趙云 許晶 周莉莉

【關(guān)鍵詞】貝葉斯決策;文字識別

近年來模式識別技術(shù)被廣泛應(yīng)用[1]。在我們的日常生活中，大數(shù)據(jù)中文本數(shù)據(jù)占相當(dāng)大的比例，例如使用聊天工具QQ，WeChat，Ding Talk等軟件工具時，當(dāng)遇到的圖像中有喜歡的話語、篇幅很長的文章時，由于邊看圖像邊打字不方便以及沒有耐心打完所有字體時，這時候文字識別系統(tǒng)就發(fā)揮了極大的作用。 漢字識別技術(shù)目前主要分為印刷體漢字識別和手寫體漢字識別為兩大類，手寫文字識別是指通過掃描設(shè)備將紙張上的文字信息變?yōu)閿?shù)字圖像輸入計算機，然后利用計算機對圖像中的文字進行識別的方法[2]。

常見的文字識別算法主要有最近鄰算法，支持向量機，以及BP神經(jīng)網(wǎng)絡(luò)算法等。本篇所講述的是基于最小錯誤貝葉斯算法，此算法也是平時最常見和簡單的方法之一，在常見的模式識別問題中，其目標(biāo)往往是盡量減少分類的錯誤，運用概率觀點中的貝葉斯公式，以追求最小的錯誤率。按照貝葉斯的判定原則，如果我們要預(yù)測某個樣本處于哪一種類型，需要計算所有的后驗概率P（A|B），其中后驗概率最高的那一種類型便是預(yù)測的類型。

本文中手寫文字識別系統(tǒng)主要使用最小錯誤率的貝葉斯決策，如公式（1）所示。

基于最小錯誤率的貝葉斯決策模型，需要預(yù)先知道先驗概率 和類條件概率密度 ，概率密度 反映了特征值 在類 的概率。

（一）創(chuàng)建字庫

1、圖像預(yù)處理

基于貝葉斯算法對手寫文字進行識別，需要對待識別圖片進行預(yù)處理。

對樣本圖片從處理到識別需分步驟進行，具體研究過程流程圖如圖1所示。

首先讀取訓(xùn)練樣本，對樣本進行二值化處理，設(shè)置二值化的閾值，通過閾值判斷圖像是否為目標(biāo)，是則繼續(xù)判斷，否則作為背景，得到完整的二值化圖像。

接著利用imerode函數(shù)和imdilate函數(shù)對圖像進行腐蝕和膨脹操作，腐蝕與膨脹處理是一對逆操作，簡單理解為膨脹可以處理缺陷問題，腐蝕可處理不光滑的問題。膨脹就是填補缺陷，腐蝕腐蝕毛刺。圖像的膨脹原理是通過對輸入圖像中高亮區(qū)域進行膨脹處理，將高亮區(qū)域擴大。圖像的腐蝕過程恰恰與膨脹過程相反，主要通過對輸入圖像中的高亮區(qū)域進行腐蝕處理，將原有圖像中高亮區(qū)域縮小。[4]

2、圖像切割創(chuàng)建字庫

在循環(huán)中讀入訓(xùn)練樣本圖片后，首先確定文字的區(qū)域，將預(yù)處理后得到的圖像信息轉(zhuǎn)化為double型數(shù)組，對數(shù)組縱向掃描確定Y方向上的文字區(qū)域，同理橫向掃描確定X方向上的文字區(qū)域，根據(jù)X和Y方向上的文字區(qū)域即可確定文字的整體區(qū)域。

使用bwareaopen函數(shù)刪除雜質(zhì)圖像，將掃描區(qū)域局限于以文字為邊界的方形區(qū)域內(nèi)，避免雜質(zhì)的影響。利用charslice函數(shù)對每個分離的字符圖片進行文字區(qū)域限定，因為需要判斷的文本字體大小相差不大，同時為了方便代碼執(zhí)行，這里將每個字符大小規(guī)格化為40×40。

得到的最終分割圖片，在循環(huán)中按照順序依次對其進行命名并保存在文件夾中，從而創(chuàng)建了字庫，其中一個訓(xùn)練樣本的切割結(jié)果，如圖2所示;創(chuàng)建的字庫部分展示，如圖3所示。

（二）特征提取及樣本訓(xùn)練

讀入生成的單字庫，設(shè)計每個樣本圖片僅包含12個中文字符，即“貝葉斯算法的手寫文字識別”。接著對每個單字圖片提取漢字特征值[5]。這里使用網(wǎng)格特征選擇，定義將每個待處理文字圖形的長、寬進行十等分，即能分為100份，樣本等分如圖4所示。

模板的大小可根據(jù)具體問題變化，且分類結(jié)果的精確度與等分的大小呈正相關(guān)。由于每一個樣本僅識別12個漢字，因此，只需考慮10×10大小的模板即可。

由于處理過后的圖片，其上所有像素點的值，非黑（0）即白（255），因此要待測樣本和這些像素點的值有關(guān)。本文對分出的這100個區(qū)域，計算黑色像素點占比ratio，如公式（5）所示，其中count表示黑色像素點的個數(shù)，cellRow*cellCol為總像素點個數(shù)。

由此可得到100個介于0至1之間的小數(shù)。我們將其用1×100的向量表示，即圖片的特征向量。

對每個單字庫圖片提取特征值后，依次將所有的樣本數(shù)據(jù)保存在文件中，樣本特征提取完成。

如圖將“文字識別”作為待測樣本輸入到程序中，首先對待測樣本進行預(yù)處理以及圖像切割成單字圖片，待測樣本切割圖如圖5所示，對其進行特征提取通過貝葉斯分類器分類識別出的結(jié)果如圖6所示。

最小錯誤率的貝葉斯決策就是按后驗概率的大小判斷，對比出最大后驗概率所屬類別的判決函數(shù)值[6]，就歸于哪個類別。貝葉斯分類器首先分析出先驗概率prior，即出現(xiàn)每個漢字的可能性，接著對每個字庫的漢字的每個10*10的模塊進行處理，經(jīng)過計算得到類條件概率，接著根據(jù)這些條件代入貝葉斯公式，得到后驗概率，計算概率最大值和其所在位置，可得到漢字的類號。

本研究結(jié)果表明基于貝葉斯分類器算法可運用于手寫文字圖像識別這一模塊。在實際問題研究中，一般存在一些不精確的條件概率密度，需要人為估算出線性函數(shù)或非線性函數(shù)，會對結(jié)果造成一定的誤差。通過對圖像進行灰度化，二值化，腐蝕，切割和膨脹等操作實現(xiàn)文字的特征提取，并對樣本進行訓(xùn)練，再基于最小錯誤貝葉斯分類器對文字進行識別，代碼運行結(jié)果與預(yù)期結(jié)果一致。文字識別這一模塊在智能化未來會有很大的發(fā)展空間，在現(xiàn)實生活中，識別應(yīng)用還未普及到日常生活中，可對這一領(lǐng)域進行深入研究。