摘 要： 現(xiàn)今，OCR文字識別技術(shù)已經(jīng)飛快發(fā)展，如一般的車牌識別、掃描文本識別等技術(shù)的識別率已達(dá)到非常高的水平，但這些識別技術(shù)在帶水印圖片的文字識別這一方面表現(xiàn)一般。其原因主要在識別前后的處理還不夠。主要講述了文字識別的新預(yù)處理的方法和后期處理的實(shí)現(xiàn)。
??? 關(guān)鍵詞： USM銳化；最大類間方差；閾值；平均灰度值；二值化閾值；拼寫與語法檢查
?
所謂帶水印的圖片，其實(shí)就是在文字的上面加上一層半透明的圖像，如圖1所示。這層圖像不會影響讀者對文字的閱讀，但如果計(jì)算機(jī)要提取圖片里面的內(nèi)容就會非常的困難。
?
為了能準(zhǔn)確且方便地從帶水印的圖片中提取內(nèi)容，本文對圖片的預(yù)處理分成三步：第一步是進(jìn)行灰度處理，第二步是用自動獲取閾值的USM銳化，最后是對圖片進(jìn)行二值化處理。
在眾多文字識別技術(shù)中，暫時還沒有一種識別方法能保證識別出來的內(nèi)容是準(zhǔn)確的，因此，在進(jìn)行識別后的檢查和糾正就顯得很重要。為了在識別錯誤后能盡量地糾正，需要對識別結(jié)果進(jìn)行拼寫和語法檢查及糾正。所以在本文的后部分還介紹一種簡單的識別結(jié)果糾正程序。
1 文字識別的預(yù)處理
1．1 灰度處理
灰度處理主要是對圖片中每一像素的RGB值進(jìn)行映射，映射到0至255的灰度值。所以得出來的圖片就像黑白照片一樣。這樣做就可以降低后面步驟的運(yùn)算量，并且使得圖片更加易于辨認(rèn)。效果圖如圖2所示。
1．2 USM銳化
由于水印是半透明地蓋在文字資料上，使得水印下的文字的邊緣變得模糊且難以辨認(rèn)，因此要對圖片銳化，這樣會突顯圖片中的文字，有利于實(shí)現(xiàn)圖片中的文字與水印分離。
? 在這里不用一般的銳化方法，因?yàn)橐话愕匿J化方法只是對邊緣進(jìn)行增強(qiáng)，而USM銳化則不一樣。USM銳化前和USM銳化后的圖分別為圖3和圖4。
? 從圖3和圖4的對比中，可以清楚地看到，USM銳化不單可以把文字一邊的邊緣增強(qiáng)，同時它還把文字邊緣的另外一邊明顯地減弱。通過這種方法，文字就會被突顯出來，而文字附近的圖像就會被減弱，從而減少半透明水印的面積。并且文字的邊緣還會出現(xiàn)白邊(其實(shí)是由于邊緣減弱造成的部份)，這就為下一步二值化埋下了伏筆。
USM銳化算法中的閾值是需要設(shè)定的，閾值過大，銳化就不能產(chǎn)生出效果；設(shè)定的閾值過小，那么就會同時把文字與水印的邊緣都增強(qiáng)，什么都分不清楚了。由于閾值的設(shè)定至關(guān)重要，閾值是通過最大類間方差法定下來的，方法如下：
對于圖像I(x，y)，前景(即目標(biāo))和背景的分割閾值記作T，屬于前景的像素點(diǎn)數(shù)占整幅圖像的比例記為w0，其平均灰度u0；背景像素點(diǎn)數(shù)占整幅圖像的比例為w1，其平均灰度為u1。圖像的總平均灰度記為u，類間方差記為g。
假設(shè)圖像的大小為M×N，圖像中像素的灰度值小于閾值T的像素個數(shù)記作N0，像素灰度大于閾值T的像素個數(shù)記作N1，則有：
然后，在程序中使T值遍歷0到255，每次都算出方差值g，最后能使g最大的T值就是需要的閾值。但T值無需遍歷那么多次，因?yàn)槲淖忠话愣冀咏谏?，所以可以遍歷從1到90?；叶葓D片USM銳化后的效果如圖5所示。
1．3 二值化處理
??? 通過二值化處理就可以得到主要的文字的圖片了。而這一步最重要的地方是二值化處理時要選取的閾值，閾值決定了能否把圖片中的水印圖除掉。通過以下方法算出閾值：
??? (1)橫向掃描全圖，把兩邊為淺色、中間為深色的所有點(diǎn)(如圖6中F被橫框選中處)的灰度值累加(設(shè)總值為sum1)，同時也累記點(diǎn)數(shù)(設(shè)總數(shù)為p1)。
??? (2)縱向掃描全圖，把上下兩邊為淺色、中間為深色的所有點(diǎn)(如圖6中F被縱框選中處)的灰度值累加(設(shè)總值為sum2)，同時也累記點(diǎn)數(shù)(設(shè)總數(shù)為p2)。
??? (3)得出的二值化的閾值就為：(sum1+sum2)/(p1+p2)。
??? 簡單來說，就是把被白邊圍上的黑點(diǎn)的灰度值進(jìn)行累加，它的和與黑點(diǎn)的數(shù)量相除，就得到了這些黑點(diǎn)的平均灰度值。這也正是在第二步用USM銳化的原因。用該閾值對圖片進(jìn)行二值化后的效果如圖7所示。
2 文字識別的后期處理
經(jīng)過預(yù)處理后，就可以用很多現(xiàn)有的OCR文字識別算法把圖7中的文字提取出來，這里就不再進(jìn)行闡述了。
??? 不難發(fā)現(xiàn)，無論預(yù)處理做得有多好，識別算法技術(shù)有多高，都難免有出錯的時候，因此要對識別的結(jié)果進(jìn)行拼寫和語法的檢查和糾正，這里直接給出實(shí)現(xiàn)該功能的程序。眾所周知，微軟office中的word里有拼寫和語法的檢查糾正功能，并且比較完善。
??? 使用VB.NET實(shí)現(xiàn)拼寫和語法檢查糾正功能的過程如下：
??? (1)確定已安裝office 2003。VB中已建立windows窗體，窗體中有TextBox，它是存放OCR識別的結(jié)果，還有Button，Button中的事件就是拼寫與語法檢查與糾正代碼。
??? (2)在VB中引用Word組件：在解決方案瀏覽器中的“引用”上右鍵->添加引用->標(biāo)簽頁中選“COM”->選中“Microsoft Word 9.0 Object Library”，單擊“確定”即可。
??? (3)在代碼的最前端添加三個語句：Imports Microsoft.Office.Core，Imports Microsoft.Office.Interop.Word和Imports System. Runtime. Interop Services，然后在Button的單擊事件中加如下代碼即可。
??? Dim objWord，objTempDoc As Object
′創(chuàng)建Word對象和臨時文檔
?? Dim iData As IDataObject
′聲明IDataObject存放從剪貼板返回的內(nèi)容
??? objWord=New Word.Application
??? objTempDoc=objWord.Documents.Add
′實(shí)例化Word對象
??? Clipboard.SetDataObject(TextBox1.Text)
′復(fù)制文本框中的識別結(jié)果到剪貼板
??? With objTempDoc
??? .Content.Paste()? ′把剪貼板中的內(nèi)容粘貼到臨時文檔
??? .Activate()
??? .CheckSpelling() ′拼寫檢查
??? .CheckGrammar()? ′語法檢查
??? .Content.Copy()
??? iData=Clipboard.GetDataObject()
??? TextBox1.Text=CType(iData.GetData(DataFormats.Text)， String) ′利用剪貼板把修改后的內(nèi)容返回給文本框
??? .Close()
??? End With
??? objWord.Quit()
??? 本文中所講述的最大類間方差定USM銳化閾值法、基于USM銳化后求黑點(diǎn)平均灰度值的圖像二值化處理法和對識別結(jié)果進(jìn)行檢查糾正，經(jīng)過多次實(shí)驗(yàn)，針對帶水印圖片的文字識別率可高達(dá)98.64%。而前面兩種處理圖像的方法及它們的巧妙結(jié)合正是本文的亮點(diǎn)，并且是原創(chuàng)的。但本算法的運(yùn)行速度并不理想，在以后的研究中希望有新的突破。
參考文獻(xiàn)
[1] 楊柳，牛秦洲.啤酒瓶凸性模號圖像預(yù)處理算法[J].電腦知識與技術(shù)，2007(11)：1089-1091.
[2] 王勇智.數(shù)字圖象的二值化處理技術(shù)探究[J].湖南理工學(xué)院學(xué)報(bào)(自然科學(xué)版)，2005(1).
[3] 呂學(xué)強(qiáng)，遲呈英.英文光學(xué)字符識別的后處理[J].鞍山鋼鐵學(xué)院學(xué)報(bào)，2002(25)：192-196.