CN103500323A - 基于自适应灰度图像滤波的模板匹配方法 - Google Patents

Abstract

基于自适应灰度图像滤波的模板匹配方法，首先，将待识别的灰度位图image₀进行二值化处理，根据二值化位图检测笔画宽度；然后，根据设定的上限a、下限b来判断radio是否在控制范围内，若radio不在控制范围内，则重设radio的值为临界值；接着，选取二值化阈值范围，以现笔画宽度值所在的区间，重回image₀灰度位图做图像滤波操作；最后，以主成分权值加大，局部取反修正，基本信息辅助的原则，制作与之匹配的模板，存储于系统中待程序调用，最终得到识别结果。本发明提高了图像的识别率和正确率,并具有更好的鲁棒性及适用性。

Description

基于自适应灰度图像滤波的模板匹配方法

技术领域

本发明属于数字图像处理技术领域，涉及一种基于自适应灰度图像滤波的模板匹配方法。

背景技术

图像滤波可以从图像中提取空间尺度信息，突出图像的空间信息，压抑其他无关的信息，或者去除图像的某些信息，恢复其他的信息，其适用的普遍性成为图像预处理中不可缺少的操作。

图像滤波分为空间域滤波和频率域滤波两种方法。空间域滤波通过窗口或卷积核进行，参照相邻像素改变单个像素的灰度值。同时，空间域滤波也被称为平滑和锐化处理，平滑是通过积分过程使图像边缘模糊，而锐化则是通过微分使图像边缘突出，在处理的效果上两者各有利弊，因此，针对不同目的需适时运用或加以改进。

模式识别诞生于20世纪20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在20世纪60年代迅速发展成为一门学科。在过去数十年间，字符识别曾一度为学者们研究的热点，识别的方式可分为联机手写体字符识别，脱机印刷体字符识别和脱机手写体字符识别等，其中经过科研人员十多年的辛勤努力，印刷体字符识别技术的发展和应用有了长足的进步，如今对印刷体识别已经是一门相对成熟的技术。目前，适用印刷字体的识别算法可以分为以下三类：基于模板匹配的方法，基于结构统计特征的方法和基于神经网络的字符识别技术。鉴于待识别的字符皆为阿拉伯数字，字符的结构简单，识别干扰因素主要是图像噪声污染导致的各种字符信息缺失及变形等情况，采用基于模板匹配的方法可以只对主成分信息进行分析，排除绝对信息，忽略可能信息，从而快捷高效的给出识别结果。但是，现有的基于静态模板匹配的方法存在识别率较低且正确率不高的问题。

发明内容

本发明目的在于提供一种基于自适应灰度图像滤波的模板匹配方法，解决现有技术存在的识别率较低且正确率不高的问题。

本发明的技术方案是，基于自适应灰度图像滤波的模板匹配方法，

首先，将待识别的灰度位图image₀进行二值化处理，根据二值化位图检测笔画宽度；然后，根据设定的上限a、下限b来判断衡量值radio是否在控制范围内，若radio不在控制范围内，则重设radio的值为临界值；接着，选取二值化阈值范围，以现笔画宽度值所在的区间，重回image₀灰度位图做图像滤波操作；最后，以主成分权值加大，局部取反修正，基本信息辅助的原则，制作与之匹配的模板，存储于系统中待程序调用，最终得到识别结果。

本发明的特点还在于：

具体包括以下步骤：

步骤1：将字符灰度位图image₀二值化,检测笔化粗细程度，衡量值设为radio；检测方法是通过笔画宽度初值one_width和笔画数量过平均值的有效高度线值h_sum，以及笔画总宽sum_width，进而得到radio的值，计算公式如下：

$\mathrm{radio}=\frac{h\_\mathrm{sum}\×\mathrm{one}\_\mathrm{width}\×c_0}{\mathrm{sum}\_\mathrm{width}}$

其中，c₀为常数；

步骤2：再次校正radio值；

步骤3：根据radio所在的区间范围进行图像滤波处理；

第一种情况：radio∈(0,c)，对image₀灰度位图进行拉普拉斯算子锐化，接着进行灰度值的再次校正；

第二种情况：radio∈[c,d]，直接执行下面步骤4；

第三种情况：radio∈(d,255)，对image₀灰度位图进行平滑；首先，计算灰度值分布，以下标降序计算相邻两个灰度值之间的数量差，并进行局部均值化，然后，以升序搜索第一个大于radio/10的值，记下标为th₀。求出image₀在阈值th₀下的二值化位图记为S，再用自定义模板分别掩模image₀*S、S，最后，根据卷积前S(i,j)的值择优平滑后像素值；

步骤4：以image₀原阈值二值化；

步骤5：进行字符切分，并对字符片进行轮廓临界点切割；

步骤6：将字符片大小归一化，再分别与不同模板进行匹配，记录最大权值，并标记其对应的数字，匹配公式如下：

$\mathrm{weigh}{t}_k=\underset{j=0}{\overset{h}{\mathrm{\Σ}}}\underset{i=0}{\overset{w}{\mathrm{\Σ}}}(1-S(i,j))\×(M_k(i,j)-2)$

其中，S(i,j)为字符片矩阵在坐标(i,j)下的像素值，M_k(i,j)为第k个模板在坐标为(i,j)下的权值，h、w分别为模板的高和宽，weight_k为该字符片与第k模板匹配后的权值；

步骤7：取权值大的前几位，其对应的数字即为识别结果。

本发明具有如下技术效果：本发明利用自适应灰度图像滤波调节笔画粗细来实现模板匹配，对匹配前的灰度图像给予自适应的滤波处理，使二值化图像中字符笔画的粗细程度控制在模板可匹配的范围内，提高了图像的识别率和正确率,并具有更好的鲁棒性及适用性。

附图说明

图1为本发明基于自适应灰度图像滤波的模板匹配方法的流程图；

图2为本发明基于自适应灰度图像滤波的模板匹配方法实施例的笔画粗细程度检测方法流程图；

图3为本发明基于自适应灰度图像滤波的模板匹配方法实施例的图像平滑流程图；

图4为本发明基于自适应灰度图像滤波的模板匹配方法实施例的图像锐化流程图；

图5为本发明本发明基于自适应灰度图像滤波的模板匹配方法实施例中的拉普拉斯算子；

图6为为本发明本发明基于自适应灰度图像滤波的模板匹配方法实施例的自定义模板示意图；

图7为本发明基于自适应灰度图像滤波的模板匹配方法实施例的待识别灰度位图；

图8为本发明基于自适应灰度图像滤波的模板匹配方法实施例的切分出的字符片位图；

图9为本发明基于自适应灰度图像滤波的模板匹配方法实施例的切分出的识别结果。

具体实现步骤

基于自适应灰度图像滤波的模板匹配方法，参见图1，具体实施步骤如下：

步骤1：将字符灰度位图image₀二值化，二值化位图记为I₀，再根据I₀检测笔画粗细程度，衡量值设为radio，参见图2。其中，计算该值所涉及的变量定义如下所示。

r：每段笔画结束的最右边。

l：每段笔画开始的最左边。

linespan[r-l]：笔画宽度为r-l下的数量。

linesum[i]：高度为i的横线上经过的笔画数量。

sum：搜索到的所有笔画数量。

sum_width：搜索到sum条笔画的总宽度。

通过遍历矩阵I₀记录以上变量信息，然后降序排列数组linespan[r-l]，先求出笔画宽度初值one_width和每高度下的平均过笔画数量linesum_a，计算公式如下。

one_width＝(linespan[0]×c₁+linespan[1]×c₂+linespan[2]×c₃)÷5

${\mathrm{linesum}}_a=\frac{\underset{i=0}{\overset{h_0}{\mathrm{\Σ}}}\mathrm{linesum}\left[i\right]}{h_0}$

其中，c₁、c₂、c₃皆为常数，h₀为I₀的高度。

接着，判断大于linesum_a/2的linesum[i]即为有效高度线值并记数h_sum，进而得到radio的值，计算公式如下。

$\mathrm{radio}=\frac{h\_\mathrm{sum}\×\mathrm{one}\_\mathrm{width}\×c_0}{\mathrm{sum}\_\mathrm{width}}$

其中，c₀为常数。

步骤2：再次校正radio值。设定image₀二值化阈值范围，上限为a，下限为b(注：a、b由实验数据设置)，若radio大于a，令radio＝a；若小于b，令radio＝b。

步骤3：判断radio所在的区间范围给予图像滤波处理。区间范围是根据可调radio下二值化阈值范围设定。

第一种情况：radio∈(0,c)，对image₀灰度位图进行锐化,参见图4；锐化模板采用的是拉普拉斯算子，参见图5；

锐化后的灰度位图中每个像素点的值需再次校正，若大于a-(c-radio)×2，设为0，否则，若小于-(a-(c-radio)×2)，设为255。

第二种情况：radio∈[c,d]，直接执行步骤5。

第三种情况：radio∈(d,255)，对image₀灰度位图进行平滑。首先，累加出image₀灰度值分布，以下标降序计算相邻两个灰度值之间的数量差，并进行局部均值化，然后，再以下标升序搜索第一个大于radio/10的数，记下标为th₀(注：下标即为灰度值)。由image₀像素值和阈值th₀初始化二值矩阵S，用自定义模板分别掩模image₀*S、S，择优选取平滑后像素点值，参见图3，自定义模板如图6所示。

步骤4：二值化。经平滑处理的图像灰度值整体变大，在原二值化阈值下笔画加粗，反之，经锐化处理的图像笔画变细，达到了预期的效果。

步骤5：进行字符切分，并对字符片进行轮廓临界点切割。

步骤6：将字符片大小归一化与模板一致，再分别与10个模板一一进行匹配，选取最大的权值，标记其对应的数字，匹配公式如下。

$\mathrm{weigh}{t}_k=\underset{j=0}{\overset{h}{\mathrm{\Σ}}}\underset{i=0}{\overset{w}{\mathrm{\Σ}}}(1-S(i,j))\×(M_k(i,j)-2)$

其中，S(i,j)为字符片矩阵在坐标(i,j)下的像素值，M_k(i,j)为第k个模板在坐标为(i,j)下的权值，h、w分别为模板的高和宽，weight为该字符片与模板匹配后的权值。

步骤7：从所有最大权值中选取前8位，按对应值得到最终的识别结果。

下面从定位出的一个日期中识别8个数字的实施例来说明本发明的实现过程。

(1)取定位出开票日期头的一张灰度位图作为待识别图，如图7所

示。

(2)执行上述步骤1～步骤4。单步跟踪检测到radio＝186，此时d＝160，属于第三种情况，执行步骤5灰度值整体变大。

(3)执行步骤5。字符片切分，然后从前至后过滤掉4个字符片，如图8所示。

(4)最后，由步骤6、步骤7得到识别结果，如图9所示(注：最下一行即为识别结果)。

Claims (2)

1.基于自适应灰度图像滤波的模板匹配方法，其特征在于，首先，将待识别的灰度位图image₀进行二值化处理，根据二值化位图检测笔画宽度；然后，根据设定的上限a、下限b来判断衡量值radio是否在控制范围内，若radio不在控制范围内，则重设radio的值为临界值；接着，选取二值化阈值范围，以现笔画宽度值所在的区间，重回image₀灰度位图做图像滤波操作；最后，以主成分权值加大，局部取反修正，基本信息辅助的原则，制作与之匹配的模板，存储于系统中待程序调用，最终得到识别结果。

2.如权利要求1所述的基于自适应灰度图像滤波的模板匹配方法，其特征在于，具体包括以下步骤：

步骤1：将字符灰度位图image₀二值化,检测笔化粗细程度，衡量值设为radio；检测方法是通过笔画宽度初值one_width和笔画数量过平均值的有效高度线值h_sum，以及笔画总宽sum_width，进而得到radio的值，计算公式如下：

$\mathrm{radio}=\frac{h\_\mathrm{sum}\×\mathrm{one}\_\mathrm{width}\×c_0}{\mathrm{sum}\_\mathrm{width}}$

其中，c₀为常数；

步骤2：再次校正radio值；

步骤3：根据radio所在的区间范围进行图像滤波处理；

第一种情况：radio∈(0,c)，对image₀灰度位图进行拉普拉斯算子锐化，接着进行灰度值的再次校正；

第二种情况：radio∈[c,d]，直接执行下面步骤4；

第三种情况：radio∈(d,255)，对image₀灰度位图进行平滑；首先，计算灰度值分布，以下标降序计算相邻两个灰度值之间的数量差，并进行局部均值化，然后，以升序搜索第一个大于radio/10的值，记下标为th₀。求出image₀在阈值th₀下的二值化位图记为S，再用自定义模板分别掩模image₀*S、S，最后，根据卷积前S(i,j)的值择优平滑后像素值；

步骤4：以image₀原阈值二值化；

步骤5：进行字符切分，并对字符片进行轮廓临界点切割；

步骤6：将字符片大小归一化，再分别与不同模板进行匹配，记录最大权值，并标记其对应的数字，匹配公式如下：

$\mathrm{weigh}{t}_k=\underset{j=0}{\overset{h}{\mathrm{\Σ}}}\underset{i=0}{\overset{w}{\mathrm{\Σ}}}(1-S(i,j))\×(M_k(i,j)-2)$

其中，S(i,j)为字符片矩阵在坐标(i,j)下的像素值，M_k(i,j)为第k个模板在坐标为(i,j)下的权值，h、w分别为模板的高和宽，weight_k为该字符片与第k模板匹配后的权值；

步骤7：取权值大的前几位，其对应的数字即为识别结果。

Images