CN111539409B - 一种基于高光谱遥感技术的古墓题记文字识别方法 - Google Patents
一种基于高光谱遥感技术的古墓题记文字识别方法 Download PDFInfo
- Publication number
- CN111539409B CN111539409B CN202010273640.5A CN202010273640A CN111539409B CN 111539409 B CN111539409 B CN 111539409B CN 202010273640 A CN202010273640 A CN 202010273640A CN 111539409 B CN111539409 B CN 111539409B
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral
- inscription
- pixel
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 102000006463 Talin Human genes 0.000 claims description 9
- 108010083809 Talin Proteins 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 241001270131 Agaricus moelleri Species 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 241001085205 Prenanthella exigua Species 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 102000034354 Gi proteins Human genes 0.000 claims description 3
- 108091006101 Gi proteins Proteins 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001028 reflection method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06T2207/20032—Median 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
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高光谱遥感技术的古墓题记文字识别方法，包括：步骤1、利用高光谱仪器按顺序获取古墓碑刻的图像数据，每个区域获取多张高光谱图像；步骤2、对碑刻的高光谱图像进行预处理；步骤3、选择光谱波段对高光谱图像进行光谱处理；步骤4、对光谱处理后的碑刻图像进行图像增强；步骤5、对图像增强后的碑刻图像进行文字识别，利用文字图像库与待识别的碑刻图像进行相似度比较，根据相似度输出文字识别结果。本发明能对于处于不同环境下的碑刻题记的文字进行识别，有较好的适应性，能够在对肉眼无法识别的文字进行提取，在对包含文字的图片增强的同时平滑噪声，文字识别效果的可靠性，实用性和可行性较好。
Description
技术领域
本发明涉及文物鉴定与保护的文字识别领域，尤其涉及一种基于高光谱遥感技术的古墓题记文字识别方法。
背景技术
中国是一个历史悠久的文明古国，拥有海量的遗迹遗物。而如何有效保护这些遗迹遗物，是当今科研人员面对的一项重大挑战。作为古代文字信息的重要载体，古墓碑刻是一种具有极高历史价值和艺术价值的文物类型。常见的古墓碑刻退化方式包括风化侵蚀、裂隙空鼓、生物病害等多种不可逆损伤，可能造成文物信息的永久性丢失，对古墓碑刻的文字信息完整性和文物价值造成了极大威胁。
传统的碑刻文字信息提取主要为专业人员依据经验对文字进行肉眼识别，具有效率低，误字率高等缺点，无法满足大量的、高精度的碑刻文字识别需求。因此，开发一种新型的高效、高精度的古墓碑刻文字识别技术迫在眉睫。
近年来，因计算机软硬件条件的改善，计算机图形学科的进展，数字图像处理技术的不断提高，出现了遥感高光谱技术在文物研究和保护领域的尝试性应用，但是对于古墓碑刻的类似研究却没有先例。
随着高光谱遥感技术的发展，光谱分辨率和空间分辨率越来越高，高光谱遥感凭借其大信息量，具有高光谱分辨率、图谱合一以及无损探测等特点已经在许多领域广泛应用。
目前，高光谱遥感在文物保护工作中发挥着一定作用，但研究局限于彩绘画作这部分研究，在古墓环境下尤其是对碑文的处理效果往往差强人意。而且现在国内使用高光谱成像技术分析文物的效率较低，每次成像面积较小只能分析文物的局部，因此未来如何提高高光谱成像技术分析书画文物的效率将成为一大研究方向。此外遥感本身作为交叉性学科，随着计算理论和优化理论的不断发展，在模式识别、机器学习和人工智能领域涌现出了大量新理论、新方法和新技术，如何将这些成果应用于高光谱图像处理与信息提取是我们要思考的问题。
本发明开发了一种建立在遥感高光谱，高光谱图像增强和模式识别等基础技术上的，关于古墓碑刻保护的综合技术方案。本发明可对不同材质，不同字体等多类型古墓碑刻进行文字识别，获得的实验数据可以作为古墓碑刻文字识别的重要参考，为古墓碑刻的研究和保护工作做出巨大支持。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于高光谱遥感技术的古墓题记文字识别方法，其方法简单实用，对于处于不同环境下的碑刻题记的文字识别有较好的适应性，能够在对肉眼无法识别的文字进行提取，在对包含文字的图片增强的同时平滑噪声，文字识别效果的可靠性，实用性和可行性较好。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于高光谱遥感技术的古墓题记文字识别方法，该方法包括以下步骤：
步骤1、对古墓碑刻进行分区，按照设定的分区数量和大小，调整高光谱仪器，利用高光谱仪器按顺序获取古墓碑刻的图像数据，每个区域获取多张高光谱图像；
步骤2、对碑刻的高光谱图像进行预处理，包括：图像纠正、图像变换、图像拼接和降噪处理；在暗场和亮场分别采集图像，按点对点位置做平均，分别确定暗场和亮场固定噪声自适应阈值检测；列出位置坐标信息，进行边缘填充和低通滤波处理；
步骤3、选择光谱波段对高光谱图像进行光谱处理；
步骤4、对光谱处理后的碑刻图像进行图像增强，包括：非线性拉伸，增加图像对比度，对图像进行色调调整和锐化处理；
步骤5、对图像增强后的碑刻图像进行文字识别，利用文字图像库与待识别的碑刻图像进行相似度比较，提取待识别的碑刻图像的图像特征，将其与图像库中的文字图像特征进行比对，根据相似度输出文字识别结果。
进一步地，本发明的步骤1中的具体方法为：
设定分区的数量与大小，设计最合适的采集图像顺序，并分别对图像进行编号：S＝{S1,S2,S3,…,S25,S26,S27,…}；在分区完成之后，对图像进行对焦；调整高光谱仪器的位置，选取物距，使获取到的图像分辨率达到最大值，在每个区域获取多个数量的高光谱图像。
进一步地，本发明的步骤2中的具体方法为：
步骤201、对域获取的多张高光谱图像进行拼接，具体过程如下：
步骤2011、按以下公式对图像进行角点检测：
R＝det(M)-k(trace(M))2
其中，I(i,j)是像素坐标位置(i,j)的图像灰度值，ω(i,j)是窗口函数最简单情形就是窗口内的所有像素所对应的权重系数均为1，det(M)是求方阵的行列式，trace(M)是求方阵主对角线上各元素之和，k为经验常数，一般取值范围为0.04-0.06，M为所求得的特征矩阵，通过R的值来判断是否为角点。当R数值为正数时，将坐标位置(i,j)认为是角点；
步骤2012、对相连的图像进行归一化互相关计算：
其中,I1(xi)是原图，xi＝(i,j)是窗口的像素坐标，I2(xi+u)是待匹配的图，u＝(m,n)需要遍历的位移，NCC(u)值越大，则说明原图中xi与待匹配图中xi+u的点为同名点；
步骤2013、按以下步骤对图像进行变形融合：
p2＝Hp1
原图像与待匹配图像的单应矩阵为H，p1(x1,y1)和p1(x1,y1)是一对匹配点，利用步骤2012中的匹配点可算出H。利用计算出的H，将待匹配的图像中的点计算出新的坐标，将图像进行拼接。
再将每个输入图像的像素映射到参加图像定义的平面上；最后按以下公式在重叠区域进行融合像素颜色：
其中，每个像素点(i,j)在图像I(i,j)＝(Rαi,Gαi,Bαi,αi)，(R,G,B)是像素的颜色值α1和α2为所对应的权重系数，最简单情形均为1；
步骤202、对图像进行去噪处理，其具体过程如下：
步骤2021、在暗场和亮场分别采集多幅图像，对属于不同场的图像分别按点对点位置方法对像素点取平均值，去除随机噪声；并分别确定暗场和亮场固定噪声自适应检测阈值；
步骤2022、根据步骤201中的图像坐标信息，列出暗场和亮场固定噪声的位置坐标信息，并进行是否为边缘的检测；如果是边缘，则通过镜像反射方法来填补，并在该噪声点位置所在的像素点按下列公式进行3x3中值滤波算法处理：
g(i,j)＝[f(i,j)+f(i+1,j)+f(i-1,j)+f(i,j+1)+f(i,j-1)+f(i+1,j+1)
+f(i+1,i-1)+f(i-1,i+1)+f(i-1,i-1)]/9
其中，f(i,j)为原图像像素坐标位置(i,j)的图像灰度值，g(i,j)为处理后的图片。
进一步地，本发明的步骤3中对碑刻图像进行光谱处理的具体方法为：
步骤301、通过波段运算实现光谱处理，把单个或者多个波段图像对应像素在空间配准后通过运算过程得到新的像素值；波段运算方法的公式为：
band1+band2
band1-band2
band1×band2
band1÷band2
多波段运算的公式为：
(band1-band2)/(band3-band4)
其中，band1-4分别为所选择的波段的图像，按对应像素位置一一进行点运算。
步骤302、进行多波段选择，选择出最优波段，具体过程为：
步骤3021、将所有波段的图片中属于同一波段的图像划分于同一波段子集，选择3个子集代表波段为一组，组成n组波段集合B＝{B1,B2,B3,…,Bn}，每个组合合成假彩色图像；
步骤3022、求各波段组合波段法OIF，波段间相关性小于0.3，波段的标准差大于1.8的，输出特征波段，其余的删除；OIF的计算公式为：
Cov(i,j)＝E[SiSj]-E[Si]E[Sj]
其中，si为第i个波段图像，Si是第i个波段图像的标准差，ti是第i个波段图像的大小，Rij是i，j两波段的相关系数。
进一步地，本发明的步骤4中进行非线性拉伸处理，增加图像对比度，再进行色调调整和锐化，使边缘更加锐利清晰的具体方法为：
步骤401、对图像进行非线性拉伸处理；先将高光谱影像读入，应用以下数学表达式对像素点进行变换处理：
其中，原图像p(i,j)的灰度范围为[0,Mf]，线性变换后图像P(i,j)的范围为[0,Mg]；(c/a)>1时，对灰度区间[0,a]进行线性拉伸，0<(c/a)<1时，进行压缩；按上述方法对图像所有灰度分区并进行调整；
具体处理方法包括以下两种：
步骤4011、将碑刻影像中曝光低于阈值的部分亮度调低使墨迹更为明显，将影像中曝光大于阈值的部分亮度降低避免背景过亮影响判读，但仍保证整体和墨迹反差大于阈值；
步骤4012、通过将影像中曝光低于阈值的部分亮度调高，影像中曝光大于阈值的部分调暗，得到的影像中墨迹呈现亮白色，便于判读；
步骤402、对高光谱影像进行色调调整；先按下列公式将以RGB格式读入的影像数据转换为HIS格式；
其中，R，G，B为原图像对应RGB通道的值，求出的H即为需要调整的色调；将H值不断调整，使图像色调达到一定阈值，便于当前图片的分辨；
步骤403、对高光谱影像进行锐化；对高光谱影像进行锐化；按以下公式将原图像q(i,j)锐化为Q(i,j)：
Q(i,j)＝5q(i,j)-[q(i+1,j)+q(i-1,j)+q(i,j+1)+q(i,j-1)]
进一步地，步骤5中对图像进行处理后，对题记图片进行特征提取，具体方法为：
步骤501、将影像按像素分成若干个矩形，计算每个小矩形内像素值均值：
其中，Kr，Kg，Kb为处理后图像对应RGB通道的值，c和d为所选择矩形的长和宽。
步骤502、若处理图片的方法是将文字部分变亮，石碑部分变暗，则遍历所有图像像素，将满足
的像素按点位置存入一张空白的纯黑色图片。
步骤502、若处理图片的方法是将文字部分变暗，石碑部分变亮，则遍历所有图像像素，将满足
的像素按点位置存入一张空白的纯白色图片。
步骤503、按以下方法计算特征：
步骤5031、计算影像分别计算图像x轴方向和y轴方向的梯度，并据此计算每个像素位置的梯度方向值。
Gx(x,y)＝H(x+1，y)-H(x-1,y)
Gy(x,y)＝H(x，y+1)-H(x,y-1)
其中，Gx(x,y)，Gy(x,y)，H(x，y)，G(x,y)，α(x,y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度、像素值、梯度幅值和梯度方向。
步骤5032、构建梯度直方图。将步骤502处理完后的单个字的图片分成若干个细胞单元，按每2π/9划分一个方向区间，统计9个区间的梯度直方图特征，其中，用α(x,y)作为投影的权值。
步骤5033、将以制图片里的细胞单元的特征向量串联起来得到文字特征。
进一步地，步骤6中对图像进行处理后，对题记的字进行识别分类，方法为：
步骤601、经过简单识别，将待确认字的备选字选出，选择备选字样本，按步骤6进行特征提取，样本数目为n+的正特征样本
和样本数目为n-的负特征样本
记正负训练样本的均值点为x+和x-：
则分别过x+，x-的两个类内超平面为：
正类中的样本点到正类型内超平面的距离为ηi+，同样对于负样本有ηi-:
D+＝max{ηi++
D-＝max{ηi-}
隶属度函数计算公式：
δ是一个事先确定的很小的正常数，为了保证0<Si≤1。Si越大，则说明该字越可能是该样本所代表的字。
本发明产生的有益效果是：
1、使用高光谱成像仪获取有大信息量，具有高光谱分辨率、图谱合一的图像数据，在文字信息增强、隐藏信息提取、底稿线提取、颜料分析等方面有独特的优势；
2、通过使用相关软件对不同波段处理，选择其中特征最为明显的波段，并通过图像锐化功能将文字突出显示，能够实现对肉眼难以辨识图像的识别；
3、高光谱技术能够有效提取碑文字迹的一些化学性质，在字迹识别方面有着其他方法难以比拟的优越性，弥补了文物保护在此方面的技术空缺，为我国的文物保护工作提供了新途径、新方法。
综上所述，本发明方法简单实用，对于处于不同环境下的碑刻题记的文字识别有较好的适应性，能够在对肉眼无法识别的文字进行提取，在对包含文字的图片增强的同时平滑噪声，文字识别效果的可靠性，实用性和可行性较好。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的方法流程图；
图2为高光谱仪对古墓碑刻的分区采集设计图；
图3A为某分区2个波段上的原碑刻图像；
图3B为该分区经波段运算后得到图像；
图4A为某分区原碑刻图像；
图4B为某分区某波段上的原碑刻图像；
图4C为该分区经非线性拉伸后得到图像；
图4D为该分区经锐化后得到图像；
图5为经过本发明方法成功识别肉眼无法判断的文字的一个结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的基于高光谱遥感技术的古墓题记文字识别方法，包括以下步骤：
步骤1、获取碑刻的高光谱图像。要对古墓碑刻进行高光谱技术处理，首先要进行碑刻图像采集。在图形采集过程中，有两个核心点：分区与对焦。由于古墓碑刻一般面积较广，范围较大，不可能一次性获取整张图像，所以必须要对碑刻进行分区：首先，事先设定分区的数量与大小，设计最合适的采集图像顺序，并分别对图像进行编号，S＝{S1,S2,S3,…,S25,S26,S27,…}。在分区完成之后，对图像进行对焦。调整高光谱仪器的位置，选取最合适的物距，使获取到的图像分辨率最高,在每个区域获取多个数量的高光谱图像。
步骤2、对高光谱碑刻图像进行预处理，先对图像进行纠正：对图像进行变换，并进行图像拼接。再将图像里的噪声或一些降低图像质量的因素去除。在高光谱图像中，最常见的有暗电流噪声。高光谱成像仪自身的暗电流会在获取的影像中产生噪点，因此高光谱成像需要进行暗电流的校正。除去暗电流噪声，碑刻图像中一般也会存在一般性噪声。对于一般性噪声，对碑刻图像采用一般的噪声去除方法即可解决。
步骤3、碑刻图像特征波段选择，在进行了去噪处理后，在数量繁多的高光谱图像中，选出质量较高的，易于处理的图像用于之后的处理。经过对碑刻表面化学物质的研究，物理性质的考察，我们能在几千张高光谱碑刻图像中确定优质图像的大概范围，从而极大缩短选择的时间。在进行完特征波段的选择后，再对图像进行目视判读审查与属性检查，以古墓碑刻图像中墨迹文字的色调、颜色、阴影、纹理、对比度以及清晰度作为基本的判断准则。从剩下的较少图像中，选择出最优质的图像。
步骤4、对碑刻图像进行图像增强，图像增强可分为图像处理与光谱处理两个步骤。图像处理使用到了适用于碑刻图像的非线性拉伸，处理过程有以下两种思路：
1、首先将碑刻影像中较暗的部分亮度调低使墨迹更为明显，将影像中曝光较高的部分亮度略微降低避免背景过亮影响判读，但仍保证整体和墨迹反差较大；
2、过将影像中较暗的部分亮度调高，影像中原本很亮的部分调暗，得到的影像中墨迹呈现亮白色，便于判读。
此外，在拉伸处理的基础上，继续进行色调调整和锐化，我们编写了相关算法依次进行色调、色阶调整，使得碑刻图像的字迹更加清晰。之后再进行锐化操作，使得字迹的边缘更加锐利清晰，利于接下来的判读。然后通过波段运算实现光谱处理，把单个或者多个波段图像对应像素在空间配准后通过相关的运算过程得到新的像素值，或者通过提取端元波谱进行光谱分析。在对碑刻图像进行了图形增强之后，碑刻图像的分辨度将得到极大提升。
步骤5、对碑刻图像中的文字进行文字识别。首先利用我们自己设计的算法进行文字识别，再在我们已有的高清晰度的图像的基础上，请来历史与文物学家进行帮助识别。此外还可以利用我们已有的文字图像库与检索图像进行相似度比较。相似度较高的保存下来，等待专家的判别，相似度较低如无法识别，则再次进行处理，待清晰度提高后，再由专家判别。如果图片过于模糊，无法识别，则通过特征提取的算法，保存文字的特征信息，存入数据库，等待之后处理。上述的基于高光谱遥感技术的古墓题记文字识别方法中，对图像噪声的处理方法具体过程为：
步骤201、对图像进行拼接。具体过程如下：
步骤2011、按以下公式对图像进行角点检测：
R＝det(M)-k(trace(M))2 (4)
其中，I(i,j)是像素坐标位置(i,j)的图像灰度值，ω(i,j)是窗口函数最简单情形就是窗口内的所有像素所对应的权重系数均为1，det(M)是求方阵的行列式，trace(M)是求方阵主对角线上各元素之和，k为经验常数，一般取值范围为0.04-0.06，M为所求得的特征矩阵，通过R的值来判断是否为角点。当R数值为正数时，将坐标位置(i,j)认为是角点。
步骤2012、对相连的图像(如S5和S1、S2、S3、S4、S6、S7、S8、S9)进行归一化互相关计算：
其中,I1(xi)是原图，xi＝(i,j)是窗口的像素坐标，I2(xi+u)是待匹配的图，u＝(m,n)需要遍历的位移，NCC(u)值越大，则说明原图中xi与待匹配图中xi+u的点为同名点；
步骤2013、按以下步骤对图像进行变形融合：
p2＝Hp1 (9)
原图像与待匹配图像的单应矩阵为H，p1(x1,y1)和p1(x1,y1)是一对匹配点，利用步骤2012中的匹配点可算出H。利用计算出的H，将待匹配的图像中的点计算出新的坐标，将图像进行拼接。
再将每个输入图像的像素映射到参加图像定义的平面上；最后按以下公式在重叠区域进行融合像素颜色：
其中，每个像素点(i,j)在图像I(i,j)＝(Rαi,Gαi,Bαi,αi)，(R,G,B)是像素的颜色值α1和α2为所对应的权重系数，最简单情形均为1；
步骤202、对图像进行去噪处理。具体过程如下：
步骤2021、采集10幅暗场图像和5幅亮场图像；
步骤2022、分别对10幅暗场图像和5幅亮场图像按点对点位置做平均，去除随机噪声；
步骤2023、分别确定暗场和亮场固定噪声自适应阈值检测；
步骤2024、列出暗场和亮场固定噪声的位置坐标信息；
步骤2025、若边缘不完整，则要先进行通过镜像反射方法来填补边缘再进行3*3中值滤波算法校正，否则直接针对固定噪声所在位置的像素点进行校正。
g(i,j)＝[f(i,j)+f(i+1,j)+f(i-1,j)+f(i,j+1)+f(i,j-1)+f(i+1,j+1)+
f(i+1,i-1)+f(i-1,i+1)+f(i-1,i-1)]/9 (11)
其中，f(i,j)为原图像像素坐标位置(i,j)的图像灰度值，g(i,j)为处理后的图片。
步骤3中考虑到高光谱影像波段数多，数据量大，波段信息存在较大冗余等特点，并且同一采集区域的多幅图像之间将存在一定的质量差异，需要进行多波段选择，选择出最优波段，具体过程为：
步骤301、将所有波段划分为波段子集；
步骤302、选择子集代表波段；
步骤303、以3波段为一组，由子集代表波段组成n组波段组合，由3波段组合合成假彩色图像；
步骤304、求个波段组合OIF值，选出最大值，并判断是否大于1.8；其中，Si为第i个波段的标准差，Rij为i,j两波段的相关系数。
E[Si]＝∑m,ns(m,n)/ti (13)
Cov(i,j)＝E[SiSj]-E[Si]E[Sj] (14)
其中，si为第i个波段图像，Si是第i个波段图像的标准差，ti是第i个波段图像的大小，Rij是i，j两波段的相关系数。
步骤305、若大于1.8则继续判断相关性系数是否小于0.3，只有两个条件同时满足才输出特征波段否则继续判断若波段组合个数小于等于n则去除此波段组合回到步骤304否则回到步骤302。
步骤四中的波段运算是把单个或者多个波段图像对应像素在空间配准后通过相关的运算过程得到新的像素值的过程，以实现突出某些专题特征或者进行变化检测等目的。
波段运算方法有：
band1+band2 (17)
band1-band2 (18)
band1×band2 (19)
band1÷band2 (20)
以及多波段运算如：
(band1-band2)/(band3-band4) (21)
其中，band1-4分别为所选择的波段的图像，按对应像素位置一一进行点运算。
本实例采用公式(19)，对碑刻图像进行波段运算操作，从而得到字迹比较明显、易于辨认的图像。经过反复实验对比，发现VNIR和SWIR两个范围内以下波段运算能取得较为理想的结果：
Result(vnir)＝band764-band650 (22)
Result(swir)＝band1733-band1303 (23)
步骤4中，进行非线性拉伸处理，增加图像对比度。再进行色调调整和锐化，使自己边缘更加锐利清晰的具体过程为：
步骤401、对图像进行非线性拉伸处理。先将高光谱影像读入，应用以下数学表达式所示变换对像素点进行处理：
其中，原图像p(i,j)的灰度范围为[0,Mf]，线性变换后图像P(i,j)的范围为[0,Mg]；(c/a)>1时，对灰度区间[0,a]进行线性拉伸，0<(c/a)<1时，进行压缩；按上述方法对图像所有灰度分区并进行调整；
具体处理方法有以下两种选择：
步骤4011、将碑刻影像中较暗的部分亮度调低使墨迹更为明显，将影像中曝光较高的部分亮度略微降低避免背景过亮影响判读，但仍保证整体和墨迹反差较大。
步骤4012、通过将影像中较暗的部分亮度调高，影像中原本很亮的部分调暗，得到的影像中墨迹呈现亮白色，便于判读。
步骤402、对高光谱影像进行色调调整。先按下列公式将以RGB格式读入的影像数据转换为HIS格式。
其中，R，G，B为原图像对应RGB通道的值，求出的H即为需要调整的色调。将H值不断调整，使图像色调最适合当前图片的分辨。
步骤403、对高光谱影像进行锐化。对高光谱影像进行锐化；按以下公式将原图像q(i,j)锐化为Q(i,j)：
Q(i,j)＝5q(i,j)-[q(i+1,j)+q(i-1,j)+q(i,j+1)+q(i,j-1)] (20)
步骤4中光谱分析采用以下方法:
步骤4041、对高光谱图像进行MNF变换；
步骤4042、判断数据维数，从而决定是否从图像中提取端元光谱；
步骤4043、若不提取端元光谱，则输入外界端元光谱进行波谱识别，否则提取端元光谱进行以下操作：
步骤4051、计算纯净像元指数；
步骤4052、进行N维可视化和端元选择；
步骤4053、选择是否输入外部端元光谱，若不输入外部端元光谱，则直接进行波谱识别，否则对输入的端元光谱进行波谱识别。
步骤5利用文字图像库进行文字匹配过程如下：
步骤501、将影像按像素分成若干个矩形，计算每个小矩形内像素值均值：
其中，Kr，Kg，Kb为处理后图像对应RGB通道的值，c和d为所选择矩形的长和宽。
步骤502、若处理图片的方法是将文字部分变亮，石碑部分变暗，则遍历所有图像像素，将满足
的像素按点位置存入一张空白的纯黑色图片。
步骤502、若处理图片的方法是将文字部分变暗，石碑部分变亮，则遍历所有图像像素，将满足
的像素按点位置存入一张空白的纯白色图片。
步骤503、按以下方法计算特征：
步骤5031、计算影像分别计算图像x轴方向和y轴方向的梯度，并据此计算每个像素位置的梯度方向值。
Gx(x,y)＝H(x+1，y)-H(x-1,y) (24)
Gy(x,y)＝H(x，y+1)-H(x,y-1) (25)
其中，Gx(x,y)，Gy(x,y)，H(x，y)，G(x,y)，α(x,y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度、像素值、梯度幅值和梯度方向。
步骤5032、构建梯度直方图。将步骤502处理完后的单个字的图片分成若干个细胞单元，按每2π/9划分一个方向区间，统计9个区间的梯度直方图特征，其中，用α(x,y)作为投影的权值。
步骤5033、将以制图片里的细胞单元的特征向量串联起来得到文字特征。
步骤6中对图像进行处理后，对题记的字进行识别分类，方法为：
步骤601、经过简单识别，将待确认字的备选字选出，选择备选字样本，按步骤6进行特征提取，样本数目为n+的正特征样本
和样本数目为n-的负特征样本
记正负训练样本的均值点为x+和x-：
则分别过x+，x-的两个类内超平面为：
正类中的样本点到正类型内超平面的距离为ηi+，同样对于负样本有ηi-:
D+＝max{ηi+} (35)
D-＝max{ηi-} (36)
隶属度函数计算公式：
δ是一个事先确定的很小的正常数，为了保证0<Si≤1。Si越大，则说明该字越可能是该样本所代表的字。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于高光谱遥感技术的古墓题记文字识别方法，其特征在于，该方法包括以下步骤：
步骤1、对古墓碑刻进行分区，按照设定的分区数量和大小，调整高光谱仪器，利用高光谱仪器按顺序获取古墓碑刻的图像数据，每个区域获取多张高光谱图像；
步骤2、对碑刻的高光谱图像进行预处理，包括：图像纠正、图像变换、图像拼接和降噪处理；在暗场和亮场分别采集图像，按点对点位置做平均，分别确定暗场和亮场固定噪声自适应阈值检测；列出位置坐标信息，进行边缘填充和低通滤波处理；
步骤3、选择光谱波段对高光谱图像进行光谱处理；
步骤4、对光谱处理后的碑刻图像进行图像增强，包括：非线性拉伸，增加图像对比度，对图像进行色调调整和锐化处理；
步骤5、对图像增强后的碑刻图像进行文字识别，利用文字图像库与待识别的碑刻图像进行相似度比较，提取待识别的碑刻图像的图像特征，将其与图像库中的文字图像特征进行比对，根据相似度输出文字识别结果；
步骤4中进行非线性拉伸处理，增加图像对比度，再进行色调调整和锐化，使边缘更加锐利清晰的具体方法为：
步骤401、对图像进行非线性拉伸处理；先将高光谱影像读入，应用以下数学表达式对像素点进行变换处理：
其中，原图像p(i,j)的灰度范围为[0,Mf]，线性变换后图像P(i,j)的范围为[0,Mg]；(c/a)＞1时，对灰度区间[0,a]进行线性拉伸，0＜(c/a)＜1时，进行压缩；按上述方法对图像所有灰度分区并进行调整；
具体处理方法包括以下两种：
步骤4011、将碑刻影像中曝光低于阈值的部分亮度调低使墨迹更为明显，将影像中曝光大于阈值的部分亮度降低避免背景过亮影响判读，但仍保证整体和墨迹反差大于阈值；
步骤4012、通过将影像中曝光低于阈值的部分亮度调高，影像中曝光大于阈值的部分调暗，得到的影像中墨迹呈现亮白色，便于判读；
步骤402、对高光谱影像进行色调调整；先按下列公式将以RGB格式读入的影像数据转换为HIS格式；
其中，R，G，B为原图像对应RGB通道的值，求出的H即为需要调整的色调；将H值不断调整，使图像色调达到一定阈值，便于当前图片的分辨；
步骤403、对高光谱影像进行锐化；按以下公式将原图像q(i,j)锐化为Q(i,j)：
0(i，j)＝5q(i，j)-[q(i+1，j)+q(i-1，j)+q(i，j+1)+q(i，j-1)]
步骤5中对图像进行处理后，对题记图片进行特征提取，具体方法为：
步骤501、将影像按像素分成若干个矩形，计算每个小矩形内像素值均值：
其中，Kr，Kg，Kb为处理后图像对应RGB通道的值，c和d为所选择矩形的长和宽；
步骤5021、若处理图片的方法是将文字部分变亮，石碑部分变暗，则遍历所有图像像素，将满足
的像素设置为黑色按点位置存入一张空白的纯白色图片；
步骤5022、若处理图片的方法是将文字部分变暗，石碑部分变亮，则遍历所有图像像素，将满足
的像素设置为黑色按点位置存入一张空白的纯白色图片；
步骤503、按以下方法计算特征：
步骤5031、计算影像分别计算图像x轴方向和y轴方向的梯度，并据此计算每个像素位置的梯度方向值；
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
其中，Gx(x，y)，Gy(x，y)，H(x，y)，G(x，y)，α(x，y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度、像素值、梯度幅值和梯度方向；
步骤5032、构建梯度直方图；将处理完后的单个字的图片分成若干个细胞单元，按每2/9划分一个方向区间，统计9个区间的梯度直方图特征，其中，用α(x，y)作为投影的权值；
步骤5033、将以制图片里的细胞单元的特征向量串联起来得到文字特征。
2.根据权利要求1所述的基于高光谱遥感技术的古墓题记文字识别方法，其特征在于，步骤1中的具体方法为：
设定分区的数量与大小，设计最合适的采集图像顺序，并分别对图像进行编号：S＝{S1，S2，S3，…，S25，S26，S27，…}；在分区完成之后，对图像进行对焦；调整高光谱仪器的位置，选取物距，使获取到的图像分辨率达到最大值，在每个区域获取多个数量的高光谱图像。
3.根据权利要求1所述的基于高光谱遥感技术的古墓题记文字识别方法，其特征在于，步骤2中的具体方法为：
步骤201、对获取的多张高光谱图像进行拼接，具体过程如下：
步骤2011、按以下公式对图像进行角点检测：
R＝det(M)-k(trace(M))2
其中，ω(i,j)是窗口函数，det(M)是求方阵的行列式，trace(M)是求方阵主对角线上各元素之和，k为经验常数，取值范围为0.04-0.06，M为所求得的特征矩阵，通过R的值来判断是否为角点，当R数值为正数时，将坐标位置(i,j)认为是角点；
步骤2012、对相连的图像进行归一化互相关计算：
其中,I1(xi)是原图，xi＝(i,j)是窗口的像素坐标，I2(i+)是待匹配的图，u＝(m,n)需要遍历的位移，NCC(u)值越大，则说明原图中xi与待匹配图中xi+的点为同名点；
步骤2013、按以下步骤对图像进行变形融合：
p2＝p1
原图像与待匹配图像的单应矩阵为H，p1(x1,y1)和p2(x1,y1)是一对匹配点，利用步骤2012中的匹配点可算出H；利用计算出的H，将待匹配的图像中的点计算出新的坐标，将图像进行拼接；
再将每个输入图像的像素映射到参加图像定义的平面上；最后按以下公式在重叠区域进行融合像素颜色：
其中，每个像素点(i,j)在图像I(i,j)＝(Rαi,Gαi,Bαi,αi)，I(i,j)是像素坐标位置(i,j)的图像灰度值，(R,G,B)是像素的颜色值α1和α2为所对应的权重系数，最简单情形均为1；
步骤202、对图像进行去噪处理，其具体过程如下：
步骤2021、在暗场和亮场分别采集多幅图像，对属于不同场的图像分别按点对点位置方法对像素点取平均值，去除随机噪声；并分别确定暗场和亮场固定噪声自适应检测阈值；
步骤2022、根据步骤201中的图像坐标信息，列出暗场和亮场固定噪声的位置坐标信息，并进行是否为边缘的检测；如果是边缘，则通过镜像反射方法来填补，并在该噪声点位置所在的像素点按下列公式进行3x3中值滤波算法处理：
g(i，j)＝[f(i，j)+f(i+1，j)+f(i-1，j)+f(i，j+1)+f(i，j-1)+f(i+1，j+1)f(i+1，j，i-1)+f(i-1，j，i+1)+f(i-1，j，i-1)/9
其中，f(i,j)为原图像像素坐标位置(,j)的图像灰度值，g(i,j)为处理后的图片。
4.根据权利要求1所述的基于高光谱遥感技术的古墓题记文字识别方法，其特征在于，步骤3中对碑刻图像进行光谱处理的具体方法为：
步骤301、通过波段运算实现光谱处理，把单个或者多个波段图像对应像素在空间配准后通过运算过程得到新的像素值；波段运算方法的公式为：
band1+band2
band1-band2
band1×band2
band1÷band2
多波段运算的公式为：
(band1-band2)/(band3-band4)
其中，band1-4分别为所选择的波段的图像，按对应像素位置一一进行点运算；
步骤302、进行多波段选择，选择出最优波段，具体过程为：
步骤3021、将所有波段的图片中属于同一波段的图像划分于同一波段子集，选择3个子集代表波段为一组，组成n组波段集合B＝{B1,B2,B3,…,Bn}，每个组合合成假彩色图像；
步骤3022、求各波段组合波段法OIF，波段间相关性小于0.3，波段的标准差大于1.8的，输出特征波段，其余的删除；OIF的计算公式为：
Cov(i，j)＝E[SiSj]-E[Si]E[Sj]
其中，si为第i个波段图像，Si是第i个波段图像的标准差，ti是第i个波段图像的大小，Rij是i，j两波段的相关系数。
5.根据权利要求1所述的基于高光谱遥感技术的古墓题记文字识别方法，其特征在于，该方法还包括：
步骤6、对图像进行处理后，对题记的字进行识别分类，方法为：
步骤601、经过简单识别，将待确认字的备选字选出，选择备选字样本，按步骤6进行特征提取，样本数目为n+的正特征样本
和样本数目为n-的负特征样本
记正负训练样本的均值点为x+和x-：
则分别过x+，x-的两个类内超平面为：
正类中的样本点到正类型内超平面的距离为ηi+，同样对于负样本有ηi-：
D+＝max{ηi+}
D-＝max{ηi-}
隶属度函数计算公式：
δ是一个事先确定的小于一定阈值的正常数，为了保证0＜Si≤1，Si越大，则说明该字越可能是该样本所代表的字。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010273640.5A CN111539409B (zh) | 2020-04-09 | 2020-04-09 | 一种基于高光谱遥感技术的古墓题记文字识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010273640.5A CN111539409B (zh) | 2020-04-09 | 2020-04-09 | 一种基于高光谱遥感技术的古墓题记文字识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539409A CN111539409A (zh) | 2020-08-14 |
| CN111539409B true CN111539409B (zh) | 2022-10-14 |
Family
ID=71977183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010273640.5A Active CN111539409B (zh) | 2020-04-09 | 2020-04-09 | 一种基于高光谱遥感技术的古墓题记文字识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539409B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269199B (zh) * | 2021-03-16 | 2024-02-13 | 贵州财经大学 | 用于水族文字提取识别方法及水族文字提取装置 |
| CN112990225B (zh) * | 2021-05-17 | 2021-08-27 | 深圳市维度数据科技股份有限公司 | 一种复杂环境下的图像目标识别方法及装置 |
| CN113609908B (zh) * | 2021-07-02 | 2022-09-06 | 赣州好朋友科技有限公司 | 矿料识别方法、分选设备及计算机可读存储介质 |
| CN113888453A (zh) * | 2021-09-27 | 2022-01-04 | 邹子杰 | 工业质检图像文字匹配方法及装置 |
| CN114092837B (zh) * | 2021-11-05 | 2022-08-26 | 中国科学院空天信息创新研究院 | 一种基于长时间尺度的遗址环境遥感监测方法及*** |
| CN113960068A (zh) * | 2021-11-23 | 2022-01-21 | 北京华能新锐控制技术有限公司 | 风电叶片损伤检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2421673A1 (en) * | 2002-03-11 | 2003-09-11 | Imds Software Inc. | Character recognition system and method |
| CN102789635A (zh) * | 2012-07-18 | 2012-11-21 | 奇瑞汽车股份有限公司 | 一种图像增强方法和装置 |
| CN104122210A (zh) * | 2014-07-02 | 2014-10-29 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
| CN105069788A (zh) * | 2015-08-05 | 2015-11-18 | 中北大学 | 一种古建墙壁题记受污毛笔文字图像聚类分割方法 |
| CN109784146A (zh) * | 2018-12-05 | 2019-05-21 | 广州企图腾科技有限公司 | 一种字体种类识别方法、电子设备、存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015084966A2 (en) * | 2013-12-04 | 2015-06-11 | Razzor Technologies Inc. | Adaptive sharpening in image processing and display |
-
2020
- 2020-04-09 CN CN202010273640.5A patent/CN111539409B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2421673A1 (en) * | 2002-03-11 | 2003-09-11 | Imds Software Inc. | Character recognition system and method |
| CN102789635A (zh) * | 2012-07-18 | 2012-11-21 | 奇瑞汽车股份有限公司 | 一种图像增强方法和装置 |
| CN104122210A (zh) * | 2014-07-02 | 2014-10-29 | 中国林业科学研究院林业研究所 | 一种基于最佳指数-相关系数法的高光谱波段提取方法 |
| CN105069788A (zh) * | 2015-08-05 | 2015-11-18 | 中北大学 | 一种古建墙壁题记受污毛笔文字图像聚类分割方法 |
| CN109784146A (zh) * | 2018-12-05 | 2019-05-21 | 广州企图腾科技有限公司 | 一种字体种类识别方法、电子设备、存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 基于图像技术的古代碑文处理及展示研究;李沛;《中国优秀硕士学位论文全文数据库信息科技辑》;20130515(第05期);第二-四章 * |
| 基于成像光谱数据的文物隐藏信息提取研究;郭新蕾;《中国优秀硕士学位论文全文数据库信息科技辑》;20180215(第02期);第5.4节 * |
| 基于统计学习的视频文字检测与定位研究;李丹;《中国优秀硕士学位论文全文数据库信息科技辑》;20120515(第05期);第5.3节 * |
| 航空高光谱遥感影像自动拼接技术研究;牛璐璐;《中国优秀硕士学位论文全文数据库基础科学辑》;20161015(第10期);第三章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539409A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539409B (zh) | 一种基于高光谱遥感技术的古墓题记文字识别方法 | |
| CN108647681B (zh) | 一种带有文本方向校正的英文文本检测方法 | |
| CN111414906B (zh) | 纸质票据图片的数据合成与文本识别方法 | |
| CN106529537B (zh) | 一种数字仪表读数图像识别方法 | |
| CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
| CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
| CN104463195B (zh) | 基于模板匹配的印刷体数字识别方法 | |
| US8494273B2 (en) | Adaptive optical character recognition on a document with distorted characters | |
| Khan et al. | A spatio-spectral hybrid convolutional architecture for hyperspectral document authentication | |
| CN107491730A (zh) | 一种基于图像处理的化验单识别方法 | |
| CN111291675B (zh) | 一种基于深度学习的高光谱古绘画检测识别方法 | |
| Sagheer et al. | A new large Urdu database for off-line handwriting recognition | |
| CN111222519B (zh) | 一种层次化彩绘文物线稿提取模型构建、方法及装置 | |
| CN101615244A (zh) | 手写板坯号自动识别方法及识别装置 | |
| TW200842734A (en) | Image processing program and image processing device | |
| CN112329756A (zh) | 一种***提取及文字识别的方法及装置 | |
| CN107195069A (zh) | 一种人民币冠字号自动识别方法 | |
| CN116071763A (zh) | 基于文字识别的教辅图书智能校编*** | |
| Iqbal et al. | Automatic signature extraction from document images using hyperspectral unmixing: Automatic signature extraction using hyperspectral unmixing | |
| CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| CN105373798B (zh) | 一种基于k近邻抠图和数学形态学的书法字提取方法 | |
| CN103617423B (zh) | 基于色彩参数的图像拆分识别方法 | |
| Tomar et al. | Ancient Indian scripts image pre-processing and dimensionality reduction for feature extraction and classification: a survey | |
| CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
| Rathi et al. | Recognition and conversion of handwritten MODI characters |
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 |