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(xù)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(zhì)量，為下一步針對維吾爾文聯(lián)體段提取特征做好必要的基礎(chǔ)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(shù)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(jù)維吾爾文的特點，提出了基于聯(lián)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(jié)構(gòu)特點圖。

圖1 維吾爾文結(jié)構(gòu)特點

3 預處理

3.1 去噪處理

噪點惡化了圖像質(zhì)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(zhì)區(qū)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(shù)學形態(tài)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(jié)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(xiàn)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(lián)體段的切分造成困難。所以傾斜校是特征提取的基礎(chǔ)，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(jié)果的優(yōu)劣。其中直線擬合法是根據(jù)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(nèi)以1°間隔對文本行進行旋轉(zhuǎn)，并對旋轉(zhuǎn)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(jù)角度逆向轉(zhuǎn)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(jié)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(jù)），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(shù)空間，來實現(xiàn)直線與曲線的擬合。這里它把二值圖像變換到Hough參數(shù)空間，在參數(shù)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(qū)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(shù)空間里進行簡單的累加統(tǒng)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(shù)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(shù)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(chuàng)新。

3.2.4 小結(jié)

通過投影圖法，Hough變換法，直線擬合法，我們發(fā)現(xiàn)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(xù)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(lián)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(fā)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(lián)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(xù)利用垂直投影的方法在文本行的基礎(chǔ)上進行聯(lián)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(jù)水平和垂直投影切分出來的聯(lián)體段，也是進行建模的基礎(chǔ)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(lián)體段）進行圖像處理了。

圖6 聯(lián)體段切分結(jié)果

3.4 細化

為了使特征形式顯現(xiàn)，需要對文本圖像進行細化。使筆劃寬度變?yōu)橹挥幸粋€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(xù)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(jié)構(gòu)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(shù)學形態(tài)學細化算法等。本文經(jīng)過測試最終選用了Rosenfeld算法，此算法的處理結(jié)果滿足細化骨架的三個基本要素，經(jīng)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(fā)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(lián)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(lián)體段與其Unicode碼的對齊

這里有個難點，對于圖像文件的聯(lián)體段如何進行劃分第3.3節(jié)已經(jīng)解決。那么，對于文本文件的聯(lián)體段如何自動進行劃分呢？其實，維吾爾文的聯(lián)體段結(jié)束標識均是由字母的尾寫形式組成的。經(jīng)過多方求證，在維吾爾文文章中聯(lián)體段結(jié)束標識除了是維語尾寫字母外還包括英文、數(shù)字、特殊字符等［16］。結(jié)合圖像文本的切分這些就都是我們判斷結(jié)束的標志了。經(jīng)過搜集整理，得出維文聯(lián)體段結(jié)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(lián)體段的結(jié)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(lián)體段的結(jié)束字母。

4 結(jié)語

本文根據(jù)維吾爾文文字的特點，以聯(lián)體段為基本建模單位，通過VC++完全實現(xiàn)了印刷維吾爾文圖像識別技術(shù)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(lián)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(xù)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(chǔ)上對聯(lián)體段提取相應的特征用于后續(xù)的識別。