CN113903035A - 一种基于超分辨率多尺度重建的文字识别方法及*** - Google Patents
一种基于超分辨率多尺度重建的文字识别方法及*** Download PDFInfo
- Publication number
- CN113903035A CN113903035A CN202111477334.4A CN202111477334A CN113903035A CN 113903035 A CN113903035 A CN 113903035A CN 202111477334 A CN202111477334 A CN 202111477334A CN 113903035 A CN113903035 A CN 113903035A
- Authority
- CN
- China
- Prior art keywords
- character
- character image
- small
- super
- scale
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004364 calculation method Methods 0.000 claims abstract description 96
- 238000003707 image sharpening Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims description 35
- 238000001914 filtration Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Character Discrimination (AREA)
Abstract
本发明提出了一种基于超分辨率多尺度重建的文字识别方法及***，涉及文字识别技术领域。通过建立文字模板库；然后获取待识别的小字号文字图像；利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化；然后将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建；然后将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算；根据多个相似度结果得到待识别的小字号文字图像的识别结果。通过对小字号字体进行超分辨率多尺度重建，在多尺度重建的基础上利用模板匹配的方式实现小字号字体的精准识别，提升了小字号文字识别的精度，进而提高了文字识别的整体精度，使得阅读者能够精准地编辑图像中的文字信息。
Description
技术领域
本发明涉及文字识别技术领域，具体而言，涉及一种基于超分辨率多尺度重建的文字识别方法及***。
背景技术
在数字媒体时代，很多合同、协议、论文都以图像的形式进行保存，极大地节省了物理存储空间，也使得阅读更加便利。更重要的是，文字识别技术可以将图像中的文字进行较为精准的识别，极大地方便了使用者对其进行编辑。
然而，很多合同、协议、论文中的字体有着较为明显的差异性。传统的文字识别技术很难精准地对小号字体进行识别，极大地降低了文字识别的整体精度，使得阅读者无法精准地编辑图像中的文字信息。
发明内容
本发明的目的在于提供一种基于超分辨率多尺度重建的文字识别方法及***，用以改善现有技术中很难精准地对小号字体进行识别，极大地降低了文字识别的整体精度，使得阅读者无法精准地编辑图像中的文字信息的问题。
第一方面，本申请实施例提供一种基于超分辨率多尺度重建的文字识别方法，包括以下步骤：
获取并根据多个样本文字图片集建立文字模板库；
获取待识别的小字号文字图像；
利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；
将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；
将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；
根据多个相似度结果得到待识别的小字号文字图像的识别结果。
上述实现过程中，通过获取并根据多个样本文字图片集建立文字模板库；然后获取待识别的小字号文字图像；然后利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；然后将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；然后将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；根据多个相似度结果得到待识别的小字号文字图像的识别结果。通过超分辨率多尺度重建的方法将小字号字体构建多个尺度，在多个尺度下实现和模板文字的匹配，进而得到识别结果，从而提升了小字号文字识别的精度，进而提高了文字识别的整体精度，使得阅读者能够精准地编辑图像中的文字信息。
基于第一方面，在本发明的一些实施例中，将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果的步骤包括以下步骤：
利用平滑卷积核对其中一个尺度的小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第一尺度的超分辨率小字号文字图像和多个第一文字图片；
计算第一尺度的超分辨率小字号文字图像与各个第一文字图片的欧式距离，生成多个第一计算结果；
对多个第一计算结果进行筛选，得到最小的第一计算结果并作为第一相似度结果；
利用锐化卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第二尺度的超分辨率小字号文字图像和多个第二文字图片；
计算第二尺度的超分辨率小字号文字图像与各个第二文字图片的欧式距离，生成多个第二计算结果；
对多个第二计算结果进行筛选，得到最小的第二计算结果并作为第二相似度结果；
利用去噪卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第三尺度的超分辨率小字号文字图像和多个第三文字图片；
计算第三尺度的超分辨率小字号文字图像与各个第三文字图片的欧式距离，生成多个第三计算结果；
对多个第三计算结果进行筛选，得到最小的第三计算结果并作为第三相似度结果。
基于第一方面，在本发明的一些实施例中，根据多个相似度结果得到待识别的小字号文字图像的识别结果的步骤包括以下步骤:
将第一相似度结果、第二相似度结果和第三相似度结果分别与预置的阈值进行对比，生成多个对比结果；
根据多个对比结果得到待识别的小字号文字图像的识别结果。
基于第一方面，在本发明的一些实施例中，根据多个对比结果得到待识别的小字号文字图像的识别结果的步骤包括以下步骤：
判断各个对比结果是否都为大于预置的阈值，若是，则结束，若否，则提取该样本文字图片集的文字信息作为待识别的小字号文字图像的识别结果。
基于第一方面，在本发明的一些实施例中，将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像的步骤包括以下步骤：
利用反向投影方法对加强的小字号文字图像进行多尺度重建，生成多个尺度的小字号文字图像。
基于第一方面，在本发明的一些实施例中，获取并根据多个样本文字图片集建立文字模板库的步骤包括以下步骤：
获取多个样本文字图片集，各个样本文字图片集中包括有多个文字图像块；
将各个文字图像块分别进行深度自编码，生成多个文字图像编码；
分别计算各个样本文字图片集中两两文字图像编码的欧式距离；
判断欧式距离与预置的相似阈值的大小，若欧式距离不小于预置的相似阈值，则保留两个文字图像编码对应的文字图像块；若欧式距离小于预置的相似阈值，则保留两个文字图像编码中任意一个对应的文字图像块，得到多个预筛选样本文字图片集，以得到文字模板库。
第二方面，本申请实施例提供一种基于超分辨率多尺度重建的文字识别***，包括：
文字模板库建立模块，用于获取并根据多个样本文字图片集建立文字模板库；
待识别文字图像获取模块，用于获取待识别的小字号文字图像；
图像锐化模块，用于利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；
多尺度重建模块，用于将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；
相似度计算模块，用于将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；
文字图像识别模块，用于根据多个相似度结果得到待识别的小字号文字图像的识别结果。
上述实现过程中，文字模板库建立模块获取并根据多个样本文字图片集建立文字模板库；待识别文字图像获取模块获取待识别的小字号文字图像；图像锐化模块利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；多尺度重建模块将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；相似度计算模块将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；文字图像识别模块根据多个相似度结果得到待识别的小字号文字图像的识别结果。通过超分辨率多尺度重建的方法将小字号字体构建多个尺度，在多个尺度下实现和模板文字的匹配，进而得到识别结果，从而提升了小字号文字识别的精度，进而提高了文字识别的整体精度，使得阅读者能够精准地编辑图像中的文字信息。
基于第二方面，在本发明的一些实施例中，相似度计算模块包括：
第一过滤处理单元，用于利用平滑卷积核对其中一个尺度的小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第一尺度的超分辨率小字号文字图像和多个第一文字图片；
第一欧式距离计算单元，用于计算第一尺度的超分辨率小字号文字图像与各个第一文字图片的欧式距离，生成多个第一计算结果；
第一筛选单元，用于对多个第一计算结果进行筛选，得到最小的第一计算结果并作为第一相似度结果；
第二过滤处理单元：用于利用锐化卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第二尺度的超分辨率小字号文字图像和多个第二文字图片；
第二欧式距离计算单元，用于计算第二尺度的超分辨率小字号文字图像与各个第二文字图片的欧式距离，生成多个第二计算结果；
第二筛选单元，用于对多个第二计算结果进行筛选，得到最小的第二计算结果并作为第二相似度结果；
第三过滤处理单元：用于利用去噪卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第三尺度的超分辨率小字号文字图像和多个第三文字图片；
第三欧式距离计算单元，用于计算第三尺度的超分辨率小字号文字图像与各个第三文字图片的欧式距离，生成多个第三计算结果；
第三筛选单元，用于对多个第三计算结果进行筛选，得到最小的第三计算结果并作为第三相似度结果。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果：
本发明实施例提供一种基于超分辨率多尺度重建的文字识别方法及***，通过获取并根据多个样本文字图片集建立文字模板库；然后获取待识别的小字号文字图像；然后利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；然后将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；然后将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；根据多个相似度结果得到待识别的小字号文字图像的识别结果。通过超分辨率多尺度重建的方法将小字号字体构建多个尺度，在多个尺度下实现和模板文字的匹配，进而得到识别结果，从而提升了小字号文字识别的精度，进而提高了文字识别的整体精度，使得阅读者能够精准地编辑图像中的文字信息。
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单地介绍，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的附图。
图1为本发明实施例提供的一种基于超分辨率多尺度重建的文字识别方法流程图；
图2为本发明实施例提供的一种基于超分辨率多尺度重建的文字识别***结构框图；
图3为本发明实施例提供的一种电子设备的结构框图。
图标：1100-文字模板库建立模块；1110-样本文字图片集单元；1120-深度自编码单元；1130-第四欧式距离计算单元；1140-判断单元；1200-待识别文字图像获取模块；1300-图像锐化模块；1400-多尺度重建模块；1410-反向投影多尺度重建单元；1500-相似度计算模块；1510-第一过滤处理单元；1520-第一欧式距离计算单元；1530-第一筛选单元；1540-第二过滤处理单元；1550-第二欧式距离计算单元；1560-第二筛选单元；1570-第三过滤处理单元；1580-第三欧式距离计算单元；1590-第三筛选单元；1600-文字图像识别模块；1610-第一对比单元；1620-识别单元；1621-判断子单元；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1，图1为本发明实施例提供的一种基于超分辨率多尺度重建的文字识别方法流程图。该基于超分辨率多尺度重建的文字识别方法，包括以下步骤：
步骤S110：获取并根据多个样本文字图片集建立文字模板库；上述样本文字图片集是指每个汉字都挑选出一定数量的文字图片，其中可以包括多个小字号的文字图片。上述文字模板库是指基于多个样本文字图片建立的文字图片库，该文字模板库包括有多个文字的图片，各个文字均包括有多个字号的图片。上述建立文字模板库的过程可以通过以下步骤建立：
首先，获取多个样本文字图片集，各个样本文字图片集中包括有多个文字图像块；上述获取多个样本文字图片集可以是用户通过上传图片集得到，上述文字图像块为多个字体的文字图像，例如，文字为“我”的样本文字图片集包括有四号字体的图片、五号字体的图片、十号字体的图片。
然后，将各个文字图像块分别进行深度自编码，生成多个文字图像编码；上述进行深度自编码可以是通过深度自编码器得到，将各个文字图像块分别输入到深度自编码器中进行编码，从而得到文字图像编码。上述深度自编码器属于现有技术，在此就不再赘述。通过将各个文字图像块进行编码，从而将文字图像数字化，便于后期对图片进行计算。
然后，分别计算各个样本文字图片集中两两文字图像编码的欧式距离；上述计算欧式距离可以是通过欧式距离计算方法得到，上述欧式距离计算方法属于现有技术，在此就不再赘述。通过在各个样本文字图片集中一一选择两个文字图像编码，然后计算该两个文字图像编码的欧式距离。例如：样本文字图片集包括有：“我”、“你”，其中，“我”的文字图片集中包括有3个文字图像块，各个文字图像块对应有文字图像编码分别为A1、A2、A3，“你”的文字图片集中包括有4个文字图像块，各个文字图像块对应有文字图像编码分别为B1、B2、B3、B4，分别计算“我”、“你”文字图片集中各个文字图片编码之间的欧式距离，“我”的文字图片集中：计算得到文字图像编码A1与文字图像编码A2的欧式距离为d1，计算得到文字图像编码A1与文字图像编码A3的欧式距离为d2，计算得到文字图像编码A2与文字图像编码A3的欧式距离为d3；“你”的文字图片集中：计算得到文字图像编码B1与文字图像编码B2的欧式距离为e1，计算得到文字图像编码B1与文字图像编码B3的欧式距离为e2，计算得到文字图像编码B1与文字图像编码B4的欧式距离为e3，计算得到文字图像编码B2与文字图像编码B3的欧式距离为e4，计算得到文字图像编码B2与文字图像编码B4的欧式距离为e5，计算得到文字图像编码B3与文字图像编码B4的欧式距离为e6。
最后，判断欧式距离与预置的相似阈值的大小，若欧式距离不小于预置的相似阈值，则保留两个文字图像编码对应的文字图像块；若欧式距离小于预置的相似阈值，则保留两个文字图像编码中任意一个对应的文字图像块，得到多个预筛选样本文字图片集，以得到文字模板库。通过计算欧式距离可以度量两个文字图像块之间的相似度。上述预置的相似阈值可以是用户根据经验进行设置，若欧式距离小于预置的相似阈值，则认为欧式距离较近，认为两个文字图像块是高度相似，只需要保留两个中的任意一个文字图像块即可；若欧式距离不小于预置的相似阈值，则认为欧式距离较远，认为两个文字图像块的差异性较大，将两个文字图像编码对应的文字图像块均保留。通过对欧式距离与预置的相似阈值大小判断，可以对各个文字图像集中的文字图像块进行筛选，将高度相似的文字图像块筛选出来，并保留一个文字图像块，得到多个预筛选样本文字图片集，这样就保证了预筛选样本文字图片集中各个文字图像块的差异性，这些预筛选样本文字图片集共同组成文字模板库，使得文字模板库具有很高的参考性。例如：预置的相似阈值为F，上述例子中，“我”的文字图片集中，欧式距离d1小于F，则文字图像编码A1与文字图像编码A2对应的文字图像块H1和文字图像块H2两个之中保留任意一个，可以保留文字图像块H2；欧式距离d2大于F，则保留文字图像编码A1与文字图像编码A3对应的文字图像块H1和文字图像块H3，欧式距离d3大于F，则保留文字图像编码A2与文字图像编码A3对应的文字图像块H2和文字图像块H3，最后，经过筛选得到的文字图像块有文字图像块H2、文字图像块H3。
步骤S120：获取待识别的小字号文字图像；上述待识别的小字号文字图像可以是通过上传文字图像得到，也可以是在图像识别中遇到的小字号文字图像。
步骤S130：利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；上述进行图像锐化可以使图像中的各灰度值得到保留，使灰度突变处的对比度得到增强，最终结果是在保留图像背景的前提下，突现出图像中小的细节信息，让图像更加清晰。上述进行图像锐化是将待识别的小字号文字图像进行拉普拉斯运算，从而使灰度突变处的对比度得到增强。上述拉普拉斯算法属于现有技术，在此就不再赘述。
步骤S140：将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；上述进行多尺度重建是指采用图像超分辨率重建技术，从单张低分辨率图像获取高分辨率图像，上述单张低分辨率图像指的就是加强的小字号文字图像，高分辨率图像是指各个尺度的小字号文字图像，通过设置多个目标分辨率，将加强的小字号文字图像进行超分辨率计算，得到多个尺度的小字号文字图像。上述多个尺度的小字号文字图像是指多个分辨率的小字号文字图像。一般可以建立3个尺度的小字号文字图像。上述超分辨率多尺度重建方法技术属于现有技术，在此就不再赘述。上述进行多尺度重建可以是采用反向投影方法进行多尺度重建，具体是指：利用反向投影方法对加强的小字号文字图像进行多尺度重建，生成多个尺度的小字号文字图像。上述反向投影法是指一种超分辨率计算的经典方法，通过使用多个不同尺度的卷积核从浅层特征提取层中提取出不同维度的特征信息，输入到反向投影模块后，交替使用升采样和降采样来优化高分辨率和低分辨率图像的投影误差，同时运用残差学习的思想将升采样和降采样阶段提取到的特征使用级联的方式进行连接，从而提升图像的重建效果，可以充分利用低分辨率图像中细节信息。上述反向投影方法属于现有技术，在此就不再赘述。
步骤S150：将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；上述进行相似度计算过程中文字模板库中的文字图片的尺度不变。上述进行相似度计算包括以下步骤：
首先，利用平滑卷积核对其中一个尺度的小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第一尺度的超分辨率小字号文字图像和多个第一文字图片；上述进行过滤处理是指通过平滑卷积核进行平滑处理，上述平滑卷积核属于现有技术，在此就不再赘述。
然后，计算第一尺度的超分辨率小字号文字图像与各个第一文字图片的欧式距离，生成多个第一计算结果；上述计算欧式距离可以度量第一尺度的超分辨率小字号文字图像与各个第一文字图片的相似度，上述计算欧式距离采用现有的技术就可以实现，在此就不再赘述。
然后，对多个第一计算结果进行筛选，得到最小的第一计算结果并作为第一相似度结果；上述进行筛选是指将多个第一计算结果进行一一对比，从而得到第一计算结果最小的，表明相似度最高。
然后，利用锐化卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第二尺度的超分辨率小字号文字图像和多个第二文字图片；上述进行过滤处理是指通过锐化卷积核进行锐化处理，上述锐化卷积核属于现有技术，在此就不再赘述。
然后，计算第二尺度的超分辨率小字号文字图像与各个第二文字图片的欧式距离，生成多个第二计算结果；上述计算欧式距离可以度量第二尺度的超分辨率小字号文字图像与各个第二文字图片的相似度，上述计算欧式距离采用现有的技术就可以实现，在此就不再赘述。
然后，对多个第二计算结果进行筛选，得到最小的第二计算结果并作为第二相似度结果；上述进行筛选是指将多个第二计算结果进行一一对比，从而得到第二计算结果最小的，表明相似度最高。
然后，利用去噪卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第三尺度的超分辨率小字号文字图像和多个第三文字图片；上述进行过滤处理是指通过去噪卷积核进行去噪处理，上述去噪卷积核属于现有技术，在此就不再赘述。
然后，计算第三尺度的超分辨率小字号文字图像与各个第三文字图片的欧式距离，生成多个第三计算结果；上述计算欧式距离可以度量第三尺度的超分辨率小字号文字图像与各个第三文字图片的相似度，上述计算欧式距离采用现有的技术就可以实现，在此就不再赘述。
最后，对多个第三计算结果进行筛选，得到最小的第三计算结果并作为第三相似度结果。上述进行筛选是指将多个第三计算结果进行一一对比，从而得到第三计算结果最小的，表明相似度最高。
利用不同的卷积核进行待识别小字号文字图像和文字模板的相似度计算，使得相似度计算更加精准，为提升小字号文字识别精度提供了直接支持。
步骤S160：根据多个相似度结果得到待识别的小字号文字图像的识别结果。上述得到待识别的小字号文字图像的识别结果的过程包括以下步骤：
首先，将第一相似度结果、第二相似度结果和第三相似度结果分别与预置的阈值进行对比，生成多个对比结果；上述预置的阈值可以是用户根据经验或实际需要进行设置的，通过对比结果可以判断是否具有较高的相似度。
然后，根据多个对比结果得到待识别的小字号文字图像的识别结果。上述通过对比结果得到识别结果是指：判断各个对比结果是否都为大于预置的阈值，若是，则结束，若否，则提取该样本文字图片集的文字信息作为待识别的小字号文字图像的识别结果。对于任何一个尺度，待识别小字号文字图像和文字模板有较高的相似度，直接认定该文字为模板文字类别；对于所有尺度，待识别小字号文字图像和文字模板都没有较高的相似度，则认定该文字为非模板文字类别。
上述实现过程中，通过获取并根据多个样本文字图片集建立文字模板库；然后获取待识别的小字号文字图像；然后利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；然后将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；然后将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；根据多个相似度结果得到待识别的小字号文字图像的识别结果。通过超分辨率多尺度重建的方法将小字号字体构建多个尺度，在多个尺度下实现和模板文字的匹配，进而得到识别结果，从而提升了小字号文字识别的精度，进而提高了文字识别的整体精度，使得阅读者能够精准地编辑图像中的文字信息。
基于同样的发明构思，本发明还提出一种基于超分辨率多尺度重建的文字识别***，请参看图2，图2为本发明实施例提供的一种基于超分辨率多尺度重建的文字识别***结构框图。该基于超分辨率多尺度重建的文字识别***包括：
文字模板库建立模块1100，用于获取并根据多个样本文字图片集建立文字模板库；
待识别文字图像获取模块1200，用于获取待识别的小字号文字图像；
图像锐化模块1300，用于利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；
多尺度重建模块1400，用于将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；
相似度计算模块1500，用于将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；
文字图像识别模块1600，用于根据多个相似度结果得到待识别的小字号文字图像的识别结果。
上述实现过程中，文字模板库建立模块1100获取并根据多个样本文字图片集建立文字模板库；待识别文字图像获取模块1200获取待识别的小字号文字图像；图像锐化模块1300利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；多尺度重建模块1400将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；相似度计算模块1500将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；文字图像识别模块1600根据多个相似度结果得到待识别的小字号文字图像的识别结果。通过超分辨率多尺度重建的方法将小字号字体构建多个尺度，在多个尺度下实现和模板文字的匹配，进而得到识别结果，从而提升了小字号文字识别的精度，进而提高了文字识别的整体精度，使得阅读者能够精准地编辑图像中的文字信息。
其中，相似度计算模块1500包括：
第一过滤处理单元1510，用于利用平滑卷积核对其中一个尺度的小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第一尺度的超分辨率小字号文字图像和多个第一文字图片；
第一欧式距离计算单元1520，用于计算第一尺度的超分辨率小字号文字图像与各个第一文字图片的欧式距离，生成多个第一计算结果；
第一筛选单元1530，用于对多个第一计算结果进行筛选，得到最小的第一计算结果并作为第一相似度结果；
第二过滤处理单元1540：用于利用锐化卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第二尺度的超分辨率小字号文字图像和多个第二文字图片；
第二欧式距离计算单元1550，用于计算第二尺度的超分辨率小字号文字图像与各个第二文字图片的欧式距离，生成多个第二计算结果；
第二筛选单元1560，用于对多个第二计算结果进行筛选，得到最小的第二计算结果并作为第二相似度结果；
第三过滤处理单元1570：用于利用去噪卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第三尺度的超分辨率小字号文字图像和多个第三文字图片；
第三欧式距离计算单元1580，用于计算第三尺度的超分辨率小字号文字图像与各个第三文字图片的欧式距离，生成多个第三计算结果；
第三筛选单元1590，用于对多个第三计算结果进行筛选，得到最小的第三计算结果并作为第三相似度结果。
利用不同的卷积核进行待识别小字号文字图像和文字模板的相似度计算，使得相似度计算更加精准，为提升小字号文字识别精度提供了直接支持。
其中，文字图像识别模块1600包括：
第一对比单元1610，用于将第一相似度结果、第二相似度结果和第三相似度结果分别与预置的阈值进行对比，生成多个对比结果；
识别单元1620，用于根据多个对比结果得到待识别的小字号文字图像的识别结果。
其中，识别单元1620包括：
判断子单元1621，用于判断各个对比结果是否都为大于预置的阈值，若是，则结束，若否，则提取该样本文字图片集的文字信息作为待识别的小字号文字图像的识别结果。
其中，多尺度重建模块1400包括：
反向投影多尺度重建单元1410，用于利用反向投影方法对加强的小字号文字图像进行多尺度重建，生成多个尺度的小字号文字图像。
其中，文字模板库建立模块1100包括：
样本文字图片集单元1110，用于获取多个样本文字图片集，各个样本文字图片集中包括有多个文字图像块；
深度自编码单元1120，用于将各个文字图像块分别进行深度自编码，生成多个文字图像编码；
第四欧式距离计算单元1130，用于分别计算各个样本文字图片集中两两文字图像编码的欧式距离；
判断单元1140，用于判断欧式距离与预置的相似阈值的大小，若欧式距离不小于预置的相似阈值，则保留两个文字图像编码对应的文字图像块；若欧式距离小于预置的相似阈值，则保留两个文字图像编码中任意一个对应的文字图像块，得到多个预筛选样本文字图片集，以得到文字模板库。
请参阅图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的一种基于超分辨率多尺度重建的文字识别***对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图3所示的结构仅为示意，电子设备还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的***和方法，也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
综上，本申请实施例提供的一种基于超分辨率多尺度重建的文字识别方法及***，通过获取并根据多个样本文字图片集建立文字模板库；然后获取待识别的小字号文字图像；然后利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；然后将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；然后将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；根据多个相似度结果得到待识别的小字号文字图像的识别结果。通过超分辨率多尺度重建的方法将小字号字体构建多个尺度，在多个尺度下实现和模板文字的匹配，进而得到识别结果，从而提升了小字号文字识别的精度，进而提高了文字识别的整体精度，使得阅读者能够精准地编辑图像中的文字信息。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。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，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于超分辨率多尺度重建的文字识别方法，其特征在于，包括以下步骤：
获取并根据多个样本文字图片集建立文字模板库；
获取待识别的小字号文字图像；
利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；
将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；
将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；
根据多个相似度结果得到待识别的小字号文字图像的识别结果。
2.根据权利要求1所述的基于超分辨率多尺度重建的文字识别方法，其特征在于，所述将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果的步骤包括以下步骤：
利用平滑卷积核对其中一个尺度的小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第一尺度的超分辨率小字号文字图像和多个第一文字图片；
计算第一尺度的超分辨率小字号文字图像与各个第一文字图片的欧式距离，生成多个第一计算结果；
对多个第一计算结果进行筛选，得到最小的第一计算结果并作为第一相似度结果；
利用锐化卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第二尺度的超分辨率小字号文字图像和多个第二文字图片；
计算第二尺度的超分辨率小字号文字图像与各个第二文字图片的欧式距离，生成多个第二计算结果；
对多个第二计算结果进行筛选，得到最小的第二计算结果并作为第二相似度结果；
利用去噪卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第三尺度的超分辨率小字号文字图像和多个第三文字图片；
计算第三尺度的超分辨率小字号文字图像与各个第三文字图片的欧式距离，生成多个第三计算结果；
对多个第三计算结果进行筛选，得到最小的第三计算结果并作为第三相似度结果。
3.根据权利要求2所述的基于超分辨率多尺度重建的文字识别方法，其特征在于，所述根据多个相似度结果得到待识别的小字号文字图像的识别结果的步骤包括以下步骤:
将第一相似度结果、第二相似度结果和第三相似度结果分别与预置的阈值进行对比，生成多个对比结果；
根据多个对比结果得到待识别的小字号文字图像的识别结果。
4.根据权利要求3所述的基于超分辨率多尺度重建的文字识别方法，其特征在于，所述根据多个对比结果得到待识别的小字号文字图像的识别结果的步骤包括以下步骤：
判断各个对比结果是否都为大于预置的阈值，若是，则结束，若否，则提取该样本文字图片集的文字信息作为待识别的小字号文字图像的识别结果。
5.根据权利要求1所述的基于超分辨率多尺度重建的文字识别方法，其特征在于，所述将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像的步骤包括以下步骤：
利用反向投影方法对加强的小字号文字图像进行多尺度重建，生成多个尺度的小字号文字图像。
6.根据权利要求1所述的基于超分辨率多尺度重建的文字识别方法，其特征在于，所述获取并根据多个样本文字图片集建立文字模板库的步骤包括以下步骤：
获取多个样本文字图片集，各个样本文字图片集中包括有多个文字图像块；
将各个文字图像块分别进行深度自编码，生成多个文字图像编码；
分别计算各个样本文字图片集中两两文字图像编码的欧式距离；
判断欧式距离与预置的相似阈值的大小，若欧式距离不小于预置的相似阈值，则保留两个文字图像编码对应的文字图像块；若欧式距离小于预置的相似阈值，则保留两个文字图像编码中任意一个对应的文字图像块，得到多个预筛选样本文字图片集，以得到文字模板库。
7.一种基于超分辨率多尺度重建的文字识别***，其特征在于，包括：
文字模板库建立模块，用于获取并根据多个样本文字图片集建立文字模板库；
待识别文字图像获取模块，用于获取待识别的小字号文字图像；
图像锐化模块，用于利用拉普拉斯算子对待识别的小字号文字图像进行图像锐化，生成加强的小字号文字图像；
多尺度重建模块，用于将加强的小字号文字图像采用超分辨率多尺度重建方法进行多尺度重建，生成多个尺度的小字号文字图像；
相似度计算模块，用于将各个尺度的小字号文字图像分别与文字模板库中的文字图片进行相似度计算，生成多个相似度结果；
文字图像识别模块，用于根据多个相似度结果得到待识别的小字号文字图像的识别结果。
8.根据权利要求7所述的基于超分辨率多尺度重建的文字识别***，其特征在于，所述相似度计算模块包括：
第一过滤处理单元，用于利用平滑卷积核对其中一个尺度的小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第一尺度的超分辨率小字号文字图像和多个第一文字图片；
第一欧式距离计算单元，用于计算第一尺度的超分辨率小字号文字图像与各个第一文字图片的欧式距离，生成多个第一计算结果；
第一筛选单元，用于对多个第一计算结果进行筛选，得到最小的第一计算结果并作为第一相似度结果；
第二过滤处理单元：用于利用锐化卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第二尺度的超分辨率小字号文字图像和多个第二文字图片；
第二欧式距离计算单元，用于计算第二尺度的超分辨率小字号文字图像与各个第二文字图片的欧式距离，生成多个第二计算结果；
第二筛选单元，用于对多个第二计算结果进行筛选，得到最小的第二计算结果并作为第二相似度结果；
第三过滤处理单元：用于利用去噪卷积核对其中一个尺度的超分辨率小字号文字图像与预置的文字模板库中的文字图片进行过滤处理，生成第三尺度的超分辨率小字号文字图像和多个第三文字图片；
第三欧式距离计算单元，用于计算第三尺度的超分辨率小字号文字图像与各个第三文字图片的欧式距离，生成多个第三计算结果；
第三筛选单元，用于对多个第三计算结果进行筛选，得到最小的第三计算结果并作为第三相似度结果。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111477334.4A CN113903035A (zh) | 2021-12-06 | 2021-12-06 | 一种基于超分辨率多尺度重建的文字识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111477334.4A CN113903035A (zh) | 2021-12-06 | 2021-12-06 | 一种基于超分辨率多尺度重建的文字识别方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113903035A true CN113903035A (zh) | 2022-01-07 |
Family
ID=79195364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111477334.4A Pending CN113903035A (zh) | 2021-12-06 | 2021-12-06 | 一种基于超分辨率多尺度重建的文字识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113903035A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723536A (zh) * | 2022-05-13 | 2022-07-08 | 北京嘉沐安科技有限公司 | 基于图像大数据比对的电商平台廉价商品选取方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544504A (zh) * | 2013-11-18 | 2014-01-29 | 康江科技(北京)有限责任公司 | 一种基于多尺度图匹配核的场景字符识别方法 |
| US20170200258A1 (en) * | 2014-05-28 | 2017-07-13 | Peking University Shenzhen Graduate School | Super-resolution image reconstruction method and apparatus based on classified dictionary database |
| CN110569830A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技（深圳）有限公司 | 多语言文本识别方法、装置、计算机设备及存储介质 |
| CN113221752A (zh) * | 2021-05-13 | 2021-08-06 | 北京惠朗时代科技有限公司 | 一种基于多模板匹配的多尺度文字精准识别方法 |
| CN113313217A (zh) * | 2021-07-31 | 2021-08-27 | 北京惠朗世纪科技有限公司 | 一种基于鲁棒性模板的倾角文字精准识别方法及*** |
| CN113673506A (zh) * | 2021-07-13 | 2021-11-19 | 山东师范大学 | 一种基于多尺度特征金字塔的场景文本检测方法及*** |
-
2021
- 2021-12-06 CN CN202111477334.4A patent/CN113903035A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544504A (zh) * | 2013-11-18 | 2014-01-29 | 康江科技(北京)有限责任公司 | 一种基于多尺度图匹配核的场景字符识别方法 |
| US20170200258A1 (en) * | 2014-05-28 | 2017-07-13 | Peking University Shenzhen Graduate School | Super-resolution image reconstruction method and apparatus based on classified dictionary database |
| CN110569830A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技（深圳）有限公司 | 多语言文本识别方法、装置、计算机设备及存储介质 |
| CN113221752A (zh) * | 2021-05-13 | 2021-08-06 | 北京惠朗时代科技有限公司 | 一种基于多模板匹配的多尺度文字精准识别方法 |
| CN113673506A (zh) * | 2021-07-13 | 2021-11-19 | 山东师范大学 | 一种基于多尺度特征金字塔的场景文本检测方法及*** |
| CN113313217A (zh) * | 2021-07-31 | 2021-08-27 | 北京惠朗世纪科技有限公司 | 一种基于鲁棒性模板的倾角文字精准识别方法及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723536A (zh) * | 2022-05-13 | 2022-07-08 | 北京嘉沐安科技有限公司 | 基于图像大数据比对的电商平台廉价商品选取方法及*** |
| CN114723536B (zh) * | 2022-05-13 | 2022-10-21 | 农夫铺子发展集团有限公司 | 基于图像大数据比对的电商平台廉价商品选取方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020192391A1 (zh) | 基于ocr的图像转档方法、装置、设备及可读存储介质 | |
| TWI766855B (zh) | 一種字符識別方法和裝置 | |
| CN111401099B (zh) | 文本识别方法、装置以及存储介质 | |
| CN116562991B (zh) | 面向元宇宙电商平台的商品大数据信息识别方法及*** | |
| CN114005126A (zh) | 表格重构方法、装置、计算机设备及可读存储介质 | |
| CN113313217B (zh) | 一种基于鲁棒性模板的倾角文字精准识别方法及*** | |
| CN113903035A (zh) | 一种基于超分辨率多尺度重建的文字识别方法及*** | |
| CN114863431A (zh) | 一种文本检测方法、装置及设备 | |
| RU2597163C2 (ru) | Сравнение документов с использованием достоверного источника | |
| Wicht et al. | Mixed handwritten and printed digit recognition in Sudoku with Convolutional Deep Belief Network | |
| CN113450355A (zh) | 一种基于多膜态ct图像和3dcnn网络提取图像特征的方法 | |
| CN112149678A (zh) | 特殊语言的文字识别方法、识别模型训练方法和装置 | |
| CN115114588B (zh) | 基于区块链的智慧教育学术成果讨论防剽窃方法及*** | |
| CN110070103A (zh) | 身份证识别的方法及终端设备 | |
| CN113313214B (zh) | 一种基于多卷积核后验的带水印字符的识别方法及*** | |
| CN113158745B (zh) | 一种基于多特征算子的乱码文档图片识别方法及*** | |
| CN117523219A (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及*** | |
| CN114529626A (zh) | 图像处理方法、装置及电子设备 | |
| CN110334731B (zh) | 一种光谱图像的空间信息提取方法、装置及电子设备 | |
| CN113239031A (zh) | 一种大数据去噪处理方法 | |
| CN113343963B (zh) | 一种基于高质量模板的智能尾箱指纹识别方法及*** | |
| CN109840461B (zh) | 一种基于动态虹膜图像的识别方法及装置 | |
| CN111476090A (zh) | 水印识别方法和装置 | |
| CN116664604B (zh) | 图像的处理方法及装置、存储介质及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220107 |
|
| RJ01 | Rejection of invention patent application after publication |