填补结果,可对分割算法所提取到的物体图像块做一个补充,缓解过分割问题,有利于学习到更完整的物体特征,而以轮廓紧凑度代表轮廓的规则程度,用轮廓紧凑度变化作为匹配依据,对凹点进行匹配,生成物体图像块的切割结果,可对分割算法所提取到的图像块做拆分,缓解欠分割问题,不仅有利于切割出有价值的图像块(例如物体的一个零件、一个组成部分),还有利于后续能学习到物体某个组成部分的特征。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法。
背景技术
在使用图像对物体特征进行学习时,通常先对物体图像块进行分割,后再在分割出来的物体图像块上进行学习,这样可以排除背景所带来的干扰,但是,现有的分割算法还存在以下不足之处:
1.不一定能准确分割出物体所在的图像块,因此,有必要对分割出来的图像块进行处理,以便能更准确的对物体图像进行学习;
2.容易产生过分割或者欠分割的分割结果,过分割指将本来属于一个整体的目标分割成了多个部分,欠分割指将目标与背景或是其他物体混在了一起,未能有效分割开。
发明内容
本发明要解决的技术问题是:提供一种能准确分割出物体所在图像块的基于图像块外轮廓及其角点对图像块进行切割和填补的方法,以克服已有技术所存在的上述不足。
本发明采取的技术方案是:一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法,包括以下步骤:
A.首先提取物体所在的图像块区域,以二值掩码的形式表示,再缩放图像,提取出掩码的轮廓,以面积最大的闭合轮廓作为物体的外轮廓;
B.提取物体外轮廓上的角点;
C.区分角点的凹凸性;
D.若没有凹点,则所提取的轮廓较为完整,不需对图像块进行切割或填补,若有凹点,则进入步骤E;
E.提取轮廓的凸包和凸缺陷,若一个凸缺陷轮廓上的点与凸包的最大距离超过设定值m,则该凸缺陷为明显凸缺陷,反之则为非明显凸缺陷,所述m的取值范围为19≤m≤29;
F.针对明显凸缺陷填补物体图像块;
G.以轮廓紧凑度为依据对凹点进行匹配,切割物体图像块:
g1.设一个封闭、无自交的轮廓a的周长为l,面积为s,计算轮廓a的轮廓紧凑度cmt,公式如下:
若轮廓a被其上两个点A、B分割成a 1、a 2两段轮廓,且线段AB与轮廓a没有除A、B外的交点,则a 1、a 2与线段AB分别组成新的闭合轮廓b 1、b 2,计算轮廓b 1、b 2带来的紧凑度变化,公式如下:
其中,s 1、s 2分别为b 1、b 2的面积,l 1、l 2分别为b 1、b 2的周长,cmt 1、cmt 2分别为b 1、b 2的紧凑度;
g2.若步骤C中得到的凹点数量大于1,则设物体原始轮廓的紧凑度为cmt 0,i和j为轮廓上两个不同的凹点,若凹点i与凹点j的连线切割出来的轮廓所带来的的紧凑度变化大于凹点i与其它任意一个凹点的连线切割出来的轮廓所带来的紧凑度变化,则凹点i的匹配结果为凹点j,若凹点j的匹配结果亦为凹点i,且Δcmt大于给定值n,则凹点i与凹点j为一对互相匹配的凹点,所述n=n0×cmt,所述n0的取值范围为0.04≤n0≤0.06;
g3.若步骤C中得到的凹点数量等于1,则按照步骤g2,从步骤E之非明显凸缺陷轮廓上的物体外轮廓点中,找出一点k,使得点k与该凹点i的连线切割出来的新图像块的轮廓紧凑度变化最大,且连线的长度大于给定值d,则点k为凹点i的匹配结果,所述d的取值范围为16≤d≤20;
g4.根据步骤g2和g3找出所有互相匹配的点,两点连线形成切割线,每对点(即每对切割线)产生一组新的轮廓,对每个轮廓内部填充,得到多个图像块的二值掩码,将其与原来的物体图像块二值掩码做“逻辑与”操作(即两个掩码在相同位置的像素值都大于0,则结果为真),每一组新的轮廓产生一组图像块的切割结果,完成切割。
其进一步的技术方案为:所述步骤A中采用图像分割算法提取出物体所在的图像块区域;所述缩放图像具体为将图像的短边长度缩放至固定长度y,并保持新图的长宽比与原始图像相同,若新图的长宽比大于设定的最大长宽比x,则将新图的长宽比设为设定的最大长宽比x,所述x的取值范围为3.5≤x≤5.0,y的取值范围为100≤y≤150。
进一步:所述步骤C具体包括以下步骤:
c1.假设轮廓曲线的起点是轮廓最上方的点(如果有多个点,就取最左边的点),则轮廓曲线的点以逆时针顺序依次连接;
c2.确定角点的凹凸性,公式如下:
x 0= x i -x i-s ,y 0=y i -y i-s ,x 1= x i+s -x i ,y 1=y i+s -y i ,
则角点凹凸类型:
式中,s为预先设定的值,(x i-s ,y i-s )、(x i ,y i )和(x i+s ,y i+s )分别为,从轮廓起始点开始,逆时针数到第i-s、第i和第i+s个点的坐标,concave为凹点,convex为凸点,x 0 y 1-x 1 y 0为向量叉积,所述s的取值范围为2≤s≤7,
选取两个s值,分别计算出两个向量叉积,取其和作为最终叉积值,并通过向量叉积正负来判断点i-s→i→i+s的顺逆方向,若叉积为正,则方向为顺时针,i是凹点,若叉积为负,则方向为逆时针,i是凸点。
进一步:所述步骤F具体包括以下步骤:
将步骤E中每一个明显凸缺陷的二值掩码c i 与原物体图像块二值掩码做“逻辑并”操作(即若两个掩码在相同图像位置的像素值有一个大于0,则结果为真),得到填补好的物体图像块。
由于采用上述技术方案,本发明之一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法具有如下有益效果:
1.本发明采用凸缺陷生成物体图像块的填补结果,可对分割算法所提取到的物体图像块做一个补充,缓解过分割问题,有利于学习到更完整的物体特征;
2.本发明以轮廓紧凑度代表轮廓的规则程度,用轮廓紧凑度变化作为匹配依据,对凹点进行匹配,生成物体图像块的切割结果,可对分割算法所提取到的图像块做拆分,缓解欠分割问题,不仅有利于切割出有价值的图像块(例如物体的一个零件、一个组成部分),还有利于后续能学习到物体某个组成部分的特征。
下面结合附图和实施例对本发明之一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法的技术特征作进一步的说明。
附图说明
图1为本发明实施例之方法流程图;
图2为本发明实施例之物体原始图像示意图;
图3-图5为本发明实施例之切块结果示意图;
图3为物体二值掩码及切割线示意图,图4-图5为切割后的物体块二值掩码;
图6-图8为本发明实施例之补块结果示意图;
图6为物体二值掩码及补线示意图,图7为填补后的物体块二值掩码示意图,图8为用来填补的物体块二值掩码示意图。
具体实施方式
实施例
一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法,如图1所示,包括以下步骤:
A.首先采用图像分割算法提取物体所在的图像块区域,以二值掩码的形式表示(二值掩码中像素值大于0的部分为物体所在的图像块区域),再缩放图像,即将图像的短边长度缩放至固定长度128个像素,并保持新图的长宽比与原始图像相同,若新图的长宽比大于设定的最大长宽比4.0,则将新图的长宽比设为4.0,最后采用轮廓提取算法提取出掩码的轮廓,以面积最大的闭合轮廓作为物体的外轮廓;
B.提取物体外轮廓上的角点;
C.区分角点的凹凸性;
c1.假设轮廓曲线的起点是轮廓最上方的点(如果有多个点,就取最左边的点),则轮廓曲线的点以逆时针顺序依次连接;
c2.确定角点的凹凸性,公式如下:
x 0= x i -x i-s ,y 0=y i -y i-s ,x 1= x i+s -x i ,y 1=y i+s -y i ,
则角点凹凸类型:
式中,s为预先设定的值,(x i-s ,y i-s )、(x i ,y i )和(x i+s ,y i+s )分别为,从轮廓起始点开始,逆时针数到第i-s、第i和第i+s个点的坐标,concave为凹点,convex为凸点,x 0 y 1-x 1 y 0为向量叉积,所述s的取值范围为2≤s≤7,
选取两个s值3、5,分别计算出两个向量叉积,取其和作为最终叉积值,由于设定轮廓上的每个点是逆时针顺次连接,因此通过向量叉积正负来判断点i-s→i→i+s的顺逆方向,若叉积为正,则方向为顺时针,i是凹点,若叉积为负,则方向为逆时针,i是凸点;
D.若没有凹点,则所提取的轮廓较为完整,不需对图像块进行切割或填补,若有凹点,则进入步骤E;
E.采用轮廓凸包提取方法(Sklansky, J.等的“Finding the Convex Hull of aSimple Polygon”一文中提出的方法或其他可用来提取轮廓凸包的方法)提取轮廓的凸包和凸缺陷,若一个凸缺陷轮廓上的点与凸包的最大距离超过设定值24个像素,则该凸缺陷为明显凸缺陷,反之则为非明显凸缺陷;
F.针对明显凸缺陷填补物体图像块,将步骤E中每一个明显凸缺陷的二值掩码c i 与原物体图像块二值掩码做“逻辑并”操作(即若两个掩码在相同图像位置的像素值有一个大于0,则结果为真),得到填补好的物体图像块,即不同的物体图像块的填补结果,有利于学习到更完整的物体特征;
G.以轮廓紧凑度为依据对凹点进行匹配,切割物体图像块,目标是找到一对凹点,它们的连线与物体外轮廓的交点只有它们自己,找到之后,连接这对凹点,把一个大的物体闭合外轮廓分为两个小的闭合轮廓,
