《毕业论文设计汉字识别技术研究 .docx》由会员分享,可在线阅读,更多相关《毕业论文设计汉字识别技术研究 .docx(32页珍藏版)》请在金锄头文库上搜索。
1、早地卷夂(筱针)题耳汉字识别技术研究学生姓名学号年级 安全防范工程 专业方向教务处制汉字识别技术研究摘 要:本文主要在研究当前光学字符识别系统及相关识别技术的基础上,利用matlab编程语 言设计了一套简单的相对具有较高识别率的汉字识别程序。首先,将RGB图像转化为二值图像(即仅 有黑白二种颜色的图像),而后经平滑处理,滤除混入的噪声,得到清晰完整的文字图像,其次,进 行行字切分使整篇文字图像成为单个文字图像,最后提取汉字的横竖撇捺特征与现有的汉字特征库 进行比较匹配从而进一步输出汉字的数码形式。实验结果表明,本文研究的方法能够识别汉字,准 确率较高。关键词:印刷体汉字识别;预处理;特征提取;
2、特征匹配4Research on Chinese Character RecognitionTechnologyAbstract: This thesis studies on the optical character recognition system and correlative recognition tech nolo gy, based on the mallab programming language designed a set of relatively high recognition simple of character recognition programs
3、First, transforming RGB images into binary image (only black and white color image), then the smooth filtering de-noising intermingled with the noise of the text to get clear. Secondly , the image segmentation words, the essay writing as a single word images, the images of Chinese abandoned any fina
4、l extracting features of characters with existing is feature library compared to further output characters of the match in digital form. Experimental results show that this method can be used to identify Chinese characters and preciseKey words: Print Chinese Character; Preprocessing; Characteristic
5、collecting; Characteristic matching1绪论11.1汉字识别的研究背景与现实意义11.2我国汉字识别技术发展历史与现状21.3本文研究的主要内容 32汉字识别技术的相关基础知识42. 1概述42.2汉字识别流程52.2. 1预处理52. 2. 2特征提取62.2.3特征匹配与汉字识别72.2.4后处理72.3汉字识别模式82. 3.1结构模式识别82. 3.2统计模式识别83汉字识别系统93. 1汉字图像增强93. 1.1二值化处理93. 1.2平滑去噪103. 1.3行字切分103.2特征提取123. 2.1统计特征123. 2.2特征提取方法133.3特征匹
6、配识别133.4后处理144系统仿真与实验结果154. 1实验环境154. 2实验过程154. 2. 1预处理154. 2.2特征提取与特征识别194. 2.3比对实验214. 3仿真结果分析224.4本章小结225总结与展望235. 1总结235. 2展望23致谢25参考文献261绪论1.1汉字识别的研究背景与现实意义据文献记载,印刷体汉字的识别最早可以追溯到60年代。1966年,IBM公司发表 了第一篇关于印刷体汉字识别的论文,在这篇论文中他们利用简单的模板匹配法识别了 1000个印刷体汉字。70年代以来,日木学者做了许多工作,其中有代表性的系统有1977 年东芝综合研究所研制的可以识别2
7、000个汉字的单体印刷汉字识别系统;80年代初期, FI木武藏野电气研究所研制的可以识别2300个多体汉字的印刷休汉字识别系统,代表 了当时汉字识别的最高水平。此外,曰本的三洋、松下、理光和富士等公司也有其研 制的印刷汉字识别系统。但价格过于昂贵,没有得到广泛应用。80年代初期,F1本武藏野电气研究所研制的可以识别2300个多体汉字的印刷体汉 字识别系统,识别率为99.88%,识别速度大丁 100字/秒,代表了当时汉字识别的最高 水平。80年代中期以来,以软件为主并使用通用高档微机的产品走向市场。汉字作为中华民族文明发展的信息载体,已有数千年的历史,也是世界上使用人数 最多的文字,它记录了璀璨
8、的民族文化,展示了我国独特的思维和认知方法。随着计算 机技术的推广应川,尤其是互联网的日益普及,人类越來越多地以计算机获得各种信息, 大量的信息处理工作也都转移到计算机上进行。因此,对于我国而言,在日常工作尤其 是和我们接触颇多的警务工作中,存在着大量的文字信息处理问题,因而将文字信息快 速输入计算机的要求就变得非常迫切。现代社会的信息量空前丰富,其中绝大部分信息 又是以印刷体汉字的形式进行保存和传播的,这使得以键盘输入为主要手段的计算机输 入设备变得相形见细,输入速度低已经成为信息进入计算机系统的主要瓶颈,影响着整 个系统的效率,值得一提的是,这对于处理案件等警务工作的影响尤为明显。因此,
9、要求有一种能将文字信息高速、自动输入计算机的方法。这种快速,准确的自动处理方 式将在很大程度上推动我国信息化的发展进程,对公安工作也有着相当深远的意义。1.2我国汉字识别技术发展历史与现状我国对印刷汉字识别的研究始于70年代末、8()年代初,大致可以分为三大阶段叫第一阶段,从7()年代末期到8()年代末期,主要是算法和方案探索。第二阶段,9()年代初期,汉字识别技术由实验室走向市场,初步实用。第三阶段,主要是卬刷汉字识别技术和系统性能的提高,包括汉英双语混排识别率 的提高和稳健性的增强。同国外相比,我国的印刷体汉字识别研究起步较晚。中国是使用汉字最久远和最广泛的国家。因此,能否在汉字识别方而占
10、据领先的位 置是中国科技实力的一项至关重耍的体现,它不仅与人工智能的研究有关,而且与数字 信号处理、图像处理、信息论、计算机科学、几何学、统计学、语言学、生物学、模糊 数学、决策论等都有着千丝万缕的联系。因此针对于我国当前的状况而言,实现在高速 率,高效率的汉字识别技术方面的突破是目前的棘手问题,虽然我国印刷休汉字识别技 术的发展和应用已经有了长足进步:从简单的单体识别发展到多种字休混排的多体识 别,从中文印刷材料的识别发展到中英文混排印刷材料的双语识别。各个系统可以支持 简、繁体汉字的识别,解决了多体多字号混排文本的识别问题,对于简单的版面可以进 行有效的定量分析,同时汉字识别率已达到98%
11、以上。但是就汉字本身属性而言,仍然 面临着以下方面的困难:(1) 类别较大目前我国常川汉字约30004000个。国标GB2312 一 80常川汉字字符集中共有, 6763个常川字,分为两级。第一级3, 755个汉字,使川频度为99.7%,第二级有3, 008个汉字,两级汉字总使用频度为99.99%,识别系统一般应能正确识别这些常用字, 才能满足实际应用的需要。目前的研究13标一般都着眼于解决国标一级3755个汉字, 即使是这样,汉字识别也属于大类别数的模式识别问题。(2) 结构复杂汉字是一种结构性很强的文字,每个汉字都具有特定分布的若干笔划构成,笔划是 汉字最基本的组成部分,汉字也可以看成是由
12、部件组合而成的,部件是笔划有意义的组 合,一般称之为偏旁、部首或字根。笔划和部首的不同排列组合,构成了表达不同含义 的结构异常复杂的汉字字符。(3) 相似字多部分汉字字符之间只存在着很细小的差别,具有相同笔划数冃的汉字字符之间的差 异有的表现为某一个笔划位置或形态的微小变化,又比如“干”和“于”仅在字符的下 部有一细微的差别。即使由人来辨认卬刷体的这些汉字,在无上下文信息的帮助时,也 很容易出错。识别算法和系统必须能够正确判定这些细微的差异,否则就会发生错误。当前,我国较为先进,也是应用较为广泛的汉字识别技术为汉王公司的汉王汉字识 别软件,技术来自于清华大学丁晓青教授在模式识别、图像处理、文字
13、识别方而的突破。 而且值得一提的是,我国的汉字识别方而己经有了一个相当成熟的技术空间。1.3本文研究的主要内容基于以上所述,木文将重点研究印刷体宋体汉字识别技术方面的相关技术,印刷体 汉字识别技术主要分预处理、特征提取、匹配识别和后处理四部分。木文对预处理和后 处理部分只是做基础性的研究工作,将重点放在研究特征提取和匹配识别两部分。因此本文一共将分五章论述所研究的内容第一章,简要介绍印刷体汉字识别的研究背景,存在的问题,和本文的主要工作及 章节安排。第二章,详细的介绍了印刷体汉字识别研究历程,研究范围和分类,汉字识别的流 程和方法(预处理,特征提取,特征匹配)。第三章,阐述了印刷体汉字识别预处
14、理的过程,详细论述了对整体文档图像的处理 方法,包括图像的二值化、平滑去噪和行字切分的研究及实现。以及后期的特征提取与 特征匹配。第四章,利川matlab编程方式实现汉字识别过程的仿真。第五章,对本文工作的总结,以及对该项技术日后发展的展望。292汉字识别技术的相关基础知识2.1概述印刷体汉字识别系统由输入设备、汉字识别模块和计算机硬、软件三部分组成。核 心部分是汉字识别模块部分,印刷体汉字识别的过程主要过程包括预处理、特征提取、 特征匹配、识别后处理。在本文中,将二值化,平滑去噪,文木行字切分都归为预处理。 汉字图像通过光电扫描仪,CCD器件等工具扫描成为二维图像信号(数码图像),该种信 号
15、在文木中以图片(jpg, bmp等格式)形式显现,而后通过本文所介绍的预处理,特征提 取与匹配及相关后处理等实现汉字识别的过程,其系统流程框图如图1所示。图1印刷体汉字识别系统框图经图(1)的流程处理后可输出数码形式的汉字字符。2.2汉字识别流程2.2.1预处理由于通过各种光电设备或者模数转换手段获得的汉字图像必定不可避免存在一些 噪声干扰。这将导致图像质量下降,也最终影响了整个系统的识别率。因此在对汉字图 像进行识别处理之前,对其进行预处理,也就是加载一个图像增强的过程,从而尽可能 降低干扰因素,这也是非常有必耍的。木文所介绍的印刷体汉字识别技术的预处理主耍 由二值化,平滑去噪与行字切分等几方面组成。(1) 二值化将一幅具有多种灰度值的图像变成白黑分布的二值图像的工作称为二值化处理, 二值化的主要目的是将汉字从图像中分离岀来。通常的方法为先确定像素的阈值,比较 像素值和阈值的大小,从而确定为1或0,这里二值化阈值的选取较为关键。若阈值取 的过大则保留的信息过多,其中许多杂点无用信息造成了对以后处理的干扰,若阈值取 得过小,则丢失的信息过多,其中许多文字信息产生续断或丢失,造成最终文字提取分 割的信息丢失。如何确定此阈值的过程也就成了研究二值化算法的重点。(2) 平滑去噪平滑化处理是图像增强