CN110490207B - 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法 - Google Patents

基于二值图像灰度共生矩阵的棒材端面字符图像识别方法 Download PDF

Info

Publication number
CN110490207B
CN110490207B CN201910798232.9A CN201910798232A CN110490207B CN 110490207 B CN110490207 B CN 110490207B CN 201910798232 A CN201910798232 A CN 201910798232A CN 110490207 B CN110490207 B CN 110490207B
Authority
CN
China
Prior art keywords
gray level
glcm
character
occurrence matrix
matrix
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
Application number
CN201910798232.9A
Other languages
English (en)
Other versions
CN110490207A (zh
Inventor
张付祥
赵阳
王春梅
黄风山
李文忠
周京博
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.)
Hebei University of Science and Technology
Original Assignee
Hebei 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 Hebei University of Science and Technology filed Critical Hebei University of Science and Technology
Priority to CN201910798232.9A priority Critical patent/CN110490207B/zh
Publication of CN110490207A publication Critical patent/CN110490207A/zh
Application granted granted Critical
Publication of CN110490207B publication Critical patent/CN110490207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

基于二值图像灰度共生矩阵的棒材端面字符图像识别方法，用于棒材端面白色标记字符的识别，所述方法包括如下步骤：(1)建立标准字符模板库；(2)棒材端面字符图像灰度二值化；(3)求取棒材端面字符图像的灰度共生矩阵及灰度组合GLCM(0,1)数目；(4)计算棒材端面字符图像上半部连通域面积；(5)进行特征数据模板匹配确定识别结果。本发明将灰度共生矩阵中灰度组合GLCM(0,1)数目作为特征参数值一，同时对二值字符图像的上半部求取连通域面积，将上半部连通域面积作为特征参数值二，基于二值图像的两组特征参数值进行匹配，减少了灰度共生矩阵的运算量，提高了运算速度和识别率。

Description

基于二值图像灰度共生矩阵的棒材端面字符图像识别方法
技术领域
本发明涉及一种基于灰度共生矩阵的字符图像识别方法，尤其是涉及一种基于二值图像灰度共生矩阵的棒料端面字符图像识别方法，属于字符识别领域。
背景技术
棒料是现今钢铁行业的重要产品，更是工业领域重要的生产加工原材料。由于不同行业需求的差异，造成各行业对于棒料的质量要求也各有不同，钢铁行业所生产的棒料规格也是多种多样。为了区分不同种类、规格的棒料，并实现对棒料进行追踪管理，需要对棒料端面喷印字符信息码。同时，根据该信息码将棒料的直径、长度以及生产炉号、成分、生产日期等信息对应的记录于厂内数据库中。当棒料在厂内生产流动时，首先对棒料端面的字符信息码进行识别，然后对其进行加热、除磷、热处理等操作，最后将该棒料的加工过程与处理结果记录于厂内数据库中。
目前，棒料在厂内生产流动的过程中，钢厂普遍采用人工通过肉眼的方式对棒材端面信息码进行识别与记录。面对大批量重复性和枯燥性的工作，工人很容易产生视觉疲劳并导致记录出错。同时，棒料生产加工车间环境恶劣(高温、嘈杂、空气污染)，长期下来会对车间工人的身心健康造成严重的危害。因此，迫切需要将工人从识别工位上解放出来，实现对棒料端面信息码的自动识别。但是，由于棒料生产环境复杂、照明不足，且棒料端面凹凸不平、纹理杂乱，所以采用普通的字符识别方式难以保证较高的字符识别准确率。因此，提出一种基于二值图像灰度共生矩阵的棒料端面字符图像识别方法，解决棒料端面字符信息码的自动识别问题。
发明内容
基于以上原因，本发明旨在提出一种基于二值图像灰度共生矩阵的棒材端面字符图像识别方法，为最终建立字符图像智能识别系统奠定技术基础。
本发明是根据棒材端面的特点提出的一种基于二值图像灰度共生矩阵的棒材端面字符图像识别方法。其识别方法思想是根据二值图像像素之间的灰度关系，求出灰度共生矩阵，利用二值图像灰度共生矩阵中灰度组合GLCM(0,1)的数目作为特征参数值进行字符识别判断依据。识别时分别对棒材端面字符与模板库字符分别求灰度组合GLCM(0,1)的数目并做差，差值越小则代表二值的相似度越高。为提高字符识别的准确率，在二值图像灰度组合GLCM(0,1)的数目作为判断依据时，会人为设定一定的差值范围区间，当区间范围内仅有一组数值时，则对应的模板字符就是最相似字符，当区间范围内超过一组数值时，则采用二值字符图像的上半部连通域面积这一特征参数值作为判断依据，对上一次识别中与待识别相似的模板字符重新识别。计算棒材端面字符与相似模板库字符上半部连通域的连通域面积并做差，取差值最小时对应的模板库字符作为识别结果。最终，经过不超过两次的数据识别判断即可得到识别结果。
基于二值图像灰度共生矩阵的棒材端面字符图像识别方法，用于棒材端面白色标记字符的识别，所述方法包括如下步骤：
(1)建立标准字符模板库；
(2)棒材端面字符图像灰度二值化；
(3)求取棒材端面字符图像的灰度共生矩阵及灰度组合GLCM(0,1)数目；
(4)计算棒材端面字符图像上半部连通域面积；
(5)进行特征数据模板匹配确定识别结果。
本发明的有益技术效果是：由于棒材端面凹凸不平、纹理杂乱且表面锈迹较多，对棒材端面的图像进行图像处理求取灰度共生矩阵时，采用以往将图像按照灰度分为多级再进行灰度共生矩阵求解的方法会引入非字符区域的连通域，识别效果并不良好。为此本发明将图像进行二值化处理，并根据棒材端面二值字符图像像素之间存在的灰度关系，通过灰度共生矩阵对二值字符图像进行灰度状况的统计，将灰度共生矩阵中灰度组合GLCM(0,1)数目作为特征参数值一，同时对二值字符图像的上半部求取连通域面积，将上半部连通域面积作为特征参数值二，基于二值图像的两组特征参数值进行匹配，减少了灰度共生矩阵的运算量，提高了运算速度和识别率。
附图说明
图1是本发明棒材端面字符图像识别方法的流程图。
具体实施方式
结合附图1说明本发明的内容与操作。
基于二值图像灰度共生矩阵的棒材端面字符图像识别方法，用于棒材端面白色标记字符的识别，所述方法包括如下步骤：
(1)建立标准字符模板库；
(2)棒材端面字符图像灰度二值化；
(3)求取棒材端面字符图像的灰度共生矩阵及灰度组合GLCM(0,1)数目；
(4)计算棒材端面字符图像上半部连通域面积；
(5)进行特征数据模板匹配确定识别结果。
字符图像的识别最重要的环节就是要根据字符的各自的特点，寻找到能够区分不同字符的特征用作判断依据，为最终字符识别奠定基础。用来区分字符的特征的优劣，直接决定了字符识别的速度与准确率。本发明提出了一种基于二值图像灰度共生矩阵的字符识别方法，灰度共生矩阵是用来描述纹理的灰度空间特性的一种方法，它代表了图像空间中相隔某距离的两像素之间会存在一定的灰度关系。传统利用灰度共生矩阵描述字符特征的案例中，多是将采集的棒材端面字符图像转变为灰度图像，并将灰度图像按照像素灰度分为多个等级，进而求取多个方向的灰度共生矩阵。采用类似这种方法的获得的灰度共生矩阵虽然在一定程度上将棒材端面字符的纹理特征描述的更加准确，但同时丧失了字符识别的速度。而且将采集的字符图像划分为多个灰度等级并求取多方向的灰度共生矩阵，对于恶劣生产环境下的棒材端面字符特征的描述与字符的识别并没有太大意义，反而会因为将图像处理为多级灰度图像，增加非字符区域的连通域面积，提高识别难度。在不降低字符识别准确率的基础上，提高棒材端面上字符信息识别的速度，本发明提出一种新的字符识别方法。
字符识别首先需要构建模板库，通过将模板字符图像经过预处理变成二值图像，求取二值图像的灰度共生矩阵，计算灰度共生矩阵的灰度组合GLCM(0,1)数目以及上半部二值图像连通域面积作为进行训练的两组数据模型，然后将待识别字符与相对应模板库特征参数值进行近似比较，差值小的则视为近似度最高并最终作为识别结果。
1、建立标准字符模板库
(1)分别对每个标准模板字符图像二值化
工业相机采集到的每个标准模板字符图像，其图像中像素点的颜色深浅程度不同，范围一般从0到255，白色为255，黑色为0，每一个图像的亮度程度不同，跟灰度值的大小有直接联系，灰度值越大图像越亮，反之则图像会暗。可根据标准模板字符图像灰度特征为匹配依据，为减少计算量，分别对每个标准模板字符图像进行灰度级压缩，完成标准模板字符图像二值化。
(2)分别对每个标准模板字符图像求灰度共生矩阵及灰度组合GLCM(0,1)数目
求取标准模板字符图像灰度共生矩阵采用的方法是分别对每个标准模板字符图像二值化，将0-255压缩为2个灰度等级，以其中模板库中的一个标准模板字符图像为例，进行详细说明：首先将其标准模板字符图像量化为2个灰度等级即二值化，故灰度共生矩阵就是一个2×2的矩阵，其中行和列分别表示0至1的灰度值，即灰度共生矩阵中共包括GLCM(0,0)、GLCM(0,1)、GLCM(1,0)、GLCM(1,1)四对灰度组合。求灰度共生矩阵的过程如下，例如标准模板字符图像为4×5的矩阵，矩阵中的元素值为0或1，当基于水平0°方向且相邻像素距离为1求取灰度共生矩阵时，从矩阵第一行开始，统计灰度组合GLCM(0,0)的像素对数目并将数值计入灰度共生矩阵中；从矩阵第一行开始，统计灰度组合GLCM(0,1)的像素对数目并将数值计入灰度共生矩阵；从矩阵第一行开始，统计灰度组合GLCM(1,0)的像素对数目并将数值计入灰度共生矩阵中；从矩阵第一行开始，统计灰度组合GLCM(1,1)的像素对数目并将数值计入灰度共生矩阵中，至此，二值图像基于水平0°方向且相邻像素距离为1求取灰度共生矩阵完成。
灰度共生矩阵描述的是图像纹理的特征，由于字符的差异会造成二值字符图像的的纹理特征存在不同，同时灰度共生矩阵中灰度组合GLCM(0,1)数目会随字符的变化而存在差异。所以，本发明中将灰度组合GLCM(0,1)数目作为特征参考值进行存储。
在MATLAB环境下，利用im2bw(pic,level)将标准模板字符图像pic转化为二值图像BW，利用bwareaopen(BW,P,conn)删除图像中的小面积获得图像I，利用graycomatrix函数对图像I进行求取灰度共生矩阵的值。
(3)分别对每个标准模板字符图像计算上半部连通域面积
字符图像的灰度等级压缩成两级后，0-9字符在二值字符图像中呈高亮状态，灰度值为1，图像中其余部分灰度值为0。二值图象中字符连通域的面积也是表征字符差异的一项特征，但在字符图像实际处理过程中，对整体字符求取连通域面积会出现个别字符的连通域面积相近的状况，作为特征参考值不能有效区分字符。而针对字符连通域这一特征值，对包含字符的二值图像只求取图像上半部的连通域面积时，这一问题得到有效解决，既能作为各个字符的本体特征，又能突出各字符之间的差异将不同字符区分开来。
(4)分别对每个标准模板字符图像的灰度组合GLCM(0,1)数目及上半部连通域面积存储
对标准模板字符图像求取灰度共生矩阵后，记录下每张模板对应的灰度共生矩阵中灰度组合GLCM(0,1)数目并存储。同时将(3)中求取得的每个标准模板字符图像的上半部连通域面积作为特征参数值进行存储。
在MATLAB环境下，利用save函数进行数据模型的存储，完成模板库的建立。
2、棒材端面字符图像二值化
工业相机对棒材端面字符图像进行采集,其中采集到的黑白图像也称灰度图像，其图像中像素点的颜色深浅程度不同，范围一般从0到255，白色为255，黑色为0，每一个图像的亮度程度不同，跟灰度值的大小有直接联系，灰度值越大图像越亮，反之则图像会暗。可根据棒材端面字符图像灰度特征为匹配依据，为减少计算量，对棒材端面字符图像进行二值化，并去除噪点等小面积区域。
在MATLAB环境下，利用im2bw(BW,level)将工业相机采集的字符图像BW转化为二值图像BW1，利用bwareaopen(BW1,P,conn)删除图像中的小面积获得更为准确的二值字符图像。
3、求取棒材端面字符图像的灰度共生矩阵及灰度组合GLCM(0,1)数目
采用的方法是对棒材端面字符图像灰度二值化，就是将0-255压缩为2个灰度等级，选择相邻像素距离之间的某一角度，求取灰度共生矩阵，并记录灰度组合GLCM(0,1)数目。
以其中棒材端面字符图像中的一个字符图像为例，进行详细说明：首先将其字符图像量化为2个灰度等级，故灰度共生矩阵就是一个2×2的矩阵，其中行和列分别表示0至1的灰度值，即灰度共生矩阵中共包括GLCM(0,0)、GLCM(0,1)、GLCM(1,0)、GLCM(1,1)四对灰度组合。求灰度共生矩阵的过程如下，例如标准模板字符图像为4×5的矩阵，矩阵中的元素值为0或1，当基于水平0°方向且相邻像素距离为1求取灰度共生矩阵时，从矩阵第一行开始，统计灰度组合GLCM(0,0)的像素对数目并将数值计入灰度共生矩阵中；从矩阵第一行开始，统计灰度组合GLCM(0,1)的像素对数目并将数值计入灰度共生矩阵；从矩阵第一行开始，统计灰度组合GLCM(1,0)的像素对数目并将数值计入灰度共生矩阵中；从矩阵第一行开始，统计灰度组合GLCM(1,1)的像素对数目并将数值计入灰度共生矩阵中，至此，棒材端面二值字符图像基于水平0°方向且相邻像素距离为1求取灰度共生矩阵完成。
在MATLAB环境下，利用im2bw(pic,level)将棒材端面字符图像pic转化为二值图像BW，利用bwareaopen(BW,P,conn)删除图像中的小面积获得图像I，利用graycomatrix函数对棒材端面字符图像I进行求取灰度共生矩阵的值。
4、计算棒材端面字符图像上半部连通域面积
棒材端面字符图像经过一系列图像处理后，0-9字符在图像中呈高亮状态。在以往求取整张棒材端面字符图像的连通域面积作为特征参数值并用于字符识别时，会出现个别字符连通域面积因为相近而造成识别出现失误的状况。而对棒材端面字符图像只求取上半部图像的连通域面积时，0-9字符连通域面积相近的问题会得到解决，本发明中将记录棒材端面字符图像的上半部连通域的面积，并作为特征参数值与标准模板库中的字符进行比较，进而得到识别结果。
5、进行特征参数值模板匹配确定识别结果
计算出标准字符模板二值图像灰度共生矩阵灰度组合GLCM(0,1)数目以及二值图像上半部连通域面积作为每个标准模板字符图像两个特征参数值，完成模板库的建立。对棒材端面字符图像求出灰度共生矩阵灰度组合GLCM(0,1)数目以及二值图像上半部连通域面积两个特征参数值，进行特征数据匹配时，取Δ为大于0的值，首先，利用棒材端面字符图像灰度组合GLCM(0,1)数目与模板库中的灰度组合GLCM(0,1)数目进行比较，求出差值。当仅有一个差值小于等于Δ时，则对应的模板字符为最为近似的字符，若有两个及以上的差值小于等于Δ，说明与该棒材端面字符相近的模板库字符有多项，为进一步确定字符，利用另一特征参数值作为判断依据。接着，将棒材端面字符图像上半部连通域面积与模板库中多组相似字符图像上半部连通域面积做差，输出差值最小的模板字符作为最相近字符。最终，通过至多两次判断，即可输出识别结果。
在MATLAB环境下，对模板库字符图像求出二值图像灰度共生矩阵灰度组合GLCM(0,1)数目以及二值图像上半部连通域面积两个特征参数值，利用save函数进行数据模型的存储，完成模板库的建立。识别时使用load函数载入存储的特征信息参数值，求出待识别的棒材端面字符图像相对应的两组特征参数值，利用灰度组合GLCM(0,1)数目特征参数值与模板库中的特征数据进行比较，当仅有一组满足差值小于等于Δ时，则该组对应的模板字符即为最为相似字符，当超过两组满足差值小于等于Δ时，利用第二参数特征值进行判断。

Claims (3)

1.基于二值图像灰度共生矩阵的棒材端面字符图像识别方法，用于棒材端面白色标记字符的识别，所述方法包括如下步骤：
(1)建立标准字符模板库，步骤包括：
1)分别对每个标准模板字符图像二值化，将0-255压缩为2个灰度等级即二值化，故灰度共生矩阵就是一个2×2的矩阵，其中行和列分别表示0至1的灰度值，即灰度共生矩阵中共包括GLCM(0,0)，GLCM(0,1)，GLCM(1,0)和GLCM(1,1)四对灰度组合，标准模板字符图像为4×5的矩阵，矩阵中的元素值为0或1，当基于水平0°方向且相邻像素距离为1求取灰度共生矩阵时，求灰度共生矩阵步骤包括：从矩阵第一行开始，统计灰度组合GLCM(0,0)的像素对数目并将数值计入灰度共生矩阵中；从矩阵第一行开始，统计灰度组合GLCM(0,1)的像素对数目并将数值计入灰度共生矩阵；从矩阵第一行开始，统计灰度组合GLCM(1,0)的像素对数目并将数值计入灰度共生矩阵中；从矩阵第一行开始，统计灰度组合GLCM(1,1)的像素对数目并将数值计入灰度共生矩阵中；
2)分别对每个标准模板字符图像求灰度共生矩阵及灰度组合GLCM(0,1)数目；
3)分别对每个标准模板字符图像计算上半部连通域面积；
4)分别对每个标准模板字符图像的灰度组合GLCM(0,1)数目及上半部连通域面积存储；
(2)棒材端面字符图像灰度二值化，将0-255压缩为2个灰度等级即二值化，故灰度共生矩阵就是一个2×2的矩阵，其中行和列分别表示0至1的灰度值，即灰度共生矩阵中共包括GLCM(0,0)，GLCM(0,1)，GLCM(1,0)和GLCM(1,1)四对灰度组合，标准模板字符图像为4×5的矩阵，矩阵中的元素值为0或1，当基于水平0°方向且相邻像素距离为1求取灰度共生矩阵时，求灰度共生矩阵步骤包括：从矩阵第一行开始，统计灰度组合GLCM(0,0)的像素对数目并将数值计入灰度共生矩阵中；从矩阵第一行开始，统计灰度组合GLCM(0,1)的像素对数目并将数值计入灰度共生矩阵；从矩阵第一行开始，统计灰度组合GLCM(1,0)的像素对数目并将数值计入灰度共生矩阵中；从矩阵第一行开始，统计灰度组合GLCM(1,1)的像素对数目并将数值计入灰度共生矩阵中；
(3)求取棒材端面字符图像的灰度共生矩阵及灰度组合GLCM(0,1)数目；
(4)计算棒材端面字符图像上半部连通域面积；
(5)进行特征数据模板匹配确定识别结果，棒材端面0-9字符图像识别时，求取整张棒材端面字符图像和上半部图像的连通域面积分别作为特征参数值与标准模板库中的字符进行比较，进而得到识别结果，进行特征数据匹配时，取Δ为大于0的值，首先，利用棒材端面字符图像灰度组合GLCM(0,1)数目与模板库中的灰度组合GLCM(0,1)数目进行比较，求出差值；当仅有一个差值小于等于Δ时，则对应的模板字符为最为近似的字符，若有两个及以上的差值小于等于Δ，说明与该棒材端面字符相近的模板库字符有多项，为进一步确定字符，利用另一特征参数值作为判断依据；接着，将棒材端面字符图像上半部连通域面积与模板库中多组相似字符图像上半部连通域面积做差，输出差值最小的模板字符作为最相近字符；最终，通过至多两次判断，即可输出识别结果。
2.根据权利要求1所述的基于二值图像灰度共生矩阵的棒材端面字符图像识别方法，其特征在于，在MATLAB环境下，利用im2bw(pic,level)将标准模板字符图像pic转化为二值图像BW，利用bwareaopen(BW,P,conn)删除图像中的小面积获得图像I，利用graycomatrix函数对图像I进行求取灰度共生矩阵的值，利用im2bw(BW,level)将工业相机采集的字符图像BW转化为二值图像BW1，利用bwareaopen(BW1,P,conn)删除图像中的小面积获得更为准确的二值字符图像，利用im2bw(pic,level)将棒材端面字符图像pic转化为二值图像BW，利用bwareaopen(BW,P,conn)删除图像中的小面积获得图像I，利用graycomatrix函数对棒材端面字符图像I进行求取灰度共生矩阵的值。
3.根据权利要求1所述的基于二值图像灰度共生矩阵的棒材端面字符图像识别方法，其特征在于，在MATLAB环境下，对模板库字符图像求出二值图像灰度共生矩阵灰度组合GLCM(0,1)数目以及二值图像上半部连通域面积两个特征参数值，利用save函数进行数据模型的存储，完成模板库的建立；识别时使用load函数载入存储的特征信息参数值，求出待识别的棒材端面字符图像相对应的两组特征参数值，利用灰度组合GLCM(0,1)数目特征参数值与模板库中的特征数据进行比较，当仅有一组满足差值小于等于Δ时，则该组对应的模板字符即为最为相似字符，当超过两组满足差值小于等于Δ时，利用第二参数特征值进行判断。
CN201910798232.9A 2019-08-27 2019-08-27 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法 Active CN110490207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910798232.9A CN110490207B (zh) 2019-08-27 2019-08-27 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910798232.9A CN110490207B (zh) 2019-08-27 2019-08-27 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法

Publications (2)

Publication Number Publication Date
CN110490207A CN110490207A (zh) 2019-11-22
CN110490207B true CN110490207B (zh) 2023-07-18

Family

ID=68554662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910798232.9A Active CN110490207B (zh) 2019-08-27 2019-08-27 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法

Country Status (1)

Country Link
CN (1) CN110490207B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046876B (zh) * 2019-12-18 2022-05-31 南京航空航天大学 基于纹理检测技术的车牌字符快速识别方法及其系统
CN113291055A (zh) * 2021-04-14 2021-08-24 西安理工大学 一种人工智能的柔版印刷压力预测方法
CN113378846A (zh) * 2021-06-13 2021-09-10 河北科技大学 成捆棒材端面字符识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509087A (zh) * 2011-11-24 2012-06-20 中国矿业大学(北京) 一种基于图像灰度共生矩阵的煤岩识别方法
WO2013063820A1 (zh) * 2011-11-01 2013-05-10 青岛海信网络科技股份有限公司 一种车牌图像定位的方法和装置
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN109934231A (zh) * 2019-01-08 2019-06-25 河北科技大学 基于多方向灰度共生矩阵的棒材端面字符图像识别方法
CN110147570A (zh) * 2019-04-11 2019-08-20 江苏大学 一种基于纹理和形状特征的电子元件识别的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6381365B2 (en) * 1997-08-22 2002-04-30 Minolta Co., Ltd. Image data processing apparatus and image data processing method
CN107066933B (zh) * 2017-01-25 2020-06-05 武汉极目智能技术有限公司 一种道路标牌识别方法及系统
CN109671079B (zh) * 2018-12-25 2021-04-16 宁波智能装备研究院有限公司 一种基于灰度共生矩阵特征的瓦楞纸板智能检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013063820A1 (zh) * 2011-11-01 2013-05-10 青岛海信网络科技股份有限公司 一种车牌图像定位的方法和装置
CN102509087A (zh) * 2011-11-24 2012-06-20 中国矿业大学(北京) 一种基于图像灰度共生矩阵的煤岩识别方法
US9092691B1 (en) * 2014-07-18 2015-07-28 Median Technologies System for computing quantitative biomarkers of texture features in tomographic images
CN109934231A (zh) * 2019-01-08 2019-06-25 河北科技大学 基于多方向灰度共生矩阵的棒材端面字符图像识别方法
CN110147570A (zh) * 2019-04-11 2019-08-20 江苏大学 一种基于纹理和形状特征的电子元件识别的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Color based Urban and Agricultural Land classification by GLCM Texture Features;M. Umaselvi 等;IET Chennai 3rd International on Sustainable Energy and Intelligent Systems (SEISCON 2012);1-4 *
Multi-scale gray level co-occurrence matrices for texture description;Fernando Roberti de Siqueira 等;Neurocomputing;336-345 *
TEXTURE ANALYSIS BASED ON THE GRAY-LEVEL CO-OCCURRENCE MATRIX CONSIDERING POSSIBLE ORIENTATIONS;Biswajit Pathakl 等;International Journal of Advanced Research in Electrical,Electronics and Instrumentation Engineerin(第9期);4206-4212 *
用变参数灰度共生矩阵提取新疆民间艺术图案纹理特征;赵海英;冯月萍;魏述强;徐正光;;吉林大学学报(工学版)(第05期) *
连铸坯端面信息码智能识别系统;王春梅 等;中国冶金(第05期);33-37 *

Also Published As

Publication number Publication date
CN110490207A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110490207B (zh) 基于二值图像灰度共生矩阵的棒材端面字符图像识别方法
CN111815601B (zh) 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
CN111915572B (zh) 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法
WO2017101224A1 (zh) 一种商标检索方法、装置、系统以及计算机存储介质
WO2017101225A1 (zh) 一种商标图形要素识别方法、装置、系统以及计算机存储介质
CN107292310A (zh) 一种圆形指针式表盘视觉定位及自动读数方法
CN106408555A (zh) 一种基于图像视觉的轴承表面瑕疵检测方法
CN110378326B (zh) 一种机械式指针压力表读数识别方法
CN115439481A (zh) 基于图像处理的除氧器焊接质量检测方法
CN115331119B (zh) 一种固体废弃物识别方法
CN109934231B (zh) 基于多方向灰度共生矩阵的棒材端面字符图像识别方法
CN106960196B (zh) 基于模板匹配和svm的工业视频小数字识别方法
CN113963041A (zh) 一种图像纹理识别方法及系统
CN112686890A (zh) 一种基于奇异值分解的人造板表面缺陷检测方法
CN110935646A (zh) 基于图像识别的全自动螃蟹分级系统
CN116664431B (zh) 一种基于人工智能的图像处理系统及方法
CN101510265B (zh) 一种关联运动数字字符智能识别方法
CN114155226A (zh) 一种微小缺陷边缘计算方法
CN114757872A (zh) 芯片采集方法和芯片定位方法
CN113643352B (zh) 一种自然覆冰在线监测运行导线图像覆冰程度评估方法
CN108304910A (zh) 一种基于机器视觉的空调压缩机滑片计数方法
CN111582099B (zh) 一种基于虹膜远源特征交运算决策的身份验证方法
CN112808782A (zh) 一种热轧板除锈等级自动检测方法
CN106326882A (zh) 一种基于图像质量评估技术的指纹识别系统及方法
CN114638833B (zh) 基于机器视觉的有色金属压延质量检测方法及系统

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