甲骨文图符提取全链路：边缘检测、多边形拟合与文字分割实战

简介这份资源面向数字图像处理研究人员、古文字与文物保护方向的技术爱好者围绕甲骨文图符提取这一具体课题提供了一套基于Matlab的完整实验方案。内容涵盖边缘检测与质心定位、图像校正、背景去噪、形态学处理、二值化、多边形拟合以及文字分割等关键环节并配有代码实现与实验结果分析同时讨论了方法在破损严重等复杂情况下的局限与改进方向。资源包共1个文件为docx文档大小约795KB内含实验描述、方法分析、流程图、结果展示及Matlab代码片段结构完整便于按任务模块对照学习。目前已有203人学习下载。读者可借此掌握从甲骨图像预处理到字符有序提取的完整技术链路理解Hough变换、Canny边缘检测、连通域分析等算法的实际应用并获得可复用的代码思路与排错经验为后续文字识别与文物数字化研究打下基础。1. 甲骨文图符提取从一张模糊拓片到可编辑矢量轮廓的完整链路手里拿到一张甲骨文拓片扫描件灰度不均、字口边缘发虚、背景还有大片噪点想把它变成能测量、能比对、能入库的矢量图符——这件事在数字图像处理里有一条相当成熟的链路边缘检测先把笔画轮廓勾出来多边形拟合把锯齿状的像素边界压成少量顶点文字分割再把一个个图符从整版里切开。三个环节环环相扣任何一步参数没调好后面全是血泪经验。这套方案适合做古籍数字化、考古图像分析、文字识别预处理的从业者也适合想拿一个真实场景练手边缘检测与轮廓逼近的工程师。下面按我实际跑通的顺序把每一步的选型理由、可抄作业的代码和踩过的坑讲清楚。2. 边缘检测为什么 Canny 仍是甲骨文笔画的首选基线甲骨文图符的笔画特点是细、断续、方向多变且拓片本身存在大量非笔画的高频噪声龟甲裂纹、拓包纹理。这决定了边缘检测器必须同时满足两个矛盾的要求对弱边缘敏感又不能把噪声全当成边缘。我试过 Sobel、Laplacian、Scharr最后稳定用 Canny 打底原因是它有双阈值和滞后连接机制能把断开的笔画边缘重新连起来而单阈值算子做不到。2.1 高斯滤波核与 sigma 的取值逻辑Canny 第一步是高斯平滑核大小和 sigma 直接决定多少细节被抹掉。甲骨文笔画宽度通常在 2 到 6 像素之间取决于扫描分辨率sigma 设大了笔画直接糊没设小了噪声压不住。import cv2 import numpy as np def preprocess(img_path, gauss_ksize5, sigma1.4): # 以灰度读入避免通道干扰 img cv2.imread(img_path, cv2.IMREAD_GRAYSCALE) # 高斯滤波ksize 必须为奇数sigma 控制平滑强度 blurred cv2.GaussianBlur(img, (gauss_ksize, gauss_ksize), sigma) return img, blurred逻辑说明gauss_ksize5对应约 5 像素邻域配合sigma1.4是经验起点。参数说明如果扫描分辨率在 300dpi 以上、笔画较粗可以把 ksize 提到 7、sigma 提到 2.0如果笔画只有 1 到 2 像素宽ksize 保持 3、sigma 压到 0.8否则笔画会被平滑掉。我一般会先跑一遍看模糊后的图笔画还清晰可辨才算过关。2.2 双阈值的确定别用固定比例用梯度直方图Canny 的高阈值high和低阈值low是最容易翻车的地方。很多人直接写low50, high150换一张拓片就废。可靠做法是先算梯度幅值直方图取一个能覆盖大部分真实边缘的分位数。def auto_canny_thresholds(blurred, low_ratio0.4, high_percentile85): # Sobel 计算梯度幅值 gx cv2.Sobel(blurred, cv2.CV_32F, 1, 0, ksize3) gy cv2.Sobel(blurred, cv2.CV_32F, 0, 1, ksize3) mag np.sqrt(gx**2 gy**2) # 高阈值取梯度幅值的高分位数只保留强边缘 high np.percentile(mag, high_percentile) low high * low_ratio return float(low), float(high) def canny_edges(blurred, low, high): # apertureSize 固定 3L2gradientTrue 用真实欧氏距离算梯度 return cv2.Canny(blurred, low, high, apertureSize3, L2gradientTrue)逻辑说明high_percentile85表示只把梯度最强的 15% 像素当作强边缘种子low_ratio0.4是滞后连接的经典比例。参数说明拓片噪声大时把 high_percentile 提到 90 到 92宁可漏掉弱边缘也别引入噪声笔画本身很淡时降到 75 到 80。L2gradientTrue比默认的 L1 更准代价是慢一点但对斜向笔画值得。2.3 形态学闭运算修补断笔Canny 出来的边缘经常在笔画交叉处断开直接做轮廓提取会碎成一堆小段。