精华内容
下载资源
问答
  • 图形识别代码,可以识别多种颜色与形状,还可以计算面积与周长,形状包括三角形,正方形,长方形,梯形,平行四边形,菱形,其他四边形,五边形,五角星,六边形和其他多边形,椭圆,圆等,颜色包括蓝色,紫色,红色...
  • 图形识别算法

    2016-03-29 16:25:51
    图形识别算法,其中包含每一步的细节运算以及演示。
  • 本人菜鸟一个,未学习过模式识别、计算机等学科,贻笑大方之处恳请谅解。这是自己学习中利用OpenCV,通过SVM识别图像中图形链码,完成图形识别的小程序,特分享一下。
  • 匹配滤波器 图形识别

    2019-01-01 16:41:19
    包含代码和说明文档,通过匹配滤波器实现图形识别,可用于匹配滤波器的学习
  • NodeJS 搭建图形识别功能.pdf
  • 手写图形识别代码

    2012-11-22 16:14:16
    使用FSGRKit图形识别引擎 FSGRKit有效期至2013-10-28
  • 基于模糊聚类对数字图形识别,谭军,,随着社会的不断发展,图形图像识别在现实生活中众多领域中参用的越来越广泛,在图形图像识别中最重要的环节就是对图形图像识别的
  • GUI实现简单图形识别.7z
  • 行业文档-设计装置-图形识别用教具.zip
  • 手绘几何图形识别代码

    热门讨论 2012-11-20 10:21:12
    使用FSGRKit 做为手绘图形识别引擎;WTL做为图形界面 VS2005 可以编译通过 如需FSGRKit库,请联系作者
  • 验证码图形识别源代码
  • 手写识别程序,说用说明:在软件空白处按下鼠标左键不放,鼠标拖动,使用鼠标画完图形,松开鼠标左键。软件进行识别并提示是何图形。 需要代码的联系qq:1326483285
  • CAD_CAI中的图形识别研究.pdf
  • 前段时间下载了一个字符图形识别的程序 http://download.csdn.net/detail/lndzh/2424224#comment 后来发现程序中集成了一个名为xpidea.neuro.net.dll的组件,无法看到算法内核, 网上抄了一个BP神经网络算法改写了...
  • 使用图形与机器进行交互,将会提高交互...本文讨论了基于模糊特征提取的几何图形识别方法。重点研究了样本数据的模糊特征提取方法,提出了几个用于识别联机手绘单笔几何图形的特征,并且给出了分类器的算法和训练算法。
  • 微软图形识别工具WIC

    2013-11-21 15:16:16
    微软图形识别工具WIC,net4.0开发必备
  • 基于模糊聚类的标识点图形识别方法.pdf
  • 基于AutoCAD轴类零件的图形识别及视图匹配
  • CAD快速看图功能版(带图形识别)5.6.3.47.rar
  • 多维正态分布与图形识别

    千次阅读 2018-01-08 19:06:49
    版权声明:本文为博主原创文章,未经博主允许不得转载。 ...多维正态分布与图形识别目录 ...写在前面从图形识别的角度对正态分布的理解 ...什么是正态分布一维正态...对一维,二维,多维正态分布的理解从图形识别角度
     
    

    多维正态分布与图形识别

    • 对一维,二维,多维正态分布的理解
    • 从图形识别角度理解和应用正态分布

    目录


    写在前面

    • 学无止境,最初只是想要写一个对视频流进行运动识别匹配的程序,然而匹配识别的算法精度不够,于是开始学习线性代数,统计学里的一些知识。这两天又重新把正态分布理解了一下。下文里主要是对于正态分布的直观的想象和个人理解,请多指教。另外,因为对于csdn博客插入数学公式还不太熟悉,用了LaTeX以后会在公式或者变量右边出现一个“|”,还请不要在意。

    从图形识别的角度对正态分布的理解

    什么是正态分布?

