CN113807325B - 一种基于图像处理的线型识别方法及系统 - Google Patents
一种基于图像处理的线型识别方法及系统 Download PDFInfo
- Publication number
- CN113807325B CN113807325B CN202111357647.6A CN202111357647A CN113807325B CN 113807325 B CN113807325 B CN 113807325B CN 202111357647 A CN202111357647 A CN 202111357647A CN 113807325 B CN113807325 B CN 113807325B
- Authority
- CN
- China
- Prior art keywords
- distance
- points
- sequence
- point
- adjacent
- 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
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的线型识别方法及系统,涉及图像处理领域;能够对CAD图像中的线型进行识别。主要包括:获取待识别图像;得到待识别图像的二值图像;获得二值图像中的端点像素点在霍夫空间中的高亮点;判断高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留;对二值图像中的第一类点按照与其对应的夹角排序,得到对应点序列;获得对应点序列中相邻两点之间的距离并组成相邻点距离序列;根据相邻点距离序列获得修正指标,当修正指标大于预设第一阈值时对相邻点距离序列进行修正;根据修正后的相邻点距离序列获得间隔一致性指标并对线型进行识别。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种基于图像处理的线型识别方法及系统。
背景技术
CAD图形被广泛应用于机械、建筑等行业,同时CAD图形中往往包括虚线、点划线等多种线型,且不同的线型有着不同的含义,因此需要对CAD图形中的不同线型进行识别。
现有技术对线型的识别,都是在利用霍夫变换识别直线的基础上,识别出直线后判断直线上像素值的变化,但霍夫变换只能检测出直线的方向,难以获得直线上的像素分布信息,使得实线和虚线在霍夫变换中的检测结果均为实线,造成线型识别效果不理想。
发明内容
本发明提供了一种基于图像处理的线型识别方法及系统,主要包括:获取待识别图像;得到待识别图像的二值图像;获得二值图像中的端点像素点在霍夫空间中的高亮点;判断高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留;对二值图像中的第一类点按照与其对应的夹角进行排序,得到对应点序列;获得对应点序列中相邻两点之间的距离并组成相邻点距离序列;根据相邻点距离序列获得修正指标,当修正指标大于预设第一阈值时对相邻点距离序列进行修正;根据修正后的相邻点距离序列获得间隔一致性指标,并对线型进行识别。相比于现有技术,能够对CAD图形中的虚线、点划线等线型实现有效的识别,同时能够避免将实线与虚线均识别为实线。
针对上述技术问题,本发明提出了一种基于图像处理的线型识别方法及系统。
第一方面,本文提出了一种基于图像处理的线型识别方法,包括:
获取待识别图像,所述待识别图像中包括不同线型的多条绘制线。
对待识别图像进行二值化得到二值图像。
获得所述二值图像中的端点像素点,并获取所述端点像素点在霍夫空间中的高亮点。
判断所述高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留。
对所述二值图像中的第一类点按照与其对应的夹角进行排序,得到对应点序列,所述第一类点为与所述高亮点对应的所述二值图像中的点。
获得所述对应点序列中相邻两点之间的距离,并组成相邻点距离序列。
根据所述相邻点距离序列获得修正指标,当所述修正指标大于预设第一阈值时对所述相邻点距离序列进行修正。
根据修正后的相邻点距离序列获得间隔一致性指标,并根据间隔一致性指标对线型进行识别。
进一步的,所述基于图像处理的线型识别方法,所述修正指标的模型为:
其中,为修正指标,为所述相邻点距离序列中距离大于的第个距离,为所述相邻点距离序列中距离小于的第个距离,为所述相邻点距离序列中距离大于的距离的总数,为所述相邻点距离序列中距离小于的距离的总数,为预设第一距离阈值,为预设第二距离阈值,且。
进一步的,所述基于图像处理的线型识别方法,所述对所述相邻点距离序列进行修正,包括:
当所述相邻点距离序列中的某一距离大于预设第一距离阈值时,将该距离与该距离的上一个距离的差的绝对值作为该距离,并将该距离与该距离的下一距离的差值的绝对值插入该距离与该距离的下一距离之间。
当所述相邻点距离序列中的某一距离小于预设第二距离阈值时,将该距离与该距离的下一个距离的和作为该距离,并将该距离的下一个距离从所述相邻点距离序列中删除。
进一步的,所述基于图像处理的线型识别方法,所述根据修正后的相邻点距离序列获得间隔一致性指标,包括:
统计修正后的相邻点距离序列中的相同的距离的数量,所有数量中数值最大的为第一数量,所有数量中数值第二大的为第二数量,所述第一数量与所述第二数量的比值为间隔一致性指标。
进一步的,所述基于图像处理的线型识别方法,所述二值图像中直线部分像素值为1,直线以外部分像素值为0。
第二方面,本发明提出了一种基于图像处理的线型识别系统,包括:
图像获取模块,用于获取待识别图像,所述待识别图像中包括不同线型的多条绘制线。
图像处理模块,用于对待识别图像进行二值化得到二值图像。
高亮点提取模块,用于获得所述二值图像中的端点像素点,并获取所述端点像素点在霍夫空间中的高亮点。
高亮点处理模块,用于判断所述高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留。
对应点获取模块,用于对所述二值图像中的第一类点按照与其对应的夹角进行排序,得到对应点序列,所述第一类点为与所述高亮点对应的所述二值图像中的点。
距离序列计算模块,用于获得所述对应点序列中相邻两点之间的距离,并组成相邻点距离序列。
距离序列修正模块,用于根据所述相邻点距离序列获得修正指标,当所述修正指标大于预设第一阈值时对所述相邻点距离序列进行修正。
线型识别模块,用于根据修正后的相邻点距离序列获得间隔一致性指标,并根据间隔一致性指标对线型进行识别。
本发明提供了一种基于图像处理的线型识别方法及系统,主要包括:获取待识别图像;得到待识别图像的二值图像;获得二值图像中的端点像素点在霍夫空间中的高亮点;判断高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留;对二值图像中的第一类点按照与其对应的夹角进行排序,得到对应点序列;获得对应点序列中相邻两点之间的距离并组成相邻点距离序列;根据相邻点距离序列获得修正指标,当修正指标大于预设第一阈值时对相邻点距离序列进行修正;根据修正后的相邻点距离序列获得间隔一致性指标,并对线型进行识别。
相比于现有技术,本发明能够对CAD图形中的虚线、点划线、实线等线型实现有效的识别,同时能够避免将实线与虚线均识别为实线。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于图像处理的线型识别方法的流程示意图。
图2是本发明实施例提供的另一种基于图像处理的线型识别方法的流程示意图。
图3是本发明实施例提供的平面直角坐标系中共线点的示意图。
图4是本发明实施例提供的共线点经过霍夫变换后的示意图。
图5是本发明实施例提供的一种基于图像处理的线型识别系统的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例一
本发明实施例提供了一种基于图像处理的线型识别方法,如图1所示,包括:
S101、获取待识别图像,所述待识别图像中包括不同线型的多条绘制线。
本实施例中待识别图像为CAD图像,cad图像中存在虚线、点划线以及实线等线型,获得的CAD图像为RGB图像,RGB是一种颜色标准,通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色,RGB即是代表红、绿、蓝三个通道的颜色。
S102、对待识别图像进行二值化得到二值图像。
本实施例中得到的二值图像中,直线部分呈现白色且像素值为1,直线以外部分呈现黑色且像素值为0,直线以外部分即背景部分。
S103、获得所述二值图像中的端点像素点,并获取所述端点像素点在霍夫空间中的高亮点。
霍夫变换是检测直线的一种常用方法,本实施例中采用霍夫线变换,其原理是运用两个坐标空间之间的变换,将在一个空间中具有相同形状的曲线或直线,映射到另一个坐标空间的一个点上形成峰值,从而把检测任意形状的问题转化为统计峰值问题,映射之后的坐标空间即为霍夫空间。
S104、判断所述高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留。
S105、对所述二值图像中的第一类点按照与其对应的夹角进行排序,得到对应点序列,所述第一类点为与所述高亮点对应的所述二值图像中的点。
第一类点与坐标原点形成连线,该连线与坐标横轴正半轴的夹角即为第一类点对应的夹角
S106、获得所述对应点序列中相邻两点之间的距离,并组成相邻点距离序列。
S107、根据所述相邻点距离序列获得修正指标,当所述修正指标大于预设第一阈值时对所述相邻点距离序列进行修正。
本实施例中的同一条直线中,虚线或点划线中的各线段部分长度相等,且相邻两线段之间的净间距相等。
S108、根据修正后的相邻点距离序列获得间隔一致性指标,并根据间隔一致性指标对线型进行识别。
