TWI775039B - 文檔陰影去除方法及裝置 - Google Patents
文檔陰影去除方法及裝置 Download PDFInfo
- Publication number
- TWI775039B TWI775039B TW109102250A TW109102250A TWI775039B TW I775039 B TWI775039 B TW I775039B TW 109102250 A TW109102250 A TW 109102250A TW 109102250 A TW109102250 A TW 109102250A TW I775039 B TWI775039 B TW I775039B
- Authority
- TW
- Taiwan
- Prior art keywords
- shadow
- document
- sample
- training
- preset
- Prior art date
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Document Processing Apparatus (AREA)
Abstract
一種文檔陰影去除方法及裝置，所述方法包括：基於樣本庫中之樣本文檔進行訓練得到陰影預測模型，所述樣本文檔之訓練特徵包括背景顏色、陰影區域及陰影強度；將所述陰影預測模型提取得到之每一樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型；利用所述陰影預測模型取得待處理文檔之背景顏色、陰影區域及陰影強度；將待處理文檔之背景顏色、陰影區域及陰影強度輸入至陰影去除模型得到去除陰影後之文檔。
Description
本發明涉及影像處理技術領域，尤其涉及一種文檔陰影去除方法及裝置。
隨著手機相機能力之提升，人們常利用手機拍攝檔取代需要固定機器之影印機掃描，然而用手機拍攝時常常難以避免出現陰影遮擋檔之問題。習知檔陰影去除方法需先假設陰影之特性，以預估陰影之強度以及陰影覆蓋之區域，然而陰影之特性會根據光源、遮擋物之不同而具有不同之特性，因此習知之陰影去除方法泛用性不佳。
有鑑於此，有必要提供一種文檔陰影去除方法及裝置，可對文檔之陰影進行有效識別與去除。
本發明一實施方式提供一種文檔陰影去除方法，應用於一電子裝置，所述方法包括：基於樣本庫中之樣本文檔進行訓練得到陰影預測模型，其中，所述樣本文檔之訓練特徵包括背景顏色、陰影區域及陰影強度；將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型；將待處理文檔輸入至所述
陰影預測模型得到所述待處理文檔之背景顏色、陰影區域及陰影強度；及將所述待處理文檔之背景顏色、陰影區域及陰影強度輸入至所述陰影去除模型得到去除陰影後之文檔。
本發明一實施方式還提供一種文檔陰影去除裝置，所述裝置包括處理器及記憶體，所述記憶體上存儲有複數電腦程式，所述處理器用於執行所述記憶體中存儲之電腦程式時實現以下步驟：基於樣本庫中之樣本文檔進行訓練得到陰影預測模型，其中，所述樣本文檔之訓練特徵包括背景顏色、陰影區域及陰影強度；將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型；將待處理文檔輸入至所述陰影預測模型得到所述待處理文檔之背景顏色、陰影區域及陰影強度；及將所述待處理文檔之背景顏色、陰影區域及陰影強度輸入至所述陰影去除模型得到去除陰影後之文檔。
與習知技術相比，上述文檔陰影去除方法及裝置，藉由訓練陰影預測模型來提取待處理文檔之背景顏色、陰影區域及陰影強度，藉由訓練陰影去除模型基於提取得到之背景顏色、陰影區域及陰影強度對待處理文檔進行陰影去除，陰影去除效果佳，陰影去除準確性高、泛用性廣。
10:記憶體
20:處理器
30:文檔陰影去除程式
100:文檔陰影去除裝置
101:第一訓練模組
102:第二訓練模組
103:第一處理模組
104:第二處理模組
S300~S306:步驟
圖1是本發明一實施方式之文檔陰影去除裝置之功能模組圖。
圖2是本發明一實施方式之文檔陰影去除程式之功能模組圖。
圖3是本發明一實施方式之文檔陰影去除方法之步驟流程圖。
請參閱圖1，為本發明文檔陰影去除裝置較佳實施例之示意圖。
所述文檔陰影去除裝置100包括記憶體10、處理器20及存儲於所述記憶體10中並可於所述處理器20上運行之文檔陰影去除程式30。所述處理器20執行所述文檔陰影去除程式30時實現文檔陰影去除方法實施例中之步驟，例如圖3所示之步驟S300~S306。或者，所述處理器20執行所述文檔陰影去除程式30時實現文檔陰影去除程式實施例中各模組之功能，例如圖2中之模組101~104。
所述文檔陰影去除程式30可被分割成一個或多個模組，所述一個或者多個模組被存儲於所述記憶體10中，並由所述處理器20執行，以完成本發明。所述一個或多個模組可是能夠完成特定功能之一系列電腦程式指令段，所述指令段用於描述所述文檔陰影去除程式30於所述文檔陰影去除裝置100中之執行過程。例如，所述文檔陰影去除程式30可被分割成圖2中之第一訓練模組101、第二訓練模組102、第一處理模組103及第二處理模組104。各模組具體功能參見下圖2中各模組之功能。
本領域技術人員可理解，所述示意圖僅是文檔陰影去除裝置100之示例，並不構成對文檔陰影去除裝置100之限定，可包括比圖示更多或更少之部件，或者組合某些部件，或者不同之部件，例如所述文檔陰影去除裝置100還可包括顯示裝置、匯流排等。
所稱處理器20可是中央處理單元(Central Processing Unit，CPU)，還可是其他通用處理器、數位訊號處理器(Digital Signal Processor，DSP)、專用積體電路(Application Specific Integrated Circuit，ASIC)、現成可程式設計閘陣列(Field-Programmable Gate Array，FPGA)或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。通用處理器可是微處理器或者所述處理器20亦可是任何常規之處理器等，所述處理器20可利用各種介面與匯流排連接文檔陰影去除裝置100之各個部分。
所述記憶體10可用於存儲所述文檔陰影去除程式30與/或模組，所述處理器20藉由運行或執行存儲於所述記憶體10內之電腦程式與/或模組，以及調用存儲於記憶體10內之資料，實現所述文檔陰影去除裝置100之各種功能。所述記憶體10可包括高速隨機存取記憶體，還可包括非易失性記憶體，例如硬碟機、記憶體、插接式硬碟機，智慧存儲卡(Smart Media Card,SMC)，安全數位(Secure Digital,SD)卡，快閃記憶體卡(Flash Card)、至少一個磁碟記憶體件、快閃記憶體器件、或其他非易失性固態記憶體件。
圖2為本發明文檔陰影去除程式較佳實施例之功能模組圖。
參閱圖2所示，文檔陰影去除程式30可包括第一訓練模組101、第二訓練模組102、第一處理模組103及第二處理模組104。於一實施方式中，上述模組可為存儲於所述記憶體10中且可被所述處理器20調用執行之可程式化軟體指令。可理解之是，於其他實施方式中，上述模組亦可為固化於所述處理器20中之程式指令或固件(firmware)。
所述第一訓練模組101用於基於樣本庫中之樣本文檔進行訓練得到陰影預測模型。
於一實施方式中，所述陰影預測模型優選藉由有監督學習方式訓練得到，比如，所述陰影預測模型可是基於對預設深度學習網路進行訓練來得到。所述預設深度學習網路所採用之深度學習演算法可根據實際需求進行選定，比如可採用卷積神經網路演算法、迴圈神經網路演算法、BP神經網路演算法等。所述樣本庫可是於模型訓練前藉由預設方式建立，比如可藉由人工收集/構建多張樣本文檔並存儲於一指定之存儲區域，以建立所述樣本庫。所述樣本庫中之樣本文檔優選包括多張有陰影之樣本文檔及多張無陰影之樣本文檔。
於一實施方式中，所述樣本文檔之訓練特徵包括背景顏色、陰影區域及陰影強度，進而藉由所述第一訓練模組101訓練得到之陰影預測模型可
用於提取文檔之背景顏色、陰影區域及陰影強度。所述有陰影之樣本文檔中之陰影可由預設陰影添加軟體所添加，進而方便訓練特徵之提取。比如，模型構建人員利用預設陰影添加軟體對多個文檔進行陰影添加以得到多個有陰影之樣本文檔。該預設陰影添加軟體可根據實際使用需求進行選定，於此不作限定。
於一實施方式中，所述預設深度學習網路可包括輸入層、多個隱藏層及輸出層。所述第一訓練模組101可藉由以下方式訓練得到所述陰影預測模型：
a.隨機將樣本庫中之樣本文檔劃分為訓練集及測試集，訓練集之圖片數量優選大於測試集之圖片數量，比如將80%之樣本文檔劃分為訓練集，將20%之樣本文檔劃分為測試集；
b.利用所述訓練集對所述預設深度學習網路進行訓練及利用所述測試集對訓練得到之陰影預測模型進行測試；
c.根據測試集中之每一測試圖片之測試結果統計得到一模型預測準確率；
d.判斷所述模型預測準確率是否符合預設測試要求；
e.若所述模型預測準確率符合預設測試要求，則完成模型訓練，當前訓練得到之陰影預測模型滿足使用需求。
f.若所述模型預測準確率不符合預設測試要求，則調整所述預設深度學習網路之參數，並利用所述訓練集重新對調整後之預設深度學習網路進行訓練，直到測試集驗證得到之模型預測準確率符合所述預設閾值，其中所述預設深度學習網路之參數可包括總層數、每一層之神經元數等。
於一實施方式中，所述調整預設深度學習網路之參數可是調整所述預設深度學習網路之總層數與/或每一層之神經元數。可理解當所述模型預測準確率符合預設測試要求時，表明此模型分類效果較好，可滿足使用需求，可將當前訓練得到之陰影預測模型作為最終使用之陰影預測模型；當所述模型預測
準確率不符合預設測試要求時，表明此模型分類效果不好，需要進行改善，此時可調整預設深度學習網路之參數，並利用所述訓練集重新對調整後之預設深度學習網路進行訓練，並再次利用所述測試集對重新訓練得到之陰影預測模型進行測試得到一新之模型預測準確率，再判斷該新之模型預測準確率是否符合預設測試要求，若符合，則表明重新訓練得到之陰影預測模型分類效果較好，可滿足使用需求，可將重新訓練得到之陰影預測模型作為最終使用之陰影預測模型；如果該新之模型預測準確率仍然不符合預設測試要求，需要再次重複上述調整與訓練之步驟直至藉由測試集得到之模型預測準確率符合預設測試要求。
於一實施方式中，所述預設測試要求可根據實際使用需求進行設定，例如所述預設測試要求可是測試準確率需達到95%。
所述第二訓練模組102用於將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型。
於一實施方式中，所述預設陰影去除網路可是習知之基於深度學習演算法訓練得到之具有陰影去除功能之網路。當藉由所述第一訓練模組101訓練得到陰影預測模型時，可利用所述陰影預測模型提取得到所述樣本庫中每一樣本文檔之背景顏色、陰影區域及陰影強度。所述第二訓練模組102可將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型。所述陰影去除模型之訓練過程可根據實際需求進行設定，比如可參照陰影預測模型之訓練方式進行訓練，於此不再陳述。當訓練得到陰影去除模型，該陰影去除模型可基於文檔之背景顏色、陰影區域及陰影強度進行陰影去除，使得陰影去除效果得到提升，陰影去除準確性高、泛用性廣。
所述第一處理模組103用於將待處理文檔輸入至所述陰影預測模型得到所述待處理文檔之背景顏色、陰影區域及陰影強度。
於一實施方式中，當訓練得到陰影預測模型及陰影去除模型時，可利用訓練得到之陰影預測模型及陰影去除模型對待處理文檔進行陰影去除。具體地，所述第一處理模組103可將待處理文檔輸入至所述陰影預測模型得到所述待處理文檔之背景顏色、陰影區域及陰影強度。
所述第二處理模組104用於將所述待處理文檔之背景顏色、陰影區域及陰影強度輸入至所述陰影去除模型得到去除陰影後之文檔。
於一實施方式中，當提取得到所述待處理文檔之背景顏色、陰影區域及陰影強度時，所述第二處理模組104可將所述待處理文檔之背景顏色、陰影區域及陰影強度輸入至所述陰影去除模型，進而可得到去除陰影後之文檔。
請參閱圖3，為本發明一實施例中文檔陰影去除方法之流程圖。所述文檔陰影去除方法可應用於文檔陰影去除裝置100中。根據不同之需求，所述流程圖中步驟之順序可改變，某些步驟可省略。
步驟S300，基於樣本庫中之樣本文檔進行訓練得到陰影預測模型。
於一實施方式中，所述陰影預測模型優選藉由有監督學習方式訓練得到，比如，所述陰影預測模型可是基於對預設深度學習網路進行訓練來得到。所述預設深度學習網路所採用之深度學習演算法可根據實際需求進行選定，比如可採用卷積神經網路演算法、迴圈神經網路演算法、BP神經網路演算法等。所述樣本庫可是於模型訓練前藉由預設方式建立，比如可藉由人工收集/構建多張樣本文檔並存儲於一指定之存儲區域，以建立所述樣本庫。所述樣本庫中之樣本文檔優選包括多張有陰影之樣本文檔及多張無陰影之樣本文檔。
於一實施方式中，所述樣本文檔之訓練特徵包括背景顏色、陰影
區域及陰影強度，進而所述陰影預測模型可用於提取文檔之背景顏色、陰影區域及陰影強度。所述有陰影之樣本文檔中之陰影可由預設陰影添加軟體所添加，進而方便訓練特徵之提取。比如，模型構建人員利用預設陰影添加軟體對多個文檔進行陰影添加以得到多個有陰影之樣本文檔。該預設陰影添加軟體可根據實際使用需求進行選定，於此不作限定。
於一實施方式中，所述預設深度學習網路可包括輸入層、多個隱藏層及輸出層。可藉由以下步驟訓練得到所述陰影預測模型：
a.隨機將樣本庫中之樣本文檔劃分為訓練集及測試集，訓練集之圖片數量優選大於測試集之圖片數量，比如將80%之樣本文檔劃分為訓練集，將20%之樣本文檔劃分為測試集；
b.利用所述訓練集對所述預設深度學習網路進行訓練及利用所述測試集對訓練得到之陰影預測模型進行測試；
c.根據測試集中之每一測試圖片之測試結果統計得到一模型預測準確率；
d.判斷所述模型預測準確率是否符合預設測試要求；
e.若所述模型預測準確率符合預設測試要求，則完成模型訓練，當前訓練得到之陰影預測模型滿足使用需求。
f.若所述模型預測準確率不符合預設測試要求，則調整所述預設深度學習網路之參數，並利用所述訓練集重新對調整後之預設深度學習網路進行訓練，直到測試集驗證得到之模型預測準確率符合所述預設閾值，其中所述預設深度學習網路之參數可包括總層數、每一層之神經元數等。
於一實施方式中，所述調整預設深度學習網路之參數可是調整所述預設深度學習網路之總層數與/或每一層之神經元數。可理解當所述模型預測準確率符合預設測試要求時，表明此模型分類效果較好，可滿足使用需求，可將當前訓練得到之陰影預測模型作為最終使用之陰影預測模型；當所述模型預測
準確率不符合預設測試要求時，表明此模型分類效果不好，需要進行改善，此時可調整預設深度學習網路之參數，並利用所述訓練集重新對調整後之預設深度學習網路進行訓練，並再次利用所述測試集對重新訓練得到之陰影預測模型進行測試得到一新之模型預測準確率，再判斷該新之模型預測準確率是否符合預設測試要求，若符合，則表明重新訓練得到之陰影預測模型分類效果較好，可滿足使用需求，可將重新訓練得到之陰影預測模型作為最終使用之陰影預測模型；如果該新之模型預測準確率仍然不符合預設測試要求，需要再次重複上述調整與訓練之步驟直至藉由測試集得到之模型預測準確率符合預設測試要求。
於一實施方式中，所述預設測試要求可根據實際使用需求進行設定，例如所述預設測試要求可是測試準確率需達到95%。
步驟S302，將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型。
於一實施方式中，所述預設陰影去除網路可是習知之基於深度學習演算法訓練得到之具有陰影去除功能之網路。當訓練得到陰影預測模型時，可利用所述陰影預測模型提取得到所述樣本庫中每一樣本文檔之背景顏色、陰影區域及陰影強度，進而可將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型。所述陰影去除模型之訓練過程可根據實際需求進行設定，比如可參照陰影預測模型之訓練方式進行訓練，於此不再陳述。當訓練得到陰影去除模型，該陰影去除模型可基於文檔之背景顏色、陰影區域及陰影強度進行陰影去除，使得陰影去除效果得到提升，陰影去除準確性高、泛用性廣。
步驟S304，將待處理文檔輸入至所述陰影預測模型得到所述待處
理文檔之背景顏色、陰影區域及陰影強度。
於一實施方式中，當訓練得到陰影預測模型及陰影去除模型時，可利用訓練得到之陰影預測模型及陰影去除模型對待處理文檔進行陰影去除。具體地，可先將待處理文檔輸入至所述陰影預測模型得到所述待處理文檔之背景顏色、陰影區域及陰影強度。
步驟S306，將所述待處理文檔之背景顏色、陰影區域及陰影強度輸入至所述陰影去除模型得到去除陰影後之文檔。
於一實施方式中，當提取得到所述待處理文檔之背景顏色、陰影區域及陰影強度時，再將所述待處理文檔之背景顏色、陰影區域及陰影強度輸入至所述陰影去除模型，進而可得到去除陰影後之文檔。
上述文檔陰影去除方法及裝置，藉由訓練陰影預測模型來提取待處理文檔之背景顏色、陰影區域及陰影強度，藉由訓練陰影去除模型基於提取得到之背景顏色、陰影區域及陰影強度對待處理文檔進行陰影去除，陰影去除效果佳，陰影去除準確性高、泛用性廣。
綜上所述，本發明符合發明專利要件，爰依法提出專利申請。惟，以上所述者僅為本發明之較佳實施方式，本發明之範圍並不以上述實施方式為限，舉凡熟悉本案技藝之人士爰依本發明之精神所作之等效修飾或變化，皆應涵蓋於以下申請專利範圍內。
S300~S306:步驟
Claims (9)
- 一種文檔陰影去除方法，應用於一電子裝置，所述方法包括：基於樣本庫中之樣本文檔進行訓練得到陰影預測模型，其中，所述樣本庫包括多張有陰影之樣本文檔及多張無陰影之樣本文檔，每一所述有陰影之樣本文檔基於每一所述無陰影之樣本文檔添加陰影得到，所述樣本文檔之訓練特徵包括背景顏色、陰影區域及陰影強度；將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型；將待處理文檔輸入至所述陰影預測模型得到所述待處理文檔之背景顏色、陰影區域及陰影強度；及將所述待處理文檔之背景顏色、陰影區域及陰影強度輸入至所述陰影去除模型得到去除陰影後之文檔。
- 如請求項1所述之文檔陰影去除方法，其中所述有陰影之樣本文檔由預設陰影添加軟體在所述無陰影之樣本文檔添加陰影得到。
- 如請求項1所述之文檔陰影去除方法，其中所述將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路之步驟包括：利用所述陰影預測模型提取得到每一所述有陰影之樣本文檔之背景顏色、陰影區域及陰影強度；及將所述陰影預測模型提取得到之樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路。
- 如請求項1所述之文檔陰影去除方法，其中所述基於樣本庫中之樣本文檔進行訓練得到陰影預測模型之步驟包括：基於樣本庫中之樣本文檔對預設深度學習網路進行訓練得到所述陰影預測 模型。
- 如請求項4所述之文檔陰影去除方法，其中所述基於樣本庫中之樣本文檔進行訓練得到陰影預測模型之步驟包括：將所述樣本庫中之樣本文檔劃分為訓練集及測試集；利用所述訓練集對所述預設深度學習網路進行訓練及利用所述測試集對訓練得到之陰影預測模型進行測試；及若測試結果符合預設測試要求，則完成對所述預設深度學習網路進行訓練。
- 如請求項5所述之文檔陰影去除方法，還包括：若測試結果不符合所述預設測試要求，則調整所述預設深度學習網路之參數；利用所述訓練集重新對調整後之預設深度學習網路進行訓練及利用所述測試集對重新訓練得到之陰影預測模型進行測試；若重新訓練得到之測試結果符合所述預設測試要求，則完成對所述預設深度學習網路之訓練；及若重新訓練得到之測試結果不符合所述預設測試要求，則重複上述調整與訓練步驟直至藉由所述測試集得到之測試結果符合所述預設測試要求。
- 一種文檔陰影去除裝置，所述裝置包括處理器及記憶體，所述記憶體上存儲有複數電腦程式，所述處理器用於執行所述記憶體中存儲之電腦程式時實現以下步驟：基於樣本庫中之樣本文檔進行訓練得到陰影預測模型，其中，所述樣本庫包括多張有陰影之樣本文檔及多張無陰影之樣本文檔，每一所述有陰影之樣本文檔基於每一所述無陰影之樣本文檔添加陰影得到，所述樣本文檔之訓練特徵包括背景顏色、陰影區域及陰影強度； 將所述陰影預測模型提取得到之每一所述樣本文檔之背景顏色、陰影區域及陰影強度輸入至預設陰影去除網路，以訓練得到陰影去除模型；將待處理文檔輸入至所述陰影預測模型得到所述待處理文檔之背景顏色、陰影區域及陰影強度；及將所述待處理文檔之背景顏色、陰影區域及陰影強度輸入至所述陰影去除模型得到去除陰影後之文檔。
- 如請求項7所述之文檔陰影去除裝置，其中所述基於樣本庫中之樣本文檔進行訓練得到陰影預測模型之步驟包括：基於樣本庫中之樣本文檔對預設深度學習網路進行訓練得到陰影預測模型。
- 如請求項8所述之文檔陰影去除裝置，其中所述基於樣本庫中之樣本文檔對預設深度學習網路進行訓練得到陰影預測模型之步驟包括：將所述樣本庫中之樣本文檔劃分為訓練集及測試集；利用所述訓練集對所述預設深度學習網路進行訓練及利用所述測試集對訓練得到之陰影預測模型進行測試；若測試結果符合預設測試要求，則完成對所述預設深度學習網路進行訓練；若測試結果不符合所述預設測試要求，則調整所述預設深度學習網路之參數；利用所述訓練集重新對調整後之預設深度學習網路進行訓練及利用所述測試集對重新訓練得到之陰影預測模型進行測試；若重新訓練得到之測試結果符合所述預設測試要求，則完成對所述預設深度學習網路之訓練；及若重新訓練得到之測試結果不符合所述預設測試要求，則重複上述調整與 訓練步驟直至藉由所述測試集得到之測試結果符合所述預設測試要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109102250A TWI775039B (zh) | 2020-01-21 | 2020-01-21 | 文檔陰影去除方法及裝置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109102250A TWI775039B (zh) | 2020-01-21 | 2020-01-21 | 文檔陰影去除方法及裝置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202129596A TW202129596A (zh) | 2021-08-01 |
| TWI775039B true TWI775039B (zh) | 2022-08-21 |
Family
ID=78282732
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109102250A TWI775039B (zh) | 2020-01-21 | 2020-01-21 | 文檔陰影去除方法及裝置 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI775039B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201447773A (zh) * | 2013-06-13 | 2014-12-16 | Univ Nat Yunlin Sci & Tech | 車牌辨識方法及其手持式電子裝置 |
| WO2018207334A1 (ja) * | 2017-05-12 | 2018-11-15 | 日本電気株式会社 | 画像認識装置、画像認識方法および画像認識プログラム |
| CN110674815A (zh) * | 2019-09-29 | 2020-01-10 | 四川长虹电器股份有限公司 | 基于深度学习关键点检测的发票图像畸变校正方法 |
-
2020
- 2020-01-21 TW TW109102250A patent/TWI775039B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201447773A (zh) * | 2013-06-13 | 2014-12-16 | Univ Nat Yunlin Sci & Tech | 車牌辨識方法及其手持式電子裝置 |
| WO2018207334A1 (ja) * | 2017-05-12 | 2018-11-15 | 日本電気株式会社 | 画像認識装置、画像認識方法および画像認識プログラム |
| CN110674815A (zh) * | 2019-09-29 | 2020-01-10 | 四川长虹电器股份有限公司 | 基于深度学习关键点检测的发票图像畸变校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202129596A (zh) | 2021-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021057848A1 (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
| US9008415B2 (en) | Automatic image adjustment parameter correction | |
| CN110619618A (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
| US8244044B2 (en) | Feature selection and extraction | |
| JP2015215876A (ja) | ライブネス検査方法と装置、及び映像処理方法と装置 | |
| JP6831347B2 (ja) | 学習装置、学習方法および学習プログラム | |
| US11836898B2 (en) | Method and apparatus for generating image, and electronic device | |
| US11605210B2 (en) | Method for optical character recognition in document subject to shadows, and device employing method | |
| JP2023526899A (ja) | 画像修復モデルを生成するための方法、デバイス、媒体及びプログラム製品 | |
| CN114663726A (zh) | 目标类别检测模型的训练方法、目标检测方法及电子设备 | |
| CN114943649A (zh) | 图像去模糊方法、装置及计算机可读存储介质 | |
| CN114626118A (zh) | 建筑物室内模型生成方法及装置 | |
| TWI775039B (zh) | 文檔陰影去除方法及裝置 | |
| TWI775038B (zh) | 字元識別方法、裝置及電腦可讀取存儲介質 | |
| CN108810319B (zh) | 图像处理装置和图像处理方法 | |
| CN115564727A (zh) | 一种爆光显影异常缺陷检测方法及系统 | |
| US20210042550A1 (en) | Information processing device, information processing method, and computer-readable recording medium recording information processing program | |
| CN113077469B (zh) | 草图图像语义分割方法、装置、终端设备及存储介质 | |
| TW202211154A (zh) | 用於在低信號雜訊比成像情況下減少雜訊之深度學習模型 | |
| CN113222826A (zh) | 文档阴影去除方法及装置 | |
| CN113379637A (zh) | 基于递进学习策略的图像修复方法、系统、介质及设备 | |
| TWI816150B (zh) | 目標對象檢測方法、電子設備及儲存介質 | |
| TWI755176B (zh) | 細胞密度分類方法及裝置、電子裝置及存儲介質 | |
| CN114648646B (zh) | 一种图像分类方法及装置 | |
| CN116503294B (zh) | 基于人工智能的文物图像复原方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GD4A | Issue of patent certificate for granted invention patent |