CN111784675A - 物品纹理信息处理的方法、装置、存储介质及电子设备 - Google Patents
物品纹理信息处理的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111784675A CN111784675A CN202010630302.2A CN202010630302A CN111784675A CN 111784675 A CN111784675 A CN 111784675A CN 202010630302 A CN202010630302 A CN 202010630302A CN 111784675 A CN111784675 A CN 111784675A
- Authority
- CN
- China
- Prior art keywords
- target
- texture
- feature
- matching
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004049 embossing Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 241001122767 Theaceae Species 0.000 description 58
- 235000013616 tea Nutrition 0.000 description 58
- 238000010586 diagram Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 15
- 238000012795 verification Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000010365 information processing Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 235000019224 Camellia sinensis var Qingmao Nutrition 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 235000020339 pu-erh tea Nutrition 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000007799 cork Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000001629 suppression Effects 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
-
- 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例提供了一种物品纹理信息处理的方法、装置、存储介质及电子设备。该方法包括:获取目标物品的目标物品图像;从所述目标物品图像中提取多个目标纹理特征;对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型;将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征;基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征;基于所述过滤后的匹配纹理特征获取所述目标物品的信息。提升了提取的目标纹理特征的准确性,实现了对目标物品的精准识别。
Description
技术领域
本公开涉及计算机技术以及信息处理技术领域,具体而言,涉及一种物品纹理信息处理的方法、装置、存储介质及电子设备。
背景技术
有些物品具有天然的纹理。如压制茶。压制茶也叫紧压茶,通过对散茶施加外力加压制成各种形状,一般为便于携带的饼状,也就是茶饼。
普洱茶是传统历史名茶之一,兼具历史文化底蕴和保健功能,已成为中国最具特色的茶类之一。普洱茶除了其外观包装,其产地、加工、仓储等过程影响着其内在质量,其产地区域、品种、加工工艺的不同而产生了较大的价格差异。不少不法企业和个人以次充好、掺杂使假,损害普洱茶名声的情况时有发生;假冒商标、商标侵权、无照经营、假冒生产企业名声、恶意炒作等违法行为不时扰乱茶叶市场。
因此,需要一种新的物品纹理信息处理的方法、装置及电子设备,提升提取的目标纹理特征的准确性,实现了对目标物品的精准识别。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供一种物品纹理信息处理的方法、装置、存储介质及电子设备,进而至少在一定程度上提升提取的目标纹理特征的准确性,实现了对目标物品的精准识别。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的一个方面,提供了一种物品纹理信息处理的方法,其中,包括:获取目标物品的目标物品图像;从所述目标物品图像中提取多个目标纹理特征;对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型;将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征;基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征;基于所述过滤后的匹配纹理特征获取所述目标物品的信息。
在本公开的一些示例性实施例中,所述特征类型包括:主体特征以及非主体特征;基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征,包括:若所述匹配纹理特征属于非主体特征的目标压纹理特征和/或源纹理特征,过滤掉所述匹配纹理特征。
在本公开的一些示例性实施例中,获取目标物品的目标物品图像之后,所述方法还包括:确定所述目标物品图像的图像质量的多个维度的值满足每个维度的维度阈值的目标物品图像,从所述目标物品图像中提取多个目标纹理特征;或确定所述目标物品图像基于神经网络的质量评价分数满足综合阈值的目标物品图像,从所述目标物品图像中提取多个目标纹理特征。
在本公开的一些示例性实施例中,基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征后,所述方法还包括:基于所述过滤后的所有匹配纹理特征在所述目标物品图像以及所述源纹理特征所属的源目标物品图像的位置,确定所述目标物品图像与所述源目标物品图像的投影矩阵;基于所述投影矩阵对所述过滤后的每一匹配纹理特征在所述目标物品图像以及所述源目标物品图像的位置进行校验;删除所述在目标物品图像以及所述源目标物品图像的位置不满足所述投影矩阵的过滤后的匹配纹理特征;基于所述过滤后的匹配纹理特征获取所述目标物品的信息,包括:基于删除了不满足所述投影矩阵的过滤后的匹配纹理特征获取所述目标物品的信息。
在本公开的一些示例性实施例中,对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型之后,所述方法还包括:按照每个目标纹理特征的特征类型对所述多个目标纹理特征进行重排,记录所述特征类型分界点;基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征,包括:基于所述特征类型分界点对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征。
在本公开的一些示例性实施例中,获取目标物品的目标物品图像,包括:使用边缘检测算法检测出所述目标物品的边缘位置信息,获取所述目标物品的边缘图像;基于轮廓提取方法提取出所述边缘图像的轮廓信息,并基于所述轮廓信息获取外接矩形信息;基于所述外接矩形信息以及所述轮廓信息获取目标物品图像。
在本公开的一些示例性实施例中,基于所述过滤后的匹配纹理特征获取所述目标物品的信息,包括:若确定所述过滤后的匹配纹理特征数目满足数目阈值,基于所述数据库中的所述源物品获取所述目标物品的信息。
根据本公开实施例的一个方面,提供了一种物品纹理信息处理的装置,其中,包括:图像获取模块,配置为获取目标物品的目标物品图像;特征提取模块,配置为从所述目标物品图像中提取多个目标纹理特征;类型获取模块,配置为对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型;特征匹配模块,配置为将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征;特征过滤模块,配置为基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征;信息获取模块,配置为基于所述过滤后的匹配纹理特征获取所述目标物品的信息。
在本公开的一些示例性实施例中,所述特征类型包括:主体特征以及非主体特征;所述特征过滤模型,配置为若所述匹配纹理特征属于非主体特征的目标压纹理特征和/或源纹理特征,过滤掉所述匹配纹理特征。
在本公开的一些示例性实施例中,所述装置还包括:质量校验模块,配置为确定所述目标物品图像的图像质量的多个维度的值满足每个维度的维度阈值的目标物品图像,从所述目标物品图像中提取多个目标纹理特征;或确定所述目标物品图像基于神经网络的质量评价分数满足综合阈值的目标物品图像,从所述目标物品图像中提取多个目标纹理特征。
在本公开的一些示例性实施例中,所述装置还包括:投影过滤模块,配置为基于所述过滤后的所有匹配纹理特征在所述目标物品图像以及所述源纹理特征所属的源目标物品图像的位置,确定所述目标物品图像与所述源目标物品图像的投影矩阵;基于所述投影矩阵对所述过滤后的每一匹配纹理特征在所述目标物品图像以及所述源目标物品图像的位置进行校验;删除所述在目标物品图像以及所述源目标物品图像的位置不满足所述投影矩阵的过滤后的匹配纹理特征;所述信息获取模块,配置为基于删除了不满足所述投影矩阵的过滤后的匹配纹理特征获取所述目标物品的信息。
在本公开的一些示例性实施例中,所述装置还包括:重排模块,配置为按照每个目标纹理特征的特征类型对所述多个目标纹理特征进行重排,记录所述特征类型分界点;所述特征过滤模块,配置为基于所述特征类型分界点对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征。
在本公开的一些示例性实施例中,所述图像获取模块,配置为使用边缘检测算法检测出所述目标物品的边缘位置信息,获取所述目标物品的边缘图像;基于轮廓提取方法提取出所述边缘图像的轮廓信息,并基于所述轮廓信息获取外接矩形信息;基于所述外接矩形信息以及所述轮廓信息获取目标物品图像。
在本公开的一些示例性实施例中,所述信息获取模块,配置为若确定所述过滤后的匹配纹理特征数目满足数目阈值,基于所述数据库中的所述源物品获取所述目标物品的信息。
根据本公开实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的方法。
根据本公开实施例的一个方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述实施例中所述的方法。
本发明实施例中,获取目标物品的图像信息;从所述图像信息中提取目标纹理特征;将所述目标纹理特征与数据库中的源物品的信息中的源纹理特征进行匹配,获取匹配结果;基于所述匹配结果获取所述目标物品的信息。实现了对目标物品的精准识别。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了应用本公开实施例的物品纹理信息处理的方法或装置的示例性系统架构100的示意图;
图2示意性示出了根据本公开的一个实施例的物品纹理信息处理的方法的流程图;
图3示意性示出了根据本公开的一个实施例的基于神经网络模型的训练过程的数据流的示意图;
图4示意性示出了根据本公开的一个实施例的N邻域的示意图;
图5示意性示出了根据本公开的一个实施例的目标纹理特征排序的示意图;
图6是示意性示出了根据本公开的一个实施例的纹理特征匹配后进行过滤的数据流示意图;
图7是示意性示出了根据本公开的一个实施例的目标物品图像与源目标物品图像的位置关系示意图;
图8示意性示出了根据本公开的一个实施例的获取目标物品的目标物品图像的方法的流程图;
图9示意性示出了根据本公开的一实施例的物品纹理信息处理的装置的框图;
图10示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了应用本公开实施例的物品纹理信息处理的方法或装置的示例性系统架构100的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的一种或多种,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器。例如终端设备103(也可以是终端设备101或102)通过自身的摄像模块拍摄到目标物品的图像,并向服务器105发送该图像,服务器105可以从该目标物品的图像中获取目标物品的目标物品图像;从所述目标物品图像中提取多个目标纹理特征;对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型;将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征;基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征;基于所述过滤后的匹配纹理特征获取所述目标物品的信息,并将该目标物品的信息发送至终端103,终端103可以显示目标物品的信息。
需要指出的是,本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理,如上述图1实施例中的服务器105和/或终端设备102、103执行,以下实施例中,以终端设备102为执行主体为例进行举例说明。
图2示意性示出了根据本公开的一个实施例的物品纹理信息处理的方法的流程图。
如图2所示,本公开实施例提供的方法可以包括以下步骤:
在步骤S210中,获取目标物品的目标物品图像。
