CN107748885B - 一种对模糊字符进行识别的方法 - Google Patents
一种对模糊字符进行识别的方法 Download PDFInfo
- Publication number
- CN107748885B CN107748885B CN201710519966.XA CN201710519966A CN107748885B CN 107748885 B CN107748885 B CN 107748885B CN 201710519966 A CN201710519966 A CN 201710519966A CN 107748885 B CN107748885 B CN 107748885B
- Authority
- CN
- China
- Prior art keywords
- image
- adaptive threshold
- noise
- layer
- target
- 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.)
- Active
Links
Images
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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Abstract
本发明公开了一种快速对模糊字符进行识别的方法,将一组随机散斑场图像用投影仪投射到目标上,由鬼成像系统计算后得到图像,对图像进行预处理,将图像噪声滤除后,使用阈值滤波,将信号与噪声分离,使用ORB算法对字符进行特征点提取,通过K邻近算法训练,劳氏算法进行匹配,识别出字符。本发明减少鬼成像系统的采样次数,提高了系统的运算速度,将目标识别与鬼成像技术相结合,使鬼成像技术得以实际应用。
Description
技术领域
本发明属于图像处理技术领域,特别是一种快速对模糊字符进行识别的方法。
背景技术
随着环境污染日益严重,城市中雾霾天气不仅对人们出行生活造成不便,也使交通监控设备受到影响。目前传统成像技术虽然成熟,但是对图像去模糊处理没有快速有效的算法。鬼成像是近些年新兴的热门成像技术。由于其抗大气扰动的特性,得到了国内外学者的广泛关注和研究。鬼成像系统相比于传统成像系统,从成像原理层面拥有更强的抗大气扰动能力,能够更好的适应雾霾天气下的成像,但是由于其需要较高的采样率才能重建信噪比较高的图像,因此制约了鬼成像技术的发展。
近些年来,国内外的研究团队主要对抵抗大气湍流,降低图像噪声,提高鬼像的图像质量展开研究,如2010年F.Ferri提出的差分鬼成像(DGI),在鬼成像公式中每个像素减去一个近似于噪声项,可以达到去除噪声的作用;2012年孙宝庆提出的归一化鬼成像(NGI),通过归一化采集信号而减弱当次噪声在整体重构图像中的比重,实现噪声抑制;2014年王伟和姚旭日几乎同时提出迭代去噪鬼成像(IDGI)的概念,在差分鬼成像的基础上,通过前一次的重构图像去代替物体通过率来对噪声做出更准确的估计,以此重构图像来实现信噪比的提高。这些算法虽然一定程度上提高了图像质量,但仍然没有解决鬼成像系统需要在奈奎斯特采样率远远大于100%时才能重构出信噪比较高的图像这一缺陷,而且增加了算法和采样光路的复杂度,使得图像重构速度没有显著提高,因此鬼成像技术也一直没有投入到实际应用当中。
发明内容
本发明的目的在于提供一种快速对模糊字符进行识别的方法,解决了鬼成像需要大量时间采样以重构出可识别图像这一技术难题,能够对模糊字符高质量的识别。
实现本发明目的的技术解决方案为:一种对模糊字符进行识别的方法,首先将鬼成像系统在低采样率下得到的图像结果进行预处理,即将图像傅里叶变换后,通过低通滤波器滤波,滤除背景噪声;通过层次分析法计算自适应阈值滤波器中的自适应阈值参数,使用自适应阈值滤波器将图像中的信号与噪声分离;然后计算预处理结果用ORB算法提取特征点,与图像库中图片的特征点进行匹配,找出匹配点最多的结果,从而完成对模糊字符的识别。
本发明与现有的技术相比,其显著优点为:(1)减少鬼成像系统的采样次数,提高了系统的运算速度。(2)与传统成像相比,具有抗散射能力,可以准确识别模糊图像。(3)将目标识别与鬼成像技术相结合,使鬼成像技术得以实际应用。
下面结合附图对本发明作进一步详细说明。
附图说明
图1为鬼成像光路图。
图2为基于层次分析法的自适应阈值滤波器的数学模型构造示意图。
图3为本发明快速对模糊字符进行识别方法的流程图。
图4为预处理结果图像:(a)原始目标图像,大小为100*100像素;(b)鬼成像技术重构出的信噪比(SNR)为1时的图像;(c)对鬼成像结果进行预处理后的图像。
图5为三种不同字体的目标的鬼成像图像在相同信噪比(SNR)标准下使用预处理以及ORB特征点提取与识别后的匹配正确率对比图。
