Robust Binarization for Video Text Recognition
作者：Zohra Saidane, Christophe Garcia.
会议：ICDAR2007
对图像进行二值化，以得到所需要的前景目标，是个古老而又重要的课题。但是这么多年来，二值化算法的效果，却往往难如人意。其核心难题，就是阈值实在太难选择了。但是，与传统的全局、局部二值化方法相比，这篇文章把二值化转变成了学习和分类问题（2007年的论文，想法还算比较超前的），根据原图直接生成二值化图像，从而避免了阈值选择这个极其麻烦的问题。与此类似的思想，是google的一篇将目标定位问题转化学习问题的论文（Deep
Neural Networks for Object Detection，作者是Christian Szegedy, Alexander Toshev, Dumitru Erhan）。
下面把这篇文章的关键技术点复述如下（很多细节还是理解不透，需要花点时间讨论一下细节才行）：
1、该方法是一种基于监督式分类器的图像分割技术。通过对当前像素及周边一定邻域内的像素进行综合分析，来判断当前像素是否应该属于前景像素。使用分类器的好处，就是可以充分发挥数据的作用，只要模型选择合适，基本上比启发式方法的效果要好上一大截，而且不用为参数的设置发愁。
2、分类器选择的是一个5层的CNN。CNN在这两年的图像领域，相当火爆。2014年的ImageNet比赛，一半以上的团队都选择了CNN。这篇文章还是比较有远见的。
3、本文主要针对彩色图像（不知道灰度图像上效果如何？）。网络的第一层被分解为3幅图像，分别对应RGB三个通道。
4、第二层是一个普通的卷积层。卷积窗口的尺寸，论文中设置的是5*5.第一层特征数目为30.感觉不是怎么复杂的一个网络。
5、第三层是一个pooling层，对第二层的结果进行averaging pooling，并且进行降采样。这一层的目的是为了消除平移、旋转、尺度和扭曲的干扰。
6、第四层与第三层相反，是一个上采样层，分辨率反而增加了，如图2所示。从图上看，意思好像是一个像素映射到了四个像素（翻遍了论文，也没找到M2具体等于多少），这个暂时有点费解。
7、最后一层也就是最终的结果。依然第四层的每个像素映射到5*5的小区域（当然，第四层多个特征的效果需要叠加）。
8、每一层的激活函数都一样，都是sigmoid函数。
9、第2、3、4层的特征数目都是30.邻域大小都是5*5.
10、图4是部分用于训练的样本图片。这些图片都是人工合成的，然后在上面叠加了噪声（均匀和高斯噪声），且进行了一定程度平滑。文字颜色和背景颜色都是随机选择的（背景是单调的？）。所有的图片尺寸都是48*24像素。总的图片数目是4500（量并不大）.个人觉得，如果能够再模拟下分辨率的变化、编解码的影响，或许更好。
11、训练方法选择的是BP。
12、误差的计算很简单，就是比较网络的输出，与真实的二值图像之间的差异。具体计算如下式所示：
13、输出层的每个像素，如果值大于0，就当做前景像素；小于0，就作为背景像素。
14、下图是各种算法的结果对高斯噪声的敏感程度。OTSU是最敏感的。本文算法是最下面那条。
15、对比度变化对各种算法的影响。本文算法依然是最鲁棒的。OTSU还是最差。
16、各种算法对识别率的影响。
17、最终的结果如图9所示。与传统的方法（第二行）相比，本文方法的结果还是比较能够吸引人的。比如在背景与文字亮度比较接近的区域，传统方法很难区分，但是该方法却表现除了明显的优越性。这或许就是数据和学习的威力。
最近一段时间最火的CAFFE，不知道用着东西来试试这篇文章的思路，会有什么有趣的结果？这样可以得到更为复杂的网络，如果在配合更加海量的训练数据，结果会怎样呢？