CN113706422B - 一种基于获取关键点的图像校正方法、装置、设备及介质 - Google Patents
一种基于获取关键点的图像校正方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113706422B CN113706422B CN202111259658.0A CN202111259658A CN113706422B CN 113706422 B CN113706422 B CN 113706422B CN 202111259658 A CN202111259658 A CN 202111259658A CN 113706422 B CN113706422 B CN 113706422B
- Authority
- CN
- China
- Prior art keywords
- image
- standard
- skeleton
- key points
- pixel
- 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
Links
- 238000003702 image correction Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000010339 dilation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术，揭露了一种基于获取关键点的图像校正方法，包括：获取待校正图像和目标图像，提取待校正图像的目标区域，并对目标区域进行形态处理，得到标准区域图像，根据预设骨架提取条件从标准区域图像中提取标准骨架图像，提取标准骨架图像中的多条骨架直线，对多条骨架直线进行交点提取处理，得到多个骨架关键点，剔除多个骨架关键点中的异常点，得到标准关键点，从目标图像中获取与标准关键点之间距离值小于预设阈值的关键点，根据标准关键点和关键点对待校正图像进行图像校正，得到校正图像。本发明还提出一种基于获取关键点的图像校正装置、电子设备以及计算机可读存储介质。本发明可以解决图像校正的效率和准确度较低的问题。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于获取关键点的图像校正方法、装置、电子设备及计算机可读存储介质。
背景技术
随着光学仪器在科学实验中的普遍应用，对光学仪器最终成像的区域的精确度也要求的越来越严格，而由于光路原因光学仪器最终成像的区域会形成梯形畸变，为了保证图像的准确度因此需要进行图像校正。
目前图像校正的普遍做法是对图像进行透视变换，透视变换至少需要原图图像和对应目标图像的坐标点，目标图像四个的坐标点是已知的，而原图的四个坐标点却很难获取，现有技术中常使用人工获取，但人工获取在批量生产时难免会出现偏差，批量生产会导致效率较低，而且获取的准确度不高，进而导致图像校正的效率和准确度不高。
发明内容
本发明提供一种基于获取关键点的图像校正方法、装置及计算机可读存储介质，其主要目的在于解决图像校正准确度较低的问题。
为实现上述目的，本发明提供的一种基于获取关键点的图像校正方法，包括：
获取待校正图像和所述待校正图像对应的目标图像；
提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像；
根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像；
提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点；
剔除所述多个骨架关键点中的异常点，得到标准关键点；
从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，得到校正图像。
可选地，所述根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像，包括：
将所述标准区域图像中满足第一骨架提取条件或满足第二骨架提取条件的像素点删除，得到标准骨架图像。
可选地，所述对所述目标区域进行形态处理，包括：
对所述目标区域进行腐蚀处理和膨胀处理。
可选地，所述提取所述待校正图像的目标区域，包括：
对所述待校正图像进行滤波处理，并对滤波后的图像进行二值化处理，得到标准二值图像；
计算所述标准二值图像的质心；
以所述质心为中心对所述标准二值图像进行图像截取。
可选地，所述对滤波后的图像进行二值化处理，得到标准二值图像，包括：
对所述滤波后的图像进行阈值筛选，得到全局阈值；
将所述滤波后的图像中大于所述全局阈值的像素点设置为预设的第一灰度值，将所述滤波后的图像中小于或者等于所述全局阈值的像素点设置为预设的第二灰度值，得到标准二值图像。
可选地，所述对所述滤波后的图像进行阈值筛选，得到全局阈值，包括：
将所述滤波后的图像中的像素点分配至预设的直方图中，并统计所述直方图中每个区块所包含的像素点的数量；
分别将每个区块所包含的像素点的数量除以所述滤波后的图像中的总的像素点数量，得到每个区块对应的区块值；
获取预设的分类值、第一阈值和第二阈值，将所述分类值和所述第一阈值构建为第一区间，将所述分类值和所述第二阈值构建为第二区间；
令所述区块值在所述第一区间的像素点为前景像素，计算所述前景像素和所述滤波后的图像中的总的像素点数量的比例为前景比例，并得到所述前景像素对应的前景灰度；
令所述区块值在所述第二区间的像素点为背景像素，计算所述背景像素和所述滤波后的图像中的总的像素点数量的比例为背景比例，并得到所述背景像素对应的背景灰度；
利用预设的方差公式计算所述前景像素和所述背景像素的方差值；
重新设置分类值并执行方差值计算操作，得到多个分类值对应的方差值按照从大到小进行排序，得到方差值排行榜；
将所述方差值排行榜上排在前面的方差值对应的分类值作为全局阈值。
可选地，所述从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，包括：
将所述标准关键点映射至预设的二维直角坐标系；
在所述二维直角坐标系上随机获取多个关键点，并分别计算多个所述关键点和所述标准关键点之间的距离值；
筛选出多个所述关键点中距离值小于预设阈值的关键点。
可选地，所述计算所述标准二值图像的质心，包括：
利用如下的预设的质心公式计算所述标准二值图像的质心：
其中，
为质心坐标，
为所述标准二值图像中的任一坐标值，
为坐标
的像素点的灰度值，
为所述标准二值图像区域。
可选地，所述根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像，包括：
将所述标准区域图像中满足第一骨架提取条件或满足第二骨架提取条件的像素点删除，得到标准骨架图像；
其中，所述第一骨架提取条件为：
其中，
为所述标准区域图像中的第一像素点，
为所述第一像素点的非零邻点个数，
为以
，
，…，
为序时这些点的值从0到1变化次数；
所述第二骨架提取条件为：
其中，
为第二像素点，
为第四像素点，
为第六像素点，
为第八像素点。
为了解决上述问题，本发明还提供一种基于获取关键点的图像校正装置，所述装置包括：
关键点选择模块，用于获取待校正图像和所述待校正图像对应的目标图像；
标准区域生成模块，用于提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像；
骨架提取模块，用于根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像；
交点提取模块，用于提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点；
异常点剔除模块，用于剔除所述多个骨架关键点中的异常点，得到标准关键点；
图像校正模块，用于从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，得到校正图像。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于获取关键点的图像校正方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于获取关键点的图像校正方法。
本发明实施例中，通过提取待校正图像的目标区域，并对所述目标区域进行形态处理，可以消除图像噪音，并同时保持图像的大小不变，根据预设骨架提取条件从形态处理得到的标准区域图像中提取标准骨架图像，对所述标准区域图像进行了细化，简化了图像的数据量并保持图像像素的基本拓扑结构不发生变化，便于对图像的关键点进行分析，提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点，对所述多个骨架关键点进行异常点剔除，避免了误差，经过异常点剔除后的标准关键点可以准确反应待校正图像的坐标，故根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，保证了图像校正的准确度，因此本发明提出的基于获取关键点的图像校正方法、装置、电子设备及计算机可读存储介质，可以解决图像校正的效率和准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于获取关键点的图像校正方法的流程示意图；
图2为本发明一实施例提供的基于获取关键点的图像校正装置的功能模块图；
图3为本发明一实施例提供的实现所述基于获取关键点的图像校正方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于获取关键点的图像校正方法。所述基于获取关键点的图像校正方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于获取关键点的图像校正方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的基于获取关键点的图像校正方法的流程示意图。在本实施例中，所述基于获取关键点的图像校正方法包括：
S1、获取待校正图像和所述待校正图像对应的目标图像。
本发明实施例中，所述待校正图像为仪器实际生成的实时图像，所述待校正图像对应的目标图像为用作对所述待校正图像进行校正的参考图像。
例如，所述待校正图像可以是利用光学指纹仪内的校正卡实际生成的实时图像，其中，该实际生成的实时图像中包含田字格、四个小方块以及一个矩形形状的外边框。
S2、提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像。
本发明实施例中，所述提取所述待校正图像的目标区域，包括：
对所述待校正图像进行滤波处理，并对滤波后的图像进行二值化处理，得到标准二值图像；
计算所述标准二值图像的质心；
以所述质心为中心对所述标准二值图像进行图像截取。
具体地，所述对所述待校正图像进行滤波处理，包括：
获取预设的卷积模板，利用所述卷积模板对所述待校正图像中的每个像素进行扫描，得到滤波后的图像。
详细地，所述卷积模板中包含邻域内像素，利用所述卷积模板对所述待校正图像中的每个像素进行扫描即用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
其中，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，可以消除所述待校正图像中的噪点。
