圖像背景下的滿文文字提取

朱滿瓊，李 敏，許 爽，崔艷秋，叢碧輝

(1.北方民族大學(xué)數(shù)學(xué)與信息科學(xué)學(xué)院，寧夏銀川 750021;2.大連民族學(xué)院a.理學(xué)院，b.信息與通信工程學(xué)院c.計(jì)算機(jī)科學(xué)與工程學(xué)院，遼寧大連 116605)

滿族作為曾經(jīng)的統(tǒng)治階級，大量涉及政治、文 化、經(jīng)濟(jì)、軍事、外交、天文等各個(gè)方面的資料都是用滿文記載的，具有很高的史料價(jià)值。如果滿語消失，那么這些史料也失去了它的價(jià)值。而現(xiàn)在全國會(huì)說滿語的人很少，精通滿語的人更是少之又少，因此，研究滿文識(shí)別系統(tǒng)對保護(hù)清代文化遺產(chǎn)來說顯得尤為重要。同時(shí)，對其他阿爾泰系語言的掃描識(shí)別，尤其對蒙古文和錫伯文的識(shí)別研究也有很大的貢獻(xiàn)。而滿文文字的提取又是滿文識(shí)別系統(tǒng)的關(guān)鍵步驟，因此做好滿文文字的提取工作顯得尤為重要。

隨著計(jì)算機(jī)技術(shù)、多媒體技術(shù)和通信技術(shù)的飛速發(fā)展，以圖像、音頻和視頻為主的多媒體信息正在迅速成為信息交流與服務(wù)的主流。而圖像中的文字也反映了該圖像的部分重要內(nèi)容［1］。要正確的識(shí)別圖像中的文字，關(guān)鍵就是要準(zhǔn)確的提取出圖像中的文字。而對滿文文字進(jìn)行正確的提取是提高滿文文字的識(shí)別率一個(gè)重要環(huán)節(jié)，本文主要研究采用筆畫生長法進(jìn)行圖像背景下的滿文文字的提取方法。

1 滿文文字筆畫提取系統(tǒng)結(jié)構(gòu)

圖1給出了圖像背景下滿文文字提取框圖。

圖1 滿文文字筆畫提取框架圖

由圖1可知，輸入圖像后，通過對像素點(diǎn)的灰度值分析進(jìn)行行列劃分提取滿文單字。將提取到的滿文單字二值化，然后進(jìn)行包括去噪、細(xì)化、剪枝等預(yù)處理操作，最后對預(yù)處理后的單字進(jìn)行筆畫提取。

2 圖像背景下滿文文字的提取

首先讀取滿文文字圖像，如圖2(a)。由于圖像是彩色圖像，首先要進(jìn)行灰度轉(zhuǎn)化，將彩色圖像轉(zhuǎn)換為灰度圖像，為了更好的進(jìn)行分割，本文采用的辦法是將圖像增強(qiáng)［2］，拉伸對比度，然后通過迭代法求出閾值，將圖像進(jìn)行行列分割，提取出單個(gè)滿文文字，為下一步的預(yù)處理做準(zhǔn)備。

2.1 預(yù)處理

預(yù)處理是整個(gè)系統(tǒng)中重要的一環(huán)，它把原始圖像轉(zhuǎn)換成識(shí)別器能夠接受的形式，消除一些與類別無關(guān)的因素，從而更有利于筆畫的提取。對比度拉伸后的單字圖像如圖2(b)。從圖像中可以看出這個(gè)滿文單字有陰影，因此首先應(yīng)該將陰影去掉。本文的做法是先找到每一行中第一個(gè)像素值不為0的像素點(diǎn)和最后一個(gè)像素值不為0的像素點(diǎn)，然后將第一個(gè)不為0的像素點(diǎn)和最后一個(gè)不為0的像素點(diǎn)之間的像素值放在一個(gè)新的矩陣中，如圖2(c)。然后將圖像灰度值的算術(shù)平均值作為新的閾值，將灰度值大于閾值的像素值置為255，將灰度值小于閾值的像素值置為0，最后將圖像二值化，如圖2(d)。

接下來只需要對滿文單字進(jìn)行預(yù)處理，將字周圍的噪聲去掉即可。預(yù)處理主要完成去噪、細(xì)化和剪枝的工作。具體過程如下:

(1)去噪。由于滿文文字在主軸左側(cè)的細(xì)節(jié)特征較多，右側(cè)細(xì)節(jié)特征較少，本文采用形態(tài)學(xué)圖像處理濾去噪聲［3－4］。首先設(shè)定一個(gè)結(jié)構(gòu)元素，通過實(shí)驗(yàn)發(fā)現(xiàn)用1×2的矩形結(jié)構(gòu)元素的效果最好。用該結(jié)構(gòu)元素腐蝕滿文單字，然后對腐蝕過的圖像進(jìn)行閉運(yùn)算，但是從圖像看沒有達(dá)到理想的效果，因此針對不理想的地方再進(jìn)行腐蝕處理，根據(jù)需要可以設(shè)定新的結(jié)構(gòu)元素。經(jīng)過形態(tài)學(xué)濾波處理將噪聲去掉，如圖3(a)。

(2)骨骼化。經(jīng)過噪聲處理之后需要將滿文單字細(xì)化［5］。由于細(xì)化會(huì)將文字細(xì)化成環(huán)形，改變了原有的形狀，因此本文采用骨骼化的方法，骨骼化后仍保留原始對象形狀的重要信息，如圖3(b)。

(3)修剪。由于骨骼化通常會(huì)產(chǎn)生無關(guān)的“毛刺”或寄生成分，修剪就可以去掉這些“毛刺”，在這里進(jìn)行一次修剪即可，如圖3(c)。

盡管滿文也是由字母組成，但它不像英文單詞的字母之間界限的很清晰，滿文文字的字母與字母之間沒有空隙，而且不同的字母在不同的位置有不同的寫法，這就使得滿文筆畫的劃分十分的困難。

對此，本文采用基于筆畫基元的劃分方法，通過分析發(fā)現(xiàn)，滿文大多為豎寫體，字體結(jié)構(gòu)為左右結(jié)構(gòu)，因此每個(gè)滿文文字都有一條主軸作為主干，所有的筆畫都以主軸為中心向外擴(kuò)展。在主軸左側(cè)并與主軸相連的筆畫稱為左連接筆畫，不相連的稱主左游離筆畫;在主軸右側(cè)并與主軸相連的筆畫稱為右連接筆畫，不相連的稱為右游離筆畫。這樣，筆畫就被分為四類，分別是左連接筆畫、右連接筆畫、左游離筆畫和右游離筆畫［6］。

2.2 提取主軸

預(yù)處理完成后，對提取到的文字進(jìn)行行列掃描，找到有效像素點(diǎn)最多的一列作為主軸，如圖3(d)，中間最長的一列就是主軸。為了減少由于書寫原因或者圖像采集過程中導(dǎo)致的主軸位移，本文對主軸向左向右進(jìn)行水平擴(kuò)展，擴(kuò)展寬度為提取文字寬度的十分之一。

2.3 筆畫分類

文字細(xì)化后像素點(diǎn)可以分為以下類別:

(1)臨界點(diǎn)。已經(jīng)找到了主軸的邊界，在邊界上逐行掃描找到像素值不為零的點(diǎn)，然后將其儲(chǔ)存起來就得到了臨界點(diǎn)。根據(jù)相交邊界的不同又分為左臨界點(diǎn)和右臨界點(diǎn)。

(2)內(nèi)部點(diǎn)。對預(yù)處理后的單字逐行掃描，若該點(diǎn)的像素值為1并且其八鄰域像素值的和為2，那么將該點(diǎn)存儲(chǔ)起來，直到掃描完成為止，即Bx=2且Rx=1。根據(jù)邊界所劃分的區(qū)域，把內(nèi)部點(diǎn)分為邊界外的內(nèi)部點(diǎn)和邊界內(nèi)的內(nèi)部點(diǎn)。

其中i，j為當(dāng)前像素值所在位置，img為預(yù)處理后的圖像，Bx表示當(dāng)前像素值的八鄰域像素和，Rx為當(dāng)前像素值。

(3)交叉點(diǎn)。如果掃描到有效像素點(diǎn)并且該點(diǎn)的8鄰域的有效像素值的和大于2，即Bx＞2且Rx=1，那么該點(diǎn)即為交叉點(diǎn)。

(4)終止點(diǎn)。如果掃描到有效像素點(diǎn)并且該點(diǎn)的8鄰域的有效像素值的和為1，即Bx=1且Rx=1，那么該點(diǎn)即為終止點(diǎn)。

2.4 筆畫生長

在滿文文字的像素點(diǎn)被分類后，采用筆畫生長法進(jìn)行文字筆畫提?。?］。在運(yùn)用筆畫生長法的時(shí)候要注意種子像素、生長準(zhǔn)則和生長停止準(zhǔn)則的確定。具體步驟如下:

(1)首先生成一個(gè)與原圖像同樣大小的零矩陣，并在其中生成主軸，然后對其進(jìn)行反色處理。先將左臨界點(diǎn)中第一個(gè)邊界點(diǎn)作為種子點(diǎn)進(jìn)行生長。

(2)根據(jù)左臨界點(diǎn)周圍像素值的大小設(shè)定一個(gè)閾值，由于圖像已經(jīng)被二值化處理，因此本文設(shè)定的閾值為0。將符合區(qū)域生長條件的點(diǎn)的初始個(gè)數(shù)設(shè)為1，對與臨界點(diǎn)鄰接的左邊的有效像素點(diǎn)進(jìn)行跟蹤，如果跟蹤得到的像素點(diǎn)的像素值與該臨界點(diǎn)的像素值的差小于設(shè)定的閾值，那么將該跟蹤點(diǎn)列為有效點(diǎn)，以新得到的像素點(diǎn)為種子繼續(xù)生長;若大于該閾值，則生長停止。

(3)跟蹤結(jié)束后，將得到的所有有效像素點(diǎn)進(jìn)行集合就得到了由生長構(gòu)成的筆畫。

(4)然后依次掃描左邊界上的其它臨界點(diǎn)就得到了相應(yīng)的連接筆畫。同樣的方法對右臨界點(diǎn)掃描。由左臨界點(diǎn)生長得到的筆畫為左連接筆畫，由右臨界點(diǎn)生長得到的筆畫稱為右連接筆畫。如果不同臨界點(diǎn)在邊界外有重合的像素，那么合并這兩個(gè)臨界點(diǎn)生長的筆畫集合。

這樣，脫機(jī)手寫滿文文字的筆畫就被提取了出來，提取過程如圖4(a)—(i)。

圖4 滿文文字筆畫生長提取過程

2.5 實(shí)驗(yàn)

為了驗(yàn)證筆畫生長法在文字提取上的效果，本文對含有手寫體滿文的圖像進(jìn)行文字提取。圖像中一共有500個(gè)不含游離筆畫的手寫體滿文，經(jīng)過預(yù)處理后采用筆畫生長法進(jìn)行文字提取，可以將這500個(gè)滿文都提取出來，提取率達(dá)到100%，如圖5中，(a)為手寫體原圖像，(b)為手寫體滿文主軸定位，(c)為經(jīng)過筆畫生長提取到的文字，可以看出準(zhǔn)確率較高;用筆畫生長法對一幅含有300個(gè)印刷體滿文文字的圖像進(jìn)行文字提取，同樣提取率達(dá)到100%。如圖6，(a)為印刷體原圖像，(b)為定位主軸定位，(c)為經(jīng)筆畫生長提取的文字。從實(shí)驗(yàn)結(jié)果可以看出筆畫生長法對于滿文文字的提取是有效的。

圖5 手寫體滿文提取

圖6 印刷體滿文提取

3 結(jié)語

本文采用筆畫生長法對手寫體滿文、印刷體滿文和彩色圖像背景下的滿文文字進(jìn)行提取，采用數(shù)字圖像處理的方法對圖像進(jìn)行預(yù)處理，通過膨脹和腐蝕達(dá)到去噪的效果，對去噪后的圖像進(jìn)行細(xì)化和剪枝。然后提取文字的主軸，在主軸上找到筆畫生長的種子點(diǎn)即臨界點(diǎn)，最后根據(jù)筆畫生長法提取筆畫，從而達(dá)到文字提取的目的。實(shí)驗(yàn)證明該方法能夠準(zhǔn)確的將彩色圖像中的滿文文字提取出來，是一個(gè)很好的文字提取方法，從而為滿文文字的識(shí)別打好基礎(chǔ)。

［1］聞京，張凌，袁華.一種復(fù)雜背景圖像中文字區(qū)域提取算法［J］.中山大學(xué)學(xué)報(bào):自然科學(xué)版，2008，47(Z1):5－10.

［2］王志瑞，閆彩良.圖像特征提取方法綜述［J］.吉首大學(xué)學(xué)報(bào):自然科學(xué)版，2011(05):43－47.

［3］武瑛.形態(tài)學(xué)圖像處理中的應(yīng)用［J］.計(jì)算機(jī)與現(xiàn)代化，2013(5):90－94.

［4］GONZALEZ R C，WOODS R E，EDDINS S L.數(shù)字圖像處理［M］.阮秋琦，譯.北京:電子工業(yè)出版社，2005.

［5］王嘉梅，文永華，李燕青，等.基于圖像分割的古彝文字識(shí)別系統(tǒng)研究［J］.云南民族大學(xué)學(xué)報(bào):自然科學(xué)版，2008(01):76－79.

［6］張廣淵，李晶皎，王愛俠.脫機(jī)手寫滿文筆畫基元的提取與識(shí)別［J］.計(jì)算機(jī)工程，2007(22):200－202.

［7］陳方昕.基于區(qū)域生長法的圖像分割技術(shù)［J］.科技信息:科學(xué)教研，2008(15):58 －59.

(責(zé)任編輯 劉敏)