基于A_和连通区域方法的藏文古籍文档行分割.pdf

摘要

藏文古籍在我国各民族遗存的古籍文献中占据着重要地位，承载着藏族的文化和

历史。但是由于藏文历史文献存放的时间太久，许多古籍图像文字出现模糊或者缺

失，甚至有些文档无法翻阅，亟需数字化保护和整理。藏文古籍图像识别是数字化保

护的重要组成部分，而藏文古籍图像行分割是字符识别的一个重要步骤。本课题主要

研究藏文古籍图像行分割，针对藏文古籍图像的特点，提出了两种藏文古籍图像文本

行分割的方法，主要内容有以下两个方面：

（1）提出了基于连通区域的藏文古籍行分割方法。由于藏文基线数代表文本行

数，所以本文通过估计基线来确定文本行大概位置及行数，且扩展生长算法能够分割

粘连。方法先对藏文原始图像进行二值化、倾斜校正等预处理，对图像进行水平行投

影，得到投影直方图后进行平滑处理，进而通过峰值检测来估算文本行的基线位置。

其次根据估算的基线位置获取文本核心区域，并结合原二值图像得到伪文本连通区

域。然后通过基于广度优先搜索的扩展生长算法，生成伪文本行图像，最后根据断裂

笔画的质心和文本核心区域边界的距离，实施行归属处理，实现完整的文本行分割。

结果表明，本方法能够更加准确的检测文本行数量，文本行分割准确率达到94.22%。

（2）提出了基于A*算法的藏文古籍行分割方法。A*算法能够自动寻找切分路

径，能够分割粘连。上元音会影响路径的查找，提前处理上元音，对方法优化，能够

避免这个影响。该方法首先对藏文原始图像进行二值化、倾斜校正等预处理，对图像

进行水平投影，得到投影直方图后进行平滑处理，通过峰值检测确定文本行位置和数

量。其次利用检测出的峰值求出文本核心区域，根据该区域提取出上元音，并对上元

音做行归属处理。再把提取完上元音的图像分成7块，利用A*算法对每块分别处

理。在该算法寻找文本行切分路径时，选取5个代价函数，计算从行切分起点到终点

的代价，寻找最小代价路径作为文本行分割路径。最后合并分块的文本行、上元音归

属、旋转恢复文本行原始角度，得到最终文本行分割结果。实验结果表明，该方法能

够有效解决行间粘连、重叠等问题，取得了较好的文本行分割效果，算法的综合性能

指标达到99.3%。

关键词：藏文古籍；文本行分割；连通区域；A*算法

I

ABSTRACT

Tibetanancientbooksoccupyanimportantpositionintheancientbooksanddocuments

leftbyallethnicgroupsinChina,carryingtheTibetancultureandhistory.However,dueto

thelongstoragetimeofTibetanhistoricaldocuments,manyimagesandcharactersofancient

booksareblurredormissing,andevensomedocumentscannotbeaccessed,whichurgently

needsdigitalprotectionandsorting.Tibetanancientbookimagerecognitionisanimportant

partofdigitalprotection,andTibetanancientbookimagelinesegmentationisanimportant

stepofcharacterrecognition.ThistopicmainlystudiesTibetanancientbookimageline

segmentation,AccordingtothecharacteristicsofTibetantext,twomethodsofimage

segmentationofancientbooksareproposed,includingthefollowingtwoaspects:

(1)Alinesegmentationmethod