基于空间灰度相关的阿拉伯文古抄本识别" - 历史文献纹理分类的研究

Egyptian Informatics Journal（2011）12，37开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章基于空间灰度相关的阿拉伯文古抄本识别Ahmad M.Abd Al-Aziza，*， Mervat Gheithb， Ayman F.Sayedca埃及加拿大国际学院商业信息系统系b埃及开罗大学研究和统计研究所计算机科学和信息系c埃及法国东方考古研究所东方考古系收稿日期：2010年7月14日;接受日期：2010年2011年3月22日在线提供摘要纹理分析是多个领域中物体识别和分类的基础，其中之一是历史文献手稿，因为手稿保存着我们的文化遗产，并且存在大量未注明日期的手稿。本文介绍了使用纹理分析和无分割方法对旧阿拉伯手稿进行历史文献分类的结果主要目的是区分三个不同时代的不同写作风格的历史文献：当代（现代）时代，奥斯曼时代和马穆鲁克时代。这种分类依赖于空间灰度依赖（SGLD）技术，该技术为每个样本文档提供八个不同的纹理特征。我们采用逐步判别分析和多重判别分析方法对特征进行降维，并从样本中提取训练向量特征要将历史文献分类为三个主要的历史年龄类，应用决策树分类该系统已在Dar Al-KotobAl-Masri图书馆的48份阿拉伯文历史手稿文件上进行了测试结果表明，对阿拉伯文历史文献的分类正确率为95.83%©2011计算机和信息学院，开罗大学。由爱思唯尔公司制作和主持All rights reserved.*通讯作者。电子邮件地址： ahmed_abdelaziz@cic-cairo.com （A.M. Abd Al-Aziz ） ， mervat_gheith@yahoo.com （ M.Gheith ） ， hotmail.com（A.F. Sayed）。1110-8665© 2011计算机和信息学院，开罗大学。制作和主办Elsevier B.V.保留所有权利。开罗大学计算机和信息系负责同行审查。doi：10.1016/j.eij.2011.02.001制作和主办：Elsevier1. 介绍近十年来，科学家们对历史手稿的研究和分析产生了浓厚的兴趣。他们还研究各种语言（拉丁文，阿拉伯文，中文，希伯来文等）的手稿，在不同的地理区域和不同的时代（早期，中世纪和现代），帮助研究人员，历史学家和图书馆员提取和检索信息，帮助他们编辑，索引和存档过程[1，2]。这项工作对于古文字学家来说很重要，因为当他们面对一个未注明日期的历史文献手稿识别问题时，它可能会证实或否定他们的工作，并带来更客观的结论。关键词空间灰度依赖性;古阿拉伯文手稿识别;文档分析;无分割方法38A.M. Abd Al-Aziz等人对代表手稿历史时期的笔迹风格的认识提出了不同的问题：如何在复杂的作品中定义可靠的“风格相似性”？<$使用哪些特征来表征写作风格，并且仅写作风格独立于作者，文本内容和图像质量？[3]第一章我们更感兴趣的是三个不同时代（当代，奥斯曼帝国和马穆鲁克时代）的古代阿拉伯语手稿。我们同意Eglin在[3]中的观点，即对于古文字学家来说，从文字到另一种文字的变化不是以激进的方式进行的，而是通过缓慢而渐进的进化进行的，这解释了很难明确地识别一种给定的文字，如图3所示。1 .一、1.1. 古代阿拉伯手稿古代阿拉伯语手稿被认为比其他语言的手稿更复杂[4]。这种复杂性来自两件事;第一个复杂性适用于所有手稿，包括（字符退化，污点，低质量图像等）。第二种复杂性仅适用于阿拉伯语，包括（文本的草书性、字符重叠、变音符号和阿拉伯书法笔迹的多样性、装饰、框架、装饰、双列布局等）。1.2. 无分段方法由于古代阿拉伯手稿的复杂性，传统的、常规的分段方法将不能有效地描述阿拉伯历史文献。此外，分割结果的准确性与手动设置的阈值的数量和质量有关[5]。为了避免这些困难，我们采用了无分割方法，通过对整个图像进行统计分析，考虑独立于文本内容的文档图像的纹理特征分析。 近年来，基于统计特征分析的无分割方法在不同领域得到了广泛的应用，并取得了良好的效果。Said等人。[6]提出了一种文本独立的方法，并使用多通道Gabor滤波和（SGLD）来提取作家特定的纹理特征。该方法需要通过单词去偏斜生成的统一文本块，设置文本行/单词和文本填充之间的预定义距离。