CN114565924A - 一种基于像素提取的矩形标志位的检测方法 - Google Patents
一种基于像素提取的矩形标志位的检测方法 Download PDFInfo
- Publication number
- CN114565924A CN114565924A CN202210122259.8A CN202210122259A CN114565924A CN 114565924 A CN114565924 A CN 114565924A CN 202210122259 A CN202210122259 A CN 202210122259A CN 114565924 A CN114565924 A CN 114565924A
- Authority
- CN
- China
- Prior art keywords
- contour
- image
- pixel
- outline
- flag bit
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 239000003550 marker Substances 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于像素提取的矩形标志位的检测方法，步骤为：S1：对采集的图像进行图像修复和特征提取，获得平均池化的特征图；S2：对步骤S1中获得的平均池化的特征图利用图像特征进行全局标志位模糊搜索，获得图像中可能存在的所有的标志位；S3对图像中获取的每一个标志位进行精准定位还原；S4：返回符合标准的标志位信息。该基于像素提取的矩形标志位的检测方法不仅符合智能阅卷的需求，而且还可以适用于不同的场景，提高程序的稳定性和可扩展性。
Description
技术领域
本发明属于计算机图像处理技术领域，尤其涉及一种基于像素提取的矩形标志位的检测方法。
背景技术
伴随着计算机技术和光学扫描的发展，智能化自动录入答卷也越来越普及。其中智能化录入答卷通常伴随着一系列的问题，例如扫描颠倒，倾斜等。在答卷上加入标志位是一种有效解决上述问题的办法。通过对于关键标志位的检测，可以判断答卷的方向，角度并矫正和还原答卷。
一般标志位的检测是通过计算机图像技术检测特殊颜色的矩形框，获取到矩形框的位置和大小等信息。传统的方法存在两个弊端，第一个弊端是需要答卷的标志位为特殊的颜色，这对于印刷和扫描的需求较高，对于使用者存在一定的门槛，可兼容性较差。第二个弊端是答卷的标志位周围要尽量保持整洁，不能存在污迹，涂改，但是这些噪声影响可能是学生在答卷过程中不可避免所造成的，尤其是低年级的学生，这在一定程度上降低了程序的稳定性(图2所示)。
发明内容
本发明要解决的技术问题是提供一种基于像素提取的矩形标志位检测方法，不仅可以检测灰度印刷的标志位，而且可以在标志位有一定干扰的情况下进行准确的检测。
为了解决上述技术问题，本发明采用的技术方案是：该基于像素提取的矩形标志位的检测方法，具体包括以下步骤：
S1：对采集的图像进行图像修复和特征提取，获得平均池化的特征图；
S2：对步骤S1中获得的平均池化的特征图利用图像特征进行全局标志位模糊搜索，获得图像中可能存在的所有的标志位；
S3：对图像中获取的每一个标志位进行精准定位还原；
S4：返回符合标准的标志位信息。
采用上述技术方案，首先获取试卷的扫描图像文件，对图形进行特征提取，然后利用图像特征进行全局标志位模糊搜索，搜索到多个可能的标志位信息，接着对于每个标志位信息进行局部精准提取和坐标还原，最后返回每个黑色矩形标志位的位置信息和大小信息，该基于像素提取的矩形标志位的检测方法不仅符合智能阅卷的需求，而且还可以适用于不同的场景，提高程序的稳定性和可扩展性。
作为本发明的优选技术方案，所述步骤S1的具体步骤为：
S11：对采集的图像全局二值化处理，再检测所述图像的轮廓，并进行空洞填充，最终得到修复后的图像；
S12：接着对步骤S11中修复后的图像进行平均池化处理，提取图像的像素亮度的特征图。
作为本发明的优选技术方案，所述步骤S2的具体步骤为：
S21：根据步骤S12中得到的平均池化的特征图再进行一次图像轮廓的检测，对于符合条件一的轮廓，记作内轮廓集合in_counters；
S22：再对步骤S11中得到的修复后图像进行一次图像轮廓的检测，记作外轮廓集合out_counters；
S23：对外轮廓集合和内轮廓集合中进行轮廓匹配，获得的匹配结果则为由多个内轮廓和外轮廓组成的二维集合。这些组合为可能存在的标志位，将在后续的步骤中被更精确的计算还原。
