印刷體維文切分算法的改進——基于像素積分投影法和連通域搜索法

李亞男，陳興文，張 丹

(大連民族學院，計算機科學與工程學院，遼寧大連116605)

相對已經達到國際較先進水平的印刷體漢字、英文識別技術，印刷體維文文字識別技術還處于初步階段［1］。印刷體維文識別技術中，維文的準確切分起著至關重要的作用，好的切分效果可以大大提高最終的識別率。像素積分投影法是目前常用的維文切分方法［2-3］，但在進行單詞切分時，該方法不能很好的處理單詞切分時相鄰連體段在水平方向的覆蓋情況，在進行字母切分時，該方法存在過切分和漏切分現象。針對上述情況，提出將像素積分投影法與連通域搜索法相結合的方法對維文進行行切分和單詞切分，以減少單詞的誤切分，并對字母切分部分的像素積分投影法進行改進，僅對位于基線上方的部分進行垂直投影，提高了字母切分的正確率。

1 印刷體維文切分流程及算法分析

維吾爾文的構成特點和書寫特點都比較特殊，如維吾爾文字母之間前后粘連形成連體段，相鄰連體段在水平方向會有覆蓋的情況，字形的寬高不統一，詞匯中字母之間沒有明顯的界限等，如圖1。使得維文單詞切分與字母切分成為維文識別技術中的難點［4-5］。

圖1 維文字符

印刷體維文切分過程:首先對維文文本進行行切分，然后對得到的每一行進行單詞切分，最后對每個單詞進行字母切分。行切分相對簡單易行，單詞切分和字母切分則有一定的難度。

對印刷體維文切分，目前最常用的切分方法是像素積分投影法，該方法可以很好的對維文文本行進行有效切分。但是像素積分投影法進行單詞切分時不能處理相鄰連體段在水平方向覆蓋的情況，容易出現漏切分的現象，進行字母切分時也存在一定的問題:Amin把列投影值小于平均列投影值的位置作為候選字母連接部分，然后相鄰投影峰值的距離以及大小關系去除部分不合理候選切分位置，但是這種方法需要預知字符的寬度;哈力木拉提取兩個峰值中間小于平均投影的位置作為字符的切分點，該方法存在過切分或漏切分的情況，并且受到字符附加部分的影響。

2 印刷體維文切分方法設計

2.1 行切分方法實現

對印刷體維文文字圖像進行預處理之后得到的是一個整體的二值化圖片文檔，對文字部分和空白間隙部分進行像素積分投影［3-5］，空白間隙部分投影理論值為0(可能有噪聲的存在，實際上不一定為0)，而文字行的水平積分投影不為0。因此可以逐行掃描每個像素點，求出各行的水平積分投影，將整篇文檔的每一行切分開。一幅文本圖象定義

式中 i:行數，i=1，2，…，m;j:列數，j=1，2，…，n。

各行水平積分投影公式為

一行文本的范圍通過計算圖象的水平投影確定。對經過預處理后尚未切分的文本按照從下往上的順序進行逐行像素搜索［3］:若第i行滿足(H(i)＞q)∩(H(i+1)＞q)∩..∩(H(i+m-1)＞q)，則將像素行i作為文本行的下界;若第i行滿足(H(i)＜r)∩(H(i+1)＜r)∩…∩(H(i+n-1)＜r)，則將像素行i作為文本行的上界。參數p、q、m、n、r均為根據預處理去噪效果和實驗情況得到的常數，其中 n=3，m=5，r=2，p=2，q=2，此數據作為參考，具體數據需根據實驗情況而定。像素積分投影法簡單易行，可以很好的對維文文本行進行有效切分。

2.2 單詞切分方法實現

像素積分投影法進行單詞切分時不能處理相鄰連體段在水平方向覆蓋的情況，容易出現漏切分的現象。對字符研究發現，字符的根本特性在于其連通性［1，6］，盡管維文單詞會出現相鄰連體段在水平方向覆蓋、傾斜、以及變形等情況，如圖2。但是每個單詞的連通性是不會改變的，因此可采用連通域搜索法來實現單詞切分。該方法可以充分利用字符的連通特性，較好地解決相鄰連體段在水平方向覆蓋的問題，提高維文單詞切分的正確率。

圖2 水平方向有重疊的單詞

利用遞歸式區域生長算法確定各連通域，找出連通域后，做出各個連通域的外接矩形［1］。由于32個維文字母中有20個字母包含附加筆畫，附加筆畫部分與字母主體部分上、下不粘連，因此一個維文字母可能包含多個連通域，所以還需要對連通域進行合并，規則為:搜索每個連通域A最近的連通域B，如果B在A的上方或者下方，則視A和B是同一個字母的主體部分和附加部分，否則將B單獨看作一個字母。

