CN111191716B - 一种印刷图片的分类方法及装置 - Google Patents

一种印刷图片的分类方法及装置 Download PDF

Info

Publication number
CN111191716B
CN111191716B CN201911389578.XA CN201911389578A CN111191716B CN 111191716 B CN111191716 B CN 111191716B CN 201911389578 A CN201911389578 A CN 201911389578A CN 111191716 B CN111191716 B CN 111191716B
Authority
CN
China
Prior art keywords
image
picture
classification
printing
printed
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
CN201911389578.XA
Other languages
English (en)
Other versions
CN111191716A (zh
Inventor
纪泽鹏
吴林敏
许林楠
黄晓佳
王培玉
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.)
Hefei Huaguan Packaging Science & Technology Co ltd
Original Assignee
Shantou Dongfeng Printing Co Ltd
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 Shantou Dongfeng Printing Co Ltd filed Critical Shantou Dongfeng Printing Co Ltd
Priority to CN201911389578.XA priority Critical patent/CN111191716B/zh
Publication of CN111191716A publication Critical patent/CN111191716A/zh
Application granted granted Critical
Publication of CN111191716B publication Critical patent/CN111191716B/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
    • G06F18/24—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种印刷图片的分类方法及装置，该方法先获取印刷图片的图像信息；其中，所述图像信息包括颜色种类、尺寸、图文比例、页数；将所述图像信息和所述图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型；根据所述印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动所述分类结果对应印刷流程。本发明技术方案能够在不依赖人工分类的前提下实现印刷图片的自动识别和分类，从而提高生产效率。

