基于K—means的图像文字识别与提取研究

采⽤K-means的脑肿瘤磁共振图像分割与特征提取
采⽤K-means的脑肿瘤磁共振图像分割与特征提取
宗晓萍; ⽥伟倩
【期刊名称】《计算机⼯程与应⽤》
【年(卷),期】2020(056)003
【摘要】⼤脑肿瘤分割对于医师判断肿瘤恶化程度⾮常重要.然⽽,由于肿瘤的不规则形状、与周围组织的低对⽐度以及出现位置的不固定,给脑肿瘤的精确分割带来很⼤的困难.传统的K-means分割⽅法仅仅利⽤图像的灰度特征,很难准确分割肿瘤边界.利⽤灰度共⽣矩阵提取出的纹理特征,并结合图像⼏何不变矩特征对分割出的脑肿瘤图像进⾏特征提取.灰度共⽣矩阵定义为像素对的联合概率分布,是⼀个对称矩阵,它不仅反映图像灰度在相邻的⽅向、相邻间隔、变化幅度的综合信息,也反映了相同的灰度级像素之间的位置分布特征,是计算纹理特征的基础;⼏何矩(不变矩)具有旋转、平移、尺度等特性,能将图像分解为有限特征值,并且通过对⽐所提取出的同⼀病⼈的肿瘤图像的不变矩参数,可以获得该肿瘤⼏何形状变化程度.实验结果表明,该⽅法可以同时从纹理和⼏何特征对图像特征进⾏描述,与分别采⽤灰度共⽣矩阵和不变矩⽅法进⾏特征提取相⽐较,降低了算法计算量,同时提升了算法的抗噪性.
【总页数】7页(187-193)
【关键词】K-means; 特征提取; 灰度共⽣矩阵; 不变矩; 相关系数
【作者】宗晓萍; ⽥伟倩
【作者单位】河北⼤学电⼦信息⼯程学院河北保定 071000
【正⽂语种】中⽂
【中图分类】TP751。

技术创新39结合ca n ny边缘检测算法与k-means算法的图像文字识别◊内江师范学院数学与信息科学学院向涛杨乾辉邓云吴苹杨秀霞许雷本文就图像中文本的识别进行了深入的研究，在目前的技术领域，文本识别的技术还够成熟，但是依然有许多的方法能够解决文本识别问题，比如边缘特征法、将文本图像连通寻找适当新的区域法、还有就是基于一些文本自身独特的特征和机器学习的方法；其次是就算得到了一些文本数据，因为世界是多姿多彩的，每个文本在自然界中受到的光照强度、文本自身的大小、倾斜程度等都会给图像文本的识别增加更大的难度，但是也不是说不能够完全识别文本区域内容，只是各种方法各有各的优势，因此需要对应找到更实用的方法。

目前大部分文本识别算法的核心都差不多，基本上都是先确定文本的大致区域，缩小识别范围，从而降低识别时间，还能够提高文本识别的效率。

当今世界最先好的识别技术（OCR）m是很好的也是非常成熟的一个方法，通过大量的数据验证得到的结果是（OCR）皿具有良好的性能，但直接使用效果却不是很好，因此本文采用了canny边缘检测算法和k-means算法进行文本定位，在一定程度上增强了文本区域的识别。

1canny与k_means算法原理1.1基于canny边缘检测算法原理该算法舷于边缘特征的一个检测性算法，它在对文本的处理过程中会保留文本属性值不变，但是并不是对文本不加以处理，而是会将文本图像的数据规模进行缩减。

目前世界研究中基于边缘检测的算法还是比较多，本文采用的是canny算法，该算法能够很好的处理边缘检测问题，这为文本识别带来了优势。

边缘检测算法是多种多样的，而canny算法是找到最适合的f瞬检测，含义如下所示。

（1）搜寻最佳检测：边缘检测会把文本边缘的一些特征尽可能的提取到的同时，还需要满足漏检的概率值尽可能的小。

（2）边缘定位规则：要求搜寻到边缘的点与实际文本的边缘点相差不远，总之就是使得搜寻的边缘位置与实际文本的边缘位置的偏差不能够太大，从而提高识别精度。

Chinese text clustering algorithm based k-meansMingyu Yao，Dechang PiCollege of Information Science and Technology, Nanjing University of Aeronautics and AstronauticsNanjing, Jiangsu, 210016, PR China{my_yao@, dc.pi@}Xiangxiang CongSchool of Information Science & Engineering, East China University of Science and TechnologyShanghai, 200237, PR ChinaAbstract—Text clustering is an important means and method in text mining. The process of Chinese text clustering based on k-means was emphasized, we found that new center of a cluster was easily effected by isolated text after some experiments. Average similarity of one cluster was used as a parameter, and multiplied it with a modulus between 0.75 and 1.25 to get the similarity threshold value, the texts whose similarity with original cluster center was greater than or equal to the threshold value ware collected as a candidate collection, then updated the cluster center with center of candidate collection. The experiments show that improved method averagely increased purity and F value about 10 percent over the original method. Keywords-text cluster; k-means; Chinese text基于k-means的中文文本聚类算法姚明宇1，皮德常1，丛湘香21.南京航空航天大学 信息科学与技术学院，江苏 南京，中国，2100162.华东理工大学 信息科学与工程学院，上海，中国，2002371. my_yao@,2. dc.pi@【摘要】文本聚类是文本挖掘的重要手段和方法。

基于K-means颜色聚类分割与边缘检测的文字提取吴春法;潘亚文;王敬【期刊名称】《电脑知识与技术》【年(卷),期】2017(013)028【摘要】针对自然场景中文字提取受复杂环境因素的影响,如光照不均匀、自然场景背景颜色多样等因素影响,采用任何单一的图像分割技术都无法进行有效地进行文字区域分割和文字提取,提出一种两种方法相结合的自然环境场景中的文字提取方法.首先,采用实现颜色聚类的K-means算法对文本区域与有颜色背景分割,然后在文本区域内对文字进行二值化处理后运用边缘检测的方法提取文字.通过VC++编程环境及OpenCV技术作为该方法的验证平台,结果显示基于K-means算法实现颜色聚类与边缘检测方法相结合能有效进行自然环境中文字的提取.【总页数】3页(P206-207,210)【作者】吴春法;潘亚文;王敬【作者单位】福建师范大学闽南科技学院,福建泉州362332;福建师范大学闽南科技学院,福建泉州362332;福建师范大学闽南科技学院,福建泉州362332【正文语种】中文【中图分类】TP391【相关文献】1.基于 K-means的图像文字识别与提取研究 [J], 岳建杰;赵旦峰2.用小波变换及颜色聚类提取的视频图像内中文字幕 [J], 黄晓东;周源华3.基于K-means的图像文字识别与提取研究 [J], 段银雷;4.基于改进K-means图像分割算法的细叶作物覆盖度提取 [J], WU Huanli;CUI Kewang;ZHANG Xin;XUE Xuzhang;ZHENG Wengang;WANG Yan5.结合canny边缘检测算法与k-means算法的图像文字识别 [J], 向涛;杨乾辉;邓云;吴苹;杨秀霞;许雷因版权原因，仅展示原文概要，查看原文内容请购买。

2020·4（上）《科技传播》120作者简介：张鑫宇，江苏警官学院。

浅析K-Means聚类算法在刑事图像处理中的运用张鑫宇摘 要 刑事图像资料存在于痕迹、法医、文检、刑事照相等各个专业领域中，在刑事侦查和刑事审判中有着重要意义。

文章主要针对刑事活动中涉及的低质量图像，运用聚类中的K-Means 算法对图像进行计算分析，再基于图像分割，分离前景目标物与背景，排除背景干扰因素，以此帮助解决刑事图像处理过程中出现的一些难题。

关键词 聚类；K-Means 算法；刑事图像处理中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2020）256-0120-02近年来，先进的刑事图像处理技术给公安机关的侦查工作带来极为显著的成效。

运用刑事图像处理技术，能够为侦查过程中所涉及的刑事照相、图像增强、图像复原、图像测量等工作提供更加科学的技术支持和更为严谨的法律保证。

其中，K-Means 均值聚类算法在刑事图像分析中有着较广泛的 运用。

1 K-Means 聚类算法的简介聚类分析是分类学中的一个分支，但两者之间存在着本质的区别。

就目标而言，聚类算法处理数据的分类目标是未知的，而分类是按照预先设定的类别标准进行数据处理。

聚类算法作为一种重要的数据分析方法[1]，基于层次、划分、密度、网格、模型等可分为不同的聚类算法，在实际使用中根据不同的数据量、数据类型、数据维度等应用于不同的领域。

K-Means 聚类算法由Steinhaus 于1955年首次提出，自它被提出后的60多年中，K-Means 算法一直是聚类算法中运用范围最广、使用频率最高的算法，这主要得益于其简易的算法、快速收敛的特性和处理大量数据的性能，但K-Means 聚类算法主要有两点局限性，一是只能适用于连续型数据，二是很难处理高纬度数据。

因此本文选择K-Means 聚类算法对包含背景干扰因素的图像进行细节分析，便于后期图像分割。

K-Means 聚类算法在n 个数据中随机选取k 个数据作为质心（k 为目标生成的族数，k ≤n），运用欧几里得距离、余弦相似度等比较剩余数据与质心之间的几何相似度，并划分到k 个族。

基于K—means颜色聚类分割与边缘检测的文字提取作者：吴春法潘亚文王敬来源：《电脑知识与技术》2017年第28期摘要：针对自然场景中文字提取受复杂环境因素的影响，如光照不均匀、自然场景背景颜色多样等因素影响，采用任何单一的图像分割技术都无法进行有效地进行文字区域分割和文字提取，提出一种两种方法相结合的自然环境场景中的文字提取方法。

首先，采用实现颜色聚类的K-means算法对文本区域与有颜色背景分割，然后在文本区域内对文字进行二值化处理后运用边缘检测的方法提取文字。

通过VC++编程环境及OpenCV技术作为该方法的验证平台，结果显示基于K-means算法实现颜色聚类与边缘检测方法相结合能有效进行自然环境中文字的提取。

关键词：自然场景文字；边缘检测； K-means；颜色聚类；连通分析； opencv中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2017）28-0206-02Abstract：According to the natural scene text extraction is influenced by complex environmental factors， such as uneven illumination， natural scene background colors and other factors，any single method is unable to effectively carry out the text segmentation and text extraction ，a method of combining two methods of regional segmentation and text extraction is proposed.Firstly， the K-means algorithm is used to segment the text area and the colored background， then the text is processed to white and black value in the text area， and then the edge detection method is used to extract the text. Through the VC++ programming environment and OpenCV technology as the verification platform of the method， the results show that the color clustering and edge detection Based on K-means algorithm can effectively extract the text in the natural environment.Key words：Natural scene text； edge detection； K-means； color clustering； connectivity analysis； opencv1 概述随着互联网技术及物联网技术的发展，自然场景中文字的提取显得尤为重要。