CN110717516B - 票据图像分类方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明涉及一种人工智能技术，揭露了一种票据图像分类方法，包括：获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集；对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集；对所述目标图像区域集进行特征提取，得到特征图谱集；利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类。本发明还提出一种票据图像分类装置以及一种计算机可读存储介质。本发明实现了票据图像的精准分类。

Description

票据图像分类方法、装置及计算机可读存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于票据内容和用户行为协同的票据图像分类方法、装置及计算机可读存储介质。

背景技术

目前市场上存在各式各样的分类器，但大多数公司都是采用传统的如KNN，SVM，BP神经网络等分类算法。这些传统的分类器通常在票据图像分类任务中不够有效，分类准确率也一直都达不到很高的水平，尤其对于保险行业的票据票据图像分类处理而言是个很大的问题。

发明内容

本发明提供一种票据图像分类方法、装置及计算机可读存储介质，其主要目的在于当用户对票据图像进行分类时，给用户呈现出精准的分类结果。

为实现上述目的，本发明提供的一种票据图像分类方法，包括：

获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集；

对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集；

对所述目标图像区域集进行特征提取，得到特征图谱集；

利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类。

可选地，所述对所述图像集进行预处理操作，得到源图像集，包括：

根据各比例法将所述图像集转换为灰度图像集，利用对比度拉伸方式对所述灰度图像集进行对比度增强，并通过高斯滤波将对比度增强后的所述灰度图像集进行降噪，得到所述源图像集。

可选地，所述对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集，包括：

通过阈值分割法将所述源图像集中的图像前景文字和图像背景图案进行分割，得到所述源图像集的关键信息图像区域；

利用Retinex算法对所述关键信息图像区域进行增强处理，得到所述目标图像区域集，其中，所述目标图像区域集计算公式为：

S(x,y)＝R(x,y)×L(x,y)

其中,S(x,y)表示目标图像区域,R(x,y)表示反射光图像,L(x,y)代表光亮度图像。

可选地所述对所述目标图像区域集进行特征提取，得到特征图谱集，包括：

将所述目标图像区域集输入至残差块神经网络输入层中，利用所述残差块神经网络的隐藏层对所述目标图像区域集进行卷积操作，得到目标图像区域集的特征图谱集，通过所述残差块神经网络的输出层输出所述特征图谱集。

可选地，所述利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，包括：

构建包括Inception V3神经网络和pre-trained模型的票据图像分类模型；

通过所述Inception V3神经网络对所述特征图谱集进行特征融合；

利用所述pre-trained模型的激活函数对特征融合后的所述特征图谱集进行分类预测，其中，所述激活函数为：

其中，softmax(x_j)表示所述分类的预测概率最大值，x_j表示所述特征图谱集中第j个图像的值，x_k表示所述特征图谱集中k个图像的累加值，k表示所述特征图谱集中图像共有k类，根据分类预测结果得到所述特征图谱集的分类结果。

此外，为实现上述目的，本发明还提供一种票据图像分类装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的票据图像分类程序，所述票据图像分类程序被所述处理器执行时实现如下步骤：

获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集；

对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集；

对所述目标图像区域集进行特征提取，得到特征图谱集；

利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类。

可选地，所述对所述图像集进行预处理操作，得到源图像集，包括：

根据各比例法将所述图像集转换为灰度图像集，利用对比度拉伸方式对所述灰度图像集进行对比度增强，并通过高斯滤波将对比度增强后的所述灰度图像集进行降噪，得到所述源图像集。

可选地，所述对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集，包括：

通过阈值分割法将所述源图像集中的图像前景文字和图像背景图案进行分割，得到所述源图像集的关键信息图像区域；

利用Retinex算法对所述关键信息图像区域进行增强处理，得到所述目标图像区域集，其中，所述目标图像区域集计算公式为：

S(x,y)＝R(x,y)×L(x,y)

其中,S(x,y)表示目标图像区域,R(x,y)表示反射光图像,L(x,y)代表光亮度图像。

可选地所述对所述目标图像区域集进行特征提取，得到特征图谱集，包括：

将所述目标图像区域集输入至残差块神经网络输入层中，利用所述残差块神经网络的隐藏层对所述目标图像区域集进行卷积操作，得到目标图像区域集的特征图谱集，通过所述残差块神经网络的输出层输出所述特征图谱集。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有票据图像分类程序，所述票据图像分类程序可被一个或者多个处理器执行，以实现如上所述的票据图像分类方法的步骤。

本发明提出的票据图像分类方法、装置及计算机可读存储介质，在用户进行票据图像分类时，对获取的票据图像进行预处理操作得到所述票据图像的特征图谱集，并集合预先构建的票据图像模型进行分类，得到得到所述特征图谱的分类结果，完成所述票据图像的分类，从而可以给用户呈现出精准的分类结果。

附图说明

图1为本发明一实施例提供的票据图像分类方法的流程示意图；

图2为本发明一实施例提供的票据图像分类装置的内部结构示意图；

图3为本发明一实施例提供的票据图像分类装置中票据图像分类程序的模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种票据图像分类方法。参照图1所示，为本发明一实施例提供的票据图像分类方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，票据图像分类方法包括：

S1、获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集。

本发明较佳实施例中，所述多种格式包括：bmp、jpg、png、tif、gif、pcx、tga及exif等。所述票据图片可以为：医疗保险票据，车险票据，养老保险票据等。所述多种格式的票据图片通过以下两种方式获取：方式一、通过关键字从网页中搜索得到；方式二、从各大从事相关票据行业的企业数据库中获取得到。

进一步地，所述预处理操作包括：根据各比例法将所述图像集转换为灰度图像集，利用对比度拉伸方式对所述灰度图像集进行对比度增强，并通过高斯滤波将对比度增强后的所述灰度图像集进行降噪，得到所述源图像集。详细地，所述预处理操作如下所示：

a.图像灰度化处理：

所述图像灰度化处理是将彩色图像转换为灰度图像。灰度图像的亮度信息完全能够表达图像的整体和局部的特征，并且对图像进行灰度化处理之后可以大大降低后续工作的计算量。

本发明较佳实施例通过各比例法所述图像集转换为灰度图像集，所述各比例法实施步骤为：将所述图像集中像素点的R、G、B分量转换为YUV的颜色空间的Y分量，即亮度值，所述Y分量的计算方法如下式所示:

Y＝0.3R+0.59G+0.11B

其中R、G、B分别是RGB色彩模式中图像像素点的R、G、B值。

b.对比度增强：

所述对比度指的是成像系统中亮度最大值与最小值之间的对比，其中，对比度低会使图像处理难度增大。本发明较佳实施例中采用的是对比度拉伸方法，利用提高灰度级动态范围的方式，达到图像对比度增强的目的。所述对比度拉伸也叫作灰度拉伸，是目前常用的灰度变换方式。

进一步地，本发明根据所述对比度拉伸方法中的分段线性变换函数对特定区域进行灰度拉伸，进一步提高输出图像的对比度。当进行对比度拉伸时，本质上是实现灰度值变换。本发明通过线性拉伸实现灰度值变换，所述线性拉伸指的是输入与输出的灰度值之间为线性关系的像素级运算，灰度变换公式如下所示：

D_b＝f(D_a)＝a*D_a+b

其中a为线性斜率，b为在Y轴上的截距。当a>1时，此时输出的图像对比度相比原图像是增强的。当a<1时，此时输出的图像对比度相比原图像是削弱的，其中D_a代表输入图像灰度值，D_b代表输出图像灰度值。

c.降噪：

所述高斯滤波是一种线性平滑滤波，适用于消除高斯噪声。本发明通过所述高斯滤波将对比度增强后的所述灰度图像进行降噪。其中，所述高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，其N维空间正态分布方程为：

其中σ是正态分布的标准差，σ值越大，图像越模糊(平滑)。r为模糊半径，模糊半径是指模板元素到模板中心的距离。

S2、对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集。

本发明较佳实施例通过阈值分割法对所述源图像集中的前景文字和背景图案进行分割，得到所述源图像集的关键信息图像区域。所述阈值分割法的核心思想是通过设置一个阈值T，遍历图像中的每个像素点，当像素点的灰度值大于T时，认为是前景文字，否则认为是背景图案。进一步地，对于所述关键信息图像区域中特殊文字的部分，所述特殊文字包含字符，符号等。本发明在阈值分割法的基础上，采用区域增长法进行分割处理。所述区域增长法的核心思想是根据事先定义的准则将像素或者子区域聚合成更大的区域，从一组生长点开始(生长点可以是单个像素或者一个小区域)，将与生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止。详细地，本发明通过以所述关键信息图像区域的四个角为种子生长点，找到背景部分并将其像素值置零，并对其进行放大，从而完成所述关键信息图像区域中特殊文字的分割。

进一步地，本发明较佳实施例利用Retinex算法对所述关键信息图像区域进行增强处理，得到所述目标图像区域集，其中，所述目标图像区域集计算公式为：

S(x,y)＝R(x,y)×L(x,y)

其中,S(x,y)表示目标图像区域,R(x,y)表示反射光图像,L(x,y)代表光亮度图像。所述Retinex算法的核心思想为：图像是由亮度图像和反射图像组成，表示为亮度图像和图像反射图像之间像素与对应像素的乘积，通过降低亮度图像对反射图像的影响可以达到图像增强的目的。

S3、对所述目标图像区域集进行特征提取，得到特征图谱集。

本发明较佳实施例通过将所述目标图像区域集输入至残差块神经网络输入层中，利用所述残差块神经网络的隐藏层对所述目标图像区域集进行卷积操作，得到目标图像区域集的特征图谱集，通过所述残差块神经网络的输出层输出所述特征图谱集。

进一步地，本发明实施例中通过将shortcut连接加入残差块神经网络中，所述shortcut连接即直连或捷径连接，即以所述残差块神经网络的F(x)+x函数替代原本的H(x)函数，从而达到快速连接。详细地，所述卷积操作步骤为；对于预设输入尺寸为64*64*128(长*宽*通道数)的目标图像区域，先经由1*1卷积缩小通道，使所述目标图像区域的尺寸变为64*64*32；并对其32个通道进行步长为2的逐通道卷积，得到尺寸为32*32*32的目标图像区域；利用1*1卷积串联逐通道进行卷积，并恢复通道尺寸至32*32*k，得到图像特征图谱，从而产生图像特征图谱集。其中，k值在本发明实施例中预设为32，最终提取尺寸为32*32*32的图像特征图谱。

S4、利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类。

本发明较佳实施例中，所述票据图像分类模型包含Inception V3神经网络和pre-trained模型，通过所述Inception V3神经网络对所述特征图谱集进行特征融合，并利用所述pre-trained模型的激活函数对特征融合后的所述特征图谱集进行分类预测，得到所述特征图谱集的分类结果，从而完成图像的分类。

其中，所述激活函数为：

其中，softmax(x_j)表示所述分类的预测概率最大值，x_j表示所述特征图谱集中第j个图像的值，x_k表示所述特征图谱集中k个图像的累加值，k表示所述特征图谱集中图像共有k类，根据分类预测结果得到所述特征图谱集的分类结果。

进一步地，所述InceptionV3神经网络通过将不同尺寸的卷积核并行的组合在一起，形成了一个整体结构，增加了网络的宽度，并且提高了网络对于不同尺度目标的适应能力。其中，在本发明较佳实施例中将所述Inception V3神经网络中大的卷积核分解成多个小的卷积核，将方形的卷积核分解成条状的卷积核，利用分解后的卷积核对所述特征图谱集进行特征融合，能够快速并且准确的得到特征融合的结果。

发明还提供一种票据图像分类装置。参照图2所示，为本发明一实施例提供的票据图像分类装置的内部结构示意图。

在本实施例中，所述票据图像分类装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该票据图像分类装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。

其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是票据图像分类装置1的内部存储单元，例如该票据图像分类装置1的硬盘。存储器11在另一些实施例中也可以是票据图像分类装置1的外部存储设备，例如票据图像分类装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括票据图像分类装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于票据图像分类装置1的应用软件及各类数据，例如票据图像分类程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行票据图像分类程序01等。

通信总线13用于实现这些组件之间的连接通信。

网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。

可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在票据图像分类装置1中处理的信息以及用于显示可视化的用户界面。

图2仅示出了具有组件11-14以及票据图像分类程序01的票据图像分类装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对票据图像分类装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

在图2所示的装置1实施例中，存储器11中存储有票据图像分类程序01；处理器12执行存储器11中存储的票据图像分类程序01时实现如下步骤：

步骤一、获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集。

本发明较佳实施例中，所述多种格式包括：bmp、jpg、png、tif、gif、pcx、tga及exif等。所述票据图片可以为：医疗保险票据，车险票据，养老保险票据等。所述多种格式的票据图片通过以下两种方式获取：方式一、通过关键字从网页中搜索得到；方式二、从各大从事相关票据行业的企业数据库中获取得到。

进一步地，所述预处理操作包括：根据各比例法将所述图像集转换为灰度图像集，利用对比度拉伸方式对所述灰度图像集进行对比度增强，并通过高斯滤波将对比度增强后的所述灰度图像集进行降噪，得到所述源图像集。详细地，所述预处理操作如下所示：

a.图像灰度化处理：

所述图像灰度化处理是将彩色图像转换为灰度图像。灰度图像的亮度信息完全能够表达图像的整体和局部的特征，并且对图像进行灰度化处理之后可以大大降低后续工作的计算量。

本发明较佳实施例通过各比例法所述图像集转换为灰度图像集，所述各比例法实施步骤为：将所述图像集中像素点的R、G、B分量转换为YUV的颜色空间的Y分量，即亮度值，所述Y分量的计算方法如下式所示:

Y＝0.3R+0.59G+0.11B

其中R、G、B分别是RGB色彩模式中图像像素点的R、G、B值。

b.对比度增强：

所述对比度指的是成像系统中亮度最大值与最小值之间的对比，其中，对比度低会使图像处理难度增大。本发明较佳实施例中采用的是对比度拉伸方法，利用提高灰度级动态范围的方式，达到图像对比度增强的目的。所述对比度拉伸也叫作灰度拉伸，是目前常用的灰度变换方式。

进一步地，本发明根据所述对比度拉伸方法中的分段线性变换函数对特定区域进行灰度拉伸，进一步提高输出图像的对比度。当进行对比度拉伸时，本质上是实现灰度值变换。本发明通过线性拉伸实现灰度值变换，所述线性拉伸指的是输入与输出的灰度值之间为线性关系的像素级运算，灰度变换公式如下所示：

D_b＝f(D_a)＝a*D_a+b

其中a为线性斜率，b为在Y轴上的截距。当a>1时，此时输出的图像对比度相比原图像是增强的。当a<1时，此时输出的图像对比度相比原图像是削弱的，其中D_a代表输入图像灰度值，D_b代表输出图像灰度值。

c.降噪：

所述高斯滤波是一种线性平滑滤波，适用于消除高斯噪声。本发明通过所述高斯滤波将对比度增强后的所述灰度图像进行降噪。其中，所述高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，其N维空间正态分布方程为：

其中σ是正态分布的标准差，σ值越大，图像越模糊(平滑)。r为模糊半径，模糊半径是指模板元素到模板中心的距离。

步骤二、对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集。

本发明较佳实施例通过阈值分割法对所述源图像集中的前景文字和背景图案进行分割，得到所述源图像集的关键信息图像区域。所述阈值分割法的核心思想是通过设置一个阈值T，遍历图像中的每个像素点，当像素点的灰度值大于T时，认为是前景文字，否则认为是背景图案。进一步地，对于所述关键信息图像区域中特殊文字的部分，所述特殊文字包含字符，符号等。本发明在阈值分割法的基础上，采用区域增长法进行分割处理。所述区域增长法的核心思想是根据事先定义的准则将像素或者子区域聚合成更大的区域，从一组生长点开始(生长点可以是单个像素或者一个小区域)，将与生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止。详细地，本发明通过以所述关键信息图像区域的四个角为种子生长点，找到背景部分并将其像素值置零，并对其进行放大，从而完成所述关键信息图像区域中特殊文字的分割。

进一步地，本发明较佳实施例利用Retinex算法对所述关键信息图像区域进行增强处理，得到所述目标图像区域集，其中，所述目标图像区域集计算公式为：

S(x,y)＝R(x,y)×L(x,y)

其中,S(x,y)表示目标图像区域,R(x,y)表示反射光图像,L(x,y)代表光亮度图像。所述Retinex算法的核心思想为：图像是由亮度图像和反射图像组成，表示为亮度图像和图像反射图像之间像素与对应像素的乘积，通过降低亮度图像对反射图像的影响可以达到图像增强的目的。

步骤三、对所述目标图像区域集进行特征提取，得到特征图谱集。

本发明较佳实施例通过将所述目标图像区域集输入至残差块神经网络输入层中，利用所述残差块神经网络的隐藏层对所述目标图像区域集进行卷积操作，得到目标图像区域集的特征图谱集，通过所述残差块神经网络的输出层输出所述特征图谱集。

进一步地，本发明实施例中通过将shortcut连接加入残差块神经网络中，所述shortcut连接即直连或捷径连接，即以所述残差块神经网络的F(x)+x函数替代原本的H(x)函数，从而达到快速连接。详细地，所述卷积操作步骤为；对于预设输入尺寸为64*64*128(长*宽*通道数)的目标图像区域，先经由1*1卷积缩小通道，使所述目标图像区域的尺寸变为64*64*32；并对其32个通道进行步长为2的逐通道卷积，得到尺寸为32*32*32的目标图像区域；利用1*1卷积串联逐通道进行卷积，并恢复通道尺寸至32*32*k，得到图像特征图谱，从而产生图像特征图谱集。其中，k值在本发明实施例中预设为32，最终提取尺寸为32*32*32的图像特征图谱。

步骤四、利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类。

本发明较佳实施例中，所述票据图像分类模型包含Inception V3神经网络和pre-trained模型，通过所述Inception V3神经网络对所述特征图谱集进行特征融合，并利用所述pre-trained模型的激活函数对特征融合后的所述特征图谱集进行分类预测，得到所述特征图谱集的分类结果，从而完成图像的分类。

其中，所述激活函数为：

其中，softmax(x_j)表示所述分类的预测概率最大值，x_j表示所述特征图谱集中第j个图像的值，x_k表示所述特征图谱集中k个图像的累加值，k表示所述特征图谱集中图像共有k类，根据分类预测结果得到所述特征图谱集的分类结果。

进一步地，所述InceptionV3神经网络通过将不同尺寸的卷积核并行的组合在一起，形成了一个整体结构，增加了网络的宽度，并且提高了网络对于不同尺度目标的适应能力。其中，在本发明较佳实施例中将所述Inception V3神经网络中大的卷积核分解成多个小的卷积核，将方形的卷积核分解成条状的卷积核，利用分解后的卷积核对所述特征图谱集进行特征融合，能够快速并且准确的得到特征融合的结果。

可选地，在其他实施例中，票据图像分类程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述票据图像分类程序在票据图像分类装置中的执行过程。

例如，参照图3所示，为本发明票据图像分类装置一实施例中的票据图像分类程序的程序模块示意图，该实施例中，所述票据图像分类程序可以被分割为图像预处理模块10、分割处理模块20、特征提取模块30以及分类模块40，示例性地：

所述图像预处理模块10用于：获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集。

所述分割处理模块20用于：对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集。

所述特征提取模块30用于：对所述目标图像区域集进行特征提取，得到特征图谱集。

所述分类模块40用于：利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类。

上述图像预处理模块10、分割处理模块20、特征提取模块30以及分类模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有票据图像分类程序，所述票据图像分类程序可被一个或多个处理器执行，以实现如下操作：

获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集；

对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集；

对所述目标图像区域集进行特征提取，得到特征图谱集；

利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类。

本发明计算机可读存储介质具体实施方式与上述票据图像分类装置和方法各实施例基本相同，在此不作累述。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种票据图像分类方法，其特征在于，所述方法包括：

获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集；

对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集；

对所述目标图像区域集进行特征提取，得到特征图谱集；

利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类；

其中，所述对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集，包括：通过阈值分割法将所述源图像集中的图像前景文字和图像背景图案进行分割，得到所述源图像集的关键信息图像区域；利用Retinex算法对所述关键信息图像区域进行增强处理，得到所述目标图像区域集，其中，所述目标图像区域集计算公式为：

S(x，y)＝R(x，y)×L(x，y)

其中，S(x，y)表示目标图像区域，R(x，y)表示反射光图像，L(x，y)代表光亮度图像；

所述利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，包括：构建包括Inception V3神经网络和pre-trained模型的票据图像分类模型；通过所述Inception V3神经网络对所述特征图谱集进行特征融合；利用所述pre-trained模型的激活函数对特征融合后的所述特征图谱集进行分类预测，其中，所述激活函数为：

其中，softmax(x_j)表示所述分类的预测概率最大值，x_j表示所述特征图谱集中第j类图像的值，x_k表示所述特征图谱集中第k类图像的值，K表示所述特征图谱集中图像共有K类，根据分类预测结果得到所述特征图谱集的分类结果。

2.如权利要求1所述的票据图像分类方法，其特征在于，所述对所述图像集进行预处理操作，得到源图像集，包括：

根据各比例法将所述图像集转换为灰度图像集，利用对比度拉伸方式对所述灰度图像集进行对比度增强，并通过高斯滤波将对比度增强后的所述灰度图像集进行降噪，得到所述源图像集。

3.如权利要求1所述的票据图像分类方法，其特征在于，所述对所述目标图像区域集进行特征提取，得到特征图谱集，包括：

将所述目标图像区域集输入至残差块神经网络输入层中，利用所述残差块神经网络的隐藏层对所述目标图像区域集进行卷积操作，得到目标图像区域集的特征图谱集，通过所述残差块神经网络的输出层输出所述特征图谱集。

4.一种票据图像分类装置，用于实现如权利要求1至3中任一项所述的票据图像分类方法，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的票据图像分类程序，所述票据图像分类程序被所述处理器执行时实现如下步骤：

获取基于多种格式的票据图片组合产生的图像集，对所述图像集进行预处理操作，得到源图像集；

对所述源图像集进行分割处理，并对分割处理后的所述源图像集进行增强处理，得到目标图像区域集；

对所述目标图像区域集进行特征提取，得到特征图谱集；

利用预先构建的票据图像分类模型对所述特征图谱集进行分类，得到所述特征图谱集的分类结果，完成图像的分类。

5.如权利要求4所述的票据图像分类装置，其特征在于，所述对所述图像集进行预处理操作，得到源图像集，包括：

根据各比例法将所述图像集转换为灰度图像集，利用对比度拉伸方式对所述灰度图像集进行对比度增强，并通过高斯滤波将对比度增强后的所述灰度图像集进行降噪，得到所述源图像集。

6.如权利要求4所述的票据图像分类装置，其特征在于，所述对所述目标图像区域集进行特征提取，得到特征图谱集，包括：

将所述目标图像区域集输入至残差块神经网络输入层中，利用所述残差块神经网络的隐藏层对所述目标图像区域集进行卷积操作，得到目标图像区域集的特征图谱集，通过所述残差块神经网络的输出层输出所述特征图谱集。

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上存储有票据图像分类程序，所述票据图像分类程序可被一个或者多个处理器执行，以实现如权利要求1至3中任一项所述的票据图像分类方法的步骤。