CN106778758A - 用于图像文字识别的字符切分方法 - Google Patents

Abstract

本发明涉及图像识别处理领域，特别涉及用于图像文字识别的字符切分方法；使用相应的规则条件，逐级的来判断切分后的子图片的切分质量，并对切分后的子图片进行相应的处理，层层筛选和处理的方式，保证子图片的切分质量；为最终的识别率，进一步准备了条件。此外相比于传统的切分方法，本发明方法在幅值的基础上引入了修正值，将切分位置与字符边缘的距离作为了确定切分点的考虑因素，因此具有更高的准确性，而且当遇到特殊结构字符时出现多个较小值，或者极值点时，通过本公式可以快速的找出最优化的切分点，增加了切分的准确性，提高了切分的效率；对粘连字符的切分效果更好。

Description

用于图像文字识别的字符切分方法

技术领域

本发明图像识别领域，特别涉及用于图像文字识别的字符切分方法。

背景技术

随着社会的发展和科技的进步，人类创造的知识正以指数级的数量增加，在电子书籍出现之前，大部分的知识是以图书的方式进行传承，中华上下五千年，产生了大量优秀书籍，这些书籍在历史的长河中，或多或少都遭到了不同程度的损坏，因此对这些书籍进行数字化存储迫在眉睫；在图书管理领域，书籍内容的快速搜索对于快速定位书籍很有帮助，而由于书籍数量太多，加上早期印刷的图书没有作者的电子文稿，因此纸质书籍的电子化很有必要。

光学字符识别软件就是处理这种纸质图书到电子文档转化的利器，其主要利用大量的字符样本，经过复杂网络的学习，生成相应的模型文件，从而达到识别图片中字符的目的。

光学字符识别软件主要功能是识别拍摄、扫描图片中的字符，现有技术中在进行图像中文字的识别时，首先需要将图像中的字符串切分开，形成包含单个文字的小图片，然后使用一定的方法对切分后的文字进行识别。而进行文字切分最常用的方法为投影法，即是将图像文字二值化处理后，通过垂直投影法找到两个文字之间的分界线，根据分界线将文字切分开来。然而当图像中的文字之间具有粘连，且图像中包含左右结构的汉字时，简单的投影方法就很难实现较好的切分效果；正是因为这个原因使得切分一直是OCR识别的难点，切分的质量将直接影响到文字的识别效果。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供用于图像文字识别的字符切分方法，使用投影法确定初始切分位置进行切分，对经过切分后的子图片进行判断和再次切分和合并，切分点的确定在字符图片列投影幅值的基础上引入修正值，使得切分点的判断更加合理准确，本发明方法对粘连的汉字具有很好的切分效果。

为了实现上述发明目的，本发明提供了以下技术方案：用于图像文字识别的字符切分方法，包含以下实现过程：使用投影法找出文字字符图片的初始切分位置，根据初始切分位置将待识别图像片切分成初始子图片序列；

对于切分后宽度L＞M*行高h的子图片进行再次切分，切分位置根据以下公式进行确定：

f(x)＝g(x)t(x)

式中f(x)为幅值，x为列投影点在行方向上的坐标，h为当前字符的行高，g(x)为修正值，t(x)为行投影值，当幅值最小时，即为两个字符之间的切割点。

具体的：本用于图像文字识别的字符切分方法包含以下实现步骤：

(1)使用投影法待识别图像文字进行切分，切分成子图片序列；将其中的数字、字母和标点符号标记出来；

(2)对未标记的子图片进行判断：是否满足L≤M*h，L为子图片字符投影的宽度，M为系数，h为行高；

对于不满足条件的子图片进行切分，切分位置根据以下公式进行确定：

f(x)＝g(x)t(x)

重复执行步骤(2)，直到序列中未标记的子图片均满足条件：L≤M*h；

(3)对于序列中数字、字母和标点字图片以外的相邻两子图片的总宽度进行判断：是否满足L_合≤M*h；

如果满足，依序对满足条件的相邻子图片进行合并；

重复执行步骤(3)直到除数字、字母和标点以外的相邻子图片总宽度均不满足L_合≤M*h；

(4)对序列中未标记的子图片进行判断：如果序列中存在三个相邻的子图片，且三个子图片满足：第一子图片和第三子图片的宽度L≤0.5h，且中间子图片的宽度L≥h，则将中间子图片根据公式：

f(x)＝g(x)t(x)

所确定的切分点进行切分；根据确定的切分点，将中间子图片切分成第一中间子图片和第二中间子图片；

将第一子图片和第一中间子图片合并；

将第二中间子图片和第三子图片合并。

进一步的，0.95≤M≤1.3。

作为一种优选：M＝1.2。

作为一种优选，

所述步骤(1)中使用以下规则来判断所切分出的子图片是否属于数字、字母和标点

A：子图片满足：L≤0.4h；

B：子图片的像素高宽比大于1.2。

与现有技术相比，本发明的有益效果：本发明提供用于图像文字识别的字符切分方法，使用投影法确定初始切分位置进行切分，对经过切分后的子图片进行判断和再次切分和合并，本发明使用相应的规则条件，逐级的来判断切分后的子图片的切分质量，并对切分后的子图片进行相应的处理，层层筛选和处理的方式，保证子图片的切分质量；为最终的识别率，进一步准备了条件。

此外相比于传统的切分方法，本发明方法在幅值的基础上引入了修正值，将切分位置与字符边缘的距离作为了确定切分点的考虑因素，因此具有更高的准确性，而且当遇到特殊结构字符时出现多个极值点时，通过本发明方法公式可以快速的找出最优化的切分点，增加了切分的准确性，提高了切分的效率；对粘连字符的切分效果更好。

附图说明：

图1为本发明方法实现过程示意图。

图2为本发明方法实现步骤示意图。

图3为待识别图像样例图。

图4为粘连文字图像样例图。

图5为修正值g(x)的分布示意图。

图6为图5中字符的幅值分布示意图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

本发明方法提供用于图像文字识别的字符切分方法，使用投影法找出文字字符图片的初始切分位置，根据初始切分位置将待识别图像片切分成初始子图片序列；

对于切分后宽度L＞M*行高h的子图片进行再次切分，切分位置根据以下公式进行确定：

f(x)＝g(x)t(x)

式中f(x)为幅值，x为列投影点在行方向上的坐标，h为当前字符的行高，g(x)为修正值，t(x)为行投影值，当幅值最小时，即为两个字符之间的切割点。

具体的：本用于图像文字识别的字符切分方法包含如1和图2所示的以下实现步骤：

(1)使用投影法待识别图像文字进行切分，切分成子图片序列；将其中的数字、字母和标点符号标记出来；

(2)对未标记的子图片进行判断：是否满足L≤M*h，L为子图片字符投影的宽度，M为系数，h为行高；

对于不满足条件的子图片进行切分，切分位置根据以下公式进行确定：

f(x)＝g(x)t(x)

式中f(x)为幅值，x为列投影点在行方向上的坐标，h为当前字符的行高，g(x)为修正值，t(x)为行投影值，两者共同决定投影点的幅值，当幅值最小时，即为两个字符之间的切割点；经过g(x)的修正所找到最小幅值点作为切分点，相比于简单的最小行投影值，本中所寻找的切分点，引入了切分点位置与字符边缘距离的考量因素，因此具有更高的准确性，而且当遇到特殊结构字符时出现 多个较小值，或者极值点时，通过本公式可以快速的找出最优化的切分点，增加了切分的准确性，提高了切分的效率。

重复执行步骤(2)，直到序列中未标记的子图片均满足条件：L≤M*h；经过循环执行本步骤，将序列中明显过大的字图片进行细切分，直到全部满足单个字符的条件，相当于对所以子图片进行了层层筛滤，并不满足条件的子图片进行了层层切分，这样，将字符间相互粘连的字符图片切分开来。

(3)对于序列中数字、字母和标点字图片以外的相邻两子图片的总宽度进行判断：是否满足L_合≤M*h；

如果满足，依序对满足条件的相邻子图片进行合并；

重复执行步骤(3)直到除数字、字母和标点以外的相邻子图片总宽度均不满足L_合≤M*h；

汉字字符中包含大量的左右结构的字符，使用投影法进行切分时，由于左右结构的字体的部首之间是相互分离的，很大的可能会将左右的部首切分开，在进行识别时，需要将这些分离的部首进行重新的合并，使用本步骤实现分离字符的合并直到没有可合并的字符时结束；

(4)对序列中未标记的子图片进行判断：如果序列中存在三个相邻的子图片，且三个子图片满足：第一子图片和第三子图片的宽度L≤0.5h，且中间子图片的宽度L≥h，则将中间子图片根据公式：

f(x)＝g(x)t(x)

所确定的切分点进行切分；根据确定的切分点，将中间子图片切分成第一中间子图片和第二中间子图片；

将第一子图片和第一中间子图片合并；

将第二中间子图片和第三子图片合并。

在某些情况下：连续的两个左右结构的字符图片，中间具有粘连，那么在利用投影法进行切分时，可能将前后字符中间的部首切开，但是对于两个字符之间粘连的部首识别不了，而当成一个字符切分出来的情况；本发明方法对于这种情况有较好的处理效果，对于粘连的中间部分通过上述公式寻找到最佳的切分点，并将切分后的前后字符的部首进行重新的整合，达到了较好的切分效果。

进一步的，0.95≤M≤1.3。

作为一种优选：M＝1.2。

作为一种优选，

所述步骤(1)中使用以下规则来判断所切分出的子图片是否属于数字、字母和标点：

A：子图片满足：L≤0.4h；

B：子图片的像素高宽比大于1.2。

实施例1

如图所示3，对图像中的文字进行识别时，将图像文字进行二值化处理后，经过行投影，将图像中的文字行切分出来，对每一行文字图像进行列投影，找出初始切分点，根据初始切分对文字图片进行初步的切分，形成子图片，切分成的子图片中的数字、字母和标点子图片标记出来。

在此基础上，对数字、字母和标点以外的文字字符子图片进行判断和处理，(切分后的子图片可能将相互粘连的字符切分到一起(粘连切分后字符如图4 所示))，判断过程如下：序列中未标记的子图片宽度是否满足L≤1.2h？对于不满足上述条件的子图片进行切分：使用以下公式来进行切分点的判断：

f(x)＝g(x)t(x)

如图4所示的子图片，经过投影后像素的幅值分布为图5所示，可以发现当x点与行高h相距为0时，其修正值g(x)(分布如图6所示)最小，为0.5，当x与h相距越大，修正越大，由于本文假设字符的宽度与行高相当，因此可以理解为字符投影点越靠近该字符所处的宽度处时，其修正值越小，这样可以避免幅值出现多个极值点。本子图片中字符的幅值在x＝19和20处出现极小值，该子图片字符的行高为19，经g(x)的修正，可以得出f(19)＝0.5000，f(20)＝0.5025；x＝19时f(x)的值最小，x＝19确定为切分点，并根据该切分点，将子图片字符切分出来。

在上述处理的基础上，对于序列中切分满足总宽度L_合≤M*h相邻子图片进行合并，直到没有满足合并条件的子图片为止。

对于序列中的子图片进行再次判断，将满足三个子图片满足：第一子图片和第三子图片的宽度L≤0.5h，且中间子图片的宽度L≥h，使用步骤(4)中的公式进行再次切分；将切分后的前后字符两两合并；直到没有满足条件的子图片为止；完成了所有子图片的切分。

Claims (5)

1.用于图像文字识别的字符切分方法，其特征在于，包含以下实现过程：

使用投影法找出文字字符图片的初始切分位置，根据初始切分位置将待识别图像片切分成初始子图片序列；

对于切分后宽度L＞M*行高h的子图片进行再次切分，切分位置根据以下公式进行确定：

f(x)＝g(x)t(x)

$g\left(x\right)=\frac{1}{1+e^{-0.01|x-h|}}$

式中f(x)为幅值，x为列投影点在行方向上的坐标，h为当前字符的行高，g(x)为修正值，t(x)为行投影值，当幅值最小时，即为两个字符之间的切割点。

2.如权利要求1所述的方法，其特征在于，所述切分过程包含以下实现步骤：

(1)使用投影法待识别图像文字进行切分，切分成子图片序列；将其中的数字、字母和标点符号标记出来；

(2)对未标记的子图片进行判断：是否满足L≤M*h，L为子图片字符投影的宽度，M为系数，h为行高；

对于不满足条件的子图片进行切分，切分位置根据以下公式进行确定：

f(x)＝g(x)t(x)

$g\left(x\right)=\frac{1}{1+e^{-0.01|x-h|}}$

重复执行步骤(2)，直到序列中未标记的子图片均满足条件：L≤M*h；

(3)对于序列中数字、字母和标点字图片以外的相邻两子图片的总宽度进行判断：是否满足L_合≤M*h；

如果满足，依序对满足条件的相邻子图片进行合并；

重复执行步骤(3)直到除数字、字母和标点以外的相邻子图片总宽度均不满足L_合≤M*h；

(4)对序列中未标记的子图片进行判断：如果序列中存在三个相邻的子图片，且三个子图片满足：第一子图片和第三子图片的宽度L≤0.5h，且中间子图片的宽度L≥h，则将中间子图片根据公式：

f(x)＝g(x)t(x)

$g\left(x\right)=\frac{1}{1+e^{-0.01|x-0.5h|}}$

所确定的切分点进行切分；根据确定的切分点，将中间子图片切分成第一中间子图片和第二中间子图片；

将第一子图片和第一中间子图片合并；

将第二中间子图片和第三子图片合并。

3.如权利要求2所述的方法，其特征在于，0.95≤M≤1.3。

4.如权利要求3所述的方法，其特征在于，M＝1.2。

5.如权利要求1至4之一所述的方法，其特征在于，所述步骤(1)中使用以下规则来判断所切分出的子图片是否属于数字、字母和标点：

A：子图片满足：L≤0.4h；

B：子图片的像素高宽比大于1.2。