基于MATLAB GUI的少數(shù)民族文字手寫體采集系統(tǒng)——以滿文為例

鄭蕊蕊，李 敏，吳寶春

(大連民族學(xué)院信息與通信工程學(xué)院，遼寧大連116605)

研究少數(shù)民族文字識別方法是保護和傳承少數(shù)民族文化遺產(chǎn)的重要技術(shù)手段，具有重要的社會價值和歷史意義［1-4］。光學(xué)字符識別技術(shù)(Optical Character Recognition，OCR)必須以大量的字符樣本為基礎(chǔ)，因此建設(shè)少數(shù)民族文字數(shù)據(jù)庫是研究少數(shù)民族文字識別方法的必要條件。然而，目前能讀寫少數(shù)民族文字的人數(shù)量有限，部分少數(shù)民族的語言文字甚至已瀕臨失傳，要獲得大量的手寫體樣本比較困難。為了獲取大規(guī)模的少數(shù)民族文字手寫樣本，設(shè)計并開發(fā)了一種少數(shù)民族文字手寫體采集系統(tǒng)。本采集系統(tǒng)能使零基礎(chǔ)的用戶快速掌握少數(shù)民族文字的讀寫規(guī)律，擴展了少數(shù)民族文字手寫樣本的采集范圍，很大程度上解決了少數(shù)民族文字手寫樣本匱乏的問題。系統(tǒng)還集成了文字數(shù)據(jù)庫構(gòu)建中常用的圖像預(yù)處理算法，實現(xiàn)了數(shù)據(jù)采集與數(shù)據(jù)庫圖片生成的一體化技術(shù)，并具備互動式圖片對比功能，使少數(shù)民族文字手寫樣本的采集和數(shù)據(jù)庫構(gòu)建更為方便快捷。

1 少數(shù)民族文字模板/語音數(shù)據(jù)庫

目前，中國已正式使用和經(jīng)國家批準推行的少數(shù)民族文字有19種。不同民族文字的拼讀方式具有很大差異，應(yīng)根據(jù)具體民族文字的實際情況設(shè)計具有針對性的文字模板。考慮到本系統(tǒng)后續(xù)的讀音數(shù)據(jù)采集功能的開發(fā)，需要建設(shè)少數(shù)民族語音數(shù)據(jù)庫。現(xiàn)以滿文為例，介紹少數(shù)民族文字模板的設(shè)計方案和音頻數(shù)據(jù)的獲取及處理方法。

1.1 滿文字母模板數(shù)據(jù)庫

滿文是一種音素文字，共有40個字母。滿文字母根據(jù)在單詞中位置的不同，同一個字母有獨寫體、首寫體、中寫體和尾寫體4種不同寫法。在滿文字母模板中添加“字符中位置”屬性，分別用“獨”，“首”，“中”和“尾”加以標識，如圖1。

圖1 滿文字母模板

滿文字母的4種寫法，加上不規(guī)則的元音書寫方式，共計128個字母，因此滿文字母模板庫共包含128個模板圖片，如圖2。考慮到滿文字母書寫的規(guī)范性，還在模板中添加了“字母筆順”屬性，輔助用戶寫出規(guī)范的滿文字母。滿文字母有對應(yīng)的羅馬字轉(zhuǎn)寫，用來表示字母讀音［5-6］，為了方便本采集系統(tǒng)后續(xù)功能(學(xué)習(xí)和讀音數(shù)據(jù)采集功能)的擴展，在模板中加入“羅馬字轉(zhuǎn)寫”屬性，以便鏈接讀音數(shù)據(jù)。如果用戶不會滿語，但參照模板中的筆順和實例，經(jīng)多次練習(xí)，即可寫出令人滿意的滿文字母樣本。為了方便查找，模板保存時統(tǒng)一采用“羅馬字母轉(zhuǎn)寫+位置編號”的方式命名。數(shù)字0，1，2，3分別對應(yīng)字母的獨寫體、首寫體、中寫體和尾寫體4種位置。因此圖1的模板命名為“a0.jpg”。

圖2 部分滿文字母模板庫

1.2 滿文字母音頻數(shù)據(jù)

音頻數(shù)據(jù)數(shù)字化的方法已非常成熟，本文采用由美國Adobe公司開發(fā)的Adobe Audition軟件提供的專業(yè)化音頻編輯環(huán)境，將滿文字母的讀音數(shù)字化并存為.mp3格式，保存在滿文字庫中對應(yīng)的字母庫中，統(tǒng)一采用“羅馬字母轉(zhuǎn)寫.mp3”的方式命名。

2 基于MATLAB GUI的系統(tǒng)軟件開發(fā)

