CN116681628B - 一种基于深度学习的营业执照数据处理方法及系统 - Google Patents
一种基于深度学习的营业执照数据处理方法及系统 Download PDFInfo
- Publication number
- CN116681628B CN116681628B CN202310967855.0A CN202310967855A CN116681628B CN 116681628 B CN116681628 B CN 116681628B CN 202310967855 A CN202310967855 A CN 202310967855A CN 116681628 B CN116681628 B CN 116681628B
- Authority
- CN
- China
- Prior art keywords
- data
- business license
- image
- denoising
- frequency
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 99
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims description 125
- 238000001914 filtration Methods 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 41
- 239000002131 composite material Substances 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 37
- 230000000694 effects Effects 0.000 description 27
- 238000004458 analytical method Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 8
- 230000008439 repair process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种基于深度学习的营业执照数据处理方法及系统。该方法包括以下步骤:获取营业执照数据,其中营业执照数据包括营业执照图像数据以及营业执照基本数据;对营业执照图像数据进行噪点采集并自适应去噪,从而生成营业执照去噪图像数据;对营业执照去噪图像数据进行误差校验,从而生成误差校验数据,对营业执照去噪图像数据进行像素纠正,从而生成营业执照校准图像数据;对营业执照校准图像数据以及营业执照基本数据进行营业执照完善度检测,从而生成营业执照完善度数据。本发明通过噪点采集和自适应去噪算法,能够有效地去除营业执照图像数据中的噪声,提高图像质量和清晰度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于深度学习的营业执照数据处理方法及系统。
背景技术
深度学习是一种机器学习的方法,其核心思想是通过构建和训练深层神经网络来模拟和学习人类的认知能力。深度学习的主要目标是通过对大量数据进行学习,从中提取抽象的特征和模式,以便对新的、未知的数据进行预测、分类、识别等任务。营业执照数据识别是指利用计算机技术和算法对营业执照中的信息进行自动化提取和识别的过程。营业执照通常包含了企业或组织的基本信息,如名称、注册号码、地址、法定代表人等。传统上,人们需要手动阅读和录入这些信息,费时费力且容易出错。而营业执照数据识别技术通过图像处理、文本识别和机器学习等方法,可以自动地从营业执照图像中提取和识别这些信息,实现快速、准确和高效的数据录入和处理。在实际应用过程中,由于图像质量问题、扫描或拍摄角度问题、字体模糊或变形、光照不均匀的问题,常常面临输入的营业执照数据不清楚或者不完整的情况。
发明内容
本发明为解决上述技术问题,提出了一种基于深度学习的营业执照数据处理方法及系统,以解决至少一个上述技术问题。
本申请提供了一种基于深度学习的营业执照数据处理方法,包括以下步骤:
步骤S1:获取营业执照数据,其中营业执照数据包括营业执照图像数据以及营业执照基本数据;
步骤S2:对营业执照图像数据进行噪点采集并自适应去噪,从而生成营业执照去噪图像数据;
步骤S3:对营业执照去噪图像数据进行误差校验,从而生成误差校验数据,若确定误差校验数据高于或等于误差阈值范围时,则返回步骤S1,若确定误差校验数据小于误差阈值范围时,则对营业执照去噪图像数据进行像素纠正,从而生成营业执照校准图像数据;
步骤S4:对营业执照校准图像数据以及营业执照基本数据进行营业执照完善度检测,从而生成营业执照完善度数据,若确定营业执照完善度数据为存在异常的营业执照完善度数据时,则返回步骤S1,若确定营业执照完善度数据为不存在异常的营业执照完善度数据时,确定营业执照校准数据为营业执照待识别数据,以发送至营业执照数据识别系统执行营业执照数据识别作业。
本发明中通过噪点采集和自适应去噪算法,能够有效地去除营业执照图像数据中的噪声,提高图像质量和清晰度,有利于后续的数据处理和识别准确性。通过对去噪图像数据进行误差校验,可以及时检测图像中的错误和损坏情况。如果误差超过阈值范围,系统将返回原始数据进行重新处理,确保数据的准确性和完整性。对于误差校验结果低于阈值的图像,系统会进行像素纠正,生成校准图像数据。这有助于修复图像中的错误像素或形状扭曲,提高图像的准确性和可读性。对校准图像数据和营业执照基本数据进行完善度检测,能够评估营业执照的完整性和真实性。这有助于过滤掉存在异常的或不完整的营业执照数据,提高数据的可信度和可靠性。经过上述处理步骤得到的营业执照待识别数据,具备更高的图像质量和完善度,可提高后续营业执照数据识别系统的准确性和稳定性,提升识别结果的质量。
优选地,步骤S1具体为:
步骤S11:生成营业执照输入数据获取控件,并利用营业执照输入数据获取控件进行营业执照输入数据采集,从而获得营业执照输入数据;
步骤S12:对营业执照输入数据进行数据去重处理,从而生成营业执照去重数据;
步骤S13:对营业执照去重数据进行数据异常处理,从而生成营业执照正常数据;
步骤S14:对营业执照正常数据进行数据增强处理,从而生成营业执照增强数据;
步骤S15:对营业执照增强数据进行数据标准转换,从而生成营业执照标准数据。
本发明通过生成营业执照输入数据获取控件,使得营业执照数据的获取更加简便和快速,减少了人工采集数据的工作量和时间消耗。通过数据去重、异常处理和增强处理等步骤,对营业执照数据进行优化和增强,提高了数据的准确性、完整性和可读性。通过数据标准转换,使得数据格式统一,便于后续的数据处理和识别系统的稳定运行,提高了系统的可靠性和效率。通过对营业执照数据进行去噪、校准和完善度检测等处理,提高了数据的质量和准确性。这使得后续的营业执照数据识别系统能够更准确地识别和提取关键信息,提高了数据识别的准确率和可信度。
优选地,步骤S2具体为:
步骤S21:对营业执照图像数据进行二值化计算,从而生成营业执照二值化图像数据;
步骤S22:对营业执照二值化图像数据进行边缘检测,从而生成营业执照图像形状数据;
步骤S23:根据营业执照图像形状数据对营业执照图像数据进行图像区域切割,从而生成营业执照图像区域数据;
步骤S24:对营业执照图像区域数据进行噪点情况处理,从而生成噪点情况数据;
步骤S25:确定噪点情况数据为低频噪点情况时,对营业执照图像数据进行第一去噪处理,从而生成营业执照去噪数据;
步骤S26:确定噪点情况数据为高频噪点情况时,对营业执照图像数据进行第二去噪处理,从而生成营业执照去噪数据;
步骤S27:确定噪点情况数据为复合噪点情况时,对营业执照图像数据进行第三去噪处理,从而生成营业执照去噪数据。
本发明中通过分析图像的噪点情况并针对性地采用不同的去噪处理方法,能够更准确地去除营业执照图像中的噪点,提升去噪效果和图像质量。通过分析和处理低频噪点、高频噪点以及复合噪点情况,能够针对不同类型的噪点采取相应的去噪策略,提高了处理结果的准确性和可靠性。通过应用多种滤波算法,包括频域滤波器、小波变换、非局部均值滤波等,有效去除营业执照图像中的噪点,提高图像质量和清晰度。通过基于深度学习的边缘检测方法,提取营业执照图像的形状特征,能够准确判断图像中的边缘和轮廓,为后续的图像处理和分析提供准确的区域划分和定位。根据营业执照图像的形状数据进行区域切割,将图像分割为不同的区域,有助于针对不同区域进行个别化的处理和分析,提高图像数据的利用效率和准确性。通过多次去噪处理,针对不同类型的噪点情况进行有针对性的处理,有效减少噪声对图像的影响,保留图像的细节信息,提高图像的清晰度和可视化效果。采用自适应滤波算法,能够根据图像的噪点情况动态调整滤波参数,适应不同场景下的噪声特征,提高去噪效果和算法的鲁棒性。
优选地,第一去噪处理的步骤具体为
通过营业执照低频图像去噪计算公式对营业执照图像数据进行去噪处理,从而生成营业执照去噪数据,其中营业执照低频图像去噪计算公式具体为:
;
为营业执照去噪数据,/>为第一权重系数,/>为营业执照图像数据频率参数,/>为历史营业执照图像数据频率参数,/>为调节参数,/>为营业执照图像数据像素变化率,/>为历史营业执照图像数据像素变化率,/>为第二权重系数,/>为高频噪声衰变参数,/>为营业执照图像数据噪声估计值,/>为营业执照去噪数据的修正项。
本发明构造了一种营业执照低频图像去噪计算公式,该公式充分考虑了第一权重系数、营业执照图像数据频率参数/>、历史营业执照图像数据频率参数/>、调节参数/>、营业执照图像数据像素变化率/>、历史营业执照图像数据像素变化率/>、第二权重系数/>、高频噪声衰变参数/>、营业执照图像数据噪声估计值/>以及相互之间的作用关系,/>表示当前图像数据频率参数与历史图像数据频率参数之间的差值的绝对值。该项通过对比当前图像数据和历史数据的频率特征,可以减少频率相关的噪声,保留图像的重要低频信息。该项考虑了图像像素变化率的影响。通过计算当前图像数据的像素变化率与历史数据的像素变化率之间的差值,乘以调节参数/>,可以对像素变化率相关的噪声进行抑制。当当前图像数据的像素变化率较大时,该项的值较大,有助于抑制噪声。/>该项主要处理高频噪声。它与噪声估计值/>有关,通过指数函数的形式对高频噪声进行衰减。较大的噪声估计值将导致该项的值较小,从而减弱高频噪声的影响。营业执照去噪数据的修正项/>用于进一步微调去噪结果,以满足特定的需求或约束。该项可以根据实际情况进行调整,对去噪数据进行修正,以达到更好的去噪效果。通过调整计算公式中的各参数和项的权重,可以针对不同类型的噪声和图像特征进行自适应的去噪处理。这种基于营业执照低频图像去噪计算公式的方法能够有效地降低图像噪声,提高图像的清晰度和质量,有助于准确识别和处理营业执照数据。
优选地,其中第二去噪采集处理的步骤具体为:
步骤S261:对营业执照图像数据进行第一高频噪点检测,从而生成第一高频噪点检测数据;
步骤S262:确定第一高频噪点检测数据为连续高频噪点检测数据时,则生成第一高频滤波器,并利用第一高频滤波器对营业执照图像数据进行第一高频去噪处理,从而生成第一高频去噪图像数据;
步骤S263:对第一高频去噪图像数据进行第二高频噪点检测,从而生成第二高频噪点检测数据;
步骤S264:确定第二高频噪点检测数据为非连续高频噪点检测数据时,则生成第二高频滤波器,并利用第二高频滤波器对营业执照图像数据进行第二高频去噪处理,从而生成第二高频去噪图像数据;
步骤S265:对第二高频去噪图像数据进行第三高频噪点检测,从而生成第三高频噪点检测数据;
步骤S266:确定第三高频噪点检测数据为存在异常的高频噪点检测数据时,则返回步骤S1;
步骤S267:确定第三高频噪点检测数据为不存在异常的高频噪点检测数据时,则将第二高频去噪图像数确定为营业执照去噪数据。
本发明中通过步骤S261、S263和S265的连续高频噪点检测过程,本方法能够准确地识别和定位图像中的高频噪点。这种精确的检测能力使得后续的去噪处理更加精细和有效。通过步骤S262和S264中的多级高频滤波器处理,针对不同类型的高频噪声提供了定制化的去噪方案。采用不同的滤波器可以更好地适应不同频率范围的噪声,从而提高去噪效果和保留图像细节的能力。根据具体情况进行自适应调整。这种灵活性允许根据图像的特性和噪声程度进行参数优化,以实现最佳的去噪效果。通过自适应参数调整,可以提高去噪算法的鲁棒性和适应性。检测第三高频噪点,本方法能够判断噪点检测结果的可靠性,并根据情况返回到初始步骤S1或确定第二高频去噪图像数据为最终结果。这种鲁棒性的设计使得本方法能够处理各种复杂的噪声情况,确保去噪结果的可靠性和稳定性。采用了多级处理和参数调整的策略,以平衡噪声去除和图像细节保留之间的关系。通过精心设计的去噪算法和参数优化,本方法能够有效地去除噪声的同时最大限度地保留图像的细节和特征,提供清晰度较高的去噪结果。
优选地,其中第三去噪处理的步骤具体为:
步骤S271:根据噪点情况数据以及营业执照图像数据进行噪点类型分布检测,从而生成噪点类型分布数据;
步骤S272:利用噪点类型分布数据对营业执照图像数据进行特征提取,从而生成频域噪声特征数据以及空域噪声特征数据;
步骤S273:根据频域噪声特征数据以及空域噪声特征数据进行处理,从而生成复合滤波器;
步骤S274:利用复合滤波器对营业执照图像数据进行复合滤波处理,从而生成营业执照去噪数据。
本发明中通过噪点类型分布检测,能够准确地分析噪点在图像中的分布情况。通过特征提取过程能够从营业执照图像数据中提取频域噪声特征数据和空域噪声特征数据。这些特征数据包含了噪声的频率分布、空间分布以及其他统计信息,为后续处理步骤提供了更全面的信息基础。根据频域噪声特征数据和空域噪声特征数据,在步骤S273中生成复合滤波器。复合滤波器综合考虑了频域和空域的特征,能够更精确地抑制噪声成分。通过优化滤波器设计,本方法能够在去噪处理中更好地保持图像的细节和边缘信息。通过步骤S274中的复合滤波处理,本方法将综合滤波器应用于营业执照图像数据,实现去噪效果。复合滤波器能够根据噪声的特征进行自适应调整,从而有效地去除噪声,并保持图像的清晰度和细节。这种综合处理能够在不同类型的噪声情况下获得更好的去噪效果。通过噪点类型分布检测、多维特征提取、复合滤波器设计和综合去噪处理等步骤,能够在营业执照图像去噪方面取得显著的效果。它能够更精确地分析和处理不同类型的噪声,提高去噪的准确性和效率,同时保持图像的细节和特征。这种综合处理的策略使得本方法在实际应用中能够获得较好的去噪效果,提高图像质量和可读性。
优选地,复合滤波处理通过复合滤波处理计算公式进行计算,其中复合滤波处理计算公式具体为:
;
为营业执照去噪数据,/>为频域滤波权重项,/>为对营业执照图像数据的频域滤波生成数据,/>为频域滤波衰减系数,/>为空间位置数据,/>为空域滤波权重项,/>为对营业执照图像数据的空域滤波生成数据,/>为空域滤波衰减系数,/>为分数计算函数权重项,/>为分数计算结果数据,/>为分数计算函数,/>为营业执照去噪数据的修正系数。
本发明构造了一种复合滤波处理计算公式,该公式充分考虑了频域滤波权重项、对营业执照图像数据的频域滤波生成数据/>、频域滤波衰减系数/>、空间位置数据/>、空域滤波权重项/>、对营业执照图像数据的空域滤波生成数据/>、空域滤波衰减系数/>、分数计算函数权重项/>、分数计算结果数据/>、分数计算函数/>以及相互之间的作用关系,公式中的第一项/>是频域滤波项,通过对营业执照图像数据进行频域滤波生成数据/>,然后根据频域滤波衰减系数/>和空间位置数据/>进行衰减运算。这个滤波项能够有效地减少频域中的噪声成分,提高图像的信噪比和清晰度。公式中的第二项/>是空域滤波项,通过对营业执照图像数据进行空域滤波生成数据/>,然后根据空域滤波衰减系数和空间位置数据/>进行衰减运算。这个滤波项能够在空域中针对局部区域的噪声进行抑制,保持图像的细节和边缘信息。公式中的第三项/>是分数计算函数项,通过对营业执照图像数据进行分数计算,得到分数计算结果数据/>。然后根据分数计算函数/>和空间位置数据/>进行加权运算。这个函数项能够针对不同位置的噪声进行不同程度的衰减,提高去噪效果。营业执照去噪数据的修正系数/>是对去噪数据进行修正的参数,可以根据具体需求进行调整。修正系数项能够对去噪结果进行微调,进一步改善图像的质量和可读性。
优选地,营业执照完善度数据包括图像模糊度数据以及图像损失检测数据,步骤S3具体为:
步骤S31:对营业执照去噪图像数据进行模糊度检测,从而获得图像模糊度数据;
步骤S32:确定图像模糊度数据为存在异常的图像模糊度数据时,则返回步骤S1;
步骤S33:确定图像模糊度数据为不存在异常的图像模糊度数据时,则对营业执照去噪图像数据进行图像损失检测,从而生成图像损失检测数据;
