复杂背景下彝文古籍文本提取方法分析-计算机应用技术专业论文.docx

中南民族大学硕士学位论文 中南民族大学硕士学位论文 复杂背景下彝文古籍文本提取方法研究 复杂背景下彝文古籍文本提取方法研究 I I II II 摘 要 彝文古籍承载了彝族的古老文明，生存现状艰难，急需采用数字化手段对其保 护和利用。从彝文古籍中准确提取文本是对其进行识别的重要前提。彝文古籍由 于其自身特点及年代久远、退化严重，具有较复杂背景，对其中文本提取方法进 行深入研究不仅有利于其保护和利用，而且可以探索复杂背景下文本提取的新思 路和方法。 本文首先介绍了复杂背景下文本提取的基本步骤，包括文本检测、文本定位和 前/ 背景分割，并详细分析和比较了文本区域检测的各种方法，然后根据彝文古籍 的特点，并针对基于边缘或纹理单一特征的检测方法的不足，提出结合边缘和纹 理特征的新方法来准确检测文本区域。在此基础上，提出了彝文古籍文本提取的 完整解决思路和技术方案。主要工作如下： 首先，彝文字符大多由四个方向的笔划组成，而笔划中的像素通常具有很强的 边缘，因此本文采用四个方向的 Sobel 算子检测边缘，并在每个边缘图上提取像素 点所在局部窗口的特征；同时古籍中的文本也具有规则的纹理，本文采用小波变 换分解原始图像，并在高频子图上提取像素点所在局部窗口的特征，以反应图像 的细节纹理。本文将综合边缘和纹理特征以准确反映彝文古籍图像中文本特点。 然后，对于文本和非文本像素的分类问题，本文采用基于 GBDT(Gradient Boost Descent Tree)学习理论设计分类器。将 Boosting 学习理论与决策树进行组合，可以 有效的改进决策树的准确性，并能很好地抵抗过拟合问题。同时采用决策树作为 基学习器，无需对不同量纲的特征进行归一化处理，并能获得易于解释的规则集 合，因此，适合于图像中文本和非文本的分类问题。 最后，采用形态学变化和先 验规则以准确定位文本区域 ，对文本区域先采 用 Wi ener 滤波器对其进行处理，平滑不一致背景、消除部分噪声点和加强文本与背 景的对比，并采用局部阈值方法二值化。 实验结果表明，与基于边缘或纹理单一特征的方法相比，采用综合边缘和纹理 特征的方法能较大提升彝文古籍中文本区域检测的准确率。本文所提出方法能准 确提取彝文古籍中文本。 关键词：复杂背景，文本提取，文本检测，边缘检测 ABSTRACT Ancient Yi character documents load the ancient civilization of Yi, but they survive in a very difficult situation and need to be protected by digital methods urgently. Extracting text from Ancient Yi character documents accurately is a important precondition to recognize them. Because of the characteristics of Ancient Yi character documents, severe degradation and complex background, the study of methods to extract text from them will not only have benefits to the protections and usage of them, but also explore new ideals of extracting text from complex background. This thesis first introduces basic steps of extracting text from complex background, including text detection; text localization and foreground-background separation, then compare and analyze the methods text detection mainly. To resolve the defects of methods based-on edge or texture feature, we propose a new method to detect text accurately based on edge and texture features together for Ancient Yi character documents. And then propose a