CN116682128A - 水书单字的数据集构建、识别方法、装置、设备及介质 - Google Patents

水书单字的数据集构建、识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN116682128A
CN116682128A CN202310653537.7A CN202310653537A CN116682128A CN 116682128 A CN116682128 A CN 116682128A CN 202310653537 A CN202310653537 A CN 202310653537A CN 116682128 A CN116682128 A CN 116682128A
Authority
CN
China
Prior art keywords
water book
water
image
book
words
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.)
Pending
Application number
CN202310653537.7A
Other languages
English (en)
Inventor
毕晓君
韩璐
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.)
Minzu University of China
Original Assignee
Minzu University of China
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 Minzu University of China filed Critical Minzu University of China
Priority to CN202310653537.7A priority Critical patent/CN116682128A/zh
Publication of CN116682128A publication Critical patent/CN116682128A/zh
Pending legal-status Critical Current

Links

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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19107—Clustering techniques
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Character Input (AREA)

Abstract

本发明公开了一种水书单字的数据集构建、识别方法、装置、设备及介质。水书单字的数据集构建方法，包括：扫描水书图像并将其二值化；对水书图像进行垂直投影得到正弦拟合曲线，根据正弦拟合曲线对水书图像进行列切分得到水书文字列图像；对单个水书文字列图像进行水平投影以及行切分，得到水书单字；对水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。上述技术方案根据垂直投影的正弦拟合曲线对水书图像进行列切分、通过水平投影进行行切分，保证了水书单字的切分精度，然后利用聚类算法为水书单字添加标签，保证了聚类结果的准确性，在此基础上构建高质量的水书单字数据集。

Description

水书单字的数据集构建、识别方法、装置、设备及介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种水书单字的数据集构建、识别方法、装置、设备及介质。
背景技术
水书是记载水族人民生活习俗、原始信仰、天文历法等诸多方面内容的“百科全书”，水族文字是表意象形文字，其具有独特的文字价值，是中华民族宝贵的非物质文化遗产。随着科技的飞速发展，深度学习技术在象形文字识别、少数民族语言翻译等任务中均取得了良好的效果。深度学习技术的使用需要大量数据的驱动，但目前没有公开的水书单字数据集，虽然有部分公开的水书单字，但难以为深度学习模型的训练提供有效的支持，导致深度学习技术在水书古籍保护的应用受到限制，使人们在识别或翻译水书文字等任务中面临困难。
发明内容
本发明提供了一种水书单字的数据集构建、识别方法、装置、设备及介质，以实现水书单字的数据集构建和识别，有助于对水书的数字化管理。
第一方面，本发明实施例提供了一种水书单字的数据集构建方法，包括：
扫描水书图像并将水书图像二值化，水书图像中包括多个水书单字；
对水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据正弦拟合曲线对水书图像进行列切分，得到水书文字列图像；
对于单个水书文字列图像，对水书文字列图像进行水平投影，基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字；
基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。
第二方面，本发明实施例提供了一种水书单字识别方法，包括：
获取水书单字的数据集；
根据数据集训练识别模型；
将待识别的水书单字输入至识别模型，得到识别结果；
其中，数据集基于第一方面中任一所述的水书单字的数据集构建方法构建。
第三方面，本发明实施例提供了一种水书单字的数据集构建装置，包括：
处理模块，用于扫描水书图像并将水书图像二值化，水书图像中包括多个水书单字；
列切分模块，用于对水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据正弦拟合曲线对水书图像进行列切分，得到水书文字列图像；
行切分模块，用于对于单个水书文字列图像，对水书文字列图像进行水平投影，基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字；
分类模块，用于基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。
第四方面，本发明实施例提供了一种水书单字识别装置，包括：
获取模块，用于获取水书单字的数据集；
训练模块，用于根据数据集训练识别模型；
识别模块，用于将待识别的水书单字输入至识别模型，得到识别结果。
其中，数据集基于第一方面中任一所述的水书单字的数据集构建方法构建。
第五方面，本发明实施例提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被所述至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一所述的水书单字的数据集构建方法或第二方面所述的水书单字识别方法。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一所述的水书单字的数据集构建方法或如第二方面所述的水书单字识别方法。
本发明实施例提供了一种水书单字的数据集构建、识别方法、装置、设备及介质。首先扫描水书图像并将水书图像二值化，然后对水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，然后根据正弦拟合曲线对水书图像进行列切分，得到水书文字列图像，然后对于单个水书文字列图像，对水书文字列图像进行水平投影，基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字，最后基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。通过获取水书单字的数据集，根据数据集训练识别模型，将待识别的水书单字输入至识别模型，得到识别结果。通过上述技术方案，根据垂直投影的正弦拟合曲线对水书图像进行列切分、通过水平投影进行行切分，保证了水书单字的切分精度，然后利用聚类算法为水书单字添加标签，保证了聚类结果的准确性，在此基础上构建了水书单字数据集和识别模型，有助于更好的对水书进行数字化管理，推动了深度学习技术在水书识别、水书古籍机器翻译等任务中的应用，进一步提升了水书非物质文化遗产数字保护的效果。
应当理解，本部分所描述的内容并非旨在标识本发明实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本发明实施例一提供的一种水书单字的数据集构建方法的流程图；
图2为本发明实施例一提供的一种水书图像二值化处理前后对比的示意图；
图3为本发明实施例二提供的一种水书单字的数据集构建方法的流程图；
图4为本发明实施例二提供的一种水书图像垂直投影结果的示意图；
图5为本发明实施例三提供的一种水书单字的数据集构建方法的流程图；
图6为本发明实施例三提供的一种将字块与距离最近的下方相邻字块合并的示意图；
图7为本发明实施例三提供的一种水书单字切分可视化结果的示意图；
图8为本发明实施例三提供的一种水书图像聚类结果的示意图；
图9为本发明实施例三提供的一种水书单字图像集合的示意图；
图10为本发明实施例四提供的一种水书单字识别方法的流程图；
图11为本发明实施例五提供的一种水书单字的数据集构建装置的结构示意图；
图12为本发明实施例六提供的一种水书单字识别装置的结构示意图；
图13为本发明实施例七提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
需要注意，本发明实施例中提及的“第一”、“第二”等概念仅用于对不同的装置、模块、单元或其他对象进行区分，并非用于限定这些装置、模块、单元或其他对象所执行的功能的顺序或者相互依存关系。
实施例一
图1为本发明实施例一提供的一种水书单字的数据集构建方法的流程图，本实施例可适用于利用水书单字构建数据集的情况。具体的，该水书单字的数据集构建方法可以由水书单字的数据集构建装置执行，该水书单字的数据集构建装置可以通过软件和/或硬件的方式实现，并集成在电子设备中。进一步的，电子设备包括但不限定于：台式计算机、笔记本电脑、智能手机以及服务器等电子设备。
如图1所示，该方法具体包括如下步骤：
S110、扫描水书图像并将水书图像二值化，水书图像中包括多个水书单字。
本实施例中，水书图像可以理解为通过对水书古籍进行扫描，获取到的页面级的数字化水书图像，水书图像中包含了多个水书单字。示例性的，水书古籍可为《正七卷》、《金堂卷》、《择吉卷》、《起造卷》、《阴阳五行卷》、《分割卷》、《寅申卷》和《金用卷》等，其中的水书单字可设涉及数字类、抽象时间类、十二地支类、方位及空间类、十天干类、五行类、九星类、阴阳八卦类、二十八宿类和/或吉凶类等。水书古籍的书写规则可为按竖式排列的书写规则。二值化可以理解为根据水书图像的像素点的灰度值将背景和文字区域像素值分别设置为0或255的算法。
具体的，首先对水书古籍进行扫描，获取到页面级的数字化水书图像，由于扫描水书古籍获得的水书图像中存在大量噪声，且水书古籍在扫描过程中存在图像清晰问题，不利于文字切分处理，可对扫描后的水书图像进行预处理操作。预处理操作可以理解为，首先基于二值化算法将水书图像的背景和文字区域像素值分别设置为0或255，以减小背景噪声影响，突出文字区域，然后基于霍夫变换(Hough)算法对水书图像进行倾斜矫正，便于后续对水书图像进行切分，最后采用腐蚀处理，以使各水书单字的边界向内部收缩，消除背景边界点影响。
示例性的，图2为本发明实施例一提供的一种水书图像二值化处理前后对比的示意图，如图2所示，以一个水书图像为例，左图为二值化处理前的水书图像，右图为二值化处理后的水书图像，将水书图像二值化，即把水书图像的背景区域像素值设置为0，文字区域像素值设置为255。
S120、对水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据正弦拟合曲线对水书图像进行列切分，得到水书文字列图像。
本实施例中，垂直投影可以理解为将水书图像中所有像素沿垂直方向投射到一个点的操作，可以是对水书图像中各列的像素值求平均值或求和。
具体的，首先分别对水书图像中各列中不为0的像素值求和，即对水书图像进行垂直投影，不为0的像素值可以理解为水书图像中文字区域的像素值；其次根据垂直投影像素累加值得到正弦拟合曲线；然后确定列切分的起始点和终止点：垂直投影像素累加值为0时，该列对应区域为空白区域，当某一列像素累加值跃变到较大值时，说明开始进入到有字区域，则该列可以作为切分起始点，类似的，当某一列像素累加值突然降低为0或较小数值时，说明再次进入到空白区域，将该列可以作为列切分终止点。本实施例中，使用正弦曲线对垂直投影结果进行拟合，根据正弦拟合曲线的特征点(如波峰和/或波谷等)确定列切分的切分点。通过正弦拟合曲线的特征点判断切分点的方法可以有效避免人工设定切分阈值环节，提高列切分的精度。
S130、对于单个水书文字列图像，对水书文字列图像进行水平投影，基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字。
本实施例中，水平投影可以理解为将每一个水书文字列图像中所有像素沿水平方向投射到一个点的操作，可以是对水书文字列图像中的各行像素值求平均值或求和。
具体的，对列切分获得的每个水书文字列图像可再进行水平投影，以确定水书单字的起始点和终止点，即可实现单字切分。确定水书单字的起始点和终止点的思路与列切分类似，在根据水平投影进行像素值累加获得的数组中，两段小于阈值的数组之间，像素累加值较大的部分为文字区域，此过程通过设置合理的切分阈值实现。
需要说明的是，本实施例中，考虑到水书古籍多采用竖式排列的书写规则，结合这一特点，在对水书图像的文字进行切分时，先进行垂直投影获得单个水书文字列图像，再对单个水书文字列图像进行水平投影实现单字切分。
S140、基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。
本实施例中，聚类算法可以理解为是无监督学习算法，根据水书图像之间的相似度将水书图像分为多个类别，例如可以是K均值聚类(K-means)算法。类别可以理解为将水书单字按照样本间的相似度聚类后形成的簇，例如，多个水书单字的形态相似，很有可能都是同一个字，则这些水书单字会聚为一个类别。对于每个类别可以添加标签，以标记该类别中的样本的聚类结果，添加标签后的水书单字构成数据集。
本发明实施例一提供的一种水书单字的数据集构建方法，通过扫描水书图像并将水书图像二值化；对水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据正弦拟合曲线对水书图像进行列切分，得到水书文字列图像；对于单个所述水书文字列图像，对水书文字列图像进行水平投影，基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字；基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。通过上述技术方案，根据垂直投影的正弦拟合曲线对水书图像进行列切分、通过水平投影进行行切分，保证了水书单字的切分精度，然后利用聚类算法为水书单字添加标签，保证了聚类结果的准确性，在此基础上构建了水书单字数据集，有助于更好的对水书进行数字化管理，可作为许多依靠大量数据驱动研究的宝贵资源，推动了深度学习技术在水书识别、水书古籍机器翻译等任务中的应用，进一步提升了水书非物质文化遗产数字保护的效果。
实施例二
图3为本发明实施例二提供的一种水书单字的数据集构建方法的流程图，本实施例是在上述实施例的基础上进行细化，对水书图像进行列切分和行切分进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，如图3所示，该方法具体包括如下步骤：
S210、扫描水书图像并将水书图像二值化，水书图像中包括多个水书单字。
S220、对于水书图像中的每一列像素，将该列中全部不为0的像素值累加，得到水书图像中各列的像素累加值。
本实施例中，垂直投影的过程可以理解为分别对水书图像中各列中不为0的像素值累加。不为0的像素值可以理解为水书图像中文字区域的像素值。具体的，统计二值化水书图像中每一列的像素值。假设水书图像大小为H×W，背景区域像素值为0，文字区域像素值为255，将行像素Wi∈[1,W]所对应列中全部不为0像素值进行累加，得到垂直投影。
示例性的，图4为本发明实施例二提供的一种水书图像垂直投影结果的示意图，如图4所示，以一个水书图像为例，将水书图像中的每一列像素中全部不为0的像素值累加，得到水书图像中各列的像素累加值，即对水书图像进行垂直投影。
S230、根据水书图像中各列的像素累加值绘制直方图。
本实施例中，直方图可以理解为将各列的像素累加值用矩形块标绘的图表。利用直方图可以体现各列的像素累加值之间的关系和差距，矩形块越高，则像素累加值越大，相应列应是对应于文字区域。
S240、对直方图进行拟合，得到正弦拟合曲线。
本实施例中，拟合可以理解为把直方图中一系列的像素累加值，用一条光滑的曲线连接起来，拟合方法例如可以是最小二乘曲线拟合法或解析表达式逼近离散数据的拟合方法等。正弦拟合曲线中，越接近波峰的位置像素累加值越大，越接近波谷的位置像素累加值越小。
S250、检测正弦拟合曲线的波谷，将波谷对应的像素列位置作为切分点对水书图像进行列切分，得到的每个图像块作为一个水书文字列图像。
本实施例中，切分点可以理解为将水书图像进行列切分时的切分位置。
具体的，可以将正弦拟合曲线中波谷对应的像素列位置作为列切分的切分点，对水书图像进行列切分，得到的每个图像块作为一个水书文字列图像。在此基础上，可实现准确的列切分。
S260、对于水书文字列图像中的每一行像素，将该行中全部不为0的像素值累加，得到水书文字列图像中各行的像素累加值。
具体的，将水书文字列图像中的每一行像素中全部不为0的像素值累加，得到水书文字列图像中各行的像素累加值，即对水书文字列图像进行水平投影。
S270、将水书文字列图像中像素累加值大于第一像素阈值的像素行位置作为起始点，像素累加值小于第二像素阈值的像素行位置作为终止点，对水书文字列图像进行行切分，得到的每个字块中各包含一个水书单字。
本实施例中，第一像素阈值可以是根据一定规则或一定规律提前设定的像素阈值，例如可以是1。第二像素阈值可以是根据一定规则或一定规律提前设定的像素阈值，例如可以是15。其中，将第二像素阈值设置较小可以一定程度避免过度切分问题，过度切分问题可以理解为将一个水书单字切分为多个字块的问题。
S280、基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。
本发明实施例二提供的一种水书单字的数据集构建方法，在上述实施例的基础上进行细化，通过将水书图像中的每一列像素中全部不为0的像素值累加，得到水书图像中各列的像素累加值，再根据水书图像中各列的像素累加值绘制直方图，再对直方图进行拟合，得到正弦拟合曲线，再将正弦拟合曲线的波谷对应的像素列位置作为切分点对水书图像进行列切分，得到的每个图像块作为一个水书文字列图像，可以清楚区分水书图像的空白区域和文字区域，避免人工设定切分阈值环节，切分效果更好，从而提高了水书列图像的切分准确率和效率；通过将水书文字列图像中的每一行像素中全部不为0的像素值累加，得到水书文字列图像中各行的像素累加值，再将水书文字列图像中像素累加值大于第一像素阈值的像素行位置作为起始点，像素累加值小于第二像素阈值的像素行位置作为终止点，对水书文字列图像进行行切分，得到的每个字块中各包含一个水书单字，可以很清晰的区分水书列图像的每一个字块，从而提高每个字块的切分准确率和效率，避免漏切或错切，为高质量数据集的构建提供基础。
实施例三
图5为本发明实施例三提供的一种水书单字的数据集构建方法的流程图，本实施例是在上述实施例的基础上进行细化，对基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字进行具体描述。
在行切分过程中，可以对水书文字列图像进行一次或多次行切分，多次行切分也可以理解为循环行切分，即在每次行切分之后，如果检测到包含不只一个水书单字的字块则对该字块进行再次行切分。本实施例主要以多次行切分的情况为例进行说明。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，如图5所示，该方法具体包括如下步骤：
S310、扫描水书图像并将水书图像二值化，水书图像中包括多个水书单字。
S320、对水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据正弦拟合曲线对水书图像进行列切分，得到水书文字列图像。
S330、对于单个水书文字列图像，对水书文字列图像进行水平投影。
S340、基于水平投影结果对水书文字列图像进行第一次行切分。
示例性的，基于水平投影结果，根据起始点和终止点对水书文字列图像进行第一次行切分，得到多个字块。理想状态下，每个字块中包含一个水书单字，但考虑到水书在书写过程中，紧密程度并不均匀，部分水书单字书写较小、较密，就会导致基于水平投影进行行切分时，部分水书单字高度较小的多个水书单字被切分到一起，使字块中包含不只一个水书单字，对于这类字块可以进入循环行切分，以保证最终每个字块中只包含一个水书单字，便于对水书单字进行准确聚类。
S350、判断是否存在任意一个字块的高度大于第一设定阈值；若是，则执行S360，否则转至S380。
本实施例中，利用第一设定阈值判断是否存在包含不只一个水书单字的字块。如果本次切分得到的一个字块的高度大于第一设定阈值，则认为该字块包含不只一个水书单字，需要进行再次行切分；若各字块的高度均不大于第一设定阈值，则说明第一次行切分后就达到了每个字块中各包含一个水书单字的目的，可以结束行切分。
可选的，第一设定阈值根据第一次行切分的平均切分高度确定。
示例性的，第一设定阈值可以为第一次行切分的平均切分高度的1.5倍。如果一个字块的高度大于第一次行切分的平均切分高度的1.5倍，则对该字块进行再次行切分。
S360、若是，对高度大于第一设定阈值的字块进行再次水平投影并基于再次水平投影的结果对该字块进行再次行切分。
具体的，若判断出存在任意一个字块的高度大于第一设定阈值，即可理解为存在字块中包含多于一个水书单字的情况，例如，一个字块中包含2个水书单字，则对字块进行再次水平投影并基于再次水平投影的结果对字块进行再次行切分，以实现每个字块中各包含一个水书单字。
S370、判断全部字块的高度是否均小于或等于第一设定阈值；若是，则转至S380；否则，返回执行S360。
具体的，判断全部字块的高度是否均小于或等于第一设定阈值，即判断任一字块中是否都只包含了一个水书单字。若还存在字块大于第一设定阈值的情况，则返回S360，对该字块进行水平投影并基于水平投影结果对字块进行下一次行切分。
在一实施例中，对行切分的次数不做限定。在此基础上，如果第二次行切分后，仍存在字块的高度大于相应阈值(可以与第一次行切分对应的第一设定阈值相同，也可以根据其他规则确定，例如根据第二次行切分得到的字块的平均切分高度确定，具体可以是第二次行切分得到的字块的平均切分高度的1.5倍)，则可以继续进行第三次行切分，以此类推，直至某次切分后得到的所有字块的高度均在相应阈值之内。
S380、若是，得到的每个字块中各包含一个水书单字。
具体的，若判断出全部字块的高度均小于或等于第一设定阈值，则可理解为得到的每个字块中各包含一个水书单字。
S390、基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。
可选的，基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字，包括：
基于水平投影结果对水书文字列图像进行行切分；
若行切分得到的任意一个字块的高度小于第二设定阈值，则将字块与相邻字块合并；
在水书文字列图像中各字块的高度均大于或等于第二设定阈值的情况下，得到的每个字块中各包含一个水书单字；
其中，第二设定阈值根据第一次行切分的平均切分高度确定。
具体的，由于水书在书写过程中，部分水书单字书写较大、较稀，不够紧凑，例如以点开头，或者水书单字每一个笔画分布均匀且距离较远，就会导致基于水平投影进行行切分时，部分字块高度小于第二设定阈值，例如将点单独切开或者将一个水书单字的一部分错切为一个字块，造成过度切分，使部分字块高度小于第二设定阈值，例如字块小于第一次行切分的平均切分高度的0.5倍，此时，可以将该字块与相邻字块合并。其中相邻字块可以是字块上方的字块，也可以是字块下方的字块。将字块与相邻字块合并可以理解为按照距离最近原则同相邻字块进行合并，通常情况下，相邻字块中包含不完整水字，因此相邻字块的高度也较小。例如，对于过度切分的字块，若距离其最近的上方字块高度满足小于第一次行切分的平均切分高度的设定倍数(例如0.5倍或1倍等)，则将该字块与上方字块合并；若距离其最近的下方字块高度满足小于第一次行切分的平均切分高度的设定倍数，则将该字块与下方字块合并。
需要说明的是，如果对单个水书文字列图像涉及到多次循环行切分，则在其中的任意一次或多次行切分过程中，如果存在高度小于第二设定阈值的字块，都可以将其与相邻字块合并，也就是说，合并操作可以发生在任意一次行切分过程中。例如，可以在第一次行切分后对高度小于第二设定阈值的字块进行合并操作，可以在最后一次行切分完成后对高度小于第二设定阈值的字块进行合并操作，直至在水书文字列图像中各字块的高度均大于或等于第二设定阈值。在一实施例中，不对合并次数和合并位置做限定。
可选的，将字块与相邻字块合并，包括：将字块与距离最近且位于字块下方的相邻字块合并。
示例性的，图6为本发明实施例三提供的一种将字块与距离最近的下方相邻字块合并的示意图。具体的，在行切分过程中，绝大多数出现的过度切分情况为，水字字以点开头，或者字符每一个笔画分布均匀，如图6所示，将点单独切分开或者把图片中方框标识的位置错切。因此，过度切分出的字块高度小于平均切分高度0.5倍的字块，多数是水字的上半部分，将该字块以向下合并原则，与下方字块合并成正确水字。
示例性的，图7为本发明实施例三提供的一种水书单字切分可视化结果的示意图，如图7所示，将一个水书图像切分成了多个字块，每个字块中只包含一个水书单字。
示例性的，图8为本发明实施例三提供的一种水书图像聚类结果的示意图，如图8所示，基于聚类算法可以有效的将将水书图像中同一种类别水书单字准确聚类，水书单字中可有武曲字、年字、丑字或丁字等。
示例性的，图9为本发明实施例三提供的一种水书单字图像集合的示意图，如图9所示，基于上述任意实施例中所述方法可以有效的实现水书单字切分。
可选的，基于聚类算法对水书图像中的水书单字进行聚类，包括：
采用间隔统计量确定K均值聚类算法的质心数量；
按照所述质心数量，基于K均值聚类算法对所述水书图像中的水书单字进行聚类；
其中，所述K均值聚类算法的目标函数为：
xij为第i个水书单字维度j的特征值，uil是一个二进制变量，uil的值为1表示第i个水书单字分配给簇l，wj为维度j的特征值对应的权重，d(xij-zlj)为第i个水书单字的维度j的特征值与簇l的质心之间的距离，k为簇的数量，n为水书单字的数量，m为特征的维度数量，U表示簇分配矩阵，Z表示质心矩阵，W表示权重矩阵。
本实施例中，由于获取的水书单字是没有标签且多类别混杂在一起的，因此可以采用K-means无监督聚类算法对其进行分类。K-means聚类算法需要将输入转化成一维向量，如果直接对行切分得到的原始的水书单字图像进行聚类，在对水书单字图像向量进行展平处理时，会导致水书单字图像像素矩阵产生较大差异，严重影响聚类效果。对此，可首先采用ResNet50进行图像特征提取，获得水书单字的字符结构抽象特征，在此基础上进行聚类操作，可以显著提升分类效果。
K-means是一种基于欧式距离计算的无监督聚类算法，其根据目标与选定质心之间的欧式距离判定两个目标是否为同一簇。K-means算法步骤包括：1.选择初始化的k个样本作为初始聚类中心a＝a1,a2,…,ak；2.计算数据集中每个样本xi到k个聚类中心的欧式距离，将样本点分到欧氏距离最小的聚类中心所在簇中；3.将所有样本点分类完成后，对每一个类别重新计算聚类质心；4.重复以上2、3操作，直到达到最大迭代次数或聚类中心不再发生改变。
K-means算法的缺陷在于需要人工设定k值，即聚类类别，k值对分类结果有极大影响，该值与实际类别越接近，分类效果越佳。水书文字类别较多，很难人工选取较为准确的k值，因此，对K-means算法进行改进，采用间隔统计量方法计算类别数。
本实施例中，间隔统计量算法的基本思想如下，在样本所在的区域中按照均匀分布随机地产生和原始样本数一样多的随机样本，对随机产生的样本进行不同k值的聚类。使用类内样本点之间的欧式距离来表示聚类的紧支测度，公式为：其中Dk表示类内样本点之间的欧式距离，Ck表示k个簇，即k个聚类类别，nk表示簇内样本数，μk表示第k个簇内的样本均值。Dk越小，聚类的紧支性越好。间隔统计量定义为：Gap(K)＝E(log Dk)-logDk，其中E表示logDk的期望，间隔统计量可以看作是随机样本的损失和实际样本的损失之差，假设实际样本对应的最佳簇数是k，那么实际样本的损失应该相对较小，此时值应该达到最大。因此寻找最大值即可获得聚类的最佳簇数。
水书中存在大量的相似字，对该类文字聚类极容易产生错分现象，针对该问题，提出对不同特征维度赋予权重系数，突出对聚类贡献更大的特征，忽略噪音维度的影响，从而在聚类过程中，考虑到相似水字的结构、笔画等差异性特征。通过最大化任意两个不同簇中质心的距离，提高簇间散度，从而提高对于水书相似字的聚类效果。
在上述基础上，本实施例中构建的K均值聚类算法的目标函数为：
具体的，可以用X＝{x1,x2,…,xn}表示输入n个水书单字，Z表示质心矩阵，Z＝{Z1,Z2,…,Zk}分别表示k个簇的质心，U表示n×k维的簇分配矩阵，W表示权重矩阵。xij为第i个水书单字维度j的特征值，uil是一个二进制变量，uil的值为1表示第i个水书单字分配给簇l，wj为维度j的特征值对应的权重，d(xij-zlj)为第i个水书单字的维度j的特征值与簇l的质心之间的距离，m为特征的维度数量。
示例性的，采用上述任意实施例的方法可以构建包含异体字在内共156个类别水书单字图像，其中包括以下水字常见类别：数字类、抽象时间类、方位及空间类、十二地支类、十天干类、五行类、九星类、阴阳八卦类、二十八宿类或吉凶类等。由于水书中各类别字出现频率不同，为保证数据集各类别数量分布均匀，对数据较少的水字类别进行数据增广，最终可获得每个类别500张水书单字图像。表1为一种水书单字数据集部分类别的信息表。如表1所示，数据集由类别、字形、标签和所属类别构成。
表1一种水书单字数据集部分类别的信息表
/>
为了定量分析上述方法进行水书文字切分的效果，文字切分的召回率和准确率为：召回率＝正确切分字数/实际字数×100％；准确率＝正确切分字数/切分字数×100％。使用上述公式计算上述算法对水书进行单字切分的召回率和准确率分别为85.71％和88.39％。
本发明实施例三提供的一种水书单字的数据集构建方法，在上述实施例的基础上进行细化，本实施例通过对水书文字列图像进行一次或多次循环行切分或进行一次或多次循环合并，以使任一字块中只包含一个水书单字，解决了切分程度不足或过度切分的问题，提高了数据集构建的准确率，有助于更好的对水书单字进行数字化管理；通过聚类算法对水书图像中的水书单字进行聚类，通过采用间隔统计量算法合理确定质心数量，并提出对不同特征维度赋予权重系数，突出对聚类贡献更大的特征，忽略了噪音维度的影响，在聚类过程中，考虑到相似水书单字的结构、笔画等差异性特征，提高了水书相似字的聚类效果，从而构建高质量数据集。
实施例四
图10为本发明实施例四提供的一种水书单字识别方法的流程图，本实施例可适用于识别水书单字的情况。具体的，该水书单字识别方法可以由水书单字识别装置执行，该水书单字识别装置可以通过软件和/或硬件的方式实现，并集成在电子设备中。进一步的，电子设备包括但不限定于：台式计算机、笔记本电脑、智能手机以及服务器等电子设备。
如图10所示，该方法具体包括如下步骤：
S410、获取水书单字的数据集。
S420、根据数据集训练识别模型。
本实施例中，识别模型可以理解为基于深度学习技术根据水书单字数据集训练好的识别水书单字的模型。
S430、将待识别的水书单字输入至识别模型，得到识别结果。
其中，所述数据集基于上述任意实施例中所述的水书单字的数据集构建方法构建。
本发明实施例四提供的一种水书单字识别方法，通过获取水书单字的数据集，再根据数据集训练识别模型，最后将待识别的水书单字输入至识别模型，得到识别结果。通过上述技术方案，利用高质量的水书单字数据集训练识别模型，可以保证识别模型的性能，实现对水书单字的准确识别，推动了深度学习技术在水书识别、水书古籍机器翻译等任务中的应用，有助于人们对水书非物质文化进行学习和研究。
实施例五
图11为本发明实施例五提供的一种水书单字的数据集构建装置的结构示意图，该装置可以执行本发明实施例所提供的水书单字的数据集构建方法。本实施例提供的水书单字的数据集构建装置包括：
处理模块510，用于扫描水书图像并将水书图像二值化，水书图像中包括多个水书单字。
列切分模块520，用于对水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据正弦拟合曲线对所述水书图像进行列切分，得到水书文字列图像。
行切分模块530，用于对于单个水书文字列图像，对水书文字列图像进行水平投影，基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字。
分类模块540，用于基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。
本发明实施例五提供的一种水书单字的数据集构建装置，通过扫描水书图像并将水书图像二值化；对水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据正弦拟合曲线对水书图像进行列切分，得到水书文字列图像；对于单个所述水书文字列图像，对水书文字列图像进行水平投影，基于水平投影结果对水书文字列图像进行行切分，得到水书文字列图像中的水书单字；基于聚类算法对水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。通过上述技术方案，根据垂直投影的正弦拟合曲线对水书图像进行列切分、通过水平投影进行行切分，保证了水书单字的切分精度，然后利用聚类算法为水书单字添加标签，保证了聚类结果的准确性，在此基础上构建了水书单字数据集，有助于更好的对水书进行数字化管理，可作为许多依靠大量数据驱动研究的宝贵资源，推动了深度学习技术在水书识别、水书古籍机器翻译等任务中的应用，进一步提升了水书非物质文化遗产数字保护的效果。
可选的，列切分模块520具体包括：
列累加单元，用于对于水书图像中的每一列像素，将该列中全部不为0的像素值累加，得到水书图像中各列的像素累加值；
绘制单元，用于根据水书图像中各列的像素累加值绘制直方图；
拟合单元，用于对直方图进行拟合，得到正弦拟合曲线；
列切分单元，用于检测正弦拟合曲线的波谷，将波谷对应的像素列位置作为切分点对水书图像进行列切分，得到的每个图像块作为一个水书文字列图像。
可选的，行切分模块530具体包括：
行累加单元，用于对于水书文字列图像中的每一行像素，将该行中全部不为0的像素值累加，得到水书文字列图像中各行的像素累加值；
第一行切分单元，用于将水书文字列图像中像素累加值大于第一像素阈值的像素行位置作为起始点，像素累加值小于第二像素阈值的像素行位置作为终止点，对水书文字列图像进行行切分，得到的每个字块中各包含一个水书单字。
可选的，第一像素阈值为进入文字区域时对应的像素阈值，第二像素阈值为进入非文字区域时对应的像素阈值。
可选的，行切分模块530具体包括：
第二行切分单元，用于基于水平投影结果对水书文字列图像进行第一次行切分；
第三行切分单元，用于若第一次行切分得到的任意一个字块的高度大于第一设定阈值，则对字块进行再次水平投影并基于再次水平投影的结果对字块进行再次行切分；
第四行切分单元，用于重复执行上述再次行切分的操作，直至再次行切分得到的全部字块的高度均小于或等于第一设定阈值，得到的每个字块中各包含一个水书单字。
可选的，第一设定阈值根据第一次行切分的平均切分高度确定。
可选的，行切分模块530具体包括：
第五行切分单元，用于基于水平投影结果对水书文字列图像进行行切分；
第六行切分单元，用于若行切分得到的任意一个字块的高度小于第二设定阈值，则将字块与相邻字块合并；
第七行切分单元，用于在水书文字列图像中各字块的高度均大于或等于第二设定阈值的情况下，得到的每个字块中各包含一个水书单字。
可选的，第二设定阈值根据第一次行切分的平均切分高度确定。
可选的，字块与相邻字块合并，包括：
将字块与距离最近且位于字块下方的相邻字块合并。
可选的，分类模块540具体包括：
确定单元，用于采用间隔统计量确定K均值聚类算法的质心数量；
聚类单元，用于按照质心数量，基于K均值聚类算法对水书图像中的水书单字进行聚类。
可选的，K均值聚类算法的目标函数为：
xij为第i个水书单字维度j的特征值，uil是一个二进制变量，uil的值为1表示第i个水书单字分配给簇l，wj为维度j的特征值对应的权重，d(xij-zlj)为第i个水书单字的维度j的特征值与簇l的质心之间的距离，k为簇的数量，n为水书单字的数量，m为特征的维度数量，U表示簇分配矩阵，Z表示质心矩阵，W表示权重矩阵。
本发明实施例五提供的一种水书单字的数据集构建装置可以用于执行上述任意实施例提供的水书单字的数据集构建方法，具备相应的功能和有益效果。
实施例六
图12为本发明实施例六提供的一种水书单字识别装置的结构示意图，该装置可以执行本发明实施例所提供的水书单字识别方法。本实施例提供的水书单字识别装置包括：
获取模块610，用于获取水书单字的数据集。
训练模块620，用于根据数据集训练识别模型。
识别模块630，用于将待识别的水书单字输入至识别模型，得到识别结果。
可选的，所述数据集基于上述任意实施例中任一所述的水书单字的数据集构建方法构建。
本发明实施例六提供的一种水书单字识别装置，通过获取水书单字的数据集，再根据数据集训练识别模型，最后将待识别的水书单字输入至识别模型，得到识别结果。通过上述技术方案，利用高质量的数据集训练可靠的识别模型，实现对水书单字的准确识别，推动了深度学习技术在水书识别、水书古籍机器翻译等任务中的应用，有助于人们对水书非物质文化进行学习和研究。
本发明实施例六提供的水书单字识别装置可以用于执行上述任意实施例提供的水书单字识别方法，具备相应的功能和有益效果。
实施例七
图13为本发明实施例七提供的一种电子设备的结构示意图。图13示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备10还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、用户设备、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图13所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络、无线网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如水书单字的数据集构建方法或水书单字识别方法。
在一些实施例中，水书单字的数据集构建方法和水书单字识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行水书单字的数据集构建方法或水书单字识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备10上实施此处描述的系统和技术，该电子设备10具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给通信节点10。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (13)

1.一种水书单字的数据集构建方法，其特征在于，包括：
扫描水书图像并将所述水书图像二值化，所述水书图像中包括多个水书单字；
对所述水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据所述正弦拟合曲线对所述水书图像进行列切分，得到水书文字列图像；
对于单个所述水书文字列图像，对所述水书文字列图像进行水平投影，基于水平投影结果对所述水书文字列图像进行行切分，得到所述水书文字列图像中的水书单字；
基于聚类算法对所述水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。
2.根据权利要求1所述的方法，其特征在于，对所述水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，包括：
对于所述水书图像中的每一列像素，将该列中全部不为0的像素值累加，得到所述水书图像中各列的像素累加值；
根据所述水书图像中各列的像素累加值绘制直方图；
对所述直方图进行拟合，得到正弦拟合曲线。
3.根据权利要求2所述的方法，其特征在于，根据所述正弦拟合曲线对所述水书图像进行列切分，得到水书文字列图像，包括：
检测所述正弦拟合曲线的波谷，将所述波谷对应的像素列位置作为切分点对所述水书图像进行列切分，得到的每个图像块作为一个水书文字列图像。
4.根据权利要求1所述的方法，其特征在于，对所述水书文字列图像进行水平投影，基于水平投影结果对所述水书文字列图像进行行切分，得到所述水书文字列图像中的水书单字，包括：
对于所述水书文字列图像中的每一行像素，将该行中全部不为0的像素值累加，得到所述水书文字列图像中各行的像素累加值；
将所述水书文字列图像中像素累加值大于第一像素阈值的像素行位置作为起始点，像素累加值小于第二像素阈值的像素行位置作为终止点，对所述水书文字列图像进行行切分，得到的每个字块中各包含一个水书单字；
其中，所述第一像素阈值为进入文字区域时对应的像素阈值，所述第二像素阈值为进入非文字区域时对应的像素阈值。
5.根据权利要求1所述的方法，其特征在于，基于水平投影结果对所述水书文字列图像进行行切分，得到所述水书文字列图像中的水书单字，包括：
基于水平投影结果对所述水书文字列图像进行第一次行切分；
若第一次行切分得到的任意一个字块的高度大于第一设定阈值，则对所述字块进行再次水平投影并基于再次水平投影的结果对所述字块进行再次行切分；
重复执行上述再次行切分的操作，直至再次行切分得到的全部字块的高度均小于或等于所述第一设定阈值，得到的每个字块中各包含一个水书单字；
其中，所述第一设定阈值根据第一次行切分的平均切分高度确定。
6.根据权利要求1所述的方法，其特征在于，基于水平投影结果对所述水书文字列图像进行行切分，得到所述水书文字列图像中的水书单字，包括：
基于水平投影结果对所述水书文字列图像进行行切分；
若行切分得到的任意一个字块的高度小于第二设定阈值，则将所述字块与相邻字块合并；
在所述水书文字列图像中各字块的高度均大于或等于第二设定阈值的情况下，得到的每个字块中各包含一个水书单字；
其中，所述第二设定阈值根据第一次行切分的平均切分高度确定。
7.根据权利要求6所述的方法，其特征在于，将所述字块与相邻字块合并，包括：
将所述字块与距离最近且位于所述字块下方的相邻字块合并。
8.根据权利要求1所述的方法，其特征在于，基于聚类算法对所述水书图像中的水书单字进行聚类，包括：
采用间隔统计量确定K均值聚类算法的质心数量；
按照所述质心数量，基于K均值聚类算法对所述水书图像中的水书单字进行聚类；
其中，所述K均值聚类算法的目标函数为：
xij为第i个水书单字维度j的特征值，uil是一个二进制变量，uil的值为1表示第i个水书单字分配给簇l，wj为维度j的特征值对应的权重，d(xij-zlj)为第i个水书单字的维度j的特征值与簇l的质心之间的距离，k为簇的数量，n为水书单字的数量，m为特征的维度数量，U表示簇分配矩阵，Z表示质心矩阵，W表示权重矩阵。
9.一种水书单字识别方法，其特征在于，包括：
获取水书单字的数据集；
根据所述数据集训练识别模型；
将待识别的水书单字输入至所述识别模型，得到识别结果；
其中，所述数据集基于权利要求1-8中任一所述的水书单字的数据集构建方法构建。
10.一种水书单字的数据集构建装置，其特征在于，包括：
处理模块，用于扫描水书图像并将所述水书图像二值化，所述水书图像中包括多个水书单字；
列切分模块，用于对所述水书图像进行垂直投影并根据垂直投影结果得到正弦拟合曲线，根据所述正弦拟合曲线对所述水书图像进行列切分，得到水书文字列图像；
行切分模块，用于对于单个所述水书文字列图像，对所述水书文字列图像进行水平投影，基于水平投影结果对所述水书文字列图像进行行切分，得到所述水书文字列图像中的水书单字；
分类模块，用于基于聚类算法对所述水书图像中的水书单字进行聚类并为每个类别添加标签，得到水书单字的数据集。
11.一种水书单字识别装置，其特征在于，包括：
获取模块，用于获取水书单字的数据集；
训练模块，用于根据所述数据集训练识别模型；
识别模块，用于将待识别的水书单字输入至所述识别模型，得到识别结果；
其中，所述数据集基于权利要求1-8中任一所述的水书单字的数据集构建方法构建。
12.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8中任一所述的水书单字的数据集构建方法或如权利要求9所述的水书单字识别方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的水书单字的数据集构建方法或如权利要求9所述的水书单字识别方法。
CN202310653537.7A 2023-06-02 2023-06-02 水书单字的数据集构建、识别方法、装置、设备及介质 Pending CN116682128A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310653537.7A CN116682128A (zh) 2023-06-02 2023-06-02 水书单字的数据集构建、识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310653537.7A CN116682128A (zh) 2023-06-02 2023-06-02 水书单字的数据集构建、识别方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116682128A true CN116682128A (zh) 2023-09-01

Family

ID=87783057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310653537.7A Pending CN116682128A (zh) 2023-06-02 2023-06-02 水书单字的数据集构建、识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116682128A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020201A (zh) * 2019-03-26 2019-07-16 中国科学院软件研究所 一种基于用户画像聚类的用户类型自动化标注系统
CN111310868A (zh) * 2020-03-13 2020-06-19 厦门大学 一种基于卷积神经网络的水书手写文字识别方法
CN112464005A (zh) * 2020-11-26 2021-03-09 大连理工大学 一种深度强化图像聚类方法
CN112819054A (zh) * 2021-01-25 2021-05-18 中国联合网络通信集团有限公司 一种切片模板配置方法及装置
CN114545158A (zh) * 2020-11-11 2022-05-27 空间私人有限公司 自动分离局部放电信号和噪声信号
CN114876731A (zh) * 2022-05-17 2022-08-09 润电能源科学技术有限公司 风电场低效运行风电机组排查方法、系统、设备和介质
CN115865387A (zh) * 2021-12-02 2023-03-28 南京信息职业技术学院 一种基于K-means聚类的主被动式的网络终端发现识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110020201A (zh) * 2019-03-26 2019-07-16 中国科学院软件研究所 一种基于用户画像聚类的用户类型自动化标注系统
CN111310868A (zh) * 2020-03-13 2020-06-19 厦门大学 一种基于卷积神经网络的水书手写文字识别方法
CN114545158A (zh) * 2020-11-11 2022-05-27 空间私人有限公司 自动分离局部放电信号和噪声信号
CN112464005A (zh) * 2020-11-26 2021-03-09 大连理工大学 一种深度强化图像聚类方法
CN112819054A (zh) * 2021-01-25 2021-05-18 中国联合网络通信集团有限公司 一种切片模板配置方法及装置
CN115865387A (zh) * 2021-12-02 2023-03-28 南京信息职业技术学院 一种基于K-means聚类的主被动式的网络终端发现识别方法
CN114876731A (zh) * 2022-05-17 2022-08-09 润电能源科学技术有限公司 风电场低效运行风电机组排查方法、系统、设备和介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
夏春磊: "基于深度学习的水书图像识别算法研究与应用", 《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》, no. 12, 15 December 2019 (2019-12-15), pages 26 - 41 *
张国锋: "水书古籍的字切分方法", 《黔南民族师范学院学报》, vol. 36, no. 2, 31 March 2016 (2016-03-31), pages 40 - 44 *
李长云等: "《智能感知技术及在电气工程中的应用》", 31 May 2017, 电子科技大学出版社, pages: 211 - 212 *
杨露菁等: "《智能图像处理及应用》", 31 March 2019, 中国铁道出版社, pages: 155 - 156 *
赵荣椿等: "《数字图像处理》", 30 April 2016, 西北工业大学出版社, pages: 337 - 338 *

Similar Documents

Publication Publication Date Title
US9792520B2 (en) System and method for transcribing handwritten records using word grouping with assigned centroids
Louloudis et al. Text line and word segmentation of handwritten documents
CN108805128B (zh) 一种字符分割方法和装置
Fanany Handwriting recognition on form document using convolutional neural network and support vector machines (CNN-SVM)
US10373022B1 (en) Text image processing using stroke-aware max-min pooling for OCR system employing artificial neural network
CN111444907A (zh) 文字识别的方法、装置、设备及存储介质
CN111125469A (zh) 一种社交网络的用户聚类方法、装置以及计算机设备
Richarz et al. Towards semi-supervised transcription of handwritten historical weather reports
Chen et al. Efficient text localization in born-digital images by local contrast-based segmentation
CN113723410B (zh) 一种数码管数字识别方法及装置
CN111832497B (zh) 一种基于几何特征的文本检测后处理方法
Aravinda et al. Template matching method for Kannada handwritten recognition based on correlation analysis
CN113468979A (zh) 文本行语种识别方法、装置、电子设备
Yin et al. Handwritten text line extraction based on minimum spanning tree clustering
CN111611883A (zh) 基于最小单元格聚类的表格版面分析方法、系统及设备
CN116682128A (zh) 水书单字的数据集构建、识别方法、装置、设备及介质
CN109101973B (zh) 文字识别方法、电子设备、存储介质
CN111325199B (zh) 一种文字倾斜角度检测方法及装置
Jia et al. Grayscale-projection based optimal character segmentation for camera-captured faint text recognition
CN114511862A (zh) 表格识别方法、装置及电子设备
CN114758340A (zh) 物流地址智能识别方法、装置、设备及存储介质
CN113468977A (zh) 文本行语种识别方法、装置、电子设备
CN112580452A (zh) 故障树的处理方法、装置、计算机可读存储介质以及处理器
CN1641681A (zh) 具有摄像装置的移动终端中快速输入字符信息的方法
CN107301429B (zh) 一种基于局部位置值得分的车牌相似字符识别方法

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