g1.设一个封闭、无自交的轮廓a的周长为l,面积为s,定义并计算轮廓a的轮廓紧凑度cmt,公式如下:
若轮廓a被其上两个点A、B分割成a 1、a 2两段轮廓,且线段AB与轮廓a没有除A、B外的交点,则a 1、a 2与线段AB分别组成新的闭合轮廓b 1、b 2,计算轮廓b 1、b 2带来的紧凑度变化,公式如下:
其中,s 1、s 2分别为b 1、b 2的面积,l 1、l 2分别为b 1、b 2的周长,cmt 1、cmt 2分别为b 1、b 2的紧凑度;
g2.若步骤C中得到的凹点数量大于1,则设物体原始轮廓的紧凑度为cmt 0,i和j为轮廓上两个不同的凹点,若凹点i与凹点j的连线切割出来的轮廓所带来的的紧凑度变化大于凹点i与其它任意一个凹点的连线切割出来的轮廓所带来的紧凑度变化,则凹点i的匹配结果为凹点j,若凹点j的匹配结果亦为凹点i,且Δcmt大于给定值n(n=0.05×cmt),则凹点i与凹点j为一对互相匹配的凹点;
g3.若步骤C中得到的凹点数量等于1,则按照步骤g2,从步骤E之非明显凸缺陷轮廓上的物体外轮廓点中,找出一点k,使得点k与该凹点i的连线切割出来的新图像块的轮廓紧凑度变化最大,且连线的长度大于16个像素,则点k为凹点i的匹配结果;
g4.根据步骤g2和g3找出所有互相匹配的点,两点连线形成切割线,每对点(即每对切割线)产生一组新的轮廓,并保证切割线全部在块内,对每个轮廓内部填充,得到多个图像块的二值掩码,将其与原来的物体图像块二值掩码做“逻辑与”操作(即两个掩码在相同位置的像素值都大于0,则结果为真),每一组新的轮廓产生一组图像块的切割结果,完成切割,有利于切割出有价值的图像块(例如物体的一个零件、一个组成部分),还有利于后续能学习到物体某个组成部分的特征。
以上实施例仅为本发明的较佳实施例,本发明的方法并不限于上述实施例列举的形式,凡在本发明的精神和原则之内所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法,其特征在于:包括以下步骤:
A.首先提取物体所在的图像块区域,以二值掩码的形式表示,再缩放图像,提取出掩码的轮廓,以面积最大的闭合轮廓作为物体的外轮廓;
B.提取物体外轮廓上的角点;
C.区分角点的凹凸性;
D.若没有凹点,则所提取的轮廓较为完整,不需对图像块进行切割或填补,若有凹点,则进入步骤E;
E.提取轮廓的凸包和凸缺陷,若一个凸缺陷轮廓上的点与凸包的最大距离超过设定值m,则该凸缺陷为明显凸缺陷,反之则为非明显凸缺陷,所述m的取值范围为19≤m≤29;
F.针对明显凸缺陷填补物体图像块;
G.以轮廓紧凑度为依据对凹点进行匹配,切割物体图像块:
g1.设一个封闭、无自交的轮廓a的周长为l,面积为s,计算轮廓a的轮廓紧凑度cmt,公式如下:
若轮廓a被其上两个点A、B分割成a 1、a 2两段轮廓,且线段AB与轮廓a没有除A、B外的交点,则a 1、a 2与线段AB分别组成新的闭合轮廓b 1、b 2,计算轮廓b 1、b 2带来的紧凑度变化,公式如下:
其中,s 1、s 2分别为b 1、b 2的面积,l 1、l 2分别为b 1、b 2的周长,cmt 1、cmt 2分别为b 1、b 2的紧凑度;
g2.若步骤C中得到的凹点数量大于1,则设物体原始轮廓的紧凑度为cmt 0,i和j为轮廓上两个不同的凹点,若凹点i与凹点j的连线切割出来的轮廓所带来的紧凑度变化大于凹点i与其它任意一个凹点的连线切割出来的轮廓所带来的紧凑度变化,则凹点i的匹配结果为凹点j,若凹点j的匹配结果亦为凹点i,且Δcmt大于给定值n,则凹点i与凹点j为一对互相匹配的凹点,所述n=n0×cmt,所述n0的取值范围为0.04≤n0≤0.06;
g3.若步骤C中得到的凹点数量等于1,则按照步骤g2,从步骤E之非明显凸缺陷轮廓上的物体外轮廓点中,找出一点k,使得点k与该凹点i的连线切割出来的新图像块的轮廓紧凑度变化最大,且连线的长度大于给定值d,则点k为凹点i的匹配结果,所述d的取值范围为16≤d≤20;
g4.根据步骤g2和g3找出所有互相匹配的点,两点连线形成切割线,每对点,即每对切割线,产生一组新的轮廓,对每个轮廓内部填充,得到多个图像块的二值掩码,将其与原来的物体图像块二值掩码做“逻辑与”操作,即两个掩码在相同位置的像素值都大于0,则结果为真,每一组新的轮廓产生一组图像块的切割结果,完成切割。
2.根据权利要求1所述的一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法,其特征在于:
所述步骤A中采用图像分割算法提取出物体所在的图像块区域;所述缩放图像具体为将图像的短边长度缩放至固定长度y,并保持新图的长宽比与原始图像相同,若新图的长宽比大于设定的最大长宽比x,则将新图的长宽比设为设定的最大长宽比x,所述x的取值范围为3.5≤x≤5.0,y的取值范围为100≤y≤150。
3.根据权利要求1所述的一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法,其特征在于:所述步骤C具体包括以下步骤:
c1.假设轮廓曲线的起点是轮廓最上方的点,如果有多个点,就取最左边的点,则轮廓曲线的点以逆时针顺序依次连接;
c2.确定角点的凹凸性,公式如下:
x 0= x i -x i-s ,y 0=y i -y i-s ,x 1= x i+s -x i ,y 1=y i+s -y i ,
则角点凹凸类型:
式中,s为预先设定的值,(x i-s ,y i-s )、(x i ,y i )和(x i+s ,y i+s )分别为,从轮廓起始点开始,逆时针数到第i-s、第i和第i+s个点的坐标,concave为凹点,convex为凸点,x 0 y 1-x 1 y 0为向量叉积,所述s的取值范围为2≤s≤7,
选取两个s值,分别计算出两个向量叉积,取其和作为最终叉积值,并通过向量叉积正负来判断点i-s→i→i+s的顺逆方向,若叉积为正,则方向为顺时针,i是凹点,若叉积为负,则方向为逆时针,i是凸点。
4.根据权利要求1所述的一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法,其特征在于:所述步骤F具体包括以下步骤:
将步骤E中每一个明显凸缺陷的二值掩码c i 与原物体图像块二值掩码做“逻辑并”操作,即若两个掩码在相同图像位置的像素值有一个大于0,则结果为真,得到填补好的物体图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010365486.4A CN111462147B (zh) | 2020-04-30 | 2020-04-30 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010365486.4A CN111462147B (zh) | 2020-04-30 | 2020-04-30 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462147A CN111462147A (zh) | 2020-07-28 |
CN111462147B true CN111462147B (zh) | 2022-07-05 |
Family
ID=71686080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010365486.4A Active CN111462147B (zh) | 2020-04-30 | 2020-04-30 | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462147B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270679B (zh) * | 2020-11-19 | 2022-04-22 | 浙江大学 | 一种结合凹点与凹边的凸多边形轮廓的图像分割方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5537495A (en) * | 1994-03-11 | 1996-07-16 | Hewlett-Packard Company | Pixel correction and smoothing method |
CN101887582A (zh) * | 2010-06-03 | 2010-11-17 | 西北工业大学 | 基于差别累加值及三点链码差的曲线拐角点检测方法 |
CN104933701A (zh) * | 2015-05-18 | 2015-09-23 | 重庆大学 | 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法 |
CN105139405A (zh) * | 2015-09-07 | 2015-12-09 | 中国人民解放军理工大学 | 一种重叠碎米与整米的视觉分离检测方法 |
CN106530272A (zh) * | 2016-10-09 | 2017-03-22 | 山东师范大学 | 基于凹点匹配的重叠蛋白质点分离方法及装置 |
CN106650738A (zh) * | 2016-11-23 | 2017-05-10 | 中国农业大学 | 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 |
CN107256406A (zh) * | 2017-04-19 | 2017-10-17 | 深圳清华大学研究院 | 重叠纤维图像分割方法、装置、存储介质和计算机设备 |
CN108961271A (zh) * | 2018-06-27 | 2018-12-07 | 西安工程大学 | 一种彩色3d点云超体素凹凸分割算法 |
CN109063718A (zh) * | 2018-03-22 | 2018-12-21 | 中国地质大学(武汉) | 基于惯性矩的紧凑度密度峰值聚类的多线道路提取方法 |
CN109829489A (zh) * | 2019-01-18 | 2019-05-31 | 刘凯欣 | 一种基于多层特征的文物碎片重组方法及装置 |
CN110458843A (zh) * | 2019-06-27 | 2019-11-15 | 清华大学 | 掩模图像的分割方法及系统 |
CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
US10614340B1 (en) * | 2019-09-23 | 2020-04-07 | Mujin, Inc. | Method and computing system for object identification |
-
2020
- 2020-04-30 CN CN202010365486.4A patent/CN111462147B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5537495A (en) * | 1994-03-11 | 1996-07-16 | Hewlett-Packard Company | Pixel correction and smoothing method |
CN101887582A (zh) * | 2010-06-03 | 2010-11-17 | 西北工业大学 | 基于差别累加值及三点链码差的曲线拐角点检测方法 |
CN104933701A (zh) * | 2015-05-18 | 2015-09-23 | 重庆大学 | 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法 |
CN105139405A (zh) * | 2015-09-07 | 2015-12-09 | 中国人民解放军理工大学 | 一种重叠碎米与整米的视觉分离检测方法 |
CN106530272A (zh) * | 2016-10-09 | 2017-03-22 | 山东师范大学 | 基于凹点匹配的重叠蛋白质点分离方法及装置 |
CN106650738A (zh) * | 2016-11-23 | 2017-05-10 | 中国农业大学 | 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 |
CN107256406A (zh) * | 2017-04-19 | 2017-10-17 | 深圳清华大学研究院 | 重叠纤维图像分割方法、装置、存储介质和计算机设备 |
CN109063718A (zh) * | 2018-03-22 | 2018-12-21 | 中国地质大学(武汉) | 基于惯性矩的紧凑度密度峰值聚类的多线道路提取方法 |
CN108961271A (zh) * | 2018-06-27 | 2018-12-07 | 西安工程大学 | 一种彩色3d点云超体素凹凸分割算法 |
CN109829489A (zh) * | 2019-01-18 | 2019-05-31 | 刘凯欣 | 一种基于多层特征的文物碎片重组方法及装置 |
CN110458843A (zh) * | 2019-06-27 | 2019-11-15 | 清华大学 | 掩模图像的分割方法及系统 |
CN110596120A (zh) * | 2019-09-06 | 2019-12-20 | 深圳新视智科技术有限公司 | 玻璃边界缺陷检测方法、装置、终端及存储介质 |
US10614340B1 (en) * | 2019-09-23 | 2020-04-07 | Mujin, Inc. | Method and computing system for object identification |
Non-Patent Citations (8)
Title |
---|
CONCAVITY ANALYSIS FOR CONVEX OBJECT SEGMENTATION;N.A. Ashikhmin;《http://dspace.susu.ru》;20181231;第1-34页 * |
Researches on segmentation of overlapped convex targets;Zhao Yun 等;《Advanced Materials Research》;20140813;第756-759页 * |
SEGMENTATION OF OVERLAPPING CONVEX OBJECTS;Sahar Zafari;《researchgate》;20140930;第1-91页 * |
一种基于凹点匹配的重叠图像分割算法;韦冬冬 等;《2009中国过程系统工程年会暨中国mes年会论文集》;20090922;第419-423页 * |
交叉毛羽的凹点匹配分割算法;景军锋 等;《毛纺科技》;20190516;第47卷(第5期);第1-5页 * |
凝胶图像重叠蛋白质点分割算法研究;赵福娟 等;《计算机工程与应用》;20170301;第53卷(第5期);第212-215页 * |
基于机器视觉的齿轮缺陷检测方法研究;张钰婷 等;《工业控制计算机》;20170725;第30卷(第7期);第90-91、94页 * |
识别与定位三维物体的点匹配法;唐四春 等;《电子学报》;19910501;第19卷(第4期);第53-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111462147A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299274B (zh) | 一种基于全卷积神经网络的自然场景文本检测方法 | |
CN111915613B (zh) | 一种图像实例分割方法、装置、设备及存储介质 | |
CN111723585A (zh) | 一种风格可控的图像文本实时翻译与转换方法 | |
CN108898610A (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN110705558B (zh) | 图像实例分割方法和装置 | |
CN110853026A (zh) | 一种融合深度学习与区域分割的遥感影像变化检测方法 | |
CN110992374B (zh) | 一种基于深度学习的头发精细化分割方法及系统 | |
CN108197567B (zh) | 用于图像处理的方法、装置和计算机可读介质 | |
CN111401449B (zh) | 一种基于机器视觉的图像匹配方法 | |
CN111462147B (zh) | 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法 | |
CN105528485A (zh) | 一种从位图自动轮廓提取及路径生成的方法 | |
CN108846844A (zh) | 一种基于海天线的海面目标检测方法 | |
CN106340010A (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN114332133A (zh) | 基于改进CE-Net的新冠肺炎CT图像感染区分割方法及系统 | |
CN113159215A (zh) | 一种基于Faster Rcnn的小目标检测识别方法 | |
WO2019209751A1 (en) | Superpixel merging | |
CN112215079B (zh) | 一种全局多阶段目标跟踪方法 | |
CN111553351A (zh) | 一种基于语义分割的场景任意形状的文本检测方法 | |
CN111814736B (zh) | 快递面单信息的识别方法、装置、设备及存储介质 | |
CN112686265A (zh) | 一种基于层级轮廓提取的象形文字分割方法 | |
CN111462153A (zh) | 一种基于图像轮廓Freeman链码的角点特征提取方法 | |
US20220262006A1 (en) | Device for detecting an edge using segmentation information and method thereof | |
CN111310754A (zh) | 一种分割车牌字符的方法 | |
CN111080723A (zh) | 基于Unet网络的图像元素分割方法 | |
CN109345551B (zh) | 图像外轮廓中凹包络的检测方法、系统及计算机存储介质 |
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 |