擷取黑板範圍

在此階段，本研究定義的黑板範圍，即畫面無老師或學生而只有黑板與黑板 上面的粉筆字。首先將取樣出來的畫面，利用 K-means Segmentation[20]方法找 出最大的區塊定義黑板的區域範圍。黑板在教學影片的畫面中佔大部份的範圍，

所以黑板的顏色在分類結果中通常是最大的範圍，由於光源的變化、反光以及黑 板上的粉筆灰影響，使黑板板面像素有色彩和灰階值不均勻的現象，單純用 RGB color space 分類無法明確地判斷出黑板範圍，因此本研究使用𝐿^∗𝑎^∗𝑏^∗ color space[21]。𝐿^∗𝑎^∗𝑏^∗ color space 是感知均勻性的色彩空間，接近人類視覺，它也可

將亮度與顏色分開處理，而黑板的像素值亮度變化大，所以本研究去除掉亮度組 成（𝐿^∗）的影響將顏色組成（𝑎^∗和𝑏^∗）做為判斷的依據。由於在拍攝期間畫面是

15

以黑板為主，而老師在講課期間也會出現在畫面中，為了能將兩者區別，所以上 述的切割方法在實驗中本研究取 K=2（K 為 K-means Segmentation 分群的數量），

切割的結果如圖 9（b）。

Connected Component Labeling 最大區域範圍作為主黑板的區域，藉由統一黑板 範圍之邊界，以降低處理的複雜度如圖 9（c）。

黑板上面的粉筆字因為與黑板的主要顏色差異大，所以在 K-means 的結果 中 粉 筆 字 有 時 會 被 分 類 到 非 黑 板 的 區 域 ， 因 此 本 研 究 將 利 用 C o n n e c t e d Component Labeling 判斷非黑板的區域是否有字跡存在。由 K-means 所分割出來

的非黑板區域之像素值為 255 如圖 9（d）。比較每個 component 𝐶_𝑘的大小, 𝑘 ∈ {1, … , 𝑚}, 𝑚為畫面中 component 數量，若𝐶_𝑘面積小於threshold α，本研究將判斷

該區域是被誤判為非黑板區域的文字，圖 9（e）之紅色字跡為沒有被分類為黑 板區域的黑板文字。圖 9（f）為將誤判區域補回之結果。由圖 10（a）有些有顏 色的粉筆字在 K-means Segmentation 時被分為黑板以外之區域，但經過本研究處 理不同顏色之粉筆字也能在顯現在最終黑板上如圖 10（b）。

16

（a） （b）

（c） （d）

（e） （f）

圖 9 為擷取黑板範圍的結果（a）原始畫面（b）K-means Segmentation 分群的 結果，彩色部分為分群結果的最大群（c）框出黑板範圍區域（d）二值化黑板 範圍（e）紅色顏色的部分為在沒有被分類為黑板區域的黑板文字（f）最終的 黑板範圍

（a） （b）

圖 10 不同顏色的粉筆字擷取黑板範圍的結果（此畫面有橘色、黃色、白色、

藍色的粉筆字）（a）K-means Segmentation 分群的結果（b）最終的黑板範圍

17

18

由於物件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 12（c）。

（a）

（b）

（c）

圖 12 填補物件區域（a）原始畫面（b）K-means Segmentation 分群的結果（c）

填補物件區域之結果

圖 13 則為比較傳統方法字跡像素量統計圖與本研究提出方法的差別，可以 明顯的看出來未補上粉筆字的統計圖有較多的峰谷，易導致擦黑板的時機點誤 判。

19

圖 13 粉筆字像素量統計圖（x 軸為畫面編號，y 軸為字跡像素量）