字符粘连切分方法

1. 目的
   本方法目的在于解决英文字母OCR中存在的字符粘连问题，使得算法的运算结果更为准确。化学式中存在的粘连问题主要有以下几个特点：一是字符种类较少，大都由常见化学元素的组合和基本的数字构成；二是字符的宽度基本一致，一般不存在一大一小的情况，这方便了我们使用字符宽度这一定界条件而又不影响切分的准确性；最后一个是字符的走向大都是水平方向，因此我们在切割时只需要考虑竖直向的切割即可。

2. 解决对象
   需要去除粘连的几种情况大致总结如下：
   2.1. 粘连区域窄。粘连的粘连线较窄，这意味着两个有效字符之间的距离很近，因此在切割时在它们中间设置一个切分点即可。按照粘连线的数量，大致又能分为以下两种。
    2.1.1.粘连线单一。两个字符之间只存在一个单一的粘连线，如下图1所示。
    2.1.2. 多条粘连线。两个字符之间不止一条粘连线，如下图2所示。
   2.2. 粘连区域宽。粘连的粘连线较宽，在切分的时候需要考虑两个字符之间大致的间隔距离，将不需要的部分剔除掉。如下图3所示。

3. 粘连区域窄的情况
   3.1. 单一粘连线的情况，以图1 为例。在Matlab里描绘其上、下轮廓如下图4，图5所示，上下相减得到整体的轮廓图如图6所示。
   
   
   算法从左到右遍历整体轮廓图，发现上升沿就做标记。在所有上升沿中按照如图7所示的条件取有效上升沿。根据所有有效上升沿切分整张图。效果如图8所示。
   
   
   3.2. 多条粘连线的情况，以图2为例。若仍然采用上下轮廓相减的方法，会出现如图9的情况。
   
   整体轮廓图没有实效性，不能用之进行切分分析。因此考虑采用纵向像素点累积的方法，得到如图10的真实像素分布。
   
   针对这个像素分布图做前面的切分处理，便可得到较准确的结果，如下图11所示
   

4. 粘连区域宽的情况
   以图3为例。沿用之前的方法得到上、下和整体轮廓图，如图12、13、14。问题在于相邻两个有效的上升之间的距离很远，导致切分时第一个字母后面带有很长的粘连线，如图15所示。
   
   
   因此考虑引入下降沿的方法来确定一个字符的边界。按照寻找有效上升沿的方法得到一系列有效下降沿（默认最左为一个上升沿，最右为一个下降沿）。从左至右遍历整张图片，切下所有相邻上升沿和下降沿之间的部分，算法如图16所示，作为最后结果，切分效果如图17所示。
   

5. 综合
   由于我们在做切分工作时，并不能事先了解目标粘连属于上述哪一种类型，因此需要一个差别处理的工作使得算法具备普适性。针对单线粘连还是多线粘连的问题，统一的解决办法是将两种方法（轮廓法和像素累积法）得到的有效上升沿都列出来，并对它们一一进行评价。由于像素点累积的方法出现的上升沿较多，因此准确性较之轮廓线法更低，所以给像素累积法得到的上升沿赋较低的初始分。然后再对每一个上升沿做考量，如果它的周围出现了比它分数更高的上升沿，就把它舍去；如果没有，就把它令为一个切分点。针对粘连线长短不一的问题，解决的办法是如果检测到一个切分点之后的1.5*字符宽度内都没有新的有效上升沿出现，则直接在此切分点后一个字符宽度距离处取一切分点再继续检测，直到图片末尾。运用以上的办法，可以比较方便地将三种不同粘连情况综合处理。

6. 需改进的部分
   6.1. 利用打分的机制对上升沿作评价的方法很科学，可以考虑引入一个更全面的打分机制，比如上升沿的深度、上升跨度等参数都可以作为打分指标列入，最后根据分数高低来确定具体的切分点位置。
   6.2. 文章只考虑了竖直向切分的情况，如果出现上下方向的粘连，应该寻找相应的解决办法。