CN111783766B - 一种分步识别图像字符的方法、装置和电子设备 - Google Patents
一种分步识别图像字符的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111783766B CN111783766B CN202010660593.XA CN202010660593A CN111783766B CN 111783766 B CN111783766 B CN 111783766B CN 202010660593 A CN202010660593 A CN 202010660593A CN 111783766 B CN111783766 B CN 111783766B
- Authority
- CN
- China
- Prior art keywords
- image
- recognized
- characteristic
- feature
- similarity
- 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
Links
Images
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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Character Discrimination (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例提供一种分步识别图像字符的方法,利用多种特征矩阵提取待识别图像的多维特征值,根据所述多维特征值预识别所述待识别图像的字符类别,利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,确定相似度最高的参考字符为所述待识别图像中的字,通过先分类的方式,先利用待识别图像的多维特征值预识别其字符类别,再进行识别,只需要将待识别图像与该类别下的参考字符图像进行匹配并计算图像之间的相似度,不需要与所有的参考字符图像都进行相似度的计算,因而提高了字符识别效率。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种分步识别图像字符的方法、装置和电子设备。
背景技术
为了能够得到图像中的字符信息,业内产生了识别图像中的字符(比如字母、数字、文字等)的方法,目前较为常见的方法多是,将待识别图像和参考图像相匹配,参考图像可以看作字符字典,不同的参考图像中具有不同的字符,这样,匹配程度最高的参考图像中的字符,便是从待识别图像中识别出的字符。
对现有技术进行分析发现,这种方式需要将待识别图像与众多参考图像一一比对,计算相似程度,计算量较大,效率较低。有必要提出一种新的识别图像字符的方法,以提高字符的识别效率。
发明内容
本说明书实施例提供一种分步识别图像字符的方法、装置和电子设备,用以提高字符识别效率。
本说明书实施例提供一种分步识别图像字符的方法,包括:
利用多种特征矩阵提取待识别图像的多维特征值;
根据所述多维特征值预识别所述待识别图像的字符类别;
利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,确定相似度最高的参考字符为所述待识别图像中的字符。
可选地,所述根据所述多维特征值预识别所述待识别图像的字符类别,包括:
利用多种特征矩阵提取参考字符字典中各参考字符图像的多维特征值;
从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像。
可选地,所述从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像,包括:
将所述待识别图像各维度的特征值与参考字符图像各维度的特征值相减,确定特征值不同的维度个数为所述待识别图像的多维特征值与所述参考字符图像的多维特征值的偏差。
可选地,所述利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,包括:
按照图像各特征点的分布顺序,将所述待识别图像中每个特征点与所述待识别图像中的一个特征区域相对应,所述待识别图像中的每个特征区域至少具有一个特征点;
利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度。
可选地,利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度,包括:
计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,求和并进行归一化,得到所述待识别矩阵中特征点与其所对应的特征区域的相似度;
将待识别矩阵中各特征点与其所对应的特征区域的相似度求和得到所述待识别图像与所述参考字符图像的相似度。
可选地,所述计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,包括:
根据特征点的特征值是否相同确定特征点之间的相似度。
可选地,所述根据特征点的特征值是否相同确定特征点之间的相似度,包括:
若两特征点的特征值相同,则特征点之间的相似度为1,若两特征点的特征值不同,则特征点之间的相似度为0。
可选地,所述利用多种特征矩阵提取待识别图像的多维特征值,包括:
将待识别图像的图像数据转换成01矩阵;
利用多种特征矩阵对所述待识别图像的01矩阵进行处理,提取待识别图像的多维特征值。
本说明书实施例还提供一种分步识别图像字符的装置,包括:
特征提取模块,利用多种特征矩阵提取待识别图像的多维特征值;
预识别模块,根据所述多维特征值预识别所述待识别图像的字符类别;
图像匹配模块,利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,确定相似度最高的参考字符为所述待识别图像中的字符。
可选地,所述根据所述多维特征值预识别所述待识别图像的字符类别,包括:
利用多种特征矩阵提取参考字符字典中各参考字符图像的多维特征值;
从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像。
可选地,所述从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像,包括:
将所述待识别图像各维度的特征值与参考字符图像各维度的特征值相减,确定特征值不同的维度个数为所述待识别图像的多维特征值与所述参考字符图像的多维特征值的偏差。
可选地,所述利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,包括:
按照图像各特征点的分布顺序,将所述待识别图像中每个特征点与所述待识别图像中的一个特征区域相对应,所述待识别图像中的每个特征区域至少具有一个特征点;
利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度。
可选地,利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度,包括:
计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,求和并进行归一化,得到所述待识别矩阵中特征点与其所对应的特征区域的相似度;
将待识别矩阵中各特征点与其所对应的特征区域的相似度求和得到所述待识别图像与所述参考字符图像的相似度。
可选地,所述计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,包括:
根据特征点的特征值是否相同确定特征点之间的相似度。
可选地,所述根据特征点的特征值是否相同确定特征点之间的相似度,包括:
若两特征点的特征值相同,则特征点之间的相似度为1,若两特征点的特征值不同,则特征点之间的相似度为0。
可选地,所述利用多种特征矩阵提取待识别图像的多维特征值,包括:
将待识别图像的图像数据转换成01矩阵;
利用多种特征矩阵对所述待识别图像的01矩阵进行处理,提取待识别图像的多维特征值。
本说明书实施例还提供一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行上述任一项方法。
本说明书实施例还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现上述任一项方法。
本说明书实施例提供的各种技术方案通过先分类的方式,先利用待识别图像的多维特征值预识别其字符类别,再进行识别,只需要将待识别图像与该类别下的参考字符图像进行匹配并计算图像之间的相似度,不需要与所有的参考字符图像都进行相似度的计算,因而提高了字符识别效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种分步识别图像字符的方法的原理示意图;
图2为本说明书实施例提供的一种分步识别图像字符的装置的结构示意图;
图3为本说明书实施例提供的一种电子设备的结构示意图;
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种分步识别图像字符的方法的原理示意图,该方法可以包括:
S101:利用多种特征矩阵提取待识别图像的多维特征值。
在本说明书实施例中,待识别图像可以是浏览器通过脚本直接从展示的页面中获取的,比如对正在播放的视频进行截图等。
由于每种字符都有其独特的形状,形状可以看作灰度分布状况,由于不同字符之间在存在差异性的同时,也会存在共性,因而可以将具有共性的字符归为同一类,在识别待识别图像时,先确定其类别,再利用类字符的字符图像一一计算图像之间的相似度,以进行识别,便不需要遍历所有的参考字符图像进行图像之间的相似度的计算。
如果将每个字符的形状进行分解,以特征矩阵的形式来记录分解得到的灰度分布情况,那么,实际上,每个字符便都可以看作这些特征矩阵的组合,我们用特征值来描述图像是否具有某一特征矩阵所体现的灰度分布状况,为了能够使特征值能够体现图像中所有与字符的灰度分布状况相关的信息,便需要利用多种特征矩阵提取待识别图像的多维特征值。
其中,所述多种特征矩阵中,不同的特征矩阵可以提取不同的灰度分布特征,多种特征矩阵可以是不同大小的矩阵,比如2*2的矩阵,2*3的矩阵等。
其中,多维特征值中各特征值可以具有预设的顺序,从而分别与特征矩阵相对应,这样,多维特征值可以构成特征向量。
其中,所述利用多种特征矩阵提取待识别图像的多维特征值,可以包括:
将待识别图像的图像数据转换成01矩阵;
利用多种特征矩阵对所述待识别图像的01矩阵进行处理,提取待识别图像的多维特征值。
