CN115331209A - 一种青铜器铭文识别方法、装置、计算机设备及存储介质 - Google Patents
一种青铜器铭文识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115331209A CN115331209A CN202211007559.8A CN202211007559A CN115331209A CN 115331209 A CN115331209 A CN 115331209A CN 202211007559 A CN202211007559 A CN 202211007559A CN 115331209 A CN115331209 A CN 115331209A
- Authority
- CN
- China
- Prior art keywords
- inscription
- image
- target
- filtering
- feature
- 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
Links
- 229910000906 Bronze Inorganic materials 0.000 title claims abstract description 98
- 239000010974 bronze Substances 0.000 title claims abstract description 98
- KUNSUQLRTQLHQQ-UHFFFAOYSA-N copper tin Chemical compound [Cu].[Sn] KUNSUQLRTQLHQQ-UHFFFAOYSA-N 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001914 filtration Methods 0.000 claims abstract description 190
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 18
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 22
- 230000007797 corrosion Effects 0.000 claims description 21
- 238000005260 corrosion Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 238000000701 chemical imaging Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
- G06V30/16—Image preprocessing
- G06V30/164—Noise filtering
-
- 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
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/18086—Extraction of features or characteristics of the image by performing operations within image blocks or by using histograms
-
- 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
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/18124—Extraction of features or characteristics of the image related to illumination properties, e.g. according to a reflectance or lighting model
-
- 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
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种青铜器铭文识别方法、装置、计算机设备及存储介质，其中，该方法包括：获取多张待处理的初始铭文图像，并对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的特征提取后的铭文特征图像；基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像；基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像；对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
Description
技术领域
本公开涉及图像处理技术领域，具体而言，涉及一种青铜器铭文识别方法、装置、计算机设备及存储介质。
背景技术
考古学中的青铜器铭文具有重要的文化和学术价值。研究青铜器铭文的首要任务是对铭文进行识别。而埋藏千年的青铜器表面复杂的锈蚀层往往将铭文信息覆盖其下，有的甚至对铭文本体产生了严重的腐蚀。为了观察或还原铭文信息，往往需要对其上的锈蚀进行物理或化学的清除，但这可能会对青铜器造成损害，因此如何在不损害青铜器的前提下，准确的识别青铜器上的铭文成为了该领域内亟待解决的问题。
发明内容
本公开实施例至少提供一种青铜器铭文识别方法、装置、计算机设备及存储介质。
第一方面，本公开实施例提供了一种青铜器铭文识别方法，包括：
获取多张待处理的初始铭文图像，并对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的特征提取后的铭文特征图像；
基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像；
基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像；
对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
一种可能的实施方式中，所述获取多张待处理的初始铭文图像，包括：
基于红外图像采集装置对包含铭文的目标青铜器进行红外图像采集，得到连续采集的多张红外图像，并将所述多张红外图像作为待处理的初始铭文图像；其中，所述红外图像采集装置的图像采集参数与所述目标青铜器的表面锈蚀厚度和/或器壁厚度相关。
一种可能的实施方式中，所述方法还包括根据以下方法确定所述红外图像采集装置的图像采集参数：
将所述目标青铜器的表面锈蚀厚度和/或器壁厚度输入至预先训练好的目标神经网络中，得到所述目标神经网络输出的所述红外图像采集装置的图像采集参数。
一种可能的实施方式中，所述图像属性特征包括灰度；
所述基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像，包括：
基于各铭文特征图像中铭文区域对应的第一灰度均值、锈蚀区域对应的第二灰度均值以及各铭文特征图像对应的第三灰度均值，确定铭文特征图像。
一种可能的实施方式中，所述目标滤波参数包括用于进行图像滤波处理的滤波像素数目的滤波边界参数；
所述基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像，包括：
针对任一所述目标铭文图像，基于与该目标铭文图像的铭文特征匹配的多组滤波边界参数对该目标铭文图像进行图像滤波处理，得到与该目标铭文图像对应的多张待筛选滤波图像；
基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像。
一种可能的实施方式中，所述基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像，包括：
基于各待筛选滤波图像中像素点的灰度值，确定各待筛选滤波图像分别对应的灰度直方图；
将对应的灰度直方图满足预设要求的待筛选滤波图像作为所述目标滤波图像。
一种可能的实施方式中，所述对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果，包括：
将所述目标滤波图像中的文字与铭文数据库中存储的多个铭文进行匹配，并基于匹配结果确定所述铭文识别结果。
第二方面，本公开实施例还提供一种青铜器铭文识别装置，包括：
获取模块，用于获取多张待处理的初始铭文图像，并对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的特征提取后的铭文特征图像；
第一确定模块，用于基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像；
滤波模块，用于基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像；
第二确定模块，用于对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
一种可能的实施方式中，所述获取模块，在获取多张待处理的初始铭文图像时，用于：
基于红外图像采集装置对包含铭文的目标青铜器进行红外图像采集，得到连续采集的多张红外图像，并将所述多张红外图像作为待处理的初始铭文图像；其中，所述红外图像采集装置的图像采集参数与所述目标青铜器的表面锈蚀厚度和/或器壁厚度相关。
一种可能的实施方式中，所述获取模块还用于根据以下方法确定所述红外图像采集装置的图像采集参数：
将所述目标青铜器的表面锈蚀厚度和/或器壁厚度输入至预先训练好的目标神经网络中，得到所述目标神经网络输出的所述红外图像采集装置的图像采集参数。
一种可能的实施方式中，所述图像属性特征包括灰度；
所述第一确定模块，在基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像时，用于：
基于各铭文特征图像中铭文区域对应的第一灰度均值、锈蚀区域对应的第二灰度均值以及各铭文特征图像对应的第三灰度均值，确定铭文特征图像。
一种可能的实施方式中，所述目标滤波参数包括用于进行图像滤波处理的滤波像素数目的滤波边界参数；
所述滤波模块，在基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像时，用于：
针对任一所述目标铭文图像，基于与该目标铭文图像的铭文特征匹配的多组滤波边界参数对该目标铭文图像进行图像滤波处理，得到与该目标铭文图像对应的多张待筛选滤波图像；
基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像。
一种可能的实施方式中，所述滤波模块，在基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像时，用于：
基于各待筛选滤波图像中像素点的灰度值，确定各待筛选滤波图像分别对应的灰度直方图；
将对应的灰度直方图满足预设要求的待筛选滤波图像作为所述目标滤波图像。
一种可能的实施方式中，所述第二确定模块，在对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果时，用于：
将所述目标滤波图像中的文字与铭文数据库中存储的多个铭文进行匹配，并基于匹配结果确定所述铭文识别结果。
第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
本公开实施例提供的青铜器铭文识别方法、装置、计算机设备及存储介质，通过对获取的初始铭文图像进行特征提取，并基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像，从而实现了对于铭文图像的初步降噪和筛选，便于节约后续操作时的计算量；基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，并对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。这样，通过在初步降噪和筛选的基础上，通过使用与所述目标铭文图像匹配的目标滤波参数，对筛选得到的目标铭文图像进行进一步的图像滤波处理，从而使得得到的目标滤波图像中的噪声较少，便于后续对铭文进行识别，可以在不损害青铜器的前提下，准确的识别青铜器上的铭文。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，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示出了本公开实施例所提供的一种青铜器铭文识别方法的流程图；
图2示出了本公开实施例所提供的另一种青铜器铭文识别方法的流程图；
图3a示出了本公开实施例所提供的青铜器铭文识别方法中，初始铭文图像的示意图；
图3b示出了本公开实施例所提供的青铜器铭文识别方法中，铭文特征图像的示意图；
图3c示出了本公开实施例所提供的青铜器铭文识别方法中，目标滤波图像的示意图；
图3d示出了本公开实施例所提供的青铜器铭文识别方法中，铭文识别结果的示意图；
图4示出了本公开实施例所提供的一种青铜器铭文识别装置的架构示意图；
图5示出了本公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开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公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开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公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
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。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现，考古学中的青铜器铭文具有重要的文化和学术价值。研究青铜器铭文的首要任务是对铭文进行识别。而埋藏千年的青铜器表面复杂的锈蚀层往往将铭文信息覆盖其下，有的甚至对铭文本体产生了严重的腐蚀。为了观察或还原铭文信息，往往需要对其上的锈蚀进行物理或化学的清除，但这可能会对青铜器造成损害，因此如何在不损害青铜器的前提下，准确的识别青铜器上的铭文成为了该领域内亟待解决的问题。
相关技术中，常用的铭文成像检测方法包括多光谱成像(Multispectralimaging)、X射线成像(X-ray imaging)、侧光拍摄(raking light photography)等；其中，
多光谱成像的检测原理是利用被检测物质对于入射光反射系数的差异来对不同物质的空间分布进行区分。当应用于表面下物质检测时则要求表层物质对于该波段的有较高的透射系数。多光谱成像常用于陶器等文物表面书写铭文的检测，以及壁画油画等文物表面下颜料的物质检测和底稿线的提取，但较少应用于青铜器中；
在文物保护与研究工作中，X射线成像是最常用的无损检测方法之一。由于X射线的高穿透性，它可以获得直观的物体内部图像信息，因此常被用于青铜器的检测与研究工作中。但是X射线检测成本高、速度慢且射线对人体有害；
侧光拍摄是指将光源放置在被摄体的左侧或右侧，利用侧光在被摄体上形成明显的受光面，阴影面和投影来表现突出或凹陷于表面的纹饰特征或表现物体本身的质感。侧光拍摄常用于观察铜器和陶器上的铭刻及玉雕、骨雕及碑文等。但当要观察的结构埋藏于表面以下时，此方法则无法用来进行成像检测。
基于上述研究，本公开提供了一种青铜器铭文识别方法、装置、计算机设备及存储介质，通过对获取的初始铭文图像进行特征提取，并基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像，从而实现了对于铭文图像的初步降噪和筛选，便于节约后续操作时的计算量；基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，并对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。这样，通过在初步降噪和筛选的基础上，通过使用与所述目标铭文图像匹配的目标滤波参数，对筛选得到的目标铭文图像进行进一步的图像滤波处理，从而使得得到的目标滤波图像中的噪声较少，便于后续对铭文进行识别，可以在不损害青铜器的前提下，准确的识别青铜器上的铭文。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种青铜器铭文识别方法进行详细介绍，本公开实施例所提供的青铜器铭文识别方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该青铜器铭文识别方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示，为本公开实施例提供的青铜器铭文识别方法的流程图，所述方法包括S101～S104，其中：
S101：获取多张待处理的初始铭文图像，并对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的铭文特征图像。
S102：基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像。
S103：基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像。
S104：对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
以下是对上述步骤的详细介绍。
针对S101，所述初始铭文图像为包含铭文的图像，所述铭文表示青铜器、石碑等器物上记载的文字内容，所述初始铭文图像可以是在同一拍摄视角下，针对包含铭文的目标青铜器进行拍摄得到的；在对各初始铭文图像进行特征提取时，可以使用主成分分析法(Principal Component Analysis，PCA)、一阶温度信号重构法(Thermal SignalReconstruction，TSR)、二阶温度信号重构法(Thermal Signal Reconstruction，TSR)、脉冲相位法(Pulsed Phase Thermography，PPT)等图像特征提取方法对所述初始铭文图像进行图像特征提取，从而可以实现对初始铭文图像的初步降噪处理，本公开实施例对采用何种特征提取方法不做限定。
一种可能的实施方式中，在获取多张待处理的初始铭文图像时，可以基于红外图像采集装置对包含铭文的目标青铜器进行红外图像采集，得到连续采集的多张红外图像，并将所述多张红外图像作为待处理的初始铭文图像；其中，所述红外图像采集装置的图像采集参数与所述目标青铜器的表面锈蚀厚度和/或器壁厚度相关。
这里，所述红外图像采集装置的图像采集参数可以包括闪光灯功率、采集时长、采集频率等；所述表面锈蚀厚度和所述器壁厚度可以基于所述目标青铜器对应的目标三维模型进行确定；或者，所述表面锈蚀厚度和所述器壁厚度也可以是经过相关检测技术检测后得到的，本公开实施例对采用何种检测手段检测器壁厚度和表面锈蚀厚度不做限定。
具体的，在基于红外图像采集装置对包含铭文的目标青铜器进行红外图像采集时，可以采集到表征所述目标青铜器响应于外部施加的激励后表面温度场变化情况的多张红外图像(多张红外图像可以构成视频，各红外图像即为视频中的图像帧序列)，在采集到的多张红外图像中由于锈蚀区域和铭文区域的组成成分不同等原因，锈蚀区域和铭文区域分别对应的温度场变化情况是不同的，从而可以基于所述多张红外图像以及后续的处理步骤确定出铭文区域，从而可以实现青铜器中的铭文识别。
具体的，在检测所述目标器壁的器壁厚度和表面锈蚀厚度时，可以基于三维扫描仪等设备对所述目标青铜器进行三维重建，得到所述目标青铜器对应的三维模型，针对三维模型在所述红外图像采集装置拍摄视角下的目标器壁(例如可以是目标青铜器的6个表面中的1个表面对应的器壁)，检测所述目标器壁的器壁厚度和表面锈蚀厚度。
具体的，在确定所述红外图像采集装置的图像采集参数时，可以根据预设的图像采集参数与所述目标青铜器的表面锈蚀厚度和/或器壁厚度的映射关系，确定所述红外图像采集装置的图像采集范围。
一种可能的实施方式中，在确定所述红外图像采集装置的图像采集参数时，可以将所述目标青铜器的表面锈蚀厚度和/或器壁厚度输入至预先训练好的目标神经网络中，得到所述目标神经网络输出的所述红外图像采集装置的图像采集参数。
这里，所述目标神经网络可以是能够进行深度学习的神经网络，例如可以是卷积神经网络(Convolutional Neural Networks，CNN)等。
具体的，在训练所述目标神经网络时，可以将包含样本锈蚀厚度和样本器壁厚度的样本厚度信息输入至待训练的目标神经网络中，得到所述目标神经网络输出的样本图像采集参数，基于所述样本图像采集参数和所述样本厚度信息对应的标注采集参数，确定本次训练的目标损失值，并基于所述目标损失值进行网络参数调整。
S102：基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像。
这里，所述图像属性特征可以包括灰度、对比度、信噪比等。
一种可能的实施方式中，在基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像时，可以基于各铭文特征图像中铭文区域对应的第一灰度均值、锈蚀区域对应的第二灰度均值以及各铭文特征图像对应的第三灰度均值，确定铭文特征图像中的目标铭文图像。
这里，所述铭文特征图像中的铭文区域和锈蚀区域可以是用户划分的区域，可以获取针对铭文特征图像中铭文所在区域的区域划分操作，确定所述铭文特征图像中的铭文区域；以及，获取针对铭文特征图像中锈蚀所在区域的区域划分操作，确定所述铭文特征图像中的锈蚀区域。
具体的，在针对各铭文特征图像对应的第一灰度均值、第二灰度均值以及第三灰度均值，确定铭文特征图像中的目标铭文图像时，可以将对应的第一灰度均值、第二灰度均值以及第三灰度均值满足预设数值关系的铭文特征图像确定为所述目标铭文图像。
其中，所述预设数值关系可以是所述第一灰度均值和所述第二灰度均值中，存在一个大于所述第三灰度均值的参数，以及一个小于所述第三灰度均值的参数，表征通过图像灰度能够区分出铭文特征图像中的铭文区域和锈蚀区域；而若同时存在多个满足所述预设数值关系的铭文特征图像，则可以将其中对应的第一灰度均值和第二灰度均值之间差值最大的铭文特征图像作为所述目标铭文图像。
此外，还可以基于预设的图像筛选规则和各铭文特征图像对应的图像属性特征，确定所述目标铭文图像；其中，所述图像筛选规则可以是针对信噪比设置的筛选规则，比如筛选出对应的信噪比大于预设信噪比阈值的铭文特征图像；或者，所述图像筛选规则还可以是针对对比度设置的筛选规则，比如筛选出对应的对比度符合预设对比度要求的铭文特征图像；或者，所述图像筛选规则还可以是针对对比度和信噪比设置的筛选规则，比如筛选出对应的对比度符合预设对比度要求，且对应的信噪比大于预设信噪比阈值的铭文特征图像。
S103：基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像。
这里，所述目标铭文图像的铭文特征可以包括所述目标铭文图像中的铭文线条特征和铭文噪声特征，其中，所述铭文线条特征可以包括铭文线条粗度等，所述铭文噪声特征可以包括铭文锈蚀面积等；所述目标滤波参数可以是用于进行图像滤波处理的滤波像素数目的滤波边界参数，在对所述目标铭文图像进行图像滤波处理时，可以使用傅里叶带通滤波处理等图像滤波处理方式对所述目标铭文图像进行滤波处理。
示例性的，以所述图像滤波处理方式为傅里叶带通滤波处理为例，所述目标滤波参数中包含的滤波像素数目的滤波边界参数可以为滤波像素数目的上限和滤波像素数目的下限。
一种可能的实施方式中，在基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理时，可以采用下述步骤A1～A2：
A1：针对任一所述目标铭文图像，基于与该目标铭文图像的铭文特征匹配的多组滤波边界参数对该目标铭文图像进行图像滤波处理，得到与该目标铭文图像对应的多张待筛选滤波图像。
这里，所述目标铭文图像的铭文特征和所述滤波边界参数的映射关系可以是预先设置的，不同的铭文特征可以对应不同的滤波边界参数。
具体的，在确定与目标铭文图像的铭文特征匹配的多组滤波边界参数时，可以基于预设的铭文特征和滤波边界参数的映射关系进行确定。
A2：基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像。
一种可能的实施方式中，在基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像时，可以采用下述步骤A21～A22：
A21：基于各待筛选滤波图像中像素点的灰度值，确定各待筛选滤波图像分别对应的灰度直方图。
A22：将对应的灰度直方图满足预设要求的待筛选滤波图像作为所述目标滤波图像。
实际应用中，灰度直方图能够表征图像中的各像素点的灰度分布情况，为了能够从待筛选滤波图像中筛选出铭文内容与背景内容区分度较高的目标滤波图像，可以使用灰度直方图中两个统计频率极大值的横坐标之间的目标距离(也即两个对应有统计频率极大值的灰度值之差)进行确定，所述目标距离越大则表示灰度直方图对应的待筛选滤波图像中铭文内容与背景内容的区分度越高，所述预设条件可以是对应的目标距离大于预设距离。
示例性的，以待筛选滤波图像A对应的灰度直方图中，统计频率极大值对应的横坐标分别为20和160为例，则所述目标距离为140，大于预设距离100，则可以确定所述待筛选滤波图像A为目标滤波图像。
S104：对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
这里，为了进一步提高所述目标滤波图像的图像质量，以便于进行铭文识别，还可以基于预设的图像处理算法对所述目标滤波图像进行处理，以提高所述目标滤波图像的图像质量，并对处理后的目标滤波图像进行铭文识别，其中，所述预设的图像处理算法例如可以是区域生长算法等处理算法。
一种可能的实施方式中，在对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果时，可以将所述目标滤波图像中的文字与铭文数据库中存储的多个铭文进行匹配，并基于匹配结果确定所述铭文识别结果。
进一步的，为了提高匹配效率，在将所述目标滤波图像中的文字与铭文数据库中存储的多个铭文进行匹配之前，还可以对所述初始铭文图像对应的目标青铜器进行断代处理，确定所述目标青铜器对应的目标断代结果，并基于与所述目标断代结果匹配的目标铭文数据库对所述目标滤波图像中的文字进行匹配。
这里，在对所述目标青铜器进行断代处理时，可以将所述目标滤波图像输入至预先训练好的神经网络模型，得到所述神经网络模型输出的所述目标滤波图像对应的断代结果，所述神经网络模型的网络类型例如可以是CNN等。
具体的，在确定与目标断代结果匹配的铭文数据库时，可以基于预先设置的断代结果与铭文数据库的映射关系，确定与所述目标断代结果匹配的目标铭文数据库。
示例性的，通过预先训练好的神经网络模型对目标滤波图像A进行断代处理，确定所述目标滤波图像A对应的断代结果为商朝，则可以根据与商朝存在对应关系的铭文数据库1对所述目标滤波图像A中的文字内容进行匹配，以确定所述目标滤波图像A对应的铭文识别结果。
下面，将结合具体应用场景对本公开实施例提供的青铜器铭文识别方法进行介绍，如图2所示，本公开实施例提供的青铜器铭文识别方法可以包括以下步骤：
S201：基于红外图像采集装置对包含铭文的目标青铜器进行红外图像采集，得到多张待处理的初始铭文图像；其中，所述红外图像采集装置的图像采集参数与所述目标青铜器的表面锈蚀厚度和器壁厚度相关。
这里，由于青铜器中的锈蚀和青铜器主体结构的热属性不同，因此通过红外图像采集可以区分出与青铜器主体结构存在差异的锈蚀图像。
示例性的，所述初始铭文图像的示意图可以如图3a所示。
S202：对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的特征提取后的铭文特征图像。
这里，由于青铜器的铸造工艺，青铜器铭文与青铜器主体的物理结构往往是不同的，因此通过对初始铭文图像进行特征提取后，得到的铭文特征图像中青铜器的主体结构可以很容易的区分出来，从而能够将铭文图像和锈蚀图像从青铜器主题结构中区分出来。
示例性的，所述铭文特征图像的示意图可以如图3b所示。
S203：基于各铭文特征图像的对比度和/或信噪比，以及预先设置的图像筛选规则，确定铭文特征图像中的目标铭文图像。
S204：基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行傅里叶带通滤波处理，得到与所述目标铭文图像对应的目标滤波图像。
这样，通过对目标铭文图像进行傅里叶带通滤波处理，可以去除点状及片状锈蚀对铭文识别带来的影响，从而可以提高后续铭文识别的准确性。
示例性的，所述目标滤波图像的示意图可以如图3c所示。
S205：对所述目标滤波图像进行铭文识别，确定所述目标青铜器对应的铭文识别结果。
示例性的，所述铭文识别结果的示意图可以如图3d所示。
具体的，关于上述S201～S205的具体内容可以参照上文相关描述，在此不再展开说明。
本公开实施例提供的青铜器铭文识别方法，通过对获取的初始铭文图像进行特征提取，并基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像，从而实现了对于铭文图像的初步降噪和筛选，便于节约后续操作时的计算量；基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，并对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。这样，通过在初步降噪和筛选的基础上，通过使用与所述目标铭文图像匹配的目标滤波参数，对筛选得到的目标铭文图像进行进一步的图像滤波处理，从而使得得到的目标滤波图像中的噪声较少，便于后续对铭文进行识别，可以在不损害青铜器的前提下，准确的识别青铜器上的铭文。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与青铜器铭文识别方法对应的青铜器铭文识别装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述青铜器铭文识别方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图4所示，为本公开实施例提供的一种青铜器铭文识别装置的架构示意图，所述装置包括：获取模块401、第一确定模块402、滤波模块403、第二确定模块404；其中，
获取模块401，用于获取多张待处理的初始铭文图像，并对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的特征提取后的铭文特征图像；
第一确定模块402，用于基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像；
滤波模块403，用于基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像；
第二确定模块404，用于对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
一种可能的实施方式中，所述获取模块401，在获取多张待处理的初始铭文图像时，用于：
基于红外图像采集装置对包含铭文的目标青铜器进行红外图像采集，得到连续采集的多张红外图像，并将所述多张红外图像作为待处理的初始铭文图像；其中，所述红外图像采集装置的图像采集参数与所述目标青铜器的表面锈蚀厚度和/或器壁厚度相关。
一种可能的实施方式中，所述获取模块401还用于根据以下方法确定所述红外图像采集装置的图像采集参数：
将所述目标青铜器的表面锈蚀厚度和/或器壁厚度输入至预先训练好的目标神经网络中，得到所述目标神经网络输出的所述红外图像采集装置的图像采集参数。
一种可能的实施方式中，所述图像属性特征包括灰度；
所述第一确定模块402，在基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像时，用于：
基于各铭文特征图像中铭文区域对应的第一灰度均值、锈蚀区域对应的第二灰度均值以及各铭文特征图像对应的第三灰度均值，确定铭文特征图像。
一种可能的实施方式中，所述目标滤波参数包括用于进行图像滤波处理的滤波像素数目的滤波边界参数；
所述滤波模块403，在基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像时，用于：
针对任一所述目标铭文图像，基于与该目标铭文图像的铭文特征匹配的多组滤波边界参数对该目标铭文图像进行图像滤波处理，得到与该目标铭文图像对应的多张待筛选滤波图像；
基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像。
一种可能的实施方式中，所述滤波模块403，在基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像时，用于：
基于各待筛选滤波图像中像素点的灰度值，确定各待筛选滤波图像分别对应的灰度直方图；
将对应的灰度直方图满足预设要求的待筛选滤波图像作为所述目标滤波图像。
一种可能的实施方式中，所述第二确定模块404，在对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果时，用于：
将所述目标滤波图像中的文字与铭文数据库中存储的多个铭文进行匹配，并基于匹配结果确定所述铭文识别结果。
本公开实施例提供的青铜器铭文识别装置，通过对获取的初始铭文图像进行特征提取，并基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像，从而实现了对于铭文图像的初步降噪和筛选，便于节约后续操作时的计算量；基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，并对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。这样，通过在初步降噪和筛选的基础上，通过使用与所述目标铭文图像匹配的目标滤波参数，对筛选得到的目标铭文图像进行进一步的图像滤波处理，从而使得得到的目标滤波图像中的噪声较少，便于后续对铭文进行识别，可以在不损害青铜器的前提下，准确的识别青铜器上的铭文。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
基于同一技术构思，本公开实施例还提供了一种计算机设备。参照图5所示，为本公开实施例提供的计算机设备500的结构示意图，包括处理器501、存储器502、和总线503。其中，存储器502用于存储执行指令，包括内存5021和外部存储器5022；这里的内存5021也称内存储器，用于暂时存放处理器501中的运算数据，以及与硬盘等外部存储器5022交换的数据，处理器501通过内存5021与外部存储器5022进行数据交换，当计算机设备500运行时，处理器501与存储器502之间通过总线503通信，使得处理器501在执行以下指令：
获取多张待处理的初始铭文图像，并对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的特征提取后的铭文特征图像；
基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像；
基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像；
对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
一种可能的实施方式中，所述处理器501的指令中，所述获取多张待处理的初始铭文图像，包括：
基于红外图像采集装置对包含铭文的目标青铜器进行红外图像采集，得到连续采集的多张红外图像，并将所述多张红外图像作为待处理的初始铭文图像；其中，所述红外图像采集装置的图像采集参数与所述目标青铜器的表面锈蚀厚度和/或器壁厚度相关。
一种可能的实施方式中，所述处理器501的指令中，还包括根据以下方法确定所述红外图像采集装置的图像采集参数：
将所述目标青铜器的表面锈蚀厚度和/或器壁厚度输入至预先训练好的目标神经网络中，得到所述目标神经网络输出的所述红外图像采集装置的图像采集参数。
一种可能的实施方式中，所述处理器501的指令中，所述图像属性特征包括灰度；
所述基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像，包括：
基于各铭文特征图像中铭文区域对应的第一灰度均值、锈蚀区域对应的第二灰度均值以及各铭文特征图像对应的第三灰度均值，确定铭文特征图像。
一种可能的实施方式中，所述处理器501的指令中，所述目标滤波参数包括用于进行图像滤波处理的滤波像素数目的滤波边界参数；
所述基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像，包括：
针对任一所述目标铭文图像，基于与该目标铭文图像的铭文特征匹配的多组滤波边界参数对该目标铭文图像进行图像滤波处理，得到与该目标铭文图像对应的多张待筛选滤波图像；
基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像。
一种可能的实施方式中，所述处理器501的指令中，所述基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像，包括：
基于各待筛选滤波图像中像素点的灰度值，确定各待筛选滤波图像分别对应的灰度直方图；
将对应的灰度直方图满足预设要求的待筛选滤波图像作为所述目标滤波图像。
一种可能的实施方式中，所述处理器501的指令中，所述对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果，包括：
将所述目标滤波图像中的文字与铭文数据库中存储的多个铭文进行匹配，并基于匹配结果确定所述铭文识别结果。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的青铜器铭文识别方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的青铜器铭文识别方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开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)执行本公开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(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种青铜器铭文识别方法，其特征在于，包括：
获取多张待处理的初始铭文图像，并对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的铭文特征图像；
基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像；
基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像；
对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
2.根据权利要求1所述的方法，其特征在于，所述获取多张待处理的初始铭文图像，包括：
基于红外图像采集装置对包含铭文的目标青铜器进行红外图像采集，得到连续采集的多张红外图像，并将所述多张红外图像作为待处理的初始铭文图像；其中，所述红外图像采集装置的图像采集参数与所述目标青铜器的表面锈蚀厚度和/或器壁厚度相关。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括根据以下方法确定所述红外图像采集装置的图像采集参数：
将所述目标青铜器的表面锈蚀厚度和/或器壁厚度输入至预先训练好的目标神经网络中，得到所述目标神经网络输出的所述红外图像采集装置的图像采集参数。
4.根据权利要求1所述的方法，其特征在于，所述图像属性特征包括灰度；
所述基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像，包括：
基于各铭文特征图像中铭文区域对应的第一灰度均值、锈蚀区域对应的第二灰度均值以及各铭文特征图像对应的第三灰度均值，确定铭文特征图像中的目标铭文图像。
5.根据权利要求1所述的方法，其特征在于，所述目标滤波参数包括用于进行图像滤波处理的滤波像素数目的滤波边界参数；
所述基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像，包括：
针对任一所述目标铭文图像，基于与该目标铭文图像的铭文特征匹配的多组滤波边界参数对该目标铭文图像进行图像滤波处理，得到与该目标铭文图像对应的多张待筛选滤波图像；
基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像。
6.根据权利要求5所述的方法，其特征在于，所述基于各待筛选滤波图像的灰度信息，确定所述多张待筛选滤波图像中的目标滤波图像，包括：
基于各待筛选滤波图像中像素点的灰度值，确定各待筛选滤波图像分别对应的灰度直方图；
将对应的灰度直方图满足预设要求的待筛选滤波图像作为所述目标滤波图像。
7.根据权利要求1所述的方法，其特征在于，所述对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果，包括：
将所述目标滤波图像中的文字与铭文数据库中存储的多个铭文进行匹配，并基于匹配结果确定所述铭文识别结果。
8.一种青铜器铭文识别装置，其特征在于，包括：
获取模块，用于获取多张待处理的初始铭文图像，并对各初始铭文图像进行特征提取，得到各初始铭文图像分别对应的特征提取后的铭文特征图像；
第一确定模块，用于基于各铭文特征图像的图像属性特征，确定铭文特征图像中的目标铭文图像；
滤波模块，用于基于与所述目标铭文图像的铭文特征匹配的目标滤波参数，对所述目标铭文图像进行图像滤波处理，得到与所述目标铭文图像对应的目标滤波图像；
第二确定模块，用于对所述目标滤波图像进行铭文识别，确定所述初始铭文图像对应的铭文识别结果。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的青铜器铭文识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的青铜器铭文识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211007559.8A CN115331209A (zh) | 2022-08-22 | 2022-08-22 | 一种青铜器铭文识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211007559.8A CN115331209A (zh) | 2022-08-22 | 2022-08-22 | 一种青铜器铭文识别方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115331209A true CN115331209A (zh) | 2022-11-11 |
Family
ID=83925990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211007559.8A Pending CN115331209A (zh) | 2022-08-22 | 2022-08-22 | 一种青铜器铭文识别方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115331209A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117147481A (zh) * | 2023-09-01 | 2023-12-01 | 重庆市特种设备检测研究院 | 一种电梯钢丝绳锈蚀检测红外光纤光谱传感器 |
-
2022
- 2022-08-22 CN CN202211007559.8A patent/CN115331209A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117147481A (zh) * | 2023-09-01 | 2023-12-01 | 重庆市特种设备检测研究院 | 一种电梯钢丝绳锈蚀检测红外光纤光谱传感器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106446952B (zh) | 一种乐谱图像识别方法及装置 | |
| EP2851874A1 (en) | Paper identifying method and related device | |
| CN105574533B (zh) | 一种图像特征提取方法和装置 | |
| CN108108731B (zh) | 基于合成数据的文本检测方法及装置 | |
| CN110706182B (zh) | 一种屏蔽罩平面度检测方法、装置、终端设备及存储介质 | |
| CN110136130A (zh) | 一种检测产品缺陷的方法及装置 | |
| CN110287862B (zh) | 基于深度学习的防偷拍检测方法 | |
| CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
| CN110348263A (zh) | 一种基于图像识别的二维随机码图像识别与提取方法 | |
| CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
| CN104282027B (zh) | 一种基于Hough变换的圆检测方法 | |
| Oliveira et al. | Automatic crack detection on road imagery using anisotropic diffusion and region linkage | |
| CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
| CN115294035B (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
| CN115331209A (zh) | 一种青铜器铭文识别方法、装置、计算机设备及存储介质 | |
| EP3770853A1 (en) | Image processing method, computer program, and recording medium | |
| CN110909601B (zh) | 一种基于深度学习的美瞳识别方法及系统 | |
| CN110363111B (zh) | 基于镜头失真原理的人脸活体检测方法、装置及存储介质 | |
| CN114140481A (zh) | 一种基于红外图像的边缘检测方法、装置 | |
| CN108960285B (zh) | 一种分类模型生成方法、舌体图像分类方法及装置 | |
| CN111738984A (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
| CN110334694A (zh) | 一种基于偏振光的屏下光学指纹防攻击方法 | |
| CN114202508A (zh) | 一种适应多品种瓷砖表面缺陷凸显的检测方法及系统 | |
| CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 | |
| Wang et al. | Currency recognition system using image processing |
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 |