Выбор порога бинаризации на основании длины межклассовой границы
Аннотация: Предложен новый метод выбора порога бинаризации. Он основан на понятии длины границы между классами в бинаризованном изображении. Длина границы является функцией порога бинаризации. Если изображение содержит сплошные объекты, которые бинаризуются без повреждения, а фоновые элементы не отображаются, то длина границы практически постоянна при изменении порога. Напротив, когда бинаризация приводит к разрушению объекта или проявлению фона, функция длины границы быстро изменяется из-за образования множества небольших кластеров пикселей. Основываясь на этом наблюдении, можно выбрать правильный порог бинаризации.
Описан быстрый алгоритм определения функции длины границы, время вычисления которой пропорционально количеству пикселей исходного изображения. Предлагаются два параметра разделения, получаемых на основе этой функции. Один из них зависит от ширины линии объекта, в то время как другой соответствует средней кривизне контура объекта. Основываясь на комбинации этих параметров, можно найти оптимальный порог бинаризации при условии, что ширина линии объекта и/или средняя кривизна известны заранее. Метод длины границы был успешно использован в массово выпускаемом оборудовании для распознавания серийных номеров банкнот. Метод позволяет восстановить форму и размеры объекта, близкие к оригиналу, и практически не зависит от фонового рисунка.
1
Ключевые слова — порог бинаризации, длина границы, длина линии раздела, пространственный критерий бинаризации.
ЛИТЕРАТУРА

  1. P. Sahoo, S. Soltani and A. Wong, “A Survey of Thresholding Techniques,” Computer Vision, Graphics, and Image Processing, vol. 41, pp. 233-260, 1988.
  2. M. Sezgin and B. Sankur, “Survey over image thresholding techniques and quantitative performance evaluation,” Journal of Electronic Imaging, vol. 13, pp. 146-168, 2004.
  3. N. Chaki, S. Shaikh and K. Saeed, Exploring Image Binarization Techniques. New Delhi, India: Springer, 2014.
  4. W. Jasim and R. Mohammed, “A Survey on Segmentation Techniques for Image Processing,” Iraqi Journal for Electrical and Electronic Engineering, vol.17, pp. 73-93, 2021.
  5. N. Otsu, "A threshold selection method from gray-level histograms," IEEE Transactions on Systems, Man, and Cybernetics, vol.9, no.1, pp. 62–66, 1979.
  6. L. Jianzhuang, L. Wenqing and T. Yupeng, "Automatic thresholding of gray-level pictures using two-dimension Оцу method," in Proc. Circuits and Systems, China, 1991, pp. 325–327.
  7. H. Cai, Z. Yang, C. Zhong, X. Xinhua et al., "A new iterative triclass thresholding technique in image segmentation," IEEE Transactions on Image Processing, vol. 23, no. 3, pp. 1038–46, 2014.
  8. R. Moghaddam and M. Cheriet, “ AdОцу: an adaptive and parameter less generalization of Оцу’s method for document image binarization,” Pattern Recognition, vol.45, pp. 2419–2431, 2012.
  9. J. Bloechle, J. Hennebert and C. Gisler, “YinYang, a Fast and Robust Adaptive Document Image Binarization for Optical Character Recognition,” in Proc. DocEng ’23, Limeric, Ireland, 2023, pp.1-4.
  10. W. Niblack, An Introduction to Digital Image Processing. Englewood Cluffs, USA: Prentice Hall, 1986, pp. 115-116.
  11. J. Sauvola and M. Pietikäinen, “Adaptive Document Image Binarization. Pattern Recognition,” vol. 33, pp. 225-236, 2000.
  12. ImageJ Docs – Auto Threshold. [Online]. Available: https://imagej.net/plugins/auto-threshold.
  13. ImageJ Docs – Auto Local Threshold. [Online]. Available: https://imagej.net/plugins/auto-local-threshold.
  14. J. Yen, F. Chang, and S. Chang, “A new criterion for automatic multilevel thresholding,” IEEE Transactions on Image Processing, vol. 4, no. 3, pp. 370–378, 1995.
  15. C. Chungkwong, “Memory-efficient and fast implementation of local adaptive binarization methods,” arXiv:1905.13038v3, 2019.
  16. П. В. Минин, Д.Г. Письменный, “Способ бинаризации изображений символов на банкноте на основе гистограммы длины границ,” Патент Российской Федерации RU2718571, МПК G06K 9/00, опубликован 08.04.2020.