基于OpenCV-Python的彝文文檔圖像識(shí)別的 預(yù)處理算法

李成恩，鄧?yán)溃鲗幣d

1.六盤水市六枝特區(qū)第一中學(xué)，貴州六盤水，553400

2.六盤水市六枝特區(qū)教育局，貴州六盤水，553400

3.六盤水市第二人民醫(yī)院，貴州六盤水，553400

0 引言

彝族文章是我國彝族歷史文化的重要載體，是研究分布在我國西南地區(qū)的彝族的重要資料，更是中華民族的文化瑰寶。但是隨著時(shí)間的推移，彝族文檔保護(hù)情況不容樂觀，而且由于年代久遠(yuǎn)和紙張質(zhì)量問題，很多彝族文檔已經(jīng)無法翻看和查閱，對(duì)彝族文檔進(jìn)行數(shù)字化處理，是保存文檔的迫切需要，保存彝族的文章文檔、通過分析研究彝族文章了解彝族的歷史、文化和風(fēng)俗習(xí)慣，也是鑄牢中華民族共同體意識(shí)的迫切需要。

民族語言信息化是讓民族語言“活”起來，因此，研究民族語言意義重大。研究如何識(shí)別彝族文本文檔，首先，我們要掌握一定的彝文知識(shí)。彝文指的是彝族的文字，其特點(diǎn)包括：彝文是一種古老的音節(jié)文字，一個(gè)字形代表一個(gè)意義，其文字總數(shù)達(dá)萬余字。彝文的獨(dú)特體字多，合體字少。彝文的字形結(jié)構(gòu)有點(diǎn)、橫、豎、橫析，大致有象形、會(huì)意、指事、假借四類。彝文涉及宗教、歷史、哲學(xué)、文學(xué)、語言文字、醫(yī)藥、天文、地理和農(nóng)技等各個(gè)方面。彝文文獻(xiàn)的書寫方式因地區(qū)而異，四川涼山一帶彝文一般由右向左橫行書寫；云南、貴州、廣西一帶則由左向右豎行書寫。彝文的聲調(diào)一般分為3～5個(gè)，調(diào)型簡單。彝文的詞序和虛詞是表達(dá)語法意義的主要手段，基本語序是主語—賓語—謂語。名詞、動(dòng)詞、人稱代詞作定語時(shí)，在中心詞前；形容詞、數(shù)量詞作修飾語時(shí)，在中心詞后。有些副詞修飾雙音節(jié)中心詞時(shí)，在中心詞的兩個(gè)音節(jié)之間。彝文中的量詞非常豐富，有些方言的量詞能直接修飾中心詞，起后置冠詞的作用。1980年，國務(wù)院正式推行了《彝文規(guī)范方案》，很大程度上推動(dòng)了彝族文化的傳播。2014年，貴州民族大學(xué)的吳勰對(duì)古彝文進(jìn)行了規(guī)范化，整理出5000多個(gè)古彝文字符，其中常用字3000余個(gè)，其余為文獻(xiàn)整理所需的異體字[1]。到目前為止，該套字符集已經(jīng)能夠滿足古彝文信息化的基本需求。目前對(duì)彝族文章文檔的圖像識(shí)別的研究比較少[2]。結(jié)合彝文的特征用合適的算法進(jìn)行預(yù)處理，對(duì)彝文文檔的識(shí)別和分析具有重要意義。預(yù)處理的好壞直接關(guān)系到文本圖像的識(shí)別和分析的質(zhì)量。

1 方法和程序

一般來說，古籍文檔圖像分析和識(shí)別需要幾個(gè)階段：預(yù)處理（二值化）、文本行切分、字符切分和文字識(shí)別[3]。本論文是利用OpenCVPython為實(shí)驗(yàn)平臺(tái)，將通過高清攝像機(jī)拍攝的彝文圖片進(jìn)行預(yù)處理。為后期的圖像處理和識(shí)別奠定基礎(chǔ)。本論文選取的彝文圖片為2010年6月中華書局出版的《國家圖書館藏彝文典籍目錄》。

圖片二值化是圖片預(yù)處理的關(guān)鍵環(huán)節(jié)。在二值化之前要進(jìn)行灰度化處理。二值化的好壞直接影響后期圖片的識(shí)別和處理。在OpenCVPython中二值化的效果見圖1。

圖1 彝文文本原始圖像與二值化圖像對(duì)比

在OpenCV-Python實(shí)驗(yàn)平臺(tái)上彝文文本圖像二值化的算法如圖2所示。

圖2 彝文文本圖像二值化算法截圖

文本圖像中的噪聲一般是圖像采集、傳輸?shù)冗^程中由外界因素干擾所引起的，為了減少文本圖像中的噪聲，提高文本圖像的質(zhì)量和文本圖像識(shí)別的準(zhǔn)確率，文本圖像識(shí)別的預(yù)處理過程中一般還包括了對(duì)圖像進(jìn)行降噪處理。本文在OpenCV中利用算法對(duì)文本圖片進(jìn)行了降噪處理。降噪處理后可以極大提高圖片質(zhì)量。降噪前后對(duì)比如圖3所示。

圖3 彝文文本圖像降噪前后對(duì)比

降噪的算法截圖如圖4所示。

圖4 彝文文本圖像降噪算法截圖

經(jīng)過對(duì)文本圖像的二值化和降噪處理后，接下來開始對(duì)文本圖像進(jìn)行連通域分析。通過對(duì)文本圖像的連通域分析，可以將圖像中的不同物體分割開來，實(shí)現(xiàn)高準(zhǔn)確率的圖像識(shí)別。本文嘗試對(duì)《國家圖書館藏彝文典籍目錄》中的第466頁的彝文進(jìn)行連通域分析。通過分析，得到連通域169個(gè)。連通域分析結(jié)果如圖5所示。

圖5 彝文文本圖像的連通域分析結(jié)果

2 發(fā)現(xiàn)的問題和展望

2.1 發(fā)現(xiàn)的問題

對(duì)圖像進(jìn)行預(yù)處理是為文本圖像的識(shí)別做準(zhǔn)備工作，對(duì)預(yù)處理的結(jié)果進(jìn)行分析，是我們發(fā)現(xiàn)問題、尋找研究方向和方法的必由之路。通過對(duì)連通域結(jié)果的圖片分析，我們發(fā)現(xiàn)以下三個(gè)問題，這也是以后研究的方向。

①我們可以看到在貴州、云南等地彝文有豎向書寫的寫作習(xí)慣，并且在列與列之間會(huì)出現(xiàn)一個(gè)個(gè)獨(dú)立的筆畫（點(diǎn)）。列和列之間的筆畫如圖6所示。

圖6 列和列之間的筆畫

②連通域數(shù)量過多的問題，如圖6所示，一張彝文圖像有169個(gè)連通域，連通域數(shù)量多會(huì)對(duì)后期字符識(shí)別造成干擾。

③有些彝文文章存在彝文和漢文的混排的情況。需要研究如何把彝文和漢文切分出來，實(shí)現(xiàn)彝文文本圖像版面的分割和描述。

2.2 研究展望

（1）經(jīng)查閱資料，對(duì)于列和列之間的點(diǎn)有兩種觀點(diǎn)，一種觀點(diǎn)是姓氏之間的分割點(diǎn)，另一種觀點(diǎn)認(rèn)為列和列之間的點(diǎn)是分割不同的音節(jié)點(diǎn)，以避免混淆和誤解。兩種觀點(diǎn)的對(duì)錯(cuò)，有待去考證。需要再深入地研究，找到真正的原因。列和列之間的點(diǎn)的歸屬問題，是列切分必須解決的問題。通過觀察彝文圖像可以看出，彝文列和列之間的距離不均等，甚至來說列間距差別還有點(diǎn)大，再加上彝文有些字體書寫習(xí)慣和字體本身結(jié)構(gòu)的原因，給列切分帶來了一定的難度，不能簡單地按照寬度均分的方法，筆者打算采用基于輪廓的分割方法來嘗試對(duì)彝文文本圖片的文字進(jìn)行列切分，一般情況下，采用該方法對(duì)圖片的質(zhì)量、清晰度要求比較高，如果圖片質(zhì)量不高或者存在噪聲，會(huì)極大地影響輪廓識(shí)別的準(zhǔn)確性，極大可能造成切分出錯(cuò)，彝文尤其是古彝文由于年代久遠(yuǎn)、保存環(huán)境等原因，圖片質(zhì)量普遍不高，使用基于輪廓切分的方法比較困難。彝文是豎向書寫的文體，如何精準(zhǔn)地把彝文列切分出來，是彝文圖像識(shí)別中非常重要的步驟，更是以字符切分、字符識(shí)別的基礎(chǔ)，列切分效果的好壞，直接影響到后面的圖像識(shí)別的最終結(jié)果。彝文列切分中可能產(chǎn)生部分字體切分出錯(cuò)的情況，比如列和列之間的筆畫的歸屬問題，切分出錯(cuò)的字體部分回歸本體的問題。如何在OpenCVPython中用合適的算法來處理上述的問題，是今后研究的方向之一。

（2）如何有效地減少、合并連通域也是今后研究的課題。連通域數(shù)量多可能由很多原因造成。比如圖片質(zhì)量、噪聲干擾、算法的閾值等。針對(duì)預(yù)處理后連通域數(shù)量過多的情況，筆者打算在以后的研究過程中通過優(yōu)化算法程序的方法進(jìn)行實(shí)驗(yàn)。摸索出一種更適合彝文文本圖像連通域分析的算法，也是今后的努力方向和目標(biāo)。

（3）今后研究的方向還包括對(duì)彝文和漢文混排的文本圖像版面分割和描述的問題的研究，在彝文文本預(yù)處理的過程中，選取的彝文圖片比較單純，都只是字符，沒有插圖、頁碼，以及其他不同于字符的內(nèi)容出現(xiàn)，但是在現(xiàn)實(shí)中彝文文本圖像中包括很多有異于字符的內(nèi)容，如何把版面不同的內(nèi)容進(jìn)行準(zhǔn)確分割和描述，如何在OpenCV-Python的實(shí)驗(yàn)平臺(tái)上找到合適的算法對(duì)彝文、彝文和漢文混排的文本圖像的版面進(jìn)行分割和描述，也是以后研究的重點(diǎn)問題。

3 結(jié)語

在OpenCV-Python中利用算法對(duì)彝文文檔圖像進(jìn)行有效處理，包括但不限于列切分、字符切分、后處理等，并且通過一定數(shù)量的實(shí)驗(yàn)測試，保證算法處理結(jié)果有較高的準(zhǔn)確率?？偨Y(jié)并提煉出基于OpenCV-Python的有效處理彝文文本圖像的算法。在基于OpenCV-Python平臺(tái)上擴(kuò)大試驗(yàn)樣本的數(shù)量，優(yōu)化算法，以期能達(dá)到更好的彝文文本圖像識(shí)別效果。