一种图片曲线相对数值坐标自动提取方法技术

本发明专利技术为一种图片曲线相对数值坐标自动提取方法，随机生成一系列曲线数据点，将曲线数据点绘成曲线图，然后标注曲线范围位置，得到曲线标注框位置，结合曲线图和标注框位置，构建模型一数据集；取出标注框内的图像，将图像缩到一定尺寸，得到标准化图片；将标准化图片对应的曲线数据点个数设置为与模型二输出值相同的数量，并对所有数据点的数值进行标准化，得到模型二所需的标签值；结合标准化图片和模型二所需的标签值构建模型二数据集；基于模型一的数据集进行曲线范围检测模型的训练；基于模型二的数据集进行曲线相对坐标预测模型的训练；将待检测图片输入模型一和模型二，得到原始曲线相对坐标的预测值。得到原始曲线相对坐标的预测值。得到原始曲线相对坐标的预测值。

【技术实现步骤摘要】
一种图片曲线相对数值坐标自动提取方法


[0001]本专利技术涉及一种图像信息数值化方法，具体涉及一种图片曲线相对数值坐标自动提取方法。

技术介绍

[0002]数据图表是交流科学理论和技术的一种重要方式，自由地获取数据可以加速新技术的推广应用。人们可以比较方便地获取可视化的图片数据，但在多数情况下，不能直接得到图片中的数值信息。为解决此问题，人们提出了一些半自动化的方法，例如当图片中的曲线颜色与背景不同时，可以人为选定曲线的颜色进行曲线像素点提取，或者当图片中的曲线是由多段折线连接而成时，通过人为点选曲线上的节点进行曲线的自动重生成。除了需要人为参与确定曲线的具体位置外，这些方法的另外一个共同点是需要人为对曲线所属的坐标轴进行标定，即需要提供图片中横纵坐标轴的起点、单个像素点对应的横轴距离、单个像素点对应的纵轴距离等信息。
[0003]近年来，基于深度学习的目标检测技术突飞猛进，为图片曲线范围的自动定位提供了一种新方法。同时，对于某些特殊的使用场景，人们往往只需要获得曲线的相对坐标值，而不是其绝对数值，此时利用神经网络有监督训练方法，可以成功构建自动化提取图片曲线相对坐标的算法模型。

技术实现思路

[0004]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种图片曲线相对数值坐标自动提取方法，通过神经网络模型一实现图片中的曲线位置范围检测，通过神经网络模型二实现曲线相对坐标值提取。
[0005]为达到以上目的，本专利技术采取的技术方案是：一种图片曲线相对数值坐标自动提取方法，包括以下步骤：步骤S1、随机生成一系列的曲线数据点，将上述曲线数据点绘制成曲线图，对曲线图按照标注框与曲线轮廓相切的方式（标注框需要紧贴曲线轮廓）标注曲线范围的精确位置，得到曲线标注框位置，结合曲线图和曲线标注框位置，构建神经网络模型一的标注数据集；步骤S2、取出曲线标注框框选区域内的图像，并将图像缩放到一定的尺寸，得到标准化图片；步骤S3、将标准化图片对应的曲线数据点进行非线性插值计算，将标准化图片对应的曲线数据点的个数扩展到与神经网络模型二输出值相同的数量，并在[0,1]区间内进行标准化，得到训练神经网络模型二所需的标签值；步骤S4、结合标准化图片和训练神经网络模型二所需的标签值构建神经网络模型二的标注数据集；步骤S5、采用开源的目标检测算法，基于前述神经网络模型一的标注数据集进行
曲线范围检测模型的训练，得到训练好的神经网络模型一；步骤S6、基于前述神经网络模型二的标注数据集进行曲线相对坐标预测模型的训练，得到训练好的神经网络模型二。
[0006]在上述方案的基础上，所述神经网络模型二的结构中C1、C2和C3是卷积层，R1、R2和R3是RELU层，P1、P2和P3是Pooling层，D1、D2是Dropout层，FC1、FC2是全联接层；输出层中共有n个输出值，n个输出值为神经网络对当前样本的预测结果。
[0007]在上述方案的基础上，所述n为步骤S2中标准化图片横轴方向的像素点个数。
[0008]在上述方案的基础上，将待检测图片输入到训练好的神经网络模型一，并将输出的标准化图片输入到训练好的神经网络模型二，得到原始曲线相对坐标的预测值。
[0009]本专利技术的有益效果：a，基于深度学习目标检测技术的曲线范围提取方法，不需要人为标定横纵坐标轴。
[0010]b，因为提取的是标准化之后的相对坐标值，所以本方法可以实现完全的自动化，这是与一般基于颜色、人为点选方法的不同之处。
[0011]c，对于不同大小的原始图片，都能得到标准化的输出结果。
附图说明
[0012]本专利技术有如下附图：图1曲线图示例1示意图。
[0013]图2 曲线图示例2示意图。
[0014]图3 曲线图示例3示意图。
[0015]图4 曲线图示例4示意图。
[0016]图5 曲线图标注框示例1示意图。
[0017]图6 曲线图标注框示例2示意图。
[0018]图7 曲线图标注框示例3示意图。
[0019]图8 曲线图标注框示例4示意图。
[0020]图9 曲线图标注框标准化示例1示意图。
[0021]图10 曲线图标注框标准化示例2示意图。
[0022]图11 曲线图标注框标准化示例3示意图。
[0023]图12 曲线图标注框标准化示例4示意图。
[0024]图13 曲线相对数值坐标提取模型结构示意图。
具体实施方式
[0025]以下结合附图1
‑
13对本专利技术作进一步详细说明。
[0026]1，构建数据集因涉及到两个神经网络，所以需要分别建立两个独立的数据集。为了提高数据集的构建效率，提出基于人造数据的构建思路，具体如下。
[0027]a，生成神经网络模型一的数据集随机生成一系列的曲线数据点，如表1所示，
表1将表1中的数据点绘制成曲线图，如图1
‑
图4所示，对如图1
‑
图4所示的曲线图片按照如图5
‑
图8的方式标注曲线范围的精确位置，结合如图1
‑
图4所示的曲线图片和如图5
‑
图8所示的曲线标注框位置，即构建成神经网络模型一的标注数据集。
[0028]b，生成神经网络模型二的标注数据集取出如图5
‑
图8所示的框选区域内图像，并将图像缩放到一个统一标准尺寸，例如100
×
100像素，得到如图9
‑
图12所示的标准化图片。
[0029]将图9
‑
图12对应的表1中的数据进行非线性插值计算，将表中的数据点个数扩展到与神经网络模型二输出值相同的数量，并将数值在[0,1]之间进行标准化，表2给出了将表1中前2列数据扩展为10列数据的示例，即为训练神经网络模型二所需的标签值。
[0030]表2结合如图9
‑
图12所示的曲线图片和如表2所示的曲线相对坐标值，即构建成神经网络模型二的标注数据集。
[0031]2，神经网络模型一训练方法采用开源的目标检测算法，例如yolo v4等等，基于前述神经网络一的标注数据集进行曲线范围检测模型的训练。
[0032]3，神经网络模型二训练方法：基于前述神经网络模型二的标注数据集进行曲线相对坐标预测模型的训练，得到训练好的神经网络模型二；所述神经网络模型二如图13所示，网络结构中C1、C2和C3是卷积层，R1、R2和R3是RELU层，P1、P2和P3是Pooling层，D1、D2是Dropout层，FC1、FC2是全联接层；输出层中共有n个输出值，n个输出值为神经网络对当前样本的预测结果，即对标准化曲线相对坐标的预测
值，其中n为上述步骤b中标准化图片横轴方向的像素点个数。
[0033]4，实际使用方法a，将待检测图片输入训练好的神经网络模型一中，得到标准化的输出图片。
[0034]b，将上一步得到的标准化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片曲线相对数值坐标自动提取方法，其特征在于，包括以下步骤：步骤S1、随机生成一系列的曲线数据点，将上述曲线数据点绘制成曲线图，对曲线图按照标注框与曲线轮廓相切的方式标注曲线范围的精确位置，得到曲线标注框位置，结合曲线图和曲线标注框位置，构建神经网络模型一的标注数据集；步骤S2、取出曲线标注框框选区域内的图像，并将图像缩放到一定的尺寸，得到标准化图片；步骤S3、将标准化图片对应的曲线数据点进行非线性插值计算，将标准化图片对应的曲线数据点的个数扩展到与神经网络模型二输出值相同的数量，并在[0,1]区间内进行标准化，得到训练神经网络模型二所需的标签值；步骤S4、结合标准化图片和训练神经网络模型二所需的标签值构建神经网络模型二的标注数据集；步骤S5、采用开源的目标检测算法，基于前述神经网络模型一的标注数据集进行曲线范围检测模型的训练，得到训练...

【专利技术属性】
技术研发人员：高峰利，李绍，林锥，王怀喜，
申请(专利权)人：北京京仪光电技术研究所有限公司，
类型：发明
国别省市：