CN109492450A - 一种基于版面分析的条形码定位方法 - Google Patents
一种基于版面分析的条形码定位方法 Download PDFInfo
- Publication number
- CN109492450A CN109492450A CN201811217678.XA CN201811217678A CN109492450A CN 109492450 A CN109492450 A CN 109492450A CN 201811217678 A CN201811217678 A CN 201811217678A CN 109492450 A CN109492450 A CN 109492450A
- Authority
- CN
- China
- Prior art keywords
- image
- bar code
- formula
- pixel
- method based
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
- G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明属于办公自动化领域,公开了一种基于版面分析的条形码定位方法,其特征在于:包括如下步骤:S1、对扫描图像进行缩小处理,并进行灰度处理;S2、对灰度图像进行减噪处理;S3、对减噪后图像进行二值化处理;S4、对二值化图像进行闭运算处理;S5、寻找并剪裁出闭运算图像的条形码矩形区域,实现条形码定位;本发明解决了现有技术存在的识别速度慢,工作量大,发生扫描错误、扫描遗漏导致准确性差的问题。
Description
技术领域
本发明属于办公自动化领域,具体涉及一种基于版面分析的条形码定位方法。
背景技术
条形码(barcode)是将宽度不等的多个黑条和空白,按照一定的编码规则排列,用以表达一组信息的图形标识符。常见的条形码是由反射率相差很大的黑条(简称条)和白条(简称空)排成的平行线图案。条形码可以标出物品的生产国、制造厂家、商品名称、生产日期、图书分类号、邮件起止地点、类别、日期等许多信息,因而在商品流通、图书管理、邮政管理、银行系统等许多领域都得到广泛的应用。
传统的条码识别主要包括光电识别、射频识别以及图像式的条码识别。光电识别非常成熟,在市场上应用非常广泛。但是该种条码技术对有污染的条码识别能力差,要达到理想的识别效果对条码印刷质量要求较高。射频识别(RFID)作为一种新型的条码识别技术,它通过射频标签与射频读写器之间的感应、无线电波或微波能量进行非接触双向通信,实现数据交换,从而达到识别目的。具有扫描速度快、扫描距离远、多目标同时扫描的优点。然而由于射频识别标签的成本问题,使得射频识别技术在零售领域并不能被广泛应用。图像式的条码识别技术一般首先由图像采集装置采集有复杂背景的条码图像,然后利用图像处理技术进行条码图像的去噪和分割处理,最后调用读码模块,读出条码值并显示识别结果。
现有技术存在以下问题:
1)现有条形码的识别过程需要人工干预,手工确定条码位置,识别速度慢,工作量大;
2)当文档页中含有多个条形码时,就很容易发生扫描错误、扫描遗漏等问题,准确性差。
发明内容
为了解决现有技术存在的上述问题,本发明目的在于提供一种快速、准确的基于版面分析的条形码定位方法,减少了工作量,提高了办公自动化中文档管理效率,解决了现有技术存在的识别速度慢,工作量大,发生扫描错误、扫描遗漏导致准确性差的问题。
本发明所采用的技术方案为:
一种基于版面分析的条形码定位方法,包括如下步骤:
S1:对扫描图像进行缩小处理,并进行灰度处理;
S2:对灰度图像进行减噪处理;
S3:对减噪后图像进行二值化处理;
S4:对二值化图像进行闭运算处理;
S5:寻找并剪裁出闭运算图像的条形码矩形区域,实现条形码定位。
进一步地,步骤S1中,使用加权法进行灰度值处理,计算公式为:
F(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中,F(i,j)为像素点的灰度值;R(i,j)、G(i,j)、B(i,j)对应为像素点的红绿蓝三种颜色的亮度值;(i,j)为像素点坐标。
进一步地,步骤S2中,对灰度图像进行减噪处理,包括如下步骤:
S2-1:使用高斯滤波器的高斯函数生成高斯卷积核;
S2-2:遍历灰度图像每一个像素点,使用高斯卷积核确定的邻域内像素的加权平均灰度值替代高斯卷积核中心像素点的值;
S2-3:使用Sobel算子求灰度图像的水平和竖直方向的梯度差,对靠近中心点的像素点进行加权,突出灰度图像边缘;
S2-4:进行均值滤波处理,即用高斯卷积核的均值替代灰度图像像素点的值,消除高频噪声,得到减噪后图像。
进一步地,步骤S2-1中,高斯滤波器的高斯函数公式包括:
一维高斯函数的公式为:
式中,G(r)为一维高斯函数;σ为平滑表征参数;e为计算参数;r为一维变量因子;
二维高斯函数的公式为:
式中,G(u,v)为二维高斯函数;σ为平滑表征参数;e为计算参数;u,v为二维变量因子。
进一步地,步骤S2-3中,Sobel算子梯度幅值的计算公式为:
