【正文】 一國兩制盼渤℃構想就是具體問題具體分析的時代典群” 結果 分析 將上 小 節(jié)比較結果的數(shù)據(jù)進行統(tǒng)計 。因此，要徹底拜赭 一個問題’一燁事情的本質(zhì)’必須具體問題具體分析。認識事物必須認識事物的本質(zhì)。? j?圳《本镕 麓 g 嫩懲的理論，則不會產(chǎn)生理想的抒搬 ～Ⅲ笙 依 一釃蒯盼偉大扮想就是具體問題具體分析的肘化典范” 處理后：“ 2。每一件事物的個性都蘊涵在它的本所 d?．．。認識事物必須 t^識囊物 ^。 一國兩制的偉大構想就是具體問題具體分析的時代典范。因此，要徹底弄清一個問題，一件事情的本質(zhì)，必須具體問題具體分析。認識事物必須認識事物的本質(zhì)?！泵罹芙^’造譯拒絕其實就是理性的外在表現(xiàn)。” !毪遺 h” 處理后：“他們』 }{『淡話’臻談瑜沒趣”妒迭乍二∈ A 硌 1 一曲：磚玻侖冷規(guī)Ⅻ理智舶肼話中’感悟到序。 l 搖鞠翻蛹瞻是理性的外在表現(xiàn)?！?e 冷礁 k。” 處理前：“晶燕麓 t 狳 ?。斯達爾夫人終于在拿破侖冷漠而理智的回話中，感悟到自己是在自討沒趣，只得作罷。 I” 處理后：“具備理冒性格的人’性情穩(wěn)定’思想成熟’稿搔壘商『’自； 周密’因此成功的概率很高。” 處理前：“纛鬣戮≯嘲眠?琦， 1 ．爵密．因 lE 成功的概率很高。口夠拒絕 ’遙評拒絕其實就是理性的外在表現(xiàn)”?！?!毪，遺 *”。 幫鮑蘸褰麟皋理性的外在表現(xiàn)。” 處理前：“袖攔簍羆篆統(tǒng)蚴叭螄。下面對 扭 曲程度較高，且質(zhì)量不高的四組 （圖 54 至 圖57） 扭曲文檔圖像的處理前后進行對比，再 作詳細分析 。 就在許 雙 為房地產(chǎn)這琉 飯越來越難吃的時候 ， 劉永好卻認為機會 ．傅 經(jīng)過仔細分析 、 判斷 ， 最終選擇了組建自己的房地產(chǎn)公 n 年后 ’劑 永好注意到房地產(chǎn)進 人 了“微利”時代 。 蘇州大學本科生畢業(yè)設計（論文） 28 表 1 測試結果對比 比較對象 處理前 處理后 標準文字 幾年后，劉永好注意到房地產(chǎn)進入了“微利”時代。本文以 漢王 的識別結果為參考進行比較與分析。 OCR 測試 這里利用 OCR 對既定圖片中的字符進行識別，通過對比處理前后的 OCR 識別率，說明處理后的有效性 。所謂 Optical Character Recognition（ OCR），就是光學字符識別， 是文字自動輸入的一種方法。本文的做法是對該背景進行 均值 處理，從而代替直接載入 ，背景恢復后的效果，如圖 53（ c） 。 圖 51 斷筆修復 二值化處理導致當前圖像的背景全部丟失，因此我們需要將二值化過程中保留下的背景 載 入 到斷筆修復后的結果中去。這里采用的膨脹算法是對當前點 的 8 個相鄰像素 的處理， 因較為簡單，這里 不再贅述其 算法 偽代碼。 扭曲恢復技 術的不成熟，會導致在處理過程中丟失文字的筆畫信息，因此我們需要對應地 彌補 其丟失的 信息 。這需要我們在 后處理中除了 最大化保留處理的結果之外，還要盡可能 彌補丟失的信息。后處理與最終 結果 的 測試 與分析 將在下一章中作詳細說明。 經(jīng)過 本章 處理，基本上實現(xiàn)了從輸入的扭曲文檔圖像到扭曲恢復 后圖像的轉變。 本章詳細介紹了我們研究工作中的創(chuàng)新點，包括 文檔圖像的 標識方法、極限思想的運用、字符平移 等。 while （ != 0） 對漢字中的每個點按照該差值進行平移，至同一水平位置 ； } } } } } 實驗結果與分析 以圖 39（ c） 和圖 37（ b） 為處理對象，平移后的結果分別如圖 47（ a） 和 47（ b） ： （ a） 蘇州大學本科生畢業(yè)設計（論文） 25 （ b） 圖 47 扭曲恢復 后的 圖像 文本行標識的結果不同，導致圖 47（ b） 中的一行被分解為多行，因此扭曲恢復后仍然沒能在同一水平線上，這 可以通過文本行標識參數(shù)調(diào)整改進。 i++） { 記錄當前點的顏色 Color。 j++） { for （ int i = 0。 第二步是 字符 平移， 將同行的字符平移 至同一水平位置， 偽代碼 描述 如下： private Bitmap Shift（ Bitmap RotateBmp， Bitmap Bmp， Bitmap boolBmpL， Bitmap boolBmpW） { for （ int j = 0。經(jīng)過校正和平移處理后即得到扭曲恢復的二值化文檔圖像。 平移 平移的 思想 在極限思想下，行內(nèi) 很多詞組被認為是傾斜的，經(jīng)校正后，該詞組處于類水平位置，但整行 沒有在同一水平位置上（如圖 46）。 圖 46 傾斜校正對比 圖 46 是以圖 37（ b） 為對象進行曲線分割與傾斜校正的對比情況， 圖中的劃線 是由兩個標識字符確定的直線，在文本行曲線中，它被認為是線性的。無論是線性，還是扭曲，求出的曲線都是文本行基線的最好描述，因此是蘇州大學本科生畢業(yè)設計（論文） 23 合理的。采用該思想，可將復雜的曲線處理轉化為直線處理，因為被截取的片段是被認為是傾 斜非扭曲的。 本文采用極限思想，即當截取曲線的片段小至一定程度時，我們認為截取的片段為直線線段。然而對于扭曲的文檔圖像，甚至扭曲程度較高的圖像（圖 45），該方法適用性就大大降低。 該 方法是基于統(tǒng)計的原理，用出現(xiàn)頻率最高的角度代替所有文本行的傾斜角度。該直線的傾斜角即為文字行的傾斜角。通過試驗對比，本文針對字符和文本行標識設置的參數(shù)分別為 k=3 和 k=18。 行標識同樣存在這種情況（如圖 43），如果參數(shù)設置合適即可標識 出整行。 i++） { if （ == 0） //如果為前景色 { 記錄當前點 curr； 如果 當前點處理過， 或者堆棧中已經(jīng)含有堆棧，則 continue操作 ； 通過調(diào)用 getConnected（） 函數(shù)將連通性的點壓入堆棧 Stack； 隨機生成一種顏色 RdColor； while （ != 0） //堆棧不為空 { 將堆棧中的點設置為 RdColor； 標志圖像 boolBmp設置 為 臟標記 ，標明改點已處理過 ； } } else 否則設 置為原色 ； } } } 實驗結果與 分析 以圖 39（ c） 為 處理 對象進行標識，結果如 圖 41： 蘇州大學本科生畢業(yè)設計（論文） 21 （ a） （ b） 圖 41 標識圖像 ： （ a） 字符標識 （ b） 文本行標識 標識采用的是字符連通性原理，因此參數(shù)的設置 直接影響到標識的效果。 j++） //字塊標示 { for （ int i = 0。 標識算法偽代碼 標識算法很重要， 因此 這將對后續(xù)的 曲線分割，以及 字符平移 的 影響很大，算法偽代碼如下： 蘇州大學本科生畢業(yè)設計（論文） 20 /// 輸入：邊界歸零圖像，標識參數(shù) [字檢測 （ 小 ） （ 大 ） 行檢測 ] /// 輸出：標志后的圖像 private Bitmap Label（ Bitmap Bmp， int size） { 初始化 標志 圖像 boolBmp； for （ int j = 0。過程中，利用前景像素的連通性，對當前像素的 8 個相連像素進 行判斷，若存在一個連通的點，則再對該點進行遞歸判斷，直至 8 個相連像素中均無連通像素為止，后用合適的顏色加以標識。 （ 2）一次掃描標識。該方法分為以下兩個步驟： （ 1）邊界歸零。 標識的步驟 文獻 [15]已提出了標識的算法，該算法中的檢測參數(shù) 只適用于西文 。文本行標識 的方法很多，如基于直線擬合 [13]、基于連通性檢測 [14]和基于投影等。因此 只能結合文檔特征，通過參數(shù)設置標識出盡可能多的 獨立 字符。 字符 標識，是指在文檔圖像中將具有獨立意義的字符 用特殊符號 表示出來，如英文單詞、中文漢字 等 。 蘇州大學本科生畢業(yè)設計（論文） 19 第四章 文檔圖像的 扭曲恢復 本章 是 整個扭曲恢復技術 的重點， 也是本文研究工作 中的創(chuàng)新點。 （ a） （ b） （ c） 圖 39 文檔圖像 二值化： （ a） 原圖 （ b） 全局閾值 二值化 （ c） 本文采用的方法 本章主要介紹了扭曲恢復 技術的系統(tǒng)分析與設計，及文檔圖像的預處理。 實驗 結果 與分析 實驗 證明， 本文采用的二值化方法在對文檔圖像進行 處理時，時間復雜度較全局閾值二值化要偏高，但其處理 效果較好，這對后續(xù) 字符和文本行 標識至關重要。 private void get33Paras（ Bitmap bmp， int x， int y， Double[] data） 。 //設置當前顏色 } } （ 3）二值化 由 前景圖 和背景圖的 估算確定最終閾值 ， 采用 公式 （ 35） 對圖像進行二值化 ，具體代碼 不再贅述 ，這里 給出聲 明。 else { 調(diào)用 getMotherAndSon（ ） 求公式 （ 34） 中 S（ x， y） =1的分支中的分母 M和分子 S； 根據(jù)公式 B=S/M，求出背景灰度 igray，并保存； nColor = （ ， igray， igray， igray） 。 j 。 i 。 j++） { 調(diào)用函數(shù) get33Paras（） 求出相關參數(shù) m和 S，再利用以下公式求出閾值 T； T = * m + （ 1 * （ 1 S / R）） 。 i++） for （ int j = 1。 （ 3）計算圖像 II的背景 區(qū)域 B，如下公式： （ 34） （ 4）通 過背景表面 B與圖像 II的組合預測 ，確定最后 閾值 d，進行二值化，采用如下公式 : （ 35） 算法實現(xiàn) （ 1） Sauvola 前景估算 private Bitmap SauvolaBinarization（） { for （ int i = 1。 （ 2） 以 文獻 [12]的方法， 獲取前景區(qū)域的粗略估算 。經(jīng)過試驗對比，這里選擇 文獻 [11]提出的二值化方法。不同的二值化方法得出的結 果也相差甚遠，全局閾值二值化無論從算法時空復雜度還是實現(xiàn)難蘇州大學本科生畢業(yè)設計（論文） 16 易都 很簡單，但效果不理想；局部自適應閾值二值化算法復雜度較高，實現(xiàn)復雜，但效果較好。 但當我們處理的圖片中噪聲較多的時候，噪聲處理是必須的，而且效果 較為明顯，如圖 38。 j++） { 獲取當前點的顏色 cColor； 調(diào)用函數(shù) get33Paras（） 獲取當前點的均值 aveGray與方差 variance； if （ variance != 0） //方差不為零 { 調(diào)用 get33aveVariance（） 獲取當前點的均差 Ave