臺灣博碩士論文加值系統

資訊科技的進步讓光學文字辨識(OCR)成為電腦最早擁有的人類智能之一，在此一基礎下，學者將研究焦點轉往更高階的藝術風格等情感認知，書法的風格派別辨識便是此一研究範疇中，漢字學者獨特的研究議題。本研究利用刑事上用於書寫者筆跡鑑定的文件佈局、文字構造、及書寫筆觸等書寫差異特徵，由巨觀至微觀的分析書法碑帖的書寫風格，建立書法派別的分類器，讓抽象感知的書法風格派別，變成電腦自動識別的能力之一。如此不但可以進行自動化、大規模的書法作品庫分類，更能應用於現代書法學習者臨摹古代著名書法家作品時之成效判定。實驗的進行以篆書、隸書、草書、行書、楷書之不同作家風格分類，透過前處理消除這些書法碑帖裡的雜訊後，擷取代表筆觸的筆畫粗細、筆畫角度、筆畫角度變化量、代表文字構造的字長寬比、及文件佈局的行間距比、列間距比與單字長寬變異數為特徵，再使用隨機森林進行分類辨識，實驗結果所有分類效果皆達90%以上。

With the development of information technology, optical character recognition (OCR) has become one of artificial intelligence. On this foundation, scholars focus on researching higher level emotional cognition of artistic styles. Identifying the factions of calligraphy style is a special research field for Chinese scholars. In criminal, identifying the author of handwriting includes the layout of document, the structure of word and writing strokes. Our research also uses writing difference of these features for classification. Though macroscopic and microscopic writing style of Chinese calligraphy to establish a classifier of calligraphy factions. The classifier enables computer to recognize the abstract style of calligraphy factions automatically. So the computer can not only automatically classify works of calligraphy library in large scale, but can ever apply to the examination of learning effectiveness of calligraphy learners who learn calligraphy though imitating the famous ancient calligraphy works. Our research uses the penmanship of the different writers of seal script, clerical script, cursive script, semi-cursive script and regular script to do the identification experiment. The noise were removed by pre-processing. There are three kinds of features, the layout of calligraphy works, the structure of Chinese character, and the characteristics of strokes. The features include: the thickness of strokes, the angle of strokes, the change of the angle of strokes, ratio of the word-length and the word-width, density of word, ratio of row-spacing, ratio of column-spacing and the variance of the word-length and the word-width. The random forest algorithm is adopted for classification of calligraphy works. Experiment results show that the accuracy rate of the proposed method is more than 90%.

誌謝 I
摘要 II
Abstract III
目錄 IV
圖目錄 VIII
表目錄 IX
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 3
1.4 研究限制與範圍 3
1.5 研究流程 4
第二章 文獻探討 6
2.1 書法風格研究 6
2.1.1 篆書流派及著名作家 7
2.1.2 隸書流派及著名作家 8
2.1.3 草書流派及著名作家 9
2.1.4 行書流派及著名作家 10
2.1.5 楷書流派及著名作家 11
2.2 中文字筆跡鑑定方法 11
2.3 書法分類相關研究 13
第三章 研究方法 17
3.1 實驗架構 17
3.2 前處理 18
3.2.1 灰階化及二值化 18
3.2.2 雜訊處理 19
3.3 特徵擷取 21
3.3.1 筆畫粗細特徵 23
3.3.2 筆畫角度特徵 26
3.3.3 筆畫角度變化特徵 28
3.3.4 字元長寬與間距特徵 29
3.4 特徵參數預選 31
3.5 分類方法說明 32
3.5.1 決策樹 32
3.5.2 隨機森林 33
3.5.3 支持向量機 34
3.5.4 最近鄰居法 35
第四章 研究結果 36
4.1 實驗說明 36
4.2 篆書分類結果 37
4.2.1 篆書筆畫粗細特徵參數預選結果 37
4.2.2 篆書筆畫角度特徵參數預選結果 38
4.2.3 篆書筆畫角度變化特徵參數預選結果 39
4.2.4 篆書字元長寬與間距特徵參數預選結果 40
4.2.5 篆書分類實驗結果 40
4.3隸書分類實驗結果 44
4.3.1 隸書筆畫粗細特徵參數預選結果 44
4.3.2 隸書筆畫角度特徵參數預選結果 45
4.3.3 隸書筆畫角度變化特徵參數預選結果 46
4.3.4 隸書字元長寬與間距特徵參數預選結果 46
4.3.5 隸書分類實驗結果 47
4.4 草書分類實驗結果 49
4.4.1 草書筆畫粗細特徵參數預選結果 49
4.4.2 草書筆畫角度特徵參數預選結果 50
4.4.3 草書筆畫角度變化特徵參數預選結果 51
4.4.4 草書字元長寬與間距特徵參數預選結果 51
4.4.5 草書分類實驗結果 52
4.5 行書分類實驗結果 54
4.5.1 行書筆畫粗細特徵參數預選結果 54
4.5.2 行書筆畫角度特徵參數預選結果 55
4.5.3 行書筆畫角度變化特徵參數預選結果 56
4.5.4 行書字元長寬與間距特徵參數預選結果 56
4.5.5 行書分類實驗結果 57
4.6 楷書分類實驗結果 59
4.6.1 楷書筆畫粗細特徵參數預選結果 59
4.6.2 楷書筆畫角度特徵參數預選結果 60
4.6.3 楷書筆畫角度變化特徵參數預選結果 61
4.6.4 楷書字元長寬與間距特徵參數預選結果 61
4.6.5 楷書分類實驗結果 62
4.7 全書體分類實驗結果 64
4.7.1 全書體筆畫粗細特徵參數預選結果 64
4.7.2 全書體筆畫角度特徵參數預選結果 65
4.7.3 全書體筆畫角度變化特徵參數預選結果 66
4.7.4 全書體字元長寬與間距特徵參數預選結果 66
4.7.5 全書體分類實驗結果 67
4.8 相關研究比較實驗 69
第五章 結論 72
5.1 總結 72
5.2研究貢獻 72
5.3 未來研究方向 72
參考文獻 74

1.毛天驕，2014，書法字書體風格識別技術，浙江大學碩士論文.

2. 李昭慶，2002，電腦化離線筆跡鑑定，中央警察大學刑事警察研究所碩士論文。

3.李珮銓，2009，行書風格之量化分析與比較-以宋代四大家為例，元智大學資訊傳播學系碩士班數位媒體設計組碩士論文。

4.林宗勳，Support Vector Machines 簡介，http://www.cmlab.csie.ntu.edu.tw/~cyy/learning/tutorials/SVM2.pdf。

5.唐濤，1990，中國歷代書體演變，台灣省立博物館出版部，台北。

6.書法欣賞，http://www.yac8.com/

7.張光賓，1981，中華書法史，台灣商務印書館，台北。

8.張雲芝譯，吉田公一著，2003，筆跡印文鑑定參考手冊，內政部警政署刑事警察局刑事鑑識中心，台北。

9.教育部重編國語辭典修訂本，2015，http://dict.revised.moe.edu.tw/cbdic/，中華民國教育部。

10.陳虎生，1996，筆跡鑑定的探討，警學叢刊，第二十六卷．第五期，17-29。

11.陳景瀚，2012，基於視覺感知的多媒體風格分類，國立聯合大學資訊管理系碩士班碩士論文。

12.趙李英記，2013，隨機森林運用於白血病基因分類，第九屆知識社群國際研討會，112-122

13.藝術中國，http://www.artx.cn/

14. Beyer, K., Goldstein, J., Ramakrishnan, R., & Shaft, U. (1999, January). When is “nearest neighbor” meaningful?. In International conference on database theory (pp. 217-235). Springer Berlin Heidelberg.

15. Boutell, M., & Luo, J. (2004, August). Photo classification by integrating image content and camera metadata. In Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on (Vol. 4, pp. 901-904). IEEE.

16. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.

17. Burges, C. J. (1998). A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2(2), 121-167.

18. Chang, C. C., & Lin, C. J. (2011). LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology (TIST), 2(3), 27.

19. Gonzalez, R. C., & Woods, R. E. (2007). Digital image processing(3rd ed.). Pearson.

20. Gupte, S., Masoud, O., Martin, R. F., & Papanikolopoulos, N. P. (2002). Detection and classification of vehicles. IEEE Transactions on intelligent transportation systems, 3(1), 37-47.

21. Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques(3rd ed.). Elsevier.

22. Hsu, W., Lee, M. L., & Zhang, J. (2002). Image mining: Trends and developments. Journal of intelligent information systems, 19(1), 7-23.

23. Lalanne, T., & Lempereur, C. (1998, April). Color recognition with a camera: a supervised algorithm for classification. In Image Analysis and Interpretation, 1998 IEEE Southwest Symposium on (pp. 198-204). IEEE.

24. Livingston, F. (2005). Implementation of Breiman’s random forest machine learning algorithm. ECE591Q Machine Learning Journal Paper.

25. Qiu, J., Xie, H., & Zhang, C. (2014). A Method for Calligraphy Writer Identification by Integrating Gabor Filter and Gaussian Markov Random Field. Journal of Information & Computational Science, 11(17), 6193-6200.

26. Shamir, L., Macura, T., Orlov, N., Eckley, D. M., & Goldberg, I. G. (2010). Impressionism, expressionism, surrealism: Automated recognition of painters and schools of art. ACM Transactions on Applied Perception (TAP), 7(2), 8.

27. Sun, Y., Ding, N., Qian, H., & Xu, Y. (2013, May). A robot for classifying Chinese calligraphic types and styles. In Robotics and Automation (ICRA), 2013 IEEE International Conference on (pp. 4279-4284). IEEE.

28. Weka 3: Data Mining Software in Java, http://www.cs.waikato.ac.nz/ml/weka/

29. Wong, S. T. S., Leung, H., & Ip, H. H. S. (2006, August). Brush writing style classification from individual Chinese characters. In 18th International Conference on Pattern Recognition (ICPR'06) (Vol. 1, pp. 884-887). IEEE.