💻 computer science

Adaptive Radial Projection on Fourier Magnitude Spectrum for Document Image Skew Estimation

यह शोध पत्र 2D डिस्क्रीट फूरियर मैग्नीट्यूड स्पेक्ट्रम पर एडेप्टिव रेडियल प्रोजेक्शन का उपयोग करके दस्तावेज़ छवियों के लिए एक सुदृढ़ स्क्यू अनुमान पद्धति प्रस्तावित करता है, मूल्यांकन के लिए DISE-2021 डेटासेट प्रस्तुत करता है, और यह प्रदर्शित करता है कि यह दृष्टिकोण मौजूदा विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Luan Pham, Phu Hao Hoang, Xuan Toan Mai, Tuan Anh Tran

प्रकाशित 2026-03-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luan Pham, Phu Hao Hoang, Xuan Toan Mai, Tuan Anh Tran

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास स्कैन किए गए दस्तावेज़ों का एक ढेर है। कुछ बिल्कुल सीधे हैं, लेकिन कुछ थोड़े झुके हुए हैं, जैसे दीवार पर टंगी कोई टेढ़ी तस्वीर। इससे पहले कि कंप्यूटर टेक्स्ट को पढ़ सके (OCR) या लेआउट को समझ सके, उसे सब कुछ बिल्कुल सीधा करना पड़ता है। यदि कंप्यूटर एक झुके हुए पन्ने को पढ़ने की कोशिश करता है, तो वह भ्रमित हो जाता है, ठीक वैसे ही जैसे आप किसी ऐसी किताब को पढ़ने की कोशिश करते हैं जो उलटी पकड़ी गई हो।

यह शोध पत्र यह पता लगाने का एक नया, अत्यंत स्मार्ट तरीका पेश करता है कि दस्तावेज़ कितना झुका हुआ है और फिर उसे स्वचालित रूप से ठीक करता है। यहाँ उनके समाधान का विवरण दिया गया, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है।

1. समस्या: "टेढ़ी तस्वीर"

दस्तावेजों के झुकाव को ठीक करने के पुराने तरीके टेढ़ी तस्वीर को तिरछी नज़रों से देखने की तरह हैं। वे छोटे झुकाव के लिए ठीक काम करते हैं, लेकिन अगर तस्वीर बहुत बिखरी हुई हो या अजीब कोण पर झुकी हो, तो अक्सर विफल हो जाते हैं। लेखक एक ऐसा तरीका चाहते थे जो लेजर लेवल (laser level) की तरह काम करे: सटीक, विश्वसनीय, और अत्यधिक झुकाव को भी संभालने में सक्षम।

2. गुप्त मंत्र: "फूरियर मैजिक मिरर" (Fourier Magic Mirror)

उनके तरीके का मुख्य आधार फूरियर ट्रांसफॉर्म (Fourier Transform) है।

उदाहरण: कल्पना कीजिए कि आपके पास मिश्रित सूप का एक कटोरा है (आपका दस्तावेज़ चित्र)। केवल सूप को देखकर उसके अलग-अलग अवयवों (टेक्स्ट लाइनों) को देखना कठिन है। लेकिन यदि आप जादु से सूप को उसके शुद्ध स्वादों (फ्रीक्वेंसी) में अलग कर सकें, तो आप देखेंगे कि एक विशिष्ट दिशा में "नूडल का स्वाद" बहुत गहरा है।
शोध पत्र में: जब वे दस्तावेज़ को इस "फ्रीक्वेंसी सूप" में बदलते हैं, तो टेक्स्ट की लाइनें डेटा में एक चमकती हुई रेखा बनाती हैं। उस चमकती रेखा का कोण कंप्यूटर को ठीक-ठीक बताता है कि दस्तावेज़ कितना झुका हुआ है।

3. नवाचार: "एडेप्टिव रेडियल प्रोजेक्शन" (स्मार्ट टॉर्चलाइट)

लेखकों ने महसूस किया कि केवल "सूप" को देखना ही काफी नहीं है क्योंकि इसमें बहुत सारा बैकग्राउंड शोर (जैसे कि DC कंपोनेंट, जो पूरे पन्ने की औसत चमक है) होता है।

पुराना तरीका: कमरे के केंद्र से बाहर की ओर टॉर्च जलाना। यह केंद्र से बहुत अधिक शोर पकड़ लेता है।
उनका नया तरीका (Adaptive Radial Projection): वे दो टॉर्च जलाते हैं।
1. टॉर्च A: केंद्र से चमकती है (मानक तरीका)।
2. टॉर्च B: केंद्र से थोड़ा बाहर से चमकती है, जो शोर वाले केंद्र और लो-फ्रीक्वेंसी शोर को अनदेखा करती है।
निर्णय: वे दोनों टॉर्च के परिणामों की तुलना करते हैं।
- यदि दोनों टॉर्च एक ही कोण पर सहमत होती हैं, तो वे उस पर भरोसा करते हैं।
- यदि वे असहमत हैं (यानी केंद्र बहुत शोर भरा था), तो वे दूसरी टॉर्च पर भरोसा करते हैं जिसने शोर को अनदेखा कर दिया।
- यह दो विशेषज्ञों से दिशा पूछने जैसा है: यदि वे सहमत हैं, तो आप आगे बढ़ें; यदि एक ट्रैफिक के कारण भ्रमित है, तो आप उस व्यक्ति की सुनें जिसने हाईवे लिया है।

4. नया नक्शा: "DISE-2021" डेटासेट

अपने तरीके को सिद्ध करने के लिए, उन्हें एक बेहतर परीक्षण की आवश्यकता थी। पिछले परीक्षण केवल चिकनी, खाली सड़कों पर गाड़ी चलाने की तरह थे।

नया डेटासेट: उन्होंने दस्तावेज़ों का एक विशाल नया संग्रह (DISE-2021) बनाया जिसमें शामिल हैं:
- विभिन्न भाषाएँ।
- कागजों के विभिन्न प्रकार (फॉर्म, पत्र, पोस्टर)।
- अत्यधिक झुकाव: उन्होंने 45 डिग्री तक के कोणों का परीक्षण किया (जो लगभग आधे घेरे के बराबर है!), जबकि पुराने परीक्षण केवल 15 डिग्री तक ही जाते थे।
"वेरिफिकेशन मास्क" (Verification Mask): उन्होंने यह जांचने के लिए एक विशेष उपकरण भी जोड़ा कि दस्तावेज़ शुरू से ही सीधे थे या नहीं। यह एक रूलर की तरह है जो टेक्स्ट के किनारों को हाइलाइट करता है ताकि इंसान यह दोबारा जांच सकें कि "सीधी" रेखाएं वास्तव में सीधी हैं या नहीं।

5. परिणाम: "गोल्ड मेडल" प्रदर्शन

जब उन्होंने अपने तरीके का मौजूदा सर्वोत्तम उपकरणों के साथ परीक्षण किया:

सटीकता (Accuracy): उनका तरीका सबसे सटीक था, जो सबसे कठिन और अत्यधिक झुके हुए चित्रों पर भी बहुत कम गलतियाँ करता है।
विश्वसनीयता (Reliability): जहाँ अन्य तरीके कभी-कभी बहुत गलत हो जाते थे (यह सोचकर कि 5 डिग्री का झुकाव 90 डिग्री का मोड़ है), वहीं उनका तरीका शांत और सटीक बना रहा।
गति (Speed): यह वास्तविक दुनिया के अनुप्रयोगों में उपयोग के लिए पर्याप्त तेज़ है, जो एक सेकंड या उससे कम समय में छवियों को प्रोसेस करता है।

सारांश

इस शोध पत्र को दस्तावेज़ों के लिए एक सेल्फ-लेवलिंग कैमरा माउंट के आविष्कार के रूप में देखें। झुकाव का अनुमान लगाने के बजाय, यह टेक्स्ट की छिपी हुई रेखाओं को देखने के लिए एक गणितीय "जादुई दर्पण" का उपयोग करता है, शोर को अनदेखा करने के लिए एक "स्मार्ट टॉर्चलाइट" का उपयोग करता है, और यह सुनिश्चित करने के लिए अपने काम की दोबारा जाँच करता है कि दस्तावेज़ पूरी तरह से सीधा है। उन्होंने यह साबित करने के लिए कि उनका आविष्कार सबसे अच्छा है, एक विशाल और कठिन बाधा दौड़ (नया डेटासेट) भी बनाई है।

यहाँ शोध पत्र "Adaptive Radial Projection on Fourier Magnitude Spectrum for Document Image Skew Estimation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

दस्तावेज़ छवि स्क्यू अनुमान (Document image skew estimation) दस्तावेज़ प्रसंस्करण प्रणालियों (जैसे OCR, लेआउट विश्लेषण, सूचना निष्कर्षण) में एक महत्वपूर्ण प्रीप्रोसेसिंग चरण है। मामूली स्क्यू कोण भी डाउनस्ट्रीम कार्यों के प्रदर्शन को गंभीर रूप से खराब कर सकते हैं।

चुनौतियाँ: मौजूदा विधियाँ अक्सर बड़े स्क्यू कोणों (पारंपरिक $\pm 15^\circ$ सीमा से परे) के साथ संघर्ष करती हैं, विशिष्ट दस्तावेज़ धारणाओं पर निर्भर करती हैं, या शोर (noise) और विविध दस्तावेज़ प्रकारों के प्रति मजबूती की कमी रखती हैं।
डेटा सीमाएँ: व्यापक स्क्यू कोणों (लगभग $\approx 45^\circ$ तक) को कवर करने वाले मानकीकृत डेटासेट की कमी है, जिसमें कठोर ग्राउंड-ट्रुथ सत्यापन (ground-truth verification) शामिल हो। पिछले डेटासेट (जैसे DISEC 2013) में एनोटेशन विसंगतियाँ और अस्पष्ट "सीधेपन" (straightness) का सत्यापन था।

2. कार्यप्रणाली (Methodology)

लेखक 2D डिस्क्रीट फूरियर ट्रांसफॉर्म (2D-DFT) पर आधारित एक नवीन एडेप्टिव रेडियल प्रोजेक्शन (Adaptive Radial Projection) विधि प्रस्तावित करते हैं। यह पाइपलाइन तीन मुख्य चरणों से मिलकर बनी है:

A. प्रीप्रोसेसिंग (Preprocessing)

इनपुट रंगीन छवि को टेक्स्ट और संरचनात्मक तत्वों को अलग करने के लिए एक बाइनरी इमेज ( $B \in \{0, 1\}^{H \times W}$ ) में परिवर्तित किया जाता है।

B. 2D डिस्क्रीट फूरियर ट्रांसफॉर्म (2D-DFT)

बाइनरी इमेज को 2D-DFT के माध्यम से प्रोसेस किया जाता है ताकि एक मैग्नीट्यूड स्पेक्ट्रम ( $M$ ) उत्पन्न किया जा सके। इस स्पेक्ट्रम में, दस्तावेज़ का प्रमुख स्क्यू कोण एक प्रमुख रेखा या पीक (peak) के रूप में प्रकट होता है।

C. एडेप्टिव रेडियल प्रोजेक्शन (मुख्य नवाचार)

एक एकल प्रोजेक्शन के बजाय, यह विधि सटीकता और मजबूती के बीच संतुलन बनाने के लिए दो अलग-अलग रेडियल प्रोजेक्शन करती है और उनके परिणामों को एकत्रित करती है:

प्रारंभिक प्रोजेक्शन ( $A$ ): मैग्नीट्यूड स्पेक्ट्रम के केंद्र (DC घटक सहित) से शुरू होने वाला एक मानक रेडियल इंटीग्रेशन, जो पूर्ववर्ती कार्यों के समान है।
करेक्शन प्रोजेक्शन ( $B$ ): एक संशोधित रेडियल इंटीग्रेशन जहाँ शुरुआती बिंदु को केंद्र से दूरी $W$ द्वारा हटाया गया है। यह प्रभावी रूप से DC घटक और लो-फ्रीक्वेंसी शोर को हटा देता है, जो प्रमुख स्क्यू लाइन को धुंधला कर सकता है।
एकत्रीकरण नियम (Aggregation Rule):
- मान लें कि $\theta_a$ प्रारंभिक प्रोजेक्शन को अधिकतम करने वाला कोण है।
- मान लें कि $\theta_b$ करेक्शन प्रोजेक्शन को अधिकतम करने वाला कोण है।
- अंतिम आउटपुट $\theta_F$ $θ_{F}$ इस प्रकार निर्धारित होता है:
  - यदि $|\theta_a - \theta_b| > D$ (एक थ्रेशोल्ड दूरी), तो $\theta_a$ चुनें (प्रारंभिक प्रोजेक्शन पर भरोसा करते हुए)।
  - अन्यथा, $\theta_b$ चुनें (अधिक मजबूत करेक्शन प्रोजेक्शन पर भरोसा करते हुए)।
- तर्क (Rationale): यह हाइब्रिड दृष्टिकोण पूर्ण स्पेक्ट्रम की स्थिरता का लाभ उठाता है और जब दोनों अनुमान सहमत होते हैं, तो हाई-फ्रीक्वेंसी स्पेक्ट्रम की शोर-निवारण क्षमता का उपयोग करता है।

3. मुख्य योगदान (Key Contributions)

A. नवीन एल्गोरिदम

एडेप्टिव रेडियल प्रोजेक्शन तंत्र का परिचय। पूर्ण-स्पेक्ट्रम प्रोजेक्शन और DC-रिमूव्ड प्रोजेक्शन के बीच उनकी सहमति के आधार पर गतिशील रूप से चयन करके, यह विधि $-44.9^\circ$ से $+44.9^\circ$ के विस्तृत कोण रेंज में उच्च परिशुद्धता प्राप्त करती है।

B. नया डेटासेट: DISE-2021

लेखकों ने एक उच्च-गुणवत्ता वाला बेंचमार्क डेटासेट बनाया है जिसका नाम DISE-2021 है, जिसमें DISEC 2013, RDCL 2017 और RVL-CDIP से छवियां एकत्रित की गई हैं।

विशेषताएं: इसमें $\pm 15^\circ$ रेंज के लिए 3,399 डेवलपमेंट और 1,491 टेस्ट इमेज हैं, और $\pm 44.9^\circ$ रेंज के लिए विस्तारित संस्करण भी हैं।
सत्यापन: एक वेरिफिकेशन मास्क (Verification Mask) प्रोटोकॉल पेश किया गया जहाँ मानव एनोटेटर्स टेक्स्ट लाइनों और टेबल्स पर बॉक्स खींचते हैं ताकि यह सुनिश्चित हो सके कि "स्ट्रेट" ग्राउंड ट्रुथ दृश्य रूप से सत्यापन योग्य है, जिससे पिछले एनोटेशन संबंधी अस्पष्टताओं का समाधान होता है।

C. व्यापक विश्लेषण

यह शोध पत्र फूरियर-आधारित विधियों को प्रभावित करने वाले कारकों का गहरा विश्लेषण प्रदान करता है, जिसमें शामिल हैं:

इमेज डिवीजन (Image Division): सिद्ध किया गया कि छवियों को ब्लॉक्स में विभाजित करने से आउटलियर ब्लॉक्स और स्पेक्ट्रल रेजोल्यूशन की हानि के कारण प्रदर्शन कम हो जाता है।
मैग्नीट्यूड बनाम पावर स्पेक्ट्रम: प्रदर्शित किया गया कि इस कार्य के लिए मैग्नीट्यूड स्पेक्ट्रम (Magnitude Spectrum), पावर स्पेक्ट्रम की तुलना में काफी बेहतर प्रदर्शन करता है।
फ्रीक्वेंसी फिल्टरिंग: सही अनुमान दर (Correct Estimation rate) में सुधार करने के लिए लो-फ्रीक्वेंसी को हटाने और प्रमुख सिग्नल को हटाने के जोखिम (जिससे औसत त्रुटि विचलन बढ़ता है) के बीच के ट्रेड-ऑफ का विश्लेषण किया गया।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रस्तावित विधि का मूल्यांकन तीन मेट्रिक्स का उपयोग करके अत्याधुनिक विधियों (जैसे CMC-MSU, LRDE-EPITA-a, FredsDeskew) के विरुद्ध किया गया: AED (औसत त्रुटि विचलन), TOP80 (सर्वश्रेष्ठ 80% मामलों की त्रुटि), और CE ( $0.1^\circ$ के भीतर सही अनुमान दर)।

DISE-2021 ( $15^\circ$ ) पर प्रदर्शन:
- AED of 0.07, TOP80 of 0.04, और CE of 0.86 प्राप्त किया।
- सभी तुलनात्मक विधियों को पीछे छोड़ दिया, जिसमें LRDE-EPITA-a (AED 0.14) और CMC-MSU (AED 0.27) शामिल हैं।
DISE-2021 ( $44.9^\circ$ ) पर प्रदर्शन:
- AED of 0.06, TOP80 of 0.02, और CE of 0.88 प्राप्त किया।
- उल्लेखनीय रूप से, कई मौजूदा विधियाँ इस बड़े कोण रेंज का समर्थन नहीं करती हैं; प्रस्तावित विधि इसे मजबूती से संभालती है।
मजबूती (Robustness): विधि लगभग $1^\circ$ का वर्स्ट एरर (WE) बनाए रखती है, जबकि अन्य विधियों में विफलता के मामलों में त्रुटियां अक्सर $10^\circ$ या $100^\circ$ से भी अधिक हो जाती हैं।
दक्षता (Efficiency): सिंगल-थ्रेडेड कार्यान्वयन $\approx 1$ सेकंड प्रति इमेज में चलता है। मल्टी-थ्रेडेड प्रोसेसिंग $\approx 37$ छवियां/सेकंड तक पहुँच जाती है, जो तुलनीय उच्च-सटीकता समाधानों (जैसे LRDE-EPITA-a $\approx 7$ सेकंड लेता है) की तुलना में काफी तेज है।

5. महत्व (Significance)

मजबूती: यह विधि भाषा-स्वतंत्र (language-agnostic) और संरचना-स्वतंत्र (structure-agnostic) है, जो भारी धारणाओं के बिना विविध दस्तावेज़ प्रकारों पर प्रभावी ढंग से काम करती है।
विस्तृत रेंज: यह पारंपरिक $\pm 15^\circ$ की सीमा को सफलतापूर्वक $\pm 45^\circ$ के करीब तक बढ़ाता है, जो चरम स्कैनिंग त्रुटियों को कवर करता है।
बेंचमार्किंग: सख्त वेरिफिकेशन मास्क के साथ DISE-2021 का प्रकाशन स्क्यू एस्टिमेटर्स के मूल्यांकन के लिए एक नया मानक स्थापित करता है, जिससे यह सुनिश्चित होता है कि "स्ट्रेट" ग्राउंड ट्रुथ विश्वसनीय है।
व्यावहारिकता: उच्च सटीकता और कम विलंबता (latency) का संयोजन इसे वास्तविक समय के दस्तावेज़ प्रसंस्करण पाइपलाइनों में एकीकरण के लिए उपयुक्त बनाता है।

स्रोत कोड सार्वजनिक रूप से उपलब्ध है, जो दस्तावेज़ विश्लेषण समुदाय में आगे के अनुसंधान और अपनाने की सुविधा प्रदान करता है।