雪梨对”一“的客观形态与主观感受之间的关联性研究

逻辑上而言，每个”一“的感受都来源于其形态，那么我们不禁要问，各个”一“带来的不同感受与它们的形态有何关联呢？为了探索”形态-感受“的关联性，需要对每个”一“的客观造型进行描述，提取特征，这里就需要用到图像处理的技术了。有兴趣的同学可以尝试完成下列任务：

任务主题：

针对”一“，定义一系列特征（可借鉴参考资料），并依此对每个”一“进行测量。测量可以分两个层次：1.手工测量；2.用算法实现测量；

任务要求：

（1）至少定义5个特征，需要图文结合地清晰描述出这些特征的定义；（2）至少要能够手工方式对十二个”一“测定所有定义好的特征；（3）尽可能用算法实现测量，并对比手工测量的结果；

任务用图

程序设计：

特征定义：

根据论文当中给的提示，我们做了如下特征的定义：

（1）笔画平均宽度
笔画的平均宽度，指在图像字体主体中，每一列的黑色像素数求均值。平均宽度，可以反映书写字体的雄浑成都，是非常基础的特征值。

（2）笔力
由于书法家在书写时的力度是不断变化的。这种力度的变化在一定的范围之类，体现出了书法家的书写 习惯，笔力用每个点的笔划宽度与平均的笔划宽度的方差表示。

（3）走势
根据笔划骨架起始点坐标位置和结束点坐标位置，可以得到每个笔划的走势情况。我们也以这两点之间的斜率大小近似定义为其走势信息。

（4）起笔处夹角及藏、露峰情况
偶然间知道了在书法的起笔当中，有这样两种形式——藏锋、露锋，而这两种形式反映在起笔处就是尖锐的程度，越是尖锐就越有可能是露锋，相反钝化的起笔就是藏锋，因而用起笔处的夹角进行近似比较。

（5）重心
书法字符图像中包含着丰富的信息，宽扁的书法字符几何重心偏低，瘦高的书法字符几何重心偏高。书法骨架矩阵。从某种角度上讲，重心是书法基础外在形态的象征。

（6）弯曲程度
通过相邻两列的斜率比较，求出方差，方差越是大，就表明这个笔画的弯曲程度大（变化大），方差越小表明这个笔画较为平直，弯曲程度小。

（7）最宽处与最细处的比
通过计算出每一列的黑色像素大小，取出最大值、最小值，进行比较，如若比率越大，则表明这个字体写的越洒脱豪放（宽度越一致越是严谨）。

（8）骨架上下墨迹的分布比
书法家创作时总喜欢用到一些特定动作，如轻佻，按压等，这些细微的变化会使得笔压在纸上也分布不均匀，最终在宣纸上同一笔画墨迹渗透范围不同。书法笔画骨架将笔划轮廓分为S1，S2两部分，统计这两部分墨迹分部量可以粗略感受书法家的挥笔走势。

手动测量

因为我们之后要使用matlab实现，而这些从论文里摘出来的变量是很难用尺子测量的，我选取了一些简单的变量进行手动测量，为之后图像处理做准备：

matlab代码书写

（一）图像的读取
（1）基础图像读取

function [Filename,I]=OpenFile()
%全部先转换为灰度图像所以无需考虑RGB三通道
[Filename,pathname]=uigetfile({'*.png'},'Select Your Picture');
if isequal(Filename,0)
    msgbox('You have not selected any picture.','Warning');
else
    filepath=[pathname,'\',Filename];
    I=imread(filepath); 
    I=rgb2gray(I);
end
end

（2）利用ASCII码批量读取A~L“一”的图片
因为要统计现有的十二个“一”的图片，获取每张一的大小，从而用中位数限定出一个对每张图片都相对合适的大小，所以用了取巧的办法，利用ASCII码解决了文件名称为字符的问题。

Storage1=zeros(2,12);%先把A-L图片读一遍，记录下大小，找出最普遍出现的行与列作为缩放配准的图片大小
for i=1:12
    str=char(64+i);%利用ASCII码，实现挨个读取，A开始的ASCII码为65
    str=[str,'.png'];
    temp=imread(str);
    temp=rgb2gray(temp);%变为灰度图像
    [row,col]=size(temp);%求一下图像的大小
    Storage1(1,i)=row;
    Storage1(2,i)=col;%第一行为行数；第二行为列数
end
Row=round(median(Storage1(1,:)));
Col=round(median(Storage1(2,:)));

（二）图像预处理
（1）OSTU大津法阈值分割（这里在实验四当中也做过）
Otsu（大津法或最大类间方差法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分（背景和主体），使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分。 所以可以在二值化的时候采用Otsu算法来自动选取阈值进行二值化。Otsu算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。因此，使类间方差最大的分割意味着错分概率最小。
Otsu法的主要计算思路是：

function [Image] = OTSU(I)
%利用大津法进行图像阈值分割
[m,n]=size(I);
I=double(I);
count=zeros(256,1); 
pcount=zeros(256,1);
for i=1:m
    for j=1:n
       pixel=I(i,j);
       count(pixel+1)=count(pixel+1)+1;
    end
end
dw=0;
for i=0:255
    pcount(i+1)=count(i+1)/(m*n);
    dw=dw+i*pcount(i+1);
end
Th=0;
Thbest=0;
dfc=0;
dfcmax=0;

while(Th>=0 && Th<=255)
    dp1=0;
    dw1=0;
    for i=0:Th
        dp1=dp1+pcount(i+1);
        dw1=dw1+i*pcount(i+1);
    end
    if dp1>0
        dw1=dw1/dp1;
    end
    dp2=0;
    dw2=0;
    for i=Th+1:255
        dp2=dp2+pcount(i+1);
        dw2=dw2+i*pcount(i+1);
    end
    if dp2>0
        dw2=dw2/dp2;
    end
    dfc=dp1*(dw1-dw)^2+dp2*(dw2-dw)^2;
    if dfc>=dfcmax
        dfcmax=dfc;
        Thbest=Th;
    end
    Th=Th+1;
end

for i=1:m
    for j=1:n
        if I(i,j)>=Thbest
            I(i,j)=255;
        else
            I(i,j)=0;
       end
    end
end
Image=I;
end

（2）形态学处理

1.开运算（先腐蚀再膨胀）
开运算可以有效的去除毛刺、平滑边缘（但我觉得这个在这里有点鸡肋，毕竟最后处理了的形态还是有点毛躁）。

2.闭运算（先膨胀再腐蚀）
闭运算可以有效的填补孔洞（这个是真的，但是如果空洞太大的话，闭运算也会无能为力）。
当然最关键的还是腐蚀和膨胀两个算法，
腐蚀算法：

function [Image] = Corrosion(I)
%二值图像的腐蚀
[m,n]=size(I);
Image=zeros(m,n);
for i=2:m-1
    for j=2:n-1
        Image(i,j)=max(max(I(i-1:i+1,j-1:j+1)));
    end
end
for j=1:n
    Image(1,j)=255;
    Image(m,j)=255;
end
%填充边界
for i=1:m
    Image(i,1)=255;
    Image(i,n)=255;
end
Image=uint8(Image);
end

膨胀算法：

function [Image] = Dilate(I)
%二值图像的膨胀
[m,n]=size(I);
Image=zeros(m,n);
for i=2:m-1
    for j=2:n-1
        Image(i,j)=min(min(I(i-1:i+1,j-1:j+1)));
    end
end
for j=1:n
    Image(1,j)=255;
    Image(m,j)=255;
end
%填充边界
for i=1:m
    Image(i,1)=255;
    Image(i,n)=255;
end
Image=uint8(Image);
end

3.细化运算（骨架的提取）
我一开始用的是OPTA，但说实话，真的没什么效果，可能是我的算法理解的有问题，写出来，就是对着字体在一个方向上可劲削，8邻域完全没有作用，后来回归到了返璞归真的细化算法上。
对于8邻域，我们给出这样的标记：

如果p1满足以下条件，那么p1的删除不会影响到留下来的形状的连通性：

首先是八邻域当中黑色点数在2~6之间，可以保证p1既不是端点、孤立点也不是内部点；再来是对10模式Z0的计算；然后是上左右不全为黑色点或上方点不连通，以及上右下不全为黑色点或右侧点不连通的判断。
这里值得一提的是Z0的计算是按照10模式来推进（原始文献里是01，但是因为我的前景色是黑色，我把它改成了10），只要8邻域当中的10模式（pipj=10）不超过1个，则可以保证删除p1之后的连通性。

主迭代部分：

function [skeleton] = Skeleton(I)
[m,n]=size(I);
I=double(I);
J=double(size(I));
sum=0;
for i=1:m
    for j=1:n
        sum=sum+I(i,j);
    end
end
T=sum/(m*n);
for i=1:m
    for j=1:n
        if I(i,j)>T
           J(i,j)=1;
        else 
           J(i,j)=0;
        end
    end
end

[m,n] = size(J);
K=J;
modified = true;    % 控制迭代的标记
while(modified)
    modified = false;
    for i=2:m-1
        for j=2:n-1
            if J(i,j)==0
                if flag1(J,i,j)&&flag2(J,i,j)&&flag3(J,i,j)&&flag4(J,i,j)
                    K(i,j) = 1;
                    modified = true;    %判断是否继续迭代
                end
            end
        end
    end
    J=K;
end

skeleton=zeros(m,n);
for i=1:m
    for j=1:n
        if i==1||j==1||i==m||j==n
            I(i,j)=255;
        else
            if K(i,j)==1
                skeleton(i,j)=255;
            else
                skeleton(i,j)=0;
            end
        end
    end
end

end

flag1、2、3、4分别按照给出的条件去计算即可。
（3）图像配准
我思前想后了很久，图片的大小，不是标准化图片大小的最好方法，要让主体大小在同一衡量标准下，才是合理的，所以采取了首先裁切出最小矩形，再对准基准类缩放，使主体字达到长度430（基准初始列为44，末尾列为473），然后再填充至标准画布容器大小。
通过之前核算的基准列，统一规定十二个”一“在配准时的大小均为364*504，先通过遍历，获取第一行、最后一行、第一列、最后一列出现黑色像素的点（即为最小矩形），放缩得到长度为430的主体部分，再将放缩后的矩形放置到基准列之间，画布中线上，即完成配准。

（四）实验成果展示
预处理配准后，显示预处理图、骨架图、边缘图，以及各变量数据：

保存到Excel表格中，Excel表格中的数据：




点击Statistics按钮显示出十二个”一“某一变量的柱状图：（可以对照Original Picture，进行数据分析）

A~L分别对应从1号到12号。

（五）客观形态与主观感受的关联探索
（1）与情感之间的联系
通过集体数据可以先举例分析，对于9号（即I），弯曲程度在所有一当中最高，其实弯曲程度从某种角度可以看作是运笔的跳脱程度，越是洒脱（越大）越是能说明心情的愉悦程度很高。


(2)与运动感之间的关系
再次举例分析，笔力象征笔锋的前进态势，在集体数据中，5号（E）的笔力最大，再对照E的形态图，发现确实如此，笔力越大，笔画的风格越豁达有英气，感觉像是速度极大的扫过一般。


除此以外，还有最宽处与最细处之比，也可以看出一个笔画的力量程度，比值越大，意味着书写者书写时使用的按挑顿的技巧越强，对腕力的要求自然更高，力量之感油然而生。（如10号）

（3）和物理感受之间的关系
起笔角度可以判断起笔处的尖锐程度，藏锋的笔画相对比较具有钝感，露锋的笔画相对比较具有尖锐感。但其实我认为物理感受更倾向于墨迹的观察方面，如果是看量化的值或是处理后的图像，会错失很多细节，比如粗糙程度，处理前可以看到留白或是毛边，但是经过预处理，这些细节都会流失掉。

关联总结：其实客观上的数据很多时候只是我们主观感受的一种量化存在，有的时候有的特征值只是一个量化概念，过于抽象，不比我们用主观感受描述传达出的效果好，但是客观形态可以帮我们总结出一些客观规律，比如达到多少数据，我们会倾向于产生这样或那样的主观感受，就比如笔力小于100时，我可能会觉得运笔是平缓的，但是超过200的话，我就会觉得他是遒劲有力的。

实验心得

这个实验让我们学习的专业课程发生交融，增进了我们处理问题的综合能力，好快乐，终于写完报告啦！