CN103310211A - 一种基于图像处理的填注标记识别方法 - Google Patents
一种基于图像处理的填注标记识别方法 Download PDFInfo
- Publication number
- CN103310211A CN103310211A CN2013101489491A CN201310148949A CN103310211A CN 103310211 A CN103310211 A CN 103310211A CN 2013101489491 A CN2013101489491 A CN 2013101489491A CN 201310148949 A CN201310148949 A CN 201310148949A CN 103310211 A CN103310211 A CN 103310211A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- foreground
- binary
- histogram
- 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.)
- Granted
Links
Images
Landscapes
- Character Input (AREA)
Abstract
本发明涉及图像处理、计算机视觉技术领域，具体涉及一种基于图像处理的填注标记识别方法，包括以下步骤：将用于手工采集的文件转化为灰度图像，得到最终的二值化图像，检测出灰度图像中的选择框，提取出填画标记，得到最终的标记特征和标记特征进行识别。本发明的作用是：（1）本发明通过识别空白文件自动获得所需的版面信息，因此不依赖问卷的先验知识，灵活性较强；（2）由于是在局部窗口中执行二值化，因此能够克服光照不均造成的影响，同时通过分析前景图像和背景图像灰度分布差异来解决局部二值化中的虚假前景图像；（3）特征提取过程中融合了标记的结构信息和统计信息，因此具有较好的可分性，提高了识别的正确率。
Description
技术领域
本发明涉及图像处理、计算机视觉技术领域，具体涉及一种基于图像处理的填注标记识别方法。
背景图像技术
在数据采集方式中，问卷调查是一种最为常用的方式。通常被调查者先在纸质调查表上进行填写，然后调查人员将问卷收集后，通过手工录入将信息转换成计算机可以处理的数字信息，再进行数据的统计分析。随着社会的信息化发展，越来越多的调查数据需要输入至计算机进行处理，手工录入的方式由于其存在成本高、速度慢、易出错等难以克服的缺陷，往往不能满足实际需求。将调查问卷扫描成数字图像，利用图像处理技术对问卷图像进行自动识别和录入，将极大提高调查问卷的处理效率。
针对问卷图像的识别，目前主要有两种方式，一种是对问卷中手工填写的字符进行OCR（Optical Character Recognition，光学字符识别）识别，能够识别数字、字母或汉字，由于字符种类繁多，数量庞大，并且每个人的书写风格不同，因此对手写体字符的识别难度很大，一些技术难点短期内还难以突破，目前的识别技术在识别率和识别速度上远不能达到实用化的要求。另一种是识别问卷中特定的手写符号，如打钩、画圈等，称为OMR（Optical MarkRecognition，光学标记识别），其结构相对简单，出现了一些实用的识别系统，因此目前的调查问卷大多设计成选择类型的问卷，以便于后期处理。传统的标记识别是利用光电转换原理，将光信号转化为模拟电信号，再转为数字信号，通过数字滤波处理进行识别。这种方式存在很多限制，需要被调查者严格按照特定的方式进行填画，同时对纸张和印刷的质量的要求很高，在实际应用中会造成很多不便，从而引起较大的识别误差。
针对上述问题，通过拍摄或扫描等方式采集调查问卷图像，利用数字图像处理技术进行识别，是解决这些问题的有效途径，而对问卷图像进行识别的难点在于，手写标记存在不同程度的变形，图像光照不足或过度造成图像质量低，以及纸张褶皱、污损等引起的标记难以辨识等。目前针对手写标记的图像识别研究主要集中在：1、标记区域的定位。目前常用的方法是根据手工获取的版面结构信息，结合图像中检测出的几个定位特征，估计出每个标记的位置。这种方法准确度较高，但当调查问卷的结构发生变化时，需要对保存的结构数据进行手工修改，因此该方法缺乏灵活性，不具有普通适用性。2、标记的特征提取。针对标记的图像特征，主要分为统计特征和结构特征。统计特征主要包括密度特征，矩特征和投影特征，这些特征对噪声不敏感，但是难以描述标记的笔画结构，特征的可区分性不强。结构特征主要是通过分析标记的轮廓或骨架，提取出的反映标记笔画结构的特征，较好地描述了标记的细节，但是易受噪声的干扰。
发明内容
本发明的目的在于提供一种基于图像处理的填注标记识别方法，解决了目前计算机对手写标记的图像识别方式不够灵活，不具有普遍适用性，以及识别度低的问题。
为解决上述的技术问题，本发明采用以下技术方案：
一种基于图像处理的填注标记识别方法，包括以下步骤：
-将用于手工采集的文件转化为灰度图像，对灰度图像进行高斯平滑处理，去除灰度图像中的噪声；
-将灰度图像划分为多个图像块，根据每个图像块的灰度分布信息，采用最大类间方差法计算出图像块的分割阈值,根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，通过分析直方图校正错分的前景图像，得到最终的二值化图像；
-利用投影法对二值化图像进行倾斜校正，然后根据水平方向上的投影直方图切分出文档中的每行字符，对每行字符建立垂直方向上的投影直方图，进而切分出每个字符，建立选择框的图像模板，通过将每个切分出的字符归一化后与模板进行匹配，检测出灰度图像中没有填画的选择框；
-根据未采集数据的空白文件的版面信息，建立版面结构模板，将检测出灰度图像中没有填画的选择框与版面结构模板进行匹配，定位出填画过的选择框，然后利用版面结构模板上的选择框图像模板，通过模板配准及求差的方式，去除填画区域中的选择框线，从而提取出填画标记；
-在填画标记的区域中设置滑动窗口，计算出窗口中的局部二值模式（Local BinaryPattern，LBP），通过改变滑动窗口的尺寸，提取多尺度下的局部二值模式特征，将这些局部二值模式特征的值进行级联，得到最终的标记特征；
-采用支持向量机（Support Vector Machine，SVM）对提取的标记特征进行识别。
更进一步的技术方案是，所述根据未采集数据的空白文件的版面信息，建立版面结构模板的方法如下：
-将用于手工采集的文件转化为灰度图像，对灰度图像进行高斯平滑处理，去除灰度图像中的噪声；
-将灰度图像划分为多个图像块，根据每个图像块的灰度分布信息，采用最大类间方差法计算出图像块的分割阈值,根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，通过分析直方图校正错分的前景图像，得到最终的二值化图像，得到版面结构模板。
更进一步的技术方案是，所述选择框图像模板的获取方法是：利用投影法对二值化图像进行倾斜校正，然后根据水平方向上的投影直方图切分出文档中的每行字符，对每行字符建立垂直方向上的投影直方图，进而切分出每个字符，获得选择框图像模板。
更进一步的技术方案是，所述选择框和汉字“口”的区分方法是：
-设定文件中的印刷体字符均为同一字号，并且选择框的尺寸要大于汉字“口”；
-统计所有切分出的字符的尺寸，计算其平均值，通过与平均值的比较实现区分。
更进一步的技术方案是，所述提取多尺度下的二值模式特征的方法是：建立滑动窗口扫描标记区域，每滑动一次就计算窗口中图像的二值模式特征，每次扫描结束后改变窗口的尺寸，重新扫描并计算二值模式特征，以此方式获得局部区域在多个尺度下的二值模式特征，将这些特征向量连接后得到整个标记区域的特征向量，即得到多尺度下的二值模式特征。
另外，本发明还提供一种从灰度图像中得到二值化图像的方法，以便于能简便快速的从灰度图像中得到二值化图像，避免繁琐而复杂的处理过程。
一种从灰度图像中得到二值化图像的方法，包括以下步骤：
-将图像均匀地划分为多个矩形的图像块，图像块的数量可根据图像的实际尺寸，按照一定的比例自适应地调整；
-针对每个图像块，采用最大类间方差法分割图像块，获得分割阈值，根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，根据直方图校正错分的前景图像，度量前景图像和背景图像的差异，若差异过小则将整个图像块作为背景图像；
-根据所有图像块的前景图像和背景图像划分结果，得到最终的二值化图像。
更进一步的技术方案是，所述根据直方图得出背景图像的方法是，利用Mean-Shift算法定位出前景图像和背景图像的直方图的波峰，计算两个波峰之间的距离，若距离小于设定的阈值，则认为前景图像和背景图像差异过小，将该图像块设置为背景图像。
与现有技术相比，本发明的有益效果是：
（1）本发明通过识别空白文件自动获得所需的版面信息，因此不依赖问卷的先验知识，灵活性较强；（2）由于是在局部窗口中执行二值化，因此能够克服光照不均造成的影响，同时通过分析前景图像和背景图像灰度分布差异来解决局部二值化中的虚假前景图像；(3)特征提取过程中融合了标记的结构信息和统计信息，因此具有较好的可分性，提高了识别的正确率。
附图说明
图1为本发明的流程示意图。
图2为本发明的建立版面结构模板的流程图。
图3为本发明利用最大类间方差二值化方法错分的前景图像。
图4为本发明的前景图像和背景图像灰度直方图波峰间距示意图。
图5为本发明的标记提取过程示意图。
图6为本发明的版面结构模板的识别示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了本发明一种基于图像处理的填注标记识别方法的一个实施例，在本实施例中用于手工采集的文件以调查问卷为例，但并不仅限于调查问卷，其他任何存在需要将手工选择采集转化成可分析处理的电子信息的文件均适用本方法：
