CN102156876A - 基于十六值变换的符号识别方法 - Google Patents
基于十六值变换的符号识别方法 Download PDFInfo
- Publication number
- CN102156876A CN102156876A CN 201110080680 CN201110080680A CN102156876A CN 102156876 A CN102156876 A CN 102156876A CN 201110080680 CN201110080680 CN 201110080680 CN 201110080680 A CN201110080680 A CN 201110080680A CN 102156876 A CN102156876 A CN 102156876A
- Authority
- CN
- China
- Prior art keywords
- image
- background
- symbol
- eigenwert
- glyph image
- 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
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于十六值变换的符号识别方法,包括如下步骤:(1.1)针对待识别符号的类型,准备该类型所有符号的符号图像(1.2)对每个符号图像,建立背景十六值变换的特征描述,获得代表该符号图像的特征表达,构建该类型符号的特征知识库(2.1)对输入图像进行二值化处理,从中分割出待识别的符号图像(2.2)对符号图像规整化(2.3)对规整化后的符号图像建立背景十六值变换的特征描述,获得代表该符号图像的特征表达(2.4)根据获得的符号图像的特征表达,利用构建的特征知识库,识别出符号。本发明能有效消除非法符号的干扰,具有特征提取简单、识别率高、识别速度快等特点,大大提高了符号识别技术的可用性。
Description
技术领域
本发明属于图像数据处理与模式识别方法,具体涉及一种符号识别方法。
背景技术
符号识别是在各种纸质文档数字化过程中自动识别其上各种印刷体、手写体图符标注的过程。理想的符号识别能正确识别出数字化文档图像上的各种符号标注,并不受各种干扰的影响,从而使更高层的图像理解成为可能。
传统的符号识别方法(参见文献:张忻中.汉字识别技术.北京:清华大学出版社,1992;周昌乐.手写汉字的机器识别.北京:科学出版社,1997.)一般有基于神经网络的识别和基于形状分析的识别两大类。神经网络是一种计算智能中的仿生结构算法,它是一类由结点相互连结所组成的计算模型,每一结点通过简单的运算完成从输入到输出的计算,然后这一输出结果通过连接传到其他结点。神经网络模拟了大脑神经系统,结点对应神经元,连接对应神经元传递信号的突触。基于神经网络的识别需要设计网络系统,还需要通过训练样本对其进行训练学习。而基于形状分析的识别提取待识别符号的形状描述特征进行匹配识别,属于统计模式识别的方法。这些传统方法在扫描图像质量好、不同符号之间差异很大而相同符号之间差异很小的情况下可以取得较好的识别效果。但在实际的扫描图像上,往往会有噪声和符号变形等因素的影响。不同应用背景的数字化文档图像中,有的符号是印刷体,有的符号是手写体,即使同一种符号之间可能存在较大形状差异。此外,从图像上分割出来的待识符号中还常常存在许多非法符号会对识别造成干扰。对于这些情况,如果采用传统的方法来识别则会出现时间开销大、算法适用范围窄、抗干扰能力差和识别率不高等缺点。
发明内容:
本发明提出一种基于十六值变换的符号识别方法,解决现有符号识别方法抗干扰能力差、难以工程实用化的问题;其识别结果用于纸质文档数字化及自动理解,提高符号识别的可用性。
基于十六值变换的符号识别方法,步骤为:
(1)特征知识库的建立步骤
(1.1)针对待识别符号的类型,准备该类型所有符号的标准符号图像;
(1.2)对于一个符号的图像,建立背景十六值变换的特征表达,确定该图符背景区域的类型,形成对其特征的描述;
(1.3)对准备的所有符号图像进行上一步的处理,建立某一类型所有符号的特征描述,即可构建出该类型符号的特征知识库。
(2)符号识别步骤
(2.1)对输入图像进行二值化,从中分割出待识别的符号图像;
(2.2)统一尺度的保真规整化,即保持高宽比例将包含待识别符号图像的最小外接矩阵图像进行缩放,使其长边为一定值,并将图像居中填充到以该定值为边长的正方形空白图像中,形成规整化后的符号图像;
(2.3)使用背景十六值变换的特征表达方法,对规整化后的待识别图像的特征进行描述;
(2.4)基于特征知识库和背景区域的特征描述对图符进行识别。
本发明相对现有技术具有以下优点:
1.提出了一种基于十六值变换的符号背景描述方法,通过该描述方法获取了图符背景区域的结构特征,该特征描述方法具有抗干扰能力强,能够适应小角度旋转、尺度缩放等特点,同时具有算法简洁、计算复杂度低的特点;
2.基于符号背景十六值变换特征描述的符号标注识别方法,能够自动识别数字化图像上的各种印刷体、手写体符号,识别率高,同时具有算法简洁、计算复杂度低、易于工程实现等特点;
采用本发明,可以快速识别数字化图像上的各种印刷及手写体符号标注,对于图像上的其它特殊符号标注,基于该特征描述方法也可以快速实现自动识别录入。同时该算法时间复杂度和空间复杂度都很低,可用非常低的硬件成本实现。在识别性能、处理速度和性价比等方面均优于现有符号识别系统。
附图说明
图1是本发明的流程图;
图2是数值背景表达算法示意图;
图3是数值背景表达结果示意图;
图4是待识别的符号示例图;
图5是图4中各符号经数值背景表达后典型背景区域的特征值示意图;
图6是统一尺度的保真规整化示意图;
图7是0~9十个待识别的手写体数字图像及其经数值背景表达后的结果,其中:(a)是0~9十个待识别的手写体数字图像示例,(b)是各数字图像经数值背景表达后典型背景区域的特征值示意图。
具体实施方式
为了更加清楚明白的阐述本发明的目的、技术方案和优点,下面结合附图及具体实施例对本发明作进一步详细的说明。
针对传统的识别方法在有符号变形和非法符号干扰等情况下识别效果不理想的问题,本发明提出了一种基于十六值变换的符号识别方法。其基本思想是对二值符号图像(图符)中的背景像素按照一定规律进行编码得到十六种不同的特征值,以此来反映每个背景像素所处的环境,从而反映图符的结构特征。该识别方法的处理流程如图1所示,首先预估需要识别的符号所属的类型,准备好该类型所有符号的图像,分别进行十六值背景表达,建立各符号与特征表达之间的联系,形成特征知识库,作为识别前的准备。输入一幅扫描的图像,首先作预处理,对图像进行二值化并从中分割出待识别的符号;接着对待识图符进行规整化,保持高宽比例将其规整为符合一定要求的图像;然后对规整化后的图像进行背景十六值数值表达变换,形成图符背景区域的特征值;最后利用知识库进行特征识别,并输出识别结果。
图1是基于十六值变换的符号识别方法处理流程图。
一种基于十六值变换的符号识别方法,包括:(1)预估待识别符号的类型,构建包含该类型中所有符号的特征知识库的步骤;(2)基于知识库的符号识别步骤。
其中,构建所述特征知识库的步骤具体为:
(1.1)针对待识别符号的类型,准备该类型所有符号的符号图像,该符号图像满足:(i)一定尺寸(如64*64像素,与之后识别过程中对输入图像进行规整的尺寸一致)的正方形二值图像;(ii)符号的最小外接矩阵居中且其长边等于正方形图像边长;(iii)图像中的符号形态规整、标准。
(1.2)对于所准备的该类型中一个符号的标准图像,建立背景十六值变换的特征表达,确定该图符背景区域的类型,形成对其特征的描述;
数值背景表达就是对图像中的背景点进行数值变换,以获取图符背景区域的结构特征。建立背景十六值变换特征的数值背景表达并确定图符的背景区域类型的过程主要分以下两步:
首先,计算该符号图像背景点的特征值。
置背景点的初始特征值为0。数值变换就是对图像进行扫描,对每一个背景点P进行变换。
具体做法是:从P出发,分别向垂直向上(方向4)、垂直向下(方向2)、水平向左(方向1)、水平向右(方向3)四个方向引射线,如图2所示。若在方向3上遇到遮挡(即遇到目标像素),则特征值加1;若在方向1上遇到遮挡,则特征值加2;若在方向2上遇到遮挡,则特征值加4;若在方向4上遇到遮挡,则特征值加8,如此形成每个背景点的特征值。
所有背景点经过上述变换后,共可能形成种不同的特征值,这16种特征值分别代表该像素所处的不同背景环境。表1列出了背景点所有可能的特征值。图3是一幅待识别符号图像的数值背景表达结果示意图(“*”表示符号的目标像素)。
表1背景和区域的特征值及其表达的含义
特征值 | 所表示的含义 | 特征值 | 所表示的含义 |
0 | 上下左右均无遮挡 | 8 | 仅上边有遮挡 |
1 | 仅右边有遮挡 | 9 | 右边和上边有遮挡 |
2 | 仅左边有遮挡 | A(10) | 左边和上边有遮挡 |
3 | 左边和右边有遮挡 | B(11) | 仅向下开口 |
4 | 仅下边有遮挡 | C(12) | 上边和下边有遮挡 |
5 | 右边和下边有遮挡 | D(13) | 仅向左开口 |
6 | 左边和下边有遮挡 | E(14) | 仅向右开口 |
7 | 仅向上开口 | F(15) | 上下左右均有遮挡 |
其次,统计背景点特征值的分布,得到背景各区域的类型,进而获得对整个背景区域的模式语言描述。
得到每一个背景点的特征值后,根据目标点将整个背景划分成多个区域。统计各背景区域背景点的分布和数量,确定各背景区域的类型:将处于同一区域内、具有同一特征值且数量最多的背景点的特征值指定为该背景区域的特征值。表1同时也反映了背景点所处的区域类型。如:F表示全封闭的区域,0表示区域上下左右均无遮挡,1表示区域右边有遮挡等。
进而,通过各区域的面积和相对位置关系对各符号图像的整个背景区域进行模式语言描述。
例如,图5中的第一个符号,背景中间的点均为F型的特征值,且这些点共同构成了一个位于图像中央的全封闭区域,那么可以得出:待识图符背景中有一个F区,且位于图像中央,面积较大。又如从图5中的最后一个符号也可以得出:图符背景中有一个D区、一个E区,且D区在E区的左下方。
(1.3)对准备的所有符号图像进行步骤(1.2)的处理,建立某一类型所有符号的特征描述,即可构建出该类型符号的特征知识库。
其中,所述的基于知识库的符号识别步骤具体过程如下:
(2.1)对输入图像进行二值化,从中分割出待识别的符号图像;
对于扫描得到的图像,首先要使用分割方法对其进行二值化,以便从图像中提取出符号(目标)和背景。由于照光不均,扫描后的图像可能存在灰度不均的情况。为了较好解决这一问题,本实施例优选采用局部门限法:将整幅图像划分成若干子图像后,再用类别方差自动门限法确定各个子图像的门限。类别方差法的适应性强,能够提供比较好的分割效果。
一般来说,符号是一个单连通区域,而且尺寸在一定的范围之内,因此,采用区域增长算法求出二值图像中所有的连通域,并将最小外接矩形的长和宽在一定范围之内的连通域作为待识别的符号图像。
(2.2)统一尺度的保真规整化,即保持高宽比例将包含待识别符号图像的最小外接矩阵图像进行缩放,使其长边为一定值,并将图像居中填充到以该定值为边长的正方形空白图像中,形成规整化后的符号图像;
为了避免因待识符号图像大小不一而产生的特征差异的干扰,需要将待识的符号图像保持高宽比例规整成一定大小(例如64像素×64像素,与建立知识库时使用的标准图像尺寸一致),并使其居中,如图6所示。保持高宽比例进行缩放可以避免图符失真,居中可以避免破坏某些图符具有的对称性。具体实现方法如下:
设图符的最小外接矩阵图像的高和宽分别为h和w,那么缩放比率为
r=64/max(h,w)
以图像左上方的顶点作为坐标原点,水平向右为x轴正向,垂直向下为y轴正向,对于规整化后图像中的点(x,y),给出如下不等式:
x<(64-w×r)/2,
y<(64-h×r)/2,
x>=(64-w×r)/2+w×r,
y>=(64-h×r)/2+h×r,
若满足以上不等式之一,则直接将(x,y)置为背景点,否则(x,y)对应原最小外接矩阵图中的点(x0,y0)。其中
x0=(x-(64-w×r)/2)/r,
y0=(y-(64-h×r)/2)/r.
(2.3)利用上述步骤(1.2),使用背景十六值变换的特征表达方法,对规整化后的符号图像的特征进行描述;
(2.4)基于特征知识库和背景区域的特征描述对图符进行识别;
将该待识别图像的特征描述与已建立的特征知识库进行对比,即可识别出该待识图符究竟对应的是预期范围内的哪种符号。
特征知识库是基于知识的自动目标识别中的重要准备,是对应于一定的特征表达方法的,是根据已有的先验知识、对预期范围内的各种可能目标进行的特征描述。特征知识库的建立,与特征表达方法及预期检测的目标范围密切相关。例如,预期的目标可能只有:甲、乙、丙、丁以及无法识别五种可能,则针对某种特征表达方法,对已确定为这五种类型的目标进行特征描述,并将得到的特征表达与目标类型建立对应关系,形成针对特定特征表达方法、特定预期识别范围的特征知识库。在本发明中,相应特征知识库的建立是基于背景十六值变换这种特征表达方法的,而预期检测目标的范围则因实际应用的不同而存在差异。对待检测目标的可能性情况估计得越准确,特征知识库构建的规模越恰当,出现错判的可能性越小,检测的成功率越大。
特征知识库的建立与整个符号识别的过程有类似之处。其相同点在于:都需要历经全部的特征表达过程。不同点在于:用于特征知识库建立的待识别图符,是明确知道其所属符号的,所以当特征表达过程完成后,即可建立特定符号与其特征表达的对应关系;而符号识别时送入的待识别图符,其所属的符号是未知的(所以才需要进行识别),特征表达过程完成后,需要通过得到的特征描述、根据特征知识库去识别符号。特征知识库的建立是识别前就应当完成的准备工作,是进行符号识别的前提条件,但其建立的过程中也使用了符号识别流程中进行特征描述的步骤。
下面以阿拉伯数字的识别为例详细说明基于背景区域类型的符号识别方法。
如果预期的目标限定于阿拉伯数字这个范围,则基于先验知识的特征知识库的构建只需要考虑十个阿拉伯数字的特征描述。图7(a)为0~9十个待识别的数字符号图像。图7(b)是将图7(a)中的各符号进行数值背景表达后形成的典型背景区域的特征值。由此生成数字0~9的模式语言描述(如表2所示)。
表2数字0~9的模式语言描述
表2中不同目标与不同的模式语言描述之间的对应关系,即构成了基于背景十六值变换的特征表达方法的、针对阿拉伯数字符号的特征知识库。
给出一个待识别的符号图像,经过图像二值化、图像规整、背景十六值变换的特征表达等三个步骤,即得到了关于该图符的一个模式语言描述。比对特征知识库,即可按照符号与模式描述的对应关系确定该待识图符对应的符号。例如,待识图符经过前三个步骤得到了如下的特征表达:“存在一个面积较大的F区,且该区域位于图像中心”,则比对表2如示的知识库,该图符将被识别为阿拉伯数字“0”。又如,待识图符为图5所示的第三个符号,特征表达为:“有两个面积较大的7区,且分别位于图像左上和右上;有一个面积较小的9区,位于左下方;一个面积较小的A区,位于右下方”。对比针对阿拉伯数字的知识库,找不到与此特征表达相同的模式语言描述,则可将此待识图符判为非阿拉伯数字或拒识。
对于其他类型符号的识别也与阿拉伯数字符号的识别类似。一个图符是由各种线条组合而成的,而这些线条也把图像的背景划分成几个不同的区域,背景区域结构特征的差别是准确识别各个图符的重要依据。所以,在识别过程中需要抽取典型区域的特征,常用的典型区域有7区域(区域形状向上开口),B区域(向下开口),D区域(向左开口),E区域(向右开口)和F区域(全封闭区域)。有时也会用到5区域(左上开口),6区域(右上开口),9区域(左下开口)和A区域(右下开口)。经常用的特征有:某种区域的个数及区域的大小,区域的顶部、底部、最左边缘和最右边缘的坐标以及各个区域之间的位置关系等。
如图4所示,给出了7个待识别的符号,其中图符(a)~(e)是合法符号,(f)、(g)是非法符号。不仅仅要正确识别出合法符号的种类,而且还要能识别出非法符号。下面以图4中的符号为例介绍如何利用数值背景来抽取典型区域的特征进行识别。
图5是将图4中的各符号进行数值背景表达后形成的典型背景区域的特征值。对于图符(a)和(b)可以选择其封闭的F区域作为典型背景区域,它们有且仅有一个面积较大的、被目标像素包围的F区域,区域形状近似于圆形即区域的高宽比近似为1。它们之间的差别是图符(a)的F区域的中心点处于整个图像的中心点附近,而图符(b)的F区域的中心点位置则要低很多。非法符号(f)也具有一个F区域,但是与(a)、(b)不同的是它的F区域显得修长、高宽比明显大于1。
图5中图符(c)和(d)看起来比较相似,但它们的背景区域特征值有一个明显的差别:(c)中有一个9区域和一个A区域,这两个区域在图的底部近似于对称分布,而(d)在图中的相应位置是一个D区域和一个E区域。图符(c)和(d)还有两个近似于对称分布的7区域,而图符(e)只有一个7区域。图符(d)、(e)中7区域的最低点要高于D区域和E区域的最低点,D区域位于E区域的左边,但是非法符号(g)中E区域和D区域是上下的位置关系。在实际应用中,还可以结合图符的其他一些特征来帮助识别,比如图符的最小外接矩阵的长宽比、目标像素的个数、行方向和列方向上目标的边缘点个数以及目标的重心坐标等。
Claims (6)
1.一种基于十六值变换的符号识别方法,通过图像处理方式对符号进行识别,该方法具体包括如下步骤:
(1)特征知识库的建立步骤
(1.1)针对待识别符号的类型,准备该类型所有符号的符号图像;