Description

一种印刷图片的分类方法及装置
技术领域
本发明涉及图像处理领域，尤其涉及一种印刷图片的分类方法及装置。
背景技术
目前，印刷装置及印刷介质的快速发展，使得用户越来越关注印刷产品的成本及质量，从而使得用户需要针对不同的印刷产品制定不同的印刷模式。
现有技术中，采用人工分类的方法来实现印刷图片的分类，其步骤如下：首先，用户需要对印刷图片进行识别和分类，其次，用户根据分类后的结果，选择相应的印刷模式，最后，印刷机接收到相应的印刷模式后，启动印刷操作，然而该过程中需要用户自行识别和分类印刷图片，效率低；不仅如此，用户根据印刷图片的分类结果，选择相应的印刷模式的过程中，需要花费一定的操作时间，当印刷次数越多，花费的操作时间越多，导致生产效率低。
发明内容
本发明实施例提供了一种印刷图片的分类方法及装置，能够在不依赖人工分类的前提下实现印刷图片的自动识别和分类，从而提高生产效率。
为了解决上述技术问题，本发明实施例提供了一种印刷图片的分类方法，包括：
获取印刷图片的图像信息；其中，所述图像信息包括颜色种类、尺寸、图文比例、页数；
将所述图像信息和所述图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型；
根据所述印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动所述分类结果对应印刷流程。
作为优选方案，所述获取印刷图片的图像信息，具体为：
获取印刷图片的尺寸、页数；
基于颜色提取方法，对所述印刷图片进行颜色提取，从而获得所述印刷图片对应的颜色种类；
根据所述印刷图片所有像素点数量和所述印刷图片中文字的像素点数量，获得所述印刷图片对应的图文比例；
由所述尺寸、所述页数、所述颜色种类和所述图文比例，获得所述图像信息。
作为优选方案，所述基于颜色提取方法，对所述印刷图片进行颜色提取，从而获得所述印刷图片对应的颜色种类，具体为：
提取所述印刷图片中每个像素点RGB颜色分量；
对每个所述像素点RGB颜色分量通过第一预设公式转化为HSV颜色空间分量，获得每个像素点的H分量、S分量和V分量的值；
根据每个所述像素点的H分量、S分量和V分量的值，获得所述印刷图片对应的颜色种类。
作为优选方案，所述第一预设公式，具体为：
其中，v＝max(R,G,B)，R,G,B∈{0,1,2,…,255}，H∈[0°,360°]，S∈[0,1]，V∈[0,1]。
作为优选方案，所述根据所述印刷图片所有像素点数量和所述印刷图片中文字的像素点数量，获得所述印刷图片对应的图文比例，具体为：
基于Roberts算法，将所述印刷图片转化为灰度图像；
对所述灰度图像进行二值化处理，获得边缘图像；
将所述边缘图像膨胀处理，提取所述边缘图像的连通域的像素区域，从而获得文字的像素区域；
提取所述文字的像素区域对应的像素点数量；
根据所述文字对应的像素点数量和所述印刷图片的像素点数量，获得图文比例。
作为优选方案，所述对所述灰度图像进行二值化处理，获得边缘图像，具体为：
根据预设的阈值区间对所述灰度图像中的像素点进行过滤之后，通过最大类间方差算法对所述灰度图像进行二值化得到边缘图像。
作为优选方案，所述分类结果为海报图像、广告图册、名片图像或书籍图像。
作为优选方案，所述机器学习模型是由CNN算法构建的。
相应地，本发明还提供一种印刷图片的分类装置，包括：
数据获取模块，用于获取印刷图片的图像信息；其中，所述图像信息包括颜色种类、尺寸、图文比例、页数；
模型训练模块，用于将所述图像信息和所述图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型；
分类模块，用于根据所述印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动所述分类结果对应印刷流程。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的印刷图片的分类方法，该方法先获取印刷图片的图像信息；其中，所述图像信息包括颜色种类、尺寸、图文比例、页数；将所述图像信息和所述图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型；根据所述印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动所述分类结果对应印刷流程。相比于现有技术采用人工方式进行印刷图片的分类，本发明技术方案无需用户手动对印刷图片进行分类，而是会自动获取印刷图片并根据训练得到的印刷图片的分类模型进行判断和返回输出结果，不仅使分类更加准确，还能够减少人工操作，进一步提高生产效率。
附图说明
图1是本发明提供的印刷图片的分类方法的第一实施例的流程示意图；
图2是本发明提供的印刷图片的分类装置的第二实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一实施例：
参见图1，是本发明提供的印刷图片的分类方法的一种实施例的流程示意图。如图1，该构建方法包括步骤101至步骤103，各步骤具体如下：
步骤101：获取印刷图片的图像信息；其中，图像信息包括颜色种类、尺寸、图文比例、页数。
在其中一种优选实施例中，步骤101具体为：获取印刷图片的尺寸、页数；基于颜色提取方法，对印刷图片进行颜色提取，从而获得印刷图片对应的颜色种类；根据印刷图片所有像素点数量和印刷图片中文字的像素点数量，获得印刷图片对应的图文比例；由尺寸、页数、颜色种类和图文比例，获得图像信息。
在本实施例中，通过尺寸、页数、颜色种类和图文比例这四个维度来构建印刷图片分类模型，有效提高印刷图片分类模型的识别精度。
在本实施例中，基于颜色提取方法，对印刷图片进行颜色提取，从而获得印刷图片对应的颜色种类，具体为：提取印刷图片中每个像素点RGB颜色分量；对每个像素点RGB颜色分量通过第一预设公式转化为HSV颜色空间分量，获得每个像素点的H分量、S分量和V分量的值；根据每个像素点的H分量、S分量和V分量的值，获得印刷图片对应的颜色种类。需说明的是，H分量表示色调；S分量表示为饱和度；V分量表示为亮度。
在本实施例中，第一预设公式，具体为：
其中，v＝max(R,G,B)，R,G,B∈{0,1,2,…,255}，H∈[0°,360°]，S∈[0,1]，V∈[0,1]。
在本实施例中，根据印刷图片所有像素点数量和印刷图片中文字的像素点数量，获得印刷图片对应的图文比例，具体为：基于Roberts算法，将印刷图片转化为灰度图像；对灰度图像进行二值化处理，获得边缘图像；将边缘图像膨胀处理，提取边缘图像的连通域的像素区域，从而获得文字的像素区域；提取文字的像素区域对应的像素点数量；根据文字对应的像素点数量和印刷图片的像素点数量，获得图文比例。
在本实施例中，基于Roberts算法，将印刷图片转化为灰度图像，具体为：根据下列公式，生成灰度图像；
其中(i,j)为原始图像中的像素点，I(i,j,R)、I(i,j,G)和I(i,j,B)分别为像素点(i,j)的红绿蓝颜色分量，A1为像素点(i,j)与邻近的像素点(i+1,j+1)的彩色欧拉距离，A2为像素点(i,j+1)与邻近的像素点(i+1,j+1)的彩色欧拉距离，Ig(i,j)为生成的灰度图像在像素点(i,j)处的灰度值。
在本实施例中，对灰度图像进行二值化处理，获得边缘图像，具体为：根据预设的阈值区间对灰度图像中的像素点进行过滤之后，通过最大类间方差算法对灰度图像进行二值化得到边缘图像。
在本实施例中，预设的阈值区间为(Min+w1×Len,Max+w2×Len)，其中，Len＝Max-Min+1，Min为灰度图像中灰度值的最小值，Max为灰度图像中灰度值的最大值，Len为中间变量，w1和w2为权重系数，优选地，w1和w2均取值与0.1～0.4之间。
在本实施例中，根据上述阈值区间过滤掉灰度值过低或者灰度值过高的像素点，去除低灰度像素点和高灰度像素点的影响，从而使得获取到的文字的像素区域更加准确。
步骤102：将图像信息和图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型。
在其中一种优选实施例中，分类结果为海报图像、广告图册、名片图像或书籍图像。
在其中一种优选实施例中，机器学习模型是由CNN算法构建的。
步骤103：根据印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动分类结果对应印刷流程。
在本实施例中，预先获取海报图像的印刷模式、广告图册的印刷模式、名片图像的印刷模式、书籍图像的印刷模式，一旦识别出印刷图像的类型，立即调取该印刷图像类型对应的印刷模式，使得用户无需自行录入印刷模式，就能够快速启动该印刷图片对应的印刷模式，从而提高印刷效率。
由上可见，本发明实施例提供的印刷图片的分类方法，该方法先获取印刷图片的图像信息；其中，所述图像信息包括颜色种类、尺寸、图文比例、页数；将所述图像信息和所述图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型；根据所述印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动所述分类结果对应印刷流程。相比于现有技术采用人工方式进行印刷图片的分类，本发明技术方案不依赖人工分类，而是会自动获取印刷图片并根据训练得到的印刷图片的分类模型进行判断和返回输出结果，不仅使分类更加准确，还能够减少人工操作，进一步提高生产效率。
第二实施例：
请参见图2，是本发明提供的一种印刷图片的分类装置的第二实施例的结构示意图。该装置包括：数据获取模块201、模型训练模块202、分类模块203。
数据获取模块201，用于获取印刷图片的图像信息；其中，图像信息包括颜色种类、尺寸、图文比例、页数；
模型训练模块202，用于将图像信息和图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型；
分类模块203，用于根据印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动分类结果对应印刷流程。
本实施例更详细的工作原理和流程可以但不限于参见第一实施例的印刷图片的分类方法。
由上可见，本发明技术方案无需用户手动对印刷图片进行分类，而是会自动获取印刷图片并根据训练得到的印刷图片的分类模型进行判断和返回输出结果，不仅使分类更加准确，还能够减少人工操作，进一步提高生产效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种印刷图片的分类方法，其特征在于，包括：
获取印刷图片的尺寸、页数；
提取所述印刷图片中每个像素点RGB颜色分量；
对每个所述像素点RGB颜色分量通过第一预设公式转化为HSV颜色空间分量，获得每个像素点的H分量、S分量和V分量的值；
根据每个所述像素点的H分量、S分量和V分量的值，获得所述印刷图片对应的颜色种类；
根据所述印刷图片所有像素点数量和所述印刷图片中文字的像素点数量，获得所述印刷图片对应的图文比例；
由所述尺寸、所述页数、所述颜色种类和所述图文比例，获得图像信息；其中，所述图像信息包括颜色种类、尺寸、图文比例、页数；
获取海报图像的印刷模式、广告图册的印刷模式、名片图像的印刷模式和书籍图像的印刷模式；
将所述图像信息和所述图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型；
根据所述印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动所述分类结果对应印刷流程；其中，所述分类结果为海报图像、广告图册、名片图像或书籍图像。
2.如权利要求1所述的印刷图片的分类方法，其特征在于，所述第一预设公式，具体为：
公式一；
公式二；
公式三；
公式四；
其中，，/>，/>，/>，/>。
3.如权利要求1所述的印刷图片的分类方法，其特征在于，所述根据所述印刷图片所有像素点数量和所述印刷图片中文字的像素点数量，获得所述印刷图片对应的图文比例，具体为：
基于Roberts算法，将所述印刷图片转化为灰度图像；
对所述灰度图像进行二值化处理，获得边缘图像；
将所述边缘图像膨胀处理，提取所述边缘图像的连通域的像素区域，从而获得文字的像素区域；
提取所述文字的像素区域对应的像素点数量；
根据所述文字对应的像素点数量和所述印刷图片的像素点数量，获得图文比例。
4.如权利要求3所述的印刷图片的分类方法，其特征在于，所述对所述灰度图像进行二值化处理，获得边缘图像，具体为：
根据预设的阈值区间对所述灰度图像中的像素点进行过滤之后，通过最大类间方差算法对所述灰度图像进行二值化得到边缘图像。
5.如权利要求1所述的印刷图片的分类方法，其特征在于，所述机器学习模型是由CNN算法构建的。
6.一种印刷图片的分类装置，其特征在于，包括：
数据获取模块，用于获取印刷图片的尺寸、页数；
提取所述印刷图片中每个像素点RGB颜色分量；
对每个所述像素点RGB颜色分量通过第一预设公式转化为HSV颜色空间分量，获得每个像素点的H分量、S分量和V分量的值；
根据每个所述像素点的H分量、S分量和V分量的值，获得所述印刷图片对应的颜色种类；
根据所述印刷图片所有像素点数量和所述印刷图片中文字的像素点数量，获得所述印刷图片对应的图文比例；
由所述尺寸、所述页数、所述颜色种类和所述图文比例，获得图像信息；其中，所述图像信息包括颜色种类、尺寸、图文比例、页数；
模型训练模块，用于将所述图像信息和所述图像信息对应的分类结果作为训练集，输入至机器学习模型中，以构建训练好的印刷图片分类模型；
分类模块，用于根据所述印刷图片分类模型，对待印刷图片进行分类，获得分类结果，并启动所述分类结果对应印刷流程；其中，所述分类结果为海报图像、广告图册、名片图像或书籍图像。
CN201911389578.XA 2019-12-26 2019-12-26 一种印刷图片的分类方法及装置 Active CN111191716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911389578.XA CN111191716B (zh) 2019-12-26 2019-12-26 一种印刷图片的分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911389578.XA CN111191716B (zh) 2019-12-26 2019-12-26 一种印刷图片的分类方法及装置

Publications (2)

Publication Number Publication Date
CN111191716A CN111191716A (zh) 2020-05-22
CN111191716B true CN111191716B (zh) 2023-08-11

Family

ID=70707807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911389578.XA Active CN111191716B (zh) 2019-12-26 2019-12-26 一种印刷图片的分类方法及装置

Country Status (1)

Country Link
CN (1) CN111191716B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112630375B (zh) * 2020-07-31 2022-03-29 南通贝得彩色印刷有限公司 一种彩色印刷装置的环保检测方法和装置
WO2023111673A1 (en) * 2021-12-17 2023-06-22 Sensetime International Pte. Ltd. Method and apparatus for identifying game area type, electronic device and storage medium

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004361772A (ja) * 2003-06-06 2004-12-24 Toppan Printing Co Ltd 割付システム
CN108427666A (zh) * 2018-02-27 2018-08-21 广州多普网络科技有限公司 一种基于深度学习的印刷排版系统及其方法
CN109242042A (zh) * 2018-09-28 2019-01-18 百度在线网络技术（北京）有限公司 图片训练样本挖掘方法、装置、终端及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004361772A (ja) * 2003-06-06 2004-12-24 Toppan Printing Co Ltd 割付システム
CN108427666A (zh) * 2018-02-27 2018-08-21 广州多普网络科技有限公司 一种基于深度学习的印刷排版系统及其方法
CN109242042A (zh) * 2018-09-28 2019-01-18 百度在线网络技术（北京）有限公司 图片训练样本挖掘方法、装置、终端及计算机可读存储介质

Also Published As

Publication number Publication date
CN111191716A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
US9508001B2 (en) Note recognition and management using color classification
US8373905B2 (en) Semantic classification and enhancement processing of images for printing applications
Attivissimo et al. An automatic reader of identity documents
CN102956029B (zh) 图像处理装置以及图像处理方法
CN107292307B (zh) 一种倒置汉字验证码自动识别方法及系统
JP2007172132A (ja) レイアウト解析プログラム、レイアウト解析装置、レイアウト解析方法
CN107153838A (zh) 一种照片自动分级方法及装置
CN111191716B (zh) 一种印刷图片的分类方法及装置
CN104008401A (zh) 一种图像文字识别的方法及装置
CN114283156B (zh) 一种用于去除文档图像颜色及手写笔迹的方法及装置
CN104978565A (zh) 一种普适性的图像文字提取方法
EP1359537A3 (en) Preparation of print bitmap from colour and monochrome data
CN110554991A (zh) 一种文本图片的矫正与管理方法
RU2603495C1 (ru) Классификация изображений документов на основе параметров цветовых слоев
WO2021129289A1 (zh) 图像处理方法、装置、电子设备以及存储介质
US9870632B2 (en) Information processing apparatus and non-transitory computer readable medium
CN110298236A (zh) 一种基于深度学习的盲文图像自动识别方法和系统
Mai et al. A study about the reconstruction of remote, low resolution mobile captured text images for OCR
US20220309275A1 (en) Extraction of segmentation masks for documents within captured image
Oliveira et al. Generalizing tableau to any color of teaching boards
JP2002236921A (ja) 文書画像認識方法、文書画像認識装置及び記録媒体
KR102668050B1 (ko) 그림 이미지를 추출하는 방법, 장치 및 컴퓨터 프로그램
CN112991470B (zh) 一种复杂背景下的证件寸照背景颜色检查方法及其系统
TW503377B (en) Image processing method and system with multiple modes
CN105976333A (zh) 图片模糊的校正方法、装置及智能设备

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 515000 north suburb industrial zone (Erwei Industrial Zone), 4a2-2 area, 2m4 area, 13-02 area, block A-F, Jinyuan Industrial City, Chaoshan Road, Shantou City, Guangdong Province

Patentee after: Guangdong Dongfeng New Materials Group Co.,Ltd.

Address before: 515000 block A-F, 4a2-2, 2m4, 13-02, Jinyuan Industrial City, Chaoshan Road, Shantou City, Guangdong Province

Patentee before: SHANTOU DONGFENG PRINTING Co.,Ltd.

TR01 Transfer of patent right

Effective date of registration: 20240517

Address after: 230093 South of Xiangpu Road and East of Yueshan Road in Chang'an Industrial Cluster, Taohua Town, Feixi County, Hefei City, Anhui Province

Patentee after: HEFEI HUAGUAN PACKAGING SCIENCE & TECHNOLOGY CO.,LTD.

Country or region after: China

Address before: 515000 north suburb industrial zone (Erwei Industrial Zone), 4a2-2 area, 2m4 area, 13-02 area, block A-F, Jinyuan Industrial City, Chaoshan Road, Shantou City, Guangdong Province

Patentee before: Guangdong Dongfeng New Materials Group Co.,Ltd.

Country or region before: China