【技術實現步驟摘要】
本專利技術涉及復雜圖形讀取識別，具體為一種數字互聯的復雜圖形讀取與識別系統。
技術介紹
1、在復雜圖形讀取與識別
中，現有的系統通常面臨多種挑戰；例如，復雜圖形具有多樣的形狀、紋理和顏色特征，使得傳統的圖像處理算法難以準確提取和識別這些特征；現有技術中常用的圖像處理方法在處理圖形簡化和降噪時，往往會丟失重要的細節信息，導致識別結果不準確。
2、另外，現有的圖形識別系統多依賴于人工設計的特征，識別精度較低，無法滿足高精度識別的需求；尤其在處理復雜圖形時，這些系統的性能往往難以令人滿意。
技術實現思路
1、(一)解決的技術問題
2、針對現有技術的不足，本專利技術提供了一種數字互聯的復雜圖形讀取與識別系統，解決了如何簡化復雜圖形，并快速識別圖形的問題。
3、(二)技術方案
4、為實現以上目的，本專利技術通過以下技術方案予以實現：一種數字互聯的復雜圖形讀取與識別系統，包括圖形輸入模塊、特征提取模塊、圖形簡化模塊、識別模塊和輸出模塊；其中所述圖形輸入模塊用于接收用戶上傳的復雜圖形，并進行標準化處理；所述特征提取模塊對標準化后的復雜圖形進行特征提取處理，提取利于識別復雜圖形的關鍵特征，包括形狀、紋理和顏色特征；所述圖形簡化模塊通過多尺度分割和自適應降噪將特征提取模塊中的關鍵特征進行重組并減少冗余信息簡化復雜圖形；所述識別模塊讀取并識別重組簡化后的圖形，識別模塊通過深度學習算法，使卷積神經網絡模型引入自注意力機制，識別圖形，并捕捉圖形特征間的
5、優選的，圖形輸入模塊通過用戶交互界面或ap?i接口，使用戶能夠上傳或指定需要處理的圖形文件；圖形輸入模塊支持多種圖形文件格式，以適應不同用戶的需求和不同來源的圖形文件；圖形文件的格式包括矢量圖形文件格式，如svg、eps，常見的圖形文件格式，如jpeg、png、g?i?f、bmp；圖形文件被分成多個數據片，每個數據片分配一個唯一的序號；數據片的分割根據網絡傳輸效率動態調整；當數據片開始傳輸后，特征提取模塊根據數據片的序號進行重組，以重建完整的圖形文件；在傳輸過程中，若有數據片丟失或傳輸錯誤，圖形輸入模塊通過序號識別并請求重新傳輸相應的數據片；在圖形文件被成功加載并重組后，圖形輸入模塊進行預處理工作；首先進行圖形的標準化處理，統一圖形的大小和顏色，通過對圖形進行縮放，統一標準，使其符合深度學習模型的輸入尺寸；其次，將圖形的顏色信息轉換為灰度信息，即通過公式y＝0.299r+0.587g+0.114b計算灰度值，其中r、g、b分別表示圖形中紅色、綠色和藍色，y表示轉換后的灰度值；將多通道的彩色圖形轉換為單通道的灰度圖形，有助于簡化后續的特征提取過程。
6、優選的，特征提取模塊在圖形經過縮放和顏色轉換后，通過邊緣檢測算法來識別圖形的邊緣信息，從而定位圖形的輪廓；邊緣檢測算法使用sobe?l算子計算圖形梯度的變化，根據圖形梯度的變化來檢測出圖形的邊緣點；在識別出邊緣信息后，特征提取模塊采用輪廓跟蹤技術提取出圖形的閉合輪廓；輪廓跟蹤技術通過選擇一個未處理的邊緣點作為初始邊緣點，根據順時針順序依次遍歷邊緣點，連接相鄰邊緣點來形成完整的閉合輪廓；對于每一個閉合輪廓，特征提取模塊計算其幾何特征，包括面積、周長、圓形度和矩形度；面積和周長通過積分計算得到，而圓形度和矩形度則通過對比輪廓的幾何形狀與標準圓形和矩形的相似度來評估；在完成幾何特征的提取后，特征提取模塊通過結構分析技術分析圖形內部的結構，識別圖形的紋理規律；結構分析技術通過將每個濾波器應用到歸一化后的灰度圖像上，得到濾波后的圖像；濾波操作通過卷積計算實現，即將濾波器在圖像上滑動，并對每一個位置進行計算，以提取局部紋理特征；對于每一個方向和頻率的濾波結果，計算局部能量，通過計算每個濾波結果的平方和來實現；局部能量反映圖形在不同方向和頻率上的紋理強度；計算濾波結果的均值和方差，作為圖形的紋理特征；均值表示整體紋理強度，方差表示紋理變化的程度；通過統計特征，有效地描述圖形的紋理特性，為后續的圖形識別、分類和處理提供數據支持。
7、邊緣檢測算法采用sobe?l算子識別邊緣信息，應用sobe?l算子對轉換成灰度的圖形進行處理，sobe?l算子通過計算局部區域的梯度變化來識別邊緣；所述sobe?l算子有兩個，一個是檢測水平邊緣的gx，另一個是檢測垂直邊緣的gy；通過sobe?l算子計算圖形的梯度，梯度的大小和方向反映圖形的邊緣信息；應用閾值操作，將梯度大于閾值的區域識別為邊緣；其中閾值設定步驟為：
8、步驟1.使用初始閾值處理圖形，并評估結果的質量；
9、步驟2.根據評估結果，確定增加還是減少閾值；
10、步驟3.按照設定的步長調整閾值；
11、步驟4.迭代：重復步驟1-3，直到滿足圖形質量不再提升；
12、對圖像進行輪廓檢測，以檢測到的邊緣點連接成連續的輪廓，輪廓檢測使用cv2.fi?ndcontours函數從圖像的邊緣中提取出閉合的輪廓；cv2.f?i?ndcontours函數接受處理后的圖形作為輸入，返回包含所有檢測到的輪廓的列表，以及每個輪廓的層次結構信息；每個輪廓由一個numpy數組表示，其中包含輪廓上每個點的坐標；輪廓點用于形成閉合的輪廓，通過對提取出的輪廓進行進一步處理，計算其幾何特征；具體步驟包括計算每個輪廓的面積、周長、圓形度和矩形度；面積的計算方法是使用cv2.contourarea函數，該函數接受輪廓的點數組作為輸入，返回輪廓所圍區域的面積；周長的計算則使用cv2.arclength函數，該函數也接受輪廓的點數組作為輸入，并且選擇是否閉合輪廓來計算其周長；圓形度的計算方法是利用面積和周長的關系，通過圓形度＝4π×面積/周長2來進行計算，圓形度的值范圍在0到1之間，值越接近1，表示輪廓越接近于圓形；矩形度的計算是通過將輪廓擬合成一個最小外接矩形，使用cv2.minarearect函數得到外接矩形的寬度和高度，矩形度的定義為最小外接矩形的面積與輪廓面積之比。
13、優選的，圖形簡化模塊對提取的關鍵特征進行多尺度分割處理，多尺度分割技術通過使用不同尺度的濾波器和分割算法，對圖形特征進行多尺度的分割，每個尺度上的濾波器能捕捉圖形特征在不同尺度上的細節和結構信息；在每個尺度上，使用邊緣檢測分割通過檢測形狀特征中的邊緣信息將圖形特征分割成不同的區域；在完成多尺度分割后，圖形簡化模塊對分割后的圖形特征進行自適應降噪處理，自適應降噪技術根據圖形的紋理特征和顏色特征動態調整降噪參數，去除噪聲信息，保留邊緣信息、紋理、色彩信息；自適應降噪首先對分割后的每個特征區域進行局部統計特性分析，獲取區域內的噪聲水平和紋理復雜度；根據局部統計特性，動態調整降噪參數，降噪參數包括濾波器的大小、強度和迭代次數，噪聲水平高的區域使用相對更強的降噪參數，紋理復雜度高的區域使用相對更弱的降噪參數，避免細節丟失；通過雙邊濾波結合空間域和灰本文檔來自技高網...
【技術保護點】
1.一種數字互聯的復雜圖形讀取與識別系統，其特征在于：包括圖形輸入模塊、特征提取模塊、圖形簡化模塊、識別模塊和輸出模塊；其中所述圖形輸入模塊用于接收用戶上傳的復雜圖形，并進行標準化處理；所述特征提取模塊對標準化后的復雜圖形進行特征提取處理，提取利于識別復雜圖形的關鍵特征，包括形狀、紋理和顏色特征；所述圖形簡化模塊通過多尺度分割和自適應降噪將特征提取模塊中的關鍵特征進行重組并減少冗余信息簡化復雜圖形；所述識別模塊讀取并識別重組簡化后的圖形，識別模塊通過深度學習算法，使卷積神經網絡模型引入自注意力機制識別圖形，并捕捉圖形特征間的聯系；所述輸出模塊輸出深度學習的識別結果，并支持多種輸出格式，包括圖形、文本和數據文件。
2.根據權利要求1所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：所述圖像輸入模塊通過用戶交互界面接收圖形文件；圖形輸入模塊支持多種圖形文件的格式，以適應不同用戶的需求和不同來源的圖形；圖形文件分成多個數據片，每個數據片分配一個序號，當數據片開始傳輸后，特征提取模塊根據序號進行重組，得到圖形文件；在圖形文件被成功加載后，圖形輸入模塊進行預處理工作；包括
3.根據權利要求2所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：所述特征提取模塊在圖形經過縮放和顏色轉換后，通過邊緣檢測算法，來識別圖形的邊緣信息，從而定位圖形的輪廓；通過輪廓跟蹤技術提取出閉合輪廓，并計算輪廓的幾何特征，包括面積、周長、圓形度、矩形度；通過結構分析技術分析圖形內部的結構，識別圖形的紋理規律；包括檢測圖形中的重復元素、方向性以及粗糙度，從而生成紋理特征參數，包括規律性、方向性和粗糙度。
4.根據權利要求3所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：所述邊緣檢測算法采用Sobel識別邊緣信息，應用Sobel算子對轉換成灰度的圖形進行處理，Sobel算子通過計算局部區域的梯度變化來識別邊緣；所述Sobel算子有兩個，一個是檢測水平邊緣的Gx，另一個是檢測垂直邊緣的Gy；Sobel算子通過深度學習動態調整Gx和Gy；通過Sobel算子計算圖形的梯度，梯度的大小和方向反映圖形的邊緣信息；應用閾值操作，將梯度大于閾值的區域識別為邊緣；其中閾值設定步驟為：
5.根據權利要求1所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：所述圖形簡化模塊對提取的關鍵特征進行多尺度分割處理，多尺度分割技術通過不同尺度的濾波器和分割算法，對圖形特征進行多尺度的分割；在每個尺度上，使用邊緣檢測分割通過檢測形狀特征中的邊緣信息將圖形特征分割成不同的區域；圖形簡化模塊對分割后的圖形特征進行自適應降噪處理，自適應降噪技術根據圖形的紋理特征和顏色特征動態調整降噪參數，去除噪聲信息，保留邊緣、紋理和顏色的特征；設定一個相似度閾值，圖形簡化模塊對處理后的關鍵特征進行重組，圖形簡化模塊根據分割降噪后的特征相似度將相似度超過相似度閾值的信息刪除一部分，保留圖形的主要特征，使圖形簡化；特征的重組包括特征融合和特征選擇算法的應用，通過特征融合將不同尺度上的特征信息進行融合形成一個綜合的特征表示，通過特征選擇算法選擇出重要的特征，刪除冗余特征。
6.根據權利要求1所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：識別模塊接收來自圖形簡化模塊的簡化圖形，對輸入的簡化圖形進行預處理；預處理完成后，簡化圖形被輸入到深度學習模型中進行特征提取和識別；識別模塊通過卷積神經網絡的預訓練模型進行特征提取，在卷積層中引入自注意力機制，通過使用多個濾波器或卷積核來掃描輸入圖像，根據掃描輸入的圖形生成一組特征圖，通過自注意力機制使特征圖能捕捉局部特征和短距離依賴關系，并使模型考慮全局信息，捕捉圖形中任意兩個位置之間的長距離依賴關系；池化層采用平均池化計算該區域的平均值；池化層通過計算覆蓋區域中所有元素的平均值對輸入特征圖進行下采樣，減少特征圖的尺寸，從而減少計算量；預訓練模型能夠提取出圖形中的高級特征，包括邊緣、紋理和形狀；特征提取完成后，識別模塊將提取到的特征向量輸入到全連接層進行分類；全連接層通過線性變換和非線性激活函數，將特征的紋理、邊緣、顏色映射到不同的類別標簽，最終輸出圖形的識別結果。
7.根據權利要求6所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：輸出模塊將識別模塊傳遞過來的識別結果進行解析，輸出模塊根據解析結果確定輸出圖形的內容和結構；輸出模塊根據用戶選擇的輸出格式選項，對解析后的識別結果...
【技術特征摘要】
1.一種數字互聯的復雜圖形讀取與識別系統，其特征在于：包括圖形輸入模塊、特征提取模塊、圖形簡化模塊、識別模塊和輸出模塊；其中所述圖形輸入模塊用于接收用戶上傳的復雜圖形，并進行標準化處理；所述特征提取模塊對標準化后的復雜圖形進行特征提取處理，提取利于識別復雜圖形的關鍵特征，包括形狀、紋理和顏色特征；所述圖形簡化模塊通過多尺度分割和自適應降噪將特征提取模塊中的關鍵特征進行重組并減少冗余信息簡化復雜圖形；所述識別模塊讀取并識別重組簡化后的圖形，識別模塊通過深度學習算法，使卷積神經網絡模型引入自注意力機制識別圖形，并捕捉圖形特征間的聯系；所述輸出模塊輸出深度學習的識別結果，并支持多種輸出格式，包括圖形、文本和數據文件。
2.根據權利要求1所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：所述圖像輸入模塊通過用戶交互界面接收圖形文件；圖形輸入模塊支持多種圖形文件的格式，以適應不同用戶的需求和不同來源的圖形；圖形文件分成多個數據片，每個數據片分配一個序號，當數據片開始傳輸后，特征提取模塊根據序號進行重組，得到圖形文件；在圖形文件被成功加載后，圖形輸入模塊進行預處理工作；包括圖形的標準化處理，統一圖形的大小和顏色；其中通過對圖形進行縮放，統一標準；通過y＝0.299r+0.587g+0.114b將圖形的顏色信息轉換成灰度信息，通過縮放和顏色轉換使特征提取模塊精準提取特征。
3.根據權利要求2所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：所述特征提取模塊在圖形經過縮放和顏色轉換后，通過邊緣檢測算法，來識別圖形的邊緣信息，從而定位圖形的輪廓；通過輪廓跟蹤技術提取出閉合輪廓，并計算輪廓的幾何特征，包括面積、周長、圓形度、矩形度；通過結構分析技術分析圖形內部的結構，識別圖形的紋理規律；包括檢測圖形中的重復元素、方向性以及粗糙度，從而生成紋理特征參數，包括規律性、方向性和粗糙度。
4.根據權利要求3所述的一種數字互聯的復雜圖形讀取與識別系統，其特征在于：所述邊緣檢測算法采用sobel識別邊緣信息，應用sobel算子對轉換成灰度的圖形進行處理，sobel算子通過計算局部區域的梯度變化來識別邊緣；所述sobel算子有兩個，一個是檢測水平邊緣的gx，另一個是檢測垂直邊緣的gy；sobel算子通過深度學習動態調整gx和gy；通過sobel算子計算圖...
【專利技術屬性】
技術研發人員：田鑫，段文龍，曹明，
申請(專利權)人：湖北視界文旅數字科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。