基于犹豫模糊集的古籍汉字图像切分方法

针对古籍文献版面图像切分中存在的过切分和粘连等问题,提出基于犹豫模糊集的古籍汉字图像切分方法。首先,对古籍汉字版面图像进行连通区域搜索,获取版面中的笔画部件,实现古籍汉字的初切分;然后,对过切分汉字进行特征分析,提取过切分区域的特征,利用犹豫模糊集在处理多属性决策问题方面的优势,通过建立犹豫模糊集来判断过切分区域归属同一古籍汉字的隶属度,并据此进行过切分区域的合并;最后,对存在粘连和重叠的汉字采用分段像素跳跃数突变分析方法进行分割。在28886个古籍汉字上的实验结果显示,可以达到92.3%的切分准确率和85.7%的过切分合并准确率。

一种古籍汉字图像的多属性模糊检索模型

针对古籍汉字结构复杂、风格多变以及字形图像降质所导致传统文字图像检索技术在应用于古籍汉字图像时性能不佳的问题,引入犹豫模糊集理论,提出了一种古籍汉字图像检索模型.首先,设计面向古籍汉字图像的重叠模糊规范化双弹性网格划分,通过考察当前网格与其近邻网格间各种字形要素间的几何和统计特征,定义相应的犹豫模糊元素,进而构成古籍汉字查询图像和目标图像的犹豫模糊集合;其次,以犹豫模糊集合的加权距离测度作为古籍汉字查询图像和目标图像的相似性测度,得到古籍汉字图像检索结果的有序输出.本文算法在11574幅古籍汉字图像上的检索查准率和查全率分别为78.9%和76.5%.

古籍汉字图像的可变形卷积网络检索模型

针对现有图像检索技术应用于古籍汉字图像时效果欠佳的问题,在传统卷积神经网络(convolutional neural networks,CNN)的基础上,引入可变形卷积构建适用于古籍汉字图像的CNN模型。首先,利用该模型对古籍汉字图像数据集进行特征提取;然后,利用主成分分析法对特征进行降维;最后,度量查询图像和候选图像的余弦相似度,排序并返回结果。所提出的检索方法在古籍汉字图像数据集上的平均精度均值达到70.42%,平均检索用时为3.15 s。实验结果表明,该模型能够有效地提取古籍汉字图像的特征,提高了检索方法的准确率,在古籍汉字图像检索领域具有一定优势。