系統(tǒng)采用MATLAB提供的圖形用戶界面開發(fā)環(huán)境(Graphical User Interface Development Environment，GUIDE)設(shè)計圖形用戶界面，少數(shù)民族文字手寫體采集系統(tǒng)運行情況如圖3。界面共分為3大模塊，分別是系統(tǒng)菜單、文字展示區(qū)和文字識別區(qū)。系統(tǒng)菜單包括全部功能菜單、圖像預(yù)處理菜單和常用工具欄。文字展示區(qū)用于顯示所調(diào)用的少數(shù)民族文字模板，文字采集區(qū)主要完成書寫功能，可采用鼠標，推薦使用數(shù)位板做為書寫工具以獲得更好的效果。

圖3 少數(shù)民族文字學(xué)習(xí)與采集系統(tǒng)運行界面

3 少數(shù)民族文字手寫體采集系統(tǒng)的關(guān)鍵技術(shù)

本采集系統(tǒng)為避免用戶重復(fù)操作，已將常用中值濾波器、灰度化、二值化和歸一化等操作集成在圖像預(yù)處理模塊，用戶可根據(jù)需要選擇不同的方法處理樣本圖片。

3.1 二值化算法的改進

常規(guī)文檔圖像二值化方法很多，但在處理效果、魯棒性和速度上存在較大差異。童立靖等［7］分析了OTSU算法、迭代法、簡單統(tǒng)計法等常用于文本圖像二值化的方法的優(yōu)缺點。Ostu算法是常用的全局閾值法;Kittler算法結(jié)合了圖像統(tǒng)計信息且處理速度快;迭代法允許用戶交互設(shè)置參數(shù)，且在許多情況下都能取得令人滿意的二值化效果。本采集系統(tǒng)根據(jù)這些方法的特點，選擇采用Ostu算法［8］和迭代法［9］作為通用二值化方法提供給用戶，除此之外還提出一種改進的二值化算法。首先將彩色圖片灰度化，然后分別采用Ostu算法、Kittler算法和迭代法3種二值化方法得到3種中間結(jié)果。

Otsu法的實質(zhì)是通過迭代法尋找使圖像前景和背景兩類的類內(nèi)方差最小的閾值。一幅具有L個灰度級的圖像，其中第i個灰度級的像素為Ni個，i=0，1，…，L-1，圖像的總像素個數(shù)為 N，第 i個灰度級出現(xiàn)的概率為Pi=Ni/N。假設(shè)閾值k將圖像分為目標像素C0和背景像素C1兩類。其中C0的灰度級為0～k-1，C1的灰度級為k～L-1。則圖像的總平均灰度級為:μ=，其中 C0類像素所占比例為:ω0類像素所占比例為:1-ω0;C0類像素的平均灰度為:μ0(k)=/)ω0;C1類像素的平均灰度為:μ1(k)=/ω。1則類間方差公式為

令k從0～L-1變換，計算不同k值下的類間方差δ2(k)，使得δ2(k)取最大值的k即為所求最優(yōu)閾值。

Kittler算法［10］是一種基于圖像梯度值與圖像灰度統(tǒng)計相結(jié)合的閾值選取方法，閾值T計算公式為

其中:f(x，y)是圖像灰度值，g(x，y)=max{|gx|，|gy|}表示像素點x和y方向上的最大值;gx=f(x-1，y)-f(x+1，y)表示水平方向梯度;gy=f(x，y-1)-f(x，y+1)表示垂直方向梯度。Kittler算法的優(yōu)點是適合細節(jié)豐富的圖像且算法速度快。

采用迭代法選取二值化閾值的過程為

step1 選擇一個T的初始估計值T0;

step2 用閾值T0分割圖像，這樣會生成兩組像素:G1為所有灰度值大于T0的像素組成，G2由所有灰度值小于T0的像素組成;

step3 分別計算區(qū)域G1、G2所有像素的平均灰度值 μ1、μ2;

step4 計算新的閾值:T=1/2(μ1+μ2);

重復(fù)step2到step4，直到相鄰兩次的T值之差小于事先定義的參數(shù)Tr。

選擇采用迭代法選取閾值時，用戶可交互式地給出閾值初始估計值T0和參數(shù)Tr，默認情況下T0=1/2(maxf(x，y)+minf(x，y))，Tr=1。

設(shè)上述三種二值化方法分別作用的結(jié)果為B1(x，y)，B2(x，y)和 B3(x，y)，最終的二值化結(jié)果B(x，y)根據(jù)公式

3.2 基于可接受度的灰面積關(guān)聯(lián)度比對方法

在用戶學(xué)習(xí)書寫的過程中，若能有評分功能也有利于用戶學(xué)習(xí)。這兩項功能的實現(xiàn)，都可以借助基于可接受度的灰面積關(guān)聯(lián)度對比方法來實現(xiàn)。首先手寫樣本與標準模板要經(jīng)過歸一化和傾斜校正等預(yù)處理;然后采用灰面積關(guān)聯(lián)度計算手寫樣本與標準模板之間的相似程度。

灰關(guān)聯(lián)分析方法［11］的基本思想是根據(jù)序列曲線幾何形狀間的相似程度來判斷其聯(lián)系是否緊密。經(jīng)過預(yù)處理的手寫樣本與標準模板的投影特征都可以視為曲線。采用灰面積關(guān)聯(lián)度分析曲線，曲線越接近，相應(yīng)序列之間的關(guān)聯(lián)度就越大;反之就越小，這種特性與書寫樣本比對相符合。同時，灰關(guān)聯(lián)度分析方法對樣本量的多少和樣本有無規(guī)律性都同樣適用，且計算量小。因此本文研究以灰面積關(guān)聯(lián)度分析手寫樣本與標準模板之間的相似程度。灰面積關(guān)聯(lián)度分析過程如下:

首先將經(jīng)過預(yù)處理的標準模板和手寫樣本向水平和垂直方向分別投影，得到投影序列;再分別計算水平和垂直方向的灰面積關(guān)聯(lián)度。現(xiàn)以水平方向為例:假設(shè)標準模板水平方向投影序列x=(x(1)，x(2)，…，x(n));手寫樣本水平方向投影序列y=(y(1)，y(2)，…，y(n))。將序列 y平移:y'=y(i)-(y(1)-x(1))，其中 i=1，2，…，n，相當于把對比序列平移，曲線作平移不會影響曲線的關(guān)聯(lián)度。計算曲線間面積關(guān)聯(lián)度時，曲線有相交和不相交兩種情況，如圖4。

圖4 灰面積關(guān)聯(lián)度的計算

(1)當曲線不相交時，所圍成的區(qū)域可以看作一梯形(三角形看作梯形的特例)。面積計算公式為

(2)當曲線相交時，所圍成的區(qū)域可以看作兩個三角形面積的疊加。面積計算公式為

其中，ρ為分辨系數(shù)，是一個可調(diào)因子，通常取ρ=0.8/Sv。Sv為比較序列y’與參考序列x的曲線面積Si的均值:Sv=Si。

定義可接受度 Acc=(γx+γy)/2，即水平和垂直方向灰面積關(guān)聯(lián)度的平均值，且0≤Acc≤1。

4 結(jié)語

本系統(tǒng)針對少數(shù)民族文字手寫體樣本采集和數(shù)據(jù)庫建設(shè)問題，設(shè)計了具有針對性的圖像預(yù)處理算法，使采集到的圖像可直接生成為滿足數(shù)據(jù)庫要求的圖像格式，避免了現(xiàn)有技術(shù)方案依靠光學(xué)設(shè)備進行文檔數(shù)字化的繁瑣工作和噪聲污染。提出了一種改進的圖像二值化算法和基于可接受度的灰面積關(guān)聯(lián)度對比方法。

［1］王華，丁曉青，哈力木拉提.多字體多字號印刷體維吾爾文字符識別［J］.清華大學(xué)學(xué)報:自然科學(xué)版，2004，44(7):946-949.

［2］PENG Liangrui，LIU Changsong，DING Xiaoqing.Multi-font printed Mongolian document recognition system［J］.International Journal on Document Analysis and Recognition，2010，13(2):93-106.

［3］王華，丁曉青.一種多字體印刷藏文字符識別方法［J］，計算機工程，2004，30(13):18-20.

［4］許爽，孫炎輝，丁紀峰，等.基于ARM的少數(shù)民族文字手寫輸入系統(tǒng)設(shè)計［J］.大連民族學(xué)院學(xué)報，2012(5):456-459.

［5］季永海.滿語教程［M］.北京:中央民族大學(xué)出版社，2011.

［6］何榮偉.滿語365句［M］.沈陽:遼寧民族出版社，2009.

［7］童立靖，張艷，舒巍，等.幾種文本圖像二值化方法的對比分析［J］.北方工業(yè)大學(xué)學(xué)報，2011，23(1):25-33.

［8］OTSU，N.A Threshold Selection Method from Gray-Level Histograms.IEEE Transactions on Systems ［J］.Man and Cybernetics，1979(9):62-66.

［9］楊杰，黃朝兵.數(shù)字圖像處理及MATLAB實現(xiàn)［M］.北京:電子工業(yè)出版社，2010.

［10］KITTLER J，ILLINGWORTH J.Minimum error thresholding［J］.Pattern Recognit，1986(19):41 – 47.

［11］李建坡，趙繼印，鄭蕊蕊.基于綜合關(guān)聯(lián)度分析的電力變壓器故障診斷［J］.2008，26(1):62-68.