式中,G(io,jo)为Sobel算子梯度幅值;(io,jo)为高斯卷积核中心点的像素点坐标;sx、sy为X、Y方向的偏导数。
进一步地,步骤S2-4中,均值滤波处理的公式为:
式中,p(x,y)为减噪后图像;为高斯卷积核的均值;M'为高斯卷积核像素点数量;q(x,y)为高斯卷积核。
进一步地,步骤S3中,进行二值化处理的计算公式为:
式中,g(x,y)为二值化图像;f(x,y)为输入的减噪后灰度图像;T为阈值。
进一步地,将类间方差最大的灰度值作为二值化处理的最佳阈值,其计算公式为:
T*=argmax[g(t)]
式中,T*为最佳阈值;g(t)为类间方差;t为选取的灰度值变量,t∈{0,M-1},其中M为图像中灰度值数量;argmax(·)为最大满足函数。
进一步地,步骤S4中,进行闭运算时使用结构元素依次对输入的二值化图像进行膨胀操作和腐蚀操作。
进一步地,闭运算函数的公式为:
式中,A·SE为闭运算函数;SE为结构元素;A为输入的二值化图像;为膨胀操作函数;⊙为腐蚀操作函数。
本发明的有益效果为:
本发明基于数字图像处理技术,对文档条形码进行定位提取,便于后续进行识别,避免了手工确定条码位置,提高了识别速度,减轻了工作量;同时,本发明避免了由于手工确定条码位置导致发生扫描错误、扫描遗漏,提高了准确性。
附图说明
图1是基于版面分析的条形码定位方法流程图;
图2是减噪处理方法流程图;
图3是二值化后的扫描图像;
图4是闭运算图像;
图5是条形码矩形区域图;
图6为高斯卷积核模板图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1:
如图1所示,本实施例提供一种基于版面分析的条形码定位方法,包括如下步骤:
S1:对扫描图像进行缩小处理,并进行灰度处理,使用加权法进行灰度值处理,减少后续计算量,提高了处理效率;
图像的灰度化即是将彩色图像转化成为灰度图像的过程成为图像的灰度化处理,彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255中值可取,这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围,而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,其一个像素点的变化范围为255种,在数字图像处理种将各种格式的图像转变成灰度图像以减少后续计算量。
灰度化处理的方法包括分量法、最值法、均值法以及加权法,由于人眼颜色敏感度不同,使用加权法按一定的权值对R、G、B三分量进行加权平均能得到合理的灰度图像。
计算公式为:
F(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中,F(i,j)为像素点的灰度值;R(i,j)、G(i,j)、B(i,j)对应为像素点的红绿蓝三种颜色的亮度值;(i,j)为像素点坐标;
S2:对灰度图像进行减噪处理,如图2所示,包括如下步骤:
S2-1:使用高斯滤波器的高斯函数生成高斯卷积核,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程,高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器,高斯滤波器对于服从正太分布的噪声非常有效,高斯滤波器的高斯函数公式包括:
一维高斯函数的公式为:
式中,G(r)为一维高斯函数;σ为平滑表征参数;e为计算参数;r为一维变量因子。
二维高斯函数的公式为:
式中,G(u,v)为二维高斯函数;σ为平滑表征参数;e为计算参数;u,v为二维变量因子。
S2-2:遍历灰度图像每一个像素点,使用高斯卷积核确定的邻域内像素的加权平均灰度值替代高斯卷积核中心像素点的值。
S2-3:使用Sobel算子求灰度图像的水平和竖直方向的梯度差,对靠近中心点的像素点进行加权,突出灰度图像边缘,在一维情况下,阶跃边缘同图像的一阶导数局部峰值有关,梯度是函数变化的一种度量,而一幅图像可以看作是图像强度连续函数的取样点阵列,因此,同一维情况类似,图像灰度值的显著变化可用梯度的离散逼近函数来检测,梯度是一阶导数的二维等效式,二维图像即输入的二值化图像g(x,y)的梯度向量定义为:
其梯度幅值为:
|G(x,y)|≈|Gx|+|Gy|
梯度向量的基本性质是它指向g在(x,y)处的最大变化率方向,最大变化率出现时的角度为:
α(x,y)=arctan(Gy/Gx)
S2-3:使用Sobel算子求二值化图像的水平和竖直方向的梯度差,对靠近中心点的像素点进行加权,突出二值化图像边缘。Sobel算子是利用梯度与差分原理组成的锐化算子,是一种加权算子,是对靠近中心点的点加权,以突出边缘,本实施例中,Sobel算子采用3×3邻域可以避免在像素之间内插点上计算梯度,偏导数使用如图6所示的高斯卷积核模板表示,周围点的排列,Sobel算子是一种梯度幅值。
Sobel算子梯度幅值的计算公式为:
式中,G(io,jo)为Sobel算子梯度幅值;(io,jo)为高斯卷积核中心点的像素点坐标;sx、sy为X、Y方向的偏导数;
偏导数的计算公式为:
S2-4:进行均值滤波处理,即用高斯卷积核的均值替代灰度图像像素点的值,消除高频噪声,得到减噪后图像,均值滤波处理的公式为:
式中,p(x,y)为减噪后图像;为高斯卷积核的均值;M'为高斯卷积核像素点数量;q(x,y)为高斯卷积核。
S3:对减噪后图像进行二值化处理,得到如图3所示图像,图像的二值化处理就是将灰度图像转换为黑白效果明显的二值化图像,灰度图像中的像素点按照一定的阈值T分为两类,一类是灰度值大于阈值T的像素点群称为目标点,一类是灰度值小于阈值T的像素群,称作背景点,输入的灰度图像f(x,y),任何满足f(x,y)≥T的点成为对象点,其他灰度值小于T的点成为背景点,进行二值化处理的计算公式为:
式中,g(x,y)为二值化图像;f(x,y)为输入的减噪后灰度图像;T为阈值。
最大类间方差法能够基于图像的统计特性,自动选曲能够将图像分为两组类间方差最大的灰度值作为二值化处理的最佳阈值,即将类间方差最大的灰度值作为二值化处理的最佳阈值。
图像有M个灰度值,选取的灰度值t,且t∈{0,M-1},将图像分为两组(W0和W1),W0包含像素的灰度值在0~t之间,W1包含像素的灰度值在t+1~M-1之间,可得最佳阈值的计算公式为:
T*=argmax[g(t)]
式中,T*为最佳阈值;g(t)为类间方差;t为选取的灰度值变量,t∈{0,M-1},其中M为图像中灰度值数量;argmax(·)为最大满足函数。
类间方差的计算公式为:
式中,g(t)为类间方差;为二值化后两部分图像对应所占比例;μ0、μ1二值化后两部分图像对应平均灰度值;μ为总平均灰度。
总平均灰度的计算公式为:
式中,μ为总平均灰度;为二值化后两部分图像对应所占比例;μ0、μ1二值化后两部分图像对应平均灰度值。
图像所占比例的计算公式为:
式中,为二值化后两部分图像对应所占比例;t为选取的灰度值;i为灰度值变量;Pi为灰度值i出现的概率,且Pi=n/N,n为灰度值为i的数量,N为像素点数量。
图像平均灰度值的计算公式为:
S4:对二值化图像进行闭运算处理时,使用结构元素依次对输入的二值化图像进行膨胀操作和腐蚀操作,得到图像如图4所示;闭运算填充连通目标中的狭窄缺口,使图像中损失的细节得到修复,从而起到完善图像信息的作用。
闭运算函数的公式为:
式中,A·SE为闭运算函数;SE为结构元素;A为输入的二值化图像;为膨胀操作函数;⊙为腐蚀操作函数。
S5:寻找并剪裁出闭运算图像的如图5所示的条形码矩形区域,实现条形码定位。
本发明目的在于提供一种快速、准确的基于版面分析的条形码定位方法,减少了工作量,提高了办公自动化中文档管理效率,解决了现有技术存在的识别速度慢,工作量大,发生扫描错误、扫描遗漏导致准确性差的问题。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种基于版面分析的条形码定位方法,其特征在于:包括如下步骤:
S1:对扫描图像进行缩小处理,并进行灰度处理;
S2:对灰度图像进行减噪处理;
S3:对减噪后图像进行二值化处理;
S4:对二值化图像进行闭运算处理;
S5:寻找并剪裁出闭运算图像的条形码矩形区域,实现条形码定位。
2.根据权利要求1所述的一种基于版面分析的条形码定位方法,其特征在于:所述的步骤S1中,使用加权法进行灰度值处理,计算公式为:
F(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j)
式中,F(i,j)为像素点的灰度值;R(i,j)、G(i,j)、B(i,j)对应为像素点的红绿蓝三种颜色的亮度值;(i,j)为像素点坐标。
3.根据权利要求1所述的一种基于版面分析的条形码定位方法,其特征在于:所述的步骤S2中,对灰度图像进行减噪处理,包括如下步骤:
S2-1:使用高斯滤波器的高斯函数生成高斯卷积核;
S2-2:遍历灰度图像每一个像素点,使用高斯卷积核确定的邻域内像素的加权平均灰度值替代高斯卷积核中心像素点的值;
S2-3:使用Sobel算子求灰度图像的水平和竖直方向的梯度差,对靠近中心点的像素点进行加权,突出灰度图像边缘;
S2-4:进行均值滤波处理,即用高斯卷积核的均值替代灰度图像像素点的值,消除高频噪声,得到减噪后图像。
4.根据权利要求3所述的一种基于版面分析的条形码定位方法,其特征在于:所述的步骤S2-1中,高斯滤波器的高斯函数公式包括:
一维高斯函数的公式为:
式中,G(r)为一维高斯函数;σ为平滑表征参数;e为计算参数;r为一维变量因子;
二维高斯函数的公式为:
式中,G(u,v)为二维高斯函数;σ为平滑表征参数;e为计算参数;u,v为二维变量因子。
5.根据权利要求4所述的一种基于版面分析的条形码定位方法,其特征在于:所述的步骤S2-3中,Sobel算子梯度幅值的计算公式为:
式中,G(io,jo)为Sobel算子梯度幅值;(io,jo)为高斯卷积核中心点的像素点坐标;sx、sy为X、Y方向的偏导数。
6.根据权利要求5所述的一种基于版面分析的条形码定位方法,其特征在于:所述的步骤S2-4中,均值滤波处理的公式为:
式中,p(x,y)为减噪后图像;为高斯卷积核的均值;M'为高斯卷积核像素点数量;q(x,y)为高斯卷积核。
7.根据权利要求1所述的一种基于版面分析的条形码定位方法,其特征在于:所述的步骤S3中,进行二值化处理的计算公式为:
式中,g(x,y)为二值化图像;f(x,y)为输入的减噪后灰度图像;T为阈值。
8.根据权利要求7所述的一种基于版面分析的条形码定位方法,其特征在于:将类间方差最大的灰度值作为二值化处理的最佳阈值,其计算公式为:
T*=argmax[g(t)]
式中,T*为最佳阈值;g(t)为类间方差;t为选取的灰度值变量,t∈{0,M-1},其中M为图像中灰度值数量;argmax(·)为最大满足函数。
9.根据权利要求1所述的一种基于版面分析的条形码定位方法,其特征在于:所述的步骤S4中,进行闭运算时使用结构元素依次对输入的二值化图像进行膨胀操作和腐蚀操作。
10.根据权利要求9所述的一种基于版面分析的条形码定位方法,其特征在于:所述的闭运算函数的公式为:
式中,A·SE为闭运算函数;SE为结构元素;A为输入的二值化图像;为膨胀操作函数;⊙为腐蚀操作函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217678.XA CN109492450A (zh) | 2018-10-18 | 2018-10-18 | 一种基于版面分析的条形码定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217678.XA CN109492450A (zh) | 2018-10-18 | 2018-10-18 | 一种基于版面分析的条形码定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492450A true CN109492450A (zh) | 2019-03-19 |
Family
ID=65691986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811217678.XA Pending CN109492450A (zh) | 2018-10-18 | 2018-10-18 | 一种基于版面分析的条形码定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492450A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950315A (zh) * | 2020-10-19 | 2020-11-17 | 江苏理工学院 | 一种多幅条形码图像切分与识别方法、装置及存储介质 |
CN113657385A (zh) * | 2021-10-20 | 2021-11-16 | 山东摄云信息技术有限公司 | 一种电子计量装置的数据检测方法、装置及电子设备 |
CN117291209A (zh) * | 2023-02-02 | 2023-12-26 | 深圳牛图科技有限公司 | 一种基于多核异构架构的条码识别智能终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136058A (zh) * | 2011-04-26 | 2011-07-27 | 中国农业大学 | 条形码图像识别方法 |
CN102708552A (zh) * | 2012-05-24 | 2012-10-03 | 中山大学 | 一种快速二维条码图像运动去模糊方法 |
CN103793679A (zh) * | 2014-03-05 | 2014-05-14 | 江苏物联网研究发展中心 | 基于DaVinci技术的一维条码识别方法 |
CN104156941A (zh) * | 2014-05-13 | 2014-11-19 | 北京致胜宏达科技有限公司 | 一种确定图像上几何轮廓区域的方法及系统 |
CN104700421A (zh) * | 2015-03-27 | 2015-06-10 | 中国科学院光电技术研究所 | 一种基于canny的自适应阈值的边缘检测算法 |
CN106250835A (zh) * | 2016-07-26 | 2016-12-21 | 国网福建省电力有限公司 | 基于特征识别的输电线路上的鸟巢识别方法 |
CN107679437A (zh) * | 2017-09-26 | 2018-02-09 | 四川元匠科技有限公司 | 基于Zbar的条形码图像识别算法 |
-
2018
- 2018-10-18 CN CN201811217678.XA patent/CN109492450A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136058A (zh) * | 2011-04-26 | 2011-07-27 | 中国农业大学 | 条形码图像识别方法 |
CN102708552A (zh) * | 2012-05-24 | 2012-10-03 | 中山大学 | 一种快速二维条码图像运动去模糊方法 |
CN103793679A (zh) * | 2014-03-05 | 2014-05-14 | 江苏物联网研究发展中心 | 基于DaVinci技术的一维条码识别方法 |
CN104156941A (zh) * | 2014-05-13 | 2014-11-19 | 北京致胜宏达科技有限公司 | 一种确定图像上几何轮廓区域的方法及系统 |
CN104700421A (zh) * | 2015-03-27 | 2015-06-10 | 中国科学院光电技术研究所 | 一种基于canny的自适应阈值的边缘检测算法 |
CN106250835A (zh) * | 2016-07-26 | 2016-12-21 | 国网福建省电力有限公司 | 基于特征识别的输电线路上的鸟巢识别方法 |
CN107679437A (zh) * | 2017-09-26 | 2018-02-09 | 四川元匠科技有限公司 | 基于Zbar的条形码图像识别算法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950315A (zh) * | 2020-10-19 | 2020-11-17 | 江苏理工学院 | 一种多幅条形码图像切分与识别方法、装置及存储介质 |
CN111950315B (zh) * | 2020-10-19 | 2023-11-07 | 江苏理工学院 | 一种多幅条形码图像切分与识别方法、装置及存储介质 |
CN113657385A (zh) * | 2021-10-20 | 2021-11-16 | 山东摄云信息技术有限公司 | 一种电子计量装置的数据检测方法、装置及电子设备 |
CN113657385B (zh) * | 2021-10-20 | 2022-01-25 | 山东摄云信息技术有限公司 | 一种电子计量装置的数据检测方法、装置及电子设备 |
CN117291209A (zh) * | 2023-02-02 | 2023-12-26 | 深圳牛图科技有限公司 | 一种基于多核异构架构的条码识别智能终端 |
CN117291209B (zh) * | 2023-02-02 | 2024-05-17 | 深圳牛图科技有限公司 | 一种基于多核异构架构的条码识别智能终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194400B (zh) | 一种财务报销全票据图片识别处理方法 | |
CN102096795B (zh) | 磨损二维条码图像识别方法 | |
CN104463195B (zh) | 基于模板匹配的印刷体数字识别方法 | |
Gu et al. | QR code recognition based on image processing | |
CN109492450A (zh) | 一种基于版面分析的条形码定位方法 | |
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 | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN104573674B (zh) | 面向实时嵌入式系统的一维条码识别方法 | |
CN111476109A (zh) | 票据处理方法、票据处理装置和计算机可读存储介质 | |
CN107031033B (zh) | 一种可3d打印的镂空二维码模型生成方法及系统 | |
CN102360419A (zh) | 计算机扫描阅读管理方法及系统 | |
CN109784341A (zh) | 一种基于lstm神经网络的医疗单据识别方法 | |
CN108090494A (zh) | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 | |
CN105160339A (zh) | 一种二维码打印质量在线评估方法 | |
CN106529368B (zh) | 二维码识别区域定位的方法 | |
CN110335280A (zh) | 一种基于移动端的金融单据图像分割与矫正方法 | |
Edward V | Support vector machine based automatic electric meter reading system | |
CN101763510B (zh) | 交错线矢量化提取及图形识别方法 | |
CN109543525B (zh) | 一种通用表格图像的表格提取方法 | |
CN110516592A (zh) | 一种基于手写数字字符的识别方法 | |
CN104346596A (zh) | 一种qr码的识别方法及识别装置 | |
CN113221696A (zh) | 一种图像识别方法、系统、设备及存储介质 | |
CN111414917B (zh) | 一种低像素密度文本的识别方法 | |
Sun et al. | Identification of QR codes based on pattern recognition | |
CN106599910B (zh) | 基于纹理重组的打印文件鉴别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |