[发明专利]装饰字体的合成方法

摘要

装饰字体的合成方法，涉及字体合成方法。1)用户通过数位板交互，输入文字分割意图；2)对标记信息进行分析处理，得到相应的笔画集合B；3)从网络获取图片以及它的伴随文本；4)将收集的图片作为图片库D^I；5)抽取图片的伴随文本和用户输入的文字作为语料库D^T；6)手动筛选丢弃一些不合适的前景图，整合得到最终的图片库D；7)采用语义相似性度量算法筛选合适的图片，将筛选出的图片与笔画进行形状匹配，生成初始的装饰字体；8)对初始的装饰字体进行结构优化，得到优化后的装饰字体。可生成漂亮的、可读的装饰字体。

主权项

1.装饰字体的合成方法，其特征在于包括以下步骤：1)用户通过数位板交互，输入文字分割意图；2)对标记信息进行分析处理，得到相应的笔画集合B；3)从网络获取图片以及它的伴随文本；4)将收集的图片作为图片库DI；5)抽取图片的伴随文本和用户输入的文字作为语料库DT；6)手动筛选丢弃一些不合适的前景图，整合得到最终的图片库D；7)通过度量图片伴随文本DT和输入文字W之间的语义相似性，以及图片D和笔画B之间的形状相似性，即可以为每个笔画匹配到一张合适的图片；匹配的能量方程定义如下：Ematch(W,DT；D,B)＝Esemantic(W,DT)+λEshape(D,B)    (1.5)其中，第一个因子Esemantic度量了图片和输入文字之间的语义相似性；第二个因子Eshape计算了图片和分割后笔画之间的形状相似性，系数λ控制语义因子和形状因子之间的平衡，λ＝3；首先，对于语义相似性度量，使用LDA模型对图片语义文本和目标文字进行分析，挖掘文本文字上的隐含主题的概率分布，然后通过计算它们之间概率分布的差异性来度量语义相似性；所述LDA模型是一种文档主题的生成模型，包含单词、主题和文档三层结构；给定一个文档集合，LDA模型认为每个文档都是由多个隐含主题Z的混合生成；假设语料库中有M篇文档，每个文档中有Nd个单词，d＝[1,M]；根据贝叶斯定理，潜在主题z＝j分布在文档d上的概率p(z＝j|d)可计算如下：其中，j为某一个主题，wi为第i个单词，p(z＝j)为主题为j的概率，p(wi)为出现单词wi的概率；应用LDA模型基于吉布斯采样方法将语料库中的每个文档映射为不同的潜在主题概率分布p(z＝j|d)，然后使用Jensen‑Shannon距离度量方法计算不同潜在主题概率分布之间的差异性Djs；语义度量因子定义如下：di是第i篇文档，dj是第j篇文档；其次，对于图片与笔画的形状匹配；本方法使用一组对数极坐标直方图作为形状描述特征快速高效的寻找合适形状的图片；对数极坐标直方图在局部区域上覆盖一个对数极坐标窗口处理了形状特征；在对数极坐标空间上，它的每个小区间bins均匀分割了所覆盖区域；针对每个bins，形状的灰度值被累加，然后被用作为直方图中的一个组件；在像素的累计过程中，黑色像素作为1而白色像素作为0；h(k)表示第k个bins的灰度累加值，定义为其中q是当前像素的位置；(q‑p)表示当前像素对于对数极坐标窗口的中心p的相对位置；I(q)计算了位置q上的灰度值；具体的形状匹配过程如下：(1)针对每个图片和笔画形状，计算较大数目m(m＝100)个对数极坐标直方图；(2)在匹配的过程中，针对每个笔画，随机选取其中t(t＝5)个对数极坐标直方图作为参考；(3)根据这t个点的索引得到对应图片中的t个的数极坐标直方图；(4)在每个迭代匹配的过程中，图片都会以一定的角度θ进行旋转，通过计算这t对对应的直方图的特征向量的相似性，即得到两个形状的相似性Eshape，定义形状匹配公式如下：其中，SC是形状H的对数极坐标直方图；SCj是形状H的对应采样点j的对数极坐标直方图，H′是H旋转θ角后的形状，SC′j是形状H′的对应采样点j的对数极坐标直方图，pi，qj为两个不同的点，hi(k)表示i点的第k个bins的灰度累加值，hj(k)表示j点的第k个bins的灰度累加值；依据语义‑形状相似性度量算法为每个笔画筛选得到了合适的图片，及其最佳旋转角度θ；然后，使用仿射配准方法来对图片进行一定的变形；最后，组合这些变形后的图片生成初始的装饰字体；8)对初始的装饰字体进行结构优化，得到优化后的装饰字体。