熊　煒　徐晶晶　趙詩(shī)云　王改華　劉　敏　趙　楠　劉　聰

1(湖北工業(yè)大學(xué)太陽(yáng)能高效利用湖北省協(xié)同創(chuàng)新中心　湖北 武漢 430068) 2(湖北工業(yè)大學(xué)電氣與電子工程學(xué)院　湖北 武漢 430068)

0　引　言

歷史古籍具有重要的科學(xué)和文化價(jià)值，數(shù)字化是解決文獻(xiàn)保護(hù)與文化傳播的重要途徑。由于紙張質(zhì)量差、油墨印跡或褪色、文獻(xiàn)老化、頁(yè)面污漬等影響，掃描文檔圖像可能被破壞或退化，使得針對(duì)此類圖像的二值化仍具有極大挑戰(zhàn)。

目前，學(xué)術(shù)界提出的文檔圖像二值化方法可大致分為兩類：全局閾值法和局部閾值法[1]。全局閾值法，如Otsu算法[2]利用圖像的灰度直方圖選擇一個(gè)全局最優(yōu)閾值，使得經(jīng)閾值分割后的字符前景與文檔背景的類間方差最大。該方法對(duì)于灰度直方圖具有顯著雙峰特征的圖像具有較好的分割效果。

不同于全局閾值法，局部閾值法(也稱為自適應(yīng)閾值法)，如Niblack[3]、Sauvola[4]、Wolf[5]等算法則利用像素鄰域內(nèi)的灰度均值和方差來(lái)構(gòu)建閾值分割曲面，從而確定該像素位置上的二值化閾值，其算法性能有賴于字符筆畫寬度及鄰域窗口尺寸。針對(duì)不同質(zhì)量的文檔圖像需動(dòng)態(tài)調(diào)整窗口大小，才能獲得最佳的閾值處理結(jié)果。

近年來(lái)，研究人員還提出了一系列混合閾值方法。Lu等[6]提出一種基于背景估計(jì)和筆畫邊緣檢測(cè)的二值化方法，該算法在ICDAR2009文檔圖像二值化競(jìng)賽所有提交的43個(gè)算法中名列第一。Su等[7]提出一種基于圖像局部最大和最小值的二值化方法，該算法在ICDAR2011文檔圖像二值化競(jìng)賽所提交的18個(gè)算法中名列第二。Su等[8]還提出了一種基于自適應(yīng)圖像對(duì)比度(它是圖像局部最大、最小值和局部梯度的線性組合)的二值化方法，該算法在ICDAR2013文檔圖像二值化競(jìng)賽所有提交的23個(gè)算法中名列第一。Howe[9]提出一種基于拉普拉斯能量函數(shù)最小化的圖割方法，通過(guò)最大流/最小割組合優(yōu)化算法，從而實(shí)現(xiàn)圖像的二值化，并在ICDAR2013文檔圖像二值化競(jìng)賽中名列第二。Nafchi等[10]提出一種基于相位的歷史文獻(xiàn)圖像二值化模型。Mesquita等[11]提出基于統(tǒng)計(jì)競(jìng)爭(zhēng)機(jī)制(I/F-Race)的參數(shù)優(yōu)化方法，通過(guò)距離感知對(duì)象(POD)提升原始圖像的對(duì)比度，并采用Howe算法實(shí)現(xiàn)圖像的二值化。Pastor-Pellicer等[12]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行文獻(xiàn)二值化的思想。Vo等[13]針對(duì)復(fù)雜文檔背景，提出一種基于高斯混合馬爾可夫隨機(jī)場(chǎng)(GMMRF)模型的音譜文檔二值化方法。Ahmadi等[14]則提出了一種基于條件隨機(jī)場(chǎng)(CRF)的低質(zhì)量文檔圖像二值化框架。Chen和Wang[15]擴(kuò)展了Wellner基于直方圖的快速自適應(yīng)閾值法，并采用Rosenfeld的方法來(lái)確定每個(gè)像素的閾值。Hadjadj等[16]提出一種基于幾何活動(dòng)輪廓模型的文檔圖像二值化方法。Hollaus等[17]還提出一種基于多光譜成像(MSI)技術(shù)的低質(zhì)量文檔圖像二值化方法。

此外，盧迪等[18]提出一種基于局部對(duì)比度增強(qiáng)的二值化算法，所不同的是，該方法利用四叉樹原理自適應(yīng)劃分圖像區(qū)域，并對(duì)不同對(duì)比度區(qū)域采用不同的對(duì)比度增強(qiáng)算法。馮炎[19]提出一種通過(guò)背景估計(jì)來(lái)對(duì)原始圖像進(jìn)行對(duì)比度補(bǔ)償，并采用Howe算法對(duì)補(bǔ)償后的文檔圖像進(jìn)行二值化的方法。許海洋等[20]提出一種基于背景估計(jì)與筆畫邊緣檢測(cè)的圖像二值化方法，該方法采用Sauvola算法進(jìn)行圖像背景估計(jì)，并結(jié)合改進(jìn)的Canny算法獲取字符邊緣信息，最后基于局部閾值策略實(shí)現(xiàn)圖像的最終二值化。吳銳等[21]提出一種基于譜聚類的圖像二值化方法，該方法利用規(guī)范化切痕作為譜聚類測(cè)度，并結(jié)合灰度直方圖相似性矩陣確定最佳閾值。

然而，以上方法都不能很好地解決在低對(duì)比度、墨跡浸潤(rùn)或弱筆畫、帶污漬和紋理、漸變光照等復(fù)雜文檔背景下的圖像二值化。本文結(jié)合局部對(duì)比度增強(qiáng)和筆畫寬度估計(jì)，提出了一種基于支持向量機(jī)(SVM)分類的文檔圖像二值化方法。該方法在分割字符前景和保留字符邊緣細(xì)節(jié)的同時(shí)，能夠較好地抑制墨跡浸潤(rùn)或褪色、頁(yè)面污漬、紋理背景及光照不均等現(xiàn)象。

1　基于支持向量機(jī)的二值化方法

基于SVM的低質(zhì)量文檔圖像二值化算法流程框圖如圖1所示，該算法首先對(duì)彩色文檔圖像進(jìn)行灰度化處理，然后增強(qiáng)圖像的局部對(duì)比度，以凸顯文檔圖像中前景和背景之間的差異性。接著將文檔圖像進(jìn)行分塊操作，在提取每個(gè)圖像塊的特征參數(shù)后，使用支持向量機(jī)對(duì)其進(jìn)行分類，并根據(jù)不同的分類結(jié)果選取不同的最優(yōu)閾值，從而實(shí)現(xiàn)圖像的粗略二值化。最后通過(guò)估計(jì)字符筆畫寬度，來(lái)確定滑動(dòng)窗口尺寸，并實(shí)現(xiàn)字符前景和頁(yè)面背景的精細(xì)二值化。

圖1　基于SVM的文檔圖像二值化算法流程框圖

1.1　彩色圖像灰度化

目前，研究人員主要采用分量加權(quán)平均、平均值、最大值等方法對(duì)彩色圖像進(jìn)行灰度化，這些方法多是基于人眼視覺特性的建模。本文采用最小均值法[22]將彩色文檔圖像f(x,y)轉(zhuǎn)換成灰度圖像，所得灰度圖像具有彩色無(wú)關(guān)性，其計(jì)算公式為：

(1)

式中，fi(x,y)分別表示R、G、B彩色分量圖像，fgray(x,y)為變換后的灰度圖像。

采用不同灰度化方法及其對(duì)應(yīng)的Otsu二值化圖像如圖2所示?？梢钥闯?，采用最小均值法得到的灰度圖像，其前景與背景像素間具有較大的對(duì)比度，同時(shí)前景像素間的灰度方差較小，對(duì)應(yīng)的二值圖像中前景像素基本得以保留。

圖2　不同灰度化方法及其對(duì)應(yīng)的Otsu二值化圖像

1.2　局部對(duì)比度增強(qiáng)

圖像梯度現(xiàn)已廣泛應(yīng)用于邊緣檢測(cè)，其模值通常由鄰域窗內(nèi)的圖像絕對(duì)差來(lái)計(jì)算，它對(duì)灰度變化非常敏感。當(dāng)文本像素位于較亮的背景區(qū)域時(shí)，其局部對(duì)比度較大；然而，當(dāng)文本像素位于較暗的背景區(qū)域時(shí)，其局部對(duì)比度將變小。

為了有效抑制文檔背景變化對(duì)圖像局部對(duì)比度的影響，本文定義圖像的局部對(duì)比度為：

(2)

式中：fmax(x,y)和fmin(x,y)分別表示圖像在以(x,y)為中心的3×3鄰域內(nèi)的灰度最大值和最小值。

圖像的歸一化梯度和局部對(duì)比度如圖3所示?？梢钥闯觯诰植繉?duì)比度圖像中，筆畫前景與文檔背景更容易區(qū)分，具有明顯的雙峰特性。

圖3　圖像的歸一化梯度與局部對(duì)比度

1.3　圖像塊分類及其閾值篩選

待處理文檔圖像及其對(duì)應(yīng)的標(biāo)準(zhǔn)GT圖像均按照N×N大小進(jìn)行分塊，這樣每幅圖像都被分割成大小相同的N2個(gè)圖像塊。本文采用N=5，即將每幅圖像分成25個(gè)圖像塊；若N>5，將增加算法的時(shí)間復(fù)雜度。通過(guò)大量實(shí)驗(yàn)，不難發(fā)現(xiàn)，這些圖像塊可分為3種不同的類型，即：

(1) 待處理圖像塊只含背景，沒有任何前景文本信息，此時(shí)最優(yōu)閾值為T0=0。

(2) 文本前景和復(fù)雜背景大約各占待處理圖像塊50%的比例，此時(shí)最優(yōu)閾值為Otsu算法所得閾值TOtsu。

(3) 文本前景占待處理圖像塊比例小于10%，其余部分則為背景，且背景區(qū)域相對(duì)復(fù)雜，此時(shí)最優(yōu)閾值為其周邊圖像塊Otsu閾值的最小值，記為Tmin。

考慮上述3種情況，在處理每個(gè)圖像塊時(shí)，都需要單獨(dú)分析選擇最優(yōu)閾值，其本質(zhì)就是一個(gè)3分類問(wèn)題。本文選用SVM作為閾值分類器，輸入層為待處理圖像塊的特征參數(shù)，中間層采用多項(xiàng)式核函數(shù)K(x,xi)=(γxTxi+r)p,γ>0，輸出層為最優(yōu)閾值的判決(即輸出針對(duì)該圖像塊的最優(yōu)閾值)。

1.4　圖像特征提取

確定SVM作為閾值分類器后，需要對(duì)每幅待處理圖像的25個(gè)圖像塊提取特征參數(shù)，以便訓(xùn)練SVM分類模型，選擇的輸入特征參數(shù)包括：

(1) 像素灰度值xi

(4) 相對(duì)平滑度R=1-1/(1+σ2)

(8) 閾值TOtsu

(9) 閾值TOtsu-Tmin

其中，L表示圖像灰度級(jí)分辨率，i∈[0,L-1]表示圖像灰度級(jí)取值，p(xi)表示圖像的歸一化直方圖。

此外，本文還采用了兩個(gè)描述圖像直方圖特征的參數(shù)指標(biāo)[23]，即：

當(dāng)deta值很高時(shí)，圖像塊中黑色像素和白色像素的融合度很高，即圖像很平滑，這樣就可以直接采用TOtsu作為圖像塊分割的閾值；另一方面，當(dāng)deta值很低而u值相對(duì)很高時(shí)，通常將閾值設(shè)為T0。

1.5　SVM閾值分類模型訓(xùn)練

SVM建模和預(yù)測(cè)分類流程如圖4所示。

圖4　SVM建模和預(yù)測(cè)分類流程圖

預(yù)處理步驟主要處理原始數(shù)據(jù)到學(xué)習(xí)數(shù)據(jù)的轉(zhuǎn)換過(guò)程。作者選取50張訓(xùn)練圖像，42張測(cè)試圖像，均來(lái)源于國(guó)際文檔圖像二值化競(jìng)賽提供的低質(zhì)量文本圖像。所有訓(xùn)練及測(cè)試用圖像，按照前述方法進(jìn)行灰度化處理，并增強(qiáng)局部對(duì)比度后，將每幅圖像切割成25個(gè)圖像塊樣本，即總共有1 250個(gè)訓(xùn)練樣本、1 050個(gè)測(cè)試樣本，再對(duì)每個(gè)圖像塊提取11個(gè)特征性狀參數(shù)用于SVM訓(xùn)練或預(yù)測(cè)。

帖標(biāo)簽步驟需要對(duì)每個(gè)圖像塊的分類結(jié)果進(jìn)行標(biāo)記，即確定某圖像塊的最優(yōu)分割閾值是T0(標(biāo)簽1)、TOtsu(標(biāo)簽2)還是Tmin(標(biāo)簽3)。本文采用數(shù)值比對(duì)與人工檢驗(yàn)的雙重準(zhǔn)則為訓(xùn)練樣本帖標(biāo)簽。以T0、TOtsu和Tmin閾值進(jìn)行粗分割后，將其輸出的結(jié)果圖像塊分別與對(duì)應(yīng)的標(biāo)準(zhǔn)GT圖像塊進(jìn)行對(duì)比，并選取3個(gè)評(píng)價(jià)指標(biāo)，即F值(F-measure)、峰值信噪比(PSNR)、結(jié)構(gòu)相似性(SSIM)，通過(guò)計(jì)算有關(guān)的參數(shù)評(píng)估表，再輔以人工核對(duì)，從而確定最優(yōu)的全局閾值。

數(shù)據(jù)分組步驟將訓(xùn)練樣本分為訓(xùn)練集和測(cè)試集，在樣本量不充足的情況下，為了充分利用訓(xùn)練樣本對(duì)分類算法進(jìn)行測(cè)試，將訓(xùn)練樣本隨機(jī)分為k組，每次將其中1組作為測(cè)試集，剩下的k-1組作為訓(xùn)練集進(jìn)行訓(xùn)練。本文選取k=10，即進(jìn)行10倍交叉驗(yàn)證。

通過(guò)SVM訓(xùn)練步驟建立相應(yīng)的SVM模型，并使用訓(xùn)練好的SVM模型進(jìn)行測(cè)試。當(dāng)SSIM值接近1時(shí)，其最優(yōu)分割閾值選取為T0(標(biāo)簽1)；當(dāng)同時(shí)滿足F值大于0.03、PSNR大于0.15、SSIM大于0.02時(shí)，其最優(yōu)分割閾值選取為Tmin(標(biāo)簽3)；其余情況的最優(yōu)分割閾值選取為TOtsu(標(biāo)簽2)。SVM預(yù)測(cè)分類結(jié)果如表1所示，可以看出，其分類準(zhǔn)確率達(dá)到98.1%，10倍交叉驗(yàn)證的分類準(zhǔn)確率達(dá)到96.8%。

表1　SVM預(yù)測(cè)分類結(jié)果

1.6　筆畫寬度估計(jì)

拼接后的圖像已經(jīng)進(jìn)行了粗略二值化處理，然而，其筆畫內(nèi)部會(huì)出現(xiàn)“中空”現(xiàn)象，因此需要對(duì)該部分進(jìn)行一定補(bǔ)償。通過(guò)文本筆畫寬度估計(jì)確定鄰域窗尺寸大小，再采用局部閾值法進(jìn)行精細(xì)二值化。

本文采用逐行掃描方式估計(jì)文本筆畫寬度。首先利用Canny算子得到圖像邊緣，然后從左至右、從上至下依次掃描，當(dāng)遇到第一個(gè)邊緣像素點(diǎn)時(shí)，記錄其坐標(biāo)位置x1，接著繼續(xù)掃描，記錄下一個(gè)邊緣像素點(diǎn)的坐標(biāo)位置x2，那么邊緣像素點(diǎn)之間的水平間距為d=x2-x1。重復(fù)掃描，直至整幅圖像掃描完成，統(tǒng)計(jì)d的分布，那么筆畫寬度估計(jì)SWE為：

(3)

式中：d表示筆畫相鄰兩個(gè)邊緣的間距，H表示出現(xiàn)此水平間距的次數(shù)。

1.7　局部二值化

T(x,y)=(1-k)×μ(x,y)+k×fmin+

k×[μ(x,y)-fmin]×σ(x,y)/R

(4)

式中：fmin和R分別表示鄰域內(nèi)最小灰度值和最大標(biāo)準(zhǔn)偏差，常數(shù)k的取值范圍介于0和1之間，本文通過(guò)實(shí)驗(yàn)將k值設(shè)為0.5。

經(jīng)過(guò)局部二值化的精細(xì)分割后，筆畫邊緣區(qū)域的噪聲點(diǎn)能得到消除，同時(shí)分割錯(cuò)誤的筆畫內(nèi)部區(qū)域也能得到恢復(fù)。

2　實(shí)驗(yàn)結(jié)果與分析

作者將本文提出的算法與其他7種經(jīng)典算法進(jìn)行了大量對(duì)比實(shí)驗(yàn)。測(cè)試樣本來(lái)源于2009年、2011年、2013年國(guó)際文檔二值化競(jìng)賽(DIBCO)提供的低質(zhì)量文檔圖像集，其中，2009年10幅、2011年16幅、2013年16幅，總共42幅，包括21幅印刷體和21幅手寫體低質(zhì)量文檔圖像及其對(duì)應(yīng)的標(biāo)準(zhǔn)GT圖像。參與評(píng)估的各算法分別將二值化后的圖像與對(duì)應(yīng)的GT圖像進(jìn)行像素級(jí)比較，為了保證實(shí)驗(yàn)的客觀性，本文采用F值(F-measure)、峰值信噪比(PSNR)、錯(cuò)誤率度量(NRM)、距離倒數(shù)失真度量(DRD)、錯(cuò)誤分類處罰指標(biāo)(MPM)等5個(gè)性能指標(biāo)進(jìn)行算法評(píng)估，具體定義請(qǐng)參考文獻(xiàn)[24-26]，其中，前2個(gè)指標(biāo)值越大越好，后3個(gè)數(shù)值越小越好。

表2為各算法的性能評(píng)估結(jié)果，從這些性能指標(biāo)來(lái)看，本文算法明顯優(yōu)于Otsu、Nibalck、Sauvola、Wolf和BESE算法，同時(shí)在F值和PSNR方面略高于LMM算法，分別為89.541和18.907。此外，本文算法在MPM指標(biāo)上最優(yōu)，其值為1.979。

表2　各算法評(píng)估的數(shù)值結(jié)果(平均值)

各算法輸出結(jié)果如圖5所示，Otsu算法對(duì)于背景反差較大的文檔圖像，具有較好的二值化效果，對(duì)于頁(yè)面中脊處以及弱筆畫文字細(xì)節(jié)部分丟失；Niblack算法會(huì)產(chǎn)生大量噪聲點(diǎn)，即將背景像素誤判為前景像素；相比Sauvola算法，Wolf算法能夠抑制更多的背景像素，但同時(shí)也抑制了部分前景像素；BESE算法不適合處理雙頁(yè)掃描圖像；Howe算法則不適合處理墨跡浸潤(rùn)圖像；LMM算法雖然對(duì)大多數(shù)文檔圖像均有較好地二值化效果，但其結(jié)果易受文本區(qū)域位置影響，即文本區(qū)域靠近圖像邊沿時(shí)，輸出圖像會(huì)產(chǎn)生大量字符空洞現(xiàn)象；本文提出的二值化算法不僅能夠較好地消除背景噪聲，還能夠很好地保留筆畫邊緣細(xì)節(jié)。

圖5　各算法對(duì)比實(shí)驗(yàn)結(jié)果

3　結(jié)　語(yǔ)

本文提出了一種基于SVM分類的低質(zhì)量文檔圖像二值化方法，與現(xiàn)有算法相比，其顯著優(yōu)勢(shì)在于：

(1) 采用最小均值法對(duì)彩色文檔圖像進(jìn)行灰度預(yù)處理，所得灰度圖像具有彩色無(wú)關(guān)性。

(2) 相比圖像梯度，本文采用的局部對(duì)比度，能夠補(bǔ)償圖像亮度變化產(chǎn)生的影響。

(3) 采用SVM閾值分類法，能夠較好地解決在低對(duì)比度、墨跡浸潤(rùn)、漸變光照、帶污漬和紋理等復(fù)雜背景下的文檔圖像二值化。

[1] Sezgin M,Sankur B.Survey over image thresholding techniques and quantitative performance evaluation[J].Journal of Electronic Imaging,2004,13(1):146-168.

[2] Otsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems,Man,and Cybernetics,1979,9(1):62-66.

[3] Niblack W.An introduction to digital image processing[M].Englewood Cliffs,New Jersey:Prentice-Hall International Inc.,1986.

[4] Sauvola J,Pietik?inen M.Adaptive document image binarization[J].Pattern Recognition,2000,33(2):225-236.

[5] Wolf C,Jolion J M.Extraction and recognition of artificial text in multimedia documents[J].Pattern Analysis and Applications,2003,6(4):309-326.

[6] Lu S,Su B,Tan C L.Document image binarization using background estimation and stroke edges[J].International Journal on Document Analysis and Recognition,2010,13(4):303-314.

[7] Su B,Lu S,Tan C L.Binarization of historical document images using the local maximum and minimum[C]//Proceedings of the 9th IAPR International Workshop on Document Analysis Systems (DAS),Boston,Massachusetts,USA,Jun,2010:159-165.

[8] Su B,Lu S,Tan C L.Robust document image binarization technique for degraded document images[J].IEEE Transactions on Image Processing,2013,22(4):1408-1417.

[9] Howe N R.Document binarization with automatic parameter tuning[J].International Journal on Document Analysis and Recognition,2013,16(3):247-258.

[10] Nafchi H Z,Moghaddam R F,Cheriet M.Phase-based binarization of ancient document images:Model and applications[J].IEEE Transactions on Image Processing,2014,23(7):2916-2930.

[11] Mesquita R G,Silva R M A,Mello C A B,et al.Parameter tuning for document image binarization using a racing algorithm[J].Expert Systems with Applications,2015,42(5):2593-2603.

[12] Pastor-Pellicer J,Espaa-Boquera S,Zamora-Martínez F,et al.Insights on the use of convolutional neural networks for document image binarization[C]//Proceedings of the 13th International Work-Conference on Artificial Neural Networks (IWANN),Palma de Mallorca,SPAIN,Jun,2015:115-126.

[13] Vo Q N,Kim S H,Yang H J,et al.An MRF model for binarization of music scores with complex background[J].Pattern Recognition Letters,2016,69:88-95.

[14] Ahmadi E,Azimifar Z,Shams M,et al.Document image binarization using a discriminative structural classifier[J].Pattern Recognition Letters,2015,63:36-42.

[15] Chen Y,Wang L.Broken and degraded document images binarization[J].Neurocomputing,2017,237:272-280.

[16] Hadjadj Z,Cheriet M,Meziane A,et al.A new efficient binarization method:application to degraded historical document images[J].Signal Image & Video Processing,2017,11(6):1155-1162.

[17] Hollaus F,Diem M,Sablatnig R.Binarization of multispectral document images[C]//Proceedings of the 16th International Conference on Computer Analysis of Images and Patterns (CAIP),Valletta,MALTA,Sept,2015:109-120.

[18] 盧迪,黃鑫,柳長(zhǎng)源,等.基于區(qū)域?qū)Ρ榷仍鰪?qiáng)的二值化算法[J].電子與信息學(xué)報(bào),2017,39(1):240-244.

[19] 馮炎.基于對(duì)比度補(bǔ)償?shù)墓偶畧D像二值化算法研究[J].微電子學(xué)與計(jì)算機(jī),2016,33(4):50-54,59.

[20] 許海洋,馬龍龍,吳健.基于背景估計(jì)和邊緣檢測(cè)的文檔圖像二值化[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(8):196-200.

[21] 吳銳,黃劍華,唐降龍,等.基于灰度直方圖和譜聚類的文本圖像二值化方法[J].電子與信息學(xué)報(bào),2009,31(10):2460-2464.

[22] Hedjam R,Nafchi H Z,Kalacska M,et al.Influence of color-to-gray conversion on the performance of document image binarization:Toward a novel optimization problem[J].IEEE Transactions on Image Processing,2015,24(11):3637-3651.

[23] Chou C H,Lin W H,Chang F.A binarization method with learning-built rules for document images produced by cameras[J].Pattern Recognition,2010,43(4):1518-1530.

[24] Gatos B,Ntirogiannis K,Pratikakis I.ICDAR 2009 document image binarization contest (DIBCO 2009)[C]//Proceedings of the 10th International Conference on Document Analysis and Recognition (ICDAR),Barcelona,SPAIN,July,2009:1375-1382.

[25] Pratikakis I,Gatos B,Ntirogiannis K.ICDAR 2011 document image binarization contest (DIBCO 2011)[C]//Proceedings of the 11th International Conference on Document Analysis and Recognition (ICDAR),Beijing,CHINA,Sept,2011:1506-1510.

[26] Pratikakis I,Gatos B,Ntirogiannis K.ICDAR 2013 document image binarization contest (DIBCO 2013)[C]//Proceedings of the 12th International Conference on Document Analysis and Recognition (ICDAR),Washington,DC,USA,Aug,2013:1471-1476.