CN107679568A - 基于像素差异分析的对比系统 - Google Patents

基于像素差异分析的对比系统 Download PDF

Info

Publication number
CN107679568A
CN107679568A CN201710873120.6A CN201710873120A CN107679568A CN 107679568 A CN107679568 A CN 107679568A CN 201710873120 A CN201710873120 A CN 201710873120A CN 107679568 A CN107679568 A CN 107679568A
Authority
CN
China
Prior art keywords
matrix
gray
picture
recognition
pixel
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.)
Withdrawn
Application number
CN201710873120.6A
Other languages
English (en)
Inventor
曾传德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710873120.6A priority Critical patent/CN107679568A/zh
Publication of CN107679568A publication Critical patent/CN107679568A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/754—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries involving a deformation of the sample pattern or of the reference pattern; Elastic matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了基于像素差异分析的对比系统，包括：用于将第一图片和第二图片灰度化的灰度化模块；用于提取第一图片每一个像素点的灰度值构成第一灰度矩阵，提取第二图片每一个像素点的灰度值构成第二灰度矩阵的矩阵模块；所述第一灰度矩阵中元素的位置与第一图片中像素点的位置对应；所述第二灰度矩阵中元素的位置与第二图片中像素点的位置对应；用于当两张图片的第一识别矩阵相同，且第二识别矩阵相同，则认为两个图片相同；当两张图片的第一识别矩阵或第二识别矩阵中任意一个不同，则认为两个图片不同的对比模块。本发明基于像素差异分析的对比系统，在保证了分辨精确度的情况下，避免了使用模糊数学算法，节省了运算量，适合大规模推广。

Description

基于像素差异分析的对比系统
技术领域
本发明涉及计算机技术领域，具体涉及基于像素差异分析的对比系统。
背景技术
图像识别技术是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。例如有一个字母A,如果在脑中有个A模板,字母A的大小、方位、形状都与这个A模板完全一致,字母A就被识别了。图像识别中的模式识别，是一种从大量信息和数据出发，在专家经验和已有认识的基础上，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。模式识别包括两个阶段，即学习阶段和实现阶段，前者是对样本进行特征选择，寻找分类的规律，后者是根据分类规律对未知样本集进行分类和识别。这个模式识别的模板匹配模型简单明了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。
然而如果采用人脑的方式进行人工智能图像识别，涉及复杂的模糊数学算法，运算量庞大，不利于大规模推广。
发明内容
本发明所要解决的技术问题是采用人脑的方式进行人工智能图像识别，涉及复杂的模糊数学算法，运算量庞大，不利于大规模推广，目的在于提供基于像素差异分析的对比系统，解决上述问题。
本发明通过下述技术方案实现：
基于像素差异分析的对比系统，包括：用于将图片简化为8行9列的含有72个像素的第一图片和9行8列的含有72个像素的第二图片的像素模块；用于将第一图片和第二图片灰度化的灰度化模块；用于提取第一图片每一个像素点的灰度值构成第一灰度矩阵，提取第二图片每一个像素点的灰度值构成第二灰度矩阵的矩阵模块；所述第一灰度矩阵中元素的位置与第一图片中像素点的位置对应；所述第二灰度矩阵中元素的位置与第二图片中像素点的位置对应；用于当第一灰度矩阵中任意元素小于该元素右侧的元素，则将该元素替换为1，当第一灰度矩阵中任意元素大于该元素右侧的元素，则将该元素替换为0，当第二灰度矩阵中任意元素小于该元素正下方的元素，则将该元素替换为1，当第二灰度矩阵中任意元素大于该元素正下方的元素，则将该元素替换为0的替换模块；用于删除替换后的第一灰度矩阵的最右侧一列，形成8行8列的第一识别矩阵，删除替换后的第二灰度矩阵的最下侧一行，形成8行8列的第二识别矩阵的识别模块；用于当两张图片的第一识别矩阵相同，且第二识别矩阵相同，则认为两个图片相同；当两张图片的第一识别矩阵或第二识别矩阵中任意一个不同，则认为两个图片不同的对比模块。
现有技术中，采用人脑的方式进行人工智能图像识别，涉及复杂的模糊数学算法，运算量庞大，不利于大规模推广。本发明应用时，将图片简化为两种不同像素排列的图片，然后根据灰度值对相邻的像素进行分析；第一灰度矩阵生成的第一识别矩阵，表示了图片水平方向的颜色变化，而第二灰度矩阵生成的第二识别矩阵，表示了图片竖直方向的颜色变化；竖直方向和水平方向正交，从而从两个维度对图片进行分辨，在保证了分辨精确度的情况下，避免了使用模糊数学算法，节省了运算量，适合大规模推广。
进一步的，所述灰度化模块将第一图片和第二图片灰度化为256阶的灰度图片。
进一步的，替换模块当第一灰度矩阵中任意元素右侧没有元素，则保留该元素；替换模块当第二灰度矩阵中任意元素正下方没有元素，则保留该元素。
进一步的，识别模块将第一识别矩阵中的元素按照先行后列的顺序排列成64位第一指纹，并将第二识别矩阵中的元素按照先行后列的顺序排列成64位第二指纹。
进一步的，所述第一指纹和第二指纹为二进制数。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明基于像素差异分析的对比系统，在保证了分辨精确度的情况下，避免了使用模糊数学算法，节省了运算量，适合大规模推广。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
如图1所示，本发明基于像素差异分析的对比系统，包括：用于将图片简化为8行9列的含有72个像素的第一图片和9行8列的含有72个像素的第二图片的像素模块；用于将第一图片和第二图片灰度化的灰度化模块；用于提取第一图片每一个像素点的灰度值构成第一灰度矩阵，提取第二图片每一个像素点的灰度值构成第二灰度矩阵的矩阵模块；所述第一灰度矩阵中元素的位置与第一图片中像素点的位置对应；所述第二灰度矩阵中元素的位置与第二图片中像素点的位置对应；用于当第一灰度矩阵中任意元素小于该元素右侧的元素，则将该元素替换为1，当第一灰度矩阵中任意元素大于该元素右侧的元素，则将该元素替换为0，当第二灰度矩阵中任意元素小于该元素正下方的元素，则将该元素替换为1，当第二灰度矩阵中任意元素大于该元素正下方的元素，则将该元素替换为0的替换模块；用于删除替换后的第一灰度矩阵的最右侧一列，形成8行8列的第一识别矩阵，删除替换后的第二灰度矩阵的最下侧一行，形成8行8列的第二识别矩阵的识别模块；用于当两张图片的第一识别矩阵相同，且第二识别矩阵相同，则认为两个图片相同；当两张图片的第一识别矩阵或第二识别矩阵中任意一个不同，则认为两个图片不同的对比模块。所述灰度化模块将第一图片和第二图片灰度化为256阶的灰度图片。替换模块当第一灰度矩阵中任意元素右侧没有元素，则保留该元素；替换模块当第二灰度矩阵中任意元素正下方没有元素，则保留该元素。识别模块将第一识别矩阵中的元素按照先行后列的顺序排列成64位第一指纹，并将第二识别矩阵中的元素按照先行后列的顺序排列成64位第二指纹。所述第一指纹和第二指纹为二进制数。
本实施例实施时，将图片简化为两种不同像素排列的图片，然后根据灰度值对相邻的像素进行分析；第一灰度矩阵生成的第一识别矩阵，表示了图片水平方向的颜色变化，而第二灰度矩阵生成的第二识别矩阵，表示了图片竖直方向的颜色变化；竖直方向和水平方向正交，从而从两个维度对图片进行分辨，在保证了分辨精确度的情况下，避免了使用模糊数学算法，节省了运算量，适合大规模推广。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于像素差异分析的对比系统，其特征在于，包括：
用于将图片简化为8行9列的含有72个像素的第一图片和9行8列的含有72个像素的第二图片的像素模块；
用于将第一图片和第二图片灰度化的灰度化模块；
用于提取第一图片每一个像素点的灰度值构成第一灰度矩阵，提取第二图片每一个像素点的灰度值构成第二灰度矩阵的矩阵模块；所述第一灰度矩阵中元素的位置与第一图片中像素点的位置对应；所述第二灰度矩阵中元素的位置与第二图片中像素点的位置对应；
用于当第一灰度矩阵中任意元素小于该元素右侧的元素，则将该元素替换为1，当第一灰度矩阵中任意元素大于该元素右侧的元素，则将该元素替换为0，当第二灰度矩阵中任意元素小于该元素正下方的元素，则将该元素替换为1，当第二灰度矩阵中任意元素大于该元素正下方的元素，则将该元素替换为0的替换模块；
用于删除替换后的第一灰度矩阵的最右侧一列，形成8行8列的第一识别矩阵，删除替换后的第二灰度矩阵的最下侧一行，形成8行8列的第二识别矩阵的识别模块；
用于当两张图片的第一识别矩阵相同，且第二识别矩阵相同，则认为两个图片相同；当两张图片的第一识别矩阵或第二识别矩阵中任意一个不同，则认为两个图片不同的对比模块。
2.根据权利要求1所述的基于像素差异分析的对比系统，其特征在于，所述灰度化模块将第一图片和第二图片灰度化为256阶的灰度图片。
3.根据权利要求1所述的基于像素差异分析的对比系统，其特征在于，替换模块当第一灰度矩阵中任意元素右侧没有元素，则保留该元素；替换模块当第二灰度矩阵中任意元素正下方没有元素，则保留该元素。
4.根据权利要求1所述的基于像素差异分析的对比系统，其特征在于，识别模块将第一识别矩阵中的元素按照先行后列的顺序排列成64位第一指纹，并将第二识别矩阵中的元素按照先行后列的顺序排列成64位第二指纹。
5.根据权利要求4所述的基于像素差异分析的对比系统，其特征在于，所述第一指纹和第二指纹为二进制数。
CN201710873120.6A 2017-09-25 2017-09-25 基于像素差异分析的对比系统 Withdrawn CN107679568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710873120.6A CN107679568A (zh) 2017-09-25 2017-09-25 基于像素差异分析的对比系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710873120.6A CN107679568A (zh) 2017-09-25 2017-09-25 基于像素差异分析的对比系统

