CN109035274B - 基于背景估计与u型卷积神经网络的文档图像二值化方法 - Google Patents
基于背景估计与u型卷积神经网络的文档图像二值化方法 Download PDFInfo
- Publication number
- CN109035274B CN109035274B CN201810964338.7A CN201810964338A CN109035274B CN 109035274 B CN109035274 B CN 109035274B CN 201810964338 A CN201810964338 A CN 201810964338A CN 109035274 B CN109035274 B CN 109035274B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- background
- neural network
- document image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000008595 infiltration Effects 0.000 abstract description 3
- 238000001764 infiltration Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30176—Document
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种基于背景估计与U型卷积神经网络的文档图像二值化方法,采用灰度变换将灰度图像的灰度值分布进行线性拉伸,利用形态学闭操作估计出文档图像的背景,再通过U型卷积神经网络对剔除估计背景后的图像进行分割,并采用全局最优阈值处理算法实现图像二值化。本发明能够显著提高复杂背景下的文档图像二值化效果。该方法适用于纤细笔画、墨迹浸润、页面有污渍、光照不均、对比度低等复杂背景下的低质量文档图像二值化处理。
Description
技术领域
本发明属于数字图像处理与深度学习技术领域,涉及一种文档图像二值化方法,特别是涉及一种基于背景估计与U型卷积神经网络的低质量文档图像二值化方法。
背景技术
文档图像分析与识别技术已广泛用于古籍文档修复、签名验证、文本信息检索、车牌识别等领域,主要包括图像二值化、倾斜矫正、目标区域分割等过程,图像二值化是将经过灰度化处理后的图像转换为只有0、1的二进制图像,从而实现前景与背景的分离,但受物理条件或人为因素的影响,文档图像出现了页面破损、文字模糊不清,页面污迹等现象,都增加了二值化的难度,使得低质量文档图像二值化算法研究仍是一个挑战。
目前文档图像二值化粗略分为全局阈值法和局部阈值法,全局阈值法通过固定阈值将图像分为前景与背景两大类,如Otsu算法对于灰度直方图具有显著双峰特征的图像具有较好的分割效果,算法复杂度低,但处理低质量文档图像时,前景与背景分割效果较差。
局部阈值法通过滑动窗与图像的卷积,设定图像各部分的阈值。如Niblack、Sauvola、Wolf等算法使用平滑窗口操作,利用滑动窗内像素灰度均值及标准偏差确定局部阈值,但是该类算法性能受限于字符笔画宽度等因素。
此外,国内外研究人员提出多种复杂方法,如Lu提出了一种基于背景估计和笔画边缘算法,通过反复迭代的多项式平滑处理来估计文档背景,根据局部邻域内图像的变化检测出笔画边缘,基于检测出的笔画边缘估计笔画宽度,并进行局部二值化,还包括自适应聚类法、拉普拉斯能量法、对比度增强法、分类器法、异构计算法以及卷积神经网络法等,然而这些方法都不能很好地解决低质量文档二值化的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于背景估计与U型卷积神经网络的低质量文档图像二值化方法,能够显著提高复杂背景下的文档图像二值化效果。本发明适用于纤细笔画、墨迹浸润、页面有污渍、光照不均、对比度低等复杂背景下的低质量文档图像二值化处理。
本发明所采用的技术方案是:一种基于背景估计与U型卷积神经网络的文档图像二值化方法,其特征在于,包括以下步骤:
步骤1:对彩色文档图像f(x,y)进行灰度预处理,获得灰度图像fgray(x,y);
步骤2:对灰度图像fgray(x,y)进行图像增强处理,获得图像feq(x,y);
步骤3:对图像feq(x,y)进行笔画宽度变换;
步骤4:对笔画宽度变换后的图像进行形态学闭操作,估计出文档图像的背景,获得背景估计图;
步骤5:计算图像feq(x,y)与背景估计图之间的绝对差值,绝对差值图像全部取反,获得背景减除图像;
步骤6:对背景减除图像进行分割处理;
步骤7:对步骤6的输出结果进行二值化处理,实现图像二值化。
本发明提出了一种基于背景估计与U型卷积神经网络的低质量文档图像二值化方法,与现有算法相比,其显著优点在于:
(1)本发明采用线性灰度变换,有效抑制了退化因素的影响,同时增强了图像的局部对比度;
(2)本发明采用笔画宽度变换的算法来估计文档图像中的笔画宽度,其优势在于算法所获得特征基本属于文字特征;
(3)本发明采用形态学闭操作实现图像背景估计,并将估计背景减除,有效抑制了图像的背景污渍;
(4)本发明基于U型卷积神经网络实现文档图像前景与背景像素的分类,该算法可行性高,突破传统算法的局限性,并且适用于多种退化类型的低质量文档图像。
(5)本发明采用全局最优阈值处理算法作最终二值处理,有效抑制了U型卷积神经网络输出结果的部分污渍,能够准确的分离文本信息。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的U型卷积神经网络模型图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种基于背景估计与U型卷积神经网络的文档图像二值化方法,包括以下步骤:
步骤1:对彩色文档图像f(x,y)进行灰度预处理,获得灰度图像fgray(x,y);
本实施例采用加权平均法对彩色文档图像f(x,y)进行灰度预处理;具体灰度预处理公式为:
fgray(x,y)=0.299fR(x,y)+0.587fG(x,y)+0.114fB(x,y)
其中,fR(x,y)、fG(x,y)、fB(x,y)分别代表彩色文档图像f(x,y)的R、G、B分量。
步骤2:对灰度图像fgray(x,y)进行图像增强处理,获得图像feq(x,y);
本实施例采用线性灰度变换对灰度图像fgray(x,y)进行图像增强处理;具体公式为:
其中,图像fgray(x,y)中灰度值小于l1的累计分布概率为1%,小于l2的累计分布概率为99%,h1=0、h2=255为灰度变换图像的最小值与最大值。
所得灰度变换图像中字符与背景像素间具有较大的对比度。
步骤3:对图像feq(x,y)进行笔画宽度变换;
本实施例采用Canny算子对灰度变换图像进行边缘检测,得到每一个边缘像素点p的梯度方向dp,沿射线r=p±n·dp(n>0)方向寻找对应的边缘像素点q,将路径上的像素点赋值为p与q之间的欧式距离||p-q||,除非该像素点已经被指定了一个更小的宽度值,图像的笔画宽度估计SWE的具体计算公式为:
其中,num表示笔画宽度变换算法的输出s(x,y)中不为0的个数。
步骤4:对笔画宽度变换后的图像进行形态学闭操作,估计出文档图像的背景,获得背景估计图;
本实施例使用圆形结构元素对灰度变换图像进行形态学闭操作,以削弱图像中的字符笔画,结构元直径比图像的笔画宽度估计值要大若干像素。
步骤5:计算图像feq(x,y)与背景估计图之间的绝对差值,绝对差值图像全部取反,获得背景减除图像;
步骤6:对背景减除图像进行分割处理;
本实施例采用U型卷积神经网络对背景减除图像进行分割处理,U型卷积神经网络的模型如图2所示。
U型卷积神经网络由收缩路径与扩张路径构成,收缩路径中由10个3×3卷积核,4个2×2最大池化层组成,激活函数为线性修正单元;
线性修正单元RELU(xconv)为:
其中,xconv为卷积结果;
扩张路径中使用2×2的反卷积核将特征图像的维度减半,反卷积的输出大小为:
xout=(xin-1)*s+k
其中,xin为输入大小,k为卷积核大小,s为滑动步长,xout为输出大小;
通过矩阵级联的方式与收缩路径中的特征图进行拼接,并采用3×3的卷积进一步提取图像特征;由于文档图像二值化属于二分类问题,因此最后一层中选择Sigmoid函数作为激活函数,具体公式为:
采用对数损失函数(Logarithmic Loss Function)反映网络分类的准确性,具体公式为:
步骤7:对步骤6的输出结果进行二值化处理,实现图像二值化;
本实施例选择全局最优阈值处理方法,对U型卷积神经网络输出结果进行二值化处理;具体实现包括以下子步骤:
步骤7.1:统计灰度直方图;
统计图像的灰度直方图分布,直方图中各分量表示为pi(i=0,1,2,...,L-1),其中L为256;
步骤7.2:计算前景像素点、背景像素点比例;
步骤7.3:计算灰度平均值;
计算前景像素点的灰度平均值μ1(k)与背景像素点的灰度平均值μ2(k),具体公式为:
步骤7.4:确定阈值;
本发明能够显著提高复杂背景下的文档图像二值化效果,适用于纤细笔画、墨迹浸润、页面有污渍、光照不均、对比度低等复杂背景下的低质量文档图像二值化处理。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于背景估计与U型卷积神经网络的文档图像二值化方法,其特征在于,包括以下步骤:
步骤1:对彩色文档图像f(x,y)进行灰度预处理,获得灰度图像fgray(x,y);
步骤2:对灰度图像fgray(x,y)进行图像增强处理,获得图像feq(x,y);
步骤3:对图像feq(x,y)进行笔画宽度变换;
步骤4:对笔画宽度变换后的图像进行形态学闭操作,估计出文档图像的背景,获得背景估计图;
步骤5:计算图像feq(x,y)与背景估计图之间的绝对差值,绝对差值图像全部取反,获得背景减除图像;
步骤6:对背景减除图像进行分割处理;
其中,采用U型卷积神经网络对背景减除图像进行分割处理,U型卷积神经网络由收缩路径与扩张路径构成,收缩路径中由10个3×3卷积核,4个2×2最大池化层组成,激活函数为线性修正单元;
线性修正单元RELU(xconv)为:
其中,xconv为卷积结果;
扩张路径中使用2×2的反卷积核将特征图像的维度减半,反卷积的输出大小为:
xout=(xin-1)*s+k
其中,xin为输入大小,k为卷积核大小,s为滑动步长,xout为输出大小;
通过矩阵级联的方式与收缩路径中的特征图进行拼接,并采用3×3的卷积进一步提取图像特征;由于文档图像二值化属于二分类问题,因此最后一层中选择Sigmoid函数作为激活函数,具体公式为:
采用对数损失函数反映网络分类的准确性,具体公式为:
步骤7:对步骤6的输出结果进行二值化处理,实现图像二值化。
2.根据权利要求1所述的基于背景估计与U型卷积神经网络的文档图像二值化方法,其特征在于:步骤1中,采用加权平均法对彩色文档图像f(x,y)进行灰度预处理;具体灰度预处理公式为:
fgray(x,y)=0.299fR(x,y)+0.587fG(x,y)+0.114fB(x,y)
其中,fR(x,y)、fG(x,y)、fB(x,y)分别代表彩色文档图像f(x,y)的R、G、B分量。
5.根据权利要求1所述的基于背景估计与U型卷积神经网络的文档图像二值化方法,其特征在于:步骤4中,使用圆形结构元素对笔画宽度变换后的图像进行形态学闭操作。
6.根据权利要求1-5任意一项所述的基于背景估计与U型卷积神经网络的文档图像二值化方法,其特征在于:选择全局最优阈值处理方法,对U型卷积神经网络输出结果进行二值化处理;具体实现包括以下子步骤:
步骤7.1:统计灰度直方图;
统计图像的灰度直方图分布,直方图中各分量表示为pi(i=0,1,2,...,L-1),其中L为256;
步骤7.2:计算前景像素点、背景像素点比例;
步骤7.3:计算灰度平均值;
计算前景像素点的灰度平均值μ1(k)与背景像素点的灰度平均值μ2(k),具体公式为:
步骤7.4:确定阈值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964338.7A CN109035274B (zh) | 2018-08-23 | 2018-08-23 | 基于背景估计与u型卷积神经网络的文档图像二值化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964338.7A CN109035274B (zh) | 2018-08-23 | 2018-08-23 | 基于背景估计与u型卷积神经网络的文档图像二值化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035274A CN109035274A (zh) | 2018-12-18 |
CN109035274B true CN109035274B (zh) | 2021-10-22 |
Family
ID=64627049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810964338.7A Active CN109035274B (zh) | 2018-08-23 | 2018-08-23 | 基于背景估计与u型卷积神经网络的文档图像二值化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035274B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298163B (zh) * | 2019-06-06 | 2021-04-02 | 重庆大学 | 一种图像验证方法、装置及计算机可读存储介质 |
CN110427946B (zh) * | 2019-07-04 | 2021-09-03 | 天津车之家数据信息技术有限公司 | 一种文档图像二值化方法、装置和计算设备 |
CN110691068A (zh) * | 2019-08-23 | 2020-01-14 | 杭州轶丞网络科技有限公司 | 云服务器登录系统、方法及装置 |
CN110717523A (zh) * | 2019-09-20 | 2020-01-21 | 湖北工业大学 | 一种基于D-LinkNet的低质量文档图像二值化方法 |
CN110781901B (zh) * | 2019-10-29 | 2023-04-28 | 湖北工业大学 | 基于bp神经网络预测阈值的仪表重影字符识别方法 |
CN110796204B (zh) * | 2019-11-01 | 2023-05-02 | 腾讯科技(深圳)有限公司 | 视频标签确定方法、装置和服务器 |
CN113256490A (zh) * | 2020-02-13 | 2021-08-13 | 北京小米松果电子有限公司 | 文档图像的处理方法、装置及介质 |
CN112508976A (zh) * | 2020-12-22 | 2021-03-16 | 大连民族大学 | 基于u型卷积神经网络的满文历史文档图像二值化方法 |
CN112837329B (zh) * | 2021-03-01 | 2022-07-19 | 西北民族大学 | 一种藏文古籍文档图像二值化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761520A (zh) * | 2013-12-05 | 2014-04-30 | 南京理工大学 | 基于笔划宽度的文档图像无参二值化方法 |
CN106096610A (zh) * | 2016-06-13 | 2016-11-09 | 湖北工业大学 | 一种基于支持向量机的文档图像二值化方法 |
CN106295648A (zh) * | 2016-07-29 | 2017-01-04 | 湖北工业大学 | 一种基于多光谱成像技术的低质量文档图像二值化方法 |
US9965695B1 (en) * | 2016-12-30 | 2018-05-08 | Konica Minolta Laboratory U.S.A., Inc. | Document image binarization method based on content type separation |
-
2018
- 2018-08-23 CN CN201810964338.7A patent/CN109035274B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761520A (zh) * | 2013-12-05 | 2014-04-30 | 南京理工大学 | 基于笔划宽度的文档图像无参二值化方法 |
CN106096610A (zh) * | 2016-06-13 | 2016-11-09 | 湖北工业大学 | 一种基于支持向量机的文档图像二值化方法 |
CN106295648A (zh) * | 2016-07-29 | 2017-01-04 | 湖北工业大学 | 一种基于多光谱成像技术的低质量文档图像二值化方法 |
US9965695B1 (en) * | 2016-12-30 | 2018-05-08 | Konica Minolta Laboratory U.S.A., Inc. | Document image binarization method based on content type separation |
Non-Patent Citations (2)
Title |
---|
Scale Space Binarization Using Edge Information Weighted by a Foreground;Florian Kleber et al;《2011 International Conference on Document Analysis and Recognition》;20111103;第1180-1184页 * |
低质量文档图像二值化算法研究;熊炜 等;《计算机应用与软件》;20160731;第33卷(第7期);第204-208页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109035274A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035274B (zh) | 基于背景估计与u型卷积神经网络的文档图像二值化方法 | |
Pratikakis et al. | ICFHR 2012 competition on handwritten document image binarization (H-DIBCO 2012) | |
Hedjam et al. | A spatially adaptive statistical method for the binarization of historical manuscripts and degraded document images | |
Xiaofeng et al. | Discriminatively trained sparse code gradients for contour detection | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN110334692B (zh) | 一种基于图像处理的盲道识别方法 | |
Chauhan et al. | Binarization techniques for degraded document images—A review | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
Singh et al. | Adaptive binarization of severely degraded and non-uniformly illuminated documents | |
Su et al. | A learning framework for degraded document image binarization using Markov random field | |
Li et al. | A salt & pepper noise filter based on local and global image information | |
CN113888536B (zh) | 一种基于计算机视觉的印刷品重影检测方法及系统 | |
CN110738139A (zh) | 一种融合Min-Max目标的NIN车牌识别方法 | |
CN1564600A (zh) | 动态场景下的运动物体检测方法 | |
Saini | Document image binarization techniques, developments and related issues: a review | |
Gaceb et al. | Adaptative smart-binarization method: For images of business documents | |
Shukla et al. | Improving degraded document images using binarization technique | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
Tabatabaei et al. | A novel method for binarization of badly illuminated document images | |
Bag et al. | Adaptive–interpolative binarization with stroke preservation for restoration of faint characters in degraded documents | |
CN104504385A (zh) | 手写粘连数字串的识别方法 | |
CN110264417B (zh) | 基于分层模型的局部运动模糊区域自动检测提取方法 | |
Papavassiliou et al. | A Morphology Based Approach for Binarization of Handwritten Documents | |
Jino et al. | Combined approach for binarization of offline handwritten documents | |
AL-Khatatneh et al. | Compound binarization for degraded document images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |