CN114373000A - 一种问题地图筛查方法和装置 - Google Patents
一种问题地图筛查方法和装置 Download PDFInfo
- Publication number
- CN114373000A CN114373000A CN202111435136.1A CN202111435136A CN114373000A CN 114373000 A CN114373000 A CN 114373000A CN 202111435136 A CN202111435136 A CN 202111435136A CN 114373000 A CN114373000 A CN 114373000A
- Authority
- CN
- China
- Prior art keywords
- screened
- mask image
- area
- map
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了问题地图筛查方法和装置,包括:获取待筛查图像;对待筛查图像进行标注,获得待筛查掩码图像;获取待筛查图像中待筛查区域对应的掩码图像;根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图;若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像;根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。由于待筛查区域对应的掩码图像为不含纹理、颜色信息的二值化掩码图像,所以本申请对不同纹理、颜色的待筛查图像有良好的识别效果;并且图像配准使得对不同形变、角度的待筛查图像有良好的识别效果。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种问题地图筛查方法和装置。
背景技术
互联网平台上的视频、图片等载体中,存在大量“问题地图”。目前,网络平台上的地图筛查,大多依赖人工目检,由于数据量大、图像复杂,常常会耗费巨大的人力,并且误判率较高。而现有的深度学习地图筛查方法,主要包括基于目标检测技术的方法和基于图像分类技术的方法,其中,基于目标检测技术的方法,通过训练模型对图片地图中的问题多发区域进行检测,判断是否存在问题,基于图像分类技术的方法,直接对图片进行分类,判断是否为地图,再根据模型输出的特征图判断是否为问题地图。由于互联网中的问题地图存在样式多变(包括颜色、形状、纹理、角度等)、背景复杂、差异不明显等问题,这些方式无法适应多样化的场景,导致较多的误判。
发明内容
有鉴于此,本申请提供了一种问题地图筛查方法和装置,以解决现有技术无法有效识别复杂、多样化的场景中的“问题地图”的问题,其技术方案如下:
一种问题地图筛查方法,包括:
获取待筛查图像;
获取待筛查图像中待筛查区域对应的掩码图像;
根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图;
若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像;
根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。
可选的,获取待筛查图像中待筛查区域对应的掩码图像,包括:
利用预先训练得到的图像分割模型对待筛查图像进行分割,以得到待筛查图像对应的掩码图像,其中,图像分割模型为以样本图像为训练样本,以样本图像对应的掩码图像为训练标签训练得到,样本图像中的每个图像包括标准地图或问题地图,掩码图像中的地图区域的像素值为第一灰度值,掩码图像中的非地图区域的像素值为第二灰度值;
对待筛查图像对应的掩码图像进行形态学处理,得到处理后的掩码图像;
基于处理后的掩码图像,从待筛查图像对应的掩码图像中裁剪出待筛查区域对应的掩码图像。
可选的,对待筛查图像对应的掩码图像进行形态学处理,得到处理后的掩码图像,包括:
采用第一运算核对待筛查图像对应的掩码图像进行闭运算处理,得到闭运算处理后的掩码图像;
采用第二运算核对闭运算处理后的掩码图像进行腐蚀处理,得到腐蚀处理后的掩码图像,其中,第一运算核小于第二运算核;
根据腐蚀处理后的掩码图像中的最大连通域,去除腐蚀处理后的掩码图像中的非地图区域,并对去除非地图区域后的掩码图像进行膨胀处理,获得膨胀处理后的掩码图像,作为处理后的掩码图像。
可选的,基于处理后的掩码图像,从待筛查图像对应的掩码图像中裁剪出待筛查区域对应的掩码图像,包括:
基于处理后的掩码图像,确定待筛查区域在待筛查图像对应的掩码图像中的最外边缘坐标值,按照最外边缘坐标值的设定百分比对待筛查图像对应的掩码图像中的待筛查区域进行外扩和裁剪,得到待筛查区域对应的掩码图像。
可选的,根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图,包括:
确定待筛查区域对应的掩码图像和预设标准地图掩码图像的交并比;
若交并比大于第一阈值,则确定待筛除区域为地图。
可选的,对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像,包括:
将待筛查区域对应的掩码图像和预设标准地图掩码图像输入预先训练得到的图像配准模型,得到待筛查区域对应的配准后掩码图像,其中,图像配准模型为以预设标准地图掩码图像和样本掩码图像为训练样本,以样本掩码图像对应的配准图像为样本标签训练得到。
可选的,根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图,包括:
计算预设标准地图掩码图像与配准后掩码图像的差值,得到差值图像;
对差值图像进行开运算处理,得到开运算后的图像;
根据开运算后的图像,确定待筛查区域是否为问题地图。
可选的,待筛查区域包括易缺失区域;
问题地图筛查方法,还包括:
若待筛查区域不为问题地图,则从预设标准地图掩码图像逆向配准场,以根据易缺失区域在预设标准地图掩码图像中的位置,确定易缺失区域在待筛查区域对应的掩码图像中的位置,其中,配准场表征待筛查区域对应的掩码图像到预设标准地图掩码图像的空间坐标变换参数;
根据易缺失区域在待筛查区域对应的掩码图像中的位置,在待筛查区域对应的掩码图像中裁剪出易缺失区域;
确定裁剪出的易缺失区域的边缘凸包和边缘轮廓;
计算边缘凸包到边缘轮廓的最短距离;
若最短距离大于第二阈值,则确定待筛查区域为问题地图。
可选的,待筛查区域包括易异色区域和非易异色区域;
问题地图筛查方法,还包括:
若待筛查区域不为问题地图,则计算非易异色区域的色差跨度;
若色差跨度小于第三阈值,则计算易异色区域和非易异色区域的颜色直方图的相似度;
若相似度小于第四阈值,则确定待筛查区域为问题地图。
一种问题地图筛查装置,包括:待筛查图像获取模块、掩码图像获取模块、地图判断模块、图像配准模块和待筛查区域筛查模块;
待筛查图像获取模块,用于获取待筛查图像;
掩码图像获取模块,用于获取待筛查图像中待筛查区域对应的掩码图像;
地图判断模块,用于根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图;
图像配准模块,用于若地图判断模块确定待筛查区域为地图,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像;
待筛查区域筛查模块,用于根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。
经由上述的技术方案可知,本申请提供的问题地图筛查方法,首先获取待筛查图像,然后获取待筛查图像中待筛查区域对应的掩码图像,接着根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图,若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像,最后根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。本申请首先将待筛查图像处理为待筛查区域对应的掩码图像,该掩码图像为不含纹理、颜色信息的二值化掩码图像,使得本申请对不同纹理、不同颜色的待筛查图像有良好的识别效果,同时,本申请会先确定待筛查区域是否为地图,若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,并在配准后根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图,提高了筛查效率,并且,进行图像配准使得本申请对不同形变、不同角度的待筛查图像有良好的识别效果。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种问题地图筛查方法的流程示意图;
图2为本申请实施例提供的待筛查图像对应的掩码图像的示意图;
图3为本申请实施例提供的图像分割模型的结构示意图;
图4a为本申请实施例提供的闭运算处理后的掩码图像的示意图;
图4b为本申请实施例提供的腐蚀处理后的掩码图像的示意图;
图4c为本申请实施例提供的去除非地图区域后的掩码图像的示意图;
图4d为本申请实施例提供的待筛查区域对应的掩码图像的示意图;
图5a为本申请实施例提供的细小连通域的示意图;
图5b为本申请实施例提供的开运算后的图像的示意图;
图6为本申请实施例提供的一种问题地图筛查装置的结构示意图;
图7为本申请实施例提供的一种问题地图筛查设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
鉴于现有技术存在的问题,本案发明人进行了深入研究,最终提出了一种问题地图筛查方法,接下来通过下述实施例对本申请提供的问题地图筛查方法进行详细介绍。
请参阅图1,示出了本申请实施例提供的问题地图筛查方法的流程示意图,该问题地图筛查方法可以包括:
步骤S101、获取待筛查图像。
在一些场景中,需要对图像或视频进行筛查,以确定图像中的地图是否为“问题地图”,此时,可通过本步骤获取待筛查图像,其中,若对视频进行筛查,则本步骤可获取视频的每一帧,作为待筛查图像,即对视频的每一帧均按照本申请实施例提供的问题地图筛查方法进行筛查。
可选的,为了便于后续处理,本步骤在获取待筛查图像后,可以将待筛查图像处理为设定尺寸。
步骤S102、获取待筛查图像中待筛查区域对应的掩码图像。
待筛查图像中包括待筛查区域,本步骤可确定待筛查区域对应的掩码图像。这里,待筛查区域对应的掩码图像中包括待筛查区域和非待筛查区域,可选的,待筛查区域的像素值为第一灰度值,非待筛查区域的像素值为第二灰度值。可选的,第一灰度值为1,第二灰度值为0。
可选的,本步骤“获取待筛查图像中待筛查区域对应的掩码图像”的过程包括以下步骤:
步骤S1021、利用预先训练得到的图像分割模型对待筛查图像进行分割,以得到待筛查图像对应的掩码图像,其中,图像分割模型为以样本图像为训练样本,以样本图像对应的掩码图像为训练标签训练得到,样本图像中的每个图像包括标准地图或问题地图,掩码图像中的地图区域的像素值为第一灰度值,掩码图像中的非地图区域的像素值为第二灰度值。
例如,本步骤得到的待筛查图像对应的掩码图像可参见图2。
可选的,上述图像分割模型可以为UNet3+图像分割模型,该模型分为编码器和解码器,参见图3所示的图像分割模型的结构示意图,该图像分割模型的编码器XEe和解码器XDe采用全尺度跳跃连接;图3示出了5个编码器,该5个编码器包括4次下采样,每一次下采样输出的特征图的分辨率减小一倍;由于5个编码器输出至解码器的特征图的分辨率不同,为了保证输出到同一解码器的特征图分辨率相同,不同层编码器做了不同尺度的最大池化或者双线性插值来生成分辨率相同的特征图。这里,最大池化用于减小特征图的分辨率,双线性差值用于增大特征图的分辨率。该结构可在减少参数量的同时,充分利用低层细节和高层语义信息。
可选的,上述图像分割模型可采用全尺度的深度监督进行训练,并使用混合的损失函数(可选的,该混合的损失函数包括focal loss损失函数、ms-ssim loss损失函数和iou loss损失函数)来监督各层训练。
其中,ms-ssim loss损失函数的计算公式为:
式中,lms-ssim为ms-ssim loss损失函数值,M为尺度的数量,μp为分割结果(即模型输出的掩码)的均值,σp为分割结果的方差,μg为标定结果(即人工标定的掩码)的均值,σg为标定结果的方差,βm和γm为权重,C1和C2为常量小数(用于防止除数或被除数为0),σpg为分割结果和标定结果的协方差。
可选的,为了减少过分割(即非地图图像被识别为地图图像)导致的误识别,本申请可在最深层的编码器或解码器后添加一个分类模块参与训练,以此来判断输入至模型的图像中是否包含地图,若该分类模块判断输入至模型的图像中不包含地图,则将分割结果(即基于编码器和解码器得到的结果)中标注为地图区域的像素清除,输出全部标注为非地图区域的掩码图像。
可选的,上述图像分割模型在训练时使用的样本图像对应的掩码图像的生成过程可以包括:
A1、获取样本图像,其中,样本图像中的每个图像包括标准地图或问题地图。
在本步骤中,可根据筛查需求收集互联网平台上反馈的地图素材以及标准地图素材,作为样本图像,也就是说,本步骤会获得很多图像,每个图像中需包含标准地图或者“问题地图”,该很多图像即为样本图像。
A2、对样本图像中的地图区域进行标注。
在本步骤中,可对样本图像进行像素级标注,以至少标注出样本图像中的地图区域,例如若第一灰度值为1,第二灰度值为0,则将样本图像中的地图区域像素值标注为1,背景区域(非地图区域)像素值标注为0。
可选的,由于地图边缘复杂且精细度要求较高,基于此,本案可采用photoshop标注。
A3、对标注的地图区域进行设定处理,得到设定处理后的地图区域,其中,设定处理包括但不限于以下处理:透视变换、随机旋转和随机颜色变换。
这里,透视变换是指将标注的地图区域提取之后,做随机因子为0.3的透视变换,使得图像分割模型能适应一定形变的地图;随机旋转是指对标注的地图区域做-90度到90度的随机角度旋转;随机颜色包括随机纯色、随机反色、随机渐变色、随机颜色通道变换。本申请实施例对标注的地图区域进行设定处理的目的是:针对数据量与数据分布局限的情况下,通过对标注的地图区域进行设定处理,可增加图像分割模型的泛化能力。
需要说明的是,上述设定处理仅为示例,除此之外,还可包括其他设定处理,本申请对此不进行限定。
A4、获取背景图像,并将背景图像的像素值标注为第二灰度值,将设定处理后的地图区域贴图到背景图像中,得到合成图像。
在本步骤中,可收集各类不包含地图区域的背景图像,将背景图像的像素值标注为第二灰度值后,可将设定处理后的地图区域贴图到背景图像中,以生成合成图像。
A5、对合成图像进行数据增强处理,其中,数据增强处理包括但不限于以下处理:添加高斯噪声、随机添加文字遮挡、随机平移和色彩抖动。
在本步骤中,可通过对合成图像通过添加高斯噪声,随机添加文字遮挡,随机平移,色彩抖动等方法进行数据增强。
需要说明的是,上述数据增强处理仅为示例,除此之外,还可包括其他数据增强处理,本申请对此不进行限定。
可选的,本申请实施例还可以包括以下A6:
A6、将数据增强处理后的合成图像以及样本图像处理为设定尺寸,并对样本图像进行标准化。
可选的,设定尺寸为320*320;对样本图像进行标准化,使得像素值在0附近呈正态分布,易于图像分割模型收敛。
经由以上A1~A5或者A1~A6即可得到图像分割模型在训练时使用的样本图像对应的掩码图像。本申请实施例采用贴图及数据增强的方法可以扩充输出样本的数据量,并且该贴图及数据增强的方法使得图像分割模型能够适应不同的背景,增强了图像分割模型的泛华能力。
需要说明的是,本步骤也可采用除图像分割模型外的其他方法获得待筛查图像对应的掩码图像,例如,采用直接标注的方法获得待筛查图像对应的掩码图像等,本申请对此不进行限定。
步骤S1022、对待筛查图像对应的掩码图像进行形态学处理,得到处理后的掩码图像。
在一可选实施例中,形态学处理的过程可以包括:
B1、采用第一运算核对待筛查图像对应的掩码图像进行闭运算处理,得到闭运算处理后的掩码图像。
在本步骤中,可采用第一运算核对待筛查图像对应的掩码图像进行闭运算处理,以填补待筛查图像对应的掩码图像中的空洞和断续的连接,具体可参见图2示出的待筛查图像对应的掩码图像的示意图,以及,图4a示出的闭运算处理后的掩码图像的示意图,填充图2中的空洞和断续的连接,即可得到图4a。
B2、采用第二运算核对闭运算处理后的掩码图像进行腐蚀处理,得到腐蚀处理后的掩码图像,其中,第一运算核小于第二运算核。
在本步骤中,可采用大于第一运算核的第二运算核对闭运算处理后的掩码图像进行腐蚀处理,以断开地图边缘由于背景误识产生的弱连接掩码,具体可参见图4a,以及,图4b示出的腐蚀处理后的掩码图像的示意图,图4b左侧的区域为误识区域,右侧为待筛查地图区域,通过本步骤可将图4a处理为图4b。
B3、根据腐蚀处理后的掩码图像中的最大连通域,去除腐蚀处理后的掩码图像中的非地图区域,并对去除非地图区域后的掩码图像进行膨胀处理,获得膨胀处理后的掩码图像,作为处理后的掩码图像。
这里,非地图区域是指像素值应该标注为第二灰度值但标注为第一灰度值的区域。去除非地图区域后,得到的处理后的掩码图像可参见图4c所示。
本步骤通过对去除非地图区域后的掩码图像进行膨胀处理,可补回B2的腐蚀。
本步骤中的形态学处理能够尽可能减少分割过程出现错误带来的误判。
步骤S1023、基于处理后的掩码图像,从待筛查图像对应的掩码图像中裁剪出待筛查区域对应的掩码图像。
在一可选实施例中,裁剪处理的过程可以包括:基于处理后的掩码图像确定待筛查区域在待筛查图像对应的掩码图像中的最外边缘坐标值,按照最外边缘坐标值的设定百分比对待筛查图像对应的掩码图像中的待筛查区域进行外扩和裁剪。
可选的,在本步骤中,可基于处理后的掩码图像计算得到待筛查区域在待筛查图像对应的掩码图像中的最外边缘的上、下、左、右四个点的坐标值,并按照得到的坐标值对待筛查图像对应的掩码图像中的待筛查区域外扩20%后进行裁剪,即可得到待筛查区域对应的掩码图像。例如,基于图4c所示的处理后的掩码图像,对待筛查图像对应的掩码图像中的待筛查区域进行裁剪,可得到图4d。
本步骤在对待筛查掩码图像进行形态学处理后再裁剪,可使本申请裁剪出的待筛查区域更准确。
步骤S103、根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图。
这里,预设标准地图掩码图像中包括标准地图区域和非标准地图区域,标准地图区域的像素值为第一灰度值,非标准地图区域的像素值为第二灰度值。
可能存在待筛查图像中不包括地图的情况,此时若基于待筛查区域对应的掩码图像,确定待筛查区域是否为问题地图,将降低筛查效率,基于此,可先通过本步骤检测待筛查区域是否为地图,若检测待筛查区域为地图,再进行后续步骤。
可选的,本步骤确定待筛查区域是否为地图的过程包括:确定待筛查区域对应的掩码图像和预设标准地图掩码图像的交并比,若交并比大于第一阈值,则确定待筛查区域为地图;若交并比小于或等于第一阈值,则确定待筛查区域不为地图。
步骤S104、若待筛查区域为地图,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像。
在本步骤中,可以以预设标准地图掩码图像为参考,对待筛查区域对应的掩码图像进行配准,以矫正待筛查区域对应的掩码图像的形变、角度等,经由本步骤的处理,使得配准后掩码图像和预设标准地图掩码图像基本对齐。
在一可选实施例中,可以通过预先训练得到的图像配准模型实现对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,即,本步骤可将待筛查区域对应的掩码图像作为浮动图像,将预设标准地图掩码图像作为固定图像(即参考图像),将浮动图像和固定图像输入预先训练得到的图像配准模型,获得固定图像对应的配准后掩码图像,即获得待筛查区域对应的配准后掩码图像,这里,图像配准模型为以预设标准地图掩码图像和样本掩码图像为训练样本,以样本掩码图像对应的配准图像为样本标签训练得到。
可选的,上述图像配准模型中包括编码-解码网络(该编码-解码网络类似于UNet)和空间转换网络(STN),基于该两个网络,图像配准模型的工作原理为:将预设标准地图掩码图像作为固定图像(Fixed Image),将掩码图像(在实际应用过程中,该掩码图像为筛查区域对应的掩码图像,在模型训练过程,该掩码图像为样本掩码图像)作为浮动图像(Moving Image),在对固定图像和浮动图像进行叠加(concat)后可输入至编码-解码网络,以得到浮动图像到固定图像的配准场(Registration),该配准场经采样处理后输入至空间转换网络来对浮动图像做形变操作,得到掩码图像对应的配准图像。
步骤S105、根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。
本步骤可根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否完整,若不完整,则确定待筛查区域为“问题地图”,若完整,则确定待筛查区域不为“问题地图”。
可选的,本步骤可将目标配准配准图像和待筛查区域对应的配准后掩码图像作差,并做相关形态学处理,以确定待筛查区域是否为“问题地图”,具体来说,本步骤可计算预设标准地图掩码图像与配准后掩码图像的差值,得到差值图像,该差值图像即为待筛查区域所缺失的区域,由于步骤S1021进行图像分割以及步骤S104进行图像配准中会存在一定误差,所以得到的差值图像中的地图边缘会有较小的连通集影响,例如,参见图5a所示的细小连通集,为了去除该细小连通集,可对差值图像进行开运算处理,得到开运算后的图像,例如,对图5a进行开运算处理,可得到图5b所示的开运算后的图像,根据开运算后的图像,即可确定出待筛查区域是否为问题地图。其中,若开运算后的图像中包括标注为地图的区域,说明待筛查区域存在缺失区域,即待筛查区域不完整,此时可确定待筛查区域为问题地图,反之,若开运算后的图像中不包括标注为地图的区域,说明待筛查区域不存在缺失区域,即待筛查区域完整,此时可确定待筛查区域为标准地图。
可选的,在开运算后的图像中包括标注为地图的区域时,本步骤还可以进一步确定该标注为地图的区域具体为哪一区域,即本步骤可根据开运算后的图像确定待筛查图像中的缺失区域。
本申请提供的问题地图筛查方法,首先获取待筛查图像,然后获取待筛查图像中待筛查区域对应的掩码图像,接着根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图,若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像,最后根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。本申请首先将待筛查图像处理为待筛查区域对应的掩码图像,该掩码图像为不含纹理、颜色信息的二值化掩码图像,使得本申请对不同纹理、不同颜色的待筛查图像有良好的识别效果,同时,本申请会先确定待筛查区域是否为地图,若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,并在配准后根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图,提高了筛查效率,并且,进行图像配准使得本申请对不同形变、不同角度的待筛查图像有良好的识别效果。即本申请能够有效识别复杂、多样化的场景中的“问题地图”。
并且,本申请实施例提供的基于深度学习的图像分割、图像配准方法能够快速、准确、鲁棒地识别待筛查图像中存在的“问题地图”,有效节约了人力成本,降低了“问题地图”带来的风险。
在一可选实施例中,考虑到有些地图可能包含一些面积较小的易缺失区域,例如,中国地图中的阿克塞钦区域,这些易缺失区域在配准后掩码图像中不明显,而步骤S105是根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,来确定待筛查区域是否为问题地图的,这就导致步骤S105在确定待筛查区域是否为“问题地图”时,可能出现待筛查区域不包含易缺失区域(即待筛查区域为“问题地图”),但是步骤S105依然确定待筛查区域不为“问题地图”的情况,即上述步骤S105在确定待筛查区域是否为“问题地图”时可能出现误判。为了提高本申请对包含易缺失区域的地图的筛查准确度,提出了本实施例,在步骤S105确定待筛查区域不为“问题地图”时,通过本实施例提供的缺陷检测方法进一步确定待筛查区域中是否存在易缺失区域缺失的情况,若步骤S105确定待筛查区域不为“问题地图”,并且,经由本实施例提供的缺陷检测方法仍然确定待筛查区域不为“问题地图”,则确定待筛查区域确实不为“问题地图”,否则,确定待筛查区域为“问题地图”。
基于此,在本实施例中,若上述步骤S105确定待筛查区域不为“问题地图”时,可以进一步执行下述步骤:
步骤S106、从预设标准地图掩码图像逆向配准场,以根据易缺失区域在预设标准地图掩码图像中的位置,确定易缺失区域在待筛查区域对应的掩码图像中的位置。
其中,配准场表征待筛查区域对应的掩码图像到预设标准地图掩码图像的空间坐标变换参数。
可以理解的是,易缺失区域在预设标准地图掩码图像中的位置通常已知,此时,从预设标准地图掩码图像逆向配准场,即可根据易缺失区域在预设标准地图掩码图像中的位置,确定出易缺失区域在待筛查区域对应的掩码图像中的位置。
这里,本步骤中的配准场即上述图像配准模型中得到的配准场,基于此,在一可选实施例中,本步骤也可通过上述图像配准模型实现,即上述图像配准模型除输出配准图像外,还可以输出易缺失区域在待筛查区域对应的掩码图像中的位置。
步骤S107、根据易缺失区域在待筛查区域对应的掩码图像中的位置,在待筛查区域对应的掩码图像中裁剪出易缺失区域。
步骤S108、确定裁剪出的易缺失区域的边缘凸包和边缘轮廓。
步骤S109、计算边缘凸包到边缘轮廓的最短距离。
上一步骤可能确定出多个边缘凸包,那么本步骤可计算各边缘凸包到边缘轮廓的距离,从而得到最短距离。
步骤S110、若最短距离大于第二阈值,则确定待筛查区域为问题地图。
若最短距离大于第二阈值,可确定待筛查区域中存在易缺失区域缺失的情况,此时确定待筛查区域为“问题图像”,否则,确定待筛查区域中不存在易缺失区域缺失的情况,即待筛查区域确实不为“问题图像”。
本申请实施例利用凹凸检测来对易缺失区域进行检测,能够提高筛查准确度。
在一可选实施例中,考虑到有些地图可能包含一些易异色区域,在彩色地图中,这些易异色区域极易与非易异色区域通过相差较大的颜色区分开,例如,中国地图中的台湾区域(易异色区域)和大陆区域(非易异色区域)的颜色可能相差较大,而大陆区域整体颜色相差不大,这种情况下也需要将待筛查区域确定为“问题地图”。由于上述步骤S105是基于掩码图像进行地图筛查的,而掩码图像是二值化的灰度图像,未考虑颜色问题,并且上述本申请实施例提供的缺陷检测方法在确定待筛查区域中是否存在易缺失区域时也未考虑颜色问题,因此,即使存在易异色区域异色(即待筛查区域为“问题地图”)的问题,上述步骤S105和步骤S110依然不会将待筛查区域确定为“问题地图”,即上述步骤S105和步骤S110在确定待筛查区域是否为“问题地图”时可能出现误判的情况。为了提高本申请对彩色地图的筛查准确度,提出了本实施例,在步骤S105(或步骤S110)确定待筛查区域不为“问题地图”时,通过本实施例提供的颜色直方图匹配方法进一步确定待筛查区域中是否存在易异色区域异色的问题,若步骤S105(或步骤S110)确定待筛查区域不为“问题地图”,并且,经由本实施例提供的颜色直方图匹配方法仍然确定待筛查区域不为“问题地图”,则确定待筛查区域确实不为“问题地图”,否则,确定待筛查区域为“问题地图”。
基于此,在本实施例中,若上述步骤S105(或步骤S110)确定待筛查区域不为“问题地图”时,可以进一步执行下述步骤:
步骤S111、计算非易异色区域的色差跨度。
可以理解的是,在一些情况下,待筛查区域内的各子区域的颜色色差跨度较大,并未针对易异色区域,此时根据易异色区域和非易异色区域的颜色相差情况确定待筛查区域是否为“问题地图”没有意义。基于此,本实施例可先通过本步骤计算非易异色区域的色差跨度,例如,计算大陆区域内的各省的色差跨度。
步骤S112、若色差跨度小于第三阈值,则计算易异色区域和非易异色区域的颜色直方图的相似度。
若非易异色区域的色差跨度小于第三阈值,说明当前的待筛查区域并未特意区分某个区域,此时,如果易异色区域与非易异色区域的颜色相差较大,则易异色区域违规。
在本步骤中,可通过易异色区域和非易异色区域的颜色直方图的相似度来确定易异色区域与非易异色区域的颜色差值情况。
步骤S113、若相似度小于第四阈值,则确定待筛查区域为问题地图。
在本步骤中,若易异色区域和非易异色区域的颜色直方图的相似度小于第四阈值,则表征易异色区域存在颜色违规的情况,此时确定待筛查区域为问题地图。
本申请实施例利用颜色直方图匹配来对易异色区域进行检测,能够提高筛查准确度。并且,本实施例对不同形变、不同纹理、不同颜色、差异不明显的待筛查图像均有良好的识别效果。
本申请实施例还提供了一种问题地图筛查装置,下面对本申请实施例提供的问题地图筛查装置进行描述,下文描述的问题地图筛查装置与上文描述的问题地图筛查方法可相互对应参照。
请参阅图6,示出了本申请实施例提供的问题地图筛查装置的结构示意图,如图6所示,该问题地图筛查装置可以包括:待筛查图像获取模块601、掩码图像获取模块602、地图判断模块603、图像配准模块604和待筛查区域筛查模块605。
待筛查图像获取模块601,用于获取待筛查图像。
掩码图像获取模块602,用于获取待筛查图像中待筛查区域对应的掩码图像。
地图判断模块603,用于根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图。
图像配准模块604,用于若地图判断模块确定待筛查区域为地图,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像。
待筛查区域筛查模块605,用于根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。
本申请提供的问题地图筛查装置,首先获取待筛查图像,然后获取待筛查图像中待筛查区域对应的掩码图像,接着根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图,若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像,最后根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。本申请首先将待筛查图像处理为待筛查区域对应的掩码图像,该掩码图像为不含纹理、颜色信息的二值化掩码图像,使得本申请对不同纹理、不同颜色的待筛查图像有良好的识别效果,同时,本申请会先确定待筛查区域是否为地图,若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,并在配准后根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图,提高了筛查效率,并且,进行图像配准使得本申请对不同形变、不同角度的待筛查图像有良好的识别效果。
在一种可能的实现方式中,上述掩码图像获取模块602可以包括:图像分割模块、形态学处理模块和图像裁剪模块。
图像分割模块,用于利用预先训练得到的图像分割模型对待筛查图像进行分割,以得到待筛查图像对应的掩码图像,其中,图像分割模型为以样本图像为训练样本,以样本图像对应的掩码图像为训练标签训练得到,样本图像中的每个图像包括标准地图或问题地图,掩码图像中的地图区域的像素值为第一灰度值,掩码图像中的非地图区域的像素值为第二灰度值。
形态学处理模块,用于对待筛查图像对应的掩码图像进行形态学处理,得到处理后的掩码图像。
图像裁剪模块,用于基于处理后的掩码图像,从待筛查图像对应的掩码图像中裁剪出待筛查区域对应的掩码图像。
在一种可能的实现方式中,上述形态学处理模块可以包括:闭运算处理模块、腐蚀处理模块、非地图区域去除和膨胀处理模块。
其中,闭运算处理模块,用于采用第一运算核对待筛查图像对应的掩码图像进行闭运算处理,得到闭运算处理后的掩码图像。
腐蚀处理模块,用于采用第二运算核对闭运算处理后的掩码图像进行腐蚀处理,得到腐蚀处理后的掩码图像,其中,第一运算核小于第二运算核。
非地图区域去除和膨胀处理模块,用于根据腐蚀处理后的掩码图像中的最大连通域,去除腐蚀处理后的掩码图像中的非地图区域,并对去除非地图区域后的掩码图像进行膨胀处理,获得膨胀处理后的掩码图像,作为处理后的掩码图像。
在一种可能的实现方式中,上述图像裁剪模块具体可以用于基于处理后的掩码图像,确定待筛查区域在待筛查图像对应的掩码图像中的最外边缘坐标值,按照最外边缘坐标值的设定百分比对待筛查图像对应的掩码图像中的待筛查区域进行外扩和裁剪,得到待筛查区域对应的掩码图像。
在一种可能的实现方式中,上述地图判断模块603可以包括:交并比确定模块和交并比比较模块。
交并比确定模块,用于确定待筛查区域对应的掩码图像和预设标准地图掩码图像的交并比。
交并比比较模块,用于若交并比大于第一阈值,则确定待筛除区域为地图。
在一种可能的实现方式中,上述图像配准模块604具体可以用于将待筛查区域对应的掩码图像和预设标准地图掩码图像输入预先训练得到的图像配准模型,得到待筛查区域对应的配准后掩码图像,其中,图像配准模型为以预设标准地图掩码图像和样本掩码图像为训练样本,以样本掩码图像对应的配准图像为样本标签训练得到。
在一种可能的实现方式中,上述待筛查区域筛查模块605可以包括:差值图像计算模块、开运算处理模块和问题地图判断模块。
其中,差值图像计算模块,用于计算预设标准地图掩码图像与配准后掩码图像的差值,得到差值图像。
开运算处理模块,用于对差值图像进行开运算处理,得到开运算后的图像。
问题地图判断模块,用于根据开运算后的图像,确定待筛查区域是否为问题地图。
在一种可能的实现方式中,上述待筛查区域包括易缺失区域。基于此,本申请提供的问题地图筛查装置还可以包括:易缺失区域位置确定模块、易缺失区域裁剪模块、凸包和轮廓确定模块、最短距离计算模块和第一问题地图确定模块。
其中,易缺失区域位置确定模块,用于若待筛查区域不为问题地图,则从预设标准地图掩码图像逆向配准场,以根据易缺失区域在预设标准地图掩码图像中的位置,确定易缺失区域在待筛查区域对应的掩码图像中的位置,其中,配准场表征待筛查区域对应的掩码图像到预设标准地图掩码图像的空间坐标变换参数。
易缺失区域裁剪模块,用于根据易缺失区域在待筛查区域对应的掩码图像中的位置,在待筛查区域对应的掩码图像中裁剪出易缺失区域。
凸包和轮廓确定模块,用于确定裁剪出的易缺失区域的边缘凸包和边缘轮廓。
最短距离计算模块,用于计算边缘凸包到边缘轮廓的最短距离。
第一问题地图确定模块,用于若最短距离大于第二阈值,则确定待筛查区域为问题地图。
在一种可能的实现方式中,待筛查区域包括易异色区域和非易异色区域,基于此,本申请提供的问题地图筛查装置还可以包括:色差跨度计算模块、相似度计算模块和第二问题地图确定模块。
其中,色差跨度计算模块,用于若待筛查区域不为问题地图,则计算非易异色区域的色差跨度;
相似度计算模块,用于若色差跨度小于第三阈值,则计算易异色区域和非易异色区域的颜色直方图的相似度;
第二问题地图确定模块,用于若相似度小于第四阈值,则确定待筛查区域为问题地图。
本申请实施例还提供了一种问题地图筛查设备。可选的,图7示出了问题地图筛查设备的硬件结构框图,参照图7,该问题地图筛查设备的硬件结构可以包括:至少一个处理器701,至少一个通信接口702,至少一个存储器703和至少一个通信总线704;
在本申请实施例中,处理器701、通信接口702、存储器703、通信总线704的数量为至少一个,且处理器701、通信接口702、存储器703通过通信总线704完成相互间的通信;
处理器701可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器703可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器703存储有程序,处理器701可调用存储器703存储的程序,所述程序用于:
获取待筛查图像;
获取待筛查图像中待筛查区域对应的掩码图像;
根据待筛查区域对应的掩码图像和预设标准地图掩码图像,确定待筛查区域是否为地图;
若是,则对待筛查区域对应的掩码图像与预设标准地图掩码图像进行配准,以得到待筛查区域对应的配准后掩码图像;
根据待筛查区域对应的配准后掩码图像和预设标准地图掩码图像,确定待筛查区域是否为问题地图。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述问题地图筛查方法。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种问题地图筛查方法,其特征在于,包括:
获取待筛查图像;
获取待筛查图像中待筛查区域对应的掩码图像;
根据所述待筛查区域对应的掩码图像和预设标准地图掩码图像,确定所述待筛查区域是否为地图;
若是,则对所述待筛查区域对应的掩码图像与所述预设标准地图掩码图像进行配准,以得到所述待筛查区域对应的配准后掩码图像;
根据所述待筛查区域对应的配准后掩码图像和所述预设标准地图掩码图像,确定所述待筛查区域是否为问题地图。
2.根据权利要求1所述的问题地图筛查方法,其特征在于,所述获取待筛查图像中待筛查区域对应的掩码图像,包括:
利用预先训练得到的图像分割模型对所述待筛查图像进行分割,以得到所述待筛查图像对应的掩码图像,其中,所述图像分割模型为以样本图像为训练样本,以所述样本图像对应的掩码图像为训练标签训练得到,所述样本图像中的每个图像包括标准地图或问题地图,所述掩码图像中的地图区域的像素值为第一灰度值,所述掩码图像中的非地图区域的像素值为第二灰度值;
对所述待筛查图像对应的掩码图像进行形态学处理,得到处理后的掩码图像;
基于所述处理后的掩码图像,从所述待筛查图像对应的掩码图像中裁剪出所述待筛查区域对应的掩码图像。
3.根据权利要求2所述的问题地图筛查方法,其特征在于,所述对所述待筛查图像对应的掩码图像进行形态学处理,得到处理后的掩码图像,包括:
采用第一运算核对所述待筛查图像对应的掩码图像进行闭运算处理,得到闭运算处理后的掩码图像;
采用第二运算核对所述闭运算处理后的掩码图像进行腐蚀处理,得到腐蚀处理后的掩码图像,其中,所述第一运算核小于所述第二运算核;
根据所述腐蚀处理后的掩码图像中的最大连通域,去除所述腐蚀处理后的掩码图像中的非地图区域,并对去除所述非地图区域后的掩码图像进行膨胀处理,获得膨胀处理后的掩码图像,作为所述处理后的掩码图像。
4.根据权利要求2所述的问题地图筛查方法,其特征在于,所述基于所述处理后的掩码图像,从所述待筛查图像对应的掩码图像中裁剪出所述待筛查区域对应的掩码图像,包括:
基于所述处理后的掩码图像,确定所述待筛查区域在所述待筛查图像对应的掩码图像中的最外边缘坐标值,按照所述最外边缘坐标值的设定百分比对所述待筛查图像对应的掩码图像中的所述待筛查区域进行外扩和裁剪,得到所述待筛查区域对应的掩码图像。
5.根据权利要求1所述的问题地图筛查方法,其特征在于,所述根据所述待筛查区域对应的掩码图像和预设标准地图掩码图像,确定所述待筛查区域是否为地图,包括:
确定所述待筛查区域对应的掩码图像和所述预设标准地图掩码图像的交并比;
若所述交并比大于第一阈值,则确定所述待筛除区域为地图。
6.根据权利要求1所述的问题地图筛查方法,其特征在于,所述对所述待筛查区域对应的掩码图像与所述预设标准地图掩码图像进行配准,以得到所述待筛查区域对应的配准后掩码图像,包括:
将所述待筛查区域对应的掩码图像和所述预设标准地图掩码图像输入预先训练得到的图像配准模型,得到所述待筛查区域对应的配准后掩码图像,其中,所述图像配准模型为以所述预设标准地图掩码图像和样本掩码图像为训练样本,以所述样本掩码图像对应的配准图像为样本标签训练得到。
7.根据权利要求1所述的问题地图筛查方法,其特征在于,所述根据所述待筛查区域对应的配准后掩码图像和所述预设标准地图掩码图像,确定所述待筛查区域是否为问题地图,包括:
计算所述预设标准地图掩码图像与所述配准后掩码图像的差值,得到差值图像;
对所述差值图像进行开运算处理,得到开运算后的图像;
根据所述开运算后的图像,确定所述待筛查区域是否为问题地图。
8.根据权利要求7所述的问题地图筛查方法,其特征在于,所述待筛查区域包括易缺失区域;
所述问题地图筛查方法,还包括:
若所述待筛查区域不为问题地图,则从所述预设标准地图掩码图像逆向配准场,以根据所述易缺失区域在所述预设标准地图掩码图像中的位置,确定所述易缺失区域在所述待筛查区域对应的掩码图像中的位置,其中,所述配准场表征所述待筛查区域对应的掩码图像到所述预设标准地图掩码图像的空间坐标变换参数;
根据所述易缺失区域在所述待筛查区域对应的掩码图像中的位置,在所述待筛查区域对应的掩码图像中裁剪出所述易缺失区域;
确定裁剪出的所述易缺失区域的边缘凸包和边缘轮廓;
计算所述边缘凸包到所述边缘轮廓的最短距离;
若所述最短距离大于第二阈值,则确定所述待筛查区域为问题地图。
9.根据权利要求7或8所述的问题地图筛查方法,其特征在于,所述待筛查区域包括易异色区域和非易异色区域;
所述问题地图筛查方法,还包括:
若所述待筛查区域不为问题地图,则计算所述非易异色区域的色差跨度;
若所述色差跨度小于第三阈值,则计算所述易异色区域和所述非易异色区域的颜色直方图的相似度;
若所述相似度小于第四阈值,则确定所述待筛查区域为问题地图。
10.一种问题地图筛查装置,其特征在于,包括:待筛查图像获取模块、掩码图像获取模块、地图判断模块、图像配准模块和待筛查区域筛查模块;
所述待筛查图像获取模块,用于获取待筛查图像;
所述掩码图像获取模块,用于获取待筛查图像中待筛查区域对应的掩码图像;
所述地图判断模块,用于根据所述待筛查区域对应的掩码图像和预设标准地图掩码图像,确定所述待筛查区域是否为地图;
所述图像配准模块,用于若所述地图判断模块确定所述待筛查区域为地图,则对所述待筛查区域对应的掩码图像与所述预设标准地图掩码图像进行配准,以得到所述待筛查区域对应的配准后掩码图像;
所述待筛查区域筛查模块,用于根据所述待筛查区域对应的配准后掩码图像和所述预设标准地图掩码图像,确定所述待筛查区域是否为问题地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111435136.1A CN114373000A (zh) | 2021-11-29 | 2021-11-29 | 一种问题地图筛查方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111435136.1A CN114373000A (zh) | 2021-11-29 | 2021-11-29 | 一种问题地图筛查方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114373000A true CN114373000A (zh) | 2022-04-19 |
Family
ID=81140510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111435136.1A Pending CN114373000A (zh) | 2021-11-29 | 2021-11-29 | 一种问题地图筛查方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114373000A (zh) |
-
2021
- 2021-11-29 CN CN202111435136.1A patent/CN114373000A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310264B (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN109670429B (zh) | 一种基于实例分割的监控视频多目标人脸检测方法及系统 | |
Yuan et al. | A robust and efficient approach to license plate detection | |
US20220172348A1 (en) | Information processing device, information processing method, and storage medium | |
WO2017148265A1 (zh) | 一种单词的分割方法和装置 | |
CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
CN115082419A (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN108305260B (zh) | 一种图像中角点的检测方法、装置及设备 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN110751154B (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
CN112767369A (zh) | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 | |
US20140301608A1 (en) | Chemical structure recognition tool | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN114897806A (zh) | 缺陷检测方法、电子设备及计算机可读存储介质 | |
CN112001362A (zh) | 一种图像分析方法、图像分析装置及图像分析系统 | |
Rhee | Detection of spliced image forensics using texture analysis of median filter residual | |
CN114723677A (zh) | 图像缺陷检测方法、检测装置、检测设备及存储介质 | |
CN113033558A (zh) | 一种用于自然场景的文本检测方法及装置、存储介质 | |
CN116563591A (zh) | 一种基于特征提取的海天背景下的光学烟雾检测方法 | |
CN112699704B (zh) | 一种条形码的检测方法、装置、设备、存储装置 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
Gui et al. | A fast caption detection method for low quality video images | |
CN111860500A (zh) | 一种鞋印磨损区域检测与描边方法 |
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 |