基于聯(lián)體段的印刷維吾爾文預(yù)處理?

邵小青 賈鈺峰 章蓬偉 邵敬普

（1.新疆科技學(xué)院 庫(kù)爾勒 841300）（2.中國(guó)石油運(yùn)輸有限公司沙漠運(yùn)輸分公司 庫(kù)爾勒 841300）

1 引言

在文字圖像生成時(shí)由于設(shè)備或人為等一些因素會(huì)給后續(xù)的識(shí)別帶來(lái)問題，而圖像的預(yù)處理就是為了排除這些干擾，提高圖像質(zhì)量，為下一步針對(duì)維吾爾文聯(lián)體段提取特征做好必要的基礎(chǔ)準(zhǔn)備。

2 維吾爾文的特點(diǎn)

維吾爾文的詞是由一個(gè)或多個(gè)字母組成，筆劃簡(jiǎn)單但字形相差小，而且詞匯中存在字母間各種連接變形使得書寫形式就不同。印刷維吾爾文的切分是識(shí)別技術(shù)的一個(gè)難點(diǎn)，切分常常碰到粘連，斷裂，躁點(diǎn)，偽字母切分等［1］。根據(jù)維吾爾文的特點(diǎn)，提出了基于聯(lián)體段（WordPart）［2］的段切分。此種切分方法能保留住文字的特征信息，極大地簡(jiǎn)便了圖像處理。如圖1是維吾爾文結(jié)構(gòu)特點(diǎn)圖。

圖1 維吾爾文結(jié)構(gòu)特點(diǎn)

3 預(yù)處理

3.1 去噪處理

噪點(diǎn)惡化了圖像質(zhì)量，復(fù)雜了特征，消除圖像噪點(diǎn)的工作稱之為圖像平滑或?yàn)V波，對(duì)圖像孤立點(diǎn)簇作為雜質(zhì)區(qū)域進(jìn)行清除，得到只有筆畫的潔凈樣本。在各種去噪方法中比較常用的有梯度銳化、數(shù)學(xué)形態(tài)學(xué)中的二值閉運(yùn)算、均值濾波［3］、中值濾波［4］。但這些方法比較適合256色的灰度圖像，而不太適合二值化后的2色的灰度圖像，為此我們針對(duì)二值化后的2色圖像改進(jìn)了均值濾波：假設(shè)濾波模板為3*3，如圖2。

圖2 3*3的濾波模板

如果待測(cè)圖像中某像素點(diǎn)值P為黑點(diǎn)，而周邊8鄰接點(diǎn)像素點(diǎn)為白點(diǎn)，則該像素點(diǎn)為噪聲點(diǎn)。假設(shè)將黑點(diǎn)值取為1，白點(diǎn)取值為0。如果待測(cè)像素點(diǎn)值P為白點(diǎn)，則同理。新的邏輯表達(dá)式可以表示為或0。對(duì)消除圖像上孤立的點(diǎn)效果很好，結(jié)果如圖3。

圖3 本文的去噪效果對(duì)比圖

3.2 傾斜校正，基線評(píng)估

因人為或者其他因素，掃描圖像會(huì)出現(xiàn)某種程度的拉伸（或傾斜），它會(huì)給下一步每一行文本的判斷，以及聯(lián)體段的切分造成困難。所以傾斜校是特征提取的基礎(chǔ)，它的重點(diǎn)和難點(diǎn)是檢測(cè)出傾斜角，只要算出傾斜角，就可以快速地矯正并評(píng)估基線。我們編寫了三種方法對(duì)圖像進(jìn)行傾斜矯正并以此對(duì)比矯正結(jié)果的優(yōu)劣。其中直線擬合法是根據(jù)維吾爾文主筆畫在基線上的這一特點(diǎn)，進(jìn)行的一種新的嘗試。

3.2.1 投影圖法

基于投影圖［5］的思想是沿文本書寫方向的黑像素點(diǎn)的長(zhǎng)度最大的傾斜角進(jìn)行分析。我們的方法是在一定閾值范圍內(nèi)以1°間隔對(duì)文本行進(jìn)行旋轉(zhuǎn)，并對(duì)旋轉(zhuǎn)后的圖像進(jìn)行投影，對(duì)投影的長(zhǎng)度進(jìn)行記錄，并找出其中最大長(zhǎng)度。當(dāng)前長(zhǎng)度與最大長(zhǎng)度之間的夾角大于0時(shí)代表有傾斜，并計(jì)算出傾斜角度，然后根據(jù)角度逆向轉(zhuǎn)動(dòng)矯正整體圖像。當(dāng)然還可以基于投影圖波谷的間隙最長(zhǎng)進(jìn)行角度校正。但該算法對(duì)一行只有一個(gè)詞的情況，無(wú)法得到滿意的結(jié)果。

從圖4中看出文本圖像被傾斜校正后就可以看出波峰間距是文本行的高度，波谷的間距是行間距（利用空白間隙是我們進(jìn)行文本行切分的依據(jù)），波峰是基線的位置?；€，維吾爾文字書寫時(shí)虛擬的一條直線，在傾斜校正或者是在特征提取中都起到很重要的作用。

圖4 左圖為右圖的水平投影

3.2.2 Hough變換法

霍夫變換（Hough）［6］是一個(gè)非常重要的檢測(cè)間斷點(diǎn)邊界形狀的方法。它通過將圖像坐標(biāo)空間變換到參數(shù)空間，來(lái)實(shí)現(xiàn)直線與曲線的擬合。這里它把二值圖像變換到Hough參數(shù)空間，在參數(shù)空間用極值點(diǎn)檢測(cè)完成目標(biāo)的檢測(cè)。Hough變換是利用圖像全局特性而將邊緣像素連接起來(lái)組成邊界區(qū)域封閉的一種辦法［7］。Hough變換對(duì)于純文本的抗干擾能力強(qiáng)，可以減少計(jì)算量，對(duì)曲線間斷的影響也較小。只需要在參數(shù)空間里進(jìn)行簡(jiǎn)單的累加統(tǒng)計(jì)即可。Hough變換有大量的資料信息可以查閱，這里不再贅述。

3.2.3 直線擬合法

我們知道，如果有一些離散點(diǎn)(X(i)，Y(i))，就可以擬合出一條直線y=ax+b，使所有點(diǎn)到這條直線的距離平方和最小，那么這條直線就成為離散點(diǎn)的目標(biāo)擬合直線［8～10］，如圖5所示。

圖5 直線擬合

由于圖像文件能夠看成一個(gè)整體的版塊，所以我們每隔一定距離從下往上判斷，直到碰觸到黑色像素點(diǎn)為止（即：從下往上數(shù)第一個(gè)前景點(diǎn)），然后把此點(diǎn)作為采樣點(diǎn)，得到一系列坐標(biāo)值(X(i)，Y(i))。然后使用直線擬合算法算出該直線的系數(shù)a，b，得到擬合直線：y=ax+b，此直線就是圖像文本的方向直線，在由此直線可以得出傾斜角：α=arctanb，然后再進(jìn)行傾斜校正。如果我們每一行都用此方法進(jìn)行直線擬合，則擬合的直線就是當(dāng)前行的基線下界。這是一種新的方法，是本文的創(chuàng)新。

3.2.4 小結(jié)

通過投影圖法，Hough變換法，直線擬合法，我們發(fā)現(xiàn)效果都合格，但其中的投影法還可以運(yùn)用到基線的評(píng)估上，而我們特征提取需要判定基線。所以本文后續(xù)所使用的傾斜校正和基線評(píng)估方法就是基于投影圖法的。

3.3 聯(lián)體段切分

最基本的建立模型［11～13］的單位有比劃、字母、單詞。維吾爾文是拼寫詞，詞匯量達(dá)幾百萬(wàn)之巨，隨著社會(huì)的發(fā)展新詞也在逐步增加，建立詞匯模型不切實(shí)際。建立筆畫模型更是不切實(shí)際。我們選擇了基于聯(lián)體段的切分和文字識(shí)別模型，識(shí)別的模型就是基于此的。我們繼續(xù)利用垂直投影的方法在文本行的基礎(chǔ)上進(jìn)行聯(lián)體段的切分（同理水平投影切分的原理和垂直切分的一樣，水平切分是為了劃分文本行）。

圖6中矩形框框出來(lái)的長(zhǎng)方體就是根據(jù)水平和垂直投影切分出來(lái)的聯(lián)體段，也是進(jìn)行建模的基礎(chǔ)單位。記錄下矩形框的左上角的坐標(biāo)位置以及長(zhǎng)度和寬度，就可以對(duì)矩形框（聯(lián)體段）進(jìn)行圖像處理了。

圖6 聯(lián)體段切分結(jié)果

3.4 細(xì)化

為了使特征形式顯現(xiàn)，需要對(duì)文本圖像進(jìn)行細(xì)化。使筆劃寬度變?yōu)橹挥幸粋€(gè)比特（bit）的細(xì)曲線。為了不破壞文字特征我們的細(xì)化要保證如下要求：1）筆畫不能造成斷裂，必須是連續(xù)的。2）要將筆畫的整體細(xì)化為一個(gè)比特（bit）的單線。3）骨架拓?fù)浣Y(jié)構(gòu)和整體字形沒有被改變。

常用的細(xì)化算法有Pavlidis，Hilditch，Rosen?feld，基于索引表的細(xì)化算法，數(shù)學(xué)形態(tài)學(xué)細(xì)化算法等。本文經(jīng)過測(cè)試最終選用了Rosenfeld算法，此算法的處理結(jié)果滿足細(xì)化骨架的三個(gè)基本要素，經(jīng)過驗(yàn)證效果良好［14～15］（圖7）。

圖7 Rosenfeld細(xì)化算法下的像素點(diǎn)模型

3.5 訓(xùn)練用比對(duì)方法的建立

至此我們做好了特征提取，識(shí)別訓(xùn)練的準(zhǔn)備。但是訓(xùn)練部分必須要知道對(duì)應(yīng)的維文Unicode碼字符串，它起到了標(biāo)識(shí)和認(rèn)識(shí)的目的。這就需要我們進(jìn)行一一匹配（比對(duì)方法建立）。為此開發(fā)了一個(gè)由程序自動(dòng)劃分并加人工校正的匹配程序。匹配程序難免受躁點(diǎn)和切分的影響，人為校正使每一個(gè)維吾爾文圖像文本的聯(lián)體段與其Unicode碼進(jìn)行了完美的匹配，如圖8。最后把Unicode碼加入了特征庫(kù)，作為訓(xùn)練比對(duì)的參照。

圖8 圖像文本聯(lián)體段與其Unicode碼的對(duì)齊

這里有個(gè)難點(diǎn)，對(duì)于圖像文件的聯(lián)體段如何進(jìn)行劃分第3.3節(jié)已經(jīng)解決。那么，對(duì)于文本文件的聯(lián)體段如何自動(dòng)進(jìn)行劃分呢？其實(shí)，維吾爾文的聯(lián)體段結(jié)束標(biāo)識(shí)均是由字母的尾寫形式組成的。經(jīng)過多方求證，在維吾爾文文章中聯(lián)體段結(jié)束標(biāo)識(shí)除了是維語(yǔ)尾寫字母外還包括英文、數(shù)字、特殊字符等［16］。結(jié)合圖像文本的切分這些就都是我們判斷結(jié)束的標(biāo)志了。經(jīng)過搜集整理，得出維文聯(lián)體段結(jié)束字母共有十三個(gè)，其中十一個(gè)用十六進(jìn)制的Uni?code碼定義為

另外還有兩個(gè)用十六進(jìn)制的Unicode碼定義為

static WCHAR WordPartEndS［2］=｛0x0649，0x06d0｝，這兩個(gè)字母也是維文聯(lián)體段的結(jié)束字母，當(dāng)這兩個(gè)字母后面跟著上面十一個(gè)字母中任一個(gè)字母時(shí)，上面的字母為此聯(lián)體段的結(jié)束字母。

4 結(jié)語(yǔ)

本文根據(jù)維吾爾文文字的特點(diǎn)，以聯(lián)體段為基本建模單位，通過VC++完全實(shí)現(xiàn)了印刷維吾爾文圖像識(shí)別技術(shù)中的預(yù)處理部分。預(yù)處理完成的工作有去噪、傾斜校正、基線判定、聯(lián)體段切分、細(xì)化等。為了能夠更好地去噪使用了改進(jìn)的濾波方法。在傾斜校正，基線評(píng)估中提出了直線擬合的校正方法，用投影法完成基線判定。為方便后續(xù)特征的提取選取了合適的細(xì)化算法，同時(shí)建立了比對(duì)方法程序。在此基礎(chǔ)上對(duì)聯(lián)體段提取相應(yīng)的特征用于后續(xù)的識(shí)別。