CN115497108B - 一种基于椭圆离心率的汉字骨架角点检测方法 - Google Patents
一种基于椭圆离心率的汉字骨架角点检测方法 Download PDFInfo
- Publication number
- CN115497108B CN115497108B CN202211433849.9A CN202211433849A CN115497108B CN 115497108 B CN115497108 B CN 115497108B CN 202211433849 A CN202211433849 A CN 202211433849A CN 115497108 B CN115497108 B CN 115497108B
- Authority
- CN
- China
- Prior art keywords
- point
- ellipse
- eccentricity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
- G06V30/347—Sampling; Contour coding; Stroke extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/18105—Extraction of features or characteristics of the image related to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Character Input (AREA)
Abstract
本发明公开一种基于椭圆离心率的汉字骨架角点检测方法,基于汉字单像素骨架图像中每个黑色像素的8邻域黑色像素,从汉字单像素骨架图像中提取交叉点;将汉字的骨架从交叉点处截断,得到多个笔画段;将笔画段的两个端点作为椭圆两焦点;遍历笔画段所有黑色像素;将笔画段所有黑色像素分别与椭圆两焦点构成椭圆;筛选获得椭圆离心率最小的椭圆;将小于设定离心率阈值的椭圆离心率最小的椭圆对应的黑色像素,作为拟角点;利用参数方程拟合曲线,设定曲率阈值;筛选曲率大于曲率阈值的拟角点,得到角点。本发明不仅能找到局部特征不明显的角点,还能有效排除特征接近角点的非角点,准确定位角点,从而提高角点检测率。
Description
技术领域
本发明涉及一种基于椭圆离心率的汉字骨架角点检测方法,属于角点检测技术领域。
背景技术
汉字是中国文化的基本体现,与人们的文化生活密切相关。中小学教育对汉字书写越来越重视,但面临着学生多,老师少的问题,评判学生书法作业的效率有一定的瓶颈,且主观性非常强。现在对汉字图像识别的应用已非常广泛,但手写字的自动评分还处于萌芽阶段。汉字笔画的拆分是手写字自动评分的基础,而笔画的角点检测又是笔画拆分的基础。
目前现有的角点检测方法大多通过局部特征判断,如基于灰度变化和基于模板,这些方法在一般图像中的应用效果较好,可以找出较为明显的角点信息。但将其应用于汉字角点检测的缺陷在于:(1)会被局部的像素抖动影响,导致误检;(2)在比较平滑的拐点处漏检;(3)只能进行亚像素级定位,位置不准确。
发明内容
本发明所要解决的技术问题是克服现有技术的“平滑处漏检,以及定位不准确”缺陷,提供一种基于椭圆离心率的汉字骨架角点检测方法。
为达到上述目的,本发明提供一种基于椭圆离心率的汉字骨架角点检测方法,包括以下步骤:
(1)基于汉字单像素骨架图像中每个黑色像素的8邻域黑色像素,从汉字单像素骨架图像中提取交叉点;
(2)将汉字的骨架从交叉点处截断,得到多个笔画段;
(3)将笔画段的两个端点作为椭圆两焦点;
遍历笔画段所有黑色像素;
将笔画段所有黑色像素分别与椭圆两焦点构成椭圆;
(4)筛选获得椭圆离心率最小的椭圆;
将最小的椭圆与设定离心率阈值作比较,得到小于设定离心率阈值的椭圆离心率最小的椭圆,将小于设定离心率阈值的椭圆离心率最小的椭圆对应的黑色像素,作为拟角点;
(5)利用参数方程拟合曲线,设定曲率阈值;
筛选曲率大于曲率阈值的拟角点,得到角点;
(6)若存在角点,则将笔画段在角点处断开,并执行步骤(3)到步骤(6),否则结束运行。
优先地,所述步骤(1)包括以下步骤:
若汉字单像素骨架图像中黑色像素的8邻域黑色像素个数p=3,则筛选出8邻域黑色像素互相邻接个数u<2的黑色像素作为交叉点;
若汉字单像素骨架图像中黑色像素的8邻域黑色像素个数p=4,则筛选出8邻域黑色像素互相邻接个数u<3的黑色像素作为交叉点。
优先地,所述步骤(3)包括以下步骤:
(31)黑色像素(x,y)与笔画段的两个端点(a i ,b i )分别连线得到向量V i ,i=1,2:
两个端点之间连线得到向量U:
若夹角C i 不是全部小于特定阈值,则判定笔画段的两个端点连线之间没有黑色像素穿插,将该笔画段的两个端点作为椭圆的焦点(c 1 ,d 1 )和(c 2 ,d 2 );
(32)若夹角C i 全部小于特定阈值,则判定此黑色像素(x,y)穿插在两个端点连线之中,设为焦点(c 1 ,d 1 ),将任意一个端点(a i ,b i )作为焦点(c 2 ,d 2 ),并将穿插在焦点(c 1 ,d 1 )和(c 2 ,d 2 )的黑色像素作为要遍历的笔画段;
(33)遍历笔画段所有黑色像素(p d ,q d ),d=1,2,...,n;
将黑色像素(p d ,q d )与两个焦点(c 1 ,d 1 )和(c 2 ,d 2 )构成椭圆,得到椭圆的半长轴l d 和半焦距k;
椭圆的半长轴l d 的计算公式为:
式中,n为焦点(c 1 ,d 1 )和(c 2 ,d 2 )之间黑色像素个数; 半焦距k的计算公式为:
优先地,所述步骤(4)包括以下步骤:
(41)计算椭圆的离心率e d :
(42)筛选所有椭圆的离心率,取离心率最小值e;
若离心率最小值e小于设定离心率阈值,则将对应的黑色像素点作为拟角点,否则判定笔画段无拟角点。
优先地,所述步骤(5)包括以下步骤:
(51)以黑色像素在笔画段中索引作为参数t,分别将黑色像素的纵坐标Y、黑色像素的横坐标X进行函数拟合,多项式项数设为7,得到拟合函数Y和X:
Y=f(t),
X=g(t),
式中,α j 为f(t)的第j项拟合系数,β j 为g(t)的第j项拟合系数;
将拟合函数作为参数方程,得到拟合曲线;
(52)计算拟合曲线上拟角点处纵坐标Y的拟合函数的导数f' (t)、拟合曲线上拟角点处横坐标X的拟合函数的g' (t)、附近邻域上一点的纵坐标Y的拟合函数的导数f' (t+Δt)和附近邻域上一点的横坐标X的拟合函数g' (t+Δt);
计算拟角点的曲率s:
若拟角点的曲率s大于预设的曲率阈值,则将该拟角点作为角点。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
本发明所达到的有益效果:
1、本发明解决了受局部像素抖动导致的角点误检问题,传统角点检测方法多基于局部特征判断角点,在判断笔画角点中适用度不高,导致笔画上非角点有像素抖动处被误识别为角点;为解决这个问题,本发明不依赖于局部特征,转而基于笔画段的全局特征,根据像素点与端点构成椭圆离心率的大小判断是否为角点,通过拟合曲线曲率进一步排除角点特征不够明显的伪角点,从很大程度上减小误检率;
2、本发明基于全局特征的特点有效的避免了漏检问题,尤其适用于一些局部特征不够明显,但全局特征非常明显的较为平滑的角点非常容易被传统角点检测方法漏检的情况;
3、本方法遍历笔画段上所有像素,得到了像素与此笔画端点的准确关系,从而精准的找到所有像素中角点特征最明显的像素点,解决了由于传统方法多是计算局部特征窗口的整体特征,无法做到精确定位角点像素,导致笔画无法完整拆分问题。
附图说明
图1是本发明的流程图;
图2是本发明的椭圆离心率全局特征检测角点的原理图;
图3是现有技术方法检测出的角点效果图;
图4是本发明检测出的角点效果图。
附图标记含义,0-第零点;1-第一点;2-第二点;3-第三点;4-第四点;5-第五点;6-第六点;7-第七点;8-第八点;9-第九点;10-第十点;11-第十一点;12-第十二点;13-第十三点;14-第十四点;15-第十五点;16-第十六点;17-第十七点;18-第十八点;19-第十九点;20-第二十点;21-第二一点;22-第二二点;23-第二三点;24-焦点一;25-焦点二;30-第三十点;31-第三一点;32-第三二点;33-第三三点;34-第三四点;35-第三五点;36-第三六点;37-第三七点;38-第三八点;39-第三九点;40-第四十点;41-第四一点;42-第四二点;43-第四三点;44-第四四点;45-第四五点;46-第四六点;47-第四七点;48-第四八点;49-第四九点;50-第五十点。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供一种基于椭圆离心率的汉字骨架角点检测方法,包括以下步骤:
(1)基于汉字单像素骨架图像中每个黑色像素的8邻域黑色像素,从汉字单像素骨架图像中提取交叉点;
(2)将汉字的骨架从交叉点处截断,得到多个笔画段;
(3)将笔画段的两个端点作为椭圆两焦点;
遍历笔画段所有黑色像素;
将笔画段所有黑色像素分别与椭圆两焦点构成椭圆;
(4)筛选获得椭圆离心率最小的椭圆;
将最小的椭圆与设定离心率阈值作比较,得到小于设定离心率阈值的椭圆离心率最小的椭圆,将小于设定离心率阈值的椭圆离心率最小的椭圆对应的黑色像素,作为拟角点;
(5)利用参数方程拟合曲线,设定曲率阈值;
筛选曲率大于曲率阈值的拟角点,得到角点;
(6)若存在角点,则将笔画段在角点处断开,并执行步骤(3)到步骤(6),否则结束运行。
优先地,所述步骤(1)包括以下步骤:
若汉字单像素骨架图像中黑色像素的8邻域黑色像素个数p=3,则筛选出8邻域黑色像素互相邻接个数u<2的黑色像素作为交叉点;
若汉字单像素骨架图像中黑色像素的8邻域黑色像素个数p=4,则筛选出8邻域黑色像素互相邻接个数u<3的黑色像素作为交叉点。
优先地,所述步骤(3)包括以下步骤:
(31)黑色像素(x,y)与笔画段的两个端点(a i ,b i )分别连线得到向量V i ,i=1,2:
两个端点之间连线得到向量U:
若夹角C i 不是全部小于特定阈值,则判定笔画段的两个端点连线之间没有黑色像素穿插,将该笔画段的两个端点作为椭圆的焦点(c 1 ,d 1 )和(c 2 ,d 2 );
(32)若夹角C i 全部小于特定阈值,则判定此黑色像素(x,y)穿插在两个端点连线之中,设为焦点(c 1 ,d 1 ),将任意一个端点(a i ,b i )作为焦点(c 2 ,d 2 ),并将穿插在焦点(c 1 ,d 1 )和(c 2 ,d 2 )的黑色像素作为要遍历的笔画段;
(33)遍历笔画段所有黑色像素(p d ,q d ),d=1,2,...,n;
将黑色像素(p d ,q d )与两个焦点(c 1 ,d 1 )和(c 2 ,d 2 )构成椭圆,得到椭圆的半长轴l d 和半焦距k;
椭圆的半长轴l d 的计算公式为:
式中,n为焦点(c 1 ,d 1 )和(c 2 ,d 2 )之间黑色像素个数; 半焦距k的计算公式为:
优先地,所述步骤(4)包括以下步骤:
(41)计算椭圆的离心率e d :
(42)筛选所有椭圆的离心率,取离心率最小值e;
若离心率最小值e小于设定离心率阈值,则将对应的黑色像素点作为拟角点,否则判定笔画段无拟角点。
优先地,所述步骤(5)包括以下步骤:
(51)以黑色像素在笔画段中索引作为参数t,分别将黑色像素的纵坐标Y、黑色像素的横坐标X进行函数拟合,多项式项数设为7,得到拟合函数Y和X:
Y=f(t),
X=g(t),
式中,α j 为f(t)的第j项拟合系数,β j 为g(t)的第j项拟合系数;
将拟合函数作为参数方程,得到拟合曲线;
(52)计算拟合曲线上拟角点处纵坐标Y的拟合函数的导数f' (t)、拟合曲线上拟角点处横坐标X的拟合函数的g' (t)、附近邻域上一点的纵坐标Y的拟合函数的导数f' (t+Δt)和附近邻域上一点的横坐标X的拟合函数g' (t+Δt);
计算拟角点的曲率s:
若拟角点的曲率s大于预设的曲率阈值,则将该拟角点作为角点。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
本实施例将椭圆离心率与拟合曲线曲率作为角点检测依据,用于汉字骨架的角点检测,结果表明,当非角点局部有像素抖动或角点局部较为平缓时,本发明仍然可以有效的检测出角点信息,降低了误检率和漏检率,且角点定位较为精准,取得较好的检测性能。
图2中所示,本发明算法筛选出的其中两个焦点为焦点一24和焦点二25。如图3为Harris角点检测算法检测结果,第三点3、第九点9、第十三点13、第十五点15、第十六点16、第十九点19代表交叉点,第二点2、第五点5、第八点8、第十四点14、第十八点18、第二一点21、第二二点22、第二三点23代表端点,第零点0、第一点1、第四点4、第六点6、第七点7、第十点10、第十一点11、第十二点12、第十七点17、第二十点20代表Harris角点检测算法检测出的角点,可以看出转折较缓的角点无法检测,笔直笔画部分像素抖动也会导致误检,而且部分角点虽检测出了大致位置,但定位不够精准;
图4是本发明检测结果,第三四点34、第三八点38、第四十点40、第四二点42、第四三点43、第四五点45代表交叉点,第三三点33、第三五点35、第三六点36、第四一点41、第四四点44、第四六点46、第四九点49、第五十点50代表端点,第三十点30、第三一点31、第三二点32、第三七点37、第三九点39、第四八点48代表本发明算法检测出的角点,很明显本发明未出现Harris角点检测上述问题,充分体现了利用椭圆离心率的全局特征效果。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种基于椭圆离心率的汉字骨架角点检测方法,其特征在于,包括以下步骤:
(1)基于汉字单像素骨架图像中每个黑色像素的8邻域黑色像素,从汉字单像素骨架图像中提取交叉点;
(2)将汉字的骨架从交叉点处截断,得到多个笔画段;
(3)将笔画段的两个端点作为椭圆两焦点;
遍历笔画段所有黑色像素;
将笔画段所有黑色像素分别与椭圆两焦点构成椭圆;
(4)筛选获得椭圆离心率最小的椭圆;
将最小的椭圆与设定离心率阈值作比较,得到小于设定离心率阈值的椭圆离心率最小的椭圆,将小于设定离心率阈值的椭圆离心率最小的椭圆对应的黑色像素,作为拟角点;
(5)利用参数方程拟合曲线,设定曲率阈值;
筛选曲率大于曲率阈值的拟角点,得到角点;
(6)若存在角点,则将笔画段在角点处断开,并执行步骤(3)到步骤(6),否则结束运行;所述步骤(3)包括以下步骤:
(31)黑色像素(x,y)与笔画段的两个端点(ai,bi)分别连线得到向量Vi,i=1,2:
Vi=(x-ai,y-bi),
两个端点之间连线得到向量U:
U=(a2-a1,b2-b1),
计算向量Vi与向量U的夹角Ci:
若夹角Ci不是全部小于特定阈值,则判定笔画段的两个端点连线之间没有黑色像素穿插,将该笔画段的两个端点作为椭圆的焦点(c1,d1)和(c2,d2);
(32)若夹角Ci全部小于特定阈值,则判定此黑色像素(x,y)穿插在两个端点连线之中,设为焦点(c1,d1),将任意一个端点(ai,bi)作为焦点(c2,d2),并将穿插在焦点(c1,d1)和(c2,d2)的黑色像素作为要遍历的笔画段;
(33)遍历笔画段所有黑色像素(pd,qd),d=1,2,...,n;
将黑色像素(pd,qd)与两个焦点(c1,d1)和(c2,d2)构成椭圆,得到椭圆的半长轴ld和半焦距k;
椭圆的半长轴ld的计算公式为:
式中,n为焦点(c1,d1)和(c2,d2)之间黑色像素个数;
半焦距k的计算公式为:
所述步骤(5)包括以下步骤:
(51)以黑色像素在笔画段中索引作为参数t,分别将黑色像素的纵坐标Y、黑色像素的横坐标X进行函数拟合,多项式项数设为7,得到拟合函数Y和X:
Y=f(t),
X=g(t),
式中,αj为f(t)的第j项拟合系数,βj为g(t)的第j项拟合系数;
将拟合函数作为参数方程,得到拟合曲线;
(52)计算拟合曲线上拟角点处纵坐标Y的拟合函数的导数f'(t)、拟合曲线上拟角点处横坐标X的拟合函数的g'(t)、附近邻域上一点的纵坐标Y的拟合函数的导数f'(t+Δt)和附近邻域上一点的横坐标X的拟合函数g'(t+Δt);
计算拟角点的曲率s:
若拟角点的曲率s大于预设的曲率阈值,则将该拟角点作为角点。
2.根据权利要求1所述的一种基于椭圆离心率的汉字骨架角点检测方法,其特征在于,
所述步骤(1)包括以下步骤:
若汉字单像素骨架图像中黑色像素的8邻域黑色像素个数p=3,则筛选出8邻域黑色像素互相邻接个数u<2的黑色像素作为交叉点;
若汉字单像素骨架图像中黑色像素的8邻域黑色像素个数p=4,则筛选出8邻域黑色像素互相邻接个数u<3的黑色像素作为交叉点。
4.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至3中任一项所述方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211433849.9A CN115497108B (zh) | 2022-11-16 | 2022-11-16 | 一种基于椭圆离心率的汉字骨架角点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211433849.9A CN115497108B (zh) | 2022-11-16 | 2022-11-16 | 一种基于椭圆离心率的汉字骨架角点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115497108A CN115497108A (zh) | 2022-12-20 |
CN115497108B true CN115497108B (zh) | 2023-03-14 |
Family
ID=85115889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211433849.9A Active CN115497108B (zh) | 2022-11-16 | 2022-11-16 | 一种基于椭圆离心率的汉字骨架角点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115497108B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841671B (zh) * | 2023-02-21 | 2023-06-06 | 南京信息工程大学 | 一种书法字骨架矫正方法、系统及存储介质 |
CN116580129B (zh) * | 2023-04-18 | 2024-05-14 | 南京信息工程大学 | 基于距离变换的书法字骨架改进方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001084274A (ja) * | 1999-07-14 | 2001-03-30 | Fuji Photo Film Co Ltd | 画像検索方法および画像処理方法 |
CN103699895A (zh) * | 2013-12-12 | 2014-04-02 | 天津大学 | 一种视频中文字的检测与提取方法 |
CN106372642A (zh) * | 2016-08-31 | 2017-02-01 | 北京航空航天大学 | 基于轮廓曲线分割弧合并与组合的椭圆快速检测方法 |
WO2021027070A1 (zh) * | 2019-08-09 | 2021-02-18 | 清华大学 | 一种基于深度学习的椭圆识别方法 |
CN114708666A (zh) * | 2022-04-07 | 2022-07-05 | 向道煜 | 基于笔迹书写内涵进行三维及三维以上模拟复原为基础进行的笔迹鉴定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920516B (zh) * | 2021-12-08 | 2022-03-22 | 南京信息工程大学 | 一种基于孪生神经网络的书法字骨架匹配方法及系统 |
-
2022
- 2022-11-16 CN CN202211433849.9A patent/CN115497108B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001084274A (ja) * | 1999-07-14 | 2001-03-30 | Fuji Photo Film Co Ltd | 画像検索方法および画像処理方法 |
CN103699895A (zh) * | 2013-12-12 | 2014-04-02 | 天津大学 | 一种视频中文字的检测与提取方法 |
CN106372642A (zh) * | 2016-08-31 | 2017-02-01 | 北京航空航天大学 | 基于轮廓曲线分割弧合并与组合的椭圆快速检测方法 |
WO2021027070A1 (zh) * | 2019-08-09 | 2021-02-18 | 清华大学 | 一种基于深度学习的椭圆识别方法 |
CN114708666A (zh) * | 2022-04-07 | 2022-07-05 | 向道煜 | 基于笔迹书写内涵进行三维及三维以上模拟复原为基础进行的笔迹鉴定方法 |
Non-Patent Citations (4)
Title |
---|
A novle corner detector approach using sliding ellipses;Muhammad Sarfraz,et el;《2009 sixth international conference on computer graphics,imaging and visualization》;20091030;10943355 * |
基于弧段组合的椭圆检测算法研究;胡海鸥;《中国优秀硕士学位论文全文数据库信息科技辑》;20111015;I138-675 * |
基于改进Harris算法的汉字图像角点检测;姚娜等;《计算机与现代化》;20141231(第5期);99-103,117 * |
椭圆检测算法的比较;薛程等;《江南大学学报(自然科学版)》;20061231;第5卷(第6期);674-678 * |
Also Published As
Publication number | Publication date |
---|---|
CN115497108A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115497108B (zh) | 一种基于椭圆离心率的汉字骨架角点检测方法 | |
CN111474184B (zh) | 基于工业机器视觉的aoi字符缺陷检测方法和装置 | |
CN109409366B (zh) | 基于角点检测的畸变图像校正方法及装置 | |
WO2021143343A1 (zh) | 一种产品质量检测方法及装置 | |
CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
WO2018103608A1 (zh) | 一种文字检测方法、装置及存储介质 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN112712273B (zh) | 一种基于骨架相似度的手写体汉字美观度评判方法 | |
CN109918523B (zh) | 一种基于yolo9000算法的电路板元器件检测方法 | |
US10235576B2 (en) | Analysis method of lane stripe images, image analysis device, and non-transitory computer readable medium thereof | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN116468640B (zh) | 一种用于互联网教学的视频图像增强方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN115184380A (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
CN111696079A (zh) | 一种基于多任务学习的表面缺陷检测方法 | |
CN110909772B (zh) | 一种高精度实时多尺度表盘指针检测方法和系统 | |
CN110135407A (zh) | 样本标注方法及计算机存储介质 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN111626145A (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN117475416A (zh) | 一种热电站指针式仪表读数识别方法、系统、设备及介质 | |
CN113315995B (zh) | 提高视频质量的方法、装置、可读存储介质及电子设备 | |
CN116883313A (zh) | 车身漆面缺陷快速检测方法、图像处理设备及可读介质 | |
CN113850238B (zh) | 文档检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |