CN108491843B - 一种图像处理方法、装置及存储介质 - Google Patents
一种图像处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108491843B CN108491843B CN201810325315.1A CN201810325315A CN108491843B CN 108491843 B CN108491843 B CN 108491843B CN 201810325315 A CN201810325315 A CN 201810325315A CN 108491843 B CN108491843 B CN 108491843B
- Authority
- CN
- China
- Prior art keywords
- image
- recognizable
- area
- threshold
- recognizable 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 106
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000012937 correction Methods 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 31
- 230000002708 enhancing effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001010 compromised effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Abstract
本发明实施例公开了一种图像处理方法及装置,包括:获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项;根据所述质量信息,确定所述图像是否为可识别图像;当所述图像为所述可识别图像时,确定所述可识别图像的成像质量;根据所述成像质量,对所述可识别图像进行处理。采用本发明实施例,可以甄别图像的成像质量,保证图像识别系统的准确率和可靠性。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种图像处理方法、装置及存储介质。
背景技术
随着图像识别技术的快速发展,图像识别技术在各个领域得到广泛的应用,例如:快递行业。在传统的快递行业中运单通常是由“输单员”人工录入运单上所填写的文字信息(姓名、电话、地址)到数据库中。这种方式不仅效率低,而且容易出错。目前,图像识别技术的引入有效的解决的这一问题,“输单员”只需使用巴枪对运单进行拍摄,然后利用图像识别技术提取运单成像图像中的文字信息,从而节省了人力、提高了准确率。然而,由于是人为手持巴枪对运单进行拍摄的,再加上拍摄环境的变化,运单成像质量参差不齐。如果不能在对运单成像图像进行识别之前对运单成像图像进行成像质量分析、甄别和优化处理,则整个运单识别系统的准确率和可靠性将无法得到保证。
发明内容
本发明实施例提供一种图像处理方法、装置及存储介质,可以甄别图像的成像质量,保证图像识别系统的准确率和可靠性。
一方面,本发明实施例提供了一种图像处理方法,包括:
获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项;
根据所述质量信息,确定所述图像是否为可识别图像;
当所述图像为所述可识别图像时,确定所述可识别图像的成像质量;
根据所述成像质量,对所述可识别图像进行处理。
其中,所述根据所述质量信息,确定所述图像是否为可识别图像包括:
当所述完整度大于第一阈值时,确定所述图像为所述可识别图像。
其中,所述根据所述质量信息,确定所述图像是否为可识别图像包括:
当所述阴影面积小于第二阈值时,确定所述图像为所述可识别图像。
其中,所述根据所述质量信息,确定所述图像是否为可识别图像包括:
当所述第一倾斜角度小于第三阈值时,确定所述图像为所述可识别图像。
其中,所述根据所述质量信息,确定所述图像是否为可识别图像包括:
当所述完整度大于第一阈值、且所述阴影面积小于第二阈值、且所述第一倾斜角度小于第三阈值时,确定所述图像为所述可识别图像。
其中,所述根据所述质量信息,确定所述图像是否为可识别图像包括:
当所述完整度大于第一阈值、所述阴影面积小于第二阈值和所述第一倾斜角度小于第三阈值中的至少一项满足时,确定所述图像为所述可识别图像。
其中,所述成像质量包括第二倾斜角度;
所述根据所述成像质量,对所述可识别图像进行处理包括:
当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正。
其中,所述成像质量包括清晰度;
所述根据所述成像质量,对所述可识别图像进行处理包括:
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强。
其中,所述成像质量包括遮挡面积;
所述根据所述成像质量,对所述可识别图像进行处理包括:
当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。
其中,所述成像质量包括第二倾斜角度、清晰度和遮挡面积;
所述根据所述成像质量,对所述可识别图像进行处理包括:
当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正;
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强;
当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。
另一方面,本发明实施例提供了一种图像处理装置,包括:
获取模块,用于获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项;
确定模块,用于根据所述质量信息,确定所述图像是否为可识别图像;
所述确定模块,还用于当所述图像为所述可识别图像时,确定所述可识别图像的成像质量;
处理模块,用于根据所述成像质量,对所述可识别图像进行处理。
其中,所述确定模块还用于:
当所述完整度大于第一阈值时,确定所述图像为所述可识别图像。
其中,所述确定模块还用于:
当所述阴影面积小于第二阈值时,确定所述图像为所述可识别图像。
其中,所述确定模块还用于:
当所述第一倾斜角度小于第三阈值时,确定所述图像为所述可识别图像。
其中,所述确定模块还用于:
当所述完整度大于第一阈值、且所述阴影面积小于第二阈值、且所述第一倾斜角度小于第三阈值时,确定所述图像为所述可识别图像。
其中,所述确定模块还用于:
当所述完整度大于第一阈值、所述阴影面积小于第二阈值和所述第一倾斜角度小于第三阈值中的至少一项满足时,确定所述图像为所述可识别图像。
其中,所述成像质量包括第二倾斜角度;
所述处理模块还用于:
