1. 从甲骨文到数字矩阵一次数学建模竞赛的实战复盘去年带队参加MathorcupB题“甲骨文识别”让不少队伍直呼头大。这题妙就妙在它把一个看似高深的计算机视觉问题包装成了一个典型的、需要多学科交叉解决的数学建模问题。你不需要是CV专家但你必须理解如何将图像问题转化为可计算的数学模型并用编程语言将其实现。很多队伍卡壳的地方往往不是算法本身而是如何将“识别甲骨文”这个模糊的需求拆解成“特征提取”、“图像分割”、“分类器设计”等一系列明确的、可建模、可编程的子问题。今天我就结合当时的解题思路和后续的深入思考把这道题的“里子”彻底拆开聊聊从拿到一张模糊的甲骨拓片图像到最终输出识别结果这中间到底经历了哪些关键的数学与工程步骤。无论你是正在备赛的同学还是对图像处理与数学建模结合感兴趣的朋友这篇复盘都能给你提供一个完整的、可复现的思考框架和实操指引。2. 破题第一步理解甲骨文图像识别的核心挑战与建模本质在动手写任何代码之前我们必须先想清楚我们要用数学和程序解决一个什么样的问题甲骨文识别不是简单的MNIST手写数字识别它有一系列独特的难点这些难点直接决定了我们后续方法的选择。2.1 甲骨文图像的独特性分析首先我们面对的“数据”很特别。通常我们获得的可能是甲骨拓片或照片的扫描图像其特点鲜明背景复杂且不均匀龟甲或兽骨本身的纹理、裂纹、污渍、非文字刻痕如卜兆与文字交织在一起背景并非纯净的白色或黑色。目标文字形态不规则甲骨文是古老的象形文字笔画粗细不均结构多样同一个字在不同拓片上形态可能有差异。低对比度与模糊由于年代久远和拓印技术限制文字与背景的灰度差异可能很小边缘模糊不清。粘连与断裂笔画之间可能存在粘连或者由于甲骨破损导致文字笔画断裂。数据量稀缺公开的、已标注的甲骨文单字图像数据集规模远小于现代字符数据集这限制了深度学习方法的直接应用。这些特点意味着直接套用现成的OCR光学字符识别库如Tesseract效果大概率会非常差。因为通用OCR引擎是针对印刷体或清晰手写体优化的其内置的二值化、分割和识别模块无法处理甲骨文如此复杂的背景和低质量图像。2.2 将视觉问题转化为建模问题数学建模的核心是抽象。我们需要将上述视觉挑战转化为一系列可以用数学语言描述和计算的问题图像分割问题如何从背景龟甲纹理、噪声中准确地分离出前景文字区域这是一个典型的二分类问题但背景和前景的区分并非简单的灰度阈值能解决。我们需要建立一个模型该模型能根据像素及其周围邻域的某些“特征”判断该像素属于文字还是背景。特征提取问题对于分割出来的单个文字图像我们用什么“尺子”去度量它才能区分出不同的字这些“尺子”就是特征。可能是几何特征如宽高比、笔画密度、矩特征Hu矩、纹理特征LBP、HOG或者是通过神经网络自动学习到的深层特征。特征提取的本质是降维和表征将一张像素很多的图片转化为一个能代表其核心信息的、维度低得多的特征向量。分类识别问题有了特征向量后如何根据特征判断它对应哪个甲骨文字这是一个多分类问题。我们需要一个分类器模型它学习从特征向量到文字类别的映射关系。在数据量有限的情况下传统的机器学习分类器如SVM、随机森林可能比复杂的深度神经网络更具优势。因此整个任务的Pipeline可以清晰地建模为输入图像 - 预处理 - 图像分割得到文字区域- 单字切割 - 特征提取 - 分类识别 - 输出文字。竞赛题目通常会提供一部分已标注的训练数据一些甲骨文图片及其对应的文字我们的任务就是基于此构建并优化这个Pipeline。3. 核心战场一图像分割——如何从混沌中剥离文字图像分割是后续所有步骤的基础分割质量直接决定识别的上限。在资源有限的竞赛环境中我们无法训练一个庞大的分割网络因此基于传统数字图像处理技术的分割方案是更务实、更可解释的选择。我们的目标是找到一个鲁棒的阈值或区域判定方法。3.1 预处理为分割铺平道路在分割之前预处理旨在增强文字与背景的对比度抑制噪声。灰度化将彩色图像转为灰度图减少计算量。I_gray 0.299*R 0.587*G 0.114*B。滤波去噪甲骨图像常见的噪声是高斯噪声和椒盐噪声类似斑点。中值滤波对去除椒盐噪声特别有效且能较好保持边缘。选择一个合适大小的窗口如3x3, 5x5用窗口内像素的中值代替中心像素值。OpenCV中cv2.medianBlur(img, ksize3)。高斯滤波一种线性平滑滤波器对高斯噪声效果好但会使边缘模糊。使用时需谨慎核不宜太大。cv2.GaussianBlur(img, (5,5), 0)。对比度增强这是关键一步。可以采用对比度受限的自适应直方图均衡化CLAHE。与全局直方图均衡化不同CLAHE将图像分成小块对每个块进行直方图均衡化并用双线性插值消除块间边界从而在增强局部对比度的同时避免放大噪声。OpenCV实现import cv2 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) img_clahe clahe.apply(img_gray)3.2 经典阈值分割方法及其在甲骨文上的适应性分析预处理后我们尝试用阈值将图像二值化文字为白255背景为黑0。全局阈值法如Otsu大津法适用于前景和背景灰度直方图呈双峰分布的图像。Otsu算法会自动计算一个最佳全局阈值T使得前景和背景的类间方差最大。但对于背景不均匀的甲骨文图像全局阈值往往效果不佳要么把部分背景当成了文字要么丢失了笔画较淡的文字部分。ret, img_binary_global cv2.threshold(img_clahe, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)注意直接对原图使用Otsu通常不是最优解。务必先进行CLAHE等对比度增强再尝试Otsu效果会有提升。局部自适应阈值法这是处理不均匀光照和背景的利器。它为图像中每个像素点根据其邻域块的像素值分布独立计算阈值。常用方法有自适应高斯阈值和自适应均值阈值。# 自适应高斯阈值。参数邻域大小必须为奇数如11, 21常数C从均值或加权均值中减去的值用于微调 img_binary_adaptive cv2.adaptiveThreshold(img_clahe, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 10)关键参数经验blockSize邻域大小。值越大考虑的范围越广对大片背景不均匀区域适应更好但可能模糊细节。对于甲骨文建议从15到25之间的奇数开始尝试。C常数。这是一个非常重要的调优参数它相当于一个“灵敏度”调节。增大C值会使阈值变高从而让更多像素被判定为背景黑色文字区域可能变得更“瘦”或断裂减小C值阈值降低更多像素被判定为文字白色可能导致笔画粘连或背景噪声被误认为文字。需要根据图像质量反复调试。3.3 后处理修补分割结果即使用自适应阈值得到的分割结果二值图像也可能存在噪声点、小孔洞笔画内的黑点、笔画断裂或粘连。形态学操作利用结构元素核对图像进行腐蚀、膨胀、开运算、闭运算。闭运算先膨胀后腐蚀用于填充小的孔洞和连接断裂的笔画。这对于修复因阈值过高或笔画模糊导致的断裂非常有效。kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3,3)) # 3x3矩形核 img_closed cv2.morphologyEx(img_binary_adaptive, cv2.MORPH_CLOSE, kernel)开运算先腐蚀后膨胀用于消除小的白色噪声点和分离细微的粘连。但如果核太大可能会腐蚀掉细小的笔画。img_opened cv2.morphologyEx(img_binary_adaptive, cv2.MORPH_OPEN, kernel)经验之谈对于甲骨文通常先尝试闭运算修复断裂如果发现背景噪声点较多再考虑使用较小的核做一次开运算。核的大小如(2,2), (3,3)需要根据图像分辨率谨慎选择宁小勿大。连通区域分析这是分割出独立文字块的关键。使用cv2.connectedComponentsWithStats可以获取所有连通域白色像素团块的标签、面积、外接矩形等信息。num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(img_processed, connectivity8)通过分析stats中的面积cv2.CC_STAT_AREA我们可以过滤掉面积过小可能是噪声或过大可能是未去除干净的大块背景的连通域只保留可能是文字的连通域。4. 核心战场二特征工程——为甲骨文制作“数字身份证”分割出单个文字图像后我们需要从中提取一组能够区分不同文字的特征。特征工程是传统机器学习方法的灵魂好的特征应具有区分性不同类别的特征值差异大、鲁棒性对微小形变、光照变化不敏感和独立性特征之间相关性低。4.1 常用手工特征提取方法几何特征简单有效计算快。宽高比aspect_ratio width / height。不同文字的结构可能导致其外接矩形比例不同。面积与周长比area_perimeter_ratio area / perimeter。反映文字的“紧凑度”。笔画密度stroke_density (white_pixel_count) / area。文字部分白色像素占总外接矩形面积的比例。Hu矩一组7个由中心矩推导出的不变矩对图像的平移、旋转、缩放具有不变性。非常适合用于形状识别。import cv2 # 计算图像的矩 moments cv2.moments(img_binary_roi) # 计算Hu矩 hu_moments cv2.HuMoments(moments) # Hu矩的值动态范围很大通常取对数进行压缩 for i in range(7): hu_moments[i] -1 * np.sign(hu_moments[i]) * np.log10(np.abs(hu_moments[i]))纹理特征描述图像内部的灰度分布模式。局部二值模式LBP将每个像素与其邻域比较生成一个二进制码再统计该区域的LBP直方图作为特征。它对光照变化有一定鲁棒性。方向梯度直方图HOG计算图像局部区域的梯度方向直方图。它能很好地捕捉物体的轮廓和形状信息在行人检测中经典对于笔画轮廓清晰的文字也有效。投影特征统计水平方向和垂直方向上的像素分布。水平投影将图像每一行的白色像素累加形成一个一维向量。可以反映文字在垂直方向上的笔画分布。垂直投影将图像每一列的白色像素累加。反映水平方向的笔画分布。这些投影直方图本身可以作为特征也可以从中再提取统计量如波峰数量、波峰位置、方差等。4.2 基于深度学习的特征提取在数据允许的情况下如果竞赛提供了足够多的标注数据例如每个字有数十个甚至上百个样本可以考虑使用卷积神经网络CNN进行迁移学习或训练一个简单的特征提取器。轻量级CNN特征提取器可以设计一个几层的CNN如2-3个卷积池化层后接全连接层将最后一个全连接层之前的激活值例如一个128维或256维的向量作为该文字的特征表示。这种方法能自动学习到比手工特征更高级、更具判别性的特征但对数据量和计算资源要求更高。实战考量在数学建模竞赛有限的时间内如果数据量不是特别充足建议以稳健的手工特征为主深度学习特征为辅或作为进阶尝试。可以将Hu矩、几何特征、投影特征统计量等拼接成一个长特征向量。4.3 特征选择与降维提取了大量特征后并非所有特征都有用。有些特征可能冗余有些可能与类别无关。我们需要进行特征选择或降维。主成分分析PCA最常用的线性降维方法。它将原始特征空间变换到新的坐标系主成分使得第一个主成分方差最大第二个次之以此类推。我们可以保留前k个主成分例如累计贡献率达到95%在保留大部分信息的同时大幅降低特征维度。from sklearn.decomposition import PCA # 假设 feature_matrix 是 n_samples x n_features 的特征矩阵 pca PCA(n_components0.95) # 保留95%方差的主成分 features_reduced pca.fit_transform(feature_matrix)线性判别分析LDA另一种降维方法其目标是使得降维后的数据同类样本尽可能接近不同类样本尽可能远离。它是一种有监督的降维方法在分类任务中有时比PCA效果更好。5. 核心战场三分类器设计与模型训练——让机器学会辨认特征准备就绪后我们进入分类器建模阶段。在这个阶段我们拥有一个数据集每个样本是一个特征向量X对应一个甲骨文字标签y。5.1 数据准备与划分首先需要将分割并提取好特征的数据集划分为训练集和测试集如果竞赛未单独提供测试集则需从训练数据中划分。绝对禁止用训练集数据评估模型性能那会导致过于乐观的估计过拟合。from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split(features, labels, test_size0.2, random_state42, stratifylabels)参数stratifylabels非常重要它确保训练集和测试集中各个类别的比例与原数据集一致避免某些字在测试集中没有出现。5.2 传统机器学习分类器选型与实战在中小规模数据集上传统机器学习分类器往往能取得快速且不错的效果。支持向量机SVM非常强大的分类器尤其适用于小样本、高维特征的情况。其核心是寻找一个最优超平面来分隔不同类别的样本。关键参数kernel核函数。线性核linear适用于近似线性可分的情况径向基函数核rbf可以处理非线性问题是默认且常用的选择。C惩罚系数。C越大对误分类的惩罚越重模型越复杂容易过拟合C越小容错性越高模型越简单可能欠拟合。gamma仅对rbf核影响单个样本的影响范围。gamma值越大支持向量影响范围越小模型越复杂。from sklearn.svm import SVC svm_model SVC(kernelrbf, C10, gammascale, probabilityTrue) # probabilityTrue 便于后续输出概率 svm_model.fit(X_train, y_train) accuracy svm_model.score(X_test, y_test)随机森林Random Forest集成学习算法通过构建多棵决策树并综合其投票结果来进行预测。它通常能取得很好的性能且对特征缩放不敏感能给出特征重要性排序。关键参数n_estimators森林中树的数量。越多越好但计算成本增加。通常从100开始尝试。max_depth树的最大深度。控制模型的复杂度防止过拟合。from sklearn.ensemble import RandomForestClassifier rf_model RandomForestClassifier(n_estimators200, max_depth10, random_state42) rf_model.fit(X_train, y_train) accuracy rf_model.score(X_test, y_test) # 查看特征重要性 importances rf_model.feature_importances_K近邻KNN简单直观无需训练过程。预测时找一个样本在特征空间中最近的K个邻居根据邻居的类别进行投票。关键参数n_neighbors(K值)。K太小容易受噪声影响K太大可能包含太多其他类别的点。需要通过交叉验证选择。重要提示使用KNN前必须对特征进行标准化如Z-score标准化因为其基于距离度量不同特征量纲差异会主导距离计算。from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) # 注意用训练集的均值和方差来转换测试集 knn_model KNeighborsClassifier(n_neighbors5) knn_model.fit(X_train_scaled, y_train)5.3 模型评估与调优不能只看准确率Accuracy尤其是当各类别样本数量不均衡时。混淆矩阵直观展示每个类别被正确和错误分类的情况。精确率Precision、召回率Recall、F1-score对于每个类别单独计算能更细致地评估模型性能。classification_report函数可以一键生成。from sklearn.metrics import classification_report, confusion_matrix y_pred svm_model.predict(X_test) print(classification_report(y_test, y_pred)) print(confusion_matrix(y_test, y_pred))交叉验证与网格搜索为了找到最优的模型参数可以使用GridSearchCV在训练集上进行交叉验证搜索。from sklearn.model_selection import GridSearchCV param_grid {C: [0.1, 1, 10, 100], gamma: [1, 0.1, 0.01, 0.001], kernel: [rbf]} grid GridSearchCV(SVC(), param_grid, refitTrue, cv5, scoringf1_macro) # 使用5折交叉验证以宏平均F1为评分标准 grid.fit(X_train_scaled, y_train) print(grid.best_params_) best_model grid.best_estimator_6. 全流程集成与竞赛策略思考将上述所有模块串联起来形成一个完整的、可运行的Pipeline是竞赛提交前的最后一步也是最考验工程能力的一步。6.1 构建可复现的Pipeline你的代码应该模块化至少包含以下几个函数或类preprocess_image(img): 输入原始图像输出预处理后的灰度图。segment_text(img_processed): 输入预处理图输出二值分割图并返回连通域信息。extract_features(binary_roi_list): 输入一系列分割出的单字ROI图像列表输出一个特征矩阵每行一个样本的特征向量。train_classifier(X_train, y_train): 输入训练特征和标签输出训练好的分类器模型和可能用到的标准化器。pipeline_predict(img_path, model, scaler): 主预测函数完成从读图到输出预测结果的完整流程。确保你的代码有清晰的注释关键步骤有输出如显示中间分割结果并且设置随机种子如np.random.seed(42)random_state42以保证结果可复现这在竞赛中非常重要。6.2 针对竞赛的特别策略与报告撰写要点数学建模竞赛不仅看结果更看重解决问题的思路、模型的建立过程和论证的严谨性。多模型对比与融合不要只提交一个模型的结果。可以在报告中展示SVM、随机森林、KNN等不同分类器在相同特征集上的性能对比用表格呈现准确率、F1-score等。甚至可以尝试简单的模型融合如投票法看看是否能提升最终效果。可视化至关重要报告中必须包含丰富的可视化图表。预处理和分割效果对比图原图、灰度图、CLAHE增强图、自适应阈值结果图、形态学处理后图。用子图并列展示一目了然。特征可视化例如用t-SNE或PCA将高维特征降到2维或3维进行散点图绘制用不同颜色表示不同文字类别观察其是否具有可分性。混淆矩阵热力图直观显示模型在哪些字上容易混淆。误差分析与模型改进讨论这是体现你思考深度的部分。分析识别错误的样本看看是分割阶段就失败了如文字断裂严重未被检出还是特征不足以区分如两个字形近的字或者是分类器边界问题。针对这些分析提出可能的改进方向例如尝试更复杂的分割算法如基于边缘检测的分水岭算法、引入更强大的特征如基于预训练CNN的深度特征、针对易混淆字对设计专门的二分类器等。代码与模型的泛化能力在报告中讨论你的方法对于新的、未见过的甲骨拓片图像的潜在适应能力。可以提及方法的局限性如对极端模糊或破损的图像可能失效以及在实际应用中可能需要调整的参数。整个项目做下来我的体会是数学建模竞赛中的图像识别问题更像是一个系统工程问题。它要求你在有限的资源和时间内合理地组合和调整已有的经典方法图像处理、特征工程、机器学习形成一个稳定、可解释的解决方案。深度学习方法虽然强大但在数据有限、时间紧迫的竞赛环境下一套扎实的传统方法Pipeline往往能提供一个更稳健的基线并且其每一步都清晰可控便于在论文中阐述和论证。最终评委看重的不是你用了多么炫酷的算法而是你如何定义问题、拆解问题、选择并论证方法、分析结果以及思考改进的全过程逻辑。 甲骨文识别实战：从图像处理到机器学习建模全流程解析
1. 从甲骨文到数字矩阵一次数学建模竞赛的实战复盘去年带队参加MathorcupB题“甲骨文识别”让不少队伍直呼头大。这题妙就妙在它把一个看似高深的计算机视觉问题包装成了一个典型的、需要多学科交叉解决的数学建模问题。你不需要是CV专家但你必须理解如何将图像问题转化为可计算的数学模型并用编程语言将其实现。很多队伍卡壳的地方往往不是算法本身而是如何将“识别甲骨文”这个模糊的需求拆解成“特征提取”、“图像分割”、“分类器设计”等一系列明确的、可建模、可编程的子问题。今天我就结合当时的解题思路和后续的深入思考把这道题的“里子”彻底拆开聊聊从拿到一张模糊的甲骨拓片图像到最终输出识别结果这中间到底经历了哪些关键的数学与工程步骤。无论你是正在备赛的同学还是对图像处理与数学建模结合感兴趣的朋友这篇复盘都能给你提供一个完整的、可复现的思考框架和实操指引。2. 破题第一步理解甲骨文图像识别的核心挑战与建模本质在动手写任何代码之前我们必须先想清楚我们要用数学和程序解决一个什么样的问题甲骨文识别不是简单的MNIST手写数字识别它有一系列独特的难点这些难点直接决定了我们后续方法的选择。2.1 甲骨文图像的独特性分析首先我们面对的“数据”很特别。通常我们获得的可能是甲骨拓片或照片的扫描图像其特点鲜明背景复杂且不均匀龟甲或兽骨本身的纹理、裂纹、污渍、非文字刻痕如卜兆与文字交织在一起背景并非纯净的白色或黑色。目标文字形态不规则甲骨文是古老的象形文字笔画粗细不均结构多样同一个字在不同拓片上形态可能有差异。低对比度与模糊由于年代久远和拓印技术限制文字与背景的灰度差异可能很小边缘模糊不清。粘连与断裂笔画之间可能存在粘连或者由于甲骨破损导致文字笔画断裂。数据量稀缺公开的、已标注的甲骨文单字图像数据集规模远小于现代字符数据集这限制了深度学习方法的直接应用。这些特点意味着直接套用现成的OCR光学字符识别库如Tesseract效果大概率会非常差。因为通用OCR引擎是针对印刷体或清晰手写体优化的其内置的二值化、分割和识别模块无法处理甲骨文如此复杂的背景和低质量图像。2.2 将视觉问题转化为建模问题数学建模的核心是抽象。我们需要将上述视觉挑战转化为一系列可以用数学语言描述和计算的问题图像分割问题如何从背景龟甲纹理、噪声中准确地分离出前景文字区域这是一个典型的二分类问题但背景和前景的区分并非简单的灰度阈值能解决。我们需要建立一个模型该模型能根据像素及其周围邻域的某些“特征”判断该像素属于文字还是背景。特征提取问题对于分割出来的单个文字图像我们用什么“尺子”去度量它才能区分出不同的字这些“尺子”就是特征。可能是几何特征如宽高比、笔画密度、矩特征Hu矩、纹理特征LBP、HOG或者是通过神经网络自动学习到的深层特征。特征提取的本质是降维和表征将一张像素很多的图片转化为一个能代表其核心信息的、维度低得多的特征向量。分类识别问题有了特征向量后如何根据特征判断它对应哪个甲骨文字这是一个多分类问题。我们需要一个分类器模型它学习从特征向量到文字类别的映射关系。在数据量有限的情况下传统的机器学习分类器如SVM、随机森林可能比复杂的深度神经网络更具优势。因此整个任务的Pipeline可以清晰地建模为输入图像 - 预处理 - 图像分割得到文字区域- 单字切割 - 特征提取 - 分类识别 - 输出文字。竞赛题目通常会提供一部分已标注的训练数据一些甲骨文图片及其对应的文字我们的任务就是基于此构建并优化这个Pipeline。3. 核心战场一图像分割——如何从混沌中剥离文字图像分割是后续所有步骤的基础分割质量直接决定识别的上限。在资源有限的竞赛环境中我们无法训练一个庞大的分割网络因此基于传统数字图像处理技术的分割方案是更务实、更可解释的选择。我们的目标是找到一个鲁棒的阈值或区域判定方法。3.1 预处理为分割铺平道路在分割之前预处理旨在增强文字与背景的对比度抑制噪声。灰度化将彩色图像转为灰度图减少计算量。I_gray 0.299*R 0.587*G 0.114*B。滤波去噪甲骨图像常见的噪声是高斯噪声和椒盐噪声类似斑点。中值滤波对去除椒盐噪声特别有效且能较好保持边缘。选择一个合适大小的窗口如3x3, 5x5用窗口内像素的中值代替中心像素值。OpenCV中cv2.medianBlur(img, ksize3)。高斯滤波一种线性平滑滤波器对高斯噪声效果好但会使边缘模糊。使用时需谨慎核不宜太大。cv2.GaussianBlur(img, (5,5), 0)。对比度增强这是关键一步。可以采用对比度受限的自适应直方图均衡化CLAHE。与全局直方图均衡化不同CLAHE将图像分成小块对每个块进行直方图均衡化并用双线性插值消除块间边界从而在增强局部对比度的同时避免放大噪声。OpenCV实现import cv2 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8,8)) img_clahe clahe.apply(img_gray)3.2 经典阈值分割方法及其在甲骨文上的适应性分析预处理后我们尝试用阈值将图像二值化文字为白255背景为黑0。全局阈值法如Otsu大津法适用于前景和背景灰度直方图呈双峰分布的图像。Otsu算法会自动计算一个最佳全局阈值T使得前景和背景的类间方差最大。但对于背景不均匀的甲骨文图像全局阈值往往效果不佳要么把部分背景当成了文字要么丢失了笔画较淡的文字部分。ret, img_binary_global cv2.threshold(img_clahe, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)注意直接对原图使用Otsu通常不是最优解。务必先进行CLAHE等对比度增强再尝试Otsu效果会有提升。局部自适应阈值法这是处理不均匀光照和背景的利器。它为图像中每个像素点根据其邻域块的像素值分布独立计算阈值。常用方法有自适应高斯阈值和自适应均值阈值。# 自适应高斯阈值。参数邻域大小必须为奇数如11, 21常数C从均值或加权均值中减去的值用于微调 img_binary_adaptive cv2.adaptiveThreshold(img_clahe, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 10)关键参数经验blockSize邻域大小。值越大考虑的范围越广对大片背景不均匀区域适应更好但可能模糊细节。对于甲骨文建议从15到25之间的奇数开始尝试。C常数。这是一个非常重要的调优参数它相当于一个“灵敏度”调节。增大C值会使阈值变高从而让更多像素被判定为背景黑色文字区域可能变得更“瘦”或断裂减小C值阈值降低更多像素被判定为文字白色可能导致笔画粘连或背景噪声被误认为文字。需要根据图像质量反复调试。3.3 后处理修补分割结果即使用自适应阈值得到的分割结果二值图像也可能存在噪声点、小孔洞笔画内的黑点、笔画断裂或粘连。形态学操作利用结构元素核对图像进行腐蚀、膨胀、开运算、闭运算。闭运算先膨胀后腐蚀用于填充小的孔洞和连接断裂的笔画。这对于修复因阈值过高或笔画模糊导致的断裂非常有效。kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3,3)) # 3x3矩形核 img_closed cv2.morphologyEx(img_binary_adaptive, cv2.MORPH_CLOSE, kernel)开运算先腐蚀后膨胀用于消除小的白色噪声点和分离细微的粘连。但如果核太大可能会腐蚀掉细小的笔画。img_opened cv2.morphologyEx(img_binary_adaptive, cv2.MORPH_OPEN, kernel)经验之谈对于甲骨文通常先尝试闭运算修复断裂如果发现背景噪声点较多再考虑使用较小的核做一次开运算。核的大小如(2,2), (3,3)需要根据图像分辨率谨慎选择宁小勿大。连通区域分析这是分割出独立文字块的关键。使用cv2.connectedComponentsWithStats可以获取所有连通域白色像素团块的标签、面积、外接矩形等信息。num_labels, labels, stats, centroids cv2.connectedComponentsWithStats(img_processed, connectivity8)通过分析stats中的面积cv2.CC_STAT_AREA我们可以过滤掉面积过小可能是噪声或过大可能是未去除干净的大块背景的连通域只保留可能是文字的连通域。4. 核心战场二特征工程——为甲骨文制作“数字身份证”分割出单个文字图像后我们需要从中提取一组能够区分不同文字的特征。特征工程是传统机器学习方法的灵魂好的特征应具有区分性不同类别的特征值差异大、鲁棒性对微小形变、光照变化不敏感和独立性特征之间相关性低。4.1 常用手工特征提取方法几何特征简单有效计算快。宽高比aspect_ratio width / height。不同文字的结构可能导致其外接矩形比例不同。面积与周长比area_perimeter_ratio area / perimeter。反映文字的“紧凑度”。笔画密度stroke_density (white_pixel_count) / area。文字部分白色像素占总外接矩形面积的比例。Hu矩一组7个由中心矩推导出的不变矩对图像的平移、旋转、缩放具有不变性。非常适合用于形状识别。import cv2 # 计算图像的矩 moments cv2.moments(img_binary_roi) # 计算Hu矩 hu_moments cv2.HuMoments(moments) # Hu矩的值动态范围很大通常取对数进行压缩 for i in range(7): hu_moments[i] -1 * np.sign(hu_moments[i]) * np.log10(np.abs(hu_moments[i]))纹理特征描述图像内部的灰度分布模式。局部二值模式LBP将每个像素与其邻域比较生成一个二进制码再统计该区域的LBP直方图作为特征。它对光照变化有一定鲁棒性。方向梯度直方图HOG计算图像局部区域的梯度方向直方图。它能很好地捕捉物体的轮廓和形状信息在行人检测中经典对于笔画轮廓清晰的文字也有效。投影特征统计水平方向和垂直方向上的像素分布。水平投影将图像每一行的白色像素累加形成一个一维向量。可以反映文字在垂直方向上的笔画分布。垂直投影将图像每一列的白色像素累加。反映水平方向的笔画分布。这些投影直方图本身可以作为特征也可以从中再提取统计量如波峰数量、波峰位置、方差等。4.2 基于深度学习的特征提取在数据允许的情况下如果竞赛提供了足够多的标注数据例如每个字有数十个甚至上百个样本可以考虑使用卷积神经网络CNN进行迁移学习或训练一个简单的特征提取器。轻量级CNN特征提取器可以设计一个几层的CNN如2-3个卷积池化层后接全连接层将最后一个全连接层之前的激活值例如一个128维或256维的向量作为该文字的特征表示。这种方法能自动学习到比手工特征更高级、更具判别性的特征但对数据量和计算资源要求更高。实战考量在数学建模竞赛有限的时间内如果数据量不是特别充足建议以稳健的手工特征为主深度学习特征为辅或作为进阶尝试。可以将Hu矩、几何特征、投影特征统计量等拼接成一个长特征向量。4.3 特征选择与降维提取了大量特征后并非所有特征都有用。有些特征可能冗余有些可能与类别无关。我们需要进行特征选择或降维。主成分分析PCA最常用的线性降维方法。它将原始特征空间变换到新的坐标系主成分使得第一个主成分方差最大第二个次之以此类推。我们可以保留前k个主成分例如累计贡献率达到95%在保留大部分信息的同时大幅降低特征维度。from sklearn.decomposition import PCA # 假设 feature_matrix 是 n_samples x n_features 的特征矩阵 pca PCA(n_components0.95) # 保留95%方差的主成分 features_reduced pca.fit_transform(feature_matrix)线性判别分析LDA另一种降维方法其目标是使得降维后的数据同类样本尽可能接近不同类样本尽可能远离。它是一种有监督的降维方法在分类任务中有时比PCA效果更好。5. 核心战场三分类器设计与模型训练——让机器学会辨认特征准备就绪后我们进入分类器建模阶段。在这个阶段我们拥有一个数据集每个样本是一个特征向量X对应一个甲骨文字标签y。5.1 数据准备与划分首先需要将分割并提取好特征的数据集划分为训练集和测试集如果竞赛未单独提供测试集则需从训练数据中划分。绝对禁止用训练集数据评估模型性能那会导致过于乐观的估计过拟合。from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split(features, labels, test_size0.2, random_state42, stratifylabels)参数stratifylabels非常重要它确保训练集和测试集中各个类别的比例与原数据集一致避免某些字在测试集中没有出现。5.2 传统机器学习分类器选型与实战在中小规模数据集上传统机器学习分类器往往能取得快速且不错的效果。支持向量机SVM非常强大的分类器尤其适用于小样本、高维特征的情况。其核心是寻找一个最优超平面来分隔不同类别的样本。关键参数kernel核函数。线性核linear适用于近似线性可分的情况径向基函数核rbf可以处理非线性问题是默认且常用的选择。C惩罚系数。C越大对误分类的惩罚越重模型越复杂容易过拟合C越小容错性越高模型越简单可能欠拟合。gamma仅对rbf核影响单个样本的影响范围。gamma值越大支持向量影响范围越小模型越复杂。from sklearn.svm import SVC svm_model SVC(kernelrbf, C10, gammascale, probabilityTrue) # probabilityTrue 便于后续输出概率 svm_model.fit(X_train, y_train) accuracy svm_model.score(X_test, y_test)随机森林Random Forest集成学习算法通过构建多棵决策树并综合其投票结果来进行预测。它通常能取得很好的性能且对特征缩放不敏感能给出特征重要性排序。关键参数n_estimators森林中树的数量。越多越好但计算成本增加。通常从100开始尝试。max_depth树的最大深度。控制模型的复杂度防止过拟合。from sklearn.ensemble import RandomForestClassifier rf_model RandomForestClassifier(n_estimators200, max_depth10, random_state42) rf_model.fit(X_train, y_train) accuracy rf_model.score(X_test, y_test) # 查看特征重要性 importances rf_model.feature_importances_K近邻KNN简单直观无需训练过程。预测时找一个样本在特征空间中最近的K个邻居根据邻居的类别进行投票。关键参数n_neighbors(K值)。K太小容易受噪声影响K太大可能包含太多其他类别的点。需要通过交叉验证选择。重要提示使用KNN前必须对特征进行标准化如Z-score标准化因为其基于距离度量不同特征量纲差异会主导距离计算。