一种基于图像处理的填注标记识别方法，包括以下步骤：
-将用于手工采集的文件（图1中以调查问卷为例）转化为灰度图像，灰度图像一般采用256级的灰度，对灰度图像进行高斯平滑处理，去除灰度图像中的噪声；
-将灰度图像划分为多个图像块，根据每个图像块的灰度分布信息，采用最大类间方差法计算出图像块的分割阈值,根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，通过分析直方图校正错分的前景图像，错分的前景图像如图3所示，得到最终的二值化图像；
-利用投影法对二值化图像进行倾斜校正，然后根据水平方向上的投影直方图切分出文档中的每行字符，对每行字符建立垂直方向上的投影直方图，进而切分出每个字符，建立选择框的图像模板，通过将每个切分出的字符归一化后与模板进行匹配，检测出灰度图像中没有填画的选择框；
-根据未采集数据的空白文件的版面信息，建立版面结构模板，将检测出灰度图像中没有填画的选择框与版面结构模板进行匹配，定位出填画过的选择框，然后利用版面结构模板上的选择框图像模板，通过模板配准及求差的方式，去除填画区域中的选择框线，从而提取出填画标记，如图5所示，（a）为填画过的选择框，（b）为选择框图像模板，（c）为填画标记；
-在填画标记的区域中设置滑动窗口，计算出窗口中的局部二值模式（Local BinaryPattern，LBP），通过改变滑动窗口的尺寸，提取多尺度下的局部二值模式特征，将这些局部二值模式特征的值进行级联，得到最终的标记特征；
-采用支持向量机（Support Vector Machine，SVM）对提取的标记特征进行识别。为达到最佳的识别效果，先利用手工获取的标记正负样本，对支持向量机进行训练学习，然后将标记特征的向量输入至支持向量机，实现标记的类型识别：随机选取100张填画过的调查问卷并扫描为图像，从图像中手工抠取出仅包含标记的图像区域和其他相同尺寸的区域，利用这些样本对支持向量机进行训练；先按照步骤五的方式提取出每个样本的特征向量，并对每个特征向量的类型赋值，每类标记所对应的特征向量赋予一个特定的类型值，非标记的特征向量的类型值设为0；根据这些特征向量和对应的类型值，对支持向量机的参数进行训练调整。将步骤五中得到的当前标记的特征向量输入至训练好的支持向量机，计算出该标记的类型值，从而实现识别。
图2示出了本发明一种基于图像处理的填注标记识别方法的一个优选实施例，所述根据未采集数据的空白文件的版面信息，建立版面结构模板方法如下：
-将用于手工采集的文件转化为灰度图像，对灰度图像进行高斯平滑处理，去除灰度图像中的噪声；
-将灰度图像划分为多个图像块，根据每个图像块的灰度分布信息，采用最大类间方差法计算出图像块的分割阈值,根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，通过分析直方图校正错分的前景图像，得到最终的二值化图像，得到版面结构模板。更为具体的是，如图6所示，可以利用选择框等特殊标记为基准，通过归一化处理后，用文本的形式记录为版面结构模板。
根据本发明一种基于图像处理的填注标记识别方法的另一个优选实施例，所述选择框图像模板的获取方法是：利用投影法对二值化图像进行倾斜校正，然后根据水平方向上的投影直方图切分出文档中的每行字符，对每行字符建立垂直方向上的投影直方图，进而切分出每个字符，获得选择框图像模板。
更进一步的技术方案是，所述选择框和汉字“口”的区分方法是：
-设定文件中的印刷体字符均为同一字号，并且选择框的尺寸要大于汉字“口”；
-统计所有切分出的字符的尺寸，计算其平均值，通过与平均值的比较实现区分。
根据本发明一种基于图像处理的填注标记识别方法的另一个优选实施例，所述提取多尺度下的二值模式特征的方法是：建立滑动窗口扫描标记区域，每滑动一次就计算窗口中图像的二值模式特征，每次扫描结束后改变窗口的尺寸，重新扫描并计算二值模式特征，以此方式获得局部区域在多个尺度下的二值模式特征，将这些特征向量连接后得到整个标记区域的特征向量，即得到多尺度下的二值模式特征。其中，滑动窗口的边长可以为标记区域最大边长的1/2，其扫描方式可以为从左向右，从上向下的方式，滑动步长为窗口边长的1/2。
另外，本发明还提供一种从灰度图像中得到二值化图像的方法的一个实施例，以便于能简便快速的从灰度图像中得到二值化图像，避免繁琐而复杂的处理过程。
一种从灰度图像中得到二值化图像的方法，包括以下步骤：
-将图像均匀地划分为多个矩形的图像块，图像块的尺寸一般约为160×90像素，图像块的数量可根据图像的实际尺寸，按照一定的比例自适应地调整；
-针对每个图像块，采用最大类间方差法分割图像块，获得分割阈值，根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，根据直方图校正错分的前景图像，度量前景图像和背景图像的差异，若差异过小则将整个图像块作为背景图像；