具体实施方式
本发明结合鬼成像和机器视觉中目标识别技术。结合图1,鬼成像系统在低采样率下得到的图像结果进行预处理:将图像傅里叶变换后,通过低通滤波器滤波,滤除背景噪声。计算预处理结果用ORB算法提取特征点,与图像库中图片的特征点进行匹配,找出匹配数量最多的图像库所代表的即为目标。结合图3,本发明的具体实施步骤如下:
步骤1,利用鬼成像系统成像,成像过程如下:计算机预先生成概率分布符合高斯概型的随机散斑场图像,使用投影仪将其逐帧投射至目标处;使用桶探测器接收目标投射光强。目标由鬼成像公式计算成像,计算公式如式(1):
G(x,y)=<I(i)·P(i)(x,y)>-<I(i)〉〈P(i)(x,y)〉 (1)
x、y为平面坐标。G(x,y)为鬼成像计算成像的结果。I(i)为鬼成像系统中桶探测器第i次探测到的值。P(i)(x,y)为鬼成像系统中第i次计算机中生成的随机散斑图像。<…>为求期望计算符号,以<I(i)·P(i)(x,y)>为例,<I>和<P>计算方法相同。
式(2)中n为鬼成像关联计算次数。字符目标如图4(a)所示,利用鬼成像系统对字符成像结果如图4(b)所示。N的取值满足鬼成像图像信噪比(SNR)达到1即可,鬼成像的信噪比(SNR)计算公式如式(3):
步骤2,由于低采样率下鬼成像图像噪声太多,不能直接进行特征点提取,所以需要对其进行图像预处理。图像预处理分为两步进行,其中第一步为对图像进行高斯低通滤波,处理方法如下所示:考虑到图像中尖锐的灰度转变多为噪声,而该部分对其傅里叶变换的高频内容有贡献,因此需要降低噪声,可对图像进行傅立叶变换,然后进行高斯低通滤波,衰减高频,以达到除去噪声的效果,式(4)给出了滤波器的二维形式。
式(4)中u、v为图像在频率域中的坐标,D0为滤波器的截至频率。图像在频域中进行滤波,需要进行填充,为了使信号强度损失最小,决定选取D0的值为填充图像大小的10%。
步骤3,进行图像预处理中的第二步,对图像预处理第一步后的结果进行自适应阈值滤波,得到二值化图像以便进行特征点提取。处理方法如下:计算自适应阈值滤波器中的自适应阈值参数;将计算出的自适应阈值参数带入自适应阈值滤波器;利用自适应阈值滤波器对图像进行滤波得到二值化的图像。式(5)给出了自适应阈值滤波器,
采用层次分析法确定自适应阈值滤波器中的自适应阈值参数q,具体方法如下:建立层次结构模型,如图2,目标层为最佳自适应阈值参数,方案层为图像中的噪声和信号,准则层为备选自适应阈值参数0.03-0.08;确定方案层中噪声与信号两项对于目标层的权重,由于期望处理后的图像信号比噪声更多,故噪声与信号对于目标层的权重比为1:1.5-2.5,如选1:2;确定准则层各项对于方案层各项的权重,权重由图像经各备选自适应阈值参数构成的自适应阈值滤波器处理后,所得预处理图像中的实际信号数与噪声数确定。例如备选自适应阈值参数为0.03与0.04的自适应阈值滤波器处理后,其噪声数分别为2000与1000,则备选自适应阈值参数0.03与0.04对应准则层中噪声项的权重比即为1:2;构造成对比较阵,从层次结构模型的第二层开始,对于从属于上一层每项的同一层各项,用成对比较法构造成对比较阵,构造成对比较阵公式如式(6),
A=(aij)n×n (6)
aij为该层中第i项与第j项对于上一层对应项的权重比,n为该层项的总数;计算得到方案层对于准则层中噪声与信号两项的成对比较阵的最大特征根对应的特征向量S=(s1,s2,s3,s4,s5,s6)T,N=(n1,n2,n3,n4,n5,n6)T;计算准则层对于目标层的成对比较阵的最大特征根对应的特征向量Z=(z1,z2)T;计算组合权向量T(t1,t2,t3,t4,t5,t6),计算公式如式(7),
T=ZT×(S,N) (7)
其中t1-t6依次分别为备选自适应阈值参数0.03-0.08对于目标层最佳自适应阈值参数的权值;比较组合权向量中的权值,取最大值对应的自适应阈值参数为最佳自适应阈值参数构成自适应阈值滤波器。将计算出的自适应阈值参数带入自适应阈值滤波器。
步骤4,使用自适应阈值滤波器,将经过滤波后的图像的信号与噪声分离,生成二值化的图像,处理结果如图4(c)所示。
步骤5,使用ORB算法将步骤4得到的二值化图像提取特征点。使用ORB算法辅以Opencv的最邻近开源库(Fast Library for Approximate Nearest Neighbors,FLANN)对预处理后的图像建立特征空间,ORB特征点分为两部分:1)特征点提取,此部分是基于FAST(Features from Accelerated Segment Test)算法发展而来。第二部分是特征点描述,根据BRIEF(Binary Robust Independent Elementary Features)特征描述算法改进得到的。将使用ORB算法计算得到的图像特征点描述文件存入计算机中。
