纸张变形扫描图像的Gabor滤波器和ULBP组合特征提取方法研究

沙特国王大学学报Gabor滤波器和均匀局部二值模式组合对变形扫描纸张图像的理想效果Shihab Hamad Khaleefaha，Salama A.Mostafaa，Aida Mustaphaa，Mohammad Faidzul Nasrudinba马来西亚敦胡先翁大学计算机科学与信息技术学院，86400柔佛，马来西亚b人工智能技术中心，马来西亚Kebangsaan大学，43600 Selangor，马来西亚阿提奇莱因福奥文章历史记录：收到2019年2019年7月22日修订2019年7月29日接受在线预订2019年保留字：纸张指纹识别文件认证Gabor滤波器（GF）均匀局部二进制模式（ULBP）A B S T R A C T现有的扫描仪产生具有不同类型的变形（例如噪声、旋转和剪切）的纸张图像。这些变形影响了对文档图像进行指纹识别的准确性，这需要利用高级特征提取算子。现有的特征提取器，如均匀局部二值模式（ULBP）已被发现在处理的纹理的全局视图和忽略了有用的信息的图像是有限的。本文提出了一种自动纸张指纹识别（APF）方法，该方法将Gabor滤波器（GF）和均匀局部二值模式（ULBP）结合起来，称为GFULBP算子，以在特征提取过程中兼顾局部和全局图像信息，APF方法通过来自马来西亚Kebangsaan大学（UKM）的预先存在的扫描仪图像数据集的306张空白纸张图像的标准数据集进行评估，其属性范围分别为50 DPI、100DPI和150图像由具有50 DPI、100 DPI和150 DPI分辨率的平板扫描仪捕获每个图像由从图像的特定位置分割的四个补丁表示。对APF的测试结果表明，当GF具有一定的线性度时，GFULBP的性能比单独的ULBP高30.68a 5标度和p/2定向度。这项工作发现，集成的Gabor滤波器和ULBP信号，显著提高了特征提取质量和指纹识别精度。©2019作者制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近年来，计算机视觉和图像处理领域已成为计算机科学研究的热点之一，广泛使用的文档应用程序，电子文件的质量和真实性。文档纹理的旋转和不变性问题在电子文档的纹理分类中尤为重要。然而，由于现实世界的表面纹理对设计算法具有很大的挑战性，因此缺乏一个精确的定义来对图像中可见的表面纹理进行建模。*通讯作者。电子邮件地址：shi90hab@gmail.com（S.H.Khaleefah），salama@uthm.edu.my（S.A. Mostafa），aidam@uthm.edu.my（A.穆斯塔法），mfn@ftsm.ukm.my（M.F. Nasrudin）。沙特国王大学负责同行审查制作和主办：Elsevier各种定位方法。几种提取特征的技术被推荐作为解决方案，以解决与纹理分类和旋转不变量相关的问题。这些现有的方法可以大致分为三个主要类别，它们是基于结构的、基于几何的和基于模型的，如在信号处理中（Zhang和Tan，2002）。这些方法被用作基于文档的局部纹理上下文的文档指纹识别过程的一部分（Khaleefah和Nasrudin，2016）。因此，来自先前研究的发现（Wahdan等人，2014;Khaleefah等人，2015）认为，所部署的现有统计方法（诸如均匀局部二进制模式（ULBP）算子）具有解决由图像的图像获取引起的旋转和剪切变形的问题的能力，并且能够提高纸张指纹的质量。同样，LBP方法筛选出在提供图像描述中可能有价值的常见纹理图像信息（Wahdan等人，2014年）。这是因为重要的特征，例如在特定纸张图像的精确位置内的强度值的图像方差大多较低，因此导致小的噪声，这导致图像特性和描述的强度程度的变化（Li等人，2015年;阿里和穆罕默德，2019年）。https://doi.org/10.1016/j.jksuci.2019.07.0121319-1578/©2019作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com南纬1220度Khaleefah等人 /沙特国王大学学报-计算机与信息科学33（2021）1219- 1230然而，ULBP与LBP方法不同，因为前者旨在实现更压缩的图像纹理表示并提高质量，其包括两种图像循环格式，其可以应用于认证文档纹理的1-0或0-1转换（Lahdenoja等人， 2013年）。先前的研究已经对原始LBP进行了几次调整，同样，研究人员在图像采样中将统一模式集成到LBP修改中，例如在部署Gabor滤波作为预处理步骤时，这导致了扫描纸张图像数据质量的提高（Khaleefah和Nasrudin，2016; Khaleefah等人，2018年）。Gabor滤波器非常适合于检测图像中的定向图案，并且具有部分类似于人类视觉系统处理信息的方式的特性。当采用Gabor变换来增强纹理特征的表示时，这导致频率的平均值和标准偏差分数的改进（Moeini等人，2015; Jiang和Kim ，2017; Nurzynska，2017）。因此，这项研究有助于GF和ULBP的组合，用于纹理纸指纹文件的基础上，来自低成本材料和使用平板扫描仪的大量图像补丁。本文的结构如下。第二节回顾了文本纹理分类的相关方法。第三部分介绍了由均匀局部二值模式和Gabor滤波器组成的方法以及提出的自动纸张指纹识别（APF）方法。第4节给出了一个结果，第5节给出了讨论。最后，第6节总结了文章，并对未来的工作提出了一些建议2. 文献综述多年来，已经提出了一些研究来investi-门相关的问题，本地二进制模式（LBP）。在这些研究中，Fathi和Naghsh-Nilchi（2012）检查了LBP在解决与精确利用由于噪声引起的非均匀段相关的问题方面的局限性。作者提出了一种改进的LBP，它具有容忍噪声失真的能力，也可以从任何图像中获取统计和结构特征。这项工作采用了一个运营商，有能力指定最合适的过滤器在提取均匀和不均匀的部分。同样，Sree和Rao（2017）研究了LBP中面临的噪声敏感问题，他们提出了相邻评估局部三进制计数（AELTC）方法，该方法能够使用不同的评估范式来改变图像的阈值以解决噪声容忍问题。Liu等人（2012）的后续工作通过扩展LBP以利用不同特征来激发图像的强度和差异来解决LBP的训练和参数调整问题。这些特征基于LBP的部署来执行纹理分类，而不需要训练或调整参数。他们的研究结果表明，与其他方法相比，拟议的扩展提供了改进的LBP标准。同样，Nanni等人（2012年）进行了一项比较研究，包括不同的LBP改良，将统一的LBP与标准LBP整合在一起进一步用支持向量机（SVM）分类器检验了这些基于SVM的纹理分类器的性能结果表明，所有的ULBP优于原来的LBP。Khaleefah et al. （2015）和Khaleefah和Nasrudin（2016）采用了具有多个尺度和方向的局部二进制模式描述符的不同参数和半径为了进一步提高指纹识别的准确性，本文对Gabor滤波器的配置进行了改进所提出的方法显示出更好的性能的文件识别。LBP的另一个限制是不能处理图像的复制区域，特别是当这样的区域在图像传输之前已经被翻转时。Li等人（2013）提出了一种旋转不变的均匀LBP来将图像划分为圆形块，然后克服复制区域的旋转问题。同时，为了捕捉面部表情识别方面的动态变化，Almaev和Valstar（2013）将Gabor滤波器与LBP相结合，产生了能够捕捉空间 和 动 态 纹 理 并 提 高 实 时 准 确 性 的 局 部 Gabor 二 进 制 模 式（LGBP）。Gabor滤波器和LBP的组合也已用于纹理分类（Zhang等人， 2012 ）和面部表情（ Abdulrahman等人， 2014 年）。Gabor滤波器主要用于预处理，随后与LBP一起部署，与主成分分析（PCA）一起降低特征的维数提高LBP性能的其他研究包括（Murala等人，2012）提出了LBP与局部三值模式（LTP）的应用，基于图像的方向而不是灰度级差异来编码参考像素之间的关系。提出的机制发现，像素关系影响的准确性的图像检索的基础上的内容。Zhao等人（2012）提出了一种从局部非不变模式的直方图中计算旋转不变特征的方法，并将该方法应用于静态和动态LBP描述符。对于静态纹理，他们提出了从LBP直方图的离散傅立叶变换计算的局部二值模式直方图傅立叶特征（LBP-HF）。他们的方法也可以推广到嵌入任何统一的特征到这个框架，并结合补充信息，如符号和幅度分量的LBP可以提高描述能力。为了提高旋转不变量的精度，本文还采用了两种旋转不变量LBP-HF和LBP-TOP。结果表明，LBP-HF及其扩展产生了改进的性能旋转不变的纹理分类，因此是强大的相对于视点的变化。该方法优于先前提出的方法，以提高动态纹理的视图不变识别。同样，（Khaleefah等人， 2018）部署了一个模型采用均匀局部二值模式（Uniform Local Binary Pattern）和Gabor滤波器描述子，提高了图像描述的有效性，减少了局部和全局算子的复合检索空间，进一步减少了部署时间和成本。最后，Schaefer和Doshi（2012）研究了如何解决LBP在局部相邻像素之间强度变化时面临的信息丢失问题。这种信息的丢失大大增加了模糊性。因此，作者提出了一种多维LBP（MD-LBP），它能够产生有效的纹理描述符。然而，多维LBP 由于其大的特征描述符而受到诸如Doshi 和Schaefer（2013）的先前研究的批评，这导致低效的性能。这项工作，然后扩展到包括一个紧凑的修改，有能力产生一个较短的长度的功能，同时保持纹理分类的准确性。相 关 研 究 表 明 ， Gabor 滤 波 器 （ GF ） 和 均 匀 局 部 二 值 模 式（ULBP）的组合并不适用于变形扫描纸张图像的指纹识别。这种组合可以覆盖图像的各种变形，例如噪声、强度、共享和分辨率问题。因此，这项工作为未来的研究提供了一个新的基准S.H. Khaleefah et al./Journal of King Saud University- Computer and Information Sciences 33（2021）1219-123012213. 研究方法本文提出了一种结合Gabor滤波器（GF）和均匀局部二值模式（ULBP）算子的纸张自动指纹（APF）纹理分类方法，称为GFULBP方法。所提出的APF方法的框图如图1所示。基于图1，APF包括七个步骤，可以大致分为三个部分第一部分首先选择扫描的文档图像，将图像预处理为灰度模式，并将每个图像分割为四个不同的块。在特征提取的第二部分中，纹理特征是通过所提出的APF组合方法提取的，该方法基于将所有图像的特征向量组合成单个特征向量。在第三部分中，转换后的图像，然后基于每个分配的图像特征向量的值进行归一化，然后使用基于逐箱匹配方法的剪切特征向量和图像理想之间的相似性评估APF步骤详细如下：1. 准备文档图像数据集。2. 将所有彩色图像转换为灰度格式。3. 将单个图像分割成四个主要补丁。4. 通过应用ULBP算子对扫描的纸张图像数据集进行处理，提取所有图像向量特征用于基准测试。5. 采用提出的GFULBP方法提取每幅图像的特征向量。6. 应用基于ULBP特征向量的卡方相似性匹配技术来实现第一结果。接下来，对各个GFULBP特征向量应用卡方相似性匹配，以获得第二组相似性匹配结果。7. 推导出理想特征向量与剪切特征向量之间的相似性结果，为进一步的推理提供依据。以下小节提供了对扫描纸张数据集、Gabor滤波器、ULBP算子、GFULBP算子和本研究中提出的卡方相似性匹配方法的详细描述3.1. 扫描纸质数据集本研究的评价数据集包括从先前研究（UKM模式识别研究组，2012）中获得的扫描纸张数据集。通过Epson GT-2500物理扫描仪收集该数据集，使用该扫描仪两次扫描51份A4大小的空白纸，其位置如先前研究所建议的（Nasrudin et al.，2012年）。图2描绘了扫描纸数据集的数据采集阶段，其包括两个不同的剪切和理想图像样本。扫描图像数据集总共包含约102张以灰度格式保存的纸质图像，三种不同的分辨率格式分别为每英寸50、100和150点（DPI）格式。不同的分辨率是必要的，以确认扫描结果的保真度，从而更好的分辨率图像应该支持大大改善的识别结果。此外，每个扫描的纸张图像具有四个人化妆Fig. 1. APF方法框图。×南纬1222号Khaleefah等人 /沙特国王大学学报-计算机与信息科学33（2021）1219- 1230图二、一个理想的剪切纸张图像样本.块，其中每个图像块用于表示图像中心的分割部分，其中规定的像素尺寸为五五开 分割数据然后用于修补结果，其基于如图1中所呈现的特征向量四向补丁的组合。3.第三章。需要 四块特征 向量来计 算用于测 量图像 计算成本 的统计评 估（Nasrudin等人，2012年），并被用作图像描述方法的基准测试结果。3.2. Gabor滤波器Gabor滤波器是一个精简滤波器的组合，适合所提出的APF方法。Gabor滤波器经常用于解决与模式识别相关的问题，因为它能够根据图像方向的变化进行调整（Khaleefah和Nasrudin，2016）。此外，Gabor滤波器包括根据人类视觉图像系统表征的宽范围的定向频率（Shan等人，2009年）。它们主要用于文档认证和指纹识别的图像处理（Khaleefah等人，2015）、边缘识别和检测（Li等人， 2015），纹理插图（Chen等人，2015）以及最后的纹理评价（Li和Staunton，2008）。虽然，来自先前研究的结果表明，在部署其他技术（例如图像特征提取中的局部二进制模式（LBP））之前，Gabor滤波器在处理图像中最有用（Pietikäinen等人，2011; Turner，1986）。Gabor滤波器通常基于等式（1）中的公式来呈现。（1）：g0x;ys0x;yw0x;y1图三. 扫描纸张图像的四块特征向量。ðÞð Þ[1/2- ]≤X.- 是 的Σ-0000C0x0的

下载后可阅读完整内容，剩余1页未读，立即下载