CN115953790A - 一种标签检测识别方法与系统 - Google Patents
一种标签检测识别方法与系统 Download PDFInfo
- Publication number
- CN115953790A CN115953790A CN202211204445.2A CN202211204445A CN115953790A CN 115953790 A CN115953790 A CN 115953790A CN 202211204445 A CN202211204445 A CN 202211204445A CN 115953790 A CN115953790 A CN 115953790A
- Authority
- CN
- China
- Prior art keywords
- label
- detection
- label image
- image
- noise
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013518 transcription Methods 0.000 description 3
- 230000035897 transcription Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种标签检测识别方法与系统，包括：构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；滑动检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；将预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；利用标签检测模型对待处理的标签图像进行检测得到标签检测结果。本发明通过对标签图像进行多重去噪处理可以得到清晰的训练样本，便于标签检测、识别，大大提高了标签识别精度。
Description
技术领域
本发明涉及图像检测技术领域，特别是涉及一种标签检测识别方法与系统。
背景技术
标签检测系统包括设置在物体表达的标签、用于获取包含标签的图像数据的图像采集装置以及用于检测和/或识别这些标签的检测模块。标签检测系统被广泛用于诸如增强现实、人机交互、包装和人类检测与跟踪以及工厂和仓库管理之类的应用中。现有的标签检测系统都是基于ocr技术构建的，但是由于ocr技术对光照、准度要求偏高，而一般的图像采集装置获取的图像具有很多噪点，会影响对标签的识别精度。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种标签检测识别方法与系统，以解决现有的标签检测系统识别精度低的问题。
为实现上述目的，本发明提供了如下方案：
一种标签检测识别方法，包括：
步骤1：获取标签图像；
步骤2：对所述标签图像进行小波变换去噪得到初步去噪的标签图像；
步骤3：构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；
步骤4：当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；
步骤5：滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；
步骤6：对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；
步骤7：将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；
步骤8：利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。
优选的，所述对所述标签图像进行小波变换去噪得到初步去噪的标签图像，包括：
对所述标签图像进行多尺度小波分解得到多个小波系数；
利用每个分解尺度下的小波系数计算噪声方差；
利用所述噪声方差构建每一分解尺度下的小波阈值；其中，所述小波阈值为：
其中，λj表示在第j个分解尺度下的小波阈值，σj表示在第j个分解尺度下的噪声方差，Nj表示在第j个分解尺度下的信号长度，
表示在第j个分解尺度下第i个小波的系数；
利用所述小波阈值构建小波去噪模型；
利用所述小波去噪模型对所述标签图像进行小波变换去噪得到初步去噪的标签图像。
优选的，所述小波去噪模型为：
其中，sign为符号函数，a为可调系数，
表示初步去噪后的小波系数。
优选的，所述构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值，包括:
采用公式：
Fij＝|xij-yij|
得到每个检测窗口下的像素差值；其中，Fij表示标签图像在(i，j)位置的像素差值，xij表示标签图像在(i，j)位置处的像素值，yij表示初步去噪的标签图像在(i，j)位置处的像素值；
将像素差值大于预设特征值的像素点作为噪点并记录；
将所述检测窗口下噪点占所有像素点的比例作为含噪值。
优选的，所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，包括：
采用公式：
对相应检测窗口内的标签图像进行均值滤波得到均值滤波后的标签图像；其中，f(a,b)表示像素点(a，b)在均值滤波后的像素值，D为预设系数，x(a,b)表示像素点(a，b)在滤波窗口内的像素值，mean(a,b)表示检测窗口的像素均值，σx(a,b)表示检测窗口内像素值的方差。
优选的，所述步骤7中的预设的神经网络为卷积递归神经网络。
本发明还提供了一种标签检测识别系统，包括：
图像获取模块，用于获取标签图像；
初步去噪模块，用于对所述标签图像进行小波变换去噪得到初步去噪的标签图像；
噪点检测模块，用于构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；
均值滤波模块，用于当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；
滑动去噪模块，用于滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；
预处理模块，用于对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；
训练模块，用于将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；
检测模块，用于利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种标签检测识别方法中的步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种标签检测识别方法与系统，与现有技术相比，本发明通过对标签图像进行多重去噪处理可以得到清晰的训练样本，便于标签检测、识别，大大提高了标签识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种标签检测识别方法流程图。
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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
请参阅图1，一种标签检测识别方法，包括：
步骤1：获取标签图像；
步骤2：对所述标签图像进行小波变换去噪得到初步去噪的标签图像；
具体的，步骤2包括：
对所述标签图像进行多尺度小波分解得到多个小波系数；
利用每个分解尺度下的小波系数计算噪声方差；
利用所述噪声方差构建每一分解尺度下的小波阈值；其中，所述小波阈值为：
其中，λj表示在第j个分解尺度下的小波阈值，σj表示在第j个分解尺度下的噪声方差，Nj表示在第j个分解尺度下的信号长度，
表示在第j个分解尺度下第i个小波的系数；
利用所述小波阈值构建小波去噪模型；所述小波去噪模型为：
其中，sign为符号函数，a为可调系数，
表示初步去噪后的小波系数。
利用所述小波去噪模型对所述标签图像进行小波变换去噪得到初步去噪的标签图像。
步骤3：构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；
其中，步骤3包括:
采用公式：
Fij＝|xij-yij|
得到每个检测窗口下的像素差值；其中，Fij表示标签图像在(i，j)位置的像素差值，xij表示标签图像在(i，j)位置处的像素值，yij表示初步去噪的标签图像在(i，j)位置处的像素值；
将像素差值大于预设特征值的像素点作为噪点并记录；
将所述检测窗口下噪点占所有像素点的比例作为含噪值。
原始的滤波算法例如中值滤波算法是对核磁共振图像上每个邻域中的像素点都进行中值处理(不管是否含有噪点)，因此处理过后的图像就会变得模糊，而本发明通过利用检测窗口可以找出图像上的噪点，然后对相应的噪点进行滤波处理可以在平滑掉图像中的噪声点的同时，保持标签图像的原始像素信息。在实际应用中，本发明可根据实际的情景设定相应的含噪值。
步骤4：当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；
需要说明的是，本发明的均值滤波方法为：
采用公式：
对相应检测窗口内的标签图像进行均值滤波得到均值滤波后的标签图像；其中，f(a,b)表示像素点(a，b)在均值滤波后的像素值，D为预设系数，x(a,b)表示像素点(a，b)在滤波窗口内的像素值，mean(a,b)表示检测窗口的像素均值，σx(a,b)表示检测窗口内像素值的方差。
步骤5：滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；
本发明基于检测窗口，对相应检测窗口内的图像进行去噪可以缓解现有的去噪方法(例如中值滤波去噪、均值滤波去噪和小波去噪等)使图像中某些特征梯度消失的问题，可以最大程度保留图像的原始像素信息，提高图像的判读效果。
步骤6：对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；
步骤7：将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；本发明中预设的神经网络为CRNN(Convolutional Recurrent NeuralNetwork，卷积循环神经网络)。
下面结合具体的实施例对本发明的训练过程做进一步的说明：
本发明的标签图像检测部分包括特征提取模块，标签区域特征序列提取模块，递归网络模块，转录模块，解码模块。特征提取模块用于获取图像上的点分为不同的子集，这些子集属于孤立的点，连续的曲线或者连续的区域。结构增强模块FPN用于处理物体检测中的多尺度变化问题，同时避免图像金字塔的计算量过高的问题。标签区域CNN特征提取模块采用卷积神经网络获取特征图，用于获取图像特征。递归网络模块用于对特征序列进行预测，并输出预测标签。转录模块用于把循环层获取的一系列标签分布转换成最终的标签序列。解码模块用于在字典中遍历出对应的字符。
1)对图片进行特征提取；
采用mobileNetv3提取特征，mobileNetv3采用残差网络添加深度分离卷积，最后通过RELU激活函数获取原图像大小的四层网络，分别为原图的1/4,1/8,1/16,1/32大小的特征图。
2)结构增强模块；
文本检测器的特征融合(neck)部分DBFPN与目标检测任务中的FPN结构类似，融合不同尺度的特征图，以提升不同尺度的目标区域检测效果；分别对原图的1/4,1/8,1/16,1/32大小的特征图实行上采样，最后特四个特征图进行特征融合获取原图1/4大小的概率图。
3)标签区域特征序列提取模块；
采用轻量级骨干网络MobileNetV3_small_x0.5，从输入图像中提取特征序列，由于conv、max-pooling、elementwise和激活函数都作用在局部区域上，所以它们是平移不变的。因此，特征映射的每一列对应于原始图像的一个矩形区域(称为感受野)，并且这些矩形区域与它们在特征映射上对应的列从左到右的顺序相同。由于CNN需要将输入的图像缩放到固定的尺寸以满足其固定的输入维数，因此它不适合长度变化很大的序列对象。为了更好的支持变长序列，CRNN将backbone最后一层输出的特征向量送到了RNN层，转换为序列特征。整个卷积的计算公式如下：
每个输出层的的shape为outputShape，Inputshape为输入层的shape，FilteShape过滤器的shape,pad表示中间间隔，stride表示步长。
4)递归网络模块；
在卷积网络的基础上，将图像特征转换为序列特征，预测每个帧的标签分布。RNN具有很强的捕获序列上下文信息的能力。使用上下文线索进行基于图像的序列识别比单独处理每个像素更有效。以场景文本识别为例，宽字符可能需要几个连续的帧来充分描述。
5)转录模块；
通过全连接网络和softmax激活函数，将每帧的预测转换为最终的标签序列。最后使用CTC Loss在无需序列对齐的情况下，由于CNN需要将输入的图像缩放到固定的尺寸以满足其固定的输入维数，因此它不适合长度变化很大的序列对象。为了更好的支持变长序列，CRNN将backbone最后一层输出的特征向量送到了RNN层，转换为序列特征。
6)解码模块；
按照特征获取的是一个根据字典排序的对应的字的概率值，比对字典里每个字和对应概率值最大的数值，其就是该区域对应的字。
步骤8：利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。
本发明通过对标签图像进行多重去噪处理可以得到清晰的训练样本，受角度光照等影响较小，同时对模糊，残缺，水印等图像也有比较好的识别效果。
本发明还提供了一种标签检测识别系统，包括：
图像获取模块，用于获取标签图像；
初步去噪模块，用于对所述标签图像进行小波变换去噪得到初步去噪的标签图像；
噪点检测模块，用于构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；
均值滤波模块，用于当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；
滑动去噪模块，用于滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；
预处理模块，用于对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；
训练模块，用于将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；
检测模块，用于利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种标签检测识别方法中的步骤，与现有技术相比，本发明提供的计算机可读存储介质的有益效果与上述技术方案所述一种标签检测识别方法的有益效果相同，在此不做赘述。
本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。对于实施例公开的方法而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种标签检测识别方法，其特征在于，包括：
步骤1：获取标签图像；
步骤2：对所述标签图像进行小波变换去噪得到初步去噪的标签图像；
步骤3：构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；
步骤4：当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；
步骤5：滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；
步骤6：对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；
步骤7：将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；
步骤8：利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。
2.根据权利要求1所述的一种标签检测识别方法，其特征在于，所述对所述标签图像进行小波变换去噪得到初步去噪的标签图像，包括：
对所述标签图像进行多尺度小波分解得到多个小波系数；
利用每个分解尺度下的小波系数计算噪声方差；
利用所述噪声方差构建每一分解尺度下的小波阈值；其中，所述小波阈值为：
其中，λj表示在第j个分解尺度下的小波阈值，σj表示在第j个分解尺度下的噪声方差，Nj表示在第j个分解尺度下的信号长度，
表示在第j个分解尺度下第i个小波的系数；
利用所述小波阈值构建小波去噪模型；
利用所述小波去噪模型对所述标签图像进行小波变换去噪得到初步去噪的标签图像。
3.根据权利要求2所述的一种标签检测识别方法，其特征在于，所述小波去噪模型为：
其中，sign为符号函数，a为可调系数，
表示初步去噪后的小波系数。
4.根据权利要求3所述的一种标签检测识别方法，其特征在于，所述构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值，包括:
采用公式：
Fij＝|xij-yij|
得到每个检测窗口下的像素差值；其中，Fij表示标签图像在(i，j)位置的像素差值，xij表示标签图像在(i，j)位置处的像素值，yij表示初步去噪的标签图像在(i，j)位置处的像素值；
将像素差值大于预设特征值的像素点作为噪点并记录；
将所述检测窗口下噪点占所有像素点的比例作为含噪值。
5.根据权利要求3所述的一种标签检测识别方法，其特征在于，所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，包括：
采用公式：
对相应检测窗口内的标签图像进行均值滤波得到均值滤波后的标签图像；其中，f(a,b)表示像素点(a，b)在均值滤波后的像素值，D为预设系数，x(a,b)表示像素点(a，b)在滤波窗口内的像素值，mean(a,b)表示检测窗口的像素均值，σx(a,b)表示检测窗口内像素值的方差。
6.根据权利要求1所述的一种标签检测识别方法，其特征在于，所述步骤7中的预设的神经网络为卷积递归神经网络。
7.一种标签检测识别系统，其特征在于，包括：
图像获取模块，用于获取标签图像；
初步去噪模块，用于对所述标签图像进行小波变换去噪得到初步去噪的标签图像；
噪点检测模块，用于构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；
