[发明专利]一种基于纵横直方图的残缺汉字识别方法

说明书

本发明涉及一种基于纵横直方图的残缺汉字识别方法，属于汉语信息处理技术领域。本发明通过TTC字体文件提取汉字的纵向特征向量及横向特征向量，建立汉字特征数据库，对任意待检测残缺汉字通过现代扫描技术及汉字形状特征转化为图像，对其进行特定的灰度化、二值化处理后提取汉字特征并生成纵向特征向量及横向特征向量，与数据库中现有汉字分别计算其基于纵向直方图的识别度及基于横向直方图的识别度，通过融合算法计算最终识别度，最后通过排序输出识别度最高的汉字集合。本发明主要解决了现有技术耗费人力且准确性欠佳等现象，增加了目前依靠计算机对残缺汉字进行识别的有效性和准确性。

技术领域

本发明涉及一种基于纵横直方图的残缺汉字识别方法，属于汉语信息处理技术领域。

背景技术

在文物考察、重要文档辨识中，可能存在一些汉字的一部分因某种原因而被抹去，正确识别出这些残缺的汉字对近代历史研究及考察名人语录等方面具有重要意义。

目前，对于残缺汉字的识别，主要是依靠人对汉字的熟悉程度以及人工对比汉语词典，再根据上下文信息进行推理得到，但是由于汉字的广泛性，使得这一工作即耗时又繁琐。若以编码方式为Unicode的基本字符集为标准，则共有20902个汉字，即使可以根据残缺汉字的大概字形及上下文信息推理进行筛选，但筛选结果也存在许多的备选项，更重要的是人工识别中对于这一工作难免会产生疏忽与厌倦，这就造成了识别残缺汉字的难度又一步加大。

发明内容

本发明要解决的技术问题是提供一种基于纵横直方图的残缺汉字识别方法，以解决现有技术对残缺汉字的识别耗费人力且准确性欠佳等现象，致力于增加目前依靠计算机对残缺汉字进行识别的有效性和准确性。

本发明的技术方案是：一种基于纵横直方图的残缺汉字识别方法，该方法具体包括以下步骤：

Step0：采集汉字图像，对图像进行预处理，并创建汉字特征数据库；具体实施步骤如Step0.1～Step0.4所示；

Step0.1：从TTC字体文件中提取出每个汉字所对应的图像，即汉字图像大小为l×w(单位为像素点)；将汉字图像作为输入源，生成该汉字所对应的汉字矩阵I_l×w，该矩阵中的元素值即为该像素点的灰度值；定义ξ为灰度二值化阈值，对矩阵I_l×w进行公式(1)所示二值化处理，得到二值化矩阵I′_l×w，其中I′(i,j),i∈[1,l],j∈[1,w]为元素值；

Step0.2：将二值化矩阵I′_l×w进行公式(2)所示纵向叠加处理，生成纵向特征向量{z₁,z₂,…,z_l}；

Step0.3：将二值化矩阵I′_l×w进行公式(3)所示横向叠加处理，生成横向特征向量{h₁,h₂,…,h_w}；

Step0.4：将汉字及其对应的纵向特征向量{z₁,z₂,…,z_l}、横向特征向量{h₁,h₂,…,h_w}存入数据库，组建汉字特征数据库；

Step1：利用现代扫描技术及汉字形状特征，从纸张或其他载体中提取出待检测残缺汉字X的图像，将图像以l:w的比例剪切至待检测残缺汉字X尽可能铺满图像为止，但要将其残缺汉字重心处于图像的中心，并留取合适的边距，生成待检测残缺汉字X的扫描图像