CN108256475B - 一种票据图像倒置检测方法 - Google Patents
一种票据图像倒置检测方法 Download PDFInfo
- Publication number
- CN108256475B CN108256475B CN201810044894.2A CN201810044894A CN108256475B CN 108256475 B CN108256475 B CN 108256475B CN 201810044894 A CN201810044894 A CN 201810044894A CN 108256475 B CN108256475 B CN 108256475B
- Authority
- CN
- China
- Prior art keywords
- image
- gray value
- gray
- average value
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
Abstract
本发明提供了一种票据图像倒置检测方法,包括对采集的票据图像进行预处理;对预处理后的票据图像均匀地进行区域分割,计算各区域中各像素点的灰度值;针对票据图像中的各区域,从0~255灰度值中选取同一段灰度值区间,各区域分别计算在所述灰度值区间内的所有像素点的灰度值平均值;确定各区域关于灰度值平均值的比较关系,将所述比较关系与判断模型中各区域关于灰度值平均值的比较关系相对比,以判断票据图像是否倒置。本发明提供的票据图像倒置检测方法利用票据图像中各区域关于灰度值平均值的比较关系作为判断依据,原理更简单,运算的数据量更小,准确率更高,检测结果显而易见,应用时更能满足实时性和准确性的要求。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种票据图像倒置检测方法。
背景技术
在图像或文字识别过程中,所拍摄图像的方向对最终识别效果具有重要的影响。特别是采用标准模板对图像信息进行分割的过程中,如果不能辨识图像方向就会造成图像不能得到正确识别。传统的解决方案主要是采用OCR识别和图像特征投影运算,这两种运算方法数据量大,且运算准确度不够,使用中较难满足实时性、准确性的要求。
发明内容
本发明的目的在于提供一种票据图像倒置检测方法,所述检测方法基于多区域直方图特征量分析的简易算法实现票据图像倒置检测,可提高票据图像倒置检测速度和准确性。
为了实现上述目的,本发明提供以下第一技术方案:一种票据图像倒置检测方法,包括以下步骤:
对采集的票据图像进行预处理,使票据图像的长宽与判断模型中标准图像的长宽一致;
对预处理后的票据图像均匀地进行区域分割,且分割方式与建立判断模型时标准图像的分割方式一致;计算各区域中各像素点的灰度值;
针对票据图像中的各区域,从0~255灰度值中选取同一段灰度值区间,且所选取的灰度值区间与建立判断模型时所选取的灰度值区间为同一区间;分别计算各区域在所述灰度值区间内的所有像素点的灰度值平均值;
根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系,将所述比较关系与判断模型中各区域关于灰度值平均值的比较关系相对比,若两种比较关系一致,则票据图像的方向与判断模型中标准图像的方向一致。
基于本发明的第一技术方案,第一种实施方式为:还包括建立判断模型,并确定判断模型中各区域关于灰度值平均值的比较关系,具体包括以下步骤:
对采集的多张同方向的票据图像进行预处理,使每张票据图像的长宽等于票据本身的长宽,预处理后的票据图像作为标准图像;
对每张标准图像均匀地进行区域分割,且每张标准图像的分割方式一致,针对每张标准图像分别计算各区域中各像素点的灰度值;
针对每张标准图像的各个区域,从0~255灰度值中选取同一段灰度值区间,且每张标准图像选取的灰度值区间均一致;分别计算每张标准图像的各区域在所述灰度值区间内的所有像素点的灰度值平均值;
针对每张标准图像,根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系;统计每张标准图像中各区域关于灰度值平均值的比较关系,从多个比较关系中选取所占比例最大的比较关系作为判断模型中各区域关于灰度值平均值的比较关系。
基于本发明的第一技术方案,第二种实施方式为:所述对采集的票据图像进行预处理,具体包括票据图像尺寸调整和倾角调整;
所述票据图像尺寸调整和倾角调整,具体为:在票据图像所在平面建立平面直角坐标系;根据公式x=a0+a1u+a2v+a3uv,y=b0+b1u+b2v+b3uv,其中(u,v)表示已知的在尺寸和倾角调整前票据图像中各像素点的坐标,(x,y)表示在尺寸和倾角调整后票据图像中各像素点的坐标,选取四个像素点并设定所述四个像素点在尺寸和倾角调整后的坐标,根据所述四个像素点已知的在尺寸和倾角调整前的坐标和所述四个像素点已设定的在尺寸和倾角调整后的坐标,计算得出变换系数a0、a1、a2、a3、b0、b1、b2、b3;根据所得出的变换系数,计算各剩余像素点在尺寸和倾角调整后的坐标,进而完成票据图像的尺寸调整和倾角调整。
基于本发明的第一技术方案,和所述第一技术方案的第二种实施方式,第三种实施方式为:对预处理后的票据图像均匀地进行区域分割,且分割方式与建立判断模型时标准图像的分割方式一致;计算各区域中各像素点的灰度值;具体包括:
将预处理后的票据图像分割为至少两个区域,每个区域所占的面积相等;且每个区域在平面直角坐标系中的位置与判断模型中每个区域在平面直角坐标系中的位置一一对应;每个区域对应一个编号,且各区域的编号与判断模型中相应区域的编号一致;
通过公式 计算灰度值Gray[i,j],其中i=1,2,3...W,j=1,2,3...H,W表示票据图像中像素点的总排数,H表示票据图像中像素点的总列数,Gray[i,j]表示像素点[i,j]的灰度值,R[i,j]表示像素点[i,j]的RGB颜色空间的红色分量值,G[i,j]表示像素点[i,j]的RGB颜色空间的绿色分量值,B[i,j]表示像素点[i,j]的RGB颜色空间的蓝色分量值。
基于本发明的第一技术方案,和所述第一技术方案的第三种实施方式,第四种实施方式为:所述根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系,将所述比较关系与判断模型中各区域关于灰度值平均值的比较关系相对比,若两种比较关系一致,则票据图像的方向与判断模型中标准图像的方向一致;具体为:
比较票据图像中各区域计算所得的灰度值平均值,从其中选取最大或最小的灰度值平均值,将最大或最小的灰度平均值所对应区域的编号作为比较关系;
将票据图像中最大灰度平均值所对应区域的编号与判断模型中最大灰度值平均值所对应区域的编号相对比,若两编号一致,则票据图像的方向与判断模型中标准图像的方向一致;
或者,将票据图像中最小灰度平均值所对应区域的编号与判断模型中最小灰度值平均值所对应区域的编号相对比,若两编号一致,则票据图像的方向与判断模型中标准图像的方向一致。
基于本发明的第一技术方案,和所述第一技术方案的第三种实施方式,第五种实施方式为:所述根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系,将所述比较关系与判断模型中各区域关于灰度值平均值的比较关系相对比,若两种比较关系一致,则票据图像的方向与判断模型中标准图像的方向一致;具体为:
比较票据图像中各区域计算所得的灰度值平均值,并根据灰度值平均值对票据图像各区域进行排序,将所述排序顺序作为比较关系;
将票据图像中各区域的排序顺序与判断模型中各区域根据灰度值平均值的排序顺序相对比,若两种排序顺序一致,则票据图像的方向与判断模型中标准图像的方向一致。
基于本发明的第一技术方案,第六种实施方式为:在对预处理后的票据图像进行区域分割前,还包括根据票据图像的RGB颜色分量预先判断票据版本,具体包括:
针对预处理后的票据图像,分别计算票据图像中所有像素点的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值;
将票据图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值与判断模型中各版本标准图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值分别进行比较,选择颜色分量最接近的判断模型中的一个版本,作为票据图像的版本。
基于本发明的第一技术方案,和所述第一技术方案的第六种实施方式,第七种实施方式为:还包括预先在判断模型中计算各版本标准图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值的步骤。
与现有技术相比,本发明提供的票据图像倒置检测方法利用票据图像中各区域关于灰度值平均值的比较关系作为判断依据,原理更简单,运算的数据量更小,准确率更高,检测结果显而易见,应用时更能满足实时性和准确性的要求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简要介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关附图。
图1所示为实施例提供的票据图像倒置检测方法的流程图。
图2所示为实施例提供的建立判断模型的方法。
图3所示为实施例中票据图像区域分割示意图。
图4所示为图3所示票据图像中A区域的灰度直方图。
图5所示为图3所示票据图像中B区域的灰度直方图。
图6所示为图3所示票据图像中C区域的灰度直方图。
图7所示为图3所示票据图像中D区域的灰度直方图。
图8所示为图3所示票据图像中A区域的0~40灰度值区间的灰度值直方图。
图9所示为图3所示票据图像中B区域的0~40灰度值区间的灰度值直方图。
图10所示为图3所示票据图像中C区域的0~40灰度值区间的灰度值直方图。
图11所示为图3所示票据图像中D区域的0~40灰度值区间的灰度值直方图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚完整的描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。基于本发明的实施例,本领域技术人员在没有创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
考虑到目前现有的票据图像倒置检测方法运算的数据量大、且运算的准确度不够,应用时难以满足实时性和准确性的要求,基于此,本实施例以车票图像倒置检测为例,提供了一种票据图像倒置检测方法,所述方法运算的数据量更小,准确率更高,检测结果显而易见,应用时更能满足实时性和准确性的要求。
请参阅图1所示,实施例所述方法包括S101、S102、S103和S104这四步,其中步骤S104中需借助判断模型。
请参阅图2所示,所述判断模型的建立方法包括:
S201:对采集的多张同方向的票据图像进行预处理,使每张票据图像的长宽等于票据本身的长宽,预处理后的票据图像作为标准图像。
本实施例中选取104张90*60mm2的车票,分别采集这104张车票正置的图像,对每张车票的尺寸和角度进行调整。具体为:根据公式X=A0+A1U+A2V+A3UV,Y=B0+B1U+B2V+B3UV,其中(U,V)表示已知的每张车票图像在尺寸和倾角调整前各像素点的坐标,(X,Y)表示每张车票图像在尺寸和倾角调整后各像素点的坐标。本实施例中,选取车票图像四个角点上的像素点,并设定该四个像素点在尺寸和倾角调整后的坐标分别为(0,0)、(0,60)、(90,60)、(90,0)(考虑到车票的尺寸为90*60mm2),同时由于这四个像素点在尺寸和倾角调整前的坐标已知,所以根据这四个像素点在尺寸和倾角调整前后的坐标可计算得出变换系数A0、A1、A2、A3、B0、B1、B2、B3;根据所得出的变换系数,可快速计算出各剩余像素点在尺寸和倾角调整后的坐标,进而快速完成车票图像的尺寸调整和倾角调整。
S202:对每张标准图像均匀地进行区域分割,且每张标准图像的分割方式一致,针对每张标准图像分别计算各区域中各像素点的灰度值。
请参阅图3所示,本实施例中,将每张标准图像均分为A、B、C、D四个区域。通过公式 计算灰度值Gray[i,j],其中i=1,2,3...W,j=1,2,3...H,W表示标准图像中像素点的总排数,H表示标准图像中像素点的总列数,Gray[i,j]表示像素点[i,j]的灰度值,R[i,j]表示像素点[i,j]的RGB颜色空间的红色分量值,G[i,j]表示像素点[i,j]的RGB颜色空间的绿色分量值,B[i,j]表示像素点[i,j]的RGB颜色空间的蓝色分量值。请参阅图4至图7所示,利用直方图分别统计各区域灰度值的计算结果。
S203:针对每张标准图像的各个区域,从0~255灰度值中选取同一段灰度值区间,且每张标准图像选取的灰度值区间均一致;分别计算每张标准图像的各区域在所述灰度值区间内的所有像素点的灰度值平均值。
请参阅图8至图11所示,本实施例中,针对每张标准图像的各个区域,从0~255灰度值中选取0~40灰度值区间,且每张标准图像均选取0~40灰度值这一区间。对每张标准图像的A区域中所有灰度值在0~40之间的像素点计算灰度值平均值,相应的,对每张标准图像的B、C、D区域进行相同计算。
应当理解的,从0~255灰度值中所选取的灰度值区间并不局限于上述举例,例如本实施例甚至可以将0~255灰度值作为所选取的灰度值区间。
S204:针对每张标准图像,根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系;统计每张标准图像中各区域关于灰度值平均值的比较关系,从多个比较关系中选取所占比例最大的比较关系作为判断模型中各区域关于灰度值平均值的比较关系。
在本实施例中,经过计算和比较104张标准图像中有102张标准图像呈现的规律为:四个区域0~40灰度值区间的灰度值平均值排序为C>A>B>D,四个区域0~255灰度值区间的灰度值平均值排序为C>A>B>D。且所有标准图像中灰度值平均值最大的区域均为C区域。
本实施例中,选取0~40灰度值区间的灰度值平均值最大的区域为C区域这一特点,作为判断模型中各区域关于灰度值平均值的比较关系。
或者本实施例中,还可以选取四个区域0~40灰度值区间的灰度值平均值排序为C>A>B>D这一特点,作为判断模型中各区域关于灰度值平均值的比较关系。
在判断模型建立完毕后,本实施例以一张90*60mm2的车票为例,对所述票据图像倒置检测方法作详细介绍。
S101:对采集的票据图像进行预处理,使票据图像的长宽与判断模型中标准图像的长宽一致。
图像预处理需要达到的效果在于将车票图像的长宽尺寸调整至与断模型中标准图像的长宽尺寸一致,同时需要调整车票图像的角度,使车票图像无偏斜。本实施例中首先在票据图像所在平面建立平面直角坐标系;然后在保证调整准确度的前提下对车票图像进行线性变化,即对车票图像尺寸和倾角进行调整。
对车票图像的尺寸和倾角进行调整,具体为:根据公式x=a0+a1u+a2v+a3uv,y=b0+b1u+b2v+b3uv,其中(u,v)表示已知的在尺寸和倾角调整前车票图像中各像素点的坐标,(x,y)表示在尺寸和倾角调整后车票图像中各像素点的坐标,选取四个像素点并设定所述四个像素点在尺寸和倾角调整后的坐标,根据所述四个像素点已知的在尺寸和倾角调整前的坐标和所述四个像素点已设定的在尺寸和倾角调整后的坐标,计算得出变换系数a0、a1、a2、a3、b0、b1、b2、b3;根据所得出的变换系数,计算各剩余像素点在尺寸和倾角调整后的坐标,进而完成票据图像的尺寸调整和倾角调整。
本实施例中,选取车票图像四个角点上的像素点,为了使尺寸和倾角调整后的车票图像的长宽尺寸与判断模型中标准图像的长宽尺寸一致,本实施例将该四个像素点在尺寸和倾角调整后的坐标分别设定为(0,0)、(0,60)、(90,60)、(90,0)。同时由于这四个像素点在尺寸和倾角调整前的坐标已知,所以根据这四个像素点在尺寸和倾角调整前后的坐标可计算得出变换系数a0、a1、a2、a3、b0、b1、b2、b3;根据所得出的变换系数,可快速计算出各剩余像素点在尺寸和倾角调整后的坐标,进而快速完成车票图像的尺寸调整和倾角调整。
S102:对预处理后的票据图像均匀地进行区域分割,且分割方式与建立判断模型时标准图像的分割方式一致;计算各区域中各像素点的灰度值。
本实施例中,与判断模型相对应的,将预处理后的车票图像均分为A、B、C、D四个区域。且A、B、C、D四个区域与判断模型中A、B、C、D四个区域在平面直角坐标系中的位置一一对应。
通过公式 计算灰度值gray[i,j],其中i=1,2,3...w,j=1,2,3...h,w表示车票图像中像素点的总排数,h表示车票图像中像素点的总列数,gray[i,j]表示像素点[i,j]的灰度值,r[i,j]表示像素点[i,j]的RGB颜色空间的红色分量值,g[i,j]表示像素点[i,j]的RGB颜色空间的绿色分量值,b[i,j]表示像素点[i,j]的RGB颜色空间的蓝色分量值。
S103:针对票据图像中的各区域,从0~255灰度值中选取同一段灰度值区间,且所选取的灰度值区间与建立判断模型时所选取的灰度值区间为同一区间;分别计算各区域在所述灰度值区间内的所有像素点的灰度值平均值。
本实施例中,与判断模型相对应的,车票图像的各个区域从0~255灰度值中均选取0~40灰度值区间,对车票图像的A区域中所有灰度值在0~40之间的像素点计算灰度值平均值,相应的,对每张车票图像的B、C、D区域进行相同计算。
或者与判断模型相对应的,车票图像的各个区域从0~255灰度值中均选取0~255灰度值区间,对车票图像的A区域中所有灰度值在0~255之间的像素点计算灰度值平均值,相应的,对每张车票图像的B、C、D区域进行相同计算。
S104:根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系,将所述比较关系与判断模型中各区域关于灰度值平均值的比较关系相对比,若两种比较关系一致,则票据图像的方向与判断模型中标准图像像的方向一致。
作为第一种可实施方式的举例,比较票据图像中各区域计算所得的灰度值平均值,从其中选取最大或最小的灰度值平均值,将最大或最小的灰度平均值所对应区域的编号作为比较关系;将票据图像中最大灰度平均值所对应区域的编号与判断模型中最大灰度值平均值所对应区域的编号相对比,若两编号一致,则票据图像的方向与判断模型中标准图像的方向一致;或者,将票据图像中最小灰度平均值所对应区域的编号与判断模型中最小灰度值平均值所对应区域的编号相对比,若两编号一致,则票据图像的方向与判断模型中标准图像的方向一致。
判断模型选取0~40灰度值区间的灰度值平均值最大的区域为C区域这一特点,作为判断模型中各区域关于灰度值平均值的比较关系。相对应的,在本实施例中,经过计算,A、B、C、D四个区域0~40灰度值区间的灰度值平均值之比为1.1377:1.1264:1.3387:1,其中C区域的灰度值平均值最大。根据上述结果可知,该车票中C区域的灰度值平均值最大,判断模型中同样是C区域的灰度值平均值最大,所以该车票图像的方向与判断模型中标准图像的方向一致。由于建立判断模型时选取104张正置的车票图像,则可判断出该车票图像为正置。
若判断模型选取0~255灰度值区间的灰度值平均值最大的区域为C区域这一特点,作为判断模型中各区域关于灰度值平均值的比较关系。相对应的,在本实施例中,经过计算,A、B、C、D四个区域0~255灰度值区间的灰度值平均值之比为1:1.1105:1.4933:1.1568,其中C区域的灰度值平均值最大。根据上述结果可知,该车票图像为正置。
作为第二种可实施方式的举例,比较票据图像中各区域计算所得的灰度值平均值,并根据灰度值平均值对票据图像各区域进行排序,将所述排序顺序作为比较关系;将票据图像中各区域的排序顺序与判断模型中各区域根据灰度值平均值的排序顺序相对比,若两种排序顺序一致,则票据图像的方向与判断模型中标准图像的方向一致。
若判断模型选取四个区域0~40灰度值区间的灰度值平均值排序为C>A>B>D这一特点,作为判断模型中各区域关于灰度值平均值的比较关系。相对应的,在本实施例中,经过计算,A、B、C、D四个区域0~40灰度值区间的灰度值平均值之比为1.1377:1.1264:1.3387:1,四个区域0~40灰度值区间的灰度值平均值排序亦为C>A>B>D,根据上述结果可知,该车票图像为正置。
考虑到车票图像包括红色和蓝色两种版本的车票,两种版本车票的尺寸、排版均不一致。所以在对预处理后的票据图像进行区域分割前,还包括根据票据图像的RGB颜色分量预先判断票据版本。车票版本区分完毕后,不同版本的车票对应不同的区域分割方式和比较关系。
本实施例中,在进行车票版本判断时,具体包括:针对预处理后的车票图像,分别计算车票图像中所有像素点的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值;
将车票图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值与判断模型中各版本标准图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值分别进行比较,选择颜色分量最接近的判断模型中的一个版本,作为车票图像的版本。
作为举例,可将车票图像依次与判断模型中每个版本的车票图像进行红色分量值的平均值求差、黄色分量值的平均值求差和蓝色分量值的平均值求差,将三个差值的绝对值相加;若车票有两种版本,则得到两个绝对值相加之和,比较这两个绝对值相加之和的大小,值较小的对应的版本即为该车票图像的版本。
在根据票据图像的RGB颜色分量预先判断票据版本之前,还需预先在判断模型中计算各版本标准图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员,在本发明揭露的技术范围内,可轻易想到变化或替换,都应该涵盖在本发明的保护范围内。
Claims (7)
1.一种票据图像倒置检测方法,其特征在于,包括以下步骤:
对采集的票据图像进行预处理,包括票据图像尺寸调整和倾角调整,使票据图像的长宽与判断模型中标准图像的长宽一致;所述票据图像尺寸调整和倾角调整,具体为:在票据图像所在平面建立平面直角坐标系;根据公式x=a0+a1u+a2v+a3uv,y=b0+b1u+b2v+b3uv,其中(u,v)表示已知的在尺寸和倾角调整前票据图像中各像素点的坐标,(x,y)表示在尺寸和倾角调整后票据图像中各像素点的坐标,选取四个像素点并设定所述四个像素点在尺寸和倾角调整后的坐标,根据所述四个像素点已知的在尺寸和倾角调整前的坐标和所述四个像素点已设定的在尺寸和倾角调整后的坐标,计算得出变换系数a0、a1、a2、a3、b0、b1、b2、b3;根据所得出的变换系数,计算各剩余像素点在尺寸和倾角调整后的坐标,进而完成票据图像的尺寸调整和倾角调整;
对预处理后的票据图像均匀地进行区域分割,且分割方式与建立判断模型时标准图像的分割方式一致;计算各区域中各像素点的灰度值;
针对票据图像中的各区域,从0~255灰度值中选取同一段灰度值区间,且所选取的灰度值区间与建立判断模型时所选取的灰度值区间为同一区间;分别计算各区域在所述灰度值区间内的所有像素点的灰度值平均值;
根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系,将所述比较关系与判断模型中各区域关于灰度值平均值的比较关系相对比,若两种比较关系一致,则票据图像的方向与判断模型中标准图像的方向一致。
2.根据权利要求1所述方法,其特征在于,还包括建立判断模型,并确定判断模型中各区域关于灰度值平均值的比较关系,具体包括以下步骤:
对采集的多张同方向的票据图像进行预处理,使每张票据图像的长宽等于票据本身的长宽,预处理后的票据图像作为标准图像;
对每张标准图像均匀地进行区域分割,且每张标准图像的分割方式一致,针对每张标准图像分别计算各区域中各像素点的灰度值;
针对每张标准图像的各个区域,从0~255灰度值中选取同一段灰度值区间,且每张标准图像选取的灰度值区间均一致;分别计算每张标准图像的各区域在所述灰度值区间内的所有像素点的灰度值平均值;
针对每张标准图像,根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系;统计每张标准图像中各区域关于灰度值平均值的比较关系,从多个比较关系中选取所占比例最大的比较关系作为判断模型中各区域关于灰度值平均值的比较关系。
3.根据权利要求1所述方法,其特征在于,对预处理后的票据图像均匀地进行区域分割,且分割方式与建立判断模型时标准图像的分割方式一致;计算各区域中各像素点的灰度值;具体包括:
将预处理后的票据图像分割为至少两个区域,每个区域所占的面积相等;且每个区域在平面直角坐标系中的位置与判断模型中每个区域在平面直角坐标系中的位置一一对应;每个区域对应一个编号,且各区域的编号与判断模型中相应区域的编号一致;
4.根据权利要求3所述方法,其特征在于,所述根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系,将所述比较关系与判断模型中各区域关于灰度值平均值的比较关系相对比,若两种比较关系一致,则票据图像的方向与判断模型中标准图像的方向一致;具体为:
比较票据图像中各区域计算所得的灰度值平均值,从其中选取最大或最小的灰度值平均值,将最大或最小的灰度平均值所对应区域的编号作为比较关系;
将票据图像中最大灰度平均值所对应区域的编号与判断模型中最大灰度值平均值所对应区域的编号相对比,若两编号一致,则票据图像的方向与判断模型中标准图像的方向一致;
或者,将票据图像中最小灰度平均值所对应区域的编号与判断模型中最小灰度值平均值所对应区域的编号相对比,若两编号一致,则票据图像的方向与判断模型中标准图像的方向一致。
5.根据权利要求3所述方法,其特征在于,所述根据各区域计算所得的灰度值平均值,确定各区域关于灰度值平均值的比较关系,将所述比较关系与判断模型中各区域关于灰度值平均值的比较关系相对比,若两种比较关系一致,则票据图像的方向与判断模型中标准图像的方向一致;具体为:
比较票据图像中各区域计算所得的灰度值平均值,并根据灰度值平均值对票据图像各区域进行排序,将所述排序顺序作为比较关系;
将票据图像中各区域的排序顺序与判断模型中各区域根据灰度值平均值的排序顺序相对比,若两种排序顺序一致,则票据图像的方向与判断模型中标准图像的方向一致。
6.根据权利要求1所述方法,其特征在于,在对预处理后的票据图像进行区域分割前,还包括根据票据图像的RGB颜色分量预先判断票据版本,具体包括:
针对预处理后的票据图像,分别计算票据图像中所有像素点的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值;
将票据图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值与判断模型中各版本标准图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值分别进行比较,选择颜色分量最接近的判断模型中的一个版本,作为票据图像的版本。
7.根据权利要求6所述方法,其特征在于,还包括预先在判断模型中计算各版本标准图像的红色分量值的平均值、黄色分量值的平均值和蓝色分量值的平均值的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810044894.2A CN108256475B (zh) | 2018-01-17 | 2018-01-17 | 一种票据图像倒置检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810044894.2A CN108256475B (zh) | 2018-01-17 | 2018-01-17 | 一种票据图像倒置检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256475A CN108256475A (zh) | 2018-07-06 |
CN108256475B true CN108256475B (zh) | 2021-05-11 |
Family
ID=62741444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810044894.2A Active CN108256475B (zh) | 2018-01-17 | 2018-01-17 | 一种票据图像倒置检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256475B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447067B (zh) * | 2018-10-24 | 2021-07-20 | 北方民族大学 | 一种票据方向检测矫正方法及自动检票*** |
CN114445467A (zh) * | 2021-12-21 | 2022-05-06 | 贵州大学 | 基于视觉的四旋翼无人机特定目标识别与追踪*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419817A (zh) * | 2010-09-27 | 2012-04-18 | 贵州黔驰电力信息技术有限公司 | 一种基于智能图像识别的自动文档扫描分析处理*** |
CN106530483A (zh) * | 2016-11-10 | 2017-03-22 | 深圳怡化电脑股份有限公司 | 一种纸币面向识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8995012B2 (en) * | 2010-11-05 | 2015-03-31 | Rdm Corporation | System for mobile image capture and processing of financial documents |
-
2018
- 2018-01-17 CN CN201810044894.2A patent/CN108256475B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419817A (zh) * | 2010-09-27 | 2012-04-18 | 贵州黔驰电力信息技术有限公司 | 一种基于智能图像识别的自动文档扫描分析处理*** |
CN106530483A (zh) * | 2016-11-10 | 2017-03-22 | 深圳怡化电脑股份有限公司 | 一种纸币面向识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108256475A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427946B (zh) | 复杂场景下基于内特征和文本域布局的驾驶证检测识别方法 | |
CN105261110B (zh) | 一种高效dsp纸币冠字号识别方法 | |
CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
CN106339707B (zh) | 一种基于对称性特征的仪表指针图像识别方法 | |
CN103034848B (zh) | 一种表单类型的识别方法 | |
CN111914838B (zh) | 一种基于文本行识别的车牌识别方法 | |
CN108537782B (zh) | 一种基于轮廓提取的建筑物图像匹配与融合的方法 | |
CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN102184544B (zh) | 校畸和识别围棋棋谱图像的方法 | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN106446894A (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN109523583B (zh) | 一种基于反馈机制的电力设备红外与可见光图像配准方法 | |
CN103177249A (zh) | 图像处理装置和图像处理方法 | |
CN101958989A (zh) | 图像处理装置、图像处理***及图像处理方法 | |
CN106709952B (zh) | 一种显示屏幕的自动标定方法 | |
CN104966348B (zh) | 一种票据图像要素完整性检测方法及*** | |
CN104599288A (zh) | 一种基于肤色模板的特征跟踪方法及装置 | |
CN108256475B (zh) | 一种票据图像倒置检测方法 | |
CN112560847A (zh) | 图像文本区域定位方法及装置、存储介质及电子设备 | |
CN109858484B (zh) | 一种基于偏斜评价的多类别变换车牌校正方法 | |
CN108197624A (zh) | 证书图像校正识别方法及装置、计算机存储介质 | |
CN116052152A (zh) | 一种基于轮廓检测和深度神经网络的车牌识别*** | |
JP2011165170A (ja) | 対象物検出装置及びプログラム | |
JP2003162719A (ja) | ディジタルイメージの中のパターンの検出 |
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 |