CN101025789A - 基于计算提取数字图像选择性骨骼面积特征的数字识别方法 - Google Patents
基于计算提取数字图像选择性骨骼面积特征的数字识别方法 Download PDFInfo
- Publication number
- CN101025789A CN101025789A CN 200710038791 CN200710038791A CN101025789A CN 101025789 A CN101025789 A CN 101025789A CN 200710038791 CN200710038791 CN 200710038791 CN 200710038791 A CN200710038791 A CN 200710038791A CN 101025789 A CN101025789 A CN 101025789A
- Authority
- CN
- China
- Prior art keywords
- digital
- digital picture
- digital image
- image
- bone area
- 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)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于计算提取数字图像选择性骨骼面积特征的数字识别方法。提取数字图像的骨架后,利用不同数字在数字图像中不同位置区域的黑白面积不同的特征,提取数字图像的四角和中心位置五个区域的面积作为数字特征,而后根据该数字的特征进行数字识别。该方法可靠性高,识别速度快,且易操作,适用于进行实时数字识别。
Description
技术领域
本发明涉及一种数字识别方法,特别是一种基于计算提取数字图像选择性骨骼面积特征的数字识别方法。
背景技术
数字识别在实际生活中有着重要的应用价值,比如工业生产中的仪表数字,利用数字识别技术可以实现自动读表,并建立数据库,提高抄表员的效率和准确率。再如规范手写体或者印刷体数字的识别在支票、彩票或者身份证等方面应用。
从90年代初期就有很多人参与了数字识别的研究,从图像处理、分割、特征提取到分类器的构造都提出了很多新的算法,极大地促进了数字识别的正确率和应用范围,其中特征构造是降低学习器输入维数并有效地提高了学习器的识别率的重要手段,比较常用的是有统计特征、结构特征和变换特征,其中统计特征稳健但会忽略细节,结构特征细致但易受噪声干扰,所以需要将两者结合提取特征。
提取的特征要求,1)稳健性,因为只有稳健性高了,识别时才能克服噪声影响;2)快速,才能满足实时识别的要求。
发明内容
本发明的目的在于提供一种基于计算提取数字图像选择性骨骼面积特征的数字识别算法,能可靠、快速、实时识别数字。
为了实现这个目的,本发明的构思是:图像经过预处理后首先利用一些常用的方法提取图像的骨架,然后再利用数字在不同位置区域黑白面积不同的特性,从四角和中心位置提取五个区域的面积作为特征,最后基于所选择的特征进行数字识别。
根据上述的发明构思,本发明采用下述技术方案:
一种基于计算提取数字图像选择性骨骼面积特征的数字识别方法,其特征在于提取数字图像的骨架后,利用数字在数字图像中不同位置区域黑白面积不同的特性,提取从数字图像的四角和中心位置五个区域的面积作为数字特征,而后根据该数字特征进行数字识别。其具体操作步骤如下:
(1)数字图像的骨架提取;
(2)理想数字图像(一套24*16的数字图像)的具有选择性的骨骼面积算法:
将经骨架提取后的数字图像等面积划分为九份(如图1所示),并将计算所得的四个角和中心区域的面积作为整个理想数字的特征,即每一个理想数字各有五个数字特征值;
(3)待识别数字图像的具有选择性的骨骼面积算法:将经骨架提取后的待识别的数字图像等面积划分为九份(如图1所示),并将计算所得的四个角和中心区域的面积作为整个数字的特征,即每一个待识别数字有五个数字特征值;
(4)数字图像识别:利用相关系数(标准化的斜方差)方法分别计算待识别的数字图像的特征与0至9的各理想数字图像的特征的匹配程度;
(5)得出识别结果:找出步骤(4)中和待识别数字图像的匹配程度最高的理想数字图像,该数字图像中的数字即为对待识别数字图像的识别结果。
上述的基于计算提取数字图像选择性骨骼面积特征的数字识别方法,所述的步骤(1)中的数字图像的骨架提取的具体操作如下:
①灰度均衡化;
②二值化:假设域值为σ(根据经验或实验确定),将数字图像经灰度均衡化处理之后的像素表示值在区域[0,σ]内的像素表示值均置为0,其余的像素表示值均置为1;
③去除噪声:利用Gauss滤波器滤波;
④骨骼化:利用细化技术(保持原有数字形状的同时使数字笔画宽度降为1bit)以得到区域的骨架,从而把一个平面区域简化成图。
⑤提取目标:提取可以充满数字的最小的矩形。
上述的基于计算提取数字图像选择性骨骼面积特征的数字识别方法,所述的步骤①中的灰度均衡化的计算的步骤的计算步骤如下:
a、列出原始数字图灰度级Sk,k=0,1.....L-1,L为表示单个灰度图像像素的比特数目;
b、统计原始直方图各个灰度级像素个数nk;
c、计算原始直方图:p(sk)=nk/n(k=0,1,...,L-1),n是原始数字图像中像素的总个数;
d、计算累计直方图:
e、取整扩展:tk=int[L-1)tk+0.5];
f、确定映射对应关系:sk→tk;
上述的数字图像的具有选择性骨骼面积算法如下:
设定图像用I表示,其面积用S表示,图像高和宽分别为m和n,将图像等面积划分成九份,其划分方法和各部分标号如图1所示。则图像的四个角和中心区域的五个面积特征可分别计算如下:
S(1)=∑(∑I((m0∶m1,n0∶n1)));
S(2)=∑(∑I((m0∶m1,n2∶n3)));
S(3)=∑(∑I((m2∶m3,n2∶n3)));
S(4)=∑(∑I((m2∶m3,n0∶n1)));
S(5)=∑(∑I((m1∶m2,n1∶n2)));
此处,m0,m1,m2,m3,n0,n1,n2,和n3由如下计算所得:
m0=1;m1=round(m3/3);m2=round(m3*2/3);
n0=1;n1=round(n3/3);n2=round(n3*2/3);
图3给出理想数字图像。表1给出理想数字图像的特征。
数字 | 特征1 | 特征2 | 特征3 | 特征4 | 特征5 |
0 | 5 | 5 | 5 | 5 | 0 |
1 | 0 | 3 | 3 | 0 | 0 |
2 | 2 | 5 | 2 | 5 | 2 |
3 | 2 | 5 | 5 | 2 | 2 |
4 | 3 | 3 | 3 | 0 | 2 |
5 | 5 | 2 | 5 | 2 | 2 |
6 | 5 | 2 | 5 | 5 | 2 |
7 | 5 | 5 | 3 | 0 | 0 |
8 | 5 | 5 | 5 | 5 | 2 |
9 | 5 | 5 | 5 | 2 | 2 |
表1:理想数字图像的利用本发明提取的特征数值。
附图说明:
图1为本发明的数字图像及其需要提取面积的区域划分图。
图2为本发明的数字识别的流程图。
图3为本发明的理想数字图像。
图4为本发明进行数字图像骨架提取的①②③处理之后的数字图像。
图5为本发明进行骨骼化后的数字图像。
图6为本发明的目标数字图像。
具体实施方式:
本发明的一个优选实施例结合附图详述如下:
(1)数字图像的骨架提取:
①灰度均衡化:例如
设定有一待识别的数字图像,其灰度级分为8个等级(0,1,2,3,4,5,6,7,8);
该数字图像经统计后原始直方图的各个灰度级像素个数分别为790,1023,850,656,329,245,122,81;
计算各个灰度级的原始直方图分别为:0.19,0.25,0.21,0.16,0.08,0.06,0.03,0.02;
计算累计直方图分别为:0.19,0.44,0.65,0.81,0.89,0.95,0.98,1.00;
用公式tk=int[L-1)tk+0.5]取整扩展得:1,3,5,6,6,7,7,7;
确定映射对应关系;0→1,1→3,2→5,3,4→6,5,6,7→7。
②二值化:设置域值为0.3,将数字图像经灰度均衡化处理之后像素表示值在区域[0,0.3]的像素表示值均置为0,其余的像素表示值均置为1;
③去除噪声;如:利用3*3的Gauss滤波器进行滤波;
④骨骼化;利用细化技术以得到区域的骨架,从而把一个平面区域简化成图。如:
经过步骤①②③之后的数字图像“6”如图4所示,经骨骼化处理之后,其数字图像如图5所示;
⑤提取目标;提取可以充满数字的最小的矩形。如:数字图像“6”在提取目标步骤之前如图5所示,而提取目标之后,其图像如图6所示;
(2)理想数字图像(一套24*16的数字图像)的具有选择性的骨骼面积算法:将经骨架提取后的数字图像等面积划分为九份(如图1所示),并将计算所得的四个角和中心区域的面积作为整个理想数字的特征,即每一个理想数字各有五个数字特征值。0至9的各个理想数字的特征值详见表1;
(3)待识别数字图像的具有选择性的骨骼面积算法;将经骨架提取后的待识别的数字图像等面积划分为九份(如图1所示),并将计算所得的四个角和中心区域的面积作为整个数字的特征,即每一个待识别数字有五个数字特征值。如:待识别数字图像的各个特征经计算为5、2、5、5、3;
(4)数字图像识别:利用相关系数方法分别计算待识别数字图像和0至9的理想数字图像的匹配程度。如:以步骤(2)中的理想数字和步骤(3)中的待识别数字为例,其相关系数分别为0.3953、-0.3227、-0.3227、-0.3227、-0.2712、0.6455、0.9682、-0.1409、0.3953、0;
(5)得出识别结果:找出步骤(4)中和待识别数字的匹配程度最高的理想数字,该数字即为识别结果。如:依步骤(4)的举例结果,其识别结果为待识别的数字为6。
Claims (4)
1、一种基于计算提取数字图像选择性骨骼面积特征的数字识别方法,其特征在于提取数字图像的骨架后,利用数字在数字图像中不同位置区域黑白面积不同的特性,提取从数字图像的四角和中心位置五个区域的面积作为数字特征,而后根据该数字特征进行数字识别。其具体操作步骤如下:
(1)数字图像的骨架提取;
(2)计算理想数字图像的特征:利用数字图像选择性骨骼面积算法,计算出经过数字图像骨架提取后的0至9的理想数字图像的选择性骨骼面积,并将其提取为理想的数字特征;
(3)计算待识别数字图像的特征:采用数字图像选择性骨骼面积算法,计算出经过数字图像骨架提取后的待识别数字图像的选择性骨骼面积,并将其提取为待识别数字的特征;
(4)数字图像识别:计算所得到的待识别数字特征与0至9的理想数字特征的匹配程度;
(5)得出识别结果:找出步骤(4)中和待识别数字的匹配程度最高的理想数字,该数字即为识别结果。
2、根据权利要求1所述的基于计算提取数字图像选择性骨骼面积特征的数字识别方法,其特征在于所述的步骤(1)中的数字图像的骨架提取,其具体操作步骤为:
①灰度均衡化;
②二值化:假设域值为σ,将数字图像经灰度均衡化处理之后像素表示值在区域[0,σ]的像素表示值均置为0,其余的像素表示值均置为1;
③去除噪声:利用Gauss滤波器滤波;
④骨骼化:利用细化技术以得到区域的骨架,从而把一个平面区域简化成图。
⑤提取目标;提取可以充满数字的最小的矩形。
3、根据权利要求2所述的基于计算提取数字图像选择性骨骼面积特征的数字识别方法,具体特征在于所述的步骤①中的灰度均衡化的步骤的计算步骤如下:
a、列出原始数字图灰度级Sk,k=0,1,...,L-1,L为表示单个灰度图像像素的比特数目;
b、统计原始直方图各个灰度级像素个数nk;
c、计算原始直方图:p(Sk)=nk/n(k=0,1,...,N-1),n是原始数字图像中像素的总个数;
d、计算累计直方图:
e、取整扩展:tk=int[(L-1)tk+0.5];
f、确定映射对应关系:Sk→tk。
4、根据权利要求1所述的基于计算提取数字图像选择性骨骼面积特征的数字识别方法,其特征在于所述的步骤(2)和(3)中采用的数字图像选择性骨骼面积算法如下:
设定图像用I表示,其面积用S表示,图像高和宽分别为m和n,将图像等面积划分成九份。则图像的四个角和中心区域的五个面积特征可分别计算如下:
S(1)=∑(∑I((m0∶m1,n0∶n1)));
S(2)=∑(∑I((m0∶m1,n2∶n3)));
S(3)=∑(∑I((m2∶m3,n2∶n3)));
S(4)=∑(∑I((m2∶m3,n0∶n1)));
S(5)=∑(∑I((m1∶m2,n1∶n2)));
此处,m0,m1,m2,m3,n0,n1,n2,和n3由如下计算所得:
m0=1;m1=round(m3/3);m2=round(m3*2/3);
n0=1;n1=round(n3/3);n2=round(n3*2/3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710038791 CN101025789A (zh) | 2007-03-29 | 2007-03-29 | 基于计算提取数字图像选择性骨骼面积特征的数字识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710038791 CN101025789A (zh) | 2007-03-29 | 2007-03-29 | 基于计算提取数字图像选择性骨骼面积特征的数字识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101025789A true CN101025789A (zh) | 2007-08-29 |
Family
ID=38744071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200710038791 Pending CN101025789A (zh) | 2007-03-29 | 2007-03-29 | 基于计算提取数字图像选择性骨骼面积特征的数字识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101025789A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140660B (zh) * | 2007-10-11 | 2010-05-19 | 华中科技大学 | 基于离散曲线演化的骨架剪枝方法 |
CN102117490A (zh) * | 2009-12-30 | 2011-07-06 | 上海幻维数码创意科技有限公司 | 基于描述数据的角色模块化骨架系统构造方法及装置 |
CN103279788A (zh) * | 2013-04-28 | 2013-09-04 | 广东欧珀移动通信有限公司 | 一种自动识别数字的计数方法及移动终端 |
CN103778900A (zh) * | 2012-10-23 | 2014-05-07 | 浙江大华技术股份有限公司 | 一种图像处理方法及系统 |
CN103996057A (zh) * | 2014-06-12 | 2014-08-20 | 武汉科技大学 | 基于多特征融合的实时手写体数字识别方法 |
CN105809161A (zh) * | 2016-03-10 | 2016-07-27 | 深圳市依伴数字科技有限公司 | 医用胶片数字id的光学识读方法 |
CN106874911A (zh) * | 2017-03-03 | 2017-06-20 | 沈阳工程学院 | 一种应用划分法得到的面积比例来进行印刷体数字识别的方法 |
WO2019033510A1 (zh) * | 2017-08-16 | 2019-02-21 | 歌尔科技有限公司 | 一种vr应用程序的识别方法及电子设备 |
-
2007
- 2007-03-29 CN CN 200710038791 patent/CN101025789A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101140660B (zh) * | 2007-10-11 | 2010-05-19 | 华中科技大学 | 基于离散曲线演化的骨架剪枝方法 |
CN102117490A (zh) * | 2009-12-30 | 2011-07-06 | 上海幻维数码创意科技有限公司 | 基于描述数据的角色模块化骨架系统构造方法及装置 |
CN102117490B (zh) * | 2009-12-30 | 2013-11-13 | 上海幻维数码创意科技有限公司 | 基于描述数据的角色模块化骨架系统构造方法及装置 |
CN103778900A (zh) * | 2012-10-23 | 2014-05-07 | 浙江大华技术股份有限公司 | 一种图像处理方法及系统 |
CN103778900B (zh) * | 2012-10-23 | 2016-04-20 | 浙江大华技术股份有限公司 | 一种图像处理方法及系统 |
CN103279788A (zh) * | 2013-04-28 | 2013-09-04 | 广东欧珀移动通信有限公司 | 一种自动识别数字的计数方法及移动终端 |
CN103279788B (zh) * | 2013-04-28 | 2016-07-06 | 广东欧珀移动通信有限公司 | 一种自动识别数字的计数方法及移动终端 |
CN103996057A (zh) * | 2014-06-12 | 2014-08-20 | 武汉科技大学 | 基于多特征融合的实时手写体数字识别方法 |
CN103996057B (zh) * | 2014-06-12 | 2017-09-12 | 武汉科技大学 | 基于多特征融合的实时手写体数字识别方法 |
CN105809161A (zh) * | 2016-03-10 | 2016-07-27 | 深圳市依伴数字科技有限公司 | 医用胶片数字id的光学识读方法 |
CN106874911A (zh) * | 2017-03-03 | 2017-06-20 | 沈阳工程学院 | 一种应用划分法得到的面积比例来进行印刷体数字识别的方法 |
WO2019033510A1 (zh) * | 2017-08-16 | 2019-02-21 | 歌尔科技有限公司 | 一种vr应用程序的识别方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101025789A (zh) | 基于计算提取数字图像选择性骨骼面积特征的数字识别方法 | |
CN104063706B (zh) | 一种基于surf算法的视频指纹提取方法 | |
CN101567043B (zh) | 基于分类识别的人脸跟踪方法 | |
CN103366367B (zh) | 基于像素数聚类的模糊c-均值灰度图像分割方法 | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
CN107480649A (zh) | 一种基于全卷积神经网络的指纹汗孔提取方法 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN1322465C (zh) | 自动指纹识别方法中的图像分割及指纹纹路距离提取方法 | |
CN101290659A (zh) | 基于组合分类器的手写识别方法 | |
CN109447069A (zh) | 面向智能终端的车辆信息采集识别方法及系统 | |
CN107341463A (zh) | 一种结合图像质量分析与度量学习的人脸特征识别方法 | |
CN108764041A (zh) | 用于下部遮挡人脸图像的人脸识别方法 | |
CN105139041A (zh) | 基于图像的语种识别方法及装置 | |
CN113435424B (zh) | 一种保密介质销毁颗粒度的识别方法和系统 | |
CN104008375A (zh) | 基于特征融合的集成人脸识别方法 | |
CN105224937A (zh) | 基于人体部件位置约束的细粒度语义色彩行人重识别方法 | |
CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
CN102254188A (zh) | 掌纹识别方法及装置 | |
CN106529377A (zh) | 一种基于图像的年龄估计方法、装置及系统 | |
CN104794440A (zh) | 一种基于多分块多尺度lbp的假指纹检测方法 | |
CN106372624A (zh) | 人脸识别方法及系统 | |
CN103839074B (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
CN104361096A (zh) | 一种基于特征富集区域集合的图像检索方法 | |
CN110458792A (zh) | 人脸图像质量的评价方法及装置 | |
CN110287847A (zh) | 基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |