-
公开(公告)号：CN111325270B
公开(公告)日：2022-03-25
申请号：CN202010101030.7
申请日：2020-02-19
Applicant: 南京大学
IPC: G06V30/19 , G06V30/244 , G06V30/148 , G06V30/168 , G06V30/164 , G06V30/30 , G06K9/62 , G06N3/08
Abstract: 基于模板匹配和BP神经网络的东巴文识别方法，由如下步骤构成，1)图片预处理、2)特征提取、3)模板匹配、4)神经网络处理四个步骤；步骤1)中，图片预处理包括二值化、图片去噪和细化处理；图片指直接通过拍照或扫描得到的东巴文彩色图片；步骤2)特征提取包括归一化和笔划特征提取；端点位置特征的提取：计算图片中每一个像素点的以8邻域寻找相邻像素点的个数，仅保留相邻像素点的个数为0或1的像素点；确定这些像素点构成的图片中以8连通寻找每一个连通区域的重心位置，将重心位置的坐标作为端点位置特征；步骤3)模板匹配的方法，利用改进后的豪斯多夫距离计算样本图片的笔划特征与模板图片的笔划特征之间的距离。
-
公开(公告)号：CN111291696A
公开(公告)日：2020-06-16
申请号：CN202010101026.0
申请日：2020-02-19
Applicant: 南京大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06T3/40 , G06T5/00 , G06T7/11 , G06T7/136 , G06T7/194
Abstract: 一种基于卷积神经网络的手写东巴文识别方法，包括如下步骤，采集阶段：通过拍摄或扫描获得手写文字图片；预处理阶段：先对图片进行尺寸调整，使用双线性插值法对图像大小进行调整，得到统一尺寸的灰度图像；搭建卷积神经网络；将所述二值图像输入到所述卷积神经网络，计算得到一维的特征图；搭建全连接层；将所述特征图输入全连接层，迭代训练更新所述卷积神经网络和全连接层的参数，得到最优网络权值参数；文字识别阶段：将二值图像投入加载经上述的网络权值参数的神经网络模型推理，最终计算得出识别结果。本方法在图像预处理阶段利用高斯模糊法和OSTU阈值分割法，增加了包含有效信息的像素，减少了噪声干扰，识别率高。
-
公开(公告)号：CN111291696B
公开(公告)日：2024-03-22
申请号：CN202010101026.0
申请日：2020-02-19
Applicant: 南京大学
IPC: G06V30/22 , G06V30/164 , G06V30/148 , G06V30/19 , G06V10/82 , G06N3/0464 , G06N3/08 , G06T3/4007
Abstract: 一种基于卷积神经网络的手写东巴文识别方法，包括如下步骤，采集阶段：通过拍摄或扫描获得手写文字图片；预处理阶段：先对图片进行尺寸调整，使用双线性插值法对图像大小进行调整，得到统一尺寸的灰度图像；搭建卷积神经网络；将所述二值图像输入到所述卷积神经网络，计算得到一维的特征图；搭建全连接层；将所述特征图输入全连接层，迭代训练更新所述卷积神经网络和全连接层的参数，得到最优网络权值参数；文字识别阶段：将二值图像投入加载经上述的网络权值参数的神经网络模型推理，最终计算得出识别结果。本方法在图像预处理阶段利用高斯模糊法和OSTU阈值分割法，增加了包含有效信息的像素，减少了噪声干扰，识别率高。
-
公开(公告)号：CN111325270A
公开(公告)日：2020-06-23
申请号：CN202010101030.7
申请日：2020-02-19
Applicant: 南京大学
Abstract: 基于模板匹配和BP神经网络的东巴文识别方法，由如下步骤构成，1)图片预处理、2)特征提取、3)模板匹配、4)神经网络处理四个步骤；步骤1)中，图片预处理包括二值化、图片去噪和细化处理；图片指直接通过拍照或扫描得到的东巴文彩色图片；步骤2)特征提取包括归一化和笔划特征提取；端点位置特征的提取：计算图片中每一个像素点的以8邻域寻找相邻像素点的个数，仅保留相邻像素点的个数为0或1的像素点；确定这些像素点构成的图片中以8连通寻找每一个连通区域的重心位置，将重心位置的坐标作为端点位置特征；步骤3)模板匹配的方法，利用改进后的豪斯多夫距离计算样本图片的笔划特征与模板图片的笔划特征之间的距离。
-
-
-
Search Results
4
records
(took 0.014 seconds)