在评价中使用了两组20个书写者，每个书写者25个样本。使用加权欧氏距离和Gabor特征的最近质心分类实现了96%的作家识别准确率。Eglin等人[3]应用SGLD提取了几个特征来描述中世纪古拉丁语和阿拉伯语手稿的写作风格。他们提出，SGLD在同一文档的不同文本区域上是相同的，并且对噪声具有鲁棒性，并且不需要任何图像分割或布局分析。他们通过使用Haralick描述符来减小特征尺寸。从这些特征的组合中，他们定义了一个Srihari等人[7]提出了大量的特征，分为两类。在文档/段落/单词级别操作的宏特征和在单词级别/字符级别。文本相关统计评估在包含1000名作者的数据集上进行，这些作者复制了3次156个单词的固定文本。结果表明，在识别测试中，微观特征优于宏观特征，性能超过80%。Marius Lucian Bulacu[8]提出了一种使用扫描的手写图像来识别作者的自动化过程，从而提供对手写的图1不同的阿拉伯语书写风格（a）1339 hijri，（b）1251 hijri。基于空间灰度相关的阿拉伯文古抄本识别39个性。任意两个样本之间的笔迹风格的相似度是通过使用它们相应的特征向量之间的适当距离度量来计算的。特征和作者分类在统计模式识别的一般框架中操作。结合纹理级别和异体字级别的特征可以产生非常高的作者识别和验证性能，对于包含103个作者的数据集，可用率非常高。文献[9]提出了另一种不使用分割方法的古代手稿分类系统。这项科学工作的目的是提出一个合适的援助工具，对于古文字学家和历史学家来说，帮助他们进行直觉和经验性的工作，以识别写作风格（中世纪的笔迹）和作家的认证（人文手稿）。在这种情况下，他们选择提出一种基于两种互补方法的双重方法：一种基于纹理的方法，认为手写在其全球和均匀的环境中，以及一种基于局部形状的方法，认为手写是一系列循环和右段。他们提出了一种基于Curvelets特征的作家主要的实验结果是非常有希望的，并显示良好的检索（精度）的中世纪数据库和89%的人文数据库上的78%。另一个被提出来表征手写历史文档和不需要任何先验图素分割的不确定性的系统是由Bres等人提出的系统。[10]这项工作是对历史手写语料库数字化的科学问题的回应。它处理手写体去噪和识别（查找来自同一作者的文档），并应用于多语言和多字母表语料库。开发的基于感知的模型基于Hermite频率分解的图像去噪和索引。通过这种方式，他们选择了一种全球通用的无分割方法。目前手写去噪和基于方向Hermite特征的分类结果非常有希望（超过83%）。通过对以往不同研究的回顾，表明无分割方法和统计纹理分析方法是处理历史文献分析问题的有效方法。这种方法被用于与古代文献相关的不同问题，例如古代手稿文献的作者识别[6研究人员也使用该方法进行了识别[10]，一些论文侧重于历史文献的分类和识别[6，9，5]。2. 拟议系统通过文献综述，说明了无分割统计特征分析方法在开发历史文献分析系统中的重要性和优越性。空间灰度相关（SGLD）是一种独立于文本内容和字母频率的历史文档图像特征分析方法。因此，我们提出了一个自动识别系统的旧阿拉伯文件手稿在三个不同的时代：当代（现代），奥斯曼帝国和马穆鲁克时代使用SGLD技术。该系统接受未注明日期的古代阿拉伯文文档图像，在预处理步骤之后，系统将SGLD应用于该图像，然后从中提取一组特征，然后将其分为三个主要的不同类别：当代（现代）时代，奥斯曼时代或马穆鲁克时代。的示意该系统的性能如图所示。 二、图2古代文献分类系统框图表1历史书籍和不同的写作风格在当代，奥斯曼和马穆鲁克时代的样本。年龄书年页数书籍数量当代塔布·阿米尔1379时202布尔德·阿卡布尔下午1时3910奥斯曼Sharh Kafyt ze Al-lob wa Al-fahm fy Asol1250小时104Ma Rawah Al-wa1251小时15Mqn995小时10Al-drr fy1196小时5马穆鲁克Moftah Al734小时54Fwa894小时5Moftah Al877小时5穆夫斯勒·菲·纳赫649小时5总901040A.M. Abd Al-Aziz等人Xi;jI：JI：Ji;j1ji-jjX X2.1. 预处理为了准备实验的数据集，我们将所有文档图像设置为灰度级，并且在尺度方面所有文档图像都具有相同的大小（400· 320），并且所有文档图像都具有相同的方向，因为SGLD技术对图像的方向敏感。最后，所有页面的比例都相同，以保证我们比较相同的信息。所有样本均从Dar Al-Kotob Al-Masria采集。我们从页面中只选择文本区域而不选择边距。该系统由90个文档图像组成，这些图像来自与三个主要不同时代相关的10本书或手稿：从1220年回历至今的现代（现代），从923年回历到1220年的奥斯曼帝国，以及从648年开始的马穆鲁克3由于（Dx，Dy）参数，SGLD对旋转敏感，因此对于同一文档，当方向改变时，SGLD矩阵不同。在我们的实验中，我们选择一个偏移向量[0 1]，这意味着在所有文档图像中有1个相邻像素为02.3. 特征选择Haralick[12]描述了可以从SGLD矩阵计算的14个统计量，我们使用以下8个Haralick回历923回历。如表1所示，一位古文字专家对古代阿拉伯语手稿进行了比较。2.2.应用空间灰度依赖（SGLD）相关性：i-lij-ljpi;ji;jrirj反差矩齐性：Xpi;ji;jð2Þð3Þ可以从SGLD评估同现，SGLD是根据两个不同像素的空间关系在两个不同像素之间观察到相同强度值的联合概率[11]。默认情况下，空间关系被定义为感兴趣的像素和其紧邻的像素（水平相邻）[6]，SGLD只是一个矩阵或分布，在图像上被定义为共生分布在给定的偏移（像素之间的距离）值数学-对比度：Xji-jj2pi;j 4角二阶矩能量：Xpi;j2<$5熵：-Xpi;jlogpi;jlog6平均值：X Xi：pi;j 7我J通常，在N·M图像I上定义共生矩阵C，由偏移量（Dx，Dy）参数化为平方和s方差：Xi-l28n mCDx;Dy i; jp<$1q<$11;如果I =p;q=i且I=p=Dx;q=Dy=j0;否则ð1Þ协方差：Xi-lij-ljpi;j9为了从Haralick的纹理特征中选择一个特征子集来降低维数从输出中，我们可以识别SGLD方法的一组特征：1 SGLD在同一文档的不同文本区域上是相同的，并且对噪声具有鲁棒性，并且不需要任何图像分割或布局分析[3]。2 SGLD不仅在同一文档的不同文本区域相同，而且在同一作者的整个手稿中的所有文档都相似。 因此，我们不必研究整个手稿的所有文档图像。将选择方法应用于样本训练数据。第一种方法是多重判别分析的改进版本，第二种方法是逐步判别分析。2.3.1. 多重判别分析的一个改进版本在我们的研究中，这种方法的目的是选择那些具有最大比率的特征，该比率是使用训练集中的所有样本计算的特征的方差与根据以下公式为训练集中的每个类计算的特征的方差之表2特征的多重判别分析的结果特征相关齐次熵对比能量均值方差协方差所有类别0.00920.00440.00131113500.00三个类中特征的方差和0.014163140.0095100770.0047030391352804.4940.89988936580328.1585888328.16061.80E-064.95965163330560.1531300560.14314.26678E-06比0.649573*0.462667*0.2764170.823105*0.421372*0.1814420.2430060.293878所有比值的平均值：0.4242。*所选功能。.i;j基于空间灰度相关的阿拉伯文古抄本识别41¼ ð Þ[1/2]vrfcXX表4测试文档的总数和百分比。年龄文件数量百分比（%）当代714.58奥斯曼2245.83马穆鲁克1531.25年龄不详48.33总48KdeterminantWx11detriveTx其中xx1;x2;.. . ;xp是当前包括在系统中的特征的向量。qng瓦罗夫河Wi;jXxigt-xigxjgt-xjg12P10其中，fc仅包含来自类别c的特征值，并且fcong<$1t<$1对于正在考虑的功能，以及qng从所有文档图像类中获取特征这个目标一个标准是识别将类彼此广泛分离的特征（总方差），同时保持类Ti;jxg<$1 t<$1IGT— xigxJGT— xj13为了尽可能紧密地聚类（类内方差之和）[12]，从SGLD矩阵计算的前8个特征的多重判别分析结果如表2所示。从前面的结果中，我们选择了那些具有最大比率的特征（基于所有比率的平均值），这些特征依次为：对比度，相关性，同质性和能量。2.3.2. 逐步判别分析为了识别组合特征，最大化描述其将类别彼此分开的能力的标准，同时保持各个类别尽可能紧密地聚集，我们应用逐步分布，是平方和（总方差）和叉积的总和。其中q是类的数量，ng是类g中的样本的数量，xigt是类g的样本t的特征i的值，xig是特征i在类g上的平均值，并且xi是特征i在所有类上的平均值。K值低表示特征更好地区分类别。我们注意到，标准K只不过是从多重判别分析的修改版本中计算出来的值（见等式2）。（10）），但是这里我们搜索使K的准则值最小化的特征集。因此，为了适应该过程的逐步性质，使用了部分K统计量统计数据-TIC描述了系统的辨别能力的增加添加新功能后的时间，xp+1Ketchesx;x在犯罪分析中，使用的标准是威尔克斯克卢克斯第1页·x轴第1页克鲁克斯河ð14Þ图3决策树分类。8个c是组内平方和（方差）和叉积表3最佳显著特征组合。步骤 功能组合Sig. F-进入威尔克斯1对比0.0002对比0.0000.635相关性0.0000.5193对比0.0000.512相关性0.0000.363均匀性0.0000.2854对比0.0000.373相关性0.0000.245均匀性0.0000.226能源0.0000.149F输入的最大显著性为0.05。42A.M. Abd Al-Aziz等人表5古 代 阿拉伯文献的测试结果。测试案例系统测试文件总数：48。分类正确率：95.83%。错误分类率：4.17%。*错误分类的文件。**专家和系统之间的一致结果。进入Q-1Kxp1·x为了便于确定向系统中添加新特征是否会显著增加区分度，将Wilk我们应用顺序前向选择算法[12]，用于计算尚未包括的每个特征j的F-进入统计量F你好。n-p-q= 0。1-Kxp1·x15其中n是所有类别中的数据样本数，p是当前分析中的特征数，q是类别数，表3显示了系统中使用的最佳显著特征2.4. 分类我们应用决策树分类方法，以便根据选定的特征对90个训练样本进行分类。决策树是一种多级决策系统，其中类被顺序拒绝，直到我们达到最终接受的类[14]。在分类之前，文档图像特征数据被分为三个主要的不同训练类：当代（现代），奥斯曼帝国和马穆鲁克时代，如图所示。第三节：3. 结果为了测试我们的系统，我们将测试阶段应用于不同三个主要时代的48个古代阿拉伯文文档，如表4所示：为了保证系统的可靠性，我们考虑了两个主要参数：第一个是第二个是手稿的类型。3.1. 水平认知我们进行了三个层次的测试。级别1：在这个级别中，我们测试了样本训练数据中不包含的日期文档图像，但系统中包含了它们的日期手稿。在该级别中，系统负责对该文档图像进行分类。第2级：在这个级别中，我们测试了系统中未包含的过时文档图像和手稿。在该级别中，系统还负责对该文档图像进行分类。最后第3级：在这个级别中，我们测试了未注明日期的文档图像，以及系统中未包含的未注明日期的手稿。这一级别是最难识别的级别;我们依赖于系统制造商名称年份（回历）年龄页码总页数结果Resala Fe Al-Hanadsa748马穆鲁克四、五十七、五十八3马穆鲁克阿卡布尔堡1339当代6,72当代Moftah Al-Olom877马穆鲁克3081马穆鲁克迈萨德尔1202奥斯曼一、二2奥斯曼Sharh Lob Al-Albab855马穆鲁克尾页部分1马穆鲁克蒙塔卡卜1228当代十，十一2当代Al-Sayae Al-Mahmoud1330当代一、二2奥斯曼*莫克奈––一、二2奥斯曼**无题1379当代第1页的部件1当代奥洛姆·哈得斯661马穆鲁克首页和末页2马穆鲁克Al-Bayan Al-Mofed845马穆鲁克11马穆鲁克Nathl Al-Hemian836马穆鲁克在最后一页和最后一页2马穆鲁克Asaned Al-Kotob Al-Seta1190奥斯曼一、二2奥斯曼古兰经866马穆鲁克Soret Al-Zaryat 11马穆鲁克古兰经866马穆鲁克Soret Al-Zaryat 21马穆鲁克古兰经9世纪马穆鲁克Soret Al-Moamenon-11马穆鲁克古兰经9世纪马穆鲁克Soret Al-Moamenon-21马穆鲁克沙赫·卡菲特·泽·洛布1250奥斯曼五、七、八、九、十四、十五、十六、十七、十八、二十四、二十五11奥斯曼wa Al-fahm fy AsolMa Rawah Al-wa1251奥斯曼十二、十七、二十五3奥斯曼Fy Akhbar Al-TaMqn995奥斯曼第29-30页和第31-322奥斯曼阿达卜·兹瓦吉穆夫斯勒·菲·纳赫649马穆鲁克1881马穆鲁克诺扎特阿尔巴卜843奥斯曼在最后一页和最后一页2奥斯曼铁阿尔卡布Al-Amsela Al-Mokhtalefa––一、二2奥斯曼**费·萨尔夫总48基于空间灰度相关的阿拉伯文古抄本识别433.2. 古代文献图像在测试的古代文献中，我们选择了各种复杂类型的文档来展示免分割方法的有效性，例如：带有装饰的古代文献、来自文档图像的小部分、带有退化的文档图像以及文本图像文档。下表显示，对48份不同的测试古文献的正确识别率为95.83%（表5）。4. 结论这项工作的目的是帮助古文字学专家通过将未注明日期的阿拉伯语手稿近似于某个时代的类似写作风格来通过目前的研究，我们提出了一个识别系统的古代阿拉伯文件在三个主要的历史时期：当代，奥斯曼和马穆鲁克时代基于无分割方法，该方法认为文档图像的纹理特征分析独立于文本通过统计分析整个图像的内容SGLD用于计算一组特征，帮助我们分类和识别古代阿拉伯文献。该系统对不同年代的阿拉伯文文献，如阿拉伯文文字、阿拉伯文文字等复杂情况下的阿拉伯文文献都SGLD的局限性在于它必须在相同的比例尺、比例尺和偏移方向上使用，才能有效地识别未注明日期的古文献。作为未来的工作，SGLD将被测试，以识别更古老的时代，如：阿巴斯和法蒂玛时代的未注明日期的古代文献。最后，我们可以扩展自由分割方法的思想，并使用更多的方法，例如带有SGLD的curvelets，我们可以将多个类型的特征加入到一个连贯的特征集中，这可以用于作者识别和文档识别。引用[1] Boussellaa W，El-Abed H，Zahour A.阿拉伯历史手册使用混合方法的脚本。2006年，第七届虚拟现实、考古学和文化遗产国际研讨会。p. 132.[2] 2005年10月27日，李文辉.一个处理和识别古希腊手稿的系统D-SCRIBE项目。2004年，WSEAS应用信息与通信国际会议[3] Eglin V，Lebearthy F，Bres S，Emptoz H，Leydier Y，Moalla I，Drira F.数字图书馆的计算机辅助：对中世纪的贡献2006年，第二届图书馆文献图像分析国际会议，pp.265比80[4] 阿德南印刷体和手写体阿拉伯字符的识别，文档图像分析进展，Springer，柏林，1997年。p. 40比59[5] 杨文龙，陈晓梅，陈文龙.专门的基于纹理的工具，用于旧书的表征。2006年第二届图书馆文献图像分析[6] Said H ， Tan TN ， Baker KD. 基 于笔 迹 的 个人 识 别 。 JPattern Bogg Soc 2000;33：149[7] Srihari S，Beal M，Bandi K，Shah V，Krishnamurthy P.一种用于作家验证的统计模型第八届国际文件分析和识别会议，卷。II，2005.p. 1105-9[8] 布 拉 库 湾 统 计 模 式 识 别 用 于 自 动 作 家 识 别 和 验 证 ，http://dissertations.ub.rug.nl/faculties/ppsw/2007/m.l.bulacu/>，最后访问日期12/4/2010。[9] Joutel G，Eglin V，Bres S，Empotz H.基于Curvelets的手写体形 状 特 征 提 取 在 古 手 稿 分 类 中 的 应 用 。 文 件 编 号 Retr2007;XIV：6500。[10] 张文辉，王晓平，王晓平.基于hermite变换的笔迹相似度评价。2006年，第10届国际手写识别前沿[11] 吴伟杰，王伟杰，王伟杰.医学图像特征、提取、选择和分类。Int J Eng Sci Technol 2010;2（6）：2071[12] 博兰湾哺乳动物细胞荧光显微镜图像中细胞蛋白定位模式的定量描述和自动分类，博士论文，匹兹堡，美国，1999年。[13] Breuer P，Dislaire G，Filatoff J，Steemans P.基于装饰空间分布分析的支持向量载于：地质学研究进展/地质学笔记，布雷斯特，2007年。[14] Kourtroumbas k.模式图。146：Academic Press; 2003.