運用垂直投影法得到的單詞切分結果如圖3，運用連通域搜索法得到的單詞切分結果如圖4。當單詞上下重疊時(箭頭處)，垂直投影法并不能將其很好的切分開，而連通域搜索法則可以。

圖3 垂直投影法單詞切分結果

圖4 連通域搜索法單詞切分結果

2.3 字母切分方法改進

文獻［5］對字母進行切分時，首先對輸入的單詞進行垂直積分投影，取有空隙的位置進行切分，得到獨立的字母和連體段，如圖5，然后找到一段投影值為0的連續空白位置(該位置兩邊的投影值大于0)，取其中間位置作為候選切分點，最終實現字母切分。

圖5 單詞中的連體段

該方法需要預知字符寬度，容易出現漏切和過切的現象，并不普適。因此對這一部分進行改進，算法如下:

(1)對輸入的單詞進行垂直積分投影，投影后取有空隙的位置進行切分。垂直積分投影公式為

(2)確定基線區域高度及位置。提取文字行中的所有豎直黑像素游程后統計不同長度游程的數目，具有最多數目游程的游程長度就是基線的高度Hb，H是文字行的高度，P是文字行的水平投影結果，E1和E2分別表示基線的上邊界和下邊界。在文字行無傾斜的情況下，行的基線位置可以根據式(4)得到，即文字行的基線就是高度為Hb，最大水平投影值最大的帶狀區域。

(3)提取出位于基線上方的維文部分，即提取出位于基線上邊界E1與文本行上邊界H1之間的字符部分，如圖6。對基線上方部分進行垂直投影，找到一段投影值為0的連續空白位置，該位置兩邊的投影值大于0，取空白位置的中間位置作為候選切分點，如圖7。

圖6 提取連體段位于基線上方部分

圖7 對基線上方部分進行垂直投影

(4)閾值判定法去除誤切分。閾值T的定義為［4］:連體段的行高度H與連續空白間隙的寬度W做比的均值取整作為T，當T過大時，所切分的位置就比較高，可能造成誤切分，當T過小時，使連體字母不能被切開。閾值T根據實際實驗的訓練數據得出，本文取T=16進行判定。

采用未改進的投影法字母切分結果如圖8，黑色箭頭處存在漏切分現象，采用改進后的投影法字母切分結果如圖9。對比可見，改進后的方法對去除字母誤切分有很好的效果，提高了字母切分的正確率。

圖8 未改進的投影法字母切分結果

圖9 改進后的投影法字母切分結果

3 系統環境與識別結果

設計的印刷體維文識別系統是在Windows 7平臺下，以VC 6.0和Matlab 2012為開發環境。

打開的原始印刷體維文文本圖片如圖10。

圖10 原始印刷體維文文本圖片

原始維文文本圖片的最終識別結果如圖11。由結果可見，采用改進的維文切分方法，可以達到較好的識別效果。

4 結語

討論了如何對掃描輸入的二值化維文文本圖象進行行切分、單詞切分、字母切分。通過分析研究不同字符切分方法的優缺點，結合維文自身的書寫特點與結構特點，提出采用像素積分投影法和連通域搜索法相結合對印刷體維文進行行切分和單詞切分，該方法較好的解決了像素積分投影法不能處理相鄰連體段在水平方向覆蓋的問題。在字母切分部分，改進了文獻［5］中字母切分部分的投影法，改進后的方法不需要預知字符寬度，基本不存在漏切分現象，提高了字母切分的正確率。提出的維文切分方法能夠較好地應用在印刷體維文識別系統中的切分部分。

圖11 最終識別結果

［1］尹芳，王衛兵，陳德運.印刷體英文文檔識別系統的設計與實現［J］.哈爾濱理工大學學報，2008，13(6):9-12.

［2］萬金娥，袁保社，李曉，等.一種改進的印刷體維吾爾文投影切分方法［J］.計算機工程，2013，39(4):263-266.

［3］董國君.印刷體俄文文字識別研究［D］.烏魯木齊:新疆大學，2009.

［4］袁保社，吾守爾·斯拉木.一種手寫維吾爾文字母識別算法［J］.計算機工程，2010，36(2):186-188.

［5］李曉，袁保社，陳卿，等.基于像素積分投影的印刷體維文字母切分方法［J］.計算機技術與發展，2012，22(4):41-44.

［6］靳簡明，丁曉青，彭良瑞，等.印刷維吾爾文本切割［J］.中文信息學報，2005，18(5):76-83.