字跡擷取

根據第二章的文獻探討，Liu 等人 [22] 和 Seiji 等人[ 26]利用統計擷取完教 學影片的粉筆字的像素量，達到判斷擦黑板的時機點。然而此方法無法應用在本 研究的實驗影片，因為老師上課的過程中，身體會擋住黑板上的文字，造成該畫 面在計算完粉筆字的像素量之後，幾乎會與擦掉黑板上的粉筆字像素數量接近，

以致於誤判擦黑板的時機點，如圖 3-8 所示。

（a） （b）

圖 3-8 誤判為擦黑板的情況（a）老師的身體擋住黑板的粉筆字（b）老師擦一 部份的黑板

本研究將 3.4 節擷取出黑板範圍的結果分為有老師、學生或講桌（𝑜(𝑥, 𝑦) = 0）與板書（𝑜(𝑥, 𝑦) ≠ 0）。由於不是板書的區域並不影響影像畫面之更新，因此

被老師遮住的文字在之後的畫面中能保留下來如圖 3-9（c）所示。更新粉筆字詳 細方法如公式（2）所示：

𝑅(𝑥, 𝑦) = {𝑃(𝑥, 𝑦), if 𝑜(𝑥, 𝑦) ≠ 0

𝑅^′(𝑥, 𝑦), otherwise （2）

𝑅(𝑥, 𝑦)為更新粉筆字內容之結果，𝑃(𝑥, 𝑦)為畫面原始像素值，𝑅^′(𝑥, 𝑦)為前 一張更新非物件區域內容之結果像素值，𝑜(𝑥, 𝑦) 表示為畫面灰階像素值。

（a）

（b）

（c）

圖 3-9 更新粉筆字（a）原始畫面（b）K-means Segmentation 分群的結果（c）填 補粉筆字之結果

28

（a）

（b）

（c）

圖 3-10 使用單一的 threshold 值進行粉筆字字跡擷取（a）threshold 值為 65（b）

threshold 值為 80（c）threshold 值為 127

藉由圖 3-9（c）的灰階影像進行 Global Threshold 的影像二值化處理，如圖

3-10 所示。圖 3-10（a）的 threshold 值為 65，但是從影像中可以發現有部分粉 筆字的字跡不夠完整且清晰；圖 3-10（b）的 threshold 值為 80，容易因為光 線 的干擾造成黑板上半部無法有效地擷取粉筆字；圖 3-10（c）的 threshold 值為

127，此時的二值化影像已經無法區分粉筆字與黑板。

灰階轉換會因為光線干擾，造成影像畫面的灰階像素值下降，因此若使用

Global Threshold 值無法有效擷取板書，故本研究將黑板和粉筆字跡之間所須要 分離的臨界值，採用積分影像（Integral Image）達到 Adaptive Threshold [10] 的 影像二值化處理。此方法的演算法共分為兩個步驟，如下所述：

(1). 計算灰階影像的積分影像（又可稱作總和面積表，Summed Area Table）： 首先，先將影像進行灰階處理，並比較周圍矩形像素的顏色並建立求和 面積表，表中的元素值就是它左上位置的所有像素的像素值加總，如圖

3-11 與公式（3）所示。此方法可以大幅降低計算量，並且在進行影像 的一個矩形區域的像素值加總時，不用逐次累加每一個像素值，只需知 道該矩形的四個頂點座標就可得到該矩形區域的像素值總和。圖 3-12 則為求積分影像的演算法虛擬碼，其中 in 為原始影像，out 為處理後影 像，w 為影像的水平寬度，h 為影像的垂直高度。

𝐼𝑛𝑡𝑒𝑔𝑟𝑎𝑙(𝑥, 𝑦) = ∑^𝑥_𝑥=0∑^𝑦_𝑦=0𝑖𝑚𝑎𝑔𝑒(𝑥, 𝑦) （3）

30

（a） （b）

圖 3-11 灰階影像轉換積分影像示意圖（a）原始影像的灰階值（b）積分影像

圖 3-12 積分影像虛擬碼

(2). 逐次掃描影像的每一個像素，並以該像素為中心計算 s*s 矩形區域的積 分影像，接著，判斷該像素值與該矩形區域內的像素數目的乘積，是否 小於積分影像乘以一個門檻值（Threshold），若小於等於則該像素值為 0，反之則為 255。圖 3-13 則為計算積分影像並且能夠擷取字跡的演算 法虛擬碼。

圖 3-13 計算積分影像

最後，藉由更新粉筆字與二值化的方法，對於教學畫面上的字跡擷取的結果，

如圖 3-14 所示。

（a） （b）

圖 3-14 字跡擷取的結果（a）原始畫面（b）影像二值化的結果

32