    一个弹珠从弹珠游戏机(日本很流行的パチンコ)的顶端落下,并与设置好的障碍发生碰撞。那么这个弹珠落下来的位置就是一个典型的一维正态分布。 
    正态分布,也叫高斯分布,是用来表示一个服从正态分布的随机变量的概率分布。而服从正态分布的条件就是,该变量周围存在大量作用因素,但作用因素的影响都很小,那么视这个变量服从正态分布。具体数学上的定义和限制条件先放过不提。

    一维正态分布下的识别与匹配

    这里写图片描述

    若有一组符合正态分布的数据D₁,其平均值是μ,其标准差是σ,那么对这组数据就可以用一维正态分布的公式进行拟合,计算的结果就是这组数据的概率分布函数。此时再有一个数据x₁,想要知道x₁在D₁的分布下的概率,那么就直接将x₁带入D₁的正态分布函数中计算出相应的分布概率即可。

    这里写图片描述

    二维正态分布下的识别与匹配

    这里写图片描述

    类似的,若有两组二维数据D₁{(x₁,y₁),(x₂,y₂),……(x n  , y n )},D₂{(x’₁,y’₁),(x’₂,y’₂),……(x’ₐ,y’ₐ)}符合正态分布,则通过计算每一维的平均值μx,μy,以及每一维的标准差σx,σy,可以计算得到D₁,D₂各自的正态分布。

    这里写图片描述

    如果对一个二维正态分布的图像,将Z轴去掉,以等高线的形式表示其分布的概率值的大小,那么对于D₁,D₂的图像,就变为了一系列包含着的椭圆。

    这里写图片描述

    当一个新的二维向量T(x,y)需要识别匹配T属于D₁还是D₂时,将T带入 
    D₁,D₂的正态分布公式后,得到的概率值大的即选定匹配结果。在图中可以看到,T与D₂的欧式距离近(虽然不明显,但是可以姑且想象),但是D₁在T的方向上概率变化缓慢(注意,椭圆表示的是密度的等高线),因此最终计算的结果应该是T匹配到D₁。

    多维正态分布

    由此引申到多维正态分布。 
    这里写图片描述

    一组数据 X 在正态分布 wl 中对应的概率可由上式计算。 
    wl 是一个M维样本,每一维样本又有N个属性的正态分布,也就是一个M*N的矩阵, Σl wl 的协方差矩阵。 X 同样是一个M*N的数据矩阵。 
    X 中的数据元素为 xmn

    这里写图片描述 
    且 
    这里写图片描述

    μli wl 中各维度的第i个属性相加求的平均值。

    这里写图片描述

    这样通过 P(X|wl) 就计算出了 X 分布在 wl 时候的概率值。有多个样本 wl1 wl2 …… wln 时只要求出 X 在各个样本中分布的概率即可完成匹配。

    一个图形匹配实际问题

    我学习多维正态分布主要是因为我遇到了下边的问题。

    现有三个样本,每一个样本是一个120*30的矩阵。矩阵的行表示存储120帧连续的图像特征点信息,列表示每一帧图像信息是一个10*3的向量(十个关节点的三维坐标)。

    现在又获得了一个120*30的新的图像流信息矩阵,要求将这个矩阵与三个样本进行比较匹配。

    假设这些关节点各自独立不相互影响。

    先求出与样本矩阵的协方差矩阵,和样本自身的平均值μ。然后计算 P(X|wl) ,并比较得出概率最大的样本。

    写在后面

    目前还没有把这个算法实现代码,所以精度还不能从实验得知。但是首先,人的上半身10个关节点不能算完全独立不影响,比如腕关节和肘关节在运动时常常有相同的位移趋势等。这一点是否将会影响匹配结果还要等接下来的研究。 
    另外周二时候学习的奇异值分解与正态分布也有很大联系。在数据矩阵X中,每一列表示一个数据点,每一行表示一维特征。分解得到的S,U,V可以用正态分布的观点来看。U表示数据形成的正态分布的轴的方向,是一组单位正交基;S代表这些轴的长度,利用奇异值可以将数据矩阵降维并且可以研究数据之间的相关性。 
    比如,利用奇异值分解之后的结果,可以确定出我上面问题中,120帧图像流中,哪几帧相关性强,并且这些相关性强的帧中,哪几个关节点与这些帧的相关性强。也就是可以通过分类算法,将帧与动作联系在一起,从这样的相关性的方面对动作进行初步分类识别。而降维后再计算正态分布的概率想必肯定会提高识别的准确性。

    在学习的路上希望能够坚持下去,共勉。

    展开全文
  • 通过对大量岩样铸体薄片的图形特征反复观察与实验,设计了一种储层微观孔喉网络图形识别方法。该方法的关键是将原图片由RGB彩色空间转换到受亮度影响很小的YUV空间下,使待识别岩样孔喉网络产生很好的类聚,然后采用...
  • gif动态彩图转化黑白动画(简单图形识别)这个项目是去年的时候写的东西了,今天整理代码的时候发现,运行了一下发现挺有趣的——将动态的gif图片识别颜色深度转化为黑白动画
  • 纠结 web 元素定位?Airtest 的图形识别学起来啦.pdf
  • 计算机图形识别技术在车辆识别上的使用,需要更多的测试效果
  • NodeJS 搭建图形识别功能

    千次阅读 2019-03-29 17:57:23
    第一步:创建项目存储路径(C:\node_workspace),创建NodeJs 项目(image_reco) ...第二步:图形识别依赖模块介绍和本地安装 node-images: Node.js 轻量级跨平台图像编解码库tesseract.js: 纯 JS 的 OCR 库支持 62 种...

    第一步:创建项目存储路径(C:\node_workspace),创建NodeJs 项目(image_reco) 并初始化

    cd C:\node_workspace

    mkdir image_reco

    cnpm init

    第二步:图形识别依赖模块介绍和本地安装

    node-images: Node.js 轻量级跨平台图像编解码库
    tesseract.js: 纯 JS 的 OCR 库支持 62 种语言。

    本地安装:node-images 和 tesseract.js模块

    C:\node_workspace\image_reco>npm install tesseract.js
    npm notice created a lockfile as package-lock.json. You should commit this file.
    npm WARN image_reco@1.0.0 No description
    npm WARN image_reco@1.0.0 No repository field.
    
    + tesseract.js@1.0.14
    added 23 packages in 9.246s
    
    C:\node_workspace\image_reco>npm install images
    
    > images@3.0.2 install C:\node_workspace\image_reco\node_modules\images
    > node ./scripts/install.js
    
    Downloading binary from https://github.com/zhangyuanwei/node-images/releases/download/v3.0.2/win32-x64-57_binding.node
    Download complete..] - :
    Binary saved to C:\node_workspace\image_reco\node_modules\images\vendor\win32-x64-57\binding.node
    Caching binary to C:\Users\zzg\AppData\Roaming\npm-cache\images\3.0.2\win32-x64-57_binding.node
    npm WARN image_reco@1.0.0 No description
    npm WARN image_reco@1.0.0 No repository field.
    
    + images@3.0.2
    added 97 packages in 15.86s

    编辑package.json 文件,添加第三方模块

    {
      "name": "image_reco",
      "version": "1.0.0",
      "description": "",
      "main": "app.js",
      "scripts": {
        "test": "echo \"Error: no test specified\" && exit 1"
      },
      "author": "",
      "license": "ISC",
      "dependencies": {
        "images": "^3.0.2",
        "tesseract.js": "^1.0.14"
      }
    }

    第三步:项目根路径编写app.js 文件,编辑内容如下:

    "use strict"
    var images = require('images')
    var Tesseract = require('tesseract.js');
    var request = require('request');
    var fs = require('fs');
    // 将图片下载到本地
    function downloadFile(uri, filename, callback) {
        var stream = fs.createWriteStream(filename);
        request(uri).pipe(stream)
            .on('close', function () {
                callback();
            });
    }
    // 识别图片
    function recognize(filePath, callback) {
        // 图片放大
        images(filePath)
            .size(90)
            .save(filePath);
        // 识别
        Tesseract
            .recognize(filePath, {
                lang: 'eng', // 语言选英文
                tessedit_char_blacklist: 'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ'
                    //因为是数字验证码,排除字母
            })
            .then((result) => {
                callback(result.text);
            });
    }
    function getVcode() {
        var url = 'https://ww1.sinaimg.cn/large/8c9b876fly1fe0bvsibibj201a00p07l.jpg';
        var filename = 'vcode.png';
        // 先下载下来,再识别
        downloadFile(url, filename, function () {
            recognize(filename, function (txt) {
                console.log('识别结果: ' + txt);
            });
        });
    }
    getVcode();

    第四步:安装项目依赖,执行图片识别app.js 代码

    C:\node_workspace\image_reco>cnpm install
    √ Installed 2 packages
    √ Linked 0 latest versions
    √ Run 0 scripts
    √ All packages installed (used 34ms(network 22ms), speed 0B/s, json 0(0B), tarball 0B)
    
    C:\node_workspace\image_reco>node app.js
    pre-main prep time: 37 ms
    识别结果: 3128
    

    项目结构:

    展开全文
  • 绘图工具中,需要在大量菜单,选项中选择所绘的图形,操作较为繁琐,在对手绘几何图形识别的过程中,通过计算机图形学,模式识别,人工智能,完成识别,重绘的过程,再完善人机交互的体验。 一.手绘几何图形介绍 ...

     

    手绘几何图形具有的特点是,随意、简单、可以迅速的表达设计师对产品的设想,有利于捕捉生活中得到的一些灵感。绘图工具中,需要在大量菜单,选项中选择所绘的图形,操作较为繁琐,在对手绘几何图形识别的过程中,通过计算机图形学,模式识别,人工智能,完成识别,重绘的过程,再完善人机交互的体验。

     

    一.手绘几何图形介绍

    手绘图识别分为联机和脱机两种

    脱机:通过特定的采集设备如摄像机、扫描仪将图形以图像的形式,采集并输入到计算机。

    联机:通过连接输入设备,如手写板,触摸屏,鼠标将笔的运动轨迹识别发送到计算机。

     

    识别方法不同:

    脱机:通常脱机识别的数据是用f(xi,yi)来描述,其中(xi,yi)为坐标(i,j)处的灰度值,所以在识别过程中,我们要对数据进行降噪,二值化等预处理;

    联机:联机识别中,获得的是一组二维数据,用来存放笔迹点的坐标,还可以存放笔的移动速度,加速度,笔压等信息,这些信息可以整合成多维的点的序列,比脱机识别更有优势。

     

    手绘几何图形识别和手写文字识别比较

    同属于模式识别和计算机视觉研究领域的分支。

    文字识别:将输入数据识别转化成词句,并显示出来。有固定的字符集合。对每个特定字符进行特征分析,在对整个字符集的整体特征进行分析,文字识别笔画形态相对简单,书写需要有严格的规范,便于建立鲁棒(Robust)的分类器。

    手绘几何图形识别:没有特定的字符集,笔画随意,特征不明显,但是图形具有很多几何特征,方向、尺寸、连接、交叉,这些几何特征可以在识别图形中进行判定。

     

     二.手绘图识别的研究方法

    手绘图识别主要的几类研究方法:

    模糊类方法:

    利用模糊逻辑,模糊知识,从笔迹的位置,方向,速度,加速度,来识别图形。

     

    几何方法:

    把图形作为整体识别,进行平滑处理,提取圆弧段,识别结点,分解出直线段,根据相邻3点的夹角角度作为圆弧和直线段的提取特征,找出实验阈值,进行分类。

     

    神经网类方法:

    通过提取图素几何形状的内角特征,用二进制突触的权重算法BSW(含一个隐层的前馈网)进行识别的方法。该方法以整体方式识别三角形、椭圆和矩形三种图素,但仅适用于绘图包和掌上电脑的自动草绘输入。

     

    图元分类:

    图元是组成图形的最小单元,其无法再被分割成其他几何线条。

    我们把基本的图元分为:直线,圆,圆弧,椭圆,椭圆弧。

     

    预处理:

    数据采集之后需要经过预处理操作,预处理是消除因输入设备的差异,或者是个人输入习惯  的不同产生的一些噪声,如图中,因为手的抖动,造成有很多毛刺,或者绘图着画的慢,造成有些点重复取样。这些噪声会影响后面识别的准确性。

    降低噪声的方法通常采用线性平滑算子或非线性平滑算子进行处理。可以通过每隔两点计算其中心点,然后连接这些中心点作为后续处理笔划的
    方法。也可以通过限定草图的点间距的方法过滤掉多余的草绘点。但方法可能会丢失草绘时的一些动态特征,如速度、加速度等。

     

    三.笔画分割

    笔画分割的目的是将用户画出的复杂图形分割成基本的图元。分割的好坏会直接影响到后面识别的部分。

    曲率:曲线上各点沿曲线方向的变化情况,借助曲率可以刻画曲线的几何特征。

    曲率几何特征
    连续零曲率直线段
    连续非零曲率弧线段
    局部最大曲率绝对值角点
    局部最大曲率正值凸角点
    局部最大曲率负值凹角点
     曲率过零点特征点 
      

     

    1.曲率的计算公式:k=△φ/△S

    其中:△φ表示切线倾角变化值,△S表示曲线的弧长。

    2.绘制速度
    用户绘图过程中,在拐角处绘制速度会变慢,所以绘图时的绘制速度也是我们进行特征点判断的重要依据。由于在绘图的过程中是等时采样,任意点的绘制速度,可以用相邻两点间的距离代替。

     

    根据曲率及绘制速度来检测笔划中的特征点进行分割。介绍两种分割算法:均值滤波和尺度空间滤波法。

    均值滤波发:

    数据的极值可能是数据的噪声产生的,所以我没要消除噪声所产生的极值,需要设置合适的阈值。如果是固定阈值,可能某种情况很好,某种情况又非常不好,均值滤波起到了一个很好的解决方案。先计算数据的平均值,然后乘以一个固定因子,获得一个合适的阈值。可以把数据分成大于和小于阈值的两个部分。

    均值滤波需要运用在曲率和速度上,找出合适的特征点,具体步骤如下:

    1)遍历所有采样点,计算出采样点的切线与x轴夹角,计算出曲率和平均曲率Ave_Curvature;

    2)特征点在全部点钟占的比例较小,为了提高分割的准确性,所以对Ave_Curvature进行放大,作为曲率极值的判断阈值。

    3)遍历所有曲率数据,比较找出大于阈值的电,加入到曲率特征点链表中。

    4)同样遍历采样点,计算出速度数据和Ave_Speed。

    5)对速度进行缩小,作为速度极值判断的阈值。

    6)找出比阈值小的点,加入到速度特征点链表

    7)比较2个链表,将重合或相近的电作为特征点输出。

     

    尺度空间法:

    尺度空间思想最早由lijima于1962年提出,但当时并未引起计算机视觉领域研究者们的足够注意,直到上世纪八十年代,Witkin等人的奠基性工作使得尺度空间方法逐渐得到关注和发展。此后,随着非线性扩散方程、变分法和数学形态学等方法在计算机视觉领域中的广泛应用,尺度空间方法进入了快速发展阶段。

    尺度空间方法的基本思想是:在视觉信息(图像信息)处理模型中引入一个被视为尺度的参数,通过连续变化尺度参数获得不同尺度下的视觉处理信息,然后综合这些信息以深入地挖掘图像的本质特征。尺度空间方法将传统的单尺度视觉信息处理技术纳入尺度不断变化的动态分析框架中,因此更容易获得图像的本质特征。

     

    转载于:https://www.cnblogs.com/SeekHit/p/5027402.html

    展开全文
  • 基于灰度-梯度共生矩阵和模糊核聚类的振动图形识别方法.pdf
  • 跟踪和图形识别 SIFT

    2010-02-28 15:52:34
    sift----可以有效的找到不同画面中的对应特征点,在跟踪和图形识别方面有很好的用途
  • 从理论上阐述了统计图形识别的风险最佳检验就是在一定的风险度下对一组统计量的有关特征做出诊断或决策,给出了统计图形识别的诊断和决策流程,以及最小风险诊断决策的规则和具体方法的实现。并以人体器官的医学诊断...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 177,022
精华内容 70,808
关键字:

图形识别