本发明实施例中,物品具有特定的表面纹理,如压制茶、树木、燕窝、火腿、红酒瓶的软木塞、玉石等,这些物品的纹理可以是天然形成的,如树叶的脉络形成的纹理,或者是人为压制而成,如压制茶在压制过程中成千上万片细小的茶叶所形成的纹理。这些纹理具有巨大的随机性,难以复制,因此能够表征身份的唯一性,类比人的指纹。
本发明实施例中,目标物品主要以压制茶为例,目标纹理特征可以是能表征某一块压制茶的表面纹理,称之为“茶纹”。茶纹特征作为该压制茶在整个生命周期的唯一表征信息,可以实现基于茶纹特征的压制茶识别和验证。
本发明实施例中,可以首先获取初始目标物品图像,该初始目标物品图像可以是生产厂商方或者流水线上通过摄像头录入的(类似于公安机关拍摄身份证的照片),或者也可以是终端拍摄得到的,例如手机拍照。
本发明实施例中,在获取到初始目标物品图像后,可以使用边缘检测算法检测出所述初始目标物品图像中目标物品的边缘位置信息,获取所述目标物品的边缘图像;基于轮廓提取方法提取出所述边缘图像的轮廓信息,并基于所述轮廓信息获取外接矩形信息;基于所述外接矩形信息以及所述轮廓信息获取目标物品图像(例如,对于压制茶而言是指茶饼图像),其中,所述目标物品图像可以包括预设置的背景颜色。本发明实施例中,目标物品图像是包括所述目标物品的物品轮廓的最小矩形,例如,对于压制茶而言,目标物品图像是包括该压制茶的茶饼的最小矩形。该图像中,物品轮廓之外的背景颜色可以自定义设置,以使物品轮廓与背景部分对比明显。
需要指出的是,上述获取目标物品图像的方法,可以对拍摄条件较好,(例如,光照充足)的初始目标物品图像(如,生产厂商方或者流水线上通过摄像头录入的压制茶图像)快速定位目标物品的位置,采用的相对来讲比较快速的检测算法。针对一些初始目标物品图像(如,手机端拍摄得到的压制茶图像),由于受到背景、拍摄角度、光照等条件下的影响,一般可采用如下两种方法获取目标物品图像:
1)使用前端相机提示,尽可能使用户在拍摄物品时,将物品置于候选框内。需要说明的是,使用该方法得到的目标物品图像即为初始目标物品图像。
2)使用深度卷积神经网络的方法检测检测物品的位置,如采用端到端的检测算法,如目标检测算法中的SSD或者YOLO算法。例如,在获取到初始目标物品的图像后,利用目标检测算法从中提取到目标物品图像。
在步骤S220中,从所述目标物品图像中提取多个目标纹理特征。
本发明实施例中,获取目标物品的目标物品图像之后,可以对目标物品图像进行质量校验,当校验通过后,从目标物品图像中提取多个目标纹理特征。
本发明实施例中,对目标物品图像进行质量校验,可以包括以下两种方法中的任意一种:
1、可以确定所述目标物品图像的图像质量的多个维度的值满足每个维度的维度阈值的目标物品图像,从所述目标物品图像中提取多个目标纹理特征。
需要指出的是,该方法可以应用于基于生产厂商方或者流水线上通过摄像头录入的目标物品图像得到的目标物品图像,这些目标物品图像的各个维度的值较为清晰、能够准确确定。
本发明实施例中,多个维度可以包括:清晰度、亮度、对比度中的至少两个。在确定每个维度的值时,针对不同的维度,可以采用不同的维度的值计算方法,在计算出每种维度的值后,将其与该维度的维度阈值进行比较,当每个维度的值均满足其对应的维度阈值时,该图像通过质量校验。
(1)若维度中包括清晰度
本发明实施例中,图像的清晰度是指在目标物品图像中粗细纹理的清晰程度,而图像模糊一般是由于相机的对焦不够准确或者目标物品在生产线上的移动所造成的。一般来讲,如果图像有较多的高频成分,则该图像就是较为清晰的。相反,如果图像有较少的高频成分,则该图像可以认为是相对模糊的。因此,一种简单的清晰度质量只可以通过图像梯度计算得出。例如,可以使用Brenner梯度函数,简单的计算在水平方向上相邻(相差2)两个像素灰度差的平方,计算方式如下:
其中,D为目标物品图像中两个水平方向上相差2个像素的灰度差的平方,f(x,y)为某像素的灰度,f(x+2,y)表示与像素f(x,y)在水平方向上相差2个像素的灰度,W和H分别为目标物品图像的灰度图像的宽和高。若D大于清晰度阈值,则该图像通过清晰度维度的校验。反之,则未通过。
(2)若维度中包括亮度
本发明实施例中,图像的亮度可以通过灰度图像直方图或者HSV(Hue SaturationValue)颜色域的亮度的直方图来判断。假设给定整个图像(例如,针对压制茶而言,只计算茶饼所在区域,目标物品图像中去除背景部分)的亮度值i的直方图为hi,i∈{0,1,…,N},其中的N是最大可能达到的强度值,那么该直方图可视为离散概率密度函数,并且可以用其统计矩(或均值)表征其特征,例如,可使用其均值作为图像的亮度指标:
需要指出的是,还可以采用如下公式得到图像亮度在ha和hb之间的概率:
其中,ha和hb分别表示可用亮度范围的最低值以及最高值,可自由设置,F(ha≤h≤hb)表示图像的亮度在ha和hb之间的概率。
若F(ha≤h≤hb)处于亮度阈值区间内,则通过亮度维度的校验,反之未通过,图像中大量的像素取在两端的极值,说明图像过亮(过度曝光)或过暗(曝光不够)。
(3)若维度中包括对比度
本发明实施例中,图像对比度对于目标纹理特征的匹配和识别有比较大的影响。对比度一般在灰度图像上计算,因此需要将原始图像转变为灰度图像。然后,就可以通过如下的方式计算对比度:
C=∑δδ(i-j)2Pδ(i-j) (4)
其中,C表示对比度,δ(i-j)=|i-j|,为相邻像素间的灰度差,Pδ(i-j)为相邻像素间灰度差为δ的概率分布函数。像素相邻的定义可以采用四近邻或者八近邻。
若C大于对比度阈值,则该图像通过对比度维度的校验,反之则未通过。
需要指出的是,若存在不满足其对应的维度阈值的维度,则该图像未通过质量校验。
2、可以确定所述目标物品图像基于神经网络的质量评价分数满足综合阈值的目标物品图像,从所述目标物品图像中提取多个目标纹理特征。
需要指出的是,该方法可以应用于基于手机端拍摄得到的目标物品图像,这些图像由用户使用手机在不受限条件下拍摄,受拍摄背景、拍摄角度、光照等条件影响非常复杂,上述维度在很多时候难以保证图像的质量。因此,可以利用神经网络模型对图像进行基于全局图像的综合质量校验,若神经网络模型输出的分数达到分数阈值,则该图像通过质量校验,否则,未通过质量校验。
本发明实施例中,提出一种基于神经网络的图像质量校验方法,具体过程如下:
1)收集大量的用户使用手机拍摄的用于进行识别(匹配)的目标物品图像样本。
2)每次随机从数据集中挑选两张,人工从清晰度、亮度、对比度、拍摄角度等维度衡量哪张图片的质量相对更好。
3)通过大量的人工比对实验,得出数据集中大量图片对的优劣关系,并根据该优劣关系,使用SVM排序方法,得出数据集中所有图片的排序关系。
4)根据图片在排序关系中的百分位数作为该图片的质量分数。
5)使用该数据集,利用一个轻量的深度卷积神经网络(如ResNet18或者MobileNet)来预测该图片的质量分数,并使用一个最小均方误差(MMSE)的损失函数来进行有监督的训练。
6)等训练完成之后,可以使用该训练的神经网络来预测新的图像的质量分数。
图3示意性示出了根据本公开的一个实施例的基于神经网络模型的训练过程的数据流的示意图。如图3所示,目标物品以压制茶为例,将目标物品图像样本(茶饼图像样本)输入至神经网络模型,然后基于神经网络模型的预测质量分数以及样本的标注质量分数(标签),使用最小均方误差(MMSE)的损失函数来进行训练。
本发明实施例中,通过对目标物品图像的质量校验,过滤掉不符合质量要求的目标物品图像,从而提升了后续从目标物品图像提取的目标纹理特征的准确性,避免对错误的目标纹理特征的匹配计算,提升了匹配过程的准确性以及效率。本发明实施例中,在目标物品图像的质量校验通过后,从目标物品图像中提取多个目标纹理特征。本发明实施例中,目标物品纹理特征的提取可以使用灰度图像信息,目标纹理特征的提取可采用计算机视觉中的具有色彩、角度、尺度和旋转等不变性的特征点提取方法,如SIFT(Scale-InvariantFeature Transform,尺度不变特征转换)、SURF(Speed Up Robust Features,加速鲁棒特征算法)等,提取目标纹理特征。
本发明实施例中,可以根据纹理特征之间欧式距离最小原则,采用Brute Force匹配或者匈牙利等算法找到匹配纹理特征。但是,为了提取显著的纹理特征,需要计算每个最佳匹配纹理特征与其次佳匹配点距离的比值,如果该比值小于一个门限,则认为是显著的纹理特征。
需要指出的是,由于后期匹配计算量的限制,提取的目标纹理特征点的个数有一定的限制。例如,两个提取的目标纹理特征点个数是N的目标物品,其一次比对所需要的时间复杂度是O(N2)。因此,目标纹理特征点的个数,需要综合考虑匹配精度和匹配速度。根据相关实验,一般选在400-800个之间。
需要说明的是,本发明实施例中还需要对用于提取目标纹理特征的目标物品图像的分辨率进行设置。若分辨率太低,会丢太多的纹理细节特征,降低比对的精度。若分辨率太高,由于特征点个数的限制,很多显著的局部特征(范围相对较大,例如,对于压制茶而言,如叶子的形状,梗条的特征)可能会丢失,也不利于特征的比对。根据相关实验,目标物品图像的分辨率的宽高设置在400-500像素较为合适。
在步骤S230中,对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型。
本发明实施例中,提取的目标纹理特征中,有一部分是由于在边缘附近,或者直接提取的是价签(标签)上的特征,导致纹理变化明显,被提取为了特征点。但是,这些特征点并不能很好的反应目标物品的本身的特征。因此,若目标纹理特征与源纹理特征的匹配纹理特征属于非主体特征的目标压纹理特征和/或源纹理特征,则过滤掉该匹配纹理特征。
本发明实施例中,特征类型可以包括但不限于:主体特征以及非主体特征。例如,对于压制茶而言,主体特征是指物品本身的特征,针对压制茶而言,如从叶子上、挭条以及压制的纹理中提取的特征,非主体特征是指目标物品图像中非物品本身的特征,针对压制茶而言,如茶饼边缘、价签(标签)中提取的特征。
本发明实施例中,可以通过以下方式,标记出目标纹理特征中的非主体特征。
方法一:利用获取目标物品图像时所提取的边缘位置信息以及和轮廓信息,直接用计算机图形学的方法计算提取的目标纹理特征点与轮廓的最近距离是否在某一个门限内。若在该门限内,则该目标纹理特征为非主体特征,若不在该门限内,则该目标纹理特征为主体特征。
需要指出的是,该方法计算量相对比较大,可采用方法二的方法计算:
方法二:利用获取目标物品图像时所提取的边缘位置信息以及和轮廓信息,查看每一个目标纹理特征特征的特征点所在目标物品图像轮廓的位置的N邻域,如果N邻域里有边缘点出现,则将该特征标识标记为边缘特征点。图4示意性示出了根据本公开的一个实施例的N邻域的示意图。如图4所示,1邻域是指在目标点1个标准框之内,2邻域是指在目标点2个标准框之内,3邻域是指在目标点3个标准框之内。
需要指出的是,根据上述方法一和方法二可以标记出目标物品边缘提取的目标纹理特征,针对价签(标签)中提取的目标纹理特征,可以采用方法三的方法计算:
方法三:通过预先模板匹配的方法标记出价签(标签)中提取的非主体特征。
本发明实施例中,考虑到标签是固定的,因此在目标物品图像中,通过滑动相关匹配的方法,找到该标签的位置,然后将该标签区域的特征标记得非主体特征点。
本发明实施例中,滑动相关匹配在数字图像处理中可以称为模板匹配(MatchTemplate),模板匹配是数字图像处理的重要组成部分之一。把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应模式的处理方法就叫做模板匹配。其中,模板可以理解为是一幅已知的小图像,模板匹配就是在一幅大图像中搜寻目标,已知该图中有要找的目标,且该目标同模板有相同的尺寸、方向和图像,通过一定的算法可以在图中找到目标,确定其坐标位置。
根据本发明实施例,在获取每个目标纹理特征的特征类型后,可以按照每个目标纹理特征的特征类型对所述多个目标纹理特征进行重排,记录所述特征类型分界点,从而在后续进行过滤时,可以基于所述特征类型分界点对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征。
本发明实施例中,本发明实施例中可以按照特征类型对目标纹理特征进行重排,记录特征类型分界点。例如,将主体特征集中排在前面,非主体特征集中排在后面。但本发明并不仅限于此,例如,也可以将主体特征集中排在后面,非主体特征集中排在前面。然后记录特征类型分界点,例如,主体特征的数目为M,主体特征集中排在前面,则此时M(或M+1)为特征类型分界点。
图5示意性示出了根据本公开的一个实施例的目标纹理特征排序的示意图。如图5所示,将主体特征集中排在前面,非主体特征集中排在后面,特征类型的临界点为M(或M+1)。
本发明实施例中,由于每个目标纹理特征需要标记特征类型,从而在后续匹配结果后,基于特征类型进行过滤。本发明实施例中,只记录特征类型的分界点,在进行过滤时,只需要简单判断其在存储序列中的位置是否大于该特征类型分界点M(或者小于M+1)即可,因此,可以降低存储这些目标纹理特征的特征类型所占用的存储空间的大小,以及在后续进行过滤时,快速确定匹配纹理特征的特征类型。
在步骤S240中,将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征。
需要说明的是,预先设置有存储源物品的信息的数据库,例如,源压制茶的信息的数据库。数据库中存储的源物品的信息可以包括:源目标物品图像信息、源物品的源纹理特征(例如,对于压制茶而言,源纹理特征为源茶纹特征)以及各源纹理特征的特征类型(可以按照上文中记录特征类型分界点的方式确定)源物品的标识(如标签)、历史查询信息以及所有出厂信息(例如,对于压制茶而言,包括茶厂企业信息,产区,茶产品品类质量信息,出厂时间,产品许可证信息等)、经销商渠道信息(包括曾经流通的经销商企业信息,流通的时间及地点信息)。本发明并不限于此,例如,源物品的信息还可以包括用户的评价信息。
本发明实施例中,将目标纹理特征与数据库中的源物品的信息中的源纹理特征进行匹配,可以包括:1、目标纹理特征与数据库中的所有源物品的纹理特征的比对,这是目标物品与源物品的1:M的匹配,M表示源纹理特征的数目,可以为远大于1的正整数,从而从源物品中识别出目标物品。2、目标纹理特征与数据库中的一个源物品(可以通过目标物品上的价签、标签从数据库中查找对应的源物品)对应的纹理特征的比对,这是目标物品与源物品1:1的匹配,从而基于该源物品对目标物品进行认证。
本发明实施例中,在将目标纹理特征与数据库中的源纹理特征进行匹配时,可以采用K邻近算法(K-Nearest Neighbor,KNN)匹配算法,本发明实施例中K=2。若基于KNN匹配算法,得到目标纹理特征与某源物品的源纹理特征匹配,则该目标纹理特征(或该原纹理特征)为该目标物品与该某源物品的匹配纹理特征。
需要说明的是,KNN匹配算法可以自动抑制一些非主体特征的特征点。
本发明实施例中,在目标纹理特征以及源纹理特征之间进行匹配的KNN算法仅是一种示例,本发明并不仅限于此。
在步骤S250中,基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征。
本发明实施例中,在获取到目标物品与数据库中的某源物品的源物品的源纹理特征的匹配纹理特征后,可以基于该匹配纹理特征在目标纹理特征以及源纹理特征的特征类型进行过滤,将属于非主体特征的匹配纹理特征删除,获取属于主体特征的匹配纹理特征。
需要指出的是,若某一匹配纹理特征在目标纹理特征和/或源纹理特征中被标记为非主体特征,则该匹配纹理特征需要过滤掉。
例如,某匹配纹理特征A,在目标纹理特征中被标记为非主体特征,在源纹理特征中被标记为主体特征,则A需要被过滤掉。若A在目标纹理特征中被标记为主体特征,在源纹理特征中被标记为非主体特征,则A需要被过滤掉。若A在目标纹理特征以及源纹理特征中均被标记为非主体特征,则A需要被过滤掉。若A在目标纹理特征以及源纹理特征中均被标记为主体特征,则A不需要被过滤。
需要指出的是,如果直接在进行匹配之前去除非主体特征,使其不参与后续的匹配过程,会导致匹配结果不准确。例如,由于手机端拍摄照片的条件的多样性,提取的物品边缘有可能完整性(漏掉一部分),使得部分未被检测到的边缘特征点不能通过KNN匹配算法自动抑制,降低匹配的精度。因此,需要在KNN匹配过程中将非主体特征考虑在内,让其参与到KNN算法对非主体特征的自动抑制过程,在匹配结束之后,将那些在算法中还没有被自动抑制的非主体特征过滤掉,从而提升匹配出的匹配纹理特征的精度,提升整个匹配过程的精度。
根据本发明实施例,在进行匹配纹理特征的过滤时,还可以基于投影矩阵进行过滤。该过滤过程可以发生在基于特征类型进行过滤之后,但是本发明并不限于此。
图6是示意性示出了根据本公开的一个实施例的纹理特征匹配后进行过滤的数据流示意图。如图6所述,对目标纹理特征与源纹理特征进行特征匹配后,得到匹配纹理特征,然后基于特征类型以及投影矩阵进行过滤,得到有效的匹配纹理特征,即删除了不满足所述投影矩阵的过滤后的匹配纹理特征,即有效匹配纹理特征。
根据本发明实施例,基于所述过滤后的所有匹配纹理特征在所述目标物品图像以及所述源纹理特征所属的源目标物品图像的位置,确定所述目标物品图像与所述源目标物品图像的投影矩阵。基于所述投影矩阵对所述过滤后的每一匹配纹理特征在所述目标物品图像以及所述源目标物品图像的位置进行校验,删除所述在目标物品图像以及所述源目标物品图像的位置不满足所述投影矩阵的过滤后的匹配纹理特征。
本发明实施例中,目标物品图像和数据库中的源目标物品图像,由于拍摄角度、旋转、尺度等因素的影响,匹配纹理特征在目标物品图像以及源目标物品图像所在的位置有很大的区别,但是这些因素,可以由一个投影矩阵H来估计。该投影矩阵可以基于过滤后的所有匹配纹理特征在所述目标物品图像以及所述源纹理特征所属的源目标物品图像的位置,根据最小误差原则(如最小二乘法)估计出投影矩阵H。在获取到投影矩阵后,得到每一匹配纹理特征后,可以基于投影矩阵对每一匹配纹理特征在目标物品图像的位置以及所述源目标物品图像的位置进行校验。其关系如下面的公式所示:
若某一匹配纹理特征在目标物品图像以及源目标物品图像的位置不满足该投影矩阵,则该匹配纹理特征校验失败,将该匹配纹理特征删除。
图7是示意性示出了根据本公开的一个实施例的目标茶饼图像与源茶饼图像的位置关系示意图。如图7所示,其中,目标茶饼图像中的目标茶纹特征A1、B1、C1、D1在源茶饼图像A2、B2、C2、D2的位置均符合投影矩阵H,目标茶饼图像中目标茶纹特征E1与源茶饼图像中的E2为匹配茶纹特征,但是根据投影矩阵H,其在源茶饼图像对应的源纹理特征应为E2’,E2与E2’之间存在投影误差,则将该茶纹特征对应的匹配茶纹特征E删除。
本发明实施例中,基于特征类型以及投影矩阵对匹配特征点进行过滤,过滤掉了非主体特征以及不满足投影矩阵的匹配特征点,从而提升匹配纹理特征的精准性。
在步骤S260中,基于所述过滤后的匹配纹理特征获取所述目标物品的信息。
本发明实施例中,对于过滤后的匹配纹理特征(不仅可以是基于特征类型进行过滤后的匹配纹理特征,还可以是基于特征类型以及投影矩阵共同过滤后的匹配纹理特征),可以判断其数目是否满足数目阈值,若满足,基于所述数据库中的所述源物品获取所述目标物品的信息。
例如,目标物品X与数据库中的源物品Y的过滤后的匹配纹理特征为30个,数目阈值为15个,则说明目标物品X与数据库中源物品Y为同一个物品,基于数据库中源物品Y的信息可以得到目标物品X的信息。
根据本发明实施例,若过滤后的匹配纹理特征不满足数目阈值,针对目标物品与源物品的1:M的匹配,此时可以从数据库中提取到下一个源物品的源纹理特征进行配。针对目标物品与源物品1:1的匹配,此时说明目标物品认证失败。
本发明实施例中,获取目标物品的目标物品图像;从所述目标物品图像中提取多个目标纹理特征;对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型;将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征;基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征;基于所述过滤后的匹配纹理特征获取所述目标物品的信息。提升了提取的目标纹理特征的准确性,实现了对目标物品的精准识别。
下面结合具体的实施例,对本发明实施例中提出的获取目标物品的目标物品图像的方法进行详细的说明。图8示意性示出了根据本公开的一个实施例的获取目标物品的目标物品图像的方法的流程图。该方法可以获取到生产厂商方或者流水线上通过摄像头录入的目标物品的图像的目标物品图像。
如图8所示,该方法可以包括但不限于以下步骤:
在步骤S810中,将目标物品的图像灰度化处理。
需要说明的是,由于目标物品的图像可能像素很高,例如1080P,整个在处理流程上会比较费时间,因此可以在整个处理流程之前,预先采样到一个相对较低分辨率的目标物品的图像进行处理。
在步骤S820中,采用高斯模糊滤波。
本发明实施例中,对于压制茶而言,目标茶饼图像大多以深青色或者棕褐色为主深色。在灰度图像下,偏于暗色,而其中的一些小的嫩芽或者梗枝之类的物质会呈现出亮色。采用高斯模糊滤波,一方面可以滤除该亮色对边缘检测和轮廓提取的干扰。另外一方面,茶饼的边缘一般不是平滑的,有很多的毛刺,高斯模糊滤波也可减轻这些毛刺对茶饼边缘检测的干扰,是检测的边缘更加的平滑。
在步骤S830中,将图像二值化。
需要指出的是,该步骤可以为后续的形态学滤波和边缘检测做准备。
在步骤S840中,采用形态学滤波。
本发明实施例中,可采用开运算和闭运算相结合的方法,以消除一些潜在的小黑点和小黑洞,使边缘检测更加精准。
在步骤S850中,利用边缘检测算法检测出所述目标物品的边缘位置信息,获取所述目标物品的边缘图像。
本发明实施例中,边缘检测算法可以包括但不限于Sobel和Canny算子的检测算法。
在步骤S860中,基于轮廓提取方法提取出所述边缘图像的轮廓信息,并基于所述轮廓信息获取外接矩形信息。
本发明实施例中,可以采用轮廓提取的方法,提取出边缘图像中的主要(最大)轮廓作为物品的轮廓信息。并根据轮廓信息得出其最小的外接矩形,并计算其中心点的位置、宽高比、在图像中的大小是否满足一定的条件。否则,则认为检测到的位置是一个错误的位置信息。
在步骤S870中,基于所述外接矩形信息以及所述轮廓信息获取目标物品图像。
本发明实施例中,可以根据检测到的矩形位置信息和物品的轮廓信息,并设置轮廓以外的像素为背景颜色,以防止其他物品对物品的纹理特征提取的干扰。以压制茶为例,一般在录入过程中,因为茶饼偏向于暗色,所以会采用白色背景。最终缩放到一定的比率,用于后续的处理。
以下介绍本公开的装置实施例,可以用于执行本公开上述的物品纹理信息处理的方法。对于本公开装置实施例中未披露的细节,请参照本公开上述的自动定位判断依据的方法的实施例。
图9示意性示出了根据本公开的一实施例的物品纹理信息处理的装置的框图。
参照图9所示,根据本公开的一个实施例的物品纹理信息处理的装置900,可以包括:图像获取模块910、特征提取模块920、类型获取模块930、特征匹配模块940、特征过滤模块950以及信息获取模块960。
其中,图像获取模块910,配置为获取目标物品的目标物品图像。
特征提取模块920,配置为从所述目标物品图像中提取多个目标纹理特征。
类型获取模块930,配置为对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型。
特征匹配模块940,配置为将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征。
特征过滤模块950,配置为基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征。信息获取模块960,配置为基于所述过滤后的匹配纹理特征获取所述目标物品的信息。
本发明实施例中,获取目标物品的目标物品图像;从所述目标物品图像中提取多个目标纹理特征;对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型;将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征;基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征;基于所述过滤后的匹配纹理特征获取所述目标物品的信息。提升了提取的目标纹理特征的准确性,实现了对目标物品的精准识别。
图10示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。需要说明的是,图10示出的电子设备的计算机系统1000仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统操作所需的各种程序和数据。CPU1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块和/或单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的模块和/或单元也可以设置在处理器中。其中,这些模块和/或单元的名称在某种情况下并不构成对该模块和/或单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种物品纹理信息处理的方法,其特征在于,包括:
获取目标物品的目标物品图像;
从所述目标物品图像中提取多个目标纹理特征;
对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型;
将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征;
基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征;
基于所述过滤后的匹配纹理特征获取所述目标物品的信息。
2.如权利要求1所述的方法,其特征在于,所述特征类型包括:主体特征以及非主体特征;
基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征,包括:
若所述匹配纹理特征属于非主体特征的目标压纹理特征和/或源纹理特征,过滤掉所述匹配纹理特征。
3.如权利要求1所述的方法,其特征在于,获取目标物品的目标物品图像之后,所述方法还包括:
确定所述目标物品图像的图像质量的多个维度的值满足每个维度的维度阈值的目标物品图像,从所述目标物品图像中提取多个目标纹理特征;或
确定所述目标物品图像基于神经网络的质量评价分数满足综合阈值的目标物品图像,从所述目标物品图像中提取多个目标纹理特征。
4.如权利要求1所述的方法,其特征在于,基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征后,所述方法还包括:
基于所述过滤后的所有匹配纹理特征在所述目标物品图像以及所述源纹理特征所属的源目标物品图像的位置,确定所述目标物品图像与所述源目标物品图像的投影矩阵;
基于所述投影矩阵对所述过滤后的每一匹配纹理特征在所述目标物品图像以及所述源目标物品图像的位置进行校验;
删除所述在目标物品图像以及所述源目标物品图像的位置不满足所述投影矩阵的过滤后的匹配纹理特征;
基于所述过滤后的匹配纹理特征获取所述目标物品的信息,包括:
基于删除了不满足所述投影矩阵的过滤后的匹配纹理特征获取所述目标物品的信息。
5.如权利要求1所述的方法,其特征在于,对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型之后,所述方法还包括:
按照每个目标纹理特征的特征类型对所述多个目标纹理特征进行重排,记录所述特征类型的分界点;
基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征,包括:
基于所述特征类型的分界点对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征。
6.如权利要求1所述的方法,其特征在于,获取目标物品的目标物品图像,包括:
使用边缘检测算法检测出所述目标物品的边缘位置信息,获取所述目标物品的边缘图像;
基于轮廓提取方法提取出所述边缘图像的轮廓信息,并基于所述轮廓信息获取外接矩形信息;
基于所述外接矩形信息以及所述轮廓信息获取目标物品图像。
7.如权利要求1所述的方法,其特征在于,基于所述过滤后的匹配纹理特征获取所述目标物品的信息,包括:
若确定所述过滤后的匹配纹理特征数目满足数目阈值,基于所述数据库中的所述源物品获取所述目标物品的信息。
8.一种物品纹理信息处理的装置,其特征在于,包括:
图像获取模块,配置为获取目标物品的目标物品图像;
特征提取模块,配置为从所述目标物品图像中提取多个目标纹理特征;
类型获取模块,配置为对所述多个目标纹理特征进行标记,获取每个目标纹理特征的特征类型;
特征匹配模块,配置为将所述多个目标纹理特征与数据库中源物品的源纹理特征进行匹配,获取所述目标物品与所述数据库中的源物品的匹配纹理特征;
特征过滤模块,配置为基于所述每个目标纹理特征以及源纹理特征的特征类型对所述匹配纹理特征进行过滤,获取过滤后的匹配纹理特征;
信息获取模块,配置为基于所述过滤后的匹配纹理特征获取所述目标物品的信息。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630302.2A CN111784675A (zh) | 2020-07-01 | 2020-07-01 | 物品纹理信息处理的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630302.2A CN111784675A (zh) | 2020-07-01 | 2020-07-01 | 物品纹理信息处理的方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784675A true CN111784675A (zh) | 2020-10-16 |
Family
ID=72758151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630302.2A Withdrawn CN111784675A (zh) | 2020-07-01 | 2020-07-01 | 物品纹理信息处理的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784675A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215878A (zh) * | 2020-11-04 | 2021-01-12 | 中日友好医院(中日友好临床医学研究所) | 一种基于surf特征点的x光图像配准方法 |
CN112580384A (zh) * | 2020-12-29 | 2021-03-30 | 云南易见纹语科技有限公司 | 物品纹理处理方法、装置、系统、电子设备及存储介质 |
CN113866196A (zh) * | 2021-06-16 | 2021-12-31 | 北京艾尚燕食品科技有限公司 | 一种燕窝成分检测系统 |
CN115690758A (zh) * | 2022-12-12 | 2023-02-03 | 吉林农业大学 | 一种基于深度度量学习的茶脸验真方法及验真系统 |
CN115908774A (zh) * | 2023-01-10 | 2023-04-04 | 佰聆数据股份有限公司 | 一种基于机器视觉的变形物资的品质检测方法和装置 |
CN116912606A (zh) * | 2023-09-14 | 2023-10-20 | 网思科技股份有限公司 | 基于卷积神经网络的茶饼受潮分析方法、装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100077307A (ko) * | 2008-12-29 | 2010-07-08 | 포항공과대학교 산학협력단 | 영상 텍스쳐 필터링 방법, 이를 수행하는 프로그램을 기록한 기록매체 및 이를 수행하는 장치 |
US20120257039A1 (en) * | 2009-12-18 | 2012-10-11 | Yuichi Abe | Image Processing Device, Measuring/Testing System, and Program |
US20130207966A1 (en) * | 2012-02-15 | 2013-08-15 | Electronics And Telecommunications Research Institute | Apparatus and method of producing 3d model |
US20150310309A1 (en) * | 2014-04-29 | 2015-10-29 | At&T Intellectual Property I, Lp | Method and apparatus for organizing media content |
US20160155011A1 (en) * | 2014-12-02 | 2016-06-02 | Xerox Corporation | System and method for product identification |
CN106663190A (zh) * | 2014-04-16 | 2017-05-10 | 德国史密斯海曼简化股份公司 | 基于纹理的负载的识别或确定 |
CN108510472A (zh) * | 2018-03-08 | 2018-09-07 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
CN108615248A (zh) * | 2018-04-27 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置、设备及存储介质 |
US20180315203A1 (en) * | 2014-07-10 | 2018-11-01 | Ditto Labs, Inc. | Systems, Methods, And Devices For Image Matching And Object Recognition In Images Using Textures |
CN110472480A (zh) * | 2019-06-28 | 2019-11-19 | 深圳数马电子技术有限公司 | 物品识别方法、装置及计算机可读存储介质 |
CN111046889A (zh) * | 2019-12-17 | 2020-04-21 | 易见天树科技(北京)有限公司 | 压制茶信息处理的方法、装置及电子设备 |
-
2020
- 2020-07-01 CN CN202010630302.2A patent/CN111784675A/zh not_active Withdrawn
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100077307A (ko) * | 2008-12-29 | 2010-07-08 | 포항공과대학교 산학협력단 | 영상 텍스쳐 필터링 방법, 이를 수행하는 프로그램을 기록한 기록매체 및 이를 수행하는 장치 |
US20120257039A1 (en) * | 2009-12-18 | 2012-10-11 | Yuichi Abe | Image Processing Device, Measuring/Testing System, and Program |
US20130207966A1 (en) * | 2012-02-15 | 2013-08-15 | Electronics And Telecommunications Research Institute | Apparatus and method of producing 3d model |
CN106663190A (zh) * | 2014-04-16 | 2017-05-10 | 德国史密斯海曼简化股份公司 | 基于纹理的负载的识别或确定 |
US20150310309A1 (en) * | 2014-04-29 | 2015-10-29 | At&T Intellectual Property I, Lp | Method and apparatus for organizing media content |
US20180315203A1 (en) * | 2014-07-10 | 2018-11-01 | Ditto Labs, Inc. | Systems, Methods, And Devices For Image Matching And Object Recognition In Images Using Textures |
US20160155011A1 (en) * | 2014-12-02 | 2016-06-02 | Xerox Corporation | System and method for product identification |
CN108510472A (zh) * | 2018-03-08 | 2018-09-07 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
CN108615248A (zh) * | 2018-04-27 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 相机姿态追踪过程的重定位方法、装置、设备及存储介质 |
CN110472480A (zh) * | 2019-06-28 | 2019-11-19 | 深圳数马电子技术有限公司 | 物品识别方法、装置及计算机可读存储介质 |
CN111046889A (zh) * | 2019-12-17 | 2020-04-21 | 易见天树科技(北京)有限公司 | 压制茶信息处理的方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
陈宁;杨永全;: "基于纹理特征匹配的快速目标分割方法", 电子设计工程, no. 23, pages 44 - 47 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215878A (zh) * | 2020-11-04 | 2021-01-12 | 中日友好医院(中日友好临床医学研究所) | 一种基于surf特征点的x光图像配准方法 |
CN112215878B (zh) * | 2020-11-04 | 2023-03-24 | 中日友好医院(中日友好临床医学研究所) | 一种基于surf特征点的x光图像配准方法 |
CN112580384A (zh) * | 2020-12-29 | 2021-03-30 | 云南易见纹语科技有限公司 | 物品纹理处理方法、装置、系统、电子设备及存储介质 |
CN113866196A (zh) * | 2021-06-16 | 2021-12-31 | 北京艾尚燕食品科技有限公司 | 一种燕窝成分检测系统 |
CN115690758A (zh) * | 2022-12-12 | 2023-02-03 | 吉林农业大学 | 一种基于深度度量学习的茶脸验真方法及验真系统 |
CN115690758B (zh) * | 2022-12-12 | 2023-08-08 | 吉林农业大学 | 一种基于深度度量学习的茶脸验真方法及验真系统 |
CN115908774A (zh) * | 2023-01-10 | 2023-04-04 | 佰聆数据股份有限公司 | 一种基于机器视觉的变形物资的品质检测方法和装置 |
CN116912606A (zh) * | 2023-09-14 | 2023-10-20 | 网思科技股份有限公司 | 基于卷积神经网络的茶饼受潮分析方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10635946B2 (en) | Eyeglass positioning method, apparatus and storage medium | |
CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
CN108765278B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
US8983200B2 (en) | Object segmentation at a self-checkout | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
Vanetti et al. | Gas meter reading from real world images using a multi-net system | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN111161295B (zh) | 一种菜品图像背景剥离方法 | |
CN112749696B (zh) | 一种文本检测方法及装置 | |
CN111259908A (zh) | 基于机器视觉的钢卷号识别方法、系统、设备及存储介质 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN107301421A (zh) | 车辆颜色的识别方法及装置 | |
CN113283439B (zh) | 基于图像识别的智能计数方法、装置及系统 | |
Liu et al. | Splicing forgery exposure in digital image by detecting noise discrepancies | |
Feng et al. | Image shadow detection and removal based on region matching of intelligent computing | |
CN112329575A (zh) | 一种基于图像质量评价的鼻纹检测方法及装置 | |
CN117237637A (zh) | 一种图像信号处理系统及方法 | |
CN117197864A (zh) | 基于深度学习的证件照分类识别及免冠检测方法及系统 | |
CN111199228A (zh) | 一种车牌定位的方法及装置 | |
CN110428264A (zh) | 基于点阵屏防伪标签的识别验伪方法、装置、设备及介质 | |
CN117011216A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 | |
CN112785550A (zh) | 图像质量值确定方法、装置、存储介质及电子装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201016 |