步骤6,对不同的字符重复使用步骤1-步骤5的方法,建立不同字符对应的特征点库。生成特征点库,生成方法如下:对于单一同种已知目标,如宋体字符5,进行上述步骤1-步骤5的处理,将得到的特征值描述文件存入计算机;重复上述实验,如可以是200次,得到200份针对单一目标的特征点描述文件,依次构建该目标的特征点库;对于不同的已知目标,如宋体字符0-9,使用上述相同方法分别生成特征点库,即生成10个特征点库。
步骤7,根据特征点库的特征点描述文件,对目标特征点使用K邻近(k-NearestNeighbor,KNN)算法进行训练,进行分类,以提高匹配率。K邻近算法是理论上比较成熟的算法,该算法思路为如果目标特征点在特征空间中的k个最相似(即特征空间中最邻近)的特征库特征点大多属于某一个类别,则该目标特征点也属于这个类别。具体使用方法如下:取目标特征点描述文件中的一个特征点,在特征空间中计算该点与特征点库中所有特征点之间的距离;按照距离的递增关系进行排列;选取距离最小的k个点,确定这些点所在类别的出现频率;返回k个点的出现频率最高的类别作为目标特征点的预测分类;遍历所有目标特征点,使用上述过程确定它们的类别。
步骤8,使用步骤7中得到的全部目标特征点类别,使用劳氏算法计算出优秀的匹配点。
步骤9,根据步骤8中的匹配结果,将各特征点库对应的匹配点个数相加,找出匹配点最多的对应特征点库,识别结果即为该特征点库所对应的目标。三种不同字体各信噪比(SNR)标准下的匹配正确率如图5所示。
Claims (6)
1.一种对模糊字符进行识别的方法,其特征在于首先将鬼成像系统在低采样率下得到的图像结果进行预处理,即将图像傅里叶变换后,通过低通滤波器滤波,滤除背景噪声;通过层次分析法计算自适应阈值滤波器中的自适应阈值参数,使用自适应阈值滤波器将图像中的信号与噪声分离;然后计算预处理结果用ORB算法提取特征点,与图像库中图片的特征点进行匹配,找出匹配点最多的结果,从而完成对模糊字符的识别;
所述通过层次分析法计算自适应阈值滤波器中的自适应阈值参数具体为:
建立层次结构模型,目标层为最佳自适应阈值参数,方案层为图像中的噪声和信号,准则层为备选自适应阈值参数0.03-0.08;确定方案层中噪声与信号两项对于目标层的权重比为1:1.5-2.5;确定准则层各项对于方案层各项的权重,权重由图像经各备选自适应阈值参数构成的自适应阈值滤波器处理后,所得预处理图像中的实际信号数与噪声数确定;构造成对比较阵,从层次结构模型的第二层开始,对于从属于上一层每项的同一层各项,用成对比较法构造成对比较阵,构造成对比较阵公式如式(1),
A=(aij)n×n (1)
aij为该层中第i项与第j项对于上一层对应项的权重比,n为该层项的总数;计算得到方案层对于准则层中噪声与信号两项的成对比较阵的最大特征根对应的特征向量S=(s1,s2,s3,s4,s5,s6)T,N=(n1,n2,n3,n4,n5,n6)T计算准则层对于目标层的成对比较阵的最大特征根对应的特征向量Z=(z1,z2)T;计算组合权向量T(t1,t2,t3,t4,t5,t6),计算公式如式(2),
T=ZT×(S,N) (2)
其中t1-t6依次分别为备选自适应阈值参数0.03-0.08对于目标层最佳自适应阈值参数的权值;比较组合权向量中的权值,取最大值对应的自适应阈值参数为最佳自适应阈值参数构成自适应阈值滤波器。
2.根据权利要求1所述的方法,其特征在于具体步骤如下:
步骤1,运用鬼成像系统对目标进行初步成像;
步骤2,对鬼成像结果进行预处理,即对图像进行傅立叶变换,然后进行高斯低通滤波,衰减图像高频部分、降低噪声;
步骤3,使用层次分析法计算自适应阈值滤波器中的自适应阈值参数,构造自适应阈值滤波器;
步骤4,使用步骤3中得到的自适应阈值滤波器将高斯低通滤波后的图像进行阈值滤波,将信号与噪声分离,得到二值化图像;
步骤5,使用ORB算法将步骤4得到的二值化图像提取特征点;
步骤6,对不同的字符重复使用步骤1-步骤5的方法,建立不同字符对应的特征点库;
步骤7,用K邻近点算法对步骤5提取的特征点进行训练;
步骤8,根据步骤7结果,与所有图像库中特征点描述文件进行对比,用劳氏算法算出优秀的匹配点;
步骤9,根据步骤7中计算的各图像库匹配点数,找出匹配点最多的图像库,确定识别结果。
3.根据权利要求2所述的方法,其特征在于在步骤1中,运用鬼成像系统对目标进行成像,计算机预先生成概率分布符合高斯概型的随机散斑场图像,使用投影仪将其逐帧投射至目标处;使用桶探测器接收目标投射光强,目标由鬼成像公式计算成像,计算公式如式(3):
G(x,y)=<I(i)·P(i)(x,y)>-<I(i)><P(i)(x,y)> (3)
x、y为平面坐标,G(x,y)为鬼成像计算成像的结果,I(i)为鬼成像系统中桶探测器第i次探测到的值,P(i)(x,y)为鬼成像系统中第i次计算机中生成的随机散斑图像,<…>为求期望计算符号,以<I(i)·P(i)(x,y)>为例,<I>和<P>计算方法相同:
式(4)中n为鬼成像关联计算次数,n的取值满足鬼成像图像信噪比SNR达到1即可,鬼成像图像信噪比SNR计算公式如式(5):
6.根据权利要求2所述的方法,其特征在于在步骤6中,构建特征点库,即对单一同种已知目标的字符,进行步骤1-步骤5的处理,将得到的特征值描述文件存入计算机,重复上述过程,得到针对单一目标的特征点描述文件,依次构建该目标的特征点库;对于不同的已知目标字符,使用上述相同方法分别生成特征点库,即生成特征点库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710519966.XA CN107748885B (zh) | 2017-06-30 | 2017-06-30 | 一种对模糊字符进行识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710519966.XA CN107748885B (zh) | 2017-06-30 | 2017-06-30 | 一种对模糊字符进行识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107748885A CN107748885A (zh) | 2018-03-02 |
CN107748885B true CN107748885B (zh) | 2021-02-12 |
Family
ID=61254550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710519966.XA Active CN107748885B (zh) | 2017-06-30 | 2017-06-30 | 一种对模糊字符进行识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748885B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110475081B (zh) * | 2019-06-28 | 2021-06-15 | 中北大学 | 一种基于透射率变化的变尺度鬼成像方法 |
CN110533047A (zh) * | 2019-08-30 | 2019-12-03 | 西南大学 | 一种针对古籍图片的去噪和二值化方法 |
CN111626285A (zh) * | 2020-05-27 | 2020-09-04 | 北京环境特性研究所 | 一种字符识别系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025430A (zh) * | 2007-03-28 | 2007-08-29 | 华北电力大学 | 笼型异步电动机转子断条故障检测方法 |
US7899451B2 (en) * | 2007-07-20 | 2011-03-01 | Jianhong Hu | OWA converged network access architecture and method |
CN102711179A (zh) * | 2012-05-04 | 2012-10-03 | 北京邮电大学 | 异构无线网络环境下的多业务动态带宽分配方法 |
CN105023247A (zh) * | 2015-06-24 | 2015-11-04 | 南京理工大学 | 抑制单臂鬼成像离焦模糊的二次成像方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IE20070331A1 (en) * | 2006-05-03 | 2007-11-14 | Lightwave Technologies Ltd | A method of optimising energy consumption |
-
2017
- 2017-06-30 CN CN201710519966.XA patent/CN107748885B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025430A (zh) * | 2007-03-28 | 2007-08-29 | 华北电力大学 | 笼型异步电动机转子断条故障检测方法 |
US7899451B2 (en) * | 2007-07-20 | 2011-03-01 | Jianhong Hu | OWA converged network access architecture and method |
CN102711179A (zh) * | 2012-05-04 | 2012-10-03 | 北京邮电大学 | 异构无线网络环境下的多业务动态带宽分配方法 |
CN105023247A (zh) * | 2015-06-24 | 2015-11-04 | 南京理工大学 | 抑制单臂鬼成像离焦模糊的二次成像方法 |
Non-Patent Citations (2)
Title |
---|
What is Analytic Hierarchy Process?;Thomas L. Saaty;《Springer Link》;19881231;论文正文 * |
嵌入式车牌识别系统的设计与实现;李彬;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130715;论文正文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107748885A (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Inter/intra-category discriminative features for aerial image classification: A quality-aware selection model | |
Fu et al. | Removing rain from single images via a deep detail network | |
CN111681197B (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN112561796B (zh) | 基于自注意生成对抗网络的激光点云超分辨率重建方法 | |
CN111861901A (zh) | 一种基于gan网络的边缘生成图像修复方法 | |
CN103729854A (zh) | 一种基于张量模型的红外弱小目标检测方法 | |
CN110988818A (zh) | 基于条件生成式对抗网络的欺骗干扰模板生成方法 | |
CN107748885B (zh) | 一种对模糊字符进行识别的方法 | |
CN111985427A (zh) | 活体检测方法、设备及可读存储介质 | |
CN111091111A (zh) | 一种车底危险目标识别方法 | |
CN114821032A (zh) | 基于改进YOLOv5网络的特殊目标异常状态检测与跟踪方法 | |
CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
Xu et al. | COCO-Net: A dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences | |
CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
Al-Saad et al. | Airbus ship detection from satellite imagery using frequency domain learning | |
Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
CN114283058A (zh) | 基于对抗网络和最大互信息优化的图像超分辨率重建方法 | |
CN112818840A (zh) | 无人机在线检测系统和方法 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
Huang et al. | Remote sensing data detection based on multiscale fusion and attention mechanism | |
Zhang et al. | High-frequency attention residual gan network for blind motion deblurring | |
CN115063679A (zh) | 一种基于深度学习的路面质量评估方法 | |
CN115760589A (zh) | 一种用于运动模糊图像的图像优化方法及装置 | |
Lyu | Research on subway pedestrian detection algorithm based on big data cleaning technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |