CN112597876A - 基于特征融合的书法汉字评判方法 - Google Patents
基于特征融合的书法汉字评判方法 Download PDFInfo
- Publication number
- CN112597876A CN112597876A CN202011512581.9A CN202011512581A CN112597876A CN 112597876 A CN112597876 A CN 112597876A CN 202011512581 A CN202011512581 A CN 202011512581A CN 112597876 A CN112597876 A CN 112597876A
- Authority
- CN
- China
- Prior art keywords
- calligraphy
- chinese character
- point
- skeleton
- stroke
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000007670 refining Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000010220 Pearson correlation analysis Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
- G06V30/347—Sampling; Contour coding; Stroke extraction
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B11/00—Teaching hand-writing, shorthand, drawing, or painting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Character Discrimination (AREA)
Abstract
汉字是中华文明的象征,书法是汉字文化的精髓。针对目前书法教育上面临的师资匮乏,无人值守情况下完成书法练习作品的评价和指导难等问题,提出了一种基于特征融合的智能评价方法。首先,基于卷积神经网络完成书法汉字的识别任务。然后,基于汉字骨架提取算法针对单一书法汉字图像进行综合评价,进行局部特征和全局特征提取,并进行特征的融合分析。最后,构建书法汉字辅助学习系统,对输入的书法练习结果进行评分和评价反馈。实验结果表明,基于局部特征和全局特征的相似度计算的客观评分基本符合人的主观评分,证明了本文评判算法的可行性。
Description
技术领域
本发明属于模式分析与笔式计算领域,特别是涉及一种基于特征融合的书法汉字评判方法。
背景技术
中国文化博大精深,其中中国书法作为中国特有的传统艺术,在中国几千年的历史长河中孕育了一大批杰出的书法家,他们的书法艺术中包含的技法技巧和美学伦理,无不体现出中国古人的智慧,散发着中华民族传统文化的永恒魅力。然而,由于观念认知偏差、区域发展失衡、书法师资缺乏以及教育水平参差不齐等问题,造成书法教育匮乏和现有的教育难以达到要求。为应对教育资源缺乏造成的书法练习者作品无法及时得到评价和指正问题,基于计算机的汉字识别和评判成为书法教育的研究热点之一。
汉字评价研究可以分为事后评判和实时评判两类。实时评判倾向于用户书写过程中笔画多余、缺失、交联等书写错误的纠正,而事后评判指将用户练习结果与临摹汉字进行匹配后给出规范性的评价和反馈指导的过程。其中,事后评判的字形匹配算法是该技术的核心。万华林、庄越挺等人提出对输入的书法汉字图像的颜色、笔画纹理和拓扑结果的特征来进行比较,从而完成对书法汉字的评判。俞凯等人通过计算检索字图像的每一个像素点的四周的一定范围内寻找被检索字图像的骨架上相对应的点的距离。通过检索汉字和用户输入书法汉字的距离对比,完成书法汉字的评价。刘洋从书法字的结构特征、笔画形态及笔画内部的笔段的形态三个级别提取出书法字的整体布局和各部分布局,作为该书法字的书法家创作风格的特征点。通过该技术来评判一幅书法作品中书法字的真伪概率给出一个作品的整体真伪概率水平。李牧在计算骨架相似度时采用了欧氏距离的方法。这种方法对于一些书法字笔画较为复杂,例如“魑,黝,璧”等汉字,或者骨架有所差异较大的书法汉字,该算法计算相似度并不适用于一些特殊汉字的评价。
发明内容
基于上述情况,本发明提出了一种基于汉字骨架提取算法,针对单一书法汉字图像的局部特征和全局特征分析。局部特征从书法汉字笔画出发,对汉字笔画的拐角相似度分析;全局特征从汉字整体结构出发,对汉字进行整体的“米”字格拆分,基于Hu矩和皮尔逊系数计算拆分后的相似度。本发明的目的在于研制一种高效的、详实的手写体汉字评判方法,提高了书法汉字评判的可靠性。
基于特征融合的书法汉字评判方法,包括识别模块和评价模块,包括以下步骤:步骤一:所述识别模块利用卷积神经网络模型进行汉字识别;步骤二:所述评价模块基于汉字骨架提取算法对书法汉字的特征结构进行书法汉字特征分析,得到书法汉字的综合评价;步骤三:基于书法汉字特征分析,完成对用户书法汉字练习评价的计算机评价系统。
所述步骤一包括:采用ResNet网络模型对汉字进行识别包括,通过将用户所书写的书法汉字图像和CASIA-HWDB数据库输入所述ResNet网络模型,使用所述ResNet网络模型对用户所书写的书法汉字图像进行和CASIA-HWDB数据库进行训练,分类得到最终识别结果。
所述步骤二包括:所述书法汉字特征包括局部特征和全局特征,所述局部特征包括拐点处的拐角;所述全局特征包括骨架米字格分割,基于HU矩和皮尔逊系数计算拆分后的相似度;
所述步骤二包括:首先对汉字的骨架进行提取,在提取书法字的骨架时,骨架尽量不要出现断裂的现象;分析汉字是否存在拐点,若是,则进行局部特征计算,对汉字的笔画提取,计算拐点处的拐角,对比汉字笔画的拐角的相似度,把握汉字的局部细节效果,对汉字进行局部效果评价,然后进行全局效果评价;若否,则进行全局特征计算,计算骨架米字格分割后,基于HU矩和皮尔逊系数计算拆分后的相似度,从而计算骨架手写书法汉字与临摹中汉字的相似度,通过比较完整骨架的相似度,进行全局效果评判,最后输出评分结果。
所述步骤二中包括:汉字的骨架提取,就是将汉字图像的像素点由外向内进行腐蚀,最终得到像素点宽度为1,原始书法汉字相近的线条图形。
所述步骤三包括:对比标准库中汉字局部特征和全局特征的相似度,所述标准库包括包括3755个一级汉字的.png图像,并将其从1至3755编号。
所述步骤二中,所述书法汉字是由软笔黑色墨水所书写,字形以黑色为主,背景主要是白色,能较好的提取二值化处理后的特征。书法图像骨架提取步骤为:第一,需要对输入的书法图像进行二值化处理;第二,对处理后的图像边缘向内腐蚀,直到图像的黑色像素宽度为1。汉字的骨架需具有较好的连贯性和准确的拓扑关系,不出现骨架断裂和多余部分,以保证对书法图像的骨架特征进行全局和局部的分析。目前图像细化的方法有极值算法、跟踪算法和迭代算法等,其中迭代细化法更适合汉字骨架提取,迭代算法步骤为:
(1)遍历整个图像,寻找图像中的所有黑色像素点;
(2)若黑色像素点是边界点,且是连通点,则保存该点,否则删除该点;
(3)通过将第一轮处理完的图像输入重复处(1)、(2)两个步骤,最终得到一条由无法被删除的像素组成的线。
迭代细化法又细分为数学形态学细化法和索引表细化法等。索引表细化法是根据二值图像中每个黑色像素点周围八邻域像素点的分布情况来决定该点是否保留的图像骨架提取方法。关键在于如何判断该点是不是应该被删除。因此,本发明设定判定规则如下:
(1)不能删除内部点;
(2)不能删除孤立点;
(3)不能删除线的端点;
(4)不能删除边界连通点。
所述步骤二中,所述局部特征的提取包括,通过对细化后的汉字骨架的某个像素的八个领域的其他像素点的个数p进行判断,可以确定独立笔画和交叉笔画。
(1)当p=2时,表示汉字该笔画中只存在端点和普通点,则可判断该笔画为独立笔画;
(2)当p≥3时,该笔画中存在端点、普通点和交叉点三种像像素点,判断该笔画为交叉笔画。
确定交叉笔画和独立笔画后,独立笔画无需进行处理即可直接进行笔画提取,而交叉笔画则需要进行笔画分割后,对得到的独立笔画进行提取。在对交叉点的笔画骨架提取时会存在某一交叉点附近出现多个交叉点的问题,需要进行交叉点融合。假设在Ic交叉点区域内存在以该点为中心,其欧式距离小于阈值Td的k个交叉点,则通过公式1-1将该区域的所有交叉点融为一个新交叉点。
交叉点融合得到lk(xk,yk)结果。
确定融合后的交叉点笔画骨架的交叉点lk后,使用“交叉点到边缘方向距离交叉区域提取算法”,将书法汉字的交叉笔画分割成独立笔画。该算法假设交叉点到笔画轮廓的欧式距离为dx,以交叉点lk建立坐标系,然后按照轮廓点所属象限对轮廓点进行遍历。具体步骤如下:
(1)以交叉笔画的交叉点为原点,以间隔角度ω=1°,最大半径R=3μW做扫描,记录落入圆内的所有轮廓点。
(2)记录每一个轮廓点骨架交叉点的距离dx。
(3)通过计算交叉点到笔画轮廓的距离得到交叉区域的分割点pi,连接分割点即可形成交叉区域。
(4)得到交叉区域后,对交叉区域进行切割,分离出不同笔画的相同部分。
所述步骤二中,针对汉字局部性评判,本发明提出了一种对汉字拆分后的独立笔画拐点角度计算的算法,通过对比汉字库中各个相同笔画的拐点角度,进行对应点拐角角度拟合对比,最后得到局部层面汉字笔画上的评分。具体步骤如下:
笔画拐点确定,本发明使用方向编码顺延的方法进行拐点确定,即从提取后的单一笔画端点开始,依次遍历所提取骨架汉字的各个像素点,依次记录下一个像素点的方向编码,组成一组笔画的编码链,最后分析编码链的数据特征确定该独立笔画的拐点。
将该方法提取的笔画骨架标注为:
H1={(14,9),(24,7),(44545454543322111)} (1-3)
将汉字提取的骨架按方向编码顺延方法得到汉字笔画的编码链Hi。然后根据编码链Hi确定笔画的拐点ωi,拐点确认公式如下:
式中,拐点簇ωn表示相近的邻域方向编码,ωn-1表示该拐点簇的前一个像素点,ωn+1表示该拐点簇的后一个像素点。
针对某些汉字笔画较粗,存在顿笔造成汉字出现认知外的拐点,实则只存在一个拐点这种情况。本文设定约束规则:若两个拐点之间的欧式距离小于i,则将这两个拐点整合为一个点,拐点取中间位置的像素点,中心拐点确定公式如下:
确定拐点得到拐点集,假设某笔画的拐点集为ω={ω1,ω2,ω3},当拐点ω1的前一个点ω1-1为起始端点,ω3后一个点ω3+1为结束端点。则本文给出如下定义:若ω0为起始端点I1,ω4为结束端点I2。计算拐点ωi的角度公式如下:
根据该方法对标准库中的汉字处理可以得到标准库汉字笔画拐角和中心距离的数据集,并通过该数据集建立标准数据库。然后检索输入的书法汉字,对比数据库中的数据即可完成书法汉字的局部评判。最后将标准库中的汉字评判的局部特征的拐点角度参数与书写者所书写的参数进行对比,使用方差来确定书写者与标准库汉字的相似度,笔画拐角相似度R-square计算公式如下:
将偏离程度划分等级,得到对书法练习者书写的汉字分数的评判,并根据R-square值较大的部分给出合适的书写建议。
所述步骤二中,所述全部特征的提取,历代书法家可以巧妙利用字的结构变化,来创造出有自己独特风格的书法字。因此,书法初学者对汉字的整体结构把控也是学习的重要课程之一。使用“米”字格进行汉字整体结构的练习是汉字初学者的常用方法。“米”字格分割八个部分的分布比例可以体现书法字的结构特征,即书汉字的笔画形状、数量以及整体的相对布局等。因此,本发明得出全局特征评价的思路为:
(1)将书法汉字细化后的骨架以“米”字格的框架进行分割,同时为了更加精细地计算两个骨架的差异度,将骨架拆分为米字格,每个格子赋予权重值,分别计算每个格子的Hu矩。
(2)运用皮尔逊相关系数公式计算相对应的两个“格子”的差异度。
(3)通过公式计算出八个格子的相似度,对比用户与标准库中相同汉字骨架的全局相似度给出全局评价。
其中,八格子的Hu矩计算和对应图像的皮尔逊相关性分析过程如下:
(1)八格子的Hu矩计算
假设用户书写的书法汉字第一个格子与对应的标准库书法汉字格子图像的二值图分别为:f(x,y)、F(x,y),使用公式1-8可以计算出Hu矩分别为:Mk(k=1,2,3,...7)和Nk(k=1,2,3,...7)。
Mpq=∑x∑yf(x,y)*xpyq (1-8)
式中,f(x,y)为二值化图像对应的函数,p,q为f(x,y)的阶数。
(2)对应图像的皮尔逊相关性分析
书写的书法汉字格子与对应的标准库书法汉字格子图像对应格子之间的相关性r计算公式如下:
经计算后得到的相似度r为全局特征评分,且r越大表示相似性就越高。
一种书法辅助学习的计算机评价反馈系统,该系统包括书法识别系统和在线书法评判系统两个子系统。其中,识别子系统负责深度网络模型的训练和分类。书法评价子系统主要负责对接用户,完成对用户上传的书法图像的评分、分析、指导,几乎整个书法汉字评判系统的核心算法都在该子系统实现。计算机评价系统的总相似度公式为:
S=ω1S1+ω2S2 (2-1)
式中,ω1表示笔画拐角的相似度权重,ω2表示骨架相似度权重。其中权重值设置需根汉字的拐点数来确定。若汉字无拐点,则ω1=0,ω2=1,即书法汉字的评分为全局特征的相似度对比评分;S1为局部汉字笔画拐角相似度;S2为整体的骨架相似度。
一种书法辅助学习的计算机评价反馈系统的操作方法如下:
(1)用户输入图像用户打开书法辅助学习系统,并准备书写的作品,点击“输入书法图像”进行图像输入,可以通过扫描等方式传入电脑后做放大缩小的简单处理。(2)识别图片用户通过点击“临帖书法汉字”按钮,输出识别的书法汉字并检索标准库中书法汉字的图片。3)书法评分点击“评分”按钮,将选取的汉字的全局特征和局部特征相似度进行算法计算,将计算的书法汉字结果分数进行输出。最后点击“综合评价”,综合评价结合了此前的书法汉字的全局和局部的优点和不足两个方面对汉字进行评价,通过窗口的方式,提出指导意见。
有益效果;本发明提出了基于书法字笔画拐角和Hu矩的“书法字骨架米子格分割”的相似度计算的局部特征和全局特征评价方法,设计了一种书法辅助学习系统。首先,基于ResNet网络对汉字进行分类和训练。接着,对书法汉字笔画的拐角相似度进行分析得出局部特征。然后对汉字整体进行“米”字格拆分,基于Hu矩和皮尔逊相关系数计算拆分后的相似度得出整体特征。最后,根据得到的局部和整体特征进行加权求和得到相关评分,并通过书法汉字辅助学习系统输出显示并给与使用者反馈建议。实验结果表明,基于局部特征和全局特征相似度计算的客观评分基本符合人的主观评分,验证了本发明所提出算法的可行性。并通过设计出书法汉字的计算机辅助学习系统,完成对汉字识别与评判。提高了书法汉字评判的可靠性。
附图说明
图1基于特征融合的书法汉字评判方法的系统流程图;
图2识别模块系统流程图;
图3汉字书写规范评判流程图;
图4评判数据库样例;
图5简单图像骨架示意图;
图6迭代细化法骨架提取示意图;
图7索引表细化法编程流程图;
图8局部特征提取中交叉点融合示意图;
图9局部特征提取中交叉点到边缘轮廓距离示意图;
图10局部特征提取中笔画提取结果示意图;
图11方向编码及像素编码示意图;
图12独立笔画拐点示意图;
图13整体评价流程图;
图14识别测试集图像示意图;
图15书法辅助学习系统架构示意图。
图16拐点相似度算法相关性SPSS分析示意图;
图17米字格相似度算法相关性SPSS分析示意图;
图18计算机综合评分和人工评分相关性SPSS分析示意图。
具体的实施方式:
如图1所示,基于特征融合的书法汉字评判方法,包括识别模块和评价模块,包括以下步骤:步骤一:所述识别模块利用卷积神经网络模型进行汉字识别;步骤二:所述评价模块基于汉字骨架提取算法对书法汉字的特征结构进行书法汉字特征分析,得到书法汉字的综合评价;步骤三:基于书法汉字特征分析,完成对用户书法汉字练习评价的计算机评价系统。
如图2所示,所述步骤一包括:采用ResNet网络模型对汉字进行识别包括,通过将用户所书写的书法汉字图像和CASIA-HWDB数据库输入所述ResNet网络模型,使用所述ResNet网络模型对用户所书写的书法汉字图像进行和CASIA-HWDB数据库进行训练,分类得到最终识别结果。
所述步骤二包括:所述书法汉字特征包括局部特征和全局特征,所述局部特征包括拐点处的拐角;所述全局特征包括骨架米字格分割,基于HU矩和皮尔逊系数计算拆分后的相似度;
如图3所示,所述步骤二包括:首先对汉字的骨架进行提取,在提取书法字的骨架时,骨架尽量不要出现断裂的现象;分析汉字是否存在拐点,若是,则进行局部特征计算,对汉字的笔画提取,计算拐点处的拐角,对比汉字笔画的拐角的相似度,把握汉字的局部细节效果,对汉字进行局部效果评价,然后进行全局效果评价;若否,则进行全局特征计算,计算骨架米字格分割后,基于HU矩和皮尔逊系数计算拆分后的相似度,从而计算骨架手写书法汉字与临摹中汉字的相似度,通过比较完整骨架的相似度,进行全局效果评判,最后输出评分结果。
如图4所示,所述步骤三包括:对比标准库中汉字局部特征和全局特征的相似度,所述标准库包括包括3755个一级汉字的.png图像,并将其从1至3755编号。
表1书法汉字评判字库数据集统计信息
所述步骤二中包括:汉字的骨架提取,就是将汉字图像的像素点由外向内进行腐蚀,最终得到像素点宽度为1,原始书法汉字相近的线条图形。如图5所示,图(a)的正方形与图(b)的圆形中心点像素为其图形骨架,图(c)的长方形中心像素点组成的线即为图形的骨架。
所述步骤二中,所述书法汉字是由软笔黑色墨水所书写,字形以黑色为主,背景主要是白色,能较好的提取二值化处理后的特征。书法图像骨架提取步骤为:第一,需要对输入的书法图像进行二值化处理;第二,对处理后的图像边缘向内腐蚀,直到图像的黑色像素宽度为1。汉字的骨架需具有较好的连贯性和准确的拓扑关系,不出现骨架断裂和多余部分,以保证对书法图像的骨架特征进行全局和局部的分析。目前图像细化的方法有极值算法、跟踪算法和迭代算法等,其中迭代细化法更适合汉字骨架提取,迭代算法步骤为:
(1)遍历整个图像,寻找图像中的所有黑色像素点;
(2)若黑色像素点是边界点,且是连通点,则保存该点,否则删除该点;
(3)通过将第一轮处理完的图像输入重复处(1)、(2)两个步骤,最终得到一条由无法被删除的像素组成的线。
迭代细化法又细分为数学形态学细化法和索引表细化法等。仿真得到示意图如图6所示。图中(a)为原图,(b)为数学迭代细化法骨架提取效果图,(c)为索引表细化法骨架提取效果图。可以看出,数学迭代细化法出现笔画骨架末端断裂,即出现毛边,无法保证准确的拓扑结构。所以,最终后续实验采用索引表细化法进行书法汉字的骨架提取。
索引表细化法是根据二值图像中每个黑色像素点周围八邻域像素点的分布情况来决定该点是否保留的图像骨架提取方法。关键在于如何判断该点是不是应该被删除。因此,本文设定判定规则如下:
(1)不能删除内部点;
(2)不能删除孤立点;
(3)不能删除线的端点;
(4)不能删除边界连通点。
索引表细化算法基本编程思路如图7所示
所述步骤二中,所述局部特征的提取包括,通过对细化后的汉字骨架的某个像素的八个领域的其他像素点的个数p进行判断,可以确定独立笔画和交叉笔画。
(1)当p=2时,表示汉字该笔画中只存在端点和普通点,则可判断该笔画为独立笔画;
(2)当p≥3时,该笔画中存在端点、普通点和交叉点三种像像素点,判断该笔画为交叉笔画。
确定交叉笔画和独立笔画后,独立笔画无需进行处理即可直接进行笔画提取,而交叉笔画则需要进行笔画分割后,对得到的独立笔画进行提取。在对交叉点的笔画骨架提取时会存在某一交叉点附近出现多个交叉点的问题,需要进行交叉点融合。假设在Ic交叉点区域内存在以该点为中心,其欧式距离小于阈值Td的k个交叉点,则通过公式1-1将该区域的所有交叉点融为一个新交叉点。
交叉点融合得到Ik(xk,yk)结果如图8所示。
确定融合后的交叉点笔画骨架的交叉点lk后,使用“交叉点到边缘方向距离交叉区域提取算法”,将书法汉字的交叉笔画分割成独立笔画。该算法假设交叉点到笔画轮廓的欧式距离为dx,以交叉点lk建立坐标系,然后按照轮廓点所属象限对轮廓点进行遍历。具体步骤如下:
(1)以交叉笔画的交叉点为原点,以间隔角度ω=1°,最大半径R=3μW做扫描,记录落入圆内的所有轮廓点。
(2)记录每一个轮廓点骨架交叉点的距离dx,如图9所示。
(3)通过计算交叉点到笔画轮廓的距离得到交叉区域的分割点pi,连接分割点即可形成交叉区域。
(4)得到交叉区域后,对交叉区域进行切割,分离出不同笔画的相同部分。笔画提取的结果示意图如图10所示。
所述步骤二中,针对汉字局部性评判,本文提出了一种对汉字拆分后的独立笔画拐点角度计算的算法,通过对比汉字库中各个相同笔画的拐点角度,进行对应点拐角角度拟合对比,最后得到局部层面汉字笔画上的评分。具体步骤如下:
(1)笔画拐点确定
本文使用方向编码顺延的方法进行拐点确定,即从提取后的单一笔画端点开始,依次遍历所提取骨架汉字的各个像素点,依次记录下一个像素点的方向编码,组成一组笔画的编码链,最后分析编码链的数据特征确定该独立笔画的拐点。更新过程中方向的编码图和邻域像素编码如下图11(a)和图11(b)所示。
将该方法提取的笔画骨架标注为:
H1={(14,9),(24,7),(44545454543322111)} (1-3)
将汉字提取的骨架按方向编码顺延方法得到汉字笔画的编码链Hi。然后根据编码链Hi确定笔画的拐点ωi,拐点确认公式如下:
式中,拐点簇ωn表示相近的邻域方向编码,ωn-1表示该拐点簇的前一个像素点,ωn+1表示该拐点簇的后一个像素点。如图12所示ω1,ω2,ω3,ω4,ω5为独立笔画的拐点簇。
针对某些汉字笔画较粗,存在顿笔造成汉字出现认知外的拐点,实则只存在一个拐点这种情况。本文设定约束规则:若两个拐点之间的欧式距离小于i,则将这两个拐点整合为一个点,拐点取中间位置的像素点,中心拐点确定公式如下:
确定拐点得到拐点集,假设某笔画的拐点集为ω={ω1,ω2,ω3},当拐点ω1的前一个点ω1-1为起始端点,ω3后一个点ω3+1为结束端点。则本文给出如下定义:若ω0为起始端点I1,ω4为结束端点I2。计算拐点ωi的角度公式如下:
根据该方法对标准库中的汉字处理可以得到标准库汉字笔画拐角和中心距离的数据集,并通过该数据集建立标准数据库。然后检索输入的书法汉字,对比数据库中的数据即可完成书法汉字的局部评判。最后将标准库中的汉字评判的局部特征的拐点角度参数与书写者所书写的参数进行对比,使用方差来确定书写者与标准库汉字的相似度,笔画拐角相似度R-square计算公式如下:
将偏离程度划分等级,得到对书法练习者书写的汉字分数的评判,并根据R-square值较大的部分给出合适的书写建议。
所述步骤二中,所述全部特征的提取,历代书法家可以巧妙利用字的结构变化,来创造出有自己独特风格的书法字。因此,书法初学者对汉字的整体结构把控也是学习的重要课程之一。使用“米”字格进行汉字整体结构的练习是汉字初学者的常用方法。“米”字格分割八个部分的分布比例可以体现书法字的结构特征,即书汉字的笔画形状、数量以及整体的相对布局等。因此,本文得出全局特征评价的思路为:
(1)将书法汉字细化后的骨架以“米”字格的框架进行分割,同时为了更加精细地计算两个骨架的差异度,将骨架拆分为米字格,每个格子赋予权重值,分别计算每个格子的Hu矩。
(2)运用皮尔逊相关系数公式计算相对应的两个“格子”的差异度。
(3)通过公式计算出八个格子的相似度,对比用户与标准库中相同汉字骨架的全局相似度给出全局评价。
用户书写的书法字骨架与标准字骨架的相似度计算流程如图13所示。
其中,八格子的Hu矩计算和对应图像的皮尔逊相关性分析过程如下:
(1)八格子的Hu矩计算
假设用户书写的书法汉字第一个格子与对应的标准库书法汉字格子图像的二值图分别为:f(x,y)、F(x,y),使用公式1-8可以计算出Hu矩分别为:Mk(k=1,2,3,...7)和Nk(k=1,2,3,...7)。
Mpq=∑x∑yf(x,y)*xpyq (1-8)
式中,f(x,y)为二值化图像对应的函数,p,q为f(x,y)的阶数。
(2)对应图像的皮尔逊相关性分析
书写的书法汉字格子与对应的标准库书法汉字格子图像对应格子之间的相关性r计算公式如下:
经计算后得到的相似度r为全局特征评分,且r越大表示相似性就越高。
如图15所示,一种书法辅助学习的计算机评价反馈系统,该系统包括书法识别系统和在线书法评判系统两个子系统。其中,识别子系统负责深度网络模型的训练和分类。书法评价子系统主要负责对接用户,完成对用户上传的书法图像的评分、分析、指导,几乎整个书法汉字评判系统的核心算法都在该子系统实现。计算机评价系统的总相似度公式为:
S=ω1S1+ω2S2 (2-1)
式中,ω1表示笔画拐角的相似度权重,ω2表示骨架相似度权重。其中权重值设置需根汉字的拐点数来确定。若汉字无拐点,则ω1=0,ω2=1,即书法汉字的评分为全局特征的相似度对比评分;S1为局部汉字笔画拐角相似度;S2为整体的骨架相似度。
一种书法辅助学习的计算机评价反馈系统的操作方法如下:
(1)用户输入图像用户打开书法辅助学习系统,并准备书写的作品,点击“输入书法图像”进行图像输入,可以通过扫描等方式传入电脑后做放大缩小的简单处理。(2)识别图片用户通过点击“临帖书法汉字”按钮,输出识别的书法汉字并检索标准库中书法汉字的图片。3)书法评分点击“评分”按钮,将选取的汉字的全局特征和局部特征相似度进行算法计算,将计算的书法汉字结果分数进行输出。最后点击“综合评价”,综合评价结合了此前的书法汉字的全局和局部的优点和不足两个方面对汉字进行评价,通过窗口的方式,提出指导意见。
书法汉字识别实验,基于ResNet神经网络,以CASIA-HWDB 1.0-1.1数据集作为训练集,以爬虫得到的100个汉字,共计300幅图像样本数据集作为测试集,测试集如图14所示。对测试集基于ResNet网络模型进行识别。
得到识别结果如下表2所示。
表2识别结果表
从表中可以看出,所训练的模型对书法汉字识别准确的书法汉字为289个,识别错误的书法汉字为11个,所用时间为3309.7ms。该实验证明使用ResNet网络模型训练出的分类模型的识别准确和速度都很可观,且对于粗线条汉字的识别同样适用。
使用本发明提出的汉字拐点相似度算法和基于米字格骨架分割的相似度算法对毛笔书法字的二值化图像进行实验。该实验结果为计算机的客观评价。部分实验结果如下表3到表7所示。
表3书法字“九”的客观评价
表4书法字“申”的客观评价
表5书法字“臣”的客观评价
表6书法字“雨”的客观评价
表7书法字“通”的客观评价
为了验证本发明提出的计算机评价算法得到的客观评分是否符合人对书法汉字的主观评价,本实验将用户书写的若干样本给多名测试者进行评分,测试的对象为6名书法教师、94名大学书法社学生。根据书法汉字的笔画特征和整体结构的把握来主观判断样本汉字的相似程度进行评分,满分为100分。测试评分结果如下表8所示。
表8书法汉字的主观评判
从表中可以看出,实验测试者们的主观判断差异性较小,体现了实验具有一定的专业性。
使用SPSS分析软件分析局部特征与人工主观评分、全局特征与人工主观评分、计算机综合评分与人工主观评分和综合三个方面的相关性,得到结果如图16-图18所示。
从图16到图18的SPSS软件输出结果可知三种情况下计算机的客观评分和人工的主观评分系数分别为0.693、0.887、0.756,软件输出的显著性概率为0.307、0.113、0.244(sig<0.35为有显著性意义),表明两者之间有显著的正相关性。所以,本发明算法进行书法作品的客观评价具有一定的可靠性。
Claims (10)
1.一种基于特征融合的书法汉字评判方法,包括识别模块和评价模块,包括以下步骤:步骤一:所述识别模块利用卷积神经网络模型进行汉字识别;步骤二:所述评价模块基于汉字骨架提取算法对书法汉字的特征结构进行书法汉字特征分析,得到书法汉字的综合评价;步骤三:基于书法汉字特征分析,完成对用户书法汉字练习评价的计算机评价系统;
所述步骤一包括:采用ResNet网络模型对汉字进行识别包括,通过将用户所书写的书法汉字图像和CASIA-HWDB数据库输入所述ResNet网络模型,使用所述ResNet网络模型对用户所书写的书法汉字图像进行和CASIA-HWDB数据库进行训练,分类得到最终识别结果;
所述步骤二包括:所述书法汉字特征包括局部特征和全局特征,所述局部特征包括拐点处的拐角;所述全局特征包括骨架米字格分割,基于HU矩和皮尔逊系数计算拆分后的相似度;
所述步骤二包括:首先对汉字的骨架进行提取,在提取书法字的骨架时,骨架尽量不要出现断裂的现象;分析汉字是否存在拐点,若是,则进行局部特征计算,对汉字的笔画提取,计算拐点处的拐角,对比汉字笔画的拐角的相似度,把握汉字的局部细节效果,对汉字进行局部效果评价,然后进行全局效果评价;若否,则进行全局特征计算,计算骨架米字格分割后,基于HU矩和皮尔逊系数计算拆分后的相似度,从而计算骨架手写书法汉字与临摹中汉字的相似度,通过比较完整骨架的相似度,进行全局效果评判,最后输出评分结果;
所述步骤二中包括:汉字的骨架提取,就是将汉字图像的像素点由外向内进行腐蚀,最终得到像素点宽度为1,原始书法汉字相近的线条图形;
所述步骤三包括:对比标准库中汉字局部特征和全局特征的相似度,所述标准库包括包括3755个一级汉字的.png图像,并将其从1至3755编号。
2.根据权利要求1所述的一种基于特征融合的书法汉字评判方法,其特征在于:书法图像骨架提取步骤为:第一,需要对输入的书法图像进行二值化处理;第二,对处理后的图像边缘向内腐蚀,直到图像的黑色像素宽度为1;采用迭代细化法对汉字骨架提取。
3.根据权利要求2所述的一种基于特征融合的书法汉字评判方法,其特征在于:所述迭代细化法包括(1)遍历整个图像,寻找图像中的所有黑色像素点;(2)若黑色像素点是边界点,且是连通点,则保存该点,否则删除该点;(3)通过将第一轮处理完的图像输入重复处(1)、(2)两个步骤,最终得到一条由无法被删除的像素组成的线。
4.根据权利要求1所述的一种基于特征融合的书法汉字评判方法,其特征在于:所述局部特征的提取包括,通过对细化后的汉字骨架的某个像素的八个领域的其他像素点的个数p进行判断,可以确定独立笔画和交叉笔画:(1)当p=2时,表示汉字该笔画中只存在端点和普通点,则可判断该笔画为独立笔画;(2)当p≥3时,该笔画中存在端点、普通点和交叉点三种像像素点,判断该笔画为交叉笔画。
6.根据权利要求5所述的一种基于特征融合的书法汉字评判方法,其特征在于:确定融合后的交叉点笔画骨架的交叉点lk后,使用交叉点到边缘方向距离交叉区域提取算法,将书法汉字的交叉笔画分割成独立笔画,其步骤包括:(1)以交叉笔画的交叉点为原点,以间隔角度ω=1°,最大半径R=3μW做扫描,记录落入圆内的所有轮廓点;(2)记录每一个轮廓点骨架到交叉点的距离dx;(3)通过计算交叉点到笔画轮廓的距离得到交叉区域的分割点pi,连接分割点即可形成交叉区域;(4)得到交叉区域后,对交叉区域进行切割,分离出不同笔画的相同部分。
7.根据权利要求1所述的一种基于特征融合的书法汉字评判方法,其特征在于:所述局部效果评价包括笔画拐点角度计算,所述笔画拐点角度计算包括笔画拐点确定,所述笔画拐点确定是从提取后的单一笔画端点开始,依次遍历所提取骨架汉字的各个像素点,依次记录下一个像素点的方向编码,组成一组笔画的编码链,最后分析编码链的数据特征确定该独立笔画的拐点,将提取的笔画骨架标注为:式中Hi表示汉字书写笔画顺序编号,(xk,yk),(xz,yz)表示起始端点和结束端点的像素点坐标,表示该笔画的编码链;将汉字提取的骨架按方向编码顺延方法得到汉字笔画的编码链Hi,然后根据编码链Hi确定笔画的拐点ωi,拐点确认公式如下:式中,拐点簇ωn表示相近的邻域方向编码,ωn-1表示该拐点簇的前一个像素点,ωn+1表示该拐点簇的后一个像素点;计算拐点ωi的角度公式如下:式中,表示点ci到点的欧式距离。
8.根据权利要求1所述的一种基于特征融合的书法汉字评判方法,其特征在于:所述全局效果评判包括:(1)将书法汉字细化后的骨架以“米”字格的框架进行分割,同时为了更加精细地计算两个骨架的差异度,将骨架拆分为米字格,每个格子赋予权重值,分别计算每个格子的Hu矩;(2)运用皮尔逊相关系数公式计算相对应的两个“格子”的差异度;(3)通过公式计算出八个格子的相似度,对比用户与标准库中相同汉字骨架的全局相似度给出全局评价。
9.一种书法辅助学习的计算机评价反馈系统,其采用权利要求1-8任一所述的一种基于特征融合的书法汉字评判方法进行评价,该系统包括书法识别系统和在线书法评判系统两个子系统;所述书法识别系统负责深度网络模型的训练和分类;在线书法评价系统主要负责对接用户,完成对用户上传的书法图像的评分、分析、指导,几乎整个书法汉字评判系统的核心算法都在该系统实现;计算机评价反馈系统的总相似度公式为:S=ω1S1+ω2S2式中,ω1表示笔画拐角的相似度权重,ω2表示骨架相似度权重;其中权重值设置需根据汉字的拐点数来确定;若汉字无拐点,则ω1=0,ω2=1,即书法汉字的评分为全局特征的相似度对比评分;S1为局部汉字笔画拐角相似度;S2为整体的骨架相似度。
10.一种如权利要求9所述的一种书法辅助学习的计算机评价反馈系统的操作方法:(1)用户输入图像,用户打开书法辅助学习的计算机评价反馈系统,并准备书写的作品,点击“输入书法图像”进行图像输入,可以通过扫描等方式传入电脑后做放大缩小的简单处理;(2)识别图片,用户通过点击“临帖书法汉字”按钮,输出识别的书法汉字并检索标准库中书法汉字的图片;(3)书法评分点击“评分”按钮,将选取的汉字的全局特征和局部特征相似度进行算法计算,将计算的书法汉字结果分数进行输出;最后点击“综合评价”,综合评价结合了书法汉字的全局和局部的优点和不足两个方面对汉字进行评价,通过窗口的方式,提出指导意见。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011512581.9A CN112597876B (zh) | 2020-12-20 | 2020-12-20 | 基于特征融合的书法汉字评判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011512581.9A CN112597876B (zh) | 2020-12-20 | 2020-12-20 | 基于特征融合的书法汉字评判方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597876A true CN112597876A (zh) | 2021-04-02 |
CN112597876B CN112597876B (zh) | 2024-03-26 |
Family
ID=75200083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011512581.9A Active CN112597876B (zh) | 2020-12-20 | 2020-12-20 | 基于特征融合的书法汉字评判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597876B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461019A (zh) * | 2020-04-01 | 2020-07-28 | 黑龙江文茁教育科技有限公司 | 一种汉字书写质量的评价方法、系统及设备 |
CN112990183A (zh) * | 2021-05-19 | 2021-06-18 | 中国科学院自动化研究所 | 离线手写汉字同名笔画提取方法、系统、装置 |
CN114801552A (zh) * | 2022-05-17 | 2022-07-29 | 江苏大学 | 智能毛笔书写与评价系统及应用方法 |
CN115035534A (zh) * | 2022-07-08 | 2022-09-09 | 重庆大学 | 一种基于多特征融合的中文手写识别分类方法 |
CN115841671A (zh) * | 2023-02-21 | 2023-03-24 | 南京信息工程大学 | 一种书法字骨架矫正方法、系统及存储介质 |
CN115984875A (zh) * | 2023-03-21 | 2023-04-18 | 南京信息工程大学 | 一种硬笔楷书临摹作品的笔画相似性评价方法及系统 |
WO2023065397A1 (zh) * | 2021-10-22 | 2023-04-27 | 华中师范大学 | 一种手写汉字图像的笔顺识别方法及系统 |
CN117496537A (zh) * | 2023-11-08 | 2024-02-02 | 广东新裕信息科技有限公司 | 一种基于改进的形状特征匹配的书法书写质量评价方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040223197A1 (en) * | 2003-02-13 | 2004-11-11 | Canon Kabushiki Kaisha | Image processing method |
US20070218430A1 (en) * | 2005-11-03 | 2007-09-20 | Tamkang University | Calligraphy practicing system |
KR101204615B1 (ko) * | 2012-06-08 | 2012-11-23 | (주)정글시스템 | 개인폰트 생성 방법 및 이를 이용하는 모바일 단말 |
US20120308143A1 (en) * | 2011-06-03 | 2012-12-06 | Apple Inc. | Integrating feature extraction via local sequential embedding for automatic handwriting recognition |
CN104050453A (zh) * | 2014-06-24 | 2014-09-17 | 南京师范大学 | 一种手写汉字笔势评价方法 |
CN107610110A (zh) * | 2017-09-08 | 2018-01-19 | 北京工业大学 | 一种全局和局部特征相结合的跨尺度图像质量评价方法 |
CN107943977A (zh) * | 2017-11-29 | 2018-04-20 | 合肥赑歌数据科技有限公司 | 一种基于相似度关联分析的图像特征检索方法 |
WO2018149250A1 (zh) * | 2017-02-15 | 2018-08-23 | 宗刚 | 带屏幕提示界面的汉字骨架码输入法及系统 |
CN109409211A (zh) * | 2018-09-11 | 2019-03-01 | 北京语言大学 | 汉字骨架笔段的处理方法和系统 |
US10296817B1 (en) * | 2018-03-30 | 2019-05-21 | Gyrfalcon Technology Inc. | Apparatus for recognition of handwritten Chinese characters |
CN109871851A (zh) * | 2019-03-06 | 2019-06-11 | 长春理工大学 | 一种基于卷积神经网络算法的汉字书写规范性判定方法 |
CN111475667A (zh) * | 2020-04-08 | 2020-07-31 | 西北农林科技大学 | 一种基于手写汉字的机械臂楷体风格书法撰写方法 |
CN111738141A (zh) * | 2020-06-19 | 2020-10-02 | 首都师范大学 | 一种硬笔书法作品评判方法 |
CN111881310A (zh) * | 2019-12-07 | 2020-11-03 | 杭州华冬人工智能有限公司 | 一种汉字硬笔书写智能指导和评分方法及指导评分系统 |
CN112036522A (zh) * | 2020-07-20 | 2020-12-04 | 上海卓希智能科技有限公司 | 基于机器学习的书法单字评价方法、系统及终端 |
-
2020
- 2020-12-20 CN CN202011512581.9A patent/CN112597876B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040223197A1 (en) * | 2003-02-13 | 2004-11-11 | Canon Kabushiki Kaisha | Image processing method |
US20070218430A1 (en) * | 2005-11-03 | 2007-09-20 | Tamkang University | Calligraphy practicing system |
US20120308143A1 (en) * | 2011-06-03 | 2012-12-06 | Apple Inc. | Integrating feature extraction via local sequential embedding for automatic handwriting recognition |
KR101204615B1 (ko) * | 2012-06-08 | 2012-11-23 | (주)정글시스템 | 개인폰트 생성 방법 및 이를 이용하는 모바일 단말 |
CN104050453A (zh) * | 2014-06-24 | 2014-09-17 | 南京师范大学 | 一种手写汉字笔势评价方法 |
WO2018149250A1 (zh) * | 2017-02-15 | 2018-08-23 | 宗刚 | 带屏幕提示界面的汉字骨架码输入法及系统 |
CN107610110A (zh) * | 2017-09-08 | 2018-01-19 | 北京工业大学 | 一种全局和局部特征相结合的跨尺度图像质量评价方法 |
CN107943977A (zh) * | 2017-11-29 | 2018-04-20 | 合肥赑歌数据科技有限公司 | 一种基于相似度关联分析的图像特征检索方法 |
US10296817B1 (en) * | 2018-03-30 | 2019-05-21 | Gyrfalcon Technology Inc. | Apparatus for recognition of handwritten Chinese characters |
CN109409211A (zh) * | 2018-09-11 | 2019-03-01 | 北京语言大学 | 汉字骨架笔段的处理方法和系统 |
CN109871851A (zh) * | 2019-03-06 | 2019-06-11 | 长春理工大学 | 一种基于卷积神经网络算法的汉字书写规范性判定方法 |
CN111881310A (zh) * | 2019-12-07 | 2020-11-03 | 杭州华冬人工智能有限公司 | 一种汉字硬笔书写智能指导和评分方法及指导评分系统 |
CN111475667A (zh) * | 2020-04-08 | 2020-07-31 | 西北农林科技大学 | 一种基于手写汉字的机械臂楷体风格书法撰写方法 |
CN111738141A (zh) * | 2020-06-19 | 2020-10-02 | 首都师范大学 | 一种硬笔书法作品评判方法 |
CN112036522A (zh) * | 2020-07-20 | 2020-12-04 | 上海卓希智能科技有限公司 | 基于机器学习的书法单字评价方法、系统及终端 |
Non-Patent Citations (3)
Title |
---|
章夏芬, 庄越挺, 鲁伟明, 吴飞: "根据形状相似性的书法内容检索", 计算机辅助设计与图形学学报, no. 11 * |
邓学雄;李京陶;李牧;: "毛笔书法临帖的计算机评价", 图学学报, no. 06 * |
韩睿方;安维华;荀恩东;李琪;: "汉字书写过程中笔画规范性的实时分级评判", 计算机应用, no. 1, 10 June 2016 (2016-06-10) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461019A (zh) * | 2020-04-01 | 2020-07-28 | 黑龙江文茁教育科技有限公司 | 一种汉字书写质量的评价方法、系统及设备 |
CN111461019B (zh) * | 2020-04-01 | 2023-04-07 | 黑龙江文茁教育科技有限公司 | 一种汉字书写质量的评价方法、系统及设备 |
CN112990183A (zh) * | 2021-05-19 | 2021-06-18 | 中国科学院自动化研究所 | 离线手写汉字同名笔画提取方法、系统、装置 |
CN112990183B (zh) * | 2021-05-19 | 2021-08-10 | 中国科学院自动化研究所 | 离线手写汉字同名笔画提取方法、系统、装置 |
WO2023065397A1 (zh) * | 2021-10-22 | 2023-04-27 | 华中师范大学 | 一种手写汉字图像的笔顺识别方法及系统 |
CN114801552A (zh) * | 2022-05-17 | 2022-07-29 | 江苏大学 | 智能毛笔书写与评价系统及应用方法 |
CN115035534A (zh) * | 2022-07-08 | 2022-09-09 | 重庆大学 | 一种基于多特征融合的中文手写识别分类方法 |
CN115841671A (zh) * | 2023-02-21 | 2023-03-24 | 南京信息工程大学 | 一种书法字骨架矫正方法、系统及存储介质 |
CN115984875A (zh) * | 2023-03-21 | 2023-04-18 | 南京信息工程大学 | 一种硬笔楷书临摹作品的笔画相似性评价方法及系统 |
CN117496537A (zh) * | 2023-11-08 | 2024-02-02 | 广东新裕信息科技有限公司 | 一种基于改进的形状特征匹配的书法书写质量评价方法 |
CN117496537B (zh) * | 2023-11-08 | 2024-04-23 | 广东新裕信息科技有限公司 | 一种基于改进的形状特征匹配的书法书写质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112597876B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597876B (zh) | 基于特征融合的书法汉字评判方法 | |
CN108804530B (zh) | 对图像的区域加字幕 | |
CN108629338B (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
CN109543777B (zh) | 手写汉字书写质量评价方法及系统 | |
CN112712273B (zh) | 一种基于骨架相似度的手写体汉字美观度评判方法 | |
CN103810506A (zh) | 一种手写汉字笔画识别方法 | |
CN112800936B (zh) | 基于计算机视觉的书法临帖智能评价与指导方法 | |
CN110838105A (zh) | 一种业务流程模型图像识别与再构方法 | |
CN110909736A (zh) | 一种基于长短期记忆模型与目标检测算法的图像描述方法 | |
CN112329767A (zh) | 基于联合预训练的合同文本图像关键信息提取系统和方法 | |
CN104951788A (zh) | 一种书法作品中单字笔画的提取方法 | |
CN116561274A (zh) | 一种基于数字人技术与自然语言大模型的知识问答方法 | |
Ju et al. | Research on OMR recognition based on convolutional neural network tensorflow platform | |
CN111783543A (zh) | 一种基于多任务学习的面部活动单元检测方法 | |
Han et al. | An interactive grading and learning system for chinese calligraphy | |
Gao et al. | Chinese character components segmentation method based on faster RCNN | |
CN115995092A (zh) | 图纸文字信息提取方法、装置、设备 | |
CN116342938A (zh) | 基于多个潜在域混合的域泛化图像分类方法 | |
CN114332874A (zh) | 一种基于众包的书法修复方法 | |
CN116127959A (zh) | 基于深度学习的图像意境挖掘与意境转换中国古诗的方法 | |
CN114840680A (zh) | 一种实体关系联合抽取方法、装置、存储介质及终端 | |
CN115035592A (zh) | 一种用于美术作品在线教育的手势识别方法及装置 | |
CN112329389B (zh) | 一种基于语义分割与禁忌搜索的汉字笔画自动提取方法 | |
Cai et al. | Real-time leaf recognition method based on image segmentation and feature extraction | |
CN114241470A (zh) | 一种基于注意力机制的自然场景文字检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |