утий з різних рівнів декомпозиції. [16]
.3.1.2.2 Виявлення передбачуваних ділянок тексту
Розглянемо малюнок 1.18:
(a) оригінал;
(b) Пікселі кандидата в першому масштабі;
(c) Горизонтальні передбачувані текстові області у першому рівні;
(d) Заснований на щільності метод.
Рис 1.18 Виявлення текстових областей кандидатів
Розглядаючи різноманітність інтенсивності пікселів в текстових областях (малюнок 1.18 (b)) опред?? ляем особливість енергії невеликої хвилі пікселя) в рівні n як:
Для виявлення пікселів передбачуваної області, інтегруються коефіцієнти невеликої хвилі в трьох високочастотних подполосах «LH», «HL» і «HH». Особливість енергії хвилі відображає різноманітність інтенсивності навколо пікселя в рівні n. Піксель буде пікселем тексту в рівні n якщо його енергія хвилі буде більше ніж динамічний поріг:
Де є картою пікселів передбачуваних текстових областей в рівні n як показано на малюнку 1.18 (b), пікселі кандидата спроектовані в оригінальне зображення.- Поріг, визначений як:
Де - основний поріг, значення якого 30.0, при якому текстовий піксель може бути сприйнятий людиною. визначений гистограммой енергії (малюнок 1.19). Значення може бути обчислено як:
гарантує, що пікселі, які знаходяться в темній області гістограми (малюнок 1.19) будуть пікселями передбачуваної текстовій області. Дослідним шляхом знайдено, що текстові пікселі в зображенні рідко перевищують 15% всіх пікселів цього зображення. Тому обраний як 0,15. Визначення таким чином може гарантувати, що текстові області будуть знайдені в зображеннях з різним контрастом. Для зображень з низьким контрастом заміняться, це гарантує, що більшість фонових пікселів виключатися. З інкрементом контрасту і складності зображення, вибраний і адаптивно обчислений. І чим більше контраст у зображенні, тим більше повинен бути. Пікселі, контраст яких більше ніж, є пікселями тексту. [16]
Рис. 1.19 Гістограма енергії невеликої хвилі зображення.
.3.1.2.3Основанний на щільності зростання області
Текстова область зроблена з кластера текстових пікселів. Щільні текстові пікселі можуть створити текстову область, ізольовані - спотворення. Для того щоб з'єднати текстові пікселі (блоки) в текстові області використовується спеціальна морфологічна операція - вирощує метод:
(1) Шукається початковий піксель;
(2) Якщо початковий піксель «Р» знайдений, створюється нова область. Після чого ітераційно збираються непомеченние пікселі кандидатів і маркуються цією областю;
(3) Якщо є ще початкові пікселі, то починається з кроку (1);
(4) Маркуються знайдені області як текстові, а що залишилися пікселі об'єднуються в фон.
Малюнок 1.18 (d) є прикладом тестових областей, знайдених запропонованої методикою, заснованої на щільності пікселів. [16]
.3.1.2.4 Отримання рядків тексту
Орієнтація текстових рядків в області кандидата може бути як показано на малюнку 1.20
Рис. 1.20 Різна орієнтація текстових шаблонів
Багато виявлених текстових областей містять багаторядковий текст. Спеціальна операція конфігурації проектування використовується, щоб розділити ці області на текстові рядки. [16]
Текстові і не текстові області мають різну дисперсію інтенсивностей і просторові розподіли значень. Вони обчислюються за формулами:
Особливості енергії, ентропії, інерції, місцевої однорідності і кореляції в матрицях cо-входження обчислені відповідно як:
Далі все зводиться знову ж до навчання SVM класифікатора.
Рис. 1.21 Результати випробувань даного алгоритму
.3.1.3 Штриховий фільтр
Так як основний алгоритм базуються на штрихове фільтрі, розглянемо його більш докладно.
Рис. 1.22 Блок схема штрихових фільтра
Штриховий фільтр (малюнок 1.22) призначений для текстової локалізації у відео та зображеннях.
Рис. 1.23 Області для штрихових фільтра
Для кожного пікселя у зображенні обчислюється відгук штрихового фільтра (малюнок 1.23). Центральна точка позначає піксель зображення, навколо якого є три прямокутних області. [17]
Штриховий відгук визначаться за формулою:
- яскравий штриховий відгук;
- темний штриховий відгук;
Рис. 1.24 Конфігурація штрихових фільтра
Кінцева орієнтація - масштаб штрихових фільтра визначаються за формулою:
.3.1.4 Метод опорних векторів SVM
Так як у всіх вивчених алгоритмах використовується так званий SVM класифікатор, заснований на методі опорних векторів, вирішено розглянути його більш докладно.
Розглянемо стандартну задачу класифікації - простір Rn, два кла...
