[发明专利]一种基于自编码卷积网络的线条检测方法

说明书

本发明公开了一种基于自编码卷积网络的线条检测方法，包括步骤：A.构造神经网络的训练数据集；B.构造基于自编码的卷积神经网络；C.从所述训练数据集里随机选取a个样本为一批，一共b批的训练数据，设置学习率为c，以均方误差MSE为损失函数，采用Adam优化方法训练d个轮回进行卷积神经网络的训练；其中，a为16的倍数，c小于0.001大于0.000001；D.训练完成后保存经步骤C训练好的模型，并采用训练好的模型进行线条检测。本发明的方法，通过基于自编码和卷积神经网络构建了一种新型的用于线条检测的神经网络结构，通过深度学习技术手段来提升线条检测的高效性和精确性，可实现高效、精确地检测图像中的干扰线。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于自编码卷积网络的线条检测方法。

背景技术

线条检测通常作为图像处理应用的前置步骤，高效精确的线条检测方法对后续图像处理流程具有显著影响。传统的图像处理方法，存在对噪声较大或干扰较多的图像线条检测效果不佳的问题。

发明内容

本发明的目的是克服上述背景技术中不足，提供一种基于自编码卷积网络的线条检测方法，通过基于自编码和卷积神经网络构建了一种新型的用于线条检测的神经网络结构，通过深度学习技术手段来提升线条检测的高效性和精确性，可实现高效、精确地检测图像中的干扰线。

为了达到上述的技术效果，本发明采取以下技术方案：

一种基于自编码卷积网络的线条检测方法，包括以下步骤：

A.构造神经网络的训练数据集；

B.构造基于自编码的卷积神经网络；

C.从所述训练数据集里随机选取a个样本为一批，一共b批的训练数据，设置学习率为c，以均方误差MSE为损失函数，采用Adam优化方法训练d个轮回进行卷积神经网络的训练；其中，a为16的倍数，c小于0.001大于0.000001；

D.训练完成后保存经步骤C训练好的模型，并采用训练好的模型进行线条检测。

为有效的训练神经网络，需要大量的数据，人工标注数据将耗费大量时间，为了有效提升标注效率，本方案中采取以下流程构造网络的训练的数据集，既能有效控制训练数据量，又能节省大量标注时间，所述步骤A中构造神经网络的训练数据集时具体包括以下步骤：

A1.确定需要构造的样本数量N、构造图片的大小长col，宽row、设置计数器Cnt＝0；

A2.随机选择背景颜色，且背景颜色灰度值选择范围为[0,255]；

A3.随机选择字体颜色，字体颜色灰度值选择范围为[0,255]且字体颜色不等于背景颜色；

A4.在0.2*min(row,col)至0.8*min(row,col)之间随机选择字体大小，从而确保选择的字体大小在整个图片中看来不会太小和太大，又能保证随机性；

A5.在需要训练的字体中随机选择一种字体；

A6.在需要训练的汉字的集合中随机选择一个汉字char；

A7.随机生成1至4条线条LINES，其中，随机生成的线条需要在row*col的矩形中可以内置；

A8.生成两个row*col的画布分别为画布CANVAS1和画布CANVAS2；

A9.在画布CANVAS1上画上汉字char和线条LINES，在画布CANVAS2上画线条LINES；

A10.保存画布CANVAS1为图片P_cnt_1，保存画布CANVAS2为图片P_cnt_2；

A11.设置Cnt＝Cnt+1；