CN110516592A - 一种基于手写数字字符的识别方法 - Google Patents
一种基于手写数字字符的识别方法 Download PDFInfo
- Publication number
- CN110516592A CN110516592A CN201910793571.8A CN201910793571A CN110516592A CN 110516592 A CN110516592 A CN 110516592A CN 201910793571 A CN201910793571 A CN 201910793571A CN 110516592 A CN110516592 A CN 110516592A
- Authority
- CN
- China
- Prior art keywords
- image
- recognition methods
- handwritten numeral
- numeral characters
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Input (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及了一种基于手写数字字符的识别方法,包括以下步骤:S1.图像样本;S2.预处理:所述预处理包括图像骨架化模块,所述图像骨架化模块对所述图像的数据集和所述图像样本中获取的信息进行预处理,得到预处理后图像;S3.分割分类处理:采用垂直投影算法与连通域算法的结合对所述预处理后图像的数字字符进行分割分类,得到图像识别结果。该基于手写数字字符的识别方法通过预处理的图像骨架化模块对图像的数据集和所述图像样本中的图像进行预处理得到轮廓清晰的图像,提高图像中数字字符的识别率;还采用垂直投影算法与连通域算法的结合对所述预处理后的图像数字字符进行分割分类,在采用分类算法进行判断,提高数字字符的识别准确度。
Description
技术领域
本发明涉及数学表达式识别技术领域,具体地,涉及一种基于手写数字字符的识别方法。
背景技术
数学公式在教材、科技论文等科技类文档中非常常见,与一维结构的文本行不同,数学公式中字符空间关系复杂,存在着上下、左右、右上、右下、包围等二维结构。由于数学公式结构复杂,把公式输入到电子文档的过程繁琐复杂,而数学公式的识别技术可以方便地把公式图像或手写公式的笔画序列转换为在电子文档中可编辑的公式格式。
目前数学表达式的字符识别对于相关领域的工作者来说有着非同寻常的意义。现有OCR文字识别技术可以进一步改进图像处理算法,提高扫描文档显示质量,能更好地识别拍摄文本,对于pdf和jpg图像格式文件识别率大大提升,较高的精准识别;使得OCR文字识别对于识别文本已经较为成熟,但却无法有效地识别数学表达式中的字符。而一篇纸质科学文献或资料中往往有大量的数学符号和公式,需要手工录入到移动终端(计算机、PC等)进行存档,人力成本高且效率低。
现有计算机识别数学表达式的符号采用的OCR技术识别,首先通过对影像的预处理,再对预处理后的影像进行投影分割,最后采用算法输出识别结果。
其中,对影像的预处理是通过过插值将影像的离散点用线连接起来,然后画出插值后的图像,并打印到指定路径中保存为BMP图像。这一方法进行预处理存在的问题有图像尺寸太大、图像中空白太多、符号没有位于图像的正中间。如图9所示,各张图片边缘的空白大小不一致,导致其影响识别准确性。
其次,对投影分割是通过字符之间的空白部分将字符分开,不易区分空白部分,分割不明显。
最后,输出识别结果的算有有以下三种:
一是手写计算器的方式,采用堆栈的方法将预处理后的识别结果转化为后缀表达式,然后再采用堆栈的方法计算后缀表达式的值;
二是表达式赋值方式,在得到了表达式中变量的赋值后,计算出表达式的值。例如:图片上是:″x=1″,″x+y=″,″y=1+1″,系统会自动识别出哪些是赋值语句,哪些是计算表达式值的语句,最后输出结果:″x=1,3,y=2″。实现这一应用的方法是,首先通过等于号的位置找出赋值语句,然后建立一个矩阵记录所有赋值结果,在计算含变量的表达式之前,先遍历该表达式将其中所有的变量替换为对应数值,再通过堆栈计算结果;
三是检查简单四则运算方式,实现该方式是找到表达式中的等于号,判断左边是否等于右边,然后输出批改结果;当然对于没有等于号,有多个等于号或者未填写答案等等情况也作了相应处理。
因此,需提供一种基于手写数字字符的识别方法,以解决现有技术的不足。
发明内容
为了克服现有技术的不足,本发明提供了一种基于手写数字字符的识别方法。
本发明的技术方案如下:
一种基于手写数字字符的识别方法,包括以下步骤:
S1.图像样本:获取含有数学字符的图像样本;
S2.预处理:所述预处理包括图像骨架化模块和数据收集模块,所述数据收集模块用于对所述图像样本进行数据的收集,所述图像骨架化模块对所述图像的数据集和所述图像样本中获取的信息进行预处理,得到预处理后图像;
S3.分割分类处理:采用垂直投影算法与连通域算法的结合对所述预处理后图像的数字字符进行分割分类,得到图像识别结果。
优选地,在所述步骤S1中,所述图像样本包括手写数字字符以及书本中印刷的字符的图像。
优选地,所述数据收集模块上设置有自定义函数,所述自定义函数将所述图像样本中的图像划分为指定的保存图窗区域。其中,所述指定保存图窗区域的图像的像素大小为300*300。
优选地,所述图像数据集的数据收集步骤包括如下:
S2-1.图像空白的去除:对所述图像样本中的数学符号的上下左右四个边界,删去边界以外的所有空白部分,得到净图像;
S2-2.计算像素比:采用所述自定义函数计算所述净图像的像素大小与一目标图像的像素大小相比,得到像素比;
S2-3.缩化图像:以所述像素比的比例缩小所述保存图窗区域的图像像素,得到缩化图像;
S2-4.再次空白去除:采用所述步骤S2-1对所述缩化图像进行空白删除,得到新的净图像;
S2-5.图像数据集:在所述新的净图像上的上下左右四个方向均匀补上空白,使得图像的像素为100*100,得到图像的数据集。
进一步地,在所述步骤S2-1,所述净图像的像素大于100*100。
进一步地,在所述步骤S2-2中,所述目标图像的像素为100*100。
优选地,所述图像骨架化模块包括用于对图像处理的图像降噪、灰度变换、图像二值化、开操作和消除污点。
在所述步骤S3中,所述分割分类处理的步骤包括如下:
S3-1.表达式:获取所述预处理后的图像中的数字字符的表达式;
S3-2.分割:采用所述垂直投影算法对所述步骤S3-1中的所述表达式进行切割数个区域块;
S3-3.分类:采用分类算法对每个所述区域块进行分类,得到分类后的区域块;
S3-4.判断:对分类后的每个区域块采用分类算法是否被接收进行判断,如果分类后的区域块不被所述分类算法接受,转至步骤S3-5;如果分类后的区域块被所述分类算法接受,转至步骤S3-6;
S3-5.关键元素的识别:采用连通域算法对所述分类后的区域块中的数字字符的关键元素进行识别,得到新的数字字符表达式,转至所述步骤S3-2;
S3-6.结束:对所述预处理后的图像中的数字字符的分割以及分类完成,得到识别的结果。
本发明的有益效果为:与现有技术相比,该基于手写数字字符的识别方法通过预处理的图像骨架化模块对图像的数据集和所述图像样本中的图像进行预处理得到轮廓清晰的图像,提高图像中数字字符的识别率;还采用垂直投影算法与连通域算法的结合对所述预处理后的图像数字字符进行分割分类,在采用分类算法进行判断,提高数字字符的识别准确度。
附图说明:
图1为本发明所述基于手写数字字符的识别方法的框架图。
图2为本发明所述基于手写数字字符的识别方法图像数据集收集的框架图。
图3为本发明所述基于手写数字字符的识别方法中数据收集模块自定义函数处理后的效果图。
图4为本发明所述基于手写数字字符的识别方法中图像骨架化模块的框架图。
图5a为本发明所述基于手写数字字符的识别方法中图像骨架化模块处理前的效果图。
图5b为本发明所述基于手写数字字符的识别方法中图像骨架化模块处理后的效果图。
图5c为本发明所述基于手写数字字符的识别方法中图像骨架化模块处理过程的效果图。
图6为本发明所述基于手写数字字符的识别方法中分割分类处理的框架图。
图7为本发明所述基于手写数字字符的识别方法中数字字符分割步骤图。
图8为本发明所述基于手写数字字符的识别方法中分割分类的区域块位置关系图。
图9为现有技术中OCR技术识别数字字符的影像的预处理后的效果图。
具体实施方式
为了使本发明的发明目的,技术方案及技术效果更加清楚明白,下面结合具体实施方式对本发明做进一步的说明。应理解,此处所描述的具体实施例,仅用于解释本发明,并不用于限定本发明。
本发明所提供的基于手写数字字符的识别方法可以应用在手写字体的数学表达式的识别、图像文字的识别以及纸质印刷文字的识别上,由于手写体的随意性,手写体数学字符粘连情况严重,不同字符大小不一,同一字符形状各异,现通过以手写数学表达式为案例的具体实施方式结合附图的方式对本发明做出进一步的诠释说明。
请参照图1,本发明的提供一种基于手写数字字符的识别方法,包括以下步骤:
S1:获取含有数学字符的图像样本;
S2:对获取的所述图像样本进行预处理,得到预处理后的图像;
S3:将预处理后的图像进行分割分类处理,得到处理后的识别结果。
在所述步骤S1中,所述图像样本包括手写数字字符以及书本中印刷的字符的图像。具体到本实施例中,所述图像样本为手写数字字符的图像。因数字字符在实际书写时每隔一定时间记录下当前笔所在位置的xy坐标信息,由此每个数字字符的信息就由一系列离散点的xy坐标构成的。
在所述步骤S2中,所述预处理包括数据收集模块和图像骨架化模块,所述数据收集模块对所述图像样本进行数据的收集,得到图像数据集;所述图像骨架化模块对所述图像的数据集和所述图像样本中的获取图像线条信息从多像素宽度减少到单位像素宽度,得到预处理后的图像。
所述数据收集模块上设置有自定义函数,所述自定义函数将所述图像样本中的图像划分为指定的保存图窗区域。其中,所述指定保存图窗区域的图像的像素大小为300*300。
请参照图2,所述数据收集模块上的图像数据集的步骤如下:
S2-1.图像空白的去除:对所述图像样本中的数学符号的上下左右四个边界,删去边界以外的所有空白部分,得到净图像;其中,所述净图像的像素大于100*100。
S2-2.计算像素比:采用所述自定义函数计算所述净图像的像素大小与一目标图像的像素大小相比,得到像素比;其中:所述目标图像的像素为100*100。
S2-3.缩化图像:以所述像素比的比例缩小所述保存图窗区域的图像像素,得到缩化图像;
S2-4.再次空白去除:采用所述步骤S2-1对所述缩化图像进行空白删除,得到新的净图像;其中,所述新的净图像的像素小于100*100像素。
S2-5.图像数据集:在所述新的净图像上的上下左右四个方向均匀补上空白,使得图像的像素为100*100,得到图像的数据集。请参照图3,具体到本实施例中,所述图像样本中的所有图像均为100*100像素,图像中没有多余空白且符号位于图像正中,使得各张图片边缘的空白大小一致,提高图像的识别准确性。
请参照图4、图5a、图5b和图5c,所述图像骨架化模块包括图像降噪、灰度变换、图像二值化、开操作和消除污点,所述图像降噪对所述图像的数据集和所述图像样本中的图像采用中值滤波进行图像降噪,得到降噪后的图像;所述灰度转换对所述降噪后的图像转变为灰度图像;所述图像二值化对所述灰度图像进行黑白处理,得到黑白图像;所述开操作用于对所述黑白图像中的轮廓变得光滑,得到轮廓清晰的图像;所述消除污点用于对所述轮廓清晰的图像采用基于像素的连通域算法消除图像中的污点,得到单位像素宽度的图像线条。具体到本实施例中,所述图像二值化就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。所述开操作是让对象的轮廓变得光滑,断开狭窄的间断和消除细的突出物。
在所述步骤S2中,所述预处理采用图像骨架化模块对图像的数据集和所述图像样本中的图像进行预处理,得到预处理后的图像线条为单位像素宽度的线条,得到的图像轮廓清晰,提高图像中数字字符的识别率。
在所述步骤S3中,所述分割分类处理采用垂直投影算法与连通域算法的结合对所述预处理后的图像数字字符进行分割分类。
请参照图6和图7,所述分割分类处理的步骤包括如下:
S3-1.表达式:获取所述预处理后的图像中的数字字符的表达式;
S3-2.分割:采用垂直投影算法对所述步骤S3-1中的所述表达式进行切割数个区域块;
S3-3.分类:采用传统分类算法,如支持向量机或最近邻算法,对每个所述区域块进行分类,得到分类后的区域块;
S3-4.判断:对分类后的每个区域块采用分类算法是否被接收进行判断,如果分类后的区域块不被所述分类算法接受,转至步骤S3-5;如果分类后的区域块被所述分类算法接受,转至步骤S3-6;
S3-5.关键元素的识别:采用连通域算法对所述分类后的区域块中的数字字符的关键元素进行识别,得到新的数字字符表达式,转至所述步骤S3-2;
S3-6.结束:对所述预处理后的图像中的数字字符的分割以及分类完成,得到识别的结果。
在所述步骤S3-2中,切割后有的所述区域块还是一个数字字符的复杂表达式。其中,在采用所述垂直投影算法将所述数字字符的表达式分割成多个所述区域块时,同时还记录了各个所述区域块之间的位置信息。,对于两个所述区域块而言,如果记h为区块一的高度,d是区块二底部到区块一底部的距离(参考图8),那么当时,就认为第二个所述区域块是第一个所述区域块的上标。具体到本实施例中,对所述区域块进行分类算法之前还要对此所述区域块进行一次标准化处理,标准化处理的目的是为了保证输入的图像和数据集中的图像格式保持一致,从而提高分类算法的可信度;标准化处理的目标是将所述区域块中图像调整为与所述数据集一致的100*100像素大小,保证图像中的数学字符位于正中且图像中多余空白的大小与数据集一致。具体地:首先,删去所述区域块中图像上下左右多余的空白,并找到图像高度和宽度之间的较大者,得到;其次,取图像较大的高度或宽度的这边与93之间的比例放缩图像(放大图像采用三次样条插值,缩小图像采用区域插值);最后,在图像二值化基础上将图像四周均匀补上空白部分,使得图像成为标准的100*100像素。
在所述步骤S3-3和所述步骤S3-4中,所述分类算法对所述区域块有很高的置信度,只有所述区域块为单个数字字符时,所述分类算法才能接受所述区域块,记录识别的结果。
在所述步骤S3-5中,采用所述连通域算法识别出所述区域块中的关键元素,然后将相应位置的式子(例如分子、分母、被开方数)作为新的数字字符表达式,重复所述步骤S3-2到所述步骤S3-5的步骤直至所有的区域块均是单个数学字符组成的。
在所述步骤S3中,采用垂直投影算法与连通域算法的结合对所述预处理后的图像数字字符进行分割分类,在采用分类算法进行判断,提高数字字符的识别准确度。
该基于手写数字字符的识别方法通过预处理的图像骨架化模块对图像的数据集和所述图像样本中的图像进行预处理得到轮廓清晰的图像,提高图像中数字字符的识别率;还采用垂直投影算法与连通域算法的结合对所述预处理后的图像数字字符进行分割分类,在采用分类算法进行判断,提高数字字符的识别准确度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,其架构形式能够灵活多变,可以派生系列产品。只是做出若干简单推演或替换,都应当视为属于本发明由所提交的权利要求书确定的专利保护范围。
Claims (10)
1.一种基于手写数字字符的识别方法,其特征在于,包括以下步骤:
S1:图像样本:获取含有数学字符的图像样本;
S2:预处理:所述预处理包括图像骨架化模块和数据收集模块,所述数据收集模块用于对所述图像样本进行数据的收集,所述图像骨架化模块对所述图像的数据集和所述图像样本中获取的信息进行预处理,得到预处理后图像;
S3.分割分类处理:采用垂直投影算法与连通域算法的结合对所述预处理后图像的数字字符进行分割分类,得到图像识别结果。
2.根据权利要求1所述的基于手写数字字符的识别方法,其特征在于,所述数据收集模块上设置有自定义函数,所述自定义函数将所述图像样本中的图像划分为指定的保存图窗区域。
3.根据权利要求2所述的基于手写数字字符的识别方法,其特征在于,所述指定保存图窗区域的图像的像素大小为300*300。
4.根据权利要求1所述的基于手写数字字符的识别方法,其特征在于,所述图像数据集的数据收集步骤包括如下:
S2-1.图像空白的去除:对所述图像样本中的数学符号的上下左右四个边界,删去边界以外的所有空白部分,得到净图像;
S2-2.计算像素比:采用所述自定义函数计算所述净图像的像素大小与一目标图像的像素大小相比,得到像素比;
S2-3.缩化图像:以所述像素比的比例缩小所述保存图窗区域的图像像素,得到缩化图像;
S2-4.再次空白去除:采用所述步骤S2-1对所述缩化图像进行空白删除,得到新的净图像;
S2-5.图像数据集:在所述新的净图像上的上下左右四个方向均匀补上空白,使得图像的像素为100*100,得到图像的数据集。
5.根据权利要求4所述的基于手写数字字符的识别方法,其特征在于,在所述步骤S2-1,所述净图像的像素大于100*100。
6.根据权利要求4所述的基于手写数字字符的识别方法,其特征在于,在所述步骤S2-2中,所述目标图像的像素为100*100。
7.根据权利要求1所述的基于手写数字字符的识别方法,其特征在于,所述图像骨架化模块包括用于对图像处理的图像降噪、灰度变换、图像二值化、开操作和消除污点。
8.根据权利要求1所述的基于手写数字字符的识别方法,其特征在于,在所述步骤S3中,所述分割分类处理的步骤包括如下:
S3-1.表达式:获取所述预处理后的图像中的数字字符的表达式;
S3-2.分割:采用所述垂直投影算法对所述步骤S3-1中的所述表达式进行切割数个区域块;
S3-3.分类:采用分类算法对每个所述区域块进行分类,得到分类后的区域块;
S3-4.判断:对分类后的每个区域块采用分类算法是否被接收进行判断,如果分类后的区域块不被所述分类算法接受,转至步骤S3-5;如果分类后的区域块被所述分类算法接受,转至步骤S3-6;
S3-5.关键元素的识别:采用连通域算法对所述分类后的区域块中的数字字符的关键元素进行识别,得到新的数字字符表达式,转至所述步骤S3-2;
S3-6.结束:对所述预处理后的图像中的数字字符的分割以及分类完成,得到识别的结果。
9.根据权利要8所述的基于手写数字字符的识别方法,其特征在于,所述分类算法为.........。
10.根据权利要求1-8任意一项所述的基于手写数字字符的识别方法,其特征在于,在所述步骤S1中,所述图像样本包括手写数字字符以及书本中印刷的字符的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910793571.8A CN110516592A (zh) | 2019-08-26 | 2019-08-26 | 一种基于手写数字字符的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910793571.8A CN110516592A (zh) | 2019-08-26 | 2019-08-26 | 一种基于手写数字字符的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516592A true CN110516592A (zh) | 2019-11-29 |
Family
ID=68628025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910793571.8A Pending CN110516592A (zh) | 2019-08-26 | 2019-08-26 | 一种基于手写数字字符的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516592A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507356A (zh) * | 2020-04-20 | 2020-08-07 | 恒银金融科技股份有限公司 | 一种金融票据小写金额手写字符的分割方法 |
CN113378847A (zh) * | 2021-06-28 | 2021-09-10 | 华南理工大学 | 字符分割方法、系统、计算机设备和存储介质 |
CN116824597A (zh) * | 2023-07-03 | 2023-09-29 | 金陵科技学院 | 动态图像分割及并行学习手写身份证数字及身份识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520851A (zh) * | 2008-02-29 | 2009-09-02 | 富士通株式会社 | 字符信息识别装置和方法 |
CN105701489A (zh) * | 2016-01-14 | 2016-06-22 | 云南大学 | 一种新型的数字提取和识别的方法及系统 |
CN107967475A (zh) * | 2017-11-16 | 2018-04-27 | 广州探迹科技有限公司 | 一种基于窗口滑动和卷积神经网络的验证码识别方法 |
CN108734168A (zh) * | 2018-05-18 | 2018-11-02 | 天津科技大学 | 一种手写数字的识别方法 |
CN109343920A (zh) * | 2018-09-10 | 2019-02-15 | 深圳市腾讯网络信息技术有限公司 | 一种图像处理方法及其装置、设备和存储介质 |
CN109800746A (zh) * | 2018-12-05 | 2019-05-24 | 天津大学 | 一种基于cnn的手写英文文档识别方法 |
-
2019
- 2019-08-26 CN CN201910793571.8A patent/CN110516592A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520851A (zh) * | 2008-02-29 | 2009-09-02 | 富士通株式会社 | 字符信息识别装置和方法 |
CN105701489A (zh) * | 2016-01-14 | 2016-06-22 | 云南大学 | 一种新型的数字提取和识别的方法及系统 |
CN107967475A (zh) * | 2017-11-16 | 2018-04-27 | 广州探迹科技有限公司 | 一种基于窗口滑动和卷积神经网络的验证码识别方法 |
CN108734168A (zh) * | 2018-05-18 | 2018-11-02 | 天津科技大学 | 一种手写数字的识别方法 |
CN109343920A (zh) * | 2018-09-10 | 2019-02-15 | 深圳市腾讯网络信息技术有限公司 | 一种图像处理方法及其装置、设备和存储介质 |
CN109800746A (zh) * | 2018-12-05 | 2019-05-24 | 天津大学 | 一种基于cnn的手写英文文档识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507356A (zh) * | 2020-04-20 | 2020-08-07 | 恒银金融科技股份有限公司 | 一种金融票据小写金额手写字符的分割方法 |
CN113378847A (zh) * | 2021-06-28 | 2021-09-10 | 华南理工大学 | 字符分割方法、系统、计算机设备和存储介质 |
CN113378847B (zh) * | 2021-06-28 | 2022-10-25 | 华南理工大学 | 字符分割方法、系统、计算机设备和存储介质 |
CN116824597A (zh) * | 2023-07-03 | 2023-09-29 | 金陵科技学院 | 动态图像分割及并行学习手写身份证数字及身份识别方法 |
CN116824597B (zh) * | 2023-07-03 | 2024-05-24 | 金陵科技学院 | 动态图像分割及并行学习手写身份证数字及身份识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363102B (zh) | 一种pdf文件的对象识别处理方法及装置 | |
CN101453575B (zh) | 一种视频字幕信息提取方法 | |
CN102567300B (zh) | 图片文档的处理方法及装置 | |
CN107784301A (zh) | 用于识别图像中文字区域的方法和装置 | |
CN100565559C (zh) | 基于连通分量和支持向量机的图像文本定位方法和装置 | |
CN109241861B (zh) | 一种数学公式识别方法、装置、设备及存储介质 | |
CN110516592A (zh) | 一种基于手写数字字符的识别方法 | |
CN105426856A (zh) | 一种图像表格文字识别方法 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
CN104408449A (zh) | 智能移动终端场景文字处理方法 | |
US6532302B2 (en) | Multiple size reductions for image segmentation | |
CN110598566A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN109460735A (zh) | 基于图半监督学习的文档二值化处理方法、系统、装置 | |
CN104637066B (zh) | 基于序贯细化的二值图像快速骨架提取方法 | |
Al Abodi et al. | An effective approach to offline Arabic handwriting recognition | |
CN104966047A (zh) | 一种车牌识别的方法及装置 | |
CN112507876A (zh) | 一种基于语义分割的有线表格图片解析方法和装置 | |
CN112883926A (zh) | 表格类医疗影像的识别方法及装置 | |
CN109543525B (zh) | 一种通用表格图像的表格提取方法 | |
CN114581928A (zh) | 一种表格识别方法及系统 | |
CN109086327A (zh) | 一种快速生成网页视觉结构图形的方法及装置 | |
CN106709437A (zh) | 一种改进的针对早期专利文档扫描件中图文信息的智能处理方法 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN109800725B (zh) | 基于elbp特征的dvs事件分类方法 | |
Edan | Cuneiform symbols recognition based on k-means and neural network |
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: 20191129 |