CN112069973A - 印章处理方法、装置、设备及存储介质 - Google Patents

印章处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112069973A
CN112069973A CN202010907094.6A CN202010907094A CN112069973A CN 112069973 A CN112069973 A CN 112069973A CN 202010907094 A CN202010907094 A CN 202010907094A CN 112069973 A CN112069973 A CN 112069973A
Authority
CN
China
Prior art keywords
image
seal
stamp
processed
extraction
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
Application number
CN202010907094.6A
Other languages
English (en)
Inventor
周祺平
江钰峰
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.)
Pfu Shanghai Computer Co ltd
PFU Ltd
Original Assignee
Pfu Shanghai Computer 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 Pfu Shanghai Computer Co ltd filed Critical Pfu Shanghai Computer Co ltd
Priority to CN202010907094.6A priority Critical patent/CN112069973A/zh
Publication of CN112069973A publication Critical patent/CN112069973A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06V10/20—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种印章处理方法，该方法将U‑net深层神经网络引入印章提取领域中，利用U‑net深度学习中的目标分割技术实现通用印章图像像素级的精细分割和提取，调用U‑net印章提取模型中的特征提取部分提取待处理图像中的特征表达，并调用通过跃层连接的下采样部分从特征表达中复原印章在待处理图像空间下的分割图像，即可实现印章的精准提取。本申请还提供了一种印章处理装置、设备及一种可读存储介质，具有上述有益效果。

Description

印章处理方法、装置、设备及存储介质
技术领域
本申请涉及电子技术领域，特别涉及一种印章处理方法、装置、设备及一种可读存储介质。
背景技术
印章是一种广泛适用的行使职权和身份凭证的工具，比如国家党政机关在发布公文上加盖印章以证明其权威性和有效性；企业、事业单位将印章作为其参与社会、经济活动时的有效凭证。
由于印章在经济活动中被广泛频繁地使用，通过计算机对印章自动鉴别真伪的需求日益增多。印章的提取作为自动鉴别中最重要的前置步骤，直接影响鉴别的准确率和可信度，具有广泛的应用前景和重要的现实意义。
目前印章提取的实现方式主要包括：基于色彩的提取方式、基于基本几何形状的提取方式、以及基于复杂图像特征的提取方式等，该些运用传统计算机图像处理的提取方式下对于图像预处理的要求较高，为了最大化印章提取和消除的效果，需要对原始图像进行滤波去噪、二值化、图像形态学的膨胀腐蚀等图像处理。每一步处理都涉及各自特有算法的选择和参数的调整，进而导致整体算法的复杂度较高；而且鲁棒性差，当待识别图像中存在和印章相似的色彩、形状的图形，或者背景纹理较为复杂的时候，很难较好地表达印章和非印章间的差异，从而导致准确性和完整性上的欠缺，难以满足用户需求。
因此，如何实现精准清晰的印章提取，同时保证处理算法的精简，是本领域技术任务急需解决的问题。
发明内容
本申请的目的是提供一种印章处理方法，该方法可以实现通用印章图像像素级的精细分割和提取；本申请的另一目的是提供一种印章处理装置、设备及一种可读存储介质。
为解决上述技术问题，本申请提供一种印章处理方法，该方法包括：
接收带有印章的待处理图像；
接收到印章提取指令后，将所述待处理图像输入至预训练的U-net印章提取模型中，调用特征提取部分提取所述待处理图像中的特征表达，并调用通过跃层连接的下采样部分从所述特征表达中复原印章在所述待处理图像空间下的分割图像，得到印章分割图像；所述U-net印章提取模型包括特征提取部分以及下采样部分；
输出所述印章分割图像。
可选地，在接收带有印章的待处理图像之后，还包括：
接收到印章消除指令后，将所述待处理图像输入至预训练的SRResNet印章消除模型中，得到去印章图像；
输出所述去印章图像。
可选地，在将所述待处理图像输入至预训练的SRResNet印章消除模型中之前，还包括：
将所述待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像；
则相应地，将所述待处理图像输入至预训练的SRResNet印章消除模型中，包括：
