基于貝葉斯算法的手寫文字識別設計

趙云 許晶 周莉莉

【關鍵詞】貝葉斯決策;文字識別

近年來模式識別技術被廣泛應用[1]。在我們的日常生活中，大數據中文本數據占相當大的比例，例如使用聊天工具QQ，WeChat，Ding Talk等軟件工具時，當遇到的圖像中有喜歡的話語、篇幅很長的文章時，由于邊看圖像邊打字不方便以及沒有耐心打完所有字體時，這時候文字識別系統就發(fā)揮了極大的作用。 漢字識別技術目前主要分為印刷體漢字識別和手寫體漢字識別為兩大類，手寫文字識別是指通過掃描設備將紙張上的文字信息變?yōu)閿底謭D像輸入計算機，然后利用計算機對圖像中的文字進行識別的方法[2]。

常見的文字識別算法主要有最近鄰算法，支持向量機，以及BP神經網絡算法等。本篇所講述的是基于最小錯誤貝葉斯算法，此算法也是平時最常見和簡單的方法之一，在常見的模式識別問題中，其目標往往是盡量減少分類的錯誤，運用概率觀點中的貝葉斯公式，以追求最小的錯誤率。按照貝葉斯的判定原則，如果我們要預測某個樣本處于哪一種類型，需要計算所有的后驗概率P（A|B），其中后驗概率最高的那一種類型便是預測的類型。

本文中手寫文字識別系統主要使用最小錯誤率的貝葉斯決策，如公式（1）所示。

基于最小錯誤率的貝葉斯決策模型，需要預先知道先驗概率 和類條件概率密度 ，概率密度 反映了特征值 在類 的概率。

（一）創(chuàng)建字庫

1、圖像預處理

基于貝葉斯算法對手寫文字進行識別，需要對待識別圖片進行預處理。

對樣本圖片從處理到識別需分步驟進行，具體研究過程流程圖如圖1所示。

首先讀取訓練樣本，對樣本進行二值化處理，設置二值化的閾值，通過閾值判斷圖像是否為目標，是則繼續(xù)判斷，否則作為背景，得到完整的二值化圖像。

接著利用imerode函數和imdilate函數對圖像進行腐蝕和膨脹操作，腐蝕與膨脹處理是一對逆操作，簡單理解為膨脹可以處理缺陷問題，腐蝕可處理不光滑的問題。膨脹就是填補缺陷，腐蝕腐蝕毛刺。圖像的膨脹原理是通過對輸入圖像中高亮區(qū)域進行膨脹處理，將高亮區(qū)域擴大。圖像的腐蝕過程恰恰與膨脹過程相反，主要通過對輸入圖像中的高亮區(qū)域進行腐蝕處理，將原有圖像中高亮區(qū)域縮小。[4]

2、圖像切割創(chuàng)建字庫

在循環(huán)中讀入訓練樣本圖片后，首先確定文字的區(qū)域，將預處理后得到的圖像信息轉化為double型數組，對數組縱向掃描確定Y方向上的文字區(qū)域，同理橫向掃描確定X方向上的文字區(qū)域，根據X和Y方向上的文字區(qū)域即可確定文字的整體區(qū)域。

使用bwareaopen函數刪除雜質圖像，將掃描區(qū)域局限于以文字為邊界的方形區(qū)域內，避免雜質的影響。利用charslice函數對每個分離的字符圖片進行文字區(qū)域限定，因為需要判斷的文本字體大小相差不大，同時為了方便代碼執(zhí)行，這里將每個字符大小規(guī)格化為40×40。

得到的最終分割圖片，在循環(huán)中按照順序依次對其進行命名并保存在文件夾中，從而創(chuàng)建了字庫，其中一個訓練樣本的切割結果，如圖2所示;創(chuàng)建的字庫部分展示，如圖3所示。

（二）特征提取及樣本訓練

讀入生成的單字庫，設計每個樣本圖片僅包含12個中文字符，即“貝葉斯算法的手寫文字識別”。接著對每個單字圖片提取漢字特征值[5]。這里使用網格特征選擇，定義將每個待處理文字圖形的長、寬進行十等分，即能分為100份，樣本等分如圖4所示。

模板的大小可根據具體問題變化，且分類結果的精確度與等分的大小呈正相關。由于每一個樣本僅識別12個漢字，因此，只需考慮10×10大小的模板即可。

由于處理過后的圖片，其上所有像素點的值，非黑（0）即白（255），因此要待測樣本和這些像素點的值有關。本文對分出的這100個區(qū)域，計算黑色像素點占比ratio，如公式（5）所示，其中count表示黑色像素點的個數，cellRow*cellCol為總像素點個數。

由此可得到100個介于0至1之間的小數。我們將其用1×100的向量表示，即圖片的特征向量。

對每個單字庫圖片提取特征值后，依次將所有的樣本數據保存在文件中，樣本特征提取完成。

如圖將“文字識別”作為待測樣本輸入到程序中，首先對待測樣本進行預處理以及圖像切割成單字圖片，待測樣本切割圖如圖5所示，對其進行特征提取通過貝葉斯分類器分類識別出的結果如圖6所示。

最小錯誤率的貝葉斯決策就是按后驗概率的大小判斷，對比出最大后驗概率所屬類別的判決函數值[6]，就歸于哪個類別。貝葉斯分類器首先分析出先驗概率prior，即出現每個漢字的可能性，接著對每個字庫的漢字的每個10*10的模塊進行處理，經過計算得到類條件概率，接著根據這些條件代入貝葉斯公式，得到后驗概率，計算概率最大值和其所在位置，可得到漢字的類號。

本研究結果表明基于貝葉斯分類器算法可運用于手寫文字圖像識別這一模塊。在實際問題研究中，一般存在一些不精確的條件概率密度，需要人為估算出線性函數或非線性函數，會對結果造成一定的誤差。通過對圖像進行灰度化，二值化，腐蝕，切割和膨脹等操作實現文字的特征提取，并對樣本進行訓練，再基于最小錯誤貝葉斯分類器對文字進行識別，代碼運行結果與預期結果一致。文字識別這一模塊在智能化未來會有很大的發(fā)展空間，在現實生活中，識別應用還未普及到日常生活中，可對這一領域進行深入研究。