其中,利用多种特征矩阵对所述待识别图像的01矩阵进行处理,可以是进行卷积处理。
待识别图像中每个像素点都相当于一个特征点,01矩阵中的每个值都至少对应一个特征点。
S102:根据所述多维特征值预识别所述待识别图像的字符类别。
在本说明书实施例中,我们可以提供参考字符图像(可以理解成字典),将参考字符进行分类,每一类下参考字符的多维特征值相似。
这样,在提取出待识别图像的多维特征值后,便可以在预先判断该待识别图像大致属于哪一类参考字符。
因此,所述根据所述多维特征值预识别所述待识别图像的字符类别,可以包括:
利用多种特征矩阵提取参考字符字典中各参考字符图像的多维特征值;
从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像。
具体的,所述从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像,可以包括:
将所述待识别图像各维度的特征值与参考字符图像各维度的特征值相减,确定特征值不同的维度个数为所述待识别图像的多维特征值与所述参考字符图像的多维特征值的偏差。
比如,在利用100个特征矩阵的提取得到100维特征值时,将待识别图像的100维特征值与参考字符图像的100维特征值相减,只有4个特征值不同,则可以认为是同一类别。
其中,阈值也可以是差异的特征值与总特征值个数的比值(4比100)。
当然,计算多维特征值之间偏差的方式还可以是用向量的点积公式计算,在此不做具体阐述。
S103:利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,确定相似度最高的参考字符为所述待识别图像中的字符。
通过先分类的方式,先利用待识别图像的多维特征值预识别其字符类别,再进行识别,只需要将待识别图像与该类别下的参考字符图像进行匹配并计算图像之间的相似度,不需要与所有的参考字符图像都进行相似度的计算,因而提高了字符识别效率。
利用所述字符类别下的参考字符图像与所述待识别图像进行匹配,可以是将两幅图像的特征点相对应,或者直接将特征点对应的矩阵中的值相对应。
为了解决待识别图像与参考字符图像的长宽不一致的情况,在本说明书实施例中,所述利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,可以包括:
按照图像各特征点的分布顺序,将所述待识别图像中每个特征点与所述待识别图像中的一个特征区域相对应,所述待识别图像中的每个特征区域至少具有一个特征点;
利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度。
由于将所述待识别图像中每个特征点与所述待识别图像中的一个特征区域相对应,因此,不需要严格限制待识别图像中每个特征点与所述待识别图像中的一个特征点相对应,因而即便待识别图像与参考字符图像的长宽不一致,也可以计算图像之间的相似度。
具体的,利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度,包括:
计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,求和并进行归一化,得到所述待识别矩阵中特征点与其所对应的特征区域的相似度;
将待识别矩阵中各特征点与其所对应的特征区域的相似度求和得到所述待识别图像与所述参考字符图像的相似度。
其中,所述计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,可以包括:
根据特征点的特征值是否相同确定特征点之间的相似度。
特征点的特征值,是指像素点在01矩阵中对应的值,这个值是0或者1。
因此,所述根据特征点的特征值是否相同确定特征点之间的相似度,可以包括:
若两特征点的特征值相同,则特征点之间的相似度为1,若两特征点的特征值不同,则特征点之间的相似度为0。
在计算得到特征点之间的相似度之后,便可以进行求和,得到待识别图像与所述参考字符图像的相似度。
因此,所述利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度,还可以包括:
所述待识别矩阵中各特征点与其所对应的特征区域的相似度进行求和,得到所述待识别图像与所述参考字符图像的相似度。
这样,两特征点的特征值相同时相似度为1,因此,待识别图像与所述参考字符图像的相似度越大,相似度越高。
图2为本说明书实施例提供的一种分步识别图像字符的装置的结构示意图,该装置可以包括:
本说明书实施例还提供一种分步识别图像字符的装置,包括:
特征提取模块,利用多种特征矩阵提取待识别图像的多维特征值;
预识别模块,根据所述多维特征值预识别所述待识别图像的字符类别;
图像匹配模块,利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,确定相似度最高的参考字符为所述待识别图像中的字符。
在本说明书实施例中,待识别图像可以是浏览器通过脚本直接从展示的页面中获取的,比如对正在播放的视频进行截图等。
由于每种字符都有其独特的形状,形状可以看作灰度分布状况,由于不同字符之间在存在差异点的同时,也会存在共同点,如果将每个字符的形状进行分解,以特征矩阵的形式来记录分解得到的灰度分布情况,那么,实际上,每个字符便都可以看作这些特征矩阵的组合,我们用特征值来描述图像是否具有某一特征矩阵所体现的灰度分布状况,为了能够使特征值能够体现图像中所有与字符的灰度分布状况相关的信息,便需要利用多种特征矩阵提取待识别图像的多维特征值。