将所述目标区域图像输入至预训练的SRResNet印章消除模型中，得到目标去印章区域图像；
根据各所述目标区域图像在所述待处理图像中的位置信息对各所述目标去印章区域图像进行图像还原，将还原后的图像作为所述去印章图像。
可选地，将所述待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像，包括：
提取所述待处理图像中存在印章的区域，作为目标区域图像；
则相应地，根据各所述目标区域图像在所述待处理图像中的位置信息对各所述目标去印章区域图像进行图像还原，将还原后的图像作为所述去印章图像，包括：将所述目标去印章区域图像还原至所述待处理图像中，将还原后的图像作为所述去印章图像。
可选地，提取所述待处理图像中存在印章的区域，作为目标区域图像，包括：
对所述待处理图像进行二值化处理，将二值化处理后得到的图像作为印章分割图像；
计算所述印章分割图像中联通子区域，并将所述联通子区域的外接矩形对应的图像作为所述目标区域图像。
本申请还提供了一种印章处理装置，包括：
图像接收单元，用于接收带有印章的待处理图像；
印章提取单元，用于接收到印章提取指令后，将所述待处理图像输入至预训练的U-net印章提取模型中，调用特征提取部分提取所述待处理图像中的特征表达，并调用通过跃层连接的下采样部分从所述特征表达中复原印章在所述待处理图像空间下的分割图像，得到印章分割图像；所述U-net印章提取模型包括特征提取部分以及下采样部分；
提取输出单元，用于输出所述印章分割图像。
可选地，所述印章处理装置还包括：印章消除单元；所述印章消除单元连接于所述图像接收单元的输出端，包括：
消除处理子单元，用于接收到印章消除指令后，将所述待处理图像输入至预训练的SRResNet印章消除模型中，得到去印章图像；
消除输出子单元，用于输出所述去印章图像。
可选地，所述印章消除单元中还包括：图像分割子单元，用于在将所述待处理图像输入至预训练的SRResNet印章消除模型中之前，将所述待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像；
则相应地，所述消除处理子单元包括：
处理子单元，用于将所述目标区域图像输入至预训练的SRResNet印章消除模型中，得到目标去印章区域图像；
还原子单元，用于根据各所述目标区域图像在所述待处理图像中的位置信息对各所述目标去印章区域图像进行图像还原，将还原后的图像作为所述去印章图像。
本申请还提供了一种印章处理设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述的印章处理方法的步骤。
本申请还提供了一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述印章处理方法的步骤。
本申请所提供的印章处理方法，该方法将U-net深层神经网络引入印章提取领域中，利用U-net深度学习中的目标分割技术实现通用印章图像像素级的精细分割和提取，调用U-net印章提取模型中的特征提取部分提取待处理图像中的特征表达，并调用通过跃层连接的下采样部分从特征表达中复原印章在待处理图像空间下的分割图像，即可实现印章的精准提取。
本申请还提供了一种印章处理装置、设备及一种可读存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术任务来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种印章处理方法的流程图；
图2为本申请实施例提供的一种带有印章的图像示意图；
图3为本申请实施例提供的一种印章提取过程示意图；
图4为本申请实施例提供的一种基本U-net网络结构示意图；
图5为本申请实施例提供的一种传统方法和SRResNet印章消除模型的印章消除效果对比示意图；
图6为本申请实施例提供的一种印章处理装置的结构框图；
图7为本申请实施例提供的一种印章处理设备的结构示意图。
具体实施方式
本申请的核心是提供一种印章处理方法，该方法可以实现通用印章图像像素级的精细分割和提取；本申请的另一核心是提供一种印章处理装置、设备及一种可读存储介质。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术任务在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本实施例提供的印章处理方法的流程图，该方法主要包括：
步骤s110、接收带有印章的待处理图像；
待处理图像中带有印章，如图2所示为一种带有印章的图像，图像底部并列排布三个印章，可以将该图像作为待处理图像。需要说明的是，本实施例中对于待处理图像中的印章数量不做限定，可以为一个，也可以为多个。
另外，本实施例中对于待处理图像的格式不做限定，可以为PDF格式，也可以为其它常见图像格式，比如JPEG等。
步骤s120、接收到印章提取指令后，将待处理图像输入至预训练的U-net印章提取模型中，调用特征提取部分提取待处理图像中的特征表达，并调用通过跃层连接的下采样部分从特征表达中复原印章在待处理图像空间下的分割图像，得到印章分割图像；
接收到对于待处理图像的印章提取指令后，将待处理图像输入至预训练的U-net印章提取模型中，如图3所示为一种印章提取过程示意图，将图像输入至模型后，模型输出得到将印章与原图像分离开的只有印章的印章分割图像。
将待处理图像输入至预训练的U-net印章提取模型中后，U-net印章提取模型对该图像进行印章提取，具体地，本实施例中采用U-net深层神经网络模型来构建印章提取模型，利用U-net深度学习中的目标分割技术实现通用印章图像像素级的精细分割和提取。U-net深层神经网络模型常用于医学图像处理领域，本申请中首次将该模型引入印章提取的任务中，利用该模型较好的特征提取效果来实现精细的印章特征提取，达到了良好的印章提取效果。
本实施例中对于U-net印章提取模型的具体网络模型结构不做限定，可以根据实际使用的需要进行参数的调整以及架构的重新排布，本实施例中以图4所示的基本U-net网络结构为例进行模型特征提取的介绍，其它结构下的模型特征提取过程均可参照本实施例的介绍，在此不做限定。
U-net模型由上图中的左右两部分构成。左半部分用于从原始图像中提取印章图像的特征表达。右半部分为上采样部分，用于从特征表达复原印章在原始图片空间下的分割图像，同时上采样部分中的各层通过跃层连接实现各尺度的特征融合，由此实现图像的精细分割。本实施例中调用特征提取部分提取待处理图像中的特征表达，并调用通过跃层连接的下采样部分从特征表达中复原印章在待处理图像空间下的分割图像，即可得到印章提取后的印章分割图像。
在调用U-net印章提取模型前需要对其进行预训练，为了实现多样化待处理图像下的精准提取，在使用深度神经网络训练过程中可以采用大量多样背景下的各种颜色和形状的印章图像作为样本进行训练，从而实现通用印章图像像素级的精细分割和提取，本实施例中对于模型训练的具体实现步骤不做限定，可以参照相关技术中的U-net网络训练过程的介绍，在此不再赘述。
步骤s130、输出印章分割图像。
在模型输出得到印章分割图像后，将该图像输出，即可得到将印章与原图像分离开的只有印章的印章分割图像，后续即可对该印章进行进一步处理，比如可以实现金融领域的印章真伪鉴别、印章鉴定等，本实施例中对此不做限定。
基于上述介绍，本实施例提供的印章处理方法中将U-net深层神经网络引入印章提取领域中，利用U-net深度学习中的目标分割技术实现通用印章图像像素级的精细分割和提取，调用U-net印章提取模型中的特征提取部分提取待处理图像中的特征表达，并调用通过跃层连接的下采样部分从特征表达中复原印章在待处理图像空间下的分割图像，即可实现印章的精准提取。
基于上述实施例，除了印章提取外，印章消除作为文字OCR识别的预处理步骤之一，同样具有很强的实用性。为了增强印章处理的全面性，可以在印章提取外进一步引入印章消除功能，提升用户体验。
目前传统的印章消除技术利用印章检测技术获取印章区域的像素级分割模板，再基于获取的模板进行消除处理，主要包括：全局固定背景色填充以及基于图像修复等方法，现有方法基于图像的颜色、形状和纹理等手工图像特征，运用传统计算机图像处理的技术算法消除印章，尽管在特定使用场景下也能够达到较好的效果，但当印章加盖在文字等纹理复杂的图像上的时候，去除印章后的图像存在非常明显的人工痕迹，肉眼看上去非常不自然，这种不完全的印章消除对与后续消除后图像的识别率也会造成影响，尤其是对于银行财务报表的文字OCR识别这样的对于文字的识别率有着极高的要求的应用场景，难以满足用户需求。
为了提高有印章文档的文字OCR识别率，有效地提高印章区域的文字识别率，本实施例中提供一种印章消除方法。具体地，在接收带有印章的待处理图像之后，若接收到印章消除指令，可以将待处理图像输入至预训练的SRResNet印章消除模型中，得到去印章图像；输出去印章图像。
对于印章消除，本实施例中采用SRResNet的深层神经网络模型。SRResNet是一种为了解决图像超分辨率恢复所提出的网络，该网络通常将低分辨率图像和对应的高分辨率复原图作为一组输入网络进行训练，用于实现低分辨率图像复原为高分辨率图像。本实施例中首次提出将SRResNet网络引入印章消除中，将图像的有印章版本作为网络的输入，无印章版本作为网络的输出进行训练。通过这样的训练，网络可以自动地学习到有印章图像到无印章图像的变换方法，调用预训练的SRResNet印章消除模型后即可实现印章消除。
需要说明的是，本实施例中对于SRResNet印章消除模型的具体网络模型结构也不做限定，可以根据实际使用需要进行模型结构以及结构参数的设定。
如图5所示为一种传统方法和SRResNet印章消除模型的印章消除效果对比示意图，可以看出运用传统方法后依然留有部分印章的痕迹、去除的不够完整，并且对于非图像区域的画质还会造成一定的影响；而运用SRResNet印章消除模型进行印章消除处理后原图中的印章部分被彻底地消除，印章遮盖的文字区域完美保留，同时非印章图像的画质几乎没有肉眼可分的差异。
SRResNet网络可以接受任意尺寸的图像作为输入，但是当输入图像很大的时候会导致处理速度和内存占用量上升。为了解决此问题，可选地，在将待处理图像输入至预训练的SRResNet印章消除模型中之前，可以进一步执行：将待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像；
则相应地，将待处理图像输入至预训练的SRResNet印章消除模型中的过程具体可以包括以下步骤：
(1)将目标区域图像输入至预训练的SRResNet印章消除模型中，得到目标去印章区域图像；
(2)根据各目标区域图像在待处理图像中的位置信息对各目标去印章区域图像进行图像还原，将还原后的图像作为去印章图像。
该方法中将图像分为若干小块，每个小块的大小相对原图像都有很大程度的减少，因此相比直接输入完整图像进入模型，将切分后的小块输入至模型进行印章消除可以有效提升整体处理速度，减少资源占用。在对每个小块处理完成后，将各小块按照拆分规则进行图像还原，即可得到完成的去印章后的图像，实现速度得到有效提升。
而本实施例中对于上述步骤中将待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像的具体实现过程不做限定，可选地，一种实现方式如下：提取待处理图像中存在印章的区域，作为目标区域图像；则相应地，根据各目标区域图像在待处理图像中的位置信息对各目标去印章区域图像进行图像还原，将还原后的图像作为去印章图像的过程具体为：将目标去印章区域图像还原至待处理图像中，将还原后的图像作为去印章图像。
首先通过印章提取算法获取整幅图像中存在印章的若干区域。然后将每个区域的印章图像输入印章消除网络，获取对应的去印章图像。最后把这些图像分别还原到原始的完整图中。通过上述处理流程可以节省大量计算资源，同时还能避免对非印章区域进行消除所带来的预期不到的图像改变。
而其中，提取待处理图像中存在印章的区域的实现方式本实施例中不做限定，可以识别图像中的印章部分，也可以进行二值化处理确定各图像间的关联性。可选地，一种实现方式如下：
(1)对待处理图像进行二值化处理，将二值化处理后得到的图像作为印章分割图像；
(2)计算印章分割图像中联通子区域，并将联通子区域的外接矩形对应的图像作为目标区域图像。
获取整图所对应的二值化处理后的印章分割图像。然后通过图形学算法计算分割图像中的各个联通子区域，将每个联通子区域的外接矩形对应的图像作为印章消除的待处理子图像。该种处理方式下的实现难度低，可以降低整体实现成本。本实施例中仅以上述实现方式为例进行详细介绍，其它实现方式均可参照上述介绍，在此不再赘述。
基于上述方式分割图像后，进行图像还原的过程具体可以为：将每个结果子图像根据外接矩形的坐标位置恢复到原始的完整图像中，以获取最终的完整去印章图像。
需要说明的是，不管是上述实施例中调用的U-net印章提取模型，亦或本实施例中调用的SRResNet印章消除模型，当需要改进一些特殊条件下效果不佳的印章图像的识别效果时，只要将类似图像作为训练样本加入训练即可实现改进，识别算法和程序本身不需要做修改，实现方式简单，后续维护方便。
请参考图6，图6为本实施例提供的印章处理装置的结构框图；主要包括：图像接收单元110、印章提取单元120以及提取输出单元130。本实施例提供的印章处理装置可与上述印章处理方法相互对照。
其中，图像接收单元110主要用于接收带有印章的待处理图像；
印章提取单元120主要用于接收到印章提取指令后，将待处理图像输入至预训练的U-net印章提取模型中，调用特征提取部分提取待处理图像中的特征表达，并调用通过跃层连接的下采样部分从特征表达中复原印章在待处理图像空间下的分割图像，得到印章分割图像；U-net印章提取模型包括特征提取部分以及下采样部分；
提取输出单元130主要用于输出印章分割图像。
可选地，本实施例提供的印章处理装置中可以还包括：印章消除单元140；印章消除单元140连接于图像接收单元110的输出端，包括：
消除处理子单元，用于接收到印章消除指令后，将待处理图像输入至预训练的SRResNet印章消除模型中，得到去印章图像；
消除输出子单元，用于输出去印章图像。
可选地，印章消除单元140中可以还包括：图像分割子单元，用于在将待处理图像输入至预训练的SRResNet印章消除模型中之前，将待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像；
则相应地，消除处理子单元包括：
处理子单元，用于将目标区域图像输入至预训练的SRResNet印章消除模型中，得到目标去印章区域图像；
还原子单元，用于根据各目标区域图像在待处理图像中的位置信息对各目标去印章区域图像进行图像还原，将还原后的图像作为去印章图像。
本实施例提供一种印章处理设备，主要包括：存储器以及处理器。
其中，存储器用于存储程序；
处理器用于执行程序时实现如上述实施例介绍的印章处理方法的步骤，具体可参照上述印章处理方法的介绍。
请参考图7，为本实施例提供的印章处理设备的结构示意图，该印章处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在印章处理设备301上执行存储介质330中的一系列指令操作。
印章处理设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上面图1所描述的印章处理方法中的步骤可以由本实施例介绍的印章处理设备的结构实现。
本实施例公开一种可读存储介质，其上存储有程序，程序被处理器执行时实现如上述实施例介绍的印章处理方法的步骤，具体可参照上述实施例中对印章处理方法的介绍。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业任务还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术任务可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的印章处理方法、装置、设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术任务来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种印章处理方法，其特征在于，该方法包括：
接收带有印章的待处理图像；
接收到印章提取指令后，将所述待处理图像输入至预训练的U-net印章提取模型中，调用特征提取部分提取所述待处理图像中的特征表达，并调用通过跃层连接的下采样部分从所述特征表达中复原印章在所述待处理图像空间下的分割图像，得到印章分割图像；所述U-net印章提取模型包括特征提取部分以及下采样部分；
输出所述印章分割图像。
2.如权利要求1所述的印章处理方法，其特征在于，在接收带有印章的待处理图像之后，还包括：
接收到印章消除指令后，将所述待处理图像输入至预训练的SRResNet印章消除模型中，得到去印章图像；
输出所述去印章图像。
3.如权利要求2所述的印章处理方法，其特征在于，在将所述待处理图像输入至预训练的SRResNet印章消除模型中之前，还包括：
将所述待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像；
则相应地，将所述待处理图像输入至预训练的SRResNet印章消除模型中，包括：
将所述目标区域图像输入至预训练的SRResNet印章消除模型中，得到目标去印章区域图像；
根据各所述目标区域图像在所述待处理图像中的位置信息对各所述目标去印章区域图像进行图像还原，将还原后的图像作为所述去印章图像。
4.如权利要求3所述的印章处理方法，其特征在于，将所述待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像，包括：
提取所述待处理图像中存在印章的区域，作为目标区域图像；
则相应地，根据各所述目标区域图像在所述待处理图像中的位置信息对各所述目标去印章区域图像进行图像还原，将还原后的图像作为所述去印章图像，包括：将所述目标去印章区域图像还原至所述待处理图像中，将还原后的图像作为所述去印章图像。
5.如权利要求4所述的印章处理方法，其特征在于，提取所述待处理图像中存在印章的区域，作为目标区域图像，包括：
对所述待处理图像进行二值化处理，将二值化处理后得到的图像作为印章分割图像；
计算所述印章分割图像中联通子区域，并将所述联通子区域的外接矩形对应的图像作为所述目标区域图像。
6.一种印章处理装置，其特征在于，包括：
图像接收单元，用于接收带有印章的待处理图像；
印章提取单元，用于接收到印章提取指令后，将所述待处理图像输入至预训练的U-net印章提取模型中，调用特征提取部分提取所述待处理图像中的特征表达，并调用通过跃层连接的下采样部分从所述特征表达中复原印章在所述待处理图像空间下的分割图像，得到印章分割图像；所述U-net印章提取模型包括特征提取部分以及下采样部分；
提取输出单元，用于输出所述印章分割图像。
7.如权利要求6所述的印章处理装置，其特征在于，还包括：印章消除单元；所述印章消除单元连接于所述图像接收单元的输出端，包括：
消除处理子单元，用于接收到印章消除指令后，将所述待处理图像输入至预训练的SRResNet印章消除模型中，得到去印章图像；
消除输出子单元，用于输出所述去印章图像。
8.如权利要求7所述的印章处理装置，其特征在于，所述印章消除单元中还包括：图像分割子单元，用于在将所述待处理图像输入至预训练的SRResNet印章消除模型中之前，将所述待处理图像进行图像分割，将分割后得到的若干小图像作为目标区域图像；
则相应地，所述消除处理子单元包括：
处理子单元，用于将所述目标区域图像输入至预训练的SRResNet印章消除模型中，得到目标去印章区域图像；
还原子单元，用于根据各所述目标区域图像在所述待处理图像中的位置信息对各所述目标去印章区域图像进行图像还原，将还原后的图像作为所述去印章图像。
9.一种印章处理设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的印章处理方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至5任一项所述印章处理方法的步骤。
CN202010907094.6A 2020-09-01 2020-09-01 印章处理方法、装置、设备及存储介质 Pending CN112069973A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010907094.6A CN112069973A (zh) 2020-09-01 2020-09-01 印章处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010907094.6A CN112069973A (zh) 2020-09-01 2020-09-01 印章处理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112069973A true CN112069973A (zh) 2020-12-11

Family

ID=73665245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010907094.6A Pending CN112069973A (zh) 2020-09-01 2020-09-01 印章处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112069973A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950458A (zh) * 2021-03-19 2021-06-11 润联软件系统(深圳)有限公司 基于对抗生成网络的图像印章去除方法、装置及相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284758A (zh) * 2018-09-29 2019-01-29 武汉工程大学 一种发票印章消除方法、装置和计算机存储介质
CN109886974A (zh) * 2019-01-28 2019-06-14 北京易道博识科技有限公司 一种印章去除方法
CN110399851A (zh) * 2019-07-30 2019-11-01 广东工业大学 一种图像处理装置、方法、设备及可读存储介质
CN110533748A (zh) * 2019-08-28 2019-12-03 上海眼控科技股份有限公司 印章去除方法及设备
CN111275721A (zh) * 2020-02-14 2020-06-12 北京推想科技有限公司 一种图像分割方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284758A (zh) * 2018-09-29 2019-01-29 武汉工程大学 一种发票印章消除方法、装置和计算机存储介质
CN109886974A (zh) * 2019-01-28 2019-06-14 北京易道博识科技有限公司 一种印章去除方法
CN110399851A (zh) * 2019-07-30 2019-11-01 广东工业大学 一种图像处理装置、方法、设备及可读存储介质
CN110533748A (zh) * 2019-08-28 2019-12-03 上海眼控科技股份有限公司 印章去除方法及设备
CN111275721A (zh) * 2020-02-14 2020-06-12 北京推想科技有限公司 一种图像分割方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
AYYUCE KIZRAK: "图像分割中的深度学习：U-Net", AI研习社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950458A (zh) * 2021-03-19 2021-06-11 润联软件系统(深圳)有限公司 基于对抗生成网络的图像印章去除方法、装置及相关设备

Similar Documents

Publication Publication Date Title
EP3916627A1 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN109886974B (zh) 一种印章去除方法
EP2835762B1 (en) Face recognition method and device
WO2018223994A1 (zh) 中文打印字符图像合成方法及装置
CN111178211A (zh) 图像分割方法、装置、电子设备及可读存储介质
CN114913565A (zh) 人脸图像检测方法、模型训练方法、装置及存储介质
CN112733795B (zh) 人脸图像的视线矫正方法、装置、设备及存储介质
CN111680690B (zh) 一种文字识别方法及装置
CN110245621B (zh) 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN109871841B (zh) 图像处理方法、装置、终端及存储介质
CN108615058A (zh) 一种字符识别的方法、装置、设备及可读存储介质
CN112070649A (zh) 一种去除特定字符串水印的方法及系统
JP2022550195A (ja) テキスト認識方法、装置、機器、記憶媒体及びコンピュータプログラム
CN110619334A (zh) 基于深度学习的人像分割方法、架构及相关装置
CN112101386A (zh) 文本检测方法、装置、计算机设备和存储介质
CN115240203A (zh) 业务数据处理方法、装置、设备及存储介质
CN108877030B (zh) 图像处理方法、装置、终端和计算机可读存储介质
CN110889374A (zh) 印章图像处理方法、装置、计算机及存储介质
CN112069973A (zh) 印章处理方法、装置、设备及存储介质
US10657369B1 (en) Unsupervised removal of text from images using linear programming for optimal filter design
CN111597845A (zh) 一种二维码检测方法、装置、设备及可读存储介质
CN112749696A (zh) 一种文本检测方法及装置
CN111414889A (zh) 基于文字识别的财务报表识别方法及装置
CN113537230B (zh) 一种消息发布方式的有效性确定方法及装置、电子设备
CN115690934A (zh) 基于批量人脸识别的师生考勤打卡方法及装置

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