[发明专利]一种基于块投影的藏文历史文献文本区域提取方法

权利要求书

1.一种基于块投影的藏文历史文献文本区域提取方法，其特征在于，包括以下步骤：

步骤1，采集数据；

通过扫描设备或拍照设备对藏文历史文献进行扫描或拍照，获得藏文历史文献的图像；

步骤2，数据预处理；

步骤2.1，光照均衡；

将采集到的藏文历史文献的图像进行Gamma矫正，消除在获取图片的过程中产生的光照不均衡的影响；

步骤2.2，倾斜矫正；

将步骤2.1得到的藏文历史文献图像进行灰度化处理；然后再利用基于Hough变换的倾斜矫正方法将图像进行倾斜矫正；

步骤2.3，二值化；

利用Otsu算法，将步骤2.2得到的图像进行二值化，得到藏文历史文献的二值化图像；

步骤3，块投影；

对二值化图像中的连通区域进行分类；将二值化图像均分为N*N的图像块，利用Harris算法检测二值化图像中的角点，并记录每个图像块中角点的个数；

然后利用连通区域的分类信息和角点信息对均分为N*N的图像块进行过滤，计算过滤后图像块的垂直和水平投影；

步骤4，文本区域边缘提取；

过滤后的图像块不但定位出近似的文本区域的位置，而且突出不同文本区域之间的间隔；通过分析块投影，得到文本区域边缘的近似位置；分析策略如下：

策略一：搜索图像块水平投影，找到水平投影两端的第一个投影值从零到非零变化的点，分别表示为hb，he；把hb，he作为当前文档图像文本区域的近似水平起始位置和水平结束位置；

策略二：搜索图像块垂直投影，找到垂直投影的一对投影值从零到非零和从非零到零的变化点，分别表示为vb，ve；把vb，ve作为当前文档图像的一个文本区域的近似垂直起始位置和垂直结束位置；利用文本区域的近似水平、垂直起始和结束位置，由内向外搜索文本区域的四个边的所有从文本类或背景像素变化为边框像素的第一个像素点，记录下来这些点，作为该文本区域的近似边缘；如果搜索过程中，没有搜索到像素点，则认为此处为断裂部分，其边缘像素点的纵或横坐标用其相邻的点的纵坐标或横坐标填充；该文本区域的近似边缘搜索完毕后，则从ve开始继续搜索图像块的垂直投影，寻找下一个文本区域，直到搜索完图像块垂直投影；

通过策略一和策略二对块投影的分析，被提取出了文本区域的边缘；

步骤5，文本区域边缘矫正；

对步骤4中得到的文本区域的近似边缘进行矫正；矫正步骤如下：

以文本区域的上边缘为例，说明矫正步骤；

步骤一：计算文本区域上边缘点的纵坐标的平均值，表示为avo；

步骤二：从左至右搜索上边缘的点，如果某个点的纵坐标与其前面的边缘点的纵坐标的差大于bt，且此点的纵坐标大于avo，则此点的纵坐标用其前面的边缘点的纵坐标代替；

对其他边缘也按上述步骤做相应的矫正操作，然后根据矫正后的边缘把缺失的点根据步骤4的搜索方式补全。

2.根据权利要求1所述的一种基于块投影的藏文历史文献文本区域提取方法，其特征在于，步骤3所述块投影包括以下步骤：

(1)连通区域分类；

利用八邻域种子填充算法将二值化后图像中的连通区域检测出来，然后利用面积阈值和连通区域的长宽比或宽长比阈值对连通区域分为文本，边框，线段；分类规则如下：

设图像面积为S；面积阈值为a；长宽比或宽长比的阈值为r；

规则一：如果连通区域的面积大于a*S，此连通区域被分类为边框；

规则二：如果连通区域的长宽比或宽长比小于r，此连通区域被分类为线段；

规则三：如果连通区域不满足以上两个规则，则此连通区域被分类为文本；

每个连通区域逐条匹配上述规则，匹配成功某条规则以后就结束，完成连通区域分类，a设为0.25，r的取值为0.05；

(2)角点检测；

将二值化图像均分为N*N的图像块，利用Harris算法检测二值化图像中的角点，并记录每个图像块中角点的个数；

(3)图像块过滤；

利用连通区域的分类信息和角点密度信息过滤图像块；过滤规则如下：

设所有图像块中的最大的角点个数为MN，角点过滤阈值为bf；

规则一：如果图像块中的角点个数小于bf*MN，将图像块从保存列表中删除；

规则二：如果图像不块满足规则一，且图像块中包含大于等于两个非文本类的连通区域，或者图像块是孤立的，或者图像块在图像的边缘且只包含非文本类连通区域；将图像块从保存列表中删除；

规则三：如果图像块不满足规则一、二，且图像块中包含文本类和非文本类连通区域，则调整图像块大小，只保存包含文本类的部分；

所有图像块逐条匹配以上规则，进行图像块的过滤，bf设为0.25；

(4)图像块投影；

利用过滤后的图像块，计算图像块的水平和垂直投影。