用一个小尺寸的闭运算把邻近边缘连起来比调低阈值更安全因为调阈值会同时引入噪声。def close_edges(edges, ksize3, iterations1): kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (ksize, ksize)) # 闭运算 先膨胀后腐蚀连接断口但不过度加粗 return cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel, iterationsiterations)逻辑说明椭圆核比矩形核更贴合笔画的自然走向。参数说明ksize 从 3 起步断口大就加到 5但别超过笔画间距否则相邻笔画会粘在一起后面分割就分不开了。iterations 一般保持 1多次迭代等于放大核效果类似但更难控制。3. 多边形拟合把锯齿边界压成可用的矢量顶点边缘图是像素级的一条笔画边界可能有几百个点直接拿去做匹配或存储既慢又占空间。多边形拟合的目标是用尽量少的顶点逼近这条边界同时保证形状不失真。OpenCV 的approxPolyDP基于 Douglas-Peucker 算法是这条链路上最稳的工具。3.1 轮廓提取与层级关系处理拟合之前要先拿到轮廓。甲骨文图符有外轮廓也有内孔比如“口”字形必须用带层级的检索模式否则内孔会丢。def extract_contours(edges): # RETR_CCOMP 建立两层结构外轮廓与内孔 contours, hierarchy cv2.findContours( edges, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE) # 过滤掉面积过小的噪声轮廓 valid [c for c in contours if cv2.contourArea(c) 20] return valid, hierarchy逻辑说明RETR_CCOMP把所有轮廓组织成外边界和内孔两层适合有孔洞的文字。CHAIN_APPROX_SIMPLE只保留拐点压缩直线段上的冗余点。参数说明面积阈值 20 是经验值分辨率高时按比例放大目的是滤掉裂纹和噪点形成的小闭合区域。3.2 epsilon 的选取轮廓周长的百分比而非绝对值approxPolyDP的epsilon是逼近精度表示原始轮廓与拟合多边形之间的最大允许距离。用固定像素值在不同大小的图符上表现差异极大正确做法是按轮廓周长取百分比。def fit_polygon(contour, epsilon_ratio0.01): # 按周长计算 epsilon保证不同尺寸图符的拟合程度一致 peri cv2.arcLength(contour, True) epsilon epsilon_ratio * peri approx cv2.approxPolyDP(contour, epsilon, True) return approx逻辑说明epsilon_ratio0.01表示允许偏差为周长的 1%是形状保真与顶点数量的平衡点。参数说明想要更贴合原始边界就降到 0.005顶点会翻倍想要更简洁的矢量表示就升到 0.02但笔画转折处会变圆钝。我一般对甲骨文用 0.008 到 0.012 之间具体看笔画曲直程度。3.3 顶点数与形状保真的权衡表不同 epsilon 下的实际表现差异很大下面是我在一批拓片上统计的典型数据供选参参考。epsilon_ratio平均顶点数形状偏差适用场景0.00580-120极小精细比对、字形研究0.01030-50小常规入库、检索0.02012-20中等快速预览、粗分类0.0356-10大仅做位置标注选参时先明确下游用途要做字形相似度计算就选小 epsilon要做版面分析选大 epsilon。别一套参数打天下这是最常见的误用。4. 文字分割从整版拓片切出单个图符边缘和拟合解决的是单个图符的表示问题文字分割解决的是“哪个像素属于哪个字”的问题。甲骨文版面里图符大小不一、排列不规则、还有大量残缺字分割比规整印刷体难得多。4.1 基于连通域与投影的混合分割纯投影法对不规则排列失效纯连通域对粘连字失效。我一般先用连通域拿到候选区域再用投影做二次切分。def segment_glyphs(binary, min_area100, max_area50000): # 连通域分析统计每个区域的面积和包围盒 num, labels, stats, centroids cv2.connectedComponentsWithStats( binary, connectivity8) boxes [] for i in range(1, num): # 跳过背景标签 0 x, y, w, h, area stats[i] if min_area area max_area: boxes.append((x, y, w, h)) return boxes逻辑说明connectivity8允许对角连接适合笔画斜向的甲骨文。参数说明min_area滤掉噪点max_area滤掉整版粘连的大块。这两个阈值必须按实际分辨率调没有通用值。4.2 粘连图符的投影切分当两个图符挨得太近被连通域合并成一个框时用垂直投影找波谷切开。def split_by_projection(binary, box, valley_ratio0.15): x, y, w, h box roi binary[y:yh, x:xw] # 垂直投影每列的前景像素数 proj roi.sum(axis0) / 255 # 找投影低于阈值的位置作为切分点 threshold proj.max() * valley_ratio split_points [i for i in range(1, w-1) if proj[i] threshold and proj[i-1] threshold] return split_points逻辑说明投影波谷代表两个图符之间的空白列。参数说明valley_ratio0.15表示波谷要低于峰值投影的 15% 才算有效切分点调高会更激进地切分调低则更保守。切分后要重新验证每块的面积是否合理避免把单个字的笔画切开。4.3 分割结果的验证与回退分割完必须验证否则错误会一路传到下游。我一般检查三项每块的长宽比是否在合理范围、面积是否突变、与原始边缘的重合度。def validate_segments(binary, boxes, aspect_range(0.2, 5.0)): valid [] for (x, y, w, h) in boxes: aspect w / float(h) if aspect_range[0] aspect aspect_range[1]: valid.append((x, y, w, h)) return valid逻辑说明长宽比异常通常意味着粘连或碎片。参数说明aspect_range按甲骨文字形统计设定一般不会出现极端细长的单字。验证不通过的框要回退到人工确认别硬塞进下游。5. 避坑与排查这条链路上最容易翻车的五个地方5.1 边缘检测把龟甲裂纹当成笔画现象边缘图里出现大量长而直的线条拟合后变成无意义的细长多边形。原因裂纹梯度强且连续Canny 双阈值拦不住。解决在预处理阶段加一步方向性滤波或者对边缘图做长度和直线度过滤把过长且曲率极低的轮廓剔除。5.2 多边形拟合后笔画转折变圆角现象甲骨文的方折笔画拟合后变成圆弧。原因epsilon 过大Douglas-Peucker 把转折点当冗余点删了。解决把 epsilon_ratio 降到 0.005 到 0.008或者对轮廓先做角点检测强制保留角点作为拟合约束。5.3 文字分割把偏旁和主体切成两块现象一个左右结构的字被切成两个框。原因投影波谷阈值太激进偏旁与主体之间的间隙被误判为字间间隙。解决提高 valley_ratio 到 0.25 以上或者引入最小字宽约束小于该宽度的切分不执行。5.4 不同分辨率拓片参数全部失效现象一套参数在 A 拓片上完美换 B 拓片全崩。原因所有阈值都是绝对像素值没做尺度归一化。解决预处理阶段统一缩放到固定笔画宽度或者把所有像素阈值改成相对于图像尺寸或笔画宽度的比例值。5.5 内孔轮廓丢失导致字形错误现象“口”“日”这类字的内孔在拟合结果里消失。原因用了RETR_EXTERNAL只取外轮廓。解决改用RETR_CCOMP或RETR_TREE并在拟合后按层级关系重建内外轮廓的从属结构。6. 进阶技巧用轮廓层级重建可编辑的矢量图符走到这里你手里应该有了每个图符的多边形顶点和它们的层级关系。最后一步是把它输出成真正可用的矢量格式而不是停在 OpenCV 的approx数组里。我一般用 SVG 的 path 表达外轮廓顺时针、内孔逆时针靠填充规则自动挖孔。def contours_to_svg_path(contours, hierarchy, scale1.0): # 将轮廓顶点序列转成 SVG path 的 d 属性 paths [] for i, cnt in enumerate(contours): pts cnt.reshape(-1, 2) * scale if len(pts) 3: continue d M L .join(f{p[0]:.1f},{p[1]:.1f} for p in pts) Z # 内孔用 evenodd 填充规则自动挖空 paths.append(d) return paths逻辑说明每个轮廓独立成一条子路径靠 SVG 的fill-ruleevenodd让内孔自动镂空不需要手动判断方向。参数说明scale用于把像素坐标转成物理单位做测量时按实际 dpi 换算。输出后建议用矢量软件打开核对一遍重点看内孔是否正确、转折是否保留。验证方法上我习惯做一次往返测试把生成的 SVG 重新栅格化和原始二值图做像素级比对重合率低于 95% 就说明拟合或分割有问题回去查 epsilon 和分割阈值。这个习惯帮我拦下过不少“看起来对、实际错”的结果。这套链路我从最早用固定阈值一路踩坑到现在最大的教训是别迷信任何一组“万能参数”所有阈值都必须跟着分辨率和笔画宽度走。每次换一批拓片先跑一遍直方图和投影统计再定参数比事后调参省事得多。希望帮到你。本文还有配套的精品资源点击获取