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 PDF

Info

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
Application number
CN201810964338.7A
Other languages
English (en)
Other versions
CN109035274A (zh
Inventor
熊炜
王鑫睿
冯川
刘豪
李敏
熊子婕
金靖熠
王传胜
贾锈闳
童磊
管来福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201810964338.7A priority Critical patent/CN109035274B/zh
Publication of CN109035274A publication Critical patent/CN109035274A/zh
Application granted granted Critical
Publication of CN109035274B publication Critical patent/CN109035274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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
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：
Figure BDA0001774557810000031
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
Figure BDA0001774557810000032
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：
Figure BDA0001774557810000041
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：
Figure BDA0001774557810000042
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：
Figure BDA0001774557810000043
其中，
Figure BDA0001774557810000044
为输入特征，
Figure BDA0001774557810000045
为像素点被划分为字符的概率值；
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：
Figure BDA0001774557810000051
其中，yi为训练样本的真实值，
Figure BDA0001774557810000052
为训练样本的像素点被划分为字符的概率值，m为训练样本个数。
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；
选择一个阈值k∈[0,L-1]，计算前景像素点所占总像素点比例
Figure BDA0001774557810000053
计算背景像素点所占总像素点的比例
Figure BDA0001774557810000054
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：
Figure BDA0001774557810000055
Figure BDA0001774557810000056
步骤7.4：确定阈值；
类间方差作为背景像素点与前景像素点的可分性度量，根据步骤7.2-7.3计算类间方差
Figure BDA0001774557810000057
找到使得
Figure BDA0001774557810000058
最大的k作为阈值，实现图像二值化；具体公式为：
Figure BDA0001774557810000059
其中
Figure BDA0001774557810000061
为全局均值。
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：
Figure FDA0003015174700000011
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：
Figure FDA0003015174700000012
其中，
Figure FDA0003015174700000013
为输入特征，
Figure FDA0003015174700000014
为像素点被划分为字符的概率值；
采用对数损失函数反映网络分类的准确性，具体公式为：
Figure FDA0003015174700000021
其中，yi为训练样本的真实值，
Figure FDA0003015174700000022
为训练样本的像素点被划分为字符的概率值，m为训练样本个数；
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。
3.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2中，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：
Figure FDA0003015174700000023
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。
4.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3中，采用Canny算子对图像feq(x,y)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方向寻找对应的边缘像素点q，将路径
Figure FDA0003015174700000024
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：
Figure FDA0003015174700000031
其中，num表示笔画宽度变换的输出s(x,y)中不为0的个数，n＞0。
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；
选择一个阈值k∈[0,L-1]，计算前景像素点所占总像素点比例
Figure FDA0003015174700000032
计算背景像素点所占总像素点的比例
Figure FDA0003015174700000033
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：
Figure FDA0003015174700000034
Figure FDA0003015174700000035
步骤7.4：确定阈值；
类间方差作为背景像素点与前景像素点的可分性度量，根据步骤7.2-7.3计算类间方差
Figure FDA0003015174700000036
找到使得
Figure FDA0003015174700000037
最大的k作为阈值，实现图像二值化；具体公式为：
Figure FDA0003015174700000038
其中
Figure FDA0003015174700000041
为全局均值。
CN201810964338.7A 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 Active CN109035274B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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