基于連體段的印刷維吾爾文特征提取

賈鈺峰,章蓬偉,賈園園,邵小青,劉茂霞

(新疆科技學院 工商管理系,新疆 庫爾勒841300)

0 引 言

關(guān)于維吾爾文印刷識別方面,相關(guān)的研究文獻資料較少。 但維吾爾文與阿拉伯文很相似,參考了阿拉伯文及相關(guān)印刷識別方法［1-2］：典型的識別系統(tǒng)模塊是由預處理、特征提取、訓練模型、識別器組成的,如圖1。 由維吾爾文的特點得知：印刷的文字切分不論以筆劃,字母還是詞,切分都是相當困難的［3-5］。 同時還有圖像文本躁點等因素影響,如：粘連,斷裂,偽字母切分等。 基于連體段(WordPart)［3］的段切分是一個很好的解決方案。 它能夠保留出整體的完備信息,從而為提取良好的特征做準備。 本文在已經(jīng)預處理的基礎(chǔ)上,對連體段提取各類特征。

圖1 印刷維吾爾文識別系統(tǒng)框架Fig. 1 Printed Uighur recognition system framework

1 維吾爾文的特點

維吾爾族的語言屬于阿爾泰語系突厥語族。1938 年形成現(xiàn)行文字,有32 個字母拼音自右向左橫寫,且有120 多個字符形式,以詞的形式表達［6］。其部分特點如下：

（1）維吾爾文字母包括主體部分和附加部分，其中20個字母有附加部分，它的形式為一“”、兩“”、多“”、以及“”、“”等。附加部分在主體筆劃的內(nèi)部、下面或上面。如：、、、、、等。

(2)維吾爾文的單詞是由多個或者單個字母組合而成。 根據(jù)書寫規(guī)則這些字母的組合形成一個或幾個前后相連接的音節(jié)或稱連體段。 連體段中的字母,在印刷的時候總是沿著水平線的,這條水平線被稱為基線。 維吾爾文的結(jié)構(gòu)詳情見圖2。

2 特征提取

特征提取的過程就是將圖像文本映射到文字獨有的特征空間,以便壓縮信息量,方便后續(xù)的分類、訓練和識別。 本文根據(jù)維吾爾文的特點,基于連體段提取出一系列常用特征,并最終建立一個特征庫以備使用,現(xiàn)將方法介紹如下：

圖2 維吾爾文結(jié)構(gòu)特點說明Fig. 2 Structural features of Uighur

2.1 筆劃位置特征

維吾爾文中連體段由主體部分和附加部分組成。 由圖2 可知附加筆劃在主筆劃的下面、上面或內(nèi)部。 筆劃位置特征就是求出主筆劃,副筆劃個數(shù),副筆劃與主筆劃的相對位置關(guān)系。 副筆劃的位置特征可以通過與基線的相對位置來識別。 但有些特殊情況無法完美判斷，如與。故介紹一種基于聯(lián)通域的更細致的判別方法：

選定一點作為一個種子,由圖像的區(qū)域生長法［7-8］可以求得一個相同像素相互聯(lián)通的區(qū)域(即筆劃)。 因此根據(jù)種子點就可以知道聯(lián)通域,根據(jù)聯(lián)通域就知道連體段筆劃的數(shù)量。 根據(jù)圖像像素點讀取的順序,位圖行內(nèi)是由左往右,行間由下往上。將二值圖像掃描時第一個碰到的黑色像素作為種子,再由區(qū)域生長法生長蔓延出一個筆劃區(qū)域,得到一個筆劃。 為了防止重復計算筆劃,將已經(jīng)蔓延過的筆劃反色(使筆劃和背景同色)后繼續(xù)循環(huán)尋找下一個種子點,繼續(xù)生長蔓延找到下一個筆劃,直至圖循環(huán)完畢。 該算法主要步驟：

(1)為了不破壞原圖,復制初始化為連體段圖像的緩沖區(qū)兩個(設(shè)為A 和B)。

(2)對A 圖像域按由左往右,由下往上的方式依次掃描像素點。 碰到黑色像素點就作為種子點記錄下來。

(3)由區(qū)域生長法得出此聯(lián)通域。 在區(qū)域生長同時統(tǒng)計黑點的個數(shù)并記錄黑點的坐標(黑點總個數(shù)為連體段的面積；坐標的平均值可以用來判斷筆劃的位置關(guān)系)。

(4)根據(jù)記錄的黑點坐標,把B 圖像域相同坐標處像素值反色(白色)。 此時B 域就是除去聯(lián)通域剩下的部分。

(5)將B 域的像素值覆蓋掉A 域。

(6)重復步驟(2),(3),(4),直至循環(huán)完畢。

由此算法可統(tǒng)計出連體段的聯(lián)通域個數(shù),即筆劃數(shù)；其中面積最大的為主筆劃。 其它筆劃的平均縱坐標與主筆劃比較,就可以判斷出副筆劃的上下位置特征。 同理副筆劃之間的平均橫坐標可以判斷出副筆劃之間的左右位置特征,而這些特征都是全局精確特征,可以顯著提高識別分類效果。 連體段筆劃位置特征提取步驟如圖3 所示。

圖3 連體段筆劃位置特征提取步驟Fig. 3 Stroke position feature extraction steps of wordpart

其特征結(jié)果如下：

(1)筆劃數(shù)為8 個。 面積分別為：15,16,16,815,14,82,14,16。 最大面積即主筆劃面積為：815。

(2)位置特征由下往上依次為：-16,-11,-11,0,-11,13,13,15。 其中0 代表主筆劃；小于0 的共4 個,代表在主筆劃下方；大于0 的共3 個,代表在主筆劃上方。

(3)同時還可以知道副筆畫之間的位置關(guān)系。

2.2 孔洞數(shù)

連體段孔洞數(shù)也是基于聯(lián)通域個數(shù)的［7］。 為保證孔洞數(shù)目準確性,將圖像黑白像素調(diào)換后繼續(xù)遞歸循環(huán)算法對不是筆劃的區(qū)域進行聯(lián)通域個數(shù)計算,如圖4 所示,可得到總的不是筆劃的連通區(qū)域個數(shù),減去和邊界相交的背景區(qū)域,就可以得到連體段孔洞數(shù)數(shù)量這一特征。 這也是全局精確特征。 此特征在后續(xù)使用中發(fā)現(xiàn)非常高效。

圖4 黑色聯(lián)通域共有3 塊 孔洞數(shù)共有2 個Fig. 4 There are 3 holes in the black connecting area and 2 holes in total figure

2.3 方向碼

方向碼特征是字符識別中非常經(jīng)典有效的特征,方向碼就是把平面分成八個方向［9-10］,如圖5 所示。 取出主筆劃的輪廓,在輪廓上選取一個開始點和一個結(jié)束點作為一個線段,并判斷這個線段歸屬于那個方向,然后用方向序號標識。 繼續(xù)重復直至循環(huán)輪廓一周后得到一組方向特征向量,這組向量就是主筆劃的方向碼。 它具有較高穩(wěn)的定性和抗干擾能力,代表主筆劃的形狀特征。 方向碼特征提取過程為：求連體段輪廓,點聚類,直線逼近,得出方向碼。

圖5 八方向示意圖Fig. 5 Eight direction schematic diagram

(1)取輪廓。 取輪廓使用邊界跟蹤法,從圖6 得到主筆劃,從主筆劃選取種子點,順時針環(huán)繞主筆劃邊界一周后得到連體段的輪廓［7-11］。

圖6 連體段原始圖像Fig. 6 Original image of wordpart

主筆劃輪廓選取算法如下：

定義初始搜索方向為左上方,搜索到的第一個黑色像素作為輪廓種子點,找到下一個黑色像素,記錄邊界點坐標和個數(shù)。 找不到就順時針旋轉(zhuǎn)45°繼續(xù)尋找直至找到下一個點。 重復以上方法直到返回最初起始種子點為止。 輪廓像素點個數(shù)就是周長特征,坐標點就是主筆劃的離散形式。 用此方法取得的輪廓如圖7 所示。

圖7 取出輪廓的連體段Fig. 7 Take out the wordpart of the contour

(2)點聚類。 如隔幾個像素點取一個點,使輪廓點稀疏。 但點聚類依然不夠簡化。

(3)直線逼近。 在盡量保留拐點、關(guān)鍵點的情況下,仍對輪廓進行進一步的簡化采樣,將輪廓變?yōu)楸３衷行螤畹恼劬€,如圖8 所示。

圖8 直線逼近后的連體段Fig. 8 The wordpart after the straight line approximation

在這里我選用了經(jīng)典的Douglas-Peucker 算法［12］實現(xiàn)直線逼近功能,其算法描述如如圖9 所示。

圖9 Douglas-Peucker 算法描述過程Fig. 9 Douglas Peucker algorithm description process

①在曲線AB 之間連接一條線段AB,線段AB 為曲線的弦,如圖9(b)所示。

②求出曲線上離線段AB 距離最遠的點C,計算其與線段AB 的距離h。

③若h 小于預定閾值,則該直線段AB 作為曲線的近似,該段曲線AB 處理完畢。

④若h 大于預定閾值則,利用距離最遠的C 點將曲線AB 分為兩段AC 和BC,線段AC 和BC 重復步驟1 到3,直至處理完畢,如圖9(c)和圖9(d)。

⑤依次連接各個最終確定的逼近點作為連體段的近似輪廓,完成簡化采樣,如圖9(e)。

(4)得出方向碼。 根據(jù)筆劃骨架中每一段線段歸屬的方向得出方向碼特征向量。

圖8 的方向碼特征向量為(假設(shè)閾值為3,具體根據(jù)字體大小判斷)：4,5,5,6,1,0,0,0,7,5,5,6,0,1,0,6,1,7,5,6,0,1,2,3,3,4,2,3,3。 若將每個方向的個數(shù)求和,則方向碼向量降維為：6,4,1,3,5,4,2。

2.4 尾點、交叉點

尾點與交交叉點作為細化后字符識別提取的常用特征已被廣泛使用［13］。 前人已經(jīng)研究了各種經(jīng)典的細化算法,經(jīng)過論證,本文采用細化算法提取此特征,得到了較好的效果［7］。 在細化后的連體段圖像中,交叉點一般都是在當前點的8 鄰域模板中,即以當前點p 為中心選擇一個3×3 的模板來判別其尾點、交叉特征屬性。 計算P 點的交點數(shù)的公式(1)：

模板如圖10 所示。

圖10 8 鄰域模板Fig. 10 8 Neighborhood templates

其中, SUM 表示當前點8 領(lǐng)域中像素點的個數(shù)。 NUM 表示當前點P 的8 領(lǐng)域模板中像素值的0,1 變化次數(shù)。 由算法可以判定出：

(1) 當NUM = 2,SUM = 1 時,P 為尾點；

(2) 當SUM ＞3 時為交叉點。 其中,NUM =6,SUM =3 時,P 為三叉點；NUM =8,SUM =4 時,P 為四叉點。

圖11 為圖3 的主筆劃細化后的情況,共有尾點、三叉以上點各6 個。

圖11 細化后的主筆劃Fig. 11 Main stroke after thinning

2.5 前后景比值

前后景比值特征是基于統(tǒng)計,計算出連體段矩形框中黑像素和與白像素的比值［14］。 這樣提取特征的優(yōu)點在于計算簡單,不受字符大小的影響,只要字形固定,對于印刷體就可以作為特征,如圖12 的前后景比值為0.25。 另外,印刷體維吾爾文連體段具有一定的高度和寬度,計算連體段高寬比特征值,如圖12 寬為60,高為56,寬高比：1.071。 前后景色比值結(jié)合連體段寬高比,可以作為聯(lián)合特征,針對部分連體段可獲得較高的穩(wěn)定性和抗干擾性。

圖12 連體段的像素模型Fig. 12 Pixel model of wordpart

3 結(jié)束語

本文重點表述了維吾爾文連體段常用特征提取方法。 在分析維吾爾文書寫特點的基礎(chǔ)上提取了如下特征：寬高比,前后景比值,孔洞數(shù),尾點,交叉點,方向碼,筆劃位置特征。 基于以上方法通過對四十多對樣張進行批處理,建立起了基于連體段的特征庫圖14 為對圖13 從右往左提取連體段相關(guān)特征的截圖。

圖13 原始樣張部分截取Fig. 13 Part of the original sample

圖14 特征庫截圖Fig. 14 Screenshot of feature library

圖14 為特征庫的截圖：從左往右每一列的特征分別為：連體段Unicode 碼,高寬比,孔洞數(shù),尾點數(shù),交叉點數(shù),壓縮后的8 方向碼,筆劃數(shù),基線上方副筆劃數(shù),基線下方副筆劃數(shù),連體段字母個數(shù),前后景比值等。

將特征應用于維吾爾文字印刷識別系統(tǒng),由識別器識別后證明所采用的算法思想和特征維度是有效的。 但還需要進一步完備連體段的有效特征,以便抽取出那些對不同類別最為重要的特征,組合成良好且優(yōu)秀的特征組合。 后續(xù)還需要研究局部特征和全局特征合并訓練的方法,完備字符特征集合,改進特征選取準則函數(shù),結(jié)合分類器的改進,盡可能的提高識別率［15］。