一种图像中文字区域的编解码方法及装置与流程

1.本公开涉及图像传输技术领域，尤其涉及一种图像中文字区域的编解码方法及装置。


背景技术：

2.万像图像无损传输协议(vanxum gprs tunnelling protocol，简称vgtp)是现有的实时编码方案，对图像采集后，统一进行编码，编码中不关注图像本身的具体内容，从图像整体数据进行编码，各个区域平等对待，传输前对图像数据进行了有损编码，该编码经传输后到显示端解码显示时，对文字的清晰度有不小的损失，影响用户体验。


技术实现要素：

3.本公开实施例提供一种图像中文字区域的编解码方法及装置，能够解决现有技术中对图像中的文字有损编码，解码后文字清晰度较差的问题。所述技术方案如下：
4.根据本公开实施例的第一方面，提供一种图像中文字区域的编码方法，该方法包括：
5.获取目标检测图像，所述目标检测图像包括文字区域和图像区域；
6.将所述目标检测图像输入识别文字区域的神经网络模型，获得特征矩阵，所述特征矩阵用于指示所述目标检测图像中的文字区域信息，包括位置信息和特征信息；
7.对所述特征矩阵进行编码，获得附加信息域。
8.本公开实施例提供的图像中文字区域的编码方法，首先获取目标检测图像，目标检测图像包括文字区域和图像区域；然后将目标检测图像输入识别文字区域的神经网络模型，获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；最后对特征矩阵进行编码，获得附加信息域。本公开利用神经网络模型识别出图像中的文字区域，计算该区域像素的特征，在编码中附加该类文字区域信息，有利于后续解码后达到增强图像中文字清晰度的目的。
9.在一个实施例中，上述方法还包括：
10.对所述目标检测图像的图像区域进行编码，获得图像数据域；
11.将所述附加信息域与所述图像数据域发送给解码端，以使所述解码端对所述附加信息域和所述图像数据域进行解码，获得解码图像。
12.在一个实施例中，在所述将所述目标检测图像输入识别文字区域的神经网络模型之前，上述方法还包括：
13.获取目标训练集，所述目标训练集包括至少一个目标训练图像；
14.将所述至少一个目标训练图像中的文字部分标记为文字区域；
15.对所述目标训练集进行神经网络训练，获得所述识别文字区域的神经网络模型。
16.在一个实施例中，将所述至少一个目标训练图像中的文字部分标记为文字区域包括：
17.对所述至少一个目标训练图像进行角点检测，得到至少一个角点置信度大于第一预设阈值的区域；
18.判断所述至少一个角点置信度大于第一预设阈值的区域是否满足预设的规则形状条件；
19.若是，则将所述至少一个角点置信度大于第一预设阈值的区域标记为文字区域。
20.在一个实施例中，上述方法还包括：
21.若否，则对所述至少一个目标训练图像进行边缘检测，得到至少一个边缘连通区域；
22.判断所述至少一个角点置信度大于第一预设阈值的区域与所述至少一个边缘连通区域的重合比例是否达到第二预设阈值；
23.若是，则将所述至少一个角点置信度大于第一预设阈值的区域标记为文字区域；
24.若否，则确定所述至少一个角点置信度大于第一预设阈值的区域为非文字区域。
25.在一个实施例中，在所述将所述目标检测图像输入识别文字区域的神经网络模型之前，上述方法还包括：
26.对所述目标检测图像进行预处理，包括灰度化、降噪、二值化、字符切分、归一化中的至少一种。
27.根据本公开实施例的第二方面，提供一种图像中文字区域的解码方法，该方法包括：
28.接收编码端发送的图像数据域和附加信息域；
29.对所述图像数据域进行解码获得图像数据；
30.对所述附加信息域进行解码获得特征矩阵，所述特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；
31.根据所述特征矩阵重建所述图像数据中的文字区域，获得目标解码图像。
32.本公开实施例提供的图像中文字区域的解码方法，首先接收编码端发送的图像数据域和附加信息域；然后对图像数据域进行解码获得图像数据；对附加信息域进行解码获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；最后根据特征矩阵重建图像数据中的文字区域，获得目标解码图像。本公开附加图像中文字区域的信息，在图像显示时，结合附加信息对文字区域重建，达到增强图像中文字清晰度的目的。
33.根据本公开实施例的第三方面，提供一种图像中文字区域的编码装置，包括获取模块、输出模块和编码模块；
34.所述获取模块，用于获取目标检测图像，所述目标检测图像包括文字区域和图像区域；
35.所述输出模块，用于将所述目标检测图像输入识别文字区域的神经网络模型，获得特征矩阵，所述特征矩阵用于指示所述目标检测图像中的文字区域信息，包括位置信息和特征信息；
36.所述编码模块，用于对所述特征矩阵进行编码，获得附加信息域。
37.本公开实施例提供的图像中文字区域的编码装置，包括获取模块、输出模块和编码模块；获取模块，用于获取目标检测图像，目标检测图像包括文字区域和图像区域；输出
模块，用于将目标检测图像输入识别文字区域的神经网络模型，获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；编码模块，用于对特征矩阵进行编码，获得附加信息域。本公开利用神经网络模型识别出图像中的文字区域，计算该区域像素的特征，在编码中附加该类文字区域信息，有利于后续解码后达到增强图像中文字清晰度的目的。
38.在一个实施例中，编码模块还用于对所述目标检测图像的图像区域进行编码，获得图像数据域；
39.所述装置还包括发送模块，用于将所述附加信息域与所述图像数据域发送给解码端，以使所述解码端对所述附加信息域和所述图像数据域进行解码，获得解码图像。
40.根据本公开实施例的第四方面，提供一种图像中文字区域的解码装置，包括接收模块、解码模块和重建模块；
41.所述接收模块，用于接收编码端发送的图像数据域和附加信息域；
42.所述解码模块，用于对所述图像数据域进行解码获得图像数据；对所述附加信息域进行解码获得特征矩阵，所述特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；
43.所述重建模块，还用于根据所述特征矩阵重建所述图像数据中的文字区域，获得目标解码图像。
44.本公开实施例提供的图像中文字区域的解码装置，包括接收模块、解码模块和重建模块；接收模块，用于接收编码端发送的图像数据域和附加信息域；解码模块，用于对图像数据域进行解码获得图像数据；对附加信息域进行解码获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；重建模块，还用于根据特征矩阵重建图像数据中的文字区域，获得目标解码图像。本公开附加图像中文字区域的信息，在图像显示时，结合附加信息对文字区域重建，达到增强图像中文字清晰度的目的。
45.根据本公开实施例的第五方面，提供一种图像中文字区域的编解码设备，所述图像中文字区域的编解码设备包括处理器和存储器，所述存储器中存储有至少一条计算机指令，所述指令由所述处理器加载并执行以实现上述任一项所述的图像中文字区域的编解码方法中所执行的步骤。
46.根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述存储介质中存储有至少一条计算机指令，所述指令由处理器加载并执行以实现上述任一项所述的图像中文字区域的编解码方法中所执行的步骤。
47.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
48.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
49.图1是本公开实施例提供的一种图像中文字区域的编码方法的流程图；
50.图2是本公开实施例提供的一种图像中文字区域的解码方法的流程图；
51.图3是本公开实施例提供的一种图像中文字区域的编码方法的流程图；
52.图4是本公开实施例提供的一种图像中文字区域的解码方法的流程图；
53.图5是本公开实施例提供的一种图像中文字区域的编码装置的结构图；
54.图6是本公开实施例提供的一种图像中文字区域的解码装置的结构图。
具体实施方式
55.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的系统和方法的例子。
56.本公开实施例提供一种图像中文字区域的编码方法，如图1所示，该图像中文字区域的编码方法包括以下步骤：
57.步骤101、获取目标检测图像，目标检测图像包括文字区域和图像区域；
58.本公开实施例中目标检测图像为待检测的图像，该图像中包括文字区域和图像区域。
59.步骤102、将目标检测图像输入识别文字区域的神经网络模型，获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；
60.具体的，每个文字区域的图像可以看做一个特征矩阵，该特征矩阵通过压缩可以最大的保留文字信息。要是直接传输该特征矩阵，编码量就会很大。要保证解码重建时重要信息保存，也要保证传输数据不要太大，需要对该特征矩阵进行压缩，这就需要用特征向量和特征值来代表该特征矩阵。
61.在一个实施例中，在将目标检测图像输入识别文字区域的神经网络模型之前，上述方法还包括：
62.获取目标训练集，目标训练集包括至少一个目标训练图像；
63.将至少一个目标训练图像中的文字部分标记为文字区域；
64.对目标训练集进行神经网络训练，获得识别文字区域的神经网络模型。
65.本公开利用卷积方法对图像扫描，识别出大概的文字区域，然后手工标记训练集中图像中文字区域，然后利用该训练集数据训练上述模型，模型训练到一定准确度，就停止训练，保存模型的参数，待编码中利用这些模型参数判断文字区域。
66.在一个实施例中，将至少一个目标训练图像中的文字部分标记为文字区域包括：
67.对至少一个目标训练图像进行角点检测，得到至少一个角点置信度大于第一预设阈值的区域；
68.判断至少一个角点置信度大于第一预设阈值的区域是否满足预设的规则形状条件；
69.若是，则将至少一个角点置信度大于第一预设阈值的区域标记为文字区域。
70.具体的，该图像的角点置信度大于第一预设阈值的区域称为第一区域。其中，角点检测也称为特征点检测。使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。本公开实施例中，第一预设阈值可以设置为80％
‑
90％，置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程
度。置信区间给出的是被测量参数测量值的可信程度范围。
71.实际使用中，角点检测的算法包括以下多种，可以基于不同的特点选择选择算法。
72.例如，moravec角点检测算法是最早的角点检测算法之一。该算法将角点定义为具有低“自相关性”的点。算法会检测图像的每一个像素，将像素周边的一个邻域作为一个patch，并检测这个patch和周围其他patch的相关性。这种相关性通过两个patch间的平方差之和(ssd)来衡量，ssd值越小则相似性越高。
73.如果像素位于平滑图像区域内，周围的patch都会非常相似。如果像素在边缘上，则周围的patch在与边缘正交的方向上会有很大差异，在与边缘平行的方向上则较为相似。而如果像素是各个方向上都有变化的特征点，则周围所有的patch都不会很相似。
74.moravec会计算每个像素patch和周围patch的ssd最小值作为强度值，取局部强度最大的点作为特征点。
75.另外，还有harris角点检测、shi
‑
tomasi算法、fast角点检测算法等，本公开对具体算法不详细描述。
76.本公开实施例中，预设的规则形状条件可以为圆形、平行四边形、矩形等，本公开在此不做限定。
77.在一个实施例中，上述方法还包括：
78.若否，则对至少一个目标训练图像进行边缘检测，得到至少一个边缘连通区域；
79.判断至少一个角点置信度大于第一预设阈值的区域与至少一个边缘连通区域的重合比例是否达到第二预设阈值；
80.若是，则将至少一个角点置信度大于第一预设阈值的区域标记为文字区域；
81.若否，则确定至少一个角点置信度大于第一预设阈值的区域为非文字区域。
82.具体的，边缘连通区域检测的目的就是找到图像中亮度变化剧烈的像素点构成的集合，表现出来往往是轮廓。本公开实施例中，第二预设阈值可以设置为80％
‑
90％。
83.边缘算法比如一阶微分边缘算子、roberts边缘检测算子、prewitt边缘检测算子、sobel边缘检测算子、二阶微分算子、canny边缘检测。
84.其中，一阶微分边缘算子也称为梯度边缘算子，它是利用图像在边缘处的阶跃性，即图像梯度在边缘取得极大值的特性进行边缘检测。
85.canny边缘检测几乎是边缘检测算子中最为常用的一种。canny提出了边缘检测算子优劣评判的三条标准：
86.高的检测率。边缘检测算子应该只对边缘进行响应，检测算子不漏检任何边缘，也不应该将非边缘标记为边缘。
87.精确定位。检测到的边缘与实际边缘之间的距离要尽可能的小。
88.明确的响应。对每一条边缘只有一次响应，只得到一个点。
89.canny边缘检测之所以优秀是因为它在一阶微分算子的基础上，增加了非最大值抑制和双阈值两项改进。利用非极大值抑制不仅可以有效地抑制多响应边缘，而且还可以提高边缘的定位精度；利用双阈值可以有效减少边缘的漏检率。
90.本公开实施例采用角点检测与边缘检测结合的方式，确认图像上的文字区域，在文字背景复杂、文字区域不规则的情况下，能够更有效地检测出文字区域。
91.在一个实施例中，在将目标检测图像输入识别文字区域的神经网络模型之前，上
述方法还包括：
92.对目标检测图像进行预处理，包括灰度化、降噪、二值化、字符切分、归一化中的至少一种。
93.实际使用中，需要对包含文字的图像进行预处理，以便后续进行特征提取、学习。这个过程的主要目的是减少图像中的无用信息。在这个步骤通常有：灰度化(彩色图像)、降噪、二值化、字符切分以及归一化这些子步骤。经过二值化后，图像只剩下两种颜色，即黑和白，其中一个是图像背景，另一个颜色就是要识别的文字了。降噪在这个阶段非常重要，降噪算法的好坏对特征提取的影响很大。字符切分则是将图像中的文字分割成单个文字——识别的时候是一个字一个字识别的。如果文字行有倾斜的话往往还要进行倾斜校正。归一化则是将单个的文字图像规整到同样的尺寸，在同一个规格下，才能应用统一的算法。特征提取和降维：特征是用来识别文字的关键信息，每个不同的文字都能通过特征来和其他文字进行区分。
94.步骤103、对特征矩阵进行编码，获得附加信息域。
95.在一个实施例中，上述方法还包括：
96.对目标检测图像的图像区域进行编码，获得图像数据域；
97.将附加信息域与图像数据域发送给解码端，以使解码端对附加信息域和图像数据域进行解码，获得解码图像。
98.实际使用中，在图像编码时，图像存在两个域，图像数据域和附加信息域，图像数据域保存图像编码压缩数据，附加信息域保存文字区域信息，两个域整体表示一个编码后的图像。
99.编码过程中，利用模型参数，判断图像中的数据，根据模型参数计算区域阈值，阈值达到一定程度可以判定为文字区域，否则为非文字区域，每检测到一个文字区域，把该区域的位置信息，如左上坐标和区域大小添加到附加信息域中。方便后续图像重建时参考。
100.编码结束后，需要扫描附加信息域，遍历附加信息域中的每块文字区域，计算该区域内图像的特征向量和特征值，填上特征矩阵的信息。
101.本公开实施例提供的图像中文字区域的编码方法，首先获取目标检测图像，目标检测图像包括文字区域和图像区域；然后将目标检测图像输入识别文字区域的神经网络模型，获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；最后对特征矩阵进行编码，获得附加信息域。本公开利用神经网络模型识别出图像中的文字区域，计算该区域像素的特征，在编码中附加该类文字区域信息，有利于后续解码后达到增强图像中文字清晰度的目的。
102.本公开另一实施例提供一种图像中文字区域的解码方法，如图2所示，该图像中文字区域的解码方法包括以下步骤：
103.步骤201、接收编码端发送的图像数据域和附加信息域；
104.具体的，图像数据域保存图像编码压缩数据，附加信息域保存文字区域信息，两个域整体表示一个编码后的图像。
105.步骤202、对图像数据域进行解码获得图像数据；
106.步骤203、对附加信息域进行解码获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；
107.步骤204、根据特征矩阵重建图像数据中的文字区域，获得目标解码图像。
108.本公开实施例中，解码附加信息域文字区域信息，利用特征信息重建图像数据中文字区域。
109.正常解码就是根据图像头部信息，分别填入。该步骤完成后就生成一个可以显示的完整图像，这时文字区域相比较原图像会有清晰度损失。
110.本公开实施中，在图像区域解码完成后，解码附加信息域，遍历附加信息域中的每一个文字区域，读取位置信息和特征信息，根据文字区域的位置信息，选取该图像区域，利用特征信息增强该区域，逐个处理，直到每一个附加信息域文字区域遍历结束。
111.本公开实施例提供的图像中文字区域的解码方法，首先接收编码端发送的图像数据域和附加信息域；然后对图像数据域进行解码获得图像数据；对附加信息域进行解码获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；最后根据特征矩阵重建图像数据中的文字区域，获得目标解码图像。本公开附加图像中文字区域的信息，在图像显示时，结合附加信息对文字区域重建，达到增强图像中文字清晰度的目的。
112.本公开另一实施例提供一种图像中文字区域的编解码方法，如图3和图4所示，该图像中文字区域的编解码方法包括以下步骤：
113.步骤301、文字区域检测模型设计和训练；
114.具体的文字区域识别原理为：对目标图像进行角点检测，得到该图像的角点高置信度区域；对目标图像进行边缘检测，得到该图像的边缘连通区域；对于检测到的任意角点高置信度区域，判断该区域是否满足预设的规则形状条件；如果是，将该区域确定为文字区域；如果否，进一步判断该区域与边缘连通区域的重合比例是否达到预设的阈值，如果是，将该区域确定为文字区域；如果否，将该区域确定为非文字区域。
115.利用卷积方法对图像扫描，识别出大概的区块，然后手工标记训练集中图像中文字区域，和其他区域，然后利用该训练集数据训练上述模型，模型训练到一定准确度，就停止训练，保存模型的参数，待编码中利用这些模型参数判断文字区域。
116.步骤302、图像编码中文字区域识别；
117.在图像编码时，图像存在两个域，包括图像数据域和附加信息域，图像数据域保存图像编码压缩数据，附加信息域保存文字区域信息，两个域整体表示一个编码后的图像。
118.编码过程中，利用步骤301中的模型参数，判断图像中的数据，根据模型参数计算区域阈值，阈值达到一定程度可以判定为文字区域，否则为非文字区域，每检测到一个文字区域，把该区域的位置信息，如左上坐标和区域大小添加在附加信息域链表中。方便后续图像重建时参考。
119.步骤303、图像编码中文字区域信息和特征矩阵附加；
120.一般图像中，文字区域不光有文字还有较复杂的背景，文字区域识别完成后，要在解码中完成文字区域重建，既要保留文字区域中的文字，也要保持文字区域的背景特征。
121.每个文字区域的图像可以看做一个矩阵，该矩阵通过压缩可以最大的保留文字信息。要是直接传输该矩阵，编码量就会很大。要保证解码重建时重要信息保存，也要保证传输数据不要太大，需要对该矩阵进行压缩，这就需要用特征向量和特征值来代表该矩阵。本步骤就是计算该特征矩阵。
122.编码结束后：需要扫描附加域，遍历附加域中的每块文字区域，计算该区域内图像的特征向量和特征值，填上特征矩阵的信息。
123.步骤304、解码显示中利用附加信息域和特征矩阵重建文字区域。
124.图像在显示端显示前，需要解码，本发明的解码分两步完成。
125.正常解码：解码数据流中图像数据；
126.文字区域增强重建：解码附加信息域文字区域信息，利用特征信息重建图像数据中文字区域。
127.正常解码就是根据图像头部信息，分别填入。该步骤完成后就生成一个可以显示的完整图像，这时文字区域相比较原图像会有清晰度损失。这就需要第二步来处理。
128.在图像区域解码完成后，解码附加信息域，遍历附加信息域中的每一个文字区域，读取位置信息和特征信息，根据文字区域的位置信息，选取该图像区域，利用特征信息增强该区域，逐个处理，直到每一个附加信息域文字区域遍历结束。
129.本公开主要在图片编码时，利用深度学习技术建立的判别模型，对图片中文字区域进行识别，并提取文字区域信息，在传输时把附加信息和图像数据一并传输，解码显示端在收到图像数据后，根据数据布局协议，分离图像数据和附加数据，利用附加数据对文字区域增强，达到文字区域清晰的目的。
130.基于上述图1和图3对应的实施例中所描述的图像中文字区域的编码方法，下述为本公开系统实施例，可以用于执行本公开方法实施例。
131.本公开实施例提供一种图像中文字区域的编码装置，如图5所示，该装置包括获取模块401、输出模块402和编码模块403；
132.获取模块401，用于获取目标检测图像，目标检测图像包括文字区域和图像区域；
133.输出模块402，用于将目标检测图像输入识别文字区域的神经网络模型，获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；
134.编码模块403，用于对特征矩阵进行编码，获得附加信息域。
135.本公开实施例提供的图像中文字区域的编码装置，包括获取模块401、输出模块402和编码模块403；获取模块401，用于获取目标检测图像，目标检测图像包括文字区域和图像区域；输出模块402，用于将目标检测图像输入识别文字区域的神经网络模型，获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；编码模块403，用于对特征矩阵进行编码，获得附加信息域。本公开利用神经网络模型识别出图像中的文字区域，计算该区域像素的特征，在编码中附加该类文字区域信息，有利于后续解码后达到增强图像中文字清晰度的目的。
136.在一个实施例中，编码模块403还用于对目标检测图像的图像区域进行编码，获得图像数据域；
137.装置还包括发送模块404，用于将附加信息域与图像数据域发送给解码端，以使解码端对附加信息域和图像数据域进行解码，获得解码图像。
138.基于上述图2和图4对应的实施例中所描述的图像中文字区域的解码方法，下述为本公开系统实施例，可以用于执行本公开方法实施例。
139.本公开实施例提供一种图像中文字区域的解码装置，如图6所示，该装置包括接收模块501、解码模块502和重建模块503；
140.接收模块501，用于接收编码端发送的图像数据域和附加信息域；
141.解码模块502，用于对图像数据域进行解码获得图像数据；对附加信息域进行解码获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；
142.重建模块503，还用于根据特征矩阵重建图像数据中的文字区域，获得目标解码图像。
143.本公开实施例提供的图像中文字区域的解码装置，包括接收模块501、解码模块502和重建模块503；接收模块501，用于接收编码端发送的图像数据域和附加信息域；解码模块502，用于对图像数据域进行解码获得图像数据；对附加信息域进行解码获得特征矩阵，特征矩阵用于指示目标检测图像中的文字区域信息，包括位置信息和特征信息；重建模块503，还用于根据特征矩阵重建图像数据中的文字区域，获得目标解码图像。本公开附加图像中文字区域的信息，在图像显示时，结合附加信息对文字区域重建，达到增强图像中文字清晰度的目的。
144.基于上述图1、图2、图3和图4对应的实施例中描述的图像中文字区域的编解码方法，本公开另一实施例还提供一种图像中文字区域的编解码设备，该图像中文字区域的编解码设备包括处理器和存储器，存储器中存储有至少一条计算机指令，该指令由处理器加载并执行以实现上述图1、图2、图3和图4对应的实施例中所描述的图像中文字区域的编解码方法。
145.基于上述图1、图2、图3和图4对应的实施例中所描述的图像中文字区域的编解码方法，本公开实施例还提供一种计算机可读存储介质，例如，非临时性计算机可读存储介质可以是只读存储器(英文：read only memory，rom)、随机存取存储器(英文：random access memory，ram)、cd
‑
rom、磁带、软盘和光数据存储装置等。该存储介质上存储有至少一条计算机指令，用于执行上述图1、图2、图3和图4对应的实施例中所描述的图像中文字区域的编解码方法，此处不再赘述。
146.本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
147.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。