賀　輝　劉　琨　肖紅玉

(北京師范大學(xué)珠海分校信息技術(shù)學(xué)院　珠?！?19085)

?

銀行票據(jù)自動(dòng)裁剪方案設(shè)計(jì)與控件開(kāi)發(fā)*

賀輝劉琨肖紅玉

(北京師范大學(xué)珠海分校信息技術(shù)學(xué)院珠海519085)

摘要銀行票據(jù)圖片采集過(guò)程易受到復(fù)雜背景干擾和光照不足或不均等不利影響，使得自動(dòng)、準(zhǔn)確、實(shí)時(shí)裁剪票據(jù)的任務(wù)很具挑戰(zhàn)性。在票據(jù)自動(dòng)糾偏基礎(chǔ)上，提出了基于圖像自適應(yīng)二值化的銀行票據(jù)自動(dòng)、快速裁剪策略。將該策略應(yīng)用到銀行印控儀進(jìn)行集成測(cè)試，不同成像背景和光照環(huán)境下的多組數(shù)據(jù)結(jié)果表明本策略在自然光照環(huán)境中，能夠很好地抑制背景干擾，準(zhǔn)確裁剪票據(jù)，而在背景顏色接近票據(jù)底色時(shí)或存在明顯光斑干擾情況下，依舊能夠獲得正確結(jié)果，總體裁剪正確率達(dá)到95%，其自適應(yīng)性和魯棒性明顯優(yōu)于基于邊緣提取的方法。且改進(jìn)了快速中值濾波算法，大大降低了濾波處理時(shí)間復(fù)雜度，可滿足銀行在線處理的實(shí)時(shí)性需求。

關(guān)鍵詞銀行票據(jù); 自動(dòng)裁剪; 圖像二值化; 灰度直方圖

Class NumberTP391.41

1引言

銀行每天要處理堆積如山的各類票據(jù)，在柜臺(tái)及時(shí)完成票據(jù)圖片的采集和遠(yuǎn)程存儲(chǔ)可以極大提高工作效率和確保票據(jù)的安全性。而為了操作簡(jiǎn)便同時(shí)提高采集圖片的質(zhì)量，高清鏡頭成為首選，這使得采集到的圖像文件大，不利于在線上傳和存儲(chǔ)，這就要求在上傳前給圖像文件瘦身，除了高保真度的壓縮處理，另一個(gè)關(guān)鍵是裁剪掉票據(jù)之外的多余圖像部分，此舉也利于對(duì)票據(jù)的后續(xù)處理，如OCR識(shí)別等。而操作人員在鏡頭下擺放票據(jù)的位置具有一定的隨意性，使得圖像中票據(jù)是傾斜的，需要在進(jìn)行裁剪處理前進(jìn)行傾斜糾正處理。因此銀行票據(jù)裁剪工作完成主要需要進(jìn)行兩個(gè)處理：票據(jù)糾偏和票據(jù)目標(biāo)分割。

在圖像糾偏中，直線的檢測(cè)算法是準(zhǔn)確糾正傾斜票據(jù)的前提,目前較成熟的框線檢測(cè)算法有基于Hough變換的方法,連通域分析法及其改進(jìn)方法，交叉點(diǎn)特征法等。這些方法在特定的約束條件下都能取得一定的效果。其中基于Hough變換的方法因?yàn)橐子趯?shí)現(xiàn)而被廣泛使用。

圖像分割算法主要可分為閾值分割法[2～3]和基于邊緣檢測(cè)的方法[1～2,7,11]以及基于過(guò)渡區(qū)技術(shù)的分割[12]和基于熵、距離等統(tǒng)計(jì)量的方法[4,8]和基于圖譜理論、云等理論的方法[9～10]等。從20世紀(jì)60年代開(kāi)始,國(guó)內(nèi)外學(xué)者針對(duì)圖像閾值分割進(jìn)行了廣泛深入的研究和大量的實(shí)驗(yàn),已提出了數(shù)十種閾值選取方法[7～8,14]，其中基于直方圖信息的閾值分割方法因其算法簡(jiǎn)單、穩(wěn)定、易于實(shí)現(xiàn)自動(dòng)閾值分割而被廣泛的應(yīng)用在圖像處理中[15]，典型的為各種圖像二值化方法。但至今還未能找到一種對(duì)所有圖像都能有效分割的閾值選取法[15～16]，也尚未見(jiàn)在票據(jù)自動(dòng)裁剪領(lǐng)域的相關(guān)應(yīng)用研究文獻(xiàn)。

本文研究源于企業(yè)生產(chǎn)實(shí)際需求，所以算法的穩(wěn)健、快速和普適性是重點(diǎn)考慮的內(nèi)容。因此，我們?cè)谖墨I(xiàn)算法研究和改良基礎(chǔ)上，提出了一種基于自適應(yīng)圖像二值化的高效、可靠的銀行票據(jù)自動(dòng)裁剪策略，并基于Visual Studio平臺(tái)完成了相應(yīng)的控件開(kāi)發(fā)。

2關(guān)鍵技術(shù)

2.1基于自適應(yīng)Canny算子和Hough變換的票據(jù)糾偏

因?yàn)槠睋?jù)放置的隨意性，在進(jìn)行票據(jù)裁剪前首先要對(duì)彩色票據(jù)圖像進(jìn)行傾斜校正。我們采用的方法是先將彩色票據(jù)圖像灰度化，以減少計(jì)算量。然后在灰度圖像上找出票據(jù)的最長(zhǎng)邊緣線，并求出該邊緣線的傾斜角，再對(duì)彩色圖像進(jìn)行傾斜校正，具體處理：采用自適應(yīng)Canny算子[16]的高低雙閾值方法進(jìn)行邊緣檢測(cè)，該算子對(duì)細(xì)節(jié)信息與整理輪廓保留較好，能實(shí)現(xiàn)效果較好的邊緣檢測(cè)，給Hough變換查找偏轉(zhuǎn)角度，逆旋轉(zhuǎn)變換糾偏，提供了較高準(zhǔn)確度保障；接下來(lái)基于Hough變換找到最長(zhǎng)邊緣線，確定傾斜角度，進(jìn)而完成票據(jù)糾偏。

2.2基于自適應(yīng)二值化的票據(jù)目標(biāo)分割

要實(shí)現(xiàn)票據(jù)的自動(dòng)裁剪，必須要自動(dòng)獲取票據(jù)的邊界。因?yàn)槠睋?jù)目標(biāo)與背景在灰度上總體存在著差異,可選用灰度值特征來(lái)分割這兩個(gè)區(qū)域類，票據(jù)信息的提取可以通過(guò)基于灰度統(tǒng)計(jì)特征的圖像二值化實(shí)現(xiàn)。很明顯,二值化質(zhì)量的好壞將直接影響后續(xù)的裁剪處理,是系統(tǒng)投入實(shí)用的最關(guān)鍵一環(huán)。因此針對(duì)本應(yīng)用，提出基于自適應(yīng)直方圖閾值二值化的票據(jù)目標(biāo)分割算法。

首先根據(jù)票據(jù)圖像直方圖特征確定二值分割閾值。如圖1所示，該歸一化直方圖存在明顯多峰的特點(diǎn)，不過(guò)票據(jù)目標(biāo)對(duì)應(yīng)的直方圖在右側(cè)比較集中，且與其它部分(桌面等背景)分界較明顯，可以通過(guò)搜尋圖1中所示分界點(diǎn)t1和t2來(lái)確定閾值。

圖1　灰度化票據(jù)圖像的直方圖特征

其中t2通常可設(shè)為250以避免強(qiáng)光照射的干擾。而t1的值可通過(guò)搜索直方圖極小值對(duì)應(yīng)的灰度值來(lái)確定。為避免陷入背景直方圖極值，且減少搜索時(shí)間，定義灰度搜索窗如下：

w=[wl,wr]

wl=min+(max-min)/2

wr=max-(max-min)/4

(1)

其中，min和max為p(sk)值小于給定常量θ的sk的最左和最右端點(diǎn)灰度值。本文設(shè)θ=0.001，因?yàn)槠睋?jù)是圖像中的主體目標(biāo)，剔除小于θ的部分直方圖可以確保搜索窗的有效性。該搜索窗口將隨著灰度圖直方圖的整體分布而自適應(yīng)滑動(dòng)，因此在該窗口中檢測(cè)到的二值分割閾值(搜索窗極小值對(duì)應(yīng)的灰度值，記為min_pox)有很好的自適應(yīng)能力。接下來(lái)根據(jù)min_pox完成糾偏后票據(jù)灰度圖二值化，其中票據(jù)區(qū)域賦值為0。

由于設(shè)備本身性能和光照等環(huán)境干擾，圖像經(jīng)常會(huì)受到各種噪聲的干擾，導(dǎo)致二值化結(jié)果存在噪聲(一般是椒鹽噪聲)，會(huì)極大的影響到圖像的后續(xù)處理。本文在林清華[17]提出的基于直方圖的中值濾波加速算法基礎(chǔ)上，根據(jù)濾波對(duì)象為二值圖，即像素值只有0和1的特點(diǎn)，將中值濾波簡(jiǎn)化為如算法1所示操作，進(jìn)一步降低了中值濾波處理的時(shí)間復(fù)雜度。

算法1

void MedianFilter(LPBYTE data,SIZE sz, int size)

{

int width = sz.cx; int height = sz.cy;//寬度、高度

int left_pox = ((int)sqrt(size * 1.0)) / 2;//計(jì)算得到濾波窗口半徑，其中size為窗口面積

for(int i = left_pox;i < height - left_pox;i++)//濾波

{ for(int j = left_pox;j < width - left_pox;j++)

{int val_0 = val_255 = 0;

//逐行統(tǒng)計(jì)濾波窗口內(nèi)值為0和255的像素點(diǎn)個(gè)數(shù)，分別記為val_0和val_255

for(int m = i - left_pox;m < i + left_pox + 1;m++)

{ for(int n = j - left_pox; n < j + left_pox + 1;n++)

{if(val_0 > size /2 || val_255 > size /2 ) break;

}}

if (val_0 > val_255) data[i * width + j] = 0; //data數(shù)組保存濾波結(jié)果

elsedata[i * width + j] = 255;}}

}

2.3自動(dòng)確定裁剪框

此處采取了一個(gè)簡(jiǎn)單有效的處理，即對(duì)上小節(jié)得到的結(jié)果data，分別從左上方開(kāi)始，逐行掃描值為255的目標(biāo)點(diǎn)，并統(tǒng)計(jì)每行目標(biāo)點(diǎn)數(shù)，最后只保留目標(biāo)點(diǎn)數(shù)不小于最大值一半的行，以進(jìn)一步排除由于明顯光斑影響產(chǎn)生的一些干擾。接下來(lái)求出剩下候選目標(biāo)區(qū)的列坐標(biāo)最小值y_min和橫坐標(biāo)最小值x_min，及列坐標(biāo)最大值y_max和行坐標(biāo)最大值x_max，從而得到裁剪框的左上角和右下角坐標(biāo)(x_min,y_min)、(x_max,y_max)，標(biāo)記坐標(biāo)點(diǎn)，裁剪框確定。以y_min為例描述其搜尋過(guò)程如算法2所示。

算法2

for (int i = 0; i < _h; i++) // _h圖像(data)高度

{

go_on = 1;

for (int j = 0; j < _w; j++) //_w圖像(data)寬度

{if (data[i*(owh+nAdjust24)+j] == 0)

{ y_min = i;go_on = 0;break; }

}

if (!go_on) break;

}

3銀行票據(jù)自動(dòng)裁剪控件實(shí)現(xiàn)及測(cè)試

為驗(yàn)證本文自動(dòng)票據(jù)裁剪方案的有效性，自主開(kāi)發(fā)了相關(guān)控件(開(kāi)發(fā)平臺(tái)為Visual Studio 2010，開(kāi)發(fā)語(yǔ)言為C++)，具體技術(shù)路線如圖2所示。并對(duì)50組印控儀采集票據(jù)圖像進(jìn)行了批量裁剪測(cè)試，測(cè)試程序主界面如圖3所示。

圖2　總體技術(shù)路線

圖3　測(cè)試程序主界面

首先利用式(2)將彩色圖像轉(zhuǎn)換成灰度圖，接著完成基于自適應(yīng)Canny算子和Hough變換的票據(jù)糾偏；針對(duì)糾偏結(jié)果進(jìn)行基于自適應(yīng)灰度閾值的圖像二值分割，并對(duì)二值化結(jié)果進(jìn)行快速中值濾波處理以剔除孤立干擾噪點(diǎn)，最終通過(guò)設(shè)定閾值保留特定目標(biāo)行，進(jìn)而求解候選目標(biāo)區(qū)左上角和右下角坐標(biāo)，確定裁剪框。為避免針對(duì)在極端成像條件下獲取得圖像的過(guò)裁剪導(dǎo)致系統(tǒng)異常，我們?cè)O(shè)置了裁剪框尺寸的下限值ε，本應(yīng)用中設(shè)為500個(gè)像素(考慮到我們擬裁剪的最小目標(biāo)為身份證圖片)。當(dāng)裁剪框小于該限值則直接輸出原票據(jù)圖像。

gray=r*0.299+g*0.587+b*0.114

(2)

其中g(shù)ray為轉(zhuǎn)換后的灰度值，r，g，b分為別原RGB圖像3個(gè)通道的像素值。

為了驗(yàn)證我們方法的優(yōu)勢(shì)，本文同時(shí)進(jìn)行了基于邊緣檢測(cè)方法的票據(jù)裁剪對(duì)比實(shí)驗(yàn)。

3.1數(shù)據(jù)描述

本研究工作測(cè)試數(shù)據(jù)為印控儀(附帶6個(gè)燈泡點(diǎn)陣補(bǔ)光光源)高清照相機(jī)采集圖片，2種分辨率，分別為1600×1200和2592×1944。限于篇幅，本文只給出其中典型的6組數(shù)據(jù)，如圖4所示，其中圖4(a)背景比較均勻而圖4(b)～圖4(f)背景較復(fù)雜，且干擾顯著。

圖4　待裁剪票據(jù)圖像

3.2結(jié)果和分析

實(shí)驗(yàn)結(jié)果表明，在背景較均勻的情況下，兩種種裁剪方法都得到了準(zhǔn)確的結(jié)果，其中基于邊緣檢測(cè)的結(jié)果有肉眼可辨識(shí)的黑邊，見(jiàn)圖5(a)，而本文基于圖像自適應(yīng)二值分割的結(jié)果更為精確，無(wú)黑邊，見(jiàn)圖5(b)；若背景比較復(fù)雜，如圖4(b)～圖4(f)所示，鏡頭采集到了除底座和票據(jù)之外的干擾，如棕色的地板(見(jiàn)圖4(b))，緣檢測(cè)結(jié)果會(huì)有偽票據(jù)邊界，如圖7(a)橢圓所標(biāo)示，從而裁剪結(jié)果不理想，如圖7(b)所示；而接近票據(jù)底色的亮灰色的桌子邊緣(見(jiàn)圖4(c))導(dǎo)致基于邊緣檢測(cè)方法的裁剪結(jié)果將桌面當(dāng)作了票據(jù)保留，結(jié)果如圖7(e)所示；而本文自適應(yīng)閾值二值分割結(jié)果有效抑制了干擾的影響，對(duì)圖4(b)二值化結(jié)果為完整的票據(jù)區(qū)域，如圖7(c)所示，最終得到了達(dá)到應(yīng)用要求的裁剪結(jié)果，如圖7(d)所示圖，對(duì)圖4(c)也得到了理想裁剪結(jié)果(見(jiàn)圖7(f)。對(duì)于圖4(d)～(f)所示票據(jù)圖像，要么票據(jù)體光照不均，如圖4(d)～(f)，將導(dǎo)致票據(jù)目標(biāo)與背景區(qū)分度不夠，從而易導(dǎo)致過(guò)裁剪，結(jié)果如圖7(g)～(k)所示；要么存在明顯光斑干擾，從而易導(dǎo)致欠裁剪，結(jié)果如圖7(i)所示。而本文方案依舊得到了理想的裁剪結(jié)果，如圖7(h)，圖7(j)和圖7(l)所示，證明了本文票據(jù)裁剪方案的高魯棒性和實(shí)用價(jià)值。

圖5　本文方法處理中間結(jié)果示例

圖6　不同方法對(duì)背景較均勻的票據(jù)(圖4(a))裁剪結(jié)果

圖5給出了本文裁剪處理的幾個(gè)關(guān)鍵中間結(jié)果示例，從圖中不難看出，中值濾波對(duì)于消除孤立早點(diǎn)的有效性；而最終的消除偽目標(biāo)行的簡(jiǎn)單處理則進(jìn)一步抑制了較強(qiáng)光斑對(duì)裁剪結(jié)果的不利影響，從而確保了裁剪結(jié)果的正確性。

對(duì)于必要的中值濾波處理，統(tǒng)計(jì)了改進(jìn)前后中值濾波時(shí)間及完成票據(jù)裁剪所需的總體時(shí)間，如表1所示，表中Data1對(duì)應(yīng)的時(shí)間是對(duì)分辨率為1600×1200的20張圖片處理時(shí)間的平均值，而Data2對(duì)應(yīng)的時(shí)間是對(duì)分辨率為2592×1944的30張圖片處理時(shí)間的平均值?？偤臅r(shí)1和總耗時(shí)2分別為濾波改進(jìn)前后裁剪所需總時(shí)間。結(jié)果表明改進(jìn)后的處理時(shí)間大大縮短，尤其是對(duì)較高分辨率的圖像，處理時(shí)間減幅更大，使得實(shí)現(xiàn)實(shí)時(shí)票據(jù)裁剪和遠(yuǎn)程存儲(chǔ)成為可能。

圖7　不同方法對(duì)背景干擾顯著的票據(jù)(圖4(b)～(f))裁剪結(jié)果

中值濾波改進(jìn)的中值濾波總耗時(shí)1總耗時(shí)2Data13.2030000.2190003.4450001.937000Data2315.4450003.438000318.2380005.948000

4結(jié)語(yǔ)

本文針對(duì)銀行票據(jù)自動(dòng)裁剪應(yīng)用需求，在票據(jù)傾斜糾正研究基礎(chǔ)上，重點(diǎn)提出了一種高效實(shí)用的基于直方圖自適應(yīng)閾值二值分割算法，同時(shí)加入對(duì)目標(biāo)點(diǎn)的簡(jiǎn)單實(shí)用約束，以最大可能降低光照不均對(duì)分割結(jié)果的不利影響。并進(jìn)一步改進(jìn)了中值濾波方法，以確保票據(jù)自動(dòng)裁剪處理的實(shí)時(shí)性。多組不同成像環(huán)境采集的票據(jù)圖像裁剪實(shí)驗(yàn)驗(yàn)證了本文方法的有效性和實(shí)用性。特別是對(duì)曝光過(guò)度或存在明顯光照不均的圖像，依舊可以取得理想的裁剪結(jié)果。如何結(jié)合基于邊緣檢測(cè)的方法，充分發(fā)揮基于圖像二值化和邊緣檢測(cè)的圖像分割方法的優(yōu)勢(shì)，進(jìn)一步增強(qiáng)本自動(dòng)裁剪策略的普適性是我們下一步工作的重點(diǎn)。

參 考 文 獻(xiàn)

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

[2] 韓思奇,王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù),2002,24(6):91-94.

HAN Siqi, WANG Lei. A Survey of Thresholding Methods for Image Segmentation[J]. Systems Engineering and Electronics,2002,24(6):91-94.

[3] 陳果,左洪福.圖像閾值分割的兩種新技術(shù)[J].模式識(shí)別與人工智能,2002,15(4):468-473.

CHENG Guo, ZUO Hongfu. Two New Techniques Of Image Thersholding, PR&AI,2002,15(4):468-473.

[4] 向日華,王潤(rùn)生.一種基于高斯混合模型的距離圖像分割算法[J].軟件學(xué)報(bào),2003,14(7):1250-1257.

XIANG Rihua, WANG Runsheng. A range image segmentation algorithm based on Gaussian mixture model[J]. Journal of Software,2003,14(7):1250-1257.

[5] 王曉年,馮遠(yuǎn)靜,馮祖仁.一種基于主動(dòng)輪廓模型的蟻群圖像分割算法[J].控制理論與應(yīng)用,2006,23(4):515-522.

WANG Xiaonian, FENG Yuanjing, FENG Zuren. Ant colony oPtimization with active contour models for image segmentation[J]. Control Theory & Applications,2006,23(4):515-522.

[6] 劉勍,許錄平,馬義德,等.一種超模糊熵ULPCNN圖像自動(dòng)分割新方法[J].西安電子科技大學(xué)學(xué)報(bào):自然科學(xué)版,2010,37(5):817-824.

LIU Qing, XU Luping, MA Yide, et al. Automated image segmentation using the ULPCNN model with ultra-fuzzy entropy[J]. Joural of Xidian University,2010,37(5):817-824.

[7] 鄭曉曦,嚴(yán)俊龍.圖像分割新方法綜述[J].計(jì)算機(jī)與數(shù)字工程,2007,35(8):103-106.

ZHENG Xiaoxi, YAN Junlong. A Survey Of New Image Segmentation Methods[J]. Computer and Digital Engineering,2007,35(8):103-106.

[8] 許新征,丁世飛,史忠植,等.圖像分割的新理論和新方法[J].電子學(xué)報(bào),2010,38(S1):76-82.

XU Xinzheng, DING Shifei, SHI Zhongzhi, et al. New Theories and Methods of Image Segmentation[J]. 2010,38(S1):76-82.

[9] 陶文兵,金海.一種新的基于圖譜理論的圖像閾值分割方法[J].計(jì)算機(jī)學(xué)報(bào),2007,30(1):110-119.

TAO Wenbing, JIN Hai. A New Image Thresholding Method Based on Graph Spectral Theory[J]. Chinese Journal of Computers,2007,30(1):110-119.

[10] 李萬(wàn)臣,葛秘蕾,井志強(qiáng).基于云理論的圖像分割新方法[J].應(yīng)用科技,2010,37(3):45-48.

LI Wanchen, GE Milei, JING Zhiqiang. A new method of image segmentation based on cloud theory[J]. Applied Science and Technology,2010,37(3):45-48.

[11] 林強(qiáng),董平,林嘉宇.圖割方法綜述[J].微處理機(jī),2015(1):35-39.

LIN Qiang, DONG Ping, LIN Jiangyu. A Survey on Graph Cut Techniques,2015(1):35-39.

[12] 章毓晉.圖像分割中基于過(guò)渡區(qū)技術(shù)的統(tǒng)計(jì)調(diào)查[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2015(3):379-387.

ZHANG Yujin. A Survey on Transition Region-Based Techniques for Image Segmentation[J]. Journal of Computer-Aided Design & Computer Graphics,2015(3):379-387.

[13] 陳強(qiáng),朱立新,夏德深.結(jié)合Canny算子的圖像二值化[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2005,17(6):1302-1306.

CHEN Qiang, ZHU Lixin, XIA Deshen. Image Binarization Based on Canny’s Operator[J]. Journal of Computer-Aided Design & Computer Graphics,2005,17(6):1302-1306.

[14] 左奇,史忠科.一種抗干擾的圖像分割新方法[J].計(jì)算機(jī)工程與應(yīng)用,2002,(21):52-53.

ZUO Qi, SHI Zhongke. A New Method for Denoising Image Segmentation[J]. Computer Engineering and Applications,2002,(21):52-53.

[15] 劉欣欣,李雪,王瓊.基于灰度直方圖的多閾值分割法[J].計(jì)算機(jī)應(yīng)用與軟件,2013,30(12):28-30.

LIU Xinxin, LI Xue, WANG Qiong. A Multi-threshold Segmentation Method Based on Gray-scale Histogram[J]. Computer Applications and Software,2013,30(12):28-30.

[16] 李牧,閆繼紅,李戈,等.自適應(yīng)Canny算子邊緣檢測(cè)技術(shù)[J].哈爾濱工程大學(xué)學(xué)報(bào),2007,28(9):1002-1007.

LI Mu, YAN Jihong, LI Ge, et al. Self-adaptive Canny operator edge detection technique[J]. Journal of Harbin Engineering University,2007,28(9):1002-1007.

[17] 林清華,杜民.新型快速中值濾波算法及在醫(yī)學(xué)圖像中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2012,29(9):3584-3587.

LIN Qinghua, DU Min. Novel fast median filtering algorithm and its application in medical image[J]. Application Research of Computers,2012,29(9):3584-3587.

收稿日期:2016年1月7日,修回日期:2016年2月19日

基金項(xiàng)目:國(guó)家自然科學(xué)基金項(xiàng)目(編號(hào):61272364)；廣東省自然科學(xué)基金-博士啟動(dòng)項(xiàng)目(編號(hào):2014A030310415)；廣東省教育廳科研項(xiàng)目(編號(hào):2013LYM_0102)資助。

作者簡(jiǎn)介:賀輝,女,博士,副教授,研究方向：空間信息智能分析與處理。劉琨,女,碩士,副教授,研究方向：物聯(lián)網(wǎng)技術(shù)。肖紅玉,女,碩士,副教授,研究方向：軟件工程、分布式水文。

中圖分類號(hào)TP391.41

DOI:10.3969/j.issn.1672-9722.2016.07.030

Bills Auto-cropping Based on Adaptive Image Binary Representation

HE HuiLIU KunXIAO Hongyu

(College of Information Technology, Beijing Normal University Zhuhai Branch, Zhuhai519085)

AbstractImaging process for bank bills is vulnerable to the adverse effects for complex background interference or lack of illumination or uneven illumination, which makes the task of accurate auto-cropping for bank bills be very challenging in real-time. After automatic correcting of the deflection angle of the bills, a fast auto-cropping strategy based on adaptive image binarization is presented. The policy is applied to the integration testing with the auto-processing device for bank bills, results show that the policy has a good ability for the suppression to background interference and can obatin accurate cropping results in the environment with natural illumination, expecially when the background color is near to the base color of the bill. The overall correct rate is 95%, indicates that the self-adaptability and robustness of the methodology proposed is superior to that of the method based on edge detection. In addition, the median filtering algorithm was improved, which greatly reduced the time complexity, so as to meet the need of the real-time online processing for bank bills.

Key Wordsbank bill, auto-cropping, image binarization, gray histogram