CN112612914A - 一种基于深度学习的图片垃圾识别方法 - Google Patents

一种基于深度学习的图片垃圾识别方法 Download PDF

Info

Publication number
CN112612914A
CN112612914A CN202011587571.1A CN202011587571A CN112612914A CN 112612914 A CN112612914 A CN 112612914A CN 202011587571 A CN202011587571 A CN 202011587571A CN 112612914 A CN112612914 A CN 112612914A
Authority
CN
China
Prior art keywords
image
picture
pictures
junk
garbage
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
CN202011587571.1A
Other languages
English (en)
Inventor
徐风
于广建
于春峰
王金
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.)
Zhejiang Insle Environmental Engineering Co ltd
Original Assignee
Zhejiang Insle Environmental Engineering 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 Zhejiang Insle Environmental Engineering Co ltd filed Critical Zhejiang Insle Environmental Engineering Co ltd
Priority to CN202011587571.1A priority Critical patent/CN112612914A/zh
Publication of CN112612914A publication Critical patent/CN112612914A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • 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
    • 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
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Character Input (AREA)

Abstract

本发明公开了一种基于深度学习的图片垃圾识别方法，包括以下步骤；步骤一、图像预处理；步骤二、图像分割；步骤三、图像尺寸调整；步骤四、对图像通过紧缩重排，形成新的图像字符；步骤五、将图像字符带入BP网络中，开展网络训练工作，从而将样本中的待识别的特征向量提取出来，随后进行识别工作得到潜在垃圾图片；步骤六、进行第二次过滤实现精确分类；步骤七、进行第三次过滤对垃圾图片进一步分类。本发明利用SVM算法结合图像底层特征实现粗分类，利用最近邻分类算法实现垃圾邮件精确分类，提出将图像型垃圾图片做进一步分类，提取垃圾图片的文本区域信息，利用最近邻分类算法，把垃圾图像分为正常类和垃圾类，可以进一步细分过滤垃圾图片。

Description

一种基于深度学习的图片垃圾识别方法
技术领域
本发明涉及计算机图片处理技术领域，具体为一种基于深度学习的图片垃圾识别方法。
背景技术
21世纪，互联网不仅可以作为人与人之间的一种通讯方式，还成了资源传 输和共享手段，而手机作为终端处理器，不仅仅局限于通讯和发短信，人们还 可以利用手机更加快捷地获得所需要的信息，显然互联网对于人们的生活方式 起到了不少的促进作用，但互联网相比传统的媒体传播介质有所区别，互联网 显得更加难以管理。各种不良信息诸如垃圾图片等，也在互联网上肆意传输， 这给网络带来了很多不健康的信息，对网络使用者造成了伤害；
在电子邮件领域，垃圾邮件的花样不断翻新，需要反垃圾系统不断的更新技术来识别垃圾邮件，其中垃圾 图片的识别和过滤难度更大，图片垃圾或垃圾图片是指，在一张图片上含有被认为是垃圾信息的文字等， 例如卖发票、垃圾广告等信息，鉴于此，提出一种基于深度学习的图片垃圾识别方法。
发明内容
本发明的目的在于提供一种基于深度学习的图片垃圾识别方法，以解决上述背景技术中提出的问题。 为实现上述目的，本发明提供如下技术方案：一种基于深度学习的图片垃圾识别方法，包括以下步骤；
步骤一、图像预处理；
S1、利用微软图像函数库的dibapi.h及dibapi.cpp对图像数据进行读取；
S2、通过赋予图片像素点中的R、G、B各自一个加权系数，使各点分量的值相同，实现图片灰度化；
S3、对灰度图像进行二值化，根据自适应阈值法，将灰度图像的像素分化为黑或白两种颜色；
步骤二、图像分割；
S1、调整图像的整体倾斜度，按照由下至上的顺序，扫描图像，记录下第一个遇到的黑色的像素点；
S2、改变扫描的方向，按照由上而下，将第一个遇到的黑色像素点记录下来，这两个点之间的距离就是图 像大致的高度范围；
S3、进行图像分析，从左至右对图像进行扫描，发现第一个黑色像素点之后，将此点作为图像分割的起始 部位，接着进行扫描，无黑色像素点时停止完成分割；
步骤三、图像尺寸调整；
S1、对图像的归一化处理心扫描，之后对字符的尺寸进行调整，使其尺寸相同；
S2、对比系统要求高度与字符高度，将需变换的系数计算出来，依据此系数进行相应的高度变换，宽度也 按照此方法进行变化按照插值的方法，将新图像里的点映射到原图像中，完成尺寸统一；
步骤四、对图像通过紧缩重排，形成新的图像字符；
步骤五、将图像字符带入BP网络中，开展网络训练工作，从而将样本中的待识别的特征向量提取出来， 随后进行识别工作得到潜在垃圾图片；
步骤六、进行第二次过滤实现精确分类；
步骤七、进行第三次过滤对垃圾图片进一步分类。
优选的，步骤五中，训练过程为：将图片分为潜在垃圾图片和正常图片，并提取图片的梯度、颜色和LBP 特征作为SVM分类器的输入数据进行模型训练，并保存参数。
优选的，步骤五中，识别过程为：提取图片的梯度、颜色和LBP特征与保存的参数进行对比进行判断图片 并输出识别结果。
优选的，步骤六中，第二次过滤的步骤为：
S1、构建垃圾图片库；
S2、提取垃圾图片的SIFT特征，将得到的SIFT特征进行K均值聚类得到视觉词汇表；
S3、将步骤五中得到潜在垃圾图片与垃圾图片库中所有的图片进行相似性度量；
S4、通过实验的方法确定合适的阈值，小于设定的阈值判断为垃圾图片。
优选的，步骤七中，第三次过滤的步骤为：
S1、利用OCR软件提取第二次过滤得到的垃圾图片的文本信息；
S2、将所提取的文本信息与词库中的敏感词进行一一对比；
S3、将对比结果在词库中匹配最多的归属到相应的类别。
本发明提出的一种基于深度学习的图片垃圾识别方法，有益效果在于：本发明利用SVM算法结合图像底 层特征实现粗分类，利用最近邻分类算法实现垃圾邮件精确分类，提出将图像型垃圾图片做进一步分类， 提取垃圾图片的文本区域信息，利用最近邻分类算法，把垃圾图像分为正常类和垃圾类，可以进一步细分 过滤垃圾图片。
附图说明
图1为本发明步骤五中训练过程示意图；
图2为本发明步骤五中识别过程示意图
图3为本发明步骤六的示意图；
图4为本发明步骤七的示意图。
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。
请参阅图1-4，本发明提供一种技术方案：一种基于深度学习的图片垃圾识别方法，包括以下步骤；
步骤一、图像预处理；S1、利用微软图像函数库的dibapi.h及dibapi.cpp对图像数据进行读取；S2、通过 赋予图片像素点中的R、G、B各自一个加权系数，使各点分量的值相同，实现图片灰度化；S3、对灰度 图像进行二值化，根据自适应阈值法，将灰度图像的像素分化为黑或白两种颜色；
步骤二、图像分割；S1、调整图像的整体倾斜度，按照由下至上的顺序，扫描图像，记录下第一个遇到的 黑色的像素点；S2、改变扫描的方向，按照由上而下，将第一个遇到的黑色像素点记录下来，这两个点之 间的距离就是图像大致的高度范围；S3、进行图像分析，从左至右对图像进行扫描，发现第一个黑色像素 点之后，将此点作为图像分割的起始部位，接着进行扫描，无黑色像素点时停止完成分割；
步骤三、图像尺寸调整；S1、对图像的归一化处理心扫描，之后对字符的尺寸进行调整，使其尺寸相同； S2、对比系统要求高度与字符高度，将需变换的系数计算出来，依据此系数进行相应的高度变换，宽度也 按照此方法进行变化按照插值的方法，将新图像里的点映射到原图像中，完成尺寸统一；
步骤四、对图像通过紧缩重排，形成新的图像字符；
步骤五、将图像字符带入BP网络中，开展网络训练工作，从而将样本中的待识别的特征向量提取出来， 随后进行识别工作得到潜在垃圾图片；
训练过程为：将图片分为潜在垃圾图片和正常图片，并提取图片的梯度、颜色和LBP特征作为SVM分类 器的输入数据进行模型训练，并保存参数；
识别过程为：提取图片的梯度、颜色和LBP特征与保存的参数进行对比进行判断图片并输出识别结果；
步骤六、进行第二次过滤实现精确分类；S1、构建垃圾图片库；S2、提取垃圾图片的SIFT特征，将得到 的SIFT特征进行K均值聚类得到视觉词汇表；S3、将步骤五中得到潜在垃圾图片与垃圾图片库中所有的 图片进行相似性度量；S4、通过实验的方法确定合适的阈值，小于设定的阈值判断为垃圾图片；
步骤七、进行第三次过滤对垃圾图片进一步分类，S1、利用OCR软件提取第二次过滤得到的垃圾图片的 文本信息；S2、将所提取的文本信息与词库中的敏感词进行一一对比；S3、将对比结果在词库中匹配最多 的归属到相应的类别。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原 理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及 其等同物限定。

Claims (5)

1.一种基于深度学习的图片垃圾识别方法，其特征在于：包括以下步骤；
步骤一、图像预处理；
S1、利用微软图像函数库的dibapi.h及dibapi.cpp对图像数据进行读取；
S2、通过赋予图片像素点中的R、G、B各自一个加权系数，使各点分量的值相同，实现图片灰度化；
S3、对灰度图像进行二值化，根据自适应阈值法，将灰度图像的像素分化为黑或白两种颜色；
步骤二、图像分割；
S1、调整图像的整体倾斜度，按照由下至上的顺序，扫描图像，记录下第一个遇到的黑色的像素点；
S2、改变扫描的方向，按照由上而下，将第一个遇到的黑色像素点记录下来，这两个点之间的距离就是图像大致的高度范围；
S3、进行图像分析，从左至右对图像进行扫描，发现第一个黑色像素点之后，将此点作为图像分割的起始部位，接着进行扫描，无黑色像素点时停止完成分割；
步骤三、图像尺寸调整；
S1、对图像的归一化处理心扫描，之后对字符的尺寸进行调整，使其尺寸相同；
S2、对比系统要求高度与字符高度，将需变换的系数计算出来，依据此系数进行相应的高度变换，宽度也按照此方法进行变化按照插值的方法，将新图像里的点映射到原图像中，完成尺寸统一；
步骤四、对图像通过紧缩重排，形成新的图像字符；
步骤五、将图像字符带入BP网络中，开展网络训练工作，从而将样本中的待识别的特征向量提取出来，随后进行识别工作得到潜在垃圾图片；
步骤六、进行第二次过滤实现精确分类；
步骤七、进行第三次过滤对垃圾图片进一步分类。
2.根据权利要求1所述的一种基于深度学习的图片垃圾识别方法，其特征在于：步骤五中，训练过程为：将图片分为潜在垃圾图片和正常图片，并提取图片的梯度、颜色和LBP特征作为SVM分类器的输入数据进行模型训练，并保存参数。
3.根据权利要求1所述的一种基于深度学习的图片垃圾识别方法，其特征在于：步骤五中，识别过程为：提取图片的梯度、颜色和LBP特征与保存的参数进行对比进行判断图片并输出识别结果。
4.根据权利要求1所述的一种基于深度学习的图片垃圾识别方法，其特征在于：步骤六中，第二次过滤的步骤为：
S1、构建垃圾图片库；
S2、提取垃圾图片的SIFT特征，将得到的SIFT特征进行K均值聚类得到视觉词汇表；
S3、将步骤五中得到潜在垃圾图片与垃圾图片库中所有的图片进行相似性度量；
S4、通过实验的方法确定合适的阈值，小于设定的阈值判断为垃圾图片。
5.根据权利要求1所述的一种基于深度学习的图片垃圾识别方法，其特征在于：步骤七中，第三次过滤的步骤为：
S1、利用OCR软件提取第二次过滤得到的垃圾图片的文本信息；
S2、将所提取的文本信息与词库中的敏感词进行一一对比；
S3、将对比结果在词库中匹配最多的归属到相应的类别。
CN202011587571.1A 2020-12-29 2020-12-29 一种基于深度学习的图片垃圾识别方法 Pending CN112612914A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011587571.1A CN112612914A (zh) 2020-12-29 2020-12-29 一种基于深度学习的图片垃圾识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011587571.1A CN112612914A (zh) 2020-12-29 2020-12-29 一种基于深度学习的图片垃圾识别方法

Publications (1)

Publication Number Publication Date
CN112612914A true CN112612914A (zh) 2021-04-06

Family

ID=75249358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011587571.1A Pending CN112612914A (zh) 2020-12-29 2020-12-29 一种基于深度学习的图片垃圾识别方法

Country Status (1)

Country Link
CN (1) CN112612914A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113173354A (zh) * 2021-04-21 2021-07-27 安徽世绿环卫科技有限公司 一种智能垃圾分类站的语音提示系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5850474A (en) * 1996-07-26 1998-12-15 Xerox Corporation Apparatus and method for segmenting and classifying image data
CN104008095A (zh) * 2013-02-25 2014-08-27 武汉三际物联网络科技有限公司 一种基于语义特征提取与匹配的物体识别方法
CN110837768A (zh) * 2018-08-16 2020-02-25 武汉大学 一种面向珍稀动物保护的在线检测与识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5850474A (en) * 1996-07-26 1998-12-15 Xerox Corporation Apparatus and method for segmenting and classifying image data
CN104008095A (zh) * 2013-02-25 2014-08-27 武汉三际物联网络科技有限公司 一种基于语义特征提取与匹配的物体识别方法
CN110837768A (zh) * 2018-08-16 2020-02-25 武汉大学 一种面向珍稀动物保护的在线检测与识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113173354A (zh) * 2021-04-21 2021-07-27 安徽世绿环卫科技有限公司 一种智能垃圾分类站的语音提示系统

Similar Documents

Publication Publication Date Title
US8750619B2 (en) Character recognition
US7233697B2 (en) Character recognition device and a method therefor
Attivissimo et al. An automatic reader of identity documents
JP2008159056A (ja) 画像中に生じる特徴の生成モデルによる分類
CN109858570A (zh) 图像分类方法及系统、计算机设备及介质
CN115131590B (zh) 目标检测模型的训练方法、目标检测方法及相关设备
Anugrah et al. Latin letters recognition using optical character recognition to convert printed media into digital format
CN112612914A (zh) 一种基于深度学习的图片垃圾识别方法
CN114581928A (zh) 一种表格识别方法及系统
CN114444565A (zh) 一种图像篡改检测方法、终端设备及存储介质
CN113792659A (zh) 文档识别方法、装置及电子设备
CN112016592A (zh) 基于交叉领域类别感知的领域适应语义分割方法及装置
Abdullah et al. Novel Adaptive Binarization Method for Degraded Document Images.
CN112132750A (zh) 一种视频处理方法与装置
CN112070116A (zh) 一种基于支持向量机的艺术画作自动分类系统及方法
CN111767909A (zh) 一种字符识别方法、设备及计算机可读存储介质
Papamarkos A technique for fuzzy document binarization
Shirdhonkar et al. Discrimination between printed and handwritten text in documents
CN112084371B (zh) 一种电影多标签分类方法、装置、电子设备以及存储介质
CN113158745A (zh) 一种基于多特征算子的乱码文档图片识别方法及系统
Subramani et al. A novel binarization method for degraded tamil palm leaf images
Hirata et al. Comics image processing: learning to segment text
CN112766082A (zh) 基于宏微观特征的中文文本笔迹鉴别方法、装置及存储介质
CN111062264A (zh) 一种基于双通路混合卷积网络的文档对象分类方法
CN111754459A (zh) 基于统计深度特征的染色伪造图像检测方法及电子装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210406