印刷體滿文文字?jǐn)?shù)據(jù)庫的構(gòu)建與實現(xiàn)

周興華，李 敏，鄭蕊蕊，許 爽，胡艷霞

(大連民族學(xué)院a.計算機(jī)科學(xué)與工程學(xué)院;b.信息與通信工程學(xué)院;c.東北少數(shù)民族研究院，遼寧大連116605)

清朝統(tǒng)治中國將近300年，作為中華民族的少數(shù)民族之一的滿族，歷史悠久，文化內(nèi)涵豐富，在中國歷史上起著舉足輕重的作用。現(xiàn)存的大量滿文檔案至今已有400多年的歷史，由于年限久遠(yuǎn)，很多歷史文獻(xiàn)已經(jīng)不同程度的破損［1］。如何將這些珍貴的文化歷史記錄轉(zhuǎn)化為可永久保存的電子文檔成為當(dāng)務(wù)之急［2］。光學(xué)字符識別技術(shù)(Optical Character Recognition，OCR)具有將圖片中文字翻譯成計算機(jī)文字的功能，已廣泛應(yīng)用于少數(shù)民族文檔的數(shù)字化保護(hù)，是實現(xiàn)滿文文檔數(shù)字化的技術(shù)保障［3］。利用光學(xué)字符識別技術(shù)識別滿文，必須以大量的字符樣本為基礎(chǔ)，因此建設(shè)滿文文字?jǐn)?shù)據(jù)庫是研究滿文識別方法的必要條件［4］。目前，國內(nèi)已經(jīng)建成了蒙文、藏文、維文等少數(shù)民族文字庫，但滿文字庫的研究相對較少，還沒有一個有影響的滿文文字?jǐn)?shù)據(jù)庫可以為開發(fā)滿文識別算法提供公共的訓(xùn)練和測試樣本，實驗結(jié)果存在很大差異性，識別結(jié)果無法統(tǒng)一比較。因此，建立滿文文字?jǐn)?shù)據(jù)庫是滿文識別技術(shù)的必要前提。

考慮到滿文文字的特殊性，滿文文字庫的構(gòu)建與其它字庫不同，需要將單詞部件作為采集內(nèi)容，而部件的分割是建庫的重點和難點。本文將建庫與文字切分聯(lián)系在一起，提出了一種多級庫的構(gòu)建思想。該庫為后續(xù)滿文識別和特征提取提供有利的保證。對繼承和發(fā)揚(yáng)少數(shù)民族文化，研究滿清歷史，保護(hù)和傳承非物質(zhì)文化遺產(chǎn)，促進(jìn)各民族共同繁榮有著十分重要的歷史意義［5］。

1 印刷體滿文文字?jǐn)?shù)據(jù)庫的結(jié)構(gòu)

基于滿文的特殊性，提出了一種多級數(shù)據(jù)庫的構(gòu)建思想，滿文文字?jǐn)?shù)據(jù)庫的構(gòu)建框圖如圖1。該庫包括列文本庫、單詞庫、基元庫三個子庫。列文本庫可用于分析滿文的語法結(jié)構(gòu)，單詞庫可用于基元切割和樣本測試訓(xùn)練，基元庫可用于后續(xù)的特征提取和模式識別等。該數(shù)據(jù)庫的構(gòu)建以《滿文365句》一書為采集內(nèi)容，書中都是常用的滿文高頻詞匯，大多數(shù)高校和研究所都是以該書為教材學(xué)習(xí)滿語，因此以該書為采集內(nèi)容構(gòu)建的數(shù)據(jù)庫普適性更強(qiáng)。

圖1 滿文文字?jǐn)?shù)據(jù)庫構(gòu)建框圖

滿文文字?jǐn)?shù)據(jù)庫結(jié)構(gòu)如圖2，該庫最大的結(jié)構(gòu)特點在于它是一個多級庫，其中根據(jù)滿文單詞的長度又將單詞庫分為多個子庫。為了方便文字識別的調(diào)用，系統(tǒng)可以先判斷滿文文字的字長，根據(jù)組成單詞基元的個數(shù)選擇去哪個子庫匹配，提高了系統(tǒng)的運行速度和匹配效率。同樣，基元庫中根據(jù)基元出現(xiàn)在單詞中的不同位置劃分為單字基元庫、字頭基元庫、字中基元庫和字尾基元庫。這樣，在文字識別、特征提取的時候就可以根據(jù)基元出現(xiàn)在單詞中的位置選擇去哪個子庫查詢匹配。

圖2 滿文文字?jǐn)?shù)據(jù)庫結(jié)構(gòu)圖

2 數(shù)據(jù)庫的構(gòu)建

要構(gòu)建印刷體滿文文字?jǐn)?shù)據(jù)庫，首先要對掃描得到的滿文圖像進(jìn)行一系列的預(yù)處理，提取圖像中的列文本建立列文本庫，再切分出單個滿文單詞和基元，建立單詞庫和基元庫。

2.1 圖像預(yù)處理

由于獲取的原始圖像因為噪聲、傾斜、污點、痕跡及人為掃描過程中各種參數(shù)調(diào)整不當(dāng)?shù)仍颍沟脪呙璧膱D像并不完美，質(zhì)量也不高，因此，需要對圖像進(jìn)行灰度化、二值化、傾斜矯正、行列切分等預(yù)處理［6］。

對于圖像的灰度化和二值化，采用文獻(xiàn)［7］中的方法，該方法能夠較好地反映原圖像的亮度信息，取得了較為理想的灰度化和二值化結(jié)果。但是如果掃描圖像產(chǎn)生傾斜，就會引起字符變形，字符分割就很困難，嚴(yán)重影響文字的識別率［8］。因此，在預(yù)處理過程中，還要對二值圖像進(jìn)行傾斜校正，如圖3(a)。掃描得到的滿文文本圖像存在一定的傾斜角θ，以原點為中心，將像素(x，y)旋轉(zhuǎn)θ角度而得到新的像素點坐標(biāo)(x'，y')的旋轉(zhuǎn)變換公式為

旋轉(zhuǎn)校正后的圖像如圖3(b)。通過設(shè)定不同的θ值，可實現(xiàn)圖像不同角度的旋轉(zhuǎn)校正。

圖3 傾斜校正

2.2 列文本庫的構(gòu)建

滿文為拼音文字，在結(jié)構(gòu)上與蒙古文相似，都是以詞為單位，書寫時從左至右，從上至下。每個滿文在垂直方向上是由頭部、中部、尾部構(gòu)成的，由主干線相連。而且主干線大多位于單詞的中部，由分布密集的黑色像素點構(gòu)成［9］。

要建立列文本庫，首先要對二值圖像進(jìn)行列切分，提取圖像中的滿文列文本。列切分的關(guān)鍵技術(shù)是如何確定左右邊界，這里采用的是文獻(xiàn)［10］中的投影法。滿文二值圖像在X軸上的投影曲線如圖4，使用該方法的切分效果如圖5，在切分出的列文本中挑選滿文列保存入庫。

圖4 在X軸上的投影曲線

圖5 列切分效果圖

2.3 單詞庫的構(gòu)建

單詞庫的構(gòu)建需要調(diào)用列文本庫中的圖像，提取圖像中的滿文單詞。單詞切分與列切分原理基本類似，將圖像的像素點在Y軸上做投影，根據(jù)先前經(jīng)驗設(shè)定合適閾值，具體切分算法如下:

(1)設(shè)f(i，j)是二值圖像中點(i，j)的像素值，其中 0≤i≤pic_height，0≤j≤pic_wide;

(2)第i=0行時，計算第i行黑色像素點總個數(shù)，并存入一維數(shù)組count［i］中，i循環(huán)加1;

(3)如果i小于圖像高度，重復(fù)操作(2);

(4)設(shè)定閾值p，如果count［i］小于等于p，則返回i的值;

(5)沿(4)中返回的i值橫向切分圖像。

這種結(jié)合閾值的投影法，在某些特定規(guī)則下取得了較好的切分效果。將切分出的滿文文字存入單詞庫中，最后根據(jù)詞長以及構(gòu)成單詞的基元個數(shù)對滿文單詞進(jìn)行分類，分別放入對應(yīng)的子庫中。

2.4 基元庫的構(gòu)建

基元庫的構(gòu)建相對復(fù)雜，因為同一字母出現(xiàn)在單詞中的不同位置會有不同的寫法，為了便于基元庫的充分調(diào)用，我們將基元庫分為字頭基元庫、字中基元庫、字尾基元庫以及單字庫四個三級子庫。基元的切分需要對原始文字圖片進(jìn)行列掃描列，選取有效像素點最多的列作為該文字的中軸［11］。構(gòu)建基元庫具體算法流程如圖6，該算法切分出的基元效果圖如圖7。

圖6 構(gòu)建基元庫算法流程圖

圖7 基元切分效果圖

通過以上方法構(gòu)建的列文本庫、滿文單詞庫、基元庫樣本如圖8。

圖8 印刷體滿文文字?jǐn)?shù)據(jù)庫樣本示例

3 結(jié) 語

文章提出了一種多級滿文文字?jǐn)?shù)據(jù)庫的構(gòu)建思想，將數(shù)據(jù)庫分為列文本庫、單詞庫和基元庫三個子庫，又根據(jù)基元個數(shù)的多少和出現(xiàn)位置的不同分為多個三級子庫。這種多級庫的設(shè)計有利于文字的調(diào)用和特征提取，可有效提高后續(xù)的文字識別速率。另外，該庫包含豐富的滿文文字及特征資源，可為其他學(xué)者研究和學(xué)習(xí)滿文提供測試和訓(xùn)練樣本，為后續(xù)滿文識別奠定基礎(chǔ)。在今后的研究中，將努力改進(jìn)方法，進(jìn)一步改善和豐富該數(shù)據(jù)庫內(nèi)容，努力構(gòu)建不同字體和字號都適用的滿文文字?jǐn)?shù)據(jù)庫。

［1］趙驥，王麗君，李晶皎.基于統(tǒng)計的滿文識別后處理的研究和實現(xiàn)［J］.鞍山科技大學(xué)學(xué)報，2005，28(6):444-446.

［2］吳敏.從滿文發(fā)展的歷史與現(xiàn)狀談保護(hù)與發(fā)展?jié)M文的意義［J］.滿族研究，2010(2):62-65.

［3］LIN W S，JAY K C C.Perceptual Visual Quality Metrics:A Survey［J］.Journal of Visual Communication and Image Representation，2011，22(4):297-312.

［4］鄭蕊蕊，李敏，吳寶春.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［J］.大連民族學(xué)院學(xué)報，2014，16(3):306-309.

［5］魏巍，郭晨.基于多特征集成分類器的脫機(jī)滿文識別方法［J］.計算機(jī)工程與設(shè)計，2012，33(6):2347-2352.

［6］吳剛，德熙嘉措，黃鶴鳴.印刷體藏文識別技術(shù)［J］.青海師范大學(xué)學(xué)報:自然科學(xué)版，2006(01):286-291.

［7］鄭蕊蕊，趙印繼，李敏，等，.多民族脫機(jī)手寫體漢字?jǐn)?shù)據(jù)庫的設(shè)計與構(gòu)建［J］.大連民族學(xué)院學(xué)報，2011，13(5):205-506.

［8］劉芳，歐珠.藏文文字識別系統(tǒng)中的數(shù)字圖像預(yù)處理方法研究［J］.西藏大學(xué)學(xué)報，2006，22(13):257-264.

［9］張廣淵.脫機(jī)手寫體滿文識別研究［D］.沈陽:東北大學(xué)，2006.

［10］劉賽，李益東.彝文文字識別中的文字切分算法設(shè)計與實現(xiàn)［J］.中南民族大學(xué)學(xué)報:自然科學(xué)版，2007，26(3):70-72.

［11］白文榮.手寫體蒙古文字識別—切分技術(shù)的研究［J］.科技經(jīng)濟(jì)市場，2009，(6):30-31.

［12］魏宏喜，高光來.印刷體蒙古文字識別中蒙古文字特征的選擇［J］.內(nèi)蒙古大學(xué)學(xué)報，2006，37(6):694-697.

［13］朱滿瓊，李敏，許爽，等.圖像背景下的滿文文字提取［J］.大連民族學(xué)院學(xué)報，2014，16(1):78-81.

［14］唐春強(qiáng)，趙驥，王愛俠，等.基于投影法的滿文識別研究［C］.中國控制與決策學(xué)術(shù)年會論文集，2004:256-265.

［15］張廣淵，李晶皎，王愛俠.脫機(jī)手寫滿文筆畫基元的提取和識別［J］.計算機(jī)工程，2007，33(22):200-202.

［16］郭海，趙晶瑩.基于小波分析及改進(jìn)二次鑒別函數(shù)的民族文種識別［J］.計算機(jī)應(yīng)用，2009，29(12):3360-3365.

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