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(shí)別方法是保護(hù)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(huì)價(jià)值和歷史意義［1-4］。光學(xué)字符識(shí)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?jǐn)?shù)據(jù)庫(kù)是研究少數(shù)民族文字識(shí)別方法的必要條件。然而，目前能讀寫(xiě)少數(shù)民族文字的人數(shù)量有限，部分少數(shù)民族的語(yǔ)言文字甚至已瀕臨失傳，要獲得大量的手寫(xiě)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(xiě)樣本，設(shè)計(jì)并開(kāi)發(fā)了一種少數(shù)民族文字手寫(xiě)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(xiě)規(guī)律，擴(kuò)展了少數(shù)民族文字手寫(xiě)樣本的采集范圍，很大程度上解決了少數(shù)民族文字手寫(xiě)樣本匱乏的問(wèn)題。系統(tǒng)還集成了文字?jǐn)?shù)據(jù)庫(kù)構(gòu)建中常用的圖像預(yù)處理算法，實(shí)現(xiàn)了數(shù)據(jù)采集與數(shù)據(jù)庫(kù)圖片生成的一體化技術(shù)，并具備互動(dòng)式圖片對(duì)比功能，使少數(shù)民族文字手寫(xiě)樣本的采集和數(shù)據(jù)庫(kù)構(gòu)建更為方便快捷。

1 少數(shù)民族文字模板/語(yǔ)音數(shù)據(jù)庫(kù)

目前，中國(guó)已正式使用和經(jīng)國(guó)家批準(zhǔn)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(shí)際情況設(shè)計(jì)具有針對(duì)性的文字模板?？紤]到本系統(tǒng)后續(xù)的讀音數(shù)據(jù)采集功能的開(kāi)發(fā)，需要建設(shè)少數(shù)民族語(yǔ)音數(shù)據(jù)庫(kù)。現(xiàn)以滿文為例，介紹少數(shù)民族文字模板的設(shè)計(jì)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(kù)

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

圖1 滿文字母模板

滿文字母的4種寫(xiě)法，加上不規(guī)則的元音書(shū)寫(xiě)方式，共計(jì)128個(gè)字母，因此滿文字母模板庫(kù)共包含128個(gè)模板圖片，如圖2?？紤]到滿文字母書(shū)寫(xiě)的規(guī)范性，還在模板中添加了“字母筆順”屬性，輔助用戶寫(xiě)出規(guī)范的滿文字母。滿文字母有對(duì)應(yīng)的羅馬字轉(zhuǎn)寫(xiě)，用來(lái)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(kuò)展，在模板中加入“羅馬字轉(zhuǎn)寫(xiě)”屬性，以便鏈接讀音數(shù)據(jù)。如果用戶不會(huì)滿語(yǔ)，但參照模板中的筆順和實(shí)例，經(jīng)多次練習(xí)，即可寫(xiě)出令人滿意的滿文字母樣本。為了方便查找，模板保存時(shí)統(tǒng)一采用“羅馬字母轉(zhuǎn)寫(xiě)+位置編號(hào)”的方式命名。數(shù)字0，1，2，3分別對(duì)應(yīng)字母的獨(dú)寫(xiě)體、首寫(xiě)體、中寫(xiě)體和尾寫(xiě)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(kù)

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(guó)Adobe公司開(kāi)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(kù)中對(duì)應(yīng)的字母庫(kù)中，統(tǒng)一采用“羅馬字母轉(zhuǎn)寫(xiě).mp3”的方式命名。

2 基于MATLAB GUI的系統(tǒng)軟件開(kāi)發(fā)

系統(tǒng)采用MATLAB提供的圖形用戶界面開(kāi)發(fā)環(huán)境(Graphical User Interface Development Environment，GUIDE)設(shè)計(jì)圖形用戶界面，少數(shù)民族文字手寫(xiě)體采集系統(tǒng)運(yùn)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(shí)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(shū)寫(xiě)功能，可采用鼠標(biāo)，推薦使用數(shù)位板做為書(shū)寫(xiě)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(yùn)行界面

3 少數(shù)民族文字手寫(xiě)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(jìn)

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(jiǎn)單統(tǒng)計(jì)法等常用于文本圖像二值化的方法的優(yōu)缺點(diǎn)。Ostu算法是常用的全局閾值法;Kittler算法結(jié)合了圖像統(tǒng)計(jì)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(diǎn)，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(jìn)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(shí)質(zhì)是通過(guò)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(gè)灰度級(jí)的圖像，其中第i個(gè)灰度級(jí)的像素為Ni個(gè)，i=0，1，…，L-1，圖像的總像素個(gè)數(shù)為 N，第 i個(gè)灰度級(jí)出現(xiàn)的概率為Pi=Ni/N。假設(shè)閾值k將圖像分為目標(biāo)像素C0和背景像素C1兩類。其中C0的灰度級(jí)為0～k-1，C1的灰度級(jí)為k～L-1。則圖像的總平均灰度級(jí)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(jì)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(jì)相結(jié)合的閾值選取方法，閾值T計(jì)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(diǎn)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(diǎn)是適合細(xì)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(guò)程為

step1 選擇一個(gè)T的初始估計(jì)值T0;

step2 用閾值T0分割圖像，這樣會(huì)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(jì)算區(qū)域G1、G2所有像素的平均灰度值 μ1、μ2;

step4 計(jì)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(shí)，用戶可交互式地給出閾值初始估計(jì)值T0和參數(shù)Tr，默認(rèn)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(duì)方法

在用戶學(xué)習(xí)書(shū)寫(xiě)的過(guò)程中，若能有評(píng)分功能也有利于用戶學(xué)習(xí)。這兩項(xiàng)功能的實(shí)現(xiàn)，都可以借助基于可接受度的灰面積關(guān)聯(lián)度對(duì)比方法來(lái)實(shí)現(xiàn)。首先手寫(xiě)樣本與標(biāo)準(zhǔn)模板要經(jīng)過(guò)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(jì)算手寫(xiě)樣本與標(biāo)準(zhǔn)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(lái)判斷其聯(lián)系是否緊密。經(jīng)過(guò)預(yù)處理的手寫(xiě)樣本與標(biāo)準(zhǔn)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(shū)寫(xiě)樣本比對(duì)相符合。同時(shí)，灰關(guān)聯(lián)度分析方法對(duì)樣本量的多少和樣本有無(wú)規(guī)律性都同樣適用，且計(jì)算量小。因此本文研究以灰面積關(guān)聯(lián)度分析手寫(xiě)樣本與標(biāo)準(zhǔn)模板之間的相似程度?；颐娣e關(guān)聯(lián)度分析過(guò)程如下:

首先將經(jīng)過(guò)預(yù)處理的標(biāo)準(zhǔn)模板和手寫(xiě)樣本向水平和垂直方向分別投影，得到投影序列;再分別計(jì)算水平和垂直方向的灰面積關(guān)聯(lián)度?，F(xiàn)以水平方向?yàn)槔?假設(shè)標(biāo)準(zhǔn)模板水平方向投影序列x=(x(1)，x(2)，…，x(n));手寫(xiě)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(dāng)于把對(duì)比序列平移，曲線作平移不會(huì)影響曲線的關(guān)聯(lián)度。計(jì)算曲線間面積關(guān)聯(lián)度時(shí)，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(jì)算

(1)當(dāng)曲線不相交時(shí)，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(jì)算公式為

(2)當(dāng)曲線相交時(shí)，所圍成的區(qū)域可以看作兩個(gè)三角形面積的疊加。面積計(jì)算公式為

其中，ρ為分辨系數(shù)，是一個(gè)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(yǔ)

本系統(tǒng)針對(duì)少數(shù)民族文字手寫(xiě)體樣本采集和數(shù)據(jù)庫(kù)建設(shè)問(wèn)題，設(shè)計(jì)了具有針對(duì)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(kù)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(jìn)行文檔數(shù)字化的繁瑣工作和噪聲污染。提出了一種改進(jìn)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(duì)比方法。

［1］王華，丁曉青，哈力木拉提.多字體多字號(hào)印刷體維吾爾文字符識(shí)別［J］.清華大學(xué)學(xué)報(bào):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(shí)別方法［J］，計(jì)算機(jī)工程，2004，30(13):18-20.

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

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

［6］何榮偉.滿語(yǔ)365句［M］.沈陽(yáng):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(duì)比分析［J］.北方工業(yè)大學(xué)學(xué)報(bào)，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(shí)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.