AI 文字识别技术在城市规划档案数字化中的运用

路燕

（东华工程科技股份有限公司，安徽 合肥 230000）

城市规划档案是当地规划部门按照现行法律规定，实施规划审批、管理等有关工作的重要依据，还是衡量工程是否满足有关标准的主要证据。目前，城市规划档案信息不断增多，原本的查询检索方式对档案资料的应用，带来诸多不便，而应用AI 文字识别将档案进行数字化处理，能有效解决以上问题。

1 纸质档案数字化

数字化转变的基本程序涉及到文件扫描、图像处理及储存等。具体操作是把档案文件平整铺在固定位置，通过高拍仪实现快速翻页，照相机则同步拍照扫描，对得到的图像实施智能化纠偏，形成PDF 格式的附件文档。在现有的纸质档案中，使用的纸张尺寸可能达到A3，甚至更大，鉴于此类尺寸的档案并不多，因此在实践中，会选择使用数码相机处理，将得到的照片插入相应的PDF 文件里。在扫描工作结束后，会按照具体的类型，分别保存在不同的位置，依托于后台服务器，将档案信息和附件对应起来。

2 城市规划档案中运用AI文字识别技术的可行性

其一，准确性。在我国部分地区的城乡规划档案处理中，AI 文字识别基本上可以准确识别出至少70%的手写文字，如果是通用印刷体，识别精准度能超过90%。其二，数字化效率。根据当下既有的文字识别方法，平均每个字符耗用的时间大致在2ms 左右，每件档案一般会消耗3min 左右的时间。包括数据传输、格式调整、文字识别与人工校准多个环节。假设使用AI 文字识别，能进一步压缩数字化处理的时间。其三，稳定性。AI 文字识别可以把各类格式的图片与文字，在整理表格中，识别出图像包含的表格数量，同时完成准确切割，保障处理后的图像可以保障表格信息的完整性。其四，针对性。AI 文字识别运用到城市规划档案工作中，可提供自主模板设置，基于档案的实际样式，选择合适的模板，在大体上可以适应城市规划档案内容提取、补录的工作需要。

3 AI文字识别技术的有关讨论

3.1 Tesseract

Tesseract 来自谷歌，该项文字识别引擎应当是近年来，识别率与成效相对靠前的方法，其对文字的识别准确率较高，并且拥有良好的移植性。因为此项技术能够自建训练库，所以可以根据城市规划档案的处理需要，对文字识别引擎实施训练，并能准确识别出不同的字体和符号。其引擎功能优秀，基本上包含分析联通区域、确定块区域、确定文本行与单词、得到识别内容。（图1）

图1 Tesseract 框架图

3.2 百度OCR 文字识别

百度OCR 文字识别属于我国的老品牌，已经拥有庞大的用户群体，并借此得到训练集，依托于算法设计，在我国文字识别行业中排在前列。和上文的Tesseract 相较，百度OCR 可以提供更加准确的服务方案。由于Tesseract 在图像预处理中有较好的表现，因而使用百度OCR 进行API 中，还是把图像预处理部分交给Tesseract，由此保障整个处理过程的准确性。

3.3 图像预处理

首先，图像灰度化。计算机行业中，灰度数字图像代表一个像素就能对应一个采样颜色。拥有该特性的图像，通常是有亮度最小（黑色）至亮度最大（白色）的灰度，从理论角度来说，虽然该种情况可能是任何颜色的各个深浅程度，也能是各类亮度中的不同色彩。而灰度图像和黑白图像之间存在根本上的不同。对于计算机来说，黑白图像仅包含黑与白两个色彩，而灰度图像则包含黑和白之前的各种色彩深度。灰度化处理变化把一张包含多种颜色的图像，转化成仅具备灰度值的灰度信息。彩色图像的基本分量，包含R、G与B，各自对应红、绿、蓝，而灰度化处理过程，便是将颜色三个分量进行等量处理。灰度值更大的像素点，会更亮（白色是像素值最大的颜色，是255）；灰度值低，就会相对更暗（黑色是最小的像素，是0）。完成灰度化处理的算法，具体选择如下：

其一，最大值法。把通过转换的三个分量，取得的值转化为前三个值里最大的一项，借此可得到亮度相对最高的灰度图像。用公式表示就是：

式中，ωR、ωG、ωB各自对应R、G与B的权值，在选定不同值的情况下，能得到差异化的灰度图像。因为人类肉眼对红、绿与蓝的敏感度排列是：绿大于红大于蓝，所以，在设置权值中，会根据上述大小情况，进行调整，这样能获得识别难度更低的灰度图像。在档案管理中，三者一般设置的权值分别是：ωR=0.2999、ωG=0.587、ωB=0.114。对于城市规划档案，其中有大量白底黑字的文件，使用高拍仪提取图像中，可能会受到光线等条件的干扰，出现明显色差，不利于信息识别，所以，要实施灰度化处理。

其次，图像降噪。扫描件因为硬件自身的问题，图像上会带有诸多噪声点，对于该种情况，Tesseract 是借助高斯低通滤波加以处理，提高图像质量。高斯低通滤波装置是基于高斯函数的线性平滑装置，而所谓的高斯函数属于密度函数，为正态分布。因此，该装置面对服从正态分布的噪声，有着姣好的处理效果。一维与二维的高斯函数如下：

式中，δ 是标准差。因为档案图像一般是二维内容，所以图像去噪一般应用二维高斯函数。鉴于高斯函数存在可分离性，因而需对行实施高斯滤波，而后处理列的部分，利用该种处理方式，把二维高斯函数调整成一维的高斯滤波。在此函数中，标准差提高，整条曲线会更加平滑；降噪处理程度更高，图像会更加模糊。

最后，二值化。图像二值化过程，是把像素点灰度值处理成0 及255，让最后保存的图像仅包含黑白两个颜色。根据自适应阈值的算法，按照像素灰度值，把图像分成前景与背景，经过计算确定二者方差，以此得出差异的显著性，最终通过筛选对应方差实现最佳类别划分的界限，将此视为最佳预制。将灰度图像大小设成w*h，这与像素数量对应。类别划分的阈值是threshold，将小于此阈值的全部像素，当成前景，超过的部分则是背景。图像总体平均灰度的表达式是：

式中，μ 是图像总体平均灰度；ω0是前景像素数目的比例，对应的平均灰度是μ0；ω1是背景像素数目的比例，对应平均灰度是μ1。在系统分析中，会对比图像所有灰度值，得出相应的方差，继而确定出最佳阈值，由于方差在整个处理环节中，仅是用于对比，因此，直接将其用像素数量代替。通过二值化处理后的扫描件，能得到黑白分明的表格如下：

表1 二值化处理后的表格

4 城市规划档案数字化识别系统分析

4.1 系统概述

针对某城市规划中的建筑项目进行整合，既有纸质档案中仅有界址点。倘若在转化成电子档案中，只利用人工录入，显然是不够高效的，对此依托于OCR 技术与其他有关手段，设计识别系统。硬件上，为准确识别出纸质资料里的界址点，配置扫描仪等设备。开发及运行平台选择戴尔z230，而高拍仪选择宝 碁·点易拍E1200DS，此款仪器的主摄像头与副摄像头，像素分别是1000 万与200 万，能运用自然光线与LED等。根据基本参数来说，能适应档案成像需要。系统软件方面的配置，见表2。

表2 软件配置

城市规划档案的数字化处理过程是：利用文字识别手段，提取界址点内容，由此得到地图。使用高拍仪把纸质档案文件中所有包括界址点内容的页面，经过扫描保存，而后读取图像内容，根据档案基础版面，确定X与Y的数据。通过文本进行切割，提取X和Y。基于特征分析与神经网络，把X和Y转化相应的坐标，保存在Excel 表格。而后利用图像生成软件，读取表格内容，最终取得图像。

图2 系统运行流程图

4.2 系统功能

基于前文对档案文字识别系统的概述，整体可分出几个模块，即图像裁剪、版面分析、字符处理、生成表格等模块。

4.2.1 图像裁剪

由于档案图像中的多余内容，会对提取坐标信息的准确度有干扰，所以在分析版面以前，需全面处理，确保图像里仅包含界址点的内容。高拍仪最初拍到的图像信息见表3。经过图像识别，把图像进行分割。在纸质版档案中，序号位置通常是有装订孔，而边长对地图没有价值，因而，可直接把二者切掉，最终得到图像信息。

表3 包含界址点的图像内容

4.2.2 版面分析

保存于Excel 表格中的版面结构，使用几何结构与逻辑结构表示。其中，前者是对各个单元格位置实现定位与切分。而版面分析便是对扫描件实施分割，进一步识别X与Y坐标。本文此处以top-down 为例，基于对图像所有数据实施分析，根据得到的结果对文件实行切分。此种处理方式比较简便，主要用在只包括界址点内容的档案。

4.2.3 字符处理

字符切分环节视为把扫描件所示的所有数字均提取出来，得到若干数字图像，假设不能正确切分，在后续环节中就无法确定数字特征，这会影响文字识别的准确度。档案数字化处理中，会由于某些问题干燥，导致切分处理更加复杂，比如手写字体差异、大小不同等。目前可用在字符切分中的算法角度，此处以按照连通域进行切分的方法为例。简言之，一个数字可以形成相应的连通图像域，在确定各自行、列的起止位置，便能提取出一个矩形，实现字符切分。此处采用CFS分割法，整个运行流程为：把经过二值化处理的图像，由左至右，由上到下全面扫描遍历，假设存在黑色像素，而且从未被访问过，可直接将其标记成“已访问”；假设栈不为空，需要向周围据需探测其他像素，重复以上步骤，但如果栈可以是空的，说明当前已经探测好一个字符块；探测任务完成后，便能得到相应数量的字符。目前，AI 发展迅猛，该领域内的诸多厂商，都已经推出比较完善的文字识别计划，此处以百度OCR 为例，分析其识别的过程，针对数字部分，运用表格文字识别的方法。

4.2.4 生成表格

提取到的界址点坐标数据要借助Python 保存，支持生成地图。此处选用该项技术中的xlwt（xls 文件，write 库）保存表格。整个处理流程为：导入界址点坐标数据；创建工作表；填写数据；保存。（图3）

图3 生成表格流程图

4.2.5 生成地图

在城市规划档案管理机构中，计算机配置相近，既有软件也基本相同，如果原本的ArcGIS Desktop 均是10.0，使用C#比较合适，再加上操作页面具有可视化的特点，能支持大部分工作者使用。在城市规划档案的处理中，此文所述系统主要涉及到两个类库：Geometry类库与System 类库。前者可以处理保存于特征类以及其他图像要素里的geometry与shape。大部分用户涉及到的几何对象包含Point、Polygon等。在此类顶层实体意外，还存在各类几何体。GIS采集到的的实体均具备现实存在的特点，其方位是按照所在空间参照的几何体进行定义。在Geometry 库内，含有投影与地理系统的相应参考对象。在研究系统中，可以选择从空间参考方向入手，逐渐拓展空间参考的范围，由此保障储存内容的完整性与全面性。而后者属于ArcGIS系统，并未与最底层。该类库可提供所在系统内其他类库服务功能的相应组件，在此类库下，定义出大多数开发人员能实现的接口，例如，AoInitializer 对象，开发者应运用此对象，实现初始化。但开发者不可将该类库进行拓展，可以选择利用此类库内包括的接口，把ArcGIS系统进行有效拓展。在系统运行后，读取经过OCR 识别的全部表格文件，提取其中的界址点内容。建立SHAPE 图层，根据地号设置名称。因为通过OCR识别得到的表格已经用地号命名，所以此处无需更改。而后定义坐标系、创建图层，呈现出经纬度。在点绘制成线后，利用ring函数，得到Polygon，保存在相应的文件夹内。

综上所述，AI 文字识别能为档案工作提供技术帮助，将纸质档案快速转化成电子文件。实践中，在保障档案文字识别、纠错准确的技术上，还需保证档案资料安全，针对数字化内容开展全面保密检查，为城市规划档案管理夯实基础。