文本图像的二值化方法及装置、电子设备和介质与流程

1.本公开涉及计算机视觉领域，尤其涉及自然语言处理、文本识别技术领域，具体涉及一种文本图像的二值化方法、装置、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术:人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
3.在光学字符识别(ocr)系统中，通常需要对待识别文本图像进行图像二值化(image binarization)。在复杂背景的文本图像的二值化过程中，往往由于背景纹理、背景颜色多变等影响导致前景与背景难以区分，对二值化造成很大干扰。


技术实现要素：

4.本公开提供了一种文本图像的二值化方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
5.根据本公开的一方面，提供了一种文本图像的二值化方法，包括：获取包含待识别文本的第一图像；对所述第一图像中的所有像素点基于预设的第一数值进行聚类，以确定第一数值个数的聚类中心值，其中所述第一数值为聚类类别数；对于所述第一图像中的每个像素点，将该像素点赋值为其相对应的聚类中心值，形成降维后图像；基于所述第一数值个数的聚类中心值中的每一个聚类中心值，获得与所述降维后图像相对应的所述第一数值个数的候选二值化图像；以及分别对所述候选二值化图像进行投影，以基于投影图像在所述第一数值个数的候选二值化图像中确定最优的二值化图像。
6.根据本公开的另一方面，提供了一种文本图像的二值化装置，包括：获取单元，配置为获取包含待识别文本的第一图像；聚类单元，配置为对所述第一图像中的所有像素点基于预设的第一数值进行聚类，以确定第一数值个数的聚类中心值，其中所述第一数值为聚类类别数；降维单元，配置为对于所述第一图像中的每个像素点，将该像素点赋值为其相对应的聚类中心值，形成降维后图像；二值化单元，配置为基于所述第一数值个数的聚类中心值中的每一个聚类中心值，获得与所述降维后图像相对应的所述第一数值个数的候选二值化图像；以及确定单元，配置为分别对所述候选二值化图像进行投影，以基于投影图像在所述第一数值个数的候选二值化图像中确定最优的二值化图像。
7.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行本公开所述的方法。
8.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储
介质，该计算机指令用于使计算机执行本公开所述的方法。
9.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本公开所述的方法。
10.根据本公开的一个或多个实施例，该文本图像的二值化方法有效地提升了文本图像的二值化效果，特别是复杂背景的文本图像的二值化效果；并且，该二值化算法无需训练，从而不受训练数据分布的影响。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
13.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
14.图2示出了根据本公开的实施例的文本图像的二值化方法的流程图；
15.图3示出了根据本公开的实施例的获取包含待识别文本的第一图像的流程图；
16.图4示出了根据本公开的实施例的包含待识别文本的第一图像的示意图；
17.图5示出了根据本公开的实施例的将第一图像进行翻转以转为横板类型的流程图；
18.图6示出了根据本公开的实施例的聚类后所获得的颜色分布图像的示意图；
19.图7和图8分别示出了图4所示图像的降维前原图的颜色直方图以及降维后图像的颜色直方图；
20.图9示出了根据本公开的实施例的对图4所示图像进行所获得的降维后图像的示意图；
21.图10a-10e分别示出了根据本公开的实施例的对图9所示的降维后图像进行二值化所获得的候选二值化图像的示意图；
22.图11a-11e分别示出了根据本公开的实施例的对10a-10e中的候选二值化图像进行垂直方向投影所获得的投影示意图；
23.图12示出了根据本公开的一个实施例的基于投影结果确定最优的二值化图像的流程图；
24.图13示出了根据本公开的另一个实施例的基于投影结果确定最优的二值化图像的流程图；
25.图14示出了根据本公开的实施例的确定连通区域的数量的流程图；
26.图15示出了根据本公开的实施例的确定最优的二值化图像的背景区域颜色的流程图；
27.图16a示出了根据常规二值化方法所获得的图4图像所对应的二值化图像的示意图；
28.图16b示出了根据本公开的实施例所获得的图4图像所对应的二值化图像的示意
图；
29.图17示出了根据本公开的实施例的文本图像的二值化装置的结构框图；以及
30.图18示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
31.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
32.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
33.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
34.在本公开中，空间相对术语“水平”和“垂直”与待识别图像结合使用。在这样的上下文中，“水平方向”是指待识别图像的左右延伸方向，而“垂直方向”是指待识别图像的上下延伸方向。对本公开的以下描述主要基于文字行相对于读者在基本左右方向延伸(即横版类型)的情况，但是本公开的技术方案不限于此。本公开的技术方案也适用于文字行相对于读者在基本上下方向延伸(即竖版类型)的情况，即本公开的方法也适用于竖版类型的情况。在横版的情况下，文字行为基本上左右方向(横向)延伸的文字序列，而在竖版的情况下，文字行为基本上上下方向(竖向)延伸的文字序列。
35.下面将结合附图详细描述本公开的实施例。
36.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
37.在本公开的实施例中，服务器120可以运行使得能够执行文本图像的二值化方法的一个或多个服务或软件应用。
38.在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
39.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配
置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
40.用户可以使用客户端设备101、102、103、104、105和/或106来接收待识别的文本图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
41.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
42.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
43.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
44.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
45.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
46.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专
用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
47.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如图像数据的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
48.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
49.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
50.手写体文本的光学字符识别(ocr)一直是光学字符识别领域的难点，主要原因在于手写体变化多样且文本数据难以获取。因此需要合成手写体数据，但是合成数据往往由于背景纹理等影响，与真实数据之间存在较大差异。如果可以将文本进行二值化处理，可以消除背景干扰，极大提高ocr识别的准确率。但是，对于单一背景的文本图像容易进行二值化，而对于复杂背景，由于背景颜色多变、前景与背景难以区分等问题，对二值化造成很大干扰，使得二值化效果并不理想。
51.目前一般采用opencv等按一定阈值对文本图像进行二值化。但是，对于复杂背景，其阈值往往难以确定，仅仅基于单一阈值进行二值化其效果也往往不太理想。或者，可以通过基于监督学习训练的模型对部分文本图像进行二值化，但是训练数据往往难以获取且不具有普适性，算法复杂度较高。
52.因此，根据本公开的实施例提供了一种文本图像的二值化方法。如图2所示，该文本图像的二值化方法200包括：获取包含待识别文本的第一图像(步骤210)；对第一图像中的所有像素点基于预设的第一数值进行聚类，以确定第一数值个数的聚类中心值(步骤220)；对于第一图像中的每个像素点，将该像素点赋值为其相对应的聚类中心值，形成降维后图像(步骤230)；基于第一数值个数的聚类中心值中的每一个聚类中心值，获得与该降维后图像相对应的第一数值个数的候选二值化图像(步骤240)；以及分别对该候选二值化图像进行投影，以基于投影图像在第一数值个数的候选二值化图像中确定最优的二值化图像(步骤250)。
53.根据本公开实施例的文本图像的二值化方法有效地提升了文本图像的二值化效果，特别是复杂背景的文本图像的二值化效果；并且，该二值化算法无需训练，从而不受训练数据分布的影响。
54.在步骤210，获取包含待识别文本的第一图像。
55.根据一些实施例，如图3所示，步骤210可以包括：获取包含待识别文本的原始图像(步骤310)；对原始图像进行文本识别并确定第一矩形块(步骤320)；以及确定第一矩形块所在的图像区域，以获得第一图像(步骤330)。该第一矩形块对应于待识别文本中的相应文
字行。第一矩形块所在的图像区域，即可作为第一图像。例如对第一矩形块所在的图像区域进行分割，以获得第一图像。
56.在文本识别场景中，通常，首先可以获取通过手机、摄像机等设备采集的包含待识别文本的图像，也即原始图像。在一些示例中，还可以对该原始图像进行尺寸缩放、明暗调整、去噪等预处理操作。然后，对原始图像中的单个字符、或者是连续几个字符所在的区域进行检测，以根据文本检测结果从图像中将文本或文字行所在区域分割出来，从而对其进行文本识别，得到图像中的文本信息。通常，通过矩形块(即矩形检测框)对字符所在的区域进行检测，例如识别单个字符或者连续几个字符的最小外接矩形，以分割出包含待识别文本的图像，作为该第一图像。后续即可基于该第一图像进行文本识别。
57.可以理解的是，该第一图像可以为一个或多个，也即，通过对原始图像进行检测，可以分割出一个或多个包含文本行或文本块的第一图像。
58.如前所述，文字区域的检测可以通过各种方法实现，例如图像处理算法(例如mser)或深度学习方法等。在一些示例中，可以通过预设的神经网络模型对原始图像中的文本区域进行检测，例如基于连接预选框网络的文本检测ctpn(detecting text in natural image with connectionist text proposal network)。该模型主要是对图片中的文本行进行准确定位，其基本做法是直接在卷积获得的特征图上生成的一系列适当尺寸的文本预选框(proposal)进行文本行的检测。
59.当然，其他任何可以用来对文字区域进行检测的模型或算法均是可能的，在此不作限制。
60.根据一些实施例，通过检测原始图像中的文字区域，可得到原始图像中各个文字行的坐标信息。文字行的坐标信息例如可以从其他机器(例如远程服务器或云计算设备)获得，也可以通过本地的检测算法来获得。在一些示例中，获得的文字行的坐标信息可以存储在本地存储设备或存储介质中以供后续使用。如本文使用的，术语文字行是指连续的一行文字，其例如可以是左右方向上相邻文字间距小于阈值间距的文字的序列，或者是上下方向上相邻文字间距小于阈值间距的文字的序列。
61.根据一些实施例，一个文字行的坐标信息可以是包含该文字行的矩形的坐标信息，也即第一矩形块的坐标信息。第一矩形块例如由包含该文字行的最小外接矩形形成，或者由将包含该文字行的最小外接矩形向上、下、左和/或右膨胀一定倍数后得到的矩形形成。文字行的坐标信息例如可以包括该矩形的四个顶点的坐标信息，该文字行的坐标信息也可包括该矩形的任一顶点的坐标信息以及该矩形的高度信息和宽度信息。然而，文字行的坐标信息定义不限于此，只要其能够代表文字行占据的空间位置和尺寸即可。包含该文字行的矩形即构成了第一矩形块。
62.在一些示例中，第一矩形块的坐标信息也即第一图像的坐标信息，包括第一图像的高度和宽度(h*w)。所确定的第一图像的高度和宽度可以存储在本地存储设备或存储介质中以供后续使用。
63.根据一些实施例，步骤210还可以包括：响应于确定第一图像中的相应文字行处于倾斜状态，旋转第一图像一校正角度以使得第一图像中的相应文字行不处于倾斜状态。
64.在一些示例中，所识别出的文本行可能并非基本左右方向延伸或基本上下方向延伸。例如，第一矩形块由包含该相应文字行的最小外接矩形形成。对第一矩形块所在的图像
区域进行分割，可以获得第一图像，第一图像也即等同于该第一矩形块。基于该第一矩形块的坐标信息，可以判断第一图像(也即第一矩形块)的一边是否平行于行方向或列方向。如果确定该第一图像的一边是不平行于行方向或列方向，可以将第一图像旋转一校正角度以使得其一边平行于行方向或列方向，从而使得第一图像中的相应文字行不处于倾斜状态。否则，不做校正处理。经过校正处理后的第一图像将更有利于后续的图像二值化操作以及最终的文本识别过程。
65.根据一些实施例，步骤210还可以包括：响应于确定所述第一图像中的相应文字行为竖版类型，对所述第一图像进行翻转，以将所述相应文字行转为横板类型。
66.在一些示例中，可以基于文字行的坐标信息确定第一图像中的相应文字行是否为竖版类型。在上述文字行的坐标信息可以是包含该文字行的矩形的坐标信息的实施例中，可以基于该矩形的宽和高来判断该文本行为横版类型还是竖版类型。进一步地，在通过确定文字行所对应的第一矩形块从而获得第一图像的实施例中，可以基于该第一图像的宽和高来判断该文字行为横版类型还是竖版类型。图4示出了根据本公开的实施例的包括待识别文本中的相应文本行的第一图像的示意图。该第一图像可以为彩色图像。如图4所示，第一图像的水平方向为宽度(w)，垂直方向(上下方向)为高度(h)。示例地，如果判断该第一图像的宽/高的比值小于预设阈值，则可以确定该第一图像为竖版类型；否则为横版类型。或者，也可以判断该第一图像的高/宽的比值大于另一预设阈值，则可以确定该第一图像为横版类型，否则为竖版类型。
67.可以理解的是，其他可以用来判断该第一图像的版面结构的方法也是可能的，在此不作限制。
68.在一些示例中，在确定第一图像中的相应文字行为竖版类型时，可以将该第一图像翻转预设角度以使得其中的文字行转为横版类型，以便于后续的文本识别过程。
69.根据一些实施例，对所述第一图像进行翻转，以将所述相应文字行转为横板类型可以包括：基于第一图像所对应的第一矩形块的坐标信息确定第一图像的中心点；以及基于第一图像的中心点对第一图像进行翻转，以将该相应文字行转为横板类型。
70.示例地，在通过确定文字行所对应的第一矩形块从而获得第一图像的实施例中，可以直接将第一图像按预设方向翻转90度(默认该第一图像不处于倾斜状态)，以转为横板类型。此时，是对第一图像整体进行翻转的，也就是说，翻转后的第一图像中的文字也可能是翻转的。在一些示例中，可以将此时该第一图像的翻转过程以及翻转方向记录在本地存储设备或存储介质中以供后续使用。
71.根据一些实施例，如图5所示，对第一图像进行翻转、以将相应文字行转为横板类型的步骤500可以包括：确定第一图像中的相应文字行的各个文字所对应的第二矩形块(步骤510)；确定第二矩形块所在的图像区域，以获得第二图像(步骤520)；基于第二矩形块的坐标信息确定相对应的第二图像的中心点(步骤530)；以及基于第二图像的中心点对所有第二图像进行翻转，以使得翻转后所有第二图像所拼接形成的文字行为横版类型(步骤540)。
72.在一些示例中，可以对第二矩形块所在的图像区域进行分割，以获得相应的第二图像。在将每一个第二图像按预设方向翻转预设角度之后，将与该第一图像相对应的所有第二图像进行拼接，以拼接成水平方向延伸的横版类型的文本结构。在该实施例中，通过对
第一图像中的每个文字进行翻转，以实现第一图像的翻转。这里，翻转后的第一图像中的文字行的文字为正，可方便地用于后续的文本识别过程。示例地，也可以将此时该第一图像的翻转过程以及翻转方向记录在本地存储设备或存储介质中以供后续使用。
73.在步骤220，对第一图像中的所有像素点基于预设的第一数值进行聚类，以确定第一数值个数的聚类中心值。该第一数值即为聚类的类别数。
74.在本公开，对第一图像中的所有像素点按照像素值进行聚类操作。在计算机系统中，通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。rgb即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是运用最广的颜色系统之一。对于每一个像素点，均有确定的rgb三个颜色通道上的值，以构成该像素点的像素值。因此，可以基于该像素值对第一图像中的所有像素点进行聚类，以确定像素值相似的像素点所形成的类簇。
75.在一些实施例中，可以预先设置待聚类的类别数，也即第一数值。例如，可以设置第一数值为5。在聚类完成后，可以获得第一数值个数的聚类中心值。示例地，在使用kmeans对第一图像进行聚类的实施例中，设置完第一数值k(例如k等于5)之后，初始化一组聚类中心值，例如，可以随机地在从像素点中选择k个点作为初始聚类中心值。计算每个像素点到各个聚类中心值的距离(欧式距离)，将像素点划分到距离最近的聚类中心值所对应的簇中。计算每个簇内所有像素点的均值，并使用该均值更新簇的聚类中心值。重复上述像素点划分以及更新聚类中心值的步骤，直到达到以下条件之一：聚类中心值的变化小于预设的阈值或者达到最大迭代次数。
76.应当理解，其他可以用来对第一图像中的像素点进行聚类的方法或算法也是可能的，例如高斯混合模型(gmm)的最大期望(em)聚类，在此不作限制。
77.在一些示例中，在聚类完成后可直接确定每一个像素点所对应的聚类中心值；或者，在聚类完成后并获得该第一数值个数的聚类中心值后，即可进一步判断每一个像素点对应的与之距离最近的聚类中心值。
78.在一个示例性实施例中，对图4中所示图像的像素点按类别数等于5进行聚类，聚类后所获得的颜色分布图像可以如图6所示。图6中所示图像可以为彩色，其每一个颜色区块对应于一个聚类中心值。
79.在步骤230，对于第一图像中的每个像素点，将该像素点赋值为其相对应的聚类中心值，形成降维后图像。
80.在聚类操作完成后，即可确定第一图像中的每一个像素点所对应的类以及该类所对应的聚类中心值。在确定每一个像素点所对应的聚类中心值之后，即可将该像素点赋值为其相对应的聚类中心值，以形成降维后图像。也就是说，将包含多种颜色的第一图像转换为只包含第一数值个数的颜色的图像。
81.在上述示例性实施例中，其降维前原图颜色直方图以及降维后图像的颜色直方图分别如图7和8所示。流行的图像处理软件通常用8位表示一个像素值，这样总共有256个灰度等级(像素值在0～255间)，每个等级代表不同的亮度。对于采用8比特像素值的像素点，数值“0”为黑色，数值“255”为白色。这里直方图包括红(r)、绿(g)、蓝(b)三个颜色通道的分布情况，其中横坐标为r、g、b各自的取值(0～255)，纵坐标为像素点的个数。可以看出，图7中的降维前图像中rgb各自的取值范围遍布0～255，而图8中的降维后图像中rgb各自的取
值范围大大缩小，只包含几个点值(第一数值个数的像素值)。在将图4所示的第一图像中的每个像素点赋值为其相对应的聚类中心值后，形成的降维后图像如图9所示。其中，图9可以为彩色，即第一数值个数的不同像素值所形成的图像。
82.通过降维操作，将颜色较为接近的像素点转为同种颜色，可以将图像颜色尤其是背景颜色大大减少，使得前景与背景更加易于区分，提高图像二值化效果。
83.在步骤240，基于第一数值个数的聚类中心值中的每一个聚类中心值，获得与该降维后图像相对应的第一数值个数的候选二值化图像。
84.根据一些实施例，步骤240可以包括：对于每一个聚类中心值，执行以下操作：获取与第一图像尺寸相同的空白图像；对于空白图像中的每一个像素点，当与该像素点相对应的所述降维后图像中的像素点的像素值为该聚类中心值时，将空白图像中的该像素点赋值为第二数值，否则赋值为第二数值。第二数值不等于第三数值。
85.根据一些实施例，所述第二数值为0和255中的任意一个，所述第三数值为所述0和255中的另一个。图像二值化通过将图像中像素点的像素值设置为0或255，使得整个图像呈现出明显的黑白效果。
86.在一些实施例中，也可以分别以每一个聚类中心值为阈值，对所述降维后图像进行二值化，在此不作限制。
87.在上述示例性实施例中，在将图9所示的降维后图像按聚类中心值进行二值化后，得到5幅候选二值化图像，分别如图10a-10e所示。在图10a-10e中，第二数值为“255”，即形成白色；第三数值“0”，即形成黑色。
88.在步骤250，分别对该候选二值化图像进行投影，以基于投影图像在第一数值个数的候选二值化图像中确定最优的二值化图像。
89.在图像处理场景下，二值化图像或明显特征的灰度图定位或分割前景与背景，经常会用到投影法。具体地，对图像进行水平方向投影，即将图像数组的每一行分别进行求和；对图像进行垂直方向投影，将图像数组的每一列分别进行求和。
90.根据一些实施例，分别对候选二值化图像进行投影可以包括：响应于确定所述候选二值化图像所对应的待识别文本的文字行为竖版类型，对候选二值化图像在水平方向上进行投影；以及响应于确定第一图像中的待识别文本的文字行为横版类型，对候选二值化图像在垂直方向上进行投影。也就是说，对于候选二值化图像，在能够对其所包含的文字行中的文字进行分割的方向上进行投影。
91.在一些实施例中，如果第一图像中的文字行在上述步骤中已经转换为横版类型，则可以直接对该候选二值化图像进行垂直方向投影。在垂直方向投影过程中，对第一图像的各列像素进行遍历，依次判断当前列中的每一行的像素值是否为第二数值，并统计该列所有第二数值的像素点的个数，并将统计过的第二数值的像素点转换为第三数值。如果该列共有m个第二数值的像素点，则将该列中的像素点从第一行至第m行置为第二数值。第一图像中的所有列均遍历完成后，获得垂直方向上的投影图像。
92.在一些实施例中，如果第一图像在上述步骤中未判断过其为横版还是竖版，则在对候选二值化图像进行投影之前，还可以包括判断该候选二值化图像是否为竖版的步骤。示例地，可以基于第一图像的坐标信息(或尺寸信息)确定该候选二值化图像所对应的待识别文本的文字行为竖版类型还是横版类型。继续参考图4，图像的水平方向为宽度(w)，垂直
方向(上下方向)为高度(h)。示例地，如果判断相应的候选二值化图像的宽/高的比值小于预设阈值，则可以确定该第一图像为竖版类型；否则为横版类型。应当理解，其他可以用来判断候选二值化图像是否为竖版的方法也是可能的，例如基于相应的坐标信息，在此不作限制。
93.在一些示例中，如果在对候选二值化图像进行投影之前，判断该候选二值化图像为竖版类型，可以对该候选二值化图像进行水平方向投影。在水平方向投影过程中，对第一图像的各行像素进行遍历，依次判断当前行中的每一列的像素值是否为第二数值，并统计该行所有第二数值的像素点个数，并将统计过的第二数值的像素点转换为第三数值。如果该行共有m个第二数值的像素点，则将该行中的像素点从第一列至第m列置为第二数值。第一图像中的所有行均遍历完成后，获得水平方向上的投影图像。如果判断该候选二值化图像为横版类型，则可以对该候选二值化图像进行垂直方向投影，在此不再详述。
94.在一些示例中，如果在对候选二值化图像进行投影之前，判断该候选二值化图像为竖版类型后，还可以包括对该候选二值化图像进行翻转的步骤，以将其转换为横版类型，在此不再赘述。
95.因此，根据一些实施例，分别对候选二值化图像进行投影可以包括：响应于确定候选二值化图像所对应的待识别文本的文字行为竖版类型，对候选二值化图像进行翻转，以将所述文字行转为横板类型；以及对翻转后的候选二值化图像在垂直方向上进行投影。
96.在上述示例性实施例中，分别对图10a-10e所示的候选二值化图像进行垂直方向投影，所获得的投影后图像可以分别如图11a-11e所示。从而，可以基于图11a-11e所示的投影结果确定10a-10e中的最优的二值化图像。
97.根据一些实施例，如图12所示，基于投影结果在多个候选二值化图像中确定最优的二值化图像(步骤250)可以包括：对于所述多个候选二值化图像中的每一个图像，获取投影方向上的每一列中的像素值为第二数值的像素点数量(步骤1210)；基于每一列所对应的所述像素点数量，确定多个二值化候选图像各自对应的方差(步骤1220)；以及确定方差最大的候选二值化图像以作为最优的二值化图像(步骤1230)。
98.继续参考图11a-11e，分别可以确定图11a-11e中的每一列中的白色像素点的数量。对于图11a，可以基于其中所有列的白色像素点的数量确定方差；同样，可以分别确定图11b、图11c、图11d和图11e所对应的方差。从而，确定方差最大的候选二值化图像，作为最优的二值化图像。
99.根据一些实施例，如图13所示，基于投影图像在多个候选二值化图像中确定最优的二值化图像(步骤250)可以包括：分别识别投影图像中的连通区域，其中连通区域为像素值为第二数值的像素点所形成的连通区域(步骤1310)；确定每一个投影图像所对应的连通区域的数量(步骤1320)；以及基于连通区域的数量确定最优的二值化图像(步骤1330)。
100.继续参考图11a-11e，图11b中的1101、1102和1103所指出的区域均表示第二数值的像素点(图中为白色像素点)所形成的连通区域。在图11a-11e中，仅仅示例性地标示出了图11b中的三个连通区域，其他图中的连通区域以及图11b中的其他连通区域并未一一标示。可以理解的是，图11a-11e中的两个全黑列之间所形成的白色区域均构成连通区域。
101.根据一些实施例，如图14所示，步骤1320可以包括：确定所识别出的每一个连通区域的像素点数量(步骤1410)；过滤掉像素点数量小于所述预设阈值的连通区域(步骤
1420)；以及确定过滤后的每一个投影图像所对应的连通区域的数量(步骤1430)。
102.在能够对其所包含的文字行中的文字进行分割的方向上进行投影时，连通区域本质身上是文字的投影形成的。但是，由于图像中的复杂纹理的影响，可能存在部分“毛刺”，例如图11b中的1102所指出的连通区域。这时，通过设置像素点数量的阈值，可以对该部分“毛刺”连通区域进行过滤，以使得过滤后的连通区域更能体现出待识别文本的信息。
103.根据一些实施例，所述预设阈值基于所述第一图像的高和宽确定，在此不作限制。
104.根据一些实施例，候选二值化图像的颜色包括黑色和白色，也即基于像素值“0”和“255”进行二值化操作。在一些实施例中，根据本公开的方法200还可以包括：确定所述最优的二值化图像的背景区域颜色，背景区域对应于所述第一图像中的所述待识别文本之外的区域；以及响应于背景区域颜色为黑色，将二值化图像中的黑白颜色互换。这里，可以保证最终所获得的二值化图像为白底黑字，方便后续的文字识别过程。
105.根据一些实施例，如图15所示，确定最优的二值化图像的背景区域颜色的步骤1500可以包括：获取所述最优的二值化图像的边缘像素点的像素值(步骤1510)；基于该像素值确定边缘像素点中的黑色像素点和白色像素点点的数量(步骤1520)；响应于确定黑色像素点的数量大于白色点像素点的数量，将最优的二值化图像的背景区域颜色确定为黑色(步骤1530)；以及响应于确定白色像素点的数量大于黑点像素点的数量，将最优的二值化图像的背景区域颜色确定为白色(步骤1540)。
106.具体地，边缘像素点也即该二值化图像中的最外侧一圈的像素点。例如，可以对第一列和最后一列、第一行和最后一行的像素点进行遍历，以确定黑色像素点的数量和白色点像素点的数量。通过识别二值化图像最边缘的像素点的颜色，将对应像素点最多的颜色确定为背景颜色。
107.图16a和16b分别示出了基于常规二值化方法对图4所示的文本图像进行二值化后所获得的二值化图像示意图、以及基于本公开的实施例对图4所示的文本图像进行二值化后所获得的二值化图像示意图。可以看出，通过本公开实施例所述的方法，可以明显提升文本图像的二值化效果。
108.根据本公开的实施例，如图17所示，还提供了一种文本图像的二值化装置1700，包括：获取单元1710，配置为获取包含待识别文本的第一图像；聚类单元1720，配置为对所述第一图像中的所有像素点基于预设的第一数值进行聚类，以确定第一数值个数的聚类中心值，其中所述第一数值为聚类类别数；降维单元1730，配置为对于所述第一图像中的每个像素点，将该像素点赋值为其相对应的聚类中心值，形成降维后图像；二值化单元1740，配置为基于所述第一数值个数的聚类中心值中的每一个聚类中心值，获得与所述降维后图像相对应的所述第一数值个数的候选二值化图像；以及确定单元1750，配置为分别对所述候选二值化图像进行投影，以基于投影图像在所述第一数值个数的候选二值化图像中确定最优的二值化图像。
109.这里，文本图像的二值化装置1700的上述各单元1710～1750的操作分别与前面描述的步骤210～250的操作类似，在此不再赘述。
110.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
111.根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机
程序产品。
112.参考图18，现将描述可以作为本公开的服务器或客户端的电子设备1800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
113.如图18所示，电子设备1800包括计算单元1801，其可以根据存储在只读存储器(rom)1802中的计算机程序或者从存储单元1808加载到随机访问存储器(ram)1803中的计算机程序，来执行各种适当的动作和处理。在ram 1803中，还可存储电子设备1800操作所需的各种程序和数据。计算单元1801、rom 1802以及ram 1803通过总线1804彼此相连。输入/输出(i/o)接口1805也连接至总线1804。
114.电子设备1800中的多个部件连接至i/o接口1805，包括：输入单元1806、输出单元1807、存储单元1808以及通信单元1809。输入单元1806可以是能向电子设备1800输入信息的任何类型的设备，输入单元1806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1808可以包括但不限于磁盘、光盘。通信单元1809允许电子设备1800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
115.计算单元1801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1801执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1808。在一些实施例中，计算机程序的部分或者全部可以经由rom 1802和/或通信单元1809而被载入和/或安装到电子设备1800上。当计算机程序加载到ram 1803并由计算单元1801执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元1801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
116.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出
装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
117.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
118.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
119.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
120.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
121.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
122.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
123.虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步
地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。