统计修正后的相邻点距离序列中的相同的距离的数量,所有数量中数值最大的为第一数量,所有数量中数值第二大的为第二数量,所述第一数量与所述第二数量的比值为间隔一致性指标。
本实施例中利用不同线型下间隔一致性不同这一特点,实现对直线的线型的识别。
相较于传统技术方案,本发明的有益效果是:能够对CAD图形中的虚线、点划线、实线等线型实现有效的识别,同时能够避免将实线与虚线均识别为实线。
实施例二
本发明实施例二提供了另一种基于图像处理的线型识别方法,如图2所示,包括:
S201、获取待识别图像,所述待识别图像中包括不同线型的多条绘制线。
本实施例中待识别图像为CAD图像,cad图像中存在虚线、点划线以及实线等线型,获得的CAD图像为RGB图像,RGB是一种颜色标准,通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色,RGB即是代表红、绿、蓝三个通道的颜色。
S202、对待识别图像进行二值化得到二值图像。
本实施例中得到的二值图像中,直线部分呈现白色且像素值为1,直线以外部分呈现黑色且像素值为0,二值图中背景部分即直线以外部分,并以二值图的左下角为原点建立平面直角坐标系。
S203、获得所述二值图像中的端点像素点,并获取所述端点像素点在霍夫空间中的高亮点。
其次获取端点像素点在霍夫空间中的高亮点,霍夫变换是检测直线的一种常用方法,本实施例中运用两个坐标空间之间的变换,将在一个空间中具有相同形状的曲线或直线,映射到另一个坐标空间的一个点上形成峰值,从而把检测任意形状的问题转化为统计峰值问题,映射之后的坐标空间即为霍夫空间。
将平面直角坐标系下经过某一个点的所有直线在极坐标空间下映射,得到与该点对应的正弦曲线,当平面直角坐标系下的多点存在共线情况时即多个点位于同一条直线上,在极坐标空间下即霍夫空间中,这些在平面直角坐标系下共线的点所对应的正弦曲线,在霍夫空间中相交于一点,该点为本实施例中的高亮点。
图3为本实施例中平面直角坐标系中共线点的示意图,图3中存在两个共线的点,将分别经过这两个点的所有直线,进行霍夫变换到霍夫空间中,得到如图4所示的正弦曲线,如图4所示两个共线的点对应的两条正弦曲线相交于一点。
本实施例中在某一高亮点处相交的正弦曲线数量为该高亮点的峰值,同时该峰值为平面直角坐标系这些共线点所在的直线上点的个数,峰值越大表示落在这条直线上的点个数越多。
S204、判断所述高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留。
设置峰值阈值,是一个剔除虚假或无意义的线段的阈值。将霍夫空间中各个高亮点处的峰值与阈值进行比较,将满足的高亮点保留,由此得到满足条件的高亮点序列,高亮点序列中高亮点的个数即为平面直角坐标系下直线的条数。
S205、对所述二值图像中的第一类点按照与其对应的夹角的角度进行排序,得到对应点序列,所述第一类点为与所述高亮点对应的所述二值图像中的点。
具体的,每个高亮点均对应平面直角坐标系下的多个点,本实施例中这些点为第一类点,同时这些点位于与高亮点对应的直线上,记录经过中某一高亮点的所有正弦曲线的幅值,以及幅值所对应的角度值,其中一条正弦曲线对应二值图像中一个点。
霍夫空间内的正弦曲线的幅值指的是,该正弦曲线对应的平面直角坐标系中的点到坐标原点的距离,第一类点与坐标原点形成连线,该连线与坐标横轴正半轴的夹角即为第一类点对应的夹角。
对于某一高亮点所对应的某一个第一类点,将该第一类点对应的幅值及对应的夹角的角度组成对,例如对于某一个第一类点为,其中为该点对应的幅值,为该点所对应的夹角的角度;对于该高亮点对应的所有第一类点,本实施例中按照第一类点对应的夹角的角度从大到小进行排序得到对应点序列,也可以按照第一类点对应的夹角的角度从小到大进行排序得到对应点序列,进一步可以得到所有高亮点的对应点序列,对于所有的高亮点的对应点序列按照相同的排序原则进行排序,例如均按照第一类点对应的夹角的角度从小到大进行排序,或者均按照第一类点对应的夹角的角度从大到小进行排序。
S206、获得所述对应点序列中相邻两点之间的距离,并组成相邻点距离序列。
对于位于某一高亮点的对应点序列中的两个第一类点()及(),两点之间的距离为 ,其中为点()对应的幅值,为点()的对应夹角的角度,为点()对应的幅值,为点()的对应夹角的角度,为该高亮点对应的夹角的角度。
可以根据上述两点之间的距离计算方法进一步得到某一对应点序列中所有相邻两点之间的距离,并组成相邻点距离序列,进一步可以得到所有高亮点对应的相邻点距离序列。
S207、根据所述相邻点距离序列获得修正指标。
由于可能存在多端直线相互交叉,导致得到的相邻点距离序列中存在过大的值与过小的值,也就是说上一步得到的距离序列存在错误的距离,会造成后续计算结果存在误差,所以需要对数据进行修正。
