范 静，颜廷秦，崔 鸣，薛知言

（苏州市职业大学 电子信息工程学院，江苏 苏州 215104）

图像骨架提取在图像特征提取、模式识别等领域具有广泛的应用[1]。文字骨架提取是文字识别过程的重要环节。提取文字骨架往往要求有三个基本特性：连续性、单像素性、中心性，并且能够完整地表现出文字的基本结构、笔画等特征。在骨架提取的过程中，由于提取方法的不同以及噪声的干扰，都会产生不同程度的毛刺[2]。毛刺的出现会影响后续的文字识别结果，影响识别率。

1 文字骨架毛刺去除方法及特点

文字骨架毛刺去除方法大致可以分为以下4种：①优化骨架提取方法，从而达到去除毛刺的目的[3-4]，但并不普遍适用。②基于模板的毛刺去除方法[5]。③基于区域重构的毛刺去除方法[6]，利用骨架显著性指标进行阈值化处理，计算量很大。④通过毛刺长度阈值判别毛刺[7-8]，而不考虑主干与分支的连续性，有可能会误删有效分支（主干），并且在节点的判断上仅仅考虑了两种节点的情况，未考虑节点冗余情况，并不具有普适性。

常用的ZS细化算法[9]、LW细化算法[10]、K3M细化算法[11-12]的文字骨架提取效果如图1所示。

图1 不同细化算法的文字骨架提取效果

由图1可知，不同细化算法的文字骨架提取效果均具有毛刺；毛刺与主干相比长度较短；毛刺与主干呈一定方向的夹角。

针对阈值法删除毛刺会出现节点冗余以及误删骨架本身的情况，本研究在阈值法的基础上，具有以下创新点：①增加了节点冗余去除模板，使骨架节点更清晰，适用于所有文字骨架，链码跟踪更准确。……