CN112862829A - 标签图片的分割方法、装置及存储介质 - Google Patents
标签图片的分割方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112862829A CN112862829A CN201911184978.7A CN201911184978A CN112862829A CN 112862829 A CN112862829 A CN 112862829A CN 201911184978 A CN201911184978 A CN 201911184978A CN 112862829 A CN112862829 A CN 112862829A
- Authority
- CN
- China
- Prior art keywords
- target object
- image
- picture
- rotation invariant
- invariant features
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 230000011218 segmentation Effects 0.000 title claims description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000013507 mapping Methods 0.000 claims abstract description 39
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 1
- 239000000047 product Substances 0.000 description 53
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect 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
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种标签图片的分割方法、装置及存储介质，预先提取目标对象表面的图像旋转不变特征；采集若干不同角度下的目标对象表面图像；确定采用的图像旋转不变特征及数量，并根据图像旋转不变特征及其数量与不同角度下的目标对象表面图像进行匹配，找出特征匹配点后计算出对应的特征匹配点映射矩阵；获取待分割的目标对象的标签图片，并将标签图片的位置通过特征匹配点映射矩阵映射于采集到的目标对象表面图像上；校正映射于目标对象表面图像上的标签图片得到分割出的标签图片。本发明提取图像旋转不变特征使得标签图片在匹配时不受目标对象旋转的影响，算法复杂度低，硬件要求低，分割出的标签图片质量高。
Description
技术领域
本发明涉及人工智能图像分割技术，尤其涉及一种标签图片的分割方法、装置及存储介质。
背景技术
随着人工智能新技术的不断出现，计算机视觉技术变得越来越重要，其在各个行业的应用也越来越多，场景越来越丰富。在工业应用中，计算机视觉技术可以帮助工业企业进行快速化生产、加工、质检等工作，其中一些应用场景要求非常复杂的AI(ArtificialIntelligence人工智能)算法、巨大的训练数据集和昂贵的硬件。降低硬件成本并提高工业实施效率是人工智能技术应用在工业领域的巨大挑战。比如，通过产品标签图片提取产品详细信息的信息采集就是一个非常复杂的应用过程，如何快速并高精度地获取产品的标签图片，有助于提高工业生产效率。
目前，现有技术获取产品的标签图片主要有两种，第一种是图像边缘检测法，该方法利用多相机采集多张产品图像，进行边缘检测以分割出产品标签图片，从而获取产品的详细信息。该方法的优点在于速度快，硬件成本低，缺点在于受产品底面的图像信息强干扰，分割出的标签图片不易对齐。第二种是深度学习检测法，利用多相机采集多张产品图像，直接使用深度学习模型检测产品商标，分割出标签图片后获取产品的详细信息。该方法的优点在于准确率高，分割产品标签精准，缺点在于硬件成本高，分割出的标签图片也不易对齐。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足之处，本发明为解决现有技术缺陷和不足，提出了一种基于图像旋转不变特征匹配的标签图片分割方法，可以快速分割产品中标签图片，并能精准对齐，硬件需求低，使用场景扩展性强。
本发明解决技术问题所采用的技术方案如下：
一种标签图片的分割方法，包括如下步骤：
预先提取目标对象封面的图像旋转不变特征；
采集若干不同角度下的目标对象表面图像；
确定采用的图像旋转不变特征及其数量，并根据图像旋转不变特征及其数量与所述不同角度下的目标对象表面图像进行匹配，找出匹配点后计算出对应的特征匹配点映射矩阵；
获取待分割的目标对象的标签图片，并将所述标签图片的位置通过所述特征匹配点映射矩阵映射于采集到的所述目标对象表面图像上；
校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片。
作为进一步的改进技术方案，所述预先提取目标对象表面的旋转不变特征具体包括如下步骤：
扫描目标对象的表面图像；
通过SIFT、SURF或ORB算法提取所述目标对象的表面图像中的旋转不变特征；
将所述目标对象的表面图像中的旋转不变特征保存为特征文件。
作为进一步的改进技术方案，所述目标对象的表面图像中的旋转不变特征保存为特征文件时，其标签图片位置设置为留白状态。
作为进一步的改进技术方案，所述采集若干不同角度下的目标对象表面图像是设置若干相机从不同角度对目标对象进行拍摄，以分别获取不同角度的目标对象表面图像。
作为进一步的改进技术方案，所述确定采用的图像旋转不变特征及其数量，并根据图像旋转不变特征与所述目标对象表面图像进行匹配，找出特征匹配点后计算出对应的特征匹配点映射矩阵具体包括如下步骤：
根据先验知识选择图像旋转不变特征；
在根据目标对象的运动速度选择所述图像旋转不变特征的数量；
将所述不同角度的目标对象表面图像与选择好数量的图像旋转不变特征匹配得到相应的特征匹配点；
将所述特征匹配点进行筛选计算得到与所述特征匹配点匹配的特征匹配点映射矩阵，即匹配查找出图像旋转不变特征的矩阵在所述目标对象表面图像的矩阵的对应关系。
作为进一步的改进技术方案，所述图像旋转不变特征采用SIFT或SURF算法时选择的图像旋转不变特征的数量为1000～1200个。
作为进一步的改进技术方案，所述图像旋转不变特征采用ORB算法时选择的图像旋转不变特征的数量为800～1000个。
作为进一步的改进技术方案，所述校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片具体包括如下步骤：
在所述目标图像上的标签图片位置上建立ROI区域；
对该ROI区域建立蒙版提取所述标签图片；
对所述特征匹配点映射矩阵进行逆矩阵操作；
对逆矩阵操作后的所述标签图片进行透射校正得到所述标签图片的透射图像，分割出目标对象表面图像中的标签图片。
本发明还提供一种标签图片的分割装置，该装置包括存储器、处理器及摄像装置，所述存储器存储有标签图片的分割程序，所述标签图片的分割程序被所述处理器执行时实现如下步骤：
预先提取目标对象封面的图像旋转不变特征；
采集若干不同角度下的目标对象表面图像；
确定采用的图像旋转不变特征及其数量，并根据图像旋转不变特征及其数量与所述不同角度下的目标对象表面图像进行匹配，找出特征匹配点后计算出对应的特征匹配点映射矩阵；
将所述标签图片的位置通过所述特征匹配点映射矩阵映射于采集到的所述目标对象表面图像上；
校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片。
本发明还提供了一种存储介质，所述存储介质存储有标签图片的分割方法程序，该标签图片的分割方法的程序被处理器执行时实现上述的标签图片的分割方法的步骤。
与现有技术复杂的人工智能技术相比较，本发明采用预先建立产品图像中图像旋转不变特征的特征文件，采集到产品图像进行标签图片匹配时利用图像旋转不变特征进行特征匹配，得到匹配的特征点映射矩阵，再将产品标签位置通过映射矩阵映射到产品图像上，最后对标签图片进行透射变换校正得到高质量的透射标签图片。采用SIFT、SURF或ORB算法提取产品图像的图像旋转不变特征使得标签图片在匹配时不受产品旋转的影响，旋转不变特征对于强仿射以及遮挡图像都有很好的适应性，带来的是算法复杂度低，硬件要求低，且在一定条件下还可以减少拍摄产品相机的数量，分割出的标签图片质量很高。
附图说明
下面结合附图对本发明的具体实施方式作进一步的说明，其中：
图1是本发明标签图片的分割方法优选实施例的流程示意图。
图2是本发明标签图片的分割方法中目标对象表面图像(标签图片位置留白)示意图。
图3是本发明标签图片的分割方法中目标对象表面图像采集示意图。
图4是本发明标签图片的分割方法中目标对象表面图像的旋转不变特征匹配示意图。
图5是本发明标签图片的分割方法中另一目标对象表面图像一个角度下的标签图片位置映射示意图。
图6是图5的标签图片校正示意图。
图7是本发明标签图片的分割方法中另一目标对象表面图像另一个角度下的标签图片位置映射示意图。
图8是图7的标签图片校正示意图。
图9是本发明标签图片的分割装置优选实施例的原理结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明方法及装置中所应用的场景广泛，目标对象不仅涉及工业产品上采用的标签图片，比如，各种产品包装表面的标签，诸如电视机包装表面的标签、电脑包装表面的标签、玩具包装盒表面等产品包装表面的标签；也可以涉及应用于生产、生活中各种目标对象上使用产品标签的地方，比如，公共图书馆用于出借图书表面的标签。在这些目标对象中，标签作为目标对象的产品说明，粘贴在目标对象的表面，用于标识该目标对象，标签图片中往往包含了目标对象的相关信息，识别该标签图片能够获取该目标对象的信息，在实际应用中将标签图片从目标对象中分割出来进行识别具有重要的实用意义。本发明方法能够快速采集到目标对象中标签图片，有助于提高和改善目标对象在实践应用中的流程效率。以下就本发明方法及装置的具体实施方式进行详细说明。
如图1所示为本发明标签图片的分割方法优选实施例的流程示意图，如图1所示，本发明标签图片的分割方法具体包括如下步骤：
步骤S100，预先提取目标对象表面的图像旋转不变特征。
本发明方法实施例中的目标对象主要针对包含有标签的产品，比如，各种产品的包装、公共图书馆的图书等等，均会在目标对象表面粘贴标签，通过标签上的内容来标识产品的信息。具体而言，所述预先提取目标对象的图像旋转不变特征包括如下步骤：
扫描目标对象的表面图像。比如，要获取产品线上的产品包装表面的标签信息，需要获取产品包装的表面图像，可以通过拍照或者扫描产品包装的表面图像来完成，当然，此处产品包装的表面图像是包括产品标签的表面图像，比如，产品包装的正面或侧面，一般没有标签的背面或底面则不需要。图2示出了一种目标对象的表面图像，如图2所示，该目标对象为一种电视产品包装的表面，并包含有标签图片(图中留白处)。
通过SIFT、SURF或ORB算法提取所述目标对象的表面图像中的旋转不变特征。SIFT(Scale-invariant feature transform)是用于图像处理领域的一种描述，这种描述具有尺寸不变性，可在图像中检测出关键点，是一种局部特征描述。SURF(Speeded Up RobustFeatures)是改进了特征提取和描述方式的特征提取和描述方法。ORB算法是一种具有局部不变性的特征，是除SIFT、SURF之外的一种更好的选择，具有很高的效率，ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来的改进。
将所述目标对象的表面图像中的旋转不变特征保存为特征文件。所述目标对象的表面图像中标签位置在保存为特征文件时，该标签位置设置为留白状态。
步骤S200，所述采集若干不同角度下的目标对象表面图像是设置若干相机从不同角度对目标对象进行拍摄，以分别获取不同角度的目标对象表面图像。
在本实施例中，设置相机个数及角度应根据目标对象的大小来进行设置，一般而言，针对产品而言，应至少从正面、后面、两侧面分别设置四个相机对目标对象进行拍摄，当然，所设置的相机数量不限于上述四个方向上进行设定，用户可根据产品的种类在更多角度方向上设置相机，采集多个角度方向上目标对象的表面图像更加有利于后续标签图片匹配的准确度。图3示出了一种目标对象表面图像采集图，比如，产品在生产线上流动时，或产品在固定运动路线上运动时，可以在多个不同角度设置相机来采集产品在不同角度下的表面图像，以保证后续匹配的准确度与标签图片分割的质量。根据事先保存的包含图像旋转不变特征的特征文件匹配出产品表面图像，如图3中所示的生产线上匹配出的带框的产品，尽管该产品在生产线上运动，视角会发生变化，但是通过包含图像旋转不变特征的特征文件即可以准确匹配出该产品所在的位置，并获得该产品的表面图像。
步骤S300，确定采用的图像旋转不变特征及其数量，并根据图像旋转不变特征及其数量与所述不同角度下的目标对象表面图像进行匹配，找出特征匹配点后计算出对应的特征匹配点映射矩阵。
具体包括如下步骤：
根据先验知识选择图像旋转不变特征；旋转不变特征提取的好坏决定了分类的效果，利用先验知识能够有效提高旋转不变特征提取的效果，准确的先验知识不仅能够可以降低损失，对于图像旋转不变特征的简化也非常有帮助，采用先验知识选取的图像旋转不变特征更加稳定，能够提高后续特征点匹配的效果。
在根据目标对象的运动速度选择所述图像旋转不变特征的数量；
将所述不同角度下的目标对象图像与选择好数量的图像旋转不变特征匹配得到相应的特征匹配点；
将所述特征匹配点进行筛选计算得到与所述特征匹配点相匹配的特征匹配点映射矩阵，即匹配查找出图像旋转不变特征的矩阵在所述目标对象表面图像的矩阵的对应关系。
在本实施例中，所述图像旋转不变特征采用SIFT或SURF算法时选择的图像旋转不变特征的数量为1000～1200个。
所述图像旋转不变特征采用ORB算法时选择的图像旋转不变特征的数量为800～1000个。ORB采用FAST算法来检测特征点，目的在于检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点。由于ORB算法的特点在于检测速度很快，本实施例采用ORB算法时选取的800～1000个特征，既保证计算的速度，同时也能够保证有足够多像素点作为参考来计算出特征点。图4示出了另外一个目标对象表面图像，其中，上半部两个图为一个玩具产品外包装的封面图像和轴测图像，下半部为对应该玩具产品外包装封面图像和轴测图像所选取的旋转不变特征，下半部玩具产品外包装封面图像和轴测图像中的连线为所选取的图像旋转不变特征在两幅图中对应连线匹配示意图，从图4可以看出，该玩具产品外包装在两个角度下获得的表面图像之间对应的旋转不变特征的匹配关系，在玩具产品外包装角度发生变化的情况下，通过图像旋转不变特征建立的特征匹配点映射矩阵能够识别该玩具产品外包装。
步骤S400，获取待分割的目标对象的标签图片，并将所述标签图片的位置通过所述特征匹配点映射矩阵映射于采集到的所述目标对象表面图像上。图5和图7示出了图4中产品表面图像的两个角度下标签图片位置的映射。矩阵的映射是查找表示所述特征匹配点映射矩阵在表示所述目标对象表面图像矩阵中的对应关系，即将特征匹配点表达为矩阵形式，同样，目标对象表面图像也采用矩阵表达，特征匹配点矩阵与目标对象表面图像矩阵进行匹配运算，实现特征匹配点映射矩阵映射于采集到的的目标对象表面图像上，确定特征匹配点映射矩阵在目标对象表面图像上的位置。
步骤S500，校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片。
具体而言，所述校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片包括如下步骤：
在所述目标对象表面图像上的标签图片位置上建立ROI区域；
对该ROI区域建立蒙版提取所述标签图片；
对所述特征匹配点映射矩阵进行逆矩阵操作；
对逆矩阵操作后的所述标签图片进行透射校正得到所述标签图片的透射图像，分割出目标对象表面图像中的标签图片。图6、图8分别示出了图5、图7对于标签图片的校正示意。
在本实施例中，ROI(region of interest)感兴趣区域是图像处理领域的一种技术，ROI区域是从图像中选择一个图像区域，这个区域是图像分析所关注的重点，圈定该区域是便于对图像进一步进行处理，使用ROI区域圈定想读取的目标，可以减少处理时间，增加处理精度。在目标对象表面图像上的标签图片位置建立一个ROI区域的目的在于后续的图像处理重点关于该标签图片的区域。
本发明还提供一种标签图片的分割装置，如图9本发明标签图片的分割装置原理结构示意图所示，该装置1包括存储器11、处理器12及摄像装置13，所述存储器11存储有标签图片的分割程序10，所述标签图片的分割程序10被所述处理器执行时实现如下步骤：
预先提取目标对象封面的图像旋转不变特征；
采集若干不同角度下的目标对象表面图像；
确定采用的图像旋转不变特征及其数量，并根据图像旋转不变特征及其数量与所述不同角度下的目标对象表面图像进行匹配，找出匹配点后计算出对应的特征匹配点映射矩阵；
将所述标签图片的位置通过所述特征匹配点映射矩阵映射于采集到的所述目标对象表面图像上；
校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片。
本发明还提供一种存储介质，所述存储介质存储有标签图片的分割方法程序，该标签图片的分割方法的程序被处理器执行时实现上述的标签图片的分割方法的步骤。
应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种标签图片的分割方法，其特征在于，包括如下步骤：
预先提取目标对象表面的图像旋转不变特征；
采集若干不同角度下的目标对象表面图像；
确定采用的图像旋转不变特征及其数量，并根据图像旋转不变特征及其数量与所述不同角度下的目标对象表面图像进行匹配，找出特征匹配点后计算出对应的特征匹配点映射矩阵；
获取待分割的目标对象的标签图片，并将所述标签图片的位置通过所述特征匹配点映射矩阵映射于采集到的所述目标对象表面图像上；
校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片。
2.根据权利要求1所述的标签图片的分割方法，其特征在于，所述预先提取目标对象表面的图像旋转不变特征具体包括如下步骤：
扫描目标对象的表面图像；
通过SIFT、SURF或ORB算法提取所述目标对象的表面图像中的旋转不变特征；
将所述目标对象的表面图像中的旋转不变特征保存为特征文件。
3.根据权利要求2所述的标签图片的分割方法，其特征在于，所述目标对象的表面图像中的旋转不变特征保存为特征文件时，其标签图片位置设置为留白状态。
4.根据权利要求1至3任一项所述的标签图片的分割方法，其特征在于，所述采集若干不同角度下的目标对象表面图像是设置若干相机从不同角度对目标对象进行拍摄，以分别获取不同角度的目标对象表面图像。
5.根据权利要求4所述的标签图片的分割方法，其特征在于，所述确定采用的图像旋转不变特征及其数量，并根据图像旋转不变特征与所述目标对象表面图像进行匹配，找出特征匹配点后计算出对应的特征匹配点映射矩阵具体包括如下步骤：
根据先验知识选择图像旋转不变特征；
根据目标对象的运动速度选择所述图像旋转不变特征的数量；
将所述不同角度下的目标对象表面图像与选择好数量的图像旋转不变特征匹配得到相应的特征匹配点；
将所述特征匹配点进行筛选计算得到与所述特征匹配点相匹配的特征匹配点映射矩阵，即匹配查找出图像旋转不变特征的矩阵在所述目标对象表面图像的矩阵的对应关系。
6.根据权利要求5所述的标签图片的分割方法，其特征在于，所述图像旋转不变特征采用SIFT或SURF算法时选择的图像旋转不变特征的数量为1000～1200个。
7.根据权利要求5所述的标签图片的分割方法，其特征在于，所述图像旋转不变特征采用ORB算法时选择的图像旋转不变特征的数量为800～1000个。
8.根据权利要求5所述的标签图片的分割方法，其特征在于，所述校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片具体包括如下步骤：
在所述目标对象表面图像上的标签图片位置上建立ROI区域；
对该ROI区域建立蒙版提取所述标签图片；
对所述特征匹配点映射矩阵进行逆矩阵操作；
对逆矩阵操作后的所述标签图片进行透射校正得到所述标签图片的透射图像，分割出目标对象表面图像中的标签图片。
9.一种标签图片的分割装置，其特征在于，该装置包括存储器、处理器及摄像装置，所述存储器存储有标签图片的分割程序，所述标签图片的分割程序被所述处理器执行时实现如下步骤：
预先提取目标对象封面的图像旋转不变特征；
采集若干不同角度下的目标对象表面图像；
确定采用的图像旋转不变特征及其数量，并根据图像旋转不变特征及其数量与所述不同角度下的目标对象表面图像进行匹配，找出特征匹配点后计算出对应的特征匹配点映射矩阵；
将所述标签图片的位置通过所述特征匹配点映射矩阵映射于采集到的所述目标对象表面图像上；
校正映射于所述目标对象表面图像上的标签图片得到分割出的标签图片。
10.一种存储介质，其特征在于，所述存储介质存储有标签图片的分割方法程序，该标签图片的分割方法程序被处理器执行时实现权利要求1至8任一项所述的标签图片的分割方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184978.7A CN112862829B (zh) | 2019-11-27 | 2019-11-27 | 标签图片的分割方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184978.7A CN112862829B (zh) | 2019-11-27 | 2019-11-27 | 标签图片的分割方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862829A true CN112862829A (zh) | 2021-05-28 |
| CN112862829B CN112862829B (zh) | 2024-03-12 |
Family
ID=75984986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911184978.7A Active CN112862829B (zh) | 2019-11-27 | 2019-11-27 | 标签图片的分割方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862829B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020136449A1 (en) * | 2001-01-20 | 2002-09-26 | Samsung Electronics Co., Ltd. | Apparatus and method for extracting object based on feature matching between segmented regions in images |
| US20070036436A1 (en) * | 2005-01-10 | 2007-02-15 | Michael Zahniser | Method for improved image segmentation |
| KR20100073749A (ko) * | 2008-12-23 | 2010-07-01 | 고려대학교 산학협력단 | Ｓｉｆｔ 기반의 특징점 추출 장치 및 방법과 이를 이용한 얼굴 인식 시스템 |
| JP2011118832A (ja) * | 2009-12-07 | 2011-06-16 | Toyota Central R&D Labs Inc | 画像特徴抽出装置、画像処理装置、及びプログラム |
| CN103473551A (zh) * | 2013-09-16 | 2013-12-25 | 中国传媒大学 | 基于sift算子的台标识别方法及系统 |
| CN106709500A (zh) * | 2015-11-13 | 2017-05-24 | 国网辽宁省电力有限公司检修分公司 | 一种图像特征匹配的方法 |
| CN107305691A (zh) * | 2016-04-19 | 2017-10-31 | 中兴通讯股份有限公司 | 基于图像匹配的前景分割方法及装置 |
| CN108171715A (zh) * | 2017-12-05 | 2018-06-15 | 浙江大华技术股份有限公司 | 一种图像分割方法及装置 |
-
2019
- 2019-11-27 CN CN201911184978.7A patent/CN112862829B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020136449A1 (en) * | 2001-01-20 | 2002-09-26 | Samsung Electronics Co., Ltd. | Apparatus and method for extracting object based on feature matching between segmented regions in images |
| US20070036436A1 (en) * | 2005-01-10 | 2007-02-15 | Michael Zahniser | Method for improved image segmentation |
| KR20100073749A (ko) * | 2008-12-23 | 2010-07-01 | 고려대학교 산학협력단 | Ｓｉｆｔ 기반의 특징점 추출 장치 및 방법과 이를 이용한 얼굴 인식 시스템 |
| JP2011118832A (ja) * | 2009-12-07 | 2011-06-16 | Toyota Central R&D Labs Inc | 画像特徴抽出装置、画像処理装置、及びプログラム |
| CN103473551A (zh) * | 2013-09-16 | 2013-12-25 | 中国传媒大学 | 基于sift算子的台标识别方法及系统 |
| CN106709500A (zh) * | 2015-11-13 | 2017-05-24 | 国网辽宁省电力有限公司检修分公司 | 一种图像特征匹配的方法 |
| CN107305691A (zh) * | 2016-04-19 | 2017-10-31 | 中兴通讯股份有限公司 | 基于图像匹配的前景分割方法及装置 |
| CN108171715A (zh) * | 2017-12-05 | 2018-06-15 | 浙江大华技术股份有限公司 | 一种图像分割方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 姚立健;周高峰;倪忠进;张培培;朱世威;: "基于尺度不变特征转换算子的水果表面图像拼接方法", 农业工程学报, no. 09 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862829B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107330439B (zh) | 一种图像中物体姿态的确定方法、客户端及服务器 | |
| US7702131B2 (en) | Segmenting images and simulating motion blur using an image sequence | |
| El-Gayar et al. | A comparative study of image low level feature extraction algorithms | |
| CN109685078B (zh) | 基于自动标注的红外图像识别方法 | |
| CN107945111B (zh) | 一种基于surf特征提取结合cs-lbp描述符的图像拼接方法 | |
| Urban et al. | Finding a good feature detector-descriptor combination for the 2D keypoint-based registration of TLS point clouds | |
| CN109325444B (zh) | 一种基于三维几何模型的单目无纹理三维物体姿态跟踪方法 | |
| Uchiyama et al. | Toward augmenting everything: Detecting and tracking geometrical features on planar objects | |
| CN106952312B (zh) | 一种基于线特征描述的无标识增强现实注册方法 | |
| CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
| CN112435223B (zh) | 目标检测方法、装置及存储介质 | |
| CN112070736B (zh) | 一种结合目标检测和深度计算的物体体积视觉测量方法 | |
| CN114549603B (zh) | 细胞病理图像的标注坐标转换方法、系统、设备及介质 | |
| CN111028263B (zh) | 一种基于光流颜色聚类的运动物体分割方法及其系统 | |
| CN111126296A (zh) | 水果定位方法及装置 | |
| CN113469216B (zh) | 零售终端海报识别与完整性判断方法、系统及存储介质 | |
| Garcia-Garcia et al. | Multi-sensor 3D object dataset for object recognition with full pose estimation | |
| CN110458177B (zh) | 图像深度信息的获取方法、图像处理装置以及存储介质 | |
| CN111797832A (zh) | 一种图像感兴趣区域自动生成方法及系统及图像处理方法 | |
| CN112862829B (zh) | 标签图片的分割方法、装置及存储介质 | |
| CN108985294B (zh) | 一种轮胎模具图片的定位方法、装置、设备及存储介质 | |
| CN113689365B (zh) | 一种基于Azure Kinect的目标跟踪定位方法 | |
| CN115908399A (zh) | 一种基于改进视觉注意机制的磁片瑕疵检测方法 | |
| CN111047625B (zh) | 一种菜品视频样本半自动标记的方法 | |
| CN113139946A (zh) | 一种基于视觉的衬衫污渍定位设备 |
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 |