CN113191277A - 一种基于熵值校验的表格图像区域识别方法及系统 - Google Patents
一种基于熵值校验的表格图像区域识别方法及系统 Download PDFInfo
- Publication number
- CN113191277A CN113191277A CN202110490611.9A CN202110490611A CN113191277A CN 113191277 A CN113191277 A CN 113191277A CN 202110490611 A CN202110490611 A CN 202110490611A CN 113191277 A CN113191277 A CN 113191277A
- Authority
- CN
- China
- Prior art keywords
- image area
- identified
- entropy
- image
- region
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06V30/41—Analysis of document content
- G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于熵值校验的表格图像区域识别方法及系统,涉及图像识别领域。一种基于熵值校验的表格图像区域识别方法包括:根据HOG对多个表格图像区域和待识别图像区域进行特征提取,然后利用欧式距离计算待识别图像区域和多个表格图像区域的特征相似性度量;通过熵值计算公式求得待识别图像区域的熵值;根据第一预设条件判定待识别图像区域是否为表格图像区域;其能够通过特征相似性检验及熵值检验模型对表格图像区域识别有较强的针对性,可以显著地提升表格图像区域识别的精度。此外本发明还提出了一种基于熵值校验的表格图像区域识别系统,包括:特征相似度模块、区域熵模块及结果模块。
Description
技术领域
本发明涉及图像识别领域,具体而言,涉及一种基于熵值校验的表格图像区域识别方法及系统。
背景技术
随着科技的进步,很多论文、报告书、合同等文件经常出现在我们的生活中,它们也经常以图片的形式在网络中传输、共享或者展示。在论文、报告书、合同中,表格往往是其中非常重要的部分。如果想要对图像中的表格及相关内容进行识别、编辑,能够精准地判别出表格图像区域是非常重要的一个环节。
针对上述问题,很多专家和学者进行了较为深入的研究。但传统的表格图像区域识别方法往往没有针对性,没有充分考虑表格图像区域的特异性,导致了表格图像区域的识别精度不高。同时,多数传统方法往往利用了较为复杂的模型或者利用了较多的训练样本,大大增加了计算资源的消耗。因此,如何设计一种针对性较强的简易表格图像区域识别方法,能够利用较低的资源消耗较高精度地识别出表格图像区域是一个非常有意义且亟待解决的问题。
发明内容
本发明的目的在于提供一种基于熵值校验的表格图像区域识别方法,其能够通过特征相似性检验及熵值检验模型对表格图像区域识别有较强的针对性,可以显著地提升表格图像区域识别的精度,整个模型中用的算法相对较为简易,相比于其它复杂方法或者基于大量训练样本的方法,可以有效地减少计算资源的消耗。
本发明的另一目的在于提供一种基于熵值校验的表格图像区域识别系统,其能够运行一种基于熵值校验的表格图像区域识别方法。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种基于熵值校验的表格图像区域识别方法,其包括根据HOG对多个表格图像区域和待识别图像区域进行特征提取,然后利用欧式距离计算待识别图像区域和多个表格图像区域的特征相似性度量;通过熵值计算公式求得待识别图像区域的熵值;根据特征相似性度量及待识别图像区域的熵值的第一预设条件判定待识别图像区域是否为表格图像区域。
在本发明的一些实施例中,还包括:计算多个表格图像区域和待识别图像区域的长宽比,并利用绝对差值计算待识别图像区域和表格图像区域的长宽比相似性。
在本发明的一些实施例中,还包括:判断相似性待识别图像区域和多个表格图像区域中任意一个表格图像区域的长宽比相似性是否满足第二预设条件,若满足,则判定待识别图像区域为准表格图像区域继续下一步判定,若不满足,则判定待识别图像区域为非表格图像区域。
在本发明的一些实施例中,上述第二预设条件包括:判断待识别图像区域和任意一个表格图像区域的长宽比相似性度量满足第一预设值。
在本发明的一些实施例中,上述通过熵值计算公式求得待识别图像区域的熵值包括:计算待识别图像区域中每个像素点的灰度值,并计算任意一个灰度值在该图像中出现的概率,通过预设公式对区域熵进行计算。
在本发明的一些实施例中,上述根据第一预设条件判定待识别图像区域是否为表格图像区域包括:判断待识别图像区域和任意一个表格图像区域的特征相似性度量是否满足第二预设值,及待识别图像区域熵值是否满足第三预设值,若同时满足,则判定待识别图像区域为表格图像区域。
在本发明的一些实施例中,还包括:判断待识别图像区域和任意一个表格图像区域的特征相似性度量是否满足第二预设值,及待识别图像区域熵值是否满足第三预设值,若不同时满足,则判定待识别图像区域为非表格图像区域。
第二方面,本申请实施例提供一种基于熵值校验的表格图像区域识别系统,其包括特征相似度模块,用于根据HOG对多个表格图像区域和待识别图像区域进行特征提取,然后利用欧式距离计算待识别图像区域和多个表格图像区域的特征相似性度量;
区域熵模块,用于通过熵值计算公式求得待识别图像区域的熵值;
结果模块,用于根据第一预设条件判定待识别图像区域是否为表格图像区域。
在本发明的一些实施例中,上述包括:用于存储计算机指令的至少一个存储器;与上述存储器通讯的至少一个处理器,其中当上述至少一个处理器执行上述计算机指令时,上述至少一个处理器使上述系统执行:特征相似度模块、区域熵模块及结果模块。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
通过长宽比相似性检验、特征相似性检验及熵值检验模型对表格图像区域识别有较强的针对性,可以显著地提升表格图像区域识别的精度;整个模型中用的熵值计算公式求得待识别图像区域的熵值较为简易,相比于其它复杂方法或者基于大量训练样本的方法,可以有效地减少计算资源的消耗。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种基于熵值校验的表格图像区域识别方法步骤示意图;
图2为本发明实施例提供的一种基于熵值校验的表格图像区域识别方法详细步骤示意图;
图3为本发明实施例提供的一种基于熵值校验的表格图像区域识别系统模块示意图。
图标:10-特征相似度模块;20-区域熵模块;30-结果模块。
具体实施方式
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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1为本发明实施例提供的一种基于熵值校验的表格图像区域识别方法步骤示意图,其如下所示:
步骤S100,根据HOG对多个表格图像区域和待识别图像区域进行特征提取,然后利用欧式距离计算待识别图像区域和多个表格图像区域的特征相似性度量;
具体的,表格图像区域为表格内为公式的区域图像,待识别图像区域可以是表格图像区域。
在一些实施方式中,根据伽马校正减少光度对实验的影响,灰度化将彩色图片变成灰度图。分别对三通道的颜色值进行梯度计算,最后选择梯度最大的那个,假设输入为灰度图,同时大小是64*128,梯度方向将会取绝对值,因此梯度方向的范围是0-180度。每一个像素点都会有两个值:梯度强度/梯度方向。计算梯度直方图,使得HOG能够工作。每一个16*16大小的block将会得到36大小的vector。那么对于一个64*128大小的图像,按照上图的方式提取block,将会有7个水平位置和15个竖直位可以取得,所以一共有7*15=105个block,所以我们整合所有block的vector,形成一个大的一维vector的大小将会是36*105=3780,得到HOG特征向量,用来可视化和分类。
步骤S110,通过熵值计算公式求得待识别图像区域的熵值;
步骤S120,根据特征相似性度量及待识别图像区域的熵值的第一预设条件判定待识别图像区域是否为表格图像区域。
在一些实施方式中,如果待识别图像区域和任意一个表格图像区域的特征相似性较高和待识别图像区域熵值较低同时存在,则判定待识别图像区域为表格图像区域。否则,判定待识别图像区域为非表格图像区域。
实施例2
请参阅图2,图2为本发明实施例提供的一种基于熵值校验的表格图像区域识别方法详细步骤示意图,其如下所示:
步骤S200,计算多个表格图像区域和待识别图像区域的长宽比,并利用绝对差值计算待识别图像区域和表格图像区域的长宽比相似性。
在一些实施方式中,表格图像区域的长宽可以是10*20、20*30、30*40等,待识别图像区域的长宽可以是15*20、25*30、35*40等;计算出多个表格图像区域和待识别图像区域的长宽比,根据绝对差值计算待识别图像区域和表格图像区域的长宽比相似性,比如,比值越小,则相似度越高,比如越大相似度越小。
步骤S210,判断相似性待识别图像区域和多个表格图像区域中任意一个表格图像区域的长宽比相似性是否满足第二预设条件,若满足,则判定待识别图像区域为准表格图像区域继续下一步判定,若不满足,则判定待识别图像区域为非表格图像区域。
在一些实施方式中,第二预设条件为判定待识别图像区域和任意一个表格图像区域的长宽比相似性高低;若相似性较低,我们直接将其判定为非表格图像区域,较低可以是低于0.6、0.7、0.8。若相似性高于预设值,我们直接将其判定为非表格图像区域。
步骤S220,判断待识别图像区域和任意一个表格图像区域的长宽比相似性度量满足第一预设值。
在一些实施方式中,第一预设值可以是0.6、0.7、0.8,判断待识别图像区域和任意一个表格图像区域的长宽比相似性度量高于第一预设值。
步骤S230,计算待识别图像区域中每个像素点的灰度值,并计算任意一个灰度值在该图像中出现的概率,通过预设公式对区域熵进行计算。
在一些实施方式中,灰度值即将白色与黑色之间按明暗程度分为若干个等级,称为灰度级,灰度值表示了明暗的程度,数值范围一般[0,255],灰度值越高越亮。像素即组成一幅图像的基本单元,可用数字表示,称为像素值。但在不同的颜色空间模型下表示的方式不同,如rgb表示时像素值可表示为[128,128,128],若是rgba四通道时可表示为[128,128,128,0.6],当图像为只有单通道的黑白图像时,像素值可由一个数字表示,此时这个数字等于灰度值。
在一些实施方式中,利用公式 对区域熵进行计算,其中,H为区域熵,P为灰度概率,i为灰度值,pi为第i个灰度出现的概率。
步骤S250,判断待识别图像区域和任意一个表格图像区域的特征相似性度量是否满足第二预设值,及待识别图像区域熵值是否满足第三预设值,若同时满足,则进入S260,若不同时满足,则进入S270。
步骤S260,判定待识别图像区域为表格图像区域;
步骤S270,判定待识别图像区域为非表格图像区域。
实施例3
请参阅图3,图3为本发明实施例提供的一种基于熵值校验的表格图像区域识别系统模块示意图,其如下所示:
特征相似度模块10,用于根据HOG对多个表格图像区域和待识别图像区域进行特征提取,然后利用欧式距离计算待识别图像区域和多个表格图像区域的特征相似性度量;
区域熵模块20,用于通过熵值计算公式求得待识别图像区域的熵值;
结果模块30,用于根据第一预设条件判定待识别图像区域是否为表格图像区域。
还包括存储器、处理器和通信接口,该存储器、处理器和通信接口相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器可用于存储软件程序及模块,处理器通过执行存储在存储器内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口可用于与其他节点设备进行信令或数据的通信。
其中,存储器可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器可以是一种集成电路芯片,具有信号处理能力。该处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图3所示的结构仅为示意还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种基于熵值校验的表格图像区域识别方法及系统,通过长宽比相似性检验、特征相似性检验及熵值检验模型对表格图像区域识别有较强的针对性,可以显著地提升表格图像区域识别的精度;整个模型中用的熵值计算公式求得待识别图像区域的熵值较为简易,相比于其它复杂方法或者基于大量训练样本的方法,可以有效地减少计算资源的消耗。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于熵值校验的表格图像区域识别方法,其特征在于,包括:
根据HOG对多个表格图像区域和待识别图像区域进行特征提取,并利用欧式距离计算待识别图像区域和多个表格图像区域的特征相似性度量;
通过熵值计算公式求得待识别图像区域的熵值;
根据特征相似性度量及待识别图像区域的熵值的第一预设条件判定待识别图像区域是否为表格图像区域。
2.如权利要求1所述的一种基于熵值校验的表格图像区域识别方法,其特征在于,还包括:
计算多个表格图像区域和待识别图像区域的长宽比,并利用绝对差值计算待识别图像区域和表格图像区域的长宽比相似性。
3.如权利要求2所述的一种基于熵值校验的表格图像区域识别方法,其特征在于,还包括:
判断相似性待识别图像区域和多个表格图像区域中任意一个表格图像区域的长宽比相似性是否满足第二预设条件,若满足,则判定待识别图像区域为准表格图像区域继续下一步判定,若不满足,则判定待识别图像区域为非表格图像区域。
4.如权利要求3所述的一种基于熵值校验的表格图像区域识别方法,其特征在于,所述第二预设条件包括:
判断待识别图像区域和任意一个表格图像区域的长宽比相似性度量满足第一预设值。
5.如权利要求1所述的一种基于熵值校验的表格图像区域识别方法,其特征在于,所述通过熵值计算公式求得待识别图像区域的熵值包括:
计算待识别图像区域中每个像素点的灰度值,并计算任意一个灰度值在该图像中出现的概率,通过预设公式对区域熵进行计算。
6.如权利要求5所述的一种基于熵值校验的表格图像区域识别方法,其特征在于,所述通过预设公式对区域熵进行计算包括:
利用公式 对区域熵进行计算,其中,H为区域熵,P为灰度概率,i为灰度值。
7.如权利要求1所述的一种基于熵值校验的表格图像区域识别方法,其特征在于,所述根据第一预设条件判定待识别图像区域是否为表格图像区域包括:
判断待识别图像区域和任意一个表格图像区域的特征相似性度量是否满足第二预设值,及待识别图像区域熵值是否满足第三预设值,若同时满足,则判定待识别图像区域为表格图像区域。
8.如权利要求7所述的一种基于熵值校验的表格图像区域识别方法,其特征在于,还包括:
判断待识别图像区域和任意一个表格图像区域的特征相似性度量是否满足第二预设值,及待识别图像区域熵值是否满足第三预设值,若不同时满足,则判定待识别图像区域为非表格图像区域。
9.一种基于熵值校验的表格图像区域识别系统,其特征在于,包括:
特征相似度模块,用于根据HOG对多个表格图像区域和待识别图像区域进行特征提取,然后利用欧式距离计算待识别图像区域和多个表格图像区域的特征相似性度量;
区域熵模块,用于通过熵值计算公式求得待识别图像区域的熵值;
结果模块,用于根据第一预设条件判定待识别图像区域是否为表格图像区域。
10.如权利要求9所述的一种基于熵值校验的表格图像区域识别系统,其特征在于,包括:
用于存储计算机指令的至少一个存储器;
与所述存储器通讯的至少一个处理器,其中当所述至少一个处理器执行所述计算机指令时,所述至少一个处理器使所述系统执行:特征相似度模块、区域熵模块及结果模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110490611.9A CN113191277B (zh) | 2021-05-06 | 2021-05-06 | 一种基于熵值校验的表格图像区域识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110490611.9A CN113191277B (zh) | 2021-05-06 | 2021-05-06 | 一种基于熵值校验的表格图像区域识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191277A true CN113191277A (zh) | 2021-07-30 |
CN113191277B CN113191277B (zh) | 2023-12-19 |
Family
ID=76983738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110490611.9A Active CN113191277B (zh) | 2021-05-06 | 2021-05-06 | 一种基于熵值校验的表格图像区域识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191277B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569792A (zh) * | 2021-08-05 | 2021-10-29 | 北京惠朗时代科技有限公司 | 一种基于精准指纹识别的智能保险柜应用方法及装置 |
CN113705367A (zh) * | 2021-08-07 | 2021-11-26 | 北京惠朗时代科技有限公司 | 基于特征与长宽比检测的公式图像区域识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004916A (zh) * | 2010-11-15 | 2011-04-06 | 无锡中星微电子有限公司 | 图像特征提取系统及其方法 |
KR20160073172A (ko) * | 2014-12-16 | 2016-06-24 | 전남대학교산학협력단 | 퍼지 에너지 매트릭스에 기반하여 문서 구조를 분석하기 위한 방법, 장치 및 컴퓨터 프로그램 |
CN110363102A (zh) * | 2019-06-24 | 2019-10-22 | 北京融汇金信信息技术有限公司 | 一种pdf文件的对象识别处理方法及装置 |
CN111814722A (zh) * | 2020-07-20 | 2020-10-23 | 电子科技大学 | 一种图像中的表格识别方法、装置、电子设备及存储介质 |
CN111914921A (zh) * | 2020-07-24 | 2020-11-10 | 山东工商学院 | 一种基于多特征融合的相似性图像检索方法及系统 |
-
2021
- 2021-05-06 CN CN202110490611.9A patent/CN113191277B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102004916A (zh) * | 2010-11-15 | 2011-04-06 | 无锡中星微电子有限公司 | 图像特征提取系统及其方法 |
KR20160073172A (ko) * | 2014-12-16 | 2016-06-24 | 전남대학교산학협력단 | 퍼지 에너지 매트릭스에 기반하여 문서 구조를 분석하기 위한 방법, 장치 및 컴퓨터 프로그램 |
CN110363102A (zh) * | 2019-06-24 | 2019-10-22 | 北京融汇金信信息技术有限公司 | 一种pdf文件的对象识别处理方法及装置 |
CN111814722A (zh) * | 2020-07-20 | 2020-10-23 | 电子科技大学 | 一种图像中的表格识别方法、装置、电子设备及存储介质 |
CN111914921A (zh) * | 2020-07-24 | 2020-11-10 | 山东工商学院 | 一种基于多特征融合的相似性图像检索方法及系统 |
Non-Patent Citations (2)
Title |
---|
Y.FATAICHA ET AL: "Content analysis in document image: a scale space approach", 《2002 INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》, pages 335 - 338 * |
邓小宁 等: "基于HOG特征的财务报表图像识别", 《电子设计工程》, vol. 27, no. 10, pages 87 - 91 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569792A (zh) * | 2021-08-05 | 2021-10-29 | 北京惠朗时代科技有限公司 | 一种基于精准指纹识别的智能保险柜应用方法及装置 |
CN113569792B (zh) * | 2021-08-05 | 2023-12-01 | 北京惠朗时代科技有限公司 | 一种基于精准指纹识别的智能保险柜应用方法及装置 |
CN113705367A (zh) * | 2021-08-07 | 2021-11-26 | 北京惠朗时代科技有限公司 | 基于特征与长宽比检测的公式图像区域识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113191277B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886335B (zh) | 分类模型训练方法及装置 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN113191277B (zh) | 一种基于熵值校验的表格图像区域识别方法及系统 | |
KR950700662A (ko) | 영상 압축 방법 및 장치(method and apparatus for compression of images) | |
CN114241484B (zh) | 一种面向社交网络的图像大数据精准检索方法及系统 | |
CN110928992B (zh) | 文本搜索方法、装置、服务器及存储介质 | |
EP3511912A1 (en) | Currency classification device and currency classification method | |
CN112990318B (zh) | 持续学习方法、装置、终端及存储介质 | |
CN111061933A (zh) | 图片样本库构建方法、装置、可读存储介质及终端设备 | |
CN111612000B (zh) | 一种商品分类方法、装置、电子设备及存储介质 | |
CN110084232B (zh) | 车牌中汉字字符的识别方法、装置及终端设备 | |
Li et al. | EMDS-5: Environmental Microorganism image dataset Fifth Version for multiple image analysis tasks | |
CN114596441A (zh) | 一种面向网络直播社交大数据的海量图像去噪方法及系统 | |
CN115393617A (zh) | 一种基于多卷积核检验的模仿式商标快速检测方法及系统 | |
Liu et al. | Assignment problem in edge detection performance evaluation | |
CN115713630A (zh) | 基于人工智能的低质量盖章图像大数据识别方法及系统 | |
CN111966674B (zh) | 标注数据的合格性判断方法、装置和电子设备 | |
CN110633740B (zh) | 一种图像语义匹配方法、终端及计算机可读存储介质 | |
CN113435942A (zh) | 评估矿物价格的方法和计算机系统 | |
CN112966757A (zh) | 训练样本的扩展方法、装置、存储介质及设备 | |
CN112861874A (zh) | 一种基于多滤波器去噪结果的专家场去噪方法及系统 | |
CN107085849B (zh) | 一种图像二值化处理方法、装置、设备和存储介质 | |
CN114138214B (zh) | 一种自动生成打印文件的方法、装置和电子设备 | |
CN113902046B (zh) | 一种特效字体识别方法及装置 | |
CN115311477B (zh) | 一种基于超分辨率重建的模仿式商标精准检测方法及系统 |
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 |