基于网格的上中下结构汉字的结构识别研究

基于网格的上中下结构汉字的结构识别研究 基于网格的上中下结构汉字的结构识别研 究 第21卷第6期 2007年l1月 湖南]-业大学 JournalofHunanUniversityofTechnology Vo1.21NO.6 NOV.2007 基于网格的上中下结构汉字的结构识别研究 王素利,皮佑国,梁添才,丘志文 (华南理T大学自动化科学与工程学院,广东广州510641) 摘要:采用简易网格,以GB2312规定的二级汉字基本集中的上中下 结构汉字作为研究对象,研究了汉字 的结构识别.实验表明了方法的有效性,并给出了分析和实验过程. 关键词:结构;网格;识别 中图分类号:TP391.12文献标识码:A文章编 号:1673-9833(2007)06-0098-03 RecognitionResearchonStructureforChineseCharacterof Up--Center--DownStructureBasedonGrid WangSuli,PiYouguo,LiangTiancai,QiuZhiwen (SchoolofAutomaticScienceandEngineering,SouthChinaUniversityofTechnology,Guangzhou510641,China) Abstract:Inviewofbriefgrid,theresearchobjectisChinesecharacteraboutup downstructureinsecondary —center— ChinesecharacterbasicsetwithinGB2312.Itstudiesrecognitionforstructure ofChinesecharacter.Theexperimentprovesthat methodisfeasibleandalsoputforwardtheexperimentprocess. Keywords:structure;grid;recognition 0引言 汉字作为世界上仅存的最古老的表意文字,字形 是它的本体?,它用形象具体的形式表达一般抽象的 内容,集中体现了中华民族的思维方式,是中华民族 集体智慧的结晶. 汉字是拼合文字,是由部件(含笔画,偏旁和部 首)按一定规则拼合而成的.汉字的部件是由笔画组 成的具有组配汉字功能的构字单位(国家语评).虽 然拼音文字也属于拼合文字,但它以首字母为起点顺 序排列,字母的竖直位置,形态和大小都不变;而 汉字在用部件组成合字时,根据汉字结构的不同,部 件的位置,形态和大小都会发生一定的变化,所以汉 字的拼合规则要比拼音文字的拼合规则复杂得多. 汉字的一级结构有:左右结构,左中右结构,上 下结构,上中下结构,全包围结构,半包围结构,整 体结构,品字结构8类.GB2312规定的二级汉字基本 集中的汉字6763个,其中上中下结构的汉字324个. 本文以GB2312规定的二级汉字基本集中的上中下结构 汉字为研究对象,研究上中下结构汉字的结构识别. 上中下结构汉字:该汉字由上中下3个或3个以 上部件组成.按照结构分,上中下结构的汉字由上部, 中部,下部组成.上中下结构汉字的结构的识别,要 求准确地识别出汉字的上部,中部,下部. 在刚刚开始学习写字的时候,一般会利用田字格 (2X2网格)和九宫格(3X3网格),如图1所示.田字 格和九宫格有助于初学写字的人对于汉字结构的认知, 根据网格的这种特点,基于传统的汉字结构的认知机 理,本文利用网格实现上中下结构汉字的结构的识别. 禺瘸 图1田字格和九宫格 Fig.1TiangridandNineGonggrid 收稿日期:2007-08-30 作者简介:王素利(1979一),女,辽宁锦州人,华南理T大学硕士生,主要研究方向为图像处理; 皮佑国(1953一),男,重庆开县人,华南理工大学教授,博士生导师,主要研究方向为智能控制理论与应用. 第6期王素利,皮佑国,梁添才,丘志文基于网格的上中下结构汉字的 结构识别研究99 1识别机理 1.1分析工具 我们采用如图2所示的2×2,3×3简易网格,及 其扩展的4×4,6×6,9×9网格来分析和描述汉字 结构引. 宙酯船崩2×2嘲格3×3网格4×4网格6×6网格9×9网格 图2简易网格 Fig.2Simplegrid 1.2识别对象分析 选取GB2312二级汉字基本集中的上中下结构汉字 作为研究对象,字体为黑体.将其放到网格中,示例 如图3所示. 画图嘲圈豳 图3网格分析示例 Fig.3GriddescriptionforstructureofChinesecharacter 上中下结构汉字的上部,中部,下部之间的界限 分别在上1/3,2/3处;上1/6,4/6处;上1/3,1/2处; 上3/6,5/6处;上1/4,3/4处;上1/4,2/3处;上1/2, 2/3处;上1/4,5/9处;上1/4,2/4处;上1/4,5/6处; 上1/3,3/4处;上1/6,5/6处;上1/4,4/9处;上1/6, 3/6处;上1/4,1/3处;上1/4,5/6处.共16种情况. 经分析表明:研究对象的上,中,下各部之间位 置关系如图4所示,分为如下4种. 1)独立:汉字各部分开为独立整体. 2)交叠:各部间无接触,但无法简单地用水平分 割线分割. 3)粘连:某部在一点或几点与相邻部接触. 4)粘连且交叠:粘连与交叠的情况并存. 鼻茶暴墓a)独立b)交叠C)粘连d)粘连且交叠 图4各部间的位置关系 Fig.4Placerelationofeverypart 汉字各部分的连通性分为: 1)上部(中部或下部)为单连通区域. 2)上部(中部或下部)为非单连通区域,它们都 处在网格的同一横向子格中,如”一,”,”<《《”“心”. 3)上部(中部或下部)为非单连通区域,它们不 处在网格的同一横向子格中,如”乡”,”穴”. 4)存在比较小的连通区域,如”,”. 2识别 对于识别对象分析中介绍的汉字的上部,中部, 下部的位置关系情况有: 独立:可以根据各部的上下位置关系识别出上 部,中部,下部. 粘连,粘连且交叠:首先进行去除粘连部分的处 理,进行去除粘连处理后的上部,中部,下部之间的 位置关系,如果是独立的,可以根据各部的上下位置 关系识别出上部,中部,下部.去除粘连部分的处理 只能解决那些粘连不太严重的部分,对于粘连严重的 部分,则需要对存在粘连的部分进行分割,进行分割 时需要考虑以下条件: 1)封闭区域不分割.在候选连通区域中,若有封 闭区域,则不做分割. 2)极小值处分割(必要条件).候选分割处于水 平投影的波谷或局部极小值处. 3)横向分割.分割只考虑横向分割情形,不考虑 纵向分割. 4)突变地方(必要条件). 连通区域描述:={(,Y『)’R鲥,,},其中, F(x…Y)为连通区域像素集;S为连通区域面积,即连通 区域像素点个数;R?为连通区域的外接矩形,R,= (n~n(xi),rain(y,),max(x『)’max(y『));.为外接矩形像素点集, I?tO={f(xi,Yf)lmin(xi)<x,<max(xi),min(y,)<--Y~<-max(yf)). 对于识别对象分析中介绍的汉字的上部,中部, 下部的位置关系情况的交叠则需要根据连通体的位置 情况进行结构识别. 对于识别对象分析中介绍的汉字的各部内的连通 区域情况:即对于第2,3,4种情况,首先要对连通 区域进行合并,然后再根据各部的连通区域,投影,封 闭区域关系等条件综合识别汉字的结构. 根据上中下结构汉字的结构特征设计如下结构识 别方案: 1)读入汉字图像. 2)判断图像中是否含有粘连部分,如果有则进行 去除粘连部分的处理,如果没有则转到下一步. 3)连通区域标记.对图像中的每个连通区域进行 标记. 4)连通区域合并.若上部(中部或下部)为单连 通区域,则不必进行合并,直接进入下一步骤. 连通区域关系定义:设C.,C2为两个连通区域,C. 的外接矩形为:RReetCI--(min),mi),max),max, 外接矩形点集为:_llmimax?, 100湖南丁业大学2007矩 min(y])<y,max(.C:的外接矩形为: RR~c, = (mjn(),min(),max(f2),max(f2)),外接矩 形点集为:=f/(蕾,Yi)=llmin蕾<_max(x/2), min(y/2)<Yimax()l. 连通区域合并共由以下3个部分组成: a.任意两个连通区域位置关系的判定,若为非上 下关系,则进行合并,否则保留. 上下关系判定条件为: i)min(y])>max(y/2): ii)min(y/2)>max(y1): iii){max(yl1>max(y/2),min(y1)<max(y/2), (max(y1)十min(Y1))/2>max(y; iv){max(y/2)>max(min(y/2)<max(Y1), (max(y/2)+min(训/2>max()}o 若C.,C满足以上任一条件,即可判定为上下关系. b.面积小于某一阈值的连通区域就近合并. c.面积最小的连通区域就近合并. 5)根据封闭区域,极小值处分割,横向分割,突 变地方等条件,对存在粘连的部分进行分割. 6)根据图像的连通区域位置,水平投影,封闭区 域等条件再结合网格识别出匕部,中部,下部 3实验与评论 3.1实验步骤与结果 1)取出GB2312规定的二级汉字基本集中的324个 上中下结构的汉字,将该汉字制作成位图图像,汉字 字体统一为黑体,以该图像作为处理对象. 2)图像的预处理. 3)依据上中下结构汉字的结构的网格识别规则, 设计算法及编写程序,建立上中下结构汉字的结构识 别系统.上中下汉字结构识别系统如图5所示. 中下结构的汉字样本集进行测试,测试结果. 5)对比人工识别和计算机识别的异同,分析不同 部分产生的原因. 实验实现了利用网格对上中下结构的汉字的结构 识别,GB2312规定的二级汉字基本集上中下结构汉字 共324个,正确地识别出303个,有21个汉字的结构 不能正确识别,结构的识别正确率达到93.5%. 3.2分析与评论 实验过程中的识别错误主要由以下原因造成: 1)组成汉字的各部件之间粘连严重,候选分割位 置处存在封闭区域. 2)汉字结构复杂,难以确定上部,中部,下部各 部之间的精确界限.如图6所示. 爨图6不能正确切分的汉字 Fig.6Chinesecharacterofwrongsegment 4结论 1)实验结果表明,基于网格的上中下结构汉字的 结构识别方法有效,这为汉字结构信息化研究提供了 一 条新途径,也将促进汉字信息化的发展. 2)网格可以作为汉字结构识别的工具.对二级汉 字基本集左中右结构汉字的结构识别率超过92%. 3)对难以确定各部界限的汉字结构的识别,尚需 进行深入研究. 参考文献: 【1】 【2】 【3】 【4】 麴【5】 图5上中下结构汉字的结构识别系统 Fig.5DescribingsystemforstructureofChinese characteraboutup-center-downstructure 4)对GB2312规定的二级汉字基本集中的324个上 张晓明.二十世纪汉字字形结构研究【J】.语言教学与研究, 2004(5):75-79. GF3001-1997,信息处理用GB13000.1字符集汉字部件 【S】. 李晓辉,吴蓓,董武,等.基于部件特征的分类方法 以及在汉字识别中的应用【J】.微电子学与计算机,2003, 19. 10:17— 皮佑国,牟总斌.在计算机中描述汉字的网格及其描述方 法:中国,200410015239.2【P】.2004—12-29. LiangTian—cai.QiuZhi—wen.PiYou—guo.SimpleGrid BasedonCognitiveMechanismandApplicationResearchon DescriptionforStructureofChineseCharacter[C]//The26th ChineseControlConference.Zhangjiajie:IEEEComputer Society,2007:689—693.