تحسين المستندات الممسوحة ضوئيًا باستخدام المعالجة المعيارية متعددة المراحل

القسم: Research Article
إصدار
مجلد 35 عدد 4 (2026): Volume 35, Issue 4
سجل المقالة
استُلمت: 2026-02-02
عُدّلت: 2026-03-18
قُبلت: 2026-04-12
نُشرت: 2026-10-01
الصفحات
40-52

الملخص

غالبًا ما تكون صور المستندات الممسوحة ضوئيًا عرضةً لتشوهات معقدة، بما في ذلك الإضاءة غير المتساوية والظلال والضباب، مما يقلل بشكل كبير من وضوح النص وأداء أنظمة التعرف الضوئي على الحروف (OCR). تقدم هذه الورقة نموذجًا معياريًا متعدد الخطوات يهدف إلى تحسين جودة المستندات من خلال معالجة كل تشوه من هذه التشوهات على حدة. يتألف تصميم النظام من وحدتين محددتين: وحدة إزالة الظلال ووحدة تقليل الضباب/التشويش. تستخدم خوارزمية إزالة الظلال تقدير الخلفية باستخدام الترشيح الوسيط وتطبيع الإضاءة، ثم خطوة تحسين باستخدام نموذج DRUNet المدرب مسبقًا لتجنب الضوضاء المتبقية، على حساب دقة تفاصيل النص. بالإضافة إلى ذلك، يستخدم نظام تقليل الضباب تقنية تحسين ناعمة تعتمد على معادلة التباين التكيفية المحدودة (CLAHE) مع التنعيم الغاوسي لتحقيق تحسين موضعي للتباين دون أي تشوهات بصرية. تشير النتائج التجريبية إلى أن النهج المعياري المقترح يُنتج خلفية أكثر وضوحًا وحوافًا أكثر دقة في النص مقارنةً بالطريقة التقليدية أحادية المرحلة. تُعدّ قياسات MSE وPSNR وSSIM وGMSD تحليلات كمية لفعالية هذا الإطار، وتُظهر النتائج تحسنًا مماثلًا في جميع أنواع المستندات.

الكلمات المفتاحية:

Keywords: Scanned document enhancement, shadow removal, haze reduction, blur restoration.

المراجع

  1. [1] B. Wang, Z. Wang, W. Liu, X. Huang, C. L. P. Chen, and Y. Zhao, “DDSR-net: Direct document shadow removal leveraging multi-scale attention,” Mach. Intell. Res., vol. 22, no. 3, pp. 452–465, 2025, doi: https://doi.org/10.1007/s11633-024-1522-4.
  2. [2] W. Liu, B. Wang, J. Zheng, and W. Wang, “Shadow removal of text document images using background estimation and adaptive text enhancement,” in ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2023, pp. 1–5. doi: DOI: 10.1109/ICASSP49357.2023.10096115.
  3. [3] M. Guijarro, J. Bayon, D. Mart’in-Carabias, and J. Recas, “A Multi-Stage Method for Logo Detection in Scanned Official Documents Based on Image Processing,” Algorithms, vol. 17, no. 4, p. 170, 2024, doi: https://doi.org/10.3390/a17040170.
  4. [4] P. Dubey and D. R. Shashikumar, “A Multi-Stage Deep Learning Model for the Enhancement of the Quality of Camera-Captured Document Images,” Eng. Technol. & Appl. Sci. Res., vol. 15, no. 6, pp. 29964–29970, 2025, doi: https://doi.org/10.48084/etasr.14469.
  5. [5] D. Gao, W. Liu, S. Chen, J. Qiu, X. Mei, and B. Wang, “Document Image Shadow Removal Based on Illumination Correction Method,” Algorithms, vol. 18, no. 8, p. 468, 2025, doi: https://doi.org/10.3390/a18080468.
  6. [6] Y. Jin, Y. Wang, Q. Zhong, K. C. Jin-Chun, K. Z. Ke, and D. MacDonald, “Multi-Stage Field Extraction of Financial Documents with OCR and Compact Vision-Language Models,” arXiv Prepr. arXiv2510.23066, 2025, doi: https://doi.org/10.48550/arXiv.2510.23066.
  7. [7] Z. Anvari and V. Athitsos, “A survey on deep learning based document image enhancement,” arXiv Prepr. arXiv2112.02719, 2021, doi: https://doi.org/10.48550/arXiv.2112.02719.
  8. [8] M. Karayaka, U. Muhammad, J. Laaksonen, M. Z. Hoque, and T. Seppänen, “A Dual-Domain Convolutional Network for Hyperspectral Single-Image Super-Resolution,” arXiv Prepr. arXiv2512.09546, 2025, doi: https://doi.org/10.48550/arXiv.2512.09546.
  9. [9] B. Wang, C. Li, W. Zou, Y. Zhang, X. Chen, and C. L. P. Chen, “A comprehensive survey on shadow removal from document images: datasets, methods, and opportunities,” Vicinagearth, vol. 2, no. 1, p. 1, 2025, doi: https://doi.org/10.1007/s44336-024-00010-9.
  10. [10] Y. Cui, Y. Tao, L. Jing, and A. Knoll, “Strip attention for image restoration,” in International Joint Conference on Artificial Intelligence, IJCAI, 2023. doi: https://doi.org/10.24963/ijcai.2023/72.
  11. [11] C. Wang et al., “Promptrestorer: A prompting image restoration method with degradation perception,” Adv. Neural Inf. Process. Syst., vol. 36, pp. 8898–8912, 2023, doi: https://dl.acm.org/doi/abs/10.5555/3666122.3666512.
  12. [12] Z. Chen, Z. He, and Z.-M. Lu, “DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention,” IEEE Trans. image Process., vol. 33, pp. 1002–1015, 2024, doi: DOI: 10.1109/TIP.2024.3354108.
  13. [13] X. Chen et al., “Unpaired deep image dehazing using contrastive disentanglement learning,” in European conference on computer vision, 2022, pp. 632–648. doi: DOI https://doi.org/10.1007/978-3-031-19790-1_38.
  14. [14] G. L. N. Vanguri, S. K. Swain, and M. V. Krishna, “An Investigative Study on Deep Learning-Based Image Dehazing Techniques,” in International Conference on Computational Innovations and Emerging Trends (ICCIET-2024), 2024, pp. 87–97. doi: DOI 10.2991/978-94-6463-471-6_9.
  15. [15] Y. Zhou, S. Zuo, Z. Yang, J. He, J. Shi, and R. Zhang, “A review of document image enhancement based on document degradation problem,” Appl. Sci., vol. 13, no. 13, p. 7855, 2023, doi: https://doi.org/10.3390/app13137855.
  16. [16] Z. Zhou et al., “Docdeshadower: Frequency-aware transformer for document shadow removal,” in 2024 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2024, pp. 2468–2473. doi: DOI: 10.1109/SMC54092.2024.10831480.
  17. [17] B. Wang and C. L. P. Chen, “Local water-filling algorithm for shadow detection and removal of document images,” Sensors, vol. 20, no. 23, p. 6929, 2020, doi: https://doi.org/10.3390/s20236929.
  18. [18] X. Chen, X. Cun, C.-M. Pun, and S. Wang, “Shadocnet: Learning spatial-aware tokens in transformer for document shadow removal,” in ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2023, pp. 1–5. doi: DOI: 10.1109/ICASSP49357.2023.10095403.
  19. [19] A. Fathallah, M. El Yacoubi, and N. Ben Amara, “EHDI: enhancement of historical document images via generative adversarial network,” in 18th International Conference on Computer Vision Theory and Applications (VISAPP), 2023, pp. 238–245. doi: DOI : 10.5220/0011662700003417.
  20. [20] H. Neji, T. M. Hamdani, M. B. Halima, J. Nogueras-Iso, and A. M. Alimi, “Blur2sharp: A gan-based model for document image deblurring,” 2021. doi: DOI: 10.2991/IJCIS.D.210407.001.
  21. [21] Z. Yang et al., “Docdiff: Document enhancement via residual diffusion models,” in Proceedings of the 31st ACM international conference on multimedia, 2023, pp. 2795–2806. doi: https://doi.org/10.1145/3581783.3611730.
  22. [22] A. A. Abdulmajeed and N. N. Saleem, “Pre-processing and enhancement techniques for COVID-19 X-ray and CT-scan medical images,” in AIP Conference Proceedings, 2022, p. 50011. doi: https://doi.org/10.1063/5.0121956.
  23. [23] N. T. Saeed and H. M. Ahmed, “Building a Real-Time System to Monitor Students Electronically Based on Digital Images of Face Movement,” ICOASE 2022 - 4th Int. Conf. Adv. Sci. Eng., pp. 83–88, 2022, doi: 10.1109/ICOASE56293.2022.10075587.
  24. [24] H. S. Abdulla, A. S. Shaheen, and N. M. Isaac, “Effectiveness of Image Curvelet Transform Coefficients for Image Denoising”, doi: https://doi.org/10.33899/csmj.2024.146534.1105.
  25. [25] J. Xu et al., “General information metrics for improving AI model training efficiency,” Artif. Intell. Rev., vol. 58, no. 9, p. 289, 2025, doi: https://doi.org/10.1007/s10462-025-11281-z.
  26. [26] M. D. Badiuzzaman, “Unpacking the metrics: a critical analysis of the 2025 QS World University Rankings using Australian university data,” in Frontiers in Education, 2025, p. 1619897. doi: https://doi.org/10.3389/feduc.2025.1619897.
  27. [27] K. Zhang, Y. Li, W. Zuo, L. Zhang, L. Van Gool, and R. Timofte, “Plug-and-play image restoration with deep denoiser prior,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 44, no. 10, pp. 6360–6376, 2021, doi: DOI: 10.1109/TPAMI.2021.3088914.
  28. [28] R. Vimal, A. Kumar, and A. Tiwari, “A novel compression method for Vectorcardiogram signal using hybrid autoencoder model,” Biomed. Signal Process. Control, vol. 113, p. 108796, 2026, doi: https://doi.org/10.1016/j.bspc.2025.108796.
  29. [29] A. Dziembowski, W. Nowak, and J. Stankowski, “IV-SSIM-The structural similarity metric for immersive video,” Appl. Sci., vol. 14, no. 16, p. 7090, 2024, doi: https://doi.org/10.3390/app14167090.
  30. [30] A. Di Marino, V. Bevilacqua, E. Di Nardo, A. Ciaramella, I. De Falco, and G. Sannino, “A new Image Similarity Metric for a Perceptual and Transparent Geometric and Chromatic Assessment,” arXiv Prepr. arXiv2601.19680, 2026, doi: https://doi.org/10.48550/arXiv.2601.19680.

المؤلفون

زهراء علي الدوسكي

Software Department, College of Computer Science and Mathematics, University of Mosul, Mosul, Iraq

حسن ماهر احمد

Software Department, College of Computer Science and Mathematics, University of Mosul, Mosul, Iraq

المعرفات

معرف الكائن الرقمي DOI: 10.33899/jes.v35i4.61283

تنزيل هذا الملف
PDF (الإنجليزية)

الإحصائيات

طريقة الاقتباس

[1]
"تحسين المستندات الممسوحة ضوئيًا باستخدام المعالجة المعيارية متعددة المراحل", JES, م 35, عدد 4, ص 40–52, أكتوبر 2026, doi: 10.33899/jes.v35i4.61283.
حقوق الطبع والنشر والتراخيص
Creative Commons Licenseهذا العمل مرخص بموجب رخصة المشاع الإبداعي نسب المصنف 4.0 رخصة دولية.

طريقة الاقتباس