CN102129697B - 一种文本图像压缩方法 - Google Patents

Abstract

本发明公开了一种文本图像压缩方法，属于文本图像压缩技术领域。本发明的方法为：1)读入文本图像，并提取出图像中的符号；2)从提取的符号中提取多级特征数据；3)利用所提取的多级特征数据，采用聚类算法对符号进行聚类；4)根据3)中聚类得到的结果对文本图像进行压缩。与现有技术相比，本发明能够提高对文本图像的压缩率，对中文和英文文本图像的压缩率都能提高，同时程序的执行效率也比较高。

Description

一种文本图像压缩方法

技术领域

本发明涉及一种文本图像压缩方法，属于文本图像压缩技术领域。

背景技术

文本图像(Textual Image或Text Image)是一种特殊类型的黑白二值图像，它的主要特点是其内容一般由文字部分组成。从数据压缩的角度来看，文本图像存在位图和符号两个层次的冗余，后者是由图像中重复的符号引起的。目前针对文本图像的压缩标准和算法主要有G3、G4、JBIG和JBIG2等，其中G3、G4和JBIG都是基于位图层次的压缩方法，而JBIG2是基于位图和符号层次冗余的两层压缩方法。另外，基于混合光栅内容(MixedRaster Content，MRC)的DjVu主要用于复合文档的压缩，它通过一个黑白二值掩码(Mask)将图像分成前景和背景，然后对不同的部分再采用适合的算法分别进行压缩，其中对于掩码的压缩采用的是JB2算法。JB2是JBIG2的一种变体，它和JBIG2的基本思想和实现方法都是类似的。

JBIG2是目前最先进的文本图像压缩算法，它是由ITU和ISO组成的二值图像联合专家组(Joint Bi-level Image expert Group，JBIG)提出的。如上所述JBIG2实现了一个两层压缩结构：首先根据“字典”的思想，采用模式匹配策略将不同的符号存储到一个模式字典中，这样图像中相同的符号就可以用字典中的匹配符号及其索引进行替代；然后对于得到的字典、索引以及符号的位置信息再采用基于信息熵的算术编码进行压缩。

上述JBIG2和DiVu都是基于模式匹配技术的压缩方法，其核心都是对符号进行模式匹配操作，以利用图像在符号层次的冗余实现压缩。由于中文的符号数量很大，导致采用上述基于模式匹配技术的方法对中文文本图像进行压缩时，压缩效果不如英文文本图像。

为了提高中文文本图像的压缩率，本发明提出了一种对符号进行多级特征提取的方法，并基于提取到的特征数据来实现对符号的模式匹配过程。将本发明所述的方法用于JBIG2中，能够改进对中文文本图像的压缩率，对英文文本图像的压缩率也有一定的改进。另外将本发明用于DjVu中的JB2部分，也能够提高DjVu对复合文档的压缩。

发明内容

本发明的目的是提供一种文本图像压缩方法。采用该方法能够提高对中英文文本图像的压缩率，同时该方法的运算效率也比较高。

为达到以上目的，本发明采用的技术方案是：基于多级特征提取的文本图像压缩方法。该方法包括以下步骤：

(1)读入文本图像，按照一定的算法提取出图像中的符号；

(2)对(1)中的符号提取多级特征数据；

(3)利用(2)中提取出来的多级特征数据，采用串联结构聚类算法实现对符号的聚类；

(4)根据步骤(3)的聚类结果采用现有方法对文本图像进行后续的压缩处理。

更进一步，为了使(3)中的聚类算法达到最优的聚类效果，本发明设计一个计算机随机模拟方法对其中的参数进行优化。具体的步骤如下：

(1)将待优化的参数定义为向量V；

(2)随机产生向量V的一个取值；

(3)根据向量V的取值执行串联结构聚类算法；

(4)重复上述过程多次，在不发生错误替换的情况下，当聚成的类最少时，将向量V的取值作为优化的参数。

更进一步，在上述计算机随机模拟的过程中，为了对“错误替换”的发生进行判断，需要对处理的文本图像进行标注。实现步骤如下：

(1)首先按照一定的算法提取出图像中的符号；

(2)对于提取出来的完整的中文符号、英文符号和阿拉伯数字，对它们进行相对应的赋值；

(3)在计算机随机模拟的过程中，对图像中符号的提取算法需要和本节(1)中的算法一致，以保证提取出来的符号和已经标注的符号是一一对应的。

更进一步，上述计算机随机模拟方法需要执行多次以找到优化的参数，因此需要耗费很大的运算量。为了加快这一过程，本发明设计了如下方法：

(1)记录计算机随机模拟过程中当前的最优向量V_b和导致错误替换的向量V_t；

(2)当随机产生的当前向量V_c比V_b小的时候，说明当前的阈值取值过于严格，则中止当前步骤，重新产生当前向量V_c；

(3)当随机产生的当前向量V_c比V_t大的时候，说明当前的阈值取值过于宽松，一定会导致错误替换，则中止当前步骤，重新产生当前向量V_c。

本发明的效果在于：

采用本发明所述的方法，能够提高对文本图像的压缩率，对中文和英文文本图像的压缩率都能提高，同时程序的执行效率也比较高。

附图说明

图1是本发明所述方法的框架示意图；

图2是符号一次和二次轮廓编码的示意图；

图3是符号特征点的示意图；

图4是本发明所设计的串联聚类算法流程图；

图5是本发明所设计的计算机随机模拟方法示意图。

具体实施方式

下面结合附图及实施例对本发明作进一步的描述：

本实施例以具体的文本图像压缩为例，结合附图说明本发明所述的基于多级特征提取的文本图像压缩方法。本实施例中采用的样例为黑白扫描电子书，扫描图片的分辨率为300dpi。

图1所示为本发明方法的流程图，具体的实现步骤如下：

(1)读入输入图像，并按照一定的算法提取出图像中的符号。对符号的提取采用的是flood-filling算法，以将图像中连续的像素块提取出来作为待处理的符号。

(2)对提取到的符号提取多级特征数据。在本实施例中提取的特征数据如下：

(a)符号的尺寸。符号的尺寸包括其外包围框的高度和宽度。

(b)符号的密度。符号的密度定义为其外包围框中黑色像素占全体像素的比率。

(c)符号的特征点。如图2所示，在本实施例中，对于高度和宽度均超过10个像素的符号，将其外包围框平均划分为8×8的网格，并选择每个网格左上角2×2的矩形像素块作为符号的特征点。这样，对于满足尺寸要求的符号可以得到64个特征点。每个特征点中黑色像素的个数(0，1，2，3或4)定义为该特征点的值。

(d)符号的重心。包括符号在水平方向和垂直方向黑色像素的重心。水平方向重心计算方法如下：按照从上到下、从左到右的方式读取并累加符号中的黑色像素，当黑色像素的累加值达到所有黑色像素值的一半的时候，当前的垂直方向的坐标值为符号水平方向的坐标。垂直方向重心计算方法如下：按照从左到右、从上到下的方式读取并累加符号中的黑色像素，当黑色像素的累加值达到所有黑色像素值的一半的时候，当前的水平方向的坐标值为符号垂直方向的坐标。

(e)符号的四边编码。沿着符号的外包围框，从上下左右取四条边，将这四条边的黑色像素密度定义为符号的四边编码。四条边的边长取值如下：一条边长为符号外包围框所对应的宽(长)度，另一条边长为符号外包围框所对应的长(宽)度1/3。

(f)符号的十字编码。沿着符号的外包围框，从中间水平和垂直方向各取一条边，将这两条边的黑色像素密度定义为符号的十字编码。两条边的边长取值如下：一条边长为符号外包围框所对应的宽(长)度，另一条边长为符号外包围框所对应的长(宽)度的1/3。

(g)符号的轮廓编码。如图3所示，假设用光线从上下左右四个方向对符号进行“穿透”，设光线第一次到达黑色像素部分时所经历的区域面积为P₁，设光线第一次穿透黑色像素部分后第二次到达黑色像素部分时所经历的区域面积为P₂。我们将P₁与符号包围框的面积之比称为符号的一次轮廓编码，它一般反映了符号的外围轮廓特征；将P₂与符号包围框的面积之比称为符号的二次轮廓编码，它一般反映了符号的内部轮廓特征。这样从四个方向一共可以得到符号的八个轮廓编码。

(h)符号的信息熵。将符号平均划分为若干正方形的像素块，为了对符号的大小和形状做到自适应，正方形像素块的边长设为符号外包围框最短边的平方根。设一共将符号分为i块，每一块的黑色像素密度分别为e₁，e₂，...，e_i，整个符号的密度为e，将E＝((e₁ ²+e₂ ²+...+e_i ²)/i)^1/2-e定义为符号的信息熵。

(3)采用串联结构聚类算法对符号进行聚类操作。包括如下两个方面：

(a)串联结构的单个单元通过对两个符号的比较操作，从而实现对所有符号的聚类。其具体的实现步骤如下：

第1步：初始时，数据集合为空，读入一个新的对象；

第2步：以这个对象构造一个新的类；

第3步：如果已经达到数据末尾，则转6；

第4步：读入新对象，利用给定的距离定义，计算它与每个已有类之间的距离，并选择最小的距离d；

第5步：如果d大于给定的阈值T，则转2；否则将该对象并入具有最小距离的类中，并转3；

第6步：结束。

(b)将(a)中第5步的判别条件扩展为一个串联结构：首先基于2中提取的多级特征数据，设计针对两个符号的多个判别单元；当两个符号通过前一个单元的判别条件并以正输出时则进入下一个单元的判别条件，否则以负输出；最后，只有所有单元的判别条件均为正时才得到为正的判别结构，否则以负输出。该串联结构聚类算法的流程图如图4所示。

(4)基于(2)中提取得到的多级特征数据，采用(3)所述的串联结构聚类算法对符号进行聚类操作，串联聚类算法的每个单元的实现如下所述。其中所设的阈值表示对应的数值相差超过此数值则本单元的输出值为负，否则输出为正。

(a)设两个符号的高度和宽度分别为：h₁，w₁，h₂，w₂，将两个符号高度和宽度相差的阈值T₁设为2。

(b)设两个符号的密度分别为d₁和d₂，将两个符号密度的阈值T₂为待确定值。

(c)对符号特征点设计了如下的判别条件：对于两个符号各自所对应的每一个特征点，如果其中一个全为白色像素，而另外一个包含3个或4个黑色像素，则单个点的判别结果为负，否则判别结果为正；如果对于64对特征点的判别结果均为正，则整个单元的判别结果为正，否则整个单元的判别结果为负。

(d)设两个符号的中心坐标分别为x₁，y₁，x₂，y₂，将两个符号的重心在水平的阈值设为T_4.1，在垂直方向的阈值设为T_4.2，将两个符号在水平和垂直方向之和的阈值设为T_4.3，T_4.1、T_4.2和T_4.3为待确定值。

(e)对于符号的特征编码，设两个符号每条特征边的阈值为T_5.1，前两条特征边之和的阈值为T_5.2，前三条特征边之和的阈值为T_5.3，前四条特征边之和的阈值为T_5.4。

(f)对于符号的十字编码，设两个符号每个十字编码的阈值为T_6.1，两个十字编码之和的阈值为T_6.2。

(g)对于符号的轮廓编码，设两个符号的每个一次轮廓编码的阈值为T_7.1，每个两次轮廓编码的阈值为T_7.2，相同方向每组一次轮廓编码和二次轮廓编码之和的阈值为T_7.3，所有八个轮廓编码之和的阈值为T_7.4。

(h)对于符号的信息熵编码，设两个符号的信息熵编码的阈值为T₈。

(5)在(4)中共有15个阈值为待确定值，这15个阈值的取值直接影响到对符号的聚类以及对文本图像的压缩结果。本发明采用一种计算机随机模拟的方法来确定这些阈值的最优取值，以保证在不发生错误替换的情况下使聚成的类尽可能地少，以提高有损压缩的压缩率。实现的步骤如下：

第1步：设定上述15个阈值的取值范围，并将这15个阈值组成的向量定义为输入值；

第2步：随机产生上述向量的一个可能的取值；

第3步：定义决策函数，并根据输入值计算决策函数的值；

第4步：重复上述1-3步至一定的次数(本发明中设定为20000次)，记录并选择最优的值。

(6)在本实施例中，上述15个阈值的取值范围如下。

T₂：[0，0.32]

T_4.1：[1，4]

T_4.2：[1，4]

T_4.3：[2，6]

T_5.1：[0，0.23]

T_5.2：T_5.1+[0，0.23]

T_5.3：T_5.2+[0，0.22]

T_5.4：T_5.3+[0，0.29]

T_6.1：[0，0.12]

T_6.2：T_6.1+[0，0.23]

T_7.1：[0，0.24]

T_7.2：[0，0.28]

T_7.3：[0，0.31]

T_7.4：[0，0.49]

T₈：[0，0.21]

(7)在(5)中，决策函数及其最优值设定如下：

(a)将随机产生的阈值向量输入上述串联聚类算法中，聚类的结果定义为决策函数；对应的最优值为：在不发生错误替换的情况下，聚成的类最少则结果为最优。

(b)为了对上述“错误替换”进行判断，需要对输入数据集进行人工标注。在本发明中，一共标注了150页中文文本图像，对图像中提取出来的中文汉字、英文字母以及数字进行人工标注并进行校对。标注的150页图像，其中40页作为训练数据集，以通过上述计算机随机模拟方法计算最优的阈值向量；剩下的110页作为测试数据集，以测试该最优向量在余下的110页图像的处理中是否发生了错误替换。

(8)在(5)中所述的计算机随机模拟方法要重复运行20000次，运行一个周期要耗费大量的时间。为了节约运算时间，设计了如下方法来加速运算的过程：

(a)定义向量U和V，其中U＝{u₁，u₂，...，u_p}，V＝{v₁，v₂，...，v_p}，则定义(U＜V)当且仅当(u₁＜v₁，u₂＜v₂，...，u_p＜v_p)

(b)设当前的最优向量为V_b，当前的向量为V_c，如果V_c＜V_b，则说明V_c过于严格，所聚成的类不可能比V_b所对应的类少，所以应当中止当前运算，产生一个新的V_c重新操作。

(c)设V_t为上次发生错误替换时所对应的阈值向量，当前的向量为V_c，如果V_t＜V_c则说明V_c过于宽松，一定会发生错误替换，所以应当中止当前运算，产生一个新的V_c重新操作。

上述计算机随机模拟方法的流程图如图5所示。图5也包含了对该方法进行加速处理的流程。需要指出的是，上述计算机随机模拟部分的目标是对串联结构聚类算法中的参数进行优化，一旦找到优化的参数，在实际的图像压缩过程中这一部分不必再执行。

本发明所述的方法并不限于具体实施方式中所述的实施例，本领域技术人员根据本发明的技术方案得出其他的实施方式，同样属于本发明的技术创新范围。

Claims (6)

1.一种文本图像压缩方法，其步骤为：

1)读入文本图像，并提取出图像中的符号；

2)从提取的符号中提取多级特征数据；

3)利用所提取的多级特征数据，采用聚类算法对符号进行聚类；

4)根据3)中聚类得到的结果对文本图像进行压缩；

其中，聚类算法中的参数取值方法为：

31)将待优化的参数定义为一向量V；

32)随机产生向量V的一组取值；

33)根据向量V的取值，利用计算机随机模拟方法执行串联结构聚类算法；所述计算机随机模拟方法为：a)记录计算机随机模拟过程中当前的最优向量V_b和上次导致错误替换的向量V_t；b)当随机产生的当前向量V_c比V_b小则中止当前步骤，重新产生当前向量V_c；c)当随机产生的当前向量V_c比V_t大则中止当前步骤，重新产生当前向量V_c；d)如果V_b＜V_c＜V_t，则根据当前向量执行所述串联结构聚类算法；如果发生错误替换则更新记录的V_t为当前向量值，同时重新产生当前向量V_c，否则判断聚类数量是否少于上次最优向量V_b时的聚类数量，如果少于则更新V_b的值为当前向量值；e)重复上述步骤a)～d)到指定次数，确定最终得到的最优向量V_b值为优化后的向量V；

34)重复若干次上述步骤32)、33)，对于不发生错误替换，且聚类最少时对应的向量V取值作为所述串联结构聚类算法中的参数取值。

2.如权利要求1所述的方法，其特征在于所述特征数据包括：符号的尺寸、符号的密度、符号的特征点；其中，符号的尺寸包括其外包围框的高度和宽度，符号的密度定义为其外包围框中黑色像素占全体像素的比率；对于高度和宽度均超过10个像素的符号，将其外包围框平均划分为8×8的网格，并选择每个网格左上角2×2的矩形像素块作为符号的特征点，每个特征点中黑色像素的个数定义为该特征点的值。

3.如权利要求2所述的方法，其特征在于所述特征数据还包括：符号的重心、符号的四边编码、符号的十字编码、符号的轮廓编码、符号的信息熵；其中，

符号的重心包括符号在水平方向和垂直方向黑色像素的重心，水平方向重心计算方法：按照从上到下、从左到右的方式读取并累加符号中的黑色像素，当黑色像素的累加值达到所有黑色像素值的一半的时候，当前的垂直方向的坐标值为符号水平方向的坐标；垂直方向重心计算方法如下：按照从左到右、从上到下的方式读取并累加符号中的黑色像素，当黑色像素的累加值达到所有黑色像素值的一半的时候，当前的水平方向的坐标值为符号垂直方向的坐标；

符号的四边编码为：沿着符号的外包围框，从上下左右取四条边，将这四条边的黑色像素密度定义为符号的四边编码；四条边的边长取值如下：一条边长为符号外包围框所对应的宽度，另一条边长为符号外包围框所对应的长度1/3，或者一条边长为符号外包围框所对应的长度，另一条边长为符号外包围框所对应的宽度1/3；

符号的十字编码为：沿着符号的外包围框，从中间水平和垂直方向各取一条边，将这两条边的黑色像素密度定义为符号的十字编码；两条边的边长取值如下：一条边长为符号外包围框所对应的宽度，另一条边长为符号外包围框所对应的长度的1/3，或者一条边长为符号外包围框所对应的长度，另一条边长为符号外包围框所对应的宽度的1/3；

符号的轮廓编码为：假设用光线从上下左右四个方向对符号进行穿透，设光线第一次到达黑色像素部分时所经历的区域面积为P₁，设光线第一次穿透黑色像素部分后第二次到达黑色像素部分时所经历的区域面积为P₂；将P₁与符号包围框的面积之比称为符号的一次轮廓编码，它一般反映了符号的外围轮廓特征；将P₂与符号包围框的面积之比称为符号的二次轮廓编码，它一般反映了符号的内部轮廓特征，这样从四个方向一共可以得到符号的八个轮廓编码；

符号的信息熵为：将符号平均划分为若干正方形的像素块，正方形像素块的边长设为符号外包围框最短边的平方根；设一共将符号分为i块，每一块的黑色像素密度分别为e₁，e₂，...，e_i，整个符号的密度为e，将E＝((e₁ ²+e₂ ²+...+e_i ²)/i)^1/2-e定义为符号的信息熵。

4.如权利要求1所述的方法，其特征在于采用flood-filling算法提取出图像中的符号；所述符号为图像中连续的像素块。

5.如权利要求1所述的方法，其特征在于首先设定构成所述向量V的每一参数的取值范围，然后根据参数的取值范围随机产生当前向量。

6.如权利要求1所述的方法，其特征在于判断发生所述错误替换的方法为：

1)从所提取出的符号中提取出完整的符号，并对其进行赋值；所述完整的符号包括：

完整的中文符号、完整的英文符号、完整的阿拉伯数字；

2)将赋值后的一部分数据作为训练数据集，通过计算机随机模拟方法计算最优阈值向量；

3)将赋值后的另一部分数据作为测试数据集，对所述最优阈值向量进行测试，如果不符合要求，则重复步骤2)、3)；

4)计算机随机模拟方法利用该最优阈值向量判断执行串联结构聚类算法时是否发生错误替换。

Images