(1.2)对每个符号图像,建立背景十六值变换的特征表达,确定该图符背景区域的类型,获得代表该符号图像的特征表达,建立该类型所有图像符号的特征表达,即可构建出该类型符号的特征知识库;
(2)符号识别步骤
(2.1)对输入图像进行二值化处理,从中分割出待识别的符号图像;
(2.2)统一尺度的保真规整化:即保持高宽比例一定将包含待识别符号图像的最小外接矩阵图像进行缩放处理,使其长边为一定值,并将该缩放后的图像居中填充到以该定值为边长的正方形空白图像中,形成规整化后的符号图像;
(2.3)对规整化后的符号图像,建立背景十六值变换的特征表达,确定规整化后的符号图像背景区域的类型,从而获得代表该符号图像的特征表达;
(2.4)根据获得的符号图像的特征表达,利用上述构建的特征知识库,即可识别出待识别符号。
2.根据权利要求1所述的基于十六值变换的符号识别方法,其特征在于,所述步骤(1.1)中,所述准备的该类型所有符号的符号图像满足:(i)一定尺寸的正方形二值图像;(ii)符号的最小外接矩阵居中且其长边等于所述正方形二值图像的边长。
3.根据权利要求1或2所述的基于十六值变换的符号识别方法,其特征在于,所述建立背景十六值变换的特征表达,即对符号图像中的各背景点进行数值变换,以获取符号图像背景区域的结构特征,其具体过程为:
(1.2.1)计算符号图像背景点的特征值
首先,置各背景点的初始特征值为0;
其次,对图像进行扫描,对每一个背景点的特征值进行数值变换,得到各背景点的特征值;
(1.2.2)统计背景点特征值的分布,得到背景各区域的类型,进而获得符号图像的整个背景区域的特征表达:
首先,根据目标点对整个背景划分成的多个背景区域,统计各背景区域背景点的分布和数量,确定各背景区域的类型,即将处于同一区域内、具有同一特征值且数量最多的背景点的特征值指定为该背景区域的特征值;
然后,通过各背景区域的面积和相对位置关系对符号图像的整个背景区域进行描述,获得代表该符号图像的特征表达。
4.根据权利要求3所述的基于十六值变换的符号识别方法,其特征在于,所述对背景点的特征值进行数值变换具体过程为:
对每个背景点P,从P出发分别向该点的垂直和水平的四个方向引射线,若在其中的第一方向a上遇到遮挡即遇到目标,则该背景点特征值加1;若在与该第一方向相反的第二方向b上遇到遮挡,则该背景点特征值加2;若在垂直于该第一方向的第三方向c上遇到遮挡,则该背景点特征值加4;若在与该第三方向相反的第四方向d上遇到遮挡,则该背景点特征值加8,其中,所述第一方向为所述垂直和水平的四个方向中的任一方向。
5.根据权利要求1-4之一所述的基于十六值变换的符号识别方法,其特征在于,所述步骤(2.1)中,首先将二值化的符号图像划分为若干个子图像,然后分别确定各子图像的门限值,进而获得二值图像中所有的连通域,并将最小外接矩阵的长和宽在一定范围之内的连通域作为待识别的符号图像。
6.根据权利要求1-5之一所述的基于十六值变换的符号识别方法,其特征在于:所述步骤(2.2)中,所述保真规整化具体为:设符号图像的最小外接矩阵图像的高和宽分别为h和w,那么缩放比率为:
r=64/max(h,w)
以符号图像左上方的顶点作为坐标原点,水平向右为x轴正向,垂直向下为y轴正向,对于规整化后符号图像中的任一点(x,y),给出如下不等式:
x<(64-w×r)/2,
y<(64-h×r)/2,
x>=(64-w×r)/2+w×r,
y>=(64-h×r)/2+h×r,
若满足以上不等式之一,则直接将(x,y)置为背景点,否则(x,y)对应原最小外接矩阵图中的点(x0,y0),其中
x0=(x-(64-w×r)/2)/r,
y0=(y-(64-h×r)/2)/r.。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110080680 CN102156876A (zh) | 2011-03-31 | 2011-03-31 | 基于十六值变换的符号识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110080680 CN102156876A (zh) | 2011-03-31 | 2011-03-31 | 基于十六值变换的符号识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102156876A true CN102156876A (zh) | 2011-08-17 |
Family
ID=44438366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110080680 Pending CN102156876A (zh) | 2011-03-31 | 2011-03-31 | 基于十六值变换的符号识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102156876A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220655A (zh) * | 2016-03-22 | 2017-09-29 | 华南理工大学 | 一种基于深度学习的手写、印刷文本的分类方法 |
CN108737882A (zh) * | 2018-05-09 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 图像的显示方法、装置、存储介质及电子装置 |
CN111325214A (zh) * | 2020-02-27 | 2020-06-23 | 珠海格力智能装备有限公司 | 喷印字符提取处理方法、装置、存储介质和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1474298A (zh) * | 2002-08-05 | 2004-02-11 | 北京中星微电子有限公司 | 一种停车场智能管理系统 |
CN1945600A (zh) * | 2006-08-03 | 2007-04-11 | 珠海格力电器股份有限公司 | 一种标识检测系统及其检测方法 |
-
2011
- 2011-03-31 CN CN 201110080680 patent/CN102156876A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1474298A (zh) * | 2002-08-05 | 2004-02-11 | 北京中星微电子有限公司 | 一种停车场智能管理系统 |
CN1945600A (zh) * | 2006-08-03 | 2007-04-11 | 珠海格力电器股份有限公司 | 一种标识检测系统及其检测方法 |
Non-Patent Citations (1)
Title |
---|
《华中科技大学学报(自然科学版)》 20050831 明得烈 等 基于数值背景表达的地图符号识别方法 72-74页 1-3 第33卷, 第8期 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220655A (zh) * | 2016-03-22 | 2017-09-29 | 华南理工大学 | 一种基于深度学习的手写、印刷文本的分类方法 |
CN108737882A (zh) * | 2018-05-09 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 图像的显示方法、装置、存储介质及电子装置 |
CN111325214A (zh) * | 2020-02-27 | 2020-06-23 | 珠海格力智能装备有限公司 | 喷印字符提取处理方法、装置、存储介质和电子设备 |
CN111325214B (zh) * | 2020-02-27 | 2023-02-14 | 珠海格力智能装备有限公司 | 喷印字符提取处理方法、装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
Samra et al. | Localization of license plate number using dynamic image processing techniques and genetic algorithms | |
CN102663377B (zh) | 一种基于模板匹配的字符识别方法 | |
KR101403876B1 (ko) | 차량 번호판 인식 방법과 그 장치 | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN102081731B (zh) | 一种从图像中提取文本的方法和装置 | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
CN101593277A (zh) | 一种复杂彩色图像中文本区域自动定位方法及装置 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN102663348A (zh) | 一种光学遥感图像中的海上舰船检测方法 | |
WO2017016448A1 (zh) | 一种qr码特征检测方法及系统 | |
CN106682629A (zh) | 一种复杂背景下身份证号识别算法 | |
CN102750556A (zh) | 一种脱机手写体汉字识别方法 | |
CN103413342B (zh) | 一种基于像素点的图像文字渐变方法 | |
CN107564006B (zh) | 一种利用Hough变换的圆形目标检测方法 | |
CN112784757B (zh) | 海上sar舰船目标显著性检测与识别方法 | |
CN105868683A (zh) | 台标识别方法及装置 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN105404885A (zh) | 一种二维字符图形验证码复杂背景噪音干扰去除方法 | |
CN103116890B (zh) | 一种基于视频图像的智能搜索匹配方法 | |
CN105117704A (zh) | 一种基于多特征的文本图像一致性比较方法 | |
CN105512600A (zh) | 一种基于互信息与特征提取的车牌识别方法 | |
CN102156876A (zh) | 基于十六值变换的符号识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110817 |