均值滤波模块，用于当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；
滑动去噪模块，用于滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；
预处理模块，用于对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；
训练模块，用于将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；
检测模块，用于利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种标签检测识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211204445.2A CN115953790B (zh) | 2022-09-29 | 2022-09-29 | 一种标签检测识别方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211204445.2A CN115953790B (zh) | 2022-09-29 | 2022-09-29 | 一种标签检测识别方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953790A true CN115953790A (zh) | 2023-04-11 |
| CN115953790B CN115953790B (zh) | 2024-04-02 |
Family
ID=87284875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211204445.2A Active CN115953790B (zh) | 2022-09-29 | 2022-09-29 | 一种标签检测识别方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953790B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11345341A (ja) * | 1999-05-24 | 1999-12-14 | Honda Motor Co Ltd | カラ―画像における対象領域抽出方法 |
| CN103700072A (zh) * | 2013-12-17 | 2014-04-02 | 北京工业大学 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
| CN105243649A (zh) * | 2015-11-09 | 2016-01-13 | 天津大学 | 基于二次噪点检测的图像降噪方法 |
| CN110349132A (zh) * | 2019-06-25 | 2019-10-18 | 武汉纺织大学 | 一种基于光场相机深度信息提取的织物瑕疵检测方法 |
| CN111291806A (zh) * | 2020-02-02 | 2020-06-16 | 西南交通大学 | 一种基于卷积神经网络工业产品标签号的识别方法 |
| CN112819732A (zh) * | 2021-04-19 | 2021-05-18 | 中南大学 | 一种探地雷达B-scan图像去噪方法 |
| WO2021258832A1 (zh) * | 2020-06-23 | 2021-12-30 | 青岛科技大学 | 基于自适应窗口滤波和小波阈值优化的水声信号去噪方法 |
| CN113989168A (zh) * | 2021-11-02 | 2022-01-28 | 华北电力大学（保定） | 一种针对椒盐噪声的自适应非局部均值滤波方法 |
-
2022
- 2022-09-29 CN CN202211204445.2A patent/CN115953790B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11345341A (ja) * | 1999-05-24 | 1999-12-14 | Honda Motor Co Ltd | カラ―画像における対象領域抽出方法 |
| CN103700072A (zh) * | 2013-12-17 | 2014-04-02 | 北京工业大学 | 一种基于自适应小波阈值和双边滤波器的图像去噪方法 |
| CN105243649A (zh) * | 2015-11-09 | 2016-01-13 | 天津大学 | 基于二次噪点检测的图像降噪方法 |
| CN110349132A (zh) * | 2019-06-25 | 2019-10-18 | 武汉纺织大学 | 一种基于光场相机深度信息提取的织物瑕疵检测方法 |
| CN111291806A (zh) * | 2020-02-02 | 2020-06-16 | 西南交通大学 | 一种基于卷积神经网络工业产品标签号的识别方法 |
| WO2021258832A1 (zh) * | 2020-06-23 | 2021-12-30 | 青岛科技大学 | 基于自适应窗口滤波和小波阈值优化的水声信号去噪方法 |
| CN112819732A (zh) * | 2021-04-19 | 2021-05-18 | 中南大学 | 一种探地雷达B-scan图像去噪方法 |
| CN113989168A (zh) * | 2021-11-02 | 2022-01-28 | 华北电力大学（保定） | 一种针对椒盐噪声的自适应非局部均值滤波方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周燕;曹文;: "面向彩色手术显微图像的去噪算法改进", 微计算机信息, no. 12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953790B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726657B (zh) | 一种深度学习场景文本序列识别方法 | |
| CN111681273B (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
| CN111582126B (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
| Sheng et al. | Learning-based road crack detection using gradient boost decision tree | |
| US20200134382A1 (en) | Neural network training utilizing specialized loss functions | |
| CN112232371A (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
| Cho et al. | Semantic segmentation with low light images by modified CycleGAN-based image enhancement | |
| CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111507337A (zh) | 基于混合神经网络的车牌识别方法 | |
| CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
| CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
| US20240161304A1 (en) | Systems and methods for processing images | |
| CN114255468A (zh) | 一种笔迹识别方法及其相关设备 | |
| CN116469020A (zh) | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 | |
| Elnagar et al. | A recognition-based approach to segmenting arabic handwritten text | |
| CN110555406B (zh) | 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法 | |
| CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
| CN115953790B (zh) | 一种标签检测识别方法与系统 | |
| CN111368856A (zh) | 一种基于视觉的图书盘点系统的书脊提取方法及装置 | |
| CN116152517A (zh) | 一种改进的orb特征提取方法 | |
| CN113051901B (zh) | 一种身份证文本识别方法、系统、介质及电子终端 | |
| US20220027662A1 (en) | Optical character recognition using specialized confidence functions | |
| CN112766082B (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 | |
| CN111931689B (zh) | 一种在线提取视频卫星数据鉴别特征的方法 | |
| Rani et al. | Object Detection in Natural Scene Images Using Thresholding Techniques |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Peng Inventor after: Huang Jing Inventor after: Zhou Fulin Inventor after: Zeng Jun Inventor after: Qian Zhiming Inventor after: Zhao Hua Inventor after: Deng Minjie Inventor after: Gu Chao Inventor after: Liu Qi Inventor before: Li Peng Inventor before: Zhou Fulin Inventor before: Huang Jing Inventor before: Zeng Jun Inventor before: Qian Zhiming Inventor before: Zhao Hua Inventor before: Deng Minjie Inventor before: Gu Chao Inventor before: Liu Qi |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230925 Address after: 214181 floors 4 and 5, Building 29, No. 1588, Zhonghui Avenue, Huishan District, Wuxi City, Jiangsu Province Applicant after: JIANGSU ZHILIAN TIANDI TECHNOLOGY CO.,LTD. Address before: 214181 floors 4 and 5, Building 29, No. 1588, Zhonghui Avenue, Huishan District, Wuxi City, Jiangsu Province Applicant before: JIANGSU ZHILIAN TIANDI TECHNOLOGY CO.,LTD. Applicant before: Liu Xueyang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |