ABBYY FineScanner में एक छवि पर स्वचालित दस्तावेज़ चयन कैसे काम करता है?

पारंपरिक स्कैनर से प्राप्त छवियों की तुलना में मोबाइल उपकरणों पर प्राप्त दस्तावेजों की तस्वीरों में अलग-अलग विकृतियां हैं। इस तरह की विकृतियों में शामिल हैं: डिजिटल शोर, दस्तावेज के रोटेशन या परिप्रेक्ष्य की उपस्थिति, रोशनी में असमानता, विक्षेपण, धब्बा के कारण ज्यामितीय विकृति। अगला, हम एक एल्गोरिथ्म का वर्णन करते हैं जो एक छवि में दस्तावेज़ के ज्यामितीय विकृतियों को स्वचालित रूप से समाप्त करता है।

पूरी प्रक्रिया को कई मुख्य चरणों में विभाजित किया जा सकता है:

1) मूल छवि को कम करना
2) सबसे अधिक जानकारीपूर्ण चैनल का चयन करना
3) छवि प्रीप्रोसेसिंग, समोच्च
4) सीमा का पता लगाने और दस्तावेज़ कोनों की परिभाषा
5) परिकल्पनाओं का परीक्षण
6) दस्तावेज़ के कोनों के निर्देशांक का शोधन

आइए प्रत्येक चरण के बारे में अधिक विस्तार से विचार करें।

1. मूल छवि को कम करना

इस चरण का उद्देश्य छवि की बहुत कम प्रतिलिपि प्राप्त करना है जैसे कि अधिकतम (w, h) 200 पिक्सल के क्रम का है, जहां w की चौड़ाई है और h परिणामी छवि की ऊंचाई है। तुरंत कई बार मूल छवि को कम करना (चौड़ाई और ऊंचाई में 2-3 हजार पिक्सेल के क्रम का आकार होना) असंभव है! यहां तक ​​कि अगर हम बिलिनियर या बिकुबिक प्रक्षेप एल्गोरिदम का उपयोग करते हैं, तो हमें आकृति पर एक मजबूत "धड़कन" प्रभाव के साथ एक छवि मिलती है, जिसे एलियासिंग भी कहा जाता है (चित्र 1, बाएं देखें)। इसलिए, हम कई पुनरावृत्तियों द्वारा छवि को कम करते हैं, प्रत्येक बार 2 बार आकार बदलते हैं। नतीजतन, हमें एक चिकनी छवि मिलती है (छवि 1, दाएं)। गॉसियन स्मूथिंग का उपयोग करना और वांछित संख्या को तुरंत कम करना संभव होगा, लेकिन, सबसे पहले, गॉसियन स्मूथिंग कई मेगापिक्सेल की छवि के लिए एक संसाधन-गहन प्रक्रिया है, और दूसरी बात, बिलिनियर इंटरपोलेशन को ओपन-ओपन ईएस टूल द्वारा लागू किया जाता है, हमें केवल आकार क्रमिक रूप से बदलने की आवश्यकता है बनावट।



चित्र 1. विभिन्न तरीकों से मूल को 150 पिक्सेल के आकार को कम करके प्राप्त की गई छवि। बाईं ओर आप दायीं ओर "धड़कन" के प्रभाव को देख सकते हैं, 2 गुना के क्रमिक कमी का एक और अधिक "चिकनी" परिणाम।

2. सबसे अधिक जानकारीपूर्ण चैनल का विकल्प

सबसे पहले, हम ध्यान दें कि आसपास की पृष्ठभूमि से दस्तावेज़ न केवल चमक में भिन्न हो सकते हैं, बल्कि रंग में भी हो सकते हैं। इसलिए, चाहे हम खोज स्थान को कितना भी कम करना चाहें, आप केवल छवि में रंग चैनलों से छुटकारा नहीं पा सकते। आइए देखें कि आगे के विश्लेषण के लिए कौन सा सबसे उपयुक्त है। ऐसा करने के लिए, 4 चैनलों के हिस्टोग्राम की गणना करें: आर, जी, बी और चमक। अगला, हिस्टोग्राम से, हम औसत मूल्यों और चैनलों के विचरण की गणना करते हैं। यदि किसी एक रंग चैनल का अधिकतम फैलाव एक निश्चित गुणांक K> 1 (एल्गोरिथम पैरामीटर) द्वारा चमक चैनल से अधिक है, तो हम इसे बाद में उपयोग करेंगे, अन्यथा हम चमक चैनल का उपयोग करेंगे।









चित्र 2. ऊपर से नीचे तक: आर, जी, बी चैनलों और चमक और उनके संबंधित हिस्टोग्राम के चित्र।

3. छवि प्रीप्रोसेसिंग, समोच्च

पिछले चरण में प्राप्त कम छवि के चैनल को थोड़ा काम करना होगा। हम अभी भी दस्तावेज़ के अंदर कुछ तत्वों (पाठ की पंक्तियों, शीर्षकों, विभाजकों को इस पैमाने पर भी दिखाई देते हैं) के रास्ते में मिलते हैं, इसलिए हम औसत रूप से छवि को फ़िल्टर करेंगे, प्रत्येक त्रिज्या R1 = 3 और R2 = 5 पिक्सल, प्रत्येक त्रिज्या के 3 पुनरावृत्तियों के साथ। परिणामी छवि को सहेजें (देखें। अंजीर। 2)। उनमें से पहले का उपयोग प्रसिद्ध कैनी एज डिटेक्शन एल्गोरिथ्म का उपयोग करके सीमाओं को उजागर करने के लिए किया जाता है, और दूसरे का उपयोग पक्षों पर प्राप्त परिकल्पनाओं का परीक्षण करने के लिए किया जाएगा। कैनी एज डिटेक्शन एल्गोरिथम (इमेज फ़िल्टरिंग) के पहले चरण को छोड़ दिया जा सकता है, क्योंकि हमने पहले ही अपने सिग्नल के गुणों को ध्यान में रखते हुए ऐसा किया है। कैनी एज डिटेक्शन एल्गोरिथ्म के लिए "ऊपरी" और "निचले" दहलीज के मूल्यों को कॉन्फ़िगर किया जाना चाहिए, साथ ही साथ हमारे एल्गोरिथ्म के अन्य पैरामीटर, लेकिन बाद में उस पर अधिक।



चित्रा 3. बाएं से दाएं: 1, 2, 3 के बाद की चैनलों की मूल छवि आर = 3 के त्रिज्या के साथ माध्य फ़िल्टरिंग के पुनरावृत्तियों, कैनी किनारे का पता लगाने एल्गोरिथ्म द्वारा आकृति के चयन का परिणाम है।

4. सीमा का पता लगाने और दस्तावेज़ कोनों की परिभाषा

इसलिए, पिछले चरण में, हमें अपनी छवि का एक समोच्च प्रतिनिधित्व मिला, हम केवल उस पर अपने दस्तावेज़ की सीमाओं का पता लगा सकते हैं। ऐसा करने के लिए, हम एक और, प्रसिद्ध एल्गोरिथ्म का उपयोग करते हैं - पर्याप्त परिवर्तन । कड़ाई से बोलना, प्रत्येक पक्ष के लिए, आप अपने "अपने ही उप-उप-समूह का उपयोग कर सकते हैं, सबसे उपयुक्त पैरामीटर के साथ, जिसे पूर्ण Hough स्थान की तुलना में बहुत तेजी से गणना की जा सकती है। इन उप-स्थानों का उपयोग करते हुए, हम दस्तावेज़ के प्रत्येक पक्ष के लिए अधिकतम प्रतिक्रिया के साथ लाइनें पाते हैं। इन पंक्तियों के चौराहे बिंदु दस्तावेज़ के कोनों को परिभाषित करते हैं। अगले चरण पर जाएं।



चित्रा 4. बाएं से दाएं: छवि का समोच्च प्रतिनिधित्व, हूप सबस्पेस, छवि पर सीमाओं का पता लगाने का परिणाम है।

5. परिकल्पनाओं का परीक्षण

हम दस्तावेज़ की सीमाओं के लिए प्राप्त परिकल्पनाओं का परीक्षण करना चाहते हैं, क्योंकि एल्गोरिथ्म, इसकी सादगी के कारण, अक्सर कठिन परिस्थितियों में गलतियां करता है। उपयोगकर्ता द्वारा परिणाम को सही करने के लिए संकेत दिए जाने पर या दस्तावेज़ को स्वयं चुनने के लिए स्वचालित से अर्ध-स्वचालित, या यहां तक ​​कि मैन्युअल रूप से एल्गोरिथ्म (जब परीक्षण परिकल्पना का परीक्षण करके) सबसे गंभीर त्रुटियों से बचा जा सकता है।
समोच्च पर प्राप्त परिकल्पना का परीक्षण करने के लिए, हम R2 = 5 पिक्सल के त्रिज्या के साथ माध्य फ़िल्टरिंग के परिणामस्वरूप प्राप्त छवि का उपयोग करते हैं (चरण 3 देखें)। प्रत्येक सीमा के लिए हम प्रत्येक पदों में + -1, + - 2, ..., + - 10 पिक्सेल से अलग किए गए पदों की गणना करेंगे, और समोच्च की ऊर्जा की गणना करेंगे (प्रत्येक ढाल में समोच्च के साथ अभिन्न)। हम सर्किट की अधिकतम ऊर्जा के साथ स्थिति का चयन करते हैं, ऊर्जा मूल्य के अनुसार, हम तय करते हैं कि सीमा स्वचालित एल्गोरिथ्म के लिए उपयुक्त है, अर्ध-स्वचालित के लिए, या इसे त्याग दिया जाना चाहिए और मैनुअल मोड पर स्विच करना चाहिए। इस प्रकार, दस्तावेज़ की कोई भी सीमा एल्गोरिथ्म के हस्तांतरण को किसी अन्य मोड में प्रभावित कर सकती है।
प्राप्त सीमाओं के लिए ज्यामिति की जांच में कई नियम शामिल हैं:

1) सभी विपरीत सीमाओं की लंबाई का अनुपात, उदाहरण के लिए, 0.5 <a 2 होना चाहिए।
2) सामान्य पक्ष के कोणों को 12 - 15 डिग्री से अधिक नहीं होना चाहिए।
3) परिणामी चतुर्भुज का क्षेत्र छवि का कम से कम 15 - 25% होना चाहिए।
4) छवि के केंद्र के सापेक्ष दस्तावेज़ की शिफ्ट छवि की चौड़ाई या ऊंचाई का 5 - 10% से अधिक नहीं है।

6. दस्तावेज़ के कोनों के निर्देशांक का शोधन

इस तरह से प्राप्त समाधान एक ज्यामितीय अर्थ में अनुमानित है, दस्तावेज़ के कोनों के निर्देशांक को स्पष्ट करने की कोशिश की जा सकती है। दस्तावेज़ के प्रत्येक कोने के आसपास, हम एक वर्ग क्षेत्र को परिभाषित करते हैं, जिसमें हम उस बिंदु की खोज करेंगे जिसके लिए माध्य फ़िल्टर मान सिग्नल से भिन्न होता है (जिस छवि चैनल को हमने चुना है, चरण 2 देखें) एक निश्चित सीमा टी = 12 से अधिक है। अंतर के संकेत से, कोण को "सामान्य" या "उलटा" के रूप में भी परिभाषित किया जा सकता है, अर्थात्। एक दस्तावेज से संबंधित है जो अपने परिवेश की तुलना में हल्का या गहरा है। अंत में, हमें पूरे दस्तावेज पर निर्णय लेना चाहिए।

बेशक, विधि के मापदंडों के विशिष्ट मूल्य अलग-अलग हो सकते हैं, उनका समायोजन छवियों के एक बड़े डेटाबेस पर किया जाना चाहिए जिसमें विभिन्न स्थितियों के तहत विभिन्न प्रकार के दस्तावेज़ों की शूटिंग होती है।

दस्तावेज़ के सभी 4 कोनों के निर्देशांक निर्धारित होने के बाद, आप एक परिप्रेक्ष्य परिवर्तन कर सकते हैं जो छवि में ज्यामितीय विकृतियों को ठीक करता है। इस मामले में, आप कोनों के केवल निर्देशांक का उपयोग करके मूल दस्तावेज़ के अनुपात को स्वचालित रूप से निर्धारित कर सकते हैं। हालाँकि, इस समस्या पर विचार करना इस लेख के दायरे से परे है।

इवान लॉजिकव ज़ागैनोव,
प्रौद्योगिकी विकास विभाग