[发明专利]一种文本类图像区域的识别方法、系统及相关装置

说明书

本申请公开了一种文本类图像区域的识别方法，应用于图像识别技术领域，该识别方法将原始图像划分为多个较小的像素宏块，以将原先直接针对于该原始图像进行的识别操作转换为各像素宏块，极大的降低了计算压力，同时根据文本类图像区别于自然图像的特征信息进行计算，得到包括颜色特征参数和梯度特征参数在内的区别特征信息，并将其作为判断对应像素宏块是否为文本类图像的依据，仅使用了较少的计算和判断步骤，无疑降低了计算所需的代价，能够实现以较低的延迟完成传输桌面内容的目的，用户实际体验更佳。本申请还同时公开了一种文本类图像区域的识别系统、装置及计算机可读存储介质，具有上述有益效果。

技术领域

本申请涉及图像识别技术领域，特别涉及一种文本类图像区域的识别方法、系统、装置及计算机可读存储介质。

背景技术

随着企业级大规模办公的展开，为进一步的降低企业办公成本和提升安全性，无需为每个员工单独架设一套PC的虚拟桌面技术逐渐开始崭露头角。

虚拟桌面技术是一种实现桌面系统的远程动态访问与数据中心统一托管的技术，可以让用户通过任何联网设备、在任何时间、任何地点访问在网络中的个人桌面系统。该技术由“云端”为用户提供远程的计算机桌面服务，即在“云端”上运行用户所需的操作系统和应用软件，然后将桌面视图以图像的方式发送至用户的瘦客户端上进行显示，且以同样的方式向“云端”发送用户输入的信息并实时接收“云端”发来的新内容进行显示。

传输的桌面内容根据内容和显示清晰度要求的不同通常可被分为文本类图像和自然图像两大类，其中的文本类图像只能采用高保真的压缩算法进行压缩以保证其高可辨识性，而对于自然图像则可允许存在一定程度失真。进行压缩是为尽可能的降低传输的数据量来提高带宽利用率，因此虚拟桌面技术中的一项关键技术即为如何识别文本类图像以准确对其进行压缩。

现有技术为准确识别文本类图像，先后采用了传统的基于图像区域特征提取(MSER)的方法、基于机器学习、深度学习(如RCNN、Fast-RCNN、Faster-RCNN等)的方法来实现识别文本类图像，上述方法精确度高，但同时由于繁琐的计算步骤往往需要付出较高的计算代价，所需时间也相对较长，会使得传输的桌面图像拥有较高的延迟，为客户带来了较差的体验。

因此，如何克服现有文本类图像识别方法存在的各项技术缺陷，提供一种基本不影响识别效果、且识别步骤简单、只需付出较低的计算代价、延迟较低的文本类图像识别方案是本领域技术人员亟待解决的问题。

发明内容

本申请的目的是提供一种文本类图像区域的识别方法，将原始图像划分为多个较小的像素宏块，以将原先直接针对于该原始图像进行的识别操作转换为各像素宏块，极大的降低了计算压力，同时根据文本类图像区别于自然图像的特征信息进行计算，得到包括颜色特征参数和梯度特征参数在内的区别特征信息，并将其作为判断对应像素宏块是否为文本类图像的依据，仅使用了较少的计算和判断步骤，无疑降低了计算所需的代价，能够实现以较低的延迟完成传输桌面内容的目的，用户实际体验更佳。

本申请的另一目的在于提供了一种文本类图像区域的识别系统、装置及计算机可读存储介质。

为实现上述目的，本申请提供一种文本类图像区域的识别方法，该识别方法包括：

将原始图像划分为预设大小的像素宏块；

提取各所述像素宏块的特征信息，并根据各所述特征信息计算得到对应像素宏块的区别特征参数；其中，所述区别特征参数包括颜色特征参数、梯度特征参数中的至少一种；

判断所述区别特征参数是否处于文本类图像区域的区别特征参数范围内；

若是，则确定对应的像素宏块为所述文本类图像区域。

可选的，当所述区别特征参数为所述颜色特征参数时，提取各所述像素宏块的特征信息，并根据各所述特征信息计算得到对应像素宏块的区别特征参数，包括：