论文部分内容阅读
文档图像二值化是文档自动识别与分析的关键预处理步骤,其性能优劣直接影响系统的后续操作(如文字提取和识别)的准确度。由于图像受墨迹浸润、页面污迹、背景纹理等退化因素影响,使得低质量文档图像的二值化仍是目前的研究重点和难点。本文对低质量的文档图像二值化深入研究,提出了两种算法,一种基于局部对比度和笔画宽度估计的文档图像二值化算法,以及在其基础上利用支持向量机(SVM)分类的一种改进算法。基于局部对比度和笔画宽度估计算法首先提高文档图像的局部对比度,然后使用Otsu算法进行全局最优阈值化处理,最后利用比例轮廓法确定估计字符笔画宽度,根据笔画宽度确定邻域窗尺寸大小,从而实现字符前景与页面背景的精细分割。由于这种算法使用了Otsu对文档图像进行初步阈值分割,其二值化的结果也会影响最终结果,为了让二值化的效果更可观,作者继续对图像二值化深入研究,在基于局部对比度和笔画宽度估计的图像二值化算法基础上做出改进,提出了一种新的改进算法。该算法首先将整幅图像分割成5×5大小的图像,即每幅图像均分成25块,以块的形式对其单独处理,然后采用SVM对每块文档图像进行分类。通过提取文档图像的11种特征,将文档图像分为三类,依次对这三种不同类型的文档图像采用不同的全局阈值处理,实现其初步二值化处理。接着,将每块图片合成一张完整的二值化图像,最后利用笔画宽度确定滑动窗口尺寸大小,对每块文档图像实行局部二值化以消除噪声点和误判区。本文采用了10种经典算法与文中提出的两种算法进行对比实验,以F-measure、PSNR、SSIM、NRM、DRD、MPM等性能指标作为评估参数。实验结果表明,本文提出的基于局部对比度和笔画宽度估计的文档图像二值化算法不仅能够较好地保留笔画细节,而且还能够较好地抑制文档背景。在其基础上利用SVM分类器的改进算法得到进一步提高,无论从二值化图像质量,还是各种评估参数,利用SVM分类器的改进算法都具有明显优势。