ترجمه همزمانی محلی و نگاشت کنتراست برای دوتایی کردن تصویر سند

توضیحات

 عنوان فارسی:

عنوان انگلیسی مقاله ترجمه شده:

Local Co-occurrence and Contrast Mapping for Document Image Binarization

چکیده

باینرسازی تصویر سند در مورد وظیفه انتقال یک تصویر اسکن شده از یک سند دست نوشت یا پرینت شده به یک تصویر دو سطحی حاوی کاراکتر ها و پیش زمینه می باشد. در این مقاله، ما به بررسی مسئله باینری سازی تصویر سند تاریخی با استفاده از یک روش سه مرحله ای می پردازیم. در ابتدا ما تیرگی ها و لکه ها را از تصویر سند با برآورد تصویر پیش زمینه سند حذف می کنیم. پیش زمینه باقی مانده و پیکسل های کاراکتر با استفاده از یک نگاشت هم رخدادی محلی، کنتراست محلی و یک مدل ترکیب گوسی دو حالتی از یکدیگر جدا می شوند. در مرحله آخر، حباب ها یا لکه های احتمالی جداشده دسته بندی نشده به وسیله یک عملگر مورفولوژی حذف می شوند. روش پیشنهادی دارای کارایی زیاد و عملکرد سریع مخصوصا برای اسناد دست نوشته می باشد.

باینری سازی

باینری سازی تصویری اسناد، فرآیند انتقال یک تصویر سند خاکستری I(x,y), به یک تصویر دو سطحی با اختصاص یک سطح به کاراکتر های سند و یک سطح به پیکسل ها پیش زمینه می باشد. در این تحقیق ما از خصوصیات کاراکتر محلی زیر استفاده کرده ایم: a) پیکسل های متعلق به هر کاراکتر از نظر هندسی بسته می باشند، b) پیکسل های متعلق به هر کاراکتر باید دارای خصوصیات مشابه با مقادیر شدت باشند، c) بایستی کنتراست هر نوع سطح محلی (مجاورتی) که شامل یک خروجی یک کاراکتر می باشد را افزایش داد. در [7] مولفین از دو خصوصیت اول جهت ارائه یک نگاشت فرکانسی متقارن (SFM) که به منظور انجام فرآیند باینری سازی استفاده شده است، بهره برده اند. در اینجا، ما این چارچوب را جهت تاکید بر خروجی های کاراکتر تعمیم می دهیم.

نگاشت هم رخدادی محلی (LCM)

جهت تاکید بر مجاورت و اتصال بین پیکسل های کاراکتر مجاور، ما یک نگاشت هم رخداد را به صورت زیر مورد استفاده قرار داده ایم. تصویر به چند قطعه Q x Q تقسیم بندی شده است. اگر نشان دهنده پیکسل مرکزی قطعه i ام باشد، هر قطعه مجزا به نقاط در فضای دو بعدی به صورت زیر انتقال می یابد:

بنابراین هر پیکسل در قطعه i ام به یک نقطه دو بعدی حاوی شدت پیکسل قطعه مرکزی و شدت پیکسلی انتقال می یابد. کل این فرآیند در شکل 2 نشان داده شده است. ترکیب پیکسل مرکزی با خود در شکل گیری این گروه از نقاط دو بعدی لحاظ نشده است. تکرار این فرآیند برای تمامی قطعات Q x Q تصویر منجر به نگاشت هم رخدادی محلی (LMP) یعنی نمایش جدید تصویری  می گردد که k نشان دهنده شاخص دو نقطه ای می باشد.

با مشاهده هیستوگرام های اصلی LCM در بسیاری از تصاویر اسناد، ما به نتایج زیر دست یافته ایم. اول این که خوشه کاراکتر معمولا در مقایسه با خوشه پیش زمینه کوچکتر می باشد. این موضوع منطقی به نظر می رسد، زیرا پیکسل های کاراکتر حاوی تنها بخش کوچکی از تصویر در مقایسه با پیکسل های پیش زمینه می باشند. این موضوع موجب محدود شدن هر گونه تلاش جهت برآورد خوشه کاراکتر می گردد، زیرا خوشه پیش زمینه در هیستوگرام LCM غالب می باشد. علاوه براین، این نگاشت معمولا از مرحله حذف پیش زمینه که طی آن مقادیر پیسکل به وسیله فرآیند حذف پیش زمینه 255 لحاظ می شوند، تبعیت می کند. این موضوع موجب تمرکز زیاد زیاد در اطراف نقطه (255,255) می گردد که موجب کمتر دیده شد خوشه شده و در نتیجه شناسایی آن توسط الگوریتم خوشه بندی بسیار دشوار می باشد.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.