The transition method for binarization

Abstract

This thesis introduces a novel binarization method based on the concept of transition pixel. It includes five main contributions. The first contribution is a generalization of edge pixels, namely t-transition pixel. Such pixels are characterized with high transition values computed with discriminant functions called transition functions. In particular, maxmin function is proposed and widely analyzed. The second contribution is the formalization of the transition method for binarization, and to a minor degree, for edge detection, and for detection of regions of interest. In this method, binarization is performed by extracting information only from transition pixels. Comparison studies show that it greatly outperforms other top-ranked binarization methods. Furthermore, potential applications in edge detection and detection of regions of interest are observed. Two minor contributions are derived from the transition method: unimodal thresholds for transition values, and morphological transition operators to extract and restore transition sets. The third contribution is a mathematical analysis of unsupervised measures for segmentation quality, in which the strengths of the weighted variance measure are proved. From this analysis, the uniform variance measure and measures based on logarithms of gray intensities are proposed. The fourth contribution is a mechanism for systematic comparison of the efficacy of unsupervised evaluation methods for parameter selection of binarization algorithms in optical character recognition (OCR). Moreover, a statistical test is proposed to compare measures based on an intuitive triad of possible results: better, worse or comparable performance. The fifth contribution is addressed in a new chapter, which introduces a novel unbiased and efficient slope estimator for linear regression model. The computational cost of this estimator is considerably lower than the current state of the art.

Diese Arbeit stellt ein neuartiges Binarisierungsverfahren vor, das auf dem Konzept der T-Übergang Pixel basiert. Es umfasst fünf Beiträge. Der erste Beitrag ist eine Verallgemeinerung des Kantenpixel, nämlich T-Übergang Pixel. Solche Pixel sind durch hohe Übergangswerte mit Diskriminanzfunktionen berechnet gekennzeichnet, genannt Übergangsfunktionen. Insbesondere wird die Maxmin Funktion vorgeschlagen und allgemein analysiert. Der zweite Beitrag ist die Formalisierung des Übergangs-Verfahrens zur Binarisierung, und in geringerem Maße, für Kantendetektion und für den Nachweis der Regionen von Interesse. In diesem Verfahren wird durch Binarisierung Extrahieren von Informationen nur aus Übergang Pixel durchgeführt. Vergleichsstudien zeigen, dass es überholt anderen top-ranked Binarisierung Methoden. Darüber hinaus werden mögliche Anwendungen in Rand-Erkennung und Erkennung von Regions of Interest beobachtet. unimodalen Schwellenwerte für den Übergang Werte und morphologische Operatoren Übergang zu extrahieren und wiederherzustellen Übergang Sets: Zwei kleine Beiträge sind aus dem Übergang Methode abgeleitet. Der dritte Beitrag ist eine mathematische Analyse des unüberwachten Maßnahmen zur Segmentierung Qualität, in denen die Stärken der gewichteten Varianz Maßnahme erwiesen. Aus dieser Analyse sind die einheitliche Varianz zu messen und Maßnahmen auf Logarithmen grau Intensitäten Basis vorgeschlagen. Der vierte Beitrag ist ein Mechanismus für einen systematischen Vergleich der Wirksamkeit von unüberwachten Bewertungsmethoden für Auswahl der Parameter Binarisierung Algorithmen in der optischen Zeichenerkennung (OCR). Darüber hinaus ist ein statistischer Test vorgeschlagen, Maßnahmen auf eine intuitive Dreiklang der möglichen Ergebnisse miteinander vergleichen: besser, schlechter oder vergleichbarer Leistung. Der fünfte Beitrag in einem neuen Kapitel, das eine neuartige unvoreingenommene und effiziente Hang Schätzer für lineare Regressionsmodell Der Rechenaufwand dieser Schätzer ist erheblich niedriger als der aktuelle Stand der Technik stellt gerichtet.