一种纸币红外图像特征区域的识别与分类方法

    公开(公告)号:CN112232331A

    公开(公告)日:2021-01-15

    申请号:CN202011496468.6

    申请日:2020-12-17

    摘要: 本发明公开了一种纸币红外图像特征区域的识别与分类方法,具体包括以下步骤:在灰度化图像的基础上,获取所有种类纸币样本红外图像的特征区域,分别对不同种类纸币样本的红外特征区域进行二值化处理,将得到的每个二值化图像分为若干个区块,统计各区块中白色像素个数占该区块像素总数的比例;分别获取不同种类纸币样本特征区域中白色像素占比的序列;获取待测纸币样本特征区域中白色像素占比的序列;得到待测纸币样本特征区域中白色像素占比序列与已知样本中白色像素占比的序列的欧式距离;对应得到欧式距离最小的已知样本所属类别为待测样本最匹配的类别。本方法能够快速识别和分类处待测样本属于哪类目标样本,且准确率高。

    一种基于投影双向累和测定冠字号上下边界的方法

    公开(公告)号:CN112990150A

    公开(公告)日:2021-06-18

    申请号:CN202110502797.5

    申请日:2021-05-10

    IPC分类号: G06K9/00 G06K9/34 G06T7/136

    摘要: 本发明公开了一种基于投影双向累和测定冠字号上下边界的方法,第一步,针对纸币整体图像,得到冠字号区域图像,再通过冠字号上下边界的确定得到冠字号精确图像,对冠字号精确图像进行二值化处理;第二步,对冠字号精确图像进行水平投影,分割得到单个字符,再对所有单个字符分别做竖向投影;第三步,确定冠字号精确图像中冠字号的最高位置和最低位置,并根据最高位置和最低位置,对所有单个字符的竖向投影结果分别进行正向累和和逆向累和,分别取两者的最大值即为冠字号单个字符的上下边界。本发明解决了冠字号各字符大小不一问题,通过采取双向累加最大值的方式,可以有效的避免该问题的发生,并能够保证字符边界的准确及字符完整性。

    一种基于灰度图溢出的背景分离方法

    公开(公告)号:CN113255684B

    公开(公告)日:2021-10-26

    申请号:CN202110715542.7

    申请日:2021-06-28

    摘要: 本发明公开了一种基于灰度图溢出的背景分离方法,包括如下步骤:步骤1:对原图像做溢出处理,溢出计算得到像素值大于255的记为255,得到溢出处理图像;步骤2:计算溢出处理图像的灰度直方图和均值,计算得到分离阈值,分离阈值是灰度直方图在均值两侧最高值的中间任意值;步骤3:将溢出处理图像中像素值小于分离阈值的像素点按同比例收缩,还原到原图像的像素值,溢出处理图像中像素值大于等于分离阈值的像素点不变,得到还原后图像;步骤4:对还原后图像计算灰度直方图和均值,按步骤2的方法计算得到新的分离阈值,将小于新的分离阈值的像素值缩小;大于新的分离阈值的像素值放大,得到最终前景和背景分离的图像。

    一种计算钞票偏转角度的方法

    公开(公告)号:CN112733854A

    公开(公告)日:2021-04-30

    申请号:CN202110337072.5

    申请日:2021-03-30

    IPC分类号: G06K9/32 G06K9/34 G07D7/20

    摘要: 本发明公开了一种计算钞票偏转角度的方法,包括如下步骤:第一步,假设得到的扫描图像偏斜角度小于45°,再将图像做二值化处理;第二步,获得钞票上边界所在直线的斜率:满足公式1条件中的点(x,y)是上边界上的点,将筛选得到的点的所在列与所在行依次记录到数组X和数组Y中,再使用最小二乘法做线性拟合求得上边界所在直线的斜率;第三步,使用上边界所在直线的斜率求得偏转角度。本发明改了常规仅采用两个点来确定上边界直线斜率的方法,通过新设计的公式作为限制条件,保证筛选出的点既满足位于上边界上的要求,又保证点的数量处于合理范围内,从而在保证计算准确度的基础上保证了计算时间。

    一种基于非矩阵窗方式的字符区域定位方法

    公开(公告)号:CN112733834A

    公开(公告)日:2021-04-30

    申请号:CN202110337071.0

    申请日:2021-03-30

    IPC分类号: G06K9/20 G06K9/34

    摘要: 本发明公开了一种基于非矩阵窗方式的字符区域定位方法,其特征在于,包括如下步骤:步骤一:设定一个连续的线性窗;步骤二:用线性窗作为处理原图的最小选取单元,对原图进行读取处理,读取步长为1个像素,若线性窗所覆盖的区域内存在有效信息,则将线性窗对应的原图区域像素值设为0,原图其他区域像素值不变;步骤三:读取完成后,对非0区域的像素置均设为255,则得到了冠字号区域的二值化图像,所述二值化图像中0值区域即为字符区域的冠字号最小范围。本发明不仅能缩短执行时间,且可有效去除冠字号周围干扰信息的影响,避免对标记区域进行二次精确定位。

    一种用于红外数字图像检测的阈值自适应方法

    公开(公告)号:CN112132911B

    公开(公告)日:2021-03-16

    申请号:CN202011333372.8

    申请日:2020-11-25

    摘要: 本发明公开了一种用于红外数字图像检测的阈值自适应方法,其特征在于,第一步,获取纸币红外光下整幅图像,得到纸币区域图像,对图像灰度化处理,得到纸币区域灰度图;第二步,获取纸币区域灰度图的宽高比;第三步,获取纸币区域灰度图对角线中的像素值分布;第四步,获取纸币区域灰度图对角线像素分布中像素值占比最大的像素值;第五步,获取纸币区域灰度图中像素值占比最大的像素值;第六步,获取纸币区域灰度图的像素平均值;第七步,获得用于红外检测的灰度图像阈值。本发明综合考虑了全幅图像明暗变化,融合三种不同的图像描述算法得到更能分离图像特征区域与背景区域的灰度指标。

    一种基于差值的复杂背景分离方法

    公开(公告)号:CN113256674A

    公开(公告)日:2021-08-13

    申请号:CN202110715543.1

    申请日:2021-06-28

    摘要: 本发明公开了一种基于差值的复杂背景分离方法,包括如下步骤:步骤1:对原图像做溢出处理,溢出计算得到像素值大于255的记为255,得到溢出处理图像;步骤2:对溢出处理图像所有像素值做还原处理,得到还原图像;步骤3:利用矩阵窗对还原图像进行扫描,同步提取矩阵窗内像素点的像素值,计算均值、最大像素值和最小像素值;步骤4:将矩阵窗内的所有像素值与均值依次做求差运算,若求得的差值小于指定阈值,则将该像素点的像素值改为均值;若求得的差值大于等于指定阈值,则增加矩阵窗内的最大像素值,同时减小矩阵窗内的最小像素值,且当计算得到的像素值超过255则取255,低于0则取0,从而获得前景与背景分离的最终图像。

    一种基于灰度图溢出的背景分离方法

    公开(公告)号:CN113255684A

    公开(公告)日:2021-08-13

    申请号:CN202110715542.7

    申请日:2021-06-28

    摘要: 本发明公开了一种基于灰度图溢出的背景分离方法,包括如下步骤:步骤1:对原图像做溢出处理,溢出计算得到像素值大于255的记为255,得到溢出处理图像;步骤2:计算溢出处理图像的灰度直方图和均值,计算得到分离阈值,分离阈值是灰度直方图在均值两侧最高值的中间任意值;步骤3:将溢出处理图像中像素值小于分离阈值的像素点按同比例收缩,还原到原图像的像素值,溢出处理图像中像素值大于等于分离阈值的像素点不变,得到还原后图像;步骤4:对还原后图像计算灰度直方图和均值,按步骤2的方法计算得到新的分离阈值,将小于新的分离阈值的像素值缩小;大于新的分离阈值的像素值放大,得到最终前景和背景分离的图像。

    一种基于非矩阵窗方式的字符区域定位方法

    公开(公告)号:CN112733834B

    公开(公告)日:2021-07-06

    申请号:CN202110337071.0

    申请日:2021-03-30

    IPC分类号: G06K9/20 G06K9/34

    摘要: 本发明公开了一种基于非矩阵窗方式的字符区域定位方法,其特征在于,包括如下步骤:步骤一:设定一个连续的线性窗;步骤二:用线性窗作为处理原图的最小选取单元,对原图进行读取处理,读取步长为1个像素,若线性窗所覆盖的区域内存在有效信息,则将线性窗对应的原图区域像素值设为0,原图其他区域像素值不变;步骤三:读取完成后,对非0区域的像素置均设为255,则得到了冠字号区域的二值化图像,所述二值化图像中0值区域即为字符区域的冠字号最小范围。本发明不仅能缩短执行时间,且可有效去除冠字号周围干扰信息的影响,避免对标记区域进行二次精确定位。

    一种利用神经网络模型实现对钞票冠字号识别的方法

    公开(公告)号:CN112270322A

    公开(公告)日:2021-01-26

    申请号:CN202011496469.0

    申请日:2020-12-17

    摘要: 本发明公开了一种利用神经网络模型实现对钞票冠字号识别的方法,包括以下步骤:数据预处理:将从钞票上获得的字符图像的像素值信息和标签信息存储到csv文件中,所有的csv文件形成数据集;构建神经网络,计算得到神经网络隐藏层的节点个数,使用Adam优化算法更新神经网络模型的参数,且每一步更新都使用小批量训练样本;神经网络模型的保存与测试:当神经网络模型的更新到达目标次数时,停止更新,保存神经网络模型参数;在测试集上使用保存好的神经网络模型参数做测试实验;神经网络模型识别成功判断:记录神经网络模型的输出序列中最大值所在的位置并与标签信息作比较,如果两者一致,且输出序列中的最大值大于判别阈值,则称神经网络模型识别成功。