编码,字体与字库

 


  字体 (就是font文件中内容)分为点阵字体与矢量字体两大类

  点阵字体,是把每一个汉字分成 16 x 16 或者 24 x 24个点,然后用每个点的虚实来表示汉字的轮廓,常用来作为显示字库使用,这类点阵字库的最大缺点就是不能放大,一旦放大就会发现文字的边缘锯齿

  矢量字体,保存的是对每一个汉字的描述信息,比如一个笔划的起始、终止坐标,半径、弧度等等在显

  示、打印这一类字库时,要经过一系列的数学运算才能输出结果,但是这一类字库保存的汉字理论上可

  以被无限地放大,笔划轮廓仍然能保持圆滑,打印时使用的字库均为此类字库Windows使用的字库也

  为以上两类,在FONTS目录下,如果字体扩展名为FON,表示该文件为点阵字库,扩展名为TTF则表示

  矢量字库点阵字库文件的图标为一个红色的“A”,矢量字库图标是两个“T”

  DOS下的点阵汉字

  你是否碰到过用启动盘启动系统后用DIR命令得到一串串莫名其妙的字符?有经验的朋友会告诉你:那是汉字汉字?你不禁会问:怎么一个我一个也不认识 但那确确实实是汉字,如果你启动UCDOS或其他的汉字系统后,就会看到那是一个个熟悉的汉字同样是汉字,为什么前后会看到不同的结果?呵呵,其实在电 脑硬件中,根本没有汉字这个概念,也没有英文的概念,这铁玩意认识的概念只有——内码

  汉字的内码

   点头表示什么?是“对”、“YES”,偏偏有的地方表示的意义却恰恰相反一个动作,有不同的诠释;一个问题,有不同的答案;而一个符号,却有不同的意 义,关键在于:你是如何地理解在电脑中亦如此,所有的数据都是以0和1保存的,按不同的数据操作,可以得到不同的结果对于显示英文操作,由于英文字母 种类很少,只需要8位(一字节)即可而对于中文,常用却有5000以上,于是我们的DOS前辈想了一个办法,就是将ASCII表的高128个很少用到的 数值以两个为一组来表示汉字,即汉字的内码而剩下的低128位则留给英文字符使用,即英文的内码不信,你可以用记事本写一C文件:

  main()

  {

  unsigned char *s,*e="ABcd",*c="你好";

  clrscr();

  printf("English char =");

  s=e;

  while(*s!=0) /*C的字符串以0为结束符*/

  {

  printf("%3d,",*s);

  s++;

  }

  printf("/nChinease char=");

  s=c;

  while(*s!=0)

  {

  printf("%3d,",*s);

  s++;

  }

  getch();

  }

  再用TC输渗透*.txt打开运行,看见了没有,那些数值即英文和汉字的各字节内码

  汉字字模

   得到了汉字的内码后,还仅是一组数字,那又如何在屏幕上去显示呢?这就涉及到文字的字模,字模虽然也是一组数字,但它的意义却与数字的意义有了根本的变化,它是用数字的各位信息来记载英文或汉字的形状,如英文的'A'在字模中是这样记载的:

 

 

而中文的“你”在字模中却是这样记载的:

  

  在硬件系统内,英文的字模信息一般固化在ROM里,即使在没有进入系统的CMOS里,也可以让你看到英文字符而在DOS下,中文的字模信息一般记录在汉字库文件HZK16里

  汉字库文件 了解字母和汉字是按字模位 信息显示的原理后,那如何得到汉字的字模信息呢?难道要我们自己去做?NO一般我们使用16*16的点阵宋体字库,所谓16*16,是每一个汉字在纵、横各16点的区域内显示的不过后来又有了 HZK12、HZK24,HZK32和HZK48字库及黑体、楷体和隶书字库虽然汉字库种类繁多,但都是按照区位的顺序排列的前一个字节为该汉字的区 号,后一个字节为该字的位号每一个区记录94个汉字,位号则为该字在该区中的位置因此,汉字在汉字库中的具体位置计算公式为:94*(区号-1)+位号-1减1是因为数组是以0为开始而区号位号是以1为开始的这仅为以汉字为单位该汉字在汉字库中的位置,那么,如何得到以字节为单位得到该汉字在汉字 库中的位置呢?只需乘上一个汉字字模占用的字节数即可,即:(94*(区号-1)+位号-1)*一个汉字字模占用字节数,而按每种汉字库的汉字大小不同又 会得到不同的结果以16*16点阵字库为例,计算公式则为:(94*(区号-1)+(位号-1))*32汉字库文该从该位置起的32字节信息即记录了 该字的字模信息

  汉字库文件

   了解点阵汉字及汉字库的构成原理后,显示汉字就变得简单以16*16点阵字库为例,通常的方法是:将文件工作指针移到需要的汉字字模处、将汉字库文件读入一2*16数组再用for循环一位位地显示以使用VGAHI模式显示“我”字为例,程序如下:

  #include "graphics.h"

  #include "stdio.h"

  main()

  {

  int i=VGA,j=VGAHI,k;

  unsigned char mat[16][2],chinease[3]="我";

  FILE *HZK;

  if((HZK=fopen("hzk16","rb"))==NULL)

  exit(0);

  initgraph(&i,&j,"");

  i=chinease[0]-0xa0;j=chinease[1]-0xa0; /*获得区码与位码*/

  fseek(HZK,(94*(i-1)+(j-1))*32l,SEEK_SET);

  fread(mat,32,1,HZK);

  for(j=0;j<16;j++)

  for(i=0;i<2;i++)

  for(k=0;k<8;k++)

  if(mat[j][i]&(0x80>>k)) /*测试为1的位则显示*/

  putpixel(i*8+k,j,WHITE);

  getch();

  closegraph();

  fclose(HZK);

  }

  怎么样?只要掌握了正确的方法,显示汉字并不复杂

  打印字库文件和HZK12 如果你有UCDOS的 HZK24S(宋体)、HZK24K(楷体)或HZK24H(黑体),你还可以使用不同字体的大字模汉字了HZK24系列是24*24的点阵字库,每字 模占用3*24字节如果你按照HZK16的显示方法的话,你会看到......呵呵,字被放倒了这是因为该类字库与一般的汉字库不同,这类大字模汉字 库是专供打印的打印字库,为了打印的方便将字模都放倒了,你使用时,只要将字模的位信息纵横转置显示即可例如你如果定义为mat[24][3]则应该这 样输出:

  for(i=0;i<24;i++)

  for(j=0;j<24;j++)

  if((0x80>>i%8)&mat[j][i/8]) /*转置显示*/

  putpixel(j+x,y+i,color);

  还有一类字库HZK12,虽然属于标准字库类型,但如果你将它的字模当作12*12位计算的话,根本无法正常显示汉字因为字库设计者为了使用的方便, 字摸每行的位数均补齐为8的整数倍,于是实际该字库的位长度是16*12,虽然每行都多出了4位,但这4位都是0(不显示),并不影响显示效果

  问题:1 内码 与 字模的关系?

  内码指明需要显示的是那个字,字模规定详细怎样来显示这个字

  可以参考下面的《国标码,区位码,内码之间的关系》引文,明白怎么通过内码找到要显示的字

  2 linux下字体的显示原理或者顺序?

  From:http://blog.csdn.net/kt400_hhx/archive/2007/0 6/07/1641590.aspx

  字库与编码关系

  字库是由字模组成的字库是编码表字符显示的描述文件字符编码是在字库中查询需要显示的字符的索引值

  不同的编码就应该有不同的字库,比如unicode编码就有unicode的字库Gb2312编码就有gb2312的字库 字库格式

  字库的格式主要有TrueType(ttf),PostScript(rip),OpenType等

  TrueType是微软定义的字库格式,主要用于软件显示这种要求精度不高的环境,

  PostScript是Adobe定义的字库格式,主要用于排版印刷等大字打印精度要求很高的环境

  OpenType是TrueType与PostScript的综合格式,并且是使用了unicode的编码

  TTF 和 TTC

  TTC是几个TTF合成的字库,安装后字体列表中会观到两个以上的字体两个字体中大部分字都一样时,可以将>两种字体做成一个TTC文件,现在常见的TTC中的不同字体,汉字一般没有差别,只是英文符号的宽度不一样,>以便适应不同的版面要求

  字体引擎

  字体引擎用于读取字库,显示文字,文字转换等操作现在免费的字体引擎有FreeType.

  点阵字体和矢量字体的区别

  http://blog.21ic.com/user1/942/archives/2006/11368 .html

  点阵汉字的显示原理

  http://blog.chinaunix.net/u/7270/showart_311100.ht ml

  国标码,区位码,内码之间的关系

  http://www21.blogchina.com/www21/5419647.html

  汉字的字模与显示

  http://blog.chinaunix.net/u/19881/showart_347012.h tml

  linux 下的字体原理

  http://hi.baidu.com/limu100/blog/item/21b7deef1fef 6b15fcfa3c0e.html

  探究X Window System运行原理与启动过程

  http://www.5dlinux.com/article/6/2007/linux_11215. html

  Linux中文字体的加载!!

  http://www.mcublog.com/blog/user1/16/archives/2006 /12690.html

  如何在linux下安装simsun字体的个人体会(转)

  http://hi.baidu.com/renyijiu/blog/item/53cd7f032e6 e60e809fa9360.html

 

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: tesseract-ocr是一种开源的OCR(光学字符识别)引擎,可以用于识别各种语言的文字。对于中文的文字识别,我们需要进行训练来构建一个适合中文的字库。 首先,我们需要准备一个包含足够多的中文字符的训练数据集。这些数据集可以包括手写字、印刷体字、不同字体和大小的字等。然后,我们需要将这些图片转换成tesseract-ocr可以识别的格式(比如tif或png格式)。 接下来,我们需要创建一个训练文件,该文件应该包含每个字符的图像文件名和相应的unicode编码。这可以通过编写一个脚本来实现。然后,我们使用tesseract-ocr的训练命令对这些字符进行训练,生成一个字库文件(通常是一个.traineddata文件)。 训练命令的具体使用方法可以参考tesseract的官方文档。一般来说,我们需要指定训练数据集的路径、字库文件的输出路径以及其他一些配置参数,如迭代次数、学习率等。 训练完成后,我们可以将生成的字库文件放置到tesseract-ocr的语言包目录中。然后,使用tesseract-ocr的识别命令,指定使用中文字库进行识别。 需要注意的是,tesseract-ocr在识别中文时可能存在一些问题,特别是对于手写体和一些特殊字体。因此,我们需要对识别结果进行后处理,如去除一些错误的字符或进行字符校验。 总之,通过训练字库,我们可以使用tesseract-ocr来识别中文字符,为中文OCR应用提供支持。虽然训练过程需要一些时间和精力,但它可以提高对中文文字的准确识别率,并且允许我们自定义和扩展字库,以满足特定需求。 ### 回答2: Tesseract-OCR是一种强大的开源光学字符识别(OCR)引擎,可用于将印刷体文本转换为可编辑的文本格式。Tesseract能够识别多种语言,包括中文。 要让Tesseract识别中文,需进行一些额外的配置和训练。首先,你需要下载中文训练数据集,如chi_sim.traineddata。这个数据集包含了Tesseract学习如何识别中文字符的训练信息。 然后,将训练数据集放置在Tesseract的训练数据目录下。接下来,你需要对Tesseract进行设置,以指定要使用的训练数据集。这可以通过在代码中使用`TessBaseAPI`库和`SetVariable`函数来完成。 创建一个Tesseract实例后,你可以使用`SetVariable`函数设置`lang`变量为"chi_sim",以指定要使用的训练数据集为中文。 之后,你可以加载要识别的图像,并使用`Recognize`函数将其识别为文本。Tesseract将尝试识别图像中的文字,并将结果返回为可编辑的文本。 以下是一个简单的示例代码: ```c #include <tesseract/baseapi.h> #include <leptonica/allheaders.h> int main() { // 创建Tesseract实例 tesseract::TessBaseAPI* api = new tesseract::TessBaseAPI(); // 设置要使用的训练数据集为中文 api->SetVariable("lang", "chi_sim"); // 加载要识别的图像 Pix* image = pixRead("/path/to/your/image.png"); api->SetImage(image); // 进行识别 api->Recognize(0); // 获取识别结果 char* text = api->GetUTF8Text(); printf("识别结果:\n%s", text); // 释放资源 api->End(); delete[] text; pixDestroy(&image); return 0; } ``` 通过以上步骤,你可以使用Tesseract-OCR识别中文,并获取到识别结果。这样,你就可以将印刷体中文文本转换为可编辑的文本格式,便于进一步处理和使用。 ### 回答3: Tesseract-OCR是一个开源的OCR(Optical Character Recognition,光学字符识别)引擎,它最初由惠普实验室开发,现在由谷歌维护。它能够将图像中的文字转换成可编辑的文本,并且支持多种语言的识别,包括中文。 在Tesseract-OCR中识别中文的过程中,关键是配置合适的字库并进行训练。字库是一系列用于训练OCR引擎的字符图像和相应的字符编码的集合。 首先,我们需要准备一组中文字符的图像样本,这些样本应该尽量包含不同的字体、大小和风格。可以使用现有的中文字符数据集,或者手动收集一些样本。接下来,将这些字符图像转换为合适的格式,例如,可以将它们转换为tif格式。 然后,我们需要创建一个训练字库的配置文件。在这个配置文件中,我们需要指定字库的名称,训练过程中使用的字符集,以及其他相关的参数。可以通过编辑一个名为“unicharset”的文件来配置这些内容。 接下来,我们需要运行训练命令来训练字库。在命令行中,可以使用tesseract命令来运行训练过程。可以指定训练数据的路径、配置文件的路径和输出模型的路径。运行命令后,训练过程将会开始,并且会生成一个训练好的字库模型文件。 最后,我们可以使用训练好的字库模型来识别中文。在使用Tesseract-OCR进行中文识别时,我们可以通过设置识别语言为中文,以及加载之前训练好的字库模型来进行识别。 总结来说,在使用Tesseract-OCR识别中文的过程中,需要准备中文字符的图像样本,创建训练字库的配置文件,运行训练命令进行字库训练,最后使用训练好的字库模型进行中文识别。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值