-根据所有图像块的前景图像和背景图像划分结果，得到最终的二值化图像，例如将所有图像块中前景图像区域的像素设置为0，背景图像区域的像素设置为255，即可得到二值化图像。
图4示出了本发明一种从灰度图像中得到二值化图像的方法的一个优选实施例，所述根据直方图得出背景图像的方法是，利用Mean-Shift算法定位出前景图像和背景图像的直方图的波峰，计算两个波峰之间的距离，若距离小于设定的阈值（图4中以Dm表示），该阈值一般取10个灰度级，则认为前景图像和背景图像差异过小，将该图像块设置为背景图像。
更为具体的，上述各实施例中的从灰度图像中识别出选择框的方法可以采用如下步骤：
-利用投影法对二值化图像进行倾斜校正，旋转图像使其处于水平状态；
-在水平方向对前景图像像素进行投影，得到水平投影直方图，从直方图中切分出每行字符，然后针对每行字符图像，建立垂直方向上的投影直方图，从直方图中切分出每个字符；
-对每个字符图像进行归一化处理，与选择框模板图像进行相关匹配，若匹配值大于0.9的阈值，则认为该字符为选择框。
最大类间方差法是由日本学者大津(Nobuyuki Otsu)于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。它是按图像的灰度特性,将图像分成背景图像和目标2部分。背景图像和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景图像或部分背景图像错分为目标都会导致2部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
Claims (7)
1.一种基于图像处理的填注标记识别方法，其特征在于包括以下步骤：
-将用于手工采集的文件转化为灰度图像，对灰度图像进行高斯平滑处理，去除灰度图像中的噪声；
-将灰度图像划分为多个图像块，根据每个图像块的灰度分布信息，采用最大类间方差法计算出图像块的分割阈值,根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，通过分析直方图校正错分的前景图像，得到最终的二值化图像；
-利用投影法对二值化图像进行倾斜校正，然后根据水平方向上的投影直方图切分出文档中的每行字符，对每行字符建立垂直方向上的投影直方图，进而切分出每个字符，建立选择框图像模板，通过将每个切分出的字符归一化后与模板进行匹配，检测出灰度图像中的选择框；
-根据未采集数据的空白文件的版面信息，建立版面结构模板，将检测出灰度图像中没有填画的选择框与版面结构模板进行匹配，定位出填画过的选择框，然后利用版面结构模板上的选择框图像模板，通过模板配准及求差的方式，去除填画区域中的选择框线，从而提取出填画标记；
-在填画标记的区域中设置滑动窗口，计算出窗口中的局部二值模式，通过改变滑动窗口的尺寸，提取多尺度下的局部二值模式特征，将这些局部二值模式特征的值进行级联，得到最终的标记特征；
-采用支持向量机对提取的标记特征进行识别。
2.根据权利要求1所述的一种基于图像处理的填注标记识别方法，其特征在于：所述根据未采集数据的空白文件的版面信息，建立版面结构模板的方法如下：
-将用于手工采集的文件转化为灰度图像，对灰度图像进行高斯平滑处理，去除灰度图像中的噪声；
-将灰度图像划分为多个图像块，根据每个图像块的灰度分布信息，采用最大类间方差法计算出图像块的分割阈值,根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，通过分析直方图校正错分的前景图像，得到最终的二值化图像，得到版面结构模板。
3.根据权利要求2所述的一种基于图像处理的填注标记识别方法，其特征在于：所述选择框图像模板的获取方法是：利用投影法对二值化图像进行倾斜校正，然后根据水平方向上的投影直方图切分出文档中的每行字符，对每行字符建立垂直方向上的投影直方图，进而切分出每个字符，获得选择框图像模板。
4.根据权利要求1-3任意一项所述的一种基于图像处理的填注标记识别方法，其特征在于：所述选择框和汉字“口”的区分方法是：
-设定文件中的印刷体字符均为同一字号，并且选择框的尺寸要大于汉字“口”；
-统计所有切分出的字符的尺寸，计算其平均值，通过与平均值的比较实现区分。
5.根据权利要求1-3任意一项所述的一种基于图像处理的填注标记识别方法，其特征在于：所述提取多尺度下的二值模式特征的方法是：建立滑动窗口扫描标记区域，每滑动一次就计算窗口中图像的二值模式特征，每次扫描结束后改变窗口的尺寸，重新扫描并计算二值模式特征，以此方式获得局部区域在多个尺度下的二值模式特征，将这些特征向量连接后得到整个标记区域的特征向量，即得到多尺度下的二值模式特征。
6.一种从灰度图像中得到二值化图像的方法，其特征在于包括以下步骤：
-将图像均匀地划分为多个矩形的图像块，图像块的数量可根据图像的实际尺寸，按照一定的比例自适应地调整；
-针对每个图像块，采用最大类间方差法分割图像块，获得分割阈值，根据分割阈值将图像块分为前景图像和背景图像两个部分，分别建立前景图像和背景图像的灰度直方图，根据直方图校正错分的前景图像，度量前景图像和背景图像的差异，若差异过小则将整个图像块作为背景图像；
-根据所有图像块的前景图像和背景图像划分结果，得到最终的二值化图像。
7.根据权利要求6所述的一种从灰度图像中得到二值化图像的方法，其特征在于：所述根据直方图得出背景图像的方法是，利用Mean-Shift算法定位出前景图像和背景图像的直方图的波峰，计算两个波峰之间的距离，若距离小于10个灰度级，则认为前景和背景差异过小，将该图像块设置为背景图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310148949.1A CN103310211B (zh) | 2013-04-26 | 2013-04-26 | 一种基于图像处理的填注标记识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310148949.1A CN103310211B (zh) | 2013-04-26 | 2013-04-26 | 一种基于图像处理的填注标记识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103310211A true CN103310211A (zh) | 2013-09-18 |
| CN103310211B CN103310211B (zh) | 2016-04-06 |
Family
ID=49135407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310148949.1A Active CN103310211B (zh) | 2013-04-26 | 2013-04-26 | 一种基于图像处理的填注标记识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103310211B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400124A (zh) * | 2013-07-03 | 2013-11-20 | 北京鸿合盛视数字媒体技术有限公司 | 一种试卷识别方法及装置 |
| CN105844608A (zh) * | 2015-01-16 | 2016-08-10 | 西门子医疗保健诊断公司 | 尿沉渣图像的分割方法和装置 |
| CN106875546A (zh) * | 2017-02-10 | 2017-06-20 | 大连海事大学 | 一种增值税发票的识别方法 |
| CN109409374A (zh) * | 2018-10-11 | 2019-03-01 | 东莞市七宝树教育科技有限公司 | 一种基于联合的同批次试卷答案区域切割方法 |
| CN109635798A (zh) * | 2018-12-06 | 2019-04-16 | 科大讯飞股份有限公司 | 一种信息提取方法及装置 |
| CN109656388A (zh) * | 2018-12-19 | 2019-04-19 | 湖北银琅兴科技发展有限公司 | 一种特殊定位光标的制作方法 |
| CN110135426A (zh) * | 2018-02-09 | 2019-08-16 | 北京世纪好未来教育科技有限公司 | 样本标注方法及计算机存储介质 |
| CN110691172A (zh) * | 2018-07-06 | 2020-01-14 | 夏普株式会社 | 图像处理装置、图像处理方法以及记录介质 |
| CN110728212A (zh) * | 2019-09-25 | 2020-01-24 | 徐州工程学院 | 一种基于计算机视觉的道路井盖监控装置及监控方法 |
| CN110991265A (zh) * | 2019-11-13 | 2020-04-10 | 四川大学 | 一种火车票图像的版面提取方法 |
| CN111010574A (zh) * | 2019-12-13 | 2020-04-14 | 芯颖科技有限公司 | 图像压缩方法、装置和电子设备 |
| CN111986280A (zh) * | 2020-07-22 | 2020-11-24 | 广西交通设计集团有限公司 | 基于最大类间方差的分块压缩感知的图像压缩方法 |
| CN112861843A (zh) * | 2021-03-24 | 2021-05-28 | 中国工商银行股份有限公司 | 基于特征图像识别的选择框解析方法及装置 |
| CN114299274A (zh) * | 2021-12-29 | 2022-04-08 | 湖北博盛数字教育服务有限公司 | 一种问卷调查识别方法及系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508759B (zh) * | 2020-12-10 | 2022-03-15 | 清研灵智信息咨询(北京)有限公司 | 基于微服务的大数据管理和挖掘系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020089514A1 (en) * | 2001-01-05 | 2002-07-11 | Katsuhito Kitahara | System and method for processing image data, computer program for performing the method and data storage medium carrying the program |
| CN101414356A (zh) * | 2007-10-17 | 2009-04-22 | 中国科学院自动化研究所 | 基于模板匹配的信息填涂卡识别方法 |
-
2013
- 2013-04-26 CN CN201310148949.1A patent/CN103310211B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020089514A1 (en) * | 2001-01-05 | 2002-07-11 | Katsuhito Kitahara | System and method for processing image data, computer program for performing the method and data storage medium carrying the program |
| CN101414356A (zh) * | 2007-10-17 | 2009-04-22 | 中国科学院自动化研究所 | 基于模板匹配的信息填涂卡识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 姜沙沙: ""文档图像识别系统的设计与实现"", 《中国优秀博硕士学位论文全文数据库（硕士）》 * |
| 黄非非: ""基于LBP的人脸识别研究"", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400124A (zh) * | 2013-07-03 | 2013-11-20 | 北京鸿合盛视数字媒体技术有限公司 | 一种试卷识别方法及装置 |
| CN105844608A (zh) * | 2015-01-16 | 2016-08-10 | 西门子医疗保健诊断公司 | 尿沉渣图像的分割方法和装置 |
| CN106875546A (zh) * | 2017-02-10 | 2017-06-20 | 大连海事大学 | 一种增值税发票的识别方法 |
| CN106875546B (zh) * | 2017-02-10 | 2019-02-05 | 大连海事大学 | 一种增值税发票的识别方法 |
| CN110135426A (zh) * | 2018-02-09 | 2019-08-16 | 北京世纪好未来教育科技有限公司 | 样本标注方法及计算机存储介质 |
| CN110691172B (zh) * | 2018-07-06 | 2021-11-16 | 夏普株式会社 | 图像处理装置、图像处理方法以及记录介质 |
| CN110691172A (zh) * | 2018-07-06 | 2020-01-14 | 夏普株式会社 | 图像处理装置、图像处理方法以及记录介质 |
| CN109409374A (zh) * | 2018-10-11 | 2019-03-01 | 东莞市七宝树教育科技有限公司 | 一种基于联合的同批次试卷答案区域切割方法 |
| CN109635798A (zh) * | 2018-12-06 | 2019-04-16 | 科大讯飞股份有限公司 | 一种信息提取方法及装置 |
| CN109656388A (zh) * | 2018-12-19 | 2019-04-19 | 湖北银琅兴科技发展有限公司 | 一种特殊定位光标的制作方法 |
| CN110728212A (zh) * | 2019-09-25 | 2020-01-24 | 徐州工程学院 | 一种基于计算机视觉的道路井盖监控装置及监控方法 |
| CN110991265A (zh) * | 2019-11-13 | 2020-04-10 | 四川大学 | 一种火车票图像的版面提取方法 |
| CN110991265B (zh) * | 2019-11-13 | 2022-03-04 | 四川大学 | 一种火车票图像的版面提取方法 |
| CN111010574A (zh) * | 2019-12-13 | 2020-04-14 | 芯颖科技有限公司 | 图像压缩方法、装置和电子设备 |
| CN111986280A (zh) * | 2020-07-22 | 2020-11-24 | 广西交通设计集团有限公司 | 基于最大类间方差的分块压缩感知的图像压缩方法 |
| CN111986280B (zh) * | 2020-07-22 | 2021-06-01 | 广西交通设计集团有限公司 | 基于最大类间方差的分块压缩感知的图像压缩方法 |
| CN112861843A (zh) * | 2021-03-24 | 2021-05-28 | 中国工商银行股份有限公司 | 基于特征图像识别的选择框解析方法及装置 |
| CN114299274A (zh) * | 2021-12-29 | 2022-04-08 | 湖北博盛数字教育服务有限公司 | 一种问卷调查识别方法及系统 |
| CN114299274B (zh) * | 2021-12-29 | 2022-08-09 | 湖北博盛数字教育服务有限公司 | 一种问卷调查识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103310211B (zh) | 2016-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
| CN106407883B (zh) | 一种复杂表格及其内部手写数字识别方法 | |
| CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
| CN102360419B (zh) | 计算机扫描阅读管理方法及系统 | |
| 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 | |
| WO2018018788A1 (zh) | 一种基于图像识别的计量表抄表装置及其方法 | |
| Pan et al. | A robust system to detect and localize texts in natural scene images | |
| LeBourgeois | Robust multifont OCR system from gray level images | |
| CN101122953A (zh) | 一种图片文字分割的方法 | |
| CN109409356B (zh) | 一种基于swt的多方向中文印刷体文字检测方法 | |
| CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| Belaïd et al. | Handwritten and printed text separation in real document | |
| Bijalwan et al. | Automatic text recognition in natural scene and its translation into user defined language | |
| CN113139535A (zh) | 一种ocr文档识别方法 | |
| CN108256518B (zh) | 文字区域检测方法及装置 | |
| CN111199240A (zh) | 银行卡识别模型的训练方法、银行卡识别方法以及装置 | |
| CN107609482B (zh) | 一种基于汉字笔画特征的中文文本图像倒置判别方法 | |
| CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
| CN110766001B (zh) | 基于cnn和rnn的银行卡卡号定位与端到端识别方法 | |
| CN109858324B (zh) | 语言图文识别系统及其实现方法 | |
| CN108734158B (zh) | 一种实时列车车号识别方法及装置 | |
| Rajithkumar et al. | Template matching method for recognition of stone inscripted Kannada characters of different time frames based on correlation analysis | |
| Velu et al. | Automatic letter sorting for Indian postal address recognition system based on pin codes | |
| Rehman | Offline touched cursive script segmentation based on pixel intensity analysis: Character segmentation based on pixel intensity analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |