CN115909330A - 一种琴弦识别方法及系统 - Google Patents
一种琴弦识别方法及系统 Download PDFInfo
- Publication number
- CN115909330A CN115909330A CN202211088418.3A CN202211088418A CN115909330A CN 115909330 A CN115909330 A CN 115909330A CN 202211088418 A CN202211088418 A CN 202211088418A CN 115909330 A CN115909330 A CN 115909330A
- Authority
- CN
- China
- Prior art keywords
- string
- picture
- strings
- detected
- coordinate system
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种琴弦识别方法及系统,方法包括接收包含琴面的待检测图片;识别待检测图片的琴面区域;从待检测图片中分割出琴面区域,以得到分割图片;对分割图片进行图片预处理,以得到预处理图片;识别预处理图片中的琴弦,以得到初步识别结果;对初步识别结果进行异常检测处理,以得到待检测图片中琴弦的最终识别结果。该方法利用滤波技术、形态学图像处理、图形检测变换算法等多种技术进行琴弦识别,并针对可能出现的误检、漏检等情况提出了异常检测判定,该琴弦识别方法可以在多种不同的环境条件下使用,有效识别检测出待检测图片中的琴弦,极大程度地提高了检测结果的准确性。
Description
技术领域
本发明属于图片处理技术领域,具体涉及一种琴弦识别方法及系统。
背景技术
随着互联网技术的进步和信息化趋势的飞速扩展,以古筝等为代表的中国传统乐器领域迎来了崭新的传承与发展契机,以传统音乐为主题的游戏娱乐、教学等产业受到了广泛关注。考虑到对于用户使用乐器这一交互行为信息的分析,针对图片或视频中乐器实体的自动识别与处理无疑是智能化技术应用的重点,可以代替人工观察提取每一用户信息的巨大工作量,而这其中对古筝等传统弦乐器的琴弦识别正是应用范围最广的需求技术之一,如何识别图片或视频中的琴弦、为后续分析处理其他内容奠定基础成为了当下的研究热门领域。
日臻发展与完善的图片处理技术为上述问题的解决提供了可能性,但高效准确地识别出不同环境条件下图片中的琴弦仍存在一定难度,环境光照、背景杂物、琴面纹路、图片像素等因素都会对琴弦的检测识别产生干扰。如何选择并改进现有的图片检测与处理算法、通过完善的图片处理流程得到琴弦位置信息是目前研究的重点所在。
发明内容
针对现有技术中的缺陷,本发明提供一种琴弦识别方法及系统,提高了古筝中琴弦识别的准确性。
第一方面,一种琴弦识别方法,包括:
接收包含琴面的待检测图片;
识别待检测图片的琴面区域;
从待检测图片中分割出琴面区域,以得到分割图片;
对分割图片进行图片预处理,以得到预处理图片;
识别预处理图片中的琴弦,以得到初步识别结果;
对初步识别结果进行异常检测处理,以得到待检测图片中琴弦的最终识别结果。
进一步地,识别待检测图片的琴面区域具体包括:
识别待检测图片中的所有标识码;标识码设置在琴面四周;
根据所有标识码确定琴面区域。
进一步地,标识码设置在琴面的角上;
从待检测图片中分割出琴面区域具体包括:
定义一个方形的检测框;
计算所有标识码在平面直角坐标系中的坐标;
根据所有标识码的坐标计算检测框对应角在平面直角坐标系中的坐标;
利用检测框从待检测图片中分割出琴面区域。
进一步地,对分割图片进行图片预处理具体包括:
对分割图片依次进行灰度化、二值化、高斯滤波、边缘检测和腐蚀膨胀。
进一步地,识别预处理图片中的琴弦具体包括:
采用直线检测算法识别预处理图片中的线段,以得到琴弦;
定义线段的两个端点的坐标为琴弦的端点在平面直角坐标系中坐标;
定义线段的斜率为琴弦的斜率;
定义线段与水平方向的夹角为琴弦与水平方向的夹角。
进一步地,对初步识别结果进行异常检测处理具体包括:
根据琴弦与水平方向的夹角从初步识别结果中筛选出异常琴弦;
根据琴弦的端点坐标从筛选出异常琴弦后剩下的琴弦中筛选出断弦;
对筛选出断弦后剩下的琴弦进行缺失补齐。
进一步地,根据琴弦与水平方向的夹角从初步识别结果中筛选出异常琴弦具体包括:
在拟合坐标系中标出琴弦与水平方向的夹角,拟合坐标系的横坐标为琴弦的右侧端点在平面直角坐标系中的纵坐标,拟合坐标系的纵坐标为琴弦与水平方向的夹角;
对拟合坐标系中标出的所有琴弦进行拟合,筛选出异常琴弦。
进一步地,根据琴弦的端点坐标从筛选出异常琴弦后剩下的琴弦中筛选出断弦具体包括:
设置前岳山横坐标范围;
获取所有琴弦的右侧端点在平面直角坐标系中的横坐标;
当琴弦的右侧端点的横坐标不满足前岳山横坐标范围时,定义琴弦为断弦;
删除断弦;
将删除断弦后剩下的所有琴弦的右侧端点延长至前岳山位置处。
进一步地,对筛选出断弦后剩下的琴弦进行缺失补齐具体包括:
根据筛选出断弦后剩下的琴弦中右侧端点在平面直角坐标系中的纵坐标,确定缺失弦两个端点在平面直角坐标系中的坐标;
根据缺失弦两个端点的坐标绘制出缺失弦。
第二方面,一种琴弦识别系统,包括:
输入单元:用于接收包含琴面的待检测图片;
琴面检测单元:用于识别待检测图片的琴面区域;
图片分割单元:用于从待检测图片中分割出琴面区域,以得到分割图片;
图片预处理单元:用于对分割图片进行图片预处理,以得到预处理图片;
识别单元:用于识别预处理图片中的琴弦,以得到初步识别结果;
异常检测单元:用于对初步识别结果进行异常检测处理,以得到待检测图片中琴弦的最终识别结果。
由上述技术方案可知,本发明提供的琴弦识别方法及系统,利用滤波技术、形态学图像处理、图形检测变换算法等多种技术进行琴弦识别,并针对可能出现的误检、漏检等情况提出了异常检测判定,该琴弦识别方法可以在多种不同的环境条件下使用,有效识别检测出待检测图片中的琴弦,极大程度地提高了检测结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本实施例提供的琴弦识别方法的流程图。
图2为本实施例提供的待检测图片.
图3为本实施例提供的腐蚀操作的原理示意图。
图4为本实施例提供的膨胀操作的原理示意图。
图5为本实施例提供的拟合结果的示意图。
图6为本实施例提供的Hough变换检测结果。
图7为本实施例提供的角度异常线段筛除结果。
图8为本实施例提供的判断并筛除断线并对齐后得到结果。
图9为本实施例提供的琴弦补齐后得到结果。
图10为本实施例提供的琴弦识别系统的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例:
一种琴弦识别方法,参见图1,包括:
S1:接收包含琴面的待检测图片;
S2:识别待检测图片的琴面区域;
S3:从待检测图片中分割出琴面区域,以得到分割图片;
S4:对分割图片进行图片预处理,以得到预处理图片;
S5:识别预处理图片中的琴弦,以得到初步识别结果;
S6:对初步识别结果进行异常检测处理,以得到待检测图片中琴弦的最终识别结果。
在本实施例中,待检测图片可以为拍摄琴面得到的图片,例如图2为拍摄古筝得到的包含琴面的待检测图片。该方法首先输入待检测图片,由于待检测图片还包含了除琴面之外的部分,可能会造成噪声干扰,所以需要识别出待检测图片的琴面区域,得到琴面区域在待检测图片中的具体位置,接着将琴面区域从待检测图片中切割出来。为了提高琴弦识别精度,应用图片处理技术对切割得到的分割图片进行预处理,例如进行灰度化、二值化、高斯滤波、腐蚀和膨胀、边缘检测等预处理步骤,得到预处理图片。识别预处理图片中的琴弦以得到初步识别结果;对初步识别结果进行异常检测处理,例如进行异常检测结果判断与删除、Y轴坐标点对齐、自动旋转校正、缺失琴弦补齐等异常检测处理,得到最终识别到的琴弦。该琴弦识别方法还可以根据识别出的琴弦绘制线段,并输出绘制图像。
该琴弦识别方法利用滤波技术、形态学图像处理、图形检测变换算法等多种技术进行琴弦识别,并针对可能出现的误检、漏检等情况提出了异常检测判定,该琴弦识别方法可以在多种不同的环境条件下使用,有效识别检测出待检测图片中的琴弦,极大程度地提高了检测结果的准确性。
进一步地,在一些实施例中,识别待检测图片的琴面区域具体包括:
识别待检测图片中的所有标识码;标识码设置在琴面四周;
根据所有标识码确定琴面区域。
在本实施例中,为了更准确地检测出琴面区域,方便后续琴弦的精准识别,该方法可以预先在古筝四周设置标识码,例如参见图2,在古筝前岳山处垂直粘贴二维码。该方法根据所有标识码确定琴面区域。
琴面区域的识别可以通过以下方法实现:在Matlab等软件中加载相应的算法或运行程序,将待检测图片输入至Matlab等软件中,利用算法或运行程序可以识别出二维码的位置,进而通过二维码的位置判断出琴面区域。由于在识别标识码的过程中,可能会同时采集到标识码周围其他的干扰图片,而这些干扰图片会增加图片处理的复杂度,因此需要把这些干扰图片去除,所以可以将待检测图片进行二值化(binarize)后膨胀(dilate),根据亮暗识别出干扰图片,再通过Euler number过滤,校正后对干扰区域填埋补全,这样就可以去除干扰图片的干扰。
在本实施例中,标识码可以由固定深浅颜色的模块组成,例如参见图2,从左到右观察标识码,标识码中深浅颜色顺序为浅色-深色-浅色-深色-浅色-深色-浅色,各元素宽度的比例为3:1:1:3:1:1:3,这样即使待检测图片的拍摄过程中出现角度旋转,标识码的模块颜色顺序和宽度比例也不变。在标识码识别过程中,对二值化后的待检测图片按行、列分别逐点扫描,把同一灰度级的相邻像素记录为线段。当存在有7段线段的长度比例符合为3:1:1:3:1:1:3,且深浅颜色顺序为浅色-深色-浅色-深色-浅色-深色-浅色,则记录该线段。扫描完后把行相邻的线段分为1组,去除与所有线段都不相邻的行线段(可能是随机的干扰线段)。同样方法处理列线段,把行线段组和列线段组中相互交叉的组分类,求出交叉的行、列线段组的中心点,即得到标识码的中心位置。
进一步地,在一些实施例中,标识码设置在琴面的角上;
从待检测图片中分割出琴面区域具体包括:
定义一个方形的检测框;
计算所有标识码在平面直角坐标系中的坐标;
根据所有标识码的坐标计算检测框对应角在平面直角坐标系中的坐标;
利用检测框从待检测图片中分割出琴面区域。
在本实施例中,该方法可以将标识码设置在琴面的角上。例如当识别图2的待检测图片时,在平面直角坐标系中用坐标表示出右上角标识码和右下角标识码的中心位置,定义检测框中右上角的坐标等于右上角标识码的中心位置的坐标,定义检测框中右下角的坐标等于右下角标识码的中心位置的坐标,最后根据检测框右上角和右下角的坐标对待检测图片进行分割,得到琴面区域。
进一步地,在一些实施例中,对分割图片进行图片预处理具体包括:
对分割图片依次进行灰度化、二值化、高斯滤波、边缘检测和腐蚀膨胀。
在本实施例中,该方法首先对分割图片进行灰度化,灰度化可以首先将待检测图片由彩色RGB图片转化为灰度图,使得目标区域更加突出,同时减小图片所占内存,提高运行速度。灰度化可以使用Matlab提供的灰度化函数rgb2gray()实现,其计算原理如下式所示,系数来自于人眼对r、g、b三色的敏感程度:
I(x,y)=0.3*IR(x,y)+0.59*IG(x,y)+0.11*IB(x,y)。
该方法对经过灰度化后的图片进行二值化处理,使得图片呈现明显的黑白效果,二值化减少了数据维度,并可以排除待检测图片中噪声带来的干扰,凸显有效区域的轮廓结构。二值化可以通过Matlab函数imbinarize()实现,其中imbinarize()设置的门限值参数为0.8。
由于现实环境中无法达到无噪声的理想条件,所以采集到的待检测图片都会含有噪声,这些噪声的来源多种多样,例如设备噪声、环境干扰等等。考虑到大部分噪声由椒盐噪声和高斯噪声组成,所以该方法使用高斯滤波方法去除图片的噪声和模糊区域。高斯滤波中高斯核的具体计算是通过高斯函数实现的,公式如下:例如高斯滤波可以使用Matlab中的函数fspecial()和imfilter()完成滤波器的创建与滤波操作,高斯核不应过大,可以设置为5*5,这样就可以避免由于边缘信息丢失而导致边缘识别错误。高斯滤波具有以下三个方面的优势:首先高斯核是一个成旋转对称的二维正方形,能够保证滤波之后的图像的边缘信息没有丢失,因为滤波后的图像的四个方位有着相同的平滑趋势;其次是高斯滤波处理过程中的中心像素相比其他滤波受邻域像素特别是边缘像素的影响较小,因为高斯核的值在中心处最大在边缘处最小,随着距离增大高斯核的值递减;最后是高斯滤波受高频信息影响小,能够维持滤波效果。
该方法完成高斯滤波后,可以使用Matlab中的函数edge()实现图像边缘轮廓的提取,提高了检测效率。例如可以选择Prewitt算子并设置阈值为0.2(返回所有比阈值强的边缘),在此参数下可以获得较为不错的边缘检测结果。
该方法完成边缘检测后,为了更好地消除图像噪声,对得到的二值图像进行腐蚀膨胀处理。腐蚀膨胀主要是将二值化后的图像与核进行卷积,以达到平滑图像中物体的轮廓、断开较窄的狭颈、消除细的突出物的目的,优化后续检测效果。腐蚀操作时取每一个位置的矩形邻域内值的最小值作为该位置的输出灰度值,该方法可以采用矩形结构作为邻域,即01二值矩阵,原理参见图3。相似地,膨胀操作时取每一个位置的矩形邻域内值的最大值作为该位置的输出灰度值,原理参见图4。
进一步地,在一些实施例中,识别预处理图片中的琴弦具体包括:
采用直线检测算法识别预处理图片中的线段,以得到琴弦;
定义线段的两个端点的坐标为琴弦的端点在平面直角坐标系中坐标;
定义线段的斜率为琴弦的斜率;
定义线段与水平方向的夹角为琴弦与水平方向的夹角。
在本实施例中,该方法可以采用Hough直线检测算法进行琴弦识别,这样就可以结合一定的限制条件识别出线段以及线段的两个端点坐标,这样就可以通过线段中两个端点的坐标计算出线段的斜率、以及线段与水平方向的夹角,由此可以得到琴弦的斜率、以及琴弦与水平方向的夹角,这样就能得到完整的琴弦位置。该方法的直线检测算法可以通过Matlab中的函数hough()、houghpeaks()和houghlines()实现,函数中的参数选择可以根据实验测试数据确定,该实现方法还会删除偏离太远的线段。
进一步地,在一些实施例中,对初步识别结果进行异常检测处理具体包括:
根据琴弦与水平方向的夹角从初步识别结果中筛选出异常琴弦;
根据琴弦的端点坐标从筛选出异常琴弦后剩下的琴弦中筛选出断弦;
对筛选出断弦后剩下的琴弦进行缺失补齐。
在本实施例中,该方法还需要对初步得到的琴弦识别结果(包括琴弦端点对应坐标、琴弦斜率、与水平方向夹角等)进行异常线段判断与处理,删除多余的琴弦(如琴面纹理误判产生的)并补齐缺少的琴弦,保证最后输出21根且在Hough图上有规律的排布。
进一步地,在一些实施例中,根据琴弦与水平方向的夹角从初步识别结果中筛选出异常琴弦具体包括:
在拟合坐标系中标出琴弦与水平方向的夹角,拟合坐标系的横坐标为琴弦的右侧端点在平面直角坐标系中的纵坐标,拟合坐标系的纵坐标为琴弦与水平方向的夹角;
对拟合坐标系中标出的所有琴弦进行拟合,筛选出异常琴弦。
在本实施例中,该方法在进行异常检测时,可以根据检测到的琴弦与水平方向的夹角筛选出异常琴弦。由于大多数琴弦大体上应保持平行,所以该方法可以对角度进行拟合,拟合结果参见图5,筛除出异常点,从而得到异常琴弦,该方法还可以删除异常琴弦。
例如图5中每个点表示每根琴弦,每个点的横坐标为琴弦的右侧端点在平面直角坐标系中的纵坐标(琴弦的右侧端点在平面直角坐标系中的纵坐标的分布范围为100-700之间),每个点的纵坐标为琴弦与水平方向的夹角(琴弦与水平方向的夹角的分布范围为86-92之间)。图5中的曲线为拟合曲线,其中图5中空心的点由于偏离拟合曲线较远,所以为异常点,异常点对应的琴弦为异常琴弦,中间有×的点为正常点,正常点对应的琴弦为正常琴弦。
进一步地,在一些实施例中,根据琴弦的端点坐标从筛选出异常琴弦后剩下的琴弦中筛选出断弦具体包括:
设置前岳山横坐标范围;
获取所有琴弦的右侧端点在平面直角坐标系中的横坐标;
当琴弦的右侧端点的横坐标不满足前岳山横坐标范围时,定义琴弦为断弦;
删除断弦;
将删除断弦后剩下的所有琴弦的右侧端点延长至前岳山位置处。
在本实施例中,该方法当去除异常琴弦后,还根据琴弦的坐标找出并去除断线,由于所有琴弦靠近前岳山一侧的线段终点应大致位于同一垂直线上,所以设定岳山横坐标范围,用于表示岳山附近点的横坐标取值。若某根线段端点坐标过于偏离,不满足前岳山横坐标范围,例如小于岳山横坐标范围中的下限值,则说明该线段的端点坐标偏离前岳山较远,其为断弦的可能性极大,删除该琴弦,并在剩下的琴弦中根据Hough参数将端点延长到前岳山附近。
进一步地,在一些实施例中,对筛选出断弦后剩下的琴弦进行缺失补齐具体包括:
根据筛选出断弦后剩下的琴弦中右侧端点在平面直角坐标系中的纵坐标,确定缺失弦两个端点在平面直角坐标系中的坐标;
根据缺失弦两个端点的坐标绘制出缺失弦。
在本实施例中,该方法当去除断弦后,还对缺失的琴弦进行补齐处理,根据识别到的相邻琴弦之间右侧端点的纵坐标确定合理的弦间距,如果相邻琴弦之间的距离大约是弦间距的倍数,说明这两根琴弦之间存在缺失琴弦,例如如果相邻琴弦之间的距离是弦间距的2倍,那么这两根琴弦之间可能缺失1根琴弦。确定缺失的琴弦和缺失琴弦端点的坐标,如果两根琴弦之间可能缺失1根琴弦,那么缺失琴弦端点的横坐标可以为前岳山位置处,纵坐标为两根琴弦纵坐标的平均值。根据相邻琴弦与水平方向的夹角确定缺失琴弦与水平方向的夹角,果两根琴弦之间可能缺失1根琴弦,那么缺失琴弦与水平方向的夹角在两根琴弦与水平方向的夹角之间取值,最终根据这些端点信息和夹角绘制出缺失的琴弦。
为了进一步地说明琴弦识别方法的精准度,以下给出实验结果:
选用Matlab 2019b作为实验平台,拍摄环境条件不同的古筝琴面图像共计30张作为输入数据进行实验。在Matlab上运行程序,读取古筝图像进行琴弦识别,图6为Hough变换检测结果,图7角度异常线段筛除结果,图8为判断并筛除断线并对齐后得到结果,图9为琴弦补齐后得到结果。
实验基线方案为没有异常结果识别与处理模块的传统图像识别算法,图像预处理为二值化、膨胀腐蚀,直线判决采用hough变换。实验采取4种环境场景,分别为场景1(室内弱光照)、场景2(室内强光照)、场景3(室外弱光照)、场景4(室外强光照)。整体实验结果如表1所示:
表1
可以看到在四个场景中,本申请提供的琴弦识别方法的圆误差仅为1.9~4.2个像素点,说明本申请提供的琴弦识别方法能够在大多数情况下准确地识别出琴弦。
一种琴弦识别系统,参见图10,包括:
输入单元1:用于接收包含琴面的待检测图片;
琴面检测单元2:用于识别待检测图片的琴面区域;
图片分割单元3:用于从待检测图片中分割出琴面区域,以得到分割图片;
图片预处理单元4:用于对分割图片进行图片预处理,以得到预处理图片;
识别单元5:用于识别预处理图片中的琴弦,以得到初步识别结果;
异常检测单元6:用于对初步识别结果进行异常检测处理,以得到待检测图片中琴弦的最终识别结果。
进一步地,在一些实施例中,琴面检测单元2具体用于:
识别待检测图片中的所有标识码;标识码设置在琴面四周;
根据所有标识码确定琴面区域。
进一步地,在一些实施例中,标识码设置在琴面至少三个角上;
图片分割单元3具体用于:
定义一个方形的检测框;
计算所有标识码在平面直角坐标系中的坐标;
根据所有标识码的坐标计算检测框四个角在平面直角坐标系中的坐标;
根据检测框四个角的坐标,从待检测图片中分割出琴面区域。
进一步地,在一些实施例中,图片预处理单元4具体用于:
对分割图片依次进行灰度化、二值化、高斯滤波、边缘检测和腐蚀膨胀。
进一步地,在一些实施例中,识别单元5具体用于:
采用直线检测算法识别预处理图片中的线段,以得到琴弦;
定义线段的两个端点的坐标为琴弦的端点在平面直角坐标系中坐标;
定义线段的斜率为琴弦的斜率;
定义线段与水平方向的夹角为琴弦与水平方向的夹角。
进一步地,在一些实施例中,异常检测单元6具体用于:
根据琴弦与水平方向的夹角从初步识别结果中筛选出异常琴弦;
根据琴弦的端点坐标从筛选出异常琴弦后剩下的琴弦中筛选出断弦;
对筛选出断弦后剩下的琴弦进行缺失补齐。
进一步地,在一些实施例中,异常检测单元6具体用于:
在拟合坐标系中标出琴弦与水平方向的夹角,拟合坐标系的横坐标为琴弦的右侧端点在平面直角坐标系中的纵坐标,拟合坐标系的纵坐标为琴弦与水平方向的夹角;
对拟合坐标系中标出的所有琴弦进行拟合,筛选出异常琴弦。
进一步地,在一些实施例中,异常检测单元6具体用于:
设置前岳山横坐标范围;
获取所有琴弦的右侧端点在平面直角坐标系中的横坐标;
当琴弦的右侧端点的横坐标不满足前岳山横坐标范围时,定义琴弦为断弦;
删除断弦;
将删除断弦后剩下的所有琴弦的右侧端点延长至前岳山位置处。
进一步地,在一些实施例中,异常检测单元6具体用于:
根据筛选出断弦后剩下的琴弦中右侧端点在平面直角坐标系中的纵坐标,确定缺失弦两个端点在平面直角坐标系中的坐标;
根据缺失弦两个端点的坐标绘制出缺失弦。
本发明实施例所提供的系统,为简要描述,实施例部分未提及之处,可参考前述实施例中相应内容。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种琴弦识别方法,其特征在于,包括:
接收包含琴面的待检测图片;
识别所述待检测图片的琴面区域;
从所述待检测图片中分割出所述琴面区域,以得到分割图片;
对所述分割图片进行图片预处理,以得到预处理图片;
识别所述预处理图片中的琴弦,以得到初步识别结果;
对所述初步识别结果进行异常检测处理,以得到所述待检测图片中琴弦的最终识别结果。
2.根据权利要求1所述琴弦识别方法,其特征在于,所述识别所述待检测图片的琴面区域具体包括:
识别所述待检测图片中的所有标识码;所述标识码设置在琴面四周;
根据所有所述标识码确定所述琴面区域。
3.根据权利要求2所述琴弦识别方法,其特征在于,
所述标识码设置在所述琴面的角上;
所述从所述待检测图片中分割出所述琴面区域具体包括:
定义一个方形的检测框;
计算所有所述标识码在平面直角坐标系中的坐标;
根据所有所述标识码的坐标计算所述检测框对应角在平面直角坐标系中的坐标;
利用所述检测框从所述待检测图片中分割出所述琴面区域。
4.根据权利要求1所述琴弦识别方法,其特征在于,所述对所述分割图片进行图片预处理具体包括:
对所述分割图片依次进行灰度化、二值化、高斯滤波、边缘检测和腐蚀膨胀。
5.根据权利要求1所述琴弦识别方法,其特征在于,所述识别所述预处理图片中的琴弦具体包括:
采用直线检测算法识别所述预处理图片中的线段,以得到所述琴弦;
定义所述线段的两个端点的坐标为所述琴弦的端点在平面直角坐标系中坐标;
定义所述线段的斜率为所述琴弦的斜率;
定义所述线段与水平方向的夹角为所述琴弦与水平方向的夹角。
6.根据权利要求5所述琴弦识别方法,其特征在于,所述对所述初步识别结果进行异常检测处理具体包括:
根据所述琴弦与水平方向的夹角从所述初步识别结果中筛选出异常琴弦;
根据所述琴弦的端点坐标从筛选出异常琴弦后剩下的琴弦中筛选出断弦;
对筛选出断弦后剩下的琴弦进行缺失补齐。
7.根据权利要求6所述琴弦识别方法,其特征在于,所述根据所述琴弦与水平方向的夹角从所述初步识别结果中筛选出异常琴弦具体包括:
在拟合坐标系中标出所述琴弦与水平方向的夹角,所述拟合坐标系的横坐标为琴弦的右侧端点在平面直角坐标系中的纵坐标,所述拟合坐标系的纵坐标为所述琴弦与水平方向的夹角;
对拟合坐标系中标出的所有琴弦进行拟合,筛选出异常琴弦。
8.根据权利要求7所述琴弦识别方法,其特征在于,所述根据所述琴弦的端点坐标从筛选出异常琴弦后剩下的琴弦中筛选出断弦具体包括:
设置前岳山横坐标范围;
获取所有所述琴弦的右侧端点在平面直角坐标系中的横坐标;
当所述琴弦的右侧端点的横坐标不满足所述前岳山横坐标范围时,定义所述琴弦为断弦;
删除所述断弦;
将删除断弦后剩下的所有琴弦的右侧端点延长至前岳山位置处。
9.根据权利要求8所述琴弦识别方法,其特征在于,所述对筛选出断弦后剩下的琴弦进行缺失补齐具体包括:
根据筛选出断弦后剩下的琴弦中右侧端点在平面直角坐标系中的纵坐标,确定缺失弦两个端点在平面直角坐标系中的坐标;
根据所述缺失弦两个端点的坐标绘制出所述缺失弦。
10.一种琴弦识别系统,其特征在于,包括:
输入单元:用于接收包含琴面的待检测图片;
琴面检测单元:用于识别所述待检测图片的琴面区域;
图片分割单元:用于从所述待检测图片中分割出所述琴面区域,以得到分割图片;
图片预处理单元:用于对所述分割图片进行图片预处理,以得到预处理图片;
识别单元:用于识别所述预处理图片中的琴弦,以得到初步识别结果;
异常检测单元:用于对所述初步识别结果进行异常检测处理,以得到所述待检测图片中琴弦的最终识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088418.3A CN115909330A (zh) | 2022-09-07 | 2022-09-07 | 一种琴弦识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211088418.3A CN115909330A (zh) | 2022-09-07 | 2022-09-07 | 一种琴弦识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909330A true CN115909330A (zh) | 2023-04-04 |
Family
ID=86484721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211088418.3A Pending CN115909330A (zh) | 2022-09-07 | 2022-09-07 | 一种琴弦识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909330A (zh) |
-
2022
- 2022-09-07 CN CN202211088418.3A patent/CN115909330A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
JP6080259B2 (ja) | 文字切り出し装置及び文字切り出し方法 | |
JP4626886B2 (ja) | デジタル画像におけるキャプションを位置特定及び抽出する方法及び装置 | |
CN105654072A (zh) | 一种低分辨率医疗票据图像的文字自动提取和识别系统与方法 | |
CN114897847A (zh) | 图像处理方法及装置、计算机可读存储介质、电子设备 | |
CN108805116A (zh) | 图像文本检测方法及其系统 | |
CN113469921B (zh) | 图像缺陷修复方法、系统、计算机设备及存储介质 | |
WO2020037573A1 (zh) | 检测图像上的亮斑的方法、装置和计算机程序产品 | |
CN110399873A (zh) | 身份证图像获取方法、装置、电子设备及存储介质 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN112580383A (zh) | 二维码识别方法、装置、电子设备及存储介质 | |
CN113011426A (zh) | 一种识别证件的方法和装置 | |
CN112419207A (zh) | 一种图像矫正方法及装置、系统 | |
CN113139535A (zh) | 一种ocr文档识别方法 | |
CN110246139B (zh) | 基于双阈值的浮游生物原位图像roi快速提取方法 | |
CN111626145A (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
Luo et al. | Adaptive canny and semantic segmentation networks based on feature fusion for road crack detection | |
CN112818983B (zh) | 一种利用图片相识度判断字符倒置的方法 | |
JPH07105312A (ja) | 光学式文字読取装置における文字イメージのごみ除去方法及び装置 | |
CN113076952A (zh) | 一种文本自动识别和增强的方法及装置 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN115909330A (zh) | 一种琴弦识别方法及系统 | |
CN113378847B (zh) | 字符分割方法、系统、计算机设备和存储介质 | |
CN110473222A (zh) | 图像要素提取方法及装置 |
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 |