合成文档图像具有多种影子,用于深度影子清除网络
Yuhi Matsuo1, Yoshimitsu Aoki1
1Department of Electrical Engineering, Faculty of Science and Technology, Keio University, 3-14-1 Hiyoshi, Kohoku-ku, Yokohama 223-8522, Kanagawa, Japan.
Sensors (Basel, Switzerland)
|January 26, 2024
概括
本研究介绍了SynDocDS数据集和双阴影融合网络 (DSFN),以改进文档阴影去除. 在SynDocDS上的培训提高了性能,提高了PSNR和SSIM等指标,以更好地数字化文档应用.
科学领域:
- 计算机视觉 计算机视觉
- 数字图像处理 数字图像处理
- 机器学习 机器学习
背景情况:
- 删除文档影子对于数字化文档至关重要.
- 现有的方法在有限的多样化数据集和合成数据的限制下扎.
- 综合数据集往往缺乏文档多样性和各种照明条件.
研究的目的:
- 介绍一个大规模,多样化的合成文档与多种影子 (SynDocDS) 数据集.
- 提出一个双影子融合网络 (DSFN) 进行强大的文件影子去除.
- 通过使用各种合成数据,提高深度影子清除网络性能.
主要方法:
- 开发了SynDocDS数据集,使用基于物理的照明模型进行多种影子染.
- 提出了具有高全球色彩理解能力的双阴影融合网络 (DSFN).
- 在SynDocDS和公共数据集 (OSR,Kligler,Jung) 上训练和评估模型.
主要成果:
- 在SynDocDS的培训中,平均PSNR从23.00 dB提高到25.70 dB,SSIM从0.959提高到0.971.
- 拟议的DSFN在多个指标 (PSNR,SSIM) 上优于现有网络.
- 在光学字符识别 (OCR) 性能中显著改进. 影子后去除.
结论:
- 通过SynDocDS数据集,可以培训更强大,更高性能的影子清除网络.
- DSFN有效地处理文档特定的颜色特征,以获得更优质的影子清除.
- 拟议的方法显著提高了文档图像数字化质量和可用性.
