【技術實現步驟摘要】
本專利技術涉及字體筆畫提取領域，尤其涉及字體筆畫提取方法、裝置、終端及存儲介質。
技術介紹
1、筆畫是漢字的基本組成要素，筆畫提取在漢字分類、字體識別、文本檢索、漢字的自動生成等領域有重要作用。漢字筆畫可分為：橫、豎、撇、捺、折等幾類，具體細分可達30多種，其中，某些筆畫又可細分為更多的類別。書法字是漢字的一種手寫體形式，手寫體的書寫又分為硬筆書寫和毛筆書寫兩種方式。毛筆書法的筆畫變形、筆畫間的粘連、筆畫粗細變化等，都給書法字的筆畫提取帶來了困難。但是這些信息又是書法作品獨有的信息，對書法風格識別、臨摹和生成不同風格的書法字具有重要作用。
2、目前，對漢字筆畫提取的主要方法采用形態學或統計模型的傳統方法，傳統方法對不固定形式的手寫字體的筆畫提取上效果不佳，特別對于書寫不規整的字體難以準確提取出目標筆畫；同時由于漢字結構復雜，字符集龐大，不同字體的筆畫在連接性，筆畫長短、粗細方面各有不同，筆畫與筆畫之間、部件與部件之間的位置會發生變化，筆畫的傾斜角會發生變化，這給筆畫提取工作帶來了大量的困難。
技術實現思路
1、本專利技術要解決的技術問題在于傳統方法對不固定形式的手寫字體的筆畫提取上效果不佳，特別對于書寫不規整的字體難以準確提取出目標筆畫。針對現有技術的上述缺陷，提供一種字體筆畫提取方法、裝置、終端及存儲介質。
2、為了解決上述技術問題，本專利技術所采用的技術方案是：
3、構造一種字體筆畫提取方法，包括：獲取需要進行提取的字體筆畫圖像，字體筆畫圖像
4、將獲得的字體筆畫圖像進行優化使圖像輪廓更明顯；
5、調用神經網絡模型對目標字體圖像進行筆畫分割；
6、用神經網絡分割后的圖像與原圖進行匹配；
7、輸出匹配后的筆畫圖像。
8、優選的，調用神經網絡模型對目標字體圖像進行筆畫分割前，還包括：采用神經網絡對目標筆畫圖像所組成的數據集進行訓練以輸出最優化模型。
9、優選的，采用神經網絡對目標筆畫圖像所組成的數據集進行訓練以輸出最優化模型，包括：
10、先將字體中的目標筆畫進行標注，形成訓練數據集；
11、采用神經網絡對數據訓練集進行訓練；
12、根據訓練的驗證集的損失函數結果調整卷積核參數以確定模型訓練達到最優效果；
13、根據模型訓練過程中的迭代值比較輸出最優化模型。
14、優選的，采用神經網絡對數據集進行訓練過程中，包括，對于相同的數據集進行多次模型訓練；
15、在模型訓練過程中，向訓練數據集中加入負樣本防止模型訓練過程過擬合。
16、優選的，負樣本為圖像中不存在字體筆畫的樣本。
17、優選的，調用神經網絡模型對目標字體圖像進行筆畫分割，包括：使用訓練好的最優化模型，對目標筆畫進行語義分割以獲取目標筆畫輪廓；
18、用神經網絡分割后的圖像與原圖進行匹配，包括：
19、語義分割后獲取的目標筆畫輪廓與原圖字體進行比較，得到在原圖上的輪廓。
20、優選的，將獲得的字體筆畫圖像進行優化使圖像輪廓更明顯，包括：
21、將字體筆畫圖像進行灰度處理，然后將灰度處理后的圖像進行濾波處理，最后將濾波后的圖像進行二值化處理，得到單通道的字體筆畫圖像數據。
22、一種字體筆畫提取裝置，該裝置包括：
23、圖形處理模塊，用于對目標文件的字體圖像進行預處理，以便進行模型訓練和\或字體提取；
24、模型訓練模塊，用于對字體筆畫提取網絡模型進行訓練，以得到最優化模型；
25、筆畫提取模塊，用于應用最優化模型對目標字體進行筆畫提取。
26、一種智能終端，該智能終端包括存儲器、處理器以及存儲在存儲器上并可在處理器上運行的字體筆畫提取程序，字體筆畫提取程序被處理器執行時實現如上述字體筆畫提取方法的步驟。
27、一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有字體筆畫提取程序，字體筆畫提取程序被處理器執行時實現如上述字體筆畫提取方法的步驟。
28、本專利技術的有益效果在于：通過對獲取的字體圖像進行灰度處理，再進行濾波處理，最后進行二值化處理，減少了字體圖像的噪聲背景干擾，使字體筆畫圖像的輪廓更明顯。然后對字體筆畫圖像進行標注后采用神經網絡進行訓練，通過不同筆畫的語義分割，并進行多次模型訓練，訓練時加入少量負樣本且調整卷積核參數使模型訓練達到最優效果。再使用訓練好的模型對目標筆畫進行語義分割和匹配，最后輸出匹配后的筆畫圖像。采用上述字體筆畫提取方法，能對手寫書法字體進行自動筆畫提取，提高筆畫提取效率與準確度；從而實現智能化、高效率的書畫書法作品字體筆畫提取功能，滿足書法作品對字體風格分析與檢測的需求。
本文檔來自技高網...【技術保護點】
1.字體筆畫提取方法，其特征在于，包括：獲取需要進行提取的字體筆畫圖像，所述字體筆畫圖像可用于后續神經網絡模型訓練和字體提取；
2.根據權利要求1所述的字體筆畫提取方法，其特征在于，調用神經網絡模型對目標字體圖像進行筆畫分割前，還包括：采用神經網絡對目標筆畫圖像所組成的數據集進行訓練以輸出最優化模型。
3.根據權利要求2所述的字體筆畫提取方法，其特征在于，所述采用神經網絡對目標筆畫圖像所組成的數據集進行訓練以輸出最優化模型，包括：
4.根據權利要求3所述的字體筆畫提取方法，其特征在于，所述采用神經網絡對數據集進行訓練過程中，包括，對于相同的數據集進行多次模型訓練；
5.根據權利要求4所述的字體筆畫提取方法，其特征在于，所述負樣本為圖像中不存在字體筆畫的樣本。
6.根據權利要求3所述的字體筆畫提取方法，其特征在于，所述調用神經網絡模型對目標字體圖像進行筆畫分割，包括：使用訓練好的最優化模型，對目標筆畫進行語義分割以獲取目標筆畫輪廓；
7.根據權利要求1-6任一所述的字體筆畫提取方法，其特征在于，所述將獲得的字體
8.字體筆畫提取裝置，其特征在于，所述裝置包括：
9.智能終端，其特征在于，所述智能終端包括存儲器、處理器以及存儲在所述存儲器上并可在所述處理器上運行的字體筆畫提取程序，所述字體筆畫提取程序被所述處理器執行時實現如權利要求1-7任意一項所述字體筆畫提取方法的步驟。
10.計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有字體筆畫提取程序，所述字體筆畫提取程序被處理器執行時實現如權利要求1-7任意一項所述字體筆畫提取方法的步驟。
...【技術特征摘要】
1.字體筆畫提取方法，其特征在于，包括：獲取需要進行提取的字體筆畫圖像，所述字體筆畫圖像可用于后續神經網絡模型訓練和字體提??；
2.根據權利要求1所述的字體筆畫提取方法，其特征在于，調用神經網絡模型對目標字體圖像進行筆畫分割前，還包括：采用神經網絡對目標筆畫圖像所組成的數據集進行訓練以輸出最優化模型。
3.根據權利要求2所述的字體筆畫提取方法，其特征在于，所述采用神經網絡對目標筆畫圖像所組成的數據集進行訓練以輸出最優化模型，包括：
4.根據權利要求3所述的字體筆畫提取方法，其特征在于，所述采用神經網絡對數據集進行訓練過程中，包括，對于相同的數據集進行多次模型訓練；
5.根據權利要求4所述的字體筆畫提取方法，其特征在于，所述負樣本為圖像中不存在字體筆畫的樣本。
6.根據權利要求3所述的字體筆...
【專利技術屬性】
技術研發人員：黃煜筠，黃祖成，江旭耀，
申請(專利權)人：深圳市三品智數科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。