基于大数据的实验室局域网络含噪字符识别方法研究

杨 磊

（安徽财经大学 教务处，安徽 蚌埠 233000）

0 引言

实验室局域网含噪字符易受到环境等因素的干扰，导致含噪字符的识别能力较差，需要研究含噪字符图像特征识别模型，结合模糊相关性特征检测方法，进行含噪字符图像识别［1］.对含噪字符图像特征识别是建立在特征提取和模糊度分析基础上，建立含噪字符图像特征识别的统计分析模型，采用模糊信息融合方法，进行含噪字符图像局部模糊特征提取和识别［2］，相关的含噪字符图像特征识别方法研究受到人们的极大关注.

在传统方法中，对含噪字符图像局部模糊特征识别方法主要有子空间特征识别方法，模糊特征检测方法和区域分块信息增强方法等［3］.文献［4］提出空间欠采样技术的含噪字符图像特征识别方法.通过构建实验室局域网含噪字符图像的空间采样模型，结合局域网含噪字符特征分析方法进行信息特征分析等.该方法有效提高特征识别能力，但该方法在进行含噪字符图像局部模糊特征识别时精度不高.

针对上述问题，本文提出基于模糊边缘特征检测和模板匹配的含噪字符图像局部模糊特征精准识别方法.

实验结果表明：采用本文方法可以提高含噪字符识别能力，且优越性能显著.

1 含噪字符图像视觉空间采样及特征提取

1.1 基于大数据的含噪字符图像视觉空间采样

为了实现含噪字符图像特征识别，首先需要对含噪字符图像视觉空间进行采样……