CN1279451A - 数字化字体轮廓的三角化向量趋近方法 - Google Patents

Abstract

本发明提供一种数字化字体轮廓的三角化向量趋近方法,其中揭示了一种在数字化向量字体的制作过程中,根据扫描原始字体所获得的像素阵列,进一步对若干像素所作的直线向量趋近处理技术;本发明所揭示的技术是自己经修补过而无轮廓离散点的像素阵列之中取得描述字体轮廓的向量节点,利用本发明所提供的三角判断手段,以其中某一向量节点为起点,取连续的三个向量节点为单位采用逐点判断的方式,在一预设的最大误差容许值内作直线向量的趋近处理,藉此提供一种可使字体轮廓描述数据减少,且可保持字体精确度的字体轮廓处理方法。

Description

数字化字体轮廓的三角化向量趋近方法

本发明涉及一种数字化字体轮廓的三角化向量趋向方法，尤其涉及一种适用于在对像素阵列进行向量化处理的技术桁领域中，利用一种三角判断手段对构成字体轮廓的向量节点作进一步直线趋近处理的方法。

利用向量化的技术将点矩阵字形转换为向量字形或是外框字形的技术早已为人所熟知，其中向量字形最早是为了解决点矩阵字形放大之后有锯齿的问题，它是藉由指定某一线段的两端点坐标的方式作为向量的表示法，但是由于这种字形大多是以直线组成，因此在某些文字上可能无法达到完美，所以还可进一步的以外框字形予以克服。外框字形是利用数学公式来记录文字的外框，以便在文字放大之后仍能保持美观的外形，这种外框字形和单纯向量字形的最大不同，在于外框字形使用了三次以上的曲线方程式来记录文字(特别是曲线的部分)，而贝氏曲线(Bezier Curve)则是最常被利用的一种曲线方程式，这种字形的优点就是可以保留原始字体中弧形笔划的原貌。

贝氏曲线是利用数个控制点来记录一段曲线的特性。例如：贝氏三次曲线利用四个控制点来记录一个三次方的曲线，四次曲线则需要用到五个控制点来记录一个四次方的曲线，以此类推。因此一个外框字形可能由数十个或上百个贝氏曲线所组成，可想而知在处理或显示庞大的文件内容时，字形数据的大小亦将会影响其速度，所以对于向量字形或外框字形的制作而言，最佳的情形是在保护字形精度的情况下，如何获得较少的特征点数(含控制点)，这样可使字体轮廓描述数据最少，相应的显示速度也会较快。

传统的向量字形或是外框字形的制作方式，是将字体轮廓，通过一定的技术处理，最终用直线向量或贝氏曲线表示，对于直线向量的表示只需首尾两点(A，B)的坐标值(见图1)。对贝氏曲线的描述，如图2所示为二次方贝氏曲线，需以3个控制点(A，B，C)的坐标表示颢六，一般则需3～4个控制点的坐标(如图3所示为三次方贝氏曲线需以4个控制点(A，B，C，D)的坐标表示)。

以往在对字体的像素阵列作向量化处理的技术中，首先是取得原始字体的扫描点阵图(即像素阵列)，再做直线向量趋近和贝氏曲线趋近比较，选择趋近长度较长者(即包含向量节点较多者)，作为字体中若干线廓点的数学描述，以此循环，直至整个轮廓处理完毕。

其中在直线向量的最佳化趋近中，会因为不同的原始字体，以及扫描解析度的不同，导致种种复杂的字形边界线条，而使得在直线向量趋处理中，面临许多几乎无序无规则的趋近判断特例，通常的解决办法是将所有特例情况在趋近中采用枚举的方式以程序或人工来逐一判断。这样做会因为穷尽特例的判断式而影响趋近精度度，同时，当更换一套字形时，也需要更换一套枚举特例的判断式，并且还要重新调整和此类特例判式相关的误差极限值。而另一方面，常常会出现通过调整误差极限值，使得某一些字形的进线向量趋近较好，而另一些字形则赶近较差的问题。因此经常会进行人工干预的调整趋近。并且，由于大量枚举判断式的加入，势必会相应地增加了趋近处理过程中无法向量化处理的程度，除了增加人工干预的频繁度，也无法实现大幅度的自动化处理。

另一方面，由于初始直线向量趋近结果的误差，将会导致后续进行贝氏曲线趋近处理时因为误差累加而放大，这一步影响字体制作时的精确度。

本发明的主要目的是提供一种在各种字形的直线向量趋近处理过程中，均能有效适用的一种直线趋近判断处理手段。

根据本发明所揭示的技术，是利用本发明所提供的一种三角(三点)判断手段，在描述字体轮廓的有序向量节点群组中，取其中某一向量节点(VP)为起点，取连续且总数为三个的向量节点为单位采用逐点判断的方式，在一预设的最大误差容许值内开始作逐点的直线向量趋近处理，在这连续的三个向量节点中以首尾两个节点的直线连线为参考基准，然后以居中的向量节点至此一直线连线的最近垂直距离为其误差，若是此一误差小于预设的最大误差容许值，则继续往后推进(递增)一个向量节点作为进一步判断的末尾向量节点，而由前一次三个向量节点中位于尾端的向量节点递补为居中节点，再依同一判式与相同的最大误差容许值作一比较，依此类推，直至某一单元的误差大于最大误差容许值，便以最末一次判断单元中的第一个向量节点为直线趋近向量的起点，而以居中的向量节点为同一直线趋近向量的终点，生成一条直线趋近向量，如此对接续尚未完成直线趋近的其余向量节点逐点作直线趋近处理，直至字形轮廓中的每一个向量节点均完成判断，便可以制作出一个精确度佳，甚至有利于后续可能进行的贝氏曲线趋近处理的向量字形轮廓。

具体而言，本发明所揭示的判断处理手段，可通过一数学公式，以及对通过此一数学公式所得到的结果作一比较而加以实现；亦即在每一次利用三角判断手段作直线向量趋近处理时，将三个彼此连线的向量节点视为一三角形，以首尾两个向量节点的连线视为此三角形的长边，居中的向量节点至此一长边的最短垂直距离(即为此一三角形的高)视为误差，藉由计算误差是否大于一预设的最大误差容许值，判断此三个向量节点是否可以视为近似一直线，依此逐点判断而取得较佳的直线趋近。

有关本发明的详细技术内容及较佳实施例，配合附图说明如下：

图1为直线向量及其向量节点的图例。

图2为表示二次方贝氏曲线及其控制点的图例。

图3为表示三次方贝氏曲线及其控制点的图例。

图4为本发明的硬件功能方块图。

图5为产生一数字化字体轮廓的处理步骤流程图。

图6为一扫描自一原始字体的像素阵列图。

图7为本发明进行像素阵列的离散像素填补的范例图示。

图8为本发明进行像素阵列的离散像素删除的范例图示。

图9为8方向向量图。

图10为本发明的三角判断手段的判断图解。

图11为利用本发明的三角判断手段进行直线趋近处理的步骤流程图。

图12为本发明的三角判断手段的实施例，显示以构成字体轮廓的数个向量节点为例，逐点作三角判断的结果。

图13为本发明对多个向量节点逐一进行三角判断的实施例图解。

有关后续说明中的名词意义先说明如下：

原始字体：为存在于纸张表面尚未成为数字电信号的印刷文字；

向量轮廓：经过向量化处理的数字化文字轮廓；

轮廓向量：多个首尾相连的轮廓向量所得成的封闭环形，就是所称的向量轮廓；

向量节点：即为轮廓向量的首尾两点。

本发明所揭示的数字化字体轮廓的处理方法是通过图4所示的硬件体的运作而完成，其包括有：

影像撷取单元10，用以扫描一原始字体的影像，并且转换为数字的像素数据，而此一影像撷取单元10可以是例如：平板式扫描仪、馈纸式扫描仪、掌上型扫描仪或是其他功能类似的装置；

存储模组20，用以储存像素数据以及字体轮廓的数据；

逻辑处理单元30，可以存取存储模组20中的像素数据，并根据本发明所揭示的数字化字体轮廓的处理步骤，对像素数据同步作直线与曲线趋近处理瑷，并且将处理完成的字体轮廓数据储存至存储模组20。

请参阅图5，图5为产生一数字化字体轮廓的处理步骤流程图，其中所揭示的处理步骤包括有：

1、利用一影像撷取单元10取得原始字体的像素数据，并储存于存储模组20成为一像素阵列(如图6所示)；

2、利用逻辑处理单元30对前述的像素阵列进行离散像素的润化修补处理；

3、利用逻辑处理单元30对修补处理完成的像素阵列进行办廓向量的向量节点的提取，并存储于存储模组20，成为一描述字体的轮廓的轮廓向量，即其向量节点群组；

4、利用逻辑处理单元30，根据一种三角判断手段，在描述字体轮廓的向量节点群组中，采用逐点判断的方式，进行直线向量趋近处理，并将处理结果暂存于存储模组20，成为一临时直线趋近向量；

5、利用逻辑处理单元30，对相同的向量节点进行贝氏曲线趋近处理，并将处理结果暂存于存储模组20，成为一临时曲线趋近向量；

6、判断临时直线趋近向量的趟近直线长度是否大于临时曲线趋近向量的趋近曲线长度，若为是，则把临时直线趋近向量储存于存储模组20，成为字体轮廓的数据，若为否，则把临时曲线趋近向量存储于存储模组20，成为字体轮廓的数据；

7、判断是否所有的向量节点均已完成向量趋近处理？若为是，则结束数字化字体轮廓产生流程，若为否，则继续以下一个尚未进行趋近处理的向量节点为待处理向量节点群组中的起起向量节点，然后返回至步骤4。

如图6所示，，以128*128个像素所组成的“刀”字为例，像素阵列中的每一个像素P均有一相应的坐标值，被记录于存储模组20中，如：像素Pn(X，Y)。其中n代表像素的序号，X代表X轴坐标值，Y代表Y轴坐标值，而这些就是后续处理的数据来源。

为了在后续生成字体轮廓的向量节点的搜索过程中，不至于形成断点(搜索的无限循环即为断点)，必须将像素阵列中一些无关的离散“像素”删除，同时将像素阵列中一些离散的“空洞”加以填补。

而在前述的步骤2中，是根据以下的原则对像素阵列中的离散点进行修补，分别为：

(1)填满原则

对像素阵列中的每一个像素进行判断，若该像素为空白，而在与之相邻的8个像素中，为黑的像素点数大于5个，而且在此一像素的左右和上下的相邻像素中存在有黑色像素时(如图7左图所示)，则将此一空白的像素位置实行填补，而成为一个黑色的像素，图7中右图所示即为填满之后的情形。

(2)删除原则

主要是删除离散像素，删除的判断方式是对像素阵列中的每一个像素进行判断，若该像素为黑，而在与之相邻的8个像素均为空白，则删除此一图责(其删除前与删除之后的情形分别如图8中左、右两图所示)。

藉由前述的修补，则可以在以后的字体轮廓边界搜索中不至于形成搜索断点，况且上述这些像素本身亦不尽合理。

在前述步骤3中，对修补完成的像素阵列，进行字体轮廓向量节点的提取方式，是对像素阵列中的每一个像素进行判断，并且以某一个像素为中心，依顺时针方向做8方向的轮廓边界扫描(如图9所示)。即可得到一个包含有8种不方向的向量群组，而每一个轮廓向量均是由首尾两个向量节点VP所组成，其向量表示式如下：

VP1[X1，Y1]，VP2[X2，Y2]

VP2[X2，Y2]，VP3[X3，Y3]

VP3[X3，Y3]，VP4[X4，Y4]

………

VPn-1[Xn-1，Yn-1]，VPn[Xn，Yn]

其中Xn，Yn代表第n个向量节点VPn在X轴与Y轴的坐标值。

所谓向量轮廓的边界的判断，必须先找出构成轮廓向量的向量节点的像素，若是某一像素周围相邻的8个像素中存在有空白像素，则此一像素即有可能成为轮廓向量中的向量节点。若采用顺时钟方向对像素阵列中的每一个像素进行判断，则是从左上角开始，第一个属于轮廓向量的向量节点就是左边邻近的像素为空白或是上方邻近的像素为空白的黑色像素。按照8方向算法搜索下一个属于轮廓向量的向量节点以形成边界，搜索到最后将回到原来的出发点，形成一条闭合的连线。

在跟踪过程中，不断判别目前的轮廓向量的起始向量节点(实际上就是某一像素)与下一个属于向量轮廓的新像素的连线方向是否发生变化，若不变化，表示仍属同一向量(例如图6中的像素P1，P2-P5仍在同一直线上，也就是说像素P1至P2的连线方向，与像素P2至P3的连线方向直到像素P4至P5的连线方向仍未改变，故像素P1～P5仍属同一向量，而此一向量的首尾两点的坐标值便是像素P1，P5的坐标值)；若是发生变化(例如图6中的像素P5至P6的连线方向，与像素P1至P5的连线方向不同)，则表示前一轮廓向量结束，新的轮廓向量开始。

在跟踪过程中还应为已跟踪过的像素设置标志，以避免重复判断。这些轮廓向量彼此有序的首尾相连所构成的封闭环形，就是字体的向量化轮廓，而所有位于轮廓向量两端的节点就是所谓的向量节点(VP)。而在后续所有的直线向量趋近和贝氏曲*线趋近处理步骤，便是以上述的向量节点为基础而完成的。

在前述步骤4中所述的三角判断手段，可以由图10的图例说明了解。如图中所示，在作直线趋近处理时的主要目的，就是要对前述步骤3所完成的向量轮廓再作进一步的处理，以获得一个数据量小又仍能保持字形精度的字形数据。根据本发明所揭示的技术，是以相邻的三个向量节点(P1，VPN，VPN+1)为基础，将此三个向量节点(VP1，VPN，VPN+1)彼此边线成为三角形，以首尾两个向量节点(VP1，VPN+1)的连线视为此一三角形的长边，居中的向量节点(VPN）至此一长边的最短垂直距离(即为此一三角形的高)视为误差h，藉由计算误差h是否大于一预设的最大误差容许值(设为ξmax)，作为判断这三个向量节点(VP1，VPN，VPV+1)是否可以视为近似一直线的标准，若是这三个向量节点可趋近为一直线，则再以此种三角判断手段，向后推进一个向量节点，以相同的方式判断是否可以趋近成一直线，直到在某个三角形(VP1，VPN，VPN+1)中的趋近误差h＞ξmax，则此逐点推进的三角判断过程结束。如此可以获得一个较佳的直线趋近向量，其起始的向量节点为VP1，而其尾端的向量节点为VPN，其直线向量长度(即趋近效率)为N-1，故此一趋近的直线向量描述为向量[VP1，VPN]。

假设图10中的三个向量节点(V1P1，VPN，VPN+1)的坐标值(可身像素阵列的记录中取得)分别为：

VP1(x1，y1)；

VPN(x2，y2)；以及

VPN+1(x3，y3)。

则可套用下列计算公式计算出误差值h，公式如下：

h=2A／L

其中：A为三角形VP1，VPV，VPN+1的面积。

Lyl三角形长边的长度。

A=X1×(Y2-Y3)-X2×(y1-Y3)+X3×(Y1-Y2)；

L=sqrt((X1-X3)×(X1-X3)+(Y1-Y3)×(Y1-Y3))；

当然，以上所举的例子是以X-Y坐标系统作为阅览室各个向量节点的坐标位置的标准，但并无此限定，其他只要可以决定出向量节点之的置的方法亦可以实现(如相对坐标植、球坐标或是极坐标值均可)，唯一不同的则是计算式而已。

虽然，当h＜ξmax时，这里ξmax为一个和原始字体扫描的解析度相关的最大直线趋近误差。例如：由于扫描解析率的误差，而使扫描字体线条带来的扫描解析度误差平均为0．5个栅格大小。为了要保持字形线条精度，所以当解析度例如为128*128像素时，则最大误差容许值ξmax的较佳范围为：

0．5个像素＜ξmax＜1．0个像素(此为一例举值)

关于本发明以三角判断手段进行直线趋近处理的详细步骤流程如图11所示，包括有：

1、设一最大误差容许值=ξmax，起始向量节点序号S=1，并记录于存储模组20；

2、设一相邻向量节点N=S+1，并记录在存储模组20中；

3、取得相邻的三个向量节点分别为VPS，VPN，VPN+1的坐标值分别为(X1，Y1)，(X2，Y2)与(X3，Y3)；

4、利用逻辑处理单元30，根据下列公式计算取得误差值h：h=A／L；其中A=X1×(Y2-Y3)-X2×(Y1-Y3)+X3×(Y1-Y2)；L=sqrt((X1-X3)×(X1-X3)+(Y1-Y3)×(Y1-Y3))。

5、判断误差值h是否大于最大误差容许值ξmax，若为是，则进行下一步骤，若为否，则设相邻向量节点序号N=N+1，并返回至步骤3；

6、储存向量[Vps，VPN]至存储模组20，成为一临时直线趋近向量；以及

7、判断所有向量节点是否都已完成？若为是，则结束，若为否，则设起始向量节点序号S=N+1，然后返回至步骤2。

再请参阅图12，图12为本发明利用三角判断手段作直线趋近处理的具体实施例，该图中所示为一扫描原始字体所获得的像素阵列，包含有：向量节点VP1～VP14，而再进一步利用三角判断手段作直线趋近可以获得两条直线向量分为向量[VP1，VP9]，向量[VP10，VP14]，而这种直线趋近处理的结果显然合理亦可达到简化字体描述数据的功效。

最后请参阅图13，根据本发明的技术，假设有一组依序排列的向量节点分别为：VP1，VP2，VP3，VP4，VP5，VP6；则在作三角化直线向量趋近判断时，VP1为起始向量节点，居中的向量节点为VP2，末尾向量节点为VP3，则先判断向量节点VP1，VP2，VP3所现成的三角形，如果此三角形的高h123＜ξmax，则将当前的居中向量节点向后顺延一个为VP3，再以向量节点VP4为当前的末尾向量节点，继续判断向量节点VP1，VP3，VP4所组成的三角形的高h134是否＜ξmax，如此不断地判断新一个三角形的高h是否＜ξmax，直到在某一个三角形(VP1，VPN，VPN+1)中的高h＞ξmax，则此逐点判断的过程暂时结束，并以向量节点VP1，VPN+1为直线趋近向量的首尾两端点，生成一较佳的直线趋近向量即为所求。

将所有的向量趋近问题转化为字体轮廓的向量节点的趋近问题，将趋近问题简化。然后、基于本发明的三角判断手段，利用逐步推进的直线向量趋近原则，可获得基于某一个误差值的趋近轮廓长度。从而令配合贝氏曲线趋近，以获得高精度的趋近整体结果，提供了较好的量化数据基础。

Claims (17)

1、一种数字化字体轮廓的三角化向量趋近方法，根据一影像撷取单元扫描原始字体所获得的像素阵列数据，对所述像素阵列中构成所述字形的轮廓向量的多个有序向量节点，进一步作直线趋近处理，以获得一直线趋近向量的方法，包括有下列步骤：

(1)设一最大误差容许值=ξmax，起始向量节点序号S=1，并记录于一存储模组中；

(2)设一相邻向量节点序号N=S+1，并记录于存储模组中；

(3)取得相邻的三个所述向量节点，分别为PS，PN，PN+1的坐标位置；

(4)以所述三个向量节点中首尾两者的连线为基准，利用一逻辑处理单元，根据所述三个向量节点的坐标位置，计算取得居中的所述向量节点至所述连线的最短垂直距离，并把所述最短垂直距离存储在所述存储模组中，成为一误差值h；

(5)判断所述误差值h是否大于所述最大误差容许值ξmax，若为是，则进行下一步骤，若为否，别重设该相邻向量节点序号N=N+1，并返回步骤3；

(6)把一向量(PS，PN)存储于所述存储模组中，成为一临时直线趋近向量：以及

(7)判断所有所述向量节点是否都已完成？若为是，则结束，若为否，则设所述超始向量节点序号S=N+1，然后返回至步骤2。

2、如权利要求1所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述最大误差容许值ξmax在所述像素阵列为128^*128像素时，是以：0．5个像素＜ξmax＜1．0个像素为较佳。

3、如权利要求1所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述向量节点的坐标位置，分别为相应的所述像素的坐标值(X1，Y1)，(X2，Y2)与(X3，Y3)。

4、如权利要求1所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述向量节点的坐标位置由相对坐标值所决定。

5、如权利要求1所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述误差值h是根据下列公式计算取得：误差值h=2A／L，其中A为该三个向量节点连线而成的三角形面积，而L则为该首尾两个向量节点的连线长度。

6、如权利要求5所述数字化字体轮廓的三角化向量趋近方法，其特征在于，所述面积A=X1×(Y2-Y3)-X2×(Y1-Y3)+X3×(Y1-Y2)。

7、如权利要求5所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述L=sqrt((X1-X3)×(X1-X3)+(Y1-Y3)×(Y1-Y3))。

8、一种数字化字体轮廓的三角化向量趋近方法，用于构成字体的像素阵列进行向量化处理的方法，包括下列步骤：

(1)利用一影像撷取单元取得一原始字体的像素数据，并储存于一存储模组中，成为一像素阵列；

(2)利用一逻辑处理单元对所述像素阵列所含的像素进行离散点的注化修补处理；

(3)利用所述逻辑处理单元对所述修补处理完成的像素障阵列进行轮廓向量的向量节点的提取，并能存储于所述存储模组中，成为一描述所述字形的向量轮廓的轮廓向量，即其向量节点群组；

(4)利用所述逻辑处理单元，根据三角判断手段，在所述向量节点群组中，采用逐点判断的方式，进行直线向量趋近处理，并将处理结果暂存于所述存储模组中，成为一临时直线趋近向量；

(5)利用所述逻辑处理单元，对相同的所述向量节点进行贝氏曲线趋近处理，并将处理结果暂存于所述存储模组中，成为一临时曲线趋近向量；

(6)判断所述临时直线趋近向量的趋近直线长度是否大于所述临时曲线趋近向量的趋近曲线长度，若为是，则把所述临时直线趋近向量存储于所述存储模组中，成为所述字体轮廓的数据，若为否，则把所述临时曲线趋近向量存储于所述存储模组中，成为所述字体轮廓的数据；以及

(7)判断是否所有的所述向量节点均已完成向量趋近处理？若为是，则结束数字化字轮廓产生流程，若为否，则继续下一个尚未进行趋近处理的所述向量节点为待处理的向量节点群组中的起始向量节点，然后返回至步骤4。

9、如权利要求8所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述像素阵列中的每一个像素，均包含有一表示位置的坐标值。

10、如权利要求8所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述润化修补处理包括有：对所述像素阵列中的每一个像素进行判断，若所述像素中有一像素为空白，且在与该空白像素相邻的8个像素中，为黑的像素点数大于5个，而且在该空白像素的左右和上下的相邻像素中存在有黑色像素时，则将该空白的像素位置实行填补。

11、如权利要求8所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述注化修补处理包括有：对所述像素阵列中的每一个像素进行判断，若像素中有任一像素为黑，而在与该像素相邻的8个像素中，为空白的像素点数大于5个，则删除该像素。

12、如权利要求8所述的数字化字体轮廓的三角化向量趋近方法，其中特征在于，所述润化修补处理包括有：对所述像素阵列中的每一个像素进行判断，若像素中有任一像素为黑，而在该黑色像素相邻的左右像素为黑，上下像素为空白时，则删除此一像素。

13、如权利要求8所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述润化修补处理包括有：对所述像素阵列中的每一个像素进行判断，若所述像素中有任一像素为黑，而在该黑色像素相邻的左右像素为空白，上下像素为黑时，则删除此一像素。

14、如权利要求8所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述三角判断手段是将三个彼此连线的所述向量节点视为一三角形，以首尾两个所述向量节点的连线视为所述三角形的长边，以居中的所述向量节点至所述长边的最短垂直距离，即为所述三角形的高为一误差，藉由计算所述误差是否大于一预设的最大误差容许值，判断所述三个向量节点是否可以视为近似一直线，依此逐点判断而取得一较佳的直线趋近向量。

15、如权利要求14所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述三角判断手段包括有：

(1)设一最大误差容许值=ξmax，起起向量节点序号S=1，并记录于一存储模组中；

(2)设一相邻向量节点序号N=S+1，并记录在存储模组中；

(3)取得相邻的三个向量节点分别为PS，PN，PN+1的坐标位置；

(4)以所述三个向量节点中首尾两者的连线为基准，利用一逻辑处理单元，根据所述三个向量节点的坐标位置，计算取得居中珠所述向量节点至所述连线的最短垂直距离，并把所述最短垂直距离存储在所述存储模组中，成为一误差值h；

(5)判断所述误差值h是否大于所述最大误差容许值ξmax，若为是，则进行下一步骤，若为否，则设所述相邻向量节点序号N=N+1，并返回至步骤3；

(6)把一向量[PS，PN]存储于所述存储模组中，成为一临时直线趋近向量；以及

(7)判断所有的所述向量节点是否都已完成？若为是，则结束，若为否，则设所述起始向量节点序号S=N+1，然后返回至步骤2。

16、如权利要求15所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述向量节点的坐标位置分别为相应之的所述像素的坐标值(X1，Y1)，(X2，Y2)与(X3，Y3)。

17、如权利要求15所述的数字化字体轮廓的三角化向量趋近方法，其特征在于，所述向量节点的坐标位置是由相对坐标值所决定。

Images