Conception d’une nouvelle famille de noyaux séparables à support compact appliqués à l’extraction des données visuelles manuscrites

Conception d’une nouvelle famille de noyaux séparables à support compact appliqués à l’extraction des données visuelles manuscrites

Design of a new family of separable kernels with compact support applied to handwritten visual data extraction

Ezzedine Ben Braiek Mohamed Cheriet  Vincent Doré 

Laboratoire CEREP - E.S.S.T.T - Tunis - Tunisie

Laboratoire d’Imagerie, de Vision et d’Intelligence Artificielle - E.T.S - Montréal - Canada

Corresponding Author Email: 
ezzedine.benbraiek@esstt.rnu.tn
Page: 
25-40
|
Received: 
27 December 2005
|
Accepted: 
N/A
|
Published: 
28 February 2006
| Citation

OPEN ACCESS

Abstract: 

Extraction of pertinent data from noisy gray level document images with various and complex backgrounds such as mail envelopes, bank checks, business forms, etc... remains a challenging problem in character recognition applications. It depends on the quality of the character segmentation process. Over the last few decades, mathematical tools have been developed for this purpose. Several authors show that the Gaussian kernel is unique and offers many beneficial properties. In their recent work Remaki and Cheriet proposed a new kernel family with compact supports (KCS) in scale space that achieved good performance in extracting data information with regard to the Gaussian kernel. In this paper, we focus in further improving the KCS efficiency by proposing a new separable version of kernel family namely (SKCS). This new kernel has also a compact support and preserves the most important properties of the Gaussian kernel in order to perform image segmentation efficiently. A practical comparison is established between results obtained by using the KCS and the SKCS operators. Our comparison is based on the information loss and the gain in time processing.

Résumé

L’extraction des données pertinentes contenues dans des images de documents bruitées, en niveaux de gris, avec des fonds variables et compliqués comme les documents postaux, les chèques bancaires, les documents d’affaires, etc. demeure un problème majeur dans le domaine de la reconnaissance des caractères et de l’écriture. À travers ces dernières décennies, des outils mathématiques ont été développés à ce propos. La plupart des auteurs ont montré que le noyau Gaussien est unique et offre des propriétés très bénéfiques. Dans leurs récents travaux Remaki et Cheriet [1] proposent un nouveau noyau à support compact (KCS) et multi échelle. Ce noyau possède de très grandes performances, il permet l’extraction de l’information avec une très grande précision, tout en réduisant énormément le temps de calcul par rapport au noyau Gaussien. Dans cet article, nous comptons améliorer davantage l’efficacité de ce noyau en proposant une nouvelle version séparable de famille de noyaux à support compact, appelée (SKCS). Des essais sur des images réelles, correspondantes à des écritures manuscrites ont montré les performances et la rapidité des calculs du noyau considéré. Une étude comparative des résultats obtenus par le KSCS et le SKCS a été établie. Cette étude est basée sur la perte de l’information et le gain en temps de calcul.

Keywords: 

Kernel with compact support, Separable kernel, Multiscale representation, Image segmentation, Extraction of handwritten data

Mots clés

Noyau à support compact, Noyau séparable, Représentation multiéchelle, Segmentation d’image, Extraction de données manuscrites

Introduction
1. La Représentation De L’espace Des Échelles
2. Revue Du Noyau Gaussien
3. Rappel Sur La Construction Et La Formulation Du KCS
4. Version Séparable Du KCS
5. Résultats Expérimentaux
6. Conclusion
  References

[1] L. REMAKI and M. CHERIET, «KCS-New Kernel Family with Compact Support in Scale Space: Formulation and Impact », IEEE Trans. on image processing, Vol.9, N°6, June 2000. pp. 970-981.

[2] J. J. KOENDERINK, «The structure of images», Biol.Cybern. vol.53, pp. 363-370, 1984.

[3] A. P. WITKIN, «Scale-space filtering», In Proc. 8th Int. Joint Conf. Artificiel Intelligence, Karlsruhe, Germany, Aug. 1983, pp. 17-45.

[4] D. MARR and E. HILDRETH, «Theory of edge detection », In Proc. Of the Royal Society of London, Series B, vol. 207, pp.187-217, 1980.

[5] M.CHERIET, R. THIBAULT and R. SABOURIN, «A multi-resolution based approach for handwriting Segmentation in gray level images», In IEEE Int. Conf. On IP, Austin, pp. 159- 168, 1994.

[6] M.CHERIET, «Extraction of handwritten data from noisy gray-level images using multi-scale approach», Int. Journal Pattern Recognition Artif. Intell., vol.13, no.5. pp.665- 685, 1999.

[7] J. BABAUD, A. P. WITKIN, M. BAUDIN, R. O. DUDA «Uniqueness of the Gaussian Kernel for Scale-Space Filtering », IEEE Trans. On PAMI, vol.8, no.1, pp. 26-33, January 1986.

[8] T. LINDEBERG, « Scale-Space Theory in Computer Vision », Norwell, MA: Kluwer, 1994, p.423.

[9] A. HUERTAS, G. MEDIONI, «Detection of Intensity Changes with Sub-pixel Accuracy Using Laplacian-Gaussian Masks», IEEE Trans. PAMI, vol.8, no.5, pp. 651-664, 1986.

[10] E. BEN BRAIEK, L. REMAKI and M. CHERIET, «Extraction of Handwritten Data from Noisy Gray Level images using a separable version of the KCS Kernel Family », ICISP’01, Agadir 2001, pp. 125-131.

[11] S. IMPEDOVO, «Frontiers in handwriting recognition », NATO-ASI Series, vol. F124, Springer Verlag, pp. 7-43, 1994.

[12] E. LECOLINET and O. BARET, «Cursive word recognition NATOASI Series», vol. F124, Springer Verlag, pp. 235-264, 1994.

[13] H. BREZIS, Analyse fonctionnelle et applications. Paris, France: Masson, 1986.

[14] M. CHERIET, J.N. SAID, C.Y. SUEN, A Recursive Thresholding Technique for Image Segmentation, IEEE Transactions on Image Processing, vol. 7, No. 6, pp. 918-922.

[15] E. GODLEWSKI and P. A. RAVIART, «Hyperbolic systems of conservation laws», in mathematics and applications. Paris, France: Ellipses-Edition marketing,1991.

[16] H. REINHARD, Éléments de mathématiques de signal, Paris, France: Dunod 1995.

[17] E. BEN BRAIEK and M. CHERIET, «SKCS-New Kernel Family with compact support», IEEE conf. On “ICIP’04”, Singapore October 2004.

[18] P.J. BURT, «Fast filter transform for image processing», Comput. Vis. Graph. Image Processing, vol.16, pp.20-51, 1981.

[19] J. L. CROWLEY, «A Representation for Visual Information», Ph.D. dissertation, Carnegie Mellon Univ. Pittsburgh, PA,1981.

[20] T. LINDEBERG, «Scale-Space for Discrete Signals», IEEE Trans. PAMI, vol.12, no.3, pp. 234-254, 1990.

[21] A. KLINGER, «Pattern and search statistics, in optimizing Methods in Statistics», J.S. Rustagi, Ed. New York: Academic, 1971.

[22] E. LECOLINET and O. BARET, «Cursive Word Recognition », NATO-ASI series, vol. F124, Springer Verlag, pp. 235-264, 1994.

[23] F. BERGHOLM, Edge focusing, IEEE Trans. on PAMI, 9(6), pp. 726-741, Nov. 1987.

[24] L. REMAKI and M. CHERIET, «Building New Kernel Family with Compact Support in Scale Space », Vision Interface’99, Trois Rivières, Canada, 19-21 May 1999, pp. 445-451.