进一步，所述对滤波后的图像进行二值化处理，得到标准二值图像，包括：
对所述滤波后的图像进行阈值筛选，得到全局阈值；
将所述滤波后的图像中大于所述全局阈值的像素点设置为预设的第一灰度值，将所述滤波后的图像中小于或者等于所述全局阈值的像素点设置为预设的第二灰度值，得到标准二值图像。
详细地，对滤波后的图像进行二值化处理，令所述滤波后的图像中大于所述全局阈值的像素点为预设的第一灰度值，令所述滤波后的图像中小于或者等于所述全局阈值的像素点为预设的第二灰度值，例如，将大于所述全局阈值的像素点转化为255，以及将小于或者等于所述全局阈值的像素点转化为0，使得大于所述全局阈值的像素点的区域为白色，其他区域为黑色。
进一步地，所述对所述滤波后的图像进行阈值筛选，得到全局阈值，包括：
将所述滤波后的图像中的像素点分配至预设的直方图中，并统计所述直方图中每个区块所包含的像素点的数量；
分别将每个区块所包含的像素点的数量除以所述滤波后的图像中的总的像素点数量，得到每个区块对应的区块值；
获取预设的分类值、第一阈值和第二阈值，将所述分类值和所述第一阈值构建为第一区间，将所述分类值和所述第二阈值构建为第二区间；
令所述区块值在所述第一区间的像素点为前景像素，计算所述前景像素和所述滤波后的图像中的总的像素点数量的比例为前景比例，并得到所述前景像素对应的前景灰度；
令所述区块值在所述第二区间的像素点为背景像素，计算所述背景像素和所述滤波后的图像中的总的像素点数量的比例为背景比例，并得到所述背景像素对应的背景灰度；
利用预设的方差公式计算所述前景像素和所述背景像素的方差值；
重新设置分类值并执行方差值计算操作，得到多个分类值对应的方差值按照从大到小进行排序，得到方差值排行榜；
将所述方差值排行榜上排在前面的方差值对应的分类值作为全局阈值。
详细地，所述预设的直方图中包含256个区间，所述第一阈值大于所述分类值，所述分类值大于所述第二阈值。
具体地，所述利用预设的方差公式计算所述前景像素和所述背景像素的方差值，包括：
其中，
为方差值，
为前景比例，
为背景比例，
为前景灰度，
为背景灰度。
进一步地，所述计算所述标准二值图像的质心，包括：
利用如下的预设的质心公式计算所述标准二值图像的质心：
其中，
为质心坐标，
为所述标准二值图像中的任一坐标值，
为坐标
的像素点的灰度值，
为所述标准二值图像区域。
详细地，以所述质心为中心，根据预设的截取区域大小对所述标准二值图像进行图像截取，得到区域提取的图像。
进一步地，所述对所述目标区域进行形态处理，包括：
对所述目标区域进行腐蚀处理和膨胀处理。
其中，利用一个结构化内核在所述目标区域进行滑动，侵蚀所述目标区域中的前景像素所在区域的边界，只有当所述结构化内核下的所有像素都为1时，所述目标区域中的像素才会被认为是1，否则会被侵蚀，像素变成0。所述膨胀处理与所述腐蚀处理操作相反。
详细地，先对所述目标区域进行腐蚀处理，所述腐蚀处理可以消除图像中小且无意义的物体，通常是消除白色的噪音，但是腐蚀操作在消除噪音的同时也缩小了前景像素构成的物体，因此需要进行膨胀处理将其扩大。
S3、根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像。
本发明实施例中，所述预设骨架提取条件包括第一骨架提取条件和第二骨架提取条件，所述根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像，包括：
将所述标准区域图像中满足第一骨架提取条件或满足第二骨架提取条件的像素点删除，得到标准骨架图像。
进一步地，所述根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像之前，所述方法还包括：
以所述标准区域图像中的中心像素点的正上方像素点为起始搜索点，按照“回”字形状对所述第一像素点周围进行邻域搜索，得到所述第一像素点的邻域像素点集合。
详细地，提取到的邻域像素点集合主要用于构建第一骨架提取条件和第二骨架提取条件。
具体地，所述第一骨架提取条件为：
其中，
为所述标准区域图像中的第一像素点，
为所述第一像素点的非零邻点个数，
为以
，
，…，
为序时这些点的值从0到1变化次数；
进一步地，所述第二骨架提取条件为：
其中，
为第二像素点，
为第四像素点，
为第六像素点，
为第八像素点。
本发明实施例中，将所述标准区域图像中满足第一骨架提取条件或满足第二骨架提取条件的像素点删除，得到标准骨架图像。
S4、提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点。
本发明实施例中，所述提取所述标准骨架中的多条骨架直线，包括：
利用预设的直线检测算法对所述标准骨架图像进行直线检测，得到多条潜在直线；
对所述多条潜在直线进行筛选处理，得到多条骨架直线。
详细地，所述预设的直线检测算法可以为霍夫变换直线检测算法。
具体地，所述对所述多条潜在直线进行筛选处理，得到多条骨架直线，包括：
将长度小于预设直线阈值的潜在直线执行删除操作；
选择与所述标准骨架图像中质心的距离值最小的潜在直线作为参考直线，并以所述参考直线为基线对多条潜在直线进行搜索。
例如，与所述标准骨架图像中质心的距离值最小的潜在直线为横直线A1和竖直线B1，则横直线A1和竖直线B1为参考直线，以A1为基线，向横向正方向（X轴的正方向）搜索，搜到第一条直线线段为直线段（A2），向横向反方向（X轴的负方向）搜索，搜到第一条直线线段为直线段（A3），以B1为基线，向竖向正方向（Y轴的正方向）搜索，搜到第一条直线线段为直线段（B2），向竖向反方向（Y轴的负方向）搜索，搜到第一条直线线段为直线段（B3），由此便可获取多条骨架直线A1、A2、A3、B1、B2和B3。
进一步地，对多条骨架直线进行交点提取处理即对六条骨架直线的直线方程进行求交点，便可获取到九个关键点的坐标参数，即多个骨架关键点。
S5、剔除所述多个骨架关键点中的异常点，得到标准关键点。
具体地，利用随机抽样一致算法（RANSAC）对所述多个骨架关键点进行异常点剔除，首先随机假设一组局内点作为初始值，并利用所述局内点拟合一个模型（例如，透射变换模型），用该模型去测试多个骨架关键点，将模型测试得到的异常点执行剔除，得到标准关键点。
由于得到的多个骨架关键点可能存在一定的误差，甚至有些情况导致个别的点偏差较大，本发明实施例中对一些异常点进行剔除并且微调关键点可以减少获取到的标准关键点的误差。
S6、从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，得到校正图像。
本发明实施例中，所述从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，包括：
将所述标准关键点映射至预设的二维直角坐标系；
在所述二维直角坐标系上随机获取多个关键点，并分别计算多个所述关键点和所述标准关键点之间的距离值；
筛选出多个所述关键点中距离值小于预设阈值的关键点。
其中，可以采用两点之间的距离值计算公式计算多个所述关键点和所述标准关键点之间的距离值。
具体的，可以根据所述标准关键点和所述关键点生成几何变换矩阵，并利用所述几何变换矩阵对待校正图像进行几何变换，得到了校正图像。或者，还可以通过所述标准关键点和所述关键点进行图像透视进而实现对待校正图像进行校正，从而得到校正图像。
本发明实施例中，通过提取待校正图像的目标区域，并对所述目标区域进行形态处理，可以消除图像噪音，并同时保持图像的大小不变，根据预设骨架提取条件从形态处理得到的标准区域图像中提取标准骨架图像，对所述标准区域图像进行了细化，简化了图像的数据量并保持图像像素的基本拓扑结构不发生变化，便于对图像的关键点进行分析，提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点，对所述多个骨架关键点进行异常点剔除，避免了误差，经过异常点剔除后的标准关键点可以准确反应待校正图像的坐标，故根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，保证了图像校正的准确度，因此本发明提出的基于获取关键点的图像校正方法可以解决图像校正的效率和准确度较低的问题。
如图2所示，是本发明一实施例提供的基于获取关键点的图像校正装置的功能模块图。
本发明所述基于获取关键点的图像校正装置100可以安装于电子设备中。根据实现的功能，所述基于获取关键点的图像校正装置100可以包括关键点选择模块101、标准区域生成模块102、骨架提取模块103、交点提取模块104、异常点剔除模块105及图像校正模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述关键点选择模块101，用于获取待校正图像和所述待校正图像对应的目标图像；
所述标准区域生成模块102，用于提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像；
所述骨架提取模块103，用于根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像；
所述交点提取模块104，用于提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点；
所述异常点剔除模块105，用于剔除所述多个骨架关键点中的异常点，得到标准关键点；
所述图像校正模块106，用于从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，得到校正图像。
详细地，所述基于获取关键点的图像校正装置100各模块的具体实施方式如下：
步骤一、获取待校正图像和所述待校正图像对应的目标图像。
本发明实施例中，所述待校正图像为仪器实际生成的实时图像，所述待校正图像对应的目标图像为用作对所述待校正图像进行校正的参考图像。
例如，所述待校正图像可以是利用光学指纹仪内的校正卡实际生成的实时图像，其中，该实际生成的实时图像中包含田字格、四个小方块以及一个矩形形状的外边框。
步骤二、提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像。
本发明实施例中，所述提取所述待校正图像的目标区域，包括：
对所述待校正图像进行滤波处理，并对滤波后的图像进行二值化处理，得到标准二值图像；
计算所述标准二值图像的质心；
以所述质心为中心对所述标准二值图像进行图像截取。
具体地，所述对所述待校正图像进行滤波处理，包括：
获取预设的卷积模板，利用所述卷积模板对所述待校正图像中的每个像素进行扫描，得到滤波后的图像。
详细地，所述卷积模板中包含邻域内像素，利用所述卷积模板对所述待校正图像中的每个像素进行扫描即用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
其中，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，可以消除所述待校正图像中的噪点。
进一步，所述对滤波后的图像进行二值化处理，得到标准二值图像，包括：
对所述滤波后的图像进行阈值筛选，得到全局阈值；
将所述滤波后的图像中大于所述全局阈值的像素点设置为预设的第一灰度值，将所述滤波后的图像中小于或者等于所述全局阈值的像素点设置为预设的第二灰度值，得到标准二值图像。
详细地，对滤波后的图像进行二值化处理，令所述滤波后的图像中大于所述全局阈值的像素点为预设的第一灰度值，令所述滤波后的图像中小于或者等于所述全局阈值的像素点为预设的第二灰度值，例如，将大于所述全局阈值的像素点转化为255，以及将小于或者等于所述全局阈值的像素点转化为0，使得大于所述全局阈值的像素点的区域为白色，其他区域为黑色。
进一步地，所述对所述滤波后的图像进行阈值筛选，得到全局阈值，包括：
将所述滤波后的图像中的像素点分配至预设的直方图中，并统计所述直方图中每个区块所包含的像素点的数量；
分别将每个区块所包含的像素点的数量除以所述滤波后的图像中的总的像素点数量，得到每个区块对应的区块值；
获取预设的分类值、第一阈值和第二阈值，将所述分类值和所述第一阈值构建为第一区间，将所述分类值和所述第二阈值构建为第二区间；
令所述区块值在所述第一区间的像素点为前景像素，计算所述前景像素和所述滤波后的图像中的总的像素点数量的比例为前景比例，并得到所述前景像素对应的前景灰度；
令所述区块值在所述第二区间的像素点为背景像素，计算所述背景像素和所述滤波后的图像中的总的像素点数量的比例为背景比例，并得到所述背景像素对应的背景灰度；
利用预设的方差公式计算所述前景像素和所述背景像素的方差值；
重新设置分类值并执行方差值计算操作，得到多个分类值对应的方差值按照从大到小进行排序，得到方差值排行榜；
将所述方差值排行榜上排在前面的方差值对应的分类值作为全局阈值。
详细地，所述预设的直方图中包含256个区间，所述第一阈值大于所述分类值，所述分类值大于所述第二阈值。
具体地，所述利用预设的方差公式计算所述前景像素和所述背景像素的方差值，包括：
其中，
为方差值，
为前景比例，
为背景比例，
为前景灰度，
为背景灰度。
进一步地，所述计算所述标准二值图像的质心，包括：
利用如下的预设的质心公式计算所述标准二值图像的质心：
其中，
为质心坐标，
为所述标准二值图像中的任一坐标值，
为坐标
的像素点的灰度值，
为所述标准二值图像区域。
详细地，以所述质心为中心，根据预设的截取区域大小对所述标准二值图像进行图像截取，得到区域提取的图像。
进一步地，所述对所述目标区域进行形态处理，包括：
对所述目标区域进行腐蚀处理和膨胀处理。
其中，利用一个结构化内核在所述目标区域进行滑动，侵蚀所述目标区域中的前景像素所在区域的边界，只有当所述结构化内核下的所有像素都为1时，所述目标区域中的像素才会被认为是1，否则会被侵蚀，像素变成0。所述膨胀处理与所述腐蚀处理操作相反。
详细地，先对所述目标区域进行腐蚀处理，所述腐蚀处理可以消除图像中小且无意义的物体，通常是消除白色的噪音，但是腐蚀操作在消除噪音的同时也缩小了前景像素构成的物体，因此需要进行膨胀处理将其扩大。
步骤三、根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像。
本发明实施例中，所述预设骨架提取条件包括第一骨架提取条件和第二骨架提取条件，所述根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像，包括：
将所述标准区域图像中满足第一骨架提取条件或满足第二骨架提取条件的像素点删除，得到标准骨架图像。
进一步地，所述根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像之前，所述方法还包括：
以所述标准区域图像中的中心像素点的正上方像素点为起始搜索点，按照“回”字形状对所述第一像素点周围进行邻域搜索，得到所述第一像素点的邻域像素点集合。
详细地，提取到的邻域像素点集合主要用于构建第一骨架提取条件和第二骨架提取条件。
具体地，所述第一骨架提取条件为：
其中，
为所述标准区域图像中的第一像素点，
为所述第一像素点的非零邻点个数，
为以
，
，…，
为序时这些点的值从0到1变化次数；
进一步地，所述第二骨架提取条件为：
其中，
为第二像素点，
为第四像素点，
为第六像素点，
为第八像素点。
本发明实施例中，将所述标准区域图像中满足第一骨架提取条件或满足第二骨架提取条件的像素点删除，得到标准骨架图像。
步骤四、提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点。
本发明实施例中，所述提取所述标准骨架中的多条骨架直线，包括：
利用预设的直线检测算法对所述标准骨架图像进行直线检测，得到多条潜在直线；
对所述多条潜在直线进行筛选处理，得到多条骨架直线。
详细地，所述预设的直线检测算法可以为霍夫变换直线检测算法。
具体地，所述对所述多条潜在直线进行筛选处理，得到多条骨架直线，包括：
将长度小于预设直线阈值的潜在直线执行删除操作；
选择与所述标准骨架图像中质心的距离值最小的潜在直线作为参考直线，并以所述参考直线为基线对多条潜在直线进行搜索。
例如，与所述标准骨架图像中质心的距离值最小的潜在直线为横直线A1和竖直线B1，则横直线A1和竖直线B1为参考直线，以A1为基线，向横向正方向（X轴的正方向）搜索，搜到第一条直线线段为直线段（A2），向横向反方向（X轴的负方向）搜索，搜到第一条直线线段为直线段（A3），以B1为基线，向竖向正方向（Y轴的正方向）搜索，搜到第一条直线线段为直线段（B2），向竖向反方向（Y轴的负方向）搜索，搜到第一条直线线段为直线段（B3），由此便可获取多条骨架直线A1、A2、A3、B1、B2和B3。
进一步地，对多条骨架直线进行交点提取处理即对六条骨架直线的直线方程进行求交点，便可获取到九个关键点的坐标参数，即多个骨架关键点。
步骤五、剔除所述多个骨架关键点中的异常点，得到标准关键点。
具体地，利用随机抽样一致算法（RANSAC）对所述多个骨架关键点进行异常点剔除，首先随机假设一组局内点作为初始值，并利用所述局内点拟合一个模型（例如，透射变换模型），用该模型去测试多个骨架关键点，将模型测试得到的异常点执行剔除，得到标准关键点。
由于得到的多个骨架关键点可能存在一定的误差，甚至有些情况导致个别的点偏差较大，本发明实施例中对一些异常点进行剔除并且微调关键点可以减少获取到的标准关键点的误差。
步骤六、从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，得到校正图像。
本发明实施例中，所述从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，包括：
将所述标准关键点映射至预设的二维直角坐标系；
在所述二维直角坐标系上随机获取多个关键点，并分别计算多个所述关键点和所述标准关键点之间的距离值；
筛选出多个所述关键点中距离值小于预设阈值的关键点。
其中，可以采用两点之间的距离值计算公式计算多个所述关键点和所述标准关键点之间的距离值。
具体的，可以根据所述标准关键点和所述关键点生成几何变换矩阵，并利用所述几何变换矩阵对待校正图像进行几何变换，得到了校正图像。或者，还可以通过所述标准关键点和所述关键点进行图像透视进而实现对待校正图像进行校正，从而得到校正图像。
本发明实施例中，通过提取待校正图像的目标区域，并对所述目标区域进行形态处理，可以消除图像噪音，并同时保持图像的大小不变，根据预设骨架提取条件从形态处理得到的标准区域图像中提取标准骨架图像，对所述标准区域图像进行了细化，简化了图像的数据量并保持图像像素的基本拓扑结构不发生变化，便于对图像的关键点进行分析，提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点，对所述多个骨架关键点进行异常点剔除，避免了误差，经过异常点剔除后的标准关键点可以准确反应待校正图像的坐标，故根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，保证了图像校正的准确度，因此本发明提出的基于获取关键点的图像校正装置可以解决图像校正的效率和准确度较低的问题。
如图3所示，是本发明一实施例提供的实现基于获取关键点的图像校正方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于获取关键点的图像校正程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于获取关键点的图像校正程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于获取关键点的图像校正程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于获取关键点的图像校正程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待校正图像和所述待校正图像对应的目标图像；
提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像；
根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像；
提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点；
剔除所述多个骨架关键点中的异常点，得到标准关键点；
从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述对所述待校正图像进行图像校正，得到校正图像。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待校正图像和所述待校正图像对应的目标图像；
提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像；
根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像；
提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点；
剔除所述多个骨架关键点中的异常点，得到标准关键点；
从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述对所述待校正图像进行图像校正，得到校正图像。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (11)
1.一种基于获取关键点的图像校正方法，其特征在于，所述方法包括：
获取待校正图像和所述待校正图像对应的目标图像；
提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像；
根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像；
提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点；
剔除所述多个骨架关键点中的异常点，得到标准关键点；
从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，得到校正图像。
2.如权利要求1所述的基于获取关键点的图像校正方法，其特征在于，所述根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像，包括：
将所述标准区域图像中满足第一骨架提取条件或满足第二骨架提取条件的像素点删除，得到标准骨架图像。
3.如权利要求1所述的基于获取关键点的图像校正方法，其特征在于，所述对所述目标区域进行形态处理，包括：
对所述目标区域进行腐蚀处理和膨胀处理。
4.如权利要求1所述的基于获取关键点的图像校正方法，其特征在于，所述提取所述待校正图像的目标区域，包括：
对所述待校正图像进行滤波处理，并对滤波后的图像进行二值化处理，得到标准二值图像；
计算所述标准二值图像的质心；
以所述质心为中心对所述标准二值图像进行图像截取。
5.如权利要求4所述的基于获取关键点的图像校正方法，其特征在于，所述对滤波后的图像进行二值化处理，得到标准二值图像，包括：
对所述滤波后的图像进行阈值筛选，得到全局阈值；
将所述滤波后的图像中大于所述全局阈值的像素点设置为预设的第一灰度值，将所述滤波后的图像中小于或者等于所述全局阈值的像素点设置为预设的第二灰度值，得到标准二值图像。
6.如权利要求5所述的基于获取关键点的图像校正方法，其特征在于，所述对所述滤波后的图像进行阈值筛选，得到全局阈值，包括：
将所述滤波后的图像中的像素点分配至预设的直方图中，并统计所述直方图中每个区块所包含的像素点的数量；
分别将每个区块所包含的像素点的数量除以所述滤波后的图像中的总的像素点数量，得到每个区块对应的区块值；
获取预设的分类值、第一阈值和第二阈值，将所述分类值和所述第一阈值构建为第一区间，将所述分类值和所述第二阈值构建为第二区间；
令所述区块值在所述第一区间的像素点为前景像素，计算所述前景像素和所述滤波后的图像中的总的像素点数量的比例为前景比例，并得到所述前景像素对应的前景灰度；
令所述区块值在所述第二区间的像素点为背景像素，计算所述背景像素和所述滤波后的图像中的总的像素点数量的比例为背景比例，并得到所述背景像素对应的背景灰度；
利用预设的方差公式计算所述前景像素和所述背景像素的方差值；
重新设置分类值并执行方差值计算操作，得到多个分类值对应的方差值按照从大到小进行排序，得到方差值排行榜；
将所述方差值排行榜上排在前面的方差值对应的分类值作为全局阈值。
7.如权利要求1所述的基于获取关键点的图像校正方法，其特征在于，所述从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，包括：
将所述标准关键点映射至预设的二维直角坐标系；
在所述二维直角坐标系上随机获取多个关键点，并分别计算多个所述关键点和所述标准关键点之间的距离值；
筛选出多个所述关键点中距离值小于预设阈值的关键点。
8.如权利要求4所述的基于获取关键点的图像校正方法，其特征在于，所述计算所述标准二值图像的质心，包括：
利用如下的预设的质心公式计算所述标准二值图像的质心：
其中，
为质心坐标，
为所述标准二值图像中的任一坐标值，
为坐标
的像素点的灰度值，
为所述标准二值图像区域。
9.一种基于获取关键点的图像校正装置，其特征在于，所述装置包括：
关键点选择模块，用于获取待校正图像和所述待校正图像对应的目标图像；
标准区域生成模块，用于提取所述待校正图像的目标区域，并对所述目标区域进行形态处理，得到标准区域图像；
骨架提取模块，用于根据预设骨架提取条件从所述标准区域图像中提取标准骨架图像；
交点提取模块，用于提取所述标准骨架图像中的多条骨架直线，并对多条骨架直线进行交点提取处理，得到多个骨架关键点；
异常点剔除模块，用于剔除所述多个骨架关键点中的异常点，得到标准关键点；
图像校正模块，用于从所述目标图像中获取与所述标准关键点之间距离值小于预设阈值的关键点，根据所述标准关键点和所述关键点对所述待校正图像进行图像校正，得到校正图像。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任意一项所述的基于获取关键点的图像校正方法。
11.一种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至8中任意一项所述的基于获取关键点的图像校正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111259658.0A CN113706422B (zh) | 2021-10-28 | 2021-10-28 | 一种基于获取关键点的图像校正方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111259658.0A CN113706422B (zh) | 2021-10-28 | 2021-10-28 | 一种基于获取关键点的图像校正方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113706422A CN113706422A (zh) | 2021-11-26 |
| CN113706422B true CN113706422B (zh) | 2022-03-18 |
Family
ID=78647219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111259658.0A Active CN113706422B (zh) | 2021-10-28 | 2021-10-28 | 一种基于获取关键点的图像校正方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113706422B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363006B (zh) * | 2023-03-28 | 2024-02-02 | 北京拙河科技有限公司 | 一种基于正态算法的图像校准方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668575A (zh) * | 2020-12-28 | 2021-04-16 | 中国平安人寿保险股份有限公司 | 关键信息提取方法、装置、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715493B (zh) * | 2015-03-23 | 2018-01-19 | 北京工业大学 | 一种运动人体姿态估计的方法 |
| US9621761B1 (en) * | 2015-10-08 | 2017-04-11 | International Business Machines Corporation | Automatic correction of skewing of digital images |
| CN107680059A (zh) * | 2017-09-30 | 2018-02-09 | 努比亚技术有限公司 | 一种图像校正的判断方法、终端及计算机可读存储介质 |
| CN108416790B (zh) * | 2018-01-31 | 2021-08-17 | 湖北工业大学 | 一种用于工件破损率的检测方法 |
| CN111311487B (zh) * | 2020-01-13 | 2022-09-13 | 河海大学常州校区 | 一种光伏组件图像的快速拼接方法及系统 |
| CN111784747B (zh) * | 2020-08-13 | 2024-02-27 | 青岛高重信息科技有限公司 | 一种基于关键点检测和校正的车辆多目标跟踪系统及方法 |
-
2021
- 2021-10-28 CN CN202111259658.0A patent/CN113706422B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668575A (zh) * | 2020-12-28 | 2021-04-16 | 中国平安人寿保险股份有限公司 | 关键信息提取方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113706422A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112528863A (zh) | 表格结构的识别方法、装置、电子设备及存储介质 | |
| CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| CN112446839A (zh) | 图像增强方法、装置、电子设备及计算机可读存储介质 | |
| CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
| CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
| CN108334879B (zh) | 一种区域提取方法、系统及终端设备 | |
| CN111914939A (zh) | 识别模糊图像的方法、装置、设备及计算机可读存储介质 | |
| CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN113706422B (zh) | 一种基于获取关键点的图像校正方法、装置、设备及介质 | |
| CN113920117A (zh) | 一种面板缺陷区域检测方法、装置、电子设备及存储介质 | |
| CN113887439A (zh) | 基于图像识别的自动预警方法、装置、设备及存储介质 | |
| CN112668575A (zh) | 关键信息提取方法、装置、电子设备及存储介质 | |
| CN114881698A (zh) | 广告合规审核方法、装置、电子设备及存储介质 | |
| CN111932595A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN114049568A (zh) | 基于图像比对的标的物形变检测方法、装置、设备及介质 | |
| CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
| CN114723636A (zh) | 基于多特征融合的模型生成方法、装置、设备及存储介质 | |
| CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN114882059A (zh) | 基于图像分析的尺寸测量方法、装置、设备及存储介质 | |
| CN112200004B (zh) | 图像检测模型的训练方法、装置及终端设备 | |
| CN113869385A (zh) | 基于目标检测的海报比对方法、装置、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 | ||
| CB02 | Change of applicant information |
Address after: 518063 t2-a2-a, hi tech Industrial Village, No. 022, Gaoxin Nanqi Road, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen yaliote Technology Co.,Ltd. Address before: 518063 t2-a2-a, hi tech Industrial Village, No. 022, Gaoxin Nanqi Road, Nanshan District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN ARATEK BIOMETRICS TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |