CN111985508B - 一种适用于线阵ccd的目标连通域形状分析方法 - Google Patents

一种适用于线阵ccd的目标连通域形状分析方法 Download PDF

Info

Publication number
CN111985508B
CN111985508B CN202010906499.8A CN202010906499A CN111985508B CN 111985508 B CN111985508 B CN 111985508B CN 202010906499 A CN202010906499 A CN 202010906499A CN 111985508 B CN111985508 B CN 111985508B
Authority
CN
China
Prior art keywords
connected domain
boundary
target connected
line
pixel point
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
Application number
CN202010906499.8A
Other languages
English (en)
Other versions
CN111985508A (zh
Inventor
邓宏平
汪俊锋
林传文
韩钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Yingtong Technology Co ltd
Original Assignee
Anhui Yingtong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Yingtong Technology Co ltd filed Critical Anhui Yingtong Technology Co ltd
Priority to CN202010906499.8A priority Critical patent/CN111985508B/zh
Publication of CN111985508A publication Critical patent/CN111985508A/zh
Application granted granted Critical
Publication of CN111985508B publication Critical patent/CN111985508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/40—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
    • G06V10/443—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 by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

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

本发明提供一种适用于线阵CCD的目标连通域形状分析方法，线阵CCD对目标连通域由下至上逐行进行扫描，包括以下步骤：1、扫描目标连通域第0行，提取其各个方向上的直线边界信息并更新目标连通域边界信息；2、扫描目标连通域第i行，提取其各个方向上的直线边界信息，并对比扫描前一行记录的目标连通域边界信息，若超出则更新目标连通域边界信息，若未超出则继续扫描下一行，直至扫描到全背景行，其中0＜i≤n，n为目标连通域总行数；3、根据最终记录的目标连通域边界信息，选定面积最小的外接矩形框作为目标连通域的近似最小外接矩形。本发明通过实时提取行图像边界信息，并对比更新目标连通域边界信息，实现基于线阵CCD的目标连通域形状分析。

Description

一种适用于线阵CCD的目标连通域形状分析方法
技术领域
本发明涉及图像识别分析技术领域，尤其是一种适用于线阵CCD的目标连通域形状分析方法。
背景技术
茶叶筛选，是面阵CCD的一个典型应用。为了区分茶叶与茶叶梗，需要对面阵CCD得到二维栅格图像中的目标物体进行形状信息分析，基于最小外接矩形框的尺寸分析，是最为常见的技术手段。通过计算各个方向上当前连通域的上下左右边界，然后通过比较面积得到当前连通域最小外接矩形的精确位置。
线阵CCD在工业界有着非常广泛的应用，例如数码照片扫描、工业检测、卫星遥感影像等技术领域都能看到它的身影。相比于面阵CCD，线阵CCD的电荷转移负担更小，可以在极短的时间内完成当前时刻图像采集。而物料筛选过程中，需要获取高速下落的目标物的清晰图像，线阵CCD刚好能够满足这一需求，但是对线阵CCD获取图像进行形状信息分析时，由于线阵CCD在每一时刻采集到的图像都是行数据，而不是矩形栅格图像，导致基于栅格图像的算法无法直接应用。与此同时，茶叶、茶叶梗在下落过程中，其角度是各不相同的，单纯的水平扫描或者垂直扫描，无法准确检测到斜向下落物体的尺寸信息，导致判断不准确。
发明内容
针对线阵CCD获取的图像在形状信息分析中的技术障碍，本发明提出一种适用于线阵CCD的目标连通域形状分析方法。
一种适用于线阵CCD的目标连通域形状分析方法，线阵CCD对目标连通域由下至上逐行进行扫描，包括以下步骤：1、目标连通域边界信息初始化，参数初始化；2、扫描目标连通域第0行，提取其各个方向上的直线边界信息并更新目标连通域边界信息；3、扫描目标连通域第i行，提取其各个方向上的直线边界信息，并对比扫描前一行记录的目标连通域边界信息，若超出则更新目标连通域边界信息，若未超出则继续扫描下一行，直至扫描到全背景行，其中0＜i≤n，n为目标连通域总行数；4、根据最终记录的目标连通域边界信息，选定面积最小的外接矩形框作为目标连通域的近似最小外接矩形。
进一步的，提取的各个方向上的直线边界信息包括水平边界、垂直边界和若干斜向边界；
所述水平边界为目标连通域的最左侧直线边界和最右侧直线边界，所述垂直边界为目标连通域的最上侧直线边界和最下侧直线边界，所述斜向边界为目标连通域在某一斜向方向上的两条最外侧直线边界。
进一步的，边界信息利用像素点的二维坐标表示，从左至右依序对当前扫描行的像素点进行一维编号，并判断每一个像素点为目标像素点或背景像素点，根据线性CCD扫描到的当前行数，对当前扫描行的像素点进行二维编号，使得目标连通域内每一个像素点具有一一对应的二维坐标(x,y)。
进一步的，目标连通域水平边界提取方法为，包括以下步骤：由下至上逐行扫描目标连通域，记录当前行最左侧像素点坐标x值，并对比扫描前一行记录的最左侧直线边界，若当前行最左侧像素点坐标x值更小，则将其更新为目标连通域的最左侧直线边界；记录当前行最右侧像素点坐标x值，并对比扫描前一行记录的最右侧直线边界，若当前行最右侧像素点坐标x值更大，则将其更新为目标连通域的最右侧直线边界。
进一步的，目标连通域垂直边界提取方法为，第0行的y值作为目标连通域的最下侧直线边界，第n行的y值作为目标连通域的最上侧直线边界。
进一步的，目标连通域斜向边界提取方法为，包括以下步骤：由下至上逐行扫描目标连通域，计算当前行最左侧像素点坐标的y-x*tanθ值，并对比扫描前一行记录的左上斜向边界，若当前行最左侧像素点坐标的y-x*tanθ值更小，则将其更新为目标连通域的左上斜向边界；计算当前行最右侧像素点坐标的y-x*tanθ值，并对比扫描前一行记录的右下斜向边界，若当前行最右侧像素点坐标的y-x*tanθ值更大，则将其更新为目标连通域的右下斜向边界；计算当前行最左侧像素点坐标的y-x*tan(90°+θ)值，并对比扫描前一行记录的左下斜向边界，若当前行最左侧像素点坐标的y-x*tan(90°+θ)值更小，则将其更新为目标连通域的左下斜向边界；计算当前行最右侧像素点坐标的y-x*tan(90°+θ)值，并对比扫描前一行记录的右上斜向边界，若当前行最右侧像素点坐标的y-x*tan(90°+θ)值更大，则将其更新为目标连通域的右上斜向边界；其中0＜θ＜90°。
本发明通过实时提取行图像边界信息，并对比更新目标连通域边界信息，实现基于线阵CCD的目标连通域形状分析；通过不同角度的斜向边界获取，使得形状分析更为精准。
附图说明
图1为相互垂直的45°斜线和135°斜线获取的目标连通域斜向边界；
图2为相互垂直的28.6°斜线和118.6°斜线获取的目标连通域斜向边界。
具体实施方式
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。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
线阵CCD对目标连通域由下至上逐行进行扫描，每扫描完一行图像数据，数据就会被清空，因此，基于线阵图像的连通域提取和形状分析，必须在一次扫描的同时完成所需信息的提取。
结合这一思想，本发明提出一种适用于线阵CCD的目标连通域形状分析方法，包括以下步骤：1、目标连通域边界信息初始化，参数初始化；2、扫描目标连通域第0行，提取其各个方向上的直线边界信息并更新目标连通域边界信息；3、扫描目标连通域第i行，提取其各个方向上的直线边界信息，并对比扫描前一行记录的目标连通域边界信息，若超出则更新目标连通域边界信息，若未超出则继续扫描下一行，直至扫描到全背景行，其中0＜i≤n，n为目标连通域总行数；4、根据最终记录的目标连通域边界信息，选定面积最小的外接矩形框作为目标连通域的近似最小外接矩形。
从目标连通域的最底部行图像开始，每扫描一行，便即时提取该行图像各个方向上的边界信息，并对比更新目标连通域边界信息，以实现基于线阵图像的连通域形状分析，其基础思想类似于数字排序的冒泡算法。
在色选机的应用中，入料通道通常划分为若干槽道，例如64槽道或128槽道，每个槽道对应一个吹阀，色选算法只需单独处理单条槽道内的线性图像，作出吹阀判断即可。与此同时，经过防堆料机构，同一时间进入线阵CCD扫描区域的物料有且仅有一颗物料。
线阵CCD持续扫描槽道对应位置，若扫描到的是全背景行，则表明当前线阵CCD扫描区域无物料，此时初始化目标连通域边界信息以及相关参数。当经过全背景行之后，扫描到包含目标像素的行图像，则表明此行为一颗物料(即目标连通域)的第0行，则基于上述形状分析方法对物料形状进行分析。当再次检测到全背景行时，表明该物料已经全部扫描完毕，再次初始化目标连通域边界信息以及相关参数，为下一颗物料的扫描做好准备。
提取的各个方向上的边界信息包括水平边界、垂直边界和若干斜向边界；所述水平边界为目标连通域的最左侧直线边界和最右侧直线边界，所述水平边界为目标连通域的最左侧直线边界和最右侧直线边界，所述垂直边界为目标连通域的最上侧直线边界和最下侧直线边界，所述斜向边界为目标连通域在某一斜向方向上的两条最外侧直线边界。
本实施例中，边界信息利用像素点的二维坐标表示，从左至右依序对当前扫描行的像素点进行一维编号，并判断每一个像素点为目标像素点或背景像素点，根据线性CCD扫描到的当前行数，对当前扫描行的像素点进行二维编号，使得目标连通域内每一个像素点具有一一对应的二维坐标(x,y)。
目标连通域水平边界提取方法为，包括以下步骤：
1、由下至上逐行扫描目标连通域；
2、记录当前行最左侧像素点坐标x值，并对比扫描前一行记录的最左侧直线边界，若当前行最左侧像素点坐标x值更小，则将其更新为目标连通域的最左侧直线边界；
3、记录当前行最右侧像素点坐标x值，并对比扫描前一行记录的最右侧直线边界，若当前行最右侧像素点坐标x值更大，则将其更新为目标连通域的最右侧直线边界。
目标连通域垂直边界提取方法为：
1、第0行的y值作为目标连通域的最下侧直线边界；
2、第n行的y值作为目标连通域的最上侧直线边界。
目标连通域斜向边界提取方法为，包括以下步骤：
1、由下至上逐行扫描目标连通域，
2、计算当前行最左侧像素点坐标的y-x*tanθ值，并对比扫描前一行记录的左上斜向边界，若当前行最左侧像素点坐标的y-x*tanθ值更小，则将其更新为目标连通域的左上斜向边界；
3、计算当前行最右侧像素点坐标的y-x*tanθ值，并对比扫描前一行记录的右下斜向边界，若当前行最右侧像素点坐标的y-x*tanθ值更大，则将其更新为目标连通域的右下斜向边界；
4、计算当前行最左侧像素点坐标的y-x*tan(90°+θ)值，并对比扫描前一行记录的左下斜向边界，若当前行最左侧像素点坐标的y-x*tan(90°+θ)值更小，则将其更新为目标连通域的左下斜向边界；
5、计算当前行最右侧像素点坐标的y-x*tan(90°+θ)值，并对比扫描前一行记录的右上斜向边界，若当前行最右侧像素点坐标的y-x*tan(90°+θ)值更大，则将其更新为目标连通域的右上斜向边界；其中0＜θ＜90°。
水平边界和垂直边界很好理解，下面结合具体实例对斜向边界的确定进行阐述，图1和图2分别表示以相互垂直的45°斜线和135°斜线获取的目标连通域斜向边界，以及相互垂直的28.6°斜线和118.6°斜线获取的目标连通域斜向边界。
通过计算可知，在图1(tanθ＝1)中，像素点(2,3)的y-x＝1是最大的，为左上斜向边界；而像素点(9,2)、(11,4)的y-x＝-7是最小的，为右下斜向边界；像素点(0,0)的y+x＝0是最小的，为左下斜向边界，像素点(12,5)的y+x＝17是最大的，为右上斜向边界。图2分析同图1。
由图1、图2可以看出，每一组相互垂直的斜向边界构成了一个目标连通域的外接矩形框。水平边界和垂直边界可以理解为特殊情况(θ＝0)下的斜向边界，水平边界和垂直边界也构成了一个目标连通域的外接矩形框。在完成整个目标连通域扫描之后，面积最小的外接矩形框作为目标连通域的近似最小外接矩形。
斜向边界计算过程中选取的角度数量，根据FPGA芯片的资源数目决定。如果芯片算力较强、寄存器资源足够，可以通过增加选取角度的数量，使得最终得到的近似最小外接矩形与目标连通域足够近似。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

Claims (3)

1.一种适用于线阵CCD的目标连通域形状分析方法，线阵CCD对目标连通域由下至上逐行进行扫描，其特征在于，包括以下步骤：
步骤1，目标连通域边界信息初始化，参数初始化；
步骤2，扫描目标连通域第0行，提取其各个方向上的直线边界信息并更新目标连通域边界信息；
步骤3，扫描目标连通域第i行，提取其各个方向上的直线边界信息，并对比扫描前一行记录的目标连通域边界信息，若超出则更新目标连通域边界信息，若未超出则继续扫描下一行，直至扫描到全背景行，其中0＜i≤n，n为目标连通域总行数；
步骤4，根据最终记录的目标连通域边界信息，选定面积最小的外接矩形框作为目标连通域的近似最小外接矩形；
其中，提取的各个方向上的直线边界信息包括水平边界、垂直边界和若干斜向边界，所述水平边界为目标连通域的最左侧直线边界和最右侧直线边界，所述垂直边界为目标连通域的最上侧直线边界和最下侧直线边界，所述斜向边界为目标连通域在某一斜向方向上的两条最外侧直线边界；
边界信息利用像素点的二维坐标表示，从左至右依序对当前扫描行的像素点进行一维编号，并判断每一个像素点为目标像素点或背景像素点，根据线性CCD扫描到的当前行数，对当前扫描行的像素点进行二维编号，使得目标连通域内每一个像素点具有一一对应的二维坐标(x,y)；
目标连通域斜向边界提取方法包括以下步骤：由下至上逐行扫描目标连通域，
计算当前行最左侧像素点坐标的y-x*tanθ值，并对比扫描前一行记录的左上斜向边界，若当前行最左侧像素点坐标的y-x*tanθ值更小，则将其更新为目标连通域的左上斜向边界；
计算当前行最右侧像素点坐标的y-x*tanθ值，并对比扫描前一行记录的右下斜向边界，若当前行最右侧像素点坐标的y-x*tanθ值更大，则将其更新为目标连通域的右下斜向边界；
计算当前行最左侧像素点坐标的y-x*tan(90°+θ)值，并对比扫描前一行记录的左下斜向边界，若当前行最左侧像素点坐标的y-x*tan(90°+θ)值更小，则将其更新为目标连通域的左下斜向边界；
计算当前行最右侧像素点坐标的y-x*tan(90°+θ)值，并对比扫描前一行记录的右上斜向边界，若当前行最右侧像素点坐标的y-x*tan(90°+θ)值更大，则将其更新为目标连通域的右上斜向边界；其中0＜θ＜90°。
2.根据权利要求1所述的适用于线阵CCD的目标连通域形状分析方法，其特征在于，目标连通域水平边界提取方法为，包括以下步骤：由下至上逐行扫描目标连通域，
记录当前行最左侧像素点坐标x值，并对比扫描前一行记录的最左侧直线边界，若当前行最左侧像素点坐标x值更小，则将其更新为目标连通域的最左侧直线边界；
记录当前行最右侧像素点坐标x值，并对比扫描前一行记录的最右侧直线边界，若当前行最右侧像素点坐标x值更大，则将其更新为目标连通域的最右侧直线边界。
3.根据权利要求1所述的适用于线阵CCD的目标连通域形状分析方法，其特征在于，目标连通域垂直边界提取方法为，第0行的y值作为目标连通域的最下侧直线边界，第n行的y值作为目标连通域的最上侧直线边界。
CN202010906499.8A 2020-09-01 2020-09-01 一种适用于线阵ccd的目标连通域形状分析方法 Active CN111985508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010906499.8A CN111985508B (zh) 2020-09-01 2020-09-01 一种适用于线阵ccd的目标连通域形状分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010906499.8A CN111985508B (zh) 2020-09-01 2020-09-01 一种适用于线阵ccd的目标连通域形状分析方法

Publications (2)

Publication Number Publication Date
CN111985508A CN111985508A (zh) 2020-11-24
CN111985508B true CN111985508B (zh) 2023-09-19

Family

ID=73448373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010906499.8A Active CN111985508B (zh) 2020-09-01 2020-09-01 一种适用于线阵ccd的目标连通域形状分析方法

Country Status (1)

Country Link
CN (1) CN111985508B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927206B (zh) * 2021-03-01 2023-05-30 安徽慧视金瞳科技有限公司 一种适用于线阵ccd的特殊形状物料分选方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10332341A (ja) * 1997-06-04 1998-12-18 Sumitomo Electric Ind Ltd 画像処理による層厚計測方法および装置
WO2014000261A1 (zh) * 2012-06-29 2014-01-03 中国科学院自动化研究所 一种基于空间连通域预定位的商标检测方法
CN108345888A (zh) * 2018-02-11 2018-07-31 浙江华睿科技有限公司 一种连通域提取方法及装置
CN108961275A (zh) * 2018-07-23 2018-12-07 南京师范大学 基于投影偏离特征向量的pcb芯片定位与字符分割方法
CN109801336A (zh) * 2019-01-09 2019-05-24 南京理工大学 基于可见光及红外光视觉的机载目标定位系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10332341A (ja) * 1997-06-04 1998-12-18 Sumitomo Electric Ind Ltd 画像処理による層厚計測方法および装置
WO2014000261A1 (zh) * 2012-06-29 2014-01-03 中国科学院自动化研究所 一种基于空间连通域预定位的商标检测方法
CN108345888A (zh) * 2018-02-11 2018-07-31 浙江华睿科技有限公司 一种连通域提取方法及装置
CN108961275A (zh) * 2018-07-23 2018-12-07 南京师范大学 基于投影偏离特征向量的pcb芯片定位与字符分割方法
CN109801336A (zh) * 2019-01-09 2019-05-24 南京理工大学 基于可见光及红外光视觉的机载目标定位系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于线阵CCD成像的显微虚拟切片扫描系统;叶可人;姜志国;孟钢;;中国体视学与图像分析(第04期);全文 *
基于FPGA的铁路异物检测算法的硬件实现;王尧;余祖俊;王中卫;李长春;;铁道学报(第03期);全文 *

Also Published As

Publication number Publication date
CN111985508A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN106910186B (zh) 一种基于cnn深度学习的桥梁裂缝检测定位方法
CN106407883B (zh) 一种复杂表格及其内部手写数字识别方法
Petrellis A smart phone image processing application for plant disease diagnosis
CN104794421B (zh) 一种qr码定位及识别方法
CN109829398B (zh) 一种基于三维卷积网络的视频中的目标检测方法
CN100377167C (zh) 一种用于二维码识别的二维码区域精确定位方法
CN107424142B (zh) 一种基于图像显著性检测的焊缝识别方法
CN101460937B (zh) 基于模型的去扭曲方法和设备
EP2803015B1 (en) Two stage categorization of objects in images
CN103543277B (zh) 一种基于灰度分析与种类识别的血型结果识别算法
CN108564079B (zh) 一种便携式字符识别装置及方法
EP1507232A2 (en) Method for classifying a digital image
CN110032932B (zh) 一种基于视频处理和决策树设定阈值的人体姿态识别方法
CN105046200B (zh) 基于直线检测的电子阅卷方法
CN110580481B (zh) 一种基于epi的光场图像关键位置检测方法
CN108133471B (zh) 一种基于人工蜂群算法的机器人导航路径提取方法及装置
CN107256547A (zh) 一种基于显著性检测的表面裂纹识别方法
CN109902527B (zh) 一种qr码自动识读方法和装置
CN106447020A (zh) 一种智能菌落计数方法
CN105426844A (zh) 一种答题卡识别方法
CN111985508B (zh) 一种适用于线阵ccd的目标连通域形状分析方法
CN109859212A (zh) 一种无人机航拍图像大豆作物行分割方法
CN104848917B (zh) 一种用于玻璃水槽内水位分析的图像测量方法
CN116229265A (zh) 一种自动无损提取大豆植株表型的方法
CN115049689A (zh) 一种基于轮廓检测技术的乒乓球识别方法

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