CN111507338A - 基于二值图像骨架相似性计算的中国象棋棋子识别方法 - Google Patents
基于二值图像骨架相似性计算的中国象棋棋子识别方法 Download PDFInfo
- Publication number
- CN111507338A CN111507338A CN202010294015.9A CN202010294015A CN111507338A CN 111507338 A CN111507338 A CN 111507338A CN 202010294015 A CN202010294015 A CN 202010294015A CN 111507338 A CN111507338 A CN 111507338A
- Authority
- CN
- China
- Prior art keywords
- image
- chess
- skeleton
- chinese chess
- character
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Character Input (AREA)
Abstract
本发明公开一种基于二值图像骨架相似性计算的中国象棋棋子识别方法。该方法包括:获取原始象棋文字图像;将原始象棋文字图像通过阈值分割方法,得到目标文字图像;对目标文字图像进行去噪处理;对去噪处理后的图像进行旋转,得到不同旋转角度的图像;对上述图像采用细化方法提取,得到骨架图像;对骨架图像进行压缩;对压缩后的骨架图像进行二次细化提取,得到基本匹配模板;获取象棋测试图像;对象棋测试图像进行处理,得到处理后的象棋测试模板;根据基本匹配模板和处理后的象棋测试模板进行相似度匹配识别,得到识别的目标文字及旋转角度。本发明能够有效准确地识别出任意旋转角度的棋子文字图像,占用空间少,识别效率高。
Description
技术领域
本发明涉及计算机图像识别领域,特别是涉及一种基于二值图像骨架相似性计算的中国象棋棋子识别方法。
背景技术
随着社会的不断发展和科技的不断进步,以中国象棋机器人为代表的娱乐服务型机器人,逐渐成为机器人研究领域的热点之一。在中国象棋机器人视觉系统中,旋转汉字的识别是棋类识别的关键步骤。一般来说,棋子上的汉字字体多种多样,形状和位置各异。识别象棋文字图像具有非常重要的意义。
关于象棋棋子的识别,目前的研究相对较少。主要存在两个难点:一个是象棋棋子摆放角度随意,传统字符识别方法不能识别旋转图像;另一个是由于拍照设备拍摄角度偏差造成的倾斜畸变。以上两个因素,都造成了传统的文字识别方法识别率低。针对上述问题,有部分研究利用神经网络或深度学习进行棋子文字识别,但是使用训练样本多,占用存储空间大,并没有实用价值。
发明内容
本发明的目的是提供一种基于二值图像骨架相似性计算的中国象棋棋子识别方法,不仅能够有效准确地识别出任意旋转角度的棋子文字图像,实现对具有轻度倾斜畸变的棋子照片的识别,还能在一个较小的特征矩阵中就可以存储所有的匹配模板,存储量小,占用空间少,识别效率高。
为实现上述目的,本发明提供了如下方案:
一种基于二值图像骨架相似性计算的中国象棋棋子识别方法,包括:
获取原始象棋文字图像;
将所述原始象棋文字图像通过阈值分割方法,得到目标文字图像;
对所述目标文字图像进行去除噪声处理,得到去除噪声后的基本象棋文字图像;
对所述基本象棋文字图像进行旋转,得到不同旋转角度的目标象棋文字图像;
根据目标象棋文字图像采用细化方法提取,得到骨架图像;
对所述骨架图像进行压缩,得到压缩后的骨架图像;
对所述压缩后的骨架图像进行二次细化提取,得到基本匹配模板;
获取象棋测试图像;
对所述象棋测试图像进行处理,得到处理后的象棋测试模板;
根据所述基本匹配模板和所述处理后的象棋测试模板进行相似度匹配识别,得到识别的目标文字及旋转角度。
可选的,所述将所述原始象棋文字图像通过阈值分割方法,得到目标文字图像,具体包括:
对所述原始象棋文字图像,以每个像素点对应的R、G、B三个值进行计算,得到计算结果;
对所述计算结果进行归一化,得到灰度图像;
根据所述灰度图像采用最大类间方差法确定灰度图像阈值;
根据所述灰度图像阈值采用阈值分割的方法,得到象棋标准文字图像。
可选的,所述对所述目标文字图像进行旋转,得到不同旋转角度的基本象棋文字图像,具体包括:
对所述目标文字图像每10°旋转一周,得到36幅不同旋转角度的基本象棋文字图像。
可选的,所述对所述基本象棋文字图像去除噪声处理,得到去除噪声后的象棋文字图像,具体包括:
根据所述基本象棋文字的拓扑特征,选取合适的结构元素大小;
根据所述结构元素大小依次对所述基本象棋文字图像进行开操作和闭操作去噪处理,得到去除噪声后的象棋文字图像。
可选的,所述根据去除噪声后的象棋文字图像采用细化方法提取,得到骨架图像,具体包括:
对所述去除噪声后的象棋文字图像进行细化操作,直到所有剩余的黑色像素点都是边缘点,得到骨架图像。
可选的,所述对所述骨架图像进行压缩,得到压缩后的骨架图像,具体包括:
计算得到未压缩二值骨架图像的行数m和列数n;设定压缩后图像的尺寸为k行k列;
选择最小的阈值L,所述阈值L为k的整数倍,且大于m和n;
若行数小于所述阈值,则表示行数少,补充全部为背景像素的行;若列数小于所述阈值,则表示列数少,补充全部为背景像素的列,得到补充后的图像;
将所述补充后的图像压缩至k行k列,得到压缩后的骨架图像。
可选的,所述对所述压缩后的骨架图像进行二次细化提取,得到基本匹配模板,具体包括:
对各所述压缩后的骨架图像进行二次细化提取,均得到36个基本匹配模板。
可选的,所述对所述象棋测试图像进行处理,得到处理后的象棋测试图像,具体包括:
对所述象棋测试图像进行灰度化、二值化和滤波去噪处理,得到去噪后的象棋测试图像;
对所述去噪后的象棋测试图像进行初次细化、压缩和二次细化处理,得到处理后的象棋测试模板。
可选的,所述根据所述基本匹配模板和所述处理后的象棋测试模板进行相似度匹配识别,得到识别的目标文字及旋转角度,具体包括:
设F是象棋测试模板,在所有的所述基本匹配模板中找到G,使骨架相似性Ssim(F,G)获得最大值,则G对应的象棋文字为测试图像所对应的目标文字,G对应的旋转角度为测试图像所对应的旋转角度;
假设F和G是通过细化算法获得的大小相同的二值图像,Lm和Ln分别是图像的长度和宽度,F的前景目标集为{f1,f2,,fNF},G的前景目标集为{g1,g2,,gNG},使用以下公式来计算所述二值图像的像素位置(mcp)的一致性:
使用以下公式度量F和G的骨架相似性(Ssim):
Ssim(F,G)=1-2mcp(F,G)/max(Lm,Ln)
其中,Ssim的值小于或等于1,Ssim值越大,F和G的相似度越高;当Ssim的值等于1时,F和G是相同的图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
(1)本发明能够有效准确地识别出任意旋转角度的棋子文字图像。
(2)本发明可以实现对具有轻度倾斜畸变的棋子照片的识别。
(3)本发明由于是以骨架作为匹配模板,在一个较小的特征矩阵中就可以存储所有的匹配模板,因此存储量小,占用空间少,识别效率高。
(4)与其他类型的棋子文字识别方法相比,本发明能够在不改变象棋样式的基础上,以较少的训练样本完成识别,数据量更小,识别速度更快。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于二值图像骨架相似性计算的中国象棋棋子识别方法流程图;
图2为本发明实施例所述的原始象棋棋子图像示意图;
图3为本发明实施例所述的灰度化后的图像示意图;
图4为本发明实施例所述的二值化后的图像示意图;
图5为本发明实施例所述的开、闭操作后的图像示意图;
图6为本发明实施例所述的细化操作后的图像示意图;
图7为本发明实施例所述的将骨架图压缩到特征矩阵后的图像示意图;
图8为本发明实施例所述的对压缩后图像进行再次细化后的图像示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于二值图像骨架相似性计算的中国象棋棋子识别方法,不仅能够有效准确地识别出任意旋转角度的棋子文字图像,实现对具有轻度倾斜畸变的棋子照片的识别,还能在一个较小的特征矩阵中就可以存储所有的匹配模板,存储量小,占用空间少,识别效率高。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于二值图像骨架相似性计算的中国象棋棋子识别方法流程图。如图1所示,一种基于二值图像骨架相似性计算的中国象棋棋子识别方法包括:
步骤101:获取原始象棋文字图像。
步骤102:将所述原始象棋文字图像通过阈值分割方法,得到目标文字图像,具体包括:
对所述原始象棋文字图像,以每个像素点对应的R、G、B三个值进行计算,得到计算结果。
对所述计算结果进行归一化,得到灰度图像。
根据所述灰度图像采用最大类间方差法确定灰度图像阈值。
根据所述灰度图像阈值采用阈值分割的方法,得到象棋标准文字图像。
步骤103:对所述目标文字图像进行去除噪声处理,得到去除噪声后的基本象棋文字图像,具体包括:
根据所述基本象棋文字的拓扑特征,选取合适的结构元素大小。
根据所述结构元素大小依次对所述基本象棋文字图像进行开操作和闭操作去噪处理,得到去除噪声后的象棋文字图像。
步骤104:对所述基本象棋文字图像进行旋转,得到不同旋转角度的目标象棋文字图像,具体包括:
对所述目标文字图像每10°旋转一周,得到36幅不同旋转角度的基本象棋文字图像。
步骤105:根据目标象棋文字图像采用细化方法提取,得到骨架图像,具体包括:
对所述去除噪声后的象棋文字图像进行细化操作,直到所有剩余的黑色像素点都是边缘点,得到骨架图像。
步骤106:对所述骨架图像进行压缩,得到压缩后的骨架图像,具体包括:
计算得到未压缩二值骨架图像的行数m和列数n;设定压缩后图像的尺寸为k行k列,k建议取值为15到25,数值越大则识别的容错率更高,但占用的存储空间也更大。
选择最小的阈值L,所述阈值L为k的整数倍,且大于m和n。
若行数小于所述阈值,则表示行数少,补充全部为背景像素的行;若列数小于所述阈值,则表示列数少,补充全部为背景像素的列,得到补充后的图像。
将所述补充后的图像压缩至k行k列,得到压缩后的骨架图像。
步骤107:对所述压缩后的骨架图像进行二次细化提取,得到基本匹配模板,具体包括:
对各所述压缩后的骨架图像进行二次细化提取,均得到36个基本匹配模板。
步骤108:获取象棋测试图像。
步骤109:对所述象棋测试图像进行处理,得到处理后的象棋测试模板,具体包括:
对所述象棋测试图像进行灰度化、二值化和滤波去噪处理,得到去噪后的象棋测试图像。
对所述去噪后的象棋测试图像采用与步骤105到107相同的方法进行初次细化、压缩和二次细化处理,得到处理后的象棋测试模板。
步骤110:根据所述基本匹配模板和所述处理后的象棋测试模板进行相似度匹配识别,得到识别的目标文字及旋转角度,具体包括:
设F是象棋测试模板,在所有的所述基本匹配模板中找到G,使骨架相似性Ssim(F,G)获得最大值,则G对应的象棋文字为测试图像所对应的目标文字,G对应的旋转角度为测试图像所对应的旋转角度。
假设F和G是通过细化算法获得的大小相同的二值图像,Lm和Ln分别是图像的长度和宽度,F的前景目标集为{f1,f2,,fNF},G的前景目标集为{g1,g2,,gNG},使用以下公式来计算所述二值图像的像素位置(mcp)的一致性。
使用以下公式度量F和G的骨架相似性(Ssim):
Ssim(F,G)=1-2mcp(F,G)/max(Lm,Ln)
其中,Ssim的值小于或等于1,Ssim值越大,F和G的相似度越高;当Ssim的值等于1时,F和G是相同的图像。
本发明与现有技术相比,具有下列优势:
(1)本发明能够有效准确地识别出任意旋转角度的棋子文字图像。
(2)本发明可以实现对具有轻度倾斜畸变的棋子照片的识别。
(3)本发明由于是以骨架作为匹配模板,在一个较小的特征矩阵中就可以存储所有的匹配模板,因此存储量小,占用空间少,识别效率高。
(4)与其他类型的棋子文字识别方法相比,本发明能够在不改变象棋样式的基础上,以较少的训练样本完成识别,数据量更小,识别速度更快。
实施例:
一种基于二值图像骨架相似性计算的中国象棋棋子识别方法,具体实施过程如下(以“帅”字为例):
步骤1:利用CCD照相机实拍象棋棋子图像,图2为本发明实施例所述的原始象棋棋子图像示意图,通过阈值分割的方法,将原始文字图像分割为目标文字和背景。具体过程包括:
步骤11:对获取的原始象棋文字图像,以每个像素点对应的R、G、B三个值进行计算,然后对计算后的结果进行归一化得到灰度图像,图3为本发明实施例所述的灰度化后的图像示意图。
步骤12:根据上述步骤11得到的灰度图像,采用最大类间方差法确定阈值。
步骤13:依据上述步骤12确定的阈值采用阈值分割的方法获得二值图像,此即目标文字图像,图4为本发明实施例所述的二值化后的图像示意图。
步骤2:对上述步骤1得到的每幅目标文字图像每次旋转10°旋转一周,得到36幅不同旋转角度的基本象棋文字图像。
步骤3:对上述步骤2得到的图像通过开、闭操作去除存在的噪声。具体过程包括:
步骤31:根据象棋文字的拓扑特征选取合适的结构元素的大小。
步骤32:依据上述步骤32选取的结构元素大小依次对二值图像进行开操作和闭操作,图5为本发明实施例所述的开、闭操作后的图像示意图。
步骤4:对上述步骤3得到的图像利用细化算法提取出骨架。具体过程包括:
步骤41:对开、闭操作后的二值图像进行细化,即将图像中黑色目标区域的边缘像素点变为白色背景区域。
步骤42:一直重复步骤41的操作直到所有剩余的黑色像素点都是边缘点,图6为本发明实施例所述的细化操作后的图像示意图。
步骤5:对上述步骤4得到的骨架压缩在规模较小的特征矩阵(以25×25矩阵为例)中表示。具体过程包括:
步骤51:计算得到未压缩二值骨架图像的行数m和列数n。
步骤52:选择最小的阈值L,所述阈值L为25的整数倍,且大于m和n。
步骤53:若行数小于所述阈值L,则表示行数少,补充全部为背景像素的行;若列数小于所述阈值L,则表示列数少,补充全部为背景像素的列,得到补充后的图像;将所述补充后的图像压缩至25行25列,得到压缩后的骨架图像;图7为本发明实施例所述的压缩后的骨架图像示意图。
步骤6:对上述步骤5得到的图像再次细化,得到基本匹配模板;图8为本发明实施例所述的对压缩后图像进行再次细化后的图像示意图。
步骤7:最后选取若干随意摆放和具有倾斜畸变的象棋文字图像,利用最小骨架相似度原则,进行文字识别实验,来验证识别的效果和性能。具体过程包括:
步骤71:对测试图像进行灰度化、二值化、滤波去噪操作。
步骤72:对滤波去噪后的图像采用步骤4中的相同细化算法进行进行初次细化、压缩和二次细化处理,得到处理后的象棋测试模板。
步骤73:设F是象棋测试模板,在所有的基本匹配模板中找到G,使得Ssim(F,G)获得最大值,则G对应的象棋文字为测试图像所对应的目标文字,G对应的旋转角度为测试图像所对应的旋转角度。Ssim(F,G)的计算方法为:
假设F和G是通过细化算法获得的大小相同的二值图像,Lm和Ln分别是它们的长度和宽度。F的前景目标集为{f1,f2,,fNF},G的前景目标集为{g1,g2,,gNG}。使用以下公式来计算它们的像素位置(mcp)的一致性:
使用以下公式度量F和G的骨架相似性(Ssim):
Ssim(F,G)=1-2mcp(F,G)/max(Lm,Ln)其中Ssim的值小于或等于1,其值越大,F和G的相似度就越高;当其值等于1时,F和G是相同的图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,包括:
获取原始象棋文字图像;
将所述原始象棋文字图像通过阈值分割方法,得到目标文字图像;
对所述目标文字图像进行去除噪声处理,得到去除噪声后的基本象棋文字图像;
对所述基本象棋文字图像进行旋转,得到不同旋转角度的目标象棋文字图像;
根据目标象棋文字图像采用细化方法提取,得到骨架图像;
对所述骨架图像进行压缩,得到压缩后的骨架图像;
对所述压缩后的骨架图像进行二次细化提取,得到基本匹配模板;
获取象棋测试图像;
对所述象棋测试图像进行处理,得到处理后的象棋测试模板;
根据所述基本匹配模板和所述处理后的象棋测试模板进行相似度匹配识别,得到识别的目标文字及旋转角度。
2.根据权利要求1所述的基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,所述将所述原始象棋文字图像通过阈值分割方法,得到目标文字图像,具体包括:
对所述原始象棋文字图像,以每个像素点对应的R、G、B三个值进行计算,得到计算结果;
对所述计算结果进行归一化,得到灰度图像;
根据所述灰度图像采用最大类间方差法确定灰度图像阈值;
根据所述灰度图像阈值采用阈值分割的方法,得到象棋标准文字图像。
3.根据权利要求1所述的基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,所述对所述目标文字图像进行旋转,得到不同旋转角度的基本象棋文字图像,具体包括:
对所述目标文字图像每10°旋转一周,得到36幅不同旋转角度的基本象棋文字图像。
4.根据权利要求1所述的基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,所述对所述基本象棋文字图像去除噪声处理,得到去除噪声后的象棋文字图像,具体包括:
根据所述基本象棋文字的拓扑特征,选取合适的结构元素大小;
根据所述结构元素大小依次对所述基本象棋文字图像进行开操作和闭操作去噪处理,得到去除噪声后的象棋文字图像。
5.根据权利要求1所述的基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,所述根据去除噪声后的象棋文字图像采用细化方法提取,得到骨架图像,具体包括:
对所述去除噪声后的象棋文字图像进行细化操作,直到所有剩余的黑色像素点都是边缘点,得到骨架图像。
6.根据权利要求1所述的基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,所述对所述骨架图像进行压缩,得到压缩后的骨架图像,具体包括:
计算得到未压缩二值骨架图像的行数m和列数n;设定压缩后图像的尺寸为k行k列;
选择最小的阈值L,所述阈值L为k的整数倍,且大于m和n;
若行数小于所述阈值,则表示行数少,补充全部为背景像素的行;若列数小于所述阈值,则表示列数少,补充全部为背景像素的列,得到补充后的图像;
将所述补充后的图像压缩至k行k列,得到压缩后的骨架图像。
7.根据权利要求1所述的基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,所述对所述压缩后的骨架图像进行二次细化提取,得到基本匹配模板,具体包括:
对各所述压缩后的骨架图像进行二次细化提取,均得到36个基本匹配模板。
8.根据权利要求1所述的基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,所述对所述象棋测试图像进行处理,得到处理后的象棋测试图像,具体包括:
对所述象棋测试图像进行灰度化、二值化和滤波去噪处理,得到去噪后的象棋测试图像;
对所述去噪后的象棋测试图像进行初次细化、压缩和二次细化处理,得到处理后的象棋测试模板。
9.根据权利要求8所述的基于二值图像骨架相似性计算的中国象棋棋子识别方法,其特征在于,所述根据所述基本匹配模板和所述处理后的象棋测试模板进行相似度匹配识别,得到识别的目标文字及旋转角度,具体包括:
设F是象棋测试模板,在所有的所述基本匹配模板中找到G,使骨架相似性Ssim(F,G)获得最大值,则G对应的象棋文字为测试图像所对应的目标文字,G对应的旋转角度为测试图像所对应的旋转角度;
假设F和G是通过细化算法获得的大小相同的二值图像,Lm和Ln分别是图像的长度和宽度,F的前景目标集为{f1,f2,,fNF},G的前景目标集为{g1,g2,,gNG},使用以下公式来计算所述二值图像的像素位置(mcp)的一致性:
使用以下公式度量F和G的骨架相似性(Ssim):
Ssim(F,G)=1-2mcp(F,G)/max(Lm,Ln)
其中,Ssim的值小于或等于1,Ssim值越大,F和G的相似度越高;当Ssim的值等于1时,F和G是相同的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294015.9A CN111507338A (zh) | 2020-04-15 | 2020-04-15 | 基于二值图像骨架相似性计算的中国象棋棋子识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294015.9A CN111507338A (zh) | 2020-04-15 | 2020-04-15 | 基于二值图像骨架相似性计算的中国象棋棋子识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507338A true CN111507338A (zh) | 2020-08-07 |
Family
ID=71869252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010294015.9A Pending CN111507338A (zh) | 2020-04-15 | 2020-04-15 | 基于二值图像骨架相似性计算的中国象棋棋子识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507338A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625760A (zh) * | 2009-07-28 | 2010-01-13 | 谭洪舟 | 一种证件图像倾斜校正的办法 |
CN104361336A (zh) * | 2014-11-26 | 2015-02-18 | 河海大学 | 一种水下视频图像的文字识别方法 |
CN106022327A (zh) * | 2016-05-10 | 2016-10-12 | 浙江理工大学 | 一种对实物象棋的识别和处理方法 |
CN106067025A (zh) * | 2016-05-10 | 2016-11-02 | 浙江理工大学 | 一种实物象棋开局的识别方法 |
CN106529531A (zh) * | 2016-10-31 | 2017-03-22 | 华南理工大学 | 一种基于图像处理的中国象棋识别系统及方法 |
CN108671534A (zh) * | 2018-05-21 | 2018-10-19 | 湖南大学 | 一种基于目标轮廓与骨架特征的机器人象棋开局摆棋方法和系统 |
CN109447068A (zh) * | 2018-10-26 | 2019-03-08 | 信雅达系统工程股份有限公司 | 一种从图像中分离印章并校准印章的方法 |
-
2020
- 2020-04-15 CN CN202010294015.9A patent/CN111507338A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625760A (zh) * | 2009-07-28 | 2010-01-13 | 谭洪舟 | 一种证件图像倾斜校正的办法 |
CN104361336A (zh) * | 2014-11-26 | 2015-02-18 | 河海大学 | 一种水下视频图像的文字识别方法 |
CN106022327A (zh) * | 2016-05-10 | 2016-10-12 | 浙江理工大学 | 一种对实物象棋的识别和处理方法 |
CN106067025A (zh) * | 2016-05-10 | 2016-11-02 | 浙江理工大学 | 一种实物象棋开局的识别方法 |
CN106529531A (zh) * | 2016-10-31 | 2017-03-22 | 华南理工大学 | 一种基于图像处理的中国象棋识别系统及方法 |
CN108671534A (zh) * | 2018-05-21 | 2018-10-19 | 湖南大学 | 一种基于目标轮廓与骨架特征的机器人象棋开局摆棋方法和系统 |
CN109447068A (zh) * | 2018-10-26 | 2019-03-08 | 信雅达系统工程股份有限公司 | 一种从图像中分离印章并校准印章的方法 |
Non-Patent Citations (2)
Title |
---|
WANG MIAOMIAO: "An Improved Image Thinning Algorithm and Its Application in Chinese Character Image Refining", 《2019 IEEE 3RD INFORMATION TECHNOLOGY, NETWORKING, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC)》 * |
伍锡如: "基于深度学习的工业分拣机器人快速视觉识别与定位算法", 《机器人ROBOT》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830230B2 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN108108731B (zh) | 基于合成数据的文本检测方法及装置 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
US20110194772A1 (en) | Efficient scale-space extraction and description of interest points | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN105069457B (zh) | 图像识别方法和装置 | |
CN110032983B (zh) | 一种基于orb特征提取和flann快速匹配的轨迹识别方法 | |
CN112085017B (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN111104924A (zh) | 一种有效的识别低分辨率商品图像的处理算法 | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
CN112487929A (zh) | 儿童绘本的图像识别方法、装置、设备及存储介质 | |
CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
CN111507181A (zh) | 票据图像的矫正方法、装置及计算机设备 | |
CN111507338A (zh) | 基于二值图像骨架相似性计算的中国象棋棋子识别方法 | |
CN113516193B (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 | |
CN108304838B (zh) | 一种图片信息识别方法及终端 | |
CN111860173B (zh) | 一种基于弱监督的遥感图像地物要素提取方法及系统 | |
CN111626313A (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN115471849A (zh) | 一种手写汉字图像评估方法及系统 | |
CN112184843B (zh) | 图像数据压缩的冗余数据去除系统及方法 | |
CN115457581A (zh) | 表格提取方法、装置及计算机设备 | |
CN114399681A (zh) | 电力能源设备识别方法、装置和终端设备 | |
CN115221910A (zh) | 二维码识别方法、装置、设备及计算机可读存储介质 | |
CN112733670A (zh) | 指纹特征提取方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |
|
RJ01 | Rejection of invention patent application after publication |