例如实线段部分长度为,两个线段之间的净间距,则某一虚线对应的相邻点距离序列呈现重复3,2或重复2,3的特征,即相邻点距离序列为或;点划线对应的相邻点距离序列呈现重复3,2,2或重复2,2,3或重复2,3,2的特征,即相邻点距离序列为或相邻点距离序列为或者相邻点距离序列为。
其次对于上述虚线或点划线,,当存在多条直线相交时,其相邻点距离序列中可能存在小于2的值,或者其相邻点距离序列中可能存在大于3的值。当相邻点距离序列中存在小于2的值时,则需要将该小于2的值与下一个数据进行合并;当相邻点距离序列中存在大于3的值时如果出现了第二种情况,则会存在大于3的值,则需要对该大于3的数值进行拆分。
因此修正指标,其中为修正指标,为相邻点距离序列中距离大于的第个距离,为相邻点距离序列中距离小于的第个距离,为相邻点距离序列中距离大于的距离的总数,为相邻点距离序列中距离小于的距离的总数,为预设第一距离阈值,为预设第二距离阈值,且。
S208、当所述修正指标大于预设第一阈值时对所述相邻点距离序列进行修正。
然后当需要进行数据修正时:当相邻点距离序列中的某一距离大于第一距离阈值时,将该距离与该距离的上一个距离的差的绝对值作为该距离,并将该距离与该距离的下一距离的差值的绝对值插入该距离与该距离的下一距离之间。
S209、根据修正后的相邻点距离序列获得间隔一致性指标,并根据间隔一致性指标对线型进行识别。
其次因本实施例中虚线为线段的间隔分布,其中实线段部分的长度个数与净间距个数近似1:1,即趋于1;而点划线的距离序列中实线段部分长度的个数小于净间距的个数,且个数比近似1:2,所以点划线的间隔一致性指标趋于0.5;所以根据P的值即可对虚线与点划线进行区分。
相较于传统技术方案,本发明的有益效果是:能够对CAD图形中的虚线、点划线等线型实现有效的识别,同时能够避免将实线与虚线均识别为实线。
实施例三
本发明实施例提供了一种基于图像处理的线型识别系统,如图5所示包括:
图像获取模块31,用于获取待识别图像,所述待识别图像中包括不同线型的多条绘制线。
图像处理模块32,用于对待识别图像进行二值化得到二值图像。
高亮点提取模块33,用于获得所述二值图像中的端点像素点,并获取所述端点像素点在霍夫空间中的高亮点。
高亮点处理模块34,用于判断所述高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留。
对应点获取模块35,用于对所述二值图像中的第一类点按照与其对应的夹角进行排序,得到对应点序列,所述第一类点为与所述高亮点对应的所述二值图像中的点。
距离序列计算模块36,用于获得所述对应点序列中相邻两点之间的距离,并组成相邻点距离序列。
距离序列修正模块37,用于根据所述相邻点距离序列获得修正指标,当所述修正指标大于预设第一阈值时对所述相邻点距离序列进行修正。
线型识别模块38,用于根据修正后的相邻点距离序列获得间隔一致性指标,并根据间隔一致性指标对线型进行识别。
综上所述,本发明充分利用霍夫变换的空间信息,对现有技术中霍夫变换进行线型识别时,会丢失直线的长度信息这一缺点进行了改进,利用虚线端点以及霍夫空间内对应参数信息判断各端点的间隔一致性,从而实现图像中工程图图像中直线的线型的识别。
相较于传统技术方案,本发明的有益效果是:能够对CAD图形中的虚线、点划线等线型实现有效的识别,同时能够避免将实线与虚线均识别为实线。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本发明的方法和系统中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (4)
1.一种基于图像处理的线型识别方法,其特征在于,包括:
获取待识别图像,所述待识别图像中包括不同线型的多条绘制线;
对待识别图像进行二值化得到二值图像;
获得所述二值图像中的端点像素点,并获取所述端点像素点在霍夫空间中的高亮点;
判断所述高亮点的峰值是否高于预设峰值阈值,若判断结果为是则将高亮点保留;
对所述二值图像中的第一类点按照与其对应的夹角的角度进行排序,得到对应点序列,所述第一类点为与所述高亮点对应的所述二值图像中的点;
获得所述对应点序列中相邻两点之间的距离,并组成相邻点距离序列;
根据所述相邻点距离序列获得修正指标,当所述修正指标大于预设第一阈值时对所述相邻点距离序列进行修正;
根据修正后的相邻点距离序列获得间隔一致性指标,并根据间隔一致性指标对线型进行识别;
其中,根据所述相邻点距离序列获得修正指标,包括:
其中,为修正指标,为所述相邻点距离序列中距离大于的第个距离,为所述相邻点距离序列中距离小于的第个距离,为所述相邻点距离序列中距离大于的距离的总数,为所述相邻点距离序列中距离小于的距离的总数,为预设第一距离阈值,为预设第二距离阈值,且;
其中,对所述相邻点距离序列进行修正,包括:
当所述相邻点距离序列中的某一距离大于预设第一距离阈值时,将该距离与该距离的上一个距离的差的绝对值作为该距离,并将该距离与该距离的下一距离的差值的绝对值插入该距离与该距离的下一距离之间;
当所述相邻点距离序列中的某一距离小于预设第二距离阈值时,将该距离与该距离的下一个距离的和作为该距离,并将该距离的下一个距离从所述相邻点距离序列中删除。
2.根据权利要求1所述的基于图像处理的线型识别方法,其特征在于,所述根据修正后的相邻点距离序列获得间隔一致性指标,包括:
统计修正后的相邻点距离序列中的相同的距离的数量,所有数量中数值最大的为第一数量,所有数量中数值第二大的为第二数量,所述第一数量与所述第二数量的比值为间隔一致性指标。
3.根据权利要求1所述的基于图像处理的线型识别方法,其特征在于,所述二值图像中直线部分像素值为1,直线以外部分像素值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357647.6A CN113807325B (zh) | 2021-11-17 | 2021-11-17 | 一种基于图像处理的线型识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357647.6A CN113807325B (zh) | 2021-11-17 | 2021-11-17 | 一种基于图像处理的线型识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807325A CN113807325A (zh) | 2021-12-17 |
CN113807325B true CN113807325B (zh) | 2022-02-22 |
Family
ID=78898628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111357647.6A Active CN113807325B (zh) | 2021-11-17 | 2021-11-17 | 一种基于图像处理的线型识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807325B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131539B (zh) * | 2022-09-01 | 2022-12-13 | 南通宝丽金属科技有限公司 | 基于机器视觉的铝模板自动识别与分类系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1988488A1 (en) * | 2007-05-03 | 2008-11-05 | Sony Deutschland Gmbh | Method for detecting moving objects in a blind spot region of a vehicle and blind spot detection device |
CN103390088A (zh) * | 2013-07-31 | 2013-11-13 | 浙江大学 | 一种针对光栅建筑平面图的全自动三维转换方法 |
CN104751145A (zh) * | 2015-04-10 | 2015-07-01 | 西安电子科技大学 | 局部霍夫变换与形态学优化的sar图像电力线检测方法 |
CN106156761A (zh) * | 2016-08-10 | 2016-11-23 | 北京交通大学 | 面向移动终端拍摄的图像表格检测与识别方法 |
CN107710229A (zh) * | 2016-10-20 | 2018-02-16 | 深圳配天智能技术研究院有限公司 | 图像中的形状识别方法、装置、设备及计算机存储介质 |
-
2021
- 2021-11-17 CN CN202111357647.6A patent/CN113807325B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1988488A1 (en) * | 2007-05-03 | 2008-11-05 | Sony Deutschland Gmbh | Method for detecting moving objects in a blind spot region of a vehicle and blind spot detection device |
CN103390088A (zh) * | 2013-07-31 | 2013-11-13 | 浙江大学 | 一种针对光栅建筑平面图的全自动三维转换方法 |
CN104751145A (zh) * | 2015-04-10 | 2015-07-01 | 西安电子科技大学 | 局部霍夫变换与形态学优化的sar图像电力线检测方法 |
CN106156761A (zh) * | 2016-08-10 | 2016-11-23 | 北京交通大学 | 面向移动终端拍摄的图像表格检测与识别方法 |
CN107710229A (zh) * | 2016-10-20 | 2018-02-16 | 深圳配天智能技术研究院有限公司 | 图像中的形状识别方法、装置、设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113807325A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110678901B (zh) | 信息处理设备、信息处理方法和计算机可读存储介质 | |
US10102408B2 (en) | Quick response code feature detection method and system | |
CN109389121B (zh) | 一种基于深度学习的铭牌识别方法及系统 | |
CN110874844A (zh) | 线段检测方法、装置和设备 | |
CN113807325B (zh) | 一种基于图像处理的线型识别方法及系统 | |
US9996766B2 (en) | Imaging-based methods for detecting and measuring defects in extruded cellular ceramic articles | |
US11074443B2 (en) | Method and device for acquiring slant value of slant image, terminal and storage medium | |
CN101114335A (zh) | 全角度快速指纹识别方法 | |
CN115439481A (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
CN115330760B (zh) | 一种二极管引脚缺陷识别方法 | |
CN112686264A (zh) | 数字式仪表读数方法、装置、计算机设备和存储介质 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN116645373B (zh) | 一种木材表面缺陷识别方法 | |
CN113706534A (zh) | 一种基于多光线分析的注塑产品缺陷检测方法 | |
CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
CN114863492A (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN114612490B (zh) | 一种基于显微镜图像的栅藻类细胞统计方法 | |
CN113962967B (zh) | 一种基于马克劳林定理约束的物体拍摄图像椭圆检测算法 | |
CN115311287B (zh) | 一种共轨喷油器生产异常检测方法 | |
CN110175257B (zh) | 一种线稿图像匹配方法、电子设备、存储介质 | |
CN114782413B (zh) | 一种基于显微镜图像的星杆藻类细胞统计方法 | |
CN112257717B (zh) | 一种针对未矫正图像的直线、椭圆和交点识别定位方法 | |
CN111325789B (zh) | 一种基于离散方向变化序列的曲率不连续点检测方法 | |
CN114299406A (zh) | 基于无人机航拍的光纤电缆线路巡检方法 | |
CN109559325B (zh) | 基于棋谱rgb图像的围棋棋谱识别方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221121 Address after: 210001 Room 428, Building F, Building 5, Baixia Hi tech Industrial Park, No. 5, Yongzhi Road, Qinhuai District, Nanjing, Jiangsu Province Patentee after: CENMR INTELLIGENT TECHNOLOGY NANJING Co.,Ltd. Address before: 210000 Huachong Tangzhuang, building B, China Cloud Computing innovation base, No. 6, Yongzhi Road, Baixia Science Park, Qinhuai District, Nanjing, Jiangsu Province Patentee before: Nanjing trilobite Innovation Technology Co.,Ltd. |