基于Harris兴趣点区域的图像拷贝检测算法

提出一种使用Harris 兴趣点的拷贝检测方案.首先通过Harris检测器提取图像的局部特征点,然后构建以Harris兴趣点为中心的多重圆环区域,并计算圆环区域的信息熵,作为特征向量,通过比较特征向量之间的距离,判断局部领域的相似性.最后通过特征点的全局一致性检测,判断检测图像是否为原始作品的拷贝.实验表明该拷贝检测方法对图像的几何变换具有很强的鲁棒性,同时也能抵抗大多数的信号处理攻击.     

基于直线拟合的文本倾斜检测算法

在文本扫描输入的过程中,文本图像不可避免地会发生倾斜,而布局分析及字符识别算法对页面倾斜十分敏感,因此倾斜检测和校正是文档分析预处理中的重要环节。提出了一个基于直线拟合的倾斜检测方法,它对文本图像二值化、分块,进行Fourier变换获得Fourier光谱,提取Fourier光谱中反映倾斜角的特征点,然后对特征点进行拟合处理,最后获得页面倾斜角。实验结果表明,该方法能够精确检测文本的倾斜角度,并且不受文本布局、行间距以及字体的影响。     

基于视窗的OCR页面图像倾斜检测方法

文档在扫描输入过程中，所生成的页面图像一般都存在一定的角度倾斜，当页面图像倾斜角度过大时，将对进一步的版面分析以及字符识别产生不良影响。为了快速准确地检测页面图像倾斜角度和降低计算量，提出了一种基于视窗变换的页面图像倾斜检测方法，该算法首先对视窗中的文字及图片的细节部分进行模糊，然后对其边沿进行直线拟合，以便快速检测页面图像倾斜角度。实验结果表明，该方法能快速准确地检测出各类页面图像的倾斜角度，并具有良好的适应性。     

基于点云数据的扭曲文本图像倾斜校正方法

针对传统二维层面的倾斜校正算法难以处理扭曲文本的倾斜,提出一种基于点云数据的扭曲文本图像倾斜校正方法。首先,通过三维扫描仪采集文本的数据信息,重建文本的三维点云模型,接着通过检测文本在空间中的位置,定义为空间倾斜与平面倾斜,最后实现文本的自动倾斜校正。实验结果表明,基于点云数据的倾斜校正算法在处理扭曲文本的倾斜校正正确率达到95%以上。     

基于最小二乘法的文档图像倾斜检测方法

在文档扫描过程中,输入的文档图像不可避免地会发生倾斜现象,而布局分析及字符识别算法对页面倾斜都十分敏感,因此倾斜检测和校正是文档分析预处理的重要环节。本文提出了一个基于最小二乘法的倾斜检测方法。它将字符连通区包围盒底边中心点作为特征点,利用文本行中特征点与基线的关系,将特征点用最小二乘法拟事出基线的方向,即为页面倾斜方向。同时,本文介绍了一种基于直线拟合的快速倾斜校正算法。实验证明,该算法速度快,准确度高。     

一种高效的倾斜图像校正方法

在图像处理系统中，通过采集设备获得的图像不可避免地会出现倾斜现象，这给后续的图像处理和分析带来了困难。因此，倾斜图像的检测和校正是很重要的环节。该文提出了一种新方法，通过一次旋转来得到一条边上的两个点，通过两点就确定了图像的边缘、得到图像的倾斜度。与传统方法相比，该方法不仅计算量小、准确度高，且具有很好的鲁棒性。     

基于表格线游程的选票图像几何结构识别

选票表格几何结构识别是选票图像几何结构识别的关键。提出一种基于表格线游程的表格域提取方法,实现选票表格几何结构识别。该方法以表格线游程作为表格线检测的矢量基元,在一定的约束条件下合并表格线游程实现选票表格中表格线的提取,通过提取得到的表格线实现选票表格中表格域的提取。实验结果表明该方法能够快速有效地实现选票图像的几何结构识别。     

一种基于Real AdaBoost算法的EOM人脸检测方法

提出一种基于Real AdaBoost算法的边缘方位匹配(EOM)人脸检测方法.该方法提取人脸图像的边缘方位特征,一定程度上克服光照等干扰因素的影响.采用Real AdaBoost算法通过多次迭代学习过程获取人脸的整体模式(全局特征点集).在每次迭代学习过程中,采用区域选择策略获取人脸的局部模式(局部特征点集).与传统的EOM方法相比,本文方法所获取的人脸模式更精确.正面人脸检测实验证实这一点.     

新的文本图像倾斜检测及校正算法

在文档扫描过程中,文档可能会发生倾斜,而很多字符识别和布局分析算法都对倾斜十分敏感,文本图像的倾斜检测及校正就成为文档分析不可缺少的环节.提出了一种新的倾斜文本图像的校正方法,该方法首先获取文档图像的bounding box,以bounding box面积最小作为倾斜校正的最终目标,并使用遗传算法搜索该最小值.实验结果表明,该算法对倾斜角的检测具有较高的精确度.     

基于局部对比和全局稀有度的显著性检测

为了提高显著图的精确度,能够准确地提取显著目标,提出了结合局部对比和全局稀有度的显著性检测算法.该方法通过两个方面来衡量显著性:局部对比和全局稀有度.采用多尺度高斯差分模拟“中央周边差”计算中心点与其周围点的各特征之间的差异来描述局部对比,采用多尺度高斯卷积图像的特征及特征方差的概率计算全局稀有度,将局部对比和全局稀有度融合和归一化得到最终综合显著图.实验结果表明,该方法能较好地检测图像中的显著区域,在突出图像中不同物体边缘的同时,也能突出图像中同质区域的显著性,说明了结合局部和全局的算法能够得到更好的显著图.