当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正。
其中,所述成像质量包括清晰度;
所述处理模块还用于:
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强。
其中,所述成像质量包括遮挡面积;
所述处理模块还用于:
当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。
其中,所述成像质量包括第二倾斜角度、清晰度和遮挡面积;
所述处理模块还用于:
当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正;
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强;
当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。
另一方面,本发明提供了一种图像处理设备,包括:处理器、存储器和通信总线,其中,通信总线用于实现处理器和存储器之间连接通信,处理器执行存储器中存储的程序用于实现上述第一方面提供的一种图像处理方法中的步骤。
在一个可能的设计中,本发明提供的设备可以包含用于执行上述方法中行为相对应的模块。模块可以是软件和/或是硬件。
本发明的又一方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有多条指令,所述指令适于由处理器加载并执行上述各方面所述的方法。
本发明的又一方面提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
实施本发明实施例,首先获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项;接着根据所述质量信息,确定所述图像是否为可识别图像;然后当所述图像为所述可识别图像时,确定所述可识别图像的成像质量;最后根据所述成像质量,对所述可识别图像进行处理。通过对图像的质量指标进行分析,可以甄别图像的成像质量,保证图像识别系统的准确率和可靠性。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案,下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1是本发明实施例提供的一种图像处理系统的结构示意图;
图2是本发明实施例提供的一种图像处理方法的流程示意图;
图3是本发明实施例提供的一种成像图像的示意图;
图4是本发明实施例提供的另一种成像图像的示意图;
图5是本发明实施例提供的一种具有阴影区域的成像图像的示意图;
图6是本发明实施例提供的一种角度倾斜的成像图像的示意图;
图7是本发明实施例提供的一种具有污渍区域的成像图像的示意图;
图8时本发明实施例提供的一种倾斜校正后的成像图像的示意图;
图9是本发明实施例提供的一种增强处理后的成像图像的示意图;
图10是本发明实施例提供的另一种图像处理方法的流程结构示意图;
图11是本发明实施例提出的一种图像处理装置的结构示意图;
图12是本发明实施例提出的一种图像处理设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种图像处理系统的结构示意图。该系统包括成像设备101和处理器102。其中,成像设备101可以是巴枪,也可以是照相机、以及具有拍照功能的手机等等,成像设备101可以对快递运单、纸质文档、纸质图片等实物进行拍摄以获得实物的成像图像、也可以在本地存储的其他类型的图像(如电脑制作的图像和截图工具截取的图像等)。处理器102可以是具有运算、控制和存储功能的集成电路,如中央处理器(Central Processing Unit,CPU)。其中,成像设备101将实物的成像图像或其他类型的图像输入到处理器102中,处理器102用于接收成像设备101输出的图像,对图像进行分析和处理。基于上述图像处理系统,本发明实施例提供了如下解决方案。
请参见图2,图2是本发明实施例提供的一种图像处理方法的流程示意图,该方法包括但不限于如下步骤:
S201,获取图像的质量信息。
具体实现中,图像可以是成像设备通过对实物进行拍摄所获得的实物的成像图像,也可以是电脑制作的图像和截图工具截取的图像。例如,如图3所示,图3提供了一种成像图像的示意图,该成像图像为使用巴枪拍摄的运单成像图像。其中,可以通过分析图像中面积较大、成像比较稳定的颜色区块(如图3中运单成像图像上的黑条),获取所述图像的完整度、阴影面积和第一倾斜角度中的至少一项。其中,完整度用于表示图像的完整程度,阴影面积为图像上的阴影区域的面积,其中,阴影区域为因光线分布不均造成图像上出现的一块亮度低于该图像中其他部分的区域,以及第一倾斜角度是由于没有垂直拍摄而造成的,可以表示为图像在水平直角坐标系中相对于垂直轴线的角度。
例如:如图3所示,可以采用连通区域(BLOB)方法提取并分析该运单成像图像上左边4个黑条和中间4个黑条的位置、方向和大小,从而获得该运单成像图像的完整度为1、阴影面积为0.9平方厘米(cm2)、第一倾斜角度为1度。
又如:如图4所示,运单成像图像的左上角残缺,并且该运单成像图像存在角度倾斜和阴影区域。通过BLOB方法针对该运单成像图像执行提取并分析左边4个黑条和中间4个黑条的位置、方向和大小的操作,得到该运单成像图像的完整度为0.6,第一倾斜角度为12度、以及阴影面积为15cm2。
S202,根据所述质量信息,确定所述图像是否为可识别图像。若是,则执行S204,若否,则执行S203。
具体实现中,当所述完整度大于第一阈值、所述阴影面积小于第二阈值和所述第一倾斜角度小于第三阈值中的至少一项满足时,确定所述图像为所述可识别图像。其中,可以包括但不限于以下几种可选方式:
第一种可选方式:当所述完整度大于第一阈值时,可以确定该图像不是严重残缺的图像,因此该图像为所述可识别图像。当所述完整度不大于第一阈值时,确定图像为严重残缺的图像,因此该图像不为可识别图像。其中,第一阈值可以但不限于为0.7。例如:如图3所示,通过BLOB方法分析得到该运单成像图像的完整度为1,由于该完整度大于第一阈值0.7,所以确定该运单成像图像为可识别图像。
第二种可选方式:由于阴影区域会严重影响图像的识别结果的准确性,可以确定阴影面积是否小于第二阈值,当所述阴影面积小于第二阈值时,确定所述图像为所述可识别图像,当所述阴影面积不小于第二阈值时,确定图像不为可识别图像,从而甄别出阴影面积过大的图像。其中,第二阈值可以为4cm2、10cm2等等。例如:如图5所示,运单成像图像中存在一块阴影区域,并且通过BLOB方法分析得到阴影面积为8cm2,由于该阴影面积小于10cm2,所以确定该运单成像图像为可识别图像。
第三种可选方式:当所述第一倾斜角度小于第三阈值时,可以确定图像不是严重畸变或倾斜的图像,因此确定所述图像为所述可识别图像。当所述第一倾斜角度不小于第三阈值时,确定图像是严重畸变或倾斜的图像,因此确定所述图像不为可识别图像。其中,第三阈值包括但不限于15度。
综上所述,当所述图像为不存在严重残缺的图像、或没有过大的阴影面积的图像、或没有严重倾斜/畸变的图像时,该图像具有可识别性,并且该图像存在的成像缺陷越少、缺陷程度越轻,可识别性越高。因此,当图像的完整度大于第一阈值、阴影面积小于第二阈值和第一倾斜角度小于第三阈值中的至少一项满足时,可以确定该图像具有可识别性,从而确定所述图像为可识别图像。
需要说明的是,由于严重缺陷的图像会导致图像的识别结果缺乏可靠性、或者无法被识别,因此本步骤是通过质量信息对图像进行初选,甄别出成像严重缺陷的图像,比如:严重残缺、阴影面积过大、严重畸变(无法检测出第一倾斜角度)或倾斜的图像,从而防止出现严重缺陷的图像。
S203,显示提示信息。其中,所述提示信息可以用于提示用户重新获取所述图像、或对所述图像进行人工识别。
例如:当运单成像图像的阴影面积超过第二阈值时,可以显示提示信息“阴影面积过大,建议重新拍摄该运单或进行人工识别!”。
S204,确定所述可识别图像的成像质量。
具体实现中,成像质量可以包括第二倾斜角度。其中,可以通过图像倾斜检测技术(如霍夫(Hough)变换)对所述可识别图像进行倾斜检测,并将倾斜检测结果作为所述可识别图像的第二倾斜角度。第二倾斜角度可以为可识别图像在水平直角坐标系中相对于垂直轴线的倾斜角度。例如:如图6所示,通过Hough变换分析该运单成像图像的水平和竖直直线的角度变换,从而得到该运单成像图像的第二倾斜角度为8度。
可选的,可以通过图像倾斜检测技术(如Hough变换)对所述可识别图像的关键敏感区域进行倾斜检测,比如:运单的增值服务区域,并将倾斜检测结果作为所述关键敏感区域的第二倾斜角度。
需要说明的是,本步骤中的第二倾斜角度和步骤S201中的第一倾斜角度均表示图像在水平直角坐标系中相对于垂直轴线的倾斜角度。但是,步骤S201获取的第一倾斜角度用于甄别严重畸变或倾斜的图像,因此,第一倾斜角度为所述图像的倾斜角度的粗略估计结果,例如,通过图像中的几个BLOB勾勒图像大致轮廓,并在此基础上通过BLOB方法分析该图像的第一倾斜角度。为了对可识别图像的倾斜程度进行进一步甄别,并对所述可识别图像做相应的优化处理,本步骤采用了针对性强、精确性高的图像倾斜检测算法来检测可识别图像的倾斜角度,并将检测结果作为第二倾斜角度,因此第二倾斜角度的精确性高于第一倾斜角度,例如,通过Hough方法,将图像边缘的每个像素点连接起来,得到获得图像准确的形状和大小,并以此为基础分析第二倾斜角度。
可选的,成像质量还可以包括清晰度。其中,可以通过图像清晰度检测算法(如神经网络算法)对所述可识别图像进行虚焦分析,从而获得可识别图像的清晰度。
可选的,成像质量还可以包括遮挡面积。其中,可以首先获取所述可识别图像中的多块第一区域中每块第一区域的面积,其中,第一区域为对所述图像中的文字内容造成遮挡的区域,第一区域可以包括但不限于污渍区域;然后计算每块第一区域的面积的和作为所述遮挡面积,或者比较多块第一区域的面积的数值大小,将数值最大的面积作为所述遮挡面积。例如:如图7所示,通过BLOB方法检测到运单成像图像中有三块污渍区域,其中,第一块污渍区域的面积为2cm2、第二块污渍区域的面积为4.5cm2以及第三块污渍区域的面积为6cm2,计算这三块污渍区域的面积之和得到2+4.5+6=12.5cm2,最后得到该运单成像图像的遮挡面积为12.5cm2。
S205,根据所述成像质量,对所述可识别图像进行处理。
具体实现中,当第二倾斜角度小于倾斜校正阈值、清晰度高于虚焦门限和遮挡面积小于置信阈值中的至少一项满足时,可以对所述可识别图像进行处理。其中,可以包括但不局限于以下几种情况:
第一种情况:由于角度倾斜的可识别图像将增加该可识别图像中的文字的识别难度、降低识别结果的准确性。因此,可以首先比较所述可识别图像的第二倾斜角度与倾斜校正阈值的大小,并且当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正。其中,所述倾斜校正阈值可以但不限于为10度。
例如:如图6所示,该运单成像图像的第二倾斜角度为8度,由于该倾斜角度小于倾斜校正阈值10度,因此可以利用Hough变换对该运单成像图像进行自动倾斜校正,得到如图8所示的倾斜校正后的运单成像图像。
第二种情况:在获取所述可识别图像的过程中,由于人为因素或环境因素可能导致可识别图像出现虚焦(整张图像模糊、没有焦点)的情况。为了确定所述可识别图像是否出现虚焦、并对可识别图像采取相应处理措施,可以首先比较清晰度与虚焦门限的大小,当清晰度高于虚焦门限时,确定所述可识别图像没有出现虚焦的情况,然后对所述可识别图像中的文字内容进行增强,比如,锐化处理等,从而提高所述可识别图像的识别结果的准确性。其中,虚焦门限可以但不限于为0.7。
例如:如图5所示,针对运单成像图像,可以采用神经网络的方法分析得到该运单成像图像的清晰度为0.9,则因为0.9高于0.7,所以可以对所述图像进行锐化处理,得到如图9所示的增强处理后的运单成像图像,与图5相比,处理后的运单成像图像上的文字内容更清晰。
第三种情况:可识别图像上的第一区域的遮挡面积越大,遮盖的文字内容越多,对可识别图像的识别结果的置信度的影响也越大,因此可以预先根据遮挡面积的大小对可识别图像进行处理,然后对该可识别图像进行识别。包括:可以首先比较遮挡面积与置信阈值的大小,当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。另外,还可以根据每块第一区域的面积的大小,使用不同的标识信息标记每块第一区域,其中,不同的标识信息表示置信度的降低程度有所不同。在识别所述可识别图像的过程中,针对可识别图像中不同的第一区域,根据不同的标识信息降低不同的置信度来进行识别。其中,标识信息包括但不限于字母A、B和C,并且可以设置一种标识信息用于表示放弃识别该第一区域。其中,置信阈值可以为10cm2、15cm2等等。
例如:通过BLOB方法检测到成像图像中有三块污渍区域,其中,第一块污渍区域的面积为1cm2、第二块污渍区域的面积为4cm2以及第三块污渍区域的面积为8cm2。首先计算该成像图像的遮挡面积为1+4+8=13cm2,13cm2小于15cm2。因此,可以使用字母A标记第一块污渍区域,使用字母B标记第二块污渍区域、以及使用字母E标记第三块污渍区域。其中,若置信度最高为1,则字母A可以表示将第一块污渍区域的置信度降低为0.9、字母B可以表示将第二块污渍区域的置信度降低为0.7、以及字母E可以表示放弃对第三块污渍区域的识别。
需要说明的是,对可识别图像的处理不仅仅包括上述三种情况,可以采用任意两种或三种方式对可识别图像进行处理。
可选的,当第二倾斜阈值不小于倾斜校正阈值、或清晰度不高于虚焦门限、或遮挡面积不小于置信阈值时,可以显示提示信息,该提示信息提示用户重新获取所述可识别图像、或对所述可识别图像进行人工识别。例如:当某张成像图像的清晰度不高于虚焦门限时,可以显示提示信息“图像过于模糊,建议重新拍摄该成像图像或进行人工识别!”
需要说明的是,在图像进入图像识别系统之前,利用上述图像处理方法对图像进行筛选和优化,包括剔除严重缺陷的图像、校正轻度角度倾斜的可识别图像、对满足清晰度条件的可识别图像进行增强处理、以及对第一区域进行标记,可以确保进入图像识别系统的图像的成像质量合格,从而使整个图像识别系统的准确率和可靠性得到保证。
在本发明实施例中,首先获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项;接着根据所述质量信息,确定所述图像是否为可识别图像;然后当所述图像为所述可识别图像时,确定所述可识别图像的成像质量;最后根据所述成像质量,对所述可识别图像进行处理。通过对图像的质量指标进行分析,可以甄别图像的成像质量、保证图像识别系统的准确率和可靠性。
请参见图10,图10是本发明另一实施例提供的一种图像处理方法的流程示意图,该方法包括但不限于如下步骤:
S1001,获取图像的质量信息。本步骤与上一实施例中的步骤S201相同,本步骤不再赘述。
S1002,根据所述质量信息,确定所述图像是否为可识别图像。若是,则执行S1003,若否,则放弃识别所述图像。
具体实现中,可以当所述完整度大于第一阈值、且所述阴影面积小于第二阈值、且所述第一倾斜角度小于第三阈值时,确定所述图像不为严重缺陷、或阴影面积过大、或严重畸变或倾斜的图像,因此,确定所述图像为所述可识别图像。
需要说明的是,由于严重缺陷的图像会导致图像的识别结果缺乏可靠性、或者无法被识别,因此本步骤是通过质量信息对图像进行初选,甄别出成像严重缺陷的图像,比如:严重残缺、阴影面积过大、严重畸变(无法检测出第一倾斜角度)或倾斜的图像,从而防止出现严重缺陷的图像。
S1003,确定所述可识别图像的第二倾斜角度是否小于倾斜校正阈值。若是,则执行S1004,若否,则放弃识别所述可识别图像。
具体实现中,可以首先通过图像倾斜检测技术(如Hough变换)对所述图像进行倾斜检测,并将倾斜检测结果作为所述图像的第二倾斜角度;然后比较所述第二倾斜角度与倾斜校正阈值的大小。其中,第二倾斜角度可以为图像在水平直角坐标系中相对于垂直轴线的倾斜角度,倾斜校正阈值包括但不限于10度。
需要说明的是,本步骤中的第二倾斜角度和步骤S1001中的第一倾斜角度均表示图像在水平直角坐标系中相对于垂直轴线的倾斜角度。但是,步骤S1001获取的第一倾斜角度用于甄别严重畸变或倾斜的图像,因此,第一倾斜角度为所述图像的倾斜角度的粗略估计结果,例如,通过图像中的几个BLOB勾勒图像大致轮廓,并在此基础上通过BLOB方法分析该图像的第一倾斜角度。为了对可识别图像的倾斜程度进行进一步甄别,并对所述可识别图像做相应的优化处理,本步骤采用了针对性强、精确性高的图像倾斜检测算法来检测可识别图像的倾斜角度,并将检测结果作为第二倾斜角度,因此第二倾斜角度的精确性高于第一倾斜角度,例如,通过Hough方法,将图像边缘的每个像素点连接起来,获得该图像准确的形状和大小,并以此为基础分析第二倾斜角度。
可选的,可以通过图像倾斜检测技术(如Hough变换)对所述可识别图像的关键敏感区域进行倾斜检测,比如:运单的增值服务区域,并将倾斜检测结果作为所述关键敏感区域的第二倾斜角度。
可选的,可以分别获取所述可识别图像的第二倾斜角度和所述可识别图像中的关键敏感区域的第二倾斜角度,确定所述可识别图像的第二倾斜角度和所述关键敏感区域的第二倾斜角度是否均小于倾斜校正阈值。若是,则执行S1004,若否,则放弃识别所述可识别图像。
S1004,对所述可识别图像进行倾斜校正。
具体实现中,所述可识别图像的倾斜将增加该可识别图像中的文字的识别难度、降低识别结果的准确性。为了提高后续识别结果的准确性,可以通过图像倾斜校正技术(如Hough变换)实现对所述可识别图像的自动倾斜校正。
S1005,确定所述可识别图像的所述清晰度是否高于虚焦门限。若是,则执行S1006,若否,则放弃识别所述可识别图像。
具体实现中,在获取所述可识别图像时,由于人为因素或环境因素可能导致可识别图像出现虚焦(整张图像模糊、没有焦点)的情况。为了甄别虚焦的可识别图像,可以首先通过图像清晰度检测算法(如神经网络算法)对所述可识别图像进行虚焦分析,从而获得可识别图像的清晰度;然后比较所述清晰度与虚焦门限的大小。
S1006,对所述可识别图像中的文字内容进行增强。
具体实现中,当确定所述可识别图像的清晰度高于虚焦门限时,确定所述可识别图像没有出现虚焦的情况。因此,为了进一步提高所述可识别图像的识别结果的准确性,可以对所述可识别图像中的文字内容进行增强,比如,锐化处理等,从而提高所述可识别图像的识别结果的准确性。
S1007,确定所述可识别图像的遮挡面积是否小于置信阈值,若是,则执行S1008,若否,则放弃识别所述可识别图像。
具体实现中,可以首先获取所述可识别图像中的多块第一区域中每块第一区域的面积,其中,第一区域为对所述图像中的文字内容造成遮挡的区域,第一区域可以包括但不限于污渍区域;然后计算每块第一区域的面积的和作为所述遮挡面积,或者比较多块所述第一区域的面积的数值大小,将数值最大的面积作为所述遮挡面积;最后,比较所述遮挡面积与置信阈值的大小。其中,置信阈值可以为10cm2、15cm2等等。
S1008,将所述第一区域标记为标识区域。
具体实现中,可识别图像上的第一区域的遮挡面积越大,遮盖的文字内容越多,对该可识别图像的识别结果的置信度的影响也越大,因此可以预先根据遮挡面积的大小对可识别图像进行处理,然后对所述可识别图像进行识别。包括:可以根据每块第一区域的面积的大小,使用不同的标识信息标记每块第一区域,其中,不同的标识信息表示对置信度的降低程度有所不同。在识别所述可识别图像过程中,针对可识别图像中不同的第一区域,根据不同的标识信息降低不同的置信度来进行识别。其中,标识信息包括但不限于字母A、B和C,并且可以设置一种标识信息用于表示放弃识别该第一区域。
需要说明的是,在图像进入图像识别系统之前,利用上述图像处理方法对图像进行筛选和优化,包括剔除严重缺陷的图像、校正轻度角度倾斜的可识别图像、对满足清晰度条件的可识别图像进行增强处理、以及对第一区域进行标记,可以确保进入图像识别系统的图像的成像质量合格,从而使整个图像识别系统的准确率和可靠性得到保证。
在本发明实施例中,首先获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项;接着根据所述质量信息,确定所述图像是否为可识别图像;然后当所述图像为所述可识别图像时,确定所述可识别图像的成像质量;最后根据所述成像质量,对所述可识别图像进行处理。通过对图像的质量指标进行分析,可以甄别图像的成像质量、保证图像识别系统的准确率和可靠性。
上述详细阐述了本发明实施例的方法,下面提供了本发明实施例的装置。
请参见图11,图11是本发明实施例提供的一种图像处理装置的结构示意图,该图像处理装置可以包括:
获取模块1101,用于获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项。
具体实现中,图像可以是成像设备通过对实物进行拍摄所获得的实物的成像图像,也可以是电脑制作的图像和截图工具截取的图像。例如,如图3所示,图3提供了一种成像图像的示意图,该成像图像为使用巴枪拍摄的运单成像图像。其中,可以通过分析图像中面积较大、成像比较稳定的颜色区块(如图3中运单成像图像上的黑条),获取所述图像的完整度、阴影面积和第一倾斜角度中的至少一项。其中,完整度表示图像的完整程度,阴影面积为图像上的阴影区域的面积,其中,阴影区域为因光线分布不均造成图像上出现的一块亮度低于该图像中其他部分的区域,以及第一倾斜角度是由于没有垂直拍摄而造成的,可以表示为图像在水平直角坐标系中相对于垂直轴线的角度。
确定模块1102,用于根据所述质量信息,确定所述图像是否为可识别图像。
具体实现中,当所述完整度大于第一阈值、所述阴影面积小于第二阈值和所述第一倾斜角度小于第三阈值中的至少一项满足时,确定所述图像为所述可识别图像。其中,可以包括但不限于以下几种可选方式:
第一种可选方式:当所述完整度大于第一阈值时,可以确定该图像不是严重残缺的图像,因此该图像为所述可识别图像。当所述完整度不大于第一阈值时,确定图像为严重残缺的图像,因此该图像不为可识别图像。其中,第一阈值可以但不限于为0.7。例如:如图3所示,通过BLOB方法分析得到该运单成像图像的完整度为1,由于该完整度大于第一阈值0.7,所以确定该运单成像图像为可识别图像。
第二种可选方式:由于阴影区域会严重影响图像的识别结果的准确性,可以确定阴影面积是否小于第二阈值,当所述阴影面积小于第二阈值时,确定所述图像为所述可识别图像,当所述阴影面积不小于第二阈值时,确定图像不为可识别图像,从而甄别出阴影面积过大的图像。其中,第二阈值可以为4cm2、10cm2等等。例如:如图5所示,运单成像图像中存在一块阴影区域,并且通过BLOB方法分析得到阴影面积为8cm2,由于该阴影面积小于10cm2,所以确定该运单成像图像为可识别图像。
第三种可选方式:当所述第一倾斜角度小于第三阈值时,可以确定图像不是严重畸变或倾斜的图像,因此确定所述图像为所述可识别图像。当所述第一倾斜角度大于等于第三阈值时,确定图像是严重畸变或倾斜的图像,因此确定所述图像不为可识别图像。其中,第三阈值包括但不限于15度。
综上所述,当所述图像为不存在严重残缺的图像、或没有过大的阴影面积的图像、或没有严重倾斜/畸变的图像时,该图像具有可识别性,并且该图像存在的成像缺陷越少、缺陷程度越轻,可识别性越高。因此,当图像的完整度大于第一阈值、阴影面积小于第二阈值和第一倾斜角度小于第三阈值中的至少一项满足时,可以确定该图像具有可识别性,从而确定所述图像为可识别图像。
需要说明的是,由于严重缺陷的图像会导致图像的识别结果缺乏可靠性、或者无法被识别,因此本步骤是通过质量信息对图像进行初选,甄别出成像严重缺陷的图像,比如:严重残缺、阴影面积过大、严重畸变(无法检测出第一倾角度)或倾斜的图像,从而防止出现严重缺陷的图像。
可选的,处理模块1103,还用于当确定所述图像不为可识别图像时,显示提示信息,该提示信息提示用户重新获取所述图像、或对所述图像进行人工识别。
确定模块1102,还用于当所述图像为所述可识别图像时,确定所述可识别图像的成像质量。
具体实现中,成像质量可以包括第二倾斜角度。其中,可以通过图像倾斜检测技术(如霍夫(Hough)变换)对所述可识别图像进行倾斜检测,并将倾斜检测结果作为所述可识别图像的第二倾斜角度。第二倾斜角度可以为可识别图像在水平直角坐标系中相对于垂直轴线的倾斜角度。
需要说明的是,确定模块1102获取的第二倾斜角度和获取模块1101获取的第一倾斜角度均表示图像在水平直角坐标系中相对于垂直轴线的倾斜角度。但是,获取模块1101获取的第一倾斜角度用于甄别严重畸变或倾斜的图像,因此,第一倾斜角度为所述图像的倾斜角度的粗略估计结果。为了对可识别图像的倾斜程度进行进一步甄别,并对所述可识别图像做相应的优化处理,确定模块1102采用了针对性强、精确性高的图像倾斜检测算法来检测可识别图像的倾斜角度,并将检测结果作为第二倾斜角度,因此第二倾斜角度的精确性高于第一倾斜角度。
可选的,可以通过图像倾斜检测技术(如Hough变换)对所述可识别图像中的关键敏感区域进行倾斜检测,比如:运单的增值服务区域,并将倾斜检测结果作为所述关键敏感区域的第二倾斜角度。
可选的,成像质量还可以包括清晰度。其中,可以通过图像清晰度检测算法(如神经网络算法)对所述可识别图像进行虚焦分析,从而获得可识别图像的清晰度。
可选的,成像质量还可以包括遮挡面积。其中,可以首先获取所述可识别图像中的多块第一区域中每块第一区域的面积,其中,第一区域为对所述图像中的文字内容造成遮挡的区域,第一区域可以包括但不限于污渍区域;然后计算每块第一区域的面积的和作为所述遮挡面积,或者比较多块第一区域的面积的数值大小,将数值最大的面积作为所述遮挡面积。
处理模块1103,用于根据所述成像质量,对所述可识别图像进行处理。
具体实现中,可以当第二倾斜角度小于倾斜校正阈值、清晰度高于虚焦门限和遮挡面积小于置信阈值中的至少一项满足时,对所述可识别图像进行处理。其中,可以包括但不局限于以下几种情况:
第一种情况:所述可识别图像的倾斜角度将增加该可识别图像中的文字的识别难度、降低识别结果的准确性。因此,可以首先比较所述可识别图像的第二倾斜角度与倾斜校正阈值的大小,并且当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正。其中,所述倾斜校正阈值可以但不限于为10度。
