《印刷体汉字识别及其MATLAB实现》-毕业论文设计（学术).doc

印刷体汉字的识别及其MATLAB实现 0.汉字识别研究的意义 汉字已有数千年的历史，是中华民族文化的重要结晶，闪烁着中国人民智慧的光芒。同时也是世界上使用人数最多和数量最多的文字之一。现如今，汉字印刷材料的数量大大增加，一些专业单位所接触的印刷材料更是浩如烟海，信息量均是爆炸性增长。然而，汉字是非字母化、非拼音化的文字，因此，如何将汉字快速高效地输入计算机，是信息处理的一个关键问题，也是关系到计算机技术能否在我国真正普及的关键问题，更是传播与弘扬中华民族悠久历史文化的关键问题。而且随着劳动力价格的升高，利用人工方法进行汉字输入也将面临经济效益的挑战。因此，对于大量已有的文档资料，汉字自动识别输入就成为了最佳的选择。因此，汉字识别技术也越来越受到人们的重视。汉字识别是一门多学科综合的研究课题，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。一方面各学科的发展给它的研究提供了工具；另一方面，它的研究与发展也必将促进各学科的发展。因而有着重要的实用价值和理论意义。 1.印刷体汉字识别的研究 1.1印刷体汉字识别技术的发展历程 计算机技术的快速发展和普及，为文字识别技术应运而生提供了必备条件。加上人们对信息社会发展的要求越来越高，文字识别技术的快速发展可想而知。印刷体文字的识别可以说很早就成为人们的梦想。印刷体汉字的识别最早可以追溯到60年代，但都是西方国家进行的研究。我国对印刷体汉字识别的研究始于70年代末80年代初。同国外相比，我国的印刷体汉字识别研究起步较晚。从80年代开始，汉字ORC的研究开发一直受到国家重视，经过科研人员十多年的辛勤努力，印刷体汉字识别技术的发展和应用，有了长足进步。 1.2印刷体汉字识别的原理分析及算法研究 汉字识别实质是解决文字的分类问题,一般通过特征辨别及特征匹配的方法来实现。目前汉字识别技术按照识别的汉字不同可以分为印刷体汉字识别和手写体汉字识别。印刷体汉字识别从识别字体上可分为单体印刷体汉字识别与多体印刷体汉字识别。 印刷体汉字识别的流程如图1-1所示： 图1-1汉字识别流程框图 印刷在纸张上的汉字,通过用扫描仪扫描或者数码相机拍摄等光学方式输入后得到灰度图像（Grayscale image）或者二值图像（Binary image）,然后利用各种模式识别算法对汉字图像进行分析,提取汉字的特征，与标准汉字进行匹配判别,从而达到识别汉字的目的。印刷体汉字识别技术主要包括预处理、特征提取、匹配识别和后处理等步骤。 1.2.1预处理 在对原始图像进行识别处理之前，尽可能将干扰因素影响降低，是非常有必要的，也就是要先对原始采样信号进行预处理。预处理通常包括去除噪声、版面分析、二值化、倾斜校正、行列切分、平滑、归一化、细化等。 （1）版面分析 它是指对印刷体文档图像进行分析，提取出文本、图像图形、表格等区域，并确定其逻辑关系，并将相应的文本块连接在一起。 （2）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出来。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，这个二值化阈值的选取较为关键。 （3）倾斜校正 通过输入设备获得的图像不可避免地会发生倾斜，这会给后面的行字分割、文字识别等图像处理与分析带来困难，因此，在汉字识别系统中，倾斜校正是图像预处理的重要部分。倾斜校正的核心在于如何检测出图像的倾斜角。 （4）汉字切分 汉字切分的目的是利用字与字之间、行与行之间的空隙，将单个汉字从整个图像中分离出来。汉字的切分分为行切分和字切分[9]。 （5）归一化 归一化也称规格化，它是把文字尺寸变换成统一大小，纠正文字位置（平移），文字笔画粗细变换等文字图像的规格化处理，并只对文字图像进行投影。 （6）平滑 对数字图像进行平滑，目的是去处孤立的噪声干扰，以平滑笔画边缘。平滑在图像处理中实质是一幅文字图像通过一个低通滤波器，去除高频分量，保留低频分量。 （7）细化 细化处理是将二值化文字点阵逐层剥去轮廓边缘上的点，变成笔画宽度只有一个比特的文字骨架图形。细化处理的目的是有哪些信誉好的足球投注网站图像的骨架，去除图像上多余的像素，从而在不改变图像主要特征的前提下，减少图像的信息量。 1.2.2汉字特征提取 预处理的最终目的是为了更加方便、准确地进行汉字的特征提取，从而提高汉字识别率。对于汉字，其特征大致分为两类，包括结构特征和统计特征，至今总数已经不下百种。 要做到有的放矢，就需要研究已有的获得良好效果的各种汉字特征，分析它们的优点、缺点和适用环境。如下列出常用的一些的汉字结构特征和汉字统计特征。 1.结构特征 (1)抽取笔画法 抽取笔画法是利用汉字由笔