细化手写体算法的应用与改进

《细化手写体算法的应用与改进》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、细化手写体算法的应用与改进朱俊学号0220080198摘要为了对手写体汉字进行快速准确的识别，本文提出了改进的基于索引表的细化算法。经过实验对比，它的处理速度和细化质量优于其他一些常见算法，取得了较好的识别效果。关键词细化识别索引表1.引言在自动文字识别系统中，采用细化方法计算图像的骨架是一个十分重要的预处理步骤。因为骨架包含了文字图像特征的最有效数字化信息，能对文字图像进行有效地描述。因此对于细化，一方面要求去除多余的象素，一方面又要保留模式的基本结构和特征。Pavlidis给出的骨架标准化的定义如下：“令R表示一个平面多边形区域内点的集合，GR表示其边界边的集合，

2、P是R内任意一点，M表示GR上到P距离最近的点，即对于"TÎGR，总存在

3、PM

4、£

5、PT

6、。如果在GR上存在到P距离最近的点数多于一个，即

7、{M

8、

9、PM

10、£

11、PT

12、,"TÎGR，MÎGR}

13、>1，则称P为平面多边形区域R的一个骨架点。所有骨架点的集合就称为这个平面多边形区域R的骨架”。迄今为止，已有很多细化算法产生，大致可归纳为迭代算法和非迭代算法两大类。这些算法的共同缺点是：（l）大多数算法不考虑原型模式中的中心轴，细化后有较大的畸形产生；（2）只适用于信息量较少的汉字。为了解决上述几个问题，提出了改进的基于索引表的细化算法。2.算法与改进经过预处理，待细化的图像是

14、0、1二值图像。象素值为1的是需要细化的部分，象素值为0的是背景区域。基于索引表的算法就是根据一定的判断依据，做出一张表，然后根据某个要细化的点八个相邻点的情况查表，若表中元素是1，则删除该点（改为背景），若是0则保留。因为一个象素的八个邻域共有28＝256种可能情况，因此，索引表的大小一般也为256。举例如下：图1图1中，(1)不能删，因为它是个内部点，我们要求的是骨架，如果连内部点也删了，骨架也会被掏空的；(2)不能删，和(1)是同样的道理；(3)可以删，这样的点不是骨架；(4)不能删，因为删掉后，原来相连的部分断开了；(5)可以删，这样的点不是骨架；(6)不能删

15、，因为它是直线的端点，如果这样的点删了，那么最后整个直线也被删了，剩不下什么；(7)不能删，因为孤立点的骨架就是它自身。总结一下，有如下的判据：(1)内部点不能删除；(2)孤立点不能删除；(3)直线端点不能删除；(4)如果P是边界点，去掉P后，如果连通分量不增加，则P可以删除。索引表就是根据这样的判断依据做成的。实际应用中，该算法还存在一些缺陷，如图2所示：图2按定义，图2经过细化后，我们预期的结果是一条水平直线，且位于该黑色矩形的中心。实际的结果确实是一条水平直线，但不是位于黑色矩形的中心，而是最下面的一条边。经过分析，之所以会这样是因为：在从上到下，从左到右的扫描

16、过程中，我们遇到的第一个黑点就是黑色矩形的左上角点，经查表，该点可以删。下一个点是它右边的点，经查表，该点也可以删，如此下去，整个一行被删了。每一行都是同样的情况，所以都被删除了。到了最后一行时，黑色矩形已经变成了一条直线，最左边的黑点不能删，因为它是直线的端点，它右边的点也不能删，因为如果删除，直线就断了，如此下去，直到最右边的点，也不能删，因为它是直线的右端点。所以最下面的一条边保住了，但这并不是我们希望的结果。解决的办法是，在每一行水平扫描的过程中，先判断每一点的左右邻居，如果都是黑点，则该点不做处理。另外，如果某个黑点被删除了，那么跳过它的右邻居，处理下一个点

17、。这样就避免了上述的问题。3.实验结果图3给出了改进的索引表细化算法和其他4种细化算法的结果图3可以看出改进的索引表算法比原始索引表算法要光滑许多，和Hilditch算法和Rosenfeld算法在肉眼上看不出有多少区别。应用于我的手写汉字识别系统，分别用不同的细化算法进行预处理并且训练。取对细化较敏感的垂直和水平投影特征，SVM训练参数相同的情况下，5种细化算法的识别率如下表所示：细化算法HilditchPavalidisRosenfeld索引表改进的索引表测试个数13871387138713871387识别个数12941267128512941306识别率93.3％

18、91.3%92.6%93.3%94.2%可以看出，改进的索引表算法相当于其他的细化算法，在识别率上面还是最优的。算法复杂性方面：由于索引表算法只是计算邻域象素，然后查表，因此时间复杂性为O（n）。4.结论本文在实际应用的背景下，针对目前细化算法存在的问题，提出了一些改进方法，并且与其他成熟的算法进行测试比较，取得了较高的识别率。虽然该算法实验效果良好，但仍需在一下方面做除改进：（l）对于笔划交点较多的汉字，该算法仍需要改进。（2）对于汉字中心轴不明显的样本，该算法的细化效果需要进一步提高。虽然本文方法是用来进行手写体文字的识别，但也可用于指纹、工程图