第二种情况:在获取所述可识别图像的过程时,由于人为因素或环境因素可能导致可识别图像出现虚焦(整张图像模糊、没有焦点)的情况。为了确定所述可识别图像是否出现虚焦、并对可识别图像采取相应处理措施,可以首先比较清晰度与虚焦门限的大小,当清晰度高于虚焦门限时,确定所述可识别图像没有出现虚焦的情况,然后对所述可识别图像中的文字内容进行增强,比如,锐化处理等,从而提高所述可识别图像的识别结果的准确性。其中,虚焦门限可以但不限于为0.7。
第三种情况:可识别图像上的第一区域的遮挡面积越大,遮盖的文字内容越多,对可识别图像的识别结果的置信度的影响也越大,因此可以预先根据遮挡面积的大小对可识别图像进行处理,然后对该可识别图像进行识别。包括:可以首先比较遮挡面积与置信阈值的大小,当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。另外,可以根据每块第一区域的面积的大小,使用不同的标识信息标记每块第一区域,其中,不同的标识信息表示置信度的降低程度有所不同。在识别所述可识别图像的过程中,针对可识别图像中不同的第一区域,根据不同的标识信息降低不同的置信度来进行识别。其中,标识信息包括但不限于字母A、B和C,并且可以设置一种标识信息用于表示放弃识别该第一区域。其中,置信阈值可以为10cm2、15cm2等等。
可选的,可以当第二倾斜阈值不小于倾斜校正阈值、或清晰度不高于虚焦门限、或遮挡面积不小于置信阈值时,显示提示信息,该提示信息提示用户重新获取所述可识别图像、或对所述可识别图像进行人工识别。
需要说明的是,在成像图像进入图像识别系统之前,利用上述图像处理方法对成像图像进行筛选和优化,包括剔除严重缺陷的成像图像、校正轻度角度倾斜的成像可识别图像、对满足清晰度条件的可识别图像进行增强处理、以及对第一区域进行标记,可以确保进入图像识别系统的图像的成像质量合格,从而使整个图像识别系统的准确率和可靠性得到保证。
在本发明实施例中,首先获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项;接着根据所述质量信息,确定所述图像是否为可识别图像;然后当所述图像为所述可识别图像时,确定所述可识别图像的成像质量;最后根据所述成像质量,对所述可识别图像进行处理。通过对图像的质量指标进行分析,可以甄别图像的成像质量、保证图像识别系统的准确率和可靠性。
请继续参考图12,图12是本发明实施例提出的一种图像处理设备的结构示意图。如图所示,该图像处理设备可以包括:至少一个处理器1201,至少一个通信接口1202,至少一个存储器1203和至少一个通信总线1204。
其中,处理器1201可以是中央处理器单元,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理器和微处理器的组合等等。通信总线1204可以是外设部件互连标准PCI总线或扩展工业标准结构EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图12中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信总线1204用于实现这些组件之间的连接通信。其中,本发明实施例中设备的通信接口1202用于与其他节点设备进行信令或数据的通信。存储器1203可以包括易失性存储器,例如非挥发性动态随机存取内存(Nonvolatile Random Access Memory,NVRAM)、相变化随机存取内存(Phase Change RAM,PRAM)、磁阻式随机存取内存(Magetoresistive RAM,MRAM)等,还可以包括非易失性存储器,例如至少一个磁盘存储器件、电子可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、闪存器件,例如反或闪存(NOR flash memory)或是反及闪存(NAND flash memory)、半导体器件,例如固态硬盘(Solid State Disk,SSD)等。存储器1203可选的还可以是至少一个位于远离前述处理器1201的存储装置。存储器1203中存储一组程序代码,且处理器1201执行存储器1203中的程序。
获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度中的至少一项;
根据所述质量信息,确定所述图像是否为可识别图像;
当所述图像为所述可识别图像时,确定所述可识别图像的成像质量;
根据所述成像质量,对所述可识别图像进行处理。
可选的,处理器1201还用于执行如下操作步骤:
当所述完整度大于第一阈值、所述阴影面积小于第二阈值和所述第一倾斜角度小于第三阈值中的至少一项满足时,确定所述图像为所述可识别图像。
可选的,处理器1201还用于执行如下操作步骤:
当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正。
可选的,处理器1201还用于执行如下操作步骤:
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强。
可选的,处理器1201还用于执行如下操作步骤:
当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。
可选的,处理器1201还用于执行如下操作步骤:
当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正;
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强;
当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。
进一步的,处理器还可以与存储器和通信接口相配合,执行上述发明实施例中图像处理装置的操作。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种图像处理方法,其特征在于,所述方法包括:
通过连通区域BLOB算法获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度;
