CN104951788A - 一种书法作品中单字笔画的提取方法 - Google Patents

Abstract

本发明公开了一种书法作品中单字笔画的提取方法，通过采用骨架爬虫单元获取书法作品中单字的骨架笔画，计算书法作品中原单字的各笔画的笔画宽度、获取骨架笔画轮廓的最小包围区，分析不同类型骨架交叉点与笔画轮廓最小包围区的关系、定位共享区及确定共享区的类型，根据共享区的类型及骨架笔画轮廓的最小包围区，完成笔画的提取。本发明能够为基于笔画的书法字识别、书法风格比较、书法作品真伪鉴别奠定基础。采用本发明提供的算法，能够完整提取书法作品中的单字笔画，为基于笔画的书法字分类、识别、重构、动画仿真等相关研究及应用提供笔画提取方法。

Description

一种书法作品中单字笔画的提取方法

技术领域

本发明涉及一种文字图像处理方法，具体涉及一种书法作品中单字笔画的提取方法。

背景技术

笔画是组成和表征文字的基本元素，是文字分类、识别和检索的基础。汉文由笔画和部首构成，从上及下、从左到右书写，以二维的方式排列。文字的分类和识别一般是以笔画元素为基础。书法是一种手写体，西方书法用扁平笔书写，中国的书法通常用毛笔写，都仍在教学实用中。汉字书法最大的特点在于：书法的笔画不像打印体那样：横平竖直，且每个笔画或字母都是有固定模板的。汉字的毛笔书法，不仅每个笔画粗细不同，而且即使同一个笔画的粗细也是不同的；除了笔画变形之外，笔画之间还会有打印体所没有的粘连。这些变化给笔画提取带来困难，然而正是这些笔画上的信息变化，承载着书法最重要的独特信息，是分类的依据，是书法笔画成为书写过程重现、书法风格识别的基础。

书法笔画是实现书体风格的建模、风格的表达与分类、书法风格的发现、书法书写过程的重现、书法作品创作、书法临摹过程交互式动画、以及书法作品真伪检测的基础。上述几项书法研究都是基于书法笔画。对于打印体汉字而言，汉字的笔画组成都是标准的、一致的。书法，尤其是历史书法字，其笔画变化复杂多变，针对历史书法字笔画的获取和表达存在较多的空白。本发明基于汉字书写规律，提出用笔画爬虫方法探测和提取基本的骨架笔画，再结合轮廓信息，提取有笔画宽度的书法笔画。

发明内容

本发明的目的在于提供一种书法作品中单字笔画的提取方法，通过采用骨架爬虫单元获取书法作品中单字的骨架笔画，计算书法作品中原单字的各笔画的笔画宽度、获取骨架笔画轮廓的最小包围区，分析不同类型骨架交叉点与笔画轮廓最小包围区的关系、定位共享区及确定共享区的类型，根据共享区的类型及骨架笔画轮廓的最小包围区，完成笔画的提取。本发明能够为基于笔画的书法字识别、书法风格比较、书法作品真伪鉴别奠定基础。

为了达到上述目的，本发明通过以下技术方案实现：

一种书法作品中单字笔画的提取方法，该提取方法包含：

S1，采用骨架爬虫单元获取书法作品中单字的骨架笔画；

S2，计算书法作品中原单字的各笔画的笔画宽度，获取所述步骤S1中骨架笔画轮廓的最小包围区；

S3，分析不同类型骨架交叉点与笔画轮廓最小包围区的关系，定位共享区及确定共享区的类型；

S4，根据所述共享区的类型及骨架笔画轮廓的最小包围区，完成笔画的提取。

优选地，所述步骤S1包含：

S1.1，对书法作品图像进行处理，对书法作品中单字进行骨架提取、轮廓提取；

S1.2，扫描单字骨架的所有骨架像素点，计算每个骨架像素点周边八个邻域内其他骨架像素点的个数N进行分类；当N＝1时，该骨架像素点为端点；当N>2时，该骨架像素点为交叉点；当N＝2时，该骨架像素点为普通点；计算端点集合为s^e、交叉点集合为s^f；

S1.3，在端点集合s^e中任选一个端点处作为骨架爬虫的起始点，控制骨架爬虫单元沿该端点开始的骨架点爬行，记录爬行过的所有骨架像素点；

S1.4当骨架爬虫单元爬行至交叉点时，暂停该骨架爬虫单元，进行路径选择的计算：根据该交叉点相邻周边邻域内骨架像素点的个数N，控制N个试探爬虫单元以该交叉点为起点，相交的对应N个骨架像素点爬行，直至遇到如下情况之一时，试探爬虫单元停止爬行：

a.试探爬虫单元遇到骨架端点；b.试探爬虫单元的爬行距离达到阈值th；

当所有试探爬虫单元终止爬行后，计算它们的爬行路径，选择与原暂停骨架爬虫单元爬行方向最接近的路径；若该路径与原骨架爬虫单元路径的夹角大于90°，则终止原暂停骨架爬虫单元；否则重新启动暂停的骨架爬虫单元，使其沿试探爬虫单元得到的最接近的方向继续爬行，并记录爬行过的所有骨架像素点；

S1.5，对于端点集合s^e中其他端点重复所述步骤S1.3直至所述骨架爬虫单元爬行过所有端点集合s^e中端点，完成由端点起止的骨架笔画提取后，执行步骤S1.6；

S1.6，获取所有未被所述骨架爬虫单元爬行过的剩余骨架像素点，当获取的像素点个数大于3时，重新执行所述步骤S1.2，重新计算端点，形成集合s^r；

重复执行所述步骤S1.3-S1.5，直至所获取的剩余骨架像素点个数小于等于3个时，跳转至步骤S1.7；

S1.7，扫描所有提取得到的笔画，计算所有笔画的平均长度μ_l及笔画长度标准差σ_l；并剔除任何笔画中笔画长度小于长度阈值μ_l-3σ_l的毛刺笔画；

S1.8，扫描所有提取得到的笔画，将满足合并条件的笔画进行合并。

优选地，所述步骤S1中还包含：

当单字骨架中出现环形笔画时，即所有未被所述骨架爬行虫单元爬行过的骨架像素点均为普通点时，控制该骨架爬行虫单元随机取一点作为端点，执行所述步骤S1.4；

优选地，所述步骤S1.7包含：

提取第i笔的笔画seg_i＝{B_i，E_i，Snake_i}，其中B_i，E_i分别为该笔画的起始点和终止点，Snake_i＝{c₁，c₂，...，c_n}为所述骨架爬虫单元爬过的该骨架笔画中的其他骨架点转换的代码序列，当满足如下条件时：

seg_i＝{|Snake_i|＜μ_l-3σ_l，B_i∈s^e|E_i∈s^e}；

其中，|Snake_i|为笔画链码长度；

第i笔的笔画为毛刺笔画，将该第i笔的笔画剔除。

优选地，所述步骤S1.8包含：

当第i笔的笔画的走势与第j笔的笔画的走势相同，并且第i笔的笔画的终止点与第j笔的笔画的起始点之间的距离小于阈值，即满足如下条件时：

$\left\{\begin{array}{c}Type\left(snak{e}_i\right)=Type\left(snak{e}_j\right)\\ \left|B_i-E_j\right|<\mathrm{\&gamma;}\&CenterDot;th\end{array}\right.$

其中，γ·th为阈值，Type(snake)是笔画的类型判定式，B_i为第i笔的笔画的起始点，E_j为第j笔的笔画的终止点；

若snake_i＝{c₁c₂…c_j…}，则：

$Type\left({\mathrm{snake}}_i\right)=\arg \underset{n}{max}count\&lsqb;n\&rsqb;$

其中， $count\&lsqb;n\&rsqb;=\left\{\begin{array}{ccc}count\&lsqb;n\&rsqb;+1,& if& c_j=n\\ count\&lsqb;n\&rsqb;,& if& c_j\&NotEqual;n\end{array}\right.;$

则将第i笔的笔画与第j笔的笔画合并；

当第i笔的笔画的走势与第j笔笔画的走势相反，且两端点间距离小于阈值，即满足：

$\left\{\begin{array}{c}|Type\left({\mathrm{snake}}_i\right)-Type\left({\mathrm{snake}}_j\right)|=4\\ \left|E_i-E_j\right|<\mathrm{\&gamma;}\&CenterDot;th\end{array}\right.$

则将第i笔的笔画与第j笔的笔画合并。

优选地，所述步骤S2包含：

S2.1，根据所述步骤S1对单字进行的轮廓提取，计算骨架笔画中每一个骨架像素点的笔画宽度d_m，从而统计该笔画的平均宽度μ及其标准差σ；

S2.2，根据每条笔画的平均宽度μ及其标准差σ，根据下式计算第i笔的笔画轮廓最小包围区SS_i：

${\mathrm{SS}}_i=\left\{p\right|\left|p-p_m^{{\mathrm{seg}}_i}\right|=\mathrm{\&mu;}+3\mathrm{\&sigma;}\};$

其中，为第i笔的笔画中第m个骨架像素点，P第i笔笔画中任一为轮廓点；

优选地，所述步骤S2.1包含：

S2.1.1，以第i笔笔画的第m个骨架像素点为圆心，做等角度β的M条直线，获得M条直线中与轮廓线之间的交点计算处的笔画宽度其中k＝1，2，3，...，M；β·M＝180°；为M条直线中第k条直线与单字轮廓线相交的第1个点；为M条直线中第k条直线与单字轮廓线相交的第2个点；

S2.1.2，以该单字为单位，获得该单字全部骨架像素点处的笔画宽度，得到集合s^d＝{d₁，d₂，...，d_Num}，其中Num为该书法字骨架像素点数目，计算该集合的均值μ与标准差σ。

优选地，所述步骤S3包含：

S3.1，对该单字的交叉点集合s^f使用基于密度的聚类算法进行聚类形成交叉点类集合s^fc，并使用交叉点类集合s^fc聚类中心表征共享区；

S3.2，对所述步骤S3.1中获得的交叉点类集合s^f进行修正，使用交叉点类集合s^f聚类中心计算相交笔画；

S3.4，根据相交笔画，确定交叉区域的类型。

优选地，所述步骤S4包含：

S4.1，根据步骤S3获取的共享区类型，确定共享区的划分方式；

S4.2，提取共享区域的最小包围域

S4.3，在最小包围域中计算共享区处笔画轮廓连接点，依照共享区划分方式，补全笔画轮廓线，完成笔画提取。

优选地，所述步骤S4.3包含：

S4.3.1，对于“十”型共享区域，确定轮廓连接点；令共享区内相交笔画为seg_i、seg_j，seg_i与共享区最小包围域两交点构造这两点所决定的直线：

f(p)＝Ax+By+C

其中x、y为p点的坐标值，A、B、C为常量。将求得的角点，代入以上方程中；

当角点满足：

$f\left(p^{{\mathrm{Curve}}_i}\right)\&times;f\left(p^{{\mathrm{Curve}}_j}\right)>0(i\&NotEqual;j)$

时，上述两个角点位于骨架的同一侧，等待连接成封闭轮廓线；

以角点为中心点构造连接点集合将各自多个邻域内的两个邻居点加入集合中，得到：

$S^{{\mathrm{cur}}_i}=\{p_0^{{\mathrm{cur}}_i},p_1^{{\mathrm{cur}}_i},p_2^{{\mathrm{cur}}_i}\}$

$S^{{\mathrm{cur}}_j}=\{p_0^{{\mathrm{cur}}_j},p_1^{{\mathrm{cur}}_j},p_2^{{\mathrm{cur}}_j}\}$

其中 $p_1^{{\mathrm{cur}}_i}=p^{{\mathrm{Curve}}_i},p_1^{{\mathrm{cur}}_j}=p^{{\mathrm{Curve}}_j},$ 为的邻居点，为的邻居点。在中选择一个点p₁,在中选择一个点p₂，令其连线与骨架笔画走向保持最一致，即满足：

连接p₁、p₂，完成补全轮廓线，最终完成笔画提取；对于笔画seg_j笔画提取方式与笔画seg_i步骤相同，结束。

本发明与现有技术相比具有以下优点：

本发明公开的一种书法作品中单字笔画的提取方法，是基于汉字书写规律，采用骨架爬虫单元探测和提取基本的骨架笔画，再结合轮廓信息，提取带有笔画宽度的书法笔画。采用本发明提供的算法，能够完整提取书法作品中的单字，为基于笔画的书法字分类、识别、重构、动画仿真等相关研究及应用提供了可靠的笔画提取方法。

附图说明

图1为本发明一种书法作品中单字笔画的提取方法的整体流程示意图。

图2a为本发明一种书法作品中单字笔画的提取方法的具体实施例示意图之一。

图2b为本发明一种书法作品中单字笔画的提取方法的具体实施例示意图之二。

图2c为本发明一种书法作品中单字笔画的提取方法的具体实施例示意图之三。

图2d为本发明一种书法作品中单字笔画的提取方法的具体实施例示意图之四。

图3a为本发明一种书法作品中单字笔画的提取方法的第一轮提取方法具体实施后所提取得的骨架示意图。

图3b为本发明一种书法作品中单字笔画的提取方法的第二轮提取方法的具体实施所提取得的骨架示意图。

图3c为本发明一种书法作品中单字笔画的提取方法的第三轮提取方法的具体实施所提取得的骨架示意图。

图4-1为本发明一种书法作品中单字笔画的提取方法的具体实施例示意图之五。

图4-2为本发明一种书法作品中单字笔画的提取方法的具体实施例示意图之六。

图5为本发明一种书法作品中单字笔画的提取方法的单个骨架点宽度计算方法示意图。

图6为本发明一种书法作品中单字笔画的提取方法的“十”型和“T”型共享区检测示意图。

图7为本发明一种书法作品中单字笔画的提取方法的最小包围盒内的轮廓曲线示意图。

图8为本发明一种书法作品中单字笔画的提取方法的具体实施例示意图之六。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，一种书法作品中单字笔画的提取方法，该提取方法包含：

S1，采用骨架爬虫单元获取书法作品中单字的骨架笔画。该步骤S1包含：

S1.1，如图2a所示，对扫描得到书法作品图像进行处理，对书法作品中单字进行骨架提取、轮廓提取。

本发明中，步骤S1.1包含：

对书法作品图像进行去噪、去背景色处理，提取书法作品中单字的二值化图像。

对上述单字的二值化图像进行二值化处理，对单字进行骨架提取、轮廓提取。

S1.2，扫描单字骨架的所有骨架像素点，根据每个骨架像素点相邻周边领域内其他骨架像素点的个数N，对该骨架点进行分类：当N＝1时，该骨架像素点为端点；当N>2时，该骨架像素点为交叉点；当N＝2时，该骨架像素点为普通点；计算端点集合为s^e、交叉点集合为s^f。如图2b所示，端点集s^e用○标记，交叉点集合s^f用×标记。

S1.3，如图2c所示，在端点集合s^e中一个端点处，控制骨架爬虫单元沿该端点处的骨架爬行，记录爬行过的所有骨架像素点。

S1.4当骨架爬虫单元爬行至交叉点时，暂停爬行，先进行路径选择的计算：根据该交叉点相邻周边邻域内骨架像素点的个数N，控制N个试探爬虫单元，以该交叉点为起始点，沿着代表N条路径的N个邻居骨架像素点爬行，直到遇见以下两种情况之一时终止爬行：(1)爬虫遇到端点；(2)爬行距离达到阈值th；当所有试探爬虫终止爬行后，计算它们的爬行路径，选择与原暂停爬虫爬行方向最接近的路径；若该路径与原爬虫路径的夹角大于90°，则终止原暂停爬虫；否则重新启动暂停的爬虫，使其沿试探爬虫得到的最接近的方向继续爬行，并记录爬行过的所有骨架像素点。

提取由端点处起笔的骨架笔画，其原理图如图2c所示：

(1)选择端点集合s^e中的一个点A，骨架爬虫单元从该点沿骨架方向开始爬行。

(2)骨架爬虫单元经过O1时，检测O1为交叉点，暂停骨架爬虫单元的爬行，释放2个试探爬虫单元分别沿与该交叉点相交的2个骨架像素点爬行，直至试探爬虫单元爬行距离达到阈值th：

其中，

th＝max{width,height}·α

th为试探爬虫爬行的最远距离，与该字图像的高度和宽度成比例，比例因子为α，其取值范围为[0.1，0.13]。

(3)若在试探爬虫单元爬行过程中遇到交叉点时，如图2d所示，暂停试探爬虫单元的爬行，依照步骤(2)中骨架爬虫单元的操作过程，进行操作。

(4)重复步骤(3)直至处于爬行过程中的试探爬虫单元停止爬行。

(5)记录爬行过程中的所遇到的交叉点，若交叉点之间的距离小于阈值th，则将其聚为一类，插值得到聚类中心O。如图2d所示，O是交叉点O1和O2的聚类中心，位于O1O2的中点；三只试探爬虫停止爬行后，获得OB、OC及OD三条试探路径。

(6)检测每天返回的试探路径，假设W为爬行终点，则被选中的路径要满足如下两个条件：

其中W，B，C∈S^t，S^t为骨架爬虫单元爬行终止点的集合。根据上述计算原理，试探爬虫所获OB、OC及OD三条路径中，选择OC。

S1.5，对于端点集合s^e中其他端点重复步骤S1.3直至骨架爬虫单元爬行过所有端点集合s^e中端点，完成由端点起止的骨架笔画提取，如图3a所示，为该子执行完成步骤S1.5后的结果。

S1.6，获取所有未被骨架爬虫单元爬行过的骨架像素点，当所获取的像素点个数大于3个时，执行步骤S1.2，重新计算端点，形成集合重复依次执行S1.3、S1.4、S1.5，所获取的骨架笔画如图3b所示；继续执行S1.6，所获取的骨架笔画如图3c所示。

本发明中，具体方法如下：

(1)剔除骨架中由端点起笔的笔画骨架点，保留骨架爬虫单元未爬过的骨架点及其与之相邻接的交叉点；

(2)若第i次执行步骤S1.2所得到交叉点集为端点集为则第i+1次所计算得到的交叉点集合新的端点集合为：

$s_{i+1}^f=\left\{p\right|p\&Element;s_i^f,N_8\left(p\right)\&GreaterEqual;1\}$

$s_{i+1}^e=\left\{p\right|p\&Element;s_{i+1}^f,N_4\left(p\right)\&GreaterEqual;1|N_8\left(p\right)=1\}$

其中，N₈(p)是当前剩下的p点8邻域点(被爬过的骨架点已剔除)的个数；与N₈(p)对应，N₄(p)是p点4邻域的像素点个数；

(3)根据新生成的端点，按照步骤S1.4进行笔画提取。

S1.7，扫描所有提取得到的笔画，计算所有笔画的平均长度μ_l及笔画长度标准差σ_l；并剔除任何笔画中笔画长度小于长度阈值μ_l-3σ_l的毛刺笔画。该步骤S1.7包含：

提取第i笔的笔画seg_i＝{B_i，E_i，Snake_i}，其中B_i，E_i分别为该笔画的起始点和终止点，Snake_i＝{c₁，c₂，...，c_n}为骨架爬虫单元爬过的该骨架笔画中的其他骨架点转换的码序列，当满足如下条件时：

seg_i＝{|Snake_i|＜μ_l-3σ_l，B_i∈s^e|E_i∈s^e}；

其中，|Snake_i|为笔画链码长度；

第i笔的笔画为毛刺笔画，将该第i笔的笔画剔除。

S1.8，扫描所有提取得到的笔画，将满足合并条件的笔画进行合并。该步骤S1.8包含：

当第i笔的笔画的走势与第j笔的笔画的走势相同，并且第i笔的笔画的终止点与第j笔的笔画的起始点之间的距离小于阈值，即满足如下条件时：

$\left\{\begin{array}{c}Type\left(snak{e}_i\right)=Type\left(snak{e}_j\right)\\ \left|B_i-E_j\right|<\mathrm{\&gamma;}\&CenterDot;th\end{array}\right.$

其中，γ·th为阈值，本实施例中，的取值范围为[0.3,0.34]。Type(snake)是笔画的类型判定式，B_i为第i笔的笔画的起始点，E_j为第j笔的笔画的终止点；

若snake_i＝{c₁c₂…c_j…}，则：

$Type\left({\mathrm{snake}}_i\right)=\arg \underset{n}{max}count\&lsqb;n\&rsqb;$

其中， $count\&lsqb;n\&rsqb;=\left\{\begin{array}{ccc}count\&lsqb;n\&rsqb;+1,& if& c_j=n\\ count\&lsqb;n\&rsqb;,& if& c_j\&NotEqual;n\end{array}\right.,$

则将第i笔的笔画与第j笔的笔画合并；

当第i笔的笔画的走势与第j笔笔画的走势相反，且两端点间距离小于阈值，即满足：

$\left\{\begin{array}{c}|Type\left({\mathrm{snake}}_i\right)-Type\left({\mathrm{snake}}_j\right)|=4\\ \left|E_i-E_j\right|<\mathrm{\&gamma;}\&CenterDot;th\end{array}\right.$

其中，E_i为第i笔的笔画端点。

则将第i笔的笔画与第j笔的笔画合并。

该步骤S1中还包含：

当单字骨架中出现没有端点、没有交叉点的环形笔画时，按上述方案执行，环形骨架笔画会被剩下，爬虫执行完毕后的所得的骨架笔画中会缺失环形笔，如图4-1所示；此时，剩余骨架笔画的个数会大于3个控制骨架爬行虫单元随机取剩余部分骨架中的一点作为端点，执行步骤S1.4，所得结果如图4-2所示。

S2，计算书法作品中原单字的各笔画的笔画宽度，获取步骤S1中骨架笔画轮廓的最小包围区。该步骤S2包含：

S2.1，根据步骤S1对单字进行的轮廓提取，计算每条笔画中每一个骨架像素点处的笔画宽度d_m，从而计算该笔画的平均宽度μ及其标准差σ。该步骤S2.1包含：

具体操作原理如图5所示：

S2.1.1，以第i笔笔画的第m个骨架像素点为圆心，做等角度β的M条直线，获得M条直线中与轮廓线之间的交点计算处的笔画宽度其中k＝1，2，3，...，M；β·M＝180°；为M条直线中第k条直线与单字轮廓线相交的第1个点；为M条直线中第k条直线与单字轮廓线相交的第2个点；

S2.1.2，以该单字为单位，获得该单字全部骨架像素点处的笔画宽度，得到集合s^d＝{d₁，d₂，...，d_Num}，其中Num为该书法字骨架像素点数目，计算该集合的均值μ与标准差σ。

S2.2，根据每条笔画的平均宽度及其标准差，根据下式计算第i笔的笔画轮廓最小包围区SS_i：

${\mathrm{SS}}_i=\left\{p\right|\left|p-p_m^{{\mathrm{seg}}_i}\right|=\mathrm{\&mu;}+3\mathrm{\&sigma;}\};$

其中，为第i笔的笔画中第m个骨架像素点，P为第i笔笔画中任一轮廓点。

S3，分析不同类型骨架交叉点与笔画轮廓最小包围区的关系，定位共享区及确定共享区的类型。该步骤S3包含：

S3.1，对该单字的交叉点集合s^f使用基于密度的聚类算法进行聚类形成交叉点类集合s^fc，并使用交叉点类集合s^fc聚类中心表征共享区。该步骤S3.1包含：

S3.1.1，对于任一交叉点p_i∈s^f，统计半径为ε＝1的邻域内的交叉点个数n_i，如满足n_i≥MinPts(MinPts＝2)，则p_i为一个核心点，记作作为第一个元素加入集合C_k中，并将n_i个的ε＝1邻域内的交叉点加入C_k中。

S3.1.2，统计与更新后C_k集合中任一元素的距离在ε＝1半径内的其他交叉点，加入C_k集合；重复该迭代过程，直至C_k集合不再更新；该集合就是以为核心交叉点的第k类的聚类；重复操作，直至s^f中所有的交叉点均被包含到某一类别中。

S3.2，对步骤S3.1中获得的交叉点类集合s^f进行修正，使用交叉点类集合s^f聚类中心计算相交笔画。该步骤S3.2包含：

采用质心公式计算交叉点类集合s^fc的聚类中心构建聚类中心聚类矩阵D_m×m：

其中，d_ij为各聚类中心之间的欧基米德距离：

$d_{ij}=\left|P_i^C-P_j^C\right|(i=1,2,...,m;j=1,2,...,m);$

遍历D_m×m，合并聚类中心距离过小的类别C_i、C_j，即满足条件：

0＜d_ij≤μ+3σ

令seg_i是当前正在处理的第i个骨架笔画，当seg_i的最小包围区中有聚类中心落入时，遍历所有其它笔画的最小包围SS。若SS_j中有一元素点p_k∈C_m，则seg_j与笔画seg_i相交。

S3.4，根据相交笔画，确定交叉区域的类型。

定义书法字基本笔画为横、竖、撇、捺，对应的编码为0，2，1，3，其反向趋势归为同一类，即0和4，1和4，2和6，3和7是同一类型，计算相交笔画seg_j、seg_i的笔画类型：

$Type\left({\mathrm{snake}}_i\right)=(\arg \underset{n}{max}count\&lsqb;n\&rsqb;)\mathrm{mod}4$

S4，根据共享区的类型及骨架笔画轮廓的最小包围区，完成笔画的提取。该步骤S4包含：

S4.1，根据步骤S3获取的共享区类型，确定共享区的划分方式。

本发明中，依据所求得的相交笔画位置关系，确定共享区类型：seg_i和seg_j，相应的交叉点集合C_k，如果B_i∈C_k||E_i∈C_k或者B_j∈C_k||E_j∈C_k，则C_k所对应的共享区为“T”型，否则为“十”字型，如图6所示。

S4.2，提取共享区域的最小包围域

(1)计算共享区最小包围域 ${\mathrm{SS}}_k^{FC}=\left\{p\right|\left|p-P_k^C\right||=2\mathrm{\&mu;}+6\mathrm{\&sigma;}\},$ 其中为共享区所对应的交叉点类的聚类中心；

(2)在共享区最小包围域释放爬虫，令其沿邻居方向爬行至另一端点，爬取得到曲线其结果示意如图7；

(3)计算每条曲线中的角点，角点满足：

$p^{{\mathrm{Curve}}_i}=\left\{p\right|\arg {\min }_p\left|p-P_k^C\right|,p\&Element;{\mathrm{Curve}}_i\}.$

S4.3，在最小包围域中计算共享区处笔画轮廓连接点，依照共享区划分方式，补全笔画轮廓线，完成笔画提取。该步骤S4.3包含：

S4.3.1，对于“十”型共享区域，确定轮廓连接点；令共享区内相交笔画为seg_i、seg_j，seg_i与共享区最小包围域两交点构造这两点所决定的直线：

f(p)＝Ax+By+C

其中x、y为p点的坐标值，A、B、C为常量。将求得的角点，代入以上方程中；

当角点满足：

$f\left(p^{{\mathrm{Curve}}_i}\right)\&times;f\left(p^{{\mathrm{Curve}}_j}\right)>0(i\&NotEqual;j)$

时，上述两个角点位于骨架的同一侧，等待连接成封闭轮廓线；

以角点为中心点构造连接点集合将各自多个邻域内的两个邻居点加入集合中，得到：

$S^{{\mathrm{cur}}_i}=\{p_0^{{\mathrm{cur}}_i},p_1^{{\mathrm{cur}}_i},p_2^{{\mathrm{cur}}_i}\}$

$S^{{\mathrm{cur}}_j}=\{p_0^{{\mathrm{cur}}_j},p_1^{{\mathrm{cur}}_j},p_2^{{\mathrm{cur}}_j}\}$

其中 $p_1^{{\mathrm{cur}}_i}=p^{{\mathrm{Curve}}_i},p_1^{{\mathrm{cur}}_j}=p^{{\mathrm{Curve}}_j},$ 为的邻居点，为的邻居点。在中选择一个点p₁,在中选择一个点p₂，令其连线与骨架笔画走向保持最一致，即满足：

连接p₁、p₂，完成补全轮廓线，最终完成笔画提取；对于笔画seg_j笔画提取方式与笔画seg_i步骤相同，结束。

本发明中，对于“T”型共享区，相应的共享区最小包围域内有3条曲线，每条曲线上有1个角点，共3个角点，其中有2点位于骨架同一侧。参照“十”型计算方式，可确定连接点，完成轮廓笔画的提取，提取结果如图8所示。

本发明与现有技术相比具有以下优点：

本发明公开的一种书法作品中单字笔画的提取方法，是基于汉字书写规律，采用骨架爬虫单元探测和提取基本的骨架笔画，再结合轮廓信息，提取带有笔画宽度的书法笔画。采用本发明提供的算法，能够完整提取篆书、隶书、楷书、行书书法作品中的单字笔画，为基于笔画的书法字分类、识别、重构、动画仿真等相关研究及应用提供了可靠的笔画提取方法。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种书法作品中单字笔画的提取方法，其特征在于，该提取方法包含：

S1，采用骨架爬虫单元获取书法作品中单字的骨架笔画；

S2，计算书法作品中原单字的各笔画的笔画宽度，获取所述步骤S1中骨架笔画轮廓的最小包围区；

S3，分析不同类型骨架交叉点与笔画轮廓最小包围区的关系，定位共享区及确定共享区的类型；

S4，根据所述共享区的类型及骨架笔画轮廓的最小包围区，完成笔画的提取。

2.如权利要求1所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S1包含：

S1.1，对书法作品图像进行处理，对书法作品中单字进行骨架提取、轮廓提取；

S1.2，扫描单字骨架的所有骨架像素点，计算每个骨架像素点周边八个邻域内其他骨架像素点的个数N进行分类；当N＝1时，该骨架像素点为端点；当N＞2时，该骨架像素点为交叉点；当N＝2时，该骨架像素点为普通点；计算端点集合为s^e、交叉点集合为s^f；

S1.3，在端点集合s^e中任选一个端点处作为骨架爬虫的起始点，控制骨架爬虫单元沿该端点开始的骨架点爬行，记录爬行过的所有骨架像素点；

S1.4当骨架爬虫单元爬行至交叉点时，暂停该骨架爬虫单元，进行路径选择的计算：根据该交叉点相邻周边邻域内骨架像素点的个数N，控制N个试探爬虫单元以该交叉点为起点，相交的对应N个骨架像素点爬行，直至遇到如下情况之一时，试探爬虫单元停止爬行：

a.试探爬虫单元遇到骨架端点；b.试探爬虫单元的爬行距离达到阈值th；当所有试探爬虫单元终止爬行后，计算它们的爬行路径，选择与原暂停骨架爬虫单元爬行方向最接近的路径；若该路径与原骨架爬虫单元路径的夹角大于90°，则终止原暂停骨架爬虫单元；否则重新启动暂停的骨架爬虫单元，使其沿试探爬虫单元得到的最接近的方向继续爬行，并记录爬行过的所有骨架像素点；

S1.5，对于端点集合s^e中其他端点重复所述步骤S1.3直至所述骨架爬虫单元爬行过所有端点集合s^e中端点，完成由端点起止的骨架笔画提取后，执行步骤S1.6；

S1.6，获取所有未被所述骨架爬虫单元爬行过的剩余骨架像素点，当获取的像素点个数大于3时，重新执行所述步骤S1.2，重新计算端点，形成集合s^r；

重复执行所述步骤S1.3-S1.5，直至所获取的剩余骨架像素点个数小于等于3个时跳转至步骤S1.7；

S1.7，扫描所有提取得到的笔画，计算所有笔画的平均长度μ_l及笔画长度标准差σ_l；并剔除任何笔画中笔画长度小于长度阈值μ_l-3σ_l的毛刺笔画；

S1.8，扫描所有提取得到的笔画，将满足合并条件的笔画进行合并。

3.如权利要求2所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S1中还包含：

当单字骨架中出现环形笔画时，即所有未被所述骨架爬行虫单元爬行过的骨架像素点均为普通点时，控制该骨架爬行虫单元随机取一点作为端点，执行所述步骤S1.4。

4.如权利要求2所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S1.7包含：

提取第i笔的笔画seg_i＝{B_i，E_i，Snake_i}，其中B_i，E_i分别为该笔画的起始点和终止点，Snake_i＝{c₁，c₂，...，c_n}为所述骨架爬虫单元爬过的该骨架笔画中的其他骨架点转换的代码序列，当满足如下条件时：

seg_i＝{|Snake_i|＜μ_l-3σ_l，B_i∈s^e|E_i∈s^e}；

其中，|Snake_i|为笔画链码长度；

第i笔的笔画为毛刺笔画，将该第i笔的笔画剔除。

5.如权利要求2所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S1.8包含：

当第i笔的笔画的走势与第j笔的笔画的走势相同，并且第i笔的笔画的终止点与第j笔的笔画的起始点之间的距离小于阈值，即满足如下条件时：

其中，γ·th为阈值，Type(snake)是笔画的类型判定式，B_i为第i笔的笔画的起始点，E_j为第j笔的笔画的终止点；

若snake_i＝{c₁c₂…c_j…}，则：

其中，

则将第i笔的笔画与第j笔的笔画合并；

当第i笔的笔画的走势与第j笔笔画的走势相反，且两端点间距离小于阈值，即满足：

则将第i笔的笔画与第j笔的笔画合并。

6.如权利要求1所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S2包含：

S2.1，根据所述步骤S1对单字进行的轮廓提取，计算骨架笔画中每一个骨架像素点的笔画宽度d_m，从而统计该笔画的平均宽度μ及其标准差σ；

S2.2，根据每条笔画的平均宽度μ及其标准差σ，根据下式计算第i笔的笔画轮廓最小包围区SS_i：

其中，为第i笔笔画中第m个骨架像素点，P第i笔笔画中任一为轮廓点。

7.如权利要求6所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S2.1包含：

S2.1.1，以第i笔笔画的第m个骨架像素点为圆心，做等角度β的M条直线，获得M条直线中与轮廓线之间的交点计算处的笔画宽度其中k＝1，2，3，...，M；β·M＝180°；为M条直线中第k条直线与单字轮廓线相交的第1个点；为M条直线中第k条直线与单字轮廓线相交的第2个点；

S2.1.2，以该单字为单位，获得该单字全部骨架像素点处的笔画宽度，得到集合s^d＝{d₁，d₂，...，d_Num}，其中Num为该书法字骨架像素点数目，计算该集合的均值μ与标准差σ。

8.如权利要求1所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S3包含：

S3.1，对该单字的交叉点集合s^f使用基于密度的聚类算法进行聚类形成交叉点类集合s^fc，并使用交叉点类集合s^fc聚类中心表征共享区；

S3.2，对所述步骤S3.1中获得的交叉点类集合s^f进行修正，使用交叉点类集合s^f聚类中心计算相交笔画；

S3.4，根据相交笔画，确定交叉区域的类型。

9.如权利要求1所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S4包含：

S4.1，根据步骤S3获取的共享区类型，确定共享区的划分方式；

S4.2，提取共享区域的最小包围域

S4.3，在最小包围域中计算共享区处笔画轮廓连接点，依照共享区划分方式，补全笔画轮廓线，完成笔画提取。

10.如权利要求1所述的书法作品中单字笔画的提取方法，其特征在于，所述步骤S4.3包含：

S4.3.1，对于“十”型共享区域，确定轮廓连接点；令共享区内相交笔画为seg_i、seg_j，seg_i与共享区最小包围域两交点构造这两点所决定的直线：

f(p)＝Ax+By+C

其中x、y为p点的坐标值，A、B、C为常量。将求得的角点，代入以上方程中；

当角点满足：

时，上述两个角点位于骨架的同一侧，等待连接成封闭轮廓线；

以角点为中心点构造连接点集合将各自多个邻域内的两个邻居点加入集合中，得到：

其中 为的邻居点，为的邻居点。在中选择一个点p₁，在中选择一个点p₂，令其连线与骨架笔画走向保持最一致，即满足：

连接p₁、p₂，完成补全轮廓线，最终完成笔画提取；对于笔画seg_j笔画提取方式与笔画seg_i步骤相同，结束。