CN112598768A - 常用字体汉字笔画拆解方法、系统、装置 - Google Patents

常用字体汉字笔画拆解方法、系统、装置 Download PDF

Info

Publication number
CN112598768A
CN112598768A CN202110239167.3A CN202110239167A CN112598768A CN 112598768 A CN112598768 A CN 112598768A CN 202110239167 A CN202110239167 A CN 202110239167A CN 112598768 A CN112598768 A CN 112598768A
Authority
CN
China
Prior art keywords
point set
point
stroke
image
font
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
Application number
CN202110239167.3A
Other languages
English (en)
Other versions
CN112598768B (zh
Inventor
陈艳红
王彦情
崔晓光
温大勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202110239167.3A priority Critical patent/CN112598768B/zh
Publication of CN112598768A publication Critical patent/CN112598768A/zh
Application granted granted Critical
Publication of CN112598768B publication Critical patent/CN112598768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Controls And Circuits For Display Device (AREA)

Abstract

本发明属于图像处理技术领域，具体涉及一种常用字体汉字笔画拆解方法、系统、装置，旨在解决机器人无法实现同一汉字不同字体的笔画拆解的问题。本发明方法包括：获取汉字的目标字形以及模板字形，并绘制在图像上，得到目标字形图像、模板字形图像；提取目标字形各联通区域外轮廓上的像素点并降采样，得到目标字形外轮廓稀疏点集；以稀疏点集中的像素点为顶点，对目标字形图像中的目标字形进行三角形分割、重排序、凸多边形分割，得到凸多边形集合；对模板字形在绘制过程中各联通区域外轮廓上的像素点，进行位置调整；调整后，获取凸多边形集合中各最小凸外接多边形的笔画类别，并根据笔画类别进行笔画拆解。本发明实现同一汉字不同字体的笔画拆解。

Description

常用字体汉字笔画拆解方法、系统、装置
技术领域
本发明属于图像处理技术领域，具体涉及一种常用字体汉字笔画拆解方法、系统、装置。
背景技术
书法机器人是具备自主书写汉字能力的机器人，它将先进的人工智能技术以普通民众可以理解的形式呈现，既起到了普及科学知识的作用，又丰富了人们的日常谈资。如果想通过书法机器人展示流畅的书写过程和作品，除了要采用灵活的机械结构，掌握字体形态的走笔等运笔技巧也至关重要，实现这一目的的基础是掌握将要书写的汉字的每一个笔画及其先后顺序。
汉字的呈现样式有多种字体，比如楷书、宋体等等，人们书写汉字往往是一笔一画有顺序的完成，而不同字体库一般只会给出每个汉字的整体字形，鲜少提供汉字的顺序笔画。学习过汉字知识的自然人可以容易地拆解汉字笔画，但对于机器人的算法实现却存在困难，尤其对于笔画有交叠的汉字字形，而且不同字体、同一汉字的形态间存在差异也给通过算法拆解汉字笔画提出挑战。
目前，在公开的资料中有一个汉字教学项目“MakeMeaHanzi”，该项目采用“文鼎中楷”作为示例字体，并公开了该字体样式下的汉字笔画数据包，除此之外不能获得其他多种字体的汉字笔画数据库，因此需要一种常用字体汉字笔画拆解方法，以得到采用不同字体呈现的汉字的笔画及先后顺序。针对上述问题，本发明提出了一种常用字体汉字笔画拆解方法。
发明内容
为了解决现有技术中的上述问题，即为了解决现有机器人无法实现同一汉字不同字体的笔画拆解的问题，本发明提出了一种常用字体汉字笔画拆解方法，该方法包括：
S10，获取汉字的目标字形以及模板字形，并绘制在图像上，得到目标字形图像、模板字形图像；所述目标字形为待笔画拆解的字体形状；所述模板字形为已知笔画及书写顺序的其他字体形状；
S20，提取目标字形图像中目标字形各联通区域外轮廓上的像素点，构建目标字形外轮廓稠密点集，作为第一点集；对所述第一点集中的像素点降采样，得到目标字形外轮廓稀疏点集，作为第二点集；
S30，以所述第二点集中的像素点为顶点，对目标字形图像中的目标字形进行三角形分割，并以三个顶角中张角最小的角度为三角形的排序属性进行三角形重排序，并依次取重排序后的三角形的顶点构建第三点集；对所述第三点集中的像素点进行凸多边形分割，得到凸多边形区域集合；
S40，求解源点集到所述第一点集的旋转、平移矩阵，并对所述源点集中各像素点 进行位置调整；位置调整后，将第一点集中与源点集中梯度方向距离小于设定阈值
Figure DEST_PATH_IMAGE001
，且像素距离最近的两个像素点，作为对应点对；将所有对应点对中第一点 集的像素点构建的点集，作为目标点集，计算所述源点集到所述目标点集的旋转、平移矩 阵，并对所述对象点对中源点集的像素点进行位置调整；所述源点集为模板字形在绘制过 程中各联通区域外轮廓上的像素点构建的稠密点集；
S50，获取所述源点集中各像素点的笔画类别，并其作为对应点对中第一点集的像素点的笔画类别；统计所述凸多边形区域集合中各凸多边形覆盖所述第一点集中像素点的笔画类别数目，并将笔画类别数目最多的类别作为凸多边形的笔画类别；
S60，新建累计笔画图像、单一笔画图像，并按照模板字形的笔画及书写顺序，将同一笔画类别的所有凸多边形绘制在单一笔画图像上，比较累计笔画图像与单一笔画图像的重叠区域，若单一笔画图像删除重叠区后仍为单一联通区，则在单一笔画图像中将重叠区去除，并将单一笔画图像添加到累计笔画图像上；将绘制后的各单一笔画图像顺序输出，作为目标字形顺序笔画拆解结果。
在一些优选的实施方式中，步骤S30中“对所述第一点集中的像素点降采样”，其方法为：
对于所述第一点集中连续的三个像素点
Figure 908045DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
，
Figure 483382DEST_PATH_IMAGE004
，以
Figure 960631DEST_PATH_IMAGE003
为角顶点，以
Figure 545196DEST_PATH_IMAGE003
点 指向
Figure 57080DEST_PATH_IMAGE002
点的线段和
Figure 68899DEST_PATH_IMAGE003
点指向
Figure 767864DEST_PATH_IMAGE004
点的线段为角的两条边，若张角大于设定阈值
Figure DEST_PATH_IMAGE005
且
Figure 890541DEST_PATH_IMAGE002
、
Figure 991352DEST_PATH_IMAGE004
两点之间的像素距离小于设定阈值
Figure 174072DEST_PATH_IMAGE006
，则删除
Figure 891492DEST_PATH_IMAGE003
点。
在一些优选的实施方式中，所述张角，其计算方法为;
Figure 100002_DEST_PATH_IMAGE007
其中，
Figure 224385DEST_PATH_IMAGE008
表示张角，
Figure DEST_PATH_IMAGE009
表示向量点乘函数。
在一些优选的实施方式中，步骤S30中“对所述第三点集中的像素点进行凸多边形分割”，其方法为：
S331，初始设置第三点集中每个像素点的访问状态为未访问；
S332，对所述第三点集中的任一像素点
Figure 38757DEST_PATH_IMAGE010
，若该像素点的访问状态为未访问，则在 其邻域
Figure DEST_PATH_IMAGE011
内取连续的三个点作为初始点，构建初始点集；获取初始 点集所有像素点的最小外接凸多边形；
S333，统计步骤S332获取的最小外接凸多边形内包含的目标字形图像背景区域的 像素数，若该像素数小于设定阈值
Figure 64482DEST_PATH_IMAGE012
，则将
Figure 3619DEST_PATH_IMAGE010
访问状态标记为已访 问，并跳转S334；否则令
Figure DEST_PATH_IMAGE013
，跳转步骤S332；
S334，对所述第三点集中的像素点
Figure 874623DEST_PATH_IMAGE014
，若该像素点的访问状态为未访问，则将
Figure 74660DEST_PATH_IMAGE014
增入初始点集中，并获取初始点集所有像素点的最小外接凸多边形；
S335，统计步骤S334获取的最小外接凸多边形内包含的目标字形图像背景区域的 像素数，若该像素数小于设定阈值
Figure 68024DEST_PATH_IMAGE012
，则将
Figure 963299DEST_PATH_IMAGE014
访问状态标记为已访 问，并令
Figure 497048DEST_PATH_IMAGE013
，跳转S334，直到第三点集中所有像素点遍历完毕，否则将
Figure 692537DEST_PATH_IMAGE014
从初始点 集中删除，令
Figure 387961DEST_PATH_IMAGE013
，跳转S334，直到第三点集中所有像素点遍历完毕。
在一些优选的实施方式中，步骤S40中“求解所述源点集到所述第一点集的旋转、平移矩阵”，其方法为：通过迭代最近邻算法对所述源点集、所述第一点集进行点集位置配置，得到所述源点集到所述第一点集的旋转、平移矩阵。
在一些优选的实施方式中，所述第一点集、所述源点集中各像素点的梯度方向，其计算方法为：
采用sobel算子对目标字形图像、模板字形图像进行卷积，融合x、y方向的图像卷积结果计算每个像素点的梯度方向。
在一些优选的实施方式中，所述梯度方向距离，其计算方法为：
Figure DEST_PATH_IMAGE015
Figure 782250DEST_PATH_IMAGE016
Figure 100002_DEST_PATH_IMAGE017
Figure 260636DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE019
表示梯度方向距离，
Figure 841790DEST_PATH_IMAGE020
、
Figure 100002_DEST_PATH_IMAGE021
表示像素点的梯度方向，
Figure 380219DEST_PATH_IMAGE022
表示像素点的灰度在y、x方向的一阶差分。
本发明的第二方面，提出了一种常用字体汉字笔画拆解系统，该系统包括：字形获取模块、提取模块、分割模块、调整模块、笔画类别获取模块、输出模块；
所述字形获取模块，配置为获取汉字的目标字形以及模板字形，并绘制在图像上，得到目标字形图像、模板字形图像；所述目标字形为待笔画拆解的字体形状；所述模板字形为已知笔画及书写顺序的其他字体形状；
所述提取模块，配置为提取目标字形图像中目标字形各联通区域外轮廓上的像素点，构建目标字形外轮廓稠密点集，作为第一点集；对所述第一点集中的像素点降采样，得到目标字形外轮廓稀疏点集，作为第二点集；
所述分割模块，配置为以所述第二点集中的像素点为顶点，对目标字形图像中的目标字形进行三角形分割，并以三个顶角中张角最小的角度为三角形的排序属性进行三角形重排序，并依次取重排序后的三角形的顶点构建第三点集；对所述第三点集中的像素点进行凸多边形分割，得到凸多边形区域集合；
所述调整模块，配置为求解源点集到所述第一点集的旋转、平移矩阵，并对所述源 点集中各像素点进行位置调整；位置调整后，将第一点集中与源点集中梯度方向距离小于 设定阈值
Figure 577982DEST_PATH_IMAGE001
，且像素距离最近的两个像素点，作为对应点对；将所有对应点对 中第一点集的像素点构建的点集，作为目标点集，计算所述源点集到所述目标点集的旋转、 平移矩阵，并对所述对象点对中源点集的像素点进行位置调整；所述源点集为模板字形在 绘制过程中各联通区域外轮廓上的像素点构建的稠密点集；
所述笔画获取模块，配置为获取所述源点集中各像素点的笔画类别，并其作为对应点对中第一点集的像素点的笔画类别；统计所述凸多边形区域集合中各凸多边形覆盖所述第一点集中像素点的笔画类别数目，并将笔画类别数目最多的类别作为凸多边形的笔画类别；
所述输出模块，配置为新建累计笔画图像、单一笔画图像，并按照模板字形的笔画及书写顺序，将同一笔画类别的所有凸多边形绘制在单一笔画图像上，比较累计笔画图像与单一笔画图像的重叠区域，若单一笔画图像删除重叠区后仍为单一联通区，则在单一笔画图像中将重叠区去除，并将单一笔画图像添加到累计笔画图像上；将绘制后的各单一笔画图像顺序输出，作为目标字形顺序笔画拆解结果。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并执行以实现上述的常用字体汉字笔画拆解方法。
本发明的第四方面，提出了一种处理装置，包括处理器和存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的常用字体汉字笔画拆解方法。
本发明的有益效果：
本发明实现了同一汉字不同字体的笔画拆解。
本发明使用轮廓提取得到的目标字形各像素点沿着联通区的边缘依次排布，对目标字形外轮廓稠密点集降采样得到目标字形外轮廓稀疏点集，可以提高算法计算效率。降采样后，分割三角形将稀疏点集中的像素点与跨越局部联通区的对面点连接，基于分割三角形对稀疏点集中的像素点重排序并进行凸多边形分割，得到凸多边形区域集合。获取凸多边形区域集合中各最小外接凸多边形的笔画类别，根据笔画类别进行目标字形笔画拆解。从而实现了同一汉字不同字体的笔画拆解。
另外，本发明可以优化选择待拆解字体和模板字体，得到待拆解字体的汉字顺序笔画数据库后，可以作为新的模板字形对其他字体进行笔画拆解。解决了缺乏不同字体开源汉字笔画数据及笔画拆解方法的问题，可以为书法机器人等需要按笔画书写汉字的应用提供技术基础。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1 是本发明一种实施例的常用字体汉字笔画拆解方法的流程示意图；
图2为本发明一种实施例的常用字体汉字笔画拆解系统的框架示意图；
图3是本发明一种实施例的目标字形与模板字形示例图以及目标字形与模板字形配准结果示例图；
图4 是本发明一种实施例的目标字形外轮廓上稠密像素点点和稀疏像素点的示例图；
图5是本发明一种实施例的目标字形三角形分割结果示例图；
图6是本发明一种实施例的目标字形凸多边形分割结果示例图；
图7是本发明一种实施例的目标字形像素点与模板字形笔画对应图；
图8是本发明一种实施例的目标字形笔画拆解结果示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明第一实施例的一种常用字体汉字笔画拆解方法，如图1所示，该方法包括以下步骤：
S10，获取汉字的目标字形以及模板字形，并绘制在图像上，得到目标字形图像、模板字形图像；所述目标字形为待笔画拆解的字体形状；所述模板字形为已知笔画及书写顺序的其他字体形状；
S20，提取目标字形图像中目标字形各联通区域外轮廓上的像素点，构建目标字形外轮廓稠密点集，作为第一点集；对所述第一点集中的像素点降采样，得到目标字形外轮廓稀疏点集，作为第二点集；
S30，以所述第二点集中的像素点为顶点，对目标字形图像中的目标字形进行三角形分割，并以三个顶角中张角最小的角度为三角形的排序属性进行三角形重排序，并依次取重排序后的三角形的顶点构建第三点集；对所述第三点集中的像素点进行凸多边形分割，得到凸多边形区域集合；
S40，求解源点集到所述第一点集的旋转、平移矩阵，并对所述源点集中各像素点 进行位置调整；位置调整后，将第一点集中与源点集中梯度方向距离小于设定阈值
Figure 453534DEST_PATH_IMAGE001
，且像素距离最近的两个像素点，作为对应点对；将所有对应点对中第一点 集的像素点构建的点集，作为目标点集，计算所述源点集到所述目标点集的旋转、平移矩 阵，并对所述对象点对中源点集的像素点进行位置调整；所述源点集为模板字形在绘制过 程中各联通区域外轮廓上的像素点构建的稠密点集；
S50，获取所述源点集中各像素点的笔画类别，并其作为对应点对中第一点集的像素点的笔画类别；统计所述凸多边形区域集合中各凸多边形覆盖所述第一点集中像素点的笔画类别数目，并将笔画类别数目最多的类别作为凸多边形的笔画类别；
S60，新建累计笔画图像、单一笔画图像，并按照模板字形的笔画及书写顺序，将同一笔画类别的所有凸多边形绘制在单一笔画图像上，比较累计笔画图像与单一笔画图像的重叠区域，若单一笔画图像删除重叠区后仍为单一联通区，则在单一笔画图像中将重叠区去除，并将单一笔画图像添加到累计笔画图像上；将绘制后的各单一笔画图像顺序输出，作为目标字形顺序笔画拆解结果。
为了更清晰地对本发明常用字体汉字笔画拆解方法进行说明，下面对本发明方法一种实施例中各步骤进行展开详述。
S10，获取汉字的目标字形以及模板字形，并绘制在图像上，得到目标字形图像、模板字形图像；所述目标字形为待笔画拆解的字体形状；所述模板字形为已知笔画及书写顺序的其他字体形状；
在本实施例中，先获取目标字形和模板字形，目标字形为汉字对应待拆解字体的 形状，模板字形为同一汉字的已知笔画及书写顺序的其他字体形状，两种字形采用相同字 号，分别绘制在目标字形图像
Figure 100002_DEST_PATH_IMAGE023
和模板字形图像
Figure 154774DEST_PATH_IMAGE024
上，两幅图 像大小相同，图像中汉字形状部分为前景区域，居中显示，其余部分为背景区域。例如，在本 发明中目标字形为仿宋字体，模板字形为文鼎中楷字体，汉字选择“福”字，图像大小为 500x500，单位为像素；图像坐标系为，图像左上角点为原点，向右为x轴正方向，向下为y轴 正方向，如图3所示。
另外，在载入模板字形时，按照其笔画顺序依次绘制每个笔画区域，并提取该笔画 联通区的外轮廓
Figure DEST_PATH_IMAGE025
，对所有笔画进行如上操作后，在图像
Figure 598525DEST_PATH_IMAGE024
中载入模板字形完毕，并得到模板字形外轮廓稠密点集
Figure 660415DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
表示模板字形笔画数， 其中，
Figure 418287DEST_PATH_IMAGE028
为一个模板字形联通区的外轮廓，
Figure DEST_PATH_IMAGE029
表示模板字形外轮廓上的像素点。
S20，提取目标字形图像中目标字形各联通区域外轮廓上的像素点，构建目标字形外轮廓稠密点集，作为第一点集；对所述第一点集中的像素点降采样，得到目标字形外轮廓稀疏点集，作为第二点集；
在本实施例中，采用opencv开源函数提取目标字形图像
Figure 36350DEST_PATH_IMAGE023
中目标字 形区域的每一个联通区的外轮廓，得到目标字形外轮廓稠密点集
Figure 119844DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
为 目标字形联通区的外轮廓，
Figure 495461DEST_PATH_IMAGE003
为外轮廓上的像素点。稠密点集中两个相邻点为八邻接或四 邻接，两点之间的x轴或y轴坐标距离小于等于1个像素，如图4左侧所示。
对目标字形外轮廓稠密点集中的像素点进行降采样，得到目标字形外轮廓稀疏点集，降采样过程具体如下：
对于目标字形外轮廓稀疏点集中连续的三个像素点
Figure 978395DEST_PATH_IMAGE002
，
Figure 591910DEST_PATH_IMAGE003
，
Figure 236518DEST_PATH_IMAGE004
，以
Figure 896170DEST_PATH_IMAGE003
为角顶 点，以
Figure 323740DEST_PATH_IMAGE003
点指向
Figure 385237DEST_PATH_IMAGE002
点的线段和
Figure 76112DEST_PATH_IMAGE003
点指向
Figure 754218DEST_PATH_IMAGE004
点的线段为角的两条边，若张角大于设定 阈值
Figure 454321DEST_PATH_IMAGE005
且
Figure 167062DEST_PATH_IMAGE002
、
Figure 356735DEST_PATH_IMAGE004
两点之间的像素距离小于设定阈值
Figure 663083DEST_PATH_IMAGE006
，则删 除
Figure 760352DEST_PATH_IMAGE003
点。对目标字形外轮廓稠密点集的每一个轮廓中的像素点进行以上操作，得到目标字 形外轮廓稀疏点集
Figure 202965DEST_PATH_IMAGE032
。其 中，
Figure DEST_PATH_IMAGE033
优选设置为
Figure 32381DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
优选设置为15，稀疏点集的外轮廓如 图4右侧所示。
S30，以所述第二点集中的像素点为顶点，对目标字形图像中的目标字形进行三角形分割，并以三个顶角中张角最小的角度为三角形的排序属性进行三角形重排序，并依次取重排序后的三角形的顶点构建第三点集；对所述第三点集中的像素点进行凸多边形分割，得到凸多边形区域集合；
在本实施例中，先对目标字形进行分割，具体为：
以目标字形外轮廓稀疏点集所有外轮廓的像素点为顶点，对目标字形图像中的目 标字形区域进行三角形分割，每个三角形的三个顶点均在目标字形外轮廓稀疏点集中，两 两三角形的边线不交叉，目标字形外轮廓稀疏点集中的每一个顶点至少是一个三角形的某 一顶点，得到三角形集合
Figure 419500DEST_PATH_IMAGE036
，其中
Figure DEST_PATH_IMAGE037
为一个三角形，包含三个轮廓点，即轮廓上的像素点。其中，三角 形分割采用opencv开源函数实现，对得到的初始三角形集合滤波，剔除顶点或边线不在目 标字形前景区域的三角形得到
Figure 726985DEST_PATH_IMAGE038
，三角形分割结果如图5所示。
基于分割三角形对目标字形外轮廓稀疏点集进行重排序，并以三个顶角中张角最小的角度为该三角形的排序属性，对三角形从大到小排序，依次取排序后的三角形的三个顶点，得到重排序后的目标字形外轮廓稀疏点集。
其中，张角的计算过程，如公式（1）所示：
Figure 555263DEST_PATH_IMAGE007
（1）
其中，
Figure 883477DEST_PATH_IMAGE008
表示张角，
Figure 898837DEST_PATH_IMAGE009
表示向量点乘函数。
使用轮廓提取得到的第一点集中的像素点沿着联通区的边缘依次排布，对第一点集降采样得到第二点集可以提高算法计算效率，分割三角形将第二点集中的像素点与跨越局部联通区的对面点连接，基于分割三角形对第二点集中的像素点重排序有利于对目标字形区进行凸多边形分割。
对目标字形进行凸多边形分割，具体过程如下：
S331，初始设置第三点集中每个像素点的访问状态为未访问；
S332，对所述第三点集中的任一像素点
Figure 337909DEST_PATH_IMAGE010
，若该像素点的访问状态为未访问，则在 其邻域
Figure 83011DEST_PATH_IMAGE011
内取连续的三个点作为初始点，构建初始点集；获取初始 点集所有像素点的最小外接凸多边形；
S333，统计步骤S332获取的最小外接凸多边形内包含的目标字形图像背景区域的 像素数，若该像素数小于设定阈值
Figure 457492DEST_PATH_IMAGE012
，则将
Figure 84782DEST_PATH_IMAGE010
访问状态标记为已访 问，并跳转S334；否则取
Figure 468490DEST_PATH_IMAGE010
的下一个点
Figure 130415DEST_PATH_IMAGE014
，取其邻域内连续的三个点作为初始点，构建初 始点集
Figure DEST_PATH_IMAGE039
，即令
Figure 398499DEST_PATH_IMAGE013
，跳转步骤S332；
S334，对所述第三点集中的像素点
Figure 247507DEST_PATH_IMAGE014
，若该像素点的访问状态为未访问，则将
Figure 169326DEST_PATH_IMAGE014
增入初始点集中，并获取初始点集所有像素点的最小外接凸多边形
Figure 951338DEST_PATH_IMAGE040
；
S335，统计步骤S334获取的最小外接凸多边形内包含的目标字形图像背景区域的 像素数，若该像素数小于设定阈值
Figure 667621DEST_PATH_IMAGE012
，则将
Figure 207187DEST_PATH_IMAGE014
访问状态标记为已访 问，并令
Figure 791752DEST_PATH_IMAGE013
，跳转S334，直到第三点集中所有像素点遍历完毕，否则将
Figure 834794DEST_PATH_IMAGE014
从初始点 集中删除，令
Figure 49875DEST_PATH_IMAGE013
，跳转S334，直到第三点集中所有像素点遍历完毕。
上述步骤为一个像素点的凸多边形分割，当分割完成后，循环执行步骤S332- S335，对第三点集中的其他像素点进行凸多边形分割，直到第三点集中每个像素点的访问 状态为已访问，并构建凸多边形区域集合
Figure DEST_PATH_IMAGE041
。对目标字形凸多边形分割结果 如图6所示。
S40，求解源点集到所述第一点集的旋转、平移矩阵，并对所述源点集中各像素点 进行位置调整；位置调整后，将第一点集中与源点集中梯度方向距离小于设定阈值
Figure 545578DEST_PATH_IMAGE001
，且像素距离最近的两个像素点，作为对应点对；将所有对应点对中第一点 集的像素点构建的点集，作为目标点集，计算所述源点集到所述目标点集的旋转、平移矩 阵，并对所述对象点对中源点集的像素点进行位置调整；所述源点集为模板字形在绘制过 程中各联通区域外轮廓上的像素点构建的稠密点集；
在本实施例中，获取模板字形图像
Figure 809200DEST_PATH_IMAGE024
在绘制过程中的模板字形外轮 廓稠密点集，作为源点集，以目标字形外轮廓稠密点集为目标点集，采用迭代最近邻方法求 解源点集到目标点集的旋转、平移变换矩阵
Figure 300224DEST_PATH_IMAGE042
，依照
Figure 358310DEST_PATH_IMAGE042
对源点集中全部像素点进行位置变换。
迭代最近邻方法是一种基本、有效的点集位置配准方法，其实现原理和算法均开源；未配准和配准后目标字形与模板字形的相对位姿如图3所示。
位置变换后，计算目标字形外轮廓稠密点集、模板字形外轮廓稠密点集中各外轮 廓上的每个像素点的梯度方向。本发明中采用sobel算子对图像进行卷积，融合x、y方向的 图像卷积结果计算每个点的梯度方向，梯度方向范围为
Figure DEST_PATH_IMAGE043
度。
根据目标字形外轮廓稠密点集、模板字形外轮廓稠密点集各像素点的梯度方向进行配准，具体如下：
对模板字形外轮廓稠密点集中的点
Figure 403627DEST_PATH_IMAGE003
，在目标字形外轮廓稠密点集的像素点中查 找对应点
Figure 205361DEST_PATH_IMAGE044
，点
Figure 816471DEST_PATH_IMAGE044
是与点
Figure 45458DEST_PATH_IMAGE003
梯度方向角度距离小于阈值
Figure DEST_PATH_IMAGE045
，且像素距离最小 的像素点，将点
Figure 250174DEST_PATH_IMAGE044
与
Figure 183495DEST_PATH_IMAGE003
作为对应点对，在本发明
Figure 383532DEST_PATH_IMAGE045
优选设置为30度，两点的梯 度方向距离计算方法为：
Figure 783421DEST_PATH_IMAGE015
（2）
Figure 334488DEST_PATH_IMAGE016
（3）
Figure 743603DEST_PATH_IMAGE017
Figure 798147DEST_PATH_IMAGE046
其中，
Figure 696833DEST_PATH_IMAGE019
表示梯度方向距离，
Figure 344983DEST_PATH_IMAGE020
、
Figure 416844DEST_PATH_IMAGE021
表示像素点的梯度方向，
Figure 201261DEST_PATH_IMAGE022
表示像素点的灰度在y、x方向的一阶差分。
以对应点对中第一点集的像素点构建目标点集，采用最小二乘法求解源点集向目 标点集变换的旋转、平移矩阵
Figure DEST_PATH_IMAGE047
，依照
Figure 5269DEST_PATH_IMAGE047
对源点集中 的全部像素点进行位置变换。
S50，获取所述源点集中各像素点的笔画类别，并其作为对应点对中第一点集的像素点的笔画类别；统计所述凸多边形区域集合中各凸多边形覆盖所述第一点集中像素点的笔画类别数目，并将笔画类别数目最多的类别作为凸多边形的笔画类别；
在本实施例中，对目标字形外轮廓稠密点集的每个轮廓的每个像素点
Figure 999770DEST_PATH_IMAGE003
，在模板 字形外轮廓稠密点集的全部轮廓的全部像素点中查找对应像素点
Figure 750688DEST_PATH_IMAGE044
，点
Figure 717507DEST_PATH_IMAGE044
是与点
Figure 20312DEST_PATH_IMAGE003
梯度 方向角度距离小于阈值
Figure 377475DEST_PATH_IMAGE045
，且像素距离最小的点，以
Figure 56718DEST_PATH_IMAGE044
的笔画类别为
Figure 815727DEST_PATH_IMAGE003
的笔 画类别。
对于最小凸外接多边形，即凸多边形，在目标字形外轮廓稠密点集中查找被凸多 边形区域集合中最小凸外接多边形覆盖的子点集
Figure 289434DEST_PATH_IMAGE048
，统计
Figure DEST_PATH_IMAGE049
中每个像素点的笔画类别，以点数目最多的笔画类别为该最小凸外接多边形 的笔画类别。
汉字实例有13个笔画，目标字形轮廓点的对应模板字形轮廓点笔画分类为10的对应点对示例如图7所示，凸多边形可能的笔画类别有13种。
S60，新建累计笔画图像、单一笔画图像，并按照模板字形的笔画及书写顺序，将同一笔画类别的所有凸多边形绘制在单一笔画图像上，比较累计笔画图像与单一笔画图像的重叠区域，若单一笔画图像删除重叠区后仍为单一联通区，则在单一笔画图像中将重叠区去除，并将单一笔画图像添加到累计笔画图像上；将绘制后的各单一笔画图像顺序输出，作为目标字形顺序笔画拆解结果。
在本实施例中，进行目标字形顺序笔画拆解过程如下：
S61，新建累计笔画图像、单一笔画图像，累计笔画图像、单一笔画图像与目标字形图像大小相同，且为空白图像。
S62，依照模板字形的笔画书写顺序，对于笔画
Figure 868314DEST_PATH_IMAGE050
，将笔画类别为
Figure 85668DEST_PATH_IMAGE050
的所有凸多边形 绘制在单一笔画图像上，比较累积笔画图像与单一笔画图像的重叠区域，若单一笔画图像 删除该重叠区域后仍为单一联通区，则在单一笔画图像中将重叠区域去除，并将单一笔画 图像添加到累计笔画图像上；保存两幅图像；在发明中，绘制的凸多边形内部填充为黑色， 背景区填充为白色。
对于存在笔画交叠的汉字，目标字形中的部分区域可能同时包含在不同笔画中；对于上述交叠区域，在不造成断笔的前提下，本发明只在一个笔画中显示交叠区域。
S63，对所有笔画重复执行步骤S62、S63，将绘制后的图像输出，得到目标字形顺序笔画拆解结果，如图8所示。
本发明第二实施例的一种常用字体汉字笔画拆解系统，如图2所示，包括：字形获取模块100、提取模块200、分割模块300、调整模块400、笔画类别获取模块500、输出模块600；
所述字形获取模块100，配置为获取汉字的目标字形以及模板字形，并绘制在图像上，得到目标字形图像、模板字形图像；所述目标字形为待笔画拆解的字体形状；所述模板字形为已知笔画及书写顺序的其他字体形状；
所述提取模块200，配置为提取目标字形图像中目标字形各联通区域外轮廓上的像素点，构建目标字形外轮廓稠密点集，作为第一点集；对所述第一点集中的像素点降采样，得到目标字形外轮廓稀疏点集，作为第二点集；
所述分割模块300，配置为以所述第二点集中的像素点为顶点，对目标字形图像中的目标字形进行三角形分割，并以三个顶角中张角最小的角度为三角形的排序属性进行三角形重排序，并依次取重排序后的三角形的顶点构建第三点集；对所述第三点集中的像素点进行凸多边形分割，得到凸多边形区域集合；
所述调整模块400，配置为求解源点集到所述第一点集的旋转、平移矩阵，并对所 述源点集中各像素点进行位置调整；位置调整后，将第一点集中与源点集中梯度方向距离 小于设定阈值
Figure 964763DEST_PATH_IMAGE001
，且像素距离最近的两个像素点，作为对应点对；将所有对应 点对中第一点集的像素点构建的点集，作为目标点集，计算所述源点集到所述目标点集的 旋转、平移矩阵，并对所述对象点对中源点集的像素点进行位置调整；所述源点集为模板字 形在绘制过程中各联通区域外轮廓上的像素点构建的稠密点集；
所述笔画获取模块500，配置为获取所述源点集中各像素点的笔画类别，并其作为对应点对中第一点集的像素点的笔画类别；统计所述凸多边形区域集合中各凸多边形覆盖所述第一点集中像素点的笔画类别数目，并将笔画类别数目最多的类别作为凸多边形的笔画类别；
所述输出模块600，配置为新建累计笔画图像、单一笔画图像，并按照模板字形的笔画及书写顺序，将同一笔画类别的所有凸多边形绘制在单一笔画图像上，比较累计笔画图像与单一笔画图像的重叠区域，若单一笔画图像删除重叠区后仍为单一联通区，则在单一笔画图像中将重叠区去除，并将单一笔画图像添加到累计笔画图像上；将绘制后的各单一笔画图像顺序输出，作为目标字形顺序笔画拆解结果。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统的具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的常用字体汉字笔画拆解系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适用于由处理器加载并实现上述的常用字体汉字笔画拆解方法。
本发明第四实施例的一种处理装置，包括处理器和存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适用于由处理器加载并执行以实现上述的常用字体汉字笔画拆解方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种常用字体汉字笔画拆解方法，其特征在于，该方法包括：
S10，获取汉字的目标字形以及模板字形，并绘制在图像上，得到目标字形图像、模板字形图像；所述目标字形为待笔画拆解的字体形状；所述模板字形为已知笔画及书写顺序的其他字体形状；
S20，提取目标字形图像中目标字形各联通区域外轮廓上的像素点，构建目标字形外轮廓稠密点集，作为第一点集；对所述第一点集中的像素点降采样，得到目标字形外轮廓稀疏点集，作为第二点集；
S30，以所述第二点集中的像素点为顶点，对目标字形图像中的目标字形进行三角形分割，并以三个顶角中张角最小的角度为三角形的排序属性进行三角形重排序，并依次取重排序后的三角形的顶点构建第三点集；对所述第三点集中的像素点进行凸多边形分割，得到凸多边形区域集合；
S40，求解源点集到所述第一点集的旋转、平移矩阵，并对所述源点集中各像素点进行 位置调整；位置调整后，将第一点集中与源点集中梯度方向距离小于设定阈值
Figure 482723DEST_PATH_IMAGE001
，且像素距离最近的两个像素点，作为对应点对；将所有对应点对中第一点集 的像素点构建的点集，作为目标点集，计算所述源点集到所述目标点集的旋转、平移矩阵， 并对所述对象点对中源点集的像素点进行位置调整；所述源点集为模板字形在绘制过程中 各联通区域外轮廓上的像素点构建的稠密点集；
S50，获取所述源点集中各像素点的笔画类别，并其作为对应点对中第一点集的像素点的笔画类别；统计所述凸多边形区域集合中各凸多边形覆盖所述第一点集中像素点的笔画类别数目，并将笔画类别数目最多的类别作为凸多边形的笔画类别；
S60，新建累计笔画图像、单一笔画图像，并按照模板字形的笔画及书写顺序，将同一笔画类别的所有凸多边形绘制在单一笔画图像上，比较累计笔画图像与单一笔画图像的重叠区域，若单一笔画图像删除重叠区后仍为单一联通区，则在单一笔画图像中将重叠区去除，并将单一笔画图像添加到累计笔画图像上；将绘制后的各单一笔画图像顺序输出，作为目标字形顺序笔画拆解结果。
2.根据权利要求1所述的常用字体汉字笔画拆解方法，其特征在于，步骤S30中“对所述第一点集中的像素点降采样”，其方法为：
对于所述第一点集中连续的三个像素点
Figure 665443DEST_PATH_IMAGE002
，
Figure 710759DEST_PATH_IMAGE003
，
Figure 371548DEST_PATH_IMAGE004
，以
Figure 451499DEST_PATH_IMAGE003
为角顶点，以
Figure 273962DEST_PATH_IMAGE003
点指向
Figure 806574DEST_PATH_IMAGE002
点的线段和
Figure 271054DEST_PATH_IMAGE003
点指向
Figure 205512DEST_PATH_IMAGE004
点的线段为角的两条边，若张角大于设定阈值
Figure 464455DEST_PATH_IMAGE005
且
Figure 484363DEST_PATH_IMAGE002
、
Figure 486954DEST_PATH_IMAGE004
两点之间的像素距离小于设定阈值
Figure 10340DEST_PATH_IMAGE006
，则删除
Figure 705763DEST_PATH_IMAGE003
点。
3.根据权利要求2所述的常用字体汉字笔画拆解方法，其特征在于，所述张角，其计算方法为：
Figure DEST_PATH_IMAGE007
其中，
Figure 478547DEST_PATH_IMAGE008
表示张角，
Figure 19250DEST_PATH_IMAGE009
表示向量点乘函数。
4.根据权利要求1所述的常用字体汉字笔画拆解方法，其特征在于，步骤S30中“对所述第三点集中的像素点进行凸多边形分割”，其方法为：
S331，初始设置第三点集中每个像素点的访问状态为未访问；
S332，对所述第三点集中的任一像素点
Figure 662721DEST_PATH_IMAGE010
，若该像素点的访问状态为未访问，则在其邻 域
Figure 263466DEST_PATH_IMAGE011
内取连续的三个点作为初始点，构建初始点集；获取初始点集 所有像素点的最小外接凸多边形；
S333，统计步骤S332获取的最小外接凸多边形内包含的目标字形图像背景区域的像素 数，若该像素数小于设定阈值
Figure 257967DEST_PATH_IMAGE012
，则将
Figure 602361DEST_PATH_IMAGE010
访问状态标记为已访问，并 跳转S334；否则令
Figure 365918DEST_PATH_IMAGE013
，跳转步骤S332；
S334，对所述第三点集中的像素点
Figure 403144DEST_PATH_IMAGE014
，若该像素点的访问状态为未访问，则将
Figure 353782DEST_PATH_IMAGE014
增 入初始点集中，并获取初始点集所有像素点的最小外接凸多边形；
S335，统计步骤S334获取的最小外接凸多边形内包含的目标字形图像背景区域的像素 数，若该像素数小于设定阈值
Figure 501867DEST_PATH_IMAGE015
，则将
Figure 119930DEST_PATH_IMAGE014
访问状态标记为已访问， 并令
Figure 328057DEST_PATH_IMAGE013
，跳转S334，直到第三点集中所有像素点遍历完毕，否则将
Figure 31571DEST_PATH_IMAGE014
从初始点集 中删除，令
Figure 717767DEST_PATH_IMAGE013
，跳转S334，直到第三点集中所有像素点遍历完毕。
5.根据权利要求1所述的常用字体汉字笔画拆解方法，其特征在于，步骤S40中“求解所述源点集到所述第一点集的旋转、平移矩阵”，其方法为：通过迭代最近邻算法对所述源点集、所述第一点集进行点集位置配置，得到所述源点集到所述第一点集的旋转、平移矩阵。
6.根据权利要求1所述的常用字体汉字笔画拆解方法，其特征在于，所述第一点集、所述源点集中各像素点的梯度方向，其计算方法为：
采用sobel算子对目标字形图像、模板字形图像进行卷积，融合x、y方向的图像卷积结果计算每个像素点的梯度方向。
7.根据权利要求6所述的常用字体汉字笔画拆解方法，其特征在于，所述梯度方向距离，其计算方法为：
Figure 190337DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
Figure 834945DEST_PATH_IMAGE018
Figure DEST_PATH_IMAGE019
其中，
Figure 291334DEST_PATH_IMAGE020
表示梯度方向距离，
Figure DEST_PATH_IMAGE021
、
Figure 781221DEST_PATH_IMAGE022
表示像素点的梯度方向，
Figure DEST_PATH_IMAGE023
表示像素 点的灰度在y、x方向的一阶差分。
8.一种常用字体汉字笔画拆解系统，其特征在于，该系统包括：字形获取模块、提取模块、分割模块、调整模块、笔画类别获取模块、输出模块；
所述字形获取模块，配置为获取汉字的目标字形以及模板字形，并绘制在图像上，得到目标字形图像、模板字形图像；所述目标字形为待笔画拆解的字体形状；所述模板字形为已知笔画及书写顺序的其他字体形状；
所述提取模块，配置为提取目标字形图像中目标字形各联通区域外轮廓上的像素点，构建目标字形外轮廓稠密点集，作为第一点集；对所述第一点集中的像素点降采样，得到目标字形外轮廓稀疏点集，作为第二点集；
所述分割模块，配置为以所述第二点集中的像素点为顶点，对目标字形图像中的目标字形进行三角形分割，并以三个顶角中张角最小的角度为三角形的排序属性进行三角形重排序，并依次取重排序后的三角形的顶点构建第三点集；对所述第三点集中的像素点进行凸多边形分割，得到凸多边形区域集合；
所述调整模块，配置为求解源点集到所述第一点集的旋转、平移矩阵，并对所述源点集 中各像素点进行位置调整；位置调整后，将第一点集中与源点集中梯度方向距离小于设定 阈值
Figure 373877DEST_PATH_IMAGE001
，且像素距离最近的两个像素点，作为对应点对；将所有对应点对中第一 点集的像素点构建的点集，作为目标点集，计算所述源点集到所述目标点集的旋转、平移矩 阵，并对所述对象点对中源点集的像素点进行位置调整；所述源点集为模板字形在绘制过 程中各联通区域外轮廓上的像素点构建的稠密点集；
所述笔画获取模块，配置为获取所述源点集中各像素点的笔画类别，并其作为对应点对中第一点集的像素点的笔画类别；统计所述凸多边形区域集合中各凸多边形覆盖所述第一点集中像素点的笔画类别数目，并将笔画类别数目最多的类别作为凸多边形的笔画类别；
所述输出模块，配置为新建累计笔画图像、单一笔画图像，并按照模板字形的笔画及书写顺序，将同一笔画类别的所有凸多边形绘制在单一笔画图像上，比较累计笔画图像与单一笔画图像的重叠区域，若单一笔画图像删除重叠区后仍为单一联通区，则在单一笔画图像中将重叠区去除，并将单一笔画图像添加到累计笔画图像上；将绘制后的各单一笔画图像顺序输出，作为目标字形顺序笔画拆解结果。
9.一种存储装置，其中存储有多条程序，其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-7任一项所述的常用字体汉字笔画拆解方法。
10.一种处理装置，包括处理器和存储装置；处理器，适用于执行各条程序；存储装置，适用于存储多条程序；其特征在于，所述程序适用于由处理器加载并执行以实现权利要求1-7任一项所述的常用字体汉字笔画拆解方法。
CN202110239167.3A 2021-03-04 2021-03-04 常用字体汉字笔画拆解方法、系统、装置 Active CN112598768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110239167.3A CN112598768B (zh) 2021-03-04 2021-03-04 常用字体汉字笔画拆解方法、系统、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110239167.3A CN112598768B (zh) 2021-03-04 2021-03-04 常用字体汉字笔画拆解方法、系统、装置

Publications (2)

Publication Number Publication Date
CN112598768A true CN112598768A (zh) 2021-04-02
CN112598768B CN112598768B (zh) 2021-05-25

Family

ID=75210303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110239167.3A Active CN112598768B (zh) 2021-03-04 2021-03-04 常用字体汉字笔画拆解方法、系统、装置

Country Status (1)

Country Link
CN (1) CN112598768B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297892A (zh) * 2020-11-27 2021-08-24 上海交通大学 针对形近汉字的图像优化识别系统
CN113642542A (zh) * 2021-10-14 2021-11-12 中国科学院自动化研究所 基于位置约束的手写汉字同名笔画提取方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6157390A (en) * 1996-09-20 2000-12-05 Dynalab (S) Ltd. Stroke-based font generation
US20050027534A1 (en) * 2003-07-30 2005-02-03 Meurs Pim Van Phonetic and stroke input methods of Chinese characters and phrases
US20110046942A1 (en) * 2009-08-19 2011-02-24 Inventec Appliances Corp. Method for prompting by suggesting stroke order of chinese character, electronic device, and computer program product
CN102968764A (zh) * 2012-10-26 2013-03-13 北京航空航天大学 一种基于笔画的汉字图像修复方法
CN104063723A (zh) * 2014-06-25 2014-09-24 北京语言大学 脱机手写汉字的笔画还原方法及装置
CN104156721A (zh) * 2014-07-31 2014-11-19 南京师范大学 一种基于模板匹配的脱机汉字笔画提取方法
CN104182748A (zh) * 2014-08-15 2014-12-03 电子科技大学 一种基于拆分匹配的汉字笔画自动提取方法
US20140361983A1 (en) * 2013-06-09 2014-12-11 Apple Inc. Real-time stroke-order and stroke-direction independent handwriting recognition
CN104951788A (zh) * 2015-07-08 2015-09-30 上海海事大学 一种书法作品中单字笔画的提取方法
CN105425980A (zh) * 2015-11-02 2016-03-23 中国科学院自动化研究所 基于Web的汉字一笔一划书写方法
CN107358184A (zh) * 2017-06-30 2017-11-17 中国科学院自动化研究所 文档文字的提取方法及提取装置
CN109919158A (zh) * 2018-11-12 2019-06-21 上海海事大学 一种基于汉字轮廓的笔画分离方法
CN110659644A (zh) * 2019-06-26 2020-01-07 西安理工大学 书法单字的笔画自动提取方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6157390A (en) * 1996-09-20 2000-12-05 Dynalab (S) Ltd. Stroke-based font generation
US20050027534A1 (en) * 2003-07-30 2005-02-03 Meurs Pim Van Phonetic and stroke input methods of Chinese characters and phrases
US20110046942A1 (en) * 2009-08-19 2011-02-24 Inventec Appliances Corp. Method for prompting by suggesting stroke order of chinese character, electronic device, and computer program product
CN102968764A (zh) * 2012-10-26 2013-03-13 北京航空航天大学 一种基于笔画的汉字图像修复方法
US20140361983A1 (en) * 2013-06-09 2014-12-11 Apple Inc. Real-time stroke-order and stroke-direction independent handwriting recognition
CN104063723A (zh) * 2014-06-25 2014-09-24 北京语言大学 脱机手写汉字的笔画还原方法及装置
CN104156721A (zh) * 2014-07-31 2014-11-19 南京师范大学 一种基于模板匹配的脱机汉字笔画提取方法
CN104182748A (zh) * 2014-08-15 2014-12-03 电子科技大学 一种基于拆分匹配的汉字笔画自动提取方法
CN104951788A (zh) * 2015-07-08 2015-09-30 上海海事大学 一种书法作品中单字笔画的提取方法
CN105425980A (zh) * 2015-11-02 2016-03-23 中国科学院自动化研究所 基于Web的汉字一笔一划书写方法
CN107358184A (zh) * 2017-06-30 2017-11-17 中国科学院自动化研究所 文档文字的提取方法及提取装置
CN109919158A (zh) * 2018-11-12 2019-06-21 上海海事大学 一种基于汉字轮廓的笔画分离方法
CN110659644A (zh) * 2019-06-26 2020-01-07 西安理工大学 书法单字的笔画自动提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIAOQING WANG 等: "Triangular Mesh Based Stroke Segmentation for Chinese Calligraphy", 《2013 12TH INTERNATIONAL CONFERENCE ON DOCUMENT ANALYSIS AND RECOGNITION》 *
ZHENGYANG ZHOU 等: "Stroke Extraction of Handwritten Chinese Character Based on Ambiguous Zone Information", 《2017 2ND INTERNATIONAL CONFERENCE ON MULTIMEDIA AND IMAGE PROCESSING》 *
刘佳岩 等: "基于书写规则的书法字笔画及笔顺提取", 《微型机与应用》 *
章夏芬 等: "用爬虫法提取书法笔画", 《计算机辅助设计与图形学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297892A (zh) * 2020-11-27 2021-08-24 上海交通大学 针对形近汉字的图像优化识别系统
CN113642542A (zh) * 2021-10-14 2021-11-12 中国科学院自动化研究所 基于位置约束的手写汉字同名笔画提取方法

Also Published As

Publication number Publication date
CN112598768B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
RU2215326C2 (ru) Иерархическое основанное на изображениях представление неподвижного и анимированного трехмерного объекта, способ и устройство для использования этого представления для визуализации объекта
CN107330903B (zh) 一种人体点云模型的骨架提取方法
CN112598768B (zh) 常用字体汉字笔画拆解方法、系统、装置
CN112002014A (zh) 面向精细结构的三维人脸重建方法、系统、装置
CN111401266B (zh) 绘本角点定位的方法、设备、计算机设备和可读存储介质
CN108305291B (zh) 利用包含定位二维码的墙体广告的单目视觉定位定姿方法
CN104537705A (zh) 基于增强现实的移动平台三维生物分子展示系统和方法
CN110349225A (zh) 一种bim模型外部轮廓快速提取方法
CN110910433A (zh) 一种基于深度学习的点云匹配方法
CN114782645B (zh) 虚拟数字人制作方法、相关设备及可读存储介质
CN110232337B (zh) 基于全卷积神经网络的中文字符图像笔划提取方法、系统
CN115937461A (zh) 多源融合模型构建及纹理生成方法、装置、介质及设备
CN110232664A (zh) 一种基于增强现实的傩面具修复方法
CN112132750B (zh) 一种视频处理方法与装置
CN110070626B (zh) 一种基于多视角分类的三维物体检索方法
Wang et al. Interactive image manipulation using morphological trees and spline-based skeletons
CN110458177A (zh) 图像深度信息的获取方法、图像处理装置以及存储介质
CN112734628B (zh) 一种经三维转换后的跟踪点的投影位置计算方法及系统
CN110827303B (zh) 一种虚拟场景的图像编辑方法及装置
CN111460993B (zh) 基于与或图aog的人类图像生成方法
CN109840934A (zh) 一种工件的三维模型生成方法和系统
CN113971738A (zh) 图像检测方法、装置、电子设备及存储介质
CN108921908B (zh) 表面光场的采集方法、装置及电子设备
Scarlatos Spatial data representations for rapid visualization and analysis
CN115311296B (zh) 数据生成、图像识别方法及计算机存储介质和终端设备

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