当所述完整度大于第一阈值、所述阴影面积小于第二阈值和所述第一倾斜角度小于第三阈值时,确定所述图像是否为可识别图像;
当所述图像为所述可识别图像时,确定所述可识别图像的成像质量,所述成像质量包括第二倾斜角度、清晰度和遮挡面积,所述第二倾斜角度是通过霍夫Hough变换算法对所述可识别图像进行倾斜检测得到的,所述第二倾斜角度的精确性高于第一倾斜角度,所述清晰度是通过清晰度检测算法对所述可识别图像进行虚焦分析得到的,所述遮挡面积是通过获取所述可识别图像中多块第一区域中每块第一区域的面积并计算所述多块第一区域的面积之和得到的,所述第一区域为对所述可识别图像中的文字内容造成遮挡的区域;
根据所述成像质量,对所述可识别图像进行处理,包括:
当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正;
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强;
当所述可识别图像中的所述遮挡面积小于置信阈值时,根据所述多块第一区域中每块第一区域的面积大小,使用不同的标识信息将所述多块第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度,不同的标识信息对应不同的置信度的降低程度。
2.如权利要求1所述的方法,其特征在于,所述成像质量包括清晰度;
所述根据所述成像质量,对所述可识别图像进行处理包括:
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强。
3.如权利要求1所述的方法,其特征在于,所述成像质量包括遮挡面积;
所述根据所述成像质量,对所述可识别图像进行处理包括:
当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。
4.一种图像处理装置,其特征在于,所述装置包括:
获取模块,用于通过连通区域BLOB算法获取图像的质量信息,所述质量信息包括完整度、阴影面积和第一倾斜角度;
确定模块,用于当所述完整度大于第一阈值、所述阴影面积小于第二阈值和所述第一倾斜角度小于第三阈值时,确定所述图像是否为可识别图像;
所述确定模块,还用于当所述图像为所述可识别图像时,确定所述可识别图像的成像质量,所述成像质量包括第二倾斜角度、清晰度和遮挡面积,所述第二倾斜角度是通过霍夫Hough变换算法对所述可识别图像进行倾斜检测得到的,所述第二倾斜角度的精确性高于第一倾斜角度,所述清晰度是通过清晰度检测算法对所述可识别图像进行虚焦分析得到的,所述遮挡面积是通过获取所述可识别图像中多块第一区域中每块第一区域的面积并计算所述多块第一区域的面积之和得到的,所述第一区域为对所述可识别图像中的文字内容造成遮挡的区域;
处理模块,用于根据所述成像质量,对所述可识别图像进行处理,包括:当所述第二倾斜角度小于倾斜校正阈值时,对所述可识别图像进行倾斜校正;当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强;当所述可识别图像中的所述遮挡面积小于置信阈值时,根据所述多块第一区域中每块第一区域的面积大小,使用不同的标识信息将所述多块第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度,不同的标识信息对应不同的置信度的降低程度。
5.如权利要求4所述的装置,其特征在于,所述成像质量包括清晰度;
所述处理模块还用于:
当所述清晰度高于虚焦门限时,对所述可识别图像中的文字内容进行增强。
6.如权利要求4所述的装置,其特征在于,所述成像质量包括遮挡面积;
所述处理模块还用于:
当所述可识别图像中的第一区域的所述遮挡面积小于置信阈值时,将所述第一区域标记为标识区域,所述标识区域用于指示降低所述第一区域的识别结果的置信度。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810325315.1A CN108491843B (zh) | 2018-04-12 | 2018-04-12 | 一种图像处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810325315.1A CN108491843B (zh) | 2018-04-12 | 2018-04-12 | 一种图像处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491843A CN108491843A (zh) | 2018-09-04 |
CN108491843B true CN108491843B (zh) | 2022-11-18 |
Family
ID=63315834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810325315.1A Active CN108491843B (zh) | 2018-04-12 | 2018-04-12 | 一种图像处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491843B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705486B (zh) * | 2019-10-08 | 2021-06-25 | 济南东朔微电子有限公司 | 一种基于视频图像识别快递面单上倾斜数字的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644886A (zh) * | 2009-09-01 | 2010-02-10 | 长春理工大学 | 光学自动调焦方法及系统 |
CN104813339A (zh) * | 2012-09-12 | 2015-07-29 | 威智伦富智堡公司 | 用于检测视频中的对象的方法、设备和系统 |
CN106097260A (zh) * | 2016-06-01 | 2016-11-09 | 浙江工业大学 | 一种基于镂空标识的保结构增强现实标识隐藏方法 |
CN106856002A (zh) * | 2016-11-22 | 2017-06-16 | 上海大学 | 一种无人机拍摄图像质量评价方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1180368C (zh) * | 2003-05-22 | 2004-12-15 | 上海交通大学 | 虹膜识别系统的图像质量评价方法 |
US8819172B2 (en) * | 2010-11-04 | 2014-08-26 | Digimarc Corporation | Smartphone-based methods and systems |
CN102867179A (zh) * | 2012-08-29 | 2013-01-09 | 广东铂亚信息技术股份有限公司 | 一种数字证件照片采集质量检测的方法 |
CN103473518B (zh) * | 2013-08-20 | 2016-06-15 | 成都我来啦网格信息科技有限公司 | 运单信息录入和黑白色块编码解码系统 |
CN104239909B (zh) * | 2014-08-11 | 2018-03-16 | 北京捷通华声语音技术有限公司 | 一种图像的识别方法和装置 |
CN105069801A (zh) * | 2015-08-17 | 2015-11-18 | 江苏物联网研究发展中心 | 基于图像质量诊断的视频图像预处理方法 |
CN105117705B (zh) * | 2015-08-26 | 2018-08-24 | 北京无线电计量测试研究所 | 一种虹膜图像质量级联式评价方法 |
CN105469384B (zh) * | 2015-10-13 | 2018-09-25 | 南京邮电大学 | 车牌图像质量的综合评价方法 |
-
2018
- 2018-04-12 CN CN201810325315.1A patent/CN108491843B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101644886A (zh) * | 2009-09-01 | 2010-02-10 | 长春理工大学 | 光学自动调焦方法及系统 |
CN104813339A (zh) * | 2012-09-12 | 2015-07-29 | 威智伦富智堡公司 | 用于检测视频中的对象的方法、设备和系统 |
CN106097260A (zh) * | 2016-06-01 | 2016-11-09 | 浙江工业大学 | 一种基于镂空标识的保结构增强现实标识隐藏方法 |
CN106856002A (zh) * | 2016-11-22 | 2017-06-16 | 上海大学 | 一种无人机拍摄图像质量评价方法 |
Non-Patent Citations (1)
Title |
---|
行星着陆巡视自主视觉导航方法研究;余萌;《中国博士学位论文全文数据库》;20180115(第01期);第C031-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108491843A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726643B (zh) | 图像中表格信息的识别方法、装置、电子设备及存储介质 | |
CN107492091B (zh) | 基于机器视觉的标签外观检测方法及终端设备 | |
US11663817B2 (en) | Automated signature extraction and verification | |
CN110647882A (zh) | 图像校正方法、装置、设备及存储介质 | |
CN109447080B (zh) | 一种字符识别方法及装置 | |
CN110660072B (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN110619333A (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
CN108241859A (zh) | 车牌的校正方法及装置 | |
CN111178147A (zh) | 屏幕破碎分级方法、装置、设备及计算机可读存储介质 | |
US10796143B2 (en) | Information processing apparatus, information processing system, and non-transitory computer readable medium | |
CN111898610A (zh) | 卡片缺角检测方法、装置、计算机设备及存储介质 | |
JP6542230B2 (ja) | 投影ひずみを補正するための方法及びシステム | |
CN112651953A (zh) | 图片相似度计算方法、装置、计算机设备及存储介质 | |
CN110298302B (zh) | 一种人体目标检测方法及相关设备 | |
CN108491843B (zh) | 一种图像处理方法、装置及存储介质 | |
CN108647570B (zh) | 斑马线检测方法、装置及计算机可读存储介质 | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
CN111507957B (zh) | 身份证图片转换方法、装置、计算机设备及存储介质 | |
CN109033797B (zh) | 一种权限设置方法及装置 | |
CN108304840B (zh) | 一种图像数据处理方法以及装置 | |
CN115862044A (zh) | 用于从图像中提取目标文档部分的方法、设备和介质 | |
CN115294505A (zh) | 风险物体检测及其模型的训练方法、装置及电子设备 | |
CN114399432A (zh) | 目标识别方法、装置、设备、介质及产品 | |
CN109242763B (zh) | 图片处理方法、图片处理装置、终端设备 | |
CN108961531B (zh) | 纸币冠字号识别的方法、装置、设备及存储介质 |
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 |