from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) # 注意用训练集的均值和方差来转换测试集 knn_model KNeighborsClassifier(n_neighbors5) knn_model.fit(X_train_scaled, y_train)5.3 模型评估与调优不能只看准确率Accuracy尤其是当各类别样本数量不均衡时。混淆矩阵直观展示每个类别被正确和错误分类的情况。精确率Precision、召回率Recall、F1-score对于每个类别单独计算能更细致地评估模型性能。classification_report函数可以一键生成。from sklearn.metrics import classification_report, confusion_matrix y_pred svm_model.predict(X_test) print(classification_report(y_test, y_pred)) print(confusion_matrix(y_test, y_pred))交叉验证与网格搜索为了找到最优的模型参数可以使用GridSearchCV在训练集上进行交叉验证搜索。from sklearn.model_selection import GridSearchCV param_grid {C: [0.1, 1, 10, 100], gamma: [1, 0.1, 0.01, 0.001], kernel: [rbf]} grid GridSearchCV(SVC(), param_grid, refitTrue, cv5, scoringf1_macro) # 使用5折交叉验证以宏平均F1为评分标准 grid.fit(X_train_scaled, y_train) print(grid.best_params_) best_model grid.best_estimator_6. 全流程集成与竞赛策略思考将上述所有模块串联起来形成一个完整的、可运行的Pipeline是竞赛提交前的最后一步也是最考验工程能力的一步。6.1 构建可复现的Pipeline你的代码应该模块化至少包含以下几个函数或类preprocess_image(img): 输入原始图像输出预处理后的灰度图。segment_text(img_processed): 输入预处理图输出二值分割图并返回连通域信息。extract_features(binary_roi_list): 输入一系列分割出的单字ROI图像列表输出一个特征矩阵每行一个样本的特征向量。train_classifier(X_train, y_train): 输入训练特征和标签输出训练好的分类器模型和可能用到的标准化器。pipeline_predict(img_path, model, scaler): 主预测函数完成从读图到输出预测结果的完整流程。确保你的代码有清晰的注释关键步骤有输出如显示中间分割结果并且设置随机种子如np.random.seed(42)random_state42以保证结果可复现这在竞赛中非常重要。6.2 针对竞赛的特别策略与报告撰写要点数学建模竞赛不仅看结果更看重解决问题的思路、模型的建立过程和论证的严谨性。多模型对比与融合不要只提交一个模型的结果。可以在报告中展示SVM、随机森林、KNN等不同分类器在相同特征集上的性能对比用表格呈现准确率、F1-score等。甚至可以尝试简单的模型融合如投票法看看是否能提升最终效果。可视化至关重要报告中必须包含丰富的可视化图表。预处理和分割效果对比图原图、灰度图、CLAHE增强图、自适应阈值结果图、形态学处理后图。用子图并列展示一目了然。特征可视化例如用t-SNE或PCA将高维特征降到2维或3维进行散点图绘制用不同颜色表示不同文字类别观察其是否具有可分性。混淆矩阵热力图直观显示模型在哪些字上容易混淆。误差分析与模型改进讨论这是体现你思考深度的部分。分析识别错误的样本看看是分割阶段就失败了如文字断裂严重未被检出还是特征不足以区分如两个字形近的字或者是分类器边界问题。针对这些分析提出可能的改进方向例如尝试更复杂的分割算法如基于边缘检测的分水岭算法、引入更强大的特征如基于预训练CNN的深度特征、针对易混淆字对设计专门的二分类器等。代码与模型的泛化能力在报告中讨论你的方法对于新的、未见过的甲骨拓片图像的潜在适应能力。可以提及方法的局限性如对极端模糊或破损的图像可能失效以及在实际应用中可能需要调整的参数。整个项目做下来我的体会是数学建模竞赛中的图像识别问题更像是一个系统工程问题。它要求你在有限的资源和时间内合理地组合和调整已有的经典方法图像处理、特征工程、机器学习形成一个稳定、可解释的解决方案。深度学习方法虽然强大但在数据有限、时间紧迫的竞赛环境下一套扎实的传统方法Pipeline往往能提供一个更稳健的基线并且其每一步都清晰可控便于在论文中阐述和论证。最终评委看重的不是你用了多么炫酷的算法而是你如何定义问题、拆解问题、选择并论证方法、分析结果以及思考改进的全过程逻辑。