數(shù)字化藏文古籍中多樣性字體的實現(xiàn)方法研究 *

朱倩倩，車文剛，苗 晗

(昆明理工大學(xué)信息工程與自動化學(xué)院， 云南 昆明 650500)

1 引言

文字是民族文化的承載工具，一筆一畫都有著濃厚的文化底蘊。藏文作為藏族人民在政治、經(jīng)濟、文化和宗教活動中的文字承載工具,在中華民族歷史文化發(fā)展長河中形成了獨特的文字形式[1]。在長久的歷史過程中，流傳下來大量藏文經(jīng)典文獻(xiàn)，其中，許多經(jīng)典文獻(xiàn)采用雕刻這種原始方式傳承至今，它們的最大特色是擁有風(fēng)格迥異的雕刻字體，獨特的雕刻方式和構(gòu)造賦予其極致的美感，充分表現(xiàn)了不同歷史文化背景下人們對雕刻字體的美學(xué)理解和文字背后的宗教精神[2]。

由于這些文獻(xiàn)種類繁多，目前對這些經(jīng)典藏文文獻(xiàn)的保存方式主要有2種。一種是通過直接掃描保存成電子圖像。這種方式保留了原版雕刻字體細(xì)節(jié)，但它需要處理的數(shù)據(jù)量巨大，且不能實現(xiàn)編輯、查詢、排版等計算機文字信息處理的基本功能[3]。另一種是將古籍電子化保存成電子文檔，采用統(tǒng)一的標(biāo)準(zhǔn)版藏文字體保存，實現(xiàn)了編輯、查詢等功能，但卻丟失了原版古籍中多樣的雕刻字體[4]。

針對上述問題，本文提出一種既可以數(shù)字化藏文古籍中多樣性的雕刻字體，又能實現(xiàn)古籍編輯、查詢等功能的方法。目前，北京大學(xué)計算機科學(xué)技術(shù)研究所提出了風(fēng)格學(xué)習(xí)算法，自動生成大規(guī)模手寫字體[5]；清華大學(xué)提出了SA-VAE(Style-Aware Auto-Encoder)框架，僅通過觀察一個或者少數(shù)樣本來生成不同風(fēng)格的漢字[6]。這些方式生成的計算機手寫字體，只還原了用戶書寫的一種字體，仍然沒有實現(xiàn)手寫字體的多樣性和離散性。

因此，本文提出了計算機字體多樣性表達(dá)的方法，使藏文經(jīng)典文獻(xiàn)在實現(xiàn)編輯、共享的基礎(chǔ)上，保留原版文獻(xiàn)中雕刻字體的多樣性和離散性。

2 相關(guān)定義

本文以明末崇禎(1628-1644)年間鑄成的理塘版《大藏經(jīng)》為研究典例[7]。目前《大藏經(jīng)》文獻(xiàn)已經(jīng)實現(xiàn)了采用統(tǒng)一的Microsoft Himalaya字體的電子文檔保存。本文的目的是提取理塘版《大藏經(jīng)》中多樣和離散的雕刻字體，再通過字體多樣性表達(dá)方法實現(xiàn)數(shù)字化理塘版《大藏經(jīng)》中多樣和離散的雕刻字體，還原原版文獻(xiàn)中字體的細(xì)節(jié)，保存雕刻字體的美感和藝術(shù)效果[3]。

數(shù)字化具有多樣性雕刻字體的古籍，主要工作是提取古籍中不同風(fēng)格的字體和實現(xiàn)字體的多樣性表達(dá)。因此，本文將研究內(nèi)容分為5個部分：圖像預(yù)處理、圖像分割、字符識別、字體分類和字體多樣性表達(dá)。圖像分割，根據(jù)文本行間距的不同，采用不同分割算法，對于文本行間距明顯的情況優(yōu)先選用投影分割法[8]，文本行間有重合但不粘連的情況采用連通域分割法[9]，文本行或字符間有粘連的情況用滴水算法分割文本圖像[10]。字符識別，本文采用由Oliva等人提出的全局GIST特征提取算法，對藏文文獻(xiàn)中的字符進(jìn)行識別， GIST特征是最好的全局特征之一，能快速描述文字在視覺維度上的結(jié)構(gòu)信息，描述子相對簡單[11]，能很好地表征藏文的結(jié)構(gòu)特征，因此GIST特征廣泛應(yīng)用于字符的特征描述。字體分類，字體分類算法目前不是很多，主要采用深度學(xué)習(xí)框架，利用深度學(xué)習(xí)來訓(xùn)練分類模型，對書法字圖像進(jìn)行字體的分類[12]。目前計算機字庫中的藏文字體類別有限，因此利用深度學(xué)習(xí)訓(xùn)練模型來實現(xiàn)藏文字體分類顯然在目前是不可行的。如何實現(xiàn)理塘版《大藏經(jīng)》中字體的多樣性表達(dá)，目前還沒有發(fā)現(xiàn)相關(guān)研究，因此本文提出字體多樣性表達(dá)方法。為了提高藏文字識別的準(zhǔn)確性，指定標(biāo)準(zhǔn)Microsoft Himalaya字體作為參考字符集。為了研究需要，下面先給出如下定義：

定義1(雕刻字體) 本文要研究的雕刻字體就是雕刻在木板上的理塘版《大藏經(jīng)》中的字體。

定義2(字體的多樣性) 由于理塘版《大藏經(jīng)》是在不同的時間階段由不同的雕刻師雕刻而成的，受主觀和客觀因素的影響，同一部經(jīng)文中呈現(xiàn)出一字多字體的現(xiàn)象，這定義為字體的多樣性。

定義3(計算機字體的多樣性表達(dá)) 計算機自動調(diào)用字體庫中不同風(fēng)格的字體，使同一個文字有多種字體呈現(xiàn)，這樣就實現(xiàn)了字體的多樣性表達(dá)。

3 提取雕刻字體

數(shù)字化理塘版《大藏經(jīng)》雕刻字體的關(guān)鍵是提取經(jīng)文中多樣和離散的雕刻字體。因此，本節(jié)內(nèi)容分為4個部分：圖像預(yù)處理、圖像分割、字符識別和字體分類。

根據(jù)理塘版《大藏經(jīng)》雕刻字體具有多種風(fēng)格的特點，初步構(gòu)建理塘版《大藏經(jīng)》字體的組成模型如圖1所示。

Figure 1 Engraving font圖1 理塘版《大藏經(jīng)》字體

3.1 圖像預(yù)處理

首先對理塘版《大藏經(jīng)》文稿進(jìn)行預(yù)處理。如圖2a所示為掃描到計算機內(nèi)的理塘版《大藏經(jīng)》部分原始圖，圖像有邊框，且文本存在傾斜，因此需要對圖像進(jìn)行去噪聲、去邊框、版面傾斜處理、二值化、反相等處理，得到如圖2b所示的圖像。圖像預(yù)處理是為下一步的圖像切分做準(zhǔn)備[3]。

Figure 2 Image preprocessing圖2 圖像預(yù)處理

3.2 圖像分割

觀察圖像中文本分布結(jié)構(gòu)，由于文稿行與行之間排列規(guī)整，故分2步切分，先完成行切分，再完成字符切分。切分時可能會出現(xiàn)的情況有：

(1)行與行間有明顯間距，易切分。

針對這種情況，采用操作簡單、速度快的投影分割算法對文本圖像做水平全局投影[8]，以便將行間有明顯間距的文本行做切分處理。如圖3中像素值總和為0的點(圖像背景區(qū)像素的值為0，目標(biāo)區(qū)域的像素值為1)，即為行切分點。

Figure 3 Projection of rows圖3 水平投影圖

(2)行與行間存在重疊，但不粘連。

針對這種情況，采用局部連通域分割算法，盡管圖4a行間無公共間距，但是字母與字母之間是有明顯間隙的，連通域分割算法正是針對這種情況的圖像分割算法。本文采用8-鄰域標(biāo)記算法[13]：掃描每個像素點，遍歷當(dāng)前點上、下、左、右、左上、左下、右上、右下的點像素值，若與當(dāng)前點像素值相同，則將位置相鄰且像素值相同的點組成的像素區(qū)域賦予唯一的標(biāo)記，這里用數(shù)字標(biāo)記，根據(jù)標(biāo)記的連通區(qū)域?qū)崿F(xiàn)文字分割[9]。連通域分割算法可將無明顯間隙但又不粘連的文本塊分割成單個字符。

Figure 4 Connectivity detection segmentation圖4 連通檢測分割

(3)行與行間存在粘連。

字符之間存在粘連現(xiàn)象時(如圖5a所示)，本文采用文獻(xiàn)[10]改進(jìn)的滴水算法分割圖像。首先采用Zhang提出的并行細(xì)化方法處理粘連字符，只保留圖像的拓?fù)浣Y(jié)構(gòu)，然后確定候選分割點，再通過自組織映射網(wǎng)絡(luò)確定最終分割路徑(如圖5b所示),實現(xiàn)粘連字符的分割。

Figure 5 Image segmentation by improved drop-fall algorithm圖5 改進(jìn)的滴水算法分割圖像

針對以上3種情況，采用不同的分割算法對文本圖像進(jìn)行分割，將理塘版《大藏經(jīng)》文本切分成一個個單一字符圖像。

3.3 字符識別

選取合適的字符特征是提高藏文字符識別準(zhǔn)確性的重要因素。由于藏文字符特征相對簡單，不同字符是根據(jù)形狀來區(qū)分的，因此本文采用基于GIST全局特征的藏文字符識別方法。GIST特征是最好的全局特征之一，能快速描述文字在視覺維度上的結(jié)構(gòu)信息，描述子相對簡單[11]，能很好地表征藏文的結(jié)構(gòu)特征，是藏文字識別的有效途徑。以Microsoft Himalaya藏文字庫為識別參考依據(jù)。首先將Microsoft Himalaya字庫中的字符渲染成圖像，提取全局特征向量，建立標(biāo)準(zhǔn)藏文字庫的全局特征向量庫。2特征向量之間的相似度可以直接用歐氏距離計算得到。首先提取待識別字符全局特征，獲得該字符的全局特征向量，然后分別與特征向量庫中的特征向量計算歐氏距離，再根據(jù)相似度數(shù)值排序，返回相似度最大的特征向量對應(yīng)的字符索引值，實現(xiàn)字符識別。如圖6所示為雕刻字符識別過程。

Figure 6 Carved character recognition process圖6 雕刻字符識別過程

GIST算法通過多方向多尺度的Gabor濾波器組濾波后級聯(lián)實現(xiàn)特征的提取[11,12]。

算法1GIST特征提取算法

輸入：字符圖像。

輸出：字符圖像的GIST特征向量。

步驟1字符圖像歸一化，尺寸為m×n。

步驟2將圖像劃分成a×b個相同大小的子區(qū)域，記a×b=S。每個區(qū)域按行標(biāo)記為i(i=1,2,…,S)。每個區(qū)域的大小為r×c，其中r=m/a,c=n/b。

步驟3用Kn個通道的Gabor濾波器組分別對每個子區(qū)域進(jìn)行卷積濾波處理，將處理后的特征組合得到該區(qū)域的GIST特征：

Gi(x,y)=cat(f(x,y)*gu v(x,y))

(1)

其中,cat為級聯(lián)符號；f(x,y)為字符圖像；*為卷積操作符；u和v分別表示濾波器組的尺度和方向；gu v(x,y)為濾波器組。

步驟4Gi的維數(shù)是Kn×r×c,對Gi的各個濾波通道結(jié)果求均值，然后按行進(jìn)行組合，得到的向量就是全局GIST特征，即：

(2)

(3)

其中，G的維數(shù)為Kn×S。

本文在特征提取時將圖像劃分成3×3的網(wǎng)格區(qū)域，采用3個尺度8個方向的濾波通道，這樣就得到3×8×9=216個維度的GIST特征向量。

根據(jù)GIST特征提取算法建立藏文標(biāo)準(zhǔn)字庫的GIST特征庫。GIST特征庫存儲標(biāo)準(zhǔn)藏文字庫的所有藏文字符的索引值和特征向量。

同樣采用GIST算法提取待識別字符圖像的全局特征向量，然后分別與GIST特征庫中的特征向量做歐氏距離計算，返回最大相似度特征向量的索引值完成識別。

3.4 字體分類

為了得到理塘版《大藏經(jīng)》中不同風(fēng)格的雕刻字體，需要對字符進(jìn)行字體分類。不同風(fēng)格字體的同一字符盡管全局特征區(qū)別不大，但是每種字體都有其獨特的筆畫和線條特征，因此本文采用Lowe[14]提出的尺度不變特征變換SIFT(Scale Invariant Feature Transform)的局部特征提取算法，通過將高斯差分層找到的極值點作為特征點來提取尺度、亮度和旋轉(zhuǎn)不變量[15]。該算法是局部特征提取最好的算法之一，有很好的魯棒性和穩(wěn)定性[16]。通常通過獨有的特征點(比如端點、折點、交叉點等)來表征不同字體的特征。最重要的是特征點的選擇，選擇區(qū)別性高，且具有較高重復(fù)性的特征點，便于特征點的匹配與區(qū)分。本文采用SIFT特征算法通過提取待分類字體的邊緣和角點的特征信息來劃分不同的風(fēng)格字體。

算法2SIFT局部特征提取算法

輸入：圖像I(x,y)。

輸出：圖像I(x,y)的SIFT特征向量。

步驟1構(gòu)造尺度空間，獲取候選極值點。構(gòu)造尺度空間是為了獲取在不同尺度下都存在的極值點，通過不同尺度空間因子σ下的高斯函數(shù)G(xi,yi,σ)和原圖像I(x,y)的卷積來構(gòu)造不同的尺度空間L(x,y,σ)，用運算速度更快的差分高斯函數(shù)DoG(Difference of Gaussina)來檢測極值點；尺度空間表示如式(4)所示：

L(x,y,σ)=G(x,y,σ)*I(x,y)

(4)

其中，G(x,y,σ)為尺度可變高斯函數(shù),如式(5)所示：

(5)

步驟2篩選穩(wěn)定極值點。步驟1檢測到的極值點是離散空間中的極值點，通過一個擬合精細(xì)模型來確定候選極值點的精確位置和尺度，關(guān)鍵點的選取依據(jù)它們的穩(wěn)定程度。通過尺度空間DoG函數(shù)進(jìn)行曲線擬合尋找極值點，剔除不穩(wěn)定的邊緣響應(yīng)點以及低對比度的點，得到穩(wěn)定極值點。

步驟3特征方向賦值?；趫D像局部的梯度方向，分配給每個關(guān)鍵點位置一個或多個方向，后續(xù)的所有操作都是對于關(guān)鍵點的方向、尺度和位置進(jìn)行變換，從而保證這些特征的不變性。

步驟4特征點描述。在每個特征點周圍的鄰域內(nèi)，在選定的尺度上測量圖像的局部梯度，這些梯度被變換成一種表示，這種表示允許比較大的局部形狀的變形和光照變換。

獲取到SIFT特征向量之后，通過計算2個待分類字體圖像中對應(yīng)關(guān)鍵點的距離判定相似度，判定是否為同一種字體。N維空間中2點的相似度量，用歐氏距離來計算：

(6)

其中，X、Y分別為待比較的2個特征向量，xi和yi分別為X和Y向量的第i個分量。

建立SIFT特征庫，存儲圖像的索引號、特征點的數(shù)量以及特征點對應(yīng)的特征向量。采用關(guān)鍵點特征向量的歐氏距離判定2幅圖像中關(guān)鍵點的相似性。根據(jù)SIFT特征算法將藏文字根據(jù)字體風(fēng)格的差異分為不同藏文的字體。

4 計算機字體多樣性表達(dá)

理塘版《大藏經(jīng)》是在不同的時間階段由不同的雕刻大師共同制作完成的，因此經(jīng)文字體風(fēng)格呈現(xiàn)多樣性和離散性的特色。理塘版《大藏經(jīng)》內(nèi)容量大，顯然根據(jù)本文提取的理塘版《大藏經(jīng)》的多種雕刻字體風(fēng)格，通過手動切換這些字體來實現(xiàn)多樣性是不現(xiàn)實的。那么計算機能不能自動切換字體來實現(xiàn)字體的多樣性表達(dá)呢？基于此，本文提出字體多樣性表達(dá)算法。

字體多樣性表達(dá)算法旨在通過計算機自動調(diào)用不同風(fēng)格的字體，將風(fēng)格統(tǒng)一的字體替換成為風(fēng)格迥異的雕刻字體。為了確保原輸入文檔的正確性，實驗采用標(biāo)準(zhǔn)電子版《大藏經(jīng)》。數(shù)字化理塘版《大藏經(jīng)》其實就是將電子版《大藏經(jīng)》統(tǒng)一的標(biāo)準(zhǔn)字體替換成風(fēng)格多樣的雕刻字體的過程。

本文將從理塘版《大藏經(jīng)》中獲取到的不同風(fēng)格的字體存儲到離散字體庫，字體庫中存儲的信息為字體名(font)和索引值(index)。統(tǒng)計發(fā)現(xiàn)理塘版《大藏經(jīng)》不同風(fēng)格的雕刻字體呈離散分布狀態(tài)，因此在字體替換過程中采用隨機均勻模型來擬合多種風(fēng)格字體的替換過程。

算法3字體多樣性表達(dá)算法

輸入：電子版《大藏經(jīng)》，離散字體庫。

輸出：數(shù)字化理塘版《大藏經(jīng)》。

Step1遍歷電子版《大藏經(jīng)》，找到第1個標(biāo)準(zhǔn)字體控制的字符character，定位該字符出現(xiàn)的位置P，統(tǒng)計該字符出現(xiàn)的次數(shù)Count；

Step2通過離散均勻隨機函數(shù)產(chǎn)生的隨機變量x，調(diào)用離散字體庫中索引值為x的字體font(x)；

Step3根據(jù)替換函數(shù)將P位置的標(biāo)準(zhǔn)字體替換成字體font(x)；

Step4定位字符character出現(xiàn)的下一個位置；

Step5循環(huán)Step 2～Step 4，直到所有字符的標(biāo)準(zhǔn)字體替換成不同風(fēng)格的雕刻字體；

Step6循環(huán)以上步驟，直到《大藏經(jīng)》中所有的標(biāo)準(zhǔn)字體全部替換成離散字體庫中的雕刻字體。

根據(jù)字體多樣性表達(dá)算法，處理完整篇《大藏經(jīng)》經(jīng)文，得到具有多樣性和離散性雕刻字體的數(shù)字化理塘版《大藏經(jīng)》。

5 實驗結(jié)果及分析

采用本文方法得到的實驗結(jié)果如圖1所示，其中，圖7a為理塘版《大藏經(jīng)》原圖；圖7b是電子版《大藏經(jīng)》的經(jīng)文片段；圖7c是采用本文方法得到的實驗結(jié)果圖，該實驗結(jié)果已經(jīng)具備了理塘版《大藏經(jīng)》中雕刻字體多樣性的特色，并且實現(xiàn)了編輯、共享等計算機信息處理的基本功能。

對比圖7b和圖7c可知，相比統(tǒng)一單調(diào)的字體，具有多樣性字體的古籍更具有美感；對比圖7a所示的理塘版《大藏經(jīng)》和圖7c所示的數(shù)字化《大藏經(jīng)》字體發(fā)現(xiàn)，圖7c的經(jīng)文版面顯示效果已經(jīng)明顯接近原始的版面字體多樣性表達(dá)的效果，精準(zhǔn)的相似度測試還需要后續(xù)設(shè)計更加嚴(yán)格的校對方案，采用更加精確的技術(shù)來實現(xiàn)。

根據(jù)數(shù)字化理塘版《大藏經(jīng)》中雕刻字體的實驗結(jié)果，統(tǒng)計每一種雕刻字體出現(xiàn)的頻度，具體數(shù)據(jù)如表1所示。

由表1可知，測試文本中10種字體出現(xiàn)的頻度擬合隨機均勻模型，與文本預(yù)期的結(jié)果基本符合，將標(biāo)準(zhǔn)字體隨機均勻地替換成了10種雕刻風(fēng)格字體。

Figure 7 Comparison of experimental results圖7 實驗結(jié)果對比圖

Table 1 Discrete font appearance frequency

本文研究對象不僅限于理塘版《大藏經(jīng)》，對于任意藏文古籍都可以用上述過程實現(xiàn)古籍中字體的數(shù)字化，生成具有多樣性和離散性字體的古籍。

6 結(jié)束語

本文以理塘版《大藏經(jīng)》為研究典例，對實現(xiàn)具有多樣性和離散性的雕刻字體的傳統(tǒng)古籍的數(shù)字化的方法和技術(shù)進(jìn)行了深入探索，實現(xiàn)了計算字體多樣性表達(dá)，從而保留理塘版《大藏經(jīng)》中多樣性和離散性雕刻字體的美感和藝術(shù)效果。本文的研究為古籍的保護(hù)與傳承提供了新方法，其中字體多樣性表達(dá)算法為數(shù)字化古籍中具有離散性和多樣性的字體提供了一個新的思路，為藏文字體文化的研究與探索提供了便利，具有一定的研究價值。