作为本发明的优选技术方案，所述步骤S21中的所述条件一为：轮廓需满足轮廓中黑色像素占比大于95％；所述步骤S23中的轮廓匹配采用循环匹配的方法，循环内轮廓集合in_counters中的每一个内轮廓，判断该内轮廓对应的外轮廓在坐标位置上是属于外轮廓集合out_counters的哪一个外轮廓的，每一个内轮廓都会找到唯一的一个外轮廓，最终得到由多个内轮廓和外轮廓组成的二维集合。轮廓的宽和轮廓的高的阈值需要根据黑色方块标志位的大小进行设置，一般的黑色方块经过上述的池化之后，应该满足宽大于7，高大于2。符合此条件一的轮廓一定是黑色方块的一部分，但可能因为平均池化的原因，并不完整。其中in_counters是多个内轮廓的集合，记作：[in_counter_1,in_counter_2,in_counter_3,……,in_counter_n]。其中out_counters是多个外轮廓的集合，记作：[out_counter_1,out_counter_2,out_counter_3,……,out_counter_m]。其中轮廓匹配是一种循环匹配的方法，需要循环in_counters中的每一个轮廓，判断该轮廓在坐标位置上是属于out_counters的哪一个外轮廓的，每一个内轮廓都会找到唯一的一个外轮廓，最终组成多个内轮廓和外轮廓的二维集合：[[in_counter_i1,out_counter_j1],[in_counter_i2,out_counter_j2],[in_counter_n,out_counter_m]]。
作为本发明的优选技术方案，所述步骤S3的具体步骤为：根据步骤S3中获得由多个内轮廓和外轮廓组成的二维集合，对由多个内轮廓和外轮廓组成的二维集合中的每一个内轮廓和外轮廓进行精准的定位还原。
作为本发明的优选技术方案，所述步骤S3的具体步骤为：
S31：通过二分查找方法生成新的内轮廓和外轮廓，并提取内轮廓和外轮廓的长宽二分值，以长宽二分值的大小生成二分值轮廓；
S32：若二分值轮廓内的黑色像素的占比大于设定的阈值，则用二分值轮廓替代内轮廓，否则就用二分值轮廓替代外轮廓；直至内轮廓和外轮廓逐渐大小相等，此时的轮廓为最大黑色方块轮廓，则为精准的黑色方块；
S33：循环步骤S31～S32，获得由多个内轮廓和外轮廓组成的二维集合中的每一个内轮廓和外轮廓结合对应的黑色方块，即获得每个符合标志位大小的黑色方块信息。
作为本发明的优选技术方案，所述步骤S4的具体步骤为：根据步骤S33中获得的每个符合标志位的大小的黑色方块信息，再结合初始设置的标志位信息进行判断检测结果的位置是否为标志位，若黑色方块信息的大小与位置均符合位置标准，则返回该标志位信息；否则结束。在试卷中可能存在着和标志位一样大小的黑框，所以要根据初始设置的标志位信息来判断检测结果是否是标志位；例如初始设置的标志位只存在于图像的四个角，那么检测到的其他位置的标志位虽然符合大小标准，但是不符合位置标准，程序只返回同时符合位置和大小标准的标志位信息。
作为本发明的优选技术方案，所述步骤S11中全局二值化处理时设定的全局阈值为100，将大于100的像素群像素值设定为255，将小于128的像素群像素值设定为0。其中检测图像轮廓是一种针对数字化二值图像的拓扑分析方法，可以确定二值图像边界之间的环绕关系，是一种成熟现有的方法。
作为本发明的优选技术方案，所述步骤S11中的空洞填充是对于图像轮廓较小且像素值为255的区域的值转为0。
作为本发明的优选技术方案，所述步骤S12中平均池化处理的具体过程为：将待处理的修复后的图像按照固定大小的网格分割，每隔一定的步长取网格内所有像素的平均值，并使用它来创建一个下采样的特征映射。平均池化提取特征较为平滑，可以提取一定像素范围内的平均特征分布。
作为本发明的优选技术方案，所述固定大小的网格的长为20像素，宽为20像素，步长为7个像素。
与现有技术相比，本发明具有的有益效果为：该基于像素提取的矩形标志位的检测方法不仅可以检测灰度印刷的标志位，而且可以在标志位有一定干扰的情况下进行准确的检测；不仅符合智能阅卷的需求，而且还可以适用于不同的场景，提高程序的稳定性和可扩展性。
附图说明
下面结合附图进一步描述本发明的技术方案：
图1是本发明的基于像素提取的矩形标志位的检测方法的流程图；
图2是本发明的基于像素提取的矩形标志位的检测方法的背景技术中的普通矩形标志位和含噪声标志位对比图(图2a为标准标志位，图2b和图2c为含噪声标志位)；
图3是本发明的基于像素提取的矩形标志位的检测方法的空洞填充效果图(图3a是原图，图3b是修复之后效果图)。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
实施例：如图1所示，该基于像素提取的矩形标志位的检测方法，具体包括以下步骤：
S1：对采集的试卷图像(可通过扫描仪进行扫描，或通过拍照进行图像修复和特征提取，获得平均池化的特征图；
所述步骤S1的具体步骤为：
S11：对采集的图像全局二值化处理，再检测所述图像的轮廓，并进行空洞填充，最终得到修复后的图像；如图3所示；所述步骤S11中全局二值化处理时设定的全局阈值为100，将大于100的像素群像素值设定为255，将小于128的像素群像素值设定为0；其中检测图像轮廓是一种针对数字化二值图像的拓扑分析方法，可以确定二值图像边界之间的环绕关系，是一种成熟现有的方法；所述步骤S11中的空洞填充是对于图像轮廓较小且像素值为255的区域的值转为0；
S12：接着对步骤S11中修复后的图像进行平均池化处理，提取图像的像素亮度的特征图；所述步骤S12中平均池化处理的具体过程为：将待处理的修复后的图像按照固定大小的网格分割，每隔一定的步长取网格内所有像素的平均值，并使用它来创建一个下采样的特征映射；平均池化提取特征较为平滑，可以提取一定像素范围内的平均特征分布；所述固定大小的网格的长为20像素，宽为20像素，步长为7个像素。
S2：对步骤S1中获得的平均池化的特征图利用图像特征进行全局标志位模糊搜索，获得图像中可能存在的所有的标志位；所述步骤S2的具体步骤为：
S21：根据步骤S12中得到的平均池化的特征图再进行一次图像轮廓的检测，对于符合条件一的轮廓，记作内轮廓集合in_counters；记作：[in_counter_1,in_counter_2,in_counter_3,……,in_counter_n]；
所述步骤S21中的所述条件一为：轮廓需满足轮廓中黑色像素占比大于95％；符合此条件一的轮廓一定是黑色方块的一部分，但可能因为平均池化的原因，并不完整，轮廓的宽和轮廓的高的阈值需要根据黑色方块标志位的大小进行设置，一般的黑色方块经过上述的池化之后，应该满足宽大于7，高大于2；
S22：再对步骤S11中得到的修复后图像进行一次图像轮廓的检测，记作外轮廓集合out_counters；记作：[out_counter_1,out_counter_2,out_counter_3,……,out_counter_m]；
S23：对外轮廓集合和内轮廓集合中进行轮廓匹配，获得的匹配结果则为由多个内轮廓和外轮廓组成的二维集合。这些组合为可能存在的标志位，将在后续的步骤中被更精确的计算还原；
所述步骤S23中的轮廓匹配采用循环匹配的方法，循环内轮廓集合in_counters中的每一个内轮廓，判断该内轮廓对应的外轮廓在坐标位置上是属于外轮廓集合out_counters的哪一个外轮廓的，每一个内轮廓都会找到唯一的一个外轮廓，最终得到由多个内轮廓和外轮廓组成的二维集合；
其中in_counters是多个内轮廓的集合，记作：[in_counter_1,in_counter_2,in_counter_3,……,in_counter_n]；其中out_counters是多个外轮廓的集合，记作：[out_counter_1,out_counter_2,out_counter_3,……,out_counter_m]；其中轮廓匹配是一种循环匹配的方法，需要循环in_counters中的每一个轮廓，判断该轮廓在坐标位置上是属于out_counters的哪一个外轮廓的，每一个内轮廓都会找到唯一的一个外轮廓，最终组成多个内轮廓和外轮廓的二维集合：[[in_counter_i1,out_counter_j1],[in_counter_i2,out_counter_j2],[in_counter_n,out_counter_m]]；
S3：对图像中获取的每一个标志位进行精准定位还原；所述步骤S3的具体步骤为：根据步骤S23中获得由多个内轮廓和外轮廓组成的二维集合，对由多个内轮廓和外轮廓组成的二维集合中的每一个内轮廓和外轮廓进行精准的定位还原；所述步骤S3的具体步骤为：
S31：通过二分查找方法生成新的内轮廓和外轮廓，并提取内轮廓和外轮廓的长宽二分值，以长宽二分值的大小生成二分值轮廓；
S32：若二分值轮廓内的黑色像素的占比大于设定的阈值，则用二分值轮廓替代内轮廓，否则就用二分值轮廓替代外轮廓；直至内轮廓和外轮廓逐渐大小相等，此时的轮廓为最大黑色方块轮廓，则为精准的黑色方块；
S33：循环步骤S31～S32，获得由多个内轮廓和外轮廓组成的二维集合中的每一个内轮廓和外轮廓结合对应的黑色方块，即获得每个符合标志位大小的黑色方块信息；
S4：返回符合标准的标志位信息。
所述步骤S4的具体步骤为：根据步骤S33中获得的每个符合标志位的大小的黑色方块信息，再结合初始设置的标志位信息进行判断检测结果的位置是否为标志位，若黑色方块信息的大小与位置均符合位置标准，则返回该标志位信息；否则结束。在试卷中可能存在着和标志位一样大小的黑框，所以要根据初始设置的标志位信息来判断检测结果是否是标志位；例如初始设置的标志位只存在于图像的四个角，那么检测到的其他位置的标志位虽然符合大小标准，但是不符合位置标准，程序只返回同时符合位置和大小标准的标志位信息。
对于本领域的普通技术人员而言，具体实施例只是对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (10)
1.一种基于像素提取的矩形标志位的检测方法，其特征在于，具体包括以下步骤：
S1：对采集的图像进行图像修复和特征提取，获得平均池化的特征图；
S2：对步骤S1中获得的平均池化的特征图利用图像特征进行全局标志位模糊搜索，获得图像中存在的所有的标志位；
S3：对图像中获取的每一个标志位进行定位还原；
S4：返回符合标准的标志位信息。
2.根据权利要求1所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述步骤S1的具体步骤为：
S11：对采集的图像全局二值化处理，再检测所述图像的轮廓，并进行空洞填充，最终得到修复后的图像；
S12：接着对步骤S11中修复后的图像进行平均池化处理，提取图像的像素亮度的特征图。
3.根据权利要求2所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述步骤S2的具体步骤为：
S21：根据步骤S12中得到的平均池化的特征图再进行一次图像轮廓的检测，对于符合条件一的轮廓，记作内轮廓集合in_counters；
S22：再对步骤S11中得到的修复后图像进行一次图像轮廓的检测，记作外轮廓集合out_counters；
S23：对外轮廓集合和内轮廓集合中进行轮廓匹配，获得的匹配结果则为由多个内轮廓和外轮廓组成的二维集合。
4.根据权利要求3所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述步骤S21中的所述条件一为：轮廓需满足轮廓中黑色像素占比大于95％；所述步骤S23中的轮廓匹配采用循环匹配的方法，循环内轮廓集合in_counters中的每一个内轮廓，判断该内轮廓对应的外轮廓在坐标位置上是属于外轮廓集合out_counters的哪一个外轮廓的，每一个内轮廓都会找到唯一的一个外轮廓，最终得到由多个内轮廓和外轮廓组成的二维集合。
5.根据权利要求3所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述步骤S3的具体步骤为：根据由多个内轮廓和外轮廓组成的二维集合，对每一个内轮廓和外轮廓的二维集合进行精准的定位还原。
6.根据权利要求5所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述步骤S3的具体步骤为：
S31：通过二分查找方法生成新的内轮廓和外轮廓，并提取内轮廓和外轮廓的长宽二分值，以长宽二分值的大小生成二分值轮廓；
S32：若二分值轮廓内的黑色像素的占比大于设定的阈值，则用二分值轮廓替代内轮廓，否则就用二分值轮廓替代外轮廓；直至内轮廓和外轮廓逐渐大小相等，此时的轮廓为最大黑色方块轮廓，则为精准的黑色方块；
S33：循环步骤S31～S32，获得由多个内轮廓和外轮廓组成的二维集合中的每一个内轮廓和外轮廓结合对应的黑色方块，即获得每个符合标志位大小的黑色方块信息。
7.根据权利要求6所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述步骤S4的具体步骤为：根据步骤S33中获得的每个符合标志位的大小的黑色方块信息，再结合初始设置的标志位信息进行判断检测结果的位置是否为标志位，若黑色方块信息的大小与位置均符合位置标准，则返回该标志位信息；否则结束。
8.根据权利要求4所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述步骤S11中全局二值化处理时设定的全局阈值为100，将大于100的像素群像素值设定为255，将小于128的像素群像素值设定为0；所述步骤S11中的空洞填充是对于图像轮廓较小且像素值为255的区域的值转为0。
9.根据权利要求8所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述步骤S12中平均池化处理的具体过程为：将待处理的修复后的图像按照固定大小的网格分割，每隔一定的步长取网格内所有像素的平均值，并使用它来创建一个下采样的特征映射。
10.根据权利要求9所述的基于像素提取的矩形标志位的检测方法，其特征在于，所述固定大小的网格长为20像素，宽为20像素，步长为7个像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210122259.8A CN114565924B (zh) | 2022-02-09 | 2022-02-09 | 一种基于像素提取的矩形标志位的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210122259.8A CN114565924B (zh) | 2022-02-09 | 2022-02-09 | 一种基于像素提取的矩形标志位的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114565924A true CN114565924A (zh) | 2022-05-31 |
| CN114565924B CN114565924B (zh) | 2024-06-07 |
Family
ID=81713939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210122259.8A Active CN114565924B (zh) | 2022-02-09 | 2022-02-09 | 一种基于像素提取的矩形标志位的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565924B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05328094A (ja) * | 1992-05-27 | 1993-12-10 | Ricoh Co Ltd | 画像処理方法及びその装置 |
| CN103559490A (zh) * | 2013-10-11 | 2014-02-05 | 华南理工大学 | 基于二值图像连通域统计的答题卡自动评分方法 |
| KR101832791B1 (ko) * | 2017-02-17 | 2018-02-28 | (주)유플러스시스템 | 전산 채점 신뢰성 확보와 공정성 향상을 위한 이미지 기반 하이브리드 전산 채점 시스템 및 그 방법 |
| CN111126227A (zh) * | 2019-12-17 | 2020-05-08 | 广东德诚大数据科技有限公司 | 一种扫描采集异常答题卡的检测方法 |
| CN112733644A (zh) * | 2020-12-30 | 2021-04-30 | 广东德诚大数据科技有限公司 | 一种基于扫描识别的填涂点识别系统及方法 |
-
2022
- 2022-02-09 CN CN202210122259.8A patent/CN114565924B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05328094A (ja) * | 1992-05-27 | 1993-12-10 | Ricoh Co Ltd | 画像処理方法及びその装置 |
| CN103559490A (zh) * | 2013-10-11 | 2014-02-05 | 华南理工大学 | 基于二值图像连通域统计的答题卡自动评分方法 |
| KR101832791B1 (ko) * | 2017-02-17 | 2018-02-28 | (주)유플러스시스템 | 전산 채점 신뢰성 확보와 공정성 향상을 위한 이미지 기반 하이브리드 전산 채점 시스템 및 그 방법 |
| CN111126227A (zh) * | 2019-12-17 | 2020-05-08 | 广东德诚大数据科技有限公司 | 一种扫描采集异常答题卡的检测方法 |
| CN112733644A (zh) * | 2020-12-30 | 2021-04-30 | 广东德诚大数据科技有限公司 | 一种基于扫描识别的填涂点识别系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114565924B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105046252B (zh) | 一种人民币冠字码识别方法 | |
| CN110853081B (zh) | 基于单木分割的地面和机载LiDAR点云配准方法 | |
| CN106529550B (zh) | 基于连通域分析的多维特征量提取方法及装置 | |
| CN107492094A (zh) | 一种高压电线绝缘子的无人机视觉检测方法 | |
| CN106682629A (zh) | 一种复杂背景下身份证号识别算法 | |
| CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN111783773B (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
| CN106157323A (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
| CN110415296B (zh) | 一种有阴影光照下矩形状电器件的定位方法 | |
| CN109993202B (zh) | 一种线稿型图形相似度判断方法、电子设备及存储介质 | |
| CN111046782B (zh) | 一种用于苹果采摘机器人的果实快速识别方法 | |
| CN107067430A (zh) | 一种基于特征点聚类的麦田作物行检测方法 | |
| CN103714314A (zh) | 一种结合边缘和颜色信息的电视视频台标识别方法 | |
| CN114511718A (zh) | 一种建筑施工用物料智能管理方法及系统 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
| JP2003141546A (ja) | 画像処理方法 | |
| CN104574448A (zh) | 一种连通像素块的识别方法 | |
| CN117496109A (zh) | 一种图像比对分析方法、装置、电子设备及存储介质 | |
| CN107564015A (zh) | 一种基于多色级图像连通域的分割和标记方法及装置 | |
| CN114565924A (zh) | 一种基于像素提取的矩形标志位的检测方法 | |
| CN113822900B (zh) | 基于矢量约束面向对象的新影像样本自动选择方法及系统 | |
| CN111242121B (zh) | 一种基于svm的对联智能分拣方法及存储介质 | |
| CN112288372B (zh) | 一种可同时识别一维条码和三段码字符的快递单识别方法 |
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 |