【正文】 數(shù)，若 SR=0,SL=0,則解構(gòu)為 V （ 2） 左斜 定義：假設(shè) SL,SV和 SR 分別表示某側(cè)輪廓一階微分值大于 0，等于 0，小于 0的個數(shù)，若 SR=0,SL大于閾 值 TL,則解構(gòu)為 L （ 3） 右斜 定義： 假設(shè) SL,SV和 SR分別表示某側(cè)輪廓一階微分值大于 0，等于 0，小于 0的個數(shù)，若 SR=0,SL大于閾值 TR,則解構(gòu)為 R （ 4） 圓弧 定義： 假設(shè) SL,SV 和 SR分別表示某側(cè)輪廓一階微分值大于 0，等于 0，小于 0 的個數(shù)，若 SR大于 16 閾值 RT， SL大于閾值 LT，則解構(gòu)為 C。例如，當 SL+SV+SR=2時，其形成的基元結(jié)構(gòu)是不穩(wěn)定。當 Wmax ≤H/2，即為數(shù)字 1， H=M。更具特征向量，采用結(jié)構(gòu)識別算法識別地步殘缺的和完整的數(shù)字字符。 6： TS=C， P∈ RS， Size(LS)=1；或 TS（ 1） =L。 I=imread(39。canny39。 BW1=zeros(y,x)。 for i=1:x if (EdgePointsX(i)=AveragePointsX) ColumnX(i)=1。 Partx1=zeros(1,Nx)。 % 最后一列大于平均值的位置作為，最后一個區(qū)域的切分位置 Spanx=zeros(1,k)。 AveragePointsY=mean(EdgePointsY)。 k=k+1。 k=k+1。 word=I(word_Yseg0:word_Yseg1,word_Xseg0:word_Xseg1,:)。 se=strel(39。 %I=imread(39。amp。 end Bottom(i)=yj。 % 凹輪廓的深度閾值 Sign=0。(TopD(i)0)) if (abs(Deep)=DeepT) DeepH=DeepH+TopD(i)。 Asend=0。 tempX=i+1。 % 復(fù)位 Asend=0。 % 近似的字符寬度 PXR1=1。 % 切分后的高度比 RW=zeros(1,x)。(WordW=*Width)) % 選定切分的區(qū)域 PX1=Concave(k)。 else j=y+1Top(i)。(I(j,Si)==0)) % 左筆劃寬度 Si=Si1。 % 檢測是否通過筆劃 j=j+1。 end SRi=i。 % 避免水平“橫”的粘連 k=k1。 PXR1=[PXR1 i]。amp。 SegSoke(2,i)=SegSoke(2,i)+1。 while ((Si1)amp。 25 if (Top(i)==1) % 無粘連 PXR1=[PXR1 i]。 if ((WordW=*Width)amp。 SegSoke=zeros(3,x)。 end W(n)=xConcave(n)。 % 復(fù)位 Desend=0。 Desend=0。 end end end %=== 輪廓線的凸檢測 ===% BottomD=zeros(1,x1)。 % 下一列可能為切分的 Concave， 最接近于左端 end 23 if ((Sign==1)amp。 % 下降值 DeepH=0。amp。 % 頂端輪廓檢測 for i=1:x j=1。39。 T2=graythresh(word)。 word_Yseg0=Party0(nParty)。 for i=2:Ny d=Posy(i)Posy(i1)。 % 挑出邊緣點數(shù)量大于平均值的位置 k=1。 % Y方向邊緣點統(tǒng)計 BWT=BWSeg39。 20 Partx0(k)=Posx(i)。 end end gapx=12。 EPx=(1:x)。 ES=[ES SR]。 t1=toc tic %%%% 邊緣點數(shù)量統(tǒng)計 與 S分量的紋理分割 %%%%%%%%% S=zeros(y,x)。)。 4： TS（ 1） =L， P∈ LS， RS=V。當 S2MST 時，檢測到的字符為 8，否則為 0。 輪廓的統(tǒng)計特征 采用上述的解構(gòu)基 元還不足以準確識別殘缺和完整的數(shù)字，引入輪廓的統(tǒng)計特征。若在 k2處又檢測到 P，則在【 kl+1， k2— 1】范圍內(nèi)進行基元檢測，依此類推。 TP(i)=min｛ y/P(x,y),y=j} j=1,2.....N （式 53） BP(i)=min｛ y/P(x,y),y=j} j=1,2....N （式 54） 為了描述輪廓的變化特征，定義四個方向輪廓的一階微分： LPD=LP(i+1)LP(i) RPD=RP(i+1)RP(i) （式 55） TPD=TP(j+1)TP(j) BPD=BP(j+1)BP(j) 式中 i=1,2.....M1， j=1,2....N1 結(jié)構(gòu)基元 索書號印刷體數(shù)字比較簡單，可以由 5個基本基元組成，分別為：突變 (P)、豎直 (v)、左斜 (L)、右斜 (R)和圓弧 (C)。如圖所示為索書號二值圖像的部分切割的字符。 實驗結(jié)果分析 字符寬度和高度的估計準確與否直接影響算法的切分結(jié)果。切分的步驟如下： 第一步：為非粘連字符的切分。為了有效抑制筆劃邊緣不光滑的干擾影響，在檢測過程中，增 加了一個約束條件，即凹輪廓的深度和凸輪廓的高度必須大于等于 3 個象素。上輪廓用其像素點的坐標表示為： PT(i)=ET(i) i=1， 2， 3， 4.......M （式 41） 式中 ET(i) 即自上而下掃描 i列圖像時遇到的第 一個黑色像素點的 y 軸坐標。而且索書號字符圖像受下列因素的嚴重干擾： (1)字符串附近存在的污點； (2)字符和紙張的不均勻褪色： (3)光照不均勻。但在實際應(yīng) 用中，需要識別的往往都是由多個字符組成的字符串，其中不乏存在筆畫粘連的字符切分是尋求最佳的路徑將字符串切分成一個個的完整字符，它是文字識別系統(tǒng)的關(guān)鍵步驟之一。這表 示如果圖像灰度值服從正太分布是，最佳閾值可按上式求得。 這里最優(yōu)閾值指能使誤分割率最小的分割閾值。閾值法就是按照某種準則確定閾值 t 最優(yōu)閾值法 對灰度圖像，基于各像素值的閾值是僅考慮各像素本身灰度值而確定的，因而算法一般較簡單，但對抗噪聲能力不強。在已經(jīng)分割出的文字區(qū)域赴京，統(tǒng)計行方向的邊緣點數(shù)量，若邊緣點數(shù)量大于 2，則將列并入文字圖像區(qū)域。 文字圖像區(qū)域列邊緣點數(shù)兩也有下屬關(guān)系： Nx（ word） Nx0（ word） Nx (nonword) (27) 式中 Nx（ word）是文字圖像區(qū)域中某一列的邊緣點數(shù)量， Nx (nonword)是非文字圖像區(qū)域中某一列的邊緣點數(shù)量， Nx0（ word）所示是整幅圖像邊緣點數(shù)量的列平均值。但是從概率角度可以認為，文字圖像區(qū)域的每一行邊緣點適量大于政府圖像邊緣點數(shù)量的行平均值，而非文字圖像區(qū)域者相反，即： Ny（ word） Ny0（ word） Ny (nonword) （ 25） 式中 Ny（ word）是文字圖像區(qū)域中某一行的邊緣點數(shù)量， Ny (nonword)是非文字圖像區(qū)域中某一行的邊緣點數(shù)量， Ny0（ word）所示是整幅圖像邊緣點數(shù)量的行平均值。受光照條件和文字顏色退化程度不同的影響，文字部分特征如對比度，亮度等容易搜到干擾，但是文字的邊緣分布規(guī)律且有較強的干擾性能。這三個準則相結(jié)合可以檢測的最佳的邊緣。但 R， G和 B3分量之間有很高的相關(guān)性，直接利用這些分量常常不嫩得到所需的分割效果。 第四階段：索書號單字識別。 第三階段：索書號字符切分是將索書號字符串切分成一個個字符，以提供給識別算法進行識 別。 第二階段：索書號提取是在定位得到的索書號 區(qū)域中，將索書號字符與周圍目標和背景相 互分離。本論文選取圖書館的 主要類別圖書 —— 印刷體索書號，從圖書館的書架上隨即抽取樣本進行研究。如圖 11 所示 CCD攝像機拍攝排放在書架上的圖書圖像，圖書的圖像出索書號外還有其他內(nèi)容，如出版社的標志，其他文字甚至大塊的污漬等，必須從中分割出僅包含索書號的文字圖像。這一方面嚴重降低了圖書館的資源的利用率；另一方面，浪費了讀者的時間，造成了很大麻煩。最后按照字母表和數(shù)字大小的順序排列。 索書號通常是根據(jù)中國圖書資料分類法編排的【 1】 —— 簡稱《中圖法》。由于“ T 工業(yè)技術(shù)”的大類范圍廣泛、內(nèi)容繁多，故又在該類基礎(chǔ)上采用雙位拉丁字母標記出 16 個二級類目，如 TK、 TL、 TM 和TN等。 最后，根據(jù)圖書的索書號，快速方便地在書庫中找到相應(yīng)的圖書。因此，迫切希望開發(fā)索書 2 號自動識別系統(tǒng)，實現(xiàn)對書庫中圖書放置位置的自動檢查，并通過索書號識別結(jié)果與電子數(shù)據(jù)庫中圖書信息的比較，找出已經(jīng)丟失的圖書。字符切分成單個字符后才進行文字識別。 第一階段：索書號定位是在圖像中找到包含索書號的圖像區(qū)域，要求該區(qū)域盡可能包含完整 的索書號，同時盡量排除非索書號的圖像區(qū)域。 所以，二值化后采用連通域濾波進一步消除索書號周圍的非字符目標。 索書號的單字切分可以分為兩種情況：非粘連單字切分和粘連字符的單字切分。 圖 21 圖書索書號圖像 但是，從圖像尤其場景圖像中自動定位和分割文字是比較困難的，其主要原因有以下幾個方面：第一，文字嵌入在圖像中，并與其它圖形共存，如邊框，商標，裝飾物以及污點等；第二，由于文字顏色退化，文字顏色不均勻，熱切背景顏色有食欲吻脖子顏色差異很??；第三，文字尺寸大小變化；第四，關(guān)照條件無法控制，廣州不均勻；第五，索書號文字與其他文字。 本算法中，只對邊緣點進行財社分割，切自用 S分量。這樣在 Canny算子中只保留了一個參數(shù)高閾值（ TG)。實驗中，去 S1=0,S2=。受文字圖形自身結(jié)構(gòu)繁簡程度不同的影響，以及索書號可能有多行字符串組成，而兩行字符串之間可能存在間隔，使的圖像文字區(qū)域中的某些行的邊緣點數(shù)量低于平均值，設(shè)置行方向的間隔閾值 Ty=行的間距 Dy≤Ty，這經(jīng)性合并，否則視為兩個獨立的文字圖像區(qū)域。受文字圖形自身結(jié)構(gòu)繁簡程度不同 的影響，以及索書號可能有多列字符串組成，而兩列字符串之間可能存在間隔，使的圖像文字區(qū)域中的某些列的邊緣點數(shù)量低于平均值，設(shè)置行方向的間隔閾值 Tx=行的間距 Dx≤Tx，這經(jīng)性合并，否則視為兩個獨立的文字圖像區(qū)域。如圖 21所示的索書號分割出的索書號圖像如圖 28所示。許多常用的閾值選取反復(fù)發(fā)就是更具直方圖來進行。 設(shè)有這樣一副混有加性高斯噪聲的圖像，背景和噪聲的概率密度分別是 P1(z)和 P2(z)，政府圖像的混合概率密度： P(z)=P1*p1(z)+P2*p2(z) （式 31）