Publications (1)

Publication Number Publication Date
CN107679568A true CN107679568A (zh) 2018-02-09

Family

ID=61136086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710873120.6A Withdrawn CN107679568A (zh) 2017-09-25 2017-09-25 基于像素差异分析的对比系统

Country Status (1)

Country Link
CN (1) CN107679568A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934262A (zh) * 2019-01-31 2019-06-25 平安科技（深圳）有限公司 图片差异性判断方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934262A (zh) * 2019-01-31 2019-06-25 平安科技（深圳）有限公司 图片差异性判断方法、装置、计算机设备和存储介质
CN109934262B (zh) * 2019-01-31 2023-08-22 平安科技（深圳）有限公司 图片差异性判断方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN107563385B (zh) 基于深度卷积生成式对抗网络的车牌字符识别方法
US11295123B2 (en) Classification of character strings using machine-learning
CN106384094B (zh) 一种基于书写风格建模的中文字库自动生成方法
CN110619274A (zh) 基于印章和签名的身份验证方法、装置和计算机设备
CN110443239A (zh) 文字图像的识别方法及其装置
CN110196945B (zh) 一种基于LSTM与LeNet融合的微博用户年龄预测方法
CN108764242A (zh) 基于深层卷积神经网络的离线手写汉字体识别方法
CN112418216A (zh) 一种复杂自然场景图像中的文字检测方法
CN108664975A (zh) 一种维吾尔文手写字母识别方法、系统及电子设备
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112749606A (zh) 一种文本定位方法和装置
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN112119397A (zh) 使用机器学习的管道及仪表流程图信息的分类
CN106777336A (zh) 一种基于深度学习的公司名成分抽取系统和方法
CN112580684A (zh) 基于半监督学习的目标检测方法、装置及存储介质
CN110232337A (zh) 基于全卷积神经网络的中文字符图像笔划提取方法、系统
CN106709490B (zh) 一种字符识别方法和装置
Wenhong et al. Application of support vector machine (SVM) on serial number identification of RMB
Sharma et al. Primitive feature-based optical character recognition of the Devanagari script
CN109086327A (zh) 一种快速生成网页视觉结构图形的方法及装置
CN107679568A (zh) 基于像素差异分析的对比系统
CN101819683A (zh) 一种汉字字体的重构方法
Hajihashemi et al. A pattern recognition based Holographic Graph Neuron for Persian alphabet recognition
CN110348023A (zh) 一种中文文本分词的方法、装置、存储介质及电子设备
Devi et al. Brahmi script recognition system using deep learning techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180209

WW01 Invention patent application withdrawn after publication