复杂背景下文字增强算法研究与应用

论文摘要

图像资料中包含大量的文字信息,图像中的文字增强和识别一直是非常重要和困难的问题。随着图像表现元素的多样化,背景的日渐复杂化,要提取图像中的文字信息就更加的困难。而在实际应用中,图像中的文字资料信息是非常重要的,它们能准确快速得传递这副图片的信息,因此,提取这些信息具有非常重要的意义。本文首先介绍了图像中的文字增强和识别的主要背景及相关知识,分析了目前主流技术的特点和应用邻域。在此基础上引入了本文主要的研究对象:二值化技术,并进行阐述和分析。其次,本文分析了目前几种主流的二值化算法,不但研究了原理,而且编程实现,并进行了相关实验,比较分析了各算法的优缺点。可以看出,这些算法并不能很好的处理现今背景复杂的图片资料。再次,本文提出了两种新的二值化算法。第一种算法主要针对体积比较小的IC芯片,它们的表面在拍摄时对光的强度和角度非常敏感,图像质量会产生退化。此类退化图像利用该算法能取得非常好的效果。第二种算法,是在复杂背景下表现效果相当好的二值化算法,不仅能处理不同颜色,不同字体,不同语言,不同排列的文字,还能滤除大量非文字信息,自适应地把图像资料中的全部文字信息变为黑色。实验过程中对图书封面的处理取得了很好的效果。采用本文提出的的二值法算法,准确度和清晰度都非常高,能大大提高文字的识别率,其效果明显优于其它方法。最后,基于两种新的二值化算法的相关实验结果,得出优缺点和适用范围,为今后的图像增强算法的研究提供了参考的依据。与此同时,本文在文字增强模块后级联了文字识别测试系统,可以快速准确地把图像中的文字识别出来。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 复杂背景下文字增强与识别技术现状
• 1.3 文字增强二值化技术
• 1.4 本文的结构说明
• 第二章 文字增强算法的研究与实现
• 2.1 文字增强算法概述
• 2.2 Otsu 算法
• 2.2.1 原理及算法数学推导
• 2.2.2 算法结构图
• 2.2.3 核心算法实现
• 2.2.4 算法效果及优缺点分析
• 2.3 最小误差分割
• 2.4 Niblack 算法
• 2.4.1 原理及算法数学推导
• 2.4.2 算法结构图
• 2.4.3 核心算法实现
• 2.4.4 算法效果及优缺点分析
• 2.4.5 Sauvola 算法
• 2.5 Chang 算法
• 2.5.1 原理
• 2.5.2 算法数学推导
• 2.5.3 算法结构图
• 2.5.4 核心算法实现
• 2.5.5 算法效果与优缺点分析
• 2.6 本章小结
• 第三章 文字增强的研究和改进
• 3.1 概述
• 3.2 退化图像下的文字增强算法
• 3.2.1 系统设计图
• 3.2.2 Palumbo 算法的原理与数学意义
• 3.2.3 Palumbo 算法改进
• 3.2.4 兴趣区域的算法及改进
• 3.2.5 Nilblack 算法
• 3.2.6 孔洞填充
• 3.2.7 实验结果
• 3.2.8 算法小结
• 3.3 前景与背景独立的二值化方法
• 3.3.1 系统结构图
• 3.3.2 多尺度的边缘检测
• 3.3.3 标记连通分支，作外接矩形框
• 3.3.4 筛选有文字特性的EB
• 3.3.5 前景背景颜色的提取
• 3.3.6 二值化判定准则
• 3.3.7 实验结果
• 3.4 本章小结
• 第四章 文字识别自动化测试
• 4.1 概述
• 4.2 文字识别控件调用
• 4.3 调用程序剖析
• 4.4 自动化实验
• 4.5 实验结果分析
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 主要结论
• 5.2 研究展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文
• 上海交通大学硕士学位论文答辩决议书