CC BY
16
УДК 004.932.2:519.652
СО. САВКОВ
Одеський нацюнальний ушверситет iMeHi I. I. Мечникова
ОГЛЯД ТА ПОР1ВНЯННЯ МЕТОД1В Б1НАРИЗАЩ1 ТЕКСТУР ПРИРОДНОГО ПОХОДЖЕННЯ
Одтею з важливих задач обробки зображень е задача iдентифiкацu текстур. Вона вините в таких сферах життедiяльностi людини як сыьське господарство, картографiя, машинобудування, системи перевiрки достовiрностi. У роботi розглянуто особливостi текстур природного походження та методи бiнарiзацií. Проведено експеримент та виявлено метод бiнарiзацií, найбыьш придатний для обробки текстур природного походження.
Ключовi слова: розтзнавання текстур, iдентифiкацiя, бiнарiзацiя, Оцу, Нiблек, Саувола, Бернсен.
S.O. SAVKOV
Odessa I.I.Mechnikov national university
REVIEW AND COMPARISON OF NATURAL ORIGIN TEXTURE BINARIZATION
METHODS
Annotation
Problem of texture recognition and identification is one of the priority areas of image processing. It arises in many areas of human activity such as engineering, aerospace, agriculture, cartography. One of the important problem is to verify an authenticity of the object. In authentication products concerned as producers who are trying to ensure quality and consumers who defend their right to quality service.
This task can be realized by an additional marking: holograms, watermarks, RFID-tags and paper with special fibers. Disadvantages of these methods are high cost, need for special equipment validation. An alternative would be to use textures of natural materials as the unique objects descriptor.
One step of texture recognition is its decomposition. To separate the important elements of the texture from the image background binarization methods are used. Noise and irregular illumination can complicate this process.
The purpose of this paper is to review and compare binarization methods for natural origin textures. Otsu, Sauvola, Niblack, Bernsen methods have been examine. The conducted experiments showed binarization method most suitable for processing natural origin textures.
Keywords: texture recognition, identification, binarization, Otsu, Sauvola, Niblack, Bernsen.
Задача розтзнавання та вдентифшацп текстур е одним з прюритетних напрямшв розвитку обробки зображень. Вона виникае у багатьох сферах життед1яльносл людини таких як сшьське господарство, картограф1я, машинобудування: сталепрокат^ заводи використовують системи автоматичного детектування дефекпв продукцп, аерофотозйомка дозволяе отримати у реальному чай дат про яшсть врожаю чи розповсюдженню л1сових пожеж.
Одшею з важливих задач е перев1рка достов1рносп об'екта. В аутентифжаци товар1в защкавлеш як виробники, як намагаються гарантувати яшсть, так i споживач^ яш вщстоюють свое право на яшсне обслуговування.
Розв'язання ще! задачi може буп реалiзовано за допомогою додаткового маркування: голограм, водяних знаки, RFID-мiток, паперу зi спещальними волокнами. Недолiками цих методiв е висока цша, необхiднiсть використання спещальних приладiв перевiрки достовiрностi. Альтернативою може бути використання текстур натуральних матерiалiв як унiкального дескриптора об'екта.
Метою ще! роботи е огляд та порiвняння методiв бiнарiзацil текстур природного походження.Термш текстура у рiзних наукових напрямках мае сво! унiкальнi означення. 1сторично термiн текстура вiдноситься до ткацького мистецтва вщ лат. textura - "тканина", у сучасних словниках означаеться як "будова твердо! речовини, прсько! породи, природний малюнок деревини в розрiзi". Тому приймемо у якосп означення "Особливостi будови речовини, зумовлеш характером розташування li складових частин" (рис.1).
Текстури можуть бути класифшоваш за багатьма ознаками. У першу чергу текстури можливо роздiлити за наявнiстю вiдносини порядку мiж елементами. Якщо елементи розмiщенi у якомусь порядку — текстура буде називатися регулярною. Також текстури можливо роздшити на однорвдш, як1 мютять елементи тiльки одного типу, та неоднорщш, як1 складаються з елеменпв багатьох типiв.
Одним з крошв розпiзнавання текстур е ii розкладання на складовi частини. Для вщдшення значущих елементiв текстури вiд фону зображення застосовуються методи бiнаризацil. Наявнють шуму та нерiвномiрне освiтлення може ускладнювати цей процес.
Рис. 1. Приклади текстур природного походження: а) - мапмр з мшроволокнами, б) - корок, в) - зрiз деревини
буку
Найпростiший метод - бiнарiзацiя з глобальним порогом [1]. Уам пiкселям, iнтенсивнiсть яких перевищуе деякий заданiй порiг Т присвоюються значення 1 - бiлiй, а тксел з iнтенсивнiстю менше порогу отримують значення 0 - чорнш.
{1, I (х, у) > Т 8(X, У) [0, I(х, у) < Т , де: I (х, у) - напiвтонове зображення, Т - пори- бiнарiзащl , 8(х, у) - бiнарне зображення. Основна складнiсть полягае у виборi значення глобального порогу. У деяких випадках, наприклад, при обробцi великих масивiв схожих зображень, вiн може обчислюватись експериментально; випадки несхожих зображень або отриманих в рiзних умовах потребують бiльш складних методiв.
В методi Оцу пiкселi зображення роздшяються на два класи: переднього плану i фону. Метод обчислюе оптимальний порiг таким чином, щоб внутрикласова дисперсiя для класiв "тксел переднього плану" та "mкселi фону" була мшмальною [2].
Нехай I(х, у) натвтонове зображення. Позначимо через N загальне число пiкселiв зображення,
а через пу кiлькiсть пiкселiв як1 вiдповiдають г — му рiвню яскравосп. Проведемо нормалiзацiю
Ь
гiстограми ру = п /N, А ру = 1, де Ь кшьшсть рiвнiв яскравостi.
I=1
Для порогу Т ймовiрнiсть появи пiкселiв переднього плану (об'ект) е
Т
рпер.план'
= А ру = а(Т) у=0
а середне арифметичне класу пiкселiв переднього плану дорiвнюе
.. _ у р _ Н(Т)
гпер.план А /^ч
у=0 рпер.план )
Для класу пiкселiв фону ймовiрнiсть появи та середне арифметичне дорiвнюють, вiдповiдно
Ь
рфон = А ру = 1 — а(Т)
у =Т+1
,, = V р - ^(Ь) — а(Т)
Нфон А , ¿ГТ-.
у=Т+1 рфон 1 — а(Т>
Дисперт для класiв фону та переднього плану розраховуеться як
( Рпер.план! р1
' Нпер..
пер.план = А
у=0 рпер.п
Ь ( — Нфон ) 2 ру
Е\' " Нфон -
у=Т+1 р фон
Тодi дисперсiя в межах класу буде
2 2
= ®пер.план' стфон + ®фон ' стпер.план
Мiжкласова дисперая розраховуеться за формулою
= ®пер.план' ®фон(нфон — Рпер.план)
Оптимальне значения порогу 6iHapi3a^i' повинно MaKCTMi3yBara дисперйю мiж класами i мiнiмiзyвaти дисперсiю в межах класу та обчислюеться як
4
77 = max
1<Т<Ь а2м '
На вiдмiнну вщ глобального порогу, який знаходиться для всього зображення, алгоритми бшар1зацд з локальшм порогом обчислюють його для кожного ткселя зображення на основi деяких локальних ознак в околиц пiкселя [3],[4].
Пошук порогу бiнарiзацil у алгоритму Нiблека грунтуеться на обчисленш локального середнього та локального стандартного ввдхилення [5]. Алгоритм обчислюе порiг для кожного пiкселя за допомогою рухомого вшна.
ТМЫаск = т(X У) + к ■ X У) ,
де: m(x,y) - середне ввдхилення, s(x,y) - стандартне вiдхилення, k = 0.2 - константа задана автором алгоритму.
Розмiр рухомого вiкна вибираеться таким чином щоб вiн був достатньо великий для усунення шуму, але при цьому не втрачалися деталi зображення.
Метод Саувола може розглядатись як модифiкацiя методу Шблеку [6],[7]. Порiг бiнарiзацil розраховуеться з динамiчного дiапазону стандартного вiдхилення:
TSauvola = m(x, У) *
k-1
де m(x,y) - середне ввдхилення, s(x,y) - стандартне вiдхиления, k - константа.
Для на натвтонових зображень значення константи береться R = 128.
У високо-контрастних частинах зображення, де s(x, y) ~ R, а порiг T$auvoia ~ m(x, y), метод дае результати подiбнi до методу Шблеку. У низько-контрастних репонах зображення порiг бiнaрiзaцil буде нижчим за середнiй i метод Саувола дозволяе отримати бiльш кращ результати [8].
Метод бiнaрiзaцil Бернсена для визначення локального порогу використовуе локальне значення контрасту. Для кожного ткселя (x, y) обчислюеться пори- з вщношення:
T = lmax ^ lmin
1 Bernsen = r^ ,
де lmax та lmin - максимальне та мiнiмaльне значення рiвнiв яскравосп у вiкиi розмiром w х w з центром в пiкселi (x, y) [9].
Так як розрахунок порогу бiнaрiзaцil заснован на локальному значен контрасту, вш може бути обчислений як
1
Bernsen'
lmax + lmin
l —1 ■ > Т
lmax lmin ^ L
2
Tglobal , lmax — lmin < L
де L - порогове значення контрасту, Tgiobai- глобальний порщ який знаходиться, наприклад, методом Оцу.
Результати експерименту. Розглянуп методи бiнaрiзaцil бyлi апробоваш на двох зразках текстури паперу з мжроволокнами (рис.2а,б) розмiрy 128х128 пiкселiв. Текстура мае нерiвномiрний фон та мшроволокна розмiщенi у випадковому порядку, що дае можливiсть класифжувати 1х як текстуру природного походження. На зображеннях присутнш цифровий шум.
а) б)
Рис.2. Текстура природного походження nanip з мшроволокнами: а) Зразок №1 б) Зразок №2
Експеримент проводився за наступим алгоритмом:
1. До TeKCTypi застосовуеться алгоритм 6rnapi3a^ï (рис.3).
2. З бiнapiзовaного зображення видаляються невелик! об'екти (pозмipом 16 пiксeлiв) за допомогою бiнapноï опepaцiï ввдкриття (рис.4).
^ W--Ч + ^ЛЛТЧ - ' ^ * - - ' ' _т \i 'M ,1-ЛП Lflfc-AiTT^biWEMin
Рис.3. Результат 6iHapi3auï зразка №1 (оригiнальна текстура, метод Оцу, метод Саувола, метод Шблеку, метод
Бернсена)
Рис.4. Результат бшарно!' операцц вiдкpiття для зразка №1
Аналопчне дослiджeння проведемо для зразка №2 (рис.4-5).
t Г*"» MSV.^ ) ■ f - ' > I ,
Рис.4. Результат бiнаpiзацiï зразка №2 (оpигiнальна текстура, метод Оцу, метод Саувола, метод Шблеку, метод
Бернсена)
Рис.5. Результат бшарно!' операцц вiдкpiття для зразка №2
Висновки. Текстури природного походження зазвичай мають нерiвномiрний фон та наявшстю шуму. Значущi елементи текстури розмщет випадковому порядку. З розглянутих методiв бшарiзацil для обробки текстур природного походження найкращi результати дае метод Саувола. Видiленi значущi елементи текстури у подальшому можуть застосовуватись у якостi унiкальних iдентифiкаторiв у системах перевiрки достовiрностi об'екта.
Лггература
1. Maythapolnun A. A Review on Global Binarization Algorithms for Degraded Document Images / A. Maythapolnun // Department of Business Data Analysis, Faculty of Science and Technology Assumption University, Bangkok, Thailand - AU J.T. 14(3) - Jan. 2011 - PP. 188-195
2. Otsu N. A Threshold Selection Method from Gray-Level Histograms / N. Otsu // IEEE Transactions on Systems, Man and Cybernetics. - Vol. 9. - № 1. - January1979. - PP. 62-66.
3. Ntogas N. A binarization algorithm for historical manuscripts / N. Ntogas, D. Veintzas // Proceedings of the 12th WSEAS international conference on Communications (ICCOM'08). - Wisconsin: Stevens Point, 2008. - PP. 41-51.
4. He J. A Comparison of Binarization Methods for Historical Archive Documents / J.He Q. D. M. Do, A. C. Downton, J. H. Kim // Proceedings of the 2005 Eight International Conference on Document Analysis and Recognition (ICDAR'05) - Vol. 1 - PP. 538-542
5. Khurram K. Comparison of Niblack inspired Binarization methods for ancient documents / K. Khurshid, I. Siddiqi , C. Faure , N. Vincent // Proceedings of the 16th International conference on Document Recognition and Retrieval - SPIE
6. Sauvola J. Document Analysis and Recognition / J. Sauvola, T. Seppanen, S. Haapakoski, M. Pietikainen // Proceedings of the Fourth International Conference on Document Analysis and Recognition, IEEE - Vol. 1 - PP. 147-152
7. Lazzara G. Efficient Multiscale Sauvola's Binarization / G. Lazzara, T. Géraud // International Journal on Document Analysis and Recognition (IJDAR) - Volume 17 - Issue 2 - PP. 105-123
8. Singh O. I. Local Contrast and Mean based Thresholding Technique in Image Binarization / O. I. Singh, T. Sinam, O. James, T. Romen Singh // International Journal of Computer Applications - Volume 51 - № 6
9. Bernsen J. Dynamic thresholding of gray-level images / J. Bernsen // Proceedings of the 8th International Conference on Pattern Recognition - PP. 1251-1255
