丁 李，曾水玲

（1.吉首大學(xué)物理與機電工程學(xué)院，湖南吉首 416000；2.吉首大學(xué)信息科學(xué)與工程學(xué)院，湖南吉首 416000）

湘西苗族創(chuàng)造了 3種苗文〔1〕，“板塘苗文”“老寨苗文”和“古丈苗文”〔2〕。方塊苗文是一種借源文字，與漢字的結(jié)構(gòu)和造字法上基本一致，造字法主要有形聲和會意，雙音符的不多，象形成分極少，大量地借用漢字標音。方塊苗文用來記錄和創(chuàng)作苗歌，苗歌主要是表達苗族人們在生產(chǎn)、生活、農(nóng)耕、風(fēng)俗傳統(tǒng)等各方面的情懷，留存下來的苗歌手稿有十幾萬字，為我們研究苗族的民族歷史、民族風(fēng)俗和民族文學(xué)提供了寶貴的文字資料。

在信息化時代，專家需要將這些珍貴的苗文手寫文字的紙質(zhì)載體錄入進計算機進行保存和傳播，對于文字的識別方法，前人已經(jīng)探索出針對各種文字的識別體系〔3-7〕，而苗文方面，也有學(xué)者為苗文便于在計算機中生成和顯示，提出了方塊苗文動態(tài)構(gòu)造方法〔8〕。隨著數(shù)字化社會的發(fā)展，傳統(tǒng)的手寫紙質(zhì)載體需要轉(zhuǎn)型以適應(yīng)現(xiàn)代化需要。為更高效地進行苗文的錄入和傳播，開發(fā)關(guān)于苗文的光學(xué)字符識別（optical character recognition，OCR）成為可供選擇的方向。所以，開發(fā)針對于苗文的識別系統(tǒng)是十分迫切和重要的工作，傳統(tǒng)的投影識別法雖然能達到識別苗文的目的，但輸入的識別特征矩陣巨大，雖然訓(xùn)練效果不錯，但預(yù)測結(jié)果時，存在有過擬合的問題，使得系統(tǒng)的識別潛力沒有完全開發(fā)出來，本文工作一方面驗證PNN神經(jīng)網(wǎng)絡(luò)對于方塊苗文圖像識別工作的可用性，另一方面就是為了通過簡化特征矩陣的辦法來挖掘識別系統(tǒng)神經(jīng)網(wǎng)絡(luò)的潛在能力。

1 文字圖像預(yù)處理

手寫苗文文字樣本經(jīng)過掃描儀進入計算機后，因紙張的厚度、光潔度和取樣設(shè)備質(zhì)量的不穩(wěn)定都會造成錄入后的數(shù)字圖像文字畸變，形成粘連、筆畫中斷和圖像噪點等干擾，所以在進行文字識別之前，務(wù)必要對帶有噪聲的文字圖像進行處理。圖像預(yù)處理方法有許多經(jīng)驗成果〔9-10〕，其大體步驟包括文字圖像大小歸一化、灰度化、二值化、規(guī)范化等等。

1.1 文字圖像灰度化通過外設(shè)采集的圖像通常為彩色圖像，彩色圖像會夾雜一些干擾信息，灰度化處理的主要目的就是濾除這些信息。定義在RGB空間的彩色圖像，圖像內(nèi)每一個像素點的顏色由Red、Green、Blue 3個分量共同決定?；叶然鋵嵸|(zhì)是將原本由三維描述的像素點，映射為一維描述的像素點?；叶然椒ㄓ蟹至糠?、最大值法、平均值法、加權(quán)平均法。加權(quán)平均法的權(quán)值是根據(jù)人體生理學(xué)角度（人眼對綠色最敏感，對藍色最不敏感）所提出的，具有最理想的灰度化效果，公式權(quán)值如下：

本文采用加權(quán)平均法來處理原始圖像，處理結(jié)果見圖1。

圖1 灰度化后的圖像

1.2 文字圖像二值化經(jīng)過灰度處理的彩色圖像還須經(jīng)過二值化處理將文字與背景進一步分離開。所謂二值化，就是將彩色值圖像信號轉(zhuǎn)化成只有黑（0）和白（1）的二值圖像信號。二值化效果的好壞，會直接影響灰度文本圖像的識別率。二值化處理的具體經(jīng)驗有很多〔11-12〕，方法大致可以分為局部閾值二值化和整體閾值二值化。本文參考基于k中心點聚類的圖像二值化方法〔13〕，采用局部閾值二值化，將方塊苗文圖像分割為互不相交的若干個w×w的小窗口，在每個窗口中求得所轄像素的灰度平均值，經(jīng)添加懲罰項后作為初步閾值進行二值化處理，繼而對各小方塊進行二值化變換，各個閾值的計算公式如下：

若塊內(nèi)的灰度值大于閾值T，則把該點的值置為1，否則將該點的值置為0，將圖像二值化能更進一步減少圖像中的信息量，減少無關(guān)信息的干擾。將灰度圖像二值化后結(jié)果見圖2。

圖2 二值化處理后的結(jié)果

1.3 規(guī)范化規(guī)范化主要分為位置規(guī)范化、大小規(guī)范化和筆畫細化處理，位置規(guī)范化和大小規(guī)范化在紙質(zhì)文字轉(zhuǎn)化為數(shù)字圖像時，就已規(guī)范化，每個單體文字圖像像素為長寬各130像素。對于細化方面，細化是指對于一個給定的模式圖像，抽取其“中心骨架”的過程，細化算法可分為非迭代算法和迭代算法，而迭代算法又分為串行算法和并行算法，本文的細化處理是在不破壞原有結(jié)構(gòu)配置和給定筆畫連接位置關(guān)系的基礎(chǔ)上，采取迭代掃描并刪減邊界像素點來完成。筆畫細化方法中經(jīng)典的有基于標記的并行細化算法〔14〕，改進的有自動矢量化算法〔15〕。細化后的文字消減了很多手寫字體的個性化特征，為特征提取創(chuàng)造了有利條件。

在計算機圖像處理過程中，用黑底白字來處理矩陣更加方便，所以先將二值化后的圖像取反，取反后結(jié)果見圖3，之后再利用細化算法將其細化，具體方法：使用一個包含9個像素的3×3模板，9個像素點只取值0或1，因此模板有29=512種形式，給予每個模板一個編號0～511，編號等于模板中的像素加權(quán)和，像素權(quán)重見圖4。

圖3 取反效果圖

圖4 像素權(quán)重

把模板分成8個方向，輪流使用8個方向的模板，消去最外層像素點，不斷循環(huán)，直到剩下“骨架”為止。細化后結(jié)果見圖5。

圖5 筆畫細化效果圖

2 文字特征的提取

特征提取即對某一模式的組測量值進行變換，以突出該模式具有的代表性特征的一種方法。常見的文字特征類型分為統(tǒng)計類特征和結(jié)構(gòu)類特征，統(tǒng)計類特征有像素點個數(shù)、灰度值統(tǒng)計類別等，而結(jié)構(gòu)特征是如邊緣、角、區(qū)域、脊等代表性特征。

本文著重研究統(tǒng)計類特征中的像素特征，單個文字樣本的二值化矩陣通過規(guī)范化處理后，長和寬都為130像素，通過統(tǒng)計投影在行列的白點（1）數(shù)值個數(shù)能夠在一定程度上代表文字的特征屬性。

2.1 經(jīng)典投影法經(jīng)典的特征提取投影法是將文字圖像左下角置于直角坐標系原點，統(tǒng)計圖像中各種特性的像素點分別在X、Y軸上的投影數(shù)量，再以兩坐標軸上的特征點數(shù)量來組成特征矩陣，此矩陣的維數(shù)至少等于圖像X、Y軸上像素之和，本文中經(jīng)典投影法的維數(shù)應(yīng)是X軸上130像素加Y軸上130像素再加上一個標志種類的特征，一共261維特征向量。具體步驟如下：

1）對方塊苗文圖像的X軸和Y軸平均劃分成n=130份。

2）統(tǒng)計x=1的直線與方塊苗文二維表達式f（x）的交點個數(shù)rx1，統(tǒng)計x=2直線與f（x）的交點個數(shù)rx2，依次循環(huán)，直到統(tǒng)計到rx130停止。

3）依照步驟2）統(tǒng)計ry1到ry130。

4）構(gòu)建特征矩陣：T130=［I，rx1，rx2,…,rx130，ry1，ry2,…,ry130］，其中I為類別標識，定義為文字的類別。

2.2 改進后的投影法相對于文字的特征提取來說，圖像沒有其他圖像那么復(fù)雜，像素點中的信息相對更加簡化，采用經(jīng)典投影法不但浪費計算機資源，甚至可能取得相反的效果即因系統(tǒng)過擬合導(dǎo)致識別率更低。針對方塊苗文的像素特點，本文將傳統(tǒng)的投影法特征提取加上一個對像素的組別劃分，不僅能簡化特征維數(shù)，更能減少資源的浪費。

在歸一化后的方塊苗文圖像上，像素為130×130的圖像，為了能夠無余量完全劃分，本文采用最大公約數(shù)的劃分方式，即根據(jù)130長寬的像素點，將其橫縱軸的130像素點平均分成65組（2像素點為一組）、26組（5像素點為一組）、13組（10像素點為一組）和2組（65像素點為一組）4種劃分方式。見圖6。分組后統(tǒng)計每個組內(nèi)的白點（1）個數(shù)，即可組成特征向量。具體步驟如下：

前3步與上述步驟相同，不再贅述。

4）設(shè)2個像素點為一組，計算Rx1=rx1+rx2，Rx2=rx3+rx4，…，Rx65=rx129+rx130，以及Ry1=ry1+ry2，Ry2=ry3+ry4，…，Ry65=ry129+ry130。

5）構(gòu)建特征矩陣T65=［I，Rx1，Rx2，…，Rx65，Ry1，Ry2，…，Ry65］，其中I為類別標識，定義為文字的類別。

5像素點一組則以此類推，只須計算Rx1=rx1+rx2+rx3+rx4+rx5，Ry1=ry1+ry2+ry3+ry4+ry5以及統(tǒng)計T26=［I，Rx1，Rx2，…，Rx26，Ry1，Ry2，…，Ry26］即可。

根據(jù)上述步驟，最終得到T130，T65，T26，T13，T2共5種特征矩陣。

圖6 各種像素組的分類

3 實驗及結(jié)果分析

為了驗證普通投影識別法的可用性和改進后的投影法具有更加優(yōu)秀的識別性能，下面利用上述所抽取的各種特征矩陣，結(jié)合PNN神經(jīng)網(wǎng)絡(luò)，進行對比分析實驗。

3.1 PNN神經(jīng)網(wǎng)絡(luò)方塊苗文識別系統(tǒng)的建立概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural networks，PNN）是一種基于Bayes分類規(guī)則與Parzen窗的概率密度函數(shù)估計方法發(fā)展而來的并行算法。這是一種訓(xùn)練快速、結(jié)構(gòu)簡潔的人工神經(jīng)網(wǎng)絡(luò)。

PNN神經(jīng)網(wǎng)絡(luò)是一種基于徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡(luò)，它的理論依據(jù)是貝葉斯決策理論，其作為徑向基網(wǎng)絡(luò)的一種，比較適合模式分類。PNN的層次模型見圖7。

圖7 概率神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

3.2 PNN神經(jīng)網(wǎng)絡(luò)與特征向量的結(jié)合PNN神經(jīng)網(wǎng)絡(luò)共分4層，即輸入層、模式層、求和層和輸出層。

輸入層接收來自訓(xùn)練樣本的特征，本文的特征向量是由預(yù)處理后樣本圖像的橫縱坐標上投影的白點（1）的數(shù)目組成，根據(jù)像素分組的不同，特征向量維數(shù)也不同，比如2像素組，將第一行與第二行中總的白點（1）個數(shù)統(tǒng)計在一起，作為一個特征值，由于文字圖像為130×130像素圖，即對于行來說就有65個特征項，將縱向特征項也加入進來，就有130個特征項，最后還須加入一列表類別的標志量，則2像素組的特征向量即為131維向量，其他向量組以此類推。將特征向量傳遞給網(wǎng)絡(luò)，其神經(jīng)元的數(shù)量和樣本矢量數(shù)量相同。

模式層計算輸入特征向量與訓(xùn)練中各個模式的匹配關(guān)系，模式層神經(jīng)元個數(shù)等于各個類別訓(xùn)練樣本數(shù)之和，該層每個模式單元的輸出為

式中Wi為輸入層到模式層連接的權(quán)值，δ為平滑因子。

圖8 PNN網(wǎng)絡(luò)訓(xùn)練結(jié)果及誤差圖

第三層是求和層，是將屬于某類的概率累計，從而得到文字類別的估計概率密度函數(shù)。求和層單元的輸出與各類基于內(nèi)核的概率密度的估計成比例，通過輸出層的歸一化處理，即能得到各類的概率估計。

輸出層神經(jīng)元是一種競爭神經(jīng)元，每一個神經(jīng)元對應(yīng)一個文字的類別，輸出層神經(jīng)元個數(shù)等于參與分類的文字類別總數(shù)，它接收從求和層輸出的各類概率密度函數(shù)，概率密度函數(shù)最大的那個神經(jīng)元輸出為1，即所對應(yīng)的那一類即為待識別的文字模式類別，其他輸出神經(jīng)元值全為0。

3.3 網(wǎng)絡(luò)的訓(xùn)練預(yù)測以及結(jié)果分析選取樣本庫中400個手寫苗文字體共10種文字，其中300個作為訓(xùn)練樣本，100個作為測試樣本。在MATLAB中通過 net=newpnn（p_train，t_train，spread）函數(shù)進行概率神經(jīng)網(wǎng)絡(luò)的創(chuàng)建，其中p_train和t_train為抽取出的特征矩陣，多次測試后spread數(shù)值選取1.5能夠很好地保證PNN網(wǎng)絡(luò)神經(jīng)元的一部分對輸入向量所覆蓋的區(qū)間產(chǎn)生響應(yīng)，接著利用y=sim（net，p_train）函數(shù)進行已知數(shù)據(jù)的網(wǎng)絡(luò)訓(xùn)練，利用y2=sim（net，p_test）進行未知數(shù)據(jù)的預(yù)測，net是構(gòu)建的PNN神經(jīng)網(wǎng)絡(luò)，p_train和p_test分別是訓(xùn)練特征矩陣和預(yù)測的未知特征矩陣，網(wǎng)絡(luò)的訓(xùn)練結(jié)果和預(yù)測結(jié)果見圖8～9。

圖9 PNN網(wǎng)絡(luò)預(yù)測結(jié)果

從圖8可知PNN網(wǎng)絡(luò)的訓(xùn)練效果很好，訓(xùn)練預(yù)測值和實際值基本完全吻合，誤差圖上的訓(xùn)練誤差更是為0，這得益于spread值的正確選擇，過大或過小都會導(dǎo)致訓(xùn)練出現(xiàn)誤差。

從圖9可知，橫坐標為樣本編號，縱坐標為文字種類編號，在100個預(yù)測樣本中，錯誤個數(shù)為8個。

經(jīng)過多次測試運行，統(tǒng)計出平均識別率，得到在不同像素分類情況下PNN的識別率。見表1。除此之外，在以上結(jié)論的前提下（10像素組擁有最佳的識別效果）與PNN神經(jīng)網(wǎng)絡(luò)相似的BP神經(jīng)網(wǎng)絡(luò)以及LVQ神經(jīng)網(wǎng)絡(luò)也使用相同的特征矩陣進行了識別工作，與其進行了橫向?qū)Ρ?。為了對比的公平，BP神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)將采用相同的10像素組特征矩陣進行訓(xùn)練和分類。

表1 經(jīng)典組與各個像素分組的識別率（%）

對于BP神經(jīng)網(wǎng)絡(luò)而言，10像素組的特征矩陣與PNN相同，是一個27維的特征向量，所以BP神經(jīng)網(wǎng)絡(luò)輸入端設(shè)置為27個輸入神經(jīng)元，輸出端和PNN神經(jīng)網(wǎng)絡(luò)一樣設(shè)置為10個神經(jīng)元（10個文字種類）至于隱含層，根據(jù)經(jīng)驗公式取10較為穩(wěn)定，學(xué)習(xí)率取0.1，在和PNN相同的400個文字樣本庫中選擇300個進行網(wǎng)絡(luò)訓(xùn)練，剩下100個作為測試樣本，根據(jù)以上主要參數(shù)進行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建、訓(xùn)練和識別。

對于LVQ神經(jīng)網(wǎng)絡(luò)而言，同樣是在400個樣本中選擇300個進行網(wǎng)絡(luò)訓(xùn)練，100個作為測試樣本，輸入依然是27維特征向量，輸出為10個種類的文字，迭代次數(shù)設(shè)置1 000，學(xué)習(xí)率設(shè)置0.01，訓(xùn)練目標最小誤差設(shè)置0.06，根據(jù)以上主要參數(shù)進行LVQ神經(jīng)網(wǎng)絡(luò)的構(gòu)建、訓(xùn)練和識別。

最終的對比見圖10。

圖10 改進前后的PNN神經(jīng)網(wǎng)絡(luò)以及其他神經(jīng)網(wǎng)絡(luò)的識別率對比

從表1中的結(jié)果來看，經(jīng)典組有83.45%的識別率，說明PNN神經(jīng)網(wǎng)絡(luò)的預(yù)測功能用于方塊苗文的識別是可行的。從其他分組的結(jié)果來看，130×130的樣本圖像大小下，實驗了130像素的所有公約數(shù)分組，網(wǎng)格從密集到稀疏，識別率逐漸升高，10像素組達到最優(yōu)，之后識別率又下降到最低，從表中看出表現(xiàn)最好的10像素組的識別率比經(jīng)典組的識別率高4.85%，具有很可觀的提升幅度，說明此種像素分類優(yōu)化方案是可行的。圖10中與其他兩種神經(jīng)網(wǎng)絡(luò)的橫向?qū)Ρ葋砜矗琍NN神經(jīng)網(wǎng)絡(luò)本身的識別效果是優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)的，通過此種優(yōu)化方案，挖掘出PNN神經(jīng)網(wǎng)絡(luò)更多的識別分類潛力。

4 結(jié)論與展望

對于湘西方塊苗文的計算機識別分類，本文基于OCR技術(shù)、圖像提取處理技術(shù)、PNN神經(jīng)網(wǎng)絡(luò)以及MATLAB軟件，針對提取的特征矩陣維數(shù)過大導(dǎo)致的限制了分類器的識別率問題，提出一套能提升分類器工作效果的解決方案——進行像素的分組，并探究了在不同像素組分類的情況下，PNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果和識別率的提升幅度，得到了最適合的像素組分類方式即10像素組分類方式，最大化平衡計算機資源與系統(tǒng)工作效率之間的關(guān)系。在接下來的工作中，我們一方面會繼續(xù)苗文正確率提升的研究，并解決識別率高低起伏較大的缺點，探索更加具有代表性的文字特征提取方案；另一方面也會在優(yōu)化計算機系統(tǒng)的識別工作效率上進一步探索，改進分類算法來提高文字的識別效率。