岳建杰，趙旦峰

哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江哈爾濱 150001

基于K-means的圖像文字識(shí)別與提取研究

岳建杰，趙旦峰

哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江哈爾濱 150001

針對(duì)當(dāng)前圖像文字識(shí)別與提取的最新發(fā)展?fàn)顩r，提出一種基于K-means的圖像文字識(shí)別與提取算法，其主要處理步驟包括圖像的預(yù)處理、像素點(diǎn)聚類處理、圖層的選擇與優(yōu)化以及最終的文字切分等。經(jīng)過上機(jī)對(duì)算法進(jìn)行測(cè)試，該算法能夠有效提高圖像文字識(shí)別與提取的準(zhǔn)確率與執(zhí)行效率，并可以針對(duì)不同環(huán)境下的圖片文字進(jìn)行有效識(shí)別。

K-means；圖像文字提?。晃淖肿R(shí)別；二值化處理

目前常用的識(shí)別算法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、K-近鄰算法等，而K-means聚類算法是當(dāng)前常用的基于劃分的分類算法，能夠按照既定標(biāo)準(zhǔn)與要求將集合進(jìn)行劃分。在數(shù)字圖像文字提取與識(shí)別中，可以通過對(duì)數(shù)字圖像進(jìn)行灰度處理，將文字背景與文字前景用不同的灰度像素來表示，并使用K-means聚類算法進(jìn)行像素劃分，從而將文字從數(shù)字圖像中提取出來，作為OCR識(shí)別的圖像輸入［1］。所以，K-means聚類算法是當(dāng)前圖像文字識(shí)別與提取中使用非常廣泛的處理算法。

1 K-means聚類算法基本原理

根據(jù)集合元素劃分方法的不同，聚類算法可以分為層次劃分、密度劃分、網(wǎng)格劃分以及模型劃分等，K-means屬于基于密度劃分的聚類算法［2］。

K-means聚類算法的基本思想是利用集合元素之間的距離為劃分標(biāo)準(zhǔn)，在集合內(nèi)部按照元素的分布密度的不同將元素劃分為不同的子集合。

在劃分過程中，通過定義元素之間的距離，按照元素到聚類中心之間的距離最小原則將元素進(jìn)行聚合，從而得到最終的劃分結(jié)果。

K-means聚類算法的基本流程主要包括以下幾個(gè)步驟［3］：

1）根據(jù)元素劃分的基本要求，從集合元素中隨機(jī)選擇k個(gè)元素作為劃分結(jié)果的中心元素，并針對(duì)集合中的每個(gè)元素計(jì)算其到聚類中心元素的距離大小，按照最小距離原則把各個(gè)元素劃分到對(duì)應(yīng)的聚類中心元素集合中；

2）按照劃分結(jié)果對(duì)各個(gè)子集合中的元素計(jì)算特征均值，并根據(jù)計(jì)算結(jié)果對(duì)劃分結(jié)果進(jìn)行更新操作［4］；

3）對(duì)更新后的子集合元素再次按照第一步中的方法進(jìn)行聚類操作，從而得到更新后的元素劃分結(jié)果；

4）按照上述步驟進(jìn)行循環(huán)計(jì)算，當(dāng)2次計(jì)算所得到的聚類中心元素相同時(shí)，所得到的劃分結(jié)果即為聚類結(jié)果。

由于K-means聚類算法的基本流程比較固定，其本質(zhì)是在給定的集合元素距離計(jì)算方法的前提下，不斷進(jìn)行聚類迭代與循環(huán)運(yùn)算即可對(duì)元素進(jìn)行聚類劃分［5］。所以在應(yīng)用過程中只需要定義合適的距離計(jì)算方法即可非常方便地將K-means算法轉(zhuǎn)化為計(jì)算機(jī)可執(zhí)行程序進(jìn)行上機(jī)運(yùn)行，所以K-means聚類算法是目前對(duì)集合元素進(jìn)行分類的常用方法。

采用K-means聚類算法的缺陷主要是在選擇聚類中心元素時(shí)，算法受到樣本元素的選擇隨機(jī)性和外部噪聲的影響比較顯著，如果不進(jìn)行有效的算法優(yōu)化則比較容易導(dǎo)致算法陷入局部最優(yōu)。因此在采用K-means聚類算法的圖像文字提取與識(shí)別處理中需要根據(jù)圖像文字自身的特點(diǎn)對(duì)算法進(jìn)行改進(jìn)與優(yōu)化。

2 算法流程設(shè)計(jì)

文中提出的基于K-means的圖像文字識(shí)別與提取算法中主要包括數(shù)字圖像預(yù)處理、像素聚類處理、圖層選擇與優(yōu)化以及文字切分4個(gè)核心步驟，并最終得到能夠被OCR進(jìn)行識(shí)別的文字?jǐn)?shù)字圖像，算法詳細(xì)流程設(shè)計(jì)介紹如下。

2.1 圖像預(yù)處理

在本文提出的圖像文字識(shí)別與提取算法中，首先需要對(duì)數(shù)字圖像進(jìn)行一系列的預(yù)處理，包括圖像灰度轉(zhuǎn)換、二值化處理、文字塊定位以及文字邊緣檢測(cè)等，圖像預(yù)處理的算法流程設(shè)計(jì)如圖1所示。

圖1 圖像預(yù)處理算法設(shè)計(jì)

從圖1中可以看到，圖像預(yù)處理的過程主要包括如下幾個(gè)步驟。

1）圖像灰度轉(zhuǎn)換

將彩色圖像轉(zhuǎn)化為僅包含像素亮度信息的灰度圖，并將數(shù)字圖像中的背景冗余信息與其他噪聲進(jìn)行去除，從而為后續(xù)的文字塊分割以及文字提取提供便利。

數(shù)字圖像文字提取與識(shí)別中的噪聲主要是由于外界光照因素、顏色因素和其他因素導(dǎo)致的圖像有效信息受到干擾所產(chǎn)生的，因此噪聲的去除主要采用了濾波方式，包括領(lǐng)域平均濾波法以及中位值濾波法等，將數(shù)字圖像像素中的噪聲去除［7］。

2）二值化處理

將數(shù)字圖像經(jīng)灰度化處理后得到的黑白圖像中的背景與前景進(jìn)行分離，一般采用灰度像素閾值分離的方法來進(jìn)行，包括全局域閾值分離法、局部閾值分離法以及動(dòng)態(tài)可變閾值分離法等。

由于動(dòng)態(tài)閾值分離法的計(jì)算量較大、處理效率不高，同時(shí)全局閾值分離法的分離效果較差，所以本算法采用了局部最優(yōu)閾值分離法，通過計(jì)算數(shù)字圖像不同區(qū)塊中像素的灰度梯度值的變化來對(duì)像素進(jìn)行分離［8］。

3）邊緣檢測(cè)處理

將經(jīng)二值化處理后的圖像進(jìn)行特征區(qū)域劃分，通過對(duì)數(shù)字圖像灰度變化、顏色變化以及紋理特征的變化差異進(jìn)行檢測(cè)，從而實(shí)現(xiàn)文字塊與圖像背景的分離。

本算法的邊緣檢測(cè)算法中主要采用了一階以及二階微分算子來進(jìn)行圖像像素灰度導(dǎo)數(shù)值的計(jì)算，從而實(shí)現(xiàn)不同區(qū)域的邊緣檢測(cè)。

2.2 聚類處理

經(jīng)過圖像預(yù)處理之后即可得到能夠采用K-means聚類算法進(jìn)行文字塊提取的目標(biāo)圖像［9］。通過對(duì)目標(biāo)圖像中的像素進(jìn)行聚類處理，可以從圖像中提取得到待識(shí)別的文字目標(biāo)區(qū)塊，本算法采用的聚類處理詳細(xì)流程如圖2所示。

圖2 聚類處理詳細(xì)流程設(shè)計(jì)

從圖2中可以看到，聚類處理過程主要包括的步驟如下所述。

1）對(duì)數(shù)字圖像進(jìn)行像素空間分類，將其劃分為N個(gè)子簇，并在每個(gè)像素簇中隨機(jī)選擇一個(gè)像素作為中心點(diǎn)；

2）采用歐幾里得距離作為像素間距離的計(jì)算方式分別計(jì)算N個(gè)像素簇中各個(gè)像素點(diǎn)到中心點(diǎn)的距離大小，并按照最小距離原則進(jìn)行像素聚類，得到N個(gè)像素點(diǎn)子集合，記為Pi（n），其中i＝1，2，…，N；

3）隨機(jī)選擇2個(gè)像素子集合Pk和Pm，并計(jì)算2個(gè)集合之間的最近距離，隨后將Pk中距離Pm最近的像素點(diǎn)歸入Pm集合，并從Pk中刪除；

4）重新計(jì)算經(jīng)過上一步處理后得到的N個(gè)像素子集合的中心點(diǎn)，重復(fù)上述過程直到各個(gè)像素子集合不再發(fā)生變化；

5）對(duì)最終得到的N個(gè)像素子集合計(jì)算灰度均值，并以計(jì)算得到的灰度值作為各個(gè)像素子集合的標(biāo)記，并采用局部聚類分類法進(jìn)行，從而得到最終的聚類結(jié)果。

2.3 圖層選擇與優(yōu)化

在經(jīng)過聚類處理后可以將原數(shù)字圖像的灰度處理結(jié)果劃分為多個(gè)圖層。由于數(shù)字圖像文字的中心特性，可以通過計(jì)算各個(gè)圖像圖層像素點(diǎn)距離中心區(qū)域的距離大小得到最終需要選擇的圖像圖層［10］。

在本算法中為了提高圖層選擇的準(zhǔn)確度，在圖層選擇過程中，首先將圖層集合按照中心距離的大小劃分為2個(gè)子集合。其次采用連通域分析、像素噪聲去除等操作，最后再選擇距離最小的圖像圖層作為最終的選擇結(jié)果，在此圖層中即包含了要進(jìn)行提取與識(shí)別的文字塊，即可對(duì)其進(jìn)行文字切分操作。

2.4 文字切分

在經(jīng)過閾值分割后得到的圖像區(qū)域中可能還包含部分噪聲像素，即得到的分割結(jié)果中還包含了部分不屬于文字區(qū)域的像素點(diǎn)，所以需要對(duì)這些噪音像素進(jìn)行去除處理，經(jīng)過切分處理后得到最終能夠被OCR識(shí)別的文字圖像［11］。

在本文的算法中對(duì)上述噪音像素進(jìn)行剔除的步驟主要包括：

1）首先將文字處理結(jié)果中明顯不符合文字高寬比的像素進(jìn)行去除；

2）通過定義文字塊的邊緣密度，并根據(jù)文字塊邊緣密度通常大于0.2的特征進(jìn)一步去除噪音像素；

3）將處理結(jié)果中區(qū)域面積小于10個(gè)像素點(diǎn)的區(qū)域進(jìn)行去除；

4）對(duì)處理結(jié)果中的像素塊進(jìn)行融合處理，得到最終的文字塊。

通過文字切分處理后即可得到能夠被OCR識(shí)別的文字圖像。

3 算法檢測(cè)效果測(cè)試

為了檢驗(yàn)本文提出的圖像文字識(shí)別算法的識(shí)別效果，做了與基于BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法的對(duì)比。本文提出的圖像文字識(shí)別算法采用OpenCV開發(fā)接口在Visual C＋＋6.0開發(fā)環(huán)境下對(duì)算法進(jìn)行了軟件實(shí)現(xiàn)，OCR識(shí)別功能接口采用Microsoft Office工具實(shí)現(xiàn)，軟件實(shí)現(xiàn)的基本流程如圖3所示。

圖3 圖像文字識(shí)別軟件實(shí)現(xiàn)流程圖

圖像文字識(shí)別軟件的運(yùn)行界面如圖4所示。

圖4 圖像文字識(shí)別軟件運(yùn)行界面

2種算法對(duì)文字識(shí)別軟件的識(shí)別效果測(cè)試結(jié)果如表1、2所示。從表中可以看出，本文提出的文字提取與識(shí)別算法對(duì)數(shù)字圖像中的文字區(qū)域定位比較準(zhǔn)確，高于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別算法，在圖像文字排列比較復(fù)雜的情況下，算法的定位準(zhǔn)確度依然保持在95%以上，而BP神經(jīng)網(wǎng)絡(luò)明顯低于本文提出的算法。

表1 K-means圖像文字識(shí)別軟件測(cè)試效果

表2 BP神經(jīng)網(wǎng)絡(luò)圖像文字識(shí)別軟件測(cè)試效果

4 結(jié)束語

通過對(duì)K-means聚類算法進(jìn)行考察與分析，并結(jié)合數(shù)字圖像的灰度處理、二值化、邊緣檢測(cè)等技術(shù)，設(shè)計(jì)了一個(gè)基于聚類的圖像文字識(shí)別與提取算法。通過與BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法的對(duì)比驗(yàn)證得出，該算法能夠很好地對(duì)復(fù)雜數(shù)字圖像背景中的文字區(qū)域進(jìn)行定位與提取操作，并得到能夠被OCR進(jìn)行識(shí)別的圖像文字，具有比較高的執(zhí)行效率與準(zhǔn)確度。

［1］楊春蓉，趙小勇.利用改進(jìn)的最優(yōu)聚類算法邊緣提取方法研究［J］.計(jì)算機(jī)應(yīng)用與軟件，2012（12）：54-58.

［2］RAMAN M，AGGARWALH.Study and comparison of vari-ous image edge detection techniques［J］.International Jour-nal of Image Processing，2009（2）：113-118.

［3］王景中，胡貝貝.歸一化算法在文字識(shí)別系統(tǒng)中的應(yīng)用研究［J］.計(jì)算機(jī)應(yīng)用與軟件，2011（3）：22-24.

［4］閻少宏，彭亞綿，楊愛民，等.LLE算法及其在手寫文字識(shí)別中的應(yīng)用［J］.河北聯(lián)合大學(xué)學(xué)報(bào)：自然科學(xué)版，2012（2）：49-53.

［5］種耀華.基于NSCT圖像文字信息提取新方法［J］.計(jì)算機(jī)應(yīng)用，2012（2）：182-185.

［6］?，?基于聚類與邊緣檢測(cè)的自然場(chǎng)景文本提取方法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010（18）：33-36.

［7］胡石根，陸以勤.漢字聯(lián)機(jī)手寫識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.計(jì)算機(jī)仿真，2010（9）：77-79.

［8］MANSHENG X，X M，MANSHENG X，et al.A property optimization method in support of approximately duplicated records detecting［C］／／IEEE International Conference on Intelligent Computing and Intelligent Systems.［S.l.］，2009：118-122.

［9］胡廣，李娟，黃本雄.結(jié)合空間信息的模糊C均值聚類圖像分割算法［J］.計(jì)算機(jī)與數(shù)字工程，2008（4）：29-32.

［10］劉小丹，牛少敏.一種改進(jìn)的K-means聚類彩色圖像分割方法［J］.湘潭大學(xué)自然科學(xué)學(xué)報(bào)，2012（2）：47-51.

［11］GATOSB，PRATIKAKIS I，PERANTONISS J.Adaptive degraded document image binarization［C］／／Computation-al Intelligence Laboratory，Institute of Informatics and Tel-ecommunications，National Center for Scientific Research “Demokritos”.Athens，Greece.2006：327-329.

Research on the recognition and extraction of image characters based on K-means

YUE Jianjie，ZHAO Danfeng
College of Information and Communication Engineering，Harbin Engineering University，Harbin 150001，China

Based on the latest developments in the recognition and extraction of image characters，this paper propo-ses a K-means-based algorithm for the recognition and extraction of image text.Itsmain processing steps include im-age preprocessing，pixel clustering process，selection and optimization of the layer and the final text segmentation.By computer testing，itwas found that the algorithm can effectively improve the accuracy and efficiency of recogni-tion and extraction of image characters.In addition，it can effectively identify image characters under differentenvi-ronments.

K-means；extraction of image text；character recognition；binarization

TN971.1

A

1009-671X（2015）02-017-04

10.3969／j.issn.1009-671X.201406014

2014-06-19.

日期：2015-03-25.

黑龍江省科技攻關(guān)計(jì)劃資助項(xiàng)目（GC12A305）.

岳建杰（1986-），男，碩士研究生；

趙旦峰（1961-），男，教授，博士生導(dǎo)師.

岳建杰，E-mail：348274742＠qq.com.

http：／／www.cnki.net／kcms／detail／23.1191.u.20150325.1256.009.html