CN110210546A - 一种基于图像处理的书籍自动归类方法 - Google Patents

一种基于图像处理的书籍自动归类方法 Download PDF

Info

Publication number
CN110210546A
CN110210546A CN201910444431.XA CN201910444431A CN110210546A CN 110210546 A CN110210546 A CN 110210546A CN 201910444431 A CN201910444431 A CN 201910444431A CN 110210546 A CN110210546 A CN 110210546A
Authority
CN
China
Prior art keywords
books
image
book
matrix
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.)
Granted
Application number
CN201910444431.XA
Other languages
English (en)
Other versions
CN110210546B (zh
Inventor
廖列法
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.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
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 Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN201910444431.XA priority Critical patent/CN110210546B/zh
Publication of CN110210546A publication Critical patent/CN110210546A/zh
Application granted granted Critical
Publication of CN110210546B publication Critical patent/CN110210546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

一种基于图像处理的书籍自动归类方法，包括：获取与全景摄相机预设距离传动机构上的图书图像信息；对图书图像进行预处理，获取图书的长度、宽度、厚度、标题、作者、出版社；加载文本并进行预处理，计算图书单词的词频和逆词频，分词获取图书的特征矩阵；得到降维后的新图书样本矩阵；对图书样本矩阵进行归属度计算。本发明显著的提高了图书利用率，降低了查找难度，提高了查找准确率，能够做到实时查找，该方法在智能控制、计算速度以及实时性方面大大增强，同时本发明对书籍的尺寸数据进行了提取为图书书架的藏书设计提供了参考。

Description

一种基于图像处理的书籍自动归类方法
技术领域
本发明涉及图像识别技术领域，具体地涉及一种基于图像处理的书籍自动归类方法。
背景技术
随着科技的发展与社会的进步，书籍的种类与数目都有了显著的增长，各式各样的书籍应运而生，图书分类成为图书信息管理领域的重点工作，现有图书分类号作为图书唯一标识，在图书存储和检索中决定性非常强；若所查找书籍不属于此分类号，则大大增加了查找到此书籍的难度，而且目前来说主要两种方式产生图书分类号，一种是图书编目人员根据自身经验结合中国图书馆分类法为图书分类给出分类号；另外一种是图书作者给出图书的分类号；然而，这两种方法不仅耗时耗力，而且随着出版量的增加还会出现种种问题，一是图书编目人员由于精力有限，长时间工作后很有可能出现将图书分错类别的情况。另一方面图书作者给出分类号时有时候会带有主观性和非专业性，使得给出的分类号不准确。错误的分类号会直接导致图书利用率降低、浪费读者时间等问题的出现，因此，由新的图书分类方式已经成为一个越来越紧迫的需求。
虽然现有的图书归类采用了图像处理技术，但现有的图书识别方法速度慢、效率低，例如，专利CN107436936A，虽然解决了采用图文信息进行查找，但是还是依据固有的分类导致不能够达到智能自动化归类识别的程度；而且导致计算时间较多，且该专利的查找方法冗余度较高，识别准确度低；且现有技术中涉及图书分类方式较为单一，例如专利CN108416456A中，只是针对特定图书馆进行管理系统设计，图书信息利用率低，不能够实现高效查找。
发明内容
为解决上述技术问题，本发明提供一种基于图像处理的书籍自动归类方法，通过对书籍的图像处理，采用书籍的内容以及尺寸数据，对数据进行特征向量提取、降维、分类，显著的提高了图书利用率降，降低了查找难度，提高了查找准确率，能够做到实时查找，该方法在智能控制、计算速度以及实时性方面大大增强，提高了识别效率，同时本发明对书籍的尺寸数据进行了提取为图书书架的藏书设计提供了参考。本发明具体内容如下，一种基于图像处理的书籍自动归类方法，获取与全景摄相机预设距离传动机构上的图书图像信息；对图书图像进行预处理，获取图书的长度、宽度、厚度、标题、作者、出版社；文本预处理，计算图书单词的词频和逆词频，分词获取图书的特征矩阵，特征矩阵表示为G＝[X1,X2,...,XM]T,其中，Xi＝[x1,x2,...,xN]T，Xi表示第i本书加权后的单词和图书长宽厚信息分布；对数据进行标准化，图书数据样本集为X∈RM×N，其中M表示样本数量，N表示维数，进行标准化处理步骤如下：
其中标准化后的矩阵为Y＝{yij}，求Y的协方差矩阵根据得到的协方差矩阵进行特征值分解求其特征值[λ1,λ2,...,λm]和特征向量[α1,α2,...,αm]；对特征值进行降序排列，选取前K个特征值对应的特征向量组成投影矩阵，对原始样本矩阵进行投影，得到降维后的新图书样本矩阵；对图书样本矩阵进行归属度计算，计算如下：
其中，uik表示图书xk对图书类别vi的隶属度；d(xk；vi)表示图书xk到图书类别vi的距离；c与n分别为初始图书类个数和待分类图书的总个数；m为加权指数，m>1，加权指数越大表示辨别度程度越小，U为c×n的隶属度矩阵，X是n×p的待分类图书数据集矩阵，p为降维后的图书数据维数，V为c×p的图书类别集合矩阵；t＝t+1，当max|uik t-uik t-1|<ε或者t>N时，计算停止，其中ε是一个非常小的实数，N为一个足够大的实数。
优选地，所述预处理包括采用最大值方法对图书图像进行灰度化，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值：
f(i,j)＝max(R(i,j),G(i,j),B(i,j))
其中f(i,j)为转换后的图书灰度图像在(i,j)处的灰度值。
优选地，所述获取图书的长度计算公式为：其中，S为图书的实际长度，J为图书的图像的长度，L为预设距离摄像机所拍摄实际的总长度，H为预设距离摄像机拍摄的图像长度，其中，L，H为已知。
优选地，所述对图书图像进行预处理还包括：对获取的图书图像进行滤波，
f(x,y)为图书图像在(x,y)处的灰度值。
优选地，所述通过全景摄像机获取图书图像信号步骤后还包括：对获取的墙体裂缝图像进行滤波，采用自适应维纳滤波器根据墙体裂缝图像的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强，使墙体恢复图像f’(x,y)与原始墙体图像f(x,y)的均方误差e2＝E[(f(x,y)-f’(x,y))2]最小。
优选地，所述特征矩阵还包括ISBN号、出版年、页码、目录对应的特征向量。
优选地，所述特征矩阵还包括：通过图像识别出图书的标题、作者、出版社，进而加载图书的摘要、章节内容信息，对摘要章节内容进行文本分词形成特征向量。
优选地，还包括条码识别模块，所述条码识别模块用于对全景摄像机获取的图像内容中的条码进行解码，获取图书信息。
优选地，所述图书类别包括A大类、B大类、D大类、F大类、I大类、J大类、K大类、T大类。
与现有技术相比，本发明的技术方案具有以下有益效果：
解决了现有图书分类号作为图书唯一标识，增加了查找到此书籍的难度，以及随着出版量的增加不仅耗时耗力；而且图书作者给出分类号时有时候会带有主观性和非专业性，使得给出的分类号不准确，导致图书利用率降低、浪费读者时间等问题。本发明的一种基于图像处理的书籍自动归类方法显著的提高了图书利用率，降低了查找难度，提高了查找准确率，能够做到实时查找，该方法在智能控制、计算速度以及实时性方面大大增强，提高了识别效率，同时本发明对书籍的尺寸数据进行了提取为图书书架的藏书设计提供了参考。
附图说明
图1是本发明的一种基于图像处理的书籍自动归类方法流程图；
图2是本发明的图像处理的书籍自动归类方法过程图。
具体实施方式
本领域技术人员理解，如背景技术所言，现有图书分类号作为图书唯一标识，增加了查找到此书籍的难度，以及随着出版量的增加不仅耗时耗力；而且图书作者给出分类号时有时候会带有主观性和非专业性，使得给出的分类号不准确，导致图书利用率降低、浪费读者时间等问题。本发明的一种基于图像处理的书籍自动归类方法显著的提高了图书利用率降，降低了查找难度，提高了查找准确率，能够做到实时查找，该方法在智能控制、计算速度以及实时性方面大大增强，提高了识别效率，同时本发明对书籍的尺寸数据进行了提取为图书书架的藏书设计提供了参考。为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例一：
图1-2示出了本申请的一种基于图像处理的书籍自动归类方法流程图，一种基于图像处理的书籍自动归类方法，获取与全景摄相机预设距离传动机构上的图书图像信息，例如：书名《电子技术》，作者王黎明；出版社：机械工业出版社；出版年2009年，版次第一版，分类号TN011185，2013年此书出了第二版，通过上述信息就可以确定该书具体涉及的类型，进而通过加载该书的目录、摘要、具体章节内容信息；对内容进行词频计算，对该书尺寸进行计算，获取相关特征向量；对图书图像进行预处理，获取图书的长度、宽度、厚度、标题、作者、出版社；文本预处理，计算图书单词的词频和逆词频，分词获取图书的特征矩阵，特征矩阵表示为G＝[X1,X2,...,XM]T,其中，Xi＝[x1,x2,...,xN]T，Xi表示第i本书加权后的单词和图书长宽厚信息分布；对数据进行标准化，图书数据样本集为X∈RM×N，其中M表示样本数量，N表示维数，进行标准化处理步骤如下：
其中标准化后的矩阵为Y＝{yij}，求Y的协方差矩阵根据得到的协方差矩阵进行特征值分解求其特征值[λ1,λ2,...,λm]和特征向量[α1,α2,...,αm]；对特征值进行降序排列，选取前K个特征值对应的特征向量组成投影矩阵，对原始样本矩阵进行投影，得到降维后的新图书样本矩阵；对图书样本矩阵进行归属度计算，计算如下：
其中，uik表示图书xk对图书类别vi的隶属度；d(xk；vi)表示图书xk到图书类别vi的距离；c与n分别为初始图书类个数和待分类图书的总个数；m为加权指数，m>1，加权指数越大表示辨别度程度越小，U为c×n的隶属度矩阵，X是n×p的待分类图书数据集矩阵，p为降维后的图书数据维数，V为c×p的图书类别集合矩阵；t＝t+1，当max|uik t-uik t-1|<ε或者t>N时，计算停止，其中ε是一个非常小的实数，N为一个足够大的实数。
在一些实施例中，所述预处理包括采用最大值方法对图书图像进行灰度化，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值：
f(i,j)＝max(R(i,j),G(i,j),B(i,j))
其中f(i,j)为转换后的图书灰度图像在(i,j)处的灰度值。
在一些实施例中，所述获取图书的长度计算公式为：其中，S为图书的实际长度，J为图书的图像的长度，L为预设距离摄像机所拍摄实际的总长度，H为预设距离摄像机拍摄的图像长度，其中，L，H为已知。
在一些实施例中，所述对图书图像进行预处理还包括：对获取的图书图像进行滤波：
f(x,y)为图书图像在(x,y)处的灰度值。
在一些实施例中，所述特征矩阵还包括ISBN号、出版年、页码、目录对应的特征向量。
在一些实施例中，所述特征矩阵还包括：通过图像识别出图书的标题、作者、出版社，进而加载图书的摘要、章节内容信息，对摘要章节内容进行文本分词形成特征向量。
在一些实施例中，还包括条码识别模块，所述条码识别模块用于对全景摄像机获取的图像内容中的条码进行解码，获取图书信息。
在一些实施例中，所述图书类别包括A大类、B大类、D大类、F大类、I大类、J大类、K大类、T大类。
实施例二：
在一些实施例中，通过CCD摄像机获取与摄相机预设距离传动机构上的图书图像信息步骤后包括：对获取的图书图像进行滤波，采用自适应维纳滤波器根据图书图像的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强，使图书恢复图像f’(x,y)与原始图书图像f(x,y)的均方误差e2＝E[(f(x,y)-f’(x,y))2]最小。
在一些实施例中，还将分类号作为一特征参与分类，例如《机械设计课程设计》，出版社：华中科技大学出版社，2007年第一版，分类号：TH122/426,将此分类号作为一权重参与分类训练，最终得到该书的多个分类特征信息。
实施例三：
在一些实施例中，通过固定位置的摄像机对《机械设计课程设计》封面图像信息进行获取，对获取的图书图像进行灰度化，并获取采用最大值方法对图书图像进行灰度化，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值：
f(i,j)＝max(R(i,j),G(i,j),B(i,j))
其中f(i,j)为转换后的图书灰度图像在(i,j)处的灰度值。然后进行二值化，选择一个灰度阈值，将图书图像转换为二值图像，把图书文字目标和背景分开，提取出图书封面图书名称：机械设计课程设计、出版社：华中科技大学出版社、作者、分类号：分类号：TH122/426等信息。
获取图书的长度计算公式为：其中，S为图书的实际长度，J为图书的图像的长度，L为预设距离摄像机所拍摄实际的总长度，H为预设距离摄像机拍摄的图像长度，其中，L，H为已知。
实施例四：
还包括加载文本并进行预处理，计算图书单词的词频和逆词频，分词获取图书的特征矩阵。其中，加载文本包括通过获取的图书名称、出版社、作者信息确定所述图书，并通过搜索引擎链接到知网、谷歌、万方等数据库，加载相关图书的书本内容信息，根据书本内容信息对图书单词的词频和逆词频进行统计计算，在一些实施例中，在摘要和题目中的词进行一定加权增加权重，最后形成图书的特征矩阵。
在一些实施例中，涉及图书数据量较少，则没有降维步骤，例如，具体类别中的儿童图书、文字部分少，导致词频量较少；还有美术、音乐等艺术类图书。
在一些实施例中，对于获取的图书尺寸信息作为图书相关度的一权重，尺寸信息相似度越大，则属于同一类别的概率越高，便于图书书架的摆放展出。
本发明提供一种基于图像处理的书籍自动归类方法，通过对书籍的图像处理，采用书籍的内容以及尺寸数据，对数据进行特征向量提取、降维、分类，显著的提高了图书利用率降，降低了查找难度，提高了查找准确率，能够做到实时查找，该方法在智能控制、计算速度以及实时性方面大大增强，提高了识别效率，同时本发明对书籍的尺寸数据进行了提取为图书书架的藏书设计提供了参考。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (8)

1.一种基于图像处理的书籍自动归类方法，其特征在于，获取与全景摄相机预设距离传动机构上的图书图像信息；对图书图像进行预处理，获取图书的长度、宽度、厚度、标题、作者、出版社；加载文本并进行预处理，计算图书单词的词频和逆词频，分词获取图书的特征矩阵，特征矩阵表示为G＝[X1,X2,...,XM]T,其中，Xi＝[x1,x2,...,xN]T，Xi表示第i本书加权后的单词和图书长宽厚信息分布；对数据进行标准化，图书数据样本集为X∈RM×N，其中M表示样本数量，N表示维数，进行标准化处理步骤如下：
其中标准化后的矩阵为Y＝{yij}，求Y的协方差矩阵根据得到的协方差矩阵进行特征值分解求其特征值[λ1,λ2,...,λm]和特征向量[α1,α2,...,αm]；对特征值进行降序排列，选取前K个特征值对应的特征向量组成投影矩阵，对原始样本矩阵进行投影，得到降维后的新图书样本矩阵；对图书样本矩阵进行归属度计算，计算如下：
其中，uik表示图书xk对图书类别vi的隶属度；d(xk；vi)表示图书xk到图书类别vi的距离；c与n分别为初始图书类个数和待分类图书的总个数；m为加权指数，m>1，加权指数越大表示辨别度程度越小，U为c×n的隶属度矩阵，X是n×p的待分类图书数据集矩阵，p为降维后的图书数据维数，V为c×p的图书类别集合矩阵；t＝t+1，当max|uik t-uik t-1|<ε或者t>N时，计算停止，其中ε是一个非常小的实数，N为一个足够大的实数。
2.根据权利要求1所述的一种基于图像处理的书籍自动归类方法，其特征在于，所述预处理包括采用最大值方法对图书图像进行灰度化，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值：
f(i,j)＝max(R(i,j),G(i,j),B(i,j))
其中f(i,j)为转换后的图书灰度图像在(i,j)处的灰度值。
3.根据权利要求1所述的一种基于图像处理的书籍自动归类方法，其特征在于，所述获取图书的长度计算公式为：其中，S为图书的实际长度，J为图书的图像的长度，L为预设距离摄像机所拍摄实际的总长度，H为预设距离摄像机拍摄的图像长度。
4.根据权利要求2所述的一种基于图像处理的书籍自动归类方法，其特征在于，对图书图像进行预处理还包括：对获取的图书图像进行滤波，
f(x,y)为图书图像在(x,y)处的灰度值。
5.根据权利要求1所述的一种基于图像处理的书籍自动归类方法，其特征在于，所述特征矩阵还包括ISBN号、出版年、页码、目录对应的特征向量。
6.根据权利要求1所述的一种基于图像处理的书籍自动归类方法，其特征在于，所述特征矩阵还包括：通过图像识别出图书的标题、作者、出版社，进而加载图书的摘要、章节内容信息，对摘要章节内容进行文本分词形成特征向量。
7.根据权利要求1所述的一种基于图像处理的书籍自动归类方法，其特征在于，还包括条码识别模块，所述条码识别模块用于对全景摄像机获取的图像内容中的条码进行解码，获取图书信息。
8.根据权利要求1所述的一种基于图像处理的书籍自动归类方法，其特征在于，所述图书类别包括A大类、B大类、D大类、F大类、I大类、J大类、K大类、T大类。
CN201910444431.XA 2019-05-24 2019-05-24 一种基于图像处理的书籍自动归类方法 Active CN110210546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910444431.XA CN110210546B (zh) 2019-05-24 2019-05-24 一种基于图像处理的书籍自动归类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910444431.XA CN110210546B (zh) 2019-05-24 2019-05-24 一种基于图像处理的书籍自动归类方法

Publications (2)

Publication Number Publication Date
CN110210546A true CN110210546A (zh) 2019-09-06
CN110210546B CN110210546B (zh) 2022-05-31

Family

ID=67788789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910444431.XA Active CN110210546B (zh) 2019-05-24 2019-05-24 一种基于图像处理的书籍自动归类方法

Country Status (1)

Country Link
CN (1) CN110210546B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403232A (zh) * 2023-04-13 2023-07-07 南京少昊网络科技有限公司 一种基于像素值波动的图书信息提取方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1873642A (zh) * 2006-04-29 2006-12-06 上海世纪互联信息系统有限公司 具有自动分类功能的搜索引擎
US20080056575A1 (en) * 2006-08-30 2008-03-06 Bradley Jeffery Behm Method and system for automatically classifying page images
CN107436936A (zh) * 2017-07-21 2017-12-05 北京网阅文化传媒有限公司 基于二维码的在线阅读方法及平台
CN108021939A (zh) * 2017-11-30 2018-05-11 安徽理工大学 一种旧图书的自动分类方法
CN108416456A (zh) * 2018-03-15 2018-08-17 郑州航空工业管理学院 一种数字化图书馆管理系统
CN108875808A (zh) * 2018-05-17 2018-11-23 延安职业技术学院 一种基于人工智能的图书分类方法
CN109657750A (zh) * 2018-12-12 2019-04-19 枣庄学院 一种图书馆图书自动分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1873642A (zh) * 2006-04-29 2006-12-06 上海世纪互联信息系统有限公司 具有自动分类功能的搜索引擎
US20080056575A1 (en) * 2006-08-30 2008-03-06 Bradley Jeffery Behm Method and system for automatically classifying page images
CN107436936A (zh) * 2017-07-21 2017-12-05 北京网阅文化传媒有限公司 基于二维码的在线阅读方法及平台
CN108021939A (zh) * 2017-11-30 2018-05-11 安徽理工大学 一种旧图书的自动分类方法
CN108416456A (zh) * 2018-03-15 2018-08-17 郑州航空工业管理学院 一种数字化图书馆管理系统
CN108875808A (zh) * 2018-05-17 2018-11-23 延安职业技术学院 一种基于人工智能的图书分类方法
CN109657750A (zh) * 2018-12-12 2019-04-19 枣庄学院 一种图书馆图书自动分类方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
BEIBEI ZHU等: "Automatic Recognition of Books Based on Machine Learning", 《2015 3RD INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL AND BUSINESS INTELLIGENCE (ISCBI)》 *
WANG PING等: "A method for books classification based on fuzzy mathematics theory", 《2011 INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS, COMMUNICATIONS AND NETWORKS (CECNET)》 *
刘汝翠: "基于自动智能分类器的图书馆乱架图书检测", 《现代商贸工业》 *
廖列法: "LDA模型在专利文本分类中的应用", 《现代情报》 *
楚存坤: "模糊聚类技术在文献自动分类系统中的应用", 《现代情报 》 *
王冰: "图书馆自动存取系统(ASRS)刍议", 《图书馆工作与研究 》 *
王昊等: "基于机器学习的中文书目自动分类研究", 《中国图书馆学报 》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116403232A (zh) * 2023-04-13 2023-07-07 南京少昊网络科技有限公司 一种基于像素值波动的图书信息提取方法
CN116403232B (zh) * 2023-04-13 2024-03-08 南京少昊网络科技有限公司 一种基于像素值波动的图书信息提取方法

Also Published As

Publication number Publication date
CN110210546B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
Wang et al. Enhancing sketch-based image retrieval by cnn semantic re-ranking
Zhang et al. Scene-free multi-class weather classification on single images
Lu et al. Two-class weather classification
Tieu et al. Boosting image retrieval
CN111460968B (zh) 基于视频的无人机识别与跟踪方法及装置
CN109902590A (zh) 深度多视图特征距离学习的行人重识别方法
CN108647595A (zh) 基于多属性深度特征的车辆重识别方法
Ren et al. Infrared small target detection via region super resolution generative adversarial network
Feng et al. Beyond tag relevance: integrating visual attention model and multi-instance learning for tag saliency ranking
Zhang et al. Vehicle license plate detection and recognition using deep neural networks and generative adversarial networks
Tong et al. A review of indoor-outdoor scene classification
Huang et al. Pedestrian detection using RetinaNet with multi-branch structure and double pooling attention mechanism
Dimitrovski et al. Detection of visual concepts and annotation of images using ensembles of trees for hierarchical multi-label classification
Liu et al. LIRIS-Imagine at ImageCLEF 2011 Photo Annotation Task.
CN110210546A (zh) 一种基于图像处理的书籍自动归类方法
Khan et al. Automating the construction of scene classifiers for content-based video retrieval
Guo et al. Classification of marine plankton based on few-shot learning
Hu et al. Special faster-RCNN for multi-objects detection
Bai et al. Ship tracking method for resisting similar shape information under satellite videos
Puttagunta et al. Appearance Label Balanced Triplet Loss for Multi-modal Aerial View Object Classification
CN110580503A (zh) 一种基于ai的双光谱目标自动识别方法
Berezsky et al. Biomedical Image Search and Retrieval Algorithms
Fazheng et al. Research on location of chinese handwritten signature based on efficientdet
Wang et al. Research on Small Vehicle Detection in Natural Traffic Scene
Van Kaick et al. Automatic classification of outdoor images by region matching

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