CN111639633A - 用于定位图像中的片状区域的方法和装置 - Google Patents
用于定位图像中的片状区域的方法和装置 Download PDFInfo
- Publication number
- CN111639633A CN111639633A CN202010105916.9A CN202010105916A CN111639633A CN 111639633 A CN111639633 A CN 111639633A CN 202010105916 A CN202010105916 A CN 202010105916A CN 111639633 A CN111639633 A CN 111639633A
- Authority
- CN
- China
- Prior art keywords
- image
- processed image
- algorithm
- region
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 235000020061 kirsch Nutrition 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005192 partition Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 235000008694 Humulus lupulus Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/40—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术,特别涉及用于定位图像中的片状区域的方法、装置和计算机存储介质。按照本发明一个方面的用于定位图像中的片状区域的方法包含下列步骤:利用边缘特征提取算法获取原始图像中的边缘以得到第一处理图像;利用图像局部纹理特征来区分所述原始图像中的背景区域和代表所述片状区域的前景区域以得到第二处理图像;以及基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置。
Description
技术领域
本发明涉及图像处理技术,特别涉及用于定位图像中的片状区域的方法、装置和计算机存储介质。
背景技术
图像边缘检测大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性。诸如银行卡、身份证之类的卡片定位识别是图像边缘检测的重要应用领域。在许多情况下,需要由用户拍摄卡片的照片并且上传远程业务中心或在本地前端设备上进行处理。在确定卡片边缘时,受拍摄环境的影响,加之背景区域的复杂化因素(例如背景区域颜色与卡片颜色相近以及背景区域也存在很多边缘等),其识别结果常常无法满足后续处理的要求。
有多种检测图像边缘的方法。例如基于直方图均衡化的方法,其原理是对于整体过亮或过暗的图像,将其灰度直方图从比较集中的某个灰度区间映射到整个灰度区间内,从而通过增强局部对比度使边缘特征更明显。另一种方法则基于图像通道分离,具体而言,可以将图像的RGB(红绿蓝)通道、ALPHA通道和专色通道进行分离并且对每个通道进行独立的分析以找出边缘特征较明显的通道图像。还有一种方法采用深度学习算法,其利用大量的已标注图像来训练神经网络以获得通用的边缘检测模型,然后利用该模型进行卡片的定位识别。
现有技术的边缘识别技术存在诸多的缺点。例如对于基于直方图均衡化的方法和基于图像通道分离的方法而言,它们只能在一定程度上解决颜色相近情况下的边缘检测问题,但无法排除背景中的边缘干扰。而基于深度学习的方法则需要大量的训练样本,且算法和运行环境复杂,只能在后端服务器上运行而无法在手机等前端设备上运行,因此会受到网络延时严重、在非联网状态下不可用等问题的困扰。
发明内容
本发明的一个目的是提供一种用于定位图像中的片状区域的方法和装置,其具有定位识别准确率高和复杂度低等优点。
按照本发明一个方面的用于定位图像中的片状区域的方法包含下列步骤:
利用边缘特征提取算法获取原始图像中的边缘以得到第一处理图像;
利用图像局部纹理特征来区分所述原始图像中的背景区域和代表所述片状区域的前景区域以得到第二处理图像;以及
基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置。
可选地,在上述方法中,所述片状区域对应于卡片。
可选地,在上述方法中,所述边缘特征提取算法包括Roberts Cross算法、Prewitt算法、Sobel算法、Kirsch算法、罗盘算子算法、Marr-Hildreth算法、Canny算法和Laplacian算法。
可选地,在上述方法中,得到所述第二处理图像的步骤包括:
生成所述原始图像的局部二值模式特征图;
确定所述局部二值模式特征图在至少两个分块尺寸下的背景区域;以及
通过将所述至少两个分块尺寸下的背景区域合并以得到所述第二处理图像。
可选地,在上述方法中,生成所述原始图像的局部二值模式特征图的步骤包括:
确定所述原始图像的局部二值模式特征值;以及
对所述局部二值模式特征值进行降维处理以生成所述局部二值模式特征图。
可选地,在上述方法中,基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置的步骤包括:
将所述第一处理图像和所述第二处理图像融合为第三处理图像;以及
从所述第三处理图像提取所述片状区域的边缘。
可选地,在上述方法中,利用直线检测算法从所述第三处理图像提取所述片状区域的边缘。
按照本发明另一个方面的用于定位图像中的片状区域的方法包含存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其执行所述程序以实现如上所述的方法。
按照本发明还有一个方面的用于定位图像中的片状区域的装置包含:
第一模块,配置为利用边缘特征提取算法获取原始图像中的边缘以得到第一处理图像;
第二模块,配置为利用图像局部纹理特征来区分所述原始图像中的背景区域和代表所述片状区域的前景区域以得到第二处理图像;以及
第三模块,配置为基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置。
按照本发明还有一个方面的计算机可读存储介质,其上存储计算机程序,其中,该程序被处理器执行时实现如上所述的方法。
按照本发明的一个或多个实施例,利用图像局部纹理特征来区分原始图像中的背景区域和前景区域并且将区分结果与利用边缘特征提取算法的边缘识别结果组合使用,因而可以有效排除背景区域的干扰(例如背景和前景区域颜色相近、背景区域存在多个边缘等)。此外,基于纹理特征的算法的复杂度低,可在前端设备上实现,因而具有更强的适应性。
附图说明
本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解,附图中相同或相似的单元采用相同的标号表示。附图包括:
图1为按照本发明一个实施例的用于定位图像中的片状区域的方法的流程图。
图2为原始图像的一个示例,其示出了被放置于花纹桌面上的银行卡。
图3为利用边缘特征提取算法对原始图像处理后得到的第一处理图像F1。
图4为用于实施图1中区分背景区域和前景区域的步骤的示例性方法的流程图。
图5为LBP特征值提取原理的示意图。
图6为基于图5所示原理生成的示例性的LBP特征图。
图7示出了降维形式的LBP特征图在5×5分块尺寸下的背景区域与前景区域的划分结果。
图8示出了降维形式的LBP特征图在2×2分块尺寸下的背景区域与前景区域的划分结果。
图9为利用图4所示方法得到的第二处理图像F2。
图10为通过将第一处理图像F1和第二处理图像F2融合形成的第三处理图像F3的示意图。
图11为按照本发明另一个实施例的用于定位图像中的片状区域的装置的示意框图。
图12为按照本发明还有一个实施例的用于定位图像中的片状区域的装置的示意框图。
具体实施方式
下面参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现,而不应解读为仅限于本文给出的各实施例。给出的上述各实施例旨在使本文的披露全面完整,以将本发明的保护范围更为全面地传达给本领域技术人员。
在本说明书中,诸如“包含”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元和步骤以外,本发明的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。
诸如“第一”和“第二”之类的用语并不表示单元在时间、空间、大小等方面的顺序而仅仅是作区分各单元之用。
在本说明书中,术语“片状区域”指的是图像中的特定区域,在典型的应用中,该特定区域对应于卡片之类的实际物体(例如银行卡、身份证和车牌等)。需要指出的是,虽然卡片或片状区域的形状通常为矩形,但是对于本发明的实施而言这并非是必需的。
现有技术的边缘特征提取算法通常可划分为两类。在基于查找的算法中,通过寻找图像一阶导数中的最大和最小值来检测边界,通常是将边界定位在梯度最大的方向。在基于零穿越的算法中,通过寻找图像二阶导数零穿越来寻找边界,通常是拉普拉斯过零点或者非线性差分表示的过零点。
按照本发明的一个或多个实施例,在边缘检测时引入图像局部纹理特征来提高边缘识别的精度。具体而言,利用图像局部纹理特征来区分原始图像中的背景区域和前景区域并且将该区分结果与利用边缘特征提取算法的边缘识别结果组合使用。
可以利用局部二值模式(LBP)算子来提取图像的局部纹理特征以用于区分背景区域与代表待定位的片状区域的前景区域。在本发明的一个或多个实施例中,首先生成原始图像的局部二值模式特征图,随后基于局部二值模式特征图在不同分块尺寸下的特征图谱确定相应的背景区域,最后通过将多个分块尺寸下的背景区域合并以得到基于局部纹理特征的图像或区分结果。可以利用基本的LBP算子或者改进的LBP算子(例如基于等价模式的LBP算子)来生成局部二值模式特征图。
在本发明的一个或多个实施例中,可以将上述基于局部纹理特征的图像与利用边缘特征提取算法识别出片状区域的图像相融合,并且从融合后的图像中提取片状区域的边缘。由于融合后的图像中包含纹理特征信息,因此提高了边缘检测的精度。
图1为按照本发明一个实施例的用于定位图像中的片状区域的方法的流程图。在下面的描述中,示例性地但非必须地,所述方法步骤被用于图像中的银行卡区域的定位识别。
如图1所示,在步骤110,利用边缘特征提取算法来获取原始图像中的边缘,由此得到边缘检测图像或第一处理图像F1。图2为原始图像的一个示例,其示出了被放置于花纹桌面上的银行卡。
图像边缘检测一般包含下列步骤:
首先对原始图像进行滤波处理来改善与噪声有关的边缘检测器的性能。需要指出的是,大多数滤波器在降低噪声的同时也造成了边缘强度的损失,因此,在增强边缘和降低噪声之间需要一个折衷的选择。
随后对滤波处理后的图像进行增强处理以将邻域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度的幅值来完成的。
接着是图像检测步骤,利用一定的算法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值。
如果某些应用需要确定边缘位置,则边缘的位置可在子像素分辨率上来估计,边缘的方位也可以被估计出来。
在本实施例中,可以采用多种边缘检测算法,例如包括但不限于一阶的RobertsCross算法、Prewitt算法、Sobel算法、Kirsch算法、罗盘算法和二阶的Marr-Hildreth算法、Canny算法和Laplacian算法。
图3为利用边缘特征提取算法(例如Canny算法)对原始图像处理后得到的第一处理图像F1。参见图3,除了银行卡的边缘被检测到之外,背景区域(桌面)的花纹也被检测到边缘,因此在第一处理图像F1中,背景区域存在大量的边缘,从而对前景区域(银行卡)的边缘检测带来很大的干扰。
接着,图1所示的方法流程进入步骤120,利用图像局部纹理特征来区分原始图像中的背景区域和前景区域,从而得到背景过滤图像或第二处理图像F2。
以下借助图4描述实施步骤120的示例性方法。
如图4所示,在步骤410,确定原始图像的局部二值模式(LBP)特征值。LBP特征值的计算简单,被广泛应用于人脸识别中。虽然人脸与卡片在空间形态上存在很大的差异,但是本发明的发明人经过深入研究后发现,将LBP算子用于区分片状区域与背景区域时具有很好的效果。
图5为LBP特征值提取原理的示意图。参见图5,基本的LBP算子定义在像素3×3的邻域内,以邻域中心像素为阈值,相邻的8个像素的灰度值与邻域中心的像素值进行比较,若周围像素大于中心像素值,则该像素点的位置被标记为1,否则为0。由此,3×3邻域内的8个点经过比较可产生8位二进制数,将这8位二进制数依次排列形成一个二进制数字作为中心像素的LBP特征值。中心像素的LBP特征值反映了该像素周围区域的纹理信息。图6为基于图5所示原理生成的示例性的LBP特征图。
基本的LBP算子仅覆盖一个固定半径范围内的小区域,为了适应不同尺度的纹理特征,在本实施例中,可以将3×3邻域扩展到任意邻域,并用圆形邻域代替了正方形邻域,改进后的LBP算子允许在半径为R的圆形邻域内有任意多个像素点,从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子。
半径为R的圆形区域内含有P个采样点的LBP算子将会产生2P种模式或取值的LBP特征值。随着邻域集内采样点数的增加,二进制模式的种类将以指数形式增加,这显然不利于纹理的提取、分类、识别及存取,因此对原始的LBP模式进行降维是有益的。在本实施例中,引入步骤420中对步骤410中确定的LBP特征值进行降维处理以生成降维形式的LBP特征图。
在本发明的实施例中,可以采用下列方式(以下又称为“等价模式”)对LBP算子的模式种类进行降维:当某个LBP特征值所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该LBP特征值所对应的二进制数就称为一个等价模式类。例如,00000000(0次跳变)、00000111(只含一次从0到1的跳变)和10001111(先由1跳到0,再由0跳到1,共两次跳变)都是等价模式类。除等价模式类以外的模式则被归为另一类,称为混合模式类,例如10010111(共四次跳变)。通过上述改进,二进制模式的模式数量由原来的2P种减少为P(P-1)+2种,其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说,二进制模式由原始的256种减少为58种,即:它把值分为59类,58个uniform pattern为一类,其它的所有值为第59类。这使得特征向量的维数更少,并且可以减少高频噪声带来的影响。
以采样点数目为8个(即LBP特征值有28种共256个值)为例,在等价模式下,根据0-1跳变次数将这256个LBP特征值分为59类。具体而言,共计有9种跳变情况:跳变0次的情形有2个,跳变1次的情形有0个,跳变2次的情形有56个,跳变3次的情形有0个,跳变4次的情形有140个,跳变5次的情形有0个,跳变6次的情形有56个,跳变7次的情形有0个,跳变8次的情形有2个,其中,跳变小于2次的为等价模式类,共58个,它们对应的值按照从小到大分别编码为1—58(即它们在LBP特征图像中的取值或灰度值为1—58),而除了等价模式类之外的混合模式类被编码为0(即它们在LBP特征中的灰度值为0)。
需要指出的是,步骤420是可选的。也就是说,图4所示的方法流程可以依次执行步骤410、420之后再进入步骤430,也可以在执行步骤410之后直接进入步骤430。
在步骤430,确定LBP特征图在5×5和2×2这两个分块尺寸下的背景区域。
以下描述示例性的具体实施方式。
对于5×5分块尺寸,首先将步骤410或420生成的LBP特征图按照5×5的分块尺寸划分为多个分块;随后,对于每个分块,分别统计该分块内的LBP特征值或降维处理后的LBP特征值的频度图谱;接着根据频度图谱的差异度在LBP特征图中对背景区域与前景区域进行划分。
图7示出了降维形式的LBP特征图在5×5分块尺寸下的背景区域与前景区域的划分结果。在图7中,LBP特征图按照5×5的分块尺寸划分为25个分块,其中,以数字“1”标示的分块代表前景区域,以数字“0”标示的分块代表背景区域。参见图7,其右侧示出了其中两个分块的频度图谱,频度图谱的横轴表示LBP特征值的取值,纵轴表示每个取值的出现次数。通过比较可见,就最高取值的LBP特征值而言,数字“1”标示的分块中的出现次数明显高于数字“0”标示的分块。
对于2×2分块尺寸,为提高处理效率,可仅对5×5分块尺寸下被确定为前景区域的分块作进一步的划分处理。具体而言,首先将例如图7中被确定为前景区域的分块按照2×2的分块尺寸划分为多个分块;随后,对于每个分块,分别统计该分块内的LBP特征值或降维处理后的LBP特征值的频度图谱;接着根据频度图谱的差异度在LBP特征图中对背景区域与前景区域进行划分。
图8示出了降维形式的LBP特征图在2×2分块尺寸下的背景区域与前景区域的划分结果。在图8中,同样地,以数字“1”标示的分块代表前景区域,以数字“0”标示的分块代表背景区域。参见图8,其右侧示出了其中两个分块的频度图谱,频度图谱的横轴表示LBP特征值的取值,纵轴表示每个取值的出现次数。通过比较可见,就最高取值的LBP特征值而言,数字“1”标示的分块中的出现次数明显高于数字“0”标示的分块。此外,经过2×2分块尺寸的处理,在5×5分块尺寸下被识别为前景区域的部分区域被确认为背景区域。
接着进入步骤440,通过将5×5和2×2这两个分块尺寸下确定的背景区域合并得到背景过滤图像或第二处理图像F2,也就是说,只要在两个分块尺寸的任一个下被识别为背景区域的部分,在第二处理图像F2中都被确定为背景区域。图9为利用图4所示方法得到的第二处理图像F2。在图9中,背景区域和前景区域以二值化方式表示,其中白色区域代表前景区域而黑色区域代表背景区域。
需要指出的是,图4所示的方法实例以两个分块尺寸5×5和2×2为例来描述生成第二处理图像F2的具体方式,但是这仅仅是示例性的。对于本发明而言,采用更多或更少的分块尺寸以及不同于所描述的分块尺寸都是可行的。
继续参见图1,在执行步骤120之后,图1所示的方法流程进入步骤130。在步骤130,基于第一处理图像F1和第二处理图像F2来定位片状区域或前景区域。所定位的片状区域可用于后续的卡识别处理,例如卡表面元素(卡号、身份证号、发证机构、有效期和标志等)的识别。
示例性地,可以采用下列方式来确定前景区域的位置:
首先将第一处理图像F1和第二处理图像F2融合为过滤边缘图像或第三处理图像F3。可选地,可以通过屏蔽第一处理图像F1中与第二处理图像F2中的背景区域对应的部分来生成第三处理图像F3,也就是说,只要在第一和第二处理图像的任一个中被识别为背景区域的部分,在第三处理图像F3中都被确定为背景区域。图10为通过将第一处理图像F1和第二处理图像F2融合形成的第三处理图像F3的示意图。
接着从第三处理图像F3提取片状区域的边缘。在本实施例中,可选地,可以利用直线检测算法从第三处理图像F3提取片状区域的边缘。直线检测算法例如包括但不限于Hough_line直线检测算法、LSD直线检测算法、FLD直线检测算法、EDlines直线检测算法、LSWMS直线检测算法、CannyLines直线检测算法、MCMLSD直线检测算法和LSM直线检测算法。
图11为按照本发明另一个实施例的用于定位图像中的片状区域的装置的示意框图。
图11所示的装置1100包含存储器1110(例如诸如闪存、ROM、硬盘驱动器、磁盘、光盘之类的非易失存储器)、处理器1120以及存储在存储器1110上并可在处理器1120上运行的计算机程序1130,其中,执行计算机程序1130可以实现上面借助图1-10所述的用于确定定位图像中的片状区域的方法。
图12为按照本发明还有一个实施例的用于定位图像中的片状区域的装置的示意框图。
如图12所示,本实施例的用于定位图像中的片状区域的装置1200包括第一模块1210、第二模块1220和第三模块1230。第一模块1210被配置为利用边缘特征提取算法获取原始图像中的边缘以得到第一处理图像。第二模块1220被配置为利用图像局部纹理特征来区分原始图像中的背景区域和代表片状区域的前景区域以得到第二处理图像。第三模块1230被配置为基于第一处理图像和第二处理图像确定片状区域的位置。
按照本发明的另一方面,还提供了一种计算机可读存储介质,其上存储计算机程序,该程序被处理器执行时可实现上面借助图1-10所述的用于定位图像中的片状区域的方法。
与现有技术相比,本发明至少具有下列优点:
1)在背景区域与片状区域的颜色相近的情况下仍然能够准确定位片状区域。
2)在背景区域存在大量干扰边缘的情况下仍然能够准确定位片状区域。
3)算法复杂度小,因而可以在手机等前端设备上运行,应用环境的适应性更强。
提供本文中提出的实施例和示例,以便最好地说明按照本技术及其特定应用的实施例,并且由此使本领域的技术人员能够实施和使用本发明。但是,本领域的技术人员将会知道,仅为了便于说明和举例而提供以上描述和示例。所提出的描述不是意在涵盖本发明的各个方面或者将本发明局限于所公开的精确形式。
鉴于以上所述,本公开的范围通过以下权利要求书来确定。
Claims (16)
1.一种用于定位图像中的片状区域的方法,其特征在于,所述方法包含下列步骤:
利用边缘特征提取算法获取原始图像中的边缘以得到第一处理图像;
利用图像局部纹理特征来区分所述原始图像中的背景区域和代表所述片状区域的前景区域以得到第二处理图像;以及
基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置。
2.如权利要求1所述的方法,其中,所述片状区域对应于卡片。
3.如权利要求1所述的方法,其中,所述边缘特征提取算法包括Roberts Cross算法、Prewitt算法、Sobel算法、Kirsch算法、罗盘算子算法、Marr-Hildreth算法、Canny算法和Laplacian算法。
4.如权利要求1所述的方法,其中,得到所述第二处理图像的步骤包括:
生成所述原始图像的局部二值模式特征图;
确定所述局部二值模式特征图在至少两个分块尺寸下的背景区域;以及
通过将所述至少两个分块尺寸下的背景区域合并以得到所述第二处理图像。
5.如权利要求4所述的方法,其中,生成所述原始图像的局部二值模式特征图的步骤包括:
确定所述原始图像的局部二值模式特征值;以及
对所述局部二值模式特征值进行降维处理以生成所述局部二值模式特征图。
6.如权利要求1所述的方法,其中,基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置的步骤包括:
将所述第一处理图像和所述第二处理图像融合为第三处理图像;以及
从所述第三处理图像提取所述片状区域的边缘。
7.如权利要求6所述的方法,其中,利用直线检测算法从所述第三处理图像提取所述片状区域的边缘。
8.一种用于定位图像中的片状区域的装置,其特征在于,包含:
存储器;
处理器;以及
存储在所述存储器上并可在所述处理器上运行以执行下列步骤的计算机程序:
利用边缘特征提取算法获取原始图像中的边缘以得到第一处理图像;
利用图像局部纹理特征来区分所述原始图像中的背景区域和代表所述片状区域的前景区域以得到第二处理图像;以及
基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置。
9.如权利要求8所述的装置,其中,所述片状区域对应于卡片。
10.如权利要求8所述的装置,其中,所述边缘特征提取算法包括所述边缘特征提取算法包括Roberts Cross算法、Prewitt算法、Sobel算法、Kirsch算法、罗盘算子算法、Marr-Hildreth算法、Canny算法和Laplacian算法。
11.如权利要求8所述的装置,其中,所述计算机程序在所述处理器上运行以按照下列方式得到所述第二处理图像:
生成所述原始图像的局部二值模式特征图;
确定所述局部二值模式特征图在至少两个分块尺寸下的背景区域;以及
通过将所述至少两个分块尺寸下的背景区域合并以得到所述第二处理图像。
12.如权利要求11所述的装置,其中,所述计算机程序在所述处理器上运行以按照下列方式生成所述原始图像的局部二值模式特征图:
确定所述原始图像的局部二值模式特征值;以及
对所述局部二值模式特征值进行降维处理以生成所述局部二值模式特征图。
13.如权利要求8所述的装置,其中,所述计算机程序在所述处理器上运行以按照下列方式基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置:
将所述第一处理图像和所述第二处理图像融合为第三处理图像;以及
从所述第三处理图像提取所述片状区域的边缘。
14.如权利要求13所述的装置,其中,利用直线检测算法从所述第三处理图像提取所述片状区域的边缘。
15.一种用于定位图像中的片状区域的装置,其特征在于,包含:
第一模块,配置为利用边缘特征提取算法获取原始图像中的边缘以得到第一处理图像;
第二模块,配置为利用图像局部纹理特征来区分所述原始图像中的背景区域和代表所述片状区域的前景区域以得到第二处理图像;以及
第三模块,配置为基于所述第一处理图像和所述第二处理图像确定所述片状区域的位置。
16.一种计算机可读存储介质,其上存储计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105916.9A CN111639633A (zh) | 2020-02-20 | 2020-02-20 | 用于定位图像中的片状区域的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105916.9A CN111639633A (zh) | 2020-02-20 | 2020-02-20 | 用于定位图像中的片状区域的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639633A true CN111639633A (zh) | 2020-09-08 |
Family
ID=72330534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010105916.9A Pending CN111639633A (zh) | 2020-02-20 | 2020-02-20 | 用于定位图像中的片状区域的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639633A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139009A (zh) * | 2015-07-10 | 2015-12-09 | 安徽清新互联信息科技有限公司 | 一种基于边缘特征的信用卡卡号识别方法 |
CN107330864A (zh) * | 2017-06-05 | 2017-11-07 | 中国电子科技集团公司第二十八研究所 | 一种基于改进局部纹理特征的红外图像处理方法 |
CN110008954A (zh) * | 2019-03-29 | 2019-07-12 | 重庆大学 | 一种基于多阈值融合的复杂背景文本图像提取方法及系统 |
-
2020
- 2020-02-20 CN CN202010105916.9A patent/CN111639633A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139009A (zh) * | 2015-07-10 | 2015-12-09 | 安徽清新互联信息科技有限公司 | 一种基于边缘特征的信用卡卡号识别方法 |
CN107330864A (zh) * | 2017-06-05 | 2017-11-07 | 中国电子科技集团公司第二十八研究所 | 一种基于改进局部纹理特征的红外图像处理方法 |
CN110008954A (zh) * | 2019-03-29 | 2019-07-12 | 重庆大学 | 一种基于多阈值融合的复杂背景文本图像提取方法及系统 |
Non-Patent Citations (6)
Title |
---|
李尚林等: "基于CNN的银行卡数字识别方法", vol. 41, no. 1, pages 81 - 87 * |
李红波等: "基于LBP与码本的视频分层背景建模和目标检测" * |
李红波等: "基于LBP与码本的视频分层背景建模和目标检测", 数据采集与处理, vol. 24, no. 4, pages 503 * |
熊承义等: "基于LBP和PCA特征提取的人脸识别", vol. 30, no. 2, pages 75 - 79 * |
王卉等: "基于多特征融合的HL-S工件识别算法", 电子测量与仪器学报, vol. 33, no. 12, pages 1 - 3 * |
薛宾田等: "基于LBP纹理特征和Canny算子的视频分割方法研究", vol. 36, no. 5, pages 112 - 117 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8437054B2 (en) | Methods and systems for identifying regions of substantially uniform color in a digital image | |
US8331642B2 (en) | Method and device for determining a contour and a center of an object | |
US10275677B2 (en) | Image processing apparatus, image processing method and program | |
US20070253040A1 (en) | Color scanning to enhance bitonal image | |
EP2974261A2 (en) | Systems and methods for classifying objects in digital images captured using mobile devices | |
JP2014057306A (ja) | 画像位相一致を用いた文書画像の二値化及び分割 | |
RU2668731C1 (ru) | Способ распознавания денежной купюры | |
CN109815762B (zh) | 远距离识别二维码的方法、存储介质 | |
CN108389215B (zh) | 一种边缘检测方法、装置、计算机存储介质及终端 | |
KR20220139292A (ko) | 문자 분할 방법, 장치 및 컴퓨터 판독 가능 저장 매체 | |
Thajeel et al. | A Novel Approach for Detection of Copy Move Forgery using Completed Robust Local Binary Pattern. | |
CN111027544A (zh) | 一种基于视觉显著性检测的mser车牌定位方法及系统 | |
Warif et al. | CMF-iteMS: An automatic threshold selection for detection of copy-move forgery | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
Niigaki et al. | Circular object detection based on separability and uniformity of feature distributions using Bhattacharyya coefficient | |
CN113033562A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN111639633A (zh) | 用于定位图像中的片状区域的方法和装置 | |
CN112396638A (zh) | 一种图像处理方法、终端和计算机可读存储介质 | |
CN112435226B (zh) | 一种细粒度图像拼接区域检测方法 | |
CN112329572B (zh) | 一种基于边框和闪光点的快速静态活体检测方法及装置 | |
Zambanini et al. | Robust automatic segmentation of ancient coins | |
Khongkraphan | An efficient color edge detection using the mahalanobis distance | |
CN109815791B (zh) | 基于血管的身份识别方法和装置 | |
CN115331019A (zh) | 一种数据处理方法、装置、计算机设备和存储介质 | |
Tian et al. | A new algorithm for license plate localization in open environment using color pair and stroke width features of character |
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 |