基于聯體段的印刷維吾爾文預處理?

邵小青 賈鈺峰 章蓬偉 邵敬普

（1.新疆科技學院 庫爾勒 841300）（2.中國石油運輸有限公司沙漠運輸分公司 庫爾勒 841300）

1 引言

在文字圖像生成時由于設備或人為等一些因素會給后續的識別帶來問題，而圖像的預處理就是為了排除這些干擾，提高圖像質量，為下一步針對維吾爾文聯體段提取特征做好必要的基礎準備。

2 維吾爾文的特點

維吾爾文的詞是由一個或多個字母組成，筆劃簡單但字形相差小，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別技術的一個難點，切分常常碰到粘連，斷裂，躁點，偽字母切分等［1］。根據維吾爾文的特點，提出了基于聯體段（WordPart）［2］的段切分。此種切分方法能保留住文字的特征信息，極大地簡便了圖像處理。如圖1是維吾爾文結構特點圖。

圖1 維吾爾文結構特點

3 預處理

3.1 去噪處理

噪點惡化了圖像質量，復雜了特征，消除圖像噪點的工作稱之為圖像平滑或濾波，對圖像孤立點簇作為雜質區域進行清除，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、數學形態學中的二值閉運算、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，為此我們針對二值化后的2色圖像改進了均值濾波：假設濾波模板為3*3，如圖2。

圖2 3*3的濾波模板

如果待測圖像中某像素點值P為黑點，而周邊8鄰接點像素點為白點，則該像素點為噪聲點。假設將黑點值取為1，白點取值為0。如果待測像素點值P為白點，則同理。新的邏輯表達式可以表示為或0。對消除圖像上孤立的點效果很好，結果如圖3。

圖3 本文的去噪效果對比圖

3.2 傾斜校正，基線評估

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

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的長度最大的傾斜角進行分析。我們的方法是在一定閾值范圍內以1°間隔對文本行進行旋轉，并對旋轉后的圖像進行投影，對投影的長度進行記錄，并找出其中最大長度。當前長度與最大長度之間的夾角大于0時代表有傾斜，并計算出傾斜角度，然后根據角度逆向轉動矯正整體圖像。當然還可以基于投影圖波谷的間隙最長進行角度校正。但該算法對一行只有一個詞的情況，無法得到滿意的結果。

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行文本行切分的依據），波峰是基線的位置?；€，維吾爾文字書寫時虛擬的一條直線，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］是一個非常重要的檢測間斷點邊界形狀的方法。它通過將圖像坐標空間變換到參數空間，來實現直線與曲線的擬合。這里它把二值圖像變換到Hough參數空間，在參數空間用極值點檢測完成目標的檢測。Hough變換是利用圖像全局特性而將邊緣像素連接起來組成邊界區域封閉的一種辦法［7］。Hough變換對于純文本的抗干擾能力強，可以減少計算量，對曲線間斷的影響也較小。只需要在參數空間里進行簡單的累加統計即可。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(X(i)，Y(i))，就可以擬合出一條直線y=ax+b，使所有點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的目標擬合直線［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為止（即：從下往上數第一個前景點），然后把此點作為采樣點，得到一系列坐標值(X(i)，Y(i))。然后使用直線擬合算法算出該直線的系數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，然后再進行傾斜校正。如果我們每一行都用此方法進行直線擬合，則擬合的直線就是當前行的基線下界。這是一種新的方法，是本文的創新。

3.2.4 小結

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

3.3 聯體段切分

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，詞匯量達幾百萬之巨，隨著社會的發展新詞也在逐步增加，建立詞匯模型不切實際。建立筆畫模型更是不切實際。我們選擇了基于聯體段的切分和文字識別模型，識別的模型就是基于此的。我們繼續利用垂直投影的方法在文本行的基礎上進行聯體段的切分（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中矩形框框出來的長方體就是根據水平和垂直投影切分出來的聯體段，也是進行建模的基礎單位。記錄下矩形框的左上角的坐標位置以及長度和寬度，就可以對矩形框（聯體段）進行圖像處理了。

圖6 聯體段切分結果

3.4 細化

為了使特征形式顯現，需要對文本圖像進行細化。使筆劃寬度變為只有一個比特（bit）的細曲線。為了不破壞文字特征我們的細化要保證如下要求：1）筆畫不能造成斷裂，必須是連續的。2）要將筆畫的整體細化為一個比特（bit）的單線。3）骨架拓撲結構和整體字形沒有被改變。

常用的細化算法有Pavlidis，Hilditch，Rosen?feld，基于索引表的細化算法，數學形態學細化算法等。本文經過測試最終選用了Rosenfeld算法，此算法的處理結果滿足細化骨架的三個基本要素，經過驗證效果良好［14～15］（圖7）。

圖7 Rosenfeld細化算法下的像素點模型

3.5 訓練用比對方法的建立

至此我們做好了特征提取，識別訓練的準備。但是訓練部分必須要知道對應的維文Unicode碼字符串，它起到了標識和認識的目的。這就需要我們進行一一匹配（比對方法建立）。為此開發了一個由程序自動劃分并加人工校正的匹配程序。匹配程序難免受躁點和切分的影響，人為校正使每一個維吾爾文圖像文本的聯體段與其Unicode碼進行了完美的匹配，如圖8。最后把Unicode碼加入了特征庫，作為訓練比對的參照。

圖8 圖像文本聯體段與其Unicode碼的對齊

這里有個難點，對于圖像文件的聯體段如何進行劃分第3.3節已經解決。那么，對于文本文件的聯體段如何自動進行劃分呢？其實，維吾爾文的聯體段結束標識均是由字母的尾寫形式組成的。經過多方求證，在維吾爾文文章中聯體段結束標識除了是維語尾寫字母外還包括英文、數字、特殊字符等［16］。結合圖像文本的切分這些就都是我們判斷結束的標志了。經過搜集整理，得出維文聯體段結束字母共有十三個，其中十一個用十六進制的Uni?code碼定義為

另外還有兩個用十六進制的Unicode碼定義為

static WCHAR WordPartEndS［2］=｛0x0649，0x06d0｝，這兩個字母也是維文聯體段的結束字母，當這兩個字母后面跟著上面十一個字母中任一個字母時，上面的字母為此聯體段的結束字母。

4 結語

本文根據維吾爾文文字的特點，以聯體段為基本建模單位，通過VC++完全實現了印刷維吾爾文圖像識別技術中的預處理部分。預處理完成的工作有去噪、傾斜校正、基線判定、聯體段切分、細化等。為了能夠更好地去噪使用了改進的濾波方法。在傾斜校正，基線評估中提出了直線擬合的校正方法，用投影法完成基線判定。為方便后續特征的提取選取了合適的細化算法，同時建立了比對方法程序。在此基礎上對聯體段提取相應的特征用于后續的識別。