步骤S34:确定图像损失检测数据为存在异常的图像损失检测数据时,则返回步骤S1;
步骤S35:确定图像损失检测数据为不存在异常的图像损失检测数据时,则对营业执照去噪图像数据进行像素纠正,从而生成营业执照校准图像数据。
本发明中对营业执照去噪图像数据进行模糊度检测,以获得图像模糊度数据。模糊度数据用于评估图像的清晰程度,判断图像是否存在模糊问题。模糊度数据可以基于图像的频域或梯度信息进行计算,用于量化图像的模糊程度。根据图像模糊度数据的真假进行判断。如果图像模糊度数据为假,即图像不模糊,表示图像已经具备足够的清晰度,无需进一步处理,此时返回步骤S1。当图像模糊度数据为真时,对营业执照去噪图像数据进行图像损失检测,以生成图像损失检测数据。图像损失检测旨在识别图像中可能存在的缺失、噪点、失真等问题,进一步评估图像的完整性和质量。根据图像损失检测数据的真假进行判断。如果图像损失检测数据为假,即未检测到图像损失问题,表示图像已经完整无损,无需进一步处理,此时返回步骤S1。当图像损失检测数据为真时,对营业执照去噪图像数据进行像素纠正,以生成营业执照校准图像数据。像素纠正过程可以利用图像处理算法对缺失或损坏的像素进行恢复或修复,以提高图像的完整性和可读性。营业执照校准图像数据即为经过纠正后的图像数据,保证了图像的完整性和准确性。通过图像模糊度检测、图像损失检测和像素纠正等操作,能够显著提高营业执照图像的质量、完整性和可读性。
优选地,步骤S4具体为:
步骤S41:根据营业执照校准图像数据进行文本特征提取,从而生成营业执照文本特征数据;
步骤S42:根据营业执照文本特征数据以及营业执照基本数据进行特征融合,从而生成营业执照特征融合数据;
步骤S43:确定营业执照特征融合数据包括特征匹配冲突的数据,则返回步骤S1;
步骤S44:根据营业执照文本特征数据生成营业执照完善度级别数据,并利用营业执照完善度级别数据对营业执照校准数据进行标注,从而获得营业执照待识别数据,以发送至营业执照数据识别系统执行营业执照数据识别作业。
本发明中通过对营业执照校准图像数据进行文本特征提取,可以从图像中提取出文字信息。这些提取到的文字特征数据对于后续的识别和解析过程非常重要。通过准确提取文字特征,能够为后续的数据识别作业提供更准确和可靠的输入。将营业执照文本特征数据与营业执照基本数据进行融合,生成营业执照特征融合数据。这种特征融合能够综合考虑文字信息以及其他营业执照的基本属性,提供更全面和准确的特征数据。通过特征融合,可以增强识别系统对营业执照数据的理解和解析能力。根据营业执照文本特征数据生成营业执照完善度级别数据,并利用该数据对营业执照校准数据进行标注,得到营业执照待识别数据。完善度级别评估能够评估营业执照图像的完整性和可读性程度,帮助识别系统确定如何处理待识别数据。这种评估能够为后续的识别作业提供重要的指导和参考,提高数据识别的准确性和可信度。通过将营业执照待识别数据发送至营业执照数据识别系统执行识别作业,可以自动化地识别和解析营业执照数据。这种自动化识别作业能够大大提高识别效率和准确性,节省人力资源,并且能够适应大规模数据处理的需求。
本申请提供了一种基于深度学习的营业执照数据识别系统,所述系统包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的一种基于深度学习的营业执照数据处理方法。
本发明的有益效果在于:通过对营业执照图像数据进行噪点采集并自适应去噪处理,生成营业执照去噪图像数据。这一步骤利用深度学习技术对噪点进行检测和去除,提高了图像的清晰度和质量,对营业执照去噪图像数据进行误差校验,并根据校验结果进行像素纠正,生成营业执照校准图像数据。通过对图像进行误差校验和纠正,可以提高图像的准确性和一致性,减少数据中的误差和偏差,通过对营业执照校准图像数据和基本数据进行完善度检测,生成营业执照完善度数据。这一步骤利用深度学习技术对图像进行分析和评估,判断图像的完整性和可读性程度。通过完善度检测,可以筛选出具备足够质量的营业执照图像进行后续的识别作业。
相比于现有技术:本发明对营业执照去噪图像数据进行误差校验,并设置了误差阈值范围。这样的数据质量检查可以确保处理后的图像数据质量达到一定标准,避免因数据质量问题导致的识别错误。使用基于卷积神经网络的文本识别模型,并使用真实的训练样本对其进行训练。使得训练过程更接近实际应用场景,因此训练得到的模型更有可能在实际数据上表现更好。本发明对不同类型的噪点情况进行了分类,并分别进行了相应的去噪处理。这样可以针对不同的噪点情况采用不同的去噪策略,提高去噪效果,进一步减少噪声对识别结果的干扰。本发明对营业执照校准图像数据以及营业执照基本数据进行完善度检测。这可以确保待识别的营业执照数据完整且不缺失必要的信息,提高识别结果的准确性和可信度。其中采用的营业执照低频图像去噪计算公式,能够更全面、准确地进行去噪处理。现有的低频去噪方式往往采用手动设置一些参数,这往往依赖于经验或者实验,而该计算公式引入了历史数据频率参数,利用过去的图像数据对当前图像进行去噪处理,使得去噪算法更具自适应性和稳定性,能够适应不同类型的图像数据。现有的技术采用的某些现有的去噪方法在处理噪声的同时,可能会造成图像细节的丢失,尤其是对于高频噪声的处理,会导致图像变得模糊,影响了后续文本检测和识别的准确性。该计算公式中的权重系数和修正项可以根据实际情况进行优化调整,确保去噪结果更加平滑和准确。通过合理的权重设置,能够更好地保留图像的细节和重要信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的基于深度学习的营业执照数据处理方法的步骤流程图;
图2示出了一实施例的营业执照数据获取方法的步骤流程图;
图3示出了一实施例的营业执照去噪图像数据生成方法的步骤流程图;
图4示出了一实施例的第二去噪采集处理方法的步骤流程图;
图5示出了一实施例的第三去噪处理方法的步骤流程图;
图6示出了一实施例的营业执照校准图像数据生成方法的步骤流程图;
图7示出了一实施例的营业执照待识别数据获取方法的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图7,本申请提供了一种基于深度学习的营业执照数据处理方法,包括以下步骤:
步骤S1:获取营业执照数据,其中营业执照数据包括营业执照图像数据以及营业执照基本数据;
具体地,例如从相关数据库或文件系统中获取营业执照数据。包括营业执照图像数据(如JPEG或PNG格式)和营业执照基本数据(如企业名称、注册号等)。
步骤S2:对营业执照图像数据进行噪点采集并自适应去噪,从而生成营业执照去噪图像数据;
具体地,例如对营业执照图像数据进行噪点采集,可以使用图像处理算法如高斯滤波、中值滤波等。应用自适应去噪算法,如基于深度学习的图像去噪模型,对采集到的噪点进行去除,生成营业执照去噪图像数据。
步骤S3:对营业执照去噪图像数据进行误差校验,从而生成误差校验数据,若确定误差校验数据高于或等于误差阈值范围时,则返回步骤S1,若确定误差校验数据小于误差阈值范围时,则对营业执照去噪图像数据进行像素纠正,从而生成营业执照校准图像数据;
具体地,例如对营业执照去噪图像数据进行误差校验,可以采用图像质量评估算法,如结构相似性指数(SSIM)或峰值信噪比(PSNR)。若误差校验数据高于或等于设定的误差阈值范围,则返回步骤S1重新获取营业执照数据。若误差校验数据低于设定的误差阈值范围,则进行像素纠正,采用图像修复算法如插值、基于深度学习的图像修复模型等,生成营业执照校准图像数据。
步骤S4:对营业执照校准图像数据以及营业执照基本数据进行营业执照完善度检测,从而生成营业执照完善度数据,若确定营业执照完善度数据为存在异常的营业执照完善度数据时,则返回步骤S1,若确定营业执照完善度数据为不存在异常的营业执照完善度数据时,确定营业执照校准数据为营业执照待识别数据,以发送至营业执照数据识别系统执行营业执照数据识别作业。
具体地,例如对营业执照校准图像数据和营业执照基本数据进行营业执照完善度检测。可以使用基于深度学习的模型,如目标检测和分类模型,识别图像中的元素和特征,判断营业执照的完善度。若判断出营业执照完善度数据为存在异常的数据,则返回步骤S1重新获取营业执照数据。若判断出营业执照完善度数据为不存在异常的数据,则将营业执照校准数据确定为营业执照待识别数据,发送至营业执照数据识别系统进行自动化的识别和解析作业。
本发明中通过噪点采集和自适应去噪算法,能够有效地去除营业执照图像数据中的噪声,提高图像质量和清晰度,有利于后续的数据处理和识别准确性。通过对去噪图像数据进行误差校验,可以及时检测图像中的错误和损坏情况。如果误差超过阈值范围,系统将返回原始数据进行重新处理,确保数据的准确性和完整性。对于误差校验结果低于阈值的图像,系统会进行像素纠正,生成校准图像数据。这有助于修复图像中的错误像素或形状扭曲,提高图像的准确性和可读性。对校准图像数据和营业执照基本数据进行完善度检测,能够评估营业执照的完整性和真实性。这有助于过滤掉存在异常的或不完整的营业执照数据,提高数据的可信度和可靠性。经过上述处理步骤得到的营业执照待识别数据,具备更高的图像质量和完善度,可提高后续营业执照数据识别系统的准确性和稳定性,提升识别结果的质量。
优选地,步骤S1具体为:
步骤S11:生成营业执照输入数据获取控件,并利用营业执照输入数据获取控件进行营业执照输入数据采集,从而获得营业执照输入数据;
具体地,例如设计并创建一个营业执照输入数据获取控件,可以是一个用户界面元素或一个数据采集工具。用户通过该控件输入营业执照相关信息,如图像上传、文本输入等方式,以获取营业执照输入数据。
步骤S12:对营业执照输入数据进行数据去重处理,从而生成营业执照去重数据;
具体地,例如对采集到的营业执照输入数据进行数据去重处理。可以使用去重算法如基于哈希函数的去重、基于特征提取的去重等方法,去除重复的数据,从而生成营业执照去重数据。
步骤S13:对营业执照去重数据进行数据异常处理,从而生成营业执照正常数据;
具体地,例如对营业执照去重数据进行数据异常处理,识别和处理数据中的异常或错误。可以应用异常检测算法、数据校验规则等方法,检测和修复数据中的异常,生成营业执照正常数据。
步骤S14:对营业执照正常数据进行数据增强处理,从而生成营业执照增强数据;
具体地,例如对营业执照正常数据进行数据增强处理,扩充数据集,提高模型的鲁棒性和泛化能力。可以使用数据增强技术如图像增强、文本增强等方法,对图像数据进行旋转、缩放、平移、亮度调整、增加噪声等操作,生成营业执照增强数据。
步骤S15:对营业执照增强数据进行数据标准转换,从而生成营业执照标准数据。
具体地,例如对营业执照增强数据进行数据标准转换,将数据转化为一致的标准格式或结构。可以进行图像预处理如灰度化、归一化等,对文本数据进行规范化处理,确保数据在后续处理和识别阶段的一致性和可比性,生成营业执照标准数据。
本发明通过生成营业执照输入数据获取控件,使得营业执照数据的获取更加简便和快速,减少了人工采集数据的工作量和时间消耗。通过数据去重、异常处理和增强处理等步骤,对营业执照数据进行优化和增强,提高了数据的准确性、完整性和可读性。通过数据标准转换,使得数据格式统一,便于后续的数据处理和识别系统的稳定运行,提高了系统的可靠性和效率。通过对营业执照数据进行去噪、校准和完善度检测等处理,提高了数据的质量和准确性。这使得后续的营业执照数据识别系统能够更准确地识别和提取关键信息,提高了数据识别的准确率和可信度。
优选地,步骤S2具体为:
步骤S21:对营业执照图像数据进行二值化计算,从而生成营业执照二值化图像数据;
具体地,例如将营业执照图像数据转化为灰度图像。应用阈值分割算法如OTSU算法、自适应阈值算法等,将灰度图像转化为二值图像,其中像素值为0或255,生成营业执照二值化图像数据。
步骤S22:对营业执照二值化图像数据进行边缘检测,从而生成营业执照图像形状数据;
具体地,例如应用边缘检测算法如Canny边缘检测、Sobel算子等,检测出图像中的边缘信息。根据边缘信息,提取营业执照图像的形状特征,如边缘线段、轮廓等,生成营业执照图像形状数据。
步骤S23:根据营业执照图像形状数据对营业执照图像数据进行图像区域切割,从而生成营业执照图像区域数据;
具体地,例如根据营业执照图像形状数据,确定营业执照中的各个区域,如公司名称、注册号、地址等。将营业执照图像数据按照区域进行切割,得到不同区域的图像数据,生成营业执照图像区域数据。
步骤S24:对营业执照图像区域数据进行噪点情况处理,从而生成噪点情况数据;
具体地,例如对营业执照图像区域数据进行噪点检测,识别出可能存在的噪点。根据噪点检测结果,生成噪点情况数据,记录每个图像区域中的噪点情况。
步骤S25:确定噪点情况数据为低频噪点情况时,对营业执照图像数据进行第一去噪处理,从而生成营业执照去噪数据;
具体地,例如对被识别为低频噪点的图像区域应用去噪算法,如中值滤波、均值滤波等,去除噪点。生成经第一次去噪处理后的营业执照图像数据,即营业执照去噪数据。
步骤S26:确定噪点情况数据为高频噪点情况时,对营业执照图像数据进行第二去噪处理,从而生成营业执照去噪数据;
具体地,例如对被识别为高频噪点的图像区域应用去噪算法,如高斯滤波、非局部均值滤波等,去除高频噪点。生成经第二次去噪处理后的营业执照图像数据,即营业执照去噪数据。
步骤S27:确定噪点情况数据为复合噪点情况时,对营业执照图像数据进行第三去噪处理,从而生成营业执照去噪数据。
具体地,例如对被识别为复合噪点的图像区域应用综合去噪算法,如小波去噪、形态学去噪等,综合处理不同类型的噪点。生成经第三次去噪处理后的营业执照图像数据,即营业执照去噪数据。
本发明中通过分析图像的噪点情况并针对性地采用不同的去噪处理方法,能够更准确地去除营业执照图像中的噪点,提升去噪效果和图像质量。通过分析和处理低频噪点、高频噪点以及复合噪点情况,能够针对不同类型的噪点采取相应的去噪策略,提高了处理结果的准确性和可靠性。通过应用多种滤波算法,包括频域滤波器、小波变换、非局部均值滤波等,有效去除营业执照图像中的噪点,提高图像质量和清晰度。通过基于深度学习的边缘检测方法,提取营业执照图像的形状特征,能够准确判断图像中的边缘和轮廓,为后续的图像处理和分析提供准确的区域划分和定位。根据营业执照图像的形状数据进行区域切割,将图像分割为不同的区域,有助于针对不同区域进行个别化的处理和分析,提高图像数据的利用效率和准确性。通过多次去噪处理,针对不同类型的噪点情况进行有针对性的处理,有效减少噪声对图像的影响,保留图像的细节信息,提高图像的清晰度和可视化效果。采用自适应滤波算法,能够根据图像的噪点情况动态调整滤波参数,适应不同场景下的噪声特征,提高去噪效果和算法的鲁棒性。
优选地,第一去噪处理的步骤具体为
通过营业执照低频图像去噪计算公式对营业执照图像数据进行去噪处理,从而生成营业执照去噪数据,其中营业执照低频图像去噪计算公式具体为:
;
为营业执照去噪数据,/>为第一权重系数,/>为营业执照图像数据频率参数,/>为历史营业执照图像数据频率参数,/>为调节参数,/>为营业执照图像数据像素变化率,/>为历史营业执照图像数据像素变化率,/>为第二权重系数,/>为高频噪声衰变参数,/>为营业执照图像数据噪声估计值,/>为营业执照去噪数据的修正项。
本发明构造了一种营业执照低频图像去噪计算公式,该公式充分考虑了第一权重系数、营业执照图像数据频率参数/>、历史营业执照图像数据频率参数/>、调节参数/>、营业执照图像数据像素变化率/>、历史营业执照图像数据像素变化率/>、第二权重系数/>、高频噪声衰变参数/>、营业执照图像数据噪声估计值/>以及相互之间的作用关系,/>表示当前图像数据频率参数与历史图像数据频率参数之间的差值的绝对值。该项通过对比当前图像数据和历史数据的频率特征,可以减少频率相关的噪声,保留图像的重要低频信息。该项考虑了图像像素变化率的影响。通过计算当前图像数据的像素变化率与历史数据的像素变化率之间的差值,乘以调节参数/>,可以对像素变化率相关的噪声进行抑制。当当前图像数据的像素变化率较大时,该项的值较大,有助于抑制噪声。/>该项主要处理高频噪声。它与噪声估计值/>有关,通过指数函数的形式对高频噪声进行衰减。较大的噪声估计值将导致该项的值较小,从而减弱高频噪声的影响。营业执照去噪数据的修正项/>用于进一步微调去噪结果,以满足特定的需求或约束。该项可以根据实际情况进行调整,对去噪数据进行修正,以达到更好的去噪效果。通过调整计算公式中的各参数和项的权重,可以针对不同类型的噪声和图像特征进行自适应的去噪处理。这种基于营业执照低频图像去噪计算公式的方法能够有效地降低图像噪声,提高图像的清晰度和质量,有助于准确识别和处理营业执照数据。
优选地,其中第二去噪采集处理的步骤具体为:
步骤S261:对营业执照图像数据进行第一高频噪点检测,从而生成第一高频噪点检测数据;
具体地,例如应用频域分析方法,如傅里叶变换,将图像转换到频域。通过计算频域中的高频成分,检测出营业执照图像中的高频噪点。生成第一高频噪点检测数据,标识图像中高频噪点的位置和强度。
步骤S262:确定第一高频噪点检测数据为连续高频噪点检测数据时,则生成第一高频滤波器,并利用第一高频滤波器对营业执照图像数据进行第一高频去噪处理,从而生成第一高频去噪图像数据;
具体地,例如根据第一高频噪点检测数据中连续高频噪点的位置和强度信息,设计合适的高频滤波器。对营业执照图像数据应用第一高频滤波器,去除连续高频噪点。生成经过第一次高频去噪处理后的营业执照图像数据,即第一高频去噪图像数据。
步骤S263:对第一高频去噪图像数据进行第二高频噪点检测,从而生成第二高频噪点检测数据;
具体地,例如应用频域分析方法,如傅里叶变换,将第一高频去噪图像数据转换到频域。通过计算频域中的高频成分,检测出第一高频去噪图像中的高频噪点。生成第二高频噪点检测数据,标识第一高频去噪图像中高频噪点的位置和强度。
步骤S264:确定第二高频噪点检测数据为非连续高频噪点检测数据时,则生成第二高频滤波器,并利用第二高频滤波器对营业执照图像数据进行第二高频去噪处理,从而生成第二高频去噪图像数据;
具体地,例如根据第二高频噪点检测数据中非连续高频噪点的位置和强度信息,设计合适的高频滤波器。对营业执照图像数据应用第二高频滤波器,去除非连续高频噪点。生成经过第二次高频去噪处理后的营业执照图像数据,即第二高频去噪图像数据。
具体地,例如根据离散高频噪点的位置信息,在频域中创建一个滤波器掩模,将离散高频噪点对应的频域区域置零。可以使用滤波器设计方法,如巴特沃斯滤波器、高斯滤波器等,根据高频噪点的特征选择合适的滤波器参数。根据滤波器掩模和滤波器参数生成第二高频滤波器。将营业执照图像数据转换到频域,例如使用傅里叶变换。将第二高频滤波器应用于频域图像数据,通过与频域图像数据相乘或卷积的方式,去除离散的高频噪点成分。将经过滤波处理的频域图像数据逆变换回空域,例如使用傅里叶逆变换,得到第二高频去噪图像数据。
步骤S265:对第二高频去噪图像数据进行第三高频噪点检测,从而生成第三高频噪点检测数据;
具体地,例如应用频域分析方法,如傅里叶变换,将第二高频去噪图像数据转换到频域。通过计算频域中的高频成分,检测出第二高频去噪图像中的高频噪点。生成第三高频噪点检测数据,标识第二高频去噪图像中高频噪点的位置和强度。
步骤S266:确定第三高频噪点检测数据为存在异常的高频噪点检测数据时,则返回步骤S1;
具体地,例如对第三高频噪点检测数据进行判断,如果判断结果为假,则表示没有高频噪点存在。在这种情况下,认为第二高频去噪图像已经达到了满意的去噪效果,因此返回到步骤S1继续后续的处理。
步骤S267:确定第三高频噪点检测数据为不存在异常的高频噪点检测数据时,则将第二高频去噪图像数确定为营业执照去噪数据。
具体地,例如对第三高频噪点检测数据进行判断,如果判断结果为真,则表示第二高频去噪图像数为最终的营业执照去噪数据。
本发明中通过步骤S261、S263和S265的连续高频噪点检测过程,本方法能够准确地识别和定位图像中的高频噪点。这种精确的检测能力使得后续的去噪处理更加精细和有效。通过步骤S262和S264中的多级高频滤波器处理,针对不同类型的高频噪声提供了定制化的去噪方案。采用不同的滤波器可以更好地适应不同频率范围的噪声,从而提高去噪效果和保留图像细节的能力。根据具体情况进行自适应调整。这种灵活性允许根据图像的特性和噪声程度进行参数优化,以实现最佳的去噪效果。通过自适应参数调整,可以提高去噪算法的鲁棒性和适应性。检测第三高频噪点,本方法能够判断噪点检测结果的可靠性,并根据情况返回到初始步骤S1或确定第二高频去噪图像数据为最终结果。这种鲁棒性的设计使得本方法能够处理各种复杂的噪声情况,确保去噪结果的可靠性和稳定性。采用了多级处理和参数调整的策略,以平衡噪声去除和图像细节保留之间的关系。通过精心设计的去噪算法和参数优化,本方法能够有效地去除噪声的同时最大限度地保留图像的细节和特征,提供清晰度较高的去噪结果。
优选地,其中第三去噪处理的步骤具体为:
步骤S271:根据噪点情况数据以及营业执照图像数据进行噪点类型分布检测,从而生成噪点类型分布数据;
具体地,例如分析噪点情况数据,根据噪点的特征和分布情况,判断噪点的类型,例如高频噪点、低频噪点、椒盐噪点等。可以利用图像处理算法,如图像平滑、频域分析等方法,对噪点进行检测和分析,得到噪点类型分布数据。
步骤S272:利用噪点类型分布数据对营业执照图像数据进行特征提取,从而生成频域噪声特征数据以及空域噪声特征数据;
具体地,例如根据噪点类型分布数据,对营业执照图像数据进行特征提取。针对频域噪声特征数据,可以采用频域滤波器或频谱分析方法,提取频域上的噪声特征。针对空域噪声特征数据,可以使用图像处理技术,如边缘检测、形态学运算等,提取空域上的噪声特征。
步骤S273:根据频域噪声特征数据以及空域噪声特征数据进行处理,从而生成复合滤波器;
具体地,例如结合频域噪声特征数据和空域噪声特征数据,生成复合滤波器。可以利用滤波器设计方法,如自适应滤波器、小波变换等,根据噪声特征选择合适的滤波器参数,并结合频域和空域的特征进行滤波器的生成。
步骤S274:利用复合滤波器对营业执照图像数据进行复合滤波处理,从而生成营业执照去噪数据。
具体地,例如将复合滤波器应用于营业执照图像数据,通过与图像数据的卷积或乘法操作,对图像进行复合滤波处理。复合滤波器能够同时考虑频域和空域的噪声特征,有效地去除多种类型的噪点。处理后的图像数据即为营业执照的去噪数据,可用于后续的图像校准和识别任务。
本发明中通过噪点类型分布检测,能够准确地分析噪点在图像中的分布情况。通过特征提取过程能够从营业执照图像数据中提取频域噪声特征数据和空域噪声特征数据。这些特征数据包含了噪声的频率分布、空间分布以及其他统计信息,为后续处理步骤提供了更全面的信息基础。根据频域噪声特征数据和空域噪声特征数据,在步骤S273中生成复合滤波器。复合滤波器综合考虑了频域和空域的特征,能够更精确地抑制噪声成分。通过优化滤波器设计,本方法能够在去噪处理中更好地保持图像的细节和边缘信息。通过步骤S274中的复合滤波处理,本方法将综合滤波器应用于营业执照图像数据,实现去噪效果。复合滤波器能够根据噪声的特征进行自适应调整,从而有效地去除噪声,并保持图像的清晰度和细节。这种综合处理能够在不同类型的噪声情况下获得更好的去噪效果。通过噪点类型分布检测、多维特征提取、复合滤波器设计和综合去噪处理等步骤,能够在营业执照图像去噪方面取得显著的效果。它能够更精确地分析和处理不同类型的噪声,提高去噪的准确性和效率,同时保持图像的细节和特征。这种综合处理的策略使得本方法在实际应用中能够获得较好的去噪效果,提高图像质量和可读性。
优选地,复合滤波处理通过复合滤波处理计算公式进行计算,其中复合滤波处理计算公式具体为:
;
为营业执照去噪数据,/>为频域滤波权重项,/>为对营业执照图像数据的频域滤波生成数据,/>为频域滤波衰减系数,/>为空间位置数据,/>为空域滤波权重项,/>为对营业执照图像数据的空域滤波生成数据,/>为空域滤波衰减系数,/>为分数计算函数权重项,/>为分数计算结果数据,/>为分数计算函数,/>为营业执照去噪数据的修正系数。
本发明构造了一种复合滤波处理计算公式,该公式充分考虑了频域滤波权重项、对营业执照图像数据的频域滤波生成数据/>、频域滤波衰减系数/>、空间位置数据/>、空域滤波权重项/>、对营业执照图像数据的空域滤波生成数据/>、空域滤波衰减系数/>、分数计算函数权重项/>、分数计算结果数据/>、分数计算函数/>以及相互之间的作用关系,公式中的第一项/>是频域滤波项,通过对营业执照图像数据进行频域滤波生成数据/>,然后根据频域滤波衰减系数/>和空间位置数据/>进行衰减运算。这个滤波项能够有效地减少频域中的噪声成分,提高图像的信噪比和清晰度。公式中的第二项/>是空域滤波项,通过对营业执照图像数据进行空域滤波生成数据/>,然后根据空域滤波衰减系数和空间位置数据/>进行衰减运算。这个滤波项能够在空域中针对局部区域的噪声进行抑制,保持图像的细节和边缘信息。公式中的第三项/>是分数计算函数项,通过对营业执照图像数据进行分数计算,得到分数计算结果数据/>。然后根据分数计算函数/>和空间位置数据/>进行加权运算。这个函数项能够针对不同位置的噪声进行不同程度的衰减,提高去噪效果。营业执照去噪数据的修正系数/>是对去噪数据进行修正的参数,可以根据具体需求进行调整。修正系数项能够对去噪结果进行微调,进一步改善图像的质量和可读性。
优选地,营业执照完善度数据包括图像模糊度数据以及图像损失检测数据,步骤S3具体为:
步骤S31:对营业执照去噪图像数据进行模糊度检测,从而获得图像模糊度数据;
具体地,例如对营业执照去噪图像数据进行模糊度检测,判断图像的清晰程度或模糊程度。可以利用图像处理算法,如边缘检测、频域分析等方法,计算图像的模糊度指标,如图像的梯度值、频率特性等。
步骤S32:确定图像模糊度数据为存在异常的图像模糊度数据时,则返回步骤S1;
具体地,例如根据图像模糊度数据的阈值范围或判别准则,确定图像模糊度数据是否达到真实的模糊程度。若图像模糊度数据低于阈值或不符合判别准则,则判定为存在异常的图像模糊度数据,需要返回到步骤S1重新获取数据。
步骤S33:确定图像模糊度数据为不存在异常的图像模糊度数据时,则对营业执照去噪图像数据进行图像损失检测,从而生成图像损失检测数据;
具体地,例如在确定图像模糊度数据为真实的情况下,对营业执照去噪图像数据进行图像损失检测。可以利用图像对比度、信息熵、直方图等特征进行图像质量评估,检测图像是否存在明显的损失或失真情况。
步骤S34:确定图像损失检测数据为存在异常的图像损失检测数据时,则返回步骤S1;
具体地,例如根据图像损失检测数据的阈值范围或判别准则,确定图像损失检测数据是否达到真实的损失程度。若图像损失检测数据超过阈值或不符合判别准则,则判定为存在异常的图像损失检测数据,需要返回到步骤S1重新获取数据。
步骤S35:确定图像损失检测数据为不存在异常的图像损失检测数据时,则对营业执照去噪图像数据进行像素纠正,从而生成营业执照校准图像数据。
具体地,例如在确定图像损失检测数据为真实的情况下,对营业执照去噪图像数据进行像素纠正,以恢复图像的准确性和完整性。可以利用图像修复算法,如插值、填充、边缘修复等方法,对图像中的缺失或损坏的像素进行修复。
本发明中对营业执照去噪图像数据进行模糊度检测,以获得图像模糊度数据。模糊度数据用于评估图像的清晰程度,判断图像是否存在模糊问题。模糊度数据可以基于图像的频域或梯度信息进行计算,用于量化图像的模糊程度。根据图像模糊度数据的真假进行判断。如果图像模糊度数据为假,即图像不模糊,表示图像已经具备足够的清晰度,无需进一步处理,此时返回步骤S1。当图像模糊度数据为真时,对营业执照去噪图像数据进行图像损失检测,以生成图像损失检测数据。图像损失检测旨在识别图像中可能存在的缺失、噪点、失真等问题,进一步评估图像的完整性和质量。根据图像损失检测数据的真假进行判断。如果图像损失检测数据为假,即未检测到图像损失问题,表示图像已经完整无损,无需进一步处理,此时返回步骤S1。当图像损失检测数据为真时,对营业执照去噪图像数据进行像素纠正,以生成营业执照校准图像数据。像素纠正过程可以利用图像处理算法对缺失或损坏的像素进行恢复或修复,以提高图像的完整性和可读性。营业执照校准图像数据即为经过纠正后的图像数据,保证了图像的完整性和准确性。通过图像模糊度检测、图像损失检测和像素纠正等操作,能够显著提高营业执照图像的质量、完整性和可读性。
优选地,步骤S4具体为:
步骤S41:根据营业执照校准图像数据进行文本特征提取,从而生成营业执照文本特征数据;
具体地,例如根据营业执照校准图像数据,利用文字识别技术(如OCR)对图像中的文字进行提取和识别,获取营业执照文本特征数据。通过OCR算法,将图像中的文字区域分割出来,并对每个文字区域进行字符识别,得到对应的文字内容。
步骤S42:根据营业执照文本特征数据以及营业执照基本数据进行特征融合,从而生成营业执照特征融合数据;
具体地,例如结合营业执照文本特征数据和营业执照基本数据,将两者的特征进行融合。可以将营业执照文本特征数据和基本数据进行关联,例如将文本中的营业执照号、企业名称等信息与基本数据中的对应字段进行匹配。
步骤S43:确定营业执照特征融合数据包括特征匹配冲突的数据,则返回步骤S1;
具体地,例如根据营业执照特征融合数据,判断是否存在特征匹配冲突的情况。特征匹配冲突可能发生在文本特征提取和特征融合的过程中,例如文字识别错误、特征信息不完整等。如果存在特征匹配冲突的数据,表示数据完善度不足或不可信,需要返回到步骤S1重新获取数据。
步骤S44:根据营业执照文本特征数据生成营业执照完善度级别数据,并利用营业执照完善度级别数据对营业执照校准数据进行标注,从而获得营业执照待识别数据,以发送至营业执照数据识别系统执行营业执照数据识别作业。
具体地,例如根据营业执照文本特征数据,对营业执照校准数据进行完善度级别的划分。根据不同的完善度级别,对营业执照校准数据进行标注,标注的内容可以包括文本的准确性、完整性等信息。标注完成后,将标注后的营业执照校准数据作为营业执照待识别数据,发送至营业执照数据识别系统进行后续的数据识别作业。
本发明中通过对营业执照校准图像数据进行文本特征提取,可以从图像中提取出文字信息。这些提取到的文字特征数据对于后续的识别和解析过程非常重要。通过准确提取文字特征,能够为后续的数据识别作业提供更准确和可靠的输入。将营业执照文本特征数据与营业执照基本数据进行融合,生成营业执照特征融合数据。这种特征融合能够综合考虑文字信息以及其他营业执照的基本属性,提供更全面和准确的特征数据。通过特征融合,可以增强识别系统对营业执照数据的理解和解析能力。根据营业执照文本特征数据生成营业执照完善度级别数据,并利用该数据对营业执照校准数据进行标注,得到营业执照待识别数据。完善度级别评估能够评估营业执照图像的完整性和可读性程度,帮助识别系统确定如何处理待识别数据。这种评估能够为后续的识别作业提供重要的指导和参考,提高数据识别的准确性和可信度。通过将营业执照待识别数据发送至营业执照数据识别系统执行识别作业,可以自动化地识别和解析营业执照数据。这种自动化识别作业能够大大提高识别效率和准确性,节省人力资源,并且能够适应大规模数据处理的需求。
本申请提供了一种基于深度学习的营业执照数据识别系统,所述系统包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的一种基于深度学习的营业执照数据处理方法。
本发明的有益效果在于:通过对营业执照图像数据进行噪点采集并自适应去噪处理,生成营业执照去噪图像数据。这一步骤利用深度学习技术对噪点进行检测和去除,提高了图像的清晰度和质量,对营业执照去噪图像数据进行误差校验,并根据校验结果进行像素纠正,生成营业执照校准图像数据。通过对图像进行误差校验和纠正,可以提高图像的准确性和一致性,减少数据中的误差和偏差,通过对营业执照校准图像数据和基本数据进行完善度检测,生成营业执照完善度数据。这一步骤利用深度学习技术对图像进行分析和评估,判断图像的完整性和可读性程度。通过完善度检测,可以筛选出具备足够质量的营业执照图像进行后续的识别作业。
相比于现有技术:本发明对营业执照去噪图像数据进行误差校验,并设置了误差阈值范围。这样的数据质量检查可以确保处理后的图像数据质量达到一定标准,避免因数据质量问题导致的识别错误。使用基于卷积神经网络的文本识别模型,并使用真实的训练样本对其进行训练。使得训练过程更接近实际应用场景,因此训练得到的模型更有可能在实际数据上表现更好。本发明对不同类型的噪点情况进行了分类,并分别进行了相应的去噪处理。这样可以针对不同的噪点情况采用不同的去噪策略,提高去噪效果,进一步减少噪声对识别结果的干扰。本发明对营业执照校准图像数据以及营业执照基本数据进行完善度检测。这可以确保待识别的营业执照数据完整且不缺失必要的信息,提高识别结果的准确性和可信度。其中采用的营业执照低频图像去噪计算公式,能够更全面、准确地进行去噪处理。现有的低频去噪方式往往采用手动设置一些参数,这往往依赖于经验或者实验,而该计算公式引入了历史数据频率参数,利用过去的图像数据对当前图像进行去噪处理,使得去噪算法更具自适应性和稳定性,能够适应不同类型的图像数据。现有的技术采用的某些现有的去噪方法在处理噪声的同时,可能会造成图像细节的丢失,尤其是对于高频噪声的处理,会导致图像变得模糊,影响了后续文本检测和识别的准确性。该计算公式中的权重系数和修正项可以根据实际情况进行优化调整,确保去噪结果更加平滑和准确。通过合理的权重设置,能够更好地保留图像的细节和重要信息。
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,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于深度学习的营业执照数据处理方法,其特征在于,包括以下步骤:
步骤S1:获取营业执照数据,其中营业执照数据包括营业执照图像数据以及营业执照基本数据;
步骤S2,包括:
对营业执照图像数据进行二值化计算,从而生成营业执照二值化图像数据;
对营业执照二值化图像数据进行边缘检测,从而生成营业执照图像形状数据;
根据营业执照图像形状数据对营业执照图像数据进行图像区域切割,从而生成营业执照图像区域数据;
对营业执照图像区域数据进行噪点情况处理,从而生成噪点情况数据;
确定噪点情况数据为低频噪点情况时,对营业执照图像数据进行第一去噪处理,从而生成营业执照去噪数据;第一去噪处理的步骤具体为
通过营业执照低频图像去噪计算公式对营业执照图像数据进行去噪处理,从而生成营业执照去噪数据,其中营业执照低频图像去噪计算公式具体为:
;
为营业执照去噪数据,/>为第一权重系数,/>为营业执照图像数据频率参数,/>为历史营业执照图像数据频率参数,/>为调节参数,/>为营业执照图像数据像素变化率,/>为第二权重系数,/>为高频噪声衰变参数,/>为营业执照图像数据噪声估计值,/>为营业执照去噪数据的修正项;
确定噪点情况数据为高频噪点情况时,对营业执照图像数据进行第二去噪处理,从而生成营业执照去噪数据;
确定噪点情况数据为复合噪点情况时,对营业执照图像数据进行第三去噪处理,从而生成营业执照去噪数据;其中第三去噪处理的步骤具体为:
根据噪点情况数据以及营业执照图像数据进行噪点类型分布检测,从而生成噪点类型分布数据;
利用噪点类型分布数据对营业执照图像数据进行特征提取,从而生成频域噪声特征数据以及空域噪声特征数据;
根据频域噪声特征数据以及空域噪声特征数据进行处理,从而生成复合滤波器;
利用复合滤波器对营业执照图像数据进行复合滤波处理,从而生成营业执照去噪数据;复合滤波处理通过复合滤波处理计算公式进行计算,其中复合滤波处理计算公式具体为:
;
为营业执照去噪数据,/>为频域滤波权重项,/>为对营业执照图像数据的频域滤波生成数据,/>为频域滤波衰减系数,/>为空间位置数据,/>为空域滤波权重项,/>为对营业执照图像数据的空域滤波生成数据,/>为空域滤波衰减系数,/>为分数计算函数权重项,/>为分数计算结果数据,/>为分数计算函数,/>为营业执照去噪数据的修正系数;
步骤S3:对营业执照去噪图像数据进行误差校验,从而生成误差校验数据,若确定误差校验数据高于或等于误差阈值范围时,则返回步骤S1,若确定误差校验数据小于误差阈值范围时,则对营业执照去噪图像数据进行像素纠正,从而生成营业执照校准图像数据;
步骤S4:对营业执照校准图像数据以及营业执照基本数据进行营业执照完善度检测,从而生成营业执照完善度数据,若确定营业执照完善度数据为存在异常的营业执照完善度数据时,则返回步骤S1,若确定营业执照完善度数据为不存在异常的营业执照完善度数据时,确定营业执照校准数据为营业执照待识别数据,以发送至营业执照数据识别系统执行营业执照数据识别作业。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
生成营业执照输入数据获取控件,并利用营业执照输入数据获取控件进行营业执照输入数据采集,从而获得营业执照输入数据;
对营业执照输入数据进行数据去重处理,从而生成营业执照去重数据;
对营业执照去重数据进行数据异常处理,从而生成营业执照正常数据;
对营业执照正常数据进行数据增强处理,从而生成营业执照增强数据;
对营业执照增强数据进行数据标准转换,从而生成营业执照标准数据。
3.根据权利要求1所述的方法,其特征在于,其中第二去噪采集处理的步骤具体为:
对营业执照图像数据进行第一高频噪点检测,从而生成第一高频噪点检测数据;
确定第一高频噪点检测数据为连续高频噪点检测数据时,则生成第一高频滤波器,并利用第一高频滤波器对营业执照图像数据进行第一高频去噪处理,从而生成第一高频去噪图像数据;
对第一高频去噪图像数据进行第二高频噪点检测,从而生成第二高频噪点检测数据;
确定第二高频噪点检测数据为非连续高频噪点检测数据时,则生成第二高频滤波器,并利用第二高频滤波器对营业执照图像数据进行第二高频去噪处理,从而生成第二高频去噪图像数据;
对第二高频去噪图像数据进行第三高频噪点检测,从而生成第三高频噪点检测数据;
确定第三高频噪点检测数据为存在异常的高频噪点检测数据时,则返回步骤S1;
确定第三高频噪点检测数据为不存在异常的高频噪点检测数据时,则将第二高频去噪图像数确定为营业执照去噪数据。
4.根据权利要求1所述的方法,其特征在于,营业执照完善度数据包括图像模糊度数据以及图像损失检测数据,步骤S3具体为:
对营业执照去噪图像数据进行模糊度检测,从而获得图像模糊度数据;
确定图像模糊度数据为存在异常的图像模糊度数据时,则返回步骤S1;
确定图像模糊度数据为不存在异常的图像模糊度数据时,则对营业执照去噪图像数据进行图像损失检测,从而生成图像损失检测数据;
确定图像损失检测数据为存在异常的图像损失检测数据时,则返回步骤S1;
确定图像损失检测数据为不存在异常的图像损失检测数据时,则对营业执照去噪图像数据进行像素纠正,从而生成营业执照校准图像数据。
5.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
根据营业执照校准图像数据进行文本特征提取,从而生成营业执照文本特征数据;
根据营业执照文本特征数据以及营业执照基本数据进行特征融合,从而生成营业执照特征融合数据;
确定营业执照特征融合数据包括特征匹配冲突的数据,则返回步骤S1;
根据营业执照文本特征数据生成营业执照完善度级别数据,并利用营业执照完善度级别数据对营业执照校准数据进行标注,从而获得营业执照待识别数据,以发送至营业执照数据识别系统执行营业执照数据识别作业。
6.一种基于深度学习的营业执照数据识别系统,其特征在于,所述系统包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的一种基于深度学习的营业执照数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967855.0A CN116681628B (zh) | 2023-08-03 | 2023-08-03 | 一种基于深度学习的营业执照数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310967855.0A CN116681628B (zh) | 2023-08-03 | 2023-08-03 | 一种基于深度学习的营业执照数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681628A CN116681628A (zh) | 2023-09-01 |
CN116681628B true CN116681628B (zh) | 2023-10-24 |
Family
ID=87789469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310967855.0A Active CN116681628B (zh) | 2023-08-03 | 2023-08-03 | 一种基于深度学习的营业执照数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681628B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847257A (zh) * | 2010-06-10 | 2010-09-29 | 上海电力学院 | 基于非局部均值与多级定向图像的图像降噪方法 |
CN101882305A (zh) * | 2010-06-30 | 2010-11-10 | 中山大学 | 一种图像增强处理的方法 |
CN102034224A (zh) * | 2010-11-30 | 2011-04-27 | 辽宁师范大学 | 基于伪Zernike矩的图像去噪算法 |
CN103345726A (zh) * | 2013-06-14 | 2013-10-09 | 华为技术有限公司 | 图像去噪处理方法、装置和终端 |
KR20170040983A (ko) * | 2015-10-06 | 2017-04-14 | 한양대학교 산학협력단 | 다중 스케일 블록 영역 검출을 이용한 영상 잡음 제거 방법 및 장치 |
WO2017069720A1 (ru) * | 2015-10-20 | 2017-04-27 | Максым Володымыровыч ДАВЫДОВ | Способ обработки цифрового изображения для снижения уровня шума |
CN106991421A (zh) * | 2017-03-22 | 2017-07-28 | 湖南联信科技有限公司 | 一种身份证信息提取系统 |
CN110070103A (zh) * | 2019-03-14 | 2019-07-30 | 中科恒运股份有限公司 | 身份证识别的方法及终端设备 |
CN110363199A (zh) * | 2019-07-16 | 2019-10-22 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的证件图像文本识别方法及系统 |
CN110889402A (zh) * | 2019-11-04 | 2020-03-17 | 广州丰石科技有限公司 | 一种基于深度学习的营业执照内容识别方法及系统 |
CN113011426A (zh) * | 2021-03-16 | 2021-06-22 | 上饶市中科院云计算中心大数据研究院 | 一种识别证件的方法和装置 |
CN113469920A (zh) * | 2021-09-02 | 2021-10-01 | 中国建筑第五工程局有限公司 | 用于智能化设备管理的图像处理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4071665A4 (en) * | 2019-12-05 | 2023-11-22 | Canaan Bright Sight Co., Ltd. | CHARACTER SEGMENTATION METHOD AND APPARATUS, AND COMPUTER-READABLE STORAGE MEDIUM |
-
2023
- 2023-08-03 CN CN202310967855.0A patent/CN116681628B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101847257A (zh) * | 2010-06-10 | 2010-09-29 | 上海电力学院 | 基于非局部均值与多级定向图像的图像降噪方法 |
CN101882305A (zh) * | 2010-06-30 | 2010-11-10 | 中山大学 | 一种图像增强处理的方法 |
CN102034224A (zh) * | 2010-11-30 | 2011-04-27 | 辽宁师范大学 | 基于伪Zernike矩的图像去噪算法 |
CN103345726A (zh) * | 2013-06-14 | 2013-10-09 | 华为技术有限公司 | 图像去噪处理方法、装置和终端 |
KR20170040983A (ko) * | 2015-10-06 | 2017-04-14 | 한양대학교 산학협력단 | 다중 스케일 블록 영역 검출을 이용한 영상 잡음 제거 방법 및 장치 |
WO2017069720A1 (ru) * | 2015-10-20 | 2017-04-27 | Максым Володымыровыч ДАВЫДОВ | Способ обработки цифрового изображения для снижения уровня шума |
CN106991421A (zh) * | 2017-03-22 | 2017-07-28 | 湖南联信科技有限公司 | 一种身份证信息提取系统 |
CN110070103A (zh) * | 2019-03-14 | 2019-07-30 | 中科恒运股份有限公司 | 身份证识别的方法及终端设备 |
CN110363199A (zh) * | 2019-07-16 | 2019-10-22 | 济南浪潮高新科技投资发展有限公司 | 基于深度学习的证件图像文本识别方法及系统 |
CN110889402A (zh) * | 2019-11-04 | 2020-03-17 | 广州丰石科技有限公司 | 一种基于深度学习的营业执照内容识别方法及系统 |
CN113011426A (zh) * | 2021-03-16 | 2021-06-22 | 上饶市中科院云计算中心大数据研究院 | 一种识别证件的方法和装置 |
CN113469920A (zh) * | 2021-09-02 | 2021-10-01 | 中国建筑第五工程局有限公司 | 用于智能化设备管理的图像处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116681628A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Korus et al. | Multi-scale analysis strategies in PRNU-based tampering localization | |
CN109255344B (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
CN108827969B (zh) | 金属零件表面缺陷检测与识别方法及装置 | |
US8224114B2 (en) | Method and apparatus for despeckling an image | |
CN110032989B (zh) | 一种基于框线特征和像素分布的表格文档图像分类方法 | |
CN110288566B (zh) | 一种目标缺陷提取方法 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
Ntogas et al. | A binarization algorithm for historical manuscripts | |
CN110688871A (zh) | 一种基于条码识别的边缘检测方法 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN116740728A (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN116681628B (zh) | 一种基于深度学习的营业执照数据处理方法及系统 | |
CN115830351B (zh) | 图像处理方法、设备以及存储介质 | |
CN112906707B (zh) | 一种表面缺陷图像的语义分割方法、装置及计算机设备 | |
CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 | |
CN113506259A (zh) | 一种基于融合网络的图像模糊判别方法及系统 | |
CN115147823A (zh) | 一种高效准确的车牌识别方法 | |
Kim et al. | Camera module defect detection using gabor filter and convolutional neural network | |
Koshy et al. | Preprocessing Techniques for High Quality Text Extraction from Text Images | |
CN117876270B (zh) | 档案扫描图像修复方法、装置及存储介质 | |
Badoiu et al. | OCR quality improvement using image preprocessing | |
CN117854120B (zh) | 一种指纹识别方法及系统 | |
CN118037715B (zh) | 用于pcba板的智能焊点分析优化方法及系统 | |
CN113255657B (zh) | 票据表面刮痕检测方法、装置、电子设备、机器可读介质 |
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 |