耿曉艷，許維勝，吳繼偉

(同濟(jì)大學(xué)電子與信息工程學(xué)院，上海 201804)

0 引言

傳統(tǒng)的漢字字庫制作采用人工手寫的方法［1-2］，即由造字專家按照統(tǒng)一的風(fēng)格及筆形規(guī)范逐字書寫，然后將字稿掃描到電腦，形成點(diǎn)陣字庫，再進(jìn)行數(shù)字化擬合，將點(diǎn)陣圖形抽象成數(shù)字信息，最后進(jìn)行人工修字，并按照需求，整合為不同格式的字庫。這種方法工作量大，耗時(shí)久，成本高，且易受到人為因素的影響，因而現(xiàn)有的漢字字庫制作技術(shù)已不能適應(yīng)信息產(chǎn)業(yè)日益發(fā)展的需求。

近年來，一些關(guān)于個(gè)性字庫的研究，如陳禹伶［3］將手寫體樣本字與標(biāo)準(zhǔn)字進(jìn)行識別，然后對標(biāo)準(zhǔn)字進(jìn)行圖像變換，生成具有手寫字特征的“我”體字庫，但沒有考慮字體的品質(zhì)評價(jià)問題，故生成的字庫與期望有較大的差距。ZHOU Bao-yao等［4］針對個(gè)性化手寫體漢字提出樣本字復(fù)用的方法，首先在標(biāo)準(zhǔn)印刷體漢字圖像的基礎(chǔ)上建立漢字部首組合模型，即采用水平、垂直和封閉式分類器對標(biāo)準(zhǔn)漢字進(jìn)行分割，并根據(jù)視覺相似性對部首分類，然后采用該模型將輸入的手寫體樣本字分割并生成其他漢字。潘志庚等［5］提出了一種使用Fourier級數(shù)描述漢字輪廓，通過對不同字形的風(fēng)格進(jìn)行復(fù)合，生成具有多種風(fēng)格的字形的方法，但也未涉及字體的品質(zhì)評價(jià)問題。

針對傳統(tǒng)字庫制作中需要人工干預(yù)構(gòu)字結(jié)果這一弊端，本文依據(jù)造字專家對于漢字質(zhì)量的評判方法，抽象漢字的相關(guān)美學(xué)屬性特征，并依此建立神經(jīng)網(wǎng)絡(luò)模型。通過學(xué)習(xí)造字專家對個(gè)例漢字的評判結(jié)果，獲取漢字品質(zhì)的量化評判標(biāo)準(zhǔn)，從而實(shí)現(xiàn)對所有構(gòu)字結(jié)果進(jìn)行計(jì)算機(jī)自動美學(xué)評價(jià)，提升字庫中漢字的質(zhì)量。

1 提取屬性

1.1 漢字書寫規(guī)則

造字專家采用人工手寫的方法造字，必然有一系列的關(guān)于字體品質(zhì)的評價(jià)準(zhǔn)則，按照這樣的準(zhǔn)則生成的漢字被認(rèn)為是符合專業(yè)審美要求的。標(biāo)準(zhǔn)整字滿足的基本書法規(guī)則有:

(1)滿收虛放，即字體外圍較滿的漢字要內(nèi)收，較虛的漢字要外放。另外，內(nèi)白大的漢字應(yīng)適當(dāng)縮小，這樣才能使字體的視覺大小一致。如圖1所示，第一組的“口”、“田”、“圍”3個(gè)字實(shí)際大小相同，但看起來“口”字較大，“圍”字最小;第二組將“口”字和“田”字做了適當(dāng)?shù)目s小，看起來就更加協(xié)調(diào)了。

(2)黑白均勻，即漢字整體的黑白比例協(xié)調(diào)。

(3)重心穩(wěn)定，上緊下松，左右平衡。因人有視錯(cuò)覺，即視覺中心比絕對中心要高一點(diǎn)，故為使字體的中心在視覺中心上，就要上部緊湊下部寬松，這樣才符合視覺審美［6-7］。

圖1 字體內(nèi)白對視覺效果的影響

1.2 定義影響漢字質(zhì)量的屬性

用計(jì)算機(jī)對構(gòu)字結(jié)果進(jìn)行評價(jià)，需要將上述標(biāo)準(zhǔn)和要求量化，具體可以通過漢字的相關(guān)屬性來表征。本文利用Matlab環(huán)境，采用圖像處理的方法，提取可能影響字體質(zhì)量的屬性特征，并經(jīng)實(shí)驗(yàn)測試，確定了以下對漢字品質(zhì)有重要影響的屬性［8-11］。

(1)外接矩形的寬(Width)和高(Height)，反映漢字最基本的大小和比例。

(2)水平重心(W_X)和豎直重心(W_Y)。設(shè)c(i，j)表示漢字點(diǎn)陣，則重心的計(jì)算方法如下:

其中，I表示外接矩形的寬，J表示外接矩形的高。

(3)中心，即外接矩形的中心，包括水平中心(G_X)和豎直中心(G_Y)。

(4)黑像素占外接矩形的比例(WAR)，計(jì)算公式如下:

(5)復(fù)雜度，定義為黑白像素的變化次數(shù)，包括水平復(fù)雜度(CompX)和豎直復(fù)雜度(CompY)。

(6)滿虛度，設(shè)漢字點(diǎn)陣c(i，j)到外接矩形上、下、左、右 4 個(gè)方向的距離分別為 dT(i，j)、dB(i，j)、dL(i，j)和 dR(i，j)，則整字的滿虛度定義為:

(7)為了更細(xì)致地表示漢字的黑白，將外接矩形等分為左上、右上、左下和右下4部分，分別計(jì)算每一部分的黑像素比例(WARLT、WARRT、WARLB和WARRB)。

(8)為充分反映漢字邊界的滿虛程度，計(jì)算外接矩形上、下、左、右各四分之一部分的黑像素比例(WARL、WARR、WART、WARB)。

(9)形態(tài)結(jié)構(gòu)特征，取外接矩形的上三分之二部分、從上到下的中間三分之二部分和下三分之一部分，分別求出各自的左、右滿虛度(ShapeT_L、ShapeT_R、ShapeTBM_L、ShapeTBM_R、ShapeB_L、ShapeB_R);同理，取外接矩形的左三分之二部分、從左到右的中間三分之二部分和右三分之一部分，分別求出各自的上、下滿虛度(ShapeL_T、ShapeL_B、ShapeLRM_T、ShapeLRM_B、ShapeR_T、ShapeR_B)。

2 構(gòu)建評價(jià)模型

2.1 確定評價(jià)模型的輸入與輸出

根據(jù)上文提出的書法規(guī)則，大小一致可以通過外接矩形的寬和高來衡量，滿收虛放和內(nèi)白大小決定了漢字的大小，反映到抽象的量，即復(fù)雜度、滿虛度和形態(tài)結(jié)構(gòu)特征決定了外接矩形的寬和高。整字的黑像素所占比例WAR可以體現(xiàn)漢字的黑白均勻，影響整字WAR的量有:外接矩形的寬和高、復(fù)雜度、黑像素總數(shù)、形態(tài)結(jié)構(gòu)特征以及滿虛度。為更精確地反映漢字的黑白均勻，將4等分外接矩形得到的WARLT、WARRT、WARLB和WARRB值作為表現(xiàn)黑白特點(diǎn)的量度，與整字的WAR類似，影響這4部分黑像素比例的因素有:外接矩形的寬和高、復(fù)雜度、整字的WAR、形態(tài)結(jié)構(gòu)特征以及滿虛度。重心穩(wěn)定，上緊下松，左右平衡，可以用漢字的重心和中心來表征，經(jīng)測試漢字的形態(tài)結(jié)構(gòu)特征和滿虛度可以較好地確定重心和中心。

基于以上分析，本文利用改進(jìn)的三層BP神經(jīng)網(wǎng)絡(luò)分別構(gòu)建4個(gè)評價(jià)模型:SelEvaluWHNet、SelEvalu-WARNet、SelEvaluQuaWARNet、SelEvaluPosNet，其各自的輸入、輸出如圖2～圖4所示。

圖3 SelEvaluWARNet評價(jià)黑白是否均勻

圖4 SelEvaluQuaWARNet評價(jià)黑白是否均勻

圖5 SelEvaluPosNet評價(jià)重心是否穩(wěn)定

2.2 建立評價(jià)模型的BP網(wǎng)絡(luò)

評價(jià)模型的搭建過程中使用到Matlab的神經(jīng)網(wǎng)絡(luò)工具箱，該工具箱提供了許多有關(guān)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)、訓(xùn)練和仿真的函數(shù)，用戶可根據(jù)需要調(diào)用相關(guān)函數(shù)［12］。下面介紹本文構(gòu)造評價(jià)模型的BP網(wǎng)絡(luò)所用的工具箱函數(shù)及具體的參數(shù)選擇。

(1)利用 newff函數(shù)生成 BP網(wǎng)絡(luò)進(jìn)行初始化［13］，其語法結(jié)構(gòu)為:

其中，P、T分別表示輸入、輸出向量;Si表示第i層網(wǎng)絡(luò)的神經(jīng)元數(shù)目，N表示網(wǎng)絡(luò)的總層數(shù)，設(shè)輸入、輸出神經(jīng)元個(gè)數(shù)分別為 m、n，由于本文采用三層BP網(wǎng)絡(luò)，則根據(jù)經(jīng)驗(yàn)值取第一、第二隱層的神經(jīng)元個(gè)數(shù)為:

PF是性能函數(shù)，常用默認(rèn)的均方誤差mse;TFi表示第i層網(wǎng)絡(luò)的傳遞函數(shù);BTF表示訓(xùn)練函數(shù);BLF表示學(xué)習(xí)函數(shù)。TF、BTF和BLF的選取分別如下:

這里，傳遞函數(shù)logsig為S型的對數(shù)函數(shù)，可將輸入映射到區(qū)間(0，1)中;tansig為雙曲正切S形傳遞函數(shù)，其返回值位于區(qū)間(－1，1)中;satlins為對稱飽和線性傳遞函數(shù)。學(xué)習(xí)函數(shù)選取默認(rèn)的梯度下降動量學(xué)習(xí)函數(shù)learngdm。

為克服標(biāo)準(zhǔn)BP算法存在的收斂速度慢、易形成局部極小等缺陷，本文使用改進(jìn)的BP網(wǎng)絡(luò)，即訓(xùn)練函數(shù)采用動量及自適應(yīng)lrBP的梯度訓(xùn)練遞減函數(shù)traingdx。增加動量項(xiàng)，即從前一次權(quán)值調(diào)整量中取出一部分疊加到本次權(quán)值調(diào)整量中，有助于使網(wǎng)絡(luò)從誤差局部極小中跳出;自適應(yīng)改變學(xué)習(xí)率，可減小振蕩趨勢，提高網(wǎng)絡(luò)的訓(xùn)練速度［13-14］。

(2)設(shè)置網(wǎng)絡(luò)的訓(xùn)練參數(shù)。

收斂次數(shù) net.trainParam.epochs=200000。

顯示間隔 net.trainParam.show=100。

收斂誤差 net.trainParam.goal=igoal，igoal根據(jù)表1對4個(gè)評價(jià)網(wǎng)絡(luò)分別進(jìn)行設(shè)置。

表1 評價(jià)網(wǎng)絡(luò)的收斂誤差

3 測試結(jié)果及分析

本文所提出的評價(jià)模型首先針對結(jié)構(gòu)較為簡單的上下、左右結(jié)構(gòu)的漢字進(jìn)行研究。影響評價(jià)結(jié)果的因素，除了評價(jià)模型本身，還與樣本字的選擇有很大關(guān)系，目前采用隨機(jī)選取的方式獲得樣本字，以839個(gè)標(biāo)準(zhǔn)字作為樣本進(jìn)行訓(xùn)練，并用另外隨機(jī)選取的271個(gè)標(biāo)準(zhǔn)字測試，根據(jù)測試結(jié)果分別統(tǒng)計(jì)各個(gè)屬性的標(biāo)準(zhǔn)誤差(標(biāo)準(zhǔn)誤差定義為各測量值誤差平方的平均值開平方)，結(jié)果如表2所示。

表2 測試結(jié)果中各屬性的標(biāo)準(zhǔn)誤差

由表2可以得出，各屬性的標(biāo)準(zhǔn)誤差都在4.5%以內(nèi)，證明該評價(jià)方法具有可行性。然后，隨機(jī)構(gòu)字300個(gè)對各屬性進(jìn)行評價(jià)，經(jīng)統(tǒng)計(jì)，外界矩形的寬Width誤差大于5%的結(jié)果有9個(gè)，由于篇幅所限，現(xiàn)展示部分如圖6所示，其中左圖是待評價(jià)漢字，右圖是對比樣本字，余圖同理。

圖6 Width誤差大于5%的待評價(jià)漢字與樣本字的對比

外界矩形的高Height誤差大于5%的結(jié)果有5個(gè)，展示部分如圖7所示。

圖7 Height誤差大于5%的待評價(jià)漢字與樣本字的對比

左上黑像素比例WARLT誤差大于5%的結(jié)果有2個(gè)，如圖8所示。

圖8 WARLT誤差大于5%的待評價(jià)漢字與樣本字的對比

右上黑像素比例WARRT誤差大于5%的結(jié)果有3個(gè)，包括圖8中的“鬠”，另外2個(gè)結(jié)果如圖9所示。

圖9 WARRT誤差大于5%的待評價(jià)漢字與樣本字的對比

右下黑像素比例WARRB誤差大于5%的結(jié)果有4個(gè)，包括圖9中的“舮”和“駟”，另外2個(gè)結(jié)果如圖10所示。

圖10 WARRB誤差大于5%的待評價(jià)漢字與樣本字的對比

X方向中心G_X誤差大于5%的結(jié)果有1個(gè)，即圖8中的“階”。

X方向重心W_X誤差大于5%的結(jié)果有4個(gè)，包括圖9中的“駟”和圖10中的“酐”，另外2個(gè)結(jié)果如圖11所示。

圖11 造W_X誤差大于5%的待評價(jià)漢字與樣本字的對比

Y方向重心W_Y誤差大于5%的結(jié)果有2個(gè)，如圖12所示。

圖12 W_Y誤差大于5%的待評價(jià)漢字與樣本字的對比

另外，整字的黑像素比例WAR、左下黑像素比例WARLB和Y方向中心G_Y的誤差均小于5%。

4 結(jié)束語

通過上述研究，可以得出以下結(jié)論:

(1)通過分析標(biāo)準(zhǔn)漢字滿足的基本書法規(guī)則，定義可能對漢字質(zhì)量產(chǎn)生影響的屬性特征，采用圖像處理方法提取獲得這些特征量，并經(jīng)實(shí)驗(yàn)測試，確定了其中對漢字品質(zhì)有重要影響的屬性。

(2)采用改進(jìn)的三層BP神經(jīng)網(wǎng)絡(luò)，建立起4個(gè)分別針對各項(xiàng)基本書法規(guī)則的評價(jià)模型。

(3)針對隨機(jī)產(chǎn)生的待評價(jià)漢字，基于神經(jīng)網(wǎng)絡(luò)的漢字質(zhì)量量化評價(jià)模型能夠較準(zhǔn)確地反映出漢字的品質(zhì)，為字體調(diào)整提供參考。該評價(jià)模型應(yīng)用于漢字字庫的制作過程中，將減少對于構(gòu)字結(jié)果的人工干預(yù)，提升工作效率，進(jìn)而縮短制作周期，降低成本。

(4)對于樣本字的選擇，目前采用隨機(jī)選取方式，雖然覆蓋范圍較大，但因?yàn)榛緯ㄒ?guī)則體現(xiàn)的是總體特征，若隨機(jī)將特殊漢字作為樣本字，學(xué)習(xí)精度就會受到很大影響，所以今后的工作將著重于樣本字的選擇方法，以進(jìn)一步提高評價(jià)模型的精度。

［1］方正.如何制作電腦中文字庫［J］.印刷質(zhì)量與標(biāo)準(zhǔn)化，1999(6):35-36.

［2］夏自由.字庫知識淺談［J］.印刷技術(shù)，2006(13):64-66.

［3］陳禹伶.基于部件融合的“我”體字庫的建立［D］.綿陽:西南科技大學(xué)，2008.

［4］Zhou Bao-yao，Wang Wei-hong，Chen Zhang-hu.Easy generation of personal Chinese handwritten fonts［C］//Proceedings of the 2011 IEEE International Conference on Multimedia and Expo.2011:1-6.

［5］潘志庚，馬小虎.基于Fourier級數(shù)描述器的多種漢字字形自動生成［J］.軟件學(xué)報(bào)，1996，7(6):331-338.

［6］張璇.字體與版式設(shè)計(jì)［M］.北京:清華大學(xué)出版社，2009.

［7］樊建平.基于漢字結(jié)構(gòu)碼量化傳統(tǒng)書法規(guī)則知識方法的實(shí)現(xiàn)［J］.中文信息學(xué)報(bào)，1990，4(4):43-51.

［8］孫燮華.圖像處理——原理與算法［M］.北京:機(jī)械工業(yè)出版社，2010:195-211.

［9］龔聲蓉，劉純平，等.數(shù)字圖像處理與分析［M］.北京:清華大學(xué)出版社，2006:238-259.

［10］譚軍，馮明帥，胡迎梅，等.基于筆畫形態(tài)與結(jié)構(gòu)的自動筆跡鑒定［J］.廣東公安科技，2010(1):11-15.

［11］Zhang Li-xin，Zhao Yan-nan，Yang Ze-hong，et al.Feature selection in recognition of handwritten Chinese characters［C］//Proceedings of the 2002 International Conference on Machine Learning and Cybernetics.2002:1158-1162.

［12］羅成漢.基于Matlab神經(jīng)網(wǎng)絡(luò)工具箱的BP網(wǎng)絡(luò)實(shí)現(xiàn)［J］.計(jì)算機(jī)仿真，2004，21(5):109-111.

［13］張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京:機(jī)械工業(yè)出版社，2009:92-119.

［14］韓力群.人工神經(jīng)網(wǎng)絡(luò)教程［M］.北京:北京郵電學(xué)院出版社，2006:58-78.