其中,所述多种特征矩阵中,不同的矩阵具有不同的灰度分布特征,多种特征矩阵可以是不同大小的矩阵,比如2*2的矩阵,2*3的矩阵等。
其中,多维特征值中各特征值具有预定的顺序,分别与特征矩阵相对应,多维特征值可以构成特征向量。
可选地,所述根据所述多维特征值预识别所述待识别图像的字符类别,包括:
利用多种特征矩阵提取参考字符字典中各参考字符图像的多维特征值;
从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像。
可选地,所述从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像,包括:
将所述待识别图像各维度的特征值与参考字符图像各维度的特征值相减,确定特征值不同的维度个数为所述待识别图像的多维特征值与所述参考字符图像的多维特征值的偏差。
可选地,所述利用所述字符类别下的参考字符图像与所述待识别图像进行匹配并计算图像之间的相似度,包括:
按照图像各特征点的分布顺序,将所述待识别图像中每个特征点与所述待识别图像中的一个特征区域相对应,所述待识别图像中的每个特征区域至少具有一个特征点;
利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度。
可选地,利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度,包括:
计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,求和并进行归一化,得到所述待识别矩阵中特征点与其所对应的特征区域的相似度;
将待识别矩阵中各特征点与其所对应的特征区域的相似度求和得到所述待识别图像与所述参考字符图像的相似度。
可选地,所述计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,包括:
根据特征点的特征值是否相同确定特征点之间的相似度。
可选地,所述根据特征点的特征值是否相同确定特征点之间的相似度,包括:
若两特征点的特征值相同,则特征点之间的相似度为1,若两特征点的特征值不同,则特征点之间的相似度为0。
可选地,所述利用多种特征矩阵提取待识别图像的多维特征值,包括:
将待识别图像的图像数据转换成01矩阵;
利用多种特征矩阵对所述待识别图像的01矩阵进行处理,提取待识别图像的多维特征值。
在本说明书实施例中,所述利用所述待识别图像与所述参考字符图像中相对应的特征点的值确定所述待识别图像与所述参考字符图像的相似度,还可以包括:
所述待识别矩阵中各特征点与其所对应的特征区域的相似度进行求和,得到所述待识别图像与所述参考字符图像的相似度。
该装置通过先分类的方式,先利用待识别图像的多维特征值预识别其字符类别,再进行识别,只需要将待识别图像与该类别下的参考字符图像进行匹配并计算图像之间的相似度,不需要与所有的参考字符图像都进行相似度的计算,因而提高了字符识别效率。
基于同一发明构思,本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于:至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图1所示的步骤。
所述存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备300交互的设备通信,和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且,电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白,尽管图3中未示出,可以结合电子设备300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:如图1所示的方法。
图4为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种分步识别图像字符的方法,其特征在于,包括:
利用多种特征矩阵提取待识别图像的多维特征值;
利用多种特征矩阵提取参考字符字典中各参考字符图像的多维特征值;从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像;
按照图像各特征点的分布顺序,将所述待识别图像中每个特征点与所述待识别图像中的一个特征区域相对应,所述待识别图像中的每个特征区域至少具有一个特征点;
计算待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,求和并进行归一化,得到所述待识别矩阵中特征点与其所对应的特征区域的相似度;将待识别矩阵中各特征点与其所对应的特征区域的相似度求和得到所述待识别图像与所述参考字符图像的相似度,确定相似度最高的参考字符为所述待识别图像中的字符。
2.根据权利要求1所述的方法,其特征在于,所述从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像,包括:
将所述待识别图像各维度的特征值与参考字符图像各维度的特征值相减,确定特征值不同的维度个数为所述待识别图像的多维特征值与所述参考字符图像的多维特征值的偏差。
3.根据权利要求1所述的方法,其特征在于,所述计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,包括:
根据特征点的特征值是否相同确定特征点之间的相似度。
4.根据权利要求3所述的方法,其特征在于,所述根据特征点的特征值是否相同确定特征点之间的相似度,包括:
若两特征点的特征值相同,则特征点之间的相似度为1,若两特征点的特征值不同,则特征点之间的相似度为0。
5.根据权利要求1所述的方法,其特征在于,所述利用多种特征矩阵提取待识别图像的多维特征值,包括:
将待识别图像的图像数据转换成01矩阵;
利用多种特征矩阵对所述待识别图像的01矩阵进行处理,提取待识别图像的多维特征值。
6.一种分步识别图像字符的装置,其特征在于,包括:
特征提取模块,利用多种特征矩阵提取待识别图像的多维特征值;
预识别模块,利用多种特征矩阵提取参考字符字典中各参考字符图像的多维特征值;从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像;
图像匹配模块,按照图像各特征点的分布顺序,将所述待识别图像中每个特征点与所述待识别图像中的一个特征区域相对应,所述待识别图像中的每个特征区域至少具有一个特征点;
计算待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,求和并进行归一化,得到所述待识别矩阵中特征点与其所对应的特征区域的相似度;将待识别矩阵中各特征点与其所对应的特征区域的相似度求和得到所述待识别图像与所述参考字符图像的相似度,确定相似度最高的参考字符为所述待识别图像中的字符。
7.根据权利要求6所述的装置,其特征在于,所述从参考字符图像的多维特征值中确定与所述待识别图像的多维特征值之间的偏差小于阈值的参考字符图像,包括:
将所述待识别图像各维度的特征值与参考字符图像各维度的特征值相减,确定特征值不同的维度个数为所述待识别图像的多维特征值与所述参考字符图像的多维特征值的偏差。
8.根据权利要求6所述的装置,其特征在于,所述计算所述待识别矩阵中特征点与其所对应的特征区域中各特征点的相似度,包括:
根据特征点的特征值是否相同确定特征点之间的相似度。
9.根据权利要求8所述的装置,其特征在于,所述根据特征点的特征值是否相同确定特征点之间的相似度,包括:
若两特征点的特征值相同,则特征点之间的相似度为1,若两特征点的特征值不同,则特征点之间的相似度为0。
10.根据权利要求6所述的装置,其特征在于,所述利用多种特征矩阵提取待识别图像的多维特征值,包括:
将待识别图像的图像数据转换成01矩阵;
利用多种特征矩阵对所述待识别图像的01矩阵进行处理,提取待识别图像的多维特征值。
11.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-5中任一项所述的方法。
12.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010660593.XA CN111783766B (zh) | 2020-07-10 | 2020-07-10 | 一种分步识别图像字符的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010660593.XA CN111783766B (zh) | 2020-07-10 | 2020-07-10 | 一种分步识别图像字符的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783766A CN111783766A (zh) | 2020-10-16 |
CN111783766B true CN111783766B (zh) | 2023-02-14 |
Family
ID=72767154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010660593.XA Active CN111783766B (zh) | 2020-07-10 | 2020-07-10 | 一种分步识别图像字符的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783766B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429649B (zh) * | 2022-04-07 | 2022-06-24 | 青岛美迪康数字工程有限公司 | 目标图像识别方法及装置 |
CN115578734B (zh) * | 2022-09-23 | 2023-06-13 | 神州数码系统集成服务有限公司 | 一种基于金字塔特征的单一字符图像匹配识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1388947A (zh) * | 2000-08-31 | 2003-01-01 | 惠普公司 | 字符识别系统 |
CN101477425A (zh) * | 2009-01-08 | 2009-07-08 | 广东国笔科技股份有限公司 | 一种识别手写字符输入的方法及系统 |
CN103186762A (zh) * | 2011-12-28 | 2013-07-03 | 天津市亚安科技股份有限公司 | 基于surf特征匹配算法的车牌字符识别方法 |
CN105261109A (zh) * | 2015-07-24 | 2016-01-20 | 广州广电运通金融电子股份有限公司 | 一种钞票冠字号识别方法 |
CN106570538A (zh) * | 2015-10-10 | 2017-04-19 | 北大方正集团有限公司 | 字符图片处理方法和装置 |
CN108615058A (zh) * | 2018-05-10 | 2018-10-02 | 苏州大学 | 一种字符识别的方法、装置、设备及可读存储介质 |
-
2020
- 2020-07-10 CN CN202010660593.XA patent/CN111783766B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1388947A (zh) * | 2000-08-31 | 2003-01-01 | 惠普公司 | 字符识别系统 |
CN101477425A (zh) * | 2009-01-08 | 2009-07-08 | 广东国笔科技股份有限公司 | 一种识别手写字符输入的方法及系统 |
CN103186762A (zh) * | 2011-12-28 | 2013-07-03 | 天津市亚安科技股份有限公司 | 基于surf特征匹配算法的车牌字符识别方法 |
CN105261109A (zh) * | 2015-07-24 | 2016-01-20 | 广州广电运通金融电子股份有限公司 | 一种钞票冠字号识别方法 |
CN106570538A (zh) * | 2015-10-10 | 2017-04-19 | 北大方正集团有限公司 | 字符图片处理方法和装置 |
CN108615058A (zh) * | 2018-05-10 | 2018-10-02 | 苏州大学 | 一种字符识别的方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111783766A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460250B (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN111783766B (zh) | 一种分步识别图像字符的方法、装置和电子设备 | |
CN109086834B (zh) | 字符识别方法、装置、电子设备及存储介质 | |
CN115063875B (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN111325156A (zh) | 人脸识别方法、装置、设备和存储介质 | |
CN111950279A (zh) | 实体关系的处理方法、装置、设备及计算机可读存储介质 | |
WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
CN114429566A (zh) | 一种图像语义理解方法、装置、设备及存储介质 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
CN113139816A (zh) | 信息处理方法、装置、电子设备和存储介质 | |
JP2022110132A (ja) | 陳列シーン認識方法、モデルトレーニング方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
CN115690443A (zh) | 特征提取模型训练方法、图像分类方法及相关装置 | |
CN112989050A (zh) | 一种表格分类方法、装置、设备及存储介质 | |
CN111783787B (zh) | 一种识别图像字符的方法、装置和电子设备 | |
CN111625619B (zh) | 查询省略方法、装置、计算机可读介质及电子设备 | |
CN110929499A (zh) | 文本相似度获取方法、装置、介质及电子设备 | |
CN113569929B (zh) | 基于小样本扩展的互联网服务提供方法、装置及电子设备 | |
CN114724144A (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN111783765B (zh) | 一种识别图像字符的方法、装置和电子设备 | |
CN110083807B (zh) | 合同的修改影响自动预测方法、装置、介质及电子设备 | |
CN113903071A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
CN113590852A (zh) | 多模态识别模型的训练方法、多模态识别方法及装置 | |
CN115147458B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN116502147A (zh) | 异常检测模型的训练方法及相关设备 |
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 |