- 综合排序
- 最热优先
- 最新优先
- 来自专栏ISP图像处理相关
图像处理-天空区域识别
图像处理之天空区域识别 近几年来，去雾方法得到广泛的研究，汤晓鸥等人发现无雾图像相对于雾化图像具有较高的对比度，通过最大化恢复图像的对比度来实现图像去雾，但由于该方法没有从物理模型上恢复真实的场景反射率 通过对比实验发现，场景中如果存在较大的天空区域的话，Kaiming He提出的暗通道先验的理论在天空区域将不成立，图像去雾后天空区域存在失真，特別是在天空区域不明显的浓雾环境下。 一 为什么天空区域识别很重要？ 识别出天空区域单独处理 专利《一种基于天空识别与分割的暗通道先验去雾方法》 重点： 1、进行天空识别与分割，确定天空区域与非天空区域不同透射率。 2、引导滤波优化透射率，输出头屋图像 相似操作识别天空区域 1、天空部分平坦区域多，处理成梯度图表示图像的像素落差，梯度值越小的区域表示为平坦区域。 2、设定一个阈值来初步划分天空区域与非天空。
1.2K20编辑于 2022-01-14 - 来自专栏千行百业数据集中心
roi区域识别 指定区域检测 区域入侵检测及停留时长统计
区域入侵检测项目概述主要展示了一个利用计算机视觉分析等待时间以及监测物体或人员在视频帧预定义区域停留时长的实践演示，适用于零售分析或交通管理等领域。 从目录流式传输视频文件以模拟实时视频流（需安装Docker）---video_directory：包含要传输的视频文件的目录--number_of_streams：要传输的视频文件数量draw_zones：在源图像或视频文件上绘制自定义区域并保存为 源图像或视频文件的路径--zone_configuration_path：多边形注释保存为JSON文件的路径操作指令：enter完成当前多边形绘制、escape取消当前多边形绘制、q退出绘图窗口、s保存区域配置视频与流处理脚本 inference_file_example：使用Roboflow推理模型对视频文件进行目标检测---zone_configuration_path：区域配置JSON文件路径--source_video_path ultralytics_file_example类似，多了--rtsp_url（视频流的完整RTSPURL）许可协议ultralytics（YOLOv8模型）：基于AGPL-3.0许可协议supervision（基于区域分析的分析代码
200编辑于 2026-06-06 - 来自专栏机器学习与统计学
Python+OpenCV实现车牌区域识别
本篇文章主要调用OpenCV库（cv2）进行车牌区域识别，具体步骤包括： 1.灰度转换：将彩色图片转换为灰度图像，常见的R=G=B=像素平均值。 5.膨胀和细化：放大图像轮廓，转换为一个个区域，这些区域内包含车牌。 6.通过算法选择合适的车牌位置，通常将较小的区域过滤掉或寻找蓝色底的区域。 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show() 输出结果如下图所示，可以看到轮廓区域已经被提取出来 五、指定算法选择车牌区域 该部分代码膨胀和腐蚀略有区别，采用closed变量实现。 同时获取最理想的区域，完整代码如下所示： #encoding:utf-8 #BY：Eastmount CSDN 2018-08-06 import cv2 import numpy as np
5.3K30发布于 2019-04-23 - 来自专栏燧机科技-视频AI智能分析
重点区域人员徘徊识别监测系统
重点区域人员徘徊识别监测系统对监控画面中重要区域进行实时检测分析。 重点区域人员徘徊识别监测系统主要通过现场监控终端对现场画面的实时传输视频流，进行实时分析识别。 图片重点区域人员徘徊识别监测系统检测到区域内有运动目标徘徊停留一定时间，系统则立即抓拍报警存档。 这在现场重点区域起着重要作用，重点区域人员徘徊识别监测系统可以提醒人员在第一时间发视异常行为，并尽快预防。 重点区域人员徘徊识别监测系统检查特定区域内异常停留的人员，充分传递预警信息，在事件中进行正常检查，事后方便查找，使后台人员从复杂无聊“盯显示屏”中解放出来。图片
47800编辑于 2022-10-31 - 来自专栏燧机科技-视频AI智能分析
危险区域闯入识别系统
危险区域闯入识别系统通过YOLOv8网络模型技术，危险区域闯入识别系统对现场画面中发现有人违规闯入禁区，危险区域闯入识别系统立即抓拍告警同步回传后台。
76040编辑于 2023-04-25 - 来自专栏燧机科技-视频AI智能分析
作业区域工服穿戴识别系统
作业区域工服穿戴识别系统基于yolov7视频智能图像识别技术，作业区域工服穿戴识别系统利用深度学习技术，不需人为干预自动识别现场施工作业人员未按要求穿工作服行为，作业区域工服穿戴识别系统代替后台工作人员执勤时的人眼判断
47330编辑于 2023-05-02 【图片区域识别】OCR指定区域图片自动识别内容重命名，指定图片多个识别区域，识别文字并批量对图片文件改名，基于WPF和腾讯OCR的完整实现方案
运用 OCR 指定区域图片自动识别内容重命名技术后，情况大为改观。运营人员预先设定好图片中包含商品名称、规格参数等信息的区域，OCR 系统自动识别这些区域文字，按照设定规则批量重命名图片。 设计 WPF 界面：创建一个简单的界面，包含选择图片文件夹、设置识别区域、开始识别重命名等功能。 实现 OCR 识别和文件重命名逻辑：编写代码实现图片指定区域的 OCR 识别，并根据识别结果对图片文件进行重命名。 详细步骤和代码 1. OCR 识别：PerformOCR方法用于调用腾讯云 OCR 服务进行指定区域的识别，将图片文件转换为 Base64 编码的字符串，并设置识别区域，最后返回识别结果。 识别区域的格式为X,Y,Width,Height，多个区域用分号分隔。 通过以上步骤和代码，你可以实现使用 WPF 和腾讯 OCR 对指定区域图片进行自动识别内容重命名的功能。
3.8K10编辑于 2026-02-28- 来自专栏云云众生s
eBPF工具识别跨区域Kubernetes网络流量
Google 目前拥有 124 个可用区，分布在 41 个区域。 但是，跨区域传输的数据包必须付费。 但是，这些工具都不能轻松识别跨越多个 Google 区域的网络流量。Cilium 本身只能报告网络流量的每日汇总成本，在 Pod 或工作负载级别没有粒度。 因此，公司使用 eBPF 自己构建了一个。 这个过程确定了节点的区域，以识别跨区域流量。 统计信息以Prometheus指标的形式暴露出来，用于按Pod监控总跨区域流量，同时也通过流量日志提供特定Pod之间流量模式的详细洞察。 服务器可以部署在每个集群上，或者每个区域上。 该软件可以生成指标，例如过去五分钟内按跨区域网络流量每秒排名前20的Pod，以兆字节为单位衡量。 极化信号如何减少跨区域流量 在自己的网络上部署 Kubezonnet 时，Polar Signals 发现跨区域流量似乎过多。 其中一个原因是数据库。
48510编辑于 2025-01-21 - 来自专栏一“技”之长
iOS MachineLearning 系列（3）—— 静态图像分析之区域识别
iOS MachineLearning 系列（3）—— 静态图像分析之区域识别 本系列的前一篇文章介绍了如何使用iOS中自带的API对图片中的矩形区域进行分析。 关于矩形识别的基础文章，链接如下： https://my.oschina.net/u/2340880/blog/8671152 1 - 文本区域分析 文本区域分析相比矩形区域分析更加上层，其API接口也更加简单 文本区域识别效果如下图所示： 2 - 条形码二维码识别 条形码和二维码在生活中非常常见，Vision框架中提供的API不仅支持条码区域的检测，还可以直接将条码的内容识别出来。 5 - 人脸区域识别 人脸识别在生活中也有着很广泛的应用，在进行人脸对比识别等高级处理前，我们通常需要将人脸的区域先提取出来，Vision框架中也提供了人脸区域识别的接口，使用VNDetectFaceRectanglesRequest 本篇文章，我们介绍了许多关于静态图像区域分析和识别的API，这些接口功能强大，且设计的非常简洁。
1.3K10编辑于 2023-04-27 【图像区域识别改名】JPG的图片和扫描件如何区域识别重命名，并将区域内容保存为表格，基于QT和腾讯API的实现方案
这些文件的关键信息（如文件编号、日期、主题等）可能分布在图片的特定区域。通过区域识别重命名，可以将图片文件按照关键信息命名，同时将这些信息保存到表格中，方便后续的检索和管理。 咕嘎批量OCR识别图片PDF多区域内容重命名导出表格系统(windows电脑版本) 图片 以下是一个基于 QT 和腾讯云 OCR API 实现对 JPG 图片和扫描件进行区域识别重命名，并将区域内容保存为表格的详细方案 ".jpg"; QFile::rename(imagePath, QFileInfo(imagePath).absolutePath() + "/" + newName); // 将识别结果保存到表格 UI 设计 在 QT Designer 中设计界面，添加一个按钮用于选择图片，一个表格用于显示识别结果，另一个按钮用于保存表格数据到文件。 6. 通过以上步骤，你可以实现对 JPG 图片和扫描件的区域识别重命名，并将识别结果保存为表格。
1.1K10编辑于 2026-02-22【图片PDF区域识别改名】基于WPF和腾讯云API实现PDF文档扫描、指定区域文字识别、固定位置文字识别以及文件批量重命名功能
通过指定识别区域，可以快速准确地提取这些信息并整理到 Excel 表格中，便于财务人员进行数据统计和管理。表单数据提取：各种业务表单（如调查问卷、申请表等）上，不同位置有不同的字段内容。 可以通过指定识别区域将这些数据提取出来，方便进行分析和汇总。以下是基于 WPF 和腾讯云 API 实现 PDF 文档扫描、指定区域文字识别、固定位置文字识别以及文件批量重命名功能的详细步骤和代码示例。 实现 PDF 文档扫描和文字识别功能：使用腾讯云 OCR API 对 PDF 文档进行处理。实现指定区域和固定位置文字识别功能：通过设置识别区域参数实现。 var req = new PdfOcrRequest(); req.FileUrl = filePath; // 指定区域文字识别示例 通过以上步骤和代码，你可以实现基于 WPF 和腾讯云 API 的 PDF 文档扫描、指定区域文字识别、固定位置文字识别以及文件批量重命名功能。
5K20编辑于 2025-02-25【OCR区域识别工具】OCR指定区域图片自动识别内容重命名软件使用教程，基于QT和腾讯云的完整实现步骤
一、项目背景 咕嘎批量OCR识别图片PDF多区域内容重命名导出表格系统（Windows版本） 腾讯【Timor君】回复：图片识别改名 在当今信息爆炸的时代，我们经常会遇到大量的图像文件，这些图像中包含了许多有价值的信息 然而，对于用户来说，准确识别图像中的信息并对其进行有效的管理却并非易事。特别是在某些特定业务场景下，用户可能只关心图像中某个特定区域的信息，例如发票中的金额区域、证件中的姓名区域等。 该软件能够帮助用户方便地选择图像中的指定区域，利用阿里云强大的 OCR 技术自动识别该区域的内容，并根据识别结果对图像文件进行重命名，从而极大地提高文件管理的效率和准确性，为用户节省时间和精力，适用于各类需要对图像信息进行精细化管理和处理的工作场景 指定 OCR 区域： 使用 QGraphicsView 和 QGraphicsRectItem 实现一个矩形区域选择功能。用户可以在图片上绘制矩形，指定要进行 OCR 识别的区域。 获取矩形区域的坐标和大小信息，以便后续裁剪图片。 裁剪图片： 根据用户指定的矩形区域，使用 QImage 的相关函数对原始图片进行裁剪，得到要进行 OCR 识别的子图片。
2.2K10编辑于 2026-05-31【图片区域识别教程】如何批量区域识别图片文字，并用文字内容来批量改名，基于WPF和腾讯OCR的详细步骤教程
通过批量区域识别图片文字，提取关键信息用于图片重命名，能使商品图片管理更加规范有序，方便运营人员快速查找和使用，提升商品信息管理效率。 定义区域识别参数： 腾讯云 OCR 服务允许指定区域进行文字识别。 确定区域识别参数有两种方式： 通过配置文件：创建一个配置文件，如ocr_config.json，定义区域的坐标和尺寸信息。 修改识别方法以支持区域识别： 在原有的RecognizeTextFromPdfPage方法基础上，创建新的方法RecognizeTextFromImage来支持图片区域识别。 ： 在StartProcessing_Click方法中，遍历图片文件列表，调用修改后的识别方法进行区域识别。
2.3K10编辑于 2026-02-23- 来自专栏通用文字识别信息技术白皮书
常用的表格检测识别方法 - 表格区域检测方法（下）
伪标签框架 实验 数据集： TableBank是文档分析领域中用于表识别问题的第二大数据集。该数据集有417,000个通过arXiv数据库爬虫过程注释。 它还包括一个用于识别表格的结构的数据集。在论文的实验中，只使用进行表检测的数据。 在这里，不正确的检测结果表明网络不能提供正确的表格区域检测。表2给出了这种半监督方法对10%标签数据上的所有数据集的不同IoU阈值的结果。 为N选择一个较小的值可能会导致模型无法识别特定的对象，从而对其性能产生负面影响。另一方面，选择一个较大的N值可能会导致模型由于过拟合而表现不佳，因为它会错误地将某些区域分类为对象。 此外，作者还打算采用基于transformer的半监督学习机制来进行表结构识别任务。
1.1K30编辑于 2023-05-19 - 来自专栏通用文字识别信息技术白皮书
常用的表格检测识别方法-表格区域检测方法（上）
常用的表格检测识别方法表格检测识别一般分为三个子任务：表格区域检测、表格结构识别和表格内容识别。 本章将围绕这三个表格识别子任务，从传统方法、深度学习方法等方面，综述该领域国内国外的发展历史和最新进展，并提供几个先进的模型方法。3.1 表格区域检测方法表格检测已经被研究了一段较长的时间。 CascadeTabNet是一个基于级联掩码区域的CNN高分辨率网络（Cascade mask R-CNN HRNet）的模型，可以同时识别表区域和识别这些表格中的结构单元格。 为了划分表格和列区域，该模型使用了表格检测和表结构识别这两个目标之间的依赖关系。然后，从发现的表格子区域中，进行基于语义规则的行提取。 任何字符都可以快速识别为行项或不使用行项技术。在字符分类之后，表格区域可以很容易地识别出来，因为与账单上的其他文本部分相比，表格线能够相当有效地区分。
2.6K10编辑于 2023-05-18 方法分享---依据细胞邻域识别空间组织区域（windows策略）
Kasumi，一种用于识别跨样本和条件持续存在的细胞内和细胞间关系的空间局部化邻域模式的方法。组织的显微解剖结构与其功能之间的联系是公认的。 邻域（生态位）识别和分析，虽然与聚类有关，但更进一步。通常从聚类结果开始，旨在通过识别聚类之间相互作用的保守模式来捕获组织的高阶表示。邻域分析的方法采用不同的方法。 通过与从细胞位置排列得到的相互作用的零分布进行比较，计算紧邻区域内共现的显著性，来识别相互作用的细胞类型对。 Spatial-LDA和Coordinated Cellular Neighborhood（CCN）的方法，通过首先用其邻域内的细胞类型组成表示每个细胞，然后再次对该表示进行聚类以推断更高阶的基序，来识别邻域 结果1、Kasumi识别persistent local patterns（windows策略）结果2、Kasumi提取与临床特征相关的稳健模式邻域组成和局部关系模式。
35510编辑于 2025-05-22- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
中科星图GVE（AI案例）——AI采样区域的风机检测和识别
简介 AI技术可以应用于风机检测和识别的任务中，以实现自动化和智能化的风机监控。 以下是AI采样区域的风机检测和识别的一般步骤： 数据采集：收集风机的各种图像或视频数据，可以包括正常运行状态下的风机图像、故障状态下的风机图像等。 风机识别：对检测到的风机进行识别，判断其状态是否正常。识别算法可以使用多分类模型，例如支持向量机（SVM）或深度学习模型，将风机分为故障、正常等不同类别。 结果输出：将检测到的风机位置和识别结果输出，可以在监控界面上显示，也可以通过报警系统通知相关人员。 需要注意的是，对于风机检测和识别任务，模型的准确性和鲁棒性是非常重要的。 ] ]); // 数据来源 var source = "Base_Image_V2024_1"; // 指定分辨率，外扩等 //@Ignore var option = {}; // 获取指定区域
33910编辑于 2024-10-14 【PDF识别重命名】如何识别PDF区域内容对文件进行改名处理或将内容导出表格
咕嘎批量OCR识别图片PDF多区域内容重命名导出表格系统（windows版本） 找到【Timor君】发消息【PDF识别改名】 图片 要实现识别 PDF 区域内容并对文件进行改名处理，或者将内容导出到表格 识别 PDF 区域内容 使用Poppler库打开 PDF 文件，提取指定区域的文本内容。 2. 文件改名处理 根据提取的内容对 PDF 文件进行重命名。 3. poppler/cpp/poppler-document.h> #include <poppler/cpp/poppler-page.h> #include "libxl.h" // 提取PDF指定区域的文本内容 double x = 100, y = 100, width = 200, height = 50; // 提取指定区域的文本内容 std::string extractedText 示例代码中假设 PDF 文件的第一页包含需要提取的内容，并且提取区域的坐标和尺寸是固定的，实际使用时需要根据具体情况进行调整。
2.2K10编辑于 2026-03-10- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
AI Earth ——开发者模式案例5：鄱阳湖水体区域识别
鄱阳湖水体区域识别¶ 通过计算归一化水体指数 NDWI 指数提取鄱阳湖水体区域。 (0.0)),aie.Image(1)) map = aie.Map( center=image.getCenter(), height=800, zoom=7 ) # 水体区域为蓝色
36410编辑于 2024-02-02 - 来自专栏一点人工一点智能
IEEE TIP 2022 | 基于食材区域发现及区域间关系建模的食品图像识别和食材预测
食品图像类别识别及食材预测作为食品计算的基本任务，在营养评估和食品推荐等应用中发挥重要的支撑作用。食品是由复杂多变的食材组成，挖掘食材视觉区域可以更好地帮助我们识别其类别。 基于此，我们提出了一种多任务食品联合学习方法同时进行食品类别识别和食材预测。该方法主要由食材视觉区域发现和食材关系学习两部分组成。 食品图像分析主要包括食品类别识别和食材预测。食品类别识别属于细粒度识别，需要对图像内容进行视觉分析后获知其对应的食品类别，因此挖掘细微的判别性区域（如食材相关的区域）非常重要。 针对上述问题，本文提出了一种面向食材的多任务食品联合学习方法，同时进行食品类别识别和食材预测。该方法主要由食材视觉区域提取和食材关系建模学习构成。 定性实验结果表明，本文的方法能够发现有意义的食材区域，并能够提取关键性区域进行识别。 图4 一些测试样本的实验结果 图4展示了一些测试样本的实验结果。
1.7K30编辑于 2022-12-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号