基于MATLAB的图片中文字的提取及识别要点

数字图象处理DigitalImageProgressing1基于MATLAB的图片中文字的提取及识别邹浩，余龙，邹勇博，刘宇童，和振乔，李少梅（西安电子科技大学电子工程学院，西安，710126）摘要随着现代社会的发展，信息的形式和数量正在迅猛增长。其中很大一部分是图像，图像可以把事物生动地呈现在我们面前，让我们更直观地接受信息。同时，计算机已经作为一种人们普遍使用的工具为人们的生产生活服务。从图像中提取文字属于信息智能化处理的前沿课题，是当前人工智能与模式识别领域中的研究热点。由于文字具有高级语义特征，对图片内容的理解、索引、检索具有重要作用，因此，研究图片文字提取具有重要的实际意义。又由于静态图像文字提取是动态图像文字提取的基础，故着重介绍了静态图像文字提取技术。关键词：MATLAB图像处理文字提取文字识别TextExtractionandRecognitioninImagesBasedonMATLABZOUHao,YUlong,ZOUYongbo,LIUYutong,HEZhenqiao,LIShaomei(XidianUniversityElectronicEngineeringCollege,Xi'an,710126)AbstractWiththedevelopmentofsociety,theformandquantityofimformationareincreasingquickly.Alargepartofthemareimages,whichcanmakethingsvividlypresentedinfrontofus,letusmoreintuitivetoacceptinformation.Atthesametime,thecomputerhasbeenasawidelyusedtoolforpeople'sproductionandlivingservices.Extractingtextfromimagebelongstothefrontierofintelligentinformationprocessing,anditisthecurrenthotresearchtopicinthefieldofartificialintelligenceandpatternrecognition.Asthetextwithhigh-levelsemanticfeatureandplaysanimportantroleonunderstanding,indexingandretrievalimagecontent.Therefore,thestudyonextractingtextsfromimageshaveimportantactualmeanings.Andbecauseextractingtextsfromstillimagesisthebasisforextractingtextsfromdynamicimages,thearticleemphaticallyintroducesthetechnologyofextractingtextsfromstillimages.KeyWords:MATLABimageprocessingwordextractionwordrecognition数字图象处理DigitalImageProgressing2一．引言随着计算机科学的飞速发展，以图像为主的多媒体信息迅速成为重要的信息传递媒介，在图像中，文字信息(如新闻标题等字幕)包含了丰富的高层语义信息，提取出这些文字，对于图像高层语义的理解、索引和检索非常有帮助。图像文字提取又分为动态图像文字提取和静态图像文字提取两种，其中，静态图像文字提取是动态图像文字提取的基础，其应用范围更为广泛，对它的研究具有基础性，所以本文主要讨论静态图像的文字提取技术。静态图像中的文字可分成两大类:一种是图像中场景本身包含的文字,称为场景文字；另一种是图像后期制作中加入的文字,称为人工文字，如右图所示。场景文字由于其出现的位置、小、颜色和形态的随机性,一般难于检测和提取；而人工文字则字体较规范、大小有一定的限度且易辨认，颜色为单色,相对与前者更易被检测和提取，又因其对图像内容起到说明总结的作用,故适合用来做图像的索引和检索关键字。对图像中场景文字的研究难度大，目前这方面的研究成果与文献也不是很丰富，本文主要讨论图像中人工文字提取技术。二．静态图像中文字的特点静态图像中文字（本文特指人工文字，下同）具有以下主要特征:（1）文字位于前端,且不会被遮挡；（2）文字一般是单色的；（3）文字大小在一幅图片中固定，并且宽度和高度大体相同，从满足人眼视觉感受的角度来说，图像中文字的尺寸既不会过大也不会过小；（4）文字的分布比较集中；（5）文字的排列一般为水平方向或垂直方向；（6）多行文字之间，以及单行内各个字之间存在不同于文字区域的空隙。在静态图片文字的检测与提取过程中,一般情况下都是依据上述特征进行处理的。三．文字提取、识别的一般流程数字图象处理DigitalImageProgressing3threshithreshii2,12,03静态图像文字提取一般分为以下步骤：文字区域检测与定位、文字分割与文字提取、文字后处理。其流程如图1所示。（图1）四．文字提取、识别的详细步骤1.在Matlab中调用i1=imread('字符.jpg')，可得到原始图像，如图2所示：（图2）2.调用i2=rgb2gray(i1)，则得到了灰度图像，如图3所示：（图3）调用a=size(i1);b=size(i2);可得到：a=3,b=2即三维图像变成了二维灰度图像3.调用i3=(i2=thresh);其中thresh为门限，在[0，255]之间这里，i2_max=double(max(max(i2)));%获取亮度最大值i2_min=double(min(min(i2)));%获取亮度最小值thresh=round(i2_max-((i2_max-i2_min)/3));得到二值图像，如图4所示：数字图象处理DigitalImageProgressing4（图4）4.把二值图像放大观察，可看到离散的黑点对其采用腐蚀膨胀处理，得到处理后的图像，如图5所示（图5）可见，腐蚀膨胀处理后的图像质量有了很大的改观。横向、纵向分别的腐蚀膨胀运算比横向、纵向同时的腐蚀膨胀运算好上很多，图6可看出差别：（图6）5.对腐蚀膨胀后的图像进行Y方向上的区域选定，限定区域后的图像如图7所示：扫描方法：中间往两边扫数字图象处理DigitalImageProgressing5（图7）纵向扫描后的图像与原图像的对照，如图8所示：（图8）6.对腐蚀膨胀后的图像进行X方向上的区域选定，限定区域后的图像如图9所示：扫描方法：两边往中间扫（图9）纵向扫描后的图像与原图像的对照，如图10所示：（图10）7.调用i8=(iiXY~=1)，使背景为黑色（0），字符为白色（1），便于后期处理。背景交换后的图像如图11所示：数字图象处理DigitalImageProgressing6（图11）8.调用自定义函数（字符获取函数）i9=getchar(i8)，得到图像如图12所示：（图9）9.调用自定义的字符获取函数对图像进行字符切割，并把切割的字符装入一维阵列，切割过程如图12所示：(图12）10.调用以下代码，可将阵列word中的字符显示出来，如图13所示：forj=1:cnum%cnum为统计的字符个数subplot(5,8,j),imshow(word{j}),title(int2str(j));%显示字符end数字图象处理DigitalImageProgressing7（图13）可以看到，字符宽度不一致11.调用以下代码，将字符规格化，便于识别：forj=1:cnumword{j}=imresize(word{j},[4040]);%字符规格化成40×40的end得到规格化之后的字符如图14所示：（图14）12.调用以下代码创建字符集：code=char('由于作者水平有限书中难免存在缺点和疏漏之处恳请读批评指正，。');将创建的字符集保存在一个文件夹里面，以供匹配时候调用，如图15所示：数字图象处理DigitalImageProgressing8（图15）13.字符匹配采用模板匹配算法：将现有字符逐个与模板字符相减，认为相减误差最小的现有字符与该模板字符匹配。假设:字符1001001001001001A，模板字符00000000111111111T，模板字符10010110011010012T也就是说，字符A与模板字符T1更相似，我们可以认为字符集中的字符T2就是字符A。经模板匹配，可得字符信息如下：由于读者书评有限书中难免存在缺点和纰漏之处，恳请读者批评指正。效果如图16所示：（图16）14.调用以下代码，将字符放入newtxt.txt文本：2)))(((,8)))(((21TTAabssumsumAabssumsum数字图象处理DigitalImageProgressing9new=['newtxt','.txt'];c=fopen(new,'a+');fprintf(c,'%s\n',Code(1:cnum));fclose(c);newtxt.txt文本内容如图17所示：（图17）五．反思与体会1.算法具有局限性。对于左右结构的字符（如：川）容易造成误识别，“川”字将会被识别成三部分。当图片中文字有一定倾斜角度时，这将造成识别困难。2.模板匹配效率低。对于处理大小为m×m的字符，假设有n个模板字符，则识别一个字符至少需要m×m×n×2次运算，由于汉字有近万个，这将使得运算量十分巨大！此次字符识别一共花了2.838秒。3.伸缩范围比较小。对于受污染的图片，转换成二值图像将使字符与污染源混合在一起。对于具体的图片，需反复选择合适的thresh进行二值化处理，甚至在处理之前必须进行各种滤波。4.通过这次数字图象处理的学习和报告的撰写，我们小组发挥了团结友爱的协作精神，大量的资料查阅丰富了我们的视野，同时使我们对这么课更加感兴趣。参考文献[1]樊昀，王润生.从图像中提取文字[J].国防科技大学学报,2002,24(1):59-62.[2]王健,王晨.基于静态图片的文本提取技术的研究[J].延边大学学报(自然科学版),2007,33(2):124-128.[3]夏莹,马少平,孙茂松等.计算机语言学方法在中文文字识别后处理中的应用[J].中文信息,1996,(2):50-51.[4]郑阿奇，曹戈，赵阳.MATLAB实用教程[M].北京：电子工业出版社[5]程卫国，冯峰，姚东，徐听.MATLAB5.3应用指南[M].北京：人民邮电出版社[6]陈杨.MATLAB6.X图像编程与图像处理[M].西安：西安电子科技大学出版社数字图象处理DigitalImageProgressing10[7]阮秋琦.数字图像处理[M].电子工业出版社，2001年.[8]徐建华.图像处理与分析[M].科学出版社，1999年.附录主程序源代码：%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%数字图象处理大作业%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%————————图片中文字的提取及识别————————%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%ticI=imread('字符.jpg');%打开图片%figure(1);imshow(I);title('原始图像','color','b');I=rgb2gray(I);%RGB图片转化成灰度图像%figure(2);imshow(I);