CN110533047A - 一种针对古籍图片的去噪和二值化方法 - Google Patents

Abstract

本发明提供一种针对古籍图片的去噪和二值化方法，所述方法包括，首先，采用非局部均值滤波算法对古籍图像进行去噪处理；然后，通过局部自适应二值化算法对去噪后的灰度图像进行二值化处理。本方法能够较好的适应古籍图像中光照不均，污染严重的情况，能在更好地降低噪声的同时保留图像中的文本区域和细节，为古籍中文本检测和识别工作奠定了坚实的基础。

Description

一种针对古籍图片的去噪和二值化方法

技术领域

本发明主要涉及古籍文本识别相关技术领域，具体是一种针对古籍图片的去噪和二值化方法。

背景技术

古籍承载着悠久的历史和博大精深的文化，是中国古典文明中不可或缺的组成部分。通常古籍文献涉及历史、哲学、文学、语言文字、医药、天文、地理和农技等多个方面，是研究历史的重要依据。

长期以来，由于保护观念淡薄,古籍大多数损坏严重,急需进行数字化保护与利用，如果古籍得不到充分的流通和应用，其本身所具有的价值就无法体现。然而实现古籍的数字化工作的任务任重而道远，作为古籍的主要载体石刻、崖画、木牍和纸书由于年代久远,往往模糊不清,或者残缺不全,这给古籍的数字化工作带来了极大的挑战。

具体来说，古籍由于一些自身的特点，给古籍的数字化保存带来一些困难，主要是由于古籍的载体多种多样，包括皮纸、竹纸、草纸等多种类型的纸张，甚至有些记录在皮革、布帛、石壁、竹签上等。这些不同载体年代久远而退化严重，形成了风格各异的背景，并且由于受潮、发霉、粘连、烟熏、虫蛀及部分被焚烧等而产生较多污渍。

因此，对古籍图片的去噪和增强进行深入研究，对古籍的保护和传播有着极大的推动和促进作用，并且是古籍文本检测和识别工作的基本前提。

发明内容

为解决目前技术的不足，本发明结合现有技术，从实际应用出发，提供一种针对古籍图片的去噪和二值化方法，本方法能够较好的适应古籍图像中光照不均，污染严重的情况，能在更好地降低噪声的同时保留图像中的文本区域和细节，为古籍中文本检测和识别工作奠定了坚实的基础。

本发明的技术方案如下：

一种针对古籍图片的去噪和二值化方法，所述方法包括:

首先，采用非局部均值滤波算法对古籍图像进行去噪处理；然后，通过局部自适应二值化算法对去噪后的灰度图像进行二值化处理；其中所述局部自适应二值化算法包括如下步骤：

S1、计算在(x,y)处的阈值T₁(x,y)，计算公式如下：

S2、计算(x,y)处在(2w+1)×(2w+1)窗口内经高斯滤波后的像素灰度值计算公式如下：

S3、计算滤波后的阈值T₂(x,y)，计算公式如下：

S4、设α∈(0,1)，计算(x,y)处二值化后的像素值，计算公式如下：

上述公式中，x,y别为图像的水平坐标和垂直坐标，v(x,y)表示图像在坐标 (x,y)处的灰度值，F(x,y)表示以坐标(x,y)为中心，大小为(2w+1)×(2w+1)的方形邻域，其中w为一个大于0的正整数，它可以使领域窗口的大小为一个奇数,(i,j)为领域F(x,y)内的坐标，σ为平滑尺度，k和l为邻域窗口内的位置参数。

进一步的，所述局部自适应二值化算法基于线扫描。

进一步的，所述非局部均值滤波算法包括：

针对噪声图像v＝{v(i)|i∈I}，对于像素i，经过非局部均值滤波以后的像素值为NL[v](i)，NL[v](i)计算公式如下：

其中，权重集合{w(i,j)}_j中的每一个权重的值取决于像素i和像素j的相似性，并满足以下条件0≤w(i,j)≤1且∑_jw(i,j)＝1；像素i和像素j的相似性由灰度向量v(N_i) 和v(N_j)的紧凑性衡量，其中N_i表示以像素i为中心的固定大小的方形领域，N_j表示以像素j为中心的固定大小的方形领域；相似性通过高斯加权的欧几里得距离来计算，即其中a>0是高斯核的标准差；

通过添加附加的高斯白噪声，使得噪声用一种统一的方式来改变领域之间的具体，计算公式如下：

其中，u和v分别表示原始图像和加噪图像，σ²为噪声方差，上述公式中，欧几里得距离保存了像素之间的相似程度，在图像v中和像素i相似性最大的像素也是图像u中和像素i相似性最大的像素，权重系数定义如下：

其中，h为控制指数函数衰减的参数，其取值为12×σ，Z(i)是一个标准化系数，计算公式如下：

本发明的有益效果：

本发明提出了一种针对古籍图像的去噪和二值化方法，经过实验结果对比可以发现，本发明提出的方法可以对多数古籍图片进行噪声消除和二值化分割，且能适应多数古籍由于光照不均、污染严重的复杂情况，为古籍中文本检测和识别工作奠定了坚实的基础，推进了古籍的数字化工作进程，使得多数年久破损的古籍重新焕发生机。

附图说明

附图1为本发明总体流程图；

附图2为本发明传统Bernsen算法中w取不同值时的二值化效果对比图；

附图3为本发明当w＝10时，α取不同的值时二值化效果对比图；

附图4为本发明古籍图片的处理前后对比图。

具体实施方式

结合附图和具体实施例，对本发明作进一步说明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。

如图1所示，本发明所提供的一种针对古籍图片的去噪和二值化方法，主要包括非局部均值滤波算法和局部自适应二值化算法。下面对两种算法进行具体描述(为了对本发明的描述，本发明在本实施例中对应的公式序号采用重新排列的方式)。

非局部均值滤波：

由于古籍大都历史悠久，受到各种环境的影响,存在泛黄、褶皱、污迹等情况,图像滤波可以在保留图像特征细节的情况下对目标图像的噪声进行抑制, 为后续的二值化处理奠定基础,同时也是古籍文献重新焕发活力的重要措施, 有利于古籍文献的保存、传播。通过对大量古籍图片进行去噪测试并分析,综合去噪能力与效率,本发明采用非局部均值滤波对原始图像进行处理。

非局部均值滤波考虑到了图像的自相似性,它将相似像素定义为具有相同邻域模式的像素,利用像素周围固定大小的窗口内的信息表示该像素的特征, 比利用单个像素本身的信息得到的相似性信息更加可靠。

给定一张噪声图像v＝{v(i)|i∈I}，对于像素i，经过非局部均值滤波以后的像素值为NL[v](i)，它的值是由图像中每个像素值加权平均而求得，

其中权重集合{w(i,j)}_j中的每一个权重的值取决于像素i和像素j的相似性，并满足以下条件0≤w(i,j)≤1且∑_jw(i,j)＝1。

像素i和像素j的相似性由灰度向量v(N_i)和v(N_j)的紧凑性来衡量，这里的N_k指的是以像素k为中心的固定大小的方形领域，此相似性通过高斯加权的欧几里得距离来计算，其中a>0是高斯核的标准差。可以通过添加附加的高斯白噪声，使得这些噪声用一种统一的方式来改变领域之间的距离,如公式(2)所示。

其中u和v分别指原始图像和加噪图像，σ²为噪声方差，在此公式中，欧几里得距离保存了像素之间的相似程度，因此，在图像v中和像素i相似性最大的像素也是图像u中和像素i相似性最大的像素。那么，权重系数可以做如下定义：

其中，Z(i)是一个标准化系数，

这里的参数h控制着指数函数的衰减。在非局部均值滤波的实际应用中，可以将相似性领域窗口限定在一个比它更大的搜索窗口中。在所有的实验中本发明将搜索窗口设定为21×21像素，将相似性领域窗口设定为7×7像素，因为7×7的相似性窗口既可以消除一定的噪声，也可以较好的保留图像中的细节，经过实验，本发明确定将参数h取为12×σ能够得到较好的去噪效果。

为了采用最优的去噪算法，本发明将一些传统的去噪算法如中值滤波，高斯滤波，最小值滤波，最大值滤波同非局部均值滤波的去噪性能进行了对比。本发明采用峰值信噪比(PSNR)作为衡量的标准，PSNR基于平均平方和MSE计算去噪后的图像和真实图像的重构偏差，对噪声敏感，因为只要图像中的某个像素值发生了变化，不管是朝着哪个方向变化，也不管这种改变是否能够被主观观察到，都会改变PSNR。PSNR的取值范围不固定，最大值与图像分辨率有关，值越高表示去除的噪声越多。

PSNR的具体计算方式如下：

式中：MSE为均方误差，l表示色彩深度，即表示一个像素点占用的2机制位数，常取l＝8，v(x,y)和分别表示原始图像和重建图像在(x,y)处所对应的灰度值或色彩值，M和N分别表示图像的宽度值和高度值。

将中值滤波、高斯滤波、最小值滤波、最大值滤波以及本发明所用的非局部均值滤波对多张古籍图像进行去噪处理，本发明最终选取了52张具有代表性的古籍图片测试了它们通过不同去噪算法处理后的平均PSNR值，以此来判断去噪性能的优劣。实验结果如表1所示。

表1去噪性能对比

通过对比实验结果可以看出，经非局部均值滤波处理后的古籍图片和其他传统去噪方法相比，取得看最高的PSNR值，能够最大限度的去除古籍图像中的噪声，为后续的二值化处理提供最有利的条件。

局部自适应二值化：

为了进一步消除图像中的污迹,凸显文本区域的轮廓,需要对上一步经非局部均值滤波处理后的图像进行二值化处理。本发明提出一种改进的局部自适应二值化算法对图像进行二值化处理。由于古籍保存时间较久,受到光照不均和严重污染等因素的影响,使得传统的全局阈值二值化方法无法较好的对古籍图像进行二值化分割,因此要用局部自适应阈值二值化的方法对灰度图像进行二值化分割。本发明在传统的局部自适应阈值Bernsen算法的基础上加入了高斯平滑滤波。引入高斯滤波的原因是真实图像在空间内的像素是缓慢变化的,因此临近点的像素变化不是很明显,但是任意两个点之间可能会有很大的像素差值, 换言之,在空间上噪点之间没有很大的关联.正是由于这个原因,高斯滤波可以在保留中心像素信息的条件下减少噪声,为后续的文本分割操作滤除噪声。

设x,y分别为图像的水平坐标和垂直坐标，v(x,y)表示图像在坐标(x,y)处的灰度值，F(x,y)表示以坐标(x,y)为中心，大小为(2w+1)×(2w+1)的方形邻域。表示在(x,y)处经高斯滤波后的像素灰度值，其中w为一个大于0的正整数，它可以使领域窗口的大小为一个奇数，(i,j)为领域F(x,y)内的坐标，σ为平滑尺度，k和 l为邻域窗口内的位置参数，b(x,y)表示在(x,y)处二值化处理以后的灰度值。改进算法的具体描述如下：

其输入为：灰度图像的像素值v(x,y)，(0≤v(x,y)≤255)

其输出为：二值化处理以后的像素值b(x,y)，(b(x,y)＝0∨b(x,y)＝255)

Step1:计算在(x,y)处的阈值T₁(x,y)。

Step2:计算(x,y)处在(2w+1)×(2w+1)窗口内经高斯滤波后的像素灰度值

Step3:计算滤波后的阈值T₂(x,y)。

Step4:设α∈(0,1)，计算(x,y)处二值化后的像素值。

本发明的上述公式中，当α的值为0的时候，算法为传统的Bernsen二值化算法，当0<α≤1时，算法为改进以后的算法。w的取值和算法的运行速度以及伪影的产生有关，w的取值越大，算法的运行时间越长，产生的伪影越少，反之亦然。参数k和l控制着运算窗口的大小，它是影响Bernsen算法运行时间的重要参数，假定k为水平方向的长度，l为垂直方向的长度。如果k,l≠0，那么算法是基于网格式扫描，如果k＝0∨l＝0，那么算法是基于线扫描。尽管网格式扫描可以降低二值图像的噪声，但是这样会产生更多的伪影，同时消耗更多的运行时间。由于线扫描仅仅需要从一个方向对图像进行扫描，尽管会产生少量的噪声，但是会消除掉大部分由于不均匀光照而产生的阴影，能够更好的保留图像中的细节以及字符的特征，二值化效果较网格式扫描更好。本发明提出的改进的算法就是在线扫描Bernsen算法的同时，对灰度图像进行高斯平滑滤波。

在传统的Bernsen线扫描二值化算法中，参数k和l总有一个为0，因此相当于只有一个参数，这里统一用w来表示，w的值一般取决于图像中目标信息所占像素的大小，经过对古籍图像的实验分析，w的值取到图像中字符的笔画最小宽度和最大宽度之间二值化效果较好。假定图像中的目标区域为图像中的文本区域，将w取不同的值后，会产生不同的二值化效果。如图2所示，当w＝1时，图像会产生大量的伪影，当w＝25时，会产生大量的噪声，使得丢失掉部分文本区域的信息，在本例中，图像中的目标信息为古籍中的字符，其最小的笔画宽度为6，最大的笔画宽度为13，因此，w的值取10比较合适，这样既不会丢失文本区域的关键特征，也不会消耗更多的算法运行时间。

参数α的取值决定了图像中噪声平滑和目标信息保留之间的平衡关系，调整α的值既可以使图像能较好的适应光照不均的情况，同时也能去除图像中的噪声。α的值取得越大，滤波的效果就会越明显，但同时会使图像中的目标信息也被过滤，反之亦然。图3展示了当w＝10时，α取不同的值时对二值化效果的影响。可以看出，当α的值取0.3时，不仅可以较好的保留图像中文本区域的特征，又能去除图像中的噪声。

经过实验分析可以看出，传统的Bernsen二值化算法对光照不均的古籍图像的二值化效果并不理想，但是本发明中改进的二值化算法能够较好的适应图像中光照不均的情况。

本发明提出的一种针对古籍图像的去噪和二值化方法，经过实验结果对比可以发现，本发明提出的方法可以对多数古籍图片进行噪声消除和二值化分割，且能适应多数古籍由于光照不均、污染严重的复杂情况，为古籍中文本检测和识别工作奠定了坚实的基础，推进了古籍的数字化工作进程，使得多数年久破损的古籍重新焕发生机，图4展示了部分古籍图片的处理前后对比图。其中图中a对应图像为原始扫描图像，b对应图像为噪声消除及二值化后图像。

Claims (3)

1.一种针对古籍图片的去噪和二值化方法，其特征在于，所述方法包括:

首先，采用非局部均值滤波算法对古籍图像进行去噪处理；然后，通过局部自适应二值化算法对去噪后的灰度图像进行二值化处理；其中所述局部自适应二值化算法包括如下步骤：

S1、计算在(x,y)处的阈值T₁(x,y)，计算公式如下：

S2、计算(x,y)处在(2w+1)×(2w+1)窗口内经高斯滤波后的像素灰度值v(x,y)，计算公式如下：

S3、计算滤波后的阈值T₂(x,y)，计算公式如下：

S4、设α∈(0,1)，计算(x,y)处二值化后的像素值，计算公式如下：

上述公式中，x,y别为图像的水平坐标和垂直坐标，v(x,y)表示图像在坐标(x,y)处的灰度值，F(x,y)表示以坐标(x,y)为中心，大小为(2w+1)×(2w+1)的方形邻域，其中w为一个大于0的正整数，它可以使领域窗口的大小为一个奇数,(i,j)为领域F(x,y)内的坐标,σ为平滑尺度，k和l为邻域窗口内的位置参数。

2.如权利要求1所述的一种针对古籍图片的去噪和二值化方法，其特征在于，所述局部自适应二值化算法基于线扫描。

3.如权利要求1所述的一种针对古籍图片的去噪和二值化方法，其特征在于，所述非局部均值滤波算法包括：

针对噪声图像v＝{v(i)|i∈I}，对于像素i，经过非局部均值滤波以后的像素值为NL[v](i)，NL[v](i)计算公式如下：

其中，权重集合{w(i,j)}_j中的每一个权重的值取决于像素i和像素j的相似性，并满足以下条件0≤w(i,j)≤1且∑_jw(i,j)＝1；像素i和像素j的相似性由灰度向量v(N_i)和v(N_j)的紧凑性衡量，其中Ni表示以像素i为中心的固定大小的方形领域，N_j表示以像素j为中心的固定大小的方形领域；相似性通过高斯加权的欧几里得距离来计算，即其中a>0是高斯核的标准差；

通过添加附加的高斯白噪声，使得噪声用一种统一的方式来改变领域之间的具体，计算公式如下：

其中，u和v分别表示原始图像和加噪图像，σ²为噪声方差，上述公式中，欧几里得距离保存了像素之间的相似程度，在图像v中和像素i相似性最大的像素也是图像u中和像素i相似性最大的像素，权重系数定义如下：

其中，h为控制指数函数衰减的参数，其取值为12×σ，Z(i)是一个标准化系数，计算公式如下：